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

s12784h	0.08 1	0.04 1	0.06 1	0.13 7	0.07 11	0.09 1	0.12 15	0.14 1	0.14 12	0.10 9	0.14 22	0.08 2	0.07 3	0.09 1	0.11 17	0.06 8	0.04 1	0.05 2	0.05 19	0.04 1	0.04 3

CREStereo++_RVC	0.08 1	0.04 1	0.06 1	0.13 7	0.07 11	0.09 1	0.12 15	0.14 1	0.14 12	0.10 9	0.14 22	0.08 2	0.07 3	0.09 1	0.11 17	0.06 8	0.04 1	0.05 2	0.05 19	0.04 1	0.04 3

Gwc-CoAtRS	0.09 3	0.06 7	0.10 12	0.16 30	0.07 11	0.10 10	0.14 27	0.17 15	0.17 21	0.08 1	0.10 4	0.12 22	0.09 17	0.12 18	0.09 2	0.06 8	0.04 1	0.06 18	0.04 4	0.04 1	0.04 3

raftrobust	0.09 3	0.06 7	0.10 12	0.17 47	0.08 24	0.09 1	0.10 5	0.18 22	0.16 19	0.10 9	0.09 1	0.12 22	0.07 3	0.12 18	0.10 9	0.08 49	0.05 23	0.06 18	0.05 19	0.05 13	0.05 15

PMTNet	0.09 3	0.05 5	0.09 7	0.12 4	0.06 1	0.12 23	0.14 27	0.15 5	0.11 5	0.09 5	0.13 15	0.10 9	0.07 3	0.13 29	0.10 9	0.15 147	0.04 1	0.05 2	0.03 1	0.07 36	0.06 29

XX-Stereo	0.09 3	0.05 5	0.08 4	0.17 47	0.09 42	0.15 40	0.12 15	0.20 26	0.10 3	0.10 9	0.14 22	0.07 1	0.06 1	0.12 18	0.08 1	0.06 8	0.05 23	0.06 18	0.06 29	0.04 1	0.04 3

MSMDNet	0.09 3	0.06 7	0.10 12	0.16 30	0.08 24	0.10 10	0.14 27	0.17 15	0.15 17	0.09 5	0.09 1	0.12 22	0.09 17	0.12 18	0.09 2	0.07 29	0.04 1	0.05 2	0.04 4	0.04 1	0.05 15

RAFT-Stereo + iAFF	0.09 3	0.06 7	0.10 12	0.17 47	0.06 1	0.10 10	0.16 54	0.17 15	0.14 12	0.09 5	0.10 4	0.08 2	0.09 17	0.11 9	0.09 2	0.05 1	0.04 1	0.06 18	0.06 29	0.04 1	0.03 1

AFF-stereo	0.09 3	0.06 7	0.10 12	0.17 47	0.07 11	0.10 10	0.16 54	0.17 15	0.09 1	0.10 9	0.12 9	0.09 6	0.09 17	0.12 18	0.09 2	0.05 1	0.04 1	0.07 40	0.07 46	0.04 1	0.03 1

EAI-Stereo	0.09 3	0.07 24	0.11 22	0.15 16	0.06 1	0.10 10	0.15 44	0.16 9	0.09 1	0.08 1	0.09 1	0.08 2	0.07 3	0.09 1	0.11 17	0.05 1	0.04 1	0.05 2	0.05 19	0.05 13	0.04 3

XX-TBD	0.09 3	0.06 7	0.07 3	0.14 12	0.07 11	0.12 23	0.16 54	0.14 1	0.13 11	0.11 15	0.12 9	0.09 6	0.08 10	0.10 6	0.10 9	0.06 8	0.04 1	0.05 2	0.03 1	0.06 26	0.05 15

TANstereo	0.09 3	0.04 1	0.08 4	0.13 7	0.06 1	0.11 18	0.14 27	0.15 5	0.19 27	0.11 15	0.15 25	0.10 9	0.06 1	0.12 18	0.09 2	0.07 29	0.05 23	0.05 2	0.04 4	0.06 26	0.05 15

CFNet-RSSM	0.09 3	0.07 24	0.09 7	0.16 30	0.07 11	0.09 1	0.15 44	0.16 9	0.17 21	0.08 1	0.12 9	0.10 9	0.09 17	0.11 9	0.09 2	0.06 8	0.04 1	0.06 18	0.04 4	0.04 1	0.04 3

CREStereo	0.09 3	0.04 1	0.08 4	0.11 1	0.06 1	0.13 26	0.14 27	0.14 1	0.10 3	0.08 1	0.13 15	0.09 6	0.08 10	0.11 9	0.10 9	0.08 49	0.04 1	0.05 2	0.03 1	0.06 26	0.06 29
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
GwcNet-DCA	0.10 15	0.06 7	0.12 25	0.16 30	0.06 1	0.09 1	0.17 63	0.15 5	0.19 27	0.13 28	0.17 32	0.10 9	0.11 28	0.11 9	0.12 25	0.06 8	0.04 1	0.05 2	0.04 4	0.05 13	0.04 3

RAFT-Stereo	0.10 15	0.06 7	0.10 12	0.17 47	0.08 24	0.11 18	0.14 27	0.23 47	0.11 5	0.12 22	0.19 36	0.11 19	0.08 10	0.09 1	0.11 17	0.07 29	0.05 23	0.06 18	0.05 19	0.05 13	0.05 15
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 15	0.06 7	0.12 25	0.14 12	0.06 1	0.11 18	0.10 5	0.18 22	0.18 24	0.13 28	0.16 27	0.14 32	0.11 28	0.15 39	0.13 33	0.06 8	0.04 1	0.04 1	0.04 4	0.06 26	0.05 15
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
R-Stereo Train	0.10 15	0.06 7	0.10 12	0.17 47	0.08 24	0.11 18	0.14 27	0.23 47	0.11 5	0.12 22	0.19 36	0.11 19	0.08 10	0.09 1	0.11 17	0.07 29	0.05 23	0.06 18	0.05 19	0.05 13	0.05 15

RALCasStereoNet	0.10 15	0.06 7	0.09 7	0.16 30	0.08 24	0.12 23	0.14 27	0.17 15	0.11 5	0.12 22	0.17 32	0.14 32	0.10 23	0.12 18	0.11 17	0.07 29	0.06 46	0.06 18	0.05 19	0.08 51	0.07 50

test_xeample3	0.10 15	0.06 7	0.14 41	0.15 16	0.06 1	0.09 1	0.10 5	0.15 5	0.20 31	0.12 22	0.13 15	0.10 9	0.11 28	0.12 18	0.09 2	0.06 8	0.05 23	0.06 18	0.04 4	0.04 1	0.04 3

111	0.10 15	0.06 7	0.12 25	0.15 16	0.07 11	0.10 10	0.14 27	0.21 36	0.23 47	0.11 15	0.12 9	0.14 32	0.11 28	0.13 29	0.10 9	0.06 8	0.04 1	0.06 18	0.04 4	0.05 13	0.05 15

222	0.10 15	0.06 7	0.12 25	0.16 30	0.06 1	0.09 1	0.17 63	0.16 9	0.19 27	0.13 28	0.16 27	0.10 9	0.11 28	0.11 9	0.12 25	0.06 8	0.04 1	0.05 2	0.04 4	0.05 13	0.05 15

iRaftStereo_RVC	0.10 15	0.07 24	0.09 7	0.17 47	0.09 42	0.11 18	0.17 63	0.18 22	0.12 9	0.09 5	0.12 9	0.10 9	0.07 3	0.11 9	0.10 9	0.05 1	0.04 1	0.08 50	0.08 56	0.04 1	0.04 3

cscssc	0.10 15	0.06 7	0.12 25	0.15 16	0.07 11	0.09 1	0.17 63	0.16 9	0.20 31	0.13 28	0.16 27	0.10 9	0.11 28	0.11 9	0.12 25	0.06 8	0.04 1	0.05 2	0.04 4	0.04 1	0.05 15

csc	0.10 15	0.06 7	0.12 25	0.15 16	0.07 11	0.09 1	0.17 63	0.16 9	0.20 31	0.13 28	0.16 27	0.10 9	0.11 28	0.11 9	0.12 25	0.06 8	0.04 1	0.05 2	0.04 4	0.04 1	0.05 15

rafts_anoy	0.11 26	0.06 7	0.10 12	0.17 47	0.08 24	0.10 10	0.14 27	0.17 15	0.14 12	0.13 28	0.13 15	0.12 22	0.10 23	0.11 9	0.12 25	0.07 29	0.04 1	0.09 70	0.11 109	0.07 36	0.06 29

raft+_RVC	0.11 26	0.07 24	0.09 7	0.16 30	0.07 11	0.10 10	0.11 12	0.24 50	0.20 31	0.12 22	0.15 25	0.12 22	0.08 10	0.12 18	0.13 33	0.07 29	0.04 1	0.07 40	0.06 29	0.05 13	0.05 15

RALAANet	0.11 26	0.08 41	0.10 12	0.17 47	0.09 42	0.14 33	0.10 5	0.20 26	0.15 17	0.14 34	0.13 15	0.16 39	0.09 17	0.12 18	0.11 17	0.06 8	0.05 23	0.07 40	0.06 29	0.05 13	0.04 3

DIP-Stereo	0.11 26	0.07 24	0.14 41	0.17 47	0.09 42	0.13 26	0.09 3	0.16 9	0.16 19	0.11 15	0.16 27	0.14 32	0.12 36	0.15 39	0.13 33	0.06 8	0.05 23	0.06 18	0.05 19	0.05 13	0.06 29
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 30	0.08 41	0.14 41	0.18 65	0.07 11	0.15 40	0.07 1	0.22 38	0.18 24	0.16 41	0.19 36	0.18 49	0.14 48	0.16 50	0.15 54	0.07 29	0.05 23	0.05 2	0.05 19	0.06 26	0.06 29

sCroCo_RVC	0.12 30	0.09 54	0.23 110	0.24 129	0.11 77	0.19 77	0.14 27	0.17 15	0.14 12	0.10 9	0.13 15	0.12 22	0.07 3	0.14 31	0.11 17	0.08 49	0.08 88	0.08 50	0.08 56	0.05 13	0.07 50

ARAFT	0.12 30	0.08 41	0.17 73	0.19 81	0.09 42	0.14 33	0.18 79	0.20 26	0.12 9	0.12 22	0.13 15	0.14 32	0.11 28	0.15 39	0.12 25	0.06 8	0.05 23	0.10 85	0.09 72	0.05 13	0.04 3

MLCV	0.12 30	0.07 24	0.16 66	0.18 65	0.06 1	0.15 40	0.17 63	0.19 25	0.21 38	0.18 58	0.25 60	0.17 43	0.13 39	0.14 31	0.13 33	0.05 1	0.04 1	0.05 2	0.04 4	0.05 13	0.04 3

iResNet	0.13 34	0.10 65	0.18 83	0.19 81	0.08 24	0.13 26	0.18 79	0.20 26	0.26 65	0.15 38	0.23 45	0.15 38	0.13 39	0.14 31	0.14 45	0.06 8	0.04 1	0.06 18	0.05 19	0.06 26	0.05 15

FENet	0.13 34	0.08 41	0.12 25	0.16 30	0.08 24	0.14 33	0.15 44	0.22 38	0.23 47	0.17 46	0.23 45	0.16 39	0.12 36	0.14 31	0.15 54	0.08 49	0.05 23	0.08 50	0.08 56	0.07 36	0.07 50

TestStereo	0.13 34	0.14 112	0.11 22	0.23 126	0.08 24	0.15 40	0.21 119	0.20 26	0.23 47	0.14 34	0.24 52	0.16 39	0.12 36	0.16 50	0.14 45	0.05 1	0.06 46	0.08 50	0.06 29	0.09 69	0.05 15

DN-CSS_ROB	0.13 34	0.13 104	0.16 66	0.18 65	0.10 60	0.16 53	0.08 2	0.22 38	0.18 24	0.17 46	0.22 43	0.13 29	0.13 39	0.12 18	0.13 33	0.05 1	0.05 23	0.10 85	0.10 93	0.08 51	0.06 29

cf-r	0.13 34	0.07 24	0.12 25	0.16 30	0.08 24	0.14 33	0.19 96	0.20 26	0.25 59	0.17 46	0.25 60	0.21 55	0.16 61	0.14 31	0.14 45	0.10 81	0.05 23	0.06 18	0.08 56	0.06 26	0.06 29

GMStereo	0.13 34	0.14 112	0.14 41	0.18 65	0.09 42	0.15 40	0.16 54	0.20 26	0.24 52	0.16 41	0.17 32	0.10 9	0.10 23	0.16 50	0.13 33	0.07 29	0.06 46	0.06 18	0.06 29	0.07 36	0.06 29

sAnonymous2	0.13 34	0.12 88	0.24 113	0.20 90	0.12 99	0.17 60	0.13 20	0.26 63	0.21 38	0.11 15	0.11 7	0.13 29	0.08 10	0.10 6	0.10 9	0.09 66	0.05 23	0.08 50	0.06 29	0.15 144	0.10 91

RAFT + AFF	0.13 34	0.07 24	0.20 94	0.20 90	0.10 60	0.14 33	0.24 137	0.26 63	0.20 31	0.11 15	0.10 4	0.12 22	0.10 23	0.15 39	0.12 25	0.07 29	0.06 46	0.09 70	0.08 56	0.06 26	0.08 64

CroCo_RVC	0.13 34	0.12 88	0.24 113	0.20 90	0.12 99	0.17 60	0.13 20	0.26 63	0.21 38	0.11 15	0.11 7	0.13 29	0.08 10	0.10 6	0.10 9	0.09 66	0.05 23	0.08 50	0.06 29	0.15 144	0.10 91

GwcNet-RSSM	0.14 43	0.07 24	0.12 25	0.15 16	0.08 24	0.15 40	0.20 109	0.21 36	0.27 71	0.18 58	0.27 72	0.22 63	0.16 61	0.14 31	0.15 54	0.10 81	0.05 23	0.07 40	0.09 72	0.07 36	0.07 50

PSMNet-RSSM	0.14 43	0.07 24	0.13 36	0.15 16	0.08 24	0.13 26	0.16 54	0.24 50	0.24 52	0.16 41	0.28 75	0.22 63	0.14 48	0.15 39	0.13 33	0.11 95	0.06 46	0.09 70	0.12 123	0.08 51	0.07 50

GANet-RSSM	0.14 43	0.07 24	0.13 36	0.13 7	0.08 24	0.14 33	0.17 63	0.22 38	0.21 38	0.17 46	0.24 52	0.23 71	0.15 55	0.16 50	0.15 54	0.10 81	0.06 46	0.07 40	0.08 56	0.08 51	0.07 50

CFNet-ft	0.14 43	0.07 24	0.15 51	0.12 4	0.09 42	0.16 53	0.18 79	0.22 38	0.24 52	0.17 46	0.26 66	0.24 75	0.14 48	0.16 50	0.14 45	0.11 95	0.06 46	0.08 50	0.09 72	0.09 69	0.08 64

UCFNet_RVC	0.14 43	0.08 41	0.13 36	0.11 1	0.10 60	0.20 83	0.10 5	0.24 50	0.22 44	0.17 46	0.20 40	0.23 71	0.15 55	0.17 59	0.15 54	0.12 117	0.07 72	0.10 85	0.13 130	0.11 100	0.10 91

DMCA	0.14 43	0.09 54	0.16 66	0.19 81	0.09 42	0.15 40	0.17 63	0.23 47	0.27 71	0.14 34	0.19 36	0.17 43	0.18 70	0.15 39	0.17 69	0.10 81	0.06 46	0.08 50	0.06 29	0.09 69	0.10 91

iResNet_ROB	0.14 43	0.07 24	0.13 36	0.14 12	0.07 11	0.18 66	0.14 27	0.26 63	0.31 84	0.22 82	0.25 60	0.23 71	0.15 55	0.15 39	0.13 33	0.07 29	0.05 23	0.05 2	0.04 4	0.08 51	0.08 64

iResNetv2_ROB	0.14 43	0.08 41	0.15 51	0.16 30	0.08 24	0.16 53	0.12 15	0.25 56	0.35 105	0.21 71	0.29 81	0.24 75	0.13 39	0.14 31	0.14 45	0.06 8	0.05 23	0.06 18	0.04 4	0.09 69	0.08 64

RASNet	0.14 43	0.07 24	0.14 41	0.16 30	0.08 24	0.18 66	0.14 27	0.29 83	0.20 31	0.17 46	0.25 60	0.21 55	0.18 70	0.20 79	0.19 79	0.07 29	0.06 46	0.06 18	0.08 56	0.06 26	0.06 29

GES	0.14 43	0.08 41	0.16 66	0.15 16	0.10 60	0.13 26	0.13 20	0.28 76	0.25 59	0.16 41	0.23 45	0.18 49	0.13 39	0.16 50	0.13 33	0.08 49	0.07 72	0.07 40	0.06 29	0.08 51	0.09 82

CFNet_RVC	0.14 43	0.07 24	0.15 51	0.12 4	0.09 42	0.16 53	0.18 79	0.22 38	0.24 52	0.17 46	0.26 66	0.24 75	0.14 48	0.16 50	0.14 45	0.11 95	0.06 46	0.08 50	0.09 72	0.09 69	0.08 64

HSM-Net_RVC	0.14 43	0.08 41	0.11 22	0.15 16	0.08 24	0.15 40	0.15 44	0.27 73	0.29 79	0.19 61	0.21 41	0.29 99	0.14 48	0.17 59	0.13 33	0.06 8	0.06 46	0.06 18	0.06 29	0.07 36	0.06 29
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet-pseudo	0.14 43	0.09 54	0.14 41	0.15 16	0.09 42	0.13 26	0.10 5	0.29 83	0.20 31	0.17 46	0.23 45	0.16 39	0.13 39	0.15 39	0.14 45	0.11 95	0.09 102	0.13 124	0.15 144	0.07 36	0.08 64

Anonymous	0.14 43	0.10 65	0.24 113	0.22 117	0.13 112	0.18 66	0.22 124	0.20 26	0.19 27	0.14 34	0.12 9	0.11 19	0.13 39	0.16 50	0.13 33	0.08 49	0.07 72	0.08 50	0.08 56	0.12 111	0.10 91

pcwnet_v2	0.14 43	0.09 54	0.16 66	0.11 1	0.11 77	0.17 60	0.10 5	0.28 76	0.17 21	0.16 41	0.33 104	0.17 43	0.14 48	0.15 39	0.15 54	0.13 135	0.07 72	0.09 70	0.09 72	0.09 69	0.10 91

HSM	0.15 58	0.08 41	0.14 41	0.16 30	0.09 42	0.16 53	0.14 27	0.28 76	0.25 59	0.19 61	0.23 45	0.37 135	0.16 61	0.20 79	0.15 54	0.07 29	0.05 23	0.07 40	0.06 29	0.07 36	0.06 29

pmcnn	0.15 58	0.07 24	0.19 89	0.15 16	0.07 11	0.20 83	0.15 44	0.24 50	0.26 65	0.21 71	0.34 108	0.28 93	0.18 70	0.18 65	0.17 69	0.07 29	0.05 23	0.05 2	0.04 4	0.07 36	0.06 29

CFNet	0.15 58	0.10 65	0.17 73	0.17 47	0.08 24	0.18 66	0.09 3	0.28 76	0.25 59	0.19 61	0.24 52	0.24 75	0.17 65	0.17 59	0.14 45	0.08 49	0.06 46	0.09 70	0.10 93	0.07 36	0.06 29

acv_ft	0.15 58	0.09 54	0.15 51	0.19 81	0.10 60	0.16 53	0.17 63	0.25 56	0.33 94	0.19 61	0.26 66	0.21 55	0.17 65	0.17 59	0.18 75	0.07 29	0.06 46	0.06 18	0.06 29	0.08 51	0.06 29

AdaStereo	0.15 58	0.11 78	0.15 51	0.18 65	0.09 42	0.20 83	0.11 12	0.32 98	0.28 74	0.20 67	0.23 45	0.20 52	0.13 39	0.19 67	0.14 45	0.12 117	0.05 23	0.10 85	0.07 46	0.09 69	0.07 50
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.
ACVNet	0.15 58	0.09 54	0.15 51	0.13 7	0.12 99	0.14 33	0.20 109	0.22 38	0.33 94	0.17 46	0.26 66	0.21 55	0.16 61	0.17 59	0.21 94	0.07 29	0.06 46	0.06 18	0.06 29	0.08 51	0.06 29

ac_64	0.16 64	0.08 41	0.15 51	0.18 65	0.10 60	0.22 100	0.18 79	0.24 50	0.21 38	0.18 58	0.24 52	0.29 99	0.18 70	0.19 67	0.22 101	0.09 66	0.07 72	0.08 50	0.09 72	0.07 36	0.06 29

DeepPruner_ROB	0.16 64	0.11 78	0.15 51	0.17 47	0.10 60	0.17 60	0.15 44	0.32 98	0.21 38	0.19 61	0.21 41	0.22 63	0.18 70	0.20 79	0.15 54	0.13 135	0.09 102	0.09 70	0.09 72	0.11 100	0.10 91

FADNet_RVC	0.16 64	0.14 112	0.40 154	0.20 90	0.11 77	0.13 26	0.13 20	0.26 63	0.22 44	0.21 71	0.23 45	0.20 52	0.17 65	0.14 31	0.16 64	0.08 49	0.08 88	0.12 113	0.09 72	0.11 100	0.10 91

FADNet-RVC-Resample	0.16 64	0.11 78	0.31 136	0.22 117	0.11 77	0.19 77	0.14 27	0.25 56	0.24 52	0.24 93	0.27 72	0.20 52	0.15 55	0.16 50	0.15 54	0.07 29	0.08 88	0.12 113	0.10 93	0.09 69	0.10 91

AANet_RVC	0.16 64	0.10 65	0.10 12	0.18 65	0.09 42	0.18 66	0.19 96	0.26 63	0.31 84	0.22 82	0.35 110	0.21 55	0.21 88	0.22 97	0.16 64	0.06 8	0.05 23	0.06 18	0.06 29	0.07 36	0.06 29

Anonymous3	0.16 64	0.13 104	0.33 140	0.26 143	0.14 125	0.27 133	0.17 63	0.28 76	0.28 74	0.15 38	0.17 32	0.14 32	0.10 23	0.15 39	0.12 25	0.08 49	0.08 88	0.08 50	0.08 56	0.08 51	0.11 111

UPFNet	0.16 64	0.08 41	0.12 25	0.20 90	0.12 99	0.20 83	0.23 130	0.28 76	0.26 65	0.17 46	0.24 52	0.22 63	0.19 80	0.19 67	0.21 94	0.09 66	0.07 72	0.08 50	0.09 72	0.08 51	0.06 29

DSFCA	0.16 64	0.09 54	0.14 41	0.16 30	0.10 60	0.20 83	0.19 96	0.28 76	0.31 84	0.23 90	0.24 52	0.22 63	0.15 55	0.19 67	0.20 83	0.10 81	0.07 72	0.09 70	0.09 72	0.08 51	0.08 64

HCRNet	0.16 64	0.24 157	0.12 25	0.35 171	0.11 77	0.15 40	0.17 63	0.26 63	0.22 44	0.19 61	0.24 52	0.21 55	0.14 48	0.15 39	0.13 33	0.11 95	0.07 72	0.11 100	0.10 93	0.09 69	0.07 50

GEStereo_RVC	0.17 73	0.12 88	0.15 51	0.22 117	0.11 77	0.19 77	0.17 63	0.32 98	0.48 143	0.20 67	0.25 60	0.17 43	0.13 39	0.21 90	0.16 64	0.10 81	0.06 46	0.08 50	0.07 46	0.09 69	0.08 64

MMNet	0.17 73	0.09 54	0.16 66	0.20 90	0.11 77	0.27 133	0.20 109	0.25 56	0.41 123	0.22 82	0.30 84	0.21 55	0.20 86	0.17 59	0.20 83	0.06 8	0.06 46	0.07 40	0.07 46	0.08 51	0.07 50

StereoDRNet-Refined	0.17 73	0.12 88	0.15 51	0.20 90	0.09 42	0.18 66	0.18 79	0.26 63	0.23 47	0.26 106	0.40 134	0.22 63	0.17 65	0.21 90	0.20 83	0.08 49	0.05 23	0.09 70	0.10 93	0.07 36	0.07 50
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DMCA-RVC	0.17 73	0.10 65	0.15 51	0.24 129	0.11 77	0.18 66	0.18 79	0.25 56	0.24 52	0.21 71	0.26 66	0.25 80	0.27 121	0.18 65	0.20 83	0.12 117	0.08 88	0.13 124	0.10 93	0.10 90	0.08 64

TDLM	0.17 73	0.12 88	0.13 36	0.24 129	0.10 60	0.18 66	0.18 79	0.36 133	0.30 81	0.21 71	0.28 75	0.28 93	0.18 70	0.23 105	0.18 75	0.11 95	0.07 72	0.10 85	0.10 93	0.08 51	0.08 64

HGLStereo	0.17 73	0.08 41	0.19 89	0.17 47	0.12 99	0.18 66	0.18 79	0.31 93	0.32 90	0.21 71	0.32 93	0.25 80	0.18 70	0.19 67	0.20 83	0.09 66	0.09 102	0.07 40	0.07 46	0.09 69	0.10 91

delet	0.17 73	0.08 41	0.17 73	0.19 81	0.11 77	0.20 83	0.21 119	0.30 91	0.37 110	0.17 46	0.26 66	0.19 51	0.19 80	0.19 67	0.21 94	0.08 49	0.08 88	0.09 70	0.11 109	0.06 26	0.06 29

UNet	0.17 73	0.09 54	0.18 83	0.19 81	0.12 99	0.27 133	0.19 96	0.33 112	0.29 79	0.21 71	0.24 52	0.23 71	0.19 80	0.19 67	0.18 75	0.07 29	0.06 46	0.08 50	0.07 46	0.08 51	0.06 29

NLCA_NET_v2_RVC	0.17 73	0.10 65	0.22 101	0.20 90	0.10 60	0.15 40	0.18 79	0.31 93	0.25 59	0.21 71	0.30 84	0.25 80	0.17 65	0.21 90	0.20 83	0.09 66	0.06 46	0.08 50	0.08 56	0.07 36	0.08 64
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
hitnet-ft	0.18 82	0.09 54	0.17 73	0.14 12	0.09 42	0.26 129	0.20 109	0.25 56	0.26 65	0.24 93	0.32 93	0.31 113	0.22 97	0.24 111	0.21 94	0.12 117	0.07 72	0.10 85	0.08 56	0.12 111	0.11 111

DLCB_ROB	0.18 82	0.10 65	0.15 51	0.23 126	0.11 77	0.24 115	0.18 79	0.29 83	0.28 74	0.27 112	0.28 75	0.28 93	0.24 107	0.19 67	0.20 83	0.08 49	0.08 88	0.09 70	0.09 72	0.07 36	0.07 50

psm_up	0.18 82	0.10 65	0.18 83	0.20 90	0.11 77	0.17 60	0.19 96	0.37 138	0.34 102	0.21 71	0.28 75	0.29 99	0.24 107	0.20 79	0.22 101	0.09 66	0.10 114	0.11 100	0.11 109	0.08 51	0.08 64

STTStereo	0.18 82	0.12 88	0.27 123	0.20 90	0.11 77	0.16 53	0.21 119	0.29 83	0.23 47	0.21 71	0.30 84	0.29 99	0.18 70	0.20 79	0.19 79	0.12 117	0.11 121	0.11 100	0.14 134	0.09 69	0.08 64

StereoDRNet	0.18 82	0.11 78	0.17 73	0.22 117	0.11 77	0.21 95	0.22 124	0.37 138	0.33 94	0.24 93	0.28 75	0.30 105	0.19 80	0.20 79	0.20 83	0.09 66	0.08 88	0.11 100	0.09 72	0.09 69	0.07 50

CVANet_RVC	0.18 82	0.10 65	0.14 41	0.21 107	0.10 60	0.18 66	0.17 63	0.34 119	0.33 94	0.22 82	0.31 90	0.28 93	0.18 70	0.23 105	0.17 69	0.12 117	0.08 88	0.12 113	0.11 109	0.09 69	0.07 50

ADCRef	0.19 88	0.12 88	0.41 156	0.20 90	0.12 99	0.22 100	0.18 79	0.32 98	0.36 107	0.26 106	0.32 93	0.17 43	0.23 101	0.24 111	0.24 115	0.07 29	0.06 46	0.09 70	0.09 72	0.08 51	0.08 64

NVstereo2D	0.19 88	0.10 65	0.15 51	0.17 47	0.15 132	0.28 138	0.23 130	0.44 162	0.42 128	0.15 38	0.27 72	0.25 80	0.19 80	0.22 97	0.17 69	0.09 66	0.06 46	0.10 85	0.08 56	0.15 144	0.09 82

DRN-Test	0.19 88	0.11 78	0.20 94	0.22 117	0.10 60	0.22 100	0.22 124	0.39 146	0.37 110	0.24 93	0.32 93	0.26 85	0.21 88	0.22 97	0.24 115	0.11 95	0.07 72	0.11 100	0.10 93	0.09 69	0.07 50

CBMV_ROB	0.19 88	0.13 104	0.17 73	0.16 30	0.11 77	0.15 40	0.13 20	0.26 63	0.28 74	0.27 112	0.30 84	0.27 88	0.24 107	0.23 105	0.16 64	0.15 147	0.17 158	0.22 162	0.20 157	0.10 90	0.11 111

CBMV	0.19 88	0.14 112	0.17 73	0.18 65	0.10 60	0.20 83	0.11 12	0.29 83	0.30 81	0.29 125	0.30 84	0.30 105	0.23 101	0.27 118	0.19 79	0.13 135	0.15 151	0.17 149	0.16 147	0.10 90	0.10 91
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 88	0.12 88	0.18 83	0.16 30	0.12 99	0.15 40	0.12 15	0.30 91	0.32 90	0.20 67	0.22 43	0.27 88	0.23 101	0.21 90	0.16 64	0.16 156	0.18 160	0.23 163	0.21 159	0.12 111	0.13 124

DISCO	0.19 88	0.09 54	0.22 101	0.17 47	0.10 60	0.25 123	0.18 79	0.27 73	0.44 135	0.22 82	0.31 90	0.33 121	0.26 114	0.28 126	0.28 143	0.08 49	0.06 46	0.07 40	0.07 46	0.09 69	0.09 82

PS-NSSS	0.20 95	0.21 151	0.23 110	0.20 90	0.10 60	0.19 77	0.17 63	0.36 133	0.25 59	0.27 112	0.33 104	0.27 88	0.24 107	0.20 79	0.20 83	0.15 147	0.12 129	0.17 149	0.14 134	0.10 90	0.08 64

GwcNet	0.20 95	0.13 104	0.19 89	0.18 65	0.12 99	0.24 115	0.19 96	0.35 128	0.43 132	0.20 67	0.32 93	0.33 121	0.20 86	0.22 97	0.24 115	0.11 95	0.09 102	0.09 70	0.09 72	0.09 69	0.10 91

PWCDC_ROB	0.20 95	0.13 104	0.22 101	0.24 129	0.11 77	0.19 77	0.15 44	0.33 112	0.54 159	0.29 125	0.50 156	0.21 55	0.15 55	0.27 118	0.20 83	0.11 95	0.09 102	0.10 85	0.08 56	0.11 100	0.09 82

SGM-Forest	0.20 95	0.14 112	0.18 83	0.19 81	0.13 112	0.20 83	0.22 124	0.33 112	0.30 81	0.24 93	0.29 81	0.28 93	0.19 80	0.23 105	0.17 69	0.15 147	0.16 154	0.15 141	0.14 134	0.12 111	0.12 117
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
ADCP+	0.20 95	0.10 65	0.33 140	0.20 90	0.12 99	0.22 100	0.26 144	0.31 93	0.34 102	0.26 106	0.37 117	0.22 63	0.22 97	0.27 118	0.27 135	0.09 66	0.06 46	0.08 50	0.08 56	0.09 69	0.10 91

FAT-Stereo	0.20 95	0.12 88	0.22 101	0.21 107	0.12 99	0.17 60	0.18 79	0.34 119	0.39 116	0.27 112	0.37 117	0.34 125	0.32 145	0.21 90	0.20 83	0.09 66	0.11 121	0.10 85	0.09 72	0.11 100	0.14 139

FADNet-RVC	0.20 95	0.20 147	0.38 152	0.21 107	0.16 139	0.20 83	0.15 44	0.26 63	0.26 65	0.26 106	0.32 93	0.26 85	0.21 88	0.22 97	0.19 79	0.12 117	0.13 141	0.12 113	0.14 134	0.13 124	0.18 157

S-Stereo	0.20 95	0.12 88	0.25 118	0.21 107	0.13 112	0.20 83	0.18 79	0.32 98	0.43 132	0.23 90	0.36 113	0.28 93	0.30 138	0.19 67	0.22 101	0.09 66	0.12 129	0.10 85	0.10 93	0.13 124	0.13 124

SuperB	0.20 95	0.10 65	0.56 166	0.16 30	0.09 42	0.18 66	0.18 79	0.24 50	0.50 150	0.26 106	0.39 129	0.17 43	0.21 88	0.22 97	0.21 94	0.08 49	0.06 46	0.06 18	0.06 29	0.12 111	0.10 91

FADNet	0.21 104	0.22 155	0.36 148	0.18 65	0.17 150	0.24 115	0.13 20	0.31 93	0.31 84	0.23 90	0.25 60	0.27 88	0.21 88	0.19 67	0.15 54	0.13 135	0.15 151	0.12 113	0.15 144	0.16 150	0.18 157

RP	0.21 104	0.13 104	0.21 97	0.23 126	0.11 77	0.21 95	0.20 109	0.25 56	0.44 135	0.21 71	0.38 121	0.36 131	0.24 107	0.27 118	0.25 123	0.11 95	0.12 129	0.13 124	0.12 123	0.12 111	0.14 139

Syn2CoEx	0.21 104	0.16 125	0.27 123	0.29 163	0.14 125	0.26 129	0.20 109	0.33 112	0.31 84	0.28 121	0.36 113	0.27 88	0.25 113	0.19 67	0.24 115	0.16 156	0.12 129	0.14 134	0.11 109	0.09 69	0.08 64

GANet	0.21 104	0.12 88	0.21 97	0.24 129	0.13 112	0.22 100	0.22 124	0.41 153	0.26 65	0.31 131	0.42 146	0.37 135	0.28 126	0.23 105	0.22 101	0.10 81	0.12 129	0.10 85	0.09 72	0.10 90	0.08 64

DANet	0.21 104	0.15 118	0.28 128	0.25 139	0.13 112	0.22 100	0.19 96	0.27 73	0.27 71	0.28 121	0.32 93	0.35 129	0.31 142	0.31 135	0.23 109	0.11 95	0.09 102	0.11 100	0.10 93	0.13 124	0.11 111
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FINET	0.21 104	0.18 139	0.26 119	0.18 65	0.16 139	0.23 111	0.23 130	0.32 98	0.48 143	0.25 103	0.32 93	0.22 63	0.22 97	0.22 97	0.17 69	0.18 160	0.16 154	0.11 100	0.10 93	0.15 144	0.13 124

PSMNet_ROB	0.21 104	0.11 78	0.15 51	0.27 153	0.15 132	0.24 115	0.35 169	0.43 160	0.37 110	0.27 112	0.32 93	0.32 118	0.22 97	0.21 90	0.26 130	0.12 117	0.08 88	0.13 124	0.11 109	0.09 69	0.09 82

PWC_ROB	0.21 104	0.16 125	0.26 119	0.18 65	0.11 77	0.22 100	0.13 20	0.32 98	0.49 148	0.30 128	0.40 134	0.32 118	0.24 107	0.31 135	0.22 101	0.10 81	0.07 72	0.11 100	0.08 56	0.11 100	0.10 91

XPNet_ROB	0.22 112	0.11 78	0.19 89	0.22 117	0.13 112	0.22 100	0.19 96	0.34 119	0.40 120	0.30 128	0.39 129	0.39 145	0.26 114	0.26 115	0.28 143	0.15 147	0.10 114	0.10 85	0.10 93	0.13 124	0.12 117

MDST_ROB	0.22 112	0.10 65	0.17 73	0.18 65	0.11 77	0.37 161	0.19 96	0.43 160	0.41 123	0.39 149	0.39 129	0.29 99	0.21 88	0.26 115	0.18 75	0.11 95	0.10 114	0.14 134	0.11 109	0.10 90	0.08 64

RYNet	0.22 112	0.12 88	0.22 101	0.19 81	0.17 150	0.46 166	0.26 144	0.38 143	0.48 143	0.24 93	0.28 75	0.34 125	0.23 101	0.20 79	0.30 150	0.10 81	0.06 46	0.09 70	0.09 72	0.13 124	0.15 143

NaN_ROB	0.22 112	0.19 142	0.24 113	0.25 139	0.13 112	0.29 141	0.26 144	0.33 112	0.41 123	0.31 131	0.31 90	0.32 118	0.23 101	0.30 134	0.21 94	0.11 95	0.17 158	0.10 85	0.10 93	0.08 51	0.09 82

MaskLacGwcNet_RVC	0.22 112	0.21 151	0.24 113	0.26 143	0.11 77	0.23 111	0.14 27	0.39 146	0.24 52	0.32 136	0.36 113	0.30 105	0.21 88	0.19 67	0.21 94	0.17 159	0.14 146	0.21 160	0.16 147	0.12 111	0.12 117

edge stereo	0.22 112	0.13 104	0.20 94	0.21 107	0.13 112	0.23 111	0.16 54	0.32 98	0.42 128	0.32 136	0.40 134	0.38 138	0.35 151	0.25 114	0.24 115	0.13 135	0.11 121	0.14 134	0.11 109	0.12 111	0.13 124

aanetorigin	0.22 112	0.17 134	0.56 166	0.17 47	0.10 60	0.15 40	0.19 96	0.20 26	0.33 94	0.49 164	0.48 153	0.29 99	0.27 121	0.20 79	0.23 109	0.08 49	0.07 72	0.08 50	0.07 46	0.10 90	0.09 82

APVNet	0.22 112	0.12 88	0.19 89	0.18 65	0.14 125	0.32 145	0.31 165	0.39 146	0.32 90	0.27 112	0.40 134	0.30 105	0.29 134	0.26 115	0.25 123	0.11 95	0.12 129	0.11 100	0.14 134	0.12 111	0.12 117

AF-Net	0.22 112	0.17 134	0.17 73	0.26 143	0.13 112	0.25 123	0.24 137	0.32 98	0.50 150	0.25 103	0.33 104	0.38 138	0.26 114	0.28 126	0.25 123	0.11 95	0.10 114	0.16 147	0.11 109	0.11 100	0.10 91

stereogan	0.22 112	0.11 78	0.21 97	0.20 90	0.12 99	0.31 144	0.19 96	0.35 128	0.44 135	0.22 82	0.39 129	0.35 129	0.27 121	0.33 142	0.22 101	0.10 81	0.12 129	0.10 85	0.10 93	0.14 136	0.13 124

RTSC	0.23 122	0.12 88	0.28 128	0.21 107	0.13 112	0.28 138	0.16 54	0.35 128	0.66 172	0.27 112	0.33 104	0.30 105	0.21 88	0.31 135	0.29 146	0.10 81	0.08 88	0.09 70	0.10 93	0.13 124	0.13 124

SGM_RVC	0.23 122	0.12 88	0.15 51	0.15 16	0.09 42	0.33 150	0.18 79	0.34 119	0.31 84	0.44 160	0.37 117	0.53 165	0.35 151	0.35 149	0.24 115	0.13 135	0.13 141	0.13 124	0.13 130	0.10 90	0.11 111
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Anonymous Stereo	0.23 122	0.19 142	0.50 162	0.24 129	0.17 150	0.21 95	0.21 119	0.33 112	0.44 135	0.25 103	0.34 108	0.26 85	0.18 70	0.31 135	0.27 135	0.13 135	0.12 129	0.12 113	0.13 130	0.11 100	0.14 139

ETE_ROB	0.23 122	0.17 134	0.22 101	0.25 139	0.13 112	0.26 129	0.29 156	0.31 93	0.36 107	0.28 121	0.36 113	0.45 156	0.26 114	0.27 118	0.26 130	0.11 95	0.08 88	0.12 113	0.09 72	0.14 136	0.13 124

Nwc_Net	0.23 122	0.16 125	0.21 97	0.25 139	0.14 125	0.24 115	0.26 144	0.37 138	0.38 114	0.22 82	0.41 143	0.30 105	0.28 126	0.28 126	0.25 123	0.11 95	0.10 114	0.17 149	0.20 157	0.10 90	0.10 91

NCCL2	0.23 122	0.15 118	0.17 73	0.34 169	0.18 156	0.24 115	0.23 130	0.34 119	0.28 74	0.31 131	0.38 121	0.38 138	0.28 126	0.23 105	0.24 115	0.15 147	0.12 129	0.18 155	0.21 159	0.13 124	0.13 124

PA-Net	0.23 122	0.18 139	0.33 140	0.28 156	0.22 164	0.21 95	0.38 173	0.29 83	0.39 116	0.22 82	0.32 93	0.25 80	0.26 114	0.20 79	0.25 123	0.09 66	0.23 174	0.15 141	0.22 162	0.09 69	0.13 124
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
ADCL	0.24 129	0.11 78	0.47 160	0.22 117	0.12 99	0.34 153	0.29 156	0.29 83	0.56 160	0.24 93	0.46 150	0.30 105	0.30 138	0.29 132	0.29 146	0.08 49	0.07 72	0.09 70	0.09 72	0.10 90	0.10 91

DeepPrunerF	0.24 129	0.17 134	0.42 157	0.26 143	0.16 139	0.22 100	0.28 153	0.37 138	0.50 150	0.26 106	0.29 81	0.24 75	0.28 126	0.21 90	0.22 101	0.15 147	0.11 121	0.20 159	0.18 155	0.12 111	0.13 124

DGSMNet	0.24 129	0.19 142	0.33 140	0.21 107	0.24 167	0.24 115	0.20 109	0.35 128	0.41 123	0.24 93	0.32 93	0.38 138	0.21 88	0.29 132	0.23 109	0.12 117	0.11 121	0.14 134	0.16 147	0.23 164	0.23 168

WCMA_ROB	0.24 129	0.11 78	0.22 101	0.17 47	0.14 125	0.32 145	0.15 44	0.32 98	0.32 90	0.38 147	0.53 157	0.40 147	0.34 149	0.34 144	0.25 123	0.11 95	0.12 129	0.12 113	0.10 93	0.14 136	0.14 139

NCC-stereo	0.24 129	0.15 118	0.31 136	0.26 143	0.16 139	0.20 83	0.30 159	0.40 149	0.40 120	0.24 93	0.38 121	0.33 121	0.28 126	0.36 154	0.27 135	0.12 117	0.11 121	0.15 141	0.22 162	0.13 124	0.13 124

FBW_ROB	0.24 129	0.17 134	0.22 101	0.26 143	0.14 125	0.25 123	0.22 124	0.41 153	0.41 123	0.41 155	0.41 143	0.42 150	0.27 121	0.31 135	0.23 109	0.09 66	0.14 146	0.14 134	0.12 123	0.11 100	0.09 82

G-Net	0.24 129	0.16 125	0.36 148	0.22 117	0.16 139	0.51 169	0.23 130	0.29 83	0.34 102	0.36 142	0.38 121	0.31 113	0.29 134	0.27 118	0.26 130	0.11 95	0.09 102	0.12 113	0.09 72	0.16 150	0.13 124

SANet	0.24 129	0.14 112	0.28 128	0.21 107	0.11 77	0.27 133	0.24 137	0.38 143	0.64 170	0.36 142	0.40 134	0.43 153	0.26 114	0.27 118	0.24 115	0.12 117	0.09 102	0.10 85	0.09 72	0.13 124	0.11 111

Abc-Net	0.24 129	0.15 118	0.31 136	0.26 143	0.16 139	0.20 83	0.30 159	0.40 149	0.40 120	0.24 93	0.38 121	0.33 121	0.28 126	0.36 154	0.27 135	0.12 117	0.11 121	0.15 141	0.22 162	0.13 124	0.13 124
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCPNet	0.25 138	0.16 125	0.61 169	0.21 107	0.15 132	0.35 160	0.25 141	0.32 98	0.35 105	0.30 128	0.40 134	0.36 131	0.28 126	0.28 126	0.32 155	0.12 117	0.10 114	0.11 100	0.12 123	0.14 136	0.13 124

psmorigin	0.25 138	0.15 118	0.34 147	0.17 47	0.13 112	0.23 111	0.14 27	0.34 119	0.33 94	0.41 155	0.55 160	0.41 149	0.37 155	0.34 144	0.27 135	0.11 95	0.15 151	0.11 100	0.11 109	0.12 111	0.16 152

LALA_ROB	0.25 138	0.16 125	0.22 101	0.26 143	0.17 150	0.27 133	0.27 150	0.42 157	0.37 110	0.33 139	0.38 121	0.51 162	0.26 114	0.28 126	0.27 135	0.16 156	0.09 102	0.12 113	0.11 109	0.13 124	0.12 117

RGC	0.25 138	0.20 147	0.29 133	0.28 156	0.16 139	0.22 100	0.23 130	0.32 98	0.44 135	0.27 112	0.40 134	0.38 138	0.27 121	0.36 154	0.22 101	0.11 95	0.13 141	0.17 149	0.17 153	0.14 136	0.16 152

ADCMid	0.25 138	0.15 118	0.40 154	0.20 90	0.14 125	0.25 123	0.26 144	0.34 119	0.38 114	0.36 142	0.44 149	0.34 125	0.40 160	0.35 149	0.33 157	0.10 81	0.09 102	0.11 100	0.11 109	0.13 124	0.12 117

SHD	0.26 143	0.15 118	0.30 135	0.24 129	0.18 156	0.22 100	0.15 44	0.38 143	0.71 174	0.32 136	0.41 143	0.36 131	0.28 126	0.32 141	0.29 146	0.12 117	0.11 121	0.14 134	0.13 130	0.16 150	0.20 163

AnyNet_C32	0.26 143	0.16 125	0.36 148	0.20 90	0.16 139	0.25 123	0.30 159	0.32 98	0.44 135	0.31 131	0.49 154	0.30 105	0.33 146	0.40 165	0.33 157	0.12 117	0.12 129	0.12 113	0.14 134	0.14 136	0.15 143

DispFullNet	0.27 145	0.21 151	0.65 171	0.28 156	0.16 139	0.26 129	0.17 63	0.33 112	0.58 163	0.27 112	0.38 121	0.43 153	0.23 101	0.38 159	0.23 109	0.12 117	0.06 46	0.19 157	0.11 109	0.21 162	0.15 143

MeshStereo	0.27 145	0.13 104	0.18 83	0.15 16	0.11 77	0.32 145	0.24 137	0.40 149	0.36 107	0.52 165	0.57 164	0.67 174	0.40 160	0.35 149	0.26 130	0.14 145	0.13 141	0.13 124	0.11 109	0.11 100	0.10 91
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	0.27 145	0.16 125	0.26 119	0.28 156	0.20 160	0.32 145	0.26 144	0.44 162	0.57 161	0.28 121	0.40 134	0.45 156	0.29 134	0.33 142	0.34 159	0.12 117	0.09 102	0.17 149	0.16 147	0.17 155	0.13 124

XQC	0.28 148	0.23 156	0.51 163	0.28 156	0.19 158	0.34 153	0.27 150	0.36 133	0.57 161	0.31 131	0.30 84	0.37 135	0.30 138	0.38 159	0.38 165	0.13 135	0.09 102	0.15 141	0.12 123	0.17 155	0.18 157

DPSNet	0.28 148	0.16 125	0.31 136	0.18 65	0.13 112	0.54 170	0.42 175	0.51 171	0.67 173	0.29 125	0.38 121	0.38 138	0.29 134	0.31 135	0.23 109	0.11 95	0.10 114	0.11 100	0.08 56	0.20 161	0.16 152

CC-Net-ROB	0.28 148	0.31 172	0.36 148	0.29 163	0.15 132	0.25 123	0.19 96	0.45 164	0.33 94	0.39 149	0.37 117	0.39 145	0.31 142	0.27 118	0.26 130	0.24 175	0.19 162	0.30 176	0.23 166	0.18 157	0.15 143

ADCS	0.29 151	0.18 139	0.45 158	0.21 107	0.17 150	0.28 138	0.23 130	0.41 153	0.63 169	0.40 152	0.49 154	0.40 147	0.36 153	0.39 162	0.40 169	0.13 135	0.12 129	0.13 124	0.14 134	0.16 150	0.16 152

ccnet	0.29 151	0.28 167	0.23 110	0.20 90	0.28 173	0.41 165	0.21 119	0.45 164	0.33 94	0.36 142	0.46 150	0.36 131	0.30 138	0.39 162	0.42 171	0.23 173	0.14 146	0.21 160	0.17 153	0.23 164	0.18 157

EDNetEfficient	0.29 151	0.24 157	1.13 177	0.18 65	0.10 60	0.19 77	0.20 109	0.20 26	0.60 167	0.74 178	0.56 163	0.31 113	0.39 157	0.22 97	0.30 150	0.09 66	0.07 72	0.08 50	0.07 46	0.11 100	0.09 82

CSAN	0.29 151	0.24 157	0.27 123	0.34 169	0.19 158	0.33 150	0.42 175	0.37 138	0.50 150	0.38 147	0.40 134	0.44 155	0.33 146	0.28 126	0.30 150	0.20 164	0.16 154	0.19 157	0.19 156	0.14 136	0.15 143

MFN_U_SF_DS_RVC	0.30 155	0.24 157	0.29 133	0.36 173	0.16 139	0.34 153	0.30 159	0.32 98	0.42 128	0.40 152	0.46 150	0.38 138	0.31 142	0.34 144	0.28 143	0.19 162	0.20 165	0.26 165	0.29 174	0.18 157	0.19 162

MSMD_ROB	0.31 156	0.26 163	0.26 119	0.24 129	0.21 162	0.34 153	0.25 141	0.34 119	0.39 116	0.40 152	0.69 170	0.45 156	0.40 160	0.34 144	0.27 135	0.20 164	0.19 162	0.26 165	0.25 168	0.23 164	0.22 167

GANetREF_RVC	0.31 156	0.34 174	0.27 123	0.35 171	0.16 139	0.32 145	0.41 174	0.48 167	0.51 157	0.35 140	0.35 110	0.34 125	0.33 146	0.39 162	0.32 155	0.27 176	0.20 165	0.29 174	0.15 144	0.18 157	0.17 156
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
SGM-ForestM	0.32 158	0.12 88	0.16 66	0.16 30	0.11 77	0.39 163	0.19 96	0.41 153	0.50 150	0.52 165	0.54 159	1.32 180	0.42 167	0.40 165	0.27 135	0.14 145	0.16 154	0.16 147	0.16 147	0.12 111	0.12 117

MFN_U_SF_RVC	0.32 158	0.21 151	0.55 165	0.30 165	0.15 132	0.34 153	0.17 63	0.52 172	0.46 142	0.46 163	0.55 160	0.59 168	0.39 157	0.35 149	0.37 163	0.15 147	0.14 146	0.18 155	0.21 159	0.16 150	0.15 143

PASM	0.32 158	0.24 157	0.48 161	0.28 156	0.27 172	0.29 141	0.30 159	0.34 119	0.49 148	0.35 140

Low-res two-view benchmark