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

sCroCo_RVC	0.21 1	0.14 19	1.54 44	0.01 9	0.00 1	0.13 1	0.04 52	1.10 7	0.65 19	0.10 6	0.05 11	0.03 1	0.04 9	0.23 12	0.05 3	0.00 1	0.07 143	0.00 1	0.00 1	0.01 19	0.00 1

PMTNet	0.21 1	0.19 29	0.85 6	0.02 32	0.02 69	1.14 13	0.30 109	0.88 6	0.11 1	0.03 2	0.02 5	0.07 13	0.02 4	0.37 26	0.12 17	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.00 1

CREStereo	0.22 3	0.17 23	0.64 1	0.00 1	0.01 50	1.22 25	0.01 15	1.15 8	0.56 16	0.10 6	0.07 15	0.04 2	0.00 1	0.32 20	0.10 15	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.00 1
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
Anonymous	0.25 4	0.13 18	1.19 21	0.00 1	0.00 1	0.24 2	0.01 15	2.54 23	0.42 11	0.02 1	0.02 5	0.05 6	0.07 15	0.15 4	0.06 8	0.00 1	0.01 100	0.00 1	0.00 1	0.10 99	0.08 112

GMStereo	0.25 4	0.60 109	1.28 26	0.01 9	0.00 1	0.48 5	0.00 1	0.74 5	1.24 59	0.16 14	0.03 9	0.07 13	0.09 20	0.22 10	0.10 15	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

XX-TBD	0.28 6	0.39 65	0.97 12	0.05 63	0.00 1	1.09 10	0.00 1	0.71 4	0.54 15	0.44 23	1.04 78	0.06 9	0.06 13	0.19 5	0.09 12	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

CREStereo++_RVC	0.29 7	0.19 29	0.83 4	0.05 63	0.00 1	1.19 18	0.00 1	0.66 2	0.99 37	0.25 15	1.26 91	0.05 6	0.07 15	0.20 7	0.09 12	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

s12784h	0.29 7	0.19 29	0.83 4	0.05 63	0.00 1	1.19 18	0.00 1	0.66 2	0.99 37	0.25 15	1.26 91	0.05 6	0.07 15	0.20 7	0.09 12	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

TANstereo	0.30 9	0.28 48	0.86 7	0.03 43	0.01 50	1.14 13	0.00 1	0.53 1	0.44 13	1.06 54	1.24 89	0.06 9	0.05 11	0.25 13	0.05 3	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

iRaftStereo_RVC	0.36 10	0.27 46	0.76 2	0.01 9	0.00 1	1.20 23	0.01 15	2.15 15	0.62 18	0.15 13	0.22 33	0.69 39	0.12 32	0.28 17	0.18 18	0.00 1	0.06 140	0.00 1	0.00 1	0.27 140	0.22 148

CroCo_RVC	0.37 11	0.32 53	3.21 102	0.01 9	0.00 1	0.35 3	0.08 72	1.96 12	0.90 32	0.03 2	0.05 11	0.04 2	0.11 26	0.11 1	0.02 1	0.00 1	0.00 1	0.00 1	0.00 1	0.14 108	0.18 139

sAnonymous2	0.37 11	0.32 53	3.21 102	0.01 9	0.00 1	0.35 3	0.08 72	1.96 12	0.90 32	0.03 2	0.05 11	0.04 2	0.11 26	0.11 1	0.02 1	0.00 1	0.00 1	0.00 1	0.00 1	0.14 108	0.18 139

rafts_anoy	0.39 13	0.44 79	1.15 19	0.06 67	0.03 76	1.12 12	0.04 52	2.75 26	0.33 10	0.10 6	0.16 25	0.11 21	0.19 44	0.74 34	0.31 33	0.00 1	0.14 155	0.00 1	0.01 125	0.02 34	0.05 88

Gwc-CoAtRS	0.42 14	0.12 13	1.28 26	0.03 43	0.13 103	1.03 8	0.02 28	2.33 17	0.15 5	0.35 19	0.01 1	2.27 84	0.03 7	0.20 7	0.25 22	0.00 1	0.01 100	0.00 1	0.22 164	0.01 19	0.01 26

MSMDNet	0.42 14	0.16 22	1.38 37	0.03 43	0.14 105	1.23 31	0.05 61	1.50 9	0.15 5	0.41 22	0.01 1	2.67 92	0.03 7	0.22 10	0.26 26	0.00 1	0.02 118	0.00 1	0.21 163	0.01 19	0.01 26

raft+_RVC	0.42 14	0.48 91	1.11 17	0.51 140	0.17 114	1.16 15	0.04 52	2.25 16	0.59 17	0.12 9	0.42 52	0.08 15	0.15 36	0.60 32	0.28 27	0.00 1	0.09 150	0.00 1	0.00 1	0.06 74	0.19 143

R-Stereo Train	0.44 17	0.09 7	0.94 9	0.02 32	0.00 1	1.24 32	0.09 77	3.65 70	0.11 1	1.87 81	0.42 52	0.06 9	0.01 2	0.25 13	0.05 3	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 56

RALCasStereoNet	0.44 17	0.44 79	1.03 13	0.03 43	0.00 1	1.10 11	0.03 44	2.46 22	0.90 32	0.07 5	0.32 37	0.12 22	0.20 47	1.28 40	0.25 22	0.00 1	0.31 167	0.00 1	0.00 1	0.08 82	0.12 125

RAFT-Stereo	0.44 17	0.09 7	0.94 9	0.02 32	0.00 1	1.24 32	0.09 77	3.65 70	0.11 1	1.87 81	0.42 52	0.06 9	0.01 2	0.25 13	0.05 3	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 56
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
raftrobust	0.46 20	0.42 71	1.05 14	0.01 9	0.21 119	1.17 16	0.05 61	2.07 14	0.19 8	2.98 112	0.02 5	0.12 22	0.15 36	0.25 13	0.31 33	0.00 1	0.03 125	0.00 1	0.00 1	0.08 82	0.06 102

Anonymous3	0.49 21	0.12 13	2.21 73	0.01 9	0.00 1	2.53 111	0.09 77	3.16 40	0.65 19	0.12 9	0.22 33	0.12 22	0.05 11	0.37 26	0.08 10	0.00 1	0.07 143	0.00 1	0.00 1	0.04 59	0.03 74

CFNet-RSSM	0.51 22	0.12 13	1.26 25	0.03 43	0.14 105	1.24 32	0.02 28	4.12 92	0.15 5	0.31 17	0.01 1	1.96 73	0.04 9	0.19 5	0.25 22	0.00 1	0.01 100	0.00 1	0.27 168	0.01 19	0.01 26

FENet	0.52 23	0.07 1	1.62 47	0.04 57	0.00 1	1.19 18	0.05 61	3.10 38	0.98 36	0.89 42	0.01 1	1.63 61	0.09 20	0.47 30	0.28 27	0.00 1	0.01 100	0.00 1	0.00 1	0.00 1	0.01 26

RALAANet	0.54 24	0.62 111	1.41 38	0.01 9	0.01 50	0.92 6	0.02 28	2.39 18	1.87 107	1.13 59	0.38 49	0.15 25	0.30 60	1.00 38	0.38 40	0.00 1	0.00 1	0.00 1	0.04 141	0.14 108	0.01 26

ACVNet	0.57 25	0.21 36	1.34 31	0.09 81	0.00 1	1.36 46	0.22 101	2.40 19	1.05 44	0.63 31	0.66 67	1.94 71	0.26 55	0.31 18	0.79 71	0.00 1	0.00 1	0.00 1	0.00 1	0.08 82	0.00 1

DIP-Stereo	0.58 26	0.23 42	0.90 8	0.08 76	0.00 1	1.43 60	0.01 15	6.01 155	1.38 67	0.92 45	0.11 19	0.04 2	0.19 44	0.12 3	0.07 9	0.00 1	0.01 100	0.00 1	0.00 1	0.03 44	0.01 26
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RAFT-Stereo + iAFF	0.60 27	0.36 60	0.96 11	0.03 43	0.02 69	1.21 24	0.02 28	2.80 27	1.55 89	1.08 55	2.63 116	0.43 29	0.16 38	0.37 26	0.25 22	0.00 1	0.02 118	0.00 1	0.00 1	0.19 125	0.01 26

GES	0.61 28	0.08 4	1.78 55	0.00 1	0.00 1	1.59 75	0.07 70	5.32 143	0.13 4	0.62 30	0.32 37	0.37 28	0.67 93	0.68 33	0.49 48	0.03 142	0.00 1	0.01 131	0.00 1	0.02 34	0.01 26

TestStereo	0.61 28	0.55 99	1.84 60	0.00 1	0.00 1	0.94 7	0.00 1	1.65 10	0.23 9	0.12 9	0.03 9	0.08 15	0.06 13	6.59 129	0.08 10	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

AFF-stereo	0.65 30	0.46 85	0.82 3	0.37 129	0.00 1	1.19 18	0.00 1	3.04 34	1.42 74	0.72 36	1.95 110	1.16 50	0.26 55	0.97 37	0.31 33	0.00 1	0.02 118	0.00 1	0.00 1	0.21 128	0.02 56

AdaStereo	0.65 30	0.09 7	1.12 18	0.02 32	0.00 1	1.45 63	0.23 104	4.38 104	1.44 79	1.17 62	0.37 48	1.56 56	0.18 41	0.56 31	0.37 39	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.00 1
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.
cscssc	0.66 32	0.42 71	2.21 73	0.01 9	0.01 50	1.22 25	0.02 28	3.26 42	1.04 40	2.34 98	0.14 20	0.09 17	1.83 121	0.34 23	0.29 29	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.05 88

csc	0.66 32	0.42 71	2.21 73	0.01 9	0.01 50	1.22 25	0.02 28	3.26 42	1.04 40	2.34 98	0.14 20	0.09 17	1.83 121	0.34 23	0.29 29	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.05 88

GwcNet-DCA	0.66 32	0.43 76	2.21 73	0.03 43	0.00 1	1.22 25	0.01 15	3.26 42	1.85 106	2.61 106	0.21 31	0.09 17	0.49 75	0.33 22	0.39 41	0.00 1	0.00 1	0.00 1	0.00 1	0.02 34	0.06 102

UCFNet_RVC	0.66 32	0.35 58	1.20 23	0.02 32	0.30 137	1.53 70	0.01 15	3.42 59	0.67 21	1.12 58	0.73 71	1.26 52	0.20 47	1.84 42	0.46 47	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

DMCA	0.68 36	0.22 38	1.96 63	0.01 9	0.01 50	1.28 36	0.02 28	3.02 32	1.54 88	2.14 90	0.15 24	1.74 64	0.10 25	0.45 29	0.95 78	0.00 1	0.00 1	0.00 1	0.00 1	0.02 34	0.01 26

HCRNet	0.73 37	0.19 29	1.10 16	0.01 9	0.00 1	1.17 16	0.01 15	3.07 37	1.97 109	0.60 29	0.21 31	0.56 34	0.11 26	5.34 102	0.20 19	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.02 56

DN-CSS_ROB	0.77 38	0.90 144	2.01 67	0.85 157	0.00 1	1.47 65	0.01 15	2.92 31	0.93 35	0.12 9	0.53 61	0.44 30	0.16 38	4.33 69	0.35 37	0.00 1	0.00 1	0.00 1	0.00 1	0.30 149	0.01 26

CFNet_RVC	0.77 38	0.46 85	1.34 31	0.01 9	0.27 132	1.32 40	0.02 28	2.40 19	0.68 22	0.63 31	0.18 28	3.23 112	0.21 50	3.97 61	0.54 52	0.00 1	0.00 1	0.01 131	0.00 1	0.03 44	0.02 56

CFNet-ft	0.77 38	0.46 85	1.34 31	0.01 9	0.27 132	1.32 40	0.02 28	2.40 19	0.68 22	0.63 31	0.18 28	3.23 112	0.21 50	3.97 61	0.54 52	0.00 1	0.00 1	0.01 131	0.00 1	0.03 44	0.02 56

222	0.78 41	0.42 71	3.67 117	0.03 43	0.01 50	1.22 25	0.02 28	3.26 42	1.90 108	2.34 98	0.14 20	0.09 17	1.83 121	0.34 23	0.29 29	0.00 1	0.00 1	0.00 1	0.00 1	0.02 34	0.05 88

acv_ft	0.79 42	0.21 36	1.28 26	0.01 9	1.08 166	1.68 85	0.01 15	3.75 75	1.05 44	1.31 69	0.66 67	1.94 71	0.46 73	0.31 18	1.68 97	0.00 1	0.00 1	0.00 1	0.00 1	0.27 140	0.00 1

111	0.79 42	0.70 123	2.21 73	0.01 9	0.01 50	1.19 18	0.16 89	3.78 77	1.98 110	1.22 66	0.91 74	2.01 74	0.32 64	0.32 20	0.64 63	0.00 1	0.00 1	0.00 1	0.00 1	0.08 82	0.17 135

HITNet	0.80 44	0.58 105	2.14 71	0.69 152	0.00 1	1.35 44	0.02 28	4.50 113	1.15 52	1.76 77	0.16 25	0.60 35	0.30 60	1.13 39	1.64 95	0.00 1	0.00 1	0.00 1	0.00 1	0.06 74	0.00 1
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
pcwnet_v2	0.83 45	0.08 4	1.23 24	0.41 133	0.00 1	1.62 80	0.04 52	4.49 112	1.67 96	1.44 72	1.47 97	0.70 40	0.26 55	2.50 45	0.63 61	0.00 1	0.01 100	0.00 1	0.00 1	0.00 1	0.03 74

StereoDRNet-Refined	0.83 45	0.12 13	1.18 20	0.02 32	0.01 50	1.31 39	0.00 1	3.33 50	1.07 47	1.92 84	1.24 89	2.48 89	0.18 41	1.86 43	1.67 96	0.00 1	0.00 1	0.00 1	0.00 1	0.14 108	0.05 88
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
STTStereo	0.83 45	0.34 57	2.44 82	0.24 111	0.15 110	1.41 56	0.10 82	3.02 32	1.55 89	1.34 70	0.17 27	1.77 66	0.45 71	3.42 49	0.30 32	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.01 26

psm_up	0.84 48	0.32 53	1.44 40	0.02 32	0.00 1	1.98 97	0.05 61	3.40 55	1.04 40	2.06 88	0.40 50	1.74 64	0.45 71	3.47 50	0.24 20	0.06 149	0.00 1	0.00 1	0.00 1	0.08 82	0.00 1

DeepPruner_ROB	0.86 49	0.50 95	1.80 56	0.01 9	0.00 1	1.57 73	0.17 92	3.48 64	0.42 11	3.31 120	0.02 5	2.09 79	0.17 40	3.01 46	0.61 59	0.00 1	0.00 1	0.00 1	0.00 1	0.12 105	0.01 26

UPFNet	0.87 50	0.09 7	2.05 69	0.00 1	0.00 1	1.90 95	0.11 83	3.41 57	0.83 29	2.15 91	0.10 18	1.92 70	0.09 20	3.94 60	0.70 65	0.00 1	0.00 1	0.00 1	0.00 1	0.02 34	0.00 1

CFNet-pseudo	0.88 51	0.11 11	1.34 31	0.54 142	0.00 1	1.63 82	0.02 28	4.58 118	1.74 101	0.46 24	1.86 108	0.88 41	0.11 26	3.39 48	0.88 75	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

GANet-RSSM	0.88 51	0.38 63	1.45 41	0.60 146	0.00 1	1.36 46	0.02 28	4.55 115	0.69 24	0.71 35	0.32 37	1.56 56	0.61 83	4.55 79	0.64 63	0.00 1	0.00 1	0.05 153	0.00 1	0.08 82	0.02 56

DMCA-RVC	0.90 53	0.64 114	3.30 104	0.03 43	0.04 83	1.30 37	0.06 68	2.65 24	0.73 25	3.21 118	0.09 17	0.99 44	0.66 90	3.14 47	0.99 79	0.01 122	0.04 132	0.02 145	0.01 125	0.07 79	0.01 26

PSMNet-RSSM	0.90 53	0.44 79	1.35 35	0.13 89	0.00 1	1.37 48	0.03 44	4.79 129	0.85 31	1.11 57	0.49 59	2.15 82	0.35 65	4.09 63	0.73 68	0.00 1	0.00 1	0.01 131	0.00 1	0.03 44	0.01 26

test_xeample3	0.95 55	0.74 125	3.63 115	0.07 71	0.02 69	2.59 114	0.91 127	3.72 74	1.04 40	1.46 73	2.38 114	0.17 26	0.49 75	0.77 35	0.71 67	0.00 1	0.01 100	0.00 1	0.00 1	0.00 1	0.18 139

BEATNet_4x	0.97 56	0.77 131	3.36 106	0.46 137	0.01 50	1.32 40	0.09 77	4.57 117	1.26 60	1.88 83	0.22 33	1.09 49	0.42 70	1.79 41	2.09 113	0.00 1	0.00 1	0.00 1	0.00 1	0.08 82	0.06 102

cf-r	0.98 57	0.51 96	2.04 68	0.25 113	0.01 50	1.40 54	0.03 44	4.47 111	1.65 95	0.95 46	0.58 63	2.63 91	0.24 52	4.19 64	0.58 56	0.00 1	0.00 1	0.00 1	0.00 1	0.06 74	0.04 82

iResNet	1.00 58	0.45 82	3.08 97	0.86 161	0.01 50	1.97 96	0.01 15	3.67 72	1.49 86	1.77 78	1.09 80	0.35 27	0.13 35	3.83 57	1.27 86	0.00 1	0.00 1	0.00 1	0.00 1	0.07 79	0.01 26

MLCV	1.01 59	0.53 98	2.17 72	0.03 43	0.00 1	1.60 77	0.03 44	2.90 30	1.30 62	2.60 105	1.85 107	1.00 45	0.40 69	4.88 89	0.74 69	0.00 1	0.00 1	0.00 1	0.00 1	0.07 79	0.01 26

GwcNet-RSSM	1.02 60	0.69 121	2.70 91	0.22 103	0.02 69	1.42 59	0.05 61	4.02 87	1.01 39	0.90 43	0.42 52	2.89 100	0.26 55	4.43 74	1.17 83	0.00 1	0.00 1	0.02 145	0.00 1	0.13 106	0.05 88

HGLStereo	1.03 61	0.18 25	1.50 43	0.01 9	0.01 50	1.41 56	0.01 15	3.41 57	0.82 28	1.05 52	3.09 122	2.11 80	1.24 104	4.51 76	1.18 84	0.00 1	0.00 1	0.00 1	0.00 1	0.04 59	0.03 74

NLCA_NET_v2_RVC	1.04 62	0.55 99	2.52 85	0.56 143	1.00 163	1.37 48	0.00 1	3.43 60	1.35 65	2.24 94	0.35 46	2.18 83	0.58 81	4.28 67	0.34 36	0.00 1	0.00 1	0.00 1	0.01 125	0.00 1	0.00 1
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
XX-Stereo	1.04 62	0.20 34	4.94 140	0.85 157	0.04 83	1.25 35	0.00 1	3.37 52	0.45 14	1.22 66	0.50 60	3.70 117	0.02 4	3.91 59	0.05 3	0.00 1	0.09 150	0.00 1	0.20 160	0.03 44	0.02 56

iResNet_ROB	1.05 64	0.76 129	2.06 70	0.07 71	0.00 1	1.35 44	0.03 44	6.80 165	2.57 132	0.79 39	1.20 87	0.94 42	0.12 32	3.81 55	0.41 42	0.00 1	0.00 1	0.00 1	0.00 1	0.08 82	0.01 26

CFNet	1.08 65	0.62 111	2.26 79	0.26 117	0.03 76	1.40 54	0.04 52	4.45 110	2.09 115	0.48 25	0.69 70	1.31 53	0.24 52	6.63 133	0.83 73	0.00 1	0.00 1	0.00 1	0.00 1	0.17 117	0.04 82

TDLM	1.08 65	0.49 93	1.43 39	0.27 119	0.00 1	1.56 72	2.12 148	3.10 38	1.75 102	1.36 71	0.93 76	1.06 48	0.49 75	6.21 118	0.70 65	0.00 1	0.00 1	0.00 1	0.00 1	0.16 114	0.02 56

PS-NSSS	1.08 65	0.45 82	1.70 51	0.02 32	0.01 50	1.37 48	0.01 15	4.38 104	2.09 115	1.15 61	2.65 117	0.65 37	0.07 15	6.35 123	0.56 54	0.16 160	0.00 1	0.00 1	0.00 1	0.05 68	0.00 1

iResNetv2_ROB	1.08 65	1.12 157	4.68 137	1.09 170	0.00 1	1.38 53	0.05 61	3.83 79	1.11 49	0.80 40	1.15 83	1.02 46	0.12 32	4.52 77	0.45 45	0.00 1	0.00 1	0.00 1	0.00 1	0.33 150	0.03 74

FADNet-RVC-Resample	1.08 65	1.00 150	5.32 142	0.10 86	0.14 105	1.53 70	0.25 106	3.62 68	1.18 53	0.51 26	0.19 30	1.04 47	0.28 59	5.20 96	0.44 43	0.10 154	0.16 159	0.09 157	0.06 146	0.24 132	0.21 147

hitnet-ft	1.09 70	0.39 65	1.45 41	0.04 57	0.00 1	1.34 43	0.22 101	3.34 51	2.25 123	1.48 74	1.11 81	4.17 122	0.37 67	4.73 84	0.79 71	0.01 122	0.00 1	0.03 149	0.00 1	0.09 97	0.01 26

NVstereo2D	1.09 70	0.17 23	4.40 134	0.00 1	0.00 1	1.59 75	0.18 95	4.29 101	1.40 71	0.85 41	0.36 47	2.30 86	0.62 84	5.26 99	0.35 37	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.01 26

PSMNet_ROB	1.09 70	0.69 121	2.92 93	0.03 43	0.07 90	1.68 85	0.16 89	3.44 61	1.30 62	0.96 47	0.32 37	2.81 96	0.63 85	4.23 65	2.48 119	0.00 1	0.00 1	0.00 1	0.00 1	0.08 82	0.04 82

CVANet_RVC	1.10 73	0.39 65	1.69 50	0.28 120	0.00 1	1.45 63	0.48 115	3.26 42	1.64 94	2.93 110	1.22 88	1.51 55	0.37 67	6.09 115	0.50 49	0.00 1	0.00 1	0.00 1	0.00 1	0.18 121	0.01 26

GANetREF_RVC	1.10 73	0.95 146	2.98 94	0.06 67	0.00 1	2.23 100	0.18 95	3.95 85	2.53 130	0.56 28	0.32 37	1.89 69	0.66 90	5.03 92	0.51 50	0.00 1	0.00 1	0.00 1	0.00 1	0.05 68	0.04 82
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
FADNet-RVC	1.10 73	1.07 155	4.79 138	0.03 43	0.00 1	1.60 77	0.08 72	3.77 76	1.70 98	0.35 19	0.07 15	0.61 36	0.66 90	5.32 101	1.11 81	0.01 122	0.08 147	0.00 1	0.00 1	0.48 162	0.18 139

GEStereo_RVC	1.10 73	0.42 71	1.72 53	0.28 120	0.01 50	1.37 48	0.11 83	6.25 157	0.84 30	1.05 52	0.67 69	1.61 59	0.79 95	6.11 116	0.63 61	0.00 1	0.00 1	0.00 1	0.00 1	0.10 99	0.04 82

ac_64	1.12 77	0.18 25	1.64 48	0.18 95	0.25 127	1.48 67	0.02 28	4.97 134	1.47 83	0.69 34	0.45 58	4.94 136	0.46 73	4.87 88	0.74 69	0.00 1	0.00 1	0.00 1	0.00 1	0.06 74	0.00 1

ARAFT	1.12 77	0.82 138	4.11 128	0.04 57	0.00 1	1.64 83	0.03 44	4.85 131	1.69 97	2.78 108	0.57 62	0.47 31	0.11 26	4.81 87	0.24 20	0.00 1	0.03 125	0.00 1	0.00 1	0.24 132	0.05 88

UNet	1.13 79	0.24 44	4.21 129	0.01 9	0.02 69	2.31 105	0.02 28	3.06 35	0.76 26	1.17 62	0.14 20	2.73 94	1.58 114	4.48 75	1.92 107	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.00 1

delet	1.14 80	0.32 53	1.56 45	0.03 43	0.17 114	2.86 120	1.03 132	4.25 96	2.14 118	1.03 51	1.17 85	1.64 62	0.92 97	4.35 71	1.27 86	0.00 1	0.00 1	0.00 1	0.00 1	0.04 59	0.00 1

EAI-Stereo	1.14 80	0.12 13	1.19 21	0.21 101	0.32 141	1.84 93	2.32 150	5.42 145	1.19 54	1.02 49	5.66 142	0.48 32	0.60 82	0.86 36	0.62 60	0.00 1	0.13 154	0.00 1	0.65 175	0.02 34	0.17 135

FADNet_RVC	1.15 82	1.06 154	4.34 133	0.02 32	0.06 87	2.77 118	0.04 52	3.50 65	0.80 27	0.35 19	0.32 37	0.65 37	0.09 20	5.20 96	1.56 92	0.24 168	0.34 169	0.11 161	0.33 171	0.65 171	0.60 165

ETE_ROB	1.16 83	0.52 97	1.71 52	0.01 9	0.02 69	1.79 91	0.22 101	4.10 90	1.32 64	4.68 139	1.18 86	2.81 96	0.08 19	3.56 51	1.12 82	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.06 102

DLCB_ROB	1.17 84	0.22 38	1.28 26	0.08 76	0.00 1	1.51 69	0.23 104	3.39 54	1.52 87	3.43 124	2.00 112	3.40 114	0.31 63	4.29 68	1.82 102	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

XPNet_ROB	1.17 84	0.41 70	1.68 49	0.04 57	0.01 50	1.65 84	0.17 92	3.46 63	1.39 68	3.89 128	1.01 77	1.60 58	0.53 79	4.35 71	3.07 127	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.02 56

FADNet	1.20 86	0.93 145	4.51 135	0.03 43	0.06 87	2.56 112	0.16 89	4.02 87	1.42 74	0.32 18	0.06 14	1.66 63	1.07 99	5.56 108	0.87 74	0.19 162	0.02 118	0.01 131	0.01 125	0.50 164	0.03 74

MMNet	1.20 86	0.27 46	3.59 114	0.09 81	0.00 1	4.15 136	0.01 15	3.63 69	1.19 54	1.93 85	0.32 37	1.35 54	1.23 103	4.42 73	1.84 103	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.02 56

NOSS_ROB	1.29 88	0.22 38	1.35 35	0.64 149	0.16 112	2.56 112	0.00 1	4.14 93	2.37 124	2.29 97	1.76 105	2.84 98	0.02 4	6.80 139	0.45 45	0.00 1	0.00 1	0.00 1	0.00 1	0.04 59	0.11 119

DSFCA	1.30 89	0.14 19	1.82 57	0.01 9	0.03 76	3.74 133	0.86 125	2.71 25	1.23 58	3.09 115	0.41 51	2.93 102	1.49 108	6.12 117	1.35 89	0.00 1	0.02 118	0.00 1	0.00 1	0.02 34	0.01 26

NCCL2	1.30 89	0.63 113	2.31 80	0.02 32	0.03 76	1.57 73	3.41 158	3.91 84	1.39 68	3.14 117	0.34 44	3.90 120	0.30 60	3.75 53	1.19 85	0.00 1	0.00 1	0.02 145	0.00 1	0.03 44	0.05 88

PA-Net	1.31 91	0.59 107	3.65 116	0.06 67	0.15 110	1.44 61	0.54 119	4.08 89	2.71 134	0.78 38	1.16 84	2.32 88	0.64 86	5.96 112	1.92 107	0.01 122	0.00 1	0.00 1	0.00 1	0.04 59	0.06 102
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LALA_ROB	1.33 92	0.59 107	1.74 54	0.02 32	0.06 87	3.25 125	0.50 118	3.45 62	1.39 68	3.70 126	0.59 64	4.59 130	0.25 54	3.58 52	2.79 124	0.00 1	0.00 1	0.00 1	0.00 1	0.04 59	0.02 56

HSM	1.36 93	0.40 68	1.07 15	0.01 9	0.30 137	1.73 89	0.03 44	5.89 153	1.22 57	1.83 80	1.36 96	4.78 133	1.30 106	6.61 132	0.57 55	0.00 1	0.00 1	0.00 1	0.00 1	0.02 34	0.00 1

FINET	1.36 93	0.46 85	4.05 127	0.22 103	0.73 159	1.03 8	0.00 1	3.57 66	5.71 159	1.59 76	1.64 99	0.49 33	0.19 44	5.53 106	1.90 104	0.00 1	0.01 100	0.00 1	0.00 1	0.08 82	0.03 74

HSM-Net_RVC	1.40 95	0.07 1	1.58 46	0.00 1	0.01 50	1.88 94	0.05 61	7.24 166	1.71 100	3.63 125	3.63 130	3.21 111	0.36 66	4.25 66	0.44 43	0.01 122	0.01 100	0.00 1	0.00 1	0.01 19	0.00 1
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
StereoDRNet	1.48 96	0.75 126	4.58 136	0.05 63	0.10 100	2.49 109	1.10 135	4.62 119	1.47 83	3.38 123	0.62 65	2.29 85	0.65 88	4.52 77	2.89 125	0.00 1	0.03 125	0.00 1	0.01 125	0.05 68	0.07 110

APVNet	1.52 97	0.31 50	4.00 124	0.09 81	0.00 1	4.64 143	0.08 72	4.41 107	1.21 56	1.25 68	1.05 79	2.90 101	0.93 98	6.70 135	2.48 119	0.01 122	0.00 1	0.07 154	0.00 1	0.27 140	0.05 88

RYNet	1.52 97	0.35 58	3.38 107	0.25 113	0.04 83	2.31 105	0.03 44	4.62 119	1.47 83	1.14 60	0.34 44	4.52 128	1.38 107	6.36 124	4.23 138	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.02 56

RASNet	1.53 99	0.31 50	1.97 64	0.09 81	3.20 178	1.69 87	0.06 68	3.27 47	2.12 117	0.77 37	1.29 93	5.32 143	1.69 117	6.60 130	2.17 114	0.00 1	0.00 1	0.00 1	0.00 1	0.02 34	0.02 56

CBMV	1.56 100	0.24 44	1.92 61	0.31 124	0.03 76	2.90 121	4.33 166	3.79 78	1.81 103	4.98 142	1.73 103	2.70 93	1.68 116	3.81 55	0.92 77	0.00 1	0.00 1	0.00 1	0.00 1	0.05 68	0.08 112
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
PASM	1.58 101	1.05 153	7.51 156	0.56 143	0.09 94	1.37 48	0.28 107	2.85 29	1.44 79	3.91 129	0.44 57	3.02 106	0.64 86	6.38 125	1.59 94	0.00 1	0.01 100	0.00 1	0.03 138	0.26 137	0.15 130

DRN-Test	1.62 102	0.23 42	3.72 118	0.18 95	0.13 103	3.34 127	0.19 99	5.93 154	2.01 113	4.14 132	0.76 72	2.12 81	1.78 119	5.22 98	2.62 122	0.00 1	0.00 1	0.01 131	0.01 125	0.03 44	0.01 26

MaskLacGwcNet_RVC	1.63 103	0.45 82	2.21 73	1.53 172	0.18 116	4.33 139	0.41 113	3.37 52	1.40 71	0.54 27	0.65 66	3.10 108	0.11 26	4.93 90	0.60 58	4.57 180	0.51 172	0.00 1	0.00 1	1.37 176	2.39 179

RAFT + AFF	1.63 103	1.13 158	2.62 89	0.04 57	0.80 160	2.29 104	1.03 132	5.54 148	2.06 114	1.77 78	1.81 106	1.22 51	3.65 152	6.23 119	1.57 93	0.01 122	0.35 170	0.00 1	0.01 125	0.33 150	0.12 125

Syn2CoEx	1.66 105	1.17 159	4.29 131	0.04 57	0.00 1	1.44 61	0.56 120	5.33 144	1.98 110	2.01 86	2.12 113	2.08 78	2.81 135	6.55 128	2.42 117	0.00 1	0.00 1	0.00 1	0.00 1	0.33 150	0.06 102

AANet_RVC	1.66 105	0.88 142	3.52 111	0.06 67	0.00 1	1.22 25	0.00 1	3.25 41	2.51 129	2.21 93	4.49 135	3.65 116	0.20 47	7.10 146	3.42 131	0.50 174	0.04 132	0.00 1	0.00 1	0.08 82	0.05 88

GwcNet	1.67 107	0.81 136	5.52 145	0.23 109	1.21 167	4.21 138	0.62 122	3.71 73	1.57 92	1.01 48	1.65 100	3.99 121	0.52 78	5.46 104	2.30 116	0.00 1	0.00 1	0.00 1	0.01 125	0.35 155	0.13 128

NCC-stereo	1.67 107	0.56 103	3.10 98	0.08 76	0.22 120	2.24 101	0.13 86	5.05 137	1.42 74	2.27 95	2.72 118	4.29 123	3.53 148	5.76 110	2.01 110	0.04 144	0.00 1	0.00 1	0.00 1	0.03 44	0.02 56

Abc-Net	1.67 107	0.56 103	3.10 98	0.08 76	0.22 120	2.24 101	0.13 86	5.05 137	1.42 74	2.27 95	2.72 118	4.29 123	3.53 148	5.76 110	2.01 110	0.04 144	0.00 1	0.00 1	0.00 1	0.03 44	0.02 56
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
CBMV_ROB	1.70 110	0.11 11	1.98 65	0.46 137	0.00 1	2.85 119	0.91 127	4.27 99	2.21 121	4.02 131	5.00 140	2.97 104	2.32 131	5.40 103	1.35 89	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.06 102

ccnet	1.70 110	0.20 34	1.95 62	0.26 117	0.18 116	3.72 132	1.22 136	4.22 95	1.43 78	2.37 102	3.96 133	3.45 115	1.51 109	4.69 81	4.47 139	0.06 149	0.00 1	0.09 157	0.01 125	0.10 99	0.01 26

DANet	1.74 112	0.22 38	3.06 96	0.75 154	0.44 146	2.46 108	0.35 111	3.40 55	1.41 73	4.22 133	1.56 98	5.03 138	0.56 80	6.29 121	5.00 147	0.01 122	0.00 1	0.00 1	0.01 125	0.04 59	0.08 112
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
RP	1.76 113	0.55 99	2.59 88	0.22 103	0.60 157	1.70 88	0.98 131	4.31 103	1.99 112	3.12 116	5.04 141	4.41 126	2.96 138	4.72 83	1.90 104	0.01 122	0.00 1	0.00 1	0.01 125	0.14 108	0.01 26

Anonymous Stereo	1.78 114	1.37 165	7.79 157	0.42 134	0.07 90	1.49 68	3.20 156	3.31 48	1.84 104	2.75 107	1.14 82	1.84 67	0.09 20	6.89 142	3.32 130	0.00 1	0.00 1	0.00 1	0.00 1	0.09 97	0.01 26

SGM-Forest	1.84 115	0.08 4	1.31 30	0.15 91	0.22 120	3.52 129	2.46 152	3.85 81	2.16 119	5.29 143	3.90 131	3.71 118	1.56 112	6.28 120	1.90 104	0.01 122	0.02 118	0.00 1	0.00 1	0.03 44	0.30 154
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CC-Net-ROB	1.86 116	0.64 114	2.55 86	1.42 171	0.19 118	3.38 128	0.04 52	4.41 107	2.45 128	0.90 43	1.31 94	0.98 43	0.18 41	6.60 130	0.53 51	1.14 178	1.60 180	7.16 180	0.00 1	1.33 175	0.32 157

RGC	1.86 116	0.67 119	3.45 110	0.07 71	0.26 129	3.29 126	0.11 83	4.78 128	1.46 82	3.26 119	4.51 136	5.14 139	2.68 134	5.46 104	1.94 109	0.00 1	0.00 1	0.00 1	0.00 1	0.08 82	0.09 116

FAT-Stereo	1.86 116	0.19 29	3.31 105	0.17 93	0.03 76	1.78 90	0.97 129	4.76 125	2.79 135	4.22 133	4.87 138	5.31 142	2.83 137	5.06 93	0.90 76	0.00 1	0.00 1	0.00 1	0.00 1	0.04 59	0.01 26

GANet	1.90 119	0.43 76	1.83 58	0.39 131	0.00 1	2.24 101	3.37 157	3.90 83	1.44 79	2.17 92	9.66 154	2.57 90	1.09 100	6.88 141	1.81 101	0.00 1	0.00 1	0.02 145	0.00 1	0.10 99	0.03 74

DISCO	1.93 120	0.18 25	2.44 82	0.67 151	0.53 153	5.25 148	0.00 1	5.43 146	1.56 91	2.09 89	0.91 74	6.48 149	0.89 96	8.55 160	3.60 134	0.00 1	0.00 1	0.00 1	0.00 1	0.06 74	0.01 26

Nwc_Net	1.94 121	0.55 99	3.79 120	0.07 71	0.08 93	2.73 115	0.04 52	6.75 164	1.11 49	2.03 87	7.92 148	4.82 134	2.11 128	4.78 85	2.01 110	0.00 1	0.00 1	0.00 1	0.00 1	0.05 68	0.01 26

edge stereo	1.94 121	0.40 68	3.82 122	0.15 91	0.09 94	1.81 92	0.45 114	4.77 126	2.21 121	3.36 121	3.94 132	8.39 157	1.72 118	5.75 109	1.69 98	0.00 1	0.00 1	0.01 131	0.00 1	0.17 117	0.01 26

S-Stereo	2.00 123	0.30 49	5.74 149	0.24 111	0.23 123	2.51 110	1.90 144	4.74 122	5.15 156	2.42 103	5.80 143	2.85 99	0.72 94	5.08 94	2.17 114	0.00 1	0.02 118	0.00 1	0.00 1	0.08 82	0.04 82

psmorigin	2.01 124	0.37 62	10.25 164	0.22 103	0.03 76	1.62 80	0.19 99	3.31 48	1.05 44	4.92 141	3.14 123	5.85 144	2.21 129	5.31 100	1.71 99	0.00 1	0.00 1	0.00 1	0.00 1	0.05 68	0.02 56

MFMNet_re	2.02 125	0.98 147	4.27 130	2.74 178	0.88 161	1.47 65	0.15 88	4.21 94	3.18 139	6.63 147	6.93 147	1.87 68	3.63 151	2.13 44	0.99 79	0.00 1	0.00 1	0.00 1	0.00 1	0.23 131	0.05 88

NaN_ROB	2.02 125	0.58 105	2.65 90	0.29 122	0.28 136	3.19 123	5.19 171	3.84 80	2.55 131	5.31 144	1.73 103	2.30 86	1.96 126	6.78 138	3.09 128	0.01 122	0.06 140	0.03 149	0.10 153	0.10 99	0.37 160

stereogan	2.13 127	0.31 50	3.75 119	0.01 9	0.09 94	7.44 162	0.60 121	4.27 99	3.29 140	3.91 129	4.62 137	6.41 148	1.84 124	5.17 95	0.58 56	0.00 1	0.01 100	0.01 131	0.00 1	0.24 132	0.05 88

AF-Net	2.17 128	0.65 117	3.53 112	0.00 1	0.09 94	2.02 98	0.48 115	6.44 158	1.70 98	3.36 121	10.22 156	4.95 137	2.81 135	4.34 70	2.66 123	0.00 1	0.00 1	0.00 1	0.00 1	0.13 106	0.01 26

PDISCO_ROB	2.21 129	0.78 132	3.43 109	0.96 164	2.04 177	7.04 159	0.09 77	7.36 168	5.72 160	1.21 65	1.67 101	3.16 109	1.28 105	7.52 152	1.37 91	0.00 1	0.00 1	0.00 1	0.00 1	0.34 153	0.13 128

DGSMNet	2.23 130	0.80 133	6.10 151	0.96 164	1.73 172	3.22 124	4.12 163	5.30 142	1.11 49	1.19 64	2.48 115	3.18 110	0.65 88	4.57 80	1.33 88	1.11 177	1.37 179	1.55 178	1.26 179	1.37 176	1.28 177

ADCRef	2.29 131	0.65 117	5.67 148	0.10 86	0.09 94	4.81 144	0.76 124	4.75 124	1.37 66	2.88 109	1.67 101	1.62 60	2.30 130	3.77 54	14.93 168	0.02 137	0.00 1	0.01 131	0.10 153	0.20 127	0.11 119

FBW_ROB	2.36 132	0.36 60	3.16 100	0.37 129	0.14 105	4.42 142	0.18 95	6.64 161	3.05 138	2.98 112	2.85 120	4.86 135	1.11 101	11.00 172	4.53 140	0.16 160	0.05 137	0.37 172	0.09 150	0.19 125	0.78 170

DeepPrunerF	2.50 133	0.87 141	14.90 170	0.17 93	0.31 139	1.41 56	0.29 108	5.62 149	9.97 166	1.02 49	0.43 56	2.01 74	1.65 115	6.85 140	3.99 135	0.00 1	0.01 100	0.07 154	0.10 153	0.24 132	0.12 125

XQC	2.57 134	1.20 161	6.33 154	0.18 95	0.01 50	3.84 134	0.33 110	5.24 140	3.83 147	4.43 136	1.94 109	4.58 129	3.19 142	7.19 147	8.67 158	0.00 1	0.03 125	0.00 1	0.03 138	0.27 140	0.19 143

RTSC	2.66 135	1.24 162	6.04 150	0.18 95	0.02 69	4.40 141	0.08 72	4.29 101	4.98 155	6.00 145	3.15 124	2.97 104	1.56 112	6.71 136	10.89 163	0.00 1	0.07 143	0.00 1	0.05 143	0.40 159	0.24 152

CSAN	2.70 136	0.75 126	3.41 108	0.18 95	0.12 101	4.18 137	4.05 162	4.11 91	4.36 151	6.03 146	6.24 146	4.60 131	4.74 156	7.29 149	3.43 132	0.02 137	0.03 125	0.01 131	0.02 137	0.18 121	0.22 148

aanetorigin	2.87 137	0.73 124	8.74 160	0.23 109	0.23 123	1.61 79	2.07 146	1.76 11	1.10 48	14.21 169	10.25 157	2.93 102	3.38 146	4.98 91	4.06 136	0.10 154	0.05 137	0.09 157	0.11 156	0.57 167	0.15 130

ADCP+	2.87 137	0.98 147	8.75 161	0.07 71	0.16 112	5.93 154	2.90 155	4.00 86	1.84 104	1.52 75	0.27 36	3.81 119	3.22 144	6.05 114	17.38 171	0.00 1	0.00 1	0.00 1	0.00 1	0.14 108	0.30 154

PWC_ROB	2.90 139	1.01 151	6.12 152	0.53 141	0.57 156	1.30 37	0.40 112	3.85 81	4.42 153	7.37 151	15.40 166	3.03 107	1.55 111	6.31 122	5.74 153	0.00 1	0.00 1	0.00 1	0.00 1	0.46 160	0.05 88

SHD	3.01 140	1.02 152	5.52 145	0.45 136	0.39 143	4.12 135	0.17 92	6.68 162	12.04 169	7.20 150	3.36 127	4.40 125	2.58 133	4.69 81	7.17 155	0.01 122	0.04 132	0.00 1	0.03 138	0.22 130	0.17 135

PWCDC_ROB	3.06 141	1.38 166	3.81 121	0.14 90	0.00 1	3.14 122	0.02 28	4.40 106	12.35 170	1.08 55	23.69 175	2.01 74	2.01 127	3.87 58	2.43 118	0.24 168	0.00 1	0.00 1	0.00 1	0.61 169	0.08 112

SPS-STEREO	3.08 142	0.49 93	2.49 84	0.21 101	0.24 126	3.67 131	1.24 137	5.80 152	2.43 127	10.68 161	8.00 149	9.48 162	3.59 150	8.11 157	5.08 148	0.01 122	0.01 100	0.00 1	0.00 1	0.04 59	0.11 119
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
NVStereoNet_ROB	3.25 143	0.46 85	2.71 92	0.34 127	0.56 155	2.36 107	0.87 126	4.56 116	4.47 154	4.55 137	14.09 164	11.93 164	3.23 145	9.79 168	3.14 129	0.43 172	0.03 125	0.53 175	0.31 170	0.36 157	0.38 161
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFN_U_SF_DS_RVC	3.30 144	2.61 174	7.84 158	0.09 81	0.26 129	12.92 171	7.62 177	4.25 96	3.64 145	2.95 111	3.99 134	4.61 132	1.22 102	8.36 158	1.77 100	0.59 175	1.15 178	0.04 151	0.85 177	0.48 162	0.67 168

ADCL	3.30 144	0.81 136	6.76 155	0.25 113	0.25 127	6.93 157	4.65 167	4.79 129	2.62 133	4.61 138	3.36 127	5.22 140	4.55 155	5.54 107	14.91 167	0.05 147	0.01 100	0.11 161	0.13 157	0.28 144	0.10 117

SAMSARA	3.32 146	1.07 155	6.25 153	0.86 161	0.31 139	7.55 163	3.87 161	5.26 141	4.20 150	7.43 152	3.35 126	10.04 163	3.83 154	6.98 145	4.83 144	0.00 1	0.14 155	0.00 1	0.05 143	0.17 117	0.22 148

DPSNet	3.38 147	0.60 109	9.55 162	0.61 147	0.46 148	5.10 147	1.44 141	11.17 176	3.92 148	2.57 104	0.88 73	5.90 145	9.68 169	7.63 153	7.25 156	0.08 151	0.16 159	0.01 131	0.07 147	0.34 153	0.17 135

G-Net	3.49 148	0.47 90	4.03 126	1.61 173	1.91 173	10.78 170	1.92 145	3.06 35	1.26 60	8.59 156	12.06 159	6.13 147	7.82 164	4.78 85	4.77 143	0.08 151	0.12 153	0.07 154	0.15 158	0.16 114	0.11 119

MDST_ROB	3.50 149	0.07 1	3.94 123	2.66 177	1.46 170	12.94 172	0.97 129	7.32 167	2.42 126	14.82 171	8.08 150	2.74 95	1.51 109	8.44 159	2.48 119	0.00 1	0.00 1	0.00 1	0.00 1	0.01 19	0.11 119

pmcnn	3.61 150	0.68 120	5.38 144	0.61 147	1.46 170	2.75 117	1.26 138	5.04 136	1.57 92	8.77 157	11.67 158	18.69 174	2.38 132	6.03 113	5.61 152	0.00 1	0.07 143	0.00 1	0.00 1	0.21 128	0.07 110

ADCPNet	3.63 151	0.82 138	13.20 168	0.08 76	0.43 145	7.02 158	2.23 149	4.77 126	2.41 125	4.31 135	1.96 111	7.57 155	5.16 157	6.45 127	13.80 166	0.02 137	0.75 176	0.04 151	0.90 178	0.16 114	0.53 164

SuperB	3.70 152	1.77 168	15.73 171	0.31 124	0.05 86	4.37 140	1.67 143	3.58 67	11.57 167	2.36 101	1.32 95	2.03 77	1.91 125	6.95 144	9.01 159	0.05 147	0.03 125	0.10 160	0.08 148	11.00 180	0.10 117

MFN_U_SF_RVC	3.76 153	1.77 168	9.85 163	0.84 155	0.27 132	9.50 167	0.49 117	8.07 169	3.41 141	4.81 140	3.28 125	9.40 161	3.49 147	7.76 155	8.31 157	0.41 171	0.54 173	0.52 174	0.80 176	0.89 172	0.84 171

AnyNet_C32	3.93 154	2.58 173	12.07 167	0.39 131	0.49 151	5.50 150	6.45 175	4.44 109	2.19 120	6.86 149	2.94 121	5.28 141	3.20 143	6.63 133	18.37 173	0.08 151	0.04 132	0.20 166	0.09 150	0.57 167	0.19 143

ADCMid	3.95 155	1.34 163	10.91 166	0.18 95	0.38 142	5.02 146	1.27 139	4.87 132	2.94 137	11.15 162	3.60 129	6.76 152	5.21 159	6.40 126	16.96 170	0.12 157	0.08 147	0.55 176	0.46 172	0.53 166	0.19 143

SGM_RVC	4.07 156	0.38 63	1.98 65	0.84 155	0.26 129	6.20 155	2.37 151	6.45 159	3.57 143	11.56 164	9.27 153	15.55 171	6.78 161	10.07 169	4.60 142	0.22 163	0.25 164	0.20 166	0.23 166	0.26 137	0.34 158
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SGM+DAISY	4.39 157	1.34 163	5.18 141	1.01 167	0.88 161	5.61 152	2.86 154	4.88 133	3.53 142	13.29 166	13.95 163	12.66 166	7.55 162	7.98 156	5.39 151	0.23 167	0.18 162	0.15 164	0.24 167	0.29 145	0.64 166

WCMA_ROB	4.54 158	0.48 91	3.19 101	0.49 139	0.63 158	5.38 149	2.57 153	4.70 121	3.77 146	14.17 168	19.02 169	15.47 170	9.03 166	6.73 137	4.85 145	0.01 122	0.05 137	0.01 131	0.01 125	0.08 82	0.16 132

SANet	4.63 159	0.89 143	5.34 143	0.30 123	0.09 94	7.43 161	3.75 160	6.53 160	16.16 174	6.79 148	13.29 161	12.44 165	7.74 163	7.38 150	4.11 137	0.00 1	0.01 100	0.00 1	0.00 1	0.10 99

Low-res two-view benchmark