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	0.36 1	0.21 1	1.70 9	0.29 6	0.18 6	0.55 1	0.26 10	0.78 11	0.36 1	0.57 19	0.67 38	0.33 3	0.24 1	0.32 1	0.23 1	0.10 3	0.08 5	0.09 3	0.07 4	0.09 1	0.12 7

R-Stereo Train	0.36 1	0.21 1	1.70 9	0.29 6	0.18 6	0.55 1	0.26 10	0.78 11	0.36 1	0.57 19	0.67 38	0.33 3	0.24 1	0.32 1	0.23 1	0.10 3	0.08 5	0.09 3	0.07 4	0.09 1	0.12 7

DPM-Stereo	0.37 3	0.34 5	1.50 2	0.27 3	0.18 6	0.63 24	0.17 1	0.92 48	0.53 4	0.49 11	0.48 2	0.30 2	0.30 4	0.39 3	0.30 4	0.10 3	0.08 5	0.10 9	0.08 8	0.15 7	0.12 7

PMTNet	0.40 4	0.29 3	2.32 49	0.22 1	0.14 1	0.68 40	0.27 14	0.59 1	0.70 25	0.36 1	0.36 1	0.29 1	0.24 1	0.63 7	0.28 3	0.11 7	0.07 3	0.08 1	0.06 1	0.17 11	0.08 1

AdaStereo	0.44 5	0.38 8	1.79 16	0.34 24	0.20 10	0.57 8	0.28 16	0.92 48	0.69 22	0.52 14	0.55 13	0.61 16	0.33 6	0.48 4	0.39 7	0.17 34	0.08 5	0.17 34	0.11 17	0.18 12	0.12 7
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.
HITNet	0.46 6	0.92 52	2.09 33	0.33 15	0.14 1	0.55 1	0.22 3	0.83 23	0.56 7	0.51 12	0.49 4	0.48 7	0.37 9	0.48 4	0.54 29	0.09 1	0.06 1	0.10 9	0.08 8	0.23 28	0.09 2
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
BEATNet_4x	0.47 7	0.73 30	1.91 22	0.33 15	0.15 4	0.56 4	0.25 9	0.85 28	0.58 8	0.54 17	0.51 8	0.57 9	0.42 19	0.57 6	0.61 36	0.11 7	0.08 5	0.12 16	0.09 12	0.20 18	0.16 19

ccs	0.47 7	0.29 3	1.64 6	0.28 4	0.20 10	0.56 4	0.41 43	0.96 65	0.81 57	0.45 4	0.49 4	0.60 14	0.47 31	0.72 10	0.39 7	0.17 34	0.14 36	0.20 51	0.17 42	0.23 28	0.21 32

MLCV	0.48 9	0.89 51	1.85 18	0.29 6	0.14 1	0.59 13	0.23 7	0.72 4	0.59 9	0.66 42	0.66 37	0.55 8	0.36 7	1.03 21	0.49 23	0.09 1	0.06 1	0.09 3	0.07 4	0.19 16	0.11 3

DN-CSS_ROB	0.48 9	1.23 94	1.99 28	0.39 48	0.22 16	0.56 4	0.19 2	0.75 6	0.61 11	0.45 4	0.62 28	0.41 5	0.31 5	0.70 8	0.32 5	0.11 7	0.08 5	0.14 17	0.13 19	0.36 67	0.12 7

DeepPruner_ROB	0.50 11	0.70 27	1.94 24	0.29 6	0.26 27	0.63 24	0.31 29	0.80 14	0.48 3	0.61 29	0.55 13	0.66 26	0.38 10	0.98 17	0.40 9	0.19 47	0.14 36	0.14 17	0.14 23	0.23 28	0.17 24

StereoDRNet-Refined	0.50 11	0.41 10	1.50 2	0.33 15	0.21 14	0.68 40	0.26 10	0.81 16	0.68 21	0.67 45	0.68 44	0.73 36	0.42 19	1.10 25	0.59 34	0.11 7	0.08 5	0.14 17	0.14 23	0.25 39	0.21 32
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iResNet_ROB	0.50 11	1.15 88	1.73 12	0.31 12	0.21 14	0.58 9	0.22 3	0.95 62	0.82 58	0.58 23	0.62 28	0.57 9	0.39 14	0.84 14	0.40 9	0.11 7	0.08 5	0.09 3	0.06 1	0.21 21	0.13 12

CFNet_RVC	0.51 14	0.76 32	1.79 16	0.28 4	0.30 39	0.63 24	0.28 16	0.66 2	0.55 6	0.45 4	0.57 18	0.74 38	0.41 16	1.46 38	0.42 12	0.14 23	0.10 20	0.28 82	0.13 19	0.18 12	0.14 15

STTStereo	0.51 14	0.69 26	2.14 39	0.36 30	0.30 39	0.61 19	0.32 32	0.77 10	0.60 10	0.60 27	0.54 11	0.67 28	0.43 23	0.86 15	0.42 12	0.16 30	0.15 44	0.17 34	0.20 61	0.16 9	0.15 16

iResNet	0.51 14	0.76 32	2.59 73	0.41 57	0.17 5	0.64 29	0.27 14	0.82 19	0.70 25	0.57 19	0.64 35	0.43 6	0.36 7	0.70 8	0.52 27	0.10 3	0.07 3	0.09 3	0.08 8	0.21 21	0.13 12

DLCB_ROB	0.54 17	0.55 16	1.49 1	0.36 30	0.25 21	0.65 32	0.36 36	0.80 14	0.70 25	0.72 53	0.69 48	0.83 48	0.46 27	1.53 46	0.60 35	0.13 18	0.12 30	0.14 17	0.14 23	0.14 4	0.13 12

CC-Net-ROB	0.55 18	0.93 57	2.43 61	0.37 35	0.36 54	0.60 15	0.29 22	0.81 16	0.61 11	0.63 35	0.56 16	0.72 33	0.46 27	1.03 21	0.44 17	0.15 25	0.11 22	0.14 17	0.14 23	0.16 9	0.16 19

NLCA_NET_v2_RVC	0.55 18	0.92 52	2.36 54	0.38 44	0.37 59	0.60 15	0.28 16	0.82 19	0.62 14	0.62 32	0.55 13	0.72 33	0.45 25	1.00 19	0.43 16	0.15 25	0.11 22	0.14 17	0.14 23	0.15 7	0.16 19
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DISCO	0.57 20	0.34 5	1.87 20	0.45 69	0.34 48	0.84 66	0.35 35	0.84 25	0.78 49	0.59 25	0.63 31	1.06 80	0.53 38	1.10 25	0.82 56	0.12 14	0.09 15	0.11 15	0.10 15	0.22 24	0.18 27

ccs_rob	0.57 20	0.99 70	1.97 27	0.32 13	0.20 10	0.63 24	0.22 3	0.82 19	0.72 33	0.53 16	0.61 25	0.61 16	0.38 10	1.98 70	0.44 17	0.12 14	0.09 15	0.14 17	0.14 23	0.28 50	0.16 19

CFNet	0.58 22	0.96 64	1.78 15	0.33 15	0.25 21	0.63 24	0.22 3	0.88 36	0.75 42	0.46 8	0.59 21	0.58 12	0.40 15	2.29 79	0.48 21	0.12 14	0.09 15	0.15 25	0.14 23	0.30 54	0.15 16

NVstereo2D	0.58 22	0.40 9	2.03 30	0.35 27	0.35 50	0.69 43	0.39 39	0.91 43	0.80 53	0.47 9	0.53 9	0.67 28	0.46 27	1.99 71	0.48 21	0.19 47	0.11 22	0.17 34	0.13 19	0.25 39	0.25 51

iResNetv2_ROB	0.59 24	1.43 103	2.96 86	0.40 54	0.22 16	0.58 9	0.28 16	0.91 43	0.73 38	0.57 19	0.63 31	0.60 14	0.41 16	0.74 11	0.35 6	0.11 7	0.08 5	0.10 9	0.07 4	0.43 83	0.17 24

LALA_ROB	0.60 25	0.76 32	1.69 8	0.36 30	0.29 35	0.79 60	0.55 64	0.94 54	0.77 47	0.81 65	0.67 38	0.94 65	0.49 35	0.99 18	0.73 50	0.21 55	0.15 44	0.20 51	0.18 48	0.23 28	0.21 32

ETE_ROB	0.60 25	0.71 28	1.55 4	0.37 35	0.25 21	0.69 43	0.51 59	1.47 104	0.70 25	0.80 61	0.69 48	0.85 51	0.49 35	1.36 35	0.58 33	0.16 30	0.13 34	0.19 45	0.16 36	0.21 21	0.23 46

XPNet_ROB	0.61 27	0.72 29	1.66 7	0.37 35	0.27 32	0.67 37	0.47 55	0.89 39	0.71 31	0.78 59	0.70 51	0.81 47	0.53 38	1.70 54	0.76 52	0.21 55	0.16 47	0.16 28	0.15 33	0.20 18	0.21 32

FADNet-RVC	0.61 27	1.26 95	2.12 37	0.33 15	0.26 27	0.59 13	0.29 22	0.86 29	0.62 14	0.45 4	0.50 6	0.62 20	0.46 27	1.73 58	0.55 30	0.17 34	0.20 65	0.17 34	0.18 48	0.59 97	0.28 60

RASNet	0.61 27	0.68 24	2.03 30	0.35 27	0.46 81	0.65 32	0.28 16	0.78 11	0.70 25	0.48 10	0.64 35	0.93 63	0.61 50	2.21 76	0.73 50	0.12 14	0.09 15	0.09 3	0.10 15	0.14 4	0.11 3

HSM	0.62 30	0.76 32	1.72 11	0.30 10	0.29 35	0.64 29	0.28 16	0.94 54	0.62 14	0.58 23	0.57 18	1.40 95	0.64 57	2.59 90	0.42 12	0.11 7	0.08 5	0.10 9	0.08 8	0.14 4	0.11 3

DRN-Test	0.64 31	0.43 14	2.44 63	0.39 48	0.44 73	0.80 61	0.41 43	1.02 82	0.78 49	0.80 61	0.63 31	0.69 31	0.56 42	1.79 63	0.69 43	0.15 25	0.12 30	0.17 34	0.16 36	0.18 12	0.17 24

StereoDRNet	0.64 31	0.88 50	2.35 53	0.41 57	0.45 78	0.73 51	0.47 55	0.94 54	0.74 40	0.75 57	0.54 11	0.74 38	0.47 31	1.70 54	0.72 47	0.15 25	0.14 36	0.15 25	0.14 23	0.20 18	0.19 30

FADNet	0.64 31	1.22 93	2.06 32	0.32 13	0.30 39	0.66 35	0.29 22	0.88 36	0.72 33	0.44 2	0.48 2	0.66 26	0.57 44	1.84 67	0.45 20	0.46 100	0.20 65	0.17 34	0.19 53	0.59 97	0.24 48

NOSS_ROB	0.64 31	0.65 22	1.62 5	0.46 72	0.25 21	0.67 37	0.30 26	0.93 51	0.77 47	0.59 25	0.57 18	0.77 41	0.38 10	2.78 97	0.44 17	0.23 70	0.24 79	0.28 82	0.26 81	0.27 47	0.39 85

NCCL2	0.65 35	0.94 58	1.96 26	0.43 64	0.30 39	0.71 46	0.68 77	0.84 25	0.65 18	0.70 49	0.60 23	0.86 53	0.54 40	1.56 48	0.57 32	0.20 53	0.16 47	0.67 107	0.25 76	0.22 24	0.24 48

CVANet_RVC	0.65 35	0.80 42	2.13 38	0.36 30	0.26 27	0.62 20	0.42 46	0.84 25	0.72 33	0.69 47	0.68 44	0.68 30	0.52 37	2.64 91	0.42 12	0.19 47	0.12 30	0.22 60	0.17 42	0.37 72	0.15 16

PSMNet_ROB	0.66 37	1.01 75	2.33 51	0.38 44	0.31 44	0.72 49	0.55 64	0.86 29	0.69 22	0.54 17	0.60 23	0.75 40	0.47 31	2.00 72	0.82 56	0.17 34	0.13 34	0.19 45	0.19 53	0.24 35	0.27 57

RP	0.67 38	0.82 44	1.94 24	0.43 64	0.44 73	0.65 32	0.45 49	0.89 39	0.82 58	0.66 42	0.92 67	0.99 71	0.76 68	1.55 47	0.66 40	0.25 77	0.18 55	0.23 65	0.20 61	0.31 59	0.22 39

FADNet-RVC-Resample	0.67 38	1.16 91	3.16 94	0.37 35	0.29 35	0.62 20	0.38 37	0.86 29	0.63 17	0.51 12	0.50 6	0.57 9	0.45 25	1.57 49	0.49 23	0.24 74	0.32 93	0.23 65	0.19 53	0.27 47	0.62 97

TDLM	0.67 38	0.92 52	1.76 13	0.37 35	0.24 19	0.66 35	0.56 66	0.82 19	0.74 40	1.16 86	0.62 28	0.61 16	0.48 34	2.70 94	0.50 26	0.20 53	0.11 22	0.35 92	0.14 23	0.32 62	0.16 19

HSM-Net_RVC	0.67 38	0.34 5	2.23 46	0.26 2	0.19 9	0.67 37	0.29 22	1.26 98	0.69 22	0.72 53	0.70 51	0.78 44	0.42 19	3.77 106	0.41 11	0.13 18	0.09 15	0.10 9	0.09 12	0.12 3	0.11 3
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
AANet_RVC	0.68 42	1.00 72	2.09 33	0.33 15	0.25 21	0.58 9	0.32 32	0.81 16	0.80 53	0.61 29	0.94 68	0.80 46	0.41 16	2.46 87	1.02 66	0.36 96	0.14 36	0.10 9	0.09 12	0.23 28	0.22 39

Nwc_Net	0.68 42	0.83 45	2.53 69	0.41 57	0.39 61	0.77 56	0.38 37	1.01 80	0.70 25	0.60 27	0.99 73	0.98 69	0.68 58	1.41 36	0.63 39	0.23 70	0.15 44	0.23 65	0.25 76	0.23 28	0.18 27

stereogan	0.69 44	0.51 15	2.44 63	0.39 48	0.39 61	1.01 77	0.41 43	0.94 54	0.92 72	0.73 56	0.85 63	1.15 88	0.69 59	1.57 49	0.53 28	0.19 47	0.18 55	0.20 51	0.16 36	0.36 67	0.24 48

AF-Net	0.69 44	0.92 52	2.21 42	0.41 57	0.40 67	0.68 40	0.40 41	1.02 82	0.86 64	0.69 47	1.03 77	1.04 77	0.84 70	1.19 29	0.78 54	0.22 67	0.14 36	0.25 77	0.17 42	0.30 54	0.18 27

Anonymous Stereo	0.70 46	1.08 80	2.47 66	0.42 62	0.36 54	0.60 15	0.78 85	0.83 23	0.75 42	0.65 41	0.63 31	0.62 20	0.38 10	2.43 85	0.78 54	0.19 47	0.18 55	0.19 45	0.20 61	0.30 54	0.23 46

RYNet	0.70 46	0.56 17	2.25 47	0.35 27	0.41 71	0.86 68	0.43 47	0.94 54	0.82 58	0.62 32	0.53 9	0.91 60	0.60 48	2.70 94	1.00 63	0.14 23	0.11 22	0.16 28	0.14 23	0.25 39	0.27 57

PWC_ROB	0.70 46	0.94 58	1.88 21	0.39 48	0.39 61	0.62 20	0.30 26	0.98 71	0.94 73	0.91 72	1.29 86	0.77 41	0.62 55	1.62 52	1.03 68	0.18 42	0.11 22	0.18 42	0.13 19	0.51 94	0.22 39

CBMV	0.71 49	0.76 32	2.64 75	0.33 15	0.20 10	0.78 57	0.79 86	0.98 71	0.78 49	0.85 69	0.71 53	0.86 53	1.10 86	1.46 38	0.62 37	0.18 42	0.20 65	0.21 57	0.19 53	0.25 39	0.33 76
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 49	0.97 67	2.18 41	0.44 66	0.44 73	0.73 51	0.40 41	0.94 54	0.71 31	0.71 51	1.04 78	1.01 73	0.71 61	1.74 60	0.70 44	0.23 70	0.18 55	0.28 82	0.26 81	0.29 52	0.27 57

RTSC	0.72 51	1.00 72	2.22 44	0.40 54	0.29 35	0.82 64	0.31 29	0.96 65	1.10 87	0.92 73	0.81 57	0.78 44	0.58 45	1.23 31	1.55 79	0.18 42	0.17 53	0.14 17	0.17 42	0.43 83	0.30 64

SHD	0.72 51	0.77 37	2.36 54	0.45 69	0.40 67	0.71 46	0.32 32	1.02 82	1.25 92	1.07 79	0.84 60	0.90 59	0.73 64	1.09 24	0.98 61	0.21 55	0.18 55	0.20 51	0.21 66	0.32 62	0.31 67

PWCDC_ROB	0.72 51	1.06 78	2.09 33	0.47 74	0.36 54	0.78 57	0.26 10	0.98 71	1.34 95	0.61 29	2.07 95	0.64 23	0.61 50	0.83 12	0.71 45	0.31 91	0.14 36	0.15 25	0.12 18	0.60 100	0.21 32

PASM	0.72 51	0.68 24	1.91 22	0.47 74	0.44 73	0.60 15	0.51 59	0.76 7	0.80 53	0.77 58	0.67 38	0.87 55	0.61 50	2.40 83	0.67 41	0.32 92	0.35 94	0.36 94	0.41 98	0.45 87	0.39 85

XQC	0.73 55	0.98 69	2.39 57	0.46 72	0.35 50	0.81 62	0.46 50	1.00 78	1.00 78	0.80 61	0.69 48	0.88 57	0.74 67	1.32 33	1.20 72	0.24 74	0.16 47	0.23 65	0.20 61	0.41 82	0.33 76

GANetREF_RVC	0.75 56	1.15 88	2.46 65	0.47 74	0.26 27	0.83 65	0.61 71	0.97 70	0.89 67	0.62 32	0.61 25	0.72 33	0.59 46	2.42 84	0.55 30	0.32 92	0.25 85	0.36 94	0.24 70	0.39 79	0.31 67
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 56	0.84 47	2.01 29	0.40 54	0.25 21	0.74 53	0.66 75	0.87 33	0.73 38	0.71 51	1.07 80	0.84 49	0.59 46	2.71 96	1.15 70	0.17 34	0.16 47	0.44 101	0.16 36	0.31 59	0.20 31

PDISCO_ROB	0.75 56	1.06 78	2.11 36	0.64 97	0.59 96	1.13 84	0.43 47	1.14 92	1.05 82	0.64 38	0.71 53	0.96 67	0.61 50	1.21 30	0.76 52	0.37 97	0.18 55	0.27 80	0.24 70	0.56 96	0.32 71

CBMV_ROB	0.76 59	0.42 11	2.68 77	0.33 15	0.22 16	0.74 53	0.47 55	0.96 65	0.76 45	1.04 78	0.96 71	0.88 57	0.93 76	2.06 73	1.19 71	0.22 67	0.24 79	0.27 80	0.25 76	0.25 39	0.28 60

NCC-stereo	0.79 60	0.94 58	2.42 58	0.59 94	0.45 78	1.90 100	0.46 50	0.99 76	0.72 33	0.64 38	0.84 60	0.91 60	0.73 64	1.80 64	1.00 63	0.27 86	0.19 61	0.23 65	0.31 91	0.24 35	0.22 39

Abc-Net	0.79 60	0.94 58	2.42 58	0.59 94	0.45 78	1.90 100	0.46 50	0.99 76	0.72 33	0.64 38	0.84 60	0.91 60	0.73 64	1.80 64	1.00 63	0.27 86	0.19 61	0.23 65	0.31 91	0.24 35	0.22 39

DMCA-RVC	0.80 62	1.01 75	2.60 74	0.33 15	0.79 103	0.58 9	0.30 26	0.74 5	0.53 4	0.63 35	0.67 38	0.73 36	3.68 110	1.50 42	0.62 37	0.19 47	0.17 53	0.21 57	0.20 61	0.24 35	0.21 32

ADCRef	0.80 62	0.96 64	2.29 48	0.37 35	0.35 50	0.96 72	0.51 59	0.87 33	0.75 42	0.88 70	0.83 59	0.61 16	1.36 94	1.02 20	3.27 102	0.13 18	0.11 22	0.17 34	0.19 53	0.25 39	0.21 32

DANet	0.80 62	0.65 22	2.21 42	1.19 109	0.48 83	0.74 53	1.25 100	0.89 39	1.53 100	0.89 71	0.71 53	0.96 67	0.56 42	1.83 66	0.96 60	0.18 42	0.16 47	0.19 45	0.16 36	0.26 45	0.29 62

FADNet_RVC	0.81 65	1.14 85	2.42 58	0.30 10	0.24 19	0.71 46	0.24 8	0.95 62	0.61 11	0.44 2	0.56 16	0.59 13	0.42 19	1.52 45	0.68 42	0.94 109	0.96 111	0.28 82	1.00 111	0.90 107	1.36 109

edge stereo	0.81 65	0.73 30	3.30 98	0.37 35	1.21 107	0.62 20	0.39 39	0.93 51	0.79 52	0.80 61	0.88 66	1.14 87	0.71 61	2.18 75	0.71 45	0.21 55	0.20 65	0.26 79	0.18 48	0.38 76	0.26 55

FBW_ROB	0.83 67	0.77 37	1.77 14	0.44 66	0.30 39	0.87 70	0.46 50	1.10 90	0.91 69	0.81 65	0.75 56	1.01 73	0.61 50	3.66 105	1.23 73	0.26 81	0.23 76	0.36 94	0.25 76	0.27 47	0.62 97

PA-Net	0.84 68	1.00 72	3.49 100	0.63 96	0.40 67	0.70 45	0.52 62	0.86 29	0.84 62	0.52 14	0.59 21	0.70 32	0.54 40	2.35 80	2.23 93	0.17 34	0.27 88	0.19 45	0.28 87	0.22 24	0.36 81
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DeepPrunerF	0.86 69	0.86 49	2.91 85	0.45 69	0.50 84	0.64 29	0.48 58	1.14 92	2.64 109	0.63 35	0.61 25	0.65 25	0.62 55	2.21 76	1.31 75	0.23 70	0.19 61	0.30 88	0.28 87	0.36 67	0.25 51

DPSNet	0.86 69	0.60 19	2.34 52	0.58 91	0.36 54	1.07 81	0.75 83	1.30 99	1.05 82	0.70 49	0.68 44	0.94 65	1.29 91	2.08 74	1.82 85	0.26 81	0.23 76	0.16 28	0.17 42	0.48 88	0.40 88

PVD	0.90 71	0.85 48	2.15 40	0.53 82	0.50 84	0.99 74	0.56 66	1.15 94	1.64 102	1.41 98	1.41 90	1.11 85	1.13 88	1.35 34	1.31 75	0.26 81	0.28 89	0.28 82	0.26 81	0.37 72	0.49 93

SAMSARA	0.91 72	0.97 67	2.22 44	0.80 102	0.58 95	1.32 88	1.31 101	1.01 80	0.94 73	1.36 94	0.87 64	1.38 94	0.90 74	1.72 57	1.02 66	0.24 74	0.30 90	0.22 60	0.25 76	0.36 67	0.35 79

MFMNet_re	0.92 73	1.28 96	2.53 69	0.82 104	0.76 102	0.90 71	0.75 83	0.98 71	1.04 81	1.03 76	1.05 79	0.84 49	0.94 78	0.83 12	0.72 47	0.68 106	0.60 103	0.63 105	0.60 103	0.77 105	0.74 101

ADCP+	0.94 74	1.12 82	3.14 93	0.34 24	0.39 61	1.06 79	0.79 86	0.89 39	0.80 53	0.66 42	0.67 38	0.85 51	1.55 100	0.93 16	4.55 109	0.13 18	0.11 22	0.16 28	0.15 33	0.26 45	0.25 51

ADCMid	0.96 75	1.32 99	2.74 78	0.38 44	0.35 50	0.99 74	0.58 69	0.94 54	0.86 64	1.23 91	1.01 74	1.01 73	1.00 81	1.05 23	3.97 106	0.21 55	0.19 61	0.42 99	0.32 93	0.40 81	0.29 62

G-Net	0.99 76	0.64 20	2.76 79	0.57 89	0.67 98	2.03 104	0.72 81	0.76 7	0.67 19	1.14 84	2.56 101	1.30 92	1.02 82	1.48 40	1.74 82	0.25 77	0.24 79	0.24 72	0.26 81	0.37 72	0.31 67

ADCL	0.99 76	0.79 40	2.43 61	0.39 48	0.32 45	1.50 92	1.90 106	0.92 48	0.97 77	1.26 93	1.27 85	1.00 72	1.42 97	1.14 27	3.31 103	0.17 34	0.14 36	0.22 60	0.21 66	0.30 54	0.22 39

STTStereo_v2	0.99 76	0.64 20	2.76 79	0.57 89	0.67 98	2.03 104	0.72 81	0.76 7	0.67 19	1.14 84	2.56 101	1.30 92	1.02 82	1.48 40	1.74 82	0.25 77	0.24 79	0.24 72	0.26 81	0.37 72	0.31 67

ADCPNet	0.99 76	0.99 70	3.93 105	0.37 35	0.68 100	1.36 89	0.62 72	0.87 33	0.76 45	0.78 59	0.81 57	1.08 81	1.18 89	1.14 27	2.49 97	0.21 55	0.69 106	0.21 57	0.95 109	0.29 52	0.37 83

AnyNet_C32	1.00 80	1.33 100	2.53 69	0.49 78	0.54 91	1.15 86	1.14 98	0.91 43	0.89 67	1.11 81	0.95 70	0.87 55	0.93 76	1.50 42	4.07 107	0.21 55	0.20 65	0.25 77	0.24 70	0.38 76	0.33 76

MFN_U_SF_DS_RVC	1.01 81	1.67 106	2.32 49	0.47 74	0.39 61	1.47 90	0.95 93	0.95 62	0.91 69	0.84 67	0.94 68	1.05 79	0.60 48	2.95 101	0.72 47	0.41 98	0.72 109	0.32 90	0.55 100	0.74 102	1.22 108

SGM-Forest	1.04 82	0.42 11	3.59 102	0.41 57	0.32 45	1.05 78	1.32 102	0.94 54	0.83 61	1.16 86	2.23 98	1.03 76	1.39 95	2.49 88	2.35 94	0.21 55	0.21 70	0.20 51	0.19 53	0.23 28	0.32 71
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
ADCS	1.05 83	1.36 102	2.98 90	0.42 62	0.36 54	0.96 72	0.81 90	1.06 89	1.12 88	1.25 92	0.97 72	1.08 81	0.90 74	1.25 32	4.86 111	0.21 55	0.21 70	0.22 60	0.23 69	0.36 67	0.38 84

SPS-STEREO	1.07 84	1.13 84	2.88 83	0.65 98	0.69 101	0.99 74	0.68 77	1.05 88	0.87 66	1.36 94	1.23 84	1.46 97	0.94 78	1.87 68	1.72 81	0.66 105	0.61 104	0.58 104	0.57 101	0.65 101	0.77 104
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
DMCA	1.12 85	0.81 43	1.85 18	0.37 35	2.02 109	0.56 4	0.52 62	0.67 3	1.95 106	0.72 53	2.74 105	0.64 23	5.78 113	1.43 37	0.49 23	0.17 34	0.50 101	0.23 65	0.19 53	0.19 16	0.52 94

WCMA_ROB	1.12 85	0.83 45	2.66 76	0.58 91	0.34 48	1.17 87	0.71 80	0.93 51	0.94 73	1.74 101	2.63 104	3.09 107	1.71 101	1.70 54	1.84 86	0.26 81	0.21 70	0.20 51	0.21 66	0.28 50	0.43 90

AnyNet_C01	1.14 87	1.49 105	4.23 106	0.54 85	0.53 90	1.51 93	1.37 103	1.04 87	1.07 84	1.17 89	1.33 89	1.15 88	1.08 85	1.61 51	2.74 99	0.25 77	0.22 73	0.28 82	0.24 70	0.48 88	0.40 88

NaN_ROB	1.14 87	0.94 58	2.96 86	0.53 82	0.56 94	1.13 84	0.99 94	0.98 71	1.00 78	1.09 80	0.87 64	0.77 41	1.06 84	5.90 111	2.72 98	0.16 30	0.23 76	0.16 28	0.24 70	0.22 24	0.36 81

SuperB	1.15 89	1.14 85	5.43 109	0.36 30	0.26 27	0.81 62	0.89 92	0.88 36	1.17 89	0.67 45	0.68 44	0.63 22	1.39 95	1.74 60	3.37 105	0.15 25	0.12 30	0.17 34	0.16 36	2.80 113	0.25 51

NVStereoNet_ROB	1.16 90	0.95 63	2.54 72	0.58 91	0.55 93	0.78 57	0.63 74	1.00 78	1.08 85	1.03 76	4.07 111	1.48 98	1.22 90	2.88 100	1.27 74	0.50 101	0.46 98	0.54 103	0.62 104	0.50 92	0.63 99
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 91	0.42 11	3.87 104	0.54 85	0.44 73	4.11 111	0.58 69	1.31 100	0.84 62	2.12 103	1.12 82	0.98 69	0.71 61	4.24 109	0.99 62	0.16 30	0.14 36	0.19 45	0.17 42	0.18 12	0.35 79

SANet	1.20 92	1.21 92	3.33 99	0.38 44	0.27 32	1.73 99	0.85 91	1.10 90	2.49 108	1.16 86	1.83 93	1.72 99	1.50 99	2.37 81	2.84 100	0.18 42	0.16 47	0.16 28	0.15 33	0.32 62	0.32 71

RTSA	1.21 93	1.31 97	6.39 111	0.52 80	0.51 88	1.61 95	0.79 86	1.03 85	1.37 96	1.13 82	1.30 87	1.10 83	0.85 71	2.65 92	2.08 89	0.21 55	0.24 79	0.18 42	0.18 48	0.43 83	0.32 71

MeshStereo	1.21 93	1.15 88	3.01 91	0.34 24	0.28 34	1.10 82	0.69 79	1.35 101	1.01 80	2.71 106	2.41 100	2.96 106	1.45 98	2.80 98	1.40 78	0.22 67	0.22 73	0.22 60	0.19 53	0.50 92	0.26 55
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
RTS	1.21 93	1.31 97	6.39 111	0.52 80	0.51 88	1.61 95	0.79 86	1.03 85	1.37 96	1.13 82	1.30 87	1.10 83	0.85 71	2.65 92	2.08 89	0.21 55	0.24 79	0.18 42	0.18 48	0.43 83	0.32 71

CSAN	1.25 96	1.12 82	3.04 92	0.51 79	0.37 59	1.06 79	1.15 99	1.22 95	1.08 85	1.17 89	1.91 94	1.04 77	1.31 93	5.96 112	2.43 96	0.26 81	0.22 73	0.24 72	0.24 70	0.31 59	0.30 64

pmcnn	1.32 97	1.05 77	2.77 81	0.74 101	1.43 108	0.72 49	0.56 66	0.96 65	0.91 69	0.99 74	2.92 107	6.01 112	0.70 60	2.38 82	3.32 104	0.13 18	0.10 20	0.08 1	0.06 1	0.34 66	0.22 39

MSC_U_SF_DS_RVC	1.34 98	1.70 107	2.50 67	0.56 88	0.40 67	2.15 106	0.99 94	1.24 97	1.26 93	1.02 75	1.10 81	1.29 91	0.88 73	3.10 102	1.08 69	1.66 111	0.83 110	0.68 108	0.88 108	1.57 110	1.80 111

MSMD_ROB	1.34 98	0.96 64	2.38 56	0.39 48	0.32 45	1.96 102	0.62 72	0.91 43	1.43 98	2.94 109	2.60 103	4.77 109	1.95 103	2.43 85	1.33 77	0.29 89	0.26 86	0.32 90	0.32 93	0.30 54	0.30 64

MADNet+	1.36 100	1.93 110	5.95 110	0.81 103	0.59 96	1.57 94	1.09 96	1.39 103	1.22 90	0.84 67	1.01 74	1.25 90	1.12 87	3.19 103	2.36 95	0.45 99	0.47 99	0.38 98	0.34 95	0.59 97	0.57 95

ELAS_RVC	1.37 101	0.78 39	3.21 96	0.55 87	0.50 84	1.49 91	2.48 110	1.48 105	1.71 104	2.13 104	2.09 96	2.07 102	2.56 106	1.90 69	2.02 88	0.35 94	0.36 95	0.37 97	0.34 95	0.49 90	0.47 91
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.39 102	0.79 40	2.86 82	0.53 82	0.50 84	2.81 109	2.20 107	1.61 108	1.50 99	2.28 105	2.35 99	1.82 100	2.13 105	1.73 58	2.22 92	0.35 94	0.37 97	0.35 92	0.35 97	0.49 90	0.47 91
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FC-DCNN	1.49 103	0.59 18	2.88 83	0.44 66	0.39 61	1.97 103	0.66 75	1.67 109	1.70 103	2.72 107	2.89 106	4.22 108	2.97 109	2.55 89	2.19 91	0.29 89	0.26 86	0.31 89	0.30 90	0.32 62	0.39 85

PWCK	1.49 103	1.90 109	3.22 97	1.09 108	0.54 91	1.71 98	1.73 105	1.49 106	1.53 100	1.44 99	1.80 92	1.82 100	1.30 92	3.34 104	1.76 84	1.07 110	0.56 102	0.97 109	0.58 102	1.38 109	0.65 100

MFN_U_SF_RVC	1.55 105	2.39 113	3.16 94	0.65 98	0.41 71	1.12 83	0.46 50	1.23 96	1.33 94	1.61 100	1.20 83	1.43 96	0.98 80	1.76 62	1.97 87	1.90 113	1.80 112	1.98 112	2.15 112	1.63 111	1.77 110

DispFullNet	1.67 106	2.10 111	5.22 107	1.53 110	8.90 113	0.86 68	0.31 29	0.96 65	0.96 76	1.37 97	1.01 74	1.13 86	1.98 104	1.51 44	0.91 59	0.54 103	0.31 91	1.18 110	0.63 106	1.13 108	0.80 105

SGM+DAISY	1.83 107	1.43 103	3.81 103	0.87 105	1.01 105	2.38 107	2.53 111	1.36 102	1.75 105	2.92 108	3.22 109	2.65 104	2.93 108	2.22 78	3.10 101	0.72 107	0.69 106	0.63 105	0.62 104	0.77 105	0.98 106

SGM_RVC	1.89 108	0.92 52	2.50 67	0.96 106	0.93 104	1.63 97	1.37 103	1.52 107	12.43 113	1.85 102	1.69 91	2.40 103	1.74 102	2.81 99	1.71 80	0.53 102	0.47 99	0.42 99	0.47 99	0.74 102	0.74 101
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MADNet++	2.79 109	2.11 112	2.97 89	2.49 111	2.28 110	2.95 110	2.31 108	2.67 110	2.47 107	3.03 110	3.13 108	2.70 105	2.92 107	4.10 107	4.48 108	2.68 114	2.24 114	3.04 114	2.44 113	2.37 112	2.34 112

MANE	2.90 110	1.14 85	2.96 86	1.03 107	1.01 105	5.01 112	2.45 109	5.36 113	6.88 111	3.58 111	4.76 113	5.99 111	4.99 111	4.23 108	4.61 110	0.56 104	0.67 105	0.44 101	0.78 107	0.51 94	1.03 107

SGM-ForestM	2.98 111	1.70 107	3.52 101	0.67 100	0.47 82	5.18 113	3.36 112	3.30 112	2.86 110	4.44 112	3.79 110	9.80 115	5.50 112	6.29 113	6.52 112	0.27 86	0.36 95	0.24 72	0.27 86	0.38 76	0.58 96

LSM	3.31 112	1.11 81	5.29 108	9.40 116	30.65 121	0.84 66	1.12 97	0.91 43	1.22 90	1.36 94	2.19 97	0.93 63	0.83 69	1.66 53	0.90 58	0.21 55	0.31 91	0.24 72	0.28 87	0.39 79	6.33 114

LE_ROB	4.43 113	1.35 101	9.38 113	2.79 112	3.93 112	2.43 108	3.46 113	2.68 111	11.19 112	11.66 117	4.73 112	5.26 110	10.46 114	4.50 110	9.49 113	0.82 108	0.69 106	1.34 111	0.98 110	0.75 104	0.76 103

DGTPSM_ROB	8.89 114	5.62 114	12.25 114	5.92 114	11.32 114	8.54 114	24.18 118	6.40 114	13.49 114	5.15 113	11.46 116	6.19 113	10.92 115	7.00 114	13.72 114	4.47 115	7.65 115	3.92 115	7.45 117	4.38 115	7.87 115

DPSMNet_ROB	9.48 115	5.64 115	13.01 117	8.82 115	11.82 115	8.54 114	24.20 119	6.41 115	13.65 115	5.32 114	11.47 117	6.33 114	10.92 115	7.69 115	13.89 115	7.25 118	8.19 116	5.06 116	7.78 118	5.31 116	8.26 116

BEATNet-Init1	12.10 116	11.19 116	27.29 121	2.99 113	3.51 111	21.84 121	11.10 114	14.34 117	13.83 116	20.34 118	20.33 119	26.35 122	20.03 119	19.06 119	14.80 117	1.74 112	1.81 113	2.05 113	2.49 114	3.69 114	3.12 113

DPSM	12.34 117	11.21 117	12.51 115	12.91 117	12.80 116	19.84 118	28.28 120	14.38 118	14.28 117	10.58 115	11.26 114	12.03 116	11.85 117	13.15 117	15.34 118	7.11 116	8.31 117	6.50 117	7.35 115	8.84 117	8.31 117

DPSM_ROB	12.34 117	11.21 117	12.51 115	12.91 117	12.80 116	19.84 118	28.28 120	14.38 118	14.28 117	10.58 115	11.26 114	12.03 116	11.85 117	13.15 117	15.34 118	7.11 116	8.31 117	6.50 117	7.35 115	8.84 117	8.31 117

DPSimNet_ROB	17.97 119	20.20 119	24.98 118	17.62 119	15.92 118	21.53 120	21.00 117	13.70 116	15.61 119	23.89 120	14.69 118	22.87 118	24.58 122	12.70 116	14.56 116	18.48 120	12.91 119	20.21 120	12.05 119	17.76 119	14.17 119

MEDIAN_ROB	23.96 120	27.05 121	26.39 120	22.16 120	22.13 119	16.12 116	13.97 115	20.24 120	20.05 120	25.50 121	25.31 121	22.96 119	22.63 120	24.39 120	23.24 120	28.20 121	27.23 121	28.62 121	27.75 121	27.50 121	27.76 121

LSM0	26.58 121	22.63 120	25.88 119	30.13 122	52.21 122	39.94 122	56.74 122	28.97 122	28.72 122	21.14 119	22.26 120	24.43 120	23.88 121	26.54 121	30.87 122	14.32 119	16.55 120	13.12 119	14.71 120	17.92 120	20.60 120

AVERAGE_ROB	26.93 122	30.34 122	29.27 122	25.82 121	25.34 120	19.48 117	15.17 116	23.55 121	23.00 121	28.45 122	27.87 122	26.25 121	25.86 123	26.96 122	25.55 121	31.30 122	30.07 122	31.76 122	30.81 122	30.79 122	30.93 122

MSMDNet													0.43 23

Low-res two-view benchmark