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	0.14 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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	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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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.
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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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
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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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
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

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

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

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

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
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
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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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