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

DEFOM-Stereo	0.07 1	0.06 34	0.08 13	0.15 48	0.06 3	0.09 44	0.11 18	0.11 4	0.16 120	0.06 1	0.08 28	0.06 4	0.04 1	0.09 12	0.09 29	0.05 4	0.04 2	0.05 2	0.03 1	0.03 1	0.03 1

IGEV-Stereo++	0.07 1	0.06 34	0.08 13	0.18 230	0.06 3	0.04 1	0.10 10	0.11 4	0.11 28	0.06 1	0.07 17	0.07 27	0.06 13	0.09 12	0.09 29	0.05 4	0.04 2	0.05 2	0.04 13	0.05 56	0.04 12

IGEV-Stereo+	0.07 1	0.04 1	0.08 13	0.15 48	0.06 3	0.04 1	0.09 5	0.10 1	0.09 3	0.06 1	0.06 2	0.06 4	0.06 13	0.06 1	0.08 12	0.06 70	0.04 2	0.05 2	0.04 13	0.06 128	0.06 136

Selective-IGEV	0.07 1	0.06 34	0.08 13	0.17 157	0.06 3	0.08 27	0.12 31	0.13 24	0.07 1	0.08 15	0.07 17	0.06 4	0.04 1	0.10 27	0.09 29	0.05 4	0.04 2	0.05 2	0.04 13	0.04 2	0.03 1

S-MoEStereo	0.08 5	0.06 34	0.12 119	0.16 96	0.07 27	0.09 44	0.14 95	0.11 4	0.13 66	0.09 35	0.07 17	0.07 27	0.07 53	0.12 129	0.10 73	0.05 4	0.04 2	0.06 46	0.05 51	0.04 2	0.04 12

Occ-G	0.08 5	0.05 9	0.06 1	0.14 18	0.07 27	0.08 27	0.14 95	0.13 24	0.15 97	0.07 5	0.11 84	0.07 27	0.05 4	0.09 12	0.10 73	0.06 70	0.05 127	0.05 2	0.04 13	0.05 56	0.05 69

U	0.08 5	0.07 95	0.09 36	0.19 283	0.10 266	0.10 77	0.13 59	0.12 14	0.17 139	0.07 5	0.07 17	0.06 4	0.05 4	0.07 2	0.08 12	0.06 70	0.04 2	0.06 46	0.04 13	0.06 128	0.05 69

AIO-Stereo	0.08 5	0.06 34	0.09 36	0.18 230	0.06 3	0.08 27	0.12 31	0.15 54	0.09 3	0.08 15	0.08 28	0.07 27	0.05 4	0.11 60	0.08 12	0.05 4	0.05 127	0.05 2	0.04 13	0.04 2	0.04 12

WCG-NET（raft）	0.08 5	0.05 9	0.10 61	0.15 48	0.06 3	0.11 113	0.13 59	0.15 54	0.12 41	0.08 15	0.07 17	0.06 4	0.06 13	0.13 169	0.08 12	0.05 4	0.04 2	0.05 2	0.04 13	0.04 2	0.04 12

RSM++	0.08 5	0.06 34	0.09 36	0.17 157	0.07 27	0.09 44	0.12 31	0.11 4	0.11 28	0.08 15	0.06 2	0.07 27	0.05 4	0.10 27	0.09 29	0.04 1	0.04 2	0.06 46	0.05 51	0.05 56	0.03 1

RSM	0.08 5	0.06 34	0.09 36	0.17 157	0.06 3	0.08 27	0.12 31	0.12 14	0.10 12	0.08 15	0.07 17	0.06 4	0.05 4	0.11 60	0.09 29	0.04 1	0.04 2	0.05 2	0.04 13	0.04 2	0.03 1

trnet	0.08 5	0.05 9	0.07 3	0.12 3	0.05 1	0.12 143	0.11 18	0.13 24	0.10 12	0.08 15	0.13 107	0.09 66	0.08 82	0.11 60	0.10 73	0.08 227	0.05 127	0.05 2	0.03 1	0.06 128	0.05 69

MoCha-V2	0.08 5	0.05 9	0.10 61	0.20 328	0.07 27	0.09 44	0.14 95	0.11 4	0.08 2	0.07 5	0.08 28	0.07 27	0.06 13	0.09 12	0.08 12	0.05 4	0.04 2	0.05 2	0.04 13	0.04 2	0.04 12

IGEV++	0.08 5	0.06 34	0.08 13	0.18 230	0.07 27	0.09 44	0.13 59	0.10 1	0.09 3	0.08 15	0.08 28	0.06 4	0.06 13	0.13 169	0.09 29	0.05 4	0.04 2	0.05 2	0.04 13	0.05 56	0.04 12

testlalala	0.08 5	0.07 95	0.17 302	0.16 96	0.08 66	0.09 44	0.12 31	0.15 54	0.10 12	0.07 5	0.09 40	0.06 4	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.04 13	0.04 2	0.04 12

AEACV	0.08 5	0.05 9	0.08 13	0.14 18	0.13 361	0.14 206	0.13 59	0.14 36	0.09 3	0.07 5	0.09 40	0.07 27	0.08 82	0.10 27	0.09 29	0.06 70	0.04 2	0.06 46	0.05 51	0.05 56	0.04 12

LoS_RVC	0.08 5	0.05 9	0.07 3	0.15 48	0.07 27	0.08 27	0.15 155	0.11 4	0.10 12	0.08 15	0.09 40	0.06 4	0.09 106	0.10 27	0.09 29	0.05 4	0.04 2	0.05 2	0.03 1	0.04 2	0.03 1

CAS	0.08 5	0.04 1	0.07 3	0.17 157	0.08 66	0.10 77	0.13 59	0.12 14	0.09 3	0.09 35	0.10 60	0.08 45	0.06 13	0.09 12	0.08 12	0.08 227	0.04 2	0.05 2	0.03 1	0.05 56	0.04 12

CES	0.08 5	0.04 1	0.08 13	0.14 18	0.07 27	0.09 44	0.14 95	0.11 4	0.09 3	0.08 15	0.09 40	0.11 110	0.06 13	0.12 129	0.08 12	0.06 70	0.04 2	0.05 2	0.03 1	0.05 56	0.05 69

EGLCR-Stereo	0.08 5	0.05 9	0.08 13	0.14 18	0.06 3	0.10 77	0.12 31	0.11 4	0.16 120	0.06 1	0.05 1	0.07 27	0.05 4	0.10 27	0.11 122	0.06 70	0.04 2	0.06 46	0.05 51	0.04 2	0.04 12

MC-Stereo	0.08 5	0.06 34	0.09 36	0.17 157	0.06 3	0.10 77	0.14 95	0.12 14	0.10 12	0.09 35	0.12 95	0.09 66	0.06 13	0.11 60	0.10 73	0.06 70	0.04 2	0.06 46	0.05 51	0.04 2	0.04 12

test-3	0.08 5	0.06 34	0.09 36	0.17 157	0.07 27	0.07 18	0.14 95	0.12 14	0.15 97	0.09 35	0.08 28	0.07 27	0.08 82	0.11 60	0.10 73	0.05 4	0.04 2	0.07 131	0.05 51	0.04 2	0.04 12

test_1	0.08 5	0.06 34	0.09 36	0.17 157	0.07 27	0.07 18	0.14 95	0.12 14	0.15 97	0.09 35	0.08 28	0.07 27	0.08 82	0.11 60	0.10 73	0.05 4	0.04 2	0.07 131	0.05 51	0.04 2	0.04 12

CREStereo++_RVC	0.08 5	0.04 1	0.06 1	0.13 10	0.07 27	0.09 44	0.12 31	0.14 36	0.14 85	0.10 66	0.14 122	0.08 45	0.07 53	0.09 12	0.11 122	0.06 70	0.04 2	0.05 2	0.05 51	0.04 2	0.04 12
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
tt45	0.09 25	0.06 34	0.11 94	0.15 48	0.07 27	0.11 113	0.16 215	0.13 24	0.11 28	0.09 35	0.06 2	0.08 45	0.06 13	0.13 169	0.10 73	0.06 70	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136

999	0.09 25	0.05 9	0.13 160	0.15 48	0.08 66	0.10 77	0.14 95	0.15 54	0.11 28	0.10 66	0.08 28	0.08 45	0.08 82	0.16 246	0.10 73	0.06 70	0.04 2	0.06 46	0.05 51	0.04 2	0.05 69

mms	0.09 25	0.07 95	0.08 13	0.16 96	0.08 66	0.10 77	0.16 215	0.12 14	0.11 28	0.08 15	0.09 40	0.08 45	0.06 13	0.11 60	0.12 166	0.05 4	0.04 2	0.07 131	0.05 51	0.04 2	0.03 1

ours_stereo	0.09 25	0.07 95	0.09 36	0.17 157	0.08 66	0.11 113	0.16 215	0.11 4	0.12 41	0.08 15	0.10 60	0.08 45	0.06 13	0.12 129	0.12 166	0.05 4	0.04 2	0.06 46	0.05 51	0.04 2	0.03 1

fffy	0.09 25	0.08 177	0.09 36	0.16 96	0.07 27	0.13 175	0.17 245	0.13 24	0.12 41	0.08 15	0.09 40	0.08 45	0.09 106	0.13 169	0.11 122	0.05 4	0.05 127	0.07 131	0.05 51	0.04 2	0.05 69

PAM_32	0.09 25	0.05 9	0.17 302	0.15 48	0.08 66	0.10 77	0.15 155	0.14 36	0.15 97	0.09 35	0.08 28	0.09 66	0.07 53	0.14 190	0.08 12	0.06 70	0.05 127	0.06 46	0.06 119	0.05 56	0.06 136

UGAM-zero	0.09 25	0.05 9	0.15 240	0.15 48	0.08 66	0.09 44	0.13 59	0.19 156	0.15 97	0.11 92	0.15 138	0.07 27	0.07 53	0.09 12	0.09 29	0.06 70	0.05 127	0.06 46	0.05 51	0.05 56	0.06 136

WCG-NET	0.09 25	0.05 9	0.10 61	0.15 48	0.07 27	0.11 113	0.11 18	0.16 76	0.09 3	0.09 35	0.11 84	0.08 45	0.06 13	0.14 190	0.09 29	0.07 172	0.04 2	0.06 46	0.04 13	0.06 128	0.05 69

GCAP-BAT	0.09 25	0.07 95	0.14 191	0.15 48	0.08 66	0.10 77	0.13 59	0.14 36	0.10 12	0.11 92	0.10 60	0.08 45	0.07 53	0.12 129	0.10 73	0.06 70	0.05 127	0.06 46	0.04 13	0.04 2	0.04 12

Pointernet	0.09 25	0.04 1	0.09 36	0.16 96	0.08 66	0.13 175	0.10 10	0.15 54	0.17 139	0.09 35	0.07 17	0.06 4	0.06 13	0.11 60	0.09 29	0.08 227	0.04 2	0.05 2	0.03 1	0.06 128	0.05 69

IGEV-BASED-STEREO-	0.09 25	0.10 293	0.31 400	0.15 48	0.06 3	0.08 27	0.14 95	0.10 1	0.10 12	0.07 5	0.07 17	0.06 4	0.04 1	0.11 60	0.07 1	0.12 368	0.04 2	0.07 131	0.05 51	0.05 56	0.05 69

RAFT-Stereo-weight	0.09 25	0.06 34	0.10 61	0.16 96	0.07 27	0.09 44	0.14 95	0.19 156	0.16 120	0.11 92	0.10 60	0.08 45	0.06 13	0.10 27	0.11 122	0.06 70	0.04 2	0.06 46	0.04 13	0.04 2	0.04 12

gcap-zeroshot	0.09 25	0.05 9	0.10 61	0.16 96	0.07 27	0.13 175	0.13 59	0.11 4	0.12 41	0.13 152	0.12 95	0.09 66	0.08 82	0.09 12	0.09 29	0.06 70	0.05 127	0.06 46	0.05 51	0.04 2	0.04 12

test_for_model	0.09 25	0.12 333	0.14 191	0.23 388	0.11 310	0.08 27	0.13 59	0.12 14	0.12 41	0.10 66	0.07 17	0.07 27	0.06 13	0.11 60	0.10 73	0.06 70	0.05 127	0.05 2	0.03 1	0.07 190	0.04 12

MGS-Stereo	0.09 25	0.07 95	0.12 119	0.15 48	0.08 66	0.09 44	0.15 155	0.12 14	0.12 41	0.07 5	0.10 60	0.08 45	0.06 13	0.10 27	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.06 128	0.05 69

ff7	0.09 25	0.07 95	0.11 94	0.16 96	0.09 170	0.11 113	0.15 155	0.16 76	0.12 41	0.10 66	0.06 2	0.06 4	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136

IGEVStereo-DCA	0.09 25	0.06 34	0.11 94	0.15 48	0.10 266	0.11 113	0.15 155	0.16 76	0.12 41	0.10 66	0.06 2	0.08 45	0.06 13	0.10 27	0.08 12	0.06 70	0.05 127	0.06 46	0.05 51	0.05 56	0.06 136

ffff	0.09 25	0.07 95	0.11 94	0.16 96	0.09 170	0.11 113	0.15 155	0.16 76	0.12 41	0.10 66	0.06 2	0.06 4	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136

rrr	0.09 25	0.06 34	0.12 119	0.15 48	0.10 266	0.11 113	0.16 215	0.16 76	0.15 97	0.10 66	0.06 2	0.08 45	0.06 13	0.10 27	0.08 12	0.06 70	0.05 127	0.06 46	0.05 51	0.05 56	0.06 136

11t	0.09 25	0.07 95	0.11 94	0.16 96	0.09 170	0.11 113	0.15 155	0.16 76	0.12 41	0.10 66	0.06 2	0.06 4	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136

MaDis-Stereo	0.09 25	0.09 239	0.08 13	0.17 157	0.09 170	0.13 175	0.10 10	0.16 76	0.16 120	0.09 35	0.11 84	0.06 4	0.06 13	0.09 12	0.13 206	0.07 172	0.06 232	0.07 131	0.05 51	0.05 56	0.04 12

IGEV_Zeroshot_test	0.09 25	0.05 9	0.12 119	0.13 10	0.08 66	0.12 143	0.13 59	0.17 110	0.11 28	0.10 66	0.06 2	0.09 66	0.06 13	0.11 60	0.09 29	0.06 70	0.04 2	0.06 46	0.06 119	0.05 56	0.05 69

MSKI-zero shot	0.09 25	0.05 9	0.09 36	0.15 48	0.07 27	0.10 77	0.13 59	0.14 36	0.13 66	0.09 35	0.09 40	0.09 66	0.06 13	0.12 129	0.10 73	0.06 70	0.04 2	0.05 2	0.04 13	0.04 2	0.04 12

UniTT-Stereo	0.09 25	0.07 95	0.08 13	0.18 230	0.08 66	0.13 175	0.11 18	0.12 14	0.11 28	0.10 66	0.12 95	0.05 1	0.07 53	0.09 12	0.09 29	0.07 172	0.05 127	0.05 2	0.05 51	0.05 56	0.05 69

MIM_Stereo	0.09 25	0.07 95	0.11 94	0.15 48	0.07 27	0.06 4	0.12 31	0.20 167	0.14 85	0.13 152	0.13 107	0.09 66	0.05 4	0.12 129	0.08 12	0.05 4	0.06 232	0.07 131	0.06 119	0.06 128	0.05 69

CASnet	0.09 25	0.09 239	0.09 36	0.19 283	0.06 3	0.07 18	0.11 18	0.18 137	0.14 85	0.11 92	0.10 60	0.09 66	0.07 53	0.10 27	0.10 73	0.06 70	0.04 2	0.10 323	0.08 264	0.05 56	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 25	0.07 95	0.13 160	0.18 230	0.06 3	0.11 113	0.07 1	0.13 24	0.12 41	0.09 35	0.10 60	0.07 27	0.09 106	0.13 169	0.10 73	0.06 70	0.05 127	0.05 2	0.04 13	0.04 2	0.05 69

RAFT-Test	0.09 25	0.06 34	0.10 61	0.15 48	0.07 27	0.11 113	0.15 155	0.16 76	0.13 66	0.09 35	0.10 60	0.10 91	0.09 106	0.12 129	0.09 29	0.06 70	0.04 2	0.05 2	0.04 13	0.04 2	0.05 69

HH	0.09 25	0.06 34	0.13 160	0.17 157	0.08 66	0.10 77	0.16 215	0.14 36	0.10 12	0.08 15	0.09 40	0.08 45	0.07 53	0.10 27	0.09 29	0.06 70	0.04 2	0.06 46	0.05 51	0.05 56	0.04 12

HanStereo	0.09 25	0.06 34	0.13 160	0.17 157	0.08 66	0.10 77	0.16 215	0.14 36	0.10 12	0.08 15	0.09 40	0.08 45	0.07 53	0.10 27	0.09 29	0.06 70	0.04 2	0.06 46	0.05 51	0.05 56	0.04 12

4D-IteraStereo	0.09 25	0.07 95	0.10 61	0.18 230	0.07 27	0.09 44	0.15 155	0.17 110	0.15 97	0.10 66	0.11 84	0.10 91	0.07 53	0.11 60	0.09 29	0.05 4	0.03 1	0.08 205	0.07 203	0.06 128	0.05 69

anonymousdsp	0.09 25	0.07 95	0.11 94	0.16 96	0.09 170	0.11 113	0.15 155	0.16 76	0.12 41	0.09 35	0.06 2	0.06 4	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136

LoS	0.09 25	0.05 9	0.11 94	0.13 10	0.07 27	0.14 206	0.11 18	0.15 54	0.15 97	0.09 35	0.09 40	0.12 127	0.09 106	0.15 212	0.10 73	0.07 172	0.05 127	0.05 2	0.03 1	0.05 56	0.05 69
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 25	0.07 95	0.10 61	0.17 157	0.08 66	0.10 77	0.15 155	0.15 54	0.12 41	0.09 35	0.06 2	0.07 27	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.04 2	0.06 136

RCA-Stereo	0.09 25	0.06 34	0.09 36	0.16 96	0.06 3	0.09 44	0.13 59	0.18 137	0.14 85	0.09 35	0.10 60	0.08 45	0.07 53	0.12 129	0.11 122	0.06 70	0.04 2	0.06 46	0.05 51	0.05 56	0.04 12

CroCo-Stereo Lap2	0.09 25	0.09 239	0.08 13	0.22 369	0.09 170	0.09 44	0.19 324	0.16 76	0.12 41	0.09 35	0.10 60	0.05 1	0.05 4	0.08 8	0.08 12	0.06 70	0.06 232	0.07 131	0.05 51	0.05 56	0.05 69

ccc-4	0.09 25	0.07 95	0.11 94	0.16 96	0.09 170	0.11 113	0.15 155	0.16 76	0.12 41	0.10 66	0.06 2	0.06 4	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136

IGEV-Stereo	0.09 25	0.07 95	0.11 94	0.16 96	0.09 170	0.11 113	0.15 155	0.16 76	0.12 41	0.09 35	0.06 2	0.06 4	0.06 13	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 25	0.05 9	0.13 160	0.14 18	0.08 66	0.12 143	0.15 155	0.18 137	0.10 12	0.11 92	0.08 28	0.08 45	0.05 4	0.10 27	0.09 29	0.06 70	0.04 2	0.06 46	0.05 51	0.06 128	0.05 69

TRStereo	0.09 25	0.05 9	0.12 119	0.15 48	0.12 341	0.10 77	0.13 59	0.18 137	0.18 165	0.09 35	0.09 40	0.09 66	0.06 13	0.10 27	0.08 12	0.07 172	0.05 127	0.07 131	0.07 203	0.04 2	0.04 12

AnonymousM	0.09 25	0.05 9	0.10 61	0.14 18	0.06 3	0.09 44	0.13 59	0.19 156	0.14 85	0.13 152	0.11 84	0.09 66	0.08 82	0.13 169	0.10 73	0.08 227	0.05 127	0.08 205	0.05 51	0.05 56	0.05 69

CroCo-Stereo	0.09 25	0.08 177	0.08 13	0.22 369	0.09 170	0.09 44	0.19 324	0.15 54	0.12 41	0.07 5	0.07 17	0.08 45	0.06 13	0.08 8	0.07 1	0.07 172	0.05 127	0.06 46	0.04 13	0.05 56	0.04 12
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 25	0.06 34	0.07 3	0.15 48	0.05 1	0.16 257	0.18 288	0.15 54	0.15 97	0.10 66	0.11 84	0.11 110	0.11 156	0.10 27	0.12 166	0.05 4	0.04 2	0.05 2	0.04 13	0.04 2	0.04 12

TANstereo	0.09 25	0.04 1	0.08 13	0.13 10	0.06 3	0.11 113	0.14 95	0.15 54	0.19 179	0.11 92	0.15 138	0.10 91	0.06 13	0.12 129	0.09 29	0.07 172	0.05 127	0.05 2	0.04 13	0.06 128	0.05 69

XX-TBD	0.09 25	0.06 34	0.07 3	0.14 18	0.07 27	0.12 143	0.16 215	0.14 36	0.13 66	0.11 92	0.12 95	0.09 66	0.08 82	0.10 27	0.10 73	0.06 70	0.04 2	0.05 2	0.03 1	0.06 128	0.05 69

raftrobust	0.09 25	0.06 34	0.10 61	0.17 157	0.08 66	0.09 44	0.10 10	0.18 137	0.16 120	0.10 66	0.09 40	0.12 127	0.07 53	0.12 129	0.10 73	0.08 227	0.05 127	0.06 46	0.05 51	0.05 56	0.05 69

XX-Stereo	0.09 25	0.05 9	0.08 13	0.17 157	0.09 170	0.15 230	0.12 31	0.20 167	0.10 12	0.10 66	0.14 122	0.07 27	0.06 13	0.12 129	0.08 12	0.06 70	0.05 127	0.06 46	0.06 119	0.04 2	0.04 12

test_xeample3	0.09 25	0.06 34	0.12 119	0.16 96	0.09 170	0.11 113	0.15 155	0.16 76	0.13 66	0.10 66	0.06 2	0.08 45	0.06 13	0.10 27	0.09 29	0.05 4	0.04 2	0.06 46	0.05 51	0.05 56	0.06 136

RAFT-Stereo + iAFF	0.09 25	0.06 34	0.10 61	0.17 157	0.06 3	0.10 77	0.16 215	0.17 110	0.14 85	0.09 35	0.10 60	0.08 45	0.09 106	0.11 60	0.09 29	0.05 4	0.04 2	0.06 46	0.06 119	0.04 2	0.03 1

AFF-stereo	0.09 25	0.06 34	0.10 61	0.17 157	0.07 27	0.10 77	0.16 215	0.17 110	0.09 3	0.10 66	0.12 95	0.09 66	0.09 106	0.12 129	0.09 29	0.05 4	0.04 2	0.07 131	0.07 203	0.04 2	0.03 1

EAI-Stereo	0.09 25	0.07 95	0.11 94	0.15 48	0.06 3	0.10 77	0.15 155	0.16 76	0.09 3	0.08 15	0.09 40	0.08 45	0.07 53	0.09 12	0.11 122	0.05 4	0.04 2	0.05 2	0.05 51	0.05 56	0.04 12

CFNet-RSSM	0.09 25	0.07 95	0.09 36	0.16 96	0.07 27	0.09 44	0.15 155	0.16 76	0.17 139	0.08 15	0.12 95	0.10 91	0.09 106	0.11 60	0.09 29	0.06 70	0.04 2	0.06 46	0.04 13	0.04 2	0.04 12

Gwc-CoAtRS	0.09 25	0.06 34	0.10 61	0.16 96	0.07 27	0.10 77	0.14 95	0.17 110	0.17 139	0.08 15	0.10 60	0.12 127	0.09 106	0.12 129	0.09 29	0.06 70	0.04 2	0.06 46	0.04 13	0.04 2	0.04 12

CREStereo	0.09 25	0.04 1	0.08 13	0.11 1	0.06 3	0.13 175	0.14 95	0.14 36	0.10 12	0.08 15	0.13 107	0.09 66	0.08 82	0.11 60	0.10 73	0.08 227	0.04 2	0.05 2	0.03 1	0.06 128	0.06 136
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 25	0.05 9	0.09 36	0.12 3	0.06 3	0.12 143	0.14 95	0.15 54	0.11 28	0.09 35	0.13 107	0.10 91	0.07 53	0.13 169	0.10 73	0.15 406	0.04 2	0.05 2	0.03 1	0.07 190	0.06 136

tg	0.10 80	0.06 34	0.10 61	0.18 230	0.08 66	0.11 113	0.16 215	0.20 167	0.12 41	0.08 15	0.11 84	0.11 110	0.07 53	0.11 60	0.10 73	0.05 4	0.04 2	0.08 205	0.08 264	0.04 2	0.04 12

PAM	0.10 80	0.05 9	0.16 274	0.15 48	0.08 66	0.09 44	0.16 215	0.15 54	0.16 120	0.12 127	0.09 40	0.09 66	0.07 53	0.13 169	0.08 12	0.06 70	0.05 127	0.06 46	0.06 119	0.05 56	0.06 136

model_zeroshot	0.10 80	0.04 1	0.11 94	0.15 48	0.09 170	0.12 143	0.14 95	0.20 167	0.13 66	0.11 92	0.10 60	0.12 127	0.07 53	0.12 129	0.10 73	0.07 172	0.06 232	0.06 46	0.05 51	0.06 128	0.06 136

RAStereo	0.10 80	0.09 239	0.08 13	0.20 328	0.08 66	0.13 175	0.18 288	0.15 54	0.17 139	0.10 66	0.12 95	0.05 1	0.06 13	0.09 12	0.08 12	0.07 172	0.05 127	0.07 131	0.05 51	0.05 56	0.04 12

rvit_stereo_0080	0.10 80	0.08 177	0.14 191	0.15 48	0.09 170	0.07 18	0.15 155	0.16 76	0.16 120	0.11 92	0.10 60	0.14 170	0.08 82	0.12 129	0.10 73	0.09 281	0.07 300	0.07 131	0.06 119	0.07 190	0.05 69

testlalala2	0.10 80	0.06 34	0.11 94	0.20 328	0.10 266	0.10 77	0.12 31	0.17 110	0.12 41	0.12 127	0.13 107	0.09 66	0.07 53	0.11 60	0.13 206	0.06 70	0.05 127	0.05 2	0.04 13	0.05 56	0.05 69

H2IRNET	0.10 80	0.09 239	0.09 36	0.18 230	0.09 170	0.12 143	0.15 155	0.14 36	0.21 213	0.10 66	0.10 60	0.10 91	0.10 132	0.10 27	0.10 73	0.05 4	0.04 2	0.08 205	0.08 264	0.06 128	0.05 69

Former-RAFT_DAM_RVC	0.10 80	0.08 177	0.12 119	0.16 96	0.08 66	0.15 230	0.16 215	0.18 137	0.18 165	0.10 66	0.09 40	0.09 66	0.08 82	0.11 60	0.12 166	0.07 172	0.05 127	0.08 205	0.06 119	0.07 190	0.06 136

MyStereo07	0.10 80	0.07 95	0.10 61	0.17 157	0.09 170	0.14 206	0.18 288	0.15 54	0.15 97	0.09 35	0.06 2	0.06 4	0.07 53	0.12 129	0.09 29	0.06 70	0.05 127	0.08 205	0.07 203	0.06 128	0.06 136

MyStereo06	0.10 80	0.07 95	0.12 119	0.17 157	0.09 170	0.13 175	0.18 288	0.19 156	0.12 41	0.12 127	0.08 28	0.07 27	0.07 53	0.11 60	0.09 29	0.06 70	0.05 127	0.07 131	0.07 203	0.06 128	0.06 136

AE-Stereo	0.10 80	0.08 177	0.10 61	0.18 230	0.09 170	0.10 77	0.15 155	0.14 36	0.19 179	0.09 35	0.14 122	0.12 127	0.08 82	0.11 60	0.10 73	0.05 4	0.06 232	0.07 131	0.06 119	0.05 56	0.04 12

ACVNet-DCA	0.10 80	0.08 177	0.12 119	0.17 157	0.09 170	0.13 175	0.15 155	0.23 222	0.16 120	0.09 35	0.09 40	0.06 4	0.06 13	0.10 27	0.07 1	0.06 70	0.04 2	0.06 46	0.05 51	0.07 190	0.07 206

cc1	0.10 80	0.08 177	0.12 119	0.17 157	0.09 170	0.13 175	0.15 155	0.16 76	0.18 165	0.09 35	0.09 40	0.06 4	0.06 13	0.10 27	0.07 1	0.06 70	0.04 2	0.06 46	0.05 51	0.06 128	0.06 136

tt1	0.10 80	0.08 177	0.12 119	0.17 157	0.09 170	0.12 143	0.16 215	0.15 54	0.19 179	0.09 35	0.08 28	0.06 4	0.06 13	0.10 27	0.07 1	0.06 70	0.04 2	0.06 46	0.05 51	0.06 128	0.06 136

whm_eth	0.10 80	0.08 177	0.14 191	0.15 48	0.09 170	0.07 18	0.15 155	0.16 76	0.16 120	0.11 92	0.10 60	0.14 170	0.08 82	0.12 129	0.10 73	0.09 281	0.07 300	0.07 131	0.06 119	0.07 190	0.05 69

plain	0.10 80	0.08 177	0.10 61	0.19 283	0.09 170	0.10 77	0.15 155	0.14 36	0.13 66	0.13 152	0.15 138	0.09 66	0.12 186	0.13 169	0.12 166	0.07 172	0.05 127	0.09 279	0.06 119	0.06 128	0.06 136

testlalala_base	0.10 80	0.09 239	0.14 191	0.21 354	0.08 66	0.10 77	0.14 95	0.13 24	0.10 12	0.07 5	0.15 138	0.07 27	0.08 82	0.10 27	0.12 166	0.08 227	0.05 127	0.05 2	0.03 1	0.06 128	0.05 69

Any-RAFT	0.10 80	0.05 9	0.09 36	0.14 18	0.07 27	0.13 175	0.14 95	0.21 187	0.15 97	0.11 92	0.12 95	0.12 127	0.09 106	0.12 129	0.09 29	0.07 172	0.04 2	0.05 2	0.04 13	0.06 128	0.05 69

LL-Strereo2	0.10 80	0.10 293	0.15 240	0.18 230	0.08 66	0.15 230	0.09 5	0.17 110	0.14 85	0.14 173	0.10 60	0.09 66	0.07 53	0.16 246	0.10 73	0.05 4	0.05 127	0.10 323	0.07 203	0.06 128	0.05 69

DCANet-4	0.10 80	0.06 34	0.12 119	0.16 96	0.06 3	0.09 44	0.17 245	0.18 137	0.19 179	0.13 152	0.16 149	0.09 66	0.14 245	0.11 60	0.12 166	0.06 70	0.04 2	0.05 2	0.04 13	0.04 2	0.05 69

fff	0.10 80	0.06 34	0.12 119	0.15 48	0.07 27	0.09 44	0.17 245	0.16 76	0.20 200	0.13 152	0.16 149	0.10 91	0.11 156	0.11 60	0.12 166	0.06 70	0.04 2	0.05 2	0.04 13	0.04 2	0.05 69

ADStereo(finetuned)	0.10 80	0.06 34	0.12 119	0.16 96	0.06 3	0.09 44	0.17 245	0.15 54	0.19 179	0.13 152	0.17 168	0.10 91	0.12 186	0.11 60	0.12 166	0.06 70	0.04 2	0.05 2	0.04 13	0.05 56	0.04 12

test_4	0.10 80	0.10 293	0.08 13	0.19 283	0.09 170	0.08 27	0.22 368	0.15 54	0.17 139	0.12 127	0.18 191	0.12 127	0.09 106	0.08 8	0.11 122	0.04 1	0.04 2	0.08 205	0.08 264	0.04 2	0.03 1

IPLG	0.10 80	0.07 95	0.15 240	0.17 157	0.08 66	0.11 113	0.14 95	0.20 167	0.15 97	0.12 127	0.17 168	0.07 27	0.07 53	0.14 190	0.13 206	0.06 70	0.04 2	0.06 46	0.05 51	0.04 2	0.04 12

test_3	0.10 80	0.09 239	0.10 61	0.20 328	0.08 66	0.13 175	0.26 407	0.14 36	0.21 213	0.10 66	0.10 60	0.09 66	0.09 106	0.08 8	0.11 122	0.05 4	0.04 2	0.08 205	0.07 203	0.04 2	0.04 12

STrans-v2	0.10 80	0.07 95	0.12 119	0.18 230	0.07 27	0.10 77	0.14 95	0.21 187	0.11 28	0.11 92	0.15 138	0.12 127	0.10 132	0.11 60	0.12 166	0.05 4	0.04 2	0.06 46	0.06 119	0.04 2	0.04 12

TransformOpticalFlow	0.10 80	0.08 177	0.13 160	0.18 230	0.07 27	0.09 44	0.15 155	0.19 156	0.15 97	0.12 127	0.17 168	0.11 110	0.11 156	0.11 60	0.10 73	0.05 4	0.04 2	0.06 46	0.06 119	0.05 56	0.05 69

SST-Stereo	0.10 80	0.07 95	0.15 240	0.18 230	0.09 170	0.06 4	0.12 31	0.17 110	0.11 28	0.15 200	0.17 168	0.13 151	0.12 186	0.10 27	0.11 122	0.06 70	0.04 2	0.09 279	0.06 119	0.06 128	0.05 69

cross-raft	0.10 80	0.09 239	0.09 36	0.19 283	0.07 27	0.11 113	0.25 400	0.13 24	0.15 97	0.08 15	0.11 84	0.12 127	0.10 132	0.09 12	0.11 122	0.05 4	0.04 2	0.06 46	0.05 51	0.04 2	0.04 12

test-1	0.10 80	0.07 95	0.16 274	0.19 283	0.08 66	0.11 113	0.24 387	0.14 36	0.18 165	0.09 35	0.07 17	0.09 66	0.08 82	0.07 2	0.09 29	0.06 70	0.04 2	0.06 46	0.05 51	0.04 2	0.04 12

iRaftStereo_RVC	0.10 80	0.07 95	0.09 36	0.17 157	0.09 170	0.11 113	0.17 245	0.18 137	0.12 41	0.09 35	0.12 95	0.10 91	0.07 53	0.11 60	0.10 73	0.05 4	0.04 2	0.08 205	0.08 264	0.04 2	0.04 12

RALCasStereoNet	0.10 80	0.06 34	0.09 36	0.16 96	0.08 66	0.12 143	0.14 95	0.17 110	0.11 28	0.12 127	0.17 168	0.14 170	0.10 132	0.12 129	0.11 122	0.07 172	0.06 232	0.06 46	0.05 51	0.08 247	0.07 206

DCANet	0.10 80	0.06 34	0.12 119	0.16 96	0.06 3	0.09 44	0.17 245	0.15 54	0.19 179	0.13 152	0.17 168	0.10 91	0.11 156	0.11 60	0.12 166	0.06 70	0.04 2	0.05 2	0.04 13	0.05 56	0.04 12

csc	0.10 80	0.06 34	0.12 119	0.15 48	0.07 27	0.09 44	0.17 245	0.16 76	0.20 200	0.13 152	0.16 149	0.10 91	0.11 156	0.11 60	0.12 166	0.06 70	0.04 2	0.05 2	0.04 13	0.04 2	0.05 69

cscssc	0.10 80	0.06 34	0.12 119	0.15 48	0.07 27	0.09 44	0.17 245	0.16 76	0.20 200	0.13 152	0.16 149	0.10 91	0.11 156	0.11 60	0.12 166	0.06 70	0.04 2	0.05 2	0.04 13	0.04 2	0.05 69

111	0.10 80	0.06 34	0.12 119	0.15 48	0.07 27	0.10 77	0.14 95	0.21 187	0.23 236	0.11 92	0.12 95	0.14 170	0.11 156	0.13 169	0.10 73	0.06 70	0.04 2	0.06 46	0.04 13	0.05 56	0.05 69

R-Stereo Train	0.10 80	0.06 34	0.10 61	0.17 157	0.08 66	0.11 113	0.14 95	0.23 222	0.11 28	0.12 127	0.19 199	0.11 110	0.08 82	0.09 12	0.11 122	0.07 172	0.05 127	0.06 46	0.05 51	0.05 56	0.05 69

RAFT-Stereo	0.10 80	0.06 34	0.10 61	0.17 157	0.08 66	0.11 113	0.14 95	0.23 222	0.11 28	0.12 127	0.19 199	0.11 110	0.08 82	0.09 12	0.11 122	0.07 172	0.05 127	0.06 46	0.05 51	0.05 56	0.05 69
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 80	0.06 34	0.12 119	0.14 18	0.06 3	0.11 113	0.10 10	0.18 137	0.18 165	0.13 152	0.16 149	0.14 170	0.11 156	0.15 212	0.13 206	0.06 70	0.04 2	0.04 1	0.04 13	0.06 128	0.05 69
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
rvit_stereo_0081_aga	0.11 119	0.09 239	0.14 191	0.18 230	0.09 170	0.13 175	0.14 95	0.14 36	0.19 179	0.10 66	0.18 191	0.16 209	0.09 106	0.12 129	0.09 29	0.10 317	0.06 232	0.08 205	0.07 203	0.07 190	0.06 136

rvit_stereo_0081	0.11 119	0.08 177	0.15 240	0.16 96	0.09 170	0.10 77	0.14 95	0.14 36	0.24 251	0.11 92	0.13 107	0.13 151	0.09 106	0.11 60	0.12 166	0.10 317	0.07 300	0.08 205	0.07 203	0.07 190	0.05 69

rvit_stereo_0082	0.11 119	0.08 177	0.15 240	0.16 96	0.09 170	0.10 77	0.14 95	0.14 36	0.24 251	0.11 92	0.13 107	0.13 151	0.09 106	0.11 60	0.12 166	0.10 317	0.07 300	0.08 205	0.07 203	0.07 190	0.05 69

AIO-Stereo-zeroshot1	0.11 119	0.05 9	0.14 191	0.15 48	0.20 429	0.09 44	0.17 245	0.21 187	0.15 97	0.11 92	0.14 122	0.10 91	0.07 53	0.10 27	0.08 12	0.06 70	0.05 127	0.07 131	0.07 203	0.07 190	0.09 311

AIO-Stereo-zeroshot	0.11 119	0.05 9	0.11 94	0.15 48	0.13 361	0.13 175	0.16 215	0.23 222	0.17 139	0.10 66	0.12 95	0.10 91	0.07 53	0.11 60	0.09 29	0.06 70	0.05 127	0.06 46	0.06 119	0.07 190	0.08 269

CAS++	0.11 119	0.07 95	0.11 94	0.14 18	0.09 170	0.12 143	0.14 95	0.24 243	0.14 85	0.11 92	0.09 40	0.11 110	0.07 53	0.14 190	0.09 29	0.11 343	0.09 350	0.09 279	0.07 203	0.07 190	0.08 269
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 119	0.08 177	0.12 119	0.17 157	0.09 170	0.13 175	0.15 155	0.16 76	0.18 165	0.09 35	0.09 40	0.16 209	0.16 288	0.10 27	0.07 1	0.06 70	0.04 2	0.08 205	0.08 264	0.07 190	0.07 206

1test111	0.11 119	0.08 177	0.12 119	0.17 157	0.09 170	0.13 175	0.15 155	0.23 222	0.16 120	0.09 35	0.09 40	0.06 4	0.06 13	0.15 212	0.16 285	0.06 70	0.04 2	0.06 46	0.05 51	0.07 190	0.07 206

MIF-Stereo (partial)	0.11 119	0.06 34	0.10 61	0.19 283	0.10 266	0.10 77	0.11 18	0.17 110	0.18 165	0.14 173	0.16 149	0.09 66	0.11 156	0.12 129	0.12 166	0.08 227	0.05 127	0.08 205	0.07 203	0.06 128	0.07 206

EKT-Stereo	0.11 119	0.07 95	0.14 191	0.15 48	0.10 266	0.13 175	0.14 95	0.18 137	0.21 213	0.11 92	0.08 28	0.12 127	0.09 106	0.11 60	0.12 166	0.08 227	0.06 232	0.07 131	0.06 119	0.08 247	0.07 206

anonymousdsp2	0.11 119	0.07 95	0.10 61	0.16 96	0.09 170	0.13 175	0.14 95	0.18 137	0.22 227	0.13 152	0.14 122	0.12 127	0.09 106	0.14 190	0.11 122	0.05 4	0.04 2	0.05 2	0.04 13	0.06 128	0.05 69

DCRE	0.11 119	0.07 95	0.13 160	0.16 96	0.11 310	0.11 113	0.17 245	0.18 137	0.17 139	0.11 92	0.18 191	0.10 91	0.10 132	0.15 212	0.11 122	0.06 70	0.05 127	0.06 46	0.06 119	0.05 56	0.04 12

knoymous	0.11 119	0.05 9	0.12 119	0.13 10	0.07 27	0.15 230	0.14 95	0.19 156	0.13 66	0.11 92	0.17 168	0.13 151	0.09 106	0.13 169	0.11 122	0.08 227	0.05 127	0.06 46	0.05 51	0.08 247	0.07 206

riskmin	0.11 119	0.06 34	0.13 160	0.14 18	0.08 66	0.14 206	0.14 95	0.18 137	0.14 85	0.11 92	0.14 122	0.16 209	0.11 156	0.14 190	0.12 166	0.09 281	0.05 127	0.07 131	0.05 51	0.08 247	0.08 269

Selective-RAFT	0.11 119	0.10 293	0.11 94	0.21 354	0.08 66	0.16 257	0.13 59	0.20 167	0.22 227	0.10 66	0.10 60	0.11 110	0.10 132	0.15 212	0.11 122	0.05 4	0.05 127	0.06 46	0.05 51	0.06 128	0.05 69

DisPM	0.11 119	0.07 95	0.12 119	0.16 96	0.09 170	0.06 4	0.13 59	0.17 110	0.17 139	0.14 173	0.20 211	0.12 127	0.10 132	0.11 60	0.10 73	0.06 70	0.04 2	0.07 131	0.06 119	0.06 128	0.11 355

CIPLG	0.11 119	0.08 177	0.14 191	0.17 157	0.08 66	0.12 143	0.15 155	0.17 110	0.15 97	0.14 173	0.11 84	0.16 209	0.09 106	0.16 246	0.11 122	0.07 172	0.05 127	0.06 46	0.05 51	0.05 56	0.06 136

GLC_STEREO	0.11 119	0.07 95	0.11 94	0.17 157	0.07 27	0.09 44	0.13 59	0.15 54	0.24 251	0.12 127	0.13 107	0.12 127	0.08 82	0.18 291	0.11 122	0.06 70	0.08 325	0.08 205	0.06 119	0.05 56	0.05 69

IPLGR_C	0.11 119	0.08 177	0.14 191	0.17 157	0.08 66	0.12 143	0.15 155	0.17 110	0.15 97	0.14 173	0.10 60	0.16 209	0.09 106	0.16 246	0.11 122	0.07 172	0.05 127	0.06 46	0.05 51	0.05 56	0.06 136

MIPNet	0.11 119	0.08 177	0.14 191	0.17 157	0.09 170	0.12 143	0.14 95	0.20 167	0.24 251	0.11 92	0.10 60	0.09 66	0.07 53	0.13 169	0.12 166	0.06 70	0.04 2	0.06 46	0.05 51	0.04 2	0.04 12

IPLGR	0.11 119	0.09 239	0.16 274	0.18 230	0.08 66	0.12 143	0.17 245	0.21 187	0.24 251	0.11 92	0.12 95	0.11 110	0.08 82	0.12 129	0.12 166	0.06 70	0.05 127	0.06 46	0.06 119	0.04 2	0.04 12

GMOStereo	0.11 119	0.09 239	0.07 3	0.19 283	0.08 66	0.12 143	0.28 420	0.13 24	0.17 139	0.11 92	0.17 168	0.14 170	0.12 186	0.07 2	0.07 1	0.05 4	0.05 127	0.09 279	0.07 203	0.04 2	0.04 12

error version	0.11 119	0.09 239	0.07 3	0.19 283	0.08 66	0.12 143	0.28 420	0.13 24	0.17 139	0.11 92	0.17 168	0.14 170	0.12 186	0.07 2	0.07 1	0.05 4	0.05 127	0.09 279	0.07 203	0.04 2	0.04 12

test-v	0.11 119	0.09 239	0.07 3	0.19 283	0.08 66	0.12 143	0.28 420	0.13 24	0.17 139	0.11 92	0.17 168	0.14 170	0.12 186	0.07 2	0.07 1	0.05 4	0.05 127	0.09 279	0.07 203	0.04 2	0.04 12

ACRE	0.11 119	0.08 177	0.14 191	0.17 157	0.08 66	0.12 143	0.15 155	0.17 110	0.14 85	0.14 173	0.10 60	0.16 209	0.09 106	0.16 246	0.11 122	0.07 172	0.05 127	0.06 46	0.05 51	0.05 56	0.06 136

PFNet+	0.11 119	0.06 34	0.13 160	0.16 96	0.09 170	0.05 3	0.12 31	0.17 110	0.21 213	0.16 225	0.19 199	0.14 170	0.10 132	0.11 60	0.11 122	0.08 227	0.05 127	0.09 279	0.08 264	0.06 128	0.11 355

LCNet	0.11 119	0.07 95	0.09 36	0.19 283	0.09 170	0.08 27	0.15 155	0.21 187	0.15 97	0.11 92	0.15 138	0.16 209	0.11 156	0.12 129	0.11 122	0.05 4	0.04 2	0.08 205	0.07 203	0.06 128	0.15 408

HHNet	0.11 119	0.06 34	0.16 274	0.15 48	0.14 379	0.07 18	0.13 59	0.20 167	0.17 139	0.14 173	0.25 289	0.11 110	0.08 82	0.13 169	0.10 73	0.05 4	0.04 2	0.08 205	0.06 119	0.05 56	0.09 311

Patchmatch Stereo++	0.11 119	0.09 239	0.16 274	0.18 230	0.08 66	0.06 4	0.11 18	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206
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	0.11 119	0.07 95	0.16 274	0.19 283	0.09 170	0.08 27	0.13 59	0.18 137	0.13 66	0.16 225	0.21 231	0.13 151	0.14 245	0.11 60	0.14 242	0.06 70	0.04 2	0.09 279	0.06 119	0.06 128	0.05 69

OMP-Stereo	0.11 119	0.06 34	0.14 191	0.18 230	0.08 66	0.09 44	0.12 31	0.21 187	0.21 213	0.13 152	0.14 122	0.11 110	0.12 186	0.11 60	0.13 206	0.06 70	0.04 2	0.07 131	0.06 119	0.05 56	0.04 12

IIG-Stereo	0.11 119	0.06 34	0.13 160	0.17 157	0.08 66	0.11 113	0.12 31	0.22 205	0.17 139	0.14 173	0.17 168	0.11 110	0.12 186	0.12 129	0.12 166	0.06 70	0.05 127	0.07 131	0.06 119	0.05 56	0.04 12

NF-Stereo	0.11 119	0.07 95	0.13 160	0.17 157	0.09 170	0.10 77	0.14 95	0.23 222	0.19 179	0.12 127	0.17 168	0.12 127	0.11 156	0.11 60	0.11 122	0.06 70	0.04 2	0.07 131	0.06 119	0.06 128	0.12 367

OCTAStereo	0.11 119	0.07 95	0.13 160	0.17 157	0.09 170	0.10 77	0.14 95	0.23 222	0.19 179	0.12 127	0.17 168	0.12 127	0.11 156	0.11 60	0.11 122	0.06 70	0.04 2	0.07 131	0.06 119	0.06 128	0.12 367

NRIStereo	0.11 119	0.08 177	0.14 191	0.18 230	0.08 66	0.10 77	0.14 95	0.16 76	0.15 97	0.12 127	0.14 122	0.13 151	0.12 186	0.13 169	0.10 73	0.06 70	0.04 2	0.07 131	0.06 119	0.06 128	0.07 206

PSM-adaLoss	0.11 119	0.09 239	0.16 274	0.18 230	0.08 66	0.06 4	0.12 31	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206

PSM-AAD	0.11 119	0.07 95	0.10 61	0.19 283	0.09 170	0.10 77	0.15 155	0.20 167	0.13 66	0.12 127	0.14 122	0.18 242	0.11 156	0.11 60	0.10 73	0.05 4	0.05 127	0.09 279	0.08 264	0.06 128	0.14 401

ROB_FTStereo_v2	0.11 119	0.09 239	0.16 274	0.19 283	0.08 66	0.06 4	0.12 31	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206

ROB_FTStereo	0.11 119	0.09 239	0.16 274	0.19 283	0.08 66	0.06 4	0.11 18	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206

KYRaft	0.11 119	0.07 95	0.10 61	0.19 283	0.09 170	0.08 27	0.15 155	0.22 205	0.12 41	0.13 152	0.16 149	0.20 268	0.10 132	0.12 129	0.10 73	0.05 4	0.04 2	0.08 205	0.08 264	0.06 128	0.16 419

HUI-Stereo	0.11 119	0.09 239	0.16 274	0.18 230	0.08 66	0.06 4	0.12 31	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206

ASMatch	0.11 119	0.06 34	0.13 160	0.16 96	0.10 266	0.07 18	0.14 95	0.17 110	0.17 139	0.12 127	0.16 149	0.16 209	0.10 132	0.13 169	0.10 73	0.05 4	0.04 2	0.06 46	0.05 51	0.04 2	0.08 269

RAFT_R40	0.11 119	0.07 95	0.14 191	0.18 230	0.09 170	0.06 4	0.13 59	0.17 110	0.16 120	0.14 173	0.18 191	0.15 196	0.12 186	0.10 27	0.11 122	0.06 70	0.04 2	0.09 279	0.06 119	0.06 128	0.05 69

GrayStereo	0.11 119	0.06 34	0.11 94	0.19 283	0.09 170	0.09 44	0.16 215	0.18 137	0.17 139	0.14 173	0.17 168	0.17 229	0.11 156	0.12 129	0.11 122	0.05 4	0.05 127	0.07 131	0.06 119	0.05 56	0.10 332

RE-Stereo	0.11 119	0.07 95	0.13 160	0.17 157	0.09 170	0.10 77	0.14 95	0.23 222	0.19 179	0.12 127	0.17 168	0.12 127	0.11 156	0.11 60	0.11 122	0.06 70	0.04 2	0.07 131	0.06 119	0.06 128	0.12 367

Pruner-Stereo	0.11 119	0.07 95	0.12 119	0.17 157	0.09 170	0.06 4	0.12 31	0.17 110	0.17 139	0.13 152	0.19 199	0.13 151	0.09 106	0.11 60	0.11 122	0.06 70	0.04 2	0.07 131	0.06 119	0.06 128	0.08 269

TVStereo	0.11 119	0.07 95	0.13 160	0.17 157	0.09 170	0.10 77	0.14 95	0.23 222	0.19 179	0.12 127	0.17 168	0.12 127	0.11 156	0.11 60	0.11 122	0.06 70	0.04 2	0.07 131	0.06 119	0.06 128	0.12 367

DeepStereo_RVC	0.11 119	0.08 177	0.16 274	0.18 230	0.08 66	0.08 27	0.12 31	0.17 110	0.12 41	0.13 152	0.14 122	0.12 127	0.12 186	0.12 129	0.11 122	0.06 70	0.04 2	0.07 131	0.06 119	0.07 190	0.08 269

iGMRVC	0.11 119	0.09 239	0.16 274	0.19 283	0.08 66	0.06 4	0.12 31	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206

RAFT-RH_RVC	0.11 119	0.06 34	0.14 191	0.16 96	0.09 170	0.12 143	0.12 31	0.17 110	0.12 41	0.13 152	0.41 408	0.11 110	0.10 132	0.13 169	0.12 166	0.05 4	0.04 2	0.08 205	0.05 51	0.04 2	0.06 136

RAFT-345	0.11 119	0.07 95	0.15 240	0.16 96	0.08 66	0.08 27	0.12 31	0.15 54	0.10 12	0.11 92	0.36 374	0.09 66	0.09 106	0.11 60	0.12 166	0.05 4	0.05 127	0.07 131	0.06 119	0.04 2	0.05 69

iRAFT	0.11 119	0.09 239	0.16 274	0.18 230	0.08 66	0.06 4	0.11 18	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206

CRE-IMP	0.11 119	0.09 239	0.16 274	0.19 283	0.08 66	0.10 77	0.12 31	0.18 137	0.10 12	0.14 173	0.13 107	0.13 151	0.12 186	0.12 129	0.11 122	0.07 172	0.04 2	0.08 205	0.06 119	0.08 247	0.08 269

test-2	0.11 119	0.09 239	0.07 3	0.19 283	0.08 66	0.12 143	0.28 420	0.13 24	0.17 139	0.11 92	0.17 168	0.14 170	0.12 186	0.07 2	0.07 1	0.05 4	0.05 127	0.09 279	0.07 203	0.04 2	0.04 12

GMM-Stereo	0.11 119	0.07 95	0.10 61	0.18 230	0.09 170	0.08 27	0.15 155	0.23 222	0.16 120	0.11 92	0.15 138	0.13 151	0.11 156	0.11 60	0.11 122	0.05 4	0.04 2	0.08 205	0.07 203	0.06 128	0.09 311

RAFT-IKP	0.11 119	0.09 239	0.16 274	0.19 283	0.08 66	0.06 4	0.12 31	0.16 76	0.13 66	0.15 200	0.16 149	0.14 170	0.12 186	0.11 60	0.10 73	0.06 70	0.04 2	0.08 205	0.06 119	0.08 247	0.07 206

Prome-Stereo	0.11 119	0.06 34	0.10 61	0.18 230	0.08 66	0.12 143	0.15 155	0.22 205	0.13 66	0.12 127	0.17 168	0.13 151	0.08 82	0.12 129	0.10 73	0.05 4	0.04 2	0.07 131	0.06 119	0.06 128	0.09 311

rafts_anoy	0.11 119	0.06 34	0.10 61	0.17 157	0.08 66	0.10 77	0.14 95	0.17 110	0.14 85	0.13 152	0.13 107	0.12 127	0.10 132	0.11 60	0.12 166	0.07 172	0.04 2	0.09 279	0.11 366	0.07 190	0.06 136

raft+_RVC	0.11 119	0.07 95	0.09 36	0.16 96	0.07 27	0.10 77	0.11 18	0.24 243	0.20 200	0.12 127	0.15 138	0.12 127	0.08 82	0.12 129	0.13 206	0.07 172	0.04 2	0.07 131	0.06 119	0.05 56	0.05 69

RALAANet	0.11 119	0.08 177	0.10 61	0.17 157	0.09 170	0.14 206	0.10 10	0.20 167	0.15 97	0.14 173	0.13 107	0.16 209	0.09 106	0.12 129	0.11 122	0.06 70	0.05 127	0.07 131	0.06 119	0.05 56	0.04 12

DIP-Stereo	0.11 119	0.07 95	0.14 191	0.17 157	0.09 170	0.13 175	0.09 5	0.16 76	0.16 120	0.11 92	0.16 149	0.14 170	0.12 186	0.15 212	0.13 206	0.06 70	0.05 127	0.06 46	0.05 51	0.05 56	0.06 136
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	0.12 180	0.08 177	0.17 302	0.16 96	0.09 170	0.11 113	0.15 155	0.14 36	0.26 285	0.11 92	0.14 122	0.13 151	0.10 132	0.12 129	0.12 166	0.10 317	0.08 325	0.09 279	0.07 203	0.07 190	0.05 69

rvit_stereo_ft	0.12 180	0.07 95	0.13 160	0.19 283	0.10 266	0.12 143	0.17 245	0.16 76	0.16 120	0.12 127	0.13 107	0.15 196	0.10 132	0.14 190	0.13 206	0.09 281	0.06 232	0.08 205	0.07 203	0.07 190	0.05 69

test_sample2	0.12 180	0.07 95	0.12 119	0.14 18	0.08 66	0.16 257	0.18 288	0.21 187	0.16 120	0.14 173	0.20 211	0.19 256	0.15 262	0.15 212	0.12 166	0.08 227	0.05 127	0.07 131	0.06 119	0.08 247	0.07 206

MyStereo8	0.12 180	0.07 95	0.15 240	0.15 48	0.09 170	0.18 296	0.14 95	0.19 156	0.22 227	0.12 127	0.18 191	0.11 110	0.10 132	0.16 246	0.18 317	0.07 172	0.05 127	0.07 131	0.05 51	0.08 247	0.09 311

CoDeX	0.12 180	0.07 95	0.12 119	0.17 157	0.08 66	0.12 143	0.15 155	0.23 222	0.27 294	0.13 152	0.17 168	0.16 209	0.11 156	0.14 190	0.11 122	0.07 172	0.05 127	0.07 131	0.06 119	0.06 128	0.05 69

11t1	0.12 180	0.06 34	0.13 160	0.14 18	0.08 66	0.17 278	0.15 155	0.18 137	0.15 97	0.15 200	0.15 138	0.16 209	0.16 288	0.15 212	0.13 206	0.08 227	0.05 127	0.06 46	0.05 51	0.08 247	0.07 206

ffm	0.12 180	0.09 239	0.14 191	0.16 96	0.08 66	0.17 278	0.17 245	0.15 54	0.19 179	0.15 200	0.25 289	0.19 256	0.13 221	0.10 27	0.07 1	0.06 70	0.04 2	0.09 279	0.08 264	0.06 128	0.06 136

RAFT_CTSACE	0.12 180	0.09 239	0.10 61	0.22 369	0.08 66	0.12 143	0.24 387	0.18 137	0.16 120	0.20 302	0.27 312	0.13 151	0.07 53	0.13 169	0.09 29	0.05 4	0.06 232	0.08 205	0.07 203	0.04 2	0.04 12

Sa-1000	0.12 180	0.08 177	0.08 13	0.18 230	0.08 66	0.14 206	0.22 368	0.22 205	0.18 165	0.15 200	0.20 211	0.17 229	0.11 156	0.10 27	0.10 73	0.06 70	0.05 127	0.09 279	0.09 306	0.05 56	0.05 69

SA	0.12 180	0.09 239	0.08 13	0.18 230	0.08 66	0.12 143	0.24 387	0.23 222	0.18 165	0.17 239	0.27 312	0.14 170	0.11 156	0.11 60	0.11 122	0.05 4	0.05 127	0.09 279	0.08 264	0.05 56	0.04 12

iRaft-Stereo_5w	0.12 180	0.09 239	0.12 119	0.19 283	0.08 66	0.09 44	0.12 31	0.21 187	0.21 213	0.19 283	0.14 122	0.11 110	0.09 106	0.20 328	0.16 285	0.05 4	0.05 127	0.07 131	0.06 119	0.05 56	0.06 136

CrosDoStereo	0.12 180	0.06 34	0.12 119	0.14 18	0.08 66	0.12 143	0.15 155	0.17 110	0.22 227	0.19 283	0.24 260	0.15 196	0.11 156	0.11 60	0.12 166	0.06 70	0.04 2	0.07 131	0.07 203	0.05 56	0.05 69

PSM-softLoss	0.12 180	0.07 95	0.15 240	0.17 157	0.09 170	0.08 27	0.13 59	0.24 243	0.17 139	0.14 173	0.19 199	0.13 151	0.11 156	0.11 60	0.11 122	0.07 172	0.05 127	0.08 205	0.07 203	0.06 128	0.12 367

KMStereo	0.12 180	0.07 95	0.15 240	0.17 157	0.09 170	0.08 27	0.13 59	0.24 243	0.17 139	0.14 173	0.19 199	0.13 151	0.11 156	0.11 60	0.11 122	0.07 172	0.05 127	0.08 205	0.07 203	0.06 128	0.12 367

FTStereo	0.12 180	0.06 34	0.14 191	0.18 230	0.09 170	0.07 18	0.15 155	0.21 187	0.18 165	0.12 127	0.24 260	0.12 127	0.12 186	0.13 169	0.13 206	0.05 4	0.05 127	0.07 131	0.06 119	0.06 128	0.10 332

DeepStereo_LL	0.12 180	0.06 34	0.12 119	0.14 18	0.08 66	0.12 143	0.15 155	0.17 110	0.22 227	0.19 283	0.24 260	0.15 196	0.11 156	0.11 60	0.12 166	0.06 70	0.04 2	0.07 131	0.07 203	0.05 56	0.05 69

DEmStereo	0.12 180	0.06 34	0.14 191	0.14 18	0.10 266	0.16 257	0.15 155	0.16 76	0.24 251	0.17 239	0.24 260	0.13 151	0.14 245	0.12 129	0.13 206	0.05 4	0.04 2	0.07 131	0.06 119	0.05 56	0.05 69

THIR-Stereo	0.12 180	0.07 95	0.11 94	0.15 48	0.08 66	0.14 206	0.16 215	0.17 110	0.25 272	0.16 225	0.24 260	0.14 170	0.12 186	0.12 129	0.14 242	0.06 70	0.04 2	0.07 131	0.07 203	0.05 56	0.05 69

DRaft	0.12 180	0.06 34	0.11 94	0.14 18	0.09 170	0.14 206	0.17 245	0.21 187	0.30 323	0.17 239	0.28 324	0.10 91	0.15 262	0.10 27	0.12 166	0.05 4	0.04 2	0.07 131	0.06 119	0.05 56	0.05 69

PFNet	0.12 180	0.06 34	0.17 302	0.17 157	0.08 66	0.09 44	0.15 155	0.26 275	0.20 200	0.16 225	0.16 149	0.14 170	0.11 156	0.12 129	0.11 122	0.06 70	0.04 2	0.07 131	0.06 119	0.05 56	0.05 69

IRAFT_RVC	0.12 180	0.08 177	0.16 274	0.19 283	0.08 66	0.07 18	0.15 155	0.24 243	0.23 236	0.14 173	0.14 122	0.15 196	0.12 186	0.12 129	0.10 73	0.06 70	0.04 2	0.09 279	0.06 119	0.06 128	0.06 136

sCroCo_RVC	0.12 180	0.09 239	0.23 364	0.24 395	0.11 310	0.19 318	0.14 95	0.17 110	0.14 85	0.10 66	0.13 107	0.12 127	0.07 53	0.14 190	0.11 122	0.08 227	0.08 325	0.08 205	0.08 264	0.05 56	0.07 206

ARAFT	0.12 180	0.08 177	0.17 302	0.19 283	0.09 170	0.14 206	0.18 288	0.20 167	0.12 41	0.12 127	0.13 107	0.14 170	0.11 156	0.15 212	0.12 166	0.06 70	0.05 127	0.10 323	0.09 306	0.05 56	0.04 12

BEATNet_4x	0.12 180	0.08 177	0.14 191	0.18 230	0.07 27	0.15 230	0.07 1	0.22 205	0.18 165	0.16 225	0.19 199	0.18 242	0.14 245	0.16 246	0.15 269	0.07 172	0.05 127	0.05 2	0.05 51	0.06 128	0.06 136

MLCV	0.12 180	0.07 95	0.16 274	0.18 230	0.06 3	0.15 230	0.17 245	0.19 156	0.21 213	0.18 269	0.25 289	0.17 229	0.13 221	0.14 190	0.13 206	0.05 4	0.04 2	0.05 2	0.04 13	0.05 56	0.04 12

UGAM	0.13 205	0.10 293	0.09 36	0.22 369	0.08 66	0.12 143	0.20 341	0.17 110	0.23 236	0.21 315	0.16 149	0.13 151	0.13 221	0.19 304	0.12 166	0.07 172	0.05 127	0.13 383	0.11 366	0.07 190	0.05 69

test_sample1	0.13 205	0.07 95	0.14 191	0.13 10	0.08 66	0.19 318	0.16 215	0.20 167	0.15 97	0.14 173	0.22 240	0.18 242	0.16 288	0.17 274	0.14 242	0.07 172	0.06 232	0.06 46	0.06 119	0.08 247	0.07 206

qqq1	0.13 205	0.07 95	0.17 302	0.14 18	0.08 66	0.16 257	0.17 245	0.26 275	0.27 294	0.19 283	0.20 211	0.18 242	0.15 262	0.15 212	0.11 122	0.08 227	0.05 127	0.05 2	0.05 51	0.06 128	0.06 136

fff1	0.13 205	0.07 95	0.17 302	0.14 18	0.08 66	0.16 257	0.17 245	0.26 275	0.27 294	0.19 283	0.20 211	0.18 242	0.15 262	0.15 212	0.11 122	0.08 227	0.05 127	0.05 2	0.05 51	0.06 128	0.06 136

MyStereo05	0.13 205	0.07 95	0.10 61	0.17 157	0.09 170	0.13 175	0.18 288	0.27 295	0.35 359	0.17 239	0.14 122	0.15 196	0.11 156	0.15 212	0.13 206	0.06 70	0.05 127	0.07 131	0.07 203	0.06 128	0.06 136

MyStereo04	0.13 205	0.07 95	0.10 61	0.17 157	0.09 170	0.14 206	0.18 288	0.29 322	0.38 374	0.17 239	0.14 122	0.16 209	0.10 132	0.15 212	0.13 206	0.06 70	0.05 127	0.08 205	0.07 203	0.06 128	0.06 136

ff1	0.13 205	0.09 239	0.14 191	0.16 96	0.08 66	0.17 278	0.17 245	0.15 54	0.19 179	0.15 200	0.25 289	0.19 256	0.13 221	0.14 190	0.20 332	0.06 70	0.04 2	0.09 279	0.08 264	0.06 128	0.06 136

StereoVision	0.13 205	0.12 333	0.09 36	0.24 395	0.10 266	0.15 230	0.21 358	0.21 187	0.20 200	0.12 127	0.24 260	0.10 91	0.10 132	0.16 246	0.10 73	0.09 281	0.11 379	0.12 368	0.12 385	0.06 128	0.05 69

LL-Strereo	0.13 205	0.09 239	0.11 94	0.20 328	0.10 266	0.11 113	0.18 288	0.32 355	0.24 251	0.15 200	0.15 138	0.14 170	0.13 221	0.19 304	0.11 122	0.06 70	0.04 2	0.09 279	0.08 264	0.04 2	0.05 69

CASS	0.13 205	0.12 333	0.11 94	0.23 388	0.09 170	0.15 230	0.17 245	0.18 137	0.19 179	0.17 239	0.18 191	0.15 196	0.15 262	0.14 190	0.14 242	0.09 281	0.06 232	0.10 323	0.08 264	0.09 304	0.07 206
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 205	0.07 95	0.13 160	0.18 230	0.09 170	0.13 175	0.17 245	0.19 156	0.29 314	0.15 200	0.24 260	0.15 196	0.14 245	0.14 190	0.14 242	0.07 172	0.05 127	0.07 131	0.09 306	0.05 56	0.06 136

TestStereo1	0.13 205	0.08 177	0.08 13	0.19 283	0.08 66	0.18 296	0.29 429	0.23 222	0.16 120	0.17 239	0.20 211	0.16 209	0.10 132	0.12 129	0.13 206	0.06 70	0.06 232	0.08 205	0.06 119	0.05 56	0.05 69

qqq	0.13 205	0.09 239	0.15 240	0.16 96	0.08 66	0.13 175	0.15 155	0.23 222	0.16 120	0.15 200	0.19 199	0.16 209	0.16 288	0.15 212	0.16 285	0.07 172	0.06 232	0.08 205	0.08 264	0.07 190	0.07 206

x	0.13 205	0.07 95	0.14 191	0.14 18	0.08 66	0.18 296	0.14 95	0.22 205	0.20 200	0.15 200	0.19 199	0.19 256	0.17 308	0.18 291	0.18 317	0.07 172	0.05 127	0.06 46	0.06 119	0.07 190	0.07 206

raft_robust	0.13 205	0.10 293	0.07 3	0.18 230	0.08 66	0.13 175	0.24 387	0.28 312	0.33 341	0.20 302	0.19 199	0.14 170	0.10 132	0.11 60	0.12 166	0.05 4	0.05 127	0.07 131	0.07 203	0.05 56	0.04 12

RAFT+CT+SA	0.13 205	0.11 318	0.09 36	0.19 283	0.09 170	0.15 230	0.28 420	0.22 205	0.22 227	0.15 200	0.26 305	0.10 91	0.10 132	0.11 60	0.12 166	0.05 4	0.04 2	0.07 131	0.08 264	0.07 190	0.06 136

SA-5K	0.13 205	0.08 177	0.08 13	0.19 283	0.08 66	0.18 296	0.29 429	0.23 222	0.16 120	0.17 239	0.20 211	0.16 209	0.10 132	0.12 129	0.13 206	0.06 70	0.06 232	0.08 205	0.06 119	0.05 56	0.05 69

GwcNet-ADL	0.13 205	0.08 177	0.14 191	0.20 328	0.09 170	0.11 113	0.20 341	0.30 336	0.24 251	0.13 152	0.14 122	0.18 242	0.14 245	0.13 169	0.14 242	0.07 172	0.05 127	0.06 46	0.05 51	0.07 190	0.06 136

GANet-ADL	0.13 205	0.07 95	0.15 240	0.17 157	0.10 266	0.18 296	0.15 155	0.30 336	0.20 200	0.13 152	0.18 191	0.19 256	0.12 186	0.16 246	0.13 206	0.08 227	0.06 232	0.06 46	0.05 51	0.07 190	0.08 269

RAFT	0.13 205	0.09 239	0.11 94	0.18 230	0.08 66	0.15 230	0.24 387	0.20 167	0.19 179	0.21 315	0.21 231	0.17 229	0.12 186	0.16 246	0.09 29	0.06 70	0.07 300	0.10 323	0.09 306	0.05 56	0.05 69

TestStereo	0.13 205	0.14 372	0.11 94	0.23 388	0.08 66	0.15 230	0.21 358	0.20 167	0.23 236	0.14 173	0.24 260	0.16 209	0.12 186	0.16 246	0.14 242	0.05 4	0.06 232	0.08 205	0.06 119	0.09 304	0.05 69

sAnonymous2	0.13 205	0.12 333	0.24 367	0.20 328	0.12 341	0.17 278	0.13 59	0.26 275	0.21 213	0.11 92	0.11 84	0.13 151	0.08 82	0.10 27	0.10 73	0.09 281	0.05 127	0.08 205	0.06 119	0.15 409	0.10 332

CroCo_RVC	0.13 205	0.12 333	0.24 367	0.20 328	0.12 341	0.17 278	0.13 59	0.26 275	0.21 213	0.11 92	0.11 84	0.13 151	0.08 82	0.10 27	0.10 73	0.09 281	0.05 127	0.08 205	0.06 119	0.15 409	0.10 332

RAFT + AFF	0.13 205	0.07 95	0.20 342	0.20 328	0.10 266	0.14 206	0.24 387	0.26 275	0.20 200	0.11 92	0.10 60	0.12 127	0.10 132	0.15 212	0.12 166	0.07 172	0.06 232	0.09 279	0.08 264	0.06 128	0.08 269

GMStereo	0.13 205	0.14 372	0.14 191	0.18 230	0.09 170	0.15 230	0.16 215	0.20 167	0.24 251	0.16 225	0.17 168	0.10 91	0.10 132	0.16 246	0.13 206	0.07 172	0.06 232	0.06 46	0.06 119	0.07 190	0.06 136
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 205	0.07 95	0.14 191	0.17 157	0.09 170	0.15 230	0.16 215	0.28 312	0.27 294	0.14 173	0.17 168	0.12 127	0.13 221	0.14 190	0.11 122	0.08 227	0.05 127	0.07 131	0.07 203	0.07 190	0.06 136

FENet	0.13 205	0.08 177	0.12 119	0.16 96	0.08 66	0.14 206	0.15 155	0.22 205	0.23 236	0.17 239	0.23 249	0.16 209	0.12 186	0.14 190	0.15 269	0.08 227	0.05 127	0.08 205	0.08 264	0.07 190	0.07 206

cf-r	0.13 205	0.07 95	0.12 119	0.16 96	0.08 66	0.14 206	0.19 324	0.20 167	0.25 272	0.17 239	0.25 289	0.21 275	0.16 288	0.14 190	0.14 242	0.10 317	0.05 127	0.06 46	0.08 264	0.06 128	0.06 136

iResNet	0.13 205	0.10 293	0.18 324	0.19 283	0.08 66	0.13 175	0.18 288	0.20 167	0.26 285	0.15 200	0.23 249	0.15 196	0.13 221	0.14 190	0.14 242	0.06 70	0.04 2	0.06 46	0.05 51	0.06 128	0.05 69

DN-CSS_ROB	0.13 205	0.13 359	0.16 274	0.18 230	0.10 266	0.16 257	0.08 3	0.22 205	0.18 165	0.17 239	0.22 240	0.13 151	0.13 221	0.12 129	0.13 206	0.05 4	0.05 127	0.10 323	0.10 339	0.08 247	0.06 136

rvit_0105_6	0.14 235	0.09 239	0.18 324	0.17 157	0.10 266	0.10 77	0.16 215	0.19 156	0.26 285	0.12 127	0.18 191	0.17 229	0.12 186	0.18 291	0.12 166	0.15 406	0.11 379	0.12 368	0.10 339	0.09 304	0.06 136

rvit_0105_5	0.14 235	0.09 239	0.13 160	0.17 157	0.09 170	0.14 206	0.23 377	0.24 243	0.27 294	0.14 173	0.15 138	0.18 242	0.12 186	0.17 274	0.14 242	0.14 402	0.11 379	0.10 323	0.10 339	0.08 247	0.06 136

rvit_0105_4	0.14 235	0.09 239	0.17 302	0.17 157	0.10 266	0.12 143	0.19 324	0.23 222	0.27 294	0.14 173	0.20 211	0.17 229	0.13 221	0.17 274	0.13 206	0.15 406	0.11 379	0.11 352	0.10 339	0.09 304	0.06 136

DCVSM-stereo	0.14 235	0.09 239	0.16 274	0.16 96	0.10 266	0.15 230	0.09 5	0.19 156	0.23 236	0.20 302	0.23 249	0.26 335	0.15 262	0.18 291	0.14 242	0.09 281	0.07 300	0.09 279	0.08 264	0.10 334	0.12 367

test_sample6	0.14 235	0.08 177	0.13 160	0.16 96	0.08 66	0.17 278	0.19 324	0.25 258	0.17 139	0.17 239	0.27 312	0.19 256	0.14 245	0.15 212	0.13 206	0.08 227	0.05 127	0.08 205	0.07 203	0.08 247	0.08 269

test_sample5	0.14 235	0.08 177	0.14 191	0.16 96	0.08 66	0.18 296	0.18 288	0.25 258	0.17 139	0.17 239	0.27 312	0.18 242	0.14 245	0.16 246	0.13 206	0.08 227	0.05 127	0.08 205	0.07 203	0.08 247	0.08 269

test_sample4	0.14 235	0.08 177	0.14 191	0.15 48	0.08 66	0.19 318	0.18 288	0.26 275	0.17 139	0.16 225	0.25 289	0.18 242	0.14 245	0.16 246	0.13 206	0.08 227	0.06 232	0.08 205	0.06 119	0.08 247	0.08 269

test_sample3	0.14 235	0.08 177	0.15 240	0.14 18	0.09 170	0.19 318	0.17 245	0.26 275	0.18 165	0.16 225	0.22 240	0.19 256	0.15 262	0.17 274	0.13 206	0.08 227	0.06 232	0.07 131	0.06 119	0.09 304	0.08 269

DispNO	0.14 235	0.08 177	0.17 302	0.19 283	0.12 341	0.11 113	0.21 358	0.23 222	0.29 314	0.17 239	0.23 249	0.18 242	0.17 308	0.15 212	0.15 269	0.07 172	0.05 127	0.08 205	0.08 264	0.07 190	0.06 136

SMFormer	0.14 235	0.07 95	0.17 302	0.14 18	0.08 66	0.16 257	0.17 245	0.26 275	0.27 294	0.19 283	0.20 211	0.18 242	0.15 262	0.15 212	0.17 299	0.08 227	0.05 127	0.07 131	0.06 119	0.07 190	0.06 136

tta	0.14 235	0.07 95	0.17 302	0.14 18	0.08 66	0.16 257	0.17 245	0.26 275	0.27 294	0.19 283	0.20 211	0.18 242	0.15 262	0.15 212	0.17 299	0.08 227	0.05 127	0.07 131	0.06 119	0.06 128	0.06 136

mmm	0.14 235	0.08 177	0.17 302	0.17 157	0.09 170	0.17 278	0.18 288	0.21 187	0.15 97	0.15 200	0.23 249	0.21 275	0.16 288	0.16 246	0.17 299	0.08 227	0.05 127	0.08 205	0.07 203	0.07 190	0.07 206

DualNet	0.14 235	0.08 177	0.14 191	0.16 96	0.08 66	0.18 296	0.18 288	0.25 258	0.17 139	0.17 239	0.27 312	0.18 242	0.14 245	0.16 246	0.13 206	0.08 227	0.05 127	0.08 205	0.07 203	0.08 247	0.08 269

mmx	0.14 235	0.09 239	0.14 191	0.16 96	0.08 66	0.17 278	0.17 245	0.27 295	0.25 272	0.15 200	0.25 289	0.19 256	0.13 221	0.14 190	0.20 332	0.08 227	0.06 232	0.09 279	0.08 264	0.08 247	0.08 269

ttt	0.14 235	0.08 177	0.14 191	0.15 48	0.08 66	0.15 230	0.18 288	0.27 295	0.29 314	0.16 225	0.24 260	0.17 229	0.13 221	0.13 169	0.14 242	0.11 343	0.08 325	0.09 279	0.08 264	0.09 304	0.08 269

xxx	0.14 235	0.09 239	0.14 191	0.16 96	0.08 66	0.17 278	0.17 245	0.27 295	0.25 272	0.15 200	0.25 289	0.19 256	0.13 221	0.14 190	0.20 332	0.08 227	0.06 232	0.09 279	0.08 264	0.08 247	0.08 269

PCWNet_CMD	0.14 235	0.08 177	0.15 240	0.17 157	0.09 170	0.14 206	0.14 95	0.29 322	0.36 363	0.14 173	0.20 211	0.21 275	0.12 186	0.17 274	0.13 206	0.07 172	0.05 127	0.07 131	0.07 203	0.07 190	0.07 206

CBFPSM	0.14 235	0.06 34	0.26 375	0.17 157	0.09 170	0.13 175	0.15 155	0.22 205	0.23 236	0.20 302	0.27 312	0.24 314	0.16 288	0.16 246	0.18 317	0.06 70	0.06 232	0.06 46	0.07 203	0.07 190	0.07 206

gwcnet-sp	0.14 235	0.07 95	0.12 119	0.18 230	0.09 170	0.16 257	0.17 245	0.24 243	0.24 251	0.18 269	0.24 260	0.15 196	0.16 288	0.15 212	0.15 269	0.08 227	0.06 232	0.07 131	0.08 264	0.08 247	0.07 206

scenet	0.14 235	0.07 95	0.12 119	0.18 230	0.09 170	0.16 257	0.17 245	0.24 243	0.24 251	0.18 269	0.24 260	0.15 196	0.16 288	0.15 212	0.15 269	0.08 227	0.06 232	0.07 131	0.08 264	0.08 247	0.07 206

ssnet	0.14 235	0.07 95	0.12 119	0.18 230	0.09 170	0.16 257	0.17 245	0.24 243	0.24 251	0.18 269	0.24 260	0.15 196	0.16 288	0.15 212	0.15 269	0.08 227	0.06 232	0.07 131	0.08 264	0.08 247	0.07 206

BUS	0.14 235	0.09 239	0.14 191	0.22 369	0.10 266	0.19 318	0.14 95	0.34 381	0.19 179	0.17 239	0.22 240	0.16 209	0.13 221	0.15 212	0.13 206	0.08 227	0.06 232	0.10 323	0.09 306	0.07 190	0.07 206

IER	0.14 235	0.07 95	0.13 160	0.17 157	0.09 170	0.14 206	0.16 215	0.25 258	0.26 285	0.18 269	0.25 289	0.17 229	0.20 344	0.16 246	0.14 242	0.08 227	0.05 127	0.07 131	0.06 119	0.08 247	0.07 206

test_5	0.14 235	0.12 333	0.08 13	0.20 328	0.10 266	0.14 206	0.29 429	0.21 187	0.24 251	0.18 269	0.28 324	0.11 110	0.15 262	0.12 129	0.13 206	0.06 70	0.05 127	0.07 131	0.08 264	0.08 247	0.07 206

psmg	0.14 235	0.09 239	0.14 191	0.17 157	0.10 266	0.15 230	0.17 245	0.29 322	0.19 179	0.17 239	0.21 231	0.25 327	0.16 288	0.15 212	0.14 242	0.08 227	0.06 232	0.08 205	0.08 264	0.07 190	0.06 136

UDGNet	0.14 235	0.13 359	0.16 274	0.17 157	0.10 266	0.12 143	0.16 215	0.21 187	0.27 294	0.20 302	0.20 211	0.16 209	0.13 221	0.16 246	0.13 206	0.10 317	0.06 232	0.09 279	0.07 203	0.06 128	0.07 206

CFNet_pseudo	0.14 235	0.08 177	0.15 240	0.16 96	0.09 170	0.13 175	0.14 95	0.27 295	0.34 352	0.14 173	0.21 231	0.22 292	0.13 221	0.18 291	0.14 242	0.07 172	0.05 127	0.08 205	0.06 119	0.07 190	0.07 206

GES	0.14 235	0.08 177	0.16 274	0.15 48	0.10 266	0.13 175	0.13 59	0.28 312	0.25 272	0.16 225	0.23 249	0.18 242	0.13 221	0.16 246	0.13 206	0.08 227	0.07 300	0.07 131	0.06 119	0.08 247	0.09 311

GANet-RSSM	0.14 235	0.07 95	0.13 160	0.13 10	0.08 66	0.14 206	0.17 245	0.22 205	0.21 213	0.17 239	0.24 260	0.23 308	0.15 262	0.16 246	0.15 269	0.10 317	0.06 232	0.07 131	0.08 264	0.08 247	0.07 206

PSMNet-RSSM	0.14 235	0.07 95	0.13 160	0.15 48	0.08 66	0.13 175	0.16 215	0.24 243	0.24 251	0.16 225	0.28 324	0.22 292	0.14 245	0.15 212	0.13 206	0.11 343	0.06 232	0.09 279	0.12 385	0.08 247	0.07 206

GwcNet-RSSM	0.14 235	0.07 95	0.12 119	0.15 48	0.08 66	0.15 230	0.20 341	0.21 187	0.27 294	0.18 269	0.27 312	0.22 292	0.16 288	0.14 190	0.15 269	0.10 317	0.05 127	0.07 131	0.09 306	0.07 190	0.07 206

CFNet-ft	0.14 235	0.07 95	0.15 240	0.12 3	0.09 170	0.16 257	0.18 288	0.22 205	0.24 251	0.17 239	0.26 305	0.24 314	0.14 245	0.16 246	0.14 242	0.11 343	0.06 232	0.08 205	0.09 306	0.09 304	0.08 269

DMCA	0.14 235	0.09 239	0.16 274	0.19 283	0.09 170	0.15 230	0.17 245	0.23 222	0.27 294	0.14 173	0.19 199	0.17 229	0.18 319	0.15 212	0.17 299	0.10 317	0.06 232	0.08 205	0.06 119	0.09 304	0.10 332

RASNet	0.14 235	0.07 95	0.14 191	0.16 96	0.08 66	0.18 296	0.14 95	0.29 322	0.20 200	0.17 239	0.25 289	0.21 275	0.18 319	0.20 328	0.19 326	0.07 172	0.06 232	0.06 46	0.08 264	0.06 128	0.06 136

MSMDNet	0.14 235	0.08 177	0.15 240	0.17 157	0.09 170	0.14 206	0.14 95	0.29 322	0.36 363	0.14 173	0.21 231	0.21 275	0.12 186	0.17 274	0.14 242	0.07 172	0.05 127	0.07 131	0.07 203	0.07 190	0.07 206

HSM-Net_RVC	0.14 235	0.08 177	0.11 94	0.15 48	0.08 66	0.15 230	0.15 155	0.27 295	0.29 314	0.19 283	0.21 231	0.29 357	0.14 245	0.17 274	0.13 206	0.06 70	0.06 232	0.06 46	0.06 119	0.07 190	0.06 136
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 235	0.07 95	0.15 240	0.12 3	0.09 170	0.16 257	0.18 288	0.22 205	0.24 251	0.17 239	0.26 305	0.24 314	0.14 245	0.16 246	0.14 242	0.11 343	0.06 232	0.08 205	0.09 306	0.09 304	0.08 269

ccs_rob	0.14 235	0.08 177	0.15 240	0.16 96	0.09 170	0.12 143	0.14 95	0.27 295	0.34 352	0.14 173	0.21 231	0.22 292	0.13 221	0.18 291	0.14 242	0.07 172	0.05 127	0.08 205	0.07 203	0.07 190	0.07 206

UCFNet_RVC	0.14 235	0.08 177	0.13 160	0.11 1	0.10 266	0.20 333	0.10 10	0.24 243	0.22 227	0.17 239	0.20 211	0.23 308	0.15 262	0.17 274	0.15 269	0.12 368	0.07 300	0.10 323	0.13 394	0.11 352	0.10 332

iResNetv2_ROB	0.14 235	0.08 177	0.15 240	0.16 96	0.08 66	0.16 257	0.12 31	0.25 258	0.35 359	0.21 315	0.29 336	0.24 314	0.13 221	0.14 190	0.14 242	0.06 70	0.05 127	0.06 46	0.04 13	0.09 304	0.08 269

iResNet_ROB	0.14 235	0.07 95	0.13 160	0.14 18	0.07 27	0.18 296	0.14 95	0.26 275	0.31 329	0.22 329	0.25 289	0.23 308	0.15 262	0.15 212	0.13 206	0.07 172	0.05 127	0.05 2	0.04 13	0.08 247	0.08 269

dual_stereo	0.15 276	0.13 359	0.10 61	0.25 405	0.13 361	0.09 44	0.21 358	0.17 110	0.18 165	0.10 66	0.13 107	0.11 110	0.11 156	0.10 27	0.12 166	0.08 227	0.08 325	0.45 453	0.22 432	0.11 352	0.08 269

DDVS	0.15 276	0.10 293	0.21 349	0.16 96	0.12 341	0.15 230	0.14 95	0.25 258	0.19 179	0.18 269	0.29 336	0.27 342	0.12 186	0.19 304	0.15 269	0.09 281	0.06 232	0.09 279	0.07 203	0.11 352	0.11 355

rvit_0105_3	0.15 276	0.09 239	0.14 191	0.19 283	0.12 341	0.15 230	0.25 400	0.25 258	0.29 314	0.15 200	0.17 168	0.20 268	0.13 221	0.17 274	0.14 242	0.13 391	0.11 379	0.12 368	0.14 397	0.07 190	0.06 136

ACV-stereo	0.15 276	0.10 293	0.28 387	0.18 230	0.12 341	0.14 206	0.12 31	0.23 222	0.21 213	0.19 283	0.23 249	0.22 292	0.15 262	0.23 366	0.17 299	0.07 172	0.06 232	0.07 131	0.07 203	0.07 190	0.07 206

ITSA-stereo	0.15 276	0.10 293	0.14 191	0.19 283	0.08 66	0.12 143	0.14 95	0.30 336	0.49 417	0.17 239	0.19 199	0.22 292	0.15 262	0.17 274	0.16 285	0.10 317	0.06 232	0.08 205	0.08 264	0.08 247	0.08 269

test_sample7	0.15 276	0.10 293	0.16 274	0.14 18	0.11 310	0.16 257	0.16 215	0.27 295	0.23 236	0.20 302	0.20 211	0.24 314	0.19 333	0.16 246	0.16 285	0.12 368	0.06 232	0.10 323	0.09 306	0.10 334	0.10 332

1111x	0.15 276	0.08 177	0.12 119	0.18 230	0.07 27	0.18 296	0.25 400	0.31 344	0.24 251	0.17 239	0.24 260	0.26 335	0.15 262	0.13 169	0.23 369	0.07 172	0.07 300	0.08 205	0.09 306	0.07 190	0.06 136

CFNet_ucs	0.15 276	0.08 177	0.16 274	0.16 96	0.11 310	0.14 206	0.14 95	0.30 336	0.34 352	0.16 225	0.24 260	0.23 308	0.14 245	0.18 291	0.15 269	0.09 281	0.06 232	0.08 205	0.07 203	0.09 304	0.09 311

BSDual-CNN	0.15 276	0.09 239	0.14 191	0.22 369	0.10 266	0.14 206	0.15 155	0.34 381	0.19 179	0.17 239	0.22 240	0.25 327	0.16 288	0.15 212	0.14 242	0.08 227	0.06 232	0.10 323	0.09 306	0.07 190	0.07 206

hknet	0.15 276	0.11 318	0.13 160	0.22 369	0.11 310	0.14 206	0.15 155	0.34 381	0.25 272	0.17 239	0.22 240	0.22 292	0.18 319	0.17 274	0.12 166	0.07 172	0.06 232	0.10 323	0.09 306	0.07 190	0.07 206

dd	0.15 276	0.16 385	0.16 274	0.19 283	0.09 170	0.15 230	0.18 288	0.21 187	0.25 272	0.23 341	0.20 211	0.21 275	0.09 106	0.21 344	0.16 285	0.10 317	0.06 232	0.08 205	0.06 119	0.08 247	0.06 136

DAS	0.15 276	0.08 177	0.18 324	0.19 283	0.10 266	0.19 318	0.17 245	0.27 295	0.29 314	0.18 269	0.25 289	0.21 275	0.15 262	0.16 246	0.12 166	0.08 227	0.06 232	0.06 46	0.06 119	0.07 190	0.07 206

SepStereo	0.15 276	0.08 177	0.18 324	0.19 283	0.10 266	0.19 318	0.17 245	0.27 295	0.29 314	0.18 269	0.25 289	0.21 275	0.15 262	0.25 380	0.12 166	0.08 227	0.06 232	0.06 46	0.06 119	0.07 190	0.07 206

PSMNet-ADL	0.15 276	0.12 333	0.13 160	0.22 369	0.09 170	0.13 175	0.20 341	0.26 275	0.23 236	0.18 269	0.20 211	0.24 314	0.16 288	0.18 291	0.17 299	0.08 227	0.08 325	0.08 205	0.11 366	0.08 247	0.07 206

LMCR-Stereo	0.15 276	0.08 177	0.13 160	0.21 354	0.09 170	0.17 278	0.20 341	0.27 295	0.19 179	0.24 349	0.24 260	0.23 308	0.17 308	0.20 328	0.17 299	0.07 172	0.06 232	0.08 205	0.06 119	0.10 334	0.08 269

ICVP	0.15 276	0.09 239	0.12 119	0.22 369	0.09 170	0.17 278	0.21 358	0.25 258	0.23 236	0.18 269	0.30 341	0.26 335	0.18 319	0.17 274	0.14 242	0.09 281	0.07 300	0.08 205	0.07 203	0.07 190	0.07 206
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 276	0.07 95	0.14 191	0.14 18	0.08 66	0.23 368	0.18 288	0.31 344	0.19 179	0.14 173	0.28 324	0.22 292	0.14 245	0.15 212	0.26 397	0.09 281	0.05 127	0.07 131	0.07 203	0.08 247	0.07 206

test_xeample	0.15 276	0.06 34	0.13 160	0.14 18	0.08 66	0.21 347	0.20 341	0.28 312	0.20 200	0.16 225	0.29 336	0.19 256	0.16 288	0.15 212	0.26 397	0.09 281	0.05 127	0.07 131	0.07 203	0.07 190	0.07 206

ACVNet	0.15 276	0.09 239	0.15 240	0.13 10	0.12 341	0.14 206	0.20 341	0.22 205	0.33 341	0.17 239	0.26 305	0.21 275	0.16 288	0.17 274	0.21 350	0.07 172	0.06 232	0.06 46	0.06 119	0.08 247	0.06 136

acv_ft	0.15 276	0.09 239	0.15 240	0.19 283	0.10 266	0.16 257	0.17 245	0.25 258	0.33 341	0.19 283	0.26 305	0.21 275	0.17 308	0.17 274	0.18 317	0.07 172	0.06 232	0.06 46	0.06 119	0.08 247	0.06 136

CFNet	0.15 276	0.10 293	0.17 302	0.17 157	0.08 66	0.18 296	0.09 5	0.28 312	0.25 272	0.19 283	0.24 260	0.24 314	0.17 308	0.17 274	0.14 242	0.08 227	0.06 232	0.09 279	0.10 339	0.07 190	0.06 136

AdaStereo	0.15 276	0.11 318	0.15 240	0.18 230	0.09 170	0.20 333	0.11 18	0.32 355	0.28 308	0.20 302	0.23 249	0.20 268	0.13 221	0.19 304	0.14 242	0.12 368	0.05 127	0.10 323	0.07 203	0.09 304	0.07 206
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	0.15 276	0.08 177	0.14 191	0.16 96	0.09 170	0.16 257	0.14 95	0.28 312	0.25 272	0.19 283	0.23 249	0.37 403	0.16 288	0.20 328	0.15 269	0.07 172	0.05 127	0.07 131	0.06 119	0.07 190	0.06 136

pmcnn	0.15 276	0.07 95	0.19 334	0.15 48	0.07 27	0.20 333	0.15 155	0.24 243	0.26 285	0.21 315	0.34 369	0.28 350	0.18 319	0.18 291	0.17 299	0.07 172	0.05 127	0.05 2	0.04 13	0.07 190	0.06 136

DualNet (step1)	0.16 300	0.12 333	0.20 342	0.12 3	0.14 379	0.17 278	0.13 59	0.27 295	0.23 236	0.20 302	0.20 211	0.24 314	0.19 333	0.16 246	0.16 285	0.15 406	0.06 232	0.14 395	0.14 397	0.14 395	0.12 367

GMStereo_Zeroshot	0.16 300	0.13 359	0.24 367	0.20 328	0.10 266	0.17 278	0.13 59	0.29 322	0.25 272	0.23 341	0.32 353	0.25 327	0.11 156	0.19 304	0.14 242	0.09 281	0.06 232	0.11 352	0.06 119	0.12 367	0.08 269

iinet-f	0.16 300	0.06 34	0.45 427	0.14 18	0.10 266	0.21 347	0.14 95	0.27 295	0.23 236	0.21 315	0.24 260	0.21 275	0.15 262	0.18 291	0.21 350	0.09 281	0.07 300	0.07 131	0.06 119	0.09 304	0.10 332

CRFU-Net	0.16 300	0.08 177	0.14 191	0.17 157	0.09 170	0.19 318	0.14 95	0.26 275	0.20 200	0.28 384	0.27 312	0.29 357	0.17 308	0.19 304	0.17 299	0.09 281	0.09 350	0.07 131	0.07 203	0.08 247	0.08 269

NINENet	0.16 300	0.10 293	0.15 240	0.17 157	0.11 310	0.19 318	0.14 95	0.40 419	0.36 363	0.18 269	0.21 231	0.16 209	0.13 221	0.15 212	0.13 206	0.08 227	0.08 325	0.10 323	0.07 203	0.10 334	0.09 311

CSP-Net	0.16 300	0.09 239	0.14 191	0.16 96	0.09 170	0.19 318	0.17 245	0.25 258	0.32 335	0.25 362	0.30 341	0.24 314	0.15 262	0.21 344	0.18 317	0.09 281	0.06 232	0.07 131	0.07 203	0.08 247	0.07 206

AASNet	0.16 300	0.08 177	0.12 119	0.19 283	0.09 170	0.18 296	0.15 155	0.37 404	0.37 369	0.19 283	0.23 249	0.20 268	0.16 288	0.17 274	0.20 332	0.10 317	0.08 325	0.08 205	0.07 203	0.09 304	0.09 311

AACVNet	0.16 300	0.08 177	0.14 191	0.15 48	0.10 266	0.18 296	0.15 155	0.23 222	0.24 251	0.27 372	0.27 312	0.28 350	0.17 308	0.19 304	0.16 285	0.09 281	0.07 300	0.09 279	0.07 203	0.10 334	0.09 311

ADLNet2	0.16 300	0.09 239	0.13 160	0.16 96	0.09 170	0.20 333	0.16 215	0.31 344	0.39 377	0.16 225	0.20 211	0.20 268	0.18 319	0.21 344	0.22 359	0.08 227	0.06 232	0.07 131	0.07 203	0.09 304	0.07 206

Anonymous3	0.16 300	0.13 359	0.33 406	0.26 411	0.14 379	0.27 398	0.17 245	0.28 312	0.28 308	0.15 200	0.17 168	0.14 170	0.10 132	0.15 212	0.12 166	0.08 227	0.08 325	0.08 205	0.08 264	0.08 247	0.11 355

ADLNet	0.16 300	0.08 177	0.15 240	0.16 96	0.10 266	0.16 257	0.17 245	0.32 355	0.27 294	0.22 329	0.27 312	0.24 314	0.16 288	0.18 291	0.21 350	0.10 317	0.06 232	0.10 323	0.10 339	0.08 247	0.09 311

HCRNet	0.16 300	0.24 427	0.12 119	0.35 442	0.11 310	0.15 230	0.17 245	0.26 275	0.22 227	0.19 283	0.24 260	0.21 275	0.14 245	0.15 212	0.13 206	0.11 343	0.07 300	0.11 352	0.10 339	0.09 304	0.07 206

222	0.16 300	0.07 95	0.14 191	0.14 18	0.08 66	0.24 373	0.18 288	0.30 336	0.20 200	0.17 239	0.28 324	0.17 229	0.16 288	0.15 212	0.40 444	0.10 317	0.05 127	0.07 131	0.06 119	0.07 190	0.08 269

UPFNet	0.16 300	0.08 177	0.12 119	0.20 328	0.12 341	0.20 333	0.23 377	0.28 312	0.26 285	0.17 239	0.24 260	0.22 292	0.19 333	0.19 304	0.21 350	0.09 281	0.07 300	0.08 205	0.09 306	0.08 247	0.06 136

ac_64	0.16 300	0.08 177	0.15 240	0.18 230	0.10 266	0.22 355	0.18 288	0.24 243	0.21 213	0.18 269	0.24 260	0.29 357	0.18 319	0.19 304	0.22 359	0.09 281	0.07 300	0.08 205	0.09 306	0.07 190	0.06 136

DSFCA	0.16 300	0.09 239	0.14 191	0.16 96	0.10 266	0.20 333	0.19 324	0.28 312	0.31 329	0.23 341	0.24 260	0.22 292	0.15 262	0.19 304	0.20 332	0.10 317	0.07 300	0.09 279	0.09 306	0.08 247	0.08 269

FADNet-RVC-Resample	0.16 300	0.11 318	0.31 400	0.22 369	0.11 310	0.19 318	0.14 95	0.25 258	0.24 251	0.24 349	0.27 312	0.20 268	0.15 262	0.16 246	0.15 269	0.07 172	0.08 325	0.12 368	0.10 339	0.09 304	0.10 332

FADNet_RVC	0.16 300	0.14 372	0.40 422	0.20 328	0.11 310	0.13 175	0.13 59	0.26 275	0.22 227	0.21 315	0.23 249	0.20 268	0.17 308	0.14 190	0.16 285	0.08 227	0.08 325	0.12 368	0.09 306	0.11 352	0.10 332

AANet_RVC	0.16 300	0.10 293	0.10 61	0.18 230	0.09 170	0.18 296	0.19 324	0.26 275	0.31 329	0.22 329	0.35 371	0.21 275	0.21 348	0.22 355	0.16 285	0.06 70	0.05 127	0.06 46	0.06 119	0.07 190	0.06 136

DeepPruner_ROB	0.16 300	0.11 318	0.15 240	0.17 157	0.10 266	0.17 278	0.15 155	0.32 355	0.21 213	0.19 283	0.21 231	0.22 292	0.18 319	0.20 328	0.15 269	0.13 391	0.09 350	0.09 279	0.09 306	0.11 352	0.10 332

rvit_stereo_0075_2	0.17 320	0.12 333	0.25 372	0.23 388	0.16 403	0.13 175	0.10 10	0.30 336	0.27 294	0.20 302	0.28 324	0.22 292	0.15 262	0.18 291	0.13 206	0.16 422	0.10 369	0.17 414	0.10 339	0.10 334	0.09 311

ToySt	0.17 320	0.11 318	0.18 324	0.17 157	0.11 310	0.16 257	0.25 400	0.24 243	0.33 341	0.19 283	0.24 260	0.26 335	0.24 369	0.19 304	0.20 332	0.07 172	0.08 325	0.09 279	0.10 339	0.09 304	0.08 269

ssnet_v2	0.17 320	0.10 293	0.17 302	0.17 157	0.11 310	0.21 347	0.21 358	0.33 372	0.25 272	0.22 329	0.22 240	0.27 342	0.18 319	0.22 355	0.20 332	0.11 343	0.09 350	0.09 279	0.09 306	0.08 247	0.08 269

dad	0.17 320	0.20 413	0.20 342	0.16 96	0.11 310	0.20 333	0.18 288	0.21 187	0.28 308	0.30 394	0.24 260	0.29 357	0.13 221	0.19 304	0.16 285	0.18 428	0.09 350	0.11 352	0.09 306	0.11 352	0.07 206

GEStereo_RVC	0.17 320	0.12 333	0.15 240	0.22 369	0.11 310	0.19 318	0.17 245	0.32 355	0.48 412	0.20 302	0.25 289	0.17 229	0.13 221	0.21 344	0.16 285	0.10 317	0.06 232	0.08 205	0.07 203	0.09 304	0.08 269

MMNet	0.17 320	0.09 239	0.16 274	0.20 328	0.11 310	0.27 398	0.20 341	0.25 258	0.41 386	0.22 329	0.30 341	0.21 275	0.20 344	0.17 274	0.20 332	0.06 70	0.06 232	0.07 131	0.07 203	0.08 247	0.07 206

delet	0.17 320	0.08 177	0.17 302	0.19 283	0.11 310	0.20 333	0.21 358	0.30 336	0.37 369	0.17 239	0.26 305	0.19 256	0.19 333	0.19 304	0.21 350	0.08 227	0.08 325	0.09 279	0.11 366	0.06 128	0.06 136

UNet	0.17 320	0.09 239	0.18 324	0.19 283	0.12 341	0.27 398	0.19 324	0.33 372	0.29 314	0.21 315	0.24 260	0.23 308	0.19 333	0.19 304	0.18 317	0.07 172	0.06 232	0.08 205	0.07 203	0.08 247	0.06 136

HGLStereo	0.17 320	0.08 177	0.19 334	0.17 157	0.12 341	0.18 296	0.18 288	0.31 344	0.32 335	0.21 315	0.32 353	0.25 327	0.18 319	0.19 304	0.20 332	0.09 281	0.09 350	0.07 131	0.07 203	0.09 304	0.10 332

DMCA-RVC	0.17 320	0.10 293	0.15 240	0.24 395	0.11 310	0.18 296	0.18 288	0.25 258	0.24 251	0.21 315	0.26 305	0.25 327	0.27 389	0.18 291	0.20 332	0.12 368	0.08 325	0.13 383	0.10 339	0.10 334	0.08 269

TDLM	0.17 320	0.12 333	0.13 160	0.24 395	0.10 266	0.18 296	0.18 288	0.36 399	0.30 323	0.21 315	0.28 324	0.28 350	0.18 319	0.23 366	0.18 317	0.11 343	0.07 300	0.10 323	0.10 339	0.08 247	0.08 269

NLCA_NET_v2_RVC	0.17 320	0.10 293	0.22 355	0.20 328	0.10 266	0.15 230	0.18 288	0.31 344	0.25 272	0.21 315	0.30 341	0.25 327	0.17 308	0.21 344	0.20 332	0.09 281	0.06 232	0.08 205	0.08 264	0.07 190	0.08 269
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	0.17 320	0.12 333	0.15 240	0.20 328	0.09 170	0.18 296	0.18 288	0.26 275	0.23 236	0.26 366	0.40 398	0.22 292	0.17 308	0.21 344	0.20 332	0.08 227	0.05 127	0.09 279	0.10 339	0.07 190	0.07 206
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
test_sample9	0.18 333	0.12 333	0.20 342	0.12 3	0.14 379	0.17 278	0.13 59	0.27 295	0.23 236	0.20 302	0.20 211	0.24 314	0.19 333	0.19 304	0.17 299	0.15 406	0.30 450	0.14 395	0.14 397	0.14 395	0.12 367

fast-acv-ft	0.18 333	0.11 318	0.19 334	0.19 283	0.12 341	0.24 373	0.21 358	0.25 258	0.34 352	0.22 329	0.34 369	0.27 342	0.20 344	0.21 344	0.23 369	0.09 281	0.09 350	0.08 205	0.10 339	0.08 247	0.07 206

HBP-ISP	0.18 333	0.13 359	0.16 274	0.15 48	0.11 310	0.08 27	0.13 59	0.28 312	0.29 314	0.22 329	0.33 365	0.21 275	0.25 377	0.23 366	0.17 299	0.14 402	0.16 421	0.21 428	0.17 421	0.10 334	0.08 269

Wz-Net-LNSev-Ref	0.18 333	0.09 239	0.29 395	0.15 48	0.10 266	0.22 355	0.20 341	0.26 275	0.39 377	0.25 362	0.42 413	0.24 314	0.15 262	0.20 328	0.19 326	0.07 172	0.05 127	0.06 46	0.05 51	0.10 334	0.09 311

SACVNet	0.18 333	0.12 333	0.14 191	0.17 157	0.13 361	0.22 355	0.18 288	0.31 344	0.30 323	0.23 341	0.31 349	0.30 365	0.22 357	0.22 355	0.17 299	0.11 343	0.08 325	0.10 323	0.10 339	0.12 367	0.14 401

psm_up	0.18 333	0.10 293	0.18 324	0.20 328	0.11 310	0.17 278	0.19 324	0.37 404	0.34 352	0.21 315	0.28 324	0.29 357	0.24 369	0.20 328	0.22 359	0.09 281	0.10 369	0.11 352	0.11 366	0.08 247	0.08 269

hitnet-ft	0.18 333	0.09 239	0.17 302	0.14 18	0.09 170	0.26 391	0.20 341	0.25 258	0.26 285	0.24 349	0.32 353	0.31 375	0.22 357	0.24 375	0.21 350	0.12 368	0.07 300	0.10 323	0.08 264	0.12 367	0.11 355

STTStereo	0.18 333	0.12 333	0.27 382	0.20 328	0.11 310	0.16 257	0.21 358	0.29 322	0.23 236	0.21 315	0.30 341	0.29 357	0.18 319	0.20 328	0.19 326	0.12 368	0.11 379	0.11 352	0.14 397	0.09 304	0.08 269

CVANet_RVC	0.18 333	0.10 293	0.14 191	0.21 354	0.10 266	0.18 296	0.17 245	0.34 381	0.33 341	0.22 329	0.31 349	0.28 350	0.18 319	0.23 366	0.17 299	0.12 368	0.08 325	0.12 368	0.11 366	0.09 304	0.07 206

StereoDRNet	0.18 333	0.11 318	0.17 302	0.22 369	0.11 310	0.21 347	0.22 368	0.37 404	0.33 341	0.24 349	0.28 324	0.30 365	0.19 333	0.20 328	0.20 332	0.09 281	0.08 325	0.11 352	0.09 306	0.09 304	0.07 206

DLCB_ROB	0.18 333	0.10 293	0.15 240	0.23 388	0.11 310	0.24 373	0.18 288	0.29 322	0.28 308	0.27 372	0.28 324	0.28 350	0.24 369	0.19 304	0.20 332	0.08 227	0.08 325	0.09 279	0.09 306	0.07 190	0.07 206

rvit_105_1	0.19 344	0.11 318	0.25 372	0.21 354	0.16 403	0.21 347	0.27 414	0.31 344	0.41 386	0.19 283	0.20 211	0.22 292	0.17 308	0.19 304	0.17 299	0.12 368	0.12 392	0.13 383	0.15 411	0.08 247	0.07 206

test_sample8	0.19 344	0.12 333	0.20 342	0.12 3	0.14 379	0.17 278	0.13 59	0.31 344	0.21 213	0.27 372	0.22 240	0.36 398	0.25 377	0.19 304	0.17 299	0.15 406	0.30 450	0.14 395	0.14 397	0.14 395	0.12 367

SDNR	0.19 344	0.08 177	0.19 334	0.16 96	0.12 341	0.77 467	0.14 95	0.25 258	0.32 335	0.19 283	0.24 260	0.19 256	0.13 221	0.19 304	0.15 269	0.16 422	0.18 428	0.14 395	0.11 366	0.08 247	0.11 355

pcwnet_v2	0.19 344	0.10 293	0.26 375	0.17 157	0.14 379	0.18 296	0.15 155	0.37 404	0.46 410	0.19 283	0.24 260	0.21 275	0.19 333	0.20 328	0.19 326	0.13 391	0.10 369	0.10 323	0.10 339	0.11 352	0.13 384

ADCRef	0.19 344	0.12 333	0.41 424	0.20 328	0.12 341	0.22 355	0.18 288	0.32 355	0.36 363	0.26 366	0.32 353	0.17 229	0.23 363	0.24 375	0.24 379	0.07 172	0.06 232	0.09 279	0.09 306	0.08 247	0.08 269

NVstereo2D	0.19 344	0.10 293	0.15 240	0.17 157	0.15 393	0.28 404	0.23 377	0.44 435	0.42 393	0.15 200	0.27 312	0.25 327	0.19 333	0.22 355	0.17 299	0.09 281	0.06 232	0.10 323	0.08 264	0.15 409	0.09 311

DRN-Test	0.19 344	0.11 318	0.20 342	0.22 369	0.10 266	0.22 355	0.22 368	0.39 415	0.37 369	0.24 349	0.32 353	0.26 335	0.21 348	0.22 355	0.24 379	0.11 343	0.07 300	0.11 352	0.10 339	0.09 304	0.07 206

DISCO	0.19 344	0.09 239	0.22 355	0.17 157	0.10 266	0.25 383	0.18 288	0.27 295	0.44 403	0.22 329	0.31 349	0.33 386	0.26 381	0.28 396	0.28 411	0.08 227	0.06 232	0.07 131	0.07 203	0.09 304	0.09 311

CBMV_ROB	0.19 344	0.13 359	0.17 302	0.16 96	0.11 310	0.15 230	0.13 59	0.26 275	0.28 308	0.27 372	0.30 341	0.27 342	0.24 369	0.23 366	0.16 285	0.15 406	0.17 426	0.22 432	0.20 427	0.10 334	0.11 355

NOSS_ROB	0.19 344	0.12 333	0.18 324	0.16 96	0.12 341	0.15 230	0.12 31	0.30 336	0.32 335	0.20 302	0.22 240	0.27 342	0.23 363	0.21 344	0.16 285	0.16 422	0.18 428	0.23 433	0.21 429	0.12 367	0.13 384

CBMV	0.19 344	0.14 372	0.17 302	0.18 230	0.10 266	0.20 333	0.11 18	0.29 322	0.30 323	0.29 391	0.30 341	0.30 365	0.23 363	0.27 385	0.19 326	0.13 391	0.15 418	0.17 414	0.16 414	0.10 334	0.10 332
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
GwcNet	0.20 355	0.13 359	0.19 334	0.18 230	0.12 341	0.24 373	0.19 324	0.35 393	0.43 398	0.20 302	0.32 353	0.33 386	0.20 344	0.22 355	0.24 379	0.11 343	0.09 350	0.09 279	0.09 306	0.09 304	0.10 332

FAT-Stereo	0.20 355	0.12 333	0.22 355	0.21 354	0.12 341	0.17 278	0.18 288	0.34 381	0.39 377	0.27 372	0.37 380	0.34 392	0.32 416	0.21 344	0.20 332	0.09 281	0.11 379	0.10 323	0.09 306	0.11 352	0.14 401

FADNet-RVC	0.20 355	0.20 413	0.38 419	0.21 354	0.16 403	0.20 333	0.15 155	0.26 275	0.26 285	0.26 366	0.32 353	0.26 335	0.21 348	0.22 355	0.19 326	0.12 368	0.13 405	0.12 368	0.14 397	0.13 383	0.18 428

S-Stereo	0.20 355	0.12 333	0.25 372	0.21 354	0.13 361	0.20 333	0.18 288	0.32 355	0.43 398	0.23 341	0.36 374	0.28 350	0.30 409	0.19 304	0.22 359	0.09 281	0.12 392	0.10 323	0.10 339	0.13 383	0.13 384

SuperB	0.20 355	0.10 293	0.56 440	0.16 96	0.09 170	0.18 296	0.18 288	0.24 243	0.50 420	0.26 366	0.39 393	0.17 229	0.21 348	0.22 355	0.21 350	0.08 227	0.06 232	0.06 46	0.06 119	0.12 367	0.10 332

ADCP+	0.20 355	0.10 293	0.33 406	0.20 328	0.12 341	0.22 355	0.26 407	0.31 344	0.34 352	0.26 366	0.37 380	0.22 292	0.22 357	0.27 385	0.27 404	0.09 281	0.06 232	0.08 205	0.08 264	0.09 304	0.10 332

PS-NSSS	0.20 355	0.21 419	0.23 364	0.20 328	0.10 266	0.19 318	0.17 245	0.36 399	0.25 272	0.27 372	0.33 365	0.27 342	0.24 369	0.20 328	0.20 332	0.15 406	0.12 392	0.17 414	0.14 397	0.10 334	0.08 269

PWCDC_ROB	0.20 355	0.13 359	0.22 355	0.24 395	0.11 310	0.19 318	0.15 155	0.33 372	0.54 429	0.29 391	0.50 428	0.21 275	0.15 262	0.27 385	0.20 332	0.11 343	0.09 350	0.10 323	0.08 264	0.11 352	0.09 311

SGM-Forest	0.20 355	0.14 372	0.18 324	0.19 283	0.13 361	0.20 333	0.22 368	0.33 372	0.30 323	0.24 349	0.29 336	0.28 350	0.19 333	0.23 366	0.17 299	0.15 406	0.16 421	0.15 406	0.14 397	0.12 367	0.12 367
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 364	0.17 396	0.19 334	0.23 388	0.15 393	0.30 410	0.20 341	0.33 372	0.35 359	0.23 341	0.28 324	0.31 375	0.27 389	0.20 328	0.22 359	0.15 406	0.12 392	0.13 383	0.09 306	0.14 395	0.14 401

FINET	0.21 364	0.18 406	0.26 375	0.18 230	0.16 403	0.23 368	0.23 377	0.32 355	0.48 412	0.25 362	0.32 353	0.22 292	0.22 357	0.22 355	0.17 299	0.18 428	0.16 421	0.11 352	0.10 339	0.15 409	0.13 384

Syn2CoEx	0.21 364	0.16 385	0.27 382	0.29 433	0.14 379	0.26 391	0.20 341	0.33 372	0.31 329	0.28 384	0.36 374	0.27 342	0.25 377	0.19 304	0.24 379	0.16 422	0.12 392	0.14 395	0.11 366	0.09 304	0.08 269

FADNet	0.21 364	0.22 423	0.36 415	0.18 230	0.17 418	0.24 373	0.13 59	0.31 344	0.31 329	0.23 341	0.25 289	0.27 342	0.21 348	0.19 304	0.15 269	0.13 391	0.15 418	0.12 368	0.15 411	0.16 416	0.18 428

RP	0.21 364	0.13 359	0.21 349	0.23 388	0.11 310	0.21 347	0.20 341	0.25 258	0.44 403	0.21 315	0.38 385	0.36 398	0.24 369	0.27 385	0.25 388	0.11 343	0.12 392	0.13 383	0.12 385	0.12 367	0.14 401

DANet	0.21 364	0.15 378	0.28 387	0.25 405	0.13 361	0.22 355	0.19 324	0.27 295	0.27 294	0.28 384	0.32 353	0.35 396	0.31 413	0.31 406	0.23 369	0.11 343	0.09 350	0.11 352	0.10 339	0.13 383	0.11 355
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 364	0.12 333	0.21 349	0.24 395	0.13 361	0.22 355	0.22 368	0.41 425	0.26 285	0.31 400	0.42 413	0.37 403	0.28 397	0.23 366	0.22 359	0.10 317	0.12 392	0.10 323	0.09 306	0.10 334	0.08 269

PWC_ROB	0.21 364	0.16 385	0.26 375	0.18 230	0.11 310	0.22 355	0.13 59	0.32 355	0.49 417	0.30 394	0.40 398	0.32 383	0.24 369	0.31 406	0.22 359	0.10 317	0.07 300	0.11 352	0.08 264	0.11 352	0.10 332

PSMNet_ROB	0.21 364	0.11 318	0.15 240	0.27 423	0.15 393	0.24 373	0.35 446	0.43 433	0.37 369	0.27 372	0.32 353	0.32 383	0.22 357	0.21 344	0.26 397	0.12 368	0.08 325	0.13 383	0.11 366	0.09 304	0.09 311

GASNet	0.22 373	0.23 424	0.33 406	0.26 411	0.17 418	0.26 391	0.16 215	0.44 435	0.42 393	0.27 372	0.24 260	0.30 365	0.15 262	0.27 385	0.18 317	0.12 368	0.08 325	0.12 368	0.11 366	0.16 416	0.07 206

Anonymous_2	0.22 373	0.17 396	0.28 387	0.15 48	0.16 403	0.32 412	0.22 368	0.22 205	0.17 139	0.23 341	0.24 260	0.26 335	0.27 389	0.27 385	0.23 369	0.22 441	0.25 446	0.17 414	0.17 421	0.17 423	0.17 426

Wz-Net-LNSev	0.22 373	0.16 385	0.38 419	0.21 354	0.13 361	0.25 383	0.23 377	0.32 355	0.43 398	0.30 394	0.41 408	0.31 375	0.18 319	0.22 355	0.25 388	0.10 317	0.09 350	0.08 205	0.08 264	0.12 367	0.11 355

Wz-Net-MNSev	0.22 373	0.13 359	0.31 400	0.20 328	0.14 379	0.36 430	0.24 387	0.33 372	0.44 403	0.28 384	0.40 398	0.38 407	0.19 333	0.24 375	0.25 388	0.09 281	0.07 300	0.09 279	0.09 306	0.12 367	0.10 332

DDUNet	0.22 373	0.17 396	0.21 349	0.22 369	0.15 393	0.25 383	0.24 387	0.29 322	0.30 323	0.31 400	0.36 374	0.33 386	0.25 377	0.24 375	0.20 332	0.18 428	0.13 405	0.17 414	0.11 366	0.16 416	0.16 419

APVNet	0.22 373	0.12 333	0.19 334	0.18 230	0.14 379	0.32 412	0.31 442	0.39 415	0.32 335	0.27 372	0.40 398	0.30 365	0.29 405	0.26 382	0.25 388	0.11 343	0.12 392	0.11 352	0.14 397	0.12 367	0.12 367

aanetorigin	0.22 373	0.17 396	0.56 440	0.17 157	0.10 266	0.15 230	0.19 324	0.20 167	0.33 341	0.49 440	0.48 423	0.29 357	0.27 389	0.20 328	0.23 369	0.08 227	0.07 300	0.08 205	0.07 203	0.10 334	0.09 311

MaskLacGwcNet_RVC	0.22 373	0.21 419	0.24 367	0.26 411	0.11 310	0.23 368	0.14 95	0.39 415	0.24 251	0.32 406	0.36 374	0.30 365	0.21 348	0.19 304	0.21 350	0.17 427	0.14 412	0.21 428	0.16 414	0.12 367	0.12 367

AF-Net	0.22 373	0.17 396	0.17 302	0.26 411	0.13 361	0.25 383	0.24 387	0.32 355	0.50 420	0.25 362	0.33 365	0.38 407	0.26 381	0.28 396	0.25 388	0.11 343	0.10 369	0.16 412	0.11 366	0.11 352	0.10 332

stereogan	0.22 373	0.11 318	0.21 349	0.20 328	0.12 341	0.31 411	0.19 324	0.35 393	0.44 403	0.22 329	0.39 393	0.35 396	0.27 389	0.33 413	0.22 359	0.10 317	0.12 392	0.10 323	0.10 339	0.14 395	0.13 384

edge stereo	0.22 373	0.13 359	0.20 342	0.21 354	0.13 361	0.23 368	0.16 215	0.32 355	0.42 393	0.32 406	0.40 398	0.38 407	0.35 423	0.25 380	0.24 379	0.13 391	0.11 379	0.14 395	0.11 366	0.12 367	0.13 384

RYNet	0.22 373	0.12 333	0.22 355	0.19 283	0.17 418	0.46 438	0.26 407	0.38 411	0.48 412	0.24 349	0.28 324	0.34 392	0.23 363	0.20 328	0.30 419	0.10 317	0.06 232	0.09 279	0.09 306	0.13 383	0.15 408

NaN_ROB	0.22 373	0.19 409	0.24 367	0.25 405	0.13 361	0.29 407	0.26 407	0.33 372	0.41 386	0.31 400	0.31 349	0.32 383	0.23 363	0.30 405	0.21 350	0.11 343	0.17 426	0.10 323	0.10 339	0.08 247	0.09 311

MDST_ROB	0.22 373	0.10 293	0.17 302	0.18 230	0.11 310	0.37 431	0.19 324	0.43 433	0.41 386	0.39 421	0.39 393	0.29 357	0.21 348	0.26 382	0.18 317	0.11 343	0.10 369	0.14 395	0.11 366	0.10 334	0.08 269

XPNet_ROB	0.22 373	0.11 318	0.19 334	0.22 369	0.13 361	0.22 355	0.19 324	0.34 381	0.40 383	0.30 394	0.39 393	0.39 415	0.26 381	0.26 382	0.28 411	0.15 406	0.10 369	0.10 323	0.10 339	0.13 383	0.12 367

SQANet	0.23 388	0.23 424	0.30 398	0.30 435	0.19 426	0.27 398	0.13 59	0.29 322	0.33 341	0.24 349	0.37 380	0.31 375	0.22 357	0.27 385	0.23 369	0.15 406	0.10 369	0.21 428	0.16 414	0.21 431	0.15 408

Nwc_Net	0.23 388	0.16 385	0.21 349	0.25 405	0.14 379	0.24 373	0.26 407	0.37 404	0.38 374	0.22 329	0.41 408	0.30 365	0.28 397	0.28 396	0.25 388	0.11 343	0.10 369	0.17 414	0.20 427	0.10 334	0.10 332

RTSC	0.23 388	0.12 333	0.28 387	0.21 354	0.13 361	0.28 404	0.16 215	0.35 393	0.66 448	0.27 372	0.33 365	0.30 365	0.21 348	0.31 406	0.29 414	0.10 317	0.08 325	0.09 279	0.10 339	0.13 383	0.13 384

PA-Net	0.23 388	0.18 406	0.33 406	0.28 426	0.22 434	0.21 347	0.38 451	0.29 322	0.39 377	0.22 329	0.32 353	0.25 327	0.26 381	0.20 328	0.25 388	0.09 281	0.23 444	0.15 406	0.22 432	0.09 304	0.13 384
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 388	0.15 378	0.17 302	0.34 440	0.18 424	0.24 373	0.23 377	0.34 381	0.28 308	0.31 400	0.38 385	0.38 407	0.28 397	0.23 366	0.24 379	0.15 406	0.12 392	0.18 423	0.21 429	0.13 383	0.13 384

ETE_ROB	0.23 388	0.17 396	0.22 355	0.25 405	0.13 361	0.26 391	0.29 429	0.31 344	0.36 363	0.28 384	0.36 374	0.45 428	0.26 381	0.27 385	0.26 397	0.11 343	0.08 325	0.12 368	0.09 306	0.14 395	0.13 384

SGM_RVC	0.23 388	0.12 333	0.15 240	0.15 48	0.09 170	0.33 418	0.18 288	0.34 381	0.31 329	0.44 435	0.37 380	0.53 442	0.35 423	0.35 422	0.24 379	0.13 391	0.13 405	0.13 383	0.13 394	0.10 334	0.11 355
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.24 395	0.19 409	0.33 406	0.21 354	0.24 438	0.24 373	0.20 341	0.35 393	0.41 386	0.24 349	0.32 353	0.38 407	0.21 348	0.29 402	0.23 369	0.12 368	0.11 379	0.14 395	0.16 414	0.23 434	0.23 439

G-Net	0.24 395	0.16 385	0.36 415	0.22 369	0.16 403	0.51 444	0.23 377	0.29 322	0.34 352	0.36 414	0.38 385	0.31 375	0.29 405	0.27 385	0.26 397	0.11 343	0.09 350	0.12 368	0.09 306	0.16 416	0.13 384

NCC-stereo	0.24 395	0.15 378	0.31 400	0.26 411	0.16 403	0.20 333	0.30 436	0.40 419	0.40 383	0.24 349	0.38 385	0.33 386	0.28 397	0.36 427	0.27 404	0.12 368	0.11 379	0.15 406	0.22 432	0.13 383	0.13 384

Abc-Net	0.24 395	0.15 378	0.31 400	0.26 411	0.16 403	0.20 333	0.30 436	0.40 419	0.40 383	0.24 349	0.38 385	0.33 386	0.28 397	0.36 427	0.27 404	0.12 368	0.11 379	0.15 406	0.22 432	0.13 383	0.13 384
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 395	0.11 318	0.47 431	0.22 369	0.12 341	0.34 421	0.29 429	0.29 322	0.56 432	0.24 349	0.46 420	0.30 365	0.30 409	0.29 402	0.29 414	0.08 227	0.07 300	0.09 279	0.09 306	0.10 334	0.10 332

DeepPrunerF	0.24 395	0.17 396	0.42 425	0.26 411	0.16 403	0.22 355	0.28 420	0.37 404	0.50 420	0.26 366	0.29 336	0.24 314	0.28 397	0.21 344	0.22 359	0.15 406	0.11 379	0.20 427	0.18 425	0.12 367	0.13 384

FBW_ROB	0.24 395	0.17 396	0.22 355	0.26 411	0.14 379	0.25 383	0.22 368	0.41 425	0.41 386	0.41 428	0.41 408	0.42 421	0.27 389	0.31 406	0.23 369	0.09 281	0.14 412	0.14 395	0.12 385	0.11 352	0.09 311

SANet	0.24 395	0.14 372	0.28 387	0.21 354	0.11 310	0.27 398	0.24 387	0.38 411	0.64 445	0.36 414	0.40 398	0.43 424	0.26 381	0.27 385	0.24 379	0.12 368	0.09 350	0.10 323	0.09 306	0.13 383	0.11 355

WCMA_ROB	0.24 395	0.11 318	0.22 355	0.17 157	0.14 379	0.32 412	0.15 155	0.32 355	0.32 335	0.38 419	0.53 430	0.40 418	0.34 421	0.34 416	0.25 388	0.11 343	0.12 392	0.12 368	0.10 339	0.14 395	0.14 401

Wz-Net-SNSev	0.25 404	0.17 396	0.44 426	0.25 405	0.14 379	0.26 391	0.23 377	0.38 411	0.56 432	0.30 394	0.55 433	0.39 415	0.26 381	0.23 366	0.30 419	0.10 317	0.09 350	0.09 279	0.10 339	0.11 352	0.11 355

psmorigin	0.25 404	0.15 378	0.34 414	0.17 157	0.13 361	0.23 368	0.14 95	0.34 381	0.33 341	0.41 428	0.55 433	0.41 420	0.37 427	0.34 416	0.27 404	0.11 343	0.15 418	0.11 352	0.11 366	0.12 367	0.16 419

RGC	0.25 404	0.20 413	0.29 395	0.28 426	0.16 403	0.22 355	0.23 377	0.32 355	0.44 403	0.27 372	0.40 398	0.38 407	0.27 389	0.36 427	0.22 359	0.11 343	0.13 405	0.17 414	0.17 421	0.14 395	0.16 419

ADCMid	0.25 404	0.15 378	0.40 422	0.20 328	0.14 379	0.25 383	0.26 407	0.34 381	0.38 374	0.36 414	0.44 418	0.34 392	0.40 433	0.35 422	0.33 430	0.10 317	0.09 350	0.11 352	0.11 366	0.13 383	0.12 367

ADCPNet	0.25 404	0.16 385	0.61 444	0.21 354	0.15 393	0.35 429	0.25 400	0.32 355	0.35 359	0.30 394	0.40 398	0.36 398	0.28 397	0.28 396	0.32 427	0.12 368	0.10 369	0.11 352	0.12 385	0.14 395	0.13 384

LALA_ROB	0.25 404	0.16 385	0.22 355	0.26 411	0.17 418	0.27 398	0.27 414	0.42 430	0.37 369	0.33 410	0.38 385	0.51 438	0.26 381	0.28 396	0.27 404	0.16 422	0.09 350	0.12 368	0.11 366	0.13 383	0.12 367

SHD	0.26 410	0.15 378	0.30 398	0.24 395	0.18 424	0.22 355	0.15 155	0.38 411	0.71 452	0.32 406	0.41 408	0.36 398	0.28 397	0.32 411	0.29 414	0.12 368	0.11 379	0.14 395	0.13 394	0.16 416	0.20 434

AnyNet_C32	0.26 410	0.16 385	0.36 415	0.20 328	0.16 403	0.25 383	0.30 436	0.32 355	0.44 403	0.31 400	0.49 424	0.30 365	0.33 417	0.40 440	0.33 430	0.12 368	0.12 392	0.12 368	0.14 397	0.14 395	0.15 408

PDISCO_ROB	0.27 412	0.16 385	0.26 375	0.28 426	0.20 429	0.32 412	0.26 407	0.44 435	0.57 434	0.28 384	0.40 398	0.45 428	0.29 405	0.33 413	0.34 432	0.12 368	0.09 350	0.17 414	0.16 414	0.17 423	0.13 384

DispFullNet	0.27 412	0.21 419	0.65 447	0.28 426	0.16 403	0.26 391	0.17 245	0.33 372	0.58 437	0.27 372	0.38 385	0.43 424	0.23 363	0.38 433	0.23 369	0.12 368	0.06 232	0.19 425	0.11 366	0.21 431	0.15 408

MeshStereo	0.27 412	0.13 359	0.18 324	0.15 48	0.11 310	0.32 412	0.24 387	0.40 419	0.36 363	0.52 442	0.57 440	0.67 453	0.40 433	0.35 422	0.26 397	0.14 402	0.13 405	0.13 383	0.11 366	0.11 352	0.10 332
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	0.28 415	0.17 396	0.78 461	0.22 369	0.16 403	0.34 421	0.29 429	0.39 415	0.57 434	0.24 349	0.55 433	0.37 403	0.24 369	0.33 413	0.35 433	0.09 281	0.08 325	0.09 279	0.10 339	0.14 395	0.16 419

XQC	0.28 415	0.23 424	0.51 433	0.28 426	0.19 426	0.34 421	0.27 414	0.36 399	0.57 434	0.31 400	0.30 341	0.37 403	0.30 409	0.38 433	0.38 440	0.13 391	0.09 350	0.15 406	0.12 385	0.17 423	0.18 428

CC-Net-ROB	0.28 415	0.31 443	0.36 415	0.29 433	0.15 393	0.25 383	0.19 324	0.45 438	0.33 341	0.39 421	0.37 380	0.39 415	0.31 413	0.27 385	0.26 397	0.24 447	0.19 431	0.30 447	0.23 437	0.18 426	0.15 408

DPSNet	0.28 415	0.16 385	0.31 400	0.18 230	0.13 361	0.54 446	0.42 455	0.51 447	0.67 449	0.29 391	0.38 385	0.38 407	0.29 405	0.31 406	0.23 369	0.11 343	0.10 369	0.11 352	0.08 264	0.20 430	0.16 419

Wz-Net-TNSev	0.29 419	0.20 413	0.65 447	0.19 283	0.15 393	0.38 434	0.27 414	0.35 393	0.55 430	0.34 411	0.42 413	0.45 428	0.38 428	0.32 411	0.30 419	0.12 368	0.13 405	0.10 323	0.12 385	0.15 409	0.14 401

ccnet	0.29 419	0.28 438	0.23 364	0.20 328	0.28 445	0.41 437	0.21 358	0.45 438	0.33 341	0.36 414	0.46 420	0.36 398	0.30 409	0.39 436	0.42 448	0.23 445	0.14 412	0.21 428	0.17 421	0.23 434	0.18 428

EDNetEfficient	0.29 419	0.24 427	1.13 470	0.18 230	0.10 266	0.19 318	0.20 341	0.20 167	0.60 441	0.74 459	0.56 438	0.31 375	0.39 430	0.22 355	0.30 419	0.09 281	0.07 300	0.08 205	0.07 203	0.11 352	0.09 311

ADCS	0.29 419	0.18 406	0.45 427	0.21 354	0.17 418	0.28 404	0.23 377	0.41 425	0.63 444	0.40 424	0.49 424	0.40 418	0.36 425	0.39 436	0.40 444	0.13 391	0.12 392	0.13 383	0.14 397	0.16 416	0.16 419

CSAN	0.29 419	0.24 427	0.27 382	0.34 440	0.19 426	0.33 418	0.42 455	0.37 404	0.50 420	0.38 419	0.40 398	0.44 426	0.33 417	0.28 396	0.30 419	0.20 434	0.16 421	0.19 425	0.19 426	0.14 395	0.15 408

MFN_U_SF_DS_RVC	0.30 424	0.24 427	0.29 395	0.36 444	0.16 403	0.34 421	0.30 436	0.32 355	0.42 393	0.40 424	0.46 420	0.38 407	0.31 413	0.34 416	0.28 411	0.19 432	0.20 434	0.26 435	0.29 446	0.18 426	0.19 433

GANetREF_RVC	0.31 425	0.34 445	0.27 382	0.35 442	0.16 403	0.32 412	0.41 452	0.48 442	0.51 427	0.35 412	0.35 371	0.34 392	0.33 417	0.39 436	0.32 427	0.27 449	0.20 434	0.29 445	0.15 411	0.18 426	0.17 426
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	0.31 425	0.26 433	0.26 375	0.24 395	0.21 432	0.34 421	0.25 400	0.34 381	0.39 377	0.40 424	0.69 448	0.45 428	0.40 433	0.34 416	0.27 404	0.20 434	0.19 431	0.26 435	0.25 439	0.23 434	0.22 438

MFN_U_SF_RVC	0.32 427	0.21 419	0.55 438	0.30 435	0.15 393	0.34 421	0.17 245	0.52 448	0.46 410	0.46 439	0.55 433	0.59 445	0.39 430	0.35 422	0.37 438	0.15 406	0.14 412	0.18 423	0.21 429	0.16 416	0.15 408

PASM	0.32 427	0.24 427	0.48 432	0.28 426	0.27 444	0.29 407	0.30 436	0.34 381	0.49 417	0.35 412	0.39 393	0.46 432	0.34 421	0.34 416	0.35 433	0.23 445	0.25 446	0.26 435	0.28 445	0.23 434	0.21 436

SGM-ForestM	0.32 427	0.12 333	0.16 274	0.16 96	0.11 310	0.39 435	0.19 324	0.41 425	0.50 420	0.52 442	0.54 432	1.32 472	0.42 441	0.40 440	0.27 404	0.14 402	0.16 421	0.16 412	0.16 414	0.12 367	0.12 367

FC-DCNN v2	0.33 430	0.27 434	0.28 387	0.26 411	0.23 436	0.37 431	0.28 420	0.40 419	0.43 398	0.45 436	0.56 438	0.51 438	0.40 433	0.37 431	0.29 414	0.21 437	0.20 434	0.27 438	0.26 440	0.25 441	0.24 440

FCDSN-DC	0.33 430	0.28 438	0.28 387	0.30 435	0.24 438	0.39 435	0.28 420	0.42 430	0.42 393	0.43 434	0.53 430	0.51 438	0.41 438	0.36 427	0.30 419	0.21 437	0.20 434	0.27 438	0.26 440	0.25 441	0.24 440
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 430	0.27 434	0.28 387	0.26 411	0.23 436	0.37 431	0.28 420	0.40 419	0.43 398	0.45 436	0.55 433	0.51 438	0.40 433	0.37 431	0.30 419	0.21 437	0.20 434	0.27 438	0.26 440	0.25 441	0.24 440

LSM	0.33 430	0.20 413	0.58 442	0.26 411	0.60 467	0.34 421	0.25 400	0.42 430	0.48 412	0.45 436	0.58 442	0.42 421	0.36 425	0.35 422	0.25 388	0.12 368	0.20 434	0.14 395	0.16 414	0.19 429	0.33 454

AnyNet_C01	0.36 434	0.25 432	1.37 473	0.22 369	0.17 418	0.48 442	0.27 414	0.35 393	0.39 377	0.39 421	0.74 454	0.46 432	0.38 428	0.45 444	0.47 453	0.13 391	0.13 405	0.13 383	0.14 397	0.14 395	0.15 408

GCST	0.37 435	0.42 452	0.26 375	1.02 476	0.39 451	0.18 296	0.08 3	0.20 167	0.17 139	0.28 384	0.25 289	0.15 196	0.12 186	0.16 246	0.14 242	0.64 469	0.43 457	0.75 466	0.65 469	0.63 463	0.46 462

otaku	0.39 436	0.37 448	0.52 434	0.44 450	0.28 445	0.58 448	0.24 387	0.41 425	0.62 443	0.40 424	0.49 424	0.46 432	0.33 417	0.40 440	0.32 427	0.30 450	0.30 450	0.39 451	0.33 451	0.29 447	0.28 448

ACVNet-4b	0.39 436	0.53 455	0.55 438	0.45 451	0.24 438	0.47 440	0.18 288	0.49 444	0.64 445	0.42 431	0.45 419	0.60 446	0.27 389	0.34 416	0.24 379	0.33 452	0.14 412	0.48 455	0.42 455	0.30 448	0.26 447

PVD	0.39 436	0.20 413	0.39 421	0.31 439	0.22 434	0.29 407	0.43 457	0.52 448	0.96 465	0.55 445	0.79 458	0.53 442	0.59 455	0.52 450	0.38 440	0.19 432	0.14 412	0.17 414	0.14 397	0.24 440	0.31 452

Ntro	0.40 439	0.40 450	0.53 435	0.46 454	0.30 449	0.65 454	0.24 387	0.46 440	0.68 450	0.41 428	0.49 424	0.48 436	0.42 441	0.39 436	0.31 426	0.32 451	0.28 448	0.37 450	0.30 448	0.32 452	0.29 449

SAMSARA	0.40 439	0.28 438	0.33 406	0.55 457	0.39 451	0.82 468	1.23 482	0.47 441	0.51 427	0.36 414	0.35 371	0.55 444	0.39 430	0.38 433	0.39 442	0.15 406	0.20 434	0.15 406	0.14 397	0.23 434	0.20 434

ELAS_RVC	0.41 441	0.29 441	0.33 406	0.28 426	0.24 438	0.54 446	0.36 447	0.49 444	0.59 438	0.72 455	0.74 454	0.65 451	0.54 449	0.54 454	0.40 444	0.22 441	0.20 434	0.27 438	0.26 440	0.26 445	0.25 445
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 441	0.29 441	0.33 406	0.27 423	0.24 438	0.60 451	0.36 447	0.50 446	0.50 420	0.71 453	0.79 458	0.67 453	0.54 449	0.51 448	0.42 448	0.22 441	0.20 434	0.27 438	0.26 440	0.26 445	0.25 445
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 443	0.39 449	0.54 436	0.40 446	0.20 429	0.64 453	0.32 444	0.53 450	0.72 453	0.71 453	0.72 451	0.61 447	0.54 449	0.51 448	0.46 452	0.20 434	0.19 431	0.29 445	0.30 448	0.23 434	0.18 428

ACVNet_1	0.44 444	0.49 454	0.60 443	0.45 451	0.28 445	0.49 443	0.27 414	0.57 455	0.72 453	0.62 448	0.58 442	0.74 457	0.49 447	0.50 447	0.35 433	0.26 448	0.24 445	0.39 451	0.29 446	0.31 451	0.24 440

Consistency-Raft	0.44 444	0.40 450	0.45 427	0.37 445	0.43 455	0.46 438	0.41 452	0.57 455	0.55 430	0.32 406	0.73 452	0.33 386	0.48 446	0.42 443	0.49 455	0.39 454	0.35 454	0.45 453	0.51 462	0.42 454	0.29 449

RTS	0.45 446	0.19 409	3.26 478	0.24 395	0.15 393	0.74 461	0.20 341	0.36 399	0.76 458	0.42 431	0.43 416	0.31 375	0.41 438	0.53 452	0.35 433	0.10 317	0.08 325	0.13 383	0.12 385	0.15 409	0.15 408

RTSA	0.45 446	0.19 409	3.26 478	0.24 395	0.15 393	0.74 461	0.20 341	0.36 399	0.76 458	0.42 431	0.43 416	0.31 375	0.41 438	0.53 452	0.35 433	0.10 317	0.08 325	0.13 383	0.12 385	0.15 409	0.15 408

MANE	0.45 446	0.27 434	0.27 382	0.27 423	0.24 438	0.47 440	0.31 442	0.55 452	0.59 438	0.72 455	1.13 474	1.15 466	0.61 456	0.52 450	0.37 438	0.21 437	0.20 434	0.27 438	0.31 450	0.25 441	0.24 440

NVStereoNet_ROB	0.46 449	0.36 447	0.46 430	0.41 448	0.28 445	0.34 421	0.34 445	0.48 442	0.60 441	0.72 455	0.93 463	0.70 456	0.66 459	0.47 445	0.60 462	0.22 441	0.33 453	0.34 449	0.34 453	0.30 448	0.30 451
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	0.50 450	0.07 95	0.14 191	0.15 48	0.08 66	0.24 373	0.16 215	0.22 205	1.81 481	4.63 484	0.67 446	0.47 435	0.44 443	0.20 328	0.29 414	0.07 172	0.06 232	0.06 46	0.06 119	0.08 247	0.06 136

BEATNet-Init1	0.52 451	0.27 434	0.62 445	0.30 435	0.21 432	0.76 465	0.29 429	0.54 451	0.65 447	0.86 464	0.95 465	2.07 481	0.62 458	0.56 456	0.42 448	0.18 428	0.18 428	0.23 433	0.22 432	0.22 433	0.21 436

anonymity	0.53 452	0.58 457	0.65 447	0.41 448	0.61 468	0.53 445	0.41 452	0.56 453	0.41 386	0.55 445	0.50 428	0.49 437	0.55 452	0.58 457	0.50 458	0.58 465	0.50 467	0.51 457	0.51 462	0.51 456	0.57 464

RainbowNet	0.54 453	0.61 459	0.70 459	0.57 458	0.43 455	0.65 454	0.37 450	0.60 457	0.87 462	0.50 441	0.66 445	0.64 449	0.47 445	0.49 446	0.43 451	0.47 460	0.48 463	0.52 459	0.41 454	0.52 457	0.40 459

SGM+DAISY	0.56 454	0.57 456	0.65 447	0.40 446	0.54 460	0.66 456	0.49 459	0.56 453	0.45 409	0.66 449	0.69 448	0.67 453	0.56 453	0.63 459	0.56 460	0.59 466	0.48 463	0.50 456	0.50 461	0.52 457	0.58 465

SPS-STEREO	0.57 455	0.58 457	0.65 447	0.45 451	0.55 462	0.62 452	0.44 458	0.62 458	0.50 420	0.68 451	0.64 444	0.66 452	0.57 454	0.61 458	0.60 462	0.62 468	0.47 462	0.51 457	0.49 459	0.55 461	0.58 465
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 456	0.66 463	0.65 447	0.51 455	0.69 472	0.69 457	0.57 465	0.64 459	0.73 456	0.60 447	0.73 452	0.62 448	0.67 460	0.65 460	0.60 462	0.66 470	0.58 476	0.63 461	0.59 465	0.68 468	0.69 474

IMH-64-1	0.65 457	0.61 459	0.68 455	0.71 461	0.51 458	0.59 449	0.49 459	0.91 466	0.85 460	0.74 459	1.02 467	0.81 458	0.78 464	0.79 463	0.49 455	0.42 456	0.46 458	0.71 463	0.47 457	0.52 457	0.39 457

IMH-64	0.65 457	0.61 459	0.68 455	0.71 461	0.51 458	0.59 449	0.49 459	0.91 466	0.85 460	0.74 459	1.02 467	0.81 458	0.78 464	0.79 463	0.49 455	0.42 456	0.46 458	0.71 463	0.47 457	0.52 457	0.39 457

ACVNet_2	0.66 459	0.66 463	0.68 455	0.63 459	0.41 453	0.71 459	0.49 459	0.96 470	1.39 474	0.89 465	1.09 470	1.04 462	0.73 462	0.54 454	0.47 453	0.43 458	0.40 456	0.53 460	0.44 456	0.47 455	0.35 456

JetBlue	0.71 460	0.45 453	1.14 471	0.51 455	0.47 457	2.02 482	0.64 469	0.75 461	0.70 451	0.69 452	0.77 457	1.22 468	0.83 466	1.03 478	1.01 478	0.40 455	0.28 448	0.33 448	0.33 451	0.30 448	0.34 455

IMH	0.71 460	0.64 462	0.68 455	0.76 463	0.54 460	0.69 457	0.54 463	0.98 472	1.10 467	0.82 463	1.09 470	0.89 460	0.88 469	0.87 471	0.52 459	0.44 459	0.50 467	0.75 466	0.51 462	0.56 462	0.41 460

PWCK	0.71 460	0.94 474	0.95 468	0.76 463	0.31 450	0.74 461	0.36 447	0.90 465	0.90 463	0.96 468	0.75 456	0.95 461	0.61 456	0.87 471	0.66 465	0.72 471	0.46 458	0.75 466	0.49 459	0.69 470	0.44 461

MADNet+	0.75 463	0.71 465	3.70 481	0.66 460	0.41 453	0.98 473	0.97 480	0.69 460	0.73 456	0.52 442	0.57 440	0.64 449	0.68 461	0.86 470	1.01 478	0.34 453	0.36 455	0.28 444	0.23 437	0.36 453	0.31 452

TorneroNet-64	0.76 464	0.72 466	0.74 460	0.78 465	0.58 466	0.91 472	0.56 464	0.84 464	1.29 471	0.66 449	0.90 461	1.40 474	0.75 463	0.85 469	0.67 468	0.49 461	0.46 458	0.72 465	0.59 465	0.67 467	0.53 463

WAO-7	0.79 465	0.78 468	0.54 436	0.85 469	0.67 471	0.74 461	0.68 473	1.05 475	1.32 472	0.90 466	1.20 477	1.04 462	0.92 470	0.69 461	0.66 465	0.60 467	0.62 477	0.67 462	0.68 471	0.64 464	0.58 465

WAO-6	0.81 466	0.80 469	0.62 445	0.86 470	0.63 469	0.76 465	0.58 466	0.98 472	1.54 479	0.90 466	0.96 466	1.07 464	1.03 474	0.70 462	0.66 465	0.72 471	0.49 465	0.90 474	0.71 472	0.68 468	0.58 465

TorneroNet	0.82 467	0.74 467	0.81 465	0.84 468	0.63 469	0.99 474	0.63 467	0.96 470	1.16 468	0.80 462	1.11 472	1.36 473	0.86 468	0.93 474	0.80 473	0.56 463	0.49 465	0.78 471	0.66 470	0.73 473	0.63 473

LVE	0.83 468	0.85 472	0.85 466	0.80 466	0.56 463	1.04 478	0.65 470	1.05 475	1.47 477	0.96 468	1.22 478	1.10 465	0.85 467	0.83 466	0.71 470	0.49 461	0.55 473	0.76 469	0.60 467	0.65 465	0.59 470

Dean	0.87 469	0.86 473	0.79 463	0.81 467	0.56 463	0.90 469	0.63 467	1.15 480	1.73 480	1.15 475	1.15 475	1.31 471	0.99 473	0.81 465	0.81 474	0.57 464	0.56 474	0.77 470	0.64 468	0.66 466	0.58 465

WAO-8	0.91 470	0.81 470	0.65 447	0.94 473	0.69 472	0.90 469	0.67 471	1.07 477	1.83 482	1.06 473	1.45 480	1.30 469	1.07 475	0.84 467	0.78 471	0.74 473	0.53 470	0.86 472	0.75 473	0.69 470	0.62 471

Venus	0.91 470	0.81 470	0.65 447	0.94 473	0.69 472	0.90 469	0.67 471	1.07 477	1.83 482	1.06 473	1.45 480	1.30 469	1.07 475	0.84 467	0.78 471	0.74 473	0.53 470	0.86 472	0.75 473	0.69 470	0.62 471

UNDER WATER-64	0.95 472	0.94 474	1.43 475	0.87 471	0.56 463	1.18 481	0.87 477	0.77 462	0.94 464	1.04 471	0.85 460	1.58 479	1.21 480	0.94 475	0.96 476	0.87 477	0.57 475	1.03 477	0.88 478	0.78 474	0.73 475

UNDER WATER	0.97 473	0.97 476	1.42 474	0.99 475	0.70 475	1.12 480	0.84 476	0.80 463	1.08 466	1.01 470	0.90 461	1.55 478	1.22 481	1.03 478	1.00 477	0.78 475	0.53 470	1.02 476	0.87 477	0.80 475	0.74 476

notaker	0.97 473	1.11 477	0.98 469	1.13 478	0.81 476	0.73 460	0.68 473	0.93 468	1.16 468	1.18 477	1.18 476	1.41 475	1.16 479	1.08 480	0.69 469	0.81 476	0.64 478	1.17 478	0.79 475	0.98 477	0.80 478

ktn	1.01 475	1.21 479	0.80 464	1.23 480	0.86 478	1.01 476	0.87 477	0.94 469	1.39 474	1.04 471	1.12 473	1.15 466	1.07 475	0.94 475	0.59 461	1.28 481	0.71 479	1.38 482	0.83 476	1.02 479	0.75 477

KSHMR	1.09 476	1.17 478	0.88 467	1.25 481	1.00 480	0.99 474	0.96 479	1.13 479	1.37 473	1.16 476	1.29 479	1.41 475	0.96 472	1.01 477	0.92 475	1.03 479	1.08 481	1.20 479	1.03 481	1.01 478	0.97 480

DPSimNet_ROB	1.11 477	1.23 480	0.78 461	1.13 478	0.88 479	1.10 479	1.13 481	1.16 481	1.23 470	1.43 479	1.02 467	1.41 475	1.10 478	0.90 473	1.60 480	1.46 482	0.51 469	1.21 480	1.03 481	0.90 476	1.01 482

HanzoNet	1.29 478	1.26 481	1.19 472	1.12 477	0.85 477	1.02 477	0.83 475	1.03 474	1.48 478	1.64 480	1.61 482	2.50 483	1.72 482	1.61 482	1.61 481	1.26 480	0.80 480	1.31 481	1.01 480	1.02 479	0.86 479

JetRed	1.62 479	1.46 482	2.98 477	0.92 472	1.21 481	4.99 484	1.53 484	1.27 482	1.39 474	1.83 481	1.74 483	1.60 480	0.95 471	1.41 481	2.45 484	0.90 478	1.60 482	0.93 475	0.90 479	1.35 481	0.99 481

MADNet++	1.95 480	1.75 483	1.59 476	1.82 482	1.69 483	2.33 483	1.40 483	2.35 483	2.09 484	2.57 483	2.36 484	2.24 482	2.17 483	2.28 483	2.34 483	1.87 483	1.66 483	1.54 483	1.34 483	1.92 482	1.77 484

coex-ft	3.30 481	0.34 445	59.09 500	0.18 230	0.13 361	0.26 391	0.22 368	0.27 295	0.72 453	1.90 482	0.70 450	0.44 426	0.45 444	0.29 402	0.41 447	0.09 281	0.09 350	0.12 368	0.09 306	0.14 395	0.13 384

tt	4.67 482	0.06 34	3.55 480	2.02 483	1.55 482	10.25 488	16.71 488	8.91 491	5.03 485	1.31 478	0.94 464	4.71 484	4.76 484	3.33 484	5.87 486	6.06 490	10.30 494	1.88 484	2.11 485	2.75 483	1.21 483

xxxxx1	7.79 483	5.02 488	7.31 484	3.12 484	3.85 485	16.35 491	22.88 489	5.86 488	8.69 487	7.97 487	8.54 485	9.12 489	8.27 487	10.18 489	10.92 487	2.42 484	2.45 485	3.56 487	12.37 491	3.77 484	3.06 486

tt_ll	7.79 483	5.02 488	7.31 484	3.12 484	3.85 485	16.35 491	22.88 489	5.86 488	8.69 487	7.97 487	8.54 485	9.12 489	8.27 487	10.18 489	10.92 487	2.42 484	2.45 485	3.56 487	12.37 491	3.77 484	3.06 486

ff	7.79 483	5.02 488	7.31 484	3.12 484	3.85 485	16.35 491	22.88 489	5.86 488	8.69 487	7.97 487	8.54 485	9.12 489	8.27 487	10.18 489	10.92 487	2.42 484	2.45 485	3.56 487	12.37 491	3.77 484	3.06 486

EDNetEfficientorigin	7.91 486	0.31 443	153.02 501	0.19 283	0.09 170	0.21 347	0.16 215	0.22 205	0.59 438	0.72 455	0.67 446	0.42 421	0.50 448	0.24 375	0.39 442	0.08 227	0.07 300	0.08 205	0.07 203	0.12 367	0.10 332

DPSMNet_ROB	8.06 487	4.48 486	8.63 490	5.37 489	10.74 491	8.32 486	22.98 493	5.46 485	13.36 492	5.12 485	9.92 488	5.08 485	10.40 490	5.53 487	12.58 490	3.80 488	8.00 489	3.50 485	7.02 488	3.83 487	7.14 490

DGTPSM_ROB	8.06 487	4.48 486	8.63 490	5.35 487	10.72 490	8.32 486	22.97 492	5.46 485	13.35 491	5.12 485	9.92 488	5.08 485	10.40 490	5.52 486	12.58 490	3.79 487	8.00 489	3.50 485	7.02 488	3.83 487	7.14 490

PML	8.91 489	9.34 494	6.13 482	5.35 487	6.41 488	14.99 490	23.38 494	5.27 484	6.83 486	18.04 495	28.19 500	7.67 487	6.83 486	7.85 488	5.75 485	5.35 489	1.83 484	5.95 493	1.93 484	8.64 491	2.52 485

DLNR_Zeroshot_test	10.40 490	1.82 484	19.49 496	120.77 501	13.11 494	0.06 4	0.13 59	0.23 222	0.10 12	0.07 5	0.10 60	0.09 66	0.06 13	0.10 27	0.09 29	0.13 391	0.04 2	0.06 46	0.04 13	51.54 500	0.04 12

LRCNet_RVC	10.62 491	13.42 495	7.30 483	18.92 494	2.07 484	0.33 418	0.30 436	5.59 487	0.48 412	13.03 493	17.94 494	8.87 488	5.65 485	4.79 485	1.89 482	23.51 498	2.73 488	27.55 499	25.71 499	16.07 496	16.33 497

Anonymous_1	10.96 492	7.92 491	7.46 487	10.33 490	10.06 489	18.65 495	26.34 495	11.06 492	13.44 493	9.40 490	10.05 490	9.67 492	11.23 492	10.73 492	12.72 492	6.42 491	8.38 491	5.77 490	10.61 490	12.12 492	6.77 489

DPSM_ROB	11.15 493	8.58 492	8.00 488	10.88 491	11.58 492	19.10 496	26.71 496	12.05 493	14.07 494	10.36 491	10.84 491	10.33 493	11.86 493	11.70 493	13.54 493	6.99 492	8.79 492	5.89 491	6.95 486	7.29 489	7.42 492

DPSM	11.15 493	8.58 492	8.00 488	10.88 491	11.58 492	19.10 496	26.71 496	12.05 493	14.07 494	10.36 491	10.84 491	10.33 493	11.86 493	11.70 493	13.54 493	6.99 492	8.79 492	5.89 491	6.95 486	7.29 489	7.42 492

HaxPig	15.71 495	18.52 499	19.18 495	16.89 493	15.89 495	7.73 485	7.60 485	13.31 495	10.82 490	15.42 494	14.91 493	15.98 495	14.92 495	15.58 495	15.98 495	18.95 497	16.73 495	19.46 497	18.08 497	19.26 497	19.05 498

MEDIAN_ROB	20.38 496	24.04 500	23.31 497	21.23 495	21.71 496	10.40 489	7.92 486	17.64 496	15.50 496	20.12 496	19.70 495	20.34 496	20.32 496	21.19 496	21.13 496	23.81 499	21.81 499	24.98 498	23.76 498	24.71 498	23.93 499

CasAABBNet	22.42 497	17.33 497	16.01 492	22.01 496	23.28 497	38.32 498	53.80 499	24.14 498	28.41 499	20.60 497	21.77 497	20.89 498	23.91 498	23.43 497	27.36 498	14.07 494	17.69 497	11.83 495	14.01 495	14.67 493	14.95 495

Selective-RAFT-Error	22.47 498	17.37 498	16.09 493	22.06 497	23.34 498	38.39 499	53.83 500	24.29 500	28.47 500	20.74 498	21.83 498	20.81 497	23.90 497	23.54 499	27.53 500	14.08 495	17.69 497	11.82 494	14.00 494	14.69 494	15.00 496

LSM0	22.87 499	17.28 496	18.96 494	22.19 498	29.04 500	38.42 500	53.71 498	24.28 499	28.31 498	20.78 499	21.00 496	21.43 499	24.16 499	23.50 498	27.39 499	14.09 496	17.38 496	11.84 496	14.04 496	14.73 495	14.89 494

AVERAGE_ROB	24.90 500	29.20 501	28.14 498	24.89 499	24.64 499	17.75 494	11.12 487	21.45 497	19.93 497	25.12 500	24.46 499	25.12 500	25.46 500	24.69 500	22.83 497	29.76 500	27.13 500	28.97 500	27.95 500	29.91 499	29.47 500

test_example2	98.32 501	94.13 502	45.89 499	96.35 500	109.85 501	88.61 501	95.45 501	25.75 501	94.37 501	130.00 502	126.06 501	58.17 501	74.63 501	88.51 501	79.96 501	150.23 501	221.02 501	77.62 501	99.10 501	113.75 501	96.94 501

ccccc		285.66 503		368.85 502	370.60 502	123.16 502		115.05 502		126.68 501		122.83 502		252.94 502		384.56 502	353.86 502	254.69 502	223.00 502	425.87 502

ASD4		3.38 485

Low-res two-view benchmark