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):

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 Infoalllakes. 1llakes. 1ssand box 1lsand box 1sstora. room 1lstora. room 1sstora. room 2lstora. room 2sstora. room 2 1lstora. room 2 1sstora. room 2 2lstora. room 2 2sstora. room 3lstora. room 3stunnel 1ltunnel 1stunnel 2ltunnel 2stunnel 3ltunnel 3s
sorted bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort bysort by
CREStereo++_RVCtwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
s12784htwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
TANstereotwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
XX-TBDtwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
CREStereotwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNettwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
MEDIAN_ROBtwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
AVERAGE_ROBtwo views0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
0.00
1
HITNettwo views0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
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
NVstereo2Dtwo views0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
PWC_ROBbinarytwo views0.01
9
0.02
12
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
PWCDC_ROBbinarytwo views0.01
9
0.01
9
0.02
13
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
PWCKtwo views0.01
9
0.02
12
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
Wz-Net-TNSevtwo views0.02
14
0.05
33
0.04
25
0.07
28
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.06
36
0.04
29
0.01
9
0.01
9
0.01
9
0.01
9
MFN_U_SF_RVCtwo views0.02
14
0.02
12
0.02
13
0.02
14
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
MSC_U_SF_DS_RVCtwo views0.02
14
0.02
12
0.02
13
0.02
14
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
MFN_U_SF_DS_RVCtwo views0.02
14
0.02
12
0.02
13
0.02
14
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
RYNettwo views0.02
14
0.02
12
0.02
13
0.03
19
0.03
32
0.03
30
0.02
19
0.02
19
0.02
19
0.03
30
0.02
19
0.02
19
0.03
33
0.03
27
0.02
19
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
LSMtwo views0.02
14
0.02
12
0.02
13
0.02
14
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
LSM0two views0.02
14
0.02
12
0.02
13
0.02
14
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
Wz-Net-SNSevtwo views0.03
21
0.09
45
0.07
39
0.09
34
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.09
46
0.07
39
0.01
9
0.01
9
0.01
9
0.01
9
EDNetEfficientorigintwo views0.04
22
0.06
37
0.04
25
0.05
25
0.04
38
0.05
44
0.04
38
0.05
44
0.04
40
0.05
44
0.04
41
0.05
45
0.04
40
0.05
38
0.04
35
0.05
32
0.03
24
0.06
45
0.03
30
0.04
37
0.03
29
EDNetEfficienttwo views0.04
22
0.05
33
0.04
25
0.04
20
0.03
32
0.04
36
0.03
31
0.04
36
0.03
35
0.04
35
0.03
32
0.04
35
0.03
33
0.04
31
0.03
30
0.05
32
0.03
24
0.05
43
0.03
30
0.04
37
0.03
29
NVStereoNet_ROBtwo views0.04
22
0.04
27
0.04
25
0.04
20
0.04
38
0.04
36
0.04
38
0.04
36
0.04
40
0.04
35
0.04
41
0.04
35
0.04
40
0.04
31
0.04
35
0.04
26
0.04
29
0.04
35
0.04
37
0.04
37
0.04
37
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
WZ-Nettwo views0.05
25
0.50
115
0.10
48
0.12
48
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.12
62
0.10
53
0.01
9
0.01
9
0.01
9
0.01
9
Wz-Net-LNSevtwo views0.06
26
0.24
83
0.20
98
0.23
79
0.01
9
0.02
18
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.23
100
0.21
101
0.02
18
0.01
9
0.01
9
0.01
9
Wz-Net-MNSevtwo views0.06
26
0.54
118
0.10
48
0.12
48
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.01
9
0.12
62
0.11
66
0.01
9
0.01
9
0.01
9
0.01
9
AASNettwo views0.06
26
0.08
39
0.08
41
0.08
30
0.05
48
0.06
46
0.05
46
0.05
44
0.06
51
0.06
47
0.06
51
0.05
45
0.06
51
0.06
42
0.05
43
0.08
40
0.08
41
0.08
49
0.05
44
0.06
45
0.05
43
SACVNettwo views0.06
26
0.08
39
0.08
41
0.08
30
0.05
48
0.06
46
0.05
46
0.05
44
0.06
51
0.06
47
0.06
51
0.05
45
0.06
51
0.06
42
0.05
43
0.08
40
0.08
41
0.08
49
0.05
44
0.06
45
0.05
43
AACVNettwo views0.06
26
0.08
39
0.08
41
0.08
30
0.05
48
0.06
46
0.05
46
0.05
44
0.06
51
0.06
47
0.06
51
0.05
45
0.06
51
0.06
42
0.05
43
0.08
40
0.08
41
0.08
49
0.05
44
0.06
45
0.05
43
FINETtwo views0.07
31
0.08
39
0.07
39
0.07
28
0.07
54
0.08
49
0.06
50
0.08
52
0.07
54
0.08
50
0.07
54
0.08
50
0.06
51
0.07
47
0.07
48
0.08
40
0.07
39
0.07
47
0.07
49
0.06
45
0.06
48
ADCMidtwo views0.08
32
0.02
12
0.02
13
1.01
161
0.03
32
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.04
31
0.09
53
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
SepStereotwo views0.09
33
0.09
45
0.10
48
0.09
34
0.09
57
0.09
53
0.09
55
0.10
54
0.08
56
0.10
54
0.09
57
0.09
54
0.09
58
0.09
53
0.08
50
0.09
46
0.08
41
0.09
54
0.08
53
0.09
54
0.08
51
APVNettwo views0.09
33
0.05
33
0.04
25
0.05
25
0.04
38
0.05
44
0.90
181
0.06
48
0.04
40
0.05
44
0.04
41
0.05
45
0.04
40
0.05
38
0.04
35
0.05
32
0.04
29
0.05
43
0.04
37
0.05
44
0.05
43
ADCStwo views0.09
33
0.02
12
0.04
25
0.90
146
0.06
53
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.14
69
0.36
142
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.02
19
AnonymousMtwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
PVDtwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
SHDtwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
SAMSARAtwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
XQCtwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
RTSCtwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
RTStwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
RTSAtwo views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
MADNet+two views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
MADNet++two views0.10
36
0.10
47
0.10
48
0.10
36
0.10
63
0.10
54
0.10
60
0.10
54
0.10
60
0.10
54
0.10
61
0.10
56
0.10
62
0.10
55
0.10
58
0.10
48
0.10
53
0.10
55
0.10
61
0.10
55
0.10
58
ADCPNettwo views0.10
36
0.03
23
0.04
25
1.27
224
0.03
32
0.04
36
0.03
31
0.03
32
0.03
35
0.04
35
0.03
32
0.04
35
0.03
33
0.08
50
0.04
35
0.04
26
0.03
24
0.03
30
0.03
30
0.03
33
0.03
29
Wz-Net-LNSev-Reftwo views0.11
47
0.44
110
0.33
120
0.39
100
0.02
19
0.03
30
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.39
131
0.36
128
0.02
18
0.02
19
0.02
19
0.02
19
BEATNet_4xtwo views0.11
47
0.03
23
0.03
22
1.60
234
0.03
32
0.03
30
0.03
31
0.03
32
0.03
35
0.03
30
0.03
32
0.03
32
0.03
33
0.05
38
0.03
30
0.03
24
0.03
24
0.03
30
0.03
30
0.03
33
0.03
29
ADCLtwo views0.11
47
0.03
23
0.03
22
1.60
234
0.03
32
0.03
30
0.03
31
0.03
32
0.03
35
0.03
30
0.03
32
0.03
32
0.03
33
0.05
38
0.03
30
0.03
24
0.03
24
0.03
30
0.03
30
0.03
33
0.03
29
AnyNet_C01two views0.11
47
0.02
12
0.02
13
1.62
236
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.03
30
0.02
19
0.02
19
0.02
19
0.06
42
0.04
35
0.02
14
0.02
14
0.02
18
0.02
19
0.02
19
0.03
29
GwcNetcopylefttwo views0.12
51
0.07
38
0.05
38
0.08
30
0.05
48
0.08
49
1.20
204
0.07
49
0.05
49
0.05
44
0.05
48
0.08
50
0.05
45
0.08
50
0.03
30
0.07
38
0.05
38
0.06
45
0.05
44
0.07
49
0.05
43
FADNet-RVC-Resampletwo views0.12
51
0.04
27
0.04
25
0.04
20
0.04
38
0.04
36
0.04
38
0.04
36
0.04
40
0.04
35
0.04
41
0.04
35
0.04
40
0.04
31
1.57
260
0.04
26
0.04
29
0.04
35
0.05
44
0.04
37
0.06
48
FADNet_RVCtwo views0.12
51
0.04
27
0.04
25
0.05
25
0.04
38
0.04
36
0.04
38
0.04
36
0.04
40
0.04
35
0.04
41
0.04
35
0.05
45
0.04
31
1.65
264
0.05
32
0.04
29
0.04
35
0.04
37
0.04
37
0.04
37
FADNettwo views0.12
51
0.05
33
0.04
25
0.04
20
0.04
38
0.04
36
0.04
38
0.04
36
0.04
40
0.04
35
0.04
41
0.04
35
0.05
45
0.04
31
1.66
265
0.06
36
0.04
29
0.04
35
0.04
37
0.04
37
0.04
37
ADCReftwo views0.12
51
0.03
23
0.04
25
1.71
237
0.04
38
0.03
30
0.03
31
0.04
36
0.04
40
0.04
35
0.03
32
0.04
35
0.03
33
0.06
42
0.04
35
0.04
26
0.04
29
0.04
35
0.04
37
0.03
33
0.04
37
CIPLGtwo views0.13
56
0.21
78
0.12
69
0.16
62
0.11
77
0.15
74
0.11
72
0.14
68
0.11
74
0.15
73
0.12
78
0.15
77
0.11
73
0.14
69
0.11
69
0.15
72
0.12
75
0.14
70
0.11
72
0.14
70
0.11
70
IPLGtwo views0.13
56
0.20
73
0.14
75
0.15
57
0.11
77
0.14
68
0.11
72
0.14
68
0.11
74
0.14
67
0.11
73
0.14
68
0.11
73
0.14
69
0.11
69
0.15
72
0.12
75
0.14
70
0.11
72
0.14
70
0.11
70
ACREtwo views0.13
56
0.21
78
0.14
75
0.15
57
0.11
77
0.14
68
0.11
72
0.14
68
0.11
74
0.14
67
0.12
78
0.14
68
0.11
73
0.14
69
0.11
69
0.15
72
0.12
75
0.14
70
0.11
72
0.14
70
0.11
70
LRCNet_RVCtwo views0.13
56
0.13
60
0.09
46
0.13
51
0.10
63
0.14
68
0.10
60
0.14
68
0.10
60
0.23
94
0.10
61
0.20
87
0.10
62
0.24
103
0.11
69
0.11
58
0.09
50
0.12
66
0.14
93
0.12
67
0.09
54
aanetorigintwo views0.13
56
0.11
58
0.11
64
0.11
46
0.11
77
0.11
65
0.11
72
0.11
65
0.11
74
0.11
66
0.12
78
0.11
66
0.11
73
0.11
65
0.11
69
0.11
58
0.11
66
0.14
70
0.11
72
0.49
135
0.11
70
FADNet-RVCtwo views0.13
56
0.04
27
0.04
25
0.04
20
0.04
38
0.04
36
0.05
46
0.04
36
0.04
40
0.04
35
0.05
48
0.04
35
0.05
45
0.04
31
1.71
267
0.04
26
0.04
29
0.04
35
0.04
37
0.07
49
0.04
37
ELAScopylefttwo views0.13
56
0.16
65
0.11
64
0.15
57
0.09
57
0.18
83
0.11
72
0.18
83
0.11
74
0.17
79
0.11
73
0.18
83
0.11
73
0.18
82
0.11
69
0.14
67
0.08
41
0.14
70
0.08
53
0.14
70
0.09
54
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ProNettwo views0.14
63
0.20
73
0.14
75
0.16
62
0.11
77
0.16
79
0.11
72
0.17
81
0.11
74
0.17
79
0.12
78
0.17
80
0.13
88
0.17
80
0.12
79
0.15
72
0.11
66
0.16
81
0.11
72
0.15
77
0.12
79
IPLGR_Ctwo views0.14
63
0.20
73
0.12
69
0.15
57
0.11
77
0.14
68
0.15
90
0.14
68
0.11
74
0.15
73
0.12
78
0.14
68
0.11
73
0.16
78
0.11
69
0.15
72
0.12
75
0.14
70
0.12
83
0.15
77
0.12
79
MIPNettwo views0.14
63
0.21
78
0.17
89
0.16
62
0.11
77
0.15
74
0.12
84
0.14
68
0.11
74
0.16
77
0.11
73
0.14
68
0.11
73
0.14
69
0.11
69
0.14
67
0.12
75
0.14
70
0.11
72
0.14
70
0.11
70
IPLGRtwo views0.14
63
0.24
83
0.14
75
0.16
62
0.12
89
0.15
74
0.12
84
0.14
68
0.11
74
0.15
73
0.12
78
0.14
68
0.11
73
0.14
69
0.11
69
0.15
72
0.12
75
0.14
70
0.11
72
0.14
70
0.11
70
GMStereopermissivetwo views0.14
63
0.13
60
0.14
75
0.14
52
0.14
93
0.14
68
0.14
88
0.14
68
0.14
92
0.14
67
0.14
93
0.14
68
0.14
90
0.14
69
0.14
87
0.14
67
0.14
88
0.14
70
0.14
93
0.14
70
0.14
87
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
AnyNet_C32two views0.14
63
0.04
27
0.03
22
2.22
250
0.04
38
0.03
30
0.03
31
0.03
32
0.03
35
0.03
30
0.03
32
0.04
35
0.02
19
0.07
47
0.04
35
0.02
14
0.02
14
0.03
30
0.03
30
0.02
19
0.03
29
HSMtwo views0.14
63
0.16
65
0.12
69
0.17
67
0.12
89
0.17
81
0.11
72
0.17
81
0.11
74
0.17
79
0.12
78
0.17
80
0.12
84
0.17
80
0.12
79
0.16
79
0.11
66
0.16
81
0.11
72
0.16
80
0.12
79
DRN-Testtwo views0.14
63
0.13
60
0.09
46
0.14
52
0.09
57
0.15
74
0.09
55
0.14
68
0.10
60
0.14
67
0.09
57
0.14
68
0.09
58
0.13
68
0.09
53
0.12
62
0.09
50
0.12
66
0.09
55
0.12
67
0.73
171
ELAS_RVCcopylefttwo views0.14
63
0.16
65
0.10
48
0.15
57
0.10
63
0.18
83
0.11
72
0.19
84
0.11
74
0.19
83
0.12
78
0.18
83
0.11
73
0.19
84
0.12
79
0.14
67
0.08
41
0.14
70
0.09
55
0.15
77
0.09
54
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ICVPtwo views0.15
72
0.53
117
0.11
64
0.16
62
0.11
77
0.16
79
0.11
72
0.16
80
0.11
74
0.16
77
0.11
73
0.16
78
0.11
73
0.16
78
0.11
69
0.16
79
0.11
66
0.16
81
0.11
72
0.16
80
0.11
70
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ADCP+two views0.15
72
0.04
27
0.04
25
2.20
249
0.04
38
0.04
36
0.04
38
0.04
36
0.04
40
0.04
35
0.05
48
0.04
35
0.04
40
0.08
50
0.04
35
0.04
26
0.04
29
0.04
35
0.04
37
0.04
37
0.04
37
StereoDRNettwo views0.15
72
0.14
64
0.10
48
0.14
52
0.09
57
0.15
74
0.09
55
0.14
68
0.09
59
0.14
67
0.10
61
0.14
68
0.09
58
0.14
69
0.09
53
0.13
66
0.10
53
0.13
69
0.09
55
0.13
69
0.82
180
LALA_ROBtwo views0.15
72
0.19
70
0.12
69
0.18
68
0.11
77
0.20
88
0.12
84
0.21
92
0.12
88
0.20
86
0.12
78
0.20
87
0.12
84
0.21
96
0.13
84
0.17
82
0.10
53
0.18
92
0.11
72
0.18
85
0.11
70
SGM_RVCbinarytwo views0.15
72
0.17
68
0.11
64
0.18
68
0.11
77
0.19
86
0.11
72
0.19
84
0.12
88
0.19
83
0.12
78
0.20
87
0.12
84
0.19
84
0.12
79
0.16
79
0.11
66
0.17
85
0.10
61
0.17
82
0.10
58
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DeepPruner_ROBtwo views0.16
77
0.18
69
0.13
74
0.19
71
0.13
92
0.19
86
0.13
87
0.19
84
0.13
91
0.19
83
0.13
90
0.19
86
0.13
88
0.19
84
0.13
84
0.18
89
0.13
87
0.18
92
0.13
91
0.18
85
0.13
85
BEATNet-Init1two views0.19
78
0.08
39
0.08
41
2.23
251
0.08
55
0.08
49
0.07
53
0.07
49
0.08
56
0.08
50
0.07
54
0.08
50
0.07
55
0.11
65
0.08
50
0.08
40
0.08
41
0.08
49
0.07
49
0.08
51
0.08
51
DeepPrunerFtwo views0.19
78
0.08
39
0.08
41
2.23
251
0.08
55
0.08
49
0.07
53
0.07
49
0.08
56
0.08
50
0.07
54
0.08
50
0.07
55
0.11
65
0.08
50
0.08
40
0.08
41
0.08
49
0.07
49
0.08
51
0.08
51
DAStwo views0.20
80
0.20
73
0.20
98
0.20
72
0.20
112
0.20
88
0.20
99
0.20
88
0.20
107
0.20
86
0.20
110
0.20
87
0.20
110
0.20
87
0.20
107
0.20
91
0.20
100
0.20
95
0.20
109
0.20
88
0.20
95
ACVNettwo views0.20
80
0.19
70
0.14
75
0.20
72
0.14
93
0.20
88
0.96
187
0.21
92
0.14
92
0.20
86
0.13
90
0.21
94
0.14
90
0.20
87
0.14
87
0.17
82
0.12
75
0.17
85
0.12
83
0.17
82
0.12
79
acv_fttwo views0.20
80
0.19
70
0.14
75
0.20
72
0.14
93
0.20
88
0.96
187
0.21
92
0.14
92
0.20
86
0.13
90
0.21
94
0.14
90
0.20
87
0.14
87
0.17
82
0.12
75
0.17
85
0.12
83
0.17
82
0.12
79
iResNetv2_ROBtwo views0.20
80
0.23
81
0.18
94
0.24
83
0.20
112
0.24
98
0.18
94
0.24
96
0.18
103
0.24
99
0.18
107
0.23
97
0.19
107
0.24
103
0.18
104
0.21
93
0.16
90
0.21
96
0.16
96
0.22
92
0.16
88
iResNettwo views0.20
80
0.23
81
0.18
94
0.24
83
0.18
109
0.24
98
0.20
99
0.24
96
0.18
103
0.23
94
0.17
102
0.23
97
0.18
104
0.23
100
0.18
104
0.22
94
0.16
90
0.21
96
0.16
96
0.21
91
0.16
88
SuperBtwo views0.21
85
0.10
47
2.51
272
0.12
48
0.09
57
0.10
54
0.09
55
0.08
52
0.07
54
0.10
54
0.09
57
0.09
54
0.07
55
0.07
47
0.07
48
0.07
38
0.08
41
0.07
47
0.07
49
0.08
51
0.07
50
ac_64two views0.22
86
0.13
60
0.19
96
0.23
79
0.10
63
0.26
106
1.02
192
0.14
68
0.10
60
0.28
104
0.14
93
0.17
80
0.19
107
0.28
112
0.09
53
0.22
94
0.16
90
0.23
102
0.17
106
0.11
65
0.12
79
ddtwo views0.23
87
0.98
138
0.16
87
0.23
79
0.15
101
0.23
97
0.15
90
0.23
95
0.15
100
0.23
94
0.15
100
0.24
100
0.17
100
0.23
100
0.15
95
0.22
94
0.15
89
0.21
96
0.15
95
0.22
92
0.16
88
dadtwo views0.23
87
1.03
144
0.16
87
0.23
79
0.15
101
0.24
98
0.15
90
0.24
96
0.16
102
0.23
94
0.16
101
0.24
100
0.16
99
0.23
100
0.15
95
0.22
94
0.16
90
0.22
99
0.16
96
0.22
92
0.16
88
Syn2CoExtwo views0.25
89
1.31
202
0.74
158
0.92
151
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.03
32
0.02
19
0.02
19
0.02
19
0.87
169
0.75
164
0.02
18
0.02
19
0.02
19
0.02
19
HGLStereotwo views0.28
90
0.29
85
0.22
101
0.36
98
0.22
118
0.36
121
0.21
104
0.36
110
0.21
109
0.42
138
0.21
114
0.36
120
0.22
114
0.36
122
0.21
109
0.34
114
0.21
101
0.34
123
0.21
110
0.34
102
0.21
96
iResNet_ROBtwo views0.28
90
0.32
88
0.24
103
0.32
93
0.25
120
0.32
116
0.24
109
0.32
105
0.24
113
0.33
108
0.24
119
0.35
116
0.24
116
0.33
116
0.24
114
0.31
112
0.24
106
0.32
113
0.24
119
0.32
98
0.24
105
UNettwo views0.29
92
0.90
132
0.10
48
0.14
52
0.10
63
0.14
68
0.10
60
0.91
171
0.69
175
0.14
67
0.11
73
0.14
68
0.11
73
0.14
69
0.10
58
0.12
62
0.09
50
0.12
66
0.09
55
0.88
158
0.76
175
DANettwo views0.30
93
0.30
86
0.30
116
0.30
91
0.30
135
0.30
111
0.30
125
0.30
104
0.30
132
0.30
106
0.30
135
0.30
114
0.30
132
0.30
115
0.30
129
0.30
110
0.30
123
0.30
111
0.30
136
0.30
97
0.30
129
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
RAFT + AFFtwo views0.31
94
0.45
112
0.34
123
0.39
100
0.28
124
0.38
125
0.33
130
0.29
102
0.31
134
0.30
106
0.30
135
0.29
113
0.27
125
0.29
114
0.30
129
0.28
108
0.29
118
0.29
110
0.29
134
0.27
96
0.32
132
MLCVtwo views0.31
94
0.35
89
0.27
106
0.35
94
0.28
124
0.35
118
0.27
114
0.35
107
0.28
124
0.36
114
0.27
124
0.35
116
0.27
125
0.35
118
0.27
117
0.34
114
0.27
110
0.34
123
0.27
128
0.34
102
0.27
114
DN-CSS_ROBtwo views0.31
94
0.35
89
0.28
108
0.35
94
0.28
124
0.34
117
0.27
114
0.34
106
0.25
114
0.35
111
0.27
124
0.36
120
0.26
119
0.34
117
0.28
120
0.35
118
0.28
115
0.34
123
0.28
131
0.34
102
0.27
114
StereoDRNet-Refinedtwo views0.33
97
0.39
94
0.26
105
0.39
100
0.26
122
0.40
128
0.26
112
0.40
116
0.26
120
0.39
119
0.26
121
0.39
126
0.26
119
0.39
128
0.26
116
0.37
127
0.25
107
0.37
136
0.25
121
0.37
114
0.37
139
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iRaft-Stereo_5wtwo views0.34
98
0.42
109
0.31
117
0.39
100
0.30
135
0.38
125
0.30
125
0.40
116
0.29
125
0.40
120
0.37
146
0.41
135
0.34
138
0.38
125
0.30
129
0.34
114
0.27
110
0.34
123
0.26
124
0.34
102
0.26
110
CSP-Nettwo views0.34
98
1.29
200
1.19
186
1.36
228
0.02
19
0.02
18
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
1.26
242
1.21
239
0.03
30
0.09
55
0.02
19
0.09
54
iRaft-Stereo_20wtwo views0.34
98
0.41
102
0.31
117
0.39
100
0.29
129
0.40
128
0.32
128
0.41
125
0.32
135
0.38
117
0.30
135
0.39
126
0.30
132
0.38
125
0.32
133
0.35
118
0.27
110
0.34
123
0.27
128
0.34
102
0.29
124
DGSMNettwo views0.34
98
0.41
102
0.27
106
0.41
115
0.28
124
0.41
138
0.28
118
0.41
125
0.27
122
0.41
129
0.27
124
0.42
150
0.27
125
0.41
138
0.28
120
0.40
133
0.29
118
0.40
142
0.28
131
0.40
121
0.27
114
IGEV-Stereopermissivetwo views0.35
102
0.44
110
0.45
141
0.49
126
0.30
135
0.37
123
0.30
125
0.36
110
0.30
132
0.36
114
0.29
129
0.36
120
0.29
129
0.36
122
0.30
129
0.46
148
0.39
133
0.32
113
0.24
119
0.32
98
0.25
106
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
ETE_ROBtwo views0.35
102
0.35
89
0.35
126
0.35
94
0.35
145
0.35
118
0.35
134
0.35
107
0.35
140
0.35
111
0.35
142
0.35
116
0.35
140
0.35
118
0.35
141
0.35
118
0.35
126
0.35
130
0.35
143
0.35
111
0.35
136
DMCAtwo views0.36
104
0.38
93
0.37
127
0.35
94
0.35
145
0.36
121
0.36
135
0.36
110
0.35
140
0.35
111
0.37
146
0.36
120
0.36
141
0.35
118
0.36
142
0.36
122
0.36
128
0.35
130
0.36
144
0.36
113
0.36
137
GMOStereotwo views0.37
105
0.45
112
0.23
102
0.30
91
0.37
147
0.41
138
0.36
135
0.41
125
0.35
140
0.43
142
0.36
143
0.41
135
0.40
144
0.41
138
0.36
142
0.34
114
0.22
104
0.47
157
0.37
146
0.39
118
0.33
133
XPNet_ROBtwo views0.37
105
0.37
92
0.37
127
0.37
99
0.37
147
0.37
123
0.37
139
0.37
113
0.37
146
0.37
116
0.37
146
0.37
124
0.37
142
0.37
124
0.37
147
0.37
127
0.37
130
0.37
136
0.37
146
0.37
114
0.37
139
PASMtwo views0.39
107
3.06
247
1.36
245
1.58
232
0.09
57
0.11
65
0.11
72
0.11
65
0.11
74
0.09
53
0.09
57
0.11
66
0.09
58
0.09
53
0.09
53
0.11
58
0.11
66
0.11
65
0.09
55
0.11
65
0.11
70
knoymoustwo views0.40
108
0.40
96
0.40
130
0.40
109
0.40
152
0.40
128
0.40
143
0.40
116
0.40
149
0.40
120
0.40
150
0.40
129
0.40
144
0.40
129
0.40
149
0.40
133
0.40
134
0.40
142
0.40
150
0.40
121
0.40
141
anonymousatwo views0.40
108
0.40
96
0.40
130
0.40
109
0.40
152
0.40
128
0.40
143
0.40
116
0.40
149
0.40
120
0.40
150
0.40
129
0.40
144
0.40
129
0.40
149
0.40
133
0.40
134
0.40
142
0.40
150
0.40
121
0.40
141
riskmintwo views0.40
108
0.40
96
0.40
130
0.40
109
0.40
152
0.40
128
0.40
143
0.40
116
0.40
149
0.40
120
0.40
150
0.40
129
0.40
144
0.40
129
0.40
149
0.40
133
0.40
134
0.40
142
0.40
150
0.40
121
0.40
141
Anonymous_2two views0.40
108
0.40
96
0.40
130
0.40
109
0.40
152
0.40
128
0.40
143
0.40
116
0.40
149
0.40
120
0.40
150
0.40
129
0.40
144
0.40
129
0.40
149
0.40
133
0.40
134
0.40
142
0.40
150
0.40
121
0.40
141
Anonymous_1two views0.40
108
0.40
96
0.40
130
0.40
109
0.40
152
0.40
128
0.40
143
0.40
116
0.40
149
0.40
120
0.40
150
0.40
129
0.40
144
0.40
129
0.40
149
0.40
133
0.40
134
0.40
142
0.40
150
0.40
121
0.40
141
AdaStereotwo views0.40
108
0.40
96
0.40
130
0.40
109
0.40
152
0.40
128
0.40
143
0.40
116
0.40
149
0.40
120
0.40
150
0.40
129
0.40
144
0.40
129
0.40
149
0.40
133
0.40
134
0.40
142
0.40
150
0.40
121
0.40
141
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.
GwcNet-ADLtwo views0.41
114
0.41
102
0.41
136
0.41
115
0.41
158
0.41
138
0.41
149
0.41
125
0.41
156
0.41
129
0.41
156
0.41
135
0.41
153
0.41
138
0.41
155
0.41
140
0.41
140
0.41
150
0.41
156
0.41
129
0.41
147
PSMNet-ADLtwo views0.41
114
0.41
102
0.41
136
0.41
115
0.41
158
0.41
138
0.41
149
0.41
125
0.41
156
0.41
129
0.41
156
0.41
135
0.41
153
0.41
138
0.41
155
0.41
140
0.41
140
0.41
150
0.41
156
0.41
129
0.41
147
GANet-ADLtwo views0.41
114
0.41
102
0.41
136
0.41
115
0.41
158
0.41
138
0.41
149
0.41
125
0.41
156
0.41
129
0.41
156
0.41
135
0.41
153
0.41
138
0.41
155
0.41
140
0.41
140
0.41
150
0.41
156
0.41
129
0.41
147
ADLNet2two views0.41
114
0.41
102
0.41
136
0.41
115
0.41
158
0.41
138
0.41
149
0.41
125
0.41
156
0.41
129
0.41
156
0.41
135
0.41
153
0.41
138
0.41
155
0.41
140
0.41
140
0.41
150
0.41
156
0.41
129
0.41
147
ADLNettwo views0.41
114
0.41
102
0.41
136
0.41
115
0.41
158
0.41
138
0.41
149
0.41
125
0.41
156
0.41
129
0.41
156
0.41
135
0.41
153
0.41
138
0.41
155
0.41
140
0.41
140
0.41
150
0.41
156
0.41
129
0.41
147
FCDSN-DCtwo views0.41
114
0.59
120
0.64
150
0.54
130
0.33
140
0.50
159
0.37
139
0.42
140
0.40
149
0.61
160
0.43
163
0.50
158
0.49
160
0.38
125
0.32
133
0.28
108
0.23
105
0.26
106
0.22
112
0.35
111
0.28
122
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
psmorigintwo views0.41
114
0.46
114
0.33
120
0.49
126
0.33
140
0.49
158
0.33
130
0.49
147
0.33
136
0.49
151
0.33
139
0.49
156
0.33
136
0.51
156
0.33
136
0.41
140
0.30
123
0.41
150
0.30
136
0.79
151
0.29
124
Gwc-CoAtRStwo views0.41
114
1.49
207
0.32
119
0.42
122
0.32
139
0.41
138
0.32
128
0.41
125
0.33
136
0.41
129
0.32
138
0.41
135
0.32
135
0.41
138
0.32
133
0.39
131
0.28
115
0.39
141
0.28
131
0.40
121
0.28
122
UPFNettwo views0.42
122
1.20
150
0.17
89
0.24
83
0.17
106
0.25
101
0.17
93
1.19
193
0.90
186
0.25
100
0.17
102
0.24
100
0.17
100
0.25
105
0.17
100
0.22
94
0.17
96
0.22
99
0.16
96
1.15
174
0.93
183
psmgtwo views0.43
123
1.91
219
0.92
169
1.91
241
0.02
19
0.02
18
0.03
31
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.02
19
0.03
27
0.02
19
1.97
259
1.44
251
0.04
35
0.03
30
0.02
19
0.03
29
delettwo views0.43
123
1.21
197
0.17
89
0.25
86
0.17
106
0.25
101
0.18
94
1.26
246
0.95
193
0.25
100
0.17
102
0.25
103
0.17
100
0.25
105
0.17
100
0.23
100
0.16
90
0.22
99
0.16
96
1.18
182
0.98
186
psm_uptwo views0.43
123
1.19
149
0.17
89
0.25
86
0.18
109
0.25
101
0.19
97
1.26
246
0.91
187
0.26
103
0.17
102
0.25
103
0.17
100
0.25
105
0.17
100
0.22
94
0.17
96
0.23
102
0.16
96
1.18
182
0.99
187
MMNettwo views0.44
126
1.24
199
0.17
89
0.25
86
0.17
106
0.25
101
0.18
94
1.26
246
0.93
192
0.25
100
0.17
102
0.25
103
0.18
104
0.25
105
0.17
100
0.23
100
0.16
90
0.23
102
0.16
96
1.20
185
0.99
187
PMLtwo views0.46
127
1.36
205
0.29
112
0.58
133
0.30
135
0.57
166
0.29
120
0.57
153
0.29
125
0.57
157
0.29
129
0.57
163
0.29
129
0.56
160
0.29
124
0.52
150
0.30
123
0.53
164
0.31
140
0.53
138
0.30
129
SANettwo views0.50
128
0.50
115
0.50
142
0.50
128
0.50
164
0.50
159
0.50
156
0.50
148
0.50
161
0.50
153
0.50
164
0.50
158
0.50
161
0.50
155
0.50
162
0.50
149
0.50
145
0.50
163
0.50
163
0.50
137
0.50
152
RCA-Stereotwo views0.51
129
3.22
249
0.34
123
0.44
123
0.34
144
0.44
157
0.34
133
0.43
144
0.34
139
0.43
142
0.34
141
0.44
155
0.33
136
0.43
150
0.33
136
0.38
130
0.29
118
0.38
140
0.29
134
0.38
117
0.29
124
FENettwo views0.54
130
1.52
208
1.19
186
1.41
231
0.23
119
0.35
118
0.23
108
0.35
107
0.23
112
0.34
110
0.23
115
0.35
116
0.23
115
0.35
118
0.23
113
1.40
247
1.07
178
0.32
113
0.23
114
0.33
100
0.23
99
PSMNet_ROBtwo views0.54
130
0.54
118
0.54
143
0.54
130
0.53
166
0.54
162
0.54
158
0.53
150
0.54
164
0.54
154
0.54
167
0.54
160
0.53
163
0.54
158
0.54
163
0.54
152
0.53
146
0.54
165
0.54
164
0.54
139
0.54
154
CFNet-ftpermissivetwo views0.55
132
1.57
209
0.14
75
0.20
72
0.14
93
0.20
88
2.53
274
1.61
255
0.14
92
0.20
86
0.14
93
0.20
87
0.14
90
0.20
87
0.14
87
0.17
82
0.12
75
0.17
85
0.12
83
1.56
239
1.24
250
CASStwo views0.57
133
0.89
131
0.56
144
0.57
132
0.56
168
0.56
164
0.56
159
0.56
152
0.53
162
0.57
157
0.57
169
0.59
164
0.48
159
0.56
160
0.57
165
0.55
153
0.56
149
0.47
157
0.56
166
0.62
140
0.56
158
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymitytwo views0.63
134
0.69
122
0.56
144
0.71
138
0.56
168
0.71
172
0.56
159
0.71
160
0.56
165
0.72
166
0.56
168
0.71
170
0.56
164
0.71
169
0.58
166
0.68
157
0.55
147
0.68
169
0.55
165
0.68
143
0.54
154
CRFU-Nettwo views0.65
135
1.67
212
1.22
237
1.96
244
0.27
123
0.41
138
0.27
114
0.41
125
0.27
122
0.40
120
0.26
121
0.41
135
0.27
125
0.40
129
0.27
117
1.80
253
1.62
255
0.34
123
0.23
114
0.33
100
0.23
99
LMCR-Stereopermissivemany views0.65
135
0.63
121
0.65
151
0.65
135
0.65
176
0.66
169
0.63
165
0.58
154
0.65
171
0.63
162
0.64
175
0.65
168
0.65
170
0.66
167
0.66
172
0.66
155
0.64
156
0.65
167
0.67
174
0.68
143
0.73
171
GEStwo views0.66
137
2.34
235
0.29
112
0.41
115
0.29
129
0.41
138
0.29
120
0.42
140
0.29
125
0.40
120
0.41
156
0.41
135
0.30
132
0.51
156
0.29
124
0.32
113
0.29
118
0.32
113
2.46
275
2.49
257
0.30
129
cf-rtwo views0.66
137
2.17
231
0.12
69
0.18
68
0.12
89
0.18
83
2.70
277
2.60
270
0.12
88
0.18
82
0.12
78
0.18
83
0.12
84
0.18
82
0.12
79
0.15
72
0.11
66
0.15
80
0.11
72
1.81
243
1.74
267
DSFCAtwo views0.66
137
0.73
124
0.78
160
0.65
135
0.65
176
0.64
168
0.64
166
0.65
158
0.63
170
0.64
163
0.64
175
0.64
166
0.64
168
0.65
166
0.65
171
0.65
154
0.65
157
0.65
167
0.65
172
0.66
141
0.64
163
ssnet_v2two views0.68
140
1.96
226
1.25
241
0.29
90
0.20
112
0.30
111
0.20
99
0.29
102
0.22
110
1.50
252
0.20
110
0.31
115
0.20
110
0.27
110
0.22
111
0.24
104
1.49
252
0.26
106
0.18
107
3.90
267
0.19
94
ARAFTtwo views0.68
140
0.81
129
0.63
149
0.74
139
0.60
170
0.78
174
0.62
164
0.77
162
0.66
172
0.74
167
0.63
173
0.75
173
0.62
167
0.83
174
0.60
168
0.70
159
0.55
147
0.70
172
0.60
169
0.78
149
0.55
157
NINENettwo views0.69
142
3.87
253
1.20
189
1.98
245
0.05
48
0.40
128
0.04
38
0.40
116
0.05
49
0.41
129
0.04
41
0.41
135
0.05
45
0.40
129
0.05
43
1.79
252
1.56
253
0.34
123
0.22
112
0.34
102
0.23
99
RAFT-Stereo + iAFFtwo views0.70
143
0.72
123
0.71
157
0.80
142
0.62
175
0.82
178
0.61
163
0.81
167
0.62
169
0.81
171
0.63
173
0.80
175
0.70
174
0.73
170
0.61
170
0.76
160
0.61
154
0.74
173
0.61
170
0.77
148
0.61
160
DMCA-RVCcopylefttwo views0.70
143
0.80
126
0.70
155
0.70
137
0.70
181
0.70
171
0.70
170
0.71
160
0.70
176
0.70
165
0.71
181
0.71
170
0.70
174
0.70
168
0.69
176
0.69
158
0.70
161
0.69
170
0.70
177
0.69
146
0.70
167
CroCo-Stereocopylefttwo views0.73
145
1.22
198
0.25
104
1.22
221
0.25
120
1.22
251
0.25
110
1.22
243
0.25
114
1.22
246
0.25
120
1.22
251
0.25
117
1.22
248
0.25
115
1.22
241
0.26
108
1.21
252
0.25
121
1.22
233
0.25
106
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
AFF-stereotwo views0.73
145
0.88
130
0.67
152
0.75
140
0.68
180
0.75
173
0.64
166
0.80
164
0.72
178
0.83
172
0.70
179
0.82
178
0.64
168
0.84
175
0.67
173
0.77
161
0.63
155
0.81
179
0.63
171
0.78
149
0.62
162
GANet-RSSMtwo views0.75
147
1.91
219
0.14
75
0.47
125
0.14
93
0.21
95
3.21
282
2.30
267
0.14
92
0.46
147
0.14
93
0.23
97
0.18
104
0.21
96
0.14
87
0.18
89
0.27
110
0.37
136
0.13
91
2.13
251
2.12
269
CroCo-Stereo Lap2two views0.77
148
1.29
200
0.29
112
1.27
224
0.29
129
1.27
253
0.26
112
1.26
246
0.26
120
1.26
247
0.26
121
1.27
252
0.26
119
1.26
249
0.27
117
1.27
243
0.27
110
1.27
255
0.27
128
1.27
235
0.27
114
PSMNet-RSSMtwo views0.77
148
2.76
241
0.14
75
0.20
72
0.14
93
0.20
88
2.66
275
2.79
274
0.14
92
0.21
93
0.14
93
0.21
94
0.14
90
0.20
87
0.14
87
0.17
82
0.12
75
0.17
85
0.12
83
2.52
258
2.31
271
GwcNet-RSSMtwo views0.77
148
2.77
243
0.14
75
0.20
72
0.14
93
0.20
88
2.67
276
2.78
273
0.14
92
0.20
86
0.14
93
0.20
87
0.14
90
0.21
96
0.14
87
0.17
82
0.12
75
0.17
85
0.12
83
2.52
258
2.31
271
hitnet-ftcopylefttwo views0.79
151
2.78
244
0.14
75
0.20
72
0.14
93
0.21
95
2.89
278
2.80
275
0.14
92
0.20
86
0.14
93
0.20
87
0.14
90
0.20
87
0.14
87
0.17
82
0.12
75
0.17
85
0.12
83
2.54
260
2.33
273
G-Nettwo views0.79
151
0.79
125
0.79
162
0.79
141
0.79
186
0.79
175
0.79
176
0.79
163
0.79
181
0.79
168
0.79
185
0.79
174
0.79
180
0.79
171
0.79
180
0.79
162
0.79
165
0.79
176
0.79
182
0.79
151
0.79
176
UDGtwo views0.80
153
2.21
232
0.60
147
0.91
148
0.60
170
0.90
181
0.58
161
0.88
169
0.60
166
0.90
174
0.60
170
0.88
179
0.60
166
0.90
178
0.58
166
0.86
168
0.60
150
0.84
181
0.59
168
0.84
156
0.61
160
ccnettwo views0.80
153
2.28
234
0.33
120
0.50
128
0.33
140
0.50
159
0.33
130
0.50
148
0.33
136
0.49
151
0.33
139
0.49
156
1.56
259
2.38
267
0.33
136
0.41
140
0.29
118
0.42
156
1.57
260
2.28
253
0.29
124
NaN_ROBtwo views0.80
153
0.80
126
0.80
163
0.80
142
0.80
188
0.80
176
0.80
177
0.80
164
0.80
182
0.80
169
0.80
186
0.80
175
0.80
181
0.80
172
0.80
181
0.80
163
0.80
168
0.80
177
0.80
183
0.80
153
0.80
177
CSANtwo views0.80
153
0.80
126
0.80
163
0.80
142
0.80
188
0.80
176
0.80
177
0.80
164
0.80
182
0.80
169
0.80
186
0.80
175
0.80
181
0.80
172
0.80
181
0.80
163
0.80
168
0.80
177
0.80
183
0.80
153
0.80
177
BSDual-CNNtwo views0.81
157
1.91
219
0.92
169
4.48
270
0.02
19
0.42
150
0.06
50
0.41
125
0.02
19
0.48
148
0.03
32
0.02
19
0.02
19
0.03
27
0.02
19
1.97
259
4.19
276
0.33
120
0.23
114
0.34
102
0.27
114
DDUNettwo views0.81
157
2.45
236
0.57
146
0.90
146
0.60
170
0.88
179
0.59
162
0.90
170
0.60
166
0.88
173
0.60
170
0.90
181
0.58
165
0.88
176
0.60
168
0.84
167
0.60
150
0.86
183
0.57
167
0.86
157
0.60
159
R-Stereo Traintwo views0.81
157
0.96
136
0.67
152
0.95
155
0.67
178
0.95
186
0.68
168
0.95
178
0.68
173
0.95
181
0.68
177
0.96
187
0.68
172
0.96
184
0.68
174
0.94
175
0.68
158
0.94
188
0.68
175
0.94
163
0.68
165
RAFT-Stereopermissivetwo views0.81
157
0.96
136
0.67
152
0.95
155
0.67
178
0.95
186
0.68
168
0.95
178
0.68
173