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

GMOStereo	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

error version	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

test-v	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

test-2	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

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

CroCo-Stereo Lap2	0.09 11	0.09 189	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	0.16 42	0.12 25	0.09 15	0.10 37	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 188	0.07 98	0.05 31	0.05 40	0.05 51

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

test_3	0.10 50	0.09 189	0.10 44	0.20 267	0.08 47	0.13 129	0.26 340	0.14 15	0.21 161	0.10 40	0.10 37	0.09 37	0.09 66	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.04 1	0.04 7

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
StereoIM	0.09 11	0.09 189	0.08 11	0.17 114	0.09 130	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 52	0.06 3	0.06 6	0.09 10	0.13 156	0.07 141	0.06 188	0.07 98	0.05 31	0.05 40	0.04 7

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

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

cross-raft	0.10 50	0.09 189	0.09 28	0.19 226	0.07 18	0.11 82	0.25 334	0.13 9	0.15 69	0.08 5	0.11 52	0.12 88	0.10 87	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 115	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

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

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

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

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

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

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

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

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

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

DLNR_Zeroshot_test	10.40 423	1.82 417	19.49 433	120.77 438	13.11 428	0.06 2	0.13 43	0.23 172	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 330	0.04 2	0.06 31	0.04 8	51.54 437	0.04 7

CASnet	0.09 11	0.09 189	0.09 28	0.19 226	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 266	0.08 210	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 299	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

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

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

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

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

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

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

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

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

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

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

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

s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 198	0.18 230	0.15 26	0.15 69	0.10 40	0.11 52	0.11 73	0.11 108	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

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

sAnonymous2	0.13 156	0.12 270	0.24 301	0.20 267	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

CroCo_RVC	0.13 156	0.12 270	0.24 301	0.20 267	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

RAFT+CT+SA	0.13 156	0.11 256	0.09 28	0.19 226	0.09 130	0.15 175	0.28 352	0.22 155	0.22 172	0.15 147	0.26 239	0.10 57	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 210	0.07 155	0.06 98

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

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

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

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

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

Patchmatch Stereo++	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 79	0.07 69	0.16 220	0.19 226	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 172	0.21 172	0.13 111	0.14 192	0.11 45	0.14 184	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

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

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

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

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

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

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

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

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

PSM-AAD	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.20 122	0.13 41	0.12 82	0.14 79	0.18 191	0.11 108	0.11 45	0.10 49	0.05 2	0.05 106	0.09 225	0.08 210	0.06 101	0.14 333

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

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

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

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

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

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

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

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

RAFT-345	0.11 79	0.07 69	0.15 190	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 58	0.36 306	0.09 37	0.09 66	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

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

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

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

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

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

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

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

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

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

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

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 189	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
MyStereo07	0.10 50	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 100	0.09 19	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

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

MIF-Stereo (partial)	0.11 79	0.06 19	0.10 44	0.19 226	0.10 215	0.10 56	0.11 11	0.17 72	0.18 116	0.14 123	0.16 101	0.09 37	0.11 108	0.12 100	0.12 127	0.08 189	0.05 106	0.08 162	0.07 160	0.06 101	0.07 156

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

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 139	0.15 69	0.11 58	0.12 60	0.12 88	0.09 66	0.12 100	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

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

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

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

TestStereo1	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 360	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

test_5	0.14 185	0.12 270	0.08 11	0.20 267	0.10 215	0.14 153	0.29 360	0.21 139	0.24 191	0.18 210	0.28 255	0.11 73	0.15 205	0.12 100	0.13 156	0.06 54	0.05 106	0.07 98	0.08 210	0.08 197	0.07 156

SA-5K	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 360	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

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

LCNet	0.11 79	0.07 69	0.09 28	0.19 226	0.09 130	0.08 23	0.15 115	0.21 139	0.15 69	0.11 58	0.15 93	0.16 161	0.11 108	0.12 100	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.15 341

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

KYRaft	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.08 23	0.15 115	0.22 155	0.12 25	0.13 103	0.16 101	0.20 209	0.10 87	0.12 100	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.06 101	0.16 352

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1111x	0.15 218	0.08 140	0.12 90	0.18 181	0.07 18	0.18 232	0.25 334	0.31 276	0.24 191	0.17 184	0.24 195	0.26 268	0.15 205	0.13 132	0.23 299	0.07 141	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

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

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

RAFT_CTSACE	0.12 134	0.09 189	0.10 44	0.22 304	0.08 47	0.12 104	0.24 320	0.18 96	0.16 87	0.20 240	0.27 246	0.13 111	0.07 31	0.13 132	0.09 19	0.05 2	0.06 188	0.08 162	0.07 160	0.04 1	0.04 7

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

GwcNet-ADL	0.13 156	0.08 140	0.14 153	0.20 267	0.09 130	0.11 82	0.20 276	0.30 270	0.24 191	0.13 103	0.14 79	0.18 191	0.14 192	0.13 132	0.14 184	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

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

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

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

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

RAFT-RH_RVC	0.11 79	0.06 19	0.14 153	0.16 68	0.09 130	0.12 104	0.12 21	0.17 72	0.12 25	0.13 103	0.41 340	0.11 73	0.10 87	0.13 132	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

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

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

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

CoDeX	0.12 134	0.07 69	0.12 90	0.17 114	0.08 47	0.12 104	0.15 115	0.23 172	0.27 230	0.13 103	0.17 119	0.16 161	0.11 108	0.14 147	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

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

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

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

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

CASS	0.13 156	0.12 270	0.11 70	0.23 323	0.09 130	0.15 175	0.17 190	0.18 96	0.19 127	0.17 184	0.18 141	0.15 150	0.15 205	0.14 147	0.14 184	0.09 234	0.06 188	0.10 266	0.08 210	0.09 245	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 156	0.07 69	0.13 127	0.18 181	0.09 130	0.13 129	0.17 190	0.19 115	0.29 248	0.15 147	0.24 195	0.15 150	0.14 192	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 249	0.05 40	0.06 98

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

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

sCroCo_RVC	0.12 134	0.09 189	0.23 298	0.24 328	0.11 253	0.19 252	0.14 69	0.17 72	0.14 58	0.10 40	0.13 70	0.12 88	0.07 31	0.14 147	0.11 85	0.08 189	0.08 267	0.08 162	0.08 210	0.05 40	0.07 156

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

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

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

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

FADNet_RVC	0.16 236	0.14 303	0.40 352	0.20 267	0.11 253	0.13 129	0.13 43	0.26 214	0.22 172	0.21 248	0.23 187	0.20 209	0.17 244	0.14 147	0.16 221	0.08 189	0.08 267	0.12 308	0.09 249	0.11 287	0.10 268

iResNetv2_ROB	0.14 185	0.08 140	0.15 190	0.16 68	0.08 47	0.16 198	0.12 21	0.25 202	0.35 291	0.21 248	0.29 266	0.24 250	0.13 169	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 245	0.08 216

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

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

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

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

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

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

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

MyStereo04	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.29 256	0.38 307	0.17 184	0.14 79	0.16 161	0.10 87	0.15 165	0.13 156	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

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

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

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

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

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

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

Selective-RAFT	0.11 79	0.10 236	0.11 70	0.21 291	0.08 47	0.16 198	0.13 43	0.20 122	0.22 172	0.10 40	0.10 37	0.11 73	0.10 87	0.15 165	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

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

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

BUS	0.14 185	0.09 189	0.14 153	0.22 304	0.10 215	0.19 252	0.14 69	0.34 312	0.19 127	0.17 184	0.22 181	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

NINENet	0.16 236	0.10 236	0.15 190	0.17 114	0.11 253	0.19 252	0.14 69	0.40 351	0.36 296	0.18 210	0.21 172	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.08 267	0.10 266	0.07 160	0.10 272	0.09 249

BSDual-CNN	0.15 218	0.09 189	0.14 153	0.22 304	0.10 215	0.14 153	0.15 115	0.34 312	0.19 127	0.17 184	0.22 181	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

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

Anonymous3	0.16 236	0.13 291	0.33 335	0.26 344	0.14 316	0.27 329	0.17 190	0.28 246	0.28 241	0.15 147	0.17 119	0.14 126	0.10 87	0.15 165	0.12 127	0.08 189	0.08 267	0.08 162	0.08 210	0.08 197	0.11 291

HCRNet	0.16 236	0.24 359	0.12 90	0.35 375	0.11 253	0.15 175	0.17 190	0.26 214	0.22 172	0.19 223	0.24 195	0.21 215	0.14 192	0.15 165	0.13 156	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

222	0.16 236	0.07 69	0.14 153	0.14 13	0.08 47	0.24 304	0.18 230	0.30 270	0.20 148	0.17 184	0.28 255	0.17 180	0.16 225	0.15 165	0.40 375	0.10 265	0.05 106	0.07 98	0.06 86	0.07 155	0.08 216

xxxx	0.15 218	0.07 69	0.14 153	0.14 13	0.08 47	0.23 299	0.18 230	0.31 276	0.19 127	0.14 123	0.28 255	0.22 232	0.14 192	0.15 165	0.26 328	0.09 234	0.05 106	0.07 98	0.07 160	0.08 197	0.07 156

test_xeample	0.15 218	0.06 19	0.13 127	0.14 13	0.08 47	0.21 278	0.20 276	0.28 246	0.20 148	0.16 172	0.29 266	0.19 199	0.16 225	0.15 165	0.26 328	0.09 234	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

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

RAFT + AFF	0.13 156	0.07 69	0.20 279	0.20 267	0.10 215	0.14 153	0.24 320	0.26 214	0.20 148	0.11 58	0.10 37	0.12 88	0.10 87	0.15 165	0.12 127	0.07 141	0.06 188	0.09 225	0.08 210	0.06 101	0.08 216

PSMNet-RSSM	0.14 185	0.07 69	0.13 127	0.15 38	0.08 47	0.13 129	0.16 170	0.24 189	0.24 191	0.16 172	0.28 255	0.22 232	0.14 192	0.15 165	0.13 156	0.11 286	0.06 188	0.09 225	0.12 322	0.08 197	0.07 156

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

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 114	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 126	0.12 137	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 103	0.16 101	0.14 126	0.11 108	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
iResNet_ROB	0.14 185	0.07 69	0.13 127	0.14 13	0.07 18	0.18 232	0.14 69	0.26 214	0.31 261	0.22 261	0.25 224	0.23 244	0.15 205	0.15 165	0.13 156	0.07 141	0.05 106	0.05 2	0.04 8	0.08 197	0.08 216

MyStereo8	0.12 134	0.07 69	0.15 190	0.15 38	0.09 130	0.18 232	0.14 69	0.19 115	0.22 172	0.12 82	0.18 141	0.11 73	0.10 87	0.16 196	0.18 246	0.07 141	0.05 106	0.07 98	0.05 31	0.08 197	0.09 249

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

StereoVision	0.13 156	0.12 270	0.09 28	0.24 328	0.10 215	0.15 175	0.21 292	0.21 139	0.20 148	0.12 82	0.24 195	0.10 57	0.10 87	0.16 196	0.10 49	0.09 234	0.11 318	0.12 308	0.12 322	0.06 101	0.05 51

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

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

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

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

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

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

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

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

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

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

TestStereo	0.13 156	0.14 303	0.11 70	0.23 323	0.08 47	0.15 175	0.21 292	0.20 122	0.23 181	0.14 123	0.24 195	0.16 161	0.12 137	0.16 196	0.14 184	0.05 2	0.06 188	0.08 162	0.06 86	0.09 245	0.05 51

Anonymous	0.14 185	0.10 236	0.24 301	0.22 304	0.13 299	0.18 232	0.22 301	0.20 122	0.19 127	0.14 123	0.12 60	0.11 73	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.08 162	0.08 210	0.12 301	0.10 268

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

GMStereo	0.13 156	0.14 303	0.14 153	0.18 181	0.09 130	0.15 175	0.16 170	0.20 122	0.24 191	0.16 172	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
GANet-RSSM	0.14 185	0.07 69	0.13 127	0.13 6	0.08 47	0.14 153	0.17 190	0.22 155	0.21 161	0.17 184	0.24 195	0.23 244	0.15 205	0.16 196	0.15 207	0.10 265	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

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

FADNet-RVC-Resample	0.16 236	0.11 256	0.31 330	0.22 304	0.11 253	0.19 252	0.14 69	0.25 202	0.24 191	0.24 281	0.27 246	0.20 209	0.15 205	0.16 196	0.15 207	0.07 141	0.08 267	0.12 308	0.10 281	0.09 245	0.10 268

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

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

PCWNet_CMD	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 296	0.14 123	0.20 158	0.21 215	0.12 137	0.17 218	0.13 156	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

hknet	0.15 218	0.11 256	0.13 127	0.22 304	0.11 253	0.14 153	0.15 115	0.34 312	0.25 210	0.17 184	0.22 181	0.22 232	0.18 253	0.17 218	0.12 127	0.07 141	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

AASNet	0.16 236	0.08 140	0.12 90	0.19 226	0.09 130	0.18 232	0.15 115	0.37 336	0.37 302	0.19 223	0.23 187	0.20 209	0.16 225	0.17 218	0.20 261	0.10 265	0.08 267	0.08 162	0.07 160	0.09 245	0.09 249

ICVP	0.15 218	0.09 189	0.12 90	0.22 304	0.09 130	0.17 217	0.21 292	0.25 202	0.23 181	0.18 210	0.30 270	0.26 268	0.18 253	0.17 218	0.14 184	0.09 234	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 255	0.09 189	0.16 220	0.20 267	0.11 253	0.27 329	0.20 276	0.25 202	0.41 319	0.22 261	0.30 270	0.21 215	0.20 276	0.17 218	0.20 261	0.06 54	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

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

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

MSMDNet	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 296	0.14 123	0.21 172	0.21 215	0.12 137	0.17 218	0.14 184	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

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

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

whm_eth	0.14 185	0.09 189	0.20 279	0.20 267	0.12 282	0.12 104	0.15 115	0.18 96	0.28 241	0.17 184	0.32 282	0.09 37	0.12 137	0.18 229	0.14 184	0.07 141	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156

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

iinet-f	0.16 236	0.06 19	0.45 357	0.14 13	0.10 215	0.21 278	0.14 69	0.27 232	0.23 181	0.21 248	0.24 195	0.21 215	0.15 205	0.18 229	0.21 280	0.09 234	0.07 245	0.07 98	0.06 86	0.09 245	0.10 268

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

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

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

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

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

DMCA-RVC	0.17 255	0.10 236	0.15 190	0.24 328	0.11 253	0.18 232	0.18 230	0.25 202	0.24 191	0.21 248	0.26 239	0.25 260	0.27 320	0.18 229	0.20 261	0.12 310	0.08 267	0.13 322	0.10 281	0.10 272	0.08 216

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

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

GMStereo_Zeroshot	0.16 236	0.13 291	0.24 301	0.20 267	0.10 215	0.17 217	0.13 43	0.29 256	0.25 210	0.23 273	0.32 282	0.25 260	0.11 108	0.19 240	0.14 184	0.09 234	0.06 188	0.11 293	0.06 86	0.12 301	0.08 216

LL-Strereo	0.13 156	0.09 189	0.11 70	0.20 267	0.10 215	0.11 82	0.18 230	0.32 285	0.24 191	0.15 147	0.15 93	0.14 126	0.13 169	0.19 240	0.11 85	0.06 54	0.04 2	0.09 225	0.08 210	0.04 1	0.05 51

SDNR	0.19 277	0.08 140	0.19 271	0.16 68	0.12 282	0.77 399	0.14 69	0.25 202	0.32 267	0.19 223	0.24 195	0.19 199	0.13 169	0.19 240	0.15 207	0.16 355	0.18 363	0.14 332	0.11 304	0.08 197	0.11 291

ToySt	0.17 255	0.11 256	0.18 262	0.17 114	0.11 253	0.16 198	0.25 334	0.24 189	0.33 273	0.19 223	0.24 195	0.26 268	0.24 301	0.19 240	0.20 261	0.07 141	0.08 267	0.09 225	0.10 281	0.09 245	0.08 216

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

dad	0.17 255	0.20 345	0.20 279	0.16 68	0.11 253	0.20 264	0.18 230	0.21 139	0.28 241	0.30 325	0.24 195	0.29 289	0.13 169	0.19 240	0.16 221	0.18 361	0.09 290	0.11 293	0.09 249	0.11 287	0.07 156

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

Syn2CoEx	0.21 295	0.16 316	0.27 314	0.29 365	0.14 316	0.26 322	0.20 276	0.33 302	0.31 261	0.28 316	0.36 306	0.27 275	0.25 309	0.19 240	0.24 309	0.16 355	0.12 327	0.14 332	0.11 304	0.09 245	0.08 216

delet	0.17 255	0.08 140	0.17 245	0.19 226	0.11 253	0.20 264	0.21 292	0.30 270	0.37 302	0.17 184	0.26 239	0.19 199	0.19 268	0.19 240	0.21 280	0.08 189	0.08 267	0.09 225	0.11 304	0.06 101	0.06 98

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

UPFNet	0.16 236	0.08 140	0.12 90	0.20 267	0.12 282	0.20 264	0.23 311	0.28 246	0.26 223	0.17 184	0.24 195	0.22 232	0.19 268	0.19 240	0.21 280	0.09 234	0.07 245	0.08 162	0.09 249	0.08 197	0.06 98

ac_64	0.16 236	0.08 140	0.15 190	0.18 181	0.10 215	0.22 286	0.18 230	0.24 189	0.21 161	0.18 210	0.24 195	0.29 289	0.18 253	0.19 240	0.22 289	0.09 234	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

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

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

FADNet	0.21 295	0.22 355	0.36 344	0.18 181	0.17 350	0.24 304	0.13 43	0.31 276	0.31 261	0.23 273	0.25 224	0.27 275	0.21 280	0.19 240	0.15 207	0.13 330	0.15 353	0.12 308	0.15 346	0.16 348	0.18 361

S-Stereo	0.20 286	0.12 270	0.25 307	0.21 291	0.13 299	0.20 264	0.18 230	0.32 285	0.43 330	0.23 273	0.36 306	0.28 282	0.30 340	0.19 240	0.22 289	0.09 234	0.12 327	0.10 266	0.10 281	0.13 318	0.13 316

MaskLacGwcNet_RVC	0.22 304	0.21 351	0.24 301	0.26 344	0.11 253	0.23 299	0.14 69	0.39 347	0.24 191	0.32 337	0.36 306	0.30 297	0.21 280	0.19 240	0.21 280	0.17 359	0.14 347	0.21 362	0.16 348	0.12 301	0.12 302

AdaStereo	0.15 218	0.11 256	0.15 190	0.18 181	0.09 130	0.20 264	0.11 11	0.32 285	0.28 241	0.20 240	0.23 187	0.20 209	0.13 169	0.19 240	0.14 184	0.12 310	0.05 106	0.10 266	0.07 160	0.09 245	0.07 156
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
DLCB_ROB	0.18 267	0.10 236	0.15 190	0.23 323	0.11 253	0.24 304	0.18 230	0.29 256	0.28 241	0.27 305	0.28 255	0.28 282	0.24 301	0.19 240	0.20 261	0.08 189	0.08 267	0.09 225	0.09 249	0.07 155	0.07 156

Wz-Net-LNSev-Ref	0.18 267	0.09 189	0.29 325	0.15 38	0.10 215	0.22 286	0.20 276	0.26 214	0.39 310	0.25 294	0.42 346	0.24 250	0.15 205	0.20 259	0.19 255	0.07 141	0.05 106	0.06 31	0.05 31	0.10 272	0.09 249

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

UDG	0.21 295	0.17 327	0.19 271	0.23 323	0.15 327	0.30 341	0.20 276	0.33 302	0.35 291	0.23 273	0.28 255	0.31 307	0.27 320	0.20 259	0.22 289	0.15 344	0.12 327	0.13 322	0.09 249	0.14 330	0.14 333

LMCR-Stereo	0.15 218	0.08 140	0.13 127	0.21 291	0.09 130	0.17 217	0.20 276	0.27 232	0.19 127	0.24 281	0.24 195	0.23 244	0.17 244	0.20 259	0.17 232	0.07 141	0.06 188	0.08 162	0.06 86	0.10 272	0.08 216

pcwnet_v2	0.19 277	0.10 236	0.26 308	0.17 114	0.14 316	0.18 232	0.15 115	0.37 336	0.46 342	0.19 223	0.24 195	0.21 215	0.19 268	0.20 259	0.19 255	0.13 330	0.10 308	0.10 266	0.10 281	0.11 287	0.13 316

psm_up	0.18 267	0.10 236	0.18 262	0.20 267	0.11 253	0.17 217	0.19 261	0.37 336	0.34 284	0.21 248	0.28 255	0.29 289	0.24 301	0.20 259	0.22 289	0.09 234	0.10 308	0.11 293	0.11 304	0.08 197	0.08 216

aanetorigin	0.22 304	0.17 327	0.56 371	0.17 114	0.10 215	0.15 175	0.19 261	0.20 122	0.33 273	0.49 372	0.48 356	0.29 289	0.27 320	0.20 259	0.23 299	0.08 189	0.07 245	0.08 162	0.07 160	0.10 272	0.09 249

STTStereo	0.18 267	0.12 270	0.27 314	0.20 267	0.11 253	0.16 198	0.21 292	0.29 256	0.23 181	0.21 248	0.30 270	0.29 289	0.18 253	0.20 259	0.19 255	0.12 310	0.11 318	0.11 293	0.14 335	0.09 245	0.08 216

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

RYNet	0.22 304	0.12 270	0.22 289	0.19 226	0.17 350	0.46 370	0.26 340	0.38 343	0.48 344	0.24 281	0.28 255	0.34 325	0.23 295	0.20 259	0.30 350	0.10 265	0.06 188	0.09 225	0.09 249	0.13 318	0.15 341

PA-Net	0.23 319	0.18 337	0.33 335	0.28 358	0.22 366	0.21 278	0.38 383	0.29 256	0.39 310	0.22 261	0.32 282	0.25 260	0.26 312	0.20 259	0.25 318	0.09 234	0.23 379	0.15 340	0.22 366	0.09 245	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DeepPruner_ROB	0.16 236	0.11 256	0.15 190	0.17 114	0.10 215	0.17 217	0.15 115	0.32 285	0.21 161	0.19 223	0.21 172	0.22 232	0.18 253	0.20 259	0.15 207	0.13 330	0.09 290	0.09 225	0.09 249	0.11 287	0.10 268

PS-NSSS	0.20 286	0.21 351	0.23 298	0.20 267	0.10 215	0.19 252	0.17 190	0.36 331	0.25 210	0.27 305	0.33 295	0.27 275	0.24 301	0.20 259	0.20 261	0.15 344	0.12 327	0.17 349	0.14 335	0.10 272	0.08 216

HSM	0.15 218	0.08 140	0.14 153	0.16 68	0.09 130	0.16 198	0.14 69	0.28 246	0.25 210	0.19 223	0.23 187	0.37 335	0.16 225	0.20 259	0.15 207	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

StereoDRNet	0.18 267	0.11 256	0.17 245	0.22 304	0.11 253	0.21 278	0.22 301	0.37 336	0.33 273	0.24 281	0.28 255	0.30 297	0.19 268	0.20 259	0.20 261	0.09 234	0.08 267	0.11 293	0.09 249	0.09 245	0.07 156

LE_ROB	0.50 382	0.07 69	0.14 153	0.15 38	0.08 47	0.24 304	0.16 170	0.22 155	1.81 413	4.63 417	0.67 378	0.47 368	0.44 374	0.20 259	0.29 346	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

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

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

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

ADLNet2	0.16 236	0.09 189	0.13 127	0.16 68	0.09 130	0.20 264	0.16 170	0.31 276	0.39 310	0.16 172	0.20 158	0.20 209	0.18 253	0.21 275	0.22 289	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.07 156

GEStereo_RVC	0.17 255	0.12 270	0.15 190	0.22 304	0.11 253	0.19 252	0.17 190	0.32 285	0.48 344	0.20 240	0.25 224	0.17 180	0.13 169	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.07 160	0.09 245	0.08 216

FAT-Stereo	0.20 286	0.12 270	0.22 289	0.21 291	0.12 282	0.17 217	0.18 230	0.34 312	0.39 310	0.27 305	0.37 312	0.34 325	0.32 348	0.21 275	0.20 261	0.09 234	0.11 318	0.10 266	0.09 249	0.11 287	0.14 333

DeepPrunerF	0.24 327	0.17 327	0.42 355	0.26 344	0.16 337	0.22 286	0.28 352	0.37 336	0.50 351	0.26 299	0.29 266	0.24 250	0.28 328	0.21 275	0.22 289	0.15 344	0.11 318	0.20 361	0.18 359	0.12 301	0.13 316

NLCA_NET_v2_RVC	0.17 255	0.10 236	0.22 289	0.20 267	0.10 215	0.15 175	0.18 230	0.31 276	0.25 210	0.21 248	0.30 270	0.25 260	0.17 244	0.21 275	0.20 261	0.09 234	0.06 188	0.08 162	0.08 210	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 255	0.12 270	0.15 190	0.20 267	0.09 130	0.18 232	0.18 230	0.26 214	0.23 181	0.26 299	0.40 330	0.22 232	0.17 244	0.21 275	0.20 261	0.08 189	0.05 106	0.09 225	0.10 281	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 277	0.12 270	0.18 262	0.16 68	0.12 282	0.15 175	0.12 21	0.30 270	0.32 267	0.20 240	0.22 181	0.27 275	0.23 295	0.21 275	0.16 221	0.16 355	0.18 363	0.23 367	0.21 363	0.12 301	0.13 316

PSMNet_ROB	0.21 295	0.11 256	0.15 190	0.27 355	0.15 327	0.24 304	0.35 378	0.43 364	0.37 302	0.27 305	0.32 282	0.32 316	0.22 289	0.21 275	0.26 328	0.12 310	0.08 267	0.13 322	0.11 304	0.09 245	0.09 249

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

Wz-Net-LNSev	0.22 304	0.16 316	0.38 348	0.21 291	0.13 299	0.25 314	0.23 311	0.32 285	0.43 330	0.30 325	0.41 340	0.31 307	0.18 253	0.22 286	0.25 318	0.10 265	0.09 290	0.08 162	0.08 210	0.12 301	0.11 291

SACVNet	0.18 267	0.12 270	0.14 153	0.17 114	0.13 299	0.22 286	0.18 230	0.31 276	0.30 255	0.23 273	0.31 278	0.30 297	0.22 289	0.22 286	0.17 232	0.11 286	0.08 267	0.10 266	0.10 281	0.12 301	0.14 333

FINET	0.21 295	0.18 337	0.26 308	0.18 181	0.16 337	0.23 299	0.23 311	0.32 285	0.48 344	0.25 294	0.32 282	0.22 232	0.22 289	0.22 286	0.17 232	0.18 361	0.16 356	0.11 293	0.10 281	0.15 341	0.13 316

EDNetEfficient	0.29 352	0.24 359	1.13 402	0.18 181	0.10 215	0.19 252	0.20 276	0.20 122	0.60 372	0.74 391	0.56 371	0.31 307	0.39 362	0.22 286	0.30 350	0.09 234	0.07 245	0.08 162	0.07 160	0.11 287	0.09 249

GwcNet	0.20 286	0.13 291	0.19 271	0.18 181	0.12 282	0.24 304	0.19 261	0.35 325	0.43 330	0.20 240	0.32 282	0.33 319	0.20 276	0.22 286	0.24 309	0.11 286	0.09 290	0.09 225	0.09 249	0.09 245	0.10 268

FADNet-RVC	0.20 286	0.20 345	0.38 348	0.21 291	0.16 337	0.20 264	0.15 115	0.26 214	0.26 223	0.26 299	0.32 282	0.26 268	0.21 280	0.22 286	0.19 255	0.12 310	0.13 340	0.12 308	0.14 335	0.13 318	0.18 361

SuperB	0.20 286	0.10 236	0.56 371	0.16 68	0.09 130	0.18 232	0.18 230	0.24 189	0.50 351	0.26 299	0.39 325	0.17 180	0.21 280	0.22 286	0.21 280	0.08 189	0.06 188	0.06 31	0.06 86	0.12 301	0.10 268

AANet_RVC	0.16 236	0.10 236	0.10 44	0.18 181	0.09 130	0.18 232	0.19 261	0.26 214	0.31 261	0.22 261	0.35 303	0.21 215	0.21 280	0.22 286	0.16 221	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

NVstereo2D	0.19 277	0.10 236	0.15 190	0.17 114	0.15 327	0.28 335	0.23 311	0.44 366	0.42 325	0.15 147	0.27 246	0.25 260	0.19 268	0.22 286	0.17 232	0.09 234	0.06 188	0.10 266	0.08 210	0.15 341	0.09 249

DRN-Test	0.19 277	0.11 256	0.20 279	0.22 304	0.10 215	0.22 286	0.22 301	0.39 347	0.37 302	0.24 281	0.32 282	0.26 268	0.21 280	0.22 286	0.24 309	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

HBP-ISP	0.18 267	0.13 291	0.16 220	0.15 38	0.11 253	0.08 23	0.13 43	0.28 246	0.29 248	0.22 261	0.33 295	0.21 215	0.25 309	0.23 297	0.17 232	0.14 341	0.16 356	0.21 362	0.17 355	0.10 272	0.08 216

Wz-Net-SNSev	0.25 336	0.17 327	0.44 356	0.25 339	0.14 316	0.26 322	0.23 311	0.38 343	0.56 363	0.30 325	0.55 366	0.39 347	0.26 312	0.23 297	0.30 350	0.10 265	0.09 290	0.09 225	0.10 281	0.11 287	0.11 291

GANet	0.21 295	0.12 270	0.21 284	0.24 328	0.13 299	0.22 286	0.22 301	0.41 356	0.26 223	0.31 331	0.42 346	0.37 335	0.28 328	0.23 297	0.22 289	0.10 265	0.12 327	0.10 266	0.09 249	0.10 272	0.08 216

TDLM	0.17 255	0.12 270	0.13 127	0.24 328	0.10 215	0.18 232	0.18 230	0.36 331	0.30 255	0.21 248	0.28 255	0.28 282	0.18 253	0.23 297	0.18 246	0.11 286	0.07 245	0.10 266	0.10 281	0.08 197	0.08 216

CVANet_RVC	0.18 267	0.10 236	0.14 153	0.21 291	0.10 215	0.18 232	0.17 190	0.34 312	0.33 273	0.22 261	0.31 278	0.28 282	0.18 253	0.23 297	0.17 232	0.12 310	0.08 267	0.12 308	0.11 304	0.09 245	0.07 156

NCCL2	0.23 319	0.15 309	0.17 245	0.34 373	0.18 357	0.24 304	0.23 311	0.34 312	0.28 241	0.31 331	0.38 317	0.38 339	0.28 328	0.23 297	0.24 309	0.15 344	0.12 327	0.18 357	0.21 363	0.13 318	0.13 316

CBMV_ROB	0.19 277	0.13 291	0.17 245	0.16 68	0.11 253	0.15 175	0.13 43	0.26 214	0.28 241	0.27 305	0.30 270	0.27 275	0.24 301	0.23 297	0.16 221	0.15 344	0.17 361	0.22 366	0.20 361	0.10 272	0.11 291

SGM-Forest	0.20 286	0.14 303	0.18 262	0.19 226	0.13 299	0.20 264	0.22 301	0.33 302	0.30 255	0.24 281	0.29 266	0.28 282	0.19 268	0.23 297	0.17 232	0.15 344	0.16 356	0.15 340	0.14 335	0.12 301	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-MNSev	0.22 304	0.13 291	0.31 330	0.20 267	0.14 316	0.36 363	0.24 320	0.33 302	0.44 334	0.28 316	0.40 330	0.38 339	0.19 268	0.24 305	0.25 318	0.09 234	0.07 245	0.09 225	0.09 249	0.12 301	0.10 268

DDUNet	0.22 304	0.17 327	0.21 284	0.22 304	0.15 327	0.25 314	0.24 320	0.29 256	0.30 255	0.31 331	0.36 306	0.33 319	0.25 309	0.24 305	0.20 261	0.18 361	0.13 340	0.17 349	0.11 304	0.16 348	0.16 352

EDNetEfficientorigin	7.91 419	0.31 375	153.02 438	0.19 226	0.09 130	0.21 278	0.16 170	0.22 155	0.59 369	0.72 387	0.67 378	0.42 353	0.50 379	0.24 305	0.39 373	0.08 189	0.07 245	0.08 162	0.07 160	0.12 301	0.10 268

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

ADCRef	0.19 277	0.12 270	0.41 354	0.20 267	0.12 282	0.22 286	0.18 230	0.32 285	0.36 296	0.26 299	0.32 282	0.17 180	0.23 295	0.24 305	0.24 309	0.07 141	0.06 188	0.09 225	0.09 249	0.08 197	0.08 216

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

edge stereo	0.22 304	0.13 291	0.20 279	0.21 291	0.13 299	0.23 299	0.16 170	0.32 285	0.42 325	0.32 337	0.40 330	0.38 339	0.35 355	0.25 310	0.24 309	0.13 330	0.11 318	0.14 332	0.11 304	0.12 301	0.13 316

APVNet	0.22 304	0.12 270	0.19 271	0.18 181	0.14 316	0.32 344	0.31 374	0.39 347	0.32 267	0.27 305	0.40 330	0.30 297	0.29 336	0.26 312	0.25 318	0.11 286	0.12 327	0.11 293	0.14 335	0.12 301	0.12 302

MDST_ROB	0.22 304	0.10 236	0.17 245	0.18 181	0.11 253	0.37 364	0.19 261	0.43 364	0.41 319	0.39 353	0.39 325	0.29 289	0.21 280	0.26 312	0.18 246	0.11 286	0.10 308	0.14 332	0.11 304	0.10 272	0.08 216

XPNet_ROB	0.22 304	0.11 256	0.19 271	0.22 304	0.13 299	0.22 286	0.19 261	0.34 312	0.40 316	0.30 325	0.39 325	0.39 347	0.26 312	0.26 312	0.28 343	0.15 344	0.10 308	0.10 266	0.10 281	0.13 318	0.12 302

SQANet	0.23 319	0.23 356	0.30 328	0.30 367	0.19 359	0.27 329	0.13 43	0.29 256	0.33 273	0.24 281	0.37 312	0.31 307	0.22 289	0.27 315	0.23 299	0.15 344	0.10 308	0.21 362	0.16 348	0.21 364	0.15 341

GASNet	0.22 304	0.23 356	0.33 335	0.26 344	0.17 350	0.26 322	0.16 170	0.44 366	0.42 325	0.27 305	0.24 195	0.30 297	0.15 205	0.27 315	0.18 246	0.12 310	0.08 267	0.12 308	0.11 304	0.16 348	0.07 156

Anonymous_2	0.22 304	0.17 327	0.28 319	0.15 38	0.16 337	0.32 344	0.22 301	0.22 155	0.17 99	0.23 273	0.24 195	0.26 268	0.27 320	0.27 315	0.23 299	0.22 373	0.25 381	0.17 349	0.17 355	0.17 355	0.17 359

RP	0.21 295	0.13 291	0.21 284	0.23 323	0.11 253	0.21 278	0.20 276	0.25 202	0.44 334	0.21 248	0.38 317	0.36 331	0.24 301	0.27 315	0.25 318	0.11 286	0.12 327	0.13 322	0.12 322	0.12 301	0.14 333

G-Net	0.24 327	0.16 316	0.36 344	0.22 304	0.16 337	0.51 376	0.23 311	0.29 256	0.34 284	0.36 345	0.38 317	0.31 307	0.29 336	0.27 315	0.26 328	0.11 286	0.09 290	0.12 308	0.09 249	0.16 348	0.13 316

ADCP+	0.20 286	0.10 236	0.33 335	0.20 267	0.12 282	0.22 286	0.26 340	0.31 276	0.34 284	0.26 299	0.37 312	0.22 232	0.22 289	0.27 315	0.27 335	0.09 234	0.06 188	0.08 162	0.08 210	0.09 245	0.10 268

CC-Net-ROB	0.28 348	0.31 375	0.36 344	0.29 365	0.15 327	0.25 314	0.19 261	0.45 369	0.33 273	0.39 353	0.37 312	0.39 347	0.31 344	0.27 315	0.26 328	0.24 379	0.19 366	0.30 380	0.23 370	0.18 359	0.15 341

SANet	0.24 327	0.14 303	0.28 319	0.21 291	0.11 253	0.27 329	0.24 320	0.38 343	0.64 376	0.36 345	0.40 330	0.43 357	0.26 312	0.27 315	0.24 309	0.12 310	0.09 290	0.10 266	0.09 249	0.13 318	0.11 291

ETE_ROB	0.23 319	0.17 327	0.22 289	0.25 339	0.13 299	0.26 322	0.29 360	0.31 276	0.36 296	0.28 316	0.36 306	0.45 361	0.26 312	0.27 315	0.26 328	0.11 286	0.08 267	0.12 308	0.09 249	0.14 330	0.13 316

PWCDC_ROB	0.20 286	0.13 291	0.22 289	0.24 328	0.11 253	0.19 252	0.15 115	0.33 302	0.54 360	0.29 322	0.50 361	0.21 215	0.15 205	0.27 315	0.20 261	0.11 286	0.09 290	0.10 266	0.08 210	0.11 287	0.09 249

CBMV	0.19 277	0.14 303	0.17 245	0.18 181	0.10 215	0.20 264	0.11 11	0.29 256	0.30 255	0.29 322	0.30 270	0.30 297	0.23 295	0.27 315	0.19 255	0.13 330	0.15 353	0.17 349	0.16 348	0.10 272	0.10 268
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
AF-Net	0.22 304	0.17 327	0.17 245	0.26 344	0.13 299	0.25 314	0.24 320	0.32 285	0.50 351	0.25 294	0.33 295	0.38 339	0.26 312	0.28 326	0.25 318	0.11 286	0.10 308	0.16 346	0.11 304	0.11 287	0.10 268

Nwc_Net	0.23 319	0.16 316	0.21 284	0.25 339	0.14 316	0.24 304	0.26 340	0.37 336	0.38 307	0.22 261	0.41 340	0.30 297	0.28 328	0.28 326	0.25 318	0.11 286	0.10 308	0.17 349	0.20 361	0.10 272	0.10 268

ADCPNet	0.25 336	0.16 316	0.61 375	0.21 291	0.15 327	0.35 361	0.25 334	0.32 285	0.35 291	0.30 325	0.40 330	0.36 331	0.28 328	0.28 326	0.32 358	0.12 310	0.10 308	0.11 293	0.12 322	0.14 330	0.13 316

STTRV1_RVC	0.25 336	0.26 365	0.39 350	0.19 226	0.26 376	0.30 341	0.24 320	0.34 312	0.35 291	0.36 345	0.34 299	0.31 307	0.31 344	0.28 326	0.25 318	0.17 359	0.10 308	0.16 346	0.14 335	0.17 355	0.12 302

DISCO	0.19 277	0.09 189	0.22 289	0.17 114	0.10 215	0.25 314	0.18 230	0.27 232	0.44 334	0.22 261	0.31 278	0.33 319	0.26 312	0.28 326	0.28 343	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.09 249

CSAN	0.29 352	0.24 359	0.27 314	0.34 373	0.19 359	0.33 350	0.42 387	0.37 336	0.50 351	0.38 351	0.40 330	0.44 359	0.33 349	0.28 326	0.30 350	0.20 367	0.16 356	0.19 359	0.19 360	0.14 330	0.15 341

LALA_ROB	0.25 336	0.16 316	0.22 289	0.26 344	0.17 350	0.27 329	0.27 347	0.42 361	0.37 302	0.33 341	0.38 317	0.51 371	0.26 312	0.28 326	0.27 335	0.16 355	0.09 290	0.12 308	0.11 304	0.13 318	0.12 302

coex-ft	3.30 413	0.34 378	59.09 437	0.18 181	0.13 299	0.26 322	0.22 301	0.27 232	0.72 384	1.90 414	0.70 382	0.44 359	0.45 375	0.29 333	0.41 378	0.09 234	0.09 290	0.12 308	0.09 249	0.14 330	0.13 316

DGSMNet	0.24 327	0.19 340	0.33 335	0.21 291	0.24 369	0.24 304	0.20 276	0.35 325	0.41 319	0.24 281	0.32 282	0.38 339	0.21 280	0.29 333	0.23 299	0.12 310	0.11 318	0.14 332	0.16 348	0.23 367	0.23 373

ADCL	0.24 327	0.11 256	0.47 361	0.22 304	0.12 282	0.34 353	0.29 360	0.29 256	0.56 363	0.24 281	0.46 353	0.30 297	0.30 340	0.29 333	0.29 346	0.08 189	0.07 245	0.09 225	0.09 249	0.10 272	0.10 268

NaN_ROB	0.22 304	0.19 340	0.24 301	0.25 339	0.13 299	0.29 338	0.26 340	0.33 302	0.41 319	0.31 331	0.31 278	0.32 316	0.23 295	0.30 336	0.21 280	0.11 286	0.17 361	0.10 266	0.10 281	0.08 197	0.09 249

RTSC	0.23 319	0.12 270	0.28 319	0.21 291	0.13 299	0.28 335	0.16 170	0.35 325	0.66 379	0.27 305	0.33 295	0.30 297	0.21 280	0.31 337	0.29 346	0.10 265	0.08 267	0.09 225	0.10 281	0.13 318	0.13 316

DANet	0.21 295	0.15 309	0.28 319	0.25 339	0.13 299	0.22 286	0.19 261	0.27 232	0.27 230	0.28 316	0.32 282	0.35 329	0.31 344	0.31 337	0.23 299	0.11 286	0.09 290	0.11 293	0.10 281	0.13 318	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
Anonymous Stereo	0.23 319	0.19 340	0.50 363	0.24 328	0.17 350	0.21 278	0.21 292	0.33 302	0.44 334	0.25 294	0.34 299	0.26 268	0.18 253	0.31 337	0.27 335	0.13 330	0.12 327	0.12 308	0.13 331	0.11 287	0.14 333

DPSNet	0.28 348	0.16 316	0.31 330	0.18 181	0.13 299	0.54 378	0.42 387	0.51 378	0.67 380	0.29 322	0.38 317	0.38 339	0.29 336	0.31 337	0.23 299	0.11 286	0.10 308	0.11 293	0.08 210	0.20 363	0.16 352

FBW_ROB	0.24 327	0.17 327	0.22 289	0.26 344	0.14 316	0.25 314	0.22 301	0.41 356	0.41 319	0.41 360	0.41 340	0.42 353	0.27 320	0.31 337	0.23 299	0.09 234	0.14 347	0.14 332	0.12 322	0.11 287	0.09 249

PWC_ROB	0.21 295	0.16 316	0.26 308	0.18 181	0.11 253	0.22 286	0.13 43	0.32 285	0.49 349	0.30 325	0.40 330	0.32 316	0.24 301	0.31 337	0.22 289	0.10 265	0.07 245	0.11 293	0.08 210	0.11 287	0.10 268

Wz-Net-TNSev	0.29 352	0.20 345	0.65 378	0.19 226	0.15 327	0.38 366	0.27 347	0.35 325	0.55 361	0.34 342	0.42 346	0.45 361	0.38 360	0.32 343	0.30 350	0.12 310	0.13 340	0.10 266	0.12 322	0.15 341	0.14 333

SHD	0.26 343	0.15 309	0.30 328	0.24 328	0.18 357	0.22 286	0.15 115	0.38 343	0.71 383	0.32 337	0.41 340	0.36 331	0.28 328	0.32 343	0.29 346	0.12 310	0.11 318	0.14 332	0.13 331	0.16 348	0.20 367

WZ-Net	0.28 348	0.17 327	0.78 392	0.22 304	0.16 337	0.34 353	0.29 360	0.39 347	0.57 365	0.24 281	0.55 366	0.37 335	0.24 301	0.33 345	0.35 364	0.09 234	0.08 267	0.09 225	0.10 281	0.14 330	0.16 352

stereogan	0.22 304	0.11 256	0.21 284	0.20 267	0.12 282	0.31 343	0.19 261	0.35 325	0.44 334	0.22 261	0.39 325	0.35 329	0.27 320	0.33 345	0.22 289	0.10 265	0.12 327	0.10 266	0.10 281	0.14 330	0.13 316

PDISCO_ROB	0.27 345	0.16 316	0.26 308	0.28 358	0.20 362	0.32 344	0.26 340	0.44 366	0.57 365	0.28 316	0.40 330	0.45 361	0.29 336	0.33 345	0.34 363	0.12 310	0.09 290	0.17 349	0.16 348	0.17 355	0.13 316

ACVNet-4b	0.39 367	0.53 387	0.55 369	0.45 384	0.24 369	0.47 372	0.18 230	0.49 375	0.64 376	0.42 363	0.45 352	0.60 378	0.27 320	0.34 348	0.24 309	0.33 385	0.14 347	0.48 388	0.42 388	0.30 381	0.26 380

psmorigin	0.25 336	0.15 309	0.34 343	0.17 114	0.13 299	0.23 299	0.14 69	0.34 312	0.33 273	0.41 360	0.55 366	0.41 352	0.37 359	0.34 348	0.27 335	0.11 286	0.15 353	0.11 293	0.11 304	0.12 301	0.16 352

MFN_U_SF_DS_RVC	0.30 357	0.24 359	0.29 325	0.36 377	0.16 337	0.34 353	0.30 368	0.32 285	0.42 325	0.40 356	0.46 353	0.38 339	0.31 344	0.34 348	0.28 343	0.19 365	0.20 369	0.26 369	0.29 378	0.18 359	0.19 366

PASM	0.32 360	0.24 359	0.48 362	0.28 358	0.27 377	0.29 338	0.30 368	0.34 312	0.49 349	0.35 343	0.39 325	0.46 365	0.34 353	0.34 348	0.35 364	0.23 377	0.25 381	0.26 369	0.28 377	0.23 367	0.21 369

MSMD_ROB	0.31 358	0.26 365	0.26 308	0.24 328	0.21 364	0.34 353	0.25 334	0.34 312	0.39 310	0.40 356	0.69 380	0.45 361	0.40 365	0.34 348	0.27 335	0.20 367	0.19 366	0.26 369	0.25 372	0.23 367	0.22 371

WCMA_ROB	0.24 327	0.11 256	0.22 289	0.17 114	0.14 316	0.32 344	0.15 115	0.32 285	0.32 267	0.38 351	0.53 363	0.40 350	0.34 353	0.34 348	0.25 318	0.11 286	0.12 327	0.12 308	0.10 281	0.14 330	0.14 333

MFN_U_SF_RVC	0.32 360	0.21 351	0.55 369	0.30 367	0.15 327	0.34 353	0.17 190	0.52 379	0.46 342	0.46 371	0.55 366	0.59 377	0.39 362	0.35 354	0.37 369	0.15 344	0.14 347	0.18 357	0.21 363	0.16 348	0.15 341

ADCMid	0.25 336	0.15 309	0.40 352	0.20 267	0.14 316	0.25 314	0.26 340	0.34 312	0.38 307	0.36 345	0.44 351	0.34 325	0.40 365	0.35 354	0.33 361	0.10 265	0.09 290	0.11 293	0.11 304	0.13 318	0.12 302

LSM	0.33 363	0.20 345	0.58 373	0.26 344	0.60 399	0.34 353	0.25 334	0.42 361	0.48 344	0.45 369	0.58 374	0.42 353	0.36 357	0.35 354	0.25 318	0.12 310	0.20 369	0.14 332	0.16 348	0.19 362	0.33 387

SGM_RVC	0.23 319	0.12 270	0.15 190	0.15 38	0.09 130	0.33 350	0.18 230	0.34 312	0.31 261	0.44 368	0.37 312	0.53 374	0.35 355	0.35 354	0.24 309	0.13 330	0.13 340	0.13 322	0.13 331	0.10 272	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MeshStereo	0.27 345	0.13 291	0.18 262	0.15 38	0.11 253	0.32 344	0.24 320	0.40 351	0.36 296	0.52 374	0.57 372	0.67 385	0.40 365	0.35 354	0.26 328	0.14 341	0.13 340	0.13 322	0.11 304	0.11 287	0.10 268
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	0.33 363	0.28 370	0.28 319	0.30 367	0.24 369	0.39 367	0.28 352	0.42 361	0.42 325	0.43 366	0.53 363	0.51 371	0.41 369	0.36 359	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 374
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RGC	0.25 336	0.20 345	0.29 325	0.28 358	0.16 337	0.22 286	0.23 311	0.32 285	0.44 334	0.27 305	0.40 330	0.38 339	0.27 320	0.36 359	0.22 289	0.11 286	0.13 340	0.17 349	0.17 355	0.14 330	0.16 352

NCC-stereo	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 368	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316

Abc-Net	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 368	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316
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	0.33 363	0.27 367	0.28 319	0.26 344	0.23 368	0.37 364	0.28 352	0.40 351	0.43 330	0.45 369	0.55 366	0.51 371	0.40 365	0.37 363	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 374

SAMSARA	0.40 370	0.28 370	0.33 335	0.55 390	0.39 384	0.82 400	1.23 414	0.47 372	0.51 358	0.36 345	0.35 303	0.55 376	0.39 362	0.38 364	0.39 373	0.15 344	0.20 369	0.15 340	0.14 335	0.23 367	0.20 367

XQC	0.28 348	0.23 356	0.51 364	0.28 358	0.19 359	0.34 353	0.27 347	0.36 331	0.57 365	0.31 331	0.30 270	0.37 335	0.30 340	0.38 364	0.38 371	0.13 330	0.09 290	0.15 340	0.12 322	0.17 355	0.18 361

DispFullNet	0.27 345	0.21 351	0.65 378	0.28 358	0.16 337	0.26 322	0.17 190	0.33 302	0.58 368	0.27 305	0.38 317	0.43 357	0.23 295	0.38 364	0.23 299	0.12 310	0.06 188	0.19 359	0.11 304	0.21 364	0.15 341

Ntro	0.40 370	0.40 383	0.53 366	0.46 387	0.30 382	0.65 386	0.24 320	0.46 371	0.68 381	0.41 360	0.49 357	0.48 369	0.42 372	0.39 367	0.31 357	0.32 384	0.28 383	0.37 383	0.30 380	0.32 385	0.29 382

ccnet	0.29 352	0.28 370	0.23 298	0.20 267	0.28 378	0.41 369	0.21 292	0.45 369	0.33 273	0.36 345	0.46 353	0.36 331	0.30 340	0.39 367	0.42 379	0.23 377	0.14 347	0.21 362	0.17 355	0.23 367	0.18 361

ADCS	0.29 352	0.18 337	0.45 357	0.21 291	0.17 350	0.28 335	0.23 311	0.41 356	0.63 375	0.40 356	0.49 357	0.40 350	0.36 357	0.39 367	0.40 375	0.13 330	0.12 327	0.13 322	0.14 335	0.16 348	0.16 352

GANetREF_RVC	0.31 358	0.34 378	0.27 314	0.35 375	0.16 337	0.32 344	0.41 384	0.48 373	0.51 358	0.35 343	0.35 303	0.34 325	0.33 349	0.39 367	0.32 358	0.27 381	0.20 369	0.29 378	0.15 346	0.18 359	0.17 359
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
otaku	0.39 367	0.37 381	0.52 365	0.44 383	0.28 378	0.58 380	0.24 320	0.41 356	0.62 374	0.40 356	0.49 357	0.46 365	0.33 349	0.40 371	0.32 358	0.30 382	0.30 385	0.39 384	0.33 383	0.29 380	0.28 381

AnyNet_C32	0.26 343	0.16 316	0.36 344	0.20 267	0.16 337	0.25 314	0.30 368	0.32 285	0.44 334	0.31 331	0.49 357	0.30 297	0.33 349	0.40 371	0.33 361	0.12 310	0.12 327	0.12 308	0.14 335	0.14 330	0.15 341

SGM-ForestM	0.32 360	0.12 270	0.16 220	0.16 68	0.11 253	0.39 367	0.19 261	0.41 356	0.50 351	0.52 374	0.54 365	1.32 404	0.42 372	0.40 371	0.27 335	0.14 341	0.16 356	0.16 346	0.16 348	0.12 301	0.12 302

Consistency-Raft	0.44 375	0.40 383	0.45 357	0.37 378	0.43 387	0.46 370	0.41 384	0.57 386	0.55 361	0.32 337	0.73 384	0.33 319	0.48 377	0.42 374	0.49 386	0.39 387	0.35 387	0.45 387	0.51 395	0.42 387	0.29 382

AnyNet_C01	0.36 366	0.25 364	1.37 405	0.22 304	0.17 350	0.48 374	0.27 347	0.35 325	0.39 310	0.39 353	0.74 386	0.46 365	0.38 360	0.45 375	0.47 384	0.13 330	0.13 340	0.13 322	0.14 335	0.14 330	0.15 341

NVStereoNet_ROB	0.46 381	0.36 380	0.46 360	0.41 381	0.28 378	0.34 353	0.34 377	0.48 373	0.60 372	0.72 387	0.93 395	0.70 388	0.66 391	0.47 376	0.60 394	0.22 373	0.33 386	0.34 382	0.34 385	0.30 381	0.30 384
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	0.54 385	0.61 391	0.70 390	0.57 391	0.43 387	0.65 386	0.37 382	0.60 388	0.87 393	0.50 373	0.66 377	0.64 381	0.47 376	0.49 377	0.43 382	0.47 393	0.48 395	0.52 392	0.41 387	0.52 390	0.40 392

ACVNet_1	0.44 375	0.49 386	0.60 374	0.45 384	0.28 378	0.49 375	0.27 347	0.57 386	0.72 384	0.62 380	0.58 374	0.74 389	0.49 378	0.50 378	0.35 364	0.26 380	0.24 380	0.39 384	0.29 378	0.31 384	0.24 374

MSC_U_SF_DS_RVC	0.43 374	0.39 382	0.54 367	0.40 379	0.20 362	0.64 385	0.32 376	0.53 381	0.72 384	0.71 385	0.72 383	0.61 379	0.54 381	0.51 379	0.46 383	0.20 367	0.19 366	0.29 378	0.30 380	0.23 367	0.18 361

ELAS	0.41 372	0.29 373	0.33 335	0.27 355	0.24 369	0.60 383	0.36 379	0.50 377	0.50 351	0.71 385	0.79 390	0.67 385	0.54 381	0.51 379	0.42 379	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PVD	0.39 367	0.20 345	0.39 350	0.31 371	0.22 366	0.29 338	0.43 389	0.52 379	0.96 396	0.55 377	0.79 390	0.53 374	0.59 387	0.52 381	0.38 371	0.19 365	0.14 347	0.17 349	0.14 335	0.24 374	0.31 385

MANE	0.45 377	0.27 367	0.27 314	0.27 355	0.24 369	0.47 372	0.31 374	0.55 383	0.59 369	0.72 387	1.13 406	1.15 398	0.61 388	0.52 381	0.37 369	0.21 370	0.20 369	0.27 372	0.31 382	0.25 375	0.24 374

RTS	0.45 377	0.19 340	3.26 412	0.24 328	0.15 327	0.74 393	0.20 276	0.36 331	0.76 389	0.42 363	0.43 349	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

RTSA	0.45 377	0.19 340	3.26 412	0.24 328	0.15 327	0.74 393	0.20 276	0.36 331	0.76 389	0.42 363	0.43 349	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

ACVNet_2	0.66 391	0.66 395	0.68 386	0.63 392	0.41 385	0.71 391	0.49 391	0.96 402	1.39 406	0.89 397	1.09 402	1.04 394	0.73 394	0.54 385	0.47 384	0.43 391	0.40 389	0.53 393	0.44 389	0.47 388	0.35 389

ELAS_RVC	0.41 372	0.29 373	0.33 335	0.28 358	0.24 369	0.54 378	0.36 379	0.49 375	0.59 369	0.72 387	0.74 386	0.65 383	0.54 381	0.54 385	0.40 375	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
BEATNet-Init1	0.52 383	0.27 367	0.62 376	0.30 367	0.21 364	0.76 397	0.29 360	0.54 382	0.65 378	0.86 396	0.95 397	2.07 414	0.62 390	0.56 387	0.42 379	0.18 361	0.18 363	0.23 367	0.22 366	0.22 366	0.21 369

anonymity	0.53 384	0.58 389	0.65 378	0.41 381	0.61 400	0.53 377	0.41 384	0.56 384	0.41 319	0.55 377	0.50 361	0.49 370	0.55 384	0.58 388	0.50 389	0.58 398	0.50 399	0.51 390	0.51 395	0.51 389	0.57 396

SPS-STEREO	0.57 387	0.58 389	0.65 378	0.45 384	0.55 394	0.62 384	0.44 390	0.62 389	0.50 351	0.68 383	0.64 376	0.66 384	0.57 386	0.61 389	0.60 394	0.62 401	0.47 394	0.51 390	0.49 392	0.55 394	0.58 397
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 386	0.57 388	0.65 378	0.40 379	0.54 392	0.66 388	0.49 391	0.56 384	0.45 341	0.66 381	0.69 380	0.67 385	0.56 385	0.63 390	0.56 392	0.59 399	0.48 395	0.50 389	0.50 394	0.52 390	0.58 397

MFMNet_re	0.64 388	0.66 395	0.65 378	0.51 388	0.69 404	0.69 389	0.57 397	0.64 390	0.73 387	0.60 379	0.73 384	0.62 380	0.67 392	0.65 391	0.60 394	0.66 402	0.58 408	0.63 394	0.59 398	0.68 400	0.69 406

WAO-7	0.79 397	0.78 400	0.54 367	0.85 402	0.67 403	0.74 393	0.68 405	1.05 407	1.32 404	0.90 398	1.20 409	1.04 394	0.92 402	0.69 392	0.66 397	0.60 400	0.62 409	0.67 395	0.68 403	0.64 396	0.58 397

WAO-6	0.81 398	0.80 401	0.62 376	0.86 403	0.63 401	0.76 397	0.58 398	0.98 404	1.54 411	0.90 398	0.96 398	1.07 396	1.03 406	0.70 393	0.66 397	0.72 403	0.49 397	0.90 406	0.71 404	0.68 400	0.58 397

FADE	0.45 377	0.33 377	1.03 401	0.33 372	0.25 375	0.35 361	0.29 360	0.64 390	1.07 397	0.43 366	0.41 340	0.42 353	0.53 380	0.70 393	0.51 390	0.30 382	0.21 378	0.41 386	0.38 386	0.23 367	0.22 371

IMH-64-1	0.65 389	0.61 391	0.68 386	0.71 394	0.51 390	0.59 381	0.49 391	0.91 398	0.85 391	0.74 391	1.02 399	0.81 390	0.78 396	0.79 395	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 390

IMH-64	0.65 389	0.61 391	0.68 386	0.71 394	0.51 390	0.59 381	0.49 391	0.91 398	0.85 391	0.74 391	1.02 399	0.81 390	0.78 396	0.79 395	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 390

Dean	0.87 401	0.86 405	0.79 394	0.81 400	0.56 395	0.90 401	0.63 399	1.15 412	1.73 412	1.15 407	1.15 407	1.31 403	0.99 405	0.81 397	0.81 406	0.57 397	0.56 406	0.77 402	0.64 401	0.66 398	0.58 397

LVE	0.83 400	0.85 404	0.85 397	0.80 399	0.56 395	1.04 410	0.65 402	1.05 407	1.47 409	0.96 400	1.22 410	1.10 397	0.85 399	0.83 398	0.71 402	0.49 394	0.55 405	0.76 401	0.60 400	0.65 397	0.59 402

WAO-8	0.91 402	0.81 402	0.65 378	0.94 406	0.69 404	0.90 401	0.67 403	1.07 409	1.83 414	1.06 405	1.45 412	1.30 401	1.07 407	0.84 399	0.78 403	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 403

Venus	0.91 402	0.81 402	0.65 378	0.94 406	0.69 404	0.90 401	0.67 403	1.07 409	1.83 414	1.06 405	1.45 412	1.30 401	1.07 407	0.84 399	0.78 403	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 403

TorneroNet-64	0.76 396	0.72 398	0.74 391	0.78 398	0.58 398	0.91 404	0.56 396	0.84 396	1.29 403	0.66 381	0.90 393	1.40 406	0.75 395	0.85 401	0.67 400	0.49 394	0.46 390	0.72 398	0.59 398	0.67 399	0.53 395

MADNet+	0.75 395	0.71 397	3.70 415	0.66 393	0.41 385	0.98 405	0.97 412	0.69 392	0.73 387	0.52 374	0.57 372	0.64 381	0.68 393	0.86 402	1.01 410	0.34 386	0.36 388	0.28 377	0.23 370	0.36 386	0.31 385

IMH	0.71 392	0.64 394	0.68 386	0.76 396	0.54 392	0.69 389	0.54 395	0.98 404	1.10 399	0.82 395	1.09 402	0.89 392	0.88 401	0.87 403	0.52 391	0.44 392	0.50 399	0.75 399	0.51 395	0.56 395	0.41 393

PWCK	0.71 392	0.94 407	0.95 399	0.76 396	0.31 383	0.74 393	0.36 379	0.90 397	0.90 394	0.96 400	0.75 388	0.95 393	0.61 388	0.87 403	0.66 397	0.72 403	0.46 390	0.75 399	0.49 392	0.69 402	0.44 394

DPSimNet_ROB	1.11 409	1.23 413	0.78 392	1.13 410	0.88 411	1.10 411	1.13 413	1.16 413	1.23 402	1.43 411	1.02 399	1.41 407	1.10 410	0.90 405	1.60 412	1.46 416	0.51 401	1.21 413	1.03 413	0.90 409	1.01 415

TorneroNet	0.82 399	0.74 399	0.81 396	0.84 401	0.63 401	0.99 406	0.63 399	0.96 402	1.16 400	0.80 394	1.11 404	1.36 405	0.86 400	0.93 406	0.80 405	0.56 396	0.49 397	0.78 403	0.66 402	0.73 405	0.63 405

UNDER WATER-64	0.95 404	0.94 407	1.43 407	0.87 404	0.56 395	1.18 413	0.87 409	0.77 394	0.94 395	1.04 403	0.85 392	1.58 411	1.21 412	0.94 407	0.96 408	0.87 409	0.57 407	1.03 409	0.88 410	0.78 407	0.73 407

ktn	1.01 407	1.21 412	0.80 395	1.23 413	0.86 410	1.01 408	0.87 409	0.94 401	1.39 406	1.04 403	1.12 405	1.15 398	1.07 407	0.94 407	0.59 393	1.28 415	0.71 412	1.38 415	0.83 408	1.02 412	0.75 409

KSHMR	1.09 408	1.17 411	0.88 398	1.25 414	1.00 413	0.99 406	0.96 411	1.13 411	1.37 405	1.16 408	1.29 411	1.41 407	0.96 404	1.01 409	0.92 407	1.03 412	1.08 414	1.20 412	1.03 413	1.01 411	0.97 413

JetBlue	0.71 392	0.45 385	1.14 403	0.51 388	0.47 389	2.02 414	0.64 401	0.75 393	0.70 382	0.69 384	0.77 389	1.22 400	0.83 398	1.03 410	1.01 410	0.40 388	0.28 383	0.33 381	0.33 383	0.30 381	0.34 388

UNDER WATER	0.97 405	0.97 409	1.42 406	0.99 408	0.70 407	1.12 412	0.84 408	0.80 395	1.08 398	1.01 402	0.90 393	1.55 410	1.22 413	1.03 410	1.00 409	0.78 407	0.53 402	1.02 408	0.87 409	0.80 408	0.74 408

notaker	0.97 405	1.11 410	0.98 400	1.13 410	0.81 408	0.73 392	0.68 405	0.93 400	1.16 400	1.18 409	1.18 408	1.41 407	1.16 411	1.08 412	0.69 401	0.81 408	0.64 410	1.17 411	0.79 407	0.98 410	0.80 411

JetRed	1.62 411	1.46 415	2.98 411	0.92 405	1.21 414	4.99 416	1.53 416	1.27 414	1.39 406	1.83 413	1.74 415	1.60 412	0.95 403	1.41 413	2.45 416	0.90 411	1.60 416	0.93 407	0.90 411	1.35 414	0.99 414

HanzoNet	1.29 410	1.26 414	1.19 404	1.12 409	0.85 409	1.02 409	0.83 407	1.03 406	1.48 410	1.64 412	1.61 414	2.50 416	1.72 414	1.61 414	1.61 413	1.26 414	0.80 413	1.31 414	1.01 412	1.02 412	0.86 412

MADNet++	1.95 412	1.75 416	1.59 409	1.82 416	1.69 416	2.33 415	1.40 415	2.35 416	2.09 416	2.57 416	2.36 416	2.24 415	2.17 415	2.28 415	2.34 415	1.87 417	1.66 417	1.54 416	1.34 416	1.92 416	1.77 418

ASD4	3.54 414	3.38 418	2.05 410	1.72 415	2.51 418	9.03 420	17.71 421	2.25 415	5.51 418	2.46 415	2.81 417	2.03 413	3.36 416	2.73 416	5.06 417	1.22 413	1.34 415	1.13 410	1.33 415	1.68 415	1.49 417

tt	4.67 415	0.06 19	3.55 414	2.02 417	1.55 415	10.25 421	16.71 420	8.91 424	5.03 417	1.31 410	0.94 396	4.71 417	4.76 417	3.33 417	5.87 419	6.06 424	10.30 428	1.88 418	2.11 419	2.75 417	1.21 416

LRCNet_RVC	10.62 424	13.42 428	7.30 417	18.92 428	2.07 417	0.33 350	0.30 368	5.59 420	0.48 344	13.03 426	17.94 427	8.87 421	5.65 418	4.79 418	1.89 414	23.51 435	2.73 422	27.55 436	25.71 436	16.07 433	16.33 434

DGTPSM_ROB	8.06 420	4.48 419	8.63 424	5.35 421	10.72 424	8.32 418	22.97 425	5.46 418	13.35 424	5.12 418	9.92 421	5.08 418	10.40 423	5.52 419	12.58 423	3.79 421	8.00 423	3.50 419	7.02 422	3.83 421	7.14 424

DPSMNet_ROB	8.06 420	4.48 419	8.63 424	5.37 423	10.74 425	8.32 418	22.98 426	5.46 418	13.36 425	5.12 418	9.92 421	5.08 418	10.40 423	5.53 420	12.58 423	3.80 422	8.00 423	3.50 419	7.02 422	3.83 421	7.14 424

PML	8.91 422	9.34 427	6.13 416	5.35 421	6.41 422	14.99 423	23.38 427	5.27 417	6.83 419	18.04 428	28.19 437	7.67 420	6.83 419	7.85 421	5.75 418	5.35 423	1.83 418	5.95 427	1.93 418	8.64 425	2.52 419

xxxxx1	7.79 416	5.02 421	7.31 418	3.12 418	3.85 419	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 422	8.27 420	10.18 422	10.92 420	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

tt_ll	7.79 416	5.02 421	7.31 418	3.12 418	3.85 419	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 422	8.27 420	10.18 422	10.92 420	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

ff	7.79 416	5.02 421	7.31 418	3.12 418	3.85 419	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 422	8.27 420	10.18 422	10.92 420	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

Anonymous_1	10.96 425	7.92 424	7.46 421	10.33 424	10.06 423	18.65 428	26.34 428	11.06 425	13.44 426	9.40 423	10.05 423	9.67 425	11.23 425	10.73 425	12.72 425	6.42 425	8.38 425	5.77 424	10.61 424	12.12 426	6.77 423

DPSM_ROB	11.15 426	8.58 425	8.00 422	10.88 425	11.58 426	19.10 429	26.71 429	12.05 426	14.07 427	10.36 424	10.84 424	10.33 426	11.86 426	11.70 426	13.54 426	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 426

DPSM	11.15 426	8.58 425	8.00 422	10.88 425	11.58 426	19.10 429	26.71 429	12.05 426	14.07 427	10.36 424	10.84 424	10.33 426	11.86 426	11.70 426	13.54 426	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 426

HaxPig	15.71 429	18.52 435	19.18 432	16.89 427	15.89 429	7.73 417	7.60 417	13.31 428	10.82 423	15.42 427	14.91 426	15.98 428	14.92 428	15.58 428	15.98 429	18.95 434	16.73 429	19.46 434	18.08 434	19.26 434	19.05 435

MEDIAN_ROB	20.38 430	24.04 436	23.31 434	21.23 429	21.71 430	10.40 422	7.92 418	17.64 429	15.50 429	20.12 429	19.70 428	20.34 429	20.32 429	21.19 429	21.13 430	23.81 436	21.81 436	24.98 435	23.76 435	24.71 435	23.93 436

CasAABBNet	22.42 431	17.33 430	16.01 426	22.01 433	23.28 434	38.32 432	53.80 436	24.14 431	28.41 432	20.60 430	21.77 430	20.89 434	23.91 434	23.43 430	27.36 432	14.07 428	17.69 431	11.83 432	14.01 429	14.67 430	14.95 432

MyStereo03	22.45 432	17.33 430	16.21 428	21.95 430	23.27 431	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 430	23.87 430	23.46 431	27.40 434	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 428

MyStereo02	22.45 432	17.33 430	16.21 428	21.95 430	23.27 431	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 430	23.87 430	23.46 431	27.40 434	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 428

MyStereo	22.45 432	17.33 430	16.21 428	21.95 430	23.27 431	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 430	23.87 430	23.46 431	27.40 434	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 428

LSM0	22.87 436	17.28 429	18.96 431	22.19 435	29.04 437	38.42 437	53.71 432	24.28 435	28.31 431	20.78 432	21.00 429	21.43 435	24.16 435	23.50 434	27.39 433	14.09 433	17.38 430	11.84 433	14.04 433	14.73 432	14.89 428

Selective-RAFT-Error	22.47 435	17.37 434	16.09 427	22.06 434	23.34 435	38.39 436	53.83 437	24.29 436	28.47 436	20.74 431	21.83 431	20.81 433	23.90 433	23.54 435	27.53 437	14.08 429	17.69 431	11.82 428	14.00 428	14.69 431	15.00 433

SPstereo	13.84 428	0.93 406	1.50 408	1.22 412	0.88 411	28.82 431	48.26 431	26.77 438	29.54 437	22.37 436	22.60 435	23.23 436	24.68 436	24.53 436	15.06 428	0.88 410	0.69 411	1.83 417	1.60 417	0.74 406	0.77 410

AVERAGE_ROB	24.90 437	29.20 437	28.14 435	24.89 436	24.64 436	17.75 427	11.12 419	21.45 430	19.93 430	25.12 437	24.46 436	25.12 437	25.46 437	24.69 437	22.83 431	29.76 437	27.13 437	28.97 437	27.95 437	29.91 436	29.47 437

test_example2	98.32 438	94.13 438	45.89 436	96.35 437	109.85 438	88.61 438	95.45 438	25.75 437	94.37 438	130.00 438	126.06 438	58.17 438	74.63 438	88.51 438	79.96 438	150.23 438	221.02 438	77.62 438	99.10 438	113.75 438	96.94 438

Low-res two-view benchmark