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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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_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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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
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.
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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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	0.17 253	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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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
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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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
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
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

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

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
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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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