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):

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 Infoalllakes. 1llakes. 1ssand box 1lsand box 1sstora. room 1lstora. room 1sstora. room 2lstora. room 2sstora. room 2 1lstora. room 2 1sstora. room 2 2lstora. room 2 2sstora. room 3lstora. room 3stunnel 1ltunnel 1stunnel 2ltunnel 2stunnel 3ltunnel 3s
sorted bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort by
CREStereotwo views0.13
1
0.08
1
0.21
1
0.14
1
0.08
1
0.22
2
0.15
7
0.25
1
0.24
4
0.16
1
0.21
1
0.14
1
0.13
1
0.18
1
0.13
1
0.09
17
0.05
1
0.06
1
0.04
1
0.07
4
0.06
1
PMTNettwo views0.15
2
0.08
1
0.23
2
0.15
2
0.09
4
0.23
5
0.16
9
0.25
1
0.23
3
0.17
2
0.21
1
0.16
2
0.14
2
0.22
5
0.13
1
0.29
127
0.05
1
0.06
1
0.04
1
0.07
4
0.06
1
Gwc-CoAtRStwo views0.17
3
0.10
5
0.37
18
0.20
10
0.12
8
0.19
1
0.15
7
0.32
3
0.28
6
0.23
3
0.23
3
0.27
7
0.15
5
0.20
4
0.13
1
0.07
1
0.05
1
0.07
6
0.07
13
0.06
1
0.06
1
R-Stereo Traintwo views0.18
4
0.09
3
0.32
3
0.22
24
0.12
8
0.22
2
0.19
15
0.42
12
0.19
1
0.31
19
0.45
46
0.20
3
0.14
2
0.18
1
0.15
4
0.08
7
0.06
7
0.07
6
0.06
7
0.06
1
0.06
1
RAFT-Stereopermissivetwo views0.18
4
0.09
3
0.32
3
0.22
24
0.12
8
0.22
2
0.19
15
0.42
12
0.19
1
0.31
19
0.45
46
0.20
3
0.14
2
0.18
1
0.15
4
0.08
7
0.06
7
0.07
6
0.06
7
0.06
1
0.06
1
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
DPM-Stereotwo views0.18
4
0.12
9
0.33
5
0.20
10
0.13
15
0.28
15
0.12
1
0.42
12
0.25
5
0.27
4
0.32
5
0.21
5
0.17
6
0.25
7
0.20
7
0.07
1
0.06
7
0.08
15
0.06
7
0.07
4
0.08
13
HITNettwo views0.20
7
0.17
29
0.43
27
0.19
6
0.08
1
0.27
10
0.14
3
0.42
12
0.30
7
0.29
10
0.32
5
0.27
7
0.21
8
0.28
11
0.25
24
0.07
1
0.05
1
0.07
6
0.06
7
0.09
13
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
FENettwo views0.21
8
0.11
6
0.45
35
0.21
15
0.12
8
0.26
9
0.17
11
0.41
10
0.35
13
0.30
14
0.31
4
0.29
10
0.23
13
0.26
8
0.23
14
0.09
17
0.06
7
0.09
21
0.09
23
0.09
13
0.09
23
MLCVtwo views0.22
9
0.16
24
0.44
30
0.21
15
0.08
1
0.29
19
0.19
15
0.38
5
0.37
17
0.38
41
0.44
42
0.31
12
0.21
8
0.41
20
0.24
18
0.07
1
0.05
1
0.06
1
0.05
4
0.07
4
0.06
1
BEATNet_4xtwo views0.22
9
0.18
36
0.47
40
0.22
24
0.10
5
0.28
15
0.14
3
0.46
24
0.32
8
0.31
19
0.34
9
0.31
12
0.25
16
0.31
14
0.29
35
0.08
7
0.06
7
0.08
15
0.06
7
0.10
19
0.08
13
DN-CSS_ROBtwo views0.22
9
0.25
71
0.47
40
0.24
39
0.14
20
0.25
6
0.12
1
0.40
9
0.33
10
0.29
10
0.42
33
0.22
6
0.20
7
0.33
15
0.19
6
0.07
1
0.06
7
0.11
34
0.11
40
0.11
31
0.07
8
DMCAtwo views0.22
9
0.14
15
0.36
14
0.22
24
0.14
20
0.27
10
0.20
25
0.43
19
0.38
21
0.31
19
0.32
5
0.33
14
0.24
14
0.24
6
0.28
30
0.11
31
0.08
34
0.10
27
0.08
19
0.10
19
0.11
41
ccstwo views0.23
13
0.11
6
0.33
5
0.19
6
0.13
15
0.25
6
0.19
15
0.56
76
0.52
68
0.27
4
0.33
8
0.35
17
0.24
14
0.30
12
0.22
9
0.12
45
0.08
34
0.13
55
0.12
58
0.13
49
0.13
51
ACVNettwo views0.23
13
0.13
10
0.35
8
0.18
3
0.15
30
0.27
10
0.23
46
0.39
6
0.44
41
0.28
6
0.41
28
0.38
22
0.26
20
0.27
9
0.32
42
0.08
7
0.07
20
0.08
15
0.07
13
0.10
19
0.07
8
cf-rtwo views0.24
15
0.15
20
0.44
30
0.21
15
0.14
20
0.27
10
0.22
39
0.42
12
0.40
25
0.30
14
0.42
33
0.42
40
0.26
20
0.43
22
0.25
24
0.11
31
0.06
7
0.08
15
0.10
28
0.08
9
0.08
13
GANet-RSSMtwo views0.24
15
0.14
15
0.36
14
0.21
15
0.14
20
0.27
10
0.21
30
0.45
22
0.33
10
0.29
10
0.39
22
0.39
26
0.28
34
0.58
46
0.23
14
0.11
31
0.07
20
0.09
21
0.09
23
0.10
19
0.09
23
PSMNet-RSSMtwo views0.24
15
0.15
20
0.36
14
0.21
15
0.14
20
0.25
6
0.20
25
0.48
36
0.37
17
0.30
14
0.44
42
0.38
22
0.26
20
0.52
34
0.22
9
0.12
45
0.07
20
0.11
34
0.13
67
0.10
19
0.09
23
CFNet-ftpermissivetwo views0.24
15
0.15
20
0.35
8
0.18
3
0.15
30
0.30
26
0.21
30
0.39
6
0.36
15
0.28
6
0.40
25
0.43
44
0.25
16
0.47
28
0.24
18
0.12
45
0.07
20
0.12
44
0.11
40
0.12
39
0.09
23
AdaStereotwo views0.24
15
0.16
24
0.37
18
0.24
39
0.12
8
0.32
32
0.17
11
0.54
65
0.42
31
0.33
25
0.38
15
0.35
17
0.21
8
0.30
12
0.22
9
0.14
69
0.06
7
0.13
55
0.08
19
0.11
31
0.08
13
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.
iResNettwo views0.24
15
0.18
36
0.61
59
0.25
48
0.11
6
0.29
19
0.21
30
0.42
12
0.43
36
0.33
25
0.43
37
0.27
7
0.22
12
0.34
16
0.26
28
0.07
1
0.05
1
0.07
6
0.06
7
0.08
9
0.07
8
CFNet_RVCtwo views0.24
15
0.15
20
0.35
8
0.18
3
0.15
30
0.30
26
0.21
30
0.39
6
0.36
15
0.28
6
0.40
25
0.43
44
0.25
16
0.47
28
0.24
18
0.12
45
0.07
20
0.12
44
0.11
40
0.12
39
0.09
23
acv_fttwo views0.25
22
0.13
10
0.40
21
0.23
31
0.19
61
0.34
45
0.21
30
0.45
22
0.44
41
0.38
41
0.41
28
0.38
22
0.27
29
0.27
9
0.35
50
0.08
7
0.07
20
0.08
15
0.07
13
0.11
31
0.07
8
iResNet_ROBtwo views0.25
22
0.19
42
0.40
21
0.20
10
0.12
8
0.30
26
0.16
9
0.55
70
0.53
71
0.38
41
0.43
37
0.37
21
0.26
20
0.38
18
0.22
9
0.08
7
0.06
7
0.06
1
0.04
1
0.09
13
0.09
23
ccs_robtwo views0.26
24
0.18
36
0.43
27
0.21
15
0.12
8
0.35
47
0.14
3
0.46
24
0.42
31
0.34
28
0.41
28
0.42
40
0.26
20
0.64
60
0.23
14
0.10
24
0.07
20
0.11
34
0.11
40
0.10
19
0.09
23
GwcNet-RSSMtwo views0.26
24
0.17
29
0.46
37
0.21
15
0.13
15
0.28
15
0.23
46
0.44
20
0.42
31
0.31
19
0.45
46
0.40
34
0.26
20
0.55
39
0.28
30
0.11
31
0.07
20
0.09
21
0.10
28
0.09
13
0.08
13
DeepPruner_ROBtwo views0.26
24
0.19
42
0.44
30
0.21
15
0.16
39
0.30
26
0.21
30
0.52
54
0.32
8
0.35
31
0.38
15
0.39
26
0.26
20
0.42
21
0.24
18
0.15
79
0.11
62
0.11
34
0.11
40
0.14
55
0.13
51
HGLStereotwo views0.27
27
0.14
15
0.46
37
0.24
39
0.21
73
0.33
36
0.23
46
0.50
42
0.42
31
0.35
31
0.48
60
0.41
36
0.33
51
0.45
26
0.33
47
0.11
31
0.10
53
0.09
21
0.09
23
0.10
19
0.12
49
iResNetv2_ROBtwo views0.27
27
0.26
80
0.72
79
0.23
31
0.13
15
0.29
19
0.18
14
0.52
54
0.49
60
0.37
37
0.45
46
0.39
26
0.25
16
0.34
16
0.20
7
0.08
7
0.06
7
0.07
6
0.05
4
0.12
39
0.09
23
NLCA_NET_v2_RVCtwo views0.27
27
0.21
53
0.59
55
0.25
48
0.18
54
0.29
19
0.22
39
0.50
42
0.40
25
0.38
41
0.41
28
0.43
44
0.27
29
0.43
22
0.29
35
0.11
31
0.08
34
0.10
27
0.10
28
0.10
19
0.11
41
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
HSM-Net_RVCpermissivetwo views0.27
27
0.11
6
0.42
26
0.19
6
0.11
6
0.34
45
0.20
25
0.62
99
0.43
36
0.40
51
0.43
37
0.50
61
0.26
20
0.76
82
0.22
9
0.08
7
0.07
20
0.07
6
0.07
13
0.08
9
0.08
13
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CC-Net-ROBtwo views0.27
27
0.21
53
0.61
59
0.25
48
0.18
54
0.29
19
0.22
39
0.50
42
0.40
25
0.38
41
0.42
33
0.42
40
0.28
34
0.44
25
0.29
35
0.11
31
0.08
34
0.10
27
0.10
28
0.10
19
0.11
41
DSFCAtwo views0.27
27
0.13
10
0.36
14
0.20
10
0.17
47
0.38
55
0.31
72
0.47
27
0.43
36
0.43
62
0.37
13
0.39
26
0.29
39
0.52
34
0.32
42
0.12
45
0.10
53
0.10
27
0.11
40
0.11
31
0.10
33
ac_64two views0.27
27
0.13
10
0.41
24
0.24
39
0.17
47
0.36
49
0.22
39
0.46
24
0.33
10
0.35
31
0.36
10
0.52
67
0.30
43
0.62
56
0.32
42
0.11
31
0.09
45
0.10
27
0.10
28
0.09
13
0.08
13
StereoDRNet-Refinedtwo views0.27
27
0.17
29
0.35
8
0.25
48
0.14
20
0.37
50
0.21
30
0.47
27
0.41
29
0.44
66
0.51
65
0.41
36
0.28
34
0.45
26
0.37
53
0.09
17
0.06
7
0.11
34
0.11
40
0.10
19
0.10
33
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DMCA-RVCcopylefttwo views0.27
27
0.21
53
0.61
59
0.28
81
0.17
47
0.29
19
0.21
30
0.42
12
0.35
13
0.40
51
0.37
13
0.39
26
0.36
57
0.43
22
0.30
38
0.13
54
0.10
53
0.15
78
0.11
40
0.13
49
0.10
33
CFNettwo views0.27
27
0.20
46
0.44
30
0.22
24
0.14
20
0.33
36
0.14
3
0.51
50
0.45
44
0.30
14
0.40
25
0.38
22
0.27
29
0.76
82
0.25
24
0.09
17
0.07
20
0.11
34
0.11
40
0.11
31
0.08
13
DLCB_ROBtwo views0.28
37
0.16
24
0.34
7
0.27
70
0.16
39
0.38
55
0.25
54
0.48
36
0.43
36
0.46
69
0.46
52
0.51
64
0.33
51
0.53
37
0.33
47
0.10
24
0.10
53
0.11
34
0.11
40
0.10
19
0.09
23
RASNettwo views0.28
37
0.14
15
0.44
30
0.22
24
0.18
54
0.32
32
0.19
15
0.48
36
0.38
21
0.29
10
0.43
37
0.47
54
0.37
63
0.79
90
0.36
52
0.09
17
0.07
20
0.07
6
0.09
23
0.07
4
0.07
8
STTStereotwo views0.28
37
0.20
46
0.61
59
0.25
48
0.17
47
0.29
19
0.24
51
0.47
27
0.39
23
0.39
49
0.41
28
0.44
50
0.28
34
0.40
19
0.28
30
0.13
54
0.12
71
0.13
55
0.16
89
0.12
39
0.11
41
HSMtwo views0.28
37
0.16
24
0.35
8
0.20
10
0.15
30
0.33
36
0.19
15
0.53
60
0.37
17
0.36
35
0.38
15
0.67
102
0.31
46
0.89
103
0.23
14
0.08
7
0.06
7
0.08
15
0.07
13
0.08
9
0.08
13
FADNet-RVC-Resampletwo views0.29
41
0.25
71
0.93
102
0.26
62
0.16
39
0.32
32
0.21
30
0.47
27
0.39
23
0.35
31
0.38
15
0.33
14
0.27
29
0.53
37
0.24
18
0.10
24
0.10
53
0.14
68
0.13
67
0.13
49
0.16
71
hitnet-ftcopylefttwo views0.29
41
0.17
29
0.40
21
0.19
6
0.14
20
0.39
61
0.23
46
0.44
20
0.41
29
0.36
35
0.46
52
0.53
70
0.34
53
0.76
82
0.32
42
0.14
69
0.10
53
0.13
55
0.10
28
0.15
63
0.13
51
TDLMtwo views0.30
43
0.21
53
0.38
20
0.28
81
0.15
30
0.33
36
0.32
74
0.52
54
0.47
49
0.38
41
0.43
37
0.39
26
0.29
39
0.91
107
0.28
30
0.14
69
0.08
34
0.13
55
0.11
40
0.12
39
0.10
33
FADNet_RVCtwo views0.30
43
0.28
87
0.83
91
0.23
31
0.15
30
0.30
26
0.17
11
0.49
40
0.37
17
0.30
14
0.38
15
0.30
11
0.27
29
0.52
34
0.31
39
0.14
69
0.14
83
0.14
68
0.16
89
0.21
101
0.23
112
CVANet_RVCtwo views0.30
43
0.19
42
0.41
24
0.26
62
0.16
39
0.33
36
0.26
57
0.52
54
0.47
49
0.40
51
0.46
52
0.43
44
0.31
46
0.89
103
0.26
28
0.14
69
0.09
45
0.14
68
0.13
67
0.14
55
0.10
33
AANet_RVCtwo views0.31
46
0.22
59
0.50
45
0.23
31
0.14
20
0.30
26
0.24
51
0.47
27
0.54
73
0.38
41
0.60
82
0.43
44
0.29
39
0.87
99
0.40
61
0.11
31
0.07
20
0.07
6
0.07
13
0.09
13
0.09
23
NOSS_ROBtwo views0.31
46
0.20
46
0.35
8
0.24
39
0.16
39
0.32
32
0.19
15
0.52
54
0.48
54
0.33
25
0.36
10
0.42
40
0.28
34
0.93
109
0.24
18
0.19
111
0.20
114
0.24
116
0.22
113
0.17
78
0.17
78
NVstereo2Dtwo views0.31
46
0.16
24
0.54
50
0.24
39
0.22
81
0.42
72
0.28
62
0.58
83
0.56
79
0.28
6
0.38
15
0.40
34
0.30
43
0.71
71
0.28
30
0.13
54
0.08
34
0.13
55
0.10
28
0.19
91
0.16
71
FADNet-RVCtwo views0.31
46
0.35
107
0.78
83
0.25
48
0.20
67
0.33
36
0.20
25
0.49
40
0.40
25
0.34
28
0.39
22
0.41
36
0.29
39
0.63
58
0.31
39
0.13
54
0.14
83
0.14
68
0.15
82
0.19
91
0.19
94
StereoDRNettwo views0.32
50
0.22
59
0.61
59
0.27
70
0.21
73
0.42
72
0.30
69
0.61
94
0.48
54
0.46
69
0.39
22
0.48
55
0.30
43
0.57
44
0.40
61
0.11
31
0.09
45
0.12
44
0.11
40
0.12
39
0.10
33
FADNettwo views0.32
50
0.36
110
0.74
81
0.23
31
0.22
81
0.37
50
0.19
15
0.53
60
0.48
54
0.32
24
0.36
10
0.43
44
0.32
49
0.64
60
0.25
24
0.16
88
0.16
99
0.14
68
0.16
89
0.24
109
0.19
94
DISCOtwo views0.32
50
0.13
10
0.51
47
0.25
48
0.16
39
0.48
85
0.25
54
0.50
42
0.57
81
0.37
37
0.45
46
0.62
88
0.36
57
0.64
60
0.49
81
0.09
17
0.07
20
0.09
21
0.08
19
0.12
39
0.11
41
DRN-Testtwo views0.33
53
0.17
29
0.61
59
0.27
70
0.19
61
0.46
81
0.29
64
0.65
104
0.51
64
0.47
74
0.46
52
0.44
50
0.34
53
0.62
56
0.41
66
0.12
45
0.08
34
0.13
55
0.12
58
0.12
39
0.10
33
CBMV_ROBtwo views0.33
53
0.18
36
0.53
49
0.21
15
0.14
20
0.33
36
0.20
25
0.51
50
0.45
44
0.51
79
0.55
75
0.45
52
0.42
78
0.71
71
0.32
42
0.18
107
0.19
113
0.23
114
0.21
108
0.14
55
0.15
66
CBMVpermissivetwo views0.33
53
0.21
53
0.54
50
0.23
31
0.13
15
0.42
72
0.33
82
0.53
60
0.48
54
0.52
83
0.49
61
0.50
61
0.41
71
0.56
42
0.31
39
0.15
79
0.16
99
0.18
98
0.16
89
0.13
49
0.13
51
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
PSMNet_ROBtwo views0.33
53
0.24
67
0.54
50
0.31
92
0.21
73
0.42
72
0.43
105
0.59
87
0.47
49
0.37
37
0.44
42
0.49
56
0.31
46
0.64
60
0.43
69
0.14
69
0.10
53
0.15
78
0.14
76
0.13
49
0.11
41
XPNet_ROBtwo views0.33
53
0.20
46
0.43
27
0.27
70
0.18
54
0.37
50
0.31
72
0.55
70
0.50
61
0.51
79
0.53
71
0.58
78
0.37
63
0.63
58
0.45
73
0.17
99
0.12
71
0.13
55
0.12
58
0.15
63
0.14
59
ETE_ROBtwo views0.34
58
0.26
80
0.45
35
0.29
83
0.18
54
0.40
66
0.37
90
0.57
79
0.47
49
0.50
77
0.50
62
0.62
88
0.36
57
0.55
39
0.38
55
0.13
54
0.10
53
0.14
68
0.12
58
0.16
68
0.16
71
NCCL2two views0.35
59
0.26
80
0.49
43
0.36
112
0.22
81
0.41
68
0.41
102
0.53
60
0.42
31
0.47
74
0.46
52
0.61
86
0.39
66
0.55
39
0.37
53
0.16
88
0.13
79
0.21
109
0.21
108
0.16
68
0.16
71
RPtwo views0.35
59
0.22
59
0.51
47
0.31
92
0.24
93
0.37
50
0.28
62
0.50
42
0.58
83
0.40
51
0.63
89
0.61
86
0.47
86
0.61
52
0.39
58
0.16
88
0.15
95
0.17
91
0.15
82
0.17
78
0.17
78
DANettwo views0.35
59
0.23
65
0.60
57
0.36
112
0.22
81
0.39
61
0.25
54
0.48
36
0.43
36
0.52
83
0.50
62
0.59
80
0.41
71
0.76
82
0.49
81
0.13
54
0.11
62
0.14
68
0.12
58
0.17
78
0.15
66
GwcNetcopylefttwo views0.35
59
0.23
65
0.88
99
0.25
48
0.24
93
0.48
85
0.27
59
0.55
70
0.57
81
0.38
41
0.52
70
0.51
64
0.32
49
0.60
48
0.41
66
0.13
54
0.11
62
0.12
44
0.11
40
0.13
49
0.14
59
SGM-Foresttwo views0.36
63
0.17
29
0.47
40
0.23
31
0.16
39
0.45
80
0.41
102
0.55
70
0.48
54
0.52
83
0.60
82
0.52
67
0.41
71
0.85
96
0.50
86
0.17
99
0.17
104
0.17
91
0.15
82
0.15
63
0.15
66
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
GANettwo views0.36
63
0.22
59
0.49
43
0.29
83
0.17
47
0.41
68
0.38
95
0.57
79
0.45
44
0.46
69
0.75
101
0.55
72
0.40
68
0.94
112
0.41
66
0.13
54
0.13
79
0.13
55
0.11
40
0.14
55
0.11
41
FAT-Stereotwo views0.36
63
0.18
36
0.73
80
0.26
62
0.18
54
0.33
36
0.29
64
0.60
92
0.59
84
0.46
69
0.60
82
0.60
82
0.50
93
0.61
52
0.34
49
0.13
54
0.14
83
0.13
55
0.12
58
0.14
55
0.18
88
LALA_ROBtwo views0.36
63
0.25
71
0.46
37
0.30
87
0.21
73
0.47
84
0.39
98
0.61
94
0.51
64
0.52
83
0.51
65
0.69
106
0.36
57
0.50
32
0.43
69
0.17
99
0.11
62
0.16
85
0.14
76
0.17
78
0.15
66
RYNettwo views0.37
67
0.18
36
0.59
55
0.25
48
0.28
108
0.61
103
0.32
74
0.59
87
0.59
84
0.41
58
0.38
15
0.57
76
0.39
66
0.87
99
0.53
91
0.11
31
0.08
34
0.12
44
0.11
40
0.18
88
0.18
88
PA-Nettwo views0.37
67
0.28
87
0.83
91
0.31
92
0.28
108
0.39
61
0.42
104
0.51
50
0.55
77
0.34
28
0.42
33
0.41
36
0.36
57
0.79
90
0.49
81
0.12
45
0.23
120
0.16
85
0.23
114
0.12
39
0.18
88
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
AF-Nettwo views0.37
67
0.26
80
0.56
54
0.32
98
0.23
90
0.41
68
0.29
64
0.61
94
0.64
95
0.42
60
0.68
93
0.65
99
0.49
92
0.57
44
0.44
72
0.15
79
0.11
62
0.19
105
0.14
76
0.15
63
0.13
51
stereogantwo views0.37
67
0.17
29
0.65
69
0.27
70
0.22
81
0.62
104
0.26
57
0.59
87
0.63
94
0.43
62
0.60
82
0.67
102
0.42
78
0.68
68
0.35
50
0.13
54
0.14
83
0.14
68
0.12
58
0.19
91
0.17
78
Nwc_Nettwo views0.37
67
0.25
71
0.68
73
0.31
92
0.24
93
0.44
79
0.30
69
0.65
104
0.50
61
0.37
37
0.69
96
0.58
78
0.45
82
0.60
48
0.40
61
0.15
79
0.12
71
0.19
105
0.21
108
0.14
55
0.13
51
Anonymous Stereotwo views0.38
72
0.34
104
1.00
109
0.30
87
0.25
98
0.33
36
0.44
106
0.50
42
0.54
73
0.41
58
0.45
46
0.39
26
0.26
20
0.93
109
0.48
78
0.15
79
0.14
83
0.15
78
0.16
89
0.16
68
0.17
78
S-Stereotwo views0.38
72
0.20
46
1.05
112
0.27
70
0.22
81
0.38
55
0.32
74
0.55
70
0.66
96
0.39
49
0.59
80
0.49
56
0.41
71
0.75
79
0.40
61
0.12
45
0.15
95
0.13
55
0.13
67
0.16
68
0.21
105
PWC_ROBbinarytwo views0.38
72
0.29
94
0.69
74
0.25
48
0.20
67
0.38
55
0.19
15
0.58
83
0.67
98
0.57
93
0.85
106
0.51
64
0.40
68
0.71
71
0.52
89
0.13
54
0.09
45
0.14
68
0.10
28
0.17
78
0.14
59
PWCDC_ROBbinarytwo views0.38
72
0.30
98
0.60
57
0.33
103
0.20
67
0.42
72
0.19
15
0.58
83
0.89
118
0.42
60
1.26
122
0.36
20
0.34
53
0.50
32
0.38
55
0.18
107
0.11
62
0.11
34
0.09
23
0.19
91
0.13
51
ADCReftwo views0.38
72
0.24
67
0.88
99
0.26
62
0.21
73
0.49
87
0.27
59
0.52
54
0.48
54
0.50
77
0.58
79
0.35
17
0.47
86
0.48
30
1.29
123
0.09
17
0.08
34
0.12
44
0.12
58
0.11
31
0.11
41
RGCtwo views0.39
77
0.32
102
0.64
68
0.34
105
0.27
105
0.40
66
0.29
64
0.57
79
0.53
71
0.45
68
0.64
90
0.62
88
0.45
82
0.72
75
0.39
58
0.15
79
0.15
95
0.21
109
0.20
106
0.18
88
0.19
94
NCC-stereotwo views0.39
77
0.25
71
0.69
74
0.32
98
0.28
108
0.46
81
0.36
87
0.65
104
0.52
68
0.40
51
0.57
77
0.56
74
0.47
86
0.73
76
0.45
73
0.17
99
0.14
83
0.18
98
0.25
116
0.16
68
0.16
71
edge stereotwo views0.39
77
0.22
59
0.81
89
0.27
70
0.22
81
0.37
50
0.24
51
0.56
76
0.54
73
0.53
88
0.60
82
0.71
109
0.50
93
0.78
88
0.40
61
0.16
88
0.14
83
0.19
105
0.14
76
0.16
68
0.17
78
RTSCtwo views0.39
77
0.28
87
0.78
83
0.27
70
0.18
54
0.49
87
0.22
39
0.59
87
0.84
117
0.55
90
0.53
71
0.49
56
0.36
57
0.67
67
0.82
111
0.13
54
0.10
53
0.11
34
0.12
58
0.17
78
0.17
78
Abc-Nettwo views0.39
77
0.25
71
0.69
74
0.32
98
0.28
108
0.46
81
0.36
87
0.65
104
0.52
68
0.40
51
0.57
77
0.56
74
0.47
86
0.73
76
0.45
73
0.17
99
0.14
83
0.18
98
0.25
116
0.16
68
0.16
71
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
aanetorigintwo views0.39
77
0.29
94
1.09
114
0.24
39
0.19
61
0.28
15
0.37
90
0.33
4
0.47
49
0.94
117
0.82
104
0.52
67
0.54
97
0.49
31
0.50
86
0.11
31
0.09
45
0.10
27
0.10
28
0.16
68
0.15
66
NaN_ROBtwo views0.41
83
0.28
87
0.62
67
0.30
87
0.19
61
0.51
89
0.47
112
0.58
83
0.59
84
0.56
91
0.47
59
0.49
56
0.41
71
1.21
122
0.64
101
0.12
45
0.18
109
0.12
44
0.13
67
0.11
31
0.14
59
SHDtwo views0.42
84
0.27
85
0.81
89
0.31
92
0.25
98
0.42
72
0.22
39
0.66
108
0.94
122
0.63
97
0.60
82
0.59
80
0.47
86
0.59
47
0.58
94
0.15
79
0.13
79
0.16
85
0.16
89
0.20
98
0.22
108
PDISCO_ROBtwo views0.43
85
0.30
98
0.67
71
0.43
122
0.36
123
0.67
107
0.32
74
0.72
117
0.76
108
0.43
62
0.53
71
0.63
95
0.40
68
0.66
66
0.47
77
0.21
113
0.12
71
0.21
109
0.19
105
0.25
110
0.20
103
FBW_ROBtwo views0.43
85
0.26
80
0.54
50
0.31
92
0.20
67
0.51
89
0.32
74
0.70
115
0.60
87
0.59
94
0.55
75
0.65
99
0.41
71
1.40
128
0.51
88
0.13
54
0.17
104
0.21
109
0.16
89
0.17
78
0.18
88
GANetREF_RVCpermissivetwo views0.43
85
0.47
120
0.69
74
0.38
118
0.20
67
0.51
89
0.48
114
0.66
108
0.66
96
0.46
69
0.46
52
0.50
61
0.44
81
0.90
106
0.39
58
0.27
122
0.21
115
0.32
126
0.18
101
0.27
117
0.22
108
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
XQCtwo views0.43
85
0.37
114
0.96
105
0.34
105
0.25
98
0.53
96
0.34
83
0.60
92
0.73
106
0.51
79
0.46
52
0.57
76
0.47
86
0.70
70
0.72
105
0.17
99
0.12
71
0.18
98
0.15
82
0.25
110
0.23
112
DeepPrunerFtwo views0.44
89
0.29
94
1.29
119
0.33
103
0.30
117
0.35
47
0.36
87
0.62
99
1.15
129
0.40
51
0.44
42
0.39
26
0.41
71
0.80
93
0.52
89
0.18
107
0.14
83
0.23
114
0.21
108
0.17
78
0.17
78
PASMtwo views0.45
90
0.35
107
0.90
101
0.35
111
0.33
120
0.39
61
0.38
95
0.50
42
0.61
89
0.52
83
0.51
65
0.62
88
0.45
82
0.93
109
0.48
78
0.26
120
0.29
128
0.29
122
0.33
125
0.29
122
0.26
117
ADCP+two views0.45
90
0.24
67
1.15
117
0.25
48
0.22
81
0.56
98
0.39
98
0.54
65
0.51
64
0.44
66
0.51
65
0.46
53
0.52
96
0.56
42
1.89
130
0.10
24
0.08
34
0.11
34
0.10
28
0.14
55
0.13
51
STTStereo_v2two views0.46
92
0.25
71
0.86
96
0.34
105
0.28
108
0.90
122
0.35
84
0.47
27
0.45
44
0.68
102
1.22
119
0.64
97
0.60
104
0.61
52
0.57
92
0.16
88
0.14
83
0.17
91
0.13
67
0.22
105
0.19
94
G-Nettwo views0.46
92
0.25
71
0.86
96
0.34
105
0.28
108
0.90
122
0.35
84
0.47
27
0.45
44
0.68
102
1.22
119
0.64
97
0.60
104
0.61
52
0.57
92
0.16
88
0.14
83
0.17
91
0.13
67
0.22
105
0.19
94
ADCLtwo views0.47
94
0.22
59
1.00
109
0.27
70
0.19
61
0.74
112
0.64
124
0.54
65
0.69
103
0.56
91
0.71
97
0.55
72
0.60
104
0.60
48
1.43
124
0.11
31
0.09
45
0.13
55
0.13
67
0.14
55
0.14
59
DPSNettwo views0.47
94
0.24
67
0.93
102
0.27
70
0.20
67
0.75
114
0.57
119
0.84
128
0.79
111
0.47
74
0.51
65
0.60
82
0.69
113
0.87
99
0.71
104
0.16
88
0.13
79
0.12
44
0.10
28
0.25
110
0.21
105
MDST_ROBtwo views0.48
96
0.14
15
0.95
104
0.30
87
0.21
73
1.33
130
0.32
74
0.77
120
0.56
79
1.06
121
0.71
97
0.49
56
0.35
56
1.26
124
0.38
55
0.13
54
0.11
62
0.16
85
0.13
67
0.12
39
0.12
49
ADCPNettwo views0.48
96
0.29
94
1.60
123
0.27
70
0.23
90
0.70
111
0.38
95
0.53
60
0.51
64
0.51
79
0.59
80
0.67
102
0.56
100
0.60
48
1.14
120
0.15
79
0.18
109
0.14
68
0.23
114
0.19
91
0.19
94
SuperBtwo views0.49
98
0.28
87
2.23
126
0.23
31
0.15
30
0.41
68
0.32
74
0.47
27
0.82
112
0.43
62
0.50
62
0.33
14
0.45
82
0.68
68
1.08
118
0.10
24
0.07
20
0.09
21
0.08
19
0.98
135
0.14
59
ADCMidtwo views0.49
98
0.34
104
1.13
116
0.26
62
0.21
73
0.51
89
0.37
90
0.57
79
0.54
73
0.75
110
0.66
91
0.62
88
0.64
111
0.64
60
1.68
127
0.13
54
0.12
71
0.17
91
0.17
97
0.20
98
0.17
78
CSANtwo views0.50
100
0.35
107
0.78
83
0.36
112
0.23
90
0.56
98
0.59
122
0.61
94
0.70
104
0.64
98
0.78
103
0.65
99
0.60
104
1.38
127
0.62
98
0.21
113
0.17
104
0.20
108
0.20
106
0.18
88
0.18
88
psmorigintwo views0.50
100
0.25
71
3.03
131
0.24
39
0.19
61
0.38
55
0.22
39
0.50
42
0.44
41
0.64
98
0.68
93
0.71
109
0.51
95
0.85
96
0.45
73
0.14
69
0.17
104
0.13
55
0.14
76
0.16
68
0.21
105
SGM_RVCbinarytwo views0.50
100
0.19
42
0.50
45
0.25
48
0.15
30
0.69
108
0.39
98
0.68
114
0.82
112
0.95
118
0.84
105
1.13
121
0.76
116
1.16
121
0.60
96
0.16
88
0.16
99
0.16
85
0.16
89
0.16
68
0.17
78
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
pmcnntwo views0.50
100
0.20
46
0.78
83
0.24
39
0.26
103
0.39
61
0.30
69
0.51
50
0.50
61
0.54
89
1.23
121
2.52
133
0.37
63
0.77
87
0.95
113
0.08
7
0.06
7
0.06
1
0.05
4
0.10
19
0.08
13
WCMA_ROBtwo views0.51
104
0.21
53
0.65
69
0.25
48
0.21
73
0.58
100
0.32
74
0.54
65
0.55
77
0.95
118
1.40
125
1.28
125
0.81
119
0.73
76
0.62
98
0.18
107
0.15
95
0.15
78
0.15
82
0.19
91
0.19
94
AnyNet_C32two views0.51
104
0.40
117
1.10
115
0.29
83
0.28
108
0.59
101
0.58
120
0.54
65
0.60
87
0.62
96
0.66
91
0.54
71
0.54
97
0.78
88
1.74
129
0.15
79
0.14
83
0.15
78
0.17
97
0.20
98
0.20
103
MFN_U_SF_DS_RVCtwo views0.51
104
0.50
124
0.86
96
0.39
120
0.24
93
0.84
118
0.55
118
0.56
76
0.62
91
0.60
95
0.68
93
0.62
88
0.42
78
1.13
120
0.43
69
0.23
116
0.27
124
0.27
117
0.35
126
0.25
110
0.29
120
SANettwo views0.53
107
0.28
87
0.96
105
0.26
62
0.15
30
0.69
108
0.44
106
0.67
111
1.34
131
0.67
101
0.98
114
0.94
118
0.71
115
0.89
103
0.76
106
0.14
69
0.12
71
0.12
44
0.11
40
0.17
78
0.16
71
MFN_U_SF_RVCtwo views0.56
108
0.51
125
1.19
118
0.38
118
0.22
81
0.69
108
0.27
59
0.80
125
0.67
98
0.73
107
0.74
100
0.87
114
0.61
110
0.81
94
0.76
106
0.29
127
0.27
124
0.32
126
0.37
128
0.32
125
0.31
123
SAMSARAtwo views0.56
108
0.39
116
0.80
88
0.60
130
0.46
127
1.00
124
1.23
134
0.67
111
0.68
101
0.71
106
0.54
74
0.89
117
0.57
101
0.81
94
0.62
98
0.19
111
0.22
117
0.18
98
0.18
101
0.27
117
0.25
116
PVDtwo views0.58
110
0.34
104
0.84
94
0.39
120
0.31
119
0.59
101
0.47
112
0.80
125
1.25
130
0.92
116
1.09
116
0.79
112
0.82
120
0.85
96
0.76
106
0.21
113
0.18
109
0.22
113
0.18
101
0.27
117
0.35
125
ADCStwo views0.58
110
0.40
117
1.35
121
0.29
83
0.24
93
0.55
97
0.45
108
0.67
111
0.83
115
0.76
111
0.71
97
0.68
105
0.60
104
0.76
82
2.23
132
0.16
88
0.16
99
0.16
85
0.17
97
0.22
105
0.22
108
MeshStereopermissivetwo views0.58
110
0.27
85
0.67
71
0.22
24
0.17
47
0.66
106
0.37
90
0.78
121
0.61
89
1.47
131
1.30
123
1.65
127
0.79
118
1.12
119
0.59
95
0.17
99
0.17
104
0.17
91
0.14
76
0.17
78
0.14
59
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
MSMD_ROBtwo views0.60
113
0.33
103
0.61
59
0.30
87
0.25
98
0.86
119
0.35
84
0.55
70
0.67
98
1.10
122
1.49
126
1.76
129
0.97
127
0.88
102
0.49
81
0.23
116
0.21
115
0.27
117
0.27
120
0.25
110
0.24
115
FCDSN-DCtwo views0.63
114
0.31
101
0.61
59
0.36
112
0.30
117
0.65
105
0.37
90
0.66
108
0.68
101
1.14
123
1.54
129
1.71
128
1.26
130
0.92
108
0.64
101
0.24
118
0.22
117
0.27
117
0.26
118
0.27
117
0.27
119
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
EDNetEfficienttwo views0.63
114
0.37
114
2.40
127
0.26
62
0.25
98
0.38
55
0.49
115
0.41
10
1.06
126
1.38
127
0.87
110
0.62
88
0.95
126
0.65
65
1.65
126
0.11
31
0.09
45
0.10
27
0.11
40
0.19
91
0.17
78
AnyNet_C01two views0.65
116
0.58
127
2.60
129
0.32
98
0.26
103
0.88
120
0.61
123
0.63
103
0.62
91
0.68
102
0.96
113
0.76
111
0.60
104
0.96
114
1.43
124
0.16
88
0.16
99
0.17
91
0.17
97
0.23
108
0.23
112
DispFullNettwo views0.66
117
0.89
132
1.59
122
0.77
133
1.21
134
0.51
89
0.23
46
0.59
87
0.72
105
0.69
105
0.61
88
0.69
106
0.91
125
0.79
90
0.48
78
0.27
122
0.12
71
0.73
134
0.30
124
0.65
132
0.40
128
NVStereoNet_ROBtwo views0.67
118
0.49
123
0.83
91
0.48
125
0.40
124
0.51
89
0.46
109
0.70
115
0.77
110
0.84
114
1.72
131
1.02
120
0.83
121
1.23
123
0.79
110
0.32
129
0.38
130
0.40
130
0.46
130
0.36
126
0.41
129
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_RVCtwo views0.68
119
0.64
129
1.06
113
0.45
124
0.27
105
1.40
132
0.58
120
0.78
121
0.92
120
0.84
114
0.86
107
0.88
116
0.68
112
1.33
126
0.68
103
0.37
130
0.29
128
0.34
128
0.36
127
0.43
127
0.37
126
SPS-STEREOcopylefttwo views0.69
120
0.61
128
0.98
107
0.52
128
0.57
131
0.74
112
0.50
116
0.78
121
0.62
91
0.95
118
0.86
107
0.94
118
0.70
114
1.01
115
0.87
112
0.58
133
0.51
133
0.50
131
0.50
132
0.55
130
0.58
132
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
FC-DCNNcopylefttwo views0.70
121
0.30
98
0.69
74
0.32
98
0.27
105
0.81
117
0.39
98
0.79
124
0.82
112
1.41
129
1.58
130
1.98
130
1.26
130
1.02
116
0.77
109
0.24
118
0.22
117
0.27
117
0.26
118
0.26
116
0.26
117
MFMNet_retwo views0.72
122
0.76
131
0.99
108
0.62
131
0.70
133
0.77
115
0.67
125
0.75
118
0.83
115
0.78
112
0.86
107
0.69
106
0.78
117
0.71
71
0.61
97
0.66
134
0.59
135
0.61
133
0.58
135
0.68
133
0.71
134
ELAS_RVCcopylefttwo views0.74
123
0.36
110
1.00
109
0.37
117
0.33
120
0.88
120
0.93
130
0.83
127
1.08
127
1.35
126
1.33
124
1.24
123
1.33
132
1.06
117
0.95
113
0.27
122
0.25
122
0.29
122
0.27
120
0.30
123
0.30
121
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAScopylefttwo views0.74
123
0.36
110
0.85
95
0.36
112
0.33
120
1.36
131
0.77
126
0.93
130
0.92
120
1.41
129
1.53
128
1.16
122
1.17
128
0.95
113
1.03
116
0.26
120
0.25
122
0.28
121
0.28
123
0.31
124
0.30
121
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RTSAtwo views0.78
125
0.48
121
4.68
132
0.34
105
0.28
108
1.12
126
0.46
109
0.62
99
1.03
123
0.73
107
0.89
111
0.60
82
0.59
102
1.61
129
1.16
121
0.14
69
0.11
62
0.15
78
0.15
82
0.21
101
0.19
94
RTStwo views0.78
125
0.48
121
4.68
132
0.34
105
0.28
108
1.12
126
0.46
109
0.62
99
1.03
123
0.73
107
0.89
111
0.60
82
0.59
102
1.61
129
1.16
121
0.14
69
0.11
62
0.15
78
0.15
82
0.21
101
0.19
94
SGM+DAISYtwo views0.87
127
0.66
130
1.30
120
0.51
127
0.60
132
1.03
125
0.84
128
0.76
119
0.73
106
1.39
128
1.51
127
1.31
126
1.22
129
1.11
118
1.08
118
0.57
132
0.53
134
0.51
132
0.51
133
0.54
129
0.61
133
PWCKtwo views1.00
128
1.17
134
1.70
124
0.91
134
0.41
125
1.19
128
0.92
129
1.10
132
1.14
128
1.16
124
1.14
118
1.25
124
0.88
124
1.75
131
1.04
117
0.87
135
0.50
132
0.87
135
0.53
134
0.96
134
0.52
131
MADNet+two views1.01
129
1.16
133
4.72
134
0.70
132
0.47
128
1.24
129
0.96
131
0.97
131
0.89
118
0.65
100
0.77
102
0.87
114
0.85
123
2.09
132
1.68
127
0.38
131
0.39
131
0.31
125
0.27
120
0.43
127
0.39
127
SGM-ForestMtwo views1.36
130
0.28
87
0.79
87
0.26
62
0.16
39
2.26
134
1.00
133
1.42
133
1.46
132
2.38
133
2.05
132
5.95
138
2.66
134
2.95
134
2.46
133
0.17
99
0.18
109
0.18
98
0.18
101
0.15
63
0.18
88
MANEtwo views1.41
131
0.36
110
0.74
81
0.43
122
0.41
125
2.16
133
0.80
127
2.39
135
3.38
134
2.22
132
3.06
135
3.54
134
2.73
135
2.15
133
1.94
131
0.28
125
0.27
124
0.30
124
0.46
130
0.28
121
0.34
124
LSMtwo views1.64
132
0.40
117
2.56
128
2.02
135
17.61
141
0.51
89
0.52
117
0.61
94
0.76
108
0.82
113
1.11
117
0.63
95
0.54
97
0.75
79
0.49
81
0.16
88
0.24
121
0.18
98
0.21
108
0.25
110
2.42
136
LE_ROBtwo views1.76
133
0.20
46
2.68
130
0.48
125
0.52
129
0.78
116
0.96
131
0.84
128
6.61
137
7.40
138
2.08
133
2.08
131
4.83
136
1.27
125
3.79
135
0.10
24
0.08
34
0.12
44
0.11
40
0.11
31
0.10
33
MADNet++two views2.26
134
1.80
135
2.06
125
2.13
136
1.97
135
2.61
135
1.79
135
2.38
134
2.16
133
2.75
134
2.65
134
2.38
132
2.43
133
3.17
135
3.21
134
2.17
136
1.95
136
1.94
136
1.63
136
2.06
136
2.01
135
DPSimNet_ROBtwo views4.34
135
4.23
137
6.89
135
3.67
137
3.68
136
4.75
136
5.21
137
2.67
136
3.68
135
5.82
137
3.95
136
5.57
135
6.72
137
3.46
136
4.48
136
4.05
139
2.88
137
4.68
139
3.12
137
3.69
137
3.62
137
BEATNet-Init1two views4.73
136
2.61
136
13.29
140
0.58
129
0.53
130
10.12
139
3.33
136
4.83
137
5.01
136
8.75
139
8.51
137
14.08
141
7.60
138
7.70
139
5.34
137
0.28
125
0.28
127
0.34
128
0.37
128
0.57
131
0.45
130
EDNetEfficientorigintwo views7.51
137
0.52
126
140.47
144
0.25
48
0.17
47
0.42
72
0.29
64
0.47
27
1.03
123
1.28
125
1.02
115
0.83
113
0.84
122
0.75
79
0.99
115
0.10
24
0.09
45
0.12
44
0.10
28
0.21
101
0.22
108
DGTPSM_ROBtwo views8.34
138
5.10
138
10.37
138
5.31
138
10.18
137
8.33
137
23.60
140
6.06
138
13.41
138
4.90
135
10.87
138
5.65
136
10.44
139
6.17
137
12.59
138
3.74
137
7.55
138
3.69
137
7.26
140
4.14
138
7.46
138
DPSMNet_ROBtwo views8.40
139
5.11
139
10.49
139
5.58
139
10.25
138
8.34
138
23.62
141
6.07
139
13.45
139
4.93
136
10.88
139
5.66
137
10.44
139
6.24
138
12.64
139
3.98
138
7.61
139
3.76
138
7.30
141
4.20
139
7.51
139
DPSMtwo views11.49
140
9.87
141
10.35
136
11.13
140
11.31
139
19.11
142
27.51
142
13.37
140
14.21
140
10.31
140
11.06
140
10.96
139
11.27
141
11.96
140
13.59
140
6.78
140
8.19
140
6.03
140
7.09
138
7.93
140
7.73
140
DPSM_ROBtwo views11.49
140
9.87
141
10.35
136
11.13
140
11.31
139
19.11
142
27.51
142
13.37
140
14.21
140
10.31
140
11.06
140
10.96
139
11.27
141
11.96
140
13.59
140
6.78
140
8.19
140
6.03
140
7.09
138
7.93
140
7.73
140
MEDIAN_ROBtwo views21.21
142
24.62
144
23.47
142
19.58
142
19.65
142
13.22
140
10.96
138
17.88
142
17.00
142
22.14
143
22.02
143
20.86
142
20.36
143
21.06
142
19.71
142
25.63
143
24.13
143
26.21
143
25.20
143
25.17
143
25.38
143
LSM0two views24.24
143
19.98
143
22.32
141
24.22
143
40.14
144
38.48
144
55.20
144
26.95
144
28.57
144
20.49
142
21.83
142
22.26
143
22.75
144
24.22
143
27.30
144
13.66
142
16.32
142
12.19
142
14.15
142
16.10
142
17.66
142
AVERAGE_ROBtwo views25.43
144
29.06
145
27.24
143
24.63
144
24.20
143
17.73
141
12.61
139
22.29
143
21.39
143
26.79
144
26.16
144
25.20
144
24.64
145
25.07
144
23.53
143
29.96
144
28.40
144
30.60
144
29.58
144
29.72
144
29.84
144
ASD4two views6.65
140
MSMDNettwo views0.21
8