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++_RVC	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	0.00 1

s12784h	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	0.00 1

TANstereo	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	0.00 1

XX-TBD	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	0.00 1

CREStereo	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	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
PMTNet	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	0.00 1

MEDIAN_ROB	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	0.00 1

AVERAGE_ROB	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	0.00 1

HITNet	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	0.01 9
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
NVstereo2D	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	0.01 9

PWC_ROB	0.01 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_ROB	0.01 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

PWCK	0.01 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-TNSev	0.02 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_RVC	0.02 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_RVC	0.02 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_RVC	0.02 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

RYNet	0.02 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

LSM	0.02 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

LSM0	0.02 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-SNSev	0.03 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

EDNetEfficientorigin	0.04 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

EDNetEfficient	0.04 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_ROB	0.04 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-Net	0.05 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-LNSev	0.06 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-MNSev	0.06 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

AASNet	0.06 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

SACVNet	0.06 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

AACVNet	0.06 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

FINET	0.07 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

ADCMid	0.08 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

SepStereo	0.09 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

APVNet	0.09 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

ADCS	0.09 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

AnonymousM	0.10 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

PVD	0.10 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

SHD	0.10 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

SAMSARA	0.10 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

XQC	0.10 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

RTSC	0.10 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

RTS	0.10 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

RTSA	0.10 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+	0.10 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++	0.10 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

ADCPNet	0.10 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-Ref	0.11 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_4x	0.11 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

ADCL	0.11 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_C01	0.11 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

GwcNet	0.12 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-Resample	0.12 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_RVC	0.12 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

FADNet	0.12 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

ADCRef	0.12 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

CIPLG	0.13 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

IPLG	0.13 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

ACRE	0.13 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_RVC	0.13 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

aanetorigin	0.13 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-RVC	0.13 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

ELAS	0.13 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
ProNet	0.14 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_C	0.14 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

MIPNet	0.14 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

IPLGR	0.14 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

GMStereo	0.14 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_C32	0.14 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

HSM	0.14 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-Test	0.14 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_RVC	0.14 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
ICVP	0.15 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+	0.15 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

StereoDRNet	0.15 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_ROB	0.15 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_RVC	0.15 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_ROB	0.16 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-Init1	0.19 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

DeepPrunerF	0.19 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

DAS	0.20 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

ACVNet	0.20 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_ft	0.20 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_ROB	0.20 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

iResNet	0.20 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

SuperB	0.21 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_64	0.22 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

dd	0.23 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

dad	0.23 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

Syn2CoEx	0.25 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

HGLStereo	0.28 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_ROB	0.28 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

UNet	0.29 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

DANet	0.30 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 + AFF	0.31 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

MLCV	0.31 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_ROB	0.31 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-Refined	0.33 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_5w	0.34 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-Net	0.34 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_20w	0.34 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

DGSMNet	0.34 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-Stereo	0.35 102	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_ROB	0.35 102	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

DMCA	0.36 104	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

GMOStereo	0.37 105	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_ROB	0.37 105	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

PASM	0.39 107	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

knoymous	0.40 108	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

anonymousa	0.40 108	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

riskmin	0.40 108	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_2	0.40 108	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_1	0.40 108	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

AdaStereo	0.40 108	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-ADL	0.41 114	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-ADL	0.41 114	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-ADL	0.41 114	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

ADLNet2	0.41 114	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

ADLNet	0.41 114	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-DC	0.41 114	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.
psmorigin	0.41 114	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-CoAtRS	0.41 114	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

UPFNet	0.42 122	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

psmg	0.43 123	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

delet	0.43 123	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_up	0.43 123	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

MMNet	0.44 126	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

PML	0.46 127	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

SANet	0.50 128	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-Stereo	0.51 129	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

FENet	0.54 130	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_ROB	0.54 130	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-ft	0.55 132	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

CASS	0.57 133	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.
anonymity	0.63 134	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-Net	0.65 135	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-Stereo	0.65 135	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

GES	0.66 137	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-r	0.66 137	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

DSFCA	0.66 137	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_v2	0.68 140	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

ARAFT	0.68 140	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

NINENet	0.69 142	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 + iAFF	0.70 143	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-RVC	0.70 143	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-Stereo	0.73 145	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-stereo	0.73 145	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-RSSM	0.75 147	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 Lap2	0.77 148	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-RSSM	0.77 148	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-RSSM	0.77 148	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-ft	0.79 151	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-Net	0.79 151	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

UDG	0.80 153	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

ccnet	0.80 153	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_ROB	0.80 153	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

CSAN	0.80 153	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-CNN	0.81 157	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

DDUNet	0.81 157	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 Train	0.81 157	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-Stereo	0.81 157	0.96 136	0.67 152	0.95 155	0.67 178	0.95 186	0.68 168	0.95 178	0.68 173

Low-res two-view benchmark