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

CREStereo	0.10 1	0.06 4	0.51 1	0.00 1	0.00 1	1.06 87	0.00 1	0.20 11	0.08 3	0.00 1	0.00 1	0.02 4	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.00 1

PMTNet	0.11 2	0.07 10	0.60 2	0.00 1	0.00 1	1.05 84	0.04 83	0.16 6	0.08 3	0.00 1	0.00 1	0.04 7	0.00 1	0.03 7	0.01 5	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.00 1

Gwc-CoAtRS	0.12 3	0.06 4	1.17 28	0.00 1	0.11 114	0.41 16	0.00 1	0.20 11	0.04 1	0.01 30	0.00 1	0.18 24	0.00 1	0.01 2	0.06 23	0.00 1	0.00 1	0.00 1	0.18 126	0.01 12	0.00 1

R-Stereo Train	0.15 4	0.03 1	0.77 6	0.00 1	0.00 1	0.74 54	0.00 1	1.36 87	0.09 7	0.02 45	0.00 1	0.01 1	0.00 1	0.01 2	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.01 35

RAFT-Stereo	0.15 4	0.03 1	0.77 6	0.00 1	0.00 1	0.74 54	0.00 1	1.36 87	0.09 7	0.02 45	0.00 1	0.01 1	0.00 1	0.01 2	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.01 35
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.19 6	0.55 92	1.36 33	0.00 1	0.00 1	0.25 6	0.00 1	1.09 73	0.23 26	0.00 1	0.00 1	0.14 19	0.02 23	0.02 6	0.14 45	0.00 1	0.00 1	0.00 1	0.00 1	0.05 57	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
DMCA	0.19 6	0.16 26	1.39 34	0.00 1	0.01 71	1.00 80	0.01 56	0.38 26	0.57 55	0.01 30	0.01 49	0.05 9	0.00 1	0.05 8	0.12 40	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.00 1

AdaStereo	0.20 8	0.06 4	0.86 11	0.00 1	0.00 1	0.25 6	0.00 1	1.71 103	0.56 51	0.00 1	0.00 1	0.31 42	0.01 18	0.11 14	0.11 36	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	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.
ACVNet	0.20 8	0.14 23	0.96 18	0.01 72	0.00 1	1.05 84	0.11 91	0.19 8	0.60 73	0.01 30	0.01 49	0.71 74	0.00 1	0.05 8	0.10 33	0.00 1	0.00 1	0.00 1	0.00 1	0.05 57	0.00 1

acv_ft	0.21 10	0.14 23	0.95 17	0.00 1	0.00 1	0.41 16	0.00 1	0.58 42	0.60 73	0.19 86	0.01 49	0.71 74	0.12 70	0.05 8	0.12 40	0.00 1	0.00 1	0.00 1	0.00 1	0.24 115	0.00 1

DPM-Stereo	0.22 11	0.10 16	0.77 6	0.00 1	0.00 1	1.09 98	0.00 1	1.68 101	0.57 55	0.01 30	0.00 1	0.01 1	0.07 60	0.01 2	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.01 35

MLCV	0.23 12	0.46 71	1.15 24	0.00 1	0.00 1	0.45 26	0.00 1	0.57 40	0.15 14	0.09 77	0.00 1	0.27 35	0.03 34	1.09 24	0.25 58	0.00 1	0.00 1	0.00 1	0.00 1	0.05 57	0.00 1

DeepPruner_ROB	0.23 12	0.37 60	1.26 29	0.00 1	0.00 1	1.11 101	0.03 78	0.20 11	0.07 2	0.00 1	0.00 1	0.39 54	0.03 34	1.12 25	0.02 11	0.00 1	0.00 1	0.00 1	0.00 1	0.04 50	0.00 1

FENet	0.23 12	0.05 3	1.39 34	0.00 1	0.00 1	1.00 80	0.00 1	0.80 55	0.57 55	0.00 1	0.00 1	0.24 31	0.04 45	0.23 17	0.18 52	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.01 35

BEATNet_4x	0.24 15	0.51 84	1.71 52	0.00 1	0.00 1	0.31 8	0.00 1	0.99 67	0.31 30	0.00 1	0.00 1	0.29 37	0.03 34	0.22 16	0.35 65	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.02 57

StereoDRNet-Refined	0.24 15	0.08 12	0.68 4	0.00 1	0.00 1	0.83 61	0.00 1	0.66 46	0.61 77	0.00 1	0.00 1	0.50 64	0.02 23	1.28 27	0.08 30	0.00 1	0.00 1	0.00 1	0.00 1	0.10 87	0.04 85
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
STTStereo	0.24 15	0.28 38	1.68 48	0.00 1	0.00 1	0.84 62	0.03 78	0.16 6	0.08 3	0.02 45	0.00 1	0.20 27	0.03 34	1.54 28	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 15	0.74 111	2.31 72	0.53 129	0.00 1	0.17 2	0.01 56	0.02 1	0.59 70	0.01 30	0.03 75	0.12 15	0.00 1	0.07 11	0.01 5	0.00 1	0.00 1	0.00 1	0.00 1	0.19 109	0.01 35

iResNet	0.25 19	0.27 36	1.68 48	0.00 1	0.00 1	0.69 50	0.00 1	1.22 82	0.56 51	0.00 1	0.00 1	0.04 7	0.03 34	0.12 15	0.30 62	0.00 1	0.00 1	0.00 1	0.00 1	0.05 57	0.01 35

DN-CSS_ROB	0.26 20	0.75 112	1.33 32	0.00 1	0.00 1	0.99 79	0.00 1	1.04 68	0.61 77	0.01 30	0.00 1	0.19 26	0.02 23	0.07 11	0.01 5	0.00 1	0.00 1	0.00 1	0.00 1	0.22 113	0.01 35

DLCB_ROB	0.27 21	0.16 26	0.71 5	0.00 1	0.00 1	0.44 25	0.00 1	0.43 28	0.57 55	0.02 45	0.04 77	0.63 68	0.04 45	2.18 40	0.24 57	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

HGLStereo	0.28 22	0.12 20	1.15 24	0.00 1	0.00 1	0.65 45	0.00 1	0.57 40	0.25 27	0.02 45	0.01 49	0.47 60	0.03 34	2.17 39	0.14 45	0.00 1	0.00 1	0.00 1	0.00 1	0.03 43	0.01 35

ccs	0.29 23	0.08 12	0.79 9	0.00 1	0.00 1	0.88 65	0.22 96	1.71 103	0.63 97	0.00 1	0.01 49	0.30 41	0.23 83	0.86 21	0.03 13	0.01 105	0.00 1	0.03 119	0.01 103	0.06 66	0.02 57

NCCL2	0.29 23	0.50 79	1.52 41	0.00 1	0.00 1	0.81 59	0.00 1	0.45 30	0.22 23	0.00 1	0.00 1	0.02 4	0.03 34	2.14 37	0.06 23	0.00 1	0.00 1	0.02 113	0.00 1	0.01 12	0.03 72

iResNet_ROB	0.30 25	0.66 103	1.41 37	0.00 1	0.00 1	0.70 51	0.00 1	0.79 53	0.57 55	0.04 63	0.01 49	0.08 11	0.01 18	1.55 29	0.03 13	0.00 1	0.00 1	0.00 1	0.00 1	0.06 66	0.00 1

ETE_ROB	0.31 26	0.34 48	0.89 12	0.00 1	0.00 1	0.97 74	0.01 56	1.45 94	0.57 55	0.02 45	0.00 1	0.17 21	0.02 23	1.75 31	0.07 28	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

DMCA-RVC	0.31 26	0.48 76	2.47 77	0.00 1	0.03 93	0.78 58	0.03 78	0.06 2	0.08 3	0.01 30	0.01 49	0.08 11	0.33 90	1.59 30	0.16 49	0.00 1	0.02 107	0.01 104	0.00 1	0.01 12	0.01 35

DISCO	0.31 26	0.11 17	1.73 53	0.16 117	0.16 117	0.31 8	0.00 1	0.09 3	0.17 18	0.00 1	0.01 49	1.51 106	0.00 1	1.21 26	0.62 79	0.00 1	0.00 1	0.00 1	0.00 1	0.03 43	0.01 35

LALA_ROB	0.31 26	0.38 61	0.91 15	0.00 1	0.01 71	1.00 80	0.01 56	1.60 96	0.61 77	0.15 84	0.00 1	0.09 14	0.01 18	1.04 23	0.41 68	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.00 1

CFNet_RVC	0.31 26	0.34 48	0.96 18	0.00 1	0.00 1	1.08 95	0.00 1	0.19 8	0.15 14	0.01 30	0.00 1	0.48 61	0.00 1	2.95 60	0.05 20	0.00 1	0.00 1	0.01 104	0.00 1	0.01 12	0.01 35

CFNet-ft	0.31 26	0.34 48	0.96 18	0.00 1	0.00 1	1.08 95	0.00 1	0.19 8	0.15 14	0.01 30	0.00 1	0.48 61	0.00 1	2.95 60	0.05 20	0.00 1	0.00 1	0.01 104	0.00 1	0.01 12	0.01 35

GANet-RSSM	0.34 32	0.29 42	0.97 21	0.00 1	0.00 1	1.05 84	0.00 1	0.22 14	0.15 14	0.03 55	0.00 1	0.31 42	0.00 1	3.62 72	0.14 45	0.00 1	0.00 1	0.03 119	0.00 1	0.05 57	0.01 35

NLCA_NET_v2_RVC	0.35 33	0.49 78	2.00 61	0.00 1	0.02 82	0.96 72	0.00 1	0.55 38	0.18 21	0.03 55	0.00 1	0.35 49	0.10 65	2.37 43	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.
cf-r	0.35 33	0.41 66	1.45 38	0.00 1	0.00 1	1.06 87	0.00 1	0.43 28	0.38 35	0.05 67	0.00 1	0.65 72	0.00 1	2.53 49	0.04 15	0.00 1	0.00 1	0.00 1	0.00 1	0.04 50	0.02 57

iResNetv2_ROB	0.36 35	1.03 123	2.96 91	0.00 1	0.00 1	0.58 36	0.00 1	1.51 95	0.58 65	0.01 30	0.00 1	0.08 11	0.02 23	0.07 11	0.02 11	0.00 1	0.00 1	0.00 1	0.00 1	0.29 121	0.02 57

PSMNet-RSSM	0.36 35	0.36 57	0.93 16	0.00 1	0.00 1	1.06 87	0.00 1	0.50 35	0.53 45	0.04 63	0.00 1	0.40 55	0.00 1	3.33 68	0.06 23	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.01 35

CC-Net-ROB	0.37 37	0.50 79	2.09 69	0.00 1	0.02 82	0.98 75	0.00 1	0.46 31	0.17 18	0.08 74	0.00 1	0.33 44	0.11 67	2.54 50	0.01 5	0.00 1	0.00 1	0.00 1	0.01 103	0.01 12	0.00 1

XPNet_ROB	0.37 37	0.34 48	1.01 22	0.01 72	0.00 1	0.96 72	0.00 1	1.11 75	0.46 39	0.00 1	0.00 1	0.17 21	0.02 23	2.73 53	0.54 75	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.01 35

ac_64	0.39 39	0.12 20	1.15 24	0.04 95	0.01 71	0.43 24	0.02 72	0.25 17	0.59 70	0.12 79	0.01 49	0.89 82	0.04 45	3.92 82	0.12 40	0.00 1	0.00 1	0.00 1	0.00 1	0.04 50	0.00 1

DSFCA	0.40 40	0.09 15	0.84 10	0.00 1	0.01 71	0.98 75	0.37 103	0.29 19	0.62 96	0.02 45	0.32 93	0.03 6	0.24 85	3.91 81	0.34 64	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.00 1

PSMNet_ROB	0.41 41	0.54 88	1.69 51	0.00 1	0.00 1	0.92 71	0.00 1	0.27 18	0.53 45	0.00 1	0.00 1	0.25 33	0.03 34	3.43 69	0.47 71	0.00 1	0.00 1	0.00 1	0.00 1	0.05 57	0.03 72

hitnet-ft	0.42 42	0.30 44	1.15 24	0.00 1	0.00 1	0.73 53	0.11 91	0.30 21	0.19 22	0.04 63	0.14 85	0.75 77	0.17 77	4.33 92	0.10 33	0.01 105	0.00 1	0.03 119	0.00 1	0.04 50	0.01 35

StereoDRNet	0.42 42	0.50 79	2.50 79	0.02 82	0.06 105	0.51 29	0.00 1	0.34 23	0.61 77	0.00 1	0.00 1	0.33 44	0.02 23	2.87 56	0.50 74	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.02 57

RP	0.42 42	0.44 68	1.52 41	0.00 1	0.01 71	0.61 39	0.02 72	1.06 70	0.39 37	0.03 55	0.01 49	0.99 88	0.16 74	2.89 58	0.18 52	0.00 1	0.00 1	0.00 1	0.00 1	0.10 87	0.00 1

Nwc_Net	0.43 45	0.42 67	2.64 84	0.00 1	0.00 1	0.67 48	0.00 1	0.82 58	0.28 28	0.00 1	0.01 49	0.90 83	0.10 65	2.62 51	0.05 20	0.00 1	0.00 1	0.00 1	0.00 1	0.03 43	0.00 1

DRN-Test	0.43 45	0.13 22	1.95 60	0.03 90	0.09 112	0.61 39	0.00 1	1.43 91	0.61 77	0.00 1	0.00 1	0.18 24	0.04 45	3.32 67	0.11 36	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.01 35

GwcNet-RSSM	0.45 47	0.56 94	1.74 55	0.00 1	0.00 1	1.06 87	0.00 1	0.65 45	0.55 49	0.18 85	0.00 1	0.37 53	0.00 1	3.70 75	0.04 15	0.00 1	0.00 1	0.00 1	0.00 1	0.08 79	0.02 57

NVstereo2D	0.45 47	0.11 17	1.91 59	0.00 1	0.00 1	0.59 38	0.00 1	1.39 89	0.61 77	0.03 55	0.00 1	0.33 44	0.00 1	3.94 83	0.07 28	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

ccs_rob	0.46 49	0.54 88	1.68 48	0.00 1	0.00 1	0.98 75	0.01 56	0.70 48	0.57 55	0.00 1	0.00 1	0.07 10	0.01 18	4.35 93	0.17 51	0.00 1	0.00 1	0.00 1	0.00 1	0.11 92	0.03 72

AF-Net	0.47 50	0.53 86	2.05 66	0.00 1	0.00 1	0.41 16	0.01 56	1.18 81	0.40 38	0.13 80	0.05 78	1.30 99	0.45 92	2.43 47	0.30 62	0.00 1	0.00 1	0.00 1	0.00 1	0.09 83	0.00 1

stereogan	0.49 51	0.22 31	2.39 73	0.00 1	0.00 1	0.63 44	0.02 72	0.79 53	0.72 105	0.06 70	0.00 1	1.68 108	0.46 93	2.63 52	0.04 15	0.00 1	0.00 1	0.00 1	0.00 1	0.14 99	0.00 1

NCC-stereo	0.49 51	0.46 71	2.04 64	0.03 90	0.03 93	1.06 87	0.01 56	0.78 51	0.22 23	0.06 70	0.19 87	0.64 70	0.05 54	3.65 73	0.63 80	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.00 1

TDLM	0.49 51	0.39 62	1.02 23	0.00 1	0.00 1	1.08 95	0.01 56	0.36 24	0.58 65	0.14 82	0.00 1	0.27 35	0.19 78	5.46 107	0.20 56	0.00 1	0.00 1	0.00 1	0.00 1	0.13 97	0.01 35

Abc-Net	0.49 51	0.46 71	2.04 64	0.03 90	0.03 93	1.06 87	0.01 56	0.78 51	0.22 23	0.06 70	0.19 87	0.64 70	0.05 54	3.65 73	0.63 80	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.00 1
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FAT-Stereo	0.50 55	0.14 23	2.51 81	0.00 1	0.00 1	0.33 11	0.09 88	1.88 108	0.61 77	0.05 67	0.76 102	0.60 66	0.52 94	2.46 48	0.06 23	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.00 1

RGC	0.50 55	0.53 86	2.42 74	0.00 1	0.01 71	0.65 45	0.00 1	1.07 71	0.17 18	0.01 30	0.62 99	1.00 89	0.19 78	3.03 63	0.28 61	0.00 1	0.00 1	0.00 1	0.00 1	0.05 57	0.02 57

SHD	0.50 55	0.51 84	3.61 106	0.05 100	0.00 1	0.01 1	0.01 56	0.72 49	0.61 77	1.57 110	0.00 1	0.34 47	0.09 62	1.79 33	0.49 73	0.00 1	0.00 1	0.00 1	0.01 103	0.09 83	0.03 72

GwcNet	0.50 55	0.46 71	3.90 111	0.00 1	0.00 1	0.42 20	0.10 90	0.38 26	0.74 107	0.03 55	0.00 1	0.63 68	0.05 54	2.92 59	0.16 49	0.00 1	0.00 1	0.00 1	0.00 1	0.17 107	0.05 89

FADNet-RVC-Resample	0.51 59	0.82 117	3.08 95	0.04 95	0.04 100	0.42 20	0.09 88	1.16 79	0.34 31	0.00 1	0.03 75	0.24 31	0.05 54	3.16 64	0.13 43	0.07 123	0.12 125	0.05 124	0.02 110	0.08 79	0.20 124

PASM	0.51 59	0.32 46	3.07 94	0.00 1	0.00 1	0.31 8	0.00 1	0.46 31	0.12 9	0.03 55	0.00 1	0.44 57	0.02 23	5.22 103	0.04 15	0.00 1	0.00 1	0.00 1	0.00 1	0.12 94	0.03 72

FADNet-RVC	0.51 59	0.80 116	2.47 77	0.01 72	0.00 1	0.48 28	0.00 1	1.32 85	0.14 12	0.00 1	0.01 49	0.12 15	0.06 59	4.07 86	0.15 48	0.00 1	0.04 116	0.00 1	0.00 1	0.38 125	0.08 105

HSM-Net_RVC	0.52 62	0.06 4	1.45 38	0.00 1	0.00 1	0.61 39	0.00 1	3.83 130	0.52 43	0.14 82	0.00 1	0.22 30	0.03 34	3.50 71	0.04 15	0.01 105	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 63	0.32 46	1.26 29	0.00 1	0.00 1	0.98 75	0.00 1	0.72 49	0.55 49	0.35 92	0.12 84	0.36 51	0.14 71	5.53 109	0.08 30	0.00 1	0.00 1	0.00 1	0.00 1	0.16 104	0.00 1

RYNet	0.53 63	0.19 29	1.79 56	0.00 1	0.00 1	0.55 32	0.00 1	1.12 76	0.61 77	0.02 45	0.00 1	0.83 79	0.04 45	5.05 101	0.45 70	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 57

GANetREF_RVC	0.54 65	0.70 106	2.06 67	0.00 1	0.00 1	1.14 102	0.00 1	1.61 97	0.58 65	0.00 1	0.01 49	0.29 37	0.04 45	4.21 88	0.06 23	0.00 1	0.00 1	0.00 1	0.00 1	0.03 43	0.02 57
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
GANet	0.55 66	0.35 54	1.40 36	0.00 1	0.00 1	0.77 57	0.08 87	0.36 24	0.57 55	0.01 30	0.00 1	0.68 73	0.11 67	5.52 108	1.07 85	0.00 1	0.00 1	0.02 113	0.00 1	0.09 83	0.03 72

FADNet	0.55 66	0.75 112	2.42 74	0.00 1	0.01 71	0.82 60	0.00 1	0.88 60	0.54 48	0.01 30	0.01 49	0.16 20	0.16 74	4.49 94	0.09 32	0.18 127	0.00 1	0.00 1	0.00 1	0.43 128	0.00 1

PDISCO_ROB	0.56 68	0.57 95	2.07 68	0.17 119	0.00 1	1.56 110	0.01 56	2.27 118	0.51 42	0.08 74	0.01 49	0.74 76	0.28 88	2.37 43	0.13 43	0.00 1	0.00 1	0.00 1	0.00 1	0.33 124	0.00 1

CFNet	0.56 68	0.50 79	1.58 43	0.00 1	0.00 1	1.06 87	0.01 56	1.08 72	0.57 55	0.00 1	0.01 49	0.12 15	0.01 18	5.87 117	0.19 55	0.00 1	0.00 1	0.00 1	0.00 1	0.13 97	0.02 57

PA-Net	0.57 70	0.50 79	2.73 88	0.03 90	0.06 105	0.89 67	0.02 72	0.66 46	0.63 97	0.00 1	0.00 1	0.43 56	0.07 60	4.82 97	0.55 78	0.01 105	0.00 1	0.00 1	0.00 1	0.02 28	0.04 85
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CBMV	0.57 70	0.22 31	1.61 45	0.00 1	0.00 1	0.84 62	0.78 117	2.58 122	0.61 77	0.38 94	0.00 1	1.25 95	0.63 98	2.07 36	0.38 66	0.00 1	0.00 1	0.00 1	0.00 1	0.04 50	0.08 105
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
edge stereo	0.58 72	0.29 42	2.86 89	0.01 72	0.03 93	0.33 11	0.03 78	0.97 65	0.50 40	0.21 87	0.33 94	1.31 100	0.16 74	4.20 87	0.18 52	0.00 1	0.00 1	0.00 1	0.00 1	0.11 92	0.01 35

DANet	0.58 72	0.19 29	1.87 57	0.26 125	0.06 105	0.51 29	0.11 91	1.41 90	0.52 43	0.22 88	0.06 81	1.06 91	0.02 23	4.25 89	0.92 83	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.06 99

RASNet	0.58 72	0.27 36	1.30 31	0.00 1	0.00 1	0.61 39	0.01 56	0.47 33	0.60 73	0.08 74	0.06 81	1.52 107	0.04 45	6.18 120	0.48 72	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.00 1

Anonymous Stereo	0.59 75	0.78 115	2.67 85	0.00 1	0.00 1	0.55 32	0.49 109	1.05 69	0.28 28	0.00 1	0.01 49	0.12 15	0.02 23	5.54 110	0.27 60	0.00 1	0.00 1	0.00 1	0.00 1	0.07 71	0.00 1

FADNet_RVC	0.60 76	0.83 118	2.50 79	0.00 1	0.00 1	1.09 98	0.00 1	1.29 83	0.50 40	0.02 45	0.05 78	0.26 34	0.03 34	3.17 66	0.25 58	0.21 129	0.26 129	0.08 128	0.28 131	0.53 130	0.55 131

NOSS_ROB	0.61 77	0.17 28	0.63 3	0.19 121	0.00 1	0.67 48	0.00 1	2.38 119	0.57 55	0.13 80	0.00 1	0.94 84	0.00 1	6.27 123	0.10 33	0.00 1	0.00 1	0.00 1	0.00 1	0.04 50	0.10 113

PWC_ROB	0.62 78	0.54 88	3.22 97	0.00 1	0.00 1	0.22 5	0.00 1	2.18 116	0.61 77	0.00 1	0.20 89	0.29 37	0.03 34	3.46 70	1.22 90	0.00 1	0.00 1	0.00 1	0.00 1	0.39 126	0.01 35

HSM	0.63 79	0.36 57	0.89 12	0.00 1	0.00 1	0.52 31	0.01 56	0.98 66	0.56 51	0.00 1	0.01 49	2.27 115	0.65 99	6.18 120	0.11 36	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.00 1

S-Stereo	0.65 80	0.25 34	3.44 103	0.00 1	0.00 1	0.56 34	0.05 84	1.86 107	0.61 77	0.00 1	0.76 102	0.84 80	0.11 67	4.28 91	0.11 36	0.00 1	0.01 103	0.00 1	0.00 1	0.07 71	0.03 72

XQC	0.68 81	0.72 110	3.82 109	0.06 105	0.00 1	0.39 14	0.01 56	1.92 110	0.61 77	0.03 55	0.01 49	0.46 59	0.21 80	2.84 55	2.26 103	0.00 1	0.00 1	0.00 1	0.01 103	0.15 101	0.05 89

RTSC	0.70 82	0.71 108	3.19 96	0.01 72	0.00 1	0.20 4	0.00 1	0.81 56	0.60 73	0.29 91	0.36 96	0.36 51	0.04 45	2.04 35	4.87 116	0.00 1	0.03 111	0.00 1	0.02 110	0.28 119	0.11 114

PVD	0.73 83	0.57 95	3.38 101	0.04 95	0.19 122	0.74 54	0.00 1	0.29 19	0.79 109	2.37 114	0.00 1	0.53 65	0.09 62	2.19 41	3.20 109	0.00 1	0.05 121	0.00 1	0.02 110	0.08 79	0.15 121

AANet_RVC	0.75 84	0.65 101	2.52 82	0.01 72	0.00 1	0.66 47	0.00 1	0.61 43	0.13 11	0.00 1	1.29 111	0.96 86	0.04 45	5.98 118	1.82 99	0.13 124	0.02 107	0.00 1	0.00 1	0.07 71	0.04 85

psmorigin	0.75 84	0.25 34	7.10 121	0.00 1	0.00 1	0.19 3	0.00 1	0.10 4	0.12 9	0.65 97	0.00 1	2.74 118	0.23 83	3.02 62	0.54 75	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.01 35

NaN_ROB	0.80 86	0.47 75	1.63 46	0.17 119	0.19 122	0.58 36	0.38 105	2.11 113	0.80 110	0.53 96	0.33 94	0.48 61	1.13 111	4.98 100	1.94 100	0.00 1	0.02 107	0.01 104	0.05 117	0.06 66	0.14 120

FBW_ROB	0.83 87	0.31 45	1.48 40	0.10 111	0.01 71	0.62 43	0.01 56	1.91 109	0.59 70	0.01 30	0.01 49	1.10 93	0.05 54	7.84 128	2.07 102	0.05 121	0.01 103	0.03 119	0.01 103	0.01 12	0.47 129

CBMV_ROB	0.84 88	0.06 4	1.73 53	0.00 1	0.00 1	1.37 106	0.47 106	2.57 121	0.58 65	2.13 112	0.76 102	1.06 91	1.38 113	4.04 85	0.54 75	0.00 1	0.00 1	0.00 1	0.00 1	0.03 43	0.05 89

SGM-Forest	0.84 88	0.07 10	0.90 14	0.02 82	0.07 109	1.10 100	0.68 113	2.12 115	0.61 77	1.14 105	0.78 105	1.36 102	0.98 107	5.55 111	1.31 93	0.00 1	0.00 1	0.00 1	0.00 1	0.02 28	0.06 99
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
aanetorigin	0.86 90	0.36 57	3.45 104	0.11 112	0.13 116	0.39 14	0.93 121	0.13 5	0.14 12	3.38 119	1.21 109	0.29 37	2.01 119	2.87 56	1.35 94	0.02 115	0.00 1	0.02 113	0.05 117	0.30 122	0.08 105

SPS-STEREO	0.88 91	0.40 64	2.01 62	0.00 1	0.01 71	0.42 20	0.17 94	0.50 35	0.61 77	2.19 113	0.79 106	2.04 113	0.27 87	5.10 102	2.89 108	0.00 1	0.00 1	0.00 1	0.00 1	0.03 43	0.11 114
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
ADCRef	0.92 92	0.48 76	3.35 99	0.02 82	0.02 82	0.90 68	0.32 101	0.61 43	0.65 101	0.72 98	0.17 86	0.17 21	0.82 105	2.15 38	7.95 120	0.00 1	0.00 1	0.00 1	0.00 1	0.07 71	0.03 72

PWCDC_ROB	0.94 93	0.91 121	2.52 82	0.00 1	0.00 1	1.15 103	0.00 1	2.11 113	1.18 116	0.00 1	8.99 125	0.35 49	0.09 62	0.64 19	0.40 67	0.00 1	0.00 1	0.00 1	0.00 1	0.50 129	0.03 72

MFN_U_SF_RVC	0.95 94	1.40 126	4.49 113	0.16 117	0.11 114	0.56 34	0.07 86	1.12 76	0.36 34	0.43 95	0.27 91	1.27 98	0.73 101	3.98 84	1.47 95	0.29 132	0.34 131	0.36 134	0.55 133	0.63 131	0.46 128

SAMSARA	1.01 95	0.70 106	3.29 98	0.20 123	0.06 105	1.65 111	0.05 84	0.48 34	0.53 45	2.91 118	0.68 101	2.97 119	1.08 109	3.89 80	1.54 96	0.00 1	0.04 116	0.00 1	0.02 110	0.05 57	0.03 72

CSAN	1.05 96	0.61 99	2.46 76	0.09 108	0.08 111	0.71 52	0.71 115	2.20 117	0.93 113	0.85 100	2.92 114	0.79 78	1.46 114	5.37 105	1.58 97	0.01 105	0.01 103	0.00 1	0.00 1	0.09 83	0.05 89

NVStereoNet_ROB	1.08 97	0.39 62	2.15 71	0.08 107	0.02 82	0.45 26	0.02 72	0.89 61	0.67 102	0.10 78	5.85 119	1.90 110	1.11 110	6.20 122	1.14 86	0.20 128	0.00 1	0.03 119	0.07 120	0.12 94	0.13 118
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 98	2.03 132	4.57 115	0.02 82	0.04 100	3.52 126	0.27 98	1.80 106	0.58 65	0.22 88	0.28 92	1.38 103	0.02 23	6.08 119	0.42 69	0.14 125	0.68 134	0.01 104	0.26 129	0.39 126	0.47 129

G-Net	1.20 99	0.28 38	2.96 91	0.05 100	0.49 127	1.73 113	0.48 107	0.23 15	0.35 32	1.35 107	9.14 126	2.33 116	0.81 103	2.40 45	1.15 87	0.01 105	0.03 111	0.02 113	0.09 123	0.07 71	0.05 89

DispFullNet	1.20 99	0.63 100	3.58 105	1.00 131	0.82 130	0.41 16	0.00 1	1.44 92	0.61 77	2.55 115	0.64 100	1.10 93	8.95 132	0.84 20	1.22 90	0.00 1	0.02 107	0.00 1	0.00 1	0.24 115	0.02 57

STTStereo_v2	1.20 99	0.28 38	2.96 91	0.05 100	0.49 127	1.73 113	0.48 107	0.23 15	0.35 32	1.35 107	9.14 126	2.33 116	0.81 103	2.40 45	1.15 87	0.01 105	0.03 111	0.02 113	0.09 123	0.07 71	0.05 89

DPSNet	1.25 102	0.28 38	5.34 117	0.28 127	0.07 109	1.50 107	0.00 1	3.53 129	0.69 103	0.03 55	0.00 1	0.45 58	2.10 120	5.67 113	4.61 114	0.02 115	0.04 116	0.00 1	0.02 110	0.23 114	0.09 110

DeepPrunerF	1.33 103	0.59 97	8.62 126	0.02 82	0.09 112	0.90 68	0.00 1	1.34 86	6.72 131	0.22 88	0.01 49	0.21 28	0.14 71	5.64 112	1.99 101	0.00 1	0.00 1	0.01 104	0.02 110	0.14 99	0.02 57

ADCP+	1.36 104	0.76 114	6.73 120	0.01 72	0.02 82	1.32 105	0.80 119	0.81 56	0.72 105	0.01 30	0.01 49	0.96 86	1.05 108	0.33 18	13.50 132	0.00 1	0.00 1	0.00 1	0.00 1	0.06 66	0.02 57

ADCMid	1.38 105	0.90 120	6.15 119	0.04 95	0.03 93	1.67 112	0.18 95	1.13 78	0.93 113	0.89 101	0.58 98	0.86 81	0.71 100	1.03 22	11.96 128	0.01 105	0.00 1	0.29 133	0.08 122	0.17 107	0.03 72

AnyNet_C32	1.44 106	1.47 127	6.09 118	0.12 113	0.19 122	1.74 116	1.11 123	0.84 59	0.56 51	1.30 106	0.46 97	0.21 28	0.59 96	2.74 54	11.09 126	0.02 115	0.00 1	0.06 125	0.00 1	0.16 104	0.05 89

ADCPNet	1.44 106	0.55 92	7.88 124	0.01 72	0.19 122	2.78 121	0.27 98	0.90 62	0.38 35	0.04 63	0.02 74	1.43 105	1.81 118	2.22 42	9.08 121	0.00 1	0.47 132	0.00 1	0.64 135	0.04 50	0.15 121

ADCL	1.52 108	0.44 68	4.70 116	0.07 106	0.03 93	2.21 118	2.35 128	0.92 63	0.80 110	1.57 110	1.11 108	1.25 95	1.55 115	1.77 32	11.53 127	0.01 105	0.00 1	0.00 1	0.00 1	0.10 87	0.01 35

SGM_RVC	1.54 109	0.35 54	1.60 44	0.15 115	0.17 119	1.25 104	0.77 116	1.97 112	0.88 112	4.31 120	2.46 113	4.36 123	2.37 121	6.98 127	1.78 98	0.21 129	0.23 128	0.20 131	0.23 128	0.26 117	0.31 125
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MDST_ROB	1.54 109	0.06 4	3.42 102	0.14 114	0.16 117	5.42 130	0.32 101	4.33 132	0.61 77	6.08 123	1.25 110	1.04 90	1.16 112	5.81 116	0.83 82	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.11 114

ADCS	1.72 111	1.22 125	8.11 125	0.00 1	0.01 71	0.88 65	0.68 113	1.44 92	0.63 97	2.60 116	0.11 83	1.42 104	0.26 86	1.97 34	14.92 134	0.00 1	0.00 1	0.00 1	0.00 1	0.08 79	0.07 104

MSC_U_SF_DS_RVC	1.79 112	1.81 131	3.81 108	0.01 72	0.02 82	12.12 133	0.50 110	2.74 123	0.71 104	0.07 73	0.20 89	2.17 114	0.15 73	6.82 126	1.19 89	0.74 135	0.80 135	0.20 131	0.27 130	0.73 132	0.70 132

SuperB	1.85 113	1.06 124	10.54 128	0.02 82	0.01 71	0.90 68	0.78 117	1.75 105	0.64 100	0.05 67	0.05 78	0.34 47	0.89 106	5.29 104	5.80 119	0.01 105	0.00 1	0.02 113	0.02 110	8.71 137	0.06 99

SANet	1.99 114	0.71 108	3.37 100	0.03 90	0.03 93	2.85 122	0.85 120	2.42 120	8.33 133	1.55 109	4.13 117	4.29 122	3.23 123	5.39 106	2.47 105	0.00 1	0.00 1	0.00 1	0.00 1	0.06 66	0.06 99

WCMA_ROB	2.01 115	0.34 48	1.89 58	0.04 95	0.00 1	1.07 94	0.60 111	1.09 73	1.21 117	5.12 121	9.87 130	8.09 127	4.48 126	3.74 78	2.55 106	0.00 1	0.00 1	0.01 104	0.00 1	0.02 28	0.13 118

MSMD_ROB	2.04 116	0.40 64	2.13 70	0.00 1	0.00 1	4.88 129	0.22 96	0.93 64	1.82 123	5.71 122	7.79 124	7.39 126	3.72 124	4.62 95	1.22 90	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.02 57

pmcnn	2.10 117	0.59 97	4.52 114	0.27 126	0.86 132	0.34 13	0.29 100	1.69 102	0.75 108	0.36 93	7.50 123	14.39 134	0.56 95	4.90 98	4.69 115	0.00 1	0.00 1	0.00 1	0.00 1	0.16 104	0.04 85

AnyNet_C01	2.33 118	2.14 134	18.59 131	0.15 115	0.18 120	2.43 120	2.34 127	1.29 83	1.24 118	1.03 102	0.83 107	1.25 95	0.78 102	3.75 79	10.06 122	0.05 121	0.00 1	0.07 127	0.00 1	0.30 122	0.12 117

SGM+DAISY	2.38 119	0.98 122	4.37 112	0.48 128	0.33 126	2.24 119	1.94 125	1.16 79	1.47 121	6.62 124	5.89 120	5.77 124	5.09 127	5.76 115	4.39 112	0.16 126	0.15 127	0.06 125	0.14 125	0.26 117	0.40 127

PWCK	2.44 120	1.65 128	7.31 123	0.22 124	0.02 82	3.12 123	4.74 132	3.06 126	3.48 127	0.72 98	4.42 118	3.40 120	1.67 117	9.06 129	3.36 110	0.39 134	0.01 103	0.00 1	0.00 1	2.19 134	0.08 105

MeshStereo	2.61 121	0.65 101	2.71 87	0.02 82	0.02 82	1.55 109	0.94 122	3.02 125	1.29 119	11.21 130	7.34 122	11.54 130	2.74 122	6.34 124	2.43 104	0.00 1	0.00 1	0.00 1	0.00 1	0.28 119	0.03 72
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
FCDSN-DC	2.66 122	0.08 12	1.65 47	0.00 1	0.00 1	1.73 113	0.37 103	1.64 100	1.35 120	8.08 127	11.18 131	11.78 131	7.59 129	4.76 96	2.80 107	0.02 115	0.00 1	0.00 1	0.00 1	0.03 43	0.05 89
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
ELAS	2.75 123	0.35 54	2.67 85	0.05 100	0.04 100	6.72 131	1.83 124	2.84 124	3.38 126	8.25 129	9.14 126	3.95 121	6.15 128	3.73 77	5.70 118	0.00 1	0.04 116	0.01 104	0.01 103	0.10 87	0.08 105
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS_RVC	2.84 124	0.34 48	3.86 110	0.05 100	0.05 104	1.52 108	5.02 133	1.93 111	5.28 129	7.10 126	6.96 121	6.26 125	8.34 130	4.96 99	4.90 117	0.00 1	0.04 116	0.01 104	0.01 103	0.10 87	0.09 110
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficient	2.96 125	0.23 33	19.99 132	0.19 121	0.85 131	1.02 83	2.03 126	0.56 39	5.14 128	8.09 128	1.81 112	0.94 84	4.14 125	3.72 76	10.22 125	0.00 1	0.03 111	0.00 1	0.06 119	0.05 57	0.03 72

FC-DCNN	3.42 126	0.11 17	2.03 63	0.00 1	0.00 1	3.18 124	0.60 111	3.13 127	2.98 125	11.40 131	12.28 132	13.93 132	8.68 131	5.70 114	4.27 111	0.00 1	0.00 1	0.00 1	0.00 1	0.01 12	0.06 99

RTS	4.10 127	1.68 129	43.40 134	0.09 108	0.02 82	3.95 127	0.00 1	1.61 97	0.61 77	1.09 103	0.01 49	1.97 111	0.22 81	16.87 131	10.15 123	0.00 1	0.09 123	0.00 1	0.00 1	0.20 110	0.05 89

RTSA	4.10 127	1.68 129	43.40 134	0.09 108	0.02 82	3.95 127	0.00 1	1.61 97	0.61 77	1.09 103	0.01 49	1.97 111	0.22 81	16.87 131	10.15 123	0.00 1	0.09 123	0.00 1	0.00 1	0.20 110	0.05 89

LSM	4.58 129	0.88 119	17.79 130	3.73 136	38.79 137	0.85 64	2.37 129	0.54 37	1.64 122	2.88 117	3.09 115	0.62 67	0.60 97	3.16 64	1.06 84	0.00 1	0.00 1	0.00 1	0.00 1	0.12 94	13.55 137

MADNet+	4.65 130	2.70 135	46.68 136	0.01 72	0.02 82	2.06 117	0.03 78	3.17 128	1.07 115	0.02 45	0.01 49	1.84 109	0.31 89	21.62 135	13.04 130	0.00 1	0.03 111	0.00 1	0.00 1	0.20 110	0.19 123

EDNetEfficientorigin	6.23 131	0.45 70	98.39 139	0.02 82	0.04 100	0.42 20	0.02 72	0.33 22	2.90 124	7.07 125	3.12 116	1.31 100	1.61 116	4.26 90	4.55 113	0.00 1	0.00 1	0.00 1	0.00 1	0.07 71	0.02 57

DPSimNet_ROB	7.90 132	5.46 136	13.55 129	3.66 135	5.16 136	7.26 132	9.60 136	6.11 133	7.46 132	13.33 132	9.50 129	11.03 128	11.89 133	10.08 130	12.35 129	4.36 136	5.55 136	5.35 137	5.34 137	4.96 135	5.98 136

SGM-ForestM	8.89 133	0.68 104	3.61 106	0.57 130	0.18 120	14.89 136	5.99 134	9.62 135	10.59 134	20.43 134	17.16 134	39.22 136	20.29 135	20.63 134	13.19 131	0.04 119	0.14 126	0.00 1	0.07 120	0.15 101	0.36 126

MADNet++	9.87 134	2.12 133	7.11 122	7.99 137	4.58 135	14.38 135	6.90 135	9.23 134	5.88 130	16.88 133	17.47 135	11.07 129	15.72 134	24.26 136	19.76 136	8.52 137	6.39 137	4.85 136	2.69 136	5.96 136	5.73 135

LE_ROB	9.96 135	0.54 88	9.62 127	1.40 134	1.24 134	3.29 125	4.64 131	4.31 131	43.01 137	51.54 137	13.34 133	14.15 133	24.60 138	6.66 125	20.28 137	0.04 119	0.05 121	0.12 130	0.20 127	0.07 71	0.09 110

MANE	9.96 135	0.69 105	2.88 90	1.22 133	0.61 129	13.15 134	3.46 130	15.62 137	22.27 136	22.74 135	30.00 137	29.74 135	23.22 136	17.17 133	13.78 133	0.29 132	0.56 133	0.09 129	0.61 134	0.15 101	1.00 134

BEATNet-Init1	14.52 137	6.56 137	34.32 133	1.10 132	1.02 133	31.53 137	11.99 137	15.58 136	17.42 135	30.17 136	27.03 136	43.14 137	24.36 137	24.41 137	18.27 135	0.27 131	0.32 130	0.36 134	0.46 132	1.26 133	0.76 133

DGTPSM_ROB	81.49 138	60.74 139	99.95 140	61.20 138	86.99 140	99.11 140	100.00 140	95.92 139	99.99 140	73.08 138	100.00 139	70.81 138	100.00 140	77.39 138	99.98 140	35.10 138	97.48 141	35.12 138	99.89 141	46.16 138	90.85 138

DPSMNet_ROB	81.54 139	60.77 140	99.95 140	61.42 139	87.05 141	99.11 140	100.00 140	95.93 140	99.99 140	73.11 139	100.00 139	70.84 139	100.00 140	77.43 139	99.98 140	35.39 139	97.54 142	35.21 139	99.89 141	46.30 139	90.94 139

MEDIAN_ROB	93.37 140	98.75 143	96.05 138	90.90 142	90.53 142	85.63 138	76.45 138	92.03 138	89.53 138	95.05 140	94.99 138	96.02 140	93.85 139	90.36 140	87.21 138	98.36 143	95.79 138	99.61 142	98.77 140	98.80 143	98.72 143

DPSM_ROB	94.00 141	79.32 141	100.00 142	83.19 140	85.69 138	100.00 142	100.00 140	100.00 141	100.00 142	100.00 141	100.00 139	100.00 141	100.00 140	100.00 142	100.00 142	89.53 140	97.42 139	74.97 140	95.13 138	83.79 140	90.98 140

DPSM	94.00 141	79.32 141	100.00 142	83.19 140	85.69 138	100.00 142	100.00 140	100.00 141	100.00 142	100.00 141	100.00 139	100.00 141	100.00 140	100.00 142	100.00 142	89.53 140	97.42 139	74.97 140	95.13 138	83.79 140	90.98 140

AVERAGE_ROB	98.45 143	99.13 144	95.46 137	100.00 144	100.00 144	93.36 139	81.95 139	100.00 141	99.97 139	100.00 141	100.00 139	100.00 141	100.00 140	99.72 141	99.40 139	100.00 144	100.00 144	100.00 143	100.00 143	100.00 144	100.00 144

LSM0	99.11 144	99.97 145	100.00 142	95.93 143	98.59 143	100.00 142	100.00 140	100.00 141	100.00 142	100.00 141	100.00 139	100.00 141	100.00 140	100.00 142	100.00 142	93.89 142	99.97 143	100.00 143	100.00 143	96.64 142	97.25 142

MSMDNet													0.34 91

ASD4		42.77 138

Low-res two-view benchmark