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	0.13 1	0.08 1	0.21 1	0.14 1	0.08 1	0.22 17	0.15 12	0.25 5	0.24 9	0.16 2	0.21 5	0.14 3	0.13 7	0.18 7	0.13 2	0.09 42	0.05 3	0.06 1	0.04 1	0.07 16	0.06 7
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
s12784h	0.15 2	0.08 1	0.26 3	0.17 4	0.11 17	0.18 1	0.13 3	0.22 1	0.30 21	0.21 9	0.30 21	0.13 1	0.11 2	0.16 1	0.15 11	0.07 3	0.04 1	0.06 1	0.15 119	0.06 4	0.05 1

CREStereo++_RVC	0.15 2	0.08 1	0.26 3	0.17 4	0.11 17	0.18 1	0.13 3	0.22 1	0.30 21	0.21 9	0.30 21	0.13 1	0.11 2	0.16 1	0.15 11	0.07 3	0.04 1	0.06 1	0.15 119	0.06 4	0.05 1

TANstereo	0.15 2	0.09 5	0.28 6	0.16 3	0.08 1	0.25 31	0.14 8	0.23 4	0.28 16	0.24 21	0.30 21	0.16 6	0.12 4	0.17 4	0.13 2	0.08 21	0.07 42	0.06 1	0.05 5	0.06 4	0.07 19

XX-TBD	0.15 2	0.18 66	0.28 6	0.22 44	0.10 13	0.22 17	0.15 12	0.22 1	0.27 14	0.22 13	0.26 14	0.14 3	0.12 4	0.16 1	0.13 2	0.08 21	0.05 3	0.06 1	0.04 1	0.07 16	0.06 7

PMTNet	0.15 2	0.08 1	0.23 2	0.15 2	0.09 5	0.23 26	0.16 19	0.25 5	0.23 6	0.17 3	0.21 5	0.16 6	0.14 8	0.22 21	0.13 2	0.29 170	0.05 3	0.06 1	0.04 1	0.07 16	0.06 7

iRaftStereo_RVC	0.16 7	0.12 15	0.26 3	0.21 29	0.11 17	0.20 12	0.17 23	0.32 12	0.23 6	0.20 7	0.25 12	0.18 13	0.12 4	0.20 11	0.15 11	0.07 3	0.05 3	0.09 42	0.09 47	0.08 27	0.07 19

raftrobust	0.16 7	0.13 19	0.29 8	0.22 44	0.15 52	0.19 4	0.13 3	0.32 12	0.26 12	0.26 26	0.20 4	0.19 18	0.17 23	0.21 19	0.15 11	0.08 21	0.06 19	0.07 10	0.06 14	0.06 4	0.07 19

MSMDNet	0.16 7	0.10 8	0.38 34	0.20 20	0.12 23	0.20 12	0.15 12	0.31 9	0.22 5	0.23 14	0.24 11	0.28 38	0.15 12	0.20 11	0.13 2	0.08 21	0.06 19	0.07 10	0.07 23	0.06 4	0.06 7

CFNet-RSSM	0.17 10	0.10 8	0.40 38	0.20 20	0.11 17	0.20 12	0.15 12	0.36 26	0.30 21	0.23 14	0.21 5	0.26 34	0.15 12	0.20 11	0.13 2	0.07 3	0.05 3	0.07 10	0.07 23	0.06 4	0.05 1

RAFT-Stereo + iAFF	0.17 10	0.14 31	0.32 9	0.20 20	0.09 5	0.19 4	0.17 23	0.32 12	0.30 21	0.25 22	0.33 33	0.20 19	0.17 23	0.19 10	0.15 11	0.06 1	0.05 3	0.07 10	0.07 23	0.07 16	0.05 1

Gwc-CoAtRS	0.17 10	0.10 8	0.37 31	0.20 20	0.12 23	0.19 4	0.15 12	0.32 12	0.28 16	0.23 14	0.23 9	0.27 35	0.15 12	0.20 11	0.13 2	0.07 3	0.05 3	0.07 10	0.07 23	0.06 4	0.06 7

R-Stereo Train	0.18 13	0.09 5	0.32 9	0.22 44	0.12 23	0.22 17	0.19 39	0.42 39	0.19 2	0.31 52	0.45 83	0.20 19	0.14 8	0.18 7	0.15 11	0.08 21	0.06 19	0.07 10	0.06 14	0.06 4	0.06 7

RALCasStereoNet	0.18 13	0.15 43	0.33 14	0.21 29	0.14 38	0.21 15	0.18 31	0.31 9	0.25 10	0.21 9	0.29 19	0.22 26	0.15 12	0.27 34	0.17 20	0.08 21	0.10 86	0.07 10	0.06 14	0.09 33	0.09 50

AFF-stereo	0.18 13	0.15 43	0.32 9	0.21 29	0.10 13	0.18 1	0.18 31	0.33 18	0.27 14	0.25 22	0.37 42	0.25 30	0.17 23	0.24 23	0.15 11	0.06 1	0.05 3	0.08 31	0.08 35	0.07 16	0.05 1

GwcNet-DCA	0.18 13	0.13 19	0.40 38	0.19 14	0.09 5	0.19 4	0.18 31	0.34 20	0.39 52	0.29 35	0.31 28	0.18 13	0.23 39	0.20 11	0.19 31	0.07 3	0.05 3	0.07 10	0.05 5	0.06 4	0.07 19

sCroCo_RVC	0.18 13	0.14 31	0.49 75	0.27 107	0.18 89	0.22 17	0.17 23	0.27 7	0.23 6	0.14 1	0.22 8	0.17 9	0.14 8	0.21 19	0.15 11	0.10 53	0.11 98	0.09 42	0.09 47	0.09 33	0.09 50

rafts_anoy	0.18 13	0.15 43	0.35 20	0.22 44	0.14 38	0.19 4	0.17 23	0.32 12	0.30 21	0.23 14	0.25 12	0.20 19	0.16 19	0.22 21	0.19 31	0.08 21	0.07 42	0.10 56	0.12 91	0.09 33	0.08 32

DIP-Stereo	0.18 13	0.12 15	0.33 14	0.20 20	0.13 33	0.28 43	0.12 1	0.42 39	0.25 10	0.27 27	0.32 30	0.21 25	0.17 23	0.25 30	0.20 36	0.07 3	0.06 19	0.08 31	0.06 14	0.07 16	0.08 32
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	0.18 13	0.09 5	0.32 9	0.22 44	0.12 23	0.22 17	0.19 39	0.42 39	0.19 2	0.31 52	0.45 83	0.20 19	0.14 8	0.18 7	0.15 11	0.08 21	0.06 19	0.07 10	0.06 14	0.06 4	0.06 7
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
raft+_RVC	0.18 13	0.14 31	0.32 9	0.21 29	0.15 52	0.21 15	0.16 19	0.38 29	0.34 35	0.21 9	0.28 17	0.20 19	0.15 12	0.24 23	0.19 31	0.08 21	0.06 19	0.08 31	0.07 23	0.07 16	0.08 32

222	0.19 22	0.13 19	0.48 73	0.19 14	0.09 5	0.19 4	0.18 31	0.35 23	0.39 52	0.29 35	0.30 21	0.18 13	0.28 65	0.20 11	0.18 22	0.07 3	0.05 3	0.07 10	0.05 5	0.06 4	0.07 19

GMStereo	0.19 22	0.25 109	0.40 38	0.21 29	0.12 23	0.22 17	0.19 39	0.29 8	0.40 56	0.25 22	0.23 9	0.16 6	0.15 12	0.25 30	0.19 31	0.09 42	0.06 19	0.08 31	0.08 35	0.10 45	0.08 32

csc	0.19 22	0.13 19	0.40 38	0.18 6	0.09 5	0.19 4	0.18 31	0.35 23	0.43 70	0.29 35	0.30 21	0.18 13	0.28 65	0.20 11	0.18 22	0.07 3	0.05 3	0.07 10	0.05 5	0.05 1	0.07 19

cscssc	0.19 22	0.13 19	0.40 38	0.18 6	0.09 5	0.19 4	0.18 31	0.35 23	0.43 70	0.29 35	0.30 21	0.18 13	0.28 65	0.20 11	0.18 22	0.07 3	0.05 3	0.07 10	0.05 5	0.05 1	0.07 19

RALAANet	0.19 22	0.18 66	0.37 31	0.23 55	0.14 38	0.23 26	0.13 3	0.37 27	0.29 20	0.28 28	0.26 14	0.25 30	0.15 12	0.26 32	0.18 22	0.08 21	0.06 19	0.09 42	0.08 35	0.09 33	0.06 7

HITNet	0.20 27	0.17 58	0.43 55	0.19 14	0.08 1	0.27 36	0.14 8	0.42 39	0.30 21	0.29 35	0.32 30	0.27 35	0.21 32	0.28 38	0.25 57	0.07 3	0.05 3	0.07 10	0.06 14	0.09 33	0.06 7
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
Anonymous	0.20 27	0.14 31	0.47 69	0.27 107	0.20 106	0.25 31	0.25 88	0.32 12	0.26 12	0.18 6	0.18 1	0.15 5	0.19 29	0.24 23	0.18 22	0.10 53	0.09 74	0.09 42	0.09 47	0.15 100	0.13 89

CroCo_RVC	0.20 27	0.21 88	0.58 92	0.24 67	0.17 75	0.22 17	0.19 39	0.34 20	0.28 16	0.17 3	0.19 2	0.17 9	0.16 19	0.17 4	0.14 9	0.10 53	0.07 42	0.09 42	0.08 35	0.23 148	0.17 119

sAnonymous2	0.20 27	0.21 88	0.58 92	0.24 67	0.17 75	0.22 17	0.19 39	0.34 20	0.28 16	0.17 3	0.19 2	0.17 9	0.16 19	0.17 4	0.14 9	0.10 53	0.07 42	0.09 42	0.08 35	0.23 148	0.17 119

111	0.20 27	0.17 58	0.40 38	0.18 6	0.09 5	0.24 29	0.17 23	0.41 36	0.45 83	0.23 14	0.29 19	0.29 41	0.21 32	0.24 23	0.18 22	0.07 3	0.05 3	0.07 10	0.06 14	0.07 16	0.08 32

TestStereo	0.21 32	0.19 74	0.40 38	0.25 81	0.10 13	0.22 17	0.21 57	0.31 9	0.31 27	0.23 14	0.34 34	0.22 26	0.18 27	0.62 94	0.18 22	0.08 21	0.06 19	0.10 56	0.07 23	0.11 62	0.06 7

EAI-Stereo	0.21 32	0.10 8	0.33 14	0.21 29	0.12 23	0.30 55	0.46 154	0.46 55	0.20 4	0.25 22	0.50 102	0.17 9	0.16 19	0.24 23	0.23 45	0.07 3	0.06 19	0.07 10	0.10 56	0.06 4	0.07 19

test_xeample3	0.21 32	0.16 50	0.52 84	0.19 14	0.09 5	0.24 29	0.21 57	0.37 27	0.43 70	0.28 28	0.41 62	0.22 26	0.23 39	0.24 23	0.17 20	0.07 3	0.06 19	0.07 10	0.05 5	0.05 1	0.10 62

FENet	0.21 32	0.11 13	0.45 63	0.21 29	0.12 23	0.26 35	0.17 23	0.41 36	0.35 37	0.30 45	0.31 28	0.29 41	0.23 39	0.26 32	0.23 45	0.09 42	0.06 19	0.09 42	0.09 47	0.09 33	0.09 50

XX-Stereo	0.21 32	0.10 8	0.83 136	0.26 96	0.17 75	0.23 26	0.13 3	0.40 34	0.18 1	0.20 7	0.41 62	0.31 45	0.10 1	0.32 42	0.12 1	0.08 21	0.06 19	0.08 31	0.08 35	0.07 16	0.05 1

BEATNet_4x	0.22 37	0.18 66	0.47 69	0.22 44	0.10 13	0.28 43	0.14 8	0.46 55	0.32 28	0.31 52	0.34 34	0.31 45	0.25 45	0.31 41	0.29 70	0.08 21	0.06 19	0.08 31	0.06 14	0.10 45	0.08 32

MLCV	0.22 37	0.16 50	0.44 57	0.21 29	0.08 1	0.29 48	0.19 39	0.38 29	0.37 44	0.38 82	0.44 79	0.31 45	0.21 32	0.41 52	0.24 49	0.07 3	0.05 3	0.06 1	0.05 5	0.07 16	0.06 7

DMCA	0.22 37	0.14 31	0.36 27	0.22 44	0.14 38	0.27 36	0.20 52	0.43 46	0.38 48	0.31 52	0.32 30	0.33 50	0.24 43	0.24 23	0.28 64	0.11 65	0.08 61	0.10 56	0.08 35	0.10 45	0.11 73

DN-CSS_ROB	0.22 37	0.25 109	0.47 69	0.24 67	0.14 38	0.25 31	0.12 1	0.40 34	0.33 31	0.29 35	0.42 70	0.22 26	0.20 31	0.33 43	0.19 31	0.07 3	0.06 19	0.11 67	0.11 71	0.11 62	0.07 19

GES	0.22 37	0.12 15	0.42 53	0.20 20	0.14 38	0.27 36	0.19 39	0.49 72	0.33 31	0.30 45	0.36 38	0.25 30	0.23 39	0.29 39	0.22 39	0.10 53	0.08 61	0.08 31	0.07 23	0.10 45	0.11 73

ACVNet	0.23 42	0.13 19	0.35 20	0.18 6	0.15 52	0.27 36	0.23 76	0.39 31	0.44 79	0.28 28	0.41 62	0.38 62	0.26 51	0.27 34	0.32 80	0.08 21	0.07 42	0.08 31	0.07 23	0.10 45	0.07 19

Anonymous3	0.23 42	0.18 66	0.63 106	0.27 107	0.18 89	0.41 105	0.23 76	0.43 46	0.35 37	0.23 14	0.27 16	0.20 19	0.18 27	0.27 34	0.18 22	0.12 79	0.11 98	0.10 56	0.10 56	0.11 62	0.12 83

cf-r	0.24 44	0.15 43	0.44 57	0.21 29	0.14 38	0.27 36	0.22 68	0.42 39	0.40 56	0.30 45	0.42 70	0.42 81	0.26 51	0.43 54	0.25 57	0.11 65	0.06 19	0.08 31	0.10 56	0.08 27	0.08 32

iResNet	0.24 44	0.18 66	0.61 98	0.25 81	0.11 17	0.29 48	0.21 57	0.42 39	0.43 70	0.33 59	0.43 73	0.27 35	0.22 37	0.34 44	0.26 62	0.07 3	0.05 3	0.07 10	0.06 14	0.08 27	0.07 19

CFNet_RVC	0.24 44	0.15 43	0.35 20	0.18 6	0.15 52	0.30 55	0.21 57	0.39 31	0.36 42	0.28 28	0.40 58	0.43 83	0.25 45	0.47 61	0.24 49	0.12 79	0.07 42	0.12 79	0.11 71	0.12 75	0.09 50

CFNet-ft	0.24 44	0.15 43	0.35 20	0.18 6	0.15 52	0.30 55	0.21 57	0.39 31	0.36 42	0.28 28	0.40 58	0.43 83	0.25 45	0.47 61	0.24 49	0.12 79	0.07 42	0.12 79	0.11 71	0.12 75	0.09 50

PSMNet-RSSM	0.24 44	0.15 43	0.36 27	0.21 29	0.14 38	0.25 31	0.20 52	0.48 67	0.37 44	0.30 45	0.44 79	0.38 62	0.26 51	0.52 72	0.22 39	0.12 79	0.07 42	0.11 67	0.13 104	0.10 45	0.09 50

GANet-RSSM	0.24 44	0.14 31	0.36 27	0.21 29	0.14 38	0.27 36	0.21 57	0.45 52	0.33 31	0.29 35	0.39 54	0.39 66	0.28 65	0.58 84	0.23 45	0.11 65	0.07 42	0.09 42	0.09 47	0.10 45	0.09 50

pcwnet_v2	0.24 44	0.13 19	0.38 34	0.18 6	0.15 52	0.30 55	0.15 12	0.51 84	0.34 35	0.31 52	0.48 99	0.28 38	0.24 43	0.43 54	0.24 49	0.15 118	0.09 74	0.11 67	0.11 71	0.11 62	0.12 83

HCRNet	0.24 44	0.25 109	0.33 14	0.34 147	0.16 65	0.27 36	0.18 31	0.43 46	0.35 37	0.30 45	0.35 36	0.32 48	0.22 37	0.44 58	0.20 36	0.13 90	0.08 61	0.13 91	0.11 71	0.10 45	0.09 50

UCFNet_RVC	0.24 44	0.16 50	0.34 18	0.18 6	0.15 52	0.33 69	0.16 19	0.46 55	0.35 37	0.29 35	0.35 36	0.39 66	0.25 45	0.34 44	0.22 39	0.13 90	0.08 61	0.13 91	0.14 112	0.13 85	0.12 83

AdaStereo	0.24 44	0.16 50	0.37 31	0.24 67	0.12 23	0.32 64	0.17 23	0.54 101	0.42 65	0.33 59	0.38 46	0.35 54	0.21 32	0.30 40	0.22 39	0.14 108	0.06 19	0.13 91	0.08 35	0.11 62	0.08 32
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.
CFNet-pseudo	0.24 44	0.13 19	0.40 38	0.21 29	0.13 33	0.28 43	0.15 12	0.54 101	0.42 65	0.29 35	0.43 73	0.25 30	0.21 32	0.48 63	0.25 57	0.12 79	0.10 86	0.14 107	0.15 119	0.09 33	0.10 62

ARAFT	0.24 44	0.21 88	0.78 125	0.22 44	0.12 23	0.29 48	0.24 82	0.43 46	0.32 28	0.33 59	0.28 17	0.28 38	0.19 29	0.49 66	0.18 22	0.07 3	0.06 19	0.12 79	0.11 71	0.09 33	0.06 7

UPFNet	0.25 56	0.12 15	0.38 34	0.24 67	0.19 97	0.37 86	0.28 99	0.48 67	0.38 48	0.34 64	0.37 42	0.37 59	0.28 65	0.39 48	0.33 86	0.10 53	0.09 74	0.10 56	0.10 56	0.10 45	0.08 32

acv_ft	0.25 56	0.13 19	0.40 38	0.23 55	0.19 97	0.34 81	0.21 57	0.45 52	0.44 79	0.38 82	0.41 62	0.38 62	0.27 59	0.27 34	0.35 92	0.08 21	0.07 42	0.08 31	0.07 23	0.11 62	0.07 19

iResNet_ROB	0.25 56	0.19 74	0.40 38	0.20 20	0.12 23	0.30 55	0.16 19	0.55 108	0.53 114	0.38 82	0.43 73	0.37 59	0.26 51	0.38 47	0.22 39	0.08 21	0.06 19	0.06 1	0.04 1	0.09 33	0.09 50

DeepPruner_ROB	0.26 59	0.19 74	0.44 57	0.21 29	0.16 65	0.30 55	0.21 57	0.52 89	0.32 28	0.35 69	0.38 46	0.39 66	0.26 51	0.42 53	0.24 49	0.15 118	0.11 98	0.11 67	0.11 71	0.14 92	0.13 89

GwcNet-RSSM	0.26 59	0.17 58	0.46 65	0.21 29	0.13 33	0.28 43	0.23 76	0.44 50	0.42 65	0.31 52	0.45 83	0.40 75	0.26 51	0.55 77	0.28 64	0.11 65	0.07 42	0.09 42	0.10 56	0.09 33	0.08 32

StereoDRNet-Refined	0.27 61	0.17 58	0.35 20	0.25 81	0.14 38	0.37 86	0.21 57	0.47 59	0.41 62	0.44 111	0.51 106	0.41 77	0.28 65	0.45 59	0.37 96	0.09 42	0.06 19	0.11 67	0.11 71	0.10 45	0.10 62
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
MMNet	0.27 61	0.14 31	0.49 75	0.24 67	0.17 75	0.47 125	0.22 68	0.45 52	0.51 107	0.39 90	0.41 62	0.36 57	0.33 89	0.39 48	0.34 89	0.08 21	0.07 42	0.09 42	0.09 47	0.10 45	0.08 32

iResNetv2_ROB	0.27 61	0.26 119	0.72 121	0.23 55	0.13 33	0.29 48	0.18 31	0.52 89	0.49 101	0.37 76	0.45 83	0.39 66	0.25 45	0.34 44	0.20 36	0.08 21	0.06 19	0.07 10	0.05 5	0.12 75	0.09 50

DMCA-RVC	0.27 61	0.21 88	0.61 98	0.28 123	0.17 75	0.29 48	0.21 57	0.42 39	0.35 37	0.40 94	0.37 42	0.39 66	0.36 98	0.43 54	0.30 72	0.13 90	0.10 86	0.15 118	0.11 71	0.13 85	0.10 62

DSFCA	0.27 61	0.13 19	0.36 27	0.20 20	0.17 75	0.38 92	0.31 113	0.47 59	0.43 70	0.43 107	0.37 42	0.39 66	0.29 73	0.52 72	0.32 80	0.12 79	0.10 86	0.10 56	0.11 71	0.11 62	0.10 62

RAFT + AFF	0.27 61	0.23 102	0.50 79	0.25 81	0.17 75	0.30 55	0.33 124	0.52 89	0.40 56	0.28 28	0.30 21	0.30 43	0.31 83	0.62 94	0.24 49	0.09 42	0.10 86	0.11 67	0.10 56	0.11 62	0.11 73

delet	0.27 61	0.14 31	0.40 38	0.23 55	0.19 97	0.41 105	0.29 103	0.49 72	0.48 94	0.33 59	0.41 62	0.37 59	0.30 77	0.48 63	0.34 89	0.09 42	0.09 74	0.11 67	0.12 91	0.08 27	0.08 32

HSM-Net_RVC	0.27 61	0.11 13	0.42 53	0.19 14	0.11 17	0.34 81	0.20 52	0.62 143	0.43 70	0.40 94	0.43 73	0.50 106	0.26 51	0.76 125	0.22 39	0.08 21	0.07 42	0.07 10	0.07 23	0.08 27	0.08 32
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HGLStereo	0.27 61	0.14 31	0.46 65	0.24 67	0.21 114	0.33 69	0.23 76	0.50 76	0.42 65	0.35 69	0.48 99	0.41 77	0.33 89	0.45 59	0.33 86	0.11 65	0.10 86	0.09 42	0.09 47	0.10 45	0.12 83

GEStereo_RVC	0.27 61	0.20 79	0.44 57	0.27 107	0.16 65	0.33 69	0.25 88	0.56 116	0.54 116	0.34 64	0.38 46	0.34 53	0.25 45	0.51 70	0.28 64	0.12 79	0.08 61	0.09 42	0.08 35	0.11 62	0.11 73

ac_64	0.27 61	0.13 19	0.41 50	0.24 67	0.17 75	0.36 84	0.22 68	0.46 55	0.33 31	0.35 69	0.36 38	0.52 112	0.30 77	0.62 94	0.32 80	0.11 65	0.09 74	0.10 56	0.10 56	0.09 33	0.08 32

NLCA_NET_v2_RVC	0.27 61	0.21 88	0.59 94	0.25 81	0.18 89	0.29 48	0.22 68	0.50 76	0.40 56	0.38 82	0.41 62	0.43 83	0.27 59	0.43 54	0.29 70	0.11 65	0.08 61	0.10 56	0.10 56	0.10 45	0.11 73
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 61	0.20 79	0.44 57	0.22 44	0.14 38	0.33 69	0.14 8	0.51 84	0.45 83	0.30 45	0.40 58	0.38 62	0.27 59	0.76 125	0.25 57	0.09 42	0.07 42	0.11 67	0.11 71	0.11 62	0.08 32

RASNet	0.28 74	0.14 31	0.44 57	0.22 44	0.18 89	0.32 64	0.19 39	0.48 67	0.38 48	0.29 35	0.43 73	0.47 96	0.37 104	0.79 133	0.36 95	0.09 42	0.07 42	0.07 10	0.09 47	0.07 16	0.07 19

HSM	0.28 74	0.16 50	0.35 20	0.20 20	0.15 52	0.33 69	0.19 39	0.53 96	0.37 44	0.36 73	0.38 46	0.67 148	0.31 83	0.89 148	0.23 45	0.08 21	0.06 19	0.08 31	0.07 23	0.08 27	0.08 32

UNet	0.28 74	0.14 31	0.69 114	0.23 55	0.20 106	0.44 119	0.22 68	0.50 76	0.40 56	0.34 64	0.39 54	0.43 83	0.33 89	0.40 50	0.31 76	0.09 42	0.07 42	0.10 56	0.08 35	0.10 45	0.08 32

DLCB_ROB	0.28 74	0.16 50	0.34 18	0.27 107	0.16 65	0.38 92	0.25 88	0.48 67	0.43 70	0.46 114	0.46 89	0.51 109	0.33 89	0.53 75	0.33 86	0.10 53	0.10 86	0.11 67	0.11 71	0.10 45	0.09 50

STTStereo	0.28 74	0.20 79	0.61 98	0.25 81	0.17 75	0.29 48	0.24 82	0.47 59	0.39 52	0.39 90	0.41 62	0.44 90	0.28 65	0.40 50	0.28 64	0.13 90	0.12 109	0.13 91	0.16 130	0.12 75	0.11 73

FADNet-RVC-Resample	0.29 79	0.25 109	0.93 148	0.26 96	0.16 65	0.32 64	0.21 57	0.47 59	0.39 52	0.35 69	0.38 46	0.33 50	0.27 59	0.53 75	0.24 49	0.10 53	0.10 86	0.14 107	0.13 104	0.13 85	0.16 111

hitnet-ft	0.29 79	0.17 58	0.40 38	0.19 14	0.14 38	0.39 98	0.23 76	0.44 50	0.41 62	0.36 73	0.46 89	0.53 116	0.34 94	0.76 125	0.32 80	0.14 108	0.10 86	0.13 91	0.10 56	0.15 100	0.13 89

psm_up	0.29 79	0.16 50	0.41 50	0.26 96	0.17 75	0.32 64	0.26 93	0.55 108	0.43 70	0.36 73	0.40 58	0.45 92	0.37 104	0.58 84	0.30 72	0.11 65	0.12 109	0.13 91	0.12 91	0.10 45	0.10 62

TDLM	0.30 82	0.21 88	0.38 34	0.28 123	0.15 52	0.33 69	0.32 115	0.52 89	0.47 89	0.38 82	0.43 73	0.39 66	0.29 73	0.91 152	0.28 64	0.14 108	0.08 61	0.13 91	0.11 71	0.12 75	0.10 62

CVANet_RVC	0.30 82	0.19 74	0.41 50	0.26 96	0.16 65	0.33 69	0.26 93	0.52 89	0.47 89	0.40 94	0.46 89	0.43 83	0.31 83	0.89 148	0.26 62	0.14 108	0.09 74	0.14 107	0.13 104	0.14 92	0.10 62

FADNet_RVC	0.30 82	0.28 127	0.83 136	0.23 55	0.15 52	0.30 55	0.17 23	0.49 72	0.37 44	0.30 45	0.38 46	0.30 43	0.27 59	0.52 72	0.31 76	0.14 108	0.14 122	0.14 107	0.16 130	0.21 142	0.23 156

AANet_RVC	0.31 85	0.22 96	0.50 79	0.23 55	0.14 38	0.30 55	0.24 82	0.47 59	0.54 116	0.38 82	0.60 127	0.43 83	0.29 73	0.87 144	0.40 105	0.11 65	0.07 42	0.07 10	0.07 23	0.09 33	0.09 50

NVstereo2D	0.31 85	0.16 50	0.54 87	0.24 67	0.22 123	0.42 112	0.28 99	0.58 124	0.56 124	0.28 28	0.38 46	0.40 75	0.30 77	0.71 112	0.28 64	0.13 90	0.08 61	0.13 91	0.10 56	0.19 132	0.16 111

NOSS_ROB	0.31 85	0.20 79	0.35 20	0.24 67	0.16 65	0.32 64	0.19 39	0.52 89	0.48 94	0.33 59	0.36 38	0.42 81	0.28 65	0.93 154	0.24 49	0.19 152	0.20 158	0.24 158	0.22 157	0.17 118	0.17 119

FADNet-RVC	0.31 85	0.35 151	0.78 125	0.25 81	0.20 106	0.33 69	0.20 52	0.49 72	0.40 56	0.34 64	0.39 54	0.41 77	0.29 73	0.63 98	0.31 76	0.13 90	0.14 122	0.14 107	0.15 119	0.19 132	0.19 137

FADNet	0.32 89	0.36 154	0.74 123	0.23 55	0.22 123	0.37 86	0.19 39	0.53 96	0.48 94	0.32 58	0.36 38	0.43 83	0.32 87	0.64 100	0.25 57	0.16 128	0.16 140	0.14 107	0.16 130	0.24 151	0.19 137

PS-NSSS	0.32 89	0.30 139	0.46 65	0.23 55	0.17 75	0.33 69	0.24 82	0.57 119	0.41 62	0.37 76	0.52 112	0.35 54	0.30 77	0.80 136	0.30 72	0.17 138	0.14 122	0.21 150	0.15 119	0.15 100	0.13 89

StereoDRNet	0.32 89	0.22 96	0.61 98	0.27 107	0.21 114	0.42 112	0.30 110	0.61 136	0.48 94	0.46 114	0.39 54	0.48 98	0.30 77	0.57 82	0.40 105	0.11 65	0.09 74	0.12 79	0.11 71	0.12 75	0.10 62

DISCO	0.32 89	0.13 19	0.51 82	0.25 81	0.16 65	0.48 127	0.25 88	0.50 76	0.57 126	0.37 76	0.45 83	0.62 135	0.36 98	0.64 100	0.49 127	0.09 42	0.07 42	0.09 42	0.08 35	0.12 75	0.11 73

PSMNet_ROB	0.33 93	0.24 105	0.54 87	0.31 134	0.21 114	0.42 112	0.43 150	0.59 128	0.47 89	0.37 76	0.44 79	0.49 101	0.31 83	0.64 100	0.43 113	0.14 108	0.10 86	0.15 118	0.14 112	0.13 85	0.11 73

XPNet_ROB	0.33 93	0.20 79	0.43 55	0.27 107	0.18 89	0.37 86	0.31 113	0.55 108	0.50 104	0.51 125	0.53 115	0.58 125	0.37 104	0.63 98	0.45 118	0.17 138	0.12 109	0.13 91	0.12 91	0.15 100	0.14 98

CBMV_ROB	0.33 93	0.18 66	0.53 85	0.21 29	0.14 38	0.33 69	0.20 52	0.51 84	0.45 83	0.51 125	0.55 119	0.45 92	0.42 122	0.71 112	0.32 80	0.18 148	0.19 155	0.23 156	0.21 151	0.14 92	0.15 105

CBMV	0.33 93	0.21 88	0.54 87	0.23 55	0.13 33	0.42 112	0.33 124	0.53 96	0.48 94	0.52 129	0.49 101	0.50 106	0.41 115	0.56 80	0.31 76	0.15 118	0.16 140	0.18 139	0.16 130	0.13 85	0.13 89
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
DRN-Test	0.33 93	0.17 58	0.61 98	0.27 107	0.19 97	0.46 122	0.29 103	0.65 148	0.51 107	0.47 120	0.46 89	0.44 90	0.34 94	0.62 94	0.41 110	0.12 79	0.08 61	0.13 91	0.12 91	0.12 75	0.10 62

ETE_ROB	0.34 98	0.26 119	0.45 63	0.29 125	0.18 89	0.40 103	0.37 135	0.57 119	0.47 89	0.50 123	0.50 102	0.62 135	0.36 98	0.55 77	0.38 98	0.13 90	0.10 86	0.14 107	0.12 91	0.16 107	0.16 111

FINET	0.34 98	0.27 124	0.80 132	0.24 67	0.24 137	0.36 84	0.34 126	0.54 101	0.72 151	0.39 90	0.47 96	0.32 48	0.30 77	0.51 70	0.32 80	0.19 152	0.17 145	0.13 91	0.12 91	0.18 128	0.16 111

RP	0.35 100	0.22 96	0.51 82	0.31 134	0.24 137	0.37 86	0.28 99	0.50 76	0.58 128	0.40 94	0.63 135	0.61 133	0.47 132	0.61 91	0.39 102	0.16 128	0.15 136	0.17 133	0.15 119	0.17 118	0.17 119

DANet	0.35 100	0.23 102	0.60 96	0.36 156	0.22 123	0.39 98	0.25 88	0.48 67	0.43 70	0.52 129	0.50 102	0.59 127	0.41 115	0.76 125	0.49 127	0.13 90	0.11 98	0.14 107	0.12 91	0.17 118	0.15 105
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
NCCL2	0.35 100	0.26 119	0.49 75	0.36 156	0.22 123	0.41 105	0.41 147	0.53 96	0.42 65	0.47 120	0.46 89	0.61 133	0.39 110	0.55 77	0.37 96	0.16 128	0.13 118	0.21 150	0.21 151	0.16 107	0.16 111

GwcNet	0.35 100	0.23 102	0.88 144	0.25 81	0.24 137	0.48 127	0.27 96	0.55 108	0.57 126	0.38 82	0.52 112	0.51 109	0.32 87	0.60 87	0.41 110	0.13 90	0.11 98	0.12 79	0.11 71	0.13 85	0.14 98

FAT-Stereo	0.36 104	0.18 66	0.73 122	0.26 96	0.18 89	0.33 69	0.29 103	0.60 134	0.59 129	0.46 114	0.60 127	0.60 129	0.50 139	0.61 91	0.34 89	0.13 90	0.14 122	0.13 91	0.12 91	0.14 92	0.18 131

Syn2CoEx	0.36 104	0.31 143	0.78 125	0.34 147	0.21 114	0.41 105	0.28 99	0.61 136	0.49 101	0.42 104	0.56 121	0.45 92	0.44 125	0.69 110	0.38 98	0.17 138	0.14 122	0.15 118	0.12 91	0.13 85	0.12 83

GANet	0.36 104	0.22 96	0.49 75	0.29 125	0.17 75	0.41 105	0.38 140	0.57 119	0.45 83	0.46 114	0.75 148	0.55 118	0.40 112	0.94 157	0.41 110	0.13 90	0.13 118	0.13 91	0.11 71	0.14 92	0.11 73

SGM-Forest	0.36 104	0.17 58	0.47 69	0.23 55	0.16 65	0.45 121	0.41 147	0.55 108	0.48 94	0.52 129	0.60 127	0.52 112	0.41 115	0.85 141	0.50 132	0.17 138	0.17 145	0.17 133	0.15 119	0.15 100	0.15 105
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MaskLacGwcNet_RVC	0.36 104	0.36 154	0.53 85	0.34 147	0.19 97	0.51 131	0.24 82	0.55 108	0.38 48	0.41 101	0.47 96	0.47 96	0.27 59	0.73 118	0.30 72	0.36 174	0.19 155	0.27 160	0.17 139	0.26 158	0.23 156

LALA_ROB	0.36 104	0.25 109	0.46 65	0.30 129	0.21 114	0.47 125	0.39 143	0.61 136	0.51 107	0.52 129	0.51 106	0.69 152	0.36 98	0.50 68	0.43 113	0.17 138	0.11 98	0.16 127	0.14 112	0.17 118	0.15 105

APVNet	0.36 104	0.20 79	0.70 120	0.26 96	0.22 123	0.52 140	0.35 129	0.61 136	0.44 79	0.38 82	0.52 112	0.48 98	0.38 108	0.84 140	0.46 122	0.13 90	0.14 122	0.15 118	0.16 130	0.16 107	0.15 105

AF-Net	0.37 111	0.26 119	0.56 91	0.32 140	0.23 133	0.41 105	0.29 103	0.61 136	0.64 140	0.42 104	0.68 140	0.65 145	0.49 138	0.57 82	0.44 117	0.15 118	0.11 98	0.19 146	0.14 112	0.15 100	0.13 89

PA-Net	0.37 111	0.28 127	0.83 136	0.31 134	0.28 153	0.39 98	0.42 149	0.51 84	0.55 121	0.34 64	0.42 70	0.41 77	0.36 98	0.79 133	0.49 127	0.12 79	0.23 164	0.16 127	0.23 158	0.12 75	0.18 131
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
RYNet	0.37 111	0.18 66	0.59 94	0.25 81	0.28 153	0.61 149	0.32 115	0.59 128	0.59 129	0.41 101	0.38 46	0.57 123	0.39 110	0.87 144	0.53 137	0.11 65	0.08 61	0.12 79	0.11 71	0.18 128	0.18 131

stereogan	0.37 111	0.17 58	0.65 108	0.27 107	0.22 123	0.62 150	0.26 93	0.59 128	0.63 139	0.43 107	0.60 127	0.67 148	0.42 122	0.68 108	0.35 92	0.13 90	0.14 122	0.14 107	0.12 91	0.19 132	0.17 119

Nwc_Net	0.37 111	0.25 109	0.68 113	0.31 134	0.24 137	0.44 119	0.30 110	0.65 148	0.50 104	0.37 76	0.69 143	0.58 125	0.45 127	0.60 87	0.40 105	0.15 118	0.12 109	0.19 146	0.21 151	0.14 92	0.13 89

PWCDC_ROB	0.38 116	0.30 139	0.60 96	0.33 145	0.20 106	0.42 112	0.19 39	0.58 124	0.89 165	0.42 104	1.26 168	0.36 57	0.34 94	0.50 68	0.38 98	0.18 148	0.11 98	0.11 67	0.09 47	0.19 132	0.13 89

Anonymous Stereo	0.38 116	0.34 148	1.00 155	0.30 129	0.25 143	0.33 69	0.44 151	0.50 76	0.54 116	0.41 101	0.45 83	0.39 66	0.26 51	0.93 154	0.48 124	0.15 118	0.14 122	0.15 118	0.16 130	0.16 107	0.17 119

S-Stereo	0.38 116	0.20 79	1.05 158	0.27 107	0.22 123	0.38 92	0.32 115	0.55 108	0.66 141	0.39 90	0.59 125	0.49 101	0.41 115	0.75 122	0.40 105	0.12 79	0.15 136	0.13 91	0.13 104	0.16 107	0.21 148

PWC_ROB	0.38 116	0.29 134	0.69 114	0.25 81	0.20 106	0.38 92	0.19 39	0.58 124	0.67 143	0.57 140	0.85 153	0.51 109	0.40 112	0.71 112	0.52 135	0.13 90	0.09 74	0.14 107	0.10 56	0.17 118	0.14 98

ADCRef	0.38 116	0.24 105	0.88 144	0.26 96	0.21 114	0.49 129	0.27 96	0.52 89	0.48 94	0.50 123	0.58 124	0.35 54	0.47 132	0.48 63	1.29 169	0.09 42	0.08 61	0.12 79	0.12 91	0.11 62	0.11 73

RGC	0.39 121	0.32 146	0.64 107	0.34 147	0.27 150	0.40 103	0.29 103	0.57 119	0.53 114	0.45 113	0.64 136	0.62 135	0.45 127	0.72 116	0.39 102	0.15 118	0.15 136	0.21 150	0.20 149	0.18 128	0.19 137

NCC-stereo	0.39 121	0.25 109	0.69 114	0.32 140	0.28 153	0.46 122	0.36 132	0.65 148	0.52 112	0.40 94	0.57 122	0.56 120	0.47 132	0.73 118	0.45 118	0.17 138	0.14 122	0.18 139	0.25 160	0.16 107	0.16 111

RTSC	0.39 121	0.28 127	0.78 125	0.27 107	0.18 89	0.49 129	0.22 68	0.59 128	0.84 164	0.55 137	0.53 115	0.49 101	0.36 98	0.67 107	0.82 157	0.13 90	0.10 86	0.11 67	0.12 91	0.17 118	0.17 119

edge stereo	0.39 121	0.22 96	0.81 134	0.27 107	0.22 123	0.37 86	0.24 82	0.56 116	0.54 116	0.53 134	0.60 127	0.71 155	0.50 139	0.78 131	0.40 105	0.16 128	0.14 122	0.19 146	0.14 112	0.16 107	0.17 119

aanetorigin	0.39 121	0.29 134	1.09 160	0.24 67	0.19 97	0.28 43	0.37 135	0.33 18	0.47 89	0.94 163	0.82 151	0.52 112	0.54 143	0.49 66	0.50 132	0.11 65	0.09 74	0.10 56	0.10 56	0.16 107	0.15 105

Abc-Net	0.39 121	0.25 109	0.69 114	0.32 140	0.28 153	0.46 122	0.36 132	0.65 148	0.52 112	0.40 94	0.57 122	0.56 120	0.47 132	0.73 118	0.45 118	0.17 138	0.14 122	0.18 139	0.25 160	0.16 107	0.16 111
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NaN_ROB	0.41 127	0.28 127	0.62 105	0.30 129	0.19 97	0.51 131	0.47 158	0.58 124	0.59 129	0.56 138	0.47 96	0.49 101	0.41 115	1.21 168	0.64 147	0.12 79	0.18 151	0.12 79	0.13 104	0.11 62	0.14 98

ccnet	0.42 128	0.31 143	0.48 73	0.27 107	0.32 164	0.60 148	0.32 115	0.65 148	0.46 88	0.53 134	0.66 137	0.56 120	0.45 127	0.72 116	0.61 142	0.26 162	0.19 155	0.24 158	0.21 151	0.26 158	0.22 151

SHD	0.42 128	0.27 124	0.81 134	0.31 134	0.25 143	0.42 112	0.22 68	0.66 153	0.94 169	0.63 144	0.60 127	0.59 127	0.47 132	0.59 86	0.58 139	0.15 118	0.13 118	0.16 127	0.16 130	0.20 139	0.22 151

PDISCO_ROB	0.43 130	0.30 139	0.67 111	0.43 167	0.36 168	0.67 154	0.32 115	0.72 163	0.76 155	0.43 107	0.53 115	0.63 142	0.40 112	0.66 106	0.47 123	0.21 155	0.12 109	0.21 150	0.19 148	0.25 152	0.20 145

FBW_ROB	0.43 130	0.26 119	0.54 87	0.31 134	0.20 106	0.51 131	0.32 115	0.70 161	0.60 132	0.59 141	0.55 119	0.65 145	0.41 115	1.40 174	0.51 134	0.13 90	0.17 145	0.21 150	0.16 130	0.17 118	0.18 131

XQC	0.43 130	0.37 159	0.96 151	0.34 147	0.25 143	0.53 141	0.34 126	0.60 134	0.73 153	0.51 125	0.46 89	0.57 123	0.47 132	0.70 111	0.72 151	0.17 138	0.12 109	0.18 139	0.15 119	0.25 152	0.23 156

CC-Net-ROB	0.43 130	0.47 165	0.65 108	0.37 161	0.23 133	0.51 131	0.29 103	0.66 153	0.49 101	0.46 114	0.51 106	0.48 98	0.38 108	0.96 159	0.35 92	0.34 173	0.23 164	0.55 177	0.25 160	0.31 168	0.20 145

GANetREF_RVC	0.43 130	0.47 165	0.69 114	0.38 163	0.20 106	0.51 131	0.48 160	0.66 153	0.66 141	0.46 114	0.46 89	0.50 106	0.44 125	0.90 151	0.39 102	0.27 165	0.21 159	0.32 170	0.18 144	0.27 161	0.22 151
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	0.44 135	0.29 134	1.29 165	0.33 145	0.30 161	0.35 83	0.36 132	0.62 143	1.15 176	0.40 94	0.44 79	0.39 66	0.41 115	0.80 136	0.52 135	0.18 148	0.14 122	0.23 156	0.21 151	0.17 118	0.17 119

ADCP+	0.45 136	0.24 105	1.15 163	0.25 81	0.22 123	0.56 143	0.39 143	0.54 101	0.51 107	0.44 111	0.51 106	0.46 95	0.52 142	0.56 80	1.89 176	0.10 53	0.08 61	0.11 67	0.10 56	0.14 92	0.13 89

PASM	0.45 136	0.35 151	0.90 146	0.35 155	0.33 165	0.39 98	0.38 140	0.50 76	0.61 134	0.52 129	0.51 106	0.62 135	0.45 127	0.93 154	0.48 124	0.26 162	0.29 173	0.29 166	0.33 170	0.29 166	0.26 162

G-Net	0.46 138	0.25 109	0.86 142	0.34 147	0.28 153	0.90 169	0.35 129	0.47 59	0.45 83	0.68 149	1.22 166	0.64 144	0.60 150	0.61 91	0.57 138	0.16 128	0.14 122	0.17 133	0.13 104	0.22 146	0.19 137

DPSNet	0.47 139	0.24 105	0.93 148	0.27 107	0.20 106	0.75 161	0.57 165	0.84 174	0.79 158	0.47 120	0.51 106	0.60 129	0.69 158	0.87 144	0.71 150	0.16 128	0.13 118	0.12 79	0.10 56	0.25 152	0.21 148

ADCL	0.47 139	0.22 96	1.00 155	0.27 107	0.19 97	0.74 159	0.64 170	0.54 101	0.69 148	0.56 138	0.71 144	0.55 118	0.60 150	0.60 87	1.43 170	0.11 65	0.09 74	0.13 91	0.13 104	0.14 92	0.14 98

MDST_ROB	0.48 141	0.14 31	0.95 150	0.30 129	0.21 114	1.33 177	0.32 115	0.77 166	0.56 124	1.06 167	0.71 144	0.49 101	0.35 97	1.26 170	0.38 98	0.13 90	0.11 98	0.16 127	0.13 104	0.12 75	0.12 83

ADCPNet	0.48 141	0.29 134	1.60 169	0.27 107	0.23 133	0.70 158	0.38 140	0.53 96	0.51 107	0.51 125	0.59 125	0.67 148	0.56 146	0.60 87	1.14 166	0.15 118	0.18 151	0.14 107	0.23 158	0.19 132	0.19 137

ADCMid	0.49 143	0.34 148	1.13 162	0.26 96	0.21 114	0.51 131	0.37 135	0.57 119	0.54 116	0.75 156	0.66 137	0.62 135	0.64 156	0.64 100	1.68 173	0.13 90	0.12 109	0.17 133	0.17 139	0.20 139	0.17 119

SuperB	0.49 143	0.28 127	2.23 172	0.23 55	0.15 52	0.41 105	0.32 115	0.47 59	0.82 159	0.43 107	0.50 102	0.33 50	0.45 127	0.68 108	1.08 164	0.10 53	0.07 42	0.09 42	0.08 35	0.98 181	0.14 98

CSAN	0.50 145	0.35 151	0.78 125	0.36 156	0.23 133	0.56 143	0.59 168	0.61 136	0.70 149	0.64 145	0.78 150	0.65 145	0.60 150	1.38 173	0.62 144	0.21 155	0.17 145	0.20 149	0.20 149	0.18 128	0.18 131

SGM_RVC	0.50 145	0.19 74	0.50 79	0.25 81	0.15 52	0.69 155	0.39 143	0.68 160	0.82 159	0.95 164	0.84 152	1.13 167	0.76 161	1.16 167	0.60 141	0.16 128	0.16 140	0.16 127	0.16 130	0.16 107	0.17 119
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
psmorigin	0.50 145	0.25 109	3.03 177	0.24 67	0.19 97	0.38 92	0.22 68	0.50 76	0.44 79	0.64 145	0.68 140	0.71 155	0.51 141	0.85 141	0.45 118	0.14 108	0.17 145	0.13 91	0.14 112	0.16 107	0.21 148

pmcnn	0.50 145	0.20 79	0.78 125	0.24 67	0.26 148	0.39 98	0.30 110	0.51 84	0.50 104	0.54 136	1.23 167	2.52 179	0.37 104	0.77 130	0.95 159	0.08 21	0.06 19	0.06 1	0.05 5	0.10 45	0.08 32

MFN_U_SF_DS_RVC	0.51 149	0.50 170	0.86 142	0.39 165	0.24 137	0.84 165	0.55 164	0.56 116	0.62 136	0.60 142	0.68 140	0.62 135	0.42 122	1.13 166	0.43 113	0.23 158	0.27 169	0.27 160	0.35 171	0.25 152	0.29 165

AnyNet_C32	0.51 149	0.40 162	1.10 161	0.29 125	0.28 153	0.59 146	0.58 166	0.54 101	0.60 132	0.62 143	0.66 137	0.54 117	0.54 143	0.78 131	1.74 175	0.15 118	0.14 122	0.15 118	0.17 139	0.20 139	0.20 145

WCMA_ROB	0.51 149	0.21 88	0.65 108	0.25 81	0.21 114	0.58 145	0.32 115	0.54 101	0.55 121	0.95 164	1.40 171	1.28 171	0.81 164	0.73 118	0.62 144	0.18 148	0.15 136	0.15 118	0.15 119	0.19 132	0.19 137

SANet	0.53 152	0.28 127	0.96 151	0.26 96	0.15 52	0.69 155	0.44 151	0.67 157	1.34 178	0.67 148	0.98 161	0.94 164	0.71 160	0.89 148	0.76 152	0.14 108	0.12 109	0.12 79	0.11 71	0.17 118	0.16 111

MFN_U_SF_RVC	0.56 153	0.51 171	1.19 164	0.38 163	0.22 123	0.69 155	0.27 96	0.80 171	0.67 143	0.73 153	0.74 147	0.87 160	0.61 155	0.81 138	0.76 152	0.29 170	0.27 169	0.32 170	0.37 173	0.32 170	0.31 168

SAMSARA	0.56 153	0.39 161	0.80 132	0.60 176	0.46 172	1.00 170	1.23 180	0.67 157	0.68 146	0.71 152	0.54 118	0.89 163	0.57 147	0.81 138	0.62 144	0.19 152	0.22 161	0.18 139	0.18 144	0.27 161	0.25 161

MeshStereo	0.58 155	0.27 124	0.67 111	0.22 44	0.17 75	0.66 153	0.37 135	0.78 167	0.61 134	1.47 177	1.30 169	1.65 173	0.79 163	1.12 165	0.59 140	0.17 138	0.17 145	0.17 133	0.14 112	0.17 118	0.14 98
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
PVD	0.58 155	0.34 148	0.84 140	0.39 165	0.31 163	0.59 146	0.47 158	0.80 171	1.25 177	0.92 162	1.09 163	0.79 158	0.82 165	0.85 141	0.76 152	0.21 155	0.18 151	0.22 155	0.18 144	0.27 161	0.35 170

ADCS	0.58 155	0.40 162	1.35 167	0.29 125	0.24 137	0.55 142	0.45 153	0.67 157	0.83 162	0.76 157	0.71 144	0.68 151	0.60 150	0.76 125	2.23 178	0.16 128	0.16 140	0.16 127	0.17 139	0.22 146	0.22 151

MSMD_ROB	0.60 158	0.33 147	0.61 98	0.30 129	0.25 143	0.86 166	0.35 129	0.55 108	0.67 143	1.10 168	1.49 172	1.76 175	0.97 172	0.88 147	0.49 127	0.23 158	0.21 159	0.27 160	0.27 165	0.25 152	0.24 160

DGSMNet	0.61 159	0.29 134	0.91 147	0.51 172	0.70 178	0.62 150	1.38 181	0.59 128	0.55 121	0.37 76	0.61 133	0.52 112	0.33 89	0.65 104	0.43 113	0.53 177	0.60 181	0.67 179	0.61 181	0.63 177	0.61 178

EDNetEfficient	0.63 160	0.37 159	2.40 173	0.26 96	0.25 143	0.38 92	0.49 161	0.41 36	1.06 173	1.38 173	0.87

Low-res two-view benchmark