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

CREStereo	0.09 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-CoAtRS	0.09 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

PMTNet	0.09 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 Train	0.10 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-Stereo	0.10 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
HITNet	0.10 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-Stereo	0.11 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_4x	0.12 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

MLCV	0.12 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-r	0.13 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_ROB	0.13 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

FENet	0.13 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

iResNet	0.13 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

DMCA	0.14 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-RSSM	0.14 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_ROB	0.14 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_RVC	0.14 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-ft	0.14 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-RSSM	0.14 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

ccs	0.14 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

RASNet	0.14 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_RVC	0.14 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_ROB	0.14 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-RSSM	0.14 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

pmcnn	0.15 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_rob	0.15 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_ft	0.15 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

ACVNet	0.15 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

CFNet	0.15 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

HSM	0.15 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

AdaStereo	0.15 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_RVC	0.16 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_64	0.16 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_ROB	0.16 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

DSFCA	0.16 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_RVC	0.16 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-Resample	0.16 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_RVC	0.17 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-ROB	0.17 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

TDLM	0.17 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-RVC	0.17 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-Refined	0.17 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
HGLStereo	0.17 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

STTStereo	0.18 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_RVC	0.18 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

StereoDRNet	0.18 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_ROB	0.18 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-ft	0.18 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

NVstereo2D	0.19 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-Test	0.19 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_ROB	0.19 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_ROB	0.19 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

CBMV	0.19 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
ADCRef	0.19 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

DISCO	0.19 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+	0.20 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_ROB	0.20 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

GwcNet	0.20 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

SuperB	0.20 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-Stereo	0.20 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-RVC	0.20 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-Stereo	0.20 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-Forest	0.20 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_ROB	0.21 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_ROB	0.21 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

FADNet	0.21 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

DANet	0.21 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

GANet	0.21 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

RP	0.21 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

RYNet	0.22 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-Net	0.22 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_ROB	0.22 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 stereo	0.22 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

stereogan	0.22 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_ROB	0.22 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_ROB	0.22 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

aanetorigin	0.22 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 Stereo	0.23 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-Net	0.23 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_Net	0.23 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

RTSC	0.23 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

NCCL2	0.23 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_RVC	0.23 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_ROB	0.23 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

DeepPrunerF	0.24 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

SANet	0.24 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

ADCL	0.24 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_ROB	0.24 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-Net	0.24 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-stereo	0.24 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-Net	0.24 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_v2	0.24 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_ROB	0.24 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

ADCMid	0.25 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

psmorigin	0.25 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

ADCPNet	0.25 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_ROB	0.25 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

RGC	0.25 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_C32	0.26 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

SHD	0.26 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_ROB	0.27 101	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

MeshStereo	0.27 101	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
DispFullNet	0.27 101	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

XQC	0.28 104	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

DPSNet	0.28 104	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

EDNetEfficient	0.29 106	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

CSAN	0.29 106	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

ADCS	0.29 106	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_RVC	0.30 109	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_ROB	0.31 110	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_RVC	0.31 110	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
PASM	0.32 112	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_RVC	0.32 112	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-ForestM	0.32 112	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-DC	0.33 115	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-DCNN	0.33 115	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

LSM	0.33 115	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_C01	0.36 118	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

PVD	0.39 119	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

SAMSARA	0.40 120	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_RVC	0.41 121	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
ELAS	0.41 121	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_RVC	0.43 123	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

RTS	0.45 124	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

MANE	0.45 124	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

RTSA	0.45 124	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_ROB	0.46 127	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_ROB	0.50 128	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-Init1	0.52 129	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+DAISY	0.56 130	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-STEREO	0.57 131	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_re	0.64 132	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

PWCK	0.71 133	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+	0.75 134	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_ROB	1.11 135	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++	1.95 136	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

EDNetEfficientorigin	7.91 137	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_ROB	8.06 138	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_ROB	8.06 138	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_ROB	11.15 140	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

DPSM	11.15 140	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_ROB	20.38 142	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

LSM0	22.87 143	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_ROB	24.90 144	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

MSMDNet													0.13 9

ASD4		3.38 138

Low-res two-view benchmark