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

Selective-IGEV	0.07 1	0.06 17	0.09 24	0.17 108	0.06 2	0.08 22	0.12 23	0.13 9	0.08 1	0.08 4	0.07 13	0.06 3	0.04 1	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.04 7	0.04 1	0.03 1

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 35	0.07 14	0.08 22	0.15 120	0.12 3	0.11 15	0.08 4	0.09 23	0.06 3	0.09 65	0.10 15	0.09 16	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

CAS	0.08 2	0.04 1	0.07 1	0.17 108	0.08 45	0.10 56	0.13 45	0.12 3	0.09 2	0.09 14	0.10 36	0.08 23	0.06 6	0.09 10	0.09 16	0.08 189	0.04 2	0.05 2	0.03 1	0.05 36	0.04 4

CES	0.08 2	0.04 1	0.08 6	0.14 11	0.07 14	0.09 36	0.14 75	0.11 1	0.09 2	0.08 4	0.09 23	0.11 70	0.07 28	0.12 91	0.08 9	0.06 50	0.04 2	0.05 2	0.03 1	0.05 36	0.05 42

EGLCR-Stereo	0.08 2	0.05 5	0.08 6	0.14 11	0.07 14	0.11 77	0.12 23	0.11 1	0.16 82	0.06 1	0.05 1	0.07 17	0.05 2	0.10 15	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 6	0.07 14	0.09 36	0.12 23	0.14 15	0.14 54	0.10 33	0.14 78	0.08 23	0.07 28	0.10 15	0.11 69	0.06 50	0.04 2	0.05 2	0.05 31	0.04 1	0.04 4
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
ff7	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEVStereo-DCA	0.09 7	0.07 51	0.11 62	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

ffff	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

rrr	0.09 7	0.07 51	0.13 108	0.16 60	0.10 214	0.11 77	0.15 120	0.16 35	0.15 66	0.10 33	0.06 2	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

11t	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

StereoIM	0.09 7	0.09 180	0.08 6	0.17 108	0.09 121	0.14 150	0.11 10	0.16 35	0.16 82	0.09 14	0.11 50	0.06 3	0.06 6	0.09 10	0.13 146	0.07 140	0.06 186	0.08 158	0.05 31	0.05 36	0.04 4

IGEV_Zeroshot_test	0.09 7	0.05 5	0.13 108	0.14 11	0.08 45	0.12 102	0.13 45	0.17 62	0.11 15	0.10 33	0.06 2	0.09 37	0.06 6	0.11 41	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

MSKI-zero shot	0.09 7	0.05 5	0.09 24	0.16 60	0.07 14	0.10 56	0.13 45	0.15 21	0.14 54	0.09 14	0.09 23	0.09 37	0.06 6	0.12 91	0.11 69	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

MIF-Stereo	0.09 7	0.07 51	0.08 6	0.18 175	0.08 45	0.13 121	0.11 10	0.12 3	0.11 15	0.10 33	0.12 60	0.05 1	0.06 6	0.09 10	0.10 43	0.07 140	0.06 186	0.05 2	0.05 31	0.06 92	0.05 42

CASnet	0.09 7	0.09 180	0.09 24	0.19 220	0.06 2	0.07 15	0.11 10	0.18 86	0.14 54	0.11 59	0.10 36	0.09 37	0.07 28	0.10 15	0.10 43	0.06 50	0.04 2	0.10 266	0.08 210	0.06 92	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.09 7	0.05 5	0.08 6	0.14 11	0.13 300	0.14 150	0.13 45	0.15 21	0.09 2	0.07 2	0.09 23	0.07 17	0.08 48	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

RAFT-Test	0.09 7	0.06 17	0.10 38	0.16 60	0.07 14	0.11 77	0.15 120	0.16 35	0.13 40	0.09 14	0.10 36	0.11 70	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

HH	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

HanStereo	0.09 7	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.16 169	0.15 21	0.10 6	0.08 4	0.10 36	0.08 23	0.07 28	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

anonymousdsp	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

LoS	0.09 7	0.05 5	0.11 62	0.13 6	0.07 14	0.14 150	0.11 10	0.15 21	0.15 66	0.09 14	0.09 23	0.12 89	0.09 65	0.15 159	0.10 43	0.07 140	0.05 79	0.05 2	0.03 1	0.05 36	0.05 42

ProNet	0.09 7	0.07 51	0.11 62	0.17 108	0.08 45	0.11 77	0.15 120	0.15 21	0.12 25	0.10 33	0.06 2	0.07 17	0.06 6	0.11 41	0.09 16	0.05 2	0.05 79	0.06 30	0.05 31	0.04 1	0.06 95

MC-Stereo	0.09 7	0.07 51	0.09 24	0.17 108	0.06 2	0.10 56	0.14 75	0.12 3	0.11 15	0.09 14	0.12 60	0.09 37	0.06 6	0.11 41	0.10 43	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

RCA-Stereo	0.09 7	0.06 17	0.09 24	0.16 60	0.06 2	0.09 36	0.13 45	0.18 86	0.14 54	0.10 33	0.11 50	0.08 23	0.07 28	0.12 91	0.11 69	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.04 4

CroCo-Stereo Lap2	0.09 7	0.09 180	0.08 6	0.22 303	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.09 14	0.10 36	0.05 1	0.05 2	0.08 5	0.08 9	0.06 50	0.06 186	0.07 98	0.05 31	0.06 92	0.05 42

ccc-4	0.09 7	0.07 51	0.11 62	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

IGEV-Stereo	0.09 7	0.07 51	0.11 62	0.17 108	0.09 121	0.11 77	0.15 120	0.16 35	0.12 25	0.10 33	0.06 2	0.06 3	0.06 6	0.11 41	0.09 16	0.05 2	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 7	0.05 5	0.13 108	0.14 11	0.09 121	0.12 102	0.15 120	0.19 110	0.11 15	0.11 59	0.08 17	0.08 23	0.05 2	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

test-3	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

test_1	0.09 7	0.06 17	0.10 38	0.18 175	0.07 14	0.07 15	0.14 75	0.12 3	0.16 82	0.10 33	0.08 17	0.08 23	0.08 48	0.11 41	0.10 43	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 4

CroCo-Stereo	0.09 7	0.08 133	0.08 6	0.22 303	0.09 121	0.09 36	0.18 227	0.16 35	0.12 25	0.07 2	0.07 13	0.08 23	0.06 6	0.08 5	0.07 1	0.07 140	0.05 79	0.06 30	0.04 7	0.05 36	0.04 4
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
TANstereo	0.09 7	0.04 1	0.08 6	0.13 6	0.06 2	0.11 77	0.13 45	0.15 21	0.19 121	0.11 59	0.15 89	0.10 56	0.07 28	0.12 91	0.09 16	0.07 140	0.05 79	0.05 2	0.04 7	0.06 92	0.05 42

XX-TBD	0.09 7	0.06 17	0.07 1	0.14 11	0.07 14	0.13 121	0.16 169	0.14 15	0.14 54	0.11 59	0.12 60	0.09 37	0.08 48	0.10 15	0.10 43	0.06 50	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

raftrobust	0.09 7	0.06 17	0.11 62	0.17 108	0.08 45	0.09 36	0.10 5	0.18 86	0.16 82	0.10 33	0.09 23	0.12 89	0.08 48	0.12 91	0.10 43	0.08 189	0.05 79	0.06 30	0.05 31	0.05 36	0.06 95

XX-Stereo	0.09 7	0.05 5	0.09 24	0.17 108	0.09 121	0.15 170	0.12 23	0.21 132	0.10 6	0.10 33	0.14 78	0.07 17	0.06 6	0.13 128	0.08 9	0.06 50	0.05 79	0.06 30	0.06 81	0.04 1	0.04 4

test_xeample3	0.09 7	0.07 51	0.12 85	0.16 60	0.09 121	0.11 77	0.15 120	0.16 35	0.14 54	0.10 33	0.07 13	0.08 23	0.06 6	0.10 15	0.09 16	0.06 50	0.04 2	0.06 30	0.05 31	0.05 36	0.06 95

RAFT-Stereo + iAFF	0.09 7	0.06 17	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.17 62	0.15 66	0.10 33	0.10 36	0.08 23	0.09 65	0.12 91	0.10 43	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.03 1

AFF-stereo	0.09 7	0.07 51	0.10 38	0.17 108	0.07 14	0.10 56	0.15 120	0.18 86	0.10 6	0.10 33	0.11 50	0.09 37	0.10 78	0.12 91	0.10 43	0.05 2	0.04 2	0.07 98	0.07 158	0.04 1	0.04 4

EAI-Stereo	0.09 7	0.07 51	0.11 62	0.16 60	0.07 14	0.10 56	0.15 120	0.16 35	0.09 2	0.08 4	0.09 23	0.08 23	0.07 28	0.09 10	0.11 69	0.05 2	0.05 79	0.05 2	0.05 31	0.05 36	0.04 4

CFNet-RSSM	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.09 36	0.15 120	0.17 62	0.18 107	0.08 4	0.12 60	0.11 70	0.09 65	0.12 91	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

Gwc-CoAtRS	0.09 7	0.07 51	0.10 38	0.16 60	0.07 14	0.10 56	0.15 120	0.18 86	0.17 97	0.08 4	0.10 36	0.12 89	0.09 65	0.12 91	0.09 16	0.06 50	0.04 2	0.06 30	0.04 7	0.04 1	0.05 42

CREStereo	0.09 7	0.05 5	0.08 6	0.11 1	0.06 2	0.14 150	0.14 75	0.14 15	0.10 6	0.09 14	0.13 71	0.09 37	0.08 48	0.12 91	0.10 43	0.08 189	0.04 2	0.05 2	0.03 1	0.06 92	0.06 95
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 7	0.05 5	0.09 24	0.12 3	0.06 2	0.13 121	0.14 75	0.16 35	0.11 15	0.09 14	0.13 71	0.10 56	0.07 28	0.14 145	0.10 43	0.15 344	0.04 2	0.05 2	0.03 1	0.07 147	0.06 95

MyStereo07	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.15 21	0.15 66	0.09 14	0.06 2	0.06 3	0.07 28	0.12 91	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo06	0.10 45	0.07 51	0.12 85	0.17 108	0.09 121	0.13 121	0.18 227	0.19 110	0.12 25	0.13 101	0.08 17	0.07 17	0.07 28	0.11 41	0.09 16	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

AE-Stereo	0.10 45	0.08 133	0.11 62	0.19 220	0.09 121	0.10 56	0.15 120	0.14 15	0.20 139	0.09 14	0.15 89	0.12 89	0.08 48	0.11 41	0.10 43	0.05 2	0.06 186	0.07 98	0.06 81	0.05 36	0.04 4

ACVNet-DCA	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

cc1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.06 3	0.06 6	0.10 15	0.07 1	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

tt1	0.10 45	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.15 21	0.19 121	0.09 14	0.08 17	0.06 3	0.06 6	0.10 15	0.08 9	0.06 50	0.05 79	0.06 30	0.05 31	0.06 92	0.06 95

MIM_Stereo	0.10 45	0.07 51	0.11 62	0.15 35	0.07 14	0.07 15	0.12 23	0.20 121	0.14 54	0.13 101	0.14 78	0.09 37	0.05 2	0.12 91	0.08 9	0.05 2	0.06 186	0.07 98	0.06 81	0.06 92	0.05 42

Any-RAFT	0.10 45	0.05 5	0.10 38	0.15 35	0.07 14	0.13 121	0.14 75	0.21 132	0.15 66	0.11 59	0.12 60	0.13 111	0.10 78	0.13 128	0.10 43	0.07 140	0.04 2	0.05 2	0.04 7	0.06 92	0.05 42

4D-IteraStereo	0.10 45	0.07 51	0.10 38	0.18 175	0.07 14	0.09 36	0.15 120	0.18 86	0.15 66	0.10 33	0.11 50	0.10 56	0.07 28	0.12 91	0.09 16	0.05 2	0.03 1	0.08 158	0.07 158	0.06 92	0.05 42

fff	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

ADStereo(finetuned)	0.10 45	0.06 17	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.12 130	0.12 91	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

TRStereo	0.10 45	0.05 5	0.12 85	0.16 60	0.12 280	0.10 56	0.13 45	0.18 86	0.19 121	0.09 14	0.09 23	0.09 37	0.07 28	0.10 15	0.08 9	0.07 140	0.05 79	0.07 98	0.07 158	0.04 1	0.04 4

STrans-v2	0.10 45	0.07 51	0.13 108	0.18 175	0.08 45	0.10 56	0.14 75	0.22 151	0.11 15	0.11 59	0.15 89	0.12 89	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

TransformOpticalFlow	0.10 45	0.08 133	0.13 108	0.18 175	0.07 14	0.09 36	0.15 120	0.19 110	0.16 82	0.12 77	0.16 101	0.11 70	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.05 36	0.05 42

AnonymousM	0.10 45	0.06 17	0.10 38	0.14 11	0.07 14	0.09 36	0.13 45	0.19 110	0.14 54	0.13 101	0.12 60	0.09 37	0.08 48	0.13 128	0.10 43	0.08 189	0.05 79	0.08 158	0.05 31	0.05 36	0.05 42

cross-raft	0.10 45	0.09 180	0.09 24	0.19 220	0.07 14	0.11 77	0.24 318	0.13 9	0.15 66	0.08 4	0.10 36	0.12 89	0.10 78	0.09 10	0.11 69	0.05 2	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

test-1	0.10 45	0.07 51	0.17 224	0.19 220	0.08 45	0.11 77	0.24 318	0.15 21	0.18 107	0.09 14	0.07 13	0.10 56	0.08 48	0.08 5	0.09 16	0.06 50	0.04 2	0.06 30	0.06 81	0.04 1	0.05 42

iRaftStereo_RVC	0.10 45	0.07 51	0.10 38	0.17 108	0.09 121	0.11 77	0.17 189	0.18 86	0.12 25	0.09 14	0.11 50	0.10 56	0.07 28	0.11 41	0.10 43	0.05 2	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

s12784h	0.10 45	0.06 17	0.08 6	0.15 35	0.05 1	0.16 192	0.18 227	0.16 35	0.15 66	0.10 33	0.11 50	0.11 70	0.11 102	0.11 41	0.12 119	0.05 2	0.04 2	0.06 30	0.04 7	0.04 1	0.04 4

DCANet	0.10 45	0.06 17	0.12 85	0.16 60	0.06 2	0.09 36	0.17 189	0.16 35	0.20 139	0.13 101	0.18 137	0.10 56	0.11 102	0.11 41	0.12 119	0.06 50	0.04 2	0.05 2	0.04 7	0.05 36	0.05 42

csc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

cscssc	0.10 45	0.06 17	0.12 85	0.15 35	0.07 14	0.09 36	0.17 189	0.16 35	0.21 152	0.13 101	0.17 117	0.10 56	0.11 102	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

R-Stereo Train	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42

RAFT-Stereo	0.10 45	0.06 17	0.11 62	0.17 108	0.08 45	0.11 77	0.14 75	0.24 182	0.11 15	0.12 77	0.19 148	0.11 70	0.08 48	0.10 15	0.11 69	0.07 140	0.05 79	0.06 30	0.05 31	0.05 36	0.05 42
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Former-RAFT_DAM_RVC	0.11 69	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.18 86	0.19 121	0.10 33	0.09 23	0.09 37	0.08 48	0.11 41	0.12 119	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.06 95

xx1	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.16 35	0.18 107	0.09 14	0.09 23	0.16 162	0.16 217	0.10 15	0.07 1	0.06 50	0.05 79	0.08 158	0.08 210	0.07 147	0.07 147

1test111	0.11 69	0.08 133	0.13 108	0.17 108	0.09 121	0.13 121	0.15 120	0.24 182	0.16 82	0.09 14	0.09 23	0.06 3	0.06 6	0.15 159	0.16 217	0.06 50	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

test croco	0.11 69	0.09 180	0.10 38	0.19 220	0.09 121	0.11 77	0.14 75	0.14 15	0.13 40	0.13 101	0.15 89	0.09 37	0.12 130	0.13 128	0.12 119	0.07 140	0.05 79	0.09 225	0.06 81	0.06 92	0.06 95

MIF-Stereo (partial)	0.11 69	0.06 17	0.10 38	0.19 220	0.10 214	0.10 56	0.12 23	0.17 62	0.19 121	0.14 122	0.16 101	0.10 56	0.11 102	0.12 91	0.12 119	0.08 189	0.05 79	0.08 158	0.07 158	0.06 92	0.07 147

EKT-Stereo	0.11 69	0.07 51	0.14 144	0.16 60	0.10 214	0.13 121	0.14 75	0.19 110	0.21 152	0.11 59	0.08 17	0.13 111	0.10 78	0.11 41	0.12 119	0.08 189	0.06 186	0.07 98	0.06 81	0.08 194	0.07 147

LL-Strereo2	0.11 69	0.10 234	0.16 205	0.18 175	0.08 45	0.15 170	0.09 3	0.17 62	0.14 54	0.14 122	0.11 50	0.09 37	0.07 28	0.16 184	0.10 43	0.05 2	0.05 79	0.11 292	0.07 158	0.06 92	0.05 42

anonymousdsp2	0.11 69	0.07 51	0.11 62	0.16 60	0.09 121	0.13 121	0.14 75	0.19 110	0.23 179	0.13 101	0.14 78	0.12 89	0.09 65	0.14 145	0.11 69	0.05 2	0.05 79	0.05 2	0.04 7	0.06 92	0.06 95

DCRE	0.11 69	0.07 51	0.13 108	0.16 60	0.11 252	0.11 77	0.17 189	0.18 86	0.17 97	0.11 59	0.18 137	0.11 70	0.10 78	0.15 159	0.11 69	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.05 42

knoymous	0.11 69	0.06 17	0.12 85	0.14 11	0.07 14	0.15 170	0.13 45	0.20 121	0.14 54	0.11 59	0.17 117	0.13 111	0.09 65	0.14 145	0.11 69	0.09 231	0.05 79	0.06 30	0.05 31	0.07 147	0.07 147

riskmin	0.11 69	0.06 17	0.13 108	0.14 11	0.08 45	0.14 150	0.14 75	0.18 86	0.15 66	0.12 77	0.15 89	0.17 178	0.11 102	0.14 145	0.12 119	0.09 231	0.05 79	0.07 98	0.05 31	0.08 194	0.08 210

Selective-RAFT	0.11 69	0.11 252	0.12 85	0.21 287	0.08 45	0.16 192	0.13 45	0.21 132	0.23 179	0.10 33	0.10 36	0.11 70	0.10 78	0.15 159	0.11 69	0.05 2	0.05 79	0.06 30	0.05 31	0.06 92	0.05 42

DCANet-4	0.11 69	0.07 51	0.13 108	0.16 60	0.06 2	0.09 36	0.17 189	0.18 86	0.20 139	0.13 101	0.17 117	0.09 37	0.14 188	0.12 91	0.13 146	0.06 50	0.04 2	0.05 2	0.04 7	0.04 1	0.05 42

DisPM	0.11 69	0.07 51	0.13 108	0.16 60	0.09 121	0.06 2	0.13 45	0.18 86	0.17 97	0.14 122	0.19 148	0.12 89	0.10 78	0.12 91	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.11 285

test_4	0.11 69	0.10 234	0.08 6	0.19 220	0.09 121	0.08 22	0.21 289	0.15 21	0.18 107	0.12 77	0.18 137	0.12 89	0.09 65	0.08 5	0.11 69	0.04 1	0.04 2	0.08 158	0.08 210	0.04 1	0.04 4

CIPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.16 82	0.14 122	0.11 50	0.16 162	0.10 78	0.17 213	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

GLC_STEREO	0.11 69	0.07 51	0.11 62	0.18 175	0.07 14	0.08 22	0.13 45	0.16 35	0.24 189	0.12 77	0.13 71	0.12 89	0.08 48	0.18 222	0.12 119	0.06 50	0.08 266	0.08 158	0.06 81	0.05 36	0.05 42

IPLG	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.11 77	0.14 75	0.20 121	0.15 66	0.13 101	0.18 137	0.07 17	0.07 28	0.14 145	0.14 170	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

IPLGR_C	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.12 102	0.15 120	0.17 62	0.15 66	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

MIPNet	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.12 102	0.14 75	0.21 132	0.25 205	0.12 77	0.10 36	0.09 37	0.07 28	0.13 128	0.13 146	0.06 50	0.04 2	0.06 30	0.05 31	0.04 1	0.04 4

IPLGR	0.11 69	0.09 180	0.17 224	0.18 175	0.08 45	0.13 121	0.16 169	0.21 132	0.24 189	0.12 77	0.12 60	0.11 70	0.09 65	0.13 128	0.12 119	0.06 50	0.05 79	0.06 30	0.06 81	0.05 36	0.04 4

GMOStereo	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

error version	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

test-v	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

ACRE	0.11 69	0.08 133	0.15 170	0.17 108	0.08 45	0.13 121	0.15 120	0.17 62	0.14 54	0.14 122	0.11 50	0.16 162	0.10 78	0.16 184	0.12 119	0.07 140	0.05 79	0.06 30	0.06 81	0.05 36	0.06 95

test_3	0.11 69	0.09 180	0.10 38	0.21 287	0.08 45	0.13 121	0.25 333	0.14 15	0.21 152	0.10 33	0.10 36	0.09 37	0.10 78	0.08 5	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.04 1	0.04 4

LCNet	0.11 69	0.07 51	0.09 24	0.19 220	0.09 121	0.08 22	0.14 75	0.21 132	0.15 66	0.12 77	0.15 89	0.16 162	0.11 102	0.12 91	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.14 325

HHNet	0.11 69	0.06 17	0.16 205	0.15 35	0.14 315	0.07 15	0.13 45	0.20 121	0.18 107	0.15 143	0.25 218	0.11 70	0.09 65	0.13 128	0.10 43	0.06 50	0.04 2	0.08 158	0.06 81	0.05 36	0.09 242

Patchmatch Stereo++	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147
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
OMP-Stereo	0.11 69	0.07 51	0.14 144	0.18 175	0.08 45	0.09 36	0.12 23	0.21 132	0.21 152	0.13 101	0.14 78	0.11 70	0.12 130	0.11 41	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.05 36	0.04 4

IIG-Stereo	0.11 69	0.06 17	0.13 108	0.17 108	0.08 45	0.11 77	0.12 23	0.22 151	0.18 107	0.14 122	0.17 117	0.12 89	0.13 159	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

NF-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.12 303

OCTAStereo	0.11 69	0.07 51	0.14 144	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

NRIStereo	0.11 69	0.08 133	0.15 170	0.18 175	0.08 45	0.10 56	0.13 45	0.17 62	0.15 66	0.12 77	0.15 89	0.13 111	0.13 159	0.13 128	0.10 43	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.07 147

PSM-adaLoss	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

PSM-AAD	0.11 69	0.07 51	0.10 38	0.20 261	0.09 121	0.10 56	0.14 75	0.21 132	0.13 40	0.12 77	0.14 78	0.18 190	0.11 102	0.11 41	0.10 43	0.05 2	0.05 79	0.09 225	0.08 210	0.06 92	0.14 325

ROB_FTStereo_v2	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ROB_FTStereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

HUI-Stereo	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

ASMatch	0.11 69	0.06 17	0.13 108	0.17 108	0.10 214	0.08 22	0.14 75	0.18 86	0.16 82	0.12 77	0.16 101	0.16 162	0.11 102	0.13 128	0.11 69	0.05 2	0.04 2	0.06 30	0.06 81	0.04 1	0.09 242

SST-Stereo	0.11 69	0.07 51	0.16 205	0.18 175	0.09 121	0.06 2	0.12 23	0.18 86	0.10 6	0.15 143	0.18 137	0.13 111	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.07 147	0.06 95

RAFT_R40	0.11 69	0.07 51	0.15 170	0.18 175	0.09 121	0.06 2	0.13 45	0.17 62	0.15 66	0.14 122	0.18 137	0.15 148	0.12 130	0.10 15	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

GrayStereo	0.11 69	0.06 17	0.11 62	0.19 220	0.09 121	0.09 36	0.16 169	0.18 86	0.17 97	0.14 122	0.17 117	0.17 178	0.11 102	0.12 91	0.11 69	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

RE-Stereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

Pruner-Stereo	0.11 69	0.07 51	0.12 85	0.17 108	0.09 121	0.06 2	0.12 23	0.18 86	0.17 97	0.14 122	0.19 148	0.13 111	0.10 78	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.06 92	0.08 210

TVStereo	0.11 69	0.07 51	0.13 108	0.17 108	0.09 121	0.10 56	0.13 45	0.23 165	0.19 121	0.12 77	0.17 117	0.12 89	0.12 130	0.11 41	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.11 285

DeepStereo_RVC	0.11 69	0.08 133	0.17 224	0.18 175	0.08 45	0.08 22	0.11 10	0.17 62	0.12 25	0.13 101	0.15 89	0.12 89	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.07 147	0.08 210

iGMRVC	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.12 23	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

RAFT-345	0.11 69	0.07 51	0.16 205	0.17 108	0.08 45	0.08 22	0.12 23	0.16 35	0.10 6	0.11 59	0.34 299	0.09 37	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.06 81	0.04 1	0.05 42

iRAFT	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

CRE-IMP	0.11 69	0.09 180	0.16 205	0.19 220	0.09 121	0.10 56	0.12 23	0.18 86	0.10 6	0.14 122	0.14 78	0.14 127	0.13 159	0.12 91	0.12 119	0.07 140	0.04 2	0.08 158	0.06 81	0.08 194	0.08 210

test-2	0.11 69	0.09 180	0.08 6	0.19 220	0.08 45	0.12 102	0.28 349	0.13 9	0.18 107	0.11 59	0.17 117	0.14 127	0.12 130	0.07 1	0.07 1	0.05 2	0.05 79	0.09 225	0.07 158	0.04 1	0.04 4

GMM-Stereo	0.11 69	0.07 51	0.10 38	0.18 175	0.09 121	0.08 22	0.14 75	0.24 182	0.16 82	0.11 59	0.15 89	0.13 111	0.11 102	0.11 41	0.11 69	0.05 2	0.04 2	0.08 158	0.07 158	0.06 92	0.09 242

RAFT-IKP	0.11 69	0.09 180	0.17 224	0.19 220	0.08 45	0.06 2	0.11 10	0.17 62	0.13 40	0.15 143	0.16 101	0.14 127	0.12 130	0.11 41	0.11 69	0.06 50	0.05 79	0.08 158	0.06 81	0.08 194	0.07 147

Prome-Stereo	0.11 69	0.07 51	0.11 62	0.18 175	0.09 121	0.12 102	0.14 75	0.23 165	0.13 40	0.13 101	0.16 101	0.13 111	0.08 48	0.12 91	0.10 43	0.05 2	0.05 79	0.07 98	0.06 81	0.06 92	0.10 264

rafts_anoy	0.11 69	0.06 17	0.10 38	0.17 108	0.08 45	0.10 56	0.14 75	0.18 86	0.14 54	0.13 101	0.13 71	0.12 89	0.11 102	0.11 41	0.13 146	0.07 140	0.05 79	0.09 225	0.11 302	0.07 147	0.06 95

raft+_RVC	0.11 69	0.07 51	0.09 24	0.16 60	0.07 14	0.10 56	0.11 10	0.24 182	0.20 139	0.12 77	0.15 89	0.12 89	0.08 48	0.12 91	0.13 146	0.07 140	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

RALCasStereoNet	0.11 69	0.07 51	0.09 24	0.16 60	0.08 45	0.13 121	0.14 75	0.17 62	0.11 15	0.12 77	0.17 117	0.14 127	0.10 78	0.12 91	0.11 69	0.07 140	0.06 186	0.06 30	0.05 31	0.08 194	0.07 147

RALAANet	0.11 69	0.08 133	0.10 38	0.17 108	0.09 121	0.14 150	0.10 5	0.20 121	0.16 82	0.14 122	0.13 71	0.16 162	0.09 65	0.12 91	0.12 119	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.04 4

111	0.11 69	0.06 17	0.12 85	0.15 35	0.07 14	0.10 56	0.14 75	0.21 132	0.24 189	0.11 59	0.12 60	0.14 127	0.12 130	0.13 128	0.10 43	0.06 50	0.04 2	0.06 30	0.04 7	0.06 92	0.05 42

DIP-Stereo	0.11 69	0.08 133	0.15 170	0.17 108	0.09 121	0.13 121	0.09 3	0.16 35	0.16 82	0.12 77	0.16 101	0.14 127	0.12 130	0.16 184	0.14 170	0.06 50	0.05 79	0.06 30	0.05 31	0.05 36	0.07 147
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.11 69	0.06 17	0.12 85	0.14 11	0.06 2	0.12 102	0.10 5	0.18 86	0.18 107	0.13 101	0.17 117	0.15 148	0.11 102	0.15 159	0.14 170	0.06 50	0.04 2	0.04 1	0.04 7	0.06 92	0.05 42
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
MyStereo8	0.12 131	0.07 51	0.15 170	0.15 35	0.09 121	0.18 228	0.14 75	0.19 110	0.22 170	0.12 77	0.18 137	0.11 70	0.10 78	0.16 184	0.18 240	0.07 140	0.05 79	0.07 98	0.05 31	0.08 194	0.09 242

CoDeX	0.12 131	0.07 51	0.13 108	0.17 108	0.08 45	0.12 102	0.16 169	0.23 165	0.27 227	0.13 101	0.17 117	0.15 148	0.12 130	0.14 145	0.11 69	0.07 140	0.05 79	0.07 98	0.06 81	0.06 92	0.05 42

11t1	0.12 131	0.07 51	0.14 144	0.14 11	0.08 45	0.17 212	0.15 120	0.19 110	0.15 66	0.15 143	0.15 89	0.17 178	0.16 217	0.15 159	0.13 146	0.08 189	0.05 79	0.06 30	0.05 31	0.08 194	0.07 147

ffm	0.12 131	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.08 9	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

RAFT_CTSACE	0.12 131	0.09 180	0.10 38	0.22 303	0.08 45	0.12 102	0.24 318	0.18 86	0.17 97	0.21 247	0.27 245	0.13 111	0.07 28	0.13 128	0.09 16	0.05 2	0.06 186	0.08 158	0.07 158	0.04 1	0.04 4

Sa-1000	0.12 131	0.08 133	0.09 24	0.18 175	0.08 45	0.15 170	0.22 299	0.22 151	0.19 121	0.15 143	0.20 157	0.17 178	0.11 102	0.10 15	0.10 43	0.06 50	0.05 79	0.09 225	0.09 248	0.05 36	0.05 42

iRaft-Stereo_5w	0.12 131	0.09 180	0.12 85	0.20 261	0.08 45	0.09 36	0.12 23	0.22 151	0.22 170	0.19 218	0.14 78	0.11 70	0.09 65	0.20 254	0.16 217	0.05 2	0.05 79	0.07 98	0.06 81	0.05 36	0.06 95

CrosDoStereo	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

PFNet+	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.05 1	0.12 23	0.18 86	0.21 152	0.16 170	0.19 148	0.14 127	0.10 78	0.11 41	0.11 69	0.08 189	0.05 79	0.09 225	0.08 210	0.06 92	0.11 285

AAGNet	0.12 131	0.08 133	0.17 224	0.19 220	0.09 121	0.08 22	0.13 45	0.19 110	0.13 40	0.16 170	0.21 173	0.13 111	0.14 188	0.11 41	0.14 170	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.05 42

PSM-softLoss	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

KMStereo	0.12 131	0.07 51	0.15 170	0.17 108	0.09 121	0.08 22	0.12 23	0.24 182	0.17 97	0.15 143	0.19 148	0.13 111	0.11 102	0.11 41	0.11 69	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.12 303

FTStereo	0.12 131	0.07 51	0.14 144	0.18 175	0.09 121	0.07 15	0.15 120	0.22 151	0.18 107	0.12 77	0.24 192	0.11 70	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.07 98	0.07 158	0.06 92	0.10 264

KYRaft	0.12 131	0.07 51	0.10 38	0.19 220	0.09 121	0.08 22	0.15 120	0.23 165	0.12 25	0.13 101	0.16 101	0.20 209	0.10 78	0.12 91	0.11 69	0.06 50	0.04 2	0.08 158	0.08 210	0.06 92	0.15 340

DeepStereo_LL	0.12 131	0.07 51	0.12 85	0.14 11	0.09 121	0.12 102	0.15 120	0.17 62	0.22 170	0.19 218	0.24 192	0.15 148	0.11 102	0.11 41	0.12 119	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

DEmStereo	0.12 131	0.06 17	0.14 144	0.14 11	0.10 214	0.16 192	0.15 120	0.16 35	0.24 189	0.17 180	0.23 183	0.12 89	0.14 188	0.12 91	0.14 170	0.05 2	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

THIR-Stereo	0.12 131	0.07 51	0.11 62	0.15 35	0.08 45	0.14 150	0.16 169	0.18 86	0.25 205	0.17 180	0.24 192	0.13 111	0.13 159	0.12 91	0.14 170	0.06 50	0.05 79	0.07 98	0.07 158	0.05 36	0.05 42

DRaft	0.12 131	0.06 17	0.12 85	0.14 11	0.09 121	0.14 150	0.17 189	0.21 132	0.30 251	0.18 208	0.27 245	0.10 56	0.16 217	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.07 158	0.05 36	0.05 42

PFNet	0.12 131	0.06 17	0.17 224	0.18 175	0.08 45	0.09 36	0.15 120	0.26 207	0.20 139	0.16 170	0.16 101	0.14 127	0.12 130	0.13 128	0.11 69	0.06 50	0.04 2	0.07 98	0.06 81	0.05 36	0.05 42

RAFT-RH_RVC	0.12 131	0.06 17	0.14 144	0.16 60	0.09 121	0.12 102	0.12 23	0.17 62	0.12 25	0.13 101	0.40 327	0.11 70	0.10 78	0.13 128	0.12 119	0.05 2	0.04 2	0.08 158	0.05 31	0.05 36	0.06 95

IRAFT_RVC	0.12 131	0.08 133	0.17 224	0.19 220	0.08 45	0.07 15	0.14 75	0.25 199	0.23 179	0.14 122	0.15 89	0.15 148	0.12 130	0.12 91	0.11 69	0.06 50	0.04 2	0.09 225	0.06 81	0.06 92	0.06 95

sCroCo_RVC	0.12 131	0.09 180	0.24 299	0.24 328	0.11 252	0.19 243	0.14 75	0.17 62	0.15 66	0.10 33	0.13 71	0.12 89	0.07 28	0.14 145	0.11 69	0.08 189	0.08 266	0.08 158	0.08 210	0.05 36	0.07 147

ARAFT	0.12 131	0.08 133	0.18 250	0.19 220	0.09 121	0.15 170	0.17 189	0.20 121	0.13 40	0.12 77	0.13 71	0.14 127	0.12 130	0.15 159	0.13 146	0.06 50	0.05 79	0.10 266	0.09 248	0.06 92	0.04 4

BEATNet_4x	0.12 131	0.09 180	0.15 170	0.18 175	0.07 14	0.15 170	0.07 1	0.23 165	0.19 121	0.16 170	0.19 148	0.19 194	0.14 188	0.17 213	0.15 200	0.07 140	0.05 79	0.05 2	0.05 31	0.06 92	0.07 147

MyStereo05	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.13 121	0.18 227	0.28 240	0.35 289	0.17 180	0.14 78	0.15 148	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

MyStereo04	0.13 155	0.07 51	0.10 38	0.17 108	0.09 121	0.14 150	0.17 189	0.29 254	0.38 304	0.17 180	0.14 78	0.16 162	0.11 102	0.15 159	0.13 146	0.06 50	0.05 79	0.08 158	0.07 158	0.06 92	0.06 95

DualNet	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.10 15	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

ff1	0.13 155	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.15 21	0.19 121	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.06 50	0.05 79	0.09 225	0.08 210	0.06 92	0.06 95

LL-Strereo	0.13 155	0.10 234	0.12 85	0.20 261	0.10 214	0.11 77	0.18 227	0.33 291	0.25 205	0.16 170	0.16 101	0.14 127	0.14 188	0.19 241	0.11 69	0.06 50	0.05 79	0.09 225	0.08 210	0.04 1	0.05 42

anonymousa	0.13 155	0.07 51	0.14 144	0.18 175	0.09 121	0.13 121	0.17 189	0.20 121	0.29 246	0.15 143	0.24 192	0.16 162	0.14 188	0.14 145	0.14 170	0.07 140	0.05 79	0.07 98	0.09 248	0.05 36	0.07 147

TestStereo1	0.13 155	0.08 133	0.08 6	0.20 261	0.08 45	0.18 228	0.29 359	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

qqq	0.13 155	0.09 180	0.15 170	0.16 60	0.08 45	0.13 121	0.15 120	0.24 182	0.16 82	0.15 143	0.19 148	0.16 162	0.16 217	0.15 159	0.16 217	0.07 140	0.06 186	0.08 158	0.08 210	0.07 147	0.07 147

x	0.13 155	0.08 133	0.15 170	0.14 11	0.08 45	0.19 243	0.14 75	0.22 151	0.21 152	0.15 143	0.20 157	0.20 209	0.18 248	0.18 222	0.18 240	0.07 140	0.05 79	0.06 30	0.06 81	0.07 147	0.07 147

raft_robust	0.13 155	0.10 234	0.07 1	0.18 175	0.08 45	0.13 121	0.24 318	0.29 254	0.34 278	0.20 238	0.20 157	0.15 148	0.10 78	0.11 41	0.12 119	0.05 2	0.05 79	0.07 98	0.07 158	0.05 36	0.04 4

RAFT+CT+SA	0.13 155	0.11 252	0.09 24	0.19 220	0.09 121	0.15 170	0.28 349	0.22 151	0.22 170	0.15 143	0.26 230	0.10 56	0.10 78	0.11 41	0.12 119	0.05 2	0.04 2	0.07 98	0.08 210	0.07 147	0.06 95

SA-5K	0.13 155	0.08 133	0.08 6	0.20 261	0.08 45	0.18 228	0.29 359	0.23 165	0.17 97	0.17 180	0.20 157	0.16 162	0.11 102	0.12 91	0.13 146	0.06 50	0.06 186	0.08 158	0.06 81	0.05 36	0.05 42

SA	0.13 155	0.09 180	0.09 24	0.18 175	0.08 45	0.12 102	0.24 318	0.23 165	0.19 121	0.17 180	0.27 245	0.15 148	0.11 102	0.11 41	0.11 69	0.05 2	0.05 79	0.09 225	0.08 210	0.05 36	0.05 42

GwcNet-ADL	0.13 155	0.08 133	0.14 144	0.20 261	0.09 121	0.12 102	0.20 276	0.30 264	0.25 205	0.14 122	0.14 78	0.18 190	0.14 188	0.13 128	0.15 200	0.07 140	0.05 79	0.06 30	0.05 31	0.07 147	0.06 95

GANet-ADL	0.13 155	0.07 51	0.15 170	0.17 108	0.10 214	0.19 243	0.15 120	0.30 264	0.21 152	0.13 101	0.18 137	0.19 194	0.13 159	0.16 184	0.14 170	0.08 189	0.06 186	0.06 30	0.05 31	0.07 147	0.08 210

RAFT	0.13 155	0.09 180	0.11 62	0.18 175	0.08 45	0.15 170	0.23 310	0.21 132	0.20 139	0.21 247	0.21 173	0.18 190	0.13 159	0.17 213	0.10 43	0.06 50	0.07 240	0.10 266	0.09 248	0.06 92	0.05 42

sAnonymous2	0.13 155	0.12 267	0.25 303	0.20 261	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

CroCo_RVC	0.13 155	0.12 267	0.25 303	0.20 261	0.12 280	0.18 228	0.14 75	0.27 219	0.21 152	0.11 59	0.12 60	0.13 111	0.08 48	0.11 41	0.11 69	0.09 231	0.05 79	0.08 158	0.06 81	0.15 341	0.10 264

RAFT + AFF	0.13 155	0.08 133	0.21 280	0.20 261	0.10 214	0.14 150	0.23 310	0.27 219	0.21 152	0.12 77	0.10 36	0.12 89	0.10 78	0.16 184	0.12 119	0.08 189	0.07 240	0.09 225	0.09 248	0.06 92	0.09 242

GMStereo	0.13 155	0.15 307	0.14 144	0.18 175	0.09 121	0.16 192	0.16 169	0.20 121	0.25 205	0.17 180	0.17 117	0.11 70	0.11 102	0.16 184	0.13 146	0.07 140	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 155	0.07 51	0.15 170	0.17 108	0.09 121	0.15 170	0.16 169	0.28 240	0.27 227	0.14 122	0.18 137	0.12 89	0.13 159	0.14 145	0.11 69	0.08 189	0.05 79	0.07 98	0.07 158	0.07 147	0.06 95

FENet	0.13 155	0.08 133	0.13 108	0.16 60	0.08 45	0.15 170	0.16 169	0.23 165	0.23 179	0.17 180	0.24 192	0.16 162	0.13 159	0.14 145	0.15 200	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.08 210

MLCV	0.13 155	0.08 133	0.17 224	0.18 175	0.06 2	0.16 192	0.17 189	0.19 110	0.22 170	0.19 218	0.25 218	0.17 178	0.13 159	0.15 159	0.14 170	0.05 2	0.04 2	0.05 2	0.04 7	0.05 36	0.04 4

iResNet	0.13 155	0.10 234	0.18 250	0.19 220	0.08 45	0.14 150	0.18 227	0.21 132	0.27 227	0.16 170	0.24 192	0.15 148	0.13 159	0.14 145	0.15 200	0.06 50	0.04 2	0.06 30	0.05 31	0.06 92	0.05 42

DN-CSS_ROB	0.13 155	0.13 286	0.17 224	0.18 175	0.10 214	0.16 192	0.08 2	0.22 151	0.19 121	0.17 180	0.23 183	0.13 111	0.13 159	0.13 128	0.14 170	0.05 2	0.05 79	0.10 266	0.10 279	0.08 194	0.06 95

SMFormer	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

tta	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.17 228	0.08 189	0.05 79	0.07 98	0.06 81	0.06 92	0.06 95

qqq1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

fff1	0.14 180	0.07 51	0.18 250	0.14 11	0.08 45	0.17 212	0.17 189	0.27 219	0.27 227	0.19 218	0.20 157	0.19 194	0.15 206	0.15 159	0.12 119	0.08 189	0.05 79	0.05 2	0.05 31	0.06 92	0.06 95

mmm	0.14 180	0.08 133	0.18 250	0.17 108	0.09 121	0.17 212	0.18 227	0.21 132	0.16 82	0.16 170	0.23 183	0.21 215	0.16 217	0.16 184	0.17 228	0.08 189	0.05 79	0.08 158	0.08 210	0.08 194	0.07 147

ttt	0.14 180	0.08 133	0.14 144	0.15 35	0.08 45	0.15 170	0.18 227	0.27 219	0.30 251	0.16 170	0.24 192	0.17 178	0.14 188	0.13 128	0.14 170	0.11 287	0.08 266	0.09 225	0.08 210	0.09 246	0.09 242

whm_eth	0.14 180	0.09 180	0.21 280	0.21 287	0.12 280	0.12 102	0.16 169	0.18 86	0.29 246	0.17 180	0.32 282	0.09 37	0.13 159	0.18 222	0.14 170	0.07 140	0.07 240	0.08 158	0.07 158	0.07 147	0.07 147

StereoVision	0.14 180	0.13 286	0.10 38	0.24 328	0.10 214	0.16 192	0.21 289	0.21 132	0.20 139	0.12 77	0.25 218	0.10 56	0.10 78	0.16 184	0.10 43	0.09 231	0.10 308	0.12 309	0.12 320	0.06 92	0.05 42

PCWNet_CMD	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 294	0.14 122	0.20 157	0.21 215	0.13 159	0.17 213	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

gwcnet-sp	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

scenet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

CASS	0.14 180	0.12 267	0.12 85	0.23 320	0.09 121	0.15 170	0.17 189	0.19 110	0.20 139	0.17 180	0.18 137	0.15 148	0.15 206	0.15 159	0.14 170	0.09 231	0.06 186	0.10 266	0.08 210	0.09 246	0.07 147
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ssnet	0.14 180	0.07 51	0.13 108	0.18 175	0.09 121	0.16 192	0.18 227	0.24 182	0.24 189	0.19 218	0.24 192	0.15 148	0.16 217	0.16 184	0.15 200	0.08 189	0.07 240	0.07 98	0.08 210	0.08 194	0.07 147

IER	0.14 180	0.08 133	0.13 108	0.17 108	0.09 121	0.14 150	0.16 169	0.26 207	0.27 227	0.18 208	0.26 230	0.17 178	0.20 275	0.17 213	0.14 170	0.08 189	0.05 79	0.07 98	0.06 81	0.08 194	0.07 147

test_5	0.14 180	0.12 267	0.08 6	0.20 261	0.10 214	0.14 150	0.28 349	0.21 132	0.24 189	0.19 218	0.28 254	0.11 70	0.15 206	0.12 91	0.13 146	0.06 50	0.05 79	0.07 98	0.08 210	0.08 194	0.07 147

psmg	0.14 180	0.09 180	0.14 144	0.17 108	0.10 214	0.15 170	0.17 189	0.29 254	0.20 139	0.17 180	0.21 173	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.07 240	0.08 158	0.08 210	0.07 147	0.07 147

UDGNet	0.14 180	0.13 286	0.17 224	0.18 175	0.10 214	0.12 102	0.16 169	0.21 132	0.27 227	0.20 238	0.20 157	0.17 178	0.13 159	0.16 184	0.14 170	0.10 262	0.06 186	0.09 225	0.07 158	0.07 147	0.07 147

TestStereo	0.14 180	0.15 307	0.11 62	0.23 320	0.08 45	0.15 170	0.21 289	0.20 121	0.23 179	0.14 122	0.25 218	0.16 162	0.13 159	0.16 184	0.14 170	0.06 50	0.06 186	0.08 158	0.06 81	0.09 246	0.05 42

CFNet_pseudo	0.14 180	0.08 133	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.06 81	0.07 147	0.07 147

Anonymous	0.14 180	0.10 234	0.24 299	0.23 320	0.13 300	0.18 228	0.23 310	0.20 121	0.19 121	0.14 122	0.12 60	0.11 70	0.13 159	0.17 213	0.13 146	0.08 189	0.07 240	0.08 158	0.08 210	0.12 300	0.10 264

GES	0.14 180	0.08 133	0.16 205	0.15 35	0.10 214	0.13 121	0.13 45	0.28 240	0.26 217	0.17 180	0.24 192	0.19 194	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.07 98	0.06 81	0.08 194	0.09 242

cf-r	0.14 180	0.07 51	0.13 108	0.16 60	0.08 45	0.14 150	0.19 262	0.21 132	0.25 205	0.17 180	0.26 230	0.22 231	0.17 238	0.14 145	0.15 200	0.10 262	0.05 79	0.06 30	0.08 210	0.06 92	0.06 95

GANet-RSSM	0.14 180	0.07 51	0.13 108	0.13 6	0.08 45	0.14 150	0.18 227	0.23 165	0.21 152	0.17 180	0.25 218	0.24 251	0.16 217	0.16 184	0.16 217	0.10 262	0.06 186	0.07 98	0.08 210	0.08 194	0.07 147

PSMNet-RSSM	0.14 180	0.07 51	0.14 144	0.15 35	0.08 45	0.13 121	0.16 169	0.25 199	0.24 189	0.17 180	0.28 254	0.23 242	0.14 188	0.16 184	0.14 170	0.11 287	0.06 186	0.09 225	0.12 320	0.08 194	0.07 147

GwcNet-RSSM	0.14 180	0.07 51	0.12 85	0.16 60	0.08 45	0.15 170	0.20 276	0.22 151	0.28 240	0.18 208	0.28 254	0.23 242	0.17 238	0.15 159	0.16 217	0.10 262	0.06 186	0.07 98	0.09 248	0.07 147	0.07 147

CFNet-ft	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

DMCA	0.14 180	0.09 180	0.17 224	0.19 220	0.09 121	0.15 170	0.17 189	0.23 165	0.28 240	0.14 122	0.20 157	0.17 178	0.18 248	0.15 159	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.09 246	0.10 264

MSMDNet	0.14 180	0.08 133	0.15 170	0.17 108	0.09 121	0.14 150	0.14 75	0.29 254	0.36 294	0.14 122	0.20 157	0.21 215	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

HSM-Net_RVC	0.14 180	0.08 133	0.12 85	0.15 35	0.08 45	0.16 192	0.15 120	0.27 219	0.29 246	0.20 238	0.21 173	0.29 289	0.14 188	0.18 222	0.13 146	0.06 50	0.06 186	0.06 30	0.06 81	0.07 147	0.06 95
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 180	0.07 51	0.15 170	0.12 3	0.09 121	0.17 212	0.18 227	0.22 151	0.24 189	0.17 180	0.26 230	0.24 251	0.14 188	0.16 184	0.15 200	0.11 287	0.06 186	0.08 158	0.09 248	0.09 246	0.08 210

ccs_rob	0.14 180	0.09 180	0.16 205	0.16 60	0.09 121	0.13 121	0.14 75	0.27 219	0.34 278	0.15 143	0.21 173	0.22 231	0.13 159	0.18 222	0.14 170	0.07 140	0.05 79	0.08 158	0.07 158	0.07 147	0.07 147

iResNet_ROB	0.14 180	0.07 51	0.13 108	0.15 35	0.07 14	0.19 243	0.14 75	0.26 207	0.32 263	0.23 269	0.26 230	0.23 242	0.16 217	0.15 159	0.14 170	0.07 140	0.05 79	0.05 2	0.04 7	0.08 194	0.08 210

mmx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

xxx	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.17 212	0.17 189	0.27 219	0.26 217	0.15 143	0.26 230	0.19 194	0.13 159	0.15 159	0.22 282	0.08 189	0.06 186	0.09 225	0.08 210	0.08 194	0.08 210

CFNet_ucs	0.15 212	0.09 180	0.17 224	0.16 60	0.11 252	0.14 150	0.14 75	0.30 264	0.34 278	0.16 170	0.24 192	0.23 242	0.14 188	0.18 222	0.15 200	0.09 231	0.06 186	0.08 158	0.07 158	0.09 246	0.09 242

CBFPSM	0.15 212	0.07 51	0.27 311	0.17 108	0.09 121	0.13 121	0.15 120	0.22 151	0.23 179	0.20 238	0.27 245	0.23 242	0.16 217	0.16 184	0.19 250	0.06 50	0.06 186	0.06 30	0.07 158	0.07 147	0.07 147

BUS	0.15 212	0.09 180	0.14 144	0.22 303	0.10 214	0.20 260	0.14 75	0.34 305	0.20 139	0.17 180	0.23 183	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

BSDual-CNN	0.15 212	0.09 180	0.14 144	0.22 303	0.10 214	0.15 170	0.15 120	0.34 305	0.20 139	0.17 180	0.23 183	0.25 260	0.16 217	0.16 184	0.14 170	0.08 189	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

hknet	0.15 212	0.11 252	0.14 144	0.22 303	0.11 252	0.15 170	0.15 120	0.34 305	0.26 217	0.17 180	0.23 183	0.22 231	0.18 248	0.17 213	0.13 146	0.07 140	0.06 186	0.10 266	0.09 248	0.07 147	0.07 147

dd	0.15 212	0.17 324	0.17 224	0.19 220	0.09 121	0.15 170	0.18 227	0.22 151	0.26 217	0.23 269	0.20 157	0.21 215	0.10 78	0.21 269	0.17 228	0.10 262	0.06 186	0.08 158	0.06 81	0.08 194	0.07 147

DAS	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.16 184	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

SepStereo	0.15 212	0.08 133	0.18 250	0.19 220	0.10 214	0.19 243	0.17 189	0.28 240	0.30 251	0.18 208	0.26 230	0.21 215	0.16 217	0.26 312	0.13 146	0.08 189	0.06 186	0.06 30	0.06 81	0.07 147	0.07 147

PSMNet-ADL	0.15 212	0.12 267	0.13 108	0.22 303	0.09 121	0.13 121	0.20 276	0.26 207	0.23 179	0.18 208	0.20 157	0.23 242	0.17 238	0.18 222	0.18 240	0.09 231	0.08 266	0.08 158	0.11 302	0.08 194	0.07 147

LMCR-Stereo	0.15 212	0.08 133	0.14 144	0.21 287	0.09 121	0.18 228	0.19 262	0.28 240	0.19 121	0.24 280	0.24 192	0.23 242	0.17 238	0.20 254	0.17 228	0.07 140	0.06 186	0.08 158	0.06 81	0.10 271	0.09 242

xxxx	0.15 212	0.07 51	0.14 144	0.14 11	0.08 45	0.24 300	0.18 227	0.32 281	0.20 139	0.14 122	0.28 254	0.22 231	0.14 188	0.15 159	0.29 340	0.09 231	0.05 79	0.07 98	0.07 158	0.08 194	0.08 210

test_xeample	0.15 212	0.07 51	0.14 144	0.15 35	0.08 45	0.22 283	0.20 276	0.29 254	0.21 152	0.16 170	0.29 264	0.19 194	0.17 238	0.16 184	0.28 333	0.09 231	0.05 79	0.07 98	0.07 158	0.07 147	0.07 147

ACVNet	0.15 212	0.09 180	0.15 170	0.13 6	0.12 280	0.14 150	0.20 276	0.22 151	0.34 278	0.17 180	0.26 230	0.21 215	0.17 238	0.18 222	0.21 269	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

acv_ft	0.15 212	0.09 180	0.16 205	0.19 220	0.10 214	0.16 192	0.17 189	0.25 199	0.34 278	0.19 218	0.26 230	0.21 215	0.17 238	0.18 222	0.19 250	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

RASNet	0.15 212	0.07 51	0.15 170	0.16 60	0.08 45	0.19 243	0.14 75	0.30 264	0.21 152	0.17 180	0.25 218	0.21 215	0.19 262	0.20 254	0.20 258	0.07 140	0.06 186	0.06 30	0.08 210	0.06 92	0.06 95

CFNet	0.15 212	0.11 252	0.17 224	0.17 108	0.08 45	0.19 243	0.10 5	0.29 254	0.26 217	0.19 218	0.24 192	0.24 251	0.18 248	0.18 222	0.15 200	0.08 189	0.06 186	0.09 225	0.10 279	0.08 194	0.07 147

UCFNet_RVC	0.15 212	0.08 133	0.13 108	0.11 1	0.10 214	0.20 260	0.10 5	0.24 182	0.23 179	0.17 180	0.21 173	0.24 251	0.15 206	0.18 222	0.15 200	0.12 310	0.07 240	0.11 292	0.13 330	0.11 287	0.10 264

AdaStereo	0.15 212	0.11 252	0.16 205	0.19 220	0.09 121	0.21 270	0.11 10	0.33 291	0.28 240	0.21 247	0.23 183	0.21 215	0.13 159	0.19 241	0.15 200	0.13 324	0.05 79	0.10 266	0.07 158	0.09 246	0.07 147
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.
iResNetv2_ROB	0.15 212	0.08 133	0.16 205	0.16 60	0.08 45	0.16 192	0.13 45	0.26 207	0.36 294	0.21 247	0.29 264	0.24 251	0.13 159	0.14 145	0.14 170	0.06 50	0.06 186	0.06 30	0.04 7	0.09 246	0.08 210

HSM	0.15 212	0.09 180	0.15 170	0.16 60	0.09 121	0.16 192	0.14 75	0.28 240	0.25 205	0.20 238	0.24 192	0.37 333	0.17 238	0.20 254	0.15 200	0.07 140	0.05 79	0.07 98	0.06 81	0.07 147	0.06 95

pmcnn	0.15 212	0.07 51	0.20 274	0.15 35	0.07 14	0.21 270	0.16 169	0.25 199	0.26 217	0.21 247	0.33 289	0.29 289	0.19 262	0.18 222	0.17 228	0.07 140	0.05 79	0.05 2	0.04 7	0.07 147	0.06 95

1111x	0.16 235	0.09 180	0.13 108	0.18 175	0.08 45	0.18 228	0.25 333	0.32 281	0.25 205	0.17 180	0.24 192	0.27 274	0.15 206	0.14 145	0.24 303	0.07 140	0.07 240	0.08 158	0.09 248	0.07 147	0.07 147

GMStereo_Zeroshot	0.16 235	0.13 286	0.25 303	0.20 261	0.10 214	0.17 212	0.13 45	0.30 264	0.25 205	0.23 269	0.32 282	0.25 260	0.11 102	0.19 241	0.14 170	0.09 231	0.06 186	0.11 292	0.06 81	0.12 300	0.08 210

CRFU-Net	0.16 235	0.08 133	0.15 170	0.17 108	0.09 121	0.20 260	0.14 75	0.27 219	0.21 152	0.28 316	0.28 254	0.29 289	0.18 248	0.19 241	0.18 240	0.09 231	0.09 287	0.07 98	0.07 158	0.08 194	0.09 242

NINENet	0.16 235	0.10 234	0.16 205	0.17 108	0.11 252	0.20 260	0.14 75	0.41 352	0.37 298	0.18 208	0.21 173	0.16 162	0.14 188	0.16 184	0.14 170	0.08 189	0.08 266	0.10 266	0.07 158	0.10 271	0.09 242

CSP-Net	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.19 243	0.18 227	0.25 199	0.33 268	0.26 297	0.31 273	0.25 260	0.16 217	0.21 269	0.19 250	0.09 231	0.06 186	0.07 98	0.07 158	0.08 194	0.08 210

AASNet	0.16 235	0.08 133	0.13 108	0.19 220	0.09 121	0.19 243	0.15 120	0.38 339	0.37 298	0.20 238	0.24 192	0.20 209	0.17 238	0.17 213	0.21 269	0.10 262	0.08 266	0.08 158	0.07 158	0.09 246	0.09 242

AACVNet	0.16 235	0.08 133	0.15 170	0.15 35	0.10 214	0.18 228	0.15 120	0.24 182	0.25 205	0.27 304	0.27 245	0.28 282	0.18 248	0.19 241	0.17 228	0.09 231	0.07 240	0.09 225	0.07 158	0.10 271	0.09 242

ADLNet2	0.16 235	0.09 180	0.14 144	0.17 108	0.09 121	0.20 260	0.16 169	0.32 281	0.39 308	0.17 180	0.20 157	0.20 209	0.19 262	0.21 269	0.23 292	0.08 189	0.07 240	0.07 98	0.07 158	0.09 246	0.07 147

ICVP	0.16 235	0.09 180	0.12 85	0.22 303	0.09 121	0.18 228	0.21 289	0.26 207	0.24 189	0.18 208	0.30 270	0.27 274	0.18 248	0.18 222	0.15 200	0.10 262	0.07 240	0.08 158	0.07 158	0.07 147	0.08 210
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
Anonymous3	0.16 235	0.14 301	0.34 337	0.26 344	0.14 315	0.27 326	0.18 227	0.28 240	0.28 240	0.15 143	0.17 117	0.14 127	0.11 102	0.16 184	0.12 119	0.08 189	0.08 266	0.08 158	0.08 210	0.08 194	0.11 285

ADLNet	0.16 235	0.08 133	0.15 170	0.16 60	0.10 214	0.16 192	0.17 189	0.33 291	0.27 227	0.23 269	0.27 245	0.24 251	0.16 217	0.18 222	0.21 269	0.10 262	0.06 186	0.10 266	0.10 279	0.08 194	0.09 242

HCRNet	0.16 235	0.23 356	0.12 85	0.35 374	0.11 252	0.15 170	0.17 189	0.26 207	0.22 170	0.19 218	0.24 192	0.21 215	0.14 188	0.15 159	0.13 146	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.07 147

222	0.16 235	0.07 51	0.15 170	0.14 11	0.08 45	0.25 308	0.18 227	0.30 264	0.21 152	0.18 208	0.29 264	0.17 178	0.16 217	0.16 184	0.44 379	0.10 262	0.05 79	0.07 98	0.06 81	0.08 194	0.08 210

UPFNet	0.16 235	0.08 133	0.12 85	0.20 261	0.12 280	0.20 260	0.23 310	0.28 240	0.26 217	0.18 208	0.24 192	0.22 231	0.20 275	0.19 241	0.22 282	0.09 231	0.07 240	0.08 158	0.09 248	0.08 194	0.06 95

ac_64	0.16 235	0.09 180	0.15 170	0.18 175	0.10 214	0.22 283	0.17 189	0.24 182	0.22 170	0.19 218	0.24 192	0.29 289	0.18 248	0.19 241	0.22 282	0.09 231	0.08 266	0.08 158	0.09 248	0.07 147	0.06 95

DSFCA	0.16 235	0.09 180	0.14 144	0.16 60	0.10 214	0.21 270	0.19 262	0.28 240	0.31 258	0.23 269	0.25 218	0.22 231	0.16 217	0.20 254	0.20 258	0.10 262	0.07 240	0.09 225	0.09 248	0.08 194	0.08 210

AANet_RVC	0.16 235	0.10 234	0.11 62	0.18 175	0.09 121	0.19 243	0.18 227	0.27 219	0.32 263	0.22 256	0.35 303	0.21 215	0.22 286	0.22 286	0.17 228	0.06 50	0.05 79	0.06 30	0.06 81	0.07 147	0.06 95

DeepPruner_ROB	0.16 235	0.11 252	0.16 205	0.17 108	0.10 214	0.17 212	0.15 120	0.32 281	0.21 152	0.19 218	0.21 173	0.22 231	0.19 262	0.21 269	0.16 217	0.13 324	0.09 287	0.09 225	0.10 279	0.11 287	0.11 285

iinet-f	0.17 253	0.07 51	0.46 356	0.14 11	0.10 214	0.21 270	0.14 75	0.27 219	0.23 179	0.22 256	0.25 218	0.21 215	0.16 217	0.18 222	0.22 282	0.09 231	0.07 240	0.07 98	0.06 81	0.09 246	0.10 264

ToySt	0.17 253	0.11 252	0.19 271	0.17 108	0.11 252	0.16 192	0.26 339	0.24 182	0.33 268	0.19 218	0.24 192	0.26 269	0.24 299	0.19 241	0.21 269	0.07 140	0.08 266	0.09 225	0.10 279	0.09 246	0.08 210

ssnet_v2	0.17 253	0.10 234	0.18 250	0.17 108	0.11 252	0.21 270	0.22 299	0.34 305	0.25 205	0.23 269	0.23 183	0.27 274	0.19 262	0.22 286	0.21 269	0.11 287	0.10 308	0.09 225	0.09 248	0.08 194	0.08 210

GEStereo_RVC	0.17 253	0.12 267	0.16 205	0.22 303	0.11 252	0.19 243	0.18 227	0.32 281	0.49 345	0.20 238	0.25 218	0.17 178	0.13 159	0.21 269	0.16 217	0.10 262	0.06 186	0.08 158	0.07 158	0.09 246	0.08 210

MMNet	0.17 253	0.10 234	0.17 224	0.20 261	0.11 252	0.27 326	0.20 276	0.26 207	0.42 321	0.22 256	0.30 270	0.22 231	0.20 275	0.18 222	0.20 258	0.06 50	0.06 186	0.07 98	0.07 158	0.08 194	0.07 147

delet	0.17 253	0.09 180	0.18 250	0.19 220	0.11 252	0.21 270	0.22 299	0.30 264	0.38 304	0.17 180	0.27 245	0.19 194	0.19 262	0.19 241	0.21 269	0.08 189	0.08 266	0.09 225	0.11 302	0.06 92	0.07 147

UNet	0.17 253	0.09 180	0.18 250	0.19 220	0.12 280	0.28 334	0.19 262	0.33 291	0.30 251	0.21 247	0.25 218	0.23 242	0.19 262	0.20 254	0.19 250	0.07 140	0.06 186	0.08 158	0.07 158	0.08 194	0.07 147

HGLStereo	0.17 253	0.09 180	0.19 271	0.17 108	0.12 280	0.18 228	0.18 227	0.31 277	0.33 268	0.22 256	0.33 289	0.24 251	0.18 248	0.20 254	0.21 269	0.10 262	0.09 287	0.07 98	0.07 158	0.09 246	0.10 264

DMCA-RVC	0.17 253	0.10 234	0.16 205	0.24 328	0.11 252	0.19 243	0.18 227	0.26 207	0.24 189	0.21 247	0.27 245	0.25 260	0.27 317	0.18 222	0.21 269	0.12 310	0.08 266	0.13 322	0.10 279	0.10 271	0.08 210

FADNet-RVC-Resample	0.17 253	0.12 267	0.32 333	0.22 303	0.12 280	0.19 243	0.14 75	0.25 199	0.24 189	0.24 280	0.27 245	0.20 209	0.15 206	0.17 213	0.16 217	0.07 140	0.08 266	0.12 309	0.10 279	0.09 246	0.11 285

FADNet_RVC	0.17 253	0.14 301	0.41 351	0.20 261	0.11 252	0.13 121	0.13 45	0.27 219	0.22 170	0.21 247	0.23 183	0.20 209	0.18 248	0.15 159	0.17 228	0.08 189	0.08 266	0.12 309	0.09 248	0.11 287	0.10 264

NLCA_NET_v2_RVC	0.17 253	0.10 234	0.23 293	0.20 261	0.10 214	0.15 170	0.18 227	0.31 277	0.25 205	0.21 247	0.31 273	0.25 260	0.17 238	0.21 269	0.20 258	0.09 231	0.06 186	0.08 158	0.09 248	0.07 147	0.08 210
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	0.17 253	0.12 267	0.16 205	0.20 261	0.10 214	0.18 228	0.18 227	0.27 219	0.24 189	0.26 297	0.41 337	0.23 242	0.18 248	0.21 269	0.21 269	0.09 231	0.05 79	0.09 225	0.10 279	0.07 147	0.07 147
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
fast-acv-ft	0.18 266	0.11 252	0.20 274	0.19 220	0.12 280	0.26 318	0.21 289	0.26 207	0.35 289	0.22 256	0.34 299	0.27 274	0.21 279	0.21 269	0.23 292	0.09 231	0.09 287	0.08 158	0.10 279	0.08 194	0.07 147

HBP-ISP	0.18 266	0.13 286	0.17 224	0.15 35	0.11 252	0.08 22	0.13 45	0.28 240	0.30 251	0.22 256	0.33 289	0.21 215	0.25 305	0.23 293	0.18 240	0.15 344	0.17 360	0.21 362	0.17 355	0.10 271	0.09 242

Wz-Net-LNSev-Ref	0.18 266	0.09 180	0.30 326	0.15 35	0.11 252	0.23 294	0.20 276	0.27 219	0.40 312	0.26 297	0.43 346	0.25 260	0.15 206	0.21 269	0.20 258	0.07 140	0.05 79	0.06 30	0.05 31	0.10 271	0.09 242

dad	0.18 266	0.20 345	0.21 280	0.17 108	0.11 252	0.20 260	0.19 262	0.21 132	0.28 240	0.30 326	0.24 192	0.30 296	0.13 159	0.19 241	0.17 228	0.18 361	0.09 287	0.11 292	0.09 248	0.11 287	0.07 147

hitnet-ft	0.18 266	0.10 234	0.17 224	0.14 11	0.09 121	0.27 326	0.20 276	0.25 199	0.26 217	0.24 280	0.32 282	0.32 314	0.23 292	0.24 303	0.21 269	0.12 310	0.07 240	0.10 266	0.08 210	0.12 300	0.11 285

STTStereo	0.18 266	0.13 286	0.28 313	0.20 261	0.11 252	0.16 192	0.21 289	0.29 254	0.23 179	0.22 256	0.30 270	0.29 289	0.18 248	0.20 254	0.20 258	0.12 310	0.11 319	0.11 292	0.14 336	0.09 246	0.08 210

TDLM	0.18 266	0.12 267	0.14 144	0.24 328	0.10 214	0.18 228	0.18 227	0.37 332	0.30 251	0.22 256	0.28 254	0.28 282	0.18 248	0.23 293	0.19 250	0.11 287	0.07 240	0.10 266	0.10 279	0.08 194	0.08 210

CVANet_RVC	0.18 266	0.11 252	0.14 144	0.21 287	0.11 252	0.19 243	0.18 227	0.34 305	0.34 278	0.22 256	0.31 273	0.28 282	0.18 248	0.24 303	0.18 240	0.12 310	0.08 266	0.12 309	0.12 320	0.09 246	0.08 210

DLCB_ROB	0.18 266	0.10 234	0.16 205	0.23 320	0.11 252	0.24 300	0.18 227	0.30 264	0.28 240	0.27 304	0.29 264	0.28 282	0.25 305	0.20 254	0.20 258	0.08 189	0.08 266	0.09 225	0.09 248	0.07 147	0.07 147

SACVNet	0.19 275	0.12 267	0.15 170	0.17 108	0.13 300	0.22 283	0.18 227	0.31 277	0.31 258	0.24 280	0.31 273	0.30 296	0.23 292	0.23 293	0.17 228	0.11 287	0.08 266	0.10 266	0.10 279	0.12 300	0.14 325

pcwnet_v2	0.19 275	0.11 252	0.26 309	0.18 175	0.14 315	0.18 228	0.15 120	0.37 332	0.46 341	0.19 218	0.24 192	0.21 215	0.19 262	0.21 269	0.20 258	0.13 324	0.10 308	0.10 266	0.10 279	0.11 287	0.13 312

psm_up	0.19 275	0.10 234	0.18 250	0.21 287	0.11 252	0.17 212	0.19 262	0.38 339	0.34 278	0.22 256	0.28 254	0.29 289	0.25 305	0.20 254	0.22 282	0.09 231	0.10 308	0.11 292	0.11 302	0.08 194	0.08 210

NVstereo2D	0.19 275	0.11 252	0.16 205	0.17 108	0.16 337	0.28 334	0.23 310	0.44 365	0.42 321	0.15 143	0.28 254	0.25 260	0.19 262	0.23 293	0.18 240	0.09 231	0.06 186	0.10 266	0.08 210	0.15 341	0.10 264

StereoDRNet	0.19 275	0.11 252	0.18 250	0.22 303	0.11 252	0.22 283	0.22 299	0.37 332	0.34 278	0.24 280	0.28 254	0.30 296	0.19 262	0.20 254	0.21 269	0.10 262	0.08 266	0.11 292	0.09 248	0.09 246	0.07 147

CBMV_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.11 252	0.16 192	0.12 23	0.27 219	0.29 246	0.27 304	0.31 273	0.27 274	0.24 299	0.24 303	0.16 217	0.15 344	0.18 362	0.22 366	0.20 361	0.10 271	0.12 303

NOSS_ROB	0.19 275	0.13 286	0.18 250	0.16 60	0.12 280	0.16 192	0.12 23	0.30 264	0.33 268	0.20 238	0.22 182	0.27 274	0.24 299	0.21 269	0.16 217	0.16 356	0.18 362	0.23 367	0.21 363	0.13 315	0.13 312

SDNR	0.20 282	0.09 180	0.19 271	0.16 60	0.12 280	0.79 395	0.13 45	0.26 207	0.33 268	0.19 218	0.25 218	0.19 194	0.12 130	0.19 241	0.15 200	0.16 356	0.18 362	0.14 333	0.11 302	0.08 194	0.12 303

GwcNet	0.20 282	0.14 301	0.20 274	0.18 175	0.12 280	0.25 308	0.20 276	0.36 325	0.45 333	0.20 238	0.33 289	0.33 320	0.21 279	0.22 286	0.25 310	0.11 287	0.09 287	0.09 225	0.09 248	0.09 246	0.10 264

SuperB	0.20 282	0.10 234	0.57 369	0.16 60	0.09 121	0.19 243	0.18 227	0.25 199	0.51 350	0.27 304	0.39 324	0.17 178	0.22 286	0.22 286	0.21 269	0.08 189	0.06 186	0.06 30	0.06 81	0.12 300	0.11 285

ADCRef	0.20 282	0.12 267	0.43 354	0.20 261	0.12 280	0.23 294	0.18 227	0.32 281	0.37 298	0.26 297	0.33 289	0.18 190	0.23 292	0.25 308	0.26 321	0.07 140	0.06 186	0.09 225	0.09 248	0.08 194	0.09 242

ADCP+	0.20 282	0.10 234	0.35 343	0.21 287	0.12 280	0.22 283	0.27 343	0.31 277	0.35 289	0.26 297	0.37 310	0.22 231	0.22 286	0.27 314	0.28 333	0.09 231	0.06 186	0.08 158	0.08 210	0.10 271	0.10 264

PS-NSSS	0.20 282	0.21 350	0.23 293	0.20 261	0.10 214	0.19 243	0.17 189	0.36 325	0.26 217	0.27 304	0.34 299	0.27 274	0.24 299	0.20 254	0.20 258	0.15 344	0.12 327	0.17 349	0.14 336	0.10 271	0.09 242

DRN-Test	0.20 282	0.11 252	0.21 280	0.22 303	0.10 214	0.22 283	0.22 299	0.40 347	0.38 304	0.24 280	0.33 289	0.26 269	0.22 286	0.22 286	0.25 310	0.11 287	0.07 240	0.11 292	0.10 279	0.09 246	0.08 210

DISCO	0.20 282	0.09 180	0.22 287	0.17 108	0.10 214	0.25 308	0.18 227	0.28 240	0.45 333	0.23 269	0.32 282	0.34 324	0.26 312	0.29 329	0.29 340	0.08 189	0.06 186	0.07 98	0.07 158	0.09 246	0.10 264

SGM-Forest	0.20 282	0.14 301	0.18 250	0.20 261	0.13 300	0.21 270	0.22 299	0.33 291	0.31 258	0.24 280	0.29 264	0.28 282	0.20 275	0.23 293	0.18 240	0.15 344	0.16 356	0.15 340	0.14 336	0.13 315	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.20 282	0.15 307	0.18 250	0.18 175	0.10 214	0.20 260	0.11 10	0.30 264	0.31 258	0.29 321	0.31 273	0.31 308	0.23 292	0.28 322	0.19 250	0.13 324	0.15 351	0.17 349	0.16 348	0.10 271	0.10 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
UDG	0.21 292	0.17 324	0.20 274	0.23 320	0.15 325	0.31 341	0.20 276	0.33 291	0.35 289	0.24 280	0.28 254	0.31 308	0.29 329	0.21 269	0.23 292	0.15 344	0.12 327	0.13 322	0.09 248	0.14 330	0.15 340

FAT-Stereo	0.21 292	0.13 286	0.22 287	0.21 287	0.12 280	0.18 228	0.18 227	0.35 320	0.40 312	0.28 316	0.37 310	0.33 320	0.33 349	0.21 269	0.20 258	0.09 231	0.11 319	0.10 266	0.09 248	0.11 287	0.14 325

FADNet-RVC	0.21 292	0.20 345	0.40 349	0.21 287	0.16 337	0.21 270	0.15 120	0.27 219	0.27 227	0.26 297	0.32 282	0.26 269	0.21 279	0.22 286	0.19 250	0.12 310	0.13 339	0.12 309	0.14 336	0.13 315	0.18 359

FADNet	0.21 292	0.23 356	0.37 346	0.18 175	0.17 347	0.25 308	0.13 45	0.32 281	0.32 263	0.23 269	0.25 218	0.27 274	0.21 279	0.19 241	0.16 217	0.13 324	0.15 351	0.12 309	0.15 346	0.17 356	0.18 359

S-Stereo	0.21 292	0.12 267	0.25 303	0.21 287	0.13 300	0.21 270	0.19 262	0.33 291	0.45 333	0.23 269	0.36 307	0.28 282	0.29 329	0.20 254	0.23 292	0.09 231	0.12 327	0.10 266	0.10 279	0.13 315	0.14 325

DANet	0.21 292	0.16 315	0.29 321	0.25 334	0.13 300	0.23 294	0.19 262	0.28 240	0.27 227	0.28 316	0.32 282	0.35 329	0.32 347	0.31 336	0.24 303	0.11 287	0.09 287	0.11 292	0.10 279	0.13 315	0.11 285
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
PWC_ROB	0.21 292	0.16 315	0.27 311	0.18 175	0.11 252	0.22 283	0.13 45	0.33 291	0.49 345	0.30 326	0.40 327	0.32 314	0.25 305	0.31 336	0.23 292	0.10 262	0.07 240	0.11 292	0.08 210	0.11 287	0.10 264

PWCDC_ROB	0.21 292	0.13 286	0.23 293	0.25 334	0.12 280	0.20 260	0.15 120	0.34 305	0.55 360	0.29 321	0.49 356	0.21 215	0.15 206	0.28 322	0.20 258	0.11 287	0.09 287	0.10 266	0.08 210	0.11 287	0.09 242

GASNet	0.22 300	0.24 359	0.34 337	0.26 344	0.17 347	0.27 326	0.16 169	0.45 367	0.42 321	0.27 304	0.24 192	0.30 296	0.16 217	0.27 314	0.18 240	0.12 310	0.09 287	0.12 309	0.11 302	0.16 349	0.08 210

Anonymous_2	0.22 300	0.17 324	0.28 313	0.15 35	0.16 337	0.33 345	0.22 299	0.23 165	0.18 107	0.23 269	0.24 192	0.26 269	0.27 317	0.27 314	0.24 303	0.22 372	0.26 380	0.17 349	0.17 355	0.16 349	0.18 359

Wz-Net-LNSev	0.22 300	0.16 315	0.41 351	0.22 303	0.13 300	0.25 308	0.24 318	0.33 291	0.44 330	0.30 326	0.42 343	0.32 314	0.19 262	0.23 293	0.27 326	0.10 262	0.09 287	0.08 158	0.08 210	0.12 300	0.11 285

FINET	0.22 300	0.18 337	0.28 313	0.19 220	0.16 337	0.24 300	0.24 318	0.33 291	0.49 345	0.26 297	0.33 289	0.22 231	0.23 292	0.23 293	0.18 240	0.18 361	0.16 356	0.11 292	0.10 279	0.15 341	0.14 325

Syn2CoEx	0.22 300	0.16 315	0.29 321	0.29 364	0.15 325	0.26 318	0.21 289	0.34 305	0.32 263	0.29 321	0.36 307	0.28 282	0.25 305	0.20 254	0.25 310	0.16 356	0.12 327	0.14 333	0.11 302	0.09 246	0.08 210

aanetorigin	0.22 300	0.17 324	0.57 369	0.18 175	0.10 214	0.16 192	0.19 262	0.20 121	0.33 268	0.49 371	0.48 355	0.30 296	0.28 326	0.21 269	0.24 303	0.08 189	0.07 240	0.08 158	0.07 158	0.10 271	0.09 242

MaskLacGwcNet_RVC	0.22 300	0.21 350	0.25 303	0.26 344	0.11 252	0.24 300	0.14 75	0.39 344	0.24 189	0.32 338	0.36 307	0.30 296	0.21 279	0.19 241	0.22 282	0.17 360	0.14 347	0.21 362	0.16 348	0.13 315	0.12 303

RP	0.22 300	0.13 286	0.22 287	0.23 320	0.12 280	0.21 270	0.20 276	0.26 207	0.45 333	0.22 256	0.38 317	0.37 333	0.25 305	0.28 322	0.25 310	0.11 287	0.12 327	0.13 322	0.12 320	0.13 315	0.14 325

stereogan	0.22 300	0.11 252	0.21 280	0.20 261	0.12 280	0.32 343	0.19 262	0.36 325	0.45 333	0.23 269	0.39 324	0.35 329	0.27 317	0.33 343	0.23 292	0.10 262	0.12 327	0.10 266	0.10 279	0.14 330	0.14 325

GANet	0.22 300	0.13 286	0.21 280	0.25 334	0.14 315	0.23 294	0.22 299	0.42 356	0.27 227	0.31 331	0.43 346	0.37 333	0.29 329	0.23 293	0.23 292	0.10 262	0.12 327	0.10 266	0.09 248	0.10 271	0.08 210

MDST_ROB	0.22 300	0.10 234	0.18 250	0.18 175	0.11 252	0.40 366	0.19 262	0.44 365	0.42 321	0.40 355	0.40 327	0.29 289	0.21 279	0.27 314	0.19 250	0.11 287	0.10 308	0.14 333	0.11 302	0.10 271	0.08 210

XPNet_ROB	0.22 300	0.12 267	0.20 274	0.22 303	0.13 300	0.22 283	0.19 262	0.35 320	0.40 312	0.30 326	0.40 327	0.38 339	0.27 317	0.26 312	0.29 340	0.15 344	0.10 308	0.10 266	0.10 279	0.13 315	0.12 303

PSMNet_ROB	0.22 300	0.12 267	0.15 170	0.27 351	0.15 325	0.25 308	0.36 377	0.43 361	0.37 298	0.27 304	0.33 289	0.32 314	0.23 292	0.21 269	0.27 326	0.12 310	0.08 266	0.13 322	0.11 302	0.10 271	0.09 242

Wz-Net-MNSev	0.23 313	0.13 286	0.33 334	0.20 261	0.15 325	0.36 357	0.25 333	0.34 305	0.45 333	0.29 321	0.41 337	0.39 344	0.19 262	0.25 308	0.27 326	0.09 231	0.07 240	0.09 225	0.09 248	0.12 300	0.10 264

DDUNet	0.23 313	0.18 337	0.22 287	0.22 303	0.15 325	0.25 308	0.24 318	0.30 264	0.31 258	0.31 331	0.37 310	0.34 324	0.26 312	0.25 308	0.21 269	0.18 361	0.13 339	0.17 349	0.11 302	0.16 349	0.17 357

APVNet	0.23 313	0.12 267	0.20 274	0.18 175	0.14 315	0.32 343	0.31 366	0.40 347	0.33 268	0.27 304	0.40 327	0.30 296	0.29 329	0.27 314	0.25 310	0.11 287	0.12 327	0.11 292	0.14 336	0.12 300	0.13 312

AF-Net	0.23 313	0.17 324	0.17 224	0.27 351	0.13 300	0.26 318	0.24 318	0.33 291	0.51 350	0.25 293	0.33 289	0.39 344	0.27 317	0.28 322	0.26 321	0.11 287	0.10 308	0.16 347	0.12 320	0.11 287	0.11 285

edge stereo	0.23 313	0.14 301	0.21 280	0.21 287	0.13 300	0.24 300	0.16 169	0.32 281	0.42 321	0.32 338	0.40 327	0.39 344	0.35 353	0.25 308	0.25 310	0.13 324	0.11 319	0.14 333	0.11 302	0.12 300	0.14 325

Nwc_Net	0.23 313	0.17 324	0.22 287	0.25 334	0.15 325	0.25 308	0.27 343	0.38 339	0.39 308	0.22 256	0.41 337	0.30 296	0.29 329	0.28 322	0.25 310	0.11 287	0.10 308	0.17 349	0.20 361	0.10 271	0.11 285

RTSC	0.23 313	0.13 286	0.30 326	0.21 287	0.13 300	0.29 336	0.17 189	0.36 325	0.68 378	0.27 304	0.34 299	0.30 296	0.22 286	0.32 340	0.31 350	0.10 262	0.08 266	0.09 225	0.10 279	0.13 315	0.14 325

RYNet	0.23 313	0.12 267	0.22 287	0.19 220	0.17 347	0.47 371	0.26 339	0.39 344	0.49 345	0.24 280	0.29 264	0.34 324	0.24 299	0.20 254	0.31 350	0.10 262	0.06 186	0.09 225	0.09 248	0.14 330	0.15 340

NaN_ROB	0.23 313	0.20 345	0.25 303	0.25 334	0.13 300	0.31 341	0.27 343	0.34 305	0.41 319	0.31 331	0.31 273	0.32 314	0.23 292	0.31 336	0.22 282	0.11 287	0.17 360	0.10 266	0.11 302	0.08 194	0.09 242

ETE_ROB	0.23 313	0.17 324	0.23 293	0.25 334	0.14 315	0.26 318	0.29 359	0.32 281	0.37 298	0.28 316	0.37 310	0.45 360	0.27 317	0.28 322	0.27 326	0.11 287	0.09 287	0.12 309	0.10 279	0.14 330	0.13 312

SQANet	0.24 323	0.24 359	0.31 329	0.31 368	0.19 360	0.27 326	0.13 45	0.30 264	0.33 268	0.25 293	0.37 310	0.31 308	0.22 286	0.27 314	0.23 292	0.15 344	0.10 308	0.21 362	0.16 348	0.22 364	0.16 349

DeepPrunerF	0.24 323	0.17 324	0.45 355	0.26 344	0.16 337	0.23 294	0.29 359	0.37 332	0.51 350	0.27 304	0.31 273	0.24 251	0.28 326	0.22 286	0.23 292	0.15 344	0.11 319	0.20 361	0.18 359	0.12 300	0.14 325

PA-Net	0.24 323	0.18 337	0.34 337	0.28 357	0.22 367	0.22 283	0.39 382	0.29 254	0.39 308	0.22 256	0.33 289	0.25 260	0.26 312	0.21 269	0.25 310	0.10 262	0.23 378	0.15 340	0.22 366	0.09 246	0.13 312
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.24 323	0.19 340	0.52 363	0.25 334	0.18 356	0.21 270	0.22 299	0.34 305	0.45 333	0.25 293	0.35 303	0.26 269	0.19 262	0.31 336	0.29 340	0.13 324	0.12 327	0.12 309	0.13 330	0.12 300	0.14 325

NCCL2	0.24 323	0.15 307	0.18 250	0.34 372	0.18 356	0.24 300	0.24 318	0.34 305	0.29 246	0.31 331	0.38 317	0.38 339	0.29 329	0.23 293	0.25 310	0.15 344	0.12 327	0.18 357	0.21 363	0.13 315	0.13 312

WCMA_ROB	0.24 323	0.11 252	0.24 299	0.17 108	0.14 315	0.34 349	0.16 169	0.33 291	0.33 268	0.39 352	0.54 363	0.40 350	0.35 353	0.35 351	0.26 321	0.12 310	0.12 327	0.12 309	0.11 302	0.14 330	0.14 325

SGM_RVC	0.24 323	0.12 267	0.16 205	0.15 35	0.09 121	0.34 349	0.19 262	0.35 320	0.32 263	0.44 366	0.38 317	0.53 373	0.36 356	0.36 355	0.26 321	0.13 324	0.13 339	0.13 322	0.13 330	0.11 287	0.11 285
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.25 330	0.19 340	0.34 337	0.21 287	0.24 370	0.24 300	0.21 289	0.36 325	0.42 321	0.25 293	0.32 282	0.38 339	0.21 279	0.29 329	0.24 303	0.13 324	0.11 319	0.14 333	0.16 348	0.23 366	0.23 372

psmorigin	0.25 330	0.16 315	0.35 343	0.17 108	0.13 300	0.24 300	0.14 75	0.34 305	0.34 278	0.41 359	0.55 364	0.41 352	0.38 359	0.35 351	0.28 333	0.11 287	0.15 351	0.11 292	0.11 302	0.12 300	0.17 357

RGC	0.25 330	0.20 345	0.29 321	0.28 357	0.16 337	0.22 283	0.23 310	0.33 291	0.44 330	0.27 304	0.40 327	0.38 339	0.28 326	0.37 359	0.23 292	0.11 287	0.13 339	0.17 349	0.17 355	0.15 341	0.16 349

G-Net	0.25 330	0.17 324	0.38 347	0.23 320	0.16 337	0.51 374	0.23 310	0.29 254	0.35 289	0.36 345	0.38 317	0.31 308	0.29 329	0.28 322	0.27 326	0.11 287	0.09 287	0.12 309	0.10 279	0.16 349	0.14 325

NCC-stereo	0.25 330	0.15 307	0.31 329	0.26 344	0.17 347	0.21 270	0.31 366	0.41 352	0.40 312	0.24 280	0.38 317	0.33 320	0.29 329	0.37 359	0.28 333	0.13 324	0.11 319	0.15 340	0.22 366	0.13 315	0.13 312

Abc-Net	0.25 330	0.15 307	0.31 329	0.26 344	0.17 347	0.21 270	0.31 366	0.41 352	0.40 312	0.24 280	0.38 317	0.33 320	0.29 329	0.37 359	0.28 333	0.13 324	0.11 319	0.15 340	0.22 366	0.13 315	0.13 312
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.25 330	0.12 267	0.49 361	0.22 303	0.12 280	0.36 357	0.29 359	0.30 264	0.57 363	0.24 280	0.47 354	0.30 296	0.31 345	0.30 335	0.30 346	0.09 231	0.07 240	0.09 225	0.09 248	0.10 271	0.10 264

FBW_ROB	0.25 330	0.17 324	0.23 293	0.27 351	0.14 315	0.26 318	0.22 299	0.42 356	0.43 328	0.42 361	0.41 337	0.43 356	0.27 317	0.32 340	0.24 303	0.09 231	0.15 351	0.15 340	0.12 320	0.12 300	0.10 264

SANet	0.25 330	0.14 301	0.29 321	0.21 287	0.11 252	0.29 336	0.25 333	0.40 347	0.65 377	0.36 345	0.40 327	0.42 354	0.27 317	0.27 314	0.25 310	0.12 310	0.09 287	0.10 266	0.09 248	0.13 315	0.12 303

LALA_ROB	0.25 330	0.16 315	0.23 293	0.27 351	0.17 347	0.27 326	0.27 343	0.42 356	0.38 304	0.33 342	0.39 324	0.51 370	0.26 312	0.29 329	0.28 333	0.16 356	0.09 287	0.13 322	0.12 320	0.13 315	0.13 312

Wz-Net-SNSev	0.26 340	0.17 324	0.46 356	0.25 334	0.14 315	0.26 318	0.24 318	0.38 339	0.57 363	0.30 326	0.56 365	0.39 344	0.26 312	0.24 303	0.32 355	0.10 262	0.09 287	0.10 266	0.11 302	0.11 287	0.11 285

SHD	0.26 340	0.15 307	0.31 329	0.24 328	0.18 356	0.23 294	0.15 120	0.39 344	0.72 383	0.32 338	0.42 343	0.36 331	0.29 329	0.33 343	0.30 346	0.13 324	0.11 319	0.14 333	0.13 330	0.16 349	0.20 367

ADCMid	0.26 340	0.15 307	0.42 353	0.20 261	0.14 315	0.25 308	0.26 339	0.35 320	0.40 312	0.37 349	0.45 350	0.34 324	0.42 368	0.36 355	0.36 362	0.10 262	0.09 287	0.11 292	0.11 302	0.13 315	0.13 312

AnyNet_C32	0.26 340	0.16 315	0.39 348	0.20 261	0.17 347	0.26 318	0.31 366	0.32 281	0.45 333	0.31 331	0.50 358	0.30 296	0.34 350	0.41 372	0.36 362	0.12 310	0.12 327	0.12 309	0.14 336	0.14 330	0.15 340

ADCPNet	0.26 340	0.17 324	0.62 374	0.21 287	0.15 325	0.36 357	0.25 333	0.33 291	0.37 298	0.31 331	0.41 337	0.36 331	0.29 329	0.29 329	0.34 360	0.12 310	0.10 308	0.11 292	0.12 320	0.14 330	0.13 312

DispFullNet	0.27 345	0.22 354	0.66 377	0.28 357	0.17 347	0.27 326	0.17 189	0.34 305	0.57 363	0.27 304	0.37 310	0.43 356	0.24 299	0.39 364	0.25 310	0.12 310	0.06 186	0.19 359	0.11 302	0.23 366	0.16 349

MeshStereo	0.27 345	0.13 286	0.18 250	0.15 35	0.11 252	0.33 345	0.24 318	0.41 352	0.36 294	0.53 374	0.58 371	0.67 383	0.41 365	0.36 355	0.27 326	0.14 342	0.13 339	0.13 322	0.11 302	0.11 287	0.11 285
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
CC-Net-ROB	0.28 347	0.31 375	0.36 345	0.30 366	0.15 325	0.25 308	0.19 262	0.45 367	0.34 278	0.39 352	0.37 310	0.39 344	0.31 345	0.27 314	0.27 326	0.24 379	0.18 362	0.30 380	0.23 370	0.19 361	0.15 340

DPSNet	0.28 347	0.16 315	0.33 334	0.18 175	0.13 300	0.55 377	0.42 385	0.52 377	0.68 378	0.29 321	0.38 317	0.39 344	0.30 340	0.32 340	0.23 292	0.11 287	0.10 308	0.11 292	0.08 210	0.20 363	0.16 349

PDISCO_ROB	0.28 347	0.16 315	0.28 313	0.28 357	0.20 363	0.33 345	0.27 343	0.45 367	0.58 366	0.28 316	0.41 337	0.45 360	0.30 340	0.34 346	0.35 361	0.12 310	0.09 287	0.17 349	0.16 348	0.17 356	0.13 312

Wz-Net-TNSev	0.29 350	0.20 345	0.69 385	0.19 220	0.15 325	0.38 363	0.27 343	0.36 325	0.56 362	0.35 343	0.42 343	0.45 360	0.39 360	0.33 343	0.31 350	0.13 324	0.13 339	0.10 266	0.12 320	0.15 341	0.15 340

WZ-Net	0.29 350	0.17 324	0.82 393	0.23 320	0.16 337	0.35 353	0.29 359	0.40 347	0.59 368	0.24 280	0.57 369	0.37 333	0.25 305	0.34 346	0.37 366	0.09 231	0.08 266	0.09 225	0.10 279	0.14 330	0.16 349

XQC	0.29 350	0.23 356	0.53 364	0.29 364	0.19 360	0.36 357	0.28 349	0.37 332	0.58 366	0.31 331	0.31 273	0.37 333	0.30 340	0.39 364	0.39 370	0.13 324	0.09 287	0.15 340	0.12 320	0.18 358	0.18 359

ccnet	0.30 353	0.28 367	0.24 299	0.20 261	0.28 377	0.41 367	0.22 299	0.46 370	0.33 268	0.37 349	0.46 352	0.37 333	0.30 340	0.40 367	0.43 376	0.23 377	0.14 347	0.21 362	0.17 355	0.23 366	0.19 364

EDNetEfficient	0.30 353	0.24 359	1.18 401	0.18 175	0.10 214	0.20 260	0.20 276	0.21 132	0.61 370	0.74 388	0.56 365	0.30 296	0.40 364	0.23 293	0.32 355	0.09 231	0.07 240	0.08 158	0.07 158	0.11 287	0.10 264

MFN_U_SF_DS_RVC	0.30 353	0.24 359	0.30 326	0.36 376	0.16 337	0.36 357	0.31 366	0.34 305	0.43 328	0.41 359	0.46 352	0.38 339	0.30 340	0.35 351	0.29 340	0.19 364	0.20 368	0.26 369	0.29 378	0.18 358	0.19 364

ADCS	0.30 353	0.19 340	0.48 360	0.21 287	0.18 356	0.29 336	0.24 318	0.42 356	0.64 375	0.40 355	0.50 358	0.40 350	0.37 357	0.40 367	0.43 376	0.13 324	0.13 339	0.13 322	0.14 336	0.16 349	0.16 349

CSAN	0.30 353	0.24 359	0.28 313	0.34 372	0.19 360	0.34 349	0.42 385	0.38 339	0.51 350	0.38 351	0.40 327	0.44 359	0.34 350	0.29 329	0.31 350	0.19 364	0.16 356	0.19 359	0.19 360	0.14 330	0.15 340

GANetREF_RVC	0.31 358	0.34 377	0.29 321	0.35 374	0.16 337	0.33 345	0.42 385	0.48 372	0.52 356	0.35 343	0.35 303	0.34 324	0.32 347	0.40 367	0.33 358	0.27 381	0.20 368	0.29 378	0.15 346	0.19 361	0.18 359
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	0.31 358	0.26 365	0.26 309	0.24 328	0.21 365	0.34 349	0.25 333	0.34 305	0.39 308	0.40 355	0.69 379	0.45 360	0.41 365	0.34 346	0.28 333	0.20 368	0.20 368	0.26 369	0.25 372	0.23 366	0.22 371

FCDSN-DC	0.33 360	0.28 367	0.28 313	0.30 366	0.24 370	0.39 365	0.28 349	0.43 361	0.42 321	0.44 366	0.53 362	0.51 370	0.42 368	0.37 359	0.30 346	0.21 370	0.20 368	0.27 372	0.26 373	0.25 374	0.25 374
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MFN_U_SF_RVC	0.33 360	0.22 354	0.58 372	0.31 368	0.15 325	0.36 357	0.17 189	0.54 380	0.46 341	0.47 370	0.56 365	0.58 376	0.39 360	0.36 355	0.38 369	0.15 344	0.15 351	0.18 357	0.21 363	0.16 349	0.16 349

FC-DCNN	0.33 360	0.28 367	0.28 313	0.26 344	0.23 368	0.38 363	0.29 359	0.40 347	0.44 330	0.46 369	0.56 365	0.51 370	0.41 365	0.38 363	0.31 350	0.21 370	0.20 368	0.27 372	0.26 373	0.25 374	0.24 373

PASM	0.33 360	0.25 364	0.51 362	0.28 357	0.27 376	0.30 339	0.31 366	0.35 320	0.51 350	0.36 345	0.40 327	0.47 367	0.35 353	0.34 346	0.36 362	0.23 377	0.26 380	0.26 369	0.28 377	0.23 366	0.21 368

SGM-ForestM	0.33 360	0.12 267	0.17 224	0.16 60	0.11 252	0.42 368	0.20 276	0.43 361	0.53 359	0.53 374	0.57 369	1.41 405	0.44 373	0.42 373	0.29 340	0.14 342	0.16 356	0.16 347	0.16 348	0.12 300	0.13 312

LSM	0.34 365	0.21 350	0.62 374	0.27 351	0.62 399	0.35 353	0.26 339	0.43 361	0.49 345	0.45 368	0.60 374	0.42 354	0.37 357	0.35 351	0.26 321	0.13 324	0.21 375	0.14 333	0.16 348	0.18 358	0.34 386

AnyNet_C01	0.37 366	0.26 365	1.41 404	0.22 303	0.17 347	0.51 374	0.28 349	0.36 325	0.40 312	0.39 352	0.75 385	0.46 364	0.39 360	0.46 375	0.50 386	0.13 324	0.13 339	0.13 322	0.14 336	0.14 330	0.16 349

otaku	0.39 367	0.38 380	0.53 364	0.44 382	0.28 377	0.57 379	0.24 318	0.42 356	0.62 373	0.40 355	0.50 358	0.46 364	0.34 350	0.40 367	0.33 358	0.30 382	0.30 384	0.39 384	0.33 383	0.30 379	0.29 380

ACVNet-4b	0.39 367	0.53 386	0.56 367	0.45 383	0.24 370	0.46 370	0.18 227	0.50 374	0.64 375	0.42 361	0.45 350	0.60 377	0.27 317	0.34 346	0.24 303	0.33 384	0.14 347	0.48 387	0.42 387	0.31 382	0.27 379

PVD	0.40 369	0.21 350	0.40 349	0.32 371	0.23 368	0.30 339	0.45 389	0.53 379	0.97 396	0.55 376	0.80 389	0.54 374	0.60 386	0.53 381	0.40 372	0.19 364	0.14 347	0.17 349	0.14 336	0.24 372	0.32 384

Ntro	0.41 370	0.40 382	0.54 366	0.46 386	0.30 381	0.64 383	0.24 318	0.47 371	0.68 378	0.42 361	0.49 356	0.47 367	0.42 368	0.40 367	0.32 355	0.32 383	0.28 382	0.37 383	0.31 381	0.33 384	0.29 380

SAMSARA	0.41 370	0.28 367	0.34 337	0.55 389	0.39 383	0.85 398	1.25 413	0.49 373	0.52 356	0.36 345	0.35 303	0.56 375	0.39 360	0.39 364	0.41 373	0.15 344	0.20 368	0.15 340	0.14 336	0.23 366	0.21 368

ELAS_RVC	0.42 372	0.29 373	0.33 334	0.28 357	0.24 370	0.56 378	0.38 380	0.50 374	0.61 370	0.74 388	0.76 386	0.67 383	0.56 382	0.55 383	0.42 375	0.22 372	0.21 375	0.27 372	0.26 373	0.27 378	0.26 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 372	0.29 373	0.34 337	0.28 357	0.24 370	0.63 382	0.37 378	0.52 377	0.52 356	0.72 385	0.82 390	0.68 385	0.56 382	0.52 379	0.45 382	0.22 372	0.21 375	0.27 372	0.26 373	0.26 376	0.26 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Consistency-Raft	0.44 374	0.40 382	0.46 356	0.37 377	0.43 386	0.42 368	0.41 383	0.57 382	0.55 360	0.32 338	0.73 383	0.32 314	0.50 377	0.42 373	0.49 385	0.39 386	0.36 386	0.45 386	0.52 396	0.42 386	0.30 382

MSC_U_SF_DS_RVC	0.44 374	0.39 381	0.56 367	0.40 378	0.20 363	0.66 385	0.33 375	0.54 380	0.72 383	0.71 384	0.72 382	0.62 378	0.55 380	0.52 379	0.47 383	0.20 368	0.19 367	0.29 378	0.30 380	0.24 372	0.19 364

ACVNet_1	0.45 376	0.51 385	0.61 373	0.45 383	0.28 377	0.50 372	0.28 349	0.58 387	0.71 382	0.63 379	0.59 373	0.74 388	0.50 377	0.50 377	0.36 362	0.26 380	0.25 379	0.39 384	0.29 378	0.32 383	0.25 374

RTS	0.46 377	0.19 340	3.33 410	0.25 334	0.15 325	0.72 390	0.21 289	0.37 332	0.78 389	0.42 361	0.44 348	0.31 308	0.43 371	0.55 383	0.37 366	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 340

RTSA	0.46 377	0.19 340	3.33 410	0.25 334	0.15 325	0.72 390	0.21 289	0.37 332	0.78 389	0.42 361	0.44 348	0.31 308	0.43 371	0.55 383	0.37 366	0.10 262	0.09 287	0.13 322	0.13 330	0.15 341	0.15 340

MANE	0.47 379	0.28 367	0.28 313	0.27 351	0.24 370	0.50 372	0.32 374	0.57 382	0.62 373	0.74 388	1.20 407	1.21 398	0.64 388	0.54 382	0.39 370	0.22 372	0.20 368	0.27 372	0.31 381	0.26 376	0.25 374

NVStereoNet_ROB	0.47 379	0.37 379	0.47 359	0.42 381	0.29 380	0.35 353	0.35 376	0.50 374	0.61 370	0.73 386	0.94 394	0.70 387	0.68 390	0.48 376	0.62 393	0.22 372	0.33 385	0.34 382	0.34 385	0.30 379	0.31 383
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	0.50 381	0.07 51	0.14 144	0.15 35	0.08 45	0.26 318	0.17 189	0.23 165	1.71 411	4.68 415	0.67 376	0.46 364	0.47 374	0.21 269	0.30 346	0.07 140	0.06 186	0.06 30	0.06 81	0.08 194	0.06 95

anonymity	0.53 382	0.58 387	0.66 377	0.41 379	0.61 398	0.54 376	0.41 383	0.57 382	0.41 319	0.56 377	0.50 358	0.50 369	0.55 380	0.59 388	0.50 386	0.58 397	0.50 398	0.51 389	0.51 394	0.52 388	0.58 395

RainbowNet	0.54 383	0.61 390	0.71 390	0.57 390	0.43 386	0.66 385	0.37 378	0.60 388	0.87 393	0.51 372	0.67 376	0.63 379	0.47 374	0.50 377	0.44 379	0.47 392	0.48 394	0.53 391	0.41 386	0.53 390	0.41 391

BEATNet-Init1	0.54 383	0.28 367	0.68 384	0.31 368	0.21 365	0.85 398	0.31 366	0.57 382	0.69 381	0.89 395	1.00 397	2.17 412	0.66 389	0.58 387	0.44 379	0.19 364	0.18 362	0.23 367	0.22 366	0.22 364	0.21 368

SGM+DAISY	0.57 385	0.58 387	0.67 381	0.41 379	0.55 392	0.68 387	0.51 391	0.57 382	0.46 341	0.67 380	0.70 380	0.69 386	0.57 384	0.64 390	0.58 391	0.59 398	0.49 395	0.50 388	0.50 393	0.52 388	0.59 398

SPS-STEREO	0.58 386	0.59 389	0.66 377	0.45 383	0.55 392	0.65 384	0.44 388	0.63 389	0.51 350	0.69 382	0.65 375	0.66 382	0.58 385	0.62 389	0.62 393	0.62 400	0.47 393	0.51 389	0.49 391	0.55 391	0.58 395
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.65 387	0.66 394	0.66 377	0.51 387	0.69 403	0.70 388	0.58 395	0.65 390	0.75 387	0.61 378	0.73 383	0.63 379	0.68 390	0.65 391	0.60 392	0.66 401	0.58 407	0.63 393	0.59 397	0.68 398	0.69 405

IMH-64-1	0.66 388	0.62 391	0.69 385	0.72 393	0.51 389	0.60 380	0.51 391	0.92 396	0.84 391	0.75 391	1.02 398	0.81 389	0.78 395	0.80 394	0.50 386	0.43 388	0.46 389	0.72 395	0.48 389	0.55 391	0.40 389

IMH-64	0.66 388	0.62 391	0.69 385	0.72 393	0.51 389	0.60 380	0.51 391	0.92 396	0.84 391	0.75 391	1.02 398	0.81 389	0.78 395	0.80 394	0.50 386	0.43 388	0.46 389	0.72 395	0.48 389	0.55 391	0.40 389

ACVNet_2	0.67 390	0.68 395	0.70 388	0.64 391	0.41 384	0.75 393	0.50 390	0.98 402	1.38 406	0.90 396	1.09 401	1.04 393	0.74 393	0.55 383	0.48 384	0.43 388	0.40 388	0.53 391	0.45 388	0.48 387	0.36 388

IMH	0.72 391	0.65 393	0.70 388	0.77 395	0.54 391	0.71 389	0.56 394	0.99 404	1.08 397	0.82 394	1.09 401	0.89 391	0.88 399	0.88 402	0.53 390	0.44 391	0.50 398	0.75 398	0.51 394	0.58 394	0.42 392

PWCK	0.72 391	0.95 405	0.99 399	0.77 395	0.32 382	0.79 395	0.38 380	0.92 396	0.90 394	0.96 399	0.76 386	0.97 392	0.62 387	0.87 400	0.68 396	0.73 403	0.46 389	0.76 399	0.49 391	0.71 401	0.44 393

JetBlue	0.73 393	0.46 384	1.21 402	0.52 388	0.47 388	2.16 413	0.67 401	0.78 392	0.72 383	0.70 383	0.79 388	1.21 398	0.84 397	1.06 409	1.04 409	0.40 387	0.28 382	0.33 381	0.33 383	0.30 379	0.34 386

TorneroNet-64	0.76 394	0.73 397	0.77 391	0.78 397	0.58 397	0.94 403	0.58 395	0.85 395	1.26 401	0.67 380	0.88 392	1.41 405	0.76 394	0.87 400	0.68 396	0.49 393	0.46 389	0.73 397	0.59 397	0.68 398	0.54 394

MADNet+	0.76 394	0.72 396	3.76 413	0.67 392	0.41 384	0.99 404	0.97 411	0.72 391	0.75 387	0.52 373	0.58 371	0.64 381	0.68 390	0.89 403	1.04 409	0.35 385	0.36 386	0.28 377	0.23 370	0.38 385	0.33 385

WAO-7	0.80 396	0.78 399	0.57 369	0.85 400	0.67 402	0.76 394	0.69 404	1.07 406	1.30 403	0.90 396	1.20 407	1.05 394	0.93 401	0.71 392	0.68 396	0.60 399	0.62 408	0.67 394	0.68 402	0.64 395	0.59 398

WAO-6	0.82 397	0.81 400	0.63 376	0.87 402	0.63 400	0.79 395	0.60 397	0.98 402	1.52 410	0.91 398	0.97 396	1.08 395	1.04 405	0.72 393	0.70 399	0.72 402	0.49 395	0.91 405	0.71 403	0.70 400	0.59 398

TorneroNet	0.83 398	0.75 398	0.83 395	0.85 400	0.63 400	1.03 407	0.65 399	0.96 400	1.14 399	0.80 393	1.10 403	1.36 403	0.88 399	0.95 405	0.82 404	0.57 395	0.49 395	0.79 402	0.66 401	0.74 404	0.64 404

LVE	0.84 399	0.87 403	0.86 396	0.81 398	0.56 394	1.09 409	0.66 400	1.07 406	1.45 408	0.97 400	1.23 409	1.11 396	0.86 398	0.84 397	0.72 400	0.49 393	0.56 404	0.76 399	0.60 399	0.66 396	0.60 401

Dean	0.88 400	0.88 404	0.81 392	0.82 399	0.57 395	0.91 400	0.62 398	1.17 411	1.71 411	1.15 406	1.16 405	1.31 402	1.00 404	0.82 396	0.83 405	0.57 395	0.56 404	0.78 401	0.65 400	0.67 397	0.58 395

WAO-8	0.92 401	0.83 401	0.67 381	0.94 405	0.70 404	0.92 401	0.68 402	1.08 408	1.80 413	1.06 404	1.42 411	1.29 400	1.08 407	0.86 398	0.80 402	0.74 404	0.54 401	0.86 403	0.75 404	0.71 401	0.63 402

Venus	0.92 401	0.83 401	0.67 381	0.94 405	0.70 404	0.92 401	0.68 402	1.08 408	1.80 413	1.06 404	1.42 411	1.29 400	1.08 407	0.86 398	0.80 402	0.74 404	0.54 401	0.86 403	0.75 404	0.71 401	0.63 402

UNDER WATER-64	0.97 403	0.96 407	1.48 406	0.88 403	0.57 395	1.24 412	0.90 409	0.78 392	0.96 395	1.05 402	0.85 391	1.56 410	1.26 411	0.97 407	0.99 407	0.88 408	0.57 406	1.04 408	0.88 408	0.81 406	0.75 406

notaker	0.98 404	1.13 409	1.02 400	1.14 409	0.81 407	0.73 392	0.69 404	0.94 399	1.15 400	1.19 408	1.19 406	1.41 405	1.17 410	1.10 411	0.74 401	0.82 407	0.64 409	1.18 409	0.79 406	1.02 409	0.82 410

UNDER WATER	0.99 405	1.00 408	1.47 405	1.00 407	0.71 406	1.18 411	0.86 407	0.81 394	1.09 398	1.02 401	0.90 393	1.53 409	1.26 411	1.06 409	1.02 408	0.79 406	0.54 401	1.02 407	0.88 408	0.83 407	0.75 406

ktn	1.02 406	1.23 411	0.82 393	1.24 411	0.86 409	1.00 406	0.86 407	0.96 400	1.37 405	1.05 402	1.12 404	1.16 397	1.06 406	0.95 405	0.62 393	1.28 413	0.71 410	1.39 413	0.83 407	1.06 411	0.77 408

KSHMR	1.10 407	1.19 410	0.90 398	1.26 413	1.00 412	0.99 404	0.96 410	1.13 410	1.35 404	1.16 407	1.28 410	1.40 404	0.97 403	1.03 408	0.93 406	1.03 411	1.08 413	1.20 410	1.03 412	1.03 410	0.98 412

DPSimNet_ROB	1.14 408	1.25 412	0.87 397	1.15 410	0.90 410	1.15 410	1.18 412	1.20 412	1.26 401	1.45 410	1.05 400	1.44 408	1.13 409	0.92 404	1.70 412	1.47 414	0.52 400	1.22 411	1.04 413	0.92 408	1.03 413

HanzoNet	1.31 409	1.29 413	1.22 403	1.13 408	0.85 408	1.05 408	0.84 406	1.06 405	1.47 409	1.66 411	1.63 413	2.48 414	1.78 413	1.63 413	1.69 411	1.27 412	0.80 412	1.32 412	1.02 411	1.07 412	0.90 411

JetRed	1.66 410	1.51 414	3.09 409	0.93 404	1.21 413	5.28 415	1.61 415	1.29 413	1.42 407	1.84 412	1.77 414	1.59 411	0.95 402	1.43 412	2.51 415	0.91 409	1.61 414	0.93 406	0.91 410	1.36 413	1.03 413

MADNet++	1.97 411	1.75 415	1.66 408	1.83 414	1.69 415	2.38 414	1.45 414	2.36 414	2.11 415	2.58 414	2.37 415	2.25 413	2.21 414	2.28 414	2.36 414	1.87 415	1.67 415	1.53 414	1.34 414	1.87 414	1.78 416

coex-ft	3.24 412	0.35 378	57.83 435	0.18 175	0.13 300	0.27 326	0.23 310	0.28 240	0.72 383	1.89 413	0.70 380	0.43 356	0.47 374	0.29 329	0.43 376	0.09 231	0.09 287	0.12 309	0.09 248	0.14 330	0.14 325

tt	4.65 413	0.07 51	3.54 412	2.01 415	1.55 414	10.25 419	16.66 419	8.90 422	5.03 416	1.33 409	0.96 395	4.71 415	4.74 415	3.33 415	5.86 417	6.06 422	10.30 426	1.87 416	2.09 417	2.61 415	1.19 415

xxxxx1	7.75 414	5.06 419	7.26 415	3.15 416	3.91 417	16.37 422	22.88 423	5.87 419	8.68 418	7.99 418	8.55 416	9.13 420	8.46 418	10.05 420	10.47 418	2.43 416	2.48 417	3.56 419	12.26 423	3.48 416	3.02 418

tt_ll	7.75 414	5.06 419	7.26 415	3.15 416	3.91 417	16.37 422	22.88 423	5.87 419	8.68 418	7.99 418	8.55 416	9.13 420	8.46 418	10.05 420	10.47 418	2.43 416	2.48 417	3.56 419	12.26 423	3.48 416	3.02 418

ff	7.75 414	5.06 419	7.26 415	3.15 416	3.91 417	16.37 422	22.88 423	5.87 419	8.68 418	7.99 418	8.55 416	9.13 420	8.46 418	10.05 420	10.47 418	2.43 416	2.48 417	3.56 419	12.26 423	3.48 416	3.02 418

EDNetEfficientorigin	7.92 417	0.32 376	152.98 436	0.20 261	0.10 214	0.22 283	0.17 189	0.23 165	0.60 369	0.73 386	0.67 376	0.41 352	0.51 379	0.24 303	0.41 373	0.08 189	0.07 240	0.09 225	0.07 158	0.12 300	0.11 285

DPSMNet_ROB	8.06 418	4.50 417	8.69 422	5.36 421	10.74 423	8.32 417	22.71 421	5.47 417	13.38 422	5.13 416	9.98 419	5.10 416	10.47 421	5.53 417	12.77 422	3.80 420	8.00 421	3.49 417	6.95 420	3.75 420	7.09 422

DGTPSM_ROB	8.06 418	4.50 417	8.69 422	5.34 419	10.73 422	8.32 417	22.71 421	5.47 417	13.38 422	5.13 416	9.98 419	5.10 416	10.47 421	5.53 417	12.77 422	3.79 419	8.00 421	3.49 417	6.95 420	3.74 419	7.09 422

PML	8.57 420	9.39 425	6.24 414	5.34 419	6.36 420	13.21 421	20.99 420	5.35 416	6.68 417	17.75 426	26.46 435	7.58 418	6.08 417	7.89 419	5.76 416	5.33 421	1.83 416	5.95 425	1.93 416	8.75 423	2.53 417

DLNR_Zeroshot_test	10.48 421	2.27 416	19.78 431	120.28 436	13.29 426	0.06 2	0.13 45	0.24 182	0.10 6	0.08 4	0.10 36	0.09 37	0.07 28	0.10 15	0.09 16	0.13 324	0.04 2	0.06 30	0.04 7	52.68 435	0.04 4

LRCNet_RVC	10.76 422	13.97 426	7.97 421	19.07 426	2.04 416	0.35 353	0.31 366	5.29 415	0.48 344	13.02 424	17.65 425	8.69 419	5.73 416	4.78 416	2.22 413	23.53 433	2.69 420	27.60 434	25.75 434	17.60 431	16.54 432

Anonymous_1	10.87 423	7.82 422	7.41 418	10.29 422	10.08 421	18.64 426	26.11 426	11.02 423	13.45 424	9.43 421	10.10 421	9.73 423	11.31 423	10.69 423	12.47 421	6.42 423	8.38 423	5.70 422	10.22 422	11.41 424	6.65 421

DPSM_ROB	11.10 424	8.47 423	7.95 419	10.84 423	11.58 424	19.10 427	26.50 427	12.02 424	14.09 425	10.38 422	10.91 422	10.39 424	11.92 424	11.67 424	13.39 424	6.99 424	8.79 424	5.82 423	6.92 418	6.97 421	7.31 424

DPSM	11.10 424	8.47 423	7.95 419	10.84 423	11.58 424	19.10 427	26.50 427	12.02 424	14.09 425	10.38 422	10.91 422	10.39 424	11.92 424	11.67 424	13.39 424	6.99 424	8.79 424	5.82 423	6.92 418	6.97 421	7.31 424

SPstereo	13.84 426	0.95 405	1.53 407	1.24 411	0.90 410	29.09 429	47.98 429	26.78 436	29.57 435	22.38 434	22.47 433	23.18 434	24.63 434	24.46 434	15.07 426	0.91 409	0.71 410	1.85 415	1.62 415	0.74 404	0.79 409

HaxPig	15.73 427	18.55 433	19.19 430	16.92 425	15.89 427	7.80 416	7.57 416	13.37 426	10.80 421	15.40 425	14.87 424	15.95 426	14.81 426	15.67 426	15.97 427	18.96 432	16.72 427	19.47 432	18.10 432	19.45 432	19.06 433

MEDIAN_ROB	20.38 428	24.05 434	23.36 432	21.18 427	21.62 428	10.51 420	8.17 417	17.68 427	15.46 427	20.04 427	19.65 426	20.30 427	20.16 427	21.17 427	21.03 428	23.81 434	21.77 434	24.98 433	23.75 433	25.01 433	23.94 434

CasAABBNet	22.33 429	17.11 427	15.84 424	21.94 431	23.28 432	38.30 430	53.40 435	24.05 429	28.44 430	20.66 428	21.86 428	21.03 432	24.04 432	23.35 428	27.03 431	14.06 426	17.69 429	11.70 426	13.94 427	14.04 428	14.76 430

MyStereo03	22.37 430	17.11 427	16.16 426	21.87 428	23.27 429	38.30 430	53.36 431	24.10 430	28.51 431	20.93 431	21.96 430	20.94 428	24.00 428	23.43 430	27.22 432	14.07 427	17.72 431	11.70 426	13.96 428	14.00 425	14.72 427

MyStereo02	22.37 430	17.11 427	16.16 426	21.87 428	23.27 429	38.30 430	53.36 431	24.10 430	28.51 431	20.93 431	21.96 430	20.94 428	24.00 428	23.43 430	27.22 432	14.07 427	17.72 431	11.70 426	13.96 428	14.00 425	14.72 427

MyStereo	22.37 430	17.11 427	16.16 426	21.87 428	23.27 429	38.30 430	53.36 431	24.10 430	28.51 431	20.93 431	21.96 430	20.94 428	24.00 428	23.43 430	27.22 432	14.07 427	17.72 431	11.70 426	13.96 428	14.00 425	14.72 427

Selective-RAFT-Error	22.39 433	17.14 431	16.01 425	22.00 432	23.34 433	38.37 434	53.36 431	24.24 434	28.53 434	20.80 429	21.94 429	20.94 428	24.02 431	23.48 433	27.33 435	14.07 427	17.70 430	11.70 426	13.93 426	14.05 429	14.83 431

LSM0	22.80 434	17.22 432	19.17 429	22.12 433	28.90 435	38.38 435	53.27 430	24.21 433	28.36 429	20.84 430	21.11 427	21.63 433	24.25 433	23.42 429	26.98 430	14.08 431	17.39 428	11.72 431	13.98 431	14.22 430	14.66 426

AVERAGE_ROB	24.89 435	29.12 435	27.98 433	24.83 434	24.59 434	17.82 425	11.61 418	21.45 428	19.91 428	25.04 435	24.38 434	25.06 435	25.31 435	24.69 435	22.86 429	29.74 435	27.09 435	28.97 435	27.94 435	30.07 434	29.35 435

test_example2	97.69 436	92.93 436	45.57 434	96.02 435	109.84 436	88.44 436	93.70 436	25.54 435	94.63 436	130.46 436	126.87 436	58.93 436	75.48 436	87.99 436	77.94 436	150.16 436	221.11 436	76.29 436	98.21 436	108.42 436	95.33 436

Low-res two-view benchmark