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 81	0.15 65	0.05 1	0.07 24	0.11 25	0.09 10	0.04 2	0.06 9	0.05 7	0.06 11	0.04 1	0.08 13	0.09 50	0.06 92	0.04 3	0.05 3	0.03 1	0.05 74	0.05 95

MLG-Stereo_test1	0.06 1	0.05 16	0.08 18	0.17 189	0.05 1	0.06 8	0.11 25	0.08 3	0.03 1	0.05 1	0.04 1	0.06 11	0.05 9	0.09 23	0.09 50	0.05 7	0.04 3	0.05 3	0.03 1	0.04 3	0.04 20

FoundationStereo	0.06 1	0.04 1	0.08 18	0.12 4	0.05 1	0.09 62	0.13 77	0.06 1	0.09 15	0.05 1	0.05 7	0.06 11	0.04 1	0.06 1	0.07 1	0.06 92	0.04 3	0.05 3	0.03 1	0.05 74	0.04 20

111111	0.07 4	0.04 1	0.09 51	0.17 189	0.06 13	0.05 4	0.10 14	0.11 24	0.09 15	0.06 9	0.06 12	0.07 45	0.05 9	0.09 23	0.09 50	0.06 92	0.04 3	0.05 3	0.04 23	0.07 230	0.06 170

LG-Stereo_L2	0.07 4	0.05 16	0.10 81	0.14 25	0.06 13	0.07 24	0.12 42	0.09 10	0.09 15	0.06 9	0.04 1	0.05 1	0.05 9	0.08 13	0.08 17	0.05 7	0.04 3	0.05 3	0.03 1	0.04 3	0.03 1

LG-Stereo_L1	0.07 4	0.05 16	0.11 121	0.14 25	0.06 13	0.07 24	0.13 77	0.09 10	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 13	0.07 1	0.05 7	0.04 3	0.05 3	0.03 1	0.04 3	0.04 20

MLG-Stereo_test3	0.07 4	0.05 16	0.10 81	0.14 25	0.06 13	0.07 24	0.11 25	0.08 3	0.06 4	0.06 9	0.04 1	0.06 11	0.06 32	0.07 3	0.10 106	0.06 92	0.04 3	0.05 3	0.04 23	0.05 74	0.06 170

MLG-Stereo	0.07 4	0.05 16	0.08 18	0.17 189	0.05 1	0.07 24	0.11 25	0.08 3	0.04 2	0.05 1	0.04 1	0.06 11	0.05 9	0.10 44	0.09 50	0.05 7	0.04 3	0.05 3	0.03 1	0.04 3	0.04 20

LG-G_1	0.07 4	0.04 1	0.11 121	0.15 65	0.06 13	0.09 62	0.08 4	0.08 3	0.06 4	0.06 9	0.05 7	0.07 45	0.07 82	0.11 86	0.08 17	0.07 210	0.04 3	0.05 3	0.04 23	0.05 74	0.05 95

LG-G	0.07 4	0.04 1	0.11 121	0.15 65	0.06 13	0.09 62	0.08 4	0.08 3	0.06 4	0.06 9	0.05 7	0.07 45	0.07 82	0.11 86	0.08 17	0.07 210	0.04 3	0.05 3	0.04 23	0.05 74	0.05 95

LGtest1	0.07 4	0.04 1	0.10 81	0.15 65	0.06 13	0.07 24	0.09 8	0.08 3	0.06 4	0.05 1	0.04 1	0.06 11	0.06 32	0.10 44	0.09 50	0.07 210	0.04 3	0.05 3	0.04 23	0.06 164	0.06 170

LG-Stereo_Zeroshot	0.07 4	0.06 52	0.10 81	0.16 124	0.07 52	0.04 1	0.13 77	0.10 15	0.10 27	0.05 1	0.11 119	0.07 45	0.05 9	0.07 3	0.09 50	0.06 92	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

GREAT-IGEV	0.07 4	0.06 52	0.08 18	0.13 12	0.07 52	0.07 24	0.14 123	0.09 10	0.09 15	0.06 9	0.07 31	0.06 11	0.05 9	0.10 44	0.07 1	0.05 7	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

StereoAnything_RVC	0.07 4	0.15 427	0.17 345	0.11 1	0.05 1	0.05 4	0.11 25	0.08 3	0.08 10	0.06 9	0.06 12	0.05 1	0.05 9	0.09 23	0.08 17	0.08 270	0.04 3	0.05 3	0.03 1	0.05 74	0.04 20

AIO_rvc	0.07 4	0.06 52	0.08 18	0.15 65	0.06 13	0.08 41	0.14 123	0.09 10	0.08 10	0.07 24	0.08 53	0.07 45	0.04 1	0.10 44	0.08 17	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.03 1

AIO_test	0.07 4	0.05 16	0.07 4	0.15 65	0.07 52	0.06 8	0.14 123	0.10 15	0.10 27	0.07 24	0.07 31	0.06 11	0.05 9	0.08 13	0.10 106	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.03 1

MonSter	0.07 4	0.06 52	0.05 1	0.15 65	0.05 1	0.07 24	0.10 14	0.15 85	0.15 132	0.05 1	0.06 12	0.05 1	0.06 32	0.07 3	0.09 50	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

DEFOM-Stereo	0.07 4	0.05 16	0.07 4	0.14 25	0.06 13	0.10 102	0.13 77	0.07 2	0.13 96	0.06 9	0.07 31	0.06 11	0.05 9	0.10 44	0.09 50	0.04 1	0.04 3	0.05 3	0.03 1	0.04 3	0.04 20

dual_stereo	0.07 4	0.04 1	0.08 18	0.15 65	0.05 1	0.05 4	0.13 77	0.12 38	0.08 10	0.07 24	0.06 12	0.05 1	0.05 9	0.07 3	0.09 50	0.06 92	0.04 3	0.05 3	0.03 1	0.04 3	0.04 20

IGEV-Stereo++	0.07 4	0.06 52	0.08 18	0.18 269	0.06 13	0.04 1	0.10 14	0.11 24	0.11 50	0.06 9	0.07 31	0.07 45	0.06 32	0.09 23	0.09 50	0.05 7	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

IGEV-Stereo+	0.07 4	0.04 1	0.08 18	0.15 65	0.06 13	0.04 1	0.09 8	0.10 15	0.09 15	0.06 9	0.06 12	0.06 11	0.06 32	0.06 1	0.08 17	0.06 92	0.04 3	0.05 3	0.04 23	0.06 164	0.06 170

Selective-IGEV	0.07 4	0.06 52	0.08 18	0.17 189	0.06 13	0.08 41	0.12 42	0.13 50	0.07 8	0.08 44	0.07 31	0.06 11	0.04 1	0.10 44	0.09 50	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.03 1

LG-Stereo	0.08 23	0.07 125	0.10 81	0.18 269	0.07 52	0.10 102	0.17 285	0.11 24	0.08 10	0.05 1	0.07 31	0.05 1	0.07 82	0.09 23	0.09 50	0.04 1	0.05 160	0.07 165	0.07 242	0.04 3	0.04 20

SGD-Stereo	0.08 23	0.05 16	0.10 81	0.14 25	0.05 1	0.12 177	0.12 42	0.11 24	0.12 66	0.07 24	0.09 66	0.09 97	0.09 141	0.08 13	0.08 17	0.06 92	0.04 3	0.05 3	0.04 23	0.05 74	0.03 1

HART	0.08 23	0.07 125	0.09 51	0.17 189	0.07 52	0.10 102	0.16 254	0.13 50	0.11 50	0.08 44	0.10 91	0.07 45	0.05 9	0.10 44	0.08 17	0.05 7	0.04 3	0.06 75	0.04 23	0.05 74	0.04 20

Reg-Stereo(zero)	0.08 23	0.05 16	0.08 18	0.16 124	0.06 13	0.12 177	0.11 25	0.15 85	0.10 27	0.12 162	0.09 66	0.10 125	0.08 115	0.11 86	0.08 17	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.05 95

SCV_C0	0.08 23	0.07 125	0.07 4	0.16 124	0.09 208	0.08 41	0.15 189	0.11 24	0.12 66	0.08 44	0.07 31	0.06 11	0.05 9	0.11 86	0.07 1	0.05 7	0.05 160	0.05 3	0.04 23	0.06 164	0.05 95

SCV	0.08 23	0.09 283	0.08 18	0.15 65	0.08 101	0.10 102	0.13 77	0.10 15	0.12 66	0.07 24	0.07 31	0.06 11	0.04 1	0.09 23	0.08 17	0.05 7	0.04 3	0.06 75	0.04 23	0.06 164	0.04 20

DEFOM-Stereo_RVC	0.08 23	0.06 52	0.09 51	0.22 417	0.06 13	0.08 41	0.12 42	0.10 15	0.10 27	0.07 24	0.07 31	0.06 11	0.05 9	0.11 86	0.09 50	0.06 92	0.04 3	0.05 3	0.03 1	0.06 164	0.04 20

HUF	0.08 23	0.05 16	0.08 18	0.14 25	0.06 13	0.09 62	0.13 77	0.13 50	0.13 96	0.07 24	0.07 31	0.08 73	0.06 32	0.10 44	0.09 50	0.06 92	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

castereo++	0.08 23	0.05 16	0.08 18	0.15 65	0.05 1	0.14 247	0.12 42	0.11 24	0.15 132	0.07 24	0.07 31	0.07 45	0.06 32	0.08 13	0.08 17	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.03 1

IGEV-RUCA	0.08 23	0.06 52	0.11 121	0.14 25	0.09 208	0.10 102	0.12 42	0.10 15	0.12 66	0.06 9	0.07 31	0.07 45	0.06 32	0.09 23	0.08 17	0.06 92	0.05 160	0.05 3	0.04 23	0.05 74	0.06 170

GIP-stereo	0.08 23	0.06 52	0.11 121	0.14 25	0.06 13	0.09 62	0.13 77	0.14 65	0.11 50	0.07 24	0.08 53	0.05 1	0.04 1	0.10 44	0.07 1	0.05 7	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

SMoEStereo_RVC	0.08 23	0.06 52	0.12 155	0.16 124	0.07 52	0.09 62	0.14 123	0.11 24	0.13 96	0.09 69	0.07 31	0.07 45	0.07 82	0.12 164	0.10 106	0.05 7	0.04 3	0.06 75	0.05 81	0.04 3	0.04 20

WCG-NET	0.08 23	0.05 16	0.09 51	0.15 65	0.06 13	0.11 144	0.14 123	0.13 50	0.13 96	0.06 9	0.09 66	0.07 45	0.06 32	0.13 205	0.08 17	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.03 1

Occ-G	0.08 23	0.05 16	0.06 2	0.14 25	0.07 52	0.08 41	0.14 123	0.13 50	0.15 132	0.07 24	0.11 119	0.07 45	0.05 9	0.09 23	0.10 106	0.06 92	0.05 160	0.05 3	0.04 23	0.05 74	0.05 95

U	0.08 23	0.07 125	0.09 51	0.19 325	0.10 309	0.10 102	0.13 77	0.12 38	0.17 175	0.07 24	0.07 31	0.06 11	0.05 9	0.07 3	0.08 17	0.06 92	0.04 3	0.06 75	0.04 23	0.06 164	0.05 95

AIO-Stereo	0.08 23	0.06 52	0.09 51	0.18 269	0.06 13	0.08 41	0.12 42	0.15 85	0.09 15	0.08 44	0.08 53	0.07 45	0.05 9	0.11 86	0.08 17	0.05 7	0.05 160	0.05 3	0.04 23	0.04 3	0.04 20

WCG-NET（raft）	0.08 23	0.05 16	0.10 81	0.15 65	0.06 13	0.11 144	0.13 77	0.15 85	0.12 66	0.08 44	0.07 31	0.06 11	0.06 32	0.13 205	0.08 17	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.04 20

RSM++	0.08 23	0.06 52	0.09 51	0.17 189	0.07 52	0.09 62	0.12 42	0.11 24	0.11 50	0.08 44	0.06 12	0.07 45	0.05 9	0.10 44	0.09 50	0.04 1	0.04 3	0.06 75	0.05 81	0.05 74	0.03 1

RSM	0.08 23	0.06 52	0.09 51	0.17 189	0.06 13	0.08 41	0.12 42	0.12 38	0.10 27	0.08 44	0.07 31	0.06 11	0.05 9	0.11 86	0.09 50	0.04 1	0.04 3	0.05 3	0.04 23	0.04 3	0.03 1

trnet	0.08 23	0.05 16	0.07 4	0.12 4	0.05 1	0.12 177	0.11 25	0.13 50	0.10 27	0.08 44	0.13 144	0.09 97	0.08 115	0.11 86	0.10 106	0.08 270	0.05 160	0.05 3	0.03 1	0.06 164	0.05 95

MoCha-V2	0.08 23	0.05 16	0.10 81	0.20 373	0.07 52	0.09 62	0.14 123	0.11 24	0.08 10	0.07 24	0.08 53	0.07 45	0.06 32	0.09 23	0.08 17	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.04 20

IGEV++	0.08 23	0.06 52	0.08 18	0.18 269	0.07 52	0.09 62	0.13 77	0.10 15	0.09 15	0.08 44	0.08 53	0.06 11	0.06 32	0.13 205	0.09 50	0.05 7	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

testlalala	0.08 23	0.07 125	0.17 345	0.16 124	0.08 101	0.09 62	0.12 42	0.15 85	0.10 27	0.07 24	0.09 66	0.06 11	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.04 23	0.04 3	0.04 20

AEACV	0.08 23	0.05 16	0.08 18	0.14 25	0.13 408	0.14 247	0.13 77	0.14 65	0.09 15	0.07 24	0.09 66	0.07 45	0.08 115	0.10 44	0.09 50	0.06 92	0.04 3	0.06 75	0.05 81	0.05 74	0.04 20

LoS_RVC	0.08 23	0.05 16	0.07 4	0.15 65	0.07 52	0.08 41	0.15 189	0.11 24	0.10 27	0.08 44	0.09 66	0.06 11	0.09 141	0.10 44	0.09 50	0.05 7	0.04 3	0.05 3	0.03 1	0.04 3	0.03 1

CAS	0.08 23	0.04 1	0.07 4	0.17 189	0.08 101	0.10 102	0.13 77	0.12 38	0.09 15	0.09 69	0.10 91	0.08 73	0.06 32	0.09 23	0.08 17	0.08 270	0.04 3	0.05 3	0.03 1	0.05 74	0.04 20

CES	0.08 23	0.04 1	0.08 18	0.14 25	0.07 52	0.09 62	0.14 123	0.11 24	0.09 15	0.08 44	0.09 66	0.11 146	0.06 32	0.12 164	0.08 17	0.06 92	0.04 3	0.05 3	0.03 1	0.05 74	0.05 95

EGLCR-Stereo	0.08 23	0.05 16	0.08 18	0.14 25	0.06 13	0.10 102	0.12 42	0.11 24	0.16 157	0.06 9	0.05 7	0.07 45	0.05 9	0.10 44	0.11 159	0.06 92	0.04 3	0.06 75	0.05 81	0.04 3	0.04 20

MC-Stereo	0.08 23	0.06 52	0.09 51	0.17 189	0.06 13	0.10 102	0.14 123	0.12 38	0.10 27	0.09 69	0.12 131	0.09 97	0.06 32	0.11 86	0.10 106	0.06 92	0.04 3	0.06 75	0.05 81	0.04 3	0.04 20

test-3	0.08 23	0.06 52	0.09 51	0.17 189	0.07 52	0.07 24	0.14 123	0.12 38	0.15 132	0.09 69	0.08 53	0.07 45	0.08 115	0.11 86	0.10 106	0.05 7	0.04 3	0.07 165	0.05 81	0.04 3	0.04 20

test_1	0.08 23	0.06 52	0.09 51	0.17 189	0.07 52	0.07 24	0.14 123	0.12 38	0.15 132	0.09 69	0.08 53	0.07 45	0.08 115	0.11 86	0.10 106	0.05 7	0.04 3	0.07 165	0.05 81	0.04 3	0.04 20

CREStereo++_RVC	0.08 23	0.04 1	0.06 2	0.13 12	0.07 52	0.09 62	0.12 42	0.14 65	0.14 118	0.10 100	0.14 158	0.08 73	0.07 82	0.09 23	0.11 159	0.06 92	0.04 3	0.05 3	0.05 81	0.04 3	0.04 20
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
S2M2	0.09 55	0.08 217	0.11 121	0.13 12	0.10 309	0.08 41	0.06 1	0.10 15	0.10 27	0.10 100	0.09 66	0.10 125	0.09 141	0.11 86	0.11 159	0.13 438	0.07 345	0.08 246	0.09 350	0.10 381	0.08 313

MM-Stereo_test2	0.09 55	0.06 52	0.09 51	0.19 325	0.08 101	0.12 177	0.18 330	0.15 85	0.14 118	0.07 24	0.10 91	0.07 45	0.06 32	0.12 164	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.03 1

castereo	0.09 55	0.06 52	0.11 121	0.15 65	0.06 13	0.11 144	0.15 189	0.14 65	0.18 201	0.08 44	0.10 91	0.11 146	0.08 115	0.09 23	0.10 106	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.03 1

fffft	0.09 55	0.06 52	0.12 155	0.16 124	0.07 52	0.09 62	0.17 285	0.12 38	0.11 50	0.08 44	0.07 31	0.09 97	0.06 32	0.11 86	0.12 206	0.05 7	0.04 3	0.06 75	0.05 81	0.04 3	0.05 95
1: 1. 1
tt45	0.09 55	0.06 52	0.11 121	0.15 65	0.07 52	0.11 144	0.16 254	0.13 50	0.11 50	0.09 69	0.06 12	0.08 73	0.06 32	0.13 205	0.10 106	0.06 92	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170

999	0.09 55	0.05 16	0.13 200	0.15 65	0.08 101	0.10 102	0.14 123	0.15 85	0.11 50	0.10 100	0.08 53	0.08 73	0.08 115	0.16 286	0.10 106	0.06 92	0.04 3	0.06 75	0.05 81	0.04 3	0.05 95

mms	0.09 55	0.07 125	0.08 18	0.16 124	0.08 101	0.10 102	0.16 254	0.12 38	0.11 50	0.08 44	0.09 66	0.08 73	0.06 32	0.11 86	0.12 206	0.05 7	0.04 3	0.07 165	0.05 81	0.04 3	0.03 1

ours_stereo	0.09 55	0.07 125	0.09 51	0.17 189	0.08 101	0.11 144	0.16 254	0.11 24	0.12 66	0.08 44	0.10 91	0.08 73	0.06 32	0.12 164	0.12 206	0.05 7	0.04 3	0.06 75	0.05 81	0.04 3	0.03 1

fffy	0.09 55	0.08 217	0.09 51	0.16 124	0.07 52	0.13 215	0.17 285	0.13 50	0.12 66	0.08 44	0.09 66	0.08 73	0.09 141	0.13 205	0.11 159	0.05 7	0.05 160	0.07 165	0.05 81	0.04 3	0.05 95

PAM_32	0.09 55	0.05 16	0.17 345	0.15 65	0.08 101	0.10 102	0.15 189	0.14 65	0.15 132	0.09 69	0.08 53	0.09 97	0.07 82	0.14 230	0.08 17	0.06 92	0.05 160	0.06 75	0.06 155	0.05 74	0.06 170

UGAM-zero	0.09 55	0.05 16	0.15 283	0.15 65	0.08 101	0.09 62	0.13 77	0.19 191	0.15 132	0.11 126	0.15 175	0.07 45	0.07 82	0.09 23	0.09 50	0.06 92	0.05 160	0.06 75	0.05 81	0.05 74	0.06 170

GCAP-BAT	0.09 55	0.07 125	0.14 234	0.15 65	0.08 101	0.10 102	0.13 77	0.14 65	0.10 27	0.11 126	0.10 91	0.08 73	0.07 82	0.12 164	0.10 106	0.06 92	0.05 160	0.06 75	0.04 23	0.04 3	0.04 20

Pointernet	0.09 55	0.04 1	0.09 51	0.16 124	0.08 101	0.13 215	0.10 14	0.15 85	0.17 175	0.09 69	0.07 31	0.06 11	0.06 32	0.11 86	0.09 50	0.08 270	0.04 3	0.05 3	0.03 1	0.06 164	0.05 95

IGEV-BASED-STEREO-	0.09 55	0.10 338	0.31 450	0.15 65	0.06 13	0.08 41	0.14 123	0.10 15	0.10 27	0.07 24	0.07 31	0.06 11	0.04 1	0.11 86	0.07 1	0.12 415	0.04 3	0.07 165	0.05 81	0.05 74	0.05 95

RAFT-Stereo-weight	0.09 55	0.06 52	0.10 81	0.16 124	0.07 52	0.09 62	0.14 123	0.19 191	0.16 157	0.11 126	0.10 91	0.08 73	0.06 32	0.10 44	0.11 159	0.06 92	0.04 3	0.06 75	0.04 23	0.04 3	0.04 20

gcap-zeroshot	0.09 55	0.05 16	0.10 81	0.16 124	0.07 52	0.13 215	0.13 77	0.11 24	0.12 66	0.13 189	0.12 131	0.09 97	0.08 115	0.09 23	0.09 50	0.06 92	0.05 160	0.06 75	0.05 81	0.04 3	0.04 20

test_for_model	0.09 55	0.12 380	0.14 234	0.23 437	0.11 356	0.08 41	0.13 77	0.12 38	0.12 66	0.10 100	0.07 31	0.07 45	0.06 32	0.11 86	0.10 106	0.06 92	0.05 160	0.05 3	0.03 1	0.07 230	0.04 20

MGS-Stereo	0.09 55	0.07 125	0.12 155	0.15 65	0.08 101	0.09 62	0.15 189	0.12 38	0.12 66	0.07 24	0.10 91	0.08 73	0.06 32	0.10 44	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.06 164	0.05 95

ff7	0.09 55	0.07 125	0.11 121	0.16 124	0.09 208	0.11 144	0.15 189	0.16 110	0.12 66	0.10 100	0.06 12	0.06 11	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170

IGEVStereo-DCA	0.09 55	0.06 52	0.11 121	0.15 65	0.10 309	0.11 144	0.15 189	0.16 110	0.12 66	0.10 100	0.06 12	0.08 73	0.06 32	0.10 44	0.08 17	0.06 92	0.05 160	0.06 75	0.05 81	0.05 74	0.06 170

ffff	0.09 55	0.07 125	0.11 121	0.16 124	0.09 208	0.11 144	0.15 189	0.16 110	0.12 66	0.10 100	0.06 12	0.06 11	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170

rrr	0.09 55	0.06 52	0.12 155	0.15 65	0.10 309	0.11 144	0.16 254	0.16 110	0.15 132	0.10 100	0.06 12	0.08 73	0.06 32	0.10 44	0.08 17	0.06 92	0.05 160	0.06 75	0.05 81	0.05 74	0.06 170

11t	0.09 55	0.07 125	0.11 121	0.16 124	0.09 208	0.11 144	0.15 189	0.16 110	0.12 66	0.10 100	0.06 12	0.06 11	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170

MaDis-Stereo	0.09 55	0.09 283	0.08 18	0.17 189	0.09 208	0.13 215	0.10 14	0.16 110	0.16 157	0.09 69	0.11 119	0.06 11	0.06 32	0.09 23	0.13 247	0.07 210	0.06 276	0.07 165	0.05 81	0.05 74	0.04 20

IGEV_Zeroshot_test	0.09 55	0.05 16	0.12 155	0.13 12	0.08 101	0.12 177	0.13 77	0.17 143	0.11 50	0.10 100	0.06 12	0.09 97	0.06 32	0.11 86	0.09 50	0.06 92	0.04 3	0.06 75	0.06 155	0.05 74	0.05 95

MSKI-zero shot	0.09 55	0.05 16	0.09 51	0.15 65	0.07 52	0.10 102	0.13 77	0.14 65	0.13 96	0.09 69	0.09 66	0.09 97	0.06 32	0.12 164	0.10 106	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.04 20

UniTT-Stereo	0.09 55	0.07 125	0.08 18	0.18 269	0.08 101	0.13 215	0.11 25	0.12 38	0.11 50	0.10 100	0.12 131	0.05 1	0.07 82	0.09 23	0.09 50	0.07 210	0.05 160	0.05 3	0.05 81	0.05 74	0.05 95

MIM_Stereo	0.09 55	0.07 125	0.11 121	0.15 65	0.07 52	0.06 8	0.12 42	0.20 202	0.14 118	0.13 189	0.13 144	0.09 97	0.05 9	0.12 164	0.08 17	0.05 7	0.06 276	0.07 165	0.06 155	0.06 164	0.05 95

CASnet	0.09 55	0.09 283	0.09 51	0.19 325	0.06 13	0.07 24	0.11 25	0.18 172	0.14 118	0.11 126	0.10 91	0.09 97	0.07 82	0.10 44	0.10 106	0.06 92	0.04 3	0.10 370	0.08 306	0.05 74	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 55	0.07 125	0.13 200	0.18 269	0.06 13	0.11 144	0.07 2	0.13 50	0.12 66	0.09 69	0.10 91	0.07 45	0.09 141	0.13 205	0.10 106	0.06 92	0.05 160	0.05 3	0.04 23	0.04 3	0.05 95

RAFT-Test	0.09 55	0.06 52	0.10 81	0.15 65	0.07 52	0.11 144	0.15 189	0.16 110	0.13 96	0.09 69	0.10 91	0.10 125	0.09 141	0.12 164	0.09 50	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.05 95

HH	0.09 55	0.06 52	0.13 200	0.17 189	0.08 101	0.10 102	0.16 254	0.14 65	0.10 27	0.08 44	0.09 66	0.08 73	0.07 82	0.10 44	0.09 50	0.06 92	0.04 3	0.06 75	0.05 81	0.05 74	0.04 20

HanStereo	0.09 55	0.06 52	0.13 200	0.17 189	0.08 101	0.10 102	0.16 254	0.14 65	0.10 27	0.08 44	0.09 66	0.08 73	0.07 82	0.10 44	0.09 50	0.06 92	0.04 3	0.06 75	0.05 81	0.05 74	0.04 20

4D-IteraStereo	0.09 55	0.07 125	0.10 81	0.18 269	0.07 52	0.09 62	0.15 189	0.17 143	0.15 132	0.10 100	0.11 119	0.10 125	0.07 82	0.11 86	0.09 50	0.05 7	0.03 1	0.08 246	0.07 242	0.06 164	0.05 95

anonymousdsp	0.09 55	0.07 125	0.11 121	0.16 124	0.09 208	0.11 144	0.15 189	0.16 110	0.12 66	0.09 69	0.06 12	0.06 11	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170

LoS	0.09 55	0.05 16	0.11 121	0.13 12	0.07 52	0.14 247	0.11 25	0.15 85	0.15 132	0.09 69	0.09 66	0.12 163	0.09 141	0.15 252	0.10 106	0.07 210	0.05 160	0.05 3	0.03 1	0.05 74	0.05 95
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 55	0.07 125	0.10 81	0.17 189	0.08 101	0.10 102	0.15 189	0.15 85	0.12 66	0.09 69	0.06 12	0.07 45	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.04 3	0.06 170

RCA-Stereo	0.09 55	0.06 52	0.09 51	0.16 124	0.06 13	0.09 62	0.13 77	0.18 172	0.14 118	0.09 69	0.10 91	0.08 73	0.07 82	0.12 164	0.11 159	0.06 92	0.04 3	0.06 75	0.05 81	0.05 74	0.04 20

CroCo-Stereo Lap2	0.09 55	0.09 283	0.08 18	0.22 417	0.09 208	0.09 62	0.19 368	0.16 110	0.12 66	0.09 69	0.10 91	0.05 1	0.05 9	0.08 13	0.08 17	0.06 92	0.06 276	0.07 165	0.05 81	0.05 74	0.05 95

ccc-4	0.09 55	0.07 125	0.11 121	0.16 124	0.09 208	0.11 144	0.15 189	0.16 110	0.12 66	0.10 100	0.06 12	0.06 11	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170

IGEV-Stereo	0.09 55	0.07 125	0.11 121	0.16 124	0.09 208	0.11 144	0.15 189	0.16 110	0.12 66	0.09 69	0.06 12	0.06 11	0.06 32	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 55	0.05 16	0.13 200	0.14 25	0.08 101	0.12 177	0.15 189	0.18 172	0.10 27	0.11 126	0.08 53	0.08 73	0.05 9	0.10 44	0.09 50	0.06 92	0.04 3	0.06 75	0.05 81	0.06 164	0.05 95

TRStereo	0.09 55	0.05 16	0.12 155	0.15 65	0.12 387	0.10 102	0.13 77	0.18 172	0.18 201	0.09 69	0.09 66	0.09 97	0.06 32	0.10 44	0.08 17	0.07 210	0.05 160	0.07 165	0.07 242	0.04 3	0.04 20

AnonymousM	0.09 55	0.05 16	0.10 81	0.14 25	0.06 13	0.09 62	0.13 77	0.19 191	0.14 118	0.13 189	0.11 119	0.09 97	0.08 115	0.13 205	0.10 106	0.08 270	0.05 160	0.08 246	0.05 81	0.05 74	0.05 95

CroCo-Stereo	0.09 55	0.08 217	0.08 18	0.22 417	0.09 208	0.09 62	0.19 368	0.15 85	0.12 66	0.07 24	0.07 31	0.08 73	0.06 32	0.08 13	0.07 1	0.07 210	0.05 160	0.06 75	0.04 23	0.05 74	0.04 20
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 55	0.06 52	0.07 4	0.15 65	0.05 1	0.16 302	0.18 330	0.15 85	0.15 132	0.10 100	0.11 119	0.11 146	0.11 196	0.10 44	0.12 206	0.05 7	0.04 3	0.05 3	0.04 23	0.04 3	0.04 20

TANstereo	0.09 55	0.04 1	0.08 18	0.13 12	0.06 13	0.11 144	0.14 123	0.15 85	0.19 215	0.11 126	0.15 175	0.10 125	0.06 32	0.12 164	0.09 50	0.07 210	0.05 160	0.05 3	0.04 23	0.06 164	0.05 95

XX-TBD	0.09 55	0.06 52	0.07 4	0.14 25	0.07 52	0.12 177	0.16 254	0.14 65	0.13 96	0.11 126	0.12 131	0.09 97	0.08 115	0.10 44	0.10 106	0.06 92	0.04 3	0.05 3	0.03 1	0.06 164	0.05 95

raftrobust	0.09 55	0.06 52	0.10 81	0.17 189	0.08 101	0.09 62	0.10 14	0.18 172	0.16 157	0.10 100	0.09 66	0.12 163	0.07 82	0.12 164	0.10 106	0.08 270	0.05 160	0.06 75	0.05 81	0.05 74	0.05 95

XX-Stereo	0.09 55	0.05 16	0.08 18	0.17 189	0.09 208	0.15 272	0.12 42	0.20 202	0.10 27	0.10 100	0.14 158	0.07 45	0.06 32	0.12 164	0.08 17	0.06 92	0.05 160	0.06 75	0.06 155	0.04 3	0.04 20

test_xeample3	0.09 55	0.06 52	0.12 155	0.16 124	0.09 208	0.11 144	0.15 189	0.16 110	0.13 96	0.10 100	0.06 12	0.08 73	0.06 32	0.10 44	0.09 50	0.05 7	0.04 3	0.06 75	0.05 81	0.05 74	0.06 170

RAFT-Stereo + iAFF	0.09 55	0.06 52	0.10 81	0.17 189	0.06 13	0.10 102	0.16 254	0.17 143	0.14 118	0.09 69	0.10 91	0.08 73	0.09 141	0.11 86	0.09 50	0.05 7	0.04 3	0.06 75	0.06 155	0.04 3	0.03 1

AFF-stereo	0.09 55	0.06 52	0.10 81	0.17 189	0.07 52	0.10 102	0.16 254	0.17 143	0.09 15	0.10 100	0.12 131	0.09 97	0.09 141	0.12 164	0.09 50	0.05 7	0.04 3	0.07 165	0.07 242	0.04 3	0.03 1

EAI-Stereo	0.09 55	0.07 125	0.11 121	0.15 65	0.06 13	0.10 102	0.15 189	0.16 110	0.09 15	0.08 44	0.09 66	0.08 73	0.07 82	0.09 23	0.11 159	0.05 7	0.04 3	0.05 3	0.05 81	0.05 74	0.04 20

CFNet-RSSM	0.09 55	0.07 125	0.09 51	0.16 124	0.07 52	0.09 62	0.15 189	0.16 110	0.17 175	0.08 44	0.12 131	0.10 125	0.09 141	0.11 86	0.09 50	0.06 92	0.04 3	0.06 75	0.04 23	0.04 3	0.04 20

Gwc-CoAtRS	0.09 55	0.06 52	0.10 81	0.16 124	0.07 52	0.10 102	0.14 123	0.17 143	0.17 175	0.08 44	0.10 91	0.12 163	0.09 141	0.12 164	0.09 50	0.06 92	0.04 3	0.06 75	0.04 23	0.04 3	0.04 20

CREStereo	0.09 55	0.04 1	0.08 18	0.11 1	0.06 13	0.13 215	0.14 123	0.14 65	0.10 27	0.08 44	0.13 144	0.09 97	0.08 115	0.11 86	0.10 106	0.08 270	0.04 3	0.05 3	0.03 1	0.06 164	0.06 170
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 55	0.05 16	0.09 51	0.12 4	0.06 13	0.12 177	0.14 123	0.15 85	0.11 50	0.09 69	0.13 144	0.10 125	0.07 82	0.13 205	0.10 106	0.15 455	0.04 3	0.05 3	0.03 1	0.07 230	0.06 170

MM-Stereo_test3	0.10 113	0.07 125	0.07 4	0.18 269	0.07 52	0.12 177	0.19 368	0.24 286	0.19 215	0.06 9	0.10 91	0.08 73	0.06 32	0.11 86	0.08 17	0.06 92	0.06 276	0.07 165	0.05 81	0.05 74	0.04 20

MM-Stereo_test1	0.10 113	0.07 125	0.08 18	0.18 269	0.07 52	0.12 177	0.18 330	0.21 223	0.20 238	0.09 69	0.11 119	0.08 73	0.06 32	0.10 44	0.10 106	0.06 92	0.05 160	0.07 165	0.06 155	0.05 74	0.04 20

AIO-test2	0.10 113	0.08 217	0.10 81	0.23 437	0.08 101	0.11 144	0.10 14	0.23 264	0.23 277	0.08 44	0.09 66	0.08 73	0.05 9	0.10 44	0.08 17	0.06 92	0.05 160	0.08 246	0.09 350	0.05 74	0.05 95

AIO-test1	0.10 113	0.07 125	0.10 81	0.23 437	0.07 52	0.09 62	0.13 77	0.21 223	0.14 118	0.11 126	0.12 131	0.09 97	0.07 82	0.11 86	0.09 50	0.06 92	0.05 160	0.09 325	0.10 385	0.03 1	0.06 170

tg	0.10 113	0.06 52	0.10 81	0.18 269	0.08 101	0.11 144	0.16 254	0.20 202	0.12 66	0.08 44	0.11 119	0.11 146	0.07 82	0.11 86	0.10 106	0.05 7	0.04 3	0.08 246	0.08 306	0.04 3	0.04 20

PAM	0.10 113	0.05 16	0.16 317	0.15 65	0.08 101	0.09 62	0.16 254	0.15 85	0.16 157	0.12 162	0.09 66	0.09 97	0.07 82	0.13 205	0.08 17	0.06 92	0.05 160	0.06 75	0.06 155	0.05 74	0.06 170

model_zeroshot	0.10 113	0.04 1	0.11 121	0.15 65	0.09 208	0.12 177	0.14 123	0.20 202	0.13 96	0.11 126	0.10 91	0.12 163	0.07 82	0.12 164	0.10 106	0.07 210	0.06 276	0.06 75	0.05 81	0.06 164	0.06 170

RAStereo	0.10 113	0.09 283	0.08 18	0.20 373	0.08 101	0.13 215	0.18 330	0.15 85	0.17 175	0.10 100	0.12 131	0.05 1	0.06 32	0.09 23	0.08 17	0.07 210	0.05 160	0.07 165	0.05 81	0.05 74	0.04 20

rvit_stereo_0080	0.10 113	0.08 217	0.14 234	0.15 65	0.09 208	0.07 24	0.15 189	0.16 110	0.16 157	0.11 126	0.10 91	0.14 207	0.08 115	0.12 164	0.10 106	0.09 325	0.07 345	0.07 165	0.06 155	0.07 230	0.05 95

testlalala2	0.10 113	0.06 52	0.11 121	0.20 373	0.10 309	0.10 102	0.12 42	0.17 143	0.12 66	0.12 162	0.13 144	0.09 97	0.07 82	0.11 86	0.13 247	0.06 92	0.05 160	0.05 3	0.04 23	0.05 74	0.05 95

H2IRNET	0.10 113	0.09 283	0.09 51	0.18 269	0.09 208	0.12 177	0.15 189	0.14 65	0.21 253	0.10 100	0.10 91	0.10 125	0.10 171	0.10 44	0.10 106	0.05 7	0.04 3	0.08 246	0.08 306	0.06 164	0.05 95

Former-RAFT_DAM_RVC	0.10 113	0.08 217	0.12 155	0.16 124	0.08 101	0.15 272	0.16 254	0.18 172	0.18 201	0.10 100	0.09 66	0.09 97	0.08 115	0.11 86	0.12 206	0.07 210	0.05 160	0.08 246	0.06 155	0.07 230	0.06 170

MyStereo07	0.10 113	0.07 125	0.10 81	0.17 189	0.09 208	0.14 247	0.18 330	0.15 85	0.15 132	0.09 69	0.06 12	0.06 11	0.07 82	0.12 164	0.09 50	0.06 92	0.05 160	0.08 246	0.07 242	0.06 164	0.06 170

MyStereo06	0.10 113	0.07 125	0.12 155	0.17 189	0.09 208	0.13 215	0.18 330	0.19 191	0.12 66	0.12 162	0.08 53	0.07 45	0.07 82	0.11 86	0.09 50	0.06 92	0.05 160	0.07 165	0.07 242	0.06 164	0.06 170

AE-Stereo	0.10 113	0.08 217	0.10 81	0.18 269	0.09 208	0.10 102	0.15 189	0.14 65	0.19 215	0.09 69	0.14 158	0.12 163	0.08 115	0.11 86	0.10 106	0.05 7	0.06 276	0.07 165	0.06 155	0.05 74	0.04 20

ACVNet-DCA	0.10 113	0.08 217	0.12 155	0.17 189	0.09 208	0.13 215	0.15 189	0.23 264	0.16 157	0.09 69	0.09 66	0.06 11	0.06 32	0.10 44	0.07 1	0.06 92	0.04 3	0.06 75	0.05 81	0.07 230	0.07 248

cc1	0.10 113	0.08 217	0.12 155	0.17 189	0.09 208	0.13 215	0.15 189	0.16 110	0.18 201	0.09 69	0.09 66	0.06 11	0.06 32	0.10 44	0.07 1	0.06 92	0.04 3	0.06 75	0.05 81	0.06 164	0.06 170

tt1	0.10 113	0.08 217	0.12 155	0.17 189	0.09 208	0.12 177	0.16 254	0.15 85	0.19 215	0.09 69	0.08 53	0.06 11	0.06 32	0.10 44	0.07 1	0.06 92	0.04 3	0.06 75	0.05 81	0.06 164	0.06 170

whm_eth	0.10 113	0.08 217	0.14 234	0.15 65	0.09 208	0.07 24	0.15 189	0.16 110	0.16 157	0.11 126	0.10 91	0.14 207	0.08 115	0.12 164	0.10 106	0.09 325	0.07 345	0.07 165	0.06 155	0.07 230	0.05 95

plain	0.10 113	0.08 217	0.10 81	0.19 325	0.09 208	0.10 102	0.15 189	0.14 65	0.13 96	0.13 189	0.15 175	0.09 97	0.12 225	0.13 205	0.12 206	0.07 210	0.05 160	0.09 325	0.06 155	0.06 164	0.06 170

testlalala_base	0.10 113	0.09 283	0.14 234	0.21 402	0.08 101	0.10 102	0.14 123	0.13 50	0.10 27	0.07 24	0.15 175	0.07 45	0.08 115	0.10 44	0.12 206	0.08 270	0.05 160	0.05 3	0.03 1	0.06 164	0.05 95

Any-RAFT	0.10 113	0.05 16	0.09 51	0.14 25	0.07 52	0.13 215	0.14 123	0.21 223	0.15 132	0.11 126	0.12 131	0.12 163	0.09 141	0.12 164	0.09 50	0.07 210	0.04 3	0.05 3	0.04 23	0.06 164	0.05 95

LL-Strereo2	0.10 113	0.10 338	0.15 283	0.18 269	0.08 101	0.15 272	0.09 8	0.17 143	0.14 118	0.14 210	0.10 91	0.09 97	0.07 82	0.16 286	0.10 106	0.05 7	0.05 160	0.10 370	0.07 242	0.06 164	0.05 95

DCANet-4	0.10 113	0.06 52	0.12 155	0.16 124	0.06 13	0.09 62	0.17 285	0.18 172	0.19 215	0.13 189	0.16 187	0.09 97	0.14 287	0.11 86	0.12 206	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.05 95

fff	0.10 113	0.06 52	0.12 155	0.15 65	0.07 52	0.09 62	0.17 285	0.16 110	0.20 238	0.13 189	0.16 187	0.10 125	0.11 196	0.11 86	0.12 206	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.05 95

ADStereo(finetuned)	0.10 113	0.06 52	0.12 155	0.16 124	0.06 13	0.09 62	0.17 285	0.15 85	0.19 215	0.13 189	0.17 208	0.10 125	0.12 225	0.11 86	0.12 206	0.06 92	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

test_4	0.10 113	0.10 338	0.08 18	0.19 325	0.09 208	0.08 41	0.22 416	0.15 85	0.17 175	0.12 162	0.18 233	0.12 163	0.09 141	0.08 13	0.11 159	0.04 1	0.04 3	0.08 246	0.08 306	0.04 3	0.03 1

IPLG	0.10 113	0.07 125	0.15 283	0.17 189	0.08 101	0.11 144	0.14 123	0.20 202	0.15 132	0.12 162	0.17 208	0.07 45	0.07 82	0.14 230	0.13 247	0.06 92	0.04 3	0.06 75	0.05 81	0.04 3	0.04 20

test_3	0.10 113	0.09 283	0.10 81	0.20 373	0.08 101	0.13 215	0.26 458	0.14 65	0.21 253	0.10 100	0.10 91	0.09 97	0.09 141	0.08 13	0.11 159	0.05 7	0.04 3	0.08 246	0.07 242	0.04 3	0.04 20

STrans-v2	0.10 113	0.07 125	0.12 155	0.18 269	0.07 52	0.10 102	0.14 123	0.21 223	0.11 50	0.11 126	0.15 175	0.12 163	0.10 171	0.11 86	0.12 206	0.05 7	0.04 3	0.06 75	0.06 155	0.04 3	0.04 20

TransformOpticalFlow	0.10 113	0.08 217	0.13 200	0.18 269	0.07 52	0.09 62	0.15 189	0.19 191	0.15 132	0.12 162	0.17 208	0.11 146	0.11 196	0.11 86	0.10 106	0.05 7	0.04 3	0.06 75	0.06 155	0.05 74	0.05 95

SST-Stereo	0.10 113	0.07 125	0.15 283	0.18 269	0.09 208	0.06 8	0.12 42	0.17 143	0.11 50	0.15 237	0.17 208	0.13 187	0.12 225	0.10 44	0.11 159	0.06 92	0.04 3	0.09 325	0.06 155	0.06 164	0.05 95

cross-raft	0.10 113	0.09 283	0.09 51	0.19 325	0.07 52	0.11 144	0.25 451	0.13 50	0.15 132	0.08 44	0.11 119	0.12 163	0.10 171	0.09 23	0.11 159	0.05 7	0.04 3	0.06 75	0.05 81	0.04 3	0.04 20

test-1	0.10 113	0.07 125	0.16 317	0.19 325	0.08 101	0.11 144	0.24 437	0.14 65	0.18 201	0.09 69	0.07 31	0.09 97	0.08 115	0.07 3	0.09 50	0.06 92	0.04 3	0.06 75	0.05 81	0.04 3	0.04 20

iRaftStereo_RVC	0.10 113	0.07 125	0.09 51	0.17 189	0.09 208	0.11 144	0.17 285	0.18 172	0.12 66	0.09 69	0.12 131	0.10 125	0.07 82	0.11 86	0.10 106	0.05 7	0.04 3	0.08 246	0.08 306	0.04 3	0.04 20

RALCasStereoNet	0.10 113	0.06 52	0.09 51	0.16 124	0.08 101	0.12 177	0.14 123	0.17 143	0.11 50	0.12 162	0.17 208	0.14 207	0.10 171	0.12 164	0.11 159	0.07 210	0.06 276	0.06 75	0.05 81	0.08 291	0.07 248

DCANet	0.10 113	0.06 52	0.12 155	0.16 124	0.06 13	0.09 62	0.17 285	0.15 85	0.19 215	0.13 189	0.17 208	0.10 125	0.11 196	0.11 86	0.12 206	0.06 92	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

csc	0.10 113	0.06 52	0.12 155	0.15 65	0.07 52	0.09 62	0.17 285	0.16 110	0.20 238	0.13 189	0.16 187	0.10 125	0.11 196	0.11 86	0.12 206	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.05 95

cscssc	0.10 113	0.06 52	0.12 155	0.15 65	0.07 52	0.09 62	0.17 285	0.16 110	0.20 238	0.13 189	0.16 187	0.10 125	0.11 196	0.11 86	0.12 206	0.06 92	0.04 3	0.05 3	0.04 23	0.04 3	0.05 95

111	0.10 113	0.06 52	0.12 155	0.15 65	0.07 52	0.10 102	0.14 123	0.21 223	0.23 277	0.11 126	0.12 131	0.14 207	0.11 196	0.13 205	0.10 106	0.06 92	0.04 3	0.06 75	0.04 23	0.05 74	0.05 95

R-Stereo Train	0.10 113	0.06 52	0.10 81	0.17 189	0.08 101	0.11 144	0.14 123	0.23 264	0.11 50	0.12 162	0.19 241	0.11 146	0.08 115	0.09 23	0.11 159	0.07 210	0.05 160	0.06 75	0.05 81	0.05 74	0.05 95

RAFT-Stereo	0.10 113	0.06 52	0.10 81	0.17 189	0.08 101	0.11 144	0.14 123	0.23 264	0.11 50	0.12 162	0.19 241	0.11 146	0.08 115	0.09 23	0.11 159	0.07 210	0.05 160	0.06 75	0.05 81	0.05 74	0.05 95
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 113	0.06 52	0.12 155	0.14 25	0.06 13	0.11 144	0.10 14	0.18 172	0.18 201	0.13 189	0.16 187	0.14 207	0.11 196	0.15 252	0.13 247	0.06 92	0.04 3	0.04 1	0.04 23	0.06 164	0.05 95
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
xyz-stereo-finetune2	0.11 156	0.07 125	0.13 200	0.13 12	0.07 52	0.11 144	0.19 368	0.17 143	0.12 66	0.15 237	0.15 175	0.17 270	0.12 225	0.13 205	0.11 159	0.05 7	0.04 3	0.07 165	0.05 81	0.04 3	0.06 170

xyz-stereo-finetune	0.11 156	0.08 217	0.13 200	0.14 25	0.06 13	0.10 102	0.19 368	0.17 143	0.19 215	0.12 162	0.14 158	0.15 236	0.10 171	0.13 205	0.11 159	0.05 7	0.04 3	0.07 165	0.05 81	0.04 3	0.05 95

HI	0.11 156	0.06 52	0.11 121	0.13 12	0.09 208	0.09 62	0.14 123	0.21 223	0.10 27	0.19 326	0.17 208	0.14 207	0.09 141	0.16 286	0.08 17	0.05 7	0.04 3	0.07 165	0.08 306	0.07 230	0.06 170

CoSv	0.11 156	0.06 52	0.11 121	0.13 12	0.09 208	0.09 62	0.14 123	0.21 223	0.10 27	0.19 326	0.17 208	0.14 207	0.09 141	0.16 286	0.08 17	0.05 7	0.04 3	0.07 165	0.08 306	0.07 230	0.06 170

rvit_stereo_0081_aga	0.11 156	0.09 283	0.14 234	0.18 269	0.09 208	0.13 215	0.14 123	0.14 65	0.19 215	0.10 100	0.18 233	0.16 250	0.09 141	0.12 164	0.09 50	0.10 362	0.06 276	0.08 246	0.07 242	0.07 230	0.06 170

rvit_stereo_0081	0.11 156	0.08 217	0.15 283	0.16 124	0.09 208	0.10 102	0.14 123	0.14 65	0.24 293	0.11 126	0.13 144	0.13 187	0.09 141	0.11 86	0.12 206	0.10 362	0.07 345	0.08 246	0.07 242	0.07 230	0.05 95

rvit_stereo_0082	0.11 156	0.08 217	0.15 283	0.16 124	0.09 208	0.10 102	0.14 123	0.14 65	0.24 293	0.11 126	0.13 144	0.13 187	0.09 141	0.11 86	0.12 206	0.10 362	0.07 345	0.08 246	0.07 242	0.07 230	0.05 95

AIO-Stereo-zeroshot1	0.11 156	0.05 16	0.14 234	0.15 65	0.20 479	0.09 62	0.17 285	0.21 223	0.15 132	0.11 126	0.14 158	0.10 125	0.07 82	0.10 44	0.08 17	0.06 92	0.05 160	0.07 165	0.07 242	0.07 230	0.09 357

AIO-Stereo-zeroshot	0.11 156	0.05 16	0.11 121	0.15 65	0.13 408	0.13 215	0.16 254	0.23 264	0.17 175	0.10 100	0.12 131	0.10 125	0.07 82	0.11 86	0.09 50	0.06 92	0.05 160	0.06 75	0.06 155	0.07 230	0.08 313

CAS++	0.11 156	0.07 125	0.11 121	0.14 25	0.09 208	0.12 177	0.14 123	0.24 286	0.14 118	0.11 126	0.09 66	0.11 146	0.07 82	0.14 230	0.09 50	0.11 390	0.09 397	0.09 325	0.07 242	0.07 230	0.08 313
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 156	0.08 217	0.12 155	0.17 189	0.09 208	0.13 215	0.15 189	0.16 110	0.18 201	0.09 69	0.09 66	0.16 250	0.16 331	0.10 44	0.07 1	0.06 92	0.04 3	0.08 246	0.08 306	0.07 230	0.07 248

1test111	0.11 156	0.08 217	0.12 155	0.17 189	0.09 208	0.13 215	0.15 189	0.23 264	0.16 157	0.09 69	0.09 66	0.06 11	0.06 32	0.15 252	0.16 328	0.06 92	0.04 3	0.06 75	0.05 81	0.07 230	0.07 248

MIF-Stereo (partial)	0.11 156	0.06 52	0.10 81	0.19 325	0.10 309	0.10 102	0.11 25	0.17 143	0.18 201	0.14 210	0.16 187	0.09 97	0.11 196	0.12 164	0.12 206	0.08 270	0.05 160	0.08 246	0.07 242	0.06 164	0.07 248

EKT-Stereo	0.11 156	0.07 125	0.14 234	0.15 65	0.10 309	0.13 215	0.14 123	0.18 172	0.21 253	0.11 126	0.08 53	0.12 163	0.09 141	0.11 86	0.12 206	0.08 270	0.06 276	0.07 165	0.06 155	0.08 291	0.07 248

anonymousdsp2	0.11 156	0.07 125	0.10 81	0.16 124	0.09 208	0.13 215	0.14 123	0.18 172	0.22 267	0.13 189	0.14 158	0.12 163	0.09 141	0.14 230	0.11 159	0.05 7	0.04 3	0.05 3	0.04 23	0.06 164	0.05 95

DCRE	0.11 156	0.07 125	0.13 200	0.16 124	0.11 356	0.11 144	0.17 285	0.18 172	0.17 175	0.11 126	0.18 233	0.10 125	0.10 171	0.15 252	0.11 159	0.06 92	0.05 160	0.06 75	0.06 155	0.05 74	0.04 20

knoymous	0.11 156	0.05 16	0.12 155	0.13 12	0.07 52	0.15 272	0.14 123	0.19 191	0.13 96	0.11 126	0.17 208	0.13 187	0.09 141	0.13 205	0.11 159	0.08 270	0.05 160	0.06 75	0.05 81	0.08 291	0.07 248

riskmin	0.11 156	0.06 52	0.13 200	0.14 25	0.08 101	0.14 247	0.14 123	0.18 172	0.14 118	0.11 126	0.14 158	0.16 250	0.11 196	0.14 230	0.12 206	0.09 325	0.05 160	0.07 165	0.05 81	0.08 291	0.08 313

Selective-RAFT	0.11 156	0.10 338	0.11 121	0.21 402	0.08 101	0.16 302	0.13 77	0.20 202	0.22 267	0.10 100	0.10 91	0.11 146	0.10 171	0.15 252	0.11 159	0.05 7	0.05 160	0.06 75	0.05 81	0.06 164	0.05 95

DisPM	0.11 156	0.07 125	0.12 155	0.16 124	0.09 208	0.06 8	0.13 77	0.17 143	0.17 175	0.14 210	0.20 253	0.12 163	0.10 171	0.11 86	0.10 106	0.06 92	0.04 3	0.07 165	0.06 155	0.06 164	0.11 403

CIPLG	0.11 156	0.08 217	0.14 234	0.17 189	0.08 101	0.12 177	0.15 189	0.17 143	0.15 132	0.14 210	0.11 119	0.16 250	0.09 141	0.16 286	0.11 159	0.07 210	0.05 160	0.06 75	0.05 81	0.05 74	0.06 170

GLC_STEREO	0.11 156	0.07 125	0.11 121	0.17 189	0.07 52	0.09 62	0.13 77	0.15 85	0.24 293	0.12 162	0.13 144	0.12 163	0.08 115	0.18 337	0.11 159	0.06 92	0.08 371	0.08 246	0.06 155	0.05 74	0.05 95

IPLGR_C	0.11 156	0.08 217	0.14 234	0.17 189	0.08 101	0.12 177	0.15 189	0.17 143	0.15 132	0.14 210	0.10 91	0.16 250	0.09 141	0.16 286	0.11 159	0.07 210	0.05 160	0.06 75	0.05 81	0.05 74	0.06 170

MIPNet	0.11 156	0.08 217	0.14 234	0.17 189	0.09 208	0.12 177	0.14 123	0.20 202	0.24 293	0.11 126	0.10 91	0.09 97	0.07 82	0.13 205	0.12 206	0.06 92	0.04 3	0.06 75	0.05 81	0.04 3	0.04 20

IPLGR	0.11 156	0.09 283	0.16 317	0.18 269	0.08 101	0.12 177	0.17 285	0.21 223	0.24 293	0.11 126	0.12 131	0.11 146	0.08 115	0.12 164	0.12 206	0.06 92	0.05 160	0.06 75	0.06 155	0.04 3	0.04 20

GMOStereo	0.11 156	0.09 283	0.07 4	0.19 325	0.08 101	0.12 177	0.28 471	0.13 50	0.17 175	0.11 126	0.17 208	0.14 207	0.12 225	0.07 3	0.07 1	0.05 7	0.05 160	0.09 325	0.07 242	0.04 3	0.04 20

error version	0.11 156	0.09 283	0.07 4	0.19 325	0.08 101	0.12 177	0.28 471	0.13 50	0.17 175	0.11 126	0.17 208	0.14 207	0.12 225	0.07 3	0.07 1	0.05 7	0.05 160	0.09 325	0.07 242	0.04 3	0.04 20

test-v	0.11 156	0.09 283	0.07 4	0.19 325	0.08 101	0.12 177	0.28 471	0.13 50	0.17 175	0.11 126	0.17 208	0.14 207	0.12 225	0.07 3	0.07 1	0.05 7	0.05 160	0.09 325	0.07 242	0.04 3	0.04 20

ACRE	0.11 156	0.08 217	0.14 234	0.17 189	0.08 101	0.12 177	0.15 189	0.17 143	0.14 118	0.14 210	0.10 91	0.16 250	0.09 141	0.16 286	0.11 159	0.07 210	0.05 160	0.06 75	0.05 81	0.05 74	0.06 170

PFNet+	0.11 156	0.06 52	0.13 200	0.16 124	0.09 208	0.05 4	0.12 42	0.17 143	0.21 253	0.16 265	0.19 241	0.14 207	0.10 171	0.11 86	0.11 159	0.08 270	0.05 160	0.09 325	0.08 306	0.06 164	0.11 403

LCNet	0.11 156	0.07 125	0.09 51	0.19 325	0.09 208	0.08 41	0.15 189	0.21 223	0.15 132	0.11 126	0.15 175	0.16 250	0.11 196	0.12 164	0.11 159	0.05 7	0.04 3	0.08 246	0.07 242	0.06 164	0.15 457

HHNet	0.11 156	0.06 52	0.16 317	0.15 65	0.14 426	0.07 24	0.13 77	0.20 202	0.17 175	0.14 210	0.25 332	0.11 146	0.08 115	0.13 205	0.10 106	0.05 7	0.04 3	0.08 246	0.06 155	0.05 74	0.09 357

Patchmatch Stereo++	0.11 156	0.09 283	0.16 317	0.18 269	0.08 101	0.06 8	0.11 25	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248
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	0.11 156	0.07 125	0.16 317	0.19 325	0.09 208	0.08 41	0.13 77	0.18 172	0.13 96	0.16 265	0.21 274	0.13 187	0.14 287	0.11 86	0.14 284	0.06 92	0.04 3	0.09 325	0.06 155	0.06 164	0.05 95

OMP-Stereo	0.11 156	0.06 52	0.14 234	0.18 269	0.08 101	0.09 62	0.12 42	0.21 223	0.21 253	0.13 189	0.14 158	0.11 146	0.12 225	0.11 86	0.13 247	0.06 92	0.04 3	0.07 165	0.06 155	0.05 74	0.04 20

IIG-Stereo	0.11 156	0.06 52	0.13 200	0.17 189	0.08 101	0.11 144	0.12 42	0.22 245	0.17 175	0.14 210	0.17 208	0.11 146	0.12 225	0.12 164	0.12 206	0.06 92	0.05 160	0.07 165	0.06 155	0.05 74	0.04 20

NF-Stereo	0.11 156	0.07 125	0.13 200	0.17 189	0.09 208	0.10 102	0.14 123	0.23 264	0.19 215	0.12 162	0.17 208	0.12 163	0.11 196	0.11 86	0.11 159	0.06 92	0.04 3	0.07 165	0.06 155	0.06 164	0.12 415

OCTAStereo	0.11 156	0.07 125	0.13 200	0.17 189	0.09 208	0.10 102	0.14 123	0.23 264	0.19 215	0.12 162	0.17 208	0.12 163	0.11 196	0.11 86	0.11 159	0.06 92	0.04 3	0.07 165	0.06 155	0.06 164	0.12 415

NRIStereo	0.11 156	0.08 217	0.14 234	0.18 269	0.08 101	0.10 102	0.14 123	0.16 110	0.15 132	0.12 162	0.14 158	0.13 187	0.12 225	0.13 205	0.10 106	0.06 92	0.04 3	0.07 165	0.06 155	0.06 164	0.07 248

PSM-adaLoss	0.11 156	0.09 283	0.16 317	0.18 269	0.08 101	0.06 8	0.12 42	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248

PSM-AAD	0.11 156	0.07 125	0.10 81	0.19 325	0.09 208	0.10 102	0.15 189	0.20 202	0.13 96	0.12 162	0.14 158	0.18 284	0.11 196	0.11 86	0.10 106	0.05 7	0.05 160	0.09 325	0.08 306	0.06 164	0.14 450

ROB_FTStereo_v2	0.11 156	0.09 283	0.16 317	0.19 325	0.08 101	0.06 8	0.12 42	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248

ROB_FTStereo	0.11 156	0.09 283	0.16 317	0.19 325	0.08 101	0.06 8	0.11 25	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248

KYRaft	0.11 156	0.07 125	0.10 81	0.19 325	0.09 208	0.08 41	0.15 189	0.22 245	0.12 66	0.13 189	0.16 187	0.20 310	0.10 171	0.12 164	0.10 106	0.05 7	0.04 3	0.08 246	0.08 306	0.06 164	0.16 468

HUI-Stereo	0.11 156	0.09 283	0.16 317	0.18 269	0.08 101	0.06 8	0.12 42	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248

ASMatch	0.11 156	0.06 52	0.13 200	0.16 124	0.10 309	0.07 24	0.14 123	0.17 143	0.17 175	0.12 162	0.16 187	0.16 250	0.10 171	0.13 205	0.10 106	0.05 7	0.04 3	0.06 75	0.05 81	0.04 3	0.08 313

RAFT_R40	0.11 156	0.07 125	0.14 234	0.18 269	0.09 208	0.06 8	0.13 77	0.17 143	0.16 157	0.14 210	0.18 233	0.15 236	0.12 225	0.10 44	0.11 159	0.06 92	0.04 3	0.09 325	0.06 155	0.06 164	0.05 95

GrayStereo	0.11 156	0.06 52	0.11 121	0.19 325	0.09 208	0.09 62	0.16 254	0.18 172	0.17 175	0.14 210	0.17 208	0.17 270	0.11 196	0.12 164	0.11 159	0.05 7	0.05 160	0.07 165	0.06 155	0.05 74	0.10 380

RE-Stereo	0.11 156	0.07 125	0.13 200	0.17 189	0.09 208	0.10 102	0.14 123	0.23 264	0.19 215	0.12 162	0.17 208	0.12 163	0.11 196	0.11 86	0.11 159	0.06 92	0.04 3	0.07 165	0.06 155	0.06 164	0.12 415

Pruner-Stereo	0.11 156	0.07 125	0.12 155	0.17 189	0.09 208	0.06 8	0.12 42	0.17 143	0.17 175	0.13 189	0.19 241	0.13 187	0.09 141	0.11 86	0.11 159	0.06 92	0.04 3	0.07 165	0.06 155	0.06 164	0.08 313

TVStereo	0.11 156	0.07 125	0.13 200	0.17 189	0.09 208	0.10 102	0.14 123	0.23 264	0.19 215	0.12 162	0.17 208	0.12 163	0.11 196	0.11 86	0.11 159	0.06 92	0.04 3	0.07 165	0.06 155	0.06 164	0.12 415

DeepStereo_RVC	0.11 156	0.08 217	0.16 317	0.18 269	0.08 101	0.08 41	0.12 42	0.17 143	0.12 66	0.13 189	0.14 158	0.12 163	0.12 225	0.12 164	0.11 159	0.06 92	0.04 3	0.07 165	0.06 155	0.07 230	0.08 313

iGMRVC	0.11 156	0.09 283	0.16 317	0.19 325	0.08 101	0.06 8	0.12 42	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248

RAFT-RH_RVC	0.11 156	0.06 52	0.14 234	0.16 124	0.09 208	0.12 177	0.12 42	0.17 143	0.12 66	0.13 189	0.41 458	0.11 146	0.10 171	0.13 205	0.12 206	0.05 7	0.04 3	0.08 246	0.05 81	0.04 3	0.06 170

RAFT-345	0.11 156	0.07 125	0.15 283	0.16 124	0.08 101	0.08 41	0.12 42	0.15 85	0.10 27	0.11 126	0.36 424	0.09 97	0.09 141	0.11 86	0.12 206	0.05 7	0.05 160	0.07 165	0.06 155	0.04 3	0.05 95

iRAFT	0.11 156	0.09 283	0.16 317	0.18 269	0.08 101	0.06 8	0.11 25	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248

CRE-IMP	0.11 156	0.09 283	0.16 317	0.19 325	0.08 101	0.10 102	0.12 42	0.18 172	0.10 27	0.14 210	0.13 144	0.13 187	0.12 225	0.12 164	0.11 159	0.07 210	0.04 3	0.08 246	0.06 155	0.08 291	0.08 313

test-2	0.11 156	0.09 283	0.07 4	0.19 325	0.08 101	0.12 177	0.28 471	0.13 50	0.17 175	0.11 126	0.17 208	0.14 207	0.12 225	0.07 3	0.07 1	0.05 7	0.05 160	0.09 325	0.07 242	0.04 3	0.04 20

GMM-Stereo	0.11 156	0.07 125	0.10 81	0.18 269	0.09 208	0.08 41	0.15 189	0.23 264	0.16 157	0.11 126	0.15 175	0.13 187	0.11 196	0.11 86	0.11 159	0.05 7	0.04 3	0.08 246	0.07 242	0.06 164	0.09 357

RAFT-IKP	0.11 156	0.09 283	0.16 317	0.19 325	0.08 101	0.06 8	0.12 42	0.16 110	0.13 96	0.15 237	0.16 187	0.14 207	0.12 225	0.11 86	0.10 106	0.06 92	0.04 3	0.08 246	0.06 155	0.08 291	0.07 248

Prome-Stereo	0.11 156	0.06 52	0.10 81	0.18 269	0.08 101	0.12 177	0.15 189	0.22 245	0.13 96	0.12 162	0.17 208	0.13 187	0.08 115	0.12 164	0.10 106	0.05 7	0.04 3	0.07 165	0.06 155	0.06 164	0.09 357

rafts_anoy	0.11 156	0.06 52	0.10 81	0.17 189	0.08 101	0.10 102	0.14 123	0.17 143	0.14 118	0.13 189	0.13 144	0.12 163	0.10 171	0.11 86	0.12 206	0.07 210	0.04 3	0.09 325	0.11 415	0.07 230	0.06 170

raft+_RVC	0.11 156	0.07 125	0.09 51	0.16 124	0.07 52	0.10 102	0.11 25	0.24 286	0.20 238	0.12 162	0.15 175	0.12 163	0.08 115	0.12 164	0.13 247	0.07 210	0.04 3	0.07 165	0.06 155	0.05 74	0.05 95

RALAANet	0.11 156	0.08 217	0.10 81	0.17 189	0.09 208	0.14 247	0.10 14	0.20 202	0.15 132	0.14 210	0.13 144	0.16 250	0.09 141	0.12 164	0.11 159	0.06 92	0.05 160	0.07 165	0.06 155	0.05 74	0.04 20

DIP-Stereo	0.11 156	0.07 125	0.14 234	0.17 189	0.09 208	0.13 215	0.09 8	0.16 110	0.16 157	0.11 126	0.16 187	0.14 207	0.12 225	0.15 252	0.13 247	0.06 92	0.05 160	0.06 75	0.05 81	0.05 74	0.06 170
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	0.12 221	0.08 217	0.17 345	0.16 124	0.09 208	0.11 144	0.15 189	0.14 65	0.26 328	0.11 126	0.14 158	0.13 187	0.10 171	0.12 164	0.12 206	0.10 362	0.08 371	0.09 325	0.07 242	0.07 230	0.05 95

rvit_stereo_ft	0.12 221	0.07 125	0.13 200	0.19 325	0.10 309	0.12 177	0.17 285	0.16 110	0.16 157	0.12 162	0.13 144	0.15 236	0.10 171	0.14 230	0.13 247	0.09 325	0.06 276	0.08 246	0.07 242	0.07 230	0.05 95

test_sample2	0.12 221	0.07 125	0.12 155	0.14 25	0.08 101	0.16 302	0.18 330	0.21 223	0.16 157	0.14 210	0.20 253	0.19 298	0.15 305	0.15 252	0.12 206	0.08 270	0.05 160	0.07 165	0.06 155	0.08 291	0.07 248

MyStereo8	0.12 221	0.07 125	0.15 283	0.15 65	0.09 208	0.18 341	0.14 123	0.19 191	0.22 267	0.12 162	0.18 233	0.11 146	0.10 171	0.16 286	0.18 360	0.07 210	0.05 160	0.07 165	0.05 81	0.08 291	0.09 357

CoDeX	0.12 221	0.07 125	0.12 155	0.17 189	0.08 101	0.12 177	0.15 189	0.23 264	0.27 337	0.13 189	0.17 208	0.16 250	0.11 196	0.14 230	0.11 159	0.07 210	0.05 160	0.07 165	0.06 155	0.06 164	0.05 95

11t1	0.12 221	0.06 52	0.13 200	0.14 25	0.08 101	0.17 323	0.15 189	0.18 172	0.15 132	0.15 237	0.15 175	0.16 250	0.16 331	0.15 252	0.13 247	0.08 270	0.05 160	0.06 75	0.05 81	0.08 291	0.07 248

ffm	0.12 221	0.09 283	0.14 234	0.16 124	0.08 101	0.17 323	0.17 285	0.15 85	0.19 215	0.15 237	0.25 332	0.19 298	0.13 262	0.10 44	0.07 1	0.06 92	0.04 3	0.09 325	0.08 306	0.06 164	0.06 170

RAFT_CTSACE	0.12 221	0.09 283	0.10 81	0.22 417	0.08 101	0.12 177	0.24 437	0.18 172	0.16 157	0.20 347	0.27 358	0.13 187	0.07 82	0.13 205	0.09 50	0.05 7	0.06 276	0.08 246	0.07 242	0.04 3	0.04 20

Sa-1000	0.12 221	0.08 217	0.08 18	0.18 269	0.08 101	0.14 247	0.22 416	0.22 245	0.18 201	0.15 237	0.20 253	0.17 270	0.11 196	0.10 44	0.10 106	0.06 92	0.05 160	0.09 325	0.09 350	0.05 74	0.05 95

SA	0.12 221	0.09 283	0.08 18	0.18 269	0.08 101	0.12 177	0.24 437	0.23 264	0.18 201	0.17 281	0.27 358	0.14 207	0.11 196	0.11 86	0.11 159	0.05 7	0.05 160	0.09 325	0.08 306	0.05 74	0.04 20

iRaft-Stereo_5w	0.12 221	0.09 283	0.12 155	0.19 325	0.08 101	0.09 62	0.12 42	0.21 223	0.21 253	0.19 326	0.14 158	0.11 146	0.09 141	0.20 378	0.16 328	0.05 7	0.05 160	0.07 165	0.06 155	0.05 74	0.06 170

CrosDoStereo	0.12 221	0.06 52	0.12 155	0.14 25	0.08 101	0.12 177	0.15 189	0.17 143	0.22 267	0.19 326	0.24 303	0.15 236	0.11 196	0.11 86	0.12 206	0.06 92	0.04 3	0.07 165	0.07 242	0.05 74	0.05 95

PSM-softLoss	0.12 221	0.07 125	0.15 283	0.17 189	0.09 208	0.08 41	0.13 77	0.24 286	0.17 175	0.14 210	0.19 241	0.13 187	0.11 196	0.11 86	0.11 159	0.07 210	0.05 160	0.08 246	0.07 242	0.06 164	0.12 415

KMStereo	0.12 221	0.07 125	0.15 283	0.17 189	0.09 208	0.08 41	0.13 77	0.24 286	0.17 175	0.14 210	0.19 241	0.13 187	0.11 196	0.11 86	0.11 159	0.07 210	0.05 160	0.08 246	0.07 242	0.06 164	0.12 415

FTStereo	0.12 221	0.06 52	0.14 234	0.18 269	0.09 208	0.07 24	0.15 189	0.21 223	0.18 201	0.12 162	0.24 303	0.12 163	0.12 225	0.13 205	0.13 247	0.05 7	0.05 160	0.07 165	0.06 155	0.06 164	0.10 380

DeepStereo_LL	0.12 221	0.06 52	0.12 155	0.14 25	0.08 101	0.12 177	0.15 189	0.17 143	0.22 267	0.19 326	0.24 303	0.15 236	0.11 196	0.11 86	0.12 206	0.06 92	0.04 3	0.07 165	0.07 242	0.05 74	0.05 95

DEmStereo	0.12 221	0.06 52	0.14 234	0.14 25	0.10 309	0.16 302	0.15 189	0.16 110	0.24 293	0.17 281	0.24 303	0.13 187	0.14 287	0.12 164	0.13 247	0.05 7	0.04 3	0.07 165	0.06 155	0.05 74	0.05 95

THIR-Stereo	0.12 221	0.07 125	0.11 121	0.15 65	0.08 101	0.14 247	0.16 254	0.17 143	0.25 314	0.16 265	0.24 303	0.14 207	0.12 225	0.12 164	0.14 284	0.06 92	0.04 3	0.07 165	0.07 242	0.05 74	0.05 95

DRaft	0.12 221	0.06 52	0.11 121	0.14 25	0.09 208	0.14 247	0.17 285	0.21 223	0.30 367	0.17 281	0.28 371	0.10 125	0.15 305	0.10 44	0.12 206	0.05 7	0.04 3	0.07 165	0.06 155	0.05 74	0.05 95

PFNet	0.12 221	0.06 52	0.17 345	0.17 189	0.08 101	0.09 62	0.15 189	0.26 319	0.20 238	0.16 265	0.16 187	0.14 207	0.11 196	0.12 164	0.11 159	0.06 92	0.04 3	0.07 165	0.06 155	0.05 74	0.05 95

IRAFT_RVC	0.12 221	0.08 217	0.16 317	0.19 325	0.08 101	0.07 24	0.15 189	0.24 286	0.23 277	0.14 210	0.14 158	0.15 236	0.12 225	0.12 164	0.10 106	0.06 92	0.04 3	0.09 325	0.06 155	0.06 164	0.06 170

sCroCo_RVC	0.12 221	0.09 283	0.23 414	0.24 446	0.11 356	0.19 365	0.14 123	0.17 143	0.14 118	0.10 100	0.13 144	0.12 163	0.07 82	0.14 230	0.11 159	0.08 270	0.08 371	0.08 246	0.08 306	0.05 74	0.07 248

ARAFT	0.12 221	0.08 217	0.17 345	0.19 325	0.09 208	0.14 247	0.18 330	0.20 202	0.12 66	0.12 162	0.13 144	0.14 207	0.11 196	0.15 252	0.12 206	0.06 92	0.05 160	0.10 370	0.09 350	0.05 74	0.04 20

BEATNet_4x	0.12 221	0.08 217	0.14 234	0.18 269	0.07 52	0.15 272	0.07 2	0.22 245	0.18 201	0.16 265	0.19 241	0.18 284	0.14 287	0.16 286	0.15 312	0.07 210	0.05 160	0.05 3	0.05 81	0.06 164	0.06 170

MLCV	0.12 221	0.07 125	0.16 317	0.18 269	0.06 13	0.15 272	0.17 285	0.19 191	0.21 253	0.18 311	0.25 332	0.17 270	0.13 262	0.14 230	0.13 247	0.05 7	0.04 3	0.05 3	0.04 23	0.05 74	0.04 20

xyz-stereo	0.13 246	0.07 125	0.20 391	0.15 65	0.05 1	0.20 380	0.15 189	0.17 143	0.31 374	0.15 237	0.29 383	0.26 380	0.16 331	0.13 205	0.12 206	0.05 7	0.05 160	0.06 75	0.05 81	0.04 3	0.04 20

DFGA-Net	0.13 246	0.11 363	0.18 368	0.17 189	0.10 309	0.12 177	0.13 77	0.22 245	0.25 314	0.16 265	0.16 187	0.13 187	0.12 225	0.16 286	0.14 284	0.07 210	0.05 160	0.08 246	0.07 242	0.05 74	0.05 95

FACV-RUCA	0.13 246	0.11 363	0.12 155	0.19 325	0.12 387	0.15 272	0.15 189	0.22 245	0.20 238	0.15 237	0.16 187	0.14 207	0.16 331	0.14 230	0.13 247	0.07 210	0.05 160	0.08 246	0.06 155	0.10 381	0.08 313

UGAM	0.13 246	0.10 338	0.09 51	0.22 417	0.08 101	0.12 177	0.20 390	0.17 143	0.23 277	0.21 360	0.16 187	0.13 187	0.13 262	0.19 353	0.12 206	0.07 210	0.05 160	0.13 433	0.11 415	0.07 230	0.05 95

test_sample1	0.13 246	0.07 125	0.14 234	0.13 12	0.08 101	0.19 365	0.16 254	0.20 202	0.15 132	0.14 210	0.22 283	0.18 284	0.16 331	0.17 318	0.14 284	0.07 210	0.06 276	0.06 75	0.06 155	0.08 291	0.07 248

qqq1	0.13 246	0.07 125	0.17 345	0.14 25	0.08 101	0.16 302	0.17 285	0.26 319	0.27 337	0.19 326	0.20 253	0.18 284	0.15 305	0.15 252	0.11 159	0.08 270	0.05 160	0.05 3	0.05 81	0.06 164	0.06 170

fff1	0.13 246	0.07 125	0.17 345	0.14 25	0.08 101	0.16 302	0.17 285	0.26 319	0.27 337	0.19 326	0.20 253	0.18 284	0.15 305	0.15 252	0.11 159	0.08 270	0.05 160	0.05 3	0.05 81	0.06 164	0.06 170

MyStereo05	0.13 246	0.07 125	0.10 81	0.17 189	0.09 208	0.13 215	0.18 330	0.27 340	0.35 408	0.17 281	0.14 158	0.15 236	0.11 196	0.15 252	0.13 247	0.06 92	0.05 160	0.07 165	0.07 242	0.06 164	0.06 170

MyStereo04	0.13 246	0.07 125	0.10 81	0.17 189	0.09 208	0.14 247	0.18 330	0.29 369	0.38 424	0.17 281	0.14 158	0.16 250	0.10 171	0.15 252	0.13 247	0.06 92	0.05 160	0.08 246	0.07 242	0.06 164	0.06 170

ff1	0.13 246	0.09 283	0.14 234	0.16 124	0.08 101	0.17 323	0.17 285	0.15 85	0.19 215	0.15 237	0.25 332	0.19 298	0.13 262	0.14 230	0.20 378	0.06 92	0.04 3	0.09 325	0.08 306	0.06 164	0.06 170

StereoVision	0.13 246	0.12 380	0.09 51	0.24 446	0.10 309	0.15 272	0.21 407	0.21 223	0.20 238	0.12 162	0.24 303	0.10 125	0.10 171	0.16 286	0.10 106	0.09 325	0.11 427	0.12 418	0.12 434	0.06 164	0.05 95

LL-Strereo	0.13 246	0.09 283	0.11 121	0.20 373	0.10 309	0.11 144	0.18 330	0.32 403	0.24 293	0.15 237	0.15 175	0.14 207	0.13 262	0.19 353	0.11 159	0.06 92	0.04 3	0.09 325	0.08 306	0.04 3	0.05 95

CASS	0.13 246	0.12 380	0.11 121	0.23 437	0.09 208	0.15 272	0.17 285	0.18 172	0.19 215	0.17 281	0.18 233	0.15 236	0.15 305	0.14 230	0.14 284	0.09 325	0.06 276	0.10 370	0.08 306	0.09 350	0.07 248
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 246	0.07 125	0.13 200	0.18 269	0.09 208	0.13 215	0.17 285	0.19 191	0.29 357	0.15 237	0.24 303	0.15 236	0.14 287	0.14 230	0.14 284	0.07 210	0.05 160	0.07 165	0.09 350	0.05 74	0.06 170

TestStereo1	0.13 246	0.08 217	0.08 18	0.19 325	0.08 101	0.18 341	0.29 480	0.23 264	0.16 157	0.17 281	0.20 253	0.16 250	0.10 171	0.12 164	0.13 247	0.06 92	0.06 276	0.08 246	0.06 155	0.05 74	0.05 95

qqq	0.13 246	0.09 283	0.15 283	0.16 124	0.08 101	0.13 215	0.15 189	0.23 264	0.16 157	0.15 237	0.19 241	0.16 250	0.16 331	0.15 252	0.16 328	0.07 210	0.06 276	0.08 246	0.08 306	0.07 230	0.07 248

x	0.13 246	0.07 125	0.14 234	0.14 25	0.08 101	0.18 341	0.14 123	0.22 245	0.20 238	0.15 237	0.19 241	0.19 298	0.17 353	0.18 337	0.18 360	0.07 210	0.05 160	0.06 75	0.06 155	0.07 230	0.07 248

raft_robust	0.13 246	0.10 338	0.07 4	0.18 269	0.08 101	0.13 215	0.24 437	0.28 359	0.33 388	0.20 347	0.19 241	0.14 207	0.10 171	0.11 86	0.12 206	0.05 7	0.05 160	0.07 165	0.07 242	0.05 74	0.04 20

RAFT+CT+SA	0.13 246	0.11 363	0.09 51	0.19 325	0.09 208	0.15 272	0.28 471	0.22 245	0.22 267	0.15 237	0.26 349	0.10 125	0.10 171	0.11 86	0.12 206	0.05 7	0.04 3	0.07 165	0.08 306	0.07 230	0.06 170

SA-5K	0.13 246	0.08 217	0.08 18	0.19 325	0.08 101	0.18 341	0.29 480	0.23 264	0.16 157	0.17 281	0.20 253	0.16 250	0.10 171	0.12 164	0.13 247	0.06 92	0.06 276	0.08 246	0.06 155	0.05 74	0.05 95

GwcNet-ADL	0.13 246	0.08 217	0.14 234	0.20 373	0.09 208	0.11 144	0.20 390	0.30 383	0.24 293	0.13 189	0.14 158	0.18 284	0.14 287	0.13 205	0.14 284	0.07 210	0.05 160	0.06 75	0.05 81	0.07 230	0.06 170

GANet-ADL	0.13 246	0.07 125	0.15 283	0.17 189	0.10 309	0.18 341	0.15 189	0.30 383	0.20 238	0.13 189	0.18 233	0.19 298	0.12 225	0.16 286	0.13 247	0.08 270	0.06 276	0.06 75	0.05 81	0.07 230	0.08 313

RAFT	0.13 246	0.09 283	0.11 121	0.18 269	0.08 101	0.15 272	0.24 437	0.20 202	0.19 215	0.21 360	0.21 274	0.17 270	0.12 225	0.16 286	0.09 50	0.06 92	0.07 345	0.10 370	0.09 350	0.05 74	0.05 95

TestStereo	0.13 246	0.14 421	0.11 121	0.23 437	0.08 101	0.15 272	0.21 407	0.20 202	0.23 277	0.14 210	0.24 303	0.16 250	0.12 225	0.16 286	0.14 284	0.05 7	0.06 276	0.08 246	0.06 155	0.09 350	0.05 95

sAnonymous2	0.13 246	0.12 380	0.24 417	0.20 373	0.12 387	0.17 323	0.13 77	0.26 319	0.21 253	0.11 126	0.11 119	0.13 187	0.08 115	0.10 44	0.10 106	0.09 325	0.05 160	0.08 246	0.06 155	0.15 459	0.10 380

CroCo_RVC	0.13 246	0.12 380	0.24 417	0.20 373	0.12 387	0.17 323	0.13 77	0.26 319	0.21 253	0.11 126	0.11 119	0.13 187	0.08 115	0.10 44	0.10 106	0.09 325	0.05 160	0.08 246	0.06 155	0.15 459	0.10 380

RAFT + AFF	0.13 246	0.07 125	0.20 391	0.20 373	0.10 309	0.14 247	0.24 437	0.26 319	0.20 238	0.11 126	0.10 91	0.12 163	0.10 171	0.15 252	0.12 206	0.07 210	0.06 276	0.09 325	0.08 306	0.06 164	0.08 313

GMStereo	0.13 246	0.14 421	0.14 234	0.18 269	0.09 208	0.15 272	0.16 254	0.20 202	0.24 293	0.16 265	0.17 208	0.10 125	0.10 171	0.16 286	0.13 247	0.07 210	0.06 276	0.06 75	0.06 155	0.07 230	0.06 170
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 246	0.07 125	0.14 234	0.17 189	0.09 208	0.15 272	0.16 254	0.28 359	0.27 337	0.14 210	0.17 208	0.12 163	0.13 262	0.14 230	0.11 159	0.08 270	0.05 160	0.07 165	0.07 242	0.07 230	0.06 170

FENet	0.13 246	0.08 217	0.12 155	0.16 124	0.08 101	0.14 247	0.15 189	0.22 245	0.23 277	0.17 281	0.23 292	0.16 250	0.12 225	0.14 230	0.15 312	0.08 270	0.05 160	0.08 246	0.08 306	0.07 230	0.07 248

cf-r	0.13 246	0.07 125	0.12 155	0.16 124	0.08 101	0.14 247	0.19 368	0.20 202	0.25 314	0.17 281	0.25 332	0.21 317	0.16 331	0.14 230	0.14 284	0.10 362	0.05 160	0.06 75	0.08 306	0.06 164	0.06 170

iResNet	0.13 246	0.10 338	0.18 368	0.19 325	0.08 101	0.13 215	0.18 330	0.20 202	0.26 328	0.15 237	0.23 292	0.15 236	0.13 262	0.14 230	0.14 284	0.06 92	0.04 3	0.06 75	0.05 81	0.06 164	0.05 95

DN-CSS_ROB	0.13 246	0.13 409	0.16 317	0.18 269	0.10 309	0.16 302	0.08 4	0.22 245	0.18 201	0.17 281	0.22 283	0.13 187	0.13 262	0.12 164	0.13 247	0.05 7	0.05 160	0.10 370	0.10 385	0.08 291	0.06 170

coex_refinement	0.14 279	0.07 125	0.12 155	0.17 189	0.10 309	0.15 272	0.15 189	0.26 319	0.29 357	0.18 311	0.20 253	0.22 335	0.17 353	0.16 286	0.18 360	0.08 270	0.05 160	0.06 75	0.06 155	0.09 350	0.08 313

G2L-Stereo	0.14 279	0.07 125	0.13 200	0.17 189	0.09 208	0.13 215	0.12 42	0.27 340	0.22 267	0.16 265	0.27 358	0.21 317	0.13 262	0.17 318	0.18 360	0.09 325	0.08 371	0.08 246	0.07 242	0.07 230	0.07 248

rvit_0105_6	0.14 279	0.09 283	0.18 368	0.17 189	0.10 309	0.10 102	0.16 254	0.19 191	0.26 328	0.12 162	0.18 233	0.17 270	0.12 225	0.18 337	0.12 206	0.15 455	0.11 427	0.12 418	0.10 385	0.09 350	0.06 170

rvit_0105_5	0.14 279	0.09 283	0.13 200	0.17 189	0.09 208	0.14 247	0.23 425	0.24 286	0.27 337	0.14 210	0.15 175	0.18 284	0.12 225	0.17 318	0.14 284	0.14 451	0.11 427	0.10 370	0.10 385	0.08 291	0.06 170

rvit_0105_4	0.14 279	0.09 283	0.17 345	0.17 189	0.10 309	0.12 177	0.19 368	0.23 264	0.27 337	0.14 210	0.20 253	0.17 270	0.13 262	0.17 318	0.13 247	0.15 455	0.11 427	0.11 401	0.10 385	0.09 350	0.06 170

DCVSM-stereo	0.14 279	0.09 283	0.16 317	0.16 124	0.10 309	0.15 272	0.09 8	0.19 191	0.23 277	0.20 347	0.23 292	0.26 380	0.15 305	0.18 337	0.14 284	0.09 325	0.07 345	0.09 325	0.08 306	0.10 381	0.12 415

test_sample6	0.14 279	0.08 217	0.13 200	0.16 124	0.08 101	0.17 323	0.19 368	0.25 302	0.17 175	0.17 281	0.27 358	0.19 298	0.14 287	0.15 252	0.13 247	0.08 270	0.05 160	0.08 246	0.07 242	0.08 291	0.08 313

test_sample5	0.14 279	0.08 217	0.14 234	0.16 124	0.08 101	0.18 341	0.18 330	0.25 302	0.17 175	0.17 281	0.27 358	0.18 284	0.14 287	0.16 286	0.13 247	0.08 270	0.05 160	0.08 246	0.07 242	0.08 291	0.08 313

test_sample4	0.14 279	0.08 217	0.14 234	0.15 65	0.08 101	0.19 365	0.18 330	0.26 319	0.17 175	0.16 265	0.25 332	0.18 284	0.14 287	0.16 286	0.13 247	0.08 270	0.06 276	0.08 246	0.06 155	0.08 291	0.08 313

test_sample3	0.14 279	0.08 217	0.15 283	0.14 25	0.09 208	0.19 365	0.17 285	0.26 319	0.18 201	0.16 265	0.22 283	0.19 298	0.15 305	0.17 318	0.13 247	0.08 270	0.06 276	0.07 165	0.06 155	0.09 350	0.08 313

DispNO	0.14 279	0.08 217	0.17 345	0.19 325	0.12 387	0.11 144	0.21 407	0.23 264	0.29 357	0.17 281	0.23 292	0.18 284	0.17 353	0.15 252	0.15 312	0.07 210	0.05 160	0.08 246	0.08 306	0.07 230	0.06 170

SMFormer	0.14 279	0.07 125	0.17 345	0.14 25	0.08 101	0.16 302	0.17 285	0.26 319	0.27 337	0.19 326	0.20 253	0.18 284	0.15 305	0.15 252	0.17 342	0.08 270	0.05 160	0.07 165	0.06 155	0.07 230	0.06 170

tta	0.14 279	0.07 125	0.17 345	0.14 25	0.08 101	0.16 302	0.17 285	0.26 319	0.27 337	0.19 326	0.20 253	0.18 284	0.15 305	0.15 252	0.17 342	0.08 270	0.05 160	0.07 165	0.06 155	0.06 164	0.06 170

mmm	0.14 279	0.08 217	0.17 345	0.17 189	0.09 208	0.17 323	0.18 330	0.21 223	0.15 132	0.15 237	0.23 292	0.21 317	0.16 331	0.16 286	0.17 342	0.08 270	0.05 160	0.08 246	0.07 242	0.07 230	0.07 248

DualNet	0.14 279	0.08 217	0.14 234	0.16 124	0.08 101	0.18 341	0.18 330	0.25 302	0.17 175	0.17 281	0.27 358	0.18 284	0.14 287	0.16 286	0.13 247	0.08 270	0.05 160	0.08 246	0.07 242	0.08 291	0.08 313

mmx	0.14 279	0.09 283	0.14 234	0.16 124	0.08 101	0.17 323	0.17 285	0.27 340	0.25 314	0.15 237	0.25 332	0.19 298	0.13 262	0.14 230	0.20 378	0.08 270	0.06 276	0.09 325	0.08 306	0.08 291	0.08 313

ttt	0.14 279	0.08 217	0.14 234	0.15 65	0.08 101	0.15 272	0.18 330	0.27 340	0.29 357	0.16 265	0.24 303	0.17 270	0.13 262	0.13 205	0.14 284	0.11 390	0.08 371	0.09 325	0.08 306	0.09 350	0.08 313

xxx	0.14 279	0.09 283	0.14 234	0.16 124	0.08 101	0.17 323	0.17 285	0.27 340	0.25 314	0.15 237	0.25 332	0.19 298	0.13 262	0.14 230	0.20 378	0.08 270	0.06 276	0.09 325	0.08 306	0.08 291	0.08 313

PCWNet_CMD	0.14 279	0.08 217	0.15 283	0.17 189	0.09 208	0.14 247	0.14 123	0.29 369	0.36 412	0.14 210	0.20 253	0.21 317	0.12 225	0.17 318	0.13 247	0.07 210	0.05 160	0.07 165	0.07 242	0.07 230	0.07 248

CBFPSM	0.14 279	0.06 52	0.26 425	0.17 189	0.09 208	0.13 215	0.15 189	0.22 245	0.23 277	0.20 347	0.27 358	0.24 358	0.16 331	0.16 286	0.18 360	0.06 92	0.06 276	0.06 75	0.07 242	0.07 230	0.07 248

gwcnet-sp	0.14 279	0.07 125	0.12 155	0.18 269	0.09 208	0.16 302	0.17 285	0.24 286	0.24 293	0.18 311	0.24 303	0.15 236	0.16 331	0.15 252	0.15 312	0.08 270	0.06 276	0.07 165	0.08 306	0.08 291	0.07 248

scenet	0.14 279	0.07 125	0.12 155	0.18 269	0.09 208	0.16 302	0.17 285	0.24 286	0.24 293	0.18 311	0.24 303	0.15 236	0.16 331	0.15 252	0.15 312	0.08 270	0.06 276	0.07 165	0.08 306	0.08 291	0.07 248

ssnet	0.14 279	0.07 125	0.12 155	0.18 269	0.09 208	0.16 302	0.17 285	0.24 286	0.24 293	0.18 311	0.24 303	0.15 236	0.16 331	0.15 252	0.15 312	0.08 270	0.06 276	0.07 165	0.08 306	0.08 291	0.07 248

BUS	0.14 279	0.09 283	0.14 234	0.22 417	0.10 309	0.19 365	0.14 123	0.34 431	0.19 215	0.17 281	0.22 283	0.16 250	0.13 262	0.15 252	0.13 247	0.08 270	0.06 276	0.10 370	0.09 350	0.07 230	0.07 248

IER	0.14 279	0.07 125	0.13 200	0.17 189	0.09 208	0.14 247	0.16 254	0.25 302	0.26 328	0.18 311	0.25 332	0.17 270	0.20 394	0.16 286	0.14 284	0.08 270	0.05 160	0.07 165	0.06 155	0.08 291	0.07 248

test_5	0.14 279	0.12 380	0.08 18	0.20 373	0.10 309	0.14 247	0.29 480	0.21 223	0.24 293	0.18 311	0.28 371	0.11 146	0.15 305	0.12 164	0.13 247	0.06 92	0.05 160	0.07 165	0.08 306	0.08 291	0.07 248

psmg	0.14 279	0.09 283	0.14 234	0.17 189	0.10 309	0.15 272	0.17 285	0.29 369	0.19 215	0.17 281	0.21 274	0.25 371	0.16 331	0.15 252	0.14 284	0.08 270	0.06 276	0.08 246	0.08 306	0.07 230	0.06 170

UDGNet	0.14 279	0.13 409	0.16 317	0.17 189	0.10 309	0.12 177	0.16 254	0.21 223	0.27 337	0.20 347	0.20 253	0.16 250	0.13 262	0.16 286	0.13 247	0.10 362	0.06 276	0.09 325	0.07 242	0.06 164	0.07 248

CFNet_pseudo	0.14 279	0.08 217	0.15 283	0.16 124	0.09 208	0.13 215	0.14 123	0.27 340	0.34 399	0.14 210	0.21 274	0.22 335	0.13 262	0.18 337	0.14 284	0.07 210	0.05 160	0.08 246	0.06 155	0.07 230	0.07 248

GES	0.14 279	0.08 217	0.16 317	0.15 65	0.10 309	0.13 215	0.13 77	0.28 359	0.25 314	0.16 265	0.23 292	0.18 284	0.13 262	0.16 286	0.13 247	0.08 270	0.07 345	0.07 165	0.06 155	0.08 291	0.09 357

GANet-RSSM	0.14 279	0.07 125	0.13 200	0.13 12	0.08 101	0.14 247	0.17 285	0.22 245	0.21 253	0.17 281	0.24 303	0.23 352	0.15 305	0.16 286	0.15 312	0.10 362	0.06 276	0.07 165	0.08 306	0.08 291	0.07 248

PSMNet-RSSM	0.14 279	0.07 125	0.13 200	0.15 65	0.08 101	0.13 215	0.16 254	0.24 286	0.24 293	0.16 265	0.28 371	0.22 335	0.14 287	0.15 252	0.13 247	0.11 390	0.06 276	0.09 325	0.12 434	0.08 291	0.07 248

GwcNet-RSSM	0.14 279	0.07 125	0.12 155	0.15 65	0.08 101	0.15 272	0.20 390	0.21 223	0.27 337	0.18 311	0.27 358	0.22 335	0.16 331	0.14 230	0.15 312	0.10 362	0.05 160	0.07 165	0.09 350	0.07 230	0.07 248

CFNet-ft	0.14 279	0.07 125	0.15 283	0.12 4	0.09 208	0.16 302	0.18 330	0.22 245	0.24 293	0.17 281	0.26 349	0.24 358	0.14 287	0.16 286	0.14 284	0.11 390	0.06 276	0.08 246	0.09 350	0.09 350	0.08 313

DMCA	0.14 279	0.09 283	0.16 317	0.19 325	0.09 208	0.15 272	0.17 285	0.23 264	0.27 337	0.14 210	0.19 241	0.17 270	0.18 366	0.15 252	0.17 342	0.10 362	0.06 276	0.08 246	0.06 155	0.09 350	0.10 380

RASNet	0.14 279	0.07 125	0.14 234	0.16 124	0.08 101	0.18 341	0.14 123	0.29 369	0.20 238	0.17 281	0.25 332	0.21 317	0.18 366	0.20 378	0.19 371	0.07 210	0.06 276	0.06 75	0.08 306	0.06 164	0.06 170

MSMDNet	0.14 279	0.08 217	0.15 283	0.17 189	0.09 208	0.14 247	0.14 123	0.29 369	0.36 412	0.14 210	0.21 274	0.21 317	0.12 225	0.17 318	0.14 284	0.07 210	0.05 160	0.07 165	0.07 242	0.07 230	0.07 248

HSM-Net_RVC	0.14 279	0.08 217	0.11 121	0.15 65	0.08 101	0.15 272	0.15 189	0.27 340	0.29 357	0.19 326	0.21 274	0.29 405	0.14 287	0.17 318	0.13 247	0.06 92	0.06 276	0.06 75	0.06 155	0.07 230	0.06 170
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 279	0.07 125	0.15 283	0.12 4	0.09 208	0.16 302	0.18 330	0.22 245	0.24 293	0.17 281	0.26 349	0.24 358	0.14 287	0.16 286	0.14 284	0.11 390	0.06 276	0.08 246	0.09 350	0.09 350	0.08 313

ccs_rob	0.14 279	0.08 217	0.15 283	0.16 124	0.09 208	0.12 177	0.14 123	0.27 340	0.34 399	0.14 210	0.21 274	0.22 335	0.13 262	0.18 337	0.14 284	0.07 210	0.05 160	0.08 246	0.07 242	0.07 230	0.07 248

UCFNet_RVC	0.14 279	0.08 217	0.13 200	0.11 1	0.10 309	0.20 380	0.10 14	0.24 286	0.22 267	0.17 281	0.20 253	0.23 352	0.15 305	0.17 318	0.15 312	0.12 415	0.07 345	0.10 370	0.13 444	0.11 401	0.10 380

iResNetv2_ROB	0.14 279	0.08 217	0.15 283	0.16 124	0.08 101	0.16 302	0.12 42	0.25 302	0.35 408	0.21 360	0.29 383	0.24 358	0.13 262	0.14 230	0.14 284	0.06 92	0.05 160	0.06 75	0.04 23	0.09 350	0.08 313

iResNet_ROB	0.14 279	0.07 125	0.13 200	0.14 25	0.07 52	0.18 341	0.14 123	0.26 319	0.31 374	0.22 375	0.25 332	0.23 352	0.15 305	0.15 252	0.13 247	0.07 210	0.05 160	0.05 3	0.04 23	0.08 291	0.08 313

G2L-Stereo_aug	0.15 322	0.06 52	0.12 155	0.14 25	0.07 52	0.18 341	0.19 368	0.20 202	0.38 424	0.22 375	0.26 349	0.27 388	0.14 287	0.18 337	0.19 371	0.07 210	0.05 160	0.05 3	0.04 23	0.06 164	0.07 248

DDVS	0.15 322	0.10 338	0.21 399	0.16 124	0.12 387	0.15 272	0.14 123	0.25 302	0.19 215	0.18 311	0.29 383	0.27 388	0.12 225	0.19 353	0.15 312	0.09 325	0.06 276	0.09 325	0.07 242	0.11 401	0.11 403

rvit_0105_3	0.15 322	0.09 283	0.14 234	0.19 325	0.12 387	0.15 272	0.25 451	0.25 302	0.29 357	0.15 237	0.17 208	0.20 310	0.13 262	0.17 318	0.14 284	0.13 438	0.11 427	0.12 418	0.14 447	0.07 230	0.06 170

ACV-stereo	0.15 322	0.10 338	0.28 437	0.18 269	0.12 387	0.14 247	0.12 42	0.23 264	0.21 253	0.19 326	0.23 292	0.22 335	0.15 305	0.23 416	0.17 342	0.07 210	0.06 276	0.07 165	0.07 242	0.07 230	0.07 248

ITSA-stereo	0.15 322	0.10 338	0.14 234	0.19 325	0.08 101	0.12 177	0.14 123	0.30 383	0.49 468	0.17 281	0.19 241	0.22 335	0.15 305	0.17 318	0.16 328	0.10 362	0.06 276	0.08 246	0.08 306	0.08 291	0.08 313

test_sample7	0.15 322	0.10 338	0.16 317	0.14 25	0.11 356	0.16 302	0.16 254	0.27 340	0.23 277	0.20 347	0.20 253	0.24 358	0.19 382	0.16 286	0.16 328	0.12 415	0.06 276	0.10 370	0.09 350	0.10 381	0.10 380

1111x	0.15 322	0.08 217	0.12 155	0.18 269	0.07 52	0.18 341	0.25 451	0.31 392	0.24 293	0.17 281	0.24 303	0.26 380	0.15 305	0.13 205	0.23 419	0.07 210	0.07 345	0.08 246	0.09 350	0.07 230	0.06 170

CFNet_ucs	0.15 322	0.08 217	0.16 317	0.16 124	0.11 356	0.14 247	0.14 123	0.30 383	0.34 399	0.16 265	0.24 303	0.23 352	0.14 287	0.18 337	0.15 312	0.09 325	0.06 276	0.08 246	0.07 242	0.09 350	0.09 357

BSDual-CNN	0.15 322	0.09 283	0.14 234	0.22 417	0.10 309	0.14 247	0.15 189	0.34 431	0.19 215	0.17 281	0.22 283	0.25 371	0.16 331	0.15 252	0.14 284	0.08 270	0.06 276	0.10 370	0.09 350	0.07 230	0.07 248

hknet	0.15 322	0.11 363	0.13 200	0.22 417	0.11 356	0.14 247	0.15 189	0.34 431	0.25 314	0.17 281	0.22 283	0.22 335	0.18 366	0.17 318	0.12 206	0.07 210	0.06 276	0.10 370	0.09 350	0.07 230	0.07 248

dd	0.15 322	0.16 435	0.16 317	0.19 325	0.09 208	0.15 272	0.18 330	0.21 223	0.25 314	0.23 388	0.20 253	0.21 317	0.09 141	0.21 394	0.16 328	0.10 362	0.06 276	0.08 246	0.06 155	0.08 291	0.06 170

DAS	0.15 322	0.08 217	0.18 368	0.19 325	0.10 309	0.19 365	0.17 285	0.27 340	0.29 357	0.18 311	0.25 332	0.21 317	0.15 305	0.16 286	0.12 206	0.08 270	0.06 276	0.06 75	0.06 155	0.07 230	0.07 248

SepStereo	0.15 322	0.08 217	0.18 368	0.19 325	0.10 309	0.19 365	0.17 285	0.27 340	0.29 357	0.18 311	0.25 332	0.21 317	0.15 305	0.25 430	0.12 206	0.08 270	0.06 276	0.06 75	0.06 155	0.07 230	0.07 248

PSMNet-ADL	0.15 322	0.12 380	0.13 200	0.22 417	0.09 208	0.13 215	0.20 390	0.26 319	0.23 277	0.18 311	0.20 253	0.24 358	0.16 331	0.18 337	0.17 342	0.08 270	0.08 371	0.08 246	0.11 415	0.08 291	0.07 248

LMCR-Stereo	0.15 322	0.08 217	0.13 200	0.21 402	0.09 208	0.17 323	0.20 390	0.27 340	0.19 215	0.24 397	0.24 303	0.23 352	0.17 353	0.20 378	0.17 342	0.07 210	0.06 276	0.08 246	0.06 155	0.10 381	0.08 313

ICVP	0.15 322	0.09 283	0.12 155	0.22 417	0.09 208	0.17 323	0.21 407	0.25 302	0.23 277	0.18 311	0.30 389	0.26 380	0.18 366	0.17 318	0.14 284	0.09 325	0.07 345	0.08 246	0.07 242	0.07 230	0.07 248
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 322	0.07 125	0.14 234	0.14 25	0.08 101	0.23 417	0.18 330	0.31 392	0.19 215	0.14 210	0.28 371	0.22 335	0.14 287	0.15 252	0.26 448	0.09 325	0.05 160	0.07 165	0.07 242	0.08 291	0.07 248

test_xeample	0.15 322	0.06 52	0.13 200	0.14 25	0.08 101	0.21 396	0.20 390	0.28 359	0.20 238	0.16 265	0.29 383	0.19 298	0.16 331	0.15 252	0.26 448	0.09 325	0.05 160	0.07 165	0.07 242	0.07 230	0.07 248

ACVNet	0.15 322	0.09 283	0.15 283	0.13 12	0.12 387	0.14 247	0.20 390	0.22 245	0.33 388	0.17 281	0.26 349	0.21 317	0.16 331	0.17 318	0.21 398	0.07 210	0.06 276	0.06 75	0.06 155	0.08 291	0.06 170

acv_ft	0.15 322	0.09 283	0.15 283	0.19 325	0.10 309	0.16 302	0.17 285	0.25 302	0.33 388	0.19 326	0.26 349	0.21 317	0.17 353	0.17 318	0.18 360	0.07 210	0.06 276	0.06 75	0.06 155	0.08 291	0.06 170

CFNet	0.15 322	0.10 338	0.17 345	0.17 189	0.08 101	0.18 341	0.09 8	0.28 359	0.25 314	0.19 326	0.24 303	0.24 358	0.17 353	0.17 318	0.14 284	0.08 270	0.06 276	0.09 325	0.10 385	0.07 230	0.06 170

AdaStereo	0.15 322	0.11 363	0.15 283	0.18 269	0.09 208	0.20 380	0.11 25	0.32 403	0.28 351	0.20 347	0.23 292	0.20 310	0.13 262	0.19 353	0.14 284	0.12 415	0.05 160	0.10 370	0.07 242	0.09 350	0.07 248
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	0.15 322	0.08 217	0.14 234	0.16 124	0.09 208	0.16 302	0.14 123	0.28 359	0.25 314	0.19 326	0.23 292	0.37 453	0.16 331	0.20 378	0.15 312	0.07 210	0.05 160	0.07 165	0.06 155	0.07 230	0.06 170

pmcnn	0.15 322	0.07 125	0.19 379	0.15 65	0.07 52	0.20 380	0.15 189	0.24 286	0.26 328	0.21 360	0.34 417	0.28 398	0.18 366	0.18 337	0.17 342	0.07 210	0.05 160	0.05 3	0.04 23	0.07 230	0.06 170

DualNet (step1)	0.16 346	0.12 380	0.20 391	0.12 4	0.14 426	0.17 323	0.13 77	0.27 340	0.23 277	0.20 347	0.20 253	0.24 358	0.19 382	0.16 286	0.16 328	0.15 455	0.06 276	0.14 445	0.14 447	0.14 444	0.12 415

GMStereo_Zeroshot	0.16 346	0.13 409	0.24 417	0.20 373	0.10 309	0.17 323	0.13 77	0.29 369	0.25 314	0.23 388	0.32 401	0.25 371	0.11 196	0.19 353	0.14 284	0.09 325	0.06 276	0.11 401	0.06 155	0.12 415	0.08 313

iinet-f	0.16 346	0.06 52	0.45 478	0.14 25	0.10 309	0.21 396	0.14 123	0.27 340	0.23 277	0.21 360	0.24 303	0.21 317	0.15 305	0.18 337	0.21 398	0.09 325	0.07 345	0.07 165	0.06 155	0.09 350	0.10 380

CRFU-Net	0.16 346	0.08 217	0.14 234	0.17 189	0.09 208	0.19 365	0.14 123	0.26 319	0.20 238	0.28 434	0.27 358	0.29 405	0.17 353	0.19 353	0.17 342	0.09 325	0.09 397	0.07 165	0.07 242	0.08 291	0.08 313

NINENet	0.16 346	0.10 338	0.15 283	0.17 189	0.11 356	0.19 365	0.14 123	0.40 469	0.36 412	0.18 311	0.21 274	0.16 250	0.13 262	0.15 252	0.13 247	0.08 270	0.08 371	0.10 370	0.07 242	0.10 381	0.09 357

CSP-Net	0.16 346	0.09 283	0.14 234	0.16 124	0.09 208	0.19 365	0.17 285	0.25 302	0.32 381	0.25 410	0.30 389	0.24 358	0.15 305	0.21 394	0.18 360	0.09 325	0.06 276	0.07 165	0.07 242	0.08 291	0.07 248

AASNet	0.16 346	0.08 217	0.12 155	0.19 325	0.09 208	0.18 341	0.15 189	0.37 454	0.37 419	0.19 326	0.23 292	0.20 310	0.16 331	0.17 318	0.20 378	0.10 362	0.08 371	0.08 246	0.07 242	0.09 350	0.09 357

AACVNet	0.16 346	0.08 217	0.14 234	0.15 65	0.10 309	0.18 341	0.15 189	0.23 264	0.24 293	0.27 420	0.27 358	0.28 398	0.17 353	0.19 353	0.16 328	0.09 325	0.07 345	0.09 325	0.07 242	0.10 381	0.09 357

ADLNet2	0.16 346	0.09 283	0.13 200	0.16 124	0.09 208	0.20 380	0.16 254	0.31 392	0.39 428	0.16 265	0.20 253	0.20 310	0.18 366	0.21 394	0.22 407	0.08 270	0.06 276	0.07 165	0.07 242	0.09 350	0.07 248

Anonymous3	0.16 346	0.13 409	0.33 456	0.26 461	0.14 426	0.27 449	0.17 285	0.28 359	0.28 351	0.15 237	0.17 208	0.14 207	0.10 171	0.15 252	0.12 206	0.08 270	0.08 371	0.08 246	0.08 306	0.08 291	0.11 403

ADLNet	0.16 346	0.08 217	0.15 283	0.16 124	0.10 309	0.16 302	0.17 285	0.32 403	0.27 337	0.22 375	0.27 358	0.24 358	0.16 331	0.18 337	0.21 398	0.10 362	0.06 276	0.10 370	0.10 385	0.08 291	0.09 357

HCRNet	0.16 346	0.24 477	0.12 155	0.35 492	0.11 356	0.15 272	0.17 285	0.26 319	0.22 267	0.19 326	0.24 303	0.21 317	0.14 287	0.15 252	0.13 247	0.11 390	0.07 345	0.11 401	0.10 385	0.09 350	0.07 248

222	0.16 346	0.07 125	0.14 234	0.14 25	0.08 101	0.24 422	0.18 330	0.30 383	0.20 238	0.17 281	0.28 371	0.17 270	0.16 331	0.15 252	0.40 495	0.10 362	0.05 160	0.07 165	0.06 155	0.07 230	0.08 313

UPFNet	0.16 346	0.08 217	0.12 155	0.20 373	0.12 387	0.20 380	0.23 425	0.28 359	0.26 328	0.17 281	0.24 303	0.22 335	0.19 382	0.19 353	0.21 398	0.09 325	0.07 345	0.08 246	0.09 350	0.08 291	0.06 170

ac_64	0.16 346	0.08 217	0.15 283	0.18 269	0.10 309	0.22 404	0.18 330	0.24 286	0.21 253	0.18 311	0.24 303	0.29 405	0.18 366	0.19 353	0.22 407	0.09 325	0.07 345	0.08 246	0.09 350	0.07 230	0.06 170

DSFCA	0.16 346	0.09 283	0.14 234	0.16 124	0.10 309	0.20 380	0.19 368	0.28 359	0.31 374	0.23 388	0.24 303	0.22 335	0.15 305	0.19 353	0.20 378	0.10 362	0.07 345	0.09 325	0.09 350	0.08 291	0.08 313

FADNet-RVC-Resample	0.16 346	0.11 363	0.31 450	0.22 417	0.11 356	0.19 365	0.14 123	0.25 302	0.24 293	0.24 397	0.27 358	0.20 310	0.15 305	0.16 286	0.15 312	0.07 210	0.08 371	0.12 418	0.10 385	0.09 350	0.10 380

FADNet_RVC	0.16 346	0.14 421	0.40 472	0.20 373	0.11 356	0.13 215	0.13 77	0.26 319	0.22 267	0.21 360	0.23 292	0.20 310	0.17 353	0.14 230	0.16 328	0.08 270	0.08 371	0.12 418	0.09 350	0.11 401	0.10 380

AANet_RVC	0.16 346	0.10 338	0.10 81	0.18 269	0.09 208	0.18 341	0.19 368	0.26 319	0.31 374	0.22 375	0.35 421	0.21 317	0.21 398	0.22 405	0.16 328	0.06 92	0.05 160	0.06 75	0.06 155	0.07 230	0.06 170

DeepPruner_ROB	0.16 346	0.11 363	0.15 283	0.17 189	0.10 309	0.17 323	0.15 189	0.32 403	0.21 253	0.19 326	0.21 274	0.22 335	0.18 366	0.20 378	0.15 312	0.13 438	0.09 397	0.09 325	0.09 350	0.11 401	0.10 380

rvit_stereo_0075_2	0.17 366	0.12 380	0.25 422	0.23 437	0.16 452	0.13 215	0.10 14	0.30 383	0.27 337	0.20 347	0.28 371	0.22 335	0.15 305	0.18 337	0.13 247	0.16 471	0.10 416	0.17 465	0.10 385	0.10 381	0.09 357

ToySt	0.17 366	0.11 363	0.18 368	0.17 189	0.11 356	0.16 302	0.25 451	0.24 286	0.33 388	0.19 326	0.24 303	0.26 380	0.24 419	0.19 353	0.20 378	0.07 210	0.08 371	0.09 325	0.10 385	0.09 350	0.08 313

ssnet_v2	0.17 366	0.10 338	0.17 345	0.17 189	0.11 356	0.21 396	0.21 407	0.33 422	0.25 314	0.22 375	0.22 283	0.27 388	0.18 366	0.22 405	0.20 378	0.11 390	0.09 397	0.09 325	0.09 350	0.08 291	0.08 313

dad	0.17 366	0.20 463	0.20 391	0.16 124	0.11 356	0.20 380	0.18 330	0.21 223	0.28 351	0.30 444	0.24 303	0.29 405	0.13 262	0.19 353	0.16 328	0.18 477	0.09 397	0.11 401	0.09 350	0.11 401	0.07 248

GEStereo_RVC	0.17 366	0.12 380	0.15 283	0.22 417	0.11 356	0.19 365	0.17 285	0.32 403	0.48 463	0.20 347	0.25 332	0.17 270	0.13 262	0.21 394	0.16 328	0.10 362	0.06 276	0.08 246	0.07 242	0.09 350	0.08 313

MMNet	0.17 366	0.09 283	0.16 317	0.20 373	0.11 356	0.27 449	0.20 390	0.25 302	0.41 437	0.22 375	0.30 389	0.21 317	0.20 394	0.17 318	0.20 378	0.06 92	0.06 276	0.07 165	0.07 242	0.08 291	0.07 248

delet	0.17 366	0.08 217	0.17 345	0.19 325	0.11 356	0.20 380	0.21 407	0.30 383	0.37 419	0.17 281	0.26 349	0.19 298	0.19 382	0.19 353	0.21 398	0.08 270	0.08 371	0.09 325	0.11 415	0.06 164	0.06 170

UNet	0.17 366	0.09 283	0.18 368	0.19 325	0.12 387	0.27 449	0.19 368	0.33 422	0.29 357	0.21 360	0.24 303	0.23 352	0.19 382	0.19 353	0.18 360	0.07 210	0.06 276	0.08 246	0.07 242	0.08 291	0.06 170

HGLStereo	0.17 366	0.08 217	0.19 379	0.17 189	0.12 387	0.18 341	0.18 330	0.31 392	0.32 381	0.21 360	0.32 401	0.25 371	0.18 366	0.19 353	0.20 378	0.09 325	0.09 397	0.07 165	0.07 242	0.09 350	0.10 380

DMCA-RVC	0.17 366	0.10 338	0.15 283	0.24 446	0.11 356	0.18 341	0.18 330	0.25 302	0.24 293	0.21 360	0.26 349	0.25 371	0.27 440	0.18 337	0.20 378	0.12 415	0.08 371	0.13 433	0.10 385	0.10 381	0.08 313

TDLM	0.17 366	0.12 380	0.13 200	0.24 446	0.10 309	0.18 341	0.18 330	0.36 449	0.30 367	0.21 360	0.28 371	0.28 398	0.18 366	0.23 416	0.18 360	0.11 390	0.07 345	0.10 370	0.10 385	0.08 291	0.08 313

NLCA_NET_v2_RVC	0.17 366	0.10 338	0.22 405	0.20 373	0.10 309	0.15 272	0.18 330	0.31 392	0.25 314	0.21 360	0.30 389	0.25 371	0.17 353	0.21 394	0.20 378	0.09 325	0.06 276	0.08 246	0.08 306	0.07 230	0.08 313
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	0.17 366	0.12 380	0.15 283	0.20 373	0.09 208	0.18 341	0.18 330	0.26 319	0.23 277	0.26 414	0.40 448	0.22 335	0.17 353	0.21 394	0.20 378	0.08 270	0.05 160	0.09 325	0.10 385	0.07 230	0.07 248
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 379	0.08 217	0.19 379	0.19 325	0.13 408	0.15 272	0.12 42	0.30 383	0.32 381	0.21 360	0.25 332	0.27 388	0.17 353	0.17 318	0.20 378	0.20 484	0.08 371	0.14 445	0.14 447	0.14 444	0.17 476

test_sample9	0.18 379	0.12 380	0.20 391	0.12 4	0.14 426	0.17 323	0.13 77	0.27 340	0.23 277	0.20 347	0.20 253	0.24 358	0.19 382	0.19 353	0.17 342	0.15 455	0.30 502	0.14 445	0.14 447	0.14 444	0.12 415

fast-acv-ft	0.18 379	0.11 363	0.19 379	0.19 325	0.12 387	0.24 422	0.21 407	0.25 302	0.34 399	0.22 375	0.34 417	0.27 388	0.20 394	0.21 394	0.23 419	0.09 325	0.09 397	0.08 246	0.10 385	0.08 291	0.07 248

HBP-ISP	0.18 379	0.13 409	0.16 317	0.15 65	0.11 356	0.08 41	0.13 77	0.28 359	0.29 357	0.22 375	0.33 413	0.21 317	0.25 427	0.23 416	0.17 342	0.14 451	0.16 472	0.21 479	0.17 473	0.10 381	0.08 313

Wz-Net-LNSev-Ref	0.18 379	0.09 283	0.29 445	0.15 65	0.10 309	0.22 404	0.20 390	0.26 319	0.39 428	0.25 410	0.42 464	0.24 358	0.15 305	0.20 378	0.19 371	0.07 210	0.05 160	0.06 75	0.05 81	0.10 381	0.09 357

SACVNet	0.18 379	0.12 380	0.14 234	0.17 189	0.13 408	0.22 404	0.18 330	0.31 392	0.30 367	0.23 388	0.31 397	0.30 413	0.22 407	0.22 405	0.17 342	0.11 390	0.08 371	0.10 370	0.10 385	0.12 415	0.14 450

psm_up	0.18 379	0.10 338	0.18 368	0.20 373	0.11 356	0.17 323	0.19 368	0.37 454	0.34 399	0.21 360	0.28 371	0.29 405	0.24 419	0.20 378	0.22 407	0.09 325	0.10 416	0.11 401	0.11 415	0.08 291	0.08 313

hitnet-ft	0.18 379	0.09 283	0.17 345	0.14 25	0.09 208	0.26 440	0.20 390	0.25 302	0.26 328	0.24 397	0.32 401	0.31 425	0.22 407	0.24 425	0.21 398	0.12 415	0.07 345	0.10 370	0.08 306	0.12 415	0.11 403

STTStereo	0.18 379	0.12 380	0.27 432	0.20 373	0.11 356	0.16 302	0.21 407	0.29 369	0.23 277	0.21 360	0.30 389	0.29 405	0.18 366	0.20 378	0.19 371	0.12 415	0.11 427	0.11 401	0.14 447	0.09 350	0.08 313

CVANet_RVC	0.18 379	0.10 338	0.14 234	0.21 402	0.10 309	0.18 341	0.17 285	0.34 431	0.33 388	0.22 375	0.31 397	0.28 398	0.18 366	0.23 416	0.17 342	0.12 415	0.08 371	0.12 418	0.11 415	0.09 350	0.07 248

StereoDRNet	0.18 379	0.11 363	0.17 345	0.22 417	0.11 356	0.21 396	0.22 416	0.37 454	0.33 388	0.24 397	0.28 371	0.30 413	0.19 382	0.20 378	0.20 378	0.09 325	0.08 371	0.11 401	0.09 350	0.09 350	0.07 248

DLCB_ROB	0.18 379	0.10 338	0.15 283	0.23 437	0.11 356	0.24 422	0.18 330	0.29 369	0.28 351	0.27 420	0.28 371	0.28 398	0.24 419	0.19 353	0.20 378	0.08 270	0.08 371	0.09 325	0.09 350	0.07 230	0.07 248

TCMNet	0.19 391	0.12 380	0.19 379	0.20 373	0.18 473	0.20 380	0.24 437	0.27 340	0.36 412	0.23 388	0.26 349	0.25 371	0.19 382	0.19 353	0.23 419	0.13 438	0.11 427	0.11 401	0.12 434	0.13 431	0.12 415

rvit_105_1	0.19 391	0.11 363	0.25 422	0.21 402	0.16 452	0.21 396	0.27 465	0.31 392	0.41 437	0.19 326	0.20 253	0.22 335	0.17 353	0.19 353	0.17 342	0.12 415	0.12 441	0.13 433	0.15 462	0.08 291	0.07 248

test_sample8	0.19 391	0.12 380	0.20 391	0.12 4	0.14 426	0.17 323	0.13 77	0.31 392	0.21 253	0.27 420	0.22 283	0.36 448	0.25 427	0.19 353	0.17 342	0.15 455	0.30 502	0.14 445	0.14 447	0.14 444	0.12 415

SDNR	0.19 391	0.08 217	0.19 379	0.16 124	0.12 387	0.77 518	0.14 123	0.25 302	0.32 381	0.19 326	0.24 303	0.19 298	0.13 262	0.19 353	0.15 312	0.16 471	0.18 479	0.14 445	0.11 415	0.08 291	0.11 403

pcwnet_v2	0.19 391	0.10 338	0.26 425	0.17 189	0.14 426	0.18 341	0.15 189	0.37 454	0.46 461	0.19 326	0.24 303	0.21 317	0.19 382	0.20 378	0.19 371	0.13 438	0.10 416	0.10 370	0.10 385	0.11 401	0.13 433

ADCRef	0.19 391	0.12 380	0.41 474	0.20 373	0.12 387	0.22 404	0.18 330	0.32 403	0.36 412	0.26 414	0.32 401	0.17 270	0.23 413	0.24 425	0.24 430	0.07 210	0.06 276	0.09 325	0.09 350	0.08 291	0.08 313

NVstereo2D	0.19 391	0.10 338	0.15 283	0.17 189	0.15 442	0.28 455	0.23 425	0.44 486	0.42 444	0.15 237	0.27 358	0.25 371	0.19 382	0.22 405	0.17 342	0.09 325	0.06 276	0.10 370	0.08 306	0.15 459	0.09 357

DRN-Test	0.19 391	0.11 363	0.20 391	0.22 417	0.10 309	0.22 404	0.22 416	0.39 465	0.37 419	0.24 397	0.32 401	0.26 380	0.21 398	0.22 405	0.24 430	0.11 390	0.07 345	0.11 401	0.10 385	0.09 350	0.07 248

DISCO	0.19 391	0.09 283	0.22 405	0.17 189	0.10 309	0.25 432	0.18 330	0.27 340	0.44 454	0.22 375	0.31 397	0.33 436	0.26 432	0.28 446	0.28 462	0.08 270	0.06 276	0.07 165	0.07 242	0.09 350	0.09 357

CBMV_ROB	0.19 391	0.13 409	0.17 345	0.16 124	0.11 356	0.15 272	0.13 77	0.26 319	0.28 351	0.27 420	0.30 389	0.27 388	0.24 419	0.23 416	0.16 328	0.15 455	0.17 477	0.22 483	0.20 479	0.10 381	0.11 403

NOSS_ROB	0.19 391	0.12 380	0.18 368	0.16 124	0.12 387	0.15 272	0.12 42	0.30 383	0.32 381	0.20 347	0.22 283	0.27 388	0.23 413	0.21 394	0.16 328	0.16 471	0.18 479	0.23 484	0.21 481	0.12 415	0.13 433

CBMV	0.19 391	0.14 421	0.17 345	0.18 269	0.10 309	0.20 380	0.11 25	0.29 369	0.30 367	0.29 441	0.30 389	0.30 413	0.23 413	0.27 435	0.19 371	0.13 438	0.15 469	0.17 465	0.16 466	0.10 381	0.10 380
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
YMNet	0.20 403	0.12 380	0.19 379	0.20 373	0.14 426	0.26 440	0.23 425	0.32 403	0.34 399	0.27 420	0.34 417	0.30 413	0.18 366	0.18 337	0.22 407	0.10 362	0.13 454	0.10 370	0.10 385	0.08 291	0.09 357

YMNet_1	0.20 403	0.12 380	0.19 379	0.20 373	0.14 426	0.26 440	0.23 425	0.32 403	0.34 399	0.27 420	0.34 417	0.30 413	0.18 366	0.18 337	0.22 407	0.10 362	0.13 454	0.10 370	0.10 385	0.08 291	0.09 357

GwcNet	0.20 403	0.13 409	0.19 379	0.18 269	0.12 387	0.24 422	0.19 368	0.35 443	0.43 449	0.20 347	0.32 401	0.33 436	0.20 394	0.22 405	0.24 430	0.11 390	0.09 397	0.09 325	0.09 350	0.09 350	0.10 380

FAT-Stereo	0.20 403	0.12 380	0.22 405	0.21 402	0.12 387	0.17 323	0.18 330	0.34 431	0.39 428	0.27 420	0.37 430	0.34 442	0.32 467	0.21 394	0.20 378	0.09 325	0.11 427	0.10 370	0.09 350	0.11 401	0.14 450

FADNet-RVC	0.20 403	0.20 463	0.38 469	0.21 402	0.16 452	0.20 380	0.15 189	0.26 319	0.26 328	0.26 414	0.32 401	0.26 380	0.21 398	0.22 405	0.19 371	0.12 415	0.13 454	0.12 418	0.14 447	0.13 431	0.18 479

S-Stereo	0.20 403	0.12 380	0.25 422	0.21 402	0.13 408	0.20 380	0.18 330	0.32 403	0.43 449	0.23 388	0.36 424	0.28 398	0.30 460	0.19 353	0.22 407	0.09 325	0.12 441	0.10 370	0.10 385	0.13 431	0.13 433

SuperB	0.20 403	0.10 338	0.56 491	0.16 124	0.09 208	0.18 341	0.18 330	0.24 286	0.50 471	0.26 414	0.39 443	0.17 270	0.21 398	0.22 405	0.21 398	0.08 270	0.06 276	0.06 75	0.06 155	0.12 415	0.10 380

ADCP+	0.20 403	0.10 338	0.33 456	0.20 373	0.12 387	0.22 404	0.26 458	0.31 392	0.34 399	0.26 414	0.37 430	0.22 335	0.22 407	0.27 435	0.27 455	0.09 325	0.06 276	0.08 246	0.08 306	0.09 350	0.10 380

PS-NSSS	0.20 403	0.21 469	0.23 414	0.20 373	0.10 309	0.19 365	0.17 285	0.36 449	0.25 314	0.27 420	0.33 413	0.27 388	0.24 419	0.20 378	0.20 378	0.15 455	0.12 441	0.17 465	0.14 447	0.10 381	0.08 313

PWCDC_ROB	0.20 403	0.13 409	0.22 405	0.24 446	0.11 356	0.19 365	0.15 189	0.33 422	0.54 480	0.29 441	0.50 479	0.21 317	0.15 305	0.27 435	0.20 378	0.11 390	0.09 397	0.10 370	0.08 306	0.11 401	0.09 357

SGM-Forest	0.20 403	0.14 421	0.18 368	0.19 325	0.13 408	0.20 380	0.22 416	0.33 422	0.30 367	0.24 397	0.29 383	0.28 398	0.19 382	0.23 416	0.17 342	0.15 455	0.16 472	0.15 457	0.14 447	0.12 415	0.12 415
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 414	0.17 446	0.19 379	0.23 437	0.15 442	0.30 461	0.20 390	0.33 422	0.35 408	0.23 388	0.28 371	0.31 425	0.27 440	0.20 378	0.22 407	0.15 455	0.12 441	0.13 433	0.09 350	0.14 444	0.14 450

FINET	0.21 414	0.18 456	0.26 425	0.18 269	0.16 452	0.23 417	0.23 425	0.32 403	0.48 463	0.25 410	0.32 401	0.22 335	0.22 407	0.22 405	0.17 342	0.18 477	0.16 472	0.11 401	0.10 385	0.15 459	0.13 433

Syn2CoEx	0.21 414	0.16 435	0.27 432	0.29 483	0.14 426	0.26 440	0.20 390	0.33 422	0.31 374	0.28 434	0.36 424	0.27 388	0.25 427	0.19 353	0.24 430	0.16 471	0.12 441	0.14 445	0.11 415	0.09 350	0.08 313

FADNet	0.21 414	0.22 473	0.36 465	0.18 269	0.17 467	0.24 422	0.13 77	0.31 392	0.31 374	0.23 388	0.25 332	0.27 388	0.21 398	0.19 353	0.15 312	0.13 438	0.15 469	0.12 418	0.15 462	0.16 466	0.18 479

RP	0.21 414	0.13 409	0.21 399	0.23 437	0.11 356	0.21 396	0.20 390	0.25 302	0.44 454	0.21 360	0.38 435	0.36 448	0.24 419	0.27 435	0.25 439	0.11 390	0.12 441	0.13 433	0.12 434	0.12 415	0.14 450

DANet	0.21 414	0.15 427	0.28 437	0.25 456	0.13 408	0.22 404	0.19 368	0.27 340	0.27 337	0.28 434	0.32 401	0.35 446	0.31 464	0.31 456	0.23 419	0.11 390	0.09 397	0.11 401	0.10 385	0.13 431	0.11 403
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 414	0.12 380	0.21 399	0.24 446	0.13 408	0.22 404	0.22 416	0.41 475	0.26 328	0.31 450	0.42 464	0.37 453	0.28 448	0.23 416	0.22 407	0.10 362	0.12 441	0.10 370	0.09 350	0.10 381	0.08 313

PWC_ROB	0.21 414	0.16 435	0.26 425	0.18 269	0.11 356	0.22 404	0.13 77	0.32 403	0.49 468	0.30 444	0.40 448	0.32 433	0.24 419	0.31 456	0.22 407	0.10 362	0.07 345	0.11 401	0.08 306	0.11 401	0.10 380

PSMNet_ROB	0.21 414	0.11 363	0.15 283	0.27 473	0.15 442	0.24 422	0.35 497	0.43 484	0.37 419	0.27 420	0.32 401	0.32 433	0.22 407	0.21 394	0.26 448	0.12 415	0.08 371	0.13 433	0.11 415	0.09 350	0.09 357

GASNet	0.22 423	0.23 474	0.33 456	0.26 461	0.17 467	0.26 440	0.16 254	0.44 486	0.42 444	0.27 420	0.24 303	0.30 413	0.15 305	0.27 435	0.18 360	0.12 415	0.08 371	0.12 418	0.11 415	0.16 466	0.07 248

Anonymous_2	0.22 423	0.17 446	0.28 437	0.15 65	0.16 452	0.32 463	0.22 416	0.22 245	0.17 175	0.23 388	0.24 303	0.26 380	0.27 440	0.27 435	0.23 419	0.22 492	0.25 498	0.17 465	0.17 473	0.17 473	0.17 476

Wz-Net-LNSev	0.22 423	0.16 435	0.38 469	0.21 402	0.13 408	0.25 432	0.23 425	0.32 403	0.43 449	0.30 444	0.41 458	0.31 425	0.18 366	0.22 405	0.25 439	0.10 362	0.09 397	0.08 246	0.08 306	0.12 415	0.11 403

Wz-Net-MNSev	0.22 423	0.13 409	0.31 450	0.20 373	0.14 426	0.36 481	0.24 437	0.33 422	0.44 454	0.28 434	0.40 448	0.38 457	0.19 382	0.24 425	0.25 439	0.09 325	0.07 345	0.09 325	0.09 350	0.12 415	0.10 380

DDUNet	0.22 423	0.17 446	0.21 399	0.22 417	0.15 442	0.25 432	0.24 437	0.29 369	0.30 367	0.31 450	0.36 424	0.33 436	0.25 427	0.24 425	0.20 378	0.18 477	0.13 454	0.17 465	0.11 415	0.16 466	0.16 468

APVNet	0.22 423	0.12 380	0.19 379	0.18 269	0.14 426	0.32 463	0.31 493	0.39 465	0.32 381	0.27 420	0.40 448	0.30 413	0.29 456	0.26 432	0.25 439	0.11 390	0.12 441	0.11 401	0.14 447	0.12 415	0.12 415

aanetorigin	0.22 423	0.17 446	0.56 491	0.17 189	0.10 309	0.15 272	0.19 368	0.20 202	0.33 388	0.49 491	0.48 474	0.29 405	0.27 440	0.20 378	0.23 419	0.08 270	0.07 345	0.08 246	0.07 242	0.10 381	0.09 357

MaskLacGwcNet_RVC	0.22 423	0.21 469	0.24 417	0.26 461	0.11 356	0.23 417	0.14 123	0.39 465	0.24 293	0.32 456	0.36 424	0.30 413	0.21 398	0.19 353	0.21 398	0.17 476	0.14 463	0.21 479	0.16 466	0.12 415	0.12 415

AF-Net	0.22 423	0.17 446	0.17 345	0.26 461	0.13 408	0.25 432	0.24 437	0.32 403	0.50 471	0.25 410	0.33 413	0.38 457	0.26 432	0.28 446	0.25 439	0.11 390	0.10 416	0.16 463	0.11 415	0.11 401	0.10 380

stereogan	0.22 423	0.11 363	0.21 399	0.20 373	0.12 387	0.31 462	0.19 368	0.35 443	0.44 454	0.22 375	0.39 443	0.35 446	0.27 440	0.33 464	0.22 407	0.10 362	0.12 441	0.10 370	0.10 385	0.14 444	0.13 433

edge stereo	0.22 423	0.13 409	0.20 391	0.21 402	0.13 408	0.23 417	0.16 254	0.32 403	0.42 444	0.32 456	0.40 448	0.38 457	0.35 474	0.25 430	0.24 430	0.13 438	0.11 427	0.14 445	0.11 415	0.12 415	0.13 433

RYNet	0.22 423	0.12 380	0.22 405	0.19 325	0.17 467	0.46 489	0.26 458	0.38 461	0.48 463	0.24 397	0.28 371	0.34 442	0.23 413	0.20 378	0.30 470	0.10 362	0.06 276	0.09 325	0.09 350	0.13 431	0.15 457

NaN_ROB	0.22 423	0.19 459	0.24 417	0.25 456	0.13 408	0.29 458	0.26 458	0.33 422	0.41 437	0.31 450	0.31 397	0.32 433	0.23 413	0.30 455	0.21 398	0.11 390	0.17 477	0.10 370	0.10 385	0.08 291	0.09 357

MDST_ROB	0.22 423	0.10 338	0.17 345	0.18 269	0.11 356	0.37 482	0.19 368	0.43 484	0.41 437	0.39 472	0.39 443	0.29 405	0.21 398	0.26 432	0.18 360	0.11 390	0.10 416	0.14 445	0.11 415	0.10 381	0.08 313

XPNet_ROB	0.22 423	0.11 363	0.19 379	0.22 417	0.13 408	0.22 404	0.19 368	0.34 431	0.40 434	0.30 444	0.39 443	0.39 465	0.26 432	0.26 432	0.28 462	0.15 455	0.10 416	0.10 370	0.10 385	0.13 431	0.12 415

SQANet	0.23 438	0.23 474	0.30 448	0.30 485	0.19 476	0.27 449	0.13 77	0.29 369	0.33 388	0.24 397	0.37 430	0.31 425	0.22 407	0.27 435	0.23 419	0.15 455	0.10 416	0.21 479	0.16 466	0.21 481	0.15 457

Nwc_Net	0.23 438	0.16 435	0.21 399	0.25 456	0.14 426	0.24 422	0.26 458	0.37 454	0.38 424	0.22 375	0.41 458	0.30 413	0.28 448	0.28 446	0.25 439	0.11 390	0.10 416	0.17 465	0.20 479	0.10 381	0.10 380

RTSC	0.23 438	0.12 380	0.28 437	0.21 402	0.13 408	0.28 455	0.16 254	0.35 443	0.66 499	0.27 420	0.33 413	0.30 413	0.21 398	0.31 456	0.29 465	0.10 362	0.08 371	0.09 325	0.10 385	0.13 431	0.13 433

PA-Net	0.23 438	0.18 456	0.33 456	0.28 476	0.22 484	0.21 396	0.38 502	0.29 369	0.39 428	0.22 375	0.32 401	0.25 371	0.26 432	0.20 378	0.25 439	0.09 325	0.23 496	0.15 457	0.22 484	0.09 350	0.13 433
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 438	0.15 427	0.17 345	0.34 490	0.18 473	0.24 422	0.23 425	0.34 431	0.28 351	0.31 450	0.38 435	0.38 457	0.28 448	0.23 416	0.24 430	0.15 455	0.12 441	0.18 474	0.21 481	0.13 431	0.13 433

ETE_ROB	0.23 438	0.17 446	0.22 405	0.25 456	0.13 408	0.26 440	0.29 480	0.31 392	0.36 412	0.28 434	0.36 424	0.45 479	0.26 432	0.27 435	0.26 448	0.11 390	0.08 371	0.12 418	0.09 350	0.14 444	0.13 433

SGM_RVC	0.23 438	0.12 380	0.15 283	0.15 65	0.09 208	0.33 469	0.18 330	0.34 431	0.31 374	0.44 486	0.37 430	0.53 493	0.35 474	0.35 473	0.24 430	0.13 438	0.13 454	0.13 433	0.13 444	0.10 381	0.11 403
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.24 445	0.19 459	0.33 456	0.21 402	0.24 488	0.24 422	0.20 390	0.35 443	0.41 437	0.24 397	0.32 401	0.38 457	0.21 398	0.29 452	0.23 419	0.12 415	0.11 427	0.14 445	0.16 466	0.23 485	0.23 490

G-Net	0.24 445	0.16 435	0.36 465	0.22 417	0.16 452	0.51 495	0.23 425	0.29 369	0.34 399	0.36 465	0.38 435	0.31 425	0.29 456	0.27 435	0.26 448	0.11 390	0.09 397	0.12 418	0.09 350	0.16 466	0.13 433

NCC-stereo	0.24 445	0.15 427	0.31 450	0.26 461	0.16 452	0.20 380	0.30 487	0.40 469	0.40 434	0.24 397	0.38 435	0.33 436	0.28 448	0.36 478	0.27 455	0.12 415	0.11 427	0.15 457	0.22 484	0.13 431	0.13 433

Abc-Net	0.24 445	0.15 427	0.31 450	0.26 461	0.16 452	0.20 380	0.30 487	0.40 469	0.40 434	0.24 397	0.38 435	0.33 436	0.28 448	0.36 478	0.27 455	0.12 415	0.11 427	0.15 457	0.22 484	0.13 431	0.13 433
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 445	0.11 363	0.47 482	0.22 417	0.12 387	0.34 472	0.29 480	0.29 369	0.56 483	0.24 397	0.46 471	0.30 413	0.30 460	0.29 452	0.29 465	0.08 270	0.07 345	0.09 325	0.09 350	0.10 381	0.10 380

DeepPrunerF	0.24 445	0.17 446	0.42 476	0.26 461	0.16 452	0.22 404	0.28 471	0.37 454	0.50 471	0.26 414	0.29 383	0.24 358	0.28 448	0.21 394	0.22 407	0.15 455	0.11 427	0.20 478	0.18 477	0.12 415	0.13 433

FBW_ROB	0.24 445	0.17 446	0.22 405	0.26 461	0.14 426	0.25 432	0.22 416	0.41 475	0.41 437	0.41 479	0.41 458	0.42 472	0.27 440	0.31 456	0.23 419	0.09 325	0.14 463	0.14 445	0.12 434	0.11 401	0.09 357

SANet	0.24 445	0.14 421	0.28 437	0.21 402	0.11 356	0.27 449	0.24 437	0.38 461	0.64 496	0.36 465	0.40 448	0.43 475	0.26 432	0.27 435	0.24 430	0.12 415	0.09 397	0.10 370	0.09 350	0.13 431	0.11 403

WCMA_ROB	0.24 445	0.11 363	0.22 405	0.17 189	0.14 426	0.32 463	0.15 189	0.32 403	0.32 381	0.38 470	0.53 481	0.40 469	0.34 472	0.34 467	0.25 439	0.11 390	0.12 441	0.12 418	0.10 385	0.14 444	0.14 450

Wz-Net-SNSev	0.25 454	0.17 446	0.44 477	0.25 456	0.14 426	0.26 440	0.23 425	0.38 461	0.56 483	0.30 444	0.55 484	0.39 465	0.26 432	0.23 416	0.30 470	0.10 362	0.09 397	0.09 325	0.10 385	0.11 401	0.11 403

psmorigin	0.25 454	0.15 427	0.34 464	0.17 189	0.13 408	0.23 417	0.14 123	0.34 431	0.33 388	0.41 479	0.55 484	0.41 471	0.37 478	0.34 467	0.27 455	0.11 390	0.15 469	0.11 401	0.11 415	0.12 415	0.16 468

RGC	0.25 454	0.20 463	0.29 445	0.28 476	0.16 452	0.22 404	0.23 425	0.32 403	0.44 454	0.27 420	0.40 448	0.38 457	0.27 440	0.36 478	0.22 407	0.11 390	0.13 454	0.17 465	0.17 473	0.14 444	0.16 468

ADCMid	0.25 454	0.15 427	0.40 472	0.20 373	0.14 426	0.25 432	0.26 458	0.34 431	0.38 424	0.36 465	0.44 469	0.34 442	0.40 484	0.35 473	0.33 481	0.10 362	0.09 397	0.11 401	0.11 415	0.13 431	0.12 415

ADCPNet	0.25 454	0.16 435	0.61 495	0.21 402	0.15 442	0.35 480	0.25 451	0.32 403	0.35 408	0.30 444	0.40 448	0.36 448	0.28 448	0.28 446	0.32 478	0.12 415	0.10 416	0.11 401	0.12 434	0.14 444	0.13 433

LALA_ROB	0.25 454	0.16 435	0.22 405	0.26 461	0.17 467	0.27 449	0.27 465	0.42 480	0.37 419	0.33 460	0.38 435	0.51 489	0.26 432	0.28 446	0.27 455	0.16 471	0.09 397	0.12 418	0.11 415	0.13 431	0.12 415

SHD	0.26 460	0.15 427	0.30 448	0.24 446	0.18 473	0.22 404	0.15 189	0.38 461	0.71 503	0.32 456	0.41 458	0.36 448	0.28 448	0.32 462	0.29 465	0.12 415	0.11 427	0.14 445	0.13 444	0.16 466	0.20 485

AnyNet_C32	0.26 460	0.16 435	0.36 465	0.20 373	0.16 452	0.25 432	0.30 487	0.32 403	0.44 454	0.31 450	0.49 475	0.30 413	0.33 468	0.40 491	0.33 481	0.12 415	0.12 441	0.12 418	0.14 447	0.14 444	0.15 457

PSMNet-RUCA	0.27 462	0.33 495	0.41 474	0.36 494	0.32 501	0.18 341	0.19 368	0.42 480	0.30 367	0.33 460	0.41 458	0.39 465	0.25 427	0.31 456	0.20 378	0.18 477	0.10 416	0.25 486	0.15 462	0.21 481	0.16 468

PDISCO_ROB	0.27 462	0.16 435	0.26 425	0.28 476	0.20 479	0.32 463	0.26 458	0.44 486	0.57 485	0.28 434	0.40 448	0.45 479	0.29 456	0.33 464	0.34 483	0.12 415	0.09 397	0.17 465	0.16 466	0.17 473	0.13 433

DispFullNet	0.27 462	0.21 469	0.65 498	0.28 476	0.16 452	0.26 440	0.17 285	0.33 422	0.58 488	0.27 420	0.38 435	0.43 475	0.23 413	0.38 484	0.23 419	0.12 415	0.06 276	0.19 476	0.11 415	0.21 481	0.15 457

MeshStereo	0.27 462	0.13 409	0.18 368	0.15 65	0.11 356	0.32 463	0.24 437	0.40 469	0.36 412	0.52 493	0.57 491	0.67 504	0.40 484	0.35 473	0.26 448	0.14 451	0.13 454	0.13 433	0.11 415	0.11 401	0.10 380
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	0.28 466	0.17 446	0.78 512	0.22 417	0.16 452	0.34 472	0.29 480	0.39 465	0.57 485	0.24 397	0.55 484	0.37 453	0.24 419	0.33 464	0.35 484	0.09 325	0.08 371	0.09 325	0.10 385	0.14 444	0.16 468

XQC	0.28 466	0.23 474	0.51 484	0.28 476	0.19 476	0.34 472	0.27 465	0.36 449	0.57 485	0.31 450	0.30 389	0.37 453	0.30 460	0.38 484	0.38 491	0.13 438	0.09 397	0.15 457	0.12 434	0.17 473	0.18 479

CC-Net-ROB	0.28 466	0.31 493	0.36 465	0.29 483	0.15 442	0.25 432	0.19 368	0.45 489	0.33 388	0.39 472	0.37 430	0.39 465	0.31 464	0.27 435	0.26 448	0.24 498	0.19 482	0.30 499	0.23 488	0.18 476	0.15 457

DPSNet	0.28 466	0.16 435	0.31 450	0.18 269	0.13 408	0.54 497	0.42 506	0.51 498	0.67 500	0.29 441	0.38 435	0.38 457	0.29 456	0.31 456	0.23 419	0.11 390	0.10 416	0.11 401	0.08 306	0.20 480	0.16 468

Wz-Net-TNSev	0.29 470	0.20 463	0.65 498	0.19 325	0.15 442	0.38 485	0.27 465	0.35 443	0.55 481	0.34 462	0.42 464	0.45 479	0.38 479	0.32 462	0.30 470	0.12 415	0.13 454	0.10 370	0.12 434	0.15 459	0.14 450

ccnet	0.29 470	0.28 488	0.23 414	0.20 373	0.28 495	0.41 488	0.21 407	0.45 489	0.33 388	0.36 465	0.46 471	0.36 448	0.30 460	0.39 487	0.42 499	0.23 496	0.14 463	0.21 479	0.17 473	0.23 485	0.18 479

EDNetEfficient	0.29 470	0.24 477	1.13 521	0.18 269	0.10 309	0.19 365	0.20 390	0.20 202	0.60 492	0.74 510	0.56 489	0.31 425	0.39 481	0.22 405	0.30 470	0.09 325	0.07 345	0.08 246	0.07 242	0.11 401	0.09 357

ADCS	0.29 470	0.18 456	0.45 478	0.21 402	0.17 467	0.28 455	0.23 425	0.41 475	0.63 495	0.40 475	0.49 475	0.40 469	0.36 476	0.39 487	0.40 495	0.13 438	0.12 441	0.13 433	0.14 447	0.16 466	0.16 468

CSAN	0.29 470	0.24 477	0.27 432	0.34 490	0.19 476	0.33 469	0.42 506	0.37 454	0.50 471	0.38 470	0.40 448	0.44 477	0.33 468	0.28 446	0.30 470	0.20 484	0.16 472	0.19 476	0.19 478	0.14 444	0.15 457

MFN_U_SF_DS_RVC	0.30 475	0.24 477	0.29 445	0.36 494	0.16 452	0.34 472	0.30 487	0.32 403	0.42 444	0.40 475	0.46 471	0.38 457	0.31 464	0.34 467	0.28 462	0.19 482	0.20 485	0.26 487	0.29 497	0.18 476	0.19 484

GANetREF_RVC	0.31 476	0.34 496	0.27 432	0.35 492	0.16 452	0.32 463	0.41 503	0.48 493	0.51 478	0.35 463	0.35 421	0.34 442	0.33 468	0.39 487	0.32 478	0.27 500	0.20 485	0.29 497	0.15 462	0.18 476	0.17 476
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	0.31 476	0.26 483	0.26 425	0.24 446	0.21 482	0.34 472	0.25 451	0.34 431	0.39 428	0.40 475	0.69 499	0.45 479	0.40 484	0.34 467	0.27 455	0.20 484	0.19 482	0.26 487	0.25 490	0.23 485	0.22 489

MFN_U_SF_RVC	0.32 478	0.21 469	0.55 489	0.30 485	0.15 442	0.34 472	0.17 285	0.52 499	0.46 461	0.46 490	0.55 484	0.59 496	0.39 481	0.35 473	0.37 489	0.15 455	0.14 463	0.18 474	0.21 481	0.16 466	0.15 457

PASM	0.32 478	0.24 477	0.48 483	0.28 476	0.27 494	0.29 458	0.30 487	0.34 431	0.49 468	0.35 463	0.39 443	0.46 483	0.34 472	0.34 467	0.35 484	0.23 496	0.25 498	0.26 487	0.28 496	0.23 485	0.21 487

SGM-ForestM	0.32 478	0.12 380	0.16 317	0.16 124	0.11 356	0.39 486	0.19 368	0.41 475	0.50 471	0.52 493	0.54 483	1.32 523	0.42 492	0.40 491	0.27 455	0.14 451	0.16 472	0.16 463	0.16 466	0.12 415	0.12 415

FC-DCNN v2	0.33 481	0.27 484	0.28 437	0.26 461	0.23 486	0.37 482	0.28 471	0.40 469	0.43 449	0.45 487	0.56 489	0.51 489	0.40 484	0.37 482	0.29 465	0.21 488	0.20 485	0.27 490	0.26 491	0.25 492	0.24 491

FCDSN-DC	0.33 481	0.28 488	0.28 437	0.30 485	0.24 488	0.39 486	0.28 471	0.42 480	0.42 444	0.43 485	0.53 481	0.51 489	0.41 489	0.36 478	0.30 470	0.21 488	0.20 485	0.27 490	0.26 491	0.25 492	0.24 491
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 481	0.27 484	0.28 437	0.26 461	0.23 486	0.37 482	0.28 471	0.40 469	0.43 449	0.45 487	0.55 484	0.51 489	0.40 484	0.37 482	0.30 470	0.21 488	0.20 485	0.27 490	0.26 491	0.25 492	0.24 491

LSM	0.33 481	0.20 463	0.58 493	0.26 461	0.60 518	0.34 472	0.25 451	0.42 480	0.48 463	0.45 487	0.58 493	0.42 472	0.36 476	0.35 473	0.25 439	0.12 415	0.20 485	0.14 445	0.16 466	0.19 479	0.33 505

AnyNet_C01	0.36 485	0.25 482	1.37 524	0.22 417	0.17 467	0.48 493	0.27 465	0.35 443	0.39 428	0.39 472	0.74 505	0.46 483	0.38 479	0.45 495	0.47 504	0.13 438	0.13 454	0.13 433	0.14 447	0.14 444	0.15 457

GCST	0.37 486	0.42 503	0.26 425	1.02 527	0.39 502	0.18 341	0.08 4	0.20 202	0.17 175	0.28 434	0.25 332	0.15 236	0.12 225	0.16 286	0.14 284	0.64 520	0.43 509	0.75 517	0.65 520	0.63 514	0.46 513

otaku	0.39 487	0.37 499	0.52 485	0.44 501	0.28 495	0.58 499	0.24 437	0.41 475	0.62 494	0.40 475	0.49 475	0.46 483	0.33 468	0.40 491	0.32 478	0.30 501	0.30 502	0.39 503	0.33 502	0.29 498	0.28 499

ACVNet-4b	0.39 487	0.53 506	0.55 489	0.45 502	0.24 488	0.47 491	0.18 330	0.49 495	0.64 496	0.42 482	0.45 470	0.60 497	0.27 440	0.34 467	0.24 430	0.33 503	0.14 463	0.48 506	0.42 506	0.30 499	0.26 498

PVD	0.39 487	0.20 463	0.39 471	0.31 489	0.22 484	0.29 458	0.43 508	0.52 499	0.96 517	0.55 496	0.79 509	0.53 493	0.59 507	0.52 501	0.38 491	0.19 482	0.14 463	0.17 465	0.14 447	0.24 491	0.31 503

Ntro	0.40 490	0.40 501	0.53 486	0.46 505	0.30 499	0.65 505	0.24 437	0.46 491	0.68 501	0.41 479	0.49 475	0.48 487	0.42 492	0.39 487	0.31 477	0.32 502	0.28 500	0.37 502	0.30 499	0.32 503	0.29 500

SAMSARA	0.40 490	0.28 488	0.33 456	0.55 508	0.39 502	0.82 519	1.23 533	0.47 492	0.51 478	0.36 465	0.35 421	0.55 495	0.39 481	0.38 484	0.39 493	0.15 455	0.20 485	0.15 457	0.14 447	0.23 485	0.20 485

ELAS_RVC	0.41 492	0.29 491	0.33 456	0.28 476	0.24 488	0.54 497	0.36 498	0.49 495	0.59 489	0.72 506	0.74 505	0.65 502	0.54 501	0.54 505	0.40 495	0.22 492	0.20 485	0.27 490	0.26 491	0.26 496	0.25 496
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 492	0.29 491	0.33 456	0.27 473	0.24 488	0.60 502	0.36 498	0.50 497	0.50 471	0.71 504	0.79 509	0.67 504	0.54 501	0.51 499	0.42 499	0.22 492	0.20 485	0.27 490	0.26 491	0.26 496	0.25 496
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 494	0.39 500	0.54 487	0.40 497	0.20 479	0.64 504	0.32 495	0.53 501	0.72 504	0.71 504	0.72 502	0.61 498	0.54 501	0.51 499	0.46 503	0.20 484	0.19 482	0.29 497	0.30 499	0.23 485	0.18 479

ACVNet_1	0.44 495	0.49 505	0.60 494	0.45 502	0.28 495	0.49 494	0.27 465	0.57 506	0.72 504	0.62 499	0.58 493	0.74 508	0.49 498	0.50 498	0.35 484	0.26 499	0.24 497	0.39 503	0.29 497	0.31 502	0.24 491

Consistency-Raft	0.44 495	0.40 501	0.45 478	0.37 496	0.43 506	0.46 489	0.41 503	0.57 506	0.55 481	0.32 456	0.73 503	0.33 436	0.48 497	0.42 494	0.49 506	0.39 505	0.35 506	0.45 505	0.51 513	0.42 505	0.29 500

RTS	0.45 497	0.19 459	3.26 530	0.24 446	0.15 442	0.74 512	0.20 390	0.36 449	0.76 510	0.42 482	0.43 467	0.31 425	0.41 489	0.53 503	0.35 484	0.10 362	0.08 371	0.13 433	0.12 434	0.15 459	0.15 457

RTSA	0.45 497	0.19 459	3.26 530	0.24 446	0.15 442	0.74 512	0.20 390	0.36 449	0.76 510	0.42 482	0.43 467	0.31 425	0.41 489	0.53 503	0.35 484	0.10 362	0.08 371	0.13 433	0.12 434	0.15 459	0.15 457

MANE	0.45 497	0.27 484	0.27 432	0.27 473	0.24 488	0.47 491	0.31 493	0.55 503	0.59 489	0.72 506	1.13 525	1.15 517	0.61 508	0.52 501	0.37 489	0.21 488	0.20 485	0.27 490	0.31 501	0.25 492	0.24 491

NVStereoNet_ROB	0.46 500	0.36 498	0.46 481	0.41 499	0.28 495	0.34 472	0.34 496	0.48 493	0.60 492	0.72 506	0.93 514	0.70 507	0.66 511	0.47 496	0.60 513	0.22 492	0.33 505	0.34 501	0.34 504	0.30 499	0.30 502
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	0.50 501	0.07 125	0.14 234	0.15 65	0.08 101	0.24 422	0.16 254	0.22 245	1.81 533	4.63 536	0.67 497	0.47 486	0.44 494	0.20 378	0.29 465	0.07 210	0.06 276	0.06 75	0.06 155	0.08 291	0.06 170

BEATNet-Init1	0.52 502	0.27 484	0.62 496	0.30 485	0.21 482	0.76 516	0.29 480	0.54 502	0.65 498	0.86 515	0.95 516	2.07 532	0.62 510	0.56 507	0.42 499	0.18 477	0.18 479	0.23 484	0.22 484	0.22 484	0.21 487

anonymity	0.53 503	0.58 508	0.65 498	0.41 499	0.61 519	0.53 496	0.41 503	0.56 504	0.41 437	0.55 496	0.50 479	0.49 488	0.55 504	0.58 508	0.50 509	0.58 516	0.50 519	0.51 508	0.51 513	0.51 507	0.57 515

RainbowNet	0.54 504	0.61 510	0.70 510	0.57 509	0.43 506	0.65 505	0.37 501	0.60 508	0.87 514	0.50 492	0.66 496	0.64 500	0.47 496	0.49 497	0.43 502	0.47 511	0.48 515	0.52 510	0.41 505	0.52 508	0.40 510

SGM+DAISY	0.56 505	0.57 507	0.65 498	0.40 497	0.54 511	0.66 507	0.49 510	0.56 504	0.45 460	0.66 500	0.69 499	0.67 504	0.56 505	0.63 510	0.56 511	0.59 517	0.48 515	0.50 507	0.50 512	0.52 508	0.58 516

SPS-STEREO	0.57 506	0.58 508	0.65 498	0.45 502	0.55 513	0.62 503	0.44 509	0.62 509	0.50 471	0.68 502	0.64 495	0.66 503	0.57 506	0.61 509	0.60 513	0.62 519	0.47 514	0.51 508	0.49 510	0.55 512	0.58 516
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 507	0.66 514	0.65 498	0.51 506	0.69 523	0.69 508	0.57 516	0.64 510	0.73 508	0.60 498	0.73 503	0.62 499	0.67 512	0.65 511	0.60 513	0.66 521	0.58 528	0.63 512	0.59 516	0.68 519	0.69 525

IMH-64-1	0.65 508	0.61 510	0.68 506	0.71 512	0.51 509	0.59 500	0.49 510	0.91 517	0.85 512	0.74 510	1.02 518	0.81 509	0.78 516	0.79 514	0.49 506	0.42 507	0.46 510	0.71 514	0.47 508	0.52 508	0.39 508

IMH-64	0.65 508	0.61 510	0.68 506	0.71 512	0.51 509	0.59 500	0.49 510	0.91 517	0.85 512	0.74 510	1.02 518	0.81 509	0.78 516	0.79 514	0.49 506	0.42 507	0.46 510	0.71 514	0.47 508	0.52 508	0.39 508

ACVNet_2	0.66 510	0.66 514	0.68 506	0.63 510	0.41 504	0.71 510	0.49 510	0.96 521	1.39 526	0.89 516	1.09 521	1.04 513	0.73 514	0.54 505	0.47 504	0.43 509	0.40 508	0.53 511	0.44 507	0.47 506	0.35 507

JetBlue	0.71 511	0.45 504	1.14 522	0.51 506	0.47 508	2.02 533	0.64 520	0.75 512	0.70 502	0.69 503	0.77 508	1.22 519	0.83 518	1.03 529	1.01 529	0.40 506	0.28 500	0.33 500	0.33 502	0.30 499	0.34 506

IMH	0.71 511	0.64 513	0.68 506	0.76 514	0.54 511	0.69 508	0.54 514	0.98 523	1.10 519	0.82 514	1.09 521	0.89 511	0.88 521	0.87 522	0.52 510	0.44 510	0.50 519	0.75 517	0.51 513	0.56 513	0.41 511

PWCK	0.71 511	0.94 525	0.95 519	0.76 514	0.31 500	0.74 512	0.36 498	0.90 516	0.90 515	0.96 519	0.75 507	0.95 512	0.61 508	0.87 522	0.66 516	0.72 522	0.46 510	0.75 517	0.49 510	0.69 521	0.44 512

MADNet+	0.75 514	0.71 516	3.70 533	0.66 511	0.41 504	0.98 524	0.97 531	0.69 511	0.73 508	0.52 493	0.57 491	0.64 500	0.68 513	0.86 521	1.01 529	0.34 504	0.36 507	0.28 496	0.23 488	0.36 504	0.31 503

TorneroNet-64	0.76 515	0.72 517	0.74 511	0.78 516	0.58 517	0.91 523	0.56 515	0.84 515	1.29 523	0.66 500	0.90 512	1.40 525	0.75 515	0.85 520	0.67 519	0.49 512	0.46 510	0.72 516	0.59 516	0.67 518	0.53 514

WAO-7	0.79 516	0.78 519	0.54 487	0.85 520	0.67 522	0.74 512	0.68 524	1.05 526	1.32 524	0.90 517	1.20 528	1.04 513	0.92 522	0.69 512	0.66 516	0.60 518	0.62 529	0.67 513	0.68 522	0.64 515	0.58 516

WAO-6	0.81 517	0.80 520	0.62 496	0.86 521	0.63 520	0.76 516	0.58 517	0.98 523	1.54 531	0.90 517	0.96 517	1.07 515	1.03 526	0.70 513	0.66 516	0.72 522	0.49 517	0.90 525	0.71 523	0.68 519	0.58 516

TorneroNet	0.82 518	0.74 518	0.81 516	0.84 519	0.63 520	0.99 525	0.63 518	0.96 521	1.16 520	0.80 513	1.11 523	1.36 524	0.86 520	0.93 525	0.80 524	0.56 514	0.49 517	0.78 522	0.66 521	0.73 524	0.63 524

LVE	0.83 519	0.85 523	0.85 517	0.80 517	0.56 514	1.04 529	0.65 521	1.05 526	1.47 529	0.96 519	1.22 529	1.10 516	0.85 519	0.83 517	0.71 521	0.49 512	0.55 525	0.76 520	0.60 518	0.65 516	0.59 521

Dean	0.87 520	0.86 524	0.79 514	0.81 518	0.56 514	0.90 520	0.63 518	1.15 532	1.73 532	1.15 527	1.15 526	1.31 522	0.99 525	0.81 516	0.81 525	0.57 515	0.56 526	0.77 521	0.64 519	0.66 517	0.58 516

WAO-8	0.91 521	0.81 521	0.65 498	0.94 524	0.69 523	0.90 520	0.67 522	1.07 529	1.83 534	1.06 524	1.45 531	1.30 520	1.07 527	0.84 518	0.78 522	0.74 524	0.53 522	0.86 523	0.75 524	0.69 521	0.62 522

Venus	0.91 521	0.81 521	0.65 498	0.94 524	0.69 523	0.90 520	0.67 522	1.07 529	1.83 534	1.06 524	1.45 531	1.30 520	1.07 527	0.84 518	0.78 522	0.74 524	0.53 522	0.86 523	0.75 524	0.69 521	0.62 522

UNDER WATER-64	0.95 523	0.94 525	1.43 526	0.87 522	0.56 514	1.18 532	0.87 528	0.77 513	0.94 516	1.04 522	0.85 511	1.58 530	1.21 532	0.94 526	0.96 527	0.87 528	0.57 527	1.03 528	0.88 529	0.78 525	0.73 526

UNDER WATER	0.97 524	0.97 527	1.42 525	0.99 526	0.70 526	1.12 531	0.84 527	0.80 514	1.08 518	1.01 521	0.90 512	1.55 529	1.22 533	1.03 529	1.00 528	0.78 526	0.53 522	1.02 527	0.87 528	0.80 526	0.74 527

notaker	0.97 524	1.11 528	0.98 520	1.13 529	0.81 527	0.73 511	0.68 524	0.93 519	1.16 520	1.18 529	1.18 527	1.41 526	1.16 531	1.08 531	0.69 520	0.81 527	0.64 530	1.17 529	0.79 526	0.98 528	0.80 529

ktn	1.01 526	1.21 530	0.80 515	1.23 531	0.86 529	1.01 527	0.87 528	0.94 520	1.39 526	1.04 522	1.12 524	1.15 517	1.07 527	0.94 526	0.59 512	1.28 533	0.71 531	1.38 533	0.83 527	1.02 530	0.75 528

KSHMR	1.09 527	1.17 529	0.88 518	1.25 532	1.00 531	0.99 525	0.96 530	1.13 531	1.37 525	1.16 528	1.29 530	1.41 526	0.96 524	1.01 528	0.92 526	1.03 531	1.08 533	1.20 530	1.03 532	1.01 529	0.97 531

DPSimNet_ROB	1.11 528	1.23 531	0.78 512	1.13 529	0.88 530	1.10 530	1.13 532	1.16 533	1.23 522	1.43 531	1.02 518	1.41 526	1.10 530	0.90 524	1.60 531	1.46 534	0.51 521	1.21 531	1.03 532	0.90 527	1.01 533

HanzoNet	1.29 529	1.26 532	1.19 523	1.12 528	0.85 528	1.02 528	0.83 526	1.03 525	1.48 530	1.64 532	1.61 533	2.50 534	1.72 534	1.61 533	1.61 532	1.26 532	0.80 532	1.31 532	1.01 531	1.02 530	0.86 530

JetRed	1.62 530	1.46 533	2.98 528	0.92 523	1.21 532	4.99 536	1.53 535	1.27 534	1.39 526	1.83 533	1.74 534	1.60 531	0.95 523	1.41 532	2.45 536	0.90 530	1.60 534	0.93 526	0.90 530	1.35 532	0.99 532

MADNet++	1.95 531	1.75 534	1.59 527	1.82 533	1.69 534	2.33 534	1.40 534	2.35 535	2.09 536	2.57 535	2.36 536	2.24 533	2.17 535	2.28 534	2.34 534	1.87 535	1.66 535	1.54 534	1.34 534	1.92 533	1.77 535

coex-ft	3.30 532	0.34 496	59.09 553	0.18 269	0.13 408	0.26 440	0.22 416	0.27 340	0.72 504	1.90 534	0.70 501	0.44 477	0.45 495	0.29 452	0.41 498	0.09 325	0.09 397	0.12 418	0.09 350	0.14 444	0.13 433

TCMNet-wrong-test	3.67 533	5.48 543	3.89 534	12.18 545	11.75 546	4.65 535	3.88 536	1.06 528	0.72 504	1.09 526	2.15 535	6.30 539	0.53 500	3.43 536	2.36 535	0.89 529	0.20 485	1.87 536	1.69 535	5.57 541	3.62 541

tt	4.67 534	0.06 52	3.55 532	2.02 534	1.55 533	10.25 540	16.71 540	8.91 544	5.03 537	1.31 530	0.94 515	4.71 535	4.76 536	3.33 535	5.87 538	6.06 543	10.30 547	1.88 537	2.11 537	2.75 535	1.21 534

USTest	6.22 535	2.73 536	3.00 529	6.57 541	7.29 540	14.37 542	21.57 541	7.00 543	9.56 542	5.34 539	6.10 537	5.72 538	7.64 539	6.41 540	6.96 539	1.97 536	3.42 541	1.64 535	2.15 538	2.66 534	2.36 536

xxxxx1	7.79 536	5.02 540	7.31 537	3.12 535	3.85 536	16.35 544	22.88 542	5.86 540	8.69 539	7.97 540	8.54 538	9.12 542	8.27 540	10.18 542	10.92 540	2.42 537	2.45 537	3.56 540	12.37 544	3.77 536	3.06 538

tt_ll	7.79 536	5.02 540	7.31 537	3.12 535	3.85 536	16.35 544	22.88 542	5.86 540	8.69 539	7.97 540	8.54 538	9.12 542	8.27 540	10.18 542	10.92 540	2.42 537	2.45 537	3.56 540	12.37 544	3.77 536	3.06 538

ff	7.79 536	5.02 540	7.31 537	3.12 535	3.85 536	16.35 544	22.88 542	5.86 540	8.69 539	7.97 540	8.54 538	9.12 542	8.27 540	10.18 542	10.92 540	2.42 537	2.45 537	3.56 540	12.37 544	3.77 536	3.06 538

EDNetEfficientorigin	7.91 539	0.31 493	153.02 554	0.19 325	0.09 208	0.21 396	0.16 254	0.22 245	0.59 489	0.72 506	0.67 497	0.42 472	0.50 499	0.24 425	0.39 493	0.08 270	0.07 345	0.08 246	0.07 242	0.12 415	0.10 380

DPSMNet_ROB	8.06 540	4.48 538	8.63 543	5.37 540	10.74 543	8.32 538	22.98 546	5.46 537	13.36 545	5.12 537	9.92 541	5.08 536	10.40 543	5.53 539	12.58 543	3.80 541	8.00 542	3.50 538	7.02 541	3.83 539	7.14 543

DGTPSM_ROB	8.06 540	4.48 538	8.63 543	5.35 538	10.72 542	8.32 538	22.97 545	5.46 537	13.35 544	5.12 537	9.92 541	5.08 536	10.40 543	5.52 538	12.58 543	3.79 540	8.00 542	3.50 538	7.02 541	3.83 539	7.14 543

PML	8.91 542	9.34 547	6.13 535	5.35 538	6.41 539	14.99 543	23.38 547	5.27 536	6.83 538	18.04 548	28.19 553	7.67 540	6.83 538	7.85 541	5.75 537	5.35 542	1.83 536	5.95 546	1.93 536	8.64 544	2.52 537

DLNR_Zeroshot_test	10.40 543	1.82 535	19.49 549	120.77 554	13.11 547	0.06 8	0.13 77	0.23 264	0.10 27	0.07 24	0.10 91	0.09 97	0.06 32	0.10 44	0.09 50	0.13 438	0.04 3	0.06 75	0.04 23	51.54 553	0.04 20

LRCNet_RVC	10.62 544	13.42 548	7.30 536	18.92 547	2.07 535	0.33 469	0.30 487	5.59 539	0.48 463	13.03 546	17.94 547	8.87 541	5.65 537	4.79 537	1.89 533	23.51 551	2.73 540	27.55 552	25.71 552	16.07 549	16.33 550

Anonymous_1	10.96 545	7.92 544	7.46 540	10.33 542	10.06 541	18.65 548	26.34 548	11.06 545	13.44 546	9.40 543	10.05 543	9.67 545	11.23 545	10.73 545	12.72 545	6.42 544	8.38 544	5.77 543	10.61 543	12.12 545	6.77 542

DPSM_ROB	11.15 546	8.58 545	8.00 541	10.88 543	11.58 544	19.10 549	26.71 549	12.05 546	14.07 547	10.36 544	10.84 544	10.33 546	11.86 546	11.70 546	13.54 546	6.99 545	8.79 545	5.89 544	6.95 539	7.29 542	7.42 545

DPSM	11.15 546	8.58 545	8.00 541	10.88 543	11.58 544	19.10 549	26.71 549	12.05 546	14.07 547	10.36 544	10.84 544	10.33 546	11.86 546	11.70 546	13.54 546	6.99 545	8.79 545	5.89 544	6.95 539	7.29 542	7.42 545

HaxPig	15.71 548	18.52 552	19.18 548	16.89 546	15.89 548	7.73 537	7.60 537	13.31 548	10.82 543	15.42 547	14.91 546	15.98 548	14.92 548	15.58 548	15.98 548	18.95 550	16.73 548	19.46 550	18.08 550	19.26 550	19.05 551

MEDIAN_ROB	20.38 549	24.04 553	23.31 550	21.23 548	21.71 549	10.40 541	7.92 538	17.64 549	15.50 549	20.12 549	19.70 548	20.34 549	20.32 549	21.19 549	21.13 549	23.81 552	21.81 552	24.98 551	23.76 551	24.71 551	23.93 552

CasAABBNet	22.42 550	17.33 550	16.01 545	22.01 549	23.28 550	38.32 551	53.80 552	24.14 551	28.41 552	20.60 550	21.77 550	20.89 551	23.91 551	23.43 550	27.36 551	14.07 547	17.69 550	11.83 548	14.01 548	14.67 546	14.95 548

Selective-RAFT-Error	22.47 551	17.37 551	16.09 546	22.06 550	23.34 551	38.39 552	53.83 553	24.29 553	28.47 553	20.74 551	21.83 551	20.81 550	23.90 550	23.54 552	27.53 553	14.08 548	17.69 550	11.82 547	14.00 547	14.69 547	15.00 549

LSM0	22.87 552	17.28 549	18.96 547	22.19 551	29.04 553	38.42 553	53.71 551	24.28 552	28.31 551	20.78 552	21.00 549	21.43 552	24.16 552	23.50 551	27.39 552	14.09 549	17.38 549	11.84 549	14.04 549	14.73 548	14.89 547

AVERAGE_ROB	24.90 553	29.20 554	28.14 551	24.89 552	24.64 552	17.75 547	11.12 539	21.45 550	19.93 550	25.12 553	24.46 552	25.12 553	25.46 553	24.69 553	22.83 550	29.76 553	27.13 553	28.97 553	27.95 553	29.91 552	29.47 553

test_example2	98.32 554	94.13 555	45.89 552	96.35 553	109.85 554	88.61 554	95.45 554	25.75 554	94.37 554	130.00 555	126.06 554	58.17 554	74.63 554	88.51 554	79.96 554	150.23 554	221.02 554	77.62 554	99.10 554	113.75 554	96.94 554

ccccc		285.66 556		368.85 555	370.60 555	123.16 555		115.05 555		126.68 554		122.83 555		252.94 555		384.56 555	353.86 555	254.69 555	223.00 555	425.87 555

ASD4		3.38 537

Low-res two-view benchmark