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

PSi22b	0.06 1	0.04 1	0.09 122	0.13 25	0.05 2	0.08 84	0.11 65	0.06 1	0.06 6	0.06 25	0.06 23	0.08 186	0.05 14	0.08 25	0.09 103	0.06 167	0.04 25	0.04 1	0.03 1	0.05 170	0.04 73

PSi22a	0.06 1	0.04 1	0.09 122	0.12 7	0.05 2	0.06 14	0.11 65	0.06 1	0.06 6	0.06 25	0.06 23	0.06 42	0.05 14	0.08 25	0.09 103	0.07 340	0.04 25	0.04 1	0.03 1	0.05 170	0.04 73

Foundation-i32	0.06 1	0.04 1	0.09 122	0.13 25	0.04 1	0.06 14	0.12 98	0.06 1	0.05 4	0.06 25	0.05 7	0.05 5	0.05 14	0.07 4	0.09 103	0.06 167	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

MLG-Stereo_test2	0.06 1	0.04 1	0.10 186	0.15 123	0.05 2	0.07 43	0.11 65	0.09 21	0.04 2	0.06 25	0.05 7	0.06 42	0.04 1	0.08 25	0.09 103	0.06 167	0.04 25	0.05 50	0.03 1	0.05 170	0.05 204

MLG-Stereo_test1	0.06 1	0.05 42	0.08 57	0.17 308	0.05 2	0.06 14	0.11 65	0.08 12	0.03 1	0.05 2	0.04 1	0.06 42	0.05 14	0.09 59	0.09 103	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

FoundationStereo	0.06 1	0.04 1	0.08 57	0.12 7	0.05 2	0.09 138	0.13 178	0.06 1	0.09 52	0.05 2	0.05 7	0.06 42	0.04 1	0.06 1	0.07 1	0.06 167	0.04 25	0.05 50	0.03 1	0.05 170	0.04 73

MCSU-Stereo	0.07 7	0.05 42	0.07 11	0.16 221	0.05 2	0.08 84	0.12 98	0.09 21	0.07 15	0.06 25	0.10 196	0.06 42	0.06 65	0.08 25	0.08 25	0.06 167	0.04 25	0.04 1	0.03 1	0.04 48	0.03 2

derf	0.07 7	0.04 1	0.10 186	0.14 69	0.06 28	0.05 4	0.12 98	0.12 85	0.09 52	0.05 2	0.07 65	0.07 124	0.08 228	0.10 122	0.10 207	0.06 167	0.05 277	0.04 1	0.03 1	0.04 48	0.05 204

mm2	0.07 7	0.04 1	0.10 186	0.13 25	0.06 28	0.06 14	0.12 98	0.13 114	0.08 25	0.06 25	0.07 65	0.06 42	0.08 228	0.10 122	0.09 103	0.06 167	0.05 277	0.04 1	0.03 1	0.04 48	0.05 204

mm1	0.07 7	0.04 1	0.10 186	0.13 25	0.06 28	0.06 14	0.12 98	0.06 1	0.08 25	0.06 25	0.07 65	0.06 42	0.08 228	0.10 122	0.09 103	0.06 167	0.05 277	0.04 1	0.03 1	0.04 48	0.05 204

qqai	0.07 7	0.05 42	0.10 186	0.14 69	0.06 28	0.05 4	0.12 98	0.08 12	0.09 52	0.05 2	0.06 23	0.06 42	0.08 228	0.10 122	0.09 103	0.06 167	0.05 277	0.05 50	0.03 1	0.04 48	0.05 204

MGA	0.07 7	0.04 1	0.10 186	0.13 25	0.06 28	0.08 84	0.09 20	0.12 85	0.08 25	0.05 2	0.06 23	0.06 42	0.05 14	0.10 122	0.09 103	0.06 167	0.04 25	0.05 50	0.03 1	0.05 170	0.05 204

CAR	0.07 7	0.05 42	0.08 57	0.14 69	0.06 28	0.07 43	0.08 7	0.12 85	0.08 25	0.05 2	0.06 23	0.05 5	0.05 14	0.10 122	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

MSE-Stereo	0.07 7	0.04 1	0.08 57	0.13 25	0.06 28	0.07 43	0.08 7	0.12 85	0.08 25	0.05 2	0.06 23	0.05 5	0.05 14	0.10 122	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

monster-pro	0.07 7	0.06 119	0.05 1	0.15 123	0.05 2	0.07 43	0.10 35	0.15 187	0.15 252	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

PointNet	0.07 7	0.06 119	0.07 11	0.15 123	0.07 134	0.08 84	0.14 246	0.11 58	0.08 25	0.05 2	0.07 65	0.08 186	0.08 228	0.09 59	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

aanet-new-60k	0.07 7	0.07 238	0.08 57	0.18 399	0.06 28	0.07 43	0.10 35	0.09 21	0.14 224	0.07 75	0.07 65	0.06 42	0.06 65	0.11 197	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-70k	0.07 7	0.06 119	0.09 122	0.17 308	0.06 28	0.08 84	0.12 98	0.11 58	0.10 76	0.06 25	0.07 65	0.07 124	0.06 65	0.10 122	0.07 1	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-78k	0.07 7	0.07 238	0.09 122	0.19 468	0.06 28	0.07 43	0.12 98	0.11 58	0.13 191	0.06 25	0.07 65	0.06 42	0.06 65	0.09 59	0.07 1	0.04 11	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

aanet-new-40k	0.07 7	0.08 357	0.07 11	0.17 308	0.07 134	0.08 84	0.13 178	0.10 35	0.10 76	0.07 75	0.08 124	0.06 42	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

GCAP-Stereo-DPT26K	0.07 7	0.06 119	0.07 11	0.16 221	0.06 28	0.08 84	0.12 98	0.10 35	0.08 25	0.06 25	0.09 160	0.06 42	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

aanet-new-24k	0.07 7	0.07 238	0.07 11	0.17 308	0.06 28	0.07 43	0.12 98	0.09 21	0.11 109	0.09 183	0.09 160	0.06 42	0.07 179	0.09 59	0.07 1	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

GCAP-Stereo-DPT-20K	0.07 7	0.05 42	0.11 248	0.15 123	0.06 28	0.07 43	0.13 178	0.09 21	0.11 109	0.07 75	0.08 124	0.06 42	0.05 14	0.09 59	0.07 1	0.05 51	0.05 277	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-24K	0.07 7	0.06 119	0.07 11	0.15 123	0.06 28	0.10 201	0.15 330	0.12 85	0.11 109	0.06 25	0.11 247	0.06 42	0.05 14	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

PipStereo	0.07 7	0.04 1	0.09 122	0.13 25	0.05 2	0.08 84	0.11 65	0.06 1	0.06 6	0.06 25	0.05 7	0.08 186	0.05 14	0.08 25	0.09 103	0.06 167	0.04 25	0.04 1	0.03 1	0.05 170	0.04 73

LACA3	0.07 7	0.08 357	0.08 57	0.13 25	0.05 2	0.09 138	0.11 65	0.08 12	0.08 25	0.08 131	0.05 7	0.07 124	0.07 179	0.07 4	0.07 1	0.06 167	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

Selective-IGEV-i32	0.07 7	0.06 119	0.08 57	0.17 308	0.06 28	0.08 84	0.12 98	0.13 114	0.07 15	0.08 131	0.07 65	0.06 42	0.04 1	0.10 122	0.09 103	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

LACA2	0.07 7	0.05 42	0.06 5	0.15 123	0.06 28	0.09 138	0.11 65	0.11 58	0.10 76	0.05 2	0.05 7	0.06 42	0.08 228	0.09 59	0.07 1	0.07 340	0.04 25	0.04 1	0.04 60	0.04 48	0.04 73

LACA1	0.07 7	0.07 238	0.07 11	0.14 69	0.05 2	0.09 138	0.11 65	0.10 35	0.07 15	0.05 2	0.05 7	0.06 42	0.07 179	0.08 25	0.09 103	0.06 167	0.04 25	0.04 1	0.04 60	0.03 1	0.04 73

Test_v1	0.07 7	0.04 1	0.06 5	0.13 25	0.06 28	0.08 84	0.11 65	0.15 187	0.12 148	0.06 25	0.05 7	0.04 1	0.05 14	0.08 25	0.10 207	0.07 340	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

BLMT-Stereo	0.07 7	0.04 1	0.08 57	0.15 123	0.07 134	0.06 14	0.14 246	0.07 7	0.10 76	0.05 2	0.05 7	0.04 1	0.06 65	0.07 4	0.09 103	0.04 11	0.04 25	0.05 50	0.05 194	0.04 48	0.04 73

Pro-Stereo	0.07 7	0.05 42	0.08 57	0.15 123	0.07 134	0.08 84	0.12 98	0.07 7	0.07 15	0.06 25	0.06 23	0.05 5	0.05 14	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

MatchStereo	0.07 7	0.04 1	0.08 57	0.14 69	0.06 28	0.05 4	0.12 98	0.12 85	0.09 52	0.07 75	0.06 23	0.04 1	0.04 1	0.08 25	0.09 103	0.06 167	0.05 277	0.05 50	0.03 1	0.04 48	0.04 73
Tingman Yan, Tao Liu, Xilian Yang, Qunfei Zhao, Zeyang Xia: MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching. Arxiv, 2025
BridgeDepth_RVC	0.07 7	0.04 1	0.09 122	0.11 1	0.05 2	0.10 201	0.10 35	0.14 145	0.09 52	0.06 25	0.07 65	0.06 42	0.07 179	0.07 4	0.10 207	0.06 167	0.04 25	0.04 1	0.04 60	0.04 48	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
CSFM-Stereo	0.07 7	0.05 42	0.07 11	0.14 69	0.06 28	0.09 138	0.13 178	0.15 187	0.06 6	0.07 75	0.08 124	0.06 42	0.08 228	0.09 59	0.09 103	0.06 167	0.05 277	0.04 1	0.03 1	0.04 48	0.04 73

VIP-Stereo	0.07 7	0.07 238	0.07 11	0.15 123	0.06 28	0.12 309	0.10 35	0.11 58	0.11 109	0.06 25	0.07 65	0.06 42	0.05 14	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.03 1	0.03 1	0.02 1

BridgeDepth	0.07 7	0.07 238	0.08 57	0.18 399	0.06 28	0.07 43	0.11 65	0.09 21	0.06 6	0.04 1	0.07 65	0.10 258	0.09 268	0.08 25	0.08 25	0.04 11	0.03 1	0.04 1	0.04 60	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
Zero-FE251	0.07 7	0.05 42	0.09 122	0.13 25	0.06 28	0.12 309	0.12 98	0.11 58	0.10 76	0.07 75	0.08 124	0.06 42	0.06 65	0.09 59	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

MonStereo	0.07 7	0.06 119	0.05 1	0.15 123	0.05 2	0.08 84	0.10 35	0.15 187	0.15 252	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Wavelet-MonSter	0.07 7	0.05 42	0.07 11	0.16 221	0.06 28	0.07 43	0.11 65	0.10 35	0.08 25	0.06 25	0.06 23	0.07 124	0.07 179	0.09 59	0.09 103	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 7	0.06 119	0.05 1	0.15 123	0.05 2	0.08 84	0.10 35	0.15 187	0.15 252	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 7	0.04 1	0.09 122	0.13 25	0.06 28	0.05 4	0.09 20	0.11 58	0.07 15	0.06 25	0.06 23	0.05 5	0.06 65	0.09 59	0.09 103	0.06 167	0.04 25	0.04 1	0.03 1	0.05 170	0.05 204

Replicate-Monster	0.07 7	0.05 42	0.09 122	0.14 69	0.06 28	0.08 84	0.09 20	0.13 114	0.13 191	0.05 2	0.07 65	0.06 42	0.06 65	0.08 25	0.10 207	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

AdaDepth	0.07 7	0.06 119	0.07 11	0.18 399	0.06 28	0.11 256	0.12 98	0.09 21	0.07 15	0.06 25	0.05 7	0.07 124	0.06 65	0.09 59	0.10 207	0.04 11	0.05 277	0.05 50	0.04 60	0.04 48	0.04 73

asda	0.07 7	0.08 357	0.08 57	0.16 221	0.06 28	0.06 14	0.10 35	0.16 226	0.10 76	0.06 25	0.06 23	0.05 5	0.05 14	0.10 122	0.10 207	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

asd	0.07 7	0.08 357	0.07 11	0.16 221	0.07 134	0.08 84	0.08 7	0.11 58	0.08 25	0.07 75	0.07 65	0.06 42	0.06 65	0.10 122	0.09 103	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

qwe	0.07 7	0.08 357	0.07 11	0.15 123	0.06 28	0.07 43	0.10 35	0.18 299	0.11 109	0.07 75	0.07 65	0.06 42	0.06 65	0.10 122	0.09 103	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

2.25w	0.07 7	0.06 119	0.07 11	0.14 69	0.06 28	0.08 84	0.08 7	0.10 35	0.15 252	0.08 131	0.10 196	0.07 124	0.06 65	0.08 25	0.10 207	0.05 51	0.03 1	0.04 1	0.04 60	0.03 1	0.04 73

4.25_new	0.07 7	0.08 357	0.09 122	0.15 123	0.06 28	0.09 138	0.08 7	0.14 145	0.08 25	0.07 75	0.07 65	0.06 42	0.06 65	0.12 291	0.10 207	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5w_new	0.07 7	0.08 357	0.09 122	0.15 123	0.06 28	0.09 138	0.08 7	0.14 145	0.08 25	0.07 75	0.07 65	0.06 42	0.06 65	0.12 291	0.10 207	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4.5_new	0.07 7	0.09 437	0.08 57	0.15 123	0.07 134	0.06 14	0.10 35	0.14 145	0.11 109	0.06 25	0.08 124	0.06 42	0.06 65	0.08 25	0.10 207	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

4.5w-stereo	0.07 7	0.09 437	0.08 57	0.15 123	0.07 134	0.06 14	0.10 35	0.14 145	0.11 109	0.06 25	0.08 124	0.06 42	0.06 65	0.08 25	0.10 207	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

4.25w-stereo	0.07 7	0.08 357	0.09 122	0.15 123	0.06 28	0.09 138	0.08 7	0.14 145	0.08 25	0.07 75	0.07 65	0.06 42	0.06 65	0.12 291	0.10 207	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

4w-stereo	0.07 7	0.08 357	0.08 57	0.16 221	0.06 28	0.07 43	0.08 7	0.12 85	0.08 25	0.07 75	0.07 65	0.05 5	0.06 65	0.09 59	0.10 207	0.03 1	0.03 1	0.04 1	0.04 60	0.04 48	0.03 2

2.5w	0.07 7	0.07 238	0.07 11	0.16 221	0.06 28	0.08 84	0.12 98	0.10 35	0.10 76	0.07 75	0.06 23	0.09 222	0.06 65	0.08 25	0.09 103	0.04 11	0.03 1	0.04 1	0.04 60	0.03 1	0.03 2

2.75w_new	0.07 7	0.07 238	0.07 11	0.13 25	0.06 28	0.08 84	0.08 7	0.18 299	0.12 148	0.07 75	0.08 124	0.06 42	0.06 65	0.09 59	0.11 289	0.04 11	0.04 25	0.04 1	0.03 1	0.03 1	0.04 73

3.25w_new	0.07 7	0.06 119	0.07 11	0.15 123	0.06 28	0.10 201	0.07 3	0.12 85	0.11 109	0.08 131	0.06 23	0.07 124	0.06 65	0.11 197	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 7	0.06 119	0.07 11	0.15 123	0.06 28	0.10 201	0.07 3	0.12 85	0.11 109	0.08 131	0.06 23	0.07 124	0.06 65	0.11 197	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 7	0.07 238	0.08 57	0.16 221	0.07 134	0.07 43	0.09 20	0.16 226	0.09 52	0.07 75	0.06 23	0.05 5	0.06 65	0.09 59	0.10 207	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 7	0.07 238	0.07 11	0.15 123	0.07 134	0.09 138	0.06 1	0.13 114	0.11 109	0.07 75	0.07 65	0.06 42	0.07 179	0.10 122	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

1w_stereo	0.07 7	0.06 119	0.07 11	0.16 221	0.06 28	0.07 43	0.10 35	0.14 145	0.14 224	0.07 75	0.08 124	0.05 5	0.06 65	0.09 59	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 73

monsterstereo	0.07 7	0.06 119	0.06 5	0.16 221	0.06 28	0.08 84	0.10 35	0.16 226	0.11 109	0.07 75	0.08 124	0.06 42	0.07 179	0.08 25	0.09 103	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

monsters	0.07 7	0.06 119	0.06 5	0.15 123	0.06 28	0.08 84	0.09 20	0.12 85	0.08 25	0.09 183	0.07 65	0.06 42	0.06 65	0.08 25	0.08 25	0.05 51	0.04 25	0.04 1	0.04 60	0.03 1	0.03 2

IGEV	0.07 7	0.04 1	0.08 57	0.13 25	0.06 28	0.09 138	0.12 98	0.14 145	0.10 76	0.06 25	0.09 160	0.07 124	0.05 14	0.09 59	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

111111	0.07 7	0.04 1	0.09 122	0.17 308	0.06 28	0.05 4	0.10 35	0.11 58	0.09 52	0.06 25	0.06 23	0.07 124	0.05 14	0.09 59	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.07 374	0.06 306

LG-Stereo_L2	0.07 7	0.05 42	0.10 186	0.14 69	0.06 28	0.07 43	0.12 98	0.09 21	0.09 52	0.06 25	0.04 1	0.05 5	0.05 14	0.08 25	0.08 25	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.03 2

LG-Stereo_L1	0.07 7	0.05 42	0.11 248	0.14 69	0.06 28	0.07 43	0.13 178	0.09 21	0.07 15	0.05 2	0.04 1	0.05 5	0.04 1	0.08 25	0.07 1	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

MLG-Stereo_test3	0.07 7	0.05 42	0.10 186	0.14 69	0.06 28	0.07 43	0.11 65	0.08 12	0.06 6	0.06 25	0.04 1	0.06 42	0.06 65	0.07 4	0.10 207	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.06 306

MLG-Stereo	0.07 7	0.05 42	0.08 57	0.17 308	0.05 2	0.07 43	0.11 65	0.08 12	0.04 2	0.05 2	0.04 1	0.06 42	0.05 14	0.10 122	0.09 103	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

LG-G_1	0.07 7	0.04 1	0.11 248	0.15 123	0.06 28	0.09 138	0.08 7	0.08 12	0.06 6	0.06 25	0.05 7	0.07 124	0.07 179	0.11 197	0.08 25	0.07 340	0.04 25	0.05 50	0.04 60	0.05 170	0.05 204

LG-G	0.07 7	0.04 1	0.11 248	0.15 123	0.06 28	0.09 138	0.08 7	0.08 12	0.06 6	0.06 25	0.05 7	0.07 124	0.07 179	0.11 197	0.08 25	0.07 340	0.04 25	0.05 50	0.04 60	0.05 170	0.05 204

LGtest1	0.07 7	0.04 1	0.10 186	0.15 123	0.06 28	0.07 43	0.09 20	0.08 12	0.06 6	0.05 2	0.04 1	0.06 42	0.06 65	0.10 122	0.09 103	0.07 340	0.04 25	0.05 50	0.04 60	0.06 293	0.06 306

LG-Stereo_Zeroshot	0.07 7	0.06 119	0.10 186	0.16 221	0.07 134	0.04 1	0.13 178	0.10 35	0.10 76	0.05 2	0.11 247	0.07 124	0.05 14	0.07 4	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

GREAT-IGEV	0.07 7	0.06 119	0.08 57	0.13 25	0.07 134	0.07 43	0.14 246	0.09 21	0.09 52	0.06 25	0.07 65	0.06 42	0.05 14	0.10 122	0.07 1	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
StereoAnything_RVC	0.07 7	0.15 593	0.17 503	0.11 1	0.05 2	0.05 4	0.11 65	0.08 12	0.08 25	0.06 25	0.06 23	0.05 5	0.05 14	0.09 59	0.08 25	0.08 423	0.04 25	0.05 50	0.03 1	0.05 170	0.04 73

AIO_rvc	0.07 7	0.06 119	0.08 57	0.15 123	0.06 28	0.08 84	0.14 246	0.09 21	0.08 25	0.07 75	0.08 124	0.07 124	0.04 1	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

AIO_test	0.07 7	0.05 42	0.07 11	0.15 123	0.07 134	0.06 14	0.14 246	0.10 35	0.10 76	0.07 75	0.07 65	0.06 42	0.05 14	0.08 25	0.10 207	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

MonSter	0.07 7	0.06 119	0.05 1	0.15 123	0.05 2	0.07 43	0.10 35	0.15 187	0.15 252	0.05 2	0.06 23	0.05 5	0.06 65	0.07 4	0.09 103	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

DEFOM-Stereo	0.07 7	0.05 42	0.07 11	0.14 69	0.06 28	0.10 201	0.13 178	0.07 7	0.13 191	0.06 25	0.07 65	0.06 42	0.05 14	0.10 122	0.09 103	0.04 11	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

dual_stereo	0.07 7	0.04 1	0.08 57	0.15 123	0.05 2	0.05 4	0.13 178	0.12 85	0.08 25	0.07 75	0.06 23	0.05 5	0.05 14	0.07 4	0.09 103	0.06 167	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

IGEV-Stereo++	0.07 7	0.06 119	0.08 57	0.18 399	0.06 28	0.04 1	0.10 35	0.11 58	0.11 109	0.06 25	0.07 65	0.07 124	0.06 65	0.09 59	0.09 103	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

IGEV-Stereo+	0.07 7	0.04 1	0.08 57	0.15 123	0.06 28	0.04 1	0.09 20	0.10 35	0.09 52	0.06 25	0.06 23	0.06 42	0.06 65	0.06 1	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.06 293	0.06 306

GCAPDPT-zeroshot4090	0.07 7	0.05 42	0.11 248	0.15 123	0.06 28	0.07 43	0.13 178	0.09 21	0.11 109	0.07 75	0.08 124	0.06 42	0.05 14	0.09 59	0.07 1	0.05 51	0.05 277	0.05 50	0.04 60	0.03 1	0.04 73

Selective-IGEV	0.07 7	0.06 119	0.08 57	0.17 308	0.06 28	0.08 84	0.12 98	0.13 114	0.07 15	0.08 131	0.07 65	0.06 42	0.04 1	0.10 122	0.09 103	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

Anonymus	0.08 85	0.05 42	0.10 186	0.15 123	0.08 218	0.10 201	0.15 330	0.15 187	0.10 76	0.07 75	0.06 23	0.07 124	0.08 228	0.12 291	0.10 207	0.06 167	0.04 25	0.05 50	0.05 194	0.05 170	0.06 306

LGCAT	0.08 85	0.04 1	0.10 186	0.11 1	0.06 28	0.07 43	0.12 98	0.07 7	0.08 25	0.09 183	0.07 65	0.07 124	0.08 228	0.12 291	0.11 289	0.10 526	0.09 563	0.04 1	0.05 194	0.04 48	0.09 512

quiztm	0.08 85	0.07 238	0.08 57	0.18 399	0.07 134	0.09 138	0.14 246	0.14 145	0.12 148	0.07 75	0.07 65	0.05 5	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.04 60	0.04 48	0.03 2

TS12	0.08 85	0.06 119	0.09 122	0.21 566	0.07 134	0.11 256	0.13 178	0.11 58	0.09 52	0.10 229	0.10 196	0.08 186	0.10 312	0.09 59	0.12 351	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

DF	0.08 85	0.05 42	0.09 122	0.15 123	0.06 28	0.11 256	0.13 178	0.10 35	0.12 148	0.09 183	0.10 196	0.10 258	0.08 228	0.11 197	0.09 103	0.07 340	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

LiteMatch*	0.08 85	0.04 1	0.11 248	0.13 25	0.08 218	0.08 84	0.13 178	0.14 145	0.09 52	0.05 2	0.05 7	0.05 5	0.09 268	0.11 197	0.10 207	0.06 167	0.05 277	0.05 50	0.04 60	0.05 170	0.05 204

aanet-new-90k	0.08 85	0.07 238	0.08 57	0.19 468	0.06 28	0.07 43	0.12 98	0.12 85	0.13 191	0.06 25	0.07 65	0.06 42	0.06 65	0.10 122	0.07 1	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

aanet-new-36k	0.08 85	0.06 119	0.09 122	0.17 308	0.06 28	0.09 138	0.13 178	0.11 58	0.13 191	0.08 131	0.08 124	0.06 42	0.05 14	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

aanet-new-34k	0.08 85	0.06 119	0.09 122	0.17 308	0.05 2	0.07 43	0.13 178	0.12 85	0.12 148	0.09 183	0.08 124	0.07 124	0.05 14	0.10 122	0.09 103	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

aanet-32k-new	0.08 85	0.07 238	0.08 57	0.18 399	0.06 28	0.08 84	0.12 98	0.11 58	0.12 148	0.07 75	0.08 124	0.05 5	0.07 179	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.06 293	0.04 73

aanet-new-32k	0.08 85	0.07 238	0.09 122	0.18 399	0.06 28	0.11 256	0.11 65	0.10 35	0.08 25	0.07 75	0.07 65	0.07 124	0.06 65	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-30k	0.08 85	0.07 238	0.09 122	0.18 399	0.06 28	0.11 256	0.11 65	0.10 35	0.08 25	0.07 75	0.07 65	0.07 124	0.06 65	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

aanet-new-28k	0.08 85	0.07 238	0.09 122	0.18 399	0.06 28	0.08 84	0.12 98	0.10 35	0.09 52	0.09 183	0.08 124	0.08 186	0.06 65	0.12 291	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

aanet-new-22k	0.08 85	0.06 119	0.09 122	0.17 308	0.06 28	0.08 84	0.11 65	0.14 145	0.12 148	0.09 183	0.09 160	0.08 186	0.06 65	0.10 122	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

aanet-new-16k	0.08 85	0.08 357	0.08 57	0.18 399	0.06 28	0.07 43	0.09 20	0.13 114	0.12 148	0.08 131	0.07 65	0.07 124	0.06 65	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

aanet-new-10k	0.08 85	0.08 357	0.08 57	0.19 468	0.07 134	0.08 84	0.12 98	0.14 145	0.11 109	0.07 75	0.08 124	0.07 124	0.07 179	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

aanet-new-12k	0.08 85	0.09 437	0.07 11	0.20 534	0.08 218	0.08 84	0.13 178	0.12 85	0.13 191	0.08 131	0.08 124	0.05 5	0.07 179	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.06 293	0.04 73

aanet-new-14k	0.08 85	0.09 437	0.08 57	0.19 468	0.06 28	0.07 43	0.10 35	0.14 145	0.15 252	0.06 25	0.08 124	0.05 5	0.06 65	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

aanet-new-8k	0.08 85	0.07 238	0.08 57	0.19 468	0.07 134	0.09 138	0.12 98	0.16 226	0.15 252	0.07 75	0.07 65	0.06 42	0.06 65	0.10 122	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

aanet-new	0.08 85	0.09 437	0.10 186	0.18 399	0.08 218	0.10 201	0.12 98	0.15 187	0.12 148	0.08 131	0.08 124	0.05 5	0.07 179	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.06 293	0.04 73

GCAP-Stereo-cres-4k	0.08 85	0.07 238	0.08 57	0.18 399	0.07 134	0.11 256	0.14 246	0.12 85	0.11 109	0.07 75	0.11 247	0.07 124	0.06 65	0.09 59	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

GCAP-Stereo-DPT-cres	0.08 85	0.05 42	0.07 11	0.15 123	0.06 28	0.10 201	0.14 246	0.13 114	0.12 148	0.07 75	0.09 160	0.07 124	0.06 65	0.10 122	0.09 103	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT-36K	0.08 85	0.06 119	0.15 437	0.14 69	0.06 28	0.08 84	0.13 178	0.13 114	0.11 109	0.07 75	0.08 124	0.07 124	0.06 65	0.09 59	0.08 25	0.05 51	0.05 277	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-22K	0.08 85	0.06 119	0.07 11	0.17 308	0.06 28	0.07 43	0.14 246	0.13 114	0.16 291	0.05 2	0.10 196	0.06 42	0.06 65	0.08 25	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-5K	0.08 85	0.06 119	0.10 186	0.16 221	0.07 134	0.11 256	0.12 98	0.15 187	0.15 252	0.08 131	0.12 268	0.05 5	0.06 65	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 194	0.03 1	0.04 73

GCAP-Stereo-DPT-2K	0.08 85	0.06 119	0.10 186	0.16 221	0.07 134	0.11 256	0.13 178	0.14 145	0.14 224	0.08 131	0.13 287	0.05 5	0.06 65	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-3K	0.08 85	0.07 238	0.10 186	0.16 221	0.07 134	0.09 138	0.12 98	0.15 187	0.14 224	0.08 131	0.11 247	0.05 5	0.06 65	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

GCAP-Stereo-DPT-50K	0.08 85	0.06 119	0.17 503	0.15 123	0.06 28	0.06 14	0.13 178	0.13 114	0.13 191	0.07 75	0.07 65	0.06 42	0.05 14	0.08 25	0.08 25	0.04 11	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT-25K	0.08 85	0.06 119	0.07 11	0.16 221	0.06 28	0.06 14	0.14 246	0.14 145	0.14 224	0.07 75	0.10 196	0.06 42	0.05 14	0.09 59	0.09 103	0.04 11	0.04 25	0.04 1	0.04 60	0.03 1	0.03 2

GCAP-Stereo-DPT-FT	0.08 85	0.05 42	0.12 292	0.15 123	0.06 28	0.10 201	0.14 246	0.12 85	0.12 148	0.07 75	0.09 160	0.06 42	0.06 65	0.10 122	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

PSi22	0.08 85	0.06 119	0.11 248	0.16 221	0.07 134	0.08 84	0.10 35	0.14 145	0.08 25	0.08 131	0.06 23	0.10 258	0.06 65	0.12 291	0.09 103	0.05 51	0.04 25	0.04 1	0.03 1	0.04 48	0.04 73

Foundation-i1c-attn	0.08 85	0.05 42	0.07 11	0.14 69	0.05 2	0.09 138	0.12 98	0.12 85	0.10 76	0.09 183	0.10 196	0.10 258	0.07 179	0.07 4	0.10 207	0.06 167	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

Foundation-i1b	0.08 85	0.05 42	0.07 11	0.14 69	0.05 2	0.09 138	0.12 98	0.13 114	0.10 76	0.09 183	0.10 196	0.09 222	0.06 65	0.07 4	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.03 1	0.03 2

Foundation-i1a	0.08 85	0.05 42	0.07 11	0.13 25	0.05 2	0.13 365	0.13 178	0.12 85	0.09 52	0.11 264	0.11 247	0.11 288	0.06 65	0.08 25	0.09 103	0.06 167	0.04 25	0.05 50	0.03 1	0.04 48	0.04 73

DepthFocus	0.08 85	0.04 1	0.15 437	0.12 7	0.09 351	0.07 43	0.12 98	0.10 35	0.05 4	0.09 183	0.05 7	0.07 124	0.04 1	0.08 25	0.08 25	0.06 167	0.05 277	0.07 311	0.07 391	0.05 170	0.04 73

GeoVLM	0.08 85	0.04 1	0.10 186	0.13 25	0.06 28	0.10 201	0.12 98	0.13 114	0.08 25	0.06 25	0.07 65	0.06 42	0.08 228	0.10 122	0.11 289	0.06 167	0.05 277	0.04 1	0.03 1	0.04 48	0.05 204

gcap_with_dpt	0.08 85	0.06 119	0.09 122	0.16 221	0.07 134	0.09 138	0.12 98	0.13 114	0.13 191	0.08 131	0.12 268	0.04 1	0.06 65	0.10 122	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.03 1	0.04 73

DispViT+	0.08 85	0.05 42	0.09 122	0.13 25	0.06 28	0.05 4	0.11 65	0.18 299	0.16 291	0.09 183	0.08 124	0.07 124	0.06 65	0.11 197	0.09 103	0.06 167	0.04 25	0.04 1	0.03 1	0.03 1	0.03 2

WQFJA1++	0.08 85	0.04 1	0.11 248	0.14 69	0.07 134	0.11 256	0.11 65	0.11 58	0.07 15	0.07 75	0.07 65	0.07 124	0.06 65	0.10 122	0.10 207	0.06 167	0.04 25	0.05 50	0.04 60	0.06 293	0.06 306

BStereo	0.08 85	0.06 119	0.16 473	0.15 123	0.08 218	0.07 43	0.09 20	0.15 187	0.16 291	0.06 25	0.07 65	0.07 124	0.05 14	0.09 59	0.11 289	0.04 11	0.05 277	0.05 50	0.07 391	0.04 48	0.04 73

MonSter++	0.08 85	0.04 1	0.10 186	0.13 25	0.06 28	0.09 138	0.12 98	0.13 114	0.08 25	0.06 25	0.07 65	0.06 42	0.08 228	0.10 122	0.11 289	0.06 167	0.05 277	0.04 1	0.03 1	0.04 48	0.04 73

HiDET	0.08 85	0.04 1	0.10 186	0.13 25	0.06 28	0.08 84	0.12 98	0.12 85	0.11 109	0.06 25	0.07 65	0.07 124	0.07 179	0.11 197	0.11 289	0.06 167	0.04 25	0.04 1	0.03 1	0.04 48	0.04 73

LCMNet	0.08 85	0.05 42	0.10 186	0.13 25	0.07 134	0.09 138	0.12 98	0.10 35	0.11 109	0.06 25	0.08 124	0.06 42	0.07 179	0.11 197	0.10 207	0.06 167	0.05 277	0.04 1	0.03 1	0.04 48	0.04 73

GEAStereo	0.08 85	0.05 42	0.08 57	0.13 25	0.08 218	0.08 84	0.14 246	0.10 35	0.09 52	0.08 131	0.10 196	0.06 42	0.05 14	0.11 197	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.05 204

GSStereo	0.08 85	0.05 42	0.08 57	0.13 25	0.08 218	0.08 84	0.14 246	0.11 58	0.12 148	0.08 131	0.10 196	0.05 5	0.05 14	0.11 197	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.05 204

gasm-f	0.08 85	0.05 42	0.07 11	0.13 25	0.08 218	0.08 84	0.14 246	0.10 35	0.09 52	0.08 131	0.10 196	0.06 42	0.05 14	0.10 122	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.06 293	0.05 204

DDF-Stereo	0.08 85	0.04 1	0.09 122	0.15 123	0.10 464	0.06 14	0.13 178	0.09 21	0.14 224	0.06 25	0.06 23	0.07 124	0.06 65	0.09 59	0.10 207	0.06 167	0.04 25	0.06 200	0.04 60	0.08 444	0.05 204

252Zero-FE	0.08 85	0.04 1	0.09 122	0.13 25	0.07 134	0.12 309	0.11 65	0.13 114	0.14 224	0.06 25	0.05 7	0.06 42	0.05 14	0.09 59	0.10 207	0.06 167	0.04 25	0.04 1	0.03 1	0.05 170	0.06 306

DA	0.08 85	0.07 238	0.07 11	0.19 468	0.08 218	0.09 138	0.12 98	0.13 114	0.12 148	0.08 131	0.10 196	0.10 258	0.08 228	0.09 59	0.10 207	0.05 51	0.04 25	0.06 200	0.04 60	0.05 170	0.03 2

zero-FE	0.08 85	0.04 1	0.09 122	0.15 123	0.10 464	0.05 4	0.14 246	0.09 21	0.14 224	0.07 75	0.06 23	0.07 124	0.06 65	0.09 59	0.10 207	0.06 167	0.04 25	0.06 200	0.04 60	0.08 444	0.05 204

GGEV	0.08 85	0.07 238	0.07 11	0.19 468	0.08 218	0.09 138	0.12 98	0.13 114	0.12 148	0.08 131	0.10 196	0.10 258	0.08 228	0.09 59	0.10 207	0.05 51	0.04 25	0.06 200	0.04 60	0.05 170	0.03 2

GASTEREO	0.08 85	0.05 42	0.09 122	0.19 468	0.07 134	0.07 43	0.12 98	0.14 145	0.11 109	0.10 229	0.09 160	0.07 124	0.04 1	0.12 291	0.08 25	0.06 167	0.05 277	0.05 50	0.04 60	0.04 48	0.05 204

MSCF	0.08 85	0.05 42	0.08 57	0.19 468	0.08 218	0.06 14	0.12 98	0.14 145	0.11 109	0.10 229	0.09 160	0.07 124	0.04 1	0.11 197	0.08 25	0.06 167	0.05 277	0.05 50	0.04 60	0.05 170	0.05 204

S2M2_XL	0.08 85	0.06 119	0.12 292	0.12 7	0.08 218	0.09 138	0.09 20	0.07 7	0.07 15	0.08 131	0.07 65	0.07 124	0.06 65	0.09 59	0.09 103	0.08 423	0.06 428	0.07 311	0.05 194	0.08 444	0.06 306
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
3w_stereo	0.08 85	0.09 437	0.10 186	0.17 308	0.07 134	0.08 84	0.10 35	0.20 340	0.13 191	0.06 25	0.07 65	0.05 5	0.06 65	0.08 25	0.09 103	0.03 1	0.03 1	0.04 1	0.03 1	0.04 48	0.03 2

2w_stereo	0.08 85	0.08 357	0.09 122	0.16 221	0.06 28	0.08 84	0.10 35	0.20 340	0.15 252	0.08 131	0.07 65	0.06 42	0.06 65	0.06 1	0.09 103	0.04 11	0.03 1	0.04 1	0.04 60	0.03 1	0.03 2

LG-Stereo	0.08 85	0.07 238	0.10 186	0.18 399	0.07 134	0.10 201	0.17 443	0.11 58	0.08 25	0.05 2	0.07 65	0.05 5	0.07 179	0.09 59	0.09 103	0.04 11	0.05 277	0.07 311	0.07 391	0.04 48	0.04 73

SGD-Stereo	0.08 85	0.05 42	0.10 186	0.14 69	0.05 2	0.12 309	0.12 98	0.11 58	0.12 148	0.07 75	0.09 160	0.09 222	0.09 268	0.08 25	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.03 2

HART	0.08 85	0.07 238	0.09 122	0.17 308	0.07 134	0.10 201	0.16 401	0.13 114	0.11 109	0.08 131	0.10 196	0.07 124	0.05 14	0.10 122	0.08 25	0.05 51	0.04 25	0.06 200	0.04 60	0.05 170	0.04 73

Reg-Stereo(zero)	0.08 85	0.05 42	0.08 57	0.16 221	0.06 28	0.12 309	0.11 65	0.15 187	0.10 76	0.12 306	0.09 160	0.10 258	0.08 228	0.11 197	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.05 204

SCV_C0	0.08 85	0.07 238	0.07 11	0.16 221	0.09 351	0.08 84	0.15 330	0.11 58	0.12 148	0.08 131	0.07 65	0.06 42	0.05 14	0.11 197	0.07 1	0.05 51	0.05 277	0.05 50	0.04 60	0.06 293	0.05 204

SCV	0.08 85	0.09 437	0.08 57	0.15 123	0.08 218	0.10 201	0.13 178	0.10 35	0.12 148	0.07 75	0.07 65	0.06 42	0.04 1	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.04 60	0.06 293	0.04 73

DEFOM-Stereo_RVC	0.08 85	0.06 119	0.09 122	0.22 583	0.06 28	0.08 84	0.12 98	0.10 35	0.10 76	0.07 75	0.07 65	0.06 42	0.05 14	0.11 197	0.09 103	0.06 167	0.04 25	0.05 50	0.03 1	0.06 293	0.04 73

HUF	0.08 85	0.05 42	0.08 57	0.14 69	0.06 28	0.09 138	0.13 178	0.13 114	0.13 191	0.07 75	0.07 65	0.08 186	0.06 65	0.10 122	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

castereo++	0.08 85	0.05 42	0.08 57	0.15 123	0.05 2	0.14 399	0.12 98	0.11 58	0.15 252	0.07 75	0.07 65	0.07 124	0.06 65	0.08 25	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

IGEV-RUCA	0.08 85	0.06 119	0.11 248	0.14 69	0.09 351	0.10 201	0.12 98	0.10 35	0.12 148	0.06 25	0.07 65	0.07 124	0.06 65	0.09 59	0.08 25	0.06 167	0.05 277	0.05 50	0.04 60	0.05 170	0.06 306

GIP-stereo	0.08 85	0.06 119	0.11 248	0.14 69	0.06 28	0.09 138	0.13 178	0.14 145	0.11 109	0.07 75	0.08 124	0.05 5	0.04 1	0.10 122	0.07 1	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

SMoEStereo_RVC	0.08 85	0.06 119	0.12 292	0.16 221	0.07 134	0.09 138	0.14 246	0.11 58	0.13 191	0.09 183	0.07 65	0.07 124	0.07 179	0.12 291	0.10 207	0.05 51	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

WCG-NET	0.08 85	0.05 42	0.09 122	0.15 123	0.06 28	0.11 256	0.14 246	0.13 114	0.13 191	0.06 25	0.09 160	0.07 124	0.06 65	0.13 346	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

Occ-G	0.08 85	0.05 42	0.06 5	0.14 69	0.07 134	0.08 84	0.14 246	0.13 114	0.15 252	0.07 75	0.11 247	0.07 124	0.05 14	0.09 59	0.10 207	0.06 167	0.05 277	0.05 50	0.04 60	0.05 170	0.05 204

U	0.08 85	0.07 238	0.09 122	0.19 468	0.10 464	0.10 201	0.13 178	0.12 85	0.17 320	0.07 75	0.07 65	0.06 42	0.05 14	0.07 4	0.08 25	0.06 167	0.04 25	0.06 200	0.04 60	0.06 293	0.05 204

AIO-Stereo	0.08 85	0.06 119	0.09 122	0.18 399	0.06 28	0.08 84	0.12 98	0.15 187	0.09 52	0.08 131	0.08 124	0.07 124	0.05 14	0.11 197	0.08 25	0.05 51	0.05 277	0.05 50	0.04 60	0.04 48	0.04 73

WCG-NET（raft）	0.08 85	0.05 42	0.10 186	0.15 123	0.06 28	0.11 256	0.13 178	0.15 187	0.12 148	0.08 131	0.07 65	0.06 42	0.06 65	0.13 346	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

RSM++	0.08 85	0.06 119	0.09 122	0.17 308	0.07 134	0.09 138	0.12 98	0.11 58	0.11 109	0.08 131	0.06 23	0.07 124	0.05 14	0.10 122	0.09 103	0.04 11	0.04 25	0.06 200	0.05 194	0.05 170	0.03 2

RSM	0.08 85	0.06 119	0.09 122	0.17 308	0.06 28	0.08 84	0.12 98	0.12 85	0.10 76	0.08 131	0.07 65	0.06 42	0.05 14	0.11 197	0.09 103	0.04 11	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

gcap-zeroshot	0.08 85	0.06 119	0.10 186	0.15 123	0.07 134	0.11 256	0.12 98	0.15 187	0.15 252	0.08 131	0.12 268	0.05 5	0.06 65	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 194	0.03 1	0.04 73

test_for_model	0.08 85	0.06 119	0.10 186	0.16 221	0.07 134	0.11 256	0.12 98	0.15 187	0.15 252	0.08 131	0.12 268	0.05 5	0.06 65	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 194	0.03 1	0.04 73

trnet	0.08 85	0.05 42	0.07 11	0.12 7	0.05 2	0.12 309	0.11 65	0.13 114	0.10 76	0.08 131	0.13 287	0.09 222	0.08 228	0.11 197	0.10 207	0.08 423	0.05 277	0.05 50	0.03 1	0.06 293	0.05 204

MoCha-V2	0.08 85	0.05 42	0.10 186	0.20 534	0.07 134	0.09 138	0.14 246	0.11 58	0.08 25	0.07 75	0.08 124	0.07 124	0.06 65	0.09 59	0.08 25	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

IGEV++	0.08 85	0.06 119	0.08 57	0.18 399	0.07 134	0.09 138	0.13 178	0.10 35	0.09 52	0.08 131	0.08 124	0.06 42	0.06 65	0.13 346	0.09 103	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

testlalala	0.08 85	0.06 119	0.10 186	0.15 123	0.07 134	0.11 256	0.12 98	0.15 187	0.15 252	0.08 131	0.12 268	0.05 5	0.06 65	0.09 59	0.08 25	0.05 51	0.04 25	0.06 200	0.05 194	0.03 1	0.04 73

AEACV	0.08 85	0.05 42	0.08 57	0.14 69	0.13 571	0.14 399	0.13 178	0.14 145	0.09 52	0.07 75	0.09 160	0.07 124	0.08 228	0.10 122	0.09 103	0.06 167	0.04 25	0.06 200	0.05 194	0.05 170	0.04 73

LoS_RVC	0.08 85	0.05 42	0.07 11	0.15 123	0.07 134	0.08 84	0.15 330	0.11 58	0.10 76	0.08 131	0.09 160	0.06 42	0.09 268	0.10 122	0.09 103	0.05 51	0.04 25	0.05 50	0.03 1	0.04 48	0.03 2

CAS	0.08 85	0.04 1	0.07 11	0.17 308	0.08 218	0.10 201	0.13 178	0.12 85	0.09 52	0.09 183	0.10 196	0.08 186	0.06 65	0.09 59	0.08 25	0.08 423	0.04 25	0.05 50	0.03 1	0.05 170	0.04 73

CES	0.08 85	0.04 1	0.08 57	0.14 69	0.07 134	0.09 138	0.14 246	0.11 58	0.09 52	0.08 131	0.09 160	0.11 288	0.06 65	0.12 291	0.08 25	0.06 167	0.04 25	0.05 50	0.03 1	0.05 170	0.05 204

EGLCR-Stereo	0.08 85	0.05 42	0.08 57	0.14 69	0.06 28	0.10 201	0.12 98	0.11 58	0.16 291	0.06 25	0.05 7	0.07 124	0.05 14	0.10 122	0.11 289	0.06 167	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

MC-Stereo	0.08 85	0.06 119	0.09 122	0.17 308	0.06 28	0.10 201	0.14 246	0.12 85	0.10 76	0.09 183	0.12 268	0.09 222	0.06 65	0.11 197	0.10 207	0.06 167	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

test-3	0.08 85	0.06 119	0.09 122	0.17 308	0.07 134	0.07 43	0.14 246	0.12 85	0.15 252	0.09 183	0.08 124	0.07 124	0.08 228	0.11 197	0.10 207	0.05 51	0.04 25	0.07 311	0.05 194	0.04 48	0.04 73

test_1	0.08 85	0.06 119	0.09 122	0.17 308	0.07 134	0.07 43	0.14 246	0.12 85	0.15 252	0.09 183	0.08 124	0.07 124	0.08 228	0.11 197	0.10 207	0.05 51	0.04 25	0.07 311	0.05 194	0.04 48	0.04 73

CREStereo++_RVC	0.08 85	0.04 1	0.06 5	0.13 25	0.07 134	0.09 138	0.12 98	0.14 145	0.14 224	0.10 229	0.14 301	0.08 186	0.07 179	0.09 59	0.11 289	0.06 167	0.04 25	0.05 50	0.05 194	0.04 48	0.04 73
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
PhaseNet	0.09 175	0.06 119	0.10 186	0.15 123	0.08 218	0.10 201	0.14 246	0.20 340	0.12 148	0.07 75	0.08 124	0.09 222	0.10 312	0.13 346	0.12 351	0.06 167	0.04 25	0.06 200	0.06 293	0.05 170	0.05 204

DNS	0.09 175	0.05 42	0.11 248	0.15 123	0.08 218	0.10 201	0.16 401	0.17 265	0.09 52	0.08 131	0.12 268	0.08 186	0.07 179	0.09 59	0.08 25	0.07 340	0.04 25	0.05 50	0.05 194	0.06 293	0.05 204

RT-Monster	0.09 175	0.05 42	0.09 122	0.14 69	0.08 218	0.11 256	0.10 35	0.17 265	0.18 351	0.13 339	0.10 196	0.09 222	0.08 228	0.10 122	0.10 207	0.07 340	0.05 277	0.05 50	0.04 60	0.05 170	0.06 306

LiteMatch	0.09 175	0.06 119	0.10 186	0.16 221	0.07 134	0.09 138	0.15 330	0.13 114	0.08 25	0.06 25	0.07 65	0.06 42	0.15 463	0.10 122	0.14 440	0.07 340	0.04 25	0.06 200	0.06 293	0.06 293	0.06 306

Foundation-i1	0.09 175	0.04 1	0.10 186	0.14 69	0.06 28	0.10 201	0.13 178	0.16 226	0.14 224	0.10 229	0.10 196	0.11 288	0.07 179	0.07 4	0.10 207	0.06 167	0.04 25	0.05 50	0.05 194	0.05 170	0.05 204

VMStereo-Base	0.09 175	0.05 42	0.10 186	0.13 25	0.07 134	0.10 201	0.10 35	0.16 226	0.13 191	0.10 229	0.15 322	0.10 258	0.09 268	0.11 197	0.10 207	0.07 340	0.05 277	0.05 50	0.04 60	0.05 170	0.06 306

Anonymus123	0.09 175	0.06 119	0.16 473	0.15 123	0.08 218	0.11 256	0.09 20	0.18 299	0.16 291	0.06 25	0.07 65	0.07 124	0.05 14	0.09 59	0.11 289	0.04 11	0.05 277	0.05 50	0.07 391	0.04 48	0.04 73

NLSM3	0.09 175	0.06 119	0.08 57	0.19 468	0.08 218	0.11 256	0.16 401	0.18 299	0.16 291	0.06 25	0.08 124	0.07 124	0.08 228	0.09 59	0.11 289	0.04 11	0.04 25	0.06 200	0.07 391	0.03 1	0.03 2

FE-Mocha	0.09 175	0.06 119	0.14 387	0.16 221	0.09 351	0.10 201	0.15 330	0.18 299	0.16 291	0.10 229	0.09 160	0.07 124	0.07 179	0.09 59	0.09 103	0.06 167	0.04 25	0.06 200	0.06 293	0.05 170	0.05 204

IGEV-FE	0.09 175	0.05 42	0.12 292	0.13 25	0.08 218	0.12 309	0.13 178	0.17 265	0.11 109	0.10 229	0.06 23	0.09 222	0.06 65	0.11 197	0.09 103	0.06 167	0.04 25	0.06 200	0.06 293	0.05 170	0.05 204

water-stereo	0.09 175	0.06 119	0.08 57	0.16 221	0.07 134	0.09 138	0.13 178	0.15 187	0.13 191	0.11 264	0.12 268	0.08 186	0.09 268	0.07 4	0.08 25	0.06 167	0.05 277	0.05 50	0.05 194	0.04 48	0.04 73

depthmonostereo	0.09 175	0.06 119	0.09 122	0.15 123	0.06 28	0.10 201	0.13 178	0.14 145	0.14 224	0.10 229	0.10 196	0.09 222	0.11 349	0.08 25	0.09 103	0.06 167	0.05 277	0.06 200	0.04 60	0.04 48	0.03 2

DilatedVolume-Stereo	0.09 175	0.05 42	0.08 57	0.15 123	0.06 28	0.11 256	0.12 98	0.14 145	0.16 291	0.11 264	0.11 247	0.09 222	0.09 268	0.11 197	0.10 207	0.06 167	0.05 277	0.05 50	0.04 60	0.03 1	0.03 2

S2M2_L	0.09 175	0.08 357	0.11 248	0.13 25	0.10 464	0.08 84	0.06 1	0.10 35	0.10 76	0.10 229	0.09 160	0.10 258	0.09 268	0.11 197	0.11 289	0.13 609	0.07 500	0.08 405	0.09 511	0.10 543	0.08 466
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
MM-Stereo_test2	0.09 175	0.06 119	0.09 122	0.19 468	0.08 218	0.12 309	0.18 492	0.15 187	0.14 224	0.07 75	0.10 196	0.07 124	0.06 65	0.12 291	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.03 2

castereo	0.09 175	0.06 119	0.11 248	0.15 123	0.06 28	0.11 256	0.15 330	0.14 145	0.18 351	0.08 131	0.10 196	0.11 288	0.08 228	0.09 59	0.10 207	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.03 2

fffft	0.09 175	0.06 119	0.12 292	0.16 221	0.07 134	0.09 138	0.17 443	0.12 85	0.11 109	0.08 131	0.07 65	0.09 222	0.06 65	0.11 197	0.12 351	0.05 51	0.04 25	0.06 200	0.05 194	0.04 48	0.05 204
1: 1. 1
tt45	0.09 175	0.06 119	0.11 248	0.15 123	0.07 134	0.11 256	0.16 401	0.13 114	0.11 109	0.09 183	0.06 23	0.08 186	0.06 65	0.13 346	0.10 207	0.06 167	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306

999	0.09 175	0.05 42	0.13 348	0.15 123	0.08 218	0.10 201	0.14 246	0.15 187	0.11 109	0.10 229	0.08 124	0.08 186	0.08 228	0.16 443	0.10 207	0.06 167	0.04 25	0.06 200	0.05 194	0.04 48	0.05 204

mms	0.09 175	0.07 238	0.08 57	0.16 221	0.08 218	0.10 201	0.16 401	0.12 85	0.11 109	0.08 131	0.09 160	0.08 186	0.06 65	0.11 197	0.12 351	0.05 51	0.04 25	0.07 311	0.05 194	0.04 48	0.03 2

ours_stereo	0.09 175	0.07 238	0.09 122	0.17 308	0.08 218	0.11 256	0.16 401	0.11 58	0.12 148	0.08 131	0.10 196	0.08 186	0.06 65	0.12 291	0.12 351	0.05 51	0.04 25	0.06 200	0.05 194	0.04 48	0.03 2

fffy	0.09 175	0.08 357	0.09 122	0.16 221	0.07 134	0.13 365	0.17 443	0.13 114	0.12 148	0.08 131	0.09 160	0.08 186	0.09 268	0.13 346	0.11 289	0.05 51	0.05 277	0.07 311	0.05 194	0.04 48	0.05 204

PAM_32	0.09 175	0.05 42	0.17 503	0.15 123	0.08 218	0.10 201	0.15 330	0.14 145	0.15 252	0.09 183	0.08 124	0.09 222	0.07 179	0.14 381	0.08 25	0.06 167	0.05 277	0.06 200	0.06 293	0.05 170	0.06 306

UGAM-zero	0.09 175	0.05 42	0.15 437	0.15 123	0.08 218	0.09 138	0.13 178	0.19 329	0.15 252	0.11 264	0.15 322	0.07 124	0.07 179	0.09 59	0.09 103	0.06 167	0.05 277	0.06 200	0.05 194	0.05 170	0.06 306

GCAP-BAT	0.09 175	0.05 42	0.11 248	0.13 25	0.07 134	0.11 256	0.14 246	0.14 145	0.16 291	0.07 75	0.10 196	0.08 186	0.06 65	0.13 346	0.08 25	0.07 340	0.05 277	0.05 50	0.05 194	0.04 48	0.04 73

Pointernet	0.09 175	0.04 1	0.09 122	0.16 221	0.08 218	0.13 365	0.10 35	0.15 187	0.17 320	0.09 183	0.07 65	0.06 42	0.06 65	0.11 197	0.09 103	0.08 423	0.04 25	0.05 50	0.03 1	0.06 293	0.05 204

IGEV-BASED-STEREO-	0.09 175	0.10 499	0.31 612	0.15 123	0.06 28	0.08 84	0.14 246	0.10 35	0.10 76	0.07 75	0.07 65	0.06 42	0.04 1	0.11 197	0.07 1	0.12 583	0.04 25	0.07 311	0.05 194	0.05 170	0.05 204

RAFT-Stereo-weight	0.09 175	0.06 119	0.10 186	0.16 221	0.07 134	0.09 138	0.14 246	0.19 329	0.16 291	0.11 264	0.10 196	0.08 186	0.06 65	0.10 122	0.11 289	0.06 167	0.04 25	0.06 200	0.04 60	0.04 48	0.04 73

MGS-Stereo	0.09 175	0.07 238	0.12 292	0.15 123	0.08 218	0.09 138	0.15 330	0.12 85	0.12 148	0.07 75	0.10 196	0.08 186	0.06 65	0.10 122	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.06 293	0.05 204

ff7	0.09 175	0.07 238	0.11 248	0.16 221	0.09 351	0.11 256	0.15 330	0.16 226	0.12 148	0.10 229	0.06 23	0.06 42	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306

IGEVStereo-DCA	0.09 175	0.06 119	0.11 248	0.15 123	0.10 464	0.11 256	0.15 330	0.16 226	0.12 148	0.10 229	0.06 23	0.08 186	0.06 65	0.10 122	0.08 25	0.06 167	0.05 277	0.06 200	0.05 194	0.05 170	0.06 306

ffff	0.09 175	0.07 238	0.11 248	0.16 221	0.09 351	0.11 256	0.15 330	0.16 226	0.12 148	0.10 229	0.06 23	0.06 42	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306

rrr	0.09 175	0.06 119	0.12 292	0.15 123	0.10 464	0.11 256	0.16 401	0.16 226	0.15 252	0.10 229	0.06 23	0.08 186	0.06 65	0.10 122	0.08 25	0.06 167	0.05 277	0.06 200	0.05 194	0.05 170	0.06 306

11t	0.09 175	0.07 238	0.11 248	0.16 221	0.09 351	0.11 256	0.15 330	0.16 226	0.12 148	0.10 229	0.06 23	0.06 42	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306

MaDis-Stereo	0.09 175	0.09 437	0.08 57	0.17 308	0.09 351	0.13 365	0.10 35	0.16 226	0.16 291	0.09 183	0.11 247	0.06 42	0.06 65	0.09 59	0.13 396	0.07 340	0.06 428	0.07 311	0.05 194	0.05 170	0.04 73

IGEV_Zeroshot_test	0.09 175	0.05 42	0.12 292	0.13 25	0.08 218	0.12 309	0.13 178	0.17 265	0.11 109	0.10 229	0.06 23	0.09 222	0.06 65	0.11 197	0.09 103	0.06 167	0.04 25	0.06 200	0.06 293	0.05 170	0.05 204

MSKI-zero shot	0.09 175	0.05 42	0.09 122	0.15 123	0.07 134	0.10 201	0.13 178	0.14 145	0.13 191	0.09 183	0.09 160	0.09 222	0.06 65	0.12 291	0.10 207	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

UniTT-Stereo	0.09 175	0.07 238	0.08 57	0.18 399	0.08 218	0.13 365	0.11 65	0.12 85	0.11 109	0.10 229	0.12 268	0.05 5	0.07 179	0.09 59	0.09 103	0.07 340	0.05 277	0.05 50	0.05 194	0.05 170	0.05 204

MIM_Stereo	0.09 175	0.07 238	0.11 248	0.15 123	0.07 134	0.06 14	0.12 98	0.20 340	0.14 224	0.13 339	0.13 287	0.09 222	0.05 14	0.12 291	0.08 25	0.05 51	0.06 428	0.07 311	0.06 293	0.06 293	0.05 204

CASnet	0.09 175	0.09 437	0.09 122	0.19 468	0.06 28	0.07 43	0.11 65	0.18 299	0.14 224	0.11 264	0.10 196	0.09 222	0.07 179	0.10 122	0.10 207	0.06 167	0.04 25	0.10 537	0.08 464	0.05 170	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAPDPT-zeroshot	0.09 175	0.05 42	0.11 248	0.13 25	0.07 134	0.11 256	0.14 246	0.14 145	0.16 291	0.07 75	0.10 196	0.08 186	0.06 65	0.13 346	0.08 25	0.07 340	0.05 277	0.05 50	0.05 194	0.04 48	0.04 73

GCAP-Stereo	0.09 175	0.07 238	0.13 348	0.18 399	0.06 28	0.11 256	0.07 3	0.13 114	0.12 148	0.09 183	0.10 196	0.07 124	0.09 268	0.13 346	0.10 207	0.06 167	0.05 277	0.05 50	0.04 60	0.04 48	0.05 204

RAFT-Test	0.09 175	0.06 119	0.10 186	0.15 123	0.07 134	0.11 256	0.15 330	0.16 226	0.13 191	0.09 183	0.10 196	0.10 258	0.09 268	0.12 291	0.09 103	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.05 204

HH	0.09 175	0.06 119	0.13 348	0.17 308	0.08 218	0.10 201	0.16 401	0.14 145	0.10 76	0.08 131	0.09 160	0.08 186	0.07 179	0.10 122	0.09 103	0.06 167	0.04 25	0.06 200	0.05 194	0.05 170	0.04 73

HanStereo	0.09 175	0.06 119	0.13 348	0.17 308	0.08 218	0.10 201	0.16 401	0.14 145	0.10 76	0.08 131	0.09 160	0.08 186	0.07 179	0.10 122	0.09 103	0.06 167	0.04 25	0.06 200	0.05 194	0.05 170	0.04 73

4D-IteraStereo	0.09 175	0.07 238	0.10 186	0.18 399	0.07 134	0.09 138	0.15 330	0.17 265	0.15 252	0.10 229	0.11 247	0.10 258	0.07 179	0.11 197	0.09 103	0.05 51	0.03 1	0.08 405	0.07 391	0.06 293	0.05 204

anonymousdsp	0.09 175	0.07 238	0.11 248	0.16 221	0.09 351	0.11 256	0.15 330	0.16 226	0.12 148	0.09 183	0.06 23	0.06 42	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306

LoS	0.09 175	0.05 42	0.11 248	0.13 25	0.07 134	0.14 399	0.11 65	0.15 187	0.15 252	0.09 183	0.09 160	0.12 312	0.09 268	0.15 408	0.10 207	0.07 340	0.05 277	0.05 50	0.03 1	0.05 170	0.05 204
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 175	0.07 238	0.10 186	0.17 308	0.08 218	0.10 201	0.15 330	0.15 187	0.12 148	0.09 183	0.06 23	0.07 124	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.04 48	0.06 306

RCA-Stereo	0.09 175	0.06 119	0.09 122	0.16 221	0.06 28	0.09 138	0.13 178	0.18 299	0.14 224	0.09 183	0.10 196	0.08 186	0.07 179	0.12 291	0.11 289	0.06 167	0.04 25	0.06 200	0.05 194	0.05 170	0.04 73

CroCo-Stereo Lap2	0.09 175	0.09 437	0.08 57	0.22 583	0.09 351	0.09 138	0.19 532	0.16 226	0.12 148	0.09 183	0.10 196	0.05 5	0.05 14	0.08 25	0.08 25	0.06 167	0.06 428	0.07 311	0.05 194	0.05 170	0.05 204

ccc-4	0.09 175	0.07 238	0.11 248	0.16 221	0.09 351	0.11 256	0.15 330	0.16 226	0.12 148	0.10 229	0.06 23	0.06 42	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306

IGEV-Stereo	0.09 175	0.07 238	0.11 248	0.16 221	0.09 351	0.11 256	0.15 330	0.16 226	0.12 148	0.09 183	0.06 23	0.06 42	0.06 65	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 175	0.05 42	0.13 348	0.14 69	0.08 218	0.12 309	0.15 330	0.18 299	0.10 76	0.11 264	0.08 124	0.08 186	0.05 14	0.10 122	0.09 103	0.06 167	0.04 25	0.06 200	0.05 194	0.06 293	0.05 204

TRStereo	0.09 175	0.05 42	0.12 292	0.15 123	0.12 548	0.10 201	0.13 178	0.18 299	0.18 351	0.09 183	0.09 160	0.09 222	0.06 65	0.10 122	0.08 25	0.07 340	0.05 277	0.07 311	0.07 391	0.04 48	0.04 73

AnonymousM	0.09 175	0.05 42	0.10 186	0.14 69	0.06 28	0.09 138	0.13 178	0.19 329	0.14 224	0.13 339	0.11 247	0.09 222	0.08 228	0.13 346	0.10 207	0.08 423	0.05 277	0.08 405	0.05 194	0.05 170	0.05 204

CroCo-Stereo	0.09 175	0.08 357	0.08 57	0.22 583	0.09 351	0.09 138	0.19 532	0.15 187	0.12 148	0.07 75	0.07 65	0.08 186	0.06 65	0.08 25	0.07 1	0.07 340	0.05 277	0.06 200	0.04 60	0.05 170	0.04 73
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
s12784h	0.09 175	0.06 119	0.07 11	0.15 123	0.05 2	0.16 457	0.18 492	0.15 187	0.15 252	0.10 229	0.11 247	0.11 288	0.11 349	0.10 122	0.12 351	0.05 51	0.04 25	0.05 50	0.04 60	0.04 48	0.04 73

TANstereo	0.09 175	0.04 1	0.08 57	0.13 25	0.06 28	0.11 256	0.14 246	0.15 187	0.19 369	0.11 264	0.15 322	0.10 258	0.06 65	0.12 291	0.09 103	0.07 340	0.05 277	0.05 50	0.04 60	0.06 293	0.05 204

XX-TBD	0.09 175	0.06 119	0.07 11	0.14 69	0.07 134	0.12 309	0.16 401	0.14 145	0.13 191	0.11 264	0.12 268	0.09 222	0.08 228	0.10 122	0.10 207	0.06 167	0.04 25	0.05 50	0.03 1	0.06 293	0.05 204

raftrobust	0.09 175	0.06 119	0.10 186	0.17 308	0.08 218	0.09 138	0.10 35	0.18 299	0.16 291	0.10 229	0.09 160	0.12 312	0.07 179	0.12 291	0.10 207	0.08 423	0.05 277	0.06 200	0.05 194	0.05 170	0.05 204

XX-Stereo	0.09 175	0.05 42	0.08 57	0.17 308	0.09 351	0.15 426	0.12 98	0.20 340	0.10 76	0.10 229	0.14 301	0.07 124	0.06 65	0.12 291	0.08 25	0.06 167	0.05 277	0.06 200	0.06 293	0.04 48	0.04 73

test_xeample3	0.09 175	0.06 119	0.12 292	0.16 221	0.09 351	0.11 256	0.15 330	0.16 226	0.13 191	0.10 229	0.06 23	0.08 186	0.06 65	0.10 122	0.09 103	0.05 51	0.04 25	0.06 200	0.05 194	0.05 170	0.06 306

RAFT-Stereo + iAFF	0.09 175	0.06 119	0.10 186	0.17 308	0.06 28	0.10 201	0.16 401	0.17 265	0.14 224	0.09 183	0.10 196	0.08 186	0.09 268	0.11 197	0.09 103	0.05 51	0.04 25	0.06 200	0.06 293	0.04 48	0.03 2

AFF-stereo	0.09 175	0.06 119	0.10 186	0.17 308	0.07 134	0.10 201	0.16 401	0.17 265	0.09 52	0.10 229	0.12 268	0.09 222	0.09 268	0.12 291	0.09 103	0.05 51	0.04 25	0.07 311	0.07 391	0.04 48	0.03 2

EAI-Stereo	0.09 175	0.07 238	0.11 248	0.15 123	0.06 28	0.10 201	0.15 330	0.16 226	0.09 52	0.08 131	0.09 160	0.08 186	0.07 179	0.09 59	0.11 289	0.05 51	0.04 25	0.05 50	0.05 194	0.05 170	0.04 73

CFNet-RSSM	0.09 175	0.07 238	0.09 122	0.16 221	0.07 134	0.09 138	0.15 330	0.16 226	0.17 320	0.08 131	0.12 268	0.10 258	0.09 268	0.11 197	0.09 103	0.06 167	0.04 25	0.06 200	0.04 60	0.04 48	0.04 73

Gwc-CoAtRS	0.09 175	0.06 119	0.10 186	0.16 221	0.07 134	0.10 201	0.14 246	0.17 265	0.17 320	0.08 131	0.10 196	0.12 312	0.09 268	0.12 291	0.09 103	0.06 167	0.04 25	0.06 200	0.04 60	0.04 48	0.04 73

CREStereo	0.09 175	0.04 1	0.08 57	0.11 1	0.06 28	0.13 365	0.14 246	0.14 145	0.10 76	0.08 131	0.13 287	0.09 222	0.08 228	0.11 197	0.10 207	0.08 423	0.04 25	0.05 50	0.03 1	0.06 293	0.06 306
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	0.09 175	0.05 42	0.09 122	0.12 7	0.06 28	0.12 309	0.14 246	0.15 187	0.11 109	0.09 183	0.13 287	0.10 258	0.07 179	0.13 346	0.10 207	0.15 627	0.04 25	0.05 50	0.03 1	0.07 374	0.06 306

ManiGeoR	0.10 245	0.05 42	0.12 292	0.12 7	0.08 218	0.12 309	0.12 98	0.24 439	0.14 224	0.12 306	0.14 301	0.12 312	0.09 268	0.13 346	0.13 396	0.07 340	0.04 25	0.05 50	0.05 194	0.07 374	0.07 395

HLf10	0.10 245	0.05 42	0.12 292	0.12 7	0.08 218	0.12 309	0.12 98	0.24 439	0.14 224	0.12 306	0.14 301	0.12 312	0.09 268	0.13 346	0.13 396	0.07 340	0.04 25	0.05 50	0.05 194	0.07 374	0.07 395

TestStereo_HLe17	0.10 245	0.05 42	0.12 292	0.13 25	0.07 134	0.11 256	0.15 330	0.21 364	0.15 252	0.11 264	0.14 301	0.11 288	0.09 268	0.13 346	0.12 351	0.07 340	0.04 25	0.05 50	0.05 194	0.07 374	0.06 306

TestStereo_HL1	0.10 245	0.05 42	0.12 292	0.12 7	0.07 134	0.12 309	0.13 178	0.22 390	0.11 109	0.14 363	0.14 301	0.11 288	0.09 268	0.13 346	0.13 396	0.07 340	0.04 25	0.05 50	0.05 194	0.07 374	0.07 395

DN	0.10 245	0.05 42	0.09 122	0.14 69	0.09 351	0.12 309	0.18 492	0.17 265	0.16 291	0.08 131	0.09 160	0.08 186	0.06 65	0.08 25	0.09 103	0.11 558	0.05 277	0.07 311	0.06 293	0.07 374	0.09 512

Hybrid-DGEV-03	0.10 245	0.06 119	0.09 122	0.18 399	0.08 218	0.16 457	0.14 246	0.15 187	0.14 224	0.13 339	0.16 335	0.12 312	0.09 268	0.13 346	0.11 289	0.06 167	0.04 25	0.08 405	0.06 293	0.05 170	0.04 73

WQFJA1	0.10 245	0.07 238	0.08 57	0.20 534	0.09 351	0.12 309	0.17 443	0.17 265	0.17 320	0.09 183	0.10 196	0.08 186	0.10 312	0.12 291	0.11 289	0.06 167	0.07 500	0.07 311	0.06 293	0.06 293	0.05 204

WQFJX1	0.10 245	0.07 238	0.08 57	0.22 583	0.09 351	0.12 309	0.17 443	0.18 299	0.17 320	0.10 229	0.09 160	0.07 124	0.10 312	0.11 197	0.09 103	0.07 340	0.08 530	0.07 311	0.06 293	0.05 170	0.04 73

WQFJX	0.10 245	0.07 238	0.09 122	0.21 566	0.09 351	0.12 309	0.16 401	0.18 299	0.17 320	0.12 306	0.10 196	0.07 124	0.09 268	0.12 291	0.10 207	0.06 167	0.07 500	0.06 200	0.05 194	0.06 293	0.05 204

NLMM	0.10 245	0.07 238	0.08 57	0.20 534	0.09 351	0.12 309	0.17 443	0.17 265	0.17 320	0.09 183	0.10 196	0.08 186	0.10 312	0.12 291	0.11 289	0.06 167	0.07 500	0.07 311	0.06 293	0.06 293	0.05 204

NLSM1	0.10 245	0.07 238	0.07 11	0.19 468	0.08 218	0.13 365	0.16 401	0.21 364	0.15 252	0.11 264	0.10 196	0.06 42	0.10 312	0.10 122	0.11 289	0.07 340	0.08 530	0.08 405	0.07 391	0.05 170	0.05 204

MM-Stereo_test3	0.10 245	0.07 238	0.07 11	0.18 399	0.07 134	0.12 309	0.19 532	0.24 439	0.19 369	0.06 25	0.10 196	0.08 186	0.06 65	0.11 197	0.08 25	0.06 167	0.06 428	0.07 311	0.05 194	0.05 170	0.04 73

MM-Stereo_test1	0.10 245	0.07 238	0.08 57	0.18 399	0.07 134	0.12 309	0.18 492	0.21 364	0.20 392	0.09 183	0.11 247	0.08 186	0.06 65	0.10 122	0.10 207	0.06 167	0.05 277	0.07 311	0.06 293	0.05 170	0.04 73

AIO-test2	0.10 245	0.08 357	0.10 186	0.23 607	0.08 218	0.11 256	0.10 35	0.23 414	0.23 434	0.08 131	0.09 160	0.08 186	0.05 14	0.10 122	0.08 25	0.06 167	0.05 277	0.08 405	0.09 511	0.05 170	0.05 204

AIO-test1	0.10 245	0.07 238	0.10 186	0.23 607	0.07 134	0.09 138	0.13 178	0.21 364	0.14 224	0.11 264	0.12 268	0.09 222	0.07 179	0.11 197	0.09 103	0.06 167	0.05 277	0.09 488	0.10 552	0.03 1	0.06 306

tg	0.10 245	0.06 119	0.10 186	0.18 399	0.08 218	0.11 256	0.16 401	0.20 340	0.12 148	0.08 131	0.11 247	0.11 288	0.07 179	0.11 197	0.10 207	0.05 51	0.04 25	0.08 405	0.08 464	0.04 48	0.04 73

PAM	0.10 245	0.05 42	0.16 473	0.15 123	0.08 218	0.09 138	0.16 401	0.15 187	0.16 291	0.12 306	0.09 160	0.09 222	0.07 179	0.13 346	0.08 25	0.06 167	0.05 277	0.06 200	0.06 293	0.05 170	0.06 306

model_zeroshot	0.10 245	0.04 1	0.11 248	0.15 123	0.09 351	0.12 309	0.14 246	0.20 340	0.13 191	0.11 264	0.10 196	0.12 312	0.07 179	0.12 291	0.10 207	0.07 340	0.06 428	0.06 200	0.05 194	0.06 293	0.06 306

RAStereo	0.10 245	0.09 437	0.08 57	0.20 534	0.08 218	0.13 365	0.18 492	0.15 187	0.17 320	0.10 229	0.12 268	0.05 5	0.06 65	0.09 59	0.08 25	0.07 340	0.05 277	0.07 311	0.05 194	0.05 170	0.04 73

rvit_stereo_0080	0.10 245	0.08 357	0.14 387	0.15 123	0.09 351	0.07 43	0.15 330	0.16 226	0.16 291	0.11 264	0.10 196	0.14 363	0.08 228	0.12 291	0.10 207	0.09 484	0.07 500	0.07 311	0.06 293	0.07 374	0.05 204

H2IRNET	0.10 245	0.09 437	0.09 122	0.18 399	0.09 351	0.12 309	0.15 330	0.14 145	0.21 408	0.10 229	0.10 196	0.10 258	0.10 312	0.10 122	0.10 207	0.05 51	0.04 25	0.08 405	0.08 464	0.06 293	0.05 204

Former-RAFT_DAM_RVC	0.10 245	0.08 357	0.12 292	0.16 221	0.08 218	0.15 426	0.16 401	0.18 299	0.18 351	0.10 229	0.09 160	0.09 222	0.08 228	0.11 197	0.12 351	0.07 340	0.05 277	0.08 405	0.06 293	0.07 374	0.06 306

MyStereo07	0.10 245	0.07 238	0.10 186	0.17 308	0.09 351	0.14 399	0.18 492	0.15 187	0.15 252	0.09 183	0.06 23	0.06 42	0.07 179	0.12 291	0.09 103	0.06 167	0.05 277	0.08 405	0.07 391	0.06 293	0.06 306

MyStereo06	0.10 245	0.07 238	0.12 292	0.17 308	0.09 351	0.13 365	0.18 492	0.19 329	0.12 148	0.12 306	0.08 124	0.07 124	0.07 179	0.11 197	0.09 103	0.06 167	0.05 277	0.07 311	0.07 391	0.06 293	0.06 306

AE-Stereo	0.10 245	0.08 357	0.10 186	0.18 399	0.09 351	0.10 201	0.15 330	0.14 145	0.19 369	0.09 183	0.14 301	0.12 312	0.08 228	0.11 197	0.10 207	0.05 51	0.06 428	0.07 311	0.06 293	0.05 170	0.04 73

ACVNet-DCA	0.10 245	0.08 357	0.12 292	0.17 308	0.09 351	0.13 365	0.15 330	0.23 414	0.16 291	0.09 183	0.09 160	0.06 42	0.06 65	0.10 122	0.07 1	0.06 167	0.04 25	0.06 200	0.05 194	0.07 374	0.07 395

cc1	0.10 245	0.08 357	0.12 292	0.17 308	0.09 351	0.13 365	0.15 330	0.16 226	0.18 351	0.09 183	0.09 160	0.06 42	0.06 65	0.10 122	0.07 1	0.06 167	0.04 25	0.06 200	0.05 194	0.06 293	0.06 306

tt1	0.10 245	0.08 357	0.12 292	0.17 308	0.09 351	0.12 309	0.16 401	0.15 187	0.19 369	0.09 183	0.08 124	0.06 42	0.06 65	0.10 122	0.07 1	0.06 167	0.04 25	0.06 200	0.05 194	0.06 293	0.06 306

whm_eth	0.10 245	0.08 357	0.14 387	0.15 123	0.09 351	0.07 43	0.15 330	0.16 226	0.16 291	0.11 264	0.10 196	0.14 363	0.08 228	0.12 291	0.10 207	0.09 484	0.07 500	0.07 311	0.06 293	0.07 374	0.05 204

plain	0.10 245	0.08 357	0.10 186	0.19 468	0.09 351	0.10 201	0.15 330	0.14 145	0.13 191	0.13 339	0.15 322	0.09 222	0.12 381	0.13 346	0.12 351	0.07 340	0.05 277	0.09 488	0.06 293	0.06 293	0.06 306

Any-RAFT	0.10 245	0.05 42	0.09 122	0.14 69	0.07 134	0.13 365	0.14 246	0.21 364	0.15 252	0.11 264	0.12 268	0.12 312	0.09 268	0.12 291	0.09 103	0.07 340	0.04 25	0.05 50	0.04 60	0.06 293	0.05 204

LL-Strereo2	0.10 245	0.10 499	0.15 437	0.18 399	0.08 218	0.15 426	0.09 20	0.17 265	0.14 224	0.14 363	0.10 196	0.09 222	0.07 179	0.16 443	0.10 207	0.05 51	0.05 277	0.10 537	0.07 391	0.06 293	0.05 204

DCANet-4	0.10 245	0.06 119	0.12 292	0.16 221	0.06 28	0.09 138	0.17 443	0.18 299	0.19 369	0.13 339	0.16 335	0.09 222	0.14 445	0.11 197	0.12 351	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.05 204

fff	0.10 245	0.06 119	0.12 292	0.15 123	0.07 134	0.09 138	0.17 443	0.16 226	0.20 392	0.13 339	0.16 335	0.10 258	0.11 349	0.11 197	0.12 351	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.05 204

ADStereo(finetuned)	0.10 245	0.06 119	0.12 292	0.16 221	0.06 28	0.09 138	0.17 443	0.15 187	0.19 369	0.13 339	0.17 358	0.10 258	0.12 381	0.11 197	0.12 351	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

test_4	0.10 245	0.10 499	0.08 57	0.19 468	0.09 351	0.08 84	0.22 585	0.15 187	0.17 320	0.12 306	0.18 386	0.12 312	0.09 268	0.08 25	0.11 289	0.04 11	0.04 25	0.08 405	0.08 464	0.04 48	0.03 2

IPLG	0.10 245	0.07 238	0.15 437	0.17 308	0.08 218	0.11 256	0.14 246	0.20 340	0.15 252	0.12 306	0.17 358	0.07 124	0.07 179	0.14 381	0.13 396	0.06 167	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

test_3	0.10 245	0.09 437	0.10 186	0.20 534	0.08 218	0.13 365	0.26 633	0.14 145	0.21 408	0.10 229	0.10 196	0.09 222	0.09 268	0.08 25	0.11 289	0.05 51	0.04 25	0.08 405	0.07 391	0.04 48	0.04 73

STrans-v2	0.10 245	0.07 238	0.12 292	0.18 399	0.07 134	0.10 201	0.14 246	0.21 364	0.11 109	0.11 264	0.15 322	0.12 312	0.10 312	0.11 197	0.12 351	0.05 51	0.04 25	0.06 200	0.06 293	0.04 48	0.04 73

TransformOpticalFlow	0.10 245	0.08 357	0.13 348	0.18 399	0.07 134	0.09 138	0.15 330	0.19 329	0.15 252	0.12 306	0.17 358	0.11 288	0.11 349	0.11 197	0.10 207	0.05 51	0.04 25	0.06 200	0.06 293	0.05 170	0.05 204

SST-Stereo	0.10 245	0.07 238	0.15 437	0.18 399	0.09 351	0.06 14	0.12 98	0.17 265	0.11 109	0.15 392	0.17 358	0.13 343	0.12 381	0.10 122	0.11 289	0.06 167	0.04 25	0.09 488	0.06 293	0.06 293	0.05 204

cross-raft	0.10 245	0.09 437	0.09 122	0.19 468	0.07 134	0.11 256	0.25 624	0.13 114	0.15 252	0.08 131	0.11 247	0.12 312	0.10 312	0.09 59	0.11 289	0.05 51	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

test-1	0.10 245	0.07 238	0.16 473	0.19 468	0.08 218	0.11 256	0.24 609	0.14 145	0.18 351	0.09 183	0.07 65	0.09 222	0.08 228	0.07 4	0.09 103	0.06 167	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

iRaftStereo_RVC	0.10 245	0.07 238	0.09 122	0.17 308	0.09 351	0.11 256	0.17 443	0.18 299	0.12 148	0.09 183	0.12 268	0.10 258	0.07 179	0.11 197	0.10 207	0.05 51	0.04 25	0.08 405	0.08 464	0.04 48	0.04 73

RALCasStereoNet	0.10 245	0.06 119	0.09 122	0.16 221	0.08 218	0.12 309	0.14 246	0.17 265	0.11 109	0.12 306	0.17 358	0.14 363	0.10 312	0.12 291	0.11 289	0.07 340	0.06 428	0.06 200	0.05 194	0.08 444	0.07 395

DCANet	0.10 245	0.06 119	0.12 292	0.16 221	0.06 28	0.09 138	0.17 443	0.15 187	0.19 369	0.13 339	0.17 358	0.10 258	0.11 349	0.11 197	0.12 351	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

csc	0.10 245	0.06 119	0.12 292	0.15 123	0.07 134	0.09 138	0.17 443	0.16 226	0.20 392	0.13 339	0.16 335	0.10 258	0.11 349	0.11 197	0.12 351	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.05 204

cscssc	0.10 245	0.06 119	0.12 292	0.15 123	0.07 134	0.09 138	0.17 443	0.16 226	0.20 392	0.13 339	0.16 335	0.10 258	0.11 349	0.11 197	0.12 351	0.06 167	0.04 25	0.05 50	0.04 60	0.04 48	0.05 204

111	0.10 245	0.06 119	0.12 292	0.15 123	0.07 134	0.10 201	0.14 246	0.21 364	0.23 434	0.11 264	0.12 268	0.14 363	0.11 349	0.13 346	0.10 207	0.06 167	0.04 25	0.06 200	0.04 60	0.05 170	0.05 204

R-Stereo Train	0.10 245	0.06 119	0.10 186	0.17 308	0.08 218	0.11 256	0.14 246	0.23 414	0.11 109	0.12 306	0.19 397	0.11 288	0.08 228	0.09 59	0.11 289	0.07 340	0.05 277	0.06 200	0.05 194	0.05 170	0.05 204

RAFT-Stereo	0.10 245	0.06 119	0.10 186	0.17 308	0.08 218	0.11 256	0.14 246	0.23 414	0.11 109	0.12 306	0.19 397	0.11 288	0.08 228	0.09 59	0.11 289	0.07 340	0.05 277	0.06 200	0.05 194	0.05 170	0.05 204
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 245	0.06 119	0.12 292	0.14 69	0.06 28	0.11 256	0.10 35	0.18 299	0.18 351	0.13 339	0.16 335	0.14 363	0.11 349	0.15 408	0.13 396	0.06 167	0.04 25	0.04 1	0.04 60	0.06 293	0.05 204
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
HLF11	0.11 297	0.05 42	0.13 348	0.12 7	0.08 218	0.14 399	0.11 65	0.22 390	0.10 76	0.12 306	0.23 452	0.11 288	0.11 349	0.14 381	0.13 396	0.08 423	0.05 277	0.05 50	0.04 60	0.08 444	0.08 466

HLf8	0.11 297	0.05 42	0.13 348	0.11 1	0.08 218	0.15 426	0.12 98	0.22 390	0.15 252	0.13 339	0.17 358	0.12 312	0.10 312	0.14 381	0.12 351	0.09 484	0.05 277	0.05 50	0.05 194	0.08 444	0.08 466

TestStereo_HL3	0.11 297	0.05 42	0.14 387	0.12 7	0.07 134	0.12 309	0.12 98	0.21 364	0.11 109	0.14 363	0.25 494	0.11 288	0.10 312	0.14 381	0.13 396	0.07 340	0.04 25	0.05 50	0.04 60	0.07 374	0.07 395

TestStereo_HL2	0.11 297	0.05 42	0.12 292	0.12 7	0.07 134	0.10 201	0.10 35	0.24 439	0.14 224	0.13 339	0.23 452	0.12 312	0.10 312	0.13 346	0.13 396	0.07 340	0.05 277	0.05 50	0.04 60	0.07 374	0.07 395

TestStereo-Hl	0.11 297	0.05 42	0.12 292	0.12 7	0.08 218	0.12 309	0.13 178	0.23 414	0.13 191	0.15 392	0.16 335	0.12 312	0.09 268	0.12 291	0.13 396	0.07 340	0.04 25	0.05 50	0.05 194	0.08 444	0.07 395

Lsterematch	0.11 297	0.06 119	0.11 248	0.16 221	0.07 134	0.13 365	0.15 330	0.14 145	0.17 320	0.16 421	0.18 386	0.15 392	0.15 463	0.12 291	0.14 440	0.07 340	0.04 25	0.06 200	0.06 293	0.06 293	0.06 306

Hybrid-DGEV-2	0.11 297	0.06 119	0.12 292	0.18 399	0.09 351	0.09 138	0.13 178	0.28 517	0.29 519	0.11 264	0.11 247	0.09 222	0.12 381	0.12 291	0.09 103	0.06 167	0.05 277	0.07 311	0.07 391	0.05 170	0.05 204

NLMM1	0.11 297	0.09 437	0.07 11	0.22 583	0.10 464	0.12 309	0.20 555	0.18 299	0.20 392	0.12 306	0.11 247	0.07 124	0.09 268	0.11 197	0.11 289	0.08 423	0.08 530	0.07 311	0.06 293	0.04 48	0.04 73

NLCSM	0.11 297	0.09 437	0.09 122	0.23 607	0.11 514	0.12 309	0.19 532	0.18 299	0.18 351	0.12 306	0.11 247	0.07 124	0.09 268	0.11 197	0.10 207	0.07 340	0.08 530	0.07 311	0.07 391	0.06 293	0.05 204

Select-FE	0.11 297	0.06 119	0.20 551	0.15 123	0.11 514	0.11 256	0.13 178	0.21 364	0.18 351	0.09 183	0.11 247	0.10 258	0.06 65	0.12 291	0.09 103	0.07 340	0.05 277	0.07 311	0.08 464	0.06 293	0.08 466

FlowAnything_test	0.11 297	0.08 357	0.14 387	0.15 123	0.09 351	0.07 43	0.14 246	0.20 340	0.11 109	0.09 183	0.09 160	0.12 312	0.12 381	0.13 346	0.11 289	0.09 484	0.06 428	0.09 488	0.09 511	0.06 293	0.09 512

xyz-stereo-finetune2	0.11 297	0.07 238	0.13 348	0.13 25	0.07 134	0.11 256	0.19 532	0.17 265	0.12 148	0.15 392	0.15 322	0.17 429	0.12 381	0.13 346	0.11 289	0.05 51	0.04 25	0.07 311	0.05 194	0.04 48	0.06 306

xyz-stereo-finetune	0.11 297	0.08 357	0.13 348	0.14 69	0.06 28	0.10 201	0.19 532	0.17 265	0.19 369	0.12 306	0.14 301	0.15 392	0.10 312	0.13 346	0.11 289	0.05 51	0.04 25	0.07 311	0.05 194	0.04 48	0.05 204

fast-iter	0.11 297	0.06 119	0.11 248	0.13 25	0.09 351	0.09 138	0.14 246	0.21 364	0.10 76	0.19 487	0.17 358	0.14 363	0.09 268	0.16 443	0.08 25	0.05 51	0.04 25	0.07 311	0.08 464	0.07 374	0.06 306

CoSv	0.11 297	0.06 119	0.11 248	0.13 25	0.09 351	0.09 138	0.14 246	0.21 364	0.10 76	0.19 487	0.17 358	0.14 363	0.09 268	0.16 443	0.08 25	0.05 51	0.04 25	0.07 311	0.08 464	0.07 374	0.06 306

rvit_stereo_0081_aga	0.11 297	0.09 437	0.14 387	0.18 399	0.09 351	0.13 365	0.14 246	0.14 145	0.19 369	0.10 229	0.18 386	0.16 407	0.09 268	0.12 291	0.09 103	0.10 526	0.06 428	0.08 405	0.07 391	0.07 374	0.06 306

rvit_stereo_0081	0.11 297	0.08 357	0.15 437	0.16 221	0.09 351	0.10 201	0.14 246	0.14 145	0.24 451	0.11 264	0.13 287	0.13 343	0.09 268	0.11 197	0.12 351	0.10 526	0.07 500	0.08 405	0.07 391	0.07 374	0.05 204

rvit_stereo_0082	0.11 297	0.08 357	0.15 437	0.16 221	0.09 351	0.10 201	0.14 246	0.14 145	0.24 451	0.11 264	0.13 287	0.13 343	0.09 268	0.11 197	0.12 351	0.10 526	0.07 500	0.08 405	0.07 391	0.07 374	0.05 204

AIO-Stereo-zeroshot1	0.11 297	0.05 42	0.14 387	0.15 123	0.20 652	0.09 138	0.17 443	0.21 364	0.15 252	0.11 264	0.14 301	0.10 258	0.07 179	0.10 122	0.08 25	0.06 167	0.05 277	0.07 311	0.07 391	0.07 374	0.09 512

AIO-Stereo-zeroshot	0.11 297	0.05 42	0.11 248	0.15 123	0.13 571	0.13 365	0.16 401	0.23 414	0.17 320	0.10 229	0.12 268	0.10 258	0.07 179	0.11 197	0.09 103	0.06 167	0.05 277	0.06 200	0.06 293	0.07 374	0.08 466

CAS++	0.11 297	0.07 238	0.11 248	0.14 69	0.09 351	0.12 309	0.14 246	0.24 439	0.14 224	0.11 264	0.09 160	0.11 288	0.07 179	0.14 381	0.09 103	0.11 558	0.09 563	0.09 488	0.07 391	0.07 374	0.08 466
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 297	0.08 357	0.12 292	0.17 308	0.09 351	0.13 365	0.15 330	0.16 226	0.18 351	0.09 183	0.09 160	0.16 407	0.16 491	0.10 122	0.07 1	0.06 167	0.04 25	0.08 405	0.08 464	0.07 374	0.07 395

1test111	0.11 297	0.08 357	0.12 292	0.17 308	0.09 351	0.13 365	0.15 330	0.23 414	0.16 291	0.09 183	0.09 160	0.06 42	0.06 65	0.15 408	0.16 488	0.06 167	0.04 25	0.06 200	0.05 194	0.07 374	0.07 395

MIF-Stereo (partial)	0.11 297	0.06 119	0.10 186	0.19 468	0.10 464	0.10 201	0.11 65	0.17 265	0.18 351	0.14 363	0.16 335	0.09 222	0.11 349	0.12 291	0.12 351	0.08 423	0.05 277	0.08 405	0.07 391	0.06 293	0.07 395

EKT-Stereo	0.11 297	0.07 238	0.14 387	0.15 123	0.10 464	0.13 365	0.14 246	0.18 299	0.21 408	0.11 264	0.08 124	0.12 312	0.09 268	0.11 197	0.12 351	0.08 423	0.06 428	0.07 311	0.06 293	0.08 444	0.07 395

anonymousdsp2	0.11 297	0.07 238	0.10 186	0.16 221	0.09 351	0.13 365	0.14 246	0.18 299	0.22 422	0.13 339	0.14 301	0.12 312	0.09 268	0.14 381	0.11 289	0.05 51	0.04 25	0.05 50	0.04 60	0.06 293	0.05 204

DCRE	0.11 297	0.07 238	0.13 348	0.16 221	0.11 514	0.11 256	0.17 443	0.18 299	0.17 320	0.11 264	0.18 386	0.10 258	0.10 312	0.15 408	0.11 289	0.06 167	0.05 277	0.06 200	0.06 293	0.05 170	0.04 73

knoymous	0.11 297	0.05 42	0.12 292	0.13 25	0.07 134	0.15 426	0.14 246	0.19 329	0.13 191	0.11 264	0.17 358	0.13 343	0.09 268	0.13 346	0.11 289	0.08 423	0.05 277	0.06 200	0.05 194	0.08 444	0.07 395

riskmin	0.11 297	0.06 119	0.13 348	0.14 69	0.08 218	0.14 399	0.14 246	0.18 299	0.14 224	0.11 264	0.14 301	0.16 407	0.11 349	0.14 381	0.12 351	0.09 484	0.05 277	0.07 311	0.05 194	0.08 444	0.08 466

Selective-RAFT	0.11 297	0.10 499	0.11 248	0.21 566	0.08 218	0.16 457	0.13 178	0.20 340	0.22 422	0.10 229	0.10 196	0.11 288	0.10 312	0.15 408	0.11 289	0.05 51	0.05 277	0.06 200	0.05 194	0.06 293	0.05 204

DisPM	0.11 297	0.07 238	0.12 292	0.16 221	0.09 351	0.06 14	0.13 178	0.17 265	0.17 320	0.14 363	0.20 409	0.12 312	0.10 312	0.11 197	0.10 207	0.06 167	0.04 25	0.07 311	0.06 293	0.06 293	0.11 570

CIPLG	0.11 297	0.08 357	0.14 387	0.17 308	0.08 218	0.12 309	0.15 330	0.17 265	0.15 252	0.14 363	0.11 247	0.16 407	0.09 268	0.16 443	0.11 289	0.07 340	0.05 277	0.06 200	0.05 194	0.05 170	0.06 306

GLC_STEREO	0.11 297	0.07 238	0.11 248	0.17 308	0.07 134	0.09 138	0.13 178	0.15 187	0.24 451	0.12 306	0.13 287	0.12 312	0.08 228	0.18 499	0.11 289	0.06 167	0.08 530	0.08 405	0.06 293	0.05 170	0.05 204

IPLGR_C	0.11 297	0.08 357	0.14 387	0.17 308	0.08 218	0.12 309	0.15 330	0.17 265	0.15 252	0.14 363	0.10 196	0.16 407	0.09 268	0.16 443	0.11 289	0.07 340	0.05 277	0.06 200	0.05 194	0.05 170	0.06 306

MIPNet	0.11 297	0.08 357	0.14 387	0.17 308	0.09 351	0.12 309	0.14 246	0.20 340	0.24 451	0.11 264	0.10 196	0.09 222	0.07 179	0.13 346	0.12 351	0.06 167	0.04 25	0.06 200	0.05 194	0.04 48	0.04 73

IPLGR	0.11 297	0.09 437	0.16 473	0.18 399	0.08 218	0.12 309	0.17 443	0.21 364	0.24 451	0.11 264	0.12 268	0.11 288	0.08 228	0.12 291	0.12 351	0.06 167	0.05 277	0.06 200	0.06 293	0.04 48	0.04 73

GMOStereo	0.11 297	0.09 437	0.07 11	0.19 468	0.08 218	0.12 309	0.28 646	0.13 114	0.17 320	0.11 264	0.17 358	0.14 363	0.12 381	0.07 4	0.07 1	0.05 51	0.05 277	0.09 488	0.07 391	0.04 48	0.04 73

error version	0.11 297	0.09 437	0.07 11	0.19 468	0.08 218	0.12 309	0.28 646	0.13 114	0.17 320	0.11 264	0.17 358	0.14 363	0.12 381	0.07 4	0.07 1	0.05 51	0.05 277	0.09 488	0.07 391	0.04 48	0.04 73

test-v	0.11 297	0.09 437	0.07 11	0.19 468	0.08 218	0.12 309	0.28 646	0.13 114	0.17 320	0.11 264	0.17 358	0.14 363	0.12 381	0.07 4	0.07 1	0.05 51	0.05 277	0.09 488	0.07 391	0.04 48	0.04 73

ACRE	0.11 297	0.08 357	0.14 387	0.17 308	0.08 218	0.12 309	0.15 330	0.17 265	0.14 224	0.14 363	0.10 196	0.16 407	0.09 268	0.16 443	0.11 289	0.07 340	0.05 277	0.06 200	0.05 194	0.05 170	0.06 306

PFNet+	0.11 297	0.06 119	0.13 348	0.16 221	0.09 351	0.05 4	0.12 98	0.17 265	0.21 408	0.16 421	0.19 397	0.14 363	0.10 312	0.11 197	0.11 289	0.08 423	0.05 277	0.09 488	0.08 464	0.06 293	0.11 570

LCNet	0.11 297	0.07 238	0.09 122	0.19 468	0.09 351	0.08 84	0.15 330	0.21 364	0.15 252	0.11 264	0.15 322	0.16 407	0.11 349	0.12 291	0.11 289	0.05 51	0.04 25	0.08 405	0.07 391	0.06 293	0.15 629

HHNet	0.11 297	0.06 119	0.16 473	0.15 123	0.14 592	0.07 43	0.13 178	0.20 340	0.17 320	0.14 363	0.25 494	0.11 288	0.08 228	0.13 346	0.10 207	0.05 51	0.04 25	0.08 405	0.06 293	0.05 170	0.09 512

Patchmatch Stereo++	0.11 297	0.09 437	0.16 473	0.18 399	0.08 218	0.06 14	0.11 65	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395
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
AAGNet	0.11 297	0.07 238	0.16 473	0.19 468	0.09 351	0.08 84	0.13 178	0.18 299	0.13 191	0.16 421	0.21 432	0.13 343	0.14 445	0.11 197	0.14 440	0.06 167	0.04 25	0.09 488	0.06 293	0.06 293	0.05 204

OMP-Stereo	0.11 297	0.06 119	0.14 387	0.18 399	0.08 218	0.09 138	0.12 98	0.21 364	0.21 408	0.13 339	0.14 301	0.11 288	0.12 381	0.11 197	0.13 396	0.06 167	0.04 25	0.07 311	0.06 293	0.05 170	0.04 73

IIG-Stereo	0.11 297	0.06 119	0.13 348	0.17 308	0.08 218	0.11 256	0.12 98	0.22 390	0.17 320	0.14 363	0.17 358	0.11 288	0.12 381	0.12 291	0.12 351	0.06 167	0.05 277	0.07 311	0.06 293	0.05 170	0.04 73

NF-Stereo	0.11 297	0.07 238	0.13 348	0.17 308	0.09 351	0.10 201	0.14 246	0.23 414	0.19 369	0.12 306	0.17 358	0.12 312	0.11 349	0.11 197	0.11 289	0.06 167	0.04 25	0.07 311	0.06 293	0.06 293	0.12 583

OCTAStereo	0.11 297	0.07 238	0.13 348	0.17 308	0.09 351	0.10 201	0.14 246	0.23 414	0.19 369	0.12 306	0.17 358	0.12 312	0.11 349	0.11 197	0.11 289	0.06 167	0.04 25	0.07 311	0.06 293	0.06 293	0.12 583

NRIStereo	0.11 297	0.08 357	0.14 387	0.18 399	0.08 218	0.10 201	0.14 246	0.16 226	0.15 252	0.12 306	0.14 301	0.13 343	0.12 381	0.13 346	0.10 207	0.06 167	0.04 25	0.07 311	0.06 293	0.06 293	0.07 395

PSM-adaLoss	0.11 297	0.09 437	0.16 473	0.18 399	0.08 218	0.06 14	0.12 98	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395

PSM-AAD	0.11 297	0.07 238	0.10 186	0.19 468	0.09 351	0.10 201	0.15 330	0.20 340	0.13 191	0.12 306	0.14 301	0.18 443	0.11 349	0.11 197	0.10 207	0.05 51	0.05 277	0.09 488	0.08 464	0.06 293	0.14 622

ROB_FTStereo_v2	0.11 297	0.09 437	0.16 473	0.19 468	0.08 218	0.06 14	0.12 98	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395

ROB_FTStereo	0.11 297	0.09 437	0.16 473	0.19 468	0.08 218	0.06 14	0.11 65	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395

KYRaft	0.11 297	0.07 238	0.10 186	0.19 468	0.09 351	0.08 84	0.15 330	0.22 390	0.12 148	0.13 339	0.16 335	0.20 470	0.10 312	0.12 291	0.10 207	0.05 51	0.04 25	0.08 405	0.08 464	0.06 293	0.16 640

HUI-Stereo	0.11 297	0.09 437	0.16 473	0.18 399	0.08 218	0.06 14	0.12 98	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395

ASMatch	0.11 297	0.06 119	0.13 348	0.16 221	0.10 464	0.07 43	0.14 246	0.17 265	0.17 320	0.12 306	0.16 335	0.16 407	0.10 312	0.13 346	0.10 207	0.05 51	0.04 25	0.06 200	0.05 194	0.04 48	0.08 466

RAFT_R40	0.11 297	0.07 238	0.14 387	0.18 399	0.09 351	0.06 14	0.13 178	0.17 265	0.16 291	0.14 363	0.18 386	0.15 392	0.12 381	0.10 122	0.11 289	0.06 167	0.04 25	0.09 488	0.06 293	0.06 293	0.05 204

GrayStereo	0.11 297	0.06 119	0.11 248	0.19 468	0.09 351	0.09 138	0.16 401	0.18 299	0.17 320	0.14 363	0.17 358	0.17 429	0.11 349	0.12 291	0.11 289	0.05 51	0.05 277	0.07 311	0.06 293	0.05 170	0.10 543

RE-Stereo	0.11 297	0.07 238	0.13 348	0.17 308	0.09 351	0.10 201	0.14 246	0.23 414	0.19 369	0.12 306	0.17 358	0.12 312	0.11 349	0.11 197	0.11 289	0.06 167	0.04 25	0.07 311	0.06 293	0.06 293	0.12 583

Pruner-Stereo	0.11 297	0.07 238	0.12 292	0.17 308	0.09 351	0.06 14	0.12 98	0.17 265	0.17 320	0.13 339	0.19 397	0.13 343	0.09 268	0.11 197	0.11 289	0.06 167	0.04 25	0.07 311	0.06 293	0.06 293	0.08 466

TVStereo	0.11 297	0.07 238	0.13 348	0.17 308	0.09 351	0.10 201	0.14 246	0.23 414	0.19 369	0.12 306	0.17 358	0.12 312	0.11 349	0.11 197	0.11 289	0.06 167	0.04 25	0.07 311	0.06 293	0.06 293	0.12 583

DeepStereo_RVC	0.11 297	0.08 357	0.16 473	0.18 399	0.08 218	0.08 84	0.12 98	0.17 265	0.12 148	0.13 339	0.14 301	0.12 312	0.12 381	0.12 291	0.11 289	0.06 167	0.04 25	0.07 311	0.06 293	0.07 374	0.08 466

iGMRVC	0.11 297	0.09 437	0.16 473	0.19 468	0.08 218	0.06 14	0.12 98	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395

RAFT-RH_RVC	0.11 297	0.06 119	0.14 387	0.16 221	0.09 351	0.12 309	0.12 98	0.17 265	0.12 148	0.13 339	0.41 627	0.11 288	0.10 312	0.13 346	0.12 351	0.05 51	0.04 25	0.08 405	0.05 194	0.04 48	0.06 306

RAFT-345	0.11 297	0.07 238	0.15 437	0.16 221	0.08 218	0.08 84	0.12 98	0.15 187	0.10 76	0.11 264	0.36 590	0.09 222	0.09 268	0.11 197	0.12 351	0.05 51	0.05 277	0.07 311	0.06 293	0.04 48	0.05 204

iRAFT	0.11 297	0.09 437	0.16 473	0.18 399	0.08 218	0.06 14	0.11 65	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395

CRE-IMP	0.11 297	0.09 437	0.16 473	0.19 468	0.08 218	0.10 201	0.12 98	0.18 299	0.10 76	0.14 363	0.13 287	0.13 343	0.12 381	0.12 291	0.11 289	0.07 340	0.04 25	0.08 405	0.06 293	0.08 444	0.08 466

test-2	0.11 297	0.09 437	0.07 11	0.19 468	0.08 218	0.12 309	0.28 646	0.13 114	0.17 320	0.11 264	0.17 358	0.14 363	0.12 381	0.07 4	0.07 1	0.05 51	0.05 277	0.09 488	0.07 391	0.04 48	0.04 73

GMM-Stereo	0.11 297	0.07 238	0.10 186	0.18 399	0.09 351	0.08 84	0.15 330	0.23 414	0.16 291	0.11 264	0.15 322	0.13 343	0.11 349	0.11 197	0.11 289	0.05 51	0.04 25	0.08 405	0.07 391	0.06 293	0.09 512

RAFT-IKP	0.11 297	0.09 437	0.16 473	0.19 468	0.08 218	0.06 14	0.12 98	0.16 226	0.13 191	0.15 392	0.16 335	0.14 363	0.12 381	0.11 197	0.10 207	0.06 167	0.04 25	0.08 405	0.06 293	0.08 444	0.07 395

Prome-Stereo	0.11 297	0.06 119	0.10 186	0.18 399	0.08 218	0.12 309	0.15 330	0.22 390	0.13 191	0.12 306	0.17 358	0.13 343	0.08 228	0.12 291	0.10 207	0.05 51	0.04 25	0.07 311	0.06 293	0.06 293	0.09 512

rafts_anoy	0.11 297	0.06 119	0.10 186	0.17 308	0.08 218	0.10 201	0.14 246	0.17 265	0.14 224	0.13 339	0.13 287	0.12 312	0.10 312	0.11 197	0.12 351	0.07 340	0.04 25	0.09 488	0.11 586	0.07 374	0.06 306

raft+_RVC	0.11 297	0.07 238	0.09 122	0.16 221	0.07 134	0.10 201	0.11 65	0.24 439	0.20 392	0.12 306	0.15 322	0.12 312	0.08 228	0.12 291	0.13 396	0.07 340	0.04 25	0.07 311	0.06 293	0.05 170	0.05 204

RALAANet	0.11 297	0.08 357	0.10 186	0.17 308	0.09 351	0.14 399	0.10 35	0.20 340	0.15 252	0.14 363	0.13 287	0.16 407	0.09 268	0.12 291	0.11 289	0.06 167	0.05 277	0.07 311	0.06 293	0.05 170	0.04 73

DIP-Stereo	0.11 297	0.07 238	0.14 387	0.17 308	0.09 351	0.13 365	0.09 20	0.16 226	0.16 291	0.11 264	0.16 335	0.14 363	0.12 381	0.15 408	0.13 396	0.06 167	0.05 277	0.06 200	0.05 194	0.05 170	0.06 306
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
IGEV_i1	0.12 373	0.07 238	0.12 292	0.16 221	0.08 218	0.19 523	0.14 246	0.18 299	0.22 422	0.18 470	0.18 386	0.16 407	0.12 381	0.16 443	0.14 440	0.06 167	0.05 277	0.06 200	0.05 194	0.06 293	0.06 306

rvit_stereo_0083	0.12 373	0.08 357	0.17 503	0.16 221	0.09 351	0.11 256	0.15 330	0.14 145	0.26 487	0.11 264	0.14 301	0.13 343	0.10 312	0.12 291	0.12 351	0.10 526	0.08 530	0.09 488	0.07 391	0.07 374	0.05 204

rvit_stereo_ft	0.12 373	0.07 238	0.13 348	0.19 468	0.10 464	0.12 309	0.17 443	0.16 226	0.16 291	0.12 306	0.13 287	0.15 392	0.10 312	0.14 381	0.13 396	0.09 484	0.06 428	0.08 405	0.07 391	0.07 374	0.05 204

test_sample2	0.12 373	0.07 238	0.12 292	0.14 69	0.08 218	0.16 457	0.18 492	0.21 364	0.16 291	0.14 363	0.20 409	0.19 458	0.15 463	0.15 408	0.12 351	0.08 423	0.05 277	0.07 311	0.06 293	0.08 444	0.07 395

MyStereo8	0.12 373	0.07 238	0.15 437	0.15 123	0.09 351	0.18 499	0.14 246	0.19 329	0.22 422	0.12 306	0.18 386	0.11 288	0.10 312	0.16 443	0.18 521	0.07 340	0.05 277	0.07 311	0.05 194	0.08 444	0.09 512

CoDeX	0.12 373	0.07 238	0.12 292	0.17 308	0.08 218	0.12 309	0.15 330	0.23 414	0.27 497	0.13 339	0.17 358	0.16 407	0.11 349	0.14 381	0.11 289	0.07 340	0.05 277	0.07 311	0.06 293	0.06 293	0.05 204

11t1	0.12 373	0.06 119	0.13 348	0.14 69	0.08 218	0.17 480	0.15 330	0.18 299	0.15 252	0.15 392	0.15 322	0.16 407	0.16 491	0.15 408	0.13 396	0.08 423	0.05 277	0.06 200	0.05 194	0.08 444	0.07 395

ffm	0.12 373	0.09 437	0.14 387	0.16 221	0.08 218	0.17 480	0.17 443	0.15 187	0.19 369	0.15 392	0.25 494	0.19 458	0.13 421	0.10 122	0.07 1	0.06 167	0.04 25	0.09 488	0.08 464	0.06 293	0.06 306

RAFT_CTSACE	0.12 373	0.09 437	0.10 186	0.22 583	0.08 218	0.12 309	0.24 609	0.18 299	0.16 291	0.20 510	0.27 521	0.13 343	0.07 179	0.13 346	0.09 103	0.05 51	0.06 428	0.08 405	0.07 391	0.04 48	0.04 73

Sa-1000	0.12 373	0.08 357	0.08 57	0.18 399	0.08 218	0.14 399	0.22 585	0.22 390	0.18 351	0.15 392	0.20 409	0.17 429	0.11 349	0.10 122	0.10 207	0.06 167	0.05 277	0.09 488	0.09 511	0.05 170	0.05 204

SA	0.12 373	0.09 437	0.08 57	0.18 399	0.08 218	0.12 309	0.24 609	0.23 414	0.18 351	0.17 440	0.27 521	0.14 363	0.11 349	0.11 197	0.11 289	0.05 51	0.05 277	0.09 488	0.08 464	0.05 170	0.04 73

iRaft-Stereo_5w	0.12 373	0.09 437	0.12 292	0.19 468	0.08 218	0.09 138	0.12 98	0.21 364	0.21 408	0.19 487	0.14 301	0.11 288	0.09 268	0.20 539	0.16 488	0.05 51	0.05 277	0.07 311	0.06 293	0.05 170	0.06 306

CrosDoStereo	0.12 373	0.06 119	0.12 292	0.14 69	0.08 218	0.12 309	0.15 330	0.17 265	0.22 422	0.19 487	0.24 466	0.15 392	0.11 349	0.11 197	0.12 351	0.06 167	0.04 25	0.07 311	0.07 391	0.05 170	0.05 204

PSM-softLoss	0.12 373	0.07 238	0.15 437	0.17 308	0.09 351	0.08 84	0.13 178	0.24 439	0.17 320	0.14 363	0.19 397	0.13 343	0.11 349	0.11 197	0.11 289	0.07 340	0.05 277	0.08 405	0.07 391	0.06 293	0.12 583

KMStereo	0.12 373	0.07 238	0.15 437	0.17 308	0.09 351	0.08 84	0.13 178	0.24 439	0.17 320	0.14 363	0.19 397	0.13 343	0.11 349	0.11 197	0.11 289	0.07 340	0.05 277	0.08 405	0.07 391	0.06 293	0.12 583

FTStereo	0.12 373	0.06 119	0.14 387	0.18 399	0.09 351	0.07 43	0.15 330	0.21 364	0.18 351	0.12 306	0.24 466	0.12 312	0.12 381	0.13 346	0.13 396	0.05 51	0.05 277	0.07 311	0.06 293	0.06 293	0.10 543

DeepStereo_LL	0.12 373	0.06 119	0.12 292	0.14 69	0.08 218	0.12 309	0.15 330	0.17 265	0.22 422	0.19 487	0.24 466	0.15 392	0.11 349	0.11 197	0.12 351	0.06 167	0.04 25	0.07 311	0.07 391	0.05 170	0.05 204

DEmStereo	0.12 373	0.06 119	0.14 387	0.14 69	0.10 464	0.16 457	0.15 330	0.16 226	0.24 451	0.17 440	0.24 466	0.13 343	0.14 445	0.12 291	0.13 396	0.05 51	0.04 25	0.07 311	0.06 293	0.05 170	0.05 204

THIR-Stereo	0.12 373	0.07 238	0.11 248	0.15 123	0.08 218	0.14 399	0.16 401	0.17 265	0.25 473	0.16 421	0.24 466	0.14 363	0.12 381	0.12 291	0.14 440	0.06 167	0.04 25	0.07 311	0.07 391	0.05 170	0.05 204

DRaft	0.12 373	0.06 119	0.11 248	0.14 69	0.09 351	0.14 399	0.17 443	0.21 364	0.30 529	0.17 440	0.28 535	0.10 258	0.15 463	0.10 122	0.12 351	0.05 51	0.04 25	0.07 311	0.06 293	0.05 170	0.05 204

PFNet	0.12 373	0.06 119	0.17 503	0.17 308	0.08 218	0.09 138	0.15 330	0.26 477	0.20 392	0.16 421	0.16 335	0.14 363	0.11 349	0.12 291	0.11 289	0.06 167	0.04 25	0.07 311	0.06 293	0.05 170	0.05 204

IRAFT_RVC	0.12 373	0.08 357	0.16 473	0.19 468	0.08 218	0.07 43	0.15 330	0.24 439	0.23 434	0.14 363	0.14 301	0.15 392	0.12 381	0.12 291	0.10 207	0.06 167	0.04 25	0.09 488	0.06 293	0.06 293	0.06 306

sCroCo_RVC	0.12 373	0.09 437	0.23 575	0.24 616	0.11 514	0.19 523	0.14 246	0.17 265	0.14 224	0.10 229	0.13 287	0.12 312	0.07 179	0.14 381	0.11 289	0.08 423	0.08 530	0.08 405	0.08 464	0.05 170	0.07 395

ARAFT	0.12 373	0.08 357	0.17 503	0.19 468	0.09 351	0.14 399	0.18 492	0.20 340	0.12 148	0.12 306	0.13 287	0.14 363	0.11 349	0.15 408	0.12 351	0.06 167	0.05 277	0.10 537	0.09 511	0.05 170	0.04 73

BEATNet_4x	0.12 373	0.08 357	0.14 387	0.18 399	0.07 134	0.15 426	0.07 3	0.22 390	0.18 351	0.16 421	0.19 397	0.18 443	0.14 445	0.16 443	0.15 472	0.07 340	0.05 277	0.05 50	0.05 194	0.06 293	0.06 306

MLCV	0.12 373	0.07 238	0.16 473	0.18 399	0.06 28	0.15 426	0.17 443	0.19 329	0.21 408	0.18 470	0.25 494	0.17 429	0.13 421	0.14 381	0.13 396	0.05 51	0.04 25	0.05 50	0.04 60	0.05 170	0.04 73

RT-IGEV	0.13 399	0.06 119	0.13 348	0.15 123	0.09 351	0.15 426	0.17 443	0.24 439	0.27 497	0.16 421	0.17 358	0.17 429	0.10 312	0.14 381	0.11 289	0.08 423	0.05 277	0.07 311	0.05 194	0.07 374	0.07 395

Selective-IGEV-i16pc	0.13 399	0.06 119	0.13 348	0.15 123	0.11 514	0.38 656	0.16 401	0.23 414	0.16 291	0.10 229	0.15 322	0.09 222	0.06 65	0.13 346	0.10 207	0.10 526	0.08 530	0.06 200	0.07 391	0.09 510	0.09 512

Selective-IGEV-i1	0.13 399	0.07 238	0.12 292	0.19 468	0.08 218	0.18 499	0.16 401	0.22 390	0.30 529	0.16 421	0.17 358	0.16 407	0.10 312	0.14 381	0.13 396	0.06 167	0.05 277	0.06 200	0.05 194	0.06 293	0.05 204

G2L-ROB	0.13 399	0.06 119	0.13 348	0.13 25	0.08 218	0.14 399	0.16 401	0.25 459	0.18 351	0.19 487	0.18 386	0.20 470	0.14 445	0.17 476	0.16 488	0.08 423	0.05 277	0.06 200	0.05 194	0.08 444	0.09 512

xyz-stereo	0.13 399	0.07 238	0.20 551	0.15 123	0.05 2	0.20 539	0.15 330	0.17 265	0.31 537	0.15 392	0.29 547	0.26 545	0.16 491	0.13 346	0.12 351	0.05 51	0.05 277	0.06 200	0.05 194	0.04 48	0.04 73

DFGA-Net	0.13 399	0.11 525	0.18 527	0.17 308	0.10 464	0.12 309	0.13 178	0.22 390	0.25 473	0.16 421	0.16 335	0.13 343	0.12 381	0.16 443	0.14 440	0.07 340	0.05 277	0.08 405	0.07 391	0.05 170	0.05 204

FACV-RUCA	0.13 399	0.11 525	0.12 292	0.19 468	0.12 548	0.15 426	0.15 330	0.22 390	0.20 392	0.15 392	0.16 335	0.14 363	0.16 491	0.14 381	0.13 396	0.07 340	0.05 277	0.08 405	0.06 293	0.10 543	0.08 466

UGAM	0.13 399	0.10 499	0.09 122	0.22 583	0.08 218	0.12 309	0.20 555	0.17 265	0.23 434	0.21 524	0.16 335	0.13 343	0.13 421	0.19 514	0.12 351	0.07 340	0.05 277	0.13 603	0.11 586	0.07 374	0.05 204

test_sample1	0.13 399	0.07 238	0.14 387	0.13 25	0.08 218	0.19 523	0.16 401	0.20 340	0.15 252	0.14 363	0.22 443	0.18 443	0.16 491	0.17 476	0.14 440	0.07 340	0.06 428	0.06 200	0.06 293	0.08 444	0.07 395

qqq1	0.13 399	0.07 238	0.17 503	0.14 69	0.08 218	0.16 457	0.17 443	0.26 477	0.27 497	0.19 487	0.20 409	0.18 443	0.15 463	0.15 408	0.11 289	0.08 423	0.05 277	0.05 50	0.05 194	0.06 293	0.06 306

fff1	0.13 399	0.07 238	0.17 503	0.14 69	0.08 218	0.16 457	0.17 443	0.26 477	0.27 497	0.19 487	0.20 409	0.18 443	0.15 463	0.15 408	0.11 289	0.08 423	0.05 277	0.05 50	0.05 194	0.06 293	0.06 306

MyStereo05	0.13 399	0.07 238	0.10 186	0.17 308	0.09 351	0.13 365	0.18 492	0.27 498	0.35 572	0.17 440	0.14 301	0.15 392	0.11 349	0.15 408	0.13 396	0.06 167	0.05 277	0.07 311	0.07 391	0.06 293	0.06 306

MyStereo04	0.13 399	0.07 238	0.10 186	0.17 308	0.09 351	0.14 399	0.18 492	0.29 531	0.38 590	0.17 440	0.14 301	0.16 407	0.10 312	0.15 408	0.13 396	0.06 167	0.05 277	0.08 405	0.07 391	0.06 293	0.06 306

ff1	0.13 399	0.09 437	0.14 387	0.16 221	0.08 218	0.17 480	0.17 443	0.15 187	0.19 369	0.15 392	0.25 494	0.19 458	0.13 421	0.14 381	0.20 540	0.06 167	0.04 25	0.09 488	0.08 464	0.06 293	0.06 306

StereoVision	0.13 399	0.12 543	0.09 122	0.24 616	0.10 464	0.15 426	0.21 575	0.21 364	0.20 392	0.12 306	0.24 466	0.10 258	0.10 312	0.16 443	0.10 207	0.09 484	0.11 597	0.12 588	0.12 606	0.06 293	0.05 204

LL-Strereo	0.13 399	0.09 437	0.11 248	0.20 534	0.10 464	0.11 256	0.18 492	0.32 568	0.24 451	0.15 392	0.15 322	0.14 363	0.13 421	0.19 514	0.11 289	0.06 167	0.04 25	0.09 488	0.08 464	0.04 48	0.05 204

CASS	0.13 399	0.12 543	0.11 248	0.23 607	0.09 351	0.15 426	0.17 443	0.18 299	0.19 369	0.17 440	0.18 386	0.15 392	0.15 463	0.14 381	0.14 440	0.09 484	0.06 428	0.10 537	0.08 464	0.09 510	0.07 395
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 399	0.07 238	0.13 348	0.18 399	0.09 351	0.13 365	0.17 443	0.19 329	0.29 519	0.15 392	0.24 466	0.15 392	0.14 445	0.14 381	0.14 440	0.07 340	0.05 277	0.07 311	0.09 511	0.05 170	0.06 306

TestStereo1	0.13 399	0.08 357	0.08 57	0.19 468	0.08 218	0.18 499	0.29 656	0.23 414	0.16 291	0.17 440	0.20 409	0.16 407	0.10 312	0.12 291	0.13 396	0.06 167	0.06 428	0.08 405	0.06 293	0.05 170	0.05 204

qqq	0.13 399	0.09 437	0.15 437	0.16 221	0.08 218	0.13 365	0.15 330	0.23 414	0.16 291	0.15 392	0.19 397	0.16 407	0.16 491	0.15 408	0.16 488	0.07 340	0.06 428	0.08 405	0.08 464	0.07 374	0.07 395

x	0.13 399	0.07 238	0.14 387	0.14 69	0.08 218	0.18 499	0.14 246	0.22 390	0.20 392	0.15 392	0.19 397	0.19 458	0.17 514	0.18 499	0.18 521	0.07 340	0.05 277	0.06 200	0.06 293	0.07 374	0.07 395

raft_robust	0.13 399	0.10 499	0.07 11	0.18 399	0.08 218	0.13 365	0.24 609	0.28 517	0.33 551	0.20 510	0.19 397	0.14 363	0.10 312	0.11 197	0.12 351	0.05 51	0.05 277	0.07 311	0.07 391	0.05 170	0.04 73

RAFT+CT+SA	0.13 399	0.11 525	0.09 122	0.19 468	0.09 351	0.15 426	0.28 646	0.22 390	0.22 422	0.15 392	0.26 512	0.10 258	0.10 312	0.11 197	0.12 351	0.05 51	0.04 25	0.07 311	0.08 464	0.07 374	0.06 306

SA-5K	0.13 399	0.08 357	0.08 57	0.19 468	0.08 218	0.18 499	0.29 656	0.23 414	0.16 291	0.17 440	0.20 409	0.16 407	0.10 312	0.12 291	0.13 396	0.06 167	0.06 428	0.08 405	0.06 293	0.05 170	0.05 204

GwcNet-ADL	0.13 399	0.08 357	0.14 387	0.20 534	0.09 351	0.11 256	0.20 555	0.30 545	0.24 451	0.13 339	0.14 301	0.18 443	0.14 445	0.13 346	0.14 440	0.07 340	0.05 277	0.06 200	0.05 194	0.07 374	0.06 306

GANet-ADL	0.13 399	0.07 238	0.15 437	0.17 308	0.10 464	0.18 499	0.15 330	0.30 545	0.20 392	0.13 339	0.18 386	0.19 458	0.12 381	0.16 443	0.13 396	0.08 423	0.06 428	0.06 200	0.05 194	0.07 374	0.08 466

RAFT	0.13 399	0.09 437	0.11 248	0.18 399	0.08 218	0.15 426	0.24 609	0.20 340	0.19 369	0.21 524	0.21 432	0.17 429	0.12 381	0.16 443	0.09 103	0.06 167	0.07 500	0.10 537	0.09 511	0.05 170	0.05 204

TestStereo	0.13 399	0.14 583	0.11 248	0.23 607	0.08 218	0.15 426	0.21 575	0.20 340	0.23 434	0.14 363	0.24 466	0.16 407	0.12 381	0.16 443	0.14 440	0.05 51	0.06 428	0.08 405	0.06 293	0.09 510	0.05 204

sAnonymous2	0.13 399	0.12 543	0.24 579	0.20 534	0.12 548	0.17 480	0.13 178	0.26 477	0.21 408	0.11 264	0.11 247	0.13 343	0.08 228	0.10 122	0.10 207	0.09 484	0.05 277	0.08 405	0.06 293	0.15 630	0.10 543

CroCo_RVC	0.13 399	0.12 543	0.24 579	0.20 534	0.12 548	0.17 480	0.13 178	0.26 477	0.21 408	0.11 264	0.11 247	0.13 343	0.08 228	0.10 122	0.10 207	0.09 484	0.05 277	0.08 405	0.06 293	0.15 630	0.10 543

RAFT + AFF	0.13 399	0.07 238	0.20 551	0.20 534	0.10 464	0.14 399	0.24 609	0.26 477	0.20 392	0.11 264	0.10 196	0.12 312	0.10 312	0.15 408	0.12 351	0.07 340	0.06 428	0.09 488	0.08 464	0.06 293	0.08 466

GMStereo	0.13 399	0.14 583	0.14 387	0.18 399	0.09 351	0.15 426	0.16 401	0.20 340	0.24 451	0.16 421	0.17 358	0.10 258	0.10 312	0.16 443	0.13 396	0.07 340	0.06 428	0.06 200	0.06 293	0.07 374	0.06 306
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 399	0.07 238	0.14 387	0.17 308	0.09 351	0.15 426	0.16 401	0.28 517	0.27 497	0.14 363	0.17 358	0.12 312	0.13 421	0.14 381	0.11 289	0.08 423	0.05 277	0.07 311	0.07 391	0.07 374	0.06 306

FENet	0.13 399	0.08 357	0.12 292	0.16 221	0.08 218	0.14 399	0.15 330	0.22 390	0.23 434	0.17 440	0.23 452	0.16 407	0.12 381	0.14 381	0.15 472	0.08 423	0.05 277	0.08 405	0.08 464	0.07 374	0.07 395

cf-r	0.13 399	0.07 238	0.12 292	0.16 221	0.08 218	0.14 399	0.19 532	0.20 340	0.25 473	0.17 440	0.25 494	0.21 479	0.16 491	0.14 381	0.14 440	0.10 526	0.05 277	0.06 200	0.08 464	0.06 293	0.06 306

iResNet	0.13 399	0.10 499	0.18 527	0.19 468	0.08 218	0.13 365	0.18 492	0.20 340	0.26 487	0.15 392	0.23 452	0.15 392	0.13 421	0.14 381	0.14 440	0.06 167	0.04 25	0.06 200	0.05 194	0.06 293	0.05 204

DN-CSS_ROB	0.13 399	0.13 571	0.16 473	0.18 399	0.10 464	0.16 457	0.08 7	0.22 390	0.18 351	0.17 440	0.22 443	0.13 343	0.13 421	0.12 291	0.13 396	0.05 51	0.05 277	0.10 537	0.10 552	0.08 444	0.06 306

Selective-IGEV-i16pb	0.14 436	0.08 357	0.17 503	0.15 123	0.11 514	0.41 661	0.16 401	0.28 517	0.23 434	0.11 264	0.20 409	0.10 258	0.07 179	0.17 476	0.12 351	0.10 526	0.07 500	0.06 200	0.08 464	0.09 510	0.10 543

G2L-Stereo_test	0.14 436	0.07 238	0.11 248	0.13 25	0.08 218	0.12 309	0.16 401	0.30 545	0.28 512	0.20 510	0.23 452	0.20 470	0.16 491	0.17 476	0.18 521	0.07 340	0.05 277	0.05 50	0.05 194	0.07 374	0.06 306

coex_refinement	0.14 436	0.07 238	0.12 292	0.17 308	0.10 464	0.15 426	0.15 330	0.26 477	0.29 519	0.18 470	0.20 409	0.22 497	0.17 514	0.16 443	0.18 521	0.08 423	0.05 277	0.06 200	0.06 293	0.09 510	0.08 466

G2L-Stereo	0.14 436	0.07 238	0.13 348	0.17 308	0.09 351	0.13 365	0.12 98	0.27 498	0.22 422	0.16 421	0.27 521	0.21 479	0.13 421	0.17 476	0.18 521	0.09 484	0.08 530	0.08 405	0.07 391	0.07 374	0.07 395

rvit_0105_6	0.14 436	0.09 437	0.18 527	0.17 308	0.10 464	0.10 201	0.16 401	0.19 329	0.26 487	0.12 306	0.18 386	0.17 429	0.12 381	0.18 499	0.12 351	0.15 627	0.11 597	0.12 588	0.10 552	0.09 510	0.06 306

rvit_0105_5	0.14 436	0.09 437	0.13 348	0.17 308	0.09 351	0.14 399	0.23 596	0.24 439	0.27 497	0.14 363	0.15 322	0.18 443	0.12 381	0.17 476	0.14 440	0.14 623	0.11 597	0.10 537	0.10 552	0.08 444	0.06 306

rvit_0105_4	0.14 436	0.09 437	0.17 503	0.17 308	0.10 464	0.12 309	0.19 532	0.23 414	0.27 497	0.14 363	0.20 409	0.17 429	0.13 421	0.17 476	0.13 396	0.15 627	0.11 597	0.11 568	0.10 552	0.09 510	0.06 306

DCVSM-stereo	0.14 436	0.09 437	0.16 473	0.16 221	0.10 464	0.15 426	0.09 20	0.19 329	0.23 434	0.20 510	0.23 452	0.26 545	0.15 463	0.18 499	0.14 440	0.09 484	0.07 500	0.09 488	0.08 464	0.10 543	0.12 583

test_sample6	0.14 436	0.08 357	0.13 348	0.16 221	0.08 218	0.17 480	0.19 532	0.25 459	0.17 320	0.17 440	0.27 521	0.19 458	0.14 445	0.15 408	0.13 396	0.08 423	0.05 277	0.08 405	0.07 391	0.08 444	0.08 466

test_sample5	0.14 436	0.08 357	0.14 387	0.16 221	0.08 218	0.18 499	0.18 492	0.25 459	0.17 320	0.17 440	0.27 521	0.18 443	0.14 445	0.16 443	0.13 396	0.08 423	0.05 277	0.08 405	0.07 391	0.08 444	0.08 466

test_sample4	0.14 436	0.08 357	0.14 387	0.15 123	0.08 218	0.19 523	0.18 492	0.26 477	0.17 320	0.16 421	0.25 494	0.18 443	0.14 445	0.16 443	0.13 396	0.08 423	0.06 428	0.08 405	0.06 293	0.08 444	0.08 466

test_sample3	0.14 436	0.08 357	0.15 437	0.14 69	0.09 351	0.19 523	0.17 443	0.26 477	0.18 351	0.16 421	0.22 443	0.19 458	0.15 463	0.17 476	0.13 396	0.08 423	0.06 428	0.07 311	0.06 293	0.09 510	0.08 466

DispNO	0.14 436	0.08 357	0.17 503	0.19 468	0.12 548	0.11 256	0.21 575	0.23 414	0.29 519	0.17 440	0.23 452	0.18 443	0.17 514	0.15 408	0.15 472	0.07 340	0.05 277	0.08 405	0.08 464	0.07 374	0.06 306

SMFormer	0.14 436	0.07 238	0.17 503	0.14 69	0.08 218	0.16 457	0.17 443	0.26 477	0.27 497	0.19 487	0.20 409	0.18 443	0.15 463	0.15 408	0.17 503	0.08 423	0.05 277	0.07 311	0.06 293	0.07 374	0.06 306

tta	0.14 436	0.07 238	0.17 503	0.14 69	0.08 218	0.16 457	0.17 443	0.26 477	0.27 497	0.19 487	0.20 409	0.18 443	0.15 463	0.15 408	0.17 503	0.08 423	0.05 277	0.07 311	0.06 293	0.06 293	0.06 306

mmm	0.14 436	0.08 357	0.17 503	0.17 308	0.09 351	0.17 480	0.18 492	0.21 364	0.15 252	0.15 392	0.23 452	0.21 479	0.16 491	0.16 443	0.17 503	0.08 423	0.05 277	0.08 405	0.07 391	0.07 374	0.07 395

DualNet	0.14 436	0.08 357	0.14 387	0.16 221	0.08 218	0.18 499	0.18 492	0.25 459	0.17 320	0.17 440	0.27 521	0.18 443	0.14 445	0.16 443	0.13 396	0.08 423	0.05 277	0.08 405	0.07 391	0.08 444	0.08 466

mmx	0.14 436	0.09 437	0.14 387	0.16 221	0.08 218	0.17 480	0.17 443	0.27 498	0.25 473	0.15 392	0.25 494	0.19 458	0.13 421	0.14 381	0.20 540	0.08 423	0.06 428	0.09 488	0.08 464	0.08 444	0.08 466

xxx	0.14 436	0.09 437	0.14 387	0.16 221	0.08 218	0.17 480	0.17 443	0.27 498	0.25 473	0.15 392	0.25 494	0.19 458	0.13 421	0.14 381	0.20 540	0.08 423	0.06 428	0.09 488	0.08 464	0.08 444	0.08 466

PCWNet_CMD	0.14 436	0.08 357	0.15 437	0.17 308	0.09 351	0.14 399	0.14 246	0.29 531	0.36 576	0.14 363	0.20 409	0.21 479	0.12 381	0.17 476	0.13 396	0.07 340	0.05 277	0.07 311	0.07 391	0.07 374	0.07 395

CBFPSM	0.14 436	0.06 119	0.26 587	0.17 308	0.09 351	0.13 365	0.15 330	0.22 390	0.23 434	0.20 510	0.27 521	0.24 521	0.16 491	0.16 443	0.18 521	0.06 167	0.06 428	0.06 200	0.07 391	0.07 374	0.07 395

gwcnet-sp	0.14 436	0.07 238	0.12 292	0.18 399	0.09 351	0.16 457	0.17 443	0.24 439	0.24 451	0.18 470	0.24 466	0.15 392	0.16 491	0.15 408	0.15 472	0.08 423	0.06 428	0.07 311	0.08 464	0.08 444	0.07 395

scenet	0.14 436	0.07 238	0.12 292	0.18 399	0.09 351	0.16 457	0.17 443	0.24 439	0.24 451	0.18 470	0.24 466	0.15 392	0.16 491	0.15 408	0.15 472	0.08 423	0.06 428	0.07 311	0.08 464	0.08 444	0.07 395

ssnet	0.14 436	0.07 238	0.12 292	0.18 399	0.09 351	0.16 457	0.17 443	0.24 439	0.24 451	0.18 470	0.24 466	0.15 392	0.16 491	0.15 408	0.15 472	0.08 423	0.06 428	0.07 311	0.08 464	0.08 444	0.07 395

BUS	0.14 436	0.09 437	0.14 387	0.22 583	0.10 464	0.19 523	0.14 246	0.34 597	0.19 369	0.17 440	0.22 443	0.16 407	0.13 421	0.15 408	0.13 396	0.08 423	0.06 428	0.10 537	0.09 511	0.07 374	0.07 395

IER	0.14 436	0.07 238	0.13 348	0.17 308	0.09 351	0.14 399	0.16 401	0.25 459	0.26 487	0.18 470	0.25 494	0.17 429	0.20 557	0.16 443	0.14 440	0.08 423	0.05 277	0.07 311	0.06 293	0.08 444	0.07 395

test_5	0.14 436	0.12 543	0.08 57	0.20 534	0.10 464	0.14 399	0.29 656	0.21 364	0.24 451	0.18 470	0.28 535	0.11 288	0.15 463	0.12 291	0.13 396	0.06 167	0.05 277	0.07 311	0.08 464	0.08 444	0.07 395

psmg	0.14 436	0.09 437	0.14 387	0.17 308	0.10 464	0.15 426	0.17 443	0.29 531	0.19 369	0.17 440	0.21 432	0.25 535	0.16 491	0.15 408	0.14 440	0.08 423	0.06 428	0.08 405	0.08 464	0.07 374	0.06 306

UDGNet	0.14 436	0.13 571	0.16 473	0.17 308	0.10 464	0.12 309	0.16 401	0.21 364	0.27 497	0.20 510	0.20 409	0.16 407	0.13 421	0.16 443	0.13 396	0.10 526	0.06 428	0.09 488	0.07 391	0.06 293	0.07 395

CFNet_pseudo	0.14 436	0.08 357	0.15 437	0.16 221	0.09 351	0.13 365	0.14 246	0.27 498	0.34 563	0.14 363	0.21 432	0.22 497	0.13 421	0.18 499	0.14 440	0.07 340	0.05 277	0.08 405	0.06 293	0.07 374	0.07 395

GES	0.14 436	0.08 357	0.16 473	0.15 123	0.10 464	0.13 365	0.13 178	0.28 517	0.25 473	0.16 421	0.23 452	0.18 443	0.13 421	0.16 443	0.13 396	0.08 423	0.07 500	0.07 311	0.06 293	0.08 444	0.09 512

GANet-RSSM	0.14 436	0.07 238	0.13 348	0.13 25	0.08 218	0.14 399	0.17 443	0.22 390	0.21 408	0.17 440	0.24 466	0.23 515	0.15 463	0.16 443	0.15 472	0.10 526	0.06 428	0.07 311	0.08 464	0.08 444	0.07 395

PSMNet-RSSM	0.14 436	0.07 238	0.13 348	0.15 123	0.08 218	0.13 365	0.16 401	0.24 439	0.24 451	0.16 421	0.28 535	0.22 497	0.14 445	0.15 408	0.13 396	0.11 558	0.06 428	0.09 488	0.12 606	0.08 444	0.07 395

GwcNet-RSSM	0.14 436	0.07 238	0.12 292	0.15 123	0.08 218	0.15 426	0.20 555	0.21 364	0.27 497	0.18 470	0.27 521	0.22 497	0.16 491	0.14 381	0.15 472	0.10 526	0.05 277	0.07 311	0.09 511	0.07 374	0.07 395

CFNet-ft	0.14 436	0.07 238	0.15 437	0.12 7	0.09 351	0.16 457	0.18 492	0.22 390	0.24 451	0.17 440	0.26 512	0.24 521	0.14 445	0.16 443	0.14 440	0.11 558	0.06 428	0.08 405	0.09 511	0.09 510	0.08 466

CCAANet	0.14 436	0.06 119	0.14 387	0.17 308	0.09 351	0.16 457	0.13 178	0.30 545	0.24 451	0.16 421	0.32 566	0.18 443	0.17 514	0.17 476	0.14 440	0.06 167	0.05 277	0.09 488	0.09 511	0.06 293	0.09 512

DMCA	0.14 436	0.09 437	0.16 473	0.19 468	0.09 351	0.15 426	0.17 443	0.23 414	0.27 497	0.14 363	0.19 397	0.17 429	0.18 529	0.15 408	0.17 503	0.10 526	0.06 428	0.08 405	0.06 293	0.09 510	0.10 543

RASNet	0.14 436	0.07 238	0.14 387	0.16 221	0.08 218	0.18 499	0.14 246	0.29 531	0.20 392	0.17 440	0.25 494	0.21 479	0.18 529	0.20 539	0.19 534	0.07 340	0.06 428	0.06 200	0.08 464	0.06 293	0.06 306

MSMDNet	0.14 436	0.08 357	0.15 437	0.17 308	0.09 351	0.14 399	0.14 246	0.29 531	0.36 576	0.14 363	0.21 432	0.21 479	0.12 381	0.17 476	0.14 440	0.07 340	0.05 277	0.07 311	0.07 391	0.07 374	0.07 395

HSM-Net_RVC	0.14 436	0.08 357	0.11 248	0.15 123	0.08 218	0.15 426	0.15 330	0.27 498	0.29 519	0.19 487	0.21 432	0.29 571	0.14 445	0.17 476	0.13 396	0.06 167	0.06 428	0.06 200	0.06 293	0.07 374	0.06 306
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 436	0.07 238	0.15 437	0.12 7	0.09 351	0.16 457	0.18 492	0.22 390	0.24 451	0.17 440	0.26 512	0.24 521	0.14 445	0.16 443	0.14 440	0.11 558	0.06 428	0.08 405	0.09 511	0.09 510	0.08 466

ccs_rob	0.14 436	0.08 357	0.15 437	0.16 221	0.09 351	0.12 309	0.14 246	0.27 498	0.34 563	0.14 363	0.21 432	0.22 497	0.13 421	0.18 499	0.14 440	0.07 340	0.05 277	0.08 405	0.07 391	0.07 374	0.07 395

UCFNet_RVC	0.14 436	0.08 357	0.13 348	0.11 1	0.10 464	0.20 539	0.10 35	0.24 439	0.22 422	0.17 440	0.20 409	0.23 515	0.15 463	0.17 476	0.15 472	0.12 583	0.07 500	0.10 537	0.13 617	0.11 566	0.10 543

iResNetv2_ROB	0.14 436	0.08 357	0.15 437	0.16 221	0.08 218	0.16 457	0.12 98	0.25 459	0.35 572	0.21 524	0.29 547	0.24 521	0.13 421	0.14 381	0.14 440	0.06 167	0.05 277	0.06 200	0.04 60	0.09 510	0.08 466

iResNet_ROB	0.14 436	0.07 238	0.13 348	0.14 69	0.07 134	0.18 499	0.14 246	0.26 477	0.31 537	0.22 540	0.25 494	0.23 515	0.15 463	0.15 408	0.13 396	0.07 340	0.05 277	0.05 50	0.04 60	0.08 444	0.08 466

DDVS	0.15 481	0.10 499	0.21 560	0.16 221	0.12 548	0.15 426	0.14 246	0.25 459	0.19 369	0.18 470	0.29 547	0.27 553	0.12 381	0.19 514	0.15 472	0.09 484	0.06 428	0.09 488	0.07 391	0.11 566	0.11 570

rvit_0105_3	0.15 481	0.09 437	0.14 387	0.19 468	0.12 548	0.15 426	0.25 624	0.25 459	0.29 519	0.15 392	0.17 358	0.20 470	0.13 421	0.17 476	0.14 440	0.13 609	0.11 597	0.12 588	0.14 621	0.07 374	0.06 306

ACV-stereo	0.15 481	0.10 499	0.28 599	0.18 399	0.12 548	0.14 399	0.12 98	0.23 414	0.21 408	0.19 487	0.23 452	0.22 497	0.15 463	0.23 580	0.17 503	0.07 340	0.06 428	0.07 311	0.07 391	0.07 374	0.07 395

ITSA-stereo	0.15 481	0.10 499	0.14 387	0.19 468	0.08 218	0.12 309	0.14 246	0.30 545	0.49 636	0.17 440	0.19 397	0.22 497	0.15 463	0.17 476	0.16 488	0.10 526	0.06 428	0.08 405	0.08 464	0.08 444	0.08 466

test_sample7	0.15 481	0.10 499	0.16 473	0.14 69	0.11 514	0.16 457	0.16 401	0.27 498	0.23 434	0.20 510	0.20 409	0.24 521	0.19 545	0.16 443	0.16 488	0.12 583	0.06 428	0.10 537	0.09 511	0.10 543	0.10 543

1111x	0.15 481	0.08 357	0.12 292	0.18 399	0.07 134	0.18 499	0.25 624	0.31 557	0.24 451	0.17 440	0.24 466	0.26 545	0.15 463	0.13 346	0.23 581	0.07 340	0.07 500	0.08 405	0.09 511	0.07 374	0.06 306

CFNet_ucs	0.15 481	0.08 357	0.16 473	0.16 221	0.11 514	0.14 399	0.14 246	0.30 545	0.34 563	0.16 421	0.24 466	0.23 515	0.14 445	0.18 499	0.15 472	0.09 484	0.06 428	0.08 405	0.07 391	0.09 510	0.09 512

BSDual-CNN	0.15 481	0.09 437	0.14 387	0.22 583	0.10 464	0.14 399	0.15 330	0.34 597	0.19 369	0.17 440	0.22 443	0.25 535	0.16 491	0.15 408	0.14 440	0.08 423	0.06 428	0.10 537	0.09 511	0.07 374	0.07 395

hknet	0.15 481	0.11 525	0.13 348	0.22 583	0.11 514	0.14 399	0.15 330	0.34 597	0.25 473	0.17 440	0.22 443	0.22 497	0.18 529	0.17 476	0.12 351	0.07 340	0.06 428	0.10 537	0.09 511	0.07 374	0.07 395

dd	0.15 481	0.16 601	0.16 473	0.19 468	0.09 351	0.15 426	0.18 492	0.21 364	0.25 473	0.23 553	0.20 409	0.21 479	0.09 268	0.21 556	0.16 488	0.10 526	0.06 428	0.08 405	0.06 293	0.08 444	0.06 306

DAS	0.15 481	0.08 357	0.18 527	0.19 468	0.10 464	0.19 523	0.17 443	0.27 498	0.29 519	0.18 470	0.25 494	0.21 479	0.15 463	0.16 443	0.12 351	0.08 423	0.06 428	0.06 200	0.06 293	0.07 374	0.07 395

SepStereo	0.15 481	0.08 357	0.18 527	0.19 468	0.10 464	0.19 523	0.17 443	0.27 498	0.29 519	0.18 470	0.25 494	0.21 479	0.15 463	0.25 595	0.12 351	0.08 423	0.06 428	0.06 200	0.06 293	0.07 374	0.07 395

PSMNet-ADL	0.15 481	0.12 543	0.13 348	0.22 583	0.09 351	0.13 365	0.20 555	0.26 477	0.23 434	0.18 470	0.20 409	0.24 521	0.16 491	0.18 499	0.17 503	0.08 423	0.08 530	0.08 405	0.11 586	0.08 444	0.07 395

LMCR-Stereo	0.15 481	0.08 357	0.13 348	0.21 566	0.09 351	0.17 480	0.20 555	0.27 498	0.19 369	0.24 562	0.24 466	0.23 515	0.17 514	0.20 539	0.17 503	0.07 340	0.06 428	0.08 405	0.06 293	0.10 543	0.08 466

ICVP	0.15 481	0.09 437	0.12 292	0.22 583	0.09 351	0.17 480	0.21 575	0.25 459	0.23 434	0.18 470	0.30 554	0.26 545	0.18 529	0.17 476	0.14 440	0.09 484	0.07 500	0.08 405	0.07 391	0.07 374	0.07 395
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 481	0.07 238	0.14 387	0.14 69	0.08 218	0.23 581	0.18 492	0.31 557	0.19 369	0.14 363	0.28 535	0.22 497	0.14 445	0.15 408	0.26 615	0.09 484	0.05 277	0.07 311	0.07 391	0.08 444	0.07 395

test_xeample	0.15 481	0.06 119	0.13 348	0.14 69	0.08 218	0.21 556	0.20 555	0.28 517	0.20 392	0.16 421	0.29 547	0.19 458	0.16 491	0.15 408	0.26 615	0.09 484	0.05 277	0.07 311	0.07 391	0.07 374	0.07 395

ACVNet	0.15 481	0.09 437	0.15 437	0.13 25	0.12 548	0.14 399	0.20 555	0.22 390	0.33 551	0.17 440	0.26 512	0.21 479	0.16 491	0.17 476	0.21 560	0.07 340	0.06 428	0.06 200	0.06 293	0.08 444	0.06 306

acv_ft	0.15 481	0.09 437	0.15 437	0.19 468	0.10 464	0.16 457	0.17 443	0.25 459	0.33 551	0.19 487	0.26 512	0.21 479	0.17 514	0.17 476	0.18 521	0.07 340	0.06 428	0.06 200	0.06 293	0.08 444	0.06 306

CFNet	0.15 481	0.10 499	0.17 503	0.17 308	0.08 218	0.18 499	0.09 20	0.28 517	0.25 473	0.19 487	0.24 466	0.24 521	0.17 514	0.17 476	0.14 440	0.08 423	0.06 428	0.09 488	0.10 552	0.07 374	0.06 306

AdaStereo	0.15 481	0.11 525	0.15 437	0.18 399	0.09 351	0.20 539	0.11 65	0.32 568	0.28 512	0.20 510	0.23 452	0.20 470	0.13 421	0.19 514	0.14 440	0.12 583	0.05 277	0.10 537	0.07 391	0.09 510	0.07 395
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	0.15 481	0.08 357	0.14 387	0.16 221	0.09 351	0.16 457	0.14 246	0.28 517	0.25 473	0.19 487	0.23 452	0.37 625	0.16 491	0.20 539	0.15 472	0.07 340	0.05 277	0.07 311	0.06 293	0.07 374	0.06 306

pmcnn	0.15 481	0.07 238	0.19 539	0.15 123	0.07 134	0.20 539	0.15 330	0.24 439	0.26 487	0.21 524	0.34 583	0.28 563	0.18 529	0.18 499	0.17 503	0.07 340	0.05 277	0.05 50	0.04 60	0.07 374	0.06 306

DStereoRT	0.16 504	0.06 119	0.11 248	0.19 468	0.09 351	0.12 309	0.12 98	0.28 517	0.22 422	0.12 306	0.20 409	0.11 288	0.10 312	0.15 408	0.14 440	0.06 167	0.05 277	0.96 704	0.09 511	0.05 170	0.04 73

DualNet (step1)	0.16 504	0.12 543	0.20 551	0.12 7	0.14 592	0.17 480	0.13 178	0.27 498	0.23 434	0.20 510	0.20 409	0.24 521	0.19 545	0.16 443	0.16 488	0.15 627	0.06 428	0.14 616	0.14 621	0.14 614	0.12 583

GMStereo_Zeroshot	0.16 504	0.13 571	0.24 579	0.20 534	0.10 464	0.17 480	0.13 178	0.29 531	0.25 473	0.23 553	0.32 566	0.25 535	0.11 349	0.19 514	0.14 440	0.09 484	0.06 428	0.11 568	0.06 293	0.12 581	0.08 466

iinet-f	0.16 504	0.06 119	0.45 644	0.14 69	0.10 464	0.21 556	0.14 246	0.27 498	0.23 434	0.21 524	0.24 466	0.21 479	0.15 463	0.18 499	0.21 560	0.09 484	0.07 500	0.07 311	0.06 293	0.09 510	0.10 543

CRFU-Net	0.16 504	0.08 357	0.14 387	0.17 308	0.09 351	0.19 523	0.14 246	0.26 477	0.20 392	0.28 602	0.27 521	0.29 571	0.17 514	0.19 514	0.17 503	0.09 484	0.09 563	0.07 311	0.07 391	0.08 444	0.08 466

NINENet	0.16 504	0.10 499	0.15 437	0.17 308	0.11 514	0.19 523	0.14 246	0.40 641	0.36 576	0.18 470	0.21 432	0.16 407	0.13 421	0.15 408	0.13 396	0.08 423	0.08 530	0.10 537	0.07 391	0.10 543	0.09 512

CSP-Net	0.16 504	0.09 437	0.14 387	0.16 221	0.09 351	0.19 523	0.17 443	0.25 459	0.32 544	0.25 575	0.30 554	0.24 521	0.15 463	0.21 556	0.18 521	0.09 484	0.06 428	0.07 311	0.07 391	0.08 444	0.07 395

AASNet	0.16 504	0.08 357	0.12 292	0.19 468	0.09 351	0.18 499	0.15 330	0.37 625	0.37 583	0.19 487	0.23 452	0.20 470	0.16 491	0.17 476	0.20 540	0.10 526	0.08 530	0.08 405	0.07 391	0.09 510	0.09 512

AACVNet	0.16 504	0.08 357	0.14 387	0.15 123	0.10 464	0.18 499	0.15 330	0.23 414	0.24 451	0.27 587	0.27 521	0.28 563	0.17 514	0.19 514	0.16 488	0.09 484	0.07 500	0.09 488	0.07 391	0.10 543	0.09 512

ADLNet2	0.16 504	0.09 437	0.13 348	0.16 221	0.09 351	0.20 539	0.16 401	0.31 557	0.39 593	0.16 421	0.20 409	0.20 470	0.18 529	0.21 556	0.22 569	0.08 423	0.06 428	0.07 311	0.07 391	0.09 510	0.07 395

Anonymous3	0.16 504	0.13 571	0.33 619	0.26 632	0.14 592	0.27 617	0.17 443	0.28 517	0.28 512	0.15 392	0.17 358	0.14 363	0.10 312	0.15 408	0.12 351	0.08 423	0.08 530	0.08 405	0.08 464	0.08 444	0.11 570

ADLNet	0.16 504	0.08 357	0.15 437	0.16 221	0.10 464	0.16 457	0.17 443	0.32 568	0.27 497	0.22 540	0.27 521	0.24 521	0.16 491	0.18 499	0.21 560	0.10 526	0.06 428	0.10 537	0.10 552	0.08 444	0.09 512

HCRNet	0.16 504	0.24 648	0.12 292	0.35 666	0.11 514	0.15 426	0.17 443	0.26 477	0.22 422	0.19 487	0.24 466	0.21 479	0.14 445	0.15 408	0.13 396	0.11 558	0.07 500	0.11 568	0.10 552	0.09 510	0.07 395

222	0.16 504	0.07 238	0.14 387	0.14 69	0.08 218	0.24 586	0.18 492	0.30 545	0.20 392	0.17 440	0.28 535	0.17 429	0.16 491	0.15 408	0.40 670	0.10 526	0.05 277	0.07 311	0.06 293	0.07 374	0.08 466

UPFNet	0.16 504	0.08 357	0.12 292	0.20 534	0.12 548	0.20 539	0.23 596	0.28 517	0.26 487	0.17 440	0.24 466	0.22 497	0.19 545	0.19 514	0.21 560	0.09 484	0.07 500	0.08 405	0.09 511	0.08 444	0.06 306

ac_64	0.16 504	0.08 357	0.15 437	0.18 399	0.10 464	0.22 565	0.18 492	0.24 439	0.21 408	0.18 470	0.24 466	0.29 571	0.18 529	0.19 514	0.22 569	0.09 484	0.07 500	0.08 405	0.09 511	0.07 374	0.06 306

DSFCA	0.16 504	0.09 437	0.14 387	0.16 221	0.10 464	0.20 539	0.19 532	0.28 517	0.31 537	0.23 553	0.24 466	0.22 497	0.15 463	0.19 514	0.20 540	0.10 526	0.07 500	0.09 488	0.09 511	0.08 444	0.08 466

FADNet-RVC-Resample	0.16 504	0.11 525	0.31 612	0.22 583	0.11 514	0.19 523	0.14 246	0.25 459	0.24 451	0.24 562	0.27 521	0.20 470	0.15 463	0.16 443	0.15 472	0.07 340	0.08 530	0.12 588	0.10 552	0.09 510	0.10 543

FADNet_RVC	0.16 504	0.14 583	0.40 637	0.20 534	0.11 514	0.13 365	0.13 178	0.26 477	0.22 422	0.21 524	0.23 452	0.20 470	0.17 514	0.14 381	0.16 488	0.08 423	0.08 530	0.12 588	0.09 511	0.11 566	0.10 543

AANet_RVC	0.16 504	0.10 499	0.10 186	0.18 399	0.09 351	0.18 499	0.19 532	0.26 477	0.31 537	0.22 540	0.35 587	0.21 479	0.21 561	0.22 569	0.16 488	0.06 167	0.05 277	0.06 200	0.06 293	0.07 374	0.06 306

DeepPruner_ROB	0.16 504	0.11 525	0.15 437	0.17 308	0.10 464	0.17 480	0.15 330	0.32 568	0.21 408	0.19 487	0.21 432	0.22 497	0.18 529	0.20 539	0.15 472	0.13 609	0.09 563	0.09 488	0.09 511	0.11 566	0.10 543

z-ln-s-r	0.17 525	0.10 499	0.40 637	0.19 468	0.08 218	0.17 480	0.18 492	0.22 390	0.33 551	0.18 470	0.40 616	0.22 497	0.17 514	0.20 539	0.23 581	0.07 340	0.05 277	0.07 311	0.07 391	0.07 374	0.05 204

rvit_stereo_0075_2	0.17 525	0.12 543	0.25 584	0.23 607	0.16 623	0.13 365	0.10 35	0.30 545	0.27 497	0.20 510	0.28 535	0.22 497	0.15 463	0.18 499	0.13 396	0.16 643	0.10 585	0.17 638	0.10 552	0.10 543	0.09 512

ToySt	0.17 525	0.11 525	0.18 527	0.17 308	0.11 514	0.16 457	0.25 624	0.24 439	0.33 551	0.19 487	0.24 466	0.26 545	0.24 584	0.19 514	0.20 540	0.07 340	0.08 530	0.09 488	0.10 552	0.09 510	0.08 466

ssnet_v2	0.17 525	0.10 499	0.17 503	0.17 308	0.11 514	0.21 556	0.21 575	0.33 588	0.25 473	0.22 540	0.22 443	0.27 553	0.18 529	0.22 569	0.20 540	0.11 558	0.09 563	0.09 488	0.09 511	0.08 444	0.08 466

dad	0.17 525	0.20 633	0.20 551	0.16 221	0.11 514	0.20 539	0.18 492	0.21 364	0.28 512	0.30 616	0.24 466	0.29 571	0.13 421	0.19 514	0.16 488	0.18 649	0.09 563	0.11 568	0.09 511	0.11 566	0.07 395

GEStereo_RVC	0.17 525	0.12 543	0.15 437	0.22 583	0.11 514	0.19 523	0.17 443	0.32 568	0.48 629	0.20 510	0.25 494	0.17 429	0.13 421	0.21 556	0.16 488	0.10 526	0.06 428	0.08 405	0.07 391	0.09 510	0.08 466

MMNet	0.17 525	0.09 437	0.16 473	0.20 534	0.11 514	0.27 617	0.20 555	0.25 459	0.41 602	0.22 540	0.30 554	0.21 479	0.20 557	0.17 476	0.20 540	0.06 167	0.06 428	0.07 311	0.07 391	0.08 444	0.07 395

delet	0.17 525	0.08 357	0.17 503	0.19 468	0.11 514	0.20 539	0.21 575	0.30 545	0.37 583	0.17 440	0.26 512	0.19 458	0.19 545	0.19 514	0.21 560	0.08 423	0.08 530	0.09 488	0.11 586	0.06 293	0.06 306

UNet	0.17 525	0.09 437	0.18 527	0.19 468	0.12 548	0.27 617	0.19 532	0.33 588	0.29 519	0.21 524	0.24 466	0.23 515	0.19 545	0.19 514	0.18 521	0.07 340	0.06 428	0.08 405	0.07 391	0.08 444	0.06 306

HGLStereo	0.17 525	0.08 357	0.19 539	0.17 308	0.12 548	0.18 499	0.18 492	0.31 557	0.32 544	0.21 524	0.32 566	0.25 535	0.18 529	0.19 514	0.20 540	0.09 484	0.09 563	0.07 311	0.07 391	0.09 510	0.10 543

DMCA-RVC	0.17 525	0.10 499	0.15 437	0.24 616	0.11 514	0.18 499	0.18 492	0.25 459	0.24 451	0.21 524	0.26 512	0.25 535	0.27 607	0.18 499	0.20 540	0.12 583	0.08 530	0.13 603	0.10 552	0.10 543	0.08 466

TDLM	0.17 525	0.12 543	0.13 348	0.24 616	0.10 464	0.18 499	0.18 492	0.36 619	0.30 529	0.21 524	0.28 535	0.28 563	0.18 529	0.23 580	0.18 521	0.11 558	0.07 500	0.10 537	0.10 552	0.08 444	0.08 466

NLCA_NET_v2_RVC	0.17 525	0.10 499	0.22 566	0.20 534	0.10 464	0.15 426	0.18 492	0.31 557	0.25 473	0.21 524	0.30 554	0.25 535	0.17 514	0.21 556	0.20 540	0.09 484	0.06 428	0.08 405	0.08 464	0.07 374	0.08 466
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 525	0.12 543	0.15 437	0.20 534	0.09 351	0.18 499	0.18 492	0.26 477	0.23 434	0.26 581	0.40 616	0.22 497	0.17 514	0.21 556	0.20 540	0.08 423	0.05 277	0.09 488	0.10 552	0.07 374	0.07 395
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 539	0.08 357	0.19 539	0.19 468	0.13 571	0.15 426	0.12 98	0.30 545	0.32 544	0.21 524	0.25 494	0.27 553	0.17 514	0.17 476	0.20 540	0.20 657	0.08 530	0.14 616	0.14 621	0.14 614	0.17 649

test_sample9	0.18 539	0.12 543	0.20 551	0.12 7	0.14 592	0.17 480	0.13 178	0.27 498	0.23 434	0.20 510	0.20 409	0.24 521	0.19 545	0.19 514	0.17 503	0.15 627	0.30 679	0.14 616	0.14 621	0.14 614	0.12 583

fast-acv-ft	0.18 539	0.11 525	0.19 539	0.19 468	0.12 548	0.24 586	0.21 575	0.25 459	0.34 563	0.22 540	0.34 583	0.27 553	0.20 557	0.21 556	0.23 581	0.09 484	0.09 563	0.08 405	0.10 552	0.08 444	0.07 395

HBP-ISP	0.18 539	0.13 571	0.16 473	0.15 123	0.11 514	0.08 84	0.13 178	0.28 517	0.29 519	0.22 540	0.33 579	0.21 479	0.25 593	0.23 580	0.17 503	0.14 623	0.16 647	0.21 652	0.17 648	0.10 543	0.08 466

Wz-Net-LNSev-Ref	0.18 539	0.09 437	0.29 607	0.15 123	0.10 464	0.22 565	0.20 555	0.26 477	0.39 593	0.25 575	0.42 633	0.24 521	0.15 463	0.20 539	0.19 534	0.07 340	0.05 277	0.06 200	0.05 194	0.10 543	0.09 512

SACVNet	0.18 539	0.12 543	0.14 387	0.17 308	0.13 571	0.22 565	0.18 492	0.31 557	0.30 529	0.23 553	0.31 562	0.30 581	0.22 570	0.22 569	0.17 503	0.11 558	0.08 530	0.10 537	0.10 552	0.12 581	0.14 622

psm_up	0.18 539	0.10 499	0.18 527	0.20 534	0.11 514	0.17 480	0.19 532	0.37 625	0.34 563	0.21 524	0.28 535	0.29 571	0.24 584	0.20 539	0.22 569	0.09 484	0.10 585	0.11 568	0.11 586	0.08 444	0.08 466

hitnet-ft	0.18 539	0.09 437	0.17 503	0.14 69	0.09 351	0.26 607	0.20 555	0.25 459	0.26 487	0.24 562	0.32 566	0.31 594	0.22 570	0.24 590	0.21 560	0.12 583	0.07 500	0.10 537	0.08 464	0.12 581	0.11 570

STTStereo	0.18 539	0.12 543	0.27 594	0.20 534	0.11 514	0.16 457	0.21 575	0.29 531	0.23 434	0.21 524	0.30 554	0.29 571	0.18 529	0.20 539	0.19 534	0.12 583	0.11 597	0.11 568	0.14 621	0.09 510	0.08 466

CVANet_RVC	0.18 539	0.10 499	0.14 387	0.21 566	0.10 464	0.18 499	0.17 443	0.34 597	0.33 551	0.22 540	0.31 562	0.28 563	0.18 529	0.23 580	0.17 503	0.12 583	0.08 530	0.12 588	0.11 586	0.09 510	0.07 395

StereoDRNet	0.18 539	0.11 525	0.17 503	0.22 583	0.11 514	0.21 556	0.22 585	0.37 625	0.33 551	0.24 562	0.28 535	0.30 581	0.19 545	0.20 539	0.20 540	0.09 484	0.08 530	0.11 568	0.09 511	0.09 510	0.07 395

DLCB_ROB	0.18 539	0.10 499	0.15 437	0.23 607	0.11 514	0.24 586	0.18 492	0.29 531	0.28 512	0.27 587	0.28 535	0.28 563	0.24 584	0.19 514	0.20 540	0.08 423	0.08 530	0.09 488	0.09 511	0.07 374	0.07 395

TCMNet	0.19 551	0.12 543	0.19 539	0.20 534	0.18 645	0.20 539	0.24 609	0.27 498	0.36 576	0.23 553	0.26 512	0.25 535	0.19 545	0.19 514	0.23 581	0.13 609	0.11 597	0.11 568	0.12 606	0.13 600	0.12 583

rvit_105_1	0.19 551	0.11 525	0.25 584	0.21 566	0.16 623	0.21 556	0.27 640	0.31 557	0.41 602	0.19 487	0.20 409	0.22 497	0.17 514	0.19 514	0.17 503	0.12 583	0.12 613	0.13 603	0.15 637	0.08 444	0.07 395

test_sample8	0.19 551	0.12 543	0.20 551	0.12 7	0.14 592	0.17 480	0.13 178	0.31 557	0.21 408	0.27 587	0.22 443	0.36 620	0.25 593	0.19 514	0.17 503	0.15 627	0.30 679	0.14 616	0.14 621	0.14 614	0.12 583

SDNR	0.19 551	0.08 357	0.19 539	0.16 221	0.12 548	0.77 692	0.14 246	0.25 459	0.32 544	0.19 487	0.24 466	0.19 458	0.13 421	0.19 514	0.15 472	0.16 643	0.18 654	0.14 616	0.11 586	0.08 444	0.11 570

pcwnet_v2	0.19 551	0.10 499	0.26 587	0.17 308	0.14 592	0.18 499	0.15 330	0.37 625	0.46 627	0.19 487	0.24 466	0.21 479	0.19 545	0.20 539	0.19 534	0.13 609	0.10 585	0.10 537	0.10 552	0.11 566	0.13 605

ADCRef	0.19 551	0.12 543	0.41 640	0.20 534	0.12 548	0.22 565	0.18 492	0.32 568	0.36 576	0.26 581	0.32 566	0.17 429	0.23 578	0.24 590	0.24 594	0.07 340	0.06 428	0.09 488	0.09 511	0.08 444	0.08 466

NVstereo2D	0.19 551	0.10 499	0.15 437	0.17 308	0.15 612	0.28 624	0.23 596	0.44 658	0.42 610	0.15 392	0.27 521	0.25 535	0.19 545	0.22 569	0.17 503	0.09 484	0.06 428	0.10 537	0.08 464	0.15 630	0.09 512

DRN-Test	0.19 551	0.11 525	0.20 551	0.22 583	0.10 464	0.22 565	0.22 585	0.39 637	0.37 583	0.24 562	0.32 566	0.26 545	0.21 561	0.22 569	0.24 594	0.11 558	0.07 500	0.11 568	0.10 552	0.09 510	0.07 395

DISCO	0.19 551	0.09 437	0.22 566	0.17 308	0.10 464	0.25 597	0.18 492	0.27 498	0.44 620	0.22 540	0.31 562	0.33 607	0.26 599	0.28 612	0.28 631	0.08 423	0.06 428	0.07 311	0.07 391	0.09 510	0.09 512

CBMV_ROB	0.19 551	0.13 571	0.17 503	0.16 221	0.11 514	0.15 426	0.13 178	0.26 477	0.28 512	0.27 587	0.30 554	0.27 553	0.24 584	0.23 580	0.16 488	0.15 627	0.17 652	0.22 656	0.20 654	0.10 543	0.11 570

NOSS_ROB	0.19 551	0.12 543	0.18 527	0.16 221	0.12 548	0.15 426	0.12 98	0.30 545	0.32 544	0.20 510	0.22 443	0.27 553	0.23 578	0.21 556	0.16 488	0.16 643	0.18 654	0.23 657	0.21 656	0.12 581	0.13 605

CBMV	0.19 551	0.14 583	0.17 503	0.18 399	0.10 464	0.20 539	0.11 65	0.29 531	0.30 529	0.29 611	0.30 554	0.30 581	0.23 578	0.27 600	0.19 534	0.13 609	0.15 643	0.17 638	0.16 641	0.10 543	0.10 543
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
w-ln-seven-2	0.20 563	0.14 583	0.37 632	0.22 583	0.12 548	0.20 539	0.21 575	0.28 517	0.37 583	0.25 575	0.37 596	0.27 553	0.22 570	0.21 556	0.23 581	0.08 423	0.08 530	0.09 488	0.09 511	0.10 543	0.09 512

YMNet	0.20 563	0.12 543	0.19 539	0.20 534	0.14 592	0.26 607	0.23 596	0.32 568	0.34 563	0.27 587	0.34 583	0.30 581	0.18 529	0.18 499	0.22 569	0.10 526	0.13 628	0.10 537	0.10 552	0.08 444	0.09 512

YMNet_1	0.20 563	0.12 543	0.19 539	0.20 534	0.14 592	0.26 607	0.23 596	0.32 568	0.34 563	0.27 587	0.34 583	0.30 581	0.18 529	0.18 499	0.22 569	0.10 526	0.13 628	0.10 537	0.10 552	0.08 444	0.09 512

GwcNet	0.20 563	0.13 571	0.19 539	0.18 399	0.12 548	0.24 586	0.19 532	0.35 612	0.43 615	0.20 510	0.32 566	0.33 607	0.20 557	0.22 569	0.24 594	0.11 558	0.09 563	0.09 488	0.09 511	0.09 510	0.10 543

FAT-Stereo	0.20 563	0.12 543	0.22 566	0.21 566	0.12 548	0.17 480	0.18 492	0.34 597	0.39 593	0.27 587	0.37 596	0.34 614	0.32 638	0.21 556	0.20 540	0.09 484	0.11 597	0.10 537	0.09 511	0.11 566	0.14 622

FADNet-RVC	0.20 563	0.20 633	0.38 634	0.21 566	0.16 623	0.20 539	0.15 330	0.26 477	0.26 487	0.26 581	0.32 566	0.26 545	0.21 561	0.22 569	0.19 534	0.12 583	0.13 628	0.12 588	0.14 621	0.13 600	0.18 652

S-Stereo	0.20 563	0.12 543	0.25 584	0.21 566	0.13 571	0.20 539	0.18 492	0.32 568	0.43 615	0.23 553	0.36 590	0.28 563	0.30 630	0.19 514	0.22 569	0.09 484	0.12 613	0.10 537	0.10 552	0.13 600	0.13 605

SuperB	0.20 563	0.10 499	0.56 660	0.16 221	0.09 351	0.18 499	0.18 492	0.24 439	0.50 639	0.26 581	0.39 610	0.17 429	0.21 561	0.22 569	0.21 560	0.08 423	0.06 428	0.06 200	0.06 293	0.12 581	0.10 543

ADCP+	0.20 563	0.10 499	0.33 619	0.20 534	0.12 548	0.22 565	0.26 633	0.31 557	0.34 563	0.26 581	0.37 596	0.22 497	0.22 570	0.27 600	0.27 623	0.09 484	0.06 428	0.08 405	0.08 464	0.09 510	0.10 543

PS-NSSS	0.20 563	0.21 639	0.23 575	0.20 534	0.10 464	0.19 523	0.17 443	0.36 619	0.25 473	0.27 587	0.33 579	0.27 553	0.24 584	0.20 539	0.20 540	0.15 627	0.12 613	0.17 638	0.14 621	0.10 543	0.08 466

PWCDC_ROB	0.20 563	0.13 571	0.22 566	0.24 616	0.11 514	0.19 523	0.15 330	0.33 588	0.54 649	0.29 611	0.50 649	0.21 479	0.15 463	0.27 600	0.20 540	0.11 558	0.09 563	0.10 537	0.08 464	0.11 566	0.09 512

SGM-Forest	0.20 563	0.14 583	0.18 527	0.19 468	0.13 571	0.20 539	0.22 585	0.33 588	0.30 529	0.24 562	0.29 547	0.28 563	0.19 545	0.23 580	0.17 503	0.15 627	0.16 647	0.15 628	0.14 621	0.12 581	0.12 583
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 575	0.17 612	0.19 539	0.23 607	0.15 612	0.30 631	0.20 555	0.33 588	0.35 572	0.23 553	0.28 535	0.31 594	0.27 607	0.20 539	0.22 569	0.15 627	0.12 613	0.13 603	0.09 511	0.14 614	0.14 622

FINET	0.21 575	0.18 623	0.26 587	0.18 399	0.16 623	0.23 581	0.23 596	0.32 568	0.48 629	0.25 575	0.32 566	0.22 497	0.22 570	0.22 569	0.17 503	0.18 649	0.16 647	0.11 568	0.10 552	0.15 630	0.13 605

Syn2CoEx	0.21 575	0.16 601	0.27 594	0.29 657	0.14 592	0.26 607	0.20 555	0.33 588	0.31 537	0.28 602	0.36 590	0.27 553	0.25 593	0.19 514	0.24 594	0.16 643	0.12 613	0.14 616	0.11 586	0.09 510	0.08 466

FADNet	0.21 575	0.22 643	0.36 628	0.18 399	0.17 638	0.24 586	0.13 178	0.31 557	0.31 537	0.23 553	0.25 494	0.27 553	0.21 561	0.19 514	0.15 472	0.13 609	0.15 643	0.12 588	0.15 637	0.16 639	0.18 652

RP	0.21 575	0.13 571	0.21 560	0.23 607	0.11 514	0.21 556	0.20 555	0.25 459	0.44 620	0.21 524	0.38 602	0.36 620	0.24 584	0.27 600	0.25 604	0.11 558	0.12 613	0.13 603	0.12 606	0.12 581	0.14 622

DANet	0.21 575	0.15 593	0.28 599	0.25 627	0.13 571	0.22 565	0.19 532	0.27 498	0.27 497	0.28 602	0.32 566	0.35 618	0.31 634	0.31 622	0.23 581	0.11 558	0.09 563	0.11 568	0.10 552	0.13 600	0.11 570
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 575	0.12 543	0.21 560	0.24 616	0.13 571	0.22 565	0.22 585	0.41 647	0.26 487	0.31 622	0.42 633	0.37 625	0.28 618	0.23 580	0.22 569	0.10 526	0.12 613	0.10 537	0.09 511	0.10 543	0.08 466

PWC_ROB	0.21 575	0.16 601	0.26 587	0.18 399	0.11 514	0.22 565	0.13 178	0.32 568	0.49 636	0.30 616	0.40 616	0.32 603	0.24 584	0.31 622	0.22 569	0.10 526	0.07 500	0.11 568	0.08 464	0.11 566	0.10 543

PSMNet_ROB	0.21 575	0.11 525	0.15 437	0.27 645	0.15 612	0.24 586	0.35 673	0.43 656	0.37 583	0.27 587	0.32 566	0.32 603	0.22 570	0.21 556	0.26 615	0.12 583	0.08 530	0.13 603	0.11 586	0.09 510	0.09 512

MSAF-DinoV2	0.22 584	0.11 525	0.23 575	0.17 308	0.10 464	0.27 617	0.16 401	0.37 625	0.55 650	0.21 524	0.27 521	0.47 659	0.27 607	0.35 641	0.39 667	0.09 484	0.06 428	0.07 311	0.09 511	0.12 581	0.10 543

GASNet	0.22 584	0.23 645	0.33 619	0.26 632	0.17 638	0.26 607	0.16 401	0.44 658	0.42 610	0.27 587	0.24 466	0.30 581	0.15 463	0.27 600	0.18 521	0.12 583	0.08 530	0.12 588	0.11 586	0.16 639	0.07 395

Anonymous_2	0.22 584	0.17 612	0.28 599	0.15 123	0.16 623	0.32 633	0.22 585	0.22 390	0.17 320	0.23 553	0.24 466	0.26 545	0.27 607	0.27 600	0.23 581	0.22 666	0.25 675	0.17 638	0.17 648	0.17 647	0.17 649

Wz-Net-LNSev	0.22 584	0.16 601	0.38 634	0.21 566	0.13 571	0.25 597	0.23 596	0.32 568	0.43 615	0.30 616	0.41 627	0.31 594	0.18 529	0.22 569	0.25 604	0.10 526	0.09 563	0.08 405	0.08 464	0.12 581	0.11 570

Wz-Net-MNSev	0.22 584	0.13 571	0.31 612	0.20 534	0.14 592	0.36 652	0.24 609	0.33 588	0.44 620	0.28 602	0.40 616	0.38 629	0.19 545	0.24 590	0.25 604	0.09 484	0.07 500	0.09 488	0.09 511	0.12 581	0.10 543

DDUNet	0.22 584	0.17 612	0.21 560	0.22 583	0.15 612	0.25 597	0.24 609	0.29 531	0.30 529	0.31 622	0.36 590	0.33 607	0.25 593	0.24 590	0.20 540	0.18 649	0.13 628	0.17 638	0.11 586	0.16 639	0.16 640

APVNet	0.22 584	0.12 543	0.19 539	0.18 399	0.14 592	0.32 633	0.31 669	0.39 637	0.32 544	0.27 587	0.40 616	0.30 581	0.29 626	0.26 597	0.25 604	0.11 558	0.12 613	0.11 568	0.14 621	0.12 581	0.12 583

aanetorigin	0.22 584	0.17 612	0.56 660	0.17 308	0.10 464	0.15 426	0.19 532	0.20 340	0.33 551	0.49 664	0.48 644	0.29 571	0.27 607	0.20 539	0.23 581	0.08 423	0.07 500	0.08 405	0.07 391	0.10 543	0.09 512

MaskLacGwcNet_RVC	0.22 584	0.21 639	0.24 579	0.26 632	0.11 514	0.23 581	0.14 246	0.39 637	0.24 451	0.32 628	0.36 590	0.30 581	0.21 561	0.19 514	0.21 560	0.17 648	0.14 637	0.21 652	0.16 641	0.12 581	0.12 583

AF-Net	0.22 584	0.17 612	0.17 503	0.26 632	0.13 571	0.25 597	0.24 609	0.32 568	0.50 639	0.25 575	0.33 579	0.38 629	0.26 599	0.28 612	0.25 604	0.11 558	0.10 585	0.16 635	0.11 586	0.11 566	0.10 543

stereogan	0.22 584	0.11 525	0.21 560	0.20 534	0.12 548	0.31 632	0.19 532	0.35 612	0.44 620	0.22 540	0.39 610	0.35 618	0.27 607	0.33 632	0.22 569	0.10 526	0.12 613	0.10 537	0.10 552	0.14 614	0.13 605

edge stereo	0.22 584	0.13 571	0.20 551	0.21 566	0.13 571	0.23 581	0.16 401	0.32 568	0.42 610	0.32 628	0.40 616	0.38 629	0.35 648	0.25 595	0.24 594	0.13 609	0.11 597	0.14 616	0.11 586	0.12 581	0.13 605

RYNet	0.22 584	0.12 543	0.22 566	0.19 468	0.17 638	0.46 663	0.26 633	0.38 633	0.48 629	0.24 562	0.28 535	0.34 614	0.23 578	0.20 539	0.30 642	0.10 526	0.06 428	0.09 488	0.09 511	0.13 600	0.15 629

NaN_ROB	0.22 584	0.19 627	0.24 579	0.25 627	0.13 571	0.29 628	0.26 633	0.33 588	0.41 602	0.31 622	0.31 562	0.32 603	0.23 578	0.30 621	0.21 560	0.11 558	0.17 652	0.10 537	0.10 552	0.08 444	0.09 512

MDST_ROB	0.22 584	0.10 499	0.17 503	0.18 399	0.11 514	0.37 653	0.19 532	0.43 656	0.41 602	0.39 645	0.39 610	0.29 571	0.21 561	0.26 597	0.18 521	0.11 558	0.10 585	0.14 616	0.11 586	0.10 543	0.08 466

XPNet_ROB	0.22 584	0.11 525	0.19 539	0.22 583	0.13 571	0.22 565	0.19 532	0.34 597	0.40 599	0.30 616	0.39 610	0.39 637	0.26 599	0.26 597	0.28 631	0.15 627	0.10 585	0.10 537	0.10 552	0.13 600	0.12 583

SQANet	0.23 600	0.23 645	0.30 610	0.30 659	0.19 649	0.27 617	0.13 178	0.29 531	0.33 551	0.24 562	0.37 596	0.31 594	0.22 570	0.27 600	0.23 581	0.15 627	0.10 585	0.21 652	0.16 641	0.21 655	0.15 629

Nwc_Net	0.23 600	0.16 601	0.21 560	0.25 627	0.14 592	0.24 586	0.26 633	0.37 625	0.38 590	0.22 540	0.41 627	0.30 581	0.28 618	0.28 612	0.25 604	0.11 558	0.10 585	0.17 638	0.20 654	0.10 543	0.10 543

RTSC	0.23 600	0.12 543	0.28 599	0.21 566	0.13 571	0.28 624	0.16 401	0.35 612	0.66 675	0.27 587	0.33 579	0.30 581	0.21 561	0.31 622	0.29 635	0.10 526	0.08 530	0.09 488	0.10 552	0.13 600	0.13 605

PA-Net	0.23 600	0.18 623	0.33 619	0.28 648	0.22 658	0.21 556	0.38 678	0.29 531	0.39 593	0.22 540	0.32 566	0.25 535	0.26 599	0.20 539	0.25 604	0.09 484	0.23 672	0.15 628	0.22 659	0.09 510	0.13 605
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 600	0.15 593	0.17 503	0.34 664	0.18 645	0.24 586	0.23 596	0.34 597	0.28 512	0.31 622	0.38 602	0.38 629	0.28 618	0.23 580	0.24 594	0.15 627	0.12 613	0.18 647	0.21 656	0.13 600	0.13 605

ETE_ROB	0.23 600	0.17 612	0.22 566	0.25 627	0.13 571	0.26 607	0.29 656	0.31 557	0.36 576	0.28 602	0.36 590	0.45 651	0.26 599	0.27 600	0.26 615	0.11 558	0.08 530	0.12 588	0.09 511	0.14 614	0.13 605

SGM_RVC	0.23 600	0.12 543	0.15 437	0.15 123	0.09 351	0.33 640	0.18 492	0.34 597	0.31 537	0.44 659	0.37 596	0.53 667	0.35 648	0.35 641	0.24 594	0.13 609	0.13 628	0.13 603	0.13 617	0.10 543	0.11 570
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DStereoO	0.24 607	0.18 623	0.18 527	0.20 534	0.14 592	0.21 556	0.19 532	0.32 568	0.41 602	0.29 611	0.21 432	0.32 603	0.27 607	0.41 666	0.27 623	0.46 687	0.12 613	0.31 675	0.11 586	0.15 630	0.12 583

z-mn7	0.24 607	0.14 583	0.45 644	0.19 468	0.13 571	0.28 624	0.25 624	0.34 597	0.62 666	0.27 587	0.56 661	0.29 571	0.24 584	0.32 629	0.25 604	0.08 423	0.08 530	0.08 405	0.08 464	0.10 543	0.10 543

w-ln-seven	0.24 607	0.14 583	0.55 657	0.19 468	0.14 592	0.26 607	0.22 585	0.35 612	0.60 663	0.29 611	0.39 610	0.30 581	0.22 570	0.21 556	0.26 615	0.09 484	0.09 563	0.11 568	0.10 552	0.11 566	0.10 543

DGSMNet	0.24 607	0.19 627	0.33 619	0.21 566	0.24 663	0.24 586	0.20 555	0.35 612	0.41 602	0.24 562	0.32 566	0.38 629	0.21 561	0.29 618	0.23 581	0.12 583	0.11 597	0.14 616	0.16 641	0.23 659	0.23 663

G-Net	0.24 607	0.16 601	0.36 628	0.22 583	0.16 623	0.51 669	0.23 596	0.29 531	0.34 563	0.36 638	0.38 602	0.31 594	0.29 626	0.27 600	0.26 615	0.11 558	0.09 563	0.12 588	0.09 511	0.16 639	0.13 605

NCC-stereo	0.24 607	0.15 593	0.31 612	0.26 632	0.16 623	0.20 539	0.30 663	0.40 641	0.40 599	0.24 562	0.38 602	0.33 607	0.28 618	0.36 647	0.27 623	0.12 583	0.11 597	0.15 628	0.22 659	0.13 600	0.13 605

Abc-Net	0.24 607	0.15 593	0.31 612	0.26 632	0.16 623	0.20 539	0.30 663	0.40 641	0.40 599	0.24 562	0.38 602	0.33 607	0.28 618	0.36 647	0.27 623	0.12 583	0.11 597	0.15 628	0.22 659	0.13 600	0.13 605
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 607	0.11 525	0.47 649	0.22 583	0.12 548	0.34 643	0.29 656	0.29 531	0.56 653	0.24 562	0.46 641	0.30 581	0.30 630	0.29 618	0.29 635	0.08 423	0.07 500	0.09 488	0.09 511	0.10 543	0.10 543

DeepPrunerF	0.24 607	0.17 612	0.42 642	0.26 632	0.16 623	0.22 565	0.28 646	0.37 625	0.50 639	0.26 581	0.29 547	0.24 521	0.28 618	0.21 556	0.22 569	0.15 627	0.11 597	0.20 651	0.18 652	0.12 581	0.13 605

FBW_ROB	0.24 607	0.17 612	0.22 566	0.26 632	0.14 592	0.25 597	0.22 585	0.41 647	0.41 602	0.41 652	0.41 627	0.42 644	0.27 607	0.31 622	0.23 581	0.09 484	0.14 637	0.14 616	0.12 606	0.11 566	0.09 512

SANet	0.24 607	0.14 583	0.28 599	0.21 566	0.11 514	0.27 617	0.24 609	0.38 633	0.64 671	0.36 638	0.40 616	0.43 647	0.26 599	0.27 600	0.24 594	0.12 583	0.09 563	0.10 537	0.09 511	0.13 600	0.11 570

WCMA_ROB	0.24 607	0.11 525	0.22 566	0.17 308	0.14 592	0.32 633	0.15 330	0.32 568	0.32 544	0.38 643	0.53 652	0.40 641	0.34 645	0.34 635	0.25 604	0.11 558	0.12 613	0.12 588	0.10 552	0.14 614	0.14 622

DStereoSA	0.25 619	0.19 627	0.37 632	0.26 632	0.17 638	0.22 565	0.20 555	0.49 668	0.59 659	0.22 540	0.29 547	0.29 571	0.33 640	0.39 658	0.28 631	0.12 583	0.11 597	0.16 635	0.14 621	0.14 614	0.12 583

zh-sn7	0.25 619	0.17 612	0.50 651	0.24 616	0.13 571	0.25 597	0.24 609	0.34 597	0.48 629	0.28 602	0.54 654	0.28 563	0.31 634	0.36 647	0.32 650	0.10 526	0.10 585	0.11 568	0.10 552	0.12 581	0.12 583

zh-mn7	0.25 619	0.14 583	0.56 660	0.19 468	0.14 592	0.24 586	0.22 585	0.34 597	0.62 666	0.35 635	0.65 670	0.31 594	0.25 593	0.31 622	0.25 604	0.09 484	0.08 530	0.09 488	0.09 511	0.09 510	0.11 570

Wz-Net-SNSev	0.25 619	0.17 612	0.44 643	0.25 627	0.14 592	0.26 607	0.23 596	0.38 633	0.56 653	0.30 616	0.55 656	0.39 637	0.26 599	0.23 580	0.30 642	0.10 526	0.09 563	0.09 488	0.10 552	0.11 566	0.11 570

psmorigin	0.25 619	0.15 593	0.34 627	0.17 308	0.13 571	0.23 581	0.14 246	0.34 597	0.33 551	0.41 652	0.55 656	0.41 643	0.37 652	0.34 635	0.27 623	0.11 558	0.15 643	0.11 568	0.11 586	0.12 581	0.16 640

RGC	0.25 619	0.20 633	0.29 607	0.28 648	0.16 623	0.22 565	0.23 596	0.32 568	0.44 620	0.27 587	0.40 616	0.38 629	0.27 607	0.36 647	0.22 569	0.11 558	0.13 628	0.17 638	0.17 648	0.14 614	0.16 640

ADCMid	0.25 619	0.15 593	0.40 637	0.20 534	0.14 592	0.25 597	0.26 633	0.34 597	0.38 590	0.36 638	0.44 638	0.34 614	0.40 659	0.35 641	0.33 655	0.10 526	0.09 563	0.11 568	0.11 586	0.13 600	0.12 583

ADCPNet	0.25 619	0.16 601	0.61 667	0.21 566	0.15 612	0.35 651	0.25 624	0.32 568	0.35 572	0.30 616	0.40 616	0.36 620	0.28 618	0.28 612	0.32 650	0.12 583	0.10 585	0.11 568	0.12 606	0.14 614	0.13 605

LALA_ROB	0.25 619	0.16 601	0.22 566	0.26 632	0.17 638	0.27 617	0.27 640	0.42 652	0.37 583	0.33 632	0.38 602	0.51 663	0.26 599	0.28 612	0.27 623	0.16 643	0.09 563	0.12 588	0.11 586	0.13 600	0.12 583

SHD	0.26 628	0.15 593	0.30 610	0.24 616	0.18 645	0.22 565	0.15 330	0.38 633	0.71 679	0.32 628	0.41 627	0.36 620	0.28 618	0.32 629	0.29 635	0.12 583	0.11 597	0.14 616	0.13 617	0.16 639	0.20 658

AnyNet_C32	0.26 628	0.16 601	0.36 628	0.20 534	0.16 623	0.25 597	0.30 663	0.32 568	0.44 620	0.31 622	0.49 645	0.30 581	0.33 640	0.40 663	0.33 655	0.12 583	0.12 613	0.12 588	0.14 621	0.14 614	0.15 629

DStereoFS	0.27 630	0.22 643	0.31 612	0.22 583	0.15 612	0.22 565	0.20 555	0.50 672	0.48 629	0.28 602	0.44 638	0.33 607	0.34 645	0.52 676	0.29 635	0.12 583	0.11 597	0.15 628	0.13 617	0.16 639	0.16 640

PSMNet-RUCA	0.27 630	0.33 668	0.41 640	0.36 668	0.32 676	0.18 499	0.19 532	0.42 652	0.30 529	0.33 632	0.41 627	0.39 637	0.25 593	0.31 622	0.20 540	0.18 649	0.10 585	0.25 659	0.15 637	0.21 655	0.16 640

PDISCO_ROB	0.27 630	0.16 601	0.26 587	0.28 648	0.20 652	0.32 633	0.26 633	0.44 658	0.57 655	0.28 602	0.40 616	0.45 651	0.29 626	0.33 632	0.34 657	0.12 583	0.09 563	0.17 638	0.16 641	0.17 647	0.13 605

DispFullNet	0.27 630	0.21 639	0.65 670	0.28 648	0.16 623	0.26 607	0.17 443	0.33 588	0.58 658	0.27 587	0.38 602	0.43 647	0.23 578	0.38 654	0.23 581	0.12 583	0.06 428	0.19 649	0.11 586	0.21 655	0.15 629

MeshStereo	0.27 630	0.13 571	0.18 527	0.15 123	0.11 514	0.32 633	0.24 609	0.40 641	0.36 576	0.52 666	0.57 664	0.67 678	0.40 659	0.35 641	0.26 615	0.14 623	0.13 628	0.13 603	0.11 586	0.11 566	0.10 543
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
WZ-Net	0.28 635	0.17 612	0.78 687	0.22 583	0.16 623	0.34 643	0.29 656	0.39 637	0.57 655	0.24 562	0.55 656	0.37 625	0.24 584	0.33 632	0.35 658	0.09 484	0.08 530	0.09 488	0.10 552	0.14 614	0.16 640

XQC	0.28 635	0.23 645	0.51 652	0.28 648	0.19 649	0.34 643	0.27 640	0.36 619	0.57 655	0.31 622	0.30 554	0.37 625	0.30 630	0.38 654	0.38 665	0.13 609	0.09 563	0.15 628	0.12 606	0.17 647	0.18 652

CC-Net-ROB	0.28 635	0.31 666	0.36 628	0.29 657	0.15 612	0.25 597	0.19 532	0.45 661	0.33 551	0.39 645	0.37 596	0.39 637	0.31 634	0.27 600	0.26 615	0.24 672	0.19 657	0.30 674	0.23 663	0.18 650	0.15 629

DPSNet	0.28 635	0.16 601	0.31 612	0.18 399	0.13 571	0.54 671	0.42 682	0.51 674	0.67 676	0.29 611	0.38 602	0.38 629	0.29 626	0.31 622	0.23 581	0.11 558	0.10 585	0.11 568	0.08 464	0.20 654	0.16 640

MultiAttention	0.29 639	0.08 357	0.14 387	0.19 468	0.12 548	1.45 707	1.33 711	0.36 619	0.37 583	0.19 487	0.21 432	0.24 521	0.11 349	0.38 654	0.18 521	0.06 167	0.05 277	0.08 405	0.08 464	0.10 543	0.09 512

Wz-Net-TNSev	0.29 639	0.20 633	0.65 670	0.19 468	0.15 612	0.38 656	0.27 640	0.35 612	0.55 650	0.34 634	0.42 633	0.45 651	0.38 653	0.32 629	0.30 642	0.12 583	0.13 628	0.10 537	0.12 606	0.15 630	0.14 622

ccnet	0.29 639	0.28 661	0.23 575	0.20 534	0.28 670	0.41 661	0.21 575	0.45 661	0.33 551	0.36 638	0.46 641	0.36 620	0.30 630	0.39 658	0.42 674	0.23 670	0.14 637	0.21 652	0.17 648	0.23 659	0.18 652

EDNetEfficient	0.29 639	0.24 648	1.13 698	0.18 399	0.10 464	0.19 523	0.20 555	0.20 340	0.60 663	0.74 686	0.56 661	0.31 594	0.39 656	0.22 569	0.30 642	0.09 484	0.07 500	0.08 405	0.07 391	0.11 566	0.09 512

ADCS	0.29 639	0.18 623	0.45 644	0.21 566	0.17 638	0.28 624	0.23 596	0.41 647	0.63 670	0.40 648	0.49 645	0.40 641	0.36 650	0.39 658	0.40 670	0.13 609	0.12 613	0.13 603	0.14 621	0.16 639	0.16 640

CSAN	0.29 639	0.24 648	0.27 594	0.34 664	0.19 649	0.33 640	0.42 682	0.37 625	0.50 639	0.38 643	0.40 616	0.44 649	0.33 640	0.28 612	0.30 642	0.20 657	0.16 647	0.19 649	0.19 653	0.14 614	0.15 629

AANet	0.30 645	0.19 627	1.03 696	0.16 221	0.13 571	0.22 565	0.16 401	0.30 545	0.62 666	0.60 673	0.52 651	0.46 655	0.38 653	0.23 580	0.32 650	0.12 583	0.09 563	0.11 568	0.10 552	0.13 600	0.12 583

MFN_U_SF_DS_RVC	0.30 645	0.24 648	0.29 607	0.36 668	0.16 623	0.34 643	0.30 663	0.32 568	0.42 610	0.40 648	0.46 641	0.38 629	0.31 634	0.34 635	0.28 631	0.19 655	0.20 660	0.26 660	0.29 673	0.18 650	0.19 657

GANetREF_RVC	0.31 647	0.34 669	0.27 594	0.35 666	0.16 623	0.32 633	0.41 679	0.48 666	0.51 646	0.35 635	0.35 587	0.34 614	0.33 640	0.39 658	0.32 650	0.27 674	0.20 660	0.29 672	0.15 637	0.18 650	0.17 649
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
MSMD_ROB	0.31 647	0.26 654	0.26 587	0.24 616	0.21 656	0.34 643	0.25 624	0.34 597	0.39 593	0.40 648	0.69 674	0.45 651	0.40 659	0.34 635	0.27 623	0.20 657	0.19 657	0.26 660	0.25 665	0.23 659	0.22 662

MFN_U_SF_RVC	0.32 649	0.21 639	0.55 657	0.30 659	0.15 612	0.34 643	0.17 443	0.52 675	0.46 627	0.46 663	0.55 656	0.59 670	0.39 656	0.35 641	0.37 663	0.15 627	0.14 637	0.18 647	0.21 656	0.16 639	0.15 629

PASM	0.32 649	0.24 648	0.48 650	0.28 648	0.27 669	0.29 628	0.30 663	0.34 597	0.49 636	0.35 635	0.39 610	0.46 655	0.34 645	0.34 635	0.35 658	0.23 670	0.25 675	0.26 660	0.28 672	0.23 659	0.21 660

SGM-ForestM	0.32 649	0.12 543	0.16 473	0.16 221	0.11 514	0.39 658	0.19 532	0.41 647	0.50 639	0.52 666	0.54 654	1.32 699	0.42 667	0.40 663	0.27 623	0.14 623	0.16 647	0.16 635	0.16 641	0.12 581	0.12 583

FC-DCNN v2	0.33 652	0.27 657	0.28 599	0.26 632	0.23 661	0.37 653	0.28 646	0.40 641	0.43 615	0.45 660	0.56 661	0.51 663	0.40 659	0.37 652	0.29 635	0.21 661	0.20 660	0.27 663	0.26 666	0.25 666	0.24 664

FCDSN-DC	0.33 652	0.28 661	0.28 599	0.30 659	0.24 663	0.39 658	0.28 646	0.42 652	0.42 610	0.43 658	0.53 652	0.51 663	0.41 664	0.36 647	0.30 642	0.21 661	0.20 660	0.27 663	0.26 666	0.25 666	0.24 664
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 652	0.27 657	0.28 599	0.26 632	0.23 661	0.37 653	0.28 646	0.40 641	0.43 615	0.45 660	0.55 656	0.51 663	0.40 659	0.37 652	0.30 642	0.21 661	0.20 660	0.27 663	0.26 666	0.25 666	0.24 664

LSM	0.33 652	0.20 633	0.58 663	0.26 632	0.60 694	0.34 643	0.25 624	0.42 652	0.48 629	0.45 660	0.58 666	0.42 644	0.36 650	0.35 641	0.25 604	0.12 583	0.20 660	0.14 616	0.16 641	0.19 653	0.33 678

AnyNet_C01	0.36 656	0.25 653	1.37 701	0.22 583	0.17 638	0.48 667	0.27 640	0.35 612	0.39 593	0.39 645	0.74 680	0.46 655	0.38 653	0.45 668	0.47 679	0.13 609	0.13 628	0.13 603	0.14 621	0.14 614	0.15 629

GCST	0.37 657	0.42 676	0.26 587	1.02 702	0.39 677	0.18 499	0.08 7	0.20 340	0.17 320	0.28 602	0.25 494	0.15 392	0.12 381	0.16 443	0.14 440	0.64 698	0.43 687	0.75 694	0.65 698	0.63 691	0.46 689

otaku	0.39 658	0.37 672	0.52 653	0.44 675	0.28 670	0.58 673	0.24 609	0.41 647	0.62 666	0.40 648	0.49 645	0.46 655	0.33 640	0.40 663	0.32 650	0.30 675	0.30 679	0.39 679	0.33 678	0.29 673	0.28 672

ACVNet-4b	0.39 658	0.53 679	0.55 657	0.45 676	0.24 663	0.47 665	0.18 492	0.49 668	0.64 671	0.42 655	0.45 640	0.60 671	0.27 607	0.34 635	0.24 594	0.33 678	0.14 637	0.48 682	0.42 684	0.30 674	0.26 671

PVD	0.39 658	0.20 633	0.39 636	0.31 663	0.22 658	0.29 628	0.43 684	0.52 675	0.96 693	0.55 670	0.79 684	0.53 667	0.59 683	0.52 676	0.38 665	0.19 655	0.14 637	0.17 638	0.14 621	0.24 665	0.31 676

Ntro	0.40 661	0.40 674	0.53 654	0.46 679	0.30 674	0.65 679	0.24 609	0.46 663	0.68 677	0.41 652	0.49 645	0.48 661	0.42 667	0.39 658	0.31 649	0.32 676	0.28 677	0.37 678	0.30 675	0.32 678	0.29 673

SAMSARA	0.40 661	0.28 661	0.33 619	0.55 682	0.39 677	0.82 693	1.23 710	0.47 665	0.51 646	0.36 638	0.35 587	0.55 669	0.39 656	0.38 654	0.39 667	0.15 627	0.20 660	0.15 628	0.14 621	0.23 659	0.20 658

ELAS_RVC	0.41 663	0.29 664	0.33 619	0.28 648	0.24 663	0.54 671	0.36 674	0.49 668	0.59 659	0.72 682	0.74 680	0.65 676	0.54 676	0.54 681	0.40 670	0.22 666	0.20 660	0.27 663	0.26 666	0.26 671	0.25 669
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 663	0.29 664	0.33 619	0.27 645	0.24 663	0.60 676	0.36 674	0.50 672	0.50 639	0.71 680	0.79 684	0.67 678	0.54 676	0.51 674	0.42 674	0.22 666	0.20 660	0.27 663	0.26 666	0.26 671	0.25 669
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
light-stereo	0.42 665	0.26 654	0.59 665	0.60 684	0.49 684	0.32 633	0.23 596	0.46 663	0.52 648	0.56 672	0.58 666	0.76 683	0.32 638	0.48 670	0.29 635	0.32 676	0.24 673	0.27 663	0.33 678	0.46 682	0.39 683

MSC_U_SF_DS_RVC	0.43 666	0.39 673	0.54 655	0.40 671	0.20 652	0.64 678	0.32 671	0.53 677	0.72 680	0.71 680	0.72 677	0.61 672	0.54 676	0.51 674	0.46 678	0.20 657	0.19 657	0.29 672	0.30 675	0.23 659	0.18 652

ACVNet_1	0.44 667	0.49 678	0.60 666	0.45 676	0.28 670	0.49 668	0.27 640	0.57 682	0.72 680	0.62 675	0.58 666	0.74 682	0.49 673	0.50 672	0.35 658	0.26 673	0.24 673	0.39 679	0.29 673	0.31 677	0.24 664

Consistency-Raft	0.44 667	0.40 674	0.45 644	0.37 670	0.43 681	0.46 663	0.41 679	0.57 682	0.55 650	0.32 628	0.73 678	0.33 607	0.48 672	0.42 667	0.49 681	0.39 681	0.35 684	0.45 681	0.51 691	0.42 681	0.29 673

RTS	0.45 669	0.19 627	3.26 707	0.24 616	0.15 612	0.74 686	0.20 555	0.36 619	0.76 686	0.42 655	0.43 636	0.31 594	0.41 664	0.53 679	0.35 658	0.10 526	0.08 530	0.13 603	0.12 606	0.15 630	0.15 629

RTSA	0.45 669	0.19 627	3.26 707	0.24 616	0.15 612	0.74 686	0.20 555	0.36 619	0.76 686	0.42 655	0.43 636	0.31 594	0.41 664	0.53 679	0.35 658	0.10 526	0.08 530	0.13 603	0.12 606	0.15 630	0.15 629

MANE	0.45 669	0.27 657	0.27 594	0.27 645	0.24 663	0.47 665	0.31 669	0.55 679	0.59 659	0.72 682	1.13 701	1.15 693	0.61 684	0.52 676	0.37 663	0.21 661	0.20 660	0.27 663	0.31 677	0.25 666	0.24 664

NVStereoNet_ROB	0.46 672	0.36 671	0.46 648	0.41 673	0.28 670	0.34 643	0.34 672	0.48 666	0.60 663	0.72 682	0.93 690	0.70 681	0.66 687	0.47 669	0.60 689	0.22 666	0.33 683	0.34 677	0.34 681	0.30 674	0.30 675
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MonStereo1	0.47 673	0.26 654	0.58 663	0.28 648	0.20 652	0.39 658	0.18 492	0.49 668	0.64 671	0.52 666	0.87 687	1.01 688	0.57 681	0.50 672	0.56 686	0.53 691	0.31 682	0.54 688	0.40 682	0.33 679	0.34 679

LE_ROB	0.50 674	0.07 238	0.14 387	0.15 123	0.08 218	0.24 586	0.16 401	0.22 390	1.81 709	4.63 714	0.67 672	0.47 659	0.44 669	0.20 539	0.29 635	0.07 340	0.06 428	0.06 200	0.06 293	0.08 444	0.06 306

BEATNet-Init1	0.52 675	0.27 657	0.62 668	0.30 659	0.21 656	0.76 690	0.29 656	0.54 678	0.65 674	0.86 691	0.95 692	2.07 708	0.62 686	0.56 683	0.42 674	0.18 649	0.18 654	0.23 657	0.22 659	0.22 658	0.21 660

anonymity	0.53 676	0.58 681	0.65 670	0.41 673	0.61 695	0.53 670	0.41 679	0.56 680	0.41 602	0.55 670	0.50 649	0.49 662	0.55 679	0.58 684	0.50 684	0.58 694	0.50 697	0.51 684	0.51 691	0.51 684	0.57 692

RainbowNet	0.54 677	0.61 683	0.70 685	0.57 683	0.43 681	0.65 679	0.37 677	0.60 684	0.87 690	0.50 665	0.66 671	0.64 674	0.47 671	0.49 671	0.43 677	0.47 688	0.48 693	0.52 686	0.41 683	0.52 685	0.40 686

SGM+DAISY	0.56 678	0.57 680	0.65 670	0.40 671	0.54 687	0.66 681	0.49 687	0.56 680	0.45 626	0.66 676	0.69 674	0.67 678	0.56 680	0.63 686	0.56 686	0.59 695	0.48 693	0.50 683	0.50 690	0.52 685	0.58 693

SPS-STEREO	0.57 679	0.58 681	0.65 670	0.45 676	0.55 689	0.62 677	0.44 686	0.62 685	0.50 639	0.68 678	0.64 669	0.66 677	0.57 681	0.61 685	0.60 689	0.62 697	0.47 692	0.51 684	0.49 688	0.55 689	0.58 693
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 680	0.66 687	0.65 670	0.51 680	0.69 699	0.69 682	0.57 693	0.64 686	0.73 684	0.60 673	0.73 678	0.62 673	0.67 688	0.65 687	0.60 689	0.66 699	0.58 706	0.63 689	0.59 694	0.68 696	0.69 702

IMH-64-1	0.65 681	0.61 683	0.68 679	0.71 687	0.51 685	0.59 674	0.49 687	0.91 693	0.85 688	0.74 686	1.02 694	0.81 684	0.78 692	0.79 690	0.49 681	0.42 683	0.46 688	0.71 691	0.47 686	0.52 685	0.39 683

IMH-64	0.65 681	0.61 683	0.68 679	0.71 687	0.51 685	0.59 674	0.49 687	0.91 693	0.85 688	0.74 686	1.02 694	0.81 684	0.78 692	0.79 690	0.49 681	0.42 683	0.46 688	0.71 691	0.47 686	0.52 685	0.39 683

ACVNet_2	0.66 683	0.66 687	0.68 679	0.63 685	0.41 679	0.71 684	0.49 687	0.96 697	1.39 702	0.89 692	1.09 697	1.04 689	0.73 690	0.54 681	0.47 679	0.43 685	0.40 686	0.53 687	0.44 685	0.47 683	0.35 681

JetBlue	0.71 684	0.45 677	1.14 699	0.51 680	0.47 683	2.02 708	0.64 697	0.75 688	0.70 678	0.69 679	0.77 683	1.22 695	0.83 694	1.03 705	1.01 705	0.40 682	0.28 677	0.33 676	0.33 678	0.30 674	0.34 679

IMH	0.71 684	0.64 686	0.68 679	0.76 689	0.54 687	0.69 682	0.54 691	0.98 699	1.10 695	0.82 690	1.09 697	0.89 686	0.88 697	0.87 698	0.52 685	0.44 686	0.50 697	0.75 694	0.51 691	0.56 690	0.41 687

PWCK	0.71 684	0.94 698	0.95 694	0.76 689	0.31 675	0.74 686	0.36 674	0.90 692	0.90 691	0.96 695	0.75 682	0.95 687	0.61 684	0.87 698	0.66 692	0.72 700	0.46 688	0.75 694	0.49 688	0.69 698	0.44 688

MADNet+	0.75 687	0.71 689	3.70 710	0.66 686	0.41 679	0.98 698	0.97 708	0.69 687	0.73 684	0.52 666	0.57 664	0.64 674	0.68 689	0.86 697	1.01 705	0.34 679	0.36 685	0.28 671	0.23 663	0.36 680	0.31 676

TorneroNet-64	0.76 688	0.72 690	0.74 686	0.78 691	0.58 693	0.91 697	0.56 692	0.84 691	1.29 699	0.66 676	0.90 688	1.40 701	0.75 691	0.85 696	0.67 695	0.49 689	0.46 688	0.72 693	0.59 694	0.67 695	0.53 691

WAO-7	0.79 689	0.78 692	0.54 655	0.85 695	0.67 698	0.74 686	0.68 701	1.05 702	1.32 700	0.90 693	1.20 704	1.04 689	0.92 698	0.69 688	0.66 692	0.60 696	0.62 707	0.67 690	0.68 700	0.64 692	0.58 693

WAO-6	0.81 690	0.80 693	0.62 668	0.86 696	0.63 696	0.76 690	0.58 694	0.98 699	1.54 707	0.90 693	0.96 693	1.07 691	1.03 702	0.70 689	0.66 692	0.72 700	0.49 695	0.90 702	0.71 701	0.68 696	0.58 693

TorneroNet	0.82 691	0.74 691	0.81 691	0.84 694	0.63 696	0.99 699	0.63 695	0.96 697	1.16 696	0.80 689	1.11 699	1.36 700	0.86 696	0.93 701	0.80 700	0.56 692	0.49 695	0.78 699	0.66 699	0.73 701	0.63 701

LVE	0.83 692	0.85 696	0.85 692	0.80 692	0.56 690	1.04 703	0.65 698	1.05 702	1.47 705	0.96 695	1.22 705	1.10 692	0.85 695	0.83 693	0.71 697	0.49 689	0.55 703	0.76 697	0.60 696	0.65 693	0.59 698

Dean	0.87 693	0.86 697	0.79 689	0.81 693	0.56 690	0.90 694	0.63 695	1.15 708	1.73 708	1.15 703	1.15 702	1.31 698	0.99 701	0.81 692	0.81 701	0.57 693	0.56 704	0.77 698	0.64 697	0.66 694	0.58 693

WAO-8	0.91 694	0.81 694	0.65 670	0.94 699	0.69 699	0.90 694	0.67 699	1.07 705	1.83 710	1.06 700	1.45 707	1.30 696	1.07 703	0.84 694	0.78 698	0.74 702	0.53 700	0.86 700	0.75 702	0.69 698	0.62 699

Venus	0.91 694	0.81 694	0.65 670	0.94 699	0.69 699	0.90 694	0.67 699	1.07 705	1.83 710	1.06 700	1.45 707	1.30 696	1.07 703	0.84 694	0.78 698	0.74 702	0.53 700	0.86 700	0.75 702	0.69 698	0.62 699

UNDER WATER-64	0.95 696	0.94 698	1.43 703	0.87 697	0.56 690	1.18 706	0.87 705	0.77 689	0.94 692	1.04 698	0.85 686	1.58 706	1.21 708	0.94 702	0.96 703	0.87 706	0.57 705	1.03 706	0.88 707	0.78 702	0.73 703

UNDER WATER	0.97 697	0.97 700	1.42 702	0.99 701	0.70 702	1.12 705	0.84 704	0.80 690	1.08 694	1.01 697	0.90 688	1.55 705	1.22 709	1.03 705	1.00 704	0.78 704	0.53 700	1.02 705	0.87 706	0.80 703	0.74 704

notaker	0.97 697	1.11 701	0.98 695	1.13 704	0.81 703	0.73 685	0.68 701	0.93 695	1.16 696	1.18 705	1.18 703	1.41 702	1.16 707	1.08 707	0.69 696	0.81 705	0.64 708	1.17 707	0.79 704	0.98 705	0.80 706

ktn	1.01 699	1.21 703	0.80 690	1.23 706	0.86 705	1.01 701	0.87 705	0.94 696	1.39 702	1.04 698	1.12 700	1.15 693	1.07 703	0.94 702	0.59 688	1.28 711	0.71 709	1.38 711	0.83 705	1.02 707	0.75 705

KSHMR	1.09 700	1.17 702	0.88 693	1.25 707	1.00 707	0.99 699	0.96 707	1.13 707	1.37 701	1.16 704	1.29 706	1.41 702	0.96 700	1.01 704	0.92 702	1.03 709	1.08 711	1.20 708	1.03 710	1.01 706	0.97 708

DPSimNet_ROB	1.11 701	1.23 704	0.78 687	1.13 704	0.88 706	1.10 704	1.13 709	1.16 709	1.23 698	1.43 707	1.02 694	1.41 702	1.10 706	0.90 700	1.60 707	1.46 712	0.51 699	1.21 709	1.03 710	0.90 704	1.01 710

HanzoNet	1.29 702	1.26 705	1.19 700	1.12 703	0.85 704	1.02 702	0.83 703	1.03 701	1.48 706	1.64 708	1.61 709	2.50 710	1.72 710	1.61 709	1.61 708	1.26 710	0.80 710	1.31 710	1.01 709	1.02 707	0.86 707

JetRed	1.62 703	1.46 706	2.98 705	0.92 698	1.21 708	4.99 711	1.53 713	1.27 710	1.39 702	1.83 709	1.74 710	1.60 707	0.95 699	1.41 708	2.45 713	0.90 708	1.60 712	0.93 703	0.90 708	1.35 709	0.99 709

MADNet++	1.95 704	1.75 707	1.59 704	1.82 708	1.69 710	2.33 709	1.40 712	2.35 711	2.09 712	2.57 711	2.36 712	2.24 709	2.17 712	2.28 710	2.34 711	1.87 713	1.66 713	1.54 712	1.34 712	1.92 710	1.77 712

Selective-IGEV-i1pa	2.80 705	3.51 713	0.67 678	0.28 648	0.14 592	10.22 715	0.43 684	4.36 712	3.63 713	3.53 712	6.92 714	3.47 711	1.97 711	13.41 726	2.26 710	0.36 680	0.15 643	0.13 603	0.10 552	0.15 630	0.35 681

coex-ft	3.30 706	0.34 669	59.09 738	0.18 399	0.13 571	0.26 607	0.22 585	0.27 498	0.72 680	1.90 710	0.70 676	0.44 649	0.45 670	0.29 618	0.41 673	0.09 484	0.09 563	0.12 588	0.09 511	0.14 614	0.13 605

TCMNet-wrong-test	3.67 707	5.48 721	3.89 711	12.18 722	11.75 724	4.65 710	3.88 714	1.06 704	0.72 680	1.09 702	2.15 711	6.30 716	0.53 675	3.43 712	2.36 712	0.89 707	0.20 660	1.87 714	1.69 713	5.57 718	3.62 718

tt	4.67 708	0.06 119	3.55 709	2.02 709	1.55 709	10.25 716	16.71 718	8.91 721	5.03 714	1.31 706	0.94 691	4.71 712	4.76 714	3.33 711	5.87 715	6.06 721	10.30 727	1.88 715	2.11 715	2.75 712	1.21 711

USTest	6.22 709	2.73 710	3.00 706	6.57 716	7.29 716	14.37 718	21.57 719	7.00 720	9.56 719	5.34 717	6.10 713	5.72 715	7.64 717	6.41 716	6.96 717	1.97 714	3.42 719	1.64 713	2.15 716	2.66 711	2.36 713

xxxxx1	7.79 710	5.02 718	7.31 714	3.12 710	3.85 712	16.35 720	22.88 720	5.86 717	8.69 716	7.97 718	8.54 715	9.12 720	8.27 718	10.18 718	10.92 718	2.42 715	2.45 715	3.56 718	12.37 724	3.77 713	3.06 715

tt_ll	7.79 710	5.02 718	7.31 714	3.12 710	3.85 712	16.35 720	22.88 720	5.86 717	8.69 716	7.97 718	8.54 715	9.12 720	8.27 718	10.18 718	10.92 718	2.42 715	2.45 715	3.56 718	12.37 724	3.77 713	3.06 715

ff	7.79 710	5.02 718	7.31 714	3.12 710	3.85 712	16.35 720	22.88 720	5.86 717	8.69 716	7.97 718	8.54 715	9.12 720	8.27 718	10.18 718	10.92 718	2.42 715	2.45 715	3.56 718	12.37 724	3.77 713	3.06 715

EDNetEfficientorigin	7.91 713	0.31 666	153.02 739	0.19 468	0.09 351	0.21 556	0.16 401	0.22 390	0.59 659	0.72 682	0.67 672	0.42 644	0.50 674	0.24 590	0.39 667	0.08 423	0.07 500	0.08 405	0.07 391	0.12 581	0.10 543

DPSMNet_ROB	8.06 714	4.48 714	8.63 722	5.37 715	10.74 719	8.32 713	22.98 724	5.46 714	13.36 724	5.12 715	9.92 720	5.08 713	10.40 721	5.53 715	12.58 721	3.80 719	8.00 720	3.50 716	7.02 721	3.83 716	7.14 722

DGTPSM_ROB	8.06 714	4.48 714	8.63 722	5.35 713	10.72 718	8.32 713	22.97 723	5.46 714	13.35 723	5.12 715	9.92 720	5.08 713	10.40 721	5.52 714	12.58 721	3.79 718	8.00 720	3.50 716	7.02 721	3.83 716	7.14 722

PML	8.91 716	9.34 727	6.13 712	5.35 713	6.41 715	14.99 719	23.38 725	5.27 713	6.83 715	18.04 730	28.19 739	7.67 717	6.83 716	7.85 717	5.75 714	5.35 720	1.83 714	5.95 726	1.93 714	8.64 723	2.52 714

DLNR_Zeroshot_test	10.40 717	1.82 708	19.49 733	120.77 739	13.11 726	0.06 14	0.13 178	0.23 414	0.10 76	0.07 75	0.10 196	0.09 222	0.06 65	0.10 122	0.09 103	0.13 609	0.04 25	0.06 200	0.04 60	51.54 739	0.04 73

DLNR-FE	10.43 718	1.83 709	19.53 734	120.75 738	13.06 725	0.06 14	0.13 178	0.23 414	0.10 76	0.07 75	0.10 196	0.09 222	0.06 65	0.10 122	0.09 103	0.13 609	0.04 25	0.06 200	0.04 60	52.01 740	0.04 73

iinet-test	10.48 719	8.09 723	7.54 718	10.26 717	10.94 720	18.00 724	25.26 726	11.33 725	13.28 721	9.69 722	9.85 718	9.42 723	11.17 723	11.02 722	12.78 724	6.59 723	8.30 722	5.56 721	6.56 717	6.89 719	7.02 720

IINet	10.48 719	8.09 723	7.54 718	10.26 717	10.94 720	18.00 724	25.26 726	11.33 725	13.28 721	9.69 722	9.85 718	9.42 723	11.17 723	11.02 722	12.78 724	6.59 723	8.30 722	5.56 721	6.56 717	6.89 719	7.02 720

LRCNet_RVC	10.62 721	13.42 728	7.30 713	18.92 726	2.07 711	0.33 640	0.30 663	5.59 716	0.48 629	13.03 726	17.94 726	8.87 719	5.65 715	4.79 713	1.89 709	23.51 736	2.73 718	27.55 739	25.71 739	16.07 733	16.33 734

Anonymous_1	10.96 722	7.92 722	7.46 717	10.33 719	10.06 717	18.65 726	26.34 728	11.06 724	13.44 725	9.40 721	10.05 722	9.67 725	11.23 725	10.73 721	12.72 723	6.42 722	8.38 724	5.77 723	10.61 723	12.12 724	6.77 719

DPSM_ROB	11.15 723	8.58 725	8.00 720	10.88 720	11.58 722	19.10 727	26.71 729	12.05 727	14.07 728	10.36 724	10.84 723	10.33 726	11.86 726	11.70 724	13.54 726	6.99 725	8.79 725	5.89 724	6.95 719	7.29 721	7.42 724

DPSM	11.15 723	8.58 725	8.00 720	10.88 720	11.58 722	19.10 727	26.71 729	12.05 727	14.07 728	10.36 724	10.84 723	10.33 726	11.86 726	11.70 724	13.54 726	6.99 725	8.79 725	5.89 724	6.95 719	7.29 721	7.42 724

HaxPig	15.71 725	18.52 737	19.18 732	16.89 725	15.89 727	7.73 712	7.60 715	13.31 729	10.82 720	15.42 727	14.91 725	15.98 728	14.92 728	15.58 727	15.98 728	18.95 735	16.73 728	19.46 735	18.08 735	19.26 734	19.05 737

Selective-IGEV-i16pa	18.58 726	3.30 711	1.09 697	0.21 566	0.18 645	103.68 740	0.28 646	19.87 731	40.73 740	4.16 713	56.45 740	8.07 718	2.59 713	123.95 741	5.89 716	0.18 649	0.12 613	0.09 488	0.12 606	0.12 581	0.51 690

RSGM-EC	20.36 727	4.73 716	0.68 679	16.76 723	16.92 728	21.28 729	27.18 731	10.46 722	14.04 726	18.00 728	21.31 729	22.24 738	21.82 730	22.57 729	17.63 729	62.81 739	33.79 739	20.14 736	18.10 736	20.18 735	16.45 735

acva	20.36 727	4.73 716	0.68 679	16.76 723	16.92 728	21.28 729	27.18 731	10.46 722	14.04 726	18.00 728	21.31 729	22.24 738	21.82 730	22.57 729	17.63 729	62.81 739	33.79 739	20.14 736	18.10 736	20.18 735	16.45 735

MEDIAN_ROB	20.38 729	24.04 738	23.31 735	21.23 727	21.71 730	10.40 717	7.92 716	17.64 730	15.50 730	20.12 731	19.70 727	20.34 729	20.32 729	21.19 728	21.13 731	23.81 737	21.81 737	24.98 738	23.76 738	24.71 737	23.93 738

CasAABBNet	22.42 730	17.33 730	16.01 726	22.01 729	23.28 732	38.32 731	53.80 736	24.14 735	28.41 735	20.60 734	21.77 733	20.89 736	23.91 735	23.43 734	27.36 735	14.07 728	17.69 731	11.83 729	14.01 728	14.67 727	14.95 730

RAFT-FEzeroshot	22.43 731	17.33 730	15.98 724	22.02 730	23.31 734	38.34 732	53.82 738	24.05 733	28.39 733	20.61 735	21.76 731	20.88 733	23.92 737	23.41 732	27.42 737	14.07 728	17.69 731	11.83 729	14.02 729	14.69 728	14.97 731

RAFT-FE	22.43 731	17.33 730	15.98 724	22.02 730	23.31 734	38.34 732	53.82 738	24.05 733	28.39 733	20.61 735	21.76 731	20.88 733	23.92 737	23.41 732	27.42 737	14.07 728	17.69 731	11.83 729	14.02 729	14.69 728	14.97 731

FlowAnything	22.44 733	17.35 733	16.14 728	22.07 733	23.23 731	38.39 736	53.77 734	24.25 737	28.44 736	20.96 739	21.82 735	20.70 731	23.84 733	23.49 736	27.14 733	14.04 727	17.79 736	11.75 727	14.15 733	14.65 725	14.89 727

Hybrid-DGEV	22.47 734	17.40 735	16.14 728	22.00 728	23.29 733	38.36 734	53.80 736	24.43 740	28.63 739	20.59 733	21.81 734	20.88 733	23.91 735	23.45 735	27.42 737	14.08 731	17.69 731	11.83 729	14.06 732	14.65 725	14.93 729

Selective-RAFT-Error	22.47 734	17.37 734	16.09 727	22.06 732	23.34 736	38.39 736	53.83 740	24.29 739	28.47 737	20.74 737	21.83 736	20.81 732	23.90 734	23.54 738	27.53 740	14.08 731	17.69 731	11.82 728	14.00 727	14.69 728	15.00 733

fast-reg	22.85 736	17.43 736	19.15 731	22.22 735	24.34 737	38.36 734	53.78 735	24.23 736	28.52 738	20.55 732	22.05 737	20.54 730	23.77 732	23.21 731	27.31 734	14.18 734	17.47 730	14.33 734	14.96 734	15.81 732	14.81 726

LSM0	22.87 737	17.28 729	18.96 730	22.19 734	29.04 739	38.42 738	53.71 733	24.28 738	28.31 732	20.78 738	21.00 728	21.43 737	24.16 739	23.50 737	27.39 736	14.09 733	17.38 729	11.84 733	14.04 731	14.73 731	14.89 727

AVERAGE_ROB	24.90 738	29.20 739	28.14 736	24.89 736	24.64 738	17.75 723	11.12 717	21.45 732	19.93 731	25.12 740	24.46 738	25.12 740	25.46 740	24.69 739	22.83 732	29.76 738	27.13 738	28.97 740	27.95 740	29.91 738	29.47 739

test_example2	98.32 739	94.13 740	45.89 737	96.35 737	109.85 740	88.61 739	95.45 741	25.75 741	94.37 741	130.00 742	126.06 741	58.17 741	74.63 741	88.51 740	79.96 741	150.23 741	221.02 741	77.62 741	99.10 741	113.75 741	96.94 740

GS-Stereo							0.14 246	0.11 58	0.12 148	0.08 131	0.10 196	0.05 5	0.05 14	0.11 197	0.08 25	0.06 167	0.04 25	0.05 50	0.04 60	0.05 170	0.05 204

FSD					0.22 658	0.25 597	0.25 624	0.27 498	0.26 487	0.25 575	0.26 512	0.25 535	0.27 607	0.27 600	0.24 594	0.21 661	0.20 660	0.27 663	0.26 666	0.25 666

ccccc		285.66 741		368.85 740	370.60 741	123.16 741		115.05 742		126.68 741		122.83 742		252.94 742		384.56 742	353.86 742	254.69 742	223.00 742	425.87 742

ASD4		3.38 712

Low-res two-view benchmark