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	0.10 114	0.15 72	0.05 1	0.07 30	0.11 49	0.09 11	0.04 2	0.06 11	0.05 7	0.06 18	0.04 1	0.08 16	0.09 54	0.06 118	0.04 22	0.05 25	0.03 1	0.05 102	0.05 125

MLG-Stereo_test1	0.06 1	0.05 19	0.08 33	0.17 220	0.05 1	0.06 10	0.11 49	0.08 4	0.03 1	0.05 1	0.04 1	0.06 18	0.05 11	0.09 35	0.09 54	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 42

FoundationStereo	0.06 1	0.04 1	0.08 33	0.12 4	0.05 1	0.09 84	0.13 108	0.06 1	0.09 24	0.05 1	0.05 7	0.06 18	0.04 1	0.06 1	0.07 1	0.06 118	0.04 22	0.05 25	0.03 1	0.05 102	0.04 42

Monster-pub-eth3d	0.07 4	0.06 59	0.05 1	0.15 72	0.05 1	0.08 53	0.10 29	0.15 111	0.15 164	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

Monster-pub-mixall	0.07 4	0.04 1	0.09 75	0.13 13	0.06 14	0.05 4	0.09 18	0.11 29	0.07 8	0.06 11	0.06 13	0.05 1	0.06 36	0.09 35	0.09 54	0.06 118	0.04 22	0.04 1	0.03 1	0.05 102	0.05 125

Replicate-Monster	0.07 4	0.05 19	0.09 75	0.14 31	0.06 14	0.08 53	0.09 18	0.13 61	0.13 122	0.05 1	0.07 40	0.06 18	0.06 36	0.08 16	0.10 125	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 42

AdaDepth	0.07 4	0.06 59	0.07 8	0.18 302	0.06 14	0.11 178	0.12 66	0.09 11	0.07 8	0.06 11	0.05 7	0.07 65	0.06 36	0.09 35	0.10 125	0.04 11	0.05 188	0.05 25	0.04 37	0.04 16	0.04 42

asda	0.07 4	0.08 242	0.08 33	0.16 146	0.06 14	0.06 10	0.10 29	0.16 138	0.10 37	0.06 11	0.06 13	0.05 1	0.05 11	0.10 66	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

asd	0.07 4	0.08 242	0.07 8	0.16 146	0.07 74	0.08 53	0.08 7	0.11 29	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.10 66	0.09 54	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

qwe	0.07 4	0.08 242	0.07 8	0.15 72	0.06 14	0.07 30	0.10 29	0.18 203	0.11 63	0.07 33	0.07 40	0.06 18	0.06 36	0.10 66	0.09 54	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

2.25w	0.07 4	0.06 59	0.07 8	0.14 31	0.06 14	0.08 53	0.08 7	0.10 18	0.15 164	0.08 66	0.10 121	0.07 65	0.06 36	0.08 16	0.10 125	0.05 28	0.03 1	0.04 1	0.04 37	0.03 1	0.04 42

4.25_new	0.07 4	0.08 242	0.09 75	0.15 72	0.06 14	0.09 84	0.08 7	0.14 80	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.12 195	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4.5w_new	0.07 4	0.08 242	0.09 75	0.15 72	0.06 14	0.09 84	0.08 7	0.14 80	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.12 195	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4.5_new	0.07 4	0.09 318	0.08 33	0.15 72	0.07 74	0.06 10	0.10 29	0.14 80	0.11 63	0.06 11	0.08 74	0.06 18	0.06 36	0.08 16	0.10 125	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

4.5w-stereo	0.07 4	0.09 318	0.08 33	0.15 72	0.07 74	0.06 10	0.10 29	0.14 80	0.11 63	0.06 11	0.08 74	0.06 18	0.06 36	0.08 16	0.10 125	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

4.25w-stereo	0.07 4	0.08 242	0.09 75	0.15 72	0.06 14	0.09 84	0.08 7	0.14 80	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.12 195	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4w-stereo	0.07 4	0.08 242	0.08 33	0.16 146	0.06 14	0.07 30	0.08 7	0.12 45	0.08 13	0.07 33	0.07 40	0.05 1	0.06 36	0.09 35	0.10 125	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

2.5w	0.07 4	0.07 143	0.07 8	0.16 146	0.06 14	0.08 53	0.12 66	0.10 18	0.10 37	0.07 33	0.06 13	0.09 127	0.06 36	0.08 16	0.09 54	0.04 11	0.03 1	0.04 1	0.04 37	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 143	0.07 8	0.13 13	0.06 14	0.08 53	0.08 7	0.18 203	0.12 90	0.07 33	0.08 74	0.06 18	0.06 36	0.09 35	0.11 193	0.04 11	0.04 22	0.04 1	0.03 1	0.03 1	0.04 42

3.25w_new	0.07 4	0.06 59	0.07 8	0.15 72	0.06 14	0.10 132	0.07 3	0.12 45	0.11 63	0.08 66	0.06 13	0.07 65	0.06 36	0.11 112	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 59	0.07 8	0.15 72	0.06 14	0.10 132	0.07 3	0.12 45	0.11 63	0.08 66	0.06 13	0.07 65	0.06 36	0.11 112	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 143	0.08 33	0.16 146	0.07 74	0.07 30	0.09 18	0.16 138	0.09 24	0.07 33	0.06 13	0.05 1	0.06 36	0.09 35	0.10 125	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 4	0.07 143	0.07 8	0.15 72	0.07 74	0.09 84	0.06 1	0.13 61	0.11 63	0.07 33	0.07 40	0.06 18	0.07 110	0.10 66	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 59	0.07 8	0.16 146	0.06 14	0.07 30	0.10 29	0.14 80	0.14 147	0.07 33	0.08 74	0.05 1	0.06 36	0.09 35	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 42

monsterstereo	0.07 4	0.06 59	0.06 3	0.16 146	0.06 14	0.08 53	0.10 29	0.16 138	0.11 63	0.07 33	0.08 74	0.06 18	0.07 110	0.08 16	0.09 54	0.04 11	0.04 22	0.05 25	0.04 37	0.03 1	0.03 1

monsters	0.07 4	0.06 59	0.06 3	0.15 72	0.06 14	0.08 53	0.09 18	0.12 45	0.08 13	0.09 97	0.07 40	0.06 18	0.06 36	0.08 16	0.08 17	0.05 28	0.04 22	0.04 1	0.04 37	0.03 1	0.03 1

IGEV	0.07 4	0.04 1	0.08 33	0.13 13	0.06 14	0.09 84	0.12 66	0.14 80	0.10 37	0.06 11	0.09 92	0.07 65	0.05 11	0.09 35	0.09 54	0.06 118	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

111111	0.07 4	0.04 1	0.09 75	0.17 220	0.06 14	0.05 4	0.10 29	0.11 29	0.09 24	0.06 11	0.06 13	0.07 65	0.05 11	0.09 35	0.09 54	0.06 118	0.04 22	0.05 25	0.04 37	0.07 263	0.06 205

LG-Stereo_L2	0.07 4	0.05 19	0.10 114	0.14 31	0.06 14	0.07 30	0.12 66	0.09 11	0.09 24	0.06 11	0.04 1	0.05 1	0.05 11	0.08 16	0.08 17	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.03 1

LG-Stereo_L1	0.07 4	0.05 19	0.11 155	0.14 31	0.06 14	0.07 30	0.13 108	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 16	0.07 1	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 42

MLG-Stereo_test3	0.07 4	0.05 19	0.10 114	0.14 31	0.06 14	0.07 30	0.11 49	0.08 4	0.06 4	0.06 11	0.04 1	0.06 18	0.06 36	0.07 4	0.10 125	0.06 118	0.04 22	0.05 25	0.04 37	0.05 102	0.06 205

MLG-Stereo	0.07 4	0.05 19	0.08 33	0.17 220	0.05 1	0.07 30	0.11 49	0.08 4	0.04 2	0.05 1	0.04 1	0.06 18	0.05 11	0.10 66	0.09 54	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 42

LG-G_1	0.07 4	0.04 1	0.11 155	0.15 72	0.06 14	0.09 84	0.08 7	0.08 4	0.06 4	0.06 11	0.05 7	0.07 65	0.07 110	0.11 112	0.08 17	0.07 245	0.04 22	0.05 25	0.04 37	0.05 102	0.05 125

LG-G	0.07 4	0.04 1	0.11 155	0.15 72	0.06 14	0.09 84	0.08 7	0.08 4	0.06 4	0.06 11	0.05 7	0.07 65	0.07 110	0.11 112	0.08 17	0.07 245	0.04 22	0.05 25	0.04 37	0.05 102	0.05 125

LGtest1	0.07 4	0.04 1	0.10 114	0.15 72	0.06 14	0.07 30	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 18	0.06 36	0.10 66	0.09 54	0.07 245	0.04 22	0.05 25	0.04 37	0.06 197	0.06 205

LG-Stereo_Zeroshot	0.07 4	0.06 59	0.10 114	0.16 146	0.07 74	0.04 1	0.13 108	0.10 18	0.10 37	0.05 1	0.11 153	0.07 65	0.05 11	0.07 4	0.09 54	0.06 118	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

GREAT-IGEV	0.07 4	0.06 59	0.08 33	0.13 13	0.07 74	0.07 30	0.14 157	0.09 11	0.09 24	0.06 11	0.07 40	0.06 18	0.05 11	0.10 66	0.07 1	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

StereoAnything_RVC	0.07 4	0.15 471	0.17 383	0.11 1	0.05 1	0.05 4	0.11 49	0.08 4	0.08 13	0.06 11	0.06 13	0.05 1	0.05 11	0.09 35	0.08 17	0.08 306	0.04 22	0.05 25	0.03 1	0.05 102	0.04 42

AIO_rvc	0.07 4	0.06 59	0.08 33	0.15 72	0.06 14	0.08 53	0.14 157	0.09 11	0.08 13	0.07 33	0.08 74	0.07 65	0.04 1	0.10 66	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

AIO_test	0.07 4	0.05 19	0.07 8	0.15 72	0.07 74	0.06 10	0.14 157	0.10 18	0.10 37	0.07 33	0.07 40	0.06 18	0.05 11	0.08 16	0.10 125	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

MonSter	0.07 4	0.06 59	0.05 1	0.15 72	0.05 1	0.07 30	0.10 29	0.15 111	0.15 164	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

DEFOM-Stereo	0.07 4	0.05 19	0.07 8	0.14 31	0.06 14	0.10 132	0.13 108	0.07 2	0.13 122	0.06 11	0.07 40	0.06 18	0.05 11	0.10 66	0.09 54	0.04 11	0.04 22	0.05 25	0.03 1	0.04 16	0.04 42

dual_stereo	0.07 4	0.04 1	0.08 33	0.15 72	0.05 1	0.05 4	0.13 108	0.12 45	0.08 13	0.07 33	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 118	0.04 22	0.05 25	0.03 1	0.04 16	0.04 42

IGEV-Stereo++	0.07 4	0.06 59	0.08 33	0.18 302	0.06 14	0.04 1	0.10 29	0.11 29	0.11 63	0.06 11	0.07 40	0.07 65	0.06 36	0.09 35	0.09 54	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

IGEV-Stereo+	0.07 4	0.04 1	0.08 33	0.15 72	0.06 14	0.04 1	0.09 18	0.10 18	0.09 24	0.06 11	0.06 13	0.06 18	0.06 36	0.06 1	0.08 17	0.06 118	0.04 22	0.05 25	0.04 37	0.06 197	0.06 205

Selective-IGEV	0.07 4	0.06 59	0.08 33	0.17 220	0.06 14	0.08 53	0.12 66	0.13 61	0.07 8	0.08 66	0.07 40	0.06 18	0.04 1	0.10 66	0.09 54	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

GGEV	0.08 47	0.07 143	0.06 3	0.18 302	0.08 130	0.10 132	0.13 108	0.13 61	0.11 63	0.09 97	0.10 121	0.09 127	0.07 110	0.11 112	0.10 125	0.05 28	0.04 22	0.06 105	0.04 37	0.05 102	0.04 42

zero-FE	0.08 47	0.04 1	0.09 75	0.15 72	0.10 346	0.05 4	0.14 157	0.09 11	0.14 147	0.07 33	0.06 13	0.07 65	0.06 36	0.09 35	0.10 125	0.06 118	0.04 22	0.06 105	0.04 37	0.08 326	0.05 125

DA2	0.08 47	0.07 143	0.07 8	0.19 360	0.08 130	0.09 84	0.12 66	0.13 61	0.12 90	0.08 66	0.10 121	0.10 159	0.08 146	0.09 35	0.10 125	0.05 28	0.04 22	0.06 105	0.04 37	0.05 102	0.03 1

GASTEREO	0.08 47	0.05 19	0.09 75	0.19 360	0.07 74	0.07 30	0.12 66	0.14 80	0.11 63	0.10 131	0.09 92	0.07 65	0.04 1	0.12 195	0.08 17	0.06 118	0.05 188	0.05 25	0.04 37	0.04 16	0.05 125

MSCF	0.08 47	0.05 19	0.08 33	0.19 360	0.08 130	0.06 10	0.12 66	0.14 80	0.11 63	0.10 131	0.09 92	0.07 65	0.04 1	0.11 112	0.08 17	0.06 118	0.05 188	0.05 25	0.04 37	0.05 102	0.05 125

S2M2_XL	0.08 47	0.06 59	0.12 190	0.12 4	0.08 130	0.09 84	0.09 18	0.07 2	0.07 8	0.08 66	0.07 40	0.07 65	0.06 36	0.09 35	0.09 54	0.08 306	0.06 313	0.07 200	0.05 113	0.08 326	0.06 205
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 47	0.09 318	0.10 114	0.17 220	0.07 74	0.08 53	0.10 29	0.20 235	0.13 122	0.06 11	0.07 40	0.05 1	0.06 36	0.08 16	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

2w_stereo	0.08 47	0.08 242	0.09 75	0.16 146	0.06 14	0.08 53	0.10 29	0.20 235	0.15 164	0.08 66	0.07 40	0.06 18	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 37	0.03 1	0.03 1

LG-Stereo	0.08 47	0.07 143	0.10 114	0.18 302	0.07 74	0.10 132	0.17 324	0.11 29	0.08 13	0.05 1	0.07 40	0.05 1	0.07 110	0.09 35	0.09 54	0.04 11	0.05 188	0.07 200	0.07 278	0.04 16	0.04 42

SGD-Stereo	0.08 47	0.05 19	0.10 114	0.14 31	0.05 1	0.12 213	0.12 66	0.11 29	0.12 90	0.07 33	0.09 92	0.09 127	0.09 173	0.08 16	0.08 17	0.06 118	0.04 22	0.05 25	0.04 37	0.05 102	0.03 1

HART	0.08 47	0.07 143	0.09 75	0.17 220	0.07 74	0.10 132	0.16 290	0.13 61	0.11 63	0.08 66	0.10 121	0.07 65	0.05 11	0.10 66	0.08 17	0.05 28	0.04 22	0.06 105	0.04 37	0.05 102	0.04 42

Reg-Stereo(zero)	0.08 47	0.05 19	0.08 33	0.16 146	0.06 14	0.12 213	0.11 49	0.15 111	0.10 37	0.12 198	0.09 92	0.10 159	0.08 146	0.11 112	0.08 17	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.05 125

SCV_C0	0.08 47	0.07 143	0.07 8	0.16 146	0.09 244	0.08 53	0.15 225	0.11 29	0.12 90	0.08 66	0.07 40	0.06 18	0.05 11	0.11 112	0.07 1	0.05 28	0.05 188	0.05 25	0.04 37	0.06 197	0.05 125

SCV	0.08 47	0.09 318	0.08 33	0.15 72	0.08 130	0.10 132	0.13 108	0.10 18	0.12 90	0.07 33	0.07 40	0.06 18	0.04 1	0.09 35	0.08 17	0.05 28	0.04 22	0.06 105	0.04 37	0.06 197	0.04 42

DEFOM-Stereo_RVC	0.08 47	0.06 59	0.09 75	0.22 460	0.06 14	0.08 53	0.12 66	0.10 18	0.10 37	0.07 33	0.07 40	0.06 18	0.05 11	0.11 112	0.09 54	0.06 118	0.04 22	0.05 25	0.03 1	0.06 197	0.04 42

HUF	0.08 47	0.05 19	0.08 33	0.14 31	0.06 14	0.09 84	0.13 108	0.13 61	0.13 122	0.07 33	0.07 40	0.08 102	0.06 36	0.10 66	0.09 54	0.06 118	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

castereo++	0.08 47	0.05 19	0.08 33	0.15 72	0.05 1	0.14 284	0.12 66	0.11 29	0.15 164	0.07 33	0.07 40	0.07 65	0.06 36	0.08 16	0.08 17	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

IGEV-RUCA	0.08 47	0.06 59	0.11 155	0.14 31	0.09 244	0.10 132	0.12 66	0.10 18	0.12 90	0.06 11	0.07 40	0.07 65	0.06 36	0.09 35	0.08 17	0.06 118	0.05 188	0.05 25	0.04 37	0.05 102	0.06 205

GIP-stereo	0.08 47	0.06 59	0.11 155	0.14 31	0.06 14	0.09 84	0.13 108	0.14 80	0.11 63	0.07 33	0.08 74	0.05 1	0.04 1	0.10 66	0.07 1	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

SMoEStereo_RVC	0.08 47	0.06 59	0.12 190	0.16 146	0.07 74	0.09 84	0.14 157	0.11 29	0.13 122	0.09 97	0.07 40	0.07 65	0.07 110	0.12 195	0.10 125	0.05 28	0.04 22	0.06 105	0.05 113	0.04 16	0.04 42

WCG-NET	0.08 47	0.05 19	0.09 75	0.15 72	0.06 14	0.11 178	0.14 157	0.13 61	0.13 122	0.06 11	0.09 92	0.07 65	0.06 36	0.13 240	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

Occ-G	0.08 47	0.05 19	0.06 3	0.14 31	0.07 74	0.08 53	0.14 157	0.13 61	0.15 164	0.07 33	0.11 153	0.07 65	0.05 11	0.09 35	0.10 125	0.06 118	0.05 188	0.05 25	0.04 37	0.05 102	0.05 125

U	0.08 47	0.07 143	0.09 75	0.19 360	0.10 346	0.10 132	0.13 108	0.12 45	0.17 211	0.07 33	0.07 40	0.06 18	0.05 11	0.07 4	0.08 17	0.06 118	0.04 22	0.06 105	0.04 37	0.06 197	0.05 125

AIO-Stereo	0.08 47	0.06 59	0.09 75	0.18 302	0.06 14	0.08 53	0.12 66	0.15 111	0.09 24	0.08 66	0.08 74	0.07 65	0.05 11	0.11 112	0.08 17	0.05 28	0.05 188	0.05 25	0.04 37	0.04 16	0.04 42

WCG-NET（raft）	0.08 47	0.05 19	0.10 114	0.15 72	0.06 14	0.11 178	0.13 108	0.15 111	0.12 90	0.08 66	0.07 40	0.06 18	0.06 36	0.13 240	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.04 42

RSM++	0.08 47	0.06 59	0.09 75	0.17 220	0.07 74	0.09 84	0.12 66	0.11 29	0.11 63	0.08 66	0.06 13	0.07 65	0.05 11	0.10 66	0.09 54	0.04 11	0.04 22	0.06 105	0.05 113	0.05 102	0.03 1

RSM	0.08 47	0.06 59	0.09 75	0.17 220	0.06 14	0.08 53	0.12 66	0.12 45	0.10 37	0.08 66	0.07 40	0.06 18	0.05 11	0.11 112	0.09 54	0.04 11	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

trnet	0.08 47	0.05 19	0.07 8	0.12 4	0.05 1	0.12 213	0.11 49	0.13 61	0.10 37	0.08 66	0.13 180	0.09 127	0.08 146	0.11 112	0.10 125	0.08 306	0.05 188	0.05 25	0.03 1	0.06 197	0.05 125

MoCha-V2	0.08 47	0.05 19	0.10 114	0.20 416	0.07 74	0.09 84	0.14 157	0.11 29	0.08 13	0.07 33	0.08 74	0.07 65	0.06 36	0.09 35	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.04 42

IGEV++	0.08 47	0.06 59	0.08 33	0.18 302	0.07 74	0.09 84	0.13 108	0.10 18	0.09 24	0.08 66	0.08 74	0.06 18	0.06 36	0.13 240	0.09 54	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

testlalala	0.08 47	0.07 143	0.17 383	0.16 146	0.08 130	0.09 84	0.12 66	0.15 111	0.10 37	0.07 33	0.09 92	0.06 18	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.04 37	0.04 16	0.04 42

AEACV	0.08 47	0.05 19	0.08 33	0.14 31	0.13 449	0.14 284	0.13 108	0.14 80	0.09 24	0.07 33	0.09 92	0.07 65	0.08 146	0.10 66	0.09 54	0.06 118	0.04 22	0.06 105	0.05 113	0.05 102	0.04 42

LoS_RVC	0.08 47	0.05 19	0.07 8	0.15 72	0.07 74	0.08 53	0.15 225	0.11 29	0.10 37	0.08 66	0.09 92	0.06 18	0.09 173	0.10 66	0.09 54	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.03 1

CAS	0.08 47	0.04 1	0.07 8	0.17 220	0.08 130	0.10 132	0.13 108	0.12 45	0.09 24	0.09 97	0.10 121	0.08 102	0.06 36	0.09 35	0.08 17	0.08 306	0.04 22	0.05 25	0.03 1	0.05 102	0.04 42

CES	0.08 47	0.04 1	0.08 33	0.14 31	0.07 74	0.09 84	0.14 157	0.11 29	0.09 24	0.08 66	0.09 92	0.11 181	0.06 36	0.12 195	0.08 17	0.06 118	0.04 22	0.05 25	0.03 1	0.05 102	0.05 125

EGLCR-Stereo	0.08 47	0.05 19	0.08 33	0.14 31	0.06 14	0.10 132	0.12 66	0.11 29	0.16 192	0.06 11	0.05 7	0.07 65	0.05 11	0.10 66	0.11 193	0.06 118	0.04 22	0.06 105	0.05 113	0.04 16	0.04 42

MC-Stereo	0.08 47	0.06 59	0.09 75	0.17 220	0.06 14	0.10 132	0.14 157	0.12 45	0.10 37	0.09 97	0.12 166	0.09 127	0.06 36	0.11 112	0.10 125	0.06 118	0.04 22	0.06 105	0.05 113	0.04 16	0.04 42

test-3	0.08 47	0.06 59	0.09 75	0.17 220	0.07 74	0.07 30	0.14 157	0.12 45	0.15 164	0.09 97	0.08 74	0.07 65	0.08 146	0.11 112	0.10 125	0.05 28	0.04 22	0.07 200	0.05 113	0.04 16	0.04 42

test_1	0.08 47	0.06 59	0.09 75	0.17 220	0.07 74	0.07 30	0.14 157	0.12 45	0.15 164	0.09 97	0.08 74	0.07 65	0.08 146	0.11 112	0.10 125	0.05 28	0.04 22	0.07 200	0.05 113	0.04 16	0.04 42

CREStereo++_RVC	0.08 47	0.04 1	0.06 3	0.13 13	0.07 74	0.09 84	0.12 66	0.14 80	0.14 147	0.10 131	0.14 194	0.08 102	0.07 110	0.09 35	0.11 193	0.06 118	0.04 22	0.05 25	0.05 113	0.04 16	0.04 42
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
water-stereo	0.09 87	0.06 59	0.08 33	0.16 146	0.07 74	0.09 84	0.13 108	0.15 111	0.13 122	0.11 160	0.12 166	0.08 102	0.09 173	0.07 4	0.08 17	0.06 118	0.05 188	0.05 25	0.05 113	0.04 16	0.04 42

depthmonostereo	0.09 87	0.06 59	0.09 75	0.15 72	0.06 14	0.10 132	0.13 108	0.14 80	0.14 147	0.10 131	0.10 121	0.09 127	0.11 230	0.08 16	0.09 54	0.06 118	0.05 188	0.06 105	0.04 37	0.04 16	0.03 1

DilatedVolume-Stereo	0.09 87	0.05 19	0.08 33	0.15 72	0.06 14	0.11 178	0.12 66	0.14 80	0.16 192	0.11 160	0.11 153	0.09 127	0.09 173	0.11 112	0.10 125	0.06 118	0.05 188	0.05 25	0.04 37	0.03 1	0.03 1

S2M2_L	0.09 87	0.08 242	0.11 155	0.13 13	0.10 346	0.08 53	0.06 1	0.10 18	0.10 37	0.10 131	0.09 92	0.10 159	0.09 173	0.11 112	0.11 193	0.13 483	0.07 385	0.08 284	0.09 389	0.10 420	0.08 349
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 87	0.06 59	0.09 75	0.19 360	0.08 130	0.12 213	0.18 369	0.15 111	0.14 147	0.07 33	0.10 121	0.07 65	0.06 36	0.12 195	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.03 1

castereo	0.09 87	0.06 59	0.11 155	0.15 72	0.06 14	0.11 178	0.15 225	0.14 80	0.18 237	0.08 66	0.10 121	0.11 181	0.08 146	0.09 35	0.10 125	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

fffft	0.09 87	0.06 59	0.12 190	0.16 146	0.07 74	0.09 84	0.17 324	0.12 45	0.11 63	0.08 66	0.07 40	0.09 127	0.06 36	0.11 112	0.12 242	0.05 28	0.04 22	0.06 105	0.05 113	0.04 16	0.05 125
1: 1. 1
tt45	0.09 87	0.06 59	0.11 155	0.15 72	0.07 74	0.11 178	0.16 290	0.13 61	0.11 63	0.09 97	0.06 13	0.08 102	0.06 36	0.13 240	0.10 125	0.06 118	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205

999	0.09 87	0.05 19	0.13 235	0.15 72	0.08 130	0.10 132	0.14 157	0.15 111	0.11 63	0.10 131	0.08 74	0.08 102	0.08 146	0.16 322	0.10 125	0.06 118	0.04 22	0.06 105	0.05 113	0.04 16	0.05 125

mms	0.09 87	0.07 143	0.08 33	0.16 146	0.08 130	0.10 132	0.16 290	0.12 45	0.11 63	0.08 66	0.09 92	0.08 102	0.06 36	0.11 112	0.12 242	0.05 28	0.04 22	0.07 200	0.05 113	0.04 16	0.03 1

ours_stereo	0.09 87	0.07 143	0.09 75	0.17 220	0.08 130	0.11 178	0.16 290	0.11 29	0.12 90	0.08 66	0.10 121	0.08 102	0.06 36	0.12 195	0.12 242	0.05 28	0.04 22	0.06 105	0.05 113	0.04 16	0.03 1

fffy	0.09 87	0.08 242	0.09 75	0.16 146	0.07 74	0.13 252	0.17 324	0.13 61	0.12 90	0.08 66	0.09 92	0.08 102	0.09 173	0.13 240	0.11 193	0.05 28	0.05 188	0.07 200	0.05 113	0.04 16	0.05 125

PAM_32	0.09 87	0.05 19	0.17 383	0.15 72	0.08 130	0.10 132	0.15 225	0.14 80	0.15 164	0.09 97	0.08 74	0.09 127	0.07 110	0.14 266	0.08 17	0.06 118	0.05 188	0.06 105	0.06 191	0.05 102	0.06 205

UGAM-zero	0.09 87	0.05 19	0.15 321	0.15 72	0.08 130	0.09 84	0.13 108	0.19 224	0.15 164	0.11 160	0.15 211	0.07 65	0.07 110	0.09 35	0.09 54	0.06 118	0.05 188	0.06 105	0.05 113	0.05 102	0.06 205

GCAP-BAT	0.09 87	0.07 143	0.14 270	0.15 72	0.08 130	0.10 132	0.13 108	0.14 80	0.10 37	0.11 160	0.10 121	0.08 102	0.07 110	0.12 195	0.10 125	0.06 118	0.05 188	0.06 105	0.04 37	0.04 16	0.04 42

Pointernet	0.09 87	0.04 1	0.09 75	0.16 146	0.08 130	0.13 252	0.10 29	0.15 111	0.17 211	0.09 97	0.07 40	0.06 18	0.06 36	0.11 112	0.09 54	0.08 306	0.04 22	0.05 25	0.03 1	0.06 197	0.05 125

IGEV-BASED-STEREO-	0.09 87	0.10 376	0.31 489	0.15 72	0.06 14	0.08 53	0.14 157	0.10 18	0.10 37	0.07 33	0.07 40	0.06 18	0.04 1	0.11 112	0.07 1	0.12 460	0.04 22	0.07 200	0.05 113	0.05 102	0.05 125

RAFT-Stereo-weight	0.09 87	0.06 59	0.10 114	0.16 146	0.07 74	0.09 84	0.14 157	0.19 224	0.16 192	0.11 160	0.10 121	0.08 102	0.06 36	0.10 66	0.11 193	0.06 118	0.04 22	0.06 105	0.04 37	0.04 16	0.04 42

gcap-zeroshot	0.09 87	0.05 19	0.10 114	0.16 146	0.07 74	0.13 252	0.13 108	0.11 29	0.12 90	0.13 225	0.12 166	0.09 127	0.08 146	0.09 35	0.09 54	0.06 118	0.05 188	0.06 105	0.05 113	0.04 16	0.04 42

test_for_model	0.09 87	0.12 420	0.14 270	0.23 481	0.11 395	0.08 53	0.13 108	0.12 45	0.12 90	0.10 131	0.07 40	0.07 65	0.06 36	0.11 112	0.10 125	0.06 118	0.05 188	0.05 25	0.03 1	0.07 263	0.04 42

MGS-Stereo	0.09 87	0.07 143	0.12 190	0.15 72	0.08 130	0.09 84	0.15 225	0.12 45	0.12 90	0.07 33	0.10 121	0.08 102	0.06 36	0.10 66	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.06 197	0.05 125

ff7	0.09 87	0.07 143	0.11 155	0.16 146	0.09 244	0.11 178	0.15 225	0.16 138	0.12 90	0.10 131	0.06 13	0.06 18	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205

IGEVStereo-DCA	0.09 87	0.06 59	0.11 155	0.15 72	0.10 346	0.11 178	0.15 225	0.16 138	0.12 90	0.10 131	0.06 13	0.08 102	0.06 36	0.10 66	0.08 17	0.06 118	0.05 188	0.06 105	0.05 113	0.05 102	0.06 205

ffff	0.09 87	0.07 143	0.11 155	0.16 146	0.09 244	0.11 178	0.15 225	0.16 138	0.12 90	0.10 131	0.06 13	0.06 18	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205

rrr	0.09 87	0.06 59	0.12 190	0.15 72	0.10 346	0.11 178	0.16 290	0.16 138	0.15 164	0.10 131	0.06 13	0.08 102	0.06 36	0.10 66	0.08 17	0.06 118	0.05 188	0.06 105	0.05 113	0.05 102	0.06 205

11t	0.09 87	0.07 143	0.11 155	0.16 146	0.09 244	0.11 178	0.15 225	0.16 138	0.12 90	0.10 131	0.06 13	0.06 18	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205

MaDis-Stereo	0.09 87	0.09 318	0.08 33	0.17 220	0.09 244	0.13 252	0.10 29	0.16 138	0.16 192	0.09 97	0.11 153	0.06 18	0.06 36	0.09 35	0.13 283	0.07 245	0.06 313	0.07 200	0.05 113	0.05 102	0.04 42

IGEV_Zeroshot_test	0.09 87	0.05 19	0.12 190	0.13 13	0.08 130	0.12 213	0.13 108	0.17 174	0.11 63	0.10 131	0.06 13	0.09 127	0.06 36	0.11 112	0.09 54	0.06 118	0.04 22	0.06 105	0.06 191	0.05 102	0.05 125

MSKI-zero shot	0.09 87	0.05 19	0.09 75	0.15 72	0.07 74	0.10 132	0.13 108	0.14 80	0.13 122	0.09 97	0.09 92	0.09 127	0.06 36	0.12 195	0.10 125	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.04 42

UniTT-Stereo	0.09 87	0.07 143	0.08 33	0.18 302	0.08 130	0.13 252	0.11 49	0.12 45	0.11 63	0.10 131	0.12 166	0.05 1	0.07 110	0.09 35	0.09 54	0.07 245	0.05 188	0.05 25	0.05 113	0.05 102	0.05 125

MIM_Stereo	0.09 87	0.07 143	0.11 155	0.15 72	0.07 74	0.06 10	0.12 66	0.20 235	0.14 147	0.13 225	0.13 180	0.09 127	0.05 11	0.12 195	0.08 17	0.05 28	0.06 313	0.07 200	0.06 191	0.06 197	0.05 125

CASnet	0.09 87	0.09 318	0.09 75	0.19 360	0.06 14	0.07 30	0.11 49	0.18 203	0.14 147	0.11 160	0.10 121	0.09 127	0.07 110	0.10 66	0.10 125	0.06 118	0.04 22	0.10 413	0.08 343	0.05 102	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 87	0.07 143	0.13 235	0.18 302	0.06 14	0.11 178	0.07 3	0.13 61	0.12 90	0.09 97	0.10 121	0.07 65	0.09 173	0.13 240	0.10 125	0.06 118	0.05 188	0.05 25	0.04 37	0.04 16	0.05 125

RAFT-Test	0.09 87	0.06 59	0.10 114	0.15 72	0.07 74	0.11 178	0.15 225	0.16 138	0.13 122	0.09 97	0.10 121	0.10 159	0.09 173	0.12 195	0.09 54	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.05 125

HH	0.09 87	0.06 59	0.13 235	0.17 220	0.08 130	0.10 132	0.16 290	0.14 80	0.10 37	0.08 66	0.09 92	0.08 102	0.07 110	0.10 66	0.09 54	0.06 118	0.04 22	0.06 105	0.05 113	0.05 102	0.04 42

HanStereo	0.09 87	0.06 59	0.13 235	0.17 220	0.08 130	0.10 132	0.16 290	0.14 80	0.10 37	0.08 66	0.09 92	0.08 102	0.07 110	0.10 66	0.09 54	0.06 118	0.04 22	0.06 105	0.05 113	0.05 102	0.04 42

4D-IteraStereo	0.09 87	0.07 143	0.10 114	0.18 302	0.07 74	0.09 84	0.15 225	0.17 174	0.15 164	0.10 131	0.11 153	0.10 159	0.07 110	0.11 112	0.09 54	0.05 28	0.03 1	0.08 284	0.07 278	0.06 197	0.05 125

anonymousdsp	0.09 87	0.07 143	0.11 155	0.16 146	0.09 244	0.11 178	0.15 225	0.16 138	0.12 90	0.09 97	0.06 13	0.06 18	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205

LoS	0.09 87	0.05 19	0.11 155	0.13 13	0.07 74	0.14 284	0.11 49	0.15 111	0.15 164	0.09 97	0.09 92	0.12 198	0.09 173	0.15 288	0.10 125	0.07 245	0.05 188	0.05 25	0.03 1	0.05 102	0.05 125
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 87	0.07 143	0.10 114	0.17 220	0.08 130	0.10 132	0.15 225	0.15 111	0.12 90	0.09 97	0.06 13	0.07 65	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.04 16	0.06 205

RCA-Stereo	0.09 87	0.06 59	0.09 75	0.16 146	0.06 14	0.09 84	0.13 108	0.18 203	0.14 147	0.09 97	0.10 121	0.08 102	0.07 110	0.12 195	0.11 193	0.06 118	0.04 22	0.06 105	0.05 113	0.05 102	0.04 42

CroCo-Stereo Lap2	0.09 87	0.09 318	0.08 33	0.22 460	0.09 244	0.09 84	0.19 408	0.16 138	0.12 90	0.09 97	0.10 121	0.05 1	0.05 11	0.08 16	0.08 17	0.06 118	0.06 313	0.07 200	0.05 113	0.05 102	0.05 125

ccc-4	0.09 87	0.07 143	0.11 155	0.16 146	0.09 244	0.11 178	0.15 225	0.16 138	0.12 90	0.10 131	0.06 13	0.06 18	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205

IGEV-Stereo	0.09 87	0.07 143	0.11 155	0.16 146	0.09 244	0.11 178	0.15 225	0.16 138	0.12 90	0.09 97	0.06 13	0.06 18	0.06 36	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 87	0.05 19	0.13 235	0.14 31	0.08 130	0.12 213	0.15 225	0.18 203	0.10 37	0.11 160	0.08 74	0.08 102	0.05 11	0.10 66	0.09 54	0.06 118	0.04 22	0.06 105	0.05 113	0.06 197	0.05 125

TRStereo	0.09 87	0.05 19	0.12 190	0.15 72	0.12 426	0.10 132	0.13 108	0.18 203	0.18 237	0.09 97	0.09 92	0.09 127	0.06 36	0.10 66	0.08 17	0.07 245	0.05 188	0.07 200	0.07 278	0.04 16	0.04 42

AnonymousM	0.09 87	0.05 19	0.10 114	0.14 31	0.06 14	0.09 84	0.13 108	0.19 224	0.14 147	0.13 225	0.11 153	0.09 127	0.08 146	0.13 240	0.10 125	0.08 306	0.05 188	0.08 284	0.05 113	0.05 102	0.05 125

CroCo-Stereo	0.09 87	0.08 242	0.08 33	0.22 460	0.09 244	0.09 84	0.19 408	0.15 111	0.12 90	0.07 33	0.07 40	0.08 102	0.06 36	0.08 16	0.07 1	0.07 245	0.05 188	0.06 105	0.04 37	0.05 102	0.04 42
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 87	0.06 59	0.07 8	0.15 72	0.05 1	0.16 340	0.18 369	0.15 111	0.15 164	0.10 131	0.11 153	0.11 181	0.11 230	0.10 66	0.12 242	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.04 42

TANstereo	0.09 87	0.04 1	0.08 33	0.13 13	0.06 14	0.11 178	0.14 157	0.15 111	0.19 252	0.11 160	0.15 211	0.10 159	0.06 36	0.12 195	0.09 54	0.07 245	0.05 188	0.05 25	0.04 37	0.06 197	0.05 125

XX-TBD	0.09 87	0.06 59	0.07 8	0.14 31	0.07 74	0.12 213	0.16 290	0.14 80	0.13 122	0.11 160	0.12 166	0.09 127	0.08 146	0.10 66	0.10 125	0.06 118	0.04 22	0.05 25	0.03 1	0.06 197	0.05 125

raftrobust	0.09 87	0.06 59	0.10 114	0.17 220	0.08 130	0.09 84	0.10 29	0.18 203	0.16 192	0.10 131	0.09 92	0.12 198	0.07 110	0.12 195	0.10 125	0.08 306	0.05 188	0.06 105	0.05 113	0.05 102	0.05 125

XX-Stereo	0.09 87	0.05 19	0.08 33	0.17 220	0.09 244	0.15 310	0.12 66	0.20 235	0.10 37	0.10 131	0.14 194	0.07 65	0.06 36	0.12 195	0.08 17	0.06 118	0.05 188	0.06 105	0.06 191	0.04 16	0.04 42

test_xeample3	0.09 87	0.06 59	0.12 190	0.16 146	0.09 244	0.11 178	0.15 225	0.16 138	0.13 122	0.10 131	0.06 13	0.08 102	0.06 36	0.10 66	0.09 54	0.05 28	0.04 22	0.06 105	0.05 113	0.05 102	0.06 205

RAFT-Stereo + iAFF	0.09 87	0.06 59	0.10 114	0.17 220	0.06 14	0.10 132	0.16 290	0.17 174	0.14 147	0.09 97	0.10 121	0.08 102	0.09 173	0.11 112	0.09 54	0.05 28	0.04 22	0.06 105	0.06 191	0.04 16	0.03 1

AFF-stereo	0.09 87	0.06 59	0.10 114	0.17 220	0.07 74	0.10 132	0.16 290	0.17 174	0.09 24	0.10 131	0.12 166	0.09 127	0.09 173	0.12 195	0.09 54	0.05 28	0.04 22	0.07 200	0.07 278	0.04 16	0.03 1

EAI-Stereo	0.09 87	0.07 143	0.11 155	0.15 72	0.06 14	0.10 132	0.15 225	0.16 138	0.09 24	0.08 66	0.09 92	0.08 102	0.07 110	0.09 35	0.11 193	0.05 28	0.04 22	0.05 25	0.05 113	0.05 102	0.04 42

CFNet-RSSM	0.09 87	0.07 143	0.09 75	0.16 146	0.07 74	0.09 84	0.15 225	0.16 138	0.17 211	0.08 66	0.12 166	0.10 159	0.09 173	0.11 112	0.09 54	0.06 118	0.04 22	0.06 105	0.04 37	0.04 16	0.04 42

Gwc-CoAtRS	0.09 87	0.06 59	0.10 114	0.16 146	0.07 74	0.10 132	0.14 157	0.17 174	0.17 211	0.08 66	0.10 121	0.12 198	0.09 173	0.12 195	0.09 54	0.06 118	0.04 22	0.06 105	0.04 37	0.04 16	0.04 42

CREStereo	0.09 87	0.04 1	0.08 33	0.11 1	0.06 14	0.13 252	0.14 157	0.14 80	0.10 37	0.08 66	0.13 180	0.09 127	0.08 146	0.11 112	0.10 125	0.08 306	0.04 22	0.05 25	0.03 1	0.06 197	0.06 205
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 87	0.05 19	0.09 75	0.12 4	0.06 14	0.12 213	0.14 157	0.15 111	0.11 63	0.09 97	0.13 180	0.10 159	0.07 110	0.13 240	0.10 125	0.15 500	0.04 22	0.05 25	0.03 1	0.07 263	0.06 205

MM-Stereo_test3	0.10 148	0.07 143	0.07 8	0.18 302	0.07 74	0.12 213	0.19 408	0.24 322	0.19 252	0.06 11	0.10 121	0.08 102	0.06 36	0.11 112	0.08 17	0.06 118	0.06 313	0.07 200	0.05 113	0.05 102	0.04 42

MM-Stereo_test1	0.10 148	0.07 143	0.08 33	0.18 302	0.07 74	0.12 213	0.18 369	0.21 258	0.20 275	0.09 97	0.11 153	0.08 102	0.06 36	0.10 66	0.10 125	0.06 118	0.05 188	0.07 200	0.06 191	0.05 102	0.04 42

AIO-test2	0.10 148	0.08 242	0.10 114	0.23 481	0.08 130	0.11 178	0.10 29	0.23 300	0.23 314	0.08 66	0.09 92	0.08 102	0.05 11	0.10 66	0.08 17	0.06 118	0.05 188	0.08 284	0.09 389	0.05 102	0.05 125

AIO-test1	0.10 148	0.07 143	0.10 114	0.23 481	0.07 74	0.09 84	0.13 108	0.21 258	0.14 147	0.11 160	0.12 166	0.09 127	0.07 110	0.11 112	0.09 54	0.06 118	0.05 188	0.09 365	0.10 428	0.03 1	0.06 205

tg	0.10 148	0.06 59	0.10 114	0.18 302	0.08 130	0.11 178	0.16 290	0.20 235	0.12 90	0.08 66	0.11 153	0.11 181	0.07 110	0.11 112	0.10 125	0.05 28	0.04 22	0.08 284	0.08 343	0.04 16	0.04 42

PAM	0.10 148	0.05 19	0.16 355	0.15 72	0.08 130	0.09 84	0.16 290	0.15 111	0.16 192	0.12 198	0.09 92	0.09 127	0.07 110	0.13 240	0.08 17	0.06 118	0.05 188	0.06 105	0.06 191	0.05 102	0.06 205

model_zeroshot	0.10 148	0.04 1	0.11 155	0.15 72	0.09 244	0.12 213	0.14 157	0.20 235	0.13 122	0.11 160	0.10 121	0.12 198	0.07 110	0.12 195	0.10 125	0.07 245	0.06 313	0.06 105	0.05 113	0.06 197	0.06 205

RAStereo	0.10 148	0.09 318	0.08 33	0.20 416	0.08 130	0.13 252	0.18 369	0.15 111	0.17 211	0.10 131	0.12 166	0.05 1	0.06 36	0.09 35	0.08 17	0.07 245	0.05 188	0.07 200	0.05 113	0.05 102	0.04 42

rvit_stereo_0080	0.10 148	0.08 242	0.14 270	0.15 72	0.09 244	0.07 30	0.15 225	0.16 138	0.16 192	0.11 160	0.10 121	0.14 243	0.08 146	0.12 195	0.10 125	0.09 365	0.07 385	0.07 200	0.06 191	0.07 263	0.05 125

testlalala2	0.10 148	0.06 59	0.11 155	0.20 416	0.10 346	0.10 132	0.12 66	0.17 174	0.12 90	0.12 198	0.13 180	0.09 127	0.07 110	0.11 112	0.13 283	0.06 118	0.05 188	0.05 25	0.04 37	0.05 102	0.05 125

H2IRNET	0.10 148	0.09 318	0.09 75	0.18 302	0.09 244	0.12 213	0.15 225	0.14 80	0.21 290	0.10 131	0.10 121	0.10 159	0.10 205	0.10 66	0.10 125	0.05 28	0.04 22	0.08 284	0.08 343	0.06 197	0.05 125

Former-RAFT_DAM_RVC	0.10 148	0.08 242	0.12 190	0.16 146	0.08 130	0.15 310	0.16 290	0.18 203	0.18 237	0.10 131	0.09 92	0.09 127	0.08 146	0.11 112	0.12 242	0.07 245	0.05 188	0.08 284	0.06 191	0.07 263	0.06 205

MyStereo07	0.10 148	0.07 143	0.10 114	0.17 220	0.09 244	0.14 284	0.18 369	0.15 111	0.15 164	0.09 97	0.06 13	0.06 18	0.07 110	0.12 195	0.09 54	0.06 118	0.05 188	0.08 284	0.07 278	0.06 197	0.06 205

MyStereo06	0.10 148	0.07 143	0.12 190	0.17 220	0.09 244	0.13 252	0.18 369	0.19 224	0.12 90	0.12 198	0.08 74	0.07 65	0.07 110	0.11 112	0.09 54	0.06 118	0.05 188	0.07 200	0.07 278	0.06 197	0.06 205

AE-Stereo	0.10 148	0.08 242	0.10 114	0.18 302	0.09 244	0.10 132	0.15 225	0.14 80	0.19 252	0.09 97	0.14 194	0.12 198	0.08 146	0.11 112	0.10 125	0.05 28	0.06 313	0.07 200	0.06 191	0.05 102	0.04 42

ACVNet-DCA	0.10 148	0.08 242	0.12 190	0.17 220	0.09 244	0.13 252	0.15 225	0.23 300	0.16 192	0.09 97	0.09 92	0.06 18	0.06 36	0.10 66	0.07 1	0.06 118	0.04 22	0.06 105	0.05 113	0.07 263	0.07 285

cc1	0.10 148	0.08 242	0.12 190	0.17 220	0.09 244	0.13 252	0.15 225	0.16 138	0.18 237	0.09 97	0.09 92	0.06 18	0.06 36	0.10 66	0.07 1	0.06 118	0.04 22	0.06 105	0.05 113	0.06 197	0.06 205

tt1	0.10 148	0.08 242	0.12 190	0.17 220	0.09 244	0.12 213	0.16 290	0.15 111	0.19 252	0.09 97	0.08 74	0.06 18	0.06 36	0.10 66	0.07 1	0.06 118	0.04 22	0.06 105	0.05 113	0.06 197	0.06 205

whm_eth	0.10 148	0.08 242	0.14 270	0.15 72	0.09 244	0.07 30	0.15 225	0.16 138	0.16 192	0.11 160	0.10 121	0.14 243	0.08 146	0.12 195	0.10 125	0.09 365	0.07 385	0.07 200	0.06 191	0.07 263	0.05 125

plain	0.10 148	0.08 242	0.10 114	0.19 360	0.09 244	0.10 132	0.15 225	0.14 80	0.13 122	0.13 225	0.15 211	0.09 127	0.12 261	0.13 240	0.12 242	0.07 245	0.05 188	0.09 365	0.06 191	0.06 197	0.06 205

testlalala_base	0.10 148	0.09 318	0.14 270	0.21 445	0.08 130	0.10 132	0.14 157	0.13 61	0.10 37	0.07 33	0.15 211	0.07 65	0.08 146	0.10 66	0.12 242	0.08 306	0.05 188	0.05 25	0.03 1	0.06 197	0.05 125

Any-RAFT	0.10 148	0.05 19	0.09 75	0.14 31	0.07 74	0.13 252	0.14 157	0.21 258	0.15 164	0.11 160	0.12 166	0.12 198	0.09 173	0.12 195	0.09 54	0.07 245	0.04 22	0.05 25	0.04 37	0.06 197	0.05 125

LL-Strereo2	0.10 148	0.10 376	0.15 321	0.18 302	0.08 130	0.15 310	0.09 18	0.17 174	0.14 147	0.14 246	0.10 121	0.09 127	0.07 110	0.16 322	0.10 125	0.05 28	0.05 188	0.10 413	0.07 278	0.06 197	0.05 125

DCANet-4	0.10 148	0.06 59	0.12 190	0.16 146	0.06 14	0.09 84	0.17 324	0.18 203	0.19 252	0.13 225	0.16 223	0.09 127	0.14 324	0.11 112	0.12 242	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.05 125

fff	0.10 148	0.06 59	0.12 190	0.15 72	0.07 74	0.09 84	0.17 324	0.16 138	0.20 275	0.13 225	0.16 223	0.10 159	0.11 230	0.11 112	0.12 242	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.05 125

ADStereo(finetuned)	0.10 148	0.06 59	0.12 190	0.16 146	0.06 14	0.09 84	0.17 324	0.15 111	0.19 252	0.13 225	0.17 244	0.10 159	0.12 261	0.11 112	0.12 242	0.06 118	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

test_4	0.10 148	0.10 376	0.08 33	0.19 360	0.09 244	0.08 53	0.22 456	0.15 111	0.17 211	0.12 198	0.18 269	0.12 198	0.09 173	0.08 16	0.11 193	0.04 11	0.04 22	0.08 284	0.08 343	0.04 16	0.03 1

IPLG	0.10 148	0.07 143	0.15 321	0.17 220	0.08 130	0.11 178	0.14 157	0.20 235	0.15 164	0.12 198	0.17 244	0.07 65	0.07 110	0.14 266	0.13 283	0.06 118	0.04 22	0.06 105	0.05 113	0.04 16	0.04 42

test_3	0.10 148	0.09 318	0.10 114	0.20 416	0.08 130	0.13 252	0.26 502	0.14 80	0.21 290	0.10 131	0.10 121	0.09 127	0.09 173	0.08 16	0.11 193	0.05 28	0.04 22	0.08 284	0.07 278	0.04 16	0.04 42

STrans-v2	0.10 148	0.07 143	0.12 190	0.18 302	0.07 74	0.10 132	0.14 157	0.21 258	0.11 63	0.11 160	0.15 211	0.12 198	0.10 205	0.11 112	0.12 242	0.05 28	0.04 22	0.06 105	0.06 191	0.04 16	0.04 42

TransformOpticalFlow	0.10 148	0.08 242	0.13 235	0.18 302	0.07 74	0.09 84	0.15 225	0.19 224	0.15 164	0.12 198	0.17 244	0.11 181	0.11 230	0.11 112	0.10 125	0.05 28	0.04 22	0.06 105	0.06 191	0.05 102	0.05 125

SST-Stereo	0.10 148	0.07 143	0.15 321	0.18 302	0.09 244	0.06 10	0.12 66	0.17 174	0.11 63	0.15 273	0.17 244	0.13 223	0.12 261	0.10 66	0.11 193	0.06 118	0.04 22	0.09 365	0.06 191	0.06 197	0.05 125

cross-raft	0.10 148	0.09 318	0.09 75	0.19 360	0.07 74	0.11 178	0.25 494	0.13 61	0.15 164	0.08 66	0.11 153	0.12 198	0.10 205	0.09 35	0.11 193	0.05 28	0.04 22	0.06 105	0.05 113	0.04 16	0.04 42

test-1	0.10 148	0.07 143	0.16 355	0.19 360	0.08 130	0.11 178	0.24 479	0.14 80	0.18 237	0.09 97	0.07 40	0.09 127	0.08 146	0.07 4	0.09 54	0.06 118	0.04 22	0.06 105	0.05 113	0.04 16	0.04 42

iRaftStereo_RVC	0.10 148	0.07 143	0.09 75	0.17 220	0.09 244	0.11 178	0.17 324	0.18 203	0.12 90	0.09 97	0.12 166	0.10 159	0.07 110	0.11 112	0.10 125	0.05 28	0.04 22	0.08 284	0.08 343	0.04 16	0.04 42

RALCasStereoNet	0.10 148	0.06 59	0.09 75	0.16 146	0.08 130	0.12 213	0.14 157	0.17 174	0.11 63	0.12 198	0.17 244	0.14 243	0.10 205	0.12 195	0.11 193	0.07 245	0.06 313	0.06 105	0.05 113	0.08 326	0.07 285

DCANet	0.10 148	0.06 59	0.12 190	0.16 146	0.06 14	0.09 84	0.17 324	0.15 111	0.19 252	0.13 225	0.17 244	0.10 159	0.11 230	0.11 112	0.12 242	0.06 118	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

csc	0.10 148	0.06 59	0.12 190	0.15 72	0.07 74	0.09 84	0.17 324	0.16 138	0.20 275	0.13 225	0.16 223	0.10 159	0.11 230	0.11 112	0.12 242	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.05 125

cscssc	0.10 148	0.06 59	0.12 190	0.15 72	0.07 74	0.09 84	0.17 324	0.16 138	0.20 275	0.13 225	0.16 223	0.10 159	0.11 230	0.11 112	0.12 242	0.06 118	0.04 22	0.05 25	0.04 37	0.04 16	0.05 125

111	0.10 148	0.06 59	0.12 190	0.15 72	0.07 74	0.10 132	0.14 157	0.21 258	0.23 314	0.11 160	0.12 166	0.14 243	0.11 230	0.13 240	0.10 125	0.06 118	0.04 22	0.06 105	0.04 37	0.05 102	0.05 125

R-Stereo Train	0.10 148	0.06 59	0.10 114	0.17 220	0.08 130	0.11 178	0.14 157	0.23 300	0.11 63	0.12 198	0.19 278	0.11 181	0.08 146	0.09 35	0.11 193	0.07 245	0.05 188	0.06 105	0.05 113	0.05 102	0.05 125

RAFT-Stereo	0.10 148	0.06 59	0.10 114	0.17 220	0.08 130	0.11 178	0.14 157	0.23 300	0.11 63	0.12 198	0.19 278	0.11 181	0.08 146	0.09 35	0.11 193	0.07 245	0.05 188	0.06 105	0.05 113	0.05 102	0.05 125
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 148	0.06 59	0.12 190	0.14 31	0.06 14	0.11 178	0.10 29	0.18 203	0.18 237	0.13 225	0.16 223	0.14 243	0.11 230	0.15 288	0.13 283	0.06 118	0.04 22	0.04 1	0.04 37	0.06 197	0.05 125
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
FlowAnything_test	0.11 191	0.08 242	0.14 270	0.15 72	0.09 244	0.07 30	0.14 157	0.20 235	0.11 63	0.09 97	0.09 92	0.12 198	0.12 261	0.13 240	0.11 193	0.09 365	0.06 313	0.09 365	0.09 389	0.06 197	0.09 393

xyz-stereo-finetune2	0.11 191	0.07 143	0.13 235	0.13 13	0.07 74	0.11 178	0.19 408	0.17 174	0.12 90	0.15 273	0.15 211	0.17 306	0.12 261	0.13 240	0.11 193	0.05 28	0.04 22	0.07 200	0.05 113	0.04 16	0.06 205

xyz-stereo-finetune	0.11 191	0.08 242	0.13 235	0.14 31	0.06 14	0.10 132	0.19 408	0.17 174	0.19 252	0.12 198	0.14 194	0.15 272	0.10 205	0.13 240	0.11 193	0.05 28	0.04 22	0.07 200	0.05 113	0.04 16	0.05 125

HI	0.11 191	0.06 59	0.11 155	0.13 13	0.09 244	0.09 84	0.14 157	0.21 258	0.10 37	0.19 363	0.17 244	0.14 243	0.09 173	0.16 322	0.08 17	0.05 28	0.04 22	0.07 200	0.08 343	0.07 263	0.06 205

CoSv	0.11 191	0.06 59	0.11 155	0.13 13	0.09 244	0.09 84	0.14 157	0.21 258	0.10 37	0.19 363	0.17 244	0.14 243	0.09 173	0.16 322	0.08 17	0.05 28	0.04 22	0.07 200	0.08 343	0.07 263	0.06 205

rvit_stereo_0081_aga	0.11 191	0.09 318	0.14 270	0.18 302	0.09 244	0.13 252	0.14 157	0.14 80	0.19 252	0.10 131	0.18 269	0.16 286	0.09 173	0.12 195	0.09 54	0.10 406	0.06 313	0.08 284	0.07 278	0.07 263	0.06 205

rvit_stereo_0081	0.11 191	0.08 242	0.15 321	0.16 146	0.09 244	0.10 132	0.14 157	0.14 80	0.24 330	0.11 160	0.13 180	0.13 223	0.09 173	0.11 112	0.12 242	0.10 406	0.07 385	0.08 284	0.07 278	0.07 263	0.05 125

rvit_stereo_0082	0.11 191	0.08 242	0.15 321	0.16 146	0.09 244	0.10 132	0.14 157	0.14 80	0.24 330	0.11 160	0.13 180	0.13 223	0.09 173	0.11 112	0.12 242	0.10 406	0.07 385	0.08 284	0.07 278	0.07 263	0.05 125

AIO-Stereo-zeroshot1	0.11 191	0.05 19	0.14 270	0.15 72	0.20 524	0.09 84	0.17 324	0.21 258	0.15 164	0.11 160	0.14 194	0.10 159	0.07 110	0.10 66	0.08 17	0.06 118	0.05 188	0.07 200	0.07 278	0.07 263	0.09 393

AIO-Stereo-zeroshot	0.11 191	0.05 19	0.11 155	0.15 72	0.13 449	0.13 252	0.16 290	0.23 300	0.17 211	0.10 131	0.12 166	0.10 159	0.07 110	0.11 112	0.09 54	0.06 118	0.05 188	0.06 105	0.06 191	0.07 263	0.08 349

CAS++	0.11 191	0.07 143	0.11 155	0.14 31	0.09 244	0.12 213	0.14 157	0.24 322	0.14 147	0.11 160	0.09 92	0.11 181	0.07 110	0.14 266	0.09 54	0.11 435	0.09 440	0.09 365	0.07 278	0.07 263	0.08 349
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 191	0.08 242	0.12 190	0.17 220	0.09 244	0.13 252	0.15 225	0.16 138	0.18 237	0.09 97	0.09 92	0.16 286	0.16 368	0.10 66	0.07 1	0.06 118	0.04 22	0.08 284	0.08 343	0.07 263	0.07 285

1test111	0.11 191	0.08 242	0.12 190	0.17 220	0.09 244	0.13 252	0.15 225	0.23 300	0.16 192	0.09 97	0.09 92	0.06 18	0.06 36	0.15 288	0.16 364	0.06 118	0.04 22	0.06 105	0.05 113	0.07 263	0.07 285

MIF-Stereo (partial)	0.11 191	0.06 59	0.10 114	0.19 360	0.10 346	0.10 132	0.11 49	0.17 174	0.18 237	0.14 246	0.16 223	0.09 127	0.11 230	0.12 195	0.12 242	0.08 306	0.05 188	0.08 284	0.07 278	0.06 197	0.07 285

EKT-Stereo	0.11 191	0.07 143	0.14 270	0.15 72	0.10 346	0.13 252	0.14 157	0.18 203	0.21 290	0.11 160	0.08 74	0.12 198	0.09 173	0.11 112	0.12 242	0.08 306	0.06 313	0.07 200	0.06 191	0.08 326	0.07 285

anonymousdsp2	0.11 191	0.07 143	0.10 114	0.16 146	0.09 244	0.13 252	0.14 157	0.18 203	0.22 304	0.13 225	0.14 194	0.12 198	0.09 173	0.14 266	0.11 193	0.05 28	0.04 22	0.05 25	0.04 37	0.06 197	0.05 125

DCRE	0.11 191	0.07 143	0.13 235	0.16 146	0.11 395	0.11 178	0.17 324	0.18 203	0.17 211	0.11 160	0.18 269	0.10 159	0.10 205	0.15 288	0.11 193	0.06 118	0.05 188	0.06 105	0.06 191	0.05 102	0.04 42

knoymous	0.11 191	0.05 19	0.12 190	0.13 13	0.07 74	0.15 310	0.14 157	0.19 224	0.13 122	0.11 160	0.17 244	0.13 223	0.09 173	0.13 240	0.11 193	0.08 306	0.05 188	0.06 105	0.05 113	0.08 326	0.07 285

riskmin	0.11 191	0.06 59	0.13 235	0.14 31	0.08 130	0.14 284	0.14 157	0.18 203	0.14 147	0.11 160	0.14 194	0.16 286	0.11 230	0.14 266	0.12 242	0.09 365	0.05 188	0.07 200	0.05 113	0.08 326	0.08 349

Selective-RAFT	0.11 191	0.10 376	0.11 155	0.21 445	0.08 130	0.16 340	0.13 108	0.20 235	0.22 304	0.10 131	0.10 121	0.11 181	0.10 205	0.15 288	0.11 193	0.05 28	0.05 188	0.06 105	0.05 113	0.06 197	0.05 125

DisPM	0.11 191	0.07 143	0.12 190	0.16 146	0.09 244	0.06 10	0.13 108	0.17 174	0.17 211	0.14 246	0.20 290	0.12 198	0.10 205	0.11 112	0.10 125	0.06 118	0.04 22	0.07 200	0.06 191	0.06 197	0.11 446

CIPLG	0.11 191	0.08 242	0.14 270	0.17 220	0.08 130	0.12 213	0.15 225	0.17 174	0.15 164	0.14 246	0.11 153	0.16 286	0.09 173	0.16 322	0.11 193	0.07 245	0.05 188	0.06 105	0.05 113	0.05 102	0.06 205

GLC_STEREO	0.11 191	0.07 143	0.11 155	0.17 220	0.07 74	0.09 84	0.13 108	0.15 111	0.24 330	0.12 198	0.13 180	0.12 198	0.08 146	0.18 375	0.11 193	0.06 118	0.08 411	0.08 284	0.06 191	0.05 102	0.05 125

IPLGR_C	0.11 191	0.08 242	0.14 270	0.17 220	0.08 130	0.12 213	0.15 225	0.17 174	0.15 164	0.14 246	0.10 121	0.16 286	0.09 173	0.16 322	0.11 193	0.07 245	0.05 188	0.06 105	0.05 113	0.05 102	0.06 205

MIPNet	0.11 191	0.08 242	0.14 270	0.17 220	0.09 244	0.12 213	0.14 157	0.20 235	0.24 330	0.11 160	0.10 121	0.09 127	0.07 110	0.13 240	0.12 242	0.06 118	0.04 22	0.06 105	0.05 113	0.04 16	0.04 42

IPLGR	0.11 191	0.09 318	0.16 355	0.18 302	0.08 130	0.12 213	0.17 324	0.21 258	0.24 330	0.11 160	0.12 166	0.11 181	0.08 146	0.12 195	0.12 242	0.06 118	0.05 188	0.06 105	0.06 191	0.04 16	0.04 42

GMOStereo	0.11 191	0.09 318	0.07 8	0.19 360	0.08 130	0.12 213	0.28 515	0.13 61	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 42

error version	0.11 191	0.09 318	0.07 8	0.19 360	0.08 130	0.12 213	0.28 515	0.13 61	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 42

test-v	0.11 191	0.09 318	0.07 8	0.19 360	0.08 130	0.12 213	0.28 515	0.13 61	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 42

ACRE	0.11 191	0.08 242	0.14 270	0.17 220	0.08 130	0.12 213	0.15 225	0.17 174	0.14 147	0.14 246	0.10 121	0.16 286	0.09 173	0.16 322	0.11 193	0.07 245	0.05 188	0.06 105	0.05 113	0.05 102	0.06 205

PFNet+	0.11 191	0.06 59	0.13 235	0.16 146	0.09 244	0.05 4	0.12 66	0.17 174	0.21 290	0.16 301	0.19 278	0.14 243	0.10 205	0.11 112	0.11 193	0.08 306	0.05 188	0.09 365	0.08 343	0.06 197	0.11 446

LCNet	0.11 191	0.07 143	0.09 75	0.19 360	0.09 244	0.08 53	0.15 225	0.21 258	0.15 164	0.11 160	0.15 211	0.16 286	0.11 230	0.12 195	0.11 193	0.05 28	0.04 22	0.08 284	0.07 278	0.06 197	0.15 502

HHNet	0.11 191	0.06 59	0.16 355	0.15 72	0.14 469	0.07 30	0.13 108	0.20 235	0.17 211	0.14 246	0.25 371	0.11 181	0.08 146	0.13 240	0.10 125	0.05 28	0.04 22	0.08 284	0.06 191	0.05 102	0.09 393

Patchmatch Stereo++	0.11 191	0.09 318	0.16 355	0.18 302	0.08 130	0.06 10	0.11 49	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285
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	0.11 191	0.07 143	0.16 355	0.19 360	0.09 244	0.08 53	0.13 108	0.18 203	0.13 122	0.16 301	0.21 311	0.13 223	0.14 324	0.11 112	0.14 320	0.06 118	0.04 22	0.09 365	0.06 191	0.06 197	0.05 125

OMP-Stereo	0.11 191	0.06 59	0.14 270	0.18 302	0.08 130	0.09 84	0.12 66	0.21 258	0.21 290	0.13 225	0.14 194	0.11 181	0.12 261	0.11 112	0.13 283	0.06 118	0.04 22	0.07 200	0.06 191	0.05 102	0.04 42

IIG-Stereo	0.11 191	0.06 59	0.13 235	0.17 220	0.08 130	0.11 178	0.12 66	0.22 280	0.17 211	0.14 246	0.17 244	0.11 181	0.12 261	0.12 195	0.12 242	0.06 118	0.05 188	0.07 200	0.06 191	0.05 102	0.04 42

NF-Stereo	0.11 191	0.07 143	0.13 235	0.17 220	0.09 244	0.10 132	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 112	0.11 193	0.06 118	0.04 22	0.07 200	0.06 191	0.06 197	0.12 459

OCTAStereo	0.11 191	0.07 143	0.13 235	0.17 220	0.09 244	0.10 132	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 112	0.11 193	0.06 118	0.04 22	0.07 200	0.06 191	0.06 197	0.12 459

NRIStereo	0.11 191	0.08 242	0.14 270	0.18 302	0.08 130	0.10 132	0.14 157	0.16 138	0.15 164	0.12 198	0.14 194	0.13 223	0.12 261	0.13 240	0.10 125	0.06 118	0.04 22	0.07 200	0.06 191	0.06 197	0.07 285

PSM-adaLoss	0.11 191	0.09 318	0.16 355	0.18 302	0.08 130	0.06 10	0.12 66	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

PSM-AAD	0.11 191	0.07 143	0.10 114	0.19 360	0.09 244	0.10 132	0.15 225	0.20 235	0.13 122	0.12 198	0.14 194	0.18 320	0.11 230	0.11 112	0.10 125	0.05 28	0.05 188	0.09 365	0.08 343	0.06 197	0.14 495

ROB_FTStereo_v2	0.11 191	0.09 318	0.16 355	0.19 360	0.08 130	0.06 10	0.12 66	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

ROB_FTStereo	0.11 191	0.09 318	0.16 355	0.19 360	0.08 130	0.06 10	0.11 49	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

KYRaft	0.11 191	0.07 143	0.10 114	0.19 360	0.09 244	0.08 53	0.15 225	0.22 280	0.12 90	0.13 225	0.16 223	0.20 346	0.10 205	0.12 195	0.10 125	0.05 28	0.04 22	0.08 284	0.08 343	0.06 197	0.16 513

HUI-Stereo	0.11 191	0.09 318	0.16 355	0.18 302	0.08 130	0.06 10	0.12 66	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

ASMatch	0.11 191	0.06 59	0.13 235	0.16 146	0.10 346	0.07 30	0.14 157	0.17 174	0.17 211	0.12 198	0.16 223	0.16 286	0.10 205	0.13 240	0.10 125	0.05 28	0.04 22	0.06 105	0.05 113	0.04 16	0.08 349

RAFT_R40	0.11 191	0.07 143	0.14 270	0.18 302	0.09 244	0.06 10	0.13 108	0.17 174	0.16 192	0.14 246	0.18 269	0.15 272	0.12 261	0.10 66	0.11 193	0.06 118	0.04 22	0.09 365	0.06 191	0.06 197	0.05 125

GrayStereo	0.11 191	0.06 59	0.11 155	0.19 360	0.09 244	0.09 84	0.16 290	0.18 203	0.17 211	0.14 246	0.17 244	0.17 306	0.11 230	0.12 195	0.11 193	0.05 28	0.05 188	0.07 200	0.06 191	0.05 102	0.10 420

RE-Stereo	0.11 191	0.07 143	0.13 235	0.17 220	0.09 244	0.10 132	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 112	0.11 193	0.06 118	0.04 22	0.07 200	0.06 191	0.06 197	0.12 459

Pruner-Stereo	0.11 191	0.07 143	0.12 190	0.17 220	0.09 244	0.06 10	0.12 66	0.17 174	0.17 211	0.13 225	0.19 278	0.13 223	0.09 173	0.11 112	0.11 193	0.06 118	0.04 22	0.07 200	0.06 191	0.06 197	0.08 349

TVStereo	0.11 191	0.07 143	0.13 235	0.17 220	0.09 244	0.10 132	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 112	0.11 193	0.06 118	0.04 22	0.07 200	0.06 191	0.06 197	0.12 459

DeepStereo_RVC	0.11 191	0.08 242	0.16 355	0.18 302	0.08 130	0.08 53	0.12 66	0.17 174	0.12 90	0.13 225	0.14 194	0.12 198	0.12 261	0.12 195	0.11 193	0.06 118	0.04 22	0.07 200	0.06 191	0.07 263	0.08 349

iGMRVC	0.11 191	0.09 318	0.16 355	0.19 360	0.08 130	0.06 10	0.12 66	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

RAFT-RH_RVC	0.11 191	0.06 59	0.14 270	0.16 146	0.09 244	0.12 213	0.12 66	0.17 174	0.12 90	0.13 225	0.41 500	0.11 181	0.10 205	0.13 240	0.12 242	0.05 28	0.04 22	0.08 284	0.05 113	0.04 16	0.06 205

RAFT-345	0.11 191	0.07 143	0.15 321	0.16 146	0.08 130	0.08 53	0.12 66	0.15 111	0.10 37	0.11 160	0.36 463	0.09 127	0.09 173	0.11 112	0.12 242	0.05 28	0.05 188	0.07 200	0.06 191	0.04 16	0.05 125

iRAFT	0.11 191	0.09 318	0.16 355	0.18 302	0.08 130	0.06 10	0.11 49	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

CRE-IMP	0.11 191	0.09 318	0.16 355	0.19 360	0.08 130	0.10 132	0.12 66	0.18 203	0.10 37	0.14 246	0.13 180	0.13 223	0.12 261	0.12 195	0.11 193	0.07 245	0.04 22	0.08 284	0.06 191	0.08 326	0.08 349

test-2	0.11 191	0.09 318	0.07 8	0.19 360	0.08 130	0.12 213	0.28 515	0.13 61	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 42

GMM-Stereo	0.11 191	0.07 143	0.10 114	0.18 302	0.09 244	0.08 53	0.15 225	0.23 300	0.16 192	0.11 160	0.15 211	0.13 223	0.11 230	0.11 112	0.11 193	0.05 28	0.04 22	0.08 284	0.07 278	0.06 197	0.09 393

RAFT-IKP	0.11 191	0.09 318	0.16 355	0.19 360	0.08 130	0.06 10	0.12 66	0.16 138	0.13 122	0.15 273	0.16 223	0.14 243	0.12 261	0.11 112	0.10 125	0.06 118	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

Prome-Stereo	0.11 191	0.06 59	0.10 114	0.18 302	0.08 130	0.12 213	0.15 225	0.22 280	0.13 122	0.12 198	0.17 244	0.13 223	0.08 146	0.12 195	0.10 125	0.05 28	0.04 22	0.07 200	0.06 191	0.06 197	0.09 393

rafts_anoy	0.11 191	0.06 59	0.10 114	0.17 220	0.08 130	0.10 132	0.14 157	0.17 174	0.14 147	0.13 225	0.13 180	0.12 198	0.10 205	0.11 112	0.12 242	0.07 245	0.04 22	0.09 365	0.11 460	0.07 263	0.06 205

raft+_RVC	0.11 191	0.07 143	0.09 75	0.16 146	0.07 74	0.10 132	0.11 49	0.24 322	0.20 275	0.12 198	0.15 211	0.12 198	0.08 146	0.12 195	0.13 283	0.07 245	0.04 22	0.07 200	0.06 191	0.05 102	0.05 125

RALAANet	0.11 191	0.08 242	0.10 114	0.17 220	0.09 244	0.14 284	0.10 29	0.20 235	0.15 164	0.14 246	0.13 180	0.16 286	0.09 173	0.12 195	0.11 193	0.06 118	0.05 188	0.07 200	0.06 191	0.05 102	0.04 42

DIP-Stereo	0.11 191	0.07 143	0.14 270	0.17 220	0.09 244	0.13 252	0.09 18	0.16 138	0.16 192	0.11 160	0.16 223	0.14 243	0.12 261	0.15 288	0.13 283	0.06 118	0.05 188	0.06 105	0.05 113	0.05 102	0.06 205
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	0.12 257	0.08 242	0.17 383	0.16 146	0.09 244	0.11 178	0.15 225	0.14 80	0.26 365	0.11 160	0.14 194	0.13 223	0.10 205	0.12 195	0.12 242	0.10 406	0.08 411	0.09 365	0.07 278	0.07 263	0.05 125

rvit_stereo_ft	0.12 257	0.07 143	0.13 235	0.19 360	0.10 346	0.12 213	0.17 324	0.16 138	0.16 192	0.12 198	0.13 180	0.15 272	0.10 205	0.14 266	0.13 283	0.09 365	0.06 313	0.08 284	0.07 278	0.07 263	0.05 125

test_sample2	0.12 257	0.07 143	0.12 190	0.14 31	0.08 130	0.16 340	0.18 369	0.21 258	0.16 192	0.14 246	0.20 290	0.19 334	0.15 342	0.15 288	0.12 242	0.08 306	0.05 188	0.07 200	0.06 191	0.08 326	0.07 285

MyStereo8	0.12 257	0.07 143	0.15 321	0.15 72	0.09 244	0.18 380	0.14 157	0.19 224	0.22 304	0.12 198	0.18 269	0.11 181	0.10 205	0.16 322	0.18 397	0.07 245	0.05 188	0.07 200	0.05 113	0.08 326	0.09 393

CoDeX	0.12 257	0.07 143	0.12 190	0.17 220	0.08 130	0.12 213	0.15 225	0.23 300	0.27 374	0.13 225	0.17 244	0.16 286	0.11 230	0.14 266	0.11 193	0.07 245	0.05 188	0.07 200	0.06 191	0.06 197	0.05 125

11t1	0.12 257	0.06 59	0.13 235	0.14 31	0.08 130	0.17 361	0.15 225	0.18 203	0.15 164	0.15 273	0.15 211	0.16 286	0.16 368	0.15 288	0.13 283	0.08 306	0.05 188	0.06 105	0.05 113	0.08 326	0.07 285

ffm	0.12 257	0.09 318	0.14 270	0.16 146	0.08 130	0.17 361	0.17 324	0.15 111	0.19 252	0.15 273	0.25 371	0.19 334	0.13 299	0.10 66	0.07 1	0.06 118	0.04 22	0.09 365	0.08 343	0.06 197	0.06 205

RAFT_CTSACE	0.12 257	0.09 318	0.10 114	0.22 460	0.08 130	0.12 213	0.24 479	0.18 203	0.16 192	0.20 386	0.27 396	0.13 223	0.07 110	0.13 240	0.09 54	0.05 28	0.06 313	0.08 284	0.07 278	0.04 16	0.04 42

Sa-1000	0.12 257	0.08 242	0.08 33	0.18 302	0.08 130	0.14 284	0.22 456	0.22 280	0.18 237	0.15 273	0.20 290	0.17 306	0.11 230	0.10 66	0.10 125	0.06 118	0.05 188	0.09 365	0.09 389	0.05 102	0.05 125

SA	0.12 257	0.09 318	0.08 33	0.18 302	0.08 130	0.12 213	0.24 479	0.23 300	0.18 237	0.17 317	0.27 396	0.14 243	0.11 230	0.11 112	0.11 193	0.05 28	0.05 188	0.09 365	0.08 343	0.05 102	0.04 42

iRaft-Stereo_5w	0.12 257	0.09 318	0.12 190	0.19 360	0.08 130	0.09 84	0.12 66	0.21 258	0.21 290	0.19 363	0.14 194	0.11 181	0.09 173	0.20 415	0.16 364	0.05 28	0.05 188	0.07 200	0.06 191	0.05 102	0.06 205

CrosDoStereo	0.12 257	0.06 59	0.12 190	0.14 31	0.08 130	0.12 213	0.15 225	0.17 174	0.22 304	0.19 363	0.24 342	0.15 272	0.11 230	0.11 112	0.12 242	0.06 118	0.04 22	0.07 200	0.07 278	0.05 102	0.05 125

PSM-softLoss	0.12 257	0.07 143	0.15 321	0.17 220	0.09 244	0.08 53	0.13 108	0.24 322	0.17 211	0.14 246	0.19 278	0.13 223	0.11 230	0.11 112	0.11 193	0.07 245	0.05 188	0.08 284	0.07 278	0.06 197	0.12 459

KMStereo	0.12 257	0.07 143	0.15 321	0.17 220	0.09 244	0.08 53	0.13 108	0.24 322	0.17 211	0.14 246	0.19 278	0.13 223	0.11 230	0.11 112	0.11 193	0.07 245	0.05 188	0.08 284	0.07 278	0.06 197	0.12 459

FTStereo	0.12 257	0.06 59	0.14 270	0.18 302	0.09 244	0.07 30	0.15 225	0.21 258	0.18 237	0.12 198	0.24 342	0.12 198	0.12 261	0.13 240	0.13 283	0.05 28	0.05 188	0.07 200	0.06 191	0.06 197	0.10 420

DeepStereo_LL	0.12 257	0.06 59	0.12 190	0.14 31	0.08 130	0.12 213	0.15 225	0.17 174	0.22 304	0.19 363	0.24 342	0.15 272	0.11 230	0.11 112	0.12 242	0.06 118	0.04 22	0.07 200	0.07 278	0.05 102	0.05 125

DEmStereo	0.12 257	0.06 59	0.14 270	0.14 31	0.10 346	0.16 340	0.15 225	0.16 138	0.24 330	0.17 317	0.24 342	0.13 223	0.14 324	0.12 195	0.13 283	0.05 28	0.04 22	0.07 200	0.06 191	0.05 102	0.05 125

THIR-Stereo	0.12 257	0.07 143	0.11 155	0.15 72	0.08 130	0.14 284	0.16 290	0.17 174	0.25 351	0.16 301	0.24 342	0.14 243	0.12 261	0.12 195	0.14 320	0.06 118	0.04 22	0.07 200	0.07 278	0.05 102	0.05 125

DRaft	0.12 257	0.06 59	0.11 155	0.14 31	0.09 244	0.14 284	0.17 324	0.21 258	0.30 405	0.17 317	0.28 410	0.10 159	0.15 342	0.10 66	0.12 242	0.05 28	0.04 22	0.07 200	0.06 191	0.05 102	0.05 125

PFNet	0.12 257	0.06 59	0.17 383	0.17 220	0.08 130	0.09 84	0.15 225	0.26 356	0.20 275	0.16 301	0.16 223	0.14 243	0.11 230	0.12 195	0.11 193	0.06 118	0.04 22	0.07 200	0.06 191	0.05 102	0.05 125

IRAFT_RVC	0.12 257	0.08 242	0.16 355	0.19 360	0.08 130	0.07 30	0.15 225	0.24 322	0.23 314	0.14 246	0.14 194	0.15 272	0.12 261	0.12 195	0.10 125	0.06 118	0.04 22	0.09 365	0.06 191	0.06 197	0.06 205

sCroCo_RVC	0.12 257	0.09 318	0.23 452	0.24 490	0.11 395	0.19 403	0.14 157	0.17 174	0.14 147	0.10 131	0.13 180	0.12 198	0.07 110	0.14 266	0.11 193	0.08 306	0.08 411	0.08 284	0.08 343	0.05 102	0.07 285

ARAFT	0.12 257	0.08 242	0.17 383	0.19 360	0.09 244	0.14 284	0.18 369	0.20 235	0.12 90	0.12 198	0.13 180	0.14 243	0.11 230	0.15 288	0.12 242	0.06 118	0.05 188	0.10 413	0.09 389	0.05 102	0.04 42

BEATNet_4x	0.12 257	0.08 242	0.14 270	0.18 302	0.07 74	0.15 310	0.07 3	0.22 280	0.18 237	0.16 301	0.19 278	0.18 320	0.14 324	0.16 322	0.15 348	0.07 245	0.05 188	0.05 25	0.05 113	0.06 197	0.06 205

MLCV	0.12 257	0.07 143	0.16 355	0.18 302	0.06 14	0.15 310	0.17 324	0.19 224	0.21 290	0.18 347	0.25 371	0.17 306	0.13 299	0.14 266	0.13 283	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 42

G2L-ROB	0.13 282	0.06 59	0.13 235	0.13 13	0.08 130	0.14 284	0.16 290	0.25 338	0.18 237	0.19 363	0.18 269	0.20 346	0.14 324	0.17 354	0.16 364	0.08 306	0.05 188	0.06 105	0.05 113	0.08 326	0.09 393

xyz-stereo	0.13 282	0.07 143	0.20 429	0.15 72	0.05 1	0.20 418	0.15 225	0.17 174	0.31 412	0.15 273	0.29 422	0.26 420	0.16 368	0.13 240	0.12 242	0.05 28	0.05 188	0.06 105	0.05 113	0.04 16	0.04 42

DFGA-Net	0.13 282	0.11 402	0.18 406	0.17 220	0.10 346	0.12 213	0.13 108	0.22 280	0.25 351	0.16 301	0.16 223	0.13 223	0.12 261	0.16 322	0.14 320	0.07 245	0.05 188	0.08 284	0.07 278	0.05 102	0.05 125

FACV-RUCA	0.13 282	0.11 402	0.12 190	0.19 360	0.12 426	0.15 310	0.15 225	0.22 280	0.20 275	0.15 273	0.16 223	0.14 243	0.16 368	0.14 266	0.13 283	0.07 245	0.05 188	0.08 284	0.06 191	0.10 420	0.08 349

UGAM	0.13 282	0.10 376	0.09 75	0.22 460	0.08 130	0.12 213	0.20 429	0.17 174	0.23 314	0.21 400	0.16 223	0.13 223	0.13 299	0.19 390	0.12 242	0.07 245	0.05 188	0.13 478	0.11 460	0.07 263	0.05 125

test_sample1	0.13 282	0.07 143	0.14 270	0.13 13	0.08 130	0.19 403	0.16 290	0.20 235	0.15 164	0.14 246	0.22 321	0.18 320	0.16 368	0.17 354	0.14 320	0.07 245	0.06 313	0.06 105	0.06 191	0.08 326	0.07 285

qqq1	0.13 282	0.07 143	0.17 383	0.14 31	0.08 130	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.11 193	0.08 306	0.05 188	0.05 25	0.05 113	0.06 197	0.06 205

fff1	0.13 282	0.07 143	0.17 383	0.14 31	0.08 130	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.11 193	0.08 306	0.05 188	0.05 25	0.05 113	0.06 197	0.06 205

MyStereo05	0.13 282	0.07 143	0.10 114	0.17 220	0.09 244	0.13 252	0.18 369	0.27 377	0.35 447	0.17 317	0.14 194	0.15 272	0.11 230	0.15 288	0.13 283	0.06 118	0.05 188	0.07 200	0.07 278	0.06 197	0.06 205

MyStereo04	0.13 282	0.07 143	0.10 114	0.17 220	0.09 244	0.14 284	0.18 369	0.29 407	0.38 465	0.17 317	0.14 194	0.16 286	0.10 205	0.15 288	0.13 283	0.06 118	0.05 188	0.08 284	0.07 278	0.06 197	0.06 205

ff1	0.13 282	0.09 318	0.14 270	0.16 146	0.08 130	0.17 361	0.17 324	0.15 111	0.19 252	0.15 273	0.25 371	0.19 334	0.13 299	0.14 266	0.20 416	0.06 118	0.04 22	0.09 365	0.08 343	0.06 197	0.06 205

StereoVision	0.13 282	0.12 420	0.09 75	0.24 490	0.10 346	0.15 310	0.21 446	0.21 258	0.20 275	0.12 198	0.24 342	0.10 159	0.10 205	0.16 322	0.10 125	0.09 365	0.11 472	0.12 463	0.12 479	0.06 197	0.05 125

LL-Strereo	0.13 282	0.09 318	0.11 155	0.20 416	0.10 346	0.11 178	0.18 369	0.32 442	0.24 330	0.15 273	0.15 211	0.14 243	0.13 299	0.19 390	0.11 193	0.06 118	0.04 22	0.09 365	0.08 343	0.04 16	0.05 125

CASS	0.13 282	0.12 420	0.11 155	0.23 481	0.09 244	0.15 310	0.17 324	0.18 203	0.19 252	0.17 317	0.18 269	0.15 272	0.15 342	0.14 266	0.14 320	0.09 365	0.06 313	0.10 413	0.08 343	0.09 388	0.07 285
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 282	0.07 143	0.13 235	0.18 302	0.09 244	0.13 252	0.17 324	0.19 224	0.29 395	0.15 273	0.24 342	0.15 272	0.14 324	0.14 266	0.14 320	0.07 245	0.05 188	0.07 200	0.09 389	0.05 102	0.06 205

TestStereo1	0.13 282	0.08 242	0.08 33	0.19 360	0.08 130	0.18 380	0.29 524	0.23 300	0.16 192	0.17 317	0.20 290	0.16 286	0.10 205	0.12 195	0.13 283	0.06 118	0.06 313	0.08 284	0.06 191	0.05 102	0.05 125

qqq	0.13 282	0.09 318	0.15 321	0.16 146	0.08 130	0.13 252	0.15 225	0.23 300	0.16 192	0.15 273	0.19 278	0.16 286	0.16 368	0.15 288	0.16 364	0.07 245	0.06 313	0.08 284	0.08 343	0.07 263	0.07 285

x	0.13 282	0.07 143	0.14 270	0.14 31	0.08 130	0.18 380	0.14 157	0.22 280	0.20 275	0.15 273	0.19 278	0.19 334	0.17 391	0.18 375	0.18 397	0.07 245	0.05 188	0.06 105	0.06 191	0.07 263	0.07 285

raft_robust	0.13 282	0.10 376	0.07 8	0.18 302	0.08 130	0.13 252	0.24 479	0.28 396	0.33 426	0.20 386	0.19 278	0.14 243	0.10 205	0.11 112	0.12 242	0.05 28	0.05 188	0.07 200	0.07 278	0.05 102	0.04 42

RAFT+CT+SA	0.13 282	0.11 402	0.09 75	0.19 360	0.09 244	0.15 310	0.28 515	0.22 280	0.22 304	0.15 273	0.26 388	0.10 159	0.10 205	0.11 112	0.12 242	0.05 28	0.04 22	0.07 200	0.08 343	0.07 263	0.06 205

SA-5K	0.13 282	0.08 242	0.08 33	0.19 360	0.08 130	0.18 380	0.29 524	0.23 300	0.16 192	0.17 317	0.20 290	0.16 286	0.10 205	0.12 195	0.13 283	0.06 118	0.06 313	0.08 284	0.06 191	0.05 102	0.05 125

GwcNet-ADL	0.13 282	0.08 242	0.14 270	0.20 416	0.09 244	0.11 178	0.20 429	0.30 421	0.24 330	0.13 225	0.14 194	0.18 320	0.14 324	0.13 240	0.14 320	0.07 245	0.05 188	0.06 105	0.05 113	0.07 263	0.06 205

GANet-ADL	0.13 282	0.07 143	0.15 321	0.17 220	0.10 346	0.18 380	0.15 225	0.30 421	0.20 275	0.13 225	0.18 269	0.19 334	0.12 261	0.16 322	0.13 283	0.08 306	0.06 313	0.06 105	0.05 113	0.07 263	0.08 349

RAFT	0.13 282	0.09 318	0.11 155	0.18 302	0.08 130	0.15 310	0.24 479	0.20 235	0.19 252	0.21 400	0.21 311	0.17 306	0.12 261	0.16 322	0.09 54	0.06 118	0.07 385	0.10 413	0.09 389	0.05 102	0.05 125

TestStereo	0.13 282	0.14 461	0.11 155	0.23 481	0.08 130	0.15 310	0.21 446	0.20 235	0.23 314	0.14 246	0.24 342	0.16 286	0.12 261	0.16 322	0.14 320	0.05 28	0.06 313	0.08 284	0.06 191	0.09 388	0.05 125

sAnonymous2	0.13 282	0.12 420	0.24 456	0.20 416	0.12 426	0.17 361	0.13 108	0.26 356	0.21 290	0.11 160	0.11 153	0.13 223	0.08 146	0.10 66	0.10 125	0.09 365	0.05 188	0.08 284	0.06 191	0.15 504	0.10 420

CroCo_RVC	0.13 282	0.12 420	0.24 456	0.20 416	0.12 426	0.17 361	0.13 108	0.26 356	0.21 290	0.11 160	0.11 153	0.13 223	0.08 146	0.10 66	0.10 125	0.09 365	0.05 188	0.08 284	0.06 191	0.15 504	0.10 420

RAFT + AFF	0.13 282	0.07 143	0.20 429	0.20 416	0.10 346	0.14 284	0.24 479	0.26 356	0.20 275	0.11 160	0.10 121	0.12 198	0.10 205	0.15 288	0.12 242	0.07 245	0.06 313	0.09 365	0.08 343	0.06 197	0.08 349

GMStereo	0.13 282	0.14 461	0.14 270	0.18 302	0.09 244	0.15 310	0.16 290	0.20 235	0.24 330	0.16 301	0.17 244	0.10 159	0.10 205	0.16 322	0.13 283	0.07 245	0.06 313	0.06 105	0.06 191	0.07 263	0.06 205
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 282	0.07 143	0.14 270	0.17 220	0.09 244	0.15 310	0.16 290	0.28 396	0.27 374	0.14 246	0.17 244	0.12 198	0.13 299	0.14 266	0.11 193	0.08 306	0.05 188	0.07 200	0.07 278	0.07 263	0.06 205

FENet	0.13 282	0.08 242	0.12 190	0.16 146	0.08 130	0.14 284	0.15 225	0.22 280	0.23 314	0.17 317	0.23 330	0.16 286	0.12 261	0.14 266	0.15 348	0.08 306	0.05 188	0.08 284	0.08 343	0.07 263	0.07 285

cf-r	0.13 282	0.07 143	0.12 190	0.16 146	0.08 130	0.14 284	0.19 408	0.20 235	0.25 351	0.17 317	0.25 371	0.21 355	0.16 368	0.14 266	0.14 320	0.10 406	0.05 188	0.06 105	0.08 343	0.06 197	0.06 205

iResNet	0.13 282	0.10 376	0.18 406	0.19 360	0.08 130	0.13 252	0.18 369	0.20 235	0.26 365	0.15 273	0.23 330	0.15 272	0.13 299	0.14 266	0.14 320	0.06 118	0.04 22	0.06 105	0.05 113	0.06 197	0.05 125

DN-CSS_ROB	0.13 282	0.13 449	0.16 355	0.18 302	0.10 346	0.16 340	0.08 7	0.22 280	0.18 237	0.17 317	0.22 321	0.13 223	0.13 299	0.12 195	0.13 283	0.05 28	0.05 188	0.10 413	0.10 428	0.08 326	0.06 205

G2L-Stereo_test	0.14 316	0.07 143	0.11 155	0.13 13	0.08 130	0.12 213	0.16 290	0.30 421	0.28 388	0.20 386	0.23 330	0.20 346	0.16 368	0.17 354	0.18 397	0.07 245	0.05 188	0.05 25	0.05 113	0.07 263	0.06 205

coex_refinement	0.14 316	0.07 143	0.12 190	0.17 220	0.10 346	0.15 310	0.15 225	0.26 356	0.29 395	0.18 347	0.20 290	0.22 373	0.17 391	0.16 322	0.18 397	0.08 306	0.05 188	0.06 105	0.06 191	0.09 388	0.08 349

G2L-Stereo	0.14 316	0.07 143	0.13 235	0.17 220	0.09 244	0.13 252	0.12 66	0.27 377	0.22 304	0.16 301	0.27 396	0.21 355	0.13 299	0.17 354	0.18 397	0.09 365	0.08 411	0.08 284	0.07 278	0.07 263	0.07 285

rvit_0105_6	0.14 316	0.09 318	0.18 406	0.17 220	0.10 346	0.10 132	0.16 290	0.19 224	0.26 365	0.12 198	0.18 269	0.17 306	0.12 261	0.18 375	0.12 242	0.15 500	0.11 472	0.12 463	0.10 428	0.09 388	0.06 205

rvit_0105_5	0.14 316	0.09 318	0.13 235	0.17 220	0.09 244	0.14 284	0.23 467	0.24 322	0.27 374	0.14 246	0.15 211	0.18 320	0.12 261	0.17 354	0.14 320	0.14 496	0.11 472	0.10 413	0.10 428	0.08 326	0.06 205

rvit_0105_4	0.14 316	0.09 318	0.17 383	0.17 220	0.10 346	0.12 213	0.19 408	0.23 300	0.27 374	0.14 246	0.20 290	0.17 306	0.13 299	0.17 354	0.13 283	0.15 500	0.11 472	0.11 444	0.10 428	0.09 388	0.06 205

DCVSM-stereo	0.14 316	0.09 318	0.16 355	0.16 146	0.10 346	0.15 310	0.09 18	0.19 224	0.23 314	0.20 386	0.23 330	0.26 420	0.15 342	0.18 375	0.14 320	0.09 365	0.07 385	0.09 365	0.08 343	0.10 420	0.12 459

test_sample6	0.14 316	0.08 242	0.13 235	0.16 146	0.08 130	0.17 361	0.19 408	0.25 338	0.17 211	0.17 317	0.27 396	0.19 334	0.14 324	0.15 288	0.13 283	0.08 306	0.05 188	0.08 284	0.07 278	0.08 326	0.08 349

test_sample5	0.14 316	0.08 242	0.14 270	0.16 146	0.08 130	0.18 380	0.18 369	0.25 338	0.17 211	0.17 317	0.27 396	0.18 320	0.14 324	0.16 322	0.13 283	0.08 306	0.05 188	0.08 284	0.07 278	0.08 326	0.08 349

test_sample4	0.14 316	0.08 242	0.14 270	0.15 72	0.08 130	0.19 403	0.18 369	0.26 356	0.17 211	0.16 301	0.25 371	0.18 320	0.14 324	0.16 322	0.13 283	0.08 306	0.06 313	0.08 284	0.06 191	0.08 326	0.08 349

test_sample3	0.14 316	0.08 242	0.15 321	0.14 31	0.09 244	0.19 403	0.17 324	0.26 356	0.18 237	0.16 301	0.22 321	0.19 334	0.15 342	0.17 354	0.13 283	0.08 306	0.06 313	0.07 200	0.06 191	0.09 388	0.08 349

DispNO	0.14 316	0.08 242	0.17 383	0.19 360	0.12 426	0.11 178	0.21 446	0.23 300	0.29 395	0.17 317	0.23 330	0.18 320	0.17 391	0.15 288	0.15 348	0.07 245	0.05 188	0.08 284	0.08 343	0.07 263	0.06 205

SMFormer	0.14 316	0.07 143	0.17 383	0.14 31	0.08 130	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.17 379	0.08 306	0.05 188	0.07 200	0.06 191	0.07 263	0.06 205

tta	0.14 316	0.07 143	0.17 383	0.14 31	0.08 130	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.17 379	0.08 306	0.05 188	0.07 200	0.06 191	0.06 197	0.06 205

mmm	0.14 316	0.08 242	0.17 383	0.17 220	0.09 244	0.17 361	0.18 369	0.21 258	0.15 164	0.15 273	0.23 330	0.21 355	0.16 368	0.16 322	0.17 379	0.08 306	0.05 188	0.08 284	0.07 278	0.07 263	0.07 285

DualNet	0.14 316	0.08 242	0.14 270	0.16 146	0.08 130	0.18 380	0.18 369	0.25 338	0.17 211	0.17 317	0.27 396	0.18 320	0.14 324	0.16 322	0.13 283	0.08 306	0.05 188	0.08 284	0.07 278	0.08 326	0.08 349

mmx	0.14 316	0.09 318	0.14 270	0.16 146	0.08 130	0.17 361	0.17 324	0.27 377	0.25 351	0.15 273	0.25 371	0.19 334	0.13 299	0.14 266	0.20 416	0.08 306	0.06 313	0.09 365	0.08 343	0.08 326	0.08 349

ttt	0.14 316	0.08 242	0.14 270	0.15 72	0.08 130	0.15 310	0.18 369	0.27 377	0.29 395	0.16 301	0.24 342	0.17 306	0.13 299	0.13 240	0.14 320	0.11 435	0.08 411	0.09 365	0.08 343	0.09 388	0.08 349

xxx	0.14 316	0.09 318	0.14 270	0.16 146	0.08 130	0.17 361	0.17 324	0.27 377	0.25 351	0.15 273	0.25 371	0.19 334	0.13 299	0.14 266	0.20 416	0.08 306	0.06 313	0.09 365	0.08 343	0.08 326	0.08 349

PCWNet_CMD	0.14 316	0.08 242	0.15 321	0.17 220	0.09 244	0.14 284	0.14 157	0.29 407	0.36 451	0.14 246	0.20 290	0.21 355	0.12 261	0.17 354	0.13 283	0.07 245	0.05 188	0.07 200	0.07 278	0.07 263	0.07 285

CBFPSM	0.14 316	0.06 59	0.26 464	0.17 220	0.09 244	0.13 252	0.15 225	0.22 280	0.23 314	0.20 386	0.27 396	0.24 397	0.16 368	0.16 322	0.18 397	0.06 118	0.06 313	0.06 105	0.07 278	0.07 263	0.07 285

gwcnet-sp	0.14 316	0.07 143	0.12 190	0.18 302	0.09 244	0.16 340	0.17 324	0.24 322	0.24 330	0.18 347	0.24 342	0.15 272	0.16 368	0.15 288	0.15 348	0.08 306	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

scenet	0.14 316	0.07 143	0.12 190	0.18 302	0.09 244	0.16 340	0.17 324	0.24 322	0.24 330	0.18 347	0.24 342	0.15 272	0.16 368	0.15 288	0.15 348	0.08 306	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

ssnet	0.14 316	0.07 143	0.12 190	0.18 302	0.09 244	0.16 340	0.17 324	0.24 322	0.24 330	0.18 347	0.24 342	0.15 272	0.16 368	0.15 288	0.15 348	0.08 306	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

BUS	0.14 316	0.09 318	0.14 270	0.22 460	0.10 346	0.19 403	0.14 157	0.34 470	0.19 252	0.17 317	0.22 321	0.16 286	0.13 299	0.15 288	0.13 283	0.08 306	0.06 313	0.10 413	0.09 389	0.07 263	0.07 285

IER	0.14 316	0.07 143	0.13 235	0.17 220	0.09 244	0.14 284	0.16 290	0.25 338	0.26 365	0.18 347	0.25 371	0.17 306	0.20 433	0.16 322	0.14 320	0.08 306	0.05 188	0.07 200	0.06 191	0.08 326	0.07 285

test_5	0.14 316	0.12 420	0.08 33	0.20 416	0.10 346	0.14 284	0.29 524	0.21 258	0.24 330	0.18 347	0.28 410	0.11 181	0.15 342	0.12 195	0.13 283	0.06 118	0.05 188	0.07 200	0.08 343	0.08 326	0.07 285

psmg	0.14 316	0.09 318	0.14 270	0.17 220	0.10 346	0.15 310	0.17 324	0.29 407	0.19 252	0.17 317	0.21 311	0.25 411	0.16 368	0.15 288	0.14 320	0.08 306	0.06 313	0.08 284	0.08 343	0.07 263	0.06 205

UDGNet	0.14 316	0.13 449	0.16 355	0.17 220	0.10 346	0.12 213	0.16 290	0.21 258	0.27 374	0.20 386	0.20 290	0.16 286	0.13 299	0.16 322	0.13 283	0.10 406	0.06 313	0.09 365	0.07 278	0.06 197	0.07 285

CFNet_pseudo	0.14 316	0.08 242	0.15 321	0.16 146	0.09 244	0.13 252	0.14 157	0.27 377	0.34 438	0.14 246	0.21 311	0.22 373	0.13 299	0.18 375	0.14 320	0.07 245	0.05 188	0.08 284	0.06 191	0.07 263	0.07 285

GES	0.14 316	0.08 242	0.16 355	0.15 72	0.10 346	0.13 252	0.13 108	0.28 396	0.25 351	0.16 301	0.23 330	0.18 320	0.13 299	0.16 322	0.13 283	0.08 306	0.07 385	0.07 200	0.06 191	0.08 326	0.09 393

GANet-RSSM	0.14 316	0.07 143	0.13 235	0.13 13	0.08 130	0.14 284	0.17 324	0.22 280	0.21 290	0.17 317	0.24 342	0.23 391	0.15 342	0.16 322	0.15 348	0.10 406	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

PSMNet-RSSM	0.14 316	0.07 143	0.13 235	0.15 72	0.08 130	0.13 252	0.16 290	0.24 322	0.24 330	0.16 301	0.28 410	0.22 373	0.14 324	0.15 288	0.13 283	0.11 435	0.06 313	0.09 365	0.12 479	0.08 326	0.07 285

GwcNet-RSSM	0.14 316	0.07 143	0.12 190	0.15 72	0.08 130	0.15 310	0.20 429	0.21 258	0.27 374	0.18 347	0.27 396	0.22 373	0.16 368	0.14 266	0.15 348	0.10 406	0.05 188	0.07 200	0.09 389	0.07 263	0.07 285

CFNet-ft	0.14 316	0.07 143	0.15 321	0.12 4	0.09 244	0.16 340	0.18 369	0.22 280	0.24 330	0.17 317	0.26 388	0.24 397	0.14 324	0.16 322	0.14 320	0.11 435	0.06 313	0.08 284	0.09 389	0.09 388	0.08 349

DMCA	0.14 316	0.09 318	0.16 355	0.19 360	0.09 244	0.15 310	0.17 324	0.23 300	0.27 374	0.14 246	0.19 278	0.17 306	0.18 405	0.15 288	0.17 379	0.10 406	0.06 313	0.08 284	0.06 191	0.09 388	0.10 420

RASNet	0.14 316	0.07 143	0.14 270	0.16 146	0.08 130	0.18 380	0.14 157	0.29 407	0.20 275	0.17 317	0.25 371	0.21 355	0.18 405	0.20 415	0.19 410	0.07 245	0.06 313	0.06 105	0.08 343	0.06 197	0.06 205

MSMDNet	0.14 316	0.08 242	0.15 321	0.17 220	0.09 244	0.14 284	0.14 157	0.29 407	0.36 451	0.14 246	0.21 311	0.21 355	0.12 261	0.17 354	0.14 320	0.07 245	0.05 188	0.07 200	0.07 278	0.07 263	0.07 285

HSM-Net_RVC	0.14 316	0.08 242	0.11 155	0.15 72	0.08 130	0.15 310	0.15 225	0.27 377	0.29 395	0.19 363	0.21 311	0.29 446	0.14 324	0.17 354	0.13 283	0.06 118	0.06 313	0.06 105	0.06 191	0.07 263	0.06 205
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 316	0.07 143	0.15 321	0.12 4	0.09 244	0.16 340	0.18 369	0.22 280	0.24 330	0.17 317	0.26 388	0.24 397	0.14 324	0.16 322	0.14 320	0.11 435	0.06 313	0.08 284	0.09 389	0.09 388	0.08 349

ccs_rob	0.14 316	0.08 242	0.15 321	0.16 146	0.09 244	0.12 213	0.14 157	0.27 377	0.34 438	0.14 246	0.21 311	0.22 373	0.13 299	0.18 375	0.14 320	0.07 245	0.05 188	0.08 284	0.07 278	0.07 263	0.07 285

UCFNet_RVC	0.14 316	0.08 242	0.13 235	0.11 1	0.10 346	0.20 418	0.10 29	0.24 322	0.22 304	0.17 317	0.20 290	0.23 391	0.15 342	0.17 354	0.15 348	0.12 460	0.07 385	0.10 413	0.13 489	0.11 443	0.10 420

iResNetv2_ROB	0.14 316	0.08 242	0.15 321	0.16 146	0.08 130	0.16 340	0.12 66	0.25 338	0.35 447	0.21 400	0.29 422	0.24 397	0.13 299	0.14 266	0.14 320	0.06 118	0.05 188	0.06 105	0.04 37	0.09 388	0.08 349

iResNet_ROB	0.14 316	0.07 143	0.13 235	0.14 31	0.07 74	0.18 380	0.14 157	0.26 356	0.31 412	0.22 416	0.25 371	0.23 391	0.15 342	0.15 288	0.13 283	0.07 245	0.05 188	0.05 25	0.04 37	0.08 326	0.08 349

DDVS	0.15 360	0.10 376	0.21 437	0.16 146	0.12 426	0.15 310	0.14 157	0.25 338	0.19 252	0.18 347	0.29 422	0.27 428	0.12 261	0.19 390	0.15 348	0.09 365	0.06 313	0.09 365	0.07 278	0.11 443	0.11 446

rvit_0105_3	0.15 360	0.09 318	0.14 270	0.19 360	0.12 426	0.15 310	0.25 494	0.25 338	0.29 395	0.15 273	0.17 244	0.20 346	0.13 299	0.17 354	0.14 320	0.13 483	0.11 472	0.12 463	0.14 492	0.07 263	0.06 205

ACV-stereo	0.15 360	0.10 376	0.28 476	0.18 302	0.12 426	0.14 284	0.12 66	0.23 300	0.21 290	0.19 363	0.23 330	0.22 373	0.15 342	0.23 456	0.17 379	0.07 245	0.06 313	0.07 200	0.07 278	0.07 263	0.07 285

ITSA-stereo	0.15 360	0.10 376	0.14 270	0.19 360	0.08 130	0.12 213	0.14 157	0.30 421	0.49 509	0.17 317	0.19 278	0.22 373	0.15 342	0.17 354	0.16 364	0.10 406	0.06 313	0.08 284	0.08 343	0.08 326	0.08 349

test_sample7	0.15 360	0.10 376	0.16 355	0.14 31	0.11 395	0.16 340	0.16 290	0.27 377	0.23 314	0.20 386	0.20 290	0.24 397	0.19 421	0.16 322	0.16 364	0.12 460	0.06 313	0.10 413	0.09 389	0.10 420	0.10 420

1111x	0.15 360	0.08 242	0.12 190	0.18 302	0.07 74	0.18 380	0.25 494	0.31 431	0.24 330	0.17 317	0.24 342	0.26 420	0.15 342	0.13 240	0.23 457	0.07 245	0.07 385	0.08 284	0.09 389	0.07 263	0.06 205

CFNet_ucs	0.15 360	0.08 242	0.16 355	0.16 146	0.11 395	0.14 284	0.14 157	0.30 421	0.34 438	0.16 301	0.24 342	0.23 391	0.14 324	0.18 375	0.15 348	0.09 365	0.06 313	0.08 284	0.07 278	0.09 388	0.09 393

BSDual-CNN	0.15 360	0.09 318	0.14 270	0.22 460	0.10 346	0.14 284	0.15 225	0.34 470	0.19 252	0.17 317	0.22 321	0.25 411	0.16 368	0.15 288	0.14 320	0.08 306	0.06 313	0.10 413	0.09 389	0.07 263	0.07 285

hknet	0.15 360	0.11 402	0.13 235	0.22 460	0.11 395	0.14 284	0.15 225	0.34 470	0.25 351	0.17 317	0.22 321	0.22 373	0.18 405	0.17 354	0.12 242	0.07 245	0.06 313	0.10 413	0.09 389	0.07 263	0.07 285

dd	0.15 360	0.16 479	0.16 355	0.19 360	0.09 244	0.15 310	0.18 369	0.21 258	0.25 351	0.23 428	0.20 290	0.21 355	0.09 173	0.21 432	0.16 364	0.10 406	0.06 313	0.08 284	0.06 191	0.08 326	0.06 205

DAS	0.15 360	0.08 242	0.18 406	0.19 360	0.10 346	0.19 403	0.17 324	0.27 377	0.29 395	0.18 347	0.25 371	0.21 355	0.15 342	0.16 322	0.12 242	0.08 306	0.06 313	0.06 105	0.06 191	0.07 263	0.07 285

SepStereo	0.15 360	0.08 242	0.18 406	0.19 360	0.10 346	0.19 403	0.17 324	0.27 377	0.29 395	0.18 347	0.25 371	0.21 355	0.15 342	0.25 470	0.12 242	0.08 306	0.06 313	0.06 105	0.06 191	0.07 263	0.07 285

PSMNet-ADL	0.15 360	0.12 420	0.13 235	0.22 460	0.09 244	0.13 252	0.20 429	0.26 356	0.23 314	0.18 347	0.20 290	0.24 397	0.16 368	0.18 375	0.17 379	0.08 306	0.08 411	0.08 284	0.11 460	0.08 326	0.07 285

LMCR-Stereo	0.15 360	0.08 242	0.13 235	0.21 445	0.09 244	0.17 361	0.20 429	0.27 377	0.19 252	0.24 437	0.24 342	0.23 391	0.17 391	0.20 415	0.17 379	0.07 245	0.06 313	0.08 284	0.06 191	0.10 420	0.08 349

ICVP	0.15 360	0.09 318	0.12 190	0.22 460	0.09 244	0.17 361	0.21 446	0.25 338	0.23 314	0.18 347	0.30 428	0.26 420	0.18 405	0.17 354	0.14 320	0.09 365	0.07 385	0.08 284	0.07 278	0.07 263	0.07 285
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 360	0.07 143	0.14 270	0.14 31	0.08 130	0.23 456	0.18 369	0.31 431	0.19 252	0.14 246	0.28 410	0.22 373	0.14 324	0.15 288	0.26 490	0.09 365	0.05 188	0.07 200	0.07 278	0.08 326	0.07 285

test_xeample	0.15 360	0.06 59	0.13 235	0.14 31	0.08 130	0.21 435	0.20 429	0.28 396	0.20 275	0.16 301	0.29 422	0.19 334	0.16 368	0.15 288	0.26 490	0.09 365	0.05 188	0.07 200	0.07 278	0.07 263	0.07 285

ACVNet	0.15 360	0.09 318	0.15 321	0.13 13	0.12 426	0.14 284	0.20 429	0.22 280	0.33 426	0.17 317	0.26 388	0.21 355	0.16 368	0.17 354	0.21 436	0.07 245	0.06 313	0.06 105	0.06 191	0.08 326	0.06 205

acv_ft	0.15 360	0.09 318	0.15 321	0.19 360	0.10 346	0.16 340	0.17 324	0.25 338	0.33 426	0.19 363	0.26 388	0.21 355	0.17 391	0.17 354	0.18 397	0.07 245	0.06 313	0.06 105	0.06 191	0.08 326	0.06 205

CFNet	0.15 360	0.10 376	0.17 383	0.17 220	0.08 130	0.18 380	0.09 18	0.28 396	0.25 351	0.19 363	0.24 342	0.24 397	0.17 391	0.17 354	0.14 320	0.08 306	0.06 313	0.09 365	0.10 428	0.07 263	0.06 205

AdaStereo	0.15 360	0.11 402	0.15 321	0.18 302	0.09 244	0.20 418	0.11 49	0.32 442	0.28 388	0.20 386	0.23 330	0.20 346	0.13 299	0.19 390	0.14 320	0.12 460	0.05 188	0.10 413	0.07 278	0.09 388	0.07 285
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	0.15 360	0.08 242	0.14 270	0.16 146	0.09 244	0.16 340	0.14 157	0.28 396	0.25 351	0.19 363	0.23 330	0.37 497	0.16 368	0.20 415	0.15 348	0.07 245	0.05 188	0.07 200	0.06 191	0.07 263	0.06 205

pmcnn	0.15 360	0.07 143	0.19 417	0.15 72	0.07 74	0.20 418	0.15 225	0.24 322	0.26 365	0.21 400	0.34 456	0.28 438	0.18 405	0.18 375	0.17 379	0.07 245	0.05 188	0.05 25	0.04 37	0.07 263	0.06 205

DualNet (step1)	0.16 383	0.12 420	0.20 429	0.12 4	0.14 469	0.17 361	0.13 108	0.27 377	0.23 314	0.20 386	0.20 290	0.24 397	0.19 421	0.16 322	0.16 364	0.15 500	0.06 313	0.14 490	0.14 492	0.14 489	0.12 459

GMStereo_Zeroshot	0.16 383	0.13 449	0.24 456	0.20 416	0.10 346	0.17 361	0.13 108	0.29 407	0.25 351	0.23 428	0.32 440	0.25 411	0.11 230	0.19 390	0.14 320	0.09 365	0.06 313	0.11 444	0.06 191	0.12 458	0.08 349

iinet-f	0.16 383	0.06 59	0.45 519	0.14 31	0.10 346	0.21 435	0.14 157	0.27 377	0.23 314	0.21 400	0.24 342	0.21 355	0.15 342	0.18 375	0.21 436	0.09 365	0.07 385	0.07 200	0.06 191	0.09 388	0.10 420

CRFU-Net	0.16 383	0.08 242	0.14 270	0.17 220	0.09 244	0.19 403	0.14 157	0.26 356	0.20 275	0.28 476	0.27 396	0.29 446	0.17 391	0.19 390	0.17 379	0.09 365	0.09 440	0.07 200	0.07 278	0.08 326	0.08 349

NINENet	0.16 383	0.10 376	0.15 321	0.17 220	0.11 395	0.19 403	0.14 157	0.40 514	0.36 451	0.18 347	0.21 311	0.16 286	0.13 299	0.15 288	0.13 283	0.08 306	0.08 411	0.10 413	0.07 278	0.10 420	0.09 393

CSP-Net	0.16 383	0.09 318	0.14 270	0.16 146	0.09 244	0.19 403	0.17 324	0.25 338	0.32 419	0.25 450	0.30 428	0.24 397	0.15 342	0.21 432	0.18 397	0.09 365	0.06 313	0.07 200	0.07 278	0.08 326	0.07 285

AASNet	0.16 383	0.08 242	0.12 190	0.19 360	0.09 244	0.18 380	0.15 225	0.37 498	0.37 458	0.19 363	0.23 330	0.20 346	0.16 368	0.17 354	0.20 416	0.10 406	0.08 411	0.08 284	0.07 278	0.09 388	0.09 393

AACVNet	0.16 383	0.08 242	0.14 270	0.15 72	0.10 346	0.18 380	0.15 225	0.23 300	0.24 330	0.27 461	0.27 396	0.28 438	0.17 391	0.19 390	0.16 364	0.09 365	0.07 385	0.09 365	0.07 278	0.10 420	0.09 393

ADLNet2	0.16 383	0.09 318	0.13 235	0.16 146	0.09 244	0.20 418	0.16 290	0.31 431	0.39 468	0.16 301	0.20 290	0.20 346	0.18 405	0.21 432	0.22 445	0.08 306	0.06 313	0.07 200	0.07 278	0.09 388	0.07 285

Anonymous3	0.16 383	0.13 449	0.33 495	0.26 506	0.14 469	0.27 491	0.17 324	0.28 396	0.28 388	0.15 273	0.17 244	0.14 243	0.10 205	0.15 288	0.12 242	0.08 306	0.08 411	0.08 284	0.08 343	0.08 326	0.11 446

ADLNet	0.16 383	0.08 242	0.15 321	0.16 146	0.10 346	0.16 340	0.17 324	0.32 442	0.27 374	0.22 416	0.27 396	0.24 397	0.16 368	0.18 375	0.21 436	0.10 406	0.06 313	0.10 413	0.10 428	0.08 326	0.09 393

HCRNet	0.16 383	0.24 522	0.12 190	0.35 537	0.11 395	0.15 310	0.17 324	0.26 356	0.22 304	0.19 363	0.24 342	0.21 355	0.14 324	0.15 288	0.13 283	0.11 435	0.07 385	0.11 444	0.10 428	0.09 388	0.07 285

222	0.16 383	0.07 143	0.14 270	0.14 31	0.08 130	0.24 461	0.18 369	0.30 421	0.20 275	0.17 317	0.28 410	0.17 306	0.16 368	0.15 288	0.40 540	0.10 406	0.05 188	0.07 200	0.06 191	0.07 263	0.08 349

UPFNet	0.16 383	0.08 242	0.12 190	0.20 416	0.12 426	0.20 418	0.23 467	0.28 396	0.26 365	0.17 317	0.24 342	0.22 373	0.19 421	0.19 390	0.21 436	0.09 365	0.07 385	0.08 284	0.09 389	0.08 326	0.06 205

ac_64	0.16 383	0.08 242	0.15 321	0.18 302	0.10 346	0.22 443	0.18 369	0.24 322	0.21 290	0.18 347	0.24 342	0.29 446	0.18 405	0.19 390	0.22 445	0.09 365	0.07 385	0.08 284	0.09 389	0.07 263	0.06 205

DSFCA	0.16 383	0.09 318	0.14 270	0.16 146	0.10 346	0.20 418	0.19 408	0.28 396	0.31 412	0.23 428	0.24 342	0.22 373	0.15 342	0.19 390	0.20 416	0.10 406	0.07 385	0.09 365	0.09 389	0.08 326	0.08 349

FADNet-RVC-Resample	0.16 383	0.11 402	0.31 489	0.22 460	0.11 395	0.19 403	0.14 157	0.25 338	0.24 330	0.24 437	0.27 396	0.20 346	0.15 342	0.16 322	0.15 348	0.07 245	0.08 411	0.12 463	0.10 428	0.09 388	0.10 420

FADNet_RVC	0.16 383	0.14 461	0.40 512	0.20 416	0.11 395	0.13 252	0.13 108	0.26 356	0.22 304	0.21 400	0.23 330	0.20 346	0.17 391	0.14 266	0.16 364	0.08 306	0.08 411	0.12 463	0.09 389	0.11 443	0.10 420

AANet_RVC	0.16 383	0.10 376	0.10 114	0.18 302	0.09 244	0.18 380	0.19 408	0.26 356	0.31 412	0.22 416	0.35 460	0.21 355	0.21 437	0.22 445	0.16 364	0.06 118	0.05 188	0.06 105	0.06 191	0.07 263	0.06 205

DeepPruner_ROB	0.16 383	0.11 402	0.15 321	0.17 220	0.10 346	0.17 361	0.15 225	0.32 442	0.21 290	0.19 363	0.21 311	0.22 373	0.18 405	0.20 415	0.15 348	0.13 483	0.09 440	0.09 365	0.09 389	0.11 443	0.10 420

z-ln-s-r	0.17 403	0.10 376	0.40 512	0.19 360	0.08 130	0.17 361	0.18 369	0.22 280	0.33 426	0.18 347	0.40 489	0.22 373	0.17 391	0.20 415	0.23 457	0.07 245	0.05 188	0.07 200	0.07 278	0.07 263	0.05 125

rvit_stereo_0075_2	0.17 403	0.12 420	0.25 461	0.23 481	0.16 497	0.13 252	0.10 29	0.30 421	0.27 374	0.20 386	0.28 410	0.22 373	0.15 342	0.18 375	0.13 283	0.16 516	0.10 460	0.17 510	0.10 428	0.10 420	0.09 393

ToySt	0.17 403	0.11 402	0.18 406	0.17 220	0.11 395	0.16 340	0.25 494	0.24 322	0.33 426	0.19 363	0.24 342	0.26 420	0.24 460	0.19 390	0.20 416	0.07 245	0.08 411	0.09 365	0.10 428	0.09 388	0.08 349

ssnet_v2	0.17 403	0.10 376	0.17 383	0.17 220	0.11 395	0.21 435	0.21 446	0.33 461	0.25 351	0.22 416	0.22 321	0.27 428	0.18 405	0.22 445	0.20 416	0.11 435	0.09 440	0.09 365	0.09 389	0.08 326	0.08 349

dad	0.17 403	0.20 508	0.20 429	0.16 146	0.11 395	0.20 418	0.18 369	0.21 258	0.28 388	0.30 488	0.24 342	0.29 446	0.13 299	0.19 390	0.16 364	0.18 522	0.09 440	0.11 444	0.09 389	0.11 443	0.07 285

GEStereo_RVC	0.17 403	0.12 420	0.15 321	0.22 460	0.11 395	0.19 403	0.17 324	0.32 442	0.48 503	0.20 386	0.25 371	0.17 306	0.13 299	0.21 432	0.16 364	0.10 406	0.06 313	0.08 284	0.07 278	0.09 388	0.08 349

MMNet	0.17 403	0.09 318	0.16 355	0.20 416	0.11 395	0.27 491	0.20 429	0.25 338	0.41 477	0.22 416	0.30 428	0.21 355	0.20 433	0.17 354	0.20 416	0.06 118	0.06 313	0.07 200	0.07 278	0.08 326	0.07 285

delet	0.17 403	0.08 242	0.17 383	0.19 360	0.11 395	0.20 418	0.21 446	0.30 421	0.37 458	0.17 317	0.26 388	0.19 334	0.19 421	0.19 390	0.21 436	0.08 306	0.08 411	0.09 365	0.11 460	0.06 197	0.06 205

UNet	0.17 403	0.09 318	0.18 406	0.19 360	0.12 426	0.27 491	0.19 408	0.33 461	0.29 395	0.21 400	0.24 342	0.23 391	0.19 421	0.19 390	0.18 397	0.07 245	0.06 313	0.08 284	0.07 278	0.08 326	0.06 205

HGLStereo	0.17 403	0.08 242	0.19 417	0.17 220	0.12 426	0.18 380	0.18 369	0.31 431	0.32 419	0.21 400	0.32 440	0.25 411	0.18 405	0.19 390	0.20 416	0.09 365	0.09 440	0.07 200	0.07 278	0.09 388	0.10 420

DMCA-RVC	0.17 403	0.10 376	0.15 321	0.24 490	0.11 395	0.18 380	0.18 369	0.25 338	0.24 330	0.21 400	0.26 388	0.25 411	0.27 483	0.18 375	0.20 416	0.12 460	0.08 411	0.13 478	0.10 428	0.10 420	0.08 349

TDLM	0.17 403	0.12 420	0.13 235	0.24 490	0.10 346	0.18 380	0.18 369	0.36 492	0.30 405	0.21 400	0.28 410	0.28 438	0.18 405	0.23 456	0.18 397	0.11 435	0.07 385	0.10 413	0.10 428	0.08 326	0.08 349

NLCA_NET_v2_RVC	0.17 403	0.10 376	0.22 443	0.20 416	0.10 346	0.15 310	0.18 369	0.31 431	0.25 351	0.21 400	0.30 428	0.25 411	0.17 391	0.21 432	0.20 416	0.09 365	0.06 313	0.08 284	0.08 343	0.07 263	0.08 349
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	0.17 403	0.12 420	0.15 321	0.20 416	0.09 244	0.18 380	0.18 369	0.26 356	0.23 314	0.26 455	0.40 489	0.22 373	0.17 391	0.21 432	0.20 416	0.08 306	0.05 188	0.09 365	0.10 428	0.07 263	0.07 285
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 417	0.08 242	0.19 417	0.19 360	0.13 449	0.15 310	0.12 66	0.30 421	0.32 419	0.21 400	0.25 371	0.27 428	0.17 391	0.17 354	0.20 416	0.20 529	0.08 411	0.14 490	0.14 492	0.14 489	0.17 521

test_sample9	0.18 417	0.12 420	0.20 429	0.12 4	0.14 469	0.17 361	0.13 108	0.27 377	0.23 314	0.20 386	0.20 290	0.24 397	0.19 421	0.19 390	0.17 379	0.15 500	0.30 547	0.14 490	0.14 492	0.14 489	0.12 459

fast-acv-ft	0.18 417	0.11 402	0.19 417	0.19 360	0.12 426	0.24 461	0.21 446	0.25 338	0.34 438	0.22 416	0.34 456	0.27 428	0.20 433	0.21 432	0.23 457	0.09 365	0.09 440	0.08 284	0.10 428	0.08 326	0.07 285

HBP-ISP	0.18 417	0.13 449	0.16 355	0.15 72	0.11 395	0.08 53	0.13 108	0.28 396	0.29 395	0.22 416	0.33 452	0.21 355	0.25 469	0.23 456	0.17 379	0.14 496	0.16 517	0.21 524	0.17 518	0.10 420	0.08 349

Wz-Net-LNSev-Ref	0.18 417	0.09 318	0.29 484	0.15 72	0.10 346	0.22 443	0.20 429	0.26 356	0.39 468	0.25 450	0.42 506	0.24 397	0.15 342	0.20 415	0.19 410	0.07 245	0.05 188	0.06 105	0.05 113	0.10 420	0.09 393

SACVNet	0.18 417	0.12 420	0.14 270	0.17 220	0.13 449	0.22 443	0.18 369	0.31 431	0.30 405	0.23 428	0.31 436	0.30 455	0.22 446	0.22 445	0.17 379	0.11 435	0.08 411	0.10 413	0.10 428	0.12 458	0.14 495

psm_up	0.18 417	0.10 376	0.18 406	0.20 416	0.11 395	0.17 361	0.19 408	0.37 498	0.34 438	0.21 400	0.28 410	0.29 446	0.24 460	0.20 415	0.22 445	0.09 365	0.10 460	0.11 444	0.11 460	0.08 326	0.08 349

hitnet-ft	0.18 417	0.09 318	0.17 383	0.14 31	0.09 244	0.26 481	0.20 429	0.25 338	0.26 365	0.24 437	0.32 440	0.31 468	0.22 446	0.24 465	0.21 436	0.12 460	0.07 385	0.10 413	0.08 343	0.12 458	0.11 446

STTStereo	0.18 417	0.12 420	0.27 471	0.20 416	0.11 395	0.16 340	0.21 446	0.29 407	0.23 314	0.21 400	0.30 428	0.29 446	0.18 405	0.20 415	0.19 410	0.12 460	0.11 472	0.11 444	0.14 492	0.09 388	0.08 349

CVANet_RVC	0.18 417	0.10 376	0.14 270	0.21 445	0.10 346	0.18 380	0.17 324	0.34 470	0.33 426	0.22 416	0.31 436	0.28 438	0.18 405	0.23 456	0.17 379	0.12 460	0.08 411	0.12 463	0.11 460	0.09 388	0.07 285

StereoDRNet	0.18 417	0.11 402	0.17 383	0.22 460	0.11 395	0.21 435	0.22 456	0.37 498	0.33 426	0.24 437	0.28 410	0.30 455	0.19 421	0.20 415	0.20 416	0.09 365	0.08 411	0.11 444	0.09 389	0.09 388	0.07 285

DLCB_ROB	0.18 417	0.10 376	0.15 321	0.23 481	0.11 395	0.24 461	0.18 369	0.29 407	0.28 388	0.27 461	0.28 410	0.28 438	0.24 460	0.19 390	0.20 416	0.08 306	0.08 411	0.09 365	0.09 389	0.07 263	0.07 285

TCMNet	0.19 429	0.12 420	0.19 417	0.20 416	0.18 518	0.20 418	0.24 479	0.27 377	0.36 451	0.23 428	0.26 388	0.25 411	0.19 421	0.19 390	0.23 457	0.13 483	0.11 472	0.11 444	0.12 479	0.13 476	0.12 459

rvit_105_1	0.19 429	0.11 402	0.25 461	0.21 445	0.16 497	0.21 435	0.27 509	0.31 431	0.41 477	0.19 363	0.20 290	0.22 373	0.17 391	0.19 390	0.17 379	0.12 460	0.12 486	0.13 478	0.15 507	0.08 326	0.07 285

test_sample8	0.19 429	0.12 420	0.20 429	0.12 4	0.14 469	0.17 361	0.13 108	0.31 431	0.21 290	0.27 461	0.22 321	0.36 492	0.25 469	0.19 390	0.17 379	0.15 500	0.30 547	0.14 490	0.14 492	0.14 489	0.12 459

SDNR	0.19 429	0.08 242	0.19 417	0.16 146	0.12 426	0.77 562	0.14 157	0.25 338	0.32 419	0.19 363	0.24 342	0.19 334	0.13 299	0.19 390	0.15 348	0.16 516	0.18 524	0.14 490	0.11 460	0.08 326	0.11 446

pcwnet_v2	0.19 429	0.10 376	0.26 464	0.17 220	0.14 469	0.18 380	0.15 225	0.37 498	0.46 501	0.19 363	0.24 342	0.21 355	0.19 421	0.20 415	0.19 410	0.13 483	0.10 460	0.10 413	0.10 428	0.11 443	0.13 478

ADCRef	0.19 429	0.12 420	0.41 515	0.20 416	0.12 426	0.22 443	0.18 369	0.32 442	0.36 451	0.26 455	0.32 440	0.17 306	0.23 454	0.24 465	0.24 470	0.07 245	0.06 313	0.09 365	0.09 389	0.08 326	0.08 349

NVstereo2D	0.19 429	0.10 376	0.15 321	0.17 220	0.15 487	0.28 498	0.23 467	0.44 531	0.42 484	0.15 273	0.27 396	0.25 411	0.19 421	0.22 445	0.17 379	0.09 365	0.06 313	0.10 413	0.08 343	0.15 504	0.09 393

DRN-Test	0.19 429	0.11 402	0.20 429	0.22 460	0.10 346	0.22 443	0.22 456	0.39 510	0.37 458	0.24 437	0.32 440	0.26 420	0.21 437	0.22 445	0.24 470	0.11 435	0.07 385	0.11 444	0.10 428	0.09 388	0.07 285

DISCO	0.19 429	0.09 318	0.22 443	0.17 220	0.10 346	0.25 472	0.18 369	0.27 377	0.44 494	0.22 416	0.31 436	0.33 480	0.26 475	0.28 486	0.28 505	0.08 306	0.06 313	0.07 200	0.07 278	0.09 388	0.09 393

CBMV_ROB	0.19 429	0.13 449	0.17 383	0.16 146	0.11 395	0.15 310	0.13 108	0.26 356	0.28 388	0.27 461	0.30 428	0.27 428	0.24 460	0.23 456	0.16 364	0.15 500	0.17 522	0.22 528	0.20 524	0.10 420	0.11 446

NOSS_ROB	0.19 429	0.12 420	0.18 406	0.16 146	0.12 426	0.15 310	0.12 66	0.30 421	0.32 419	0.20 386	0.22 321	0.27 428	0.23 454	0.21 432	0.16 364	0.16 516	0.18 524	0.23 529	0.21 526	0.12 458	0.13 478

CBMV	0.19 429	0.14 461	0.17 383	0.18 302	0.10 346	0.20 418	0.11 49	0.29 407	0.30 405	0.29 484	0.30 428	0.30 455	0.23 454	0.27 475	0.19 410	0.13 483	0.15 514	0.17 510	0.16 511	0.10 420	0.10 420
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	0.20 441	0.14 461	0.37 508	0.22 460	0.12 426	0.20 418	0.21 446	0.28 396	0.37 458	0.25 450	0.37 469	0.27 428	0.22 446	0.21 432	0.23 457	0.08 306	0.08 411	0.09 365	0.09 389	0.10 420	0.09 393

YMNet	0.20 441	0.12 420	0.19 417	0.20 416	0.14 469	0.26 481	0.23 467	0.32 442	0.34 438	0.27 461	0.34 456	0.30 455	0.18 405	0.18 375	0.22 445	0.10 406	0.13 499	0.10 413	0.10 428	0.08 326	0.09 393

YMNet_1	0.20 441	0.12 420	0.19 417	0.20 416	0.14 469	0.26 481	0.23 467	0.32 442	0.34 438	0.27 461	0.34 456	0.30 455	0.18 405	0.18 375	0.22 445	0.10 406	0.13 499	0.10 413	0.10 428	0.08 326	0.09 393

GwcNet	0.20 441	0.13 449	0.19 417	0.18 302	0.12 426	0.24 461	0.19 408	0.35 485	0.43 489	0.20 386	0.32 440	0.33 480	0.20 433	0.22 445	0.24 470	0.11 435	0.09 440	0.09 365	0.09 389	0.09 388	0.10 420

FAT-Stereo	0.20 441	0.12 420	0.22 443	0.21 445	0.12 426	0.17 361	0.18 369	0.34 470	0.39 468	0.27 461	0.37 469	0.34 486	0.32 512	0.21 432	0.20 416	0.09 365	0.11 472	0.10 413	0.09 389	0.11 443	0.14 495

FADNet-RVC	0.20 441	0.20 508	0.38 509	0.21 445	0.16 497	0.20 418	0.15 225	0.26 356	0.26 365	0.26 455	0.32 440	0.26 420	0.21 437	0.22 445	0.19 410	0.12 460	0.13 499	0.12 463	0.14 492	0.13 476	0.18 524

S-Stereo	0.20 441	0.12 420	0.25 461	0.21 445	0.13 449	0.20 418	0.18 369	0.32 442	0.43 489	0.23 428	0.36 463	0.28 438	0.30 504	0.19 390	0.22 445	0.09 365	0.12 486	0.10 413	0.10 428	0.13 476	0.13 478

SuperB	0.20 441	0.10 376	0.56 535	0.16 146	0.09 244	0.18 380	0.18 369	0.24 322	0.50 512	0.26 455	0.39 483	0.17 306	0.21 437	0.22 445	0.21 436	0.08 306	0.06 313	0.06 105	0.06 191	0.12 458	0.10 420

ADCP+	0.20 441	0.10 376	0.33 495	0.20 416	0.12 426	0.22 443	0.26 502	0.31 431	0.34 438	0.26 455	0.37 469	0.22 373	0.22 446	0.27 475	0.27 498	0.09 365	0.06 313	0.08 284	0.08 343	0.09 388	0.10 420

PS-NSSS	0.20 441	0.21 514	0.23 452	0.20 416	0.10 346	0.19 403	0.17 324	0.36 492	0.25 351	0.27 461	0.33 452	0.27 428	0.24 460	0.20 415	0.20 416	0.15 500	0.12 486	0.17 510	0.14 492	0.10 420	0.08 349

PWCDC_ROB	0.20 441	0.13 449	0.22 443	0.24 490	0.11 395	0.19 403	0.15 225	0.33 461	0.54 521	0.29 484	0.50 521	0.21 355	0.15 342	0.27 475	0.20 416	0.11 435	0.09 440	0.10 413	0.08 343	0.11 443	0.09 393

SGM-Forest	0.20 441	0.14 461	0.18 406	0.19 360	0.13 449	0.20 418	0.22 456	0.33 461	0.30 405	0.24 437	0.29 422	0.28 438	0.19 421	0.23 456	0.17 379	0.15 500	0.16 517	0.15 502	0.14 492	0.12 458	0.12 459
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 453	0.17 490	0.19 417	0.23 481	0.15 487	0.30 505	0.20 429	0.33 461	0.35 447	0.23 428	0.28 410	0.31 468	0.27 483	0.20 415	0.22 445	0.15 500	0.12 486	0.13 478	0.09 389	0.14 489	0.14 495

FINET	0.21 453	0.18 501	0.26 464	0.18 302	0.16 497	0.23 456	0.23 467	0.32 442	0.48 503	0.25 450	0.32 440	0.22 373	0.22 446	0.22 445	0.17 379	0.18 522	0.16 517	0.11 444	0.10 428	0.15 504	0.13 478

Syn2CoEx	0.21 453	0.16 479	0.27 471	0.29 528	0.14 469	0.26 481	0.20 429	0.33 461	0.31 412	0.28 476	0.36 463	0.27 428	0.25 469	0.19 390	0.24 470	0.16 516	0.12 486	0.14 490	0.11 460	0.09 388	0.08 349

FADNet	0.21 453	0.22 518	0.36 504	0.18 302	0.17 512	0.24 461	0.13 108	0.31 431	0.31 412	0.23 428	0.25 371	0.27 428	0.21 437	0.19 390	0.15 348	0.13 483	0.15 514	0.12 463	0.15 507	0.16 511	0.18 524

RP	0.21 453	0.13 449	0.21 437	0.23 481	0.11 395	0.21 435	0.20 429	0.25 338	0.44 494	0.21 400	0.38 475	0.36 492	0.24 460	0.27 475	0.25 479	0.11 435	0.12 486	0.13 478	0.12 479	0.12 458	0.14 495

DANet	0.21 453	0.15 471	0.28 476	0.25 501	0.13 449	0.22 443	0.19 408	0.27 377	0.27 374	0.28 476	0.32 440	0.35 490	0.31 508	0.31 496	0.23 457	0.11 435	0.09 440	0.11 444	0.10 428	0.13 476	0.11 446
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 453	0.12 420	0.21 437	0.24 490	0.13 449	0.22 443	0.22 456	0.41 520	0.26 365	0.31 494	0.42 506	0.37 497	0.28 492	0.23 456	0.22 445	0.10 406	0.12 486	0.10 413	0.09 389	0.10 420	0.08 349

PWC_ROB	0.21 453	0.16 479	0.26 464	0.18 302	0.11 395	0.22 443	0.13 108	0.32 442	0.49 509	0.30 488	0.40 489	0.32 477	0.24 460	0.31 496	0.22 445	0.10 406	0.07 385	0.11 444	0.08 343	0.11 443	0.10 420

PSMNet_ROB	0.21 453	0.11 402	0.15 321	0.27 518	0.15 487	0.24 461	0.35 541	0.43 529	0.37 458	0.27 461	0.32 440	0.32 477	0.22 446	0.21 432	0.26 490	0.12 460	0.08 411	0.13 478	0.11 460	0.09 388	0.09 393

MSAF-DinoV2	0.22 462	0.11 402	0.23 452	0.17 220	0.10 346	0.27 491	0.16 290	0.37 498	0.55 522	0.21 400	0.27 396	0.47 530	0.27 483	0.35 515	0.39 537	0.09 365	0.06 313	0.07 200	0.09 389	0.12 458	0.10 420

GASNet	0.22 462	0.23 519	0.33 495	0.26 506	0.17 512	0.26 481	0.16 290	0.44 531	0.42 484	0.27 461	0.24 342	0.30 455	0.15 342	0.27 475	0.18 397	0.12 460	0.08 411	0.12 463	0.11 460	0.16 511	0.07 285

Anonymous_2	0.22 462	0.17 490	0.28 476	0.15 72	0.16 497	0.32 507	0.22 456	0.22 280	0.17 211	0.23 428	0.24 342	0.26 420	0.27 483	0.27 475	0.23 457	0.22 537	0.25 543	0.17 510	0.17 518	0.17 518	0.17 521

Wz-Net-LNSev	0.22 462	0.16 479	0.38 509	0.21 445	0.13 449	0.25 472	0.23 467	0.32 442	0.43 489	0.30 488	0.41 500	0.31 468	0.18 405	0.22 445	0.25 479	0.10 406	0.09 440	0.08 284	0.08 343	0.12 458	0.11 446

Wz-Net-MNSev	0.22 462	0.13 449	0.31 489	0.20 416	0.14 469	0.36 525	0.24 479	0.33 461	0.44 494	0.28 476	0.40 489	0.38 501	0.19 421	0.24 465	0.25 479	0.09 365	0.07 385	0.09 365	0.09 389	0.12 458	0.10 420

DDUNet	0.22 462	0.17 490	0.21 437	0.22 460	0.15 487	0.25 472	0.24 479	0.29 407	0.30 405	0.31 494	0.36 463	0.33 480	0.25 469	0.24 465	0.20 416	0.18 522	0.13 499	0.17 510	0.11 460	0.16 511	0.16 513

APVNet	0.22 462	0.12 420	0.19 417	0.18 302	0.14 469	0.32 507	0.31 537	0.39 510	0.32 419	0.27 461	0.40 489	0.30 455	0.29 500	0.26 472	0.25 479	0.11 435	0.12 486	0.11 444	0.14 492	0.12 458	0.12 459

aanetorigin	0.22 462	0.17 490	0.56 535	0.17 220	0.10 346	0.15 310	0.19 408	0.20 235	0.33 426	0.49 536	0.48 516	0.29 446	0.27 483	0.20 415	0.23 457	0.08 306	0.07 385	0.08 284	0.07 278	0.10 420	0.09 393

MaskLacGwcNet_RVC	0.22 462	0.21 514	0.24 456	0.26 506	0.11 395	0.23 456	0.14 157	0.39 510	0.24 330	0.32 500	0.36 463	0.30 455	0.21 437	0.19 390	0.21 436	0.17 521	0.14 508	0.21 524	0.16 511	0.12 458	0.12 459

AF-Net	0.22 462	0.17 490	0.17 383	0.26 506	0.13 449	0.25 472	0.24 479	0.32 442	0.50 512	0.25 450	0.33 452	0.38 501	0.26 475	0.28 486	0.25 479	0.11 435	0.10 460	0.16 508	0.11 460	0.11 443	0.10 420

stereogan	0.22 462	0.11 402	0.21 437	0.20 416	0.12 426	0.31 506	0.19 408	0.35 485	0.44 494	0.22 416	0.39 483	0.35 490	0.27 483	0.33 506	0.22 445	0.10 406	0.12 486	0.10 413	0.10 428	0.14 489	0.13 478

edge stereo	0.22 462	0.13 449	0.20 429	0.21 445	0.13 449	0.23 456	0.16 290	0.32 442	0.42 484	0.32 500	0.40 489	0.38 501	0.35 519	0.25 470	0.24 470	0.13 483	0.11 472	0.14 490	0.11 460	0.12 458	0.13 478

RYNet	0.22 462	0.12 420	0.22 443	0.19 360	0.17 512	0.46 533	0.26 502	0.38 506	0.48 503	0.24 437	0.28 410	0.34 486	0.23 454	0.20 415	0.30 513	0.10 406	0.06 313	0.09 365	0.09 389	0.13 476	0.15 502

NaN_ROB	0.22 462	0.19 504	0.24 456	0.25 501	0.13 449	0.29 502	0.26 502	0.33 461	0.41 477	0.31 494	0.31 436	0.32 477	0.23 454	0.30 495	0.21 436	0.11 435	0.17 522	0.10 413	0.10 428	0.08 326	0.09 393

MDST_ROB	0.22 462	0.10 376	0.17 383	0.18 302	0.11 395	0.37 526	0.19 408	0.43 529	0.41 477	0.39 517	0.39 483	0.29 446	0.21 437	0.26 472	0.18 397	0.11 435	0.10 460	0.14 490	0.11 460	0.10 420	0.08 349

XPNet_ROB	0.22 462	0.11 402	0.19 417	0.22 460	0.13 449	0.22 443	0.19 408	0.34 470	0.40 474	0.30 488	0.39 483	0.39 509	0.26 475	0.26 472	0.28 505	0.15 500	0.10 460	0.10 413	0.10 428	0.13 476	0.12 459

SQANet	0.23 478	0.23 519	0.30 487	0.30 530	0.19 521	0.27 491	0.13 108	0.29 407	0.33 426	0.24 437	0.37 469	0.31 468	0.22 446	0.27 475	0.23 457	0.15 500	0.10 460	0.21 524	0.16 511	0.21 526	0.15 502

Nwc_Net	0.23 478	0.16 479	0.21 437	0.25 501	0.14 469	0.24 461	0.26 502	0.37 498	0.38 465	0.22 416	0.41 500	0.30 455	0.28 492	0.28 486	0.25 479	0.11 435	0.10 460	0.17 510	0.20 524	0.10 420	0.10 420

RTSC	0.23 478	0.12 420	0.28 476	0.21 445	0.13 449	0.28 498	0.16 290	0.35 485	0.66 544	0.27 461	0.33 452	0.30 455	0.21 437	0.31 496	0.29 508	0.10 406	0.08 411	0.09 365	0.10 428	0.13 476	0.13 478

PA-Net	0.23 478	0.18 501	0.33 495	0.28 521	0.22 529	0.21 435	0.38 546	0.29 407	0.39 468	0.22 416	0.32 440	0.25 411	0.26 475	0.20 415	0.25 479	0.09 365	0.23 541	0.15 502	0.22 529	0.09 388	0.13 478
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 478	0.15 471	0.17 383	0.34 535	0.18 518	0.24 461	0.23 467	0.34 470	0.28 388	0.31 494	0.38 475	0.38 501	0.28 492	0.23 456	0.24 470	0.15 500	0.12 486	0.18 519	0.21 526	0.13 476	0.13 478

ETE_ROB	0.23 478	0.17 490	0.22 443	0.25 501	0.13 449	0.26 481	0.29 524	0.31 431	0.36 451	0.28 476	0.36 463	0.45 523	0.26 475	0.27 475	0.26 490	0.11 435	0.08 411	0.12 463	0.09 389	0.14 489	0.13 478

SGM_RVC	0.23 478	0.12 420	0.15 321	0.15 72	0.09 244	0.33 513	0.18 369	0.34 470	0.31 412	0.44 531	0.37 469	0.53 538	0.35 519	0.35 515	0.24 470	0.13 483	0.13 499	0.13 478	0.13 489	0.10 420	0.11 446
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
z-mn7	0.24 485	0.14 461	0.45 519	0.19 360	0.13 449	0.28 498	0.25 494	0.34 470	0.62 537	0.27 461	0.56 532	0.29 446	0.24 460	0.32 503	0.25 479	0.08 306	0.08 411	0.08 284	0.08 343	0.10 420	0.10 420

w-ln-seven	0.24 485	0.14 461	0.55 532	0.19 360	0.14 469	0.26 481	0.22 456	0.35 485	0.60 534	0.29 484	0.39 483	0.30 455	0.22 446	0.21 432	0.26 490	0.09 365	0.09 440	0.11 444	0.10 428	0.11 443	0.10 420

DGSMNet	0.24 485	0.19 504	0.33 495	0.21 445	0.24 533	0.24 461	0.20 429	0.35 485	0.41 477	0.24 437	0.32 440	0.38 501	0.21 437	0.29 492	0.23 457	0.12 460	0.11 472	0.14 490	0.16 511	0.23 530	0.23 535

G-Net	0.24 485	0.16 479	0.36 504	0.22 460	0.16 497	0.51 539	0.23 467	0.29 407	0.34 438	0.36 510	0.38 475	0.31 468	0.29 500	0.27 475	0.26 490	0.11 435	0.09 440	0.12 463	0.09 389	0.16 511	0.13 478

NCC-stereo	0.24 485	0.15 471	0.31 489	0.26 506	0.16 497	0.20 418	0.30 531	0.40 514	0.40 474	0.24 437	0.38 475	0.33 480	0.28 492	0.36 521	0.27 498	0.12 460	0.11 472	0.15 502	0.22 529	0.13 476	0.13 478

Abc-Net	0.24 485	0.15 471	0.31 489	0.26 506	0.16 497	0.20 418	0.30 531	0.40 514	0.40 474	0.24 437	0.38 475	0.33 480	0.28 492	0.36 521	0.27 498	0.12 460	0.11 472	0.15 502	0.22 529	0.13 476	0.13 478
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 485	0.11 402	0.47 524	0.22 460	0.12 426	0.34 516	0.29 524	0.29 407	0.56 525	0.24 437	0.46 513	0.30 455	0.30 504	0.29 492	0.29 508	0.08 306	0.07 385	0.09 365	0.09 389	0.10 420	0.10 420

DeepPrunerF	0.24 485	0.17 490	0.42 517	0.26 506	0.16 497	0.22 443	0.28 515	0.37 498	0.50 512	0.26 455	0.29 422	0.24 397	0.28 492	0.21 432	0.22 445	0.15 500	0.11 472	0.20 523	0.18 522	0.12 458	0.13 478

FBW_ROB	0.24 485	0.17 490	0.22 443	0.26 506	0.14 469	0.25 472	0.22 456	0.41 520	0.41 477	0.41 524	0.41 500	0.42 516	0.27 483	0.31 496	0.23 457	0.09 365	0.14 508	0.14 490	0.12 479	0.11 443	0.09 393

SANet	0.24 485	0.14 461	0.28 476	0.21 445	0.11 395	0.27 491	0.24 479	0.38 506	0.64 541	0.36 510	0.40 489	0.43 519	0.26 475	0.27 475	0.24 470	0.12 460	0.09 440	0.10 413	0.09 389	0.13 476	0.11 446

WCMA_ROB	0.24 485	0.11 402	0.22 443	0.17 220	0.14 469	0.32 507	0.15 225	0.32 442	0.32 419	0.38 515	0.53 523	0.40 513	0.34 517	0.34 509	0.25 479	0.11 435	0.12 486	0.12 463	0.10 428	0.14 489	0.14 495

zh-sn7	0.25 496	0.17 490	0.50 526	0.24 490	0.13 449	0.25 472	0.24 479	0.34 470	0.48 503	0.28 476	0.54 525	0.28 438	0.31 508	0.36 521	0.32 521	0.10 406	0.10 460	0.11 444	0.10 428	0.12 458	0.12 459

zh-mn7	0.25 496	0.14 461	0.56 535	0.19 360	0.14 469	0.24 461	0.22 456	0.34 470	0.62 537	0.35 507	0.65 540	0.31 468	0.25 469	0.31 496	0.25 479	0.09 365	0.08 411	0.09 365	0.09 389	0.09 388	0.11 446

Wz-Net-SNSev	0.25 496	0.17 490	0.44 518	0.25 501	0.14 469	0.26 481	0.23 467	0.38 506	0.56 525	0.30 488	0.55 527	0.39 509	0.26 475	0.23 456	0.30 513	0.10 406	0.09 440	0.09 365	0.10 428	0.11 443	0.11 446

psmorigin	0.25 496	0.15 471	0.34 503	0.17 220	0.13 449	0.23 456	0.14 157	0.34 470	0.33 426	0.41 524	0.55 527	0.41 515	0.37 523	0.34 509	0.27 498	0.11 435	0.15 514	0.11 444	0.11 460	0.12 458	0.16 513

RGC	0.25 496	0.20 508	0.29 484	0.28 521	0.16 497	0.22 443	0.23 467	0.32 442	0.44 494	0.27 461	0.40 489	0.38 501	0.27 483	0.36 521	0.22 445	0.11 435	0.13 499	0.17 510	0.17 518	0.14 489	0.16 513

ADCMid	0.25 496	0.15 471	0.40 512	0.20 416	0.14 469	0.25 472	0.26 502	0.34 470	0.38 465	0.36 510	0.44 511	0.34 486	0.40 529	0.35 515	0.33 525	0.10 406	0.09 440	0.11 444	0.11 460	0.13 476	0.12 459

ADCPNet	0.25 496	0.16 479	0.61 540	0.21 445	0.15 487	0.35 524	0.25 494	0.32 442	0.35 447	0.30 488	0.40 489	0.36 492	0.28 492	0.28 486	0.32 521	0.12 460	0.10 460	0.11 444	0.12 479	0.14 489	0.13 478

LALA_ROB	0.25 496	0.16 479	0.22 443	0.26 506	0.17 512	0.27 491	0.27 509	0.42 525	0.37 458	0.33 504	0.38 475	0.51 534	0.26 475	0.28 486	0.27 498	0.16 516	0.09 440	0.12 463	0.11 460	0.13 476	0.12 459

SHD	0.26 504	0.15 471	0.30 487	0.24 490	0.18 518	0.22 443	0.15 225	0.38 506	0.71 548	0.32 500	0.41 500	0.36 492	0.28 492	0.32 503	0.29 508	0.12 460	0.11 472	0.14 490	0.13 489	0.16 511	0.20 530

AnyNet_C32	0.26 504	0.16 479	0.36 504	0.20 416	0.16 497	0.25 472	0.30 531	0.32 442	0.44 494	0.31 494	0.49 517	0.30 455	0.33 513	0.40 536	0.33 525	0.12 460	0.12 486	0.12 463	0.14 492	0.14 489	0.15 502

PSMNet-RUCA	0.27 506	0.33 540	0.41 515	0.36 539	0.32 546	0.18 380	0.19 408	0.42 525	0.30 405	0.33 504	0.41 500	0.39 509	0.25 469	0.31 496	0.20 416	0.18 522	0.10 460	0.25 531	0.15 507	0.21 526	0.16 513

PDISCO_ROB	0.27 506	0.16 479	0.26 464	0.28 521	0.20 524	0.32 507	0.26 502	0.44 531	0.57 527	0.28 476	0.40 489	0.45 523	0.29 500	0.33 506	0.34 527	0.12 460	0.09 440	0.17 510	0.16 511	0.17 518	0.13 478

DispFullNet	0.27 506	0.21 514	0.65 543	0.28 521	0.16 497	0.26 481	0.17 324	0.33 461	0.58 530	0.27 461	0.38 475	0.43 519	0.23 454	0.38 528	0.23 457	0.12 460	0.06 313	0.19 521	0.11 460	0.21 526	0.15 502

MeshStereo	0.27 506	0.13 449	0.18 406	0.15 72	0.11 395	0.32 507	0.24 479	0.40 514	0.36 451	0.52 538	0.57 535	0.67 549	0.40 529	0.35 515	0.26 490	0.14 496	0.13 499	0.13 478	0.11 460	0.11 443	0.10 420
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	0.28 510	0.17 490	0.78 557	0.22 460	0.16 497	0.34 516	0.29 524	0.39 510	0.57 527	0.24 437	0.55 527	0.37 497	0.24 460	0.33 506	0.35 528	0.09 365	0.08 411	0.09 365	0.10 428	0.14 489	0.16 513

XQC	0.28 510	0.23 519	0.51 527	0.28 521	0.19 521	0.34 516	0.27 509	0.36 492	0.57 527	0.31 494	0.30 428	0.37 497	0.30 504	0.38 528	0.38 535	0.13 483	0.09 440	0.15 502	0.12 479	0.17 518	0.18 524

CC-Net-ROB	0.28 510	0.31 538	0.36 504	0.29 528	0.15 487	0.25 472	0.19 408	0.45 534	0.33 426	0.39 517	0.37 469	0.39 509	0.31 508	0.27 475	0.26 490	0.24 543	0.19 527	0.30 544	0.23 533	0.18 521	0.15 502

DPSNet	0.28 510	0.16 479	0.31 489	0.18 302	0.13 449	0.54 541	0.42 550	0.51 543	0.67 545	0.29 484	0.38 475	0.38 501	0.29 500	0.31 496	0.23 457	0.11 435	0.10 460	0.11 444	0.08 343	0.20 525	0.16 513

MultiAttention	0.29 514	0.08 242	0.14 270	0.19 360	0.12 426	1.45 577	1.33 578	0.36 492	0.37 458	0.19 363	0.21 311	0.24 397	0.11 230	0.38 528	0.18 397	0.06 118	0.05 188	0.08 284	0.08 343	0.10 420	0.09 393

Wz-Net-TNSev	0.29 514	0.20 508	0.65 543	0.19 360	0.15 487	0.38 529	0.27 509	0.35 485	0.55 522	0.34 506	0.42 506	0.45 523	0.38 524	0.32 503	0.30 513	0.12 460	0.13 499	0.10 413	0.12 479	0.15 504	0.14 495

ccnet	0.29 514	0.28 533	0.23 452	0.20 416	0.28 540	0.41 532	0.21 446	0.45 534	0.33 426	0.36 510	0.46 513	0.36 492	0.30 504	0.39 532	0.42 544	0.23 541	0.14 508	0.21 524	0.17 518	0.23 530	0.18 524

EDNetEfficient	0.29 514	0.24 522	1.13 566	0.18 302	0.10 346	0.19 403	0.20 429	0.20 235	0.60 534	0.74 555	0.56 532	0.31 468	0.39 526	0.22 445	0.30 513	0.09 365	0.07 385	0.08 284	0.07 278	0.11 443	0.09 393

ADCS	0.29 514	0.18 501	0.45 519	0.21 445	0.17 512	0.28 498	0.23 467	0.41 520	0.63 540	0.40 520	0.49 517	0.40 513	0.36 521	0.39 532	0.40 540	0.13 483	0.12 486	0.13 478	0.14 492	0.16 511	0.16 513

CSAN	0.29 514	0.24 522	0.27 471	0.34 535	0.19 521	0.33 513	0.42 550	0.37 498	0.50 512	0.38 515	0.40 489	0.44 521	0.33 513	0.28 486	0.30 513	0.20 529	0.16 517	0.19 521	0.19 523	0.14 489	0.15 502

MFN_U_SF_DS_RVC	0.30 520	0.24 522	0.29 484	0.36 539	0.16 497	0.34 516	0.30 531	0.32 442	0.42 484	0.40 520	0.46 513	0.38 501	0.31 508	0.34 509	0.28 505	0.19 527	0.20 530	0.26 532	0.29 542	0.18 521	0.19 529

GANetREF_RVC	0.31 521	0.34 541	0.27 471	0.35 537	0.16 497	0.32 507	0.41 547	0.48 538	0.51 519	0.35 507	0.35 460	0.34 486	0.33 513	0.39 532	0.32 521	0.27 545	0.20 530	0.29 542	0.15 507	0.18 521	0.17 521
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	0.31 521	0.26 528	0.26 464	0.24 490	0.21 527	0.34 516	0.25 494	0.34 470	0.39 468	0.40 520	0.69 544	0.45 523	0.40 529	0.34 509	0.27 498	0.20 529	0.19 527	0.26 532	0.25 535	0.23 530	0.22 534

MFN_U_SF_RVC	0.32 523	0.21 514	0.55 532	0.30 530	0.15 487	0.34 516	0.17 324	0.52 544	0.46 501	0.46 535	0.55 527	0.59 541	0.39 526	0.35 515	0.37 533	0.15 500	0.14 508	0.18 519	0.21 526	0.16 511	0.15 502

PASM	0.32 523	0.24 522	0.48 525	0.28 521	0.27 539	0.29 502	0.30 531	0.34 470	0.49 509	0.35 507	0.39 483	0.46 527	0.34 517	0.34 509	0.35 528	0.23 541	0.25 543	0.26 532	0.28 541	0.23 530	0.21 532

SGM-ForestM	0.32 523	0.12 420	0.16 355	0.16 146	0.11 395	0.39 530	0.19 408	0.41 520	0.50 512	0.52 538	0.54 525	1.32 568	0.42 537	0.40 536	0.27 498	0.14 496	0.16 517	0.16 508	0.16 511	0.12 458	0.12 459

FC-DCNN v2	0.33 526	0.27 529	0.28 476	0.26 506	0.23 531	0.37 526	0.28 515	0.40 514	0.43 489	0.45 532	0.56 532	0.51 534	0.40 529	0.37 526	0.29 508	0.21 533	0.20 530	0.27 535	0.26 536	0.25 537	0.24 536

FCDSN-DC	0.33 526	0.28 533	0.28 476	0.30 530	0.24 533	0.39 530	0.28 515	0.42 525	0.42 484	0.43 530	0.53 523	0.51 534	0.41 534	0.36 521	0.30 513	0.21 533	0.20 530	0.27 535	0.26 536	0.25 537	0.24 536
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 526	0.27 529	0.28 476	0.26 506	0.23 531	0.37 526	0.28 515	0.40 514	0.43 489	0.45 532	0.55 527	0.51 534	0.40 529	0.37 526	0.30 513	0.21 533	0.20 530	0.27 535	0.26 536	0.25 537	0.24 536

LSM	0.33 526	0.20 508	0.58 538	0.26 506	0.60 563	0.34 516	0.25 494	0.42 525	0.48 503	0.45 532	0.58 537	0.42 516	0.36 521	0.35 515	0.25 479	0.12 460	0.20 530	0.14 490	0.16 511	0.19 524	0.33 550

AnyNet_C01	0.36 530	0.25 527	1.37 569	0.22 460	0.17 512	0.48 537	0.27 509	0.35 485	0.39 468	0.39 517	0.74 550	0.46 527	0.38 524	0.45 540	0.47 549	0.13 483	0.13 499	0.13 478	0.14 492	0.14 489	0.15 502

GCST	0.37 531	0.42 548	0.26 464	1.02 572	0.39 547	0.18 380	0.08 7	0.20 235	0.17 211	0.28 476	0.25 371	0.15 272	0.12 261	0.16 322	0.14 320	0.64 565	0.43 554	0.75 562	0.65 565	0.63 559	0.46 558

otaku	0.39 532	0.37 544	0.52 528	0.44 546	0.28 540	0.58 543	0.24 479	0.41 520	0.62 537	0.40 520	0.49 517	0.46 527	0.33 513	0.40 536	0.32 521	0.30 546	0.30 547	0.39 548	0.33 547	0.29 543	0.28 544

ACVNet-4b	0.39 532	0.53 551	0.55 532	0.45 547	0.24 533	0.47 535	0.18 369	0.49 540	0.64 541	0.42 527	0.45 512	0.60 542	0.27 483	0.34 509	0.24 470	0.33 548	0.14 508	0.48 551	0.42 551	0.30 544	0.26 543

PVD	0.39 532	0.20 508	0.39 511	0.31 534	0.22 529	0.29 502	0.43 552	0.52 544	0.96 562	0.55 541	0.79 554	0.53 538	0.59 552	0.52 546	0.38 535	0.19 527	0.14 508	0.17 510	0.14 492	0.24 536	0.31 548

Ntro	0.40 535	0.40 546	0.53 529	0.46 550	0.30 544	0.65 549	0.24 479	0.46 536	0.68 546	0.41 524	0.49 517	0.48 532	0.42 537	0.39 532	0.31 520	0.32 547	0.28 545	0.37 547	0.30 544	0.32 548	0.29 545

SAMSARA	0.40 535	0.28 533	0.33 495	0.55 553	0.39 547	0.82 563	1.23 577	0.47 537	0.51 519	0.36 510	0.35 460	0.55 540	0.39 526	0.38 528	0.39 537	0.15 500	0.20 530	0.15 502	0.14 492	0.23 530	0.20 530

ELAS_RVC	0.41 537	0.29 536	0.33 495	0.28 521	0.24 533	0.54 541	0.36 542	0.49 540	0.59 531	0.72 551	0.74 550	0.65 547	0.54 546	0.54 550	0.40 540	0.22 537	0.20 530	0.27 535	0.26 536	0.26 541	0.25 541
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 537	0.29 536	0.33 495	0.27 518	0.24 533	0.60 546	0.36 542	0.50 542	0.50 512	0.71 549	0.79 554	0.67 549	0.54 546	0.51 544	0.42 544	0.22 537	0.20 530	0.27 535	0.26 536	0.26 541	0.25 541
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 539	0.39 545	0.54 530	0.40 542	0.20 524	0.64 548	0.32 539	0.53 546	0.72 549	0.71 549	0.72 547	0.61 543	0.54 546	0.51 544	0.46 548	0.20 529	0.19 527	0.29 542	0.30 544	0.23 530	0.18 524

ACVNet_1	0.44 540	0.49 550	0.60 539	0.45 547	0.28 540	0.49 538	0.27 509	0.57 551	0.72 549	0.62 544	0.58 537	0.74 553	0.49 543	0.50 543	0.35 528	0.26 544	0.24 542	0.39 548	0.29 542	0.31 547	0.24 536

Consistency-Raft	0.44 540	0.40 546	0.45 519	0.37 541	0.43 551	0.46 533	0.41 547	0.57 551	0.55 522	0.32 500	0.73 548	0.33 480	0.48 542	0.42 539	0.49 551	0.39 550	0.35 551	0.45 550	0.51 558	0.42 550	0.29 545

RTS	0.45 542	0.19 504	3.26 575	0.24 490	0.15 487	0.74 556	0.20 429	0.36 492	0.76 555	0.42 527	0.43 509	0.31 468	0.41 534	0.53 548	0.35 528	0.10 406	0.08 411	0.13 478	0.12 479	0.15 504	0.15 502

RTSA	0.45 542	0.19 504	3.26 575	0.24 490	0.15 487	0.74 556	0.20 429	0.36 492	0.76 555	0.42 527	0.43 509	0.31 468	0.41 534	0.53 548	0.35 528	0.10 406	0.08 411	0.13 478	0.12 479	0.15 504	0.15 502

MANE	0.45 542	0.27 529	0.27 471	0.27 518	0.24 533	0.47 535	0.31 537	0.55 548	0.59 531	0.72 551	1.13 570	1.15 562	0.61 553	0.52 546	0.37 533	0.21 533	0.20 530	0.27 535	0.31 546	0.25 537	0.24 536

NVStereoNet_ROB	0.46 545	0.36 543	0.46 523	0.41 544	0.28 540	0.34 516	0.34 540	0.48 538	0.60 534	0.72 551	0.93 559	0.70 552	0.66 556	0.47 541	0.60 558	0.22 537	0.33 550	0.34 546	0.34 549	0.30 544	0.30 547
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	0.50 546	0.07 143	0.14 270	0.15 72	0.08 130	0.24 461	0.16 290	0.22 280	1.81 578	4.63 581	0.67 542	0.47 530	0.44 539	0.20 415	0.29 508	0.07 245	0.06 313	0.06 105	0.06 191	0.08 326	0.06 205

BEATNet-Init1	0.52 547	0.27 529	0.62 541	0.30 530	0.21 527	0.76 560	0.29 524	0.54 547	0.65 543	0.86 560	0.95 561	2.07 577	0.62 555	0.56 552	0.42 544	0.18 522	0.18 524	0.23 529	0.22 529	0.22 529	0.21 532

anonymity	0.53 548	0.58 553	0.65 543	0.41 544	0.61 564	0.53 540	0.41 547	0.56 549	0.41 477	0.55 541	0.50 521	0.49 533	0.55 549	0.58 553	0.50 554	0.58 561	0.50 564	0.51 553	0.51 558	0.51 552	0.57 560

RainbowNet	0.54 549	0.61 555	0.70 555	0.57 554	0.43 551	0.65 549	0.37 545	0.60 553	0.87 559	0.50 537	0.66 541	0.64 545	0.47 541	0.49 542	0.43 547	0.47 556	0.48 560	0.52 555	0.41 550	0.52 553	0.40 555

SGM+DAISY	0.56 550	0.57 552	0.65 543	0.40 542	0.54 556	0.66 551	0.49 554	0.56 549	0.45 500	0.66 545	0.69 544	0.67 549	0.56 550	0.63 555	0.56 556	0.59 562	0.48 560	0.50 552	0.50 557	0.52 553	0.58 561

SPS-STEREO	0.57 551	0.58 553	0.65 543	0.45 547	0.55 558	0.62 547	0.44 553	0.62 554	0.50 512	0.68 547	0.64 539	0.66 548	0.57 551	0.61 554	0.60 558	0.62 564	0.47 559	0.51 553	0.49 555	0.55 557	0.58 561
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 552	0.66 559	0.65 543	0.51 551	0.69 568	0.69 552	0.57 560	0.64 555	0.73 553	0.60 543	0.73 548	0.62 544	0.67 557	0.65 556	0.60 558	0.66 566	0.58 573	0.63 557	0.59 561	0.68 564	0.69 570

IMH-64-1	0.65 553	0.61 555	0.68 551	0.71 557	0.51 554	0.59 544	0.49 554	0.91 562	0.85 557	0.74 555	1.02 563	0.81 554	0.78 561	0.79 559	0.49 551	0.42 552	0.46 555	0.71 559	0.47 553	0.52 553	0.39 553

IMH-64	0.65 553	0.61 555	0.68 551	0.71 557	0.51 554	0.59 544	0.49 554	0.91 562	0.85 557	0.74 555	1.02 563	0.81 554	0.78 561	0.79 559	0.49 551	0.42 552	0.46 555	0.71 559	0.47 553	0.52 553	0.39 553

ACVNet_2	0.66 555	0.66 559	0.68 551	0.63 555	0.41 549	0.71 554	0.49 554	0.96 566	1.39 571	0.89 561	1.09 566	1.04 558	0.73 559	0.54 550	0.47 549	0.43 554	0.40 553	0.53 556	0.44 552	0.47 551	0.35 552

JetBlue	0.71 556	0.45 549	1.14 567	0.51 551	0.47 553	2.02 578	0.64 564	0.75 557	0.70 547	0.69 548	0.77 553	1.22 564	0.83 563	1.03 574	1.01 574	0.40 551	0.28 545	0.33 545	0.33 547	0.30 544	0.34 551

IMH	0.71 556	0.64 558	0.68 551	0.76 559	0.54 556	0.69 552	0.54 558	0.98 568	1.10 564	0.82 559	1.09 566	0.89 556	0.88 566	0.87 567	0.52 555	0.44 555	0.50 564	0.75 562	0.51 558	0.56 558	0.41 556

PWCK	0.71 556	0.94 570	0.95 564	0.76 559	0.31 545	0.74 556	0.36 542	0.90 561	0.90 560	0.96 564	0.75 552	0.95 557	0.61 553	0.87 567	0.66 561	0.72 567	0.46 555	0.75 562	0.49 555	0.69 566	0.44 557

MADNet+	0.75 559	0.71 561	3.70 578	0.66 556	0.41 549	0.98 568	0.97 575	0.69 556	0.73 553	0.52 538	0.57 535	0.64 545	0.68 558	0.86 566	1.01 574	0.34 549	0.36 552	0.28 541	0.23 533	0.36 549	0.31 548

TorneroNet-64	0.76 560	0.72 562	0.74 556	0.78 561	0.58 562	0.91 567	0.56 559	0.84 560	1.29 568	0.66 545	0.90 557	1.40 570	0.75 560	0.85 565	0.67 564	0.49 557	0.46 555	0.72 561	0.59 561	0.67 563	0.53 559

WAO-7	0.79 561	0.78 564	0.54 530	0.85 565	0.67 567	0.74 556	0.68 568	1.05 571	1.32 569	0.90 562	1.20 573	1.04 558	0.92 567	0.69 557	0.66 561	0.60 563	0.62 574	0.67 558	0.68 567	0.64 560	0.58 561

WAO-6	0.81 562	0.80 565	0.62 541	0.86 566	0.63 565	0.76 560	0.58 561	0.98 568	1.54 576	0.90 562	0.96 562	1.07 560	1.03 571	0.70 558	0.66 561	0.72 567	0.49 562	0.90 570	0.71 568	0.68 564	0.58 561

TorneroNet	0.82 563	0.74 563	0.81 561	0.84 564	0.63 565	0.99 569	0.63 562	0.96 566	1.16 565	0.80 558	1.11 568	1.36 569	0.86 565	0.93 570	0.80 569	0.56 559	0.49 562	0.78 567	0.66 566	0.73 569	0.63 569

LVE	0.83 564	0.85 568	0.85 562	0.80 562	0.56 559	1.04 573	0.65 565	1.05 571	1.47 574	0.96 564	1.22 574	1.10 561	0.85 564	0.83 562	0.71 566	0.49 557	0.55 570	0.76 565	0.60 563	0.65 561	0.59 566

Dean	0.87 565	0.86 569	0.79 559	0.81 563	0.56 559	0.90 564	0.63 562	1.15 577	1.73 577	1.15 572	1.15 571	1.31 567	0.99 570	0.81 561	0.81 570	0.57 560	0.56 571	0.77 566	0.64 564	0.66 562	0.58 561

WAO-8	0.91 566	0.81 566	0.65 543	0.94 569	0.69 568	0.90 564	0.67 566	1.07 574	1.83 579	1.06 569	1.45 576	1.30 565	1.07 572	0.84 563	0.78 567	0.74 569	0.53 567	0.86 568	0.75 569	0.69 566	0.62 567

Venus	0.91 566	0.81 566	0.65 543	0.94 569	0.69 568	0.90 564	0.67 566	1.07 574	1.83 579	1.06 569	1.45 576	1.30 565	1.07 572	0.84 563	0.78 567	0.74 569	0.53 567	0.86 568	0.75 569	0.69 566	0.62 567

UNDER WATER-64	0.95 568	0.94 570	1.43 571	0.87 567	0.56 559	1.18 576	0.87 572	0.77 558	0.94 561	1.04 567	0.85 556	1.58 575	1.21 577	0.94 571	0.96 572	0.87 573	0.57 572	1.03 573	0.88 574	0.78 570	0.73 571

UNDER WATER	0.97 569	0.97 572	1.42 570	0.99 571	0.70 571	1.12 575	0.84 571	0.80 559	1.08 563	1.01 566	0.90 557	1.55 574	1.22 578	1.03 574	1.00 573	0.78 571	0.53 567	1.02 572	0.87 573	0.80 571	0.74 572

notaker	0.97 569	1.11 573	0.98 565	1.13 574	0.81 572	0.73 555	0.68 568	0.93 564	1.16 565	1.18 574	1.18 572	1.41 571	1.16 576	1.08 576	0.69 565	0.81 572	0.64 575	1.17 574	0.79 571	0.98 573	0.80 574

ktn	1.01 571	1.21 575	0.80 560	1.23 576	0.86 574	1.01 571	0.87 572	0.94 565	1.39 571	1.04 567	1.12 569	1.15 562	1.07 572	0.94 571	0.59 557	1.28 578	0.71 576	1.38 578	0.83 572	1.02 575	0.75 573

KSHMR	1.09 572	1.17 574	0.88 563	1.25 577	1.00 576	0.99 569	0.96 574	1.13 576	1.37 570	1.16 573	1.29 575	1.41 571	0.96 569	1.01 573	0.92 571	1.03 576	1.08 578	1.20 575	1.03 577	1.01 574	0.97 576

DPSimNet_ROB	1.11 573	1.23 576	0.78 557	1.13 574	0.88 575	1.10 574	1.13 576	1.16 578	1.23 567	1.43 576	1.02 563	1.41 571	1.10 575	0.90 569	1.60 576	1.46 579	0.51 566	1.21 576	1.03 577	0.90 572	1.01 578

HanzoNet	1.29 574	1.26 577	1.19 568	1.12 573	0.85 573	1.02 572	0.83 570	1.03 570	1.48 575	1.64 577	1.61 578	2.50 579	1.72 579	1.61 578	1.61 577	1.26 577	0.80 577	1.31 577	1.01 576	1.02 575	0.86 575

JetRed	1.62 575	1.46 578	2.98 573	0.92 568	1.21 577	4.99 581	1.53 580	1.27 579	1.39 571	1.83 578	1.74 579	1.60 576	0.95 568	1.41 577	2.45 581	0.90 575	1.60 579	0.93 571	0.90 575	1.35 577	0.99 577

MADNet++	1.95 576	1.75 579	1.59 572	1.82 578	1.69 579	2.33 579	1.40 579	2.35 580	2.09 581	2.57 580	2.36 581	2.24 578	2.17 580	2.28 579	2.34 579	1.87 580	1.66 580	1.54 579	1.34 579	1.92 578	1.77 580

coex-ft	3.30 577	0.34 541	59.09 599	0.18 302	0.13 449	0.26 481	0.22 456	0.27 377	0.72 549	1.90 579	0.70 546	0.44 521	0.45 540	0.29 492	0.41 543	0.09 365	0.09 440	0.12 463	0.09 389	0.14 489	0.13 478

TCMNet-wrong-test	3.67 578	5.48 588	3.89 579	12.18 590	11.75 591	4.65 580	3.88 581	1.06 573	0.72 549	1.09 571	2.15 580	6.30 584	0.53 545	3.43 581	2.36 580	0.89 574	0.20 530	1.87 581	1.69 580	5.57 586	3.62 586

tt	4.67 579	0.06 59	3.55 577	2.02 579	1.55 578	10.25 585	16.71 585	8.91 589	5.03 582	1.31 575	0.94 560	4.71 580	4.76 581	3.33 580	5.87 583	6.06 588	10.30 592	1.88 582	2.11 582	2.75 580	1.21 579

USTest	6.22 580	2.73 581	3.00 574	6.57 586	7.29 585	14.37 587	21.57 586	7.00 588	9.56 587	5.34 584	6.10 582	5.72 583	7.64 584	6.41 585	6.96 584	1.97 581	3.42 586	1.64 580	2.15 583	2.66 579	2.36 581

xxxxx1	7.79 581	5.02 585	7.31 582	3.12 580	3.85 581	16.35 589	22.88 587	5.86 585	8.69 584	7.97 585	8.54 583	9.12 587	8.27 585	10.18 587	10.92 585	2.42 582	2.45 582	3.56 585	12.37 589	3.77 581	3.06 583

tt_ll	7.79 581	5.02 585	7.31 582	3.12 580	3.85 581	16.35 589	22.88 587	5.86 585	8.69 584	7.97 585	8.54 583	9.12 587	8.27 585	10.18 587	10.92 585	2.42 582	2.45 582	3.56 585	12.37 589	3.77 581	3.06 583

ff	7.79 581	5.02 585	7.31 582	3.12 580	3.85 581	16.35 589	22.88 587	5.86 585	8.69 584	7.97 585	8.54 583	9.12 587	8.27 585	10.18 587	10.92 585	2.42 582	2.45 582	3.56 585	12.37 589	3.77 581	3.06 583

EDNetEfficientorigin	7.91 584	0.31 538	153.02 600	0.19 360	0.09 244	0.21 435	0.16 290	0.22 280	0.59 531	0.72 551	0.67 542	0.42 516	0.50 544	0.24 465	0.39 537	0.08 306	0.07 385	0.08 284	0.07 278	0.12 458	0.10 420

DPSMNet_ROB	8.06 585	4.48 583	8.63 588	5.37 585	10.74 588	8.32 583	22.98 591	5.46 582	13.36 590	5.12 582	9.92 586	5.08 581	10.40 588	5.53 584	12.58 588	3.80 586	8.00 587	3.50 583	7.02 586	3.83 584	7.14 588

DGTPSM_ROB	8.06 585	4.48 583	8.63 588	5.35 583	10.72 587	8.32 583	22.97 590	5.46 582	13.35 589	5.12 582	9.92 586	5.08 581	10.40 588	5.52 583	12.58 588	3.79 585	8.00 587	3.50 583	7.02 586	3.83 584	7.14 588

PML	8.91 587	9.34 592	6.13 580	5.35 583	6.41 584	14.99 588	23.38 592	5.27 581	6.83 583	18.04 593	28.19 599	7.67 585	6.83 583	7.85 586	5.75 582	5.35 587	1.83 581	5.95 591	1.93 581	8.64 589	2.52 582

DLNR_Zeroshot_test	10.40 588	1.82 580	19.49 595	120.77 600	13.11 592	0.06 10	0.13 108	0.23 300	0.10 37	0.07 33	0.10 121	0.09 127	0.06 36	0.10 66	0.09 54	0.13 483	0.04 22	0.06 105	0.04 37	51.54 599	0.04 42

LRCNet_RVC	10.62 589	13.42 593	7.30 581	18.92 592	2.07 580	0.33 513	0.30 531	5.59 584	0.48 503	13.03 591	17.94 592	8.87 586	5.65 582	4.79 582	1.89 578	23.51 597	2.73 585	27.55 598	25.71 598	16.07 595	16.33 596

Anonymous_1	10.96 590	7.92 589	7.46 585	10.33 587	10.06 586	18.65 593	26.34 593	11.06 590	13.44 591	9.40 588	10.05 588	9.67 590	11.23 590	10.73 590	12.72 590	6.42 589	8.38 589	5.77 588	10.61 588	12.12 590	6.77 587

DPSM_ROB	11.15 591	8.58 590	8.00 586	10.88 588	11.58 589	19.10 594	26.71 594	12.05 591	14.07 592	10.36 589	10.84 589	10.33 591	11.86 591	11.70 591	13.54 591	6.99 590	8.79 590	5.89 589	6.95 584	7.29 587	7.42 590

DPSM	11.15 591	8.58 590	8.00 586	10.88 588	11.58 589	19.10 594	26.71 594	12.05 591	14.07 592	10.36 589	10.84 589	10.33 591	11.86 591	11.70 591	13.54 591	6.99 590	8.79 590	5.89 589	6.95 584	7.29 587	7.42 590

HaxPig	15.71 593	18.52 598	19.18 594	16.89 591	15.89 593	7.73 582	7.60 582	13.31 593	10.82 588	15.42 592	14.91 591	15.98 593	14.92 593	15.58 593	15.98 593	18.95 596	16.73 593	19.46 596	18.08 596	19.26 596	19.05 597

MEDIAN_ROB	20.38 594	24.04 599	23.31 596	21.23 593	21.71 594	10.40 586	7.92 583	17.64 594	15.50 594	20.12 594	19.70 593	20.34 594	20.32 594	21.19 594	21.13 594	23.81 598	21.81 598	24.98 597	23.76 597	24.71 597	23.93 598

CasAABBNet	22.42 595	17.33 595	16.01 590	22.01 594	23.28 596	38.32 596	53.80 598	24.14 596	28.41 597	20.60 595	21.77 595	20.89 597	23.91 597	23.43 595	27.36 597	14.07 593	17.69 595	11.83 594	14.01 593	14.67 592	14.95 594

FlowAnything	22.44 596	17.35 596	16.14 592	22.07 596	23.23 595	38.39 597	53.77 597	24.25 597	28.44 598	20.96 598	21.82 596	20.70 595	23.84 595	23.49 596	27.14 596	14.04 592	17.79 597	11.75 592	14.15 595	14.65 591	14.89 592

Selective-RAFT-Error	22.47 597	17.37 597	16.09 591	22.06 595	23.34 597	38.39 597	53.83 599	24.29 599	28.47 599	20.74 596	21.83 597	20.81 596	23.90 596	23.54 598	27.53 599	14.08 594	17.69 595	11.82 593	14.00 592	14.69 593	15.00 595

LSM0	22.87 598	17.28 594	18.96 593	22.19 597	29.04 599	38.42 599	53.71 596	24.28 598	28.31 596	20.78 597	21.00 594	21.43 598	24.16 598	23.50 597	27.39 598	14.09 595	17.38 594	11.84 595	14.04 594	14.73 594	14.89 592

AVERAGE_ROB	24.90 599	29.20 600	28.14 597	24.89 598	24.64 598	17.75 592	11.12 584	21.45 595	19.93 595	25.12 599	24.46 598	25.12 599	25.46 599	24.69 599	22.83 595	29.76 599	27.13 599	28.97 599	27.95 599	29.91 598	29.47 599

test_example2	98.32 600	94.13 601	45.89 598	96.35 599	109.85 600	88.61 600	95.45 600	25.75 600	94.37 600	130.00 601	126.06 600	58.17 600	74.63 600	88.51 600	79.96 600	150.23 600	221.02 600	77.62 600	99.10 600	113.75 600	96.94 600

ccccc		285.66 602		368.85 601	370.60 601	123.16 601		115.05 601		126.68 600		122.83 601		252.94 601		384.56 601	353.86 601	254.69 601	223.00 601	425.87 601

ASD4		3.38 582

Low-res two-view benchmark