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):

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 Infoalllakes. 1llakes. 1ssand box 1lsand box 1sstora. room 1lstora. room 1sstora. room 2lstora. room 2sstora. room 2 1lstora. room 2 1sstora. room 2 2lstora. room 2 2sstora. room 3lstora. room 3stunnel 1ltunnel 1stunnel 2ltunnel 2stunnel 3ltunnel 3s
sorted bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort by
R-Stereotwo views0.10
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
HITNettwo views0.10
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 Traintwo views0.10
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
MLCVtwo views0.12
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_ROBtwo views0.13
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
iResNettwo views0.13
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_RVCpermissivetwo views0.14
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_ROBtwo views0.14
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_ROBtwo views0.14
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_RVCtwo views0.14
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
ccstwo views0.14
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_robtwo views0.15
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
HSMtwo views0.15
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
CFNettwo views0.15
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
pmcnntwo views0.15
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
AdaStereotwo views0.15
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_ROBtwo views0.16
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_RVCtwo views0.16
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-ROBtwo views0.17
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
TDLMtwo views0.17
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-Refinedtwo views0.17
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_RVCtwo views0.17
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_RVCtwo views0.18
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
StereoDRNettwo views0.18
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_ROBtwo views0.18
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
ADCReftwo views0.19
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_ROBtwo views0.19
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
CBMVpermissivetwo views0.19
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_ROBtwo views0.19
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
DISCOtwo views0.19
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
NVstereo2Dtwo views0.19
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-Testtwo views0.19
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+two views0.20
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_ROBbinarytwo views0.20
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-Foresttwo views0.20
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
RPtwo views0.21
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_ROBbinarytwo views0.21
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
DANettwo views0.21
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
GANettwo views0.21
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_ROBtwo views0.21
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_ROBtwo views0.22
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_ROBtwo views0.22
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_ROBtwo views0.22
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-Nettwo views0.22
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
stereogantwo views0.22
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
RYNettwo views0.22
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_ROBtwo views0.23
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
NCCL2two views0.23
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 Stereotwo views0.23
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-Nettwo views0.23
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_RVCbinarytwo views0.23
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
RTSCtwo views0.23
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_ROBtwo views0.24
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
DeepPrunerFtwo views0.24
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
SANettwo views0.24
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
ADCLtwo views0.24
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_ROBtwo views0.24
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-stereotwo views0.24
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
ADCMidtwo views0.25
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-Nettwo views0.25
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_ROBtwo views0.25
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
RGCtwo views0.25
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
ADCPNettwo views0.25
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_C32two views0.26
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
SHDtwo views0.26
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
DispFullNettwo views0.27
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
MeshStereopermissivetwo views0.27
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_ROBtwo views0.27
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
XQCtwo views0.28
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
DPSNettwo views0.28
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_Nettwo views0.28
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
ADCStwo views0.29
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
CSANtwo views0.29
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_ROBtwo views0.31
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_RVCpermissivetwo views0.31
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-Nettwo views0.32
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
PASMtwo views0.32
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-ForestMtwo views0.32
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-DCNNcopylefttwo views0.33
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
LSMtwo views0.33
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_C01two views0.36
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
PVDtwo views0.39
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
SAMSARAtwo views0.40
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
ELAScopylefttwo views0.41
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_RVCcopylefttwo views0.41
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
MANEtwo views0.45
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
RTStwo views0.45
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
RTSAtwo views0.45
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_ROBtwo views0.46
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_ROBtwo views0.50
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+DAISYtwo views0.56
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-STEREOcopylefttwo views0.57
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_retwo views0.64
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
PWCKtwo views0.71
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+two views0.75
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 stereotwo views0.90
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_ROBtwo views1.11
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++two views1.95
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_ROBtwo views8.06
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_ROBtwo views8.06
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_ROBtwo views11.15
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
DPSMtwo views11.15
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_ROBtwo views20.38
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
LSM0two views22.87
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_ROBtwo views24.90
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
MSMDNettwo views0.13
4