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

R-Stereo	0.57 1	0.26 2	0.63 7	0.54 10	0.36 13	0.69 3	0.54 17	1.22 3	0.72 2	1.61 55	1.50 50	0.75 4	0.53 2	0.64 1	0.44 1	0.18 2	0.15 8	0.17 3	0.15 6	0.17 2	0.17 4

R-Stereo Train	0.57 1	0.26 2	0.63 7	0.54 10	0.36 13	0.69 3	0.54 17	1.22 3	0.72 2	1.61 55	1.50 50	0.75 4	0.53 2	0.64 1	0.44 1	0.18 2	0.15 8	0.17 3	0.15 6	0.17 2	0.17 4

PMTNet	0.57 1	0.23 1	0.44 1	0.39 1	0.27 4	1.01 27	0.58 28	1.18 1	1.35 46	0.74 1	0.83 1	0.60 1	0.53 2	1.84 32	0.55 4	0.20 10	0.14 3	0.16 2	0.11 1	0.16 1	0.14 1

DPM-Stereo	0.62 4	0.30 6	0.83 18	0.48 2	0.36 13	0.95 22	0.33 1	2.37 95	0.67 1	1.25 23	1.00 4	0.68 2	0.51 1	0.91 4	0.61 7	0.18 2	0.15 8	0.21 14	0.17 11	0.19 6	0.19 8

DN-CSS_ROB	0.64 5	0.32 9	1.05 31	0.55 13	0.40 23	0.54 1	0.45 4	1.21 2	0.93 4	1.03 11	1.47 47	0.69 3	0.63 6	1.76 28	0.49 3	0.18 2	0.14 3	0.25 19	0.22 20	0.22 11	0.20 11

HITNet	0.65 6	0.40 23	0.77 15	0.48 2	0.24 2	1.05 31	0.49 10	1.76 40	1.02 8	1.18 20	1.18 15	0.89 6	0.80 16	0.85 3	0.79 20	0.17 1	0.12 1	0.21 14	0.17 11	0.29 20	0.15 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
ccs	0.69 7	0.29 4	0.64 10	0.55 13	0.32 8	0.63 2	0.45 4	2.30 92	1.43 56	0.85 2	1.02 6	1.05 12	0.75 10	0.97 6	0.69 10	0.30 38	0.25 41	0.30 32	0.29 41	0.31 28	0.35 49

AdaStereo	0.70 8	0.43 31	0.75 13	0.73 67	0.37 17	0.92 17	0.53 15	1.85 54	1.18 16	1.12 14	1.23 19	1.07 13	0.65 8	0.96 5	0.63 8	0.31 41	0.15 8	0.32 38	0.21 18	0.29 20	0.22 16
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.
MLCV	0.72 9	0.34 13	1.10 36	0.51 4	0.23 1	0.91 14	0.39 3	1.33 5	1.23 25	1.46 44	1.55 54	1.01 10	0.64 7	1.95 39	0.80 23	0.18 2	0.12 1	0.18 7	0.14 4	0.19 6	0.17 4

CFNet_RVC	0.72 9	0.32 9	0.54 3	0.66 41	0.54 45	0.83 8	0.55 22	1.37 6	1.15 13	0.93 5	1.28 24	1.57 47	0.97 32	1.35 10	0.81 25	0.26 29	0.20 24	0.33 43	0.25 24	0.30 25	0.23 18

BEATNet_4x	0.73 11	0.49 46	1.17 43	0.53 7	0.26 3	1.03 28	0.55 22	1.82 51	1.06 9	1.21 21	1.22 18	0.96 9	0.91 26	1.01 7	1.06 36	0.21 13	0.14 3	0.24 18	0.19 14	0.37 42	0.21 12

DeepPruner_ROB	0.74 12	0.48 44	0.87 22	0.57 17	0.44 29	0.79 7	0.54 17	1.73 35	0.96 7	1.38 38	1.27 22	1.24 22	0.73 9	1.43 11	0.73 13	0.34 53	0.28 51	0.27 21	0.26 27	0.31 28	0.31 40

DMCA	0.74 12	0.39 22	0.87 22	0.65 39	0.56 49	0.74 5	0.56 25	1.37 6	0.94 5	1.42 42	1.13 8	1.35 30	0.98 35	1.31 9	0.80 23	0.31 41	0.25 41	0.38 60	0.32 52	0.32 33	0.25 22

iResNet	0.75 14	0.40 23	1.36 62	0.67 44	0.29 5	0.92 17	0.59 29	1.52 18	1.25 29	1.28 26	1.48 48	0.94 8	0.76 13	1.62 22	0.78 18	0.18 2	0.14 3	0.18 7	0.15 6	0.22 11	0.23 18

iResNet_ROB	0.77 15	0.30 6	0.99 28	0.57 17	0.36 13	0.83 8	0.36 2	2.33 93	1.58 70	1.27 24	1.30 27	1.25 24	0.84 17	1.65 23	0.79 20	0.20 10	0.14 3	0.17 3	0.12 2	0.18 4	0.27 25

STTStereo	0.78 16	0.50 50	1.22 45	0.64 35	0.54 45	0.89 10	0.54 17	1.44 11	1.11 11	1.38 38	1.09 7	1.27 27	0.85 19	1.43 11	0.83 26	0.29 36	0.27 47	0.33 43	0.39 70	0.32 33	0.30 36

ccs_rob	0.79 17	0.32 9	0.83 18	0.60 21	0.34 10	1.03 28	0.46 6	1.81 50	1.31 37	1.12 14	1.35 34	1.18 18	0.77 14	2.63 62	0.60 6	0.23 17	0.18 20	0.27 21	0.27 30	0.23 14	0.21 12

NLCA_NET_v2_RVC	0.79 17	0.43 31	1.05 31	0.64 35	0.58 57	0.95 22	0.53 15	1.53 21	1.18 16	1.37 35	1.15 12	1.43 36	0.88 22	1.61 21	0.84 27	0.25 25	0.22 31	0.27 21	0.27 30	0.29 20	0.29 31
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	0.79 17	0.43 31	1.05 31	0.63 29	0.56 49	0.94 20	0.54 17	1.51 15	1.18 16	1.37 35	1.17 13	1.42 35	0.89 23	1.69 25	0.87 29	0.25 25	0.22 31	0.27 21	0.26 27	0.29 20	0.30 36

DMCA-RVC	0.79 17	0.41 26	1.25 50	0.63 29	0.50 38	0.89 10	0.61 32	1.39 9	0.95 6	1.35 34	1.19 16	1.62 50	0.84 17	1.48 13	0.86 28	0.35 58	0.27 47	0.37 57	0.32 52	0.31 28	0.25 22

StereoDRNet-Refined	0.80 21	0.41 26	0.88 24	0.62 26	0.42 25	1.33 50	0.48 9	1.52 18	1.17 15	1.45 43	1.44 45	1.44 39	0.90 25	1.26 8	1.24 43	0.20 10	0.16 14	0.27 21	0.24 21	0.25 16	0.28 29
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iResNetv2_ROB	0.80 21	0.37 18	1.71 75	0.56 15	0.37 17	0.94 20	0.64 34	1.73 35	1.34 42	1.23 22	1.42 42	1.26 25	0.92 28	1.85 34	0.56 5	0.23 17	0.15 8	0.19 9	0.14 4	0.24 15	0.19 8

FADNet_RVC	0.83 23	0.51 53	1.83 77	0.54 10	0.42 25	1.19 41	0.46 6	1.51 15	1.09 10	0.89 3	1.24 20	0.91 7	0.87 21	2.11 42	1.11 38	0.27 32	0.22 31	0.31 35	0.28 36	0.43 62	0.38 58

FADNet-RVC-Resample	0.84 24	0.47 40	2.10 80	0.61 24	0.45 30	1.07 33	0.61 32	1.59 25	1.20 22	1.08 12	0.98 3	1.03 11	0.98 35	2.17 44	0.72 12	0.23 17	0.22 31	0.30 32	0.32 52	0.35 38	0.34 45

DLCB_ROB	0.86 25	0.40 23	0.78 16	0.68 49	0.54 45	1.11 34	0.84 47	1.49 13	1.23 25	1.64 58	1.65 57	1.70 56	0.91 26	1.70 26	1.05 35	0.25 25	0.24 39	0.26 20	0.27 30	0.27 19	0.24 20

HSM-Net_RVC	0.87 26	0.29 4	0.53 2	0.53 7	0.30 7	1.15 39	0.55 22	3.57 109	1.28 36	1.53 49	1.74 64	1.68 54	0.93 30	1.49 14	0.77 17	0.22 15	0.17 16	0.19 9	0.18 13	0.20 8	0.19 8
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
FADNet-RVC	0.88 27	0.67 80	1.93 79	0.60 21	0.48 34	0.91 14	0.60 31	1.71 33	1.18 16	0.90 4	0.96 2	1.36 31	0.92 28	2.25 50	1.17 40	0.30 38	0.29 55	0.32 38	0.32 52	0.41 55	0.35 49

PSMNet_ROB	0.90 28	0.52 54	1.17 43	0.72 61	0.61 60	1.27 46	1.12 73	1.76 40	1.12 12	1.09 13	1.28 24	1.45 40	0.89 23	1.65 23	1.42 60	0.33 47	0.25 41	0.37 57	0.39 70	0.35 38	0.29 31

CBMV_ROB	0.90 28	0.44 35	0.63 7	0.51 4	0.37 17	1.25 45	0.49 10	1.77 43	1.27 33	1.41 41	2.00 76	1.33 29	1.08 46	2.17 44	0.76 16	0.43 77	0.42 87	0.47 85	0.44 82	0.41 55	0.36 52

NVstereo2D	0.92 30	0.41 26	1.48 67	0.72 61	0.72 69	1.20 43	0.87 51	1.75 38	1.38 51	0.99 7	1.13 8	1.26 25	0.98 35	2.21 48	0.89 30	0.43 77	0.20 24	0.38 60	0.24 21	0.57 87	0.63 98

FADNet	0.92 30	0.61 73	1.81 76	0.62 26	0.55 48	0.96 24	0.57 26	1.78 47	1.33 41	0.93 5	1.01 5	1.36 31	1.01 40	2.71 65	0.75 14	0.33 47	0.34 68	0.31 35	0.34 60	0.59 90	0.40 59

CBMV	0.95 32	0.44 35	0.66 12	0.53 7	0.35 11	1.53 60	1.63 90	1.69 30	1.42 55	2.00 77	1.60 56	1.43 36	1.17 51	1.59 19	0.99 34	0.34 53	0.34 68	0.39 66	0.33 57	0.33 37	0.32 41
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ETE_ROB	0.96 33	0.64 78	1.16 41	0.69 50	0.48 34	1.14 37	1.13 74	1.77 43	1.19 20	1.91 74	1.45 46	1.73 57	1.05 43	1.60 20	1.14 39	0.32 45	0.26 45	0.38 60	0.34 60	0.39 51	0.41 62

CFNet	0.96 33	0.36 16	1.01 29	0.62 26	0.42 25	0.99 26	0.47 8	1.90 62	1.32 39	0.99 7	1.39 38	1.10 15	0.86 20	5.58 89	0.79 20	0.23 17	0.17 16	0.28 27	0.27 30	0.26 18	0.21 12

XPNet_ROB	0.96 33	0.49 46	1.09 35	0.72 61	0.57 51	1.11 34	1.14 75	1.66 28	1.23 25	1.85 69	1.39 38	1.64 52	1.11 48	1.80 30	1.42 60	0.38 66	0.30 57	0.33 43	0.29 41	0.37 42	0.34 45

StereoDRNet	0.98 36	0.47 40	1.70 74	0.76 72	0.94 93	1.51 58	0.91 56	1.92 65	1.32 39	1.61 55	1.13 8	1.47 43	0.97 32	1.75 27	1.46 63	0.28 34	0.23 36	0.29 29	0.27 30	0.35 38	0.27 25

NCCL2	1.00 37	0.56 61	1.06 34	0.75 71	0.57 51	1.31 49	1.72 91	1.77 43	1.36 48	1.50 47	1.17 13	1.91 64	1.17 51	1.54 16	1.29 50	0.35 58	0.31 61	0.45 79	0.44 82	0.40 54	0.40 59

DRN-Test	1.00 37	0.44 35	1.13 39	0.70 54	0.81 84	1.62 64	0.79 46	2.14 80	1.44 58	1.78 65	1.33 31	1.43 36	1.05 43	2.18 47	1.53 67	0.27 32	0.21 27	0.31 35	0.30 46	0.32 33	0.28 29

LALA_ROB	1.01 39	0.59 66	1.16 41	0.67 44	0.51 43	1.63 65	1.26 81	1.69 30	1.38 51	1.81 67	1.37 35	1.94 69	1.02 41	1.58 18	1.38 57	0.37 63	0.27 47	0.43 76	0.37 68	0.43 62	0.37 53

PA-Net	1.01 39	0.57 63	1.29 54	0.64 35	0.74 71	1.19 41	0.84 47	1.69 30	1.43 56	1.16 18	1.19 16	1.32 28	1.19 54	3.42 73	1.25 44	0.29 36	0.45 94	0.33 43	0.49 92	0.32 33	0.47 78
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	1.03 41	0.34 13	1.11 37	0.69 50	0.45 30	2.07 80	0.84 47	2.13 79	1.50 63	1.15 17	1.33 31	2.40 86	1.07 45	2.60 60	1.51 66	0.23 17	0.18 20	0.22 16	0.20 17	0.31 28	0.27 25

TDLM	1.06 42	0.44 35	0.79 17	0.63 29	0.50 38	0.89 10	1.44 86	1.48 12	1.26 30	1.12 14	1.40 40	1.08 14	0.98 35	6.65 95	0.78 18	0.33 47	0.21 27	0.33 43	0.26 27	0.37 42	0.24 20

CVANet_RVC	1.07 43	0.43 31	0.76 14	0.60 21	0.50 38	0.90 13	0.97 64	1.52 18	1.26 30	1.33 32	1.38 36	1.24 22	1.18 53	6.75 97	0.75 14	0.34 53	0.23 36	0.34 49	0.29 41	0.42 58	0.27 25

GANetREF_RVC	1.07 43	0.86 95	1.31 56	0.82 75	0.53 44	1.41 54	1.31 83	1.76 40	1.52 65	1.27 24	1.31 29	1.46 42	1.24 56	2.03 40	0.96 33	0.56 99	0.45 94	0.67 104	0.50 93	0.88 104	0.59 93
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
DANet	1.08 45	0.61 73	1.32 58	0.85 80	0.72 69	1.37 52	0.51 13	1.54 22	1.15 13	1.78 65	1.54 53	2.01 74	1.11 48	2.90 68	2.00 81	0.33 47	0.30 57	0.40 71	0.30 46	0.44 67	0.45 72

Nwc_Net	1.09 46	0.49 46	1.33 59	0.89 87	0.80 83	1.49 57	0.66 37	2.19 86	1.27 33	1.32 29	2.26 82	1.96 71	1.54 70	1.92 35	1.34 54	0.40 69	0.30 57	0.43 76	0.45 84	0.38 48	0.37 53

RP	1.09 46	0.50 50	1.12 38	0.90 88	1.04 98	1.11 34	0.84 47	1.80 48	1.62 71	1.55 52	2.00 76	1.90 63	1.78 84	1.84 32	1.25 44	0.52 94	0.36 76	0.48 86	0.36 67	0.45 69	0.43 69

NCC-stereo	1.10 48	0.54 57	1.24 47	0.84 77	0.94 93	1.29 47	0.89 53	2.01 74	1.34 42	1.32 29	1.74 64	1.88 59	1.74 82	2.35 53	1.25 44	0.45 82	0.37 78	0.45 79	0.58 99	0.42 58	0.42 66

Abc-Net	1.10 48	0.54 57	1.24 47	0.84 77	0.94 93	1.29 47	0.89 53	2.01 74	1.34 42	1.32 29	1.74 64	1.88 59	1.74 82	2.35 53	1.25 44	0.45 82	0.37 78	0.45 79	0.58 99	0.42 58	0.42 66

edge stereo	1.11 50	0.50 50	1.30 55	0.71 59	0.65 64	1.14 37	0.75 42	1.93 68	1.37 50	1.71 61	1.83 69	2.54 90	1.44 67	2.43 56	1.23 42	0.42 75	0.41 86	0.54 95	0.35 63	0.42 58	0.46 75

RASNet	1.12 51	0.30 6	0.91 26	0.66 41	0.77 79	0.97 25	0.57 26	1.37 6	1.35 46	1.02 10	1.34 33	2.11 78	1.43 66	7.09 98	1.39 59	0.19 9	0.17 16	0.17 3	0.19 14	0.18 4	0.16 3

AF-Net	1.13 52	0.52 54	1.33 59	0.86 81	0.91 89	1.38 53	0.71 40	2.16 83	1.62 71	1.56 53	2.40 87	1.99 73	1.65 78	1.81 31	1.48 64	0.48 88	0.28 51	0.49 88	0.33 57	0.39 51	0.32 41

NaN_ROB	1.13 52	0.55 59	1.15 40	0.64 35	0.48 34	1.61 63	2.03 102	1.72 34	1.48 60	2.09 78	1.27 22	1.40 34	1.08 46	3.94 77	1.30 51	0.28 34	0.34 68	0.28 27	0.28 36	0.30 25	0.33 44

RGC	1.14 54	0.79 91	1.26 51	0.91 90	0.96 96	1.52 59	0.77 43	1.92 65	1.26 30	1.54 50	1.93 74	2.02 75	1.54 70	2.25 50	1.31 52	0.44 81	0.35 73	0.58 102	0.48 90	0.47 71	0.46 75

stereogan	1.15 55	0.42 29	1.40 63	0.86 81	0.84 86	2.38 87	0.71 40	1.88 58	1.73 79	1.72 62	1.94 75	2.31 81	1.29 61	2.07 41	1.08 37	0.36 60	0.35 73	0.39 66	0.31 49	0.51 81	0.46 75

AANet_RVC	1.16 56	0.52 54	1.49 68	0.65 39	0.45 30	0.75 6	0.69 39	1.42 10	1.55 69	1.34 33	1.87 72	1.53 45	0.78 15	7.43 100	1.38 57	0.25 25	0.17 16	0.19 9	0.16 9	0.22 11	0.26 24

RYNet	1.17 57	0.49 46	1.24 47	0.70 54	0.97 97	1.71 67	0.92 59	1.91 63	1.46 59	1.38 38	1.14 11	1.88 59	1.30 62	4.24 80	1.87 74	0.26 29	0.21 27	0.35 51	0.27 30	0.55 85	0.54 87

HSM	1.19 58	0.32 9	0.65 11	0.57 17	0.38 21	1.23 44	0.59 29	2.25 89	1.19 20	1.30 28	1.25 21	1.94 69	1.03 42	9.32 107	0.71 11	0.22 15	0.16 14	0.20 12	0.16 9	0.21 10	0.21 12

SGM-Forest	1.24 59	0.38 20	0.60 4	0.52 6	0.37 17	1.56 62	1.30 82	1.65 27	1.36 48	2.11 79	1.79 67	1.63 51	0.93 30	7.48 101	0.95 32	0.36 60	0.37 78	0.39 66	0.34 60	0.37 42	0.32 41
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
PWC_ROB	1.24 59	0.76 90	2.46 88	0.72 61	0.78 82	1.15 39	0.49 10	1.75 38	1.92 89	2.31 82	3.07 94	1.59 48	1.40 64	2.46 57	2.10 85	0.33 47	0.22 31	0.35 51	0.24 21	0.38 48	0.41 62

NOSS_ROB	1.26 61	0.46 39	0.62 6	0.56 15	0.38 21	1.06 32	0.78 44	1.73 35	1.40 53	1.01 9	1.43 44	1.10 15	0.75 10	10.62 112	0.65 9	0.45 82	0.43 88	0.48 86	0.45 84	0.44 67	0.41 62

Anonymous Stereo	1.28 62	0.75 88	2.45 87	0.74 69	0.77 79	0.93 19	1.77 93	1.51 15	1.31 37	1.67 59	1.29 26	1.20 20	0.75 10	6.29 92	1.68 71	0.37 63	0.36 76	0.38 60	0.40 74	0.43 62	0.45 72

RTSC	1.29 63	0.73 83	2.44 86	0.83 76	0.57 51	1.85 74	0.65 35	1.88 58	2.00 91	2.20 80	1.66 58	1.60 49	1.26 58	2.33 52	3.92 95	0.32 45	0.23 36	0.27 21	0.29 41	0.37 42	0.37 53

PWCDC_ROB	1.29 63	0.75 88	1.33 59	1.05 99	0.88 88	1.73 68	0.52 14	1.89 60	3.28 103	1.29 27	4.88 102	1.22 21	1.46 69	1.77 29	1.45 62	0.60 101	0.26 45	0.29 29	0.25 24	0.52 82	0.37 53

SHD	1.31 65	0.71 82	2.34 84	0.86 81	0.75 76	1.77 70	0.65 35	2.22 88	2.50 98	2.40 85	1.71 62	1.91 64	1.60 75	1.93 38	2.37 87	0.38 66	0.31 61	0.38 60	0.40 74	0.48 73	0.50 83

PDISCO_ROB	1.32 66	0.65 79	1.44 64	1.36 108	1.46 111	2.55 90	0.92 59	2.45 98	2.07 93	1.37 35	1.49 49	1.65 53	1.00 39	2.82 66	1.35 56	1.01 108	0.27 47	0.54 95	0.47 88	0.71 103	0.73 104

PASM	1.34 67	0.92 98	2.62 91	0.86 81	0.87 87	1.03 28	1.08 69	1.50 14	1.51 64	1.82 68	1.41 41	1.68 54	1.26 58	4.87 84	1.34 54	0.61 102	0.65 107	0.68 105	0.78 106	0.69 101	0.68 103

ADCRef	1.35 68	0.55 59	2.37 85	0.72 61	0.77 79	1.94 76	0.78 44	1.91 63	1.27 33	1.57 54	1.59 55	1.36 31	1.41 65	1.54 16	7.53 104	0.23 17	0.20 24	0.32 38	0.30 46	0.29 20	0.29 31

GANet	1.36 69	0.47 40	0.86 20	0.67 44	0.45 30	1.34 51	1.73 92	1.64 26	1.24 28	1.49 46	2.38 86	1.55 46	1.20 55	9.30 106	0.93 31	0.30 38	0.31 61	0.33 43	0.28 36	0.39 51	0.30 36

XQC	1.37 70	0.87 96	2.56 89	0.84 77	0.69 68	1.83 73	0.89 53	2.07 78	1.88 86	1.88 70	1.53 52	1.91 64	1.55 72	2.85 67	3.05 90	0.48 88	0.29 55	0.44 78	0.39 70	0.69 101	0.60 96

MFMNet_re	1.40 71	1.14 105	1.68 73	1.39 109	1.07 99	1.48 56	1.43 85	1.87 56	1.82 84	2.26 81	2.19 81	1.51 44	1.86 89	1.52 15	1.25 44	0.93 107	0.83 109	0.84 108	0.80 107	0.99 107	1.05 109

CSAN	1.41 72	0.59 66	1.26 51	0.70 54	0.50 38	1.76 69	1.78 94	1.77 43	1.90 88	2.35 83	2.32 84	1.92 67	1.94 91	5.56 88	1.49 65	0.43 77	0.35 73	0.40 71	0.41 76	0.43 62	0.41 62

MFN_U_SF_RVC	1.52 73	0.84 92	3.42 94	0.87 85	0.66 65	2.56 91	0.95 62	2.36 94	1.70 76	1.98 76	1.86 71	2.45 88	1.79 85	2.95 69	2.58 88	0.52 94	0.48 98	0.55 98	0.59 102	0.59 90	0.61 97

SAMSARA	1.55 74	0.84 92	2.61 90	1.22 107	1.07 99	2.50 89	1.93 99	2.05 77	1.89 87	2.75 92	1.66 58	2.81 95	1.69 80	3.08 70	1.97 80	0.46 86	0.51 102	0.42 75	0.46 87	0.58 88	0.59 93

DeepPrunerF	1.60 75	0.73 83	5.81 104	0.88 86	1.19 107	0.91 14	0.95 62	2.19 86	5.24 109	1.17 19	1.30 27	1.19 19	1.30 62	4.90 85	1.66 70	0.42 75	0.34 68	0.52 91	0.47 88	0.41 55	0.40 59

STTStereo_v2	1.66 76	0.63 76	1.56 70	1.11 103	0.74 71	2.98 100	0.91 56	1.55 23	1.22 23	2.76 93	8.18 109	2.32 82	2.53 99	1.92 35	1.87 74	0.48 88	0.44 90	0.45 79	0.31 49	0.60 93	0.57 91

G-Net	1.66 76	0.63 76	1.56 70	1.11 103	0.74 71	2.98 100	0.91 56	1.55 23	1.22 23	2.76 93	8.18 109	2.32 82	2.53 99	1.92 35	1.87 74	0.48 88	0.44 90	0.45 79	0.31 49	0.60 93	0.57 91

MDST_ROB	1.67 78	0.34 13	1.58 72	0.92 92	0.58 57	4.26 108	1.11 71	2.83 102	1.41 54	4.49 104	2.55 89	1.45 40	0.97 32	7.79 103	1.17 40	0.31 41	0.25 41	0.37 57	0.33 57	0.31 28	0.30 36

SPS-STEREO	1.67 78	1.04 100	1.23 46	1.21 106	1.13 105	1.82 72	1.11 71	2.16 83	1.52 65	3.07 100	2.32 84	2.82 96	1.80 86	4.11 79	2.04 82	1.03 110	0.99 112	0.97 109	0.94 108	1.03 109	1.02 107
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM_RVC	1.68 80	0.36 16	0.61 5	0.59 20	0.29 5	2.25 85	1.18 78	2.38 96	1.68 75	3.60 101	2.67 90	3.69 101	2.42 97	8.13 104	1.90 77	0.31 41	0.31 61	0.30 32	0.28 36	0.30 25	0.29 31
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DPSNet	1.69 81	0.59 66	4.33 98	0.70 54	0.57 51	2.02 79	1.62 89	3.35 108	1.78 81	1.48 45	1.38 36	2.17 79	2.84 101	4.77 83	3.66 94	0.48 88	0.31 61	0.29 29	0.25 24	0.64 97	0.48 80

PVD	1.70 82	0.84 92	2.26 83	0.94 95	0.83 85	2.48 88	0.97 64	2.59 100	3.35 104	3.01 98	2.77 91	2.34 84	2.47 98	2.67 64	3.14 92	0.47 87	0.45 94	0.59 103	0.48 90	0.59 90	0.75 105

FBW_ROB	1.71 83	0.62 75	1.45 65	0.67 44	0.61 60	1.81 71	1.08 69	2.52 99	1.70 76	1.77 64	1.73 63	1.98 72	1.25 57	12.57 114	1.84 73	0.34 53	0.37 78	0.56 100	0.38 69	0.45 69	0.43 69

ADCL	1.72 84	0.57 63	3.66 96	0.67 44	0.61 60	2.61 93	1.85 97	1.96 70	1.67 74	1.90 73	1.83 69	2.06 77	1.90 90	2.13 43	9.15 105	0.26 29	0.24 39	0.34 49	0.32 52	0.38 48	0.35 49

MFN_U_SF_DS_RVC	1.74 85	0.87 96	3.56 95	0.80 73	0.75 76	3.72 104	2.44 107	1.82 51	1.82 84	1.74 63	1.91 73	1.92 67	1.26 58	7.69 102	1.28 49	0.45 82	0.47 97	0.52 91	0.77 105	0.50 77	0.50 83

WCMA_ROB	1.84 86	0.47 40	1.31 56	0.69 50	0.57 51	2.11 81	1.14 75	1.87 56	1.73 79	4.04 102	6.43 105	5.62 106	3.61 104	2.59 59	1.94 78	0.52 94	0.44 90	0.39 66	0.42 78	0.48 73	0.47 78

ADCPNet	1.85 87	0.69 81	8.07 106	0.71 59	0.58 57	2.79 96	1.22 80	1.94 69	1.54 68	1.88 70	1.69 60	2.46 89	2.04 93	2.37 55	6.48 102	0.38 66	0.37 78	0.38 60	0.43 80	0.47 71	0.45 72

NVStereoNet_ROB	1.88 88	1.07 101	1.45 65	1.07 102	1.17 106	1.47 55	1.48 87	1.89 60	1.93 90	1.94 75	4.67 100	3.08 98	1.80 86	6.51 94	1.65 69	1.06 112	0.86 110	1.08 111	1.32 111	0.93 105	1.26 111
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
SANet	1.88 88	0.57 63	2.18 82	0.63 29	0.40 23	2.80 97	1.57 88	2.39 97	5.88 110	2.36 84	3.57 96	3.72 102	2.97 102	4.74 82	1.76 72	0.34 53	0.30 57	0.32 38	0.29 41	0.48 73	0.37 53

ADCMid	1.89 90	0.73 83	5.06 100	0.72 61	0.67 66	2.00 78	1.14 75	1.97 72	1.48 60	2.86 96	1.81 68	2.37 85	2.05 94	2.24 49	10.39 107	0.33 47	0.31 61	0.39 66	0.43 80	0.50 77	0.44 71

AnyNet_C32	1.96 91	1.10 103	5.17 101	0.90 88	1.11 102	2.12 82	2.37 105	1.85 54	1.48 60	2.45 86	1.70 61	2.05 76	1.64 77	2.50 58	10.28 106	0.37 63	0.34 68	0.35 51	0.41 76	0.49 76	0.54 87

MSMD_ROB	1.99 92	0.59 66	0.89 25	0.70 54	0.61 60	3.95 107	0.94 61	1.80 48	1.79 82	4.41 103	4.43 98	8.17 108	3.66 105	3.40 71	1.33 53	0.52 94	0.48 98	0.54 95	0.58 99	0.53 83	0.50 83

ADCP+	1.99 92	0.48 44	7.73 105	0.66 41	0.91 89	2.30 86	1.05 68	1.82 51	1.34 42	1.54 50	1.32 30	1.74 58	1.61 76	2.17 44	13.37 110	0.24 23	0.21 27	0.32 38	0.28 36	0.37 42	0.29 31

MSC_U_SF_DS_RVC	2.12 94	1.15 106	3.10 93	1.05 99	0.76 78	5.03 110	2.40 106	2.16 83	2.62 100	1.89 72	2.28 83	2.69 93	1.65 78	9.35 108	2.04 82	0.64 105	0.51 102	0.68 105	0.71 104	1.09 110	0.67 102

ADCS	2.25 95	0.99 99	5.55 102	0.81 74	0.74 71	2.19 84	1.80 95	2.27 90	2.14 94	2.80 95	2.13 80	2.40 86	2.03 92	2.64 63	13.69 111	0.41 72	0.39 84	0.40 71	0.45 84	0.58 88	0.56 90

MeshStereo	2.26 96	0.56 61	0.92 27	0.61 24	0.49 37	2.60 92	1.02 66	3.18 106	2.05 92	7.40 112	4.98 103	7.58 107	2.98 103	6.37 93	1.96 79	0.43 77	0.43 88	0.45 79	0.39 70	0.43 62	0.42 66
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
AnyNet_C01	2.26 96	1.78 109	10.22 107	0.93 93	0.74 71	2.92 99	2.20 103	2.29 91	1.80 83	2.53 88	2.41 88	2.71 94	1.73 81	3.41 72	6.72 103	0.41 72	0.39 84	0.40 71	0.42 78	0.67 100	0.63 98

DispFullNet	2.34 98	2.85 111	3.66 96	3.08 114	2.27 112	1.97 77	0.67 38	2.00 73	1.70 76	2.52 87	2.00 76	2.23 80	5.86 109	3.44 75	1.58 68	1.01 108	0.32 67	2.64 113	1.94 113	2.85 112	2.24 112

pmcnn	2.37 99	0.42 29	2.71 92	0.63 29	0.43 28	1.54 61	1.19 79	2.01 74	1.53 67	2.64 91	7.60 107	18.07 115	1.45 68	3.44 75	2.78 89	0.18 2	0.15 8	0.15 1	0.12 2	0.20 8	0.18 7

ELAS	2.37 99	0.74 86	1.54 69	0.99 96	0.92 91	4.78 109	2.33 104	3.33 107	3.37 105	5.05 107	4.77 101	3.67 100	4.53 107	3.42 73	4.50 97	0.62 103	0.53 104	0.55 98	0.53 96	0.63 95	0.64 101
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM+DAISY	2.41 101	1.07 101	2.14 81	1.18 105	1.10 101	2.14 83	1.36 84	1.96 70	1.66 73	5.46 108	7.07 106	4.95 105	4.32 106	5.50 87	2.26 86	1.04 111	1.02 113	0.99 110	0.97 109	1.02 108	1.04 108

ELAS_RVC	2.48 102	0.74 86	1.90 78	1.05 99	0.92 91	2.76 94	4.01 111	2.76 101	4.11 107	4.69 105	4.63 99	4.62 103	5.96 110	3.97 78	3.96 96	0.63 104	0.53 104	0.56 100	0.52 95	0.64 97	0.63 98
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SuperB	2.53 103	0.59 66	18.45 112	0.69 50	0.50 38	1.87 75	0.88 52	1.67 29	2.39 96	1.50 47	1.42 42	1.14 17	1.15 50	4.28 81	5.07 98	0.24 23	0.19 22	0.22 16	0.19 14	7.86 117	0.34 45

RTS	2.67 104	1.38 107	15.28 110	0.99 96	1.26 109	3.78 105	1.96 100	2.15 81	2.62 100	2.61 89	2.85 92	2.60 91	1.59 73	6.27 90	5.71 100	0.40 69	0.28 51	0.35 51	0.35 63	0.50 77	0.48 80

RTSA	2.67 104	1.38 107	15.28 110	0.99 96	1.26 109	3.78 105	1.96 100	2.15 81	2.62 100	2.61 89	2.85 92	2.60 91	1.59 73	6.27 90	5.71 100	0.40 69	0.28 51	0.35 51	0.35 63	0.50 77	0.48 80

MADNet+	2.69 106	3.22 113	11.53 108	1.44 111	1.12 104	3.19 102	1.81 96	2.85 103	2.37 95	1.68 60	2.07 79	2.85 97	2.18 95	7.41 99	5.23 99	0.79 106	0.76 108	0.69 107	0.65 103	0.98 106	0.95 106

FC-DCNN	2.72 107	0.59 66	0.86 20	0.73 67	0.57 51	2.91 98	1.04 67	3.01 105	2.60 99	6.83 109	7.64 108	9.92 110	6.33 111	5.21 86	3.14 92	0.53 98	0.48 98	0.51 90	0.50 93	0.53 83	0.51 86

PWCK	2.88 108	2.05 110	5.72 103	2.08 112	1.11 102	3.55 103	3.90 110	2.86 104	3.54 106	3.03 99	3.63 97	3.10 99	2.31 96	8.15 105	3.09 91	2.12 113	0.91 111	1.75 112	0.98 110	2.57 111	1.18 110

MADNet++	5.01 109	3.14 112	4.91 99	4.55 115	3.94 113	5.20 111	4.41 112	4.40 111	4.13 108	4.95 106	6.08 104	4.74 104	5.37 108	9.40 109	10.67 108	4.65 115	4.15 114	3.97 114	3.34 114	4.09 114	4.08 113

MANE	6.19 110	0.59 66	1.03 30	0.93 93	1.22 108	13.38 115	2.69 108	12.81 116	17.94 117	8.21 113	10.82 113	14.72 113	11.68 112	11.39 113	11.90 109	0.59 100	0.50 101	0.52 91	1.76 112	0.55 85	0.54 87

LSM	6.33 111	1.10 103	13.19 109	1.41 110	68.17 121	1.64 66	1.90 98	1.92 65	2.46 97	2.99 97	3.11 95	1.88 59	1.80 86	2.61 61	2.06 84	0.41 72	0.58 106	0.50 89	0.57 98	0.64 97	17.66 119

SGM-ForestM	6.52 112	0.38 20	1.26 51	0.63 29	0.35 11	13.59 116	5.32 113	6.32 113	6.70 112	11.14 114	9.18 112	22.51 118	13.93 113	16.89 116	20.07 113	0.36 60	0.37 78	0.36 56	0.35 63	0.36 41	0.34 45

LE_ROB	8.05 113	0.37 18	23.53 115	0.74 69	0.33 9	2.77 95	2.87 109	3.71 110	27.24 118	25.39 118	8.87 111	8.46 109	26.71 118	6.65 95	21.99 114	0.21 13	0.19 22	0.20 12	0.21 18	0.25 16	0.22 16

DPSimNet_ROB	11.20 114	4.98 114	35.43 118	2.90 113	4.52 114	7.89 112	17.09 114	4.66 112	6.06 111	14.89 117	10.93 114	17.29 114	36.81 120	13.18 115	15.68 112	2.86 114	6.29 115	5.75 117	5.09 115	3.91 113	7.70 114

DGTPSM_ROB	13.01 115	8.23 115	21.87 113	9.51 116	18.10 115	11.56 113	32.01 118	10.63 114	16.20 113	7.03 110	19.48 117	10.15 111	16.66 114	9.83 110	22.42 115	4.75 116	8.68 116	5.37 115	10.25 116	6.16 115	11.36 115

DPSMNet_ROB	13.02 116	8.23 115	21.91 114	9.53 117	18.11 116	11.56 113	32.02 119	10.64 115	16.23 114	7.05 111	19.49 118	10.16 112	16.66 114	9.85 111	22.43 116	4.77 117	8.68 116	5.38 116	10.26 117	6.17 116	11.36 115

DPSM	19.08 117	19.14 118	25.17 116	22.15 118	20.85 117	28.17 117	37.82 120	26.56 117	16.85 115	14.14 115	14.84 115	21.70 116	18.75 116	21.87 117	26.55 117	10.16 118	9.30 118	10.47 118	10.42 118	14.03 118	12.61 117

DPSM_ROB	19.08 117	19.14 118	25.17 116	22.15 118	20.85 117	28.17 117	37.82 120	26.56 117	16.85 115	14.14 115	14.84 115	21.70 116	18.75 116	21.87 117	26.55 117	10.16 118	9.30 118	10.47 118	10.42 118	14.03 118	12.61 117

BEATNet-Init1	26.87 119	13.43 117	70.68 122	0.91 90	0.68 67	57.02 122	21.06 115	32.82 119	32.67 119	52.12 122	53.61 122	66.05 122	49.56 123	48.79 122	34.71 119	0.49 93	0.44 90	0.53 94	0.53 96	0.63 95	0.59 93

AVERAGE_ROB	40.43 120	42.37 121	42.73 119	36.96 121	35.58 120	30.50 119	27.61 116	36.71 121	38.39 121	44.91 120	44.36 120	37.45 120	36.70 119	41.88 119	40.35 120	45.43 121	46.81 121	47.11 121	46.35 121	42.51 121	43.87 121

MEDIAN_ROB	42.00 121	44.40 122	44.29 120	35.15 120	34.95 119	31.28 120	29.60 117	35.88 120	40.02 122	47.20 121	46.64 121	37.37 119	38.48 122	44.35 121	42.45 121	48.03 122	49.39 122	49.71 122	49.03 122	45.14 122	46.65 122

LSM0	42.82 122	38.75 120	50.81 121	47.07 122	109.38 122	57.00 121	76.02 122	53.74 122	33.71 120	29.02 119	30.41 119	43.87 121	37.22 121	43.91 120	53.54 122	20.52 120	18.62 120	21.10 120	21.11 120	28.41 120	42.22 120

MSMDNet													0.58 5

Low-res two-view benchmark