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	0.39 1	0.21 1	0.38 1	0.34 1	0.22 1	0.53 1	0.29 3	0.77 2	1.11 21	0.58 1	0.71 2	0.51 1	0.41 1	0.54 1	0.34 1	0.18 3	0.13 3	0.15 1	0.10 1	0.14 1	0.14 2

PMTNet	0.46 2	0.21 1	0.38 1	0.37 2	0.23 2	0.71 7	0.27 2	0.74 1	1.04 10	0.64 2	0.70 1	0.55 2	0.47 2	0.86 9	0.35 2	1.00 134	0.13 3	0.15 1	0.10 1	0.15 2	0.13 1

Gwc-CoAtRS	0.52 3	0.24 3	0.68 20	0.48 3	0.29 6	0.64 4	0.25 1	1.16 4	1.08 16	1.01 13	1.00 6	1.12 21	0.56 6	0.69 4	0.37 3	0.16 1	0.13 3	0.17 4	0.15 7	0.15 2	0.15 3

R-Stereo Train	0.57 4	0.26 4	0.63 12	0.54 14	0.36 16	0.69 5	0.54 30	1.22 6	0.72 2	1.61 76	1.50 68	0.75 5	0.53 4	0.64 2	0.44 4	0.18 3	0.15 10	0.17 4	0.15 7	0.17 4	0.17 6

RAFT-Stereo	0.57 4	0.26 4	0.63 12	0.54 14	0.36 16	0.69 5	0.54 30	1.22 6	0.72 2	1.61 76	1.50 68	0.75 5	0.53 4	0.64 2	0.44 4	0.18 3	0.15 10	0.17 4	0.15 7	0.17 4	0.17 6
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
FENet	0.60 6	0.28 6	0.63 12	0.54 14	0.33 11	0.83 16	0.38 6	1.27 8	1.07 13	1.00 12	0.86 3	0.99 11	0.85 23	0.96 11	0.68 13	0.22 20	0.15 10	0.23 24	0.20 22	0.22 17	0.23 30

DPM-Stereo	0.62 7	0.30 11	0.83 30	0.48 3	0.36 16	0.95 32	0.33 4	2.37 122	0.67 1	1.25 38	1.00 6	0.68 3	0.51 3	0.91 10	0.61 9	0.18 3	0.15 10	0.21 16	0.17 13	0.19 8	0.19 13

ACVNet	0.63 8	0.31 16	0.54 4	0.54 14	0.36 16	0.80 14	0.46 10	1.37 11	1.07 13	0.93 6	1.30 40	1.08 16	0.85 23	0.80 6	0.94 39	0.21 15	0.19 29	0.21 16	0.18 15	0.22 17	0.18 9

DN-CSS_ROB	0.64 9	0.32 18	1.05 48	0.55 19	0.40 27	0.54 2	0.45 8	1.21 5	0.93 5	1.03 16	1.47 65	0.69 4	0.63 8	1.76 45	0.49 6	0.18 3	0.14 6	0.25 32	0.22 28	0.22 17	0.20 19

HITNet	0.65 10	0.40 42	0.77 24	0.48 3	0.24 4	1.05 43	0.49 19	1.76 59	1.02 8	1.18 30	1.18 25	0.89 7	0.80 19	0.85 8	0.79 26	0.17 2	0.12 1	0.21 16	0.17 13	0.29 38	0.15 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
DMCA	0.67 11	0.34 27	0.90 37	0.51 6	0.44 35	0.86 20	0.47 14	1.42 16	1.02 8	1.17 28	1.12 14	1.23 30	0.75 12	0.78 5	0.95 41	0.25 34	0.19 29	0.27 38	0.19 18	0.24 26	0.27 41

ccs	0.69 12	0.29 8	0.64 17	0.55 19	0.32 10	0.63 3	0.45 8	2.30 119	1.43 77	0.85 3	1.02 10	1.05 14	0.75 12	0.97 13	0.69 14	0.30 59	0.25 62	0.30 52	0.29 64	0.31 48	0.35 68

AdaStereo	0.70 13	0.43 51	0.75 22	0.73 89	0.37 21	0.92 27	0.53 27	1.85 74	1.18 30	1.12 22	1.23 29	1.07 15	0.65 10	0.96 11	0.63 11	0.31 64	0.15 10	0.32 59	0.21 25	0.29 38	0.22 27
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 14	0.34 27	1.10 55	0.51 6	0.23 2	0.91 24	0.39 7	1.33 9	1.23 43	1.46 62	1.55 72	1.01 12	0.64 9	1.95 57	0.80 29	0.18 3	0.12 1	0.18 9	0.14 5	0.19 8	0.17 6

CFNet-ft	0.72 14	0.32 18	0.54 4	0.66 54	0.54 53	0.83 16	0.55 36	1.37 11	1.15 25	0.93 6	1.28 36	1.57 64	0.97 43	1.35 19	0.81 30	0.26 45	0.20 36	0.33 64	0.25 39	0.30 43	0.23 30

PSMNet-RSSM	0.72 14	0.30 11	0.61 9	0.63 41	0.42 29	0.73 8	0.56 40	1.92 87	1.10 19	1.09 19	1.37 51	1.22 28	0.98 47	1.28 17	0.72 16	0.27 50	0.19 29	0.27 38	0.29 64	0.24 26	0.24 34

CFNet_RVC	0.72 14	0.32 18	0.54 4	0.66 54	0.54 53	0.83 16	0.55 36	1.37 11	1.15 25	0.93 6	1.28 36	1.57 64	0.97 43	1.35 19	0.81 30	0.26 45	0.20 36	0.33 64	0.25 39	0.30 43	0.23 30

GANet-RSSM	0.72 14	0.28 6	0.63 12	0.64 47	0.58 66	0.80 14	0.58 43	1.89 80	1.08 16	1.04 17	1.25 31	1.15 24	1.04 56	1.49 24	0.62 10	0.25 34	0.19 29	0.22 20	0.22 28	0.22 17	0.21 20

cf-r	0.73 19	0.30 11	0.77 24	0.55 19	0.63 79	0.78 11	0.48 17	1.79 67	1.15 25	1.13 25	1.26 33	1.43 49	0.87 28	1.40 21	0.85 35	0.25 34	0.18 24	0.22 20	0.23 31	0.19 8	0.19 13

BEATNet_4x	0.73 19	0.49 67	1.17 62	0.53 11	0.26 5	1.03 40	0.55 36	1.82 71	1.06 12	1.21 34	1.22 27	0.96 10	0.91 35	1.01 14	1.06 48	0.21 15	0.14 6	0.24 27	0.19 18	0.37 63	0.21 20

DeepPruner_ROB	0.74 21	0.48 65	0.87 34	0.57 24	0.44 35	0.79 13	0.54 30	1.73 52	0.96 6	1.38 56	1.27 34	1.24 31	0.73 11	1.43 22	0.73 18	0.34 76	0.28 71	0.27 38	0.26 45	0.31 48	0.31 58

DMCA-RVC	0.74 21	0.40 42	1.27 72	0.66 54	0.49 44	0.77 10	0.47 14	1.35 10	1.01 7	1.53 68	1.01 8	1.29 38	0.82 20	1.31 18	0.78 23	0.27 50	0.21 40	0.35 77	0.27 48	0.32 52	0.24 34

acv_ft	0.75 23	0.31 16	0.95 42	0.70 72	0.86 111	1.24 63	0.53 27	1.44 18	1.07 13	1.24 37	1.30 40	1.08 16	0.92 37	0.80 6	1.34 73	0.21 15	0.19 29	0.21 16	0.18 15	0.21 14	0.18 9

iResNet	0.75 23	0.40 42	1.36 83	0.67 60	0.29 6	0.92 27	0.59 45	1.52 30	1.25 47	1.28 42	1.48 66	0.94 9	0.76 16	1.62 34	0.78 23	0.18 3	0.14 6	0.18 9	0.15 7	0.22 17	0.23 30

GwcNet-RSSM	0.77 25	0.32 18	1.01 45	0.62 37	0.54 53	0.78 11	0.51 24	1.73 52	1.20 38	1.09 19	1.37 51	1.46 56	0.85 23	1.53 27	1.09 51	0.25 34	0.18 24	0.23 24	0.24 34	0.20 11	0.19 13

iResNet_ROB	0.77 25	0.30 11	0.99 44	0.57 24	0.36 16	0.83 16	0.36 5	2.33 120	1.58 92	1.27 40	1.30 40	1.25 33	0.84 21	1.65 35	0.79 26	0.20 13	0.14 6	0.17 4	0.12 3	0.18 6	0.27 41

psm_up	0.77 25	0.34 27	0.70 21	0.66 54	0.58 66	1.05 43	0.92 79	1.52 30	1.12 23	1.26 39	1.16 22	1.31 41	1.23 76	1.20 15	0.81 30	0.25 34	0.29 76	0.31 55	0.27 48	0.27 35	0.25 39

STTStereo	0.78 28	0.50 71	1.22 64	0.64 47	0.54 53	0.89 21	0.54 30	1.44 18	1.11 21	1.38 56	1.09 13	1.27 37	0.85 23	1.43 22	0.83 33	0.29 57	0.27 68	0.33 64	0.39 96	0.32 52	0.30 54

ccs_rob	0.79 29	0.32 18	0.83 30	0.60 31	0.34 13	1.03 40	0.46 10	1.81 70	1.31 56	1.12 22	1.35 50	1.18 25	0.77 17	2.63 85	0.60 8	0.23 23	0.18 24	0.27 38	0.27 48	0.23 24	0.21 20

CC-Net-ROB	0.79 29	0.43 51	1.05 48	0.63 41	0.56 59	0.94 30	0.54 30	1.51 26	1.18 30	1.37 52	1.17 23	1.42 48	0.89 32	1.69 42	0.87 36	0.25 34	0.22 46	0.27 38	0.26 45	0.29 38	0.30 54

NLCA_NET_v2_RVC	0.79 29	0.43 51	1.05 48	0.64 47	0.58 66	0.95 32	0.53 27	1.53 36	1.18 30	1.37 52	1.15 19	1.43 49	0.88 30	1.61 33	0.84 34	0.25 34	0.22 46	0.27 38	0.27 48	0.29 38	0.29 49
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
hitnet-ft	0.79 29	0.35 34	0.57 7	0.58 27	0.42 29	0.96 34	0.46 10	1.47 21	1.33 60	1.19 32	1.22 27	1.81 79	0.98 47	1.66 38	0.94 39	0.33 69	0.28 71	0.34 72	0.27 48	0.35 57	0.31 58

UPFNet	0.80 33	0.32 18	0.90 37	0.59 29	0.74 90	1.26 65	0.80 64	1.52 30	1.10 19	1.30 44	1.12 14	1.30 39	0.84 21	1.67 39	1.09 51	0.24 30	0.24 56	0.24 27	0.23 31	0.25 29	0.18 9

iResNetv2_ROB	0.80 33	0.37 37	1.71 96	0.56 22	0.37 21	0.94 30	0.64 49	1.73 52	1.34 62	1.23 36	1.42 60	1.26 34	0.92 37	1.85 51	0.56 7	0.23 23	0.15 10	0.19 11	0.14 5	0.24 26	0.19 13

StereoDRNet-Refined	0.80 33	0.41 46	0.88 35	0.62 37	0.42 29	1.33 70	0.48 17	1.52 30	1.17 29	1.45 61	1.44 63	1.44 53	0.90 34	1.26 16	1.24 62	0.20 13	0.16 17	0.27 38	0.24 34	0.25 29	0.28 47
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ac_64	0.82 36	0.29 8	0.81 28	0.71 79	0.60 74	1.05 43	0.54 30	1.99 98	0.92 4	1.18 30	1.06 11	1.99 94	1.08 61	1.94 56	0.97 44	0.27 50	0.22 46	0.24 27	0.23 31	0.22 17	0.19 13

UNet	0.83 37	0.34 27	1.31 75	0.58 27	0.74 90	1.58 84	0.49 19	1.41 15	1.04 10	1.21 34	1.08 12	1.54 62	1.12 66	1.65 35	1.09 51	0.23 23	0.17 19	0.25 32	0.20 22	0.25 29	0.22 27

FADNet_RVC	0.83 37	0.51 74	1.83 98	0.54 14	0.42 29	1.19 58	0.46 10	1.51 26	1.09 18	0.89 4	1.24 30	0.91 8	0.87 28	2.11 64	1.11 55	0.27 50	0.22 46	0.31 55	0.28 59	0.43 84	0.38 78

MMNet	0.84 39	0.32 18	1.09 53	0.60 31	0.59 72	1.85 99	0.49 19	1.51 26	1.27 51	1.37 52	1.15 19	1.26 34	1.18 71	1.67 39	1.22 60	0.19 11	0.18 24	0.23 24	0.22 28	0.25 29	0.21 20

FADNet-RVC-Resample	0.84 39	0.47 61	2.10 101	0.61 35	0.45 37	1.07 47	0.61 48	1.59 41	1.20 38	1.08 18	0.98 5	1.03 13	0.98 47	2.17 66	0.72 16	0.23 23	0.22 46	0.30 52	0.32 79	0.35 57	0.34 64

HGLStereo	0.85 41	0.38 39	0.94 41	0.80 97	1.03 123	1.17 57	0.58 43	1.52 30	1.20 38	1.19 32	1.62 75	1.13 22	1.20 74	1.80 47	1.06 48	0.24 30	0.24 56	0.24 27	0.21 25	0.23 24	0.27 41

delet	0.85 41	0.32 18	0.95 42	0.65 52	0.66 82	1.64 89	0.84 65	1.75 56	1.35 66	1.32 46	1.30 40	1.30 39	0.88 30	1.68 41	1.10 54	0.21 15	0.21 40	0.24 27	0.24 34	0.21 14	0.21 20

DLCB_ROB	0.86 43	0.40 42	0.78 26	0.68 66	0.54 53	1.11 49	0.84 65	1.49 23	1.23 43	1.64 79	1.65 77	1.70 74	0.91 35	1.70 43	1.05 47	0.25 34	0.24 56	0.26 35	0.27 48	0.27 35	0.24 34

HSM-Net_RVC	0.87 44	0.29 8	0.53 3	0.53 11	0.30 9	1.15 55	0.55 36	3.57 136	1.28 55	1.53 68	1.74 84	1.68 72	0.93 40	1.49 24	0.77 22	0.22 20	0.17 19	0.19 11	0.18 15	0.20 11	0.19 13
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
FADNet-RVC	0.88 45	0.67 103	1.93 100	0.60 31	0.48 41	0.91 24	0.60 47	1.71 50	1.18 30	0.90 5	0.96 4	1.36 44	0.92 37	2.25 73	1.17 57	0.30 59	0.29 76	0.32 59	0.32 79	0.41 77	0.35 68

PSMNet_ROB	0.90 46	0.52 76	1.17 62	0.72 82	0.61 75	1.27 66	1.12 97	1.76 59	1.12 23	1.09 19	1.28 36	1.45 54	0.89 32	1.65 35	1.42 83	0.33 69	0.25 62	0.37 85	0.39 96	0.35 57	0.29 49

CBMV_ROB	0.90 46	0.44 55	0.63 12	0.51 6	0.37 21	1.25 64	0.49 19	1.77 62	1.27 51	1.41 59	2.00 98	1.33 43	1.08 61	2.17 66	0.76 21	0.43 102	0.42 113	0.47 111	0.44 108	0.41 77	0.36 72

FADNet	0.92 48	0.61 95	1.81 97	0.62 37	0.55 58	0.96 34	0.57 41	1.78 66	1.33 60	0.93 6	1.01 8	1.36 44	1.01 53	2.71 88	0.75 19	0.33 69	0.34 91	0.31 55	0.34 86	0.59 115	0.40 79

NVstereo2D	0.92 48	0.41 46	1.48 88	0.72 82	0.72 88	1.20 60	0.87 70	1.75 56	1.38 72	0.99 10	1.13 16	1.26 34	0.98 47	2.21 71	0.89 37	0.43 102	0.20 36	0.38 87	0.24 34	0.57 111	0.63 123

DSFCA	0.93 50	0.34 27	1.06 51	0.52 9	0.65 80	1.55 82	0.93 82	1.49 23	1.19 34	1.56 73	1.15 19	1.50 59	0.96 42	3.07 94	1.02 46	0.30 59	0.26 65	0.25 32	0.25 39	0.28 37	0.24 34

CBMV	0.95 51	0.44 55	0.66 19	0.53 11	0.35 14	1.53 80	1.63 117	1.69 47	1.42 76	2.00 100	1.60 74	1.43 49	1.17 68	1.59 31	0.99 45	0.34 76	0.34 91	0.39 92	0.33 82	0.33 56	0.32 60
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
XPNet_ROB	0.96 52	0.49 67	1.09 53	0.72 82	0.57 60	1.11 49	1.14 99	1.66 44	1.23 43	1.85 91	1.39 56	1.64 70	1.11 64	1.80 47	1.42 83	0.38 88	0.30 80	0.33 64	0.29 64	0.37 63	0.34 64

CFNet	0.96 52	0.36 35	1.01 45	0.62 37	0.42 29	0.99 38	0.47 14	1.90 83	1.32 58	0.99 10	1.39 56	1.10 19	0.86 27	5.58 116	0.79 26	0.23 23	0.17 19	0.28 46	0.27 48	0.26 34	0.21 20

ETE_ROB	0.96 52	0.64 101	1.16 60	0.69 68	0.48 41	1.14 53	1.13 98	1.77 62	1.19 34	1.91 96	1.45 64	1.73 76	1.05 58	1.60 32	1.14 56	0.32 67	0.26 65	0.38 87	0.34 86	0.39 73	0.41 82

StereoDRNet	0.98 55	0.47 61	1.70 95	0.76 95	0.94 118	1.51 78	0.91 76	1.92 87	1.32 58	1.61 76	1.13 16	1.47 58	0.97 43	1.75 44	1.46 86	0.28 55	0.23 52	0.29 48	0.27 48	0.35 57	0.27 41

DRN-Test	1.00 56	0.44 55	1.13 58	0.70 72	0.81 108	1.62 87	0.79 63	2.14 107	1.44 79	1.78 87	1.33 47	1.43 49	1.05 58	2.18 69	1.53 90	0.27 50	0.21 40	0.31 55	0.30 71	0.32 52	0.28 47

NCCL2	1.00 56	0.56 83	1.06 51	0.75 94	0.57 60	1.31 69	1.72 118	1.77 62	1.36 68	1.50 66	1.17 23	1.91 85	1.17 68	1.54 28	1.29 69	0.35 81	0.31 84	0.45 105	0.44 108	0.40 76	0.40 79

PA-Net	1.01 58	0.57 85	1.29 73	0.64 47	0.74 90	1.19 58	0.84 65	1.69 47	1.43 77	1.16 27	1.19 26	1.32 42	1.19 73	3.42 100	1.25 63	0.29 57	0.45 120	0.33 64	0.49 118	0.32 52	0.47 99
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LALA_ROB	1.01 58	0.59 88	1.16 60	0.67 60	0.51 50	1.63 88	1.26 107	1.69 47	1.38 72	1.81 89	1.37 51	1.94 90	1.02 54	1.58 30	1.38 78	0.37 85	0.27 68	0.43 102	0.37 94	0.43 84	0.37 73

DISCO	1.03 60	0.34 27	1.11 56	0.69 68	0.45 37	2.07 106	0.84 65	2.13 106	1.50 85	1.15 26	1.33 47	2.40 111	1.07 60	2.60 83	1.51 89	0.23 23	0.18 24	0.22 20	0.20 22	0.31 48	0.27 41

TDLM	1.06 61	0.44 55	0.79 27	0.63 41	0.50 46	0.89 21	1.44 112	1.48 22	1.26 48	1.12 22	1.40 58	1.08 16	0.98 47	6.65 122	0.78 23	0.33 69	0.21 40	0.33 64	0.26 45	0.37 63	0.24 34

FAT-Stereo	1.07 62	0.41 46	1.32 78	0.72 82	0.58 66	1.08 48	0.89 72	1.96 94	1.65 95	1.75 85	1.98 97	2.03 98	1.48 92	2.02 59	1.18 59	0.42 99	0.35 96	0.34 72	0.29 64	0.35 57	0.53 108

GANetREF_RVC	1.07 62	0.86 120	1.31 75	0.82 101	0.53 51	1.41 74	1.31 109	1.76 59	1.52 87	1.27 40	1.31 45	1.46 56	1.24 77	2.03 60	0.96 43	0.56 125	0.45 120	0.67 131	0.50 119	0.88 131	0.59 117
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
CVANet_RVC	1.07 62	0.43 51	0.76 23	0.60 31	0.50 46	0.90 23	0.97 87	1.52 30	1.26 48	1.33 50	1.38 54	1.24 31	1.18 71	6.75 124	0.75 19	0.34 76	0.23 52	0.34 72	0.29 64	0.42 80	0.27 41

DANet	1.08 65	0.61 95	1.32 78	0.85 107	0.72 88	1.37 72	0.51 24	1.54 37	1.15 25	1.78 87	1.54 71	2.01 96	1.11 64	2.90 91	2.00 106	0.33 69	0.30 80	0.40 97	0.30 71	0.44 90	0.45 92

GwcNet	1.08 65	0.51 74	2.33 106	0.79 96	1.18 133	1.76 93	0.70 55	1.68 46	1.47 81	1.41 59	1.64 76	1.74 77	1.04 56	2.20 70	1.41 81	0.30 59	0.29 76	0.29 48	0.27 48	0.30 43	0.35 68

RP	1.09 67	0.50 71	1.12 57	0.90 115	1.04 124	1.11 49	0.84 65	1.80 68	1.62 93	1.55 72	2.00 98	1.90 84	1.78 108	1.84 50	1.25 63	0.52 119	0.36 100	0.48 112	0.36 93	0.45 93	0.43 89

Nwc_Net	1.09 67	0.49 67	1.33 80	0.89 114	0.80 106	1.49 77	0.66 52	2.19 113	1.27 51	1.32 46	2.26 105	1.96 92	1.54 93	1.92 52	1.34 73	0.40 92	0.30 80	0.43 102	0.45 110	0.38 69	0.37 73

Abc-Net	1.10 69	0.54 79	1.24 66	0.84 103	0.94 118	1.29 67	0.89 72	2.01 100	1.34 62	1.32 46	1.74 84	1.88 80	1.74 106	2.35 76	1.25 63	0.45 107	0.37 102	0.45 105	0.58 126	0.42 80	0.42 86
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCC-stereo	1.10 69	0.54 79	1.24 66	0.84 103	0.94 118	1.29 67	0.89 72	2.01 100	1.34 62	1.32 46	1.74 84	1.88 80	1.74 106	2.35 76	1.25 63	0.45 107	0.37 102	0.45 105	0.58 126	0.42 80	0.42 86

edge stereo	1.11 71	0.50 71	1.30 74	0.71 79	0.65 80	1.14 53	0.75 59	1.93 91	1.37 70	1.71 82	1.83 90	2.54 115	1.44 88	2.43 79	1.23 61	0.42 99	0.41 112	0.54 122	0.35 89	0.42 80	0.46 96

RASNet	1.12 72	0.30 11	0.91 39	0.66 54	0.77 101	0.97 36	0.57 41	1.37 11	1.35 66	1.02 15	1.34 49	2.11 101	1.43 87	7.09 125	1.39 80	0.19 11	0.17 19	0.17 4	0.19 18	0.18 6	0.16 5

NaN_ROB	1.13 73	0.55 81	1.15 59	0.64 47	0.48 41	1.61 86	2.03 129	1.72 51	1.48 82	2.09 101	1.27 34	1.40 47	1.08 61	3.94 104	1.30 70	0.28 55	0.34 91	0.28 46	0.28 59	0.30 43	0.33 63

AF-Net	1.13 73	0.52 76	1.33 80	0.86 108	0.91 114	1.38 73	0.71 57	2.16 110	1.62 93	1.56 73	2.40 110	1.99 94	1.65 102	1.81 49	1.48 87	0.48 113	0.28 71	0.49 114	0.33 82	0.39 73	0.32 60

RGC	1.14 75	0.79 115	1.26 69	0.91 117	0.96 121	1.52 79	0.77 60	1.92 87	1.26 48	1.54 70	1.93 95	2.02 97	1.54 93	2.25 73	1.31 71	0.44 106	0.35 96	0.58 129	0.48 116	0.47 95	0.46 96

stereogan	1.15 76	0.42 49	1.40 84	0.86 108	0.84 110	2.38 114	0.71 57	1.88 78	1.73 102	1.72 83	1.94 96	2.31 106	1.29 82	2.07 62	1.08 50	0.36 82	0.35 96	0.39 92	0.31 75	0.51 105	0.46 96

S-Stereo	1.15 76	0.46 59	2.17 103	0.81 99	0.80 106	1.21 61	1.19 104	1.93 91	2.02 116	1.47 63	2.11 102	1.57 64	1.17 68	2.05 61	1.41 81	0.40 92	0.40 110	0.35 77	0.31 75	0.44 90	0.70 129

AANet_RVC	1.16 78	0.52 76	1.49 89	0.65 52	0.45 37	0.75 9	0.69 54	1.42 16	1.55 91	1.34 51	1.87 93	1.53 61	0.78 18	7.43 127	1.38 78	0.25 34	0.17 19	0.19 11	0.16 11	0.22 17	0.26 40

RYNet	1.17 79	0.49 67	1.24 66	0.70 72	0.97 122	1.71 91	0.92 79	1.91 85	1.46 80	1.38 56	1.14 18	1.88 80	1.30 83	4.24 107	1.87 99	0.26 45	0.21 40	0.35 77	0.27 48	0.55 109	0.54 109

HSM	1.19 80	0.32 18	0.65 18	0.57 24	0.38 25	1.23 62	0.59 45	2.25 116	1.19 34	1.30 44	1.25 31	1.94 90	1.03 55	9.32 134	0.71 15	0.22 20	0.16 17	0.20 14	0.16 11	0.21 14	0.21 20

aanetorigin	1.23 81	0.79 115	2.78 116	0.70 72	0.79 105	0.99 38	1.06 92	1.06 3	1.37 70	3.52 124	2.61 113	1.72 75	1.63 100	1.99 58	1.78 96	0.25 34	0.24 56	0.26 35	0.25 39	0.38 69	0.45 92

PWC_ROB	1.24 82	0.76 114	2.46 111	0.72 82	0.78 104	1.15 55	0.49 19	1.75 56	1.92 113	2.31 105	3.07 119	1.59 67	1.40 85	2.46 80	2.10 110	0.33 69	0.22 46	0.35 77	0.24 34	0.38 69	0.41 82

SGM-Forest	1.24 82	0.38 39	0.60 8	0.52 9	0.37 21	1.56 83	1.30 108	1.65 43	1.36 68	2.11 102	1.79 87	1.63 69	0.93 40	7.48 128	0.95 41	0.36 82	0.37 102	0.39 92	0.34 86	0.37 63	0.32 60
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
NOSS_ROB	1.26 84	0.46 59	0.62 11	0.56 22	0.38 25	1.06 46	0.78 61	1.73 52	1.40 74	1.01 13	1.43 62	1.10 19	0.75 12	10.62 139	0.65 12	0.45 107	0.43 114	0.48 112	0.45 110	0.44 90	0.41 82

Anonymous Stereo	1.28 85	0.75 112	2.45 110	0.74 91	0.77 101	0.93 29	1.77 120	1.51 26	1.31 56	1.67 80	1.29 39	1.20 27	0.75 12	6.29 119	1.68 94	0.37 85	0.36 100	0.38 87	0.40 100	0.43 84	0.45 92

PWCDC_ROB	1.29 86	0.75 112	1.33 80	1.05 126	0.88 113	1.73 92	0.52 26	1.89 80	3.28 128	1.29 43	4.88 128	1.22 28	1.46 90	1.77 46	1.45 85	0.60 127	0.26 65	0.29 48	0.25 39	0.52 106	0.37 73

RTSC	1.29 86	0.73 107	2.44 109	0.83 102	0.57 60	1.85 99	0.65 50	1.88 78	2.00 115	2.20 103	1.66 78	1.60 68	1.26 79	2.33 75	3.92 121	0.32 67	0.23 52	0.27 38	0.29 64	0.37 63	0.37 73

SHD	1.31 88	0.71 106	2.34 107	0.86 108	0.75 97	1.77 95	0.65 50	2.22 115	2.50 123	2.40 108	1.71 82	1.91 85	1.60 98	1.93 55	2.37 112	0.38 88	0.31 84	0.38 87	0.40 100	0.48 97	0.50 104

PDISCO_ROB	1.32 89	0.65 102	1.44 85	1.36 135	1.46 138	2.55 117	0.92 79	2.45 125	2.07 118	1.37 52	1.49 67	1.65 71	1.00 52	2.82 89	1.35 76	1.01 135	0.27 68	0.54 122	0.47 114	0.71 129	0.73 130

PASM	1.34 90	0.92 123	2.62 114	0.86 108	0.87 112	1.03 40	1.08 93	1.50 25	1.51 86	1.82 90	1.41 59	1.68 72	1.26 79	4.87 111	1.34 73	0.61 128	0.65 134	0.68 132	0.78 133	0.69 127	0.68 128

ADCRef	1.35 91	0.55 81	2.37 108	0.72 82	0.77 101	1.94 102	0.78 61	1.91 85	1.27 51	1.57 75	1.59 73	1.36 44	1.41 86	1.54 28	7.53 130	0.23 23	0.20 36	0.32 59	0.30 71	0.29 38	0.29 49

GANet	1.36 92	0.47 61	0.86 32	0.67 60	0.45 37	1.34 71	1.73 119	1.64 42	1.24 46	1.49 65	2.38 109	1.55 63	1.20 74	9.30 133	0.93 38	0.30 59	0.31 84	0.33 64	0.28 59	0.39 73	0.30 54

XQC	1.37 93	0.87 121	2.56 112	0.84 103	0.69 86	1.83 98	0.89 72	2.07 104	1.88 110	1.88 92	1.53 70	1.91 85	1.55 95	2.85 90	3.05 115	0.48 113	0.29 76	0.44 104	0.39 96	0.69 127	0.60 120

MFMNet_re	1.40 94	1.14 131	1.68 94	1.39 136	1.07 125	1.48 76	1.43 111	1.87 76	1.82 108	2.26 104	2.19 104	1.51 60	1.86 113	1.52 26	1.25 63	0.93 133	0.83 136	0.84 135	0.80 134	0.99 134	1.05 136

CSAN	1.41 95	0.59 88	1.26 69	0.70 72	0.50 46	1.76 93	1.78 121	1.77 62	1.90 112	2.35 106	2.32 107	1.92 88	1.94 115	5.56 115	1.49 88	0.43 102	0.35 96	0.40 97	0.41 102	0.43 84	0.41 82

psmorigin	1.52 96	0.69 104	10.52 133	0.68 66	0.59 72	1.13 52	0.70 55	1.57 40	1.19 34	1.99 99	1.79 87	2.26 105	1.47 91	2.09 63	1.36 77	0.39 91	0.40 110	0.34 72	0.33 82	0.43 84	0.56 112

MFN_U_SF_RVC	1.52 96	0.84 117	3.42 118	0.87 112	0.66 82	2.56 118	0.95 85	2.36 121	1.70 99	1.98 98	1.86 92	2.45 113	1.79 109	2.95 92	2.58 113	0.52 119	0.48 124	0.55 125	0.59 129	0.59 115	0.61 121

SAMSARA	1.55 98	0.84 117	2.61 113	1.22 134	1.07 125	2.50 116	1.93 126	2.05 103	1.89 111	2.75 115	1.66 78	2.81 120	1.69 104	3.08 95	1.97 105	0.46 111	0.51 129	0.42 101	0.46 113	0.58 113	0.59 117

DeepPrunerF	1.60 99	0.73 107	5.81 128	0.88 113	1.19 134	0.91 24	0.95 85	2.19 113	5.24 136	1.17 28	1.30 40	1.19 26	1.30 83	4.90 112	1.66 93	0.42 99	0.34 91	0.52 117	0.47 114	0.41 77	0.40 79

G-Net	1.66 100	0.63 98	1.56 91	1.11 130	0.74 90	2.98 127	0.91 76	1.55 38	1.22 41	2.76 116	8.18 136	2.32 107	2.53 123	1.92 52	1.87 99	0.48 113	0.44 116	0.45 105	0.31 75	0.60 118	0.57 114

STTStereo_v2	1.66 100	0.63 98	1.56 91	1.11 130	0.74 90	2.98 127	0.91 76	1.55 38	1.22 41	2.76 116	8.18 136	2.32 107	2.53 123	1.92 52	1.87 99	0.48 113	0.44 116	0.45 105	0.31 75	0.60 118	0.57 114

MDST_ROB	1.67 102	0.34 27	1.58 93	0.92 119	0.58 66	4.26 135	1.11 95	2.83 129	1.41 75	4.49 128	2.55 112	1.45 54	0.97 43	7.79 130	1.17 57	0.31 64	0.25 62	0.37 85	0.33 82	0.31 48	0.30 54

SPS-STEREO	1.67 102	1.04 125	1.23 65	1.21 133	1.13 131	1.82 97	1.11 95	2.16 110	1.52 87	3.07 123	2.32 107	2.82 121	1.80 110	4.11 106	2.04 107	1.03 137	0.99 139	0.97 136	0.94 135	1.03 136	1.02 134
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM_RVC	1.68 104	0.36 35	0.61 9	0.59 29	0.29 6	2.25 112	1.18 103	2.38 123	1.68 98	3.60 125	2.67 114	3.69 127	2.42 121	8.13 131	1.90 102	0.31 64	0.31 84	0.30 52	0.28 59	0.30 43	0.29 49
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DPSNet	1.69 105	0.59 88	4.33 122	0.70 72	0.57 60	2.02 105	1.62 116	3.35 135	1.78 104	1.48 64	1.38 54	2.17 102	2.84 126	4.77 110	3.66 120	0.48 113	0.31 84	0.29 48	0.25 39	0.64 122	0.48 101

PVD	1.70 106	0.84 117	2.26 105	0.94 122	0.83 109	2.48 115	0.97 87	2.59 127	3.35 129	3.01 121	2.77 115	2.34 109	2.47 122	2.67 87	3.14 117	0.47 112	0.45 120	0.59 130	0.48 116	0.59 115	0.75 131

FBW_ROB	1.71 107	0.62 97	1.45 86	0.67 60	0.61 75	1.81 96	1.08 93	2.52 126	1.70 99	1.77 86	1.73 83	1.98 93	1.25 78	12.57 141	1.84 98	0.34 76	0.37 102	0.56 127	0.38 95	0.45 93	0.43 89

ADCL	1.72 108	0.57 85	3.66 120	0.67 60	0.61 75	2.61 120	1.85 124	1.96 94	1.67 97	1.90 95	1.83 90	2.06 100	1.90 114	2.13 65	9.15 131	0.26 45	0.24 56	0.34 72	0.32 79	0.38 69	0.35 68

MFN_U_SF_DS_RVC	1.74 109	0.87 121	3.56 119	0.80 97	0.75 97	3.72 131	2.44 134	1.82 71	1.82 108	1.74 84	1.91 94	1.92 88	1.26 79	7.69 129	1.28 68	0.45 107	0.47 123	0.52 117	0.77 132	0.50 101	0.50 104

WCMA_ROB	1.84 110	0.47 61	1.31 75	0.69 68	0.57 60	2.11 107	1.14 99	1.87 76	1.73 102	4.04 126	6.43 131	5.62 132	3.61 130	2.59 82	1.94 103	0.52 119	0.44 116	0.39 92	0.42 104	0.48 97	0.47 99

ADCPNet	1.85 111	0.69 104	8.07 130	0.71 79	0.58 66	2.79 123	1.22 106	1.94 93	1.54 90	1.88 92	1.69 80	2.46 114	2.04 117	2.37 78	6.48 128	0.38 88	0.37 102	0.38 87	0.43 106	0.47 95	0.45 92

NVStereoNet_ROB	1.88 112	1.07 126	1.45 86	1.07 129	1.17 132	1.47 75	1.48 113	1.89 80	1.93 114	1.94 97	4.67 126	3.08 123	1.80 110	6.51 121	1.65 92	1.06 139	0.86 137	1.08 138	1.32 138	0.93 132	1.26 138
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	1.88 112	0.57 85	2.18 104	0.63 41	0.40 27	2.80 124	1.57 115	2.39 124	5.88 137	2.36 107	3.57 122	3.72 128	2.97 127	4.74 109	1.76 95	0.34 76	0.30 80	0.32 59	0.29 64	0.48 97	0.37 73

ADCMid	1.89 114	0.73 107	5.06 124	0.72 82	0.67 84	2.00 104	1.14 99	1.97 97	1.48 82	2.86 119	1.81 89	2.37 110	2.05 118	2.24 72	10.39 134	0.33 69	0.31 84	0.39 92	0.43 106	0.50 101	0.44 91

AnyNet_C32	1.96 115	1.10 128	5.17 125	0.90 115	1.11 128	2.12 108	2.37 132	1.85 74	1.48 82	2.45 109	1.70 81	2.05 99	1.64 101	2.50 81	10.28 133	0.37 85	0.34 91	0.35 77	0.41 102	0.49 100	0.54 109

MSMD_ROB	1.99 116	0.59 88	0.89 36	0.70 72	0.61 75	3.95 134	0.94 83	1.80 68	1.79 105	4.41 127	4.43 124	8.17 135	3.66 131	3.40 98	1.33 72	0.52 119	0.48 124	0.54 122	0.58 126	0.53 107	0.50 104

ADCP+	1.99 116	0.48 65	7.73 129	0.66 54	0.91 114	2.30 113	1.05 91	1.82 71	1.34 62	1.54 70	1.32 46	1.74 77	1.61 99	2.17 66	13.37 137	0.24 30	0.21 40	0.32 59	0.28 59	0.37 63	0.29 49

MSC_U_SF_DS_RVC	2.12 118	1.15 132	3.10 117	1.05 126	0.76 100	5.03 137	2.40 133	2.16 110	2.62 125	1.89 94	2.28 106	2.69 118	1.65 102	9.35 135	2.04 107	0.64 131	0.51 129	0.68 132	0.71 131	1.09 137	0.67 127

ADCS	2.25 119	0.99 124	5.55 126	0.81 99	0.74 90	2.19 110	1.80 122	2.27 117	2.14 119	2.80 118	2.13 103	2.40 111	2.03 116	2.64 86	13.69 138	0.41 96	0.39 108	0.40 97	0.45 110	0.58 113	0.56 112

AnyNet_C01	2.26 120	1.78 136	10.22 132	0.93 120	0.74 90	2.92 126	2.20 130	2.29 118	1.80 106	2.53 111	2.41 111	2.71 119	1.73 105	3.41 99	6.72 129	0.41 96	0.39 108	0.40 97	0.42 104	0.67 125	0.63 123

MeshStereo	2.26 120	0.56 83	0.92 40	0.61 35	0.49 44	2.60 119	1.02 89	3.18 133	2.05 117	7.40 139	4.98 129	7.58 133	2.98 128	6.37 120	1.96 104	0.43 102	0.43 114	0.45 105	0.39 96	0.43 84	0.42 86
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	2.32 122	0.63 98	0.81 28	0.84 103	0.75 97	2.23 111	0.94 83	2.09 105	1.80 106	5.45 134	7.72 135	7.77 134	6.93 138	3.39 97	1.80 97	0.52 119	0.48 124	0.52 117	0.51 121	0.57 111	0.58 116
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
DispFullNet	2.34 123	2.85 138	3.66 120	3.08 141	2.27 139	1.97 103	0.67 53	2.00 99	1.70 99	2.52 110	2.00 98	2.23 103	5.86 135	3.44 102	1.58 91	1.01 135	0.32 90	2.64 140	1.94 140	2.85 139	2.24 139

pmcnn	2.37 124	0.42 49	2.71 115	0.63 41	0.43 34	1.54 81	1.19 104	2.01 100	1.53 89	2.64 114	7.60 133	18.07 142	1.45 89	3.44 102	2.78 114	0.18 3	0.15 10	0.15 1	0.12 3	0.20 11	0.18 9

ELAS	2.37 124	0.74 110	1.54 90	0.99 123	0.92 116	4.78 136	2.33 131	3.33 134	3.37 130	5.05 133	4.77 127	3.67 126	4.53 133	3.42 100	4.50 123	0.62 129	0.53 131	0.55 125	0.53 123	0.63 120	0.64 126
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficient	2.37 124	1.10 128	8.08 131	0.74 91	0.71 87	0.98 37	1.56 114	1.46 20	4.06 133	4.90 131	2.82 116	2.25 104	3.48 129	2.95 92	9.97 132	0.26 45	0.24 56	0.26 35	0.30 71	0.68 126	0.61 121

SGM+DAISY	2.41 127	1.07 126	2.14 102	1.18 132	1.10 127	2.14 109	1.36 110	1.96 94	1.66 96	5.46 135	7.07 132	4.95 131	4.32 132	5.50 114	2.26 111	1.04 138	1.02 140	0.99 137	0.97 136	1.02 135	1.04 135

ELAS_RVC	2.48 128	0.74 110	1.90 99	1.05 126	0.92 116	2.76 121	4.01 138	2.76 128	4.11 134	4.69 129	4.63 125	4.62 129	5.96 136	3.97 105	3.96 122	0.63 130	0.53 131	0.56 127	0.52 122	0.64 122	0.63 123
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SuperB	2.53 129	0.59 88	18.45 138	0.69 68	0.50 46	1.87 101	0.88 71	1.67 45	2.39 121	1.50 66	1.42 60	1.14 23	1.15 67	4.28 108	5.07 124	0.24 30	0.19 29	0.22 20	0.19 18	7.86 144	0.34 64

RTSA	2.67 130	1.38 133	15.28 136	0.99 123	1.26 136	3.78 132	1.96 127	2.15 108	2.62 125	2.61 112	2.85 117	2.60 116	1.59 96	6.27 117	5.71 126	0.40 92	0.28 71	0.35 77	0.35 89	0.50 101	0.48 101

RTS	2.67 130	1.38 133	15.28 136	0.99 123	1.26 136	3.78 132	1.96 127	2.15 108	2.62 125	2.61 112	2.85 117	2.60 116	1.59 96	6.27 117	5.71 126	0.40 92	0.28 71	0.35 77	0.35 89	0.50 101	0.48 101

MADNet+	2.69 132	3.22 140	11.53 134	1.44 138	1.12 130	3.19 129	1.81 123	2.85 130	2.37 120	1.68 81	2.07 101	2.85 122	2.18 119	7.41 126	5.23 125	0.79 132	0.76 135	0.69 134	0.65 130	0.98 133	0.95 133

FC-DCNN	2.72 133	0.59 88	0.86 32	0.73 89	0.57 60	2.91 125	1.04 90	3.01 132	2.60 124	6.83 136	7.64 134	9.92 137	6.33 137	5.21 113	3.14 117	0.53 124	0.48 124	0.51 116	0.50 119	0.53 107	0.51 107

PWCK	2.88 134	2.05 137	5.72 127	2.08 139	1.11 128	3.55 130	3.90 137	2.86 131	3.54 132	3.03 122	3.63 123	3.10 124	2.31 120	8.15 132	3.09 116	2.12 140	0.91 138	1.75 139	0.98 137	2.57 138	1.18 137

MADNet++	5.01 135	3.14 139	4.91 123	4.55 142	3.94 140	5.20 138	4.41 139	4.40 138	4.13 135	4.95 132	6.08 130	4.74 130	5.37 134	9.40 136	10.67 135	4.65 142	4.15 141	3.97 141	3.34 141	4.09 141	4.08 140

MANE	6.19 136	0.59 88	1.03 47	0.93 120	1.22 135	13.38 142	2.69 135	12.81 143	17.94 144	8.21 140	10.82 140	14.72 140	11.68 139	11.39 140	11.90 136	0.59 126	0.50 128	0.52 117	1.76 139	0.55 109	0.54 109

LSM	6.33 137	1.10 128	13.19 135	1.41 137	68.17 148	1.64 89	1.90 125	1.92 87	2.46 122	2.99 120	3.11 120	1.88 80	1.80 110	2.61 84	2.06 109	0.41 96	0.58 133	0.50 115	0.57 125	0.64 122	17.66 146

SGM-ForestM	6.52 138	0.38 39	1.26 69	0.63 41	0.35 14	13.59 143	5.32 140	6.32 140	6.70 139	11.14 141	9.18 139	22.51 145	13.93 140	16.89 143	20.07 140	0.36 82	0.37 102	0.36 84	0.35 89	0.36 62	0.34 64

LE_ROB	8.05 139	0.37 37	23.53 141	0.74 91	0.33 11	2.77 122	2.87 136	3.71 137	27.24 145	25.39 145	8.87 138	8.46 136	26.71 145	6.65 122	21.99 141	0.21 15	0.19 29	0.20 14	0.21 25	0.25 29	0.22 27

EDNetEfficientorigin	10.57 140	1.47 135	177.42 149	0.67 60	0.53 51	1.58 84	1.16 102	1.90 83	3.37 130	4.71 130	3.38 121	3.10 124	2.69 125	3.13 96	3.58 119	0.25 34	0.23 52	0.33 64	0.27 48	0.83 130	0.81 132

DPSimNet_ROB	11.20 141	4.98 141	35.43 144	2.90 140	4.52 141	7.89 139	17.09 141	4.66 139	6.06 138	14.89 144	10.93 141	17.29 141	36.81 147	13.18 142	15.68 139	2.86 141	6.29 142	5.75 144	5.09 142	3.91 140	7.70 141

DGTPSM_ROB	13.01 142	8.23 142	21.87 139	9.51 143	18.10 142	11.56 140	32.01 145	10.63 141	16.20 140	7.03 137	19.48 144	10.15 138	16.66 141	9.83 137	22.42 142	4.75 143	8.68 143	5.37 142	10.25 143	6.16 142	11.36 142

DPSMNet_ROB	13.02 143	8.23 142	21.91 140	9.53 144	18.11 143	11.56 140	32.02 146	10.64 142	16.23 141	7.05 138	19.49 145	10.16 139	16.66 141	9.85 138	22.43 143	4.77 144	8.68 143	5.38 143	10.26 144	6.17 143	11.36 142

DPSM	19.08 144	19.14 146	25.17 142	22.15 145	20.85 144	28.17 144	37.82 147	26.56 144	16.85 142	14.14 142	14.84 142	21.70 143	18.75 143	21.87 144	26.55 144	10.16 145	9.30 145	10.47 145	10.42 145	14.03 145	12.61 144

DPSM_ROB	19.08 144	19.14 146	25.17 142	22.15 145	20.85 144	28.17 144	37.82 147	26.56 144	16.85 142	14.14 142	14.84 142	21.70 143	18.75 143	21.87 144	26.55 144	10.16 145	9.30 145	10.47 145	10.42 145	14.03 145	12.61 144

BEATNet-Init1	26.87 146	13.43 145	70.68 148	0.91 117	0.68 85	57.02 149	21.06 142	32.82 146	32.67 146	52.12 149	53.61 149	66.05 149	49.56 150	48.79 149	34.71 146	0.49 118	0.44 116	0.53 121	0.53 123	0.63 120	0.59 117

AVERAGE_ROB	40.43 147	42.37 149	42.73 145	36.96 148	35.58 147	30.50 146	27.61 143	36.71 148	38.39 148	44.91 147	44.36 147	37.45 147	36.70 146	41.88 146	40.35 147	45.43 148	46.81 148	47.11 148	46.35 148	42.51 148	43.87 148

MEDIAN_ROB	42.00 148	44.40 150	44.29 146	35.15 147	34.95 146	31.28 147	29.60 144	35.88 147	40.02 149	47.20 148	46.64 148	37.37 146	38.48 149	44.35 148	42.45 148	48.03 149	49.39 149	49.71 149	49.03 149	45.14 149	46.65 149

LSM0	42.82 149	38.75 148	50.81 147	47.07 149	109.38 149	57.00 148	76.02 149	53.74 149	33.71 147	29.02 146	30.41 146	43.87 148	37.22 148	43.91 147	53.54 149	20.52 147	18.62 147	21.10 147	21.11 147	28.41 147	42.22 147

MSMDNet													0.58 7

ASD4		10.99 144

Low-res two-view benchmark