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	0.18 1	0.09 2	0.32 1	0.22 13	0.12 7	0.22 1	0.19 11	0.42 6	0.19 1	0.31 11	0.45 33	0.20 2	0.14 1	0.18 1	0.15 1	0.08 6	0.06 5	0.07 5	0.06 6	0.06 1	0.06 1

DPM-Stereo	0.18 1	0.12 6	0.33 3	0.20 6	0.13 12	0.28 7	0.12 1	0.42 6	0.25 3	0.27 2	0.32 2	0.21 4	0.17 4	0.25 3	0.20 5	0.07 1	0.06 5	0.08 13	0.06 6	0.07 3	0.08 9

PMTNet	0.18 1	0.08 1	0.40 12	0.16 1	0.09 3	0.28 7	0.22 29	0.33 1	0.39 14	0.20 1	0.21 1	0.19 1	0.14 1	0.31 7	0.15 1	0.09 14	0.05 1	0.06 1	0.05 2	0.07 3	0.06 1

R-Stereo Train	0.18 1	0.09 2	0.32 1	0.22 13	0.12 7	0.22 1	0.19 11	0.42 6	0.19 1	0.31 11	0.45 33	0.20 2	0.14 1	0.18 1	0.15 1	0.08 6	0.06 5	0.07 5	0.06 6	0.06 1	0.06 1

HITNet	0.20 5	0.17 16	0.43 17	0.19 3	0.08 1	0.27 6	0.14 3	0.42 6	0.30 4	0.29 6	0.32 2	0.27 6	0.21 6	0.28 4	0.25 18	0.07 1	0.05 1	0.07 5	0.06 6	0.09 10	0.06 1
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	0.22 6	0.25 53	0.47 26	0.24 26	0.14 16	0.25 3	0.12 1	0.40 4	0.33 7	0.29 6	0.42 22	0.22 5	0.20 5	0.33 9	0.19 4	0.07 1	0.06 5	0.11 20	0.11 26	0.11 20	0.07 6

BEATNet_4x	0.22 6	0.18 21	0.47 26	0.22 13	0.10 4	0.28 7	0.14 3	0.46 11	0.32 5	0.31 11	0.34 5	0.31 9	0.25 12	0.31 7	0.29 26	0.08 6	0.06 5	0.08 13	0.06 6	0.10 13	0.08 9

MLCV	0.22 6	0.16 11	0.44 20	0.21 9	0.08 1	0.29 10	0.19 11	0.38 2	0.37 10	0.38 28	0.44 30	0.31 9	0.21 6	0.41 14	0.24 13	0.07 1	0.05 1	0.06 1	0.05 2	0.07 3	0.06 1

ccs	0.23 9	0.11 4	0.33 3	0.19 3	0.13 12	0.25 3	0.19 11	0.56 55	0.52 51	0.27 2	0.33 4	0.35 13	0.24 11	0.30 5	0.22 7	0.12 32	0.08 24	0.13 37	0.12 39	0.13 36	0.13 37

CFNet_RVC	0.24 10	0.15 10	0.35 6	0.18 2	0.15 21	0.30 16	0.21 24	0.39 3	0.36 9	0.28 4	0.40 17	0.43 32	0.25 12	0.47 20	0.24 13	0.12 32	0.07 16	0.12 29	0.11 26	0.12 26	0.09 16

AdaStereo	0.24 10	0.16 11	0.37 10	0.24 26	0.12 7	0.32 21	0.17 8	0.54 46	0.42 21	0.33 15	0.38 8	0.35 13	0.21 6	0.30 5	0.22 7	0.14 50	0.06 5	0.13 37	0.08 15	0.11 20	0.08 9
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.
iResNet	0.24 10	0.18 21	0.61 45	0.25 31	0.11 5	0.29 10	0.21 24	0.42 6	0.43 24	0.33 15	0.43 25	0.27 6	0.22 10	0.34 10	0.26 21	0.07 1	0.05 1	0.07 5	0.06 6	0.08 7	0.07 6

iResNet_ROB	0.25 13	0.19 26	0.40 12	0.20 6	0.12 7	0.30 16	0.16 7	0.55 51	0.53 54	0.38 28	0.43 25	0.37 17	0.26 15	0.38 12	0.22 7	0.08 6	0.06 5	0.06 1	0.04 1	0.09 10	0.09 16

ccs_rob	0.26 14	0.18 21	0.43 17	0.21 9	0.12 7	0.35 33	0.14 3	0.46 11	0.42 21	0.34 18	0.41 19	0.42 29	0.26 15	0.64 43	0.23 11	0.10 20	0.07 16	0.11 20	0.11 26	0.10 13	0.09 16

DeepPruner_ROB	0.26 14	0.19 26	0.44 20	0.21 9	0.16 28	0.30 16	0.21 24	0.52 35	0.32 5	0.35 21	0.38 8	0.39 19	0.26 15	0.42 15	0.24 13	0.15 58	0.11 43	0.11 20	0.11 26	0.14 40	0.13 37

NLCA_NET_v2_RVC	0.27 16	0.21 37	0.59 41	0.25 31	0.18 39	0.29 10	0.22 29	0.50 25	0.40 17	0.38 28	0.41 19	0.43 32	0.27 20	0.43 16	0.29 26	0.11 26	0.08 24	0.10 18	0.10 20	0.10 13	0.11 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.
CFNet	0.27 16	0.20 31	0.44 20	0.22 13	0.14 16	0.33 25	0.14 3	0.51 31	0.45 28	0.30 9	0.40 17	0.38 18	0.27 20	0.76 62	0.25 18	0.09 14	0.07 16	0.11 20	0.11 26	0.11 20	0.08 9

CC-Net-ROB	0.27 16	0.21 37	0.61 45	0.25 31	0.18 39	0.29 10	0.22 29	0.50 25	0.40 17	0.38 28	0.42 22	0.42 29	0.28 24	0.44 17	0.29 26	0.11 26	0.08 24	0.10 18	0.10 20	0.10 13	0.11 28

iResNetv2_ROB	0.27 16	0.26 61	0.72 63	0.23 19	0.13 12	0.29 10	0.18 10	0.52 35	0.49 43	0.37 24	0.45 33	0.39 19	0.25 12	0.34 10	0.20 5	0.08 6	0.06 5	0.07 5	0.05 2	0.12 26	0.09 16

HSM-Net_RVC	0.27 16	0.11 4	0.42 16	0.19 3	0.11 5	0.34 32	0.20 21	0.62 77	0.43 24	0.40 36	0.43 25	0.50 47	0.26 15	0.76 62	0.22 7	0.08 6	0.07 16	0.07 5	0.07 12	0.08 7	0.08 9
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
StereoDRNet-Refined	0.27 16	0.17 16	0.35 6	0.25 31	0.14 16	0.37 35	0.21 24	0.47 13	0.41 20	0.44 49	0.51 50	0.41 25	0.28 24	0.45 18	0.37 37	0.09 14	0.06 5	0.11 20	0.11 26	0.10 13	0.10 22
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
RASNet	0.28 22	0.14 8	0.44 20	0.22 13	0.18 39	0.32 21	0.19 11	0.48 20	0.38 13	0.29 6	0.43 25	0.47 41	0.37 46	0.79 69	0.36 36	0.09 14	0.07 16	0.07 5	0.09 18	0.07 3	0.07 6

DLCB_ROB	0.28 22	0.16 11	0.34 5	0.27 49	0.16 28	0.38 40	0.25 39	0.48 20	0.43 24	0.46 52	0.46 38	0.51 50	0.33 37	0.53 25	0.33 34	0.10 20	0.10 38	0.11 20	0.11 26	0.10 13	0.09 16

HSM	0.28 22	0.16 11	0.35 6	0.20 6	0.15 21	0.33 25	0.19 11	0.53 41	0.37 10	0.36 23	0.38 8	0.67 82	0.31 33	0.89 80	0.23 11	0.08 6	0.06 5	0.08 13	0.07 12	0.08 7	0.08 9

STTStereo	0.28 22	0.20 31	0.61 45	0.25 31	0.17 36	0.29 10	0.24 36	0.47 13	0.39 14	0.39 34	0.41 19	0.44 37	0.28 24	0.40 13	0.28 23	0.13 37	0.12 51	0.13 37	0.16 67	0.12 26	0.11 28

DMCA	0.29 26	0.19 26	0.41 14	0.30 64	0.23 68	0.26 5	0.22 29	0.41 5	0.34 8	0.39 34	0.47 44	0.41 25	0.63 89	0.45 18	0.30 29	0.13 37	0.12 51	0.19 82	0.14 54	0.12 26	0.11 28

FADNet-RVC-Resample	0.29 26	0.25 53	0.93 84	0.26 43	0.16 28	0.32 21	0.21 24	0.47 13	0.39 14	0.35 21	0.38 8	0.33 11	0.27 20	0.53 25	0.24 13	0.10 20	0.10 38	0.14 46	0.13 47	0.13 36	0.16 54

CVANet_RVC	0.30 28	0.19 26	0.41 14	0.26 43	0.16 28	0.33 25	0.26 42	0.52 35	0.47 33	0.40 36	0.46 38	0.43 32	0.31 33	0.89 80	0.26 21	0.14 50	0.09 34	0.14 46	0.13 47	0.14 40	0.10 22

TDLM	0.30 28	0.21 37	0.38 11	0.28 59	0.15 21	0.33 25	0.32 54	0.52 35	0.47 33	0.38 28	0.43 25	0.39 19	0.29 28	0.91 84	0.28 23	0.14 50	0.08 24	0.13 37	0.11 26	0.12 26	0.10 22

FADNet_RVC	0.30 28	0.28 68	0.83 74	0.23 19	0.15 21	0.30 16	0.17 8	0.49 23	0.37 10	0.30 9	0.38 8	0.30 8	0.27 20	0.52 24	0.31 30	0.14 50	0.14 64	0.14 46	0.16 67	0.21 80	0.23 90

FADNet-RVC	0.31 31	0.35 86	0.78 66	0.25 31	0.20 48	0.33 25	0.20 21	0.49 23	0.40 17	0.34 18	0.39 15	0.41 25	0.29 28	0.63 41	0.31 30	0.13 37	0.14 64	0.14 46	0.15 60	0.19 71	0.19 75

AANet_RVC	0.31 31	0.22 42	0.50 31	0.23 19	0.14 16	0.30 16	0.24 36	0.47 13	0.54 56	0.38 28	0.60 65	0.43 32	0.29 28	0.87 76	0.40 45	0.11 26	0.07 16	0.07 5	0.07 12	0.09 10	0.09 16

NOSS_ROB	0.31 31	0.20 31	0.35 6	0.24 26	0.16 28	0.32 21	0.19 11	0.52 35	0.48 37	0.33 15	0.36 6	0.42 29	0.28 24	0.93 85	0.24 13	0.19 90	0.20 92	0.24 94	0.22 91	0.17 58	0.17 61

NVstereo2D	0.31 31	0.16 11	0.54 36	0.24 26	0.22 61	0.42 52	0.28 45	0.58 62	0.56 62	0.28 4	0.38 8	0.40 24	0.30 31	0.71 53	0.28 23	0.13 37	0.08 24	0.13 37	0.10 20	0.19 71	0.16 54

DISCO	0.32 35	0.13 7	0.51 33	0.25 31	0.16 28	0.48 64	0.25 39	0.50 25	0.57 64	0.37 24	0.45 33	0.62 69	0.36 41	0.64 43	0.49 62	0.09 14	0.07 16	0.09 16	0.08 15	0.12 26	0.11 28

StereoDRNet	0.32 35	0.22 42	0.61 45	0.27 49	0.21 54	0.42 52	0.30 50	0.61 72	0.48 37	0.46 52	0.39 15	0.48 42	0.30 31	0.57 31	0.40 45	0.11 26	0.09 34	0.12 29	0.11 26	0.12 26	0.10 22

FADNet	0.32 35	0.36 89	0.74 64	0.23 19	0.22 61	0.37 35	0.19 11	0.53 41	0.48 37	0.32 14	0.36 6	0.43 32	0.32 36	0.64 43	0.25 18	0.16 67	0.16 78	0.14 46	0.16 67	0.24 87	0.19 75

DRN-Test	0.33 38	0.17 16	0.61 45	0.27 49	0.19 45	0.46 60	0.29 47	0.65 82	0.51 47	0.47 56	0.46 38	0.44 37	0.34 38	0.62 40	0.41 49	0.12 32	0.08 24	0.13 37	0.12 39	0.12 26	0.10 22

CBMV_ROB	0.33 38	0.18 21	0.53 35	0.21 9	0.14 16	0.33 25	0.20 21	0.51 31	0.45 28	0.51 61	0.55 59	0.45 39	0.42 60	0.71 53	0.32 33	0.18 86	0.19 91	0.23 92	0.21 86	0.14 40	0.15 50

PSMNet_ROB	0.33 38	0.24 49	0.54 36	0.31 70	0.21 54	0.42 52	0.43 82	0.59 66	0.47 33	0.37 24	0.44 30	0.49 43	0.31 33	0.64 43	0.43 51	0.14 50	0.10 38	0.15 56	0.14 54	0.13 36	0.11 28

XPNet_ROB	0.33 38	0.20 31	0.43 17	0.27 49	0.18 39	0.37 35	0.31 53	0.55 51	0.50 44	0.51 61	0.53 55	0.58 60	0.37 46	0.63 41	0.45 55	0.17 78	0.12 51	0.13 37	0.12 39	0.15 47	0.14 44

CBMV	0.33 38	0.21 37	0.54 36	0.23 19	0.13 12	0.42 52	0.33 61	0.53 41	0.48 37	0.52 65	0.49 46	0.50 47	0.41 54	0.56 29	0.31 30	0.15 58	0.16 78	0.18 75	0.16 67	0.13 36	0.13 37
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ETE_ROB	0.34 43	0.26 61	0.45 24	0.29 60	0.18 39	0.40 46	0.37 69	0.57 58	0.47 33	0.50 59	0.50 47	0.62 69	0.36 41	0.55 27	0.38 39	0.13 37	0.10 38	0.14 46	0.12 39	0.16 51	0.16 54

NCCL2	0.35 44	0.26 61	0.49 29	0.36 90	0.22 61	0.41 48	0.41 79	0.53 41	0.42 21	0.47 56	0.46 38	0.61 67	0.39 49	0.55 27	0.37 37	0.16 67	0.13 60	0.21 87	0.21 86	0.16 51	0.16 54

RP	0.35 44	0.22 42	0.51 33	0.31 70	0.24 72	0.37 35	0.28 45	0.50 25	0.58 65	0.40 36	0.63 71	0.61 67	0.47 68	0.61 37	0.39 42	0.16 67	0.15 75	0.17 68	0.15 60	0.17 58	0.17 61

DANet	0.35 44	0.23 48	0.60 43	0.36 90	0.22 61	0.39 42	0.25 39	0.48 20	0.43 24	0.52 65	0.50 47	0.59 62	0.41 54	0.76 62	0.49 62	0.13 37	0.11 43	0.14 46	0.12 39	0.17 58	0.15 50

GANet	0.36 47	0.22 42	0.49 29	0.29 60	0.17 36	0.41 48	0.38 72	0.57 58	0.45 28	0.46 52	0.75 81	0.55 54	0.40 51	0.94 88	0.41 49	0.13 37	0.13 60	0.13 37	0.11 26	0.14 40	0.11 28

LALA_ROB	0.36 47	0.25 53	0.46 25	0.30 64	0.21 54	0.47 63	0.39 75	0.61 72	0.51 47	0.52 65	0.51 50	0.69 86	0.36 41	0.50 22	0.43 51	0.17 78	0.11 43	0.16 62	0.14 54	0.17 58	0.15 50

SGM-Forest	0.36 47	0.17 16	0.47 26	0.23 19	0.16 28	0.45 59	0.41 79	0.55 51	0.48 37	0.52 65	0.60 65	0.52 52	0.41 54	0.85 74	0.50 67	0.17 78	0.17 83	0.17 68	0.15 60	0.15 47	0.15 50
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
stereogan	0.37 50	0.17 16	0.65 53	0.27 49	0.22 61	0.62 82	0.26 42	0.59 66	0.63 75	0.43 46	0.60 65	0.67 82	0.42 60	0.68 50	0.35 35	0.13 37	0.14 64	0.14 46	0.12 39	0.19 71	0.17 61

Nwc_Net	0.37 50	0.25 53	0.68 57	0.31 70	0.24 72	0.44 58	0.30 50	0.65 82	0.50 44	0.37 24	0.69 77	0.58 60	0.45 64	0.60 34	0.40 45	0.15 58	0.12 51	0.19 82	0.21 86	0.14 40	0.13 37

RYNet	0.37 50	0.18 21	0.59 41	0.25 31	0.28 85	0.61 81	0.32 54	0.59 66	0.59 66	0.41 42	0.38 8	0.57 58	0.39 49	0.87 76	0.53 71	0.11 26	0.08 24	0.12 29	0.11 26	0.18 68	0.18 70

AF-Net	0.37 50	0.26 61	0.56 40	0.32 76	0.23 68	0.41 48	0.29 47	0.61 72	0.64 76	0.42 44	0.68 75	0.65 79	0.49 74	0.57 31	0.44 54	0.15 58	0.11 43	0.19 82	0.14 54	0.15 47	0.13 37

PA-Net	0.37 50	0.28 68	0.83 74	0.31 70	0.28 85	0.39 42	0.42 81	0.51 31	0.55 60	0.34 18	0.42 22	0.41 25	0.36 41	0.79 69	0.49 62	0.12 32	0.23 97	0.16 62	0.23 92	0.12 26	0.18 70
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.38 55	0.34 83	1.00 91	0.30 64	0.25 76	0.33 25	0.44 83	0.50 25	0.54 56	0.41 42	0.45 33	0.39 19	0.26 15	0.93 85	0.48 59	0.15 58	0.14 64	0.15 56	0.16 67	0.16 51	0.17 61

ADCRef	0.38 55	0.24 49	0.88 82	0.26 43	0.21 54	0.49 65	0.27 44	0.52 35	0.48 37	0.50 59	0.58 63	0.35 13	0.47 68	0.48 21	1.29 100	0.09 14	0.08 24	0.12 29	0.12 39	0.11 20	0.11 28

PWCDC_ROB	0.38 55	0.30 78	0.60 43	0.33 81	0.20 48	0.42 52	0.19 11	0.58 62	0.89 96	0.42 44	1.26 99	0.36 16	0.34 38	0.50 22	0.38 39	0.18 86	0.11 43	0.11 20	0.09 18	0.19 71	0.13 37

PWC_ROB	0.38 55	0.29 75	0.69 58	0.25 31	0.20 48	0.38 40	0.19 11	0.58 62	0.67 78	0.57 75	0.85 85	0.51 50	0.40 51	0.71 53	0.52 69	0.13 37	0.09 34	0.14 46	0.10 20	0.17 58	0.14 44

NCC-stereo	0.39 59	0.25 53	0.69 58	0.32 76	0.28 85	0.46 60	0.36 66	0.65 82	0.52 51	0.40 36	0.57 61	0.56 56	0.47 68	0.73 58	0.45 55	0.17 78	0.14 64	0.18 75	0.25 94	0.16 51	0.16 54

RGC	0.39 59	0.32 81	0.64 52	0.34 83	0.27 82	0.40 46	0.29 47	0.57 58	0.53 54	0.45 51	0.64 72	0.62 69	0.45 64	0.72 57	0.39 42	0.15 58	0.15 75	0.21 87	0.20 84	0.18 68	0.19 75

edge stereo	0.39 59	0.22 42	0.81 72	0.27 49	0.22 61	0.37 35	0.24 36	0.56 55	0.54 56	0.53 70	0.60 65	0.71 89	0.50 75	0.78 67	0.40 45	0.16 67	0.14 64	0.19 82	0.14 54	0.16 51	0.17 61

Abc-Net	0.39 59	0.25 53	0.69 58	0.32 76	0.28 85	0.46 60	0.36 66	0.65 82	0.52 51	0.40 36	0.57 61	0.56 56	0.47 68	0.73 58	0.45 55	0.17 78	0.14 64	0.18 75	0.25 94	0.16 51	0.16 54

RTSC	0.39 59	0.28 68	0.78 66	0.27 49	0.18 39	0.49 65	0.22 29	0.59 66	0.84 95	0.55 72	0.53 55	0.49 43	0.36 41	0.67 49	0.82 89	0.13 37	0.10 38	0.11 20	0.12 39	0.17 58	0.17 61

NaN_ROB	0.41 64	0.28 68	0.62 51	0.30 64	0.19 45	0.51 67	0.47 89	0.58 62	0.59 66	0.56 73	0.47 44	0.49 43	0.41 54	1.21 98	0.64 81	0.12 32	0.18 87	0.12 29	0.13 47	0.11 20	0.14 44

SHD	0.42 65	0.27 66	0.81 72	0.31 70	0.25 76	0.42 52	0.22 29	0.66 86	0.94 100	0.63 79	0.60 65	0.59 62	0.47 68	0.59 33	0.58 74	0.15 58	0.13 60	0.16 62	0.16 67	0.20 77	0.22 87

XQC	0.43 66	0.37 93	0.96 87	0.34 83	0.25 76	0.53 74	0.34 62	0.60 71	0.73 84	0.51 61	0.46 38	0.57 58	0.47 68	0.70 52	0.72 84	0.17 78	0.12 51	0.18 75	0.15 60	0.25 88	0.23 90

PDISCO_ROB	0.43 66	0.30 78	0.67 55	0.43 98	0.36 99	0.67 84	0.32 54	0.72 94	0.76 86	0.43 46	0.53 55	0.63 75	0.40 51	0.66 48	0.47 58	0.21 92	0.12 51	0.21 87	0.19 83	0.25 88	0.20 84

FBW_ROB	0.43 66	0.26 61	0.54 36	0.31 70	0.20 48	0.51 67	0.32 54	0.70 92	0.60 68	0.59 76	0.55 59	0.65 79	0.41 54	1.40 104	0.51 68	0.13 37	0.17 83	0.21 87	0.16 67	0.17 58	0.18 70

GANetREF_RVC	0.43 66	0.47 98	0.69 58	0.38 95	0.20 48	0.51 67	0.48 91	0.66 86	0.66 77	0.46 52	0.46 38	0.50 47	0.44 63	0.90 83	0.39 42	0.27 100	0.21 93	0.32 103	0.18 79	0.27 95	0.22 87
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
DeepPrunerF	0.44 70	0.29 75	1.29 98	0.33 81	0.30 94	0.35 33	0.36 66	0.62 77	1.15 105	0.40 36	0.44 30	0.39 19	0.41 54	0.80 72	0.52 69	0.18 86	0.14 64	0.23 92	0.21 86	0.17 58	0.17 61

PASM	0.45 71	0.35 86	0.90 83	0.35 89	0.33 96	0.39 42	0.38 72	0.50 25	0.61 70	0.52 65	0.51 50	0.62 69	0.45 64	0.93 85	0.48 59	0.26 98	0.29 104	0.29 99	0.33 102	0.29 99	0.26 95

ADCP+	0.45 71	0.24 49	1.15 97	0.25 31	0.22 61	0.56 76	0.39 75	0.54 46	0.51 47	0.44 49	0.51 50	0.46 40	0.52 76	0.56 29	1.89 106	0.10 20	0.08 24	0.11 20	0.10 20	0.14 40	0.13 37

STTStereo_v2	0.46 73	0.25 53	0.86 79	0.34 83	0.28 85	0.90 98	0.35 63	0.47 13	0.45 28	0.68 83	1.22 96	0.64 77	0.60 83	0.61 37	0.57 72	0.16 67	0.14 64	0.17 68	0.13 47	0.22 83	0.19 75

G-Net	0.46 73	0.25 53	0.86 79	0.34 83	0.28 85	0.90 98	0.35 63	0.47 13	0.45 28	0.68 83	1.22 96	0.64 77	0.60 83	0.61 37	0.57 72	0.16 67	0.14 64	0.17 68	0.13 47	0.22 83	0.19 75

DPSNet	0.47 75	0.24 49	0.93 84	0.27 49	0.20 48	0.75 90	0.57 95	0.84 104	0.79 89	0.47 56	0.51 50	0.60 64	0.69 92	0.87 76	0.71 83	0.16 67	0.13 60	0.12 29	0.10 20	0.25 88	0.21 86

ADCL	0.47 75	0.22 42	1.00 91	0.27 49	0.19 45	0.74 88	0.64 100	0.54 46	0.69 81	0.56 73	0.71 78	0.55 54	0.60 83	0.60 34	1.43 101	0.11 26	0.09 34	0.13 37	0.13 47	0.14 40	0.14 44

MDST_ROB	0.48 77	0.14 8	0.95 86	0.30 64	0.21 54	1.33 106	0.32 54	0.77 97	0.56 62	1.06 100	0.71 78	0.49 43	0.35 40	1.26 100	0.38 39	0.13 37	0.11 43	0.16 62	0.13 47	0.12 26	0.12 36

ADCPNet	0.48 77	0.29 75	1.60 102	0.27 49	0.23 68	0.70 87	0.38 72	0.53 41	0.51 47	0.51 61	0.59 64	0.67 82	0.56 79	0.60 34	1.14 97	0.15 58	0.18 87	0.14 46	0.23 92	0.19 71	0.19 75

ADCMid	0.49 79	0.34 83	1.13 96	0.26 43	0.21 54	0.51 67	0.37 69	0.57 58	0.54 56	0.75 90	0.66 73	0.62 69	0.64 90	0.64 43	1.68 103	0.13 37	0.12 51	0.17 68	0.17 75	0.20 77	0.17 61

SuperB	0.49 79	0.28 68	2.23 105	0.23 19	0.15 21	0.41 48	0.32 54	0.47 13	0.82 90	0.43 46	0.50 47	0.33 11	0.45 64	0.68 50	1.08 95	0.10 20	0.07 16	0.09 16	0.08 15	0.98 111	0.14 44

SGM_RVC	0.50 81	0.19 26	0.50 31	0.25 31	0.15 21	0.69 85	0.39 75	0.68 91	0.82 90	0.95 97	0.84 84	1.13 98	0.76 95	1.16 97	0.60 76	0.16 67	0.16 78	0.16 62	0.16 67	0.16 51	0.17 61
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
pmcnn	0.50 81	0.20 31	0.78 66	0.24 26	0.26 80	0.39 42	0.30 50	0.51 31	0.50 44	0.54 71	1.23 98	2.52 109	0.37 46	0.77 66	0.95 91	0.08 6	0.06 5	0.06 1	0.05 2	0.10 13	0.08 9

CSAN	0.50 81	0.35 86	0.78 66	0.36 90	0.23 68	0.56 76	0.59 98	0.61 72	0.70 82	0.64 80	0.78 83	0.65 79	0.60 83	1.38 103	0.62 78	0.21 92	0.17 83	0.20 86	0.20 84	0.18 68	0.18 70

AnyNet_C32	0.51 84	0.40 95	1.10 95	0.29 60	0.28 85	0.59 79	0.58 96	0.54 46	0.60 68	0.62 78	0.66 73	0.54 53	0.54 77	0.78 67	1.74 105	0.15 58	0.14 64	0.15 56	0.17 75	0.20 77	0.20 84

WCMA_ROB	0.51 84	0.21 37	0.65 53	0.25 31	0.21 54	0.58 78	0.32 54	0.54 46	0.55 60	0.95 97	1.40 102	1.28 102	0.81 98	0.73 58	0.62 78	0.18 86	0.15 75	0.15 56	0.15 60	0.19 71	0.19 75

MFN_U_SF_DS_RVC	0.51 84	0.50 102	0.86 79	0.39 96	0.24 72	0.84 94	0.55 94	0.56 55	0.62 72	0.60 77	0.68 75	0.62 69	0.42 60	1.13 96	0.43 51	0.23 95	0.27 101	0.27 95	0.35 103	0.25 88	0.29 97

SANet	0.53 87	0.28 68	0.96 87	0.26 43	0.15 21	0.69 85	0.44 83	0.67 88	1.34 107	0.67 82	0.98 92	0.94 95	0.71 94	0.89 80	0.76 85	0.14 50	0.12 51	0.12 29	0.11 26	0.17 58	0.16 54

SAMSARA	0.56 88	0.39 94	0.80 71	0.60 106	0.46 103	1.00 100	1.23 110	0.67 88	0.68 80	0.71 87	0.54 58	0.89 94	0.57 80	0.81 73	0.62 78	0.19 90	0.22 95	0.18 75	0.18 79	0.27 95	0.25 94

MeshStereo	0.58 89	0.27 66	0.67 55	0.22 13	0.17 36	0.66 83	0.37 69	0.78 98	0.61 70	1.47 107	1.30 100	1.65 104	0.79 97	1.12 95	0.59 75	0.17 78	0.17 83	0.17 68	0.14 54	0.17 58	0.14 44
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
ADCS	0.58 89	0.40 95	1.35 100	0.29 60	0.24 72	0.55 75	0.45 85	0.67 88	0.83 93	0.76 91	0.71 78	0.68 85	0.60 83	0.76 62	2.23 108	0.16 67	0.16 78	0.16 62	0.17 75	0.22 83	0.22 87

PVD	0.58 89	0.34 83	0.84 77	0.39 96	0.31 95	0.59 79	0.47 89	0.80 102	1.25 106	0.92 96	1.09 93	0.79 91	0.82 99	0.85 74	0.76 85	0.21 92	0.18 87	0.22 91	0.18 79	0.27 95	0.35 101

MSMD_ROB	0.60 92	0.33 82	0.61 45	0.30 64	0.25 76	0.86 95	0.35 63	0.55 51	0.67 78	1.10 101	1.49 103	1.76 105	0.97 104	0.88 79	0.49 62	0.23 95	0.21 93	0.27 95	0.27 97	0.25 88	0.24 93

AnyNet_C01	0.65 93	0.58 103	2.60 107	0.32 76	0.26 80	0.88 96	0.61 99	0.63 81	0.62 72	0.68 83	0.96 91	0.76 90	0.60 83	0.96 90	1.43 101	0.16 67	0.16 78	0.17 68	0.17 75	0.23 86	0.23 90

DispFullNet	0.66 94	0.89 108	1.59 101	0.77 109	1.21 110	0.51 67	0.23 35	0.59 66	0.72 83	0.69 86	0.61 70	0.69 86	0.91 103	0.79 69	0.48 59	0.27 100	0.12 51	0.73 110	0.30 101	0.65 108	0.40 104

NVStereoNet_ROB	0.67 95	0.49 101	0.83 74	0.48 101	0.40 100	0.51 67	0.46 86	0.70 92	0.77 88	0.84 94	1.72 107	1.02 97	0.83 100	1.23 99	0.79 88	0.32 105	0.38 106	0.40 106	0.46 106	0.36 102	0.41 105
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MSC_U_SF_DS_RVC	0.68 96	0.64 105	1.06 94	0.45 100	0.27 82	1.40 108	0.58 96	0.78 98	0.92 98	0.84 94	0.86 86	0.88 93	0.68 91	1.33 102	0.68 82	0.37 106	0.29 104	0.34 104	0.36 104	0.43 103	0.37 102

SPS-STEREO	0.69 97	0.61 104	0.98 89	0.52 104	0.57 107	0.74 88	0.50 92	0.78 98	0.62 72	0.95 97	0.86 86	0.94 95	0.70 93	1.01 91	0.87 90	0.58 109	0.51 109	0.50 107	0.50 108	0.55 106	0.58 108
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
FC-DCNN	0.70 98	0.30 78	0.69 58	0.32 76	0.27 82	0.81 93	0.39 75	0.79 101	0.82 90	1.41 105	1.58 106	1.98 106	1.26 107	1.02 92	0.77 87	0.24 97	0.22 95	0.27 95	0.26 96	0.26 94	0.26 95

MFMNet_re	0.72 99	0.76 107	0.99 90	0.62 107	0.70 109	0.77 91	0.67 101	0.75 95	0.83 93	0.78 92	0.86 86	0.69 86	0.78 96	0.71 53	0.61 77	0.66 110	0.59 111	0.61 109	0.58 111	0.68 109	0.71 110

ELAS	0.74 100	0.36 89	0.85 78	0.36 90	0.33 96	1.36 107	0.77 102	0.93 106	0.92 98	1.41 105	1.53 105	1.16 99	1.17 105	0.95 89	1.03 93	0.26 98	0.25 99	0.28 98	0.28 100	0.31 101	0.30 98
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS_RVC	0.74 100	0.36 89	1.00 91	0.37 94	0.33 96	0.88 96	0.93 106	0.83 103	1.08 103	1.35 103	1.33 101	1.24 100	1.33 108	1.06 93	0.95 91	0.27 100	0.25 99	0.29 99	0.27 97	0.30 100	0.30 98
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RTSA	0.78 102	0.48 99	4.68 109	0.34 83	0.28 85	1.12 102	0.46 86	0.62 77	1.03 101	0.73 88	0.89 89	0.60 64	0.59 81	1.61 105	1.16 98	0.14 50	0.11 43	0.15 56	0.15 60	0.21 80	0.19 75

RTS	0.78 102	0.48 99	4.68 109	0.34 83	0.28 85	1.12 102	0.46 86	0.62 77	1.03 101	0.73 88	0.89 89	0.60 64	0.59 81	1.61 105	1.16 98	0.14 50	0.11 43	0.15 56	0.15 60	0.21 80	0.19 75

SGM+DAISY	0.87 104	0.66 106	1.30 99	0.51 103	0.60 108	1.03 101	0.84 104	0.76 96	0.73 84	1.39 104	1.51 104	1.31 103	1.22 106	1.11 94	1.08 95	0.57 108	0.53 110	0.51 108	0.51 109	0.54 105	0.61 109

PWCK	1.00 105	1.17 110	1.70 103	0.91 110	0.41 101	1.19 104	0.92 105	1.10 108	1.14 104	1.16 102	1.14 95	1.25 101	0.88 102	1.75 107	1.04 94	0.87 111	0.50 108	0.87 111	0.53 110	0.96 110	0.52 107

MADNet+	1.01 106	1.16 109	4.72 111	0.70 108	0.47 104	1.24 105	0.96 107	0.97 107	0.89 96	0.65 81	0.77 82	0.87 92	0.85 101	2.09 108	1.68 103	0.38 107	0.39 107	0.31 102	0.27 97	0.43 103	0.39 103

SGM-ForestM	1.36 107	0.28 68	0.79 70	0.26 43	0.16 28	2.26 110	1.00 109	1.42 109	1.46 108	2.38 109	2.05 108	5.95 114	2.66 110	2.95 110	2.46 109	0.17 78	0.18 87	0.18 75	0.18 79	0.15 47	0.18 70

MANE	1.41 108	0.36 89	0.74 64	0.43 98	0.41 101	2.16 109	0.80 103	2.39 111	3.38 110	2.22 108	3.06 111	3.54 110	2.73 111	2.15 109	1.94 107	0.28 103	0.27 101	0.30 101	0.46 106	0.28 98	0.34 100

LSM	1.64 109	0.40 95	2.56 106	2.02 111	17.61 117	0.51 67	0.52 93	0.61 72	0.76 86	0.82 93	1.11 94	0.63 75	0.54 77	0.75 61	0.49 62	0.16 67	0.24 98	0.18 75	0.21 86	0.25 88	2.42 112

LE_ROB	1.76 110	0.20 31	2.68 108	0.48 101	0.52 105	0.78 92	0.96 107	0.84 104	6.61 113	7.40 114	2.08 109	2.08 107	4.83 112	1.27 101	3.79 111	0.10 20	0.08 24	0.12 29	0.11 26	0.11 20	0.10 22

MADNet++	2.26 111	1.80 111	2.06 104	2.13 112	1.97 111	2.61 111	1.79 111	2.38 110	2.16 109	2.75 110	2.65 110	2.38 108	2.43 109	3.17 111	3.21 110	2.17 112	1.95 112	1.94 112	1.63 112	2.06 112	2.01 111

DPSimNet_ROB	4.34 112	4.23 113	6.89 112	3.67 113	3.68 112	4.75 112	5.21 113	2.67 112	3.68 111	5.82 113	3.95 112	5.57 111	6.72 113	3.46 112	4.48 112	4.05 115	2.88 113	4.68 115	3.12 113	3.69 113	3.62 113

BEATNet-Init1	4.73 113	2.61 112	13.29 117	0.58 105	0.53 106	10.12 115	3.33 112	4.83 113	5.01 112	8.75 115	8.51 113	14.08 117	7.60 114	7.70 115	5.34 113	0.28 103	0.28 103	0.34 104	0.37 105	0.57 107	0.45 106

DGTPSM_ROB	8.34 114	5.10 114	10.37 115	5.31 114	10.18 113	8.33 113	23.60 116	6.06 114	13.41 114	4.90 111	10.87 114	5.65 112	10.44 115	6.17 113	12.59 114	3.74 113	7.55 114	3.69 113	7.26 116	4.14 114	7.46 114

DPSMNet_ROB	8.40 115	5.11 115	10.49 116	5.58 115	10.25 114	8.34 114	23.62 117	6.07 115	13.45 115	4.93 112	10.88 115	5.66 113	10.44 115	6.24 114	12.64 115	3.98 114	7.61 115	3.76 114	7.30 117	4.20 115	7.51 115

DPSM	11.49 116	9.87 116	10.35 113	11.13 116	11.31 115	19.11 118	27.51 118	13.37 116	14.21 116	10.31 116	11.06 116	10.96 115	11.27 117	11.96 116	13.59 116	6.78 116	8.19 116	6.03 116	7.09 114	7.93 116	7.73 116

DPSM_ROB	11.49 116	9.87 116	10.35 113	11.13 116	11.31 115	19.11 118	27.51 118	13.37 116	14.21 116	10.31 116	11.06 116	10.96 115	11.27 117	11.96 116	13.59 116	6.78 116	8.19 116	6.03 116	7.09 114	7.93 116	7.73 116

MEDIAN_ROB	21.21 118	24.62 119	23.47 119	19.58 118	19.65 118	13.22 116	10.96 114	17.88 118	17.00 118	22.14 119	22.02 119	20.86 118	20.36 119	21.06 118	19.71 118	25.63 119	24.13 119	26.21 119	25.20 119	25.17 119	25.38 119

LSM0	24.24 119	19.98 118	22.32 118	24.22 119	40.14 120	38.48 120	55.20 120	26.95 120	28.57 120	20.49 118	21.83 118	22.26 119	22.75 120	24.22 119	27.30 120	13.66 118	16.32 118	12.19 118	14.15 118	16.10 118	17.66 118

AVERAGE_ROB	25.43 120	29.06 120	27.24 120	24.63 120	24.20 119	17.73 117	12.61 115	22.29 119	21.39 119	26.79 120	26.16 120	25.20 120	24.64 121	25.07 120	23.53 119	29.96 120	28.40 120	30.60 120	29.58 120	29.72 120	29.84 120

MSMDNet													0.21 6

Low-res two-view benchmark