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

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

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

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




Method Infoalllakes. 1llakes. 1ssand box 1lsand box 1sstora. room 1lstora. room 1sstora. room 2lstora. room 2sstora. room 2 1lstora. room 2 1sstora. room 2 2lstora. room 2 2sstora. room 3lstora. room 3stunnel 1ltunnel 1stunnel 2ltunnel 2stunnel 3ltunnel 3s
sorted bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort by
MLCVtwo views0.12
1
0.07
1
0.16
14
0.18
17
0.06
1
0.15
3
0.17
19
0.19
1
0.21
3
0.18
4
0.25
9
0.17
3
0.13
1
0.14
2
0.13
1
0.05
1
0.04
1
0.05
1
0.04
1
0.05
1
0.04
1
iResNettwo views0.13
2
0.10
10
0.18
22
0.19
24
0.08
4
0.13
1
0.18
22
0.20
2
0.26
8
0.15
1
0.23
4
0.15
2
0.13
1
0.14
2
0.14
4
0.06
3
0.04
1
0.06
4
0.05
5
0.06
3
0.05
2
DN-CSS_ROBtwo views0.13
2
0.13
27
0.16
14
0.18
17
0.10
13
0.16
6
0.08
1
0.22
3
0.18
1
0.17
3
0.22
2
0.13
1
0.13
1
0.12
1
0.13
1
0.05
1
0.05
3
0.10
15
0.10
22
0.08
8
0.06
4
iResNetv2_ROBtwo views0.14
4
0.08
6
0.15
7
0.16
7
0.08
4
0.16
6
0.12
5
0.25
7
0.35
23
0.21
9
0.29
16
0.24
11
0.13
1
0.14
2
0.14
4
0.06
3
0.05
3
0.06
4
0.04
1
0.09
13
0.08
16
iResNet_ROBtwo views0.14
4
0.07
1
0.13
2
0.14
2
0.07
2
0.18
11
0.14
11
0.26
8
0.31
16
0.22
13
0.25
9
0.23
10
0.15
6
0.15
5
0.13
1
0.07
6
0.05
3
0.05
1
0.04
1
0.08
8
0.08
16
ccs_robtwo views0.14
4
0.07
1
0.14
3
0.13
1
0.09
7
0.19
14
0.14
11
0.24
5
0.20
2
0.21
9
0.28
13
0.21
6
0.15
6
0.19
9
0.16
9
0.09
13
0.06
10
0.07
7
0.05
5
0.09
13
0.07
9
CPSMnettwo views0.15
7
0.08
6
0.12
1
0.16
7
0.12
28
0.14
2
0.12
5
0.27
11
0.33
20
0.19
5
0.24
7
0.18
4
0.18
11
0.18
7
0.25
32
0.09
13
0.11
32
0.09
11
0.08
12
0.08
8
0.10
25
HSMtwo views0.15
7
0.08
6
0.14
3
0.16
7
0.09
7
0.16
6
0.14
11
0.28
13
0.25
7
0.19
5
0.23
4
0.37
31
0.16
9
0.20
11
0.15
6
0.07
6
0.05
3
0.07
7
0.06
7
0.07
4
0.06
4
pmcnntwo views0.15
7
0.07
1
0.19
27
0.15
3
0.07
2
0.20
16
0.15
14
0.24
5
0.26
8
0.21
9
0.34
26
0.28
19
0.18
11
0.18
7
0.17
12
0.07
6
0.05
3
0.05
1
0.04
1
0.07
4
0.06
4
AdaStereotwo views0.16
10
0.11
15
0.24
37
0.18
17
0.09
7
0.20
16
0.11
2
0.32
19
0.28
10
0.24
17
0.23
4
0.24
11
0.13
1
0.21
16
0.15
6
0.12
28
0.05
3
0.10
15
0.07
9
0.09
13
0.07
9
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. ArXiv
DeepPruner_ROBtwo views0.16
10
0.11
15
0.15
7
0.17
13
0.10
13
0.17
9
0.15
14
0.32
19
0.21
3
0.19
5
0.21
1
0.22
8
0.18
11
0.20
11
0.15
6
0.13
35
0.09
24
0.09
11
0.09
17
0.11
26
0.10
25
CPSMnet_ROBtwo views0.17
12
0.12
22
0.18
22
0.20
26
0.09
7
0.24
26
0.12
5
0.41
40
0.35
23
0.21
9
0.25
9
0.20
5
0.19
16
0.17
6
0.19
17
0.06
3
0.06
10
0.08
10
0.07
9
0.05
1
0.05
2
StereoDRNet-Refinedtwo views0.17
12
0.12
22
0.15
7
0.20
26
0.09
7
0.18
11
0.18
22
0.26
8
0.23
5
0.26
23
0.40
37
0.22
8
0.17
10
0.21
16
0.20
19
0.08
10
0.05
3
0.09
11
0.10
22
0.07
4
0.07
9
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROBtwo views0.18
14
0.10
10
0.15
7
0.23
34
0.11
19
0.24
26
0.18
22
0.29
14
0.28
10
0.27
24
0.28
13
0.28
19
0.24
28
0.19
9
0.20
19
0.08
10
0.08
19
0.09
11
0.09
17
0.07
4
0.07
9
StereoDRNettwo views0.18
14
0.11
15
0.17
17
0.22
31
0.11
19
0.21
20
0.22
31
0.37
35
0.33
20
0.24
17
0.28
13
0.30
24
0.19
16
0.20
11
0.20
19
0.09
13
0.08
19
0.11
22
0.09
17
0.09
13
0.07
9
SUWNettwo views0.18
14
0.10
10
0.14
3
0.21
28
0.10
13
0.18
11
0.17
19
0.34
28
0.33
20
0.22
13
0.31
20
0.28
19
0.18
11
0.23
22
0.17
12
0.12
28
0.08
19
0.12
26
0.11
28
0.09
13
0.07
9
NVstereo2Dtwo views0.19
17
0.10
10
0.15
7
0.17
13
0.15
37
0.28
37
0.23
35
0.44
47
0.42
36
0.15
1
0.27
12
0.25
13
0.19
16
0.22
20
0.17
12
0.09
13
0.06
10
0.10
15
0.08
12
0.15
43
0.09
19
CBMVpermissivetwo views0.19
17
0.14
31
0.17
17
0.18
17
0.10
13
0.20
16
0.11
2
0.29
14
0.30
14
0.29
30
0.30
18
0.30
24
0.23
24
0.27
28
0.19
17
0.13
35
0.15
39
0.17
41
0.16
39
0.10
22
0.10
25
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
DRN-Testtwo views0.19
17
0.11
15
0.20
29
0.22
31
0.10
13
0.22
23
0.22
31
0.39
38
0.37
27
0.24
17
0.32
23
0.26
15
0.21
20
0.22
20
0.24
28
0.11
21
0.07
17
0.11
22
0.10
22
0.09
13
0.07
9
CBMV_ROBtwo views0.19
17
0.13
27
0.17
17
0.16
7
0.11
19
0.15
3
0.13
9
0.26
8
0.28
10
0.27
24
0.30
18
0.27
17
0.24
28
0.23
22
0.16
9
0.15
41
0.17
43
0.22
46
0.20
44
0.10
22
0.11
30
ccstwo views0.19
17
0.19
42
0.20
29
0.21
28
0.16
39
0.17
9
0.11
2
0.35
34
0.23
5
0.25
21
0.24
7
0.34
30
0.22
22
0.28
32
0.26
36
0.09
13
0.06
10
0.16
39
0.11
28
0.13
35
0.06
4
DISCOtwo views0.19
17
0.09
9
0.22
31
0.17
13
0.10
13
0.25
31
0.18
22
0.27
11
0.44
37
0.22
13
0.31
20
0.33
29
0.26
31
0.28
32
0.28
44
0.08
10
0.06
10
0.07
7
0.07
9
0.09
13
0.09
19
NOSS_ROBtwo views0.19
17
0.12
22
0.18
22
0.16
7
0.12
28
0.15
3
0.12
5
0.30
17
0.32
18
0.20
8
0.22
2
0.27
17
0.23
24
0.21
16
0.16
9
0.16
45
0.18
45
0.23
47
0.21
45
0.12
32
0.13
37
SGM-Foresttwo views0.20
24
0.14
31
0.18
22
0.19
24
0.13
30
0.20
16
0.22
31
0.33
23
0.30
14
0.24
17
0.29
16
0.28
19
0.19
16
0.23
22
0.17
12
0.15
41
0.16
40
0.15
37
0.14
38
0.12
32
0.12
33
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
PWCDC_ROBbinarytwo views0.20
24
0.13
27
0.22
31
0.24
35
0.11
19
0.19
14
0.15
14
0.33
23
0.54
48
0.29
30
0.50
43
0.21
6
0.15
6
0.27
28
0.20
19
0.11
21
0.09
24
0.10
15
0.08
12
0.11
26
0.09
19
PSMNet_ROBtwo views0.21
26
0.11
15
0.15
7
0.27
44
0.15
37
0.24
26
0.35
48
0.43
45
0.37
27
0.27
24
0.32
23
0.32
26
0.22
22
0.21
16
0.26
36
0.12
28
0.08
19
0.13
31
0.11
28
0.09
13
0.09
19
PWC_ROBbinarytwo views0.21
26
0.16
35
0.26
39
0.18
17
0.11
19
0.22
23
0.13
9
0.32
19
0.49
41
0.30
33
0.40
37
0.32
26
0.24
28
0.31
37
0.22
24
0.10
20
0.07
17
0.11
22
0.08
12
0.11
26
0.10
25
MDST_ROBtwo views0.22
28
0.10
10
0.17
17
0.18
17
0.11
19
0.37
48
0.19
27
0.43
45
0.41
33
0.39
42
0.39
34
0.29
23
0.21
20
0.26
26
0.18
16
0.11
21
0.10
29
0.14
34
0.11
28
0.10
22
0.08
16
NaN_ROBtwo views0.22
28
0.19
42
0.24
37
0.25
38
0.13
30
0.29
38
0.26
41
0.33
23
0.41
33
0.31
35
0.31
20
0.32
26
0.23
24
0.30
36
0.21
23
0.11
21
0.17
43
0.10
15
0.10
22
0.08
8
0.09
19
XPNet_ROBtwo views0.22
28
0.11
15
0.19
27
0.22
31
0.13
30
0.22
23
0.19
27
0.34
28
0.40
32
0.30
33
0.39
34
0.39
34
0.26
31
0.26
26
0.28
44
0.15
41
0.10
29
0.10
15
0.10
22
0.13
35
0.12
33
ETE_ROBtwo views0.23
31
0.17
39
0.22
31
0.25
38
0.13
30
0.26
33
0.29
44
0.31
18
0.36
25
0.28
28
0.36
28
0.45
41
0.26
31
0.27
28
0.26
36
0.11
21
0.08
19
0.12
26
0.09
17
0.14
40
0.13
37
CC-Nettwo views0.23
31
0.18
41
0.33
46
0.28
46
0.22
47
0.21
20
0.38
52
0.29
14
0.39
30
0.22
13
0.32
23
0.25
13
0.26
31
0.20
11
0.25
32
0.09
13
0.23
51
0.15
37
0.22
47
0.09
13
0.13
37
SGM_ROBbinarytwo views0.23
31
0.12
22
0.15
7
0.15
3
0.09
7
0.33
43
0.18
22
0.34
28
0.31
16
0.44
45
0.37
29
0.53
47
0.35
44
0.35
45
0.24
28
0.13
35
0.13
36
0.13
31
0.13
36
0.10
22
0.11
30
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
NCCL2two views0.23
31
0.15
34
0.17
17
0.34
51
0.18
43
0.24
26
0.23
35
0.34
28
0.28
10
0.31
35
0.38
30
0.38
32
0.28
38
0.23
22
0.24
28
0.15
41
0.12
33
0.18
43
0.21
45
0.13
35
0.13
37
Anonymous Stereotwo views0.23
31
0.19
42
0.50
51
0.24
35
0.17
41
0.21
20
0.21
30
0.33
23
0.44
37
0.25
21
0.34
26
0.26
15
0.18
11
0.31
37
0.27
40
0.13
35
0.12
33
0.12
26
0.13
36
0.11
26
0.14
42
SANettwo views0.24
36
0.14
31
0.28
43
0.21
28
0.11
19
0.27
35
0.24
37
0.38
37
0.64
53
0.36
39
0.40
37
0.43
38
0.26
31
0.27
28
0.24
28
0.12
28
0.09
24
0.10
15
0.09
17
0.13
35
0.11
30
FBW_ROBtwo views0.24
36
0.17
39
0.22
31
0.26
40
0.14
35
0.25
31
0.22
31
0.41
40
0.41
33
0.41
44
0.41
42
0.42
36
0.27
37
0.31
37
0.23
25
0.09
13
0.14
38
0.14
34
0.12
35
0.11
26
0.09
19
WCMA_ROBtwo views0.24
36
0.11
15
0.22
31
0.17
13
0.14
35
0.32
40
0.15
14
0.32
19
0.32
18
0.38
40
0.53
44
0.40
35
0.34
42
0.34
42
0.25
32
0.11
21
0.12
33
0.12
26
0.10
22
0.14
40
0.14
42
LALA_ROBtwo views0.25
39
0.16
35
0.22
31
0.26
40
0.17
41
0.27
35
0.27
43
0.42
43
0.37
27
0.33
37
0.38
30
0.51
46
0.26
31
0.28
32
0.27
40
0.16
45
0.09
24
0.12
26
0.11
28
0.13
35
0.12
33
MeshStereopermissivetwo views0.27
40
0.13
27
0.18
22
0.15
3
0.11
19
0.32
40
0.24
37
0.40
39
0.36
25
0.52
47
0.57
46
0.67
51
0.40
46
0.35
45
0.26
36
0.14
39
0.13
36
0.13
31
0.11
28
0.11
26
0.10
25
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
PDISCO_ROBtwo views0.27
40
0.16
35
0.26
39
0.28
46
0.20
45
0.32
40
0.26
41
0.44
47
0.57
49
0.28
28
0.40
37
0.45
41
0.29
39
0.33
41
0.34
48
0.12
28
0.09
24
0.17
41
0.16
39
0.17
44
0.13
37
DispFullNettwo views0.27
40
0.21
46
0.65
53
0.28
46
0.16
39
0.26
33
0.17
19
0.33
23
0.58
50
0.27
24
0.38
30
0.43
38
0.23
24
0.38
48
0.23
25
0.12
28
0.06
10
0.19
44
0.11
28
0.21
47
0.15
44
DPSNettwo views0.28
43
0.16
35
0.31
45
0.18
17
0.13
30
0.54
51
0.42
53
0.51
53
0.67
54
0.29
30
0.38
30
0.38
32
0.29
39
0.31
37
0.23
25
0.11
21
0.10
29
0.11
22
0.08
12
0.20
46
0.16
46
CSANtwo views0.29
44
0.24
47
0.27
42
0.34
51
0.19
44
0.33
43
0.42
53
0.37
35
0.50
44
0.38
40
0.40
37
0.44
40
0.33
41
0.28
32
0.30
47
0.20
47
0.16
40
0.19
44
0.19
43
0.14
40
0.15
44
MSMD_ROBtwo views0.31
45
0.26
49
0.26
39
0.24
35
0.21
46
0.34
45
0.25
39
0.34
28
0.39
30
0.40
43
0.69
50
0.45
41
0.40
46
0.34
42
0.27
40
0.20
47
0.19
46
0.26
48
0.25
48
0.23
48
0.22
48
PASMtwo views0.32
46
0.24
47
0.48
50
0.28
46
0.27
51
0.29
38
0.30
45
0.34
28
0.49
41
0.35
38
0.39
34
0.46
44
0.34
42
0.34
42
0.35
49
0.23
53
0.25
52
0.26
48
0.28
52
0.23
48
0.21
47
SGM-ForestMtwo views0.32
46
0.12
22
0.16
14
0.16
7
0.11
19
0.39
49
0.19
27
0.41
40
0.50
44
0.52
47
0.54
45
1.32
57
0.42
48
0.40
49
0.27
40
0.14
39
0.16
40
0.16
39
0.16
39
0.12
32
0.12
33
LSMtwo views0.33
48
0.20
45
0.58
52
0.26
40
0.60
56
0.34
45
0.25
39
0.42
43
0.48
40
0.45
46
0.58
47
0.42
36
0.36
45
0.35
45
0.25
32
0.12
28
0.20
47
0.14
34
0.16
39
0.19
45
0.33
53
FC-DCNNcopylefttwo views0.40
49
0.28
50
0.30
44
0.26
40
0.23
48
0.46
50
0.31
46
0.46
49
0.49
41
0.66
50
0.91
56
0.89
55
0.51
50
0.44
50
0.35
49
0.21
49
0.20
47
0.27
50
0.26
49
0.25
50
0.24
49
ELAScopylefttwo views0.41
50
0.29
51
0.33
46
0.27
44
0.24
49
0.60
53
0.36
49
0.50
52
0.50
44
0.71
53
0.79
55
0.67
51
0.54
51
0.51
52
0.42
52
0.22
50
0.20
47
0.27
50
0.26
49
0.26
51
0.25
50
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS_ROBcopylefttwo views0.41
50
0.29
51
0.33
46
0.28
46
0.24
49
0.54
51
0.36
49
0.49
51
0.59
51
0.72
54
0.74
53
0.65
49
0.54
51
0.54
53
0.40
51
0.22
50
0.20
47
0.27
50
0.26
49
0.26
51
0.25
50
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
NVStereoNet_ROBtwo views0.46
52
0.36
53
0.46
49
0.41
54
0.28
52
0.34
45
0.34
47
0.48
50
0.60
52
0.72
54
0.93
57
0.70
54
0.66
56
0.47
51
0.60
54
0.22
50
0.33
53
0.34
53
0.34
53
0.30
53
0.30
52
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROBtwo views0.50
53
0.07
1
0.14
3
0.15
3
0.08
4
0.24
26
0.16
18
0.22
3
1.81
58
4.63
58
0.67
49
0.47
45
0.44
49
0.20
11
0.29
46
0.07
6
0.06
10
0.06
4
0.06
7
0.08
8
0.06
4
SGM+DAISYtwo views0.56
54
0.57
54
0.65
53
0.40
53
0.54
54
0.66
55
0.49
56
0.56
54
0.45
39
0.66
50
0.69
50
0.67
51
0.56
53
0.63
55
0.56
53
0.59
54
0.48
56
0.50
54
0.50
56
0.52
54
0.58
55
SPS-STEREOcopylefttwo views0.57
55
0.58
55
0.65
53
0.45
55
0.55
55
0.62
54
0.44
55
0.62
55
0.50
44
0.68
52
0.64
48
0.66
50
0.57
54
0.61
54
0.60
54
0.62
55
0.47
55
0.51
55
0.49
54
0.55
55
0.58
55
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_retwo views0.64
56
0.66
56
0.65
53
0.51
56
0.69
57
0.69
56
0.57
57
0.64
56
0.73
55
0.60
49
0.73
52
0.62
48
0.67
57
0.65
56
0.60
54
0.66
56
0.58
58
0.63
56
0.59
57
0.68
56
0.69
57
PWCKtwo views0.71
57
0.94
57
0.95
58
0.76
57
0.31
53
0.74
57
0.36
49
0.90
57
0.90
56
0.96
56
0.75
54
0.95
56
0.61
55
0.87
57
0.66
57
0.72
57
0.46
54
0.75
57
0.49
54
0.69
57
0.44
54
DPSimNet_ROBtwo views1.11
58
1.23
58
0.78
57
1.13
58
0.88
58
1.10
58
1.13
58
1.16
58
1.23
57
1.43
57
1.02
58
1.41
58
1.10
58
0.90
58
1.60
58
1.46
58
0.51
57
1.21
58
1.03
58
0.90
58
1.01
58
DGTPSM_ROBtwo views8.06
59
4.48
59
8.63
61
5.35
59
10.72
59
8.32
59
22.97
61
5.46
59
13.35
59
5.12
59
9.92
59
5.08
59
10.40
59
5.52
59
12.58
59
3.79
59
8.00
59
3.50
59
7.02
61
3.83
59
7.14
59
DPSMNet_ROBtwo views8.06
59
4.48
59
8.63
61
5.37
60
10.74
60
8.32
59
22.98
62
5.46
59
13.36
60
5.12
59
9.92
59
5.08
59
10.40
59
5.53
60
12.58
59
3.80
60
8.00
59
3.50
59
7.02
61
3.83
59
7.14
59
DPSMtwo views11.15
61
8.58
61
8.00
59
10.88
61
11.58
61
19.10
63
26.71
63
12.05
61
14.07
61
10.36
61
10.84
61
10.33
61
11.86
61
11.70
61
13.54
61
6.99
61
8.79
61
5.89
61
6.95
59
7.29
61
7.42
61
DPSM_ROBtwo views11.15
61
8.58
61
8.00
59
10.88
61
11.58
61
19.10
63
26.71
63
12.05
61
14.07
61
10.36
61
10.84
61
10.33
61
11.86
61
11.70
61
13.54
61
6.99
61
8.79
61
5.89
61
6.95
59
7.29
61
7.42
61
MEDIAN_ROBtwo views20.38
63
24.04
64
23.31
64
21.23
63
21.71
63
10.40
61
7.92
59
17.64
63
15.50
63
20.12
63
19.70
63
20.34
63
20.32
63
21.19
63
21.13
63
23.81
64
21.81
64
24.98
64
23.76
64
24.71
64
23.93
64
LSM0two views22.87
64
17.28
63
18.96
63
22.19
64
29.04
65
38.42
65
53.71
65
24.28
65
28.31
65
20.78
64
21.00
64
21.43
64
24.16
64
23.50
64
27.39
65
14.09
63
17.38
63
11.84
63
14.04
63
14.73
63
14.89
63
AVERAGE_ROBtwo views24.90
65
29.20
65
28.14
65
24.89
65
24.64
64
17.75
62
11.12
60
21.45
64
19.93
64
25.12
65
24.46
65
25.12
65
25.46
65
24.69
65
22.83
64
29.76
65
27.13
65
28.97
65
27.95
65
29.91
65
29.47
65