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	0.28 1	0.30 5	1.33 3	0.19 1	0.13 1	0.55 2	0.17 1	0.48 2	0.46 4	0.27 1	0.33 2	0.24 1	0.21 1	0.31 1	0.21 1	0.11 9	0.07 3	0.08 1	0.05 1	0.10 3	0.07 1

PMTNet	0.31 2	0.35 11	1.30 2	0.20 2	0.14 2	0.57 10	0.25 12	0.46 1	0.42 3	0.27 1	0.32 1	0.27 2	0.24 2	0.39 5	0.23 2	0.43 125	0.07 3	0.08 1	0.05 1	0.18 22	0.07 1

R-Stereo Train	0.36 3	0.21 1	1.70 14	0.29 12	0.18 8	0.55 2	0.26 14	0.78 19	0.36 1	0.57 32	0.67 57	0.33 4	0.24 2	0.32 2	0.23 2	0.10 4	0.08 6	0.09 4	0.07 5	0.09 1	0.12 12

RAFT-Stereo	0.36 3	0.21 1	1.70 14	0.29 12	0.18 8	0.55 2	0.26 14	0.78 19	0.36 1	0.57 32	0.67 57	0.33 4	0.24 2	0.32 2	0.23 2	0.10 4	0.08 6	0.09 4	0.07 5	0.09 1	0.12 12
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
DPM-Stereo	0.37 5	0.34 8	1.50 6	0.27 4	0.18 8	0.63 36	0.17 1	0.92 72	0.53 8	0.49 17	0.48 5	0.30 3	0.30 6	0.39 5	0.30 6	0.10 4	0.08 6	0.10 11	0.08 9	0.15 12	0.12 12

Gwc-CoAtRS	0.38 6	0.33 7	1.92 36	0.27 4	0.41 92	0.48 1	0.19 3	0.59 4	0.46 4	0.43 3	0.39 3	0.57 11	0.26 5	0.32 2	0.26 5	0.09 1	0.09 16	0.09 4	0.31 117	0.11 4	0.09 3

DMCA	0.41 7	0.52 26	1.26 1	0.31 18	0.24 23	0.59 18	0.26 14	0.77 15	0.63 29	0.58 38	0.48 5	0.57 11	0.35 9	0.40 7	0.50 33	0.14 35	0.10 29	0.14 31	0.10 18	0.15 12	0.15 31

AdaStereo	0.44 8	0.38 13	1.79 24	0.34 39	0.20 12	0.57 10	0.28 22	0.92 72	0.69 42	0.52 22	0.55 21	0.61 22	0.33 8	0.48 10	0.39 9	0.17 56	0.08 6	0.17 53	0.11 21	0.18 22	0.12 12
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.
FENet	0.44 8	0.30 5	2.42 75	0.32 23	0.17 6	0.58 12	0.22 5	0.77 15	0.59 14	0.47 13	0.42 4	0.55 9	0.38 13	0.49 12	0.47 28	0.12 20	0.09 16	0.12 21	0.11 21	0.13 6	0.16 37

ACVNet	0.45 10	0.44 20	1.79 24	0.28 6	0.21 16	0.59 18	0.36 51	0.66 5	0.68 37	0.45 6	0.59 33	0.69 42	0.40 19	0.44 8	0.55 41	0.11 9	0.09 16	0.10 11	0.09 13	0.34 86	0.10 5

HITNet	0.46 11	0.92 77	2.09 49	0.33 28	0.14 2	0.55 2	0.22 5	0.83 38	0.56 11	0.51 19	0.49 8	0.48 8	0.37 12	0.48 10	0.54 40	0.09 1	0.06 1	0.10 11	0.08 9	0.23 44	0.09 3
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
UPFNet	0.46 11	0.28 3	1.73 17	0.33 28	0.32 60	0.65 48	0.38 55	0.83 38	0.59 14	0.57 32	0.52 14	0.61 22	0.40 19	0.75 18	0.52 36	0.13 25	0.12 45	0.13 26	0.12 27	0.15 12	0.11 7

ccs	0.47 13	0.29 4	1.64 11	0.28 6	0.20 12	0.56 6	0.41 62	0.96 90	0.81 79	0.45 6	0.49 8	0.60 20	0.47 43	0.72 16	0.39 9	0.17 56	0.14 54	0.20 75	0.17 64	0.23 44	0.21 53

BEATNet_4x	0.47 13	0.73 50	1.91 34	0.33 28	0.15 5	0.56 6	0.25 12	0.85 46	0.58 13	0.54 27	0.51 12	0.57 11	0.42 28	0.57 13	0.61 55	0.11 9	0.08 6	0.12 21	0.09 13	0.20 31	0.16 37

MLCV	0.48 15	0.89 76	1.85 29	0.29 12	0.14 2	0.59 18	0.23 10	0.72 9	0.59 14	0.66 62	0.66 55	0.55 9	0.36 10	1.03 30	0.49 31	0.09 1	0.06 1	0.09 4	0.07 5	0.19 29	0.11 7

acv_ft	0.48 15	0.44 20	1.76 19	0.32 23	0.41 92	0.63 36	0.28 22	0.81 27	0.68 37	0.61 48	0.59 33	0.69 42	0.45 35	0.44 8	0.63 57	0.11 9	0.09 16	0.10 11	0.09 13	0.41 107	0.10 5

DN-CSS_ROB	0.48 15	1.23 121	1.99 43	0.39 70	0.22 19	0.56 6	0.19 3	0.75 10	0.61 19	0.45 6	0.62 45	0.41 6	0.31 7	0.70 14	0.32 7	0.11 9	0.08 6	0.14 31	0.13 32	0.36 90	0.12 12

DeepPruner_ROB	0.50 18	0.70 45	1.94 39	0.29 12	0.26 34	0.63 36	0.31 41	0.80 24	0.48 6	0.61 48	0.55 21	0.66 33	0.38 13	0.98 26	0.40 11	0.19 71	0.14 54	0.14 31	0.14 38	0.23 44	0.17 43

StereoDRNet-Refined	0.50 18	0.41 15	1.50 6	0.33 28	0.21 16	0.68 58	0.26 14	0.81 27	0.68 37	0.67 65	0.68 62	0.73 52	0.42 28	1.10 36	0.59 52	0.11 9	0.08 6	0.14 31	0.14 38	0.25 57	0.21 53
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iResNet_ROB	0.50 18	1.15 115	1.73 17	0.31 18	0.21 16	0.58 12	0.22 5	0.95 87	0.82 80	0.58 38	0.62 45	0.57 11	0.39 18	0.84 23	0.40 11	0.11 9	0.08 6	0.09 4	0.06 3	0.21 35	0.13 20

MMNet	0.50 18	0.48 24	1.93 38	0.33 28	0.27 40	0.79 82	0.28 22	0.81 27	0.74 60	0.60 44	0.56 25	0.59 17	0.55 60	0.79 20	0.59 52	0.10 4	0.09 16	0.12 21	0.11 21	0.13 6	0.14 26

iResNet	0.51 22	0.76 53	2.59 92	0.41 80	0.17 6	0.64 44	0.27 19	0.82 32	0.70 45	0.57 32	0.64 52	0.43 7	0.36 10	0.70 14	0.52 36	0.10 4	0.07 3	0.09 4	0.08 9	0.21 35	0.13 20

CFNet-ft	0.51 22	0.76 53	1.79 24	0.28 6	0.30 52	0.63 36	0.28 22	0.66 5	0.55 9	0.45 6	0.57 28	0.74 53	0.41 24	1.46 52	0.42 14	0.14 35	0.10 29	0.28 106	0.13 32	0.18 22	0.14 26

CFNet_RVC	0.51 22	0.76 53	1.79 24	0.28 6	0.30 52	0.63 36	0.28 22	0.66 5	0.55 9	0.45 6	0.57 28	0.74 53	0.41 24	1.46 52	0.42 14	0.14 35	0.10 29	0.28 106	0.13 32	0.18 22	0.14 26

STTStereo	0.51 22	0.69 42	2.14 56	0.36 47	0.30 52	0.61 29	0.32 46	0.77 15	0.60 17	0.60 44	0.54 18	0.67 35	0.43 32	0.86 24	0.42 14	0.16 48	0.15 64	0.17 53	0.20 85	0.16 18	0.15 31

delet	0.52 26	0.54 27	1.62 9	0.31 18	0.35 68	0.74 73	0.46 70	0.85 46	0.74 60	0.55 29	0.60 37	0.67 35	0.50 51	1.12 38	0.57 48	0.11 9	0.11 35	0.13 26	0.14 38	0.16 18	0.12 12

PSMNet-RSSM	0.53 27	0.82 68	1.78 22	0.31 18	0.25 26	0.58 12	0.28 22	0.84 42	0.60 17	0.50 18	0.61 41	0.67 35	0.43 32	1.68 70	0.42 14	0.15 41	0.10 29	0.14 31	0.16 56	0.15 12	0.13 20

cf-r	0.53 27	0.81 67	2.15 57	0.33 28	0.28 43	0.60 23	0.28 22	0.78 19	0.64 31	0.51 19	0.60 37	0.75 56	0.40 19	1.32 47	0.43 20	0.13 25	0.09 16	0.11 19	0.12 27	0.15 12	0.14 26

UNet	0.54 29	0.44 20	2.83 102	0.31 18	0.33 64	0.74 73	0.27 19	0.82 32	0.61 19	0.53 25	0.54 18	0.72 48	0.54 55	0.78 19	0.56 47	0.11 9	0.09 16	0.13 26	0.11 21	0.14 8	0.12 12

HGLStereo	0.54 29	0.69 42	2.00 44	0.35 42	0.40 87	0.66 52	0.30 37	0.83 38	0.62 25	0.57 32	0.69 66	0.69 42	0.54 55	1.07 33	0.55 41	0.13 25	0.13 51	0.13 26	0.11 21	0.19 29	0.17 43

DSFCA	0.54 29	0.35 11	1.41 4	0.28 6	0.28 43	0.79 82	0.88 116	0.76 11	0.70 45	0.72 74	0.66 55	0.67 35	0.57 64	1.17 41	0.63 57	0.16 48	0.14 54	0.13 26	0.14 38	0.16 18	0.13 20

DLCB_ROB	0.54 29	0.55 30	1.49 5	0.36 47	0.25 26	0.65 48	0.36 51	0.80 24	0.70 45	0.72 74	0.69 66	0.83 67	0.46 39	1.53 60	0.60 54	0.13 25	0.12 45	0.14 31	0.14 38	0.14 8	0.13 20

NLCA_NET_v2_RVC	0.55 33	0.92 77	2.36 71	0.38 66	0.37 78	0.60 23	0.28 22	0.82 32	0.62 25	0.62 52	0.55 21	0.72 48	0.45 35	1.00 28	0.43 20	0.15 41	0.11 35	0.14 31	0.14 38	0.15 12	0.16 37
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CC-Net-ROB	0.55 33	0.93 82	2.43 79	0.37 57	0.36 73	0.60 23	0.29 33	0.81 27	0.61 19	0.63 56	0.56 25	0.72 48	0.46 39	1.03 30	0.44 23	0.15 41	0.11 35	0.14 31	0.14 38	0.16 18	0.16 37

ac_64	0.55 33	0.46 23	1.92 36	0.36 47	0.34 65	0.63 36	0.31 41	0.82 32	0.61 19	0.55 29	0.51 12	0.89 79	0.48 46	1.83 84	0.55 41	0.14 35	0.11 35	0.12 21	0.12 27	0.18 22	0.12 12

GANet-RSSM	0.55 33	0.73 50	1.90 32	0.36 47	0.26 34	0.59 18	0.27 19	0.78 19	0.52 7	0.47 13	0.57 28	0.63 29	0.45 35	1.92 92	0.43 20	0.14 35	0.10 29	0.25 100	0.11 21	0.34 86	0.14 26

ccs_rob	0.57 37	0.99 98	1.97 42	0.32 23	0.20 12	0.63 36	0.22 5	0.82 32	0.72 53	0.53 25	0.61 41	0.61 22	0.38 13	1.98 93	0.44 23	0.12 20	0.09 16	0.14 31	0.14 38	0.28 68	0.16 37

GwcNet-RSSM	0.57 37	0.94 83	2.13 54	0.32 23	0.25 26	0.60 23	0.30 37	0.80 24	0.66 34	0.52 22	0.64 52	0.71 47	0.40 19	1.79 80	0.50 33	0.13 25	0.09 16	0.12 21	0.12 27	0.21 35	0.15 31

DISCO	0.57 37	0.34 8	1.87 30	0.45 93	0.34 65	0.84 91	0.35 50	0.84 42	0.78 71	0.59 41	0.63 48	1.06 104	0.53 53	1.10 36	0.82 78	0.12 20	0.09 16	0.11 19	0.10 18	0.22 39	0.18 48

psm_up	0.57 37	0.61 35	1.83 28	0.35 42	0.30 52	0.64 44	0.37 54	0.90 66	0.68 37	0.59 41	0.55 21	0.68 40	0.54 55	1.91 91	0.46 27	0.16 48	0.15 64	0.16 46	0.15 50	0.23 44	0.13 20

NVstereo2D	0.58 41	0.40 14	2.03 46	0.35 42	0.35 68	0.69 60	0.39 58	0.91 67	0.80 75	0.47 13	0.53 16	0.67 35	0.46 39	1.99 94	0.48 29	0.19 71	0.11 35	0.17 53	0.13 32	0.25 57	0.25 72

CFNet	0.58 41	0.96 90	1.78 22	0.33 28	0.25 26	0.63 36	0.22 5	0.88 59	0.75 64	0.46 12	0.59 33	0.58 16	0.40 19	2.29 102	0.48 29	0.12 20	0.09 16	0.15 42	0.14 38	0.30 72	0.15 31

iResNetv2_ROB	0.59 43	1.43 130	2.96 108	0.40 77	0.22 19	0.58 12	0.28 22	0.91 67	0.73 58	0.57 32	0.63 48	0.60 20	0.41 24	0.74 17	0.35 8	0.11 9	0.08 6	0.10 11	0.07 5	0.43 109	0.17 43

ETE_ROB	0.60 44	0.71 47	1.55 8	0.37 57	0.25 26	0.69 60	0.51 81	1.47 131	0.70 45	0.80 83	0.69 66	0.85 71	0.49 48	1.36 50	0.58 51	0.16 48	0.13 51	0.19 69	0.16 56	0.21 35	0.23 66

LALA_ROB	0.60 44	0.76 53	1.69 13	0.36 47	0.29 46	0.79 82	0.55 86	0.94 78	0.77 69	0.81 87	0.67 57	0.94 86	0.49 48	0.99 27	0.73 72	0.21 79	0.15 64	0.20 75	0.18 70	0.23 44	0.21 53

FADNet-RVC	0.61 46	1.26 122	2.12 53	0.33 28	0.26 34	0.59 18	0.29 33	0.86 51	0.62 25	0.45 6	0.50 10	0.62 27	0.46 39	1.73 75	0.55 41	0.17 56	0.20 89	0.17 53	0.18 70	0.59 124	0.28 82

XPNet_ROB	0.61 46	0.72 49	1.66 12	0.37 57	0.27 40	0.67 55	0.47 76	0.89 62	0.71 51	0.78 81	0.70 70	0.81 64	0.53 53	1.70 71	0.76 74	0.21 79	0.16 70	0.16 46	0.15 50	0.20 31	0.21 53

RASNet	0.61 46	0.68 40	2.03 46	0.35 42	0.46 107	0.65 48	0.28 22	0.78 19	0.70 45	0.48 16	0.64 52	0.93 84	0.61 72	2.21 99	0.73 72	0.12 20	0.09 16	0.09 4	0.10 18	0.14 8	0.11 7

HSM	0.62 49	0.76 53	1.72 16	0.30 16	0.29 46	0.64 44	0.28 22	0.94 78	0.62 25	0.58 38	0.57 28	1.40 121	0.64 79	2.59 116	0.42 14	0.11 9	0.08 6	0.10 11	0.08 9	0.14 8	0.11 7

DMCA-RVC	0.62 49	0.96 90	2.63 94	0.36 47	0.90 130	0.56 6	0.31 41	0.69 8	0.57 12	0.68 67	0.52 14	0.59 17	0.56 61	1.23 44	0.53 38	0.16 48	0.38 125	0.20 75	0.15 50	0.20 31	0.15 31

FADNet	0.64 51	1.22 120	2.06 48	0.32 23	0.30 52	0.66 52	0.29 33	0.88 59	0.72 53	0.44 4	0.48 5	0.66 33	0.57 64	1.84 87	0.45 26	0.46 127	0.20 89	0.17 53	0.19 78	0.59 124	0.24 68

StereoDRNet	0.64 51	0.88 75	2.35 70	0.41 80	0.45 103	0.73 71	0.47 76	0.94 78	0.74 60	0.75 78	0.54 18	0.74 53	0.47 43	1.70 71	0.72 69	0.15 41	0.14 54	0.15 42	0.14 38	0.20 31	0.19 51

NOSS_ROB	0.64 51	0.65 38	1.62 9	0.46 96	0.25 26	0.67 55	0.30 37	0.93 75	0.77 69	0.59 41	0.57 28	0.77 58	0.38 13	2.78 123	0.44 23	0.23 94	0.24 105	0.28 106	0.26 105	0.27 65	0.39 112

DRN-Test	0.64 51	0.43 19	2.44 81	0.39 70	0.44 97	0.80 85	0.41 62	1.02 108	0.78 71	0.80 83	0.63 48	0.69 42	0.56 61	1.79 80	0.69 65	0.15 41	0.12 45	0.17 53	0.16 56	0.18 22	0.17 43

NCCL2	0.65 55	0.94 83	1.96 41	0.43 87	0.30 52	0.71 65	0.68 100	0.84 42	0.65 32	0.70 70	0.60 37	0.86 73	0.54 55	1.56 62	0.57 48	0.20 77	0.16 70	0.67 134	0.25 100	0.22 39	0.24 68

CVANet_RVC	0.65 55	0.80 64	2.13 54	0.36 47	0.26 34	0.62 30	0.42 65	0.84 42	0.72 53	0.69 68	0.68 62	0.68 40	0.52 52	2.64 117	0.42 14	0.19 71	0.12 45	0.22 84	0.17 64	0.37 95	0.15 31

PSMNet_ROB	0.66 57	1.01 103	2.33 68	0.38 66	0.31 59	0.72 68	0.55 86	0.86 51	0.69 42	0.54 27	0.60 37	0.75 56	0.47 43	2.00 95	0.82 78	0.17 56	0.13 51	0.19 69	0.19 78	0.24 52	0.27 79

TDLM	0.67 58	0.92 77	1.76 19	0.37 57	0.24 23	0.66 52	0.56 88	0.82 32	0.74 60	1.16 109	0.62 45	0.61 22	0.48 46	2.70 120	0.50 33	0.20 77	0.11 35	0.35 118	0.14 38	0.32 82	0.16 37

HSM-Net_RVC	0.67 58	0.34 8	2.23 64	0.26 3	0.19 11	0.67 55	0.29 33	1.26 125	0.69 42	0.72 74	0.70 70	0.78 61	0.42 28	3.77 132	0.41 13	0.13 25	0.09 16	0.10 11	0.09 13	0.12 5	0.11 7
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
RP	0.67 58	0.82 68	1.94 39	0.43 87	0.44 97	0.65 48	0.45 69	0.89 62	0.82 80	0.66 62	0.92 90	0.99 93	0.76 91	1.55 61	0.66 60	0.25 102	0.18 77	0.23 89	0.20 85	0.31 78	0.22 59

hitnet-ft	0.67 58	0.80 64	1.90 32	0.28 6	0.22 19	0.69 60	0.36 51	0.85 46	0.65 32	0.56 31	0.84 80	1.03 98	0.95 104	2.32 103	0.55 41	0.23 94	0.14 54	0.41 125	0.13 32	0.24 52	0.17 43

FADNet-RVC-Resample	0.67 58	1.16 118	3.16 117	0.37 57	0.29 46	0.62 30	0.38 55	0.86 51	0.63 29	0.51 19	0.50 10	0.57 11	0.45 35	1.57 63	0.49 31	0.24 99	0.32 120	0.23 89	0.19 78	0.27 65	0.62 124

Nwc_Net	0.68 63	0.83 70	2.53 88	0.41 80	0.39 81	0.77 78	0.38 55	1.01 106	0.70 45	0.60 44	0.99 97	0.98 91	0.68 80	1.41 51	0.63 57	0.23 94	0.15 64	0.23 89	0.25 100	0.23 44	0.18 48

AANet_RVC	0.68 63	1.00 100	2.09 49	0.33 28	0.25 26	0.58 12	0.32 46	0.81 27	0.80 75	0.61 48	0.94 92	0.80 63	0.41 24	2.46 113	1.02 89	0.36 122	0.14 54	0.10 11	0.09 13	0.23 44	0.22 59

stereogan	0.69 65	0.51 25	2.44 81	0.39 70	0.39 81	1.01 103	0.41 62	0.94 78	0.92 96	0.73 77	0.85 84	1.15 112	0.69 81	1.57 63	0.53 38	0.19 71	0.18 77	0.20 75	0.16 56	0.36 90	0.24 68

AF-Net	0.69 65	0.92 77	2.21 60	0.41 80	0.40 87	0.68 58	0.40 60	1.02 108	0.86 87	0.69 68	1.03 101	1.04 100	0.84 94	1.19 42	0.78 76	0.22 91	0.14 54	0.25 100	0.17 64	0.30 72	0.18 48

GwcNet	0.69 65	0.71 47	3.12 115	0.36 47	0.45 103	0.81 86	0.44 68	0.86 51	0.84 84	0.60 44	0.74 75	0.82 66	0.49 48	1.65 68	0.66 60	0.16 48	0.15 64	0.15 42	0.15 50	0.31 78	0.24 68

PWC_ROB	0.70 68	0.94 83	1.88 31	0.39 70	0.39 81	0.62 30	0.30 37	0.98 97	0.94 97	0.91 94	1.29 111	0.77 58	0.62 77	1.62 67	1.03 91	0.18 63	0.11 35	0.18 66	0.13 32	0.51 120	0.22 59

Anonymous Stereo	0.70 68	1.08 107	2.47 84	0.42 85	0.36 73	0.60 23	0.78 109	0.83 38	0.75 64	0.65 61	0.63 48	0.62 27	0.38 13	2.43 111	0.78 76	0.19 71	0.18 77	0.19 69	0.20 85	0.30 72	0.23 66

RYNet	0.70 68	0.56 31	2.25 65	0.35 42	0.41 92	0.86 93	0.43 66	0.94 78	0.82 80	0.62 52	0.53 16	0.91 81	0.60 69	2.70 120	1.00 86	0.14 35	0.11 35	0.16 46	0.14 38	0.25 57	0.27 79

FAT-Stereo	0.70 68	0.54 27	2.88 104	0.36 47	0.29 46	0.62 30	0.54 85	0.97 95	0.87 89	0.76 79	0.92 90	0.94 86	0.80 92	1.84 87	0.57 48	0.18 63	0.19 83	0.17 53	0.16 56	0.22 39	0.25 72

CBMV	0.71 72	0.76 53	2.64 95	0.33 28	0.20 12	0.78 79	0.79 110	0.98 97	0.78 71	0.85 91	0.71 72	0.86 73	1.10 112	1.46 52	0.62 56	0.18 63	0.20 89	0.21 82	0.19 78	0.25 57	0.33 101
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
RGC	0.71 72	0.97 94	2.18 59	0.44 90	0.44 97	0.73 71	0.40 60	0.94 78	0.71 51	0.71 72	1.04 102	1.01 95	0.71 83	1.74 77	0.70 66	0.23 94	0.18 77	0.28 106	0.26 105	0.29 70	0.27 79

PASM	0.72 74	0.68 40	1.91 34	0.47 98	0.44 97	0.60 23	0.51 81	0.76 11	0.80 75	0.77 80	0.67 57	0.87 75	0.61 72	2.40 109	0.67 63	0.32 118	0.35 121	0.36 120	0.41 125	0.45 113	0.39 112

SHD	0.72 74	0.77 59	2.36 71	0.45 93	0.40 87	0.71 65	0.32 46	1.02 108	1.25 117	1.07 102	0.84 80	0.90 80	0.73 86	1.09 35	0.98 84	0.21 79	0.18 77	0.20 75	0.21 89	0.32 82	0.31 91

PWCDC_ROB	0.72 74	1.06 105	2.09 49	0.47 98	0.36 73	0.78 79	0.26 14	0.98 97	1.34 121	0.61 48	2.07 122	0.64 31	0.61 72	0.83 21	0.71 67	0.31 117	0.14 54	0.15 42	0.12 27	0.60 127	0.21 53

RTSC	0.72 74	1.00 100	2.22 62	0.40 77	0.29 46	0.82 89	0.31 41	0.96 90	1.10 112	0.92 95	0.81 77	0.78 61	0.58 66	1.23 44	1.55 103	0.18 63	0.17 76	0.14 31	0.17 64	0.43 109	0.30 87

XQC	0.73 78	0.98 96	2.39 74	0.46 96	0.35 68	0.81 86	0.46 70	1.00 104	1.00 103	0.80 83	0.69 66	0.88 77	0.74 90	1.32 47	1.20 96	0.24 99	0.16 70	0.23 89	0.20 85	0.41 107	0.33 101

GANetREF_RVC	0.75 79	1.15 115	2.46 83	0.47 98	0.26 34	0.83 90	0.61 94	0.97 95	0.89 91	0.62 52	0.61 41	0.72 48	0.59 67	2.42 110	0.55 41	0.32 118	0.25 111	0.36 120	0.24 94	0.39 103	0.31 91
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	0.75 79	0.84 72	2.01 45	0.40 77	0.25 26	0.74 73	0.66 98	0.87 56	0.73 58	0.71 72	1.07 104	0.84 69	0.59 67	2.71 122	1.15 94	0.17 56	0.16 70	0.44 128	0.16 56	0.31 78	0.20 52

PDISCO_ROB	0.75 79	1.06 105	2.11 52	0.64 123	0.59 122	1.13 111	0.43 66	1.14 119	1.05 107	0.64 58	0.71 72	0.96 89	0.61 72	1.21 43	0.76 74	0.37 123	0.18 77	0.27 104	0.24 94	0.56 123	0.32 95

CBMV_ROB	0.76 82	0.42 16	2.68 97	0.33 28	0.22 19	0.74 73	0.47 76	0.96 90	0.76 67	1.04 101	0.96 95	0.88 77	0.93 100	2.06 96	1.19 95	0.22 91	0.24 105	0.27 104	0.25 100	0.25 57	0.28 82

aanetorigin	0.77 83	0.80 64	2.59 92	0.43 87	0.44 97	0.58 12	1.01 121	0.57 3	0.68 37	1.53 123	1.23 108	0.81 64	1.08 110	1.07 33	1.07 92	0.18 63	0.15 64	0.17 53	0.21 89	0.54 122	0.30 87

NCC-stereo	0.79 84	0.94 83	2.42 75	0.59 120	0.45 103	1.90 127	0.46 70	0.99 102	0.72 53	0.64 58	0.84 80	0.91 81	0.73 86	1.80 82	1.00 86	0.27 111	0.19 83	0.23 89	0.31 117	0.24 52	0.22 59

Abc-Net	0.79 84	0.94 83	2.42 75	0.59 120	0.45 103	1.90 127	0.46 70	0.99 102	0.72 53	0.64 58	0.84 80	0.91 81	0.73 86	1.80 82	1.00 86	0.27 111	0.19 83	0.23 89	0.31 117	0.24 52	0.22 59
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCRef	0.80 86	0.96 90	2.29 66	0.37 57	0.35 68	0.96 98	0.51 81	0.87 56	0.75 64	0.88 92	0.83 79	0.61 22	1.36 121	1.02 29	3.27 128	0.13 25	0.11 35	0.17 53	0.19 78	0.25 57	0.21 53

DANet	0.80 86	0.65 38	2.21 60	1.19 136	0.48 109	0.74 73	1.25 126	0.89 62	1.53 126	0.89 93	0.71 72	0.96 89	0.56 61	1.83 84	0.96 83	0.18 63	0.16 70	0.19 69	0.16 56	0.26 63	0.29 84

S-Stereo	0.80 86	0.69 42	3.89 128	0.39 70	0.37 78	0.69 60	0.70 103	0.94 78	0.98 102	0.62 52	0.91 89	0.83 67	0.60 69	2.37 105	0.66 60	0.18 63	0.21 94	0.17 53	0.18 70	0.30 72	0.35 104

FADNet_RVC	0.81 89	1.14 112	2.42 75	0.30 16	0.24 23	0.71 65	0.24 11	0.95 87	0.61 19	0.44 4	0.56 25	0.59 17	0.42 28	1.52 59	0.68 64	0.94 136	0.96 138	0.28 106	1.00 138	0.90 134	1.36 136

edge stereo	0.81 89	0.73 50	3.30 121	0.37 57	1.21 135	0.62 30	0.39 58	0.93 75	0.79 74	0.80 83	0.88 87	1.14 111	0.71 83	2.18 98	0.71 67	0.21 79	0.20 89	0.26 103	0.18 70	0.38 99	0.26 77

FBW_ROB	0.83 91	0.77 59	1.77 21	0.44 90	0.30 52	0.87 95	0.46 70	1.10 116	0.91 93	0.81 87	0.75 76	1.01 95	0.61 72	3.66 131	1.23 97	0.26 106	0.23 102	0.36 120	0.25 100	0.27 65	0.62 124

PA-Net	0.84 92	1.00 100	3.49 123	0.63 122	0.40 87	0.70 64	0.52 84	0.86 51	0.84 84	0.52 22	0.59 33	0.70 46	0.54 55	2.35 104	2.23 119	0.17 56	0.27 115	0.19 69	0.28 112	0.22 39	0.36 107
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DeepPrunerF	0.86 93	0.86 74	2.91 107	0.45 93	0.50 110	0.64 44	0.48 79	1.14 119	2.64 136	0.63 56	0.61 41	0.65 32	0.62 77	2.21 99	1.31 99	0.23 94	0.19 83	0.30 113	0.28 112	0.36 90	0.25 72

DPSNet	0.86 93	0.60 33	2.34 69	0.58 117	0.36 73	1.07 107	0.75 107	1.30 126	1.05 107	0.70 70	0.68 62	0.94 86	1.29 117	2.08 97	1.82 110	0.26 106	0.23 102	0.16 46	0.17 64	0.48 114	0.40 115

PVD	0.90 95	0.85 73	2.15 57	0.53 108	0.50 110	0.99 100	0.56 88	1.15 121	1.64 129	1.41 121	1.41 116	1.11 109	1.13 114	1.35 49	1.31 99	0.26 106	0.28 116	0.28 106	0.26 105	0.37 95	0.49 121

SAMSARA	0.91 96	0.97 94	2.22 62	0.80 129	0.58 121	1.32 115	1.31 127	1.01 106	0.94 97	1.36 117	0.87 85	1.38 120	0.90 98	1.72 74	1.02 89	0.24 99	0.30 117	0.22 84	0.25 100	0.36 90	0.35 104

MFMNet_re	0.92 97	1.28 123	2.53 88	0.82 131	0.76 128	0.90 96	0.75 107	0.98 97	1.04 106	1.03 99	1.05 103	0.84 69	0.94 102	0.83 21	0.72 69	0.68 133	0.60 130	0.63 132	0.60 130	0.77 132	0.74 128

ADCP+	0.94 98	1.12 109	3.14 116	0.34 39	0.39 81	1.06 105	0.79 110	0.89 62	0.80 75	0.66 62	0.67 57	0.85 71	1.55 127	0.93 25	4.55 136	0.13 25	0.11 35	0.16 46	0.15 50	0.26 63	0.25 72

ADCMid	0.96 99	1.32 126	2.74 98	0.38 66	0.35 68	0.99 100	0.58 91	0.94 78	0.86 87	1.23 114	1.01 98	1.01 95	1.00 106	1.05 32	3.97 132	0.21 79	0.19 83	0.42 126	0.32 120	0.40 106	0.29 84

STTStereo_v2	0.99 100	0.64 36	2.76 99	0.57 115	0.67 124	2.03 131	0.72 105	0.76 11	0.67 35	1.14 107	2.56 128	1.30 118	1.02 107	1.48 55	1.74 107	0.25 102	0.24 105	0.24 95	0.26 105	0.37 95	0.31 91

ADCPNet	0.99 100	0.99 98	3.93 129	0.37 57	0.68 126	1.36 116	0.62 95	0.87 56	0.76 67	0.78 81	0.81 77	1.08 105	1.18 115	1.14 39	2.49 123	0.21 79	0.69 133	0.21 82	0.95 136	0.29 70	0.37 109

G-Net	0.99 100	0.64 36	2.76 99	0.57 115	0.67 124	2.03 131	0.72 105	0.76 11	0.67 35	1.14 107	2.56 128	1.30 118	1.02 107	1.48 55	1.74 107	0.25 102	0.24 105	0.24 95	0.26 105	0.37 95	0.31 91

ADCL	0.99 100	0.79 62	2.43 79	0.39 70	0.32 60	1.50 119	1.90 133	0.92 72	0.97 101	1.26 116	1.27 110	1.00 94	1.42 124	1.14 39	3.31 129	0.17 56	0.14 54	0.22 84	0.21 89	0.30 72	0.22 59

AnyNet_C32	1.00 104	1.33 127	2.53 88	0.49 103	0.54 117	1.15 113	1.14 124	0.91 67	0.89 91	1.11 104	0.95 94	0.87 75	0.93 100	1.50 57	4.07 133	0.21 79	0.20 89	0.25 100	0.24 94	0.38 99	0.33 101

MFN_U_SF_DS_RVC	1.01 105	1.67 133	2.32 67	0.47 98	0.39 81	1.47 117	0.95 118	0.95 87	0.91 93	0.84 89	0.94 92	1.05 102	0.60 69	2.95 127	0.72 69	0.41 124	0.72 136	0.32 116	0.55 127	0.74 129	1.22 135

SGM-Forest	1.04 106	0.42 16	3.59 125	0.41 80	0.32 60	1.05 104	1.32 128	0.94 78	0.83 83	1.16 109	2.23 125	1.03 98	1.39 122	2.49 114	2.35 120	0.21 79	0.21 94	0.20 75	0.19 78	0.23 44	0.32 95
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
ADCS	1.05 107	1.36 129	2.98 112	0.42 85	0.36 73	0.96 98	0.81 114	1.06 115	1.12 113	1.25 115	0.97 96	1.08 105	0.90 98	1.25 46	4.86 138	0.21 79	0.21 94	0.22 84	0.23 93	0.36 90	0.38 110

SPS-STEREO	1.07 108	1.13 111	2.88 104	0.65 125	0.69 127	0.99 100	0.68 100	1.05 114	0.87 89	1.36 117	1.23 108	1.46 123	0.94 102	1.87 89	1.72 106	0.66 132	0.61 131	0.58 131	0.57 128	0.65 128	0.77 131
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WCMA_ROB	1.12 109	0.83 70	2.66 96	0.58 117	0.34 65	1.17 114	0.71 104	0.93 75	0.94 97	1.74 125	2.63 131	3.09 133	1.71 128	1.70 71	1.84 111	0.26 106	0.21 94	0.20 75	0.21 89	0.28 68	0.43 117

AnyNet_C01	1.14 110	1.49 132	4.23 131	0.54 111	0.53 116	1.51 120	1.37 129	1.04 113	1.07 109	1.17 112	1.33 114	1.15 112	1.08 110	1.61 66	2.74 125	0.25 102	0.22 98	0.28 106	0.24 94	0.48 114	0.40 115

NaN_ROB	1.14 110	0.94 83	2.96 108	0.53 108	0.56 120	1.13 111	0.99 119	0.98 97	1.00 103	1.09 103	0.87 85	0.77 58	1.06 109	5.90 138	2.72 124	0.16 48	0.23 102	0.16 46	0.24 94	0.22 39	0.36 107

SuperB	1.15 112	1.14 112	5.43 134	0.36 47	0.26 34	0.81 86	0.89 117	0.88 59	1.17 114	0.67 65	0.68 62	0.63 29	1.39 122	1.74 77	3.37 131	0.15 41	0.12 45	0.17 53	0.16 56	2.80 140	0.25 72

NVStereoNet_ROB	1.16 113	0.95 89	2.54 91	0.58 117	0.55 119	0.78 79	0.63 97	1.00 104	1.08 110	1.03 99	4.07 138	1.48 124	1.22 116	2.88 126	1.27 98	0.50 128	0.46 126	0.54 130	0.62 131	0.50 118	0.63 126
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MDST_ROB	1.17 114	0.42 16	3.87 127	0.54 111	0.44 97	4.11 138	0.58 91	1.31 127	0.84 84	2.12 127	1.12 106	0.98 91	0.71 83	4.24 136	0.99 85	0.16 48	0.14 54	0.19 69	0.17 64	0.18 22	0.35 104

SANet	1.20 115	1.21 119	3.33 122	0.38 66	0.27 40	1.73 126	0.85 115	1.10 116	2.49 135	1.16 109	1.83 120	1.72 125	1.50 126	2.37 105	2.84 126	0.18 63	0.16 70	0.16 46	0.15 50	0.32 82	0.32 95

MeshStereo	1.21 116	1.15 115	3.01 113	0.34 39	0.28 43	1.10 108	0.69 102	1.35 128	1.01 105	2.71 133	2.41 127	2.96 132	1.45 125	2.80 124	1.40 102	0.22 91	0.22 98	0.22 84	0.19 78	0.50 118	0.26 77
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
RTSA	1.21 116	1.31 124	6.39 136	0.52 106	0.51 114	1.61 122	0.79 110	1.03 111	1.37 122	1.13 105	1.30 112	1.10 107	0.85 95	2.65 118	2.08 114	0.21 79	0.24 105	0.18 66	0.18 70	0.43 109	0.32 95

RTS	1.21 116	1.31 124	6.39 136	0.52 106	0.51 114	1.61 122	0.79 110	1.03 111	1.37 122	1.13 105	1.30 112	1.10 107	0.85 95	2.65 118	2.08 114	0.21 79	0.24 105	0.18 66	0.18 70	0.43 109	0.32 95

CSAN	1.25 119	1.12 109	3.04 114	0.51 104	0.37 78	1.06 105	1.15 125	1.22 122	1.08 110	1.17 112	1.91 121	1.04 100	1.31 119	5.96 139	2.43 122	0.26 106	0.22 98	0.24 95	0.24 94	0.31 78	0.30 87

EDNetEfficient	1.27 120	0.70 45	4.05 130	0.64 123	0.98 132	0.94 97	1.40 131	0.85 46	1.75 132	2.34 132	1.33 114	1.05 102	2.21 133	1.58 65	4.15 134	0.15 41	0.19 83	0.14 31	0.27 110	0.38 99	0.32 95

FCDSN-DC	1.29 121	0.54 27	2.50 85	0.47 98	0.41 92	1.12 109	0.60 93	1.10 116	1.27 119	2.23 130	2.87 132	3.67 134	3.12 138	2.39 108	1.69 104	0.30 116	0.26 112	0.31 114	0.30 115	0.35 89	0.38 110
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
pmcnn	1.32 122	1.05 104	2.77 101	0.74 128	1.43 136	0.72 68	0.56 88	0.96 90	0.91 93	0.99 97	2.92 134	6.01 139	0.70 82	2.38 107	3.32 130	0.13 25	0.10 29	0.08 1	0.06 3	0.34 86	0.22 59

MSMD_ROB	1.34 123	0.96 90	2.38 73	0.39 70	0.32 60	1.96 129	0.62 95	0.91 67	1.43 124	2.94 136	2.60 130	4.77 136	1.95 130	2.43 111	1.33 101	0.29 114	0.26 112	0.32 116	0.32 120	0.30 72	0.30 87

MSC_U_SF_DS_RVC	1.34 123	1.70 134	2.50 85	0.56 114	0.40 87	2.15 133	0.99 119	1.24 124	1.26 118	1.02 98	1.10 105	1.29 116	0.88 97	3.10 128	1.08 93	1.66 138	0.83 137	0.68 135	0.88 135	1.57 137	1.80 138

MADNet+	1.36 125	1.93 137	5.95 135	0.81 130	0.59 122	1.57 121	1.09 122	1.39 130	1.22 115	0.84 89	1.01 98	1.25 115	1.12 113	3.19 129	2.36 121	0.45 126	0.47 127	0.38 124	0.34 122	0.59 124	0.57 122

psmorigin	1.36 125	0.60 33	13.80 143	0.37 57	0.29 46	0.62 30	0.33 49	0.77 15	0.61 19	0.96 96	0.88 87	1.17 114	0.73 86	4.00 133	0.86 80	0.19 71	0.22 98	0.17 53	0.18 70	0.24 52	0.29 84

ELAS_RVC	1.37 127	0.78 61	3.21 119	0.55 113	0.50 110	1.49 118	2.48 137	1.48 132	1.71 131	2.13 129	2.09 123	2.07 128	2.56 134	1.90 90	2.02 113	0.35 120	0.36 122	0.37 123	0.34 122	0.49 116	0.47 119
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.39 128	0.79 62	2.86 103	0.53 108	0.50 110	2.81 136	2.20 134	1.61 135	1.50 125	2.28 131	2.35 126	1.82 126	2.13 132	1.73 75	2.22 118	0.35 120	0.37 124	0.35 118	0.35 124	0.49 116	0.47 119
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PWCK	1.49 129	1.90 136	3.22 120	1.09 135	0.54 117	1.71 125	1.73 132	1.49 133	1.53 126	1.44 122	1.80 119	1.82 126	1.30 118	3.34 130	1.76 109	1.07 137	0.56 129	0.97 136	0.58 129	1.38 136	0.65 127

FC-DCNN	1.49 129	0.59 32	2.88 104	0.44 90	0.39 81	1.97 130	0.66 98	1.67 136	1.70 130	2.72 134	2.89 133	4.22 135	2.97 137	2.55 115	2.19 117	0.29 114	0.26 112	0.31 114	0.30 115	0.32 82	0.39 112

MFN_U_SF_RVC	1.55 131	2.39 140	3.16 117	0.65 125	0.41 92	1.12 109	0.46 70	1.23 123	1.33 120	1.61 124	1.20 107	1.43 122	0.98 105	1.76 79	1.97 112	1.90 140	1.80 139	1.98 139	2.15 139	1.63 138	1.77 137

DispFullNet	1.67 132	2.10 138	5.22 132	1.53 137	8.90 140	0.86 93	0.31 41	0.96 90	0.96 100	1.37 120	1.01 98	1.13 110	1.98 131	1.51 58	0.91 82	0.54 130	0.31 118	1.18 137	0.63 133	1.13 135	0.80 132

SGM+DAISY	1.83 133	1.43 130	3.81 126	0.87 132	1.01 133	2.38 134	2.53 138	1.36 129	1.75 132	2.92 135	3.22 136	2.65 130	2.93 136	2.22 101	3.10 127	0.72 134	0.69 133	0.63 132	0.62 131	0.77 132	0.98 133

SGM_RVC	1.89 134	0.92 77	2.50 85	0.96 133	0.93 131	1.63 124	1.37 129	1.52 134	12.43 140	1.85 126	1.69 118	2.40 129	1.74 129	2.81 125	1.71 105	0.53 129	0.47 127	0.42 126	0.47 126	0.74 129	0.74 128
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MADNet++	2.79 135	2.11 139	2.97 111	2.49 138	2.28 137	2.95 137	2.31 135	2.67 137	2.47 134	3.03 137	3.13 135	2.70 131	2.92 135	4.10 134	4.48 135	2.68 141	2.24 141	3.04 141	2.44 140	2.37 139	2.34 139

MANE	2.90 136	1.14 112	2.96 108	1.03 134	1.01 133	5.01 139	2.45 136	5.36 140	6.88 138	3.58 138	4.76 140	5.99 138	4.99 139	4.23 135	4.61 137	0.56 131	0.67 132	0.44 128	0.78 134	0.51 120	1.03 134

SGM-ForestM	2.98 137	1.70 134	3.52 124	0.67 127	0.47 108	5.18 140	3.36 139	3.30 139	2.86 137	4.44 139	3.79 137	9.80 142	5.50 140	6.29 140	6.52 139	0.27 111	0.36 122	0.24 95	0.27 110	0.38 99	0.58 123

LSM	3.31 138	1.11 108	5.29 133	9.40 143	30.65 148	0.84 91	1.12 123	0.91 67	1.22 115	1.36 117	2.19 124	0.93 84	0.83 93	1.66 69	0.90 81	0.21 79	0.31 118	0.24 95	0.28 112	0.39 103	6.33 141

LE_ROB	4.43 139	1.35 128	9.38 138	2.79 139	3.93 139	2.43 135	3.46 140	2.68 138	11.19 139	11.66 144	4.73 139	5.26 137	10.46 141	4.50 137	9.49 140	0.82 135	0.69 133	1.34 138	0.98 137	0.75 131	0.76 130

EDNetEfficientorigin	8.18 140	0.98 96	145.96 149	0.51 104	0.89 129	0.72 68	0.48 79	0.85 46	1.56 128	2.12 127	1.49 117	1.29 116	1.31 119	1.83 84	2.13 116	0.13 25	0.12 45	0.17 53	0.18 70	0.39 103	0.45 118

DGTPSM_ROB	8.89 141	5.62 141	12.25 139	5.92 141	11.32 141	8.54 141	24.18 145	6.40 141	13.49 141	5.15 140	11.46 143	6.19 140	10.92 142	7.00 141	13.72 141	4.47 142	7.65 142	3.92 142	7.45 144	4.38 142	7.87 142

DPSMNet_ROB	9.48 142	5.64 142	13.01 142	8.82 142	11.82 142	8.54 141	24.20 146	6.41 142	13.65 142	5.32 141	11.47 144	6.33 141	10.92 142	7.69 142	13.89 142	7.25 145	8.19 143	5.06 143	7.78 145	5.31 143	8.26 143

BEATNet-Init1	12.10 143	11.19 143	27.29 147	2.99 140	3.51 138	21.84 148	11.10 141	14.34 144	13.83 143	20.34 145	20.33 146	26.35 149	20.03 146	19.06 146	14.80 144	1.74 139	1.81 140	2.05 140	2.49 141	3.69 141	3.12 140

DPSM	12.34 144	11.21 144	12.51 140	12.91 144	12.80 143	19.84 145	28.28 147	14.38 145	14.28 144	10.58 142	11.26 141	12.03 143	11.85 144	13.15 144	15.34 145	7.11 143	8.31 144	6.50 144	7.35 142	8.84 144	8.31 144

DPSM_ROB	12.34 144	11.21 144	12.51 140	12.91 144	12.80 143	19.84 145	28.28 147	14.38 145	14.28 144	10.58 142	11.26 141	12.03 143	11.85 144	13.15 144	15.34 145	7.11 143	8.31 144	6.50 144	7.35 142	8.84 144	8.31 144

DPSimNet_ROB	17.97 146	20.20 147	24.98 144	17.62 146	15.92 145	21.53 147	21.00 144	13.70 143	15.61 146	23.89 147	14.69 145	22.87 145	24.58 149	12.70 143	14.56 143	18.48 147	12.91 146	20.21 147	12.05 146	17.76 146	14.17 146

MEDIAN_ROB	23.96 147	27.05 149	26.39 146	22.16 147	22.13 146	16.12 143	13.97 142	20.24 147	20.05 147	25.50 148	25.31 148	22.96 146	22.63 147	24.39 147	23.24 147	28.20 148	27.23 148	28.62 148	27.75 148	27.50 148	27.76 148

LSM0	26.58 148	22.63 148	25.88 145	30.13 149	52.21 149	39.94 149	56.74 149	28.97 149	28.72 149	21.14 146	22.26 147	24.43 147	23.88 148	26.54 148	30.87 149	14.32 146	16.55 147	13.12 146	14.71 147	17.92 147	20.60 147

AVERAGE_ROB	26.93 149	30.34 150	29.27 148	25.82 148	25.34 147	19.48 144	15.17 143	23.55 148	23.00 148	28.45 149	27.87 149	26.25 148	25.86 150	26.96 149	25.55 148	31.30 149	30.07 149	31.76 149	30.81 149	30.79 149	30.93 149

MSMDNet													0.43 32

ASD4		19.65 146

Low-res two-view benchmark