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	0.92 1	0.53 6	1.45 2	0.61 1	0.34 1	4.42 152	0.40 5	2.21 9	1.54 11	0.94 5	1.12 5	0.87 10	0.87 8	1.12 7	0.72 5	0.28 10	0.19 8	0.22 2	0.15 1	0.22 1	0.19 3
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.99 2	0.48 1	1.73 6	0.62 2	0.56 17	4.20 138	0.43 8	1.88 5	1.58 15	1.00 6	1.05 3	0.78 5	0.98 15	1.50 24	0.85 10	1.21 167	0.20 11	0.23 3	0.15 1	0.22 1	0.19 3

TANstereo	1.01 3	0.55 7	1.73 6	0.76 6	0.36 2	4.04 110	0.38 4	1.48 1	1.62 19	2.03 53	2.10 90	0.84 7	0.93 11	0.98 3	0.62 1	0.28 10	0.36 81	0.23 3	0.20 11	0.25 8	0.46 68

GMStereo	1.01 3	1.00 81	2.86 23	0.83 13	0.45 11	1.47 5	0.57 13	1.89 6	2.11 54	1.52 15	1.24 8	0.87 10	0.74 5	1.58 27	0.94 18	0.40 76	0.21 16	0.30 33	0.30 50	0.47 69	0.36 36

CREStereo++_RVC	1.02 5	0.49 2	1.54 4	0.83 13	0.55 15	4.01 106	0.31 1	1.63 2	1.99 36	1.63 18	2.13 96	0.84 7	0.65 3	0.88 1	0.70 3	0.27 5	0.15 1	0.23 3	1.22 172	0.24 3	0.17 1

s12784h	1.02 5	0.49 2	1.54 4	0.83 13	0.55 15	4.01 106	0.31 1	1.63 2	1.99 36	1.63 18	2.13 96	0.84 7	0.65 3	0.88 1	0.70 3	0.27 5	0.15 1	0.23 3	1.22 172	0.24 3	0.17 1

XX-TBD	1.03 7	0.95 73	1.94 12	1.30 94	0.43 9	3.97 101	0.33 3	1.74 4	1.73 25	1.59 16	2.02 78	0.69 1	0.60 1	1.16 9	0.66 2	0.30 27	0.25 42	0.23 3	0.15 1	0.31 26	0.22 6

Anonymous	1.04 8	0.76 44	2.42 19	1.06 37	1.27 99	1.67 6	0.86 44	2.51 13	1.49 4	0.92 4	1.14 6	0.70 2	1.10 20	1.26 14	0.98 20	0.47 100	0.33 71	0.30 33	0.30 50	0.66 113	0.51 82

sCroCo_RVC	1.06 9	0.82 58	5.05 46	1.02 33	1.05 69	0.98 1	0.61 20	2.06 7	1.29 2	0.69 1	1.26 9	0.82 6	1.10 20	1.20 11	0.90 12	0.42 84	0.40 97	0.33 48	0.30 50	0.46 68	0.38 41

iRaftStereo_RVC	1.09 10	0.70 28	1.39 1	0.95 22	0.45 11	3.83 83	0.42 6	2.37 12	1.58 15	1.69 23	1.76 45	1.80 39	0.83 6	1.50 24	0.98 20	0.28 10	0.18 5	0.29 32	0.26 33	0.30 22	0.31 29

RALCasStereoNet	1.19 11	1.02 83	2.06 13	1.12 48	1.14 77	3.08 21	0.70 30	2.99 24	1.73 25	1.34 8	1.68 32	1.18 19	0.91 10	2.16 40	1.00 22	0.30 27	0.26 48	0.24 13	0.21 14	0.29 18	0.30 27

raftrobust	1.19 11	0.72 34	2.30 16	1.26 82	1.31 102	3.55 58	0.68 28	2.75 18	1.47 3	2.21 74	1.38 17	1.17 18	1.22 31	1.20 11	1.11 23	0.28 10	0.24 36	0.21 1	0.19 9	0.25 8	0.28 22

RAFT-Stereo	1.20 13	0.58 13	1.81 10	0.99 27	0.67 29	3.78 77	0.90 52	4.09 109	1.51 6	2.16 68	1.71 37	1.13 16	0.94 12	1.40 19	0.91 14	0.30 27	0.24 36	0.26 22	0.21 14	0.26 10	0.25 12
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
R-Stereo Train	1.20 13	0.58 13	1.81 10	0.99 27	0.67 29	3.78 77	0.90 52	4.09 109	1.51 6	2.16 68	1.71 37	1.13 16	0.94 12	1.40 19	0.91 14	0.30 27	0.24 36	0.26 22	0.21 14	0.26 10	0.25 12

raft+_RVC	1.21 15	0.83 60	2.61 21	1.35 108	0.97 59	3.60 63	0.76 35	3.23 32	1.51 6	1.33 7	1.67 30	1.03 13	1.10 20	1.87 36	0.92 17	0.24 3	0.22 21	0.25 15	0.24 28	0.26 10	0.25 12

rafts_anoy	1.24 16	0.80 51	3.61 41	1.17 59	1.20 87	3.00 20	0.61 20	3.17 30	1.58 15	1.37 10	1.26 9	1.19 21	1.12 24	1.78 35	1.25 27	0.32 40	0.23 29	0.32 41	0.32 61	0.31 26	0.30 27

DIP-Stereo	1.24 16	0.69 26	1.77 9	0.65 3	0.61 25	4.29 144	0.58 17	4.44 153	2.53 100	1.98 46	1.33 12	0.91 12	0.86 7	1.25 13	1.25 27	0.36 60	0.23 29	0.32 41	0.23 21	0.32 30	0.29 24
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RAFT-Stereo + iAFF	1.25 18	0.72 34	1.74 8	1.05 35	0.36 2	4.13 125	0.42 6	2.95 23	2.84 125	2.02 51	2.40 116	1.61 34	1.11 23	1.26 14	0.97 19	0.21 1	0.15 1	0.26 22	0.23 21	0.29 18	0.23 7

RALAANet	1.28 19	1.08 92	3.21 31	1.25 77	0.94 54	1.44 4	0.69 29	3.15 29	2.57 104	2.01 49	1.80 51	1.29 27	1.05 18	2.00 38	1.48 37	0.27 5	0.20 11	0.27 26	0.24 28	0.40 46	0.27 19

AFF-stereo	1.31 20	0.77 47	1.46 3	1.10 45	0.45 11	3.93 94	0.48 10	2.92 22	2.92 130	1.90 40	2.21 106	2.11 50	1.52 61	1.93 37	1.12 24	0.21 1	0.16 4	0.25 15	0.25 32	0.29 18	0.20 5

MSMDNet	1.31 20	0.60 16	4.96 45	1.03 34	0.65 27	3.30 33	0.70 30	2.12 8	1.57 14	1.82 35	1.49 20	3.11 106	1.18 25	1.19 10	0.91 14	0.28 10	0.22 21	0.25 15	0.23 21	0.28 16	0.24 10

sAnonymous2	1.37 22	1.22 107	9.79 69	0.92 18	0.88 44	1.23 2	0.61 20	2.56 14	1.69 22	0.85 2	1.02 1	0.73 3	1.23 32	0.98 3	0.78 6	0.29 18	0.25 42	0.31 37	0.30 50	1.06 151	0.71 119

CroCo_RVC	1.37 22	1.22 107	9.79 69	0.92 18	0.88 44	1.23 2	0.61 20	2.56 14	1.69 22	0.85 2	1.02 1	0.73 3	1.23 32	0.98 3	0.78 6	0.29 18	0.25 42	0.31 37	0.30 50	1.06 151	0.71 119

GES	1.38 24	0.64 23	2.61 21	1.09 40	0.57 21	4.30 146	1.02 69	3.86 71	1.51 6	1.72 24	1.74 42	1.28 26	1.77 84	1.62 31	1.61 46	0.39 74	0.27 53	0.33 48	0.30 50	0.41 50	0.47 70

AdaStereo	1.45 25	0.83 60	2.34 17	1.28 87	0.81 36	3.21 23	1.14 80	4.20 123	2.46 93	2.05 56	1.77 47	2.48 67	1.18 25	1.71 33	1.44 32	0.43 87	0.25 42	0.43 83	0.28 42	0.44 60	0.34 33
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.
ACVNet	1.46 26	0.64 23	3.56 38	0.93 21	0.85 42	4.22 139	0.80 37	2.85 19	2.08 46	1.78 29	1.88 65	3.10 103	1.46 51	1.33 17	1.89 72	0.29 18	0.26 48	0.30 33	0.26 33	0.39 43	0.27 19

acv_ft	1.55 27	0.64 23	3.29 34	1.14 53	2.01 164	2.93 19	0.97 64	3.81 66	2.08 46	2.22 75	1.88 65	3.10 103	1.66 75	1.33 17	2.22 91	0.29 18	0.26 48	0.30 33	0.26 33	0.39 43	0.27 19

UCFNet_RVC	1.57 28	0.84 62	3.25 32	1.36 112	1.40 113	4.07 114	1.01 68	2.68 17	1.50 5	2.11 65	1.88 65	2.37 61	1.50 57	3.41 45	1.42 31	0.36 60	0.28 56	0.52 117	0.40 95	0.53 84	0.43 62

Gwc-CoAtRS	1.58 29	0.57 9	11.69 83	1.01 29	0.60 24	2.53 11	0.64 25	2.36 11	1.56 13	1.80 32	1.47 19	2.74 79	1.18 25	1.12 7	0.90 12	0.27 5	0.21 16	0.25 15	0.22 19	0.27 13	0.23 7

HCRNet	1.60 30	0.56 8	2.47 20	0.78 7	1.36 108	4.11 120	0.71 32	3.57 46	2.79 116	1.75 28	1.61 26	1.58 31	1.41 41	5.79 75	1.56 41	0.34 50	0.28 56	0.36 59	0.29 45	0.33 32	0.37 39

DMCA	1.72 31	0.74 41	6.63 50	1.14 53	0.96 56	3.98 102	0.90 52	3.75 60	2.76 113	2.83 119	1.58 25	2.35 59	1.18 25	1.58 27	1.98 78	0.40 76	0.27 53	0.42 80	0.26 33	0.36 38	0.38 41

Anonymous3	1.72 31	0.76 44	11.61 82	0.83 13	0.84 41	4.46 154	0.84 42	3.57 46	1.16 1	1.34 8	1.37 15	1.11 15	1.03 16	1.58 27	1.13 25	0.70 145	0.58 139	0.33 48	0.35 67	0.47 69	0.42 56

cscssc	1.74 33	0.70 28	9.08 61	0.81 8	0.36 2	4.15 126	0.57 13	4.23 127	2.09 49	2.30 83	1.80 51	1.19 21	3.02 131	1.44 21	1.46 34	0.29 18	0.23 29	0.23 3	0.18 4	0.24 3	0.42 56

csc	1.74 33	0.70 28	9.08 61	0.81 8	0.36 2	4.15 126	0.57 13	4.23 127	2.09 49	2.30 83	1.80 51	1.19 21	3.02 131	1.44 21	1.46 34	0.29 18	0.23 29	0.23 3	0.18 4	0.24 3	0.42 56

GwcNet-DCA	1.74 33	0.73 37	9.08 61	0.82 12	0.40 7	4.18 133	0.59 18	4.25 132	2.97 131	2.35 89	1.84 60	1.18 19	1.63 70	1.51 26	1.55 40	0.29 18	0.24 36	0.23 3	0.18 4	0.30 22	0.53 85

StereoDRNet-Refined	1.77 36	0.81 53	2.22 15	1.21 69	0.76 33	3.26 27	0.71 32	3.82 67	2.05 43	2.29 81	2.05 85	2.98 98	1.44 46	7.15 83	2.27 93	0.30 27	0.23 29	0.42 80	0.33 62	0.45 65	0.64 109
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
UPFNet	1.81 37	0.63 21	6.71 51	1.25 77	1.44 117	3.50 50	1.35 91	4.02 96	1.85 30	2.40 95	1.52 21	2.41 63	1.40 39	3.62 50	1.88 71	0.34 50	0.33 71	0.37 60	0.31 59	0.41 50	0.39 43

111	1.83 38	0.92 69	9.08 61	0.81 8	0.36 2	4.25 142	0.91 57	4.44 153	2.70 111	2.39 93	1.96 73	2.30 55	1.64 73	1.28 16	1.82 65	0.28 10	0.22 21	0.24 13	0.20 11	0.31 26	0.54 89

MLCV	1.87 39	0.91 67	8.59 57	1.10 45	0.57 21	3.59 61	0.53 11	3.70 57	2.20 61	2.80 117	2.25 109	2.00 44	1.42 44	4.13 55	1.86 69	0.30 27	0.20 11	0.32 41	0.21 14	0.33 32	0.36 36

222	1.88 40	0.70 28	10.88 77	0.81 8	0.40 7	4.15 126	0.57 13	4.23 127	2.98 133	2.30 83	1.80 51	1.19 21	3.02 131	1.44 21	1.46 34	0.29 18	0.23 29	0.23 3	0.18 4	0.30 22	0.42 56

DSFCA	1.89 41	0.69 26	3.14 30	1.10 45	1.18 81	3.99 103	1.79 123	3.50 41	2.16 58	3.10 130	1.64 28	2.91 96	2.50 118	5.38 67	2.26 92	0.43 87	0.38 89	0.37 60	0.36 73	0.50 74	0.42 56

iResNet_ROB	1.89 41	1.02 83	8.60 58	1.39 119	0.98 63	3.72 72	0.66 27	3.84 68	2.65 106	1.88 38	2.05 85	1.98 42	1.27 35	4.52 58	1.67 52	0.30 27	0.20 11	0.28 28	0.18 4	0.31 26	0.40 50

CFNet_RVC	1.90 43	0.95 73	3.56 38	1.07 38	1.54 126	4.09 115	0.90 52	2.85 19	1.82 28	1.78 29	1.70 33	2.75 81	1.48 53	9.33 102	1.72 56	0.33 45	0.30 63	0.61 136	0.36 73	0.52 78	0.39 43

CFNet-ft	1.90 43	0.95 73	3.56 38	1.07 38	1.54 126	4.09 115	0.90 52	2.85 19	1.82 28	1.78 29	1.70 33	2.75 81	1.48 53	9.33 102	1.72 56	0.33 45	0.30 63	0.61 136	0.36 73	0.52 78	0.39 43

DN-CSS_ROB	1.91 45	1.55 133	11.13 80	1.82 154	0.88 44	3.99 103	0.61 20	4.01 95	1.67 20	1.64 20	1.89 69	1.39 29	1.06 19	3.23 43	1.50 38	0.31 35	0.19 8	0.44 86	0.29 45	0.37 40	0.31 29

GEStereo_RVC	1.91 45	0.80 51	6.57 49	1.20 67	1.06 70	4.02 109	1.43 101	4.13 113	1.89 33	2.03 53	1.80 51	2.34 57	1.86 94	4.94 60	1.77 62	0.48 102	0.38 89	0.32 41	0.28 42	0.42 54	0.50 78

BEATNet_4x	1.92 47	1.36 120	8.75 59	1.20 67	0.56 17	3.46 44	1.03 70	4.00 94	2.43 86	2.25 79	1.70 33	2.10 49	1.59 65	2.57 42	3.05 122	0.37 62	0.22 21	0.47 94	0.29 45	0.60 99	0.40 50

delet	1.92 47	0.76 44	5.14 47	1.01 29	1.65 142	3.44 39	2.03 133	3.76 62	2.48 94	2.01 49	2.05 85	2.63 77	1.90 96	5.34 66	2.12 87	0.28 10	0.29 59	0.40 72	0.31 59	0.41 50	0.45 65

LALA_ROB	1.95 49	1.48 130	3.11 29	1.05 35	0.98 63	3.99 103	1.82 125	4.44 153	2.28 70	3.31 137	1.85 63	2.76 87	1.67 77	4.04 54	3.23 124	0.46 97	0.41 101	0.55 124	0.52 122	0.60 99	0.57 97

PSMNet-RSSM	1.96 50	0.77 47	3.26 33	1.29 90	1.31 102	4.19 134	0.96 63	3.68 53	1.89 33	2.05 56	1.80 51	2.60 75	1.70 79	9.84 110	1.81 64	0.35 58	0.29 59	0.35 57	0.37 81	0.42 54	0.35 34

pcwnet_v2	1.98 51	0.57 9	2.98 26	1.62 141	1.03 68	3.89 89	0.97 64	4.33 145	2.45 90	2.27 80	2.13 96	1.58 31	1.37 38	10.22 121	1.71 54	0.41 81	0.39 95	0.38 65	0.37 81	0.43 57	0.55 91

GANet-RSSM	1.98 51	0.62 18	3.49 35	1.69 146	1.23 91	4.22 139	0.91 57	3.31 35	1.86 31	1.81 33	1.74 42	2.34 57	1.82 90	10.92 136	1.73 60	0.34 50	0.29 59	0.31 37	0.28 42	0.39 43	0.40 50

TestStereo	2.00 53	1.02 83	12.25 85	0.70 4	0.61 25	1.88 7	0.55 12	2.31 10	1.52 10	1.41 13	1.33 12	1.27 25	0.90 9	11.62 143	0.81 8	0.34 50	0.19 8	0.33 48	0.24 28	0.44 60	0.24 10

CFNet-pseudo	2.01 54	0.57 9	3.50 37	1.36 112	1.19 83	4.16 132	0.89 50	4.55 161	2.56 103	1.73 26	2.17 100	1.82 40	1.24 34	10.38 126	1.92 74	0.33 45	0.30 63	0.39 68	0.38 84	0.34 34	0.41 54

MMNet	2.02 55	0.81 53	10.76 76	1.12 48	1.23 91	3.53 54	0.89 50	3.79 65	2.08 46	2.15 66	1.76 45	2.15 51	2.12 103	3.69 51	2.32 95	0.31 35	0.29 59	0.34 55	0.27 40	0.38 41	0.42 56

HGLStereo	2.03 56	0.74 41	7.50 52	1.23 73	1.56 133	3.62 64	0.95 62	3.78 64	1.89 33	2.03 53	2.20 104	3.12 107	2.14 104	5.68 73	2.04 81	0.37 62	0.31 68	0.32 41	0.29 45	0.40 46	0.45 65

DeepPruner_ROB	2.05 57	1.09 95	10.50 75	1.01 29	1.20 87	4.39 150	0.91 57	3.14 28	1.72 24	2.60 104	1.54 22	2.78 88	1.27 35	4.52 58	1.72 56	0.51 111	0.40 97	0.37 60	0.34 63	0.48 71	0.52 84

DLCB_ROB	2.05 57	0.95 73	2.37 18	1.24 75	1.02 67	2.92 18	1.30 89	3.68 53	2.30 72	2.91 121	2.17 100	3.32 110	1.52 61	10.37 124	2.50 101	0.40 76	0.33 71	0.40 72	0.36 73	0.41 50	0.47 70

HITNet	2.07 59	0.82 58	14.77 101	1.34 104	0.56 17	3.47 46	0.80 37	4.07 105	2.35 76	2.16 68	1.61 26	1.64 35	1.44 46	2.09 39	2.56 107	0.26 4	0.18 5	0.41 77	0.26 33	0.45 65	0.25 12
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
ETE_ROB	2.07 59	1.40 125	3.01 28	1.09 40	0.92 52	3.94 95	1.53 106	4.25 132	2.23 64	3.31 137	2.06 89	2.35 59	1.52 61	8.74 93	2.07 85	0.44 91	0.36 81	0.51 111	0.48 115	0.54 86	0.62 105

CFNet-RSSM	2.08 61	0.52 5	20.06 152	1.01 29	0.56 17	3.39 37	0.64 25	3.67 52	1.55 12	1.72 24	1.37 15	2.57 72	1.19 29	1.11 6	0.86 11	0.27 5	0.20 11	0.25 15	0.23 21	0.27 13	0.23 7

PS-NSSS	2.22 62	1.33 118	2.90 24	0.97 25	1.53 125	4.11 120	1.08 74	4.55 161	2.65 106	2.10 62	2.32 111	1.77 38	1.40 39	11.79 152	1.61 46	0.68 141	0.45 114	0.96 167	0.43 103	0.95 144	0.92 146

FENet	2.25 63	0.50 4	20.29 157	1.35 108	0.67 29	4.01 106	0.60 19	3.95 89	1.99 36	1.96 44	1.11 4	2.43 65	1.43 45	1.60 30	1.39 30	0.32 40	0.22 21	0.33 48	0.26 33	0.29 18	0.39 43

DISCO	2.25 63	0.73 37	10.06 72	1.76 151	1.12 75	3.47 46	1.25 88	3.24 33	2.26 67	2.65 106	1.96 73	4.53 150	1.92 97	4.17 57	3.61 127	0.32 40	0.25 42	0.31 37	0.29 45	0.66 113	0.41 54

XPNet_ROB	2.27 65	1.11 98	4.10 42	1.36 112	0.97 59	3.94 95	1.63 113	4.07 105	2.14 55	2.82 118	2.00 77	2.32 56	1.73 82	10.81 131	3.39 125	0.51 111	0.47 122	0.48 99	0.40 95	0.51 75	0.56 94

NOSS_ROB	2.27 65	0.73 37	3.00 27	1.71 148	1.00 65	3.90 90	0.97 64	4.29 137	2.81 121	2.94 124	2.19 103	3.88 129	1.19 29	11.77 151	1.62 48	0.59 124	0.54 132	0.56 125	0.52 122	0.56 91	0.54 89

psm_up	2.28 67	0.81 53	5.45 48	1.26 82	1.50 122	3.84 86	1.23 87	4.23 127	2.03 40	2.55 101	1.80 51	2.44 66	1.65 74	12.90 166	1.58 42	0.37 62	0.38 89	0.41 77	0.34 63	0.43 57	0.39 43

TDLM	2.29 68	1.08 92	4.61 44	1.29 90	1.01 66	4.26 143	2.17 138	3.75 60	2.79 116	2.31 86	1.98 76	2.06 48	1.59 65	12.45 162	1.72 56	0.51 111	0.28 56	0.52 117	0.35 67	0.56 91	0.50 78

CFNet	2.34 69	1.10 96	8.96 60	1.34 104	1.24 93	4.09 115	0.73 34	4.04 100	2.77 114	1.62 17	1.87 64	2.27 54	1.45 49	11.41 137	1.82 65	0.31 35	0.24 36	0.43 83	0.36 73	0.43 57	0.33 32

STTStereo	2.34 69	0.95 73	14.93 106	1.43 121	1.54 126	3.86 88	0.86 44	3.65 49	2.44 89	2.15 66	1.55 23	2.49 69	1.59 65	5.14 63	1.44 32	0.38 69	0.39 95	0.47 94	0.51 119	0.52 78	0.51 82

ac_64	2.35 71	0.62 18	9.77 68	1.32 96	1.71 148	3.27 29	0.93 60	3.48 39	2.50 97	1.74 27	1.73 41	3.91 130	1.77 84	10.21 119	1.86 69	0.40 76	0.31 68	0.33 48	0.30 50	0.34 34	0.39 43

HSM	2.35 71	0.81 53	2.21 14	1.14 53	1.55 130	3.44 39	1.03 70	3.99 93	2.25 66	2.29 81	2.11 93	8.04 169	3.05 134	11.60 141	1.71 54	0.33 45	0.22 21	0.28 28	0.23 21	0.32 30	0.35 34

EAI-Stereo	2.35 71	0.63 21	2.97 25	0.95 22	0.65 27	3.84 86	14.27 177	5.04 171	2.19 60	2.06 59	7.25 160	1.10 14	0.94 12	1.65 32	1.37 29	0.31 35	0.22 21	0.27 26	0.60 137	0.27 13	0.32 31

hitnet-ft	2.37 74	0.73 37	8.34 55	0.96 24	0.89 48	3.77 76	0.80 37	3.55 44	2.58 105	2.24 78	2.04 82	3.65 124	1.49 56	11.71 149	1.89 72	0.44 91	0.53 131	0.44 86	0.35 67	0.52 78	0.48 72

test_xeample3	2.40 75	0.90 64	19.33 146	0.73 5	0.43 9	4.62 157	1.93 127	4.47 157	2.09 49	2.16 68	2.35 114	1.48 30	1.63 70	1.75 34	1.84 68	0.28 10	0.22 21	0.25 15	0.20 11	0.24 3	1.06 154

DMCA-RVC	2.45 76	1.22 107	18.29 136	1.23 73	1.14 77	2.49 10	0.85 43	3.29 34	1.68 21	3.02 126	1.41 18	2.00 44	1.53 64	6.39 78	2.00 79	0.38 69	0.30 63	0.44 86	0.35 67	0.45 65	0.44 63

FADNet	2.49 77	1.76 144	13.17 90	1.17 59	0.95 55	3.27 29	0.88 49	3.94 88	2.27 69	1.40 12	1.29 11	2.51 70	2.06 100	9.93 115	1.94 75	0.43 87	0.45 114	0.40 72	0.43 103	1.06 151	0.53 85

FADNet-RVC	2.51 78	2.27 156	14.03 95	1.09 40	0.81 36	3.54 57	1.10 75	4.13 113	2.48 94	1.39 11	1.22 7	1.85 41	1.77 84	9.78 109	2.06 83	0.38 69	0.37 87	0.40 72	0.40 95	0.67 115	0.48 72

UNet	2.51 78	0.74 41	20.17 153	1.14 53	1.44 117	3.48 48	0.76 35	3.77 63	1.87 32	2.05 56	1.57 24	2.75 81	2.39 113	3.51 47	2.51 102	0.32 40	0.26 48	0.41 77	0.26 33	0.38 41	0.39 43

RAFT + AFF	2.51 78	2.66 162	4.48 43	1.15 57	1.95 162	4.15 126	2.01 132	4.46 156	3.30 151	2.19 72	2.51 120	2.22 52	4.87 158	8.91 96	2.06 83	0.30 27	0.60 144	0.48 99	0.38 84	0.77 132	0.69 118

iResNet	2.52 81	0.94 72	21.17 167	1.84 156	0.72 32	3.75 74	0.81 40	4.14 118	2.55 102	2.33 88	2.03 79	1.35 28	1.44 46	3.27 44	2.16 89	0.35 58	0.23 29	0.28 28	0.22 19	0.44 60	0.45 65

NCCL2	2.53 82	1.35 119	10.90 78	1.15 57	0.97 59	3.53 54	2.56 145	3.65 49	2.23 64	2.76 113	1.80 51	2.41 63	1.66 75	10.35 123	2.07 85	0.44 91	0.40 97	0.57 126	0.53 126	0.59 95	0.65 111

XX-Stereo	2.54 83	0.61 17	20.21 154	1.78 152	1.19 83	4.30 146	0.46 9	4.39 150	1.58 15	2.32 87	1.89 69	4.64 153	0.60 1	4.16 56	0.82 9	0.31 35	0.21 16	0.28 28	0.27 40	0.51 75	0.26 17

NVstereo2D	2.54 83	0.90 64	11.10 79	1.32 96	1.47 120	3.58 60	1.38 94	4.13 113	2.45 90	1.90 40	1.71 37	2.86 92	1.76 83	10.86 132	1.66 51	0.60 125	0.43 107	0.53 119	0.41 99	0.78 133	0.94 148

NLCA_NET_v2_RVC	2.54 83	1.04 87	16.73 124	1.53 132	2.00 163	3.96 99	0.87 48	3.87 73	2.31 73	2.54 100	1.67 30	2.85 91	1.63 70	5.55 70	1.62 48	0.46 97	0.33 71	0.38 65	0.38 84	0.53 84	0.62 105
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CVANet_RVC	2.55 86	1.10 96	9.13 65	1.46 123	1.15 79	3.96 99	1.53 106	3.91 83	2.50 97	3.04 127	2.04 82	2.60 75	1.72 81	12.46 163	1.50 38	0.49 104	0.30 63	0.51 111	0.41 99	0.63 104	0.50 78

ARAFT	2.56 87	1.13 99	19.50 148	0.89 17	0.48 14	4.15 126	1.40 97	4.36 147	2.82 123	2.36 91	1.88 65	1.70 37	1.04 17	6.45 79	1.22 26	0.29 18	0.18 5	0.37 60	0.35 67	0.35 37	0.25 12

RASNet	2.56 87	0.70 28	10.06 72	1.60 138	2.25 171	3.67 68	1.00 67	3.38 38	3.14 139	1.81 33	2.11 93	4.60 152	2.30 108	10.25 122	2.61 108	0.37 62	0.24 36	0.25 15	0.24 28	0.28 16	0.26 17

cf-r	2.57 89	0.79 50	16.09 114	1.48 126	1.35 107	4.19 134	0.93 60	3.68 53	2.36 78	1.97 45	1.81 59	3.42 112	1.45 49	8.24 88	1.83 67	0.32 40	0.26 48	0.33 48	0.30 50	0.34 34	0.37 39

DANet	2.63 90	1.07 90	8.10 54	1.83 155	1.70 147	3.25 26	1.16 81	4.31 143	2.38 81	3.40 140	2.18 102	4.08 137	1.80 88	9.77 108	3.89 130	0.52 117	0.55 134	0.59 129	0.44 105	0.63 104	0.86 140
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FADNet_RVC	2.65 91	2.28 157	16.51 120	0.98 26	0.92 52	4.09 115	0.83 41	4.26 134	1.73 25	1.46 14	1.78 49	1.60 33	1.50 57	8.88 95	2.39 97	0.47 100	0.38 89	0.44 86	0.58 134	0.89 141	0.97 149

iResNetv2_ROB	2.65 91	5.00 170	19.28 145	2.06 168	1.09 73	3.83 83	1.13 78	4.14 118	2.09 49	1.85 36	2.03 79	2.01 46	1.51 59	3.58 48	1.58 42	0.34 50	0.21 16	0.32 41	0.21 14	0.44 60	0.29 24

GwcNet-RSSM	2.66 93	1.05 88	15.91 113	1.22 72	1.19 83	4.12 122	1.12 77	3.84 68	2.02 39	1.93 43	1.79 50	3.12 107	1.46 51	10.37 124	2.05 82	0.33 45	0.27 53	0.35 57	0.30 50	0.40 46	0.36 36

ccnet	2.66 93	0.97 79	8.01 53	1.54 133	1.24 93	3.75 74	2.18 139	4.07 105	2.41 83	2.66 107	3.25 143	2.87 93	2.31 111	9.89 112	3.50 126	0.78 150	0.75 161	0.71 150	0.67 142	0.76 131	0.81 134

PASM	2.67 95	2.05 153	9.71 67	1.73 150	1.37 109	2.53 11	1.52 104	3.10 27	2.17 59	2.79 116	1.84 60	2.90 94	1.85 93	11.89 156	2.19 90	0.81 154	0.85 164	0.87 164	1.01 165	1.14 157	1.05 153

PWC_ROB	2.69 96	2.01 150	8.36 56	1.33 100	1.90 160	3.23 24	1.18 82	4.33 145	3.25 146	3.11 131	3.41 148	2.71 78	2.18 106	9.15 99	4.48 133	0.56 122	0.31 68	0.61 136	0.36 73	0.69 120	0.74 125

RP	2.79 97	1.20 104	10.36 74	1.54 133	1.93 161	3.44 39	1.97 129	4.05 102	2.34 75	2.66 107	2.79 129	3.98 134	2.58 121	10.21 119	2.61 108	0.95 160	0.47 122	0.71 150	0.57 133	0.71 126	0.68 116

SHD	2.82 98	2.04 152	13.80 92	1.69 146	1.79 156	2.73 15	1.07 73	3.85 70	3.18 141	4.63 156	2.74 127	3.38 111	2.77 126	5.48 69	3.66 128	0.62 129	0.47 122	0.51 111	0.55 128	0.65 109	0.74 125

FADNet-RVC-Resample	2.83 99	2.02 151	21.07 163	1.12 48	0.91 51	3.53 54	1.37 93	4.08 108	2.09 49	1.68 22	1.33 12	2.03 47	1.51 59	9.54 105	1.69 53	0.38 69	0.37 87	0.42 80	0.44 105	0.56 91	0.56 94

StereoDRNet	2.84 100	1.49 131	14.48 100	1.33 100	1.57 136	3.44 39	2.06 134	3.69 56	2.36 78	3.26 136	1.84 60	2.79 89	1.80 88	10.88 133	3.16 123	0.41 81	0.33 71	0.39 68	0.36 73	0.59 95	0.58 101

PDISCO_ROB	2.86 101	1.53 132	14.27 99	1.98 165	2.19 168	4.52 156	1.35 91	4.65 165	3.19 142	2.09 61	2.16 99	3.53 119	2.45 117	5.32 65	2.12 87	1.30 173	0.78 162	0.72 154	0.59 136	1.24 164	1.28 160

AF-Net	2.87 102	1.30 116	16.24 115	1.33 100	1.75 152	3.26 27	1.59 111	4.09 109	2.43 86	2.69 109	2.94 133	4.51 149	3.20 139	5.84 76	2.75 113	0.76 149	0.36 81	0.72 154	0.49 116	0.70 121	0.56 94

HSM-Net_RVC	2.87 102	0.57 9	17.46 129	0.92 18	0.90 50	3.70 69	1.20 85	5.64 177	2.51 99	3.22 135	2.43 117	2.54 71	1.59 65	11.41 137	1.65 50	0.34 50	0.25 42	0.26 22	0.23 21	0.30 22	0.29 24
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
Nwc_Net	2.88 104	1.16 102	18.30 137	1.35 108	1.68 145	3.52 53	1.18 82	3.90 81	2.06 44	2.52 99	2.82 131	3.82 127	2.34 112	6.78 82	2.55 106	0.86 157	0.40 97	0.59 129	0.67 142	0.57 94	0.55 91

MFMNet_re	2.91 105	1.91 146	18.25 135	3.06 176	1.89 159	3.13 22	1.67 118	3.52 42	2.97 131	3.14 132	2.87 132	2.26 53	2.41 114	2.42 41	2.00 79	1.10 164	1.05 167	0.94 166	0.90 161	1.28 165	1.46 167

GANet	2.93 106	1.05 88	11.29 81	1.64 142	0.96 56	3.91 91	2.52 143	3.72 58	2.41 83	2.95 125	3.00 135	3.21 109	2.03 99	12.42 161	4.72 137	0.51 111	0.41 101	0.46 92	0.39 89	0.60 99	0.50 78

PWCDC_ROB	2.95 107	3.26 164	14.06 96	1.59 137	1.56 133	4.19 134	0.86 44	4.30 141	4.08 160	2.06 59	7.37 161	2.75 81	2.42 115	3.59 49	2.67 111	1.34 175	0.36 81	0.39 68	0.34 63	1.13 156	0.62 105

RTSC	2.95 107	2.51 159	15.49 112	1.54 133	1.30 101	3.51 52	0.86 44	3.89 76	2.48 94	3.64 142	3.12 141	3.04 100	2.30 108	5.70 74	6.67 145	0.55 120	0.35 80	0.37 60	0.39 89	0.70 121	0.60 103

PSMNet_ROB	2.95 107	1.38 122	18.46 140	1.19 64	1.20 87	3.80 81	1.65 116	3.54 43	2.35 76	1.98 46	1.71 37	2.75 81	1.79 87	11.43 139	2.78 114	0.42 84	0.36 81	0.50 109	0.60 137	0.59 95	0.49 75

SGM-Forest	2.96 110	0.62 18	3.49 35	1.09 40	0.80 34	4.06 111	3.30 156	4.37 148	3.09 137	4.18 152	3.27 145	4.67 154	3.86 151	11.69 148	7.91 154	0.51 111	0.46 120	0.49 106	0.39 89	0.48 71	0.49 75
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
FINET	2.96 110	1.07 90	23.18 176	1.29 90	1.86 158	2.03 8	1.52 104	4.30 141	4.71 165	2.23 77	2.34 113	1.65 36	1.48 53	5.89 77	2.81 116	0.51 111	0.47 122	0.49 106	0.40 95	0.59 95	0.49 75

XQC	2.96 110	2.42 158	14.85 102	1.36 112	1.32 105	3.29 32	1.53 106	4.28 136	2.78 115	3.21 134	2.46 118	3.53 119	2.92 129	6.58 80	4.67 135	0.70 145	0.41 101	0.59 129	0.56 130	0.96 148	0.83 139

RYNet	2.97 113	0.93 70	15.09 108	1.12 48	1.38 111	3.66 67	1.42 100	4.03 98	2.29 71	2.10 62	1.70 33	3.79 126	2.16 105	13.64 171	3.02 121	0.37 62	0.41 101	0.48 99	0.34 63	0.81 136	0.75 127

GwcNet	3.00 114	1.63 136	19.83 149	1.32 96	2.04 167	3.27 29	1.55 109	3.65 49	2.33 74	2.00 48	2.12 95	3.56 123	1.68 78	9.47 104	2.45 99	0.44 91	0.45 114	0.46 92	0.38 84	0.60 99	0.76 128

AANet_RVC	3.03 115	1.72 141	12.78 88	1.17 59	1.12 75	3.79 80	1.10 75	3.86 71	3.13 138	2.62 105	4.26 155	3.96 133	1.41 41	11.43 139	5.23 143	0.94 159	0.47 122	0.34 55	0.23 21	0.40 46	0.55 91

DRN-Test	3.03 115	0.99 80	18.18 134	1.35 108	1.60 138	3.59 61	1.48 102	4.13 113	2.45 90	3.47 141	1.92 72	2.58 74	2.53 119	10.88 133	2.80 115	0.39 74	0.36 81	0.44 86	0.41 99	0.55 88	0.57 97

Syn2CoEx	3.08 117	2.55 161	19.88 150	1.34 104	1.18 81	2.43 9	1.65 116	3.91 83	2.40 82	2.39 93	2.27 110	2.90 94	3.17 138	9.57 106	2.54 105	0.50 107	0.45 114	0.53 119	0.39 89	0.74 129	0.72 124

stereogan	3.09 118	0.93 70	16.43 118	1.37 117	1.66 144	3.70 69	1.67 118	3.87 73	3.15 140	3.04 127	2.70 126	5.04 160	2.79 127	9.96 116	1.78 63	0.63 130	0.49 129	0.69 147	0.47 111	0.83 139	0.68 116

PA-Net	3.09 118	1.24 112	18.84 141	1.38 118	1.19 83	3.42 38	1.75 121	3.89 76	3.27 150	1.88 38	2.10 90	3.03 99	1.88 95	11.60 141	2.88 117	0.40 76	0.54 132	0.44 86	0.62 140	0.52 78	1.02 151
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	3.09 118	3.14 163	16.69 123	1.52 130	1.25 96	3.33 34	2.95 150	4.02 96	2.42 85	2.35 89	2.04 82	2.57 72	1.27 35	11.88 155	2.92 118	0.49 104	0.49 129	0.57 126	0.56 130	0.70 121	0.65 111

RGC	3.10 121	1.45 129	14.90 104	1.46 123	1.79 156	3.33 34	1.39 95	4.04 100	2.26 67	2.77 114	3.26 144	4.00 135	2.71 125	11.63 145	2.62 110	0.82 155	0.46 120	0.79 159	0.79 156	0.71 126	0.78 132

PVD	3.12 122	1.97 149	12.80 89	1.79 153	1.63 140	3.83 83	1.34 90	3.48 39	3.88 159	5.77 160	3.56 149	3.45 114	3.29 141	5.58 72	5.30 144	0.71 147	0.69 157	0.74 157	0.77 153	0.79 135	1.13 156

APVNet	3.13 123	1.25 113	21.14 165	1.31 95	1.52 124	3.94 95	1.13 78	3.32 36	2.14 55	2.20 73	2.03 79	3.05 102	1.96 98	11.79 152	2.53 104	0.42 84	0.45 114	0.64 142	0.46 109	0.67 115	0.57 97

MaskLacGwcNet_RVC	3.13 123	1.43 127	9.93 71	2.50 173	1.62 139	4.29 144	1.68 120	3.95 89	2.43 86	1.66 21	1.91 71	3.04 100	1.41 41	13.26 168	1.58 42	3.82 181	1.59 176	1.12 173	0.46 109	2.21 176	2.74 179

NCC-stereo	3.16 125	1.28 114	18.31 138	1.25 77	1.75 152	4.06 111	1.40 97	3.89 76	2.22 62	2.72 111	2.55 121	3.49 115	2.65 123	9.91 113	2.99 119	1.29 171	0.65 150	0.64 142	0.86 159	0.65 109	0.71 119

Abc-Net	3.16 125	1.28 114	18.31 138	1.25 77	1.75 152	4.06 111	1.40 97	3.89 76	2.22 62	2.72 111	2.55 121	3.49 115	2.65 123	9.91 113	2.99 119	1.29 171	0.65 150	0.64 142	0.86 159	0.65 109	0.71 119
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
GANetREF_RVC	3.20 127	1.93 147	18.84 141	1.51 129	0.80 34	4.12 122	1.82 125	4.16 120	2.91 129	1.87 37	1.74 42	2.48 67	1.84 91	13.18 167	1.74 61	0.80 152	0.57 136	0.79 159	0.74 149	1.20 163	0.86 140
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
FBW_ROB	3.24 128	1.02 83	9.21 66	1.49 127	1.07 71	3.78 77	1.48 102	4.31 143	3.08 136	2.46 96	2.32 111	4.20 142	2.08 101	15.19 176	7.16 153	0.84 156	0.62 147	1.33 175	0.92 162	0.99 149	1.31 161

aanetorigin	3.30 129	1.66 140	17.52 131	1.18 63	1.58 137	2.57 13	3.80 164	2.65 16	2.03 40	6.12 164	4.30 156	2.82 90	5.70 162	5.47 68	4.67 135	0.50 107	0.44 110	0.43 83	0.47 111	1.17 160	0.92 146

ADCRef	3.30 129	1.23 111	14.90 104	1.17 59	1.41 116	3.95 98	1.64 115	3.88 75	2.36 78	3.05 129	2.21 106	2.40 62	2.81 128	5.04 61	16.63 169	0.46 97	0.34 79	0.63 139	0.62 140	0.54 86	0.67 114

CBMV	3.32 131	0.96 78	21.16 166	1.32 96	0.83 39	3.81 82	3.91 167	4.47 157	2.53 100	3.34 139	2.24 108	4.45 147	2.58 121	10.07 118	1.96 77	0.45 96	0.43 107	0.48 99	0.38 84	0.52 78	0.53 85
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
FAT-Stereo	3.34 132	0.81 53	20.05 151	1.25 77	1.20 87	3.44 39	1.99 131	4.23 127	2.67 109	3.14 132	3.82 153	3.51 117	3.32 143	11.68 147	1.94 75	0.64 133	0.67 153	0.48 99	0.52 122	0.61 103	0.81 134

CC-Net-ROB	3.35 133	1.76 144	13.89 94	2.33 172	1.65 142	4.49 155	1.62 112	4.73 168	2.90 128	1.92 42	2.05 85	1.99 43	1.61 69	12.57 165	1.60 45	2.46 177	2.18 178	2.68 179	1.04 168	2.11 175	1.38 165

edge stereo	3.37 134	1.01 82	21.99 172	1.28 87	1.37 109	2.67 14	1.39 95	3.98 92	2.87 126	2.93 123	3.27 145	4.35 145	2.43 116	11.62 143	2.39 97	0.60 125	0.63 148	0.79 159	0.55 128	0.68 118	0.67 114

DPSNet	3.43 135	1.37 121	12.19 84	1.39 119	1.24 93	4.15 126	2.06 134	4.51 159	3.34 152	2.69 109	1.96 73	3.52 118	5.56 161	10.68 129	9.68 159	0.93 158	0.73 159	0.40 72	0.37 81	1.06 151	0.86 140

S-Stereo	3.48 136	0.91 67	22.06 173	1.36 112	1.50 122	3.55 58	2.53 144	4.21 125	2.81 121	2.37 92	3.81 152	3.75 125	1.84 91	11.90 157	2.51 102	0.63 130	0.71 158	0.48 99	0.76 151	0.67 115	1.19 158

SAMSARA	3.55 137	2.16 155	14.18 97	1.86 159	1.49 121	4.62 157	2.65 147	3.58 48	2.80 119	7.05 167	3.05 138	5.16 162	4.07 152	9.18 100	4.80 138	0.64 133	0.67 153	0.59 129	0.68 145	0.89 141	0.91 145

CBMV_ROB	3.62 138	0.70 28	21.42 170	1.21 69	0.89 48	4.43 153	1.76 122	4.39 150	2.79 116	5.88 161	3.38 147	4.18 140	5.12 159	10.75 130	2.32 95	0.56 122	0.55 134	0.53 119	0.51 119	0.55 88	0.46 68

DeepPrunerF	3.70 139	1.72 141	14.87 103	1.33 100	1.74 151	3.70 69	1.55 109	4.20 123	14.00 180	2.02 51	1.77 47	2.74 79	2.30 108	10.88 133	6.88 150	0.68 141	0.60 144	0.78 158	0.78 155	0.81 136	0.71 119

ADCP+	3.74 140	1.96 148	16.90 126	1.09 40	1.55 130	4.35 148	3.65 163	3.93 85	2.98 133	2.22 75	1.66 29	3.95 131	4.83 157	3.41 45	18.87 175	0.38 69	0.41 101	0.63 139	0.53 126	0.64 108	0.81 134

MFN_U_SF_RVC	3.81 141	10.78 182	15.01 107	1.84 156	1.39 112	3.73 73	1.63 113	4.05 102	3.26 147	2.91 121	2.38 115	4.36 146	3.65 148	8.43 90	4.91 140	1.11 165	1.04 166	0.99 168	1.31 174	1.58 171	1.75 173

ADCPNet	3.89 142	1.63 136	20.25 156	1.28 87	1.27 99	6.43 170	2.65 147	3.93 85	2.70 111	2.78 115	2.20 104	4.28 143	6.16 165	5.56 71	10.27 162	0.65 136	1.18 170	0.71 150	1.70 177	0.84 140	1.37 163

RTSA	3.90 143	7.04 174	17.94 132	1.92 161	2.19 168	5.00 162	2.96 152	4.29 137	3.19 142	4.05 149	3.08 139	4.94 157	3.16 136	7.64 85	6.72 146	0.66 137	0.44 110	0.51 111	0.47 111	0.95 144	0.76 128

RTS	3.90 143	7.04 174	17.94 132	1.92 161	2.19 168	5.00 162	2.96 152	4.29 137	3.19 142	4.05 149	3.08 139	4.94 157	3.16 136	7.64 85	6.72 146	0.66 137	0.44 110	0.51 111	0.47 111	0.95 144	0.76 128

MFN_U_SF_DS_RVC	3.94 145	10.88 183	12.30 86	1.26 82	1.55 130	5.19 164	3.33 157	4.42 152	2.82 123	2.58 102	2.62 124	5.00 159	2.11 102	14.03 174	2.73 112	1.28 170	2.34 179	0.67 146	1.83 178	0.81 136	1.03 152

ADCMid	3.96 146	3.27 165	15.48 111	1.26 82	1.40 113	4.66 159	2.28 140	4.06 104	3.54 154	3.94 148	3.02 136	3.85 128	3.67 149	4.03 53	18.65 173	0.68 141	0.61 146	1.09 172	1.18 170	1.38 168	1.08 155

SPS-STEREO	3.97 147	1.44 128	20.85 161	1.72 149	1.71 148	3.24 25	2.30 141	3.55 44	2.68 110	4.79 157	3.66 150	5.44 163	2.97 130	9.11 98	9.35 158	1.15 166	1.10 168	1.06 171	1.02 167	1.16 159	1.18 157
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MADNet+	3.97 147	9.54 179	13.83 93	1.87 160	1.69 146	4.19 134	2.87 149	4.80 170	4.10 161	2.51 98	2.67 125	4.55 151	3.41 144	8.72 92	6.92 151	1.25 169	1.27 173	1.04 169	0.93 163	1.39 169	1.85 174

NaN_ROB	4.06 149	1.13 99	16.64 121	1.12 48	1.25 96	3.50 50	3.05 154	4.29 137	3.26 147	3.64 142	2.56 123	2.97 97	4.79 156	13.33 169	16.91 170	0.37 62	0.41 101	0.38 65	0.39 89	0.48 71	0.81 134

G-Net	4.11 150	1.21 105	19.47 147	2.31 171	2.94 175	4.74 160	2.95 150	3.33 37	2.14 55	4.44 154	9.43 170	6.93 166	3.84 150	9.01 97	4.92 141	0.79 151	0.80 163	0.70 149	0.50 117	0.95 144	0.87 143

AnyNet_C32	4.17 151	5.75 172	12.62 87	1.60 138	1.54 126	5.51 165	4.09 168	3.90 81	3.23 145	4.22 153	3.03 137	3.10 103	3.41 144	8.01 87	18.85 174	0.53 119	0.58 139	0.53 119	0.74 149	1.19 162	0.97 149

ADCS	4.22 152	5.33 171	16.32 116	1.64 142	1.31 102	3.91 91	3.64 162	4.21 125	2.89 127	5.11 158	2.81 130	4.46 148	3.06 135	5.21 64	19.50 176	0.63 130	0.64 149	0.69 147	0.69 147	1.12 155	1.26 159

ADCL	4.35 153	1.63 136	14.21 98	1.29 90	1.26 98	5.56 166	11.16 175	3.97 91	3.37 153	6.07 162	4.67 157	4.30 144	5.72 163	5.08 62	14.51 166	0.50 107	0.48 127	0.89 165	0.77 153	0.78 133	0.76 128

AnyNet_C01	4.37 154	7.80 176	16.40 117	1.98 165	1.40 113	6.37 169	6.47 170	4.09 109	5.03 169	4.06 151	3.78 151	4.16 139	3.31 142	6.62 81	10.00 160	0.61 127	0.67 153	0.63 139	0.67 142	2.01 173	1.31 161

MSC_U_SF_DS_RVC	4.48 155	10.62 181	15.18 109	1.55 136	1.45 119	6.16 168	3.54 161	5.41 176	3.68 157	2.59 103	2.74 127	4.81 155	2.20 107	13.79 172	4.40 132	2.04 176	3.36 180	1.05 170	1.20 171	2.09 174	1.72 172

SGM_RVC	4.57 156	0.72 34	17.46 129	1.84 156	0.58 23	4.23 141	3.45 158	4.66 166	3.66 156	7.99 168	8.82 169	7.56 168	8.74 171	12.30 159	6.84 149	0.43 87	0.38 89	0.39 68	0.35 67	0.51 75	0.48 72
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DispFullNet	4.64 157	3.48 166	23.95 178	3.99 177	3.03 176	3.35 36	1.06 72	4.18 121	2.80 119	6.33 165	2.94 133	4.04 136	7.81 168	3.92 52	5.16 142	2.75 178	1.61 177	3.10 180	2.68 179	3.32 177	3.31 180

CSAN	4.71 158	1.39 124	20.23 155	1.19 64	0.87 43	3.65 66	3.50 160	4.57 163	3.87 158	3.89 147	7.82 164	3.54 122	6.16 165	23.47 184	6.82 148	0.52 117	0.45 114	0.49 106	0.52 122	0.63 104	0.66 113

SuperB	4.79 159	4.41 169	21.08 164	1.45 122	1.08 72	3.91 91	3.08 155	4.18 121	3.01 135	2.50 97	2.10 90	2.75 81	3.49 147	8.80 94	19.60 177	0.44 91	0.33 71	0.53 119	0.39 89	12.01 184	0.64 109

NVStereoNet_ROB	4.91 160	1.40 125	16.46 119	1.47 125	1.72 150	3.46 44	1.96 128	3.89 76	3.61 155	2.90 120

Low-res two-view benchmark