Low-res two-view results

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

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

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

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

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

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

Selective-IGEV	0.07 1	0.06 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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
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-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

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

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

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

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)
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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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+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-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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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-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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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.
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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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
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

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

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

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

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

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	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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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
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.
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

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

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

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

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

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

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

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

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

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_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
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
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

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
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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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