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

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

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

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




Method Infoalllakes. 1llakes. 1ssand box 1lsand box 1sstora. room 1lstora. room 1sstora. room 2lstora. room 2sstora. room 2 1lstora. room 2 1sstora. room 2 2lstora. room 2 2sstora. room 3lstora. room 3stunnel 1ltunnel 1stunnel 2ltunnel 2stunnel 3ltunnel 3s
sorted bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort by
R-Stereotwo views0.10
1
0.06
2
0.10
1
0.17
19
0.08
8
0.11
1
0.14
15
0.23
10
0.11
1
0.12
3
0.19
4
0.11
1
0.08
1
0.09
1
0.11
2
0.07
9
0.05
5
0.06
7
0.05
7
0.05
1
0.05
2
HITNettwo views0.10
1
0.06
2
0.12
6
0.14
4
0.06
1
0.11
1
0.10
6
0.18
2
0.18
4
0.13
5
0.16
2
0.14
5
0.11
4
0.15
10
0.13
4
0.06
3
0.04
1
0.04
1
0.04
1
0.06
5
0.05
2
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
PMTNettwo views0.10
1
0.05
1
0.10
1
0.12
1
0.07
3
0.14
7
0.18
35
0.20
4
0.20
7
0.10
1
0.11
1
0.13
3
0.08
1
0.12
3
0.09
1
0.07
9
0.04
1
0.05
2
0.04
1
0.06
5
0.06
6
R-Stereo Traintwo views0.10
1
0.06
2
0.10
1
0.17
19
0.08
8
0.11
1
0.14
15
0.23
10
0.11
1
0.12
3
0.19
4
0.11
1
0.08
1
0.09
1
0.11
2
0.07
9
0.05
5
0.06
7
0.05
7
0.05
1
0.05
2
DPM-Stereotwo views0.11
5
0.07
5
0.14
10
0.17
19
0.09
16
0.13
4
0.09
3
0.16
1
0.16
3
0.11
2
0.16
2
0.14
5
0.12
5
0.15
10
0.13
4
0.06
3
0.05
5
0.06
7
0.05
7
0.05
1
0.06
6
MLCVtwo views0.12
6
0.07
5
0.16
27
0.18
27
0.06
1
0.15
9
0.17
32
0.19
3
0.21
10
0.18
13
0.25
18
0.17
8
0.13
6
0.14
5
0.13
4
0.05
1
0.04
1
0.05
2
0.04
1
0.05
1
0.04
1
BEATNet_4xtwo views0.12
6
0.08
12
0.14
10
0.18
27
0.07
3
0.15
9
0.07
1
0.22
6
0.18
4
0.16
8
0.19
4
0.18
11
0.14
13
0.16
14
0.15
16
0.07
9
0.05
5
0.05
2
0.05
7
0.06
5
0.06
6
DN-CSS_ROBtwo views0.13
8
0.13
51
0.16
27
0.18
27
0.10
24
0.16
17
0.08
2
0.22
6
0.18
4
0.17
10
0.22
10
0.13
3
0.13
6
0.12
3
0.13
4
0.05
1
0.05
5
0.10
32
0.10
41
0.08
20
0.06
6
iResNettwo views0.13
8
0.10
19
0.18
37
0.19
37
0.08
8
0.13
4
0.18
35
0.20
4
0.26
22
0.15
6
0.23
12
0.15
7
0.13
6
0.14
5
0.14
10
0.06
3
0.04
1
0.06
7
0.05
7
0.06
5
0.05
2
RASNettwo views0.14
10
0.07
5
0.14
10
0.16
12
0.08
8
0.18
23
0.14
15
0.29
30
0.20
7
0.17
10
0.25
18
0.21
16
0.18
25
0.20
24
0.19
32
0.07
9
0.06
18
0.06
7
0.08
19
0.06
5
0.06
6
HSM-Net_RVCpermissivetwo views0.14
10
0.08
12
0.11
5
0.15
6
0.08
8
0.15
9
0.15
22
0.27
25
0.29
31
0.19
14
0.21
8
0.29
44
0.14
13
0.17
17
0.13
4
0.06
3
0.06
18
0.06
7
0.06
12
0.07
10
0.06
6
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVCtwo views0.14
10
0.07
5
0.15
17
0.12
1
0.09
16
0.16
17
0.18
35
0.22
6
0.24
16
0.17
10
0.26
22
0.24
23
0.14
13
0.16
14
0.14
10
0.11
44
0.06
18
0.08
19
0.09
27
0.09
27
0.08
24
ccstwo views0.14
10
0.08
12
0.13
7
0.13
3
0.10
24
0.14
7
0.14
15
0.30
38
0.33
41
0.16
8
0.20
7
0.19
12
0.13
6
0.14
5
0.14
10
0.10
35
0.05
5
0.11
42
0.09
27
0.10
39
0.10
41
iResNetv2_ROBtwo views0.14
10
0.08
12
0.15
17
0.16
12
0.08
8
0.16
17
0.12
9
0.25
15
0.35
47
0.21
21
0.29
29
0.24
23
0.13
6
0.14
5
0.14
10
0.06
3
0.05
5
0.06
7
0.04
1
0.09
27
0.08
24
iResNet_ROBtwo views0.14
10
0.07
5
0.13
7
0.14
4
0.07
3
0.18
23
0.14
15
0.26
19
0.31
35
0.22
30
0.25
18
0.23
22
0.15
16
0.15
10
0.13
4
0.07
9
0.05
5
0.05
2
0.04
1
0.08
20
0.08
24
AdaStereotwo views0.15
16
0.11
31
0.15
17
0.18
27
0.09
16
0.20
33
0.11
7
0.32
45
0.28
27
0.20
19
0.23
12
0.20
13
0.13
6
0.19
21
0.14
10
0.12
60
0.05
5
0.10
32
0.07
17
0.09
27
0.07
17
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.
pmcnntwo views0.15
16
0.07
5
0.19
41
0.15
6
0.07
3
0.20
33
0.15
22
0.24
12
0.26
22
0.21
21
0.34
50
0.28
38
0.18
25
0.18
20
0.17
26
0.07
9
0.05
5
0.05
2
0.04
1
0.07
10
0.06
6
HSMtwo views0.15
16
0.08
12
0.14
10
0.16
12
0.09
16
0.16
17
0.14
15
0.28
28
0.25
18
0.19
14
0.23
12
0.37
71
0.16
19
0.20
24
0.15
16
0.07
9
0.05
5
0.07
17
0.06
12
0.07
10
0.06
6
ccs_robtwo views0.15
16
0.08
12
0.14
10
0.15
6
0.07
3
0.21
40
0.09
3
0.24
12
0.23
13
0.21
21
0.24
16
0.28
38
0.18
25
0.17
17
0.16
21
0.08
20
0.06
18
0.09
23
0.10
41
0.07
10
0.07
17
CFNettwo views0.15
16
0.10
19
0.17
30
0.17
19
0.08
8
0.18
23
0.09
3
0.28
28
0.25
18
0.19
14
0.24
16
0.24
23
0.17
20
0.17
17
0.14
10
0.08
20
0.06
18
0.09
23
0.10
41
0.07
10
0.06
6
DeepPruner_ROBtwo views0.16
21
0.11
31
0.15
17
0.17
19
0.10
24
0.17
22
0.15
22
0.32
45
0.21
10
0.19
14
0.21
8
0.22
19
0.18
25
0.20
24
0.15
16
0.13
75
0.09
47
0.09
23
0.09
27
0.11
47
0.10
41
FADNet_RVCtwo views0.16
21
0.14
57
0.40
88
0.20
40
0.11
34
0.13
4
0.13
11
0.26
19
0.22
12
0.21
21
0.23
12
0.20
13
0.17
20
0.14
5
0.16
21
0.08
20
0.08
37
0.12
51
0.09
27
0.11
47
0.10
41
FADNet-RVC-Resampletwo views0.16
21
0.11
31
0.31
73
0.22
57
0.11
34
0.19
31
0.14
15
0.25
15
0.24
16
0.24
38
0.27
23
0.20
13
0.15
16
0.16
14
0.15
16
0.07
9
0.08
37
0.12
51
0.10
41
0.09
27
0.10
41
AANet_RVCtwo views0.16
21
0.10
19
0.10
1
0.18
27
0.09
16
0.18
23
0.19
48
0.26
19
0.31
35
0.22
30
0.35
52
0.21
16
0.21
36
0.22
38
0.16
21
0.06
3
0.05
5
0.06
7
0.06
12
0.07
10
0.06
6
NLCA_NET_v2_RVCtwo views0.17
25
0.10
19
0.22
50
0.20
40
0.10
24
0.15
9
0.18
35
0.31
40
0.25
18
0.21
21
0.30
32
0.25
27
0.17
20
0.21
33
0.20
36
0.09
28
0.06
18
0.08
19
0.08
19
0.07
10
0.08
24
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-Refinedtwo views0.17
25
0.12
41
0.15
17
0.20
40
0.09
16
0.18
23
0.18
35
0.26
19
0.23
13
0.26
48
0.40
72
0.22
19
0.17
20
0.21
33
0.20
36
0.08
20
0.05
5
0.09
23
0.10
41
0.07
10
0.07
17
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
TDLMtwo views0.17
25
0.12
41
0.13
7
0.24
67
0.10
24
0.18
23
0.18
35
0.36
71
0.30
32
0.21
21
0.28
25
0.28
38
0.18
25
0.23
43
0.18
30
0.11
44
0.07
33
0.10
32
0.10
41
0.08
20
0.08
24
CC-Net-ROBtwo views0.17
25
0.10
19
0.21
45
0.20
40
0.10
24
0.15
9
0.18
35
0.31
40
0.25
18
0.21
21
0.31
38
0.25
27
0.17
20
0.20
24
0.20
36
0.09
28
0.06
18
0.08
19
0.08
19
0.07
10
0.08
24
DMCAtwo views0.17
25
0.10
19
0.15
17
0.27
87
0.12
47
0.15
9
0.18
35
0.25
15
0.20
7
0.19
14
0.30
32
0.25
27
0.25
55
0.15
10
0.22
44
0.12
60
0.11
63
0.18
89
0.13
69
0.08
20
0.08
24
DLCB_ROBtwo views0.18
30
0.10
19
0.15
17
0.23
65
0.11
34
0.24
56
0.18
35
0.29
30
0.28
27
0.27
54
0.28
25
0.28
38
0.24
51
0.19
21
0.20
36
0.08
20
0.08
37
0.09
23
0.09
27
0.07
10
0.07
17
CVANet_RVCtwo views0.18
30
0.10
19
0.14
10
0.21
50
0.10
24
0.18
23
0.17
32
0.34
61
0.33
41
0.22
30
0.31
38
0.28
38
0.18
25
0.23
43
0.17
26
0.12
60
0.08
37
0.12
51
0.11
54
0.09
27
0.07
17
STTStereotwo views0.18
30
0.12
41
0.27
62
0.20
40
0.11
34
0.16
17
0.21
57
0.29
30
0.23
13
0.21
21
0.30
32
0.29
44
0.18
25
0.20
24
0.19
32
0.12
60
0.11
63
0.11
42
0.14
73
0.09
27
0.08
24
StereoDRNettwo views0.18
30
0.11
31
0.17
30
0.22
57
0.11
34
0.21
40
0.22
59
0.37
75
0.33
41
0.24
38
0.28
25
0.30
47
0.19
33
0.20
24
0.20
36
0.09
28
0.08
37
0.11
42
0.09
27
0.09
27
0.07
17
DISCOtwo views0.19
34
0.09
18
0.22
50
0.17
19
0.10
24
0.25
62
0.18
35
0.27
25
0.44
70
0.22
30
0.31
38
0.33
60
0.26
56
0.28
61
0.28
78
0.08
20
0.06
18
0.07
17
0.07
17
0.09
27
0.09
35
CBMVpermissivetwo views0.19
34
0.14
57
0.17
30
0.18
27
0.10
24
0.20
33
0.11
7
0.29
30
0.30
32
0.29
63
0.30
32
0.30
47
0.23
45
0.27
53
0.19
32
0.13
75
0.15
85
0.17
84
0.16
83
0.10
39
0.10
41
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
DRN-Testtwo views0.19
34
0.11
31
0.20
43
0.22
57
0.10
24
0.22
45
0.22
59
0.39
82
0.37
52
0.24
38
0.32
42
0.26
32
0.21
36
0.22
38
0.24
54
0.11
44
0.07
33
0.11
42
0.10
41
0.09
27
0.07
17
CBMV_ROBtwo views0.19
34
0.13
51
0.17
30
0.16
12
0.11
34
0.15
9
0.13
11
0.26
19
0.28
27
0.27
54
0.30
32
0.27
35
0.24
51
0.23
43
0.16
21
0.15
86
0.17
90
0.22
94
0.20
90
0.10
39
0.11
53
NOSS_ROBtwo views0.19
34
0.12
41
0.18
37
0.16
12
0.12
47
0.15
9
0.12
9
0.30
38
0.32
39
0.20
19
0.22
10
0.27
35
0.23
45
0.21
33
0.16
21
0.16
92
0.18
92
0.23
95
0.21
92
0.12
55
0.13
62
ADCReftwo views0.19
34
0.12
41
0.41
90
0.20
40
0.12
47
0.22
45
0.18
35
0.32
45
0.36
49
0.26
48
0.32
42
0.17
8
0.23
45
0.24
49
0.24
54
0.07
9
0.06
18
0.09
23
0.09
27
0.08
20
0.08
24
NVstereo2Dtwo views0.19
34
0.10
19
0.15
17
0.17
19
0.15
67
0.28
71
0.23
64
0.44
95
0.42
66
0.15
6
0.27
23
0.25
27
0.19
33
0.22
38
0.17
26
0.09
28
0.06
18
0.10
32
0.08
19
0.15
81
0.09
35
FADNet-RVCtwo views0.20
41
0.20
86
0.38
86
0.21
50
0.16
72
0.20
33
0.15
22
0.26
19
0.26
22
0.26
48
0.32
42
0.26
32
0.21
36
0.22
38
0.19
32
0.12
60
0.13
78
0.12
51
0.14
73
0.13
62
0.18
90
SGM-Foresttwo views0.20
41
0.14
57
0.18
37
0.19
37
0.13
53
0.20
33
0.22
59
0.33
56
0.30
32
0.24
38
0.29
29
0.28
38
0.19
33
0.23
43
0.17
26
0.15
86
0.16
87
0.15
76
0.14
73
0.12
55
0.12
57
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SuperBtwo views0.20
41
0.10
19
0.56
99
0.16
12
0.09
16
0.18
23
0.18
35
0.24
12
0.50
81
0.26
48
0.39
67
0.17
8
0.21
36
0.22
38
0.21
42
0.08
20
0.06
18
0.06
7
0.06
12
0.12
55
0.10
41
ADCP+two views0.20
41
0.10
19
0.33
77
0.20
40
0.12
47
0.22
45
0.26
76
0.31
40
0.34
44
0.26
48
0.37
56
0.22
19
0.22
43
0.27
53
0.27
71
0.09
28
0.06
18
0.08
19
0.08
19
0.09
27
0.10
41
PWCDC_ROBbinarytwo views0.20
41
0.13
51
0.22
50
0.24
67
0.11
34
0.19
31
0.15
22
0.33
56
0.54
90
0.29
63
0.50
91
0.21
16
0.15
16
0.27
53
0.20
36
0.11
44
0.09
47
0.10
32
0.08
19
0.11
47
0.09
35
GANettwo views0.21
46
0.12
41
0.21
45
0.24
67
0.13
53
0.22
45
0.22
59
0.41
87
0.26
22
0.31
69
0.42
83
0.37
71
0.28
66
0.23
43
0.22
44
0.10
35
0.12
70
0.10
32
0.09
27
0.10
39
0.08
24
DANettwo views0.21
46
0.15
61
0.28
66
0.25
75
0.13
53
0.22
45
0.19
48
0.27
25
0.27
26
0.28
60
0.32
42
0.35
66
0.31
80
0.31
69
0.23
50
0.11
44
0.09
47
0.11
42
0.10
41
0.13
62
0.11
53
RPtwo views0.21
46
0.13
51
0.21
45
0.23
65
0.11
34
0.21
40
0.20
54
0.25
15
0.44
70
0.21
21
0.38
58
0.36
68
0.24
51
0.27
53
0.25
60
0.11
44
0.12
70
0.13
63
0.12
63
0.12
55
0.14
76
FADNettwo views0.21
46
0.22
91
0.36
82
0.18
27
0.17
83
0.24
56
0.13
11
0.31
40
0.31
35
0.23
37
0.25
18
0.27
35
0.21
36
0.19
21
0.15
16
0.13
75
0.15
85
0.12
51
0.15
81
0.16
84
0.18
90
PSMNet_ROBtwo views0.21
46
0.11
31
0.15
17
0.27
87
0.15
67
0.24
56
0.35
98
0.43
93
0.37
52
0.27
54
0.32
42
0.32
57
0.22
43
0.21
33
0.26
66
0.12
60
0.08
37
0.13
63
0.11
54
0.09
27
0.09
35
PWC_ROBbinarytwo views0.21
46
0.16
67
0.26
59
0.18
27
0.11
34
0.22
45
0.13
11
0.32
45
0.49
79
0.30
66
0.40
72
0.32
57
0.24
51
0.31
69
0.22
44
0.10
35
0.07
33
0.11
42
0.08
19
0.11
47
0.10
41
RYNettwo views0.22
52
0.12
41
0.22
50
0.19
37
0.17
83
0.46
94
0.26
76
0.38
79
0.48
77
0.24
38
0.28
25
0.34
63
0.23
45
0.20
24
0.30
85
0.10
35
0.06
18
0.09
23
0.09
27
0.13
62
0.15
79
NaN_ROBtwo views0.22
52
0.19
82
0.24
58
0.25
75
0.13
53
0.29
74
0.26
76
0.33
56
0.41
63
0.31
69
0.31
38
0.32
57
0.23
45
0.30
68
0.21
42
0.11
44
0.17
90
0.10
32
0.10
41
0.08
20
0.09
35
MDST_ROBtwo views0.22
52
0.10
19
0.17
30
0.18
27
0.11
34
0.37
91
0.19
48
0.43
93
0.41
63
0.39
86
0.39
67
0.29
44
0.21
36
0.26
51
0.18
30
0.11
44
0.10
57
0.14
71
0.11
54
0.10
39
0.08
24
edge stereotwo views0.22
52
0.13
51
0.20
43
0.21
50
0.13
53
0.23
55
0.16
29
0.32
45
0.42
66
0.32
74
0.40
72
0.38
74
0.35
87
0.25
50
0.24
54
0.13
75
0.11
63
0.14
71
0.11
54
0.12
55
0.13
62
XPNet_ROBtwo views0.22
52
0.11
31
0.19
41
0.22
57
0.13
53
0.22
45
0.19
48
0.34
61
0.40
60
0.30
66
0.39
67
0.39
80
0.26
56
0.26
51
0.28
78
0.15
86
0.10
57
0.10
32
0.10
41
0.13
62
0.12
57
stereogantwo views0.22
52
0.11
31
0.21
45
0.20
40
0.12
47
0.31
77
0.19
48
0.35
68
0.44
70
0.22
30
0.39
67
0.35
66
0.27
63
0.33
76
0.22
44
0.10
35
0.12
70
0.10
32
0.10
41
0.14
73
0.13
62
AF-Nettwo views0.22
52
0.17
76
0.17
30
0.26
79
0.13
53
0.25
62
0.24
70
0.32
45
0.50
81
0.25
46
0.33
48
0.38
74
0.26
56
0.28
61
0.25
60
0.11
44
0.10
57
0.16
82
0.11
54
0.11
47
0.10
41
NCCL2two views0.23
59
0.15
61
0.17
30
0.34
100
0.18
89
0.24
56
0.23
64
0.34
61
0.28
27
0.31
69
0.38
58
0.38
74
0.28
66
0.23
43
0.24
54
0.15
86
0.12
70
0.18
89
0.21
92
0.13
62
0.13
62
ETE_ROBtwo views0.23
59
0.17
76
0.22
50
0.25
75
0.13
53
0.26
67
0.29
87
0.31
40
0.36
49
0.28
60
0.36
55
0.45
88
0.26
56
0.27
53
0.26
66
0.11
44
0.08
37
0.12
51
0.09
27
0.14
73
0.13
62
Anonymous Stereotwo views0.23
59
0.19
82
0.50
96
0.24
67
0.17
83
0.21
40
0.21
57
0.33
56
0.44
70
0.25
46
0.34
50
0.26
32
0.18
25
0.31
69
0.27
71
0.13
75
0.12
70
0.12
51
0.13
69
0.11
47
0.14
76
RTSCtwo views0.23
59
0.12
41
0.28
66
0.21
50
0.13
53
0.28
71
0.16
29
0.35
68
0.66
101
0.27
54
0.33
48
0.30
47
0.21
36
0.31
69
0.29
81
0.10
35
0.08
37
0.09
23
0.10
41
0.13
62
0.13
62
Nwc_Nettwo views0.23
59
0.16
67
0.21
45
0.25
75
0.14
63
0.24
56
0.26
76
0.37
75
0.38
55
0.22
30
0.41
80
0.30
47
0.28
66
0.28
61
0.25
60
0.11
44
0.10
57
0.17
84
0.20
90
0.10
39
0.10
41
PA-Nettwo views0.23
59
0.18
80
0.33
77
0.28
91
0.22
97
0.21
40
0.38
102
0.29
30
0.39
57
0.22
30
0.32
42
0.25
27
0.26
56
0.20
24
0.25
60
0.09
28
0.23
104
0.15
76
0.22
94
0.09
27
0.13
62
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
SGM_RVCbinarytwo views0.23
59
0.12
41
0.15
17
0.15
6
0.09
16
0.33
82
0.18
35
0.34
61
0.31
35
0.44
94
0.37
56
0.53
96
0.35
87
0.35
82
0.24
54
0.13
75
0.13
78
0.13
63
0.13
69
0.10
39
0.11
53
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Abc-Nettwo views0.24
66
0.15
61
0.31
73
0.26
79
0.16
72
0.20
33
0.30
90
0.40
83
0.40
60
0.24
38
0.38
58
0.33
60
0.28
66
0.36
86
0.27
71
0.12
60
0.11
63
0.15
76
0.22
94
0.13
62
0.13
62
ADCLtwo views0.24
66
0.11
31
0.47
94
0.22
57
0.12
47
0.34
84
0.29
87
0.29
30
0.56
91
0.24
38
0.46
87
0.30
47
0.30
78
0.29
67
0.29
81
0.08
20
0.07
33
0.09
23
0.09
27
0.10
39
0.10
41
G-Nettwo views0.24
66
0.16
67
0.36
82
0.22
57
0.16
72
0.51
97
0.23
64
0.29
30
0.34
44
0.36
79
0.38
58
0.31
53
0.29
74
0.27
53
0.26
66
0.11
44
0.09
47
0.12
51
0.09
27
0.16
84
0.13
62
NCC-stereotwo views0.24
66
0.15
61
0.31
73
0.26
79
0.16
72
0.20
33
0.30
90
0.40
83
0.40
60
0.24
38
0.38
58
0.33
60
0.28
66
0.36
86
0.27
71
0.12
60
0.11
63
0.15
76
0.22
94
0.13
62
0.13
62
DeepPrunerFtwo views0.24
66
0.17
76
0.42
91
0.26
79
0.16
72
0.22
45
0.28
85
0.37
75
0.50
81
0.26
48
0.29
29
0.24
23
0.28
66
0.21
33
0.22
44
0.15
86
0.11
63
0.20
93
0.18
88
0.12
55
0.13
62
WCMA_ROBtwo views0.24
66
0.11
31
0.22
50
0.17
19
0.14
63
0.32
78
0.15
22
0.32
45
0.32
39
0.38
84
0.53
92
0.40
81
0.34
85
0.34
78
0.25
60
0.11
44
0.12
70
0.12
51
0.10
41
0.14
73
0.14
76
STTStereo_v2two views0.24
66
0.16
67
0.36
82
0.22
57
0.16
72
0.51
97
0.23
64
0.29
30
0.34
44
0.36
79
0.38
58
0.31
53
0.29
74
0.27
53
0.26
66
0.11
44
0.09
47
0.12
51
0.09
27
0.16
84
0.13
62
SANettwo views0.24
66
0.14
57
0.28
66
0.21
50
0.11
34
0.27
69
0.24
70
0.38
79
0.64
99
0.36
79
0.40
72
0.43
85
0.26
56
0.27
53
0.24
54
0.12
60
0.09
47
0.10
32
0.09
27
0.13
62
0.11
53
FBW_ROBtwo views0.24
66
0.17
76
0.22
50
0.26
79
0.14
63
0.25
62
0.22
59
0.41
87
0.41
63
0.41
91
0.41
80
0.42
83
0.27
63
0.31
69
0.23
50
0.09
28
0.14
83
0.14
71
0.12
63
0.11
47
0.09
35
RGCtwo views0.25
75
0.20
86
0.29
70
0.28
91
0.16
72
0.22
45
0.23
64
0.32
45
0.44
70
0.27
54
0.40
72
0.38
74
0.27
63
0.36
86
0.22
44
0.11
44
0.13
78
0.17
84
0.17
87
0.14
73
0.16
86
LALA_ROBtwo views0.25
75
0.16
67
0.22
50
0.26
79
0.17
83
0.27
69
0.27
82
0.42
91
0.37
52
0.33
76
0.38
58
0.51
94
0.26
56
0.28
61
0.27
71
0.16
92
0.09
47
0.12
51
0.11
54
0.13
62
0.12
57
ADCMidtwo views0.25
75
0.15
61
0.40
88
0.20
40
0.14
63
0.25
62
0.26
76
0.34
61
0.38
55
0.36
79
0.44
86
0.34
63
0.40
93
0.35
82
0.33
90
0.10
35
0.09
47
0.11
42
0.11
54
0.13
62
0.12
57
ADCPNettwo views0.25
75
0.16
67
0.61
101
0.21
50
0.15
67
0.35
90
0.25
73
0.32
45
0.35
47
0.30
66
0.40
72
0.36
68
0.28
66
0.28
61
0.32
88
0.12
60
0.10
57
0.11
42
0.12
63
0.14
73
0.13
62
SHDtwo views0.26
79
0.15
61
0.30
72
0.24
67
0.18
89
0.22
45
0.15
22
0.38
79
0.71
103
0.32
74
0.41
80
0.36
68
0.28
66
0.32
75
0.29
81
0.12
60
0.11
63
0.14
71
0.13
69
0.16
84
0.20
95
AnyNet_C32two views0.26
79
0.16
67
0.36
82
0.20
40
0.16
72
0.25
62
0.30
90
0.32
45
0.44
70
0.31
69
0.49
89
0.30
47
0.33
82
0.40
95
0.33
90
0.12
60
0.12
70
0.12
51
0.14
73
0.14
73
0.15
79
DispFullNettwo views0.27
81
0.21
90
0.65
103
0.28
91
0.16
72
0.26
67
0.17
32
0.33
56
0.58
94
0.27
54
0.38
58
0.43
85
0.23
45
0.38
90
0.23
50
0.12
60
0.06
18
0.19
91
0.11
54
0.21
95
0.15
79
MeshStereopermissivetwo views0.27
81
0.13
51
0.18
37
0.15
6
0.11
34
0.32
78
0.24
70
0.40
83
0.36
49
0.52
97
0.57
95
0.67
104
0.40
93
0.35
82
0.26
66
0.14
84
0.13
78
0.13
63
0.11
54
0.11
47
0.10
41
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
PDISCO_ROBtwo views0.27
81
0.16
67
0.26
59
0.28
91
0.20
93
0.32
78
0.26
76
0.44
95
0.57
92
0.28
60
0.40
72
0.45
88
0.29
74
0.33
76
0.34
92
0.12
60
0.09
47
0.17
84
0.16
83
0.17
89
0.13
62
XQCtwo views0.28
84
0.23
92
0.51
97
0.28
91
0.19
91
0.34
84
0.27
82
0.36
71
0.57
92
0.31
69
0.30
32
0.37
71
0.30
78
0.38
90
0.38
97
0.13
75
0.09
47
0.15
76
0.12
63
0.17
89
0.18
90
DPSNettwo views0.28
84
0.16
67
0.31
73
0.18
27
0.13
53
0.54
99
0.42
104
0.51
102
0.67
102
0.29
63
0.38
58
0.38
74
0.29
74
0.31
69
0.23
50
0.11
44
0.10
57
0.11
42
0.08
19
0.20
94
0.16
86
CSANtwo views0.29
86
0.24
93
0.27
62
0.34
100
0.19
91
0.33
82
0.42
104
0.37
75
0.50
81
0.38
84
0.40
72
0.44
87
0.33
82
0.28
61
0.30
85
0.20
97
0.16
87
0.19
91
0.19
89
0.14
73
0.15
79
ADCStwo views0.29
86
0.18
80
0.45
92
0.21
50
0.17
83
0.28
71
0.23
64
0.41
87
0.63
98
0.40
88
0.49
89
0.40
81
0.36
89
0.39
93
0.40
100
0.13
75
0.12
70
0.13
63
0.14
73
0.16
84
0.16
86
MFN_U_SF_DS_RVCtwo views0.30
88
0.24
93
0.29
70
0.36
103
0.16
72
0.34
84
0.30
90
0.32
45
0.42
66
0.40
88
0.46
87
0.38
74
0.31
80
0.34
78
0.28
78
0.19
95
0.20
96
0.26
97
0.29
104
0.18
91
0.19
94
MSMD_ROBtwo views0.31
89
0.26
97
0.26
59
0.24
67
0.21
95
0.34
84
0.25
73
0.34
61
0.39
57
0.40
88
0.69
100
0.45
88
0.40
93
0.34
78
0.27
71
0.20
97
0.19
94
0.26
97
0.25
99
0.23
97
0.22
99
GANetREF_RVCpermissivetwo views0.31
89
0.34
104
0.27
62
0.35
102
0.16
72
0.32
78
0.41
103
0.48
98
0.51
88
0.35
77
0.35
52
0.34
63
0.33
82
0.39
93
0.32
88
0.27
106
0.20
96
0.29
105
0.15
81
0.18
91
0.17
89
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
SGM-ForestMtwo views0.32
91
0.12
41
0.16
27
0.16
12
0.11
34
0.39
93
0.19
48
0.41
87
0.50
81
0.52
97
0.54
93
1.32
110
0.42
99
0.40
95
0.27
71
0.14
84
0.16
87
0.16
82
0.16
83
0.12
55
0.12
57
PASMtwo views0.32
91
0.24
93
0.48
95
0.28
91
0.27
103
0.29
74
0.30
90
0.34
61
0.49
79
0.35
77
0.39
67
0.46
91
0.34
85
0.34
78
0.35
93
0.23
105
0.25
105
0.26
97
0.28
103
0.23
97
0.21
97
FC-DCNNcopylefttwo views0.33
93
0.27
98
0.28
66
0.26
79
0.23
99
0.37
91
0.28
85
0.40
83
0.43
69
0.45
95
0.55
94
0.51
94
0.40
93
0.37
89
0.30
85
0.21
100
0.20
96
0.27
100
0.26
100
0.25
102
0.24
100
LSMtwo views0.33
93
0.20
86
0.58
100
0.26
79
0.60
110
0.34
84
0.25
73
0.42
91
0.48
77
0.45
95
0.58
97
0.42
83
0.36
89
0.35
82
0.25
60
0.12
60
0.20
96
0.14
71
0.16
83
0.19
93
0.33
107
AnyNet_C01two views0.36
95
0.25
96
1.37
109
0.22
57
0.17
83
0.48
96
0.27
82
0.35
68
0.39
57
0.39
86
0.74
104
0.46
91
0.38
91
0.45
97
0.47
105
0.13
75
0.13
78
0.13
63
0.14
73
0.14
73
0.15
79
PVDtwo views0.39
96
0.20
86
0.39
87
0.31
99
0.22
97
0.29
74
0.43
106
0.52
103
0.96
110
0.55
100
0.79
107
0.53
96
0.59
106
0.52
101
0.38
97
0.19
95
0.14
83
0.17
84
0.14
73
0.24
101
0.31
105
SAMSARAtwo views0.40
97
0.28
101
0.33
77
0.55
109
0.39
106
0.82
110
1.23
112
0.47
97
0.51
88
0.36
79
0.35
52
0.55
98
0.39
92
0.38
90
0.39
99
0.15
86
0.20
96
0.15
76
0.14
73
0.23
97
0.20
95
ELAS_RVCcopylefttwo views0.41
98
0.29
102
0.33
77
0.28
91
0.24
100
0.54
99
0.36
99
0.49
100
0.59
95
0.72
106
0.74
104
0.65
102
0.54
101
0.54
105
0.40
100
0.22
102
0.20
96
0.27
100
0.26
100
0.26
104
0.25
102
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAScopylefttwo views0.41
98
0.29
102
0.33
77
0.27
87
0.24
100
0.60
101
0.36
99
0.50
101
0.50
81
0.71
104
0.79
107
0.67
104
0.54
101
0.51
99
0.42
102
0.22
102
0.20
96
0.27
100
0.26
100
0.26
104
0.25
102
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVCtwo views0.43
100
0.39
106
0.54
98
0.40
104
0.20
93
0.64
103
0.32
96
0.53
104
0.72
104
0.71
104
0.72
102
0.61
99
0.54
101
0.51
99
0.46
104
0.20
97
0.19
94
0.29
105
0.30
105
0.23
97
0.18
90
RTSAtwo views0.45
101
0.19
82
3.26
111
0.24
67
0.15
67
0.74
106
0.20
54
0.36
71
0.76
107
0.42
92
0.43
84
0.31
53
0.41
97
0.53
103
0.35
93
0.10
35
0.08
37
0.13
63
0.12
63
0.15
81
0.15
79
MANEtwo views0.45
101
0.27
98
0.27
62
0.27
87
0.24
100
0.47
95
0.31
95
0.55
106
0.59
95
0.72
106
1.13
112
1.15
109
0.61
107
0.52
101
0.37
96
0.21
100
0.20
96
0.27
100
0.31
106
0.25
102
0.24
100
RTStwo views0.45
101
0.19
82
3.26
111
0.24
67
0.15
67
0.74
106
0.20
54
0.36
71
0.76
107
0.42
92
0.43
84
0.31
53
0.41
97
0.53
103
0.35
93
0.10
35
0.08
37
0.13
63
0.12
63
0.15
81
0.15
79
NVStereoNet_ROBtwo views0.46
104
0.36
105
0.46
93
0.41
106
0.28
104
0.34
84
0.34
97
0.48
98
0.60
97
0.72
106
0.93
109
0.70
107
0.66
110
0.47
98
0.60
107
0.22
102
0.33
106
0.34
107
0.34
107
0.30
106
0.30
104
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROBtwo views0.50
105
0.07
5
0.14
10
0.15
6
0.08
8
0.24
56
0.16
29
0.22
6
1.81
112
4.63
113
0.67
99
0.47
93
0.44
100
0.20
24
0.29
81
0.07
9
0.06
18
0.06
7
0.06
12
0.08
20
0.06
6
BEATNet-Init1two views0.52
106
0.27
98
0.62
102
0.30
98
0.21
95
0.76
109
0.29
87
0.54
105
0.65
100
0.86
109
0.95
110
2.07
112
0.62
109
0.56
106
0.42
102
0.18
94
0.18
92
0.23
95
0.22
94
0.22
96
0.21
97
SGM+DAISYtwo views0.56
107
0.57
107
0.65
103
0.40
104
0.54
108
0.66
104
0.49
108
0.56
107
0.45
76
0.66
102
0.69
100
0.67
104
0.56
104
0.63
108
0.56
106
0.59
108
0.48
110
0.50
108
0.50
110
0.52
108
0.58
109
SPS-STEREOcopylefttwo views0.57
108
0.58
108
0.65
103
0.45
107
0.55
109
0.62
102
0.44
107
0.62
108
0.50
81
0.68
103
0.64
98
0.66
103
0.57
105
0.61
107
0.60
107
0.62
109
0.47
109
0.51
109
0.49
108
0.55
109
0.58
109
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_retwo views0.64
109
0.66
109
0.65
103
0.51
108
0.69
111
0.69
105
0.57
109
0.64
109
0.73
105
0.60
101
0.73
103
0.62
100
0.67
111
0.65
109
0.60
107
0.66
110
0.58
112
0.63
110
0.59
111
0.68
110
0.69
111
PWCKtwo views0.71
110
0.94
111
0.95
108
0.76
111
0.31
105
0.74
106
0.36
99
0.90
111
0.90
109
0.96
110
0.75
106
0.95
108
0.61
107
0.87
111
0.66
110
0.72
111
0.46
108
0.75
111
0.49
108
0.69
111
0.44
108
MADNet+two views0.75
111
0.71
110
3.70
113
0.66
110
0.41
107
0.98
111
0.97
110
0.69
110
0.73
105
0.52
97
0.57
95
0.64
101
0.68
112
0.86
110
1.01
111
0.34
107
0.36
107
0.28
104
0.23
98
0.36
107
0.31
105
DPSimNet_ROBtwo views1.11
112
1.23
112
0.78
107
1.13
112
0.88
112
1.10
112
1.13
111
1.16
112
1.23
111
1.43
111
1.02
111
1.41
111
1.10
113
0.90
112
1.60
112
1.46
112
0.51
111
1.21
112
1.03
112
0.90
112
1.01
112
MADNet++two views1.95
113
1.75
113
1.59
110
1.82
113
1.69
113
2.33
113
1.40
113
2.35
113
2.09
113
2.57
112
2.36
113
2.24
113
2.17
114
2.28
113
2.34
113
1.87
113
1.66
113
1.54
113
1.34
113
1.92
113
1.77
113
DGTPSM_ROBtwo views8.06
114
4.48
114
8.63
116
5.35
114
10.72
114
8.32
114
22.97
116
5.46
114
13.35
114
5.12
114
9.92
114
5.08
114
10.40
115
5.52
114
12.58
114
3.79
114
8.00
114
3.50
114
7.02
116
3.83
114
7.14
114
DPSMNet_ROBtwo views8.06
114
4.48
114
8.63
116
5.37
115
10.74
115
8.32
114
22.98
117
5.46
114
13.36
115
5.12
114
9.92
114
5.08
114
10.40
115
5.53
115
12.58
114
3.80
115
8.00
114
3.50
114
7.02
116
3.83
114
7.14
114
DPSMtwo views11.15
116
8.58
116
8.00
114
10.88
116
11.58
116
19.10
118
26.71
118
12.05
116
14.07
116
10.36
116
10.84
116
10.33
116
11.86
117
11.70
116
13.54
116
6.99
116
8.79
116
5.89
116
6.95
114
7.29
116
7.42
116
DPSM_ROBtwo views11.15
116
8.58
116
8.00
114
10.88
116
11.58
116
19.10
118
26.71
118
12.05
116
14.07
116
10.36
116
10.84
116
10.33
116
11.86
117
11.70
116
13.54
116
6.99
116
8.79
116
5.89
116
6.95
114
7.29
116
7.42
116
MEDIAN_ROBtwo views20.38
118
24.04
119
23.31
119
21.23
118
21.71
118
10.40
116
7.92
114
17.64
118
15.50
118
20.12
118
19.70
118
20.34
118
20.32
119
21.19
118
21.13
118
23.81
119
21.81
119
24.98
119
23.76
119
24.71
119
23.93
119
LSM0two views22.87
119
17.28
118
18.96
118
22.19
119
29.04
120
38.42
120
53.71
120
24.28
120
28.31
120
20.78
119
21.00
119
21.43
119
24.16
120
23.50
119
27.39
120
14.09
118
17.38
118
11.84
118
14.04
118
14.73
118
14.89
118
AVERAGE_ROBtwo views24.90
120
29.20
120
28.14
120
24.89
120
24.64
119
17.75
117
11.12
115
21.45
119
19.93
119
25.12
120
24.46
120
25.12
120
25.46
121
24.69
120
22.83
119
29.76
120
27.13
120
28.97
120
27.95
120
29.91
120
29.47
120
MSMDNettwo views0.13
6