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

PMTNet	0.34 1	0.15 1	0.30 1	0.31 1	0.20 4	0.44 3	0.42 29	0.61 1	0.91 23	0.47 1	0.55 1	0.44 1	0.32 1	0.65 7	0.33 3	0.16 9	0.11 3	0.13 2	0.09 1	0.13 1	0.11 1

R-Stereo	0.39 2	0.18 2	0.42 11	0.42 20	0.26 18	0.40 1	0.32 6	0.72 2	0.34 1	0.89 29	1.28 61	0.57 4	0.35 3	0.42 1	0.32 1	0.15 3	0.12 5	0.14 5	0.12 6	0.14 2	0.13 4

DPM-Stereo	0.39 2	0.21 4	0.50 21	0.41 17	0.28 24	0.62 15	0.27 1	0.77 4	0.40 3	0.64 3	0.86 7	0.52 3	0.33 2	0.66 8	0.42 6	0.15 3	0.13 13	0.17 15	0.14 11	0.15 5	0.15 7

R-Stereo Train	0.39 2	0.18 2	0.42 11	0.42 20	0.26 18	0.40 1	0.32 6	0.72 2	0.34 1	0.89 29	1.28 61	0.57 4	0.35 3	0.42 1	0.32 1	0.15 3	0.12 5	0.14 5	0.12 6	0.14 2	0.13 4

HITNet	0.41 5	0.26 14	0.45 15	0.33 2	0.17 1	0.63 19	0.30 5	0.93 10	0.64 4	0.71 10	0.82 2	0.64 7	0.52 9	0.59 4	0.43 7	0.14 2	0.10 1	0.15 9	0.13 9	0.19 16	0.12 2
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
DN-CSS_ROB	0.43 6	0.26 14	0.62 33	0.40 14	0.29 26	0.44 3	0.27 1	0.77 4	0.75 9	0.72 11	1.09 39	0.48 2	0.43 5	0.69 15	0.37 4	0.15 3	0.12 5	0.21 19	0.19 20	0.18 12	0.16 11

BEATNet_4x	0.46 7	0.32 28	0.56 29	0.37 5	0.19 3	0.63 19	0.35 14	1.01 20	0.72 7	0.77 15	0.83 4	0.70 9	0.59 19	0.68 12	0.53 23	0.16 9	0.12 5	0.16 12	0.14 11	0.24 27	0.16 11

MLCV	0.47 8	0.24 10	0.61 32	0.37 5	0.17 1	0.61 11	0.33 10	0.80 6	0.87 14	0.94 39	1.13 46	0.72 10	0.43 5	0.89 37	0.51 18	0.13 1	0.10 1	0.13 2	0.11 4	0.14 2	0.12 2

CFNet_RVC	0.48 9	0.23 8	0.36 3	0.40 14	0.26 18	0.64 21	0.37 16	0.87 9	0.85 12	0.64 3	1.00 25	1.01 37	0.64 26	0.61 5	0.53 23	0.23 32	0.15 21	0.24 31	0.21 24	0.23 24	0.18 18

ccs	0.49 10	0.23 8	0.42 11	0.35 3	0.25 14	0.44 3	0.34 12	1.28 69	1.21 64	0.60 2	0.82 2	0.75 12	0.55 11	0.56 3	0.47 13	0.26 43	0.17 29	0.26 37	0.24 41	0.26 34	0.26 43

iResNet	0.49 10	0.29 21	0.79 62	0.42 20	0.21 5	0.61 11	0.40 22	0.82 7	0.99 36	0.87 26	1.12 44	0.69 8	0.53 10	0.78 24	0.51 18	0.15 3	0.11 3	0.14 5	0.12 6	0.17 9	0.15 7

AdaStereo	0.50 12	0.32 28	0.47 18	0.48 41	0.25 14	0.67 26	0.32 6	1.17 49	0.88 18	0.75 14	0.99 24	0.75 12	0.49 8	0.67 11	0.46 11	0.27 48	0.12 5	0.28 49	0.18 19	0.23 24	0.18 18
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 12	0.24 10	0.40 7	0.36 4	0.22 8	0.76 35	0.33 10	1.01 20	0.96 33	0.81 18	1.05 32	0.94 29	0.57 14	0.70 16	0.44 9	0.20 25	0.15 21	0.22 20	0.23 34	0.18 12	0.17 15

HSM	0.51 14	0.24 10	0.41 8	0.39 11	0.24 13	0.75 34	0.40 22	1.22 59	0.75 9	0.81 18	0.91 16	1.21 53	0.69 34	0.87 32	0.46 11	0.17 13	0.13 13	0.17 15	0.14 11	0.17 9	0.17 15

CFNet	0.51 14	0.29 21	0.46 16	0.41 17	0.27 21	0.70 29	0.32 6	1.13 41	1.00 39	0.72 11	1.07 36	0.85 21	0.60 20	0.76 20	0.52 21	0.19 20	0.14 18	0.23 26	0.23 34	0.21 19	0.16 11

iResNetv2_ROB	0.52 16	0.27 17	0.69 48	0.38 9	0.25 14	0.62 15	0.35 14	1.17 49	1.01 41	0.99 45	1.06 35	0.88 27	0.67 30	0.66 8	0.39 5	0.19 20	0.13 13	0.15 9	0.11 4	0.18 12	0.16 11

iResNet_ROB	0.52 16	0.21 4	0.53 24	0.37 5	0.21 5	0.61 11	0.29 4	1.51 90	1.32 76	0.90 32	1.02 27	0.80 16	0.62 23	0.76 20	0.43 7	0.16 9	0.12 5	0.13 2	0.09 1	0.15 5	0.18 18

DMCA	0.53 18	0.30 24	0.50 21	0.51 53	0.34 44	0.55 7	0.41 26	0.85 8	0.66 5	0.89 29	0.96 20	0.95 30	0.82 50	0.63 6	0.58 25	0.26 43	0.22 45	0.34 71	0.27 54	0.27 41	0.20 26

NLCA_NET_v2_RVC	0.53 18	0.32 28	0.64 36	0.44 28	0.30 28	0.66 24	0.44 32	1.04 30	0.88 18	0.91 36	0.91 16	0.99 36	0.60 20	0.68 12	0.60 27	0.21 27	0.17 29	0.22 20	0.22 29	0.21 19	0.21 28
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 18	0.32 28	0.64 36	0.44 28	0.30 28	0.65 22	0.44 32	1.02 25	0.88 18	0.92 37	0.92 18	0.98 34	0.61 22	0.68 12	0.61 28	0.21 27	0.17 29	0.22 20	0.21 24	0.21 19	0.21 28

HSM-Net_RVC	0.53 18	0.22 6	0.35 2	0.37 5	0.21 5	0.85 45	0.37 16	1.23 62	0.93 26	0.90 32	1.15 48	1.26 57	0.63 24	0.72 18	0.48 15	0.17 13	0.13 13	0.16 12	0.15 14	0.17 9	0.15 7
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
RASNet	0.53 18	0.22 6	0.52 23	0.38 9	0.22 8	0.68 28	0.38 19	0.97 14	0.88 18	0.73 13	1.04 30	1.03 39	0.92 61	0.90 38	0.86 48	0.16 9	0.14 18	0.14 5	0.17 18	0.15 5	0.13 4

DeepPruner_ROB	0.53 18	0.34 41	0.59 30	0.41 17	0.30 28	0.50 6	0.43 30	1.19 52	0.70 6	0.85 23	1.05 32	0.86 22	0.55 11	0.84 29	0.51 18	0.29 55	0.23 52	0.22 20	0.22 29	0.26 34	0.25 39

DMCA-RVC	0.54 24	0.30 24	0.59 30	0.46 37	0.29 26	0.62 15	0.41 26	0.95 11	0.72 7	0.88 27	0.98 23	1.06 42	0.66 28	0.66 8	0.67 34	0.31 62	0.23 52	0.32 64	0.28 57	0.25 30	0.20 26

STTStereo	0.55 25	0.37 48	0.76 57	0.44 28	0.31 36	0.60 10	0.44 32	0.96 12	0.86 13	0.99 45	0.90 14	0.96 31	0.58 16	0.71 17	0.61 28	0.25 37	0.23 52	0.26 37	0.32 73	0.24 27	0.23 35

FADNet_RVC	0.55 25	0.37 48	1.17 81	0.44 28	0.31 36	0.56 8	0.34 12	1.06 33	0.88 18	0.67 6	0.90 14	0.61 6	0.65 27	0.93 41	0.70 38	0.21 27	0.18 34	0.26 37	0.23 34	0.31 52	0.28 48

FADNet-RVC-Resample	0.56 27	0.33 37	1.16 80	0.49 44	0.34 44	0.71 30	0.43 30	1.01 20	0.93 26	0.82 21	0.87 9	0.74 11	0.67 30	0.73 19	0.45 10	0.18 17	0.18 34	0.26 37	0.27 54	0.26 34	0.27 46

TDLM	0.57 28	0.33 37	0.49 20	0.51 53	0.30 28	0.66 24	0.73 72	1.03 27	1.01 41	0.82 21	1.10 41	0.84 20	0.70 38	0.86 31	0.58 25	0.28 51	0.17 29	0.25 33	0.22 29	0.26 34	0.19 23

CVANet_RVC	0.57 28	0.33 37	0.44 14	0.47 40	0.32 40	0.67 26	0.61 56	1.05 31	0.93 26	0.85 23	1.04 30	1.01 37	0.73 41	0.83 28	0.52 21	0.29 55	0.19 38	0.27 45	0.25 45	0.31 52	0.21 28

AANet_RVC	0.57 28	0.32 28	0.54 25	0.45 35	0.27 21	0.57 9	0.48 37	1.00 17	1.28 73	0.86 25	1.33 63	0.87 23	0.58 16	1.07 54	0.75 40	0.18 17	0.12 5	0.15 9	0.13 9	0.18 12	0.18 18

NOSS_ROB	0.57 28	0.39 57	0.39 5	0.44 28	0.30 28	0.73 32	0.54 48	1.03 27	1.08 53	0.67 6	0.87 9	0.76 15	0.57 14	0.77 22	0.47 13	0.38 90	0.38 94	0.44 91	0.42 92	0.37 72	0.34 68

DLCB_ROB	0.58 32	0.28 19	0.47 18	0.49 44	0.32 40	0.77 36	0.50 41	0.99 16	0.92 24	1.04 50	1.14 47	1.21 53	0.69 34	0.88 34	0.69 36	0.20 25	0.20 42	0.22 20	0.22 29	0.21 19	0.18 18

StereoDRNet-Refined	0.58 32	0.32 28	0.54 25	0.46 37	0.30 28	0.96 53	0.40 22	1.00 17	0.94 30	1.12 59	1.08 37	0.96 31	0.67 30	0.90 38	0.89 59	0.17 13	0.13 13	0.22 20	0.21 24	0.20 18	0.19 23
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
CBMV_ROB	0.59 34	0.37 48	0.38 4	0.39 11	0.28 24	0.74 33	0.28 3	1.00 17	0.98 34	0.94 39	1.25 59	0.81 17	0.78 44	0.87 32	0.50 16	0.36 86	0.37 92	0.43 89	0.40 89	0.33 60	0.30 56

NVstereo2D	0.60 35	0.30 24	0.75 56	0.48 41	0.43 64	0.89 46	0.48 37	1.05 31	1.15 59	0.66 5	0.86 7	0.88 27	0.70 38	0.99 45	0.65 32	0.32 72	0.15 21	0.28 49	0.20 21	0.40 78	0.36 75

FADNet-RVC	0.60 35	0.53 87	1.14 79	0.46 37	0.39 50	0.61 11	0.39 20	1.12 40	0.87 14	0.70 8	0.84 5	1.04 40	0.55 11	0.94 44	0.69 36	0.26 43	0.25 60	0.28 49	0.28 57	0.31 52	0.31 58

FADNet	0.61 37	0.51 81	1.10 77	0.45 35	0.44 68	0.65 22	0.41 26	1.19 52	1.05 45	0.70 8	0.84 5	0.98 34	0.66 28	0.82 25	0.50 16	0.29 55	0.30 74	0.27 45	0.30 63	0.46 91	0.35 73

SGM-Forest	0.62 38	0.32 28	0.39 5	0.43 25	0.30 28	1.02 61	0.55 49	1.09 36	1.05 45	1.06 53	1.18 53	1.10 47	0.67 30	0.88 34	0.62 30	0.31 62	0.33 87	0.33 69	0.30 63	0.30 48	0.28 48
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 39	0.37 48	0.65 40	0.56 67	0.42 61	0.97 54	0.83 78	1.21 57	0.92 24	0.79 16	1.02 27	1.08 45	0.63 24	0.82 25	0.91 62	0.29 55	0.20 42	0.31 60	0.31 69	0.26 34	0.23 35

StereoDRNet	0.64 39	0.33 37	0.68 44	0.51 53	0.43 64	1.03 63	0.53 46	1.47 86	0.99 36	1.10 57	0.87 9	1.07 44	0.71 40	0.82 25	0.88 52	0.23 32	0.19 38	0.25 33	0.23 34	0.27 41	0.19 23

CBMV	0.64 39	0.35 42	0.41 8	0.42 20	0.25 14	1.01 59	0.77 76	1.13 41	1.09 54	1.17 63	1.22 56	1.04 40	0.75 42	0.88 34	0.63 31	0.28 51	0.30 74	0.34 71	0.30 63	0.26 34	0.26 43
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
DRN-Test	0.66 42	0.32 28	0.66 42	0.50 48	0.39 50	1.15 72	0.61 56	1.49 87	1.01 41	1.12 59	1.08 37	1.06 42	0.69 34	0.77 22	0.94 63	0.23 32	0.17 29	0.26 37	0.25 45	0.25 30	0.21 28

PA-Net	0.67 43	0.43 64	0.83 64	0.50 48	0.53 83	0.94 50	0.68 64	1.10 37	1.14 58	0.80 17	0.88 13	0.87 23	0.77 43	1.02 48	0.88 52	0.24 35	0.41 99	0.29 53	0.44 93	0.26 34	0.34 68
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 44	0.44 68	0.69 48	0.51 53	0.33 43	0.97 54	1.06 94	1.22 59	1.19 61	1.24 70	0.96 20	1.08 45	0.78 44	1.20 65	0.67 34	0.24 35	0.30 74	0.23 26	0.24 41	0.23 24	0.25 39

GANet	0.70 45	0.37 48	0.55 28	0.51 53	0.34 44	0.94 50	0.96 88	1.08 35	0.94 30	1.04 50	1.98 89	1.13 51	0.88 57	1.12 59	0.66 33	0.25 37	0.26 64	0.27 45	0.22 29	0.31 52	0.22 34

DISCO	0.70 45	0.26 14	0.68 44	0.44 28	0.31 36	1.14 70	0.51 43	1.23 62	1.23 67	0.81 18	1.05 32	1.50 83	0.85 53	1.82 94	1.03 72	0.19 20	0.15 21	0.18 18	0.16 16	0.24 27	0.23 35

ETE_ROB	0.70 45	0.49 75	0.73 53	0.56 67	0.36 48	0.79 38	0.87 82	1.14 44	0.93 26	1.19 65	1.18 53	1.39 73	0.82 50	0.99 45	0.80 43	0.26 43	0.21 44	0.31 60	0.26 53	0.33 60	0.34 68

XPNet_ROB	0.70 45	0.35 42	0.68 44	0.52 58	0.40 53	0.79 38	0.85 81	1.16 47	0.94 30	1.33 75	1.15 48	1.38 72	0.83 52	1.03 49	0.90 60	0.32 72	0.25 60	0.26 37	0.24 41	0.31 52	0.28 48

DANet	0.71 49	0.45 69	0.91 68	0.59 71	0.40 53	0.81 42	0.40 22	0.97 14	0.84 11	1.20 67	1.22 56	1.33 66	0.88 57	1.16 62	1.24 81	0.27 48	0.23 52	0.31 60	0.25 45	0.35 69	0.32 61

NCCL2	0.72 50	0.41 61	0.65 40	0.64 82	0.44 68	0.98 57	1.20 97	1.11 38	1.00 39	0.98 44	0.96 20	1.49 82	0.87 56	0.90 38	0.79 42	0.31 62	0.26 64	0.39 85	0.39 87	0.32 57	0.32 61

RYNet	0.72 50	0.35 42	0.64 36	0.53 61	0.67 99	1.31 80	0.67 61	1.20 55	1.18 60	1.05 52	0.87 9	1.27 58	0.93 64	0.93 41	1.27 84	0.22 31	0.16 26	0.26 37	0.23 34	0.40 78	0.39 84

LALA_ROB	0.74 52	0.43 64	0.69 48	0.54 64	0.40 53	1.01 59	0.95 87	1.21 57	1.07 51	1.22 68	1.12 44	1.56 87	0.79 46	1.04 50	0.86 48	0.33 76	0.22 45	0.35 74	0.30 63	0.35 69	0.31 58

Anonymous Stereo	0.75 53	0.54 88	1.78 96	0.57 69	0.56 90	0.62 15	1.25 99	0.96 12	0.99 36	0.96 41	0.95 19	0.83 19	0.58 16	1.27 70	1.21 80	0.31 62	0.30 74	0.31 60	0.33 76	0.33 60	0.36 75

edge stereo	0.76 54	0.38 54	0.74 55	0.52 58	0.43 64	0.80 40	0.53 46	1.28 69	1.06 50	1.28 71	1.38 67	1.81 90	1.11 74	1.08 55	0.85 47	0.33 76	0.32 83	0.41 88	0.28 57	0.32 57	0.36 75

RP	0.76 54	0.36 46	0.63 35	0.66 90	0.58 96	0.80 40	0.55 49	1.14 44	1.22 66	0.97 43	1.65 79	1.43 77	1.32 86	1.01 47	0.84 45	0.33 76	0.30 74	0.36 78	0.30 63	0.34 65	0.34 68

Nwc_Net	0.78 56	0.38 54	0.73 53	0.60 76	0.55 87	1.05 65	0.55 49	1.67 100	1.05 45	0.88 27	1.86 86	1.40 75	1.09 72	1.10 57	0.87 51	0.30 60	0.25 60	0.36 78	0.38 84	0.29 44	0.29 53

Abc-Net	0.78 56	0.40 59	0.76 57	0.61 78	0.67 99	0.81 42	0.69 66	1.54 93	1.11 55	0.90 32	1.36 64	1.33 66	1.16 76	1.19 63	0.88 52	0.31 62	0.30 74	0.37 81	0.48 97	0.33 60	0.33 65

NCC-stereo	0.78 56	0.40 59	0.76 57	0.61 78	0.67 99	0.81 42	0.69 66	1.54 93	1.11 55	0.90 32	1.36 64	1.33 66	1.16 76	1.19 63	0.88 52	0.31 62	0.30 74	0.37 81	0.48 97	0.33 60	0.33 65

RGC	0.79 59	0.59 90	0.71 51	0.65 87	0.65 98	0.92 49	0.58 53	1.29 71	1.05 45	1.07 55	1.45 73	1.47 80	1.03 69	1.21 67	0.88 52	0.32 72	0.30 74	0.48 98	0.40 89	0.37 72	0.37 78

GANetREF_RVC	0.80 60	0.75 100	0.86 67	0.66 90	0.42 61	1.15 72	0.98 89	1.14 44	1.19 61	1.01 48	1.02 27	1.10 47	0.90 59	1.15 61	0.76 41	0.48 100	0.39 96	0.57 105	0.38 84	0.63 104	0.46 95
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
ADCRef	0.80 60	0.43 64	1.32 90	0.50 48	0.45 72	1.07 66	0.51 43	1.07 34	0.98 34	1.17 63	1.42 68	0.87 23	0.91 60	0.85 30	3.19 99	0.18 17	0.16 26	0.23 26	0.23 34	0.22 23	0.21 28

stereogan	0.80 60	0.31 27	0.71 51	0.59 71	0.50 77	1.72 96	0.48 37	1.35 76	1.37 79	1.00 47	1.46 74	1.56 87	0.95 65	1.29 72	0.84 45	0.28 51	0.29 71	0.29 53	0.25 45	0.38 76	0.38 83

AF-Net	0.81 63	0.39 57	0.68 44	0.64 82	0.54 85	0.91 47	0.51 43	1.61 97	1.31 75	0.96 41	2.02 90	1.46 78	1.26 85	1.11 58	0.99 69	0.32 72	0.24 56	0.39 85	0.27 54	0.30 48	0.25 39

CSAN	0.83 64	0.49 75	0.77 61	0.60 76	0.41 58	1.14 70	1.06 94	1.19 52	1.46 87	1.32 73	1.43 71	1.37 71	1.19 79	1.27 70	0.86 48	0.39 92	0.31 82	0.36 78	0.37 81	0.35 69	0.34 68

PWC_ROB	0.87 65	0.52 84	1.28 87	0.50 48	0.32 40	0.91 47	0.37 16	1.36 77	1.46 87	1.61 84	2.59 99	1.16 52	1.01 68	1.34 75	1.40 89	0.25 37	0.18 34	0.28 49	0.20 21	0.29 44	0.28 48

RTSC	0.87 65	0.48 72	1.23 85	0.52 58	0.37 49	1.13 69	0.50 41	1.34 74	1.79 96	1.51 79	1.24 58	1.12 50	0.81 48	1.62 88	2.16 97	0.25 37	0.19 38	0.23 26	0.24 41	0.30 48	0.31 58

FBW_ROB	0.88 67	0.50 79	0.85 65	0.55 66	0.40 53	1.17 74	0.78 77	1.50 88	1.37 79	1.33 75	1.27 60	1.48 81	1.00 67	2.57 106	0.98 68	0.25 37	0.32 83	0.45 92	0.30 63	0.34 65	0.28 48

XQC	0.89 68	0.65 97	1.31 89	0.67 93	0.52 82	1.22 75	0.68 64	1.26 68	1.52 89	1.14 61	1.11 42	1.28 59	1.04 70	1.40 81	1.77 93	0.38 90	0.24 56	0.37 81	0.31 69	0.53 100	0.47 97

PWCDC_ROB	0.89 68	0.49 75	0.80 63	0.74 102	0.40 53	1.03 63	0.39 20	1.33 73	2.35 105	1.02 49	3.77 105	0.81 17	0.92 61	1.20 65	0.90 60	0.34 82	0.22 45	0.24 31	0.20 21	0.34 65	0.29 53

DeepPrunerF	0.89 68	0.52 84	3.43 106	0.68 96	0.81 103	0.72 31	0.72 71	1.22 59	1.99 99	0.93 38	1.01 26	0.87 23	0.86 54	1.08 55	0.95 64	0.34 82	0.28 68	0.43 89	0.39 87	0.30 48	0.32 61

PASM	0.90 71	0.64 96	1.69 94	0.69 98	0.69 102	0.78 37	0.84 79	1.03 27	1.26 72	1.19 65	1.15 48	1.31 62	0.98 66	1.24 68	1.03 72	0.52 104	0.56 107	0.59 107	0.66 106	0.56 103	0.54 104

PDISCO_ROB	0.91 72	0.48 72	1.06 74	0.99 107	0.97 109	1.67 95	0.63 58	1.64 98	1.59 93	1.06 53	1.18 53	1.31 62	0.79 46	1.55 83	0.97 67	0.49 102	0.22 45	0.45 92	0.40 89	0.45 88	0.37 78

MDST_ROB	0.91 72	0.27 17	0.85 65	0.63 81	0.41 58	2.53 103	0.71 70	1.60 96	1.13 57	2.83 104	1.73 82	0.97 33	0.69 34	1.61 87	0.73 39	0.25 37	0.22 45	0.32 64	0.28 57	0.25 30	0.24 38

SHD	0.93 74	0.50 79	1.18 82	0.59 71	0.46 73	0.97 54	0.48 37	1.70 101	2.15 101	1.58 81	1.37 66	1.42 76	1.19 79	1.31 73	1.60 90	0.31 62	0.26 64	0.32 64	0.33 76	0.40 78	0.42 87

STTStereo_v2	0.95 75	0.46 70	1.04 72	0.64 82	0.48 74	2.12 101	0.64 59	1.01 20	0.87 14	1.75 90	2.82 101	1.30 60	1.64 97	1.06 51	0.96 65	0.36 86	0.29 71	0.35 74	0.25 45	0.45 88	0.42 87

G-Net	0.95 75	0.46 70	1.04 72	0.64 82	0.48 74	2.12 101	0.64 59	1.01 20	0.87 14	1.75 90	2.82 101	1.30 60	1.64 97	1.06 51	0.96 65	0.36 86	0.29 71	0.35 74	0.25 45	0.45 88	0.42 87

SGM_RVC	0.97 77	0.28 19	0.41 8	0.39 11	0.22 8	1.55 88	0.73 72	1.51 90	1.25 71	2.25 100	1.92 87	2.58 102	1.56 95	2.02 101	1.19 79	0.27 48	0.27 67	0.27 45	0.25 45	0.25 30	0.25 39
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DPSNet	0.99 78	0.42 63	1.88 97	0.53 61	0.41 58	1.59 91	1.26 100	2.21 109	1.43 83	1.10 57	1.11 42	1.46 78	1.95 104	1.34 75	1.26 82	0.34 82	0.25 60	0.25 33	0.21 24	0.46 91	0.37 78

MFN_U_SF_DS_RVC	1.02 79	0.57 89	1.51 92	0.67 93	0.50 77	2.57 104	1.66 108	1.20 55	1.43 83	1.38 77	1.57 78	1.33 66	0.92 61	1.64 91	0.88 52	0.37 89	0.39 96	0.46 95	0.60 105	0.41 83	0.40 85

ADCPNet	1.03 80	0.48 72	2.70 101	0.54 64	0.42 61	1.40 81	0.75 74	1.13 41	1.07 51	1.22 68	1.42 68	1.68 89	1.09 72	1.36 78	3.45 100	0.30 60	0.28 68	0.29 53	0.32 73	0.37 72	0.35 73

ADCL	1.04 81	0.38 54	1.35 91	0.50 48	0.39 50	1.61 92	0.89 83	1.29 71	1.39 82	1.29 72	1.50 75	1.24 56	1.24 82	1.37 79	4.87 106	0.21 27	0.19 38	0.25 33	0.25 45	0.29 44	0.27 46

SuperB	1.04 81	0.37 48	4.81 108	0.43 25	0.31 36	0.99 58	0.46 35	1.02 25	2.09 100	1.09 56	1.09 39	0.75 12	0.81 48	1.06 51	1.76 92	0.19 20	0.15 21	0.17 15	0.15 14	2.82 114	0.26 43

ADCP+	1.06 83	0.35 42	1.51 92	0.49 44	0.51 80	1.45 85	0.55 49	1.25 67	1.03 44	1.16 62	1.15 48	1.10 47	1.07 71	1.56 85	6.75 112	0.19 20	0.16 26	0.23 26	0.21 24	0.28 43	0.21 28

SANet	1.07 84	0.41 61	1.06 74	0.48 41	0.30 28	1.41 82	0.94 86	1.42 82	3.36 110	1.58 81	2.43 95	2.33 100	1.70 99	1.34 75	1.07 75	0.28 51	0.24 56	0.26 37	0.23 34	0.34 65	0.30 56

SAMSARA	1.07 84	0.65 97	1.19 83	1.06 110	0.90 105	1.76 97	1.76 109	1.46 85	1.44 85	1.51 79	1.16 52	2.00 97	1.14 75	1.48 82	1.31 86	0.39 92	0.44 103	0.35 74	0.38 84	0.49 95	0.49 101

MFN_U_SF_RVC	1.09 86	0.59 90	1.97 98	0.67 93	0.44 68	1.93 98	0.60 54	1.85 103	1.36 77	1.61 84	1.54 77	1.95 96	1.37 88	1.64 91	1.73 91	0.40 95	0.37 92	0.45 92	0.48 97	0.44 85	0.44 92

MFMNet_re	1.14 87	0.97 109	1.19 83	0.99 107	0.95 108	1.25 78	1.22 98	1.39 79	1.55 92	1.69 89	1.67 81	1.21 53	1.53 93	1.12 59	0.99 69	0.87 110	0.75 111	0.79 109	0.75 108	0.90 108	0.94 109

WCMA_ROB	1.14 87	0.36 46	0.76 57	0.49 44	0.44 68	1.23 76	0.67 61	1.11 38	1.23 67	2.84 105	3.95 109	3.28 106	1.83 102	1.25 69	0.99 69	0.44 97	0.34 89	0.34 71	0.37 81	0.41 83	0.40 85

ADCMid	1.14 87	0.52 84	2.23 99	0.53 61	0.43 64	1.07 66	0.75 74	1.23 62	1.05 45	2.15 98	1.44 72	1.50 83	1.43 92	1.56 85	5.01 107	0.26 43	0.24 56	0.29 53	0.31 69	0.37 72	0.33 65

AnyNet_C32	1.16 90	0.62 95	2.40 100	0.57 69	0.55 87	1.41 82	1.34 101	1.18 51	1.24 69	1.49 78	1.42 68	1.39 73	1.20 81	1.55 83	4.82 105	0.29 55	0.28 68	0.29 53	0.34 78	0.38 76	0.42 87

MSMD_ROB	1.21 91	0.49 75	0.62 33	0.59 71	0.50 77	1.62 93	0.67 61	1.23 62	1.24 69	2.45 102	3.77 105	3.09 105	2.98 108	1.32 74	0.81 44	0.45 98	0.41 99	0.49 100	0.51 102	0.47 93	0.44 92

pmcnn	1.23 92	0.29 21	0.96 70	0.40 14	0.23 11	0.95 52	0.69 66	1.16 47	1.28 73	1.67 88	2.33 92	11.15 115	0.86 54	0.93 41	0.88 52	0.15 3	0.12 5	0.12 1	0.10 3	0.15 5	0.15 7

NVStereoNet_ROB	1.24 93	0.90 104	1.13 78	0.86 104	0.88 104	1.11 68	0.99 90	1.42 82	1.53 90	1.59 83	2.48 96	2.24 99	1.53 93	1.96 100	1.30 85	0.76 109	0.70 109	0.78 108	1.00 113	0.71 106	0.88 107
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 94	0.93 105	1.06 74	1.04 109	1.03 111	1.41 82	0.91 85	1.51 90	1.19 61	2.09 97	1.83 84	1.94 95	1.39 89	1.62 88	1.39 88	0.97 111	0.94 112	0.90 110	0.89 110	0.96 110	0.96 110
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	1.28 95	0.67 99	1.28 87	0.74 102	0.62 97	1.50 86	0.84 79	1.99 106	2.96 108	2.18 99	2.36 94	1.85 93	1.95 104	1.92 97	1.94 94	0.39 92	0.36 91	0.49 100	0.37 81	0.51 97	0.64 105

MeshStereo	1.34 96	0.43 64	0.54 25	0.44 28	0.34 44	1.66 94	0.60 54	1.94 104	1.37 79	4.47 109	3.25 103	4.71 109	1.94 103	1.92 97	1.17 78	0.35 85	0.35 90	0.37 81	0.31 69	0.32 57	0.32 61
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 96	0.87 103	1.76 95	0.86 104	0.56 90	4.29 111	1.79 110	1.50 88	1.98 98	1.61 84	1.85 85	1.84 91	1.41 90	1.89 96	1.36 87	0.48 100	0.40 98	0.56 104	0.57 104	0.69 105	0.48 98

SGM+DAISY	1.35 98	0.94 106	1.25 86	0.96 106	1.00 110	1.52 87	1.02 93	1.34 74	1.21 64	2.64 103	2.65 100	2.44 101	1.56 95	1.64 91	1.26 82	0.97 111	0.95 113	0.90 110	0.90 111	0.94 109	0.96 110

ADCS	1.51 99	0.61 92	3.42 105	0.59 71	0.51 80	1.27 79	1.08 96	1.59 95	1.81 97	1.91 95	1.66 80	1.51 85	1.42 91	1.94 99	8.60 113	0.33 76	0.32 83	0.33 69	0.36 80	0.44 85	0.42 87

AnyNet_C01	1.56 100	1.05 110	7.45 109	0.64 82	0.54 85	1.99 99	1.38 102	1.43 84	1.36 77	1.63 87	1.92 87	1.84 91	1.33 87	2.40 104	4.03 101	0.33 76	0.32 83	0.32 64	0.34 78	0.44 85	0.45 94

FC-DCNN	1.59 101	0.51 81	0.66 42	0.61 78	0.49 76	1.56 89	0.70 69	1.66 99	1.53 90	4.64 110	4.62 110	5.85 111	3.34 109	1.84 95	1.11 77	0.46 99	0.42 101	0.47 96	0.46 94	0.48 94	0.46 95

DispFullNet	1.60 102	2.63 114	2.75 102	2.56 114	1.79 112	1.24 77	0.47 36	1.37 78	1.45 86	1.87 92	1.50 75	1.55 86	2.46 106	2.04 102	1.04 74	0.59 107	0.18 34	2.32 113	0.68 107	2.29 112	1.14 112

ELAS_RVC	1.60 102	0.61 92	1.01 71	0.70 99	0.56 90	2.00 100	1.89 111	1.96 105	2.65 107	3.33 106	3.26 104	3.03 104	3.41 110	2.49 105	2.09 96	0.52 104	0.45 104	0.50 102	0.48 97	0.54 101	0.52 102
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.63 104	0.61 92	0.95 69	0.68 96	0.55 87	3.01 110	1.55 107	2.39 110	2.33 104	3.64 107	3.89 108	2.75 103	2.90 107	2.15 103	2.27 98	0.52 104	0.45 104	0.50 102	0.48 97	0.54 101	0.52 102
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PWCK	1.92 105	1.66 111	3.12 104	1.65 112	0.91 106	2.84 108	2.26 112	2.10 107	2.41 106	2.36 101	2.31 91	2.22 98	1.82 101	3.43 107	2.03 95	1.61 113	0.71 110	1.51 112	0.82 109	1.69 111	0.91 108

RTS	1.98 106	0.96 107	11.36 113	0.65 87	0.57 94	2.77 106	1.40 103	1.39 79	2.26 102	1.89 93	2.56 97	1.32 64	1.25 83	5.20 109	4.05 102	0.31 62	0.22 45	0.29 53	0.29 61	0.40 78	0.37 78

RTSA	1.98 106	0.96 107	11.36 113	0.65 87	0.57 94	2.77 106	1.40 103	1.39 79	2.26 102	1.89 93	2.56 97	1.32 64	1.25 83	5.20 109	4.05 102	0.31 62	0.22 45	0.29 53	0.29 61	0.40 78	0.37 78

MADNet+	2.23 108	2.43 112	10.85 112	1.22 111	0.91 106	2.76 105	1.40 103	2.12 108	1.67 95	1.32 73	1.74 83	1.86 94	1.74 100	6.25 111	4.41 104	0.65 108	0.64 108	0.58 106	0.54 103	0.80 107	0.76 106

DPSimNet_ROB	3.58 109	2.45 113	8.57 110	2.53 113	2.37 113	2.88 109	3.77 114	3.14 111	3.23 109	4.71 111	3.86 107	4.68 108	4.87 112	4.07 108	5.62 108	2.33 114	2.33 114	2.47 114	2.52 114	2.51 113	2.64 113

MADNet++	4.03 110	2.70 115	3.44 107	3.72 115	3.44 114	4.44 112	3.52 113	3.95 113	3.61 111	4.46 108	4.98 112	4.10 107	4.58 111	7.00 112	5.89 109	3.74 115	3.67 115	3.27 115	2.71 115	3.70 115	3.66 114

SGM-ForestM	4.04 111	0.32 28	0.46 16	0.43 25	0.27 21	7.50 114	1.45 106	3.84 112	4.24 112	8.19 115	6.76 113	19.00 116	9.08 113	10.74 116	6.62 111	0.31 62	0.33 87	0.32 64	0.32 73	0.29 44	0.29 53

MANE	4.13 112	0.51 81	0.64 36	0.66 90	0.56 90	6.89 113	0.99 90	7.55 114	12.04 113	6.68 114	8.57 114	10.69 114	9.45 114	7.59 113	6.39 110	0.49 102	0.43 102	0.48 98	0.98 112	0.49 95	0.48 98

LE_ROB	4.42 113	0.24 10	2.75 102	0.42 20	0.23 11	1.57 90	0.90 84	1.71 102	17.88 119	16.56 118	4.88 111	5.17 110	18.85 119	1.63 90	14.62 114	0.17 13	0.14 18	0.16 12	0.16 16	0.19 16	0.17 15

LSM	4.74 114	0.77 101	10.16 111	0.70 99	56.56 121	1.02 61	1.00 92	1.24 66	1.62 94	2.04 96	2.34 93	1.33 66	1.17 78	1.38 80	1.09 76	0.33 76	0.49 106	0.39 85	0.46 94	0.51 97	10.09 115

DGTPSM_ROB	12.07 115	8.00 116	20.99 115	8.93 116	16.78 115	10.67 115	30.87 118	9.01 115	15.16 115	6.50 112	15.41 117	9.04 112	14.85 115	9.25 114	21.67 116	4.57 116	8.57 116	5.08 116	9.28 116	5.90 116	10.95 116

DPSMNet_ROB	12.08 116	8.00 116	21.00 116	8.97 117	16.79 116	10.67 115	30.89 119	9.02 116	15.17 116	6.51 113	15.41 117	9.04 112	14.85 115	9.27 115	21.67 116	4.58 117	8.57 116	5.09 117	9.29 117	5.90 116	10.95 116

BEATNet-Init1	15.13 117	0.82 102	50.86 122	0.72 101	0.53 83	38.10 121	7.03 115	11.83 117	14.25 114	29.78 120	30.17 120	48.21 122	22.64 120	26.78 119	18.11 115	0.42 96	0.38 94	0.47 96	0.46 94	0.51 97	0.48 98

DPSM	17.78 118	18.63 118	24.31 117	20.90 118	19.47 117	25.97 117	36.21 120	21.23 118	16.24 117	13.38 116	14.06 115	19.18 117	16.30 117	20.78 117	25.67 118	9.38 118	9.23 118	9.49 118	9.82 118	13.51 118	11.91 118

DPSM_ROB	17.78 118	18.63 118	24.31 117	20.90 118	19.47 117	25.97 117	36.21 120	21.23 118	16.24 117	13.38 116	14.06 115	19.18 117	16.30 117	20.78 117	25.67 118	9.38 118	9.23 118	9.49 118	9.82 118	13.51 118	11.91 118

MEDIAN_ROB	37.38 120	40.85 122	40.60 120	32.31 120	31.85 119	27.20 119	24.55 116	29.10 120	33.19 121	42.09 122	41.76 122	33.35 119	34.39 122	39.78 121	37.07 120	43.64 122	44.10 122	44.12 122	43.40 122	41.51 122	42.76 122

AVERAGE_ROB	37.58 121	40.13 121	40.15 119	34.81 121	33.82 120	28.55 120	25.10 117	32.02 121	34.06 122	41.28 121	40.66 121	34.46 120	34.81 123	39.18 120	37.57 121	42.78 121	43.44 121	43.82 121	43.03 121	40.47 121	41.51 121

LSM0	38.95 122	37.60 120	48.58 121	43.57 122	91.06 122	52.57 122	72.57 122	43.17 122	32.63 120	26.97 119	27.97 119	38.65 121	32.94 121	41.86 122	51.78 122	18.89 120	18.41 120	19.13 120	19.63 120	27.29 120	33.77 120

MSMDNet													0.43 5

Low-res two-view benchmark