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

LoS_RVC	0.13 2	0.10 24	0.19 1	0.18 8	0.16 228	0.20 55	0.18 85	0.20 2	0.17 3	0.13 2	0.19 25	0.12 3	0.15 49	0.17 11	0.13 24	0.06 1	0.05 6	0.06 1	0.04 1	0.05 1	0.12 253

DCANet-4	0.19 89	0.10 24	0.52 245	0.19 26	0.09 7	0.19 34	0.18 85	0.36 123	0.39 192	0.29 122	0.30 99	0.17 39	0.22 144	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

fff	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 85	0.35 104	0.43 225	0.29 122	0.30 99	0.18 46	0.28 222	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

csc	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 85	0.35 104	0.43 225	0.29 122	0.30 99	0.18 46	0.28 222	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

cscssc	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 85	0.35 104	0.43 225	0.29 122	0.30 99	0.18 46	0.28 222	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

MSKI-zero shot	0.17 36	0.09 9	0.43 182	0.20 57	0.11 42	0.21 73	0.15 26	0.32 67	0.21 26	0.23 57	0.24 59	0.23 93	0.10 4	0.31 149	0.13 24	0.07 16	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18

RAFT-Test	0.17 36	0.10 24	0.38 127	0.19 26	0.12 77	0.25 135	0.17 58	0.33 81	0.23 44	0.23 57	0.29 88	0.27 137	0.14 42	0.20 28	0.14 40	0.07 16	0.06 72	0.07 14	0.07 50	0.06 6	0.06 18

CAS	0.15 21	0.07 1	0.21 4	0.41 364	0.16 228	0.20 55	0.18 85	0.22 3	0.19 7	0.15 11	0.19 25	0.11 2	0.09 2	0.14 1	0.13 24	0.29 368	0.04 1	0.06 1	0.04 1	0.06 6	0.14 281

LoS	0.14 6	0.08 2	0.27 21	0.16 3	0.09 7	0.22 93	0.14 13	0.26 14	0.26 65	0.15 11	0.18 22	0.18 46	0.13 32	0.22 44	0.14 40	0.08 99	0.06 72	0.06 1	0.04 1	0.06 6	0.06 18

Selective-IGEV	0.12 1	0.09 9	0.22 6	0.19 26	0.10 20	0.15 4	0.14 13	0.27 21	0.15 2	0.13 2	0.14 14	0.13 11	0.08 1	0.21 39	0.12 6	0.06 1	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

EGLCR-Stereo	0.13 2	0.08 2	0.20 3	0.18 8	0.09 7	0.21 73	0.13 3	0.27 21	0.21 26	0.13 2	0.10 1	0.15 27	0.09 2	0.20 28	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.06 18

MC-Stereo	0.14 6	0.09 9	0.25 13	0.21 86	0.09 7	0.18 13	0.16 38	0.23 6	0.19 7	0.18 39	0.23 49	0.16 34	0.13 32	0.22 44	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

RCA-Stereo	0.16 28	0.09 9	0.25 13	0.20 57	0.10 20	0.19 34	0.17 58	0.36 123	0.35 155	0.20 41	0.25 64	0.17 39	0.17 86	0.18 19	0.14 40	0.07 16	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

ADStereo(finetuned)	0.19 89	0.13 136	0.49 225	0.19 26	0.09 7	0.19 34	0.18 85	0.34 87	0.39 192	0.29 122	0.31 113	0.18 46	0.31 255	0.21 39	0.19 128	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

test-3	0.16 28	0.09 9	0.31 54	0.21 86	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.26 85	0.16 16	0.22 74	0.12 14	0.26 92	0.18 104	0.06 1	0.04 1	0.08 65	0.08 108	0.06 6	0.06 18

test_1	0.16 28	0.09 9	0.31 54	0.21 86	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.25 76	0.16 16	0.22 74	0.12 14	0.26 92	0.18 104	0.06 1	0.04 1	0.08 65	0.08 108	0.06 6	0.06 18

TRStereo	0.19 89	0.17 222	0.47 211	0.23 170	0.19 280	0.19 34	0.16 38	0.52 260	0.28 87	0.20 41	0.19 25	0.21 67	0.13 32	0.24 57	0.13 24	0.09 163	0.06 72	0.09 119	0.11 247	0.06 6	0.06 18

STrans-v2	0.24 181	0.13 136	0.54 251	0.21 86	0.12 77	0.23 110	0.21 183	0.47 212	0.28 87	0.31 167	0.42 217	0.36 217	0.35 276	0.62 274	0.23 188	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.06 18

TransformOpticalFlow	0.24 181	0.13 136	0.56 260	0.23 170	0.11 42	0.21 73	0.19 122	0.40 152	0.32 132	0.30 150	0.43 229	0.36 217	0.31 255	0.61 266	0.20 139	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.07 65

ASMatch	0.23 158	0.11 63	0.51 241	0.24 207	0.14 164	0.19 34	0.17 58	0.31 59	0.28 87	0.28 98	0.68 337	0.27 137	0.26 192	0.50 217	0.22 174	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.11 231

DEmStereo	0.26 213	0.09 9	0.47 211	0.19 26	0.12 77	0.30 208	0.25 255	0.28 33	0.36 165	0.36 241	0.58 310	0.25 111	0.48 334	0.53 233	0.44 300	0.07 16	0.06 72	0.08 65	0.08 108	0.06 6	0.07 65

RAFT-RH_RVC	0.25 203	0.11 63	0.45 198	0.21 86	0.12 77	0.25 135	0.14 13	0.27 21	0.27 74	0.38 254	1.15 375	0.23 93	0.17 86	0.57 249	0.24 197	0.07 16	0.05 6	0.10 181	0.07 50	0.06 6	0.07 65

RAFT-345	0.21 116	0.10 24	0.46 204	0.22 128	0.11 42	0.20 55	0.16 38	0.26 14	0.25 58	0.27 89	0.66 333	0.21 67	0.16 63	0.55 238	0.21 160	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.06 18

AnonymousM	0.17 36	0.19 249	0.24 10	0.18 8	0.10 20	0.18 13	0.17 58	0.30 54	0.23 44	0.26 85	0.20 35	0.18 46	0.14 42	0.19 25	0.14 40	0.09 163	0.06 72	0.38 371	0.15 316	0.06 6	0.05 1

cross-raft	0.17 36	0.12 81	0.41 165	0.23 170	0.10 20	0.20 55	0.24 241	0.33 81	0.23 44	0.23 57	0.28 79	0.29 159	0.15 49	0.17 11	0.15 51	0.06 1	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

test-1	0.17 36	0.11 63	0.40 143	0.23 170	0.13 131	0.22 93	0.23 219	0.34 87	0.26 65	0.20 41	0.24 59	0.22 74	0.14 42	0.16 7	0.20 139	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.08 111

CREStereo++_RVC	0.15 21	0.08 2	0.26 16	0.17 5	0.11 42	0.18 13	0.13 3	0.22 3	0.30 114	0.21 50	0.30 99	0.13 11	0.11 8	0.16 7	0.15 51	0.07 16	0.04 1	0.06 1	0.15 316	0.06 6	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
s12784h	0.17 36	0.09 9	0.26 16	0.18 8	0.07 1	0.32 226	0.19 122	0.37 128	0.32 132	0.23 57	0.25 64	0.18 46	0.17 86	0.25 80	0.16 67	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.05 1

TANstereo	0.15 21	0.09 9	0.28 29	0.16 3	0.08 2	0.25 135	0.14 13	0.23 6	0.28 87	0.24 70	0.30 99	0.16 34	0.12 14	0.17 11	0.13 24	0.08 99	0.07 158	0.06 1	0.05 9	0.06 6	0.07 65

raftrobust	0.16 28	0.13 136	0.29 36	0.22 128	0.15 205	0.19 34	0.13 3	0.32 67	0.26 65	0.26 85	0.20 35	0.19 57	0.17 86	0.21 39	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.07 65

DCANet	0.18 53	0.13 136	0.40 143	0.19 26	0.09 7	0.19 34	0.18 85	0.34 87	0.39 192	0.29 122	0.31 113	0.18 46	0.23 153	0.20 28	0.19 128	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

EAI-Stereo	0.21 116	0.10 24	0.33 73	0.21 86	0.12 77	0.30 208	0.46 355	0.46 205	0.20 16	0.25 76	0.50 276	0.17 39	0.16 63	0.24 57	0.23 188	0.07 16	0.06 72	0.07 14	0.10 214	0.06 6	0.07 65

CFNet-RSSM	0.17 36	0.10 24	0.40 143	0.20 57	0.11 42	0.20 55	0.15 26	0.36 123	0.30 114	0.23 57	0.21 43	0.26 129	0.15 49	0.20 28	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

Gwc-CoAtRS	0.17 36	0.10 24	0.37 108	0.20 57	0.12 77	0.19 34	0.15 26	0.32 67	0.28 87	0.23 57	0.23 49	0.27 137	0.15 49	0.20 28	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.06 18

R-Stereo Train	0.18 53	0.09 9	0.32 60	0.22 128	0.12 77	0.22 93	0.19 122	0.42 174	0.19 7	0.31 167	0.45 250	0.20 59	0.14 42	0.18 19	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18

RAFT-Stereo	0.18 53	0.09 9	0.32 60	0.22 128	0.12 77	0.22 93	0.19 122	0.42 174	0.19 7	0.31 167	0.45 250	0.20 59	0.14 42	0.18 19	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
AE-Stereo	0.17 36	0.11 63	0.31 54	0.24 207	0.14 164	0.23 110	0.18 85	0.34 87	0.29 105	0.15 11	0.25 64	0.21 67	0.13 32	0.20 28	0.14 40	0.07 16	0.08 222	0.09 119	0.10 214	0.07 37	0.06 18

ff7	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 85	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

IGEVStereo-DCA	0.14 6	0.11 63	0.27 21	0.19 26	0.12 77	0.20 55	0.18 85	0.27 21	0.20 16	0.15 11	0.12 2	0.14 21	0.12 14	0.28 119	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

ffff	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 85	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

rrr	0.17 36	0.11 63	0.57 264	0.19 26	0.12 77	0.20 55	0.18 85	0.35 104	0.22 33	0.15 11	0.12 2	0.14 21	0.12 14	0.28 119	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

11t	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 85	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

StereoIM	0.14 6	0.13 136	0.26 16	0.19 26	0.14 164	0.16 6	0.13 3	0.25 11	0.21 26	0.13 2	0.14 14	0.14 21	0.11 8	0.17 11	0.17 90	0.08 99	0.07 158	0.08 65	0.06 23	0.07 37	0.06 18

IGEV_Zeroshot_test	0.18 53	0.10 24	0.65 292	0.20 57	0.12 77	0.19 34	0.15 26	0.34 87	0.19 7	0.28 98	0.22 47	0.27 137	0.13 32	0.23 51	0.18 104	0.07 16	0.06 72	0.08 65	0.08 108	0.07 37	0.06 18

AEACV	0.13 2	0.09 9	0.23 8	0.18 8	0.19 280	0.19 34	0.16 38	0.23 6	0.14 1	0.13 2	0.17 19	0.13 11	0.16 63	0.16 7	0.12 6	0.07 16	0.05 6	0.07 14	0.08 108	0.07 37	0.06 18

Any-RAFT	0.17 36	0.08 2	0.31 54	0.19 26	0.10 20	0.29 191	0.16 38	0.42 174	0.30 114	0.24 70	0.27 75	0.27 137	0.16 63	0.21 39	0.12 6	0.08 99	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

HH	0.18 53	0.12 81	0.55 256	0.22 128	0.12 77	0.18 13	0.18 85	0.34 87	0.19 7	0.20 41	0.24 59	0.34 198	0.18 108	0.29 132	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

HanStereo	0.18 53	0.12 81	0.55 256	0.22 128	0.12 77	0.18 13	0.18 85	0.34 87	0.19 7	0.20 41	0.24 59	0.34 198	0.18 108	0.29 132	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

DCRE	0.20 102	0.13 136	0.40 143	0.21 86	0.15 205	0.20 55	0.19 122	0.30 54	0.27 74	0.22 54	0.80 354	0.23 93	0.16 63	0.23 51	0.15 51	0.07 16	0.07 158	0.07 14	0.08 108	0.07 37	0.06 18

anonymousa	0.23 158	0.11 63	0.50 235	0.21 86	0.16 228	0.31 219	0.20 160	0.36 123	0.35 155	0.32 185	0.50 276	0.39 237	0.26 192	0.22 44	0.20 139	0.08 99	0.06 72	0.09 119	0.11 247	0.07 37	0.08 111

ProNet	0.14 6	0.12 81	0.25 13	0.19 26	0.11 42	0.19 34	0.19 122	0.27 21	0.20 16	0.14 8	0.13 6	0.13 11	0.12 14	0.24 57	0.12 6	0.06 1	0.05 6	0.07 14	0.06 23	0.07 37	0.07 65

ccc-4	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 85	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

DisPM	0.19 89	0.10 24	0.35 86	0.23 170	0.13 131	0.18 13	0.20 160	0.29 40	0.29 105	0.33 194	0.34 141	0.23 93	0.16 63	0.33 161	0.16 67	0.09 163	0.06 72	0.09 119	0.08 108	0.07 37	0.11 231

test_4	0.18 53	0.12 81	0.34 78	0.23 170	0.12 77	0.18 13	0.22 199	0.26 14	0.24 54	0.24 70	0.47 267	0.22 74	0.13 32	0.24 57	0.16 67	0.06 1	0.05 6	0.09 119	0.09 182	0.07 37	0.05 1

GLC_STEREO	0.15 21	0.10 24	0.24 10	0.21 86	0.09 7	0.17 9	0.15 26	0.23 6	0.27 74	0.17 28	0.20 35	0.17 39	0.11 8	0.23 51	0.16 67	0.07 16	0.09 250	0.09 119	0.08 108	0.07 37	0.06 18

IPLG	0.21 116	0.15 189	0.53 248	0.21 86	0.12 77	0.28 172	0.17 58	0.42 174	0.30 114	0.33 194	0.32 116	0.15 27	0.17 86	0.50 217	0.21 160	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

MIPNet	0.21 116	0.15 189	0.52 245	0.21 86	0.12 77	0.27 159	0.20 160	0.45 196	0.37 174	0.30 150	0.23 49	0.19 57	0.24 168	0.27 107	0.19 128	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

IPLGR	0.21 116	0.13 136	0.61 277	0.21 86	0.11 42	0.25 135	0.18 85	0.41 162	0.37 174	0.28 98	0.27 75	0.21 67	0.19 120	0.37 182	0.18 104	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.06 18

test_3	0.18 53	0.11 63	0.32 60	0.24 207	0.11 42	0.22 93	0.25 255	0.31 59	0.31 124	0.25 76	0.18 22	0.23 93	0.13 32	0.25 80	0.19 128	0.06 1	0.05 6	0.09 119	0.10 214	0.07 37	0.06 18

CrosDoStereo	0.31 261	0.10 24	0.49 225	0.18 8	0.12 77	0.22 93	1.11 404	0.34 87	0.37 174	0.38 254	0.61 324	0.28 152	0.46 325	0.61 266	0.57 327	0.07 16	0.06 72	0.08 65	0.08 108	0.07 37	0.07 65

OMP-Stereo	0.23 158	0.14 164	0.35 86	0.29 315	0.13 131	0.21 73	0.16 38	0.37 128	0.33 142	0.34 210	0.30 99	0.34 198	0.19 120	0.70 299	0.24 197	0.07 16	0.06 72	0.09 119	0.07 50	0.07 37	0.06 18

IIG-Stereo	0.23 158	0.13 136	0.35 86	0.29 315	0.12 77	0.23 110	0.14 13	0.38 134	0.31 124	0.34 210	0.37 166	0.33 192	0.21 133	0.70 299	0.26 218	0.08 99	0.06 72	0.09 119	0.07 50	0.07 37	0.06 18

FTStereo	0.28 237	0.10 24	0.43 182	0.23 170	0.13 131	0.21 73	0.53 369	0.34 87	0.26 65	0.38 254	0.95 366	0.30 169	0.56 346	0.32 155	0.18 104	0.08 99	0.06 72	0.09 119	0.08 108	0.07 37	0.19 325

DeepStereo_LL	0.31 261	0.10 24	0.49 225	0.18 8	0.12 77	0.22 93	1.11 404	0.34 87	0.37 174	0.38 254	0.61 324	0.28 152	0.46 325	0.61 266	0.57 327	0.07 16	0.06 72	0.08 65	0.08 108	0.07 37	0.07 65

THIR-Stereo	0.29 247	0.12 81	0.41 165	0.19 26	0.11 42	0.28 172	0.72 382	0.32 67	0.35 155	0.37 246	0.65 331	0.34 198	0.50 336	0.57 249	0.45 303	0.07 16	0.06 72	0.08 65	0.09 182	0.07 37	0.07 65

DRaft	0.24 181	0.10 24	0.34 78	0.18 8	0.12 77	0.28 172	0.23 219	0.33 81	0.39 192	0.38 254	0.61 324	0.21 67	0.41 304	0.48 210	0.42 295	0.07 16	0.06 72	0.08 65	0.08 108	0.07 37	0.08 111

GrayStereo	0.25 203	0.09 9	0.32 60	0.26 272	0.13 131	0.23 110	0.47 359	0.34 87	0.30 114	0.39 269	0.47 267	0.30 169	0.79 369	0.29 132	0.16 67	0.07 16	0.06 72	0.08 65	0.09 182	0.07 37	0.13 264

CroCo-Stereo	0.14 6	0.13 136	0.24 10	0.25 244	0.11 42	0.11 1	0.18 85	0.32 67	0.23 44	0.12 1	0.12 2	0.18 46	0.12 14	0.14 1	0.13 24	0.08 99	0.06 72	0.07 14	0.05 9	0.07 37	0.06 18
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
raft+_RVC	0.18 53	0.14 164	0.32 60	0.21 86	0.15 205	0.21 73	0.16 38	0.38 134	0.34 149	0.21 50	0.28 79	0.20 59	0.15 49	0.24 57	0.19 128	0.08 99	0.06 72	0.08 65	0.07 50	0.07 37	0.08 111

XX-TBD	0.15 21	0.18 234	0.28 29	0.22 128	0.10 20	0.22 93	0.15 26	0.22 3	0.27 74	0.22 54	0.26 70	0.14 21	0.12 14	0.16 7	0.13 24	0.08 99	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18

XX-Stereo	0.21 116	0.10 24	0.83 330	0.26 272	0.17 244	0.23 110	0.13 3	0.40 152	0.18 5	0.20 41	0.41 203	0.31 177	0.10 4	0.32 155	0.12 6	0.08 99	0.06 72	0.08 65	0.08 108	0.07 37	0.05 1

111	0.20 102	0.17 222	0.40 143	0.18 8	0.09 7	0.24 125	0.17 58	0.41 162	0.45 251	0.23 57	0.29 88	0.29 159	0.21 133	0.24 57	0.18 104	0.07 16	0.05 6	0.07 14	0.06 23	0.07 37	0.08 111

test_xeample3	0.16 28	0.11 63	0.56 260	0.19 26	0.12 77	0.20 55	0.18 85	0.35 104	0.20 16	0.16 24	0.12 2	0.13 11	0.12 14	0.24 57	0.15 51	0.07 16	0.06 72	0.07 14	0.08 108	0.07 37	0.07 65

RAFT-Stereo + iAFF	0.17 36	0.14 164	0.32 60	0.20 57	0.09 7	0.19 34	0.17 58	0.32 67	0.30 114	0.25 76	0.33 135	0.20 59	0.17 86	0.19 25	0.15 51	0.06 1	0.05 6	0.07 14	0.07 50	0.07 37	0.05 1

AFF-stereo	0.18 53	0.15 189	0.32 60	0.21 86	0.10 20	0.18 13	0.18 85	0.33 81	0.27 74	0.25 76	0.37 166	0.25 111	0.17 86	0.24 57	0.15 51	0.06 1	0.05 6	0.08 65	0.08 108	0.07 37	0.05 1

CREStereo	0.13 2	0.08 2	0.21 4	0.14 1	0.08 2	0.22 93	0.15 26	0.25 11	0.24 54	0.16 24	0.21 43	0.14 21	0.13 32	0.18 19	0.13 24	0.09 163	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18
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
PMTNet	0.15 21	0.08 2	0.23 8	0.15 2	0.09 7	0.23 110	0.16 38	0.25 11	0.23 44	0.17 28	0.21 43	0.16 34	0.14 42	0.22 44	0.13 24	0.29 368	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18

DIP-Stereo	0.18 53	0.12 81	0.33 73	0.20 57	0.13 131	0.28 172	0.12 1	0.42 174	0.25 58	0.27 89	0.32 116	0.21 67	0.17 86	0.25 80	0.20 139	0.07 16	0.06 72	0.08 65	0.06 23	0.07 37	0.08 111
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.28 237	0.14 164	0.44 188	0.22 128	0.18 262	0.32 226	0.19 122	0.48 223	0.38 186	0.29 122	0.43 229	0.47 285	0.37 288	0.79 331	0.36 269	0.09 163	0.07 158	0.07 14	0.09 182	0.07 37	0.07 65

MLCV	0.22 142	0.16 206	0.44 188	0.21 86	0.08 2	0.29 191	0.19 122	0.38 134	0.37 174	0.38 254	0.44 238	0.31 177	0.21 133	0.41 193	0.24 197	0.07 16	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

tta	0.24 181	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 122	0.51 250	0.45 251	0.34 210	0.41 203	0.31 177	0.26 192	0.58 254	0.28 224	0.10 205	0.07 158	0.08 65	0.08 108	0.08 81	0.07 65

qqq1	0.24 181	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 122	0.51 250	0.45 251	0.34 210	0.41 203	0.31 177	0.26 192	0.58 254	0.16 67	0.10 205	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

fff1	0.24 181	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 122	0.51 250	0.45 251	0.34 210	0.41 203	0.31 177	0.26 192	0.58 254	0.16 67	0.10 205	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

MyStereo07	0.16 28	0.12 81	0.26 16	0.22 128	0.14 164	0.25 135	0.23 219	0.29 40	0.21 26	0.15 11	0.13 6	0.12 3	0.13 32	0.25 80	0.13 24	0.07 16	0.07 158	0.09 119	0.08 108	0.08 81	0.08 111

MyStereo06	0.20 102	0.12 81	0.57 264	0.21 86	0.14 164	0.25 135	0.23 219	0.40 152	0.21 26	0.30 150	0.24 59	0.31 177	0.18 108	0.22 44	0.18 104	0.07 16	0.07 158	0.09 119	0.08 108	0.08 81	0.08 111

MyStereo05	0.23 158	0.12 81	0.57 264	0.21 86	0.14 164	0.25 135	0.23 219	0.48 223	0.52 305	0.31 167	0.23 49	0.25 111	0.22 144	0.30 144	0.21 160	0.07 16	0.07 158	0.09 119	0.08 108	0.08 81	0.08 111

MyStereo04	0.23 158	0.12 81	0.55 256	0.22 128	0.14 164	0.25 135	0.23 219	0.49 229	0.52 305	0.28 98	0.23 49	0.27 137	0.23 153	0.30 144	0.22 174	0.07 16	0.07 158	0.09 119	0.08 108	0.08 81	0.08 111

CoDeX	0.23 158	0.12 81	0.46 204	0.21 86	0.14 164	0.29 191	0.21 183	0.53 271	0.41 216	0.29 122	0.35 148	0.29 159	0.22 144	0.48 210	0.19 128	0.09 163	0.06 72	0.08 65	0.07 50	0.08 81	0.07 65

cc1	0.18 53	0.14 164	0.38 127	0.23 170	0.11 42	0.31 219	0.19 122	0.35 104	0.47 270	0.17 28	0.19 25	0.13 11	0.18 108	0.28 119	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

DualNet	0.26 213	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 160	0.35 104	0.44 239	0.30 150	0.42 217	0.34 198	0.23 153	0.27 107	1.08 368	0.08 99	0.05 6	0.11 228	0.10 214	0.08 81	0.08 111

ffm	0.22 142	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 160	0.35 104	0.44 239	0.30 150	0.42 217	0.34 198	0.23 153	0.27 107	0.11 1	0.08 99	0.05 6	0.11 228	0.10 214	0.08 81	0.08 111

ff1	0.29 247	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 160	0.35 104	0.44 239	0.30 150	0.42 217	0.34 198	0.23 153	0.81 338	1.08 368	0.08 99	0.05 6	0.11 228	0.10 214	0.08 81	0.08 111

tt1	0.18 53	0.14 164	0.35 86	0.23 170	0.11 42	0.30 208	0.19 122	0.35 104	0.44 239	0.17 28	0.19 25	0.13 11	0.16 63	0.27 107	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

MIF-Stereo	0.14 6	0.10 24	0.30 42	0.21 86	0.13 131	0.17 9	0.13 3	0.19 1	0.18 5	0.15 11	0.20 35	0.10 1	0.11 8	0.18 19	0.16 67	0.08 99	0.06 72	0.07 14	0.06 23	0.08 81	0.06 18

MIM_Stereo	0.18 53	0.12 81	0.38 127	0.20 57	0.11 42	0.17 9	0.14 13	0.35 104	0.25 58	0.27 89	0.35 148	0.23 93	0.13 32	0.27 107	0.16 67	0.06 1	0.07 158	0.08 65	0.08 108	0.08 81	0.06 18

CASnet	0.14 6	0.12 81	0.22 6	0.22 128	0.08 2	0.16 6	0.15 26	0.27 21	0.25 58	0.22 54	0.20 35	0.15 27	0.11 8	0.17 11	0.13 24	0.07 16	0.05 6	0.11 228	0.09 182	0.08 81	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.18 53	0.18 234	0.39 138	0.22 128	0.12 77	0.24 125	0.13 3	0.31 59	0.23 44	0.24 70	0.20 35	0.24 104	0.12 14	0.26 92	0.15 51	0.06 1	0.06 72	0.12 261	0.09 182	0.08 81	0.07 65

4D-IteraStereo	0.17 36	0.16 206	0.50 235	0.21 86	0.14 164	0.19 34	0.17 58	0.28 33	0.28 87	0.23 57	0.20 35	0.20 59	0.11 8	0.19 25	0.14 40	0.06 1	0.04 1	0.10 181	0.08 108	0.08 81	0.06 18

anonymousdsp2	0.17 36	0.10 24	0.28 29	0.20 57	0.11 42	0.25 135	0.17 58	0.41 162	0.31 124	0.23 57	0.23 49	0.22 74	0.15 49	0.25 80	0.15 51	0.07 16	0.05 6	0.07 14	0.05 9	0.08 81	0.07 65

anonymousdsp	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 85	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.07 65

CES	0.14 6	0.08 2	0.19 1	0.17 5	0.22 317	0.18 13	0.16 38	0.23 6	0.19 7	0.14 8	0.17 19	0.14 21	0.10 4	0.18 19	0.12 6	0.07 16	0.05 6	0.06 1	0.04 1	0.08 81	0.18 318

Selective-RAFT	0.17 36	0.12 81	0.30 42	0.24 207	0.10 20	0.29 191	0.15 26	0.32 67	0.31 124	0.17 28	0.17 19	0.21 67	0.18 108	0.28 119	0.17 90	0.07 16	0.06 72	0.07 14	0.07 50	0.08 81	0.06 18

CroCo-Stereo Lap2	0.15 21	0.15 189	0.28 29	0.25 244	0.18 262	0.11 1	0.19 122	0.28 33	0.21 26	0.13 2	0.16 16	0.15 27	0.12 14	0.17 11	0.14 40	0.07 16	0.07 158	0.08 65	0.06 23	0.08 81	0.07 65

TestStereo1	0.21 116	0.16 206	0.32 60	0.26 272	0.13 131	0.26 152	0.27 271	0.40 152	0.36 165	0.29 122	0.39 188	0.22 74	0.21 133	0.33 161	0.17 90	0.07 16	0.06 72	0.09 119	0.08 108	0.08 81	0.07 65

raft_robust	0.22 142	0.17 222	0.30 42	0.22 128	0.12 77	0.23 110	0.22 199	0.49 229	0.48 279	0.32 185	0.32 116	0.26 129	0.23 153	0.53 233	0.15 51	0.07 16	0.06 72	0.08 65	0.10 214	0.08 81	0.06 18

RAFT_CTSACE	0.21 116	0.16 206	0.41 165	0.25 244	0.15 205	0.22 93	0.24 241	0.32 67	0.28 87	0.33 194	0.51 282	0.29 159	0.17 86	0.32 155	0.13 24	0.06 1	0.07 158	0.09 119	0.08 108	0.08 81	0.06 18

SA-5K	0.21 116	0.16 206	0.32 60	0.26 272	0.13 131	0.26 152	0.27 271	0.40 152	0.36 165	0.29 122	0.39 188	0.22 74	0.21 133	0.33 161	0.17 90	0.07 16	0.06 72	0.09 119	0.08 108	0.08 81	0.07 65

Sa-1000	0.22 142	0.15 189	0.35 86	0.23 170	0.13 131	0.28 172	0.23 219	0.47 212	0.39 192	0.30 150	0.50 276	0.26 129	0.19 120	0.33 161	0.16 67	0.07 16	0.06 72	0.10 181	0.11 247	0.08 81	0.06 18

SA	0.22 142	0.16 206	0.36 103	0.23 170	0.13 131	0.24 125	0.23 219	0.45 196	0.40 205	0.27 89	0.44 238	0.23 93	0.23 153	0.33 161	0.17 90	0.07 16	0.06 72	0.10 181	0.11 247	0.08 81	0.06 18

IGEV-Stereo	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 85	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.07 65
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CIPLG	0.21 116	0.21 270	0.55 256	0.23 170	0.15 205	0.25 135	0.20 160	0.35 104	0.29 105	0.31 167	0.33 135	0.22 74	0.15 49	0.26 92	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

iRaft-Stereo_20w	0.19 89	0.10 24	0.46 204	0.19 26	0.13 131	0.25 135	0.19 122	0.52 260	0.19 7	0.29 122	0.21 43	0.22 74	0.20 128	0.28 119	0.18 104	0.07 16	0.06 72	0.07 14	0.08 108	0.08 81	0.08 111

IPLGR_C	0.21 116	0.22 282	0.60 274	0.23 170	0.15 205	0.24 125	0.20 160	0.35 104	0.29 105	0.31 167	0.32 116	0.22 74	0.15 49	0.25 80	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

GMOStereo	0.18 53	0.14 164	0.30 42	0.22 128	0.12 77	0.20 55	0.27 271	0.26 14	0.28 87	0.31 167	0.32 116	0.26 129	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 181	0.08 108	0.08 81	0.05 1

error version	0.18 53	0.14 164	0.30 42	0.22 128	0.12 77	0.20 55	0.27 271	0.26 14	0.28 87	0.31 167	0.32 116	0.26 129	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 181	0.08 108	0.08 81	0.05 1

test-v	0.18 53	0.14 164	0.30 42	0.22 128	0.12 77	0.20 55	0.27 271	0.26 14	0.28 87	0.31 167	0.32 116	0.26 129	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 181	0.08 108	0.08 81	0.05 1

ACRE	0.21 116	0.20 257	0.62 285	0.23 170	0.15 205	0.24 125	0.20 160	0.35 104	0.28 87	0.31 167	0.32 116	0.22 74	0.15 49	0.25 80	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

PFNet+	0.20 102	0.10 24	0.37 108	0.21 86	0.12 77	0.17 9	0.19 122	0.29 40	0.34 149	0.33 194	0.32 116	0.24 104	0.16 63	0.32 155	0.17 90	0.10 205	0.07 158	0.11 228	0.10 214	0.08 81	0.12 253

HHNet	0.22 142	0.12 81	0.52 245	0.18 8	0.18 262	0.20 55	0.20 160	0.34 87	0.31 124	0.32 185	0.59 312	0.20 59	0.21 133	0.24 57	0.31 243	0.08 99	0.05 6	0.09 119	0.07 50	0.08 81	0.11 231

AAGNet	0.33 276	0.11 63	0.37 108	0.25 244	0.16 228	0.20 55	0.19 122	0.30 54	0.27 74	0.35 226	0.35 148	0.27 137	0.30 244	0.44 201	2.66 405	0.08 99	0.05 6	0.10 181	0.07 50	0.08 81	0.06 18

NF-Stereo	0.20 102	0.10 24	0.35 86	0.24 207	0.12 77	0.21 73	0.18 85	0.38 134	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 222	0.20 139	0.08 99	0.06 72	0.09 119	0.08 108	0.08 81	0.13 264

OCTAStereo	0.20 102	0.10 24	0.35 86	0.24 207	0.12 77	0.21 73	0.18 85	0.38 134	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 222	0.20 139	0.08 99	0.06 72	0.09 119	0.08 108	0.08 81	0.13 264

PSM-softLoss	0.21 116	0.10 24	0.39 138	0.24 207	0.12 77	0.20 55	0.18 85	0.38 134	0.26 65	0.29 122	0.32 116	0.24 104	0.16 63	0.52 228	0.20 139	0.09 163	0.06 72	0.10 181	0.09 182	0.08 81	0.12 253

KMStereo	0.21 116	0.10 24	0.39 138	0.24 207	0.12 77	0.20 55	0.18 85	0.38 134	0.26 65	0.29 122	0.32 116	0.24 104	0.16 63	0.52 228	0.20 139	0.09 163	0.06 72	0.10 181	0.09 182	0.08 81	0.12 253

PSM-AAD	0.25 203	0.10 24	0.30 42	0.24 207	0.12 77	0.26 152	0.38 334	0.34 87	0.28 87	0.35 226	0.39 188	0.28 152	0.79 369	0.30 144	0.16 67	0.07 16	0.06 72	0.12 261	0.11 247	0.08 81	0.21 342

KYRaft	0.22 142	0.10 24	0.30 42	0.23 170	0.12 77	0.23 110	0.23 219	0.35 104	0.24 54	0.35 226	0.54 298	0.34 198	0.26 192	0.29 132	0.15 51	0.07 16	0.05 6	0.09 119	0.10 214	0.08 81	0.31 366

RAFT_R40	0.21 116	0.10 24	0.37 108	0.24 207	0.13 131	0.18 13	0.18 85	0.31 59	0.29 105	0.33 194	0.33 135	0.30 169	0.24 168	0.55 238	0.18 104	0.08 99	0.05 6	0.10 181	0.08 108	0.08 81	0.07 65

PFNet	0.23 158	0.10 24	0.57 264	0.24 207	0.14 164	0.22 93	0.19 122	0.39 145	0.33 142	0.35 226	0.32 116	0.27 137	0.19 120	0.64 281	0.22 174	0.09 163	0.05 6	0.09 119	0.07 50	0.08 81	0.07 65

RE-Stereo	0.20 102	0.10 24	0.35 86	0.24 207	0.12 77	0.21 73	0.18 85	0.38 134	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 222	0.20 139	0.08 99	0.06 72	0.09 119	0.08 108	0.08 81	0.13 264

Pruner-Stereo	0.19 89	0.11 63	0.34 78	0.29 315	0.12 77	0.19 34	0.17 58	0.31 59	0.29 105	0.33 194	0.32 116	0.25 111	0.15 49	0.24 57	0.21 160	0.09 163	0.06 72	0.09 119	0.08 108	0.08 81	0.09 161

TVStereo	0.20 102	0.10 24	0.35 86	0.24 207	0.12 77	0.21 73	0.18 85	0.38 134	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 222	0.20 139	0.08 99	0.06 72	0.09 119	0.08 108	0.08 81	0.13 264

IRAFT_RVC	0.22 142	0.12 81	0.39 138	0.26 272	0.11 42	0.18 13	0.24 241	0.40 152	0.37 174	0.31 167	0.30 99	0.29 159	0.24 168	0.55 238	0.22 174	0.08 99	0.06 72	0.10 181	0.08 108	0.08 81	0.07 65

test-2	0.18 53	0.14 164	0.30 42	0.22 128	0.12 77	0.20 55	0.27 271	0.26 14	0.28 87	0.31 167	0.32 116	0.26 129	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 181	0.08 108	0.08 81	0.05 1

GMM-Stereo	0.21 116	0.10 24	0.43 182	0.23 170	0.13 131	0.24 125	0.25 255	0.37 128	0.27 74	0.30 150	0.45 250	0.27 137	0.21 133	0.31 149	0.17 90	0.07 16	0.05 6	0.10 181	0.09 182	0.08 81	0.19 325

Prome-Stereo	0.21 116	0.10 24	0.30 42	0.24 207	0.12 77	0.23 110	0.23 219	0.36 123	0.25 58	0.33 194	0.59 312	0.24 104	0.28 222	0.29 132	0.16 67	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.20 335

iRaftStereo_RVC	0.16 28	0.12 81	0.26 16	0.21 86	0.11 42	0.20 55	0.17 58	0.32 67	0.23 44	0.20 41	0.25 64	0.18 46	0.12 14	0.20 28	0.15 51	0.07 16	0.05 6	0.09 119	0.09 182	0.08 81	0.07 65

delet	0.27 220	0.14 164	0.40 143	0.23 170	0.19 280	0.41 289	0.29 288	0.49 229	0.48 279	0.33 194	0.41 203	0.37 221	0.30 244	0.48 210	0.34 259	0.09 163	0.09 250	0.11 228	0.12 279	0.08 81	0.08 111

cf-r	0.24 181	0.15 189	0.44 188	0.21 86	0.14 164	0.27 159	0.22 199	0.42 174	0.40 205	0.30 150	0.42 217	0.42 260	0.26 192	0.43 197	0.25 206	0.11 232	0.06 72	0.08 65	0.10 214	0.08 81	0.08 111

HSM-Net_RVC	0.27 220	0.11 63	0.42 172	0.19 26	0.11 42	0.34 248	0.20 160	0.62 341	0.43 225	0.40 277	0.43 229	0.50 300	0.26 192	0.76 322	0.22 174	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.28 237	0.16 206	0.35 86	0.20 57	0.15 205	0.33 235	0.19 122	0.53 271	0.37 174	0.36 241	0.38 176	0.67 351	0.31 255	0.89 351	0.23 188	0.08 99	0.06 72	0.08 65	0.07 50	0.08 81	0.08 111

iResNet	0.24 181	0.18 234	0.61 277	0.25 244	0.11 42	0.29 191	0.21 183	0.42 174	0.43 225	0.33 194	0.43 229	0.27 137	0.22 144	0.34 167	0.26 218	0.07 16	0.05 6	0.07 14	0.06 23	0.08 81	0.07 65

SMFormer	0.25 203	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 122	0.51 250	0.45 251	0.34 210	0.41 203	0.31 177	0.26 192	0.58 254	0.28 224	0.10 205	0.07 158	0.08 65	0.08 108	0.09 142	0.09 161

ACVNet-DCA	0.18 53	0.14 164	0.38 127	0.23 170	0.11 42	0.31 219	0.19 122	0.41 162	0.27 74	0.17 28	0.19 25	0.13 11	0.18 108	0.28 119	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 161

xx1	0.20 102	0.14 164	0.38 127	0.23 170	0.11 42	0.31 219	0.19 122	0.35 104	0.47 270	0.17 28	0.19 25	0.28 152	0.24 168	0.28 119	0.11 1	0.08 99	0.05 6	0.10 181	0.09 182	0.09 142	0.09 161

1test111	0.19 89	0.14 164	0.38 127	0.23 170	0.11 42	0.31 219	0.19 122	0.41 162	0.27 74	0.17 28	0.19 25	0.13 11	0.18 108	0.34 167	0.22 174	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 161

11t1	0.18 53	0.10 24	0.30 42	0.20 57	0.11 42	0.27 159	0.17 58	0.35 104	0.23 44	0.25 76	0.23 49	0.23 93	0.23 153	0.25 80	0.18 104	0.09 163	0.07 158	0.07 14	0.06 23	0.09 142	0.09 161

1111x	0.32 270	0.11 63	0.40 143	0.22 128	0.11 42	0.32 226	0.26 266	0.59 321	0.43 225	0.31 167	0.41 203	0.39 237	0.28 222	0.76 322	1.37 385	0.09 163	0.08 222	0.09 119	0.10 214	0.09 142	0.08 111

whm_eth	0.23 158	0.18 234	0.56 260	0.24 207	0.19 280	0.21 73	0.18 85	0.37 128	0.40 205	0.31 167	0.60 317	0.15 27	0.17 86	0.26 92	0.19 128	0.09 163	0.08 222	0.10 181	0.09 182	0.09 142	0.11 231

MIF-Stereo (partial)	0.16 28	0.10 24	0.34 78	0.21 86	0.15 205	0.15 4	0.13 3	0.28 33	0.25 58	0.17 28	0.26 70	0.15 27	0.16 63	0.25 80	0.17 90	0.09 163	0.06 72	0.10 181	0.08 108	0.09 142	0.08 111

EKT-Stereo	0.38 307	0.12 81	0.38 127	0.42 365	3.88 412	0.21 73	0.17 58	0.35 104	0.28 87	0.20 41	0.20 35	0.23 93	0.15 49	0.28 119	0.16 67	0.09 163	0.07 158	0.09 119	0.07 50	0.09 142	0.09 161

LL-Strereo	0.29 247	0.25 296	0.58 268	0.25 244	0.21 302	0.23 110	0.24 241	0.55 288	0.42 220	0.34 210	0.32 116	0.41 253	0.40 300	0.94 360	0.23 188	0.08 99	0.07 158	0.11 228	0.09 182	0.09 142	0.09 161

CBFPSM	0.27 220	0.16 206	0.67 296	0.20 57	0.14 164	0.38 274	0.25 255	0.40 152	0.36 165	0.33 194	0.36 158	0.56 317	0.38 292	0.32 155	0.38 272	0.08 99	0.08 222	0.07 14	0.08 108	0.09 142	0.11 231

gwcnet-sp	0.24 181	0.13 136	0.63 287	0.22 128	0.14 164	0.34 248	0.22 199	0.44 188	0.39 192	0.35 226	0.34 141	0.27 137	0.27 209	0.35 176	0.25 206	0.09 163	0.08 222	0.09 119	0.09 182	0.09 142	0.09 161

scenet	0.24 181	0.13 136	0.63 287	0.22 128	0.14 164	0.34 248	0.22 199	0.44 188	0.39 192	0.35 226	0.34 141	0.27 137	0.27 209	0.35 176	0.25 206	0.09 163	0.08 222	0.09 119	0.09 182	0.09 142	0.09 161

knoymous	0.17 36	0.09 9	0.32 60	0.17 5	0.11 42	0.21 73	0.17 58	0.32 67	0.23 44	0.23 57	0.28 79	0.27 137	0.16 63	0.23 51	0.16 67	0.09 163	0.06 72	0.09 119	0.06 23	0.09 142	0.09 161

ssnet	0.24 181	0.13 136	0.63 287	0.22 128	0.14 164	0.34 248	0.22 199	0.44 188	0.39 192	0.35 226	0.34 141	0.27 137	0.27 209	0.35 176	0.25 206	0.09 163	0.08 222	0.09 119	0.09 182	0.09 142	0.09 161

qqq	0.20 102	0.12 81	0.31 54	0.20 57	0.11 42	0.23 110	0.19 122	0.41 162	0.27 74	0.24 70	0.28 79	0.28 152	0.24 168	0.34 167	0.22 174	0.08 99	0.07 158	0.10 181	0.09 182	0.09 142	0.09 161

x	0.19 89	0.11 63	0.29 36	0.20 57	0.11 42	0.26 152	0.18 85	0.41 162	0.29 105	0.25 76	0.29 88	0.28 152	0.24 168	0.26 92	0.23 188	0.09 163	0.07 158	0.08 65	0.07 50	0.09 142	0.08 111

BUS	0.23 158	0.12 81	0.28 29	0.25 244	0.14 164	0.43 304	0.17 58	0.56 302	0.34 149	0.34 210	0.35 148	0.32 185	0.20 128	0.26 92	0.21 160	0.10 205	0.07 158	0.11 228	0.10 214	0.09 142	0.09 161

IER	0.23 158	0.12 81	0.39 138	0.20 57	0.14 164	0.31 219	0.19 122	0.42 174	0.36 165	0.33 194	0.40 195	0.32 185	0.33 265	0.29 132	0.22 174	0.09 163	0.07 158	0.08 65	0.08 108	0.09 142	0.08 111

RAFT+CT+SA	0.21 116	0.18 234	0.33 73	0.25 244	0.18 262	0.23 110	0.29 288	0.40 152	0.36 165	0.24 70	0.38 176	0.18 46	0.16 63	0.32 155	0.16 67	0.07 16	0.05 6	0.09 119	0.12 279	0.09 142	0.09 161

BSDual-CNN	0.23 158	0.12 81	0.28 29	0.25 244	0.14 164	0.35 257	0.21 183	0.56 302	0.34 149	0.34 210	0.35 148	0.38 226	0.24 168	0.26 92	0.21 160	0.10 205	0.07 158	0.11 228	0.10 214	0.09 142	0.09 161

hknet	0.25 203	0.14 164	0.40 143	0.25 244	0.15 205	0.35 257	0.21 183	0.56 302	0.37 174	0.34 210	0.35 148	0.43 263	0.27 209	0.37 182	0.21 160	0.09 163	0.07 158	0.11 228	0.10 214	0.09 142	0.09 161

iRaft-Stereo_5w	0.23 158	0.18 234	0.44 188	0.22 128	0.13 131	0.19 34	0.19 122	0.37 128	0.32 132	0.28 98	0.37 166	0.34 198	0.23 153	0.65 287	0.27 222	0.06 1	0.06 72	0.08 65	0.07 50	0.09 142	0.08 111

psmg	0.23 158	0.12 81	0.28 29	0.21 86	0.14 164	0.35 257	0.23 219	0.51 250	0.34 149	0.35 226	0.38 176	0.38 226	0.24 168	0.26 92	0.21 160	0.10 205	0.08 222	0.10 181	0.10 214	0.09 142	0.08 111

DAS	0.27 220	0.12 81	0.42 172	0.24 207	0.18 262	0.29 191	0.24 241	0.45 196	0.45 251	0.41 286	0.44 238	0.34 198	0.29 235	0.75 317	0.21 160	0.09 163	0.07 158	0.09 119	0.07 50	0.09 142	0.09 161

SepStereo	0.26 213	0.12 81	0.42 172	0.24 207	0.18 262	0.29 191	0.24 241	0.45 196	0.45 251	0.41 286	0.44 238	0.34 198	0.29 235	0.64 281	0.21 160	0.09 163	0.07 158	0.09 119	0.07 50	0.09 142	0.09 161

GwcNet-ADL	0.22 142	0.14 164	0.58 268	0.24 207	0.13 131	0.22 93	0.23 219	0.49 229	0.40 205	0.27 89	0.29 88	0.30 169	0.20 128	0.26 92	0.23 188	0.09 163	0.07 158	0.07 14	0.07 50	0.09 142	0.09 161

GANet-ADL	0.21 116	0.12 81	0.45 198	0.23 170	0.14 164	0.29 191	0.19 122	0.46 205	0.35 155	0.25 76	0.32 116	0.32 185	0.19 120	0.24 57	0.20 139	0.10 205	0.07 158	0.07 14	0.06 23	0.09 142	0.10 206

NRIStereo	0.18 53	0.11 63	0.35 86	0.23 170	0.11 42	0.24 125	0.20 160	0.29 40	0.26 65	0.26 85	0.25 64	0.25 111	0.18 108	0.34 167	0.18 104	0.07 16	0.06 72	0.09 119	0.07 50	0.09 142	0.08 111

SST-Stereo	0.21 116	0.10 24	0.37 108	0.24 207	0.13 131	0.19 34	0.17 58	0.31 59	0.24 54	0.34 210	0.33 135	0.29 159	0.25 183	0.56 246	0.17 90	0.08 99	0.05 6	0.10 181	0.08 108	0.09 142	0.07 65

DeepStereo_RVC	0.18 53	0.11 63	0.40 143	0.21 86	0.11 42	0.19 34	0.16 38	0.28 33	0.22 33	0.27 89	0.27 75	0.23 93	0.28 222	0.24 57	0.18 104	0.08 99	0.06 72	0.09 119	0.07 50	0.09 142	0.10 206

ICVP	0.23 158	0.13 136	0.44 188	0.26 272	0.14 164	0.29 191	0.25 255	0.45 196	0.33 142	0.29 122	0.43 229	0.35 212	0.25 183	0.26 92	0.23 188	0.12 259	0.09 250	0.09 119	0.08 108	0.09 142	0.10 206
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
rafts_anoy	0.18 53	0.15 189	0.35 86	0.22 128	0.14 164	0.19 34	0.17 58	0.32 67	0.30 114	0.23 57	0.25 64	0.20 59	0.16 63	0.22 44	0.19 128	0.08 99	0.07 158	0.10 181	0.12 279	0.09 142	0.08 111

RALCasStereoNet	0.18 53	0.15 189	0.33 73	0.21 86	0.14 164	0.21 73	0.18 85	0.31 59	0.25 58	0.21 50	0.29 88	0.22 74	0.15 49	0.27 107	0.17 90	0.08 99	0.10 268	0.07 14	0.06 23	0.09 142	0.09 161

RALAANet	0.19 89	0.18 234	0.37 108	0.23 170	0.14 164	0.23 110	0.13 3	0.37 128	0.29 105	0.28 98	0.26 70	0.25 111	0.15 49	0.26 92	0.18 104	0.08 99	0.06 72	0.09 119	0.08 108	0.09 142	0.06 18

sCroCo_RVC	0.18 53	0.14 164	0.49 225	0.27 295	0.18 262	0.22 93	0.17 58	0.27 21	0.23 44	0.14 8	0.22 47	0.17 39	0.14 42	0.21 39	0.15 51	0.10 205	0.11 285	0.09 119	0.09 182	0.09 142	0.09 161

222	0.41 321	0.10 24	0.29 36	0.19 26	0.11 42	0.36 262	0.20 160	0.57 309	0.39 192	0.35 226	0.44 238	0.30 169	0.27 209	0.55 238	3.56 408	0.11 232	0.07 158	0.08 65	0.08 108	0.09 142	0.09 161

xxxx	0.34 283	0.10 24	0.29 36	0.19 26	0.11 42	0.37 267	0.20 160	0.58 316	0.38 186	0.29 122	0.42 217	0.38 226	0.24 168	0.46 205	2.20 401	0.11 232	0.07 158	0.09 119	0.08 108	0.09 142	0.09 161

test_xeample	0.34 283	0.10 24	0.29 36	0.19 26	0.11 42	0.33 235	0.23 219	0.55 288	0.38 186	0.32 185	0.45 250	0.29 159	0.26 192	0.57 249	2.24 403	0.10 205	0.07 158	0.09 119	0.08 108	0.09 142	0.09 161

ARAFT	0.24 181	0.21 270	0.78 316	0.22 128	0.12 77	0.29 191	0.24 241	0.43 184	0.32 132	0.33 194	0.28 79	0.28 152	0.19 120	0.49 215	0.18 104	0.07 16	0.06 72	0.12 261	0.11 247	0.09 142	0.06 18

SFCPSM	0.22 142	0.10 24	0.51 241	0.21 86	0.14 164	0.34 248	0.22 199	0.55 288	0.39 192	0.29 122	0.32 116	0.23 93	0.21 133	0.27 107	0.19 128	0.09 163	0.07 158	0.09 119	0.09 182	0.09 142	0.08 111

FENet	0.21 116	0.11 63	0.45 198	0.21 86	0.12 77	0.26 152	0.17 58	0.41 162	0.35 155	0.30 150	0.31 113	0.29 159	0.23 153	0.26 92	0.23 188	0.09 163	0.06 72	0.09 119	0.09 182	0.09 142	0.09 161

ac_64	0.27 220	0.13 136	0.41 165	0.24 207	0.17 244	0.36 262	0.22 199	0.46 205	0.33 142	0.35 226	0.36 158	0.52 307	0.30 244	0.62 274	0.32 248	0.11 232	0.09 250	0.10 181	0.10 214	0.09 142	0.08 111

GwcNet-RSSM	0.26 213	0.17 222	0.46 204	0.21 86	0.13 131	0.28 172	0.23 219	0.44 188	0.42 220	0.31 167	0.45 250	0.40 250	0.26 192	0.55 238	0.28 224	0.11 232	0.07 158	0.09 119	0.10 214	0.09 142	0.08 111

AANet_RVC	0.31 261	0.22 282	0.50 235	0.23 170	0.14 164	0.30 208	0.24 241	0.47 212	0.54 312	0.38 254	0.60 317	0.43 263	0.29 235	0.87 347	0.40 286	0.11 232	0.07 158	0.07 14	0.07 50	0.09 142	0.09 161

HITNet	0.20 102	0.17 222	0.43 182	0.19 26	0.08 2	0.27 159	0.14 13	0.42 174	0.30 114	0.29 122	0.32 116	0.27 137	0.21 133	0.28 119	0.25 206	0.07 16	0.05 6	0.07 14	0.06 23	0.09 142	0.06 18
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
iResNet_ROB	0.25 203	0.19 249	0.40 143	0.20 57	0.12 77	0.30 208	0.16 38	0.55 288	0.53 309	0.38 254	0.43 229	0.37 221	0.26 192	0.38 186	0.22 174	0.08 99	0.06 72	0.06 1	0.04 1	0.09 142	0.09 161

mmm	0.21 116	0.12 81	0.31 54	0.22 128	0.12 77	0.28 172	0.21 183	0.41 162	0.27 74	0.29 122	0.38 176	0.29 159	0.24 168	0.29 132	0.22 174	0.09 163	0.07 158	0.11 228	0.09 182	0.10 189	0.09 161

test croco	0.17 36	0.13 136	0.43 182	0.21 86	0.13 131	0.16 6	0.17 58	0.27 21	0.22 33	0.16 24	0.26 70	0.13 11	0.16 63	0.27 107	0.16 67	0.08 99	0.06 72	0.10 181	0.07 50	0.10 189	0.07 65

StereoVision	0.22 142	0.18 234	0.37 108	0.27 295	0.17 244	0.23 110	0.22 199	0.38 134	0.31 124	0.20 41	0.51 282	0.22 74	0.16 63	0.28 119	0.18 104	0.11 232	0.12 302	0.13 280	0.13 297	0.10 189	0.07 65

riskmin	0.18 53	0.09 9	0.34 78	0.18 8	0.12 77	0.24 125	0.16 38	0.34 87	0.28 87	0.21 50	0.23 49	0.33 192	0.24 168	0.23 51	0.17 90	0.09 163	0.06 72	0.09 119	0.06 23	0.10 189	0.10 206

CRFU-Net	0.28 237	0.14 164	0.45 198	0.25 244	0.15 205	0.45 311	0.23 219	0.50 237	0.30 114	0.43 300	0.41 203	0.48 290	0.46 325	0.43 197	0.29 233	0.11 232	0.10 268	0.09 119	0.08 108	0.10 189	0.10 206

test_5	0.23 158	0.19 249	0.38 127	0.26 272	0.18 262	0.25 135	0.29 288	0.40 152	0.37 174	0.29 122	0.40 195	0.25 111	0.22 144	0.34 167	0.18 104	0.07 16	0.05 6	0.09 119	0.09 182	0.10 189	0.10 206

CSP-Net	0.27 220	0.15 189	0.30 42	0.21 86	0.14 164	0.44 306	0.24 241	0.50 237	0.40 205	0.41 286	0.43 229	0.42 260	0.26 192	0.66 291	0.28 224	0.12 259	0.08 222	0.08 65	0.08 108	0.10 189	0.09 161

PSMNet-ADL	0.25 203	0.15 189	0.32 60	0.26 272	0.14 164	0.31 219	0.22 199	0.44 188	0.36 165	0.27 89	0.33 135	0.41 253	0.28 222	0.61 266	0.29 233	0.11 232	0.09 250	0.09 119	0.11 247	0.10 189	0.10 206

Patchmatch Stereo++	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.26 92	0.16 67	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111
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	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.18 108	0.24 57	0.16 67	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111

ROB_FTStereo_v2	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.24 57	0.16 67	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111

ROB_FTStereo	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 79	0.25 111	0.17 86	0.24 57	0.16 67	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111

HUI-Stereo	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 79	0.25 111	0.17 86	0.22 44	0.16 67	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111

iGMRVC	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.27 107	0.17 90	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111

iRAFT	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.26 92	0.16 67	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111

CRE-IMP	0.18 53	0.12 81	0.37 108	0.22 128	0.11 42	0.24 125	0.17 58	0.29 40	0.21 26	0.27 89	0.26 70	0.24 104	0.17 86	0.23 51	0.18 104	0.08 99	0.05 6	0.10 181	0.07 50	0.10 189	0.10 206

RAFT	0.21 116	0.17 222	0.32 60	0.24 207	0.12 77	0.25 135	0.27 271	0.35 104	0.28 87	0.33 194	0.33 135	0.38 226	0.22 144	0.29 132	0.17 90	0.08 99	0.08 222	0.11 228	0.10 214	0.10 189	0.06 18

RAFT-IKP	0.18 53	0.12 81	0.37 108	0.22 128	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.18 108	0.25 80	0.16 67	0.08 99	0.06 72	0.10 181	0.08 108	0.10 189	0.08 111

GES	0.22 142	0.12 81	0.42 172	0.20 57	0.14 164	0.27 159	0.19 122	0.49 229	0.33 142	0.30 150	0.36 158	0.25 111	0.23 153	0.29 132	0.22 174	0.10 205	0.08 222	0.08 65	0.07 50	0.10 189	0.11 231

HCRNet	0.24 181	0.25 296	0.33 73	0.34 342	0.16 228	0.27 159	0.18 85	0.43 184	0.35 155	0.30 150	0.35 148	0.32 185	0.22 144	0.44 201	0.20 139	0.13 275	0.08 222	0.13 280	0.11 247	0.10 189	0.09 161

GMStereo	0.19 89	0.25 296	0.40 143	0.21 86	0.12 77	0.22 93	0.19 122	0.29 40	0.40 205	0.25 76	0.23 49	0.16 34	0.15 49	0.25 80	0.19 128	0.09 163	0.06 72	0.08 65	0.08 108	0.10 189	0.08 111
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MMNet	0.27 220	0.14 164	0.49 225	0.24 207	0.17 244	0.47 319	0.22 199	0.45 196	0.51 299	0.39 269	0.41 203	0.36 217	0.33 265	0.39 188	0.34 259	0.08 99	0.07 158	0.09 119	0.09 182	0.10 189	0.08 111

psm_up	0.29 247	0.16 206	0.41 165	0.26 272	0.17 244	0.32 226	0.26 266	0.55 288	0.43 225	0.36 241	0.40 195	0.45 277	0.37 288	0.58 254	0.30 239	0.11 232	0.12 302	0.13 280	0.12 279	0.10 189	0.10 206

UNet	0.28 237	0.14 164	0.69 301	0.23 170	0.20 294	0.44 306	0.22 199	0.50 237	0.40 205	0.34 210	0.39 188	0.43 263	0.33 265	0.40 191	0.31 243	0.09 163	0.07 158	0.10 181	0.08 108	0.10 189	0.08 111

UPFNet	0.25 203	0.12 81	0.38 127	0.24 207	0.19 280	0.37 267	0.28 284	0.48 223	0.38 186	0.34 210	0.37 166	0.37 221	0.28 222	0.39 188	0.33 255	0.10 205	0.09 250	0.10 181	0.10 214	0.10 189	0.08 111

ACVNet	0.23 158	0.13 136	0.35 86	0.18 8	0.15 205	0.27 159	0.23 219	0.39 145	0.44 239	0.28 98	0.41 203	0.38 226	0.26 192	0.27 107	0.32 248	0.08 99	0.07 158	0.08 65	0.07 50	0.10 189	0.07 65

HGLStereo	0.27 220	0.14 164	0.46 204	0.24 207	0.21 302	0.33 235	0.23 219	0.50 237	0.42 220	0.35 226	0.48 273	0.41 253	0.33 265	0.45 203	0.33 255	0.11 232	0.10 268	0.09 119	0.09 182	0.10 189	0.12 253

GANet-RSSM	0.24 181	0.14 164	0.36 103	0.21 86	0.14 164	0.27 159	0.21 183	0.45 196	0.33 142	0.29 122	0.39 188	0.39 237	0.28 222	0.58 254	0.23 188	0.11 232	0.07 158	0.09 119	0.09 182	0.10 189	0.09 161

PSMNet-RSSM	0.24 181	0.15 189	0.36 103	0.21 86	0.14 164	0.25 135	0.20 160	0.48 223	0.37 174	0.30 150	0.44 238	0.38 226	0.26 192	0.52 228	0.22 174	0.12 259	0.07 158	0.11 228	0.13 297	0.10 189	0.09 161

DMCA	0.22 142	0.14 164	0.36 103	0.22 128	0.14 164	0.27 159	0.20 160	0.43 184	0.38 186	0.31 167	0.32 116	0.33 192	0.24 168	0.24 57	0.28 224	0.11 232	0.08 222	0.10 181	0.08 108	0.10 189	0.11 231

BEATNet_4x	0.22 142	0.18 234	0.47 211	0.22 128	0.10 20	0.28 172	0.14 13	0.46 205	0.32 132	0.31 167	0.34 141	0.31 177	0.25 183	0.31 149	0.29 233	0.08 99	0.06 72	0.08 65	0.06 23	0.10 189	0.08 111

NLCA_NET_v2_RVC	0.27 220	0.21 270	0.59 272	0.25 244	0.18 262	0.29 191	0.22 199	0.50 237	0.40 205	0.38 254	0.41 203	0.43 263	0.27 209	0.43 197	0.29 233	0.11 232	0.08 222	0.10 181	0.10 214	0.10 189	0.11 231
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.27 220	0.17 222	0.35 86	0.25 244	0.14 164	0.37 267	0.21 183	0.47 212	0.41 216	0.44 305	0.51 282	0.41 253	0.28 222	0.45 203	0.37 270	0.09 163	0.06 72	0.11 228	0.11 247	0.10 189	0.10 206
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.28 237	0.16 206	0.34 78	0.27 295	0.16 228	0.38 274	0.25 255	0.48 223	0.43 225	0.46 312	0.46 260	0.51 304	0.33 265	0.53 233	0.33 255	0.10 205	0.10 268	0.11 228	0.11 247	0.10 189	0.09 161

pmcnn	0.50 343	0.20 257	0.78 316	0.24 207	0.26 345	0.39 281	0.30 298	0.51 250	0.50 296	0.54 341	1.23 378	2.52 401	0.37 288	0.77 328	0.95 362	0.08 99	0.06 72	0.06 1	0.05 9	0.10 189	0.08 111

mmx	0.31 261	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 160	0.55 288	0.45 251	0.30 150	0.42 217	0.34 198	0.23 153	0.81 338	1.08 368	0.10 205	0.07 158	0.11 228	0.10 214	0.11 224	0.10 206

ttt	0.29 247	0.12 81	0.34 78	0.21 86	0.13 131	0.29 191	0.20 160	0.56 302	0.47 270	0.31 167	0.44 238	0.30 169	0.22 144	0.65 287	0.85 358	0.13 275	0.10 268	0.10 181	0.10 214	0.11 224	0.11 231

xxx	0.31 261	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 160	0.55 288	0.45 251	0.30 150	0.42 217	0.34 198	0.23 153	0.81 338	1.08 368	0.10 205	0.07 158	0.11 228	0.10 214	0.11 224	0.10 206

PCWNet_CMD	0.23 158	0.13 136	0.48 220	0.20 57	0.13 131	0.28 172	0.16 38	0.46 205	0.46 265	0.29 122	0.36 158	0.37 221	0.24 168	0.28 119	0.20 139	0.09 163	0.06 72	0.10 181	0.08 108	0.11 224	0.09 161

CASS	0.21 116	0.15 189	0.32 60	0.26 272	0.11 42	0.28 172	0.19 122	0.39 145	0.30 114	0.32 185	0.34 141	0.25 111	0.24 168	0.25 80	0.20 139	0.13 275	0.08 222	0.11 228	0.09 182	0.11 224	0.11 231
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ToySt	0.24 181	0.16 206	0.48 220	0.21 86	0.13 131	0.29 191	0.29 288	0.39 145	0.39 192	0.27 89	0.35 148	0.39 237	0.31 255	0.31 149	0.29 233	0.08 99	0.09 250	0.10 181	0.11 247	0.11 224	0.10 206

ssnet_v2	0.28 237	0.16 206	0.44 188	0.22 128	0.15 205	0.40 286	0.30 298	0.57 309	0.46 265	0.38 254	0.36 158	0.47 285	0.29 235	0.38 186	0.39 280	0.13 275	0.11 285	0.11 228	0.11 247	0.11 224	0.11 231

Wz-Net-LNSev-Ref	0.30 254	0.20 257	0.70 307	0.21 86	0.17 244	0.46 313	0.27 271	0.50 237	0.49 288	0.42 294	0.55 302	0.43 263	0.30 244	0.46 205	0.38 272	0.09 163	0.06 72	0.07 14	0.06 23	0.11 224	0.10 206

NINENet	0.25 203	0.15 189	0.37 108	0.23 170	0.16 228	0.43 304	0.17 58	0.60 329	0.46 265	0.32 185	0.37 166	0.32 185	0.20 128	0.42 195	0.21 160	0.10 205	0.10 268	0.12 261	0.08 108	0.11 224	0.10 206

dd	0.22 142	0.26 307	0.40 143	0.22 128	0.12 77	0.25 135	0.21 183	0.32 67	0.44 239	0.29 122	0.28 79	0.25 111	0.16 63	0.30 144	0.25 206	0.12 259	0.07 158	0.10 181	0.08 108	0.11 224	0.09 161

GEStereo_RVC	0.27 220	0.20 257	0.44 188	0.27 295	0.16 228	0.33 235	0.25 255	0.56 302	0.54 312	0.34 210	0.38 176	0.34 198	0.25 183	0.51 222	0.28 224	0.12 259	0.08 222	0.09 119	0.08 108	0.11 224	0.11 231

Anonymous3	0.23 158	0.18 234	0.63 287	0.27 295	0.18 262	0.41 289	0.23 219	0.43 184	0.35 155	0.23 57	0.27 75	0.20 59	0.18 108	0.27 107	0.18 104	0.12 259	0.11 285	0.10 181	0.10 214	0.11 224	0.12 253

TestStereo	0.21 116	0.19 249	0.40 143	0.25 244	0.10 20	0.22 93	0.21 183	0.31 59	0.31 124	0.23 57	0.34 141	0.22 74	0.18 108	0.62 274	0.18 104	0.08 99	0.06 72	0.10 181	0.07 50	0.11 224	0.06 18

CFNet_pseudo	0.23 158	0.13 136	0.47 211	0.19 26	0.13 131	0.26 152	0.16 38	0.44 188	0.44 239	0.29 122	0.37 166	0.38 226	0.23 153	0.29 132	0.21 160	0.09 163	0.06 72	0.11 228	0.08 108	0.11 224	0.09 161

ADLNet	0.28 237	0.15 189	0.42 172	0.23 170	0.19 280	0.34 248	0.23 219	0.53 271	0.43 225	0.42 294	0.41 203	0.44 273	0.27 209	0.55 238	0.35 263	0.11 232	0.08 222	0.11 228	0.11 247	0.11 224	0.12 253

RAFT + AFF	0.27 220	0.23 289	0.50 235	0.25 244	0.17 244	0.30 208	0.33 316	0.52 260	0.40 205	0.28 98	0.30 99	0.30 169	0.31 255	0.62 274	0.24 197	0.09 163	0.10 268	0.11 228	0.10 214	0.11 224	0.11 231

acv_ft	0.25 203	0.13 136	0.40 143	0.23 170	0.19 280	0.34 248	0.21 183	0.45 196	0.44 239	0.38 254	0.41 203	0.38 226	0.27 209	0.27 107	0.35 263	0.08 99	0.07 158	0.08 65	0.07 50	0.11 224	0.07 65

DSFCA	0.27 220	0.13 136	0.36 103	0.20 57	0.17 244	0.38 274	0.31 302	0.47 212	0.43 225	0.43 300	0.37 166	0.39 237	0.29 235	0.52 228	0.32 248	0.12 259	0.10 268	0.10 181	0.11 247	0.11 224	0.10 206

ADCRef	0.38 307	0.24 292	0.88 341	0.26 272	0.21 302	0.49 326	0.27 271	0.52 260	0.48 279	0.50 323	0.58 310	0.35 212	0.47 328	0.48 210	1.29 384	0.09 163	0.08 222	0.12 261	0.12 279	0.11 224	0.11 231

MSMDNet	0.23 158	0.13 136	0.48 220	0.20 57	0.13 131	0.28 172	0.16 38	0.46 205	0.46 265	0.29 122	0.36 158	0.37 221	0.24 168	0.28 119	0.20 139	0.09 163	0.06 72	0.09 119	0.08 108	0.11 224	0.09 161

CFNet	0.27 220	0.20 257	0.44 188	0.22 128	0.14 164	0.33 235	0.14 13	0.51 250	0.45 251	0.30 150	0.40 195	0.38 226	0.27 209	0.76 322	0.25 206	0.09 163	0.07 158	0.11 228	0.11 247	0.11 224	0.08 111

ccs_rob	0.23 158	0.13 136	0.47 211	0.20 57	0.13 131	0.26 152	0.17 58	0.44 188	0.44 239	0.29 122	0.37 166	0.38 226	0.23 153	0.29 132	0.21 160	0.09 163	0.06 72	0.11 228	0.08 108	0.11 224	0.09 161

AdaStereo	0.24 181	0.16 206	0.37 108	0.24 207	0.12 77	0.32 226	0.17 58	0.54 278	0.42 220	0.33 194	0.38 176	0.35 212	0.21 133	0.30 144	0.22 174	0.14 298	0.06 72	0.13 280	0.08 108	0.11 224	0.08 111
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.
NaN_ROB	0.41 321	0.28 317	0.62 285	0.30 322	0.19 280	0.51 330	0.47 359	0.58 316	0.59 327	0.56 343	0.47 267	0.49 294	0.41 304	1.21 380	0.64 342	0.12 259	0.18 348	0.12 261	0.13 297	0.11 224	0.14 281

LE_ROB	1.76 401	0.20 257	2.68 402	0.48 372	0.52 378	0.78 369	0.96 397	0.84 381	6.61 413	7.40 414	2.08 401	2.08 394	4.83 409	1.27 384	3.79 409	0.10 205	0.08 222	0.12 261	0.11 247	0.11 224	0.10 206

DN-CSS_ROB	0.22 142	0.25 296	0.47 211	0.24 207	0.14 164	0.25 135	0.12 1	0.40 152	0.33 142	0.29 122	0.42 217	0.22 74	0.20 128	0.33 161	0.19 128	0.07 16	0.06 72	0.11 228	0.11 247	0.11 224	0.07 65

CFNet_ucs	0.24 181	0.13 136	0.50 235	0.20 57	0.15 205	0.28 172	0.17 58	0.49 229	0.45 251	0.32 185	0.42 217	0.39 237	0.22 144	0.31 149	0.21 160	0.11 232	0.08 222	0.12 261	0.09 182	0.12 250	0.11 231

fast-acv-ft	0.31 261	0.20 257	0.81 326	0.24 207	0.18 262	0.46 313	0.27 271	0.41 162	0.49 288	0.39 269	0.55 302	0.49 294	0.35 276	0.37 182	0.38 272	0.11 232	0.11 285	0.11 228	0.12 279	0.12 250	0.09 161

ADLNet2	0.30 254	0.17 222	0.72 310	0.23 170	0.17 244	0.36 262	0.24 241	0.52 260	0.51 299	0.32 185	0.38 176	0.45 277	0.30 244	0.69 296	0.35 263	0.10 205	0.08 222	0.09 119	0.09 182	0.12 250	0.10 206

CFNet-ft	0.24 181	0.15 189	0.35 86	0.18 8	0.15 205	0.30 208	0.21 183	0.39 145	0.36 165	0.28 98	0.40 195	0.43 263	0.25 183	0.47 208	0.24 197	0.12 259	0.07 158	0.12 261	0.11 247	0.12 250	0.09 161

STTStereo	0.28 237	0.20 257	0.61 277	0.25 244	0.17 244	0.29 191	0.24 241	0.47 212	0.39 192	0.39 269	0.41 203	0.44 273	0.28 222	0.40 191	0.28 224	0.13 275	0.12 302	0.13 280	0.16 327	0.12 250	0.11 231

PA-Net	0.37 301	0.28 317	0.83 330	0.31 329	0.28 350	0.39 281	0.42 346	0.51 250	0.55 318	0.34 210	0.42 217	0.41 253	0.36 280	0.79 331	0.49 315	0.12 259	0.23 365	0.16 320	0.23 358	0.12 250	0.18 318
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.30 254	0.21 270	0.38 127	0.28 312	0.15 205	0.33 235	0.32 306	0.52 260	0.47 270	0.38 254	0.43 229	0.39 237	0.29 235	0.91 355	0.28 224	0.14 298	0.08 222	0.13 280	0.11 247	0.12 250	0.10 206

CFNet_RVC	0.24 181	0.15 189	0.35 86	0.18 8	0.15 205	0.30 208	0.21 183	0.39 145	0.36 165	0.28 98	0.40 195	0.43 263	0.25 183	0.47 208	0.24 197	0.12 259	0.07 158	0.12 261	0.11 247	0.12 250	0.09 161

iResNetv2_ROB	0.27 220	0.26 307	0.72 310	0.23 170	0.13 131	0.29 191	0.18 85	0.52 260	0.49 288	0.37 246	0.45 250	0.39 237	0.25 183	0.34 167	0.20 139	0.08 99	0.06 72	0.07 14	0.05 9	0.12 250	0.09 161

DRN-Test	0.33 276	0.17 222	0.61 277	0.27 295	0.19 280	0.46 313	0.29 288	0.65 349	0.51 299	0.47 319	0.46 260	0.44 273	0.34 272	0.62 274	0.41 292	0.12 259	0.08 222	0.13 280	0.12 279	0.12 250	0.10 206

StereoDRNet	0.32 270	0.22 282	0.61 277	0.27 295	0.21 302	0.42 296	0.30 298	0.61 333	0.48 279	0.46 312	0.39 188	0.48 290	0.30 244	0.57 249	0.40 286	0.11 232	0.09 250	0.12 261	0.11 247	0.12 250	0.10 206

DISCO	0.32 270	0.13 136	0.51 241	0.25 244	0.16 228	0.48 323	0.25 255	0.50 237	0.57 324	0.37 246	0.45 250	0.62 335	0.36 280	0.64 281	0.49 315	0.09 163	0.07 158	0.09 119	0.08 108	0.12 250	0.11 231

MDST_ROB	0.48 339	0.14 164	0.95 352	0.30 322	0.21 302	1.33 395	0.32 306	0.77 372	0.56 321	1.06 381	0.71 342	0.49 294	0.35 276	1.26 383	0.38 272	0.13 275	0.11 285	0.16 320	0.13 297	0.12 250	0.12 253

iinet-f	0.30 254	0.18 234	1.03 363	0.20 57	0.15 205	0.44 306	0.22 199	0.45 196	0.37 174	0.35 226	0.44 238	0.41 253	0.34 272	0.34 167	0.40 286	0.10 205	0.09 250	0.08 65	0.08 108	0.13 263	0.11 231

AASNet	0.27 220	0.19 249	0.49 225	0.26 272	0.17 244	0.34 248	0.20 160	0.62 341	0.48 279	0.35 226	0.40 195	0.32 185	0.25 183	0.28 119	0.34 259	0.11 232	0.09 250	0.10 181	0.08 108	0.13 263	0.11 231

AACVNet	0.26 213	0.16 206	0.37 108	0.22 128	0.14 164	0.29 191	0.19 122	0.41 162	0.31 124	0.38 254	0.42 217	0.43 263	0.28 222	0.73 309	0.25 206	0.11 232	0.08 222	0.11 228	0.09 182	0.13 263	0.11 231

LCNet	0.21 116	0.11 63	0.29 36	0.25 244	0.12 77	0.23 110	0.19 122	0.34 87	0.26 65	0.28 98	0.35 148	0.26 129	0.30 244	0.35 176	0.17 90	0.07 16	0.05 6	0.09 119	0.10 214	0.13 263	0.22 347

LMCR-Stereo	0.26 213	0.18 234	0.49 225	0.28 312	0.14 164	0.36 262	0.23 219	0.54 278	0.34 149	0.39 269	0.40 195	0.29 159	0.29 235	0.37 182	0.27 222	0.11 232	0.07 158	0.09 119	0.07 50	0.13 263	0.09 161

Syn2CoEx	0.36 292	0.31 335	0.78 316	0.34 342	0.21 302	0.41 289	0.28 284	0.61 333	0.49 288	0.42 294	0.56 307	0.45 277	0.44 316	0.69 296	0.38 272	0.17 331	0.14 316	0.15 311	0.12 279	0.13 263	0.12 253

GwcNet	0.35 288	0.23 289	0.88 341	0.25 244	0.24 333	0.48 323	0.27 271	0.55 288	0.57 324	0.38 254	0.52 290	0.51 304	0.32 262	0.60 261	0.41 292	0.13 275	0.11 285	0.12 261	0.11 247	0.13 263	0.14 281

DMCA-RVC	0.27 220	0.21 270	0.61 277	0.28 312	0.17 244	0.29 191	0.21 183	0.42 174	0.35 155	0.40 277	0.37 166	0.39 237	0.36 280	0.43 197	0.30 239	0.13 275	0.10 268	0.15 311	0.11 247	0.13 263	0.10 206

FADNet-RVC-Resample	0.29 247	0.25 296	0.93 349	0.26 272	0.16 228	0.32 226	0.21 183	0.47 212	0.39 192	0.35 226	0.38 176	0.33 192	0.27 209	0.53 233	0.24 197	0.10 205	0.10 268	0.14 299	0.13 297	0.13 263	0.16 297

UCFNet_RVC	0.24 181	0.16 206	0.34 78	0.18 8	0.15 205	0.33 235	0.16 38	0.46 205	0.35 155	0.29 122	0.35 148	0.39 237	0.25 183	0.34 167	0.22 174	0.13 275	0.08 222	0.13 280	0.14 308	0.13 263	0.12 253

PSMNet_ROB	0.33 276	0.24 292	0.54 251	0.31 329	0.21 302	0.42 296	0.43 348	0.59 321	0.47 270	0.37 246	0.44 238	0.49 294	0.31 255	0.64 281	0.43 296	0.14 298	0.10 268	0.15 311	0.14 308	0.13 263	0.11 231

CBMV	0.33 276	0.21 270	0.54 251	0.23 170	0.13 131	0.42 296	0.33 316	0.53 271	0.48 279	0.52 334	0.49 274	0.50 300	0.41 304	0.56 246	0.31 243	0.15 309	0.16 337	0.18 333	0.16 327	0.13 263	0.13 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.34 283	0.29 324	0.91 345	0.26 272	0.21 302	0.47 319	0.31 302	0.54 278	0.54 312	0.44 305	0.52 290	0.50 300	0.35 276	0.39 188	0.39 280	0.11 232	0.11 285	0.10 181	0.09 182	0.14 275	0.13 264

UDGNet	0.23 158	0.31 335	0.38 127	0.24 207	0.14 164	0.24 125	0.18 85	0.32 67	0.43 225	0.29 122	0.28 79	0.24 104	0.19 120	0.29 132	0.20 139	0.15 309	0.07 158	0.21 345	0.11 247	0.14 275	0.10 206

dad	0.28 237	0.31 335	0.44 188	0.21 86	0.14 164	0.30 208	0.20 160	0.33 81	0.49 288	0.44 305	0.44 238	0.45 277	0.21 133	0.41 193	0.26 218	0.20 349	0.11 285	0.20 343	0.11 247	0.14 275	0.10 206

pcwnet_v2	0.32 270	0.15 189	1.26 377	0.23 170	0.18 262	0.32 226	0.18 85	0.59 321	0.60 330	0.36 241	0.45 250	0.35 212	0.29 235	0.36 180	0.25 206	0.14 298	0.11 285	0.12 261	0.11 247	0.14 275	0.15 290

FAT-Stereo	0.36 292	0.18 234	0.73 313	0.26 272	0.18 262	0.33 235	0.29 288	0.60 329	0.59 327	0.46 312	0.60 317	0.60 329	0.50 336	0.61 266	0.34 259	0.13 275	0.14 316	0.13 280	0.12 279	0.14 275	0.18 318

Nwc_Net	0.37 301	0.25 296	0.68 300	0.31 329	0.24 333	0.44 306	0.30 298	0.65 349	0.50 296	0.37 246	0.69 341	0.58 324	0.45 319	0.60 261	0.40 286	0.15 309	0.12 302	0.19 340	0.21 349	0.14 275	0.13 264

ADCL	0.47 337	0.22 282	1.00 357	0.27 295	0.19 280	0.74 363	0.64 377	0.54 278	0.69 349	0.56 343	0.71 342	0.55 315	0.60 351	0.60 261	1.43 386	0.11 232	0.09 250	0.13 280	0.13 297	0.14 275	0.14 281

ADCP+	0.45 334	0.24 292	1.15 371	0.25 244	0.22 317	0.56 342	0.39 339	0.54 278	0.51 299	0.44 305	0.51 282	0.46 283	0.52 341	0.56 246	1.89 397	0.10 205	0.08 222	0.11 228	0.10 214	0.14 275	0.13 264

GANet	0.36 292	0.22 282	0.49 225	0.29 315	0.17 244	0.41 289	0.38 334	0.57 309	0.45 251	0.46 312	0.75 348	0.55 315	0.40 300	0.94 360	0.41 292	0.13 275	0.13 312	0.13 280	0.11 247	0.14 275	0.11 231

CVANet_RVC	0.30 254	0.19 249	0.41 165	0.26 272	0.16 228	0.33 235	0.26 266	0.52 260	0.47 270	0.40 277	0.46 260	0.43 263	0.31 255	0.89 351	0.26 218	0.14 298	0.09 250	0.14 299	0.13 297	0.14 275	0.10 206

DeepPruner_ROB	0.26 213	0.19 249	0.44 188	0.21 86	0.16 228	0.30 208	0.21 183	0.52 260	0.32 132	0.35 226	0.38 176	0.39 237	0.26 192	0.42 195	0.24 197	0.15 309	0.11 285	0.11 228	0.11 247	0.14 275	0.13 264

CBMV_ROB	0.33 276	0.18 234	0.53 248	0.21 86	0.14 164	0.33 235	0.20 160	0.51 250	0.45 251	0.51 328	0.55 302	0.45 277	0.42 312	0.71 302	0.32 248	0.18 341	0.19 352	0.23 352	0.21 349	0.14 275	0.15 290

Wz-Net-MNSev	0.36 292	0.26 307	0.79 322	0.26 272	0.21 302	0.59 347	0.38 334	0.55 288	0.56 321	0.48 322	0.54 298	0.53 311	0.36 280	0.60 261	0.44 300	0.11 232	0.09 250	0.11 228	0.11 247	0.15 287	0.13 264

Anonymous	0.20 102	0.14 164	0.47 211	0.27 295	0.20 294	0.25 135	0.25 255	0.32 67	0.26 65	0.18 39	0.18 22	0.15 27	0.19 120	0.24 57	0.18 104	0.10 205	0.09 250	0.09 119	0.09 182	0.15 287	0.13 264

hitnet-ft	0.29 247	0.17 222	0.40 143	0.19 26	0.14 164	0.39 281	0.23 219	0.44 188	0.41 216	0.36 241	0.46 260	0.53 311	0.34 272	0.76 322	0.32 248	0.14 298	0.10 268	0.13 280	0.10 214	0.15 287	0.13 264

AF-Net	0.37 301	0.26 307	0.56 260	0.32 335	0.23 328	0.41 289	0.29 288	0.61 333	0.64 339	0.42 294	0.68 337	0.65 346	0.49 335	0.57 249	0.44 300	0.15 309	0.11 285	0.19 340	0.14 308	0.15 287	0.13 264

SGM-ForestM	1.36 392	0.28 317	0.79 322	0.26 272	0.16 228	2.26 406	1.00 399	1.42 394	1.46 393	2.38 405	2.05 400	5.95 414	2.66 407	2.95 406	2.46 404	0.17 331	0.18 348	0.18 333	0.18 341	0.15 287	0.18 318

PS-NSSS	0.32 270	0.30 330	0.46 204	0.23 170	0.17 244	0.33 235	0.24 241	0.57 309	0.41 216	0.37 246	0.52 290	0.35 212	0.30 244	0.80 335	0.30 239	0.17 331	0.14 316	0.21 345	0.15 316	0.15 287	0.13 264

XPNet_ROB	0.33 276	0.20 257	0.43 182	0.27 295	0.18 262	0.37 267	0.31 302	0.55 288	0.50 296	0.51 328	0.53 295	0.58 324	0.37 288	0.63 279	0.45 303	0.17 331	0.12 302	0.13 280	0.12 279	0.15 287	0.14 281

SGM-Forest	0.36 292	0.17 222	0.47 211	0.23 170	0.16 228	0.45 311	0.41 343	0.55 288	0.48 279	0.52 334	0.60 317	0.52 307	0.41 304	0.85 344	0.50 320	0.17 331	0.17 342	0.17 326	0.15 316	0.15 287	0.15 290
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
GMStereo_Zeroshot	0.24 181	0.21 270	0.45 198	0.26 272	0.13 131	0.28 172	0.15 26	0.39 145	0.35 155	0.37 246	0.43 229	0.40 250	0.17 86	0.34 167	0.20 139	0.12 259	0.07 158	0.13 280	0.07 50	0.16 295	0.09 161

HBP-ISP	0.33 276	0.30 330	0.72 310	0.22 128	0.16 228	0.32 226	0.22 199	0.54 278	0.44 239	0.41 286	0.49 274	0.33 192	0.38 292	0.73 309	0.25 206	0.18 341	0.19 352	0.24 354	0.20 346	0.16 295	0.13 264

Wz-Net-SNSev	0.43 327	0.41 360	1.27 378	0.30 322	0.21 302	0.44 306	0.41 343	0.61 333	0.65 340	0.46 312	0.65 331	0.62 335	0.39 297	0.74 316	0.59 333	0.12 259	0.11 285	0.12 261	0.13 297	0.16 295	0.14 281

SACVNet	0.30 254	0.20 257	0.41 165	0.25 244	0.18 262	0.34 248	0.25 255	0.52 260	0.40 205	0.41 286	0.44 238	0.46 283	0.32 262	0.71 302	0.25 206	0.13 275	0.10 268	0.12 261	0.12 279	0.16 295	0.17 305

APVNet	0.36 292	0.20 257	0.70 307	0.26 272	0.22 317	0.52 339	0.35 321	0.61 333	0.44 239	0.38 254	0.52 290	0.48 290	0.38 292	0.84 343	0.46 309	0.13 275	0.14 316	0.15 311	0.16 327	0.16 295	0.15 290

psmorigin	0.50 343	0.25 296	3.03 404	0.24 207	0.19 280	0.38 274	0.22 199	0.50 237	0.44 239	0.64 352	0.68 337	0.71 359	0.51 339	0.85 344	0.45 303	0.14 298	0.17 342	0.13 280	0.14 308	0.16 295	0.21 342

aanetorigin	0.39 313	0.29 324	1.09 366	0.24 207	0.19 280	0.28 172	0.37 328	0.33 81	0.47 270	0.94 373	0.82 356	0.52 307	0.54 342	0.49 215	0.50 320	0.11 232	0.09 250	0.10 181	0.10 214	0.16 295	0.15 290

S-Stereo	0.38 307	0.20 257	1.05 364	0.27 295	0.22 317	0.38 274	0.32 306	0.55 288	0.66 341	0.39 269	0.59 312	0.49 294	0.41 304	0.75 317	0.40 286	0.12 259	0.15 330	0.13 280	0.13 297	0.16 295	0.21 342

NCC-stereo	0.39 313	0.25 296	0.69 301	0.32 335	0.28 350	0.46 313	0.36 324	0.65 349	0.52 305	0.40 277	0.57 308	0.56 317	0.47 328	0.73 309	0.45 303	0.17 331	0.14 316	0.18 333	0.25 360	0.16 295	0.16 297

edge stereo	0.39 313	0.22 282	0.81 326	0.27 295	0.22 317	0.37 267	0.24 241	0.56 302	0.54 312	0.53 339	0.60 317	0.71 359	0.50 336	0.78 329	0.40 286	0.16 321	0.14 316	0.19 340	0.14 308	0.16 295	0.17 305

Abc-Net	0.39 313	0.25 296	0.69 301	0.32 335	0.28 350	0.46 313	0.36 324	0.65 349	0.52 305	0.40 277	0.57 308	0.56 317	0.47 328	0.73 309	0.45 303	0.17 331	0.14 316	0.18 333	0.25 360	0.16 295	0.16 297
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Anonymous Stereo	0.38 307	0.34 342	1.00 357	0.30 322	0.25 340	0.33 235	0.44 351	0.50 237	0.54 312	0.41 286	0.45 250	0.39 237	0.26 192	0.93 357	0.48 312	0.15 309	0.14 316	0.15 311	0.16 327	0.16 295	0.17 305

NCCL2	0.35 288	0.26 307	0.49 225	0.36 352	0.22 317	0.41 289	0.41 343	0.53 271	0.42 220	0.47 319	0.46 260	0.61 333	0.39 297	0.55 238	0.37 270	0.16 321	0.13 312	0.21 345	0.21 349	0.16 295	0.16 297

ETE_ROB	0.34 283	0.26 307	0.45 198	0.29 315	0.18 262	0.40 286	0.37 328	0.57 309	0.47 270	0.50 323	0.50 276	0.62 335	0.36 280	0.55 238	0.38 272	0.13 275	0.10 268	0.14 299	0.12 279	0.16 295	0.16 297

SGM_RVC	0.50 343	0.19 249	0.50 235	0.25 244	0.15 205	0.69 358	0.39 339	0.68 363	0.82 365	0.95 375	0.84 358	1.13 375	0.76 367	1.16 376	0.60 335	0.16 321	0.16 337	0.16 320	0.16 327	0.16 295	0.17 305
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SDNR	0.42 324	0.21 270	0.82 329	0.21 86	0.18 262	1.27 392	0.17 58	0.50 237	0.49 288	0.42 294	0.81 355	0.38 226	0.27 209	1.19 377	0.38 272	0.23 353	0.24 367	0.17 326	0.13 297	0.17 310	0.20 335

RP	0.35 288	0.22 282	0.51 241	0.31 329	0.24 333	0.37 267	0.28 284	0.50 237	0.58 326	0.40 277	0.63 329	0.61 333	0.47 328	0.61 266	0.39 280	0.16 321	0.15 330	0.17 326	0.15 316	0.17 310	0.17 305

RTSC	0.39 313	0.28 317	0.78 316	0.27 295	0.18 262	0.49 326	0.22 199	0.59 321	0.84 370	0.55 342	0.53 295	0.49 294	0.36 280	0.67 293	0.82 354	0.13 275	0.10 268	0.11 228	0.12 279	0.17 310	0.17 305

DeepPrunerF	0.44 333	0.29 324	1.29 380	0.33 340	0.30 358	0.35 257	0.36 324	0.62 341	1.15 387	0.40 277	0.44 238	0.39 237	0.41 304	0.80 335	0.52 323	0.18 341	0.14 316	0.23 352	0.21 349	0.17 310	0.17 305

DANet	0.35 288	0.23 289	0.60 274	0.36 352	0.22 317	0.39 281	0.25 255	0.48 223	0.43 225	0.52 334	0.50 276	0.59 326	0.41 304	0.76 322	0.49 315	0.13 275	0.11 285	0.14 299	0.12 279	0.17 310	0.15 290
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FBW_ROB	0.43 327	0.26 307	0.54 251	0.31 329	0.20 294	0.51 330	0.32 306	0.70 365	0.60 330	0.59 346	0.55 302	0.65 346	0.41 304	1.40 388	0.51 322	0.13 275	0.17 342	0.21 345	0.16 327	0.17 310	0.18 318

SANet	0.53 352	0.28 317	0.96 353	0.26 272	0.15 205	0.69 358	0.44 351	0.67 360	1.34 389	0.67 355	0.98 368	0.94 370	0.71 365	0.89 351	0.76 348	0.14 298	0.12 302	0.12 261	0.11 247	0.17 310	0.16 297

NOSS_ROB	0.31 261	0.20 257	0.35 86	0.24 207	0.16 228	0.32 226	0.19 122	0.52 260	0.48 279	0.33 194	0.36 158	0.42 260	0.28 222	0.93 357	0.24 197	0.19 346	0.20 357	0.24 354	0.22 356	0.17 310	0.17 305

LALA_ROB	0.36 292	0.25 296	0.46 204	0.30 322	0.21 302	0.47 319	0.39 339	0.61 333	0.51 299	0.52 334	0.51 282	0.69 356	0.36 280	0.50 217	0.43 296	0.17 331	0.11 285	0.16 320	0.14 308	0.17 310	0.15 290

PWC_ROB	0.38 307	0.29 324	0.69 301	0.25 244	0.20 294	0.38 274	0.19 122	0.58 316	0.67 344	0.57 345	0.85 359	0.51 304	0.40 300	0.71 302	0.52 323	0.13 275	0.09 250	0.14 299	0.10 214	0.17 310	0.14 281

MeshStereo	0.58 358	0.27 314	0.67 296	0.22 128	0.17 244	0.66 356	0.37 328	0.78 373	0.61 333	1.47 401	1.30 380	1.65 388	0.79 369	1.12 374	0.59 333	0.17 331	0.17 342	0.17 326	0.14 308	0.17 310	0.14 281
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
FINET	0.34 283	0.27 314	0.80 324	0.24 207	0.24 333	0.36 262	0.34 318	0.54 278	0.72 354	0.39 269	0.47 267	0.32 185	0.30 244	0.51 222	0.32 248	0.19 346	0.17 342	0.13 280	0.12 279	0.18 321	0.16 297

RGC	0.39 313	0.32 340	0.64 291	0.34 342	0.27 347	0.40 286	0.29 288	0.57 309	0.53 309	0.45 309	0.64 330	0.62 335	0.45 319	0.72 307	0.39 280	0.15 309	0.15 330	0.21 345	0.20 346	0.18 321	0.19 325

RYNet	0.37 301	0.18 234	0.59 272	0.25 244	0.28 350	0.61 351	0.32 306	0.59 321	0.59 327	0.41 286	0.38 176	0.57 321	0.39 297	0.87 347	0.53 325	0.11 232	0.08 222	0.12 261	0.11 247	0.18 321	0.18 318

CSAN	0.50 343	0.35 345	0.78 316	0.36 352	0.23 328	0.56 342	0.59 374	0.61 333	0.70 351	0.64 352	0.78 352	0.65 346	0.60 351	1.38 387	0.62 338	0.21 350	0.17 342	0.20 343	0.20 346	0.18 321	0.18 318

WZ-Net	0.52 351	0.38 355	1.90 392	0.30 322	0.24 333	0.57 345	0.48 363	0.62 341	0.78 362	0.50 323	0.71 342	0.68 354	0.54 342	0.98 366	0.84 355	0.13 275	0.10 268	0.11 228	0.12 279	0.19 325	0.20 335

EDNetEfficient	0.63 364	0.37 353	2.40 398	0.26 272	0.25 340	0.38 274	0.49 365	0.41 162	1.06 382	1.38 391	0.87 363	0.62 335	0.95 380	0.65 287	1.65 390	0.11 232	0.09 250	0.10 181	0.11 247	0.19 325	0.17 305

FADNet-RVC	0.31 261	0.35 345	0.78 316	0.25 244	0.20 294	0.33 235	0.20 160	0.49 229	0.40 205	0.34 210	0.39 188	0.41 253	0.29 235	0.63 279	0.31 243	0.13 275	0.14 316	0.14 299	0.15 316	0.19 325	0.19 325

stereogan	0.37 301	0.17 222	0.65 292	0.27 295	0.22 317	0.62 352	0.26 266	0.59 321	0.63 338	0.43 300	0.60 317	0.67 351	0.42 312	0.68 294	0.35 263	0.13 275	0.14 316	0.14 299	0.12 279	0.19 325	0.17 305

ADCPNet	0.48 339	0.29 324	1.60 388	0.27 295	0.23 328	0.70 361	0.38 334	0.53 271	0.51 299	0.51 328	0.59 312	0.67 351	0.56 346	0.60 261	1.14 374	0.15 309	0.18 348	0.14 299	0.23 358	0.19 325	0.19 325

NVstereo2D	0.31 261	0.16 206	0.54 251	0.24 207	0.22 317	0.42 296	0.28 284	0.58 316	0.56 321	0.28 98	0.38 176	0.40 250	0.30 244	0.71 302	0.28 224	0.13 275	0.08 222	0.13 280	0.10 214	0.19 325	0.16 297

PWCDC_ROB	0.38 307	0.30 330	0.60 274	0.33 340	0.20 294	0.42 296	0.19 122	0.58 316	0.89 371	0.42 294	1.26 379	0.36 217	0.34 272	0.50 217	0.38 272	0.18 341	0.11 285	0.11 228	0.09 182	0.19 325	0.13 264

WCMA_ROB	0.51 347	0.21 270	0.65 292	0.25 244	0.21 302	0.58 346	0.32 306	0.54 278	0.55 318	0.95 375	1.40 383	1.28 381	0.81 372	0.73 309	0.62 338	0.18 341	0.15 330	0.15 311	0.15 316	0.19 325	0.19 325

SHD	0.42 324	0.27 314	0.81 326	0.31 329	0.25 340	0.42 296	0.22 199	0.66 355	0.94 378	0.63 350	0.60 317	0.59 326	0.47 328	0.59 260	0.58 332	0.15 309	0.13 312	0.16 320	0.16 327	0.20 333	0.22 347

ADCMid	0.49 341	0.34 342	1.13 370	0.26 272	0.21 302	0.51 330	0.37 328	0.57 309	0.54 312	0.75 364	0.66 333	0.62 335	0.64 361	0.64 281	1.68 391	0.13 275	0.12 302	0.17 326	0.17 336	0.20 333	0.17 305

AnyNet_C32	0.51 347	0.40 357	1.10 369	0.29 315	0.28 350	0.59 347	0.58 372	0.54 278	0.60 330	0.62 349	0.66 333	0.54 313	0.54 342	0.78 329	1.74 394	0.15 309	0.14 316	0.15 311	0.17 336	0.20 333	0.20 335

coex-ft	3.44 408	0.73 382	48.55 432	0.24 207	0.19 280	0.50 329	0.43 348	0.47 212	2.40 400	7.03 413	1.20 376	0.97 373	2.23 404	0.73 309	1.92 398	0.12 259	0.15 330	0.14 299	0.12 279	0.21 336	0.43 377

Wz-Net-TNSev	0.51 347	0.58 375	1.61 390	0.25 244	0.21 302	0.65 354	0.45 353	0.63 347	0.69 349	0.51 328	0.54 298	0.71 359	0.60 351	1.00 367	0.77 351	0.15 309	0.15 330	0.13 280	0.15 316	0.21 336	0.20 335

EDNetEfficientorigin	7.51 412	0.52 373	140.47 434	0.25 244	0.17 244	0.42 296	0.29 288	0.47 212	1.03 379	1.28 388	1.02 369	0.83 365	0.84 375	0.75 317	0.99 364	0.10 205	0.09 250	0.12 261	0.10 214	0.21 336	0.22 347

FADNet_RVC	0.30 254	0.28 317	0.83 330	0.23 170	0.15 205	0.30 208	0.17 58	0.49 229	0.37 174	0.30 150	0.38 176	0.30 169	0.27 209	0.52 228	0.31 243	0.14 298	0.14 316	0.14 299	0.16 327	0.21 336	0.23 353

RTS	0.78 378	0.48 365	4.68 406	0.34 342	0.28 350	1.12 385	0.46 355	0.62 341	1.03 379	0.73 360	0.89 364	0.60 329	0.59 349	1.61 391	1.16 377	0.14 298	0.11 285	0.15 311	0.15 316	0.21 336	0.19 325

RTSA	0.78 378	0.48 365	4.68 406	0.34 342	0.28 350	1.12 385	0.46 355	0.62 341	1.03 379	0.73 360	0.89 364	0.60 329	0.59 349	1.61 391	1.16 377	0.14 298	0.11 285	0.15 311	0.15 316	0.21 336	0.19 325

GASNet	0.36 292	0.46 361	0.88 341	0.34 342	0.23 328	0.35 257	0.22 199	0.60 329	0.53 309	0.40 277	0.37 166	0.45 277	0.30 244	0.79 331	0.35 263	0.15 309	0.10 268	0.14 299	0.14 308	0.22 342	0.12 253

G-Net	0.46 336	0.25 296	0.86 338	0.34 342	0.28 350	0.90 377	0.35 321	0.47 212	0.45 251	0.68 356	1.22 377	0.64 345	0.60 351	0.61 266	0.57 327	0.16 321	0.14 316	0.17 326	0.13 297	0.22 342	0.19 325

ADCS	0.58 358	0.40 357	1.35 383	0.29 315	0.24 333	0.55 341	0.45 353	0.67 360	0.83 368	0.76 365	0.71 342	0.68 354	0.60 351	0.76 322	2.23 402	0.16 321	0.16 337	0.16 320	0.17 336	0.22 342	0.22 347

sAnonymous2	0.20 102	0.21 270	0.58 268	0.24 207	0.17 244	0.22 93	0.19 122	0.34 87	0.28 87	0.17 28	0.19 25	0.17 39	0.16 63	0.17 11	0.14 40	0.10 205	0.07 158	0.09 119	0.08 108	0.23 345	0.17 305

CroCo_RVC	0.20 102	0.21 270	0.58 268	0.24 207	0.17 244	0.22 93	0.19 122	0.34 87	0.28 87	0.17 28	0.19 25	0.17 39	0.16 63	0.17 11	0.14 40	0.10 205	0.07 158	0.09 119	0.08 108	0.23 345	0.17 305

AnyNet_C01	0.65 366	0.58 375	2.60 401	0.32 335	0.26 345	0.88 375	0.61 375	0.63 347	0.62 335	0.68 356	0.96 367	0.76 362	0.60 351	0.96 363	1.43 386	0.16 321	0.16 337	0.17 326	0.17 336	0.23 345	0.23 353

FADNet	0.32 270	0.36 348	0.74 314	0.23 170	0.22 317	0.37 267	0.19 122	0.53 271	0.48 279	0.32 185	0.36 158	0.43 263	0.32 262	0.64 281	0.25 206	0.16 321	0.16 337	0.14 299	0.16 327	0.24 348	0.19 325

MFN_U_SF_DS_RVC	0.51 347	0.50 370	0.86 338	0.39 361	0.24 333	0.84 373	0.55 370	0.56 302	0.62 335	0.60 347	0.68 337	0.62 335	0.42 312	1.13 375	0.43 296	0.23 353	0.27 371	0.27 357	0.35 373	0.25 349	0.29 363

XQC	0.43 327	0.37 353	0.96 353	0.34 342	0.25 340	0.53 340	0.34 318	0.60 329	0.73 357	0.51 328	0.46 260	0.57 321	0.47 328	0.70 299	0.72 347	0.17 331	0.12 302	0.18 333	0.15 316	0.25 349	0.23 353

LSM	1.64 400	0.40 357	2.56 400	2.02 410	17.61 421	0.51 330	0.52 367	0.61 333	0.76 359	0.82 367	1.11 373	0.63 343	0.54 342	0.75 317	0.49 315	0.16 321	0.24 367	0.18 333	0.21 349	0.25 349	2.42 413

DPSNet	0.47 337	0.24 292	0.93 349	0.27 295	0.20 294	0.75 365	0.57 371	0.84 381	0.79 363	0.47 319	0.51 282	0.60 329	0.69 363	0.87 347	0.71 346	0.16 321	0.13 312	0.12 261	0.10 214	0.25 349	0.21 342

PDISCO_ROB	0.43 327	0.30 330	0.67 296	0.43 366	0.36 366	0.67 357	0.32 306	0.72 368	0.76 359	0.43 300	0.53 295	0.63 343	0.40 300	0.66 291	0.47 311	0.21 350	0.12 302	0.21 345	0.19 345	0.25 349	0.20 335

MSMD_ROB	0.60 362	0.33 341	0.61 277	0.30 322	0.25 340	0.86 374	0.35 321	0.55 288	0.67 344	1.10 383	1.49 388	1.76 391	0.97 383	0.88 350	0.49 315	0.23 353	0.21 358	0.27 357	0.27 366	0.25 349	0.24 357

ccnet	0.42 324	0.31 335	0.48 220	0.27 295	0.32 361	0.60 350	0.32 306	0.65 349	0.46 265	0.53 339	0.66 333	0.56 317	0.45 319	0.72 307	0.61 336	0.26 358	0.19 352	0.24 354	0.21 349	0.26 355	0.22 347

MaskLacGwcNet_RVC	0.36 292	0.36 348	0.53 248	0.34 342	0.19 280	0.51 330	0.24 241	0.55 288	0.38 186	0.41 286	0.47 267	0.47 285	0.27 209	0.73 309	0.30 239	0.36 374	0.19 352	0.27 357	0.17 336	0.26 355	0.23 353

FC-DCNN	0.70 371	0.30 330	0.69 301	0.32 335	0.27 347	0.81 372	0.39 339	0.79 376	0.82 365	1.41 394	1.58 393	1.98 393	1.26 392	1.02 369	0.77 351	0.24 356	0.22 362	0.27 357	0.26 364	0.26 355	0.26 359

FCDSN-DC	0.63 364	0.31 335	0.61 277	0.36 352	0.30 358	0.65 354	0.37 328	0.66 355	0.68 347	1.14 385	1.54 391	1.71 390	1.26 392	0.92 356	0.64 342	0.24 356	0.22 362	0.27 357	0.26 364	0.27 358	0.27 362
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
PVD	0.58 358	0.34 342	0.84 334	0.39 361	0.31 360	0.59 347	0.47 359	0.80 377	1.25 388	0.92 372	1.09 371	0.79 363	0.82 373	0.85 344	0.76 348	0.21 350	0.18 348	0.22 351	0.18 341	0.27 358	0.35 371

SAMSARA	0.56 354	0.39 356	0.80 324	0.60 380	0.46 373	1.00 381	1.23 407	0.67 360	0.68 347	0.71 359	0.54 298	0.89 369	0.57 348	0.81 338	0.62 338	0.19 346	0.22 362	0.18 333	0.18 341	0.27 358	0.25 358

GANetREF_RVC	0.43 327	0.47 363	0.69 301	0.38 359	0.20 294	0.51 330	0.48 363	0.66 355	0.66 341	0.46 312	0.46 260	0.50 300	0.44 316	0.90 354	0.39 280	0.27 363	0.21 358	0.32 367	0.18 341	0.27 358	0.22 347
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
MANE	1.41 393	0.36 348	0.74 314	0.43 366	0.41 370	2.16 405	0.80 389	2.39 409	3.38 403	2.22 404	3.06 406	3.54 407	2.73 408	2.15 403	1.94 399	0.28 366	0.27 371	0.30 365	0.46 381	0.28 362	0.34 370

PASM	0.45 334	0.35 345	0.90 344	0.35 351	0.33 362	0.39 281	0.38 334	0.50 237	0.61 333	0.52 334	0.51 282	0.62 335	0.45 319	0.93 357	0.48 312	0.26 358	0.29 375	0.29 363	0.33 371	0.29 363	0.26 359

ELAS_RVC	0.74 376	0.36 348	1.00 357	0.37 357	0.33 362	0.88 375	0.93 396	0.83 380	1.08 383	1.35 390	1.33 382	1.24 379	1.33 395	1.06 371	0.95 362	0.27 363	0.25 369	0.29 363	0.27 366	0.30 364	0.30 364
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.43 327	0.47 363	0.65 292	0.37 357	0.23 328	0.51 330	0.29 288	0.66 355	0.49 288	0.46 312	0.51 282	0.48 290	0.38 292	0.96 363	0.35 263	0.34 373	0.23 365	0.55 381	0.25 360	0.31 365	0.20 335

ELAS	0.74 376	0.36 348	0.85 337	0.36 352	0.33 362	1.36 396	0.77 387	0.93 384	0.92 375	1.41 394	1.53 390	1.16 378	1.17 388	0.95 362	1.03 366	0.26 358	0.25 369	0.28 362	0.28 369	0.31 365	0.30 364
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MFN_U_SF_RVC	0.56 354	0.51 372	1.19 372	0.38 359	0.22 317	0.69 358	0.27 271	0.80 377	0.67 344	0.73 360	0.74 347	0.87 366	0.61 360	0.81 338	0.76 348	0.29 368	0.27 371	0.32 367	0.37 377	0.32 367	0.31 366

Anonymous_2	0.37 301	0.21 270	0.47 211	0.20 57	0.21 302	0.42 296	0.26 266	0.38 134	0.29 105	0.33 194	0.30 99	0.44 273	0.38 292	0.36 180	0.29 233	0.26 358	0.29 375	0.44 375	1.41 409	0.34 368	0.21 342

UDG	0.40 319	0.46 361	0.49 225	0.40 363	0.35 365	0.47 319	0.27 271	0.54 278	0.47 270	0.39 269	0.45 250	0.59 326	0.44 316	0.46 205	0.39 280	0.26 358	0.19 352	0.48 377	0.22 356	0.34 368	0.26 359

NVStereoNet_ROB	0.67 368	0.49 369	0.83 330	0.48 372	0.40 369	0.51 330	0.46 355	0.70 365	0.77 361	0.84 368	1.72 394	1.02 374	0.83 374	1.23 381	0.79 353	0.32 371	0.38 382	0.40 373	0.46 381	0.36 370	0.41 376
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
DDUNet	0.41 321	0.50 370	0.48 220	0.44 368	0.39 367	0.46 313	0.32 306	0.50 237	0.43 225	0.45 309	0.52 290	0.57 321	0.36 280	0.48 210	0.33 255	0.33 372	0.21 358	0.55 381	0.25 360	0.37 371	0.32 369

MSC_U_SF_DS_RVC	0.68 369	0.64 379	1.06 365	0.45 369	0.27 347	1.40 398	0.58 372	0.78 373	0.92 375	0.84 368	0.86 360	0.88 368	0.68 362	1.33 386	0.68 345	0.37 376	0.29 375	0.34 369	0.36 376	0.43 372	0.37 372

MADNet+	1.01 385	1.16 401	4.72 408	0.70 384	0.47 374	1.24 391	0.96 397	0.97 385	0.89 371	0.65 354	0.77 351	0.87 366	0.85 377	2.09 401	1.68 391	0.38 377	0.39 383	0.31 366	0.27 366	0.43 372	0.39 374

SQANet	0.40 319	0.48 365	0.67 296	0.48 372	0.39 367	0.48 323	0.22 199	0.51 250	0.43 225	0.40 277	0.47 267	0.47 285	0.33 265	0.54 237	0.32 248	0.36 374	0.15 330	0.40 373	0.21 349	0.45 374	0.31 366

anonymity	0.56 354	0.54 374	0.70 307	0.47 371	0.61 383	0.56 342	0.43 348	0.69 364	0.49 288	0.63 350	0.55 302	0.54 313	0.60 351	0.61 266	0.57 327	0.55 383	0.53 391	0.50 378	0.54 389	0.51 375	0.56 385

Consistency-Raft	0.55 353	0.48 365	1.02 361	0.45 369	0.49 375	0.49 326	0.47 359	0.72 368	0.72 354	0.45 309	0.82 356	0.47 285	0.60 351	0.50 217	0.63 341	0.39 378	0.39 383	0.44 375	0.51 386	0.52 376	0.37 372

SGM+DAISY	0.87 380	0.66 381	1.30 381	0.51 375	0.60 382	1.03 382	0.84 393	0.76 371	0.73 357	1.39 392	1.51 389	1.31 382	1.22 390	1.11 372	1.08 368	0.57 385	0.53 391	0.51 380	0.51 386	0.54 377	0.61 392

SPS-STEREO	0.69 370	0.61 377	0.98 355	0.52 377	0.57 381	0.74 363	0.50 366	0.78 373	0.62 335	0.95 375	0.86 360	0.94 370	0.70 364	1.01 368	0.87 359	0.58 386	0.51 388	0.50 378	0.50 385	0.55 378	0.58 387
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
BEATNet-Init1	4.73 411	2.61 411	13.29 421	0.58 378	0.53 379	10.12 416	3.33 412	4.83 412	5.01 411	8.75 415	8.51 413	14.08 422	7.60 414	7.70 415	5.34 412	0.28 366	0.28 374	0.34 369	0.37 377	0.57 379	0.45 378

JetBlue	1.14 390	0.76 383	2.36 396	0.59 379	0.75 389	3.04 409	1.78 409	1.11 387	0.90 373	0.94 373	1.10 372	1.66 389	1.28 394	2.09 401	1.72 393	0.43 379	0.36 381	0.38 371	0.38 379	0.58 380	0.56 385

otaku	0.57 357	0.62 378	0.87 340	0.63 382	0.44 372	0.73 362	0.37 328	0.65 349	0.66 341	0.51 328	0.75 348	0.66 350	0.45 319	0.69 296	0.46 309	0.53 380	0.34 380	0.55 381	0.35 373	0.60 381	0.45 378

Ntro	0.58 358	0.64 379	0.92 347	0.66 383	0.50 376	0.77 366	0.36 324	0.66 355	0.70 351	0.50 323	0.59 312	0.65 346	0.51 339	0.75 317	0.45 303	0.56 384	0.32 379	0.56 384	0.34 372	0.63 382	0.46 381

DGSMNet	0.61 363	0.29 324	0.91 345	0.51 375	0.70 387	0.62 352	1.38 408	0.59 321	0.55 318	0.37 246	0.61 324	0.52 307	0.33 265	0.65 287	0.43 296	0.53 380	0.60 398	0.67 386	0.61 394	0.63 382	0.61 392

ACVNet_1	0.72 372	0.81 385	1.37 384	0.72 385	0.53 379	0.77 366	0.42 346	0.85 383	0.90 373	0.74 363	0.75 348	1.32 383	0.72 366	1.02 369	0.55 326	0.54 382	0.31 378	0.71 388	0.35 373	0.64 384	0.45 378

ACVNet-4b	0.72 372	0.81 385	1.33 382	0.72 385	0.50 376	0.80 371	0.31 302	0.71 367	0.80 364	0.50 323	0.72 346	0.95 372	0.43 315	0.96 363	1.20 381	1.13 406	0.21 358	0.76 390	0.45 380	0.65 385	0.46 381

DispFullNet	0.66 367	0.89 390	1.59 387	0.77 387	1.21 404	0.51 330	0.23 219	0.59 321	0.72 354	0.69 358	0.61 324	0.69 356	0.91 379	0.79 331	0.48 312	0.27 363	0.12 302	0.73 389	0.30 370	0.65 385	0.40 375

WAO-7	1.01 385	0.89 390	0.93 349	0.83 390	0.66 386	1.18 387	0.81 391	1.40 393	1.57 394	1.11 384	1.76 396	1.45 385	1.19 389	1.50 390	1.14 374	0.61 387	0.62 401	0.70 387	0.68 396	0.66 387	0.60 389

MFMNet_re	0.72 372	0.76 383	0.99 356	0.62 381	0.70 387	0.77 366	0.67 378	0.75 370	0.83 368	0.78 366	0.86 360	0.69 356	0.78 368	0.71 302	0.61 336	0.66 389	0.59 397	0.61 385	0.58 393	0.68 388	0.71 396

ACVNet_2	0.89 381	0.87 389	1.25 376	0.82 388	0.62 384	0.97 380	0.62 376	1.14 388	1.42 391	1.00 378	1.40 383	1.47 386	0.84 375	1.11 372	0.66 344	0.61 387	0.43 385	0.78 391	0.49 383	0.75 389	0.52 383

RainbowNet	0.72 372	0.89 390	1.02 361	0.82 388	0.63 385	0.78 369	0.52 367	0.81 379	0.93 377	0.60 347	0.79 353	0.80 364	0.60 351	0.80 335	0.57 327	0.78 393	0.55 394	0.78 391	0.49 383	0.76 390	0.58 387

WAO-6	1.07 388	0.93 393	0.92 347	0.96 392	0.78 392	1.28 393	0.75 384	1.34 391	2.00 398	1.02 380	1.54 391	1.59 387	1.22 390	1.31 385	1.14 374	0.78 393	0.55 394	1.02 399	0.75 400	0.83 391	0.69 395

IMH-64-1	0.91 382	0.86 387	0.84 334	0.97 393	0.75 389	0.92 378	0.71 380	1.27 389	1.10 384	0.89 370	1.45 385	1.14 376	0.96 381	1.19 377	0.84 355	0.74 390	0.51 388	0.97 395	0.55 390	0.84 392	0.60 389

IMH-64	0.91 382	0.86 387	0.84 334	0.97 393	0.75 389	0.92 378	0.71 380	1.27 389	1.10 384	0.89 370	1.45 385	1.14 376	0.96 381	1.19 377	0.84 355	0.74 390	0.51 388	0.97 395	0.55 390	0.84 392	0.60 389

IMH	1.05 387	0.95 394	1.00 357	1.01 395	0.78 392	1.11 384	0.68 379	1.38 392	1.43 392	1.00 378	1.72 394	1.43 384	1.14 385	1.73 396	0.89 360	1.09 403	0.55 394	0.99 397	0.57 392	0.87 394	0.62 394

LVE	1.13 389	1.02 395	1.28 379	1.01 395	0.80 395	1.29 394	0.81 391	1.47 396	1.96 396	1.07 382	1.90 397	1.90 392	1.01 384	1.48 389	0.91 361	0.93 400	0.61 400	0.94 394	0.69 397	0.87 394	0.75 400

WAO-8	1.46 396	1.10 399	1.09 366	1.10 398	0.84 396	2.06 402	0.75 384	1.84 402	3.83 406	1.44 398	2.21 402	2.15 395	1.43 397	3.17 407	1.19 379	0.91 398	0.65 403	1.09 400	0.79 401	0.90 396	0.71 396

Venus	1.46 396	1.10 399	1.09 366	1.10 398	0.84 396	2.06 402	0.75 384	1.84 402	3.83 406	1.44 398	2.21 402	2.15 395	1.43 397	3.17 407	1.19 379	0.91 398	0.65 403	1.09 400	0.79 401	0.90 396	0.71 396

Dean	1.17 391	1.04 397	1.49 386	1.03 397	0.78 392	1.20 390	0.77 387	1.48 397	1.96 396	1.28 388	1.99 399	2.15 395	1.14 385	1.25 382	1.00 365	0.81 395	0.60 398	1.01 398	0.69 397	0.92 398	0.74 399

PWCK	1.00 384	1.17 402	1.70 391	0.91 391	0.41 370	1.19 389	0.92 395	1.10 386	1.14 386	1.16 386	1.14 374	1.25 380	0.88 378	1.75 397	1.04 367	0.87 397	0.50 386	0.87 393	0.53 388	0.96 399	0.52 383

SuperB	0.49 341	0.28 317	2.23 394	0.23 170	0.15 205	0.41 289	0.32 306	0.47 212	0.82 365	0.43 300	0.50 276	0.33 192	0.45 319	0.68 294	1.08 368	0.10 205	0.07 158	0.09 119	0.08 108	0.98 400	0.14 281

UNDER WATER-64	1.55 398	1.19 403	2.52 399	1.31 403	0.95 400	2.12 404	1.21 406	1.45 395	3.19 402	1.43 397	1.32 381	2.64 402	2.04 403	1.63 393	1.83 395	1.11 404	0.67 405	1.28 405	0.92 404	1.19 401	1.02 405

UNDER WATER	1.59 399	1.22 404	2.36 396	1.38 404	1.03 401	1.67 401	1.10 403	1.54 400	3.63 404	1.44 398	1.47 387	2.85 404	2.25 405	1.67 394	1.94 399	1.06 402	0.62 401	1.31 406	0.93 405	1.21 402	1.02 405

TorneroNet-64	1.43 394	1.03 396	1.20 373	1.10 398	0.86 398	2.26 406	0.73 383	1.84 402	3.84 408	1.25 387	2.25 404	2.69 403	1.42 396	1.76 398	1.43 386	0.76 392	0.50 386	1.09 400	0.66 395	1.23 403	0.76 401

TorneroNet	2.22 404	1.08 398	1.24 375	1.14 402	0.90 399	5.58 411	0.80 389	2.12 407	8.69 414	2.58 406	5.42 411	3.88 408	1.97 402	1.78 400	1.87 396	0.86 396	0.54 393	1.15 404	0.74 399	1.23 403	0.85 402

notaker	1.45 395	1.34 405	1.48 385	1.40 405	1.07 402	1.18 387	0.85 394	1.48 397	1.40 390	1.51 402	3.46 407	2.40 400	1.81 401	1.76 398	1.45 389	1.11 404	0.69 406	1.38 407	0.87 403	1.31 405	0.97 404

SPstereo	14.25 419	1.73 409	2.83 403	1.84 409	1.57 409	23.16 426	43.27 426	35.72 433	29.56 433	20.86 430	20.62 424	26.34 433	21.82 426	25.23 433	19.62 425	1.56 409	1.42 409	2.96 413	2.17 411	1.31 405	1.33 410

ktn	1.77 402	1.36 406	1.22 374	1.43 406	1.14 403	1.52 399	1.08 402	1.51 399	3.96 409	2.77 408	4.69 409	3.35 406	1.46 399	1.69 395	1.25 383	1.43 408	0.77 407	1.45 408	0.99 406	1.32 407	0.96 403

KSHMR	1.89 403	1.36 406	1.60 388	1.47 407	1.22 405	1.38 397	1.06 401	1.79 401	5.97 412	1.42 396	5.65 412	2.98 405	1.14 385	2.23 404	1.20 381	1.27 407	1.12 408	1.46 409	1.10 408	1.32 407	1.15 407

JetRed	2.30 406	2.64 412	6.12 409	1.12 401	1.38 407	5.85 412	3.29 411	1.99 405	1.67 395	1.98 403	1.95 398	2.16 398	1.60 400	2.48 405	4.10 410	1.05 401	1.60 410	1.09 400	1.01 407	1.67 409	1.28 408

MADNet++	2.26 405	1.80 410	2.06 393	2.13 412	1.97 410	2.61 408	1.79 410	2.38 408	2.16 399	2.75 407	2.65 405	2.38 399	2.43 406	3.17 407	3.21 406	2.17 410	1.95 411	1.94 411	1.63 410	2.06 410	2.01 412

HanzoNet	2.97 407	1.69 408	2.29 395	1.74 408	1.33 406	1.53 400	1.03 400	1.99 405	2.64 401	5.51 411	5.16 410	5.90 413	6.82 413	4.32 412	3.29 407	3.16 412	2.02 413	1.92 410	2.87 414	2.24 411	1.89 411

tt	4.71 410	0.10 24	3.94 405	2.06 411	1.53 408	10.14 417	16.88 417	9.27 417	4.98 410	1.39 392	1.02 369	4.68 409	4.90 410	3.35 410	5.86 413	5.76 416	9.15 421	2.24 412	2.53 413	3.10 412	1.32 409

DPSimNet_ROB	4.34 409	4.23 413	6.89 411	3.67 413	3.68 411	4.75 410	5.21 413	2.67 410	3.68 405	5.82 412	3.95 408	5.57 410	6.72 412	3.46 411	4.48 411	4.05 415	2.88 414	4.68 416	3.12 415	3.69 413	3.62 415

DGTPSM_ROB	8.34 413	5.10 414	10.37 419	5.31 415	10.18 415	8.33 413	23.60 421	6.06 414	13.41 420	4.90 409	10.87 418	5.65 411	10.44 415	6.17 413	12.59 416	3.74 413	7.55 416	3.69 414	7.26 418	4.14 414	7.46 416

DPSMNet_ROB	8.40 414	5.11 415	10.49 420	5.58 416	10.25 416	8.34 414	23.62 422	6.07 415	13.45 421	4.93 410	10.88 419	5.66 412	10.44 415	6.24 414	12.64 417	3.98 414	7.61 417	3.76 415	7.30 419	4.20 415	7.51 417

DPSM_ROB	11.49 417	9.87 421	10.35 417	11.13 418	11.31 417	19.11 424	27.51 424	13.37 422	14.21 423	10.31 419	11.06 420	10.96 420	11.27 421	11.96 422	13.59 419	6.78 418	8.19 419	6.03 417	7.09 416	7.93 416	7.73 419

DPSM	11.49 417	9.87 421	10.35 417	11.13 418	11.31 417	19.11 424	27.51 424	13.37 422	14.21 423	10.31 419	11.06 420	10.96 420	11.27 421	11.96 422	13.59 419	6.78 418	8.19 419	6.03 417	7.09 416	7.93 416	7.73 419

PML	16.10 423	12.82 424	6.78 410	5.23 414	7.76 413	33.92 427	66.56 433	5.30 413	10.28 415	26.12 432	68.59 433	20.51 424	13.49 423	10.06 417	6.78 415	5.96 417	2.00 412	6.04 419	2.18 412	8.96 418	2.60 414

xxxxx1	15.27 420	9.54 418	10.31 414	20.13 423	18.88 422	17.08 419	23.03 418	10.36 418	10.99 416	9.21 416	9.62 414	10.74 417	10.61 418	10.72 418	13.89 421	7.97 420	9.20 422	31.85 431	44.72 431	12.84 419	13.69 421

tt_ll	15.27 420	9.54 418	10.31 414	20.13 423	18.88 422	17.08 419	23.03 418	10.36 418	10.99 416	9.21 416	9.62 414	10.74 417	10.61 418	10.72 418	13.89 421	7.97 420	9.20 422	31.85 431	44.72 431	12.84 419	13.69 421

ff	15.27 420	9.54 418	10.31 414	20.13 423	18.88 422	17.08 419	23.03 418	10.36 418	10.99 416	9.21 416	9.62 414	10.74 417	10.61 418	10.72 418	13.89 421	7.97 420	9.20 422	31.85 431	44.72 431	12.84 419	13.69 421

LRCNet_RVC	10.90 416	14.34 425	9.35 412	15.35 420	8.04 414	1.08 383	0.34 318	8.78 416	0.70 351	12.63 422	16.05 422	9.85 415	6.54 411	8.57 416	6.34 414	20.27 430	5.40 415	23.70 428	21.88 427	14.87 422	13.83 424

MyStereo03	23.12 428	19.90 427	20.85 425	22.49 427	22.71 426	38.42 429	55.53 430	26.80 427	28.72 429	20.77 427	22.25 428	22.03 426	22.69 427	23.90 426	27.38 431	13.62 425	16.50 428	12.15 421	14.28 422	15.95 423	15.53 425

MyStereo02	23.12 428	19.90 427	20.85 425	22.49 427	22.71 426	38.42 429	55.53 430	26.80 427	28.72 429	20.77 427	22.25 428	22.03 426	22.69 427	23.90 426	27.38 431	13.62 425	16.50 428	12.15 421	14.28 422	15.95 423	15.53 425

MyStereo	23.12 428	19.90 427	20.85 425	22.49 427	22.71 426	38.42 429	55.53 430	26.80 427	28.72 429	20.77 427	22.25 428	22.03 426	22.69 427	23.90 426	27.38 431	13.62 425	16.50 428	12.15 421	14.28 422	15.95 423	15.53 425

CasAABBNet	23.10 427	19.86 426	20.64 424	22.47 426	22.73 429	38.41 428	55.50 429	26.89 430	28.70 428	20.61 425	22.15 427	22.08 429	22.75 430	23.99 429	27.36 429	13.59 423	16.48 426	12.14 420	14.27 421	15.95 423	15.53 425

Selective-RAFT-Error	23.16 431	19.93 430	20.87 428	22.54 430	22.81 430	38.52 433	55.47 428	27.01 432	28.83 432	20.66 426	22.25 428	22.09 430	22.80 432	24.09 430	27.36 429	13.61 424	16.48 426	12.15 421	14.28 422	15.99 427	15.57 429

LSM0	24.24 432	19.98 431	22.32 429	24.22 431	40.14 433	38.48 432	55.20 427	26.95 431	28.57 427	20.49 424	21.83 425	22.26 431	22.75 430	24.22 431	27.30 428	13.66 428	16.32 425	12.19 425	14.15 420	16.10 428	17.66 430

HaxPig	17.72 425	20.22 432	19.73 422	16.53 421	16.51 420	9.27 415	9.33 414	14.34 424	13.27 419	18.65 423	18.70 423	17.35 423	16.77 424	17.04 424	16.45 424	22.05 431	20.89 431	22.27 427	21.53 426	21.29 429	22.13 431

MEDIAN_ROB	21.21 426	24.62 433	23.47 430	19.58 422	19.65 425	13.22 418	10.96 415	17.88 425	17.00 425	22.14 431	22.02 426	20.86 425	20.36 425	21.06 425	19.71 426	25.63 432	24.13 432	26.21 429	25.20 428	25.17 430	25.38 432

AVERAGE_ROB	25.43 433	29.06 434	27.24 431	24.63 432	24.20 432	17.73 422	12.61 416	22.29 426	21.39 426	26.79 433	26.16 432	25.20 432	24.64 433	25.07 432	23.53 427	29.96 433	28.40 433	30.60 430	29.58 429	29.72 431	29.84 433

DLNR_Zeroshot_test	10.44 415	12.10 423	19.93 423	106.08 434	23.66 431	0.14 3	0.13 3	3.22 411	0.17 3	0.16 24	0.23 49	0.16 34	0.10 4	0.31 149	0.15 51	2.36 411	0.06 72	0.07 14	0.07 50	39.70 432	0.06 18

Anonymous_1	16.62 424	9.35 417	9.84 413	10.66 417	14.64 419	18.66 423	27.12 423	12.64 421	13.51 422	10.76 421	10.30 417	10.13 416	10.60 417	11.06 421	12.74 418	15.87 429	7.74 418	16.92 426	43.48 430	58.66 433	7.68 418

test_example2	101.33 434	108.28 435	68.15 433	98.43 433	106.93 434	89.75 434	102.43 434	36.80 434	97.65 434	129.04 434	130.15 434	65.26 434	66.62 434	92.11 434	80.24 434	144.10 434	199.48 434	81.81 434	103.01 434	125.01 434	101.27 434

ASD4		6.65 416

Low-res two-view benchmark