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 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

PMTNet	0.15 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-CoAtRS	0.17 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 Train	0.18 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-Stereo	0.18 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-Stereo	0.18 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

HITNet	0.20 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
FENet	0.21 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

MLCV	0.22 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_4x	0.22 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_ROB	0.22 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

DMCA	0.22 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

ccs	0.23 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

ACVNet	0.23 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-r	0.24 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-RSSM	0.24 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-RSSM	0.24 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-ft	0.24 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

AdaStereo	0.24 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.
iResNet	0.24 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_RVC	0.24 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_ft	0.25 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_ROB	0.25 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_rob	0.26 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-RSSM	0.26 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_ROB	0.26 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

HGLStereo	0.27 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_ROB	0.27 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_RVC	0.27 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_RVC	0.27 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-ROB	0.27 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

DSFCA	0.27 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_64	0.27 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-Refined	0.27 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-RVC	0.27 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

CFNet	0.27 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_ROB	0.28 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

RASNet	0.28 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

STTStereo	0.28 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

HSM	0.28 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-Resample	0.29 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-ft	0.29 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

TDLM	0.30 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_RVC	0.30 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_RVC	0.30 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_RVC	0.31 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_ROB	0.31 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

NVstereo2D	0.31 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-RVC	0.31 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

StereoDRNet	0.32 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

FADNet	0.32 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

DISCO	0.32 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-Test	0.33 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_ROB	0.33 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

CBMV	0.33 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_ROB	0.33 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_ROB	0.33 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_ROB	0.34 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

NCCL2	0.35 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

RP	0.35 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

DANet	0.35 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

GwcNet	0.35 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-Forest	0.36 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
GANet	0.36 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-Stereo	0.36 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_ROB	0.36 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

RYNet	0.37 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-Net	0.37 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-Net	0.37 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

stereogan	0.37 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_Net	0.37 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 Stereo	0.38 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-Stereo	0.38 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_ROB	0.38 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_ROB	0.38 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

ADCRef	0.38 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

RGC	0.39 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-stereo	0.39 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 stereo	0.39 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

RTSC	0.39 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-Net	0.39 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
aanetorigin	0.39 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_ROB	0.41 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

SHD	0.42 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_ROB	0.43 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_ROB	0.43 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_RVC	0.43 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
XQC	0.43 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

DeepPrunerF	0.44 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

PASM	0.45 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+	0.45 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_v2	0.46 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-Net	0.46 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

ADCL	0.47 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

DPSNet	0.47 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_ROB	0.48 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

ADCPNet	0.48 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

SuperB	0.49 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

ADCMid	0.49 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

CSAN	0.50 100	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

psmorigin	0.50 100	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_RVC	0.50 100	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
pmcnn	0.50 100	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_ROB	0.51 104	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_C32	0.51 104	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_RVC	0.51 104	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

SANet	0.53 107	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_RVC	0.56 108	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

SAMSARA	0.56 108	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

PVD	0.58 110	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

ADCS	0.58 110	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

MeshStereo	0.58 110	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_ROB	0.60 113	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-DC	0.63 114	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.
EDNetEfficient	0.63 114	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_C01	0.65 116	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

DispFullNet	0.66 117	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_ROB	0.67 118	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_RVC	0.68 119	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-STEREO	0.69 120	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-DCNN	0.70 121	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_re	0.72 122	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_RVC	0.74 123	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
ELAS	0.74 123	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
RTSA	0.78 125	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

RTS	0.78 125	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+DAISY	0.87 127	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

PWCK	1.00 128	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+	1.01 129	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-ForestM	1.36 130	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

MANE	1.41 131	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

LSM	1.64 132	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_ROB	1.76 133	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++	2.26 134	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_ROB	4.34 135	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-Init1	4.73 136	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

EDNetEfficientorigin	7.51 137	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_ROB	8.34 138	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_ROB	8.40 139	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

DPSM	11.49 140	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_ROB	11.49 140	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_ROB	21.21 142	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

LSM0	24.24 143	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_ROB	25.43 144	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

ASD4		6.65 140

MSMDNet													0.21 8

Low-res two-view benchmark