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

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 56	0.12 21	0.11 1	0.16 87	0.06 1	0.05 1	0.07 17	0.05 2	0.10 18	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

DLNR_Zeroshot_test	10.40 420	1.82 415	19.49 430	120.77 435	13.11 425	0.06 2	0.13 43	0.23 172	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 330	0.04 2	0.06 31	0.04 8	51.54 434	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 299	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 303	0.09 130	0.09 35	0.19 261	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
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
HH	0.09 11	0.06 19	0.13 127	0.17 114	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 127	0.17 114	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 66	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 69	0.11 1	0.09 2	0.08 5	0.09 23	0.11 73	0.06 6	0.12 100	0.08 11	0.06 54	0.04 2	0.05 2	0.03 1	0.05 40	0.05 51

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 114	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

cross-raft	0.10 50	0.09 189	0.09 28	0.19 226	0.07 18	0.11 82	0.25 333	0.13 9	0.15 69	0.08 5	0.11 52	0.12 88	0.10 87	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 115	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 60	0.10 57	0.09 66	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 37	0.12 88	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 189	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
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
MyStereo07	0.10 50	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 100	0.09 19	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 181	0.09 130	0.10 56	0.15 115	0.14 15	0.19 127	0.09 15	0.14 79	0.12 88	0.08 49	0.11 45	0.10 49	0.05 2	0.06 188	0.07 98	0.06 86	0.05 40	0.04 7

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

xx1	0.11 79	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 161	0.16 225	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 210	0.07 155	0.07 156

1test111	0.11 79	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 165	0.16 221	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

cc1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

tt1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.12 104	0.16 170	0.15 26	0.19 127	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

StereoIM	0.09 11	0.09 189	0.08 11	0.17 114	0.09 130	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 52	0.06 3	0.06 6	0.09 10	0.13 156	0.07 141	0.06 188	0.07 98	0.05 31	0.05 40	0.04 7

MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 100	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 37	0.10 57	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

CAS	0.08 2	0.04 1	0.07 2	0.17 114	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 37	0.08 25	0.06 6	0.09 10	0.08 11	0.08 189	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 88	0.09 66	0.15 165	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

ProNet	0.09 11	0.07 69	0.10 44	0.17 114	0.08 47	0.10 56	0.15 115	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 114	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 60	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 68	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 37	0.08 25	0.07 31	0.12 100	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

CroCo-Stereo Lap2	0.09 11	0.09 189	0.08 11	0.22 303	0.09 130	0.09 35	0.19 261	0.16 42	0.12 25	0.09 15	0.10 37	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 188	0.07 98	0.05 31	0.05 40	0.05 51

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
test-3	0.08 2	0.06 19	0.09 28	0.17 114	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 114	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 282	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 160	0.04 1	0.04 7

test-1	0.10 50	0.07 69	0.16 220	0.19 226	0.08 47	0.11 82	0.24 320	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 114	0.09 130	0.11 82	0.17 190	0.18 96	0.12 25	0.09 15	0.12 60	0.10 57	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.04 1	0.04 7

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 114	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 37	0.08 25	0.09 66	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.03 1

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 70	0.10 57	0.07 31	0.13 132	0.10 49	0.15 344	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 215	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 215	0.11 82	0.16 170	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEV_Zeroshot_test	0.09 11	0.05 6	0.12 90	0.13 6	0.08 47	0.12 104	0.13 43	0.17 72	0.11 17	0.10 40	0.06 2	0.09 37	0.06 6	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 181	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 60	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 181	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 52	0.10 57	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 160	0.06 101	0.05 51

Selective-RAFT	0.11 79	0.10 236	0.11 70	0.21 290	0.08 47	0.16 198	0.13 43	0.20 122	0.22 172	0.10 40	0.10 37	0.11 73	0.10 87	0.15 165	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

test_3	0.10 50	0.09 189	0.10 44	0.20 266	0.08 47	0.13 129	0.26 339	0.14 15	0.21 161	0.10 40	0.10 37	0.09 37	0.09 66	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
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	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 198	0.18 230	0.15 26	0.15 69	0.10 40	0.11 52	0.11 73	0.11 108	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

raftrobust	0.09 11	0.06 19	0.10 44	0.17 114	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 88	0.07 31	0.12 100	0.10 49	0.08 189	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

sCroCo_RVC	0.12 134	0.09 189	0.23 298	0.24 327	0.11 253	0.19 252	0.14 69	0.17 72	0.14 58	0.10 40	0.13 70	0.12 88	0.07 31	0.14 147	0.11 85	0.08 189	0.08 267	0.08 162	0.08 210	0.05 40	0.07 156

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 114	0.09 130	0.15 175	0.12 21	0.20 122	0.10 7	0.10 40	0.14 79	0.07 17	0.06 6	0.12 100	0.08 11	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 114	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 60	0.09 37	0.09 66	0.12 100	0.09 19	0.05 2	0.04 2	0.07 98	0.07 160	0.04 1	0.03 1

EKT-Stereo	0.11 79	0.07 69	0.14 153	0.15 38	0.10 215	0.13 129	0.14 69	0.18 96	0.21 161	0.11 58	0.08 17	0.12 88	0.09 66	0.11 45	0.12 127	0.08 189	0.06 188	0.07 98	0.06 86	0.08 197	0.07 156

CASnet	0.09 11	0.09 189	0.09 28	0.19 226	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 266	0.08 210	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 139	0.15 69	0.11 58	0.12 60	0.12 88	0.09 66	0.12 100	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

DCRE	0.11 79	0.07 69	0.13 127	0.16 68	0.11 253	0.11 82	0.17 190	0.18 96	0.17 99	0.11 58	0.18 141	0.10 57	0.10 87	0.15 165	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

knoymous	0.11 79	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 115	0.13 41	0.11 58	0.17 119	0.13 111	0.09 66	0.13 132	0.11 85	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

riskmin	0.11 79	0.06 19	0.13 127	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 58	0.14 79	0.16 161	0.11 108	0.14 147	0.12 127	0.09 234	0.05 106	0.07 98	0.05 31	0.08 197	0.08 216

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 127	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 58	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

MIPNet	0.11 79	0.08 140	0.14 153	0.17 114	0.09 130	0.12 104	0.14 69	0.20 122	0.24 191	0.11 58	0.10 37	0.09 37	0.07 31	0.13 132	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

IPLGR	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.12 104	0.17 190	0.21 139	0.24 191	0.11 58	0.12 60	0.11 73	0.08 49	0.12 100	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

GMOStereo	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

error version	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

test-v	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

LCNet	0.11 79	0.07 69	0.09 28	0.19 226	0.09 130	0.08 23	0.15 115	0.21 139	0.15 69	0.11 58	0.15 93	0.16 161	0.11 108	0.12 100	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.15 340

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 181	0.07 18	0.10 56	0.14 69	0.21 139	0.11 17	0.11 58	0.15 93	0.12 88	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.04 7

RAFT-345	0.11 79	0.07 69	0.15 190	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 58	0.36 305	0.09 37	0.09 66	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

test-2	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 351	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

GMM-Stereo	0.11 79	0.07 69	0.10 44	0.18 181	0.09 130	0.08 23	0.15 115	0.23 172	0.16 87	0.11 58	0.15 93	0.13 111	0.11 108	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.09 249

TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 127	0.11 58	0.15 93	0.10 57	0.06 6	0.12 100	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 58	0.12 60	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

sAnonymous2	0.13 156	0.12 270	0.24 301	0.20 266	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

CroCo_RVC	0.13 156	0.12 270	0.24 301	0.20 266	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 139	0.23 181	0.11 58	0.12 60	0.14 126	0.11 108	0.13 132	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

RAFT + AFF	0.13 156	0.07 69	0.20 279	0.20 266	0.10 215	0.14 153	0.24 320	0.26 214	0.20 148	0.11 58	0.10 37	0.12 88	0.10 87	0.15 165	0.12 127	0.07 141	0.06 188	0.09 225	0.08 210	0.06 101	0.08 216

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 114	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 126	0.12 137	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MyStereo8	0.12 134	0.07 69	0.15 190	0.15 38	0.09 130	0.18 232	0.14 69	0.19 115	0.22 172	0.12 82	0.18 141	0.11 73	0.10 87	0.16 196	0.18 246	0.07 141	0.05 106	0.07 98	0.05 31	0.08 197	0.09 249

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 114	0.09 130	0.13 129	0.18 230	0.19 115	0.12 25	0.12 82	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 160	0.06 101	0.06 98

StereoVision	0.13 156	0.12 270	0.09 28	0.24 327	0.10 215	0.15 175	0.21 292	0.21 139	0.20 148	0.12 82	0.24 195	0.10 57	0.10 87	0.16 196	0.10 49	0.09 234	0.11 317	0.12 308	0.12 322	0.06 101	0.05 51

test_4	0.10 50	0.10 236	0.08 11	0.19 226	0.09 130	0.08 23	0.22 301	0.15 26	0.17 99	0.12 82	0.18 141	0.12 88	0.09 66	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 210	0.04 1	0.03 1

GLC_STEREO	0.11 79	0.07 69	0.11 70	0.17 114	0.07 18	0.09 35	0.13 43	0.15 26	0.24 191	0.12 82	0.13 70	0.12 88	0.08 49	0.18 229	0.11 85	0.06 54	0.08 267	0.08 162	0.06 86	0.05 40	0.05 51

IPLG	0.10 50	0.07 69	0.15 190	0.17 114	0.08 47	0.11 82	0.14 69	0.20 122	0.15 69	0.12 82	0.17 119	0.07 17	0.07 31	0.14 147	0.13 156	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

TransformOpticalFlow	0.10 50	0.08 140	0.13 127	0.18 181	0.07 18	0.09 35	0.15 115	0.19 115	0.15 69	0.12 82	0.17 119	0.11 73	0.11 108	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

NF-Stereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

OCTAStereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

NRIStereo	0.11 79	0.08 140	0.14 153	0.18 181	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 82	0.14 79	0.13 111	0.12 137	0.13 132	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 156

PSM-AAD	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.20 122	0.13 41	0.12 82	0.14 79	0.18 191	0.11 108	0.11 45	0.10 49	0.05 2	0.05 106	0.09 225	0.08 210	0.06 101	0.14 332

FTStereo	0.12 134	0.06 19	0.14 153	0.18 181	0.09 130	0.07 16	0.15 115	0.21 139	0.18 116	0.12 82	0.24 195	0.12 88	0.12 137	0.13 132	0.13 156	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 268

ASMatch	0.11 79	0.06 19	0.13 127	0.16 68	0.10 215	0.07 16	0.14 69	0.17 72	0.17 99	0.12 82	0.16 101	0.16 161	0.10 87	0.13 132	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 216

RE-Stereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

TVStereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

Prome-Stereo	0.11 79	0.06 19	0.10 44	0.18 181	0.08 47	0.12 104	0.15 115	0.22 155	0.13 41	0.12 82	0.17 119	0.13 111	0.08 49	0.12 100	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 249

raft+_RVC	0.11 79	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 189	0.20 148	0.12 82	0.15 93	0.12 88	0.08 49	0.12 100	0.13 156	0.07 141	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 68	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 82	0.17 119	0.14 126	0.10 87	0.12 100	0.11 85	0.07 141	0.06 188	0.06 31	0.05 31	0.08 197	0.07 156

ARAFT	0.12 134	0.08 140	0.17 245	0.19 226	0.09 130	0.14 153	0.18 230	0.20 122	0.12 25	0.12 82	0.13 70	0.14 126	0.11 108	0.15 165	0.12 127	0.06 54	0.05 106	0.10 266	0.09 249	0.05 40	0.04 7

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
CoDeX	0.12 134	0.07 69	0.12 90	0.17 114	0.08 47	0.12 104	0.15 115	0.23 172	0.27 230	0.13 103	0.17 119	0.16 161	0.11 108	0.14 147	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

test croco	0.10 50	0.08 140	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.14 15	0.13 41	0.13 103	0.15 93	0.09 37	0.12 137	0.13 132	0.12 127	0.07 141	0.05 106	0.09 225	0.06 86	0.06 101	0.06 98

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 122	0.14 58	0.13 103	0.13 70	0.09 37	0.05 2	0.12 100	0.08 11	0.05 2	0.06 188	0.07 98	0.06 86	0.06 101	0.05 51

anonymousdsp2	0.11 79	0.07 69	0.10 44	0.16 68	0.09 130	0.13 129	0.14 69	0.18 96	0.22 172	0.13 103	0.14 79	0.12 88	0.09 66	0.14 147	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.18 96	0.19 127	0.13 103	0.16 101	0.09 37	0.14 192	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.15 26	0.19 127	0.13 103	0.17 119	0.10 57	0.12 137	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

GwcNet-ADL	0.13 156	0.08 140	0.14 153	0.20 266	0.09 130	0.11 82	0.20 276	0.30 270	0.24 191	0.13 103	0.14 79	0.18 191	0.14 192	0.13 132	0.14 184	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

GANet-ADL	0.13 156	0.07 69	0.15 190	0.17 114	0.10 215	0.18 232	0.15 115	0.30 270	0.20 148	0.13 103	0.18 141	0.19 199	0.12 137	0.16 196	0.13 156	0.08 189	0.06 188	0.06 31	0.05 31	0.07 155	0.08 216

OMP-Stereo	0.11 79	0.06 19	0.14 153	0.18 181	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.13 103	0.14 79	0.11 73	0.12 137	0.11 45	0.13 156	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

KYRaft	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.08 23	0.15 115	0.22 155	0.12 25	0.13 103	0.16 101	0.20 209	0.10 87	0.12 100	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.06 101	0.16 351

Pruner-Stereo	0.11 79	0.07 69	0.12 90	0.17 114	0.09 130	0.06 2	0.12 21	0.17 72	0.17 99	0.13 103	0.19 147	0.13 111	0.09 66	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 216

DeepStereo_RVC	0.11 79	0.08 140	0.16 220	0.18 181	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 103	0.14 79	0.12 88	0.12 137	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 216

RAFT-RH_RVC	0.11 79	0.06 19	0.14 153	0.16 68	0.09 130	0.12 104	0.12 21	0.17 72	0.12 25	0.13 103	0.41 339	0.11 73	0.10 87	0.13 132	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 115	0.14 58	0.13 103	0.11 52	0.09 37	0.08 49	0.13 132	0.10 49	0.08 189	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

rafts_anoy	0.11 79	0.06 19	0.10 44	0.17 114	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 103	0.13 70	0.12 88	0.10 87	0.11 45	0.12 127	0.07 141	0.04 2	0.09 225	0.11 304	0.07 155	0.06 98

DCANet	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.15 26	0.19 127	0.13 103	0.17 119	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

cscssc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 103	0.16 101	0.14 126	0.11 108	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
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
MIF-Stereo (partial)	0.11 79	0.06 19	0.10 44	0.19 226	0.10 215	0.10 56	0.11 11	0.17 72	0.18 116	0.14 123	0.16 101	0.09 37	0.11 108	0.12 100	0.12 127	0.08 189	0.05 106	0.08 162	0.07 160	0.06 101	0.07 156

PCWNet_CMD	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 295	0.14 123	0.20 158	0.21 215	0.12 137	0.17 218	0.13 156	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

LL-Strereo2	0.10 50	0.10 236	0.15 190	0.18 181	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 123	0.10 37	0.09 37	0.07 31	0.16 196	0.10 49	0.05 2	0.05 106	0.10 266	0.07 160	0.06 101	0.05 51

DisPM	0.11 79	0.07 69	0.12 90	0.16 68	0.09 130	0.06 2	0.13 43	0.17 72	0.17 99	0.14 123	0.20 158	0.12 88	0.10 87	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 291

CIPLG	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.11 52	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

IPLGR_C	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.10 37	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 123	0.10 37	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

HHNet	0.11 79	0.06 19	0.16 220	0.15 38	0.14 316	0.07 16	0.13 43	0.20 122	0.17 99	0.14 123	0.25 224	0.11 73	0.08 49	0.13 132	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 249

IIG-Stereo	0.11 79	0.06 19	0.13 127	0.17 114	0.08 47	0.11 82	0.12 21	0.22 155	0.17 99	0.14 123	0.17 119	0.11 73	0.12 137	0.12 100	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

PSM-softLoss	0.12 134	0.07 69	0.15 190	0.17 114	0.09 130	0.08 23	0.13 43	0.24 189	0.17 99	0.14 123	0.19 147	0.13 111	0.11 108	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 160	0.06 101	0.12 302

KMStereo	0.12 134	0.07 69	0.15 190	0.17 114	0.09 130	0.08 23	0.13 43	0.24 189	0.17 99	0.14 123	0.19 147	0.13 111	0.11 108	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 160	0.06 101	0.12 302

RAFT_R40	0.11 79	0.07 69	0.14 153	0.18 181	0.09 130	0.06 2	0.13 43	0.17 72	0.16 87	0.14 123	0.18 141	0.15 150	0.12 137	0.10 18	0.11 85	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

GrayStereo	0.11 79	0.06 19	0.11 70	0.19 226	0.09 130	0.09 35	0.16 170	0.18 96	0.17 99	0.14 123	0.17 119	0.17 180	0.11 108	0.12 100	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 268

IRAFT_RVC	0.12 134	0.08 140	0.16 220	0.19 226	0.08 47	0.07 16	0.15 115	0.24 189	0.23 181	0.14 123	0.14 79	0.15 150	0.12 137	0.12 100	0.10 49	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.06 98

CRE-IMP	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 123	0.13 70	0.13 111	0.12 137	0.12 100	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 197	0.08 216

TestStereo	0.13 156	0.14 303	0.11 70	0.23 322	0.08 47	0.15 175	0.21 292	0.20 122	0.23 181	0.14 123	0.24 195	0.16 161	0.12 137	0.16 196	0.14 184	0.05 2	0.06 188	0.08 162	0.06 86	0.09 245	0.05 51

CFNet_pseudo	0.14 185	0.08 140	0.15 190	0.16 68	0.09 130	0.13 129	0.14 69	0.27 232	0.34 284	0.14 123	0.21 172	0.22 232	0.13 169	0.18 229	0.14 184	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 156

RALAANet	0.11 79	0.08 140	0.10 44	0.17 114	0.09 130	0.14 153	0.10 6	0.20 122	0.15 69	0.14 123	0.13 70	0.16 161	0.09 66	0.12 100	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

Anonymous	0.14 185	0.10 236	0.24 301	0.22 303	0.13 299	0.18 232	0.22 301	0.20 122	0.19 127	0.14 123	0.12 60	0.11 73	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.08 162	0.08 210	0.12 301	0.10 268

xxxx	0.15 218	0.07 69	0.14 153	0.14 13	0.08 47	0.23 299	0.18 230	0.31 276	0.19 127	0.14 123	0.28 255	0.22 232	0.14 192	0.15 165	0.26 327	0.09 234	0.05 106	0.07 98	0.07 160	0.08 197	0.07 156

SFCPSM	0.13 156	0.07 69	0.14 153	0.17 114	0.09 130	0.15 175	0.16 170	0.28 246	0.27 230	0.14 123	0.17 119	0.12 88	0.13 169	0.14 147	0.11 85	0.08 189	0.05 106	0.07 98	0.07 160	0.07 155	0.06 98

DMCA	0.14 185	0.09 189	0.16 220	0.19 226	0.09 130	0.15 175	0.17 190	0.23 172	0.27 230	0.14 123	0.19 147	0.17 180	0.18 253	0.15 165	0.17 232	0.10 265	0.06 188	0.08 162	0.06 86	0.09 245	0.10 268

MSMDNet	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 295	0.14 123	0.21 172	0.21 215	0.12 137	0.17 218	0.14 184	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

ccs_rob	0.14 185	0.08 140	0.15 190	0.16 68	0.09 130	0.12 104	0.14 69	0.27 232	0.34 284	0.14 123	0.21 172	0.22 232	0.13 169	0.18 229	0.14 184	0.07 141	0.05 106	0.08 162	0.07 160	0.07 155	0.07 156

mmm	0.14 185	0.08 140	0.17 245	0.17 114	0.09 130	0.17 217	0.18 230	0.21 139	0.15 69	0.15 147	0.23 187	0.21 215	0.16 225	0.16 196	0.17 232	0.08 189	0.05 106	0.08 162	0.07 160	0.07 155	0.07 156

11t1	0.12 134	0.06 19	0.13 127	0.14 13	0.08 47	0.17 217	0.15 115	0.18 96	0.15 69	0.15 147	0.15 93	0.16 161	0.16 225	0.15 165	0.13 156	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

DualNet	0.13 156	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.10 18	0.20 261	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

ffm	0.12 134	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.10 18	0.07 1	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

ff1	0.13 156	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

mmx	0.14 185	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.27 232	0.25 210	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.08 189	0.06 188	0.09 225	0.08 210	0.08 197	0.08 216

xxx	0.14 185	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.27 232	0.25 210	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.08 189	0.06 188	0.09 225	0.08 210	0.08 197	0.08 216

LL-Strereo	0.13 156	0.09 189	0.11 70	0.20 266	0.10 215	0.11 82	0.18 230	0.32 285	0.24 191	0.15 147	0.15 93	0.14 126	0.13 169	0.19 240	0.11 85	0.06 54	0.04 2	0.09 225	0.08 210	0.04 1	0.05 51

anonymousa	0.13 156	0.07 69	0.13 127	0.18 181	0.09 130	0.13 129	0.17 190	0.19 115	0.29 248	0.15 147	0.24 195	0.15 150	0.14 192	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 249	0.05 40	0.06 98

qqq	0.13 156	0.09 189	0.15 190	0.16 68	0.08 47	0.13 129	0.15 115	0.23 172	0.16 87	0.15 147	0.19 147	0.16 161	0.16 225	0.15 165	0.16 221	0.07 141	0.06 188	0.08 162	0.08 210	0.07 155	0.07 156

x	0.13 156	0.07 69	0.14 153	0.14 13	0.08 47	0.18 232	0.14 69	0.22 155	0.20 148	0.15 147	0.19 147	0.19 199	0.17 244	0.18 229	0.18 246	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 156

RAFT+CT+SA	0.13 156	0.11 256	0.09 28	0.19 226	0.09 130	0.15 175	0.28 351	0.22 155	0.22 172	0.15 147	0.26 239	0.10 57	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 210	0.07 155	0.06 98

Sa-1000	0.12 134	0.08 140	0.08 11	0.18 181	0.08 47	0.14 153	0.22 301	0.22 155	0.18 116	0.15 147	0.20 158	0.17 180	0.11 108	0.10 18	0.10 49	0.06 54	0.05 106	0.09 225	0.09 249	0.05 40	0.05 51

Patchmatch Stereo++	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156
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 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

ROB_FTStereo_v2	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

ROB_FTStereo	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

HUI-Stereo	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

SST-Stereo	0.10 50	0.07 69	0.15 190	0.18 181	0.09 130	0.06 2	0.12 21	0.17 72	0.11 17	0.15 147	0.17 119	0.13 111	0.12 137	0.10 18	0.11 85	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

iGMRVC	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

iRAFT	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

RAFT-IKP	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

Anonymous3	0.16 236	0.13 291	0.33 335	0.26 343	0.14 316	0.27 329	0.17 190	0.28 246	0.28 241	0.15 147	0.17 119	0.14 126	0.10 87	0.15 165	0.12 127	0.08 189	0.08 267	0.08 162	0.08 210	0.08 197	0.11 291

NVstereo2D	0.19 277	0.10 236	0.15 190	0.17 114	0.15 327	0.28 335	0.23 311	0.44 365	0.42 324	0.15 147	0.27 246	0.25 260	0.19 268	0.22 286	0.17 232	0.09 234	0.06 188	0.10 266	0.08 210	0.15 341	0.09 249

iResNet	0.13 156	0.10 236	0.18 262	0.19 226	0.08 47	0.13 129	0.18 230	0.20 122	0.26 223	0.15 147	0.23 187	0.15 150	0.13 169	0.14 147	0.14 184	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

ttt	0.14 185	0.08 140	0.14 153	0.15 38	0.08 47	0.15 175	0.18 230	0.27 232	0.29 248	0.16 172	0.24 195	0.17 180	0.13 169	0.13 132	0.14 184	0.11 286	0.08 267	0.09 225	0.08 210	0.09 245	0.08 216

CFNet_ucs	0.15 218	0.08 140	0.16 220	0.16 68	0.11 253	0.14 153	0.14 69	0.30 270	0.34 284	0.16 172	0.24 195	0.23 244	0.14 192	0.18 229	0.15 207	0.09 234	0.06 188	0.08 162	0.07 160	0.09 245	0.09 249

ADLNet2	0.16 236	0.09 189	0.13 127	0.16 68	0.09 130	0.20 264	0.16 170	0.31 276	0.39 309	0.16 172	0.20 158	0.20 209	0.18 253	0.21 275	0.22 289	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.07 156

PFNet+	0.11 79	0.06 19	0.13 127	0.16 68	0.09 130	0.05 1	0.12 21	0.17 72	0.21 161	0.16 172	0.19 147	0.14 126	0.10 87	0.11 45	0.11 85	0.08 189	0.05 106	0.09 225	0.08 210	0.06 101	0.11 291

AAGNet	0.11 79	0.07 69	0.16 220	0.19 226	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 172	0.21 172	0.13 111	0.14 192	0.11 45	0.14 184	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

THIR-Stereo	0.12 134	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 210	0.16 172	0.24 195	0.14 126	0.12 137	0.12 100	0.14 184	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

PFNet	0.12 134	0.06 19	0.17 245	0.17 114	0.08 47	0.09 35	0.15 115	0.26 214	0.20 148	0.16 172	0.16 101	0.14 126	0.11 108	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

GES	0.14 185	0.08 140	0.16 220	0.15 38	0.10 215	0.13 129	0.13 43	0.28 246	0.25 210	0.16 172	0.23 187	0.18 191	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.07 98	0.06 86	0.08 197	0.09 249

test_xeample	0.15 218	0.06 19	0.13 127	0.14 13	0.08 47	0.21 278	0.20 276	0.28 246	0.20 148	0.16 172	0.29 266	0.19 199	0.16 225	0.15 165	0.26 327	0.09 234	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

GMStereo	0.13 156	0.14 303	0.14 153	0.18 181	0.09 130	0.15 175	0.16 170	0.20 122	0.24 191	0.16 172	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 185	0.07 69	0.13 127	0.15 38	0.08 47	0.13 129	0.16 170	0.24 189	0.24 191	0.16 172	0.28 255	0.22 232	0.14 192	0.15 165	0.13 156	0.11 286	0.06 188	0.09 225	0.12 322	0.08 197	0.07 156

BEATNet_4x	0.12 134	0.08 140	0.14 153	0.18 181	0.07 18	0.15 175	0.07 1	0.22 155	0.18 116	0.16 172	0.19 147	0.18 191	0.14 192	0.16 196	0.15 207	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

MyStereo05	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.13 129	0.18 230	0.27 232	0.35 291	0.17 184	0.14 79	0.15 150	0.11 108	0.15 165	0.13 156	0.06 54	0.05 106	0.07 98	0.07 160	0.06 101	0.06 98

MyStereo04	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.29 256	0.38 306	0.17 184	0.14 79	0.16 161	0.10 87	0.15 165	0.13 156	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

1111x	0.15 218	0.08 140	0.12 90	0.18 181	0.07 18	0.18 232	0.25 333	0.31 276	0.24 191	0.17 184	0.24 195	0.26 268	0.15 205	0.13 132	0.23 299	0.07 141	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

whm_eth	0.14 185	0.09 189	0.20 279	0.20 266	0.12 282	0.12 104	0.15 115	0.18 96	0.28 241	0.17 184	0.32 282	0.09 37	0.12 137	0.18 229	0.14 184	0.07 141	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156

CASS	0.13 156	0.12 270	0.11 70	0.23 322	0.09 130	0.15 175	0.17 190	0.18 96	0.19 127	0.17 184	0.18 141	0.15 150	0.15 205	0.14 147	0.14 184	0.09 234	0.06 188	0.10 266	0.08 210	0.09 245	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
TestStereo1	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 359	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

BUS	0.14 185	0.09 189	0.14 153	0.22 303	0.10 215	0.19 252	0.14 69	0.34 312	0.19 127	0.17 184	0.22 181	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

BSDual-CNN	0.15 218	0.09 189	0.14 153	0.22 303	0.10 215	0.14 153	0.15 115	0.34 312	0.19 127	0.17 184	0.22 181	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

hknet	0.15 218	0.11 256	0.13 127	0.22 303	0.11 253	0.14 153	0.15 115	0.34 312	0.25 210	0.17 184	0.22 181	0.22 232	0.18 253	0.17 218	0.12 127	0.07 141	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

SA-5K	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 359	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

SA	0.12 134	0.09 189	0.08 11	0.18 181	0.08 47	0.12 104	0.24 320	0.23 172	0.18 116	0.17 184	0.27 246	0.14 126	0.11 108	0.11 45	0.11 85	0.05 2	0.05 106	0.09 225	0.08 210	0.05 40	0.04 7

psmg	0.14 185	0.09 189	0.14 153	0.17 114	0.10 215	0.15 175	0.17 190	0.29 256	0.19 127	0.17 184	0.21 172	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.08 162	0.08 210	0.07 155	0.06 98

DEmStereo	0.12 134	0.06 19	0.14 153	0.14 13	0.10 215	0.16 198	0.15 115	0.16 42	0.24 191	0.17 184	0.24 195	0.13 111	0.14 192	0.12 100	0.13 156	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

DRaft	0.12 134	0.06 19	0.11 70	0.14 13	0.09 130	0.14 153	0.17 190	0.21 139	0.30 255	0.17 184	0.28 255	0.10 57	0.15 205	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

222	0.16 236	0.07 69	0.14 153	0.14 13	0.08 47	0.24 304	0.18 230	0.30 270	0.20 148	0.17 184	0.28 255	0.17 180	0.16 225	0.15 165	0.40 374	0.10 265	0.05 106	0.07 98	0.06 86	0.07 155	0.08 216

delet	0.17 255	0.08 140	0.17 245	0.19 226	0.11 253	0.20 264	0.21 292	0.30 270	0.37 301	0.17 184	0.26 239	0.19 199	0.19 268	0.19 240	0.21 280	0.08 189	0.08 267	0.09 225	0.11 304	0.06 101	0.06 98

UPFNet	0.16 236	0.08 140	0.12 90	0.20 266	0.12 282	0.20 264	0.23 311	0.28 246	0.26 223	0.17 184	0.24 195	0.22 232	0.19 268	0.19 240	0.21 280	0.09 234	0.07 245	0.08 162	0.09 249	0.08 197	0.06 98

FENet	0.13 156	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 155	0.23 181	0.17 184	0.23 187	0.16 161	0.12 137	0.14 147	0.15 207	0.08 189	0.05 106	0.08 162	0.08 210	0.07 155	0.07 156

ACVNet	0.15 218	0.09 189	0.15 190	0.13 6	0.12 282	0.14 153	0.20 276	0.22 155	0.33 273	0.17 184	0.26 239	0.21 215	0.16 225	0.17 218	0.21 280	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

cf-r	0.13 156	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 261	0.20 122	0.25 210	0.17 184	0.25 224	0.21 215	0.16 225	0.14 147	0.14 184	0.10 265	0.05 106	0.06 31	0.08 210	0.06 101	0.06 98

GANet-RSSM	0.14 185	0.07 69	0.13 127	0.13 6	0.08 47	0.14 153	0.17 190	0.22 155	0.21 161	0.17 184	0.24 195	0.23 244	0.15 205	0.16 196	0.15 207	0.10 265	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

CFNet-ft	0.14 185	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 230	0.22 155	0.24 191	0.17 184	0.26 239	0.24 250	0.14 192	0.16 196	0.14 184	0.11 286	0.06 188	0.08 162	0.09 249	0.09 245	0.08 216

RASNet	0.14 185	0.07 69	0.14 153	0.16 68	0.08 47	0.18 232	0.14 69	0.29 256	0.20 148	0.17 184	0.25 224	0.21 215	0.18 253	0.20 259	0.19 255	0.07 141	0.06 188	0.06 31	0.08 210	0.06 101	0.06 98

CFNet_RVC	0.14 185	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 230	0.22 155	0.24 191	0.17 184	0.26 239	0.24 250	0.14 192	0.16 196	0.14 184	0.11 286	0.06 188	0.08 162	0.09 249	0.09 245	0.08 216

UCFNet_RVC	0.14 185	0.08 140	0.13 127	0.11 1	0.10 215	0.20 264	0.10 6	0.24 189	0.22 172	0.17 184	0.20 158	0.23 244	0.15 205	0.17 218	0.15 207	0.12 310	0.07 245	0.10 266	0.13 331	0.11 287	0.10 268

DN-CSS_ROB	0.13 156	0.13 291	0.16 220	0.18 181	0.10 215	0.16 198	0.08 2	0.22 155	0.18 116	0.17 184	0.22 181	0.13 111	0.13 169	0.12 100	0.13 156	0.05 2	0.05 106	0.10 266	0.10 281	0.08 197	0.06 98

gwcnet-sp	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

scenet	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

ssnet	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

IER	0.14 185	0.07 69	0.13 127	0.17 114	0.09 130	0.14 153	0.16 170	0.25 202	0.26 223	0.18 210	0.25 224	0.17 180	0.20 276	0.16 196	0.14 184	0.08 189	0.05 106	0.07 98	0.06 86	0.08 197	0.07 156

test_5	0.14 185	0.12 270	0.08 11	0.20 266	0.10 215	0.14 153	0.29 359	0.21 139	0.24 191	0.18 210	0.28 255	0.11 73	0.15 205	0.12 100	0.13 156	0.06 54	0.05 106	0.07 98	0.08 210	0.08 197	0.07 156

NINENet	0.16 236	0.10 236	0.15 190	0.17 114	0.11 253	0.19 252	0.14 69	0.40 350	0.36 295	0.18 210	0.21 172	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.08 267	0.10 266	0.07 160	0.10 272	0.09 249

DAS	0.15 218	0.08 140	0.18 262	0.19 226	0.10 215	0.19 252	0.17 190	0.27 232	0.29 248	0.18 210	0.25 224	0.21 215	0.15 205	0.16 196	0.12 127	0.08 189	0.06 188	0.06 31	0.06 86	0.07 155	0.07 156

SepStereo	0.15 218	0.08 140	0.18 262	0.19 226	0.10 215	0.19 252	0.17 190	0.27 232	0.29 248	0.18 210	0.25 224	0.21 215	0.15 205	0.25 310	0.12 127	0.08 189	0.06 188	0.06 31	0.06 86	0.07 155	0.07 156

PSMNet-ADL	0.15 218	0.12 270	0.13 127	0.22 303	0.09 130	0.13 129	0.20 276	0.26 214	0.23 181	0.18 210	0.20 158	0.24 250	0.16 225	0.18 229	0.17 232	0.08 189	0.08 267	0.08 162	0.11 304	0.08 197	0.07 156

ICVP	0.15 218	0.09 189	0.12 90	0.22 303	0.09 130	0.17 217	0.21 292	0.25 202	0.23 181	0.18 210	0.30 270	0.26 268	0.18 253	0.17 218	0.14 184	0.09 234	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 236	0.08 140	0.15 190	0.18 181	0.10 215	0.22 286	0.18 230	0.24 189	0.21 161	0.18 210	0.24 195	0.29 289	0.18 253	0.19 240	0.22 289	0.09 234	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

GwcNet-RSSM	0.14 185	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 276	0.21 139	0.27 230	0.18 210	0.27 246	0.22 232	0.16 225	0.14 147	0.15 207	0.10 265	0.05 106	0.07 98	0.09 249	0.07 155	0.07 156

MLCV	0.12 134	0.07 69	0.16 220	0.18 181	0.06 2	0.15 175	0.17 190	0.19 115	0.21 161	0.18 210	0.25 224	0.17 180	0.13 169	0.14 147	0.13 156	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

SMFormer	0.14 185	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.17 232	0.08 189	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 185	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.17 232	0.08 189	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

qqq1	0.13 156	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.11 85	0.08 189	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 156	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.11 85	0.08 189	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

SDNR	0.19 277	0.08 140	0.19 271	0.16 68	0.12 282	0.77 397	0.14 69	0.25 202	0.32 267	0.19 223	0.24 195	0.19 199	0.13 169	0.19 240	0.15 207	0.16 355	0.18 362	0.14 332	0.11 304	0.08 197	0.11 291

ToySt	0.17 255	0.11 256	0.18 262	0.17 114	0.11 253	0.16 198	0.25 333	0.24 189	0.33 273	0.19 223	0.24 195	0.26 268	0.24 301	0.19 240	0.20 261	0.07 141	0.08 267	0.09 225	0.10 281	0.09 245	0.08 216

iRaft-Stereo_5w	0.12 134	0.09 189	0.12 90	0.19 226	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.19 223	0.14 79	0.11 73	0.09 66	0.20 259	0.16 221	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

AASNet	0.16 236	0.08 140	0.12 90	0.19 226	0.09 130	0.18 232	0.15 115	0.37 335	0.37 301	0.19 223	0.23 187	0.20 209	0.16 225	0.17 218	0.20 261	0.10 265	0.08 267	0.08 162	0.07 160	0.09 245	0.09 249

CrosDoStereo	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 172	0.19 223	0.24 195	0.15 150	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

DeepStereo_LL	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 172	0.19 223	0.24 195	0.15 150	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

pcwnet_v2	0.19 277	0.10 236	0.26 308	0.17 114	0.14 316	0.18 232	0.15 115	0.37 335	0.46 341	0.19 223	0.24 195	0.21 215	0.19 268	0.20 259	0.19 255	0.13 330	0.10 308	0.10 266	0.10 281	0.11 287	0.13 315

HCRNet	0.16 236	0.24 359	0.12 90	0.35 373	0.11 253	0.15 175	0.17 190	0.26 214	0.22 172	0.19 223	0.24 195	0.21 215	0.14 192	0.15 165	0.13 156	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

acv_ft	0.15 218	0.09 189	0.15 190	0.19 226	0.10 215	0.16 198	0.17 190	0.25 202	0.33 273	0.19 223	0.26 239	0.21 215	0.17 244	0.17 218	0.18 246	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

HSM-Net_RVC	0.14 185	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 232	0.29 248	0.19 223	0.21 172	0.29 289	0.14 192	0.17 218	0.13 156	0.06 54	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 218	0.10 236	0.17 245	0.17 114	0.08 47	0.18 232	0.09 3	0.28 246	0.25 210	0.19 223	0.24 195	0.24 250	0.17 244	0.17 218	0.14 184	0.08 189	0.06 188	0.09 225	0.10 281	0.07 155	0.06 98

DeepPruner_ROB	0.16 236	0.11 256	0.15 190	0.17 114	0.10 215	0.17 217	0.15 115	0.32 285	0.21 161	0.19 223	0.21 172	0.22 232	0.18 253	0.20 259	0.15 207	0.13 330	0.09 290	0.09 225	0.09 249	0.11 287	0.10 268

HSM	0.15 218	0.08 140	0.14 153	0.16 68	0.09 130	0.16 198	0.14 69	0.28 246	0.25 210	0.19 223	0.23 187	0.37 334	0.16 225	0.20 259	0.15 207	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

CBFPSM	0.14 185	0.06 19	0.26 308	0.17 114	0.09 130	0.13 129	0.15 115	0.22 155	0.23 181	0.20 240	0.27 246	0.24 250	0.16 225	0.16 196	0.18 246	0.06 54	0.06 188	0.06 31	0.07 160	0.07 155	0.07 156

raft_robust	0.13 156	0.10 236	0.07 2	0.18 181	0.08 47	0.13 129	0.24 320	0.28 246	0.33 273	0.20 240	0.19 147	0.14 126	0.10 87	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 160	0.05 40	0.04 7

RAFT_CTSACE	0.12 134	0.09 189	0.10 44	0.22 303	0.08 47	0.12 104	0.24 320	0.18 96	0.16 87	0.20 240	0.27 246	0.13 111	0.07 31	0.13 132	0.09 19	0.05 2	0.06 188	0.08 162	0.07 160	0.04 1	0.04 7

UDGNet	0.14 185	0.13 291	0.16 220	0.17 114	0.10 215	0.12 104	0.16 170	0.21 139	0.27 230	0.20 240	0.20 158	0.16 161	0.13 169	0.16 196	0.13 156	0.10 265	0.06 188	0.09 225	0.07 160	0.06 101	0.07 156

GEStereo_RVC	0.17 255	0.12 270	0.15 190	0.22 303	0.11 253	0.19 252	0.17 190	0.32 285	0.48 343	0.20 240	0.25 224	0.17 180	0.13 169	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.07 160	0.09 245	0.08 216

GwcNet	0.20 286	0.13 291	0.19 271	0.18 181	0.12 282	0.24 304	0.19 261	0.35 324	0.43 329	0.20 240	0.32 282	0.33 318	0.20 276	0.22 286	0.24 309	0.11 286	0.09 290	0.09 225	0.09 249	0.09 245	0.10 268

AdaStereo	0.15 218	0.11 256	0.15 190	0.18 181	0.09 130	0.20 264	0.11 11	0.32 285	0.28 241	0.20 240	0.23 187	0.20 209	0.13 169	0.19 240	0.14 184	0.12 310	0.05 106	0.10 266	0.07 160	0.09 245	0.07 156
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.
NOSS_ROB	0.19 277	0.12 270	0.18 262	0.16 68	0.12 282	0.15 175	0.12 21	0.30 270	0.32 267	0.20 240	0.22 181	0.27 275	0.23 295	0.21 275	0.16 221	0.16 355	0.18 362	0.23 366	0.21 362	0.12 301	0.13 315

iinet-f	0.16 236	0.06 19	0.45 356	0.14 13	0.10 215	0.21 278	0.14 69	0.27 232	0.23 181	0.21 248	0.24 195	0.21 215	0.15 205	0.18 229	0.21 280	0.09 234	0.07 245	0.07 98	0.06 86	0.09 245	0.10 268

RAFT	0.13 156	0.09 189	0.11 70	0.18 181	0.08 47	0.15 175	0.24 320	0.20 122	0.19 127	0.21 248	0.21 172	0.17 180	0.12 137	0.16 196	0.09 19	0.06 54	0.07 245	0.10 266	0.09 249	0.05 40	0.05 51

psm_up	0.18 267	0.10 236	0.18 262	0.20 266	0.11 253	0.17 217	0.19 261	0.37 335	0.34 284	0.21 248	0.28 255	0.29 289	0.24 301	0.20 259	0.22 289	0.09 234	0.10 308	0.11 293	0.11 304	0.08 197	0.08 216

UNet	0.17 255	0.09 189	0.18 262	0.19 226	0.12 282	0.27 329	0.19 261	0.33 302	0.29 248	0.21 248	0.24 195	0.23 244	0.19 268	0.19 240	0.18 246	0.07 141	0.06 188	0.08 162	0.07 160	0.08 197	0.06 98

HGLStereo	0.17 255	0.08 140	0.19 271	0.17 114	0.12 282	0.18 232	0.18 230	0.31 276	0.32 267	0.21 248	0.32 282	0.25 260	0.18 253	0.19 240	0.20 261	0.09 234	0.09 290	0.07 98	0.07 160	0.09 245	0.10 268

DMCA-RVC	0.17 255	0.10 236	0.15 190	0.24 327	0.11 253	0.18 232	0.18 230	0.25 202	0.24 191	0.21 248	0.26 239	0.25 260	0.27 320	0.18 229	0.20 261	0.12 310	0.08 267	0.13 322	0.10 281	0.10 272	0.08 216

FADNet_RVC	0.16 236	0.14 303	0.40 351	0.20 266	0.11 253	0.13 129	0.13 43	0.26 214	0.22 172	0.21 248	0.23 187	0.20 209	0.17 244	0.14 147	0.16 221	0.08 189	0.08 267	0.12 308	0.09 249	0.11 287	0.10 268

STTStereo	0.18 267	0.12 270	0.27 314	0.20 266	0.11 253	0.16 198	0.21 292	0.29 256	0.23 181	0.21 248	0.30 270	0.29 289	0.18 253	0.20 259	0.19 255	0.12 310	0.11 317	0.11 293	0.14 335	0.09 245	0.08 216

RP	0.21 295	0.13 291	0.21 284	0.23 322	0.11 253	0.21 278	0.20 276	0.25 202	0.44 333	0.21 248	0.38 316	0.36 330	0.24 301	0.27 315	0.25 318	0.11 286	0.12 326	0.13 322	0.12 322	0.12 301	0.14 332

TDLM	0.17 255	0.12 270	0.13 127	0.24 327	0.10 215	0.18 232	0.18 230	0.36 330	0.30 255	0.21 248	0.28 255	0.28 282	0.18 253	0.23 297	0.18 246	0.11 286	0.07 245	0.10 266	0.10 281	0.08 197	0.08 216

NLCA_NET_v2_RVC	0.17 255	0.10 236	0.22 289	0.20 266	0.10 215	0.15 175	0.18 230	0.31 276	0.25 210	0.21 248	0.30 270	0.25 260	0.17 244	0.21 275	0.20 261	0.09 234	0.06 188	0.08 162	0.08 210	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
iResNetv2_ROB	0.14 185	0.08 140	0.15 190	0.16 68	0.08 47	0.16 198	0.12 21	0.25 202	0.35 291	0.21 248	0.29 266	0.24 250	0.13 169	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 245	0.08 216

pmcnn	0.15 218	0.07 69	0.19 271	0.15 38	0.07 18	0.20 264	0.15 115	0.24 189	0.26 223	0.21 248	0.34 299	0.28 282	0.18 253	0.18 229	0.17 232	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

fast-acv-ft	0.18 267	0.11 256	0.19 271	0.19 226	0.12 282	0.24 304	0.21 292	0.25 202	0.34 284	0.22 261	0.34 299	0.27 275	0.20 276	0.21 275	0.23 299	0.09 234	0.09 290	0.08 162	0.10 281	0.08 197	0.07 156

ssnet_v2	0.17 255	0.10 236	0.17 245	0.17 114	0.11 253	0.21 278	0.21 292	0.33 302	0.25 210	0.22 261	0.22 181	0.27 275	0.18 253	0.22 286	0.20 261	0.11 286	0.09 290	0.09 225	0.09 249	0.08 197	0.08 216

HBP-ISP	0.18 267	0.13 291	0.16 220	0.15 38	0.11 253	0.08 23	0.13 43	0.28 246	0.29 248	0.22 261	0.33 295	0.21 215	0.25 309	0.23 297	0.17 232	0.14 341	0.16 355	0.21 361	0.17 354	0.10 272	0.08 216

ADLNet	0.16 236	0.08 140	0.15 190	0.16 68	0.10 215	0.16 198	0.17 190	0.32 285	0.27 230	0.22 261	0.27 246	0.24 250	0.16 225	0.18 229	0.21 280	0.10 265	0.06 188	0.10 266	0.10 281	0.08 197	0.09 249

MMNet	0.17 255	0.09 189	0.16 220	0.20 266	0.11 253	0.27 329	0.20 276	0.25 202	0.41 318	0.22 261	0.30 270	0.21 215	0.20 276	0.17 218	0.20 261	0.06 54	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

stereogan	0.22 304	0.11 256	0.21 284	0.20 266	0.12 282	0.31 342	0.19 261	0.35 324	0.44 333	0.22 261	0.39 324	0.35 328	0.27 320	0.33 344	0.22 289	0.10 265	0.12 326	0.10 266	0.10 281	0.14 330	0.13 315

Nwc_Net	0.23 319	0.16 316	0.21 284	0.25 338	0.14 316	0.24 304	0.26 339	0.37 335	0.38 306	0.22 261	0.41 339	0.30 297	0.28 328	0.28 326	0.25 318	0.11 286	0.10 308	0.17 348	0.20 360	0.10 272	0.10 268

PA-Net	0.23 319	0.18 337	0.33 335	0.28 357	0.22 366	0.21 278	0.38 381	0.29 256	0.39 309	0.22 261	0.32 282	0.25 260	0.26 312	0.20 259	0.25 318	0.09 234	0.23 377	0.15 340	0.22 365	0.09 245	0.13 315
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CVANet_RVC	0.18 267	0.10 236	0.14 153	0.21 290	0.10 215	0.18 232	0.17 190	0.34 312	0.33 273	0.22 261	0.31 278	0.28 282	0.18 253	0.23 297	0.17 232	0.12 310	0.08 267	0.12 308	0.11 304	0.09 245	0.07 156

AANet_RVC	0.16 236	0.10 236	0.10 44	0.18 181	0.09 130	0.18 232	0.19 261	0.26 214	0.31 261	0.22 261	0.35 302	0.21 215	0.21 280	0.22 286	0.16 221	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

DISCO	0.19 277	0.09 189	0.22 289	0.17 114	0.10 215	0.25 314	0.18 230	0.27 232	0.44 333	0.22 261	0.31 278	0.33 318	0.26 312	0.28 326	0.28 342	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.09 249

iResNet_ROB	0.14 185	0.07 69	0.13 127	0.14 13	0.07 18	0.18 232	0.14 69	0.26 214	0.31 261	0.22 261	0.25 224	0.23 244	0.15 205	0.15 165	0.13 156	0.07 141	0.05 106	0.05 2	0.04 8	0.08 197	0.08 216

GMStereo_Zeroshot	0.16 236	0.13 291	0.24 301	0.20 266	0.10 215	0.17 217	0.13 43	0.29 256	0.25 210	0.23 273	0.32 282	0.25 260	0.11 108	0.19 240	0.14 184	0.09 234	0.06 188	0.11 293	0.06 86	0.12 301	0.08 216

Anonymous_2	0.22 304	0.17 327	0.28 319	0.15 38	0.16 337	0.32 343	0.22 301	0.22 155	0.17 99	0.23 273	0.24 195	0.26 268	0.27 320	0.27 315	0.23 299	0.22 372	0.25 379	0.17 348	0.17 354	0.17 355	0.17 358

dd	0.15 218	0.16 316	0.16 220	0.19 226	0.09 130	0.15 175	0.18 230	0.21 139	0.25 210	0.23 273	0.20 158	0.21 215	0.09 66	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.06 86	0.08 197	0.06 98

UDG	0.21 295	0.17 327	0.19 271	0.23 322	0.15 327	0.30 341	0.20 276	0.33 302	0.35 291	0.23 273	0.28 255	0.31 307	0.27 320	0.20 259	0.22 289	0.15 344	0.12 326	0.13 322	0.09 249	0.14 330	0.14 332

SACVNet	0.18 267	0.12 270	0.14 153	0.17 114	0.13 299	0.22 286	0.18 230	0.31 276	0.30 255	0.23 273	0.31 278	0.30 297	0.22 289	0.22 286	0.17 232	0.11 286	0.08 267	0.10 266	0.10 281	0.12 301	0.14 332

DSFCA	0.16 236	0.09 189	0.14 153	0.16 68	0.10 215	0.20 264	0.19 261	0.28 246	0.31 261	0.23 273	0.24 195	0.22 232	0.15 205	0.19 240	0.20 261	0.10 265	0.07 245	0.09 225	0.09 249	0.08 197	0.08 216

FADNet	0.21 295	0.22 355	0.36 344	0.18 181	0.17 350	0.24 304	0.13 43	0.31 276	0.31 261	0.23 273	0.25 224	0.27 275	0.21 280	0.19 240	0.15 207	0.13 330	0.15 352	0.12 308	0.15 345	0.16 348	0.18 360

S-Stereo	0.20 286	0.12 270	0.25 307	0.21 290	0.13 299	0.20 264	0.18 230	0.32 285	0.43 329	0.23 273	0.36 305	0.28 282	0.30 340	0.19 240	0.22 289	0.09 234	0.12 326	0.10 266	0.10 281	0.13 318	0.13 315

SQANet	0.23 319	0.23 356	0.30 328	0.30 366	0.19 359	0.27 329	0.13 43	0.29 256	0.33 273	0.24 281	0.37 311	0.31 307	0.22 289	0.27 315	0.23 299	0.15 344	0.10 308	0.21 361	0.16 347	0.21 363	0.15 340

WZ-Net	0.28 347	0.17 327	0.78 391	0.22 303	0.16 337	0.34 352	0.29 359	0.39 346	0.57 364	0.24 281	0.55 364	0.37 334	0.24 301	0.33 344	0.35 363	0.09 234	0.08 267	0.09 225	0.10 281	0.14 330	0.16 351

LMCR-Stereo	0.15 218	0.08 140	0.13 127	0.21 290	0.09 130	0.17 217	0.20 276	0.27 232	0.19 127	0.24 281	0.24 195	0.23 244	0.17 244	0.20 259	0.17 232	0.07 141	0.06 188	0.08 162	0.06 86	0.10 272	0.08 216

DGSMNet	0.24 327	0.19 340	0.33 335	0.21 290	0.24 369	0.24 304	0.20 276	0.35 324	0.41 318	0.24 281	0.32 282	0.38 338	0.21 280	0.29 332	0.23 299	0.12 310	0.11 317	0.14 332	0.16 347	0.23 366	0.23 371

hitnet-ft	0.18 267	0.09 189	0.17 245	0.14 13	0.09 130	0.26 322	0.20 276	0.25 202	0.26 223	0.24 281	0.32 282	0.31 307	0.22 289	0.24 305	0.21 280	0.12 310	0.07 245	0.10 266	0.08 210	0.12 301	0.11 291

FADNet-RVC-Resample	0.16 236	0.11 256	0.31 330	0.22 303	0.11 253	0.19 252	0.14 69	0.25 202	0.24 191	0.24 281	0.27 246	0.20 209	0.15 205	0.16 196	0.15 207	0.07 141	0.08 267	0.12 308	0.10 281	0.09 245	0.10 268

NCC-stereo	0.24 327	0.15 309	0.31 330	0.26 343	0.16 337	0.20 264	0.30 366	0.40 350	0.40 315	0.24 281	0.38 316	0.33 318	0.28 328	0.36 358	0.27 334	0.12 310	0.11 317	0.15 340	0.22 365	0.13 318	0.13 315

Abc-Net	0.24 327	0.15 309	0.31 330	0.26 343	0.16 337	0.20 264	0.30 366	0.40 350	0.40 315	0.24 281	0.38 316	0.33 318	0.28 328	0.36 358	0.27 334	0.12 310	0.11 317	0.15 340	0.22 365	0.13 318	0.13 315
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 327	0.11 256	0.47 360	0.22 303	0.12 282	0.34 352	0.29 359	0.29 256	0.56 362	0.24 281	0.46 351	0.30 297	0.30 340	0.29 332	0.29 345	0.08 189	0.07 245	0.09 225	0.09 249	0.10 272	0.10 268

RYNet	0.22 304	0.12 270	0.22 289	0.19 226	0.17 350	0.46 368	0.26 339	0.38 342	0.48 343	0.24 281	0.28 255	0.34 324	0.23 295	0.20 259	0.30 349	0.10 265	0.06 188	0.09 225	0.09 249	0.13 318	0.15 340

DRN-Test	0.19 277	0.11 256	0.20 279	0.22 303	0.10 215	0.22 286	0.22 301	0.39 346	0.37 301	0.24 281	0.32 282	0.26 268	0.21 280	0.22 286	0.24 309	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

StereoDRNet	0.18 267	0.11 256	0.17 245	0.22 303	0.11 253	0.21 278	0.22 301	0.37 335	0.33 273	0.24 281	0.28 255	0.30 297	0.19 268	0.20 259	0.20 261	0.09 234	0.08 267	0.11 293	0.09 249	0.09 245	0.07 156

SGM-Forest	0.20 286	0.14 303	0.18 262	0.19 226	0.13 299	0.20 264	0.22 301	0.33 302	0.30 255	0.24 281	0.29 266	0.28 282	0.19 268	0.23 297	0.17 232	0.15 344	0.16 355	0.15 340	0.14 335	0.12 301	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-LNSev-Ref	0.18 267	0.09 189	0.29 325	0.15 38	0.10 215	0.22 286	0.20 276	0.26 214	0.39 309	0.25 294	0.42 344	0.24 250	0.15 205	0.20 259	0.19 255	0.07 141	0.05 106	0.06 31	0.05 31	0.10 272	0.09 249

CSP-Net	0.16 236	0.09 189	0.14 153	0.16 68	0.09 130	0.19 252	0.17 190	0.25 202	0.32 267	0.25 294	0.30 270	0.24 250	0.15 205	0.21 275	0.18 246	0.09 234	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

FINET	0.21 295	0.18 337	0.26 308	0.18 181	0.16 337	0.23 299	0.23 311	0.32 285	0.48 343	0.25 294	0.32 282	0.22 232	0.22 289	0.22 286	0.17 232	0.18 360	0.16 355	0.11 293	0.10 281	0.15 341	0.13 315

AF-Net	0.22 304	0.17 327	0.17 245	0.26 343	0.13 299	0.25 314	0.24 320	0.32 285	0.50 350	0.25 294	0.33 295	0.38 338	0.26 312	0.28 326	0.25 318	0.11 286	0.10 308	0.16 346	0.11 304	0.11 287	0.10 268

Anonymous Stereo	0.23 319	0.19 340	0.50 362	0.24 327	0.17 350	0.21 278	0.21 292	0.33 302	0.44 333	0.25 294	0.34 299	0.26 268	0.18 253	0.31 336	0.27 334	0.13 330	0.12 326	0.12 308	0.13 331	0.11 287	0.14 332

FADNet-RVC	0.20 286	0.20 345	0.38 348	0.21 290	0.16 337	0.20 264	0.15 115	0.26 214	0.26 223	0.26 299	0.32 282	0.26 268	0.21 280	0.22 286	0.19 255	0.12 310	0.13 339	0.12 308	0.14 335	0.13 318	0.18 360

SuperB	0.20 286	0.10 236	0.56 370	0.16 68	0.09 130	0.18 232	0.18 230	0.24 189	0.50 350	0.26 299	0.39 324	0.17 180	0.21 280	0.22 286	0.21 280	0.08 189	0.06 188	0.06 31	0.06 86	0.12 301	0.10 268

ADCRef	0.19 277	0.12 270	0.41 353	0.20 266	0.12 282	0.22 286	0.18 230	0.32 285	0.36 295	0.26 299	0.32 282	0.17 180	0.23 295	0.24 305	0.24 309	0.07 141	0.06 188	0.09 225	0.09 249	0.08 197	0.08 216

DeepPrunerF	0.24 327	0.17 327	0.42 354	0.26 343	0.16 337	0.22 286	0.28 351	0.37 335	0.50 350	0.26 299	0.29 266	0.24 250	0.28 328	0.21 275	0.22 289	0.15 344	0.11 317	0.20 360	0.18 358	0.12 301	0.13 315

ADCP+	0.20 286	0.10 236	0.33 335	0.20 266	0.12 282	0.22 286	0.26 339	0.31 276	0.34 284	0.26 299	0.37 311	0.22 232	0.22 289	0.27 315	0.27 334	0.09 234	0.06 188	0.08 162	0.08 210	0.09 245	0.10 268

StereoDRNet-Refined	0.17 255	0.12 270	0.15 190	0.20 266	0.09 130	0.18 232	0.18 230	0.26 214	0.23 181	0.26 299	0.40 329	0.22 232	0.17 244	0.21 275	0.20 261	0.08 189	0.05 106	0.09 225	0.10 281	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
GASNet	0.22 304	0.23 356	0.33 335	0.26 343	0.17 350	0.26 322	0.16 170	0.44 365	0.42 324	0.27 305	0.24 195	0.30 297	0.15 205	0.27 315	0.18 246	0.12 310	0.08 267	0.12 308	0.11 304	0.16 348	0.07 156

AACVNet	0.16 236	0.08 140	0.14 153	0.15 38	0.10 215	0.18 232	0.15 115	0.23 172	0.24 191	0.27 305	0.27 246	0.28 282	0.17 244	0.19 240	0.16 221	0.09 234	0.07 245	0.09 225	0.07 160	0.10 272	0.09 249

APVNet	0.22 304	0.12 270	0.19 271	0.18 181	0.14 316	0.32 343	0.31 372	0.39 346	0.32 267	0.27 305	0.40 329	0.30 297	0.29 336	0.26 312	0.25 318	0.11 286	0.12 326	0.11 293	0.14 335	0.12 301	0.12 302

FAT-Stereo	0.20 286	0.12 270	0.22 289	0.21 290	0.12 282	0.17 217	0.18 230	0.34 312	0.39 309	0.27 305	0.37 311	0.34 324	0.32 347	0.21 275	0.20 261	0.09 234	0.11 317	0.10 266	0.09 249	0.11 287	0.14 332

RGC	0.25 336	0.20 345	0.29 325	0.28 357	0.16 337	0.22 286	0.23 311	0.32 285	0.44 333	0.27 305	0.40 329	0.38 338	0.27 320	0.36 358	0.22 289	0.11 286	0.13 339	0.17 348	0.17 354	0.14 330	0.16 351

RTSC	0.23 319	0.12 270	0.28 319	0.21 290	0.13 299	0.28 335	0.16 170	0.35 324	0.66 378	0.27 305	0.33 295	0.30 297	0.21 280	0.31 336	0.29 345	0.10 265	0.08 267	0.09 225	0.10 281	0.13 318	0.13 315

PS-NSSS	0.20 286	0.21 351	0.23 298	0.20 266	0.10 215	0.19 252	0.17 190	0.36 330	0.25 210	0.27 305	0.33 295	0.27 275	0.24 301	0.20 259	0.20 261	0.15 344	0.12 326	0.17 348	0.14 335	0.10 272	0.08 216

CBMV_ROB	0.19 277	0.13 291	0.17 245	0.16 68	0.11 253	0.15 175	0.13 43	0.26 214	0.28 241	0.27 305	0.30 270	0.27 275	0.24 301	0.23 297	0.16 221	0.15 344	0.17 360	0.22 365	0.20 360	0.10 272	0.11 291

DLCB_ROB	0.18 267	0.10 236	0.15 190	0.23 322	0.11 253	0.24 304	0.18 230	0.29 256	0.28 241	0.27 305	0.28 255	0.28 282	0.24 301	0.19 240	0.20 261	0.08 189	0.08 267	0.09 225	0.09 249	0.07 155	0.07 156

DispFullNet	0.27 344	0.21 351	0.65 377	0.28 357	0.16 337	0.26 322	0.17 190	0.33 302	0.58 367	0.27 305	0.38 316	0.43 355	0.23 295	0.38 363	0.23 299	0.12 310	0.06 188	0.19 358	0.11 304	0.21 363	0.15 340

PSMNet_ROB	0.21 295	0.11 256	0.15 190	0.27 354	0.15 327	0.24 304	0.35 376	0.43 363	0.37 301	0.27 305	0.32 282	0.32 315	0.22 289	0.21 275	0.26 327	0.12 310	0.08 267	0.13 322	0.11 304	0.09 245	0.09 249

Wz-Net-MNSev	0.22 304	0.13 291	0.31 330	0.20 266	0.14 316	0.36 361	0.24 320	0.33 302	0.44 333	0.28 316	0.40 329	0.38 338	0.19 268	0.24 305	0.25 318	0.09 234	0.07 245	0.09 225	0.09 249	0.12 301	0.10 268

CRFU-Net	0.16 236	0.08 140	0.14 153	0.17 114	0.09 130	0.19 252	0.14 69	0.26 214	0.20 148	0.28 316	0.27 246	0.29 289	0.17 244	0.19 240	0.17 232	0.09 234	0.09 290	0.07 98	0.07 160	0.08 197	0.08 216

Syn2CoEx	0.21 295	0.16 316	0.27 314	0.29 364	0.14 316	0.26 322	0.20 276	0.33 302	0.31 261	0.28 316	0.36 305	0.27 275	0.25 309	0.19 240	0.24 309	0.16 355	0.12 326	0.14 332	0.11 304	0.09 245	0.08 216

DANet	0.21 295	0.15 309	0.28 319	0.25 338	0.13 299	0.22 286	0.19 261	0.27 232	0.27 230	0.28 316	0.32 282	0.35 328	0.31 344	0.31 336	0.23 299	0.11 286	0.09 290	0.11 293	0.10 281	0.13 318	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ETE_ROB	0.23 319	0.17 327	0.22 289	0.25 338	0.13 299	0.26 322	0.29 359	0.31 276	0.36 295	0.28 316	0.36 305	0.45 359	0.26 312	0.27 315	0.26 327	0.11 286	0.08 267	0.12 308	0.09 249	0.14 330	0.13 315

PDISCO_ROB	0.27 344	0.16 316	0.26 308	0.28 357	0.20 362	0.32 343	0.26 339	0.44 365	0.57 364	0.28 316	0.40 329	0.45 359	0.29 336	0.33 344	0.34 362	0.12 310	0.09 290	0.17 348	0.16 347	0.17 355	0.13 315

DPSNet	0.28 347	0.16 316	0.31 330	0.18 181	0.13 299	0.54 376	0.42 385	0.51 377	0.67 379	0.29 322	0.38 316	0.38 338	0.29 336	0.31 336	0.23 299	0.11 286	0.10 308	0.11 293	0.08 210	0.20 362	0.16 351

PWCDC_ROB	0.20 286	0.13 291	0.22 289	0.24 327	0.11 253	0.19 252	0.15 115	0.33 302	0.54 359	0.29 322	0.50 359	0.21 215	0.15 205	0.27 315	0.20 261	0.11 286	0.09 290	0.10 266	0.08 210	0.11 287	0.09 249

CBMV	0.19 277	0.14 303	0.17 245	0.18 181	0.10 215	0.20 264	0.11 11	0.29 256	0.30 255	0.29 322	0.30 270	0.30 297	0.23 295	0.27 315	0.19 255	0.13 330	0.15 352	0.17 348	0.16 347	0.10 272	0.10 268
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	0.25 336	0.17 327	0.44 355	0.25 338	0.14 316	0.26 322	0.23 311	0.38 342	0.56 362	0.30 325	0.55 364	0.39 346	0.26 312	0.23 297	0.30 349	0.10 265	0.09 290	0.09 225	0.10 281	0.11 287	0.11 291

Wz-Net-LNSev	0.22 304	0.16 316	0.38 348	0.21 290	0.13 299	0.25 314	0.23 311	0.32 285	0.43 329	0.30 325	0.41 339	0.31 307	0.18 253	0.22 286	0.25 318	0.10 265	0.09 290	0.08 162	0.08 210	0.12 301	0.11 291

dad	0.17 255	0.20 345	0.20 279	0.16 68	0.11 253	0.20 264	0.18 230	0.21 139	0.28 241	0.30 325	0.24 195	0.29 289	0.13 169	0.19 240	0.16 221	0.18 360	0.09 290	0.11 293	0.09 249	0.11 287	0.07 156

ADCPNet	0.25 336	0.16 316	0.61 374	0.21 290	0.15 327	0.35 360	0.25 333	0.32 285	0.35 291	0.30 325	0.40 329	0.36 330	0.28 328	0.28 326	0.32 357	0.12 310	0.10 308	0.11 293	0.12 322	0.14 330	0.13 315

XPNet_ROB	0.22 304	0.11 256	0.19 271	0.22 303	0.13 299	0.22 286	0.19 261	0.34 312	0.40 315	0.30 325	0.39 324	0.39 346	0.26 312	0.26 312	0.28 342	0.15 344	0.10 308	0.10 266	0.10 281	0.13 318	0.12 302

PWC_ROB	0.21 295	0.16 316	0.26 308	0.18 181	0.11 253	0.22 286	0.13 43	0.32 285	0.49 348	0.30 325	0.40 329	0.32 315	0.24 301	0.31 336	0.22 289	0.10 265	0.07 245	0.11 293	0.08 210	0.11 287	0.10 268

DDUNet	0.22 304	0.17 327	0.21 284	0.22 303	0.15 327	0.25 314	0.24 320	0.29 256	0.30 255	0.31 331	0.36 305	0.33 318	0.25 309	0.24 305	0.20 261	0.18 360	0.13 339	0.17 348	0.11 304	0.16 348	0.16 351

XQC	0.28 347	0.23 356	0.51 363	0.28 357	0.19 359	0.34 352	0.27 346	0.36 330	0.57 364	0.31 331	0.30 270	0.37 334	0.30 340	0.38 363	0.38 370	0.13 330	0.09 290	0.15 340	0.12 322	0.17 355	0.18 360

AnyNet_C32	0.26 342	0.16 316	0.36 344	0.20 266	0.16 337	0.25 314	0.30 366	0.32 285	0.44 333	0.31 331	0.49 355	0.30 297	0.33 348	0.40 370	0.33 360	0.12 310	0.12 326	0.12 308	0.14 335	0.14 330	0.15 340

GANet	0.21 295	0.12 270	0.21 284	0.24 327	0.13 299	0.22 286	0.22 301	0.41 355	0.26 223	0.31 331	0.42 344	0.37 334	0.28 328	0.23 297	0.22 289	0.10 265	0.12 326	0.10 266	0.09 249	0.10 272	0.08 216

NCCL2	0.23 319	0.15 309	0.17 245	0.34 371	0.18 357	0.24 304	0.23 311	0.34 312	0.28 241	0.31 331	0.38 316	0.38 338	0.28 328	0.23 297	0.24 309	0.15 344	0.12 326	0.18 356	0.21 362	0.13 318	0.13 315

NaN_ROB	0.22 304	0.19 340	0.24 301	0.25 338	0.13 299	0.29 338	0.26 339	0.33 302	0.41 318	0.31 331	0.31 278	0.32 315	0.23 295	0.30 335	0.21 280	0.11 286	0.17 360	0.10 266	0.10 281	0.08 197	0.09 249

Consistency-Raft	0.44 374	0.40 381	0.45 356	0.37 376	0.43 385	0.46 368	0.41 382	0.57 385	0.55 360	0.32 337	0.73 382	0.33 318	0.48 376	0.42 373	0.49 385	0.39 385	0.35 385	0.45 385	0.51 393	0.42 385	0.29 380

MaskLacGwcNet_RVC	0.22 304	0.21 351	0.24 301	0.26 343	0.11 253	0.23 299	0.14 69	0.39 346	0.24 191	0.32 337	0.36 305	0.30 297	0.21 280	0.19 240	0.21 280	0.17 359	0.14 346	0.21 361	0.16 347	0.12 301	0.12 302

edge stereo	0.22 304	0.13 291	0.20 279	0.21 290	0.13 299	0.23 299	0.16 170	0.32 285	0.42 324	0.32 337	0.40 329	0.38 338	0.35 354	0.25 310	0.24 309	0.13 330	0.11 317	0.14 332	0.11 304	0.12 301	0.13 315

SHD	0.26 342	0.15 309	0.30 328	0.24 327	0.18 357	0.22 286	0.15 115	0.38 342	0.71 382	0.32 337	0.41 339	0.36 330	0.28 328	0.32 342	0.29 345	0.12 310	0.11 317	0.14 332	0.13 331	0.16 348	0.20 366

LALA_ROB	0.25 336	0.16 316	0.22 289	0.26 343	0.17 350	0.27 329	0.27 346	0.42 360	0.37 301	0.33 341	0.38 316	0.51 369	0.26 312	0.28 326	0.27 334	0.16 355	0.09 290	0.12 308	0.11 304	0.13 318	0.12 302

Wz-Net-TNSev	0.29 351	0.20 345	0.65 377	0.19 226	0.15 327	0.38 364	0.27 346	0.35 324	0.55 360	0.34 342	0.42 344	0.45 359	0.38 359	0.32 342	0.30 349	0.12 310	0.13 339	0.10 266	0.12 322	0.15 341	0.14 332

GANetREF_RVC	0.31 357	0.34 376	0.27 314	0.35 373	0.16 337	0.32 343	0.41 382	0.48 372	0.51 357	0.35 343	0.35 302	0.34 324	0.33 348	0.39 366	0.32 357	0.27 380	0.20 368	0.29 377	0.15 345	0.18 358	0.17 358
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
PASM	0.32 359	0.24 359	0.48 361	0.28 357	0.27 375	0.29 338	0.30 366	0.34 312	0.49 348	0.35 343	0.39 324	0.46 363	0.34 352	0.34 347	0.35 363	0.23 376	0.25 379	0.26 368	0.28 376	0.23 366	0.21 368

ccnet	0.29 351	0.28 369	0.23 298	0.20 266	0.28 376	0.41 367	0.21 292	0.45 368	0.33 273	0.36 345	0.46 351	0.36 330	0.30 340	0.39 366	0.42 378	0.23 376	0.14 346	0.21 361	0.17 354	0.23 366	0.18 360

G-Net	0.24 327	0.16 316	0.36 344	0.22 303	0.16 337	0.51 374	0.23 311	0.29 256	0.34 284	0.36 345	0.38 316	0.31 307	0.29 336	0.27 315	0.26 327	0.11 286	0.09 290	0.12 308	0.09 249	0.16 348	0.13 315

SAMSARA	0.40 369	0.28 369	0.33 335	0.55 388	0.39 382	0.82 398	1.23 412	0.47 371	0.51 357	0.36 345	0.35 302	0.55 374	0.39 361	0.38 363	0.39 372	0.15 344	0.20 368	0.15 340	0.14 335	0.23 366	0.20 366

ADCMid	0.25 336	0.15 309	0.40 351	0.20 266	0.14 316	0.25 314	0.26 339	0.34 312	0.38 306	0.36 345	0.44 349	0.34 324	0.40 364	0.35 353	0.33 360	0.10 265	0.09 290	0.11 293	0.11 304	0.13 318	0.12 302

SANet	0.24 327	0.14 303	0.28 319	0.21 290	0.11 253	0.27 329	0.24 320	0.38 342	0.64 375	0.36 345	0.40 329	0.43 355	0.26 312	0.27 315	0.24 309	0.12 310	0.09 290	0.10 266	0.09 249	0.13 318	0.11 291

CSAN	0.29 351	0.24 359	0.27 314	0.34 371	0.19 359	0.33 349	0.42 385	0.37 335	0.50 350	0.38 350	0.40 329	0.44 357	0.33 348	0.28 326	0.30 349	0.20 366	0.16 355	0.19 358	0.19 359	0.14 330	0.15 340

WCMA_ROB	0.24 327	0.11 256	0.22 289	0.17 114	0.14 316	0.32 343	0.15 115	0.32 285	0.32 267	0.38 350	0.53 361	0.40 349	0.34 352	0.34 347	0.25 318	0.11 286	0.12 326	0.12 308	0.10 281	0.14 330	0.14 332

AnyNet_C01	0.36 365	0.25 364	1.37 403	0.22 303	0.17 350	0.48 372	0.27 346	0.35 324	0.39 309	0.39 352	0.74 384	0.46 363	0.38 359	0.45 374	0.47 383	0.13 330	0.13 339	0.13 322	0.14 335	0.14 330	0.15 340

CC-Net-ROB	0.28 347	0.31 374	0.36 344	0.29 364	0.15 327	0.25 314	0.19 261	0.45 368	0.33 273	0.39 352	0.37 311	0.39 346	0.31 344	0.27 315	0.26 327	0.24 378	0.19 365	0.30 379	0.23 369	0.18 358	0.15 340

MDST_ROB	0.22 304	0.10 236	0.17 245	0.18 181	0.11 253	0.37 362	0.19 261	0.43 363	0.41 318	0.39 352	0.39 324	0.29 289	0.21 280	0.26 312	0.18 246	0.11 286	0.10 308	0.14 332	0.11 304	0.10 272	0.08 216

otaku	0.39 366	0.37 379	0.52 364	0.44 381	0.28 376	0.58 378	0.24 320	0.41 355	0.62 373	0.40 355	0.49 355	0.46 363	0.33 348	0.40 370	0.32 357	0.30 381	0.30 383	0.39 383	0.33 382	0.29 378	0.28 379

MFN_U_SF_DS_RVC	0.30 356	0.24 359	0.29 325	0.36 375	0.16 337	0.34 352	0.30 366	0.32 285	0.42 324	0.40 355	0.46 351	0.38 338	0.31 344	0.34 347	0.28 342	0.19 364	0.20 368	0.26 368	0.29 377	0.18 358	0.19 365

ADCS	0.29 351	0.18 337	0.45 356	0.21 290	0.17 350	0.28 335	0.23 311	0.41 355	0.63 374	0.40 355	0.49 355	0.40 349	0.36 356	0.39 366	0.40 374	0.13 330	0.12 326	0.13 322	0.14 335	0.16 348	0.16 351

MSMD_ROB	0.31 357	0.26 365	0.26 308	0.24 327	0.21 364	0.34 352	0.25 333	0.34 312	0.39 309	0.40 355	0.69 378	0.45 359	0.40 364	0.34 347	0.27 334	0.20 366	0.19 365	0.26 368	0.25 371	0.23 366	0.22 370

Ntro	0.40 369	0.40 381	0.53 365	0.46 385	0.30 380	0.65 384	0.24 320	0.46 370	0.68 380	0.41 359	0.49 355	0.48 367	0.42 371	0.39 366	0.31 356	0.32 382	0.28 381	0.37 382	0.30 379	0.32 383	0.29 380

psmorigin	0.25 336	0.15 309	0.34 343	0.17 114	0.13 299	0.23 299	0.14 69	0.34 312	0.33 273	0.41 359	0.55 364	0.41 351	0.37 358	0.34 347	0.27 334	0.11 286	0.15 352	0.11 293	0.11 304	0.12 301	0.16 351

FBW_ROB	0.24 327	0.17 327	0.22 289	0.26 343	0.14 316	0.25 314	0.22 301	0.41 355	0.41 318	0.41 359	0.41 339	0.42 352	0.27 320	0.31 336	0.23 299	0.09 234	0.14 346	0.14 332	0.12 322	0.11 287	0.09 249

ACVNet-4b	0.39 366	0.53 385	0.55 368	0.45 382	0.24 369	0.47 370	0.18 230	0.49 374	0.64 375	0.42 362	0.45 350	0.60 376	0.27 320	0.34 347	0.24 309	0.33 383	0.14 346	0.48 386	0.42 386	0.30 379	0.26 378

RTS	0.45 376	0.19 340	3.26 409	0.24 327	0.15 327	0.74 391	0.20 276	0.36 330	0.76 388	0.42 362	0.43 347	0.31 307	0.41 368	0.53 382	0.35 363	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 340

RTSA	0.45 376	0.19 340	3.26 409	0.24 327	0.15 327	0.74 391	0.20 276	0.36 330	0.76 388	0.42 362	0.43 347	0.31 307	0.41 368	0.53 382	0.35 363	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 340

FCDSN-DC	0.33 362	0.28 369	0.28 319	0.30 366	0.24 369	0.39 365	0.28 351	0.42 360	0.42 324	0.43 365	0.53 361	0.51 369	0.41 368	0.36 358	0.30 349	0.21 369	0.20 368	0.27 371	0.26 372	0.25 373	0.24 372
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SGM_RVC	0.23 319	0.12 270	0.15 190	0.15 38	0.09 130	0.33 349	0.18 230	0.34 312	0.31 261	0.44 366	0.37 311	0.53 372	0.35 354	0.35 353	0.24 309	0.13 330	0.13 339	0.13 322	0.13 331	0.10 272	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
FC-DCNN	0.33 362	0.27 366	0.28 319	0.26 343	0.23 368	0.37 362	0.28 351	0.40 350	0.43 329	0.45 367	0.55 364	0.51 369	0.40 364	0.37 362	0.30 349	0.21 369	0.20 368	0.27 371	0.26 372	0.25 373	0.24 372

LSM	0.33 362	0.20 345	0.58 372	0.26 343	0.60 397	0.34 352	0.25 333	0.42 360	0.48 343	0.45 367	0.58 372	0.42 352	0.36 356	0.35 353	0.25 318	0.12 310	0.20 368	0.14 332	0.16 347	0.19 361	0.33 385

MFN_U_SF_RVC	0.32 359	0.21 351	0.55 368	0.30 366	0.15 327	0.34 352	0.17 190	0.52 378	0.46 341	0.46 369	0.55 364	0.59 375	0.39 361	0.35 353	0.37 368	0.15 344	0.14 346	0.18 356	0.21 362	0.16 348	0.15 340

aanetorigin	0.22 304	0.17 327	0.56 370	0.17 114	0.10 215	0.15 175	0.19 261	0.20 122	0.33 273	0.49 370	0.48 354	0.29 289	0.27 320	0.20 259	0.23 299	0.08 189	0.07 245	0.08 162	0.07 160	0.10 272	0.09 249

RainbowNet	0.54 383	0.61 389	0.70 389	0.57 389	0.43 385	0.65 384	0.37 380	0.60 387	0.87 392	0.50 371	0.66 375	0.64 379	0.47 375	0.49 376	0.43 381	0.47 391	0.48 393	0.52 390	0.41 385	0.52 388	0.40 390

MADNet+	0.75 393	0.71 395	3.70 412	0.66 391	0.41 383	0.98 403	0.97 410	0.69 390	0.73 386	0.52 372	0.57 370	0.64 379	0.68 391	0.86 400	1.01 408	0.34 384	0.36 386	0.28 376	0.23 369	0.36 384	0.31 383

SGM-ForestM	0.32 359	0.12 270	0.16 220	0.16 68	0.11 253	0.39 365	0.19 261	0.41 355	0.50 350	0.52 372	0.54 363	1.32 402	0.42 371	0.40 370	0.27 334	0.14 341	0.16 355	0.16 346	0.16 347	0.12 301	0.12 302

MeshStereo	0.27 344	0.13 291	0.18 262	0.15 38	0.11 253	0.32 343	0.24 320	0.40 350	0.36 295	0.52 372	0.57 370	0.67 383	0.40 364	0.35 353	0.26 327	0.14 341	0.13 339	0.13 322	0.11 304	0.11 287	0.10 268
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
anonymity	0.53 382	0.58 387	0.65 377	0.41 379	0.61 398	0.53 375	0.41 382	0.56 383	0.41 318	0.55 375	0.50 359	0.49 368	0.55 382	0.58 387	0.50 388	0.58 396	0.50 397	0.51 388	0.51 393	0.51 387	0.57 394

PVD	0.39 366	0.20 345	0.39 350	0.31 370	0.22 366	0.29 338	0.43 387	0.52 378	0.96 395	0.55 375	0.79 388	0.53 372	0.59 385	0.52 380	0.38 370	0.19 364	0.14 346	0.17 348	0.14 335	0.24 372	0.31 383

MFMNet_re	0.64 386	0.66 393	0.65 377	0.51 386	0.69 402	0.69 387	0.57 395	0.64 389	0.73 386	0.60 377	0.73 382	0.62 378	0.67 390	0.65 390	0.60 392	0.66 400	0.58 406	0.63 392	0.59 396	0.68 398	0.69 404

ACVNet_1	0.44 374	0.49 384	0.60 373	0.45 382	0.28 376	0.49 373	0.27 346	0.57 385	0.72 383	0.62 378	0.58 372	0.74 387	0.49 377	0.50 377	0.35 363	0.26 379	0.24 378	0.39 383	0.29 377	0.31 382	0.24 372

TorneroNet-64	0.76 394	0.72 396	0.74 390	0.78 396	0.58 396	0.91 402	0.56 394	0.84 394	1.29 401	0.66 379	0.90 391	1.40 404	0.75 393	0.85 399	0.67 398	0.49 392	0.46 388	0.72 396	0.59 396	0.67 397	0.53 393

SGM+DAISY	0.56 384	0.57 386	0.65 377	0.40 377	0.54 390	0.66 386	0.49 389	0.56 383	0.45 340	0.66 379	0.69 378	0.67 383	0.56 383	0.63 389	0.56 390	0.59 397	0.48 393	0.50 387	0.50 392	0.52 388	0.58 395

SPS-STEREO	0.57 385	0.58 387	0.65 377	0.45 382	0.55 392	0.62 382	0.44 388	0.62 388	0.50 350	0.68 381	0.64 374	0.66 382	0.57 384	0.61 388	0.60 392	0.62 399	0.47 392	0.51 388	0.49 390	0.55 392	0.58 395
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	0.71 390	0.45 383	1.14 401	0.51 386	0.47 387	2.02 412	0.64 399	0.75 391	0.70 381	0.69 382	0.77 387	1.22 398	0.83 396	1.03 408	1.01 408	0.40 386	0.28 381	0.33 380	0.33 382	0.30 379	0.34 386

MSC_U_SF_DS_RVC	0.43 373	0.39 380	0.54 366	0.40 377	0.20 362	0.64 383	0.32 374	0.53 380	0.72 383	0.71 383	0.72 381	0.61 377	0.54 379	0.51 378	0.46 382	0.20 366	0.19 365	0.29 377	0.30 379	0.23 366	0.18 360

ELAS	0.41 371	0.29 372	0.33 335	0.27 354	0.24 369	0.60 381	0.36 377	0.50 376	0.50 350	0.71 383	0.79 388	0.67 383	0.54 379	0.51 378	0.42 378	0.22 372	0.20 368	0.27 371	0.26 372	0.26 376	0.25 376
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 416	0.31 374	153.02 435	0.19 226	0.09 130	0.21 278	0.16 170	0.22 155	0.59 368	0.72 385	0.67 376	0.42 352	0.50 378	0.24 305	0.39 372	0.08 189	0.07 245	0.08 162	0.07 160	0.12 301	0.10 268

MANE	0.45 376	0.27 366	0.27 314	0.27 354	0.24 369	0.47 370	0.31 372	0.55 382	0.59 368	0.72 385	1.13 404	1.15 396	0.61 386	0.52 380	0.37 368	0.21 369	0.20 368	0.27 371	0.31 381	0.25 373	0.24 372

NVStereoNet_ROB	0.46 379	0.36 378	0.46 359	0.41 379	0.28 376	0.34 352	0.34 375	0.48 372	0.60 371	0.72 385	0.93 393	0.70 386	0.66 389	0.47 375	0.60 392	0.22 372	0.33 384	0.34 381	0.34 384	0.30 379	0.30 382
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ELAS_RVC	0.41 371	0.29 372	0.33 335	0.28 357	0.24 369	0.54 376	0.36 377	0.49 374	0.59 368	0.72 385	0.74 384	0.65 381	0.54 379	0.54 384	0.40 374	0.22 372	0.20 368	0.27 371	0.26 372	0.26 376	0.25 376
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
IMH-64-1	0.65 387	0.61 389	0.68 385	0.71 392	0.51 388	0.59 379	0.49 389	0.91 396	0.85 390	0.74 389	1.02 397	0.81 388	0.78 394	0.79 393	0.49 385	0.42 387	0.46 388	0.71 394	0.47 388	0.52 388	0.39 388

IMH-64	0.65 387	0.61 389	0.68 385	0.71 392	0.51 388	0.59 379	0.49 389	0.91 396	0.85 390	0.74 389	1.02 397	0.81 388	0.78 394	0.79 393	0.49 385	0.42 387	0.46 388	0.71 394	0.47 388	0.52 388	0.39 388

EDNetEfficient	0.29 351	0.24 359	1.13 400	0.18 181	0.10 215	0.19 252	0.20 276	0.20 122	0.60 371	0.74 389	0.56 369	0.31 307	0.39 361	0.22 286	0.30 349	0.09 234	0.07 245	0.08 162	0.07 160	0.11 287	0.09 249

TorneroNet	0.82 397	0.74 397	0.81 395	0.84 399	0.63 399	0.99 404	0.63 397	0.96 400	1.16 398	0.80 392	1.11 402	1.36 403	0.86 398	0.93 404	0.80 403	0.56 394	0.49 395	0.78 401	0.66 400	0.73 403	0.63 403

IMH	0.71 390	0.64 392	0.68 385	0.76 394	0.54 390	0.69 387	0.54 393	0.98 402	1.10 397	0.82 393	1.09 400	0.89 390	0.88 399	0.87 401	0.52 389	0.44 390	0.50 397	0.75 397	0.51 393	0.56 393	0.41 391

BEATNet-Init1	0.52 381	0.27 366	0.62 375	0.30 366	0.21 364	0.76 395	0.29 359	0.54 381	0.65 377	0.86 394	0.95 395	2.07 411	0.62 388	0.56 386	0.42 378	0.18 360	0.18 362	0.23 366	0.22 365	0.22 365	0.21 368

ACVNet_2	0.66 389	0.66 393	0.68 385	0.63 390	0.41 383	0.71 389	0.49 389	0.96 400	1.39 404	0.89 395	1.09 400	1.04 392	0.73 392	0.54 384	0.47 383	0.43 389	0.40 387	0.53 391	0.44 387	0.47 386	0.35 387

WAO-7	0.79 395	0.78 398	0.54 366	0.85 400	0.67 401	0.74 391	0.68 403	1.05 405	1.32 402	0.90 396	1.20 407	1.04 392	0.92 400	0.69 391	0.66 395	0.60 398	0.62 407	0.67 393	0.68 401	0.64 394	0.58 395

WAO-6	0.81 396	0.80 399	0.62 375	0.86 401	0.63 399	0.76 395	0.58 396	0.98 402	1.54 409	0.90 396	0.96 396	1.07 394	1.03 404	0.70 392	0.66 395	0.72 401	0.49 395	0.90 404	0.71 402	0.68 398	0.58 395

LVE	0.83 398	0.85 402	0.85 396	0.80 397	0.56 393	1.04 408	0.65 400	1.05 405	1.47 407	0.96 398	1.22 408	1.10 395	0.85 397	0.83 396	0.71 400	0.49 392	0.55 403	0.76 399	0.60 398	0.65 395	0.59 400

PWCK	0.71 390	0.94 405	0.95 398	0.76 394	0.31 381	0.74 391	0.36 377	0.90 395	0.90 393	0.96 398	0.75 386	0.95 391	0.61 386	0.87 401	0.66 395	0.72 401	0.46 388	0.75 397	0.49 390	0.69 400	0.44 392

UNDER WATER	0.97 403	0.97 407	1.42 404	0.99 406	0.70 405	1.12 410	0.84 406	0.80 393	1.08 396	1.01 400	0.90 391	1.55 408	1.22 411	1.03 408	1.00 407	0.78 405	0.53 400	1.02 406	0.87 407	0.80 406	0.74 406

UNDER WATER-64	0.95 402	0.94 405	1.43 405	0.87 402	0.56 393	1.18 411	0.87 407	0.77 392	0.94 394	1.04 401	0.85 390	1.58 409	1.21 410	0.94 405	0.96 406	0.87 407	0.57 405	1.03 407	0.88 408	0.78 405	0.73 405

ktn	1.01 405	1.21 410	0.80 394	1.23 411	0.86 408	1.01 406	0.87 407	0.94 399	1.39 404	1.04 401	1.12 403	1.15 396	1.07 405	0.94 405	0.59 391	1.28 412	0.71 410	1.38 412	0.83 406	1.02 410	0.75 407

WAO-8	0.91 400	0.81 400	0.65 377	0.94 404	0.69 402	0.90 399	0.67 401	1.07 407	1.83 412	1.06 403	1.45 410	1.30 399	1.07 405	0.84 397	0.78 401	0.74 403	0.53 400	0.86 402	0.75 403	0.69 400	0.62 401

Venus	0.91 400	0.81 400	0.65 377	0.94 404	0.69 402	0.90 399	0.67 401	1.07 407	1.83 412	1.06 403	1.45 410	1.30 399	1.07 405	0.84 397	0.78 401	0.74 403	0.53 400	0.86 402	0.75 403	0.69 400	0.62 401

Dean	0.87 399	0.86 403	0.79 393	0.81 398	0.56 393	0.90 399	0.63 397	1.15 410	1.73 410	1.15 405	1.15 405	1.31 401	0.99 403	0.81 395	0.81 404	0.57 395	0.56 404	0.77 400	0.64 399	0.66 396	0.58 395

KSHMR	1.09 406	1.17 409	0.88 397	1.25 412	1.00 411	0.99 404	0.96 409	1.13 409	1.37 403	1.16 406	1.29 409	1.41 405	0.96 402	1.01 407	0.92 405	1.03 410	1.08 412	1.20 409	1.03 411	1.01 409	0.97 411

notaker	0.97 403	1.11 408	0.98 399	1.13 408	0.81 406	0.73 390	0.68 403	0.93 398	1.16 398	1.18 407	1.18 406	1.41 405	1.16 409	1.08 410	0.69 399	0.81 406	0.64 408	1.17 408	0.79 405	0.98 408	0.80 409

tt	4.67 412	0.06 19	3.55 411	2.02 414	1.55 413	10.25 418	16.71 418	8.91 421	5.03 415	1.31 408	0.94 394	4.71 414	4.76 414	3.33 414	5.87 416	6.06 421	10.30 425	1.88 415	2.11 416	2.75 414	1.21 414

DPSimNet_ROB	1.11 407	1.23 411	0.78 391	1.13 408	0.88 409	1.10 409	1.13 411	1.16 411	1.23 400	1.43 409	1.02 397	1.41 405	1.10 408	0.90 403	1.60 410	1.46 413	0.51 399	1.21 410	1.03 411	0.90 407	1.01 413

HanzoNet	1.29 408	1.26 412	1.19 402	1.12 407	0.85 407	1.02 407	0.83 405	1.03 404	1.48 408	1.64 410	1.61 412	2.50 413	1.72 412	1.61 412	1.61 411	1.26 411	0.80 411	1.31 411	1.01 410	1.02 410	0.86 410

JetRed	1.62 409	1.46 413	2.98 408	0.92 403	1.21 412	4.99 414	1.53 414	1.27 412	1.39 404	1.83 411	1.74 413	1.60 410	0.95 401	1.41 411	2.45 414	0.90 409	1.60 413	0.93 405	0.90 409	1.35 412	0.99 412

coex-ft	3.30 411	0.34 376	59.09 434	0.18 181	0.13 299	0.26 322	0.22 301	0.27 232	0.72 383	1.90 412	0.70 380	0.44 357	0.45 374	0.29 332	0.41 377	0.09 234	0.09 290	0.12 308	0.09 249	0.14 330	0.13 315

MADNet++	1.95 410	1.75 414	1.59 407	1.82 413	1.69 414	2.33 413	1.40 413	2.35 413	2.09 414	2.57 413	2.36 414	2.24 412	2.17 413	2.28 413	2.34 413	1.87 414	1.66 414	1.54 413	1.34 413	1.92 413	1.77 415

LE_ROB	0.50 380	0.07 69	0.14 153	0.15 38	0.08 47	0.24 304	0.16 170	0.22 155	1.81 411	4.63 414	0.67 376	0.47 366	0.44 373	0.20 259	0.29 345	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

DPSMNet_ROB	8.06 417	4.48 417	8.63 421	5.37 420	10.74 422	8.32 416	22.98 423	5.46 415	13.36 422	5.12 415	9.92 418	5.08 415	10.40 420	5.53 417	12.58 420	3.80 419	8.00 420	3.50 416	7.02 419	3.83 418	7.14 421

DGTPSM_ROB	8.06 417	4.48 417	8.63 421	5.35 418	10.72 421	8.32 416	22.97 422	5.46 415	13.35 421	5.12 415	9.92 418	5.08 415	10.40 420	5.52 416	12.58 420	3.79 418	8.00 420	3.50 416	7.02 419	3.83 418	7.14 421

xxxxx1	7.79 413	5.02 419	7.31 415	3.12 415	3.85 416	16.35 421	22.88 419	5.86 418	8.69 417	7.97 417	8.54 415	9.12 419	8.27 417	10.18 419	10.92 417	2.42 415	2.45 416	3.56 418	12.37 422	3.77 415	3.06 417

tt_ll	7.79 413	5.02 419	7.31 415	3.12 415	3.85 416	16.35 421	22.88 419	5.86 418	8.69 417	7.97 417	8.54 415	9.12 419	8.27 417	10.18 419	10.92 417	2.42 415	2.45 416	3.56 418	12.37 422	3.77 415	3.06 417

ff	7.79 413	5.02 419	7.31 415	3.12 415	3.85 416	16.35 421	22.88 419	5.86 418	8.69 417	7.97 417	8.54 415	9.12 419	8.27 417	10.18 419	10.92 417	2.42 415	2.45 416	3.56 418	12.37 422	3.77 415	3.06 417

Anonymous_1	10.96 422	7.92 422	7.46 418	10.33 421	10.06 420	18.65 425	26.34 425	11.06 422	13.44 423	9.40 420	10.05 420	9.67 422	11.23 422	10.73 422	12.72 422	6.42 422	8.38 422	5.77 421	10.61 421	12.12 423	6.77 420

DPSM_ROB	11.15 423	8.58 423	8.00 419	10.88 422	11.58 423	19.10 426	26.71 426	12.05 423	14.07 424	10.36 421	10.84 421	10.33 423	11.86 423	11.70 423	13.54 423	6.99 423	8.79 423	5.89 422	6.95 417	7.29 420	7.42 423

DPSM	11.15 423	8.58 423	8.00 419	10.88 422	11.58 423	19.10 426	26.71 426	12.05 423	14.07 424	10.36 421	10.84 421	10.33 423	11.86 423	11.70 423	13.54 423	6.99 423	8.79 423	5.89 422	6.95 417	7.29 420	7.42 423

LRCNet_RVC	10.62 421	13.42 426	7.30 414	18.92 425	2.07 415	0.33 349	0.30 366	5.59 417	0.48 343	13.03 423	17.94 424	8.87 418	5.65 415	4.79 415	1.89 412	23.51 432	2.73 419	27.55 433	25.71 433	16.07 430	16.33 431

HaxPig	15.71 426	18.52 433	19.18 429	16.89 424	15.89 426	7.73 415	7.60 415	13.31 425	10.82 420	15.42 424	14.91 423	15.98 425	14.92 425	15.58 425	15.98 426	18.95 431	16.73 426	19.46 431	18.08 431	19.26 431	19.05 432

PML	8.91 419	9.34 425	6.13 413	5.35 418	6.41 419	14.99 420	23.38 424	5.27 414	6.83 416	18.04 425	28.19 434	7.67 417	6.83 416	7.85 418	5.75 415	5.35 420	1.83 415	5.95 424	1.93 415	8.64 422	2.52 416

MEDIAN_ROB	20.38 427	24.04 434	23.31 431	21.23 426	21.71 427	10.40 419	7.92 416	17.64 426	15.50 426	20.12 426	19.70 425	20.34 426	20.32 426	21.19 426	21.13 427	23.81 433	21.81 433	24.98 432	23.76 432	24.71 432	23.93 433

CasAABBNet	22.42 428	17.33 428	16.01 423	22.01 430	23.28 431	38.32 429	53.80 433	24.14 428	28.41 429	20.60 427	21.77 427	20.89 431	23.91 431	23.43 427	27.36 429	14.07 425	17.69 428	11.83 429	14.01 426	14.67 427	14.95 429

Selective-RAFT-Error	22.47 432	17.37 432	16.09 424	22.06 431	23.34 432	38.39 433	53.83 434	24.29 433	28.47 433	20.74 428	21.83 428	20.81 430	23.90 430	23.54 432	27.53 434	14.08 426	17.69 428	11.82 425	14.00 425	14.69 428	15.00 430

LSM0	22.87 433	17.28 427	18.96 428	22.19 432	29.04 434	38.42 434	53.71 429	24.28 432	28.31 428	20.78 429	21.00 426	21.43 432	24.16 432	23.50 431	27.39 430	14.09 430	17.38 427	11.84 430	14.04 430	14.73 429	14.89 425

MyStereo03	22.45 429	17.33 428	16.21 425	21.95 427	23.27 428	38.32 429	53.79 430	24.21 429	28.46 430	20.87 430	21.85 429	20.80 427	23.87 427	23.46 428	27.40 431	14.08 426	17.71 430	11.82 425	14.03 427	14.65 424	14.89 425

MyStereo02	22.45 429	17.33 428	16.21 425	21.95 427	23.27 428	38.32 429	53.79 430	24.21 429	28.46 430	20.87 430	21.85 429	20.80 427	23.87 427	23.46 428	27.40 431	14.08 426	17.71 430	11.82 425	14.03 427	14.65 424	14.89 425

MyStereo	22.45 429	17.33 428	16.21 425	21.95 427	23.27 428	38.32 429	53.79 430	24.21 429	28.46 430	20.87 430	21.85 429	20.80 427	23.87 427	23.46 428	27.40 431	14.08 426	17.71 430	11.82 425	14.03 427	14.65 424	14.89 425

SPstereo	13.84 425	0.93 404	1.50 406	1.22 410	0.88 409	28.82 428	48.26 428	26.77 435	29.54 434	22.37 433	22.60 432	23.23 433	24.68 433	24.53 433	15.06 425	0.88 408	0.69 409	1.83 414	1.60 414	0.74 404	0.77 408

AVERAGE_ROB	24.90 434	29.20 435	28.14 432	24.89 433	24.64 433	17.75 424	11.12 417	21.45 427	19.93 427	25.12 434	24.46 433	25.12 434	25.46 434	24.69 434	22.83 428	29.76 434	27.13 434	28.97 434	27.95 434	29.91 433	29.47 434

test_example2	98.32 435	94.13 436	45.89 433	96.35 434	109.85 435	88.61 435	95.45 435	25.75 434	94.37 435	130.00 435	126.06 435	58.17 435	74.63 435	88.51 435	79.96 435	150.23 435	221.02 435	77.62 435	99.10 435	113.75 435	96.94 435

ASD4		3.38 416

Low-res two-view benchmark