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

2w_stereo	0.08 56	0.08 272	0.09 91	0.16 165	0.06 16	0.08 59	0.10 31	0.20 265	0.15 184	0.08 85	0.07 47	0.06 23	0.06 46	0.06 1	0.09 62	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

FoundationStereo	0.06 1	0.04 1	0.08 40	0.12 5	0.05 1	0.09 96	0.13 125	0.06 1	0.09 30	0.05 2	0.05 7	0.06 23	0.04 1	0.06 1	0.07 1	0.06 126	0.04 24	0.05 34	0.03 1	0.05 118	0.04 49

IGEV-Stereo+	0.07 4	0.04 1	0.08 40	0.15 85	0.06 16	0.04 1	0.09 18	0.10 21	0.09 30	0.06 13	0.06 14	0.06 23	0.06 46	0.06 1	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.06 222	0.06 236

BridgeDepth_RVC	0.07 4	0.04 1	0.09 91	0.11 1	0.05 1	0.10 148	0.10 31	0.14 96	0.09 30	0.06 13	0.07 47	0.06 23	0.07 127	0.07 4	0.10 142	0.06 126	0.04 24	0.04 1	0.04 46	0.04 21	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
MonStereo	0.07 4	0.06 75	0.05 1	0.15 85	0.05 1	0.08 59	0.10 31	0.15 128	0.15 184	0.05 2	0.06 14	0.05 2	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 4	0.06 75	0.05 1	0.15 85	0.05 1	0.08 59	0.10 31	0.15 128	0.15 184	0.05 2	0.06 14	0.05 2	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

water-stereo	0.09 106	0.06 75	0.08 40	0.16 165	0.07 84	0.09 96	0.13 125	0.15 128	0.13 140	0.11 189	0.12 199	0.08 129	0.09 198	0.07 4	0.08 17	0.06 126	0.05 207	0.05 34	0.05 132	0.04 21	0.04 49

MLG-Stereo_test3	0.07 4	0.05 26	0.10 136	0.14 41	0.06 16	0.07 33	0.11 54	0.08 5	0.06 4	0.06 13	0.04 1	0.06 23	0.06 46	0.07 4	0.10 142	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.06 236

LG-Stereo_Zeroshot	0.07 4	0.06 75	0.10 136	0.16 165	0.07 84	0.04 1	0.13 125	0.10 21	0.10 47	0.05 2	0.11 183	0.07 80	0.05 12	0.07 4	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

MonSter	0.07 4	0.06 75	0.05 1	0.15 85	0.05 1	0.07 33	0.10 31	0.15 128	0.15 184	0.05 2	0.06 14	0.05 2	0.06 46	0.07 4	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

dual_stereo	0.07 4	0.04 1	0.08 40	0.15 85	0.05 1	0.05 4	0.13 125	0.12 57	0.08 17	0.07 47	0.06 14	0.05 2	0.05 12	0.07 4	0.09 62	0.06 126	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

U	0.08 56	0.07 166	0.09 91	0.19 381	0.10 373	0.10 148	0.13 125	0.12 57	0.17 237	0.07 47	0.07 47	0.06 23	0.05 12	0.07 4	0.08 17	0.06 126	0.04 24	0.06 124	0.04 46	0.06 222	0.05 144

GMOStereo	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 553	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

error version	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 553	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

test-v	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 553	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

test-2	0.11 219	0.09 347	0.07 8	0.19 381	0.08 144	0.12 234	0.28 553	0.13 75	0.17 237	0.11 189	0.17 277	0.14 277	0.12 295	0.07 4	0.07 1	0.05 34	0.05 207	0.09 398	0.07 305	0.04 21	0.04 49

test-1	0.10 171	0.07 166	0.16 383	0.19 381	0.08 144	0.11 195	0.24 516	0.14 96	0.18 267	0.09 121	0.07 47	0.09 156	0.08 167	0.07 4	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

MatchStereo	0.07 4	0.04 1	0.08 40	0.14 41	0.06 16	0.05 4	0.12 75	0.12 57	0.09 30	0.07 47	0.06 14	0.04 1	0.04 1	0.08 18	0.09 62	0.06 126	0.05 207	0.05 34	0.03 1	0.04 21	0.04 49

BridgeDepth	0.07 4	0.07 166	0.08 40	0.18 323	0.06 16	0.07 33	0.11 54	0.09 12	0.06 4	0.04 1	0.07 47	0.10 189	0.09 198	0.08 18	0.08 17	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
Replicate-Monster	0.07 4	0.05 26	0.09 91	0.14 41	0.06 16	0.08 59	0.09 18	0.13 75	0.13 140	0.05 2	0.07 47	0.06 23	0.06 46	0.08 18	0.10 142	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

depthmonostereo	0.09 106	0.06 75	0.09 91	0.15 85	0.06 16	0.10 148	0.13 125	0.14 96	0.14 165	0.10 157	0.10 142	0.09 156	0.11 264	0.08 18	0.09 62	0.06 126	0.05 207	0.06 124	0.04 46	0.04 21	0.03 2

2.25w	0.07 4	0.06 75	0.07 8	0.14 41	0.06 16	0.08 59	0.08 7	0.10 21	0.15 184	0.08 85	0.10 142	0.07 80	0.06 46	0.08 18	0.10 142	0.05 34	0.03 1	0.04 1	0.04 46	0.03 1	0.04 49

4.5_new	0.07 4	0.09 347	0.08 40	0.15 85	0.07 84	0.06 11	0.10 31	0.14 96	0.11 75	0.06 13	0.08 89	0.06 23	0.06 46	0.08 18	0.10 142	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

4.5w-stereo	0.07 4	0.09 347	0.08 40	0.15 85	0.07 84	0.06 11	0.10 31	0.14 96	0.11 75	0.06 13	0.08 89	0.06 23	0.06 46	0.08 18	0.10 142	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.5w	0.07 4	0.07 166	0.07 8	0.16 165	0.06 16	0.08 59	0.12 75	0.10 21	0.10 47	0.07 47	0.06 14	0.09 156	0.06 46	0.08 18	0.09 62	0.04 11	0.03 1	0.04 1	0.04 46	0.03 1	0.03 2

3w_stereo	0.08 56	0.09 347	0.10 136	0.17 241	0.07 84	0.08 59	0.10 31	0.20 265	0.13 140	0.06 13	0.07 47	0.05 2	0.06 46	0.08 18	0.09 62	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

monsterstereo	0.07 4	0.06 75	0.06 4	0.16 165	0.06 16	0.08 59	0.10 31	0.16 158	0.11 75	0.07 47	0.08 89	0.06 23	0.07 127	0.08 18	0.09 62	0.04 11	0.04 24	0.05 34	0.04 46	0.03 1	0.03 2

monsters	0.07 4	0.06 75	0.06 4	0.15 85	0.06 16	0.08 59	0.09 18	0.12 57	0.08 17	0.09 121	0.07 47	0.06 23	0.06 46	0.08 18	0.08 17	0.05 34	0.04 24	0.04 1	0.04 46	0.03 1	0.03 2

LG-Stereo_L2	0.07 4	0.05 26	0.10 136	0.14 41	0.06 16	0.07 33	0.12 75	0.09 12	0.09 30	0.06 13	0.04 1	0.05 2	0.05 12	0.08 18	0.08 17	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

LG-Stereo_L1	0.07 4	0.05 26	0.11 180	0.14 41	0.06 16	0.07 33	0.13 125	0.09 12	0.07 10	0.05 2	0.04 1	0.05 2	0.04 1	0.08 18	0.07 1	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

MLG-Stereo_test2	0.06 1	0.04 1	0.10 136	0.15 85	0.05 1	0.07 33	0.11 54	0.09 12	0.04 2	0.06 13	0.05 7	0.06 23	0.04 1	0.08 18	0.09 62	0.06 126	0.04 24	0.05 34	0.03 1	0.05 118	0.05 144

SGD-Stereo	0.08 56	0.05 26	0.10 136	0.14 41	0.05 1	0.12 234	0.12 75	0.11 36	0.12 105	0.07 47	0.09 111	0.09 156	0.09 198	0.08 18	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.03 2

AIO_test	0.07 4	0.05 26	0.07 8	0.15 85	0.07 84	0.06 11	0.14 178	0.10 21	0.10 47	0.07 47	0.07 47	0.06 23	0.05 12	0.08 18	0.10 142	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

castereo++	0.08 56	0.05 26	0.08 40	0.15 85	0.05 1	0.14 317	0.12 75	0.11 36	0.15 184	0.07 47	0.07 47	0.07 80	0.06 46	0.08 18	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

CroCo-Stereo Lap2	0.09 106	0.09 347	0.08 40	0.22 489	0.09 265	0.09 96	0.19 440	0.16 158	0.12 105	0.09 121	0.10 142	0.05 2	0.05 12	0.08 18	0.08 17	0.06 126	0.06 340	0.07 226	0.05 132	0.05 118	0.05 144

test_4	0.10 171	0.10 407	0.08 40	0.19 381	0.09 265	0.08 59	0.22 493	0.15 128	0.17 237	0.12 228	0.18 302	0.12 232	0.09 198	0.08 18	0.11 217	0.04 11	0.04 24	0.08 316	0.08 375	0.04 21	0.03 2

test_3	0.10 171	0.09 347	0.10 136	0.20 441	0.08 144	0.13 284	0.26 540	0.14 96	0.21 323	0.10 157	0.10 142	0.09 156	0.09 198	0.08 18	0.11 217	0.05 34	0.04 24	0.08 316	0.07 305	0.04 21	0.04 49

CroCo-Stereo	0.09 106	0.08 272	0.08 40	0.22 489	0.09 265	0.09 96	0.19 440	0.15 128	0.12 105	0.07 47	0.07 47	0.08 129	0.06 46	0.08 18	0.07 1	0.07 273	0.05 207	0.06 124	0.04 46	0.05 118	0.04 49
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
Pro-Stereo	0.07 4	0.05 26	0.08 40	0.15 85	0.07 84	0.08 59	0.12 75	0.07 2	0.07 10	0.06 13	0.06 14	0.05 2	0.05 12	0.09 39	0.08 17	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

BStereo	0.08 56	0.06 75	0.16 383	0.15 85	0.08 144	0.07 33	0.09 18	0.15 128	0.16 214	0.06 13	0.07 47	0.07 80	0.05 12	0.09 39	0.11 217	0.04 11	0.05 207	0.05 34	0.07 305	0.04 21	0.04 49

Wave_Phase_stereo	0.09 106	0.06 75	0.16 383	0.15 85	0.08 144	0.11 195	0.09 18	0.18 226	0.16 214	0.06 13	0.07 47	0.07 80	0.05 12	0.09 39	0.11 217	0.04 11	0.05 207	0.05 34	0.07 305	0.04 21	0.04 49

NLSM3	0.09 106	0.06 75	0.08 40	0.19 381	0.08 144	0.11 195	0.16 316	0.18 226	0.16 214	0.06 13	0.08 89	0.07 80	0.08 167	0.09 39	0.11 217	0.04 11	0.04 24	0.06 124	0.07 305	0.03 1	0.03 2

CSFM-Stereo	0.07 4	0.05 26	0.07 8	0.14 41	0.06 16	0.09 96	0.13 125	0.15 128	0.06 4	0.07 47	0.08 89	0.06 23	0.08 167	0.09 39	0.09 62	0.06 126	0.05 207	0.04 1	0.03 1	0.04 21	0.04 49

FE-Mocha	0.09 106	0.06 75	0.14 298	0.16 165	0.09 265	0.10 148	0.15 250	0.18 226	0.16 214	0.10 157	0.09 111	0.07 80	0.07 127	0.09 39	0.09 62	0.06 126	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

DDF-Stereo	0.08 56	0.04 1	0.09 91	0.15 85	0.10 373	0.06 11	0.13 125	0.09 12	0.14 165	0.06 13	0.06 14	0.07 80	0.06 46	0.09 39	0.10 142	0.06 126	0.04 24	0.06 124	0.04 46	0.08 358	0.05 144

252Zero-FE	0.08 56	0.04 1	0.09 91	0.13 14	0.07 84	0.12 234	0.11 54	0.13 75	0.14 165	0.06 13	0.05 7	0.06 23	0.05 12	0.09 39	0.10 142	0.06 126	0.04 24	0.04 1	0.03 1	0.05 118	0.06 236

Zero-FE251	0.07 4	0.05 26	0.09 91	0.13 14	0.06 16	0.12 234	0.12 75	0.11 36	0.10 47	0.07 47	0.08 89	0.06 23	0.06 46	0.09 39	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

Wavelet-MonSter	0.07 4	0.05 26	0.07 8	0.16 165	0.06 16	0.07 33	0.11 54	0.10 21	0.08 17	0.06 13	0.06 14	0.07 80	0.07 127	0.09 39	0.09 62	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.03 2

DA	0.08 56	0.07 166	0.07 8	0.19 381	0.08 144	0.09 96	0.12 75	0.13 75	0.12 105	0.08 85	0.10 142	0.10 189	0.08 167	0.09 39	0.10 142	0.05 34	0.04 24	0.06 124	0.04 46	0.05 118	0.03 2

Monster-pub-mixall	0.07 4	0.04 1	0.09 91	0.13 14	0.06 16	0.05 4	0.09 18	0.11 36	0.07 10	0.06 13	0.06 14	0.05 2	0.06 46	0.09 39	0.09 62	0.06 126	0.04 24	0.04 1	0.03 1	0.05 118	0.05 144

zero-FE	0.08 56	0.04 1	0.09 91	0.15 85	0.10 373	0.05 4	0.14 178	0.09 12	0.14 165	0.07 47	0.06 14	0.07 80	0.06 46	0.09 39	0.10 142	0.06 126	0.04 24	0.06 124	0.04 46	0.08 358	0.05 144

GGEV	0.08 56	0.07 166	0.07 8	0.19 381	0.08 144	0.09 96	0.12 75	0.13 75	0.12 105	0.08 85	0.10 142	0.10 189	0.08 167	0.09 39	0.10 142	0.05 34	0.04 24	0.06 124	0.04 46	0.05 118	0.03 2

AdaDepth	0.07 4	0.06 75	0.07 8	0.18 323	0.06 16	0.11 195	0.12 75	0.09 12	0.07 10	0.06 13	0.05 7	0.07 80	0.06 46	0.09 39	0.10 142	0.04 11	0.05 207	0.05 34	0.04 46	0.04 21	0.04 49

S2M2_XL	0.08 56	0.06 75	0.12 217	0.12 5	0.08 144	0.09 96	0.09 18	0.07 2	0.07 10	0.08 85	0.07 47	0.07 80	0.06 46	0.09 39	0.09 62	0.08 338	0.06 340	0.07 226	0.05 132	0.08 358	0.06 236
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
4w-stereo	0.07 4	0.08 272	0.08 40	0.16 165	0.06 16	0.07 33	0.08 7	0.12 57	0.08 17	0.07 47	0.07 47	0.05 2	0.06 46	0.09 39	0.10 142	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

2.75w_new	0.07 4	0.07 166	0.07 8	0.13 14	0.06 16	0.08 59	0.08 7	0.18 226	0.12 105	0.07 47	0.08 89	0.06 23	0.06 46	0.09 39	0.11 217	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 49

3.75w	0.07 4	0.07 166	0.08 40	0.16 165	0.07 84	0.07 33	0.09 18	0.16 158	0.09 30	0.07 47	0.06 14	0.05 2	0.06 46	0.09 39	0.10 142	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

1w_stereo	0.07 4	0.06 75	0.07 8	0.16 165	0.06 16	0.07 33	0.10 31	0.14 96	0.14 165	0.07 47	0.08 89	0.05 2	0.06 46	0.09 39	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 49

IGEV	0.07 4	0.04 1	0.08 40	0.13 14	0.06 16	0.09 96	0.12 75	0.14 96	0.10 47	0.06 13	0.09 111	0.07 80	0.05 12	0.09 39	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

111111	0.07 4	0.04 1	0.09 91	0.17 241	0.06 16	0.05 4	0.10 31	0.11 36	0.09 30	0.06 13	0.06 14	0.07 80	0.05 12	0.09 39	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.07 295	0.06 236

MLG-Stereo_test1	0.06 1	0.05 26	0.08 40	0.17 241	0.05 1	0.06 11	0.11 54	0.08 5	0.03 1	0.05 2	0.04 1	0.06 23	0.05 12	0.09 39	0.09 62	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

LG-Stereo	0.08 56	0.07 166	0.10 136	0.18 323	0.07 84	0.10 148	0.17 353	0.11 36	0.08 17	0.05 2	0.07 47	0.05 2	0.07 127	0.09 39	0.09 62	0.04 11	0.05 207	0.07 226	0.07 305	0.04 21	0.04 49

SCV	0.08 56	0.09 347	0.08 40	0.15 85	0.08 144	0.10 148	0.13 125	0.10 21	0.12 105	0.07 47	0.07 47	0.06 23	0.04 1	0.09 39	0.08 17	0.05 34	0.04 24	0.06 124	0.04 46	0.06 222	0.04 49

StereoAnything_RVC	0.07 4	0.15 502	0.17 413	0.11 1	0.05 1	0.05 4	0.11 54	0.08 5	0.08 17	0.06 13	0.06 14	0.05 2	0.05 12	0.09 39	0.08 17	0.08 338	0.04 24	0.05 34	0.03 1	0.05 118	0.04 49

IGEV-RUCA	0.08 56	0.06 75	0.11 180	0.14 41	0.09 265	0.10 148	0.12 75	0.10 21	0.12 105	0.06 13	0.07 47	0.07 80	0.06 46	0.09 39	0.08 17	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.06 236

castereo	0.09 106	0.06 75	0.11 180	0.15 85	0.06 16	0.11 195	0.15 250	0.14 96	0.18 267	0.08 85	0.10 142	0.11 214	0.08 167	0.09 39	0.10 142	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

UGAM-zero	0.09 106	0.05 26	0.15 349	0.15 85	0.08 144	0.09 96	0.13 125	0.19 254	0.15 184	0.11 189	0.15 244	0.07 80	0.07 127	0.09 39	0.09 62	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

IGEV-Stereo++	0.07 4	0.06 75	0.08 40	0.18 323	0.06 16	0.04 1	0.10 31	0.11 36	0.11 75	0.06 13	0.07 47	0.07 80	0.06 46	0.09 39	0.09 62	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

RAStereo	0.10 171	0.09 347	0.08 40	0.20 441	0.08 144	0.13 284	0.18 401	0.15 128	0.17 237	0.10 157	0.12 199	0.05 2	0.06 46	0.09 39	0.08 17	0.07 273	0.05 207	0.07 226	0.05 132	0.05 118	0.04 49

Occ-G	0.08 56	0.05 26	0.06 4	0.14 41	0.07 84	0.08 59	0.14 178	0.13 75	0.15 184	0.07 47	0.11 183	0.07 80	0.05 12	0.09 39	0.10 142	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.05 144

gcap-zeroshot	0.09 106	0.05 26	0.10 136	0.16 165	0.07 84	0.13 284	0.13 125	0.11 36	0.12 105	0.13 259	0.12 199	0.09 156	0.08 167	0.09 39	0.09 62	0.06 126	0.05 207	0.06 124	0.05 132	0.04 21	0.04 49

MoCha-V2	0.08 56	0.05 26	0.10 136	0.20 441	0.07 84	0.09 96	0.14 178	0.11 36	0.08 17	0.07 47	0.08 89	0.07 80	0.06 46	0.09 39	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

MaDis-Stereo	0.09 106	0.09 347	0.08 40	0.17 241	0.09 265	0.13 284	0.10 31	0.16 158	0.16 214	0.09 121	0.11 183	0.06 23	0.06 46	0.09 39	0.13 316	0.07 273	0.06 340	0.07 226	0.05 132	0.05 118	0.04 49

UniTT-Stereo	0.09 106	0.07 166	0.08 40	0.18 323	0.08 144	0.13 284	0.11 54	0.12 57	0.11 75	0.10 157	0.12 199	0.05 2	0.07 127	0.09 39	0.09 62	0.07 273	0.05 207	0.05 34	0.05 132	0.05 118	0.05 144

CAS	0.08 56	0.04 1	0.07 8	0.17 241	0.08 144	0.10 148	0.13 125	0.12 57	0.09 30	0.09 121	0.10 142	0.08 129	0.06 46	0.09 39	0.08 17	0.08 338	0.04 24	0.05 34	0.03 1	0.05 118	0.04 49

cross-raft	0.10 171	0.09 347	0.09 91	0.19 381	0.07 84	0.11 195	0.25 531	0.13 75	0.15 184	0.08 85	0.11 183	0.12 232	0.10 234	0.09 39	0.11 217	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

CREStereo++_RVC	0.08 56	0.04 1	0.06 4	0.13 14	0.07 84	0.09 96	0.12 75	0.14 96	0.14 165	0.10 157	0.14 227	0.08 129	0.07 127	0.09 39	0.11 217	0.06 126	0.04 24	0.05 34	0.05 132	0.04 21	0.04 49
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
EAI-Stereo	0.09 106	0.07 166	0.11 180	0.15 85	0.06 16	0.10 148	0.15 250	0.16 158	0.09 30	0.08 85	0.09 111	0.08 129	0.07 127	0.09 39	0.11 217	0.05 34	0.04 24	0.05 34	0.05 132	0.05 118	0.04 49

R-Stereo Train	0.10 171	0.06 75	0.10 136	0.17 241	0.08 144	0.11 195	0.14 178	0.23 332	0.11 75	0.12 228	0.19 311	0.11 214	0.08 167	0.09 39	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.05 144

RAFT-Stereo	0.10 171	0.06 75	0.10 136	0.17 241	0.08 144	0.11 195	0.14 178	0.23 332	0.11 75	0.12 228	0.19 311	0.11 214	0.08 167	0.09 39	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.05 144
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
WQFJA1++	0.08 56	0.04 1	0.11 180	0.14 41	0.07 84	0.11 195	0.11 54	0.11 36	0.07 10	0.07 47	0.07 47	0.07 80	0.06 46	0.10 81	0.10 142	0.06 126	0.04 24	0.05 34	0.04 46	0.06 222	0.06 236

NLSM1	0.10 171	0.07 166	0.07 8	0.19 381	0.08 144	0.13 284	0.16 316	0.21 288	0.15 184	0.11 189	0.10 142	0.06 23	0.10 234	0.10 81	0.11 217	0.07 273	0.08 441	0.08 316	0.07 305	0.05 118	0.05 144

MonSter++	0.08 56	0.04 1	0.10 136	0.13 14	0.06 16	0.09 96	0.12 75	0.13 75	0.08 17	0.06 13	0.07 47	0.06 23	0.08 167	0.10 81	0.11 217	0.06 126	0.05 207	0.04 1	0.03 1	0.04 21	0.04 49

VIP-Stereo	0.07 4	0.07 166	0.07 8	0.15 85	0.06 16	0.12 234	0.10 31	0.11 36	0.11 75	0.06 13	0.07 47	0.06 23	0.05 12	0.10 81	0.08 17	0.05 34	0.04 24	0.05 34	0.03 1	0.03 1	0.02 1

gasm-f	0.08 56	0.05 26	0.07 8	0.13 14	0.08 144	0.08 59	0.14 178	0.10 21	0.09 30	0.08 85	0.10 142	0.06 23	0.05 12	0.10 81	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

DLNR-FE	10.43 624	1.83 616	19.53 635	120.75 639	13.06 628	0.06 11	0.13 125	0.23 332	0.10 47	0.07 47	0.10 142	0.09 156	0.06 46	0.10 81	0.09 62	0.13 517	0.04 24	0.06 124	0.04 46	52.01 641	0.04 49

asda	0.07 4	0.08 272	0.08 40	0.16 165	0.06 16	0.06 11	0.10 31	0.16 158	0.10 47	0.06 13	0.06 14	0.05 2	0.05 12	0.10 81	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

asd	0.07 4	0.08 272	0.07 8	0.16 165	0.07 84	0.08 59	0.08 7	0.11 36	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.10 81	0.09 62	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

qwe	0.07 4	0.08 272	0.07 8	0.15 85	0.06 16	0.07 33	0.10 31	0.18 226	0.11 75	0.07 47	0.07 47	0.06 23	0.06 46	0.10 81	0.09 62	0.03 1	0.03 1	0.04 1	0.04 46	0.04 21	0.03 2

3.5w_stereo	0.07 4	0.07 166	0.07 8	0.15 85	0.07 84	0.09 96	0.06 1	0.13 75	0.11 75	0.07 47	0.07 47	0.06 23	0.07 127	0.10 81	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

MLG-Stereo	0.07 4	0.05 26	0.08 40	0.17 241	0.05 1	0.07 33	0.11 54	0.08 5	0.04 2	0.05 2	0.04 1	0.06 23	0.05 12	0.10 81	0.09 62	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

LGtest1	0.07 4	0.04 1	0.10 136	0.15 85	0.06 16	0.07 33	0.09 18	0.08 5	0.06 4	0.05 2	0.04 1	0.06 23	0.06 46	0.10 81	0.09 62	0.07 273	0.04 24	0.05 34	0.04 46	0.06 222	0.06 236

MM-Stereo_test1	0.10 171	0.07 166	0.08 40	0.18 323	0.07 84	0.12 234	0.18 401	0.21 288	0.20 307	0.09 121	0.11 183	0.08 129	0.06 46	0.10 81	0.10 142	0.06 126	0.05 207	0.07 226	0.06 212	0.05 118	0.04 49

HART	0.08 56	0.07 166	0.09 91	0.17 241	0.07 84	0.10 148	0.16 316	0.13 75	0.11 75	0.08 85	0.10 142	0.07 80	0.05 12	0.10 81	0.08 17	0.05 34	0.04 24	0.06 124	0.04 46	0.05 118	0.04 49

GREAT-IGEV	0.07 4	0.06 75	0.08 40	0.13 14	0.07 84	0.07 33	0.14 178	0.09 12	0.09 30	0.06 13	0.07 47	0.06 23	0.05 12	0.10 81	0.07 1	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

AIO_rvc	0.07 4	0.06 75	0.08 40	0.15 85	0.06 16	0.08 59	0.14 178	0.09 12	0.08 17	0.07 47	0.08 89	0.07 80	0.04 1	0.10 81	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

HUF	0.08 56	0.05 26	0.08 40	0.14 41	0.06 16	0.09 96	0.13 125	0.13 75	0.13 140	0.07 47	0.07 47	0.08 129	0.06 46	0.10 81	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

AIO-test2	0.10 171	0.08 272	0.10 136	0.23 513	0.08 144	0.11 195	0.10 31	0.23 332	0.23 348	0.08 85	0.09 111	0.08 129	0.05 12	0.10 81	0.08 17	0.06 126	0.05 207	0.08 316	0.09 421	0.05 118	0.05 144

GIP-stereo	0.08 56	0.06 75	0.11 180	0.14 41	0.06 16	0.09 96	0.13 125	0.14 96	0.11 75	0.07 47	0.08 89	0.05 2	0.04 1	0.10 81	0.07 1	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

DEFOM-Stereo	0.07 4	0.05 26	0.07 8	0.14 41	0.06 16	0.10 148	0.13 125	0.07 2	0.13 140	0.06 13	0.07 47	0.06 23	0.05 12	0.10 81	0.09 62	0.04 11	0.04 24	0.05 34	0.03 1	0.04 21	0.04 49

AIO-Stereo-zeroshot1	0.11 219	0.05 26	0.14 298	0.15 85	0.20 558	0.09 96	0.17 353	0.21 288	0.15 184	0.11 189	0.14 227	0.10 189	0.07 127	0.10 81	0.08 17	0.06 126	0.05 207	0.07 226	0.07 305	0.07 295	0.09 426

RSM++	0.08 56	0.06 75	0.09 91	0.17 241	0.07 84	0.09 96	0.12 75	0.11 36	0.11 75	0.08 85	0.06 14	0.07 80	0.05 12	0.10 81	0.09 62	0.04 11	0.04 24	0.06 124	0.05 132	0.05 118	0.03 2

RAFT-Stereo-weight	0.09 106	0.06 75	0.10 136	0.16 165	0.07 84	0.09 96	0.14 178	0.19 254	0.16 214	0.11 189	0.10 142	0.08 129	0.06 46	0.10 81	0.11 217	0.06 126	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

H2IRNET	0.10 171	0.09 347	0.09 91	0.18 323	0.09 265	0.12 234	0.15 250	0.14 96	0.21 323	0.10 157	0.10 142	0.10 189	0.10 234	0.10 81	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.06 222	0.05 144

MGS-Stereo	0.09 106	0.07 166	0.12 217	0.15 85	0.08 144	0.09 96	0.15 250	0.12 57	0.12 105	0.07 47	0.10 142	0.08 129	0.06 46	0.10 81	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.06 222	0.05 144

ACVNet-DCA	0.10 171	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.23 332	0.16 214	0.09 121	0.09 111	0.06 23	0.06 46	0.10 81	0.07 1	0.06 126	0.04 24	0.06 124	0.05 132	0.07 295	0.07 318

xx1	0.11 219	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.16 158	0.18 267	0.09 121	0.09 111	0.16 320	0.16 401	0.10 81	0.07 1	0.06 126	0.04 24	0.08 316	0.08 375	0.07 295	0.07 318

cc1	0.10 171	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.16 158	0.18 267	0.09 121	0.09 111	0.06 23	0.06 46	0.10 81	0.07 1	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.06 236

IGEVStereo-DCA	0.09 106	0.06 75	0.11 180	0.15 85	0.10 373	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.08 129	0.06 46	0.10 81	0.08 17	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

rrr	0.09 106	0.06 75	0.12 217	0.15 85	0.10 373	0.11 195	0.16 316	0.16 158	0.15 184	0.10 157	0.06 14	0.08 129	0.06 46	0.10 81	0.08 17	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

ffm	0.12 288	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.15 128	0.19 284	0.15 307	0.25 405	0.19 367	0.13 333	0.10 81	0.07 1	0.06 126	0.04 24	0.09 398	0.08 375	0.06 222	0.06 236

tt1	0.10 171	0.08 272	0.12 217	0.17 241	0.09 265	0.12 234	0.16 316	0.15 128	0.19 284	0.09 121	0.08 89	0.06 23	0.06 46	0.10 81	0.07 1	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.06 236

DLNR_Zeroshot_test	10.40 623	1.82 615	19.49 634	120.77 640	13.11 629	0.06 11	0.13 125	0.23 332	0.10 47	0.07 47	0.10 142	0.09 156	0.06 46	0.10 81	0.09 62	0.13 517	0.04 24	0.06 124	0.04 46	51.54 640	0.04 49

CASnet	0.09 106	0.09 347	0.09 91	0.19 381	0.06 16	0.07 33	0.11 54	0.18 226	0.14 165	0.11 189	0.10 142	0.09 156	0.07 127	0.10 81	0.10 142	0.06 126	0.04 24	0.10 445	0.08 375	0.05 118	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
testlalala_base	0.10 171	0.09 347	0.14 298	0.21 473	0.08 144	0.10 148	0.14 178	0.13 75	0.10 47	0.07 47	0.15 244	0.07 80	0.08 167	0.10 81	0.12 275	0.08 338	0.05 207	0.05 34	0.03 1	0.06 222	0.05 144

AEACV	0.08 56	0.05 26	0.08 40	0.14 41	0.13 480	0.14 317	0.13 125	0.14 96	0.09 30	0.07 47	0.09 111	0.07 80	0.08 167	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

HH	0.09 106	0.06 75	0.13 263	0.17 241	0.08 144	0.10 148	0.16 316	0.14 96	0.10 47	0.08 85	0.09 111	0.08 129	0.07 127	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

HanStereo	0.09 106	0.06 75	0.13 263	0.17 241	0.08 144	0.10 148	0.16 316	0.14 96	0.10 47	0.08 85	0.09 111	0.08 129	0.07 127	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

LoS_RVC	0.08 56	0.05 26	0.07 8	0.15 85	0.07 84	0.08 59	0.15 250	0.11 36	0.10 47	0.08 85	0.09 111	0.06 23	0.09 198	0.10 81	0.09 62	0.05 34	0.04 24	0.05 34	0.03 1	0.04 21	0.03 2

Selective-IGEV	0.07 4	0.06 75	0.08 40	0.17 241	0.06 16	0.08 59	0.12 75	0.13 75	0.07 10	0.08 85	0.07 47	0.06 23	0.04 1	0.10 81	0.09 62	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

EGLCR-Stereo	0.08 56	0.05 26	0.08 40	0.14 41	0.06 16	0.10 148	0.12 75	0.11 36	0.16 214	0.06 13	0.05 7	0.07 80	0.05 12	0.10 81	0.11 217	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

Sa-1000	0.12 288	0.08 272	0.08 40	0.18 323	0.08 144	0.14 317	0.22 493	0.22 312	0.18 267	0.15 307	0.20 323	0.17 340	0.11 264	0.10 81	0.10 142	0.06 126	0.05 207	0.09 398	0.09 421	0.05 118	0.05 144

iRaft-Stereo_20w	0.09 106	0.05 26	0.13 263	0.14 41	0.08 144	0.12 234	0.15 250	0.18 226	0.10 47	0.11 189	0.08 89	0.08 129	0.05 12	0.10 81	0.09 62	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.05 144

TRStereo	0.09 106	0.05 26	0.12 217	0.15 85	0.12 457	0.10 148	0.13 125	0.18 226	0.18 267	0.09 121	0.09 111	0.09 156	0.06 46	0.10 81	0.08 17	0.07 273	0.05 207	0.07 226	0.07 305	0.04 21	0.04 49

SST-Stereo	0.10 171	0.07 166	0.15 349	0.18 323	0.09 265	0.06 11	0.12 75	0.17 194	0.11 75	0.15 307	0.17 277	0.13 257	0.12 295	0.10 81	0.11 217	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.05 144

RAFT_R40	0.11 219	0.07 166	0.14 298	0.18 323	0.09 265	0.06 11	0.13 125	0.17 194	0.16 214	0.14 280	0.18 302	0.15 306	0.12 295	0.10 81	0.11 217	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.05 144

DRaft	0.12 288	0.06 75	0.11 180	0.14 41	0.09 265	0.14 317	0.17 353	0.21 288	0.30 439	0.17 350	0.28 445	0.10 189	0.15 375	0.10 81	0.12 275	0.05 34	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

s12784h	0.09 106	0.06 75	0.07 8	0.15 85	0.05 1	0.16 372	0.18 401	0.15 128	0.15 184	0.10 157	0.11 183	0.11 214	0.11 264	0.10 81	0.12 275	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

XX-TBD	0.09 106	0.06 75	0.07 8	0.14 41	0.07 84	0.12 234	0.16 316	0.14 96	0.13 140	0.11 189	0.12 199	0.09 156	0.08 167	0.10 81	0.10 142	0.06 126	0.04 24	0.05 34	0.03 1	0.06 222	0.05 144

sAnonymous2	0.13 313	0.12 451	0.24 488	0.20 441	0.12 457	0.17 393	0.13 125	0.26 389	0.21 323	0.11 189	0.11 183	0.13 257	0.08 167	0.10 81	0.10 142	0.09 398	0.05 207	0.08 316	0.06 212	0.15 537	0.10 453

CroCo_RVC	0.13 313	0.12 451	0.24 488	0.20 441	0.12 457	0.17 393	0.13 125	0.26 389	0.21 323	0.11 189	0.11 183	0.13 257	0.08 167	0.10 81	0.10 142	0.09 398	0.05 207	0.08 316	0.06 212	0.15 537	0.10 453

test_xeample3	0.09 106	0.06 75	0.12 217	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.13 140	0.10 157	0.06 14	0.08 129	0.06 46	0.10 81	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

WQFJX1	0.10 171	0.07 166	0.08 40	0.22 489	0.09 265	0.12 234	0.17 353	0.18 226	0.17 237	0.10 157	0.09 111	0.07 80	0.10 234	0.11 133	0.09 62	0.07 273	0.08 441	0.07 226	0.06 212	0.05 118	0.04 49

NLMM1	0.11 219	0.09 347	0.07 8	0.22 489	0.10 373	0.12 234	0.20 463	0.18 226	0.20 307	0.12 228	0.11 183	0.07 80	0.09 198	0.11 133	0.11 217	0.08 338	0.08 441	0.07 226	0.06 212	0.04 21	0.04 49

HiDET	0.08 56	0.04 1	0.10 136	0.13 14	0.06 16	0.08 59	0.12 75	0.12 57	0.11 75	0.06 13	0.07 47	0.07 80	0.07 127	0.11 133	0.11 217	0.06 126	0.04 24	0.04 1	0.03 1	0.04 21	0.04 49

LCMNet	0.08 56	0.05 26	0.10 136	0.13 14	0.07 84	0.09 96	0.12 75	0.10 21	0.11 75	0.06 13	0.08 89	0.06 23	0.07 127	0.11 133	0.10 142	0.06 126	0.05 207	0.04 1	0.03 1	0.04 21	0.04 49

NLCSM	0.11 219	0.09 347	0.09 91	0.23 513	0.11 424	0.12 234	0.19 440	0.18 226	0.18 267	0.12 228	0.11 183	0.07 80	0.09 198	0.11 133	0.10 142	0.07 273	0.08 441	0.07 226	0.07 305	0.06 222	0.05 144

GEAStereo	0.08 56	0.05 26	0.08 40	0.13 14	0.08 144	0.08 59	0.14 178	0.10 21	0.09 30	0.08 85	0.10 142	0.06 23	0.05 12	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

GSStereo	0.08 56	0.05 26	0.08 40	0.13 14	0.08 144	0.08 59	0.14 178	0.11 36	0.12 105	0.08 85	0.10 142	0.05 2	0.05 12	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

GS-Stereo							0.14 178	0.11 36	0.12 105	0.08 85	0.10 142	0.05 2	0.05 12	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

IGEV-FE	0.09 106	0.05 26	0.12 217	0.13 14	0.08 144	0.12 234	0.13 125	0.17 194	0.11 75	0.10 157	0.06 14	0.09 156	0.06 46	0.11 133	0.09 62	0.06 126	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

MSCF	0.08 56	0.05 26	0.08 40	0.19 381	0.08 144	0.06 11	0.12 75	0.14 96	0.11 75	0.10 157	0.09 111	0.07 80	0.04 1	0.11 133	0.08 17	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.05 144

DilatedVolume-Stereo	0.09 106	0.05 26	0.08 40	0.15 85	0.06 16	0.11 195	0.12 75	0.14 96	0.16 214	0.11 189	0.11 183	0.09 156	0.09 198	0.11 133	0.10 142	0.06 126	0.05 207	0.05 34	0.04 46	0.03 1	0.03 2

3.25w_new	0.07 4	0.06 75	0.07 8	0.15 85	0.06 16	0.10 148	0.07 3	0.12 57	0.11 75	0.08 85	0.06 14	0.07 80	0.06 46	0.11 133	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 4	0.06 75	0.07 8	0.15 85	0.06 16	0.10 148	0.07 3	0.12 57	0.11 75	0.08 85	0.06 14	0.07 80	0.06 46	0.11 133	0.09 62	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

LG-G_1	0.07 4	0.04 1	0.11 180	0.15 85	0.06 16	0.09 96	0.08 7	0.08 5	0.06 4	0.06 13	0.05 7	0.07 80	0.07 127	0.11 133	0.08 17	0.07 273	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

LG-G	0.07 4	0.04 1	0.11 180	0.15 85	0.06 16	0.09 96	0.08 7	0.08 5	0.06 4	0.06 13	0.05 7	0.07 80	0.07 127	0.11 133	0.08 17	0.07 273	0.04 24	0.05 34	0.04 46	0.05 118	0.05 144

S2M2_L	0.09 106	0.08 272	0.11 180	0.13 14	0.10 373	0.08 59	0.06 1	0.10 21	0.10 47	0.10 157	0.09 111	0.10 189	0.09 198	0.11 133	0.11 217	0.13 517	0.07 412	0.08 316	0.09 421	0.10 452	0.08 382
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
MM-Stereo_test3	0.10 171	0.07 166	0.07 8	0.18 323	0.07 84	0.12 234	0.19 440	0.24 355	0.19 284	0.06 13	0.10 142	0.08 129	0.06 46	0.11 133	0.08 17	0.06 126	0.06 340	0.07 226	0.05 132	0.05 118	0.04 49

Reg-Stereo(zero)	0.08 56	0.05 26	0.08 40	0.16 165	0.06 16	0.12 234	0.11 54	0.15 128	0.10 47	0.12 228	0.09 111	0.10 189	0.08 167	0.11 133	0.08 17	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

SCV_C0	0.08 56	0.07 166	0.07 8	0.16 165	0.09 265	0.08 59	0.15 250	0.11 36	0.12 105	0.08 85	0.07 47	0.06 23	0.05 12	0.11 133	0.07 1	0.05 34	0.05 207	0.05 34	0.04 46	0.06 222	0.05 144

DEFOM-Stereo_RVC	0.08 56	0.06 75	0.09 91	0.22 489	0.06 16	0.08 59	0.12 75	0.10 21	0.10 47	0.07 47	0.07 47	0.06 23	0.05 12	0.11 133	0.09 62	0.06 126	0.04 24	0.05 34	0.03 1	0.06 222	0.04 49

AIO-test1	0.10 171	0.07 166	0.10 136	0.23 513	0.07 84	0.09 96	0.13 125	0.21 288	0.14 165	0.11 189	0.12 199	0.09 156	0.07 127	0.11 133	0.09 62	0.06 126	0.05 207	0.09 398	0.10 461	0.03 1	0.06 236

fffft	0.09 106	0.06 75	0.12 217	0.16 165	0.07 84	0.09 96	0.17 353	0.12 57	0.11 75	0.08 85	0.07 47	0.09 156	0.06 46	0.11 133	0.12 275	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.05 144
1: 1. 1
mms	0.09 106	0.07 166	0.08 40	0.16 165	0.08 144	0.10 148	0.16 316	0.12 57	0.11 75	0.08 85	0.09 111	0.08 129	0.06 46	0.11 133	0.12 275	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.03 2

tg	0.10 171	0.06 75	0.10 136	0.18 323	0.08 144	0.11 195	0.16 316	0.20 265	0.12 105	0.08 85	0.11 183	0.11 214	0.07 127	0.11 133	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.04 21	0.04 49

rvit_stereo_0081	0.11 219	0.08 272	0.15 349	0.16 165	0.09 265	0.10 148	0.14 178	0.14 96	0.24 364	0.11 189	0.13 213	0.13 257	0.09 198	0.11 133	0.12 275	0.10 439	0.07 412	0.08 316	0.07 305	0.07 295	0.05 144

rvit_stereo_0082	0.11 219	0.08 272	0.15 349	0.16 165	0.09 265	0.10 148	0.14 178	0.14 96	0.24 364	0.11 189	0.13 213	0.13 257	0.09 198	0.11 133	0.12 275	0.10 439	0.07 412	0.08 316	0.07 305	0.07 295	0.05 144

Pointernet	0.09 106	0.04 1	0.09 91	0.16 165	0.08 144	0.13 284	0.10 31	0.15 128	0.17 237	0.09 121	0.07 47	0.06 23	0.06 46	0.11 133	0.09 62	0.08 338	0.04 24	0.05 34	0.03 1	0.06 222	0.05 144

AIO-Stereo-zeroshot	0.11 219	0.05 26	0.11 180	0.15 85	0.13 480	0.13 284	0.16 316	0.23 332	0.17 237	0.10 157	0.12 199	0.10 189	0.07 127	0.11 133	0.09 62	0.06 126	0.05 207	0.06 124	0.06 212	0.07 295	0.08 382

IGEV-BASED-STEREO-	0.09 106	0.10 407	0.31 521	0.15 85	0.06 16	0.08 59	0.14 178	0.10 21	0.10 47	0.07 47	0.07 47	0.06 23	0.04 1	0.11 133	0.07 1	0.12 492	0.04 24	0.07 226	0.05 132	0.05 118	0.05 144

AIO-Stereo	0.08 56	0.06 75	0.09 91	0.18 323	0.06 16	0.08 59	0.12 75	0.15 128	0.09 30	0.08 85	0.08 89	0.07 80	0.05 12	0.11 133	0.08 17	0.05 34	0.05 207	0.05 34	0.04 46	0.04 21	0.04 49

RSM	0.08 56	0.06 75	0.09 91	0.17 241	0.06 16	0.08 59	0.12 75	0.12 57	0.10 47	0.08 85	0.07 47	0.06 23	0.05 12	0.11 133	0.09 62	0.04 11	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

test_for_model	0.09 106	0.12 451	0.14 298	0.23 513	0.11 424	0.08 59	0.13 125	0.12 57	0.12 105	0.10 157	0.07 47	0.07 80	0.06 46	0.11 133	0.10 142	0.06 126	0.05 207	0.05 34	0.03 1	0.07 295	0.04 49

trnet	0.08 56	0.05 26	0.07 8	0.12 5	0.05 1	0.12 234	0.11 54	0.13 75	0.10 47	0.08 85	0.13 213	0.09 156	0.08 167	0.11 133	0.10 142	0.08 338	0.05 207	0.05 34	0.03 1	0.06 222	0.05 144

testlalala2	0.10 171	0.06 75	0.11 180	0.20 441	0.10 373	0.10 148	0.12 75	0.17 194	0.12 105	0.12 228	0.13 213	0.09 156	0.07 127	0.11 133	0.13 316	0.06 126	0.05 207	0.05 34	0.04 46	0.05 118	0.05 144

Former-RAFT_DAM_RVC	0.10 171	0.08 272	0.12 217	0.16 165	0.08 144	0.15 343	0.16 316	0.18 226	0.18 267	0.10 157	0.09 111	0.09 156	0.08 167	0.11 133	0.12 275	0.07 273	0.05 207	0.08 316	0.06 212	0.07 295	0.06 236

MyStereo06	0.10 171	0.07 166	0.12 217	0.17 241	0.09 265	0.13 284	0.18 401	0.19 254	0.12 105	0.12 228	0.08 89	0.07 80	0.07 127	0.11 133	0.09 62	0.06 126	0.05 207	0.07 226	0.07 305	0.06 222	0.06 236

AE-Stereo	0.10 171	0.08 272	0.10 136	0.18 323	0.09 265	0.10 148	0.15 250	0.14 96	0.19 284	0.09 121	0.14 227	0.12 232	0.08 167	0.11 133	0.10 142	0.05 34	0.06 340	0.07 226	0.06 212	0.05 118	0.04 49

ff7	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

ffff	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

11t	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

IGEV_Zeroshot_test	0.09 106	0.05 26	0.12 217	0.13 14	0.08 144	0.12 234	0.13 125	0.17 194	0.11 75	0.10 157	0.06 14	0.09 156	0.06 46	0.11 133	0.09 62	0.06 126	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

EKT-Stereo	0.11 219	0.07 166	0.14 298	0.15 85	0.10 373	0.13 284	0.14 178	0.18 226	0.21 323	0.11 189	0.08 89	0.12 232	0.09 198	0.11 133	0.12 275	0.08 338	0.06 340	0.07 226	0.06 212	0.08 358	0.07 318

testlalala	0.08 56	0.07 166	0.17 413	0.16 165	0.08 144	0.09 96	0.12 75	0.15 128	0.10 47	0.07 47	0.09 111	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

4D-IteraStereo	0.09 106	0.07 166	0.10 136	0.18 323	0.07 84	0.09 96	0.15 250	0.17 194	0.15 184	0.10 157	0.11 183	0.10 189	0.07 127	0.11 133	0.09 62	0.05 34	0.03 1	0.08 316	0.07 305	0.06 222	0.05 144

anonymousdsp	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.09 121	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

ProNet	0.09 106	0.07 166	0.10 136	0.17 241	0.08 144	0.10 148	0.15 250	0.15 128	0.12 105	0.09 121	0.06 14	0.07 80	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.06 236

MC-Stereo	0.08 56	0.06 75	0.09 91	0.17 241	0.06 16	0.10 148	0.14 178	0.12 57	0.10 47	0.09 121	0.12 199	0.09 156	0.06 46	0.11 133	0.10 142	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

DCANet-4	0.10 171	0.06 75	0.12 217	0.16 165	0.06 16	0.09 96	0.17 353	0.18 226	0.19 284	0.13 259	0.16 256	0.09 156	0.14 357	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

ccc-4	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.10 157	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

fff	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.09 96	0.17 353	0.16 158	0.20 307	0.13 259	0.16 256	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

ADStereo(finetuned)	0.10 171	0.06 75	0.12 217	0.16 165	0.06 16	0.09 96	0.17 353	0.15 128	0.19 284	0.13 259	0.17 277	0.10 189	0.12 295	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

DisPM	0.11 219	0.07 166	0.12 217	0.16 165	0.09 265	0.06 11	0.13 125	0.17 194	0.17 237	0.14 280	0.20 323	0.12 232	0.10 234	0.11 133	0.10 142	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.11 479

raft_robust	0.13 313	0.10 407	0.07 8	0.18 323	0.08 144	0.13 284	0.24 516	0.28 429	0.33 460	0.20 419	0.19 311	0.14 277	0.10 234	0.11 133	0.12 275	0.05 34	0.05 207	0.07 226	0.07 305	0.05 118	0.04 49

RAFT+CT+SA	0.13 313	0.11 433	0.09 91	0.19 381	0.09 265	0.15 343	0.28 553	0.22 312	0.22 337	0.15 307	0.26 422	0.10 189	0.10 234	0.11 133	0.12 275	0.05 34	0.04 24	0.07 226	0.08 375	0.07 295	0.06 236

SA	0.12 288	0.09 347	0.08 40	0.18 323	0.08 144	0.12 234	0.24 516	0.23 332	0.18 267	0.17 350	0.27 431	0.14 277	0.11 264	0.11 133	0.11 217	0.05 34	0.05 207	0.09 398	0.08 375	0.05 118	0.04 49

IGEV-Stereo	0.09 106	0.07 166	0.11 180	0.16 165	0.09 265	0.11 195	0.15 250	0.16 158	0.12 105	0.09 121	0.06 14	0.06 23	0.06 46	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
test-3	0.08 56	0.06 75	0.09 91	0.17 241	0.07 84	0.07 33	0.14 178	0.12 57	0.15 184	0.09 121	0.08 89	0.07 80	0.08 167	0.11 133	0.10 142	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.04 49

test_1	0.08 56	0.06 75	0.09 91	0.17 241	0.07 84	0.07 33	0.14 178	0.12 57	0.15 184	0.09 121	0.08 89	0.07 80	0.08 167	0.11 133	0.10 142	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.04 49

CrosDoStereo	0.12 288	0.06 75	0.12 217	0.14 41	0.08 144	0.12 234	0.15 250	0.17 194	0.22 337	0.19 396	0.24 377	0.15 306	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.07 226	0.07 305	0.05 118	0.05 144

PFNet+	0.11 219	0.06 75	0.13 263	0.16 165	0.09 265	0.05 4	0.12 75	0.17 194	0.21 323	0.16 335	0.19 311	0.14 277	0.10 234	0.11 133	0.11 217	0.08 338	0.05 207	0.09 398	0.08 375	0.06 222	0.11 479

Patchmatch Stereo++	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.11 54	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318
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
AAGNet	0.11 219	0.07 166	0.16 383	0.19 381	0.09 265	0.08 59	0.13 125	0.18 226	0.13 140	0.16 335	0.21 345	0.13 257	0.14 357	0.11 133	0.14 353	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.05 144

STrans-v2	0.10 171	0.07 166	0.12 217	0.18 323	0.07 84	0.10 148	0.14 178	0.21 288	0.11 75	0.11 189	0.15 244	0.12 232	0.10 234	0.11 133	0.12 275	0.05 34	0.04 24	0.06 124	0.06 212	0.04 21	0.04 49

TransformOpticalFlow	0.10 171	0.08 272	0.13 263	0.18 323	0.07 84	0.09 96	0.15 250	0.19 254	0.15 184	0.12 228	0.17 277	0.11 214	0.11 264	0.11 133	0.10 142	0.05 34	0.04 24	0.06 124	0.06 212	0.05 118	0.05 144

OMP-Stereo	0.11 219	0.06 75	0.14 298	0.18 323	0.08 144	0.09 96	0.12 75	0.21 288	0.21 323	0.13 259	0.14 227	0.11 214	0.12 295	0.11 133	0.13 316	0.06 126	0.04 24	0.07 226	0.06 212	0.05 118	0.04 49

NF-Stereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

OCTAStereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

PSM-softLoss	0.12 288	0.07 166	0.15 349	0.17 241	0.09 265	0.08 59	0.13 125	0.24 355	0.17 237	0.14 280	0.19 311	0.13 257	0.11 264	0.11 133	0.11 217	0.07 273	0.05 207	0.08 316	0.07 305	0.06 222	0.12 492

KMStereo	0.12 288	0.07 166	0.15 349	0.17 241	0.09 265	0.08 59	0.13 125	0.24 355	0.17 237	0.14 280	0.19 311	0.13 257	0.11 264	0.11 133	0.11 217	0.07 273	0.05 207	0.08 316	0.07 305	0.06 222	0.12 492

PSM-adaLoss	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

PSM-AAD	0.11 219	0.07 166	0.10 136	0.19 381	0.09 265	0.10 148	0.15 250	0.20 265	0.13 140	0.12 228	0.14 227	0.18 353	0.11 264	0.11 133	0.10 142	0.05 34	0.05 207	0.09 398	0.08 375	0.06 222	0.14 530

ROB_FTStereo_v2	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

ROB_FTStereo	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.11 54	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

HUI-Stereo	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

DeepStereo_LL	0.12 288	0.06 75	0.12 217	0.14 41	0.08 144	0.12 234	0.15 250	0.17 194	0.22 337	0.19 396	0.24 377	0.15 306	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.07 226	0.07 305	0.05 118	0.05 144

RE-Stereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

Pruner-Stereo	0.11 219	0.07 166	0.12 217	0.17 241	0.09 265	0.06 11	0.12 75	0.17 194	0.17 237	0.13 259	0.19 311	0.13 257	0.09 198	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.08 382

TVStereo	0.11 219	0.07 166	0.13 263	0.17 241	0.09 265	0.10 148	0.14 178	0.23 332	0.19 284	0.12 228	0.17 277	0.12 232	0.11 264	0.11 133	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.12 492

iGMRVC	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

RAFT-345	0.11 219	0.07 166	0.15 349	0.16 165	0.08 144	0.08 59	0.12 75	0.15 128	0.10 47	0.11 189	0.36 499	0.09 156	0.09 198	0.11 133	0.12 275	0.05 34	0.05 207	0.07 226	0.06 212	0.04 21	0.05 144

iRAFT	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.06 11	0.11 54	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

GMM-Stereo	0.11 219	0.07 166	0.10 136	0.18 323	0.09 265	0.08 59	0.15 250	0.23 332	0.16 214	0.11 189	0.15 244	0.13 257	0.11 264	0.11 133	0.11 217	0.05 34	0.04 24	0.08 316	0.07 305	0.06 222	0.09 426

RAFT-IKP	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.06 11	0.12 75	0.16 158	0.13 140	0.15 307	0.16 256	0.14 277	0.12 295	0.11 133	0.10 142	0.06 126	0.04 24	0.08 316	0.06 212	0.08 358	0.07 318

rafts_anoy	0.11 219	0.06 75	0.10 136	0.17 241	0.08 144	0.10 148	0.14 178	0.17 194	0.14 165	0.13 259	0.13 213	0.12 232	0.10 234	0.11 133	0.12 275	0.07 273	0.04 24	0.09 398	0.11 493	0.07 295	0.06 236

iRaftStereo_RVC	0.10 171	0.07 166	0.09 91	0.17 241	0.09 265	0.11 195	0.17 353	0.18 226	0.12 105	0.09 121	0.12 199	0.10 189	0.07 127	0.11 133	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.04 21	0.04 49

DCANet	0.10 171	0.06 75	0.12 217	0.16 165	0.06 16	0.09 96	0.17 353	0.15 128	0.19 284	0.13 259	0.17 277	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

csc	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.09 96	0.17 353	0.16 158	0.20 307	0.13 259	0.16 256	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

cscssc	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.09 96	0.17 353	0.16 158	0.20 307	0.13 259	0.16 256	0.10 189	0.11 264	0.11 133	0.12 275	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

RAFT-Stereo + iAFF	0.09 106	0.06 75	0.10 136	0.17 241	0.06 16	0.10 148	0.16 316	0.17 194	0.14 165	0.09 121	0.10 142	0.08 129	0.09 198	0.11 133	0.09 62	0.05 34	0.04 24	0.06 124	0.06 212	0.04 21	0.03 2

CFNet-RSSM	0.09 106	0.07 166	0.09 91	0.16 165	0.07 84	0.09 96	0.15 250	0.16 158	0.17 237	0.08 85	0.12 199	0.10 189	0.09 198	0.11 133	0.09 62	0.06 126	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

CREStereo	0.09 106	0.04 1	0.08 40	0.11 1	0.06 16	0.13 284	0.14 178	0.14 96	0.10 47	0.08 85	0.13 213	0.09 156	0.08 167	0.11 133	0.10 142	0.08 338	0.04 24	0.05 34	0.03 1	0.06 222	0.06 236
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
WQFJA1	0.10 171	0.07 166	0.08 40	0.20 441	0.09 265	0.12 234	0.17 353	0.17 194	0.17 237	0.09 121	0.10 142	0.08 129	0.10 234	0.12 224	0.11 217	0.06 126	0.07 412	0.07 226	0.06 212	0.06 222	0.05 144

WQFJX	0.10 171	0.07 166	0.09 91	0.21 473	0.09 265	0.12 234	0.16 316	0.18 226	0.17 237	0.12 228	0.10 142	0.07 80	0.09 198	0.12 224	0.10 142	0.06 126	0.07 412	0.06 124	0.05 132	0.06 222	0.05 144

NLMM	0.10 171	0.07 166	0.08 40	0.20 441	0.09 265	0.12 234	0.17 353	0.17 194	0.17 237	0.09 121	0.10 142	0.08 129	0.10 234	0.12 224	0.11 217	0.06 126	0.07 412	0.07 226	0.06 212	0.06 222	0.05 144

Select-FE	0.11 219	0.06 75	0.20 460	0.15 85	0.11 424	0.11 195	0.13 125	0.21 288	0.18 267	0.09 121	0.11 183	0.10 189	0.06 46	0.12 224	0.09 62	0.07 273	0.05 207	0.07 226	0.08 375	0.06 222	0.08 382

GASTEREO	0.08 56	0.05 26	0.09 91	0.19 381	0.07 84	0.07 33	0.12 75	0.14 96	0.11 75	0.10 157	0.09 111	0.07 80	0.04 1	0.12 224	0.08 17	0.06 126	0.05 207	0.05 34	0.04 46	0.04 21	0.05 144

4.25_new	0.07 4	0.08 272	0.09 91	0.15 85	0.06 16	0.09 96	0.08 7	0.14 96	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.12 224	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.5w_new	0.07 4	0.08 272	0.09 91	0.15 85	0.06 16	0.09 96	0.08 7	0.14 96	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.12 224	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

4.25w-stereo	0.07 4	0.08 272	0.09 91	0.15 85	0.06 16	0.09 96	0.08 7	0.14 96	0.08 17	0.07 47	0.07 47	0.06 23	0.06 46	0.12 224	0.10 142	0.03 1	0.03 1	0.04 1	0.03 1	0.04 21	0.03 2

MM-Stereo_test2	0.09 106	0.06 75	0.09 91	0.19 381	0.08 144	0.12 234	0.18 401	0.15 128	0.14 165	0.07 47	0.10 142	0.07 80	0.06 46	0.12 224	0.09 62	0.05 34	0.04 24	0.06 124	0.05 132	0.05 118	0.03 2

SMoEStereo_RVC	0.08 56	0.06 75	0.12 217	0.16 165	0.07 84	0.09 96	0.14 178	0.11 36	0.13 140	0.09 121	0.07 47	0.07 80	0.07 127	0.12 224	0.10 142	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

ours_stereo	0.09 106	0.07 166	0.09 91	0.17 241	0.08 144	0.11 195	0.16 316	0.11 36	0.12 105	0.08 85	0.10 142	0.08 129	0.06 46	0.12 224	0.12 275	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.03 2

rvit_stereo_0083	0.12 288	0.08 272	0.17 413	0.16 165	0.09 265	0.11 195	0.15 250	0.14 96	0.26 399	0.11 189	0.14 227	0.13 257	0.10 234	0.12 224	0.12 275	0.10 439	0.08 441	0.09 398	0.07 305	0.07 295	0.05 144

rvit_stereo_0081_aga	0.11 219	0.09 347	0.14 298	0.18 323	0.09 265	0.13 284	0.14 178	0.14 96	0.19 284	0.10 157	0.18 302	0.16 320	0.09 198	0.12 224	0.09 62	0.10 439	0.06 340	0.08 316	0.07 305	0.07 295	0.06 236

model_zeroshot	0.10 171	0.04 1	0.11 180	0.15 85	0.09 265	0.12 234	0.14 178	0.20 265	0.13 140	0.11 189	0.10 142	0.12 232	0.07 127	0.12 224	0.10 142	0.07 273	0.06 340	0.06 124	0.05 132	0.06 222	0.06 236

GCAP-BAT	0.09 106	0.07 166	0.14 298	0.15 85	0.08 144	0.10 148	0.13 125	0.14 96	0.10 47	0.11 189	0.10 142	0.08 129	0.07 127	0.12 224	0.10 142	0.06 126	0.05 207	0.06 124	0.04 46	0.04 21	0.04 49

rvit_stereo_0080	0.10 171	0.08 272	0.14 298	0.15 85	0.09 265	0.07 33	0.15 250	0.16 158	0.16 214	0.11 189	0.10 142	0.14 277	0.08 167	0.12 224	0.10 142	0.09 398	0.07 412	0.07 226	0.06 212	0.07 295	0.05 144

MyStereo07	0.10 171	0.07 166	0.10 136	0.17 241	0.09 265	0.14 317	0.18 401	0.15 128	0.15 184	0.09 121	0.06 14	0.06 23	0.07 127	0.12 224	0.09 62	0.06 126	0.05 207	0.08 316	0.07 305	0.06 222	0.06 236

whm_eth	0.10 171	0.08 272	0.14 298	0.15 85	0.09 265	0.07 33	0.15 250	0.16 158	0.16 214	0.11 189	0.10 142	0.14 277	0.08 167	0.12 224	0.10 142	0.09 398	0.07 412	0.07 226	0.06 212	0.07 295	0.05 144

MSKI-zero shot	0.09 106	0.05 26	0.09 91	0.15 85	0.07 84	0.10 148	0.13 125	0.14 96	0.13 140	0.09 121	0.09 111	0.09 156	0.06 46	0.12 224	0.10 142	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

MIF-Stereo (partial)	0.11 219	0.06 75	0.10 136	0.19 381	0.10 373	0.10 148	0.11 54	0.17 194	0.18 267	0.14 280	0.16 256	0.09 156	0.11 264	0.12 224	0.12 275	0.08 338	0.05 207	0.08 316	0.07 305	0.06 222	0.07 318

MIM_Stereo	0.09 106	0.07 166	0.11 180	0.15 85	0.07 84	0.06 11	0.12 75	0.20 265	0.14 165	0.13 259	0.13 213	0.09 156	0.05 12	0.12 224	0.08 17	0.05 34	0.06 340	0.07 226	0.06 212	0.06 222	0.05 144

Any-RAFT	0.10 171	0.05 26	0.09 91	0.14 41	0.07 84	0.13 284	0.14 178	0.21 288	0.15 184	0.11 189	0.12 199	0.12 232	0.09 198	0.12 224	0.09 62	0.07 273	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

RAFT-Test	0.09 106	0.06 75	0.10 136	0.15 85	0.07 84	0.11 195	0.15 250	0.16 158	0.13 140	0.09 121	0.10 142	0.10 189	0.09 198	0.12 224	0.09 62	0.06 126	0.04 24	0.05 34	0.04 46	0.04 21	0.05 144

CES	0.08 56	0.04 1	0.08 40	0.14 41	0.07 84	0.09 96	0.14 178	0.11 36	0.09 30	0.08 85	0.09 111	0.11 214	0.06 46	0.12 224	0.08 17	0.06 126	0.04 24	0.05 34	0.03 1	0.05 118	0.05 144

RCA-Stereo	0.09 106	0.06 75	0.09 91	0.16 165	0.06 16	0.09 96	0.13 125	0.18 226	0.14 165	0.09 121	0.10 142	0.08 129	0.07 127	0.12 224	0.11 217	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.04 49

TestStereo1	0.13 313	0.08 272	0.08 40	0.19 381	0.08 144	0.18 412	0.29 562	0.23 332	0.16 214	0.17 350	0.20 323	0.16 320	0.10 234	0.12 224	0.13 316	0.06 126	0.06 340	0.08 316	0.06 212	0.05 118	0.05 144

test_5	0.14 347	0.12 451	0.08 40	0.20 441	0.10 373	0.14 317	0.29 562	0.21 288	0.24 364	0.18 380	0.28 445	0.11 214	0.15 375	0.12 224	0.13 316	0.06 126	0.05 207	0.07 226	0.08 375	0.08 358	0.07 318

SA-5K	0.13 313	0.08 272	0.08 40	0.19 381	0.08 144	0.18 412	0.29 562	0.23 332	0.16 214	0.17 350	0.20 323	0.16 320	0.10 234	0.12 224	0.13 316	0.06 126	0.06 340	0.08 316	0.06 212	0.05 118	0.05 144

IPLGR	0.11 219	0.09 347	0.16 383	0.18 323	0.08 144	0.12 234	0.17 353	0.21 288	0.24 364	0.11 189	0.12 199	0.11 214	0.08 167	0.12 224	0.12 275	0.06 126	0.05 207	0.06 124	0.06 212	0.04 21	0.04 49

LCNet	0.11 219	0.07 166	0.09 91	0.19 381	0.09 265	0.08 59	0.15 250	0.21 288	0.15 184	0.11 189	0.15 244	0.16 320	0.11 264	0.12 224	0.11 217	0.05 34	0.04 24	0.08 316	0.07 305	0.06 222	0.15 537

IIG-Stereo	0.11 219	0.06 75	0.13 263	0.17 241	0.08 144	0.11 195	0.12 75	0.22 312	0.17 237	0.14 280	0.17 277	0.11 214	0.12 295	0.12 224	0.12 275	0.06 126	0.05 207	0.07 226	0.06 212	0.05 118	0.04 49

KYRaft	0.11 219	0.07 166	0.10 136	0.19 381	0.09 265	0.08 59	0.15 250	0.22 312	0.12 105	0.13 259	0.16 256	0.20 379	0.10 234	0.12 224	0.10 142	0.05 34	0.04 24	0.08 316	0.08 375	0.06 222	0.16 548

DEmStereo	0.12 288	0.06 75	0.14 298	0.14 41	0.10 373	0.16 372	0.15 250	0.16 158	0.24 364	0.17 350	0.24 377	0.13 257	0.14 357	0.12 224	0.13 316	0.05 34	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

THIR-Stereo	0.12 288	0.07 166	0.11 180	0.15 85	0.08 144	0.14 317	0.16 316	0.17 194	0.25 385	0.16 335	0.24 377	0.14 277	0.12 295	0.12 224	0.14 353	0.06 126	0.04 24	0.07 226	0.07 305	0.05 118	0.05 144

PFNet	0.12 288	0.06 75	0.17 413	0.17 241	0.08 144	0.09 96	0.15 250	0.26 389	0.20 307	0.16 335	0.16 256	0.14 277	0.11 264	0.12 224	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

GrayStereo	0.11 219	0.06 75	0.11 180	0.19 381	0.09 265	0.09 96	0.16 316	0.18 226	0.17 237	0.14 280	0.17 277	0.17 340	0.11 264	0.12 224	0.11 217	0.05 34	0.05 207	0.07 226	0.06 212	0.05 118	0.10 453

DeepStereo_RVC	0.11 219	0.08 272	0.16 383	0.18 323	0.08 144	0.08 59	0.12 75	0.17 194	0.12 105	0.13 259	0.14 227	0.12 232	0.12 295	0.12 224	0.11 217	0.06 126	0.04 24	0.07 226	0.06 212	0.07 295	0.08 382

IRAFT_RVC	0.12 288	0.08 272	0.16 383	0.19 381	0.08 144	0.07 33	0.15 250	0.24 355	0.23 348	0.14 280	0.14 227	0.15 306	0.12 295	0.12 224	0.10 142	0.06 126	0.04 24	0.09 398	0.06 212	0.06 222	0.06 236

CRE-IMP	0.11 219	0.09 347	0.16 383	0.19 381	0.08 144	0.10 148	0.12 75	0.18 226	0.10 47	0.14 280	0.13 213	0.13 257	0.12 295	0.12 224	0.11 217	0.07 273	0.04 24	0.08 316	0.06 212	0.08 358	0.08 382

Prome-Stereo	0.11 219	0.06 75	0.10 136	0.18 323	0.08 144	0.12 234	0.15 250	0.22 312	0.13 140	0.12 228	0.17 277	0.13 257	0.08 167	0.12 224	0.10 142	0.05 34	0.04 24	0.07 226	0.06 212	0.06 222	0.09 426

raft+_RVC	0.11 219	0.07 166	0.09 91	0.16 165	0.07 84	0.10 148	0.11 54	0.24 355	0.20 307	0.12 228	0.15 244	0.12 232	0.08 167	0.12 224	0.13 316	0.07 273	0.04 24	0.07 226	0.06 212	0.05 118	0.05 144

TANstereo	0.09 106	0.04 1	0.08 40	0.13 14	0.06 16	0.11 195	0.14 178	0.15 128	0.19 284	0.11 189	0.15 244	0.10 189	0.06 46	0.12 224	0.09 62	0.07 273	0.05 207	0.05 34	0.04 46	0.06 222	0.05 144

raftrobust	0.09 106	0.06 75	0.10 136	0.17 241	0.08 144	0.09 96	0.10 31	0.18 226	0.16 214	0.10 157	0.09 111	0.12 232	0.07 127	0.12 224	0.10 142	0.08 338	0.05 207	0.06 124	0.05 132	0.05 118	0.05 144

RALCasStereoNet	0.10 171	0.06 75	0.09 91	0.16 165	0.08 144	0.12 234	0.14 178	0.17 194	0.11 75	0.12 228	0.17 277	0.14 277	0.10 234	0.12 224	0.11 217	0.07 273	0.06 340	0.06 124	0.05 132	0.08 358	0.07 318

RALAANet	0.11 219	0.08 272	0.10 136	0.17 241	0.09 265	0.14 317	0.10 31	0.20 265	0.15 184	0.14 280	0.13 213	0.16 320	0.09 198	0.12 224	0.11 217	0.06 126	0.05 207	0.07 226	0.06 212	0.05 118	0.04 49

XX-Stereo	0.09 106	0.05 26	0.08 40	0.17 241	0.09 265	0.15 343	0.12 75	0.20 265	0.10 47	0.10 157	0.14 227	0.07 80	0.06 46	0.12 224	0.08 17	0.06 126	0.05 207	0.06 124	0.06 212	0.04 21	0.04 49

AFF-stereo	0.09 106	0.06 75	0.10 136	0.17 241	0.07 84	0.10 148	0.16 316	0.17 194	0.09 30	0.10 157	0.12 199	0.09 156	0.09 198	0.12 224	0.09 62	0.05 34	0.04 24	0.07 226	0.07 305	0.04 21	0.03 2

Gwc-CoAtRS	0.09 106	0.06 75	0.10 136	0.16 165	0.07 84	0.10 148	0.14 178	0.17 194	0.17 237	0.08 85	0.10 142	0.12 232	0.09 198	0.12 224	0.09 62	0.06 126	0.04 24	0.06 124	0.04 46	0.04 21	0.04 49

DN-CSS_ROB	0.13 313	0.13 480	0.16 383	0.18 323	0.10 373	0.16 372	0.08 7	0.22 312	0.18 267	0.17 350	0.22 356	0.13 257	0.13 333	0.12 224	0.13 316	0.05 34	0.05 207	0.10 445	0.10 461	0.08 358	0.06 236

FlowAnything_test	0.11 219	0.08 272	0.14 298	0.15 85	0.09 265	0.07 33	0.14 178	0.20 265	0.11 75	0.09 121	0.09 111	0.12 232	0.12 295	0.13 273	0.11 217	0.09 398	0.06 340	0.09 398	0.09 421	0.06 222	0.09 426

xyz-stereo-finetune2	0.11 219	0.07 166	0.13 263	0.13 14	0.07 84	0.11 195	0.19 440	0.17 194	0.12 105	0.15 307	0.15 244	0.17 340	0.12 295	0.13 273	0.11 217	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.06 236

xyz-stereo-finetune	0.11 219	0.08 272	0.13 263	0.14 41	0.06 16	0.10 148	0.19 440	0.17 194	0.19 284	0.12 228	0.14 227	0.15 306	0.10 234	0.13 273	0.11 217	0.05 34	0.04 24	0.07 226	0.05 132	0.04 21	0.05 144

xyz-stereo	0.13 313	0.07 166	0.20 460	0.15 85	0.05 1	0.20 450	0.15 250	0.17 194	0.31 446	0.15 307	0.29 457	0.26 454	0.16 401	0.13 273	0.12 275	0.05 34	0.05 207	0.06 124	0.05 132	0.04 21	0.04 49

tt45	0.09 106	0.06 75	0.11 180	0.15 85	0.07 84	0.11 195	0.16 316	0.13 75	0.11 75	0.09 121	0.06 14	0.08 129	0.06 46	0.13 273	0.10 142	0.06 126	0.04 24	0.06 124	0.05 132	0.05 118	0.06 236

fffy	0.09 106	0.08 272	0.09 91	0.16 165	0.07 84	0.13 284	0.17 353	0.13 75	0.12 105	0.08 85	0.09 111	0.08 129	0.09 198	0.13 273	0.11 217	0.05 34	0.05 207	0.07 226	0.05 132	0.04 21	0.05 144

PAM	0.10 171	0.05 26	0.16 383	0.15 85	0.08 144	0.09 96	0.16 316	0.15 128	0.16 214	0.12 228	0.09 111	0.09 156	0.07 127	0.13 273	0.08 17	0.06 126	0.05 207	0.06 124	0.06 212	0.05 118	0.06 236

WCG-NET	0.08 56	0.05 26	0.09 91	0.15 85	0.06 16	0.11 195	0.14 178	0.13 75	0.13 140	0.06 13	0.09 111	0.07 80	0.06 46	0.13 273	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.03 2

WCG-NET（raft）	0.08 56	0.05 26	0.10 136	0.15 85	0.06 16	0.11 195	0.13 125	0.15 128	0.12 105	0.08 85	0.07 47	0.06 23	0.06 46	0.13 273	0.08 17	0.05 34	0.04 24	0.05 34	0.04 46	0.04 21	0.04 49

IGEV++	0.08 56	0.06 75	0.08 40	0.18 323	0.07 84	0.09 96	0.13 125	0.10 21	0.09 30	0.08 85	0.08 89	0.06 23	0.06 46	0.13 273	0.09 62	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

1111x	0.15 390	0.08 272	0.12 217	0.18 323	0.07 84	0.18 412	0.25 531	0.31 465	0.24 364	0.17 350	0.24 377	0.26 454	0.15 375	0.13 273	0.23 490	0.07 273	0.07 412	0.08 316	0.09 421	0.07 295	0.06 236

plain	0.10 171	0.08 272	0.10 136	0.19 381	0.09 265	0.10 148	0.15 250	0.14 96	0.13 140	0.13 259	0.15 244	0.09 156	0.12 295	0.13 273	0.12 275	0.07 273	0.05 207	0.09 398	0.06 212	0.06 222	0.06 236

GCAP-Stereo	0.09 106	0.07 166	0.13 263	0.18 323	0.06 16	0.11 195	0.07 3	0.13 75	0.12 105	0.09 121	0.10 142	0.07 80	0.09 198	0.13 273	0.10 142	0.06 126	0.05 207	0.05 34	0.04 46	0.04 21	0.05 144

knoymous	0.11 219	0.05 26	0.12 217	0.13 14	0.07 84	0.15 343	0.14 178	0.19 254	0.13 140	0.11 189	0.17 277	0.13 257	0.09 198	0.13 273	0.11 217	0.08 338	0.05 207	0.06 124	0.05 132	0.08 358	0.07 318

RAFT_CTSACE	0.12 288	0.09 347	0.10 136	0.22 489	0.08 144	0.12 234	0.24 516	0.18 226	0.16 214	0.20 419	0.27 431	0.13 257	0.07 127	0.13 273	0.09 62	0.05 34	0.06 340	0.08 316	0.07 305	0.04 21	0.04 49

MIPNet	0.11 219	0.08 272	0.14 298	0.17 241	0.09 265	0.12 234	0.14 178	0.20 265	0.24 364	0.11 189	0.10 142	0.09 156	0.07 127	0.13 273	0.12 275	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

GwcNet-ADL	0.13 313	0.08 272	0.14 298	0.20 441	0.09 265	0.11 195	0.20 463	0.30 455	0.24 364	0.13 259	0.14 227	0.18 353	0.14 357	0.13 273	0.14 353	0.07 273	0.05 207	0.06 124	0.05 132	0.07 295	0.06 236

HHNet	0.11 219	0.06 75	0.16 383	0.15 85	0.14 500	0.07 33	0.13 125	0.20 265	0.17 237	0.14 280	0.25 405	0.11 214	0.08 167	0.13 273	0.10 142	0.05 34	0.04 24	0.08 316	0.06 212	0.05 118	0.09 426

NRIStereo	0.11 219	0.08 272	0.14 298	0.18 323	0.08 144	0.10 148	0.14 178	0.16 158	0.15 184	0.12 228	0.14 227	0.13 257	0.12 295	0.13 273	0.10 142	0.06 126	0.04 24	0.07 226	0.06 212	0.06 222	0.07 318

FTStereo	0.12 288	0.06 75	0.14 298	0.18 323	0.09 265	0.07 33	0.15 250	0.21 288	0.18 267	0.12 228	0.24 377	0.12 232	0.12 295	0.13 273	0.13 316	0.05 34	0.05 207	0.07 226	0.06 212	0.06 222	0.10 453

ASMatch	0.11 219	0.06 75	0.13 263	0.16 165	0.10 373	0.07 33	0.14 178	0.17 194	0.17 237	0.12 228	0.16 256	0.16 320	0.10 234	0.13 273	0.10 142	0.05 34	0.04 24	0.06 124	0.05 132	0.04 21	0.08 382

RAFT-RH_RVC	0.11 219	0.06 75	0.14 298	0.16 165	0.09 265	0.12 234	0.12 75	0.17 194	0.12 105	0.13 259	0.41 536	0.11 214	0.10 234	0.13 273	0.12 275	0.05 34	0.04 24	0.08 316	0.05 132	0.04 21	0.06 236

AnonymousM	0.09 106	0.05 26	0.10 136	0.14 41	0.06 16	0.09 96	0.13 125	0.19 254	0.14 165	0.13 259	0.11 183	0.09 156	0.08 167	0.13 273	0.10 142	0.08 338	0.05 207	0.08 316	0.05 132	0.05 118	0.05 144

111	0.10 171	0.06 75	0.12 217	0.15 85	0.07 84	0.10 148	0.14 178	0.21 288	0.23 348	0.11 189	0.12 199	0.14 277	0.11 264	0.13 273	0.10 142	0.06 126	0.04 24	0.06 124	0.04 46	0.05 118	0.05 144

PMTNet	0.09 106	0.05 26	0.09 91	0.12 5	0.06 16	0.12 234	0.14 178	0.15 128	0.11 75	0.09 121	0.13 213	0.10 189	0.07 127	0.13 273	0.10 142	0.15 535	0.04 24	0.05 34	0.03 1	0.07 295	0.06 236

FACV-RUCA	0.13 313	0.11 433	0.12 217	0.19 381	0.12 457	0.15 343	0.15 250	0.22 312	0.20 307	0.15 307	0.16 256	0.14 277	0.16 401	0.14 298	0.13 316	0.07 273	0.05 207	0.08 316	0.06 212	0.10 452	0.08 382

PAM_32	0.09 106	0.05 26	0.17 413	0.15 85	0.08 144	0.10 148	0.15 250	0.14 96	0.15 184	0.09 121	0.08 89	0.09 156	0.07 127	0.14 298	0.08 17	0.06 126	0.05 207	0.06 124	0.06 212	0.05 118	0.06 236

rvit_stereo_ft	0.12 288	0.07 166	0.13 263	0.19 381	0.10 373	0.12 234	0.17 353	0.16 158	0.16 214	0.12 228	0.13 213	0.15 306	0.10 234	0.14 298	0.13 316	0.09 398	0.06 340	0.08 316	0.07 305	0.07 295	0.05 144

CAS++	0.11 219	0.07 166	0.11 180	0.14 41	0.09 265	0.12 234	0.14 178	0.24 355	0.14 165	0.11 189	0.09 111	0.11 214	0.07 127	0.14 298	0.09 62	0.11 468	0.09 473	0.09 398	0.07 305	0.07 295	0.08 382
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
CoDeX	0.12 288	0.07 166	0.12 217	0.17 241	0.08 144	0.12 234	0.15 250	0.23 332	0.27 409	0.13 259	0.17 277	0.16 320	0.11 264	0.14 298	0.11 217	0.07 273	0.05 207	0.07 226	0.06 212	0.06 222	0.05 144

ff1	0.13 313	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.15 128	0.19 284	0.15 307	0.25 405	0.19 367	0.13 333	0.14 298	0.20 449	0.06 126	0.04 24	0.09 398	0.08 375	0.06 222	0.06 236

mmx	0.14 347	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.27 410	0.25 385	0.15 307	0.25 405	0.19 367	0.13 333	0.14 298	0.20 449	0.08 338	0.06 340	0.09 398	0.08 375	0.08 358	0.08 382

xxx	0.14 347	0.09 347	0.14 298	0.16 165	0.08 144	0.17 393	0.17 353	0.27 410	0.25 385	0.15 307	0.25 405	0.19 367	0.13 333	0.14 298	0.20 449	0.08 338	0.06 340	0.09 398	0.08 375	0.08 358	0.08 382

anonymousdsp2	0.11 219	0.07 166	0.10 136	0.16 165	0.09 265	0.13 284	0.14 178	0.18 226	0.22 337	0.13 259	0.14 227	0.12 232	0.09 198	0.14 298	0.11 217	0.05 34	0.04 24	0.05 34	0.04 46	0.06 222	0.05 144

CASS	0.13 313	0.12 451	0.11 180	0.23 513	0.09 265	0.15 343	0.17 353	0.18 226	0.19 284	0.17 350	0.18 302	0.15 306	0.15 375	0.14 298	0.14 353	0.09 398	0.06 340	0.10 445	0.08 375	0.09 421	0.07 318
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 313	0.07 166	0.13 263	0.18 323	0.09 265	0.13 284	0.17 353	0.19 254	0.29 430	0.15 307	0.24 377	0.15 306	0.14 357	0.14 298	0.14 353	0.07 273	0.05 207	0.07 226	0.09 421	0.05 118	0.06 236

riskmin	0.11 219	0.06 75	0.13 263	0.14 41	0.08 144	0.14 317	0.14 178	0.18 226	0.14 165	0.11 189	0.14 227	0.16 320	0.11 264	0.14 298	0.12 275	0.09 398	0.05 207	0.07 226	0.05 132	0.08 358	0.08 382

IPLG	0.10 171	0.07 166	0.15 349	0.17 241	0.08 144	0.11 195	0.14 178	0.20 265	0.15 184	0.12 228	0.17 277	0.07 80	0.07 127	0.14 298	0.13 316	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.04 49

sCroCo_RVC	0.12 288	0.09 347	0.23 484	0.24 523	0.11 424	0.19 435	0.14 178	0.17 194	0.14 165	0.10 157	0.13 213	0.12 232	0.07 127	0.14 298	0.11 217	0.08 338	0.08 441	0.08 316	0.08 375	0.05 118	0.07 318

SFCPSM	0.13 313	0.07 166	0.14 298	0.17 241	0.09 265	0.15 343	0.16 316	0.28 429	0.27 409	0.14 280	0.17 277	0.12 232	0.13 333	0.14 298	0.11 217	0.08 338	0.05 207	0.07 226	0.07 305	0.07 295	0.06 236

FENet	0.13 313	0.08 272	0.12 217	0.16 165	0.08 144	0.14 317	0.15 250	0.22 312	0.23 348	0.17 350	0.23 365	0.16 320	0.12 295	0.14 298	0.15 381	0.08 338	0.05 207	0.08 316	0.08 375	0.07 295	0.07 318

cf-r	0.13 313	0.07 166	0.12 217	0.16 165	0.08 144	0.14 317	0.19 440	0.20 265	0.25 385	0.17 350	0.25 405	0.21 388	0.16 401	0.14 298	0.14 353	0.10 439	0.05 207	0.06 124	0.08 375	0.06 222	0.06 236

GwcNet-RSSM	0.14 347	0.07 166	0.12 217	0.15 85	0.08 144	0.15 343	0.20 463	0.21 288	0.27 409	0.18 380	0.27 431	0.22 406	0.16 401	0.14 298	0.15 381	0.10 439	0.05 207	0.07 226	0.09 421	0.07 295	0.07 318

FADNet_RVC	0.16 413	0.14 492	0.40 546	0.20 441	0.11 424	0.13 284	0.13 125	0.26 389	0.22 337	0.21 433	0.23 365	0.20 379	0.17 424	0.14 298	0.16 397	0.08 338	0.08 441	0.12 495	0.09 421	0.11 475	0.10 453

iResNetv2_ROB	0.14 347	0.08 272	0.15 349	0.16 165	0.08 144	0.16 372	0.12 75	0.25 371	0.35 481	0.21 433	0.29 457	0.24 430	0.13 333	0.14 298	0.14 353	0.06 126	0.05 207	0.06 124	0.04 46	0.09 421	0.08 382

MLCV	0.12 288	0.07 166	0.16 383	0.18 323	0.06 16	0.15 343	0.17 353	0.19 254	0.21 323	0.18 380	0.25 405	0.17 340	0.13 333	0.14 298	0.13 316	0.05 34	0.04 24	0.05 34	0.04 46	0.05 118	0.04 49

iResNet	0.13 313	0.10 407	0.18 436	0.19 381	0.08 144	0.13 284	0.18 401	0.20 265	0.26 399	0.15 307	0.23 365	0.15 306	0.13 333	0.14 298	0.14 353	0.06 126	0.04 24	0.06 124	0.05 132	0.06 222	0.05 144

DStereoRT	0.16 413	0.06 75	0.11 180	0.19 381	0.09 265	0.12 234	0.12 75	0.28 429	0.22 337	0.12 228	0.20 323	0.11 214	0.10 234	0.15 320	0.14 353	0.06 126	0.05 207	0.96 609	0.09 421	0.05 118	0.04 49

test_sample6	0.14 347	0.08 272	0.13 263	0.16 165	0.08 144	0.17 393	0.19 440	0.25 371	0.17 237	0.17 350	0.27 431	0.19 367	0.14 357	0.15 320	0.13 316	0.08 338	0.05 207	0.08 316	0.07 305	0.08 358	0.08 382

test_sample2	0.12 288	0.07 166	0.12 217	0.14 41	0.08 144	0.16 372	0.18 401	0.21 288	0.16 214	0.14 280	0.20 323	0.19 367	0.15 375	0.15 320	0.12 275	0.08 338	0.05 207	0.07 226	0.06 212	0.08 358	0.07 318

DispNO	0.14 347	0.08 272	0.17 413	0.19 381	0.12 457	0.11 195	0.21 483	0.23 332	0.29 430	0.17 350	0.23 365	0.18 353	0.17 424	0.15 320	0.15 381	0.07 273	0.05 207	0.08 316	0.08 375	0.07 295	0.06 236

SMFormer	0.14 347	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.17 412	0.08 338	0.05 207	0.07 226	0.06 212	0.07 295	0.06 236

tta	0.14 347	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.17 412	0.08 338	0.05 207	0.07 226	0.06 212	0.06 222	0.06 236

qqq1	0.13 313	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.11 217	0.08 338	0.05 207	0.05 34	0.05 132	0.06 222	0.06 236

fff1	0.13 313	0.07 166	0.17 413	0.14 41	0.08 144	0.16 372	0.17 353	0.26 389	0.27 409	0.19 396	0.20 323	0.18 353	0.15 375	0.15 320	0.11 217	0.08 338	0.05 207	0.05 34	0.05 132	0.06 222	0.06 236

MyStereo05	0.13 313	0.07 166	0.10 136	0.17 241	0.09 265	0.13 284	0.18 401	0.27 410	0.35 481	0.17 350	0.14 227	0.15 306	0.11 264	0.15 320	0.13 316	0.06 126	0.05 207	0.07 226	0.07 305	0.06 222	0.06 236

MyStereo04	0.13 313	0.07 166	0.10 136	0.17 241	0.09 265	0.14 317	0.18 401	0.29 441	0.38 499	0.17 350	0.14 227	0.16 320	0.10 234	0.15 320	0.13 316	0.06 126	0.05 207	0.08 316	0.07 305	0.06 222	0.06 236

1test111	0.11 219	0.08 272	0.12 217	0.17 241	0.09 265	0.13 284	0.15 250	0.23 332	0.16 214	0.09 121	0.09 111	0.06 23	0.06 46	0.15 320	0.16 397	0.06 126	0.04 24	0.06 124	0.05 132	0.07 295	0.07 318

11t1	0.12 288	0.06 75	0.13 263	0.14 41	0.08 144	0.17 393	0.15 250	0.18 226	0.15 184	0.15 307	0.15 244	0.16 320	0.16 401	0.15 320	0.13 316	0.08 338	0.05 207	0.06 124	0.05 132	0.08 358	0.07 318

LoS	0.09 106	0.05 26	0.11 180	0.13 14	0.07 84	0.14 317	0.11 54	0.15 128	0.15 184	0.09 121	0.09 111	0.12 232	0.09 198	0.15 320	0.10 142	0.07 273	0.05 207	0.05 34	0.03 1	0.05 118	0.05 144
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
gwcnet-sp	0.14 347	0.07 166	0.12 217	0.18 323	0.09 265	0.16 372	0.17 353	0.24 355	0.24 364	0.18 380	0.24 377	0.15 306	0.16 401	0.15 320	0.15 381	0.08 338	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

scenet	0.14 347	0.07 166	0.12 217	0.18 323	0.09 265	0.16 372	0.17 353	0.24 355	0.24 364	0.18 380	0.24 377	0.15 306	0.16 401	0.15 320	0.15 381	0.08 338	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

DCRE	0.11 219	0.07 166	0.13 263	0.16 165	0.11 424	0.11 195	0.17 353	0.18 226	0.17 237	0.11 189	0.18 302	0.10 189	0.10 234	0.15 320	0.11 217	0.06 126	0.05 207	0.06 124	0.06 212	0.05 118	0.04 49

Selective-RAFT	0.11 219	0.10 407	0.11 180	0.21 473	0.08 144	0.16 372	0.13 125	0.20 265	0.22 337	0.10 157	0.10 142	0.11 214	0.10 234	0.15 320	0.11 217	0.05 34	0.05 207	0.06 124	0.05 132	0.06 222	0.05 144

ssnet	0.14 347	0.07 166	0.12 217	0.18 323	0.09 265	0.16 372	0.17 353	0.24 355	0.24 364	0.18 380	0.24 377	0.15 306	0.16 401	0.15 320	0.15 381	0.08 338	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

qqq	0.13 313	0.09 347	0.15 349	0.16 165	0.08 144	0.13 284	0.15 250	0.23 332	0.16 214	0.15 307	0.19 311	0.16 320	0.16 401	0.15 320	0.16 397	0.07 273	0.06 340	0.08 316	0.08 375	0.07 295	0.07 318

BUS	0.14 347	0.09 347	0.14 298	0.22 489	0.10 373	0.19 435	0.14 178	0.34 505	0.19 284	0.17 350	0.22 356	0.16 320	0.13 333	0.15 320	0.13 316	0.08 338	0.06 340	0.10 445	0.09 421	0.07 295	0.07 318

NINENet	0.16 413	0.10 407	0.15 349	0.17 241	0.11 424	0.19 435	0.14 178	0.40 549	0.36 485	0.18 380	0.21 345	0.16 320	0.13 333	0.15 320	0.13 316	0.08 338	0.08 441	0.10 445	0.07 305	0.10 452	0.09 426

BSDual-CNN	0.15 390	0.09 347	0.14 298	0.22 489	0.10 373	0.14 317	0.15 250	0.34 505	0.19 284	0.17 350	0.22 356	0.25 444	0.16 401	0.15 320	0.14 353	0.08 338	0.06 340	0.10 445	0.09 421	0.07 295	0.07 318

psmg	0.14 347	0.09 347	0.14 298	0.17 241	0.10 373	0.15 343	0.17 353	0.29 441	0.19 284	0.17 350	0.21 345	0.25 444	0.16 401	0.15 320	0.14 353	0.08 338	0.06 340	0.08 316	0.08 375	0.07 295	0.06 236

Anonymous3	0.16 413	0.13 480	0.33 528	0.26 539	0.14 500	0.27 527	0.17 353	0.28 429	0.28 423	0.15 307	0.17 277	0.14 277	0.10 234	0.15 320	0.12 275	0.08 338	0.08 441	0.08 316	0.08 375	0.08 358	0.11 479

HCRNet	0.16 413	0.24 556	0.12 217	0.35 572	0.11 424	0.15 343	0.17 353	0.26 389	0.22 337	0.19 396	0.24 377	0.21 388	0.14 357	0.15 320	0.13 316	0.11 468	0.07 412	0.11 476	0.10 461	0.09 421	0.07 318

222	0.16 413	0.07 166	0.14 298	0.14 41	0.08 144	0.24 496	0.18 401	0.30 455	0.20 307	0.17 350	0.28 445	0.17 340	0.16 401	0.15 320	0.40 577	0.10 439	0.05 207	0.07 226	0.06 212	0.07 295	0.08 382

xxxx	0.15 390	0.07 166	0.14 298	0.14 41	0.08 144	0.23 491	0.18 401	0.31 465	0.19 284	0.14 280	0.28 445	0.22 406	0.14 357	0.15 320	0.26 524	0.09 398	0.05 207	0.07 226	0.07 305	0.08 358	0.07 318

test_xeample	0.15 390	0.06 75	0.13 263	0.14 41	0.08 144	0.21 467	0.20 463	0.28 429	0.20 307	0.16 335	0.29 457	0.19 367	0.16 401	0.15 320	0.26 524	0.09 398	0.05 207	0.07 226	0.07 305	0.07 295	0.07 318

ARAFT	0.12 288	0.08 272	0.17 413	0.19 381	0.09 265	0.14 317	0.18 401	0.20 265	0.12 105	0.12 228	0.13 213	0.14 277	0.11 264	0.15 320	0.12 275	0.06 126	0.05 207	0.10 445	0.09 421	0.05 118	0.04 49

RAFT + AFF	0.13 313	0.07 166	0.20 460	0.20 441	0.10 373	0.14 317	0.24 516	0.26 389	0.20 307	0.11 189	0.10 142	0.12 232	0.10 234	0.15 320	0.12 275	0.07 273	0.06 340	0.09 398	0.08 375	0.06 222	0.08 382

PSMNet-RSSM	0.14 347	0.07 166	0.13 263	0.15 85	0.08 144	0.13 284	0.16 316	0.24 355	0.24 364	0.16 335	0.28 445	0.22 406	0.14 357	0.15 320	0.13 316	0.11 468	0.06 340	0.09 398	0.12 513	0.08 358	0.07 318

DMCA	0.14 347	0.09 347	0.16 383	0.19 381	0.09 265	0.15 343	0.17 353	0.23 332	0.27 409	0.14 280	0.19 311	0.17 340	0.18 438	0.15 320	0.17 412	0.10 439	0.06 340	0.08 316	0.06 212	0.09 421	0.10 453

DIP-Stereo	0.11 219	0.07 166	0.14 298	0.17 241	0.09 265	0.13 284	0.09 18	0.16 158	0.16 214	0.11 189	0.16 256	0.14 277	0.12 295	0.15 320	0.13 316	0.06 126	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.10 171	0.06 75	0.12 217	0.14 41	0.06 16	0.11 195	0.10 31	0.18 226	0.18 267	0.13 259	0.16 256	0.14 277	0.11 264	0.15 320	0.13 316	0.06 126	0.04 24	0.04 1	0.04 46	0.06 222	0.05 144
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
iResNet_ROB	0.14 347	0.07 166	0.13 263	0.14 41	0.07 84	0.18 412	0.14 178	0.26 389	0.31 446	0.22 449	0.25 405	0.23 424	0.15 375	0.15 320	0.13 316	0.07 273	0.05 207	0.05 34	0.04 46	0.08 358	0.08 382

DFGA-Net	0.13 313	0.11 433	0.18 436	0.17 241	0.10 373	0.12 234	0.13 125	0.22 312	0.25 385	0.16 335	0.16 256	0.13 257	0.12 295	0.16 355	0.14 353	0.07 273	0.05 207	0.08 316	0.07 305	0.05 118	0.05 144

coex_refinement	0.14 347	0.07 166	0.12 217	0.17 241	0.10 373	0.15 343	0.15 250	0.26 389	0.29 430	0.18 380	0.20 323	0.22 406	0.17 424	0.16 355	0.18 430	0.08 338	0.05 207	0.06 124	0.06 212	0.09 421	0.08 382

HI	0.11 219	0.06 75	0.11 180	0.13 14	0.09 265	0.09 96	0.14 178	0.21 288	0.10 47	0.19 396	0.17 277	0.14 277	0.09 198	0.16 355	0.08 17	0.05 34	0.04 24	0.07 226	0.08 375	0.07 295	0.06 236

CoSv	0.11 219	0.06 75	0.11 180	0.13 14	0.09 265	0.09 96	0.14 178	0.21 288	0.10 47	0.19 396	0.17 277	0.14 277	0.09 198	0.16 355	0.08 17	0.05 34	0.04 24	0.07 226	0.08 375	0.07 295	0.06 236

999	0.09 106	0.05 26	0.13 263	0.15 85	0.08 144	0.10 148	0.14 178	0.15 128	0.11 75	0.10 157	0.08 89	0.08 129	0.08 167	0.16 355	0.10 142	0.06 126	0.04 24	0.06 124	0.05 132	0.04 21	0.05 144

GCST	0.37 565	0.42 583	0.26 496	1.02 607	0.39 583	0.18 412	0.08 7	0.20 265	0.17 237	0.28 511	0.25 405	0.15 306	0.12 295	0.16 355	0.14 353	0.64 603	0.43 592	0.75 599	0.65 603	0.63 596	0.46 595

DualNet (step1)	0.16 413	0.12 451	0.20 460	0.12 5	0.14 500	0.17 393	0.13 125	0.27 410	0.23 348	0.20 419	0.20 323	0.24 430	0.19 454	0.16 355	0.16 397	0.15 535	0.06 340	0.14 522	0.14 527	0.14 521	0.12 492

test_sample7	0.15 390	0.10 407	0.16 383	0.14 41	0.11 424	0.16 372	0.16 316	0.27 410	0.23 348	0.20 419	0.20 323	0.24 430	0.19 454	0.16 355	0.16 397	0.12 492	0.06 340	0.10 445	0.09 421	0.10 452	0.10 453

test_sample5	0.14 347	0.08 272	0.14 298	0.16 165	0.08 144	0.18 412	0.18 401	0.25 371	0.17 237	0.17 350	0.27 431	0.18 353	0.14 357	0.16 355	0.13 316	0.08 338	0.05 207	0.08 316	0.07 305	0.08 358	0.08 382

test_sample4	0.14 347	0.08 272	0.14 298	0.15 85	0.08 144	0.19 435	0.18 401	0.26 389	0.17 237	0.16 335	0.25 405	0.18 353	0.14 357	0.16 355	0.13 316	0.08 338	0.06 340	0.08 316	0.06 212	0.08 358	0.08 382

MyStereo8	0.12 288	0.07 166	0.15 349	0.15 85	0.09 265	0.18 412	0.14 178	0.19 254	0.22 337	0.12 228	0.18 302	0.11 214	0.10 234	0.16 355	0.18 430	0.07 273	0.05 207	0.07 226	0.05 132	0.08 358	0.09 426

mmm	0.14 347	0.08 272	0.17 413	0.17 241	0.09 265	0.17 393	0.18 401	0.21 288	0.15 184	0.15 307	0.23 365	0.21 388	0.16 401	0.16 355	0.17 412	0.08 338	0.05 207	0.08 316	0.07 305	0.07 295	0.07 318

DualNet	0.14 347	0.08 272	0.14 298	0.16 165	0.08 144	0.18 412	0.18 401	0.25 371	0.17 237	0.17 350	0.27 431	0.18 353	0.14 357	0.16 355	0.13 316	0.08 338	0.05 207	0.08 316	0.07 305	0.08 358	0.08 382

StereoVision	0.13 313	0.12 451	0.09 91	0.24 523	0.10 373	0.15 343	0.21 483	0.21 288	0.20 307	0.12 228	0.24 377	0.10 189	0.10 234	0.16 355	0.10 142	0.09 398	0.11 505	0.12 495	0.12 513	0.06 222	0.05 144

LL-Strereo2	0.10 171	0.10 407	0.15 349	0.18 323	0.08 144	0.15 343	0.09 18	0.17 194	0.14 165	0.14 280	0.10 142	0.09 156	0.07 127	0.16 355	0.10 142	0.05 34	0.05 207	0.10 445	0.07 305	0.06 222	0.05 144

CBFPSM	0.14 347	0.06 75	0.26 496	0.17 241	0.09 265	0.13 284	0.15 250	0.22 312	0.23 348	0.20 419	0.27 431	0.24 430	0.16 401	0.16 355	0.18 430	0.06 126	0.06 340	0.06 124	0.07 305	0.07 295	0.07 318

IER	0.14 347	0.07 166	0.13 263	0.17 241	0.09 265	0.14 317	0.16 316	0.25 371	0.26 399	0.18 380	0.25 405	0.17 340	0.20 466	0.16 355	0.14 353	0.08 338	0.05 207	0.07 226	0.06 212	0.08 358	0.07 318

CIPLG	0.11 219	0.08 272	0.14 298	0.17 241	0.08 144	0.12 234	0.15 250	0.17 194	0.15 184	0.14 280	0.11 183	0.16 320	0.09 198	0.16 355	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

UDGNet	0.14 347	0.13 480	0.16 383	0.17 241	0.10 373	0.12 234	0.16 316	0.21 288	0.27 409	0.20 419	0.20 323	0.16 320	0.13 333	0.16 355	0.13 316	0.10 439	0.06 340	0.09 398	0.07 305	0.06 222	0.07 318

DAS	0.15 390	0.08 272	0.18 436	0.19 381	0.10 373	0.19 435	0.17 353	0.27 410	0.29 430	0.18 380	0.25 405	0.21 388	0.15 375	0.16 355	0.12 275	0.08 338	0.06 340	0.06 124	0.06 212	0.07 295	0.07 318

IPLGR_C	0.11 219	0.08 272	0.14 298	0.17 241	0.08 144	0.12 234	0.15 250	0.17 194	0.15 184	0.14 280	0.10 142	0.16 320	0.09 198	0.16 355	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

ACRE	0.11 219	0.08 272	0.14 298	0.17 241	0.08 144	0.12 234	0.15 250	0.17 194	0.14 165	0.14 280	0.10 142	0.16 320	0.09 198	0.16 355	0.11 217	0.07 273	0.05 207	0.06 124	0.05 132	0.05 118	0.06 236

GANet-ADL	0.13 313	0.07 166	0.15 349	0.17 241	0.10 373	0.18 412	0.15 250	0.30 455	0.20 307	0.13 259	0.18 302	0.19 367	0.12 295	0.16 355	0.13 316	0.08 338	0.06 340	0.06 124	0.05 132	0.07 295	0.08 382

RAFT	0.13 313	0.09 347	0.11 180	0.18 323	0.08 144	0.15 343	0.24 516	0.20 265	0.19 284	0.21 433	0.21 345	0.17 340	0.12 295	0.16 355	0.09 62	0.06 126	0.07 412	0.10 445	0.09 421	0.05 118	0.05 144

TestStereo	0.13 313	0.14 492	0.11 180	0.23 513	0.08 144	0.15 343	0.21 483	0.20 265	0.23 348	0.14 280	0.24 377	0.16 320	0.12 295	0.16 355	0.14 353	0.05 34	0.06 340	0.08 316	0.06 212	0.09 421	0.05 144

GES	0.14 347	0.08 272	0.16 383	0.15 85	0.10 373	0.13 284	0.13 125	0.28 429	0.25 385	0.16 335	0.23 365	0.18 353	0.13 333	0.16 355	0.13 316	0.08 338	0.07 412	0.07 226	0.06 212	0.08 358	0.09 426

GMStereo	0.13 313	0.14 492	0.14 298	0.18 323	0.09 265	0.15 343	0.16 316	0.20 265	0.24 364	0.16 335	0.17 277	0.10 189	0.10 234	0.16 355	0.13 316	0.07 273	0.06 340	0.06 124	0.06 212	0.07 295	0.06 236
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
GANet-RSSM	0.14 347	0.07 166	0.13 263	0.13 14	0.08 144	0.14 317	0.17 353	0.22 312	0.21 323	0.17 350	0.24 377	0.23 424	0.15 375	0.16 355	0.15 381	0.10 439	0.06 340	0.07 226	0.08 375	0.08 358	0.07 318

CFNet-ft	0.14 347	0.07 166	0.15 349	0.12 5	0.09 265	0.16 372	0.18 401	0.22 312	0.24 364	0.17 350	0.26 422	0.24 430	0.14 357	0.16 355	0.14 353	0.11 468	0.06 340	0.08 316	0.09 421	0.09 421	0.08 382

FADNet-RVC-Resample	0.16 413	0.11 433	0.31 521	0.22 489	0.11 424	0.19 435	0.14 178	0.25 371	0.24 364	0.24 471	0.27 431	0.20 379	0.15 375	0.16 355	0.15 381	0.07 273	0.08 441	0.12 495	0.10 461	0.09 421	0.10 453

BEATNet_4x	0.12 288	0.08 272	0.14 298	0.18 323	0.07 84	0.15 343	0.07 3	0.22 312	0.18 267	0.16 335	0.19 311	0.18 353	0.14 357	0.16 355	0.15 381	0.07 273	0.05 207	0.05 34	0.05 132	0.06 222	0.06 236

CFNet_RVC	0.14 347	0.07 166	0.15 349	0.12 5	0.09 265	0.16 372	0.18 401	0.22 312	0.24 364	0.17 350	0.26 422	0.24 430	0.14 357	0.16 355	0.14 353	0.11 468	0.06 340	0.08 316	0.09 421	0.09 421	0.08 382

G2L-ROB	0.13 313	0.06 75	0.13 263	0.13 14	0.08 144	0.14 317	0.16 316	0.25 371	0.18 267	0.19 396	0.18 302	0.20 379	0.14 357	0.17 387	0.16 397	0.08 338	0.05 207	0.06 124	0.05 132	0.08 358	0.09 426

G2L-Stereo_test	0.14 347	0.07 166	0.11 180	0.13 14	0.08 144	0.12 234	0.16 316	0.30 455	0.28 423	0.20 419	0.23 365	0.20 379	0.16 401	0.17 387	0.18 430	0.07 273	0.05 207	0.05 34	0.05 132	0.07 295	0.06 236

G2L-Stereo	0.14 347	0.07 166	0.13 263	0.17 241	0.09 265	0.13 284	0.12 75	0.27 410	0.22 337	0.16 335	0.27 431	0.21 388	0.13 333	0.17 387	0.18 430	0.09 398	0.08 441	0.08 316	0.07 305	0.07 295	0.07 318

ISRNet	0.18 448	0.08 272	0.19 448	0.19 381	0.13 480	0.15 343	0.12 75	0.30 455	0.32 453	0.21 433	0.25 405	0.27 462	0.17 424	0.17 387	0.20 449	0.20 564	0.08 441	0.14 522	0.14 527	0.14 521	0.17 557

rvit_0105_5	0.14 347	0.09 347	0.13 263	0.17 241	0.09 265	0.14 317	0.23 504	0.24 355	0.27 409	0.14 280	0.15 244	0.18 353	0.12 295	0.17 387	0.14 353	0.14 531	0.11 505	0.10 445	0.10 461	0.08 358	0.06 236

rvit_0105_4	0.14 347	0.09 347	0.17 413	0.17 241	0.10 373	0.12 234	0.19 440	0.23 332	0.27 409	0.14 280	0.20 323	0.17 340	0.13 333	0.17 387	0.13 316	0.15 535	0.11 505	0.11 476	0.10 461	0.09 421	0.06 236

rvit_0105_3	0.15 390	0.09 347	0.14 298	0.19 381	0.12 457	0.15 343	0.25 531	0.25 371	0.29 430	0.15 307	0.17 277	0.20 379	0.13 333	0.17 387	0.14 353	0.13 517	0.11 505	0.12 495	0.14 527	0.07 295	0.06 236

ITSA-stereo	0.15 390	0.10 407	0.14 298	0.19 381	0.08 144	0.12 234	0.14 178	0.30 455	0.49 545	0.17 350	0.19 311	0.22 406	0.15 375	0.17 387	0.16 397	0.10 439	0.06 340	0.08 316	0.08 375	0.08 358	0.08 382

test_sample3	0.14 347	0.08 272	0.15 349	0.14 41	0.09 265	0.19 435	0.17 353	0.26 389	0.18 267	0.16 335	0.22 356	0.19 367	0.15 375	0.17 387	0.13 316	0.08 338	0.06 340	0.07 226	0.06 212	0.09 421	0.08 382

test_sample1	0.13 313	0.07 166	0.14 298	0.13 14	0.08 144	0.19 435	0.16 316	0.20 265	0.15 184	0.14 280	0.22 356	0.18 353	0.16 401	0.17 387	0.14 353	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.07 318

PCWNet_CMD	0.14 347	0.08 272	0.15 349	0.17 241	0.09 265	0.14 317	0.14 178	0.29 441	0.36 485	0.14 280	0.20 323	0.21 388	0.12 295	0.17 387	0.13 316	0.07 273	0.05 207	0.07 226	0.07 305	0.07 295	0.07 318

hknet	0.15 390	0.11 433	0.13 263	0.22 489	0.11 424	0.14 317	0.15 250	0.34 505	0.25 385	0.17 350	0.22 356	0.22 406	0.18 438	0.17 387	0.12 275	0.07 273	0.06 340	0.10 445	0.09 421	0.07 295	0.07 318

AASNet	0.16 413	0.08 272	0.12 217	0.19 381	0.09 265	0.18 412	0.15 250	0.37 533	0.37 492	0.19 396	0.23 365	0.20 379	0.16 401	0.17 387	0.20 449	0.10 439	0.08 441	0.08 316	0.07 305	0.09 421	0.09 426

ICVP	0.15 390	0.09 347	0.12 217	0.22 489	0.09 265	0.17 393	0.21 483	0.25 371	0.23 348	0.18 380	0.30 464	0.26 454	0.18 438	0.17 387	0.14 353	0.09 398	0.07 412	0.08 316	0.07 305	0.07 295	0.07 318
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 434	0.09 347	0.16 383	0.20 441	0.11 424	0.27 527	0.20 463	0.25 371	0.41 511	0.22 449	0.30 464	0.21 388	0.20 466	0.17 387	0.20 449	0.06 126	0.06 340	0.07 226	0.07 305	0.08 358	0.07 318

ACVNet	0.15 390	0.09 347	0.15 349	0.13 14	0.12 457	0.14 317	0.20 463	0.22 312	0.33 460	0.17 350	0.26 422	0.21 388	0.16 401	0.17 387	0.21 469	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.06 236

acv_ft	0.15 390	0.09 347	0.15 349	0.19 381	0.10 373	0.16 372	0.17 353	0.25 371	0.33 460	0.19 396	0.26 422	0.21 388	0.17 424	0.17 387	0.18 430	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.06 236

MSMDNet	0.14 347	0.08 272	0.15 349	0.17 241	0.09 265	0.14 317	0.14 178	0.29 441	0.36 485	0.14 280	0.21 345	0.21 388	0.12 295	0.17 387	0.14 353	0.07 273	0.05 207	0.07 226	0.07 305	0.07 295	0.07 318

HSM-Net_RVC	0.14 347	0.08 272	0.11 180	0.15 85	0.08 144	0.15 343	0.15 250	0.27 410	0.29 430	0.19 396	0.21 345	0.29 480	0.14 357	0.17 387	0.13 316	0.06 126	0.06 340	0.06 124	0.06 212	0.07 295	0.06 236
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 390	0.10 407	0.17 413	0.17 241	0.08 144	0.18 412	0.09 18	0.28 429	0.25 385	0.19 396	0.24 377	0.24 430	0.17 424	0.17 387	0.14 353	0.08 338	0.06 340	0.09 398	0.10 461	0.07 295	0.06 236

UCFNet_RVC	0.14 347	0.08 272	0.13 263	0.11 1	0.10 373	0.20 450	0.10 31	0.24 355	0.22 337	0.17 350	0.20 323	0.23 424	0.15 375	0.17 387	0.15 381	0.12 492	0.07 412	0.10 445	0.13 523	0.11 475	0.10 453

YMNet	0.20 472	0.12 451	0.19 448	0.20 441	0.14 500	0.26 517	0.23 504	0.32 476	0.34 472	0.27 496	0.34 492	0.30 490	0.18 438	0.18 408	0.22 478	0.10 439	0.13 535	0.10 445	0.10 461	0.08 358	0.09 426

YMNet_1	0.20 472	0.12 451	0.19 448	0.20 441	0.14 500	0.26 517	0.23 504	0.32 476	0.34 472	0.27 496	0.34 492	0.30 490	0.18 438	0.18 408	0.22 478	0.10 439	0.13 535	0.10 445	0.10 461	0.08 358	0.09 426

rvit_0105_6	0.14 347	0.09 347	0.18 436	0.17 241	0.10 373	0.10 148	0.16 316	0.19 254	0.26 399	0.12 228	0.18 302	0.17 340	0.12 295	0.18 408	0.12 275	0.15 535	0.11 505	0.12 495	0.10 461	0.09 421	0.06 236

DCVSM-stereo	0.14 347	0.09 347	0.16 383	0.16 165	0.10 373	0.15 343	0.09 18	0.19 254	0.23 348	0.20 419	0.23 365	0.26 454	0.15 375	0.18 408	0.14 353	0.09 398	0.07 412	0.09 398	0.08 375	0.10 452	0.12 492

rvit_stereo_0075_2	0.17 434	0.12 451	0.25 493	0.23 513	0.16 530	0.13 284	0.10 31	0.30 455	0.27 409	0.20 419	0.28 445	0.22 406	0.15 375	0.18 408	0.13 316	0.16 551	0.10 493	0.17 544	0.10 461	0.10 452	0.09 426

CFNet_ucs	0.15 390	0.08 272	0.16 383	0.16 165	0.11 424	0.14 317	0.14 178	0.30 455	0.34 472	0.16 335	0.24 377	0.23 424	0.14 357	0.18 408	0.15 381	0.09 398	0.06 340	0.08 316	0.07 305	0.09 421	0.09 426

iinet-f	0.16 413	0.06 75	0.45 553	0.14 41	0.10 373	0.21 467	0.14 178	0.27 410	0.23 348	0.21 433	0.24 377	0.21 388	0.15 375	0.18 408	0.21 469	0.09 398	0.07 412	0.07 226	0.06 212	0.09 421	0.10 453

x	0.13 313	0.07 166	0.14 298	0.14 41	0.08 144	0.18 412	0.14 178	0.22 312	0.20 307	0.15 307	0.19 311	0.19 367	0.17 424	0.18 408	0.18 430	0.07 273	0.05 207	0.06 124	0.06 212	0.07 295	0.07 318

GLC_STEREO	0.11 219	0.07 166	0.11 180	0.17 241	0.07 84	0.09 96	0.13 125	0.15 128	0.24 364	0.12 228	0.13 213	0.12 232	0.08 167	0.18 408	0.11 217	0.06 126	0.08 441	0.08 316	0.06 212	0.05 118	0.05 144

PSMNet-ADL	0.15 390	0.12 451	0.13 263	0.22 489	0.09 265	0.13 284	0.20 463	0.26 389	0.23 348	0.18 380	0.20 323	0.24 430	0.16 401	0.18 408	0.17 412	0.08 338	0.08 441	0.08 316	0.11 493	0.08 358	0.07 318

CFNet_pseudo	0.14 347	0.08 272	0.15 349	0.16 165	0.09 265	0.13 284	0.14 178	0.27 410	0.34 472	0.14 280	0.21 345	0.22 406	0.13 333	0.18 408	0.14 353	0.07 273	0.05 207	0.08 316	0.06 212	0.07 295	0.07 318

ADLNet	0.16 413	0.08 272	0.15 349	0.16 165	0.10 373	0.16 372	0.17 353	0.32 476	0.27 409	0.22 449	0.27 431	0.24 430	0.16 401	0.18 408	0.21 469	0.10 439	0.06 340	0.10 445	0.10 461	0.08 358	0.09 426

DMCA-RVC	0.17 434	0.10 407	0.15 349	0.24 523	0.11 424	0.18 412	0.18 401	0.25 371	0.24 364	0.21 433	0.26 422	0.25 444	0.27 516	0.18 408	0.20 449	0.12 492	0.08 441	0.13 510	0.10 461	0.10 452	0.08 382

ccs_rob	0.14 347	0.08 272	0.15 349	0.16 165	0.09 265	0.12 234	0.14 178	0.27 410	0.34 472	0.14 280	0.21 345	0.22 406	0.13 333	0.18 408	0.14 353	0.07 273	0.05 207	0.08 316	0.07 305	0.07 295	0.07 318

pmcnn	0.15 390	0.07 166	0.19 448	0.15 85	0.07 84	0.20 450	0.15 250	0.24 355	0.26 399	0.21 433	0.34 492	0.28 472	0.18 438	0.18 408	0.17 412	0.07 273	0.05 207	0.05 34	0.04 46	0.07 295	0.06 236

TCMNet	0.19 460	0.12 451	0.19 448	0.20 441	0.18 552	0.20 450	0.24 516	0.27 410	0.36 485	0.23 462	0.26 422	0.25 444	0.19 454	0.19 423	0.23 490	0.13 517	0.11 505	0.11 476	0.12 513	0.13 508	0.12 492

DDVS	0.15 390	0.10 407	0.21 469	0.16 165	0.12 457	0.15 343	0.14 178	0.25 371	0.19 284	0.18 380	0.29 457	0.27 462	0.12 295	0.19 423	0.15 381	0.09 398	0.06 340	0.09 398	0.07 305	0.11 475	0.11 479

rvit_105_1	0.19 460	0.11 433	0.25 493	0.21 473	0.16 530	0.21 467	0.27 547	0.31 465	0.41 511	0.19 396	0.20 323	0.22 406	0.17 424	0.19 423	0.17 412	0.12 492	0.12 521	0.13 510	0.15 543	0.08 358	0.07 318

UGAM	0.13 313	0.10 407	0.09 91	0.22 489	0.08 144	0.12 234	0.20 463	0.17 194	0.23 348	0.21 433	0.16 256	0.13 257	0.13 333	0.19 423	0.12 275	0.07 273	0.05 207	0.13 510	0.11 493	0.07 295	0.05 144

test_sample9	0.18 448	0.12 451	0.20 460	0.12 5	0.14 500	0.17 393	0.13 125	0.27 410	0.23 348	0.20 419	0.20 323	0.24 430	0.19 454	0.19 423	0.17 412	0.15 535	0.30 584	0.14 522	0.14 527	0.14 521	0.12 492

test_sample8	0.19 460	0.12 451	0.20 460	0.12 5	0.14 500	0.17 393	0.13 125	0.31 465	0.21 323	0.27 496	0.22 356	0.36 529	0.25 502	0.19 423	0.17 412	0.15 535	0.30 584	0.14 522	0.14 527	0.14 521	0.12 492

GMStereo_Zeroshot	0.16 413	0.13 480	0.24 488	0.20 441	0.10 373	0.17 393	0.13 125	0.29 441	0.25 385	0.23 462	0.32 476	0.25 444	0.11 264	0.19 423	0.14 353	0.09 398	0.06 340	0.11 476	0.06 212	0.12 490	0.08 382

LL-Strereo	0.13 313	0.09 347	0.11 180	0.20 441	0.10 373	0.11 195	0.18 401	0.32 476	0.24 364	0.15 307	0.15 244	0.14 277	0.13 333	0.19 423	0.11 217	0.06 126	0.04 24	0.09 398	0.08 375	0.04 21	0.05 144

SDNR	0.19 460	0.08 272	0.19 448	0.16 165	0.12 457	0.77 599	0.14 178	0.25 371	0.32 453	0.19 396	0.24 377	0.19 367	0.13 333	0.19 423	0.15 381	0.16 551	0.18 560	0.14 522	0.11 493	0.08 358	0.11 479

ToySt	0.17 434	0.11 433	0.18 436	0.17 241	0.11 424	0.16 372	0.25 531	0.24 355	0.33 460	0.19 396	0.24 377	0.26 454	0.24 493	0.19 423	0.20 449	0.07 273	0.08 441	0.09 398	0.10 461	0.09 421	0.08 382

CRFU-Net	0.16 413	0.08 272	0.14 298	0.17 241	0.09 265	0.19 435	0.14 178	0.26 389	0.20 307	0.28 511	0.27 431	0.29 480	0.17 424	0.19 423	0.17 412	0.09 398	0.09 473	0.07 226	0.07 305	0.08 358	0.08 382

dad	0.17 434	0.20 541	0.20 460	0.16 165	0.11 424	0.20 450	0.18 401	0.21 288	0.28 423	0.30 525	0.24 377	0.29 480	0.13 333	0.19 423	0.16 397	0.18 557	0.09 473	0.11 476	0.09 421	0.11 475	0.07 318

AACVNet	0.16 413	0.08 272	0.14 298	0.15 85	0.10 373	0.18 412	0.15 250	0.23 332	0.24 364	0.27 496	0.27 431	0.28 472	0.17 424	0.19 423	0.16 397	0.09 398	0.07 412	0.09 398	0.07 305	0.10 452	0.09 426

Syn2CoEx	0.21 484	0.16 510	0.27 503	0.29 563	0.14 500	0.26 517	0.20 463	0.33 496	0.31 446	0.28 511	0.36 499	0.27 462	0.25 502	0.19 423	0.24 503	0.16 551	0.12 521	0.14 522	0.11 493	0.09 421	0.08 382

delet	0.17 434	0.08 272	0.17 413	0.19 381	0.11 424	0.20 450	0.21 483	0.30 455	0.37 492	0.17 350	0.26 422	0.19 367	0.19 454	0.19 423	0.21 469	0.08 338	0.08 441	0.09 398	0.11 493	0.06 222	0.06 236

UNet	0.17 434	0.09 347	0.18 436	0.19 381	0.12 457	0.27 527	0.19 440	0.33 496	0.29 430	0.21 433	0.24 377	0.23 424	0.19 454	0.19 423	0.18 430	0.07 273	0.06 340	0.08 316	0.07 305	0.08 358	0.06 236

UPFNet	0.16 413	0.08 272	0.12 217	0.20 441	0.12 457	0.20 450	0.23 504	0.28 429	0.26 399	0.17 350	0.24 377	0.22 406	0.19 454	0.19 423	0.21 469	0.09 398	0.07 412	0.08 316	0.09 421	0.08 358	0.06 236

ac_64	0.16 413	0.08 272	0.15 349	0.18 323	0.10 373	0.22 476	0.18 401	0.24 355	0.21 323	0.18 380	0.24 377	0.29 480	0.18 438	0.19 423	0.22 478	0.09 398	0.07 412	0.08 316	0.09 421	0.07 295	0.06 236

HGLStereo	0.17 434	0.08 272	0.19 448	0.17 241	0.12 457	0.18 412	0.18 401	0.31 465	0.32 453	0.21 433	0.32 476	0.25 444	0.18 438	0.19 423	0.20 449	0.09 398	0.09 473	0.07 226	0.07 305	0.09 421	0.10 453

DSFCA	0.16 413	0.09 347	0.14 298	0.16 165	0.10 373	0.20 450	0.19 440	0.28 429	0.31 446	0.23 462	0.24 377	0.22 406	0.15 375	0.19 423	0.20 449	0.10 439	0.07 412	0.09 398	0.09 421	0.08 358	0.08 382

FADNet	0.21 484	0.22 551	0.36 537	0.18 323	0.17 545	0.24 496	0.13 125	0.31 465	0.31 446	0.23 462	0.25 405	0.27 462	0.21 470	0.19 423	0.15 381	0.13 517	0.15 550	0.12 495	0.15 543	0.16 545	0.18 560

S-Stereo	0.20 472	0.12 451	0.25 493	0.21 473	0.13 480	0.20 450	0.18 401	0.32 476	0.43 524	0.23 462	0.36 499	0.28 472	0.30 539	0.19 423	0.22 478	0.09 398	0.12 521	0.10 445	0.10 461	0.13 508	0.13 513

MaskLacGwcNet_RVC	0.22 493	0.21 547	0.24 488	0.26 539	0.11 424	0.23 491	0.14 178	0.39 545	0.24 364	0.32 537	0.36 499	0.30 490	0.21 470	0.19 423	0.21 469	0.17 556	0.14 544	0.21 558	0.16 547	0.12 490	0.12 492

AdaStereo	0.15 390	0.11 433	0.15 349	0.18 323	0.09 265	0.20 450	0.11 54	0.32 476	0.28 423	0.20 419	0.23 365	0.20 379	0.13 333	0.19 423	0.14 353	0.12 492	0.05 207	0.10 445	0.07 305	0.09 421	0.07 318
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.
DLCB_ROB	0.18 448	0.10 407	0.15 349	0.23 513	0.11 424	0.24 496	0.18 401	0.29 441	0.28 423	0.27 496	0.28 445	0.28 472	0.24 493	0.19 423	0.20 449	0.08 338	0.08 441	0.09 398	0.09 421	0.07 295	0.07 318

z-ln-s-r	0.17 434	0.10 407	0.40 546	0.19 381	0.08 144	0.17 393	0.18 401	0.22 312	0.33 460	0.18 380	0.40 525	0.22 406	0.17 424	0.20 448	0.23 490	0.07 273	0.05 207	0.07 226	0.07 305	0.07 295	0.05 144

Wz-Net-LNSev-Ref	0.18 448	0.09 347	0.29 516	0.15 85	0.10 373	0.22 476	0.20 463	0.26 389	0.39 502	0.25 484	0.42 542	0.24 430	0.15 375	0.20 448	0.19 443	0.07 273	0.05 207	0.06 124	0.05 132	0.10 452	0.09 426

iRaft-Stereo_5w	0.12 288	0.09 347	0.12 217	0.19 381	0.08 144	0.09 96	0.12 75	0.21 288	0.21 323	0.19 396	0.14 227	0.11 214	0.09 198	0.20 448	0.16 397	0.05 34	0.05 207	0.07 226	0.06 212	0.05 118	0.06 236

UDG	0.21 484	0.17 521	0.19 448	0.23 513	0.15 519	0.30 541	0.20 463	0.33 496	0.35 481	0.23 462	0.28 445	0.31 503	0.27 516	0.20 448	0.22 478	0.15 535	0.12 521	0.13 510	0.09 421	0.14 521	0.14 530

LMCR-Stereo	0.15 390	0.08 272	0.13 263	0.21 473	0.09 265	0.17 393	0.20 463	0.27 410	0.19 284	0.24 471	0.24 377	0.23 424	0.17 424	0.20 448	0.17 412	0.07 273	0.06 340	0.08 316	0.06 212	0.10 452	0.08 382

pcwnet_v2	0.19 460	0.10 407	0.26 496	0.17 241	0.14 500	0.18 412	0.15 250	0.37 533	0.46 536	0.19 396	0.24 377	0.21 388	0.19 454	0.20 448	0.19 443	0.13 517	0.10 493	0.10 445	0.10 461	0.11 475	0.13 513

psm_up	0.18 448	0.10 407	0.18 436	0.20 441	0.11 424	0.17 393	0.19 440	0.37 533	0.34 472	0.21 433	0.28 445	0.29 480	0.24 493	0.20 448	0.22 478	0.09 398	0.10 493	0.11 476	0.11 493	0.08 358	0.08 382

aanetorigin	0.22 493	0.17 521	0.56 569	0.17 241	0.10 373	0.15 343	0.19 440	0.20 265	0.33 460	0.49 573	0.48 553	0.29 480	0.27 516	0.20 448	0.23 490	0.08 338	0.07 412	0.08 316	0.07 305	0.10 452	0.09 426

STTStereo	0.18 448	0.12 451	0.27 503	0.20 441	0.11 424	0.16 372	0.21 483	0.29 441	0.23 348	0.21 433	0.30 464	0.29 480	0.18 438	0.20 448	0.19 443	0.12 492	0.11 505	0.11 476	0.14 527	0.09 421	0.08 382

RASNet	0.14 347	0.07 166	0.14 298	0.16 165	0.08 144	0.18 412	0.14 178	0.29 441	0.20 307	0.17 350	0.25 405	0.21 388	0.18 438	0.20 448	0.19 443	0.07 273	0.06 340	0.06 124	0.08 375	0.06 222	0.06 236

RYNet	0.22 493	0.12 451	0.22 475	0.19 381	0.17 545	0.46 570	0.26 540	0.38 541	0.48 538	0.24 471	0.28 445	0.34 523	0.23 487	0.20 448	0.30 550	0.10 439	0.06 340	0.09 398	0.09 421	0.13 508	0.15 537

PA-Net	0.23 509	0.18 532	0.33 528	0.28 555	0.22 564	0.21 467	0.38 584	0.29 441	0.39 502	0.22 449	0.32 476	0.25 444	0.26 508	0.20 448	0.25 513	0.09 398	0.23 578	0.15 534	0.22 565	0.09 421	0.13 513
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DeepPruner_ROB	0.16 413	0.11 433	0.15 349	0.17 241	0.10 373	0.17 393	0.15 250	0.32 476	0.21 323	0.19 396	0.21 345	0.22 406	0.18 438	0.20 448	0.15 381	0.13 517	0.09 473	0.09 398	0.09 421	0.11 475	0.10 453

PS-NSSS	0.20 472	0.21 547	0.23 484	0.20 441	0.10 373	0.19 435	0.17 353	0.36 527	0.25 385	0.27 496	0.33 488	0.27 462	0.24 493	0.20 448	0.20 449	0.15 535	0.12 521	0.17 544	0.14 527	0.10 452	0.08 382

HSM	0.15 390	0.08 272	0.14 298	0.16 165	0.09 265	0.16 372	0.14 178	0.28 429	0.25 385	0.19 396	0.23 365	0.37 534	0.16 401	0.20 448	0.15 381	0.07 273	0.05 207	0.07 226	0.06 212	0.07 295	0.06 236

StereoDRNet	0.18 448	0.11 433	0.17 413	0.22 489	0.11 424	0.21 467	0.22 493	0.37 533	0.33 460	0.24 471	0.28 445	0.30 490	0.19 454	0.20 448	0.20 449	0.09 398	0.08 441	0.11 476	0.09 421	0.09 421	0.07 318

LE_ROB	0.50 581	0.07 166	0.14 298	0.15 85	0.08 144	0.24 496	0.16 316	0.22 312	1.81 616	4.63 619	0.67 579	0.47 567	0.44 576	0.20 448	0.29 544	0.07 273	0.06 340	0.06 124	0.06 212	0.08 358	0.06 236

w-ln-seven-2	0.20 472	0.14 492	0.37 541	0.22 489	0.12 457	0.20 450	0.21 483	0.28 429	0.37 492	0.25 484	0.37 505	0.27 462	0.22 479	0.21 465	0.23 490	0.08 338	0.08 441	0.09 398	0.09 421	0.10 452	0.09 426

w-ln-seven	0.24 516	0.14 492	0.55 566	0.19 381	0.14 500	0.26 517	0.22 493	0.35 520	0.60 571	0.29 520	0.39 519	0.30 490	0.22 479	0.21 465	0.26 524	0.09 398	0.09 473	0.11 476	0.10 461	0.11 475	0.10 453

fast-acv-ft	0.18 448	0.11 433	0.19 448	0.19 381	0.12 457	0.24 496	0.21 483	0.25 371	0.34 472	0.22 449	0.34 492	0.27 462	0.20 466	0.21 465	0.23 490	0.09 398	0.09 473	0.08 316	0.10 461	0.08 358	0.07 318

CSP-Net	0.16 413	0.09 347	0.14 298	0.16 165	0.09 265	0.19 435	0.17 353	0.25 371	0.32 453	0.25 484	0.30 464	0.24 430	0.15 375	0.21 465	0.18 430	0.09 398	0.06 340	0.07 226	0.07 305	0.08 358	0.07 318

dd	0.15 390	0.16 510	0.16 383	0.19 381	0.09 265	0.15 343	0.18 401	0.21 288	0.25 385	0.23 462	0.20 323	0.21 388	0.09 198	0.21 465	0.16 397	0.10 439	0.06 340	0.08 316	0.06 212	0.08 358	0.06 236

ADLNet2	0.16 413	0.09 347	0.13 263	0.16 165	0.09 265	0.20 450	0.16 316	0.31 465	0.39 502	0.16 335	0.20 323	0.20 379	0.18 438	0.21 465	0.22 478	0.08 338	0.06 340	0.07 226	0.07 305	0.09 421	0.07 318

GEStereo_RVC	0.17 434	0.12 451	0.15 349	0.22 489	0.11 424	0.19 435	0.17 353	0.32 476	0.48 538	0.20 419	0.25 405	0.17 340	0.13 333	0.21 465	0.16 397	0.10 439	0.06 340	0.08 316	0.07 305	0.09 421	0.08 382

FAT-Stereo	0.20 472	0.12 451	0.22 475	0.21 473	0.12 457	0.17 393	0.18 401	0.34 505	0.39 502	0.27 496	0.37 505	0.34 523	0.32 547	0.21 465	0.20 449	0.09 398	0.11 505	0.10 445	0.09 421	0.11 475	0.14 530

DeepPrunerF	0.24 516	0.17 521	0.42 551	0.26 539	0.16 530	0.22 476	0.28 553	0.37 533	0.50 548	0.26 490	0.29 457	0.24 430	0.28 527	0.21 465	0.22 478	0.15 535	0.11 505	0.20 557	0.18 558	0.12 490	0.13 513

NLCA_NET_v2_RVC	0.17 434	0.10 407	0.22 475	0.20 441	0.10 373	0.15 343	0.18 401	0.31 465	0.25 385	0.21 433	0.30 464	0.25 444	0.17 424	0.21 465	0.20 449	0.09 398	0.06 340	0.08 316	0.08 375	0.07 295	0.08 382
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	0.17 434	0.12 451	0.15 349	0.20 441	0.09 265	0.18 412	0.18 401	0.26 389	0.23 348	0.26 490	0.40 525	0.22 406	0.17 424	0.21 465	0.20 449	0.08 338	0.05 207	0.09 398	0.10 461	0.07 295	0.07 318
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 460	0.12 451	0.18 436	0.16 165	0.12 457	0.15 343	0.12 75	0.30 455	0.32 453	0.20 419	0.22 356	0.27 462	0.23 487	0.21 465	0.16 397	0.16 551	0.18 560	0.23 563	0.21 562	0.12 490	0.13 513

PSMNet_ROB	0.21 484	0.11 433	0.15 349	0.27 552	0.15 519	0.24 496	0.35 579	0.43 564	0.37 492	0.27 496	0.32 476	0.32 512	0.22 479	0.21 465	0.26 524	0.12 492	0.08 441	0.13 510	0.11 493	0.09 421	0.09 426

ssnet_v2	0.17 434	0.10 407	0.17 413	0.17 241	0.11 424	0.21 467	0.21 483	0.33 496	0.25 385	0.22 449	0.22 356	0.27 462	0.18 438	0.22 478	0.20 449	0.11 468	0.09 473	0.09 398	0.09 421	0.08 358	0.08 382

Wz-Net-LNSev	0.22 493	0.16 510	0.38 543	0.21 473	0.13 480	0.25 507	0.23 504	0.32 476	0.43 524	0.30 525	0.41 536	0.31 503	0.18 438	0.22 478	0.25 513	0.10 439	0.09 473	0.08 316	0.08 375	0.12 490	0.11 479

SACVNet	0.18 448	0.12 451	0.14 298	0.17 241	0.13 480	0.22 476	0.18 401	0.31 465	0.30 439	0.23 462	0.31 472	0.30 490	0.22 479	0.22 478	0.17 412	0.11 468	0.08 441	0.10 445	0.10 461	0.12 490	0.14 530

FINET	0.21 484	0.18 532	0.26 496	0.18 323	0.16 530	0.23 491	0.23 504	0.32 476	0.48 538	0.25 484	0.32 476	0.22 406	0.22 479	0.22 478	0.17 412	0.18 557	0.16 553	0.11 476	0.10 461	0.15 537	0.13 513

EDNetEfficient	0.29 548	0.24 556	1.13 603	0.18 323	0.10 373	0.19 435	0.20 463	0.20 265	0.60 571	0.74 593	0.56 569	0.31 503	0.39 563	0.22 478	0.30 550	0.09 398	0.07 412	0.08 316	0.07 305	0.11 475	0.09 426

GwcNet	0.20 472	0.13 480	0.19 448	0.18 323	0.12 457	0.24 496	0.19 440	0.35 520	0.43 524	0.20 419	0.32 476	0.33 516	0.20 466	0.22 478	0.24 503	0.11 468	0.09 473	0.09 398	0.09 421	0.09 421	0.10 453

FADNet-RVC	0.20 472	0.20 541	0.38 543	0.21 473	0.16 530	0.20 450	0.15 250	0.26 389	0.26 399	0.26 490	0.32 476	0.26 454	0.21 470	0.22 478	0.19 443	0.12 492	0.13 535	0.12 495	0.14 527	0.13 508	0.18 560

SuperB	0.20 472	0.10 407	0.56 569	0.16 165	0.09 265	0.18 412	0.18 401	0.24 355	0.50 548	0.26 490	0.39 519	0.17 340	0.21 470	0.22 478	0.21 469	0.08 338	0.06 340	0.06 124	0.06 212	0.12 490	0.10 453

AANet_RVC	0.16 413	0.10 407	0.10 136	0.18 323	0.09 265	0.18 412	0.19 440	0.26 389	0.31 446	0.22 449	0.35 496	0.21 388	0.21 470	0.22 478	0.16 397	0.06 126	0.05 207	0.06 124	0.06 212	0.07 295	0.06 236

NVstereo2D	0.19 460	0.10 407	0.15 349	0.17 241	0.15 519	0.28 534	0.23 504	0.44 566	0.42 519	0.15 307	0.27 431	0.25 444	0.19 454	0.22 478	0.17 412	0.09 398	0.06 340	0.10 445	0.08 375	0.15 537	0.09 426

DRN-Test	0.19 460	0.11 433	0.20 460	0.22 489	0.10 373	0.22 476	0.22 493	0.39 545	0.37 492	0.24 471	0.32 476	0.26 454	0.21 470	0.22 478	0.24 503	0.11 468	0.07 412	0.11 476	0.10 461	0.09 421	0.07 318

ACV-stereo	0.15 390	0.10 407	0.28 508	0.18 323	0.12 457	0.14 317	0.12 75	0.23 332	0.21 323	0.19 396	0.23 365	0.22 406	0.15 375	0.23 489	0.17 412	0.07 273	0.06 340	0.07 226	0.07 305	0.07 295	0.07 318

HBP-ISP	0.18 448	0.13 480	0.16 383	0.15 85	0.11 424	0.08 59	0.13 125	0.28 429	0.29 430	0.22 449	0.33 488	0.21 388	0.25 502	0.23 489	0.17 412	0.14 531	0.16 553	0.21 558	0.17 554	0.10 452	0.08 382

Wz-Net-SNSev	0.25 528	0.17 521	0.44 552	0.25 534	0.14 500	0.26 517	0.23 504	0.38 541	0.56 561	0.30 525	0.55 564	0.39 546	0.26 508	0.23 489	0.30 550	0.10 439	0.09 473	0.09 398	0.10 461	0.11 475	0.11 479

GANet	0.21 484	0.12 451	0.21 469	0.24 523	0.13 480	0.22 476	0.22 493	0.41 555	0.26 399	0.31 531	0.42 542	0.37 534	0.28 527	0.23 489	0.22 478	0.10 439	0.12 521	0.10 445	0.09 421	0.10 452	0.08 382

TDLM	0.17 434	0.12 451	0.13 263	0.24 523	0.10 373	0.18 412	0.18 401	0.36 527	0.30 439	0.21 433	0.28 445	0.28 472	0.18 438	0.23 489	0.18 430	0.11 468	0.07 412	0.10 445	0.10 461	0.08 358	0.08 382

CVANet_RVC	0.18 448	0.10 407	0.14 298	0.21 473	0.10 373	0.18 412	0.17 353	0.34 505	0.33 460	0.22 449	0.31 472	0.28 472	0.18 438	0.23 489	0.17 412	0.12 492	0.08 441	0.12 495	0.11 493	0.09 421	0.07 318

NCCL2	0.23 509	0.15 502	0.17 413	0.34 570	0.18 552	0.24 496	0.23 504	0.34 505	0.28 423	0.31 531	0.38 511	0.38 538	0.28 527	0.23 489	0.24 503	0.15 535	0.12 521	0.18 553	0.21 562	0.13 508	0.13 513

CBMV_ROB	0.19 460	0.13 480	0.17 413	0.16 165	0.11 424	0.15 343	0.13 125	0.26 389	0.28 423	0.27 496	0.30 464	0.27 462	0.24 493	0.23 489	0.16 397	0.15 535	0.17 558	0.22 562	0.20 560	0.10 452	0.11 479

SGM-Forest	0.20 472	0.14 492	0.18 436	0.19 381	0.13 480	0.20 450	0.22 493	0.33 496	0.30 439	0.24 471	0.29 457	0.28 472	0.19 454	0.23 489	0.17 412	0.15 535	0.16 553	0.15 534	0.14 527	0.12 490	0.12 492
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-MNSev	0.22 493	0.13 480	0.31 521	0.20 441	0.14 500	0.36 561	0.24 516	0.33 496	0.44 529	0.28 511	0.40 525	0.38 538	0.19 454	0.24 498	0.25 513	0.09 398	0.07 412	0.09 398	0.09 421	0.12 490	0.10 453

DDUNet	0.22 493	0.17 521	0.21 469	0.22 489	0.15 519	0.25 507	0.24 516	0.29 441	0.30 439	0.31 531	0.36 499	0.33 516	0.25 502	0.24 498	0.20 449	0.18 557	0.13 535	0.17 544	0.11 493	0.16 545	0.16 548

EDNetEfficientorigin	7.91 619	0.31 573	153.02 640	0.19 381	0.09 265	0.21 467	0.16 316	0.22 312	0.59 567	0.72 589	0.67 579	0.42 553	0.50 581	0.24 498	0.39 574	0.08 338	0.07 412	0.08 316	0.07 305	0.12 490	0.10 453

hitnet-ft	0.18 448	0.09 347	0.17 413	0.14 41	0.09 265	0.26 517	0.20 463	0.25 371	0.26 399	0.24 471	0.32 476	0.31 503	0.22 479	0.24 498	0.21 469	0.12 492	0.07 412	0.10 445	0.08 375	0.12 490	0.11 479

ADCRef	0.19 460	0.12 451	0.41 549	0.20 441	0.12 457	0.22 476	0.18 401	0.32 476	0.36 485	0.26 490	0.32 476	0.17 340	0.23 487	0.24 498	0.24 503	0.07 273	0.06 340	0.09 398	0.09 421	0.08 358	0.08 382

SepStereo	0.15 390	0.08 272	0.18 436	0.19 381	0.10 373	0.19 435	0.17 353	0.27 410	0.29 430	0.18 380	0.25 405	0.21 388	0.15 375	0.25 503	0.12 275	0.08 338	0.06 340	0.06 124	0.06 212	0.07 295	0.07 318

edge stereo	0.22 493	0.13 480	0.20 460	0.21 473	0.13 480	0.23 491	0.16 316	0.32 476	0.42 519	0.32 537	0.40 525	0.38 538	0.35 556	0.25 503	0.24 503	0.13 517	0.11 505	0.14 522	0.11 493	0.12 490	0.13 513

APVNet	0.22 493	0.12 451	0.19 448	0.18 323	0.14 500	0.32 543	0.31 575	0.39 545	0.32 453	0.27 496	0.40 525	0.30 490	0.29 535	0.26 505	0.25 513	0.11 468	0.12 521	0.11 476	0.14 527	0.12 490	0.12 492

MDST_ROB	0.22 493	0.10 407	0.17 413	0.18 323	0.11 424	0.37 562	0.19 440	0.43 564	0.41 511	0.39 554	0.39 519	0.29 480	0.21 470	0.26 505	0.18 430	0.11 468	0.10 493	0.14 522	0.11 493	0.10 452	0.08 382

XPNet_ROB	0.22 493	0.11 433	0.19 448	0.22 489	0.13 480	0.22 476	0.19 440	0.34 505	0.40 508	0.30 525	0.39 519	0.39 546	0.26 508	0.26 505	0.28 540	0.15 535	0.10 493	0.10 445	0.10 461	0.13 508	0.12 492

FSD					0.22 564	0.25 507	0.25 531	0.27 410	0.26 399	0.25 484	0.26 422	0.25 444	0.27 516	0.27 508	0.24 503	0.21 568	0.20 566	0.27 569	0.26 572	0.25 572

SQANet	0.23 509	0.23 553	0.30 519	0.30 565	0.19 555	0.27 527	0.13 125	0.29 441	0.33 460	0.24 471	0.37 505	0.31 503	0.22 479	0.27 508	0.23 490	0.15 535	0.10 493	0.21 558	0.16 547	0.21 561	0.15 537

GASNet	0.22 493	0.23 553	0.33 528	0.26 539	0.17 545	0.26 517	0.16 316	0.44 566	0.42 519	0.27 496	0.24 377	0.30 490	0.15 375	0.27 508	0.18 430	0.12 492	0.08 441	0.12 495	0.11 493	0.16 545	0.07 318

Anonymous_2	0.22 493	0.17 521	0.28 508	0.15 85	0.16 530	0.32 543	0.22 493	0.22 312	0.17 237	0.23 462	0.24 377	0.26 454	0.27 516	0.27 508	0.23 490	0.22 573	0.25 580	0.17 544	0.17 554	0.17 553	0.17 557

RP	0.21 484	0.13 480	0.21 469	0.23 513	0.11 424	0.21 467	0.20 463	0.25 371	0.44 529	0.21 433	0.38 511	0.36 529	0.24 493	0.27 508	0.25 513	0.11 468	0.12 521	0.13 510	0.12 513	0.12 490	0.14 530

G-Net	0.24 516	0.16 510	0.36 537	0.22 489	0.16 530	0.51 576	0.23 504	0.29 441	0.34 472	0.36 547	0.38 511	0.31 503	0.29 535	0.27 508	0.26 524	0.11 468	0.09 473	0.12 495	0.09 421	0.16 545	0.13 513

ADCP+	0.20 472	0.10 407	0.33 528	0.20 441	0.12 457	0.22 476	0.26 540	0.31 465	0.34 472	0.26 490	0.37 505	0.22 406	0.22 479	0.27 508	0.27 532	0.09 398	0.06 340	0.08 316	0.08 375	0.09 421	0.10 453

CC-Net-ROB	0.28 544	0.31 573	0.36 537	0.29 563	0.15 519	0.25 507	0.19 440	0.45 569	0.33 460	0.39 554	0.37 505	0.39 546	0.31 543	0.27 508	0.26 524	0.24 579	0.19 563	0.30 579	0.23 569	0.18 556	0.15 537

SANet	0.24 516	0.14 492	0.28 508	0.21 473	0.11 424	0.27 527	0.24 516	0.38 541	0.64 578	0.36 547	0.40 525	0.43 556	0.26 508	0.27 508	0.24 503	0.12 492	0.09 473	0.10 445	0.09 421	0.13 508	0.11 479

ETE_ROB	0.23 509	0.17 521	0.22 475	0.25 534	0.13 480	0.26 517	0.29 562	0.31 465	0.36 485	0.28 511	0.36 499	0.45 560	0.26 508	0.27 508	0.26 524	0.11 468	0.08 441	0.12 495	0.09 421	0.14 521	0.13 513

PWCDC_ROB	0.20 472	0.13 480	0.22 475	0.24 523	0.11 424	0.19 435	0.15 250	0.33 496	0.54 557	0.29 520	0.50 558	0.21 388	0.15 375	0.27 508	0.20 449	0.11 468	0.09 473	0.10 445	0.08 375	0.11 475	0.09 426

CBMV	0.19 460	0.14 492	0.17 413	0.18 323	0.10 373	0.20 450	0.11 54	0.29 441	0.30 439	0.29 520	0.30 464	0.30 490	0.23 487	0.27 508	0.19 443	0.13 517	0.15 550	0.17 544	0.16 547	0.10 452	0.10 453
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
AF-Net	0.22 493	0.17 521	0.17 413	0.26 539	0.13 480	0.25 507	0.24 516	0.32 476	0.50 548	0.25 484	0.33 488	0.38 538	0.26 508	0.28 520	0.25 513	0.11 468	0.10 493	0.16 541	0.11 493	0.11 475	0.10 453

Nwc_Net	0.23 509	0.16 510	0.21 469	0.25 534	0.14 500	0.24 496	0.26 540	0.37 533	0.38 499	0.22 449	0.41 536	0.30 490	0.28 527	0.28 520	0.25 513	0.11 468	0.10 493	0.17 544	0.20 560	0.10 452	0.10 453

ADCPNet	0.25 528	0.16 510	0.61 575	0.21 473	0.15 519	0.35 560	0.25 531	0.32 476	0.35 481	0.30 525	0.40 525	0.36 529	0.28 527	0.28 520	0.32 558	0.12 492	0.10 493	0.11 476	0.12 513	0.14 521	0.13 513

DISCO	0.19 460	0.09 347	0.22 475	0.17 241	0.10 373	0.25 507	0.18 401	0.27 410	0.44 529	0.22 449	0.31 472	0.33 516	0.26 508	0.28 520	0.28 540	0.08 338	0.06 340	0.07 226	0.07 305	0.09 421	0.09 426

CSAN	0.29 548	0.24 556	0.27 503	0.34 570	0.19 555	0.33 549	0.42 588	0.37 533	0.50 548	0.38 552	0.40 525	0.44 558	0.33 548	0.28 520	0.30 550	0.20 564	0.16 553	0.19 555	0.19 559	0.14 521	0.15 537

LALA_ROB	0.25 528	0.16 510	0.22 475	0.26 539	0.17 545	0.27 527	0.27 547	0.42 560	0.37 492	0.33 541	0.38 511	0.51 571	0.26 508	0.28 520	0.27 532	0.16 551	0.09 473	0.12 495	0.11 493	0.13 508	0.12 492

coex-ft	3.30 612	0.34 576	59.09 639	0.18 323	0.13 480	0.26 517	0.22 493	0.27 410	0.72 587	1.90 617	0.70 583	0.44 558	0.45 577	0.29 526	0.41 580	0.09 398	0.09 473	0.12 495	0.09 421	0.14 521	0.13 513

DGSMNet	0.24 516	0.19 536	0.33 528	0.21 473	0.24 569	0.24 496	0.20 463	0.35 520	0.41 511	0.24 471	0.32 476	0.38 538	0.21 470	0.29 526	0.23 490	0.12 492	0.11 505	0.14 522	0.16 547	0.23 565	0.23 571

ADCL	0.24 516	0.11 433	0.47 558	0.22 489	0.12 457	0.34 552	0.29 562	0.29 441	0.56 561	0.24 471	0.46 550	0.30 490	0.30 539	0.29 526	0.29 544	0.08 338	0.07 412	0.09 398	0.09 421	0.10 452	0.10 453

NaN_ROB	0.22 493	0.19 536	0.24 488	0.25 534	0.13 480	0.29 538	0.26 540	0.33 496	0.41 511	0.31 531	0.31 472	0.32 512	0.23 487	0.30 529	0.21 469	0.11 468	0.17 558	0.10 445	0.10 461	0.08 358	0.09 426

zh-mn7	0.25 528	0.14 492	0.56 569	0.19 381	0.14 500	0.24 496	0.22 493	0.34 505	0.62 574	0.35 544	0.65 577	0.31 503	0.25 502	0.31 530	0.25 513	0.09 398	0.08 441	0.09 398	0.09 421	0.09 421	0.11 479

PSMNet-RUCA	0.27 539	0.33 575	0.41 549	0.36 574	0.32 582	0.18 412	0.19 440	0.42 560	0.30 439	0.33 541	0.41 536	0.39 546	0.25 502	0.31 530	0.20 449	0.18 557	0.10 493	0.25 565	0.15 543	0.21 561	0.16 548

RTSC	0.23 509	0.12 451	0.28 508	0.21 473	0.13 480	0.28 534	0.16 316	0.35 520	0.66 582	0.27 496	0.33 488	0.30 490	0.21 470	0.31 530	0.29 544	0.10 439	0.08 441	0.09 398	0.10 461	0.13 508	0.13 513

DANet	0.21 484	0.15 502	0.28 508	0.25 534	0.13 480	0.22 476	0.19 440	0.27 410	0.27 409	0.28 511	0.32 476	0.35 527	0.31 543	0.31 530	0.23 490	0.11 468	0.09 473	0.11 476	0.10 461	0.13 508	0.11 479
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 544	0.16 510	0.31 521	0.18 323	0.13 480	0.54 578	0.42 588	0.51 581	0.67 583	0.29 520	0.38 511	0.38 538	0.29 535	0.31 530	0.23 490	0.11 468	0.10 493	0.11 476	0.08 375	0.20 560	0.16 548

FBW_ROB	0.24 516	0.17 521	0.22 475	0.26 539	0.14 500	0.25 507	0.22 493	0.41 555	0.41 511	0.41 561	0.41 536	0.42 553	0.27 516	0.31 530	0.23 490	0.09 398	0.14 544	0.14 522	0.12 513	0.11 475	0.09 426

PWC_ROB	0.21 484	0.16 510	0.26 496	0.18 323	0.11 424	0.22 476	0.13 125	0.32 476	0.49 545	0.30 525	0.40 525	0.32 512	0.24 493	0.31 530	0.22 478	0.10 439	0.07 412	0.11 476	0.08 375	0.11 475	0.10 453

z-mn7	0.24 516	0.14 492	0.45 553	0.19 381	0.13 480	0.28 534	0.25 531	0.34 505	0.62 574	0.27 496	0.56 569	0.29 480	0.24 493	0.32 537	0.25 513	0.08 338	0.08 441	0.08 316	0.08 375	0.10 452	0.10 453

Wz-Net-TNSev	0.29 548	0.20 541	0.65 578	0.19 381	0.15 519	0.38 565	0.27 547	0.35 520	0.55 558	0.34 543	0.42 542	0.45 560	0.38 561	0.32 537	0.30 550	0.12 492	0.13 535	0.10 445	0.12 513	0.15 537	0.14 530

SHD	0.26 537	0.15 502	0.30 519	0.24 523	0.18 552	0.22 476	0.15 250	0.38 541	0.71 586	0.32 537	0.41 536	0.36 529	0.28 527	0.32 537	0.29 544	0.12 492	0.11 505	0.14 522	0.13 523	0.16 545	0.20 566

WZ-Net	0.28 544	0.17 521	0.78 594	0.22 489	0.16 530	0.34 552	0.29 562	0.39 545	0.57 563	0.24 471	0.55 564	0.37 534	0.24 493	0.33 540	0.35 565	0.09 398	0.08 441	0.09 398	0.10 461	0.14 521	0.16 548

stereogan	0.22 493	0.11 433	0.21 469	0.20 441	0.12 457	0.31 542	0.19 440	0.35 520	0.44 529	0.22 449	0.39 519	0.35 527	0.27 516	0.33 540	0.22 478	0.10 439	0.12 521	0.10 445	0.10 461	0.14 521	0.13 513

PDISCO_ROB	0.27 539	0.16 510	0.26 496	0.28 555	0.20 558	0.32 543	0.26 540	0.44 566	0.57 563	0.28 511	0.40 525	0.45 560	0.29 535	0.33 540	0.34 564	0.12 492	0.09 473	0.17 544	0.16 547	0.17 553	0.13 513

ACVNet-4b	0.39 566	0.53 586	0.55 566	0.45 582	0.24 569	0.47 572	0.18 401	0.49 575	0.64 578	0.42 564	0.45 549	0.60 579	0.27 516	0.34 543	0.24 503	0.33 584	0.14 544	0.48 587	0.42 589	0.30 580	0.26 579

psmorigin	0.25 528	0.15 502	0.34 536	0.17 241	0.13 480	0.23 491	0.14 178	0.34 505	0.33 460	0.41 561	0.55 564	0.41 552	0.37 560	0.34 543	0.27 532	0.11 468	0.15 550	0.11 476	0.11 493	0.12 490	0.16 548

MFN_U_SF_DS_RVC	0.30 554	0.24 556	0.29 516	0.36 574	0.16 530	0.34 552	0.30 569	0.32 476	0.42 519	0.40 557	0.46 550	0.38 538	0.31 543	0.34 543	0.28 540	0.19 562	0.20 566	0.26 566	0.29 579	0.18 556	0.19 565

PASM	0.32 557	0.24 556	0.48 559	0.28 555	0.27 575	0.29 538	0.30 569	0.34 505	0.49 545	0.35 544	0.39 519	0.46 564	0.34 553	0.34 543	0.35 565	0.23 577	0.25 580	0.26 566	0.28 578	0.23 565	0.21 568

MSMD_ROB	0.31 555	0.26 562	0.26 496	0.24 523	0.21 562	0.34 552	0.25 531	0.34 505	0.39 502	0.40 557	0.69 581	0.45 560	0.40 566	0.34 543	0.27 532	0.20 564	0.19 563	0.26 566	0.25 571	0.23 565	0.22 570

WCMA_ROB	0.24 516	0.11 433	0.22 475	0.17 241	0.14 500	0.32 543	0.15 250	0.32 476	0.32 453	0.38 552	0.53 560	0.40 550	0.34 553	0.34 543	0.25 513	0.11 468	0.12 521	0.12 495	0.10 461	0.14 521	0.14 530

MSAF-DinoV2	0.22 493	0.11 433	0.23 484	0.17 241	0.10 373	0.27 527	0.16 316	0.37 533	0.55 558	0.21 433	0.27 431	0.47 567	0.27 516	0.35 549	0.39 574	0.09 398	0.06 340	0.07 226	0.09 421	0.12 490	0.10 453

MFN_U_SF_RVC	0.32 557	0.21 547	0.55 566	0.30 565	0.15 519	0.34 552	0.17 353	0.52 582	0.46 536	0.46 572	0.55 564	0.59 578	0.39 563	0.35 549	0.37 570	0.15 535	0.14 544	0.18 553	0.21 562	0.16 545	0.15 537

ADCMid	0.25 528	0.15 502	0.40 546	0.20 441	0.14 500	0.25 507	0.26 540	0.34 505	0.38 499	0.36 547	0.44 547	0.34 523	0.40 566	0.35 549	0.33 562	0.10 439	0.09 473	0.11 476	0.11 493	0.13 508	0.12 492

LSM	0.33 560	0.20 541	0.58 572	0.26 539	0.60 599	0.34 552	0.25 531	0.42 560	0.48 538	0.45 569	0.58 574	0.42 553	0.36 558	0.35 549	0.25 513	0.12 492	0.20 566	0.14 522	0.16 547	0.19 559	0.33 586

SGM_RVC	0.23 509	0.12 451	0.15 349	0.15 85	0.09 265	0.33 549	0.18 401	0.34 505	0.31 446	0.44 568	0.37 505	0.53 575	0.35 556	0.35 549	0.24 503	0.13 517	0.13 535	0.13 510	0.13 523	0.10 452	0.11 479
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MeshStereo	0.27 539	0.13 480	0.18 436	0.15 85	0.11 424	0.32 543	0.24 516	0.40 549	0.36 485	0.52 575	0.57 572	0.67 586	0.40 566	0.35 549	0.26 524	0.14 531	0.13 535	0.13 510	0.11 493	0.11 475	0.10 453
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
zh-sn7	0.25 528	0.17 521	0.50 560	0.24 523	0.13 480	0.25 507	0.24 516	0.34 505	0.48 538	0.28 511	0.54 562	0.28 472	0.31 543	0.36 555	0.32 558	0.10 439	0.10 493	0.11 476	0.10 461	0.12 490	0.12 492

FCDSN-DC	0.33 560	0.28 568	0.28 508	0.30 565	0.24 569	0.39 566	0.28 553	0.42 560	0.42 519	0.43 567	0.53 560	0.51 571	0.41 571	0.36 555	0.30 550	0.21 568	0.20 566	0.27 569	0.26 572	0.25 572	0.24 572
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RGC	0.25 528	0.20 541	0.29 516	0.28 555	0.16 530	0.22 476	0.23 504	0.32 476	0.44 529	0.27 496	0.40 525	0.38 538	0.27 516	0.36 555	0.22 478	0.11 468	0.13 535	0.17 544	0.17 554	0.14 521	0.16 548

NCC-stereo	0.24 516	0.15 502	0.31 521	0.26 539	0.16 530	0.20 450	0.30 569	0.40 549	0.40 508	0.24 471	0.38 511	0.33 516	0.28 527	0.36 555	0.27 532	0.12 492	0.11 505	0.15 534	0.22 565	0.13 508	0.13 513

Abc-Net	0.24 516	0.15 502	0.31 521	0.26 539	0.16 530	0.20 450	0.30 569	0.40 549	0.40 508	0.24 471	0.38 511	0.33 516	0.28 527	0.36 555	0.27 532	0.12 492	0.11 505	0.15 534	0.22 565	0.13 508	0.13 513
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FC-DCNN v2	0.33 560	0.27 564	0.28 508	0.26 539	0.23 567	0.37 562	0.28 553	0.40 549	0.43 524	0.45 569	0.56 569	0.51 571	0.40 566	0.37 560	0.29 544	0.21 568	0.20 566	0.27 569	0.26 572	0.25 572	0.24 572

FC-DCNN	0.33 560	0.27 564	0.28 508	0.26 539	0.23 567	0.37 562	0.28 553	0.40 549	0.43 524	0.45 569	0.55 564	0.51 571	0.40 566	0.37 560	0.30 550	0.21 568	0.20 566	0.27 569	0.26 572	0.25 572	0.24 572

MultiAttention	0.29 548	0.08 272	0.14 298	0.19 381	0.12 457	1.45 614	1.33 616	0.36 527	0.37 492	0.19 396	0.21 345	0.24 430	0.11 264	0.38 562	0.18 430	0.06 126	0.05 207	0.08 316	0.08 375	0.10 452	0.09 426

SAMSARA	0.40 569	0.28 568	0.33 528	0.55 588	0.39 583	0.82 600	1.23 615	0.47 572	0.51 555	0.36 547	0.35 496	0.55 577	0.39 563	0.38 562	0.39 574	0.15 535	0.20 566	0.15 534	0.14 527	0.23 565	0.20 566

XQC	0.28 544	0.23 553	0.51 561	0.28 555	0.19 555	0.34 552	0.27 547	0.36 527	0.57 563	0.31 531	0.30 464	0.37 534	0.30 539	0.38 562	0.38 572	0.13 517	0.09 473	0.15 534	0.12 513	0.17 553	0.18 560

DispFullNet	0.27 539	0.21 547	0.65 578	0.28 555	0.16 530	0.26 517	0.17 353	0.33 496	0.58 566	0.27 496	0.38 511	0.43 556	0.23 487	0.38 562	0.23 490	0.12 492	0.06 340	0.19 555	0.11 493	0.21 561	0.15 537

DStereoSA	0.25 528	0.19 536	0.37 541	0.26 539	0.17 545	0.22 476	0.20 463	0.49 575	0.59 567	0.22 449	0.29 457	0.29 480	0.33 548	0.39 566	0.28 540	0.12 492	0.11 505	0.16 541	0.14 527	0.14 521	0.12 492

Ntro	0.40 569	0.40 581	0.53 563	0.46 585	0.30 580	0.65 586	0.24 516	0.46 571	0.68 584	0.41 561	0.49 554	0.48 569	0.42 574	0.39 566	0.31 557	0.32 583	0.28 582	0.37 583	0.30 581	0.32 584	0.29 581

ccnet	0.29 548	0.28 568	0.23 484	0.20 441	0.28 576	0.41 569	0.21 483	0.45 569	0.33 460	0.36 547	0.46 550	0.36 529	0.30 539	0.39 566	0.42 581	0.23 577	0.14 544	0.21 558	0.17 554	0.23 565	0.18 560

ADCS	0.29 548	0.18 532	0.45 553	0.21 473	0.17 545	0.28 534	0.23 504	0.41 555	0.63 577	0.40 557	0.49 554	0.40 550	0.36 558	0.39 566	0.40 577	0.13 517	0.12 521	0.13 510	0.14 527	0.16 545	0.16 548

GANetREF_RVC	0.31 555	0.34 576	0.27 503	0.35 572	0.16 530	0.32 543	0.41 585	0.48 573	0.51 555	0.35 544	0.35 496	0.34 523	0.33 548	0.39 566	0.32 558	0.27 581	0.20 566	0.29 577	0.15 543	0.18 556	0.17 557
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
otaku	0.39 566	0.37 579	0.52 562	0.44 581	0.28 576	0.58 580	0.24 516	0.41 555	0.62 574	0.40 557	0.49 554	0.46 564	0.33 548	0.40 571	0.32 558	0.30 582	0.30 584	0.39 584	0.33 584	0.29 579	0.28 580

AnyNet_C32	0.26 537	0.16 510	0.36 537	0.20 441	0.16 530	0.25 507	0.30 569	0.32 476	0.44 529	0.31 531	0.49 554	0.30 490	0.33 548	0.40 571	0.33 562	0.12 492	0.12 521	0.12 495	0.14 527	0.14 521	0.15 537

SGM-ForestM	0.32 557	0.12 451	0.16 383	0.16 165	0.11 424	0.39 566	0.19 440	0.41 555	0.50 548	0.52 575	0.54 562	1.32 606	0.42 574	0.40 571	0.27 532	0.14 531	0.16 553	0.16 541	0.16 547	0.12 490	0.12 492

DStereoO	0.24 516	0.18 532	0.18 436	0.20 441	0.14 500	0.21 467	0.19 440	0.32 476	0.41 511	0.29 520	0.21 345	0.32 512	0.27 516	0.41 574	0.27 532	0.46 592	0.12 521	0.31 580	0.11 493	0.15 537	0.12 492

Consistency-Raft	0.44 574	0.40 581	0.45 553	0.37 576	0.43 587	0.46 570	0.41 585	0.57 589	0.55 558	0.32 537	0.73 585	0.33 516	0.48 579	0.42 575	0.49 588	0.39 586	0.35 589	0.45 586	0.51 596	0.42 587	0.29 581

AnyNet_C01	0.36 564	0.25 561	1.37 606	0.22 489	0.17 545	0.48 574	0.27 547	0.35 520	0.39 502	0.39 554	0.74 587	0.46 564	0.38 561	0.45 576	0.47 586	0.13 517	0.13 535	0.13 510	0.14 527	0.14 521	0.15 537

NVStereoNet_ROB	0.46 579	0.36 578	0.46 557	0.41 579	0.28 576	0.34 552	0.34 578	0.48 573	0.60 571	0.72 589	0.93 597	0.70 589	0.66 594	0.47 577	0.60 596	0.22 573	0.33 588	0.34 582	0.34 586	0.30 580	0.30 583
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
RainbowNet	0.54 584	0.61 590	0.70 592	0.57 589	0.43 587	0.65 586	0.37 583	0.60 591	0.87 597	0.50 574	0.66 578	0.64 582	0.47 578	0.49 578	0.43 584	0.47 593	0.48 598	0.52 591	0.41 588	0.52 590	0.40 592

MonStereo1	0.47 580	0.26 562	0.58 572	0.28 555	0.20 558	0.39 566	0.18 401	0.49 575	0.64 578	0.52 575	0.87 594	1.01 595	0.57 588	0.50 579	0.56 593	0.53 596	0.31 587	0.54 593	0.40 587	0.33 585	0.34 587

ACVNet_1	0.44 574	0.49 585	0.60 574	0.45 582	0.28 576	0.49 575	0.27 547	0.57 589	0.72 587	0.62 582	0.58 574	0.74 590	0.49 580	0.50 579	0.35 565	0.26 580	0.24 579	0.39 584	0.29 579	0.31 583	0.24 572

MSC_U_SF_DS_RVC	0.43 573	0.39 580	0.54 564	0.40 577	0.20 558	0.64 585	0.32 577	0.53 584	0.72 587	0.71 587	0.72 584	0.61 580	0.54 583	0.51 581	0.46 585	0.20 564	0.19 563	0.29 577	0.30 581	0.23 565	0.18 560

ELAS	0.41 571	0.29 571	0.33 528	0.27 552	0.24 569	0.60 583	0.36 580	0.50 579	0.50 548	0.71 587	0.79 591	0.67 586	0.54 583	0.51 581	0.42 581	0.22 573	0.20 566	0.27 569	0.26 572	0.26 577	0.25 577
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DStereoFS	0.27 539	0.22 551	0.31 521	0.22 489	0.15 519	0.22 476	0.20 463	0.50 579	0.48 538	0.28 511	0.44 547	0.33 516	0.34 553	0.52 583	0.29 544	0.12 492	0.11 505	0.15 534	0.13 523	0.16 545	0.16 548

PVD	0.39 566	0.20 541	0.39 545	0.31 569	0.22 564	0.29 538	0.43 590	0.52 582	0.96 600	0.55 579	0.79 591	0.53 575	0.59 590	0.52 583	0.38 572	0.19 562	0.14 544	0.17 544	0.14 527	0.24 571	0.31 584

MANE	0.45 576	0.27 564	0.27 503	0.27 552	0.24 569	0.47 572	0.31 575	0.55 586	0.59 567	0.72 589	1.13 608	1.15 600	0.61 591	0.52 583	0.37 570	0.21 568	0.20 566	0.27 569	0.31 583	0.25 572	0.24 572

RTS	0.45 576	0.19 536	3.26 612	0.24 523	0.15 519	0.74 593	0.20 463	0.36 527	0.76 593	0.42 564	0.43 545	0.31 503	0.41 571	0.53 586	0.35 565	0.10 439	0.08 441	0.13 510	0.12 513	0.15 537	0.15 537

RTSA	0.45 576	0.19 536	3.26 612	0.24 523	0.15 519	0.74 593	0.20 463	0.36 527	0.76 593	0.42 564	0.43 545	0.31 503	0.41 571	0.53 586	0.35 565	0.10 439	0.08 441	0.13 510	0.12 513	0.15 537	0.15 537

ACVNet_2	0.66 590	0.66 594	0.68 586	0.63 590	0.41 585	0.71 591	0.49 592	0.96 604	1.39 609	0.89 599	1.09 604	1.04 596	0.73 597	0.54 588	0.47 586	0.43 590	0.40 591	0.53 592	0.44 590	0.47 588	0.35 589

ELAS_RVC	0.41 571	0.29 571	0.33 528	0.28 555	0.24 569	0.54 578	0.36 580	0.49 575	0.59 567	0.72 589	0.74 587	0.65 584	0.54 583	0.54 588	0.40 577	0.22 573	0.20 566	0.27 569	0.26 572	0.26 577	0.25 577
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
BEATNet-Init1	0.52 582	0.27 564	0.62 576	0.30 565	0.21 562	0.76 597	0.29 562	0.54 585	0.65 581	0.86 598	0.95 599	2.07 615	0.62 593	0.56 590	0.42 581	0.18 557	0.18 560	0.23 563	0.22 565	0.22 564	0.21 568

anonymity	0.53 583	0.58 588	0.65 578	0.41 579	0.61 600	0.53 577	0.41 585	0.56 587	0.41 511	0.55 579	0.50 558	0.49 570	0.55 586	0.58 591	0.50 591	0.58 599	0.50 602	0.51 589	0.51 596	0.51 589	0.57 597

SPS-STEREO	0.57 586	0.58 588	0.65 578	0.45 582	0.55 594	0.62 584	0.44 591	0.62 592	0.50 548	0.68 585	0.64 576	0.66 585	0.57 588	0.61 592	0.60 596	0.62 602	0.47 597	0.51 589	0.49 593	0.55 594	0.58 598
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 585	0.57 587	0.65 578	0.40 577	0.54 592	0.66 588	0.49 592	0.56 587	0.45 535	0.66 583	0.69 581	0.67 586	0.56 587	0.63 593	0.56 593	0.59 600	0.48 598	0.50 588	0.50 595	0.52 590	0.58 598

MFMNet_re	0.64 587	0.66 594	0.65 578	0.51 586	0.69 604	0.69 589	0.57 598	0.64 593	0.73 591	0.60 581	0.73 585	0.62 581	0.67 595	0.65 594	0.60 596	0.66 604	0.58 611	0.63 594	0.59 599	0.68 601	0.69 607

WAO-7	0.79 596	0.78 599	0.54 564	0.85 600	0.67 603	0.74 593	0.68 606	1.05 609	1.32 607	0.90 600	1.20 611	1.04 596	0.92 605	0.69 595	0.66 599	0.60 601	0.62 612	0.67 595	0.68 605	0.64 597	0.58 598

WAO-6	0.81 597	0.80 600	0.62 576	0.86 601	0.63 601	0.76 597	0.58 599	0.98 606	1.54 614	0.90 600	0.96 600	1.07 598	1.03 609	0.70 596	0.66 599	0.72 605	0.49 600	0.90 607	0.71 606	0.68 601	0.58 598

IMH-64-1	0.65 588	0.61 590	0.68 586	0.71 592	0.51 590	0.59 581	0.49 592	0.91 600	0.85 595	0.74 593	1.02 601	0.81 591	0.78 599	0.79 597	0.49 588	0.42 588	0.46 593	0.71 596	0.47 591	0.52 590	0.39 590

IMH-64	0.65 588	0.61 590	0.68 586	0.71 592	0.51 590	0.59 581	0.49 592	0.91 600	0.85 595	0.74 593	1.02 601	0.81 591	0.78 599	0.79 597	0.49 588	0.42 588	0.46 593	0.71 596	0.47 591	0.52 590	0.39 590

Dean	0.87 600	0.86 604	0.79 596	0.81 598	0.56 595	0.90 601	0.63 600	1.15 615	1.73 615	1.15 610	1.15 609	1.31 605	0.99 608	0.81 599	0.81 608	0.57 598	0.56 609	0.77 603	0.64 602	0.66 599	0.58 598

LVE	0.83 599	0.85 603	0.85 599	0.80 597	0.56 595	1.04 610	0.65 603	1.05 609	1.47 612	0.96 602	1.22 612	1.10 599	0.85 602	0.83 600	0.71 604	0.49 594	0.55 608	0.76 602	0.60 601	0.65 598	0.59 603

WAO-8	0.91 601	0.81 601	0.65 578	0.94 604	0.69 604	0.90 601	0.67 604	1.07 612	1.83 617	1.06 607	1.45 614	1.30 603	1.07 610	0.84 601	0.78 605	0.74 607	0.53 605	0.86 605	0.75 607	0.69 603	0.62 604

Venus	0.91 601	0.81 601	0.65 578	0.94 604	0.69 604	0.90 601	0.67 604	1.07 612	1.83 617	1.06 607	1.45 614	1.30 603	1.07 610	0.84 601	0.78 605	0.74 607	0.53 605	0.86 605	0.75 607	0.69 603	0.62 604

TorneroNet-64	0.76 595	0.72 597	0.74 593	0.78 596	0.58 598	0.91 604	0.56 597	0.84 598	1.29 606	0.66 583	0.90 595	1.40 608	0.75 598	0.85 603	0.67 602	0.49 594	0.46 593	0.72 598	0.59 599	0.67 600	0.53 596

MADNet+	0.75 594	0.71 596	3.70 615	0.66 591	0.41 585	0.98 605	0.97 613	0.69 594	0.73 591	0.52 575	0.57 572	0.64 582	0.68 596	0.86 604	1.01 612	0.34 585	0.36 590	0.28 576	0.23 569	0.36 586	0.31 584

IMH	0.71 591	0.64 593	0.68 586	0.76 594	0.54 592	0.69 589	0.54 596	0.98 606	1.10 602	0.82 597	1.09 604	0.89 593	0.88 604	0.87 605	0.52 592	0.44 591	0.50 602	0.75 599	0.51 596	0.56 595	0.41 593

PWCK	0.71 591	0.94 605	0.95 601	0.76 594	0.31 581	0.74 593	0.36 580	0.90 599	0.90 598	0.96 602	0.75 589	0.95 594	0.61 591	0.87 605	0.66 599	0.72 605	0.46 593	0.75 599	0.49 593	0.69 603	0.44 594

DPSimNet_ROB	1.11 608	1.23 611	0.78 594	1.13 609	0.88 611	1.10 611	1.13 614	1.16 616	1.23 605	1.43 614	1.02 601	1.41 609	1.10 613	0.90 607	1.60 614	1.46 617	0.51 604	1.21 614	1.03 615	0.90 609	1.01 615

TorneroNet	0.82 598	0.74 598	0.81 598	0.84 599	0.63 601	0.99 606	0.63 600	0.96 604	1.16 603	0.80 596	1.11 606	1.36 607	0.86 603	0.93 608	0.80 607	0.56 597	0.49 600	0.78 604	0.66 604	0.73 606	0.63 606

UNDER WATER-64	0.95 603	0.94 605	1.43 608	0.87 602	0.56 595	1.18 613	0.87 610	0.77 596	0.94 599	1.04 605	0.85 593	1.58 613	1.21 615	0.94 609	0.96 610	0.87 611	0.57 610	1.03 611	0.88 612	0.78 607	0.73 608

ktn	1.01 606	1.21 610	0.80 597	1.23 611	0.86 610	1.01 608	0.87 610	0.94 603	1.39 609	1.04 605	1.12 607	1.15 600	1.07 610	0.94 609	0.59 595	1.28 616	0.71 614	1.38 616	0.83 610	1.02 612	0.75 610

KSHMR	1.09 607	1.17 609	0.88 600	1.25 612	1.00 612	0.99 606	0.96 612	1.13 614	1.37 608	1.16 611	1.29 613	1.41 609	0.96 607	1.01 611	0.92 609	1.03 614	1.08 616	1.20 613	1.03 615	1.01 611	0.97 613

JetBlue	0.71 591	0.45 584	1.14 604	0.51 586	0.47 589	2.02 615	0.64 602	0.75 595	0.70 585	0.69 586	0.77 590	1.22 602	0.83 601	1.03 612	1.01 612	0.40 587	0.28 582	0.33 581	0.33 584	0.30 580	0.34 587

UNDER WATER	0.97 604	0.97 607	1.42 607	0.99 606	0.70 607	1.12 612	0.84 609	0.80 597	1.08 601	1.01 604	0.90 595	1.55 612	1.22 616	1.03 612	1.00 611	0.78 609	0.53 605	1.02 610	0.87 611	0.80 608	0.74 609

notaker	0.97 604	1.11 608	0.98 602	1.13 609	0.81 608	0.73 592	0.68 606	0.93 602	1.16 603	1.18 612	1.18 610	1.41 609	1.16 614	1.08 614	0.69 603	0.81 610	0.64 613	1.17 612	0.79 609	0.98 610	0.80 611

JetRed	1.62 610	1.46 613	2.98 610	0.92 603	1.21 613	4.99 618	1.53 618	1.27 617	1.39 609	1.83 616	1.74 617	1.60 614	0.95 606	1.41 615	2.45 619	0.90 613	1.60 617	0.93 608	0.90 613	1.35 614	0.99 614

HanzoNet	1.29 609	1.26 612	1.19 605	1.12 608	0.85 609	1.02 609	0.83 608	1.03 608	1.48 613	1.64 615	1.61 616	2.50 617	1.72 617	1.61 616	1.61 615	1.26 615	0.80 615	1.31 615	1.01 614	1.02 612	0.86 612

MADNet++	1.95 611	1.75 614	1.59 609	1.82 613	1.69 615	2.33 616	1.40 617	2.35 618	2.09 619	2.57 618	2.36 619	2.24 616	2.17 618	2.28 617	2.34 617	1.87 618	1.66 618	1.54 617	1.34 617	1.92 615	1.77 617

tt	4.67 614	0.06 75	3.55 614	2.02 614	1.55 614	10.25 622	16.71 623	8.91 627	5.03 620	1.31 613	0.94 598	4.71 618	4.76 619	3.33 618	5.87 621	6.06 626	10.30 630	1.88 620	2.11 620	2.75 617	1.21 616

TCMNet-wrong-test	3.67 613	5.48 626	3.89 616	12.18 625	11.75 627	4.65 617	3.88 619	1.06 611	0.72 587	1.09 609	2.15 618	6.30 622	0.53 582	3.43 619	2.36 618	0.89 612	0.20 566	1.87 619	1.69 618	5.57 623	3.62 623

LRCNet_RVC	10.62 625	13.42 631	7.30 618	18.92 629	2.07 616	0.33 549	0.30 569	5.59 622	0.48 538	13.03 629	17.94 630	8.87 624	5.65 620	4.79 620	1.89 616	23.51 637	2.73 623	27.55 640	25.71 640	16.07 634	16.33 635

DGTPSM_ROB	8.06 620	4.48 619	8.63 625	5.35 618	10.72 623	8.32 620	22.97 628	5.46 620	13.35 627	5.12 620	9.92 624	5.08 619	10.40 626	5.52 621	12.58 626	3.79 623	8.00 625	3.50 621	7.02 624	3.83 621	7.14 625

DPSMNet_ROB	8.06 620	4.48 619	8.63 625	5.37 620	10.74 624	8.32 620	22.98 629	5.46 620	13.36 628	5.12 620	9.92 624	5.08 619	10.40 626	5.53 622	12.58 626	3.80 624	8.00 625	3.50 621	7.02 624	3.83 621	7.14 625

USTest	6.22 615	2.73 617	3.00 611	6.57 621	7.29 621	14.37 624	21.57 624	7.00 626	9.56 625	5.34 622	6.10 620	5.72 621	7.64 622	6.41 623	6.96 622	1.97 619	3.42 624	1.64 618	2.15 621	2.66 616	2.36 618

PML	8.91 622	9.34 630	6.13 617	5.35 618	6.41 620	14.99 625	23.38 630	5.27 619	6.83 621	18.04 633	28.19 641	7.67 623	6.83 621	7.85 624	5.75 620	5.35 625	1.83 619	5.95 629	1.93 619	8.64 626	2.52 619

xxxxx1	7.79 616	5.02 623	7.31 619	3.12 615	3.85 617	16.35 626	22.88 625	5.86 623	8.69 622	7.97 623	8.54 621	9.12 625	8.27 623	10.18 625	10.92 623	2.42 620	2.45 620	3.56 623	12.37 627	3.77 618	3.06 620

tt_ll	7.79 616	5.02 623	7.31 619	3.12 615	3.85 617	16.35 626	22.88 625	5.86 623	8.69 622	7.97 623	8.54 621	9.12 625	8.27 623	10.18 625	10.92 623	2.42 620	2.45 620	3.56 623	12.37 627	3.77 618	3.06 620

ff	7.79 616	5.02 623	7.31 619	3.12 615	3.85 617	16.35 626	22.88 625	5.86 623	8.69 622	7.97 623	8.54 621	9.12 625	8.27 623	10.18 625	10.92 623	2.42 620	2.45 620	3.56 623	12.37 627	3.77 618	3.06 620

Anonymous_1	10.96 626	7.92 627	7.46 622	10.33 622	10.06 622	18.65 630	26.34 631	11.06 630	13.44 629	9.40 626	10.05 626	9.67 628	11.23 628	10.73 628	12.72 628	6.42 627	8.38 627	5.77 626	10.61 626	12.12 627	6.77 624

DPSM_ROB	11.15 627	8.58 628	8.00 623	10.88 623	11.58 625	19.10 631	26.71 632	12.05 631	14.07 632	10.36 627	10.84 627	10.33 629	11.86 629	11.70 629	13.54 629	6.99 628	8.79 628	5.89 627	6.95 622	7.29 624	7.42 627

DPSM	11.15 627	8.58 628	8.00 623	10.88 623	11.58 625	19.10 631	26.71 632	12.05 631	14.07 632	10.36 627	10.84 627	10.33 629	11.86 629	11.70 629	13.54 629	6.99 628	8.79 628	5.89 627	6.95 622	7.29 624	7.42 627

HaxPig	15.71 629	18.52 638	19.18 633	16.89 628	15.89 630	7.73 619	7.60 620	13.31 633	10.82 626	15.42 630	14.91 629	15.98 631	14.92 631	15.58 631	15.98 631	18.95 636	16.73 631	19.46 636	18.08 636	19.26 635	19.05 638

MEDIAN_ROB	20.38 632	24.04 639	23.31 636	21.23 630	21.71 633	10.40 623	7.92 621	17.64 634	15.50 634	20.12 634	19.70 631	20.34 632	20.32 632	21.19 632	21.13 634	23.81 638	21.81 638	24.98 639	23.76 639	24.71 638	23.93 639

RSGM-EC	20.36 630	4.73 621	0.68 586	16.76 626	16.92 631	21.28 633	27.18 634	10.46 628	14.04 630	18.00 631	21.31 633	22.24 639	21.82 633	22.57 633	17.63 632	62.81 640	33.79 640	20.14 637	18.10 637	20.18 636	16.45 636

acva	20.36 630	4.73 621	0.68 586	16.76 626	16.92 631	21.28 633	27.18 634	10.46 628	14.04 630	18.00 631	21.31 633	22.24 639	21.82 633	22.57 633	17.63 632	62.81 640	33.79 640	20.14 637	18.10 637	20.18 636	16.45 636

RAFT-FEzeroshot	22.43 634	17.33 633	15.98 627	22.02 632	23.31 636	38.34 636	53.82 639	24.05 636	28.39 637	20.61 636	21.76 635	20.88 635	23.92 638	23.41 635	27.42 639	14.07 631	17.69 633	11.83 632	14.02 632	14.69 630	14.97 632

RAFT-FE	22.43 634	17.33 633	15.98 627	22.02 632	23.31 636	38.34 636	53.82 639	24.05 636	28.39 637	20.61 636	21.76 635	20.88 635	23.92 638	23.41 635	27.42 639	14.07 631	17.69 633	11.83 632	14.02 632	14.69 630	14.97 632

CasAABBNet	22.42 633	17.33 633	16.01 629	22.01 631	23.28 635	38.32 635	53.80 638	24.14 638	28.41 639	20.60 635	21.77 637	20.89 637	23.91 637	23.43 637	27.36 637	14.07 631	17.69 633	11.83 632	14.01 631	14.67 629	14.95 631

FlowAnything	22.44 636	17.35 636	16.14 631	22.07 635	23.23 634	38.39 638	53.77 637	24.25 639	28.44 640	20.96 640	21.82 638	20.70 633	23.84 635	23.49 638	27.14 636	14.04 630	17.79 637	11.75 630	14.15 635	14.65 628	14.89 629

LSM0	22.87 638	17.28 632	18.96 632	22.19 636	29.04 640	38.42 640	53.71 636	24.28 640	28.31 636	20.78 639	21.00 632	21.43 638	24.16 640	23.50 639	27.39 638	14.09 635	17.38 632	11.84 635	14.04 634	14.73 633	14.89 629

Selective-RAFT-Error	22.47 637	17.37 637	16.09 630	22.06 634	23.34 638	38.39 638	53.83 641	24.29 641	28.47 641	20.74 638	21.83 639	20.81 634	23.90 636	23.54 640	27.53 641	14.08 634	17.69 633	11.82 631	14.00 630	14.69 630	15.00 634

AVERAGE_ROB	24.90 639	29.20 640	28.14 637	24.89 637	24.64 639	17.75 629	11.12 622	21.45 635	19.93 635	25.12 641	24.46 640	25.12 641	25.46 641	24.69 641	22.83 635	29.76 639	27.13 639	28.97 641	27.95 641	29.91 639	29.47 640

test_example2	98.32 640	94.13 641	45.89 638	96.35 638	109.85 641	88.61 641	95.45 642	25.75 642	94.37 642	130.00 643	126.06 642	58.17 642	74.63 642	88.51 642	79.96 642	150.23 642	221.02 642	77.62 642	99.10 642	113.75 642	96.94 641

ccccc		285.66 642		368.85 641	370.60 642	123.16 642		115.05 643		126.68 642		122.83 643		252.94 643		384.56 643	353.86 643	254.69 643	223.00 643	425.87 643

ASD4		3.38 618

Low-res two-view benchmark