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

CREStereo	0.28 1	0.15 1	0.24 2	0.27 1	0.17 2	0.37 52	0.25 22	0.51 5	0.72 58	0.42 6	0.51 8	0.32 3	0.26 3	0.38 5	0.25 2	0.16 42	0.11 21	0.12 1	0.08 1	0.12 4	0.11 6
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
TANstereo	0.30 2	0.15 1	0.31 7	0.30 3	0.17 2	0.55 86	0.23 11	0.44 2	0.55 19	0.59 24	0.68 24	0.37 9	0.26 3	0.35 2	0.27 6	0.15 23	0.16 116	0.12 1	0.10 6	0.13 9	0.14 51

CREStereo++_RVC	0.32 3	0.15 1	0.23 1	0.31 4	0.24 41	0.27 24	0.22 5	0.46 3	0.88 111	0.46 7	0.80 55	0.30 1	0.26 3	0.36 3	0.33 24	0.13 5	0.09 1	0.13 6	0.51 223	0.13 9	0.09 1

MSMDNet	0.32 3	0.18 15	0.44 49	0.38 25	0.23 29	0.28 27	0.22 5	0.69 52	0.41 8	0.61 27	0.63 15	0.56 32	0.31 17	0.46 18	0.27 6	0.14 9	0.11 21	0.14 9	0.12 15	0.13 9	0.12 15

PMTNet	0.32 3	0.16 5	0.24 2	0.29 2	0.18 6	0.45 75	0.22 5	0.56 9	0.63 26	0.46 7	0.54 10	0.39 13	0.34 22	0.48 25	0.24 1	0.75 230	0.10 4	0.12 1	0.08 1	0.12 4	0.11 6

iRaftStereo_RVC	0.32 3	0.19 24	0.37 17	0.39 32	0.22 22	0.31 38	0.29 38	0.68 44	0.51 15	0.49 11	0.66 19	0.37 9	0.23 1	0.45 15	0.33 24	0.14 9	0.10 4	0.18 54	0.17 87	0.15 36	0.12 15

XX-TBD	0.32 3	0.53 199	0.26 5	0.51 160	0.20 14	0.37 52	0.24 17	0.40 1	0.73 61	0.54 19	0.69 26	0.31 2	0.25 2	0.32 1	0.27 6	0.16 42	0.10 4	0.12 1	0.09 3	0.13 9	0.11 6

Gwc-CoAtRS	0.34 8	0.17 10	0.44 49	0.39 32	0.23 29	0.34 46	0.22 5	0.70 59	0.75 66	0.60 25	0.59 14	0.58 39	0.29 12	0.45 15	0.26 3	0.14 9	0.11 21	0.14 9	0.12 15	0.12 4	0.12 15

CFNet-RSSM	0.34 8	0.17 10	0.45 59	0.39 32	0.22 22	0.35 47	0.23 11	0.73 72	0.84 96	0.65 34	0.54 10	0.57 35	0.28 10	0.46 18	0.26 3	0.13 5	0.10 4	0.14 9	0.12 15	0.13 9	0.11 6

cross-raft	0.34 8	0.20 57	0.37 17	0.44 102	0.23 29	0.32 40	0.35 69	0.74 74	0.40 6	0.60 25	0.77 38	0.57 35	0.27 8	0.43 11	0.28 11	0.12 3	0.10 4	0.15 25	0.13 23	0.15 36	0.11 6

EAI-Stereo	0.34 8	0.19 24	0.44 49	0.39 32	0.21 17	0.31 38	0.30 44	1.15 155	0.30 1	0.49 11	0.75 35	0.36 8	0.28 10	0.62 49	0.27 6	0.14 9	0.11 21	0.14 9	0.13 23	0.13 9	0.12 15

raftrobust	0.34 8	0.19 24	0.36 12	0.41 53	0.27 101	0.30 35	0.25 22	0.71 61	0.63 26	0.58 22	0.55 12	0.45 19	0.46 60	0.51 26	0.29 13	0.16 42	0.12 58	0.14 9	0.12 15	0.12 4	0.13 29

sCroCo_RVC	0.35 13	0.28 115	0.69 150	0.51 160	0.39 158	0.41 68	0.31 52	0.49 4	0.45 10	0.31 1	0.48 6	0.38 12	0.32 18	0.46 18	0.32 20	0.21 117	0.22 154	0.19 62	0.19 105	0.21 111	0.20 120

RANet	0.35 13	0.23 82	0.47 80	0.41 53	0.22 22	0.24 8	0.22 5	0.59 12	0.36 5	0.63 28	0.73 30	0.58 39	0.38 39	0.58 41	0.36 51	0.18 92	0.12 58	0.20 84	0.16 53	0.20 105	0.15 70

RAFT-Stereo + iAFF	0.36 15	0.17 10	0.41 32	0.35 13	0.19 7	0.33 45	0.29 38	0.65 27	0.73 61	0.68 44	1.01 108	0.56 32	0.40 44	0.42 8	0.30 15	0.11 1	0.09 1	0.15 25	0.14 28	0.13 9	0.10 3

DCANet	0.36 15	0.16 5	0.41 32	0.34 6	0.19 7	0.30 35	0.30 44	0.68 44	0.91 120	0.70 49	0.77 38	0.43 17	0.57 83	0.45 15	0.34 31	0.14 9	0.10 4	0.14 9	0.11 9	0.13 9	0.12 15

s12784h	0.36 15	0.15 1	0.24 2	0.34 6	0.15 1	0.77 136	0.29 38	0.80 86	0.83 95	0.56 21	0.57 13	0.43 17	0.40 44	0.57 40	0.33 24	0.12 3	0.10 4	0.14 9	0.09 3	0.14 23	0.09 1

RALCasStereoNet	0.36 15	0.21 68	0.37 17	0.42 62	0.26 89	0.35 47	0.38 87	0.63 19	0.64 30	0.50 13	0.72 28	0.51 27	0.29 12	0.59 43	0.36 51	0.16 42	0.14 93	0.15 25	0.13 23	0.17 56	0.16 85

CroCo-Stereo	0.36 15	0.23 82	0.37 17	0.46 121	0.31 126	0.58 95	0.60 156	0.51 5	0.63 26	0.40 5	0.46 3	0.34 5	0.33 19	0.43 11	0.33 24	0.28 161	0.14 93	0.19 62	0.22 129	0.25 135	0.17 98

GMO-cross-data	0.36 15	0.19 24	0.71 154	0.46 121	0.26 89	0.44 72	0.36 72	0.60 14	0.59 21	0.48 10	0.67 22	0.53 30	0.36 31	0.40 6	0.29 13	0.14 9	0.11 21	0.16 31	0.14 28	0.15 36	0.16 85

222	0.37 21	0.16 5	0.48 88	0.34 6	0.19 7	0.29 30	0.30 44	0.69 52	0.92 123	0.69 46	0.78 43	0.42 14	0.63 108	0.46 18	0.34 31	0.14 9	0.10 4	0.14 9	0.11 9	0.13 9	0.13 29

GMO	0.37 21	0.19 24	0.38 22	0.43 80	0.24 41	0.37 52	0.38 87	0.52 7	0.62 25	0.87 95	0.84 67	0.64 53	0.35 24	0.37 4	0.28 11	0.13 5	0.11 21	0.20 84	0.18 95	0.15 36	0.11 6

cscssc	0.37 21	0.16 5	0.41 32	0.34 6	0.19 7	0.29 30	0.30 44	0.69 52	1.06 159	0.69 46	0.78 43	0.42 14	0.63 108	0.46 18	0.34 31	0.14 9	0.10 4	0.14 9	0.11 9	0.11 1	0.13 29

csc	0.37 21	0.16 5	0.41 32	0.34 6	0.19 7	0.29 30	0.30 44	0.69 52	1.06 159	0.69 46	0.78 43	0.42 14	0.63 108	0.46 18	0.34 31	0.14 9	0.10 4	0.14 9	0.11 9	0.11 1	0.13 29

rafts_anoy	0.37 21	0.21 68	0.36 12	0.41 53	0.26 89	0.30 35	0.33 64	0.67 36	0.90 118	0.58 22	0.66 19	0.45 19	0.33 19	0.47 24	0.39 82	0.16 42	0.11 21	0.21 112	0.23 140	0.17 56	0.14 51

XX-Stereo	0.37 21	0.17 10	0.45 59	0.55 181	0.36 145	0.38 57	0.20 1	0.60 14	0.30 1	0.46 7	1.30 169	0.73 85	0.26 3	0.56 36	0.26 3	0.16 42	0.11 21	0.17 41	0.16 53	0.14 23	0.10 3

TRStereo	0.37 21	0.27 110	0.59 124	0.47 130	0.41 169	0.29 30	0.30 44	0.84 90	0.59 21	0.52 17	0.41 1	0.52 28	0.26 3	0.73 89	0.27 6	0.17 75	0.12 58	0.19 62	0.19 105	0.13 9	0.11 6

AFF-stereo	0.38 28	0.19 24	0.39 27	0.37 18	0.21 17	0.27 24	0.31 52	0.65 27	0.66 38	0.64 29	1.13 140	0.76 95	0.39 41	0.55 34	0.33 24	0.11 1	0.09 1	0.16 31	0.16 53	0.13 9	0.11 6

TestStereo	0.38 28	0.31 127	0.40 31	0.45 115	0.20 14	0.40 59	0.37 79	0.66 32	0.65 35	0.53 18	0.78 43	0.47 22	0.40 44	0.55 34	0.37 68	0.18 92	0.13 84	0.20 84	0.15 36	0.22 121	0.13 29

RALAANet	0.38 28	0.23 82	0.48 88	0.42 62	0.29 114	0.35 47	0.25 22	0.86 91	0.64 30	0.67 39	0.65 17	0.60 42	0.29 12	0.60 45	0.34 31	0.15 23	0.12 58	0.17 41	0.15 36	0.21 111	0.13 29

raft+_RVC	0.38 28	0.19 24	0.35 9	0.37 18	0.25 62	0.45 75	0.37 79	0.78 83	0.89 117	0.51 15	0.78 43	0.50 26	0.29 12	0.53 28	0.40 84	0.15 23	0.12 58	0.17 41	0.15 36	0.14 23	0.12 15

LCNet	0.38 28	0.20 57	0.46 74	0.41 53	0.25 62	0.26 14	0.31 52	0.69 52	0.70 51	0.65 34	0.77 38	0.58 39	0.30 16	0.67 65	0.35 41	0.18 92	0.12 58	0.20 84	0.16 53	0.16 48	0.27 153

Anonymous	0.39 33	0.27 110	0.66 142	0.53 172	0.43 178	0.55 86	0.49 125	0.63 19	0.50 13	0.37 2	0.42 2	0.33 4	0.42 47	0.56 36	0.38 78	0.20 112	0.19 139	0.17 41	0.18 95	0.30 157	0.24 141

PSM-adaLoss	0.39 33	0.20 57	0.49 98	0.43 80	0.24 41	0.26 14	0.23 11	0.61 17	0.45 10	0.97 134	0.74 32	0.65 57	0.47 63	0.77 112	0.37 68	0.16 42	0.11 21	0.19 62	0.15 36	0.19 87	0.14 51

DIP-Stereo	0.39 33	0.21 68	0.50 104	0.41 53	0.28 105	0.62 107	0.27 33	0.77 80	0.40 6	0.64 29	0.86 73	0.52 28	0.33 19	0.66 61	0.42 86	0.15 23	0.13 84	0.17 41	0.14 28	0.15 36	0.15 70
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
R-Stereo Train	0.39 33	0.18 15	0.42 42	0.42 62	0.26 89	0.40 59	0.32 57	0.72 68	0.34 3	0.89 105	1.28 166	0.57 35	0.35 24	0.42 8	0.32 20	0.15 23	0.12 58	0.14 9	0.12 15	0.14 23	0.13 29

NF-Stereo	0.39 33	0.19 24	0.48 88	0.43 80	0.24 41	0.26 14	0.22 5	0.63 19	0.70 51	0.98 138	0.66 19	0.65 57	0.36 31	0.73 89	0.37 68	0.17 75	0.11 21	0.20 84	0.16 53	0.19 87	0.13 29

PSM-AAD	0.39 33	0.19 24	0.49 98	0.43 80	0.24 41	0.26 14	0.24 17	0.64 23	0.51 15	1.00 147	0.77 38	0.64 53	0.34 22	0.76 101	0.36 51	0.17 75	0.11 21	0.20 84	0.16 53	0.19 87	0.13 29

PSM-softLoss	0.39 33	0.19 24	0.48 88	0.42 62	0.24 41	0.25 11	0.23 11	0.61 17	0.70 51	1.00 147	0.67 22	0.66 60	0.36 31	0.70 77	0.37 68	0.17 75	0.11 21	0.19 62	0.15 36	0.19 87	0.14 51

FTStereo	0.39 33	0.19 24	0.45 59	0.43 80	0.25 62	0.35 47	0.25 22	0.65 27	0.65 35	1.00 147	0.73 30	0.62 45	0.37 38	0.68 69	0.35 41	0.16 42	0.11 21	0.19 62	0.15 36	0.18 68	0.14 51

RAFT-Stereo	0.39 33	0.18 15	0.42 42	0.42 62	0.26 89	0.40 59	0.32 57	0.72 68	0.34 3	0.89 105	1.28 166	0.57 35	0.35 24	0.42 8	0.32 20	0.15 23	0.12 58	0.14 9	0.12 15	0.14 23	0.13 29
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
GMStereo	0.39 33	0.37 153	0.54 113	0.40 43	0.26 89	0.42 70	0.36 72	0.59 12	1.04 153	0.55 20	0.51 8	0.37 9	0.35 24	0.54 32	0.41 85	0.19 101	0.13 84	0.16 31	0.17 87	0.24 131	0.18 104
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. arXiv 2022
Consistency-Raft	0.39 33	0.19 24	0.45 59	0.43 80	0.25 62	0.26 14	0.24 17	0.68 44	0.73 61	0.89 105	0.71 27	0.64 53	0.35 24	0.73 89	0.35 41	0.16 42	0.11 21	0.19 62	0.16 53	0.18 68	0.12 15

KMStereo	0.40 44	0.20 57	0.46 74	0.43 80	0.24 41	0.26 14	0.26 28	0.64 23	0.67 41	1.00 147	0.80 55	0.65 57	0.35 24	0.73 89	0.37 68	0.16 42	0.11 21	0.20 84	0.16 53	0.19 87	0.13 29

NRIStereo	0.40 44	0.19 24	0.47 80	0.42 62	0.25 62	0.25 11	0.24 17	0.64 23	0.66 38	0.99 144	0.74 32	0.72 76	0.36 31	0.72 83	0.36 51	0.17 75	0.11 21	0.19 62	0.15 36	0.18 68	0.14 51

OCTAStereo	0.40 44	0.19 24	0.47 80	0.43 80	0.24 41	0.26 14	0.25 22	0.60 14	0.68 46	1.09 171	0.68 24	0.66 60	0.36 31	0.71 81	0.37 68	0.17 75	0.12 58	0.21 112	0.16 53	0.19 87	0.13 29

111	0.40 44	0.17 10	0.41 32	0.34 6	0.19 7	0.52 82	0.28 35	0.74 74	1.16 175	0.50 13	0.91 91	0.63 48	0.48 65	0.61 46	0.35 41	0.14 9	0.10 4	0.14 9	0.12 15	0.13 9	0.13 29

sAnonymous2	0.40 44	0.39 164	0.85 174	0.48 135	0.37 149	0.40 59	0.46 114	0.57 10	0.52 17	0.38 3	0.46 3	0.35 6	0.42 47	0.43 11	0.30 15	0.19 101	0.14 93	0.18 54	0.17 87	0.57 222	0.44 207

RAFT_R40	0.40 44	0.19 24	0.44 49	0.43 80	0.25 62	0.23 2	0.26 28	0.67 36	0.67 41	0.98 138	0.78 43	0.72 76	0.43 51	0.76 101	0.35 41	0.16 42	0.11 21	0.20 84	0.16 53	0.18 68	0.14 51

THIR-Stereo	0.40 44	0.19 24	0.44 49	0.43 80	0.25 62	0.23 2	0.26 28	0.67 36	0.67 41	0.98 138	0.78 43	0.72 76	0.43 51	0.76 101	0.35 41	0.16 42	0.11 21	0.20 84	0.16 53	0.18 68	0.14 51

ROB_FTStereo_v2	0.40 44	0.20 57	0.45 59	0.43 80	0.24 41	0.23 2	0.29 38	0.67 36	0.72 58	0.95 127	0.78 43	0.66 60	0.36 31	0.70 77	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.18 68	0.13 29

DeepStereo_LL	0.40 44	0.20 57	0.45 59	0.42 62	0.26 89	0.24 8	0.21 2	0.68 44	0.50 13	1.06 163	0.79 53	0.71 70	0.50 68	0.77 112	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.19 87	0.14 51

SST-Stereo	0.40 44	0.19 24	0.45 59	0.42 62	0.25 62	0.25 11	0.21 2	0.66 32	0.47 12	1.08 169	0.79 53	0.72 76	0.43 51	0.77 112	0.35 41	0.16 42	0.11 21	0.20 84	0.16 53	0.19 87	0.15 70

CroCo_RVC	0.40 44	0.39 164	0.85 174	0.48 135	0.37 149	0.40 59	0.46 114	0.57 10	0.52 17	0.38 3	0.46 3	0.35 6	0.42 47	0.43 11	0.30 15	0.19 101	0.14 93	0.18 54	0.17 87	0.57 222	0.44 207

GMM-Stereo	0.41 55	0.19 24	0.44 49	0.43 80	0.25 62	0.23 2	0.26 28	0.67 36	0.67 41	0.98 138	0.78 43	0.72 76	0.43 51	0.75 98	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.18 68	0.14 51

ROB_FTStereo	0.41 55	0.19 24	0.46 74	0.43 80	0.25 62	0.22 1	0.24 17	0.66 32	0.70 51	1.02 156	0.84 67	0.71 70	0.36 31	0.72 83	0.37 68	0.16 42	0.11 21	0.20 84	0.16 53	0.18 68	0.13 29

KYRaft	0.41 55	0.19 24	0.45 59	0.42 62	0.25 62	0.26 14	0.23 11	0.65 27	0.64 30	1.08 169	0.81 58	0.70 66	0.42 47	0.69 74	0.34 31	0.16 42	0.11 21	0.19 62	0.16 53	0.19 87	0.16 85

AnonymousM	0.41 55	0.81 220	0.29 6	0.34 6	0.22 22	0.28 27	0.38 87	0.53 8	0.41 8	0.70 49	0.49 7	0.47 22	0.27 8	0.41 7	0.31 19	0.15 23	0.12 58	1.51 232	0.26 165	0.12 4	0.10 3

HUI-Stereo	0.41 55	0.19 24	0.45 59	0.43 80	0.25 62	0.41 68	0.31 52	0.63 19	0.59 21	1.07 167	0.77 38	0.71 70	0.35 24	0.80 121	0.34 31	0.16 42	0.11 21	0.19 62	0.16 53	0.19 87	0.16 85

ASMatch	0.41 55	0.19 24	0.45 59	0.43 80	0.25 62	0.26 14	0.28 35	0.64 23	0.64 30	1.05 161	0.76 37	0.71 70	0.38 39	0.78 117	0.35 41	0.16 42	0.11 21	0.19 62	0.15 36	0.19 87	0.16 85

HITNet	0.41 55	0.26 102	0.45 59	0.33 5	0.17 2	0.63 111	0.30 44	0.93 101	0.64 30	0.71 54	0.82 60	0.64 53	0.52 71	0.59 43	0.43 87	0.14 9	0.10 4	0.15 25	0.13 23	0.19 87	0.12 15
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
DEmStereo	0.41 55	0.19 24	0.44 49	0.42 62	0.25 62	0.23 2	0.23 11	0.68 44	0.66 38	1.01 154	0.82 60	0.71 70	0.46 60	0.74 95	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.18 68	0.14 51

Pruner-Stereo	0.41 55	0.19 24	0.44 49	0.43 80	0.25 62	0.23 2	0.26 28	0.67 36	0.67 41	0.98 138	0.78 43	0.72 76	0.43 51	0.75 98	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.18 68	0.14 51

CRE-IMP	0.42 64	0.20 57	0.43 47	0.43 80	0.23 29	0.32 40	0.41 103	0.69 52	0.78 77	0.90 110	0.86 73	0.70 66	0.52 71	0.66 61	0.36 51	0.18 92	0.12 58	0.18 54	0.15 36	0.16 48	0.15 70

IRAFT_RVC	0.42 64	0.20 57	0.48 88	0.44 102	0.24 41	0.27 24	0.54 143	0.74 74	0.77 74	0.76 67	0.80 55	0.73 85	0.51 70	0.70 77	0.36 51	0.17 75	0.10 4	0.21 112	0.16 53	0.16 48	0.14 51

PFNet	0.42 64	0.18 15	0.58 123	0.43 80	0.24 41	0.43 71	0.32 57	0.74 74	0.78 77	1.00 147	0.74 32	0.68 64	0.39 41	0.72 83	0.37 68	0.16 42	0.10 4	0.20 84	0.15 36	0.16 48	0.13 29

FENet	0.42 64	0.22 74	0.38 22	0.39 32	0.24 41	0.55 86	0.32 57	0.79 85	0.70 51	0.71 54	0.72 28	0.63 48	0.57 83	0.62 49	0.44 90	0.19 101	0.13 84	0.19 62	0.17 87	0.18 68	0.19 113

OMP-Stereo	0.42 64	0.22 74	0.46 74	0.52 168	0.24 41	0.36 51	0.25 22	0.71 61	0.78 77	0.77 68	0.64 16	0.89 129	0.39 41	0.91 149	0.35 41	0.15 23	0.12 58	0.20 84	0.15 36	0.15 36	0.12 15

test_xeample3	0.43 69	0.19 24	0.42 42	0.35 13	0.20 14	0.40 59	0.46 114	0.75 78	1.06 159	0.77 68	1.23 159	0.60 42	0.57 83	0.54 32	0.30 15	0.14 9	0.12 58	0.14 9	0.10 6	0.11 1	0.16 85

DN-CSS_ROB	0.43 69	0.26 102	0.62 129	0.40 43	0.29 114	0.44 72	0.27 33	0.77 80	0.75 66	0.72 59	1.09 132	0.48 25	0.43 51	0.69 74	0.37 68	0.15 23	0.12 58	0.21 112	0.19 105	0.18 68	0.16 85

IIG-Stereo	0.43 69	0.21 68	0.44 49	0.50 151	0.25 62	0.44 72	0.21 2	0.71 61	0.76 71	0.83 84	0.95 96	0.83 107	0.43 51	0.90 144	0.35 41	0.15 23	0.12 58	0.19 62	0.14 28	0.15 36	0.11 6

TransformOpticalFlow	0.44 72	0.20 57	0.47 80	0.41 53	0.23 29	0.37 52	0.47 118	0.94 104	0.76 71	0.65 34	1.14 142	0.73 85	0.56 81	0.76 101	0.32 20	0.15 23	0.10 4	0.17 41	0.15 36	0.14 23	0.13 29

iRAFT	0.44 72	0.19 24	0.53 110	0.44 102	0.25 62	0.26 14	0.44 109	0.73 72	0.80 88	0.84 88	0.87 78	0.78 100	0.56 81	0.69 74	0.38 78	0.16 42	0.11 21	0.20 84	0.16 53	0.17 56	0.15 70

RAFT-345	0.44 72	0.19 24	0.49 98	0.45 115	0.25 62	0.24 8	0.36 72	0.71 61	0.78 77	0.90 110	1.14 142	0.76 95	0.60 96	0.67 65	0.36 51	0.17 75	0.11 21	0.21 112	0.16 53	0.17 56	0.13 29

iGMRVC	0.44 72	0.19 24	0.45 59	0.46 121	0.25 62	0.28 27	0.49 125	0.72 68	0.80 88	0.87 95	1.07 127	0.75 91	0.58 88	0.72 83	0.33 24	0.16 42	0.12 58	0.19 62	0.16 53	0.17 56	0.12 15

GES	0.44 72	0.23 82	0.57 121	0.40 43	0.30 117	0.59 99	0.36 72	0.96 105	0.68 46	0.74 64	0.83 63	0.47 22	0.48 65	0.67 65	0.43 87	0.22 129	0.16 116	0.17 41	0.16 53	0.18 68	0.23 135

HCRNet	0.44 72	0.34 142	0.41 32	0.53 172	0.26 89	0.53 83	0.29 38	0.83 89	0.63 26	0.71 54	0.81 58	0.77 98	0.50 68	0.66 61	0.36 51	0.24 139	0.16 116	0.24 135	0.20 113	0.21 111	0.18 104

RAFT+GMM	0.45 78	0.22 74	0.45 59	0.47 130	0.26 89	0.54 84	0.47 118	0.66 32	0.58 20	0.80 74	0.82 60	0.94 135	0.57 83	0.75 98	0.34 31	0.17 75	0.15 105	0.22 120	0.20 113	0.16 48	0.12 15

DMCA	0.45 78	0.26 102	0.50 104	0.38 25	0.28 105	0.51 79	0.34 67	0.93 101	0.68 46	0.75 65	0.83 63	0.79 101	0.53 73	0.51 26	0.54 115	0.21 117	0.16 116	0.21 112	0.16 53	0.19 87	0.21 123

STrans-v2	0.46 80	0.20 57	0.48 88	0.40 43	0.24 41	0.55 86	0.50 128	1.07 137	0.73 61	0.65 34	1.05 118	0.72 76	0.69 132	0.72 83	0.33 24	0.14 9	0.10 4	0.17 41	0.14 28	0.13 9	0.12 15

Anonymous3	0.46 80	0.34 142	0.86 179	0.50 151	0.37 149	0.81 146	0.50 128	0.72 68	0.65 35	0.51 15	0.65 17	0.45 19	0.45 59	0.64 57	0.38 78	0.24 139	0.24 164	0.22 120	0.21 121	0.23 123	0.23 135

ICVP	0.46 80	0.25 98	0.38 22	0.48 135	0.28 105	0.58 95	0.43 106	1.00 113	0.70 51	0.67 39	0.95 96	0.75 91	0.55 77	0.53 28	0.54 115	0.23 131	0.17 124	0.19 62	0.17 87	0.19 87	0.20 120

ACVNet	0.46 80	0.23 82	0.36 12	0.39 32	0.28 105	0.58 95	0.40 97	0.87 93	0.80 88	0.64 29	0.96 99	0.79 101	0.60 96	0.63 55	0.67 133	0.17 75	0.15 105	0.16 31	0.15 36	0.18 68	0.15 70

RAFT-RH_RVC	0.46 80	0.19 24	0.51 107	0.47 130	0.25 62	0.39 58	0.69 176	0.69 52	0.78 77	0.92 119	0.97 104	0.74 89	0.55 77	0.76 101	0.36 51	0.16 42	0.12 58	0.19 62	0.16 53	0.16 48	0.14 51

BEATNet_4x	0.46 80	0.32 129	0.56 119	0.37 18	0.19 7	0.63 111	0.35 69	1.01 119	0.72 58	0.77 68	0.83 63	0.70 66	0.59 93	0.68 69	0.53 112	0.16 42	0.12 58	0.16 31	0.14 28	0.24 131	0.16 85

ARAFT	0.47 86	0.24 91	0.79 170	0.42 62	0.25 62	0.55 86	0.55 146	0.75 78	0.81 92	0.89 105	0.75 35	0.73 85	0.47 63	0.88 139	0.37 68	0.15 23	0.12 58	0.23 126	0.22 129	0.14 23	0.13 29

cf-r	0.47 86	0.23 82	0.41 32	0.39 32	0.23 29	0.59 99	0.37 79	0.88 97	0.85 99	0.72 59	1.05 118	0.94 135	0.62 104	0.56 36	0.54 115	0.21 117	0.14 93	0.17 41	0.19 105	0.15 36	0.15 70

GANet-RSSM	0.47 86	0.21 68	0.37 17	0.38 25	0.25 62	0.58 95	0.36 72	1.07 137	0.78 77	0.68 44	1.01 108	0.86 117	0.67 124	0.62 49	0.44 90	0.21 117	0.15 105	0.18 54	0.18 95	0.18 68	0.17 98

pcwnet_v2	0.47 86	0.26 102	0.42 42	0.35 13	0.28 105	0.60 101	0.32 57	1.11 145	0.74 65	0.72 59	1.07 127	0.63 48	0.54 76	0.53 28	0.47 99	0.28 161	0.20 145	0.23 126	0.24 150	0.21 111	0.22 131

MLCV	0.47 86	0.24 91	0.61 127	0.37 18	0.17 2	0.61 103	0.33 64	0.80 86	0.87 108	0.94 122	1.13 140	0.72 76	0.43 51	0.89 143	0.51 107	0.13 5	0.10 4	0.13 6	0.11 9	0.14 23	0.12 15

TVStereo	0.47 86	0.19 24	0.48 88	0.46 121	0.24 41	0.32 40	0.81 191	0.71 61	0.78 77	0.95 127	1.05 118	0.83 107	0.61 101	0.76 101	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.17 56	0.14 51

RE-Stereo	0.47 86	0.19 24	0.48 88	0.46 121	0.24 41	0.32 40	0.81 191	0.71 61	0.78 77	0.95 127	1.05 118	0.83 107	0.61 101	0.76 101	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.17 56	0.14 51

GrayStereo	0.47 86	0.19 24	0.48 88	0.46 121	0.24 41	0.32 40	0.81 191	0.71 61	0.78 77	0.95 127	1.05 118	0.83 107	0.61 101	0.76 101	0.36 51	0.16 42	0.11 21	0.20 84	0.16 53	0.17 56	0.14 51

CFNet_RVC	0.48 94	0.23 82	0.36 12	0.40 43	0.26 89	0.64 115	0.37 79	0.87 93	0.85 99	0.64 29	1.00 106	1.01 145	0.64 116	0.61 46	0.53 112	0.23 131	0.15 105	0.24 135	0.21 121	0.23 123	0.18 104

CFNet-pseudo	0.48 94	0.25 98	0.43 47	0.37 18	0.23 29	0.62 107	0.30 44	1.19 163	0.97 139	0.71 54	1.12 137	0.54 31	0.46 60	0.53 28	0.48 103	0.23 131	0.19 139	0.26 145	0.27 167	0.20 105	0.21 123

Prome-Stereo	0.48 94	0.19 24	0.47 80	0.40 43	0.24 41	0.40 59	0.81 191	0.68 44	0.93 127	0.84 88	1.26 164	0.77 98	0.64 116	0.56 36	0.38 78	0.17 75	0.13 84	0.20 84	0.22 129	0.13 9	0.16 85

PSMNet-RSSM	0.48 94	0.22 74	0.38 22	0.42 62	0.25 62	0.50 77	0.37 79	1.10 143	0.77 74	0.70 49	1.06 125	0.84 113	0.64 116	0.62 49	0.47 99	0.23 131	0.15 105	0.23 126	0.25 156	0.20 105	0.19 113

CFNet-ft	0.48 94	0.23 82	0.36 12	0.40 43	0.26 89	0.64 115	0.37 79	0.87 93	0.85 99	0.64 29	1.00 106	1.01 145	0.64 116	0.61 46	0.53 112	0.23 131	0.15 105	0.24 135	0.21 121	0.23 123	0.18 104

UCFNet_RVC	0.49 99	0.26 102	0.35 9	0.39 32	0.26 89	0.64 115	0.36 72	1.15 155	0.84 96	0.67 39	0.88 84	0.88 126	0.59 93	0.58 41	0.45 93	0.24 139	0.17 124	0.27 155	0.27 167	0.25 135	0.23 135

GwcNet-RSSM	0.49 99	0.24 91	0.42 42	0.40 43	0.23 29	0.55 86	0.38 87	0.93 101	0.93 127	0.71 54	1.16 152	0.86 117	0.60 96	0.62 49	0.66 131	0.21 117	0.14 93	0.19 62	0.20 113	0.16 48	0.15 70

iResNet	0.49 99	0.29 119	0.79 170	0.42 62	0.21 17	0.61 103	0.40 97	0.82 88	0.99 142	0.87 95	1.12 137	0.69 65	0.53 73	0.78 117	0.51 107	0.15 23	0.11 21	0.14 9	0.12 15	0.17 56	0.15 70

CrosDoStereo	0.50 102	0.18 15	0.45 59	0.38 25	0.24 41	0.40 59	1.18 218	0.67 36	0.86 103	0.94 122	1.37 176	0.63 48	0.77 146	0.65 59	0.45 93	0.15 23	0.12 58	0.17 41	0.18 95	0.14 23	0.14 51

PFNet+	0.50 102	0.18 15	0.45 59	0.38 25	0.24 41	0.40 59	1.18 218	0.67 36	0.86 103	0.94 122	1.37 176	0.63 48	0.77 146	0.65 59	0.45 93	0.15 23	0.12 58	0.17 41	0.18 95	0.14 23	0.14 51

RAFT-IKP	0.50 102	0.18 15	0.49 98	0.36 16	0.23 29	0.51 79	1.16 216	0.68 44	0.94 133	0.87 95	1.30 169	0.62 45	0.77 146	0.68 69	0.34 31	0.15 23	0.11 21	0.16 31	0.18 95	0.14 23	0.13 29

HHNet	0.50 102	0.18 15	0.49 98	0.36 16	0.23 29	0.51 79	1.16 216	0.68 44	0.94 133	0.87 95	1.30 169	0.62 45	0.77 146	0.68 69	0.34 31	0.15 23	0.11 21	0.16 31	0.18 95	0.14 23	0.13 29

AdaStereo	0.50 102	0.32 129	0.47 80	0.48 135	0.25 62	0.67 123	0.32 57	1.17 159	0.88 111	0.75 65	0.99 105	0.75 91	0.49 67	0.67 65	0.46 97	0.27 158	0.12 58	0.28 161	0.18 95	0.23 123	0.18 104
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.
CFNet	0.51 107	0.29 119	0.46 74	0.41 53	0.27 101	0.70 127	0.32 57	1.13 149	1.00 145	0.72 59	1.07 127	0.85 115	0.60 96	0.76 101	0.52 110	0.19 101	0.14 93	0.23 126	0.23 140	0.21 111	0.16 85

acv_ft	0.51 107	0.23 82	0.56 119	0.44 102	0.28 105	0.86 156	0.39 93	0.91 99	0.80 88	0.97 134	0.96 99	0.79 101	0.59 93	0.63 55	0.87 162	0.17 75	0.15 105	0.16 31	0.15 36	0.17 56	0.15 70

HSM	0.51 107	0.24 91	0.41 32	0.39 32	0.24 41	0.75 135	0.40 97	1.22 173	0.75 66	0.81 76	0.91 91	1.21 169	0.69 132	0.87 136	0.46 97	0.17 75	0.13 84	0.17 41	0.14 28	0.17 56	0.17 98

DMCA-RVC	0.51 107	0.30 124	0.59 124	0.50 151	0.32 132	0.54 84	0.38 87	0.86 91	0.68 46	0.94 122	0.86 73	0.91 134	0.68 129	0.70 77	0.59 121	0.23 131	0.18 129	0.31 176	0.23 140	0.26 140	0.19 113

ac_64	0.52 111	0.22 74	0.50 104	0.45 115	0.28 105	0.80 142	0.45 112	1.02 122	0.61 24	0.91 116	0.83 63	1.07 157	0.68 129	0.74 95	0.70 140	0.21 117	0.18 129	0.20 84	0.19 105	0.18 68	0.15 70

iResNet_ROB	0.52 111	0.21 68	0.53 110	0.37 18	0.21 17	0.61 103	0.29 38	1.51 212	1.32 193	0.90 110	1.02 112	0.80 104	0.62 104	0.76 101	0.43 87	0.16 42	0.12 58	0.13 6	0.09 3	0.15 36	0.18 104

iResNetv2_ROB	0.52 111	0.27 110	0.69 150	0.38 25	0.25 62	0.62 107	0.35 69	1.17 159	1.01 148	0.99 144	1.06 125	0.88 126	0.67 124	0.66 61	0.39 82	0.19 101	0.13 84	0.15 25	0.11 9	0.18 68	0.16 85

NLCA_NET_v2_RVC	0.53 114	0.32 129	0.64 136	0.44 102	0.30 117	0.66 120	0.44 109	1.04 129	0.88 111	0.91 116	0.91 91	0.99 143	0.60 96	0.68 69	0.60 123	0.21 117	0.17 124	0.22 120	0.22 129	0.21 111	0.21 123
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
RAFT + AFF	0.53 114	0.29 119	0.75 161	0.51 160	0.32 132	0.63 111	0.60 156	1.00 113	0.91 120	0.78 72	0.87 78	0.83 107	0.58 88	0.80 121	0.47 99	0.17 75	0.20 145	0.23 126	0.22 129	0.18 68	0.18 104

DeepPruner_ROB	0.53 114	0.34 142	0.59 124	0.41 53	0.30 117	0.50 77	0.43 106	1.19 163	0.70 51	0.85 90	1.05 118	0.86 117	0.55 77	0.84 133	0.51 107	0.29 169	0.23 161	0.22 120	0.22 129	0.26 140	0.25 144

RASNet	0.53 114	0.22 74	0.52 109	0.38 25	0.22 22	0.68 125	0.38 87	0.97 108	0.88 111	0.73 63	1.04 115	1.03 150	0.92 173	0.90 144	0.86 158	0.16 42	0.14 93	0.14 9	0.17 87	0.15 36	0.13 29

HSM-Net_RVC	0.53 114	0.22 74	0.35 9	0.37 18	0.21 17	0.85 154	0.37 79	1.23 177	0.93 127	0.90 110	1.15 147	1.26 173	0.63 108	0.72 83	0.48 103	0.17 75	0.13 84	0.16 31	0.15 36	0.17 56	0.15 70
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
UPFNet	0.53 114	0.24 91	0.51 107	0.45 115	0.38 156	0.84 153	0.49 125	0.99 111	0.75 66	0.87 95	0.88 84	0.86 117	0.64 116	0.80 121	0.71 143	0.20 112	0.20 145	0.20 84	0.20 113	0.19 87	0.15 70

LMCR-Stereo	0.53 114	0.30 124	0.53 110	0.58 189	0.30 117	0.83 151	0.36 72	1.19 163	0.76 71	0.88 102	1.04 115	0.56 32	0.62 104	0.82 126	0.67 133	0.19 101	0.15 105	0.19 62	0.14 28	0.23 123	0.17 98

UNet	0.54 121	0.26 102	0.66 142	0.44 102	0.40 163	0.99 171	0.41 103	0.98 110	0.75 66	0.83 84	0.89 88	1.04 151	0.72 142	0.73 89	0.62 126	0.19 101	0.14 93	0.20 84	0.17 87	0.20 105	0.17 98

STTStereo	0.55 122	0.37 153	0.76 165	0.44 102	0.31 126	0.60 101	0.44 109	0.96 105	0.86 103	0.99 144	0.90 89	0.96 139	0.58 88	0.71 81	0.61 124	0.25 145	0.23 161	0.26 145	0.32 190	0.24 131	0.23 135

FADNet_RVC	0.55 122	0.37 153	1.17 198	0.44 102	0.31 126	0.56 92	0.34 67	1.06 136	0.88 111	0.67 39	0.90 89	0.61 44	0.65 122	0.93 153	0.70 140	0.21 117	0.18 129	0.26 145	0.23 140	0.31 162	0.28 156

DeepStereo_RVC	0.55 122	0.18 15	0.34 8	0.42 62	0.22 22	0.37 52	0.33 64	0.77 80	0.77 74	1.11 175	3.00 223	0.70 66	0.81 157	0.62 49	0.44 90	0.18 92	0.14 93	0.19 62	0.16 53	0.15 36	0.16 85

MMNet	0.55 122	0.25 98	0.61 127	0.43 80	0.34 141	1.07 181	0.39 93	0.87 93	0.91 120	0.91 116	0.93 94	0.86 117	0.76 145	0.81 125	0.76 148	0.15 23	0.14 93	0.18 54	0.19 105	0.20 105	0.16 85

GEStereo_RVC	0.55 122	0.29 119	0.63 134	0.49 142	0.31 126	0.70 127	0.54 143	1.22 173	0.92 123	0.82 79	0.85 72	0.85 115	0.63 108	0.90 144	0.65 129	0.24 139	0.16 116	0.19 62	0.16 53	0.21 111	0.22 131

delet	0.55 122	0.24 91	0.55 117	0.44 102	0.33 138	1.07 181	0.50 128	1.00 113	0.86 103	0.85 90	0.96 99	0.90 132	0.63 108	0.83 131	0.74 146	0.18 92	0.18 129	0.20 84	0.21 121	0.16 48	0.15 70

DSFCA	0.55 122	0.25 98	0.62 129	0.40 43	0.36 145	0.74 133	0.52 138	1.04 129	0.82 93	1.06 163	0.84 67	0.89 129	0.63 108	0.99 160	0.58 118	0.25 145	0.21 152	0.21 112	0.21 121	0.21 111	0.19 113

hitnet-ft	0.55 122	0.27 110	0.39 27	0.41 53	0.28 105	0.78 138	0.40 97	0.92 100	0.90 118	0.82 79	1.01 108	1.13 166	0.70 137	0.78 117	0.67 133	0.28 161	0.20 145	0.28 161	0.22 129	0.29 151	0.26 148

psm_up	0.55 122	0.26 102	0.47 80	0.49 142	0.32 132	0.65 118	0.56 151	1.04 129	0.82 93	0.82 79	0.88 84	1.01 145	0.94 178	0.74 95	0.61 124	0.21 117	0.25 170	0.26 145	0.23 140	0.21 111	0.20 120

HGLStereo	0.56 131	0.28 115	0.57 121	0.50 151	0.37 149	0.80 142	0.45 112	1.02 122	0.78 77	0.86 93	1.14 142	0.89 129	0.82 161	0.76 101	0.73 144	0.21 117	0.20 145	0.19 62	0.18 95	0.19 87	0.21 123

FADNet-RVC-Resample	0.56 131	0.33 137	1.16 197	0.49 142	0.34 141	0.71 129	0.43 106	1.01 119	0.93 127	0.82 79	0.87 78	0.74 89	0.67 124	0.73 89	0.45 93	0.18 92	0.18 129	0.26 145	0.27 167	0.26 140	0.27 153

AANet_RVC	0.57 133	0.32 129	0.54 113	0.45 115	0.27 101	0.57 94	0.48 121	1.00 113	1.28 189	0.86 93	1.33 172	0.87 122	0.58 88	1.07 171	0.75 147	0.18 92	0.12 58	0.15 25	0.13 23	0.18 68	0.18 104

NOSS_ROB	0.57 133	0.39 164	0.39 27	0.44 102	0.30 117	0.73 132	0.54 143	1.03 126	1.08 165	0.67 39	0.87 78	0.76 95	0.57 83	0.77 112	0.47 99	0.38 207	0.38 214	0.44 208	0.42 211	0.37 186	0.34 180

CVANet_RVC	0.57 133	0.33 137	0.44 49	0.47 130	0.32 132	0.67 123	0.61 162	1.05 134	0.93 127	0.85 90	1.04 115	1.01 145	0.73 143	0.83 131	0.52 110	0.29 169	0.19 139	0.27 155	0.25 156	0.31 162	0.21 123

TDLM	0.57 133	0.33 137	0.49 98	0.51 160	0.30 117	0.66 120	0.73 185	1.03 126	1.01 148	0.82 79	1.10 134	0.84 113	0.70 137	0.86 135	0.58 118	0.28 161	0.17 124	0.25 141	0.22 129	0.26 140	0.19 113

DRaft	0.57 133	0.22 74	0.62 129	0.42 62	0.29 114	0.63 111	0.56 151	0.78 83	1.08 165	0.89 105	1.44 188	0.94 135	0.85 164	0.78 117	0.89 171	0.14 9	0.12 58	0.18 54	0.18 95	0.14 23	0.22 131

StereoDRNet-Refined	0.58 138	0.32 129	0.54 113	0.46 121	0.30 117	0.96 166	0.40 97	1.00 113	0.94 133	1.12 176	1.08 130	0.96 139	0.67 124	0.90 144	0.89 171	0.17 75	0.13 84	0.22 120	0.21 121	0.20 105	0.19 113
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
PS-NSSS	0.58 138	0.44 178	0.62 129	0.42 62	0.33 138	0.66 120	0.58 153	1.02 122	0.86 103	0.77 68	1.28 166	0.72 76	0.64 116	0.82 126	0.59 121	0.31 177	0.26 175	0.40 203	0.27 167	0.33 171	0.26 148

DLCB_ROB	0.58 138	0.28 115	0.47 80	0.49 142	0.32 132	0.77 136	0.50 128	0.99 111	0.92 123	1.04 159	1.14 142	1.21 169	0.69 132	0.88 139	0.69 137	0.20 112	0.20 145	0.22 120	0.22 129	0.21 111	0.18 104

CBMV_ROB	0.59 141	0.37 153	0.38 22	0.39 32	0.28 105	0.74 133	0.28 35	1.00 113	0.98 140	0.94 122	1.25 163	0.81 105	0.78 152	0.87 136	0.50 105	0.36 203	0.37 212	0.43 206	0.40 207	0.33 171	0.30 164

NVstereo2D	0.60 142	0.30 124	0.75 161	0.48 135	0.43 178	0.89 157	0.48 121	1.05 134	1.15 174	0.66 38	0.86 73	0.88 126	0.70 137	0.99 160	0.65 129	0.32 188	0.15 105	0.28 161	0.20 113	0.40 192	0.36 187

FADNet-RVC	0.60 142	0.53 199	1.14 196	0.46 121	0.39 158	0.61 103	0.39 93	1.12 148	0.87 108	0.70 49	0.84 67	1.04 151	0.55 77	0.94 158	0.69 137	0.26 153	0.25 170	0.28 161	0.28 173	0.31 162	0.31 169

FADNet	0.61 144	0.51 191	1.10 193	0.45 115	0.44 184	0.65 118	0.41 103	1.19 163	1.05 154	0.70 49	0.84 67	0.98 142	0.66 123	0.82 126	0.50 105	0.29 169	0.30 189	0.27 155	0.30 178	0.46 205	0.35 185

SGM-Forest	0.62 145	0.32 129	0.39 27	0.43 80	0.30 117	1.02 175	0.55 146	1.09 142	1.05 154	1.06 163	1.18 154	1.10 161	0.67 124	0.88 139	0.62 126	0.31 177	0.33 206	0.33 186	0.30 178	0.30 157	0.28 156
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.64 146	0.35 145	0.41 32	0.42 62	0.25 62	1.01 173	0.77 189	1.13 149	1.09 167	1.17 181	1.22 157	1.04 151	0.75 144	0.88 139	0.63 128	0.28 161	0.30 189	0.34 188	0.30 178	0.26 140	0.26 148
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
StereoDRNet	0.64 146	0.33 137	0.68 146	0.51 160	0.43 178	1.03 177	0.53 139	1.47 207	0.99 142	1.10 173	0.87 78	1.07 157	0.71 140	0.82 126	0.88 164	0.23 131	0.19 139	0.25 141	0.23 140	0.27 147	0.19 113

PSMNet_ROB	0.64 146	0.37 153	0.65 139	0.56 183	0.42 174	0.97 167	0.83 195	1.21 170	0.92 123	0.79 73	1.02 112	1.08 159	0.63 108	0.82 126	0.91 175	0.29 169	0.20 145	0.31 176	0.31 184	0.26 140	0.23 135

DRN-Test	0.66 149	0.32 129	0.66 142	0.50 151	0.39 158	1.15 191	0.61 162	1.49 209	1.01 148	1.12 176	1.08 130	1.06 155	0.69 132	0.77 112	0.94 176	0.23 131	0.17 124	0.26 145	0.25 156	0.25 135	0.21 123

MaskLacGwcNet_RVC	0.67 150	0.81 220	0.73 157	0.53 172	0.37 149	1.40 203	0.53 139	1.04 129	0.79 87	0.88 102	0.94 95	0.95 138	0.53 73	0.93 153	0.58 118	0.39 209	0.30 189	0.57 224	0.31 184	0.53 217	0.30 164

FINET	0.67 150	0.42 172	1.00 187	0.46 121	0.43 178	0.83 151	0.89 201	1.08 140	1.50 207	0.87 95	1.14 142	0.71 70	0.68 129	0.92 150	0.70 140	0.36 203	0.30 189	0.26 145	0.24 150	0.35 182	0.33 176

PA-Net	0.67 150	0.43 174	0.83 173	0.50 151	0.53 202	0.94 162	0.68 172	1.10 143	1.14 173	0.80 74	0.88 84	0.87 122	0.77 146	1.02 164	0.88 164	0.24 139	0.41 219	0.29 169	0.44 212	0.26 140	0.34 180
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NaN_ROB	0.69 153	0.44 178	0.69 150	0.51 160	0.33 138	0.97 167	1.06 213	1.22 173	1.19 178	1.24 188	0.96 99	1.08 159	0.78 152	1.20 183	0.67 133	0.24 139	0.30 189	0.23 126	0.24 150	0.23 123	0.25 144

GwcNet	0.69 153	0.36 150	1.10 193	0.51 160	0.42 174	1.08 185	0.50 128	1.21 170	1.16 175	1.00 147	1.37 176	1.06 155	0.79 154	0.92 150	0.94 176	0.25 145	0.24 164	0.24 135	0.22 129	0.23 123	0.26 148

ETE_ROB	0.70 155	0.49 185	0.73 157	0.56 183	0.36 145	0.79 140	0.87 200	1.14 152	0.93 127	1.19 183	1.18 154	1.39 190	0.82 161	0.99 160	0.80 151	0.26 153	0.21 152	0.31 176	0.26 165	0.33 171	0.34 180

XPNet_ROB	0.70 155	0.35 145	0.68 146	0.52 168	0.40 163	0.79 140	0.85 199	1.16 157	0.94 133	1.33 193	1.15 147	1.38 189	0.83 163	1.03 165	0.90 173	0.32 188	0.25 170	0.26 145	0.24 150	0.31 162	0.28 156

DISCO	0.70 155	0.26 102	0.68 146	0.44 102	0.31 126	1.14 189	0.51 135	1.23 177	1.23 183	0.81 76	1.05 118	1.50 200	0.85 164	1.82 216	1.03 186	0.19 101	0.15 105	0.18 54	0.16 53	0.24 131	0.23 135

GANet	0.70 155	0.37 153	0.55 117	0.51 160	0.34 141	0.94 162	0.96 207	1.08 140	0.94 133	1.04 159	1.98 208	1.13 166	0.88 169	1.12 177	0.66 131	0.25 145	0.26 175	0.27 155	0.22 129	0.31 162	0.22 131

DANet	0.71 159	0.45 180	0.91 182	0.59 192	0.40 163	0.81 146	0.40 97	0.97 108	0.84 96	1.20 185	1.22 157	1.33 183	0.88 169	1.16 180	1.24 199	0.27 158	0.23 161	0.31 176	0.25 156	0.35 182	0.32 172
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
Syn2CoEx	0.71 159	0.51 191	0.95 183	0.64 203	0.45 188	0.91 158	0.53 139	1.48 208	1.13 171	0.93 120	1.35 173	1.02 149	0.99 182

Low-res two-view benchmark