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

MLG-Stereo_test2	0.06 1	0.04 1	0.10 138	0.15 85	0.05 1	0.07 34	0.11 55	0.09 13	0.04 2	0.06 14	0.05 7	0.06 24	0.04 1	0.08 19	0.09 62	0.06 128	0.04 24	0.05 34	0.03 1	0.05 119	0.05 146

MLG-Stereo_test1	0.06 1	0.05 27	0.08 40	0.17 243	0.05 1	0.06 11	0.11 55	0.08 6	0.03 1	0.05 2	0.04 1	0.06 24	0.05 12	0.09 40	0.09 62	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

FoundationStereo	0.06 1	0.04 1	0.08 40	0.12 5	0.05 1	0.09 98	0.13 126	0.06 1	0.09 30	0.05 2	0.05 7	0.06 24	0.04 1	0.06 1	0.07 1	0.06 128	0.04 24	0.05 34	0.03 1	0.05 119	0.04 49

BPD-Stereo	0.07 4	0.04 1	0.08 40	0.15 85	0.07 84	0.06 11	0.14 180	0.07 2	0.10 48	0.05 2	0.05 7	0.04 1	0.06 46	0.07 4	0.09 62	0.04 11	0.04 24	0.05 34	0.05 133	0.04 21	0.04 49

Pro-Stereo	0.07 4	0.05 27	0.08 40	0.15 85	0.07 84	0.08 60	0.12 76	0.07 2	0.07 10	0.06 14	0.06 15	0.05 3	0.05 12	0.09 40	0.08 17	0.05 35	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

MatchStereo	0.07 4	0.04 1	0.08 40	0.14 41	0.06 16	0.05 4	0.12 76	0.12 58	0.09 30	0.07 48	0.06 15	0.04 1	0.04 1	0.08 19	0.09 62	0.06 128	0.05 209	0.05 34	0.03 1	0.04 21	0.04 49

BridgeDepth_RVC	0.07 4	0.04 1	0.09 92	0.11 1	0.05 1	0.10 151	0.10 31	0.14 97	0.09 30	0.06 14	0.07 49	0.06 24	0.07 128	0.07 4	0.10 144	0.06 128	0.04 24	0.04 1	0.04 46	0.04 21	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
CSFM-Stereo	0.07 4	0.05 27	0.07 8	0.14 41	0.06 16	0.09 98	0.13 126	0.15 130	0.06 4	0.07 48	0.08 91	0.06 24	0.08 169	0.09 40	0.09 62	0.06 128	0.05 209	0.04 1	0.03 1	0.04 21	0.04 49

VIP-Stereo	0.07 4	0.07 169	0.07 8	0.15 85	0.06 16	0.12 237	0.10 31	0.11 37	0.11 77	0.06 14	0.07 49	0.06 24	0.05 12	0.10 82	0.08 17	0.05 35	0.04 24	0.05 34	0.03 1	0.03 1	0.02 1

BridgeDepth	0.07 4	0.07 169	0.08 40	0.18 325	0.06 16	0.07 34	0.11 55	0.09 13	0.06 4	0.04 1	0.07 49	0.10 192	0.09 200	0.08 19	0.08 17	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
Zero-FE251	0.07 4	0.05 27	0.09 92	0.13 14	0.06 16	0.12 237	0.12 76	0.11 37	0.10 48	0.07 48	0.08 91	0.06 24	0.06 46	0.09 40	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

MonStereo	0.07 4	0.06 76	0.05 1	0.15 85	0.05 1	0.08 60	0.10 31	0.15 130	0.15 187	0.05 2	0.06 15	0.05 3	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Wavelet-MonSter	0.07 4	0.05 27	0.07 8	0.16 167	0.06 16	0.07 34	0.11 55	0.10 22	0.08 17	0.06 14	0.06 15	0.07 82	0.07 128	0.09 40	0.09 62	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 4	0.06 76	0.05 1	0.15 85	0.05 1	0.08 60	0.10 31	0.15 130	0.15 187	0.05 2	0.06 15	0.05 3	0.06 46	0.07 4	0.09 62	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 92	0.13 14	0.06 16	0.05 4	0.09 18	0.11 37	0.07 10	0.06 14	0.06 15	0.05 3	0.06 46	0.09 40	0.09 62	0.06 128	0.04 24	0.04 1	0.03 1	0.05 119	0.05 146

Replicate-Monster	0.07 4	0.05 27	0.09 92	0.14 41	0.06 16	0.08 60	0.09 18	0.13 76	0.13 142	0.05 2	0.07 49	0.06 24	0.06 46	0.08 19	0.10 144	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

AdaDepth	0.07 4	0.06 76	0.07 8	0.18 325	0.06 16	0.11 198	0.12 76	0.09 13	0.07 10	0.06 14	0.05 7	0.07 82	0.06 46	0.09 40	0.10 144	0.04 11	0.05 209	0.05 34	0.04 46	0.04 21	0.04 49

asda	0.07 4	0.08 275	0.08 40	0.16 167	0.06 16	0.06 11	0.10 31	0.16 161	0.10 48	0.06 14	0.06 15	0.05 3	0.05 12	0.10 82	0.10 144	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

asd	0.07 4	0.08 275	0.07 8	0.16 167	0.07 84	0.08 60	0.08 7	0.11 37	0.08 17	0.07 48	0.07 49	0.06 24	0.06 46	0.10 82	0.09 62	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

qwe	0.07 4	0.08 275	0.07 8	0.15 85	0.06 16	0.07 34	0.10 31	0.18 229	0.11 77	0.07 48	0.07 49	0.06 24	0.06 46	0.10 82	0.09 62	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.25w	0.07 4	0.06 76	0.07 8	0.14 41	0.06 16	0.08 60	0.08 7	0.10 22	0.15 187	0.08 86	0.10 144	0.07 82	0.06 46	0.08 19	0.10 144	0.05 35	0.03 1	0.04 1	0.04 46	0.03 1	0.04 49

4.25_new	0.07 4	0.08 275	0.09 92	0.15 85	0.06 16	0.09 98	0.08 7	0.14 97	0.08 17	0.07 48	0.07 49	0.06 24	0.06 46	0.12 226	0.10 144	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.5w_new	0.07 4	0.08 275	0.09 92	0.15 85	0.06 16	0.09 98	0.08 7	0.14 97	0.08 17	0.07 48	0.07 49	0.06 24	0.06 46	0.12 226	0.10 144	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.5_new	0.07 4	0.09 351	0.08 40	0.15 85	0.07 84	0.06 11	0.10 31	0.14 97	0.11 77	0.06 14	0.08 91	0.06 24	0.06 46	0.08 19	0.10 144	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

4.5w-stereo	0.07 4	0.09 351	0.08 40	0.15 85	0.07 84	0.06 11	0.10 31	0.14 97	0.11 77	0.06 14	0.08 91	0.06 24	0.06 46	0.08 19	0.10 144	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

4.25w-stereo	0.07 4	0.08 275	0.09 92	0.15 85	0.06 16	0.09 98	0.08 7	0.14 97	0.08 17	0.07 48	0.07 49	0.06 24	0.06 46	0.12 226	0.10 144	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4w-stereo	0.07 4	0.08 275	0.08 40	0.16 167	0.06 16	0.07 34	0.08 7	0.12 58	0.08 17	0.07 48	0.07 49	0.05 3	0.06 46	0.09 40	0.10 144	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.5w	0.07 4	0.07 169	0.07 8	0.16 167	0.06 16	0.08 60	0.12 76	0.10 22	0.10 48	0.07 48	0.06 15	0.09 158	0.06 46	0.08 19	0.09 62	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

2.75w_new	0.07 4	0.07 169	0.07 8	0.13 14	0.06 16	0.08 60	0.08 7	0.18 229	0.12 107	0.07 48	0.08 91	0.06 24	0.06 46	0.09 40	0.11 219	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 49

3.25w_new	0.07 4	0.06 76	0.07 8	0.15 85	0.06 16	0.10 151	0.07 3	0.12 58	0.11 77	0.08 86	0.06 15	0.07 82	0.06 46	0.11 135	0.09 62	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 76	0.07 8	0.15 85	0.06 16	0.10 151	0.07 3	0.12 58	0.11 77	0.08 86	0.06 15	0.07 82	0.06 46	0.11 135	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 4	0.07 169	0.08 40	0.16 167	0.07 84	0.07 34	0.09 18	0.16 161	0.09 30	0.07 48	0.06 15	0.05 3	0.06 46	0.09 40	0.10 144	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 4	0.07 169	0.07 8	0.15 85	0.07 84	0.09 98	0.06 1	0.13 76	0.11 77	0.07 48	0.07 49	0.06 24	0.07 128	0.10 82	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

1w_stereo	0.07 4	0.06 76	0.07 8	0.16 167	0.06 16	0.07 34	0.10 31	0.14 97	0.14 167	0.07 48	0.08 91	0.05 3	0.06 46	0.09 40	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 49

monsterstereo	0.07 4	0.06 76	0.06 4	0.16 167	0.06 16	0.08 60	0.10 31	0.16 161	0.11 77	0.07 48	0.08 91	0.06 24	0.07 128	0.08 19	0.09 62	0.04 11	0.04 24	0.05 34	0.04 46	0.03 1	0.03 2

monsters	0.07 4	0.06 76	0.06 4	0.15 85	0.06 16	0.08 60	0.09 18	0.12 58	0.08 17	0.09 122	0.07 49	0.06 24	0.06 46	0.08 19	0.08 17	0.05 35	0.04 24	0.04 1	0.04 46	0.03 1	0.03 2

IGEV	0.07 4	0.04 1	0.08 40	0.13 14	0.06 16	0.09 98	0.12 76	0.14 97	0.10 48	0.06 14	0.09 113	0.07 82	0.05 12	0.09 40	0.09 62	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

111111	0.07 4	0.04 1	0.09 92	0.17 243	0.06 16	0.05 4	0.10 31	0.11 37	0.09 30	0.06 14	0.06 15	0.07 82	0.05 12	0.09 40	0.09 62	0.06 128	0.04 24	0.05 34	0.04 46	0.07 299	0.06 240

LG-Stereo_L2	0.07 4	0.05 27	0.10 138	0.14 41	0.06 16	0.07 34	0.12 76	0.09 13	0.09 30	0.06 14	0.04 1	0.05 3	0.05 12	0.08 19	0.08 17	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

LG-Stereo_L1	0.07 4	0.05 27	0.11 182	0.14 41	0.06 16	0.07 34	0.13 126	0.09 13	0.07 10	0.05 2	0.04 1	0.05 3	0.04 1	0.08 19	0.07 1	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

MLG-Stereo_test3	0.07 4	0.05 27	0.10 138	0.14 41	0.06 16	0.07 34	0.11 55	0.08 6	0.06 4	0.06 14	0.04 1	0.06 24	0.06 46	0.07 4	0.10 144	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.06 240

MLG-Stereo	0.07 4	0.05 27	0.08 40	0.17 243	0.05 1	0.07 34	0.11 55	0.08 6	0.04 2	0.05 2	0.04 1	0.06 24	0.05 12	0.10 82	0.09 62	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

LG-G_1	0.07 4	0.04 1	0.11 182	0.15 85	0.06 16	0.09 98	0.08 7	0.08 6	0.06 4	0.06 14	0.05 7	0.07 82	0.07 128	0.11 135	0.08 17	0.07 277	0.04 24	0.05 34	0.04 46	0.05 119	0.05 146

LG-G	0.07 4	0.04 1	0.11 182	0.15 85	0.06 16	0.09 98	0.08 7	0.08 6	0.06 4	0.06 14	0.05 7	0.07 82	0.07 128	0.11 135	0.08 17	0.07 277	0.04 24	0.05 34	0.04 46	0.05 119	0.05 146

LGtest1	0.07 4	0.04 1	0.10 138	0.15 85	0.06 16	0.07 34	0.09 18	0.08 6	0.06 4	0.05 2	0.04 1	0.06 24	0.06 46	0.10 82	0.09 62	0.07 277	0.04 24	0.05 34	0.04 46	0.06 226	0.06 240

LG-Stereo_Zeroshot	0.07 4	0.06 76	0.10 138	0.16 167	0.07 84	0.04 1	0.13 126	0.10 22	0.10 48	0.05 2	0.11 185	0.07 82	0.05 12	0.07 4	0.09 62	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

GREAT-IGEV	0.07 4	0.06 76	0.08 40	0.13 14	0.07 84	0.07 34	0.14 180	0.09 13	0.09 30	0.06 14	0.07 49	0.06 24	0.05 12	0.10 82	0.07 1	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49
Jiahao LI, Xinhong Chen, Zhengmin JIANG, Qian Zhou, Yung-Hui Li, Jianping Wang: Global Regulation and Excitation via Attention Tuning for Stereo Matching. ICCV2025
StereoAnything_RVC	0.07 4	0.15 506	0.17 417	0.11 1	0.05 1	0.05 4	0.11 55	0.08 6	0.08 17	0.06 14	0.06 15	0.05 3	0.05 12	0.09 40	0.08 17	0.08 342	0.04 24	0.05 34	0.03 1	0.05 119	0.04 49

AIO_rvc	0.07 4	0.06 76	0.08 40	0.15 85	0.06 16	0.08 60	0.14 180	0.09 13	0.08 17	0.07 48	0.08 91	0.07 82	0.04 1	0.10 82	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

AIO_test	0.07 4	0.05 27	0.07 8	0.15 85	0.07 84	0.06 11	0.14 180	0.10 22	0.10 48	0.07 48	0.07 49	0.06 24	0.05 12	0.08 19	0.10 144	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

MonSter	0.07 4	0.06 76	0.05 1	0.15 85	0.05 1	0.07 34	0.10 31	0.15 130	0.15 187	0.05 2	0.06 15	0.05 3	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

DEFOM-Stereo	0.07 4	0.05 27	0.07 8	0.14 41	0.06 16	0.10 151	0.13 126	0.07 2	0.13 142	0.06 14	0.07 49	0.06 24	0.05 12	0.10 82	0.09 62	0.04 11	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

dual_stereo	0.07 4	0.04 1	0.08 40	0.15 85	0.05 1	0.05 4	0.13 126	0.12 58	0.08 17	0.07 48	0.06 15	0.05 3	0.05 12	0.07 4	0.09 62	0.06 128	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

IGEV-Stereo++	0.07 4	0.06 76	0.08 40	0.18 325	0.06 16	0.04 1	0.10 31	0.11 37	0.11 77	0.06 14	0.07 49	0.07 82	0.06 46	0.09 40	0.09 62	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

IGEV-Stereo+	0.07 4	0.04 1	0.08 40	0.15 85	0.06 16	0.04 1	0.09 18	0.10 22	0.09 30	0.06 14	0.06 15	0.06 24	0.06 46	0.06 1	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.06 226	0.06 240

Selective-IGEV	0.07 4	0.06 76	0.08 40	0.17 243	0.06 16	0.08 60	0.12 76	0.13 76	0.07 10	0.08 86	0.07 49	0.06 24	0.04 1	0.10 82	0.09 62	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

DispViT+	0.08 57	0.08 275	0.13 266	0.15 85	0.07 84	0.08 60	0.10 31	0.14 97	0.09 30	0.09 122	0.06 15	0.06 24	0.07 128	0.10 82	0.12 278	0.05 35	0.05 209	0.05 34	0.04 46	0.05 119	0.05 146

WQFJA1++	0.08 57	0.04 1	0.11 182	0.14 41	0.07 84	0.11 198	0.11 55	0.11 37	0.07 10	0.07 48	0.07 49	0.07 82	0.06 46	0.10 82	0.10 144	0.06 128	0.04 24	0.05 34	0.04 46	0.06 226	0.06 240

BStereo	0.08 57	0.06 76	0.16 387	0.15 85	0.08 146	0.07 34	0.09 18	0.15 130	0.16 217	0.06 14	0.07 49	0.07 82	0.05 12	0.09 40	0.11 219	0.04 11	0.05 209	0.05 34	0.07 308	0.04 21	0.04 49

MonSter++	0.08 57	0.04 1	0.10 138	0.13 14	0.06 16	0.09 98	0.12 76	0.13 76	0.08 17	0.06 14	0.07 49	0.06 24	0.08 169	0.10 82	0.11 219	0.06 128	0.05 209	0.04 1	0.03 1	0.04 21	0.04 49

HiDET	0.08 57	0.04 1	0.10 138	0.13 14	0.06 16	0.08 60	0.12 76	0.12 58	0.11 77	0.06 14	0.07 49	0.07 82	0.07 128	0.11 135	0.11 219	0.06 128	0.04 24	0.04 1	0.03 1	0.04 21	0.04 49

LCMNet	0.08 57	0.05 27	0.10 138	0.13 14	0.07 84	0.09 98	0.12 76	0.10 22	0.11 77	0.06 14	0.08 91	0.06 24	0.07 128	0.11 135	0.10 144	0.06 128	0.05 209	0.04 1	0.03 1	0.04 21	0.04 49

GEAStereo	0.08 57	0.05 27	0.08 40	0.13 14	0.08 146	0.08 60	0.14 180	0.10 22	0.09 30	0.08 86	0.10 144	0.06 24	0.05 12	0.11 135	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.05 146

GSStereo	0.08 57	0.05 27	0.08 40	0.13 14	0.08 146	0.08 60	0.14 180	0.11 37	0.12 107	0.08 86	0.10 144	0.05 3	0.05 12	0.11 135	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.05 146

gasm-f	0.08 57	0.05 27	0.07 8	0.13 14	0.08 146	0.08 60	0.14 180	0.10 22	0.09 30	0.08 86	0.10 144	0.06 24	0.05 12	0.10 82	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.06 226	0.05 146

DDF-Stereo	0.08 57	0.04 1	0.09 92	0.15 85	0.10 377	0.06 11	0.13 126	0.09 13	0.14 167	0.06 14	0.06 15	0.07 82	0.06 46	0.09 40	0.10 144	0.06 128	0.04 24	0.06 126	0.04 46	0.08 362	0.05 146

252Zero-FE	0.08 57	0.04 1	0.09 92	0.13 14	0.07 84	0.12 237	0.11 55	0.13 76	0.14 167	0.06 14	0.05 7	0.06 24	0.05 12	0.09 40	0.10 144	0.06 128	0.04 24	0.04 1	0.03 1	0.05 119	0.06 240

DA	0.08 57	0.07 169	0.07 8	0.19 385	0.08 146	0.09 98	0.12 76	0.13 76	0.12 107	0.08 86	0.10 144	0.10 192	0.08 169	0.09 40	0.10 144	0.05 35	0.04 24	0.06 126	0.04 46	0.05 119	0.03 2

zero-FE	0.08 57	0.04 1	0.09 92	0.15 85	0.10 377	0.05 4	0.14 180	0.09 13	0.14 167	0.07 48	0.06 15	0.07 82	0.06 46	0.09 40	0.10 144	0.06 128	0.04 24	0.06 126	0.04 46	0.08 362	0.05 146

GGEV	0.08 57	0.07 169	0.07 8	0.19 385	0.08 146	0.09 98	0.12 76	0.13 76	0.12 107	0.08 86	0.10 144	0.10 192	0.08 169	0.09 40	0.10 144	0.05 35	0.04 24	0.06 126	0.04 46	0.05 119	0.03 2

GASTEREO	0.08 57	0.05 27	0.09 92	0.19 385	0.07 84	0.07 34	0.12 76	0.14 97	0.11 77	0.10 159	0.09 113	0.07 82	0.04 1	0.12 226	0.08 17	0.06 128	0.05 209	0.05 34	0.04 46	0.04 21	0.05 146

MSCF	0.08 57	0.05 27	0.08 40	0.19 385	0.08 146	0.06 11	0.12 76	0.14 97	0.11 77	0.10 159	0.09 113	0.07 82	0.04 1	0.11 135	0.08 17	0.06 128	0.05 209	0.05 34	0.04 46	0.05 119	0.05 146

S2M2_XL	0.08 57	0.06 76	0.12 219	0.12 5	0.08 146	0.09 98	0.09 18	0.07 2	0.07 10	0.08 86	0.07 49	0.07 82	0.06 46	0.09 40	0.09 62	0.08 342	0.06 344	0.07 228	0.05 133	0.08 362	0.06 240
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
3w_stereo	0.08 57	0.09 351	0.10 138	0.17 243	0.07 84	0.08 60	0.10 31	0.20 268	0.13 142	0.06 14	0.07 49	0.05 3	0.06 46	0.08 19	0.09 62	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

2w_stereo	0.08 57	0.08 275	0.09 92	0.16 167	0.06 16	0.08 60	0.10 31	0.20 268	0.15 187	0.08 86	0.07 49	0.06 24	0.06 46	0.06 1	0.09 62	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

LG-Stereo	0.08 57	0.07 169	0.10 138	0.18 325	0.07 84	0.10 151	0.17 357	0.11 37	0.08 17	0.05 2	0.07 49	0.05 3	0.07 128	0.09 40	0.09 62	0.04 11	0.05 209	0.07 228	0.07 308	0.04 21	0.04 49

SGD-Stereo	0.08 57	0.05 27	0.10 138	0.14 41	0.05 1	0.12 237	0.12 76	0.11 37	0.12 107	0.07 48	0.09 113	0.09 158	0.09 200	0.08 19	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.03 2

HART	0.08 57	0.07 169	0.09 92	0.17 243	0.07 84	0.10 151	0.16 320	0.13 76	0.11 77	0.08 86	0.10 144	0.07 82	0.05 12	0.10 82	0.08 17	0.05 35	0.04 24	0.06 126	0.04 46	0.05 119	0.04 49

Reg-Stereo(zero)	0.08 57	0.05 27	0.08 40	0.16 167	0.06 16	0.12 237	0.11 55	0.15 130	0.10 48	0.12 231	0.09 113	0.10 192	0.08 169	0.11 135	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.05 146

SCV_C0	0.08 57	0.07 169	0.07 8	0.16 167	0.09 268	0.08 60	0.15 254	0.11 37	0.12 107	0.08 86	0.07 49	0.06 24	0.05 12	0.11 135	0.07 1	0.05 35	0.05 209	0.05 34	0.04 46	0.06 226	0.05 146

SCV	0.08 57	0.09 351	0.08 40	0.15 85	0.08 146	0.10 151	0.13 126	0.10 22	0.12 107	0.07 48	0.07 49	0.06 24	0.04 1	0.09 40	0.08 17	0.05 35	0.04 24	0.06 126	0.04 46	0.06 226	0.04 49

DEFOM-Stereo_RVC	0.08 57	0.06 76	0.09 92	0.22 493	0.06 16	0.08 60	0.12 76	0.10 22	0.10 48	0.07 48	0.07 49	0.06 24	0.05 12	0.11 135	0.09 62	0.06 128	0.04 24	0.05 34	0.03 1	0.06 226	0.04 49

HUF	0.08 57	0.05 27	0.08 40	0.14 41	0.06 16	0.09 98	0.13 126	0.13 76	0.13 142	0.07 48	0.07 49	0.08 131	0.06 46	0.10 82	0.09 62	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

castereo++	0.08 57	0.05 27	0.08 40	0.15 85	0.05 1	0.14 320	0.12 76	0.11 37	0.15 187	0.07 48	0.07 49	0.07 82	0.06 46	0.08 19	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

IGEV-RUCA	0.08 57	0.06 76	0.11 182	0.14 41	0.09 268	0.10 151	0.12 76	0.10 22	0.12 107	0.06 14	0.07 49	0.07 82	0.06 46	0.09 40	0.08 17	0.06 128	0.05 209	0.05 34	0.04 46	0.05 119	0.06 240

GIP-stereo	0.08 57	0.06 76	0.11 182	0.14 41	0.06 16	0.09 98	0.13 126	0.14 97	0.11 77	0.07 48	0.08 91	0.05 3	0.04 1	0.10 82	0.07 1	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

SMoEStereo_RVC	0.08 57	0.06 76	0.12 219	0.16 167	0.07 84	0.09 98	0.14 180	0.11 37	0.13 142	0.09 122	0.07 49	0.07 82	0.07 128	0.12 226	0.10 144	0.05 35	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

WCG-NET	0.08 57	0.05 27	0.09 92	0.15 85	0.06 16	0.11 198	0.14 180	0.13 76	0.13 142	0.06 14	0.09 113	0.07 82	0.06 46	0.13 276	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

Occ-G	0.08 57	0.05 27	0.06 4	0.14 41	0.07 84	0.08 60	0.14 180	0.13 76	0.15 187	0.07 48	0.11 185	0.07 82	0.05 12	0.09 40	0.10 144	0.06 128	0.05 209	0.05 34	0.04 46	0.05 119	0.05 146

U	0.08 57	0.07 169	0.09 92	0.19 385	0.10 377	0.10 151	0.13 126	0.12 58	0.17 240	0.07 48	0.07 49	0.06 24	0.05 12	0.07 4	0.08 17	0.06 128	0.04 24	0.06 126	0.04 46	0.06 226	0.05 146

AIO-Stereo	0.08 57	0.06 76	0.09 92	0.18 325	0.06 16	0.08 60	0.12 76	0.15 130	0.09 30	0.08 86	0.08 91	0.07 82	0.05 12	0.11 135	0.08 17	0.05 35	0.05 209	0.05 34	0.04 46	0.04 21	0.04 49

WCG-NET（raft）	0.08 57	0.05 27	0.10 138	0.15 85	0.06 16	0.11 198	0.13 126	0.15 130	0.12 107	0.08 86	0.07 49	0.06 24	0.06 46	0.13 276	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

RSM++	0.08 57	0.06 76	0.09 92	0.17 243	0.07 84	0.09 98	0.12 76	0.11 37	0.11 77	0.08 86	0.06 15	0.07 82	0.05 12	0.10 82	0.09 62	0.04 11	0.04 24	0.06 126	0.05 133	0.05 119	0.03 2

RSM	0.08 57	0.06 76	0.09 92	0.17 243	0.06 16	0.08 60	0.12 76	0.12 58	0.10 48	0.08 86	0.07 49	0.06 24	0.05 12	0.11 135	0.09 62	0.04 11	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

trnet	0.08 57	0.05 27	0.07 8	0.12 5	0.05 1	0.12 237	0.11 55	0.13 76	0.10 48	0.08 86	0.13 216	0.09 158	0.08 169	0.11 135	0.10 144	0.08 342	0.05 209	0.05 34	0.03 1	0.06 226	0.05 146

MoCha-V2	0.08 57	0.05 27	0.10 138	0.20 445	0.07 84	0.09 98	0.14 180	0.11 37	0.08 17	0.07 48	0.08 91	0.07 82	0.06 46	0.09 40	0.08 17	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

IGEV++	0.08 57	0.06 76	0.08 40	0.18 325	0.07 84	0.09 98	0.13 126	0.10 22	0.09 30	0.08 86	0.08 91	0.06 24	0.06 46	0.13 276	0.09 62	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

testlalala	0.08 57	0.07 169	0.17 417	0.16 167	0.08 146	0.09 98	0.12 76	0.15 130	0.10 48	0.07 48	0.09 113	0.06 24	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.04 46	0.04 21	0.04 49

AEACV	0.08 57	0.05 27	0.08 40	0.14 41	0.13 484	0.14 320	0.13 126	0.14 97	0.09 30	0.07 48	0.09 113	0.07 82	0.08 169	0.10 82	0.09 62	0.06 128	0.04 24	0.06 126	0.05 133	0.05 119	0.04 49

LoS_RVC	0.08 57	0.05 27	0.07 8	0.15 85	0.07 84	0.08 60	0.15 254	0.11 37	0.10 48	0.08 86	0.09 113	0.06 24	0.09 200	0.10 82	0.09 62	0.05 35	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

CAS	0.08 57	0.04 1	0.07 8	0.17 243	0.08 146	0.10 151	0.13 126	0.12 58	0.09 30	0.09 122	0.10 144	0.08 131	0.06 46	0.09 40	0.08 17	0.08 342	0.04 24	0.05 34	0.03 1	0.05 119	0.04 49

CES	0.08 57	0.04 1	0.08 40	0.14 41	0.07 84	0.09 98	0.14 180	0.11 37	0.09 30	0.08 86	0.09 113	0.11 217	0.06 46	0.12 226	0.08 17	0.06 128	0.04 24	0.05 34	0.03 1	0.05 119	0.05 146

EGLCR-Stereo	0.08 57	0.05 27	0.08 40	0.14 41	0.06 16	0.10 151	0.12 76	0.11 37	0.16 217	0.06 14	0.05 7	0.07 82	0.05 12	0.10 82	0.11 219	0.06 128	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

MC-Stereo	0.08 57	0.06 76	0.09 92	0.17 243	0.06 16	0.10 151	0.14 180	0.12 58	0.10 48	0.09 122	0.12 202	0.09 158	0.06 46	0.11 135	0.10 144	0.06 128	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

test-3	0.08 57	0.06 76	0.09 92	0.17 243	0.07 84	0.07 34	0.14 180	0.12 58	0.15 187	0.09 122	0.08 91	0.07 82	0.08 169	0.11 135	0.10 144	0.05 35	0.04 24	0.07 228	0.05 133	0.04 21	0.04 49

test_1	0.08 57	0.06 76	0.09 92	0.17 243	0.07 84	0.07 34	0.14 180	0.12 58	0.15 187	0.09 122	0.08 91	0.07 82	0.08 169	0.11 135	0.10 144	0.05 35	0.04 24	0.07 228	0.05 133	0.04 21	0.04 49

CREStereo++_RVC	0.08 57	0.04 1	0.06 4	0.13 14	0.07 84	0.09 98	0.12 76	0.14 97	0.14 167	0.10 159	0.14 230	0.08 131	0.07 128	0.09 40	0.11 219	0.06 128	0.04 24	0.05 34	0.05 133	0.04 21	0.04 49
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
Wave_Phase_stereo	0.09 108	0.06 76	0.16 387	0.15 85	0.08 146	0.11 198	0.09 18	0.18 229	0.16 217	0.06 14	0.07 49	0.07 82	0.05 12	0.09 40	0.11 219	0.04 11	0.05 209	0.05 34	0.07 308	0.04 21	0.04 49

NLSM3	0.09 108	0.06 76	0.08 40	0.19 385	0.08 146	0.11 198	0.16 320	0.18 229	0.16 217	0.06 14	0.08 91	0.07 82	0.08 169	0.09 40	0.11 219	0.04 11	0.04 24	0.06 126	0.07 308	0.03 1	0.03 2

FE-Mocha	0.09 108	0.06 76	0.14 302	0.16 167	0.09 268	0.10 151	0.15 254	0.18 229	0.16 217	0.10 159	0.09 113	0.07 82	0.07 128	0.09 40	0.09 62	0.06 128	0.04 24	0.06 126	0.06 214	0.05 119	0.05 146

IGEV-FE	0.09 108	0.05 27	0.12 219	0.13 14	0.08 146	0.12 237	0.13 126	0.17 197	0.11 77	0.10 159	0.06 15	0.09 158	0.06 46	0.11 135	0.09 62	0.06 128	0.04 24	0.06 126	0.06 214	0.05 119	0.05 146

water-stereo	0.09 108	0.06 76	0.08 40	0.16 167	0.07 84	0.09 98	0.13 126	0.15 130	0.13 142	0.11 191	0.12 202	0.08 131	0.09 200	0.07 4	0.08 17	0.06 128	0.05 209	0.05 34	0.05 133	0.04 21	0.04 49

depthmonostereo	0.09 108	0.06 76	0.09 92	0.15 85	0.06 16	0.10 151	0.13 126	0.14 97	0.14 167	0.10 159	0.10 144	0.09 158	0.11 267	0.08 19	0.09 62	0.06 128	0.05 209	0.06 126	0.04 46	0.04 21	0.03 2

DilatedVolume-Stereo	0.09 108	0.05 27	0.08 40	0.15 85	0.06 16	0.11 198	0.12 76	0.14 97	0.16 217	0.11 191	0.11 185	0.09 158	0.09 200	0.11 135	0.10 144	0.06 128	0.05 209	0.05 34	0.04 46	0.03 1	0.03 2

S2M2_L	0.09 108	0.08 275	0.11 182	0.13 14	0.10 377	0.08 60	0.06 1	0.10 22	0.10 48	0.10 159	0.09 113	0.10 192	0.09 200	0.11 135	0.11 219	0.13 521	0.07 416	0.08 319	0.09 425	0.10 456	0.08 386
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
MM-Stereo_test2	0.09 108	0.06 76	0.09 92	0.19 385	0.08 146	0.12 237	0.18 405	0.15 130	0.14 167	0.07 48	0.10 144	0.07 82	0.06 46	0.12 226	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.03 2

castereo	0.09 108	0.06 76	0.11 182	0.15 85	0.06 16	0.11 198	0.15 254	0.14 97	0.18 270	0.08 86	0.10 144	0.11 217	0.08 169	0.09 40	0.10 144	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

fffft	0.09 108	0.06 76	0.12 219	0.16 167	0.07 84	0.09 98	0.17 357	0.12 58	0.11 77	0.08 86	0.07 49	0.09 158	0.06 46	0.11 135	0.12 278	0.05 35	0.04 24	0.06 126	0.05 133	0.04 21	0.05 146
1: 1. 1
tt45	0.09 108	0.06 76	0.11 182	0.15 85	0.07 84	0.11 198	0.16 320	0.13 76	0.11 77	0.09 122	0.06 15	0.08 131	0.06 46	0.13 276	0.10 144	0.06 128	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240

999	0.09 108	0.05 27	0.13 266	0.15 85	0.08 146	0.10 151	0.14 180	0.15 130	0.11 77	0.10 159	0.08 91	0.08 131	0.08 169	0.16 359	0.10 144	0.06 128	0.04 24	0.06 126	0.05 133	0.04 21	0.05 146

mms	0.09 108	0.07 169	0.08 40	0.16 167	0.08 146	0.10 151	0.16 320	0.12 58	0.11 77	0.08 86	0.09 113	0.08 131	0.06 46	0.11 135	0.12 278	0.05 35	0.04 24	0.07 228	0.05 133	0.04 21	0.03 2

ours_stereo	0.09 108	0.07 169	0.09 92	0.17 243	0.08 146	0.11 198	0.16 320	0.11 37	0.12 107	0.08 86	0.10 144	0.08 131	0.06 46	0.12 226	0.12 278	0.05 35	0.04 24	0.06 126	0.05 133	0.04 21	0.03 2

fffy	0.09 108	0.08 275	0.09 92	0.16 167	0.07 84	0.13 287	0.17 357	0.13 76	0.12 107	0.08 86	0.09 113	0.08 131	0.09 200	0.13 276	0.11 219	0.05 35	0.05 209	0.07 228	0.05 133	0.04 21	0.05 146

PAM_32	0.09 108	0.05 27	0.17 417	0.15 85	0.08 146	0.10 151	0.15 254	0.14 97	0.15 187	0.09 122	0.08 91	0.09 158	0.07 128	0.14 302	0.08 17	0.06 128	0.05 209	0.06 126	0.06 214	0.05 119	0.06 240

UGAM-zero	0.09 108	0.05 27	0.15 353	0.15 85	0.08 146	0.09 98	0.13 126	0.19 257	0.15 187	0.11 191	0.15 247	0.07 82	0.07 128	0.09 40	0.09 62	0.06 128	0.05 209	0.06 126	0.05 133	0.05 119	0.06 240

GCAP-BAT	0.09 108	0.07 169	0.14 302	0.15 85	0.08 146	0.10 151	0.13 126	0.14 97	0.10 48	0.11 191	0.10 144	0.08 131	0.07 128	0.12 226	0.10 144	0.06 128	0.05 209	0.06 126	0.04 46	0.04 21	0.04 49

Pointernet	0.09 108	0.04 1	0.09 92	0.16 167	0.08 146	0.13 287	0.10 31	0.15 130	0.17 240	0.09 122	0.07 49	0.06 24	0.06 46	0.11 135	0.09 62	0.08 342	0.04 24	0.05 34	0.03 1	0.06 226	0.05 146

IGEV-BASED-STEREO-	0.09 108	0.10 411	0.31 525	0.15 85	0.06 16	0.08 60	0.14 180	0.10 22	0.10 48	0.07 48	0.07 49	0.06 24	0.04 1	0.11 135	0.07 1	0.12 496	0.04 24	0.07 228	0.05 133	0.05 119	0.05 146

RAFT-Stereo-weight	0.09 108	0.06 76	0.10 138	0.16 167	0.07 84	0.09 98	0.14 180	0.19 257	0.16 217	0.11 191	0.10 144	0.08 131	0.06 46	0.10 82	0.11 219	0.06 128	0.04 24	0.06 126	0.04 46	0.04 21	0.04 49

gcap-zeroshot	0.09 108	0.05 27	0.10 138	0.16 167	0.07 84	0.13 287	0.13 126	0.11 37	0.12 107	0.13 262	0.12 202	0.09 158	0.08 169	0.09 40	0.09 62	0.06 128	0.05 209	0.06 126	0.05 133	0.04 21	0.04 49

test_for_model	0.09 108	0.12 455	0.14 302	0.23 517	0.11 428	0.08 60	0.13 126	0.12 58	0.12 107	0.10 159	0.07 49	0.07 82	0.06 46	0.11 135	0.10 144	0.06 128	0.05 209	0.05 34	0.03 1	0.07 299	0.04 49

MGS-Stereo	0.09 108	0.07 169	0.12 219	0.15 85	0.08 146	0.09 98	0.15 254	0.12 58	0.12 107	0.07 48	0.10 144	0.08 131	0.06 46	0.10 82	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.06 226	0.05 146

ff7	0.09 108	0.07 169	0.11 182	0.16 167	0.09 268	0.11 198	0.15 254	0.16 161	0.12 107	0.10 159	0.06 15	0.06 24	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240

IGEVStereo-DCA	0.09 108	0.06 76	0.11 182	0.15 85	0.10 377	0.11 198	0.15 254	0.16 161	0.12 107	0.10 159	0.06 15	0.08 131	0.06 46	0.10 82	0.08 17	0.06 128	0.05 209	0.06 126	0.05 133	0.05 119	0.06 240

ffff	0.09 108	0.07 169	0.11 182	0.16 167	0.09 268	0.11 198	0.15 254	0.16 161	0.12 107	0.10 159	0.06 15	0.06 24	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240

rrr	0.09 108	0.06 76	0.12 219	0.15 85	0.10 377	0.11 198	0.16 320	0.16 161	0.15 187	0.10 159	0.06 15	0.08 131	0.06 46	0.10 82	0.08 17	0.06 128	0.05 209	0.06 126	0.05 133	0.05 119	0.06 240

11t	0.09 108	0.07 169	0.11 182	0.16 167	0.09 268	0.11 198	0.15 254	0.16 161	0.12 107	0.10 159	0.06 15	0.06 24	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240

MaDis-Stereo	0.09 108	0.09 351	0.08 40	0.17 243	0.09 268	0.13 287	0.10 31	0.16 161	0.16 217	0.09 122	0.11 185	0.06 24	0.06 46	0.09 40	0.13 320	0.07 277	0.06 344	0.07 228	0.05 133	0.05 119	0.04 49

IGEV_Zeroshot_test	0.09 108	0.05 27	0.12 219	0.13 14	0.08 146	0.12 237	0.13 126	0.17 197	0.11 77	0.10 159	0.06 15	0.09 158	0.06 46	0.11 135	0.09 62	0.06 128	0.04 24	0.06 126	0.06 214	0.05 119	0.05 146

MSKI-zero shot	0.09 108	0.05 27	0.09 92	0.15 85	0.07 84	0.10 151	0.13 126	0.14 97	0.13 142	0.09 122	0.09 113	0.09 158	0.06 46	0.12 226	0.10 144	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

UniTT-Stereo	0.09 108	0.07 169	0.08 40	0.18 325	0.08 146	0.13 287	0.11 55	0.12 58	0.11 77	0.10 159	0.12 202	0.05 3	0.07 128	0.09 40	0.09 62	0.07 277	0.05 209	0.05 34	0.05 133	0.05 119	0.05 146

MIM_Stereo	0.09 108	0.07 169	0.11 182	0.15 85	0.07 84	0.06 11	0.12 76	0.20 268	0.14 167	0.13 262	0.13 216	0.09 158	0.05 12	0.12 226	0.08 17	0.05 35	0.06 344	0.07 228	0.06 214	0.06 226	0.05 146

CASnet	0.09 108	0.09 351	0.09 92	0.19 385	0.06 16	0.07 34	0.11 55	0.18 229	0.14 167	0.11 191	0.10 144	0.09 158	0.07 128	0.10 82	0.10 144	0.06 128	0.04 24	0.10 449	0.08 379	0.05 119	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 108	0.07 169	0.13 266	0.18 325	0.06 16	0.11 198	0.07 3	0.13 76	0.12 107	0.09 122	0.10 144	0.07 82	0.09 200	0.13 276	0.10 144	0.06 128	0.05 209	0.05 34	0.04 46	0.04 21	0.05 146

RAFT-Test	0.09 108	0.06 76	0.10 138	0.15 85	0.07 84	0.11 198	0.15 254	0.16 161	0.13 142	0.09 122	0.10 144	0.10 192	0.09 200	0.12 226	0.09 62	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.05 146

HH	0.09 108	0.06 76	0.13 266	0.17 243	0.08 146	0.10 151	0.16 320	0.14 97	0.10 48	0.08 86	0.09 113	0.08 131	0.07 128	0.10 82	0.09 62	0.06 128	0.04 24	0.06 126	0.05 133	0.05 119	0.04 49

HanStereo	0.09 108	0.06 76	0.13 266	0.17 243	0.08 146	0.10 151	0.16 320	0.14 97	0.10 48	0.08 86	0.09 113	0.08 131	0.07 128	0.10 82	0.09 62	0.06 128	0.04 24	0.06 126	0.05 133	0.05 119	0.04 49

4D-IteraStereo	0.09 108	0.07 169	0.10 138	0.18 325	0.07 84	0.09 98	0.15 254	0.17 197	0.15 187	0.10 159	0.11 185	0.10 192	0.07 128	0.11 135	0.09 62	0.05 35	0.03 1	0.08 319	0.07 308	0.06 226	0.05 146

anonymousdsp	0.09 108	0.07 169	0.11 182	0.16 167	0.09 268	0.11 198	0.15 254	0.16 161	0.12 107	0.09 122	0.06 15	0.06 24	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240

LoS	0.09 108	0.05 27	0.11 182	0.13 14	0.07 84	0.14 320	0.11 55	0.15 130	0.15 187	0.09 122	0.09 113	0.12 235	0.09 200	0.15 324	0.10 144	0.07 277	0.05 209	0.05 34	0.03 1	0.05 119	0.05 146
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 108	0.07 169	0.10 138	0.17 243	0.08 146	0.10 151	0.15 254	0.15 130	0.12 107	0.09 122	0.06 15	0.07 82	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.04 21	0.06 240

RCA-Stereo	0.09 108	0.06 76	0.09 92	0.16 167	0.06 16	0.09 98	0.13 126	0.18 229	0.14 167	0.09 122	0.10 144	0.08 131	0.07 128	0.12 226	0.11 219	0.06 128	0.04 24	0.06 126	0.05 133	0.05 119	0.04 49

CroCo-Stereo Lap2	0.09 108	0.09 351	0.08 40	0.22 493	0.09 268	0.09 98	0.19 444	0.16 161	0.12 107	0.09 122	0.10 144	0.05 3	0.05 12	0.08 19	0.08 17	0.06 128	0.06 344	0.07 228	0.05 133	0.05 119	0.05 146

ccc-4	0.09 108	0.07 169	0.11 182	0.16 167	0.09 268	0.11 198	0.15 254	0.16 161	0.12 107	0.10 159	0.06 15	0.06 24	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240

IGEV-Stereo	0.09 108	0.07 169	0.11 182	0.16 167	0.09 268	0.11 198	0.15 254	0.16 161	0.12 107	0.09 122	0.06 15	0.06 24	0.06 46	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 108	0.05 27	0.13 266	0.14 41	0.08 146	0.12 237	0.15 254	0.18 229	0.10 48	0.11 191	0.08 91	0.08 131	0.05 12	0.10 82	0.09 62	0.06 128	0.04 24	0.06 126	0.05 133	0.06 226	0.05 146

TRStereo	0.09 108	0.05 27	0.12 219	0.15 85	0.12 461	0.10 151	0.13 126	0.18 229	0.18 270	0.09 122	0.09 113	0.09 158	0.06 46	0.10 82	0.08 17	0.07 277	0.05 209	0.07 228	0.07 308	0.04 21	0.04 49

AnonymousM	0.09 108	0.05 27	0.10 138	0.14 41	0.06 16	0.09 98	0.13 126	0.19 257	0.14 167	0.13 262	0.11 185	0.09 158	0.08 169	0.13 276	0.10 144	0.08 342	0.05 209	0.08 319	0.05 133	0.05 119	0.05 146

CroCo-Stereo	0.09 108	0.08 275	0.08 40	0.22 493	0.09 268	0.09 98	0.19 444	0.15 130	0.12 107	0.07 48	0.07 49	0.08 131	0.06 46	0.08 19	0.07 1	0.07 277	0.05 209	0.06 126	0.04 46	0.05 119	0.04 49
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 108	0.06 76	0.07 8	0.15 85	0.05 1	0.16 375	0.18 405	0.15 130	0.15 187	0.10 159	0.11 185	0.11 217	0.11 267	0.10 82	0.12 278	0.05 35	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

TANstereo	0.09 108	0.04 1	0.08 40	0.13 14	0.06 16	0.11 198	0.14 180	0.15 130	0.19 287	0.11 191	0.15 247	0.10 192	0.06 46	0.12 226	0.09 62	0.07 277	0.05 209	0.05 34	0.04 46	0.06 226	0.05 146

XX-TBD	0.09 108	0.06 76	0.07 8	0.14 41	0.07 84	0.12 237	0.16 320	0.14 97	0.13 142	0.11 191	0.12 202	0.09 158	0.08 169	0.10 82	0.10 144	0.06 128	0.04 24	0.05 34	0.03 1	0.06 226	0.05 146

raftrobust	0.09 108	0.06 76	0.10 138	0.17 243	0.08 146	0.09 98	0.10 31	0.18 229	0.16 217	0.10 159	0.09 113	0.12 235	0.07 128	0.12 226	0.10 144	0.08 342	0.05 209	0.06 126	0.05 133	0.05 119	0.05 146

XX-Stereo	0.09 108	0.05 27	0.08 40	0.17 243	0.09 268	0.15 346	0.12 76	0.20 268	0.10 48	0.10 159	0.14 230	0.07 82	0.06 46	0.12 226	0.08 17	0.06 128	0.05 209	0.06 126	0.06 214	0.04 21	0.04 49

test_xeample3	0.09 108	0.06 76	0.12 219	0.16 167	0.09 268	0.11 198	0.15 254	0.16 161	0.13 142	0.10 159	0.06 15	0.08 131	0.06 46	0.10 82	0.09 62	0.05 35	0.04 24	0.06 126	0.05 133	0.05 119	0.06 240

RAFT-Stereo + iAFF	0.09 108	0.06 76	0.10 138	0.17 243	0.06 16	0.10 151	0.16 320	0.17 197	0.14 167	0.09 122	0.10 144	0.08 131	0.09 200	0.11 135	0.09 62	0.05 35	0.04 24	0.06 126	0.06 214	0.04 21	0.03 2

AFF-stereo	0.09 108	0.06 76	0.10 138	0.17 243	0.07 84	0.10 151	0.16 320	0.17 197	0.09 30	0.10 159	0.12 202	0.09 158	0.09 200	0.12 226	0.09 62	0.05 35	0.04 24	0.07 228	0.07 308	0.04 21	0.03 2

EAI-Stereo	0.09 108	0.07 169	0.11 182	0.15 85	0.06 16	0.10 151	0.15 254	0.16 161	0.09 30	0.08 86	0.09 113	0.08 131	0.07 128	0.09 40	0.11 219	0.05 35	0.04 24	0.05 34	0.05 133	0.05 119	0.04 49

CFNet-RSSM	0.09 108	0.07 169	0.09 92	0.16 167	0.07 84	0.09 98	0.15 254	0.16 161	0.17 240	0.08 86	0.12 202	0.10 192	0.09 200	0.11 135	0.09 62	0.06 128	0.04 24	0.06 126	0.04 46	0.04 21	0.04 49

Gwc-CoAtRS	0.09 108	0.06 76	0.10 138	0.16 167	0.07 84	0.10 151	0.14 180	0.17 197	0.17 240	0.08 86	0.10 144	0.12 235	0.09 200	0.12 226	0.09 62	0.06 128	0.04 24	0.06 126	0.04 46	0.04 21	0.04 49

CREStereo	0.09 108	0.04 1	0.08 40	0.11 1	0.06 16	0.13 287	0.14 180	0.14 97	0.10 48	0.08 86	0.13 216	0.09 158	0.08 169	0.11 135	0.10 144	0.08 342	0.04 24	0.05 34	0.03 1	0.06 226	0.06 240
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 108	0.05 27	0.09 92	0.12 5	0.06 16	0.12 237	0.14 180	0.15 130	0.11 77	0.09 122	0.13 216	0.10 192	0.07 128	0.13 276	0.10 144	0.15 539	0.04 24	0.05 34	0.03 1	0.07 299	0.06 240

Hybrid-DGEV-03	0.10 173	0.06 76	0.09 92	0.18 325	0.08 146	0.16 375	0.14 180	0.15 130	0.14 167	0.13 262	0.16 259	0.12 235	0.09 200	0.13 276	0.11 219	0.06 128	0.04 24	0.08 319	0.06 214	0.05 119	0.04 49

WQFJA1	0.10 173	0.07 169	0.08 40	0.20 445	0.09 268	0.12 237	0.17 357	0.17 197	0.17 240	0.09 122	0.10 144	0.08 131	0.10 237	0.12 226	0.11 219	0.06 128	0.07 416	0.07 228	0.06 214	0.06 226	0.05 146

WQFJX1	0.10 173	0.07 169	0.08 40	0.22 493	0.09 268	0.12 237	0.17 357	0.18 229	0.17 240	0.10 159	0.09 113	0.07 82	0.10 237	0.11 135	0.09 62	0.07 277	0.08 445	0.07 228	0.06 214	0.05 119	0.04 49

WQFJX	0.10 173	0.07 169	0.09 92	0.21 477	0.09 268	0.12 237	0.16 320	0.18 229	0.17 240	0.12 231	0.10 144	0.07 82	0.09 200	0.12 226	0.10 144	0.06 128	0.07 416	0.06 126	0.05 133	0.06 226	0.05 146

NLMM	0.10 173	0.07 169	0.08 40	0.20 445	0.09 268	0.12 237	0.17 357	0.17 197	0.17 240	0.09 122	0.10 144	0.08 131	0.10 237	0.12 226	0.11 219	0.06 128	0.07 416	0.07 228	0.06 214	0.06 226	0.05 146

NLSM1	0.10 173	0.07 169	0.07 8	0.19 385	0.08 146	0.13 287	0.16 320	0.21 291	0.15 187	0.11 191	0.10 144	0.06 24	0.10 237	0.10 82	0.11 219	0.07 277	0.08 445	0.08 319	0.07 308	0.05 119	0.05 146

MM-Stereo_test3	0.10 173	0.07 169	0.07 8	0.18 325	0.07 84	0.12 237	0.19 444	0.24 358	0.19 287	0.06 14	0.10 144	0.08 131	0.06 46	0.11 135	0.08 17	0.06 128	0.06 344	0.07 228	0.05 133	0.05 119	0.04 49

MM-Stereo_test1	0.10 173	0.07 169	0.08 40	0.18 325	0.07 84	0.12 237	0.18 405	0.21 291	0.20 310	0.09 122	0.11 185	0.08 131	0.06 46	0.10 82	0.10 144	0.06 128	0.05 209	0.07 228	0.06 214	0.05 119	0.04 49

AIO-test2	0.10 173	0.08 275	0.10 138	0.23 517	0.08 146	0.11 198	0.10 31	0.23 335	0.23 351	0.08 86	0.09 113	0.08 131	0.05 12	0.10 82	0.08 17	0.06 128	0.05 209	0.08 319	0.09 425	0.05 119	0.05 146

AIO-test1	0.10 173	0.07 169	0.10 138	0.23 517	0.07 84	0.09 98	0.13 126	0.21 291	0.14 167	0.11 191	0.12 202	0.09 158	0.07 128	0.11 135	0.09 62	0.06 128	0.05 209	0.09 402	0.10 465	0.03 1	0.06 240

tg	0.10 173	0.06 76	0.10 138	0.18 325	0.08 146	0.11 198	0.16 320	0.20 268	0.12 107	0.08 86	0.11 185	0.11 217	0.07 128	0.11 135	0.10 144	0.05 35	0.04 24	0.08 319	0.08 379	0.04 21	0.04 49

PAM	0.10 173	0.05 27	0.16 387	0.15 85	0.08 146	0.09 98	0.16 320	0.15 130	0.16 217	0.12 231	0.09 113	0.09 158	0.07 128	0.13 276	0.08 17	0.06 128	0.05 209	0.06 126	0.06 214	0.05 119	0.06 240

model_zeroshot	0.10 173	0.04 1	0.11 182	0.15 85	0.09 268	0.12 237	0.14 180	0.20 268	0.13 142	0.11 191	0.10 144	0.12 235	0.07 128	0.12 226	0.10 144	0.07 277	0.06 344	0.06 126	0.05 133	0.06 226	0.06 240

RAStereo	0.10 173	0.09 351	0.08 40	0.20 445	0.08 146	0.13 287	0.18 405	0.15 130	0.17 240	0.10 159	0.12 202	0.05 3	0.06 46	0.09 40	0.08 17	0.07 277	0.05 209	0.07 228	0.05 133	0.05 119	0.04 49

rvit_stereo_0080	0.10 173	0.08 275	0.14 302	0.15 85	0.09 268	0.07 34	0.15 254	0.16 161	0.16 217	0.11 191	0.10 144	0.14 281	0.08 169	0.12 226	0.10 144	0.09 402	0.07 416	0.07 228	0.06 214	0.07 299	0.05 146

testlalala2	0.10 173	0.06 76	0.11 182	0.20 445	0.10 377	0.10 151	0.12 76	0.17 197	0.12 107	0.12 231	0.13 216	0.09 158	0.07 128	0.11 135	0.13 320	0.06 128	0.05 209	0.05 34	0.04 46	0.05 119	0.05 146

H2IRNET	0.10 173	0.09 351	0.09 92	0.18 325	0.09 268	0.12 237	0.15 254	0.14 97	0.21 326	0.10 159	0.10 144	0.10 192	0.10 237	0.10 82	0.10 144	0.05 35	0.04 24	0.08 319	0.08 379	0.06 226	0.05 146

Former-RAFT_DAM_RVC	0.10 173	0.08 275	0.12 219	0.16 167	0.08 146	0.15 346	0.16 320	0.18 229	0.18 270	0.10 159	0.09 113	0.09 158	0.08 169	0.11 135	0.12 278	0.07 277	0.05 209	0.08 319	0.06 214	0.07 299	0.06 240

MyStereo07	0.10 173	0.07 169	0.10 138	0.17 243	0.09 268	0.14 320	0.18 405	0.15 130	0.15 187	0.09 122	0.06 15	0.06 24	0.07 128	0.12 226	0.09 62	0.06 128	0.05 209	0.08 319	0.07 308	0.06 226	0.06 240

MyStereo06	0.10 173	0.07 169	0.12 219	0.17 243	0.09 268	0.13 287	0.18 405	0.19 257	0.12 107	0.12 231	0.08 91	0.07 82	0.07 128	0.11 135	0.09 62	0.06 128	0.05 209	0.07 228	0.07 308	0.06 226	0.06 240

AE-Stereo	0.10 173	0.08 275	0.10 138	0.18 325	0.09 268	0.10 151	0.15 254	0.14 97	0.19 287	0.09 122	0.14 230	0.12 235	0.08 169	0.11 135	0.10 144	0.05 35	0.06 344	0.07 228	0.06 214	0.05 119	0.04 49

ACVNet-DCA	0.10 173	0.08 275	0.12 219	0.17 243	0.09 268	0.13 287	0.15 254	0.23 335	0.16 217	0.09 122	0.09 113	0.06 24	0.06 46	0.10 82	0.07 1	0.06 128	0.04 24	0.06 126	0.05 133	0.07 299	0.07 322

cc1	0.10 173	0.08 275	0.12 219	0.17 243	0.09 268	0.13 287	0.15 254	0.16 161	0.18 270	0.09 122	0.09 113	0.06 24	0.06 46	0.10 82	0.07 1	0.06 128	0.04 24	0.06 126	0.05 133	0.06 226	0.06 240

tt1	0.10 173	0.08 275	0.12 219	0.17 243	0.09 268	0.12 237	0.16 320	0.15 130	0.19 287	0.09 122	0.08 91	0.06 24	0.06 46	0.10 82	0.07 1	0.06 128	0.04 24	0.06 126	0.05 133	0.06 226	0.06 240

whm_eth	0.10 173	0.08 275	0.14 302	0.15 85	0.09 268	0.07 34	0.15 254	0.16 161	0.16 217	0.11 191	0.10 144	0.14 281	0.08 169	0.12 226	0.10 144	0.09 402	0.07 416	0.07 228	0.06 214	0.07 299	0.05 146

plain	0.10 173	0.08 275	0.10 138	0.19 385	0.09 268	0.10 151	0.15 254	0.14 97	0.13 142	0.13 262	0.15 247	0.09 158	0.12 298	0.13 276	0.12 278	0.07 277	0.05 209	0.09 402	0.06 214	0.06 226	0.06 240

testlalala_base	0.10 173	0.09 351	0.14 302	0.21 477	0.08 146	0.10 151	0.14 180	0.13 76	0.10 48	0.07 48	0.15 247	0.07 82	0.08 169	0.10 82	0.12 278	0.08 342	0.05 209	0.05 34	0.03 1	0.06 226	0.05 146

Any-RAFT	0.10 173	0.05 27	0.09 92	0.14 41	0.07 84	0.13 287	0.14 180	0.21 291	0.15 187	0.11 191	0.12 202	0.12 235	0.09 200	0.12 226	0.09 62	0.07 277	0.04 24	0.05 34	0.04 46	0.06 226	0.05 146

LL-Strereo2	0.10 173	0.10 411	0.15 353	0.18 325	0.08 146	0.15 346	0.09 18	0.17 197	0.14 167	0.14 284	0.10 144	0.09 158	0.07 128	0.16 359	0.10 144	0.05 35	0.05 209	0.10 449	0.07 308	0.06 226	0.05 146

DCANet-4	0.10 173	0.06 76	0.12 219	0.16 167	0.06 16	0.09 98	0.17 357	0.18 229	0.19 287	0.13 262	0.16 259	0.09 158	0.14 361	0.11 135	0.12 278	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.05 146

fff	0.10 173	0.06 76	0.12 219	0.15 85	0.07 84	0.09 98	0.17 357	0.16 161	0.20 310	0.13 262	0.16 259	0.10 192	0.11 267	0.11 135	0.12 278	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.05 146

ADStereo(finetuned)	0.10 173	0.06 76	0.12 219	0.16 167	0.06 16	0.09 98	0.17 357	0.15 130	0.19 287	0.13 262	0.17 281	0.10 192	0.12 298	0.11 135	0.12 278	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

test_4	0.10 173	0.10 411	0.08 40	0.19 385	0.09 268	0.08 60	0.22 497	0.15 130	0.17 240	0.12 231	0.18 306	0.12 235	0.09 200	0.08 19	0.11 219	0.04 11	0.04 24	0.08 319	0.08 379	0.04 21	0.03 2

IPLG	0.10 173	0.07 169	0.15 353	0.17 243	0.08 146	0.11 198	0.14 180	0.20 268	0.15 187	0.12 231	0.17 281	0.07 82	0.07 128	0.14 302	0.13 320	0.06 128	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

test_3	0.10 173	0.09 351	0.10 138	0.20 445	0.08 146	0.13 287	0.26 544	0.14 97	0.21 326	0.10 159	0.10 144	0.09 158	0.09 200	0.08 19	0.11 219	0.05 35	0.04 24	0.08 319	0.07 308	0.04 21	0.04 49

STrans-v2	0.10 173	0.07 169	0.12 219	0.18 325	0.07 84	0.10 151	0.14 180	0.21 291	0.11 77	0.11 191	0.15 247	0.12 235	0.10 237	0.11 135	0.12 278	0.05 35	0.04 24	0.06 126	0.06 214	0.04 21	0.04 49

TransformOpticalFlow	0.10 173	0.08 275	0.13 266	0.18 325	0.07 84	0.09 98	0.15 254	0.19 257	0.15 187	0.12 231	0.17 281	0.11 217	0.11 267	0.11 135	0.10 144	0.05 35	0.04 24	0.06 126	0.06 214	0.05 119	0.05 146

SST-Stereo	0.10 173	0.07 169	0.15 353	0.18 325	0.09 268	0.06 11	0.12 76	0.17 197	0.11 77	0.15 311	0.17 281	0.13 261	0.12 298	0.10 82	0.11 219	0.06 128	0.04 24	0.09 402	0.06 214	0.06 226	0.05 146

cross-raft	0.10 173	0.09 351	0.09 92	0.19 385	0.07 84	0.11 198	0.25 535	0.13 76	0.15 187	0.08 86	0.11 185	0.12 235	0.10 237	0.09 40	0.11 219	0.05 35	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

test-1	0.10 173	0.07 169	0.16 387	0.19 385	0.08 146	0.11 198	0.24 520	0.14 97	0.18 270	0.09 122	0.07 49	0.09 158	0.08 169	0.07 4	0.09 62	0.06 128	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

iRaftStereo_RVC	0.10 173	0.07 169	0.09 92	0.17 243	0.09 268	0.11 198	0.17 357	0.18 229	0.12 107	0.09 122	0.12 202	0.10 192	0.07 128	0.11 135	0.10 144	0.05 35	0.04 24	0.08 319	0.08 379	0.04 21	0.04 49

RALCasStereoNet	0.10 173	0.06 76	0.09 92	0.16 167	0.08 146	0.12 237	0.14 180	0.17 197	0.11 77	0.12 231	0.17 281	0.14 281	0.10 237	0.12 226	0.11 219	0.07 277	0.06 344	0.06 126	0.05 133	0.08 362	0.07 322

DCANet	0.10 173	0.06 76	0.12 219	0.16 167	0.06 16	0.09 98	0.17 357	0.15 130	0.19 287	0.13 262	0.17 281	0.10 192	0.11 267	0.11 135	0.12 278	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

csc	0.10 173	0.06 76	0.12 219	0.15 85	0.07 84	0.09 98	0.17 357	0.16 161	0.20 310	0.13 262	0.16 259	0.10 192	0.11 267	0.11 135	0.12 278	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.05 146

cscssc	0.10 173	0.06 76	0.12 219	0.15 85	0.07 84	0.09 98	0.17 357	0.16 161	0.20 310	0.13 262	0.16 259	0.10 192	0.11 267	0.11 135	0.12 278	0.06 128	0.04 24	0.05 34	0.04 46	0.04 21	0.05 146

111	0.10 173	0.06 76	0.12 219	0.15 85	0.07 84	0.10 151	0.14 180	0.21 291	0.23 351	0.11 191	0.12 202	0.14 281	0.11 267	0.13 276	0.10 144	0.06 128	0.04 24	0.06 126	0.04 46	0.05 119	0.05 146

R-Stereo Train	0.10 173	0.06 76	0.10 138	0.17 243	0.08 146	0.11 198	0.14 180	0.23 335	0.11 77	0.12 231	0.19 315	0.11 217	0.08 169	0.09 40	0.11 219	0.07 277	0.05 209	0.06 126	0.05 133	0.05 119	0.05 146

RAFT-Stereo	0.10 173	0.06 76	0.10 138	0.17 243	0.08 146	0.11 198	0.14 180	0.23 335	0.11 77	0.12 231	0.19 315	0.11 217	0.08 169	0.09 40	0.11 219	0.07 277	0.05 209	0.06 126	0.05 133	0.05 119	0.05 146
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 173	0.06 76	0.12 219	0.14 41	0.06 16	0.11 198	0.10 31	0.18 229	0.18 270	0.13 262	0.16 259	0.14 281	0.11 267	0.15 324	0.13 320	0.06 128	0.04 24	0.04 1	0.04 46	0.06 226	0.05 146
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
Hybrid-DGEV-2	0.11 222	0.06 76	0.12 219	0.18 325	0.09 268	0.09 98	0.13 126	0.28 432	0.29 433	0.11 191	0.11 185	0.09 158	0.12 298	0.12 226	0.09 62	0.06 128	0.05 209	0.07 228	0.07 308	0.05 119	0.05 146

NLMM1	0.11 222	0.09 351	0.07 8	0.22 493	0.10 377	0.12 237	0.20 467	0.18 229	0.20 310	0.12 231	0.11 185	0.07 82	0.09 200	0.11 135	0.11 219	0.08 342	0.08 445	0.07 228	0.06 214	0.04 21	0.04 49

NLCSM	0.11 222	0.09 351	0.09 92	0.23 517	0.11 428	0.12 237	0.19 444	0.18 229	0.18 270	0.12 231	0.11 185	0.07 82	0.09 200	0.11 135	0.10 144	0.07 277	0.08 445	0.07 228	0.07 308	0.06 226	0.05 146

Select-FE	0.11 222	0.06 76	0.20 464	0.15 85	0.11 428	0.11 198	0.13 126	0.21 291	0.18 270	0.09 122	0.11 185	0.10 192	0.06 46	0.12 226	0.09 62	0.07 277	0.05 209	0.07 228	0.08 379	0.06 226	0.08 386

FlowAnything_test	0.11 222	0.08 275	0.14 302	0.15 85	0.09 268	0.07 34	0.14 180	0.20 268	0.11 77	0.09 122	0.09 113	0.12 235	0.12 298	0.13 276	0.11 219	0.09 402	0.06 344	0.09 402	0.09 425	0.06 226	0.09 430

xyz-stereo-finetune2	0.11 222	0.07 169	0.13 266	0.13 14	0.07 84	0.11 198	0.19 444	0.17 197	0.12 107	0.15 311	0.15 247	0.17 344	0.12 298	0.13 276	0.11 219	0.05 35	0.04 24	0.07 228	0.05 133	0.04 21	0.06 240

xyz-stereo-finetune	0.11 222	0.08 275	0.13 266	0.14 41	0.06 16	0.10 151	0.19 444	0.17 197	0.19 287	0.12 231	0.14 230	0.15 310	0.10 237	0.13 276	0.11 219	0.05 35	0.04 24	0.07 228	0.05 133	0.04 21	0.05 146

HI	0.11 222	0.06 76	0.11 182	0.13 14	0.09 268	0.09 98	0.14 180	0.21 291	0.10 48	0.19 400	0.17 281	0.14 281	0.09 200	0.16 359	0.08 17	0.05 35	0.04 24	0.07 228	0.08 379	0.07 299	0.06 240

CoSv	0.11 222	0.06 76	0.11 182	0.13 14	0.09 268	0.09 98	0.14 180	0.21 291	0.10 48	0.19 400	0.17 281	0.14 281	0.09 200	0.16 359	0.08 17	0.05 35	0.04 24	0.07 228	0.08 379	0.07 299	0.06 240

rvit_stereo_0081_aga	0.11 222	0.09 351	0.14 302	0.18 325	0.09 268	0.13 287	0.14 180	0.14 97	0.19 287	0.10 159	0.18 306	0.16 324	0.09 200	0.12 226	0.09 62	0.10 443	0.06 344	0.08 319	0.07 308	0.07 299	0.06 240

rvit_stereo_0081	0.11 222	0.08 275	0.15 353	0.16 167	0.09 268	0.10 151	0.14 180	0.14 97	0.24 367	0.11 191	0.13 216	0.13 261	0.09 200	0.11 135	0.12 278	0.10 443	0.07 416	0.08 319	0.07 308	0.07 299	0.05 146

rvit_stereo_0082	0.11 222	0.08 275	0.15 353	0.16 167	0.09 268	0.10 151	0.14 180	0.14 97	0.24 367	0.11 191	0.13 216	0.13 261	0.09 200	0.11 135	0.12 278	0.10 443	0.07 416	0.08 319	0.07 308	0.07 299	0.05 146

AIO-Stereo-zeroshot1	0.11 222	0.05 27	0.14 302	0.15 85	0.20 562	0.09 98	0.17 357	0.21 291	0.15 187	0.11 191	0.14 230	0.10 192	0.07 128	0.10 82	0.08 17	0.06 128	0.05 209	0.07 228	0.07 308	0.07 299	0.09 430

AIO-Stereo-zeroshot	0.11 222	0.05 27	0.11 182	0.15 85	0.13 484	0.13 287	0.16 320	0.23 335	0.17 240	0.10 159	0.12 202	0.10 192	0.07 128	0.11 135	0.09 62	0.06 128	0.05 209	0.06 126	0.06 214	0.07 299	0.08 386

CAS++	0.11 222	0.07 169	0.11 182	0.14 41	0.09 268	0.12 237	0.14 180	0.24 358	0.14 167	0.11 191	0.09 113	0.11 217	0.07 128	0.14 302	0.09 62	0.11 472	0.09 477	0.09 402	0.07 308	0.07 299	0.08 386
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 222	0.08 275	0.12 219	0.17 243	0.09 268	0.13 287	0.15 254	0.16 161	0.18 270	0.09 122	0.09 113	0.16 324	0.16 405	0.10 82	0.07 1	0.06 128	0.04 24	0.08 319	0.08 379	0.07 299	0.07 322

1test111	0.11 222	0.08 275	0.12 219	0.17 243	0.09 268	0.13 287	0.15 254	0.23 335	0.16 217	0.09 122	0.09 113	0.06 24	0.06 46	0.15 324	0.16 401	0.06 128	0.04 24	0.06 126	0.05 133	0.07 299	0.07 322

MIF-Stereo (partial)	0.11 222	0.06 76	0.10 138	0.19 385	0.10 377	0.10 151	0.11 55	0.17 197	0.18 270	0.14 284	0.16 259	0.09 158	0.11 267	0.12 226	0.12 278	0.08 342	0.05 209	0.08 319	0.07 308	0.06 226	0.07 322

EKT-Stereo	0.11 222	0.07 169	0.14 302	0.15 85	0.10 377	0.13 287	0.14 180	0.18 229	0.21 326	0.11 191	0.08 91	0.12 235	0.09 200	0.11 135	0.12 278	0.08 342	0.06 344	0.07 228	0.06 214	0.08 362	0.07 322

anonymousdsp2	0.11 222	0.07 169	0.10 138	0.16 167	0.09 268	0.13 287	0.14 180	0.18 229	0.22 340	0.13 262	0.14 230	0.12 235	0.09 200	0.14 302	0.11 219	0.05 35	0.04 24	0.05 34	0.04 46	0.06 226	0.05 146

DCRE	0.11 222	0.07 169	0.13 266	0.16 167	0.11 428	0.11 198	0.17 357	0.18 229	0.17 240	0.11 191	0.18 306	0.10 192	0.10 237	0.15 324	0.11 219	0.06 128	0.05 209	0.06 126	0.06 214	0.05 119	0.04 49

knoymous	0.11 222	0.05 27	0.12 219	0.13 14	0.07 84	0.15 346	0.14 180	0.19 257	0.13 142	0.11 191	0.17 281	0.13 261	0.09 200	0.13 276	0.11 219	0.08 342	0.05 209	0.06 126	0.05 133	0.08 362	0.07 322

riskmin	0.11 222	0.06 76	0.13 266	0.14 41	0.08 146	0.14 320	0.14 180	0.18 229	0.14 167	0.11 191	0.14 230	0.16 324	0.11 267	0.14 302	0.12 278	0.09 402	0.05 209	0.07 228	0.05 133	0.08 362	0.08 386

Selective-RAFT	0.11 222	0.10 411	0.11 182	0.21 477	0.08 146	0.16 375	0.13 126	0.20 268	0.22 340	0.10 159	0.10 144	0.11 217	0.10 237	0.15 324	0.11 219	0.05 35	0.05 209	0.06 126	0.05 133	0.06 226	0.05 146

DisPM	0.11 222	0.07 169	0.12 219	0.16 167	0.09 268	0.06 11	0.13 126	0.17 197	0.17 240	0.14 284	0.20 327	0.12 235	0.10 237	0.11 135	0.10 144	0.06 128	0.04 24	0.07 228	0.06 214	0.06 226	0.11 483

CIPLG	0.11 222	0.08 275	0.14 302	0.17 243	0.08 146	0.12 237	0.15 254	0.17 197	0.15 187	0.14 284	0.11 185	0.16 324	0.09 200	0.16 359	0.11 219	0.07 277	0.05 209	0.06 126	0.05 133	0.05 119	0.06 240

GLC_STEREO	0.11 222	0.07 169	0.11 182	0.17 243	0.07 84	0.09 98	0.13 126	0.15 130	0.24 367	0.12 231	0.13 216	0.12 235	0.08 169	0.18 412	0.11 219	0.06 128	0.08 445	0.08 319	0.06 214	0.05 119	0.05 146

IPLGR_C	0.11 222	0.08 275	0.14 302	0.17 243	0.08 146	0.12 237	0.15 254	0.17 197	0.15 187	0.14 284	0.10 144	0.16 324	0.09 200	0.16 359	0.11 219	0.07 277	0.05 209	0.06 126	0.05 133	0.05 119	0.06 240

MIPNet	0.11 222	0.08 275	0.14 302	0.17 243	0.09 268	0.12 237	0.14 180	0.20 268	0.24 367	0.11 191	0.10 144	0.09 158	0.07 128	0.13 276	0.12 278	0.06 128	0.04 24	0.06 126	0.05 133	0.04 21	0.04 49

IPLGR	0.11 222	0.09 351	0.16 387	0.18 325	0.08 146	0.12 237	0.17 357	0.21 291	0.24 367	0.11 191	0.12 202	0.11 217	0.08 169	0.12 226	0.12 278	0.06 128	0.05 209	0.06 126	0.06 214	0.04 21	0.04 49

GMOStereo	0.11 222	0.09 351	0.07 8	0.19 385	0.08 146	0.12 237	0.28 557	0.13 76	0.17 240	0.11 191	0.17 281	0.14 281	0.12 298	0.07 4	0.07 1	0.05 35	0.05 209	0.09 402	0.07 308	0.04 21	0.04 49

error version	0.11 222	0.09 351	0.07 8	0.19 385	0.08 146	0.12 237	0.28 557	0.13 76	0.17 240	0.11 191	0.17 281	0.14 281	0.12 298	0.07 4	0.07 1	0.05 35	0.05 209	0.09 402	0.07 308	0.04 21	0.04 49

test-v	0.11 222	0.09 351	0.07 8	0.19 385	0.08 146	0.12 237	0.28 557	0.13 76	0.17 240	0.11 191	0.17 281	0.14 281	0.12 298	0.07 4	0.07 1	0.05 35	0.05 209	0.09 402	0.07 308	0.04 21	0.04 49

ACRE	0.11 222	0.08 275	0.14 302	0.17 243	0.08 146	0.12 237	0.15 254	0.17 197	0.14 167	0.14 284	0.10 144	0.16 324	0.09 200	0.16 359	0.11 219	0.07 277	0.05 209	0.06 126	0.05 133	0.05 119	0.06 240

PFNet+	0.11 222	0.06 76	0.13 266	0.16 167	0.09 268	0.05 4	0.12 76	0.17 197	0.21 326	0.16 339	0.19 315	0.14 281	0.10 237	0.11 135	0.11 219	0.08 342	0.05 209	0.09 402	0.08 379	0.06 226	0.11 483

LCNet	0.11 222	0.07 169	0.09 92	0.19 385	0.09 268	0.08 60	0.15 254	0.21 291	0.15 187	0.11 191	0.15 247	0.16 324	0.11 267	0.12 226	0.11 219	0.05 35	0.04 24	0.08 319	0.07 308	0.06 226	0.15 541

HHNet	0.11 222	0.06 76	0.16 387	0.15 85	0.14 504	0.07 34	0.13 126	0.20 268	0.17 240	0.14 284	0.25 409	0.11 217	0.08 169	0.13 276	0.10 144	0.05 35	0.04 24	0.08 319	0.06 214	0.05 119	0.09 430

Patchmatch Stereo++	0.11 222	0.09 351	0.16 387	0.18 325	0.08 146	0.06 11	0.11 55	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 222	0.07 169	0.16 387	0.19 385	0.09 268	0.08 60	0.13 126	0.18 229	0.13 142	0.16 339	0.21 349	0.13 261	0.14 361	0.11 135	0.14 357	0.06 128	0.04 24	0.09 402	0.06 214	0.06 226	0.05 146

OMP-Stereo	0.11 222	0.06 76	0.14 302	0.18 325	0.08 146	0.09 98	0.12 76	0.21 291	0.21 326	0.13 262	0.14 230	0.11 217	0.12 298	0.11 135	0.13 320	0.06 128	0.04 24	0.07 228	0.06 214	0.05 119	0.04 49

IIG-Stereo	0.11 222	0.06 76	0.13 266	0.17 243	0.08 146	0.11 198	0.12 76	0.22 315	0.17 240	0.14 284	0.17 281	0.11 217	0.12 298	0.12 226	0.12 278	0.06 128	0.05 209	0.07 228	0.06 214	0.05 119	0.04 49

NF-Stereo	0.11 222	0.07 169	0.13 266	0.17 243	0.09 268	0.10 151	0.14 180	0.23 335	0.19 287	0.12 231	0.17 281	0.12 235	0.11 267	0.11 135	0.11 219	0.06 128	0.04 24	0.07 228	0.06 214	0.06 226	0.12 496

OCTAStereo	0.11 222	0.07 169	0.13 266	0.17 243	0.09 268	0.10 151	0.14 180	0.23 335	0.19 287	0.12 231	0.17 281	0.12 235	0.11 267	0.11 135	0.11 219	0.06 128	0.04 24	0.07 228	0.06 214	0.06 226	0.12 496

NRIStereo	0.11 222	0.08 275	0.14 302	0.18 325	0.08 146	0.10 151	0.14 180	0.16 161	0.15 187	0.12 231	0.14 230	0.13 261	0.12 298	0.13 276	0.10 144	0.06 128	0.04 24	0.07 228	0.06 214	0.06 226	0.07 322

PSM-adaLoss	0.11 222	0.09 351	0.16 387	0.18 325	0.08 146	0.06 11	0.12 76	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322

PSM-AAD	0.11 222	0.07 169	0.10 138	0.19 385	0.09 268	0.10 151	0.15 254	0.20 268	0.13 142	0.12 231	0.14 230	0.18 357	0.11 267	0.11 135	0.10 144	0.05 35	0.05 209	0.09 402	0.08 379	0.06 226	0.14 534

ROB_FTStereo_v2	0.11 222	0.09 351	0.16 387	0.19 385	0.08 146	0.06 11	0.12 76	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322

ROB_FTStereo	0.11 222	0.09 351	0.16 387	0.19 385	0.08 146	0.06 11	0.11 55	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322

KYRaft	0.11 222	0.07 169	0.10 138	0.19 385	0.09 268	0.08 60	0.15 254	0.22 315	0.12 107	0.13 262	0.16 259	0.20 383	0.10 237	0.12 226	0.10 144	0.05 35	0.04 24	0.08 319	0.08 379	0.06 226	0.16 552

HUI-Stereo	0.11 222	0.09 351	0.16 387	0.18 325	0.08 146	0.06 11	0.12 76	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322

ASMatch	0.11 222	0.06 76	0.13 266	0.16 167	0.10 377	0.07 34	0.14 180	0.17 197	0.17 240	0.12 231	0.16 259	0.16 324	0.10 237	0.13 276	0.10 144	0.05 35	0.04 24	0.06 126	0.05 133	0.04 21	0.08 386

RAFT_R40	0.11 222	0.07 169	0.14 302	0.18 325	0.09 268	0.06 11	0.13 126	0.17 197	0.16 217	0.14 284	0.18 306	0.15 310	0.12 298	0.10 82	0.11 219	0.06 128	0.04 24	0.09 402	0.06 214	0.06 226	0.05 146

GrayStereo	0.11 222	0.06 76	0.11 182	0.19 385	0.09 268	0.09 98	0.16 320	0.18 229	0.17 240	0.14 284	0.17 281	0.17 344	0.11 267	0.12 226	0.11 219	0.05 35	0.05 209	0.07 228	0.06 214	0.05 119	0.10 457

RE-Stereo	0.11 222	0.07 169	0.13 266	0.17 243	0.09 268	0.10 151	0.14 180	0.23 335	0.19 287	0.12 231	0.17 281	0.12 235	0.11 267	0.11 135	0.11 219	0.06 128	0.04 24	0.07 228	0.06 214	0.06 226	0.12 496

Pruner-Stereo	0.11 222	0.07 169	0.12 219	0.17 243	0.09 268	0.06 11	0.12 76	0.17 197	0.17 240	0.13 262	0.19 315	0.13 261	0.09 200	0.11 135	0.11 219	0.06 128	0.04 24	0.07 228	0.06 214	0.06 226	0.08 386

TVStereo	0.11 222	0.07 169	0.13 266	0.17 243	0.09 268	0.10 151	0.14 180	0.23 335	0.19 287	0.12 231	0.17 281	0.12 235	0.11 267	0.11 135	0.11 219	0.06 128	0.04 24	0.07 228	0.06 214	0.06 226	0.12 496

DeepStereo_RVC	0.11 222	0.08 275	0.16 387	0.18 325	0.08 146	0.08 60	0.12 76	0.17 197	0.12 107	0.13 262	0.14 230	0.12 235	0.12 298	0.12 226	0.11 219	0.06 128	0.04 24	0.07 228	0.06 214	0.07 299	0.08 386

iGMRVC	0.11 222	0.09 351	0.16 387	0.19 385	0.08 146	0.06 11	0.12 76	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322

RAFT-RH_RVC	0.11 222	0.06 76	0.14 302	0.16 167	0.09 268	0.12 237	0.12 76	0.17 197	0.12 107	0.13 262	0.41 540	0.11 217	0.10 237	0.13 276	0.12 278	0.05 35	0.04 24	0.08 319	0.05 133	0.04 21	0.06 240

RAFT-345	0.11 222	0.07 169	0.15 353	0.16 167	0.08 146	0.08 60	0.12 76	0.15 130	0.10 48	0.11 191	0.36 503	0.09 158	0.09 200	0.11 135	0.12 278	0.05 35	0.05 209	0.07 228	0.06 214	0.04 21	0.05 146

iRAFT	0.11 222	0.09 351	0.16 387	0.18 325	0.08 146	0.06 11	0.11 55	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322

CRE-IMP	0.11 222	0.09 351	0.16 387	0.19 385	0.08 146	0.10 151	0.12 76	0.18 229	0.10 48	0.14 284	0.13 216	0.13 261	0.12 298	0.12 226	0.11 219	0.07 277	0.04 24	0.08 319	0.06 214	0.08 362	0.08 386

test-2	0.11 222	0.09 351	0.07 8	0.19 385	0.08 146	0.12 237	0.28 557	0.13 76	0.17 240	0.11 191	0.17 281	0.14 281	0.12 298	0.07 4	0.07 1	0.05 35	0.05 209	0.09 402	0.07 308	0.04 21	0.04 49

GMM-Stereo	0.11 222	0.07 169	0.10 138	0.18 325	0.09 268	0.08 60	0.15 254	0.23 335	0.16 217	0.11 191	0.15 247	0.13 261	0.11 267	0.11 135	0.11 219	0.05 35	0.04 24	0.08 319	0.07 308	0.06 226	0.09 430

RAFT-IKP	0.11 222	0.09 351	0.16 387	0.19 385	0.08 146	0.06 11	0.12 76	0.16 161	0.13 142	0.15 311	0.16 259	0.14 281	0.12 298	0.11 135	0.10 144	0.06 128	0.04 24	0.08 319	0.06 214	0.08 362	0.07 322

Prome-Stereo	0.11 222	0.06 76	0.10 138	0.18 325	0.08 146	0.12 237	0.15 254	0.22 315	0.13 142	0.12 231	0.17 281	0.13 261	0.08 169	0.12 226	0.10 144	0.05 35	0.04 24	0.07 228	0.06 214	0.06 226	0.09 430

rafts_anoy	0.11 222	0.06 76	0.10 138	0.17 243	0.08 146	0.10 151	0.14 180	0.17 197	0.14 167	0.13 262	0.13 216	0.12 235	0.10 237	0.11 135	0.12 278	0.07 277	0.04 24	0.09 402	0.11 497	0.07 299	0.06 240

raft+_RVC	0.11 222	0.07 169	0.09 92	0.16 167	0.07 84	0.10 151	0.11 55	0.24 358	0.20 310	0.12 231	0.15 247	0.12 235	0.08 169	0.12 226	0.13 320	0.07 277	0.04 24	0.07 228	0.06 214	0.05 119	0.05 146

RALAANet	0.11 222	0.08 275	0.10 138	0.17 243	0.09 268	0.14 320	0.10 31	0.20 268	0.15 187	0.14 284	0.13 216	0.16 324	0.09 200	0.12 226	0.11 219	0.06 128	0.05 209	0.07 228	0.06 214	0.05 119	0.04 49

DIP-Stereo	0.11 222	0.07 169	0.14 302	0.17 243	0.09 268	0.13 287	0.09 18	0.16 161	0.16 217	0.11 191	0.16 259	0.14 281	0.12 298	0.15 324	0.13 320	0.06 128	0.05 209	0.06 126	0.05 133	0.05 119	0.06 240
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
rvit_stereo_0083	0.12 292	0.08 275	0.17 417	0.16 167	0.09 268	0.11 198	0.15 254	0.14 97	0.26 402	0.11 191	0.14 230	0.13 261	0.10 237	0.12 226	0.12 278	0.10 443	0.08 445	0.09 402	0.07 308	0.07 299	0.05 146

rvit_stereo_ft	0.12 292	0.07 169	0.13 266	0.19 385	0.10 377	0.12 237	0.17 357	0.16 161	0.16 217	0.12 231	0.13 216	0.15 310	0.10 237	0.14 302	0.13 320	0.09 402	0.06 344	0.08 319	0.07 308	0.07 299	0.05 146

test_sample2	0.12 292	0.07 169	0.12 219	0.14 41	0.08 146	0.16 375	0.18 405	0.21 291	0.16 217	0.14 284	0.20 327	0.19 371	0.15 379	0.15 324	0.12 278	0.08 342	0.05 209	0.07 228	0.06 214	0.08 362	0.07 322

MyStereo8	0.12 292	0.07 169	0.15 353	0.15 85	0.09 268	0.18 416	0.14 180	0.19 257	0.22 340	0.12 231	0.18 306	0.11 217	0.10 237	0.16 359	0.18 434	0.07 277	0.05 209	0.07 228	0.05 133	0.08 362	0.09 430

CoDeX	0.12 292	0.07 169	0.12 219	0.17 243	0.08 146	0.12 237	0.15 254	0.23 335	0.27 412	0.13 262	0.17 281	0.16 324	0.11 267	0.14 302	0.11 219	0.07 277	0.05 209	0.07 228	0.06 214	0.06 226	0.05 146

11t1	0.12 292	0.06 76	0.13 266	0.14 41	0.08 146	0.17 397	0.15 254	0.18 229	0.15 187	0.15 311	0.15 247	0.16 324	0.16 405	0.15 324	0.13 320	0.08 342	0.05 209	0.06 126	0.05 133	0.08 362	0.07 322

ffm	0.12 292	0.09 351	0.14 302	0.16 167	0.08 146	0.17 397	0.17 357	0.15 130	0.19 287	0.15 311	0.25 409	0.19 371	0.13 337	0.10 82	0.07 1	0.06 128	0.04 24	0.09 402	0.08 379	0.06 226	0.06 240

RAFT_CTSACE	0.12 292	0.09 351	0.10 138	0.22 493	0.08 146	0.12 237	0.24 520	0.18 229	0.16 217	0.20 423	0.27 435	0.13 261	0.07 128	0.13 276	0.09 62	0.05 35	0.06 344	0.08 319	0.07 308	0.04 21	0.04 49

Sa-1000	0.12 292	0.08 275	0.08 40	0.18 325	0.08 146	0.14 320	0.22 497	0.22 315	0.18 270	0.15 311	0.20 327	0.17 344	0.11 267	0.10 82	0.10 144	0.06 128	0.05 209	0.09 402	0.09 425	0.05 119	0.05 146

SA	0.12 292	0.09 351	0.08 40	0.18 325	0.08 146	0.12 237	0.24 520	0.23 335	0.18 270	0.17 354	0.27 435	0.14 281	0.11 267	0.11 135	0.11 219	0.05 35	0.05 209	0.09 402	0.08 379	0.05 119	0.04 49

iRaft-Stereo_5w	0.12 292	0.09 351	0.12 219	0.19 385	0.08 146	0.09 98	0.12 76	0.21 291	0.21 326	0.19 400	0.14 230	0.11 217	0.09 200	0.20 452	0.16 401	0.05 35	0.05 209	0.07 228	0.06 214	0.05 119	0.06 240

CrosDoStereo	0.12 292	0.06 76	0.12 219	0.14 41	0.08 146	0.12 237	0.15 254	0.17 197	0.22 340	0.19 400	0.24 381	0.15 310	0.11 267	0.11 135	0.12 278	0.06 128	0.04 24	0.07 228	0.07 308	0.05 119	0.05 146

PSM-softLoss	0.12 292	0.07 169	0.15 353	0.17 243	0.09 268	0.08 60	0.13 126	0.24 358	0.17 240	0.14 284	0.19 315	0.13 261	0.11 267	0.11 135	0.11 219	0.07 277	0.05 209	0.08 319	0.07 308	0.06 226	0.12 496

KMStereo	0.12 292	0.07 169	0.15 353	0.17 243	0.09 268	0.08 60	0.13 126	0.24 358	0.17 240	0.14 284	0.19 315	0.13 261	0.11 267	0.11 135	0.11 219	0.07 277	0.05 209	0.08 319	0.07 308	0.06 226	0.12 496

FTStereo	0.12 292	0.06 76	0.14 302	0.18 325	0.09 268	0.07 34	0.15 254	0.21 291	0.18 270	0.12 231	0.24 381	0.12 235	0.12 298	0.13 276	0.13 320	0.05 35	0.05 209	0.07 228	0.06 214	0.06 226	0.10 457

DeepStereo_LL	0.12 292	0.06 76	0.12 219	0.14 41	0.08 146	0.12 237	0.15 254	0.17 197	0.22 340	0.19 400	0.24 381	0.15 310	0.11 267	0.11 135	0.12 278	0.06 128	0.04 24	0.07 228	0.07 308	0.05 119	0.05 146

DEmStereo	0.12 292	0.06 76	0.14 302	0.14 41	0.10 377	0.16 375	0.15 254	0.16 161	0.24 367	0.17 354	0.24 381	0.13 261	0.14 361	0.12 226	0.13 320	0.05 35	0.04 24	0.07 228	0.06 214	0.05 119	0.05 146

THIR-Stereo	0.12 292	0.07 169	0.11 182	0.15 85	0.08 146	0.14 320	0.16 320	0.17 197	0.25 388	0.16 339	0.24 381	0.14 281	0.12 298	0.12 226	0.14 357	0.06 128	0.04 24	0.07 228	0.07 308	0.05 119	0.05 146

DRaft	0.12 292	0.06 76	0.11 182	0.14 41	0.09 268	0.14 320	0.17 357	0.21 291	0.30 443	0.17 354	0.28 449	0.10 192	0.15 379	0.10 82	0.12 278	0.05 35	0.04 24	0.07 228	0.06 214	0.05 119	0.05 146

PFNet	0.12 292	0.06 76	0.17 417	0.17 243	0.08 146	0.09 98	0.15 254	0.26 392	0.20 310	0.16 339	0.16 259	0.14 281	0.11 267	0.12 226	0.11 219	0.06 128	0.04 24	0.07 228	0.06 214	0.05 119	0.05 146

IRAFT_RVC	0.12 292	0.08 275	0.16 387	0.19 385	0.08 146	0.07 34	0.15 254	0.24 358	0.23 351	0.14 284	0.14 230	0.15 310	0.12 298	0.12 226	0.10 144	0.06 128	0.04 24	0.09 402	0.06 214	0.06 226	0.06 240

sCroCo_RVC	0.12 292	0.09 351	0.23 488	0.24 527	0.11 428	0.19 439	0.14 180	0.17 197	0.14 167	0.10 159	0.13 216	0.12 235	0.07 128	0.14 302	0.11 219	0.08 342	0.08 445	0.08 319	0.08 379	0.05 119	0.07 322

ARAFT	0.12 292	0.08 275	0.17 417	0.19 385	0.09 268	0.14 320	0.18 405	0.20 268	0.12 107	0.12 231	0.13 216	0.14 281	0.11 267	0.15 324	0.12 278	0.06 128	0.05 209	0.10 449	0.09 425	0.05 119	0.04 49

BEATNet_4x	0.12 292	0.08 275	0.14 302	0.18 325	0.07 84	0.15 346	0.07 3	0.22 315	0.18 270	0.16 339	0.19 315	0.18 357	0.14 361	0.16 359	0.15 385	0.07 277	0.05 209	0.05 34	0.05 133	0.06 226	0.06 240

MLCV	0.12 292	0.07 169	0.16 387	0.18 325	0.06 16	0.15 346	0.17 357	0.19 257	0.21 326	0.18 384	0.25 409	0.17 344	0.13 337	0.14 302	0.13 320	0.05 35	0.04 24	0.05 34	0.04 46	0.05 119	0.04 49

G2L-ROB	0.13 317	0.06 76	0.13 266	0.13 14	0.08 146	0.14 320	0.16 320	0.25 374	0.18 270	0.19 400	0.18 306	0.20 383	0.14 361	0.17 391	0.16 401	0.08 342	0.05 209	0.06 126	0.05 133	0.08 362	0.09 430

xyz-stereo	0.13 317	0.07 169	0.20 464	0.15 85	0.05 1	0.20 454	0.15 254	0.17 197	0.31 450	0.15 311	0.29 461	0.26 458	0.16 405	0.13 276	0.12 278	0.05 35	0.05 209	0.06 126	0.05 133	0.04 21	0.04 49

DFGA-Net	0.13 317	0.11 437	0.18 440	0.17 243	0.10 377	0.12 237	0.13 126	0.22 315	0.25 388	0.16 339	0.16 259	0.13 261	0.12 298	0.16 359	0.14 357	0.07 277	0.05 209	0.08 319	0.07 308	0.05 119	0.05 146

FACV-RUCA	0.13 317	0.11 437	0.12 219	0.19 385	0.12 461	0.15 346	0.15 254	0.22 315	0.20 310	0.15 311	0.16 259	0.14 281	0.16 405	0.14 302	0.13 320	0.07 277	0.05 209	0.08 319	0.06 214	0.10 456	0.08 386

UGAM	0.13 317	0.10 411	0.09 92	0.22 493	0.08 146	0.12 237	0.20 467	0.17 197	0.23 351	0.21 437	0.16 259	0.13 261	0.13 337	0.19 427	0.12 278	0.07 277	0.05 209	0.13 514	0.11 497	0.07 299	0.05 146

test_sample1	0.13 317	0.07 169	0.14 302	0.13 14	0.08 146	0.19 439	0.16 320	0.20 268	0.15 187	0.14 284	0.22 360	0.18 357	0.16 405	0.17 391	0.14 357	0.07 277	0.06 344	0.06 126	0.06 214	0.08 362	0.07 322

qqq1	0.13 317	0.07 169	0.17 417	0.14 41	0.08 146	0.16 375	0.17 357	0.26 392	0.27 412	0.19 400	0.20 327	0.18 357	0.15 379	0.15 324	0.11 219	0.08 342	0.05 209	0.05 34	0.05 133	0.06 226	0.06 240

fff1	0.13 317	0.07 169	0.17 417	0.14 41	0.08 146	0.16 375	0.17 357	0.26 392	0.27 412	0.19 400	0.20 327	0.18 357	0.15 379	0.15 324	0.11 219	0.08 342	0.05 209	0.05 34	0.05 133	0.06 226	0.06 240

MyStereo05	0.13 317	0.07 169	0.10 138	0.17 243	0.09 268	0.13 287	0.18 405	0.27 413	0.35 485	0.17 354	0.14 230	0.15 310	0.11 267	0.15 324	0.13 320	0.06 128	0.05 209	0.07 228	0.07 308	0.06 226	0.06 240

MyStereo04	0.13 317	0.07 169	0.10 138	0.17 243	0.09 268	0.14 320	0.18 405	0.29 445	0.38 503	0.17 354	0.14 230	0.16 324	0.10 237	0.15 324	0.13 320	0.06 128	0.05 209	0.08 319	0.07 308	0.06 226	0.06 240

ff1	0.13 317	0.09 351	0.14 302	0.16 167	0.08 146	0.17 397	0.17 357	0.15 130	0.19 287	0.15 311	0.25 409	0.19 371	0.13 337	0.14 302	0.20 453	0.06 128	0.04 24	0.09 402	0.08 379	0.06 226	0.06 240

StereoVision	0.13 317	0.12 455	0.09 92	0.24 527	0.10 377	0.15 346	0.21 487	0.21 291	0.20 310	0.12 231	0.24 381	0.10 192	0.10 237	0.16 359	0.10 144	0.09 402	0.11 509	0.12 499	0.12 517	0.06 226	0.05 146

LL-Strereo	0.13 317	0.09 351	0.11 182	0.20 445	0.10 377	0.11 198	0.18 405	0.32 480	0.24 367	0.15 311	0.15 247	0.14 281	0.13 337	0.19 427	0.11 219	0.06 128	0.04 24	0.09 402	0.08 379	0.04 21	0.05 146

CASS	0.13 317	0.12 455	0.11 182	0.23 517	0.09 268	0.15 346	0.17 357	0.18 229	0.19 287	0.17 354	0.18 306	0.15 310	0.15 379	0.14 302	0.14 357	0.09 402	0.06 344	0.10 449	0.08 379	0.09 425	0.07 322
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 317	0.07 169	0.13 266	0.18 325	0.09 268	0.13 287	0.17 357	0.19 257	0.29 433	0.15 311	0.24 381	0.15 310	0.14 361	0.14 302	0.14 357	0.07 277	0.05 209	0.07 228	0.09 425	0.05 119	0.06 240

TestStereo1	0.13 317	0.08 275	0.08 40	0.19 385	0.08 146	0.18 416	0.29 566	0.23 335	0.16 217	0.17 354	0.20 327	0.16 324	0.10 237	0.12 226	0.13 320	0.06 128	0.06 344	0.08 319	0.06 214	0.05 119	0.05 146

qqq	0.13 317	0.09 351	0.15 353	0.16 167	0.08 146	0.13 287	0.15 254	0.23 335	0.16 217	0.15 311	0.19 315	0.16 324	0.16 405	0.15 324	0.16 401	0.07 277	0.06 344	0.08 319	0.08 379	0.07 299	0.07 322

x	0.13 317	0.07 169	0.14 302	0.14 41	0.08 146	0.18 416	0.14 180	0.22 315	0.20 310	0.15 311	0.19 315	0.19 371	0.17 428	0.18 412	0.18 434	0.07 277	0.05 209	0.06 126	0.06 214	0.07 299	0.07 322

raft_robust	0.13 317	0.10 411	0.07 8	0.18 325	0.08 146	0.13 287	0.24 520	0.28 432	0.33 464	0.20 423	0.19 315	0.14 281	0.10 237	0.11 135	0.12 278	0.05 35	0.05 209	0.07 228	0.07 308	0.05 119	0.04 49

RAFT+CT+SA	0.13 317	0.11 437	0.09 92	0.19 385	0.09 268	0.15 346	0.28 557	0.22 315	0.22 340	0.15 311	0.26 426	0.10 192	0.10 237	0.11 135	0.12 278	0.05 35	0.04 24	0.07 228	0.08 379	0.07 299	0.06 240

SA-5K	0.13 317	0.08 275	0.08 40	0.19 385	0.08 146	0.18 416	0.29 566	0.23 335	0.16 217	0.17 354	0.20 327	0.16 324	0.10 237	0.12 226	0.13 320	0.06 128	0.06 344	0.08 319	0.06 214	0.05 119	0.05 146

GwcNet-ADL	0.13 317	0.08 275	0.14 302	0.20 445	0.09 268	0.11 198	0.20 467	0.30 459	0.24 367	0.13 262	0.14 230	0.18 357	0.14 361	0.13 276	0.14 357	0.07 277	0.05 209	0.06 126	0.05 133	0.07 299	0.06 240

GANet-ADL	0.13 317	0.07 169	0.15 353	0.17 243	0.10 377	0.18 416	0.15 254	0.30 459	0.20 310	0.13 262	0.18 306	0.19 371	0.12 298	0.16 359	0.13 320	0.08 342	0.06 344	0.06 126	0.05 133	0.07 299	0.08 386

RAFT	0.13 317	0.09 351	0.11 182	0.18 325	0.08 146	0.15 346	0.24 520	0.20 268	0.19 287	0.21 437	0.21 349	0.17 344	0.12 298	0.16 359	0.09 62	0.06 128	0.07 416	0.10 449	0.09 425	0.05 119	0.05 146

TestStereo	0.13 317	0.14 496	0.11 182	0.23 517	0.08 146	0.15 346	0.21 487	0.20 268	0.23 351	0.14 284	0.24 381	0.16 324	0.12 298	0.16 359	0.14 357	0.05 35	0.06 344	0.08 319	0.06 214	0.09 425	0.05 146

sAnonymous2	0.13 317	0.12 455	0.24 492	0.20 445	0.12 461	0.17 397	0.13 126	0.26 392	0.21 326	0.11 191	0.11 185	0.13 261	0.08 169	0.10 82	0.10 144	0.09 402	0.05 209	0.08 319	0.06 214	0.15 541	0.10 457

CroCo_RVC	0.13 317	0.12 455	0.24 492	0.20 445	0.12 461	0.17 397	0.13 126	0.26 392	0.21 326	0.11 191	0.11 185	0.13 261	0.08 169	0.10 82	0.10 144	0.09 402	0.05 209	0.08 319	0.06 214	0.15 541	0.10 457

RAFT + AFF	0.13 317	0.07 169	0.20 464	0.20 445	0.10 377	0.14 320	0.24 520	0.26 392	0.20 310	0.11 191	0.10 144	0.12 235	0.10 237	0.15 324	0.12 278	0.07 277	0.06 344	0.09 402	0.08 379	0.06 226	0.08 386

GMStereo	0.13 317	0.14 496	0.14 302	0.18 325	0.09 268	0.15 346	0.16 320	0.20 268	0.24 367	0.16 339	0.17 281	0.10 192	0.10 237	0.16 359	0.13 320	0.07 277	0.06 344	0.06 126	0.06 214	0.07 299	0.06 240
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 317	0.07 169	0.14 302	0.17 243	0.09 268	0.15 346	0.16 320	0.28 432	0.27 412	0.14 284	0.17 281	0.12 235	0.13 337	0.14 302	0.11 219	0.08 342	0.05 209	0.07 228	0.07 308	0.07 299	0.06 240

FENet	0.13 317	0.08 275	0.12 219	0.16 167	0.08 146	0.14 320	0.15 254	0.22 315	0.23 351	0.17 354	0.23 369	0.16 324	0.12 298	0.14 302	0.15 385	0.08 342	0.05 209	0.08 319	0.08 379	0.07 299	0.07 322

cf-r	0.13 317	0.07 169	0.12 219	0.16 167	0.08 146	0.14 320	0.19 444	0.20 268	0.25 388	0.17 354	0.25 409	0.21 392	0.16 405	0.14 302	0.14 357	0.10 443	0.05 209	0.06 126	0.08 379	0.06 226	0.06 240

iResNet	0.13 317	0.10 411	0.18 440	0.19 385	0.08 146	0.13 287	0.18 405	0.20 268	0.26 402	0.15 311	0.23 369	0.15 310	0.13 337	0.14 302	0.14 357	0.06 128	0.04 24	0.06 126	0.05 133	0.06 226	0.05 146

DN-CSS_ROB	0.13 317	0.13 484	0.16 387	0.18 325	0.10 377	0.16 375	0.08 7	0.22 315	0.18 270	0.17 354	0.22 360	0.13 261	0.13 337	0.12 226	0.13 320	0.05 35	0.05 209	0.10 449	0.10 465	0.08 362	0.06 240

G2L-Stereo_test	0.14 351	0.07 169	0.11 182	0.13 14	0.08 146	0.12 237	0.16 320	0.30 459	0.28 426	0.20 423	0.23 369	0.20 383	0.16 405	0.17 391	0.18 434	0.07 277	0.05 209	0.05 34	0.05 133	0.07 299	0.06 240

coex_refinement	0.14 351	0.07 169	0.12 219	0.17 243	0.10 377	0.15 346	0.15 254	0.26 392	0.29 433	0.18 384	0.20 327	0.22 410	0.17 428	0.16 359	0.18 434	0.08 342	0.05 209	0.06 126	0.06 214	0.09 425	0.08 386

G2L-Stereo	0.14 351	0.07 169	0.13 266	0.17 243	0.09 268	0.13 287	0.12 76	0.27 413	0.22 340	0.16 339	0.27 435	0.21 392	0.13 337	0.17 391	0.18 434	0.09 402	0.08 445	0.08 319	0.07 308	0.07 299	0.07 322

rvit_0105_6	0.14 351	0.09 351	0.18 440	0.17 243	0.10 377	0.10 151	0.16 320	0.19 257	0.26 402	0.12 231	0.18 306	0.17 344	0.12 298	0.18 412	0.12 278	0.15 539	0.11 509	0.12 499	0.10 465	0.09 425	0.06 240

rvit_0105_5	0.14 351	0.09 351	0.13 266	0.17 243	0.09 268	0.14 320	0.23 508	0.24 358	0.27 412	0.14 284	0.15 247	0.18 357	0.12 298	0.17 391	0.14 357	0.14 535	0.11 509	0.10 449	0.10 465	0.08 362	0.06 240

rvit_0105_4	0.14 351	0.09 351	0.17 417	0.17 243	0.10 377	0.12 237	0.19 444	0.23 335	0.27 412	0.14 284	0.20 327	0.17 344	0.13 337	0.17 391	0.13 320	0.15 539	0.11 509	0.11 480	0.10 465	0.09 425	0.06 240

DCVSM-stereo	0.14 351	0.09 351	0.16 387	0.16 167	0.10 377	0.15 346	0.09 18	0.19 257	0.23 351	0.20 423	0.23 369	0.26 458	0.15 379	0.18 412	0.14 357	0.09 402	0.07 416	0.09 402	0.08 379	0.10 456	0.12 496

test_sample6	0.14 351	0.08 275	0.13 266	0.16 167	0.08 146	0.17 397	0.19 444	0.25 374	0.17 240	0.17 354	0.27 435	0.19 371	0.14 361	0.15 324	0.13 320	0.08 342	0.05 209	0.08 319	0.07 308	0.08 362	0.08 386

test_sample5	0.14 351	0.08 275	0.14 302	0.16 167	0.08 146	0.18 416	0.18 405	0.25 374	0.17 240	0.17 354	0.27 435	0.18 357	0.14 361	0.16 359	0.13 320	0.08 342	0.05 209	0.08 319	0.07 308	0.08 362	0.08 386

test_sample4	0.14 351	0.08 275	0.14 302	0.15 85	0.08 146	0.19 439	0.18 405	0.26 392	0.17 240	0.16 339	0.25 409	0.18 357	0.14 361	0.16 359	0.13 320	0.08 342	0.06 344	0.08 319	0.06 214	0.08 362	0.08 386

test_sample3	0.14 351	0.08 275	0.15 353	0.14 41	0.09 268	0.19 439	0.17 357	0.26 392	0.18 270	0.16 339	0.22 360	0.19 371	0.15 379	0.17 391	0.13 320	0.08 342	0.06 344	0.07 228	0.06 214	0.09 425	0.08 386

DispNO	0.14 351	0.08 275	0.17 417	0.19 385	0.12 461	0.11 198	0.21 487	0.23 335	0.29 433	0.17 354	0.23 369	0.18 357	0.17 428	0.15 324	0.15 385	0.07 277	0.05 209	0.08 319	0.08 379	0.07 299	0.06 240

SMFormer	0.14 351	0.07 169	0.17 417	0.14 41	0.08 146	0.16 375	0.17 357	0.26 392	0.27 412	0.19 400	0.20 327	0.18 357	0.15 379	0.15 324	0.17 416	0.08 342	0.05 209	0.07 228	0.06 214	0.07 299	0.06 240

tta	0.14 351	0.07 169	0.17 417	0.14 41	0.08 146	0.16 375	0.17 357	0.26 392	0.27 412	0.19 400	0.20 327	0.18 357	0.15 379	0.15 324	0.17 416	0.08 342	0.05 209	0.07 228	0.06 214	0.06 226	0.06 240

mmm	0.14 351	0.08 275	0.17 417	0.17 243	0.09 268	0.17 397	0.18 405	0.21 291	0.15 187	0.15 311	0.23 369	0.21 392	0.16 405	0.16 359	0.17 416	0.08 342	0.05 209	0.08 319	0.07 308	0.07 299	0.07 322

DualNet	0.14 351	0.08 275	0.14 302	0.16 167	0.08 146	0.18 416	0.18 405	0.25 374	0.17 240	0.17 354	0.27 435	0.18 357	0.14 361	0.16 359	0.13 320	0.08 342	0.05 209	0.08 319	0.07 308	0.08 362	0.08 386

mmx	0.14 351	0.09 351	0.14 302	0.16 167	0.08 146	0.17 397	0.17 357	0.27 413	0.25 388	0.15 311	0.25 409	0.19 371	0.13 337	0.14 302	0.20 453	0.08 342	0.06 344	0.09 402	0.08 379	0.08 362	0.08 386

xxx	0.14 351	0.09 351	0.14 302	0.16 167	0.08 146	0.17 397	0.17 357	0.27 413	0.25 388	0.15 311	0.25 409	0.19 371	0.13 337	0.14 302	0.20 453	0.08 342	0.06 344	0.09 402	0.08 379	0.08 362	0.08 386

PCWNet_CMD	0.14 351	0.08 275	0.15 353	0.17 243	0.09 268	0.14 320	0.14 180	0.29 445	0.36 489	0.14 284	0.20 327	0.21 392	0.12 298	0.17 391	0.13 320	0.07 277	0.05 209	0.07 228	0.07 308	0.07 299	0.07 322

CBFPSM	0.14 351	0.06 76	0.26 500	0.17 243	0.09 268	0.13 287	0.15 254	0.22 315	0.23 351	0.20 423	0.27 435	0.24 434	0.16 405	0.16 359	0.18 434	0.06 128	0.06 344	0.06 126	0.07 308	0.07 299	0.07 322

gwcnet-sp	0.14 351	0.07 169	0.12 219	0.18 325	0.09 268	0.16 375	0.17 357	0.24 358	0.24 367	0.18 384	0.24 381	0.15 310	0.16 405	0.15 324	0.15 385	0.08 342	0.06 344	0.07 228	0.08 379	0.08 362	0.07 322

scenet	0.14 351	0.07 169	0.12 219	0.18 325	0.09 268	0.16 375	0.17 357	0.24 358	0.24 367	0.18 384	0.24 381	0.15 310	0.16 405	0.15 324	0.15 385	0.08 342	0.06 344	0.07 228	0.08 379	0.08 362	0.07 322

ssnet	0.14 351	0.07 169	0.12 219	0.18 325	0.09 268	0.16 375	0.17 357	0.24 358	0.24 367	0.18 384	0.24 381	0.15 310	0.16 405	0.15 324	0.15 385	0.08 342	0.06 344	0.07 228	0.08 379	0.08 362	0.07 322

BUS	0.14 351	0.09 351	0.14 302	0.22 493	0.10 377	0.19 439	0.14 180	0.34 509	0.19 287	0.17 354	0.22 360	0.16 324	0.13 337	0.15 324	0.13 320	0.08 342	0.06 344	0.10 449	0.09 425	0.07 299	0.07 322

IER	0.14 351	0.07 169	0.13 266	0.17 243	0.09 268	0.14 320	0.16 320	0.25 374	0.26 402	0.18 384	0.25 409	0.17 344	0.20 470	0.16 359	0.14 357	0.08 342	0.05 209	0.07 228	0.06 214	0.08 362	0.07 322

test_5	0.14 351	0.12 455	0.08 40	0.20 445	0.10 377	0.14 320	0.29 566	0.21 291	0.24 367	0.18 384	0.28 449	0.11 217	0.15 379	0.12 226	0.13 320	0.06 128	0.05 209	0.07 228	0.08 379	0.08 362	0.07 322

psmg	0.14 351	0.09 351	0.14 302	0.17 243	0.10 377	0.15 346	0.17 357	0.29 445	0.19 287	0.17 354	0.21 349	0.25 448	0.16 405	0.15 324	0.14 357	0.08 342	0.06 344	0.08 319	0.08 379	0.07 299	0.06 240

UDGNet	0.14 351	0.13 484	0.16 387	0.17 243	0.10 377	0.12 237	0.16 320	0.21 291	0.27 412	0.20 423	0.20 327	0.16 324	0.13 337	0.16 359	0.13 320	0.10 443	0.06 344	0.09 402	0.07 308	0.06 226	0.07 322

CFNet_pseudo	0.14 351	0.08 275	0.15 353	0.16 167	0.09 268	0.13 287	0.14 180	0.27 413	0.34 476	0.14 284	0.21 349	0.22 410	0.13 337	0.18 412	0.14 357	0.07 277	0.05 209	0.08 319	0.06 214	0.07 299	0.07 322

GES	0.14 351	0.08 275	0.16 387	0.15 85	0.10 377	0.13 287	0.13 126	0.28 432	0.25 388	0.16 339	0.23 369	0.18 357	0.13 337	0.16 359	0.13 320	0.08 342	0.07 416	0.07 228	0.06 214	0.08 362	0.09 430

GANet-RSSM	0.14 351	0.07 169	0.13 266	0.13 14	0.08 146	0.14 320	0.17 357	0.22 315	0.21 326	0.17 354	0.24 381	0.23 428	0.15 379	0.16 359	0.15 385	0.10 443	0.06 344	0.07 228	0.08 379	0.08 362	0.07 322

PSMNet-RSSM	0.14 351	0.07 169	0.13 266	0.15 85	0.08 146	0.13 287	0.16 320	0.24 358	0.24 367	0.16 339	0.28 449	0.22 410	0.14 361	0.15 324	0.13 320	0.11 472	0.06 344	0.09 402	0.12 517	0.08 362	0.07 322

GwcNet-RSSM	0.14 351	0.07 169	0.12 219	0.15 85	0.08 146	0.15 346	0.20 467	0.21 291	0.27 412	0.18 384	0.27 435	0.22 410	0.16 405	0.14 302	0.15 385	0.10 443	0.05 209	0.07 228	0.09 425	0.07 299	0.07 322

CFNet-ft	0.14 351	0.07 169	0.15 353	0.12 5	0.09 268	0.16 375	0.18 405	0.22 315	0.24 367	0.17 354	0.26 426	0.24 434	0.14 361	0.16 359	0.14 357	0.11 472	0.06 344	0.08 319	0.09 425	0.09 425	0.08 386

DMCA	0.14 351	0.09 351	0.16 387	0.19 385	0.09 268	0.15 346	0.17 357	0.23 335	0.27 412	0.14 284	0.19 315	0.17 344	0.18 442	0.15 324	0.17 416	0.10 443	0.06 344	0.08 319	0.06 214	0.09 425	0.10 457

RASNet	0.14 351	0.07 169	0.14 302	0.16 167	0.08 146	0.18 416	0.14 180	0.29 445	0.20 310	0.17 354	0.25 409	0.21 392	0.18 442	0.20 452	0.19 447	0.07 277	0.06 344	0.06 126	0.08 379	0.06 226	0.06 240

MSMDNet	0.14 351	0.08 275	0.15 353	0.17 243	0.09 268	0.14 320	0.14 180	0.29 445	0.36 489	0.14 284	0.21 349	0.21 392	0.12 298	0.17 391	0.14 357	0.07 277	0.05 209	0.07 228	0.07 308	0.07 299	0.07 322

HSM-Net_RVC	0.14 351	0.08 275	0.11 182	0.15 85	0.08 146	0.15 346	0.15 254	0.27 413	0.29 433	0.19 400	0.21 349	0.29 484	0.14 361	0.17 391	0.13 320	0.06 128	0.06 344	0.06 126	0.06 214	0.07 299	0.06 240
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 351	0.07 169	0.15 353	0.12 5	0.09 268	0.16 375	0.18 405	0.22 315	0.24 367	0.17 354	0.26 426	0.24 434	0.14 361	0.16 359	0.14 357	0.11 472	0.06 344	0.08 319	0.09 425	0.09 425	0.08 386

ccs_rob	0.14 351	0.08 275	0.15 353	0.16 167	0.09 268	0.12 237	0.14 180	0.27 413	0.34 476	0.14 284	0.21 349	0.22 410	0.13 337	0.18 412	0.14 357	0.07 277	0.05 209	0.08 319	0.07 308	0.07 299	0.07 322

UCFNet_RVC	0.14 351	0.08 275	0.13 266	0.11 1	0.10 377	0.20 454	0.10 31	0.24 358	0.22 340	0.17 354	0.20 327	0.23 428	0.15 379	0.17 391	0.15 385	0.12 496	0.07 416	0.10 449	0.13 527	0.11 479	0.10 457

iResNetv2_ROB	0.14 351	0.08 275	0.15 353	0.16 167	0.08 146	0.16 375	0.12 76	0.25 374	0.35 485	0.21 437	0.29 461	0.24 434	0.13 337	0.14 302	0.14 357	0.06 128	0.05 209	0.06 126	0.04 46	0.09 425	0.08 386

iResNet_ROB	0.14 351	0.07 169	0.13 266	0.14 41	0.07 84	0.18 416	0.14 180	0.26 392	0.31 450	0.22 453	0.25 409	0.23 428	0.15 379	0.15 324	0.13 320	0.07 277	0.05 209	0.05 34	0.04 46	0.08 362	0.08 386

DDVS	0.15 394	0.10 411	0.21 473	0.16 167	0.12 461	0.15 346	0.14 180	0.25 374	0.19 287	0.18 384	0.29 461	0.27 466	0.12 298	0.19 427	0.15 385	0.09 402	0.06 344	0.09 402	0.07 308	0.11 479	0.11 483

rvit_0105_3	0.15 394	0.09 351	0.14 302	0.19 385	0.12 461	0.15 346	0.25 535	0.25 374	0.29 433	0.15 311	0.17 281	0.20 383	0.13 337	0.17 391	0.14 357	0.13 521	0.11 509	0.12 499	0.14 531	0.07 299	0.06 240

ACV-stereo	0.15 394	0.10 411	0.28 512	0.18 325	0.12 461	0.14 320	0.12 76	0.23 335	0.21 326	0.19 400	0.23 369	0.22 410	0.15 379	0.23 493	0.17 416	0.07 277	0.06 344	0.07 228	0.07 308	0.07 299	0.07 322

ITSA-stereo	0.15 394	0.10 411	0.14 302	0.19 385	0.08 146	0.12 237	0.14 180	0.30 459	0.49 549	0.17 354	0.19 315	0.22 410	0.15 379	0.17 391	0.16 401	0.10 443	0.06 344	0.08 319	0.08 379	0.08 362	0.08 386

test_sample7	0.15 394	0.10 411	0.16 387	0.14 41	0.11 428	0.16 375	0.16 320	0.27 413	0.23 351	0.20 423	0.20 327	0.24 434	0.19 458	0.16 359	0.16 401	0.12 496	0.06 344	0.10 449	0.09 425	0.10 456	0.10 457

1111x	0.15 394	0.08 275	0.12 219	0.18 325	0.07 84	0.18 416	0.25 535	0.31 469	0.24 367	0.17 354	0.24 381	0.26 458	0.15 379	0.13 276	0.23 494	0.07 277	0.07 416	0.08 319	0.09 425	0.07 299	0.06 240

CFNet_ucs	0.15 394	0.08 275	0.16 387	0.16 167	0.11 428	0.14 320	0.14 180	0.30 459	0.34 476	0.16 339	0.24 381	0.23 428	0.14 361	0.18 412	0.15 385	0.09 402	0.06 344	0.08 319	0.07 308	0.09 425	0.09 430

BSDual-CNN	0.15 394	0.09 351	0.14 302	0.22 493	0.10 377	0.14 320	0.15 254	0.34 509	0.19 287	0.17 354	0.22 360	0.25 448	0.16 405	0.15 324	0.14 357	0.08 342	0.06 344	0.10 449	0.09 425	0.07 299	0.07 322

hknet	0.15 394	0.11 437	0.13 266	0.22 493	0.11 428	0.14 320	0.15 254	0.34 509	0.25 388	0.17 354	0.22 360	0.22 410	0.18 442	0.17 391	0.12 278	0.07 277	0.06 344	0.10 449	0.09 425	0.07 299	0.07 322

dd	0.15 394	0.16 514	0.16 387	0.19 385	0.09 268	0.15 346	0.18 405	0.21 291	0.25 388	0.23 466	0.20 327	0.21 392	0.09 200	0.21 469	0.16 401	0.10 443	0.06 344	0.08 319	0.06 214	0.08 362	0.06 240

DAS	0.15 394	0.08 275	0.18 440	0.19 385	0.10 377	0.19 439	0.17 357	0.27 413	0.29 433	0.18 384	0.25 409	0.21 392	0.15 379	0.16 359	0.12 278	0.08 342	0.06 344	0.06 126	0.06 214	0.07 299	0.07 322

SepStereo	0.15 394	0.08 275	0.18 440	0.19 385	0.10 377	0.19 439	0.17 357	0.27 413	0.29 433	0.18 384	0.25 409	0.21 392	0.15 379	0.25 507	0.12 278	0.08 342	0.06 344	0.06 126	0.06 214	0.07 299	0.07 322

PSMNet-ADL	0.15 394	0.12 455	0.13 266	0.22 493	0.09 268	0.13 287	0.20 467	0.26 392	0.23 351	0.18 384	0.20 327	0.24 434	0.16 405	0.18 412	0.17 416	0.08 342	0.08 445	0.08 319	0.11 497	0.08 362	0.07 322

LMCR-Stereo	0.15 394	0.08 275	0.13 266	0.21 477	0.09 268	0.17 397	0.20 467	0.27 413	0.19 287	0.24 475	0.24 381	0.23 428	0.17 428	0.20 452	0.17 416	0.07 277	0.06 344	0.08 319	0.06 214	0.10 456	0.08 386

ICVP	0.15 394	0.09 351	0.12 219	0.22 493	0.09 268	0.17 397	0.21 487	0.25 374	0.23 351	0.18 384	0.30 468	0.26 458	0.18 442	0.17 391	0.14 357	0.09 402	0.07 416	0.08 319	0.07 308	0.07 299	0.07 322
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 394	0.07 169	0.14 302	0.14 41	0.08 146	0.23 495	0.18 405	0.31 469	0.19 287	0.14 284	0.28 449	0.22 410	0.14 361	0.15 324	0.26 528	0.09 402	0.05 209	0.07 228	0.07 308	0.08 362	0.07 322

test_xeample	0.15 394	0.06 76	0.13 266	0.14 41	0.08 146	0.21 471	0.20 467	0.28 432	0.20 310	0.16 339	0.29 461	0.19 371	0.16 405	0.15 324	0.26 528	0.09 402	0.05 209	0.07 228	0.07 308	0.07 299	0.07 322

ACVNet	0.15 394	0.09 351	0.15 353	0.13 14	0.12 461	0.14 320	0.20 467	0.22 315	0.33 464	0.17 354	0.26 426	0.21 392	0.16 405	0.17 391	0.21 473	0.07 277	0.06 344	0.06 126	0.06 214	0.08 362	0.06 240

acv_ft	0.15 394	0.09 351	0.15 353	0.19 385	0.10 377	0.16 375	0.17 357	0.25 374	0.33 464	0.19 400	0.26 426	0.21 392	0.17 428	0.17 391	0.18 434	0.07 277	0.06 344	0.06 126	0.06 214	0.08 362	0.06 240

CFNet	0.15 394	0.10 411	0.17 417	0.17 243	0.08 146	0.18 416	0.09 18	0.28 432	0.25 388	0.19 400	0.24 381	0.24 434	0.17 428	0.17 391	0.14 357	0.08 342	0.06 344	0.09 402	0.10 465	0.07 299	0.06 240

AdaStereo	0.15 394	0.11 437	0.15 353	0.18 325	0.09 268	0.20 454	0.11 55	0.32 480	0.28 426	0.20 423	0.23 369	0.20 383	0.13 337	0.19 427	0.14 357	0.12 496	0.05 209	0.10 449	0.07 308	0.09 425	0.07 322
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
HSM	0.15 394	0.08 275	0.14 302	0.16 167	0.09 268	0.16 375	0.14 180	0.28 432	0.25 388	0.19 400	0.23 369	0.37 538	0.16 405	0.20 452	0.15 385	0.07 277	0.05 209	0.07 228	0.06 214	0.07 299	0.06 240

pmcnn	0.15 394	0.07 169	0.19 452	0.15 85	0.07 84	0.20 454	0.15 254	0.24 358	0.26 402	0.21 437	0.34 496	0.28 476	0.18 442	0.18 412	0.17 416	0.07 277	0.05 209	0.05 34	0.04 46	0.07 299	0.06 240

DStereoRT	0.16 417	0.06 76	0.11 182	0.19 385	0.09 268	0.12 237	0.12 76	0.28 432	0.22 340	0.12 231	0.20 327	0.11 217	0.10 237	0.15 324	0.14 357	0.06 128	0.05 209	0.96 613	0.09 425	0.05 119	0.04 49

DualNet (step1)	0.16 417	0.12 455	0.20 464	0.12 5	0.14 504	0.17 397	0.13 126	0.27 413	0.23 351	0.20 423	0.20 327	0.24 434	0.19 458	0.16 359	0.16 401	0.15 539	0.06 344	0.14 526	0.14 531	0.14 525	0.12 496

GMStereo_Zeroshot	0.16 417	0.13 484	0.24 492	0.20 445	0.10 377	0.17 397	0.13 126	0.29 445	0.25 388	0.23 466	0.32 480	0.25 448	0.11 267	0.19 427	0.14 357	0.09 402	0.06 344	0.11 480	0.06 214	0.12 494	0.08 386

iinet-f	0.16 417	0.06 76	0.45 557	0.14 41	0.10 377	0.21 471	0.14 180	0.27 413	0.23 351	0.21 437	0.24 381	0.21 392	0.15 379	0.18 412	0.21 473	0.09 402	0.07 416	0.07 228	0.06 214	0.09 425	0.10 457

CRFU-Net	0.16 417	0.08 275	0.14 302	0.17 243	0.09 268	0.19 439	0.14 180	0.26 392	0.20 310	0.28 515	0.27 435	0.29 484	0.17 428	0.19 427	0.17 416	0.09 402	0.09 477	0.07 228	0.07 308	0.08 362	0.08 386

NINENet	0.16 417	0.10 411	0.15 353	0.17 243	0.11 428	0.19 439	0.14 180	0.40 553	0.36 489	0.18 384	0.21 349	0.16 324	0.13 337	0.15 324	0.13 320	0.08 342	0.08 445	0.10 449	0.07 308	0.10 456	0.09 430

CSP-Net	0.16 417	0.09 351	0.14 302	0.16 167	0.09 268	0.19 439	0.17 357	0.25 374	0.32 457	0.25 488	0.30 468	0.24 434	0.15 379	0.21 469	0.18 434	0.09 402	0.06 344	0.07 228	0.07 308	0.08 362	0.07 322

AASNet	0.16 417	0.08 275	0.12 219	0.19 385	0.09 268	0.18 416	0.15 254	0.37 537	0.37 496	0.19 400	0.23 369	0.20 383	0.16 405	0.17 391	0.20 453	0.10 443	0.08 445	0.08 319	0.07 308	0.09 425	0.09 430

AACVNet	0.16 417	0.08 275	0.14 302	0.15 85	0.10 377	0.18 416	0.15 254	0.23 335	0.24 367	0.27 500	0.27 435	0.28 476	0.17 428	0.19 427	0.16 401	0.09 402	0.07 416	0.09 402	0.07 308	0.10 456	0.09 430

ADLNet2	0.16 417	0.09 351	0.13 266	0.16 167	0.09 268	0.20 454	0.16 320	0.31 469	0.39 506	0.16 339	0.20 327	0.20 383	0.18 442	0.21 469	0.22 482	0.08 342	0.06 344	0.07 228	0.07 308	0.09 425	0.07 322

Anonymous3	0.16 417	0.13 484	0.33 532	0.26 543	0.14 504	0.27 531	0.17 357	0.28 432	0.28 426	0.15 311	0.17 281	0.14 281	0.10 237	0.15 324	0.12 278	0.08 342	0.08 445	0.08 319	0.08 379	0.08 362	0.11 483

ADLNet	0.16 417	0.08 275	0.15 353	0.16 167	0.10 377	0.16 375	0.17 357	0.32 480	0.27 412	0.22 453	0.27 435	0.24 434	0.16 405	0.18 412	0.21 473	0.10 443	0.06 344	0.10 449	0.10 465	0.08 362	0.09 430

HCRNet	0.16 417	0.24 560	0.12 219	0.35 576	0.11 428	0.15 346	0.17 357	0.26 392	0.22 340	0.19 400	0.24 381	0.21 392	0.14 361	0.15 324	0.13 320	0.11 472	0.07 416	0.11 480	0.10 465	0.09 425	0.07 322

222	0.16 417	0.07 169	0.14 302	0.14 41	0.08 146	0.24 500	0.18 405	0.30 459	0.20 310	0.17 354	0.28 449	0.17 344	0.16 405	0.15 324	0.40 581	0.10 443	0.05 209	0.07 228	0.06 214	0.07 299	0.08 386

UPFNet	0.16 417	0.08 275	0.12 219	0.20 445	0.12 461	0.20 454	0.23 508	0.28 432	0.26 402	0.17 354	0.24 381	0.22 410	0.19 458	0.19 427	0.21 473	0.09 402	0.07 416	0.08 319	0.09 425	0.08 362	0.06 240

ac_64	0.16 417	0.08 275	0.15 353	0.18 325	0.10 377	0.22 480	0.18 405	0.24 358	0.21 326	0.18 384	0.24 381	0.29 484	0.18 442	0.19 427	0.22 482	0.09 402	0.07 416	0.08 319	0.09 425	0.07 299	0.06 240

DSFCA	0.16 417	0.09 351	0.14 302	0.16 167	0.10 377	0.20 454	0.19 444	0.28 432	0.31 450	0.23 466	0.24 381	0.22 410	0.15 379	0.19 427	0.20 453	0.10 443	0.07 416	0.09 402	0.09 425	0.08 362	0.08 386

FADNet-RVC-Resample	0.16 417	0.11 437	0.31 525	0.22 493	0.11 428	0.19 439	0.14 180	0.25 374	0.24 367	0.24 475	0.27 435	0.20 383	0.15 379	0.16 359	0.15 385	0.07 277	0.08 445	0.12 499	0.10 465	0.09 425	0.10 457

FADNet_RVC	0.16 417	0.14 496	0.40 550	0.20 445	0.11 428	0.13 287	0.13 126	0.26 392	0.22 340	0.21 437	0.23 369	0.20 383	0.17 428	0.14 302	0.16 401	0.08 342	0.08 445	0.12 499	0.09 425	0.11 479	0.10 457

AANet_RVC	0.16 417	0.10 411	0.10 138	0.18 325	0.09 268	0.18 416	0.19 444	0.26 392	0.31 450	0.22 453	0.35 500	0.21 392	0.21 474	0.22 482	0.16 401	0.06 128	0.05 209	0.06 126	0.06 214	0.07 299	0.06 240

DeepPruner_ROB	0.16 417	0.11 437	0.15 353	0.17 243	0.10 377	0.17 397	0.15 254	0.32 480	0.21 326	0.19 400	0.21 349	0.22 410	0.18 442	0.20 452	0.15 385	0.13 521	0.09 477	0.09 402	0.09 425	0.11 479	0.10 457

z-ln-s-r	0.17 438	0.10 411	0.40 550	0.19 385	0.08 146	0.17 397	0.18 405	0.22 315	0.33 464	0.18 384	0.40 529	0.22 410	0.17 428	0.20 452	0.23 494	0.07 277	0.05 209	0.07 228	0.07 308	0.07 299	0.05 146

rvit_stereo_0075_2	0.17 438	0.12 455	0.25 497	0.23 517	0.16 534	0.13 287	0.10 31	0.30 459	0.27 412	0.20 423	0.28 449	0.22 410	0.15 379	0.18 412	0.13 320	0.16 555	0.10 497	0.17 548	0.10 465	0.10 456	0.09 430

ToySt	0.17 438	0.11 437	0.18 440	0.17 243	0.11 428	0.16 375	0.25 535	0.24 358	0.33 464	0.19 400	0.24 381	0.26 458	0.24 497	0.19 427	0.20 453	0.07 277	0.08 445	0.09 402	0.10 465	0.09 425	0.08 386

ssnet_v2	0.17 438	0.10 411	0.17 417	0.17 243	0.11 428	0.21 471	0.21 487	0.33 500	0.25 388	0.22 453	0.22 360	0.27 466	0.18 442	0.22 482	0.20 453	0.11 472	0.09 477	0.09 402	0.09 425	0.08 362	0.08 386

dad	0.17 438	0.20 545	0.20 464	0.16 167	0.11 428	0.20 454	0.18 405	0.21 291	0.28 426	0.30 529	0.24 381	0.29 484	0.13 337	0.19 427	0.16 401	0.18 561	0.09 477	0.11 480	0.09 425	0.11 479	0.07 322

GEStereo_RVC	0.17 438	0.12 455	0.15 353	0.22 493	0.11 428	0.19 439	0.17 357	0.32 480	0.48 542	0.20 423	0.25 409	0.17 344	0.13 337	0.21 469	0.16 401	0.10 443	0.06 344	0.08 319	0.07 308	0.09 425	0.08 386

MMNet	0.17 438	0.09 351	0.16 387	0.20 445	0.11 428	0.27 531	0.20 467	0.25 374	0.41 515	0.22 453	0.30 468	0.21 392	0.20 470	0.17 391	0.20 453	0.06 128	0.06 344	0.07 228	0.07 308	0.08 362	0.07 322

delet	0.17 438	0.08 275	0.17 417	0.19 385	0.11 428	0.20 454	0.21 487	0.30 459	0.37 496	0.17 354	0.26 426	0.19 371	0.19 458	0.19 427	0.21 473	0.08 342	0.08 445	0.09 402	0.11 497	0.06 226	0.06 240

UNet	0.17 438	0.09 351	0.18 440	0.19 385	0.12 461	0.27 531	0.19 444	0.33 500	0.29 433	0.21 437	0.24 381	0.23 428	0.19 458	0.19 427	0.18 434	0.07 277	0.06 344	0.08 319	0.07 308	0.08 362	0.06 240

HGLStereo	0.17 438	0.08 275	0.19 452	0.17 243	0.12 461	0.18 416	0.18 405	0.31 469	0.32 457	0.21 437	0.32 480	0.25 448	0.18 442	0.19 427	0.20 453	0.09 402	0.09 477	0.07 228	0.07 308	0.09 425	0.10 457

DMCA-RVC	0.17 438	0.10 411	0.15 353	0.24 527	0.11 428	0.18 416	0.18 405	0.25 374	0.24 367	0.21 437	0.26 426	0.25 448	0.27 520	0.18 412	0.20 453	0.12 496	0.08 445	0.13 514	0.10 465	0.10 456	0.08 386

TDLM	0.17 438	0.12 455	0.13 266	0.24 527	0.10 377	0.18 416	0.18 405	0.36 531	0.30 443	0.21 437	0.28 449	0.28 476	0.18 442	0.23 493	0.18 434	0.11 472	0.07 416	0.10 449	0.10 465	0.08 362	0.08 386

NLCA_NET_v2_RVC	0.17 438	0.10 411	0.22 479	0.20 445	0.10 377	0.15 346	0.18 405	0.31 469	0.25 388	0.21 437	0.30 468	0.25 448	0.17 428	0.21 469	0.20 453	0.09 402	0.06 344	0.08 319	0.08 379	0.07 299	0.08 386
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	0.17 438	0.12 455	0.15 353	0.20 445	0.09 268	0.18 416	0.18 405	0.26 392	0.23 351	0.26 494	0.40 529	0.22 410	0.17 428	0.21 469	0.20 453	0.08 342	0.05 209	0.09 402	0.10 465	0.07 299	0.07 322
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 452	0.08 275	0.19 452	0.19 385	0.13 484	0.15 346	0.12 76	0.30 459	0.32 457	0.21 437	0.25 409	0.27 466	0.17 428	0.17 391	0.20 453	0.20 568	0.08 445	0.14 526	0.14 531	0.14 525	0.17 561

test_sample9	0.18 452	0.12 455	0.20 464	0.12 5	0.14 504	0.17 397	0.13 126	0.27 413	0.23 351	0.20 423	0.20 327	0.24 434	0.19 458	0.19 427	0.17 416	0.15 539	0.30 588	0.14 526	0.14 531	0.14 525	0.12 496

fast-acv-ft	0.18 452	0.11 437	0.19 452	0.19 385	0.12 461	0.24 500	0.21 487	0.25 374	0.34 476	0.22 453	0.34 496	0.27 466	0.20 470	0.21 469	0.23 494	0.09 402	0.09 477	0.08 319	0.10 465	0.08 362	0.07 322

HBP-ISP	0.18 452	0.13 484	0.16 387	0.15 85	0.11 428	0.08 60	0.13 126	0.28 432	0.29 433	0.22 453	0.33 492	0.21 392	0.25 506	0.23 493	0.17 416	0.14 535	0.16 557	0.21 562	0.17 558	0.10 456	0.08 386

Wz-Net-LNSev-Ref	0.18 452	0.09 351	0.29 520	0.15 85	0.10 377	0.22 480	0.20 467	0.26 392	0.39 506	0.25 488	0.42 546	0.24 434	0.15 379	0.20 452	0.19 447	0.07 277	0.05 209	0.06 126	0.05 133	0.10 456	0.09 430

SACVNet	0.18 452	0.12 455	0.14 302	0.17 243	0.13 484	0.22 480	0.18 405	0.31 469	0.30 443	0.23 466	0.31 476	0.30 494	0.22 483	0.22 482	0.17 416	0.11 472	0.08 445	0.10 449	0.10 465	0.12 494	0.14 534

psm_up	0.18 452	0.10 411	0.18 440	0.20 445	0.11 428	0.17 397	0.19 444	0.37 537	0.34 476	0.21 437	0.28 449	0.29 484	0.24 497	0.20 452	0.22 482	0.09 402	0.10 497	0.11 480	0.11 497	0.08 362	0.08 386

hitnet-ft	0.18 452	0.09 351	0.17 417	0.14 41	0.09 268	0.26 521	0.20 467	0.25 374	0.26 402	0.24 475	0.32 480	0.31 507	0.22 483	0.24 502	0.21 473	0.12 496	0.07 416	0.10 449	0.08 379	0.12 494	0.11 483

STTStereo	0.18 452	0.12 455	0.27 507	0.20 445	0.11 428	0.16 375	0.21 487	0.29 445	0.23 351	0.21 437	0.30 468	0.29 484	0.18 442	0.20 452	0.19 447	0.12 496	0.11 509	0.11 480	0.14 531	0.09 425	0.08 386

CVANet_RVC	0.18 452	0.10 411	0.14 302	0.21 477	0.10 377	0.18 416	0.17 357	0.34 509	0.33 464	0.22 453	0.31 476	0.28 476	0.18 442	0.23 493	0.17 416	0.12 496	0.08 445	0.12 499	0.11 497	0.09 425	0.07 322

StereoDRNet	0.18 452	0.11 437	0.17 417	0.22 493	0.11 428	0.21 471	0.22 497	0.37 537	0.33 464	0.24 475	0.28 449	0.30 494	0.19 458	0.20 452	0.20 453	0.09 402	0.08 445	0.11 480	0.09 425	0.09 425	0.07 322

DLCB_ROB	0.18 452	0.10 411	0.15 353	0.23 517	0.11 428	0.24 500	0.18 405	0.29 445	0.28 426	0.27 500	0.28 449	0.28 476	0.24 497	0.19 427	0.20 453	0.08 342	0.08 445	0.09 402	0.09 425	0.07 299	0.07 322

TCMNet	0.19 464	0.12 455	0.19 452	0.20 445	0.18 556	0.20 454	0.24 520	0.27 413	0.36 489	0.23 466	0.26 426	0.25 448	0.19 458	0.19 427	0.23 494	0.13 521	0.11 509	0.11 480	0.12 517	0.13 512	0.12 496

rvit_105_1	0.19 464	0.11 437	0.25 497	0.21 477	0.16 534	0.21 471	0.27 551	0.31 469	0.41 515	0.19 400	0.20 327	0.22 410	0.17 428	0.19 427	0.17 416	0.12 496	0.12 525	0.13 514	0.15 547	0.08 362	0.07 322

test_sample8	0.19 464	0.12 455	0.20 464	0.12 5	0.14 504	0.17 397	0.13 126	0.31 469	0.21 326	0.27 500	0.22 360	0.36 533	0.25 506	0.19 427	0.17 416	0.15 539	0.30 588	0.14 526	0.14 531	0.14 525	0.12 496

SDNR	0.19 464	0.08 275	0.19 452	0.16 167	0.12 461	0.77 603	0.14 180	0.25 374	0.32 457	0.19 400	0.24 381	0.19 371	0.13 337	0.19 427	0.15 385	0.16 555	0.18 564	0.14 526	0.11 497	0.08 362	0.11 483

pcwnet_v2	0.19 464	0.10 411	0.26 500	0.17 243	0.14 504	0.18 416	0.15 254	0.37 537	0.46 540	0.19 400	0.24 381	0.21 392	0.19 458	0.20 452	0.19 447	0.13 521	0.10 497	0.10 449	0.10 465	0.11 479	0.13 517

ADCRef	0.19 464	0.12 455	0.41 553	0.20 445	0.12 461	0.22 480	0.18 405	0.32 480	0.36 489	0.26 494	0.32 480	0.17 344	0.23 491	0.24 502	0.24 507	0.07 277	0.06 344	0.09 402	0.09 425	0.08 362	0.08 386

NVstereo2D	0.19 464	0.10 411	0.15 353	0.17 243	0.15 523	0.28 538	0.23 508	0.44 570	0.42 523	0.15 311	0.27 435	0.25 448	0.19 458	0.22 482	0.17 416	0.09 402	0.06 344	0.10 449	0.08 379	0.15 541	0.09 430

DRN-Test	0.19 464	0.11 437	0.20 464	0.22 493	0.10 377	0.22 480	0.22 497	0.39 549	0.37 496	0.24 475	0.32 480	0.26 458	0.21 474	0.22 482	0.24 507	0.11 472	0.07 416	0.11 480	0.10 465	0.09 425	0.07 322

DISCO	0.19 464	0.09 351	0.22 479	0.17 243	0.10 377	0.25 511	0.18 405	0.27 413	0.44 533	0.22 453	0.31 476	0.33 520	0.26 512	0.28 524	0.28 544	0.08 342	0.06 344	0.07 228	0.07 308	0.09 425	0.09 430

CBMV_ROB	0.19 464	0.13 484	0.17 417	0.16 167	0.11 428	0.15 346	0.13 126	0.26 392	0.28 426	0.27 500	0.30 468	0.27 466	0.24 497	0.23 493	0.16 401	0.15 539	0.17 562	0.22 566	0.20 564	0.10 456	0.11 483

NOSS_ROB	0.19 464	0.12 455	0.18 440	0.16 167	0.12 461	0.15 346	0.12 76	0.30 459	0.32 457	0.20 423	0.22 360	0.27 466	0.23 491	0.21 469	0.16 401	0.16 555	0.18 564	0.23 567	0.21 566	0.12 494	0.13 517

CBMV	0.19 464	0.14 496	0.17 417	0.18 325	0.10 377	0.20 454	0.11 55	0.29 445	0.30 443	0.29 524	0.30 468	0.30 494	0.23 491	0.27 512	0.19 447	0.13 521	0.15 554	0.17 548	0.16 551	0.10 456	0.10 457
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
w-ln-seven-2	0.20 476	0.14 496	0.37 545	0.22 493	0.12 461	0.20 454	0.21 487	0.28 432	0.37 496	0.25 488	0.37 509	0.27 466	0.22 483	0.21 469	0.23 494	0.08 342	0.08 445	0.09 402	0.09 425	0.10 456	0.09 430

YMNet	0.20 476	0.12 455	0.19 452	0.20 445	0.14 504	0.26 521	0.23 508	0.32 480	0.34 476	0.27 500	0.34 496	0.30 494	0.18 442	0.18 412	0.22 482	0.10 443	0.13 539	0.10 449	0.10 465	0.08 362	0.09 430

YMNet_1	0.20 476	0.12 455	0.19 452	0.20 445	0.14 504	0.26 521	0.23 508	0.32 480	0.34 476	0.27 500	0.34 496	0.30 494	0.18 442	0.18 412	0.22 482	0.10 443	0.13 539	0.10 449	0.10 465	0.08 362	0.09 430

GwcNet	0.20 476	0.13 484	0.19 452	0.18 325	0.12 461	0.24 500	0.19 444	0.35 524	0.43 528	0.20 423	0.32 480	0.33 520	0.20 470	0.22 482	0.24 507	0.11 472	0.09 477	0.09 402	0.09 425	0.09 425	0.10 457

FAT-Stereo	0.20 476	0.12 455	0.22 479	0.21 477	0.12 461	0.17 397	0.18 405	0.34 509	0.39 506	0.27 500	0.37 509	0.34 527	0.32 551	0.21 469	0.20 453	0.09 402	0.11 509	0.10 449	0.09 425	0.11 479	0.14 534

FADNet-RVC	0.20 476	0.20 545	0.38 547	0.21 477	0.16 534	0.20 454	0.15 254	0.26 392	0.26 402	0.26 494	0.32 480	0.26 458	0.21 474	0.22 482	0.19 447	0.12 496	0.13 539	0.12 499	0.14 531	0.13 512	0.18 564

S-Stereo	0.20 476	0.12 455	0.25 497	0.21 477	0.13 484	0.20 454	0.18 405	0.32 480	0.43 528	0.23 466	0.36 503	0.28 476	0.30 543	0.19 427	0.22 482	0.09 402	0.12 525	0.10 449	0.10 465	0.13 512	0.13 517

SuperB	0.20 476	0.10 411	0.56 573	0.16 167	0.09 268	0.18 416	0.18 405	0.24 358	0.50 552	0.26 494	0.39 523	0.17 344	0.21 474	0.22 482	0.21 473	0.08 342	0.06 344	0.06 126	0.06 214	0.12 494	0.10 457

ADCP+	0.20 476	0.10 411	0.33 532	0.20 445	0.12 461	0.22 480	0.26 544	0.31 469	0.34 476	0.26 494	0.37 509	0.22 410	0.22 483	0.27 512	0.27 536	0.09 402	0.06 344	0.08 319	0.08 379	0.09 425	0.10 457

PS-NSSS	0.20 476	0.21 551	0.23 488	0.20 445	0.10 377	0.19 439	0.17 357	0.36 531	0.25 388	0.27 500	0.33 492	0.27 466	0.24 497	0.20 452	0.20 453	0.15 539	0.12 525	0.17 548	0.14 531	0.10 456	0.08 386

PWCDC_ROB	0.20 476	0.13 484	0.22 479	0.24 527	0.11 428	0.19 439	0.15 254	0.33 500	0.54 561	0.29 524	0.50 562	0.21 392	0.15 379	0.27 512	0.20 453	0.11 472	0.09 477	0.10 449	0.08 379	0.11 479	0.09 430

SGM-Forest	0.20 476	0.14 496	0.18 440	0.19 385	0.13 484	0.20 454	0.22 497	0.33 500	0.30 443	0.24 475	0.29 461	0.28 476	0.19 458	0.23 493	0.17 416	0.15 539	0.16 557	0.15 538	0.14 531	0.12 494	0.12 496
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 488	0.17 525	0.19 452	0.23 517	0.15 523	0.30 545	0.20 467	0.33 500	0.35 485	0.23 466	0.28 449	0.31 507	0.27 520	0.20 452	0.22 482	0.15 539	0.12 525	0.13 514	0.09 425	0.14 525	0.14 534

FINET	0.21 488	0.18 536	0.26 500	0.18 325	0.16 534	0.23 495	0.23 508	0.32 480	0.48 542	0.25 488	0.32 480	0.22 410	0.22 483	0.22 482	0.17 416	0.18 561	0.16 557	0.11 480	0.10 465	0.15 541	0.13 517

Syn2CoEx	0.21 488	0.16 514	0.27 507	0.29 567	0.14 504	0.26 521	0.20 467	0.33 500	0.31 450	0.28 515	0.36 503	0.27 466	0.25 506	0.19 427	0.24 507	0.16 555	0.12 525	0.14 526	0.11 497	0.09 425	0.08 386

FADNet	0.21 488	0.22 555	0.36 541	0.18 325	0.17 549	0.24 500	0.13 126	0.31 469	0.31 450	0.23 466	0.25 409	0.27 466	0.21 474	0.19 427	0.15 385	0.13 521	0.15 554	0.12 499	0.15 547	0.16 549	0.18 564

RP	0.21 488	0.13 484	0.21 473	0.23 517	0.11 428	0.21 471	0.20 467	0.25 374	0.44 533	0.21 437	0.38 515	0.36 533	0.24 497	0.27 512	0.25 517	0.11 472	0.12 525	0.13 514	0.12 517	0.12 494	0.14 534

DANet	0.21 488	0.15 506	0.28 512	0.25 538	0.13 484	0.22 480	0.19 444	0.27 413	0.27 412	0.28 515	0.32 480	0.35 531	0.31 547	0.31 534	0.23 494	0.11 472	0.09 477	0.11 480	0.10 465	0.13 512	0.11 483
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 488	0.12 455	0.21 473	0.24 527	0.13 484	0.22 480	0.22 497	0.41 559	0.26 402	0.31 535	0.42 546	0.37 538	0.28 531	0.23 493	0.22 482	0.10 443	0.12 525	0.10 449	0.09 425	0.10 456	0.08 386

PWC_ROB	0.21 488	0.16 514	0.26 500	0.18 325	0.11 428	0.22 480	0.13 126	0.32 480	0.49 549	0.30 529	0.40 529	0.32 516	0.24 497	0.31 534	0.22 482	0.10 443	0.07 416	0.11 480	0.08 379	0.11 479	0.10 457

PSMNet_ROB	0.21 488	0.11 437	0.15 353	0.27 556	0.15 523	0.24 500	0.35 583	0.43 568	0.37 496	0.27 500	0.32 480	0.32 516	0.22 483	0.21 469	0.26 528	0.12 496	0.08 445	0.13 514	0.11 497	0.09 425	0.09 430

MSAF-DinoV2	0.22 497	0.11 437	0.23 488	0.17 243	0.10 377	0.27 531	0.16 320	0.37 537	0.55 562	0.21 437	0.27 435	0.47 571	0.27 520	0.35 553	0.39 578	0.09 402	0.06 344	0.07 228	0.09 425	0.12 494	0.10 457

GASNet	0.22 497	0.23 557	0.33 532	0.26 543	0.17 549	0.26 521	0.16 320	0.44 570	0.42 523	0.27 500	0.24 381	0.30 494	0.15 379	0.27 512	0.18 434	0.12 496	0.08 445	0.12 499	0.11 497	0.16 549	0.07 322

Anonymous_2	0.22 497	0.17 525	0.28 512	0.15 85	0.16 534	0.32 547	0.22 497	0.22 315	0.17 240	0.23 466	0.24 381	0.26 458	0.27 520	0.27 512	0.23 494	0.22 577	0.25 584	0.17 548	0.17 558	0.17 557	0.17 561

Wz-Net-LNSev	0.22 497	0.16 514	0.38 547	0.21 477	0.13 484	0.25 511	0.23 508	0.32 480	0.43 528	0.30 529	0.41 540	0.31 507	0.18 442	0.22 482	0.25 517	0.10 443	0.09 477	0.08 319	0.08 379	0.12 494	0.11 483

Wz-Net-MNSev	0.22 497	0.13 484	0.31 525	0.20 445	0.14 504	0.36 565	0.24 520	0.33 500	0.44 533	0.28 515	0.40 529	0.38 542	0.19 458	0.24 502	0.25 517	0.09 402	0.07 416	0.09 402	0.09 425	0.12 494	0.10 457

DDUNet	0.22 497	0.17 525	0.21 473	0.22 493	0.15 523	0.25 511	0.24 520	0.29 445	0.30 443	0.31 535	0.36 503	0.33 520	0.25 506	0.24 502	0.20 453	0.18 561	0.13 539	0.17 548	0.11 497	0.16 549	0.16 552

APVNet	0.22 497	0.12 455	0.19 452	0.18 325	0.14 504	0.32 547	0.31 579	0.39 549	0.32 457	0.27 500	0.40 529	0.30 494	0.29 539	0.26 509	0.25 517	0.11 472	0.12 525	0.11 480	0.14 531	0.12 494	0.12 496

aanetorigin	0.22 497	0.17 525	0.56 573	0.17 243	0.10 377	0.15 346	0.19 444	0.20 268	0.33 464	0.49 577	0.48 557	0.29 484	0.27 520	0.20 452	0.23 494	0.08 342	0.07 416	0.08 319	0.07 308	0.10 456	0.09 430

MaskLacGwcNet_RVC	0.22 497	0.21 551	0.24 492	0.26 543	0.11 428	0.23 495	0.14 180	0.39 549	0.24 367	0.32 541	0.36 503	0.30 494	0.21 474	0.19 427	0.21 473	0.17 560	0.14 548	0.21 562	0.16 551	0.12 494	0.12 496

AF-Net	0.22 497	0.17 525	0.17 417	0.26 543	0.13 484	0.25 511	0.24 520	0.32 480	0.50 552	0.25 488	0.33 492	0.38 542	0.26 512	0.28 524	0.25 517	0.11 472	0.10 497	0.16 545	0.11 497	0.11 479	0.10 457

stereogan	0.22 497	0.11 437	0.21 473	0.20 445	0.12 461	0.31 546	0.19 444	0.35 524	0.44 533	0.22 453	0.39 523	0.35 531	0.27 520	0.33 544	0.22 482	0.10 443	0.12 525	0.10 449	0.10 465	0.14 525	0.13 517

edge stereo	0.22 497	0.13 484	0.20 464	0.21 477	0.13 484	0.23 495	0.16 320	0.32 480	0.42 523	0.32 541	0.40 529	0.38 542	0.35 560	0.25 507	0.24 507	0.13 521	0.11 509	0.14 526	0.11 497	0.12 494	0.13 517

RYNet	0.22 497	0.12 455	0.22 479	0.19 385	0.17 549	0.46 574	0.26 544	0.38 545	0.48 542	0.24 475	0.28 449	0.34 527	0.23 491	0.20 452	0.30 554	0.10 443	0.06 344	0.09 402	0.09 425	0.13 512	0.15 541

NaN_ROB	0.22 497	0.19 540	0.24 492	0.25 538	0.13 484	0.29 542	0.26 544	0.33 500	0.41 515	0.31 535	0.31 476	0.32 516	0.23 491	0.30 533	0.21 473	0.11 472	0.17 562	0.10 449	0.10 465	0.08 362	0.09 430

MDST_ROB	0.22 497	0.10 411	0.17 417	0.18 325	0.11 428	0.37 566	0.19 444	0.43 568	0.41 515	0.39 558	0.39 523	0.29 484	0.21 474	0.26 509	0.18 434	0.11 472	0.10 497	0.14 526	0.11 497	0.10 456	0.08 386

XPNet_ROB	0.22 497	0.11 437	0.19 452	0.22 493	0.13 484	0.22 480	0.19 444	0.34 509	0.40 512	0.30 529	0.39 523	0.39 550	0.26 512	0.26 509	0.28 544	0.15 539	0.10 497	0.10 449	0.10 465	0.13 512	0.12 496

SQANet	0.23 513	0.23 557	0.30 523	0.30 569	0.19 559	0.27 531	0.13 126	0.29 445	0.33 464	0.24 475	0.37 509	0.31 507	0.22 483	0.27 512	0.23 494	0.15 539	0.10 497	0.21 562	0.16 551	0.21 565	0.15 541

Nwc_Net	0.23 513	0.16 514	0.21 473	0.25 538	0.14 504	0.24 500	0.26 544	0.37 537	0.38 503	0.22 453	0.41 540	0.30 494	0.28 531	0.28 524	0.25 517	0.11 472	0.10 497	0.17 548	0.20 564	0.10 456	0.10 457

RTSC	0.23 513	0.12 455	0.28 512	0.21 477	0.13 484	0.28 538	0.16 320	0.35 524	0.66 586	0.27 500	0.33 492	0.30 494	0.21 474	0.31 534	0.29 548	0.10 443	0.08 445	0.09 402	0.10 465	0.13 512	0.13 517

PA-Net	0.23 513	0.18 536	0.33 532	0.28 559	0.22 568	0.21 471	0.38 588	0.29 445	0.39 506	0.22 453	0.32 480	0.25 448	0.26 512	0.20 452	0.25 517	0.09 402	0.23 582	0.15 538	0.22 569	0.09 425	0.13 517
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 513	0.15 506	0.17 417	0.34 574	0.18 556	0.24 500	0.23 508	0.34 509	0.28 426	0.31 535	0.38 515	0.38 542	0.28 531	0.23 493	0.24 507	0.15 539	0.12 525	0.18 557	0.21 566	0.13 512	0.13 517

ETE_ROB	0.23 513	0.17 525	0.22 479	0.25 538	0.13 484	0.26 521	0.29 566	0.31 469	0.36 489	0.28 515	0.36 503	0.45 564	0.26 512	0.27 512	0.26 528	0.11 472	0.08 445	0.12 499	0.09 425	0.14 525	0.13 517

SGM_RVC	0.23 513	0.12 455	0.15 353	0.15 85	0.09 268	0.33 553	0.18 405	0.34 509	0.31 450	0.44 572	0.37 509	0.53 579	0.35 560	0.35 553	0.24 507	0.13 521	0.13 539	0.13 514	0.13 527	0.10 456	0.11 483
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DStereoO	0.24 520	0.18 536	0.18 440	0.20 445	0.14 504	0.21 471	0.19 444	0.32 480	0.41 515	0.29 524	0.21 349	0.32 516	0.27 520	0.41 578	0.27 536	0.46 596	0.12 525	0.31 584	0.11 497	0.15 541	0.12 496

z-mn7	0.24 520	0.14 496	0.45 557	0.19 385	0.13 484	0.28 538	0.25 535	0.34 509	0.62 578	0.27 500	0.56 573	0.29 484	0.24 497	0.32 541	0.25 517	0.08 342	0.08 445	0.08 319	0.08 379	0.10 456	0.10 457

w-ln-seven	0.24 520	0.14 496	0.55 570	0.19 385	0.14 504	0.26 521	0.22 497	0.35 524	0.60 575	0.29 524	0.39 523	0.30 494	0.22 483	0.21 469	0.26 528	0.09 402	0.09 477	0.11 480	0.10 465	0.11 479	0.10 457

DGSMNet	0.24 520	0.19 540	0.33 532	0.21 477	0.24 573	0.24 500	0.20 467	0.35 524	0.41 515	0.24 475	0.32 480	0.38 542	0.21 474	0.29 530	0.23 494	0.12 496	0.11 509	0.14 526	0.16 551	0.23 569	0.23 575

G-Net	0.24 520	0.16 514	0.36 541	0.22 493	0.16 534	0.51 580	0.23 508	0.29 445	0.34 476	0.36 551	0.38 515	0.31 507	0.29 539	0.27 512	0.26 528	0.11 472	0.09 477	0.12 499	0.09 425	0.16 549	0.13 517

NCC-stereo	0.24 520	0.15 506	0.31 525	0.26 543	0.16 534	0.20 454	0.30 573	0.40 553	0.40 512	0.24 475	0.38 515	0.33 520	0.28 531	0.36 559	0.27 536	0.12 496	0.11 509	0.15 538	0.22 569	0.13 512	0.13 517

Abc-Net	0.24 520	0.15 506	0.31 525	0.26 543	0.16 534	0.20 454	0.30 573	0.40 553	0.40 512	0.24 475	0.38 515	0.33 520	0.28 531	0.36 559	0.27 536	0.12 496	0.11 509	0.15 538	0.22 569	0.13 512	0.13 517
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 520	0.11 437	0.47 562	0.22 493	0.12 461	0.34 556	0.29 566	0.29 445	0.56 565	0.24 475	0.46 554	0.30 494	0.30 543	0.29 530	0.29 548	0.08 342	0.07 416	0.09 402	0.09 425	0.10 456	0.10 457

DeepPrunerF	0.24 520	0.17 525	0.42 555	0.26 543	0.16 534	0.22 480	0.28 557	0.37 537	0.50 552	0.26 494	0.29 461	0.24 434	0.28 531	0.21 469	0.22 482	0.15 539	0.11 509	0.20 561	0.18 562	0.12 494	0.13 517

FBW_ROB	0.24 520	0.17 525	0.22 479	0.26 543	0.14 504	0.25 511	0.22 497	0.41 559	0.41 515	0.41 565	0.41 540	0.42 557	0.27 520	0.31 534	0.23 494	0.09 402	0.14 548	0.14 526	0.12 517	0.11 479	0.09 430

SANet	0.24 520	0.14 496	0.28 512	0.21 477	0.11 428	0.27 531	0.24 520	0.38 545	0.64 582	0.36 551	0.40 529	0.43 560	0.26 512	0.27 512	0.24 507	0.12 496	0.09 477	0.10 449	0.09 425	0.13 512	0.11 483

WCMA_ROB	0.24 520	0.11 437	0.22 479	0.17 243	0.14 504	0.32 547	0.15 254	0.32 480	0.32 457	0.38 556	0.53 564	0.40 554	0.34 557	0.34 547	0.25 517	0.11 472	0.12 525	0.12 499	0.10 465	0.14 525	0.14 534

DStereoSA	0.25 532	0.19 540	0.37 545	0.26 543	0.17 549	0.22 480	0.20 467	0.49 579	0.59 571	0.22 453	0.29 461	0.29 484	0.33 552	0.39 570	0.28 544	0.12 496	0.11 509	0.16 545	0.14 531	0.14 525	0.12 496

zh-sn7	0.25 532	0.17 525	0.50 564	0.24 527	0.13 484	0.25 511	0.24 520	0.34 509	0.48 542	0.28 515	0.54 566	0.28 476	0.31 547	0.36 559	0.32 562	0.10 443	0.10 497	0.11 480	0.10 465	0.12 494	0.12 496

zh-mn7	0.25 532	0.14 496	0.56 573	0.19 385	0.14 504	0.24 500	0.22 497	0.34 509	0.62 578	0.35 548	0.65 581	0.31 507	0.25 506	0.31 534	0.25 517	0.09 402	0.08 445	0.09 402	0.09 425	0.09 425	0.11 483

Wz-Net-SNSev	0.25 532	0.17 525	0.44 556	0.25 538	0.14 504	0.26 521	0.23 508	0.38 545	0.56 565	0.30 529	0.55 568	0.39 550	0.26 512	0.23 493	0.30 554	0.10 443	0.09 477	0.09 402	0.10 465	0.11 479	0.11 483

psmorigin	0.25 532	0.15 506	0.34 540	0.17 243	0.13 484	0.23 495	0.14 180	0.34 509	0.33 464	0.41 565	0.55 568	0.41 556	0.37 564	0.34 547	0.27 536	0.11 472	0.15 554	0.11 480	0.11 497	0.12 494	0.16 552

RGC	0.25 532	0.20 545	0.29 520	0.28 559	0.16 534	0.22 480	0.23 508	0.32 480	0.44 533	0.27 500	0.40 529	0.38 542	0.27 520	0.36 559	0.22 482	0.11 472	0.13 539	0.17 548	0.17 558	0.14 525	0.16 552

ADCMid	0.25 532	0.15 506	0.40 550	0.20 445	0.14 504	0.25 511	0.26 544	0.34 509	0.38 503	0.36 551	0.44 551	0.34 527	0.40 570	0.35 553	0.33 566	0.10 443	0.09 477	0.11 480	0.11 497	0.13 512	0.12 496

ADCPNet	0.25 532	0.16 514	0.61 579	0.21 477	0.15 523	0.35 564	0.25 535	0.32 480	0.35 485	0.30 529	0.40 529	0.36 533	0.28 531	0.28 524	0.32 562	0.12 496	0.10 497	0.11 480	0.12 517	0.14 525	0.13 517

LALA_ROB	0.25 532	0.16 514	0.22 479	0.26 543	0.17 549	0.27 531	0.27 551	0.42 564	0.37 496	0.33 545	0.38 515	0.51 575	0.26 512	0.28 524	0.27 536	0.16 555	0.09 477	0.12 499	0.11 497	0.13 512	0.12 496

SHD	0.26 541	0.15 506	0.30 523	0.24 527	0.18 556	0.22 480	0.15 254	0.38 545	0.71 590	0.32 541	0.41 540	0.36 533	0.28 531	0.32 541	0.29 548	0.12 496	0.11 509	0.14 526	0.13 527	0.16 549	0.20 570

AnyNet_C32	0.26 541	0.16 514	0.36 541	0.20 445	0.16 534	0.25 511	0.30 573	0.32 480	0.44 533	0.31 535	0.49 558	0.30 494	0.33 552	0.40 575	0.33 566	0.12 496	0.12 525	0.12 499	0.14 531	0.14 525	0.15 541

DStereoFS	0.27 543	0.22 555	0.31 525	0.22 493	0.15 523	0.22 480	0.20 467	0.50 583	0.48 542	0.28 515	0.44 551	0.33 520	0.34 557	0.52 587	0.29 548	0.12 496	0.11 509	0.15 538	0.13 527	0.16 549	0.16 552

PSMNet-RUCA	0.27 543	0.33 579	0.41 553	0.36 578	0.32 586	0.18 416	0.19 444	0.42 564	0.30 443	0.33 545	0.41 540	0.39 550	0.25 506	0.31 534	0.20 453	0.18 561	0.10 497	0.25 569	0.15 547	0.21 565	0.16 552

PDISCO_ROB	0.27 543	0.16 514	0.26 500	0.28 559	0.20 562	0.32 547	0.26 544	0.44 570	0.57 567	0.28 515	0.40 529	0.45 564	0.29 539	0.33 544	0.34 568	0.12 496	0.09 477	0.17 548	0.16 551	0.17 557	0.13 517

DispFullNet	0.27 543	0.21 551	0.65 582	0.28 559	0.16 534	0.26 521	0.17 357	0.33 500	0.58 570	0.27 500	0.38 515	0.43 560	0.23 491	0.38 566	0.23 494	0.12 496	0.06 344	0.19 559	0.11 497	0.21 565	0.15 541

MeshStereo	0.27 543	0.13 484	0.18 440	0.15 85	0.11 428	0.32 547	0.24 520	0.40 553	0.36 489	0.52 579	0.57 576	0.67 590	0.40 570	0.35 553	0.26 528	0.14 535	0.13 539	0.13 514	0.11 497	0.11 479	0.10 457
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
WZ-Net	0.28 548	0.17 525	0.78 598	0.22 493	0.16 534	0.34 556	0.29 566	0.39 549	0.57 567	0.24 475	0.55 568	0.37 538	0.24 497	0.33 544	0.35 569	0.09 402	0.08 445	0.09 402	0.10 465	0.14 525	0.16 552

XQC	0.28 548	0.23 557	0.51 565	0.28 559	0.19 559	0.34 556	0.27 551	0.36 531	0.57 567	0.31 535	0.30 468	0.37 538	0.30 543	0.38 566	0.38 576	0.13 521	0.09 477	0.15 538	0.12 517	0.17 557	0.18 564

CC-Net-ROB	0.28 548	0.31 577	0.36 541	0.29 567	0.15 523	0.25 511	0.19 444	0.45 573	0.33 464	0.39 558	0.37 509	0.39 550	0.31 547	0.27 512	0.26 528	0.24 583	0.19 567	0.30 583	0.23 573	0.18 560	0.15 541

DPSNet	0.28 548	0.16 514	0.31 525	0.18 325	0.13 484	0.54 582	0.42 592	0.51 585	0.67 587	0.29 524	0.38 515	0.38 542	0.29 539	0.31 534	0.23 494	0.11 472	0.10 497	0.11 480	0.08 379	0.20 564	0.16 552

MultiAttention	0.29 552	0.08 275	0.14 302	0.19 385	0.12 461	1.45 618	1.33 620	0.36 531	0.37 496	0.19 400	0.21 349	0.24 434	0.11 267	0.38 566	0.18 434	0.06 128	0.05 209	0.08 319	0.08 379	0.10 456	0.09 430

Wz-Net-TNSev	0.29 552	0.20 545	0.65 582	0.19 385	0.15 523	0.38 569	0.27 551	0.35 524	0.55 562	0.34 547	0.42 546	0.45 564	0.38 565	0.32 541	0.30 554	0.12 496	0.13 539	0.10 449	0.12 517	0.15 541	0.14 534

ccnet	0.29 552	0.28 572	0.23 488	0.20 445	0.28 580	0.41 573	0.21 487	0.45 573	0.33 464	0.36 551	0.46 554	0.36 533	0.30 543	0.39 570	0.42 585	0.23 581	0.14 548	0.21 562	0.17 558	0.23 569	0.18 564

EDNetEfficient	0.29 552	0.24 560	1.13 607	0.18 325	0.10 377	0.19 439	0.20 467	0.20 268	0.60 575	0.74 597	0.56 573	0.31 507	0.39 567	0.22 482	0.30 554	0.09 402	0.07 416	0.08 319	0.07 308	0.11 479	0.09 430

ADCS	0.29 552	0.18 536	0.45 557	0.21 477	0.17 549	0.28 538	0.23 508	0.41 559	0.63 581	0.40 561	0.49 558	0.40 554	0.36 562	0.39 570	0.40 581	0.13 521	0.12 525	0.13 514	0.14 531	0.16 549	0.16 552

CSAN	0.29 552	0.24 560	0.27 507	0.34 574	0.19 559	0.33 553	0.42 592	0.37 537	0.50 552	0.38 556	0.40 529	0.44 562	0.33 552	0.28 524	0.30 554	0.20 568	0.16 557	0.19 559	0.19 563	0.14 525	0.15 541

MFN_U_SF_DS_RVC	0.30 558	0.24 560	0.29 520	0.36 578	0.16 534	0.34 556	0.30 573	0.32 480	0.42 523	0.40 561	0.46 554	0.38 542	0.31 547	0.34 547	0.28 544	0.19 566	0.20 570	0.26 570	0.29 583	0.18 560	0.19 569

GANetREF_RVC	0.31 559	0.34 580	0.27 507	0.35 576	0.16 534	0.32 547	0.41 589	0.48 577	0.51 559	0.35 548	0.35 500	0.34 527	0.33 552	0.39 570	0.32 562	0.27 585	0.20 570	0.29 581	0.15 547	0.18 560	0.17 561
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.31 559	0.26 566	0.26 500	0.24 527	0.21 566	0.34 556	0.25 535	0.34 509	0.39 506	0.40 561	0.69 585	0.45 564	0.40 570	0.34 547	0.27 536	0.20 568	0.19 567	0.26 570	0.25 575	0.23 569	0.22 574

MFN_U_SF_RVC	0.32 561	0.21 551	0.55 570	0.30 569	0.15 523	0.34 556	0.17 357	0.52 586	0.46 540	0.46 576	0.55 568	0.59 582	0.39 567	0.35 553	0.37 574	0.15 539	0.14 548	0.18 557	0.21 566	0.16 549	0.15 541

PASM	0.32 561	0.24 560	0.48 563	0.28 559	0.27 579	0.29 542	0.30 573	0.34 509	0.49 549	0.35 548	0.39 523	0.46 568	0.34 557	0.34 547	0.35 569	0.23 581	0.25 584	0.26 570	0.28 582	0.23 569	0.21 572

SGM-ForestM	0.32 561	0.12 455	0.16 387	0.16 167	0.11 428	0.39 570	0.19 444	0.41 559	0.50 552	0.52 579	0.54 566	1.32 610	0.42 578	0.40 575	0.27 536	0.14 535	0.16 557	0.16 545	0.16 551	0.12 494	0.12 496

FC-DCNN v2	0.33 564	0.27 568	0.28 512	0.26 543	0.23 571	0.37 566	0.28 557	0.40 553	0.43 528	0.45 573	0.56 573	0.51 575	0.40 570	0.37 564	0.29 548	0.21 572	0.20 570	0.27 573	0.26 576	0.25 576	0.24 576

FCDSN-DC	0.33 564	0.28 572	0.28 512	0.30 569	0.24 573	0.39 570	0.28 557	0.42 564	0.42 523	0.43 571	0.53 564	0.51 575	0.41 575	0.36 559	0.30 554	0.21 572	0.20 570	0.27 573	0.26 576	0.25 576	0.24 576
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 564	0.27 568	0.28 512	0.26 543	0.23 571	0.37 566	0.28 557	0.40 553	0.43 528	0.45 573	0.55 568	0.51 575	0.40 570	0.37 564	0.30 554	0.21 572	0.20 570	0.27 573	0.26 576	0.25 576	0.24 576

LSM	0.33 564	0.20 545	0.58 576	0.26 543	0.60 603	0.34 556	0.25 535	0.42 564	0.48 542	0.45 573	0.58 578	0.42 557	0.36 562	0.35 553	0.25 517	0.12 496	0.20 570	0.14 526	0.16 551	0.19 563	0.33 590

AnyNet_C01	0.36 568	0.25 565	1.37 610	0.22 493	0.17 549	0.48 578	0.27 551	0.35 524	0.39 506	0.39 558	0.74 591	0.46 568	0.38 565	0.45 580	0.47 590	0.13 521	0.13 539	0.13 514	0.14 531	0.14 525	0.15 541

GCST	0.37 569	0.42 587	0.26 500	1.02 611	0.39 587	0.18 416	0.08 7	0.20 268	0.17 240	0.28 515	0.25 409	0.15 310	0.12 298	0.16 359	0.14 357	0.64 607	0.43 596	0.75 603	0.65 607	0.63 600	0.46 599

otaku	0.39 570	0.37 583	0.52 566	0.44 585	0.28 580	0.58 584	0.24 520	0.41 559	0.62 578	0.40 561	0.49 558	0.46 568	0.33 552	0.40 575	0.32 562	0.30 586	0.30 588	0.39 588	0.33 588	0.29 583	0.28 584

ACVNet-4b	0.39 570	0.53 590	0.55 570	0.45 586	0.24 573	0.47 576	0.18 405	0.49 579	0.64 582	0.42 568	0.45 553	0.60 583	0.27 520	0.34 547	0.24 507	0.33 588	0.14 548	0.48 591	0.42 593	0.30 584	0.26 583

PVD	0.39 570	0.20 545	0.39 549	0.31 573	0.22 568	0.29 542	0.43 594	0.52 586	0.96 604	0.55 583	0.79 595	0.53 579	0.59 594	0.52 587	0.38 576	0.19 566	0.14 548	0.17 548	0.14 531	0.24 575	0.31 588

Ntro	0.40 573	0.40 585	0.53 567	0.46 589	0.30 584	0.65 590	0.24 520	0.46 575	0.68 588	0.41 565	0.49 558	0.48 573	0.42 578	0.39 570	0.31 561	0.32 587	0.28 586	0.37 587	0.30 585	0.32 588	0.29 585

SAMSARA	0.40 573	0.28 572	0.33 532	0.55 592	0.39 587	0.82 604	1.23 619	0.47 576	0.51 559	0.36 551	0.35 500	0.55 581	0.39 567	0.38 566	0.39 578	0.15 539	0.20 570	0.15 538	0.14 531	0.23 569	0.20 570

ELAS_RVC	0.41 575	0.29 575	0.33 532	0.28 559	0.24 573	0.54 582	0.36 584	0.49 579	0.59 571	0.72 593	0.74 591	0.65 588	0.54 587	0.54 592	0.40 581	0.22 577	0.20 570	0.27 573	0.26 576	0.26 581	0.25 581
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 575	0.29 575	0.33 532	0.27 556	0.24 573	0.60 587	0.36 584	0.50 583	0.50 552	0.71 591	0.79 595	0.67 590	0.54 587	0.51 585	0.42 585	0.22 577	0.20 570	0.27 573	0.26 576	0.26 581	0.25 581
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 577	0.39 584	0.54 568	0.40 581	0.20 562	0.64 589	0.32 581	0.53 588	0.72 591	0.71 591	0.72 588	0.61 584	0.54 587	0.51 585	0.46 589	0.20 568	0.19 567	0.29 581	0.30 585	0.23 569	0.18 564

ACVNet_1	0.44 578	0.49 589	0.60 578	0.45 586	0.28 580	0.49 579	0.27 551	0.57 593	0.72 591	0.62 586	0.58 578	0.74 594	0.49 584	0.50 583	0.35 569	0.26 584	0.24 583	0.39 588	0.29 583	0.31 587	0.24 576

Consistency-Raft	0.44 578	0.40 585	0.45 557	0.37 580	0.43 591	0.46 574	0.41 589	0.57 593	0.55 562	0.32 541	0.73 589	0.33 520	0.48 583	0.42 579	0.49 592	0.39 590	0.35 593	0.45 590	0.51 600	0.42 591	0.29 585

RTS	0.45 580	0.19 540	3.26 616	0.24 527	0.15 523	0.74 597	0.20 467	0.36 531	0.76 597	0.42 568	0.43 549	0.31 507	0.41 575	0.53 590	0.35 569	0.10 443	0.08 445	0.13 514	0.12 517	0.15 541	0.15 541

RTSA	0.45 580	0.19 540	3.26 616	0.24 527	0.15 523	0.74 597	0.20 467	0.36 531	0.76 597	0.42 568	0.43 549	0.31 507	0.41 575	0.53 590	0.35 569	0.10 443	0.08 445	0.13 514	0.12 517	0.15 541	0.15 541

MANE	0.45 580	0.27 568	0.27 507	0.27 556	0.24 573	0.47 576	0.31 579	0.55 590	0.59 571	0.72 593	1.13 612	1.15 604	0.61 595	0.52 587	0.37 574	0.21 572	0.20 570	0.27 573	0.31 587	0.25 576	0.24 576

NVStereoNet_ROB	0.46 583	0.36 582	0.46 561	0.41 583	0.28 580	0.34 556	0.34 582	0.48 577	0.60 575	0.72 593	0.93 601	0.70 593	0.66 598	0.47 581	0.60 600	0.22 577	0.33 592	0.34 586	0.34 590	0.30 584	0.30 587
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MonStereo1	0.47 584	0.26 566	0.58 576	0.28 559	0.20 562	0.39 570	0.18 405	0.49 579	0.64 582	0.52 579	0.87 598	1.01 599	0.57 592	0.50 583	0.56 597	0.53 600	0.31 591	0.54 597	0.40 591	0.33 589	0.34 591

LE_ROB	0.50 585	0.07 169	0.14 302	0.15 85	0.08 146	0.24 500	0.16 320	0.22 315	1.81 620	4.63 623	0.67 583	0.47 571	0.44 580	0.20 452	0.29 548	0.07 277	0.06 344	0.06 126	0.06 214	0.08 362	0.06 240

BEATNet-Init1	0.52 586	0.27 568	0.62 580	0.30 569	0.21 566	0.76 601	0.29 566	0.54 589	0.65 585	0.86 602	0.95 603	2.07 619	0.62 597	0.56 594	0.42 585	0.18 561	0.18 564	0.23 567	0.22 569	0.22 568	0.21 572

anonymity	0.53 587	0.58 592	0.65 582	0.41 583	0.61 604	0.53 581	0.41 589	0.56 591	0.41 515	0.55 583	0.50 562	0.49 574	0.55 590	0.58 595	0.50 595	0.58 603	0.50 606	0.51 593	0.51 600	0.51 593	0.57 601

RainbowNet	0.54 588	0.61 594	0.70 596	0.57 593	0.43 591	0.65 590	0.37 587	0.60 595	0.87 601	0.50 578	0.66 582	0.64 586	0.47 582	0.49 582	0.43 588	0.47 597	0.48 602	0.52 595	0.41 592	0.52 594	0.40 596

SGM+DAISY	0.56 589	0.57 591	0.65 582	0.40 581	0.54 596	0.66 592	0.49 596	0.56 591	0.45 539	0.66 587	0.69 585	0.67 590	0.56 591	0.63 597	0.56 597	0.59 604	0.48 602	0.50 592	0.50 599	0.52 594	0.58 602

SPS-STEREO	0.57 590	0.58 592	0.65 582	0.45 586	0.55 598	0.62 588	0.44 595	0.62 596	0.50 552	0.68 589	0.64 580	0.66 589	0.57 592	0.61 596	0.60 600	0.62 606	0.47 601	0.51 593	0.49 597	0.55 598	0.58 602
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 591	0.66 598	0.65 582	0.51 590	0.69 608	0.69 593	0.57 602	0.64 597	0.73 595	0.60 585	0.73 589	0.62 585	0.67 599	0.65 598	0.60 600	0.66 608	0.58 615	0.63 598	0.59 603	0.68 605	0.69 611

IMH-64-1	0.65 592	0.61 594	0.68 590	0.71 596	0.51 594	0.59 585	0.49 596	0.91 604	0.85 599	0.74 597	1.02 605	0.81 595	0.78 603	0.79 601	0.49 592	0.42 592	0.46 597	0.71 600	0.47 595	0.52 594	0.39 594

IMH-64	0.65 592	0.61 594	0.68 590	0.71 596	0.51 594	0.59 585	0.49 596	0.91 604	0.85 599	0.74 597	1.02 605	0.81 595	0.78 603	0.79 601	0.49 592	0.42 592	0.46 597	0.71 600	0.47 595	0.52 594	0.39 594

ACVNet_2	0.66 594	0.66 598	0.68 590	0.63 594	0.41 589	0.71 595	0.49 596	0.96 608	1.39 613	0.89 603	1.09 608	1.04 600	0.73 601	0.54 592	0.47 590	0.43 594	0.40 595	0.53 596	0.44 594	0.47 592	0.35 593

JetBlue	0.71 595	0.45 588	1.14 608	0.51 590	0.47 593	2.02 619	0.64 606	0.75 599	0.70 589	0.69 590	0.77 594	1.22 606	0.83 605	1.03 616	1.01 616	0.40 591	0.28 586	0.33 585	0.33 588	0.30 584	0.34 591

IMH	0.71 595	0.64 597	0.68 590	0.76 598	0.54 596	0.69 593	0.54 600	0.98 610	1.10 606	0.82 601	1.09 608	0.89 597	0.88 608	0.87 609	0.52 596	0.44 595	0.50 606	0.75 603	0.51 600	0.56 599	0.41 597

PWCK	0.71 595	0.94 609	0.95 605	0.76 598	0.31 585	0.74 597	0.36 584	0.90 603	0.90 602	0.96 606	0.75 593	0.95 598	0.61 595	0.87 609	0.66 603	0.72 609	0.46 597	0.75 603	0.49 597	0.69 607	0.44 598

MADNet+	0.75 598	0.71 600	3.70 619	0.66 595	0.41 589	0.98 609	0.97 617	0.69 598	0.73 595	0.52 579	0.57 576	0.64 586	0.68 600	0.86 608	1.01 616	0.34 589	0.36 594	0.28 580	0.23 573	0.36 590	0.31 588

TorneroNet-64	0.76 599	0.72 601	0.74 597	0.78 600	0.58 602	0.91 608	0.56 601	0.84 602	1.29 610	0.66 587	0.90 599	1.40 612	0.75 602	0.85 607	0.67 606	0.49 598	0.46 597	0.72 602	0.59 603	0.67 604	0.53 600

WAO-7	0.79 600	0.78 603	0.54 568	0.85 604	0.67 607	0.74 597	0.68 610	1.05 613	1.32 611	0.90 604	1.20 615	1.04 600	0.92 609	0.69 599	0.66 603	0.60 605	0.62 616	0.67 599	0.68 609	0.64 601	0.58 602

WAO-6	0.81 601	0.80 604	0.62 580	0.86 605	0.63 605	0.76 601	0.58 603	0.98 610	1.54 618	0.90 604	0.96 604	1.07 602	1.03 613	0.70 600	0.66 603	0.72 609	0.49 604	0.90 611	0.71 610	0.68 605	0.58 602

TorneroNet	0.82 602	0.74 602	0.81 602	0.84 603	0.63 605	0.99 610	0.63 604	0.96 608	1.16 607	0.80 600	1.11 610	1.36 611	0.86 607	0.93 612	0.80 611	0.56 601	0.49 604	0.78 608	0.66 608	0.73 610	0.63 610

LVE	0.83 603	0.85 607	0.85 603	0.80 601	0.56 599	1.04 614	0.65 607	1.05 613	1.47 616	0.96 606	1.22 616	1.10 603	0.85 606	0.83 604	0.71 608	0.49 598	0.55 612	0.76 606	0.60 605	0.65 602	0.59 607

Dean	0.87 604	0.86 608	0.79 600	0.81 602	0.56 599	0.90 605	0.63 604	1.15 619	1.73 619	1.15 614	1.15 613	1.31 609	0.99 612	0.81 603	0.81 612	0.57 602	0.56 613	0.77 607	0.64 606	0.66 603	0.58 602

WAO-8	0.91 605	0.81 605	0.65 582	0.94 608	0.69 608	0.90 605	0.67 608	1.07 616	1.83 621	1.06 611	1.45 618	1.30 607	1.07 614	0.84 605	0.78 609	0.74 611	0.53 609	0.86 609	0.75 611	0.69 607	0.62 608

Venus	0.91 605	0.81 605	0.65 582	0.94 608	0.69 608	0.90 605	0.67 608	1.07 616	1.83 621	1.06 611	1.45 618	1.30 607	1.07 614	0.84 605	0.78 609	0.74 611	0.53 609	0.86 609	0.75 611	0.69 607	0.62 608

UNDER WATER-64	0.95 607	0.94 609	1.43 612	0.87 606	0.56 599	1.18 617	0.87 614	0.77 600	0.94 603	1.04 609	0.85 597	1.58 617	1.21 619	0.94 613	0.96 614	0.87 615	0.57 614	1.03 615	0.88 616	0.78 611	0.73 612

UNDER WATER	0.97 608	0.97 611	1.42 611	0.99 610	0.70 611	1.12 616	0.84 613	0.80 601	1.08 605	1.01 608	0.90 599	1.55 616	1.22 620	1.03 616	1.00 615	0.78 613	0.53 609	1.02 614	0.87 615	0.80 612	0.74 613

notaker	0.97 608	1.11 612	0.98 606	1.13 613	0.81 612	0.73 596	0.68 610	0.93 606	1.16 607	1.18 616	1.18 614	1.41 613	1.16 618	1.08 618	0.69 607	0.81 614	0.64 617	1.17 616	0.79 613	0.98 614	0.80 615

ktn	1.01 610	1.21 614	0.80 601	1.23 615	0.86 614	1.01 612	0.87 614	0.94 607	1.39 613	1.04 609	1.12 611	1.15 604	1.07 614	0.94 613	0.59 599	1.28 620	0.71 618	1.38 620	0.83 614	1.02 616	0.75 614

KSHMR	1.09 611	1.17 613	0.88 604	1.25 616	1.00 616	0.99 610	0.96 616	1.13 618	1.37 612	1.16 615	1.29 617	1.41 613	0.96 611	1.01 615	0.92 613	1.03 618	1.08 620	1.20 617	1.03 619	1.01 615	0.97 617

DPSimNet_ROB	1.11 612	1.23 615	0.78 598	1.13 613	0.88 615	1.10 615	1.13 618	1.16 620	1.23 609	1.43 618	1.02 605	1.41 613	1.10 617	0.90 611	1.60 618	1.46 621	0.51 608	1.21 618	1.03 619	0.90 613	1.01 619

HanzoNet	1.29 613	1.26 616	1.19 609	1.12 612	0.85 613	1.02 613	0.83 612	1.03 612	1.48 617	1.64 619	1.61 620	2.50 621	1.72 621	1.61 620	1.61 619	1.26 619	0.80 619	1.31 619	1.01 618	1.02 616	0.86 616

JetRed	1.62 614	1.46 617	2.98 614	0.92 607	1.21 617	4.99 622	1.53 622	1.27 621	1.39 613	1.83 620	1.74 621	1.60 618	0.95 610	1.41 619	2.45 623	0.90 617	1.60 621	0.93 612	0.90 617	1.35 618	0.99 618

MADNet++	1.95 615	1.75 618	1.59 613	1.82 617	1.69 619	2.33 620	1.40 621	2.35 622	2.09 623	2.57 622	2.36 623	2.24 620	2.17 622	2.28 621	2.34 621	1.87 622	1.66 622	1.54 621	1.34 621	1.92 619	1.77 621

coex-ft	3.30 616	0.34 580	59.09 644	0.18 325	0.13 484	0.26 521	0.22 497	0.27 413	0.72 591	1.90 621	0.70 587	0.44 562	0.45 581	0.29 530	0.41 584	0.09 402	0.09 477	0.12 499	0.09 425	0.14 525	0.13 517

TCMNet-wrong-test	3.67 617	5.48 630	3.89 620	12.18 629	11.75 631	4.65 621	3.88 623	1.06 615	0.72 591	1.09 613	2.15 622	6.30 626	0.53 586	3.43 623	2.36 622	0.89 616	0.20 570	1.87 623	1.69 622	5.57 627	3.62 627

tt	4.67 618	0.06 76	3.55 618	2.02 618	1.55 618	10.25 626	16.71 627	8.91 631	5.03 624	1.31 617	0.94 602	4.71 622	4.76 623	3.33 622	5.87 625	6.06 630	10.30 634	1.88 624	2.11 624	2.75 621	1.21 620

USTest	6.22 619	2.73 621	3.00 615	6.57 625	7.29 625	14.37 628	21.57 628	7.00 630	9.56 629	5.34 626	6.10 624	5.72 625	7.64 626	6.41 627	6.96 626	1.97 623	3.42 628	1.64 622	2.15 625	2.66 620	2.36 622

xxxxx1	7.79 620	5.02 627	7.31 623	3.12 619	3.85 621	16.35 630	22.88 629	5.86 627	8.69 626	7.97 627	8.54 625	9.12 629	8.27 627	10.18 629	10.92 627	2.42 624	2.45 624	3.56 627	12.37 631	3.77 622	3.06 624

tt_ll	7.79 620	5.02 627	7.31 623	3.12 619	3.85 621	16.35 630	22.88 629	5.86 627	8.69 626	7.97 627	8.54 625	9.12 629	8.27 627	10.18 629	10.92 627	2.42 624	2.45 624	3.56 627	12.37 631	3.77 622	3.06 624

ff	7.79 620	5.02 627	7.31 623	3.12 619	3.85 621	16.35 630	22.88 629	5.86 627	8.69 626	7.97 627	8.54 625	9.12 629	8.27 627	10.18 629	10.92 627	2.42 624	2.45 624	3.56 627	12.37 631	3.77 622	3.06 624

EDNetEfficientorigin	7.91 623	0.31 577	153.02 645	0.19 385	0.09 268	0.21 471	0.16 320	0.22 315	0.59 571	0.72 593	0.67 583	0.42 557	0.50 585	0.24 502	0.39 578	0.08 342	0.07 416	0.08 319	0.07 308	0.12 494	0.10 457

DPSMNet_ROB	8.06 624	4.48 623	8.63 629	5.37 624	10.74 628	8.32 624	22.98 633	5.46 624	13.36 632	5.12 624	9.92 628	5.08 623	10.40 630	5.53 626	12.58 630	3.80 628	8.00 629	3.50 625	7.02 628	3.83 625	7.14 629

DGTPSM_ROB	8.06 624	4.48 623	8.63 629	5.35 622	10.72 627	8.32 624	22.97 632	5.46 624	13.35 631	5.12 624	9.92 628	5.08 623	10.40 630	5.52 625	12.58 630	3.79 627	8.00 629	3.50 625	7.02 628	3.83 625	7.14 629

PML	8.91 626	9.34 634	6.13 621	5.35 622	6.41 624	14.99 629	23.38 634	5.27 623	6.83 625	18.04 637	28.19 646	7.67 627	6.83 625	7.85 628	5.75 624	5.35 629	1.83 623	5.95 633	1.93 623	8.64 630	2.52 623

DLNR_Zeroshot_test	10.40 627	1.82 619	19.49 639	120.77 645	13.11 633	0.06 11	0.13 126	0.23 335	0.10 48	0.07 48	0.10 144	0.09 158	0.06 46	0.10 82	0.09 62	0.13 521	0.04 24	0.06 126	0.04 46	51.54 645	0.04 49

DLNR-FE	10.43 628	1.83 620	19.53 640	120.75 644	13.06 632	0.06 11	0.13 126	0.23 335	0.10 48	0.07 48	0.10 144	0.09 158	0.06 46	0.10 82	0.09 62	0.13 521	0.04 24	0.06 126	0.04 46	52.01 646	0.04 49

LRCNet_RVC	10.62 629	13.42 635	7.30 622	18.92 633	2.07 620	0.33 553	0.30 573	5.59 626	0.48 542	13.03 633	17.94 634	8.87 628	5.65 624	4.79 624	1.89 620	23.51 642	2.73 627	27.55 645	25.71 645	16.07 639	16.33 640

Anonymous_1	10.96 630	7.92 631	7.46 626	10.33 626	10.06 626	18.65 634	26.34 635	11.06 634	13.44 633	9.40 630	10.05 630	9.67 632	11.23 632	10.73 632	12.72 632	6.42 631	8.38 631	5.77 630	10.61 630	12.12 631	6.77 628

DPSM_ROB	11.15 631	8.58 632	8.00 627	10.88 627	11.58 629	19.10 635	26.71 636	12.05 635	14.07 636	10.36 631	10.84 631	10.33 633	11.86 633	11.70 633	13.54 633	6.99 632	8.79 632	5.89 631	6.95 626	7.29 628	7.42 631

DPSM	11.15 631	8.58 632	8.00 627	10.88 627	11.58 629	19.10 635	26.71 636	12.05 635	14.07 636	10.36 631	10.84 631	10.33 633	11.86 633	11.70 633	13.54 633	6.99 632	8.79 632	5.89 631	6.95 626	7.29 628	7.42 631

HaxPig	15.71 633	18.52 643	19.18 638	16.89 632	15.89 634	7.73 623	7.60 624	13.31 637	10.82 630	15.42 634	14.91 633	15.98 635	14.92 635	15.58 635	15.98 635	18.95 641	16.73 635	19.46 641	18.08 641	19.26 640	19.05 643

RSGM-EC	20.36 634	4.73 625	0.68 590	16.76 630	16.92 635	21.28 637	27.18 638	10.46 632	14.04 634	18.00 635	21.31 637	22.24 644	21.82 637	22.57 637	17.63 636	62.81 645	33.79 645	20.14 642	18.10 642	20.18 641	16.45 641

acva	20.36 634	4.73 625	0.68 590	16.76 630	16.92 635	21.28 637	27.18 638	10.46 632	14.04 634	18.00 635	21.31 637	22.24 644	21.82 637	22.57 637	17.63 636	62.81 645	33.79 645	20.14 642	18.10 642	20.18 641	16.45 641

MEDIAN_ROB	20.38 636	24.04 644	23.31 641	21.23 634	21.71 637	10.40 627	7.92 625	17.64 638	15.50 638	20.12 638	19.70 635	20.34 636	20.32 636	21.19 636	21.13 638	23.81 643	21.81 643	24.98 644	23.76 644	24.71 643	23.93 644

CasAABBNet	22.42 637	17.33 637	16.01 633	22.01 636	23.28 639	38.32 639	53.80 642	24.14 642	28.41 643	20.60 640	21.77 641	20.89 642	23.91 641	23.43 641	27.36 641	14.07 635	17.69 637	11.83 636	14.01 635	14.67 634	14.95 636

RAFT-FEzeroshot	22.43 638	17.33 637	15.98 631	22.02 637	23.31 641	38.34 640	53.82 644	24.05 640	28.39 641	20.61 641	21.76 639	20.88 639	23.92 643	23.41 639	27.42 643	14.07 635	17.69 637	11.83 636	14.02 636	14.69 635	14.97 637

RAFT-FE	22.43 638	17.33 637	15.98 631	22.02 637	23.31 641	38.34 640	53.82 644	24.05 640	28.39 641	20.61 641	21.76 639	20.88 639	23.92 643	23.41 639	27.42 643	14.07 635	17.69 637	11.83 636	14.02 636	14.69 635	14.97 637

FlowAnything	22.44 640	17.35 640	16.14 635	22.07 640	23.23 638	38.39 643	53.77 641	24.25 643	28.44 644	20.96 645	21.82 643	20.70 637	23.84 639	23.49 643	27.14 640	14.04 634	17.79 642	11.75 634	14.15 640	14.65 632	14.89 633

Hybrid-DGEV	22.47 641	17.40 642	16.14 635	22.00 635	23.29 640	38.36 642	53.80 642	24.43 646	28.63 646	20.59 639	21.81 642	20.88 639	23.91 641	23.45 642	27.42 643	14.08 638	17.69 637	11.83 636	14.06 639	14.65 632	14.93 635

Selective-RAFT-Error	22.47 641	17.37 641	16.09 634	22.06 639	23.34 643	38.39 643	53.83 646	24.29 645	28.47 645	20.74 643	21.83 644	20.81 638	23.90 640	23.54 645	27.53 646	14.08 638	17.69 637	11.82 635	14.00 634	14.69 635	15.00 639

LSM0	22.87 643	17.28 636	18.96 637	22.19 641	29.04 645	38.42 645	53.71 640	24.28 644	28.31 640	20.78 644	21.00 636	21.43 643	24.16 645	23.50 644	27.39 642	14.09 640	17.38 636	11.84 640	14.04 638	14.73 638	14.89 633

AVERAGE_ROB	24.90 644	29.20 645	28.14 642	24.89 642	24.64 644	17.75 633	11.12 626	21.45 639	19.93 639	25.12 646	24.46 645	25.12 646	25.46 646	24.69 646	22.83 639	29.76 644	27.13 644	28.97 646	27.95 646	29.91 644	29.47 645

test_example2	98.32 645	94.13 646	45.89 643	96.35 643	109.85 646	88.61 646	95.45 647	25.75 647	94.37 647	130.00 648	126.06 647	58.17 647	74.63 647	88.51 647	79.96 647	150.23 647	221.02 647	77.62 647	99.10 647	113.75 647	96.94 646

GS-Stereo							0.14 180	0.11 37	0.12 107	0.08 86	0.10 144	0.05 3	0.05 12	0.11 135	0.08 17	0.06 128	0.04 24	0.05 34	0.04 46	0.05 119	0.05 146

FSD					0.22 568	0.25 511	0.25 535	0.27 413	0.26 402	0.25 488	0.26 426	0.25 448	0.27 520	0.27 512	0.24 507	0.21 572	0.20 570	0.27 573	0.26 576	0.25 576

ccccc		285.66 647		368.85 646	370.60 647	123.16 647		115.05 648		126.68 647		122.83 648		252.94 648		384.56 648	353.86 648	254.69 648	223.00 648	425.87 648

ASD4		3.38 622

Low-res two-view benchmark