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):

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 Infoalllakes. 1llakes. 1ssand box 1lsand box 1sstora. room 1lstora. room 1sstora. room 2lstora. room 2sstora. room 2 1lstora. room 2 1sstora. room 2 2lstora. room 2 2sstora. room 3lstora. room 3stunnel 1ltunnel 1stunnel 2ltunnel 2stunnel 3ltunnel 3s
sorted bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort by
CREStereotwo views0.09
1
0.04
1
0.08
1
0.11
1
0.06
1
0.13
6
0.14
15
0.14
1
0.10
1
0.08
1
0.13
2
0.09
1
0.08
2
0.11
3
0.10
2
0.08
22
0.04
1
0.05
2
0.03
1
0.06
6
0.06
7
Gwc-CoAtRStwo views0.09
1
0.06
3
0.10
3
0.16
19
0.07
5
0.10
1
0.14
15
0.17
4
0.17
6
0.08
1
0.10
1
0.12
5
0.09
5
0.12
4
0.09
1
0.06
3
0.04
1
0.06
8
0.04
3
0.04
1
0.04
1
PMTNettwo views0.09
1
0.05
2
0.09
2
0.12
2
0.06
1
0.12
5
0.14
15
0.15
2
0.11
2
0.09
3
0.13
2
0.10
2
0.07
1
0.13
6
0.10
2
0.15
107
0.04
1
0.05
2
0.03
1
0.07
12
0.06
7
R-Stereo Traintwo views0.10
4
0.06
3
0.10
3
0.17
30
0.08
10
0.11
2
0.14
15
0.23
21
0.11
2
0.12
5
0.19
6
0.11
3
0.08
2
0.09
1
0.11
4
0.07
10
0.05
7
0.06
8
0.05
9
0.05
2
0.05
3
RAFT-Stereopermissivetwo views0.10
4
0.06
3
0.10
3
0.17
30
0.08
10
0.11
2
0.14
15
0.23
21
0.11
2
0.12
5
0.19
6
0.11
3
0.08
2
0.09
1
0.11
4
0.07
10
0.05
7
0.06
8
0.05
9
0.05
2
0.05
3
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNettwo views0.10
4
0.06
3
0.12
8
0.14
8
0.06
1
0.11
2
0.10
6
0.18
5
0.18
7
0.13
7
0.16
4
0.14
7
0.11
6
0.15
15
0.13
6
0.06
3
0.04
1
0.04
1
0.04
3
0.06
6
0.05
3
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
DPM-Stereotwo views0.11
7
0.07
7
0.14
17
0.17
30
0.09
23
0.13
6
0.09
3
0.16
3
0.16
5
0.11
4
0.16
4
0.14
7
0.12
7
0.15
15
0.13
6
0.06
3
0.05
7
0.06
8
0.05
9
0.05
2
0.06
7
BEATNet_4xtwo views0.12
8
0.08
19
0.14
17
0.18
41
0.07
5
0.15
16
0.07
1
0.22
12
0.18
7
0.16
11
0.19
6
0.18
15
0.14
16
0.16
20
0.15
21
0.07
10
0.05
7
0.05
2
0.05
9
0.06
6
0.06
7
MLCVtwo views0.12
8
0.07
7
0.16
39
0.18
41
0.06
1
0.15
16
0.17
39
0.19
6
0.21
11
0.18
22
0.25
25
0.17
11
0.13
9
0.14
7
0.13
6
0.05
1
0.04
1
0.05
2
0.04
3
0.05
2
0.04
1
cf-rtwo views0.13
10
0.07
7
0.12
8
0.16
19
0.08
10
0.14
11
0.19
63
0.20
7
0.25
25
0.17
14
0.25
25
0.21
20
0.16
26
0.14
7
0.14
13
0.10
46
0.05
7
0.06
8
0.08
28
0.06
6
0.06
7
DN-CSS_ROBtwo views0.13
10
0.13
68
0.16
39
0.18
41
0.10
35
0.16
26
0.08
2
0.22
12
0.18
7
0.17
14
0.22
13
0.13
6
0.13
9
0.12
4
0.13
6
0.05
1
0.05
7
0.10
50
0.10
60
0.08
26
0.06
7
FENettwo views0.13
10
0.08
19
0.12
8
0.16
19
0.08
10
0.14
11
0.15
26
0.22
12
0.23
16
0.17
14
0.23
15
0.16
10
0.12
7
0.14
7
0.15
21
0.08
22
0.05
7
0.08
27
0.08
28
0.07
12
0.07
23
iResNettwo views0.13
10
0.10
34
0.18
51
0.19
54
0.08
10
0.13
6
0.18
46
0.20
7
0.26
30
0.15
9
0.23
15
0.15
9
0.13
9
0.14
7
0.14
13
0.06
3
0.04
1
0.06
8
0.05
9
0.06
6
0.05
3
DMCAtwo views0.14
14
0.09
28
0.16
39
0.19
54
0.09
23
0.15
16
0.17
39
0.23
21
0.27
35
0.14
8
0.19
6
0.17
11
0.18
36
0.15
15
0.17
34
0.10
46
0.06
23
0.08
27
0.06
14
0.09
37
0.10
55
GwcNet-RSSMtwo views0.14
14
0.07
7
0.12
8
0.15
11
0.08
10
0.15
16
0.20
73
0.21
11
0.27
35
0.18
22
0.27
35
0.22
26
0.16
26
0.14
7
0.15
21
0.10
46
0.05
7
0.07
22
0.09
40
0.07
12
0.07
23
iResNetv2_ROBtwo views0.14
14
0.08
19
0.15
25
0.16
19
0.08
10
0.16
26
0.12
9
0.25
29
0.35
64
0.21
33
0.29
43
0.24
34
0.13
9
0.14
7
0.14
13
0.06
3
0.05
7
0.06
8
0.04
3
0.09
37
0.08
34
HSM-Net_RVCpermissivetwo views0.14
14
0.08
19
0.11
7
0.15
11
0.08
10
0.15
16
0.15
26
0.27
41
0.29
42
0.19
25
0.21
11
0.29
58
0.14
16
0.17
25
0.13
6
0.06
3
0.06
23
0.06
8
0.06
14
0.07
12
0.06
7
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet-ftpermissivetwo views0.14
14
0.07
7
0.15
25
0.12
2
0.09
23
0.16
26
0.18
46
0.22
12
0.24
20
0.17
14
0.26
30
0.24
34
0.14
16
0.16
20
0.14
13
0.11
60
0.06
23
0.08
27
0.09
40
0.09
37
0.08
34
PSMNet-RSSMtwo views0.14
14
0.07
7
0.13
12
0.15
11
0.08
10
0.13
6
0.16
34
0.24
24
0.24
20
0.16
11
0.28
38
0.22
26
0.14
16
0.15
15
0.13
6
0.11
60
0.06
23
0.09
38
0.12
85
0.08
26
0.07
23
ccstwo views0.14
14
0.08
19
0.13
12
0.13
5
0.10
35
0.14
11
0.14
15
0.30
55
0.33
54
0.16
11
0.20
10
0.19
16
0.13
9
0.14
7
0.14
13
0.10
46
0.05
7
0.11
63
0.09
40
0.10
53
0.10
55
RASNettwo views0.14
14
0.07
7
0.14
17
0.16
19
0.08
10
0.18
35
0.14
15
0.29
47
0.20
10
0.17
14
0.25
25
0.21
20
0.18
36
0.20
39
0.19
42
0.07
10
0.06
23
0.06
8
0.08
28
0.06
6
0.06
7
CFNet_RVCtwo views0.14
14
0.07
7
0.15
25
0.12
2
0.09
23
0.16
26
0.18
46
0.22
12
0.24
20
0.17
14
0.26
30
0.24
34
0.14
16
0.16
20
0.14
13
0.11
60
0.06
23
0.08
27
0.09
40
0.09
37
0.08
34
iResNet_ROBtwo views0.14
14
0.07
7
0.13
12
0.14
8
0.07
5
0.18
35
0.14
15
0.26
35
0.31
46
0.22
44
0.25
25
0.23
32
0.15
21
0.15
15
0.13
6
0.07
10
0.05
7
0.05
2
0.04
3
0.08
26
0.08
34
GANet-RSSMtwo views0.14
14
0.07
7
0.13
12
0.13
5
0.08
10
0.14
11
0.17
39
0.22
12
0.21
11
0.17
14
0.24
20
0.23
32
0.15
21
0.16
20
0.15
21
0.10
46
0.06
23
0.07
22
0.08
28
0.08
26
0.07
23
pmcnntwo views0.15
25
0.07
7
0.19
55
0.15
11
0.07
5
0.20
48
0.15
26
0.24
24
0.26
30
0.21
33
0.34
66
0.28
51
0.18
36
0.18
30
0.17
34
0.07
10
0.05
7
0.05
2
0.04
3
0.07
12
0.06
7
ccs_robtwo views0.15
25
0.08
19
0.14
17
0.15
11
0.07
5
0.21
57
0.09
3
0.24
24
0.23
16
0.21
33
0.24
20
0.28
51
0.18
36
0.17
25
0.16
29
0.08
22
0.06
23
0.09
38
0.10
60
0.07
12
0.07
23
acv_fttwo views0.15
25
0.09
28
0.15
25
0.19
54
0.10
35
0.16
26
0.17
39
0.25
29
0.33
54
0.19
25
0.26
30
0.21
20
0.17
30
0.17
25
0.18
39
0.07
10
0.06
23
0.06
8
0.06
14
0.08
26
0.06
7
ACVNettwo views0.15
25
0.09
28
0.15
25
0.13
5
0.12
64
0.14
11
0.20
73
0.22
12
0.33
54
0.17
14
0.26
30
0.21
20
0.16
26
0.17
25
0.21
56
0.07
10
0.06
23
0.06
8
0.06
14
0.08
26
0.06
7
CFNettwo views0.15
25
0.10
34
0.17
43
0.17
30
0.08
10
0.18
35
0.09
3
0.28
44
0.25
25
0.19
25
0.24
20
0.24
34
0.17
30
0.17
25
0.14
13
0.08
22
0.06
23
0.09
38
0.10
60
0.07
12
0.06
7
HSMtwo views0.15
25
0.08
19
0.14
17
0.16
19
0.09
23
0.16
26
0.14
15
0.28
44
0.25
25
0.19
25
0.23
15
0.37
91
0.16
26
0.20
39
0.15
21
0.07
10
0.05
7
0.07
22
0.06
14
0.07
12
0.06
7
AdaStereotwo views0.15
25
0.11
46
0.15
25
0.18
41
0.09
23
0.20
48
0.11
7
0.32
63
0.28
38
0.20
30
0.23
15
0.20
17
0.13
9
0.19
32
0.14
13
0.12
80
0.05
7
0.10
50
0.07
22
0.09
37
0.07
23
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.
FADNet_RVCtwo views0.16
32
0.14
75
0.40
108
0.20
60
0.11
50
0.13
6
0.13
11
0.26
35
0.22
15
0.21
33
0.23
15
0.20
17
0.17
30
0.14
7
0.16
29
0.08
22
0.08
54
0.12
73
0.09
40
0.11
63
0.10
55
ac_64two views0.16
32
0.08
19
0.15
25
0.18
41
0.10
35
0.22
63
0.18
46
0.24
24
0.21
11
0.18
22
0.24
20
0.29
58
0.18
36
0.19
32
0.22
60
0.09
34
0.07
44
0.08
27
0.09
40
0.07
12
0.06
7
DeepPruner_ROBtwo views0.16
32
0.11
46
0.15
25
0.17
30
0.10
35
0.17
33
0.15
26
0.32
63
0.21
11
0.19
25
0.21
11
0.22
26
0.18
36
0.20
39
0.15
21
0.13
96
0.09
65
0.09
38
0.09
40
0.11
63
0.10
55
DSFCAtwo views0.16
32
0.09
28
0.14
17
0.16
19
0.10
35
0.20
48
0.19
63
0.28
44
0.31
46
0.23
51
0.24
20
0.22
26
0.15
21
0.19
32
0.20
46
0.10
46
0.07
44
0.09
38
0.09
40
0.08
26
0.08
34
AANet_RVCtwo views0.16
32
0.10
34
0.10
3
0.18
41
0.09
23
0.18
35
0.19
63
0.26
35
0.31
46
0.22
44
0.35
68
0.21
20
0.21
51
0.22
55
0.16
29
0.06
3
0.05
7
0.06
8
0.06
14
0.07
12
0.06
7
FADNet-RVC-Resampletwo views0.16
32
0.11
46
0.31
92
0.22
79
0.11
50
0.19
45
0.14
15
0.25
29
0.24
20
0.24
54
0.27
35
0.20
17
0.15
21
0.16
20
0.15
21
0.07
10
0.08
54
0.12
73
0.10
60
0.09
37
0.10
55
NLCA_NET_v2_RVCtwo views0.17
38
0.10
34
0.22
66
0.20
60
0.10
35
0.15
16
0.18
46
0.31
57
0.25
25
0.21
33
0.30
46
0.25
39
0.17
30
0.21
49
0.20
46
0.09
34
0.06
23
0.08
27
0.08
28
0.07
12
0.08
34
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CC-Net-ROBtwo views0.17
38
0.10
34
0.21
61
0.20
60
0.10
35
0.15
16
0.18
46
0.31
57
0.25
25
0.21
33
0.31
51
0.25
39
0.17
30
0.20
39
0.20
46
0.09
34
0.06
23
0.08
27
0.08
28
0.07
12
0.08
34
TDLMtwo views0.17
38
0.12
56
0.13
12
0.24
89
0.10
35
0.18
35
0.18
46
0.36
93
0.30
43
0.21
33
0.28
38
0.28
51
0.18
36
0.23
62
0.18
39
0.11
60
0.07
44
0.10
50
0.10
60
0.08
26
0.08
34
DMCA-RVCcopylefttwo views0.17
38
0.10
34
0.15
25
0.24
89
0.11
50
0.18
35
0.18
46
0.25
29
0.24
20
0.21
33
0.26
30
0.25
39
0.27
78
0.18
30
0.20
46
0.12
80
0.08
54
0.13
85
0.10
60
0.10
53
0.08
34
StereoDRNet-Refinedtwo views0.17
38
0.12
56
0.15
25
0.20
60
0.09
23
0.18
35
0.18
46
0.26
35
0.23
16
0.26
65
0.40
90
0.22
26
0.17
30
0.21
49
0.20
46
0.08
22
0.05
7
0.09
38
0.10
60
0.07
12
0.07
23
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
HGLStereotwo views0.17
38
0.08
19
0.19
55
0.17
30
0.12
64
0.18
35
0.18
46
0.31
57
0.32
51
0.21
33
0.32
55
0.25
39
0.18
36
0.19
32
0.20
46
0.09
34
0.09
65
0.07
22
0.07
22
0.09
37
0.10
55
STTStereotwo views0.18
44
0.12
56
0.27
80
0.20
60
0.11
50
0.16
26
0.21
80
0.29
47
0.23
16
0.21
33
0.30
46
0.29
58
0.18
36
0.20
39
0.19
42
0.12
80
0.11
83
0.11
63
0.14
95
0.09
37
0.08
34
CVANet_RVCtwo views0.18
44
0.10
34
0.14
17
0.21
70
0.10
35
0.18
35
0.17
39
0.34
80
0.33
54
0.22
44
0.31
51
0.28
51
0.18
36
0.23
62
0.17
34
0.12
80
0.08
54
0.12
73
0.11
75
0.09
37
0.07
23
StereoDRNettwo views0.18
44
0.11
46
0.17
43
0.22
79
0.11
50
0.21
57
0.22
82
0.37
97
0.33
54
0.24
54
0.28
38
0.30
63
0.19
47
0.20
39
0.20
46
0.09
34
0.08
54
0.11
63
0.09
40
0.09
37
0.07
23
DLCB_ROBtwo views0.18
44
0.10
34
0.15
25
0.23
87
0.11
50
0.24
76
0.18
46
0.29
47
0.28
38
0.27
71
0.28
38
0.28
51
0.24
67
0.19
32
0.20
46
0.08
22
0.08
54
0.09
38
0.09
40
0.07
12
0.07
23
hitnet-ftcopylefttwo views0.18
44
0.09
28
0.17
43
0.14
8
0.09
23
0.26
88
0.20
73
0.25
29
0.26
30
0.24
54
0.32
55
0.31
69
0.22
58
0.24
68
0.21
56
0.12
80
0.07
44
0.10
50
0.08
28
0.12
73
0.11
71
NVstereo2Dtwo views0.19
49
0.10
34
0.15
25
0.17
30
0.15
89
0.28
93
0.23
87
0.44
118
0.42
84
0.15
9
0.27
35
0.25
39
0.19
47
0.22
55
0.17
34
0.09
34
0.06
23
0.10
50
0.08
28
0.15
103
0.09
47
DRN-Testtwo views0.19
49
0.11
46
0.20
59
0.22
79
0.10
35
0.22
63
0.22
82
0.39
104
0.37
69
0.24
54
0.32
55
0.26
45
0.21
51
0.22
55
0.24
72
0.11
60
0.07
44
0.11
63
0.10
60
0.09
37
0.07
23
CBMV_ROBtwo views0.19
49
0.13
68
0.17
43
0.16
19
0.11
50
0.15
16
0.13
11
0.26
35
0.28
38
0.27
71
0.30
46
0.27
48
0.24
67
0.23
62
0.16
29
0.15
107
0.17
113
0.22
117
0.20
112
0.10
53
0.11
71
NOSS_ROBtwo views0.19
49
0.12
56
0.18
51
0.16
19
0.12
64
0.15
16
0.12
9
0.30
55
0.32
51
0.20
30
0.22
13
0.27
48
0.23
61
0.21
49
0.16
29
0.16
115
0.18
115
0.23
118
0.21
114
0.12
73
0.13
81
CBMVpermissivetwo views0.19
49
0.14
75
0.17
43
0.18
41
0.10
35
0.20
48
0.11
7
0.29
47
0.30
43
0.29
81
0.30
46
0.30
63
0.23
61
0.27
74
0.19
42
0.13
96
0.15
107
0.17
107
0.16
105
0.10
53
0.10
55
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ADCReftwo views0.19
49
0.12
56
0.41
110
0.20
60
0.12
64
0.22
63
0.18
46
0.32
63
0.36
66
0.26
65
0.32
55
0.17
11
0.23
61
0.24
68
0.24
72
0.07
10
0.06
23
0.09
38
0.09
40
0.08
26
0.08
34
DISCOtwo views0.19
49
0.09
28
0.22
66
0.17
30
0.10
35
0.25
83
0.18
46
0.27
41
0.44
91
0.22
44
0.31
51
0.33
78
0.26
71
0.28
82
0.28
98
0.08
22
0.06
23
0.07
22
0.07
22
0.09
37
0.09
47
ADCP+two views0.20
56
0.10
34
0.33
96
0.20
60
0.12
64
0.22
63
0.26
99
0.31
57
0.34
61
0.26
65
0.37
73
0.22
26
0.22
58
0.27
74
0.27
90
0.09
34
0.06
23
0.08
27
0.08
28
0.09
37
0.10
55
PWCDC_ROBbinarytwo views0.20
56
0.13
68
0.22
66
0.24
89
0.11
50
0.19
45
0.15
26
0.33
75
0.54
112
0.29
81
0.50
110
0.21
20
0.15
21
0.27
74
0.20
46
0.11
60
0.09
65
0.10
50
0.08
28
0.11
63
0.09
47
GwcNetcopylefttwo views0.20
56
0.13
68
0.19
55
0.18
41
0.12
64
0.24
76
0.19
63
0.35
89
0.43
88
0.20
30
0.32
55
0.33
78
0.20
50
0.22
55
0.24
72
0.11
60
0.09
65
0.09
38
0.09
40
0.09
37
0.10
55
SuperBtwo views0.20
56
0.10
34
0.56
120
0.16
19
0.09
23
0.18
35
0.18
46
0.24
24
0.50
103
0.26
65
0.39
85
0.17
11
0.21
51
0.22
55
0.21
56
0.08
22
0.06
23
0.06
8
0.06
14
0.12
73
0.10
55
FAT-Stereotwo views0.20
56
0.12
56
0.22
66
0.21
70
0.12
64
0.17
33
0.18
46
0.34
80
0.39
74
0.27
71
0.37
73
0.34
82
0.32
100
0.21
49
0.20
46
0.09
34
0.11
83
0.10
50
0.09
40
0.11
63
0.14
96
FADNet-RVCtwo views0.20
56
0.20
106
0.38
106
0.21
70
0.16
95
0.20
48
0.15
26
0.26
35
0.26
30
0.26
65
0.32
55
0.26
45
0.21
51
0.22
55
0.19
42
0.12
80
0.13
99
0.12
73
0.14
95
0.13
83
0.18
113
S-Stereotwo views0.20
56
0.12
56
0.25
76
0.21
70
0.13
73
0.20
48
0.18
46
0.32
63
0.43
88
0.23
51
0.36
71
0.28
51
0.30
95
0.19
32
0.22
60
0.09
34
0.12
90
0.10
50
0.10
60
0.13
83
0.13
81
SGM-Foresttwo views0.20
56
0.14
75
0.18
51
0.19
54
0.13
73
0.20
48
0.22
82
0.33
75
0.30
43
0.24
54
0.29
43
0.28
51
0.19
47
0.23
62
0.17
34
0.15
107
0.16
110
0.15
99
0.14
95
0.12
73
0.12
76
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
PSMNet_ROBtwo views0.21
64
0.11
46
0.15
25
0.27
110
0.15
89
0.24
76
0.35
122
0.43
116
0.37
69
0.27
71
0.32
55
0.32
75
0.22
58
0.21
49
0.26
85
0.12
80
0.08
54
0.13
85
0.11
75
0.09
37
0.09
47
PWC_ROBbinarytwo views0.21
64
0.16
86
0.26
77
0.18
41
0.11
50
0.22
63
0.13
11
0.32
63
0.49
101
0.30
84
0.40
90
0.32
75
0.24
67
0.31
90
0.22
60
0.10
46
0.07
44
0.11
63
0.08
28
0.11
63
0.10
55
FADNettwo views0.21
64
0.22
112
0.36
102
0.18
41
0.17
106
0.24
76
0.13
11
0.31
57
0.31
46
0.23
51
0.25
25
0.27
48
0.21
51
0.19
32
0.15
21
0.13
96
0.15
107
0.12
73
0.15
103
0.16
106
0.18
113
DANettwo views0.21
64
0.15
79
0.28
84
0.25
98
0.13
73
0.22
63
0.19
63
0.27
41
0.27
35
0.28
78
0.32
55
0.35
86
0.31
98
0.31
90
0.23
67
0.11
60
0.09
65
0.11
63
0.10
60
0.13
83
0.11
71
GANettwo views0.21
64
0.12
56
0.21
61
0.24
89
0.13
73
0.22
63
0.22
82
0.41
109
0.26
30
0.31
87
0.42
101
0.37
91
0.28
83
0.23
62
0.22
60
0.10
46
0.12
90
0.10
50
0.09
40
0.10
53
0.08
34
RPtwo views0.21
64
0.13
68
0.21
61
0.23
87
0.11
50
0.21
57
0.20
73
0.25
29
0.44
91
0.21
33
0.38
76
0.36
88
0.24
67
0.27
74
0.25
79
0.11
60
0.12
90
0.13
85
0.12
85
0.12
73
0.14
96
RYNettwo views0.22
70
0.12
56
0.22
66
0.19
54
0.17
106
0.46
118
0.26
99
0.38
101
0.48
99
0.24
54
0.28
38
0.34
82
0.23
61
0.20
39
0.30
105
0.10
46
0.06
23
0.09
38
0.09
40
0.13
83
0.15
100
AF-Nettwo views0.22
70
0.17
95
0.17
43
0.26
102
0.13
73
0.25
83
0.24
93
0.32
63
0.50
103
0.25
63
0.33
64
0.38
94
0.26
71
0.28
82
0.25
79
0.11
60
0.10
77
0.16
105
0.11
75
0.11
63
0.10
55
NaN_ROBtwo views0.22
70
0.19
102
0.24
75
0.25
98
0.13
73
0.29
96
0.26
99
0.33
75
0.41
81
0.31
87
0.31
51
0.32
75
0.23
61
0.30
89
0.21
56
0.11
60
0.17
113
0.10
50
0.10
60
0.08
26
0.09
47
edge stereotwo views0.22
70
0.13
68
0.20
59
0.21
70
0.13
73
0.23
74
0.16
34
0.32
63
0.42
84
0.32
92
0.40
90
0.38
94
0.35
106
0.25
71
0.24
72
0.13
96
0.11
83
0.14
94
0.11
75
0.12
73
0.13
81
stereogantwo views0.22
70
0.11
46
0.21
61
0.20
60
0.12
64
0.31
99
0.19
63
0.35
89
0.44
91
0.22
44
0.39
85
0.35
86
0.27
78
0.33
97
0.22
60
0.10
46
0.12
90
0.10
50
0.10
60
0.14
95
0.13
81
XPNet_ROBtwo views0.22
70
0.11
46
0.19
55
0.22
79
0.13
73
0.22
63
0.19
63
0.34
80
0.40
78
0.30
84
0.39
85
0.39
100
0.26
71
0.26
72
0.28
98
0.15
107
0.10
77
0.10
50
0.10
60
0.13
83
0.12
76
MDST_ROBtwo views0.22
70
0.10
34
0.17
43
0.18
41
0.11
50
0.37
114
0.19
63
0.43
116
0.41
81
0.39
104
0.39
85
0.29
58
0.21
51
0.26
72
0.18
39
0.11
60
0.10
77
0.14
94
0.11
75
0.10
53
0.08
34
aanetorigintwo views0.22
70
0.17
95
0.56
120
0.17
30
0.10
35
0.15
16
0.19
63
0.20
7
0.33
54
0.49
118
0.48
107
0.29
58
0.27
78
0.20
39
0.23
67
0.08
22
0.07
44
0.08
27
0.07
22
0.10
53
0.09
47
Anonymous Stereotwo views0.23
78
0.19
102
0.50
116
0.24
89
0.17
106
0.21
57
0.21
80
0.33
75
0.44
91
0.25
63
0.34
66
0.26
45
0.18
36
0.31
90
0.27
90
0.13
96
0.12
90
0.12
73
0.13
92
0.11
63
0.14
96
PA-Nettwo views0.23
78
0.18
100
0.33
96
0.28
113
0.22
120
0.21
57
0.38
126
0.29
47
0.39
74
0.22
44
0.32
55
0.25
39
0.26
71
0.20
39
0.25
79
0.09
34
0.23
128
0.15
99
0.22
117
0.09
37
0.13
81
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Nwc_Nettwo views0.23
78
0.16
86
0.21
61
0.25
98
0.14
85
0.24
76
0.26
99
0.37
97
0.38
72
0.22
44
0.41
98
0.30
63
0.28
83
0.28
82
0.25
79
0.11
60
0.10
77
0.17
107
0.20
112
0.10
53
0.10
55
RTSCtwo views0.23
78
0.12
56
0.28
84
0.21
70
0.13
73
0.28
93
0.16
34
0.35
89
0.66
125
0.27
71
0.33
64
0.30
63
0.21
51
0.31
90
0.29
101
0.10
46
0.08
54
0.09
38
0.10
60
0.13
83
0.13
81
NCCL2two views0.23
78
0.15
79
0.17
43
0.34
124
0.18
112
0.24
76
0.23
87
0.34
80
0.28
38
0.31
87
0.38
76
0.38
94
0.28
83
0.23
62
0.24
72
0.15
107
0.12
90
0.18
112
0.21
114
0.13
83
0.13
81
SGM_RVCbinarytwo views0.23
78
0.12
56
0.15
25
0.15
11
0.09
23
0.33
104
0.18
46
0.34
80
0.31
46
0.44
114
0.37
73
0.53
119
0.35
106
0.35
104
0.24
72
0.13
96
0.13
99
0.13
85
0.13
92
0.10
53
0.11
71
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ETE_ROBtwo views0.23
78
0.17
95
0.22
66
0.25
98
0.13
73
0.26
88
0.29
111
0.31
57
0.36
66
0.28
78
0.36
71
0.45
110
0.26
71
0.27
74
0.26
85
0.11
60
0.08
54
0.12
73
0.09
40
0.14
95
0.13
81
DeepPrunerFtwo views0.24
85
0.17
95
0.42
111
0.26
102
0.16
95
0.22
63
0.28
108
0.37
97
0.50
103
0.26
65
0.29
43
0.24
34
0.28
83
0.21
49
0.22
60
0.15
107
0.11
83
0.20
116
0.18
110
0.12
73
0.13
81
SANettwo views0.24
85
0.14
75
0.28
84
0.21
70
0.11
50
0.27
91
0.24
93
0.38
101
0.64
123
0.36
97
0.40
90
0.43
107
0.26
71
0.27
74
0.24
72
0.12
80
0.09
65
0.10
50
0.09
40
0.13
83
0.11
71
ADCLtwo views0.24
85
0.11
46
0.47
114
0.22
79
0.12
64
0.34
106
0.29
111
0.29
47
0.56
113
0.24
54
0.46
105
0.30
63
0.30
95
0.29
88
0.29
101
0.08
22
0.07
44
0.09
38
0.09
40
0.10
53
0.10
55
WCMA_ROBtwo views0.24
85
0.11
46
0.22
66
0.17
30
0.14
85
0.32
100
0.15
26
0.32
63
0.32
51
0.38
102
0.53
111
0.40
101
0.34
104
0.34
99
0.25
79
0.11
60
0.12
90
0.12
73
0.10
60
0.14
95
0.14
96
Abc-Nettwo views0.24
85
0.15
79
0.31
92
0.26
102
0.16
95
0.20
48
0.30
114
0.40
105
0.40
78
0.24
54
0.38
76
0.33
78
0.28
83
0.36
109
0.27
90
0.12
80
0.11
83
0.15
99
0.22
117
0.13
83
0.13
81
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCC-stereotwo views0.24
85
0.15
79
0.31
92
0.26
102
0.16
95
0.20
48
0.30
114
0.40
105
0.40
78
0.24
54
0.38
76
0.33
78
0.28
83
0.36
109
0.27
90
0.12
80
0.11
83
0.15
99
0.22
117
0.13
83
0.13
81
G-Nettwo views0.24
85
0.16
86
0.36
102
0.22
79
0.16
95
0.51
121
0.23
87
0.29
47
0.34
61
0.36
97
0.38
76
0.31
69
0.29
91
0.27
74
0.26
85
0.11
60
0.09
65
0.12
73
0.09
40
0.16
106
0.13
81
STTStereo_v2two views0.24
85
0.16
86
0.36
102
0.22
79
0.16
95
0.51
121
0.23
87
0.29
47
0.34
61
0.36
97
0.38
76
0.31
69
0.29
91
0.27
74
0.26
85
0.11
60
0.09
65
0.12
73
0.09
40
0.16
106
0.13
81
FBW_ROBtwo views0.24
85
0.17
95
0.22
66
0.26
102
0.14
85
0.25
83
0.22
82
0.41
109
0.41
81
0.41
109
0.41
98
0.42
104
0.27
78
0.31
90
0.23
67
0.09
34
0.14
104
0.14
94
0.12
85
0.11
63
0.09
47
ADCMidtwo views0.25
94
0.15
79
0.40
108
0.20
60
0.14
85
0.25
83
0.26
99
0.34
80
0.38
72
0.36
97
0.44
104
0.34
82
0.40
115
0.35
104
0.33
112
0.10
46
0.09
65
0.11
63
0.11
75
0.13
83
0.12
76
psmorigintwo views0.25
94
0.15
79
0.34
101
0.17
30
0.13
73
0.23
74
0.14
15
0.34
80
0.33
54
0.41
109
0.55
114
0.41
103
0.37
110
0.34
99
0.27
90
0.11
60
0.15
107
0.11
63
0.11
75
0.12
73
0.16
108
ADCPNettwo views0.25
94
0.16
86
0.61
123
0.21
70
0.15
89
0.35
113
0.25
96
0.32
63
0.35
64
0.30
84
0.40
90
0.36
88
0.28
83
0.28
82
0.32
110
0.12
80
0.10
77
0.11
63
0.12
85
0.14
95
0.13
81
LALA_ROBtwo views0.25
94
0.16
86
0.22
66
0.26
102
0.17
106
0.27
91
0.27
105
0.42
113
0.37
69
0.33
94
0.38
76
0.51
116
0.26
71
0.28
82
0.27
90
0.16
115
0.09
65
0.12
73
0.11
75
0.13
83
0.12
76
RGCtwo views0.25
94
0.20
106
0.29
89
0.28
113
0.16
95
0.22
63
0.23
87
0.32
63
0.44
91
0.27
71
0.40
90
0.38
94
0.27
78
0.36
109
0.22
60
0.11
60
0.13
99
0.17
107
0.17
109
0.14
95
0.16
108
AnyNet_C32two views0.26
99
0.16
86
0.36
102
0.20
60
0.16
95
0.25
83
0.30
114
0.32
63
0.44
91
0.31
87
0.49
108
0.30
63
0.33
101
0.40
119
0.33
112
0.12
80
0.12
90
0.12
73
0.14
95
0.14
95
0.15
100
SHDtwo views0.26
99
0.15
79
0.30
91
0.24
89
0.18
112
0.22
63
0.15
26
0.38
101
0.71
127
0.32
92
0.41
98
0.36
88
0.28
83
0.32
96
0.29
101
0.12
80
0.11
83
0.14
94
0.13
92
0.16
106
0.20
118
PDISCO_ROBtwo views0.27
101
0.16
86
0.26
77
0.28
113
0.20
116
0.32
100
0.26
99
0.44
118
0.57
114
0.28
78
0.40
90
0.45
110
0.29
91
0.33
97
0.34
114
0.12
80
0.09
65
0.17
107
0.16
105
0.17
112
0.13
81
MeshStereopermissivetwo views0.27
101
0.13
68
0.18
51
0.15
11
0.11
50
0.32
100
0.24
93
0.40
105
0.36
66
0.52
119
0.57
118
0.67
128
0.40
115
0.35
104
0.26
85
0.14
105
0.13
99
0.13
85
0.11
75
0.11
63
0.10
55
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
DispFullNettwo views0.27
101
0.21
110
0.65
125
0.28
113
0.16
95
0.26
88
0.17
39
0.33
75
0.58
116
0.27
71
0.38
76
0.43
107
0.23
61
0.38
114
0.23
67
0.12
80
0.06
23
0.19
114
0.11
75
0.21
118
0.15
100
XQCtwo views0.28
104
0.23
113
0.51
117
0.28
113
0.19
114
0.34
106
0.27
105
0.36
93
0.57
114
0.31
87
0.30
46
0.37
91
0.30
95
0.38
114
0.38
120
0.13
96
0.09
65
0.15
99
0.12
85
0.17
112
0.18
113
DPSNettwo views0.28
104
0.16
86
0.31
92
0.18
41
0.13
73
0.54
123
0.42
128
0.51
125
0.67
126
0.29
81
0.38
76
0.38
94
0.29
91
0.31
90
0.23
67
0.11
60
0.10
77
0.11
63
0.08
28
0.20
117
0.16
108
EDNetEfficienttwo views0.29
106
0.24
114
1.13
131
0.18
41
0.10
35
0.19
45
0.20
73
0.20
7
0.60
120
0.74
132
0.56
117
0.31
69
0.39
112
0.22
55
0.30
105
0.09
34
0.07
44
0.08
27
0.07
22
0.11
63
0.09
47
CSANtwo views0.29
106
0.24
114
0.27
80
0.34
124
0.19
114
0.33
104
0.42
128
0.37
97
0.50
103
0.38
102
0.40
90
0.44
109
0.33
101
0.28
82
0.30
105
0.20
120
0.16
110
0.19
114
0.19
111
0.14
95
0.15
100
ADCStwo views0.29
106
0.18
100
0.45
112
0.21
70
0.17
106
0.28
93
0.23
87
0.41
109
0.63
122
0.40
106
0.49
108
0.40
101
0.36
108
0.39
117
0.40
124
0.13
96
0.12
90
0.13
85
0.14
95
0.16
106
0.16
108
MFN_U_SF_DS_RVCtwo views0.30
109
0.24
114
0.29
89
0.36
127
0.16
95
0.34
106
0.30
114
0.32
63
0.42
84
0.40
106
0.46
105
0.38
94
0.31
98
0.34
99
0.28
98
0.19
118
0.20
119
0.26
120
0.29
128
0.18
114
0.19
117
MSMD_ROBtwo views0.31
110
0.26
119
0.26
77
0.24
89
0.21
118
0.34
106
0.25
96
0.34
80
0.39
74
0.40
106
0.69
124
0.45
110
0.40
115
0.34
99
0.27
90
0.20
120
0.19
117
0.26
120
0.25
122
0.23
120
0.22
122
GANetREF_RVCpermissivetwo views0.31
110
0.34
128
0.27
80
0.35
126
0.16
95
0.32
100
0.41
127
0.48
121
0.51
110
0.35
95
0.35
68
0.34
82
0.33
101
0.39
117
0.32
110
0.27
130
0.20
119
0.29
129
0.15
103
0.18
114
0.17
112
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
PASMtwo views0.32
112
0.24
114
0.48
115
0.28
113
0.27
127
0.29
96
0.30
114
0.34
80
0.49
101
0.35
95
0.39
85
0.46
113
0.34
104
0.34
99
0.35
115
0.23
129
0.25
129
0.26
120
0.28
127
0.23
120
0.21
120
MFN_U_SF_RVCtwo views0.32
112
0.21
110
0.55
119
0.30
120
0.15
89
0.34
106
0.17
39
0.52
126
0.46
98
0.46
117
0.55
114
0.59
122
0.39
112
0.35
104
0.37
118
0.15
107
0.14
104
0.18
112
0.21
114
0.16
106
0.15
100
SGM-ForestMtwo views0.32
112
0.12
56
0.16
39
0.16
19
0.11
50
0.39
116
0.19
63
0.41
109
0.50
103
0.52
119
0.54
113
1.32
134
0.42
122
0.40
119
0.27
90
0.14
105
0.16
110
0.16
105
0.16
105
0.12
73
0.12
76
FCDSN-DCtwo views0.33
115
0.28
123
0.28
84
0.30
120
0.24
123
0.39
116
0.28
108
0.42
113
0.42
84
0.43
113
0.53
111
0.51
116
0.41
119
0.36
109
0.30
105
0.21
123
0.20
119
0.27
123
0.26
123
0.25
125
0.24
123
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNNcopylefttwo views0.33
115
0.27
120
0.28
84
0.26
102
0.23
122
0.37
114
0.28
108
0.40
105
0.43
88
0.45
115
0.55
114
0.51
116
0.40
115
0.37
113
0.30
105
0.21
123
0.20
119
0.27
123
0.26
123
0.25
125
0.24
123
LSMtwo views0.33
115
0.20
106
0.58
122
0.26
102
0.60
134
0.34
106
0.25
96
0.42
113
0.48
99
0.45
115
0.58
120
0.42
104
0.36
108
0.35
104
0.25
79
0.12
80
0.20
119
0.14
94
0.16
105
0.19
116
0.33
131
AnyNet_C01two views0.36
118
0.25
118
1.37
132
0.22
79
0.17
106
0.48
120
0.27
105
0.35
89
0.39
74
0.39
104
0.74
128
0.46
113
0.38
111
0.45
121
0.47
129
0.13
96
0.13
99
0.13
85
0.14
95
0.14
95
0.15
100
PVDtwo views0.39
119
0.20
106
0.39
107
0.31
123
0.22
120
0.29
96
0.43
130
0.52
126
0.96
134
0.55
122
0.79
131
0.53
119
0.59
130
0.52
125
0.38
120
0.19
118
0.14
104
0.17
107
0.14
95
0.24
124
0.31
129
SAMSARAtwo views0.40
120
0.28
123
0.33
96
0.55
133
0.39
130
0.82
134
1.23
136
0.47
120
0.51
110
0.36
97
0.35
68
0.55
121
0.39
112
0.38
114
0.39
122
0.15
107
0.20
119
0.15
99
0.14
95
0.23
120
0.20
118
ELAS_RVCcopylefttwo views0.41
121
0.29
125
0.33
96
0.28
113
0.24
123
0.54
123
0.36
123
0.49
123
0.59
117
0.72
128
0.74
128
0.65
126
0.54
125
0.54
129
0.40
124
0.22
126
0.20
119
0.27
123
0.26
123
0.26
128
0.25
126
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAScopylefttwo views0.41
121
0.29
125
0.33
96
0.27
110
0.24
123
0.60
125
0.36
123
0.50
124
0.50
103
0.71
126
0.79
131
0.67
128
0.54
125
0.51
123
0.42
126
0.22
126
0.20
119
0.27
123
0.26
123
0.26
128
0.25
126
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVCtwo views0.43
123
0.39
130
0.54
118
0.40
128
0.20
116
0.64
127
0.32
120
0.53
128
0.72
128
0.71
126
0.72
126
0.61
123
0.54
125
0.51
123
0.46
128
0.20
120
0.19
117
0.29
129
0.30
129
0.23
120
0.18
113
RTStwo views0.45
124
0.19
102
3.26
134
0.24
89
0.15
89
0.74
130
0.20
73
0.36
93
0.76
131
0.42
111
0.43
102
0.31
69
0.41
119
0.53
127
0.35
115
0.10
46
0.08
54
0.13
85
0.12
85
0.15
103
0.15
100
MANEtwo views0.45
124
0.27
120
0.27
80
0.27
110
0.24
123
0.47
119
0.31
119
0.55
130
0.59
117
0.72
128
1.13
136
1.15
133
0.61
131
0.52
125
0.37
118
0.21
123
0.20
119
0.27
123
0.31
130
0.25
125
0.24
123
RTSAtwo views0.45
124
0.19
102
3.26
134
0.24
89
0.15
89
0.74
130
0.20
73
0.36
93
0.76
131
0.42
111
0.43
102
0.31
69
0.41
119
0.53
127
0.35
115
0.10
46
0.08
54
0.13
85
0.12
85
0.15
103
0.15
100
NVStereoNet_ROBtwo views0.46
127
0.36
129
0.46
113
0.41
130
0.28
128
0.34
106
0.34
121
0.48
121
0.60
120
0.72
128
0.93
133
0.70
131
0.66
134
0.47
122
0.60
131
0.22
126
0.33
130
0.34
131
0.34
131
0.30
130
0.30
128
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROBtwo views0.50
128
0.07
7
0.14
17
0.15
11
0.08
10
0.24
76
0.16
34
0.22
12
1.81
136
4.63
137
0.67
122
0.47
115
0.44
123
0.20
39
0.29
101
0.07
10
0.06
23
0.06
8
0.06
14
0.08
26
0.06
7
BEATNet-Init1two views0.52
129
0.27
120
0.62
124
0.30
120
0.21
118
0.76
133
0.29
111
0.54
129
0.65
124
0.86
133
0.95
134
2.07
136
0.62
133
0.56
130
0.42
126
0.18
117
0.18
115
0.23
118
0.22
117
0.22
119
0.21
120
SGM+DAISYtwo views0.56
130
0.57
131
0.65
125
0.40
128
0.54
132
0.66
128
0.49
132
0.56
131
0.45
97
0.66
124
0.69
124
0.67
128
0.56
128
0.63
132
0.56
130
0.59
132
0.48
134
0.50
132
0.50
134
0.52
132
0.58
133
SPS-STEREOcopylefttwo views0.57
131
0.58
132
0.65
125
0.45
131
0.55
133
0.62
126
0.44
131
0.62
132
0.50
103
0.68
125
0.64
121
0.66
127
0.57
129
0.61
131
0.60
131
0.62
133
0.47
133
0.51
133
0.49
132
0.55
133
0.58
133
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_retwo views0.64
132
0.66
133
0.65
125
0.51
132
0.69
135
0.69
129
0.57
133
0.64
133
0.73
129
0.60
123
0.73
127
0.62
124
0.67
135
0.65
133
0.60
131
0.66
134
0.58
136
0.63
134
0.59
135
0.68
134
0.69
135
PWCKtwo views0.71
133
0.94
135
0.95
130
0.76
135
0.31
129
0.74
130
0.36
123
0.90
135
0.90
133
0.96
134
0.75
130
0.95
132
0.61
131
0.87
135
0.66
134
0.72
135
0.46
132
0.75
135
0.49
132
0.69
135
0.44
132
MADNet+two views0.75
134
0.71
134
3.70
136
0.66
134
0.41
131
0.98
135
0.97
134
0.69
134
0.73
129
0.52
119
0.57
118
0.64
125
0.68
136
0.86
134
1.01
135
0.34
131
0.36
131
0.28
128
0.23
121
0.36
131
0.31
129
DPSimNet_ROBtwo views1.11
135
1.23
136
0.78
129
1.13
136
0.88
136
1.10
136
1.13
135
1.16
136
1.23
135
1.43
135
1.02
135
1.41
135
1.10
137
0.90
136
1.60
136
1.46
136
0.51
135
1.21
136
1.03
136
0.90
136
1.01
136
MADNet++two views1.95
136
1.75
137
1.59
133
1.82
137
1.69
137
2.33
137
1.40
137
2.35
137
2.09
137
2.57
136
2.36
137
2.24
137
2.17
138
2.28
137
2.34
137
1.87
137
1.66
137
1.54
137
1.34
137
1.92
137
1.77
137
EDNetEfficientorigintwo views7.91
137
0.31
127
153.02
144
0.19
54
0.09
23
0.21
57
0.16
34
0.22
12
0.59
117
0.72
128
0.67
122
0.42
104
0.50
124
0.24
68
0.39
122
0.08
22
0.07
44
0.08
27
0.07
22
0.12
73
0.10
55
DPSMNet_ROBtwo views8.06
138
4.48
139
8.63
139
5.37
139
10.74
139
8.32
138
22.98
141
5.46
138
13.36
139
5.12
138
9.92
138
5.08
138
10.40
139
5.53
139
12.58
138
3.80
139
8.00
138
3.50
138
7.02
140
3.83
138
7.14
138
DGTPSM_ROBtwo views8.06
138
4.48
139
8.63
139
5.35
138
10.72
138
8.32
138
22.97
140
5.46
138
13.35
138
5.12
138
9.92
138
5.08
138
10.40
139
5.52
138
12.58
138
3.79
138
8.00
138
3.50
138
7.02
140
3.83
138
7.14
138
DPSM_ROBtwo views11.15
140
8.58
141
8.00
137
10.88
140
11.58
140
19.10
142
26.71
142
12.05
140
14.07
140
10.36
140
10.84
140
10.33
140
11.86
141
11.70
140
13.54
140
6.99
140
8.79
140
5.89
140
6.95
138
7.29
140
7.42
140
DPSMtwo views11.15
140
8.58
141
8.00
137
10.88
140
11.58
140
19.10
142
26.71
142
12.05
140
14.07
140
10.36
140
10.84
140
10.33
140
11.86
141
11.70
140
13.54
140
6.99
140
8.79
140
5.89
140
6.95
138
7.29
140
7.42
140
MEDIAN_ROBtwo views20.38
142
24.04
144
23.31
142
21.23
142
21.71
142
10.40
140
7.92
138
17.64
142
15.50
142
20.12
142
19.70
142
20.34
142
20.32
143
21.19
142
21.13
142
23.81
143
21.81
143
24.98
143
23.76
143
24.71
143
23.93
143
LSM0two views22.87
143
17.28
143
18.96
141
22.19
143
29.04
144
38.42
144
53.71
144
24.28
144
28.31
144
20.78
143
21.00
143
21.43
143
24.16
144
23.50
143
27.39
144
14.09
142
17.38
142
11.84
142
14.04
142
14.73
142
14.89
142
AVERAGE_ROBtwo views24.90
144
29.20
145
28.14
143
24.89
144
24.64
143
17.75
141
11.12
139
21.45
143
19.93
143
25.12
144
24.46
144
25.12
144
25.46
145
24.69
144
22.83
143
29.76
144
27.13
144
28.97
144
27.95
144
29.91
144
29.47
144
MSMDNettwo views0.13
9
ASD4two views3.38
138