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	10.40 424	1.82 418	19.49 434	120.77 439	13.11 429	0.06 2	0.13 43	0.23 173	0.10 7	0.07 2	0.10 38	0.09 37	0.06 6	0.10 18	0.09 19	0.13 331	0.04 2	0.06 31	0.04 8	51.54 438	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 300	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	0.22 305	0.09 131	0.09 35	0.19 262	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	0.13 128	0.17 115	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	0.13 128	0.17 115	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 67	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 74	0.06 6	0.12 101	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	0.17 115	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	0.09 190	0.09 28	0.19 227	0.07 18	0.11 82	0.25 335	0.13 9	0.15 69	0.08 5	0.11 53	0.12 89	0.10 88	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 61	0.10 58	0.09 67	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 38	0.12 89	0.09 67	0.12 101	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 71	0.09 37	0.08 49	0.11 45	0.10 49	0.08 190	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	0.17 115	0.09 131	0.14 153	0.18 231	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 101	0.09 19	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 182	0.09 131	0.10 56	0.15 115	0.14 15	0.19 128	0.09 15	0.14 80	0.12 89	0.08 49	0.11 45	0.10 49	0.05 2	0.06 189	0.07 98	0.06 86	0.05 40	0.04 7

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	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	0.07 157

xx1	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 162	0.16 226	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 211	0.07 155	0.07 157

1test111	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 166	0.16 222	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

cc1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	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	0.17 115	0.09 131	0.12 104	0.16 170	0.15 26	0.19 128	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	0.09 190	0.08 11	0.17 115	0.09 131	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 53	0.06 3	0.06 6	0.09 10	0.13 157	0.07 141	0.06 189	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	0.12 101	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 38	0.10 58	0.09 67	0.12 101	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	0.17 115	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 38	0.08 25	0.06 6	0.09 10	0.08 11	0.08 190	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	0.09 131	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 89	0.09 67	0.15 166	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	0.17 115	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	0.17 115	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 61	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 38	0.08 25	0.07 31	0.12 101	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	0.09 190	0.08 11	0.22 305	0.09 131	0.09 35	0.19 262	0.16 42	0.12 25	0.09 15	0.10 38	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 189	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	0.09 131	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	0.17 115	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	0.17 115	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	0.12 283	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	0.07 161	0.04 1	0.04 7

test-1	0.10 50	0.07 69	0.16 221	0.19 227	0.08 47	0.11 82	0.24 321	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	0.17 115	0.09 131	0.11 82	0.17 191	0.18 96	0.12 25	0.09 15	0.12 61	0.10 58	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.04 1	0.04 7

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 115	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 38	0.08 25	0.09 67	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 71	0.10 58	0.07 31	0.13 133	0.10 49	0.15 345	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

Former-RAFT_DAM_RVC	0.10 50	0.08 140	0.12 90	0.16 68	0.08 47	0.15 175	0.16 170	0.18 96	0.18 116	0.10 40	0.09 23	0.09 37	0.08 49	0.11 45	0.12 127	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	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	0.10 216	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	0.09 131	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	0.10 216	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	0.09 131	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	0.18 182	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 61	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	0.18 182	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 53	0.10 58	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 161	0.06 101	0.05 51

Selective-RAFT	0.11 80	0.10 237	0.11 70	0.21 292	0.08 47	0.16 199	0.13 43	0.20 123	0.22 173	0.10 40	0.10 38	0.11 74	0.10 88	0.15 166	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	0.09 131	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	0.09 190	0.10 44	0.20 268	0.08 47	0.13 129	0.26 341	0.14 15	0.21 162	0.10 40	0.10 38	0.09 37	0.09 67	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	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 80	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	0.16 199	0.18 231	0.15 26	0.15 69	0.10 40	0.11 53	0.11 74	0.11 109	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	0.17 115	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 89	0.07 31	0.12 101	0.10 49	0.08 190	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

sCroCo_RVC	0.12 135	0.09 190	0.23 299	0.24 329	0.11 254	0.19 253	0.14 69	0.17 72	0.14 58	0.10 40	0.13 71	0.12 89	0.07 31	0.14 148	0.11 85	0.08 190	0.08 268	0.08 162	0.08 211	0.05 40	0.07 157

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 115	0.09 131	0.15 175	0.12 21	0.20 123	0.10 7	0.10 40	0.14 80	0.07 17	0.06 6	0.12 101	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	0.09 131	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	0.17 115	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 61	0.09 37	0.09 67	0.12 101	0.09 19	0.05 2	0.04 2	0.07 98	0.07 161	0.04 1	0.03 1

EKT-Stereo	0.11 80	0.07 69	0.14 154	0.15 38	0.10 216	0.13 129	0.14 69	0.18 96	0.21 162	0.11 59	0.08 17	0.12 89	0.09 67	0.11 45	0.12 127	0.08 190	0.06 189	0.07 98	0.06 86	0.08 198	0.07 157

CASnet	0.09 11	0.09 190	0.09 28	0.19 227	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 59	0.10 38	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 267	0.08 211	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	0.21 140	0.15 69	0.11 59	0.12 61	0.12 89	0.09 67	0.12 101	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

DCRE	0.11 80	0.07 69	0.13 128	0.16 68	0.11 254	0.11 82	0.17 191	0.18 96	0.17 99	0.11 59	0.18 142	0.10 58	0.10 88	0.15 166	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

knoymous	0.11 80	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 116	0.13 41	0.11 59	0.17 120	0.13 112	0.09 67	0.13 133	0.11 85	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

riskmin	0.11 80	0.06 19	0.13 128	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 59	0.14 80	0.16 162	0.11 109	0.14 148	0.12 127	0.09 235	0.05 106	0.07 98	0.05 31	0.08 198	0.08 217

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 128	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 59	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 80	0.08 140	0.14 154	0.17 115	0.09 131	0.12 104	0.14 69	0.20 123	0.24 192	0.11 59	0.10 38	0.09 37	0.07 31	0.13 133	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

IPLGR	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.12 104	0.17 191	0.21 140	0.24 192	0.11 59	0.12 61	0.11 74	0.08 49	0.12 101	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

GMOStereo	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

error version	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-v	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

LCNet	0.11 80	0.07 69	0.09 28	0.19 227	0.09 131	0.08 23	0.15 115	0.21 140	0.15 69	0.11 59	0.15 94	0.16 162	0.11 109	0.12 101	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.15 342

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 182	0.07 18	0.10 56	0.14 69	0.21 140	0.11 17	0.11 59	0.15 94	0.12 89	0.10 88	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 80	0.07 69	0.15 191	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 59	0.36 307	0.09 37	0.09 67	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 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 353	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

GMM-Stereo	0.11 80	0.07 69	0.10 44	0.18 182	0.09 131	0.08 23	0.15 115	0.23 173	0.16 87	0.11 59	0.15 94	0.13 112	0.11 109	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.09 250

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	0.19 128	0.11 59	0.15 94	0.10 58	0.06 6	0.12 101	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 59	0.12 61	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	0.13 157	0.12 271	0.24 302	0.20 268	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

CroCo_RVC	0.13 157	0.12 271	0.24 302	0.20 268	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 140	0.23 182	0.11 59	0.12 61	0.14 127	0.11 109	0.13 133	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

RAFT + AFF	0.13 157	0.07 69	0.20 280	0.20 268	0.10 216	0.14 153	0.24 321	0.26 215	0.20 149	0.11 59	0.10 38	0.12 89	0.10 88	0.15 166	0.12 127	0.07 141	0.06 189	0.09 226	0.08 211	0.06 101	0.08 217

DIP-Stereo	0.11 80	0.07 69	0.14 154	0.17 115	0.09 131	0.13 129	0.09 3	0.16 42	0.16 87	0.11 59	0.16 102	0.14 127	0.12 138	0.15 166	0.13 157	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	0.12 135	0.07 69	0.15 191	0.15 38	0.09 131	0.18 233	0.14 69	0.19 116	0.22 173	0.12 83	0.18 142	0.11 74	0.10 88	0.16 197	0.18 247	0.07 141	0.05 106	0.07 98	0.05 31	0.08 198	0.09 250

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 115	0.09 131	0.13 129	0.18 231	0.19 116	0.12 25	0.12 83	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

StereoVision	0.13 157	0.12 271	0.09 28	0.24 329	0.10 216	0.15 175	0.21 293	0.21 140	0.20 149	0.12 83	0.24 196	0.10 58	0.10 88	0.16 197	0.10 49	0.09 235	0.11 319	0.12 309	0.12 323	0.06 101	0.05 51

test_4	0.10 50	0.10 237	0.08 11	0.19 227	0.09 131	0.08 23	0.22 302	0.15 26	0.17 99	0.12 83	0.18 142	0.12 89	0.09 67	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 211	0.04 1	0.03 1

GLC_STEREO	0.11 80	0.07 69	0.11 70	0.17 115	0.07 18	0.09 35	0.13 43	0.15 26	0.24 192	0.12 83	0.13 71	0.12 89	0.08 49	0.18 230	0.11 85	0.06 54	0.08 268	0.08 162	0.06 86	0.05 40	0.05 51

IPLG	0.10 50	0.07 69	0.15 191	0.17 115	0.08 47	0.11 82	0.14 69	0.20 123	0.15 69	0.12 83	0.17 120	0.07 17	0.07 31	0.14 148	0.13 157	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	0.13 128	0.18 182	0.07 18	0.09 35	0.15 115	0.19 116	0.15 69	0.12 83	0.17 120	0.11 74	0.11 109	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 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

OCTAStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

NRIStereo	0.11 80	0.08 140	0.14 154	0.18 182	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 83	0.14 80	0.13 112	0.12 138	0.13 133	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 157

PSM-AAD	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.20 123	0.13 41	0.12 83	0.14 80	0.18 192	0.11 109	0.11 45	0.10 49	0.05 2	0.05 106	0.09 226	0.08 211	0.06 101	0.14 334

FTStereo	0.12 135	0.06 19	0.14 154	0.18 182	0.09 131	0.07 16	0.15 115	0.21 140	0.18 116	0.12 83	0.24 196	0.12 89	0.12 138	0.13 133	0.13 157	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 269

ASMatch	0.11 80	0.06 19	0.13 128	0.16 68	0.10 216	0.07 16	0.14 69	0.17 72	0.17 99	0.12 83	0.16 102	0.16 162	0.10 88	0.13 133	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 217

RE-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

TVStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

Prome-Stereo	0.11 80	0.06 19	0.10 44	0.18 182	0.08 47	0.12 104	0.15 115	0.22 156	0.13 41	0.12 83	0.17 120	0.13 112	0.08 49	0.12 101	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 250

raft+_RVC	0.11 80	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 190	0.20 149	0.12 83	0.15 94	0.12 89	0.08 49	0.12 101	0.13 157	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 83	0.17 120	0.14 127	0.10 88	0.12 101	0.11 85	0.07 141	0.06 189	0.06 31	0.05 31	0.08 198	0.07 157

ARAFT	0.12 135	0.08 140	0.17 246	0.19 227	0.09 131	0.14 153	0.18 231	0.20 123	0.12 25	0.12 83	0.13 71	0.14 127	0.11 109	0.15 166	0.12 127	0.06 54	0.05 106	0.10 267	0.09 250	0.05 40	0.04 7

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	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	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	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	0.12 135	0.07 69	0.12 90	0.17 115	0.08 47	0.12 104	0.15 115	0.23 173	0.27 231	0.13 104	0.17 120	0.16 162	0.11 109	0.14 148	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	0.19 227	0.09 131	0.10 56	0.15 115	0.14 15	0.13 41	0.13 104	0.15 94	0.09 37	0.12 138	0.13 133	0.12 127	0.07 141	0.05 106	0.09 226	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	0.20 123	0.14 58	0.13 104	0.13 71	0.09 37	0.05 2	0.12 101	0.08 11	0.05 2	0.06 189	0.07 98	0.06 86	0.06 101	0.05 51

anonymousdsp2	0.11 80	0.07 69	0.10 44	0.16 68	0.09 131	0.13 129	0.14 69	0.18 96	0.22 173	0.13 104	0.14 80	0.12 89	0.09 67	0.14 148	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	0.17 191	0.18 96	0.19 128	0.13 104	0.16 102	0.09 37	0.14 193	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	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	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	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.12 138	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	0.13 157	0.08 140	0.14 154	0.20 268	0.09 131	0.11 82	0.20 277	0.30 271	0.24 192	0.13 104	0.14 80	0.18 192	0.14 193	0.13 133	0.14 185	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

GANet-ADL	0.13 157	0.07 69	0.15 191	0.17 115	0.10 216	0.18 233	0.15 115	0.30 271	0.20 149	0.13 104	0.18 142	0.19 200	0.12 138	0.16 197	0.13 157	0.08 190	0.06 189	0.06 31	0.05 31	0.07 155	0.08 217

OMP-Stereo	0.11 80	0.06 19	0.14 154	0.18 182	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.13 104	0.14 80	0.11 74	0.12 138	0.11 45	0.13 157	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

KYRaft	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.08 23	0.15 115	0.22 156	0.12 25	0.13 104	0.16 102	0.20 210	0.10 88	0.12 101	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.06 101	0.16 353

Pruner-Stereo	0.11 80	0.07 69	0.12 90	0.17 115	0.09 131	0.06 2	0.12 21	0.17 72	0.17 99	0.13 104	0.19 148	0.13 112	0.09 67	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 217

DeepStereo_RVC	0.11 80	0.08 140	0.16 221	0.18 182	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 104	0.14 80	0.12 89	0.12 138	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 217

RAFT-RH_RVC	0.11 80	0.06 19	0.14 154	0.16 68	0.09 131	0.12 104	0.12 21	0.17 72	0.12 25	0.13 104	0.41 341	0.11 74	0.10 88	0.13 133	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	0.19 116	0.14 58	0.13 104	0.11 53	0.09 37	0.08 49	0.13 133	0.10 49	0.08 190	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

rafts_anoy	0.11 80	0.06 19	0.10 44	0.17 115	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 104	0.13 71	0.12 89	0.10 88	0.11 45	0.12 127	0.07 141	0.04 2	0.09 226	0.11 305	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	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.11 109	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	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	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	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	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	0.13 104	0.16 102	0.14 127	0.11 109	0.15 166	0.13 157	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 80	0.06 19	0.10 44	0.19 227	0.10 216	0.10 56	0.11 11	0.17 72	0.18 116	0.14 124	0.16 102	0.09 37	0.11 109	0.12 101	0.12 127	0.08 190	0.05 106	0.08 162	0.07 161	0.06 101	0.07 157

PCWNet_CMD	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 297	0.14 124	0.20 159	0.21 216	0.12 138	0.17 219	0.13 157	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

LL-Strereo2	0.10 50	0.10 237	0.15 191	0.18 182	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 124	0.10 38	0.09 37	0.07 31	0.16 197	0.10 49	0.05 2	0.05 106	0.10 267	0.07 161	0.06 101	0.05 51

DisPM	0.11 80	0.07 69	0.12 90	0.16 68	0.09 131	0.06 2	0.13 43	0.17 72	0.17 99	0.14 124	0.20 159	0.12 89	0.10 88	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 292

CIPLG	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.11 53	0.16 162	0.09 67	0.16 197	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 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

HHNet	0.11 80	0.06 19	0.16 221	0.15 38	0.14 317	0.07 16	0.13 43	0.20 123	0.17 99	0.14 124	0.25 225	0.11 74	0.08 49	0.13 133	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 250

IIG-Stereo	0.11 80	0.06 19	0.13 128	0.17 115	0.08 47	0.11 82	0.12 21	0.22 156	0.17 99	0.14 124	0.17 120	0.11 74	0.12 138	0.12 101	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

PSM-softLoss	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

KMStereo	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

RAFT_R40	0.11 80	0.07 69	0.14 154	0.18 182	0.09 131	0.06 2	0.13 43	0.17 72	0.16 87	0.14 124	0.18 142	0.15 151	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

GrayStereo	0.11 80	0.06 19	0.11 70	0.19 227	0.09 131	0.09 35	0.16 170	0.18 96	0.17 99	0.14 124	0.17 120	0.17 181	0.11 109	0.12 101	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 269

IRAFT_RVC	0.12 135	0.08 140	0.16 221	0.19 227	0.08 47	0.07 16	0.15 115	0.24 190	0.23 182	0.14 124	0.14 80	0.15 151	0.12 138	0.12 101	0.10 49	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.06 98

CRE-IMP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 124	0.13 71	0.13 112	0.12 138	0.12 101	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 198	0.08 217

TestStereo	0.13 157	0.14 304	0.11 70	0.23 324	0.08 47	0.15 175	0.21 293	0.20 123	0.23 182	0.14 124	0.24 196	0.16 162	0.12 138	0.16 197	0.14 185	0.05 2	0.06 189	0.08 162	0.06 86	0.09 246	0.05 51

CFNet_pseudo	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.13 129	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 157

RALAANet	0.11 80	0.08 140	0.10 44	0.17 115	0.09 131	0.14 153	0.10 6	0.20 123	0.15 69	0.14 124	0.13 71	0.16 162	0.09 67	0.12 101	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

Anonymous	0.14 186	0.10 237	0.24 302	0.22 305	0.13 300	0.18 233	0.22 302	0.20 123	0.19 128	0.14 124	0.12 61	0.11 74	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.08 162	0.08 211	0.12 302	0.10 269

xxxx	0.15 219	0.07 69	0.14 154	0.14 13	0.08 47	0.23 300	0.18 231	0.31 277	0.19 128	0.14 124	0.28 256	0.22 233	0.14 193	0.15 166	0.26 329	0.09 235	0.05 106	0.07 98	0.07 161	0.08 198	0.07 157

SFCPSM	0.13 157	0.07 69	0.14 154	0.17 115	0.09 131	0.15 175	0.16 170	0.28 247	0.27 231	0.14 124	0.17 120	0.12 89	0.13 170	0.14 148	0.11 85	0.08 190	0.05 106	0.07 98	0.07 161	0.07 155	0.06 98

DMCA	0.14 186	0.09 190	0.16 221	0.19 227	0.09 131	0.15 175	0.17 191	0.23 173	0.27 231	0.14 124	0.19 148	0.17 181	0.18 254	0.15 166	0.17 233	0.10 266	0.06 189	0.08 162	0.06 86	0.09 246	0.10 269

MSMDNet	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 297	0.14 124	0.21 173	0.21 216	0.12 138	0.17 219	0.14 185	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

ccs_rob	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.12 104	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

mmm	0.14 186	0.08 140	0.17 246	0.17 115	0.09 131	0.17 218	0.18 231	0.21 140	0.15 69	0.15 148	0.23 188	0.21 216	0.16 226	0.16 197	0.17 233	0.08 190	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

11t1	0.12 135	0.06 19	0.13 128	0.14 13	0.08 47	0.17 218	0.15 115	0.18 96	0.15 69	0.15 148	0.15 94	0.16 162	0.16 226	0.15 166	0.13 157	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

DualNet	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ffm	0.12 135	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.07 1	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ff1	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

mmx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

xxx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

LL-Strereo	0.13 157	0.09 190	0.11 70	0.20 268	0.10 216	0.11 82	0.18 231	0.32 286	0.24 192	0.15 148	0.15 94	0.14 127	0.13 170	0.19 241	0.11 85	0.06 54	0.04 2	0.09 226	0.08 211	0.04 1	0.05 51

anonymousa	0.13 157	0.07 69	0.13 128	0.18 182	0.09 131	0.13 129	0.17 191	0.19 116	0.29 249	0.15 148	0.24 196	0.15 151	0.14 193	0.14 148	0.14 185	0.07 141	0.05 106	0.07 98	0.09 250	0.05 40	0.06 98

qqq	0.13 157	0.09 190	0.15 191	0.16 68	0.08 47	0.13 129	0.15 115	0.23 173	0.16 87	0.15 148	0.19 148	0.16 162	0.16 226	0.15 166	0.16 222	0.07 141	0.06 189	0.08 162	0.08 211	0.07 155	0.07 157

x	0.13 157	0.07 69	0.14 154	0.14 13	0.08 47	0.18 233	0.14 69	0.22 156	0.20 149	0.15 148	0.19 148	0.19 200	0.17 245	0.18 230	0.18 247	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 157

RAFT+CT+SA	0.13 157	0.11 257	0.09 28	0.19 227	0.09 131	0.15 175	0.28 353	0.22 156	0.22 173	0.15 148	0.26 240	0.10 58	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 211	0.07 155	0.06 98

Sa-1000	0.12 135	0.08 140	0.08 11	0.18 182	0.08 47	0.14 153	0.22 302	0.22 156	0.18 116	0.15 148	0.20 159	0.17 181	0.11 109	0.10 18	0.10 49	0.06 54	0.05 106	0.09 226	0.09 250	0.05 40	0.05 51

Patchmatch Stereo++	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157
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 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo_v2	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

HUI-Stereo	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

SST-Stereo	0.10 50	0.07 69	0.15 191	0.18 182	0.09 131	0.06 2	0.12 21	0.17 72	0.11 17	0.15 148	0.17 120	0.13 112	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

iGMRVC	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

iRAFT	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

RAFT-IKP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

Anonymous3	0.16 237	0.13 292	0.33 336	0.26 345	0.14 317	0.27 330	0.17 191	0.28 247	0.28 242	0.15 148	0.17 120	0.14 127	0.10 88	0.15 166	0.12 127	0.08 190	0.08 268	0.08 162	0.08 211	0.08 198	0.11 292

NVstereo2D	0.19 278	0.10 237	0.15 191	0.17 115	0.15 328	0.28 336	0.23 312	0.44 367	0.42 326	0.15 148	0.27 247	0.25 261	0.19 269	0.22 287	0.17 233	0.09 235	0.06 189	0.10 267	0.08 211	0.15 342	0.09 250

iResNet	0.13 157	0.10 237	0.18 263	0.19 227	0.08 47	0.13 129	0.18 231	0.20 123	0.26 224	0.15 148	0.23 188	0.15 151	0.13 170	0.14 148	0.14 185	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

ttt	0.14 186	0.08 140	0.14 154	0.15 38	0.08 47	0.15 175	0.18 231	0.27 233	0.29 249	0.16 173	0.24 196	0.17 181	0.13 170	0.13 133	0.14 185	0.11 287	0.08 268	0.09 226	0.08 211	0.09 246	0.08 217

CFNet_ucs	0.15 219	0.08 140	0.16 221	0.16 68	0.11 254	0.14 153	0.14 69	0.30 271	0.34 285	0.16 173	0.24 196	0.23 245	0.14 193	0.18 230	0.15 208	0.09 235	0.06 189	0.08 162	0.07 161	0.09 246	0.09 250

ADLNet2	0.16 237	0.09 190	0.13 128	0.16 68	0.09 131	0.20 265	0.16 170	0.31 277	0.39 311	0.16 173	0.20 159	0.20 210	0.18 254	0.21 276	0.22 290	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.07 157

PFNet+	0.11 80	0.06 19	0.13 128	0.16 68	0.09 131	0.05 1	0.12 21	0.17 72	0.21 162	0.16 173	0.19 148	0.14 127	0.10 88	0.11 45	0.11 85	0.08 190	0.05 106	0.09 226	0.08 211	0.06 101	0.11 292

AAGNet	0.11 80	0.07 69	0.16 221	0.19 227	0.09 131	0.08 23	0.13 43	0.18 96	0.13 41	0.16 173	0.21 173	0.13 112	0.14 193	0.11 45	0.14 185	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

THIR-Stereo	0.12 135	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 211	0.16 173	0.24 196	0.14 127	0.12 138	0.12 101	0.14 185	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

PFNet	0.12 135	0.06 19	0.17 246	0.17 115	0.08 47	0.09 35	0.15 115	0.26 215	0.20 149	0.16 173	0.16 102	0.14 127	0.11 109	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

GES	0.14 186	0.08 140	0.16 221	0.15 38	0.10 216	0.13 129	0.13 43	0.28 247	0.25 211	0.16 173	0.23 188	0.18 192	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.07 98	0.06 86	0.08 198	0.09 250

test_xeample	0.15 219	0.06 19	0.13 128	0.14 13	0.08 47	0.21 279	0.20 277	0.28 247	0.20 149	0.16 173	0.29 267	0.19 200	0.16 226	0.15 166	0.26 329	0.09 235	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

GMStereo	0.13 157	0.14 304	0.14 154	0.18 182	0.09 131	0.15 175	0.16 170	0.20 123	0.24 192	0.16 173	0.17 120	0.10 58	0.10 88	0.16 197	0.13 157	0.07 141	0.06 189	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	0.14 186	0.07 69	0.13 128	0.15 38	0.08 47	0.13 129	0.16 170	0.24 190	0.24 192	0.16 173	0.28 256	0.22 233	0.14 193	0.15 166	0.13 157	0.11 287	0.06 189	0.09 226	0.12 323	0.08 198	0.07 157

BEATNet_4x	0.12 135	0.08 140	0.14 154	0.18 182	0.07 18	0.15 175	0.07 1	0.22 156	0.18 116	0.16 173	0.19 148	0.18 192	0.14 193	0.16 197	0.15 208	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

MyStereo05	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.13 129	0.18 231	0.27 233	0.35 292	0.17 185	0.14 80	0.15 151	0.11 109	0.15 166	0.13 157	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

MyStereo04	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.29 257	0.38 308	0.17 185	0.14 80	0.16 162	0.10 88	0.15 166	0.13 157	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

1111x	0.15 219	0.08 140	0.12 90	0.18 182	0.07 18	0.18 233	0.25 335	0.31 277	0.24 192	0.17 185	0.24 196	0.26 269	0.15 206	0.13 133	0.23 300	0.07 141	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

whm_eth	0.14 186	0.09 190	0.20 280	0.20 268	0.12 283	0.12 104	0.15 115	0.18 96	0.28 242	0.17 185	0.32 283	0.09 37	0.12 138	0.18 230	0.14 185	0.07 141	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157

CASS	0.13 157	0.12 271	0.11 70	0.23 324	0.09 131	0.15 175	0.17 191	0.18 96	0.19 128	0.17 185	0.18 142	0.15 151	0.15 206	0.14 148	0.14 185	0.09 235	0.06 189	0.10 267	0.08 211	0.09 246	0.07 157
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
TestStereo1	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 361	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

BUS	0.14 186	0.09 190	0.14 154	0.22 305	0.10 216	0.19 253	0.14 69	0.34 313	0.19 128	0.17 185	0.22 182	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

BSDual-CNN	0.15 219	0.09 190	0.14 154	0.22 305	0.10 216	0.14 153	0.15 115	0.34 313	0.19 128	0.17 185	0.22 182	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

hknet	0.15 219	0.11 257	0.13 128	0.22 305	0.11 254	0.14 153	0.15 115	0.34 313	0.25 211	0.17 185	0.22 182	0.22 233	0.18 254	0.17 219	0.12 127	0.07 141	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

SA-5K	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 361	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

SA	0.12 135	0.09 190	0.08 11	0.18 182	0.08 47	0.12 104	0.24 321	0.23 173	0.18 116	0.17 185	0.27 247	0.14 127	0.11 109	0.11 45	0.11 85	0.05 2	0.05 106	0.09 226	0.08 211	0.05 40	0.04 7

psmg	0.14 186	0.09 190	0.14 154	0.17 115	0.10 216	0.15 175	0.17 191	0.29 257	0.19 128	0.17 185	0.21 173	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.08 162	0.08 211	0.07 155	0.06 98

DEmStereo	0.12 135	0.06 19	0.14 154	0.14 13	0.10 216	0.16 199	0.15 115	0.16 42	0.24 192	0.17 185	0.24 196	0.13 112	0.14 193	0.12 101	0.13 157	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

DRaft	0.12 135	0.06 19	0.11 70	0.14 13	0.09 131	0.14 153	0.17 191	0.21 140	0.30 256	0.17 185	0.28 256	0.10 58	0.15 206	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	0.16 237	0.07 69	0.14 154	0.14 13	0.08 47	0.24 305	0.18 231	0.30 271	0.20 149	0.17 185	0.28 256	0.17 181	0.16 226	0.15 166	0.40 376	0.10 266	0.05 106	0.07 98	0.06 86	0.07 155	0.08 217

delet	0.17 256	0.08 140	0.17 246	0.19 227	0.11 254	0.20 265	0.21 293	0.30 271	0.37 303	0.17 185	0.26 240	0.19 200	0.19 269	0.19 241	0.21 281	0.08 190	0.08 268	0.09 226	0.11 305	0.06 101	0.06 98

UPFNet	0.16 237	0.08 140	0.12 90	0.20 268	0.12 283	0.20 265	0.23 312	0.28 247	0.26 224	0.17 185	0.24 196	0.22 233	0.19 269	0.19 241	0.21 281	0.09 235	0.07 246	0.08 162	0.09 250	0.08 198	0.06 98

FENet	0.13 157	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 156	0.23 182	0.17 185	0.23 188	0.16 162	0.12 138	0.14 148	0.15 208	0.08 190	0.05 106	0.08 162	0.08 211	0.07 155	0.07 157

ACVNet	0.15 219	0.09 190	0.15 191	0.13 6	0.12 283	0.14 153	0.20 277	0.22 156	0.33 274	0.17 185	0.26 240	0.21 216	0.16 226	0.17 219	0.21 281	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

cf-r	0.13 157	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 262	0.20 123	0.25 211	0.17 185	0.25 225	0.21 216	0.16 226	0.14 148	0.14 185	0.10 266	0.05 106	0.06 31	0.08 211	0.06 101	0.06 98

GANet-RSSM	0.14 186	0.07 69	0.13 128	0.13 6	0.08 47	0.14 153	0.17 191	0.22 156	0.21 162	0.17 185	0.24 196	0.23 245	0.15 206	0.16 197	0.15 208	0.10 266	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

CFNet-ft	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

RASNet	0.14 186	0.07 69	0.14 154	0.16 68	0.08 47	0.18 233	0.14 69	0.29 257	0.20 149	0.17 185	0.25 225	0.21 216	0.18 254	0.20 260	0.19 256	0.07 141	0.06 189	0.06 31	0.08 211	0.06 101	0.06 98

CFNet_RVC	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

UCFNet_RVC	0.14 186	0.08 140	0.13 128	0.11 1	0.10 216	0.20 265	0.10 6	0.24 190	0.22 173	0.17 185	0.20 159	0.23 245	0.15 206	0.17 219	0.15 208	0.12 311	0.07 246	0.10 267	0.13 332	0.11 288	0.10 269

DN-CSS_ROB	0.13 157	0.13 292	0.16 221	0.18 182	0.10 216	0.16 199	0.08 2	0.22 156	0.18 116	0.17 185	0.22 182	0.13 112	0.13 170	0.12 101	0.13 157	0.05 2	0.05 106	0.10 267	0.10 282	0.08 198	0.06 98

gwcnet-sp	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

scenet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

ssnet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

IER	0.14 186	0.07 69	0.13 128	0.17 115	0.09 131	0.14 153	0.16 170	0.25 203	0.26 224	0.18 211	0.25 225	0.17 181	0.20 277	0.16 197	0.14 185	0.08 190	0.05 106	0.07 98	0.06 86	0.08 198	0.07 157

test_5	0.14 186	0.12 271	0.08 11	0.20 268	0.10 216	0.14 153	0.29 361	0.21 140	0.24 192	0.18 211	0.28 256	0.11 74	0.15 206	0.12 101	0.13 157	0.06 54	0.05 106	0.07 98	0.08 211	0.08 198	0.07 157

NINENet	0.16 237	0.10 237	0.15 191	0.17 115	0.11 254	0.19 253	0.14 69	0.40 352	0.36 297	0.18 211	0.21 173	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.08 268	0.10 267	0.07 161	0.10 273	0.09 250

DAS	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.16 197	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

SepStereo	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.25 311	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

PSMNet-ADL	0.15 219	0.12 271	0.13 128	0.22 305	0.09 131	0.13 129	0.20 277	0.26 215	0.23 182	0.18 211	0.20 159	0.24 251	0.16 226	0.18 230	0.17 233	0.08 190	0.08 268	0.08 162	0.11 305	0.08 198	0.07 157

ICVP	0.15 219	0.09 190	0.12 90	0.22 305	0.09 131	0.17 218	0.21 293	0.25 203	0.23 182	0.18 211	0.30 271	0.26 269	0.18 254	0.17 219	0.14 185	0.09 235	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 237	0.08 140	0.15 191	0.18 182	0.10 216	0.22 287	0.18 231	0.24 190	0.21 162	0.18 211	0.24 196	0.29 290	0.18 254	0.19 241	0.22 290	0.09 235	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

GwcNet-RSSM	0.14 186	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 277	0.21 140	0.27 231	0.18 211	0.27 247	0.22 233	0.16 226	0.14 148	0.15 208	0.10 266	0.05 106	0.07 98	0.09 250	0.07 155	0.07 157

MLCV	0.12 135	0.07 69	0.16 221	0.18 182	0.06 2	0.15 175	0.17 191	0.19 116	0.21 162	0.18 211	0.25 225	0.17 181	0.13 170	0.14 148	0.13 157	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

SMFormer	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

qqq1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

SDNR	0.19 278	0.08 140	0.19 272	0.16 68	0.12 283	0.77 400	0.14 69	0.25 203	0.32 268	0.19 224	0.24 196	0.19 200	0.13 170	0.19 241	0.15 208	0.16 356	0.18 364	0.14 333	0.11 305	0.08 198	0.11 292

ToySt	0.17 256	0.11 257	0.18 263	0.17 115	0.11 254	0.16 199	0.25 335	0.24 190	0.33 274	0.19 224	0.24 196	0.26 269	0.24 302	0.19 241	0.20 262	0.07 141	0.08 268	0.09 226	0.10 282	0.09 246	0.08 217

iRaft-Stereo_5w	0.12 135	0.09 190	0.12 90	0.19 227	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.19 224	0.14 80	0.11 74	0.09 67	0.20 260	0.16 222	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

AASNet	0.16 237	0.08 140	0.12 90	0.19 227	0.09 131	0.18 233	0.15 115	0.37 337	0.37 303	0.19 224	0.23 188	0.20 210	0.16 226	0.17 219	0.20 262	0.10 266	0.08 268	0.08 162	0.07 161	0.09 246	0.09 250

CrosDoStereo	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

DeepStereo_LL	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

pcwnet_v2	0.19 278	0.10 237	0.26 309	0.17 115	0.14 317	0.18 233	0.15 115	0.37 337	0.46 343	0.19 224	0.24 196	0.21 216	0.19 269	0.20 260	0.19 256	0.13 331	0.10 309	0.10 267	0.10 282	0.11 288	0.13 317

HCRNet	0.16 237	0.24 360	0.12 90	0.35 376	0.11 254	0.15 175	0.17 191	0.26 215	0.22 173	0.19 224	0.24 196	0.21 216	0.14 193	0.15 166	0.13 157	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

acv_ft	0.15 219	0.09 190	0.15 191	0.19 227	0.10 216	0.16 199	0.17 191	0.25 203	0.33 274	0.19 224	0.26 240	0.21 216	0.17 245	0.17 219	0.18 247	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

HSM-Net_RVC	0.14 186	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 233	0.29 249	0.19 224	0.21 173	0.29 290	0.14 193	0.17 219	0.13 157	0.06 54	0.06 189	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	0.15 219	0.10 237	0.17 246	0.17 115	0.08 47	0.18 233	0.09 3	0.28 247	0.25 211	0.19 224	0.24 196	0.24 251	0.17 245	0.17 219	0.14 185	0.08 190	0.06 189	0.09 226	0.10 282	0.07 155	0.06 98

DeepPruner_ROB	0.16 237	0.11 257	0.15 191	0.17 115	0.10 216	0.17 218	0.15 115	0.32 286	0.21 162	0.19 224	0.21 173	0.22 233	0.18 254	0.20 260	0.15 208	0.13 331	0.09 291	0.09 226	0.09 250	0.11 288	0.10 269

HSM	0.15 219	0.08 140	0.14 154	0.16 68	0.09 131	0.16 199	0.14 69	0.28 247	0.25 211	0.19 224	0.23 188	0.37 336	0.16 226	0.20 260	0.15 208	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

CBFPSM	0.14 186	0.06 19	0.26 309	0.17 115	0.09 131	0.13 129	0.15 115	0.22 156	0.23 182	0.20 241	0.27 247	0.24 251	0.16 226	0.16 197	0.18 247	0.06 54	0.06 189	0.06 31	0.07 161	0.07 155	0.07 157

raft_robust	0.13 157	0.10 237	0.07 2	0.18 182	0.08 47	0.13 129	0.24 321	0.28 247	0.33 274	0.20 241	0.19 148	0.14 127	0.10 88	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 161	0.05 40	0.04 7

RAFT_CTSACE	0.12 135	0.09 190	0.10 44	0.22 305	0.08 47	0.12 104	0.24 321	0.18 96	0.16 87	0.20 241	0.27 247	0.13 112	0.07 31	0.13 133	0.09 19	0.05 2	0.06 189	0.08 162	0.07 161	0.04 1	0.04 7

UDGNet	0.14 186	0.13 292	0.16 221	0.17 115	0.10 216	0.12 104	0.16 170	0.21 140	0.27 231	0.20 241	0.20 159	0.16 162	0.13 170	0.16 197	0.13 157	0.10 266	0.06 189	0.09 226	0.07 161	0.06 101	0.07 157

GEStereo_RVC	0.17 256	0.12 271	0.15 191	0.22 305	0.11 254	0.19 253	0.17 191	0.32 286	0.48 345	0.20 241	0.25 225	0.17 181	0.13 170	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.07 161	0.09 246	0.08 217

GwcNet	0.20 287	0.13 292	0.19 272	0.18 182	0.12 283	0.24 305	0.19 262	0.35 326	0.43 331	0.20 241	0.32 283	0.33 320	0.20 277	0.22 287	0.24 310	0.11 287	0.09 291	0.09 226	0.09 250	0.09 246	0.10 269

AdaStereo	0.15 219	0.11 257	0.15 191	0.18 182	0.09 131	0.20 265	0.11 11	0.32 286	0.28 242	0.20 241	0.23 188	0.20 210	0.13 170	0.19 241	0.14 185	0.12 311	0.05 106	0.10 267	0.07 161	0.09 246	0.07 157
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	0.19 278	0.12 271	0.18 263	0.16 68	0.12 283	0.15 175	0.12 21	0.30 271	0.32 268	0.20 241	0.22 182	0.27 276	0.23 296	0.21 276	0.16 222	0.16 356	0.18 364	0.23 368	0.21 364	0.12 302	0.13 317

iinet-f	0.16 237	0.06 19	0.45 358	0.14 13	0.10 216	0.21 279	0.14 69	0.27 233	0.23 182	0.21 249	0.24 196	0.21 216	0.15 206	0.18 230	0.21 281	0.09 235	0.07 246	0.07 98	0.06 86	0.09 246	0.10 269

RAFT	0.13 157	0.09 190	0.11 70	0.18 182	0.08 47	0.15 175	0.24 321	0.20 123	0.19 128	0.21 249	0.21 173	0.17 181	0.12 138	0.16 197	0.09 19	0.06 54	0.07 246	0.10 267	0.09 250	0.05 40	0.05 51

psm_up	0.18 268	0.10 237	0.18 263	0.20 268	0.11 254	0.17 218	0.19 262	0.37 337	0.34 285	0.21 249	0.28 256	0.29 290	0.24 302	0.20 260	0.22 290	0.09 235	0.10 309	0.11 294	0.11 305	0.08 198	0.08 217

UNet	0.17 256	0.09 190	0.18 263	0.19 227	0.12 283	0.27 330	0.19 262	0.33 303	0.29 249	0.21 249	0.24 196	0.23 245	0.19 269	0.19 241	0.18 247	0.07 141	0.06 189	0.08 162	0.07 161	0.08 198	0.06 98

HGLStereo	0.17 256	0.08 140	0.19 272	0.17 115	0.12 283	0.18 233	0.18 231	0.31 277	0.32 268	0.21 249	0.32 283	0.25 261	0.18 254	0.19 241	0.20 262	0.09 235	0.09 291	0.07 98	0.07 161	0.09 246	0.10 269

DMCA-RVC	0.17 256	0.10 237	0.15 191	0.24 329	0.11 254	0.18 233	0.18 231	0.25 203	0.24 192	0.21 249	0.26 240	0.25 261	0.27 321	0.18 230	0.20 262	0.12 311	0.08 268	0.13 323	0.10 282	0.10 273	0.08 217

FADNet_RVC	0.16 237	0.14 304	0.40 353	0.20 268	0.11 254	0.13 129	0.13 43	0.26 215	0.22 173	0.21 249	0.23 188	0.20 210	0.17 245	0.14 148	0.16 222	0.08 190	0.08 268	0.12 309	0.09 250	0.11 288	0.10 269

STTStereo	0.18 268	0.12 271	0.27 315	0.20 268	0.11 254	0.16 199	0.21 293	0.29 257	0.23 182	0.21 249	0.30 271	0.29 290	0.18 254	0.20 260	0.19 256	0.12 311	0.11 319	0.11 294	0.14 336	0.09 246	0.08 217

RP	0.21 296	0.13 292	0.21 285	0.23 324	0.11 254	0.21 279	0.20 277	0.25 203	0.44 335	0.21 249	0.38 318	0.36 332	0.24 302	0.27 316	0.25 319	0.11 287	0.12 328	0.13 323	0.12 323	0.12 302	0.14 334

TDLM	0.17 256	0.12 271	0.13 128	0.24 329	0.10 216	0.18 233	0.18 231	0.36 332	0.30 256	0.21 249	0.28 256	0.28 283	0.18 254	0.23 298	0.18 247	0.11 287	0.07 246	0.10 267	0.10 282	0.08 198	0.08 217

NLCA_NET_v2_RVC	0.17 256	0.10 237	0.22 290	0.20 268	0.10 216	0.15 175	0.18 231	0.31 277	0.25 211	0.21 249	0.30 271	0.25 261	0.17 245	0.21 276	0.20 262	0.09 235	0.06 189	0.08 162	0.08 211	0.07 155	0.08 217
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	0.14 186	0.08 140	0.15 191	0.16 68	0.08 47	0.16 199	0.12 21	0.25 203	0.35 292	0.21 249	0.29 267	0.24 251	0.13 170	0.14 148	0.14 185	0.06 54	0.05 106	0.06 31	0.04 8	0.09 246	0.08 217

pmcnn	0.15 219	0.07 69	0.19 272	0.15 38	0.07 18	0.20 265	0.15 115	0.24 190	0.26 224	0.21 249	0.34 300	0.28 283	0.18 254	0.18 230	0.17 233	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

fast-acv-ft	0.18 268	0.11 257	0.19 272	0.19 227	0.12 283	0.24 305	0.21 293	0.25 203	0.34 285	0.22 262	0.34 300	0.27 276	0.20 277	0.21 276	0.23 300	0.09 235	0.09 291	0.08 162	0.10 282	0.08 198	0.07 157

ssnet_v2	0.17 256	0.10 237	0.17 246	0.17 115	0.11 254	0.21 279	0.21 293	0.33 303	0.25 211	0.22 262	0.22 182	0.27 276	0.18 254	0.22 287	0.20 262	0.11 287	0.09 291	0.09 226	0.09 250	0.08 198	0.08 217

HBP-ISP	0.18 268	0.13 292	0.16 221	0.15 38	0.11 254	0.08 23	0.13 43	0.28 247	0.29 249	0.22 262	0.33 296	0.21 216	0.25 310	0.23 298	0.17 233	0.14 342	0.16 357	0.21 363	0.17 356	0.10 273	0.08 217

ADLNet	0.16 237	0.08 140	0.15 191	0.16 68	0.10 216	0.16 199	0.17 191	0.32 286	0.27 231	0.22 262	0.27 247	0.24 251	0.16 226	0.18 230	0.21 281	0.10 266	0.06 189	0.10 267	0.10 282	0.08 198	0.09 250

MMNet	0.17 256	0.09 190	0.16 221	0.20 268	0.11 254	0.27 330	0.20 277	0.25 203	0.41 320	0.22 262	0.30 271	0.21 216	0.20 277	0.17 219	0.20 262	0.06 54	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

stereogan	0.22 305	0.11 257	0.21 285	0.20 268	0.12 283	0.31 344	0.19 262	0.35 326	0.44 335	0.22 262	0.39 326	0.35 330	0.27 321	0.33 346	0.22 290	0.10 266	0.12 328	0.10 267	0.10 282	0.14 331	0.13 317

Nwc_Net	0.23 320	0.16 317	0.21 285	0.25 340	0.14 317	0.24 305	0.26 341	0.37 337	0.38 308	0.22 262	0.41 341	0.30 298	0.28 329	0.28 327	0.25 319	0.11 287	0.10 309	0.17 350	0.20 362	0.10 273	0.10 269

PA-Net	0.23 320	0.18 338	0.33 336	0.28 359	0.22 367	0.21 279	0.38 384	0.29 257	0.39 311	0.22 262	0.32 283	0.25 261	0.26 313	0.20 260	0.25 319	0.09 235	0.23 380	0.15 341	0.22 367	0.09 246	0.13 317
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CVANet_RVC	0.18 268	0.10 237	0.14 154	0.21 292	0.10 216	0.18 233	0.17 191	0.34 313	0.33 274	0.22 262	0.31 279	0.28 283	0.18 254	0.23 298	0.17 233	0.12 311	0.08 268	0.12 309	0.11 305	0.09 246	0.07 157

AANet_RVC	0.16 237	0.10 237	0.10 44	0.18 182	0.09 131	0.18 233	0.19 262	0.26 215	0.31 262	0.22 262	0.35 304	0.21 216	0.21 281	0.22 287	0.16 222	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

DISCO	0.19 278	0.09 190	0.22 290	0.17 115	0.10 216	0.25 315	0.18 231	0.27 233	0.44 335	0.22 262	0.31 279	0.33 320	0.26 313	0.28 327	0.28 344	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.09 250

iResNet_ROB	0.14 186	0.07 69	0.13 128	0.14 13	0.07 18	0.18 233	0.14 69	0.26 215	0.31 262	0.22 262	0.25 225	0.23 245	0.15 206	0.15 166	0.13 157	0.07 141	0.05 106	0.05 2	0.04 8	0.08 198	0.08 217

GMStereo_Zeroshot	0.16 237	0.13 292	0.24 302	0.20 268	0.10 216	0.17 218	0.13 43	0.29 257	0.25 211	0.23 274	0.32 283	0.25 261	0.11 109	0.19 241	0.14 185	0.09 235	0.06 189	0.11 294	0.06 86	0.12 302	0.08 217

Anonymous_2	0.22 305	0.17 328	0.28 320	0.15 38	0.16 338	0.32 345	0.22 302	0.22 156	0.17 99	0.23 274	0.24 196	0.26 269	0.27 321	0.27 316	0.23 300	0.22 374	0.25 382	0.17 350	0.17 356	0.17 356	0.17 360

dd	0.15 219	0.16 317	0.16 221	0.19 227	0.09 131	0.15 175	0.18 231	0.21 140	0.25 211	0.23 274	0.20 159	0.21 216	0.09 67	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.06 86	0.08 198	0.06 98

UDG	0.21 296	0.17 328	0.19 272	0.23 324	0.15 328	0.30 342	0.20 277	0.33 303	0.35 292	0.23 274	0.28 256	0.31 308	0.27 321	0.20 260	0.22 290	0.15 345	0.12 328	0.13 323	0.09 250	0.14 331	0.14 334

SACVNet	0.18 268	0.12 271	0.14 154	0.17 115	0.13 300	0.22 287	0.18 231	0.31 277	0.30 256	0.23 274	0.31 279	0.30 298	0.22 290	0.22 287	0.17 233	0.11 287	0.08 268	0.10 267	0.10 282	0.12 302	0.14 334

DSFCA	0.16 237	0.09 190	0.14 154	0.16 68	0.10 216	0.20 265	0.19 262	0.28 247	0.31 262	0.23 274	0.24 196	0.22 233	0.15 206	0.19 241	0.20 262	0.10 266	0.07 246	0.09 226	0.09 250	0.08 198	0.08 217

FADNet	0.21 296	0.22 356	0.36 345	0.18 182	0.17 351	0.24 305	0.13 43	0.31 277	0.31 262	0.23 274	0.25 225	0.27 276	0.21 281	0.19 241	0.15 208	0.13 331	0.15 354	0.12 309	0.15 347	0.16 349	0.18 362

S-Stereo	0.20 287	0.12 271	0.25 308	0.21 292	0.13 300	0.20 265	0.18 231	0.32 286	0.43 331	0.23 274	0.36 307	0.28 283	0.30 341	0.19 241	0.22 290	0.09 235	0.12 328	0.10 267	0.10 282	0.13 319	0.13 317

SQANet	0.23 320	0.23 357	0.30 329	0.30 368	0.19 360	0.27 330	0.13 43	0.29 257	0.33 274	0.24 282	0.37 313	0.31 308	0.22 290	0.27 316	0.23 300	0.15 345	0.10 309	0.21 363	0.16 349	0.21 365	0.15 342

WZ-Net	0.28 349	0.17 328	0.78 393	0.22 305	0.16 338	0.34 354	0.29 361	0.39 348	0.57 366	0.24 282	0.55 367	0.37 336	0.24 302	0.33 346	0.35 365	0.09 235	0.08 268	0.09 226	0.10 282	0.14 331	0.16 353

LMCR-Stereo	0.15 219	0.08 140	0.13 128	0.21 292	0.09 131	0.17 218	0.20 277	0.27 233	0.19 128	0.24 282	0.24 196	0.23 245	0.17 245	0.20 260	0.17 233	0.07 141	0.06 189	0.08 162	0.06 86	0.10 273	0.08 217

DGSMNet	0.24 328	0.19 341	0.33 336	0.21 292	0.24 370	0.24 305	0.20 277	0.35 326	0.41 320	0.24 282	0.32 283	0.38 340	0.21 281	0.29 334	0.23 300	0.12 311	0.11 319	0.14 333	0.16 349	0.23 368	0.23 374

hitnet-ft	0.18 268	0.09 190	0.17 246	0.14 13	0.09 131	0.26 323	0.20 277	0.25 203	0.26 224	0.24 282	0.32 283	0.31 308	0.22 290	0.24 306	0.21 281	0.12 311	0.07 246	0.10 267	0.08 211	0.12 302	0.11 292

FADNet-RVC-Resample	0.16 237	0.11 257	0.31 331	0.22 305	0.11 254	0.19 253	0.14 69	0.25 203	0.24 192	0.24 282	0.27 247	0.20 210	0.15 206	0.16 197	0.15 208	0.07 141	0.08 268	0.12 309	0.10 282	0.09 246	0.10 269

NCC-stereo	0.24 328	0.15 310	0.31 331	0.26 345	0.16 338	0.20 265	0.30 369	0.40 352	0.40 317	0.24 282	0.38 318	0.33 320	0.28 329	0.36 360	0.27 336	0.12 311	0.11 319	0.15 341	0.22 367	0.13 319	0.13 317

Abc-Net	0.24 328	0.15 310	0.31 331	0.26 345	0.16 338	0.20 265	0.30 369	0.40 352	0.40 317	0.24 282	0.38 318	0.33 320	0.28 329	0.36 360	0.27 336	0.12 311	0.11 319	0.15 341	0.22 367	0.13 319	0.13 317
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 328	0.11 257	0.47 362	0.22 305	0.12 283	0.34 354	0.29 361	0.29 257	0.56 364	0.24 282	0.46 354	0.30 298	0.30 341	0.29 334	0.29 347	0.08 190	0.07 246	0.09 226	0.09 250	0.10 273	0.10 269

RYNet	0.22 305	0.12 271	0.22 290	0.19 227	0.17 351	0.46 371	0.26 341	0.38 344	0.48 345	0.24 282	0.28 256	0.34 326	0.23 296	0.20 260	0.30 351	0.10 266	0.06 189	0.09 226	0.09 250	0.13 319	0.15 342

DRN-Test	0.19 278	0.11 257	0.20 280	0.22 305	0.10 216	0.22 287	0.22 302	0.39 348	0.37 303	0.24 282	0.32 283	0.26 269	0.21 281	0.22 287	0.24 310	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

StereoDRNet	0.18 268	0.11 257	0.17 246	0.22 305	0.11 254	0.21 279	0.22 302	0.37 337	0.33 274	0.24 282	0.28 256	0.30 298	0.19 269	0.20 260	0.20 262	0.09 235	0.08 268	0.11 294	0.09 250	0.09 246	0.07 157

SGM-Forest	0.20 287	0.14 304	0.18 263	0.19 227	0.13 300	0.20 265	0.22 302	0.33 303	0.30 256	0.24 282	0.29 267	0.28 283	0.19 269	0.23 298	0.17 233	0.15 345	0.16 357	0.15 341	0.14 336	0.12 302	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
Wz-Net-LNSev-Ref	0.18 268	0.09 190	0.29 326	0.15 38	0.10 216	0.22 287	0.20 277	0.26 215	0.39 311	0.25 295	0.42 347	0.24 251	0.15 206	0.20 260	0.19 256	0.07 141	0.05 106	0.06 31	0.05 31	0.10 273	0.09 250

CSP-Net	0.16 237	0.09 190	0.14 154	0.16 68	0.09 131	0.19 253	0.17 191	0.25 203	0.32 268	0.25 295	0.30 271	0.24 251	0.15 206	0.21 276	0.18 247	0.09 235	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

FINET	0.21 296	0.18 338	0.26 309	0.18 182	0.16 338	0.23 300	0.23 312	0.32 286	0.48 345	0.25 295	0.32 283	0.22 233	0.22 290	0.22 287	0.17 233	0.18 362	0.16 357	0.11 294	0.10 282	0.15 342	0.13 317

AF-Net	0.22 305	0.17 328	0.17 246	0.26 345	0.13 300	0.25 315	0.24 321	0.32 286	0.50 352	0.25 295	0.33 296	0.38 340	0.26 313	0.28 327	0.25 319	0.11 287	0.10 309	0.16 347	0.11 305	0.11 288	0.10 269

Anonymous Stereo	0.23 320	0.19 341	0.50 364	0.24 329	0.17 351	0.21 279	0.21 293	0.33 303	0.44 335	0.25 295	0.34 300	0.26 269	0.18 254	0.31 338	0.27 336	0.13 331	0.12 328	0.12 309	0.13 332	0.11 288	0.14 334

FADNet-RVC	0.20 287	0.20 346	0.38 349	0.21 292	0.16 338	0.20 265	0.15 115	0.26 215	0.26 224	0.26 300	0.32 283	0.26 269	0.21 281	0.22 287	0.19 256	0.12 311	0.13 341	0.12 309	0.14 336	0.13 319	0.18 362

SuperB	0.20 287	0.10 237	0.56 372	0.16 68	0.09 131	0.18 233	0.18 231	0.24 190	0.50 352	0.26 300	0.39 326	0.17 181	0.21 281	0.22 287	0.21 281	0.08 190	0.06 189	0.06 31	0.06 86	0.12 302	0.10 269

ADCRef	0.19 278	0.12 271	0.41 355	0.20 268	0.12 283	0.22 287	0.18 231	0.32 286	0.36 297	0.26 300	0.32 283	0.17 181	0.23 296	0.24 306	0.24 310	0.07 141	0.06 189	0.09 226	0.09 250	0.08 198	0.08 217

DeepPrunerF	0.24 328	0.17 328	0.42 356	0.26 345	0.16 338	0.22 287	0.28 353	0.37 337	0.50 352	0.26 300	0.29 267	0.24 251	0.28 329	0.21 276	0.22 290	0.15 345	0.11 319	0.20 362	0.18 360	0.12 302	0.13 317

ADCP+	0.20 287	0.10 237	0.33 336	0.20 268	0.12 283	0.22 287	0.26 341	0.31 277	0.34 285	0.26 300	0.37 313	0.22 233	0.22 290	0.27 316	0.27 336	0.09 235	0.06 189	0.08 162	0.08 211	0.09 246	0.10 269

StereoDRNet-Refined	0.17 256	0.12 271	0.15 191	0.20 268	0.09 131	0.18 233	0.18 231	0.26 215	0.23 182	0.26 300	0.40 331	0.22 233	0.17 245	0.21 276	0.20 262	0.08 190	0.05 106	0.09 226	0.10 282	0.07 155	0.07 157
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
GASNet	0.22 305	0.23 357	0.33 336	0.26 345	0.17 351	0.26 323	0.16 170	0.44 367	0.42 326	0.27 306	0.24 196	0.30 298	0.15 206	0.27 316	0.18 247	0.12 311	0.08 268	0.12 309	0.11 305	0.16 349	0.07 157

AACVNet	0.16 237	0.08 140	0.14 154	0.15 38	0.10 216	0.18 233	0.15 115	0.23 173	0.24 192	0.27 306	0.27 247	0.28 283	0.17 245	0.19 241	0.16 222	0.09 235	0.07 246	0.09 226	0.07 161	0.10 273	0.09 250

APVNet	0.22 305	0.12 271	0.19 272	0.18 182	0.14 317	0.32 345	0.31 375	0.39 348	0.32 268	0.27 306	0.40 331	0.30 298	0.29 337	0.26 313	0.25 319	0.11 287	0.12 328	0.11 294	0.14 336	0.12 302	0.12 303

FAT-Stereo	0.20 287	0.12 271	0.22 290	0.21 292	0.12 283	0.17 218	0.18 231	0.34 313	0.39 311	0.27 306	0.37 313	0.34 326	0.32 349	0.21 276	0.20 262	0.09 235	0.11 319	0.10 267	0.09 250	0.11 288	0.14 334

RGC	0.25 337	0.20 346	0.29 326	0.28 359	0.16 338	0.22 287	0.23 312	0.32 286	0.44 335	0.27 306	0.40 331	0.38 340	0.27 321	0.36 360	0.22 290	0.11 287	0.13 341	0.17 350	0.17 356	0.14 331	0.16 353

RTSC	0.23 320	0.12 271	0.28 320	0.21 292	0.13 300	0.28 336	0.16 170	0.35 326	0.66 380	0.27 306	0.33 296	0.30 298	0.21 281	0.31 338	0.29 347	0.10 266	0.08 268	0.09 226	0.10 282	0.13 319	0.13 317

PS-NSSS	0.20 287	0.21 352	0.23 299	0.20 268	0.10 216	0.19 253	0.17 191	0.36 332	0.25 211	0.27 306	0.33 296	0.27 276	0.24 302	0.20 260	0.20 262	0.15 345	0.12 328	0.17 350	0.14 336	0.10 273	0.08 217

CBMV_ROB	0.19 278	0.13 292	0.17 246	0.16 68	0.11 254	0.15 175	0.13 43	0.26 215	0.28 242	0.27 306	0.30 271	0.27 276	0.24 302	0.23 298	0.16 222	0.15 345	0.17 362	0.22 367	0.20 362	0.10 273	0.11 292

DLCB_ROB	0.18 268	0.10 237	0.15 191	0.23 324	0.11 254	0.24 305	0.18 231	0.29 257	0.28 242	0.27 306	0.28 256	0.28 283	0.24 302	0.19 241	0.20 262	0.08 190	0.08 268	0.09 226	0.09 250	0.07 155	0.07 157

DispFullNet	0.27 346	0.21 352	0.65 379	0.28 359	0.16 338	0.26 323	0.17 191	0.33 303	0.58 369	0.27 306	0.38 318	0.43 358	0.23 296	0.38 365	0.23 300	0.12 311	0.06 189	0.19 360	0.11 305	0.21 365	0.15 342

PSMNet_ROB	0.21 296	0.11 257	0.15 191	0.27 356	0.15 328	0.24 305	0.35 379	0.43 365	0.37 303	0.27 306	0.32 283	0.32 317	0.22 290	0.21 276	0.26 329	0.12 311	0.08 268	0.13 323	0.11 305	0.09 246	0.09 250

Wz-Net-MNSev	0.22 305	0.13 292	0.31 331	0.20 268	0.14 317	0.36 364	0.24 321	0.33 303	0.44 335	0.28 317	0.40 331	0.38 340	0.19 269	0.24 306	0.25 319	0.09 235	0.07 246	0.09 226	0.09 250	0.12 302	0.10 269

CRFU-Net	0.16 237	0.08 140	0.14 154	0.17 115	0.09 131	0.19 253	0.14 69	0.26 215	0.20 149	0.28 317	0.27 247	0.29 290	0.17 245	0.19 241	0.17 233	0.09 235	0.09 291	0.07 98	0.07 161	0.08 198	0.08 217

Syn2CoEx	0.21 296	0.16 317	0.27 315	0.29 366	0.14 317	0.26 323	0.20 277	0.33 303	0.31 262	0.28 317	0.36 307	0.27 276	0.25 310	0.19 241	0.24 310	0.16 356	0.12 328	0.14 333	0.11 305	0.09 246	0.08 217

DANet	0.21 296	0.15 310	0.28 320	0.25 340	0.13 300	0.22 287	0.19 262	0.27 233	0.27 231	0.28 317	0.32 283	0.35 330	0.31 345	0.31 338	0.23 300	0.11 287	0.09 291	0.11 294	0.10 282	0.13 319	0.11 292
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	0.23 320	0.17 328	0.22 290	0.25 340	0.13 300	0.26 323	0.29 361	0.31 277	0.36 297	0.28 317	0.36 307	0.45 362	0.26 313	0.27 316	0.26 329	0.11 287	0.08 268	0.12 309	0.09 250	0.14 331	0.13 317

PDISCO_ROB	0.27 346	0.16 317	0.26 309	0.28 359	0.20 363	0.32 345	0.26 341	0.44 367	0.57 366	0.28 317	0.40 331	0.45 362	0.29 337	0.33 346	0.34 364	0.12 311	0.09 291	0.17 350	0.16 349	0.17 356	0.13 317

DPSNet	0.28 349	0.16 317	0.31 331	0.18 182	0.13 300	0.54 379	0.42 388	0.51 379	0.67 381	0.29 323	0.38 318	0.38 340	0.29 337	0.31 338	0.23 300	0.11 287	0.10 309	0.11 294	0.08 211	0.20 364	0.16 353

PWCDC_ROB	0.20 287	0.13 292	0.22 290	0.24 329	0.11 254	0.19 253	0.15 115	0.33 303	0.54 361	0.29 323	0.50 362	0.21 216	0.15 206	0.27 316	0.20 262	0.11 287	0.09 291	0.10 267	0.08 211	0.11 288	0.09 250

CBMV	0.19 278	0.14 304	0.17 246	0.18 182	0.10 216	0.20 265	0.11 11	0.29 257	0.30 256	0.29 323	0.30 271	0.30 298	0.23 296	0.27 316	0.19 256	0.13 331	0.15 354	0.17 350	0.16 349	0.10 273	0.10 269
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	0.25 337	0.17 328	0.44 357	0.25 340	0.14 317	0.26 323	0.23 312	0.38 344	0.56 364	0.30 326	0.55 367	0.39 348	0.26 313	0.23 298	0.30 351	0.10 266	0.09 291	0.09 226	0.10 282	0.11 288	0.11 292

Wz-Net-LNSev	0.22 305	0.16 317	0.38 349	0.21 292	0.13 300	0.25 315	0.23 312	0.32 286	0.43 331	0.30 326	0.41 341	0.31 308	0.18 254	0.22 287	0.25 319	0.10 266	0.09 291	0.08 162	0.08 211	0.12 302	0.11 292

dad	0.17 256	0.20 346	0.20 280	0.16 68	0.11 254	0.20 265	0.18 231	0.21 140	0.28 242	0.30 326	0.24 196	0.29 290	0.13 170	0.19 241	0.16 222	0.18 362	0.09 291	0.11 294	0.09 250	0.11 288	0.07 157

ADCPNet	0.25 337	0.16 317	0.61 376	0.21 292	0.15 328	0.35 362	0.25 335	0.32 286	0.35 292	0.30 326	0.40 331	0.36 332	0.28 329	0.28 327	0.32 359	0.12 311	0.10 309	0.11 294	0.12 323	0.14 331	0.13 317

XPNet_ROB	0.22 305	0.11 257	0.19 272	0.22 305	0.13 300	0.22 287	0.19 262	0.34 313	0.40 317	0.30 326	0.39 326	0.39 348	0.26 313	0.26 313	0.28 344	0.15 345	0.10 309	0.10 267	0.10 282	0.13 319	0.12 303

PWC_ROB	0.21 296	0.16 317	0.26 309	0.18 182	0.11 254	0.22 287	0.13 43	0.32 286	0.49 350	0.30 326	0.40 331	0.32 317	0.24 302	0.31 338	0.22 290	0.10 266	0.07 246	0.11 294	0.08 211	0.11 288	0.10 269

DDUNet	0.22 305	0.17 328	0.21 285	0.22 305	0.15 328	0.25 315	0.24 321	0.29 257	0.30 256	0.31 332	0.36 307	0.33 320	0.25 310	0.24 306	0.20 262	0.18 362	0.13 341	0.17 350	0.11 305	0.16 349	0.16 353

XQC	0.28 349	0.23 357	0.51 365	0.28 359	0.19 360	0.34 354	0.27 348	0.36 332	0.57 366	0.31 332	0.30 271	0.37 336	0.30 341	0.38 365	0.38 372	0.13 331	0.09 291	0.15 341	0.12 323	0.17 356	0.18 362

AnyNet_C32	0.26 344	0.16 317	0.36 345	0.20 268	0.16 338	0.25 315	0.30 369	0.32 286	0.44 335	0.31 332	0.49 358	0.30 298	0.33 350	0.40 372	0.33 362	0.12 311	0.12 328	0.12 309	0.14 336	0.14 331	0.15 342

GANet	0.21 296	0.12 271	0.21 285	0.24 329	0.13 300	0.22 287	0.22 302	0.41 357	0.26 224	0.31 332	0.42 347	0.37 336	0.28 329	0.23 298	0.22 290	0.10 266	0.12 328	0.10 267	0.09 250	0.10 273	0.08 217

NCCL2	0.23 320	0.15 310	0.17 246	0.34 374	0.18 358	0.24 305	0.23 312	0.34 313	0.28 242	0.31 332	0.38 318	0.38 340	0.28 329	0.23 298	0.24 310	0.15 345	0.12 328	0.18 358	0.21 364	0.13 319	0.13 317

NaN_ROB	0.22 305	0.19 341	0.24 302	0.25 340	0.13 300	0.29 339	0.26 341	0.33 303	0.41 320	0.31 332	0.31 279	0.32 317	0.23 296	0.30 337	0.21 281	0.11 287	0.17 362	0.10 267	0.10 282	0.08 198	0.09 250

Consistency-Raft	0.44 376	0.40 384	0.45 358	0.37 379	0.43 388	0.46 371	0.41 385	0.57 387	0.55 362	0.32 338	0.73 385	0.33 320	0.48 378	0.42 375	0.49 387	0.39 388	0.35 388	0.45 388	0.51 396	0.42 388	0.29 383

MaskLacGwcNet_RVC	0.22 305	0.21 352	0.24 302	0.26 345	0.11 254	0.23 300	0.14 69	0.39 348	0.24 192	0.32 338	0.36 307	0.30 298	0.21 281	0.19 241	0.21 281	0.17 360	0.14 348	0.21 363	0.16 349	0.12 302	0.12 303

edge stereo	0.22 305	0.13 292	0.20 280	0.21 292	0.13 300	0.23 300	0.16 170	0.32 286	0.42 326	0.32 338	0.40 331	0.38 340	0.35 356	0.25 311	0.24 310	0.13 331	0.11 319	0.14 333	0.11 305	0.12 302	0.13 317

SHD	0.26 344	0.15 310	0.30 329	0.24 329	0.18 358	0.22 287	0.15 115	0.38 344	0.71 384	0.32 338	0.41 341	0.36 332	0.28 329	0.32 344	0.29 347	0.12 311	0.11 319	0.14 333	0.13 332	0.16 349	0.20 368

LALA_ROB	0.25 337	0.16 317	0.22 290	0.26 345	0.17 351	0.27 330	0.27 348	0.42 362	0.37 303	0.33 342	0.38 318	0.51 372	0.26 313	0.28 327	0.27 336	0.16 356	0.09 291	0.12 309	0.11 305	0.13 319	0.12 303

Wz-Net-TNSev	0.29 353	0.20 346	0.65 379	0.19 227	0.15 328	0.38 367	0.27 348	0.35 326	0.55 362	0.34 343	0.42 347	0.45 362	0.38 361	0.32 344	0.30 351	0.12 311	0.13 341	0.10 267	0.12 323	0.15 342	0.14 334

GANetREF_RVC	0.31 359	0.34 379	0.27 315	0.35 376	0.16 338	0.32 345	0.41 385	0.48 374	0.51 359	0.35 344	0.35 304	0.34 326	0.33 350	0.39 368	0.32 359	0.27 382	0.20 370	0.29 379	0.15 347	0.18 360	0.17 360
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	0.32 361	0.24 360	0.48 363	0.28 359	0.27 378	0.29 339	0.30 369	0.34 313	0.49 350	0.35 344	0.39 326	0.46 366	0.34 354	0.34 349	0.35 365	0.23 378	0.25 382	0.26 370	0.28 378	0.23 368	0.21 370

ccnet	0.29 353	0.28 371	0.23 299	0.20 268	0.28 379	0.41 370	0.21 293	0.45 370	0.33 274	0.36 346	0.46 354	0.36 332	0.30 341	0.39 368	0.42 380	0.23 378	0.14 348	0.21 363	0.17 356	0.23 368	0.18 362

G-Net	0.24 328	0.16 317	0.36 345	0.22 305	0.16 338	0.51 377	0.23 312	0.29 257	0.34 285	0.36 346	0.38 318	0.31 308	0.29 337	0.27 316	0.26 329	0.11 287	0.09 291	0.12 309	0.09 250	0.16 349	0.13 317

SAMSARA	0.40 371	0.28 371	0.33 336	0.55 391	0.39 385	0.82 401	1.23 415	0.47 373	0.51 359	0.36 346	0.35 304	0.55 377	0.39 363	0.38 365	0.39 374	0.15 345	0.20 370	0.15 341	0.14 336	0.23 368	0.20 368

ADCMid	0.25 337	0.15 310	0.40 353	0.20 268	0.14 317	0.25 315	0.26 341	0.34 313	0.38 308	0.36 346	0.44 352	0.34 326	0.40 366	0.35 355	0.33 362	0.10 266	0.09 291	0.11 294	0.11 305	0.13 319	0.12 303

STTRV1_RVC	0.25 337	0.26 366	0.39 351	0.19 227	0.26 377	0.30 342	0.24 321	0.34 313	0.35 292	0.36 346	0.34 300	0.31 308	0.31 345	0.28 327	0.25 319	0.17 360	0.10 309	0.16 347	0.14 336	0.17 356	0.12 303

SANet	0.24 328	0.14 304	0.28 320	0.21 292	0.11 254	0.27 330	0.24 321	0.38 344	0.64 377	0.36 346	0.40 331	0.43 358	0.26 313	0.27 316	0.24 310	0.12 311	0.09 291	0.10 267	0.09 250	0.13 319	0.11 292

CSAN	0.29 353	0.24 360	0.27 315	0.34 374	0.19 360	0.33 351	0.42 388	0.37 337	0.50 352	0.38 352	0.40 331	0.44 360	0.33 350	0.28 327	0.30 351	0.20 368	0.16 357	0.19 360	0.19 361	0.14 331	0.15 342

WCMA_ROB	0.24 328	0.11 257	0.22 290	0.17 115	0.14 317	0.32 345	0.15 115	0.32 286	0.32 268	0.38 352	0.53 364	0.40 351	0.34 354	0.34 349	0.25 319	0.11 287	0.12 328	0.12 309	0.10 282	0.14 331	0.14 334

AnyNet_C01	0.36 367	0.25 365	1.37 406	0.22 305	0.17 351	0.48 375	0.27 348	0.35 326	0.39 311	0.39 354	0.74 387	0.46 366	0.38 361	0.45 376	0.47 385	0.13 331	0.13 341	0.13 323	0.14 336	0.14 331	0.15 342

CC-Net-ROB	0.28 349	0.31 376	0.36 345	0.29 366	0.15 328	0.25 315	0.19 262	0.45 370	0.33 274	0.39 354	0.37 313	0.39 348	0.31 345	0.27 316	0.26 329	0.24 380	0.19 367	0.30 381	0.23 371	0.18 360	0.15 342

MDST_ROB	0.22 305	0.10 237	0.17 246	0.18 182	0.11 254	0.37 365	0.19 262	0.43 365	0.41 320	0.39 354	0.39 326	0.29 290	0.21 281	0.26 313	0.18 247	0.11 287	0.10 309	0.14 333	0.11 305	0.10 273	0.08 217

otaku	0.39 368	0.37 382	0.52 366	0.44 384	0.28 379	0.58 381	0.24 321	0.41 357	0.62 375	0.40 357	0.49 358	0.46 366	0.33 350	0.40 372	0.32 359	0.30 383	0.30 386	0.39 385	0.33 384	0.29 381	0.28 382

MFN_U_SF_DS_RVC	0.30 358	0.24 360	0.29 326	0.36 378	0.16 338	0.34 354	0.30 369	0.32 286	0.42 326	0.40 357	0.46 354	0.38 340	0.31 345	0.34 349	0.28 344	0.19 366	0.20 370	0.26 370	0.29 379	0.18 360	0.19 367

ADCS	0.29 353	0.18 338	0.45 358	0.21 292	0.17 351	0.28 336	0.23 312	0.41 357	0.63 376	0.40 357	0.49 358	0.40 351	0.36 358	0.39 368	0.40 376	0.13 331	0.12 328	0.13 323	0.14 336	0.16 349	0.16 353

MSMD_ROB	0.31 359	0.26 366	0.26 309	0.24 329	0.21 365	0.34 354	0.25 335	0.34 313	0.39 311	0.40 357	0.69 381	0.45 362	0.40 366	0.34 349	0.27 336	0.20 368	0.19 367	0.26 370	0.25 373	0.23 368	0.22 372

Ntro	0.40 371	0.40 384	0.53 367	0.46 388	0.30 383	0.65 387	0.24 321	0.46 372	0.68 382	0.41 361	0.49 358	0.48 370	0.42 373	0.39 368	0.31 358	0.32 385	0.28 384	0.37 384	0.30 381	0.32 386	0.29 383

psmorigin	0.25 337	0.15 310	0.34 344	0.17 115	0.13 300	0.23 300	0.14 69	0.34 313	0.33 274	0.41 361	0.55 367	0.41 353	0.37 360	0.34 349	0.27 336	0.11 287	0.15 354	0.11 294	0.11 305	0.12 302	0.16 353

FBW_ROB	0.24 328	0.17 328	0.22 290	0.26 345	0.14 317	0.25 315	0.22 302	0.41 357	0.41 320	0.41 361	0.41 341	0.42 354	0.27 321	0.31 338	0.23 300	0.09 235	0.14 348	0.14 333	0.12 323	0.11 288	0.09 250

ACVNet-4b	0.39 368	0.53 388	0.55 370	0.45 385	0.24 370	0.47 373	0.18 231	0.49 376	0.64 377	0.42 364	0.45 353	0.60 379	0.27 321	0.34 349	0.24 310	0.33 386	0.14 348	0.48 389	0.42 389	0.30 382	0.26 381

RTS	0.45 378	0.19 341	3.26 413	0.24 329	0.15 328	0.74 394	0.20 277	0.36 332	0.76 390	0.42 364	0.43 350	0.31 308	0.41 370	0.53 384	0.35 365	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 342

RTSA	0.45 378	0.19 341	3.26 413	0.24 329	0.15 328	0.74 394	0.20 277	0.36 332	0.76 390	0.42 364	0.43 350	0.31 308	0.41 370	0.53 384	0.35 365	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 342

FCDSN-DC	0.33 364	0.28 371	0.28 320	0.30 368	0.24 370	0.39 368	0.28 353	0.42 362	0.42 326	0.43 367	0.53 364	0.51 372	0.41 370	0.36 360	0.30 351	0.21 371	0.20 370	0.27 373	0.26 374	0.25 376	0.24 375
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FADE	0.45 378	0.33 378	1.03 402	0.33 373	0.25 376	0.35 362	0.29 361	0.64 391	1.07 398	0.43 367	0.41 341	0.42 354	0.53 381	0.70 394	0.51 391	0.30 383	0.21 379	0.41 387	0.38 387	0.23 368	0.22 372

SGM_RVC	0.23 320	0.12 271	0.15 191	0.15 38	0.09 131	0.33 351	0.18 231	0.34 313	0.31 262	0.44 369	0.37 313	0.53 375	0.35 356	0.35 355	0.24 310	0.13 331	0.13 341	0.13 323	0.13 332	0.10 273	0.11 292
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
FC-DCNN	0.33 364	0.27 368	0.28 320	0.26 345	0.23 369	0.37 365	0.28 353	0.40 352	0.43 331	0.45 370	0.55 367	0.51 372	0.40 366	0.37 364	0.30 351	0.21 371	0.20 370	0.27 373	0.26 374	0.25 376	0.24 375

LSM	0.33 364	0.20 346	0.58 374	0.26 345	0.60 400	0.34 354	0.25 335	0.42 362	0.48 345	0.45 370	0.58 375	0.42 354	0.36 358	0.35 355	0.25 319	0.12 311	0.20 370	0.14 333	0.16 349	0.19 363	0.33 388

MFN_U_SF_RVC	0.32 361	0.21 352	0.55 370	0.30 368	0.15 328	0.34 354	0.17 191	0.52 380	0.46 343	0.46 372	0.55 367	0.59 378	0.39 363	0.35 355	0.37 370	0.15 345	0.14 348	0.18 358	0.21 364	0.16 349	0.15 342

aanetorigin	0.22 305	0.17 328	0.56 372	0.17 115	0.10 216	0.15 175	0.19 262	0.20 123	0.33 274	0.49 373	0.48 357	0.29 290	0.27 321	0.20 260	0.23 300	0.08 190	0.07 246	0.08 162	0.07 161	0.10 273	0.09 250

RainbowNet	0.54 386	0.61 392	0.70 391	0.57 392	0.43 388	0.65 387	0.37 383	0.60 389	0.87 394	0.50 374	0.66 378	0.64 382	0.47 377	0.49 378	0.43 383	0.47 394	0.48 396	0.52 393	0.41 388	0.52 391	0.40 393

MADNet+	0.75 396	0.71 398	3.70 416	0.66 394	0.41 386	0.98 406	0.97 413	0.69 393	0.73 388	0.52 375	0.57 373	0.64 382	0.68 394	0.86 403	1.01 411	0.34 387	0.36 389	0.28 378	0.23 371	0.36 387	0.31 386

SGM-ForestM	0.32 361	0.12 271	0.16 221	0.16 68	0.11 254	0.39 368	0.19 262	0.41 357	0.50 352	0.52 375	0.54 366	1.32 405	0.42 373	0.40 372	0.27 336	0.14 342	0.16 357	0.16 347	0.16 349	0.12 302	0.12 303

MeshStereo	0.27 346	0.13 292	0.18 263	0.15 38	0.11 254	0.32 345	0.24 321	0.40 352	0.36 297	0.52 375	0.57 373	0.67 386	0.40 366	0.35 355	0.26 329	0.14 342	0.13 341	0.13 323	0.11 305	0.11 288	0.10 269
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	0.53 385	0.58 390	0.65 379	0.41 382	0.61 401	0.53 378	0.41 385	0.56 385	0.41 320	0.55 378	0.50 362	0.49 371	0.55 385	0.58 389	0.50 390	0.58 399	0.50 400	0.51 391	0.51 396	0.51 390	0.57 397

PVD	0.39 368	0.20 346	0.39 351	0.31 372	0.22 367	0.29 339	0.43 390	0.52 380	0.96 397	0.55 378	0.79 391	0.53 375	0.59 388	0.52 382	0.38 372	0.19 366	0.14 348	0.17 350	0.14 336	0.24 375	0.31 386

MFMNet_re	0.64 389	0.66 396	0.65 379	0.51 389	0.69 405	0.69 390	0.57 398	0.64 391	0.73 388	0.60 380	0.73 385	0.62 381	0.67 393	0.65 392	0.60 395	0.66 403	0.58 409	0.63 395	0.59 399	0.68 401	0.69 407

ACVNet_1	0.44 376	0.49 387	0.60 375	0.45 385	0.28 379	0.49 376	0.27 348	0.57 387	0.72 385	0.62 381	0.58 375	0.74 390	0.49 379	0.50 379	0.35 365	0.26 381	0.24 381	0.39 385	0.29 379	0.31 385	0.24 375

TorneroNet-64	0.76 397	0.72 399	0.74 392	0.78 399	0.58 399	0.91 405	0.56 397	0.84 397	1.29 404	0.66 382	0.90 394	1.40 407	0.75 396	0.85 402	0.67 401	0.49 395	0.46 391	0.72 399	0.59 399	0.67 400	0.53 396

SGM+DAISY	0.56 387	0.57 389	0.65 379	0.40 380	0.54 393	0.66 389	0.49 392	0.56 385	0.45 342	0.66 382	0.69 381	0.67 386	0.56 386	0.63 391	0.56 393	0.59 400	0.48 396	0.50 390	0.50 395	0.52 391	0.58 398

SPS-STEREO	0.57 388	0.58 390	0.65 379	0.45 385	0.55 395	0.62 385	0.44 391	0.62 390	0.50 352	0.68 384	0.64 377	0.66 385	0.57 387	0.61 390	0.60 395	0.62 402	0.47 395	0.51 391	0.49 393	0.55 395	0.58 398
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	0.71 393	0.45 386	1.14 404	0.51 389	0.47 390	2.02 415	0.64 402	0.75 394	0.70 383	0.69 385	0.77 390	1.22 401	0.83 399	1.03 411	1.01 411	0.40 389	0.28 384	0.33 382	0.33 384	0.30 382	0.34 389

MSC_U_SF_DS_RVC	0.43 375	0.39 383	0.54 368	0.40 380	0.20 363	0.64 386	0.32 377	0.53 382	0.72 385	0.71 386	0.72 384	0.61 380	0.54 382	0.51 380	0.46 384	0.20 368	0.19 367	0.29 379	0.30 381	0.23 368	0.18 362

ELAS	0.41 373	0.29 374	0.33 336	0.27 356	0.24 370	0.60 384	0.36 380	0.50 378	0.50 352	0.71 386	0.79 391	0.67 386	0.54 382	0.51 380	0.42 380	0.22 374	0.20 370	0.27 373	0.26 374	0.26 379	0.25 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 420	0.31 376	153.02 439	0.19 227	0.09 131	0.21 279	0.16 170	0.22 156	0.59 370	0.72 388	0.67 379	0.42 354	0.50 380	0.24 306	0.39 374	0.08 190	0.07 246	0.08 162	0.07 161	0.12 302	0.10 269

MANE	0.45 378	0.27 368	0.27 315	0.27 356	0.24 370	0.47 373	0.31 375	0.55 384	0.59 370	0.72 388	1.13 407	1.15 399	0.61 389	0.52 382	0.37 370	0.21 371	0.20 370	0.27 373	0.31 383	0.25 376	0.24 375

NVStereoNet_ROB	0.46 382	0.36 381	0.46 361	0.41 382	0.28 379	0.34 354	0.34 378	0.48 374	0.60 373	0.72 388	0.93 396	0.70 389	0.66 392	0.47 377	0.60 395	0.22 374	0.33 387	0.34 383	0.34 386	0.30 382	0.30 385
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	0.41 373	0.29 374	0.33 336	0.28 359	0.24 370	0.54 379	0.36 380	0.49 376	0.59 370	0.72 388	0.74 387	0.65 384	0.54 382	0.54 386	0.40 376	0.22 374	0.20 370	0.27 373	0.26 374	0.26 379	0.25 379
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
IMH-64-1	0.65 390	0.61 392	0.68 387	0.71 395	0.51 391	0.59 382	0.49 392	0.91 399	0.85 392	0.74 392	1.02 400	0.81 391	0.78 397	0.79 396	0.49 387	0.42 390	0.46 391	0.71 397	0.47 391	0.52 391	0.39 391

IMH-64	0.65 390	0.61 392	0.68 387	0.71 395	0.51 391	0.59 382	0.49 392	0.91 399	0.85 392	0.74 392	1.02 400	0.81 391	0.78 397	0.79 396	0.49 387	0.42 390	0.46 391	0.71 397	0.47 391	0.52 391	0.39 391

EDNetEfficient	0.29 353	0.24 360	1.13 403	0.18 182	0.10 216	0.19 253	0.20 277	0.20 123	0.60 373	0.74 392	0.56 372	0.31 308	0.39 363	0.22 287	0.30 351	0.09 235	0.07 246	0.08 162	0.07 161	0.11 288	0.09 250

TorneroNet	0.82 400	0.74 400	0.81 397	0.84 402	0.63 402	0.99 407	0.63 400	0.96 403	1.16 401	0.80 395	1.11 405	1.36 406	0.86 401	0.93 407	0.80 406	0.56 397	0.49 398	0.78 404	0.66 403	0.73 406	0.63 406

IMH	0.71 393	0.64 395	0.68 387	0.76 397	0.54 393	0.69 390	0.54 396	0.98 405	1.10 400	0.82 396	1.09 403	0.89 393	0.88 402	0.87 404	0.52 392	0.44 393	0.50 400	0.75 400	0.51 396	0.56 396	0.41 394

BEATNet-Init1	0.52 384	0.27 368	0.62 377	0.30 368	0.21 365	0.76 398	0.29 361	0.54 383	0.65 379	0.86 397	0.95 398	2.07 415	0.62 391	0.56 388	0.42 380	0.18 362	0.18 364	0.23 368	0.22 367	0.22 367	0.21 370

ACVNet_2	0.66 392	0.66 396	0.68 387	0.63 393	0.41 386	0.71 392	0.49 392	0.96 403	1.39 407	0.89 398	1.09 403	1.04 395	0.73 395	0.54 386	0.47 385	0.43 392	0.40 390	0.53 394	0.44 390	0.47 389	0.35 390

WAO-7	0.79 398	0.78 401	0.54 368	0.85 403	0.67 404	0.74 394	0.68 406	1.05 408	1.32 405	0.90 399	1.20 410	1.04 395	0.92 403	0.69 393	0.66 398	0.60 401	0.62 410	0.67 396	0.68 404	0.64 397	0.58 398

WAO-6	0.81 399	0.80 402	0.62 377	0.86 404	0.63 402	0.76 398	0.58 399	0.98 405	1.54 412	0.90 399	0.96 399	1.07 397	1.03 407	0.70 394	0.66 398	0.72 404	0.49 398	0.90 407	0.71 405	0.68 401	0.58 398

LVE	0.83 401	0.85 405	0.85 398	0.80 400	0.56 396	1.04 411	0.65 403	1.05 408	1.47 410	0.96 401	1.22 411	1.10 398	0.85 400	0.83 399	0.71 403	0.49 395	0.55 406	0.76 402	0.60 401	0.65 398	0.59 403

PWCK	0.71 393	0.94 408	0.95 400	0.76 397	0.31 384	0.74 394	0.36 380	0.90 398	0.90 395	0.96 401	0.75 389	0.95 394	0.61 389	0.87 404	0.66 398	0.72 404	0.46 391	0.75 400	0.49 393	0.69 403	0.44 395

UNDER WATER	0.97 406	0.97 410	1.42 407	0.99 409	0.70 408	1.12 413	0.84 409	0.80 396	1.08 399	1.01 403	0.90 394	1.55 411	1.22 414	1.03 411	1.00 410	0.78 408	0.53 403	1.02 409	0.87 410	0.80 409	0.74 409

UNDER WATER-64	0.95 405	0.94 408	1.43 408	0.87 405	0.56 396	1.18 414	0.87 410	0.77 395	0.94 396	1.04 404	0.85 393	1.58 412	1.21 413	0.94 408	0.96 409	0.87 410	0.57 408	1.03 410	0.88 411	0.78 408	0.73 408

ktn	1.01 408	1.21 413	0.80 396	1.23 414	0.86 411	1.01 409	0.87 410	0.94 402	1.39 407	1.04 404	1.12 406	1.15 399	1.07 408	0.94 408	0.59 394	1.28 416	0.71 413	1.38 416	0.83 409	1.02 413	0.75 410

WAO-8	0.91 403	0.81 403	0.65 379	0.94 407	0.69 405	0.90 402	0.67 404	1.07 410	1.83 415	1.06 406	1.45 413	1.30 402	1.07 408	0.84 400	0.78 404	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 404

Venus	0.91 403	0.81 403	0.65 379	0.94 407	0.69 405	0.90 402	0.67 404	1.07 410	1.83 415	1.06 406	1.45 413	1.30 402	1.07 408	0.84 400	0.78 404	0.74 406	0.53 403	0.86 405	0.75 406	0.69 403	0.62 404

Dean	0.87 402	0.86 406	0.79 395	0.81 401	0.56 396	0.90 402	0.63 400	1.15 413	1.73 413	1.15 408	1.15 408	1.31 404	0.99 406	0.81 398	0.81 407	0.57 398	0.56 407	0.77 403	0.64 402	0.66 399	0.58 398

KSHMR	1.09 409	1.17 412	0.88 399	1.25 415	1.00 414	0.99 407	0.96 412	1.13 412	1.37 406	1.16 409	1.29 412	1.41 408	0.96 405	1.01 410	0.92 408	1.03 413	1.08 415	1.20 413	1.03 414	1.01 412	0.97 414

notaker	0.97 406	1.11 411	0.98 401	1.13 411	0.81 409	0.73 393	0.68 406	0.93 401	1.16 401	1.18 410	1.18 409	1.41 408	1.16 412	1.08 413	0.69 402	0.81 409	0.64 411	1.17 412	0.79 408	0.98 411	0.80 412

tt	4.67 416	0.06 19	3.55 415	2.02 418	1.55 416	10.25 422	16.71 421	8.91 425	5.03 418	1.31 411	0.94 397	4.71 418	4.76 418	3.33 418	5.87 420	6.06 425	10.30 429	1.88 419	2.11 420	2.75 418	1.21 417

DPSimNet_ROB	1.11 410	1.23 414	0.78 393	1.13 411	0.88 412	1.10 412	1.13 414	1.16 414	1.23 403	1.43 412	1.02 400	1.41 408	1.10 411	0.90 406	1.60 413	1.46 417	0.51 402	1.21 414	1.03 414	0.90 410	1.01 416

HanzoNet	1.29 411	1.26 415	1.19 405	1.12 410	0.85 410	1.02 410	0.83 408	1.03 407	1.48 411	1.64 413	1.61 415	2.50 417	1.72 415	1.61 415	1.61 414	1.26 415	0.80 414	1.31 415	1.01 413	1.02 413	0.86 413

JetRed	1.62 412	1.46 416	2.98 412	0.92 406	1.21 415	4.99 417	1.53 417	1.27 415	1.39 407	1.83 414	1.74 416	1.60 413	0.95 404	1.41 414	2.45 417	0.90 412	1.60 417	0.93 408	0.90 412	1.35 415	0.99 415

coex-ft	3.30 414	0.34 379	59.09 438	0.18 182	0.13 300	0.26 323	0.22 302	0.27 233	0.72 385	1.90 415	0.70 383	0.44 360	0.45 376	0.29 334	0.41 379	0.09 235	0.09 291	0.12 309	0.09 250	0.14 331	0.13 317

ASD4	3.54 415	3.38 419	2.05 411	1.72 416	2.51 419	9.03 421	17.71 422	2.25 416	5.51 419	2.46 416	2.81 418	2.03 414	3.36 417	2.73 417	5.06 418	1.22 414	1.34 416	1.13 411	1.33 416	1.68 416	1.49 418

MADNet++	1.95 413	1.75 417	1.59 410	1.82 417	1.69 417	2.33 416	1.40 416	2.35 417	2.09 417	2.57 417	2.36 417	2.24 416	2.17 416	2.28 416	2.34 416	1.87 418	1.66 418	1.54 417	1.34 417	1.92 417	1.77 419

LE_ROB	0.50 383	0.07 69	0.14 154	0.15 38	0.08 47	0.24 305	0.16 170	0.22 156	1.81 414	4.63 418	0.67 379	0.47 369	0.44 375	0.20 260	0.29 347	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

DPSMNet_ROB	8.06 421	4.48 420	8.63 425	5.37 424	10.74 426	8.32 419	22.98 427	5.46 419	13.36 426	5.12 419	9.92 422	5.08 419	10.40 424	5.53 421	12.58 424	3.80 423	8.00 424	3.50 420	7.02 423	3.83 422	7.14 425

DGTPSM_ROB	8.06 421	4.48 420	8.63 425	5.35 422	10.72 425	8.32 419	22.97 426	5.46 419	13.35 425	5.12 419	9.92 422	5.08 419	10.40 424	5.52 420	12.58 424	3.79 422	8.00 424	3.50 420	7.02 423	3.83 422	7.14 425

xxxxx1	7.79 417	5.02 422	7.31 419	3.12 419	3.85 420	16.35 425	22.88 423	5.86 422	8.69 421	7.97 421	8.54 419	9.12 423	8.27 421	10.18 423	10.92 421	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 421

tt_ll	7.79 417	5.02 422	7.31 419	3.12 419	3.85 420	16.35 425	22.88 423	5.86 422	8.69 421	7.97 421	8.54 419	9.12 423	8.27 421	10.18 423	10.92 421	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 421

ff	7.79 417	5.02 422	7.31 419	3.12 419	3.85 420	16.35 425	22.88 423	5.86 422	8.69 421	7.97 421	8.54 419	9.12 423	8.27 421	10.18 423	10.92 421	2.42 419	2.45 420	3.56 422	12.37 426	3.77 419	3.06 421

Anonymous_1	10.96 426	7.92 425	7.46 422	10.33 425	10.06 424	18.65 429	26.34 429	11.06 426	13.44 427	9.40 424	10.05 424	9.67 426	11.23 426	10.73 426	12.72 426	6.42 426	8.38 426	5.77 425	10.61 425	12.12 427	6.77 424

DPSM_ROB	11.15 427	8.58 426	8.00 423	10.88 426	11.58 427	19.10 430	26.71 430	12.05 427	14.07 428	10.36 425	10.84 425	10.33 427	11.86 427	11.70 427	13.54 427	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 427

DPSM	11.15 427	8.58 426	8.00 423	10.88 426	11.58 427	19.10 430	26.71 430	12.05 427	14.07 428	10.36 425	10.84 425	10.33 427	11.86 427	11.70 427	13.54 427	6.99 427	8.79 427	5.89 426	6.95 421	7.29 424	7.42 427

LRCNet_RVC	10.62 425	13.42 429	7.30 418	18.92 429	2.07 418	0.33 351	0.30 369	5.59 421	0.48 345	13.03 427	17.94 428	8.87 422	5.65 419	4.79 419	1.89 415	23.51 436	2.73 423	27.55 437	25.71 437	16.07 434	16.33 435

HaxPig	15.71 430	18.52 436	19.18 433	16.89 428	15.89 430	7.73 418	7.60 418	13.31 429	10.82 424	15.42 428	14.91 427	15.98 429	14.92 429	15.58 429	15.98 430	18.95 435	16.73 430	19.46 435	18.08 435	19.26 435	19.05 436

PML	8.91 423	9.34 428	6.13 417	5.35 422	6.41 423	14.99 424	23.38 428	5.27 418	6.83 420	18.04 429	28.19 438	7.67 421	6.83 420	7.85 422	5.75 419	5.35 424	1.83 419	5.95 428	1.93 419	8.64 426	2.52 420

MEDIAN_ROB	20.38 431	24.04 437	23.31 435	21.23 430	21.71 431	10.40 423	7.92 419	17.64 430	15.50 430	20.12 430	19.70 429	20.34 430	20.32 430	21.19 430	21.13 431	23.81 437	21.81 437	24.98 436	23.76 436	24.71 436	23.93 437

CasAABBNet	22.42 432	17.33 431	16.01 427	22.01 434	23.28 435	38.32 433	53.80 437	24.14 432	28.41 433	20.60 431	21.77 431	20.89 435	23.91 435	23.43 431	27.36 433	14.07 429	17.69 432	11.83 433	14.01 430	14.67 431	14.95 433

Selective-RAFT-Error	22.47 436	17.37 435	16.09 428	22.06 435	23.34 436	38.39 437	53.83 438	24.29 437	28.47 437	20.74 432	21.83 432	20.81 434	23.90 434	23.54 436	27.53 438	14.08 430	17.69 432	11.82 429	14.00 429	14.69 432	15.00 434

LSM0	22.87 437	17.28 430	18.96 432	22.19 436	29.04 438	38.42 438	53.71 433	24.28 436	28.31 432	20.78 433	21.00 430	21.43 436	24.16 436	23.50 435	27.39 434	14.09 434	17.38 431	11.84 434	14.04 434	14.73 433	14.89 429

MyStereo03	22.45 433	17.33 431	16.21 429	21.95 431	23.27 432	38.32 433	53.79 434	24.21 433	28.46 434	20.87 434	21.85 433	20.80 431	23.87 431	23.46 432	27.40 435	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 429

MyStereo02	22.45 433	17.33 431	16.21 429	21.95 431	23.27 432	38.32 433	53.79 434	24.21 433	28.46 434	20.87 434	21.85 433	20.80 431	23.87 431	23.46 432	27.40 435	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 429

MyStereo	22.45 433	17.33 431	16.21 429	21.95 431	23.27 432	38.32 433	53.79 434	24.21 433	28.46 434	20.87 434	21.85 433	20.80 431	23.87 431	23.46 432	27.40 435	14.08 430	17.71 434	11.82 429	14.03 431	14.65 428	14.89 429

SPstereo	13.84 429	0.93 407	1.50 409	1.22 413	0.88 412	28.82 432	48.26 432	26.77 439	29.54 438	22.37 437	22.60 436	23.23 437	24.68 437	24.53 437	15.06 429	0.88 411	0.69 412	1.83 418	1.60 418	0.74 407	0.77 411

AVERAGE_ROB	24.90 438	29.20 438	28.14 436	24.89 437	24.64 437	17.75 428	11.12 420	21.45 431	19.93 431	25.12 438	24.46 437	25.12 438	25.46 438	24.69 438	22.83 432	29.76 438	27.13 438	28.97 438	27.95 438	29.91 437	29.47 438

test_example2	98.32 439	94.13 439	45.89 437	96.35 438	109.85 439	88.61 439	95.45 439	25.75 438	94.37 439	130.00 439	126.06 439	58.17 439	74.63 439	88.51 439	79.96 439	150.23 439	221.02 439	77.62 439	99.10 439	113.75 439	96.94 439

Low-res two-view benchmark