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

CroCo-Stereo Lap2	0.16 11	0.18 184	0.39 27	0.26 230	0.18 232	0.11 1	0.19 124	0.30 37	0.22 12	0.13 1	0.16 16	0.15 28	0.11 9	0.17 8	0.15 37	0.07 13	0.07 92	0.08 59	0.06 22	0.08 64	0.07 11

CroCo-Stereo	0.15 4	0.16 144	0.34 13	0.25 198	0.12 48	0.11 1	0.18 92	0.35 81	0.24 24	0.13 1	0.13 5	0.18 47	0.12 15	0.15 1	0.13 7	0.08 87	0.06 34	0.07 13	0.05 8	0.07 30	0.06 4
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
DLNR_Zeroshot_test	10.53 417	12.28 424	20.32 425	105.84 436	23.88 433	0.14 3	0.13 2	3.20 412	0.20 5	0.16 11	0.23 50	0.16 32	0.10 3	0.32 138	0.16 46	2.54 413	0.32 376	0.07 13	0.07 44	40.17 434	0.28 330

CASnet	0.15 4	0.13 73	0.30 5	0.22 86	0.08 2	0.15 4	0.14 12	0.28 17	0.26 48	0.23 54	0.20 30	0.15 28	0.11 9	0.18 12	0.13 7	0.07 13	0.05 3	0.11 228	0.09 165	0.08 64	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
test croco	0.18 21	0.16 144	0.59 211	0.21 54	0.13 80	0.16 5	0.17 54	0.29 28	0.23 15	0.16 11	0.26 66	0.13 11	0.17 77	0.27 80	0.17 59	0.09 143	0.06 34	0.10 182	0.07 44	0.10 178	0.07 11

StereoIM	0.15 4	0.17 167	0.39 27	0.19 13	0.15 158	0.16 5	0.13 2	0.26 10	0.22 12	0.13 1	0.15 15	0.14 22	0.11 9	0.17 8	0.17 59	0.08 87	0.07 92	0.08 59	0.06 22	0.07 30	0.06 4

MIF-Stereo (partial)	0.18 21	0.13 73	0.50 120	0.22 86	0.15 158	0.16 5	0.13 2	0.29 28	0.26 48	0.17 15	0.26 66	0.16 32	0.17 77	0.25 54	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.09 131	0.08 37

Selective-IGEV	0.15 4	0.10 11	0.34 13	0.32 320	0.19 255	0.16 5	0.14 12	0.29 28	0.20 5	0.13 1	0.14 14	0.13 11	0.08 1	0.23 40	0.14 24	0.06 1	0.13 243	0.07 13	0.06 22	0.06 2	0.11 128

MIF-Stereo	0.15 4	0.12 57	0.45 56	0.21 54	0.14 108	0.17 9	0.13 2	0.20 1	0.19 3	0.16 11	0.20 30	0.10 1	0.11 9	0.18 12	0.17 59	0.08 87	0.06 34	0.07 13	0.06 22	0.08 64	0.07 11

MIM_Stereo	0.20 57	0.17 167	0.55 174	0.20 34	0.21 285	0.17 9	0.14 12	0.37 98	0.27 57	0.28 91	0.35 144	0.23 86	0.13 31	0.28 98	0.16 46	0.06 1	0.08 139	0.09 119	0.08 104	0.08 64	0.15 217

GLC_STEREO	0.15 4	0.11 27	0.31 7	0.22 86	0.09 5	0.17 9	0.15 25	0.24 7	0.28 65	0.17 15	0.20 30	0.17 39	0.11 9	0.24 46	0.17 59	0.07 13	0.09 168	0.09 119	0.08 104	0.07 30	0.07 11

PFNet+	0.21 80	0.11 27	0.54 168	0.22 86	0.12 48	0.17 9	0.18 92	0.31 51	0.36 149	0.33 184	0.32 115	0.24 101	0.16 62	0.33 147	0.18 78	0.10 198	0.07 92	0.11 228	0.10 209	0.08 64	0.12 163

CES	0.14 1	0.08 2	0.24 1	0.17 4	0.23 309	0.18 13	0.15 25	0.24 7	0.20 5	0.14 5	0.18 22	0.14 22	0.10 3	0.19 21	0.12 1	0.07 13	0.05 3	0.06 1	0.04 1	0.08 64	0.20 267

MC-Stereo	0.18 21	0.10 11	0.36 19	0.28 286	0.14 108	0.18 13	0.15 25	0.24 7	0.20 5	0.21 31	0.24 55	0.16 32	0.13 31	0.25 54	0.14 24	0.07 13	0.17 300	0.07 13	0.07 44	0.06 2	0.30 336

DisPM	0.20 57	0.11 27	0.52 148	0.24 166	0.13 80	0.18 13	0.19 124	0.30 37	0.31 99	0.33 184	0.34 138	0.23 86	0.16 62	0.34 161	0.17 59	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.12 163

test-3	0.18 21	0.10 11	0.48 85	0.23 129	0.14 108	0.18 13	0.16 40	0.32 56	0.29 78	0.26 76	0.17 17	0.22 73	0.13 31	0.26 71	0.19 99	0.06 1	0.14 252	0.08 59	0.08 104	0.06 2	0.10 99

test_1	0.18 21	0.10 11	0.48 85	0.23 129	0.14 108	0.18 13	0.16 40	0.32 56	0.29 78	0.26 76	0.17 17	0.22 73	0.13 31	0.26 71	0.19 99	0.06 1	0.14 252	0.08 59	0.08 104	0.06 2	0.10 99

RAFT_R40	0.22 93	0.11 27	0.52 148	0.25 198	0.13 80	0.18 13	0.18 92	0.32 56	0.31 99	0.33 184	0.33 130	0.30 166	0.23 147	0.55 235	0.19 99	0.08 87	0.05 3	0.10 182	0.08 104	0.09 131	0.07 11

RAFT-IKP	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.18 13	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.26 71	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

CREStereo++_RVC	0.16 11	0.09 3	0.42 41	0.17 4	0.11 25	0.18 13	0.13 2	0.23 3	0.31 99	0.21 31	0.31 106	0.13 11	0.11 9	0.17 8	0.16 46	0.07 13	0.04 1	0.06 1	0.15 317	0.06 2	0.05 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
AFF-stereo	0.20 57	0.24 248	0.49 102	0.22 86	0.11 25	0.18 13	0.18 92	0.35 81	0.29 78	0.25 71	0.36 157	0.25 112	0.17 77	0.25 54	0.17 59	0.06 1	0.09 168	0.08 59	0.08 104	0.08 64	0.11 128

4D-IteraStereo	0.20 57	0.21 211	0.62 227	0.21 54	0.14 108	0.19 22	0.17 54	0.29 28	0.28 65	0.24 60	0.20 30	0.20 60	0.10 3	0.22 36	0.18 78	0.07 13	0.07 92	0.10 182	0.08 104	0.08 64	0.33 344

RCA-Stereo	0.17 18	0.10 11	0.33 11	0.20 34	0.11 25	0.19 22	0.17 54	0.39 123	0.36 149	0.21 31	0.25 59	0.17 39	0.17 77	0.18 12	0.15 37	0.07 13	0.14 252	0.07 13	0.06 22	0.06 2	0.08 37

DCANet-4	0.20 57	0.11 27	0.58 204	0.19 13	0.09 5	0.19 22	0.18 92	0.39 123	0.42 206	0.29 114	0.31 106	0.17 39	0.22 138	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

fff	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.38 107	0.46 243	0.29 114	0.31 106	0.18 47	0.28 213	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

ADStereo(finetuned)	0.21 80	0.15 123	0.59 211	0.19 13	0.09 5	0.19 22	0.18 92	0.37 98	0.41 194	0.30 135	0.31 106	0.19 53	0.31 249	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.07 30	0.10 99

test_4	0.19 37	0.16 144	0.39 27	0.24 166	0.13 80	0.19 22	0.21 174	0.27 13	0.24 24	0.24 60	0.47 263	0.22 73	0.13 31	0.27 80	0.18 78	0.06 1	0.06 34	0.09 119	0.09 165	0.07 30	0.06 4

iRaft-Stereo_5w	0.25 172	0.24 248	0.50 120	0.23 129	0.18 232	0.19 22	0.19 124	0.39 123	0.35 136	0.28 91	0.36 157	0.34 198	0.23 147	0.66 287	0.28 201	0.07 13	0.07 92	0.08 59	0.07 44	0.09 131	0.14 206

Patchmatch Stereo++	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.14 12	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.27 80	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.25 54	0.17 59	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

ROB_FTStereo_v2	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.25 54	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

ROB_FTStereo	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.13 2	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.25 54	0.17 59	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

HUI-Stereo	0.19 37	0.13 73	0.52 148	0.22 86	0.11 25	0.19 22	0.14 12	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.23 40	0.17 59	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

ASMatch	0.23 122	0.11 27	0.55 174	0.25 198	0.14 108	0.19 22	0.16 40	0.32 56	0.30 92	0.28 91	0.68 338	0.28 144	0.26 188	0.50 214	0.22 147	0.07 13	0.06 34	0.08 59	0.07 44	0.06 2	0.11 128

SST-Stereo	0.22 93	0.11 27	0.52 148	0.25 198	0.14 108	0.19 22	0.17 54	0.32 56	0.26 48	0.34 198	0.33 130	0.29 156	0.25 176	0.56 240	0.18 78	0.08 87	0.05 3	0.10 182	0.08 104	0.09 131	0.07 11

Pruner-Stereo	0.20 57	0.12 57	0.49 102	0.29 299	0.12 48	0.19 22	0.17 54	0.32 56	0.31 99	0.33 184	0.32 115	0.25 112	0.15 50	0.25 54	0.22 147	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.10 99

DeepStereo_RVC	0.19 37	0.12 57	0.47 73	0.22 86	0.11 25	0.19 22	0.16 40	0.29 28	0.24 24	0.28 91	0.27 75	0.23 86	0.28 213	0.24 46	0.19 99	0.08 87	0.06 34	0.09 119	0.07 44	0.09 131	0.10 99

iGMRVC	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.15 25	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.27 80	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

IRAFT_RVC	0.23 122	0.15 123	0.54 168	0.26 230	0.12 48	0.19 22	0.23 219	0.41 150	0.39 181	0.31 150	0.30 96	0.29 156	0.24 165	0.55 235	0.23 162	0.08 87	0.06 34	0.10 182	0.08 104	0.08 64	0.08 37

iRAFT	0.19 37	0.13 73	0.51 132	0.22 86	0.11 25	0.19 22	0.14 12	0.30 37	0.24 24	0.28 91	0.29 85	0.25 112	0.18 103	0.27 80	0.18 78	0.09 143	0.06 34	0.10 182	0.08 104	0.10 178	0.09 58

AnonymousM	0.19 37	0.20 204	0.30 5	0.18 8	0.10 17	0.19 22	0.17 54	0.32 56	0.27 57	0.27 85	0.21 42	0.18 47	0.14 41	0.21 25	0.16 46	0.09 143	0.08 139	0.38 373	0.15 317	0.06 2	0.08 37

rafts_anoy	0.21 80	0.22 225	0.49 102	0.25 198	0.24 320	0.19 22	0.17 54	0.34 72	0.32 107	0.24 60	0.25 59	0.20 60	0.16 62	0.25 54	0.21 132	0.08 87	0.19 311	0.11 228	0.12 270	0.09 131	0.09 58

raftrobust	0.19 37	0.19 192	0.42 41	0.23 129	0.24 320	0.19 22	0.13 2	0.33 68	0.28 65	0.26 76	0.20 30	0.19 53	0.17 77	0.23 40	0.17 59	0.08 87	0.10 193	0.07 13	0.06 22	0.07 30	0.09 58

DCANet	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.37 98	0.41 194	0.30 135	0.31 106	0.19 53	0.23 147	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.07 30	0.10 99

csc	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.38 107	0.46 243	0.29 114	0.31 106	0.18 47	0.28 213	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

cscssc	0.20 57	0.15 123	0.57 191	0.19 13	0.09 5	0.19 22	0.18 92	0.38 107	0.46 243	0.29 114	0.31 106	0.18 47	0.28 213	0.21 25	0.20 115	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.09 58

RAFT-Stereo + iAFF	0.20 57	0.23 238	0.49 102	0.21 54	0.16 187	0.19 22	0.17 54	0.35 81	0.32 107	0.26 76	0.33 130	0.20 60	0.17 77	0.21 25	0.17 59	0.06 1	0.10 193	0.07 13	0.07 44	0.07 30	0.11 128

IGEVStereo-DCA	0.20 57	0.17 167	0.41 33	0.22 86	0.15 158	0.20 48	0.17 54	0.28 17	0.23 15	0.19 23	0.12 2	0.14 22	0.12 15	0.38 182	0.31 225	0.07 13	0.16 282	0.08 59	0.07 44	0.08 64	0.36 350

rrr	0.22 93	0.17 167	0.79 284	0.22 86	0.15 158	0.20 48	0.18 92	0.40 132	0.27 57	0.19 23	0.12 2	0.14 22	0.12 15	0.38 182	0.31 225	0.07 13	0.16 282	0.08 59	0.07 44	0.08 64	0.28 330

IGEV_Zeroshot_test	0.23 122	0.11 27	0.82 291	0.21 54	0.23 309	0.20 48	0.19 124	0.38 107	0.23 15	0.34 198	0.22 48	0.29 156	0.14 41	0.24 46	0.20 115	0.07 13	0.09 168	0.08 59	0.08 104	0.08 64	0.35 349

LoS_RVC	0.14 1	0.11 27	0.32 9	0.18 8	0.16 187	0.20 48	0.18 92	0.21 2	0.18 1	0.14 5	0.20 30	0.12 3	0.17 77	0.17 8	0.14 24	0.06 1	0.05 3	0.06 1	0.04 1	0.05 1	0.14 206

CAS	0.16 11	0.07 1	0.29 4	0.42 365	0.17 212	0.20 48	0.18 92	0.23 3	0.20 5	0.15 9	0.19 25	0.11 2	0.10 3	0.15 1	0.14 24	0.31 370	0.04 1	0.06 1	0.04 1	0.06 2	0.16 227

ProNet	0.16 11	0.13 73	0.36 19	0.21 54	0.15 158	0.20 48	0.19 124	0.29 28	0.23 15	0.14 5	0.13 5	0.13 11	0.12 15	0.25 54	0.13 7	0.06 1	0.09 168	0.07 13	0.06 22	0.07 30	0.22 284

HHNet	0.23 122	0.12 57	0.66 242	0.19 13	0.18 232	0.20 48	0.20 155	0.36 86	0.32 107	0.33 184	0.59 313	0.19 53	0.21 133	0.24 46	0.31 225	0.08 87	0.06 34	0.09 119	0.07 44	0.08 64	0.12 163

AAGNet	0.34 270	0.12 57	0.53 158	0.26 230	0.16 187	0.20 48	0.19 124	0.31 51	0.29 78	0.35 213	0.35 144	0.27 132	0.30 236	0.44 197	2.56 406	0.08 87	0.05 3	0.10 182	0.07 44	0.09 131	0.07 11

PSM-softLoss	0.22 93	0.11 27	0.53 158	0.25 198	0.12 48	0.20 48	0.17 54	0.39 123	0.29 78	0.29 114	0.32 115	0.24 101	0.16 62	0.53 227	0.21 132	0.09 143	0.06 34	0.10 182	0.09 165	0.08 64	0.12 163

KMStereo	0.22 93	0.11 27	0.53 158	0.25 198	0.12 48	0.20 48	0.17 54	0.39 123	0.29 78	0.29 114	0.32 115	0.24 101	0.16 62	0.53 227	0.21 132	0.09 143	0.06 34	0.10 182	0.09 165	0.08 64	0.12 163

RAFT-345	0.22 93	0.11 27	0.55 174	0.22 86	0.12 48	0.20 48	0.16 40	0.27 13	0.28 65	0.27 85	0.65 332	0.20 60	0.17 77	0.55 235	0.22 147	0.07 13	0.06 34	0.08 59	0.07 44	0.06 2	0.07 11

cross-raft	0.18 21	0.12 57	0.40 31	0.27 262	0.16 187	0.20 48	0.24 241	0.34 72	0.24 24	0.23 54	0.28 79	0.29 156	0.15 50	0.19 21	0.16 46	0.06 1	0.05 3	0.08 59	0.07 44	0.07 30	0.07 11

iRaftStereo_RVC	0.17 18	0.16 144	0.35 17	0.21 54	0.11 25	0.20 48	0.17 54	0.34 72	0.25 42	0.20 27	0.25 59	0.19 53	0.12 15	0.21 25	0.16 46	0.07 13	0.12 229	0.10 182	0.09 165	0.09 131	0.14 206

test_xeample3	0.22 93	0.17 167	0.81 288	0.21 54	0.15 158	0.20 48	0.18 92	0.40 132	0.25 42	0.19 23	0.12 2	0.13 11	0.12 15	0.34 161	0.33 239	0.07 13	0.20 319	0.07 13	0.08 104	0.08 64	0.34 347

CFNet-RSSM	0.18 21	0.10 11	0.45 56	0.20 34	0.12 48	0.20 48	0.16 40	0.40 132	0.31 99	0.23 54	0.21 42	0.26 128	0.15 50	0.21 25	0.14 24	0.07 13	0.05 3	0.07 13	0.07 44	0.06 2	0.06 4

Gwc-CoAtRS	0.17 18	0.10 11	0.41 33	0.20 34	0.12 48	0.20 48	0.15 25	0.34 72	0.29 78	0.23 54	0.23 50	0.27 132	0.15 50	0.21 25	0.14 24	0.07 13	0.06 34	0.07 13	0.07 44	0.06 2	0.07 11

ff7	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 346	0.08 59	0.07 44	0.08 64	0.36 350

ffff	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 346	0.08 59	0.07 44	0.08 64	0.36 350

11t	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 346	0.08 59	0.07 44	0.08 64	0.36 350

whm_eth	0.24 148	0.21 211	0.72 264	0.24 166	0.19 255	0.21 64	0.19 124	0.40 132	0.43 216	0.31 150	0.60 317	0.15 28	0.18 103	0.26 71	0.19 99	0.09 143	0.08 139	0.10 182	0.09 165	0.09 131	0.13 183

MSKI-zero shot	0.19 37	0.10 11	0.47 73	0.30 305	0.14 108	0.21 64	0.14 12	0.33 68	0.22 12	0.24 60	0.25 59	0.22 73	0.10 3	0.32 138	0.14 24	0.07 13	0.30 371	0.07 13	0.07 44	0.06 2	0.09 58

AEACV	0.20 57	0.09 3	0.32 9	0.39 355	0.34 356	0.21 64	0.16 40	0.30 37	0.18 1	0.17 15	0.17 17	0.13 11	0.16 62	0.27 80	0.13 7	0.07 13	0.29 370	0.07 13	0.09 165	0.07 30	0.37 358

anonymousdsp	0.20 57	0.13 73	0.49 102	0.28 286	0.20 272	0.21 64	0.17 54	0.29 28	0.24 24	0.22 47	0.13 5	0.12 3	0.12 15	0.32 138	0.13 7	0.07 13	0.26 352	0.08 59	0.07 44	0.08 64	0.48 377

knoymous	0.18 21	0.10 11	0.35 17	0.17 4	0.11 25	0.21 64	0.17 54	0.33 68	0.24 24	0.24 60	0.28 79	0.27 132	0.16 62	0.24 46	0.17 59	0.09 143	0.06 34	0.09 119	0.06 22	0.09 131	0.10 99

ccc-4	0.18 21	0.13 73	0.41 33	0.21 54	0.15 158	0.21 64	0.17 54	0.28 17	0.23 15	0.21 31	0.13 5	0.12 3	0.12 15	0.27 80	0.13 7	0.07 13	0.25 346	0.08 59	0.07 44	0.08 64	0.36 350

IGEV-Stereo	0.20 57	0.13 73	0.49 102	0.28 286	0.20 272	0.21 64	0.17 54	0.29 28	0.24 24	0.22 47	0.13 5	0.12 3	0.12 15	0.32 138	0.13 7	0.07 13	0.26 352	0.08 59	0.07 44	0.08 64	0.48 377
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GMOStereo	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 337	0.10 182	0.08 104	0.08 64	0.07 11

error version	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 337	0.10 182	0.08 104	0.08 64	0.07 11

test-v	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 337	0.10 182	0.08 104	0.08 64	0.07 11

TransformOpticalFlow	0.24 148	0.14 107	0.57 191	0.24 166	0.11 25	0.21 64	0.19 124	0.43 156	0.34 129	0.30 135	0.43 222	0.36 217	0.31 249	0.61 261	0.20 115	0.07 13	0.05 3	0.08 59	0.07 44	0.06 2	0.08 37

OMP-Stereo	0.24 148	0.16 144	0.48 85	0.30 305	0.13 80	0.21 64	0.16 40	0.38 107	0.35 136	0.34 198	0.30 96	0.33 191	0.20 126	0.70 297	0.24 167	0.08 87	0.06 34	0.09 119	0.07 44	0.08 64	0.07 11

NF-Stereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.52 225	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

OCTAStereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.51 219	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

FTStereo	0.28 214	0.11 27	0.56 184	0.24 166	0.13 80	0.21 64	0.52 365	0.36 86	0.28 65	0.38 247	0.94 368	0.30 166	0.56 344	0.33 147	0.18 78	0.08 87	0.06 34	0.09 119	0.08 104	0.08 64	0.19 255

RE-Stereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.51 219	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

TVStereo	0.22 93	0.11 27	0.52 148	0.25 198	0.12 48	0.21 64	0.18 92	0.40 132	0.35 136	0.28 91	0.30 96	0.22 73	0.17 77	0.51 219	0.21 132	0.09 143	0.06 34	0.09 119	0.08 104	0.08 64	0.13 183

test-2	0.20 57	0.17 167	0.45 56	0.23 129	0.18 232	0.21 64	0.27 269	0.28 17	0.28 65	0.31 150	0.32 115	0.28 144	0.17 77	0.16 3	0.13 7	0.07 13	0.23 337	0.10 182	0.08 104	0.08 64	0.07 11

raft+_RVC	0.21 80	0.21 211	0.46 68	0.22 86	0.35 359	0.21 64	0.16 40	0.39 123	0.35 136	0.22 47	0.28 79	0.20 60	0.15 50	0.25 54	0.20 115	0.08 87	0.16 282	0.08 59	0.07 44	0.07 30	0.12 163

EKT-Stereo	0.39 295	0.13 73	0.53 158	0.42 365	3.94 413	0.22 86	0.17 54	0.38 107	0.30 92	0.21 31	0.20 30	0.23 86	0.15 50	0.30 124	0.18 78	0.10 198	0.08 139	0.09 119	0.08 104	0.09 131	0.12 163

LL-Strereo	0.32 255	0.33 307	0.77 279	0.26 230	0.24 320	0.22 86	0.23 219	0.58 294	0.44 223	0.35 213	0.32 115	0.41 247	0.40 297	0.93 357	0.25 179	0.08 87	0.13 243	0.11 228	0.09 165	0.09 131	0.22 284

LoS	0.15 4	0.09 3	0.34 13	0.17 4	0.09 5	0.22 86	0.14 12	0.27 13	0.27 57	0.15 9	0.18 22	0.19 53	0.14 41	0.23 40	0.14 24	0.08 87	0.06 34	0.06 1	0.04 1	0.06 2	0.06 4

RAFT_CTSACE	0.23 122	0.21 211	0.57 191	0.26 230	0.15 158	0.22 86	0.23 219	0.34 72	0.30 92	0.34 198	0.51 279	0.31 175	0.17 77	0.33 147	0.15 37	0.06 1	0.09 168	0.09 119	0.08 104	0.08 64	0.07 11

test_3	0.20 57	0.12 57	0.49 102	0.26 230	0.14 108	0.22 86	0.25 254	0.34 72	0.33 121	0.25 71	0.18 22	0.23 86	0.13 31	0.25 54	0.20 115	0.06 1	0.14 252	0.09 119	0.10 209	0.07 30	0.10 99

CrosDoStereo	0.32 255	0.11 27	0.53 158	0.19 13	0.12 48	0.22 86	1.07 398	0.36 86	0.38 170	0.38 247	0.60 317	0.28 144	0.45 313	0.61 261	0.56 317	0.08 87	0.06 34	0.08 59	0.09 165	0.08 64	0.09 58

TRStereo	0.22 93	0.21 211	0.62 227	0.40 359	0.19 255	0.22 86	0.16 40	0.58 294	0.30 92	0.21 31	0.21 42	0.22 73	0.13 31	0.27 80	0.14 24	0.09 143	0.09 168	0.09 119	0.11 233	0.06 2	0.19 255

DeepStereo_LL	0.32 255	0.11 27	0.53 158	0.19 13	0.12 48	0.22 86	1.07 398	0.36 86	0.38 170	0.38 247	0.60 317	0.28 144	0.45 313	0.61 261	0.56 317	0.08 87	0.06 34	0.08 59	0.09 165	0.08 64	0.09 58

PFNet	0.24 148	0.11 27	0.63 232	0.25 198	0.14 108	0.22 86	0.19 124	0.40 132	0.35 136	0.36 224	0.32 115	0.27 132	0.20 126	0.63 272	0.23 162	0.09 143	0.05 3	0.09 119	0.08 104	0.08 64	0.08 37

test-1	0.20 57	0.12 57	0.49 102	0.23 129	0.23 309	0.22 86	0.23 219	0.36 86	0.29 78	0.21 31	0.25 59	0.24 101	0.14 41	0.18 12	0.22 147	0.07 13	0.14 252	0.08 59	0.07 44	0.06 2	0.14 206

TestStereo	0.22 93	0.24 248	0.48 85	0.25 198	0.11 25	0.22 86	0.22 196	0.32 56	0.31 99	0.24 60	0.34 138	0.23 86	0.19 120	0.62 269	0.19 99	0.08 87	0.07 92	0.10 182	0.07 44	0.11 219	0.07 11

sAnonymous2	0.21 80	0.24 248	0.79 284	0.24 166	0.17 212	0.22 86	0.20 155	0.36 86	0.29 78	0.17 15	0.19 25	0.17 39	0.16 62	0.18 12	0.15 37	0.10 198	0.07 92	0.09 119	0.08 104	0.23 345	0.18 241

CroCo_RVC	0.21 80	0.24 248	0.79 284	0.24 166	0.17 212	0.22 86	0.20 155	0.36 86	0.29 78	0.17 15	0.19 25	0.17 39	0.16 62	0.18 12	0.15 37	0.10 198	0.07 92	0.09 119	0.08 104	0.23 345	0.18 241

RALCasStereoNet	0.22 93	0.22 225	0.48 85	0.23 129	0.23 309	0.22 86	0.18 92	0.32 56	0.27 57	0.22 47	0.30 96	0.22 73	0.15 50	0.29 115	0.20 115	0.08 87	0.22 329	0.07 13	0.06 22	0.10 178	0.25 312

RALAANet	0.21 80	0.24 248	0.53 158	0.23 129	0.14 108	0.22 86	0.13 2	0.38 107	0.30 92	0.29 114	0.26 66	0.25 112	0.15 50	0.28 98	0.20 115	0.08 87	0.08 139	0.09 119	0.08 104	0.10 178	0.07 11

CREStereo	0.14 1	0.09 3	0.27 2	0.14 1	0.08 2	0.22 86	0.15 25	0.26 10	0.26 48	0.16 11	0.21 42	0.14 22	0.13 31	0.19 21	0.14 24	0.09 143	0.05 3	0.06 1	0.04 1	0.07 30	0.06 4
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
StereoVision	0.23 122	0.23 238	0.55 174	0.27 262	0.17 212	0.23 102	0.22 196	0.40 132	0.32 107	0.21 31	0.51 279	0.22 73	0.16 62	0.29 115	0.19 99	0.11 229	0.12 229	0.13 281	0.13 294	0.10 178	0.08 37

DCRE	0.24 148	0.15 123	0.45 56	0.26 230	0.26 333	0.23 102	0.21 174	0.37 98	0.29 78	0.23 54	0.81 356	0.23 86	0.16 62	0.24 46	0.18 78	0.07 13	0.14 252	0.07 13	0.08 104	0.07 30	0.25 312

qqq	0.24 148	0.16 144	0.46 68	0.20 34	0.15 158	0.23 102	0.20 155	0.43 156	0.32 107	0.26 76	0.31 106	0.28 144	0.25 176	0.36 172	0.28 201	0.08 87	0.22 329	0.10 182	0.11 233	0.09 131	0.23 291

raft_robust	0.25 172	0.23 238	0.44 53	0.22 86	0.13 80	0.23 102	0.22 196	0.52 235	0.50 280	0.33 184	0.32 115	0.33 191	0.23 147	0.55 235	0.18 78	0.07 13	0.11 213	0.08 59	0.10 209	0.08 64	0.07 11

RAFT+CT+SA	0.23 122	0.24 248	0.48 85	0.25 198	0.18 232	0.23 102	0.29 287	0.42 151	0.38 170	0.24 60	0.39 185	0.20 60	0.17 77	0.34 161	0.17 59	0.07 13	0.07 92	0.09 119	0.12 270	0.09 131	0.13 183

GwcNet-ADL	0.23 122	0.15 123	0.58 204	0.24 166	0.13 80	0.23 102	0.24 241	0.51 230	0.41 194	0.28 91	0.29 85	0.30 166	0.20 126	0.27 80	0.28 201	0.09 143	0.07 92	0.07 13	0.07 44	0.09 131	0.11 128

LCNet	0.22 93	0.12 57	0.42 41	0.26 230	0.12 48	0.23 102	0.19 124	0.36 86	0.28 65	0.28 91	0.35 144	0.26 128	0.30 236	0.35 168	0.17 59	0.07 13	0.05 3	0.09 119	0.10 209	0.13 256	0.22 284

STrans-v2	0.25 172	0.14 107	0.56 184	0.21 54	0.12 48	0.23 102	0.20 155	0.50 220	0.31 99	0.31 150	0.42 210	0.35 212	0.35 272	0.62 269	0.24 167	0.07 13	0.05 3	0.08 59	0.07 44	0.06 2	0.08 37

IIG-Stereo	0.24 148	0.16 144	0.47 73	0.29 299	0.12 48	0.23 102	0.14 12	0.40 132	0.33 121	0.35 213	0.37 165	0.33 191	0.22 138	0.70 297	0.26 188	0.08 87	0.06 34	0.09 119	0.07 44	0.08 64	0.07 11

KYRaft	0.23 122	0.11 27	0.43 46	0.23 129	0.12 48	0.23 102	0.23 219	0.37 98	0.26 48	0.35 213	0.53 292	0.34 198	0.26 188	0.29 115	0.16 46	0.07 13	0.05 3	0.09 119	0.10 209	0.08 64	0.30 336

GrayStereo	0.26 191	0.10 11	0.45 56	0.27 262	0.14 108	0.23 102	0.46 352	0.36 86	0.33 121	0.40 267	0.47 263	0.30 166	0.78 367	0.29 115	0.17 59	0.07 13	0.06 34	0.08 59	0.09 165	0.07 30	0.15 217

Prome-Stereo	0.22 93	0.10 11	0.43 46	0.24 166	0.13 80	0.23 102	0.23 219	0.37 98	0.27 57	0.33 184	0.58 309	0.24 101	0.28 213	0.30 124	0.16 46	0.07 13	0.05 3	0.08 59	0.07 44	0.08 64	0.20 267

XX-TBD	0.16 11	0.21 211	0.43 46	0.22 86	0.10 17	0.23 102	0.15 25	0.23 3	0.28 65	0.22 47	0.26 66	0.14 22	0.12 15	0.16 3	0.14 24	0.08 87	0.05 3	0.06 1	0.04 1	0.07 30	0.06 4

sCroCo_RVC	0.19 37	0.15 123	0.60 218	0.27 262	0.18 232	0.23 102	0.16 40	0.28 17	0.24 24	0.14 5	0.22 48	0.17 39	0.14 41	0.22 36	0.16 46	0.11 229	0.11 213	0.09 119	0.09 165	0.09 131	0.10 99

XX-Stereo	0.25 172	0.11 27	1.09 342	0.35 340	0.38 367	0.23 102	0.13 2	0.43 156	0.19 3	0.20 27	0.40 192	0.31 175	0.10 3	0.33 147	0.13 7	0.08 87	0.11 213	0.08 59	0.09 165	0.07 30	0.10 99

PMTNet	0.16 11	0.09 3	0.31 7	0.15 2	0.09 5	0.23 102	0.15 25	0.26 10	0.24 24	0.17 15	0.21 42	0.16 32	0.14 41	0.23 40	0.14 24	0.29 366	0.05 3	0.06 1	0.04 1	0.07 30	0.07 11

R-Stereo Train	0.19 37	0.10 11	0.49 102	0.22 86	0.12 48	0.23 102	0.18 92	0.43 156	0.20 5	0.31 150	0.45 244	0.20 60	0.14 41	0.18 12	0.18 78	0.08 87	0.06 34	0.07 13	0.06 22	0.06 2	0.07 11

RAFT-Stereo	0.19 37	0.10 11	0.49 102	0.22 86	0.12 48	0.23 102	0.18 92	0.43 156	0.20 5	0.31 150	0.45 244	0.20 60	0.14 41	0.18 12	0.18 78	0.08 87	0.06 34	0.07 13	0.06 22	0.06 2	0.07 11
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Former-RAFT_DAM_RVC	0.18 21	0.15 123	0.27 2	0.20 34	0.13 80	0.24 120	0.17 54	0.31 51	0.37 162	0.43 290	0.17 17	0.13 11	0.12 15	0.20 24	0.16 46	0.08 87	0.07 92	0.09 119	0.07 44	0.09 131	0.08 37

AE-Stereo	0.21 80	0.12 57	0.50 120	0.25 198	0.15 158	0.24 120	0.18 92	0.40 132	0.34 129	0.19 23	0.26 66	0.21 70	0.13 31	0.22 36	0.16 46	0.07 13	0.26 352	0.09 119	0.10 209	0.07 30	0.31 339

UDGNet	0.24 148	0.37 327	0.53 158	0.25 198	0.14 108	0.24 120	0.18 92	0.32 56	0.44 223	0.29 114	0.28 79	0.24 101	0.20 126	0.30 124	0.21 132	0.16 315	0.07 92	0.21 347	0.11 233	0.16 292	0.11 128

IPLGR_C	0.23 122	0.29 287	0.81 288	0.24 166	0.16 187	0.24 120	0.20 155	0.38 107	0.33 121	0.32 175	0.33 130	0.23 86	0.15 50	0.26 71	0.22 147	0.09 143	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58

ACRE	0.23 122	0.27 277	0.83 293	0.24 166	0.15 158	0.24 120	0.20 155	0.38 107	0.32 107	0.32 175	0.33 130	0.23 86	0.15 50	0.26 71	0.22 147	0.09 143	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58

NRIStereo	0.20 57	0.12 57	0.50 120	0.23 129	0.11 25	0.24 120	0.19 124	0.30 37	0.28 65	0.26 76	0.26 66	0.25 112	0.18 103	0.34 161	0.19 99	0.08 87	0.06 34	0.09 119	0.07 44	0.09 131	0.09 58

CRE-IMP	0.19 37	0.13 73	0.51 132	0.23 129	0.11 25	0.24 120	0.17 54	0.31 51	0.24 24	0.27 85	0.26 66	0.24 101	0.17 77	0.24 46	0.19 99	0.09 143	0.05 3	0.10 182	0.07 44	0.10 178	0.10 99

GMM-Stereo	0.22 93	0.10 11	0.56 184	0.23 129	0.13 80	0.24 120	0.24 241	0.38 107	0.29 78	0.31 150	0.44 231	0.27 132	0.21 133	0.31 133	0.17 59	0.07 13	0.05 3	0.10 182	0.09 165	0.08 64	0.19 255

111	0.22 93	0.22 225	0.57 191	0.19 13	0.09 5	0.24 120	0.17 54	0.44 174	0.46 243	0.24 60	0.30 96	0.29 156	0.22 138	0.25 54	0.19 99	0.08 87	0.05 3	0.07 13	0.06 22	0.07 30	0.15 217

GMStereo	0.21 80	0.30 293	0.57 191	0.21 54	0.12 48	0.24 120	0.18 92	0.30 37	0.41 194	0.26 76	0.24 55	0.17 39	0.16 62	0.25 54	0.19 99	0.10 198	0.07 92	0.08 59	0.08 104	0.11 219	0.09 58
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo07	0.18 21	0.15 123	0.44 53	0.22 86	0.16 187	0.25 130	0.22 196	0.31 51	0.26 48	0.22 47	0.13 5	0.12 3	0.13 31	0.33 147	0.14 24	0.07 13	0.13 243	0.09 119	0.09 165	0.09 131	0.11 128

MyStereo06	0.23 122	0.15 123	0.74 266	0.22 86	0.14 108	0.25 130	0.22 196	0.43 156	0.25 42	0.36 224	0.24 55	0.34 198	0.18 103	0.24 46	0.20 115	0.07 13	0.12 229	0.09 119	0.09 165	0.09 131	0.11 128

MyStereo05	0.24 148	0.15 123	0.58 204	0.22 86	0.14 108	0.25 130	0.22 196	0.50 220	0.54 302	0.32 175	0.23 50	0.26 128	0.23 147	0.32 138	0.25 179	0.07 13	0.12 229	0.09 119	0.09 165	0.09 131	0.11 128

MyStereo04	0.24 148	0.15 123	0.58 204	0.22 86	0.16 187	0.25 130	0.22 196	0.51 230	0.54 302	0.29 114	0.23 50	0.27 132	0.23 147	0.32 138	0.25 179	0.07 13	0.13 243	0.09 119	0.09 165	0.09 131	0.11 128

LL-Strereo2	0.21 80	0.25 261	0.53 158	0.32 320	0.20 272	0.25 130	0.14 12	0.32 56	0.25 42	0.25 71	0.20 30	0.24 101	0.12 15	0.28 98	0.18 78	0.07 13	0.07 92	0.12 258	0.09 165	0.09 131	0.16 227

anonymousdsp2	0.23 122	0.11 27	0.42 41	0.26 230	0.24 320	0.25 130	0.17 54	0.43 156	0.37 162	0.30 135	0.23 50	0.24 101	0.15 50	0.32 138	0.17 59	0.07 13	0.28 359	0.07 13	0.05 8	0.08 64	0.44 371

test_5	0.25 172	0.25 261	0.57 191	0.27 262	0.18 232	0.25 130	0.29 287	0.42 151	0.39 181	0.29 114	0.40 192	0.27 132	0.23 147	0.35 168	0.19 99	0.07 13	0.07 92	0.09 119	0.09 165	0.10 178	0.14 206

SA	0.24 148	0.22 225	0.55 174	0.23 129	0.14 108	0.25 130	0.23 219	0.48 205	0.42 206	0.28 91	0.44 231	0.23 86	0.23 147	0.34 161	0.17 59	0.07 13	0.09 168	0.11 228	0.11 233	0.08 64	0.09 58

CIPLG	0.23 122	0.28 284	0.75 269	0.24 166	0.16 187	0.25 130	0.20 155	0.38 107	0.33 121	0.32 175	0.34 138	0.23 86	0.15 50	0.27 80	0.22 147	0.09 143	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58

IPLGR	0.22 93	0.14 107	0.75 269	0.21 54	0.11 25	0.25 130	0.18 92	0.44 174	0.38 170	0.29 114	0.28 79	0.21 70	0.19 120	0.37 180	0.19 99	0.07 13	0.06 34	0.08 59	0.07 44	0.07 30	0.07 11

RAFT-RH_RVC	0.26 191	0.13 73	0.57 191	0.22 86	0.12 48	0.25 130	0.14 12	0.27 13	0.29 78	0.38 247	1.14 376	0.23 86	0.18 103	0.58 244	0.24 167	0.07 13	0.06 34	0.10 182	0.07 44	0.06 2	0.08 37

TANstereo	0.16 11	0.11 27	0.43 46	0.16 3	0.08 2	0.25 130	0.14 12	0.23 3	0.29 78	0.25 71	0.30 96	0.16 32	0.12 15	0.18 12	0.13 7	0.08 87	0.07 92	0.06 1	0.05 8	0.07 30	0.08 37

PSMNet-RSSM	0.26 191	0.21 211	0.50 120	0.21 54	0.14 108	0.25 130	0.21 174	0.50 220	0.38 170	0.31 150	0.45 244	0.40 240	0.27 194	0.53 227	0.24 167	0.12 257	0.08 139	0.11 228	0.13 294	0.10 178	0.10 99

RAFT-Test	0.19 37	0.11 27	0.41 33	0.26 230	0.21 285	0.26 143	0.17 54	0.37 98	0.26 48	0.24 60	0.29 85	0.32 185	0.14 41	0.22 36	0.15 37	0.07 13	0.08 139	0.07 13	0.07 44	0.06 2	0.07 11

TestStereo1	0.23 122	0.22 225	0.50 120	0.27 262	0.14 108	0.26 143	0.27 269	0.43 156	0.38 170	0.29 114	0.39 185	0.23 86	0.21 133	0.33 147	0.18 78	0.08 87	0.08 139	0.09 119	0.08 104	0.08 64	0.10 99

SA-5K	0.23 122	0.22 225	0.50 120	0.27 262	0.14 108	0.26 143	0.27 269	0.43 156	0.38 170	0.29 114	0.39 185	0.23 86	0.21 133	0.33 147	0.18 78	0.08 87	0.08 139	0.09 119	0.08 104	0.08 64	0.10 99

RAFT	0.24 148	0.24 248	0.46 68	0.27 262	0.15 158	0.26 143	0.26 264	0.37 98	0.31 99	0.34 198	0.34 138	0.41 247	0.22 138	0.30 124	0.18 78	0.08 87	0.15 273	0.11 228	0.10 209	0.11 219	0.13 183

Anonymous	0.21 80	0.15 123	0.63 232	0.27 262	0.20 272	0.26 143	0.27 269	0.34 72	0.27 57	0.18 22	0.19 25	0.15 28	0.19 120	0.25 54	0.19 99	0.10 198	0.09 168	0.09 119	0.09 165	0.15 283	0.13 183

DN-CSS_ROB	0.24 148	0.33 307	0.69 251	0.25 198	0.14 108	0.26 143	0.13 2	0.42 151	0.35 136	0.30 135	0.42 210	0.22 73	0.20 126	0.34 161	0.22 147	0.07 13	0.06 34	0.11 228	0.11 233	0.11 219	0.09 58

11t1	0.21 80	0.12 57	0.45 56	0.20 34	0.15 158	0.27 149	0.17 54	0.37 98	0.28 65	0.27 85	0.25 59	0.24 101	0.23 147	0.28 98	0.25 179	0.09 143	0.19 311	0.07 13	0.07 44	0.09 131	0.23 291

HH	0.22 93	0.12 57	0.55 174	0.32 320	0.16 187	0.27 149	0.18 92	0.36 86	0.25 42	0.20 27	0.26 66	0.34 198	0.18 103	0.33 147	0.15 37	0.07 13	0.16 282	0.07 13	0.07 44	0.07 30	0.31 339

HanStereo	0.22 93	0.12 57	0.55 174	0.32 320	0.16 187	0.27 149	0.18 92	0.36 86	0.25 42	0.20 27	0.26 66	0.34 198	0.18 103	0.33 147	0.15 37	0.07 13	0.16 282	0.07 13	0.07 44	0.07 30	0.31 339

x	0.23 122	0.15 123	0.45 56	0.20 34	0.15 158	0.27 149	0.17 54	0.43 156	0.35 136	0.26 76	0.31 106	0.29 156	0.25 176	0.29 115	0.30 216	0.09 143	0.22 329	0.08 59	0.09 165	0.09 131	0.24 303

dd	0.23 122	0.32 303	0.55 174	0.23 129	0.12 48	0.27 149	0.21 174	0.32 56	0.45 234	0.30 135	0.29 85	0.25 112	0.17 77	0.31 133	0.26 188	0.13 274	0.07 92	0.10 182	0.08 104	0.12 244	0.09 58

PSM-AAD	0.26 191	0.11 27	0.43 46	0.24 166	0.12 48	0.27 149	0.37 325	0.36 86	0.30 92	0.36 224	0.39 185	0.28 144	0.77 366	0.30 124	0.16 46	0.07 13	0.06 34	0.12 258	0.11 233	0.09 131	0.21 276

CFNet_pseudo	0.23 122	0.14 107	0.48 85	0.20 34	0.13 80	0.27 149	0.17 54	0.46 187	0.45 234	0.30 135	0.37 165	0.38 227	0.23 147	0.30 124	0.22 147	0.09 143	0.06 34	0.11 228	0.08 104	0.11 219	0.11 128

HCRNet	0.25 172	0.27 277	0.42 41	0.34 335	0.17 212	0.27 149	0.18 92	0.45 181	0.37 162	0.31 150	0.35 144	0.32 185	0.23 147	0.44 197	0.21 132	0.13 274	0.08 139	0.13 281	0.11 233	0.11 219	0.09 58

FENet	0.22 93	0.13 73	0.48 85	0.22 86	0.12 48	0.27 149	0.18 92	0.43 156	0.37 162	0.31 150	0.32 115	0.29 156	0.23 147	0.27 80	0.24 167	0.10 198	0.07 92	0.09 119	0.09 165	0.09 131	0.11 128

ACVNet	0.24 148	0.18 184	0.51 132	0.18 8	0.15 158	0.27 149	0.23 219	0.40 132	0.45 234	0.29 114	0.41 203	0.38 227	0.28 213	0.28 98	0.35 249	0.09 143	0.07 92	0.08 59	0.07 44	0.10 178	0.09 58

GANet-RSSM	0.26 191	0.19 192	0.54 168	0.21 54	0.14 108	0.27 149	0.22 196	0.47 196	0.34 129	0.30 135	0.40 192	0.41 247	0.30 236	0.59 250	0.25 179	0.11 229	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

DMCA	0.24 148	0.18 184	0.51 132	0.23 129	0.14 108	0.27 149	0.20 155	0.45 181	0.40 189	0.32 175	0.33 130	0.33 191	0.25 176	0.27 80	0.30 216	0.11 229	0.08 139	0.10 182	0.08 104	0.11 219	0.12 163

ccs_rob	0.23 122	0.14 107	0.48 85	0.20 34	0.13 80	0.27 149	0.17 54	0.46 187	0.45 234	0.30 135	0.37 165	0.38 227	0.23 147	0.30 124	0.22 147	0.09 143	0.06 34	0.11 228	0.08 104	0.12 244	0.11 128

HITNet	0.22 93	0.23 238	0.60 218	0.20 34	0.09 5	0.27 149	0.15 25	0.45 181	0.33 121	0.29 114	0.33 130	0.27 132	0.22 138	0.29 115	0.27 195	0.07 13	0.05 3	0.07 13	0.06 22	0.09 131	0.11 128
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
SMFormer	0.27 207	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.34 243	0.10 198	0.16 282	0.08 59	0.09 165	0.10 178	0.16 227

tta	0.27 207	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.34 243	0.10 198	0.16 282	0.08 59	0.09 165	0.08 64	0.13 183

qqq1	0.26 191	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.21 132	0.10 198	0.16 282	0.07 13	0.07 44	0.08 64	0.13 183

fff1	0.26 191	0.13 73	0.47 73	0.20 34	0.10 17	0.28 163	0.19 124	0.54 252	0.48 262	0.35 213	0.42 210	0.31 175	0.27 194	0.60 255	0.21 132	0.10 198	0.16 282	0.07 13	0.07 44	0.08 64	0.13 183

mmm	0.25 172	0.15 123	0.44 53	0.23 129	0.20 272	0.28 163	0.21 174	0.43 156	0.32 107	0.31 150	0.40 192	0.30 166	0.24 165	0.31 133	0.28 201	0.09 143	0.21 324	0.11 228	0.12 270	0.10 178	0.26 321

GMStereo_Zeroshot	0.25 172	0.22 225	0.51 132	0.27 262	0.14 108	0.28 163	0.15 25	0.40 132	0.36 149	0.37 239	0.43 222	0.40 240	0.17 77	0.35 168	0.21 132	0.12 257	0.07 92	0.13 281	0.07 44	0.17 304	0.10 99

PCWNet_CMD	0.23 122	0.14 107	0.48 85	0.21 54	0.13 80	0.28 163	0.17 54	0.47 196	0.47 256	0.30 135	0.36 157	0.37 221	0.24 165	0.29 115	0.21 132	0.09 143	0.06 34	0.10 182	0.08 104	0.11 219	0.11 128

EGLCR-Stereo	0.19 37	0.09 3	0.34 13	0.29 299	0.17 212	0.28 163	0.16 40	0.30 37	0.23 15	0.22 47	0.11 1	0.16 32	0.09 2	0.28 98	0.15 37	0.07 13	0.25 346	0.07 13	0.07 44	0.06 2	0.37 358

IPLG	0.23 122	0.19 192	0.65 239	0.21 54	0.12 48	0.28 163	0.17 54	0.45 181	0.32 107	0.33 184	0.32 115	0.16 32	0.17 77	0.50 214	0.23 162	0.07 13	0.06 34	0.08 59	0.07 44	0.07 30	0.08 37

MIPNet	0.22 93	0.19 192	0.64 236	0.22 86	0.12 48	0.28 163	0.20 155	0.48 205	0.39 181	0.31 150	0.24 55	0.19 53	0.24 165	0.28 98	0.20 115	0.07 13	0.05 3	0.08 59	0.07 44	0.07 30	0.08 37

THIR-Stereo	0.30 240	0.15 123	0.46 68	0.19 13	0.11 25	0.28 163	0.70 379	0.33 68	0.36 149	0.37 239	0.64 330	0.33 191	0.49 330	0.58 244	0.44 283	0.08 87	0.06 34	0.08 59	0.09 165	0.07 30	0.08 37

DRaft	0.25 172	0.11 27	0.47 73	0.18 8	0.12 48	0.28 163	0.23 219	0.34 72	0.40 189	0.38 247	0.60 317	0.20 60	0.41 302	0.48 208	0.41 270	0.07 13	0.06 34	0.08 59	0.08 104	0.07 30	0.08 37

GES	0.23 122	0.14 107	0.54 168	0.21 54	0.14 108	0.28 163	0.19 124	0.51 230	0.35 136	0.31 150	0.36 157	0.25 112	0.24 165	0.30 124	0.23 162	0.11 229	0.09 168	0.08 59	0.08 104	0.10 178	0.12 163

cf-r	0.26 191	0.22 225	0.66 242	0.22 86	0.14 108	0.28 163	0.22 196	0.44 174	0.42 206	0.32 175	0.42 210	0.43 263	0.27 194	0.44 197	0.27 195	0.11 229	0.07 92	0.08 59	0.10 209	0.08 64	0.09 58

GwcNet-RSSM	0.28 214	0.25 261	0.61 224	0.22 86	0.14 108	0.28 163	0.24 241	0.46 187	0.44 223	0.33 184	0.46 256	0.41 247	0.28 213	0.55 235	0.31 225	0.11 229	0.07 92	0.09 119	0.10 209	0.10 178	0.09 58

DIP-Stereo	0.20 57	0.13 73	0.48 85	0.20 34	0.13 80	0.28 163	0.12 1	0.43 156	0.26 48	0.27 85	0.32 115	0.21 70	0.17 77	0.26 71	0.20 115	0.08 87	0.06 34	0.08 59	0.06 22	0.07 30	0.10 99
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.23 122	0.14 107	0.49 102	0.20 34	0.13 80	0.28 163	0.17 54	0.47 196	0.47 256	0.30 135	0.36 157	0.37 221	0.24 165	0.29 115	0.21 132	0.09 143	0.07 92	0.09 119	0.08 104	0.11 219	0.11 128

CoDeX	0.24 148	0.13 73	0.48 85	0.22 86	0.14 108	0.29 180	0.21 174	0.55 263	0.42 206	0.29 114	0.36 157	0.28 144	0.23 147	0.48 208	0.20 115	0.09 143	0.06 34	0.08 59	0.07 44	0.08 64	0.08 37

DualNet	0.33 262	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.38 107	0.46 243	0.31 150	0.44 231	0.34 198	0.24 165	0.28 98	1.30 375	0.08 87	0.28 359	0.12 258	0.11 233	0.08 64	0.37 358

ffm	0.27 207	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.38 107	0.46 243	0.31 150	0.44 231	0.34 198	0.24 165	0.28 98	0.12 1	0.08 87	0.28 359	0.12 258	0.11 233	0.08 64	0.37 358

ff1	0.36 278	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.38 107	0.46 243	0.31 150	0.44 231	0.34 198	0.24 165	0.91 351	1.30 375	0.08 87	0.28 359	0.12 258	0.11 233	0.08 64	0.37 358

mmx	0.37 285	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.57 282	0.48 262	0.31 150	0.44 231	0.34 198	0.24 165	0.91 351	1.30 375	0.10 198	0.20 319	0.12 258	0.11 233	0.11 219	0.23 291

xxx	0.37 285	0.17 167	0.84 296	0.21 54	0.13 80	0.29 180	0.21 174	0.57 282	0.48 262	0.31 150	0.44 231	0.34 198	0.24 165	0.91 351	1.30 375	0.10 198	0.20 319	0.12 258	0.11 233	0.11 219	0.23 291

CFNet_ucs	0.25 172	0.14 107	0.51 132	0.20 34	0.15 158	0.29 180	0.18 92	0.51 230	0.46 243	0.32 175	0.42 210	0.38 227	0.23 147	0.31 133	0.22 147	0.11 229	0.08 139	0.12 258	0.09 165	0.13 256	0.13 183

Any-RAFT	0.18 21	0.09 3	0.33 11	0.19 13	0.10 17	0.29 180	0.16 40	0.44 174	0.32 107	0.25 71	0.27 75	0.29 156	0.16 62	0.23 40	0.13 7	0.08 87	0.07 92	0.06 1	0.05 8	0.07 30	0.07 11

CASS	0.22 93	0.16 144	0.40 31	0.26 230	0.12 48	0.29 180	0.19 124	0.40 132	0.32 107	0.34 198	0.35 144	0.25 112	0.25 176	0.26 71	0.21 132	0.13 274	0.08 139	0.11 228	0.09 165	0.11 219	0.12 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
GANet-ADL	0.22 93	0.14 107	0.51 132	0.23 129	0.14 108	0.29 180	0.19 124	0.48 205	0.36 149	0.26 76	0.33 130	0.32 185	0.20 126	0.26 71	0.22 147	0.11 229	0.07 92	0.07 13	0.06 22	0.09 131	0.11 128

BEATNet_4x	0.25 172	0.25 261	0.66 242	0.23 129	0.10 17	0.29 180	0.14 12	0.49 212	0.34 129	0.31 150	0.35 144	0.32 185	0.26 188	0.34 161	0.33 239	0.08 87	0.06 34	0.08 59	0.07 44	0.11 219	0.13 183

ttt	0.33 262	0.14 107	0.54 168	0.22 86	0.14 108	0.30 191	0.22 196	0.59 302	0.51 286	0.31 150	0.46 256	0.30 166	0.23 147	0.71 300	1.07 364	0.13 274	0.22 329	0.10 182	0.11 233	0.12 244	0.24 303

Selective-RAFT	0.19 37	0.14 107	0.37 24	0.24 166	0.11 25	0.30 191	0.15 25	0.35 81	0.34 129	0.17 15	0.17 17	0.22 73	0.18 103	0.29 115	0.18 78	0.07 13	0.16 282	0.07 13	0.07 44	0.08 64	0.08 37

Sa-1000	0.24 148	0.20 204	0.53 158	0.23 129	0.14 108	0.30 191	0.23 219	0.50 220	0.41 194	0.30 135	0.50 276	0.26 128	0.19 120	0.33 147	0.16 46	0.08 87	0.10 193	0.10 182	0.11 233	0.08 64	0.08 37

DAS	0.28 214	0.13 73	0.49 102	0.24 166	0.18 232	0.30 191	0.24 241	0.48 205	0.48 262	0.42 281	0.45 244	0.34 198	0.31 249	0.76 319	0.24 167	0.09 143	0.07 92	0.09 119	0.07 44	0.10 178	0.11 128

SepStereo	0.27 207	0.13 73	0.49 102	0.24 166	0.18 232	0.30 191	0.24 241	0.48 205	0.48 262	0.42 281	0.45 244	0.34 198	0.31 249	0.64 277	0.24 167	0.09 143	0.07 92	0.09 119	0.07 44	0.10 178	0.11 128

AACVNet	0.28 214	0.22 225	0.55 174	0.23 129	0.14 108	0.30 191	0.19 124	0.43 156	0.33 121	0.39 258	0.42 210	0.44 269	0.29 229	0.73 304	0.28 201	0.11 229	0.09 168	0.11 228	0.09 165	0.13 256	0.12 163

ICVP	0.24 148	0.13 73	0.45 56	0.26 230	0.14 108	0.30 191	0.25 254	0.47 196	0.35 136	0.29 114	0.43 222	0.35 212	0.25 176	0.28 98	0.25 179	0.12 257	0.09 168	0.09 119	0.09 165	0.09 131	0.11 128
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ARAFT	0.26 191	0.30 293	0.87 305	0.22 86	0.12 48	0.30 191	0.24 241	0.46 187	0.34 129	0.33 184	0.28 79	0.29 156	0.20 126	0.49 210	0.19 99	0.08 87	0.06 34	0.12 258	0.11 233	0.09 131	0.09 58

RAFT + AFF	0.30 240	0.33 307	0.76 273	0.25 198	0.17 212	0.30 191	0.33 312	0.55 263	0.42 206	0.28 91	0.30 96	0.31 175	0.31 249	0.64 277	0.32 231	0.09 143	0.11 213	0.11 228	0.10 209	0.12 244	0.16 227

aanetorigin	0.40 305	0.33 307	1.14 347	0.25 198	0.19 255	0.30 191	0.37 325	0.34 72	0.47 256	0.95 375	0.82 357	0.52 308	0.56 344	0.50 214	0.52 305	0.11 229	0.09 168	0.10 182	0.10 209	0.16 292	0.19 255

DMCA-RVC	0.30 240	0.27 277	0.93 321	0.28 286	0.17 212	0.30 191	0.21 174	0.43 156	0.36 149	0.40 267	0.38 171	0.39 237	0.36 277	0.44 197	0.34 243	0.13 274	0.10 193	0.16 319	0.12 270	0.13 256	0.11 128

FADNet_RVC	0.31 250	0.35 318	0.98 328	0.24 166	0.16 187	0.30 191	0.17 54	0.52 235	0.39 181	0.30 135	0.38 171	0.30 166	0.29 229	0.54 232	0.33 239	0.14 295	0.14 252	0.14 299	0.16 326	0.21 336	0.24 303

STTStereo	0.30 240	0.24 248	0.83 293	0.25 198	0.17 212	0.30 191	0.24 241	0.49 212	0.39 181	0.39 258	0.41 203	0.44 269	0.28 213	0.41 189	0.30 216	0.13 274	0.13 243	0.13 281	0.16 326	0.12 244	0.12 163

NLCA_NET_v2_RVC	0.29 228	0.24 248	0.81 288	0.26 230	0.18 232	0.30 191	0.22 196	0.52 235	0.41 194	0.38 247	0.42 210	0.42 257	0.28 213	0.46 204	0.31 225	0.11 229	0.08 139	0.10 182	0.11 233	0.10 178	0.12 163
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.33 262	0.31 296	0.69 251	0.23 129	0.14 108	0.30 191	0.23 219	0.49 212	0.55 309	0.39 258	0.60 317	0.43 263	0.30 236	0.88 344	0.54 313	0.11 229	0.08 139	0.07 13	0.07 44	0.10 178	0.12 163

DeepPruner_ROB	0.28 214	0.25 261	0.64 236	0.22 86	0.16 187	0.30 191	0.21 174	0.54 252	0.33 121	0.36 224	0.38 171	0.38 227	0.26 188	0.45 203	0.28 201	0.15 307	0.11 213	0.11 228	0.11 233	0.14 276	0.14 206

iResNetv2_ROB	0.29 228	0.37 327	0.92 317	0.24 166	0.13 80	0.30 191	0.19 124	0.55 263	0.51 286	0.39 258	0.46 256	0.39 237	0.27 194	0.36 172	0.30 216	0.09 143	0.06 34	0.07 13	0.05 8	0.13 256	0.11 128

MLCV	0.25 172	0.23 238	0.59 211	0.22 86	0.09 5	0.30 191	0.18 92	0.40 132	0.38 170	0.38 247	0.44 231	0.31 175	0.22 138	0.44 197	0.32 231	0.07 13	0.05 3	0.07 13	0.06 22	0.07 30	0.08 37

MyStereo8	0.25 172	0.20 204	0.69 251	0.24 166	0.17 212	0.31 209	0.16 40	0.50 220	0.32 107	0.29 114	0.38 171	0.25 112	0.19 120	0.33 147	0.29 214	0.08 87	0.20 319	0.08 59	0.08 104	0.10 178	0.16 227

ACVNet-DCA	0.21 80	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.43 156	0.32 107	0.21 31	0.20 30	0.13 11	0.17 77	0.28 98	0.12 1	0.08 87	0.28 359	0.08 59	0.06 22	0.09 131	0.23 291

xx1	0.23 122	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.39 123	0.48 262	0.21 31	0.20 30	0.28 144	0.25 176	0.28 98	0.12 1	0.08 87	0.28 359	0.10 182	0.11 233	0.09 131	0.23 291

1test111	0.22 93	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.43 156	0.32 107	0.21 31	0.20 30	0.13 11	0.17 77	0.36 172	0.28 201	0.08 87	0.28 359	0.08 59	0.06 22	0.09 131	0.23 291

cc1	0.22 93	0.16 144	0.50 120	0.27 262	0.13 80	0.31 209	0.19 124	0.39 123	0.48 262	0.21 31	0.20 30	0.13 11	0.17 77	0.28 98	0.12 1	0.08 87	0.28 359	0.08 59	0.06 22	0.08 64	0.37 358

tt1	0.22 93	0.16 144	0.49 102	0.26 230	0.15 158	0.31 209	0.19 124	0.38 107	0.46 243	0.21 31	0.19 25	0.13 11	0.16 62	0.28 98	0.12 1	0.08 87	0.28 359	0.08 59	0.06 22	0.08 64	0.37 358

ToySt	0.28 214	0.19 192	0.68 250	0.22 86	0.19 255	0.31 209	0.31 302	0.43 156	0.43 216	0.28 91	0.38 171	0.42 257	0.32 260	0.33 147	0.32 231	0.08 87	0.14 252	0.10 182	0.12 270	0.11 219	0.24 303

anonymousa	0.26 191	0.13 73	0.56 184	0.29 299	0.30 350	0.31 209	0.20 155	0.38 107	0.36 149	0.33 184	0.51 279	0.41 247	0.27 194	0.25 54	0.24 167	0.08 87	0.18 307	0.09 119	0.18 341	0.08 64	0.17 239

IER	0.24 148	0.15 123	0.50 120	0.21 54	0.15 158	0.31 209	0.20 155	0.44 174	0.38 170	0.34 198	0.41 203	0.32 185	0.34 265	0.31 133	0.23 162	0.09 143	0.07 92	0.08 59	0.08 104	0.09 131	0.09 58

DEmStereo	0.26 191	0.10 11	0.52 148	0.19 13	0.13 80	0.31 209	0.25 254	0.29 28	0.38 170	0.36 224	0.57 306	0.24 101	0.48 326	0.53 227	0.44 283	0.07 13	0.06 34	0.08 59	0.08 104	0.07 30	0.08 37

CFNet-ft	0.26 191	0.21 211	0.51 132	0.19 13	0.16 187	0.31 209	0.21 174	0.40 132	0.37 162	0.29 114	0.40 192	0.46 280	0.27 194	0.49 210	0.28 201	0.12 257	0.07 92	0.12 258	0.11 233	0.12 244	0.11 128

CFNet_RVC	0.26 191	0.21 211	0.51 132	0.19 13	0.16 187	0.31 209	0.21 174	0.40 132	0.37 162	0.29 114	0.40 192	0.46 280	0.27 194	0.49 210	0.28 201	0.12 257	0.07 92	0.12 258	0.11 233	0.12 244	0.11 128

iResNet	0.25 172	0.22 225	0.62 227	0.26 230	0.11 25	0.31 209	0.23 219	0.46 187	0.45 234	0.34 198	0.43 222	0.27 132	0.23 147	0.36 172	0.37 258	0.08 87	0.05 3	0.07 13	0.06 22	0.08 64	0.10 99

iRaft-Stereo_20w	0.29 228	0.11 27	0.86 303	0.33 331	0.24 320	0.32 222	0.26 264	0.60 311	0.26 48	0.41 277	0.21 42	0.28 144	0.19 120	0.32 138	0.24 167	0.07 13	0.31 375	0.07 13	0.09 165	0.08 64	0.47 375

dad	0.30 240	0.38 333	0.60 218	0.22 86	0.14 108	0.32 222	0.21 174	0.35 81	0.51 286	0.45 304	0.45 244	0.46 280	0.23 147	0.41 189	0.27 195	0.21 349	0.11 213	0.20 345	0.11 233	0.15 283	0.11 128

PSMNet-ADL	0.26 191	0.16 144	0.39 27	0.27 262	0.14 108	0.32 222	0.22 196	0.45 181	0.37 162	0.28 91	0.34 138	0.41 247	0.28 213	0.61 261	0.32 231	0.11 229	0.10 193	0.09 119	0.11 233	0.10 178	0.13 183

pcwnet_v2	0.32 255	0.16 144	1.22 361	0.23 129	0.19 255	0.32 222	0.19 124	0.61 318	0.61 328	0.37 239	0.45 244	0.35 212	0.29 229	0.37 180	0.26 188	0.14 295	0.11 213	0.12 258	0.11 233	0.14 276	0.18 241

psm_up	0.30 240	0.21 211	0.58 204	0.26 230	0.18 232	0.32 222	0.27 269	0.57 282	0.45 234	0.38 247	0.41 203	0.45 274	0.40 297	0.59 250	0.32 231	0.11 229	0.12 229	0.13 281	0.12 270	0.11 219	0.11 128

iResNet_ROB	0.27 207	0.27 277	0.48 85	0.21 54	0.12 48	0.32 222	0.17 54	0.57 282	0.55 309	0.39 258	0.44 231	0.37 221	0.28 213	0.43 194	0.28 201	0.08 87	0.06 34	0.06 1	0.05 8	0.09 131	0.11 128

1111x	0.39 295	0.17 167	0.80 287	0.23 129	0.15 158	0.33 228	0.27 269	0.62 326	0.48 262	0.32 175	0.43 222	0.40 240	0.29 229	0.86 341	1.60 391	0.09 143	0.23 337	0.09 119	0.12 270	0.10 178	0.23 291

riskmin	0.24 148	0.10 11	0.43 46	0.32 320	0.26 333	0.33 228	0.19 124	0.44 174	0.30 92	0.24 60	0.27 75	0.37 221	0.25 176	0.30 124	0.22 147	0.09 143	0.18 307	0.09 119	0.13 294	0.10 178	0.27 324

HBP-ISP	0.34 270	0.35 318	0.76 273	0.23 129	0.17 212	0.33 228	0.22 196	0.56 273	0.47 256	0.42 281	0.49 274	0.33 191	0.41 302	0.73 304	0.27 195	0.18 337	0.19 311	0.24 356	0.20 347	0.16 292	0.16 227

GEStereo_RVC	0.29 228	0.24 248	0.60 218	0.27 262	0.16 187	0.33 228	0.25 254	0.58 294	0.56 313	0.35 213	0.38 171	0.34 198	0.25 176	0.51 219	0.29 214	0.12 257	0.08 139	0.09 119	0.08 104	0.11 219	0.13 183

s12784h	0.18 21	0.09 3	0.38 25	0.18 8	0.07 1	0.33 228	0.19 124	0.39 123	0.34 129	0.24 60	0.25 59	0.18 47	0.18 103	0.25 54	0.17 59	0.07 13	0.05 3	0.07 13	0.05 8	0.06 2	0.05 1

EAI-Stereo	0.29 228	0.11 27	0.38 25	0.22 86	0.18 232	0.33 228	1.66 408	0.53 245	0.27 57	0.27 85	0.50 276	0.17 39	0.16 62	0.25 54	0.25 179	0.07 13	0.07 92	0.07 13	0.11 233	0.07 30	0.10 99

HGLStereo	0.29 228	0.19 192	0.60 218	0.24 166	0.21 285	0.33 228	0.23 219	0.52 235	0.44 223	0.36 224	0.49 274	0.41 247	0.35 272	0.46 204	0.34 243	0.11 229	0.11 213	0.09 119	0.09 165	0.11 219	0.12 163

FADNet-RVC-Resample	0.31 250	0.32 303	1.16 350	0.27 262	0.17 212	0.33 228	0.21 174	0.49 212	0.40 189	0.36 224	0.38 171	0.34 198	0.27 194	0.54 232	0.27 195	0.10 198	0.10 193	0.14 299	0.13 294	0.13 256	0.18 241

FADNet-RVC	0.34 270	0.43 346	0.97 326	0.25 198	0.20 272	0.33 228	0.20 155	0.51 230	0.42 206	0.34 198	0.40 192	0.41 247	0.29 229	0.65 281	0.36 252	0.14 295	0.14 252	0.14 299	0.15 317	0.19 323	0.20 267

RASNet	0.30 240	0.19 192	0.59 211	0.23 129	0.19 255	0.33 228	0.20 155	0.50 220	0.41 194	0.31 150	0.44 231	0.47 287	0.38 287	0.79 326	0.40 266	0.09 143	0.07 92	0.07 13	0.09 165	0.08 64	0.10 99

TDLM	0.32 255	0.27 277	0.52 148	0.30 305	0.15 158	0.33 228	0.32 307	0.54 252	0.50 280	0.44 297	0.43 222	0.39 237	0.30 236	0.92 356	0.30 216	0.14 295	0.09 168	0.13 281	0.12 270	0.13 256	0.14 206

AdaStereo	0.25 172	0.17 167	0.47 73	0.25 198	0.13 80	0.33 228	0.17 54	0.57 282	0.43 216	0.34 198	0.38 171	0.35 212	0.21 133	0.32 138	0.24 167	0.14 295	0.06 34	0.13 281	0.09 165	0.11 219	0.09 58
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.
PS-NSSS	0.33 262	0.36 324	0.61 224	0.24 166	0.18 232	0.33 228	0.24 241	0.59 302	0.42 206	0.38 247	0.52 285	0.36 217	0.31 249	0.80 329	0.32 231	0.18 337	0.14 252	0.21 347	0.15 317	0.17 304	0.14 206

HSM	0.29 228	0.18 184	0.48 85	0.21 54	0.15 158	0.33 228	0.20 155	0.55 263	0.39 181	0.36 224	0.39 185	0.67 354	0.32 260	0.88 344	0.24 167	0.09 143	0.07 92	0.08 59	0.07 44	0.09 131	0.10 99

gwcnet-sp	0.25 172	0.16 144	0.70 254	0.23 129	0.14 108	0.34 242	0.22 196	0.46 187	0.41 194	0.37 239	0.35 144	0.27 132	0.27 194	0.36 172	0.26 188	0.09 143	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

scenet	0.25 172	0.16 144	0.70 254	0.23 129	0.14 108	0.34 242	0.22 196	0.46 187	0.41 194	0.37 239	0.35 144	0.27 132	0.27 194	0.36 172	0.26 188	0.09 143	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

ssnet	0.25 172	0.16 144	0.70 254	0.23 129	0.14 108	0.34 242	0.22 196	0.46 187	0.41 194	0.37 239	0.35 144	0.27 132	0.27 194	0.36 172	0.26 188	0.09 143	0.08 139	0.09 119	0.09 165	0.10 178	0.10 99

AASNet	0.29 228	0.27 277	0.67 245	0.26 230	0.18 232	0.34 242	0.21 174	0.64 335	0.49 275	0.36 224	0.41 203	0.32 185	0.26 188	0.33 147	0.39 264	0.12 257	0.09 168	0.10 182	0.08 104	0.14 276	0.12 163

ADLNet	0.30 240	0.19 192	0.59 211	0.23 129	0.19 255	0.34 242	0.23 219	0.56 273	0.44 223	0.43 290	0.41 203	0.43 263	0.28 213	0.56 240	0.36 252	0.11 229	0.08 139	0.11 228	0.11 233	0.11 219	0.15 217

test_xeample	0.39 295	0.14 107	0.46 68	0.19 13	0.16 187	0.34 242	0.22 196	0.59 302	0.43 216	0.33 184	0.47 263	0.30 166	0.27 194	0.60 255	2.44 405	0.10 198	0.21 324	0.09 119	0.09 165	0.09 131	0.25 312

SFCPSM	0.23 122	0.12 57	0.51 132	0.21 54	0.14 108	0.34 242	0.22 196	0.57 282	0.41 194	0.29 114	0.32 115	0.23 86	0.22 138	0.28 98	0.20 115	0.10 198	0.07 92	0.09 119	0.10 209	0.09 131	0.09 58

acv_ft	0.26 191	0.18 184	0.56 184	0.24 166	0.19 255	0.34 242	0.21 174	0.47 196	0.45 234	0.39 258	0.41 203	0.38 227	0.28 213	0.28 98	0.36 252	0.09 143	0.07 92	0.08 59	0.07 44	0.11 219	0.09 58

FAT-Stereo	0.36 278	0.19 192	0.75 269	0.26 230	0.18 232	0.34 242	0.30 293	0.62 326	0.61 328	0.47 315	0.61 326	0.59 326	0.50 331	0.61 261	0.36 252	0.13 274	0.14 252	0.13 281	0.12 270	0.14 276	0.20 267

CFNet	0.29 228	0.29 287	0.57 191	0.23 129	0.14 108	0.34 242	0.15 25	0.53 245	0.46 243	0.31 150	0.40 192	0.38 227	0.27 194	0.76 319	0.28 201	0.10 198	0.07 92	0.11 228	0.11 233	0.11 219	0.09 58

CVANet_RVC	0.34 270	0.25 261	0.77 279	0.27 262	0.17 212	0.34 242	0.28 283	0.55 263	0.50 280	0.43 290	0.46 256	0.44 269	0.31 249	0.90 349	0.27 195	0.15 307	0.10 193	0.14 299	0.14 308	0.15 283	0.15 217

UCFNet_RVC	0.25 172	0.21 211	0.49 102	0.19 13	0.15 158	0.34 242	0.18 92	0.47 196	0.36 149	0.30 135	0.35 144	0.40 240	0.26 188	0.35 168	0.24 167	0.13 274	0.08 139	0.13 281	0.14 308	0.13 256	0.13 183

NOSS_ROB	0.33 262	0.24 248	0.49 102	0.27 262	0.16 187	0.34 242	0.19 124	0.55 263	0.50 280	0.34 198	0.37 165	0.42 257	0.30 236	0.93 357	0.25 179	0.19 346	0.20 319	0.24 356	0.22 356	0.17 304	0.25 312

GASNet	0.39 295	0.58 371	1.27 363	0.35 340	0.23 309	0.35 255	0.23 219	0.63 330	0.56 313	0.41 277	0.38 171	0.45 274	0.30 236	0.81 332	0.42 273	0.16 315	0.11 213	0.14 299	0.14 308	0.23 345	0.12 163

BSDual-CNN	0.24 148	0.13 73	0.36 19	0.25 198	0.14 108	0.35 255	0.22 196	0.59 302	0.36 149	0.34 198	0.35 144	0.38 227	0.25 176	0.27 80	0.28 201	0.10 198	0.07 92	0.11 228	0.10 209	0.09 131	0.10 99

hknet	0.26 191	0.15 123	0.49 102	0.25 198	0.16 187	0.35 255	0.22 196	0.59 302	0.40 189	0.34 198	0.35 144	0.43 263	0.28 213	0.38 182	0.26 188	0.09 143	0.07 92	0.11 228	0.10 209	0.09 131	0.10 99

psmg	0.24 148	0.13 73	0.36 19	0.21 54	0.14 108	0.35 255	0.23 219	0.54 252	0.36 149	0.36 224	0.38 171	0.38 227	0.25 176	0.27 80	0.28 201	0.10 198	0.08 139	0.10 182	0.10 209	0.09 131	0.09 58

SACVNet	0.32 255	0.25 261	0.59 211	0.26 230	0.19 255	0.35 255	0.25 254	0.54 252	0.41 194	0.43 290	0.45 244	0.46 280	0.34 265	0.71 300	0.30 216	0.14 295	0.10 193	0.12 258	0.12 270	0.16 292	0.20 267

HSM-Net_RVC	0.28 214	0.12 57	0.48 85	0.19 13	0.11 25	0.35 255	0.21 174	0.64 335	0.44 223	0.40 267	0.43 222	0.50 300	0.27 194	0.75 313	0.25 179	0.08 87	0.07 92	0.08 59	0.07 44	0.08 64	0.09 58
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
Anonymous Stereo	0.42 314	0.43 346	1.38 369	0.32 320	0.26 333	0.35 255	0.48 356	0.55 263	0.58 317	0.43 290	0.48 272	0.40 240	0.29 229	0.93 357	0.56 317	0.16 315	0.16 282	0.15 313	0.16 326	0.16 292	0.20 267

CBMV_ROB	0.36 278	0.21 211	0.57 191	0.22 86	0.14 108	0.35 255	0.20 155	0.55 263	0.47 256	0.52 330	0.58 309	0.45 274	0.53 340	0.75 313	0.50 301	0.18 337	0.19 311	0.23 354	0.21 349	0.15 283	0.20 267

ADLNet2	0.31 250	0.23 238	0.77 279	0.23 129	0.18 232	0.36 263	0.24 241	0.55 263	0.54 302	0.33 184	0.38 171	0.45 274	0.31 249	0.70 297	0.36 252	0.10 198	0.08 139	0.09 119	0.09 165	0.12 244	0.11 128

222	0.45 324	0.14 107	0.43 46	0.19 13	0.15 158	0.36 263	0.20 155	0.60 311	0.43 216	0.37 239	0.45 244	0.30 166	0.28 213	0.59 250	3.72 410	0.11 229	0.19 311	0.08 59	0.09 165	0.09 131	0.27 324

ac_64	0.28 214	0.16 144	0.62 227	0.25 198	0.17 212	0.36 263	0.22 196	0.48 205	0.35 136	0.36 224	0.37 165	0.51 303	0.30 236	0.62 269	0.34 243	0.11 229	0.09 168	0.10 182	0.10 209	0.09 131	0.09 58

DeepPrunerF	0.46 330	0.37 327	1.50 377	0.34 335	0.30 350	0.36 263	0.37 325	0.64 335	1.15 389	0.41 277	0.45 244	0.40 240	0.41 302	0.82 333	0.53 309	0.18 337	0.14 252	0.23 354	0.21 349	0.17 304	0.18 241

StereoDRNet-Refined	0.28 214	0.19 192	0.47 73	0.25 198	0.14 108	0.36 263	0.21 174	0.49 212	0.43 216	0.46 309	0.52 285	0.42 257	0.30 236	0.46 204	0.38 260	0.10 198	0.07 92	0.11 228	0.11 233	0.10 178	0.11 128
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
LMCR-Stereo	0.28 214	0.22 225	0.56 184	0.29 299	0.14 108	0.37 268	0.23 219	0.57 282	0.36 149	0.40 267	0.40 192	0.29 156	0.30 236	0.41 189	0.38 260	0.11 229	0.07 92	0.09 119	0.07 44	0.13 256	0.10 99

UPFNet	0.27 207	0.15 123	0.47 73	0.25 198	0.20 272	0.37 268	0.27 269	0.50 220	0.40 189	0.36 224	0.38 171	0.37 221	0.29 229	0.40 186	0.34 243	0.10 198	0.10 193	0.10 182	0.10 209	0.10 178	0.08 37

FADNet	0.34 270	0.43 346	0.88 311	0.24 166	0.22 300	0.37 268	0.19 124	0.56 273	0.49 275	0.32 175	0.36 157	0.43 263	0.32 260	0.65 281	0.30 216	0.17 327	0.16 282	0.14 299	0.16 326	0.25 350	0.21 276

RP	0.38 290	0.26 271	0.67 245	0.31 315	0.24 320	0.37 268	0.29 287	0.53 245	0.61 328	0.42 281	0.65 332	0.62 336	0.51 333	0.63 272	0.43 276	0.17 327	0.15 273	0.17 328	0.15 317	0.17 304	0.19 255

DLCB_ROB	0.30 240	0.20 204	0.45 56	0.28 286	0.17 212	0.37 268	0.25 254	0.50 220	0.45 234	0.46 309	0.47 263	0.51 303	0.34 265	0.56 240	0.38 260	0.10 198	0.10 193	0.11 228	0.11 233	0.10 178	0.11 128

XPNet_ROB	0.35 276	0.26 271	0.58 204	0.28 286	0.19 255	0.37 268	0.31 302	0.57 282	0.51 286	0.52 330	0.54 295	0.57 320	0.38 287	0.65 281	0.48 294	0.17 327	0.12 229	0.13 281	0.12 270	0.16 292	0.17 239

CBFPSM	0.28 214	0.23 238	0.76 273	0.21 54	0.14 108	0.38 274	0.26 264	0.42 151	0.37 162	0.34 198	0.36 157	0.55 315	0.38 287	0.33 147	0.40 266	0.08 87	0.08 139	0.07 13	0.08 104	0.09 131	0.12 163

xxxx	0.39 295	0.14 107	0.47 73	0.20 34	0.16 187	0.38 274	0.20 155	0.61 318	0.43 216	0.30 135	0.44 231	0.38 227	0.25 176	0.50 214	2.41 404	0.11 229	0.21 324	0.09 119	0.10 209	0.10 178	0.26 321

edge stereo	0.40 305	0.22 225	0.87 305	0.27 262	0.22 300	0.38 274	0.26 264	0.59 302	0.56 313	0.53 336	0.60 317	0.71 362	0.50 331	0.78 323	0.43 276	0.16 315	0.15 273	0.19 341	0.14 308	0.17 304	0.19 255

psmorigin	0.52 343	0.29 287	3.10 405	0.24 166	0.19 255	0.39 277	0.24 241	0.52 235	0.45 234	0.66 355	0.68 338	0.70 361	0.52 335	0.86 341	0.49 300	0.15 307	0.17 300	0.13 281	0.14 308	0.16 292	0.23 291

EDNetEfficient	0.64 366	0.39 337	2.52 397	0.26 230	0.26 333	0.39 277	0.49 360	0.42 151	1.06 381	1.38 392	0.86 361	0.61 333	0.97 381	0.66 287	1.62 392	0.11 229	0.10 193	0.10 182	0.12 270	0.20 330	0.19 255

DSFCA	0.29 228	0.18 184	0.48 85	0.21 54	0.17 212	0.39 277	0.32 307	0.49 212	0.44 223	0.44 297	0.38 171	0.40 240	0.30 236	0.53 227	0.38 260	0.12 257	0.10 193	0.10 182	0.11 233	0.11 219	0.11 128

S-Stereo	0.39 295	0.20 204	1.04 333	0.28 286	0.22 300	0.39 277	0.31 302	0.58 294	0.69 347	0.40 267	0.59 313	0.48 290	0.41 302	0.75 313	0.42 273	0.12 257	0.15 273	0.13 281	0.13 294	0.16 292	0.25 312

PA-Net	0.40 305	0.35 318	1.05 334	0.32 320	0.28 339	0.39 277	0.43 346	0.53 245	0.56 313	0.35 213	0.43 222	0.41 247	0.36 277	0.83 337	0.61 327	0.12 257	0.23 337	0.16 319	0.23 360	0.13 256	0.20 267
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
PWC_ROB	0.41 310	0.38 333	0.92 317	0.26 230	0.20 272	0.39 277	0.19 124	0.61 318	0.69 347	0.58 347	0.84 359	0.52 308	0.44 311	0.74 308	0.62 328	0.13 274	0.09 168	0.14 299	0.10 209	0.17 304	0.18 241

ssnet_v2	0.30 240	0.21 211	0.63 232	0.23 129	0.15 158	0.40 283	0.30 293	0.59 302	0.48 262	0.40 267	0.37 165	0.46 280	0.30 236	0.41 189	0.44 283	0.13 274	0.11 213	0.11 228	0.11 233	0.12 244	0.11 128

hitnet-ft	0.31 250	0.21 211	0.56 184	0.19 13	0.14 108	0.40 283	0.23 219	0.46 187	0.42 206	0.37 239	0.46 256	0.53 312	0.35 272	0.76 319	0.35 249	0.14 295	0.10 193	0.14 299	0.10 209	0.15 283	0.14 206

ETE_ROB	0.36 278	0.32 303	0.64 236	0.30 305	0.18 232	0.40 283	0.38 333	0.59 302	0.49 275	0.50 324	0.52 285	0.62 336	0.37 282	0.58 244	0.43 276	0.13 274	0.10 193	0.14 299	0.12 270	0.17 304	0.18 241

pmcnn	0.54 346	0.24 248	1.06 336	0.25 198	0.26 333	0.40 283	0.31 302	0.55 263	0.55 309	0.56 343	1.22 380	2.53 403	0.39 294	0.84 338	1.08 366	0.09 143	0.06 34	0.06 1	0.05 8	0.10 178	0.14 206

Anonymous3	0.24 148	0.19 192	0.76 273	0.27 262	0.18 232	0.41 287	0.24 241	0.45 181	0.36 149	0.23 54	0.27 75	0.20 60	0.18 103	0.28 98	0.19 99	0.12 257	0.11 213	0.10 182	0.10 209	0.11 219	0.13 183

Syn2CoEx	0.39 295	0.39 337	1.08 341	0.35 340	0.21 285	0.41 287	0.29 287	0.63 330	0.51 286	0.43 290	0.56 304	0.45 274	0.45 313	0.69 294	0.39 264	0.17 327	0.14 252	0.16 319	0.12 270	0.13 256	0.16 227

delet	0.29 228	0.18 184	0.58 204	0.24 166	0.19 255	0.41 287	0.30 293	0.52 235	0.51 286	0.35 213	0.42 210	0.37 221	0.31 249	0.49 210	0.36 252	0.10 198	0.09 168	0.11 228	0.12 270	0.09 131	0.09 58

SuperB	0.50 338	0.37 327	2.16 395	0.23 129	0.15 158	0.41 287	0.32 307	0.50 220	0.83 364	0.44 297	0.51 279	0.33 191	0.45 313	0.69 294	1.07 364	0.10 198	0.08 139	0.09 119	0.08 104	0.95 400	0.18 241

RGC	0.41 310	0.35 318	0.76 273	0.35 340	0.28 339	0.41 287	0.29 287	0.60 311	0.55 309	0.47 315	0.64 330	0.63 340	0.47 322	0.74 308	0.46 289	0.16 315	0.15 273	0.21 347	0.21 349	0.19 323	0.21 276

DANet	0.37 285	0.25 261	0.67 245	0.37 345	0.22 300	0.42 292	0.25 254	0.50 220	0.44 223	0.52 330	0.50 276	0.59 326	0.42 306	0.78 323	0.53 309	0.13 274	0.12 229	0.14 299	0.12 270	0.17 304	0.21 276
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
PASM	0.49 337	0.41 342	1.15 348	0.37 345	0.35 359	0.42 292	0.42 344	0.54 252	0.65 337	0.54 339	0.54 295	0.63 340	0.48 326	0.94 360	0.51 304	0.27 363	0.30 371	0.30 364	0.33 373	0.29 363	0.29 334

NCCL2	0.37 285	0.33 307	0.59 211	0.37 345	0.23 309	0.42 292	0.41 343	0.56 273	0.44 223	0.47 315	0.47 263	0.61 333	0.39 294	0.58 244	0.41 270	0.16 315	0.13 243	0.21 347	0.22 356	0.16 292	0.18 241

CBMV	0.36 278	0.25 261	0.61 224	0.24 166	0.14 108	0.42 292	0.33 312	0.56 273	0.52 297	0.54 339	0.52 285	0.51 303	0.58 347	0.63 272	0.43 276	0.15 307	0.16 282	0.18 335	0.16 326	0.13 256	0.19 255
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
AF-Net	0.40 305	0.31 296	0.74 266	0.33 331	0.24 320	0.43 296	0.30 293	0.64 335	0.67 341	0.44 297	0.69 341	0.65 347	0.52 335	0.59 250	0.48 294	0.16 315	0.12 229	0.19 341	0.14 308	0.16 292	0.14 206

GANet	0.40 305	0.28 284	0.67 245	0.31 315	0.18 232	0.43 296	0.39 336	0.60 311	0.46 243	0.48 320	0.78 352	0.55 315	0.45 313	0.96 361	0.55 316	0.13 274	0.14 252	0.13 281	0.12 270	0.15 283	0.16 227

NVstereo2D	0.32 255	0.18 184	0.63 232	0.24 166	0.23 309	0.43 296	0.28 283	0.60 311	0.58 317	0.28 91	0.39 185	0.42 257	0.30 236	0.71 300	0.30 216	0.13 274	0.09 168	0.13 281	0.10 209	0.20 330	0.18 241

StereoDRNet	0.34 270	0.28 284	0.70 254	0.28 286	0.21 285	0.43 296	0.30 293	0.63 330	0.51 286	0.47 315	0.40 192	0.48 290	0.31 249	0.58 244	0.44 283	0.12 257	0.10 193	0.12 258	0.11 233	0.13 256	0.13 183

PWCDC_ROB	0.41 310	0.41 342	0.77 279	0.34 335	0.21 285	0.43 296	0.20 155	0.60 311	0.90 370	0.44 297	1.24 381	0.36 217	0.38 287	0.56 240	0.48 294	0.18 337	0.11 213	0.11 228	0.10 209	0.20 330	0.16 227

iinet-f	0.31 250	0.23 238	1.16 350	0.20 34	0.16 187	0.44 301	0.23 219	0.47 196	0.38 170	0.36 224	0.44 231	0.41 247	0.35 272	0.36 172	0.43 276	0.10 198	0.09 168	0.08 59	0.08 104	0.13 256	0.12 163

Wz-Net-SNSev	0.45 324	0.53 361	1.42 373	0.31 315	0.21 285	0.44 301	0.45 349	0.64 335	0.68 345	0.46 309	0.66 334	0.62 336	0.40 297	0.78 323	0.65 332	0.12 257	0.11 213	0.12 258	0.13 294	0.17 304	0.19 255

BUS	0.24 148	0.13 73	0.36 19	0.25 198	0.14 108	0.44 301	0.17 54	0.59 302	0.36 149	0.34 198	0.35 144	0.31 175	0.22 138	0.27 80	0.22 147	0.10 198	0.07 92	0.11 228	0.10 209	0.09 131	0.10 99

NINENet	0.27 207	0.16 144	0.49 102	0.23 129	0.16 187	0.44 301	0.17 54	0.63 330	0.49 275	0.33 184	0.38 171	0.31 175	0.22 138	0.43 194	0.22 147	0.11 229	0.10 193	0.12 258	0.08 104	0.12 244	0.11 128

CSP-Net	0.28 214	0.17 167	0.41 33	0.22 86	0.14 108	0.44 301	0.24 241	0.52 235	0.42 206	0.42 281	0.44 231	0.42 257	0.27 194	0.66 287	0.30 216	0.12 257	0.09 168	0.08 59	0.08 104	0.10 178	0.10 99

UNet	0.28 214	0.16 144	0.70 254	0.24 166	0.20 272	0.44 301	0.21 174	0.52 235	0.42 206	0.36 224	0.40 192	0.43 263	0.33 264	0.41 189	0.32 231	0.09 143	0.07 92	0.10 182	0.09 165	0.10 178	0.09 58

EDNetEfficientorigin	7.48 414	0.57 369	139.59 436	0.25 198	0.17 212	0.44 301	0.30 293	0.48 205	1.04 379	1.29 389	1.02 371	0.82 367	0.87 376	0.76 319	1.02 360	0.10 198	0.09 168	0.12 258	0.11 233	0.22 340	0.25 312

PSMNet_ROB	0.36 278	0.31 296	0.71 260	0.31 315	0.21 285	0.44 301	0.44 348	0.61 318	0.49 275	0.39 258	0.45 244	0.49 296	0.32 260	0.66 287	0.53 309	0.14 295	0.10 193	0.15 313	0.14 308	0.13 256	0.13 183

Nwc_Net	0.39 295	0.29 287	0.84 296	0.32 320	0.24 320	0.45 309	0.30 293	0.67 347	0.51 286	0.39 258	0.70 342	0.59 326	0.48 326	0.61 261	0.45 288	0.16 315	0.12 229	0.19 341	0.21 349	0.14 276	0.15 217

SGM-Forest	0.42 314	0.44 350	0.92 317	0.24 166	0.16 187	0.45 309	0.40 340	0.58 294	0.50 280	0.54 339	0.63 329	0.52 308	0.51 333	0.91 351	0.66 334	0.17 327	0.17 300	0.17 328	0.15 317	0.15 283	0.21 276
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-LNSev-Ref	0.33 262	0.25 261	0.82 291	0.22 86	0.17 212	0.46 311	0.28 283	0.53 245	0.53 298	0.43 290	0.57 306	0.44 269	0.31 249	0.50 214	0.48 294	0.10 198	0.06 34	0.08 59	0.06 22	0.11 219	0.12 163

CRFU-Net	0.29 228	0.14 107	0.48 85	0.26 230	0.15 158	0.46 311	0.22 196	0.52 235	0.32 107	0.44 297	0.42 210	0.48 290	0.47 322	0.44 197	0.31 225	0.12 257	0.10 193	0.09 119	0.08 104	0.10 178	0.11 128

DDUNet	0.45 324	0.60 374	0.71 260	0.45 369	0.39 368	0.46 311	0.32 307	0.53 245	0.44 223	0.46 309	0.53 292	0.57 320	0.38 287	0.51 219	0.43 276	0.34 372	0.21 324	0.56 383	0.25 362	0.41 373	0.36 350

SHD	0.45 324	0.34 314	0.89 313	0.37 345	0.28 339	0.46 311	0.23 219	0.72 363	0.96 377	0.65 353	0.61 326	0.61 333	0.48 326	0.64 277	0.69 337	0.16 315	0.16 282	0.16 319	0.16 326	0.21 336	0.25 312

DRN-Test	0.35 276	0.20 204	0.75 269	0.28 286	0.19 255	0.46 311	0.29 287	0.68 352	0.54 302	0.49 321	0.47 263	0.44 269	0.35 272	0.63 272	0.44 283	0.13 274	0.09 168	0.13 281	0.12 270	0.13 256	0.13 183

LALA_ROB	0.38 290	0.31 296	0.65 239	0.30 305	0.21 285	0.46 311	0.39 336	0.63 330	0.54 302	0.53 336	0.52 285	0.69 358	0.36 277	0.52 225	0.48 294	0.18 337	0.11 213	0.16 319	0.14 308	0.17 304	0.16 227

SQANet	0.44 321	0.57 369	0.89 313	0.49 373	0.39 368	0.47 317	0.23 219	0.53 245	0.44 223	0.41 277	0.48 272	0.47 287	0.34 265	0.58 244	0.43 276	0.38 377	0.15 273	0.40 375	0.21 349	0.50 376	0.34 347

Wz-Net-LNSev	0.36 278	0.35 318	1.06 336	0.26 230	0.21 285	0.47 317	0.33 312	0.56 273	0.58 317	0.45 304	0.54 295	0.50 300	0.37 282	0.40 186	0.42 273	0.12 257	0.11 213	0.10 182	0.09 165	0.14 276	0.15 217

UDG	0.42 314	0.54 362	0.67 245	0.41 363	0.35 359	0.47 317	0.27 269	0.57 282	0.48 262	0.40 267	0.46 256	0.59 326	0.45 313	0.47 207	0.46 289	0.26 359	0.19 311	0.49 379	0.22 356	0.37 371	0.30 336

MMNet	0.28 214	0.19 192	0.54 168	0.24 166	0.17 212	0.47 317	0.22 196	0.47 196	0.53 298	0.40 267	0.43 222	0.36 217	0.34 265	0.40 186	0.35 249	0.08 87	0.08 139	0.09 119	0.09 165	0.10 178	0.09 58

NCC-stereo	0.42 314	0.31 296	0.87 305	0.32 320	0.29 348	0.47 317	0.37 325	0.68 352	0.53 298	0.42 281	0.58 309	0.57 320	0.52 335	0.75 313	0.54 313	0.18 337	0.14 252	0.18 335	0.25 362	0.17 304	0.18 241

Abc-Net	0.42 314	0.31 296	0.87 305	0.32 320	0.29 348	0.47 317	0.37 325	0.68 352	0.53 298	0.42 281	0.58 309	0.57 320	0.52 335	0.75 313	0.54 313	0.18 337	0.14 252	0.18 335	0.25 362	0.17 304	0.18 241
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Consistency-Raft	0.56 351	0.52 359	1.12 344	0.45 369	0.49 374	0.48 323	0.45 349	0.73 364	0.74 357	0.45 304	0.82 357	0.46 280	0.60 350	0.51 219	0.63 331	0.39 379	0.40 382	0.44 377	0.51 388	0.53 378	0.38 366

GwcNet	0.37 285	0.29 287	1.12 344	0.25 198	0.24 320	0.48 323	0.27 269	0.58 294	0.60 326	0.39 258	0.54 295	0.51 303	0.34 265	0.60 255	0.46 289	0.13 274	0.12 229	0.12 258	0.11 233	0.13 256	0.15 217

DISCO	0.33 262	0.16 144	0.55 174	0.26 230	0.16 187	0.48 323	0.25 254	0.52 235	0.58 317	0.38 247	0.45 244	0.63 340	0.37 282	0.65 281	0.50 301	0.10 198	0.07 92	0.09 119	0.08 104	0.13 256	0.13 183

fast-acv-ft	0.33 262	0.26 271	0.88 311	0.25 198	0.18 232	0.49 326	0.27 269	0.44 174	0.50 280	0.40 267	0.55 300	0.49 296	0.36 277	0.39 185	0.41 270	0.11 229	0.11 213	0.11 228	0.12 270	0.13 256	0.11 128

ADCRef	0.41 310	0.33 307	1.05 334	0.26 230	0.21 285	0.49 326	0.27 269	0.54 252	0.51 286	0.51 327	0.59 313	0.35 212	0.47 322	0.54 232	1.35 382	0.09 143	0.08 139	0.12 258	0.12 270	0.12 244	0.13 183

RTSC	0.43 319	0.37 327	0.95 325	0.30 305	0.20 272	0.50 328	0.23 219	0.65 341	0.86 367	0.56 343	0.54 295	0.51 303	0.36 277	0.71 300	0.92 352	0.13 274	0.14 252	0.11 228	0.13 294	0.18 319	0.19 255

MaskLacGwcNet_RVC	0.38 290	0.43 346	0.72 264	0.35 340	0.19 255	0.51 329	0.25 254	0.56 273	0.39 181	0.42 281	0.47 263	0.47 287	0.27 194	0.74 308	0.32 231	0.38 377	0.19 311	0.27 359	0.17 337	0.29 363	0.27 324

ADCMid	0.53 344	0.45 351	1.46 374	0.27 262	0.22 300	0.51 329	0.38 333	0.61 318	0.58 317	0.75 362	0.67 336	0.62 336	0.66 363	0.66 287	1.75 393	0.13 274	0.12 229	0.17 328	0.17 337	0.20 330	0.21 276

CC-Net-ROB	0.46 330	0.55 363	0.86 303	0.38 353	0.23 309	0.51 329	0.30 293	0.69 358	0.51 286	0.46 309	0.51 279	0.48 290	0.38 287	0.96 361	0.40 266	0.36 374	0.23 337	0.56 383	0.25 362	0.34 370	0.22 284

GANetREF_RVC	0.45 324	0.52 359	0.87 305	0.39 355	0.20 272	0.51 329	0.50 362	0.68 352	0.67 341	0.47 315	0.46 256	0.50 300	0.43 309	0.91 351	0.40 266	0.28 365	0.21 324	0.32 368	0.19 343	0.28 361	0.23 291
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
FBW_ROB	0.46 330	0.34 314	0.71 260	0.32 320	0.20 272	0.51 329	0.32 307	0.73 364	0.63 334	0.60 348	0.57 306	0.65 347	0.44 311	1.42 390	0.62 328	0.14 295	0.17 300	0.22 352	0.16 326	0.17 304	0.23 291

APVNet	0.38 290	0.26 271	0.87 305	0.26 230	0.22 300	0.52 334	0.35 318	0.64 335	0.46 243	0.40 267	0.52 285	0.48 290	0.39 294	0.84 338	0.48 294	0.13 274	0.14 252	0.15 313	0.16 326	0.16 292	0.16 227

LSM	1.68 402	0.48 355	2.91 402	2.28 414	17.60 423	0.52 334	0.55 369	0.65 341	0.78 359	0.84 369	1.11 374	0.63 340	0.55 342	0.79 326	0.53 309	0.16 315	0.25 346	0.18 335	0.21 349	0.25 350	2.37 415

NaN_ROB	0.44 321	0.38 333	0.94 324	0.30 305	0.20 272	0.52 334	0.49 360	0.61 318	0.60 326	0.56 343	0.47 263	0.49 296	0.42 306	1.24 379	0.76 342	0.12 257	0.18 307	0.12 258	0.13 294	0.12 244	0.18 241

coex-ft	3.48 410	0.81 383	48.53 434	0.24 166	0.19 255	0.53 337	0.47 355	0.49 212	2.36 402	7.18 415	1.20 378	0.96 375	2.53 407	0.75 313	2.14 401	0.13 274	0.15 273	0.14 299	0.12 270	0.22 340	0.47 375

Anonymous_2	0.44 321	0.23 238	0.57 191	0.34 335	0.34 356	0.53 337	0.28 283	0.49 212	0.39 181	0.36 224	0.34 138	0.48 290	0.38 287	0.43 194	0.33 239	0.26 359	0.41 384	0.44 377	1.45 411	0.33 369	0.37 358

DispFullNet	0.67 367	0.94 389	1.63 382	0.77 389	1.19 406	0.53 337	0.25 254	0.61 318	0.72 353	0.70 359	0.60 317	0.69 358	0.90 377	0.80 329	0.52 305	0.27 363	0.13 243	0.74 391	0.31 372	0.68 386	0.44 371

NVStereoNet_ROB	0.74 372	0.64 376	1.20 360	0.55 377	0.43 372	0.54 340	0.48 356	0.75 367	0.87 369	0.88 371	1.72 396	1.06 376	1.03 384	1.29 383	0.98 358	0.35 373	0.42 385	0.41 376	0.48 383	0.38 372	0.43 369
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
anonymity	0.57 353	0.55 363	0.74 266	0.48 372	0.63 383	0.56 341	0.43 346	0.71 360	0.51 286	0.64 352	0.55 300	0.57 320	0.61 354	0.65 281	0.57 320	0.55 383	0.55 394	0.50 380	0.54 389	0.51 377	0.61 385

ADCS	0.62 361	0.56 365	1.54 380	0.30 305	0.25 330	0.56 341	0.46 352	0.71 360	0.86 367	0.77 366	0.72 344	0.68 356	0.62 358	0.82 333	2.33 403	0.17 327	0.16 282	0.16 319	0.17 337	0.23 345	0.27 324

ADCP+	0.48 336	0.36 324	1.47 375	0.26 230	0.22 300	0.57 343	0.40 340	0.56 273	0.54 302	0.46 309	0.52 285	0.46 280	0.53 340	0.59 250	1.93 397	0.10 198	0.08 139	0.11 228	0.11 233	0.14 276	0.15 217

CSAN	0.55 347	0.47 353	1.19 358	0.37 345	0.23 309	0.57 343	0.61 373	0.65 341	0.72 353	0.65 353	0.78 352	0.66 351	0.65 362	1.41 389	0.77 343	0.21 349	0.17 300	0.20 345	0.21 349	0.18 319	0.21 276

WZ-Net	0.56 351	0.49 357	2.14 394	0.30 305	0.24 320	0.58 345	0.48 356	0.65 341	0.80 361	0.51 327	0.72 344	0.68 356	0.60 350	1.06 370	1.01 359	0.13 274	0.10 193	0.11 228	0.12 270	0.19 323	0.23 291

XQC	0.47 333	0.45 351	1.07 338	0.40 359	0.28 339	0.58 345	0.38 333	0.67 347	0.76 358	0.53 336	0.47 263	0.59 326	0.47 322	0.74 308	0.80 346	0.18 337	0.14 252	0.18 335	0.16 326	0.26 354	0.24 303

Wz-Net-MNSev	0.39 295	0.35 318	0.99 330	0.26 230	0.21 285	0.59 347	0.39 336	0.58 294	0.61 328	0.49 321	0.56 304	0.53 312	0.37 282	0.61 261	0.47 292	0.11 229	0.09 168	0.11 228	0.11 233	0.15 283	0.15 217

ccnet	0.43 319	0.34 314	0.62 227	0.28 286	0.33 355	0.60 348	0.34 316	0.68 352	0.47 256	0.54 339	0.66 334	0.56 319	0.46 320	0.73 304	0.66 334	0.26 359	0.19 311	0.24 356	0.22 356	0.27 358	0.25 312

AnyNet_C32	0.55 347	0.51 358	1.34 367	0.29 299	0.28 339	0.61 349	0.62 374	0.57 282	0.62 332	0.63 351	0.68 338	0.54 314	0.55 342	0.82 333	1.81 394	0.15 307	0.15 273	0.15 313	0.18 341	0.21 336	0.25 312

DGSMNet	0.63 364	0.32 303	1.01 331	0.54 376	0.73 389	0.62 350	1.36 406	0.62 326	0.58 317	0.38 247	0.62 328	0.52 308	0.34 265	0.65 281	0.47 292	0.54 382	0.61 399	0.67 388	0.61 396	0.65 383	0.69 394

RYNet	0.38 290	0.23 238	0.65 239	0.26 230	0.28 339	0.62 350	0.33 312	0.61 318	0.62 332	0.42 281	0.39 185	0.58 325	0.40 297	0.89 346	0.57 320	0.11 229	0.09 168	0.12 258	0.11 233	0.19 323	0.22 284

WCMA_ROB	0.55 347	0.27 277	0.76 273	0.26 230	0.22 300	0.62 350	0.36 323	0.57 282	0.58 317	0.97 377	1.40 386	1.28 383	0.94 380	0.80 329	0.80 346	0.20 348	0.17 300	0.16 319	0.16 326	0.19 323	0.29 334

PVD	0.62 361	0.41 342	0.93 321	0.44 367	0.39 368	0.63 353	0.51 364	0.86 380	1.27 390	0.93 374	1.09 373	0.81 366	0.85 373	0.89 346	0.89 351	0.21 349	0.23 337	0.22 352	0.19 343	0.28 361	0.41 367

Wz-Net-TNSev	0.55 347	0.72 378	1.90 390	0.26 230	0.21 285	0.64 354	0.45 349	0.66 345	0.71 351	0.52 330	0.55 300	0.71 362	0.63 360	1.04 368	0.94 355	0.16 315	0.15 273	0.13 281	0.15 317	0.21 336	0.24 303

stereogan	0.39 295	0.20 204	0.78 283	0.28 286	0.22 300	0.65 355	0.26 264	0.62 326	0.65 337	0.45 304	0.60 317	0.67 354	0.45 313	0.69 294	0.37 258	0.14 295	0.14 252	0.14 299	0.12 270	0.20 330	0.19 255

FCDSN-DC	0.67 367	0.38 333	0.83 293	0.37 345	0.30 350	0.66 356	0.37 325	0.69 358	0.70 349	1.15 387	1.53 391	1.70 392	1.38 394	1.00 364	0.83 348	0.24 355	0.22 329	0.27 359	0.26 366	0.27 358	0.32 342
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MeshStereo	0.60 358	0.31 296	0.71 260	0.22 86	0.17 212	0.66 356	0.36 323	0.81 374	0.63 334	1.48 402	1.32 383	1.65 390	0.83 372	1.18 376	0.74 340	0.17 327	0.17 300	0.17 328	0.14 308	0.17 304	0.19 255
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
PDISCO_ROB	0.45 324	0.37 327	0.89 313	0.44 367	0.37 364	0.70 358	0.35 318	0.75 367	0.78 359	0.45 304	0.53 292	0.65 347	0.40 297	0.68 293	0.52 305	0.22 352	0.12 229	0.21 347	0.19 343	0.26 354	0.22 284

ADCPNet	0.51 340	0.36 324	1.82 389	0.27 262	0.23 309	0.71 359	0.39 336	0.56 273	0.54 302	0.52 330	0.60 317	0.66 351	0.57 346	0.64 277	1.23 371	0.15 307	0.18 307	0.14 299	0.23 360	0.19 323	0.22 284

MFN_U_SF_RVC	0.58 355	0.58 371	1.31 366	0.39 355	0.23 309	0.72 360	0.30 293	0.83 377	0.68 345	0.74 361	0.74 348	0.86 368	0.60 350	0.84 338	0.83 348	0.29 366	0.27 355	0.32 368	0.37 379	0.31 365	0.33 344

SANet	0.58 355	0.41 342	1.38 369	0.27 262	0.16 187	0.72 360	0.48 356	0.71 360	1.34 391	0.69 358	0.97 369	0.94 372	0.78 367	0.97 363	0.93 353	0.14 295	0.12 229	0.12 258	0.12 270	0.18 319	0.20 267

otaku	0.60 358	0.73 380	1.13 346	0.64 380	0.45 373	0.73 362	0.37 325	0.67 347	0.67 341	0.52 330	0.75 350	0.66 351	0.46 320	0.74 308	0.59 323	0.55 383	0.34 379	0.56 383	0.36 377	0.65 383	0.49 379

Ntro	0.61 360	0.75 382	1.16 350	0.67 382	0.50 375	0.76 363	0.37 325	0.68 352	0.71 351	0.50 324	0.59 313	0.65 347	0.52 335	0.79 326	0.58 322	0.58 386	0.32 376	0.57 386	0.34 374	0.69 388	0.50 380

DPSNet	0.51 340	0.26 271	1.16 350	0.28 286	0.21 285	0.76 363	0.56 370	0.89 383	0.82 363	0.49 321	0.51 279	0.64 345	0.81 371	0.89 346	0.85 350	0.17 327	0.16 282	0.13 281	0.13 294	0.26 354	0.27 324

SPS-STEREO	0.74 372	0.72 378	1.18 357	0.52 375	0.57 381	0.76 363	0.50 362	0.80 372	0.66 340	0.97 377	0.88 364	0.94 372	0.74 365	1.08 371	1.04 362	0.58 386	0.51 388	0.50 380	0.50 387	0.56 379	0.72 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
ADCL	0.50 338	0.30 293	1.15 348	0.28 286	0.19 255	0.77 366	0.64 375	0.57 282	0.73 356	0.57 346	0.73 347	0.55 315	0.60 350	0.66 287	1.53 388	0.11 229	0.10 193	0.13 281	0.13 294	0.15 283	0.16 227

ACVNet_1	0.77 377	0.92 388	1.79 388	0.73 386	0.53 379	0.78 367	0.42 344	0.88 382	0.90 370	0.75 362	0.76 351	1.32 384	0.80 369	1.04 368	0.70 338	0.57 385	0.32 376	0.72 390	0.35 375	0.70 389	0.50 380

RainbowNet	0.76 375	1.00 393	1.29 364	0.82 390	0.63 383	0.79 368	0.52 365	0.83 377	0.93 373	0.61 350	0.79 355	0.79 365	0.62 358	0.82 333	0.67 336	0.80 396	0.55 394	0.79 394	0.49 384	0.81 392	0.62 386

MFMNet_re	0.74 372	0.84 384	1.16 350	0.64 380	0.70 388	0.79 368	0.71 380	0.77 370	0.85 366	0.79 368	0.86 361	0.69 358	0.80 369	0.73 304	0.65 332	0.66 390	0.59 398	0.61 387	0.58 394	0.68 386	0.71 395

LE_ROB	1.82 404	0.39 337	3.15 406	0.50 374	0.55 380	0.79 368	1.00 394	0.89 383	6.48 414	7.40 416	2.07 402	2.07 396	5.08 412	1.33 387	3.96 411	0.11 229	0.09 168	0.12 258	0.11 233	0.11 219	0.13 183

ACVNet-4b	0.76 375	0.90 387	1.67 384	0.73 386	0.51 378	0.80 371	0.31 302	0.74 366	0.81 362	0.51 327	0.72 344	0.94 372	0.43 309	1.01 365	1.32 380	1.18 408	0.22 329	0.77 392	0.45 382	0.70 389	0.50 380

FC-DCNN	0.73 371	0.33 307	0.84 296	0.33 331	0.28 339	0.82 372	0.40 340	0.82 375	0.83 364	1.43 395	1.60 394	1.97 395	1.38 394	1.10 372	0.93 353	0.24 355	0.22 329	0.27 359	0.26 366	0.26 354	0.32 342

MFN_U_SF_DS_RVC	0.53 344	0.60 374	0.98 328	0.40 359	0.25 330	0.87 373	0.57 371	0.60 311	0.64 336	0.60 348	0.67 336	0.63 340	0.42 306	1.13 373	0.50 301	0.23 353	0.28 359	0.27 359	0.35 375	0.25 350	0.33 344

MSMD_ROB	0.63 364	0.34 314	0.70 254	0.30 305	0.25 330	0.88 374	0.35 318	0.58 294	0.67 341	1.13 385	1.52 390	1.75 393	1.05 385	0.90 349	0.60 324	0.24 355	0.22 329	0.27 359	0.27 368	0.25 350	0.27 324

G-Net	0.47 333	0.26 271	1.02 332	0.34 335	0.28 339	0.89 375	0.35 318	0.47 196	0.46 243	0.68 357	1.20 378	0.64 345	0.59 349	0.61 261	0.60 324	0.16 315	0.14 252	0.17 328	0.13 294	0.22 340	0.21 276

IMH-64-1	0.94 382	0.95 390	1.07 338	0.98 395	0.76 390	0.93 376	0.72 381	1.30 391	1.11 385	0.91 372	1.45 387	1.14 377	1.00 382	1.25 381	0.97 356	0.77 392	0.51 388	0.97 397	0.55 392	0.90 394	0.66 391

IMH-64	0.94 382	0.95 390	1.07 338	0.98 395	0.76 390	0.93 376	0.72 381	1.30 391	1.11 385	0.91 372	1.45 387	1.14 377	1.00 382	1.25 381	0.97 356	0.77 392	0.51 388	0.97 397	0.55 392	0.90 394	0.66 391

AnyNet_C01	0.68 369	0.69 377	2.64 399	0.33 331	0.27 338	0.93 376	0.64 375	0.66 345	0.65 337	0.70 359	0.97 369	0.75 364	0.63 360	1.01 365	1.52 387	0.17 327	0.16 282	0.17 328	0.17 337	0.24 349	0.28 330

ELAS_RVC	0.80 378	0.40 340	1.10 343	0.40 359	0.35 359	0.93 376	1.10 401	0.87 381	1.12 387	1.40 393	1.39 384	1.27 382	1.55 401	1.13 373	1.13 367	0.29 366	0.27 355	0.30 364	0.28 369	0.31 365	0.36 350
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FINET	0.58 355	0.48 355	1.35 368	0.38 353	0.37 364	0.96 380	1.13 402	0.84 379	1.05 380	0.50 324	0.70 342	0.45 274	0.61 354	0.63 272	0.62 328	0.26 359	0.28 359	0.14 299	0.13 294	0.20 330	0.44 371

SGM_RVC	0.57 353	0.22 225	0.60 218	0.26 230	0.16 187	0.97 381	0.46 352	0.76 369	0.90 370	1.03 381	0.92 367	1.16 379	0.93 379	1.21 378	0.72 339	0.17 327	0.16 282	0.16 319	0.16 326	0.16 292	0.24 303
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ACVNet_2	0.94 382	0.98 392	1.71 386	0.83 391	0.63 383	1.02 382	0.64 375	1.16 389	1.43 394	1.02 379	1.39 384	1.47 387	0.86 375	1.16 375	0.79 345	0.63 389	0.43 387	0.78 393	0.49 384	0.80 391	0.57 383

LRCNet_RVC	10.94 418	14.45 426	9.66 414	15.38 422	8.02 416	1.08 383	0.35 318	8.72 418	0.72 353	12.63 424	15.84 424	9.73 417	6.52 413	8.58 418	6.38 416	20.33 432	5.39 417	23.79 430	21.95 429	15.35 424	13.96 426

IMH	1.09 388	1.04 396	1.29 364	1.03 397	0.79 393	1.11 384	0.69 378	1.40 394	1.42 393	1.02 379	1.71 395	1.42 385	1.19 389	1.78 399	1.03 361	1.14 406	0.56 397	1.00 399	0.58 394	0.93 397	0.68 393

RTS	0.81 380	0.56 365	4.76 408	0.37 345	0.30 350	1.11 384	0.52 365	0.67 347	1.07 382	0.76 364	0.91 365	0.60 331	0.61 354	1.64 393	1.24 372	0.15 307	0.13 243	0.15 313	0.15 317	0.22 340	0.24 303

RTSA	0.81 380	0.56 365	4.76 408	0.37 345	0.30 350	1.11 384	0.52 365	0.67 347	1.07 382	0.76 364	0.91 365	0.60 331	0.61 354	1.64 393	1.24 372	0.15 307	0.13 243	0.15 313	0.15 317	0.22 340	0.24 303

SAMSARA	0.62 361	0.47 353	0.93 321	0.70 385	0.50 375	1.15 387	1.29 405	0.79 371	0.70 349	0.77 366	0.55 300	0.92 371	0.58 347	0.87 343	0.77 343	0.19 346	0.27 355	0.18 335	0.19 343	0.27 358	0.28 330

notaker	1.49 395	1.44 407	1.77 387	1.42 407	1.08 404	1.19 388	0.87 392	1.51 398	1.40 392	1.53 403	3.41 409	2.40 401	1.94 403	1.83 401	1.57 390	1.14 406	0.69 408	1.38 409	0.88 405	1.39 409	1.03 406

Dean	1.22 393	1.17 399	1.97 391	1.04 398	0.79 393	1.21 389	0.76 383	1.51 398	1.96 399	1.30 391	1.98 401	2.14 397	1.18 388	1.30 384	1.15 368	0.83 397	0.61 399	1.01 400	0.69 399	0.97 401	0.77 400

WAO-7	1.05 385	1.00 393	1.19 358	0.83 391	0.67 387	1.22 390	0.84 390	1.43 395	1.56 395	1.13 385	1.75 397	1.46 386	1.25 390	1.56 392	1.28 374	0.61 388	0.62 402	0.70 389	0.68 398	0.66 385	0.62 386

MADNet+	1.05 385	1.26 403	4.77 410	0.73 386	0.50 375	1.25 391	0.97 393	1.05 386	0.93 373	0.67 356	0.78 352	0.87 369	0.85 373	2.14 403	1.83 395	0.40 380	0.42 385	0.32 368	0.28 369	0.45 375	0.43 369

SDNR	0.47 333	0.29 287	0.92 317	0.24 166	0.37 364	1.27 392	0.17 54	0.54 252	0.58 317	0.44 297	0.85 360	0.55 315	0.28 213	1.19 377	0.52 305	0.23 353	0.24 345	0.17 328	0.13 294	0.19 323	0.26 321

PWCK	1.05 385	1.29 404	2.12 393	0.92 393	0.42 371	1.27 392	1.01 395	1.14 388	1.14 388	1.16 388	1.14 376	1.25 381	0.90 377	1.77 398	1.15 368	0.89 399	0.51 388	0.87 395	0.54 389	1.02 402	0.57 383

WAO-6	1.11 389	1.01 395	1.17 356	0.96 394	0.79 393	1.30 394	0.78 385	1.36 393	1.99 400	1.04 382	1.54 392	1.59 389	1.27 391	1.37 388	1.30 375	0.78 394	0.55 394	1.03 401	0.75 402	0.87 393	0.72 396

LVE	1.18 391	1.16 398	1.67 384	1.04 398	0.81 397	1.32 395	0.82 389	1.49 397	1.94 398	1.08 383	1.90 399	1.89 394	1.07 386	1.51 391	1.04 362	0.96 402	0.61 399	0.94 396	0.69 399	0.92 396	0.79 401

MDST_ROB	0.51 340	0.16 144	0.97 326	0.31 315	0.21 285	1.35 396	0.34 316	0.80 372	0.59 325	1.09 384	0.74 348	0.49 296	0.37 282	1.31 385	0.60 324	0.14 295	0.12 229	0.16 319	0.13 294	0.13 256	0.18 241

KSHMR	1.92 405	1.47 409	1.97 391	1.48 409	1.22 407	1.39 397	1.06 397	1.81 403	5.83 413	1.43 395	5.56 413	2.95 407	1.17 387	2.24 405	1.33 381	1.29 409	1.13 410	1.47 411	1.11 410	1.37 408	1.21 409

MSC_U_SF_DS_RVC	0.70 370	0.73 380	1.26 362	0.47 371	0.28 339	1.42 398	0.60 372	0.82 375	0.94 376	0.85 370	0.86 361	0.88 370	0.70 364	1.32 386	0.75 341	0.37 375	0.30 371	0.34 371	0.36 377	0.44 374	0.42 368

ktn	1.80 403	1.46 408	1.49 376	1.44 408	1.14 405	1.50 399	1.07 398	1.53 400	3.90 410	2.77 409	4.62 410	3.42 408	1.49 397	1.74 396	1.40 385	1.45 410	0.77 409	1.46 410	0.99 408	1.41 410	1.00 405

ELAS	0.80 378	0.40 340	0.91 316	0.39 355	0.35 359	1.52 400	0.81 388	0.97 385	0.98 378	1.47 401	1.58 393	1.19 380	1.33 393	1.01 365	1.21 370	0.29 366	0.27 355	0.30 364	0.29 371	0.32 368	0.36 350
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
HanzoNet	3.08 409	1.87 412	2.70 400	1.81 410	1.34 408	1.60 401	1.05 396	2.06 407	2.62 403	5.63 413	5.12 411	5.96 414	7.09 414	4.39 414	3.43 409	3.29 414	2.06 415	1.98 413	2.94 416	2.47 413	2.15 414

SGM+DAISY	1.12 390	0.86 385	1.64 383	0.68 383	0.80 396	1.68 402	1.68 410	1.08 387	1.10 384	1.53 403	1.76 398	1.47 387	1.53 400	1.24 379	1.42 386	0.66 390	0.65 404	0.52 382	0.54 389	0.57 380	0.91 403

UNDER WATER	1.64 401	1.34 406	2.72 401	1.40 406	1.04 403	1.70 403	1.14 403	1.57 401	3.58 405	1.46 397	1.46 389	2.82 406	2.43 406	1.74 396	2.04 400	1.08 404	0.63 403	1.31 408	0.94 406	1.29 404	1.10 408

WAO-8	1.50 396	1.22 401	1.39 371	1.10 400	0.85 398	2.15 404	0.78 385	1.84 404	3.76 407	1.46 397	2.18 403	2.15 398	1.50 398	3.20 410	1.35 382	0.92 400	0.66 405	1.10 402	0.79 403	0.94 398	0.74 398

Venus	1.50 396	1.22 401	1.39 371	1.10 400	0.85 398	2.15 404	0.78 385	1.84 404	3.76 407	1.46 397	2.18 403	2.15 398	1.50 398	3.20 410	1.35 382	0.92 400	0.66 405	1.10 402	0.79 403	0.94 398	0.74 398

UNDER WATER-64	1.61 399	1.30 405	2.93 403	1.33 405	0.96 402	2.20 406	1.25 404	1.47 396	3.15 404	1.46 397	1.31 382	2.61 404	2.22 405	1.69 395	1.93 397	1.13 405	0.67 407	1.29 407	0.94 406	1.26 403	1.09 407

TorneroNet-64	1.47 394	1.15 397	1.51 378	1.11 402	0.86 400	2.27 407	0.76 383	1.84 404	3.76 407	1.29 389	2.22 405	2.68 405	1.46 396	1.81 400	1.55 389	0.79 395	0.51 388	1.10 402	0.67 397	1.31 405	0.81 402

MANE	1.63 400	0.58 371	1.16 350	0.59 378	0.60 382	2.71 408	1.53 407	2.63 411	3.62 406	2.33 406	3.26 408	3.66 409	2.98 410	2.26 406	2.26 402	0.37 375	0.40 382	0.31 367	0.49 384	0.31 365	0.63 388

SGM-ForestM	1.59 398	0.56 365	1.52 379	0.41 363	0.34 356	2.77 409	1.67 409	1.69 402	1.73 397	2.48 407	2.27 406	6.02 415	2.90 409	3.08 408	2.83 407	0.25 358	0.30 371	0.19 341	0.20 347	0.18 319	0.45 374

MADNet++	2.34 407	1.81 410	2.24 396	2.15 413	1.97 412	2.79 410	2.19 412	2.42 410	2.26 401	2.79 410	2.70 407	2.43 402	2.60 408	3.18 409	3.32 408	2.19 412	1.97 413	1.93 412	1.62 412	2.02 412	2.10 413

JetBlue	1.20 392	0.89 386	2.53 398	0.59 378	0.76 390	3.16 411	2.09 411	1.16 389	0.93 373	0.95 375	1.12 375	1.65 390	1.27 391	2.15 404	1.87 396	0.43 381	0.37 381	0.38 373	0.39 381	0.62 381	0.63 388

TorneroNet	2.26 406	1.20 400	1.55 381	1.15 404	0.91 401	5.84 412	0.84 390	2.12 408	8.45 416	2.59 408	5.32 412	3.84 410	2.15 404	1.84 402	1.98 399	0.88 398	0.54 393	1.16 406	0.74 401	1.31 405	0.91 403

JetRed	2.35 408	2.70 413	6.11 411	1.14 403	1.38 409	6.03 413	3.61 413	2.12 408	1.72 396	1.99 405	1.97 400	2.15 398	1.59 402	2.49 407	4.19 412	1.05 403	1.60 412	1.10 402	1.02 409	1.72 411	1.41 411

DPSimNet_ROB	6.21 413	5.16 415	9.50 413	5.59 417	5.56 414	7.64 414	10.02 416	4.07 413	7.33 415	6.84 414	6.26 414	7.17 416	10.55 416	4.07 413	5.68 413	5.50 417	4.29 416	5.24 418	3.66 417	4.05 415	5.96 417

DPSMNet_ROB	8.44 416	5.25 417	10.87 422	5.59 417	10.27 418	8.34 415	23.51 424	6.12 417	13.47 423	4.96 412	10.94 421	5.65 413	10.55 416	6.25 416	12.77 420	4.01 416	7.62 419	3.75 417	7.27 421	4.16 417	7.54 419

DGTPSM_ROB	8.38 415	5.24 416	10.71 421	5.32 416	10.19 417	8.34 415	23.49 423	6.11 416	13.43 422	4.93 411	10.93 420	5.64 412	10.55 416	6.17 415	12.73 419	3.74 415	7.56 418	3.68 416	7.24 420	4.09 416	7.49 418

HaxPig	17.72 427	20.23 433	19.76 424	16.55 423	16.52 422	9.46 417	9.42 415	14.48 426	13.31 421	18.59 425	18.67 425	17.39 425	16.68 426	17.07 426	16.43 426	21.99 433	20.86 433	22.28 429	21.55 428	21.30 431	21.88 433

tt	4.71 411	0.11 27	3.94 407	2.06 412	1.54 410	10.14 418	16.85 419	9.28 419	4.99 411	1.41 394	1.05 372	4.68 411	4.89 411	3.36 412	5.86 415	5.73 418	9.15 423	2.23 414	2.51 415	3.02 414	1.34 410

BEATNet-Init1	4.91 412	3.27 414	14.39 423	0.69 384	0.65 386	10.19 419	3.83 414	5.04 414	5.11 412	8.73 417	8.52 415	13.95 424	7.66 415	7.79 417	5.79 414	0.32 371	0.34 379	0.34 371	0.38 380	0.64 382	0.64 390

MEDIAN_ROB	21.20 428	24.56 434	23.42 432	19.57 424	19.62 427	13.29 420	11.21 417	18.04 427	17.02 427	22.07 433	21.92 427	20.84 427	20.24 427	21.02 427	19.68 428	25.59 434	24.08 434	26.20 431	25.19 430	25.31 432	25.19 434

xxxxx1	15.30 422	9.78 419	10.23 418	20.34 425	19.47 424	17.10 421	23.00 420	10.36 420	11.04 418	9.25 418	9.66 416	10.74 419	10.66 419	10.60 420	13.72 423	8.14 422	9.35 424	31.88 433	44.61 433	12.63 421	13.46 423

tt_ll	15.30 422	9.78 419	10.23 418	20.34 425	19.47 424	17.10 421	23.00 420	10.36 420	11.04 418	9.25 418	9.66 416	10.74 419	10.66 419	10.60 420	13.72 423	8.14 422	9.35 424	31.88 433	44.61 433	12.63 421	13.46 423

ff	15.30 422	9.78 419	10.23 418	20.34 425	19.47 424	17.10 421	23.00 420	10.36 420	11.04 418	9.25 418	9.66 416	10.74 419	10.66 419	10.60 420	13.72 423	8.14 422	9.35 424	31.88 433	44.61 433	12.63 421	13.46 423

AVERAGE_ROB	25.43 435	29.01 435	27.22 433	24.60 434	24.16 434	17.78 424	12.87 418	22.39 428	21.40 428	26.72 435	26.08 434	25.18 434	24.52 435	25.07 434	23.57 429	29.94 435	28.36 435	30.60 432	29.57 431	29.83 433	29.66 435

Anonymous_1	16.44 426	9.26 418	9.67 415	10.63 419	14.54 421	18.62 425	26.98 425	12.68 423	13.53 424	10.78 423	10.37 419	10.15 418	10.66 419	10.99 423	12.64 418	15.61 431	7.73 420	16.87 428	43.01 432	56.14 435	7.86 422

DPSM_ROB	11.46 419	9.79 422	10.18 416	11.11 420	11.31 419	19.08 426	27.38 426	13.42 424	14.23 425	10.34 421	11.13 422	10.97 422	11.33 423	11.89 424	13.49 421	6.74 420	8.19 421	6.00 419	7.05 418	7.74 418	7.76 420

DPSM	11.46 419	9.79 422	10.18 416	11.11 420	11.31 419	19.08 426	27.38 426	13.42 424	14.23 425	10.34 421	11.13 422	10.97 422	11.33 423	11.89 424	13.49 421	6.74 420	8.19 421	6.00 419	7.05 418	7.74 418	7.76 420

SPstereo	14.29 421	1.85 411	2.95 404	1.89 411	1.68 411	23.50 428	43.36 428	35.81 435	29.54 435	20.90 429	20.49 426	26.26 435	21.86 428	25.13 435	19.49 427	1.60 411	1.44 411	2.99 415	2.21 414	1.34 407	1.43 412

PML	15.86 425	13.12 425	7.07 412	5.22 415	7.66 415	32.93 429	64.30 435	5.37 415	10.12 417	25.87 434	67.29 435	20.25 426	13.20 425	10.09 419	6.81 417	5.94 419	2.00 414	6.03 421	2.18 413	9.13 420	2.62 416

CasAABBNet	23.04 429	19.69 427	20.32 425	22.42 428	22.73 428	38.35 430	55.23 431	26.99 432	28.74 430	20.67 427	22.28 429	22.11 431	22.86 432	23.84 431	27.17 431	13.52 425	16.47 428	12.08 422	14.21 423	15.57 425	15.60 427

MyStereo03	23.12 431	19.74 428	20.70 428	22.51 430	22.82 430	38.36 431	55.25 432	26.92 429	28.81 431	20.90 429	22.38 430	22.06 428	22.80 429	23.83 428	27.20 433	13.55 427	16.70 430	12.09 423	14.22 425	15.58 426	16.03 429

MyStereo02	23.12 431	19.74 428	20.70 428	22.51 430	22.82 430	38.36 431	55.25 432	26.92 429	28.81 431	20.90 429	22.38 430	22.06 428	22.80 429	23.83 428	27.20 433	13.55 427	16.70 430	12.09 423	14.22 425	15.58 426	16.03 429

MyStereo	23.12 431	19.74 428	20.70 428	22.51 430	22.82 430	38.36 431	55.25 432	26.92 429	28.81 431	20.90 429	22.38 430	22.06 428	22.80 429	23.83 428	27.20 433	13.55 427	16.70 430	12.09 423	14.22 425	15.58 426	16.03 429

LSM0	24.21 434	19.88 432	22.33 431	24.42 433	40.13 435	38.41 434	54.99 429	27.05 433	28.61 429	20.59 426	22.00 428	22.29 433	22.86 432	24.12 433	27.16 430	13.59 430	16.33 427	12.13 427	14.08 422	15.72 430	17.53 432

Selective-RAFT-Error	23.11 430	19.77 431	20.60 427	22.49 429	22.80 429	38.46 435	55.19 430	27.13 434	28.90 434	20.73 428	22.38 430	22.11 431	22.91 434	23.94 432	27.18 432	13.54 426	16.57 429	12.09 423	14.21 423	15.61 429	15.65 428

test_example2	100.95 436	107.33 436	67.16 435	98.17 435	106.88 436	89.44 436	101.34 436	37.23 436	97.88 436	129.56 436	131.26 436	65.41 436	67.34 436	91.22 436	79.29 436	143.32 436	199.32 436	81.12 436	102.17 436	121.89 436	101.70 436

Low-res two-view benchmark