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

R-Stereo	0.15 1	0.03 1	0.77 4	0.00 1	0.00 1	0.74 42	0.00 1	1.36 66	0.09 3	0.02 37	0.00 1	0.01 1	0.00 1	0.01 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.01 27

R-Stereo Train	0.15 1	0.03 1	0.77 4	0.00 1	0.00 1	0.74 42	0.00 1	1.36 66	0.09 3	0.02 37	0.00 1	0.01 1	0.00 1	0.01 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.01 27

PMTNet	0.16 3	0.05 3	1.27 20	0.00 1	0.00 1	1.13 78	0.00 1	0.18 5	0.56 38	0.01 26	0.00 1	0.02 4	0.00 1	0.03 5	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.00 1

HITNet	0.19 4	0.55 70	1.36 23	0.00 1	0.00 1	0.25 5	0.00 1	1.09 53	0.23 18	0.00 1	0.00 1	0.14 16	0.02 14	0.02 4	0.14 33	0.00 1	0.00 1	0.00 1	0.00 1	0.05 43	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
AdaStereo	0.20 5	0.06 4	0.86 8	0.00 1	0.00 1	0.25 5	0.00 1	1.71 81	0.56 38	0.00 1	0.00 1	0.31 36	0.01 9	0.11 9	0.11 27	0.00 1	0.00 1	0.00 1	0.00 1	0.01 11	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.
DPM-Stereo	0.22 6	0.10 11	0.77 4	0.00 1	0.00 1	1.09 74	0.00 1	1.68 79	0.57 43	0.01 26	0.00 1	0.01 1	0.07 47	0.01 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.01 27

MLCV	0.23 7	0.46 51	1.15 17	0.00 1	0.00 1	0.45 18	0.00 1	0.57 24	0.15 9	0.09 61	0.00 1	0.27 30	0.03 25	1.09 18	0.25 41	0.00 1	0.00 1	0.00 1	0.00 1	0.05 43	0.00 1

DeepPruner_ROB	0.23 7	0.37 41	1.26 18	0.00 1	0.00 1	1.11 77	0.03 65	0.20 7	0.07 1	0.00 1	0.00 1	0.39 46	0.03 25	1.12 19	0.02 10	0.00 1	0.00 1	0.00 1	0.00 1	0.04 39	0.00 1

StereoDRNet-Refined	0.24 9	0.08 9	0.68 2	0.00 1	0.00 1	0.83 48	0.00 1	0.66 27	0.61 60	0.00 1	0.00 1	0.50 53	0.02 14	1.28 21	0.08 23	0.00 1	0.00 1	0.00 1	0.00 1	0.10 67	0.04 64
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
STTStereo	0.24 9	0.28 24	1.68 34	0.00 1	0.00 1	0.84 49	0.03 65	0.16 4	0.08 2	0.02 37	0.00 1	0.20 23	0.03 25	1.54 22	0.01 5	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

MFMNet_re	0.24 9	0.74 88	2.31 57	0.53 105	0.00 1	0.17 2	0.01 46	0.02 1	0.59 56	0.01 26	0.03 59	0.12 12	0.00 1	0.07 6	0.01 5	0.00 1	0.00 1	0.00 1	0.00 1	0.19 88	0.01 27

BEATNet_4x	0.24 9	0.51 62	1.71 38	0.00 1	0.00 1	0.31 7	0.00 1	0.99 47	0.31 21	0.00 1	0.00 1	0.29 32	0.03 25	0.22 11	0.35 47	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.02 41

iResNet	0.25 13	0.27 22	1.68 34	0.00 1	0.00 1	0.69 39	0.00 1	1.22 61	0.56 38	0.00 1	0.00 1	0.04 6	0.03 25	0.12 10	0.30 45	0.00 1	0.00 1	0.00 1	0.00 1	0.05 43	0.01 27

DN-CSS_ROB	0.26 14	0.75 89	1.33 22	0.00 1	0.00 1	0.99 66	0.00 1	1.04 48	0.61 60	0.01 26	0.00 1	0.19 22	0.02 14	0.07 6	0.01 5	0.00 1	0.00 1	0.00 1	0.00 1	0.22 92	0.01 27

DLCB_ROB	0.27 15	0.16 16	0.71 3	0.00 1	0.00 1	0.44 17	0.00 1	0.43 15	0.57 43	0.02 37	0.04 61	0.63 56	0.04 35	2.18 32	0.24 40	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

NCCL2	0.29 16	0.50 57	1.52 28	0.00 1	0.00 1	0.81 46	0.00 1	0.45 16	0.22 15	0.00 1	0.00 1	0.02 4	0.03 25	2.14 30	0.06 19	0.00 1	0.00 1	0.02 93	0.00 1	0.01 11	0.03 53

ccs	0.29 16	0.08 9	0.79 7	0.00 1	0.00 1	0.88 53	0.22 76	1.71 81	0.63 77	0.00 1	0.01 39	0.30 35	0.23 67	0.86 15	0.03 12	0.01 85	0.00 1	0.03 98	0.01 82	0.06 49	0.02 41

iResNet_ROB	0.30 18	0.66 80	1.41 25	0.00 1	0.00 1	0.70 40	0.00 1	0.79 34	0.57 43	0.04 51	0.01 39	0.08 9	0.01 9	1.55 23	0.03 12	0.00 1	0.00 1	0.00 1	0.00 1	0.06 49	0.00 1

DMCA	0.30 18	0.38 42	1.10 16	0.00 1	0.07 88	0.87 52	0.03 65	0.04 2	0.14 7	0.29 72	0.17 69	0.04 6	0.37 73	2.26 35	0.13 30	0.00 1	0.04 92	0.01 85	0.01 82	0.01 11	0.04 64

DISCO	0.31 20	0.11 12	1.73 39	0.16 95	0.16 94	0.31 7	0.00 1	0.09 3	0.17 11	0.00 1	0.01 39	1.51 84	0.00 1	1.21 20	0.62 60	0.00 1	0.00 1	0.00 1	0.00 1	0.03 34	0.01 27

CFNet_RVC	0.31 20	0.34 32	0.96 13	0.00 1	0.00 1	1.08 72	0.00 1	0.19 6	0.15 9	0.01 26	0.00 1	0.48 51	0.00 1	2.95 49	0.05 17	0.00 1	0.00 1	0.01 85	0.00 1	0.01 11	0.01 27

ETE_ROB	0.31 20	0.34 32	0.89 9	0.00 1	0.00 1	0.97 62	0.01 46	1.45 73	0.57 43	0.02 37	0.00 1	0.17 18	0.02 14	1.75 24	0.07 21	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

LALA_ROB	0.31 20	0.38 42	0.91 12	0.00 1	0.01 55	1.00 67	0.01 46	1.60 75	0.61 60	0.15 67	0.00 1	0.09 11	0.01 9	1.04 17	0.41 50	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.00 1

NLCA_NET_v2_RVC	0.35 24	0.49 56	2.00 46	0.00 1	0.02 63	0.96 60	0.00 1	0.55 23	0.18 14	0.03 45	0.00 1	0.35 42	0.10 52	2.37 36	0.01 5	0.00 1	0.00 1	0.00 1	0.00 1	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.
iResNetv2_ROB	0.36 25	1.03 100	2.96 74	0.00 1	0.00 1	0.58 26	0.00 1	1.51 74	0.58 51	0.01 26	0.00 1	0.08 9	0.02 14	0.07 6	0.02 10	0.00 1	0.00 1	0.00 1	0.00 1	0.29 99	0.02 41

CC-Net-ROB	0.37 26	0.50 57	2.09 54	0.00 1	0.02 63	0.98 63	0.00 1	0.46 17	0.17 11	0.08 58	0.00 1	0.33 37	0.11 54	2.54 41	0.01 5	0.00 1	0.00 1	0.00 1	0.01 82	0.01 11	0.00 1

XPNet_ROB	0.37 26	0.34 32	1.01 14	0.01 54	0.00 1	0.96 60	0.00 1	1.11 55	0.46 28	0.00 1	0.00 1	0.17 18	0.02 14	2.73 44	0.54 57	0.00 1	0.00 1	0.00 1	0.00 1	0.01 11	0.01 27

PSMNet_ROB	0.41 28	0.54 66	1.69 37	0.00 1	0.00 1	0.92 59	0.00 1	0.27 10	0.53 34	0.00 1	0.00 1	0.25 28	0.03 25	3.43 55	0.47 53	0.00 1	0.00 1	0.00 1	0.00 1	0.05 43	0.03 53

RP	0.42 29	0.44 49	1.52 28	0.00 1	0.01 55	0.61 29	0.02 61	1.06 50	0.39 26	0.03 45	0.01 39	0.99 68	0.16 59	2.89 48	0.18 36	0.00 1	0.00 1	0.00 1	0.00 1	0.10 67	0.00 1

StereoDRNet	0.42 29	0.50 57	2.50 63	0.02 63	0.06 84	0.51 21	0.00 1	0.34 12	0.61 60	0.00 1	0.00 1	0.33 37	0.02 14	2.87 47	0.50 56	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.02 41

DRN-Test	0.43 31	0.13 15	1.95 45	0.03 70	0.09 92	0.61 29	0.00 1	1.43 70	0.61 60	0.00 1	0.00 1	0.18 21	0.04 35	3.32 54	0.11 27	0.00 1	0.00 1	0.00 1	0.00 1	0.01 11	0.01 27

Nwc_Net	0.43 31	0.42 48	2.64 67	0.00 1	0.00 1	0.67 37	0.00 1	0.82 38	0.28 19	0.00 1	0.01 39	0.90 64	0.10 52	2.62 42	0.05 17	0.00 1	0.00 1	0.00 1	0.00 1	0.03 34	0.00 1

NVstereo2D	0.45 33	0.11 12	1.91 44	0.00 1	0.00 1	0.59 28	0.00 1	1.39 68	0.61 60	0.03 45	0.00 1	0.33 37	0.00 1	3.94 64	0.07 21	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

ccs_rob	0.46 34	0.54 66	1.68 34	0.00 1	0.00 1	0.98 63	0.01 46	0.70 29	0.57 43	0.00 1	0.00 1	0.07 8	0.01 9	4.35 70	0.17 35	0.00 1	0.00 1	0.00 1	0.00 1	0.11 72	0.03 53

AF-Net	0.47 35	0.53 64	2.05 51	0.00 1	0.00 1	0.41 13	0.01 46	1.18 60	0.40 27	0.13 63	0.05 62	1.30 78	0.45 74	2.43 40	0.30 45	0.00 1	0.00 1	0.00 1	0.00 1	0.09 63	0.00 1

stereogan	0.49 36	0.22 20	2.39 58	0.00 1	0.00 1	0.63 34	0.02 61	0.79 34	0.72 85	0.06 54	0.00 1	1.68 86	0.46 75	2.63 43	0.04 14	0.00 1	0.00 1	0.00 1	0.00 1	0.14 79	0.00 1

TDLM	0.49 36	0.39 44	1.02 15	0.00 1	0.00 1	1.08 72	0.01 46	0.36 13	0.58 51	0.14 65	0.00 1	0.27 30	0.19 62	5.46 83	0.20 39	0.00 1	0.00 1	0.00 1	0.00 1	0.13 77	0.01 27

NCC-stereo	0.49 36	0.46 51	2.04 49	0.03 70	0.03 74	1.06 68	0.01 46	0.78 32	0.22 15	0.06 54	0.19 71	0.64 57	0.05 42	3.65 58	0.63 61	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.00 1

Abc-Net	0.49 36	0.46 51	2.04 49	0.03 70	0.03 74	1.06 68	0.01 46	0.78 32	0.22 15	0.06 54	0.19 71	0.64 57	0.05 42	3.65 58	0.63 61	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.00 1

RGC	0.50 40	0.53 64	2.42 59	0.00 1	0.01 55	0.65 35	0.00 1	1.07 51	0.17 11	0.01 26	0.62 81	1.00 69	0.19 62	3.03 50	0.28 44	0.00 1	0.00 1	0.00 1	0.00 1	0.05 43	0.02 41

SHD	0.50 40	0.51 62	3.61 87	0.05 79	0.00 1	0.01 1	0.01 46	0.72 30	0.61 60	1.57 90	0.00 1	0.34 40	0.09 49	1.79 26	0.49 55	0.00 1	0.00 1	0.00 1	0.01 82	0.09 63	0.03 53

PASM	0.51 42	0.32 30	3.07 77	0.00 1	0.00 1	0.31 7	0.00 1	0.46 17	0.12 5	0.03 45	0.00 1	0.44 48	0.02 14	5.22 79	0.04 14	0.00 1	0.00 1	0.00 1	0.00 1	0.12 74	0.03 53

FADNet-RVC	0.51 42	0.80 93	2.47 62	0.01 54	0.00 1	0.48 20	0.00 1	1.32 64	0.14 7	0.00 1	0.01 39	0.12 12	0.06 46	4.07 66	0.15 34	0.00 1	0.04 92	0.00 1	0.00 1	0.38 102	0.08 83

FADNet-RVC-Resample	0.51 42	0.82 94	3.08 78	0.04 75	0.04 80	0.42 15	0.09 72	1.16 58	0.34 22	0.00 1	0.03 59	0.24 27	0.05 42	3.16 51	0.13 30	0.07 100	0.12 102	0.05 101	0.02 90	0.08 60	0.20 101

HSM-Net_RVC	0.52 45	0.06 4	1.45 26	0.00 1	0.00 1	0.61 29	0.00 1	3.83 106	0.52 32	0.14 65	0.00 1	0.22 26	0.03 25	3.50 57	0.04 14	0.01 85	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CVANet_RVC	0.53 46	0.32 30	1.26 18	0.00 1	0.00 1	0.98 63	0.00 1	0.72 30	0.55 37	0.35 74	0.12 68	0.36 44	0.14 56	5.53 85	0.08 23	0.00 1	0.00 1	0.00 1	0.00 1	0.16 84	0.00 1

RYNet	0.53 46	0.19 18	1.79 41	0.00 1	0.00 1	0.55 24	0.00 1	1.12 56	0.61 60	0.02 37	0.00 1	0.83 62	0.04 35	5.05 77	0.45 52	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 41

GANetREF_RVC	0.54 48	0.70 83	2.06 52	0.00 1	0.00 1	1.14 79	0.00 1	1.61 76	0.58 51	0.00 1	0.01 39	0.29 32	0.04 35	4.21 68	0.06 19	0.00 1	0.00 1	0.00 1	0.00 1	0.03 34	0.02 41
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	0.55 49	0.75 89	2.42 59	0.00 1	0.01 55	0.82 47	0.00 1	0.88 40	0.54 36	0.01 26	0.01 39	0.16 17	0.16 59	4.49 71	0.09 25	0.18 104	0.00 1	0.00 1	0.00 1	0.43 105	0.00 1

GANet	0.55 49	0.35 37	1.40 24	0.00 1	0.00 1	0.77 45	0.08 71	0.36 13	0.57 43	0.01 26	0.00 1	0.68 59	0.11 54	5.52 84	1.07 66	0.00 1	0.00 1	0.02 93	0.00 1	0.09 63	0.03 53

PDISCO_ROB	0.56 51	0.57 72	2.07 53	0.17 96	0.00 1	1.56 87	0.01 46	2.27 94	0.51 31	0.08 58	0.01 39	0.74 60	0.28 70	2.37 36	0.13 30	0.00 1	0.00 1	0.00 1	0.00 1	0.33 101	0.00 1

CFNet	0.56 51	0.50 57	1.58 30	0.00 1	0.00 1	1.06 68	0.01 46	1.08 52	0.57 43	0.00 1	0.01 39	0.12 12	0.01 9	5.87 93	0.19 38	0.00 1	0.00 1	0.00 1	0.00 1	0.13 77	0.02 41

CBMV	0.57 53	0.22 20	1.61 32	0.00 1	0.00 1	0.84 49	0.78 95	2.58 98	0.61 60	0.38 76	0.00 1	1.25 75	0.63 79	2.07 29	0.38 48	0.00 1	0.00 1	0.00 1	0.00 1	0.04 39	0.08 83
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
PA-Net	0.57 53	0.50 57	2.73 71	0.03 70	0.06 84	0.89 55	0.02 61	0.66 27	0.63 77	0.00 1	0.00 1	0.43 47	0.07 47	4.82 73	0.55 59	0.01 85	0.00 1	0.00 1	0.00 1	0.02 22	0.04 64
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DANet	0.58 55	0.19 18	1.87 42	0.26 101	0.06 84	0.51 21	0.11 73	1.41 69	0.52 32	0.22 69	0.06 65	1.06 71	0.02 14	4.25 69	0.92 64	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.06 77

RASNet	0.58 55	0.27 22	1.30 21	0.00 1	0.00 1	0.61 29	0.01 46	0.47 19	0.60 58	0.08 58	0.06 65	1.52 85	0.04 35	6.18 96	0.48 54	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.00 1

edge stereo	0.58 55	0.29 28	2.86 72	0.01 54	0.03 74	0.33 10	0.03 65	0.97 45	0.50 29	0.21 68	0.33 76	1.31 79	0.16 59	4.20 67	0.18 36	0.00 1	0.00 1	0.00 1	0.00 1	0.11 72	0.01 27

Anonymous Stereo	0.59 58	0.78 92	2.67 68	0.00 1	0.00 1	0.55 24	0.49 87	1.05 49	0.28 19	0.00 1	0.01 39	0.12 12	0.02 14	5.54 86	0.27 43	0.00 1	0.00 1	0.00 1	0.00 1	0.07 54	0.00 1

FADNet_RVC	0.60 59	0.83 95	2.50 63	0.00 1	0.00 1	1.09 74	0.00 1	1.29 62	0.50 29	0.02 37	0.05 62	0.26 29	0.03 25	3.17 53	0.25 41	0.21 106	0.26 106	0.08 105	0.28 108	0.53 107	0.55 107

NOSS_ROB	0.61 60	0.17 17	0.63 1	0.19 98	0.00 1	0.67 37	0.00 1	2.38 95	0.57 43	0.13 63	0.00 1	0.94 65	0.00 1	6.27 99	0.10 26	0.00 1	0.00 1	0.00 1	0.00 1	0.04 39	0.10 90

PWC_ROB	0.62 61	0.54 66	3.22 80	0.00 1	0.00 1	0.22 4	0.00 1	2.18 92	0.61 60	0.00 1	0.20 73	0.29 32	0.03 25	3.46 56	1.22 71	0.00 1	0.00 1	0.00 1	0.00 1	0.39 103	0.01 27

HSM	0.63 62	0.36 40	0.89 9	0.00 1	0.00 1	0.52 23	0.01 46	0.98 46	0.56 38	0.00 1	0.01 39	2.27 93	0.65 80	6.18 96	0.11 27	0.00 1	0.00 1	0.00 1	0.00 1	0.01 11	0.00 1

XQC	0.68 63	0.72 87	3.82 90	0.06 84	0.00 1	0.39 12	0.01 46	1.92 86	0.61 60	0.03 45	0.01 39	0.46 50	0.21 64	2.84 46	2.26 82	0.00 1	0.00 1	0.00 1	0.01 82	0.15 81	0.05 69

RTSC	0.70 64	0.71 85	3.19 79	0.01 54	0.00 1	0.20 3	0.00 1	0.81 36	0.60 58	0.29 72	0.36 78	0.36 44	0.04 35	2.04 28	4.87 93	0.00 1	0.03 88	0.00 1	0.02 90	0.28 97	0.11 91

PVD	0.73 65	0.57 72	3.38 84	0.04 75	0.19 99	0.74 42	0.00 1	0.29 11	0.79 88	2.37 94	0.00 1	0.53 54	0.09 49	2.19 33	3.20 87	0.00 1	0.05 98	0.00 1	0.02 90	0.08 60	0.15 98

AANet_RVC	0.75 66	0.65 78	2.52 65	0.01 54	0.00 1	0.66 36	0.00 1	0.61 25	0.13 6	0.00 1	1.29 90	0.96 66	0.04 35	5.98 94	1.82 78	0.13 101	0.02 85	0.00 1	0.00 1	0.07 54	0.04 64

NaN_ROB	0.80 67	0.47 54	1.63 33	0.17 96	0.19 99	0.58 26	0.38 83	2.11 89	0.80 89	0.53 77	0.33 76	0.48 51	1.13 91	4.98 76	1.94 79	0.00 1	0.02 85	0.01 85	0.05 97	0.06 49	0.14 97

FBW_ROB	0.83 68	0.31 29	1.48 27	0.10 90	0.01 55	0.62 33	0.01 46	1.91 85	0.59 56	0.01 26	0.01 39	1.10 73	0.05 42	7.84 104	2.07 81	0.05 98	0.01 82	0.03 98	0.01 82	0.01 11	0.47 105

CBMV_ROB	0.84 69	0.06 4	1.73 39	0.00 1	0.00 1	1.37 83	0.47 84	2.57 97	0.58 51	2.13 92	0.76 84	1.06 71	1.38 93	4.04 65	0.54 57	0.00 1	0.00 1	0.00 1	0.00 1	0.03 34	0.05 69

SGM-Forest	0.84 69	0.07 8	0.90 11	0.02 63	0.07 88	1.10 76	0.68 91	2.12 91	0.61 60	1.14 85	0.78 85	1.36 80	0.98 87	5.55 87	1.31 74	0.00 1	0.00 1	0.00 1	0.00 1	0.02 22	0.06 77
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SPS-STEREO	0.88 71	0.40 46	2.01 47	0.00 1	0.01 55	0.42 15	0.17 74	0.50 21	0.61 60	2.19 93	0.79 86	2.04 91	0.27 69	5.10 78	2.89 86	0.00 1	0.00 1	0.00 1	0.00 1	0.03 34	0.11 91
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
ADCRef	0.92 72	0.48 55	3.35 82	0.02 63	0.02 63	0.90 56	0.32 81	0.61 25	0.65 81	0.72 78	0.17 69	0.17 18	0.82 85	2.15 31	7.95 97	0.00 1	0.00 1	0.00 1	0.00 1	0.07 54	0.03 53

PWCDC_ROB	0.94 73	0.91 98	2.52 65	0.00 1	0.00 1	1.15 80	0.00 1	2.11 89	1.18 95	0.00 1	8.99 102	0.35 42	0.09 49	0.64 13	0.40 49	0.00 1	0.00 1	0.00 1	0.00 1	0.50 106	0.03 53

SAMSARA	1.01 74	0.70 83	3.29 81	0.20 99	0.06 84	1.65 88	0.05 70	0.48 20	0.53 34	2.91 98	0.68 83	2.97 96	1.08 89	3.89 63	1.54 75	0.00 1	0.04 92	0.00 1	0.02 90	0.05 43	0.03 53

CSAN	1.05 75	0.61 76	2.46 61	0.09 87	0.08 91	0.71 41	0.71 93	2.20 93	0.93 92	0.85 80	2.92 92	0.79 61	1.46 94	5.37 81	1.58 76	0.01 85	0.01 82	0.00 1	0.00 1	0.09 63	0.05 69

NVStereoNet_ROB	1.08 76	0.39 44	2.15 56	0.08 86	0.02 63	0.45 18	0.02 61	0.89 41	0.67 82	0.10 62	5.85 96	1.90 88	1.11 90	6.20 98	1.14 67	0.20 105	0.00 1	0.03 98	0.07 98	0.12 74	0.13 95
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	1.16 77	2.03 108	4.57 94	0.02 63	0.04 80	3.52 102	0.27 78	1.80 84	0.58 51	0.22 69	0.28 75	1.38 81	0.02 14	6.08 95	0.42 51	0.14 102	0.68 110	0.01 85	0.26 106	0.39 103	0.47 105

G-Net	1.20 78	0.28 24	2.96 74	0.05 79	0.49 104	1.73 90	0.48 85	0.23 8	0.35 23	1.35 87	9.14 103	2.33 94	0.81 83	2.40 38	1.15 68	0.01 85	0.03 88	0.02 93	0.09 101	0.07 54	0.05 69

STTStereo_v2	1.20 78	0.28 24	2.96 74	0.05 79	0.49 104	1.73 90	0.48 85	0.23 8	0.35 23	1.35 87	9.14 103	2.33 94	0.81 83	2.40 38	1.15 68	0.01 85	0.03 88	0.02 93	0.09 101	0.07 54	0.05 69

DispFullNet	1.20 78	0.63 77	3.58 86	1.00 107	0.82 107	0.41 13	0.00 1	1.44 71	0.61 60	2.55 95	0.64 82	1.10 73	8.95 108	0.84 14	1.22 71	0.00 1	0.02 85	0.00 1	0.00 1	0.24 94	0.02 41

DPSNet	1.25 81	0.28 24	5.34 96	0.28 103	0.07 88	1.50 84	0.00 1	3.53 105	0.69 83	0.03 45	0.00 1	0.45 49	2.10 98	5.67 89	4.61 91	0.02 94	0.04 92	0.00 1	0.02 90	0.23 93	0.09 87

DeepPrunerF	1.33 82	0.59 74	8.62 104	0.02 63	0.09 92	0.90 56	0.00 1	1.34 65	6.72 107	0.22 69	0.01 39	0.21 24	0.14 56	5.64 88	1.99 80	0.00 1	0.00 1	0.01 85	0.02 90	0.14 79	0.02 41

ADCP+	1.36 83	0.76 91	6.73 99	0.01 54	0.02 63	1.32 82	0.80 97	0.81 36	0.72 85	0.01 26	0.01 39	0.96 66	1.05 88	0.33 12	13.50 108	0.00 1	0.00 1	0.00 1	0.00 1	0.06 49	0.02 41

ADCMid	1.38 84	0.90 97	6.15 98	0.04 75	0.03 74	1.67 89	0.18 75	1.13 57	0.93 92	0.89 81	0.58 80	0.86 63	0.71 81	1.03 16	11.96 104	0.01 85	0.00 1	0.29 110	0.08 100	0.17 87	0.03 53

AnyNet_C32	1.44 85	1.47 103	6.09 97	0.12 91	0.19 99	1.74 92	1.11 100	0.84 39	0.56 38	1.30 86	0.46 79	0.21 24	0.59 77	2.74 45	11.09 102	0.02 94	0.00 1	0.06 102	0.00 1	0.16 84	0.05 69

ADCPNet	1.44 85	0.55 70	7.88 102	0.01 54	0.19 99	2.78 97	0.27 78	0.90 42	0.38 25	0.04 51	0.02 58	1.43 83	1.81 97	2.22 34	9.08 98	0.00 1	0.47 108	0.00 1	0.64 111	0.04 39	0.15 98

ADCL	1.52 87	0.44 49	4.70 95	0.07 85	0.03 74	2.21 94	2.35 104	0.92 43	0.80 89	1.57 90	1.11 88	1.25 75	1.55 95	1.77 25	11.53 103	0.01 85	0.00 1	0.00 1	0.00 1	0.10 67	0.01 27

MDST_ROB	1.54 88	0.06 4	3.42 85	0.14 92	0.16 94	5.42 106	0.32 81	4.33 108	0.61 60	6.08 102	1.25 89	1.04 70	1.16 92	5.81 92	0.83 63	0.00 1	0.00 1	0.00 1	0.00 1	0.01 11	0.11 91

SGM_RVC	1.54 88	0.35 37	1.60 31	0.15 93	0.17 96	1.25 81	0.77 94	1.97 88	0.88 91	4.31 99	2.46 91	4.36 100	2.37 99	6.98 103	1.78 77	0.21 106	0.23 105	0.20 108	0.23 105	0.26 95	0.31 102
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	1.72 90	1.22 102	8.11 103	0.00 1	0.01 55	0.88 53	0.68 91	1.44 71	0.63 77	2.60 96	0.11 67	1.42 82	0.26 68	1.97 27	14.92 110	0.00 1	0.00 1	0.00 1	0.00 1	0.08 60	0.07 82

MSC_U_SF_DS_RVC	1.79 91	1.81 107	3.81 89	0.01 54	0.02 63	12.12 109	0.50 88	2.74 99	0.71 84	0.07 57	0.20 73	2.17 92	0.15 58	6.82 102	1.19 70	0.74 111	0.80 111	0.20 108	0.27 107	0.73 108	0.70 108

SuperB	1.85 92	1.06 101	10.54 106	0.02 63	0.01 55	0.90 56	0.78 95	1.75 83	0.64 80	0.05 53	0.05 62	0.34 40	0.89 86	5.29 80	5.80 96	0.01 85	0.00 1	0.02 93	0.02 90	8.71 113	0.06 77

SANet	1.99 93	0.71 85	3.37 83	0.03 70	0.03 74	2.85 98	0.85 98	2.42 96	8.33 109	1.55 89	4.13 94	4.29 99	3.23 101	5.39 82	2.47 84	0.00 1	0.00 1	0.00 1	0.00 1	0.06 49	0.06 77

WCMA_ROB	2.01 94	0.34 32	1.89 43	0.04 75	0.00 1	1.07 71	0.60 89	1.09 53	1.21 96	5.12 100	9.87 107	8.09 104	4.48 103	3.74 61	2.55 85	0.00 1	0.00 1	0.01 85	0.00 1	0.02 22	0.13 95

MSMD_ROB	2.04 95	0.40 46	2.13 55	0.00 1	0.00 1	4.88 105	0.22 76	0.93 44	1.82 101	5.71 101	7.79 101	7.39 103	3.72 102	4.62 72	1.22 71	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 41

pmcnn	2.10 96	0.59 74	4.52 93	0.27 102	0.86 108	0.34 11	0.29 80	1.69 80	0.75 87	0.36 75	7.50 100	14.39 110	0.56 76	4.90 74	4.69 92	0.00 1	0.00 1	0.00 1	0.00 1	0.16 84	0.04 64

AnyNet_C01	2.33 97	2.14 110	18.59 109	0.15 93	0.18 97	2.43 96	2.34 103	1.29 62	1.24 97	1.03 82	0.83 87	1.25 75	0.78 82	3.75 62	10.06 99	0.05 98	0.00 1	0.07 104	0.00 1	0.30 100	0.12 94

SGM+DAISY	2.38 98	0.98 99	4.37 92	0.48 104	0.33 103	2.24 95	1.94 102	1.16 58	1.47 99	6.62 103	5.89 97	5.77 101	5.09 104	5.76 91	4.39 90	0.16 103	0.15 104	0.06 102	0.14 103	0.26 95	0.40 104

PWCK	2.44 99	1.65 104	7.31 101	0.22 100	0.02 63	3.12 99	4.74 108	3.06 102	3.48 104	0.72 78	4.42 95	3.40 97	1.67 96	9.06 105	3.36 88	0.39 110	0.01 82	0.00 1	0.00 1	2.19 110	0.08 83

MeshStereo	2.61 100	0.65 78	2.71 70	0.02 63	0.02 63	1.55 86	0.94 99	3.02 101	1.29 98	11.21 106	7.34 99	11.54 107	2.74 100	6.34 100	2.43 83	0.00 1	0.00 1	0.00 1	0.00 1	0.28 97	0.03 53
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
ELAS	2.75 101	0.35 37	2.67 68	0.05 79	0.04 80	6.72 107	1.83 101	2.84 100	3.38 103	8.25 105	9.14 103	3.95 98	6.15 105	3.73 60	5.70 95	0.00 1	0.04 92	0.01 85	0.01 82	0.10 67	0.08 83
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS_RVC	2.84 102	0.34 32	3.86 91	0.05 79	0.05 83	1.52 85	5.02 109	1.93 87	5.28 105	7.10 104	6.96 98	6.26 102	8.34 106	4.96 75	4.90 94	0.00 1	0.04 92	0.01 85	0.01 82	0.10 67	0.09 87
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FC-DCNN	3.42 103	0.11 12	2.03 48	0.00 1	0.00 1	3.18 100	0.60 89	3.13 103	2.98 102	11.40 107	12.28 108	13.93 108	8.68 107	5.70 90	4.27 89	0.00 1	0.00 1	0.00 1	0.00 1	0.01 11	0.06 77

RTS	4.10 104	1.68 105	43.40 111	0.09 87	0.02 63	3.95 103	0.00 1	1.61 76	0.61 60	1.09 83	0.01 39	1.97 89	0.22 65	16.87 107	10.15 100	0.00 1	0.09 100	0.00 1	0.00 1	0.20 89	0.05 69

RTSA	4.10 104	1.68 105	43.40 111	0.09 87	0.02 63	3.95 103	0.00 1	1.61 76	0.61 60	1.09 83	0.01 39	1.97 89	0.22 65	16.87 107	10.15 100	0.00 1	0.09 100	0.00 1	0.00 1	0.20 89	0.05 69

LSM	4.58 106	0.88 96	17.79 108	3.73 112	38.79 113	0.85 51	2.37 105	0.54 22	1.64 100	2.88 97	3.09 93	0.62 55	0.60 78	3.16 51	1.06 65	0.00 1	0.00 1	0.00 1	0.00 1	0.12 74	13.55 113

MADNet+	4.65 107	2.70 111	46.68 113	0.01 54	0.02 63	2.06 93	0.03 65	3.17 104	1.07 94	0.02 37	0.01 39	1.84 87	0.31 71	21.62 111	13.04 106	0.00 1	0.03 88	0.00 1	0.00 1	0.20 89	0.19 100

DPSimNet_ROB	7.90 108	5.46 112	13.55 107	3.66 111	5.16 112	7.26 108	9.60 112	6.11 109	7.46 108	13.33 108	9.50 106	11.03 105	11.89 109	10.08 106	12.35 105	4.36 112	5.55 112	5.35 113	5.34 113	4.96 111	5.98 112

SGM-ForestM	8.89 109	0.68 81	3.61 87	0.57 106	0.18 97	14.89 112	5.99 110	9.62 111	10.59 110	20.43 110	17.16 110	39.22 112	20.29 111	20.63 110	13.19 107	0.04 96	0.14 103	0.00 1	0.07 98	0.15 81	0.36 103

MADNet++	9.87 110	2.12 109	7.11 100	7.99 113	4.58 111	14.38 111	6.90 111	9.23 110	5.88 106	16.88 109	17.47 111	11.07 106	15.72 110	24.26 112	19.76 112	8.52 113	6.39 113	4.85 112	2.69 112	5.96 112	5.73 111

MANE	9.96 111	0.69 82	2.88 73	1.22 109	0.61 106	13.15 110	3.46 106	15.62 113	22.27 112	22.74 111	30.00 113	29.74 111	23.22 112	17.17 109	13.78 109	0.29 109	0.56 109	0.09 106	0.61 110	0.15 81	1.00 110

LE_ROB	9.96 111	0.54 66	9.62 105	1.40 110	1.24 110	3.29 101	4.64 107	4.31 107	43.01 113	51.54 113	13.34 109	14.15 109	24.60 114	6.66 101	20.28 113	0.04 96	0.05 98	0.12 107	0.20 104	0.07 54	0.09 87

BEATNet-Init1	14.52 113	6.56 113	34.32 110	1.10 108	1.02 109	31.53 113	11.99 113	15.58 112	17.42 111	30.17 112	27.03 112	43.14 113	24.36 113	24.41 113	18.27 111	0.27 108	0.32 107	0.36 111	0.46 109	1.26 109	0.76 109

DGTPSM_ROB	81.49 114	60.74 114	99.95 116	61.20 114	86.99 116	99.11 116	100.00 116	95.92 115	99.99 116	73.08 114	100.00 115	70.81 114	100.00 116	77.39 114	99.98 116	35.10 114	97.48 117	35.12 114	99.89 117	46.16 114	90.85 114

DPSMNet_ROB	81.54 115	60.77 115	99.95 116	61.42 115	87.05 117	99.11 116	100.00 116	95.93 116	99.99 116	73.11 115	100.00 115	70.84 115	100.00 116	77.43 115	99.98 116	35.39 115	97.54 118	35.21 115	99.89 117	46.30 115	90.94 115

MEDIAN_ROB	93.37 116	98.75 118	96.05 115	90.90 118	90.53 118	85.63 114	76.45 114	92.03 114	89.53 114	95.05 116	94.99 114	96.02 116	93.85 115	90.36 116	87.21 114	98.36 119	95.79 114	99.61 118	98.77 116	98.80 119	98.72 119

DPSM	94.00 117	79.32 116	100.00 118	83.19 116	85.69 114	100.00 118	100.00 116	100.00 117	100.00 118	100.00 117	100.00 115	100.00 117	100.00 116	100.00 118	100.00 118	89.53 116	97.42 115	74.97 116	95.13 114	83.79 116	90.98 116

DPSM_ROB	94.00 117	79.32 116	100.00 118	83.19 116	85.69 114	100.00 118	100.00 116	100.00 117	100.00 118	100.00 117	100.00 115	100.00 117	100.00 116	100.00 118	100.00 118	89.53 116	97.42 115	74.97 116	95.13 114	83.79 116	90.98 116

AVERAGE_ROB	98.45 119	99.13 119	95.46 114	100.00 120	100.00 120	93.36 115	81.95 115	100.00 117	99.97 115	100.00 117	100.00 115	100.00 117	100.00 116	99.72 117	99.40 115	100.00 120	100.00 120	100.00 119	100.00 119	100.00 120	100.00 120

LSM0	99.11 120	99.97 120	100.00 118	95.93 119	98.59 119	100.00 118	100.00 116	100.00 117	100.00 118	100.00 117	100.00 115	100.00 117	100.00 116	100.00 118	100.00 118	93.89 118	99.97 119	100.00 119	100.00 119	96.64 118	97.25 118

MSMDNet													0.34 72

Low-res two-view benchmark