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

GASTEREO	0.08 53	0.05 23	0.09 83	0.19 376	0.07 82	0.07 32	0.12 71	0.14 93	0.11 71	0.10 148	0.09 104	0.07 76	0.04 1	0.12 213	0.08 17	0.06 122	0.05 203	0.05 33	0.04 45	0.04 20	0.05 135

MSCF	0.08 53	0.05 23	0.08 38	0.19 376	0.08 140	0.06 10	0.12 71	0.14 93	0.11 71	0.10 148	0.09 104	0.07 76	0.04 1	0.11 125	0.08 17	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.05 135

LG-Stereo_L1	0.07 4	0.05 23	0.11 169	0.14 40	0.06 15	0.07 32	0.13 118	0.09 11	0.07 10	0.05 2	0.04 1	0.05 1	0.04 1	0.08 17	0.07 1	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

MLG-Stereo_test2	0.06 1	0.04 1	0.10 125	0.15 82	0.05 1	0.07 32	0.11 51	0.09 11	0.04 2	0.06 13	0.05 7	0.06 21	0.04 1	0.08 17	0.09 61	0.06 122	0.04 24	0.05 33	0.03 1	0.05 111	0.05 135

SCV	0.08 53	0.09 335	0.08 38	0.15 82	0.08 140	0.10 145	0.13 118	0.10 20	0.12 101	0.07 42	0.07 45	0.06 21	0.04 1	0.09 37	0.08 17	0.05 31	0.04 24	0.06 119	0.04 45	0.06 212	0.04 47

FoundationStereo	0.06 1	0.04 1	0.08 38	0.12 4	0.05 1	0.09 93	0.13 118	0.06 1	0.09 28	0.05 2	0.05 7	0.06 21	0.04 1	0.06 1	0.07 1	0.06 122	0.04 24	0.05 33	0.03 1	0.05 111	0.04 47

AIO_rvc	0.07 4	0.06 71	0.08 38	0.15 82	0.06 15	0.08 57	0.14 171	0.09 11	0.08 15	0.07 42	0.08 83	0.07 76	0.04 1	0.10 75	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

GIP-stereo	0.08 53	0.06 71	0.11 169	0.14 40	0.06 15	0.09 93	0.13 118	0.14 93	0.11 71	0.07 42	0.08 83	0.05 1	0.04 1	0.10 75	0.07 1	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

IGEV-BASED-STEREO-	0.09 101	0.10 393	0.31 507	0.15 82	0.06 15	0.08 57	0.14 171	0.10 20	0.10 43	0.07 42	0.07 45	0.06 21	0.04 1	0.11 125	0.07 1	0.12 479	0.04 24	0.07 218	0.05 129	0.05 111	0.05 135

Selective-IGEV	0.07 4	0.06 71	0.08 38	0.17 236	0.06 15	0.08 57	0.12 71	0.13 72	0.07 10	0.08 78	0.07 45	0.06 21	0.04 1	0.10 75	0.09 61	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

VIP-Stereo	0.07 4	0.07 158	0.07 8	0.15 82	0.06 15	0.12 227	0.10 29	0.11 35	0.11 71	0.06 13	0.07 45	0.06 21	0.05 11	0.10 75	0.08 17	0.05 31	0.04 24	0.05 33	0.03 1	0.03 1	0.02 1

GEAStereo	0.08 53	0.05 23	0.08 38	0.13 13	0.08 140	0.08 57	0.14 171	0.10 20	0.09 28	0.08 78	0.10 134	0.06 21	0.05 11	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

GSStereo	0.08 53	0.05 23	0.08 38	0.13 13	0.08 140	0.08 57	0.14 171	0.11 35	0.12 101	0.08 78	0.10 134	0.05 1	0.05 11	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

GS-Stereo							0.14 171	0.11 35	0.12 101	0.08 78	0.10 134	0.05 1	0.05 11	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

gasm-f	0.08 53	0.05 23	0.07 8	0.13 13	0.08 140	0.08 57	0.14 171	0.10 20	0.09 28	0.08 78	0.10 134	0.06 21	0.05 11	0.10 75	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.06 212	0.05 135

252Zero-FE	0.08 53	0.04 1	0.09 83	0.13 13	0.07 82	0.12 227	0.11 51	0.13 72	0.14 161	0.06 13	0.05 7	0.06 21	0.05 11	0.09 37	0.10 139	0.06 122	0.04 24	0.04 1	0.03 1	0.05 111	0.06 222

asda	0.07 4	0.08 259	0.08 38	0.16 160	0.06 15	0.06 10	0.10 29	0.16 153	0.10 43	0.06 13	0.06 14	0.05 1	0.05 11	0.10 75	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

IGEV	0.07 4	0.04 1	0.08 38	0.13 13	0.06 15	0.09 93	0.12 71	0.14 93	0.10 43	0.06 13	0.09 104	0.07 76	0.05 11	0.09 37	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

111111	0.07 4	0.04 1	0.09 83	0.17 236	0.06 15	0.05 4	0.10 29	0.11 35	0.09 28	0.06 13	0.06 14	0.07 76	0.05 11	0.09 37	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.07 280	0.06 222

LG-Stereo_L2	0.07 4	0.05 23	0.10 125	0.14 40	0.06 15	0.07 32	0.12 71	0.09 11	0.09 28	0.06 13	0.04 1	0.05 1	0.05 11	0.08 17	0.08 17	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.03 2

MLG-Stereo_test1	0.06 1	0.05 23	0.08 38	0.17 236	0.05 1	0.06 10	0.11 51	0.08 4	0.03 1	0.05 2	0.04 1	0.06 21	0.05 11	0.09 37	0.09 61	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

MLG-Stereo	0.07 4	0.05 23	0.08 38	0.17 236	0.05 1	0.07 32	0.11 51	0.08 4	0.04 2	0.05 2	0.04 1	0.06 21	0.05 11	0.10 75	0.09 61	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

LG-Stereo_Zeroshot	0.07 4	0.06 71	0.10 125	0.16 160	0.07 82	0.04 1	0.13 118	0.10 20	0.10 43	0.05 2	0.11 171	0.07 76	0.05 11	0.07 4	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

HART	0.08 53	0.07 158	0.09 83	0.17 236	0.07 82	0.10 145	0.16 309	0.13 72	0.11 71	0.08 78	0.10 134	0.07 76	0.05 11	0.10 75	0.08 17	0.05 31	0.04 24	0.06 119	0.04 45	0.05 111	0.04 47

GREAT-IGEV	0.07 4	0.06 71	0.08 38	0.13 13	0.07 82	0.07 32	0.14 171	0.09 11	0.09 28	0.06 13	0.07 45	0.06 21	0.05 11	0.10 75	0.07 1	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

SCV_C0	0.08 53	0.07 158	0.07 8	0.16 160	0.09 258	0.08 57	0.15 243	0.11 35	0.12 101	0.08 78	0.07 45	0.06 21	0.05 11	0.11 125	0.07 1	0.05 31	0.05 203	0.05 33	0.04 45	0.06 212	0.05 135

DEFOM-Stereo_RVC	0.08 53	0.06 71	0.09 83	0.22 478	0.06 15	0.08 57	0.12 71	0.10 20	0.10 43	0.07 42	0.07 45	0.06 21	0.05 11	0.11 125	0.09 61	0.06 122	0.04 24	0.05 33	0.03 1	0.06 212	0.04 47

StereoAnything_RVC	0.07 4	0.15 488	0.17 399	0.11 1	0.05 1	0.05 4	0.11 51	0.08 4	0.08 15	0.06 13	0.06 14	0.05 1	0.05 11	0.09 37	0.08 17	0.08 324	0.04 24	0.05 33	0.03 1	0.05 111	0.04 47

AIO_test	0.07 4	0.05 23	0.07 8	0.15 82	0.07 82	0.06 10	0.14 171	0.10 20	0.10 43	0.07 42	0.07 45	0.06 21	0.05 11	0.08 17	0.10 139	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

AIO-test2	0.10 164	0.08 259	0.10 125	0.23 499	0.08 140	0.11 191	0.10 29	0.23 318	0.23 333	0.08 78	0.09 104	0.08 117	0.05 11	0.10 75	0.08 17	0.06 122	0.05 203	0.08 303	0.09 408	0.05 111	0.05 135

DEFOM-Stereo	0.07 4	0.05 23	0.07 8	0.14 40	0.06 15	0.10 145	0.13 118	0.07 2	0.13 136	0.06 13	0.07 45	0.06 21	0.05 11	0.10 75	0.09 61	0.04 11	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

dual_stereo	0.07 4	0.04 1	0.08 38	0.15 82	0.05 1	0.05 4	0.13 118	0.12 55	0.08 15	0.07 42	0.06 14	0.05 1	0.05 11	0.07 4	0.09 61	0.06 122	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

Occ-G	0.08 53	0.05 23	0.06 4	0.14 40	0.07 82	0.08 57	0.14 171	0.13 72	0.15 180	0.07 42	0.11 171	0.07 76	0.05 11	0.09 37	0.10 139	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.05 135

U	0.08 53	0.07 158	0.09 83	0.19 376	0.10 361	0.10 145	0.13 118	0.12 55	0.17 229	0.07 42	0.07 45	0.06 21	0.05 11	0.07 4	0.08 17	0.06 122	0.04 24	0.06 119	0.04 45	0.06 212	0.05 135

AIO-Stereo	0.08 53	0.06 71	0.09 83	0.18 318	0.06 15	0.08 57	0.12 71	0.15 124	0.09 28	0.08 78	0.08 83	0.07 76	0.05 11	0.11 125	0.08 17	0.05 31	0.05 203	0.05 33	0.04 45	0.04 20	0.04 47

RSM++	0.08 53	0.06 71	0.09 83	0.17 236	0.07 82	0.09 93	0.12 71	0.11 35	0.11 71	0.08 78	0.06 14	0.07 76	0.05 11	0.10 75	0.09 61	0.04 11	0.04 24	0.06 119	0.05 129	0.05 111	0.03 2

RSM	0.08 53	0.06 71	0.09 83	0.17 236	0.06 15	0.08 57	0.12 71	0.12 55	0.10 43	0.08 78	0.07 45	0.06 21	0.05 11	0.11 125	0.09 61	0.04 11	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

MIM_Stereo	0.09 101	0.07 158	0.11 169	0.15 82	0.07 82	0.06 10	0.12 71	0.20 252	0.14 161	0.13 244	0.13 199	0.09 142	0.05 11	0.12 213	0.08 17	0.05 31	0.06 332	0.07 218	0.06 207	0.06 212	0.05 135

EGLCR-Stereo	0.08 53	0.05 23	0.08 38	0.14 40	0.06 15	0.10 145	0.12 71	0.11 35	0.16 209	0.06 13	0.05 7	0.07 76	0.05 11	0.10 75	0.11 210	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

CroCo-Stereo Lap2	0.09 101	0.09 335	0.08 38	0.22 478	0.09 258	0.09 93	0.19 429	0.16 153	0.12 101	0.09 114	0.10 134	0.05 1	0.05 11	0.08 17	0.08 17	0.06 122	0.06 332	0.07 218	0.05 129	0.05 111	0.05 135

iRaft-Stereo_20w	0.09 101	0.05 23	0.13 250	0.14 40	0.08 140	0.12 227	0.15 243	0.18 219	0.10 43	0.11 179	0.08 83	0.08 117	0.05 11	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.05 135

DLNR-FE	10.43 608	1.83 600	19.53 619	120.75 623	13.06 612	0.06 10	0.13 118	0.23 318	0.10 43	0.07 42	0.10 134	0.09 142	0.06 42	0.10 75	0.09 61	0.13 502	0.04 24	0.06 119	0.04 45	52.01 625	0.04 47

Select-FE	0.11 207	0.06 71	0.20 445	0.15 82	0.11 411	0.11 191	0.13 118	0.21 275	0.18 255	0.09 114	0.11 171	0.10 175	0.06 42	0.12 213	0.09 61	0.07 262	0.05 203	0.07 218	0.08 361	0.06 212	0.08 367

IGEV-FE	0.09 101	0.05 23	0.12 204	0.13 13	0.08 140	0.12 227	0.13 118	0.17 189	0.11 71	0.10 148	0.06 14	0.09 142	0.06 42	0.11 125	0.09 61	0.06 122	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

DDF-Stereo	0.08 53	0.04 1	0.09 83	0.15 82	0.10 361	0.06 10	0.13 118	0.09 11	0.14 161	0.06 13	0.06 14	0.07 76	0.06 42	0.09 37	0.10 139	0.06 122	0.04 24	0.06 119	0.04 45	0.08 343	0.05 135

Zero-FE251	0.07 4	0.05 23	0.09 83	0.13 13	0.06 15	0.12 227	0.12 71	0.11 35	0.10 43	0.07 42	0.08 83	0.06 21	0.06 42	0.09 37	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

MonStereo	0.07 4	0.06 71	0.05 1	0.15 82	0.05 1	0.08 57	0.10 29	0.15 124	0.15 180	0.05 2	0.06 14	0.05 1	0.06 42	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 4	0.06 71	0.05 1	0.15 82	0.05 1	0.08 57	0.10 29	0.15 124	0.15 180	0.05 2	0.06 14	0.05 1	0.06 42	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 4	0.04 1	0.09 83	0.13 13	0.06 15	0.05 4	0.09 18	0.11 35	0.07 10	0.06 13	0.06 14	0.05 1	0.06 42	0.09 37	0.09 61	0.06 122	0.04 24	0.04 1	0.03 1	0.05 111	0.05 135

Replicate-Monster	0.07 4	0.05 23	0.09 83	0.14 40	0.06 15	0.08 57	0.09 18	0.13 72	0.13 136	0.05 2	0.07 45	0.06 21	0.06 42	0.08 17	0.10 139	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

zero-FE	0.08 53	0.04 1	0.09 83	0.15 82	0.10 361	0.05 4	0.14 171	0.09 11	0.14 161	0.07 42	0.06 14	0.07 76	0.06 42	0.09 37	0.10 139	0.06 122	0.04 24	0.06 119	0.04 45	0.08 343	0.05 135

AdaDepth	0.07 4	0.06 71	0.07 8	0.18 318	0.06 15	0.11 191	0.12 71	0.09 11	0.07 10	0.06 13	0.05 7	0.07 76	0.06 42	0.09 37	0.10 139	0.04 11	0.05 203	0.05 33	0.04 45	0.04 20	0.04 47

S2M2_XL	0.08 53	0.06 71	0.12 204	0.12 4	0.08 140	0.09 93	0.09 18	0.07 2	0.07 10	0.08 78	0.07 45	0.07 76	0.06 42	0.09 37	0.09 61	0.08 324	0.06 332	0.07 218	0.05 129	0.08 343	0.06 222
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
asd	0.07 4	0.08 259	0.07 8	0.16 160	0.07 82	0.08 57	0.08 7	0.11 35	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.10 75	0.09 61	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

qwe	0.07 4	0.08 259	0.07 8	0.15 82	0.06 15	0.07 32	0.10 29	0.18 219	0.11 71	0.07 42	0.07 45	0.06 21	0.06 42	0.10 75	0.09 61	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

2.25w	0.07 4	0.06 71	0.07 8	0.14 40	0.06 15	0.08 57	0.08 7	0.10 20	0.15 180	0.08 78	0.10 134	0.07 76	0.06 42	0.08 17	0.10 139	0.05 31	0.03 1	0.04 1	0.04 45	0.03 1	0.04 47

4.25_new	0.07 4	0.08 259	0.09 83	0.15 82	0.06 15	0.09 93	0.08 7	0.14 93	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.12 213	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

4.5w_new	0.07 4	0.08 259	0.09 83	0.15 82	0.06 15	0.09 93	0.08 7	0.14 93	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.12 213	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

4.5_new	0.07 4	0.09 335	0.08 38	0.15 82	0.07 82	0.06 10	0.10 29	0.14 93	0.11 71	0.06 13	0.08 83	0.06 21	0.06 42	0.08 17	0.10 139	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

4.5w-stereo	0.07 4	0.09 335	0.08 38	0.15 82	0.07 82	0.06 10	0.10 29	0.14 93	0.11 71	0.06 13	0.08 83	0.06 21	0.06 42	0.08 17	0.10 139	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

4.25w-stereo	0.07 4	0.08 259	0.09 83	0.15 82	0.06 15	0.09 93	0.08 7	0.14 93	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.12 213	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

4w-stereo	0.07 4	0.08 259	0.08 38	0.16 160	0.06 15	0.07 32	0.08 7	0.12 55	0.08 15	0.07 42	0.07 45	0.05 1	0.06 42	0.09 37	0.10 139	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

2.5w	0.07 4	0.07 158	0.07 8	0.16 160	0.06 15	0.08 57	0.12 71	0.10 20	0.10 43	0.07 42	0.06 14	0.09 142	0.06 42	0.08 17	0.09 61	0.04 11	0.03 1	0.04 1	0.04 45	0.03 1	0.03 2

2.75w_new	0.07 4	0.07 158	0.07 8	0.13 13	0.06 15	0.08 57	0.08 7	0.18 219	0.12 101	0.07 42	0.08 83	0.06 21	0.06 42	0.09 37	0.11 210	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 47

3.25w_new	0.07 4	0.06 71	0.07 8	0.15 82	0.06 15	0.10 145	0.07 3	0.12 55	0.11 71	0.08 78	0.06 14	0.07 76	0.06 42	0.11 125	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 4	0.06 71	0.07 8	0.15 82	0.06 15	0.10 145	0.07 3	0.12 55	0.11 71	0.08 78	0.06 14	0.07 76	0.06 42	0.11 125	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 4	0.07 158	0.08 38	0.16 160	0.07 82	0.07 32	0.09 18	0.16 153	0.09 28	0.07 42	0.06 14	0.05 1	0.06 42	0.09 37	0.10 139	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3w_stereo	0.08 53	0.09 335	0.10 125	0.17 236	0.07 82	0.08 57	0.10 29	0.20 252	0.13 136	0.06 13	0.07 45	0.05 1	0.06 42	0.08 17	0.09 61	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

2w_stereo	0.08 53	0.08 259	0.09 83	0.16 160	0.06 15	0.08 57	0.10 29	0.20 252	0.15 180	0.08 78	0.07 45	0.06 21	0.06 42	0.06 1	0.09 61	0.04 11	0.03 1	0.04 1	0.04 45	0.03 1	0.03 2

1w_stereo	0.07 4	0.06 71	0.07 8	0.16 160	0.06 15	0.07 32	0.10 29	0.14 93	0.14 161	0.07 42	0.08 83	0.05 1	0.06 42	0.09 37	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 47

monsters	0.07 4	0.06 71	0.06 4	0.15 82	0.06 15	0.08 57	0.09 18	0.12 55	0.08 15	0.09 114	0.07 45	0.06 21	0.06 42	0.08 17	0.08 17	0.05 31	0.04 24	0.04 1	0.04 45	0.03 1	0.03 2

MLG-Stereo_test3	0.07 4	0.05 23	0.10 125	0.14 40	0.06 15	0.07 32	0.11 51	0.08 4	0.06 4	0.06 13	0.04 1	0.06 21	0.06 42	0.07 4	0.10 139	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.06 222

LGtest1	0.07 4	0.04 1	0.10 125	0.15 82	0.06 15	0.07 32	0.09 18	0.08 4	0.06 4	0.05 2	0.04 1	0.06 21	0.06 42	0.10 75	0.09 61	0.07 262	0.04 24	0.05 33	0.04 45	0.06 212	0.06 222

MM-Stereo_test3	0.10 164	0.07 158	0.07 8	0.18 318	0.07 82	0.12 227	0.19 429	0.24 341	0.19 271	0.06 13	0.10 134	0.08 117	0.06 42	0.11 125	0.08 17	0.06 122	0.06 332	0.07 218	0.05 129	0.05 111	0.04 47

MM-Stereo_test2	0.09 101	0.06 71	0.09 83	0.19 376	0.08 140	0.12 227	0.18 389	0.15 124	0.14 161	0.07 42	0.10 134	0.07 76	0.06 42	0.12 213	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.03 2

MM-Stereo_test1	0.10 164	0.07 158	0.08 38	0.18 318	0.07 82	0.12 227	0.18 389	0.21 275	0.20 294	0.09 114	0.11 171	0.08 117	0.06 42	0.10 75	0.10 139	0.06 122	0.05 203	0.07 218	0.06 207	0.05 111	0.04 47

HUF	0.08 53	0.05 23	0.08 38	0.14 40	0.06 15	0.09 93	0.13 118	0.13 72	0.13 136	0.07 42	0.07 45	0.08 117	0.06 42	0.10 75	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

castereo++	0.08 53	0.05 23	0.08 38	0.15 82	0.05 1	0.14 302	0.12 71	0.11 35	0.15 180	0.07 42	0.07 45	0.07 76	0.06 42	0.08 17	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

IGEV-RUCA	0.08 53	0.06 71	0.11 169	0.14 40	0.09 258	0.10 145	0.12 71	0.10 20	0.12 101	0.06 13	0.07 45	0.07 76	0.06 42	0.09 37	0.08 17	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.06 222

MonSter	0.07 4	0.06 71	0.05 1	0.15 82	0.05 1	0.07 32	0.10 29	0.15 124	0.15 180	0.05 2	0.06 14	0.05 1	0.06 42	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

fffft	0.09 101	0.06 71	0.12 204	0.16 160	0.07 82	0.09 93	0.17 343	0.12 55	0.11 71	0.08 78	0.07 45	0.09 142	0.06 42	0.11 125	0.12 261	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.05 135
1: 1. 1
tt45	0.09 101	0.06 71	0.11 169	0.15 82	0.07 82	0.11 191	0.16 309	0.13 72	0.11 71	0.09 114	0.06 14	0.08 117	0.06 42	0.13 259	0.10 139	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

mms	0.09 101	0.07 158	0.08 38	0.16 160	0.08 140	0.10 145	0.16 309	0.12 55	0.11 71	0.08 78	0.09 104	0.08 117	0.06 42	0.11 125	0.12 261	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.03 2

ours_stereo	0.09 101	0.07 158	0.09 83	0.17 236	0.08 140	0.11 191	0.16 309	0.11 35	0.12 101	0.08 78	0.10 134	0.08 117	0.06 42	0.12 213	0.12 261	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.03 2

WCG-NET	0.08 53	0.05 23	0.09 83	0.15 82	0.06 15	0.11 191	0.14 171	0.13 72	0.13 136	0.06 13	0.09 104	0.07 76	0.06 42	0.13 259	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

IGEV-Stereo++	0.07 4	0.06 71	0.08 38	0.18 318	0.06 15	0.04 1	0.10 29	0.11 35	0.11 71	0.06 13	0.07 45	0.07 76	0.06 42	0.09 37	0.09 61	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

RAStereo	0.10 164	0.09 335	0.08 38	0.20 433	0.08 140	0.13 270	0.18 389	0.15 124	0.17 229	0.10 148	0.12 185	0.05 1	0.06 42	0.09 37	0.08 17	0.07 262	0.05 203	0.07 218	0.05 129	0.05 111	0.04 47

Pointernet	0.09 101	0.04 1	0.09 83	0.16 160	0.08 140	0.13 270	0.10 29	0.15 124	0.17 229	0.09 114	0.07 45	0.06 21	0.06 42	0.11 125	0.09 61	0.08 324	0.04 24	0.05 33	0.03 1	0.06 212	0.05 135

IGEV-Stereo+	0.07 4	0.04 1	0.08 38	0.15 82	0.06 15	0.04 1	0.09 18	0.10 20	0.09 28	0.06 13	0.06 14	0.06 21	0.06 42	0.06 1	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.06 212	0.06 222

WCG-NET（raft）	0.08 53	0.05 23	0.10 125	0.15 82	0.06 15	0.11 191	0.13 118	0.15 124	0.12 101	0.08 78	0.07 45	0.06 21	0.06 42	0.13 259	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

RAFT-Stereo-weight	0.09 101	0.06 71	0.10 125	0.16 160	0.07 82	0.09 93	0.14 171	0.19 241	0.16 209	0.11 179	0.10 134	0.08 117	0.06 42	0.10 75	0.11 210	0.06 122	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

test_for_model	0.09 101	0.12 437	0.14 285	0.23 499	0.11 411	0.08 57	0.13 118	0.12 55	0.12 101	0.10 148	0.07 45	0.07 76	0.06 42	0.11 125	0.10 139	0.06 122	0.05 203	0.05 33	0.03 1	0.07 280	0.04 47

MGS-Stereo	0.09 101	0.07 158	0.12 204	0.15 82	0.08 140	0.09 93	0.15 243	0.12 55	0.12 101	0.07 42	0.10 134	0.08 117	0.06 42	0.10 75	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.06 212	0.05 135

MoCha-V2	0.08 53	0.05 23	0.10 125	0.20 433	0.07 82	0.09 93	0.14 171	0.11 35	0.08 15	0.07 42	0.08 83	0.07 76	0.06 42	0.09 37	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

IGEV++	0.08 53	0.06 71	0.08 38	0.18 318	0.07 82	0.09 93	0.13 118	0.10 20	0.09 28	0.08 78	0.08 83	0.06 21	0.06 42	0.13 259	0.09 61	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

ACVNet-DCA	0.10 164	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.23 318	0.16 209	0.09 114	0.09 104	0.06 21	0.06 42	0.10 75	0.07 1	0.06 122	0.04 24	0.06 119	0.05 129	0.07 280	0.07 303

1test111	0.11 207	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.23 318	0.16 209	0.09 114	0.09 104	0.06 21	0.06 42	0.15 307	0.16 383	0.06 122	0.04 24	0.06 119	0.05 129	0.07 280	0.07 303

cc1	0.10 164	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.16 153	0.18 255	0.09 114	0.09 104	0.06 21	0.06 42	0.10 75	0.07 1	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.06 222

ff7	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

IGEVStereo-DCA	0.09 101	0.06 71	0.11 169	0.15 82	0.10 361	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.08 117	0.06 42	0.10 75	0.08 17	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

ffff	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

rrr	0.09 101	0.06 71	0.12 204	0.15 82	0.10 361	0.11 191	0.16 309	0.16 153	0.15 180	0.10 148	0.06 14	0.08 117	0.06 42	0.10 75	0.08 17	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

11t	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

tt1	0.10 164	0.08 259	0.12 204	0.17 236	0.09 258	0.12 227	0.16 309	0.15 124	0.19 271	0.09 114	0.08 83	0.06 21	0.06 42	0.10 75	0.07 1	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.06 222

MaDis-Stereo	0.09 101	0.09 335	0.08 38	0.17 236	0.09 258	0.13 270	0.10 29	0.16 153	0.16 209	0.09 114	0.11 171	0.06 21	0.06 42	0.09 37	0.13 302	0.07 262	0.06 332	0.07 218	0.05 129	0.05 111	0.04 47

IGEV_Zeroshot_test	0.09 101	0.05 23	0.12 204	0.13 13	0.08 140	0.12 227	0.13 118	0.17 189	0.11 71	0.10 148	0.06 14	0.09 142	0.06 42	0.11 125	0.09 61	0.06 122	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

MSKI-zero shot	0.09 101	0.05 23	0.09 83	0.15 82	0.07 82	0.10 145	0.13 118	0.14 93	0.13 136	0.09 114	0.09 104	0.09 142	0.06 42	0.12 213	0.10 139	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

DLNR_Zeroshot_test	10.40 607	1.82 599	19.49 618	120.77 624	13.11 613	0.06 10	0.13 118	0.23 318	0.10 43	0.07 42	0.10 134	0.09 142	0.06 42	0.10 75	0.09 61	0.13 502	0.04 24	0.06 119	0.04 45	51.54 624	0.04 47

testlalala	0.08 53	0.07 158	0.17 399	0.16 160	0.08 140	0.09 93	0.12 71	0.15 124	0.10 43	0.07 42	0.09 104	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

CAS	0.08 53	0.04 1	0.07 8	0.17 236	0.08 140	0.10 145	0.13 118	0.12 55	0.09 28	0.09 114	0.10 134	0.08 117	0.06 42	0.09 37	0.08 17	0.08 324	0.04 24	0.05 33	0.03 1	0.05 111	0.04 47

anonymousdsp	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.09 114	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

CES	0.08 53	0.04 1	0.08 38	0.14 40	0.07 82	0.09 93	0.14 171	0.11 35	0.09 28	0.08 78	0.09 104	0.11 200	0.06 42	0.12 213	0.08 17	0.06 122	0.04 24	0.05 33	0.03 1	0.05 111	0.05 135

ProNet	0.09 101	0.07 158	0.10 125	0.17 236	0.08 140	0.10 145	0.15 243	0.15 124	0.12 101	0.09 114	0.06 14	0.07 76	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.06 222

MC-Stereo	0.08 53	0.06 71	0.09 83	0.17 236	0.06 15	0.10 145	0.14 171	0.12 55	0.10 43	0.09 114	0.12 185	0.09 142	0.06 42	0.11 125	0.10 139	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

ccc-4	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

IGEV-Stereo	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.09 114	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 101	0.05 23	0.12 204	0.15 82	0.12 443	0.10 145	0.13 118	0.18 219	0.18 255	0.09 114	0.09 104	0.09 142	0.06 42	0.10 75	0.08 17	0.07 262	0.05 203	0.07 218	0.07 296	0.04 20	0.04 47

CroCo-Stereo	0.09 101	0.08 259	0.08 38	0.22 478	0.09 258	0.09 93	0.19 429	0.15 124	0.12 101	0.07 42	0.07 45	0.08 117	0.06 42	0.08 17	0.07 1	0.07 262	0.05 203	0.06 119	0.04 45	0.05 111	0.04 47
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
TANstereo	0.09 101	0.04 1	0.08 38	0.13 13	0.06 15	0.11 191	0.14 171	0.15 124	0.19 271	0.11 179	0.15 230	0.10 175	0.06 42	0.12 213	0.09 61	0.07 262	0.05 203	0.05 33	0.04 45	0.06 212	0.05 135

XX-Stereo	0.09 101	0.05 23	0.08 38	0.17 236	0.09 258	0.15 328	0.12 71	0.20 252	0.10 43	0.10 148	0.14 213	0.07 76	0.06 42	0.12 213	0.08 17	0.06 122	0.05 203	0.06 119	0.06 207	0.04 20	0.04 47

test_xeample3	0.09 101	0.06 71	0.12 204	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.13 136	0.10 148	0.06 14	0.08 117	0.06 42	0.10 75	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

HiDET	0.08 53	0.04 1	0.10 125	0.13 13	0.06 15	0.08 57	0.12 71	0.12 55	0.11 71	0.06 13	0.07 45	0.07 76	0.07 122	0.11 125	0.11 210	0.06 122	0.04 24	0.04 1	0.03 1	0.04 20	0.04 47

LCMNet	0.08 53	0.05 23	0.10 125	0.13 13	0.07 82	0.09 93	0.12 71	0.10 20	0.11 71	0.06 13	0.08 83	0.06 21	0.07 122	0.11 125	0.10 139	0.06 122	0.05 203	0.04 1	0.03 1	0.04 20	0.04 47

FE-Mocha	0.09 101	0.06 71	0.14 285	0.16 160	0.09 258	0.10 145	0.15 243	0.18 219	0.16 209	0.10 148	0.09 104	0.07 76	0.07 122	0.09 37	0.09 61	0.06 122	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

Wavelet-MonSter	0.07 4	0.05 23	0.07 8	0.16 160	0.06 15	0.07 32	0.11 51	0.10 20	0.08 15	0.06 13	0.06 14	0.07 76	0.07 122	0.09 37	0.09 61	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 4	0.07 158	0.07 8	0.15 82	0.07 82	0.09 93	0.06 1	0.13 72	0.11 71	0.07 42	0.07 45	0.06 21	0.07 122	0.10 75	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

monsterstereo	0.07 4	0.06 71	0.06 4	0.16 160	0.06 15	0.08 57	0.10 29	0.16 153	0.11 71	0.07 42	0.08 83	0.06 21	0.07 122	0.08 17	0.09 61	0.04 11	0.04 24	0.05 33	0.04 45	0.03 1	0.03 2

LG-G_1	0.07 4	0.04 1	0.11 169	0.15 82	0.06 15	0.09 93	0.08 7	0.08 4	0.06 4	0.06 13	0.05 7	0.07 76	0.07 122	0.11 125	0.08 17	0.07 262	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

LG-G	0.07 4	0.04 1	0.11 169	0.15 82	0.06 15	0.09 93	0.08 7	0.08 4	0.06 4	0.06 13	0.05 7	0.07 76	0.07 122	0.11 125	0.08 17	0.07 262	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

LG-Stereo	0.08 53	0.07 158	0.10 125	0.18 318	0.07 82	0.10 145	0.17 343	0.11 35	0.08 15	0.05 2	0.07 45	0.05 1	0.07 122	0.09 37	0.09 61	0.04 11	0.05 203	0.07 218	0.07 296	0.04 20	0.04 47

AIO-test1	0.10 164	0.07 158	0.10 125	0.23 499	0.07 82	0.09 93	0.13 118	0.21 275	0.14 161	0.11 179	0.12 185	0.09 142	0.07 122	0.11 125	0.09 61	0.06 122	0.05 203	0.09 384	0.10 447	0.03 1	0.06 222

SMoEStereo_RVC	0.08 53	0.06 71	0.12 204	0.16 160	0.07 82	0.09 93	0.14 171	0.11 35	0.13 136	0.09 114	0.07 45	0.07 76	0.07 122	0.12 213	0.10 139	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

tg	0.10 164	0.06 71	0.10 125	0.18 318	0.08 140	0.11 191	0.16 309	0.20 252	0.12 101	0.08 78	0.11 171	0.11 200	0.07 122	0.11 125	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.04 20	0.04 47

PAM_32	0.09 101	0.05 23	0.17 399	0.15 82	0.08 140	0.10 145	0.15 243	0.14 93	0.15 180	0.09 114	0.08 83	0.09 142	0.07 122	0.14 285	0.08 17	0.06 122	0.05 203	0.06 119	0.06 207	0.05 111	0.06 222

PAM	0.10 164	0.05 23	0.16 371	0.15 82	0.08 140	0.09 93	0.16 309	0.15 124	0.16 209	0.12 217	0.09 104	0.09 142	0.07 122	0.13 259	0.08 17	0.06 122	0.05 203	0.06 119	0.06 207	0.05 111	0.06 222

UGAM-zero	0.09 101	0.05 23	0.15 337	0.15 82	0.08 140	0.09 93	0.13 118	0.19 241	0.15 180	0.11 179	0.15 230	0.07 76	0.07 122	0.09 37	0.09 61	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

model_zeroshot	0.10 164	0.04 1	0.11 169	0.15 82	0.09 258	0.12 227	0.14 171	0.20 252	0.13 136	0.11 179	0.10 134	0.12 217	0.07 122	0.12 213	0.10 139	0.07 262	0.06 332	0.06 119	0.05 129	0.06 212	0.06 222

GCAP-BAT	0.09 101	0.07 158	0.14 285	0.15 82	0.08 140	0.10 145	0.13 118	0.14 93	0.10 43	0.11 179	0.10 134	0.08 117	0.07 122	0.12 213	0.10 139	0.06 122	0.05 203	0.06 119	0.04 45	0.04 20	0.04 47

AIO-Stereo-zeroshot1	0.11 207	0.05 23	0.14 285	0.15 82	0.20 541	0.09 93	0.17 343	0.21 275	0.15 180	0.11 179	0.14 213	0.10 175	0.07 122	0.10 75	0.08 17	0.06 122	0.05 203	0.07 218	0.07 296	0.07 280	0.09 412

AIO-Stereo-zeroshot	0.11 207	0.05 23	0.11 169	0.15 82	0.13 466	0.13 270	0.16 309	0.23 318	0.17 229	0.10 148	0.12 185	0.10 175	0.07 122	0.11 125	0.09 61	0.06 122	0.05 203	0.06 119	0.06 207	0.07 280	0.08 367

CAS++	0.11 207	0.07 158	0.11 169	0.14 40	0.09 258	0.12 227	0.14 171	0.24 341	0.14 161	0.11 179	0.09 104	0.11 200	0.07 122	0.14 285	0.09 61	0.11 454	0.09 459	0.09 384	0.07 296	0.07 280	0.08 367
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 164	0.06 71	0.11 169	0.20 433	0.10 361	0.10 145	0.12 71	0.17 189	0.12 101	0.12 217	0.13 199	0.09 142	0.07 122	0.11 125	0.13 302	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.05 135

MyStereo07	0.10 164	0.07 158	0.10 125	0.17 236	0.09 258	0.14 302	0.18 389	0.15 124	0.15 180	0.09 114	0.06 14	0.06 21	0.07 122	0.12 213	0.09 61	0.06 122	0.05 203	0.08 303	0.07 296	0.06 212	0.06 222

MyStereo06	0.10 164	0.07 158	0.12 204	0.17 236	0.09 258	0.13 270	0.18 389	0.19 241	0.12 101	0.12 217	0.08 83	0.07 76	0.07 122	0.11 125	0.09 61	0.06 122	0.05 203	0.07 218	0.07 296	0.06 212	0.06 222

UniTT-Stereo	0.09 101	0.07 158	0.08 38	0.18 318	0.08 140	0.13 270	0.11 51	0.12 55	0.11 71	0.10 148	0.12 185	0.05 1	0.07 122	0.09 37	0.09 61	0.07 262	0.05 203	0.05 33	0.05 129	0.05 111	0.05 135

CASnet	0.09 101	0.09 335	0.09 83	0.19 376	0.06 15	0.07 32	0.11 51	0.18 219	0.14 161	0.11 179	0.10 134	0.09 142	0.07 122	0.10 75	0.10 139	0.06 122	0.04 24	0.10 432	0.08 361	0.05 111	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 101	0.06 71	0.13 250	0.17 236	0.08 140	0.10 145	0.16 309	0.14 93	0.10 43	0.08 78	0.09 104	0.08 117	0.07 122	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

HanStereo	0.09 101	0.06 71	0.13 250	0.17 236	0.08 140	0.10 145	0.16 309	0.14 93	0.10 43	0.08 78	0.09 104	0.08 117	0.07 122	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

LL-Strereo2	0.10 164	0.10 393	0.15 337	0.18 318	0.08 140	0.15 328	0.09 18	0.17 189	0.14 161	0.14 265	0.10 134	0.09 142	0.07 122	0.16 341	0.10 139	0.05 31	0.05 203	0.10 432	0.07 296	0.06 212	0.05 135

4D-IteraStereo	0.09 101	0.07 158	0.10 125	0.18 318	0.07 82	0.09 93	0.15 243	0.17 189	0.15 180	0.10 148	0.11 171	0.10 175	0.07 122	0.11 125	0.09 61	0.05 31	0.03 1	0.08 303	0.07 296	0.06 212	0.05 135

RCA-Stereo	0.09 101	0.06 71	0.09 83	0.16 160	0.06 15	0.09 93	0.13 118	0.18 219	0.14 161	0.09 114	0.10 134	0.08 117	0.07 122	0.12 213	0.11 210	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

RAFT_CTSACE	0.12 274	0.09 335	0.10 125	0.22 478	0.08 140	0.12 227	0.24 500	0.18 219	0.16 209	0.20 405	0.27 417	0.13 242	0.07 122	0.13 259	0.09 61	0.05 31	0.06 332	0.08 303	0.07 296	0.04 20	0.04 47

IPLG	0.10 164	0.07 158	0.15 337	0.17 236	0.08 140	0.11 191	0.14 171	0.20 252	0.15 180	0.12 217	0.17 263	0.07 76	0.07 122	0.14 285	0.13 302	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

MIPNet	0.11 207	0.08 259	0.14 285	0.17 236	0.09 258	0.12 227	0.14 171	0.20 252	0.24 349	0.11 179	0.10 134	0.09 142	0.07 122	0.13 259	0.12 261	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

iRaftStereo_RVC	0.10 164	0.07 158	0.09 83	0.17 236	0.09 258	0.11 191	0.17 343	0.18 219	0.12 101	0.09 114	0.12 185	0.10 175	0.07 122	0.11 125	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.04 20	0.04 47

CREStereo++_RVC	0.08 53	0.04 1	0.06 4	0.13 13	0.07 82	0.09 93	0.12 71	0.14 93	0.14 161	0.10 148	0.14 213	0.08 117	0.07 122	0.09 37	0.11 210	0.06 122	0.04 24	0.05 33	0.05 129	0.04 20	0.04 47
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
raftrobust	0.09 101	0.06 71	0.10 125	0.17 236	0.08 140	0.09 93	0.10 29	0.18 219	0.16 209	0.10 148	0.09 104	0.12 217	0.07 122	0.12 213	0.10 139	0.08 324	0.05 203	0.06 119	0.05 129	0.05 111	0.05 135

sCroCo_RVC	0.12 274	0.09 335	0.23 470	0.24 508	0.11 411	0.19 421	0.14 171	0.17 189	0.14 161	0.10 148	0.13 199	0.12 217	0.07 122	0.14 285	0.11 210	0.08 324	0.08 430	0.08 303	0.08 361	0.05 111	0.07 303

EAI-Stereo	0.09 101	0.07 158	0.11 169	0.15 82	0.06 15	0.10 145	0.15 243	0.16 153	0.09 28	0.08 78	0.09 104	0.08 117	0.07 122	0.09 37	0.11 210	0.05 31	0.04 24	0.05 33	0.05 129	0.05 111	0.04 47

PMTNet	0.09 101	0.05 23	0.09 83	0.12 4	0.06 15	0.12 227	0.14 171	0.15 124	0.11 71	0.09 114	0.13 199	0.10 175	0.07 122	0.13 259	0.10 139	0.15 520	0.04 24	0.05 33	0.03 1	0.07 280	0.06 222

MS-F	0.08 53	0.04 1	0.10 125	0.13 13	0.06 15	0.09 93	0.12 71	0.13 72	0.08 15	0.06 13	0.07 45	0.06 21	0.08 161	0.10 75	0.11 210	0.06 122	0.05 203	0.04 1	0.03 1	0.04 20	0.04 47

CSFM-Stereo	0.07 4	0.05 23	0.07 8	0.14 40	0.06 15	0.09 93	0.13 118	0.15 124	0.06 4	0.07 42	0.08 83	0.06 21	0.08 161	0.09 37	0.09 61	0.06 122	0.05 203	0.04 1	0.03 1	0.04 20	0.04 47

DA	0.08 53	0.07 158	0.07 8	0.19 376	0.08 140	0.09 93	0.12 71	0.13 72	0.12 101	0.08 78	0.10 134	0.10 175	0.08 161	0.09 37	0.10 139	0.05 31	0.04 24	0.06 119	0.04 45	0.05 111	0.03 2

GGEV	0.08 53	0.07 158	0.07 8	0.19 376	0.08 140	0.09 93	0.12 71	0.13 72	0.12 101	0.08 78	0.10 134	0.10 175	0.08 161	0.09 37	0.10 139	0.05 31	0.04 24	0.06 119	0.04 45	0.05 111	0.03 2

Reg-Stereo(zero)	0.08 53	0.05 23	0.08 38	0.16 160	0.06 15	0.12 227	0.11 51	0.15 124	0.10 43	0.12 217	0.09 104	0.10 175	0.08 161	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

castereo	0.09 101	0.06 71	0.11 169	0.15 82	0.06 15	0.11 191	0.15 243	0.14 93	0.18 255	0.08 78	0.10 134	0.11 200	0.08 161	0.09 37	0.10 139	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

999	0.09 101	0.05 23	0.13 250	0.15 82	0.08 140	0.10 145	0.14 171	0.15 124	0.11 71	0.10 148	0.08 83	0.08 117	0.08 161	0.16 341	0.10 139	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.05 135

rvit_stereo_0080	0.10 164	0.08 259	0.14 285	0.15 82	0.09 258	0.07 32	0.15 243	0.16 153	0.16 209	0.11 179	0.10 134	0.14 262	0.08 161	0.12 213	0.10 139	0.09 383	0.07 404	0.07 218	0.06 207	0.07 280	0.05 135

gcap-zeroshot	0.09 101	0.05 23	0.10 125	0.16 160	0.07 82	0.13 270	0.13 118	0.11 35	0.12 101	0.13 244	0.12 185	0.09 142	0.08 161	0.09 37	0.09 61	0.06 122	0.05 203	0.06 119	0.05 129	0.04 20	0.04 47

trnet	0.08 53	0.05 23	0.07 8	0.12 4	0.05 1	0.12 227	0.11 51	0.13 72	0.10 43	0.08 78	0.13 199	0.09 142	0.08 161	0.11 125	0.10 139	0.08 324	0.05 203	0.05 33	0.03 1	0.06 212	0.05 135

Former-RAFT_DAM_RVC	0.10 164	0.08 259	0.12 204	0.16 160	0.08 140	0.15 328	0.16 309	0.18 219	0.18 255	0.10 148	0.09 104	0.09 142	0.08 161	0.11 125	0.12 261	0.07 262	0.05 203	0.08 303	0.06 207	0.07 280	0.06 222

AE-Stereo	0.10 164	0.08 259	0.10 125	0.18 318	0.09 258	0.10 145	0.15 243	0.14 93	0.19 271	0.09 114	0.14 213	0.12 217	0.08 161	0.11 125	0.10 139	0.05 31	0.06 332	0.07 218	0.06 207	0.05 111	0.04 47

whm_eth	0.10 164	0.08 259	0.14 285	0.15 82	0.09 258	0.07 32	0.15 243	0.16 153	0.16 209	0.11 179	0.10 134	0.14 262	0.08 161	0.12 213	0.10 139	0.09 383	0.07 404	0.07 218	0.06 207	0.07 280	0.05 135

testlalala_base	0.10 164	0.09 335	0.14 285	0.21 462	0.08 140	0.10 145	0.14 171	0.13 72	0.10 43	0.07 42	0.15 230	0.07 76	0.08 161	0.10 75	0.12 261	0.08 324	0.05 203	0.05 33	0.03 1	0.06 212	0.05 135

AEACV	0.08 53	0.05 23	0.08 38	0.14 40	0.13 466	0.14 302	0.13 118	0.14 93	0.09 28	0.07 42	0.09 104	0.07 76	0.08 161	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

GLC_STEREO	0.11 207	0.07 158	0.11 169	0.17 236	0.07 82	0.09 93	0.13 118	0.15 124	0.24 349	0.12 217	0.13 199	0.12 217	0.08 161	0.18 394	0.11 210	0.06 122	0.08 430	0.08 303	0.06 207	0.05 111	0.05 135

IPLGR	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.12 227	0.17 343	0.21 275	0.24 349	0.11 179	0.12 185	0.11 200	0.08 161	0.12 213	0.12 261	0.06 122	0.05 203	0.06 119	0.06 207	0.04 20	0.04 47

test-3	0.08 53	0.06 71	0.09 83	0.17 236	0.07 82	0.07 32	0.14 171	0.12 55	0.15 180	0.09 114	0.08 83	0.07 76	0.08 161	0.11 125	0.10 139	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.04 47

test_1	0.08 53	0.06 71	0.09 83	0.17 236	0.07 82	0.07 32	0.14 171	0.12 55	0.15 180	0.09 114	0.08 83	0.07 76	0.08 161	0.11 125	0.10 139	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.04 47

HHNet	0.11 207	0.06 71	0.16 371	0.15 82	0.14 486	0.07 32	0.13 118	0.20 252	0.17 229	0.14 265	0.25 391	0.11 200	0.08 161	0.13 259	0.10 139	0.05 31	0.04 24	0.08 303	0.06 207	0.05 111	0.09 412

AnonymousM	0.09 101	0.05 23	0.10 125	0.14 40	0.06 15	0.09 93	0.13 118	0.19 241	0.14 161	0.13 244	0.11 171	0.09 142	0.08 161	0.13 259	0.10 139	0.08 324	0.05 203	0.08 303	0.05 129	0.05 111	0.05 135

test-1	0.10 164	0.07 158	0.16 371	0.19 376	0.08 140	0.11 191	0.24 500	0.14 93	0.18 255	0.09 114	0.07 45	0.09 142	0.08 161	0.07 4	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

Prome-Stereo	0.11 207	0.06 71	0.10 125	0.18 318	0.08 140	0.12 227	0.15 243	0.22 298	0.13 136	0.12 217	0.17 263	0.13 242	0.08 161	0.12 213	0.10 139	0.05 31	0.04 24	0.07 218	0.06 207	0.06 212	0.09 412

raft+_RVC	0.11 207	0.07 158	0.09 83	0.16 160	0.07 82	0.10 145	0.11 51	0.24 341	0.20 294	0.12 217	0.15 230	0.12 217	0.08 161	0.12 213	0.13 302	0.07 262	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

XX-TBD	0.09 101	0.06 71	0.07 8	0.14 40	0.07 82	0.12 227	0.16 309	0.14 93	0.13 136	0.11 179	0.12 185	0.09 142	0.08 161	0.10 75	0.10 139	0.06 122	0.04 24	0.05 33	0.03 1	0.06 212	0.05 135

sAnonymous2	0.13 299	0.12 437	0.24 474	0.20 433	0.12 443	0.17 379	0.13 118	0.26 375	0.21 309	0.11 179	0.11 171	0.13 242	0.08 161	0.10 75	0.10 139	0.09 383	0.05 203	0.08 303	0.06 207	0.15 523	0.10 439

CroCo_RVC	0.13 299	0.12 437	0.24 474	0.20 433	0.12 443	0.17 379	0.13 118	0.26 375	0.21 309	0.11 179	0.11 171	0.13 242	0.08 161	0.10 75	0.10 139	0.09 383	0.05 203	0.08 303	0.06 207	0.15 523	0.10 439

CREStereo	0.09 101	0.04 1	0.08 38	0.11 1	0.06 15	0.13 270	0.14 171	0.14 93	0.10 43	0.08 78	0.13 199	0.09 142	0.08 161	0.11 125	0.10 139	0.08 324	0.04 24	0.05 33	0.03 1	0.06 212	0.06 222
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 164	0.06 71	0.10 125	0.17 236	0.08 140	0.11 191	0.14 171	0.23 318	0.11 71	0.12 217	0.19 297	0.11 200	0.08 161	0.09 37	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.05 135

RAFT-Stereo	0.10 164	0.06 71	0.10 125	0.17 236	0.08 140	0.11 191	0.14 171	0.23 318	0.11 71	0.12 217	0.19 297	0.11 200	0.08 161	0.09 37	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.05 135
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
OmniDepth	0.07 4	0.07 158	0.08 38	0.18 318	0.06 15	0.07 32	0.11 51	0.09 11	0.06 4	0.04 1	0.07 45	0.10 175	0.09 191	0.08 17	0.08 17	0.04 11	0.03 1	0.04 1	0.04 45	0.03 1	0.03 2

water-stereo	0.09 101	0.06 71	0.08 38	0.16 160	0.07 82	0.09 93	0.13 118	0.15 124	0.13 136	0.11 179	0.12 185	0.08 117	0.09 191	0.07 4	0.08 17	0.06 122	0.05 203	0.05 33	0.05 129	0.04 20	0.04 47

DilatedVolume-Stereo	0.09 101	0.05 23	0.08 38	0.15 82	0.06 15	0.11 191	0.12 71	0.14 93	0.16 209	0.11 179	0.11 171	0.09 142	0.09 191	0.11 125	0.10 139	0.06 122	0.05 203	0.05 33	0.04 45	0.03 1	0.03 2

S2M2_L	0.09 101	0.08 259	0.11 169	0.13 13	0.10 361	0.08 57	0.06 1	0.10 20	0.10 43	0.10 148	0.09 104	0.10 175	0.09 191	0.11 125	0.11 210	0.13 502	0.07 404	0.08 303	0.09 408	0.10 438	0.08 367
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
SGD-Stereo	0.08 53	0.05 23	0.10 125	0.14 40	0.05 1	0.12 227	0.12 71	0.11 35	0.12 101	0.07 42	0.09 104	0.09 142	0.09 191	0.08 17	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.03 2

HI	0.11 207	0.06 71	0.11 169	0.13 13	0.09 258	0.09 93	0.14 171	0.21 275	0.10 43	0.19 382	0.17 263	0.14 262	0.09 191	0.16 341	0.08 17	0.05 31	0.04 24	0.07 218	0.08 361	0.07 280	0.06 222

CoSv	0.11 207	0.06 71	0.11 169	0.13 13	0.09 258	0.09 93	0.14 171	0.21 275	0.10 43	0.19 382	0.17 263	0.14 262	0.09 191	0.16 341	0.08 17	0.05 31	0.04 24	0.07 218	0.08 361	0.07 280	0.06 222

fffy	0.09 101	0.08 259	0.09 83	0.16 160	0.07 82	0.13 270	0.17 343	0.13 72	0.12 101	0.08 78	0.09 104	0.08 117	0.09 191	0.13 259	0.11 210	0.05 31	0.05 203	0.07 218	0.05 129	0.04 20	0.05 135

rvit_stereo_0081_aga	0.11 207	0.09 335	0.14 285	0.18 318	0.09 258	0.13 270	0.14 171	0.14 93	0.19 271	0.10 148	0.18 288	0.16 305	0.09 191	0.12 213	0.09 61	0.10 425	0.06 332	0.08 303	0.07 296	0.07 280	0.06 222

rvit_stereo_0081	0.11 207	0.08 259	0.15 337	0.16 160	0.09 258	0.10 145	0.14 171	0.14 93	0.24 349	0.11 179	0.13 199	0.13 242	0.09 191	0.11 125	0.12 261	0.10 425	0.07 404	0.08 303	0.07 296	0.07 280	0.05 135

rvit_stereo_0082	0.11 207	0.08 259	0.15 337	0.16 160	0.09 258	0.10 145	0.14 171	0.14 93	0.24 349	0.11 179	0.13 199	0.13 242	0.09 191	0.11 125	0.12 261	0.10 425	0.07 404	0.08 303	0.07 296	0.07 280	0.05 135

EKT-Stereo	0.11 207	0.07 158	0.14 285	0.15 82	0.10 361	0.13 270	0.14 171	0.18 219	0.21 309	0.11 179	0.08 83	0.12 217	0.09 191	0.11 125	0.12 261	0.08 324	0.06 332	0.07 218	0.06 207	0.08 343	0.07 303

GCAP-Stereo	0.09 101	0.07 158	0.13 250	0.18 318	0.06 15	0.11 191	0.07 3	0.13 72	0.12 101	0.09 114	0.10 134	0.07 76	0.09 191	0.13 259	0.10 139	0.06 122	0.05 203	0.05 33	0.04 45	0.04 20	0.05 135

Any-RAFT	0.10 164	0.05 23	0.09 83	0.14 40	0.07 82	0.13 270	0.14 171	0.21 275	0.15 180	0.11 179	0.12 185	0.12 217	0.09 191	0.12 213	0.09 61	0.07 262	0.04 24	0.05 33	0.04 45	0.06 212	0.05 135

RAFT-Test	0.09 101	0.06 71	0.10 125	0.15 82	0.07 82	0.11 191	0.15 243	0.16 153	0.13 136	0.09 114	0.10 134	0.10 175	0.09 191	0.12 213	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

LoS_RVC	0.08 53	0.05 23	0.07 8	0.15 82	0.07 82	0.08 57	0.15 243	0.11 35	0.10 43	0.08 78	0.09 104	0.06 21	0.09 191	0.10 75	0.09 61	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.03 2

anonymousdsp2	0.11 207	0.07 158	0.10 125	0.16 160	0.09 258	0.13 270	0.14 171	0.18 219	0.22 323	0.13 244	0.14 213	0.12 217	0.09 191	0.14 285	0.11 210	0.05 31	0.04 24	0.05 33	0.04 45	0.06 212	0.05 135

LoS	0.09 101	0.05 23	0.11 169	0.13 13	0.07 82	0.14 302	0.11 51	0.15 124	0.15 180	0.09 114	0.09 104	0.12 217	0.09 191	0.15 307	0.10 139	0.07 262	0.05 203	0.05 33	0.03 1	0.05 111	0.05 135
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 207	0.05 23	0.12 204	0.13 13	0.07 82	0.15 328	0.14 171	0.19 241	0.13 136	0.11 179	0.17 263	0.13 242	0.09 191	0.13 259	0.11 210	0.08 324	0.05 203	0.06 119	0.05 129	0.08 343	0.07 303

test_4	0.10 164	0.10 393	0.08 38	0.19 376	0.09 258	0.08 57	0.22 477	0.15 124	0.17 229	0.12 217	0.18 288	0.12 217	0.09 191	0.08 17	0.11 210	0.04 11	0.04 24	0.08 303	0.08 361	0.04 20	0.03 2

iRaft-Stereo_5w	0.12 274	0.09 335	0.12 204	0.19 376	0.08 140	0.09 93	0.12 71	0.21 275	0.21 309	0.19 382	0.14 213	0.11 200	0.09 191	0.20 434	0.16 383	0.05 31	0.05 203	0.07 218	0.06 207	0.05 111	0.06 222

CIPLG	0.11 207	0.08 259	0.14 285	0.17 236	0.08 140	0.12 227	0.15 243	0.17 189	0.15 180	0.14 265	0.11 171	0.16 305	0.09 191	0.16 341	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

dd	0.15 377	0.16 496	0.16 371	0.19 376	0.09 258	0.15 328	0.18 389	0.21 275	0.25 370	0.23 447	0.20 309	0.21 374	0.09 191	0.21 451	0.16 383	0.10 425	0.06 332	0.08 303	0.06 207	0.08 343	0.06 222

IPLGR_C	0.11 207	0.08 259	0.14 285	0.17 236	0.08 140	0.12 227	0.15 243	0.17 189	0.15 180	0.14 265	0.10 134	0.16 305	0.09 191	0.16 341	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

ACRE	0.11 207	0.08 259	0.14 285	0.17 236	0.08 140	0.12 227	0.15 243	0.17 189	0.14 161	0.14 265	0.10 134	0.16 305	0.09 191	0.16 341	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

test_3	0.10 164	0.09 335	0.10 125	0.20 433	0.08 140	0.13 270	0.26 524	0.14 93	0.21 309	0.10 148	0.10 134	0.09 142	0.09 191	0.08 17	0.11 210	0.05 31	0.04 24	0.08 303	0.07 296	0.04 20	0.04 47

Pruner-Stereo	0.11 207	0.07 158	0.12 204	0.17 236	0.09 258	0.06 10	0.12 71	0.17 189	0.17 229	0.13 244	0.19 297	0.13 242	0.09 191	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.08 367

RAFT-345	0.11 207	0.07 158	0.15 337	0.16 160	0.08 140	0.08 57	0.12 71	0.15 124	0.10 43	0.11 179	0.36 484	0.09 142	0.09 191	0.11 125	0.12 261	0.05 31	0.05 203	0.07 218	0.06 207	0.04 20	0.05 135

RALAANet	0.11 207	0.08 259	0.10 125	0.17 236	0.09 258	0.14 302	0.10 29	0.20 252	0.15 180	0.14 265	0.13 199	0.16 305	0.09 191	0.12 213	0.11 210	0.06 122	0.05 203	0.07 218	0.06 207	0.05 111	0.04 47

RAFT-Stereo + iAFF	0.09 101	0.06 71	0.10 125	0.17 236	0.06 15	0.10 145	0.16 309	0.17 189	0.14 161	0.09 114	0.10 134	0.08 117	0.09 191	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.06 207	0.04 20	0.03 2

AFF-stereo	0.09 101	0.06 71	0.10 125	0.17 236	0.07 82	0.10 145	0.16 309	0.17 189	0.09 28	0.10 148	0.12 185	0.09 142	0.09 191	0.12 213	0.09 61	0.05 31	0.04 24	0.07 218	0.07 296	0.04 20	0.03 2

CFNet-RSSM	0.09 101	0.07 158	0.09 83	0.16 160	0.07 82	0.09 93	0.15 243	0.16 153	0.17 229	0.08 78	0.12 185	0.10 175	0.09 191	0.11 125	0.09 61	0.06 122	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

Gwc-CoAtRS	0.09 101	0.06 71	0.10 125	0.16 160	0.07 82	0.10 145	0.14 171	0.17 189	0.17 229	0.08 78	0.10 134	0.12 217	0.09 191	0.12 213	0.09 61	0.06 122	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

xyz-stereo-finetune	0.11 207	0.08 259	0.13 250	0.14 40	0.06 15	0.10 145	0.19 429	0.17 189	0.19 271	0.12 217	0.14 213	0.15 291	0.10 224	0.13 259	0.11 210	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.05 135

rvit_stereo_0083	0.12 274	0.08 259	0.17 399	0.16 160	0.09 258	0.11 191	0.15 243	0.14 93	0.26 384	0.11 179	0.14 213	0.13 242	0.10 224	0.12 213	0.12 261	0.10 425	0.08 430	0.09 384	0.07 296	0.07 280	0.05 135

rvit_stereo_ft	0.12 274	0.07 158	0.13 250	0.19 376	0.10 361	0.12 227	0.17 343	0.16 153	0.16 209	0.12 217	0.13 199	0.15 291	0.10 224	0.14 285	0.13 302	0.09 383	0.06 332	0.08 303	0.07 296	0.07 280	0.05 135

H2IRNET	0.10 164	0.09 335	0.09 83	0.18 318	0.09 258	0.12 227	0.15 243	0.14 93	0.21 309	0.10 148	0.10 134	0.10 175	0.10 224	0.10 75	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.06 212	0.05 135

MyStereo8	0.12 274	0.07 158	0.15 337	0.15 82	0.09 258	0.18 398	0.14 171	0.19 241	0.22 323	0.12 217	0.18 288	0.11 200	0.10 224	0.16 341	0.18 416	0.07 262	0.05 203	0.07 218	0.05 129	0.08 343	0.09 412

MyStereo04	0.13 299	0.07 158	0.10 125	0.17 236	0.09 258	0.14 302	0.18 389	0.29 427	0.38 486	0.17 336	0.14 213	0.16 305	0.10 224	0.15 307	0.13 302	0.06 122	0.05 203	0.08 303	0.07 296	0.06 212	0.06 222

StereoVision	0.13 299	0.12 437	0.09 83	0.24 508	0.10 361	0.15 328	0.21 467	0.21 275	0.20 294	0.12 217	0.24 361	0.10 175	0.10 224	0.16 341	0.10 139	0.09 383	0.11 491	0.12 483	0.12 498	0.06 212	0.05 135

DCRE	0.11 207	0.07 158	0.13 250	0.16 160	0.11 411	0.11 191	0.17 343	0.18 219	0.17 229	0.11 179	0.18 288	0.10 175	0.10 224	0.15 307	0.11 210	0.06 122	0.05 203	0.06 119	0.06 207	0.05 111	0.04 47

Selective-RAFT	0.11 207	0.10 393	0.11 169	0.21 462	0.08 140	0.16 358	0.13 118	0.20 252	0.22 323	0.10 148	0.10 134	0.11 200	0.10 224	0.15 307	0.11 210	0.05 31	0.05 203	0.06 119	0.05 129	0.06 212	0.05 135

TestStereo1	0.13 299	0.08 259	0.08 38	0.19 376	0.08 140	0.18 398	0.29 546	0.23 318	0.16 209	0.17 336	0.20 309	0.16 305	0.10 224	0.12 213	0.13 302	0.06 122	0.06 332	0.08 303	0.06 207	0.05 111	0.05 135

DisPM	0.11 207	0.07 158	0.12 204	0.16 160	0.09 258	0.06 10	0.13 118	0.17 189	0.17 229	0.14 265	0.20 309	0.12 217	0.10 224	0.11 125	0.10 139	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.11 465

raft_robust	0.13 299	0.10 393	0.07 8	0.18 318	0.08 140	0.13 270	0.24 500	0.28 416	0.33 447	0.20 405	0.19 297	0.14 262	0.10 224	0.11 125	0.12 261	0.05 31	0.05 203	0.07 218	0.07 296	0.05 111	0.04 47

RAFT+CT+SA	0.13 299	0.11 419	0.09 83	0.19 376	0.09 258	0.15 328	0.28 537	0.22 298	0.22 323	0.15 292	0.26 408	0.10 175	0.10 224	0.11 125	0.12 261	0.05 31	0.04 24	0.07 218	0.08 361	0.07 280	0.06 222

SA-5K	0.13 299	0.08 259	0.08 38	0.19 376	0.08 140	0.18 398	0.29 546	0.23 318	0.16 209	0.17 336	0.20 309	0.16 305	0.10 224	0.12 213	0.13 302	0.06 122	0.06 332	0.08 303	0.06 207	0.05 111	0.05 135

PFNet+	0.11 207	0.06 71	0.13 250	0.16 160	0.09 258	0.05 4	0.12 71	0.17 189	0.21 309	0.16 320	0.19 297	0.14 262	0.10 224	0.11 125	0.11 210	0.08 324	0.05 203	0.09 384	0.08 361	0.06 212	0.11 465

STrans-v2	0.10 164	0.07 158	0.12 204	0.18 318	0.07 82	0.10 145	0.14 171	0.21 275	0.11 71	0.11 179	0.15 230	0.12 217	0.10 224	0.11 125	0.12 261	0.05 31	0.04 24	0.06 119	0.06 207	0.04 20	0.04 47

KYRaft	0.11 207	0.07 158	0.10 125	0.19 376	0.09 258	0.08 57	0.15 243	0.22 298	0.12 101	0.13 244	0.16 242	0.20 365	0.10 224	0.12 213	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.06 212	0.16 533

ASMatch	0.11 207	0.06 71	0.13 250	0.16 160	0.10 361	0.07 32	0.14 171	0.17 189	0.17 229	0.12 217	0.16 242	0.16 305	0.10 224	0.13 259	0.10 139	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.08 367

RAFT-RH_RVC	0.11 207	0.06 71	0.14 285	0.16 160	0.09 258	0.12 227	0.12 71	0.17 189	0.12 101	0.13 244	0.41 521	0.11 200	0.10 224	0.13 259	0.12 261	0.05 31	0.04 24	0.08 303	0.05 129	0.04 20	0.06 222

cross-raft	0.10 164	0.09 335	0.09 83	0.19 376	0.07 82	0.11 191	0.25 515	0.13 72	0.15 180	0.08 78	0.11 171	0.12 217	0.10 224	0.09 37	0.11 210	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

rafts_anoy	0.11 207	0.06 71	0.10 125	0.17 236	0.08 140	0.10 145	0.14 171	0.17 189	0.14 161	0.13 244	0.13 199	0.12 217	0.10 224	0.11 125	0.12 261	0.07 262	0.04 24	0.09 384	0.11 479	0.07 280	0.06 222

Anonymous3	0.16 400	0.13 466	0.33 513	0.26 524	0.14 486	0.27 510	0.17 343	0.28 416	0.28 408	0.15 292	0.17 263	0.14 262	0.10 224	0.15 307	0.12 261	0.08 324	0.08 430	0.08 303	0.08 361	0.08 343	0.11 465

RALCasStereoNet	0.10 164	0.06 71	0.09 83	0.16 160	0.08 140	0.12 227	0.14 171	0.17 189	0.11 71	0.12 217	0.17 263	0.14 262	0.10 224	0.12 213	0.11 210	0.07 262	0.06 332	0.06 119	0.05 129	0.08 343	0.07 303

RAFT + AFF	0.13 299	0.07 158	0.20 445	0.20 433	0.10 361	0.14 302	0.24 500	0.26 375	0.20 294	0.11 179	0.10 134	0.12 217	0.10 224	0.15 307	0.12 261	0.07 262	0.06 332	0.09 384	0.08 361	0.06 212	0.08 367

GMStereo	0.13 299	0.14 478	0.14 285	0.18 318	0.09 258	0.15 328	0.16 309	0.20 252	0.24 349	0.16 320	0.17 263	0.10 175	0.10 224	0.16 341	0.13 302	0.07 262	0.06 332	0.06 119	0.06 207	0.07 280	0.06 222
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MultiAttention	0.29 532	0.08 259	0.14 285	0.19 376	0.12 443	1.45 598	1.33 600	0.36 512	0.37 479	0.19 382	0.21 330	0.24 416	0.11 249	0.38 548	0.18 416	0.06 122	0.05 203	0.08 303	0.08 361	0.10 438	0.09 412

depthmonostereo	0.09 101	0.06 71	0.09 83	0.15 82	0.06 15	0.10 145	0.13 118	0.14 93	0.14 161	0.10 148	0.10 134	0.09 142	0.11 249	0.08 17	0.09 61	0.06 122	0.05 203	0.06 119	0.04 45	0.04 20	0.03 2

MyStereo05	0.13 299	0.07 158	0.10 125	0.17 236	0.09 258	0.13 270	0.18 389	0.27 396	0.35 468	0.17 336	0.14 213	0.15 291	0.11 249	0.15 307	0.13 302	0.06 122	0.05 203	0.07 218	0.07 296	0.06 212	0.06 222

CoDeX	0.12 274	0.07 158	0.12 204	0.17 236	0.08 140	0.12 227	0.15 243	0.23 318	0.27 394	0.13 244	0.17 263	0.16 305	0.11 249	0.14 285	0.11 210	0.07 262	0.05 203	0.07 218	0.06 207	0.06 212	0.05 135

GMStereo_Zeroshot	0.16 400	0.13 466	0.24 474	0.20 433	0.10 361	0.17 379	0.13 118	0.29 427	0.25 370	0.23 447	0.32 461	0.25 430	0.11 249	0.19 409	0.14 339	0.09 383	0.06 332	0.11 463	0.06 207	0.12 477	0.08 367

MIF-Stereo (partial)	0.11 207	0.06 71	0.10 125	0.19 376	0.10 361	0.10 145	0.11 51	0.17 189	0.18 255	0.14 265	0.16 242	0.09 142	0.11 249	0.12 213	0.12 261	0.08 324	0.05 203	0.08 303	0.07 296	0.06 212	0.07 303

riskmin	0.11 207	0.06 71	0.13 250	0.14 40	0.08 140	0.14 302	0.14 171	0.18 219	0.14 161	0.11 179	0.14 213	0.16 305	0.11 249	0.14 285	0.12 261	0.09 383	0.05 203	0.07 218	0.05 129	0.08 343	0.08 367

fff	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.09 93	0.17 343	0.16 153	0.20 294	0.13 244	0.16 242	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

Sa-1000	0.12 274	0.08 259	0.08 38	0.18 318	0.08 140	0.14 302	0.22 477	0.22 298	0.18 255	0.15 292	0.20 309	0.17 325	0.11 249	0.10 75	0.10 139	0.06 122	0.05 203	0.09 384	0.09 408	0.05 111	0.05 135

SA	0.12 274	0.09 335	0.08 38	0.18 318	0.08 140	0.12 227	0.24 500	0.23 318	0.18 255	0.17 336	0.27 417	0.14 262	0.11 249	0.11 125	0.11 210	0.05 31	0.05 203	0.09 384	0.08 361	0.05 111	0.04 47

CrosDoStereo	0.12 274	0.06 71	0.12 204	0.14 40	0.08 140	0.12 227	0.15 243	0.17 189	0.22 323	0.19 382	0.24 361	0.15 291	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.07 218	0.07 296	0.05 111	0.05 135

LCNet	0.11 207	0.07 158	0.09 83	0.19 376	0.09 258	0.08 57	0.15 243	0.21 275	0.15 180	0.11 179	0.15 230	0.16 305	0.11 249	0.12 213	0.11 210	0.05 31	0.04 24	0.08 303	0.07 296	0.06 212	0.15 522

TransformOpticalFlow	0.10 164	0.08 259	0.13 250	0.18 318	0.07 82	0.09 93	0.15 243	0.19 241	0.15 180	0.12 217	0.17 263	0.11 200	0.11 249	0.11 125	0.10 139	0.05 31	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

NF-Stereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

OCTAStereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

PSM-softLoss	0.12 274	0.07 158	0.15 337	0.17 236	0.09 258	0.08 57	0.13 118	0.24 341	0.17 229	0.14 265	0.19 297	0.13 242	0.11 249	0.11 125	0.11 210	0.07 262	0.05 203	0.08 303	0.07 296	0.06 212	0.12 478

KMStereo	0.12 274	0.07 158	0.15 337	0.17 236	0.09 258	0.08 57	0.13 118	0.24 341	0.17 229	0.14 265	0.19 297	0.13 242	0.11 249	0.11 125	0.11 210	0.07 262	0.05 203	0.08 303	0.07 296	0.06 212	0.12 478

PSM-AAD	0.11 207	0.07 158	0.10 125	0.19 376	0.09 258	0.10 145	0.15 243	0.20 252	0.13 136	0.12 217	0.14 213	0.18 339	0.11 249	0.11 125	0.10 139	0.05 31	0.05 203	0.09 384	0.08 361	0.06 212	0.14 515

DeepStereo_LL	0.12 274	0.06 71	0.12 204	0.14 40	0.08 140	0.12 227	0.15 243	0.17 189	0.22 323	0.19 382	0.24 361	0.15 291	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.07 218	0.07 296	0.05 111	0.05 135

PFNet	0.12 274	0.06 71	0.17 399	0.17 236	0.08 140	0.09 93	0.15 243	0.26 375	0.20 294	0.16 320	0.16 242	0.14 262	0.11 249	0.12 213	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

GrayStereo	0.11 207	0.06 71	0.11 169	0.19 376	0.09 258	0.09 93	0.16 309	0.18 219	0.17 229	0.14 265	0.17 263	0.17 325	0.11 249	0.12 213	0.11 210	0.05 31	0.05 203	0.07 218	0.06 207	0.05 111	0.10 439

RE-Stereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

TVStereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

GMM-Stereo	0.11 207	0.07 158	0.10 125	0.18 318	0.09 258	0.08 57	0.15 243	0.23 318	0.16 209	0.11 179	0.15 230	0.13 242	0.11 249	0.11 125	0.11 210	0.05 31	0.04 24	0.08 303	0.07 296	0.06 212	0.09 412

s12784h	0.09 101	0.06 71	0.07 8	0.15 82	0.05 1	0.16 358	0.18 389	0.15 124	0.15 180	0.10 148	0.11 171	0.11 200	0.11 249	0.10 75	0.12 261	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

DCANet	0.10 164	0.06 71	0.12 204	0.16 160	0.06 15	0.09 93	0.17 343	0.15 124	0.19 271	0.13 244	0.17 263	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

csc	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.09 93	0.17 343	0.16 153	0.20 294	0.13 244	0.16 242	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

cscssc	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.09 93	0.17 343	0.16 153	0.20 294	0.13 244	0.16 242	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

111	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.10 145	0.14 171	0.21 275	0.23 333	0.11 179	0.12 185	0.14 262	0.11 249	0.13 259	0.10 139	0.06 122	0.04 24	0.06 119	0.04 45	0.05 111	0.05 135

ARAFT	0.12 274	0.08 259	0.17 399	0.19 376	0.09 258	0.14 302	0.18 389	0.20 252	0.12 101	0.12 217	0.13 199	0.14 262	0.11 249	0.15 307	0.12 261	0.06 122	0.05 203	0.10 432	0.09 408	0.05 111	0.04 47

HITNet	0.10 164	0.06 71	0.12 204	0.14 40	0.06 15	0.11 191	0.10 29	0.18 219	0.18 255	0.13 244	0.16 242	0.14 262	0.11 249	0.15 307	0.13 302	0.06 122	0.04 24	0.04 1	0.04 45	0.06 212	0.05 135
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
FlowAnything_test	0.11 207	0.08 259	0.14 285	0.15 82	0.09 258	0.07 32	0.14 171	0.20 252	0.11 71	0.09 114	0.09 104	0.12 217	0.12 280	0.13 259	0.11 210	0.09 383	0.06 332	0.09 384	0.09 408	0.06 212	0.09 412

xyz-stereo-finetune2	0.11 207	0.07 158	0.13 250	0.13 13	0.07 82	0.11 191	0.19 429	0.17 189	0.12 101	0.15 292	0.15 230	0.17 325	0.12 280	0.13 259	0.11 210	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.06 222

DFGA-Net	0.13 299	0.11 419	0.18 422	0.17 236	0.10 361	0.12 227	0.13 118	0.22 298	0.25 370	0.16 320	0.16 242	0.13 242	0.12 280	0.16 341	0.14 339	0.07 262	0.05 203	0.08 303	0.07 296	0.05 111	0.05 135

DDVS	0.15 377	0.10 393	0.21 454	0.16 160	0.12 443	0.15 328	0.14 171	0.25 357	0.19 271	0.18 366	0.29 443	0.27 448	0.12 280	0.19 409	0.15 367	0.09 383	0.06 332	0.09 384	0.07 296	0.11 461	0.11 465

rvit_0105_6	0.14 333	0.09 335	0.18 422	0.17 236	0.10 361	0.10 145	0.16 309	0.19 241	0.26 384	0.12 217	0.18 288	0.17 325	0.12 280	0.18 394	0.12 261	0.15 520	0.11 491	0.12 483	0.10 447	0.09 406	0.06 222

rvit_0105_5	0.14 333	0.09 335	0.13 250	0.17 236	0.09 258	0.14 302	0.23 488	0.24 341	0.27 394	0.14 265	0.15 230	0.18 339	0.12 280	0.17 373	0.14 339	0.14 516	0.11 491	0.10 432	0.10 447	0.08 343	0.06 222

GCST	0.37 549	0.42 567	0.26 482	1.02 591	0.39 567	0.18 398	0.08 7	0.20 252	0.17 229	0.28 497	0.25 391	0.15 291	0.12 280	0.16 341	0.14 339	0.64 587	0.43 576	0.75 584	0.65 587	0.63 580	0.46 579

plain	0.10 164	0.08 259	0.10 125	0.19 376	0.09 258	0.10 145	0.15 243	0.14 93	0.13 136	0.13 244	0.15 230	0.09 142	0.12 280	0.13 259	0.12 261	0.07 262	0.05 203	0.09 384	0.06 207	0.06 212	0.06 222

PCWNet_CMD	0.14 333	0.08 259	0.15 337	0.17 236	0.09 258	0.14 302	0.14 171	0.29 427	0.36 472	0.14 265	0.20 309	0.21 374	0.12 280	0.17 373	0.13 302	0.07 262	0.05 203	0.07 218	0.07 296	0.07 280	0.07 303

ADStereo(finetuned)	0.10 164	0.06 71	0.12 204	0.16 160	0.06 15	0.09 93	0.17 343	0.15 124	0.19 271	0.13 244	0.17 263	0.10 175	0.12 280	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

GMOStereo	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 537	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

error version	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 537	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

test-v	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 537	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

GANet-ADL	0.13 299	0.07 158	0.15 337	0.17 236	0.10 361	0.18 398	0.15 243	0.30 441	0.20 294	0.13 244	0.18 288	0.19 353	0.12 280	0.16 341	0.13 302	0.08 324	0.06 332	0.06 119	0.05 129	0.07 280	0.08 367

Patchmatch Stereo++	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.11 51	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 207	0.06 71	0.14 285	0.18 318	0.08 140	0.09 93	0.12 71	0.21 275	0.21 309	0.13 244	0.14 213	0.11 200	0.12 280	0.11 125	0.13 302	0.06 122	0.04 24	0.07 218	0.06 207	0.05 111	0.04 47

IIG-Stereo	0.11 207	0.06 71	0.13 250	0.17 236	0.08 140	0.11 191	0.12 71	0.22 298	0.17 229	0.14 265	0.17 263	0.11 200	0.12 280	0.12 213	0.12 261	0.06 122	0.05 203	0.07 218	0.06 207	0.05 111	0.04 47

NRIStereo	0.11 207	0.08 259	0.14 285	0.18 318	0.08 140	0.10 145	0.14 171	0.16 153	0.15 180	0.12 217	0.14 213	0.13 242	0.12 280	0.13 259	0.10 139	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.07 303

PSM-adaLoss	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

FTStereo	0.12 274	0.06 71	0.14 285	0.18 318	0.09 258	0.07 32	0.15 243	0.21 275	0.18 255	0.12 217	0.24 361	0.12 217	0.12 280	0.13 259	0.13 302	0.05 31	0.05 203	0.07 218	0.06 207	0.06 212	0.10 439

ROB_FTStereo_v2	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

ROB_FTStereo	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.11 51	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

HUI-Stereo	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

SST-Stereo	0.10 164	0.07 158	0.15 337	0.18 318	0.09 258	0.06 10	0.12 71	0.17 189	0.11 71	0.15 292	0.17 263	0.13 242	0.12 280	0.10 75	0.11 210	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.05 135

THIR-Stereo	0.12 274	0.07 158	0.11 169	0.15 82	0.08 140	0.14 302	0.16 309	0.17 189	0.25 370	0.16 320	0.24 361	0.14 262	0.12 280	0.12 213	0.14 339	0.06 122	0.04 24	0.07 218	0.07 296	0.05 111	0.05 135

RAFT_R40	0.11 207	0.07 158	0.14 285	0.18 318	0.09 258	0.06 10	0.13 118	0.17 189	0.16 209	0.14 265	0.18 288	0.15 291	0.12 280	0.10 75	0.11 210	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.05 135

DeepStereo_RVC	0.11 207	0.08 259	0.16 371	0.18 318	0.08 140	0.08 57	0.12 71	0.17 189	0.12 101	0.13 244	0.14 213	0.12 217	0.12 280	0.12 213	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.07 280	0.08 367

iGMRVC	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

IRAFT_RVC	0.12 274	0.08 259	0.16 371	0.19 376	0.08 140	0.07 32	0.15 243	0.24 341	0.23 333	0.14 265	0.14 213	0.15 291	0.12 280	0.12 213	0.10 139	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.06 222

iRAFT	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.11 51	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

CRE-IMP	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.10 145	0.12 71	0.18 219	0.10 43	0.14 265	0.13 199	0.13 242	0.12 280	0.12 213	0.11 210	0.07 262	0.04 24	0.08 303	0.06 207	0.08 343	0.08 367

test-2	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 537	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

RAFT	0.13 299	0.09 335	0.11 169	0.18 318	0.08 140	0.15 328	0.24 500	0.20 252	0.19 271	0.21 419	0.21 330	0.17 325	0.12 280	0.16 341	0.09 61	0.06 122	0.07 404	0.10 432	0.09 408	0.05 111	0.05 135

RAFT-IKP	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

TestStereo	0.13 299	0.14 478	0.11 169	0.23 499	0.08 140	0.15 328	0.21 467	0.20 252	0.23 333	0.14 265	0.24 361	0.16 305	0.12 280	0.16 341	0.14 339	0.05 31	0.06 332	0.08 303	0.06 207	0.09 406	0.05 135

FENet	0.13 299	0.08 259	0.12 204	0.16 160	0.08 140	0.14 302	0.15 243	0.22 298	0.23 333	0.17 336	0.23 349	0.16 305	0.12 280	0.14 285	0.15 367	0.08 324	0.05 203	0.08 303	0.08 361	0.07 280	0.07 303

DIP-Stereo	0.11 207	0.07 158	0.14 285	0.17 236	0.09 258	0.13 270	0.09 18	0.16 153	0.16 209	0.11 179	0.16 242	0.14 262	0.12 280	0.15 307	0.13 302	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 333	0.08 259	0.15 337	0.17 236	0.09 258	0.14 302	0.14 171	0.29 427	0.36 472	0.14 265	0.21 330	0.21 374	0.12 280	0.17 373	0.14 339	0.07 262	0.05 203	0.07 218	0.07 296	0.07 280	0.07 303

G2L-Stereo	0.14 333	0.07 158	0.13 250	0.17 236	0.09 258	0.13 270	0.12 71	0.27 396	0.22 323	0.16 320	0.27 417	0.21 374	0.13 318	0.17 373	0.18 416	0.09 383	0.08 430	0.08 303	0.07 296	0.07 280	0.07 303

rvit_0105_4	0.14 333	0.09 335	0.17 399	0.17 236	0.10 361	0.12 227	0.19 429	0.23 318	0.27 394	0.14 265	0.20 309	0.17 325	0.13 318	0.17 373	0.13 302	0.15 520	0.11 491	0.11 463	0.10 447	0.09 406	0.06 222

rvit_0105_3	0.15 377	0.09 335	0.14 285	0.19 376	0.12 443	0.15 328	0.25 515	0.25 357	0.29 415	0.15 292	0.17 263	0.20 365	0.13 318	0.17 373	0.14 339	0.13 502	0.11 491	0.12 483	0.14 511	0.07 280	0.06 222

UGAM	0.13 299	0.10 393	0.09 83	0.22 478	0.08 140	0.12 227	0.20 450	0.17 189	0.23 333	0.21 419	0.16 242	0.13 242	0.13 318	0.19 409	0.12 261	0.07 262	0.05 203	0.13 498	0.11 479	0.07 280	0.05 135

ffm	0.12 274	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.15 124	0.19 271	0.15 292	0.25 391	0.19 353	0.13 318	0.10 75	0.07 1	0.06 122	0.04 24	0.09 384	0.08 361	0.06 212	0.06 222

ff1	0.13 299	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.15 124	0.19 271	0.15 292	0.25 391	0.19 353	0.13 318	0.14 285	0.20 435	0.06 122	0.04 24	0.09 384	0.08 361	0.06 212	0.06 222

mmx	0.14 333	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.27 396	0.25 370	0.15 292	0.25 391	0.19 353	0.13 318	0.14 285	0.20 435	0.08 324	0.06 332	0.09 384	0.08 361	0.08 343	0.08 367

ttt	0.14 333	0.08 259	0.14 285	0.15 82	0.08 140	0.15 328	0.18 389	0.27 396	0.29 415	0.16 320	0.24 361	0.17 325	0.13 318	0.13 259	0.14 339	0.11 454	0.08 430	0.09 384	0.08 361	0.09 406	0.08 367

xxx	0.14 333	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.27 396	0.25 370	0.15 292	0.25 391	0.19 353	0.13 318	0.14 285	0.20 435	0.08 324	0.06 332	0.09 384	0.08 361	0.08 343	0.08 367

LL-Strereo	0.13 299	0.09 335	0.11 169	0.20 433	0.10 361	0.11 191	0.18 389	0.32 462	0.24 349	0.15 292	0.15 230	0.14 262	0.13 318	0.19 409	0.11 210	0.06 122	0.04 24	0.09 384	0.08 361	0.04 20	0.05 135

SDNR	0.19 446	0.08 259	0.19 433	0.16 160	0.12 443	0.77 583	0.14 171	0.25 357	0.32 440	0.19 382	0.24 361	0.19 353	0.13 318	0.19 409	0.15 367	0.16 536	0.18 544	0.14 510	0.11 479	0.08 343	0.11 465

BUS	0.14 333	0.09 335	0.14 285	0.22 478	0.10 361	0.19 421	0.14 171	0.34 490	0.19 271	0.17 336	0.22 340	0.16 305	0.13 318	0.15 307	0.13 302	0.08 324	0.06 332	0.10 432	0.09 408	0.07 280	0.07 303

NINENet	0.16 400	0.10 393	0.15 337	0.17 236	0.11 411	0.19 421	0.14 171	0.40 534	0.36 472	0.18 366	0.21 330	0.16 305	0.13 318	0.15 307	0.13 302	0.08 324	0.08 430	0.10 432	0.07 296	0.10 438	0.09 412

UDGNet	0.14 333	0.13 466	0.16 371	0.17 236	0.10 361	0.12 227	0.16 309	0.21 275	0.27 394	0.20 405	0.20 309	0.16 305	0.13 318	0.16 341	0.13 302	0.10 425	0.06 332	0.09 384	0.07 296	0.06 212	0.07 303

dad	0.17 420	0.20 526	0.20 445	0.16 160	0.11 411	0.20 436	0.18 389	0.21 275	0.28 408	0.30 509	0.24 361	0.29 466	0.13 318	0.19 409	0.16 383	0.18 542	0.09 459	0.11 463	0.09 408	0.11 461	0.07 303

GEStereo_RVC	0.17 420	0.12 437	0.15 337	0.22 478	0.11 411	0.19 421	0.17 343	0.32 462	0.48 524	0.20 405	0.25 391	0.17 325	0.13 318	0.21 451	0.16 383	0.10 425	0.06 332	0.08 303	0.07 296	0.09 406	0.08 367

CFNet_pseudo	0.14 333	0.08 259	0.15 337	0.16 160	0.09 258	0.13 270	0.14 171	0.27 396	0.34 459	0.14 265	0.21 330	0.22 392	0.13 318	0.18 394	0.14 339	0.07 262	0.05 203	0.08 303	0.06 207	0.07 280	0.07 303

GES	0.14 333	0.08 259	0.16 371	0.15 82	0.10 361	0.13 270	0.13 118	0.28 416	0.25 370	0.16 320	0.23 349	0.18 339	0.13 318	0.16 341	0.13 302	0.08 324	0.07 404	0.07 218	0.06 207	0.08 343	0.09 412

SFCPSM	0.13 299	0.07 158	0.14 285	0.17 236	0.09 258	0.15 328	0.16 309	0.28 416	0.27 394	0.14 265	0.17 263	0.12 217	0.13 318	0.14 285	0.11 210	0.08 324	0.05 203	0.07 218	0.07 296	0.07 280	0.06 222

ccs_rob	0.14 333	0.08 259	0.15 337	0.16 160	0.09 258	0.12 227	0.14 171	0.27 396	0.34 459	0.14 265	0.21 330	0.22 392	0.13 318	0.18 394	0.14 339	0.07 262	0.05 203	0.08 303	0.07 296	0.07 280	0.07 303

AdaStereo	0.15 377	0.11 419	0.15 337	0.18 318	0.09 258	0.20 436	0.11 51	0.32 462	0.28 408	0.20 405	0.23 349	0.20 365	0.13 318	0.19 409	0.14 339	0.12 479	0.05 203	0.10 432	0.07 296	0.09 406	0.07 303
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 333	0.08 259	0.15 337	0.16 160	0.08 140	0.16 358	0.12 71	0.25 357	0.35 468	0.21 419	0.29 443	0.24 416	0.13 318	0.14 285	0.14 339	0.06 122	0.05 203	0.06 119	0.04 45	0.09 406	0.08 367

MLCV	0.12 274	0.07 158	0.16 371	0.18 318	0.06 15	0.15 328	0.17 343	0.19 241	0.21 309	0.18 366	0.25 391	0.17 325	0.13 318	0.14 285	0.13 302	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

iResNet	0.13 299	0.10 393	0.18 422	0.19 376	0.08 140	0.13 270	0.18 389	0.20 252	0.26 384	0.15 292	0.23 349	0.15 291	0.13 318	0.14 285	0.14 339	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.05 135

DN-CSS_ROB	0.13 299	0.13 466	0.16 371	0.18 318	0.10 361	0.16 358	0.08 7	0.22 298	0.18 255	0.17 336	0.22 340	0.13 242	0.13 318	0.12 213	0.13 302	0.05 31	0.05 203	0.10 432	0.10 447	0.08 343	0.06 222

G2L-ROB	0.13 299	0.06 71	0.13 250	0.13 13	0.08 140	0.14 302	0.16 309	0.25 357	0.18 255	0.19 382	0.18 288	0.20 365	0.14 343	0.17 373	0.16 383	0.08 324	0.05 203	0.06 119	0.05 129	0.08 343	0.09 412

test_sample6	0.14 333	0.08 259	0.13 250	0.16 160	0.08 140	0.17 379	0.19 429	0.25 357	0.17 229	0.17 336	0.27 417	0.19 353	0.14 343	0.15 307	0.13 302	0.08 324	0.05 203	0.08 303	0.07 296	0.08 343	0.08 367

test_sample5	0.14 333	0.08 259	0.14 285	0.16 160	0.08 140	0.18 398	0.18 389	0.25 357	0.17 229	0.17 336	0.27 417	0.18 339	0.14 343	0.16 341	0.13 302	0.08 324	0.05 203	0.08 303	0.07 296	0.08 343	0.08 367

test_sample4	0.14 333	0.08 259	0.14 285	0.15 82	0.08 140	0.19 421	0.18 389	0.26 375	0.17 229	0.16 320	0.25 391	0.18 339	0.14 343	0.16 341	0.13 302	0.08 324	0.06 332	0.08 303	0.06 207	0.08 343	0.08 367

DualNet	0.14 333	0.08 259	0.14 285	0.16 160	0.08 140	0.18 398	0.18 389	0.25 357	0.17 229	0.17 336	0.27 417	0.18 339	0.14 343	0.16 341	0.13 302	0.08 324	0.05 203	0.08 303	0.07 296	0.08 343	0.08 367

CFNet_ucs	0.15 377	0.08 259	0.16 371	0.16 160	0.11 411	0.14 302	0.14 171	0.30 441	0.34 459	0.16 320	0.24 361	0.23 410	0.14 343	0.18 394	0.15 367	0.09 383	0.06 332	0.08 303	0.07 296	0.09 406	0.09 412

anonymousa	0.13 299	0.07 158	0.13 250	0.18 318	0.09 258	0.13 270	0.17 343	0.19 241	0.29 415	0.15 292	0.24 361	0.15 291	0.14 343	0.14 285	0.14 339	0.07 262	0.05 203	0.07 218	0.09 408	0.05 111	0.06 222

DCANet-4	0.10 164	0.06 71	0.12 204	0.16 160	0.06 15	0.09 93	0.17 343	0.18 219	0.19 271	0.13 244	0.16 242	0.09 142	0.14 343	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

GwcNet-ADL	0.13 299	0.08 259	0.14 285	0.20 433	0.09 258	0.11 191	0.20 450	0.30 441	0.24 349	0.13 244	0.14 213	0.18 339	0.14 343	0.13 259	0.14 339	0.07 262	0.05 203	0.06 119	0.05 129	0.07 280	0.06 222

AAGNet	0.11 207	0.07 158	0.16 371	0.19 376	0.09 258	0.08 57	0.13 118	0.18 219	0.13 136	0.16 320	0.21 330	0.13 242	0.14 343	0.11 125	0.14 339	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.05 135

DEmStereo	0.12 274	0.06 71	0.14 285	0.14 40	0.10 361	0.16 358	0.15 243	0.16 153	0.24 349	0.17 336	0.24 361	0.13 242	0.14 343	0.12 213	0.13 302	0.05 31	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

HCRNet	0.16 400	0.24 540	0.12 204	0.35 556	0.11 411	0.15 328	0.17 343	0.26 375	0.22 323	0.19 382	0.24 361	0.21 374	0.14 343	0.15 307	0.13 302	0.11 454	0.07 404	0.11 463	0.10 447	0.09 406	0.07 303

xxxx	0.15 377	0.07 158	0.14 285	0.14 40	0.08 140	0.23 474	0.18 389	0.31 451	0.19 271	0.14 265	0.28 431	0.22 392	0.14 343	0.15 307	0.26 510	0.09 383	0.05 203	0.07 218	0.07 296	0.08 343	0.07 303

PSMNet-RSSM	0.14 333	0.07 158	0.13 250	0.15 82	0.08 140	0.13 270	0.16 309	0.24 341	0.24 349	0.16 320	0.28 431	0.22 392	0.14 343	0.15 307	0.13 302	0.11 454	0.06 332	0.09 384	0.12 498	0.08 343	0.07 303

CFNet-ft	0.14 333	0.07 158	0.15 337	0.12 4	0.09 258	0.16 358	0.18 389	0.22 298	0.24 349	0.17 336	0.26 408	0.24 416	0.14 343	0.16 341	0.14 339	0.11 454	0.06 332	0.08 303	0.09 408	0.09 406	0.08 367

BEATNet_4x	0.12 274	0.08 259	0.14 285	0.18 318	0.07 82	0.15 328	0.07 3	0.22 298	0.18 255	0.16 320	0.19 297	0.18 339	0.14 343	0.16 341	0.15 367	0.07 262	0.05 203	0.05 33	0.05 129	0.06 212	0.06 222

HSM-Net_RVC	0.14 333	0.08 259	0.11 169	0.15 82	0.08 140	0.15 328	0.15 243	0.27 396	0.29 415	0.19 382	0.21 330	0.29 466	0.14 343	0.17 373	0.13 302	0.06 122	0.06 332	0.06 119	0.06 207	0.07 280	0.06 222
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 333	0.07 158	0.15 337	0.12 4	0.09 258	0.16 358	0.18 389	0.22 298	0.24 349	0.17 336	0.26 408	0.24 416	0.14 343	0.16 341	0.14 339	0.11 454	0.06 332	0.08 303	0.09 408	0.09 406	0.08 367

DCVSM-stereo	0.14 333	0.09 335	0.16 371	0.16 160	0.10 361	0.15 328	0.09 18	0.19 241	0.23 333	0.20 405	0.23 349	0.26 440	0.15 361	0.18 394	0.14 339	0.09 383	0.07 404	0.09 384	0.08 361	0.10 438	0.12 478

ACV-stereo	0.15 377	0.10 393	0.28 494	0.18 318	0.12 443	0.14 302	0.12 71	0.23 318	0.21 309	0.19 382	0.23 349	0.22 392	0.15 361	0.23 475	0.17 398	0.07 262	0.06 332	0.07 218	0.07 296	0.07 280	0.07 303

ITSA-stereo	0.15 377	0.10 393	0.14 285	0.19 376	0.08 140	0.12 227	0.14 171	0.30 441	0.49 530	0.17 336	0.19 297	0.22 392	0.15 361	0.17 373	0.16 383	0.10 425	0.06 332	0.08 303	0.08 361	0.08 343	0.08 367

rvit_stereo_0075_2	0.17 420	0.12 437	0.25 479	0.23 499	0.16 514	0.13 270	0.10 29	0.30 441	0.27 394	0.20 405	0.28 431	0.22 392	0.15 361	0.18 394	0.13 302	0.16 536	0.10 479	0.17 530	0.10 447	0.10 438	0.09 412

test_sample3	0.14 333	0.08 259	0.15 337	0.14 40	0.09 258	0.19 421	0.17 343	0.26 375	0.18 255	0.16 320	0.22 340	0.19 353	0.15 361	0.17 373	0.13 302	0.08 324	0.06 332	0.07 218	0.06 207	0.09 406	0.08 367

test_sample2	0.12 274	0.07 158	0.12 204	0.14 40	0.08 140	0.16 358	0.18 389	0.21 275	0.16 209	0.14 265	0.20 309	0.19 353	0.15 361	0.15 307	0.12 261	0.08 324	0.05 203	0.07 218	0.06 207	0.08 343	0.07 303

SMFormer	0.14 333	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.17 398	0.08 324	0.05 203	0.07 218	0.06 207	0.07 280	0.06 222

tta	0.14 333	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.17 398	0.08 324	0.05 203	0.07 218	0.06 207	0.06 212	0.06 222

qqq1	0.13 299	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.11 210	0.08 324	0.05 203	0.05 33	0.05 129	0.06 212	0.06 222

fff1	0.13 299	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.11 210	0.08 324	0.05 203	0.05 33	0.05 129	0.06 212	0.06 222

1111x	0.15 377	0.08 259	0.12 204	0.18 318	0.07 82	0.18 398	0.25 515	0.31 451	0.24 349	0.17 336	0.24 361	0.26 440	0.15 361	0.13 259	0.23 476	0.07 262	0.07 404	0.08 303	0.09 408	0.07 280	0.06 222

iinet-f	0.16 400	0.06 71	0.45 537	0.14 40	0.10 361	0.21 453	0.14 171	0.27 396	0.23 333	0.21 419	0.24 361	0.21 374	0.15 361	0.18 394	0.21 455	0.09 383	0.07 404	0.07 218	0.06 207	0.09 406	0.10 439

GASNet	0.22 479	0.23 537	0.33 513	0.26 524	0.17 529	0.26 500	0.16 309	0.44 551	0.42 505	0.27 481	0.24 361	0.30 475	0.15 361	0.27 494	0.18 416	0.12 479	0.08 430	0.12 483	0.11 479	0.16 530	0.07 303

CASS	0.13 299	0.12 437	0.11 169	0.23 499	0.09 258	0.15 328	0.17 343	0.18 219	0.19 271	0.17 336	0.18 288	0.15 291	0.15 361	0.14 285	0.14 339	0.09 383	0.06 332	0.10 432	0.08 361	0.09 406	0.07 303
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 434	0.09 335	0.29 502	0.15 82	0.10 361	0.22 461	0.20 450	0.26 375	0.39 489	0.25 469	0.42 527	0.24 416	0.15 361	0.20 434	0.19 429	0.07 262	0.05 203	0.06 119	0.05 129	0.10 438	0.09 412

test_5	0.14 333	0.12 437	0.08 38	0.20 433	0.10 361	0.14 302	0.29 546	0.21 275	0.24 349	0.18 366	0.28 431	0.11 200	0.15 361	0.12 213	0.13 302	0.06 122	0.05 203	0.07 218	0.08 361	0.08 343	0.07 303

CSP-Net	0.16 400	0.09 335	0.14 285	0.16 160	0.09 258	0.19 421	0.17 343	0.25 357	0.32 440	0.25 469	0.30 449	0.24 416	0.15 361	0.21 451	0.18 416	0.09 383	0.06 332	0.07 218	0.07 296	0.08 343	0.07 303

DAS	0.15 377	0.08 259	0.18 422	0.19 376	0.10 361	0.19 421	0.17 343	0.27 396	0.29 415	0.18 366	0.25 391	0.21 374	0.15 361	0.16 341	0.12 261	0.08 324	0.06 332	0.06 119	0.06 207	0.07 280	0.07 303

SepStereo	0.15 377	0.08 259	0.18 422	0.19 376	0.10 361	0.19 421	0.17 343	0.27 396	0.29 415	0.18 366	0.25 391	0.21 374	0.15 361	0.25 489	0.12 261	0.08 324	0.06 332	0.06 119	0.06 207	0.07 280	0.07 303

DRaft	0.12 274	0.06 71	0.11 169	0.14 40	0.09 258	0.14 302	0.17 343	0.21 275	0.30 426	0.17 336	0.28 431	0.10 175	0.15 361	0.10 75	0.12 261	0.05 31	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

GANet-RSSM	0.14 333	0.07 158	0.13 250	0.13 13	0.08 140	0.14 302	0.17 343	0.22 298	0.21 309	0.17 336	0.24 361	0.23 410	0.15 361	0.16 341	0.15 367	0.10 425	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

DSFCA	0.16 400	0.09 335	0.14 285	0.16 160	0.10 361	0.20 436	0.19 429	0.28 416	0.31 433	0.23 447	0.24 361	0.22 392	0.15 361	0.19 409	0.20 435	0.10 425	0.07 404	0.09 384	0.09 408	0.08 343	0.08 367

FADNet-RVC-Resample	0.16 400	0.11 419	0.31 507	0.22 478	0.11 411	0.19 421	0.14 171	0.25 357	0.24 349	0.24 456	0.27 417	0.20 365	0.15 361	0.16 341	0.15 367	0.07 262	0.08 430	0.12 483	0.10 447	0.09 406	0.10 439

UCFNet_RVC	0.14 333	0.08 259	0.13 250	0.11 1	0.10 361	0.20 436	0.10 29	0.24 341	0.22 323	0.17 336	0.20 309	0.23 410	0.15 361	0.17 373	0.15 367	0.12 479	0.07 404	0.10 432	0.13 508	0.11 461	0.10 439

iResNet_ROB	0.14 333	0.07 158	0.13 250	0.14 40	0.07 82	0.18 398	0.14 171	0.26 375	0.31 433	0.22 435	0.25 391	0.23 410	0.15 361	0.15 307	0.13 302	0.07 262	0.05 203	0.05 33	0.04 45	0.08 343	0.08 367

PWCDC_ROB	0.20 458	0.13 466	0.22 461	0.24 508	0.11 411	0.19 421	0.15 243	0.33 481	0.54 542	0.29 505	0.50 542	0.21 374	0.15 361	0.27 494	0.20 435	0.11 454	0.09 459	0.10 432	0.08 361	0.11 461	0.09 412

xyz-stereo	0.13 299	0.07 158	0.20 445	0.15 82	0.05 1	0.20 436	0.15 243	0.17 189	0.31 433	0.15 292	0.29 443	0.26 440	0.16 387	0.13 259	0.12 261	0.05 31	0.05 203	0.06 119	0.05 129	0.04 20	0.04 47

G2L-Stereo_test	0.14 333	0.07 158	0.11 169	0.13 13	0.08 140	0.12 227	0.16 309	0.30 441	0.28 408	0.20 405	0.23 349	0.20 365	0.16 387	0.17 373	0.18 416	0.07 262	0.05 203	0.05 33	0.05 129	0.07 280	0.06 222

FACV-RUCA	0.13 299	0.11 419	0.12 204	0.19 376	0.12 443	0.15 328	0.15 243	0.22 298	0.20 294	0.15 292	0.16 242	0.14 262	0.16 387	0.14 285	0.13 302	0.07 262	0.05 203	0.08 303	0.06 207	0.10 438	0.08 367

test_sample1	0.13 299	0.07 158	0.14 285	0.13 13	0.08 140	0.19 421	0.16 309	0.20 252	0.15 180	0.14 265	0.22 340	0.18 339	0.16 387	0.17 373	0.14 339	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.07 303

xx1	0.11 207	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.16 153	0.18 255	0.09 114	0.09 104	0.16 305	0.16 387	0.10 75	0.07 1	0.06 122	0.04 24	0.08 303	0.08 361	0.07 280	0.07 303

mmm	0.14 333	0.08 259	0.17 399	0.17 236	0.09 258	0.17 379	0.18 389	0.21 275	0.15 180	0.15 292	0.23 349	0.21 374	0.16 387	0.16 341	0.17 398	0.08 324	0.05 203	0.08 303	0.07 296	0.07 280	0.07 303

11t1	0.12 274	0.06 71	0.13 250	0.14 40	0.08 140	0.17 379	0.15 243	0.18 219	0.15 180	0.15 292	0.15 230	0.16 305	0.16 387	0.15 307	0.13 302	0.08 324	0.05 203	0.06 119	0.05 129	0.08 343	0.07 303

CBFPSM	0.14 333	0.06 71	0.26 482	0.17 236	0.09 258	0.13 270	0.15 243	0.22 298	0.23 333	0.20 405	0.27 417	0.24 416	0.16 387	0.16 341	0.18 416	0.06 122	0.06 332	0.06 119	0.07 296	0.07 280	0.07 303

gwcnet-sp	0.14 333	0.07 158	0.12 204	0.18 318	0.09 258	0.16 358	0.17 343	0.24 341	0.24 349	0.18 366	0.24 361	0.15 291	0.16 387	0.15 307	0.15 367	0.08 324	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

scenet	0.14 333	0.07 158	0.12 204	0.18 318	0.09 258	0.16 358	0.17 343	0.24 341	0.24 349	0.18 366	0.24 361	0.15 291	0.16 387	0.15 307	0.15 367	0.08 324	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

ssnet	0.14 333	0.07 158	0.12 204	0.18 318	0.09 258	0.16 358	0.17 343	0.24 341	0.24 349	0.18 366	0.24 361	0.15 291	0.16 387	0.15 307	0.15 367	0.08 324	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

qqq	0.13 299	0.09 335	0.15 337	0.16 160	0.08 140	0.13 270	0.15 243	0.23 318	0.16 209	0.15 292	0.19 297	0.16 305	0.16 387	0.15 307	0.16 383	0.07 262	0.06 332	0.08 303	0.08 361	0.07 280	0.07 303

BSDual-CNN	0.15 377	0.09 335	0.14 285	0.22 478	0.10 361	0.14 302	0.15 243	0.34 490	0.19 271	0.17 336	0.22 340	0.25 430	0.16 387	0.15 307	0.14 339	0.08 324	0.06 332	0.10 432	0.09 408	0.07 280	0.07 303

psmg	0.14 333	0.09 335	0.14 285	0.17 236	0.10 361	0.15 328	0.17 343	0.29 427	0.19 271	0.17 336	0.21 330	0.25 430	0.16 387	0.15 307	0.14 339	0.08 324	0.06 332	0.08 303	0.08 361	0.07 280	0.06 222

AASNet	0.16 400	0.08 259	0.12 204	0.19 376	0.09 258	0.18 398	0.15 243	0.37 518	0.37 479	0.19 382	0.23 349	0.20 365	0.16 387	0.17 373	0.20 435	0.10 425	0.08 430	0.08 303	0.07 296	0.09 406	0.09 412

PSMNet-ADL	0.15 377	0.12 437	0.13 250	0.22 478	0.09 258	0.13 270	0.20 450	0.26 375	0.23 333	0.18 366	0.20 309	0.24 416	0.16 387	0.18 394	0.17 398	0.08 324	0.08 430	0.08 303	0.11 479	0.08 343	0.07 303

ADLNet	0.16 400	0.08 259	0.15 337	0.16 160	0.10 361	0.16 358	0.17 343	0.32 462	0.27 394	0.22 435	0.27 417	0.24 416	0.16 387	0.18 394	0.21 455	0.10 425	0.06 332	0.10 432	0.10 447	0.08 343	0.09 412

222	0.16 400	0.07 158	0.14 285	0.14 40	0.08 140	0.24 479	0.18 389	0.30 441	0.20 294	0.17 336	0.28 431	0.17 325	0.16 387	0.15 307	0.40 560	0.10 425	0.05 203	0.07 218	0.06 207	0.07 280	0.08 367

test_xeample	0.15 377	0.06 71	0.13 250	0.14 40	0.08 140	0.21 453	0.20 450	0.28 416	0.20 294	0.16 320	0.29 443	0.19 353	0.16 387	0.15 307	0.26 510	0.09 383	0.05 203	0.07 218	0.07 296	0.07 280	0.07 303

ACVNet	0.15 377	0.09 335	0.15 337	0.13 13	0.12 443	0.14 302	0.20 450	0.22 298	0.33 447	0.17 336	0.26 408	0.21 374	0.16 387	0.17 373	0.21 455	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.06 222

cf-r	0.13 299	0.07 158	0.12 204	0.16 160	0.08 140	0.14 302	0.19 429	0.20 252	0.25 370	0.17 336	0.25 391	0.21 374	0.16 387	0.14 285	0.14 339	0.10 425	0.05 203	0.06 119	0.08 361	0.06 212	0.06 222

GwcNet-RSSM	0.14 333	0.07 158	0.12 204	0.15 82	0.08 140	0.15 328	0.20 450	0.21 275	0.27 394	0.18 366	0.27 417	0.22 392	0.16 387	0.14 285	0.15 367	0.10 425	0.05 203	0.07 218	0.09 408	0.07 280	0.07 303

HSM	0.15 377	0.08 259	0.14 285	0.16 160	0.09 258	0.16 358	0.14 171	0.28 416	0.25 370	0.19 382	0.23 349	0.37 517	0.16 387	0.20 434	0.15 367	0.07 262	0.05 203	0.07 218	0.06 207	0.07 280	0.06 222

z-ln-s-r	0.17 420	0.10 393	0.40 530	0.19 376	0.08 140	0.17 379	0.18 389	0.22 298	0.33 447	0.18 366	0.40 510	0.22 392	0.17 410	0.20 434	0.23 476	0.07 262	0.05 203	0.07 218	0.07 296	0.07 280	0.05 135

coex_refinement	0.14 333	0.07 158	0.12 204	0.17 236	0.10 361	0.15 328	0.15 243	0.26 375	0.29 415	0.18 366	0.20 309	0.22 392	0.17 410	0.16 341	0.18 416	0.08 324	0.05 203	0.06 119	0.06 207	0.09 406	0.08 367

ISRNet	0.18 434	0.08 259	0.19 433	0.19 376	0.13 466	0.15 328	0.12 71	0.30 441	0.32 440	0.21 419	0.25 391	0.27 448	0.17 410	0.17 373	0.20 435	0.20 549	0.08 430	0.14 510	0.14 511	0.14 508	0.17 541

rvit_105_1	0.19 446	0.11 419	0.25 479	0.21 462	0.16 514	0.21 453	0.27 531	0.31 451	0.41 498	0.19 382	0.20 309	0.22 392	0.17 410	0.19 409	0.17 398	0.12 479	0.12 506	0.13 498	0.15 526	0.08 343	0.07 303

DispNO	0.14 333	0.08 259	0.17 399	0.19 376	0.12 443	0.11 191	0.21 467	0.23 318	0.29 415	0.17 336	0.23 349	0.18 339	0.17 410	0.15 307	0.15 367	0.07 262	0.05 203	0.08 303	0.08 361	0.07 280	0.06 222

x	0.13 299	0.07 158	0.14 285	0.14 40	0.08 140	0.18 398	0.14 171	0.22 298	0.20 294	0.15 292	0.19 297	0.19 353	0.17 410	0.18 394	0.18 416	0.07 262	0.05 203	0.06 119	0.06 207	0.07 280	0.07 303

CRFU-Net	0.16 400	0.08 259	0.14 285	0.17 236	0.09 258	0.19 421	0.14 171	0.26 375	0.20 294	0.28 497	0.27 417	0.29 466	0.17 410	0.19 409	0.17 398	0.09 383	0.09 459	0.07 218	0.07 296	0.08 343	0.08 367

AACVNet	0.16 400	0.08 259	0.14 285	0.15 82	0.10 361	0.18 398	0.15 243	0.23 318	0.24 349	0.27 481	0.27 417	0.28 458	0.17 410	0.19 409	0.16 383	0.09 383	0.07 404	0.09 384	0.07 296	0.10 438	0.09 412

LMCR-Stereo	0.15 377	0.08 259	0.13 250	0.21 462	0.09 258	0.17 379	0.20 450	0.27 396	0.19 271	0.24 456	0.24 361	0.23 410	0.17 410	0.20 434	0.17 398	0.07 262	0.06 332	0.08 303	0.06 207	0.10 438	0.08 367

acv_ft	0.15 377	0.09 335	0.15 337	0.19 376	0.10 361	0.16 358	0.17 343	0.25 357	0.33 447	0.19 382	0.26 408	0.21 374	0.17 410	0.17 373	0.18 416	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.06 222

FADNet_RVC	0.16 400	0.14 478	0.40 530	0.20 433	0.11 411	0.13 270	0.13 118	0.26 375	0.22 323	0.21 419	0.23 349	0.20 365	0.17 410	0.14 285	0.16 383	0.08 324	0.08 430	0.12 483	0.09 408	0.11 461	0.10 439

CFNet	0.15 377	0.10 393	0.17 399	0.17 236	0.08 140	0.18 398	0.09 18	0.28 416	0.25 370	0.19 382	0.24 361	0.24 416	0.17 410	0.17 373	0.14 339	0.08 324	0.06 332	0.09 384	0.10 447	0.07 280	0.06 222

NLCA_NET_v2_RVC	0.17 420	0.10 393	0.22 461	0.20 433	0.10 361	0.15 328	0.18 389	0.31 451	0.25 370	0.21 419	0.30 449	0.25 430	0.17 410	0.21 451	0.20 435	0.09 383	0.06 332	0.08 303	0.08 361	0.07 280	0.08 367
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	0.17 420	0.12 437	0.15 337	0.20 433	0.09 258	0.18 398	0.18 389	0.26 375	0.23 333	0.26 475	0.40 510	0.22 392	0.17 410	0.21 451	0.20 435	0.08 324	0.05 203	0.09 384	0.10 447	0.07 280	0.07 303
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 458	0.12 437	0.19 433	0.20 433	0.14 486	0.26 500	0.23 488	0.32 462	0.34 459	0.27 481	0.34 477	0.30 475	0.18 424	0.18 394	0.22 464	0.10 425	0.13 519	0.10 432	0.10 447	0.08 343	0.09 412

YMNet_1	0.20 458	0.12 437	0.19 433	0.20 433	0.14 486	0.26 500	0.23 488	0.32 462	0.34 459	0.27 481	0.34 477	0.30 475	0.18 424	0.18 394	0.22 464	0.10 425	0.13 519	0.10 432	0.10 447	0.08 343	0.09 412

ssnet_v2	0.17 420	0.10 393	0.17 399	0.17 236	0.11 411	0.21 453	0.21 467	0.33 481	0.25 370	0.22 435	0.22 340	0.27 448	0.18 424	0.22 464	0.20 435	0.11 454	0.09 459	0.09 384	0.09 408	0.08 343	0.08 367

Wz-Net-LNSev	0.22 479	0.16 496	0.38 527	0.21 462	0.13 466	0.25 490	0.23 488	0.32 462	0.43 510	0.30 509	0.41 521	0.31 488	0.18 424	0.22 464	0.25 499	0.10 425	0.09 459	0.08 303	0.08 361	0.12 477	0.11 465

hknet	0.15 377	0.11 419	0.13 250	0.22 478	0.11 411	0.14 302	0.15 243	0.34 490	0.25 370	0.17 336	0.22 340	0.22 392	0.18 424	0.17 373	0.12 261	0.07 262	0.06 332	0.10 432	0.09 408	0.07 280	0.07 303

ADLNet2	0.16 400	0.09 335	0.13 250	0.16 160	0.09 258	0.20 436	0.16 309	0.31 451	0.39 489	0.16 320	0.20 309	0.20 365	0.18 424	0.21 451	0.22 464	0.08 324	0.06 332	0.07 218	0.07 296	0.09 406	0.07 303

ICVP	0.15 377	0.09 335	0.12 204	0.22 478	0.09 258	0.17 379	0.21 467	0.25 357	0.23 333	0.18 366	0.30 449	0.26 440	0.18 424	0.17 373	0.14 339	0.09 383	0.07 404	0.08 303	0.07 296	0.07 280	0.07 303
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 400	0.08 259	0.15 337	0.18 318	0.10 361	0.22 461	0.18 389	0.24 341	0.21 309	0.18 366	0.24 361	0.29 466	0.18 424	0.19 409	0.22 464	0.09 383	0.07 404	0.08 303	0.09 408	0.07 280	0.06 222

HGLStereo	0.17 420	0.08 259	0.19 433	0.17 236	0.12 443	0.18 398	0.18 389	0.31 451	0.32 440	0.21 419	0.32 461	0.25 430	0.18 424	0.19 409	0.20 435	0.09 383	0.09 459	0.07 218	0.07 296	0.09 406	0.10 439

DMCA	0.14 333	0.09 335	0.16 371	0.19 376	0.09 258	0.15 328	0.17 343	0.23 318	0.27 394	0.14 265	0.19 297	0.17 325	0.18 424	0.15 307	0.17 398	0.10 425	0.06 332	0.08 303	0.06 207	0.09 406	0.10 439

STTStereo	0.18 434	0.12 437	0.27 489	0.20 433	0.11 411	0.16 358	0.21 467	0.29 427	0.23 333	0.21 419	0.30 449	0.29 466	0.18 424	0.20 434	0.19 429	0.12 479	0.11 491	0.11 463	0.14 511	0.09 406	0.08 367

RASNet	0.14 333	0.07 158	0.14 285	0.16 160	0.08 140	0.18 398	0.14 171	0.29 427	0.20 294	0.17 336	0.25 391	0.21 374	0.18 424	0.20 434	0.19 429	0.07 262	0.06 332	0.06 119	0.08 361	0.06 212	0.06 222

TDLM	0.17 420	0.12 437	0.13 250	0.24 508	0.10 361	0.18 398	0.18 389	0.36 512	0.30 426	0.21 419	0.28 431	0.28 458	0.18 424	0.23 475	0.18 416	0.11 454	0.07 404	0.10 432	0.10 447	0.08 343	0.08 367

CVANet_RVC	0.18 434	0.10 393	0.14 285	0.21 462	0.10 361	0.18 398	0.17 343	0.34 490	0.33 447	0.22 435	0.31 457	0.28 458	0.18 424	0.23 475	0.17 398	0.12 479	0.08 430	0.12 483	0.11 479	0.09 406	0.07 303

DeepPruner_ROB	0.16 400	0.11 419	0.15 337	0.17 236	0.10 361	0.17 379	0.15 243	0.32 462	0.21 309	0.19 382	0.21 330	0.22 392	0.18 424	0.20 434	0.15 367	0.13 502	0.09 459	0.09 384	0.09 408	0.11 461	0.10 439

pmcnn	0.15 377	0.07 158	0.19 433	0.15 82	0.07 82	0.20 436	0.15 243	0.24 341	0.26 384	0.21 419	0.34 477	0.28 458	0.18 424	0.18 394	0.17 398	0.07 262	0.05 203	0.05 33	0.04 45	0.07 280	0.06 222

TCMNet	0.19 446	0.12 437	0.19 433	0.20 433	0.18 535	0.20 436	0.24 500	0.27 396	0.36 472	0.23 447	0.26 408	0.25 430	0.19 440	0.19 409	0.23 476	0.13 502	0.11 491	0.11 463	0.12 498	0.13 495	0.12 478

DualNet (step1)	0.16 400	0.12 437	0.20 445	0.12 4	0.14 486	0.17 379	0.13 118	0.27 396	0.23 333	0.20 405	0.20 309	0.24 416	0.19 440	0.16 341	0.16 383	0.15 520	0.06 332	0.14 510	0.14 511	0.14 508	0.12 478

test_sample9	0.18 434	0.12 437	0.20 445	0.12 4	0.14 486	0.17 379	0.13 118	0.27 396	0.23 333	0.20 405	0.20 309	0.24 416	0.19 440	0.19 409	0.17 398	0.15 520	0.30 568	0.14 510	0.14 511	0.14 508	0.12 478

test_sample7	0.15 377	0.10 393	0.16 371	0.14 40	0.11 411	0.16 358	0.16 309	0.27 396	0.23 333	0.20 405	0.20 309	0.24 416	0.19 440	0.16 341	0.16 383	0.12 479	0.06 332	0.10 432	0.09 408	0.10 438	0.10 439

Wz-Net-MNSev	0.22 479	0.13 466	0.31 507	0.20 433	0.14 486	0.36 545	0.24 500	0.33 481	0.44 515	0.28 497	0.40 510	0.38 521	0.19 440	0.24 484	0.25 499	0.09 383	0.07 404	0.09 384	0.09 408	0.12 477	0.10 439

pcwnet_v2	0.19 446	0.10 393	0.26 482	0.17 236	0.14 486	0.18 398	0.15 243	0.37 518	0.46 522	0.19 382	0.24 361	0.21 374	0.19 440	0.20 434	0.19 429	0.13 502	0.10 479	0.10 432	0.10 447	0.11 461	0.13 498

delet	0.17 420	0.08 259	0.17 399	0.19 376	0.11 411	0.20 436	0.21 467	0.30 441	0.37 479	0.17 336	0.26 408	0.19 353	0.19 440	0.19 409	0.21 455	0.08 324	0.08 430	0.09 384	0.11 479	0.06 212	0.06 222

UNet	0.17 420	0.09 335	0.18 422	0.19 376	0.12 443	0.27 510	0.19 429	0.33 481	0.29 415	0.21 419	0.24 361	0.23 410	0.19 440	0.19 409	0.18 416	0.07 262	0.06 332	0.08 303	0.07 296	0.08 343	0.06 222

UPFNet	0.16 400	0.08 259	0.12 204	0.20 433	0.12 443	0.20 436	0.23 488	0.28 416	0.26 384	0.17 336	0.24 361	0.22 392	0.19 440	0.19 409	0.21 455	0.09 383	0.07 404	0.08 303	0.09 408	0.08 343	0.06 222

NVstereo2D	0.19 446	0.10 393	0.15 337	0.17 236	0.15 504	0.28 518	0.23 488	0.44 551	0.42 505	0.15 292	0.27 417	0.25 430	0.19 440	0.22 464	0.17 398	0.09 383	0.06 332	0.10 432	0.08 361	0.15 523	0.09 412

StereoDRNet	0.18 434	0.11 419	0.17 399	0.22 478	0.11 411	0.21 453	0.22 477	0.37 518	0.33 447	0.24 456	0.28 431	0.30 475	0.19 440	0.20 434	0.20 435	0.09 383	0.08 430	0.11 463	0.09 408	0.09 406	0.07 303

SGM-Forest	0.20 458	0.14 478	0.18 422	0.19 376	0.13 466	0.20 436	0.22 477	0.33 481	0.30 426	0.24 456	0.29 443	0.28 458	0.19 440	0.23 475	0.17 398	0.15 520	0.16 537	0.15 522	0.14 511	0.12 477	0.12 478
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 434	0.11 419	0.19 433	0.19 376	0.12 443	0.24 479	0.21 467	0.25 357	0.34 459	0.22 435	0.34 477	0.27 448	0.20 452	0.21 451	0.23 476	0.09 383	0.09 459	0.08 303	0.10 447	0.08 343	0.07 303

IER	0.14 333	0.07 158	0.13 250	0.17 236	0.09 258	0.14 302	0.16 309	0.25 357	0.26 384	0.18 366	0.25 391	0.17 325	0.20 452	0.16 341	0.14 339	0.08 324	0.05 203	0.07 218	0.06 207	0.08 343	0.07 303

MMNet	0.17 420	0.09 335	0.16 371	0.20 433	0.11 411	0.27 510	0.20 450	0.25 357	0.41 498	0.22 435	0.30 449	0.21 374	0.20 452	0.17 373	0.20 435	0.06 122	0.06 332	0.07 218	0.07 296	0.08 343	0.07 303

GwcNet	0.20 458	0.13 466	0.19 433	0.18 318	0.12 443	0.24 479	0.19 429	0.35 505	0.43 510	0.20 405	0.32 461	0.33 500	0.20 452	0.22 464	0.24 489	0.11 454	0.09 459	0.09 384	0.09 408	0.09 406	0.10 439

DGSMNet	0.24 502	0.19 522	0.33 513	0.21 462	0.24 553	0.24 479	0.20 450	0.35 505	0.41 498	0.24 456	0.32 461	0.38 521	0.21 456	0.29 512	0.23 476	0.12 479	0.11 491	0.14 510	0.16 530	0.23 549	0.23 555

FADNet-RVC	0.20 458	0.20 526	0.38 527	0.21 462	0.16 514	0.20 436	0.15 243	0.26 375	0.26 384	0.26 475	0.32 461	0.26 440	0.21 456	0.22 464	0.19 429	0.12 479	0.13 519	0.12 483	0.14 511	0.13 495	0.18 544

FADNet	0.21 470	0.22 536	0.36 522	0.18 318	0.17 529	0.24 479	0.13 118	0.31 451	0.31 433	0.23 447	0.25 391	0.27 448	0.21 456	0.19 409	0.15 367	0.13 502	0.15 534	0.12 483	0.15 526	0.16 530	0.18 544

MaskLacGwcNet_RVC	0.22 479	0.21 532	0.24 474	0.26 524	0.11 411	0.23 474	0.14 171	0.39 530	0.24 349	0.32 521	0.36 484	0.30 475	0.21 456	0.19 409	0.21 455	0.17 541	0.14 528	0.21 544	0.16 530	0.12 477	0.12 478

SuperB	0.20 458	0.10 393	0.56 553	0.16 160	0.09 258	0.18 398	0.18 389	0.24 341	0.50 533	0.26 475	0.39 504	0.17 325	0.21 456	0.22 464	0.21 455	0.08 324	0.06 332	0.06 119	0.06 207	0.12 477	0.10 439

RTSC	0.23 495	0.12 437	0.28 494	0.21 462	0.13 466	0.28 518	0.16 309	0.35 505	0.66 566	0.27 481	0.33 473	0.30 475	0.21 456	0.31 516	0.29 528	0.10 425	0.08 430	0.09 384	0.10 447	0.13 495	0.13 498

AANet_RVC	0.16 400	0.10 393	0.10 125	0.18 318	0.09 258	0.18 398	0.19 429	0.26 375	0.31 433	0.22 435	0.35 481	0.21 374	0.21 456	0.22 464	0.16 383	0.06 122	0.05 203	0.06 119	0.06 207	0.07 280	0.06 222

DRN-Test	0.19 446	0.11 419	0.20 445	0.22 478	0.10 361	0.22 461	0.22 477	0.39 530	0.37 479	0.24 456	0.32 461	0.26 440	0.21 456	0.22 464	0.24 489	0.11 454	0.07 404	0.11 463	0.10 447	0.09 406	0.07 303

MDST_ROB	0.22 479	0.10 393	0.17 399	0.18 318	0.11 411	0.37 546	0.19 429	0.43 549	0.41 498	0.39 538	0.39 504	0.29 466	0.21 456	0.26 491	0.18 416	0.11 454	0.10 479	0.14 510	0.11 479	0.10 438	0.08 367

w-ln-seven-2	0.20 458	0.14 478	0.37 526	0.22 478	0.12 443	0.20 436	0.21 467	0.28 416	0.37 479	0.25 469	0.37 490	0.27 448	0.22 465	0.21 451	0.23 476	0.08 324	0.08 430	0.09 384	0.09 408	0.10 438	0.09 412

w-ln-seven	0.24 502	0.14 478	0.55 550	0.19 376	0.14 486	0.26 500	0.22 477	0.35 505	0.60 555	0.29 505	0.39 504	0.30 475	0.22 465	0.21 451	0.26 510	0.09 383	0.09 459	0.11 463	0.10 447	0.11 461	0.10 439

SQANet	0.23 495	0.23 537	0.30 505	0.30 549	0.19 538	0.27 510	0.13 118	0.29 427	0.33 447	0.24 456	0.37 490	0.31 488	0.22 465	0.27 494	0.23 476	0.15 520	0.10 479	0.21 544	0.16 530	0.21 545	0.15 522

SACVNet	0.18 434	0.12 437	0.14 285	0.17 236	0.13 466	0.22 461	0.18 389	0.31 451	0.30 426	0.23 447	0.31 457	0.30 475	0.22 465	0.22 464	0.17 398	0.11 454	0.08 430	0.10 432	0.10 447	0.12 477	0.14 515

FINET	0.21 470	0.18 519	0.26 482	0.18 318	0.16 514	0.23 474	0.23 488	0.32 462	0.48 524	0.25 469	0.32 461	0.22 392	0.22 465	0.22 464	0.17 398	0.18 542	0.16 537	0.11 463	0.10 447	0.15 523	0.13 498

hitnet-ft	0.18 434	0.09 335	0.17 399	0.14 40	0.09 258	0.26 500	0.20 450	0.25 357	0.26 384	0.24 456	0.32 461	0.31 488	0.22 465	0.24 484	0.21 455	0.12 479	0.07 404	0.10 432	0.08 361	0.12 477	0.11 465

ADCP+	0.20 458	0.10 393	0.33 513	0.20 433	0.12 443	0.22 461	0.26 524	0.31 451	0.34 459	0.26 475	0.37 490	0.22 392	0.22 465	0.27 494	0.27 518	0.09 383	0.06 332	0.08 303	0.08 361	0.09 406	0.10 439

PSMNet_ROB	0.21 470	0.11 419	0.15 337	0.27 536	0.15 504	0.24 479	0.35 563	0.43 549	0.37 479	0.27 481	0.32 461	0.32 497	0.22 465	0.21 451	0.26 510	0.12 479	0.08 430	0.13 498	0.11 479	0.09 406	0.09 412

ADCRef	0.19 446	0.12 437	0.41 533	0.20 433	0.12 443	0.22 461	0.18 389	0.32 462	0.36 472	0.26 475	0.32 461	0.17 325	0.23 473	0.24 484	0.24 489	0.07 262	0.06 332	0.09 384	0.09 408	0.08 343	0.08 367

RYNet	0.22 479	0.12 437	0.22 461	0.19 376	0.17 529	0.46 554	0.26 524	0.38 526	0.48 524	0.24 456	0.28 431	0.34 506	0.23 473	0.20 434	0.30 533	0.10 425	0.06 332	0.09 384	0.09 408	0.13 495	0.15 522

NaN_ROB	0.22 479	0.19 522	0.24 474	0.25 519	0.13 466	0.29 522	0.26 524	0.33 481	0.41 498	0.31 515	0.31 457	0.32 497	0.23 473	0.30 515	0.21 455	0.11 454	0.17 542	0.10 432	0.10 447	0.08 343	0.09 412

NOSS_ROB	0.19 446	0.12 437	0.18 422	0.16 160	0.12 443	0.15 328	0.12 71	0.30 441	0.32 440	0.20 405	0.22 340	0.27 448	0.23 473	0.21 451	0.16 383	0.16 536	0.18 544	0.23 549	0.21 546	0.12 477	0.13 498

DispFullNet	0.27 524	0.21 532	0.65 562	0.28 539	0.16 514	0.26 500	0.17 343	0.33 481	0.58 551	0.27 481	0.38 496	0.43 540	0.23 473	0.38 548	0.23 476	0.12 479	0.06 332	0.19 541	0.11 479	0.21 545	0.15 522

CBMV	0.19 446	0.14 478	0.17 399	0.18 318	0.10 361	0.20 436	0.11 51	0.29 427	0.30 426	0.29 505	0.30 449	0.30 475	0.23 473	0.27 494	0.19 429	0.13 502	0.15 534	0.17 530	0.16 530	0.10 438	0.10 439
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.24 502	0.14 478	0.45 537	0.19 376	0.13 466	0.28 518	0.25 515	0.34 490	0.62 558	0.27 481	0.56 553	0.29 466	0.24 479	0.32 523	0.25 499	0.08 324	0.08 430	0.08 303	0.08 361	0.10 438	0.10 439

ToySt	0.17 420	0.11 419	0.18 422	0.17 236	0.11 411	0.16 358	0.25 515	0.24 341	0.33 447	0.19 382	0.24 361	0.26 440	0.24 479	0.19 409	0.20 435	0.07 262	0.08 430	0.09 384	0.10 447	0.09 406	0.08 367

WZ-Net	0.28 528	0.17 507	0.78 578	0.22 478	0.16 514	0.34 536	0.29 546	0.39 530	0.57 548	0.24 456	0.55 548	0.37 517	0.24 479	0.33 526	0.35 548	0.09 383	0.08 430	0.09 384	0.10 447	0.14 508	0.16 533

psm_up	0.18 434	0.10 393	0.18 422	0.20 433	0.11 411	0.17 379	0.19 429	0.37 518	0.34 459	0.21 419	0.28 431	0.29 466	0.24 479	0.20 434	0.22 464	0.09 383	0.10 479	0.11 463	0.11 479	0.08 343	0.08 367

RP	0.21 470	0.13 466	0.21 454	0.23 499	0.11 411	0.21 453	0.20 450	0.25 357	0.44 515	0.21 419	0.38 496	0.36 512	0.24 479	0.27 494	0.25 499	0.11 454	0.12 506	0.13 498	0.12 498	0.12 477	0.14 515

PS-NSSS	0.20 458	0.21 532	0.23 470	0.20 433	0.10 361	0.19 421	0.17 343	0.36 512	0.25 370	0.27 481	0.33 473	0.27 448	0.24 479	0.20 434	0.20 435	0.15 520	0.12 506	0.17 530	0.14 511	0.10 438	0.08 367

CBMV_ROB	0.19 446	0.13 466	0.17 399	0.16 160	0.11 411	0.15 328	0.13 118	0.26 375	0.28 408	0.27 481	0.30 449	0.27 448	0.24 479	0.23 475	0.16 383	0.15 520	0.17 542	0.22 548	0.20 544	0.10 438	0.11 465

DLCB_ROB	0.18 434	0.10 393	0.15 337	0.23 499	0.11 411	0.24 479	0.18 389	0.29 427	0.28 408	0.27 481	0.28 431	0.28 458	0.24 479	0.19 409	0.20 435	0.08 324	0.08 430	0.09 384	0.09 408	0.07 280	0.07 303

PWC_ROB	0.21 470	0.16 496	0.26 482	0.18 318	0.11 411	0.22 461	0.13 118	0.32 462	0.49 530	0.30 509	0.40 510	0.32 497	0.24 479	0.31 516	0.22 464	0.10 425	0.07 404	0.11 463	0.08 361	0.11 461	0.10 439

zh-mn7	0.25 514	0.14 478	0.56 553	0.19 376	0.14 486	0.24 479	0.22 477	0.34 490	0.62 558	0.35 528	0.65 561	0.31 488	0.25 488	0.31 516	0.25 499	0.09 383	0.08 430	0.09 384	0.09 408	0.09 406	0.11 465

PSMNet-RUCA	0.27 524	0.33 559	0.41 533	0.36 558	0.32 566	0.18 398	0.19 429	0.42 545	0.30 426	0.33 525	0.41 521	0.39 529	0.25 488	0.31 516	0.20 435	0.18 542	0.10 479	0.25 551	0.15 526	0.21 545	0.16 533

test_sample8	0.19 446	0.12 437	0.20 445	0.12 4	0.14 486	0.17 379	0.13 118	0.31 451	0.21 309	0.27 481	0.22 340	0.36 512	0.25 488	0.19 409	0.17 398	0.15 520	0.30 568	0.14 510	0.14 511	0.14 508	0.12 478

HBP-ISP	0.18 434	0.13 466	0.16 371	0.15 82	0.11 411	0.08 57	0.13 118	0.28 416	0.29 415	0.22 435	0.33 473	0.21 374	0.25 488	0.23 475	0.17 398	0.14 516	0.16 537	0.21 544	0.17 538	0.10 438	0.08 367

DDUNet	0.22 479	0.17 507	0.21 454	0.22 478	0.15 504	0.25 490	0.24 500	0.29 427	0.30 426	0.31 515	0.36 484	0.33 500	0.25 488	0.24 484	0.20 435	0.18 542	0.13 519	0.17 530	0.11 479	0.16 530	0.16 533

Syn2CoEx	0.21 470	0.16 496	0.27 489	0.29 547	0.14 486	0.26 500	0.20 450	0.33 481	0.31 433	0.28 497	0.36 484	0.27 448	0.25 488	0.19 409	0.24 489	0.16 536	0.12 506	0.14 510	0.11 479	0.09 406	0.08 367

Wz-Net-SNSev	0.25 514	0.17 507	0.44 536	0.25 519	0.14 486	0.26 500	0.23 488	0.38 526	0.56 546	0.30 509	0.55 548	0.39 529	0.26 494	0.23 475	0.30 533	0.10 425	0.09 459	0.09 384	0.10 447	0.11 461	0.11 465

AF-Net	0.22 479	0.17 507	0.17 399	0.26 524	0.13 466	0.25 490	0.24 500	0.32 462	0.50 533	0.25 469	0.33 473	0.38 521	0.26 494	0.28 506	0.25 499	0.11 454	0.10 479	0.16 528	0.11 479	0.11 461	0.10 439

PA-Net	0.23 495	0.18 519	0.33 513	0.28 539	0.22 547	0.21 453	0.38 568	0.29 427	0.39 489	0.22 435	0.32 461	0.25 430	0.26 494	0.20 434	0.25 499	0.09 383	0.23 562	0.15 522	0.22 549	0.09 406	0.13 498
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 446	0.09 335	0.22 461	0.17 236	0.10 361	0.25 490	0.18 389	0.27 396	0.44 515	0.22 435	0.31 457	0.33 500	0.26 494	0.28 506	0.28 525	0.08 324	0.06 332	0.07 218	0.07 296	0.09 406	0.09 412

SANet	0.24 502	0.14 478	0.28 494	0.21 462	0.11 411	0.27 510	0.24 500	0.38 526	0.64 562	0.36 531	0.40 510	0.43 540	0.26 494	0.27 494	0.24 489	0.12 479	0.09 459	0.10 432	0.09 408	0.13 495	0.11 465

XPNet_ROB	0.22 479	0.11 419	0.19 433	0.22 478	0.13 466	0.22 461	0.19 429	0.34 490	0.40 495	0.30 509	0.39 504	0.39 529	0.26 494	0.26 491	0.28 525	0.15 520	0.10 479	0.10 432	0.10 447	0.13 495	0.12 478

ETE_ROB	0.23 495	0.17 507	0.22 461	0.25 519	0.13 466	0.26 500	0.29 546	0.31 451	0.36 472	0.28 497	0.36 484	0.45 544	0.26 494	0.27 494	0.26 510	0.11 454	0.08 430	0.12 483	0.09 408	0.14 508	0.13 498

LALA_ROB	0.25 514	0.16 496	0.22 461	0.26 524	0.17 529	0.27 510	0.27 531	0.42 545	0.37 479	0.33 525	0.38 496	0.51 555	0.26 494	0.28 506	0.27 518	0.16 536	0.09 459	0.12 483	0.11 479	0.13 495	0.12 478

FSD					0.22 547	0.25 490	0.25 515	0.27 396	0.26 384	0.25 469	0.26 408	0.25 430	0.27 502	0.27 494	0.24 489	0.21 553	0.20 550	0.27 555	0.26 556	0.25 556

MSAF-DinoV2	0.22 479	0.11 419	0.23 470	0.17 236	0.10 361	0.27 510	0.16 309	0.37 518	0.55 543	0.21 419	0.27 417	0.47 551	0.27 502	0.35 535	0.39 557	0.09 383	0.06 332	0.07 218	0.09 408	0.12 477	0.10 439

ACVNet-4b	0.39 550	0.53 570	0.55 550	0.45 566	0.24 553	0.47 556	0.18 389	0.49 561	0.64 562	0.42 548	0.45 533	0.60 563	0.27 502	0.34 529	0.24 489	0.33 569	0.14 528	0.48 572	0.42 573	0.30 564	0.26 563

Anonymous_2	0.22 479	0.17 507	0.28 494	0.15 82	0.16 514	0.32 527	0.22 477	0.22 298	0.17 229	0.23 447	0.24 361	0.26 440	0.27 502	0.27 494	0.23 476	0.22 558	0.25 564	0.17 530	0.17 538	0.17 537	0.17 541

UDG	0.21 470	0.17 507	0.19 433	0.23 499	0.15 504	0.30 525	0.20 450	0.33 481	0.35 468	0.23 447	0.28 431	0.31 488	0.27 502	0.20 434	0.22 464	0.15 520	0.12 506	0.13 498	0.09 408	0.14 508	0.14 515

aanetorigin	0.22 479	0.17 507	0.56 553	0.17 236	0.10 361	0.15 328	0.19 429	0.20 252	0.33 447	0.49 557	0.48 537	0.29 466	0.27 502	0.20 434	0.23 476	0.08 324	0.07 404	0.08 303	0.07 296	0.10 438	0.09 412

DMCA-RVC	0.17 420	0.10 393	0.15 337	0.24 508	0.11 411	0.18 398	0.18 389	0.25 357	0.24 349	0.21 419	0.26 408	0.25 430	0.27 502	0.18 394	0.20 435	0.12 479	0.08 430	0.13 498	0.10 447	0.10 438	0.08 367

RGC	0.25 514	0.20 526	0.29 502	0.28 539	0.16 514	0.22 461	0.23 488	0.32 462	0.44 515	0.27 481	0.40 510	0.38 521	0.27 502	0.36 541	0.22 464	0.11 454	0.13 519	0.17 530	0.17 538	0.14 508	0.16 533

stereogan	0.22 479	0.11 419	0.21 454	0.20 433	0.12 443	0.31 526	0.19 429	0.35 505	0.44 515	0.22 435	0.39 504	0.35 510	0.27 502	0.33 526	0.22 464	0.10 425	0.12 506	0.10 432	0.10 447	0.14 508	0.13 498

FBW_ROB	0.24 502	0.17 507	0.22 461	0.26 524	0.14 486	0.25 490	0.22 477	0.41 540	0.41 498	0.41 545	0.41 521	0.42 537	0.27 502	0.31 516	0.23 476	0.09 383	0.14 528	0.14 510	0.12 498	0.11 461	0.09 412

NCC-stereo	0.24 502	0.15 488	0.31 507	0.26 524	0.16 514	0.20 436	0.30 553	0.40 534	0.40 495	0.24 456	0.38 496	0.33 500	0.28 512	0.36 541	0.27 518	0.12 479	0.11 491	0.15 522	0.22 549	0.13 495	0.13 498

Nwc_Net	0.23 495	0.16 496	0.21 454	0.25 519	0.14 486	0.24 479	0.26 524	0.37 518	0.38 486	0.22 435	0.41 521	0.30 475	0.28 512	0.28 506	0.25 499	0.11 454	0.10 479	0.17 530	0.20 544	0.10 438	0.10 439

Abc-Net	0.24 502	0.15 488	0.31 507	0.26 524	0.16 514	0.20 436	0.30 553	0.40 534	0.40 495	0.24 456	0.38 496	0.33 500	0.28 512	0.36 541	0.27 518	0.12 479	0.11 491	0.15 522	0.22 549	0.13 495	0.13 498
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 522	0.15 488	0.30 505	0.24 508	0.18 535	0.22 461	0.15 243	0.38 526	0.71 570	0.32 521	0.41 521	0.36 512	0.28 512	0.32 523	0.29 528	0.12 479	0.11 491	0.14 510	0.13 508	0.16 530	0.20 550

DeepPrunerF	0.24 502	0.17 507	0.42 535	0.26 524	0.16 514	0.22 461	0.28 537	0.37 518	0.50 533	0.26 475	0.29 443	0.24 416	0.28 512	0.21 451	0.22 464	0.15 520	0.11 491	0.20 543	0.18 542	0.12 477	0.13 498

ADCPNet	0.25 514	0.16 496	0.61 559	0.21 462	0.15 504	0.35 544	0.25 515	0.32 462	0.35 468	0.30 509	0.40 510	0.36 512	0.28 512	0.28 506	0.32 541	0.12 479	0.10 479	0.11 463	0.12 498	0.14 508	0.13 498

GANet	0.21 470	0.12 437	0.21 454	0.24 508	0.13 466	0.22 461	0.22 477	0.41 540	0.26 384	0.31 515	0.42 527	0.37 517	0.28 512	0.23 475	0.22 464	0.10 425	0.12 506	0.10 432	0.09 408	0.10 438	0.08 367

NCCL2	0.23 495	0.15 488	0.17 399	0.34 554	0.18 535	0.24 479	0.23 488	0.34 490	0.28 408	0.31 515	0.38 496	0.38 521	0.28 512	0.23 475	0.24 489	0.15 520	0.12 506	0.18 539	0.21 546	0.13 495	0.13 498

APVNet	0.22 479	0.12 437	0.19 433	0.18 318	0.14 486	0.32 527	0.31 559	0.39 530	0.32 440	0.27 481	0.40 510	0.30 475	0.29 520	0.26 491	0.25 499	0.11 454	0.12 506	0.11 463	0.14 511	0.12 477	0.12 478

G-Net	0.24 502	0.16 496	0.36 522	0.22 478	0.16 514	0.51 560	0.23 488	0.29 427	0.34 459	0.36 531	0.38 496	0.31 488	0.29 520	0.27 494	0.26 510	0.11 454	0.09 459	0.12 483	0.09 408	0.16 530	0.13 498

DPSNet	0.28 528	0.16 496	0.31 507	0.18 318	0.13 466	0.54 562	0.42 572	0.51 565	0.67 567	0.29 505	0.38 496	0.38 521	0.29 520	0.31 516	0.23 476	0.11 454	0.10 479	0.11 463	0.08 361	0.20 544	0.16 533

PDISCO_ROB	0.27 524	0.16 496	0.26 482	0.28 539	0.20 541	0.32 527	0.26 524	0.44 551	0.57 548	0.28 497	0.40 510	0.45 544	0.29 520	0.33 526	0.34 547	0.12 479	0.09 459	0.17 530	0.16 530	0.17 537	0.13 498

ccnet	0.29 532	0.28 552	0.23 470	0.20 433	0.28 560	0.41 553	0.21 467	0.45 554	0.33 447	0.36 531	0.46 534	0.36 512	0.30 524	0.39 552	0.42 564	0.23 562	0.14 528	0.21 544	0.17 538	0.23 549	0.18 544

S-Stereo	0.20 458	0.12 437	0.25 479	0.21 462	0.13 466	0.20 436	0.18 389	0.32 462	0.43 510	0.23 447	0.36 484	0.28 458	0.30 524	0.19 409	0.22 464	0.09 383	0.12 506	0.10 432	0.10 447	0.13 495	0.13 498

XQC	0.28 528	0.23 537	0.51 545	0.28 539	0.19 538	0.34 536	0.27 531	0.36 512	0.57 548	0.31 515	0.30 449	0.37 517	0.30 524	0.38 548	0.38 555	0.13 502	0.09 459	0.15 522	0.12 498	0.17 537	0.18 544

ADCL	0.24 502	0.11 419	0.47 542	0.22 478	0.12 443	0.34 536	0.29 546	0.29 427	0.56 546	0.24 456	0.46 534	0.30 475	0.30 524	0.29 512	0.29 528	0.08 324	0.07 404	0.09 384	0.09 408	0.10 438	0.10 439

zh-sn7	0.25 514	0.17 507	0.50 544	0.24 508	0.13 466	0.25 490	0.24 500	0.34 490	0.48 524	0.28 497	0.54 546	0.28 458	0.31 528	0.36 541	0.32 541	0.10 425	0.10 479	0.11 463	0.10 447	0.12 477	0.12 478

MFN_U_SF_DS_RVC	0.30 538	0.24 540	0.29 502	0.36 558	0.16 514	0.34 536	0.30 553	0.32 462	0.42 505	0.40 541	0.46 534	0.38 521	0.31 528	0.34 529	0.28 525	0.19 547	0.20 550	0.26 552	0.29 563	0.18 540	0.19 549

CC-Net-ROB	0.28 528	0.31 557	0.36 522	0.29 547	0.15 504	0.25 490	0.19 429	0.45 554	0.33 447	0.39 538	0.37 490	0.39 529	0.31 528	0.27 494	0.26 510	0.24 564	0.19 547	0.30 565	0.23 553	0.18 540	0.15 522

DANet	0.21 470	0.15 488	0.28 494	0.25 519	0.13 466	0.22 461	0.19 429	0.27 396	0.27 394	0.28 497	0.32 461	0.35 510	0.31 528	0.31 516	0.23 476	0.11 454	0.09 459	0.11 463	0.10 447	0.13 495	0.11 465
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 458	0.12 437	0.22 461	0.21 462	0.12 443	0.17 379	0.18 389	0.34 490	0.39 489	0.27 481	0.37 490	0.34 506	0.32 532	0.21 451	0.20 435	0.09 383	0.11 491	0.10 432	0.09 408	0.11 461	0.14 515

otaku	0.39 550	0.37 563	0.52 546	0.44 565	0.28 560	0.58 564	0.24 500	0.41 540	0.62 558	0.40 541	0.49 538	0.46 548	0.33 533	0.40 556	0.32 541	0.30 567	0.30 568	0.39 569	0.33 568	0.29 563	0.28 564

AnyNet_C32	0.26 522	0.16 496	0.36 522	0.20 433	0.16 514	0.25 490	0.30 553	0.32 462	0.44 515	0.31 515	0.49 538	0.30 475	0.33 533	0.40 556	0.33 545	0.12 479	0.12 506	0.12 483	0.14 511	0.14 508	0.15 522

GANetREF_RVC	0.31 539	0.34 560	0.27 489	0.35 556	0.16 514	0.32 527	0.41 569	0.48 559	0.51 540	0.35 528	0.35 481	0.34 506	0.33 533	0.39 552	0.32 541	0.27 566	0.20 550	0.29 563	0.15 526	0.18 540	0.17 541
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
CSAN	0.29 532	0.24 540	0.27 489	0.34 554	0.19 538	0.33 533	0.42 572	0.37 518	0.50 533	0.38 536	0.40 510	0.44 542	0.33 533	0.28 506	0.30 533	0.20 549	0.16 537	0.19 541	0.19 543	0.14 508	0.15 522

PASM	0.32 541	0.24 540	0.48 543	0.28 539	0.27 559	0.29 522	0.30 553	0.34 490	0.49 530	0.35 528	0.39 504	0.46 548	0.34 537	0.34 529	0.35 548	0.23 562	0.25 564	0.26 552	0.28 562	0.23 549	0.21 552

WCMA_ROB	0.24 502	0.11 419	0.22 461	0.17 236	0.14 486	0.32 527	0.15 243	0.32 462	0.32 440	0.38 536	0.53 544	0.40 534	0.34 537	0.34 529	0.25 499	0.11 454	0.12 506	0.12 483	0.10 447	0.14 508	0.14 515

NLCSM	0.24 502	0.17 507	0.21 454	0.21 462	0.23 550	0.27 510	0.17 343	0.45 554	0.29 415	0.27 481	0.24 361	0.39 529	0.35 539	0.46 561	0.48 571	0.09 383	0.11 491	0.11 463	0.16 530	0.11 461	0.12 478

edge stereo	0.22 479	0.13 466	0.20 445	0.21 462	0.13 466	0.23 474	0.16 309	0.32 462	0.42 505	0.32 521	0.40 510	0.38 521	0.35 539	0.25 489	0.24 489	0.13 502	0.11 491	0.14 510	0.11 479	0.12 477	0.13 498

SGM_RVC	0.23 495	0.12 437	0.15 337	0.15 82	0.09 258	0.33 533	0.18 389	0.34 490	0.31 433	0.44 552	0.37 490	0.53 559	0.35 539	0.35 535	0.24 489	0.13 502	0.13 519	0.13 498	0.13 508	0.10 438	0.11 465
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 532	0.18 519	0.45 537	0.21 462	0.17 529	0.28 518	0.23 488	0.41 540	0.63 561	0.40 541	0.49 538	0.40 534	0.36 542	0.39 552	0.40 560	0.13 502	0.12 506	0.13 498	0.14 511	0.16 530	0.16 533

LSM	0.33 544	0.20 526	0.58 556	0.26 524	0.60 583	0.34 536	0.25 515	0.42 545	0.48 524	0.45 553	0.58 558	0.42 537	0.36 542	0.35 535	0.25 499	0.12 479	0.20 550	0.14 510	0.16 530	0.19 543	0.33 570

psmorigin	0.25 514	0.15 488	0.34 521	0.17 236	0.13 466	0.23 474	0.14 171	0.34 490	0.33 447	0.41 545	0.55 548	0.41 536	0.37 544	0.34 529	0.27 518	0.11 454	0.15 534	0.11 463	0.11 479	0.12 477	0.16 533

Wz-Net-TNSev	0.29 532	0.20 526	0.65 562	0.19 376	0.15 504	0.38 549	0.27 531	0.35 505	0.55 543	0.34 527	0.42 527	0.45 544	0.38 545	0.32 523	0.30 533	0.12 479	0.13 519	0.10 432	0.12 498	0.15 523	0.14 515

AnyNet_C01	0.36 548	0.25 545	1.37 590	0.22 478	0.17 529	0.48 558	0.27 531	0.35 505	0.39 489	0.39 538	0.74 571	0.46 548	0.38 545	0.45 560	0.47 569	0.13 502	0.13 519	0.13 498	0.14 511	0.14 508	0.15 522

EDNetEfficient	0.29 532	0.24 540	1.13 587	0.18 318	0.10 361	0.19 421	0.20 450	0.20 252	0.60 555	0.74 577	0.56 553	0.31 488	0.39 547	0.22 464	0.30 533	0.09 383	0.07 404	0.08 303	0.07 296	0.11 461	0.09 412

MFN_U_SF_RVC	0.32 541	0.21 532	0.55 550	0.30 549	0.15 504	0.34 536	0.17 343	0.52 566	0.46 522	0.46 556	0.55 548	0.59 562	0.39 547	0.35 535	0.37 553	0.15 520	0.14 528	0.18 539	0.21 546	0.16 530	0.15 522

SAMSARA	0.40 553	0.28 552	0.33 513	0.55 572	0.39 567	0.82 584	1.23 599	0.47 558	0.51 540	0.36 531	0.35 481	0.55 561	0.39 547	0.38 548	0.39 557	0.15 520	0.20 550	0.15 522	0.14 511	0.23 549	0.20 550

FC-DCNN v2	0.33 544	0.27 548	0.28 494	0.26 524	0.23 550	0.37 546	0.28 537	0.40 534	0.43 510	0.45 553	0.56 553	0.51 555	0.40 550	0.37 546	0.29 528	0.21 553	0.20 550	0.27 555	0.26 556	0.25 556	0.24 556

ADCMid	0.25 514	0.15 488	0.40 530	0.20 433	0.14 486	0.25 490	0.26 524	0.34 490	0.38 486	0.36 531	0.44 532	0.34 506	0.40 550	0.35 535	0.33 545	0.10 425	0.09 459	0.11 463	0.11 479	0.13 495	0.12 478

FC-DCNN	0.33 544	0.27 548	0.28 494	0.26 524	0.23 550	0.37 546	0.28 537	0.40 534	0.43 510	0.45 553	0.55 548	0.51 555	0.40 550	0.37 546	0.30 533	0.21 553	0.20 550	0.27 555	0.26 556	0.25 556	0.24 556

MSMD_ROB	0.31 539	0.26 546	0.26 482	0.24 508	0.21 545	0.34 536	0.25 515	0.34 490	0.39 489	0.40 541	0.69 565	0.45 544	0.40 550	0.34 529	0.27 518	0.20 549	0.19 547	0.26 552	0.25 555	0.23 549	0.22 554

MeshStereo	0.27 524	0.13 466	0.18 422	0.15 82	0.11 411	0.32 527	0.24 500	0.40 534	0.36 472	0.52 559	0.57 556	0.67 570	0.40 550	0.35 535	0.26 510	0.14 516	0.13 519	0.13 498	0.11 479	0.11 461	0.10 439
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
FCDSN-DC	0.33 544	0.28 552	0.28 494	0.30 549	0.24 553	0.39 550	0.28 537	0.42 545	0.42 505	0.43 551	0.53 544	0.51 555	0.41 555	0.36 541	0.30 533	0.21 553	0.20 550	0.27 555	0.26 556	0.25 556	0.24 556
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 560	0.19 522	3.26 596	0.24 508	0.15 504	0.74 577	0.20 450	0.36 512	0.76 577	0.42 548	0.43 530	0.31 488	0.41 555	0.53 570	0.35 548	0.10 425	0.08 430	0.13 498	0.12 498	0.15 523	0.15 522

RTSA	0.45 560	0.19 522	3.26 596	0.24 508	0.15 504	0.74 577	0.20 450	0.36 512	0.76 577	0.42 548	0.43 530	0.31 488	0.41 555	0.53 570	0.35 548	0.10 425	0.08 430	0.13 498	0.12 498	0.15 523	0.15 522

Ntro	0.40 553	0.40 565	0.53 547	0.46 569	0.30 564	0.65 570	0.24 500	0.46 557	0.68 568	0.41 545	0.49 538	0.48 553	0.42 558	0.39 552	0.31 540	0.32 568	0.28 566	0.37 568	0.30 565	0.32 568	0.29 565

SGM-ForestM	0.32 541	0.12 437	0.16 371	0.16 160	0.11 411	0.39 550	0.19 429	0.41 540	0.50 533	0.52 559	0.54 546	1.32 590	0.42 558	0.40 556	0.27 518	0.14 516	0.16 537	0.16 528	0.16 530	0.12 477	0.12 478

LE_ROB	0.50 565	0.07 158	0.14 285	0.15 82	0.08 140	0.24 479	0.16 309	0.22 298	1.81 600	4.63 603	0.67 563	0.47 551	0.44 560	0.20 434	0.29 528	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.06 222

coex-ft	3.30 596	0.34 560	59.09 623	0.18 318	0.13 466	0.26 500	0.22 477	0.27 396	0.72 571	1.90 601	0.70 567	0.44 542	0.45 561	0.29 512	0.41 563	0.09 383	0.09 459	0.12 483	0.09 408	0.14 508	0.13 498

RainbowNet	0.54 568	0.61 574	0.70 576	0.57 573	0.43 571	0.65 570	0.37 567	0.60 575	0.87 581	0.50 558	0.66 562	0.64 566	0.47 562	0.49 563	0.43 567	0.47 577	0.48 582	0.52 576	0.41 572	0.52 574	0.40 576

Consistency-Raft	0.44 558	0.40 565	0.45 537	0.37 560	0.43 571	0.46 554	0.41 569	0.57 573	0.55 543	0.32 521	0.73 569	0.33 500	0.48 563	0.42 559	0.49 572	0.39 571	0.35 573	0.45 571	0.51 580	0.42 571	0.29 565

ACVNet_1	0.44 558	0.49 569	0.60 558	0.45 566	0.28 560	0.49 559	0.27 531	0.57 573	0.72 571	0.62 566	0.58 558	0.74 574	0.49 564	0.50 564	0.35 548	0.26 565	0.24 563	0.39 569	0.29 563	0.31 567	0.24 556

EDNetEfficientorigin	7.91 603	0.31 557	153.02 624	0.19 376	0.09 258	0.21 453	0.16 309	0.22 298	0.59 552	0.72 573	0.67 563	0.42 537	0.50 565	0.24 484	0.39 557	0.08 324	0.07 404	0.08 303	0.07 296	0.12 477	0.10 439

TCMNet-wrong-test	3.67 597	5.48 610	3.89 600	12.18 609	11.75 611	4.65 601	3.88 603	1.06 595	0.72 571	1.09 593	2.15 602	6.30 606	0.53 566	3.43 603	2.36 602	0.89 596	0.20 550	1.87 603	1.69 602	5.57 607	3.62 607

MSC_U_SF_DS_RVC	0.43 557	0.39 564	0.54 548	0.40 561	0.20 541	0.64 569	0.32 561	0.53 568	0.72 571	0.71 571	0.72 568	0.61 564	0.54 567	0.51 566	0.46 568	0.20 549	0.19 547	0.29 563	0.30 565	0.23 549	0.18 544

ELAS_RVC	0.41 555	0.29 555	0.33 513	0.28 539	0.24 553	0.54 562	0.36 564	0.49 561	0.59 552	0.72 573	0.74 571	0.65 568	0.54 567	0.54 572	0.40 560	0.22 558	0.20 550	0.27 555	0.26 556	0.26 561	0.25 561
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 555	0.29 555	0.33 513	0.27 536	0.24 553	0.60 567	0.36 564	0.50 564	0.50 533	0.71 571	0.79 575	0.67 570	0.54 567	0.51 566	0.42 564	0.22 558	0.20 550	0.27 555	0.26 556	0.26 561	0.25 561
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 567	0.58 572	0.65 562	0.41 563	0.61 584	0.53 561	0.41 569	0.56 571	0.41 498	0.55 563	0.50 542	0.49 554	0.55 570	0.58 575	0.50 575	0.58 583	0.50 586	0.51 574	0.51 580	0.51 573	0.57 581

SGM+DAISY	0.56 569	0.57 571	0.65 562	0.40 561	0.54 576	0.66 572	0.49 576	0.56 571	0.45 521	0.66 567	0.69 565	0.67 570	0.56 571	0.63 577	0.56 577	0.59 584	0.48 582	0.50 573	0.50 579	0.52 574	0.58 582

MonStereo1	0.47 564	0.26 546	0.58 556	0.28 539	0.20 541	0.39 550	0.18 389	0.49 561	0.64 562	0.52 559	0.87 578	1.01 579	0.57 572	0.50 564	0.56 577	0.53 580	0.31 571	0.54 578	0.40 571	0.33 569	0.34 571

SPS-STEREO	0.57 570	0.58 572	0.65 562	0.45 566	0.55 578	0.62 568	0.44 575	0.62 576	0.50 533	0.68 569	0.64 560	0.66 569	0.57 572	0.61 576	0.60 580	0.62 586	0.47 581	0.51 574	0.49 577	0.55 578	0.58 582
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 550	0.20 526	0.39 529	0.31 553	0.22 547	0.29 522	0.43 574	0.52 566	0.96 584	0.55 563	0.79 575	0.53 559	0.59 574	0.52 568	0.38 555	0.19 547	0.14 528	0.17 530	0.14 511	0.24 555	0.31 568

MANE	0.45 560	0.27 548	0.27 489	0.27 536	0.24 553	0.47 556	0.31 559	0.55 570	0.59 552	0.72 573	1.13 592	1.15 584	0.61 575	0.52 568	0.37 553	0.21 553	0.20 550	0.27 555	0.31 567	0.25 556	0.24 556

PWCK	0.71 575	0.94 589	0.95 585	0.76 578	0.31 565	0.74 577	0.36 564	0.90 583	0.90 582	0.96 586	0.75 573	0.95 578	0.61 575	0.87 589	0.66 583	0.72 589	0.46 577	0.75 584	0.49 577	0.69 587	0.44 578

BEATNet-Init1	0.52 566	0.27 548	0.62 560	0.30 549	0.21 545	0.76 581	0.29 546	0.54 569	0.65 565	0.86 582	0.95 583	2.07 599	0.62 577	0.56 574	0.42 564	0.18 542	0.18 544	0.23 549	0.22 549	0.22 548	0.21 552

NVStereoNet_ROB	0.46 563	0.36 562	0.46 541	0.41 563	0.28 560	0.34 536	0.34 562	0.48 559	0.60 555	0.72 573	0.93 581	0.70 573	0.66 578	0.47 562	0.60 580	0.22 558	0.33 572	0.34 567	0.34 570	0.30 564	0.30 567
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 571	0.66 578	0.65 562	0.51 570	0.69 588	0.69 573	0.57 582	0.64 577	0.73 575	0.60 565	0.73 569	0.62 565	0.67 579	0.65 578	0.60 580	0.66 588	0.58 595	0.63 579	0.59 583	0.68 585	0.69 591

MADNet+	0.75 578	0.71 580	3.70 599	0.66 575	0.41 569	0.98 589	0.97 597	0.69 578	0.73 575	0.52 559	0.57 556	0.64 566	0.68 580	0.86 588	1.01 596	0.34 570	0.36 574	0.28 562	0.23 553	0.36 570	0.31 568

ACVNet_2	0.66 574	0.66 578	0.68 570	0.63 574	0.41 569	0.71 575	0.49 576	0.96 588	1.39 593	0.89 583	1.09 588	1.04 580	0.73 581	0.54 572	0.47 569	0.43 575	0.40 575	0.53 577	0.44 574	0.47 572	0.35 573

TorneroNet-64	0.76 579	0.72 581	0.74 577	0.78 580	0.58 582	0.91 588	0.56 581	0.84 582	1.29 590	0.66 567	0.90 579	1.40 592	0.75 582	0.85 587	0.67 586	0.49 578	0.46 577	0.72 583	0.59 583	0.67 584	0.53 580

IMH-64-1	0.65 572	0.61 574	0.68 570	0.71 576	0.51 574	0.59 565	0.49 576	0.91 584	0.85 579	0.74 577	1.02 585	0.81 575	0.78 583	0.79 581	0.49 572	0.42 573	0.46 577	0.71 581	0.47 575	0.52 574	0.39 574

IMH-64	0.65 572	0.61 574	0.68 570	0.71 576	0.51 574	0.59 565	0.49 576	0.91 584	0.85 579	0.74 577	1.02 585	0.81 575	0.78 583	0.79 581	0.49 572	0.42 573	0.46 577	0.71 581	0.47 575	0.52 574	0.39 574

JetBlue	0.71 575	0.45 568	1.14 588	0.51 570	0.47 573	2.02 599	0.64 586	0.75 579	0.70 569	0.69 570	0.77 574	1.22 586	0.83 585	1.03 596	1.01 596	0.40 572	0.28 566	0.33 566	0.33 568	0.30 564	0.34 571

LVE	0.83 583	0.85 587	0.85 583	0.80 581	0.56 579	1.04 594	0.65 587	1.05 593	1.47 596	0.96 586	1.22 596	1.10 583	0.85 586	0.83 584	0.71 588	0.49 578	0.55 592	0.76 587	0.60 585	0.65 582	0.59 587

TorneroNet	0.82 582	0.74 582	0.81 582	0.84 583	0.63 585	0.99 590	0.63 584	0.96 588	1.16 587	0.80 580	1.11 590	1.36 591	0.86 587	0.93 592	0.80 591	0.56 581	0.49 584	0.78 589	0.66 588	0.73 590	0.63 590

IMH	0.71 575	0.64 577	0.68 570	0.76 578	0.54 576	0.69 573	0.54 580	0.98 590	1.10 586	0.82 581	1.09 588	0.89 577	0.88 588	0.87 589	0.52 576	0.44 576	0.50 586	0.75 584	0.51 580	0.56 579	0.41 577

WAO-7	0.79 580	0.78 583	0.54 548	0.85 584	0.67 587	0.74 577	0.68 590	1.05 593	1.32 591	0.90 584	1.20 595	1.04 580	0.92 589	0.69 579	0.66 583	0.60 585	0.62 596	0.67 580	0.68 589	0.64 581	0.58 582

JetRed	1.62 594	1.46 597	2.98 594	0.92 587	1.21 597	4.99 602	1.53 602	1.27 601	1.39 593	1.83 600	1.74 601	1.60 598	0.95 590	1.41 599	2.45 603	0.90 597	1.60 601	0.93 593	0.90 597	1.35 598	0.99 598

KSHMR	1.09 591	1.17 593	0.88 584	1.25 596	1.00 596	0.99 590	0.96 596	1.13 598	1.37 592	1.16 595	1.29 597	1.41 593	0.96 591	1.01 595	0.92 593	1.03 598	1.08 600	1.20 597	1.03 599	1.01 595	0.97 597

Dean	0.87 584	0.86 588	0.79 580	0.81 582	0.56 579	0.90 585	0.63 584	1.15 599	1.73 599	1.15 594	1.15 593	1.31 589	0.99 592	0.81 583	0.81 592	0.57 582	0.56 593	0.77 588	0.64 586	0.66 583	0.58 582

WAO-6	0.81 581	0.80 584	0.62 560	0.86 585	0.63 585	0.76 581	0.58 583	0.98 590	1.54 598	0.90 584	0.96 584	1.07 582	1.03 593	0.70 580	0.66 583	0.72 589	0.49 584	0.90 592	0.71 590	0.68 585	0.58 582

WAO-8	0.91 585	0.81 585	0.65 562	0.94 588	0.69 588	0.90 585	0.67 588	1.07 596	1.83 601	1.06 591	1.45 598	1.30 587	1.07 594	0.84 585	0.78 589	0.74 591	0.53 589	0.86 590	0.75 591	0.69 587	0.62 588

ktn	1.01 590	1.21 594	0.80 581	1.23 595	0.86 594	1.01 592	0.87 594	0.94 587	1.39 593	1.04 589	1.12 591	1.15 584	1.07 594	0.94 593	0.59 579	1.28 600	0.71 598	1.38 600	0.83 594	1.02 596	0.75 594

Venus	0.91 585	0.81 585	0.65 562	0.94 588	0.69 588	0.90 585	0.67 588	1.07 596	1.83 601	1.06 591	1.45 598	1.30 587	1.07 594	0.84 585	0.78 589	0.74 591	0.53 589	0.86 590	0.75 591	0.69 587	0.62 588

DPSimNet_ROB	1.11 592	1.23 595	0.78 578	1.13 593	0.88 595	1.10 595	1.13 598	1.16 600	1.23 589	1.43 598	1.02 585	1.41 593	1.10 597	0.90 591	1.60 598	1.46 601	0.51 588	1.21 598	1.03 599	0.90 593	1.01 599

notaker	0.97 588	1.11 592	0.98 586	1.13 593	0.81 592	0.73 576	0.68 590	0.93 586	1.16 587	1.18 596	1.18 594	1.41 593	1.16 598	1.08 598	0.69 587	0.81 594	0.64 597	1.17 596	0.79 593	0.98 594	0.80 595

UNDER WATER-64	0.95 587	0.94 589	1.43 592	0.87 586	0.56 579	1.18 597	0.87 594	0.77 580	0.94 583	1.04 589	0.85 577	1.58 597	1.21 599	0.94 593	0.96 594	0.87 595	0.57 594	1.03 595	0.88 596	0.78 591	0.73 592

UNDER WATER	0.97 588	0.97 591	1.42 591	0.99 590	0.70 591	1.12 596	0.84 593	0.80 581	1.08 585	1.01 588	0.90 579	1.55 596	1.22 600	1.03 596	1.00 595	0.78 593	0.53 589	1.02 594	0.87 595	0.80 592	0.74 593

HanzoNet	1.29 593	1.26 596	1.19 589	1.12 592	0.85 593	1.02 593	0.83 592	1.03 592	1.48 597	1.64 599	1.61 600	2.50 601	1.72 601	1.61 600	1.61 599	1.26 599	0.80 599	1.31 599	1.01 598	1.02 596	0.86 596

MADNet++	1.95 595	1.75 598	1.59 593	1.82 597	1.69 599	2.33 600	1.40 601	2.35 602	2.09 603	2.57 602	2.36 603	2.24 600	2.17 602	2.28 601	2.34 601	1.87 602	1.66 602	1.54 601	1.34 601	1.92 599	1.77 601

tt	4.67 598	0.06 71	3.55 598	2.02 598	1.55 598	10.25 606	16.71 607	8.91 611	5.03 604	1.31 597	0.94 582	4.71 602	4.76 603	3.33 602	5.87 605	6.06 610	10.30 614	1.88 604	2.11 604	2.75 601	1.21 600

LRCNet_RVC	10.62 609	13.42 615	7.30 602	18.92 613	2.07 600	0.33 533	0.30 553	5.59 606	0.48 524	13.03 613	17.94 614	8.87 608	5.65 604	4.79 604	1.89 600	23.51 621	2.73 607	27.55 624	25.71 624	16.07 618	16.33 619

PML	8.91 606	9.34 614	6.13 601	5.35 602	6.41 604	14.99 609	23.38 614	5.27 603	6.83 605	18.04 617	28.19 625	7.67 607	6.83 605	7.85 608	5.75 604	5.35 609	1.83 603	5.95 613	1.93 603	8.64 610	2.52 603

USTest	6.22 599	2.73 601	3.00 595	6.57 605	7.29 605	14.37 608	21.57 608	7.00 610	9.56 609	5.34 606	6.10 604	5.72 605	7.64 606	6.41 607	6.96 606	1.97 603	3.42 608	1.64 602	2.15 605	2.66 600	2.36 602

xxxxx1	7.79 600	5.02 607	7.31 603	3.12 599	3.85 601	16.35 610	22.88 609	5.86 607	8.69 606	7.97 607	8.54 605	9.12 609	8.27 607	10.18 609	10.92 607	2.42 604	2.45 604	3.56 607	12.37 611	3.77 602	3.06 604

tt_ll	7.79 600	5.02 607	7.31 603	3.12 599	3.85 601	16.35 610	22.88 609	5.86 607	8.69 606	7.97 607	8.54 605	9.12 609	8.27 607	10.18 609	10.92 607	2.42 604	2.45 604	3.56 607	12.37 611	3.77 602	3.06 604

ff	7.79 600	5.02 607	7.31 603	3.12 599	3.85 601	16.35 610	22.88 609	5.86 607	8.69 606	7.97 607	8.54 605	9.12 609	8.27 607	10.18 609	10.92 607	2.42 604	2.45 604	3.56 607	12.37 611	3.77 602	3.06 604

DPSMNet_ROB	8.06 604	4.48 603	8.63 609	5.37 604	10.74 608	8.32 604	22.98 613	5.46 604	13.36 612	5.12 604	9.92 608	5.08 603	10.40 610	5.53 606	12.58 610	3.80 608	8.00 609	3.50 605	7.02 608	3.83 605	7.14 609

DGTPSM_ROB	8.06 604	4.48 603	8.63 609	5.35 602	10.72 607	8.32 604	22.97 612	5.46 604	13.35 611	5.12 604	9.92 608	5.08 603	10.40 610	5.52 605	12.58 610	3.79 607	8.00 609	3.50 605	7.02 608	3.83 605	7.14 609

Anonymous_1	10.96 610	7.92 611	7.46 606	10.33 606	10.06 606	18.65 614	26.34 615	11.06 614	13.44 613	9.40 610	10.05 610	9.67 612	11.23 612	10.73 612	12.72 612	6.42 611	8.38 611	5.77 610	10.61 610	12.12 611	6.77 608

DPSM_ROB	11.15 611	8.58 612	8.00 607	10.88 607	11.58 609	19.10 615	26.71 616	12.05 615	14.07 616	10.36 611	10.84 611	10.33 613	11.86 613	11.70 613	13.54 613	6.99 612	8.79 612	5.89 611	6.95 606	7.29 608	7.42 611

DPSM	11.15 611	8.58 612	8.00 607	10.88 607	11.58 609	19.10 615	26.71 616	12.05 615	14.07 616	10.36 611	10.84 611	10.33 613	11.86 613	11.70 613	13.54 613	6.99 612	8.79 612	5.89 611	6.95 606	7.29 608	7.42 611

HaxPig	15.71 613	18.52 622	19.18 617	16.89 612	15.89 614	7.73 603	7.60 604	13.31 617	10.82 610	15.42 614	14.91 613	15.98 615	14.92 615	15.58 615	15.98 615	18.95 620	16.73 615	19.46 620	18.08 620	19.26 619	19.05 622

MEDIAN_ROB	20.38 616	24.04 623	23.31 620	21.23 614	21.71 617	10.40 607	7.92 605	17.64 618	15.50 618	20.12 618	19.70 615	20.34 616	20.32 616	21.19 616	21.13 618	23.81 622	21.81 622	24.98 623	23.76 623	24.71 622	23.93 623

RSGM-EC	20.36 614	4.73 605	0.68 570	16.76 610	16.92 615	21.28 617	27.18 618	10.46 612	14.04 614	18.00 615	21.31 617	22.24 623	21.82 617	22.57 617	17.63 616	62.81 624	33.79 624	20.14 621	18.10 621	20.18 620	16.45 620

acva	20.36 614	4.73 605	0.68 570	16.76 610	16.92 615	21.28 617	27.18 618	10.46 612	14.04 614	18.00 615	21.31 617	22.24 623	21.82 617	22.57 617	17.63 616	62.81 624	33.79 624	20.14 621	18.10 621	20.18 620	16.45 620

FlowAnything	22.44 620	17.35 620	16.14 615	22.07 619	23.23 618	38.39 622	53.77 621	24.25 623	28.44 624	20.96 624	21.82 622	20.70 617	23.84 619	23.49 622	27.14 620	14.04 614	17.79 621	11.75 614	14.15 619	14.65 612	14.89 613

Selective-RAFT-Error	22.47 621	17.37 621	16.09 614	22.06 618	23.34 622	38.39 622	53.83 625	24.29 625	28.47 625	20.74 622	21.83 623	20.81 618	23.90 620	23.54 624	27.53 625	14.08 618	17.69 617	11.82 615	14.00 614	14.69 614	15.00 618

CasAABBNet	22.42 617	17.33 617	16.01 613	22.01 615	23.28 619	38.32 619	53.80 622	24.14 622	28.41 623	20.60 619	21.77 621	20.89 621	23.91 621	23.43 621	27.36 621	14.07 615	17.69 617	11.83 616	14.01 615	14.67 613	14.95 615

RAFT-FEzeroshot	22.43 618	17.33 617	15.98 611	22.02 616	23.31 620	38.34 620	53.82 623	24.05 620	28.39 621	20.61 620	21.76 619	20.88 619	23.92 622	23.41 619	27.42 623	14.07 615	17.69 617	11.83 616	14.02 616	14.69 614	14.97 616

RAFT-FE	22.43 618	17.33 617	15.98 611	22.02 616	23.31 620	38.34 620	53.82 623	24.05 620	28.39 621	20.61 620	21.76 619	20.88 619	23.92 622	23.41 619	27.42 623	14.07 615	17.69 617	11.83 616	14.02 616	14.69 614	14.97 616

LSM0	22.87 622	17.28 616	18.96 616	22.19 620	29.04 624	38.42 624	53.71 620	24.28 624	28.31 620	20.78 623	21.00 616	21.43 622	24.16 624	23.50 623	27.39 622	14.09 619	17.38 616	11.84 619	14.04 618	14.73 617	14.89 613

AVERAGE_ROB	24.90 623	29.20 624	28.14 621	24.89 621	24.64 623	17.75 613	11.12 606	21.45 619	19.93 619	25.12 625	24.46 624	25.12 625	25.46 625	24.69 625	22.83 619	29.76 623	27.13 623	28.97 625	27.95 625	29.91 623	29.47 624

test_example2	98.32 624	94.13 625	45.89 622	96.35 622	109.85 625	88.61 625	95.45 626	25.75 626	94.37 626	130.00 627	126.06 626	58.17 626	74.63 626	88.51 626	79.96 626	150.23 626	221.02 626	77.62 626	99.10 626	113.75 626	96.94 625

ccccc		285.66 626		368.85 625	370.60 626	123.16 626		115.05 627		126.68 626		122.83 627		252.94 627		384.56 627	353.86 627	254.69 627	223.00 627	425.87 627

ASD4		3.38 602

Low-res two-view benchmark