Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

R-Stereo	0.10 1	0.06 1	0.10 1	0.17 16	0.08 7	0.11 1	0.14 12	0.23 7	0.11 1	0.12 1	0.19 2	0.11 1	0.08 1	0.09 1	0.11 1	0.07 8	0.05 4	0.06 5	0.05 6	0.05 1	0.05 2

HITNet	0.10 1	0.06 1	0.12 5	0.14 2	0.06 1	0.11 1	0.10 5	0.18 1	0.18 3	0.13 3	0.16 1	0.14 4	0.11 3	0.15 7	0.13 3	0.06 3	0.04 1	0.04 1	0.04 1	0.06 4	0.05 2

R-Stereo Train	0.10 1	0.06 1	0.10 1	0.17 16	0.08 7	0.11 1	0.14 12	0.23 7	0.11 1	0.12 1	0.19 2	0.11 1	0.08 1	0.09 1	0.11 1	0.07 8	0.05 4	0.06 5	0.05 6	0.05 1	0.05 2

MLCV	0.12 4	0.07 4	0.16 22	0.18 23	0.06 1	0.15 5	0.17 24	0.19 2	0.21 5	0.18 8	0.25 13	0.17 6	0.13 4	0.14 4	0.13 3	0.05 1	0.04 1	0.05 2	0.04 1	0.05 1	0.04 1

DN-CSS_ROB	0.13 5	0.13 43	0.16 22	0.18 23	0.10 20	0.16 11	0.08 1	0.22 4	0.18 3	0.17 6	0.22 6	0.13 3	0.13 4	0.12 3	0.13 3	0.05 1	0.05 4	0.10 28	0.10 34	0.08 17	0.06 6

iResNet	0.13 5	0.10 15	0.18 32	0.19 31	0.08 7	0.13 4	0.18 27	0.20 3	0.26 15	0.15 4	0.23 8	0.15 5	0.13 4	0.14 4	0.14 8	0.06 3	0.04 1	0.06 5	0.05 6	0.06 4	0.05 2

HSM-Net_RVC	0.14 7	0.08 9	0.11 4	0.15 4	0.08 7	0.15 5	0.15 16	0.27 18	0.29 23	0.19 9	0.21 4	0.29 34	0.14 10	0.17 10	0.13 3	0.06 3	0.06 14	0.06 5	0.06 9	0.07 6	0.06 6
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
iResNet_ROB	0.14 7	0.07 4	0.13 6	0.14 2	0.07 3	0.18 16	0.14 12	0.26 14	0.31 27	0.22 23	0.25 13	0.23 14	0.15 12	0.15 7	0.13 3	0.07 8	0.05 4	0.05 2	0.04 1	0.08 17	0.08 21

iResNetv2_ROB	0.14 7	0.08 9	0.15 13	0.16 11	0.08 7	0.16 11	0.12 8	0.25 12	0.35 35	0.21 15	0.29 22	0.24 15	0.13 4	0.14 4	0.14 8	0.06 3	0.05 4	0.06 5	0.04 1	0.09 23	0.08 21

CFNet_RVC	0.14 7	0.07 4	0.15 13	0.12 1	0.09 14	0.16 11	0.18 27	0.22 4	0.24 10	0.17 6	0.26 15	0.24 15	0.14 10	0.16 9	0.14 8	0.11 38	0.06 14	0.08 14	0.09 22	0.09 23	0.08 21

ccs	0.14 7	0.08 9	0.13 6	0.15 4	0.07 3	0.21 28	0.09 2	0.23 7	0.22 7	0.21 15	0.27 16	0.27 25	0.17 15	0.17 10	0.14 8	0.08 15	0.07 27	0.08 14	0.09 22	0.07 6	0.06 6

ccs_rob	0.15 12	0.08 9	0.14 9	0.15 4	0.07 3	0.21 28	0.09 2	0.24 10	0.23 8	0.21 15	0.24 11	0.28 28	0.18 20	0.17 10	0.16 16	0.08 15	0.06 14	0.09 19	0.10 34	0.07 6	0.07 14

HSM	0.15 12	0.08 9	0.14 9	0.16 11	0.09 14	0.16 11	0.14 12	0.28 21	0.25 11	0.19 9	0.23 8	0.37 57	0.16 14	0.20 17	0.15 14	0.07 8	0.05 4	0.07 12	0.06 9	0.07 6	0.06 6

CFNet	0.15 12	0.10 15	0.17 25	0.17 16	0.08 7	0.18 16	0.09 2	0.28 21	0.25 11	0.19 9	0.24 11	0.24 15	0.17 15	0.17 10	0.14 8	0.08 15	0.06 14	0.09 19	0.10 34	0.07 6	0.06 6

pmcnn	0.15 12	0.07 4	0.19 36	0.15 4	0.07 3	0.20 23	0.15 16	0.24 10	0.26 15	0.21 15	0.34 40	0.28 28	0.18 20	0.18 14	0.17 20	0.07 8	0.05 4	0.05 2	0.04 1	0.07 6	0.06 6

AdaStereo	0.15 12	0.11 25	0.15 13	0.18 23	0.09 14	0.20 23	0.11 6	0.32 32	0.28 19	0.20 13	0.23 8	0.20 8	0.13 4	0.19 15	0.14 8	0.12 52	0.05 4	0.10 28	0.07 13	0.09 23	0.07 14
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. ArXiv
DeepPruner_ROB	0.16 17	0.11 25	0.15 13	0.17 16	0.10 20	0.17 15	0.15 16	0.32 32	0.21 5	0.19 9	0.21 4	0.22 11	0.18 20	0.20 17	0.15 14	0.13 63	0.09 40	0.09 19	0.09 22	0.11 40	0.10 36

AANet_RVC	0.16 17	0.10 15	0.10 1	0.18 23	0.09 14	0.18 16	0.19 37	0.26 14	0.31 27	0.22 23	0.35 42	0.21 9	0.21 29	0.22 29	0.16 16	0.06 3	0.05 4	0.06 5	0.06 9	0.07 6	0.06 6

CC-Net-ROB	0.17 19	0.10 15	0.21 39	0.20 34	0.10 20	0.15 5	0.18 27	0.31 28	0.25 11	0.21 15	0.31 29	0.25 19	0.17 15	0.20 17	0.20 27	0.09 22	0.06 14	0.08 14	0.08 15	0.07 6	0.08 21

TDLM	0.17 19	0.12 34	0.13 6	0.24 54	0.10 20	0.18 16	0.18 27	0.36 56	0.30 24	0.21 15	0.28 18	0.28 28	0.18 20	0.23 32	0.18 24	0.11 38	0.07 27	0.10 28	0.10 34	0.08 17	0.08 21

StereoDRNet-Refined	0.17 19	0.12 34	0.15 13	0.20 34	0.09 14	0.18 16	0.18 27	0.26 14	0.23 8	0.26 38	0.40 58	0.22 11	0.17 15	0.21 24	0.20 27	0.08 15	0.05 4	0.09 19	0.10 34	0.07 6	0.07 14
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NLCA_NET_v2_RVC	0.17 19	0.10 15	0.22 43	0.20 34	0.10 20	0.15 5	0.18 27	0.31 28	0.25 11	0.21 15	0.30 25	0.25 19	0.17 15	0.21 24	0.20 27	0.09 22	0.06 14	0.08 14	0.08 15	0.07 6	0.08 21
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CVANet_RVC	0.18 23	0.10 15	0.14 9	0.21 42	0.10 20	0.18 16	0.17 24	0.34 46	0.33 32	0.22 23	0.31 29	0.28 28	0.18 20	0.23 32	0.17 20	0.12 52	0.08 32	0.12 45	0.11 46	0.09 23	0.07 14

StereoDRNet	0.18 23	0.11 25	0.17 25	0.22 47	0.11 29	0.21 28	0.22 47	0.37 60	0.33 32	0.24 30	0.28 18	0.30 36	0.19 26	0.20 17	0.20 27	0.09 22	0.08 32	0.11 38	0.09 22	0.09 23	0.07 14

DLCB_ROB	0.18 23	0.10 15	0.15 13	0.23 52	0.11 29	0.24 44	0.18 27	0.29 23	0.28 19	0.27 42	0.28 18	0.28 28	0.24 41	0.19 15	0.20 27	0.08 15	0.08 32	0.09 19	0.09 22	0.07 6	0.07 14

ADCRef	0.19 26	0.12 34	0.41 76	0.20 34	0.12 39	0.22 34	0.18 27	0.32 32	0.36 37	0.26 38	0.32 33	0.17 6	0.23 35	0.24 38	0.24 43	0.07 8	0.06 14	0.09 19	0.09 22	0.08 17	0.08 21

CBMV_ROB	0.19 26	0.13 43	0.17 25	0.16 11	0.11 29	0.15 5	0.13 10	0.26 14	0.28 19	0.27 42	0.30 25	0.27 25	0.24 41	0.23 32	0.16 16	0.15 72	0.17 77	0.22 81	0.20 78	0.10 33	0.11 43

CBMV	0.19 26	0.14 49	0.17 25	0.18 23	0.10 20	0.20 23	0.11 6	0.29 23	0.30 24	0.29 51	0.30 25	0.30 36	0.23 35	0.27 41	0.19 26	0.13 63	0.15 73	0.17 71	0.16 71	0.10 33	0.10 36
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
NOSS_ROB	0.19 26	0.12 34	0.18 32	0.16 11	0.12 39	0.15 5	0.12 8	0.30 27	0.32 30	0.20 13	0.22 6	0.27 25	0.23 35	0.21 24	0.16 16	0.16 78	0.18 79	0.23 82	0.21 79	0.12 47	0.13 53

DISCO	0.19 26	0.09 14	0.22 43	0.17 16	0.10 20	0.25 49	0.18 27	0.27 18	0.44 55	0.22 23	0.31 29	0.33 46	0.26 46	0.28 47	0.28 63	0.08 15	0.06 14	0.07 12	0.07 13	0.09 23	0.09 30

NVstereo2D	0.19 26	0.10 15	0.15 13	0.17 16	0.15 56	0.28 58	0.23 52	0.44 79	0.42 53	0.15 4	0.27 16	0.25 19	0.19 26	0.22 29	0.17 20	0.09 22	0.06 14	0.10 28	0.08 15	0.15 70	0.09 30

DRN-Test	0.19 26	0.11 25	0.20 38	0.22 47	0.10 20	0.22 34	0.22 47	0.39 66	0.37 40	0.24 30	0.32 33	0.26 23	0.21 29	0.22 29	0.24 43	0.11 38	0.07 27	0.11 38	0.10 34	0.09 23	0.07 14

ADCP+	0.20 33	0.10 15	0.33 68	0.20 34	0.12 39	0.22 34	0.26 62	0.31 28	0.34 34	0.26 38	0.37 46	0.22 11	0.22 33	0.27 41	0.27 57	0.09 22	0.06 14	0.08 14	0.08 15	0.09 23	0.10 36

PWCDC_ROB	0.20 33	0.13 43	0.22 43	0.24 54	0.11 29	0.19 22	0.15 16	0.33 41	0.54 76	0.29 51	0.50 76	0.21 9	0.15 12	0.27 41	0.20 27	0.11 38	0.09 40	0.10 28	0.08 15	0.11 40	0.09 30

SGM-Forest	0.20 33	0.14 49	0.18 32	0.19 31	0.13 44	0.20 23	0.22 47	0.33 41	0.30 24	0.24 30	0.29 22	0.28 28	0.19 26	0.23 32	0.17 20	0.15 72	0.16 74	0.15 64	0.14 63	0.12 47	0.12 47
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
RP	0.21 36	0.13 43	0.21 39	0.23 52	0.11 29	0.21 28	0.20 43	0.25 12	0.44 55	0.21 15	0.38 48	0.36 54	0.24 41	0.27 41	0.25 48	0.11 38	0.12 59	0.13 52	0.12 54	0.12 47	0.14 64

PWC_ROB	0.21 36	0.16 58	0.26 52	0.18 23	0.11 29	0.22 34	0.13 10	0.32 32	0.49 64	0.30 55	0.40 58	0.32 43	0.24 41	0.31 54	0.22 34	0.10 29	0.07 27	0.11 38	0.08 15	0.11 40	0.10 36

DANet	0.21 36	0.15 53	0.28 60	0.25 62	0.13 44	0.22 34	0.19 37	0.27 18	0.27 18	0.28 48	0.32 33	0.35 51	0.31 67	0.31 54	0.23 39	0.11 38	0.09 40	0.11 38	0.10 34	0.13 53	0.11 43

GANet	0.21 36	0.12 34	0.21 39	0.24 54	0.13 44	0.22 34	0.22 47	0.41 70	0.26 15	0.31 58	0.42 68	0.37 57	0.28 56	0.23 32	0.22 34	0.10 29	0.12 59	0.10 28	0.09 22	0.10 33	0.08 21

PSMNet_ROB	0.21 36	0.11 25	0.15 13	0.27 73	0.15 56	0.24 44	0.35 82	0.43 77	0.37 40	0.27 42	0.32 33	0.32 43	0.22 33	0.21 24	0.26 53	0.12 52	0.08 32	0.13 52	0.11 46	0.09 23	0.09 30

MDST_ROB	0.22 41	0.10 15	0.17 25	0.18 23	0.11 29	0.37 78	0.19 37	0.43 77	0.41 50	0.39 73	0.39 54	0.29 34	0.21 29	0.26 39	0.18 24	0.11 38	0.10 49	0.14 60	0.11 46	0.10 33	0.08 21

XPNet_ROB	0.22 41	0.11 25	0.19 36	0.22 47	0.13 44	0.22 34	0.19 37	0.34 46	0.40 48	0.30 55	0.39 54	0.39 64	0.26 46	0.26 39	0.28 63	0.15 72	0.10 49	0.10 28	0.10 34	0.13 53	0.12 47

NaN_ROB	0.22 41	0.19 70	0.24 51	0.25 62	0.13 44	0.29 61	0.26 62	0.33 41	0.41 50	0.31 58	0.31 29	0.32 43	0.23 35	0.30 53	0.21 33	0.11 38	0.17 77	0.10 28	0.10 34	0.08 17	0.09 30

CF-Net	0.22 41	0.17 64	0.17 25	0.26 65	0.13 44	0.25 49	0.24 56	0.32 32	0.50 66	0.25 36	0.33 38	0.38 60	0.26 46	0.28 47	0.25 48	0.11 38	0.10 49	0.16 69	0.11 46	0.11 40	0.10 36

stereogan	0.22 41	0.11 25	0.21 39	0.20 34	0.12 39	0.31 64	0.19 37	0.35 53	0.44 55	0.22 23	0.39 54	0.35 51	0.27 53	0.33 61	0.22 34	0.10 29	0.12 59	0.10 28	0.10 34	0.14 62	0.13 53

RYNet	0.22 41	0.12 34	0.22 43	0.19 31	0.17 68	0.46 82	0.26 62	0.38 63	0.48 62	0.24 30	0.28 18	0.34 48	0.23 35	0.20 17	0.30 70	0.10 29	0.06 14	0.09 19	0.09 22	0.13 53	0.15 67

ETE_ROB	0.23 47	0.17 64	0.22 43	0.25 62	0.13 44	0.26 54	0.29 72	0.31 28	0.36 37	0.28 48	0.36 45	0.45 74	0.26 46	0.27 41	0.26 53	0.11 38	0.08 32	0.12 45	0.09 22	0.14 62	0.13 53

NCCL2	0.23 47	0.15 53	0.17 25	0.34 85	0.18 73	0.24 44	0.23 52	0.34 46	0.28 19	0.31 58	0.38 48	0.38 60	0.28 56	0.23 32	0.24 43	0.15 72	0.12 59	0.18 77	0.21 79	0.13 53	0.13 53

Anonymous Stereo	0.23 47	0.19 70	0.50 83	0.24 54	0.17 68	0.21 28	0.21 46	0.33 41	0.44 55	0.25 36	0.34 40	0.26 23	0.18 20	0.31 54	0.27 57	0.13 63	0.12 59	0.12 45	0.13 60	0.11 40	0.14 64

PA-Net	0.23 47	0.18 68	0.33 68	0.28 76	0.22 80	0.21 28	0.38 86	0.29 23	0.39 44	0.22 23	0.32 33	0.25 19	0.26 46	0.20 17	0.25 48	0.09 22	0.23 88	0.15 64	0.22 81	0.09 23	0.13 53
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
SGM_RVC	0.23 47	0.12 34	0.15 13	0.15 4	0.09 14	0.33 69	0.18 27	0.34 46	0.31 27	0.44 80	0.37 46	0.53 82	0.35 73	0.35 67	0.24 43	0.13 63	0.13 67	0.13 52	0.13 60	0.10 33	0.11 43
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
RTSC	0.23 47	0.12 34	0.28 60	0.21 42	0.13 44	0.28 58	0.16 22	0.35 53	0.66 86	0.27 42	0.33 38	0.30 36	0.21 29	0.31 54	0.29 65	0.10 29	0.08 32	0.09 19	0.10 34	0.13 53	0.13 53

FBW_ROB	0.24 53	0.17 64	0.22 43	0.26 65	0.14 53	0.25 49	0.22 47	0.41 70	0.41 50	0.41 77	0.41 66	0.42 67	0.27 53	0.31 54	0.23 39	0.09 22	0.14 71	0.14 60	0.12 54	0.11 40	0.09 30

DeepPrunerF	0.24 53	0.17 64	0.42 77	0.26 65	0.16 62	0.22 34	0.28 70	0.37 60	0.50 66	0.26 38	0.29 22	0.24 15	0.28 56	0.21 24	0.22 34	0.15 72	0.11 54	0.20 80	0.18 76	0.12 47	0.13 53

SANet	0.24 53	0.14 49	0.28 60	0.21 42	0.11 29	0.27 56	0.24 56	0.38 63	0.64 85	0.36 68	0.40 58	0.43 70	0.26 46	0.27 41	0.24 43	0.12 52	0.09 40	0.10 28	0.09 22	0.13 53	0.11 43

ADCL	0.24 53	0.11 25	0.47 81	0.22 47	0.12 39	0.34 71	0.29 72	0.29 23	0.56 77	0.24 30	0.46 72	0.30 36	0.30 64	0.29 52	0.29 65	0.08 15	0.07 27	0.09 19	0.09 22	0.10 33	0.10 36

WCMA_ROB	0.24 53	0.11 25	0.22 43	0.17 16	0.14 53	0.32 65	0.15 16	0.32 32	0.32 30	0.38 71	0.53 77	0.40 65	0.34 71	0.34 63	0.25 48	0.11 38	0.12 59	0.12 45	0.10 34	0.14 62	0.14 64

NCC-stereo	0.24 53	0.15 53	0.31 66	0.26 65	0.16 62	0.20 23	0.30 74	0.40 67	0.40 48	0.24 30	0.38 48	0.33 46	0.28 56	0.36 71	0.27 57	0.12 52	0.11 54	0.15 64	0.22 81	0.13 53	0.13 53

ADCMid	0.25 59	0.15 53	0.40 75	0.20 34	0.14 53	0.25 49	0.26 62	0.34 46	0.38 43	0.36 68	0.44 71	0.34 48	0.40 79	0.35 67	0.33 75	0.10 29	0.09 40	0.11 38	0.11 46	0.13 53	0.12 47

G-Net	0.25 59	0.14 49	0.26 52	0.26 65	0.18 73	0.24 44	0.34 80	0.42 74	0.39 44	0.23 29	0.40 58	0.35 51	0.25 45	0.34 63	0.26 53	0.10 29	0.11 54	0.17 71	0.23 83	0.12 47	0.13 53

LALA_ROB	0.25 59	0.16 58	0.22 43	0.26 65	0.17 68	0.27 56	0.27 67	0.42 74	0.37 40	0.33 64	0.38 48	0.51 80	0.26 46	0.28 47	0.27 57	0.16 78	0.09 40	0.12 45	0.11 46	0.13 53	0.12 47

RGC	0.25 59	0.20 74	0.29 64	0.28 76	0.16 62	0.22 34	0.23 52	0.32 32	0.44 55	0.27 42	0.40 58	0.38 60	0.27 53	0.36 71	0.22 34	0.11 38	0.13 67	0.17 71	0.17 75	0.14 62	0.16 74

ADCPNet	0.25 59	0.16 58	0.61 86	0.21 42	0.15 56	0.35 77	0.25 59	0.32 32	0.35 35	0.30 55	0.40 58	0.36 54	0.28 56	0.28 47	0.32 73	0.12 52	0.10 49	0.11 38	0.12 54	0.14 62	0.13 53

AnyNet_C32	0.26 64	0.16 58	0.36 73	0.20 34	0.16 62	0.25 49	0.30 74	0.32 32	0.44 55	0.31 58	0.49 74	0.30 36	0.33 68	0.40 80	0.33 75	0.12 52	0.12 59	0.12 45	0.14 63	0.14 62	0.15 67

SHD	0.26 64	0.15 53	0.30 65	0.24 54	0.18 73	0.22 34	0.15 16	0.38 63	0.71 88	0.32 63	0.41 66	0.36 54	0.28 56	0.32 60	0.29 65	0.12 52	0.11 54	0.14 60	0.13 60	0.16 74	0.20 80

DispFullNet	0.27 66	0.21 77	0.65 87	0.28 76	0.16 62	0.26 54	0.17 24	0.33 41	0.58 80	0.27 42	0.38 48	0.43 70	0.23 35	0.38 75	0.23 39	0.12 52	0.06 14	0.19 78	0.11 46	0.21 81	0.15 67

MeshStereo	0.27 66	0.13 43	0.18 32	0.15 4	0.11 29	0.32 65	0.24 56	0.40 67	0.36 37	0.52 83	0.57 80	0.67 89	0.40 79	0.35 67	0.26 53	0.14 70	0.13 67	0.13 52	0.11 46	0.11 40	0.10 36
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
PDISCO_ROB	0.27 66	0.16 58	0.26 52	0.28 76	0.20 78	0.32 65	0.26 62	0.44 79	0.57 78	0.28 48	0.40 58	0.45 74	0.29 62	0.33 61	0.34 77	0.12 52	0.09 40	0.17 71	0.16 71	0.17 76	0.13 53

XQC	0.28 69	0.23 78	0.51 84	0.28 76	0.19 76	0.34 71	0.27 67	0.36 56	0.57 78	0.31 58	0.30 25	0.37 57	0.30 64	0.38 75	0.38 82	0.13 63	0.09 40	0.15 64	0.12 54	0.17 76	0.18 79

DPSNet	0.28 69	0.16 58	0.31 66	0.18 23	0.13 44	0.54 85	0.42 88	0.51 86	0.67 87	0.29 51	0.38 48	0.38 60	0.29 62	0.31 54	0.23 39	0.11 38	0.10 49	0.11 38	0.08 15	0.20 80	0.16 74

Nwc_Net	0.28 69	0.13 43	0.26 52	0.28 76	0.15 56	0.38 80	0.31 77	0.54 89	0.53 75	0.29 51	0.46 72	0.42 67	0.30 64	0.46 83	0.39 84	0.11 38	0.09 40	0.12 45	0.09 22	0.10 33	0.12 47

ADCS	0.29 72	0.18 68	0.45 79	0.21 42	0.17 68	0.28 58	0.23 52	0.41 70	0.63 84	0.40 75	0.49 74	0.40 65	0.36 74	0.39 78	0.40 86	0.13 63	0.12 59	0.13 52	0.14 63	0.16 74	0.16 74

CSAN	0.29 72	0.24 79	0.27 57	0.34 85	0.19 76	0.33 69	0.42 88	0.37 60	0.50 66	0.38 71	0.40 58	0.44 72	0.33 68	0.28 47	0.30 70	0.20 82	0.16 74	0.19 78	0.19 77	0.14 62	0.15 67

MSMD_ROB	0.31 74	0.26 83	0.26 52	0.24 54	0.21 79	0.34 71	0.25 59	0.34 46	0.39 44	0.40 75	0.69 85	0.45 74	0.40 79	0.34 63	0.27 57	0.20 82	0.19 80	0.26 83	0.25 85	0.23 82	0.22 83

GANetREF_RVC	0.31 74	0.34 89	0.27 57	0.35 87	0.16 62	0.32 65	0.41 87	0.48 82	0.51 73	0.35 65	0.35 42	0.34 48	0.33 68	0.39 78	0.32 73	0.27 90	0.20 81	0.29 90	0.15 70	0.18 78	0.17 78
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
Abc-Net	0.32 76	0.25 81	0.43 78	0.36 88	0.22 80	0.34 71	0.32 79	0.51 86	0.50 66	0.35 65	0.72 87	0.44 72	0.36 74	0.36 71	0.29 65	0.19 80	0.11 54	0.17 71	0.14 63	0.15 70	0.16 74

PASM	0.32 76	0.24 79	0.48 82	0.28 76	0.27 87	0.29 61	0.30 74	0.34 46	0.49 64	0.35 65	0.39 54	0.46 77	0.34 71	0.34 63	0.35 78	0.23 89	0.25 89	0.26 83	0.28 89	0.23 82	0.21 82

SGM-ForestM	0.32 76	0.12 34	0.16 22	0.16 11	0.11 29	0.39 81	0.19 37	0.41 70	0.50 66	0.52 83	0.54 78	1.32 96	0.42 85	0.40 80	0.27 57	0.14 70	0.16 74	0.16 69	0.16 71	0.12 47	0.12 47

FC-DCNN	0.33 79	0.27 84	0.28 60	0.26 65	0.23 83	0.37 78	0.28 70	0.40 67	0.43 54	0.45 81	0.55 79	0.51 80	0.40 79	0.37 74	0.30 70	0.21 84	0.20 81	0.27 85	0.26 86	0.25 86	0.24 84

LSM	0.33 79	0.20 74	0.58 85	0.26 65	0.60 94	0.34 71	0.25 59	0.42 74	0.48 62	0.45 81	0.58 82	0.42 67	0.36 74	0.35 67	0.25 48	0.12 52	0.20 81	0.14 60	0.16 71	0.19 79	0.33 91

AnyNet_C01	0.36 81	0.25 81	1.37 93	0.22 47	0.17 68	0.48 84	0.27 67	0.35 53	0.39 44	0.39 73	0.74 89	0.46 77	0.38 77	0.45 82	0.47 89	0.13 63	0.13 67	0.13 52	0.14 63	0.14 62	0.15 67

PVD	0.39 82	0.20 74	0.39 74	0.31 84	0.22 80	0.29 61	0.43 90	0.52 88	0.96 94	0.55 86	0.79 92	0.53 82	0.59 91	0.52 86	0.38 82	0.19 80	0.14 71	0.17 71	0.14 63	0.24 85	0.31 89

SAMSARA	0.40 83	0.28 86	0.33 68	0.55 93	0.39 90	0.82 94	1.23 97	0.47 81	0.51 73	0.36 68	0.35 42	0.55 84	0.39 78	0.38 75	0.39 84	0.15 72	0.20 81	0.15 64	0.14 63	0.23 82	0.20 80

ELAS	0.41 84	0.29 87	0.33 68	0.27 73	0.24 84	0.60 87	0.36 83	0.50 85	0.50 66	0.71 90	0.79 92	0.67 89	0.54 87	0.51 85	0.42 88	0.22 86	0.20 81	0.27 85	0.26 86	0.26 88	0.25 86
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS_RVC	0.41 84	0.29 87	0.33 68	0.28 76	0.24 84	0.54 85	0.36 83	0.49 84	0.59 81	0.72 91	0.74 89	0.65 87	0.54 87	0.54 90	0.40 86	0.22 86	0.20 81	0.27 85	0.26 86	0.26 88	0.25 86
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MANE	0.45 86	0.27 84	0.27 57	0.27 73	0.24 84	0.47 83	0.31 77	0.55 90	0.59 81	0.72 91	1.13 96	1.15 95	0.61 92	0.52 86	0.37 81	0.21 84	0.20 81	0.27 85	0.31 90	0.25 86	0.24 84

RTS	0.45 86	0.19 70	3.26 96	0.24 54	0.15 56	0.74 91	0.20 43	0.36 56	0.76 91	0.42 78	0.43 69	0.31 41	0.41 83	0.53 88	0.35 78	0.10 29	0.08 32	0.13 52	0.12 54	0.15 70	0.15 67

RTSA	0.45 86	0.19 70	3.26 96	0.24 54	0.15 56	0.74 91	0.20 43	0.36 56	0.76 91	0.42 78	0.43 69	0.31 41	0.41 83	0.53 88	0.35 78	0.10 29	0.08 32	0.13 52	0.12 54	0.15 70	0.15 67

NVStereoNet_ROB	0.46 89	0.36 90	0.46 80	0.41 90	0.28 88	0.34 71	0.34 80	0.48 82	0.60 83	0.72 91	0.93 94	0.70 92	0.66 94	0.47 84	0.60 91	0.22 86	0.33 90	0.34 91	0.34 91	0.30 90	0.30 88
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 90	0.07 4	0.14 9	0.15 4	0.08 7	0.24 44	0.16 22	0.22 4	1.81 97	4.63 98	0.67 84	0.47 79	0.44 86	0.20 17	0.29 65	0.07 8	0.06 14	0.06 5	0.06 9	0.08 17	0.06 6

SGM+DAISY	0.56 91	0.57 91	0.65 87	0.40 89	0.54 92	0.66 89	0.49 92	0.56 91	0.45 61	0.66 88	0.69 85	0.67 89	0.56 89	0.63 92	0.56 90	0.59 93	0.48 95	0.50 92	0.50 94	0.52 92	0.58 93

SPS-STEREO	0.57 92	0.58 92	0.65 87	0.45 91	0.55 93	0.62 88	0.44 91	0.62 92	0.50 66	0.68 89	0.64 83	0.66 88	0.57 90	0.61 91	0.60 91	0.62 94	0.47 94	0.51 93	0.49 92	0.55 93	0.58 93
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 93	0.66 93	0.65 87	0.51 92	0.69 95	0.69 90	0.57 93	0.64 93	0.73 89	0.60 87	0.73 88	0.62 85	0.67 95	0.65 93	0.60 91	0.66 95	0.58 97	0.63 95	0.59 95	0.68 94	0.69 95

PWCK	0.71 94	0.94 96	0.95 92	0.76 95	0.31 89	0.74 91	0.36 83	0.90 95	0.90 93	0.96 95	0.75 91	0.95 94	0.61 92	0.87 95	0.66 94	0.72 96	0.46 92	0.75 96	0.49 92	0.69 95	0.44 92

MADNet+	0.75 95	0.71 94	3.70 98	0.66 94	0.41 91	0.98 95	0.97 94	0.69 94	0.73 89	0.52 83	0.57 80	0.64 86	0.68 96	0.86 94	1.01 96	0.34 91	0.36 91	0.28 89	0.23 83	0.36 91	0.31 89

edge stereo	0.90 96	0.73 95	1.45 94	0.77 96	0.72 96	1.56 97	0.98 95	0.98 96	1.02 95	0.83 94	1.36 97	0.93 93	0.84 97	0.92 97	0.93 95	0.56 92	0.46 92	0.62 94	0.64 96	0.83 96	0.86 96

DPSimNet_ROB	1.11 97	1.23 97	0.78 91	1.13 97	0.88 97	1.10 96	1.13 96	1.16 97	1.23 96	1.43 96	1.02 95	1.41 97	1.10 98	0.90 96	1.60 97	1.46 97	0.51 96	1.21 97	1.03 97	0.90 97	1.01 97

MADNet++	1.95 98	1.75 98	1.59 95	1.82 98	1.69 98	2.33 98	1.40 98	2.35 98	2.09 98	2.57 97	2.36 98	2.24 98	2.17 99	2.28 98	2.34 98	1.87 98	1.66 98	1.54 98	1.34 98	1.92 98	1.77 98

DPSMNet_ROB	8.06 99	4.48 99	8.63 101	5.37 100	10.74 100	8.32 99	22.98 102	5.46 99	13.36 100	5.12 99	9.92 99	5.08 99	10.40 100	5.53 100	12.58 99	3.80 100	8.00 99	3.50 99	7.02 101	3.83 99	7.14 99

DGTPSM_ROB	8.06 99	4.48 99	8.63 101	5.35 99	10.72 99	8.32 99	22.97 101	5.46 99	13.35 99	5.12 99	9.92 99	5.08 99	10.40 100	5.52 99	12.58 99	3.79 99	8.00 99	3.50 99	7.02 101	3.83 99	7.14 99

DPSM_ROB	11.15 101	8.58 101	8.00 99	10.88 101	11.58 101	19.10 103	26.71 103	12.05 101	14.07 101	10.36 101	10.84 101	10.33 101	11.86 102	11.70 101	13.54 101	6.99 101	8.79 101	5.89 101	6.95 99	7.29 101	7.42 101

DPSM	11.15 101	8.58 101	8.00 99	10.88 101	11.58 101	19.10 103	26.71 103	12.05 101	14.07 101	10.36 101	10.84 101	10.33 101	11.86 102	11.70 101	13.54 101	6.99 101	8.79 101	5.89 101	6.95 99	7.29 101	7.42 101

MEDIAN_ROB	20.38 103	24.04 104	23.31 104	21.23 103	21.71 103	10.40 101	7.92 99	17.64 103	15.50 103	20.12 103	19.70 103	20.34 103	20.32 104	21.19 103	21.13 103	23.81 104	21.81 104	24.98 104	23.76 104	24.71 104	23.93 104

LSM0	22.87 104	17.28 103	18.96 103	22.19 104	29.04 105	38.42 105	53.71 105	24.28 105	28.31 105	20.78 104	21.00 104	21.43 104	24.16 105	23.50 104	27.39 105	14.09 103	17.38 103	11.84 103	14.04 103	14.73 103	14.89 103

AVERAGE_ROB	24.90 105	29.20 105	28.14 105	24.89 105	24.64 104	17.75 102	11.12 100	21.45 104	19.93 104	25.12 105	24.46 105	25.12 105	25.46 106	24.69 105	22.83 104	29.76 105	27.13 105	28.97 105	27.95 105	29.91 105	29.47 105

MSMDNet													0.13 4

Low-res two-view benchmark