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 1	0.27 1	0.17 1	0.37 2	0.25 3	0.51 1	0.72 11	0.42 1	0.51 1	0.32 1	0.26 1	0.38 1	0.25 2	0.16 11	0.11 4	0.12 1	0.08 1	0.12 1	0.11 1

PMTNet	0.32 2	0.16 2	0.24 1	0.29 2	0.18 4	0.45 7	0.22 1	0.56 2	0.63 5	0.46 2	0.54 2	0.39 2	0.34 4	0.48 5	0.24 1	0.75 135	0.10 1	0.12 1	0.08 1	0.12 1	0.11 1

Gwc-CoAtRS	0.34 3	0.17 3	0.44 23	0.39 14	0.23 12	0.34 1	0.22 1	0.70 3	0.75 13	0.60 3	0.59 3	0.58 7	0.29 2	0.45 4	0.26 3	0.14 2	0.11 4	0.14 6	0.12 7	0.12 1	0.12 3

DPM-Stereo	0.39 4	0.21 6	0.50 32	0.41 27	0.28 32	0.62 25	0.27 4	0.77 7	0.40 3	0.64 5	0.86 13	0.52 4	0.33 3	0.66 18	0.42 8	0.15 4	0.13 15	0.17 19	0.14 13	0.15 7	0.15 9

R-Stereo Train	0.39 4	0.18 4	0.42 19	0.42 31	0.26 25	0.40 3	0.32 9	0.72 5	0.34 1	0.89 44	1.28 80	0.57 5	0.35 5	0.42 2	0.32 4	0.15 4	0.12 7	0.14 6	0.12 7	0.14 4	0.13 6

RAFT-Stereo	0.39 4	0.18 4	0.42 19	0.42 31	0.26 25	0.40 3	0.32 9	0.72 5	0.34 1	0.89 44	1.28 80	0.57 5	0.35 5	0.42 2	0.32 4	0.15 4	0.12 7	0.14 6	0.12 7	0.14 4	0.13 6
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.41 7	0.26 29	0.45 25	0.33 3	0.17 1	0.63 28	0.30 8	0.93 21	0.64 6	0.71 16	0.82 5	0.64 10	0.52 11	0.59 9	0.43 9	0.14 2	0.10 1	0.15 11	0.13 11	0.19 26	0.12 3
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
FENet	0.42 8	0.22 9	0.38 8	0.39 14	0.24 17	0.55 12	0.32 9	0.79 9	0.70 9	0.71 16	0.72 4	0.63 9	0.57 17	0.62 12	0.44 11	0.19 25	0.13 15	0.19 26	0.17 23	0.18 18	0.19 36

DN-CSS_ROB	0.43 9	0.26 29	0.62 50	0.40 21	0.29 39	0.44 5	0.27 4	0.77 7	0.75 13	0.72 19	1.09 56	0.48 3	0.43 7	0.69 24	0.37 6	0.15 4	0.12 7	0.21 34	0.19 29	0.18 18	0.16 20

DMCA	0.45 10	0.26 29	0.50 32	0.38 10	0.28 32	0.51 10	0.34 16	0.93 21	0.68 7	0.75 23	0.83 7	0.79 19	0.53 12	0.51 6	0.54 31	0.21 37	0.16 38	0.21 34	0.16 20	0.19 26	0.21 44

ACVNet	0.46 11	0.23 14	0.36 4	0.39 14	0.28 32	0.58 17	0.40 35	0.87 13	0.80 21	0.64 5	0.96 31	0.79 19	0.60 25	0.63 16	0.67 46	0.17 15	0.15 28	0.16 14	0.15 16	0.18 18	0.15 9

BEATNet_4x	0.46 11	0.32 47	0.56 43	0.37 6	0.19 5	0.63 28	0.35 19	1.01 35	0.72 11	0.77 25	0.83 7	0.70 12	0.59 23	0.68 21	0.53 28	0.16 11	0.12 7	0.16 14	0.14 13	0.24 47	0.16 20

MLCV	0.47 13	0.24 20	0.61 48	0.37 6	0.17 1	0.61 21	0.33 14	0.80 10	0.87 31	0.94 55	1.13 63	0.72 13	0.43 7	0.89 57	0.51 23	0.13 1	0.10 1	0.13 4	0.11 5	0.14 4	0.12 3

GANet-RSSM	0.47 13	0.21 6	0.37 7	0.38 10	0.25 19	0.58 17	0.36 21	1.07 54	0.78 19	0.68 12	1.01 39	0.86 29	0.67 42	0.62 12	0.44 11	0.21 37	0.15 28	0.18 23	0.18 26	0.18 18	0.17 25

cf-r	0.47 13	0.23 14	0.41 15	0.39 14	0.23 12	0.59 19	0.37 22	0.88 17	0.85 26	0.72 19	1.05 47	0.94 44	0.62 30	0.56 7	0.54 31	0.21 37	0.14 21	0.17 19	0.19 29	0.15 7	0.15 9

CFNet_RVC	0.48 16	0.23 14	0.36 4	0.40 21	0.26 25	0.64 30	0.37 22	0.87 13	0.85 26	0.64 5	1.00 37	1.01 52	0.64 36	0.61 10	0.53 28	0.23 50	0.15 28	0.24 50	0.21 41	0.23 42	0.18 30

PSMNet-RSSM	0.48 16	0.22 9	0.38 8	0.42 31	0.25 19	0.50 8	0.37 22	1.10 58	0.77 18	0.70 13	1.06 51	0.84 26	0.64 36	0.62 12	0.47 17	0.23 50	0.15 28	0.23 44	0.25 70	0.20 31	0.19 36

CFNet-ft	0.48 16	0.23 14	0.36 4	0.40 21	0.26 25	0.64 30	0.37 22	0.87 13	0.85 26	0.64 5	1.00 37	1.01 52	0.64 36	0.61 10	0.53 28	0.23 50	0.15 28	0.24 50	0.21 41	0.23 42	0.18 30

iResNet	0.49 19	0.29 41	0.79 83	0.42 31	0.21 6	0.61 21	0.40 35	0.82 11	0.99 56	0.87 41	1.12 61	0.69 11	0.53 12	0.78 38	0.51 23	0.15 4	0.11 4	0.14 6	0.12 7	0.17 14	0.15 9

GwcNet-RSSM	0.49 19	0.24 20	0.42 19	0.40 21	0.23 12	0.55 12	0.38 28	0.93 21	0.93 45	0.71 16	1.16 70	0.86 29	0.60 25	0.62 12	0.66 44	0.21 37	0.14 21	0.19 26	0.20 35	0.16 12	0.15 9

ccs	0.49 19	0.23 14	0.42 19	0.35 4	0.25 19	0.44 5	0.34 16	1.28 94	1.21 86	0.60 3	0.82 5	0.75 15	0.55 14	0.56 7	0.47 17	0.26 66	0.17 42	0.26 59	0.24 66	0.26 53	0.26 61

AdaStereo	0.50 22	0.32 47	0.47 28	0.48 59	0.25 19	0.67 37	0.32 9	1.17 71	0.88 35	0.75 23	0.99 36	0.75 15	0.49 10	0.67 20	0.46 15	0.27 71	0.12 7	0.28 73	0.18 26	0.23 42	0.18 30
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.
ccs_rob	0.50 22	0.24 20	0.40 14	0.36 5	0.22 9	0.76 49	0.33 14	1.01 35	0.96 53	0.81 28	1.05 47	0.94 44	0.57 17	0.70 25	0.44 11	0.20 32	0.15 28	0.22 38	0.23 56	0.18 18	0.17 25

DMCA-RVC	0.51 24	0.30 44	0.59 46	0.50 71	0.32 52	0.54 11	0.38 28	0.86 12	0.68 7	0.94 55	0.86 13	0.91 43	0.68 47	0.70 25	0.59 35	0.23 50	0.18 47	0.31 87	0.23 56	0.26 53	0.19 36

acv_ft	0.51 24	0.23 14	0.56 43	0.44 41	0.28 32	0.86 66	0.39 31	0.91 19	0.80 21	0.97 61	0.96 31	0.79 19	0.59 23	0.63 16	0.87 70	0.17 15	0.15 28	0.16 14	0.15 16	0.17 14	0.15 9

HSM	0.51 24	0.24 20	0.41 15	0.39 14	0.24 17	0.75 48	0.40 35	1.22 82	0.75 13	0.81 28	0.91 26	1.21 74	0.69 49	0.87 51	0.46 15	0.17 15	0.13 15	0.17 19	0.14 13	0.17 14	0.17 25

CFNet	0.51 24	0.29 41	0.46 26	0.41 27	0.27 29	0.70 41	0.32 9	1.13 63	1.00 59	0.72 19	1.07 53	0.85 28	0.60 25	0.76 33	0.52 26	0.19 25	0.14 21	0.23 44	0.23 56	0.21 35	0.16 20

iResNetv2_ROB	0.52 28	0.27 35	0.69 68	0.38 10	0.25 19	0.62 25	0.35 19	1.17 71	1.01 62	0.99 64	1.06 51	0.88 38	0.67 42	0.66 18	0.39 7	0.19 25	0.13 15	0.15 11	0.11 5	0.18 18	0.16 20

ac_64	0.52 28	0.22 9	0.50 32	0.45 51	0.28 32	0.80 55	0.45 48	1.02 40	0.61 4	0.91 50	0.83 7	1.07 62	0.68 47	0.74 31	0.70 51	0.21 37	0.18 47	0.20 29	0.19 29	0.18 18	0.15 9

iResNet_ROB	0.52 28	0.21 6	0.53 37	0.37 6	0.21 6	0.61 21	0.29 7	1.51 117	1.32 99	0.90 46	1.02 42	0.80 22	0.62 30	0.76 33	0.43 9	0.16 11	0.12 7	0.13 4	0.09 3	0.15 7	0.18 30

DeepPruner_ROB	0.53 31	0.34 61	0.59 46	0.41 27	0.30 40	0.50 8	0.43 43	1.19 74	0.70 9	0.85 36	1.05 47	0.86 29	0.55 14	0.84 48	0.51 23	0.29 80	0.23 74	0.22 38	0.22 49	0.26 53	0.25 57

HSM-Net_RVC	0.53 31	0.22 9	0.35 3	0.37 6	0.21 6	0.85 64	0.37 22	1.23 85	0.93 45	0.90 46	1.15 66	1.26 78	0.63 32	0.72 28	0.48 20	0.17 15	0.13 15	0.16 14	0.15 16	0.17 14	0.15 9
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
UPFNet	0.53 31	0.24 20	0.51 35	0.45 51	0.38 69	0.84 63	0.49 56	0.99 29	0.75 13	0.87 41	0.88 20	0.86 29	0.64 36	0.80 40	0.71 53	0.20 32	0.20 61	0.20 29	0.20 35	0.19 26	0.15 9

RASNet	0.53 31	0.22 9	0.52 36	0.38 10	0.22 9	0.68 39	0.38 28	0.97 26	0.88 35	0.73 22	1.04 45	1.03 56	0.92 80	0.90 58	0.86 66	0.16 11	0.14 21	0.14 6	0.17 23	0.15 7	0.13 6

NLCA_NET_v2_RVC	0.53 31	0.32 47	0.64 54	0.44 41	0.30 40	0.66 35	0.44 45	1.04 47	0.88 35	0.91 50	0.91 26	0.99 51	0.60 25	0.68 21	0.60 36	0.21 37	0.17 42	0.22 38	0.22 49	0.21 35	0.21 44
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CC-Net-ROB	0.53 31	0.32 47	0.64 54	0.44 41	0.30 40	0.65 32	0.44 45	1.02 40	0.88 35	0.92 53	0.92 28	0.98 49	0.61 29	0.68 21	0.61 37	0.21 37	0.17 42	0.22 38	0.21 41	0.21 35	0.21 44

UNet	0.54 37	0.26 29	0.66 61	0.44 41	0.40 75	0.99 79	0.41 41	0.98 28	0.75 13	0.83 35	0.89 23	1.04 57	0.72 57	0.73 29	0.62 40	0.19 25	0.14 21	0.20 29	0.17 23	0.20 31	0.17 25

delet	0.55 38	0.24 20	0.55 41	0.44 41	0.33 57	1.07 89	0.50 57	1.00 31	0.86 29	0.85 36	0.96 31	0.90 42	0.63 32	0.83 46	0.74 56	0.18 21	0.18 47	0.20 29	0.21 41	0.16 12	0.15 9

MMNet	0.55 38	0.25 27	0.61 48	0.43 37	0.34 59	1.07 89	0.39 31	0.87 13	0.91 42	0.91 50	0.93 29	0.86 29	0.76 60	0.81 42	0.76 58	0.15 4	0.14 21	0.18 23	0.19 29	0.20 31	0.16 20

STTStereo	0.55 38	0.37 70	0.76 78	0.44 41	0.31 48	0.60 20	0.44 45	0.96 24	0.86 29	0.99 64	0.90 24	0.96 46	0.58 20	0.71 27	0.61 37	0.25 58	0.23 74	0.26 59	0.32 99	0.24 47	0.23 53

DSFCA	0.55 38	0.25 27	0.62 50	0.40 21	0.36 63	0.74 46	0.52 65	1.04 47	0.82 23	1.06 74	0.84 10	0.89 40	0.63 32	0.99 67	0.58 33	0.25 58	0.21 66	0.21 34	0.21 41	0.21 35	0.19 36

hitnet-ft	0.55 38	0.27 35	0.39 11	0.41 27	0.28 32	0.78 51	0.40 35	0.92 20	0.90 41	0.82 31	1.01 39	1.13 71	0.70 53	0.78 38	0.67 46	0.28 74	0.20 61	0.28 73	0.22 49	0.29 65	0.26 61

psm_up	0.55 38	0.26 29	0.47 28	0.49 63	0.32 52	0.65 32	0.56 73	1.04 47	0.82 23	0.82 31	0.88 20	1.01 52	0.94 84	0.74 31	0.61 37	0.21 37	0.25 82	0.26 59	0.23 56	0.21 35	0.20 43

FADNet_RVC	0.55 38	0.37 70	1.17 104	0.44 41	0.31 48	0.56 14	0.34 16	1.06 53	0.88 35	0.67 10	0.90 24	0.61 8	0.65 40	0.93 62	0.70 51	0.21 37	0.18 47	0.26 59	0.23 56	0.31 74	0.28 68

FADNet-RVC-Resample	0.56 45	0.33 56	1.16 103	0.49 63	0.34 59	0.71 42	0.43 43	1.01 35	0.93 45	0.82 31	0.87 16	0.74 14	0.67 42	0.73 29	0.45 14	0.18 21	0.18 47	0.26 59	0.27 81	0.26 53	0.27 66

HGLStereo	0.56 45	0.28 38	0.57 45	0.50 71	0.37 66	0.80 55	0.45 48	1.02 40	0.78 19	0.86 39	1.14 64	0.89 40	0.82 69	0.76 33	0.73 54	0.21 37	0.20 61	0.19 26	0.18 26	0.19 26	0.21 44

AANet_RVC	0.57 47	0.32 47	0.54 38	0.45 51	0.27 29	0.57 16	0.48 52	1.00 31	1.28 95	0.86 39	1.33 82	0.87 34	0.58 20	1.07 77	0.75 57	0.18 21	0.12 7	0.15 11	0.13 11	0.18 18	0.18 30

TDLM	0.57 47	0.33 56	0.49 31	0.51 78	0.30 40	0.66 35	0.73 98	1.03 44	1.01 62	0.82 31	1.10 58	0.84 26	0.70 53	0.86 50	0.58 33	0.28 74	0.17 42	0.25 55	0.22 49	0.26 53	0.19 36

CVANet_RVC	0.57 47	0.33 56	0.44 23	0.47 57	0.32 52	0.67 37	0.61 79	1.05 51	0.93 45	0.85 36	1.04 45	1.01 52	0.73 58	0.83 46	0.52 26	0.29 80	0.19 57	0.27 68	0.25 70	0.31 74	0.21 44

NOSS_ROB	0.57 47	0.39 79	0.39 11	0.44 41	0.30 40	0.73 45	0.54 68	1.03 44	1.08 74	0.67 10	0.87 16	0.76 18	0.57 17	0.77 36	0.47 17	0.38 115	0.38 120	0.44 117	0.42 118	0.37 96	0.34 89

DLCB_ROB	0.58 51	0.28 38	0.47 28	0.49 63	0.32 52	0.77 50	0.50 57	0.99 29	0.92 43	1.04 71	1.14 64	1.21 74	0.69 49	0.88 54	0.69 49	0.20 32	0.20 61	0.22 38	0.22 49	0.21 35	0.18 30

StereoDRNet-Refined	0.58 51	0.32 47	0.54 38	0.46 55	0.30 40	0.96 74	0.40 35	1.00 31	0.94 50	1.12 81	1.08 54	0.96 46	0.67 42	0.90 58	0.89 79	0.17 15	0.13 15	0.22 38	0.21 41	0.20 31	0.19 36
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
CBMV_ROB	0.59 53	0.37 70	0.38 8	0.39 14	0.28 32	0.74 46	0.28 6	1.00 31	0.98 54	0.94 55	1.25 78	0.81 23	0.78 62	0.87 51	0.50 21	0.36 111	0.37 118	0.43 115	0.40 115	0.33 83	0.30 76

NVstereo2D	0.60 54	0.30 44	0.75 76	0.48 59	0.43 89	0.89 67	0.48 52	1.05 51	1.15 80	0.66 9	0.86 13	0.88 38	0.70 53	0.99 67	0.65 43	0.32 97	0.15 28	0.28 73	0.20 35	0.40 102	0.36 96

FADNet-RVC	0.60 54	0.53 110	1.14 102	0.46 55	0.39 71	0.61 21	0.39 31	1.12 62	0.87 31	0.70 13	0.84 10	1.04 57	0.55 14	0.94 66	0.69 49	0.26 66	0.25 82	0.28 73	0.28 84	0.31 74	0.31 79

FADNet	0.61 56	0.51 103	1.10 99	0.45 51	0.44 93	0.65 32	0.41 41	1.19 74	1.05 66	0.70 13	0.84 10	0.98 49	0.66 41	0.82 43	0.50 21	0.29 80	0.30 98	0.27 68	0.30 89	0.46 116	0.35 94

SGM-Forest	0.62 57	0.32 47	0.39 11	0.43 37	0.30 40	1.02 83	0.55 69	1.09 57	1.05 66	1.06 74	1.18 72	1.10 66	0.67 42	0.88 54	0.62 40	0.31 87	0.33 113	0.33 96	0.30 89	0.30 70	0.28 68
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
PSMNet_ROB	0.64 58	0.37 70	0.65 58	0.56 92	0.42 85	0.97 75	0.83 104	1.21 79	0.92 43	0.79 26	1.02 42	1.08 64	0.63 32	0.82 43	0.91 82	0.29 80	0.20 61	0.31 87	0.31 95	0.26 53	0.23 53

CBMV	0.64 58	0.35 62	0.41 15	0.42 31	0.25 19	1.01 81	0.77 102	1.13 63	1.09 75	1.17 85	1.22 75	1.04 57	0.75 59	0.88 54	0.63 42	0.28 74	0.30 98	0.34 98	0.30 89	0.26 53	0.26 61
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 58	0.33 56	0.68 64	0.51 78	0.43 89	1.03 85	0.53 66	1.47 113	0.99 56	1.10 79	0.87 16	1.07 62	0.71 56	0.82 43	0.88 72	0.23 50	0.19 57	0.25 55	0.23 56	0.27 61	0.19 36

DRN-Test	0.66 61	0.32 47	0.66 61	0.50 71	0.39 71	1.15 98	0.61 79	1.49 114	1.01 62	1.12 81	1.08 54	1.06 60	0.69 49	0.77 36	0.94 83	0.23 50	0.17 42	0.26 59	0.25 70	0.25 50	0.21 44

PA-Net	0.67 62	0.43 86	0.83 85	0.50 71	0.53 109	0.94 71	0.68 89	1.10 58	1.14 79	0.80 27	0.88 20	0.87 34	0.77 61	1.02 71	0.88 72	0.24 56	0.41 125	0.29 80	0.44 119	0.26 53	0.34 89
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
GwcNet	0.69 63	0.36 67	1.10 99	0.51 78	0.42 85	1.08 93	0.50 57	1.21 79	1.16 81	1.00 66	1.37 85	1.06 60	0.79 64	0.92 61	0.94 83	0.25 58	0.24 77	0.24 50	0.22 49	0.23 42	0.26 61

NaN_ROB	0.69 63	0.44 90	0.69 68	0.51 78	0.33 57	0.97 75	1.06 121	1.22 82	1.19 83	1.24 92	0.96 31	1.08 64	0.78 62	1.20 88	0.67 46	0.24 56	0.30 98	0.23 44	0.24 66	0.23 42	0.25 57

XPNet_ROB	0.70 65	0.35 62	0.68 64	0.52 83	0.40 75	0.79 53	0.85 108	1.16 69	0.94 50	1.33 97	1.15 66	1.38 94	0.83 71	1.03 72	0.90 80	0.32 97	0.25 82	0.26 59	0.24 66	0.31 74	0.28 68

ETE_ROB	0.70 65	0.49 97	0.73 73	0.56 92	0.36 63	0.79 53	0.87 109	1.14 66	0.93 45	1.19 87	1.18 72	1.39 95	0.82 69	0.99 67	0.80 61	0.26 66	0.21 66	0.31 87	0.26 80	0.33 83	0.34 89

GANet	0.70 65	0.37 70	0.55 41	0.51 78	0.34 59	0.94 71	0.96 115	1.08 56	0.94 50	1.04 71	1.98 113	1.13 71	0.88 76	1.12 82	0.66 44	0.25 58	0.26 87	0.27 68	0.22 49	0.31 74	0.22 52

DISCO	0.70 65	0.26 29	0.68 64	0.44 41	0.31 48	1.14 96	0.51 62	1.23 85	1.23 89	0.81 28	1.05 47	1.50 105	0.85 72	1.82 121	1.03 94	0.19 25	0.15 28	0.18 23	0.16 20	0.24 47	0.23 53

DANet	0.71 69	0.45 91	0.91 89	0.59 97	0.40 75	0.81 59	0.40 35	0.97 26	0.84 25	1.20 89	1.22 75	1.33 88	0.88 76	1.16 85	1.24 106	0.27 71	0.23 74	0.31 87	0.25 70	0.35 93	0.32 82

RYNet	0.72 70	0.35 62	0.64 54	0.53 86	0.67 126	1.31 106	0.67 86	1.20 77	1.18 82	1.05 73	0.87 16	1.27 79	0.93 83	0.93 62	1.27 109	0.22 49	0.16 38	0.26 59	0.23 56	0.40 102	0.39 106

NCCL2	0.72 70	0.41 83	0.65 58	0.64 108	0.44 93	0.98 78	1.20 124	1.11 60	1.00 59	0.98 63	0.96 31	1.49 104	0.87 75	0.90 58	0.79 60	0.31 87	0.26 87	0.39 111	0.39 113	0.32 79	0.32 82

FAT-Stereo	0.73 72	0.33 56	0.75 76	0.49 63	0.37 66	0.71 42	0.59 75	1.36 103	1.30 97	1.03 70	1.40 88	1.59 112	1.15 98	0.87 51	0.86 66	0.28 74	0.28 91	0.28 73	0.23 56	0.28 63	0.38 104

LALA_ROB	0.74 73	0.43 86	0.69 68	0.54 89	0.40 75	1.01 81	0.95 114	1.21 79	1.07 72	1.22 90	1.12 61	1.56 110	0.79 64	1.04 73	0.86 66	0.33 101	0.22 68	0.35 100	0.30 89	0.35 93	0.31 79

S-Stereo	0.74 73	0.35 62	0.96 91	0.56 92	0.45 97	0.82 62	0.60 76	1.24 89	1.60 118	0.96 58	1.41 89	1.12 69	0.94 84	0.80 40	1.04 97	0.26 66	0.31 106	0.28 73	0.25 70	0.32 79	0.47 121

Anonymous Stereo	0.75 75	0.54 111	1.78 119	0.57 95	0.56 116	0.62 25	1.25 126	0.96 24	0.99 56	0.96 58	0.95 30	0.83 25	0.58 20	1.27 95	1.21 105	0.31 87	0.30 98	0.31 87	0.33 102	0.33 83	0.36 96

edge stereo	0.76 76	0.38 76	0.74 75	0.52 83	0.43 89	0.80 55	0.53 66	1.28 94	1.06 71	1.28 93	1.38 87	1.81 115	1.11 96	1.08 78	0.85 65	0.33 101	0.32 108	0.41 114	0.28 84	0.32 79	0.36 96

RP	0.76 76	0.36 67	0.63 53	0.66 116	0.58 122	0.80 55	0.55 69	1.14 66	1.22 88	0.97 61	1.65 102	1.43 99	1.32 110	1.01 70	0.84 63	0.33 101	0.30 98	0.36 104	0.30 89	0.34 89	0.34 89

Abc-Net	0.78 78	0.40 81	0.76 78	0.61 104	0.67 126	0.81 59	0.69 92	1.54 120	1.11 76	0.90 46	1.36 83	1.33 88	1.16 99	1.19 86	0.88 72	0.31 87	0.30 98	0.37 107	0.48 124	0.33 83	0.33 86
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Nwc_Net	0.78 78	0.38 76	0.73 73	0.60 102	0.55 113	1.05 88	0.55 69	1.67 127	1.05 66	0.88 43	1.86 109	1.40 97	1.09 94	1.10 80	0.87 70	0.30 85	0.25 82	0.36 104	0.38 110	0.29 65	0.29 73

NCC-stereo	0.78 78	0.40 81	0.76 78	0.61 104	0.67 126	0.81 59	0.69 92	1.54 120	1.11 76	0.90 46	1.36 83	1.33 88	1.16 99	1.19 86	0.88 72	0.31 87	0.30 98	0.37 107	0.48 124	0.33 83	0.33 86

RGC	0.79 81	0.59 115	0.71 71	0.65 113	0.65 125	0.92 70	0.58 74	1.29 96	1.05 66	1.07 77	1.45 96	1.47 102	1.03 90	1.21 90	0.88 72	0.32 97	0.30 98	0.48 124	0.40 115	0.37 96	0.37 99

ADCRef	0.80 82	0.43 86	1.32 113	0.50 71	0.45 97	1.07 89	0.51 62	1.07 54	0.98 54	1.17 85	1.42 90	0.87 34	0.91 79	0.85 49	3.19 125	0.18 21	0.16 38	0.23 44	0.23 56	0.22 41	0.21 44

GANetREF_RVC	0.80 82	0.75 125	0.86 88	0.66 116	0.42 85	1.15 98	0.98 116	1.14 66	1.19 83	1.01 68	1.02 42	1.10 66	0.90 78	1.15 84	0.76 58	0.48 126	0.39 122	0.57 132	0.38 110	0.63 131	0.46 119
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
stereogan	0.80 82	0.31 46	0.71 71	0.59 97	0.50 103	1.72 123	0.48 52	1.35 101	1.37 102	1.00 66	1.46 97	1.56 110	0.95 86	1.29 97	0.84 63	0.28 74	0.29 95	0.29 80	0.25 70	0.38 100	0.38 104

AF-Net	0.81 85	0.39 79	0.68 64	0.64 108	0.54 111	0.91 68	0.51 62	1.61 124	1.31 98	0.96 58	2.02 114	1.46 100	1.26 109	1.11 81	0.99 91	0.32 97	0.24 77	0.39 111	0.27 81	0.30 70	0.25 57

psmorigin	0.82 86	0.51 103	2.09 123	0.49 63	0.41 81	0.85 64	0.50 57	1.04 47	0.88 35	1.45 100	1.43 93	1.50 105	1.06 92	1.22 91	0.97 88	0.31 87	0.32 108	0.27 68	0.27 81	0.33 83	0.42 110

aanetorigin	0.83 87	0.56 112	1.87 120	0.49 63	0.38 69	0.56 14	0.66 85	0.70 3	1.00 59	2.42 125	2.02 114	1.31 83	1.18 102	0.93 62	1.13 102	0.20 32	0.18 47	0.20 29	0.19 29	0.27 61	0.30 76

CSAN	0.83 87	0.49 97	0.77 82	0.60 102	0.41 81	1.14 96	1.06 121	1.19 74	1.46 111	1.32 95	1.43 93	1.37 93	1.19 103	1.27 95	0.86 66	0.39 117	0.31 106	0.36 104	0.37 107	0.35 93	0.34 89

RTSC	0.87 89	0.48 94	1.23 108	0.52 83	0.37 66	1.13 95	0.50 57	1.34 99	1.79 121	1.51 102	1.24 77	1.12 69	0.81 67	1.62 114	2.16 122	0.25 58	0.19 57	0.23 44	0.24 66	0.30 70	0.31 79

PWC_ROB	0.87 89	0.52 107	1.28 110	0.50 71	0.32 52	0.91 68	0.37 22	1.36 103	1.46 111	1.61 107	2.59 125	1.16 73	1.01 89	1.34 100	1.40 114	0.25 58	0.18 47	0.28 73	0.20 35	0.29 65	0.28 68

FBW_ROB	0.88 91	0.50 101	0.85 86	0.55 91	0.40 75	1.17 100	0.78 103	1.50 115	1.37 102	1.33 97	1.27 79	1.48 103	1.00 88	2.57 133	0.98 90	0.25 58	0.32 108	0.45 118	0.30 89	0.34 89	0.28 68

DeepPrunerF	0.89 92	0.52 107	3.43 131	0.68 122	0.81 130	0.72 44	0.72 97	1.22 82	1.99 124	0.93 54	1.01 39	0.87 34	0.86 73	1.08 78	0.95 85	0.34 107	0.28 91	0.43 115	0.39 113	0.30 70	0.32 82

PWCDC_ROB	0.89 92	0.49 97	0.80 84	0.74 128	0.40 75	1.03 85	0.39 31	1.33 98	2.35 130	1.02 69	3.77 131	0.81 23	0.92 80	1.20 88	0.90 80	0.34 107	0.22 68	0.24 50	0.20 35	0.34 89	0.29 73

XQC	0.89 92	0.65 122	1.31 112	0.67 119	0.52 108	1.22 101	0.68 89	1.26 93	1.52 113	1.14 83	1.11 59	1.28 80	1.04 91	1.40 106	1.77 118	0.38 115	0.24 77	0.37 107	0.31 95	0.53 127	0.47 121

PASM	0.90 95	0.64 121	1.69 117	0.69 124	0.69 129	0.78 51	0.84 106	1.03 44	1.26 94	1.19 87	1.15 66	1.31 83	0.98 87	1.24 92	1.03 94	0.52 130	0.56 134	0.59 134	0.66 133	0.56 130	0.54 131

MDST_ROB	0.91 96	0.27 35	0.85 86	0.63 107	0.41 81	2.53 130	0.71 96	1.60 123	1.13 78	2.83 128	1.73 105	0.97 48	0.69 49	1.61 113	0.73 54	0.25 58	0.22 68	0.32 92	0.28 84	0.25 50	0.24 56

PDISCO_ROB	0.91 96	0.48 94	1.06 96	0.99 134	0.97 136	1.67 122	0.63 81	1.64 125	1.59 117	1.06 74	1.18 72	1.31 83	0.79 64	1.55 108	0.97 88	0.49 128	0.22 68	0.45 118	0.40 115	0.45 113	0.37 99

SHD	0.93 98	0.50 101	1.18 105	0.59 97	0.46 99	0.97 75	0.48 52	1.70 128	2.15 126	1.58 104	1.37 85	1.42 98	1.19 103	1.31 98	1.60 115	0.31 87	0.26 87	0.32 92	0.33 102	0.40 102	0.42 110

STTStereo_v2	0.95 99	0.46 92	1.04 94	0.64 108	0.48 100	2.12 128	0.64 83	1.01 35	0.87 31	1.75 113	2.82 127	1.30 81	1.64 121	1.06 74	0.96 86	0.36 111	0.29 95	0.35 100	0.25 70	0.45 113	0.42 110

G-Net	0.95 99	0.46 92	1.04 94	0.64 108	0.48 100	2.12 128	0.64 83	1.01 35	0.87 31	1.75 113	2.82 127	1.30 81	1.64 121	1.06 74	0.96 86	0.36 111	0.29 95	0.35 100	0.25 70	0.45 113	0.42 110

SGM_RVC	0.97 101	0.28 38	0.41 15	0.39 14	0.22 9	1.55 115	0.73 98	1.51 117	1.25 93	2.25 123	1.92 110	2.58 128	1.56 119	2.02 128	1.19 104	0.27 71	0.27 90	0.27 68	0.25 70	0.25 50	0.25 57
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DPSNet	0.99 102	0.42 85	1.88 121	0.53 86	0.41 81	1.59 118	1.26 127	2.21 136	1.43 107	1.10 79	1.11 59	1.46 100	1.95 128	1.34 100	1.26 107	0.34 107	0.25 82	0.25 55	0.21 41	0.46 116	0.37 99

MFN_U_SF_DS_RVC	1.02 103	0.57 114	1.51 115	0.67 119	0.50 103	2.57 131	1.66 135	1.20 77	1.43 107	1.38 99	1.57 101	1.33 88	0.92 80	1.64 117	0.88 72	0.37 114	0.39 122	0.46 121	0.60 132	0.41 107	0.40 108

ADCPNet	1.03 104	0.48 94	2.70 126	0.54 89	0.42 85	1.40 108	0.75 100	1.13 63	1.07 72	1.22 90	1.42 90	1.68 114	1.09 94	1.36 103	3.45 126	0.30 85	0.28 91	0.29 80	0.32 99	0.37 96	0.35 94

SuperB	1.04 105	0.37 70	4.81 133	0.43 37	0.31 48	0.99 79	0.46 50	1.02 40	2.09 125	1.09 78	1.09 56	0.75 15	0.81 67	1.06 74	1.76 117	0.19 25	0.15 28	0.17 19	0.15 16	2.82 141	0.26 61

ADCL	1.04 105	0.38 76	1.35 114	0.50 71	0.39 71	1.61 119	0.89 110	1.29 96	1.39 105	1.29 94	1.50 98	1.24 77	1.24 106	1.37 104	4.87 133	0.21 37	0.19 57	0.25 55	0.25 70	0.29 65	0.27 66

ADCP+	1.06 107	0.35 62	1.51 115	0.49 63	0.51 106	1.45 112	0.55 69	1.25 92	1.03 65	1.16 84	1.15 66	1.10 66	1.07 93	1.56 110	6.75 139	0.19 25	0.16 38	0.23 44	0.21 41	0.28 63	0.21 44

SAMSARA	1.07 108	0.65 122	1.19 106	1.06 137	0.90 132	1.76 124	1.76 136	1.46 112	1.44 109	1.51 102	1.16 70	2.00 122	1.14 97	1.48 107	1.31 111	0.39 117	0.44 130	0.35 100	0.38 110	0.49 120	0.49 126

SANet	1.07 108	0.41 83	1.06 96	0.48 59	0.30 40	1.41 109	0.94 113	1.42 109	3.36 137	1.58 104	2.43 120	2.33 126	1.70 123	1.34 100	1.07 99	0.28 74	0.24 77	0.26 59	0.23 56	0.34 89	0.30 76

MFN_U_SF_RVC	1.09 110	0.59 115	1.97 122	0.67 119	0.44 93	1.93 125	0.60 76	1.85 130	1.36 100	1.61 107	1.54 100	1.95 121	1.37 112	1.64 117	1.73 116	0.40 120	0.37 118	0.45 118	0.48 124	0.44 110	0.44 116

MFMNet_re	1.14 111	0.97 135	1.19 106	0.99 134	0.95 135	1.25 104	1.22 125	1.39 106	1.55 116	1.69 112	1.67 104	1.21 74	1.53 117	1.12 82	0.99 91	0.87 137	0.75 138	0.79 136	0.75 135	0.90 135	0.94 136

WCMA_ROB	1.14 111	0.36 67	0.76 78	0.49 63	0.44 93	1.23 102	0.67 86	1.11 60	1.23 89	2.84 129	3.95 135	3.28 132	1.83 126	1.25 93	0.99 91	0.44 122	0.34 115	0.34 98	0.37 107	0.41 107	0.40 108

ADCMid	1.14 111	0.52 107	2.23 124	0.53 86	0.43 89	1.07 89	0.75 100	1.23 85	1.05 66	2.15 121	1.44 95	1.50 105	1.43 116	1.56 110	5.01 134	0.26 66	0.24 77	0.29 80	0.31 95	0.37 96	0.33 86

AnyNet_C32	1.16 114	0.62 120	2.40 125	0.57 95	0.55 113	1.41 109	1.34 128	1.18 73	1.24 91	1.49 101	1.42 90	1.39 95	1.20 105	1.55 108	4.82 132	0.29 80	0.28 91	0.29 80	0.34 104	0.38 100	0.42 110

MSMD_ROB	1.21 115	0.49 97	0.62 50	0.59 97	0.50 103	1.62 120	0.67 86	1.23 85	1.24 91	2.45 126	3.77 131	3.09 131	2.98 135	1.32 99	0.81 62	0.45 123	0.41 125	0.49 127	0.51 129	0.47 118	0.44 116

pmcnn	1.23 116	0.29 41	0.96 91	0.40 21	0.23 12	0.95 73	0.69 92	1.16 69	1.28 95	1.67 111	2.33 117	11.15 142	0.86 73	0.93 62	0.88 72	0.15 4	0.12 7	0.12 1	0.10 4	0.15 7	0.15 9

NVStereoNet_ROB	1.24 117	0.90 130	1.13 101	0.86 131	0.88 131	1.11 94	0.99 117	1.42 109	1.53 114	1.59 106	2.48 121	2.24 124	1.53 117	1.96 127	1.30 110	0.76 136	0.70 136	0.78 135	1.00 140	0.71 133	0.88 134
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SPS-STEREO	1.25 118	0.93 131	1.06 96	1.04 136	1.03 138	1.41 109	0.91 112	1.51 117	1.19 83	2.09 120	1.83 107	1.94 120	1.39 113	1.62 114	1.39 113	0.97 138	0.94 139	0.90 137	0.89 137	0.96 137	0.96 137
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	1.28 119	0.67 124	1.28 110	0.74 128	0.62 124	1.50 113	0.84 106	1.99 133	2.96 135	2.18 122	2.36 119	1.85 118	1.95 128	1.92 124	1.94 119	0.39 117	0.36 117	0.49 127	0.37 107	0.51 123	0.64 132

MeshStereo	1.34 120	0.43 86	0.54 38	0.44 41	0.34 59	1.66 121	0.60 76	1.94 131	1.37 102	4.47 136	3.25 129	4.71 136	1.94 127	1.92 124	1.17 103	0.35 110	0.35 116	0.37 107	0.31 95	0.32 79	0.32 82
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
MSC_U_SF_DS_RVC	1.34 120	0.87 129	1.76 118	0.86 131	0.56 116	4.29 138	1.79 137	1.50 115	1.98 123	1.61 107	1.85 108	1.84 116	1.41 114	1.89 123	1.36 112	0.48 126	0.40 124	0.56 131	0.57 131	0.69 132	0.48 123

SGM+DAISY	1.35 122	0.94 132	1.25 109	0.96 133	1.00 137	1.52 114	1.02 120	1.34 99	1.21 86	2.64 127	2.65 126	2.44 127	1.56 119	1.64 117	1.26 107	0.97 138	0.95 140	0.90 137	0.90 138	0.94 136	0.96 137

FCDSN-DC	1.39 123	0.56 112	0.65 58	0.74 128	0.59 123	1.38 107	0.63 81	1.35 101	1.39 105	3.26 131	4.50 136	4.61 134	2.63 133	1.58 112	1.03 94	0.46 124	0.42 127	0.48 124	0.47 123	0.50 122	0.50 127
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
EDNetEfficient	1.46 124	0.80 127	6.12 134	0.47 57	0.39 71	0.69 40	0.83 104	0.90 18	2.77 134	3.50 133	1.96 112	1.66 113	2.03 130	1.26 94	4.18 130	0.21 37	0.18 47	0.21 34	0.20 35	0.41 107	0.39 106

ADCS	1.51 125	0.61 117	3.42 130	0.59 97	0.51 106	1.27 105	1.08 123	1.59 122	1.81 122	1.91 118	1.66 103	1.51 108	1.42 115	1.94 126	8.60 140	0.33 101	0.32 108	0.33 96	0.36 106	0.44 110	0.42 110

AnyNet_C01	1.56 126	1.05 136	7.45 135	0.64 108	0.54 111	1.99 126	1.38 129	1.43 111	1.36 100	1.63 110	1.92 110	1.84 116	1.33 111	2.40 131	4.03 127	0.33 101	0.32 108	0.32 92	0.34 104	0.44 110	0.45 118

FC-DCNN	1.59 127	0.51 103	0.66 61	0.61 104	0.49 102	1.56 116	0.70 95	1.66 126	1.53 114	4.64 137	4.62 137	5.85 138	3.34 136	1.84 122	1.11 101	0.46 124	0.42 127	0.47 122	0.46 120	0.48 119	0.46 119

ELAS_RVC	1.60 128	0.61 117	1.01 93	0.70 125	0.56 116	2.00 127	1.89 138	1.96 132	2.65 132	3.33 132	3.26 130	3.03 130	3.41 137	2.49 132	2.09 121	0.52 130	0.45 131	0.50 129	0.48 124	0.54 128	0.52 129
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DispFullNet	1.60 128	2.63 141	2.75 127	2.56 141	1.79 139	1.24 103	0.47 51	1.37 105	1.45 110	1.87 115	1.50 98	1.55 109	2.46 132	2.04 129	1.04 97	0.59 133	0.18 47	2.32 140	0.68 134	2.29 139	1.14 139

ELAS	1.63 130	0.61 117	0.95 90	0.68 122	0.55 113	3.01 137	1.55 134	2.39 137	2.33 129	3.64 134	3.89 134	2.75 129	2.90 134	2.15 130	2.27 124	0.52 130	0.45 131	0.50 129	0.48 124	0.54 128	0.52 129
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PWCK	1.92 131	1.66 138	3.12 129	1.65 139	0.91 133	2.84 135	2.26 139	2.10 134	2.41 131	2.36 124	2.31 116	2.22 123	1.82 125	3.43 134	2.03 120	1.61 140	0.71 137	1.51 139	0.82 136	1.69 138	0.91 135

RTS	1.98 132	0.96 133	11.36 139	0.65 113	0.57 120	2.77 133	1.40 130	1.39 106	2.26 127	1.89 116	2.56 123	1.32 86	1.25 107	5.20 136	4.05 128	0.31 87	0.22 68	0.29 80	0.29 87	0.40 102	0.37 99

RTSA	1.98 132	0.96 133	11.36 139	0.65 113	0.57 120	2.77 133	1.40 130	1.39 106	2.26 127	1.89 116	2.56 123	1.32 86	1.25 107	5.20 136	4.05 128	0.31 87	0.22 68	0.29 80	0.29 87	0.40 102	0.37 99

MADNet+	2.23 134	2.43 139	10.85 138	1.22 138	0.91 133	2.76 132	1.40 130	2.12 135	1.67 120	1.32 95	1.74 106	1.86 119	1.74 124	6.25 138	4.41 131	0.65 134	0.64 135	0.58 133	0.54 130	0.80 134	0.76 133

DPSimNet_ROB	3.58 135	2.45 140	8.57 136	2.53 140	2.37 140	2.88 136	3.77 141	3.14 138	3.23 136	4.71 138	3.86 133	4.68 135	4.87 139	4.07 135	5.62 135	2.33 141	2.33 141	2.47 141	2.52 141	2.51 140	2.64 140

MADNet++	4.03 136	2.70 142	3.44 132	3.72 142	3.44 141	4.44 139	3.52 140	3.95 140	3.61 138	4.46 135	4.98 139	4.10 133	4.58 138	7.00 139	5.89 136	3.74 142	3.67 142	3.27 142	2.71 142	3.70 142	3.66 141

SGM-ForestM	4.04 137	0.32 47	0.46 26	0.43 37	0.27 29	7.50 141	1.45 133	3.84 139	4.24 139	8.19 142	6.76 140	19.00 143	9.08 140	10.74 143	6.62 138	0.31 87	0.33 113	0.32 92	0.32 99	0.29 65	0.29 73

MANE	4.13 138	0.51 103	0.64 54	0.66 116	0.56 116	6.89 140	0.99 117	7.55 141	12.04 140	6.68 141	8.57 141	10.69 141	9.45 141	7.59 140	6.39 137	0.49 128	0.43 129	0.48 124	0.98 139	0.49 120	0.48 123

LE_ROB	4.42 139	0.24 20	2.75 127	0.42 31	0.23 12	1.57 117	0.90 111	1.71 129	17.88 146	16.56 145	4.88 138	5.17 137	18.85 146	1.63 116	14.62 141	0.17 15	0.14 21	0.16 14	0.16 20	0.19 26	0.17 25

LSM	4.74 140	0.77 126	10.16 137	0.70 125	56.56 148	1.02 83	1.00 119	1.24 89	1.62 119	2.04 119	2.34 118	1.33 88	1.17 101	1.38 105	1.09 100	0.33 101	0.49 133	0.39 111	0.46 120	0.51 123	10.09 142

EDNetEfficientorigin	9.93 141	1.15 137	175.16 149	0.48 59	0.36 63	1.04 87	0.68 89	1.24 89	2.69 133	3.17 130	2.50 122	2.30 125	2.07 131	1.76 120	2.21 123	0.20 32	0.18 47	0.24 50	0.19 29	0.51 123	0.50 127

DGTPSM_ROB	12.07 142	8.00 143	20.99 141	8.93 143	16.78 142	10.67 142	30.87 145	9.01 142	15.16 142	6.50 139	15.41 144	9.04 139	14.85 142	9.25 141	21.67 143	4.57 143	8.57 143	5.08 143	9.28 143	5.90 143	10.95 143

DPSMNet_ROB	12.08 143	8.00 143	21.00 142	8.97 144	16.79 143	10.67 142	30.89 146	9.02 143	15.17 143	6.51 140	15.41 144	9.04 139	14.85 142	9.27 142	21.67 143	4.58 144	8.57 143	5.09 144	9.29 144	5.90 143	10.95 143

BEATNet-Init1	15.13 144	0.82 128	50.86 148	0.72 127	0.53 109	38.10 148	7.03 142	11.83 144	14.25 141	29.78 147	30.17 147	48.21 149	22.64 147	26.78 146	18.11 142	0.42 121	0.38 120	0.47 122	0.46 120	0.51 123	0.48 123

DPSM	17.78 145	18.63 146	24.31 143	20.90 145	19.47 144	25.97 144	36.21 147	21.23 145	16.24 144	13.38 143	14.06 142	19.18 144	16.30 144	20.78 144	25.67 145	9.38 145	9.23 145	9.49 145	9.82 145	13.51 145	11.91 145

DPSM_ROB	17.78 145	18.63 146	24.31 143	20.90 145	19.47 144	25.97 144	36.21 147	21.23 145	16.24 144	13.38 143	14.06 142	19.18 144	16.30 144	20.78 144	25.67 145	9.38 145	9.23 145	9.49 145	9.82 145	13.51 145	11.91 145

MEDIAN_ROB	37.38 147	40.85 150	40.60 146	32.31 147	31.85 146	27.20 146	24.55 143	29.10 147	33.19 148	42.09 149	41.76 149	33.35 146	34.39 149	39.78 148	37.07 147	43.64 149	44.10 149	44.12 149	43.40 149	41.51 149	42.76 149

AVERAGE_ROB	37.58 148	40.13 149	40.15 145	34.81 148	33.82 147	28.55 147	25.10 144	32.02 148	34.06 149	41.28 148	40.66 148	34.46 147	34.81 150	39.18 147	37.57 148	42.78 148	43.44 148	43.82 148	43.03 148	40.47 148	41.51 148

LSM0	38.95 149	37.60 148	48.58 147	43.57 149	91.06 149	52.57 149	72.57 149	43.17 149	32.63 147	26.97 146	27.97 146	38.65 148	32.94 148	41.86 149	51.78 149	18.89 147	18.41 147	19.13 147	19.63 147	27.29 147	33.77 147

MSMDNet													0.43 7

ASD4		8.86 145

Low-res two-view benchmark