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

R-Stereo	0.10 1	0.06 2	0.10 1	0.17 19	0.08 8	0.11 1	0.14 15	0.23 10	0.11 1	0.12 3	0.19 4	0.11 1	0.08 1	0.09 1	0.11 2	0.07 9	0.05 5	0.06 7	0.05 7	0.05 1	0.05 2

HITNet	0.10 1	0.06 2	0.12 6	0.14 4	0.06 1	0.11 1	0.10 6	0.18 2	0.18 4	0.13 5	0.16 2	0.14 5	0.11 4	0.15 10	0.13 4	0.06 3	0.04 1	0.04 1	0.04 1	0.06 5	0.05 2
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
PMTNet	0.10 1	0.05 1	0.10 1	0.12 1	0.07 3	0.14 7	0.18 35	0.20 4	0.20 7	0.10 1	0.11 1	0.13 3	0.08 1	0.12 3	0.09 1	0.07 9	0.04 1	0.05 2	0.04 1	0.06 5	0.06 6

R-Stereo Train	0.10 1	0.06 2	0.10 1	0.17 19	0.08 8	0.11 1	0.14 15	0.23 10	0.11 1	0.12 3	0.19 4	0.11 1	0.08 1	0.09 1	0.11 2	0.07 9	0.05 5	0.06 7	0.05 7	0.05 1	0.05 2

DPM-Stereo	0.11 5	0.07 5	0.14 10	0.17 19	0.09 16	0.13 4	0.09 3	0.16 1	0.16 3	0.11 2	0.16 2	0.14 5	0.12 5	0.15 10	0.13 4	0.06 3	0.05 5	0.06 7	0.05 7	0.05 1	0.06 6

MLCV	0.12 6	0.07 5	0.16 27	0.18 27	0.06 1	0.15 9	0.17 32	0.19 3	0.21 10	0.18 13	0.25 18	0.17 8	0.13 6	0.14 5	0.13 4	0.05 1	0.04 1	0.05 2	0.04 1	0.05 1	0.04 1

BEATNet_4x	0.12 6	0.08 12	0.14 10	0.18 27	0.07 3	0.15 9	0.07 1	0.22 6	0.18 4	0.16 8	0.19 4	0.18 11	0.14 13	0.16 14	0.15 16	0.07 9	0.05 5	0.05 2	0.05 7	0.06 5	0.06 6

DN-CSS_ROB	0.13 8	0.13 51	0.16 27	0.18 27	0.10 24	0.16 17	0.08 2	0.22 6	0.18 4	0.17 10	0.22 10	0.13 3	0.13 6	0.12 3	0.13 4	0.05 1	0.05 5	0.10 32	0.10 41	0.08 20	0.06 6

iResNet	0.13 8	0.10 19	0.18 37	0.19 37	0.08 8	0.13 4	0.18 35	0.20 4	0.26 22	0.15 6	0.23 12	0.15 7	0.13 6	0.14 5	0.14 10	0.06 3	0.04 1	0.06 7	0.05 7	0.06 5	0.05 2

RASNet	0.14 10	0.07 5	0.14 10	0.16 12	0.08 8	0.18 23	0.14 15	0.29 30	0.20 7	0.17 10	0.25 18	0.21 16	0.18 25	0.20 24	0.19 32	0.07 9	0.06 18	0.06 7	0.08 19	0.06 5	0.06 6

HSM-Net_RVC	0.14 10	0.08 12	0.11 5	0.15 6	0.08 8	0.15 9	0.15 22	0.27 25	0.29 31	0.19 14	0.21 8	0.29 44	0.14 13	0.17 17	0.13 4	0.06 3	0.06 18	0.06 7	0.06 12	0.07 10	0.06 6
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 10	0.07 5	0.15 17	0.12 1	0.09 16	0.16 17	0.18 35	0.22 6	0.24 16	0.17 10	0.26 22	0.24 23	0.14 13	0.16 14	0.14 10	0.11 44	0.06 18	0.08 19	0.09 27	0.09 27	0.08 24

ccs	0.14 10	0.08 12	0.13 7	0.13 3	0.10 24	0.14 7	0.14 15	0.30 38	0.33 41	0.16 8	0.20 7	0.19 12	0.13 6	0.14 5	0.14 10	0.10 35	0.05 5	0.11 42	0.09 27	0.10 39	0.10 41

iResNetv2_ROB	0.14 10	0.08 12	0.15 17	0.16 12	0.08 8	0.16 17	0.12 9	0.25 15	0.35 47	0.21 21	0.29 29	0.24 23	0.13 6	0.14 5	0.14 10	0.06 3	0.05 5	0.06 7	0.04 1	0.09 27	0.08 24

iResNet_ROB	0.14 10	0.07 5	0.13 7	0.14 4	0.07 3	0.18 23	0.14 15	0.26 19	0.31 35	0.22 30	0.25 18	0.23 22	0.15 16	0.15 10	0.13 4	0.07 9	0.05 5	0.05 2	0.04 1	0.08 20	0.08 24

AdaStereo	0.15 16	0.11 31	0.15 17	0.18 27	0.09 16	0.20 33	0.11 7	0.32 45	0.28 27	0.20 19	0.23 12	0.20 13	0.13 6	0.19 21	0.14 10	0.12 60	0.05 5	0.10 32	0.07 17	0.09 27	0.07 17
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.
pmcnn	0.15 16	0.07 5	0.19 41	0.15 6	0.07 3	0.20 33	0.15 22	0.24 12	0.26 22	0.21 21	0.34 50	0.28 38	0.18 25	0.18 20	0.17 26	0.07 9	0.05 5	0.05 2	0.04 1	0.07 10	0.06 6

HSM	0.15 16	0.08 12	0.14 10	0.16 12	0.09 16	0.16 17	0.14 15	0.28 28	0.25 18	0.19 14	0.23 12	0.37 71	0.16 19	0.20 24	0.15 16	0.07 9	0.05 5	0.07 17	0.06 12	0.07 10	0.06 6

ccs_rob	0.15 16	0.08 12	0.14 10	0.15 6	0.07 3	0.21 40	0.09 3	0.24 12	0.23 13	0.21 21	0.24 16	0.28 38	0.18 25	0.17 17	0.16 21	0.08 20	0.06 18	0.09 23	0.10 41	0.07 10	0.07 17

CFNet	0.15 16	0.10 19	0.17 30	0.17 19	0.08 8	0.18 23	0.09 3	0.28 28	0.25 18	0.19 14	0.24 16	0.24 23	0.17 20	0.17 17	0.14 10	0.08 20	0.06 18	0.09 23	0.10 41	0.07 10	0.06 6

DeepPruner_ROB	0.16 21	0.11 31	0.15 17	0.17 19	0.10 24	0.17 22	0.15 22	0.32 45	0.21 10	0.19 14	0.21 8	0.22 19	0.18 25	0.20 24	0.15 16	0.13 75	0.09 47	0.09 23	0.09 27	0.11 47	0.10 41

FADNet_RVC	0.16 21	0.14 57	0.40 88	0.20 40	0.11 34	0.13 4	0.13 11	0.26 19	0.22 12	0.21 21	0.23 12	0.20 13	0.17 20	0.14 5	0.16 21	0.08 20	0.08 37	0.12 51	0.09 27	0.11 47	0.10 41

FADNet-RVC-Resample	0.16 21	0.11 31	0.31 73	0.22 57	0.11 34	0.19 31	0.14 15	0.25 15	0.24 16	0.24 38	0.27 23	0.20 13	0.15 16	0.16 14	0.15 16	0.07 9	0.08 37	0.12 51	0.10 41	0.09 27	0.10 41

AANet_RVC	0.16 21	0.10 19	0.10 1	0.18 27	0.09 16	0.18 23	0.19 48	0.26 19	0.31 35	0.22 30	0.35 52	0.21 16	0.21 36	0.22 38	0.16 21	0.06 3	0.05 5	0.06 7	0.06 12	0.07 10	0.06 6

NLCA_NET_v2_RVC	0.17 25	0.10 19	0.22 50	0.20 40	0.10 24	0.15 9	0.18 35	0.31 40	0.25 18	0.21 21	0.30 32	0.25 27	0.17 20	0.21 33	0.20 36	0.09 28	0.06 18	0.08 19	0.08 19	0.07 10	0.08 24
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 25	0.12 41	0.15 17	0.20 40	0.09 16	0.18 23	0.18 35	0.26 19	0.23 13	0.26 48	0.40 72	0.22 19	0.17 20	0.21 33	0.20 36	0.08 20	0.05 5	0.09 23	0.10 41	0.07 10	0.07 17
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
TDLM	0.17 25	0.12 41	0.13 7	0.24 67	0.10 24	0.18 23	0.18 35	0.36 71	0.30 32	0.21 21	0.28 25	0.28 38	0.18 25	0.23 43	0.18 30	0.11 44	0.07 33	0.10 32	0.10 41	0.08 20	0.08 24

CC-Net-ROB	0.17 25	0.10 19	0.21 45	0.20 40	0.10 24	0.15 9	0.18 35	0.31 40	0.25 18	0.21 21	0.31 38	0.25 27	0.17 20	0.20 24	0.20 36	0.09 28	0.06 18	0.08 19	0.08 19	0.07 10	0.08 24

DMCA	0.17 25	0.10 19	0.15 17	0.27 87	0.12 47	0.15 9	0.18 35	0.25 15	0.20 7	0.19 14	0.30 32	0.25 27	0.25 55	0.15 10	0.22 44	0.12 60	0.11 63	0.18 89	0.13 69	0.08 20	0.08 24

DLCB_ROB	0.18 30	0.10 19	0.15 17	0.23 65	0.11 34	0.24 56	0.18 35	0.29 30	0.28 27	0.27 54	0.28 25	0.28 38	0.24 51	0.19 21	0.20 36	0.08 20	0.08 37	0.09 23	0.09 27	0.07 10	0.07 17

CVANet_RVC	0.18 30	0.10 19	0.14 10	0.21 50	0.10 24	0.18 23	0.17 32	0.34 61	0.33 41	0.22 30	0.31 38	0.28 38	0.18 25	0.23 43	0.17 26	0.12 60	0.08 37	0.12 51	0.11 54	0.09 27	0.07 17

STTStereo	0.18 30	0.12 41	0.27 62	0.20 40	0.11 34	0.16 17	0.21 57	0.29 30	0.23 13	0.21 21	0.30 32	0.29 44	0.18 25	0.20 24	0.19 32	0.12 60	0.11 63	0.11 42	0.14 73	0.09 27	0.08 24

StereoDRNet	0.18 30	0.11 31	0.17 30	0.22 57	0.11 34	0.21 40	0.22 59	0.37 75	0.33 41	0.24 38	0.28 25	0.30 47	0.19 33	0.20 24	0.20 36	0.09 28	0.08 37	0.11 42	0.09 27	0.09 27	0.07 17

DISCO	0.19 34	0.09 18	0.22 50	0.17 19	0.10 24	0.25 62	0.18 35	0.27 25	0.44 70	0.22 30	0.31 38	0.33 60	0.26 56	0.28 61	0.28 78	0.08 20	0.06 18	0.07 17	0.07 17	0.09 27	0.09 35

CBMV	0.19 34	0.14 57	0.17 30	0.18 27	0.10 24	0.20 33	0.11 7	0.29 30	0.30 32	0.29 63	0.30 32	0.30 47	0.23 45	0.27 53	0.19 32	0.13 75	0.15 85	0.17 84	0.16 83	0.10 39	0.10 41
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
DRN-Test	0.19 34	0.11 31	0.20 43	0.22 57	0.10 24	0.22 45	0.22 59	0.39 82	0.37 52	0.24 38	0.32 42	0.26 32	0.21 36	0.22 38	0.24 54	0.11 44	0.07 33	0.11 42	0.10 41	0.09 27	0.07 17

CBMV_ROB	0.19 34	0.13 51	0.17 30	0.16 12	0.11 34	0.15 9	0.13 11	0.26 19	0.28 27	0.27 54	0.30 32	0.27 35	0.24 51	0.23 43	0.16 21	0.15 86	0.17 90	0.22 94	0.20 90	0.10 39	0.11 53

NOSS_ROB	0.19 34	0.12 41	0.18 37	0.16 12	0.12 47	0.15 9	0.12 9	0.30 38	0.32 39	0.20 19	0.22 10	0.27 35	0.23 45	0.21 33	0.16 21	0.16 92	0.18 92	0.23 95	0.21 92	0.12 55	0.13 62

ADCRef	0.19 34	0.12 41	0.41 90	0.20 40	0.12 47	0.22 45	0.18 35	0.32 45	0.36 49	0.26 48	0.32 42	0.17 8	0.23 45	0.24 49	0.24 54	0.07 9	0.06 18	0.09 23	0.09 27	0.08 20	0.08 24

NVstereo2D	0.19 34	0.10 19	0.15 17	0.17 19	0.15 67	0.28 71	0.23 64	0.44 95	0.42 66	0.15 6	0.27 23	0.25 27	0.19 33	0.22 38	0.17 26	0.09 28	0.06 18	0.10 32	0.08 19	0.15 81	0.09 35

FADNet-RVC	0.20 41	0.20 86	0.38 86	0.21 50	0.16 72	0.20 33	0.15 22	0.26 19	0.26 22	0.26 48	0.32 42	0.26 32	0.21 36	0.22 38	0.19 32	0.12 60	0.13 78	0.12 51	0.14 73	0.13 62	0.18 90

SGM-Forest	0.20 41	0.14 57	0.18 37	0.19 37	0.13 53	0.20 33	0.22 59	0.33 56	0.30 32	0.24 38	0.29 29	0.28 38	0.19 33	0.23 43	0.17 26	0.15 86	0.16 87	0.15 76	0.14 73	0.12 55	0.12 57
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SuperB	0.20 41	0.10 19	0.56 99	0.16 12	0.09 16	0.18 23	0.18 35	0.24 12	0.50 81	0.26 48	0.39 67	0.17 8	0.21 36	0.22 38	0.21 42	0.08 20	0.06 18	0.06 7	0.06 12	0.12 55	0.10 41

ADCP+	0.20 41	0.10 19	0.33 77	0.20 40	0.12 47	0.22 45	0.26 76	0.31 40	0.34 44	0.26 48	0.37 56	0.22 19	0.22 43	0.27 53	0.27 71	0.09 28	0.06 18	0.08 19	0.08 19	0.09 27	0.10 41

PWCDC_ROB	0.20 41	0.13 51	0.22 50	0.24 67	0.11 34	0.19 31	0.15 22	0.33 56	0.54 90	0.29 63	0.50 91	0.21 16	0.15 16	0.27 53	0.20 36	0.11 44	0.09 47	0.10 32	0.08 19	0.11 47	0.09 35

GANet	0.21 46	0.12 41	0.21 45	0.24 67	0.13 53	0.22 45	0.22 59	0.41 87	0.26 22	0.31 69	0.42 83	0.37 71	0.28 66	0.23 43	0.22 44	0.10 35	0.12 70	0.10 32	0.09 27	0.10 39	0.08 24

DANet	0.21 46	0.15 61	0.28 66	0.25 75	0.13 53	0.22 45	0.19 48	0.27 25	0.27 26	0.28 60	0.32 42	0.35 66	0.31 80	0.31 69	0.23 50	0.11 44	0.09 47	0.11 42	0.10 41	0.13 62	0.11 53

RP	0.21 46	0.13 51	0.21 45	0.23 65	0.11 34	0.21 40	0.20 54	0.25 15	0.44 70	0.21 21	0.38 58	0.36 68	0.24 51	0.27 53	0.25 60	0.11 44	0.12 70	0.13 63	0.12 63	0.12 55	0.14 76

FADNet	0.21 46	0.22 91	0.36 82	0.18 27	0.17 83	0.24 56	0.13 11	0.31 40	0.31 35	0.23 37	0.25 18	0.27 35	0.21 36	0.19 21	0.15 16	0.13 75	0.15 85	0.12 51	0.15 81	0.16 84	0.18 90

PSMNet_ROB	0.21 46	0.11 31	0.15 17	0.27 87	0.15 67	0.24 56	0.35 98	0.43 93	0.37 52	0.27 54	0.32 42	0.32 57	0.22 43	0.21 33	0.26 66	0.12 60	0.08 37	0.13 63	0.11 54	0.09 27	0.09 35

PWC_ROB	0.21 46	0.16 67	0.26 59	0.18 27	0.11 34	0.22 45	0.13 11	0.32 45	0.49 79	0.30 66	0.40 72	0.32 57	0.24 51	0.31 69	0.22 44	0.10 35	0.07 33	0.11 42	0.08 19	0.11 47	0.10 41

RYNet	0.22 52	0.12 41	0.22 50	0.19 37	0.17 83	0.46 94	0.26 76	0.38 79	0.48 77	0.24 38	0.28 25	0.34 63	0.23 45	0.20 24	0.30 85	0.10 35	0.06 18	0.09 23	0.09 27	0.13 62	0.15 79

NaN_ROB	0.22 52	0.19 82	0.24 58	0.25 75	0.13 53	0.29 74	0.26 76	0.33 56	0.41 63	0.31 69	0.31 38	0.32 57	0.23 45	0.30 68	0.21 42	0.11 44	0.17 90	0.10 32	0.10 41	0.08 20	0.09 35

MDST_ROB	0.22 52	0.10 19	0.17 30	0.18 27	0.11 34	0.37 91	0.19 48	0.43 93	0.41 63	0.39 86	0.39 67	0.29 44	0.21 36	0.26 51	0.18 30	0.11 44	0.10 57	0.14 71	0.11 54	0.10 39	0.08 24

edge stereo	0.22 52	0.13 51	0.20 43	0.21 50	0.13 53	0.23 55	0.16 29	0.32 45	0.42 66	0.32 74	0.40 72	0.38 74	0.35 87	0.25 50	0.24 54	0.13 75	0.11 63	0.14 71	0.11 54	0.12 55	0.13 62

XPNet_ROB	0.22 52	0.11 31	0.19 41	0.22 57	0.13 53	0.22 45	0.19 48	0.34 61	0.40 60	0.30 66	0.39 67	0.39 80	0.26 56	0.26 51	0.28 78	0.15 86	0.10 57	0.10 32	0.10 41	0.13 62	0.12 57

stereogan	0.22 52	0.11 31	0.21 45	0.20 40	0.12 47	0.31 77	0.19 48	0.35 68	0.44 70	0.22 30	0.39 67	0.35 66	0.27 63	0.33 76	0.22 44	0.10 35	0.12 70	0.10 32	0.10 41	0.14 73	0.13 62

AF-Net	0.22 52	0.17 76	0.17 30	0.26 79	0.13 53	0.25 62	0.24 70	0.32 45	0.50 81	0.25 46	0.33 48	0.38 74	0.26 56	0.28 61	0.25 60	0.11 44	0.10 57	0.16 82	0.11 54	0.11 47	0.10 41

NCCL2	0.23 59	0.15 61	0.17 30	0.34 100	0.18 89	0.24 56	0.23 64	0.34 61	0.28 27	0.31 69	0.38 58	0.38 74	0.28 66	0.23 43	0.24 54	0.15 86	0.12 70	0.18 89	0.21 92	0.13 62	0.13 62

ETE_ROB	0.23 59	0.17 76	0.22 50	0.25 75	0.13 53	0.26 67	0.29 87	0.31 40	0.36 49	0.28 60	0.36 55	0.45 88	0.26 56	0.27 53	0.26 66	0.11 44	0.08 37	0.12 51	0.09 27	0.14 73	0.13 62

Anonymous Stereo	0.23 59	0.19 82	0.50 96	0.24 67	0.17 83	0.21 40	0.21 57	0.33 56	0.44 70	0.25 46	0.34 50	0.26 32	0.18 25	0.31 69	0.27 71	0.13 75	0.12 70	0.12 51	0.13 69	0.11 47	0.14 76

RTSC	0.23 59	0.12 41	0.28 66	0.21 50	0.13 53	0.28 71	0.16 29	0.35 68	0.66 101	0.27 54	0.33 48	0.30 47	0.21 36	0.31 69	0.29 81	0.10 35	0.08 37	0.09 23	0.10 41	0.13 62	0.13 62

Nwc_Net	0.23 59	0.16 67	0.21 45	0.25 75	0.14 63	0.24 56	0.26 76	0.37 75	0.38 55	0.22 30	0.41 80	0.30 47	0.28 66	0.28 61	0.25 60	0.11 44	0.10 57	0.17 84	0.20 90	0.10 39	0.10 41

PA-Net	0.23 59	0.18 80	0.33 77	0.28 91	0.22 97	0.21 40	0.38 102	0.29 30	0.39 57	0.22 30	0.32 42	0.25 27	0.26 56	0.20 24	0.25 60	0.09 28	0.23 104	0.15 76	0.22 94	0.09 27	0.13 62
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
SGM_RVC	0.23 59	0.12 41	0.15 17	0.15 6	0.09 16	0.33 82	0.18 35	0.34 61	0.31 35	0.44 94	0.37 56	0.53 96	0.35 87	0.35 82	0.24 54	0.13 75	0.13 78	0.13 63	0.13 69	0.10 39	0.11 53
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Abc-Net	0.24 66	0.15 61	0.31 73	0.26 79	0.16 72	0.20 33	0.30 90	0.40 83	0.40 60	0.24 38	0.38 58	0.33 60	0.28 66	0.36 86	0.27 71	0.12 60	0.11 63	0.15 76	0.22 94	0.13 62	0.13 62

ADCL	0.24 66	0.11 31	0.47 94	0.22 57	0.12 47	0.34 84	0.29 87	0.29 30	0.56 91	0.24 38	0.46 87	0.30 47	0.30 78	0.29 67	0.29 81	0.08 20	0.07 33	0.09 23	0.09 27	0.10 39	0.10 41

G-Net	0.24 66	0.16 67	0.36 82	0.22 57	0.16 72	0.51 97	0.23 64	0.29 30	0.34 44	0.36 79	0.38 58	0.31 53	0.29 74	0.27 53	0.26 66	0.11 44	0.09 47	0.12 51	0.09 27	0.16 84	0.13 62

NCC-stereo	0.24 66	0.15 61	0.31 73	0.26 79	0.16 72	0.20 33	0.30 90	0.40 83	0.40 60	0.24 38	0.38 58	0.33 60	0.28 66	0.36 86	0.27 71	0.12 60	0.11 63	0.15 76	0.22 94	0.13 62	0.13 62

DeepPrunerF	0.24 66	0.17 76	0.42 91	0.26 79	0.16 72	0.22 45	0.28 85	0.37 75	0.50 81	0.26 48	0.29 29	0.24 23	0.28 66	0.21 33	0.22 44	0.15 86	0.11 63	0.20 93	0.18 88	0.12 55	0.13 62

WCMA_ROB	0.24 66	0.11 31	0.22 50	0.17 19	0.14 63	0.32 78	0.15 22	0.32 45	0.32 39	0.38 84	0.53 92	0.40 81	0.34 85	0.34 78	0.25 60	0.11 44	0.12 70	0.12 51	0.10 41	0.14 73	0.14 76

STTStereo_v2	0.24 66	0.16 67	0.36 82	0.22 57	0.16 72	0.51 97	0.23 64	0.29 30	0.34 44	0.36 79	0.38 58	0.31 53	0.29 74	0.27 53	0.26 66	0.11 44	0.09 47	0.12 51	0.09 27	0.16 84	0.13 62

SANet	0.24 66	0.14 57	0.28 66	0.21 50	0.11 34	0.27 69	0.24 70	0.38 79	0.64 99	0.36 79	0.40 72	0.43 85	0.26 56	0.27 53	0.24 54	0.12 60	0.09 47	0.10 32	0.09 27	0.13 62	0.11 53

FBW_ROB	0.24 66	0.17 76	0.22 50	0.26 79	0.14 63	0.25 62	0.22 59	0.41 87	0.41 63	0.41 91	0.41 80	0.42 83	0.27 63	0.31 69	0.23 50	0.09 28	0.14 83	0.14 71	0.12 63	0.11 47	0.09 35

RGC	0.25 75	0.20 86	0.29 70	0.28 91	0.16 72	0.22 45	0.23 64	0.32 45	0.44 70	0.27 54	0.40 72	0.38 74	0.27 63	0.36 86	0.22 44	0.11 44	0.13 78	0.17 84	0.17 87	0.14 73	0.16 86

LALA_ROB	0.25 75	0.16 67	0.22 50	0.26 79	0.17 83	0.27 69	0.27 82	0.42 91	0.37 52	0.33 76	0.38 58	0.51 94	0.26 56	0.28 61	0.27 71	0.16 92	0.09 47	0.12 51	0.11 54	0.13 62	0.12 57

ADCMid	0.25 75	0.15 61	0.40 88	0.20 40	0.14 63	0.25 62	0.26 76	0.34 61	0.38 55	0.36 79	0.44 86	0.34 63	0.40 93	0.35 82	0.33 90	0.10 35	0.09 47	0.11 42	0.11 54	0.13 62	0.12 57

ADCPNet	0.25 75	0.16 67	0.61 101	0.21 50	0.15 67	0.35 90	0.25 73	0.32 45	0.35 47	0.30 66	0.40 72	0.36 68	0.28 66	0.28 61	0.32 88	0.12 60	0.10 57	0.11 42	0.12 63	0.14 73	0.13 62

SHD	0.26 79	0.15 61	0.30 72	0.24 67	0.18 89	0.22 45	0.15 22	0.38 79	0.71 103	0.32 74	0.41 80	0.36 68	0.28 66	0.32 75	0.29 81	0.12 60	0.11 63	0.14 71	0.13 69	0.16 84	0.20 95

AnyNet_C32	0.26 79	0.16 67	0.36 82	0.20 40	0.16 72	0.25 62	0.30 90	0.32 45	0.44 70	0.31 69	0.49 89	0.30 47	0.33 82	0.40 95	0.33 90	0.12 60	0.12 70	0.12 51	0.14 73	0.14 73	0.15 79

DispFullNet	0.27 81	0.21 90	0.65 103	0.28 91	0.16 72	0.26 67	0.17 32	0.33 56	0.58 94	0.27 54	0.38 58	0.43 85	0.23 45	0.38 90	0.23 50	0.12 60	0.06 18	0.19 91	0.11 54	0.21 95	0.15 79

MeshStereo	0.27 81	0.13 51	0.18 37	0.15 6	0.11 34	0.32 78	0.24 70	0.40 83	0.36 49	0.52 97	0.57 95	0.67 104	0.40 93	0.35 82	0.26 66	0.14 84	0.13 78	0.13 63	0.11 54	0.11 47	0.10 41
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
PDISCO_ROB	0.27 81	0.16 67	0.26 59	0.28 91	0.20 93	0.32 78	0.26 76	0.44 95	0.57 92	0.28 60	0.40 72	0.45 88	0.29 74	0.33 76	0.34 92	0.12 60	0.09 47	0.17 84	0.16 83	0.17 89	0.13 62

XQC	0.28 84	0.23 92	0.51 97	0.28 91	0.19 91	0.34 84	0.27 82	0.36 71	0.57 92	0.31 69	0.30 32	0.37 71	0.30 78	0.38 90	0.38 97	0.13 75	0.09 47	0.15 76	0.12 63	0.17 89	0.18 90

DPSNet	0.28 84	0.16 67	0.31 73	0.18 27	0.13 53	0.54 99	0.42 104	0.51 102	0.67 102	0.29 63	0.38 58	0.38 74	0.29 74	0.31 69	0.23 50	0.11 44	0.10 57	0.11 42	0.08 19	0.20 94	0.16 86

CSAN	0.29 86	0.24 93	0.27 62	0.34 100	0.19 91	0.33 82	0.42 104	0.37 75	0.50 81	0.38 84	0.40 72	0.44 87	0.33 82	0.28 61	0.30 85	0.20 97	0.16 87	0.19 91	0.19 89	0.14 73	0.15 79

ADCS	0.29 86	0.18 80	0.45 92	0.21 50	0.17 83	0.28 71	0.23 64	0.41 87	0.63 98	0.40 88	0.49 89	0.40 81	0.36 89	0.39 93	0.40 100	0.13 75	0.12 70	0.13 63	0.14 73	0.16 84	0.16 86

MFN_U_SF_DS_RVC	0.30 88	0.24 93	0.29 70	0.36 103	0.16 72	0.34 84	0.30 90	0.32 45	0.42 66	0.40 88	0.46 87	0.38 74	0.31 80	0.34 78	0.28 78	0.19 95	0.20 96	0.26 97	0.29 104	0.18 91	0.19 94

MSMD_ROB	0.31 89	0.26 97	0.26 59	0.24 67	0.21 95	0.34 84	0.25 73	0.34 61	0.39 57	0.40 88	0.69 100	0.45 88	0.40 93	0.34 78	0.27 71	0.20 97	0.19 94	0.26 97	0.25 99	0.23 97	0.22 99

GANetREF_RVC	0.31 89	0.34 104	0.27 62	0.35 102	0.16 72	0.32 78	0.41 103	0.48 98	0.51 88	0.35 77	0.35 52	0.34 63	0.33 82	0.39 93	0.32 88	0.27 106	0.20 96	0.29 105	0.15 81	0.18 91	0.17 89
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
SGM-ForestM	0.32 91	0.12 41	0.16 27	0.16 12	0.11 34	0.39 93	0.19 48	0.41 87	0.50 81	0.52 97	0.54 93	1.32 110	0.42 99	0.40 95	0.27 71	0.14 84	0.16 87	0.16 82	0.16 83	0.12 55	0.12 57

PASM	0.32 91	0.24 93	0.48 95	0.28 91	0.27 103	0.29 74	0.30 90	0.34 61	0.49 79	0.35 77	0.39 67	0.46 91	0.34 85	0.34 78	0.35 93	0.23 105	0.25 105	0.26 97	0.28 103	0.23 97	0.21 97

FC-DCNN	0.33 93	0.27 98	0.28 66	0.26 79	0.23 99	0.37 91	0.28 85	0.40 83	0.43 69	0.45 95	0.55 94	0.51 94	0.40 93	0.37 89	0.30 85	0.21 100	0.20 96	0.27 100	0.26 100	0.25 102	0.24 100

LSM	0.33 93	0.20 86	0.58 100	0.26 79	0.60 110	0.34 84	0.25 73	0.42 91	0.48 77	0.45 95	0.58 97	0.42 83	0.36 89	0.35 82	0.25 60	0.12 60	0.20 96	0.14 71	0.16 83	0.19 93	0.33 107

AnyNet_C01	0.36 95	0.25 96	1.37 109	0.22 57	0.17 83	0.48 96	0.27 82	0.35 68	0.39 57	0.39 86	0.74 104	0.46 91	0.38 91	0.45 97	0.47 105	0.13 75	0.13 78	0.13 63	0.14 73	0.14 73	0.15 79

PVD	0.39 96	0.20 86	0.39 87	0.31 99	0.22 97	0.29 74	0.43 106	0.52 103	0.96 110	0.55 100	0.79 107	0.53 96	0.59 106	0.52 101	0.38 97	0.19 95	0.14 83	0.17 84	0.14 73	0.24 101	0.31 105

SAMSARA	0.40 97	0.28 101	0.33 77	0.55 109	0.39 106	0.82 110	1.23 112	0.47 97	0.51 88	0.36 79	0.35 52	0.55 98	0.39 92	0.38 90	0.39 99	0.15 86	0.20 96	0.15 76	0.14 73	0.23 97	0.20 95

ELAS_RVC	0.41 98	0.29 102	0.33 77	0.28 91	0.24 100	0.54 99	0.36 99	0.49 100	0.59 95	0.72 106	0.74 104	0.65 102	0.54 101	0.54 105	0.40 100	0.22 102	0.20 96	0.27 100	0.26 100	0.26 104	0.25 102
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 98	0.29 102	0.33 77	0.27 87	0.24 100	0.60 101	0.36 99	0.50 101	0.50 81	0.71 104	0.79 107	0.67 104	0.54 101	0.51 99	0.42 102	0.22 102	0.20 96	0.27 100	0.26 100	0.26 104	0.25 102
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 100	0.39 106	0.54 98	0.40 104	0.20 93	0.64 103	0.32 96	0.53 104	0.72 104	0.71 104	0.72 102	0.61 99	0.54 101	0.51 99	0.46 104	0.20 97	0.19 94	0.29 105	0.30 105	0.23 97	0.18 90

RTSA	0.45 101	0.19 82	3.26 111	0.24 67	0.15 67	0.74 106	0.20 54	0.36 71	0.76 107	0.42 92	0.43 84	0.31 53	0.41 97	0.53 103	0.35 93	0.10 35	0.08 37	0.13 63	0.12 63	0.15 81	0.15 79

MANE	0.45 101	0.27 98	0.27 62	0.27 87	0.24 100	0.47 95	0.31 95	0.55 106	0.59 95	0.72 106	1.13 112	1.15 109	0.61 107	0.52 101	0.37 96	0.21 100	0.20 96	0.27 100	0.31 106	0.25 102	0.24 100

RTS	0.45 101	0.19 82	3.26 111	0.24 67	0.15 67	0.74 106	0.20 54	0.36 71	0.76 107	0.42 92	0.43 84	0.31 53	0.41 97	0.53 103	0.35 93	0.10 35	0.08 37	0.13 63	0.12 63	0.15 81	0.15 79

NVStereoNet_ROB	0.46 104	0.36 105	0.46 93	0.41 106	0.28 104	0.34 84	0.34 97	0.48 98	0.60 97	0.72 106	0.93 109	0.70 107	0.66 110	0.47 98	0.60 107	0.22 102	0.33 106	0.34 107	0.34 107	0.30 106	0.30 104
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	0.50 105	0.07 5	0.14 10	0.15 6	0.08 8	0.24 56	0.16 29	0.22 6	1.81 112	4.63 113	0.67 99	0.47 93	0.44 100	0.20 24	0.29 81	0.07 9	0.06 18	0.06 7	0.06 12	0.08 20	0.06 6

BEATNet-Init1	0.52 106	0.27 98	0.62 102	0.30 98	0.21 95	0.76 109	0.29 87	0.54 105	0.65 100	0.86 109	0.95 110	2.07 112	0.62 109	0.56 106	0.42 102	0.18 94	0.18 92	0.23 95	0.22 94	0.22 96	0.21 97

SGM+DAISY	0.56 107	0.57 107	0.65 103	0.40 104	0.54 108	0.66 104	0.49 108	0.56 107	0.45 76	0.66 102	0.69 100	0.67 104	0.56 104	0.63 108	0.56 106	0.59 108	0.48 110	0.50 108	0.50 110	0.52 108	0.58 109

SPS-STEREO	0.57 108	0.58 108	0.65 103	0.45 107	0.55 109	0.62 102	0.44 107	0.62 108	0.50 81	0.68 103	0.64 98	0.66 103	0.57 105	0.61 107	0.60 107	0.62 109	0.47 109	0.51 109	0.49 108	0.55 109	0.58 109
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 109	0.66 109	0.65 103	0.51 108	0.69 111	0.69 105	0.57 109	0.64 109	0.73 105	0.60 101	0.73 103	0.62 100	0.67 111	0.65 109	0.60 107	0.66 110	0.58 112	0.63 110	0.59 111	0.68 110	0.69 111

PWCK	0.71 110	0.94 111	0.95 108	0.76 111	0.31 105	0.74 106	0.36 99	0.90 111	0.90 109	0.96 110	0.75 106	0.95 108	0.61 107	0.87 111	0.66 110	0.72 111	0.46 108	0.75 111	0.49 108	0.69 111	0.44 108

MADNet+	0.75 111	0.71 110	3.70 113	0.66 110	0.41 107	0.98 111	0.97 110	0.69 110	0.73 105	0.52 97	0.57 95	0.64 101	0.68 112	0.86 110	1.01 111	0.34 107	0.36 107	0.28 104	0.23 98	0.36 107	0.31 105

DPSimNet_ROB	1.11 112	1.23 112	0.78 107	1.13 112	0.88 112	1.10 112	1.13 111	1.16 112	1.23 111	1.43 111	1.02 111	1.41 111	1.10 113	0.90 112	1.60 112	1.46 112	0.51 111	1.21 112	1.03 112	0.90 112	1.01 112

MADNet++	1.95 113	1.75 113	1.59 110	1.82 113	1.69 113	2.33 113	1.40 113	2.35 113	2.09 113	2.57 112	2.36 113	2.24 113	2.17 114	2.28 113	2.34 113	1.87 113	1.66 113	1.54 113	1.34 113	1.92 113	1.77 113

DGTPSM_ROB	8.06 114	4.48 114	8.63 116	5.35 114	10.72 114	8.32 114	22.97 116	5.46 114	13.35 114	5.12 114	9.92 114	5.08 114	10.40 115	5.52 114	12.58 114	3.79 114	8.00 114	3.50 114	7.02 116	3.83 114	7.14 114

DPSMNet_ROB	8.06 114	4.48 114	8.63 116	5.37 115	10.74 115	8.32 114	22.98 117	5.46 114	13.36 115	5.12 114	9.92 114	5.08 114	10.40 115	5.53 115	12.58 114	3.80 115	8.00 114	3.50 114	7.02 116	3.83 114	7.14 114

DPSM	11.15 116	8.58 116	8.00 114	10.88 116	11.58 116	19.10 118	26.71 118	12.05 116	14.07 116	10.36 116	10.84 116	10.33 116	11.86 117	11.70 116	13.54 116	6.99 116	8.79 116	5.89 116	6.95 114	7.29 116	7.42 116

DPSM_ROB	11.15 116	8.58 116	8.00 114	10.88 116	11.58 116	19.10 118	26.71 118	12.05 116	14.07 116	10.36 116	10.84 116	10.33 116	11.86 117	11.70 116	13.54 116	6.99 116	8.79 116	5.89 116	6.95 114	7.29 116	7.42 116

MEDIAN_ROB	20.38 118	24.04 119	23.31 119	21.23 118	21.71 118	10.40 116	7.92 114	17.64 118	15.50 118	20.12 118	19.70 118	20.34 118	20.32 119	21.19 118	21.13 118	23.81 119	21.81 119	24.98 119	23.76 119	24.71 119	23.93 119

LSM0	22.87 119	17.28 118	18.96 118	22.19 119	29.04 120	38.42 120	53.71 120	24.28 120	28.31 120	20.78 119	21.00 119	21.43 119	24.16 120	23.50 119	27.39 120	14.09 118	17.38 118	11.84 118	14.04 118	14.73 118	14.89 118

AVERAGE_ROB	24.90 120	29.20 120	28.14 120	24.89 120	24.64 119	17.75 117	11.12 115	21.45 119	19.93 119	25.12 120	24.46 120	25.12 120	25.46 121	24.69 120	22.83 119	29.76 120	27.13 120	28.97 120	27.95 120	29.91 120	29.47 120

MSMDNet													0.13 6

Low-res two-view benchmark