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	deliv. area 1l	deliv. area 1s	deliv. area 2l	deliv. area 2s	deliv. area 3l	deliv. area 3s	elect. 1l	elect. 1s	elect. 2l	elect. 2s	elect. 3l	elect. 3s	facade 1s	forest 1s	forest 2s	playg. 1l	playg. 1s	playg. 2l	playg. 2s	playg. 3l	playg. 3s	terra. 1s	terra. 2s	terra. 1l	terra. 1s	terra. 2l	terra. 2s

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	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
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	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	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	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	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	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	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	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	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
STStereo	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	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

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	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	0.01 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	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

PWCDC_ROB	0.01 9	0.02 14	0.02 14	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	0.01 9	0.01 9	0.01 9	0.01 9

PWCK	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	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

iinet-f	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MFN_U_SF_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MSC_U_SF_DS_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MFN_U_SF_DS_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

RYNet	0.02 15	0.02 14	0.02 14	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.03 23	0.02 15	0.02 16	0.03 23	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

LSM0	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

AASNet	0.05 21	0.08 38	0.08 36	0.07 36	0.05 32	0.05 33	0.05 34	0.07 35	0.05 34	0.05 24	0.05 32	0.05 31	0.05 36	0.06 36	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 34	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 33

SACVNet	0.05 21	0.08 38	0.08 36	0.07 36	0.05 32	0.05 33	0.05 34	0.07 35	0.05 34	0.05 24	0.05 32	0.05 31	0.05 36	0.06 36	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 34	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 33

AACVNet	0.05 21	0.08 38	0.08 36	0.07 36	0.05 32	0.05 33	0.05 34	0.07 35	0.05 34	0.05 24	0.05 32	0.05 31	0.05 36	0.06 36	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 34	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 33

ADCS	0.06 24	0.02 14	0.04 21	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	1.03 147	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.02 15	0.01 9	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.02 15	0.04 27	0.02 15

FINET	0.07 25	0.08 38	0.07 33	0.08 39	0.07 39	0.08 41	0.07 38	0.08 41	0.07 38	0.08 30	0.07 39	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.07 38	0.07 39	0.07 38	0.07 39	0.08 40	0.07 38	0.07 35	0.06 39	0.07 39	0.07 39	0.08 41	0.06 39

BEATNet_4x	0.08 26	0.03 23	0.06 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 175	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCL	0.08 26	0.03 23	0.06 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 175	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCMid	0.08 26	0.02 14	0.13 69	0.03 23	0.02 15	0.03 22	0.02 15	0.02 15	0.02 15	1.32 168	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.07 38	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 23

AnyNet_C01	0.08 26	0.03 23	0.04 21	0.02 15	0.03 21	0.03 22	0.02 15	0.02 15	0.02 15	1.46 174	0.02 15	0.03 23	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.02 15	0.03 22	0.02 16	0.02 15	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.03 22	0.03 23

ADCPNet	0.08 26	0.03 23	0.04 21	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.32 168	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.04 27	0.03 23

SepStereo	0.09 31	0.09 42	0.09 39	0.09 42	0.10 44	0.09 42	0.08 41	0.09 42	0.08 41	0.09 31	0.08 40	0.09 41	0.09 42	0.08 42	0.08 42	0.09 42	0.09 42	0.08 42	0.09 42	0.08 40	0.09 41	0.08 41	0.09 38	0.09 42	0.10 42	0.08 42	0.10 42	0.09 42

APVNet	0.09 31	0.06 35	0.04 21	0.06 34	0.04 28	0.05 33	0.04 29	0.05 32	1.08 198	0.05 24	0.05 32	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.05 32	0.04 29	0.04 28	0.04 29	0.05 33	0.04 28	0.05 33	0.04 28

AnonymousM	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

FADNet-RVC-Resample	0.10 33	0.04 29	0.05 26	0.04 29	0.05 32	0.05 33	0.05 34	0.07 35	0.05 34	0.05 24	0.05 32	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.05 34	0.05 30	0.05 34	0.05 32	0.04 29	1.53 213	0.04 29	0.05 33	0.05 33	0.06 38	0.05 33

FADNet_RVC	0.10 33	0.03 23	0.04 21	0.03 23	0.04 28	0.05 33	0.04 29	0.04 28	0.04 28	0.03 21	0.04 28	0.04 27	0.03 21	0.04 28	0.03 24	0.03 24	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.03 24	1.63 214	0.03 23	0.03 24	0.04 28	0.03 22	0.04 28

PVD	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

SHD	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

SAMSARA	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

XQC	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

RTSC	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

RTS	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

RTSA	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

MADNet+	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

MADNet++	0.10 33	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 42	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

LRCNet_RVC	0.11 45	0.12 54	0.09 39	0.12 54	0.09 42	0.12 54	0.09 42	0.12 54	0.09 42	0.12 42	0.09 43	0.11 52	0.09 42	0.09 43	0.09 43	0.09 42	0.12 54	0.16 74	0.21 75	0.09 43	0.12 54	0.09 43	0.09 38	0.09 42	0.12 54	0.28 104	0.12 54	0.09 42

FADNet-RVC	0.11 45	0.04 29	0.05 26	0.04 29	0.05 32	0.04 29	0.04 29	0.05 32	0.04 28	0.04 22	0.04 28	0.04 27	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	1.79 220	0.04 29	0.04 28	0.04 28	0.04 27	0.05 33

FADNet	0.11 45	0.04 29	0.05 26	0.06 34	0.05 32	0.04 29	0.04 29	0.04 28	0.04 28	0.04 22	0.05 32	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.05 34	0.05 32	0.04 29	1.74 218	0.04 29	0.04 28	0.05 33	0.04 27	0.05 33

ProNet	0.12 48	0.18 67	0.11 55	0.14 57	0.10 44	0.14 58	0.11 55	0.14 56	0.11 55	0.14 43	0.10 45	0.14 56	0.10 45	0.10 46	0.11 55	0.10 44	0.15 63	0.10 44	0.14 56	0.10 44	0.14 56	0.10 45	0.11 53	0.10 45	0.15 62	0.10 43	0.14 57	0.10 46

IPLG	0.12 48	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.14 56	0.11 55	0.15 47	0.11 56	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.14 57	0.11 57

MIPNet	0.12 48	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.14 56	0.11 55	0.15 47	0.11 56	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.15 63	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.14 57	0.11 57

AnyNet_C32	0.12 48	0.03 23	0.07 33	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.02 15	2.33 208	0.04 28	0.04 27	0.03 21	0.02 15	0.03 24	0.04 28	0.04 25	0.04 27	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.04 28	0.03 24	0.03 22	0.02 15

ADCP+	0.12 48	0.04 29	0.07 33	0.04 29	0.05 32	0.04 29	0.04 29	0.04 28	0.04 28	2.28 202	0.05 32	0.05 31	0.04 29	0.04 28	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

CIPLG	0.13 53	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.15 64	0.11 55	0.15 47	0.11 56	0.15 64	0.11 56	0.12 63	0.12 66	0.11 55	0.15 63	0.11 58	0.15 63	0.11 56	0.14 56	0.11 56	0.11 53	0.12 65	0.15 62	0.12 66	0.15 63	0.12 65

IPLGR_C	0.13 53	0.16 63	0.14 72	0.15 64	0.11 56	0.14 58	0.11 55	0.14 56	0.11 55	0.14 43	0.11 56	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.15 63	0.11 57

IPLGR	0.13 53	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.14 56	0.13 70	0.15 47	0.11 56	0.14 56	0.12 69	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.12 65	0.15 62	0.11 56	0.14 57	0.11 57

ACRE	0.13 53	0.16 63	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.15 64	0.11 55	0.14 43	0.11 56	0.14 56	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.14 57	0.11 57

ICVP	0.13 53	0.16 63	0.11 55	0.16 65	0.11 56	0.16 66	0.11 55	0.16 66	0.11 55	0.16 53	0.11 56	0.16 66	0.11 56	0.11 59	0.11 55	0.11 55	0.16 65	0.11 58	0.16 65	0.11 56	0.16 65	0.11 56	0.11 53	0.11 57	0.16 66	0.11 56	0.16 65	0.11 57
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ADCRef	0.13 53	0.04 29	0.05 26	0.04 29	0.04 28	0.04 29	0.09 42	0.04 28	0.04 28	2.46 211	0.04 28	0.04 27	0.04 29	0.04 28	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

GMStereo	0.14 59	0.13 56	0.14 72	0.14 57	0.14 72	0.14 58	0.14 71	0.14 56	0.14 72	0.14 43	0.14 73	0.14 56	0.14 73	0.14 72	0.14 73	0.14 72	0.14 57	0.14 72	0.14 56	0.14 73	0.14 56	0.14 73	0.14 69	0.14 72	0.14 57	0.14 71	0.14 57	0.14 73
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HSM	0.14 59	0.17 66	0.11 55	0.17 67	0.11 56	0.17 67	0.12 66	0.17 69	0.11 55	0.17 54	0.11 56	0.17 68	0.11 56	0.12 63	0.12 66	0.12 64	0.17 68	0.12 68	0.17 66	0.12 68	0.17 66	0.12 67	0.12 64	0.12 65	0.17 67	0.12 66	0.17 66	0.12 65

ELAS_RVC	0.14 59	0.18 67	0.11 55	0.19 70	0.11 56	0.18 68	0.13 70	0.16 66	0.11 55	0.17 54	0.11 56	0.14 56	0.11 56	0.09 43	0.11 55	0.12 64	0.17 68	0.10 44	0.18 68	0.11 56	0.18 67	0.11 56	0.10 41	0.11 57	0.19 71	0.11 56	0.19 69	0.12 65
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM_RVC	0.14 59	0.19 71	0.11 55	0.20 72	0.11 56	0.20 71	0.12 66	0.18 71	0.12 65	0.18 56	0.12 68	0.19 71	0.11 56	0.11 59	0.11 55	0.11 55	0.18 70	0.11 58	0.19 71	0.11 56	0.19 69	0.11 56	0.11 53	0.11 57	0.20 72	0.11 56	0.20 71	0.12 65
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ELAS	0.14 59	0.23 80	0.10 42	0.19 70	0.11 56	0.20 71	0.11 55	0.16 66	0.10 44	0.15 47	0.11 56	0.15 64	0.11 56	0.09 43	0.11 55	0.11 55	0.16 65	0.10 44	0.17 66	0.11 56	0.18 67	0.11 56	0.09 38	0.10 45	0.18 68	0.11 56	0.19 69	0.12 65
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
BEATNet-Init1	0.15 64	0.07 36	0.10 42	0.08 39	0.07 39	0.07 39	0.07 38	0.07 35	0.07 38	2.19 199	0.08 40	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 40	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 40	0.07 39	0.07 39	0.07 40

DeepPrunerF	0.15 64	0.07 36	0.10 42	0.08 39	0.07 39	0.07 39	0.07 38	0.07 35	0.07 38	2.19 199	0.08 40	0.08 38	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 40	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 40	0.07 39	0.07 39	0.07 40

DeepPruner_ROB	0.15 64	0.18 67	0.12 61	0.18 68	0.12 68	0.18 68	0.12 66	0.18 71	0.13 70	0.18 56	0.12 68	0.18 70	0.12 69	0.13 70	0.12 66	0.13 70	0.18 70	0.13 71	0.18 68	0.12 68	0.19 69	0.12 67	0.13 68	0.12 65	0.18 68	0.12 66	0.18 67	0.12 65

LALA_ROB	0.15 64	0.21 74	0.12 61	0.21 75	0.12 68	0.20 71	0.14 71	0.20 73	0.12 65	0.22 62	0.12 68	0.16 66	0.12 69	0.10 46	0.12 66	0.12 64	0.21 76	0.11 58	0.22 76	0.12 68	0.20 71	0.12 67	0.11 53	0.12 65	0.21 76	0.14 71	0.21 75	0.13 72

IGEV_Zeroshot_test	0.18 68	0.22 76	0.18 82	0.21 75	0.18 82	0.20 71	0.17 78	0.20 73	0.16 74	0.25 69	0.16 76	0.21 74	0.17 78	0.16 76	0.18 82	0.15 74	0.20 73	0.16 74	0.20 72	0.18 83	0.21 74	0.17 80	0.17 73	0.17 77	0.20 72	0.17 78	0.20 71	0.16 74

dd	0.18 68	0.22 76	0.16 74	0.22 77	0.15 73	0.22 78	0.15 73	0.21 77	0.15 73	0.21 60	0.15 74	0.21 74	0.15 74	0.15 73	0.15 75	0.15 74	0.22 78	0.14 72	0.22 76	0.14 73	0.22 77	0.15 74	0.16 71	0.15 74	0.23 82	0.15 73	0.22 76	0.16 74

dad	0.18 68	0.23 80	0.16 74	0.22 77	0.15 73	0.22 78	0.15 73	0.22 79	0.16 74	0.21 60	0.15 74	0.22 77	0.15 74	0.15 73	0.16 76	0.17 76	0.23 83	0.17 78	0.23 83	0.15 75	0.22 77	0.15 74	0.15 70	0.15 74	0.22 78	0.15 73	0.22 76	0.16 74

MSKI-zero shot	0.19 71	0.21 74	0.16 74	0.22 77	0.16 75	0.23 85	0.17 78	0.22 79	0.17 79	0.22 62	0.17 78	0.22 77	0.16 76	0.19 85	0.16 76	0.17 76	0.23 83	0.16 74	0.22 76	0.16 76	0.22 77	0.17 80	0.16 71	0.17 77	0.22 78	0.19 85	0.22 76	0.16 74

MIM_Stereo	0.19 71	0.23 80	0.18 82	0.22 77	0.16 75	0.22 78	0.16 76	0.21 77	0.16 74	0.22 62	0.17 78	0.21 74	0.17 78	0.20 86	0.18 82	0.17 76	0.22 78	0.18 85	0.22 76	0.16 76	0.21 74	0.16 76	0.17 73	0.17 77	0.21 76	0.16 76	0.22 76	0.20 86

UNet	0.19 71	0.13 56	0.09 39	0.13 56	0.09 42	0.13 56	0.09 42	0.13 55	0.09 42	0.90 139	0.09 43	0.13 55	0.09 42	0.10 46	0.09 43	0.70 172	0.13 56	0.09 43	0.13 54	0.10 44	0.91 174	0.09 43	0.10 41	0.09 42	0.13 55	0.10 43	0.13 56	0.09 42

iResNet	0.19 71	0.23 80	0.17 78	0.22 77	0.17 78	0.22 78	0.19 85	0.22 79	0.17 79	0.22 62	0.17 78	0.22 77	0.17 78	0.17 77	0.17 79	0.17 76	0.22 78	0.17 78	0.22 76	0.17 78	0.23 83	0.17 80	0.18 80	0.17 77	0.23 82	0.17 78	0.23 83	0.17 79

DAS	0.20 75	0.20 72	0.20 87	0.20 72	0.20 87	0.20 71	0.20 87	0.20 73	0.20 86	0.20 58	0.20 87	0.20 72	0.20 87	0.20 86	0.20 88	0.20 83	0.20 73	0.20 89	0.20 72	0.20 88	0.20 71	0.20 88	0.20 84	0.20 87	0.20 72	0.20 86	0.20 71	0.20 86

ASD4	0.20 75	0.20 72	0.20 87	0.20 72	0.20 87	0.20 71	0.20 87	0.20 73	0.20 86	0.20 58	0.20 87	0.20 72	0.20 87	0.20 86	0.20 88	0.20 83	0.20 73	0.20 89	0.20 72	0.20 88	0.20 71	0.20 88	0.20 84	0.20 87	0.20 72	0.20 86	0.20 71	0.20 86

iResNetv2_ROB	0.20 75	0.22 76	0.19 86	0.23 83	0.19 85	0.22 78	0.17 78	0.22 79	0.17 79	0.22 62	0.17 78	0.22 77	0.17 78	0.18 82	0.18 82	0.19 82	0.22 78	0.17 78	0.23 83	0.17 78	0.25 85	0.18 85	0.17 73	0.18 84	0.23 82	0.17 78	0.25 90	0.17 79

JetRed	0.22 78	0.11 53	0.12 61	0.11 53	0.11 56	0.11 53	0.11 55	0.11 53	0.11 55	2.93 218	0.11 56	0.11 52	0.11 56	0.11 59	0.11 55	0.12 64	0.11 53	0.11 58	0.11 53	0.11 56	0.11 53	0.11 56	0.11 53	0.11 57	0.11 53	0.11 56	0.11 53	0.11 57

JetBlue	0.23 79	0.12 54	0.13 69	0.12 54	0.12 68	0.12 54	0.11 55	0.14 56	0.12 65	3.07 219	0.12 68	0.12 54	0.11 56	0.11 59	0.13 71	0.13 70	0.12 54	0.12 68	0.13 54	0.11 56	0.12 54	0.13 71	0.12 64	0.14 72	0.13 55	0.12 66	0.12 54	0.11 57

SFCPSM	0.23 79	0.18 67	0.13 69	0.18 68	0.12 68	0.18 68	0.80 182	0.17 69	0.12 65	0.88 138	0.12 68	0.17 68	0.12 69	0.13 70	0.12 66	0.12 64	0.18 70	0.12 68	0.18 68	0.12 68	1.18 192	0.13 71	0.12 64	0.12 65	0.18 68	0.13 70	0.18 67	0.12 65

LoS_RVC	0.25 81	0.25 91	0.25 97	0.25 90	0.25 96	0.25 93	0.25 98	0.25 91	0.25 96	0.25 69	0.25 99	0.25 89	0.25 98	0.26 100	0.25 99	0.26 96	0.25 91	0.25 98	0.26 94	0.25 99	0.25 85	0.25 96	0.25 95	0.25 98	0.25 92	0.25 97	0.25 90	0.25 98

tt_ll	0.25 81	0.25 91	0.25 97	0.25 90	0.25 96	0.25 93	0.25 98	0.25 91	0.25 96	0.25 69	0.25 99	0.25 89	0.25 98	0.26 100	0.25 99	0.26 96	0.25 91	0.25 98	0.26 94	0.25 99	0.25 85	0.25 96	0.25 95	0.25 98	0.25 92	0.25 97	0.25 90	0.25 98

CAS	0.25 81	0.25 91	0.25 97	0.25 90	0.26 98	0.26 98	0.26 100	0.25 91	0.25 96	0.25 69	0.25 99	0.25 89	0.25 98	0.25 98	0.25 99	0.25 93	0.26 97	0.25 98	0.26 94	0.26 103	0.25 85	0.25 96	0.25 95	0.26 101	0.25 92	0.26 101	0.25 90	0.25 98

LoS	0.25 81	0.25 91	0.27 101	0.27 96	0.26 98	0.25 93	0.26 100	0.26 96	0.25 96	0.26 75	0.25 99	0.25 89	0.25 98	0.26 100	0.25 99	0.25 93	0.25 91	0.25 98	0.25 91	0.25 99	0.27 91	0.25 96	0.26 99	0.26 101	0.26 96	0.25 97	0.25 90	0.25 98

DLNR_Zeroshot_test	0.27 85	0.30 101	0.23 91	0.30 101	0.22 90	0.31 102	0.24 96	0.29 99	0.23 93	0.38 89	0.23 93	0.29 99	0.23 95	0.22 90	0.23 94	0.23 88	0.30 102	0.34 122	0.29 100	0.23 96	0.29 95	0.29 116	0.22 88	0.23 95	0.30 101	0.23 93	0.30 99	0.23 95

SPstereo	0.27 85	0.33 105	0.23 91	0.32 104	0.23 94	0.31 102	0.23 93	0.31 100	0.23 93	0.31 77	0.24 96	0.31 101	0.23 95	0.23 93	0.23 94	0.23 88	0.31 103	0.23 95	0.31 102	0.23 96	0.31 96	0.23 94	0.23 92	0.23 95	0.31 102	0.23 93	0.31 100	0.23 95

HGLStereo	0.27 85	0.25 91	0.21 89	0.35 112	0.21 89	0.35 109	0.21 90	0.34 108	0.21 89	0.39 92	0.21 90	0.34 104	0.21 91	0.22 90	0.21 90	0.21 85	0.35 109	0.22 92	0.35 109	0.22 92	0.35 104	0.22 90	0.21 86	0.21 90	0.35 109	0.21 89	0.35 107	0.21 90

iResNet_ROB	0.28 88	0.32 104	0.24 96	0.33 105	0.26 98	0.32 104	0.24 96	0.33 103	0.25 96	0.33 78	0.24 96	0.35 107	0.24 97	0.23 93	0.24 98	0.25 93	0.32 104	0.24 97	0.36 112	0.24 98	0.32 97	0.28 106	0.24 94	0.24 97	0.32 103	0.24 96	0.33 101	0.24 97

IMH-64-1	0.29 89	0.23 80	0.23 91	0.23 83	0.22 90	0.22 78	0.23 93	0.22 79	0.22 91	2.02 193	0.23 93	0.23 82	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 83	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 78	0.22 91	0.22 76	0.22 91

IMH-64	0.29 89	0.23 80	0.23 91	0.23 83	0.22 90	0.22 78	0.23 93	0.22 79	0.22 91	2.02 193	0.23 93	0.23 82	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 83	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 78	0.22 91	0.22 76	0.22 91

UPFNet	0.29 89	0.24 87	0.16 74	0.24 87	0.16 75	0.24 88	0.16 76	0.23 87	0.16 74	1.19 160	0.16 76	0.23 82	0.16 76	0.17 77	0.16 76	0.89 181	0.24 87	0.16 74	0.24 87	0.18 83	1.20 194	0.16 76	0.17 73	0.16 76	0.24 87	0.16 76	0.24 84	0.16 74

WAO-6	0.30 92	0.22 76	0.23 91	0.22 77	0.23 94	0.23 85	0.22 92	0.22 79	0.23 93	2.21 201	0.22 92	0.22 77	0.22 92	0.22 90	0.22 93	0.23 88	0.22 78	0.23 95	0.22 76	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.23 82	0.23 93	0.22 76	0.22 91

anonymity	0.30 92	0.34 107	0.27 101	0.33 105	0.27 103	0.33 105	0.28 107	0.33 103	0.28 107	0.33 78	0.28 108	0.33 102	0.28 105	0.28 108	0.28 108	0.28 103	0.34 106	0.28 104	0.34 106	0.28 106	0.34 99	0.27 103	0.27 101	0.27 104	0.34 106	0.28 104	0.34 105	0.28 106

iRaft-Stereo_20w	0.30 92	0.46 127	0.27 101	0.34 107	0.26 98	0.35 109	0.28 107	0.34 108	0.26 102	0.34 81	0.26 103	0.34 104	0.26 104	0.26 100	0.26 104	0.26 96	0.34 106	0.26 102	0.34 106	0.26 103	0.34 99	0.26 102	0.26 99	0.26 101	0.34 106	0.26 101	0.34 105	0.26 103

MMNet	0.30 92	0.24 87	0.17 78	0.24 87	0.17 78	0.24 88	0.17 78	0.23 87	0.18 83	1.21 162	0.17 78	0.23 82	0.17 78	0.17 77	0.17 79	0.89 181	0.24 87	0.17 78	0.24 87	0.17 78	1.22 196	0.16 76	0.17 73	0.17 77	0.24 87	0.17 78	0.24 84	0.17 79

delet	0.30 92	0.24 87	0.17 78	0.24 87	0.17 78	0.24 88	0.17 78	0.23 87	0.16 74	1.21 162	0.17 78	0.24 87	0.17 78	0.17 77	0.17 79	0.91 185	0.24 87	0.17 78	0.24 87	0.17 78	1.23 198	0.17 80	0.17 73	0.17 77	0.24 87	0.17 78	0.24 84	0.17 79

psm_up	0.30 92	0.24 87	0.17 78	0.25 90	0.17 78	0.24 88	0.17 78	0.24 90	0.17 79	1.20 161	0.17 78	0.23 82	0.17 78	0.17 77	0.18 82	0.90 184	0.24 87	0.17 78	0.25 91	0.17 78	1.24 201	0.17 80	0.17 73	0.17 77	0.24 87	0.17 78	0.24 84	0.17 79

MLCV	0.30 92	0.33 105	0.28 104	0.34 107	0.28 105	0.33 105	0.28 107	0.33 103	0.29 115	0.33 78	0.27 106	0.33 102	0.28 105	0.26 100	0.29 116	0.28 103	0.33 105	0.28 104	0.33 103	0.28 106	0.33 98	0.27 103	0.28 102	0.28 106	0.33 104	0.28 104	0.33 101	0.28 106

DN-CSS_ROB	0.30 92	0.34 107	0.29 109	0.34 107	0.27 103	0.34 107	0.28 107	0.33 103	0.27 104	0.34 81	0.27 106	0.34 104	0.28 105	0.29 110	0.27 106	0.26 96	0.35 109	0.29 113	0.33 103	0.28 106	0.34 99	0.28 106	0.28 102	0.27 104	0.34 106	0.28 104	0.33 101	0.28 106

UNDER WATER-64	0.31 100	0.25 91	0.25 97	0.26 95	0.26 98	0.25 93	0.26 100	0.25 91	0.26 102	1.69 180	0.26 103	0.25 89	0.25 98	0.25 98	0.26 104	0.26 96	0.25 91	0.26 102	0.26 94	0.26 103	0.25 85	0.25 96	0.25 95	0.25 98	0.26 96	0.26 101	0.25 90	0.26 103

CASnet	0.32 101	0.53 142	0.34 120	0.27 96	0.31 121	0.34 107	0.29 119	0.31 100	0.32 120	0.25 69	0.31 121	0.27 96	0.40 138	0.45 138	0.27 106	0.30 113	0.26 97	0.40 136	0.28 99	0.37 132	0.28 93	0.39 134	0.29 108	0.40 138	0.29 100	0.28 104	0.24 84	0.30 120
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.32 101	0.45 125	0.29 109	0.36 116	0.29 114	0.36 114	0.29 119	0.36 115	0.29 115	0.35 83	0.29 116	0.35 107	0.28 105	0.27 106	0.28 108	0.28 103	0.35 109	0.28 104	0.35 109	0.28 106	0.35 104	0.28 106	0.29 108	0.29 114	0.36 112	0.29 117	0.36 111	0.29 115

SQANet	0.33 103	0.28 98	0.28 104	0.28 100	0.28 105	0.29 100	0.28 107	0.28 97	0.28 107	1.59 178	0.28 108	0.28 98	0.28 105	0.28 108	0.28 108	0.28 103	0.28 100	0.28 104	0.29 100	0.28 106	0.28 93	0.28 106	0.28 102	0.28 106	0.28 99	0.28 104	0.28 97	0.28 106

DGSMNet	0.33 103	0.42 122	0.28 104	0.40 130	0.28 105	0.40 130	0.28 107	0.40 126	0.28 107	0.40 97	0.28 108	0.39 121	0.28 105	0.27 106	0.28 108	0.28 103	0.40 131	0.28 104	0.42 135	0.29 115	0.41 124	0.31 119	0.29 108	0.28 106	0.41 129	0.28 104	0.42 131	0.29 115

RAFT-Test	0.34 105	0.45 125	0.30 113	0.38 120	0.32 123	0.40 130	0.32 125	0.39 124	0.32 120	0.39 92	0.30 119	0.37 114	0.29 114	0.30 113	0.30 118	0.29 111	0.38 118	0.30 116	0.38 117	0.29 115	0.38 111	0.29 116	0.29 108	0.30 118	0.38 116	0.30 119	0.38 114	0.30 120

RAFT + AFF	0.34 105	0.29 99	0.32 119	0.31 102	0.30 119	0.39 127	0.32 125	0.39 124	0.30 117	0.39 92	0.32 122	0.39 121	0.32 119	0.35 119	0.36 126	0.32 120	0.38 118	0.31 118	0.38 117	0.31 121	0.38 111	0.28 106	0.37 128	0.34 124	0.38 116	0.30 119	0.38 114	0.28 106

ETE_ROB	0.35 107	0.35 110	0.35 121	0.35 112	0.35 129	0.35 109	0.35 127	0.35 111	0.35 127	0.35 83	0.35 126	0.35 107	0.35 125	0.35 119	0.35 124	0.35 124	0.35 109	0.35 126	0.35 109	0.35 128	0.35 104	0.35 125	0.35 124	0.35 128	0.35 109	0.35 126	0.35 107	0.35 127

EKT-Stereo	0.36 108	0.50 139	0.30 113	0.40 130	0.29 114	0.40 130	0.29 119	0.35 111	0.30 117	0.47 110	0.30 119	0.35 107	0.32 119	0.29 110	0.34 122	0.33 121	0.59 157	0.31 118	0.39 127	0.29 115	0.37 109	0.38 129	0.29 108	0.31 119	0.58 160	0.28 104	0.51 149	0.29 115

GEStereo_RVC	0.36 108	0.23 80	0.18 82	0.23 83	0.18 82	0.23 85	0.19 85	0.22 79	0.19 85	0.24 67	0.20 87	0.24 87	0.18 85	0.18 82	0.18 82	0.21 85	0.25 91	0.18 85	0.22 76	0.18 83	0.23 83	0.18 85	0.19 82	0.20 87	0.23 82	0.20 86	4.43 237	0.19 85

DMCA	0.36 108	0.38 112	0.37 123	0.35 112	0.35 129	0.35 109	0.36 129	0.35 111	0.36 129	0.36 87	0.37 131	0.36 113	0.36 129	0.36 123	0.35 124	0.37 127	0.36 114	0.36 127	0.36 112	0.36 131	0.36 108	0.35 125	0.36 126	0.36 130	0.37 114	0.36 128	0.36 111	0.36 129

XPNet_ROB	0.37 111	0.37 111	0.37 123	0.37 117	0.37 131	0.37 118	0.37 133	0.37 116	0.37 130	0.37 88	0.37 131	0.37 114	0.37 130	0.37 124	0.37 129	0.37 127	0.37 116	0.37 129	0.37 114	0.37 132	0.37 109	0.37 128	0.37 128	0.37 132	0.37 114	0.37 132	0.37 113	0.37 130

CES	0.38 112	0.34 107	0.44 136	0.43 140	0.33 125	0.37 118	0.44 147	0.37 116	0.38 131	0.45 107	0.35 126	0.35 107	0.41 139	0.45 138	0.36 126	0.36 125	0.36 114	0.45 144	0.43 136	0.35 128	0.34 99	0.46 143	0.36 126	0.36 130	0.42 134	0.34 125	0.35 107	0.38 131

PML	0.39 113	0.56 144	0.29 109	0.55 158	0.28 105	0.56 159	0.28 107	0.51 151	0.28 107	0.50 111	0.28 108	0.51 149	0.28 105	0.29 110	0.28 108	0.29 111	0.56 155	0.29 113	0.57 162	0.28 106	0.56 152	0.28 106	0.28 102	0.29 114	0.56 157	0.28 104	0.56 154	0.28 106

GwcNet-ADL	0.41 114	0.41 117	0.41 129	0.41 136	0.41 139	0.41 133	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 139	0.41 131	0.41 140	0.41 134	0.41 132	0.41 138	0.41 131	0.41 139	0.41 124	0.41 137	0.41 136	0.41 139	0.41 129	0.41 139	0.41 127	0.41 138

PSMNet-ADL	0.41 114	0.41 117	0.41 129	0.41 136	0.41 139	0.41 133	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 139	0.41 131	0.41 140	0.41 134	0.41 132	0.41 138	0.41 131	0.41 139	0.41 124	0.41 137	0.41 136	0.41 139	0.41 129	0.41 139	0.41 127	0.41 138

GANet-ADL	0.41 114	0.41 117	0.41 129	0.41 136	0.41 139	0.41 133	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 139	0.41 131	0.41 140	0.41 134	0.41 132	0.41 138	0.41 131	0.41 139	0.41 124	0.41 137	0.41 136	0.41 139	0.41 129	0.41 139	0.41 127	0.41 138

ADLNet	0.41 114	0.41 117	0.41 129	0.41 136	0.41 139	0.41 133	0.41 140	0.41 128	0.41 138	0.41 98	0.41 139	0.41 126	0.41 139	0.41 131	0.41 140	0.41 134	0.41 132	0.41 138	0.41 131	0.41 139	0.41 124	0.41 137	0.41 136	0.41 139	0.41 129	0.41 139	0.41 127	0.41 138

GES	0.43 118	0.41 117	0.31 116	0.35 112	0.30 119	0.47 146	0.28 107	0.33 103	0.28 107	0.35 83	0.29 116	2.95 222	0.38 131	0.35 119	0.30 118	0.34 122	0.34 106	0.30 116	0.33 103	0.30 120	0.35 104	0.30 118	0.33 120	0.33 122	0.33 104	0.31 121	0.33 101	0.29 115

FCDSN-DC	0.44 119	0.31 102	0.35 121	0.34 107	0.28 105	0.35 109	0.30 122	0.32 102	0.25 96	1.32 168	0.24 96	1.00 182	0.32 119	0.35 119	0.34 122	0.30 113	0.72 167	0.37 129	0.48 148	0.32 123	0.53 150	0.49 157	0.23 92	0.29 114	0.50 148	0.42 144	0.61 158	0.71 176
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
WAO-7	0.46 120	0.38 112	0.38 125	0.38 120	0.38 134	0.38 121	0.38 135	0.38 118	0.38 131	2.57 212	0.38 133	0.38 117	0.38 131	0.38 125	0.38 130	0.38 129	0.38 118	0.38 131	0.38 117	0.38 134	0.38 111	0.38 129	0.38 130	0.38 133	0.38 116	0.38 133	0.38 114	0.38 131

Venus	0.46 120	0.38 112	0.40 128	0.38 120	0.38 134	0.39 127	0.38 135	0.38 118	0.38 131	2.71 214	0.38 133	0.38 117	0.38 131	0.38 125	0.38 130	0.38 129	0.38 118	0.38 131	0.38 117	0.38 134	0.38 111	0.38 129	0.38 130	0.38 133	0.38 116	0.38 133	0.39 123	0.38 131

MyStereo	0.47 122	3.97 212	0.31 116	0.34 107	0.32 123	0.36 114	0.30 122	0.35 111	0.31 119	0.51 113	0.45 145	0.35 107	0.31 116	0.31 114	0.32 121	0.31 115	0.35 109	0.31 118	0.34 106	0.31 121	0.34 99	0.32 121	0.31 117	0.32 120	0.35 109	0.31 121	0.35 107	0.30 120

HanzoNet	0.47 122	0.39 115	0.38 125	0.38 120	0.38 134	0.38 121	0.38 135	0.40 126	0.38 131	2.63 213	0.38 133	0.38 117	0.38 131	0.38 125	0.38 130	0.39 133	0.38 118	0.38 131	0.38 117	0.42 144	0.38 111	0.39 134	0.39 134	0.38 133	0.38 116	0.38 133	0.38 114	0.39 136

IMH	0.47 122	0.40 116	0.39 127	0.38 120	0.38 134	0.38 121	0.38 135	0.38 118	0.40 136	2.79 216	0.38 133	0.38 117	0.38 131	0.38 125	0.38 130	0.38 129	0.39 127	0.38 131	0.38 117	0.40 138	0.38 111	0.38 129	0.38 130	0.38 133	0.38 116	0.38 133	0.38 114	0.38 131

LL-Strereo2	0.47 122	2.60 203	0.51 152	0.38 120	0.28 105	0.37 118	0.28 107	0.55 155	0.35 127	0.44 106	0.34 125	0.44 134	0.34 123	0.34 115	0.36 126	0.36 125	0.47 140	0.36 127	0.47 142	0.35 128	0.47 134	0.35 125	0.35 124	0.35 128	0.46 136	0.35 126	0.47 137	0.35 127

GMOStereo	0.50 126	0.44 123	2.38 227	0.40 130	0.34 126	0.42 137	0.36 129	1.96 207	0.34 123	0.41 98	0.36 128	0.42 130	0.35 125	0.34 115	0.38 130	0.31 115	0.39 127	0.34 122	0.40 128	0.33 125	0.39 119	0.33 122	0.33 120	0.34 124	0.40 125	0.36 128	0.40 124	0.32 124

error version	0.50 126	0.44 123	2.38 227	0.40 130	0.34 126	0.42 137	0.36 129	1.96 207	0.34 123	0.41 98	0.36 128	0.42 130	0.35 125	0.34 115	0.38 130	0.31 115	0.39 127	0.34 122	0.40 128	0.33 125	0.39 119	0.33 122	0.33 120	0.34 124	0.40 125	0.36 128	0.40 124	0.32 124

SANet	0.50 126	0.50 139	0.50 149	0.50 155	0.50 162	0.50 155	0.50 162	0.50 148	0.50 160	0.50 111	0.50 158	0.50 147	0.50 160	0.50 154	0.50 161	0.50 157	0.50 150	0.50 160	0.50 154	0.50 161	0.50 145	0.50 161	0.50 155	0.50 157	0.50 148	0.50 160	0.50 147	0.50 156

PDISCO_ROB	0.50 126	0.15 58	0.11 55	0.16 65	3.16 233	0.13 56	0.12 66	0.14 56	0.12 65	0.15 47	0.11 56	2.55 221	0.11 56	2.20 221	0.13 71	0.12 64	0.16 65	0.10 44	0.14 56	0.12 68	0.15 64	0.12 67	0.12 64	0.12 65	0.15 62	0.10 43	2.75 221	0.09 42

otaku	0.52 130	0.46 127	0.48 143	0.46 142	0.46 146	0.46 141	0.46 149	0.46 133	0.47 151	1.88 183	0.46 146	0.46 135	0.46 147	0.46 140	0.46 147	0.46 141	0.47 140	0.46 145	0.46 138	0.46 147	0.47 134	0.46 143	0.46 142	0.46 146	0.47 141	0.46 146	0.46 133	0.47 147

HaxPig	0.52 130	0.48 135	0.47 138	0.47 147	0.47 150	0.47 146	0.47 153	0.47 138	0.47 151	1.80 181	0.47 150	0.47 138	0.47 150	0.47 144	0.47 151	0.47 148	0.47 140	0.47 151	0.47 142	0.47 152	0.47 134	0.47 151	0.47 148	0.47 149	0.47 141	0.47 152	0.47 137	0.47 147

UNDER WATER	0.52 130	0.47 132	0.47 138	0.47 147	0.47 150	0.47 146	0.47 153	0.47 138	0.47 151	1.90 184	0.47 150	0.47 138	0.47 150	0.47 144	0.47 151	0.47 148	0.46 137	0.47 151	0.47 142	0.47 152	0.46 131	0.47 151	0.47 148	0.48 153	0.47 141	0.47 152	0.47 137	0.47 147

Dean	0.52 130	0.46 127	0.48 143	0.46 142	0.46 146	0.46 141	0.46 149	0.46 133	0.46 147	1.90 184	0.46 146	0.47 138	0.46 147	0.46 140	0.46 147	0.46 141	0.48 144	0.46 145	0.46 138	0.46 147	0.46 131	0.46 143	0.46 142	0.46 146	0.46 136	0.46 146	0.46 133	0.46 144

Ntro	0.53 134	0.47 132	0.50 149	0.46 142	0.48 155	0.47 146	0.47 153	0.46 133	0.46 147	2.05 195	0.47 150	0.47 138	0.49 158	0.47 144	0.47 151	0.46 141	0.48 144	0.46 145	0.49 151	0.46 147	0.47 134	0.46 143	0.46 142	0.47 149	0.46 136	0.46 146	0.47 137	0.47 147

RainbowNet	0.53 134	0.48 135	0.48 143	0.48 151	0.48 155	0.48 152	0.48 157	0.48 141	0.48 155	1.92 186	0.48 155	0.48 143	0.48 154	0.48 149	0.48 156	0.48 151	0.48 144	0.48 155	0.48 148	0.48 156	0.48 140	0.48 154	0.48 151	0.48 153	0.48 146	0.48 156	0.48 142	0.48 153

LVE	0.53 134	0.47 132	0.48 143	0.47 147	0.47 150	0.47 146	0.47 153	0.48 141	0.47 151	1.96 190	0.47 150	0.47 138	0.47 150	0.47 144	0.47 151	0.47 148	0.47 140	0.47 151	0.47 142	0.47 152	0.47 134	0.47 151	0.47 148	0.47 149	0.47 141	0.47 152	0.47 137	0.47 147

ACVNet_1	0.53 134	0.46 127	0.48 143	0.47 147	0.47 150	0.46 141	0.48 157	0.48 141	0.48 155	2.07 196	0.47 150	0.48 143	0.48 154	0.47 144	0.47 151	0.46 141	0.49 148	0.47 151	0.47 142	0.47 152	0.48 140	0.46 143	0.46 142	0.48 153	0.47 141	0.47 152	0.48 142	0.47 147

ACVNet-4b	0.53 134	0.46 127	0.47 138	0.46 142	0.46 146	0.46 141	0.46 149	0.46 133	0.46 147	2.17 198	0.46 146	0.46 135	0.47 150	0.46 140	0.46 147	0.46 141	0.46 137	0.46 145	0.46 138	0.46 147	0.46 131	0.46 143	0.46 142	0.47 149	0.46 136	0.46 146	0.46 133	0.46 144

notaker	0.54 139	0.48 135	0.48 143	0.48 151	0.48 155	0.48 152	0.49 160	0.48 141	0.48 155	1.95 189	0.48 155	0.48 143	0.48 154	0.48 149	0.48 156	0.48 151	0.48 144	0.48 155	0.48 148	0.48 156	0.49 143	0.48 154	0.48 151	0.49 156	0.48 146	0.48 156	0.48 142	0.49 154

ACVNet_2	0.55 140	0.49 138	0.50 149	0.49 153	0.49 159	0.49 154	0.49 160	0.49 145	0.49 159	2.14 197	0.49 157	0.50 147	0.49 158	0.49 151	0.49 159	0.49 154	0.50 150	0.49 159	0.50 154	0.49 159	0.49 143	0.49 157	0.49 153	0.50 157	0.50 148	0.49 158	0.50 147	0.49 154

CFNet	0.55 140	0.25 91	0.18 82	0.25 90	0.18 82	0.25 93	0.18 84	0.25 91	0.18 83	0.25 69	0.18 85	0.25 89	0.18 85	0.18 82	0.18 82	0.18 80	0.25 91	0.18 85	0.25 91	0.18 83	5.31 247	4.36 247	0.18 80	0.18 84	0.25 92	0.18 84	0.25 90	0.18 84

PSMNet_ROB	0.55 140	0.55 143	0.56 159	0.56 159	0.55 165	0.56 159	0.55 166	0.55 155	0.55 163	0.55 115	0.55 163	0.55 152	0.55 165	0.55 156	0.56 164	0.55 161	0.55 154	0.55 164	0.55 159	0.55 164	0.55 151	0.55 164	0.55 159	0.55 164	0.55 156	0.55 165	0.55 153	0.55 160

IER	0.56 143	2.72 204	2.20 222	0.38 120	0.29 114	0.38 121	0.27 103	2.77 220	0.27 104	0.38 89	0.28 108	0.37 114	0.25 98	0.26 100	0.25 99	0.26 96	0.38 118	0.29 113	0.38 117	0.25 99	0.39 119	0.25 96	0.29 108	0.29 114	0.40 125	0.25 97	0.38 114	0.25 98

CASS	0.58 144	0.89 159	0.55 157	0.56 159	0.55 165	0.60 163	0.57 169	0.57 157	0.56 165	0.55 115	0.56 164	0.56 153	0.50 160	0.63 165	0.56 164	0.56 162	0.62 159	0.62 171	0.59 163	0.56 165	0.56 152	0.48 154	0.60 164	0.56 165	0.57 159	0.60 169	0.57 156	0.59 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DISCO	0.59 145	0.29 99	0.22 90	0.27 96	5.05 250	0.30 101	0.21 90	0.28 97	0.21 89	0.27 76	0.21 90	0.27 96	0.20 87	0.21 89	0.21 90	0.21 85	0.27 99	0.21 91	0.27 98	0.21 91	0.27 91	0.23 94	0.21 86	0.21 90	0.27 98	0.21 89	5.06 243	0.22 91

LMCR-Stereo	0.61 146	0.61 145	0.61 164	0.61 163	0.61 171	0.67 168	0.61 173	0.61 158	0.61 171	0.61 118	0.61 170	0.61 156	0.61 170	0.61 161	0.61 170	0.61 166	0.61 158	0.61 170	0.61 164	0.61 170	0.61 155	0.61 170	0.61 165	0.61 171	0.61 162	0.61 171	0.61 158	0.61 169

AANet_RVC	0.61 146	0.31 102	5.05 239	0.31 102	0.19 85	0.24 88	0.20 87	5.86 235	0.20 86	0.24 67	0.18 85	0.25 89	0.20 87	0.23 93	0.21 90	0.18 80	0.37 116	0.18 85	0.24 87	0.19 87	0.25 85	0.19 87	0.19 82	0.19 86	0.24 87	0.15 73	0.24 84	0.20 86

iRaftStereo_RVC	0.62 148	1.76 187	2.24 224	0.52 157	0.37 131	0.53 158	0.38 135	2.51 218	0.38 131	0.51 113	0.38 133	0.51 149	0.38 131	0.38 125	0.38 130	0.38 129	0.52 152	0.38 131	0.52 158	0.38 134	0.52 148	0.38 129	0.38 130	0.38 133	0.52 154	0.39 137	0.52 151	0.38 131

ARAFT	0.64 149	0.74 152	0.62 165	0.70 171	0.56 167	0.72 171	0.55 166	0.72 164	0.54 162	0.73 126	0.56 164	0.72 167	0.56 166	0.56 157	0.62 171	0.63 168	0.73 169	0.53 163	0.73 171	0.54 163	0.72 164	0.65 173	0.62 166	0.56 165	0.72 168	0.54 163	0.72 165	0.57 161

test_1	0.65 150	4.37 216	2.38 227	0.40 130	0.34 126	0.42 137	0.36 129	1.96 207	0.34 123	0.41 98	0.36 128	0.42 130	0.35 125	0.34 115	0.38 130	0.31 115	0.39 127	0.34 122	0.40 128	0.33 125	0.39 119	0.33 122	0.33 120	0.34 124	0.40 125	0.36 128	0.40 124	0.32 124

HH	0.66 151	2.13 193	0.47 138	0.37 117	0.29 114	0.36 114	0.27 103	0.49 145	0.44 144	0.78 130	0.68 175	0.67 161	0.90 185	0.62 162	0.90 185	0.53 159	0.88 179	0.48 155	0.37 114	0.29 115	0.63 158	0.66 176	0.66 171	0.51 159	1.06 189	0.61 171	1.08 187	0.60 165

HanStereo	0.66 151	2.13 193	0.47 138	0.37 117	0.29 114	0.36 114	0.27 103	0.49 145	0.44 144	0.78 130	0.68 175	0.67 161	0.90 185	0.62 162	0.90 185	0.53 159	0.88 179	0.48 155	0.37 114	0.29 115	0.63 158	0.66 176	0.66 171	0.51 159	1.06 189	0.61 171	1.08 187	0.60 165

DSFCA	0.66 151	0.73 150	0.74 170	0.68 167	0.65 175	0.64 165	0.65 176	0.65 160	0.65 173	0.66 121	0.65 173	0.65 158	0.64 172	0.65 170	0.65 175	0.65 170	0.65 161	0.65 175	0.65 166	0.65 173	0.65 161	0.65 173	0.65 170	0.65 176	0.66 164	0.66 176	0.65 161	0.65 173

STTRV1_RVC	0.66 151	1.59 185	0.52 155	0.69 168	0.61 171	0.66 167	0.43 146	0.88 172	0.45 146	0.71 124	0.62 171	0.69 165	0.45 146	0.62 162	0.40 139	0.44 140	0.80 174	0.59 167	0.76 175	0.63 171	0.80 168	0.46 143	0.64 168	0.61 171	0.72 168	0.54 163	0.80 171	0.60 165

4D-IteraStereo	0.67 155	3.40 208	1.05 187	0.71 172	0.83 184	0.47 146	0.27 103	0.47 138	0.27 104	0.35 83	0.26 103	0.68 163	0.84 183	0.41 131	0.54 163	0.89 181	0.74 171	0.88 186	0.73 171	0.87 186	0.42 129	0.27 103	0.28 102	0.28 106	0.36 112	0.28 104	0.68 162	0.90 184

RAFT-Stereo + iAFF	0.67 155	0.74 152	0.60 162	0.79 177	0.61 171	0.76 172	0.57 169	0.71 163	0.56 165	0.71 124	0.54 162	0.72 167	0.66 175	0.65 170	0.65 175	0.64 169	0.74 171	0.64 174	0.74 173	0.63 171	0.73 165	0.65 173	0.64 168	0.64 175	0.74 170	0.61 171	0.73 166	0.64 171

TorneroNet-64	0.69 157	0.65 147	0.30 113	0.27 96	0.47 150	0.28 99	0.35 127	0.34 108	0.80 180	7.93 253	0.29 116	0.30 100	0.31 116	0.81 179	0.28 108	0.27 102	0.29 101	0.28 104	0.85 180	0.83 184	0.62 157	0.28 106	0.30 116	0.28 106	0.52 154	0.29 117	0.29 98	0.27 105

DDUNet	0.69 157	0.84 157	0.59 161	0.84 181	0.59 169	0.87 181	0.57 169	0.84 170	0.59 170	0.82 135	0.58 167	0.85 177	0.57 167	0.59 160	0.59 167	0.57 163	0.87 178	0.59 167	0.85 180	0.59 168	0.85 172	0.59 168	0.59 163	0.59 167	0.87 177	0.59 168	0.84 175	0.59 163

UDG	0.70 159	0.87 158	0.56 159	0.87 182	0.59 169	0.84 179	0.59 172	0.85 171	0.57 167	0.84 137	0.59 168	0.84 176	0.60 169	0.58 158	0.60 168	0.59 164	0.85 177	0.59 167	0.87 182	0.58 166	0.87 173	0.60 169	0.57 161	0.59 167	0.87 177	0.58 167	0.86 176	0.60 165

MaskLacGwcNet_RVC	0.70 159	6.91 229	0.46 137	0.46 142	0.46 146	0.46 141	0.46 149	0.46 133	0.46 147	0.46 109	0.46 146	0.46 135	0.46 147	0.46 140	0.46 147	0.46 141	0.46 137	0.46 145	0.46 138	0.46 147	0.47 134	0.46 143	0.46 142	0.46 146	0.46 136	0.46 146	0.46 133	0.46 144

HCRNet	0.71 161	6.06 227	3.15 232	0.50 155	0.22 90	0.21 77	0.15 73	3.04 222	0.34 123	0.43 105	0.33 124	0.43 133	0.33 122	0.15 73	0.14 73	0.14 72	0.21 76	0.17 78	0.47 142	0.20 88	0.21 74	0.16 76	0.32 118	0.33 122	0.50 148	0.33 124	0.49 146	0.28 106

AFF-stereo	0.71 161	0.73 150	0.65 167	0.82 180	0.63 174	0.83 178	0.63 174	0.73 165	0.65 173	0.82 135	0.73 178	0.74 170	0.64 172	0.63 165	0.62 171	0.62 167	0.73 169	0.63 173	0.74 173	0.72 178	0.80 168	0.58 166	0.70 177	0.71 178	0.79 172	0.69 178	0.78 169	0.72 177

DMCA-RVC	0.71 161	0.72 148	0.72 169	0.71 172	0.70 177	0.70 169	0.70 179	0.70 162	0.71 177	0.70 123	0.71 177	0.71 166	0.70 176	0.70 174	0.71 177	0.70 172	0.70 164	0.71 178	0.70 168	0.71 176	0.70 162	0.70 178	0.71 178	0.71 178	0.70 166	0.72 179	0.71 163	0.70 175

PA-Net	0.71 161	0.62 146	0.55 157	0.69 168	0.71 178	0.70 169	0.69 178	0.69 161	0.74 178	0.73 126	0.75 179	0.59 155	0.72 177	0.82 180	0.79 180	0.83 179	0.67 163	0.76 179	0.81 179	0.67 175	0.61 155	0.76 179	0.68 175	0.65 176	0.82 176	0.76 181	0.71 163	0.69 174
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
AEACV	0.74 165	0.52 141	3.10 231	0.60 162	0.48 155	0.56 159	0.48 157	3.02 221	0.83 184	0.61 118	0.62 171	0.72 167	0.50 160	0.49 151	0.49 159	0.48 151	0.58 156	0.50 160	0.55 159	0.48 156	0.56 152	0.50 161	0.50 155	0.51 159	0.58 160	0.51 162	0.60 157	0.51 158

MyStereo04	0.76 166	4.78 221	0.62 165	0.63 165	0.54 164	0.65 166	0.56 168	0.61 158	0.58 168	0.61 118	0.56 164	0.63 157	0.57 167	0.63 165	0.60 168	0.60 165	0.64 160	0.56 166	0.63 165	0.58 166	0.63 158	0.62 171	0.55 159	0.60 169	0.63 163	0.57 166	0.64 160	0.58 162

test-3	0.78 167	4.38 217	1.80 213	0.62 164	0.49 159	0.62 164	0.50 162	1.86 203	0.64 172	0.69 122	0.52 160	0.66 159	0.38 131	0.58 158	0.57 166	0.46 141	0.66 162	0.46 145	0.50 154	0.44 146	0.48 140	0.58 166	0.54 158	0.60 169	0.70 166	0.46 146	0.48 142	0.50 156

MyStereo03	0.79 168	4.96 224	0.60 162	0.72 174	0.58 168	0.77 173	0.44 147	0.51 151	0.55 163	0.73 126	0.60 169	0.68 163	0.61 170	0.63 165	0.62 171	0.66 171	0.70 164	0.55 164	0.69 167	0.65 173	0.71 163	0.57 165	0.58 162	0.61 171	0.68 165	0.60 169	0.75 168	0.63 170

CroCo-Stereo	0.80 169	2.51 202	0.41 129	1.27 204	0.41 139	1.27 203	0.41 140	1.27 194	0.41 138	1.27 165	0.41 139	1.27 201	0.41 139	0.41 131	0.41 140	0.41 134	1.28 202	0.41 138	1.27 203	0.41 139	1.27 202	0.41 137	0.42 140	0.41 139	1.27 204	0.41 139	1.27 201	0.41 138
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
NaN_ROB	0.80 169	0.80 154	0.80 174	0.80 178	0.80 181	0.80 175	0.80 182	0.80 168	0.80 180	0.80 133	0.80 182	0.80 174	0.80 180	0.80 177	0.80 181	0.80 177	0.80 174	0.80 182	0.80 177	0.80 182	0.80 168	0.80 181	0.80 181	0.80 181	0.80 174	0.80 183	0.80 171	0.80 181

CSAN	0.80 169	0.80 154	0.80 174	0.80 178	0.80 181	0.80 175	0.80 182	0.80 168	0.80 180	0.80 133	0.80 182	0.80 174	0.80 180	0.80 177	0.80 181	0.80 177	0.80 174	0.80 182	0.80 177	0.80 182	0.80 168	0.80 181	0.80 181	0.80 181	0.80 174	0.80 183	0.80 171	0.80 181

G-Net	0.82 172	1.77 188	0.78 172	0.78 176	0.78 179	0.78 174	0.78 180	0.78 166	0.79 179	0.79 132	0.78 180	0.78 171	0.78 179	0.78 176	0.78 179	0.78 174	0.79 173	0.79 180	0.79 176	0.79 181	0.79 167	0.79 180	0.79 180	0.79 180	0.79 172	0.79 182	0.79 170	0.79 180

MyStereo02	0.84 173	4.69 220	0.69 168	0.73 175	0.65 175	0.80 175	0.66 177	0.79 167	0.67 176	0.77 129	0.66 174	0.78 171	0.65 174	0.63 165	0.63 174	0.79 176	0.72 167	0.62 171	0.72 170	0.59 168	0.74 166	0.62 171	0.63 167	0.62 174	0.78 171	0.62 175	0.74 167	0.64 171

ktn	0.84 173	1.15 172	0.54 156	1.16 200	1.26 209	0.51 156	0.53 165	0.51 151	0.66 175	4.54 237	0.51 159	0.52 151	0.52 164	0.66 172	0.51 162	0.51 158	1.37 207	1.17 203	0.49 151	0.51 162	1.23 198	0.51 163	0.67 173	0.51 159	0.51 152	0.68 177	0.51 149	0.51 158

KSHMR	0.85 175	0.72 148	0.51 152	0.49 153	0.49 159	0.51 156	1.07 198	0.50 148	0.48 155	6.04 247	0.52 160	0.66 159	0.98 191	0.49 151	0.77 178	0.49 154	1.17 196	0.51 162	0.49 151	1.06 196	0.51 146	0.49 157	0.49 153	0.51 159	1.04 187	0.49 158	0.81 174	0.72 177

CroCo-Stereo Lap2	0.85 175	2.86 206	0.43 135	1.33 206	0.43 145	1.31 204	0.42 145	1.32 195	0.42 143	1.31 167	0.44 144	1.32 202	0.44 145	0.43 137	0.44 146	0.43 139	1.35 203	0.43 143	1.32 205	0.43 145	1.31 203	0.43 142	0.43 141	0.42 145	1.31 205	0.42 144	1.31 202	0.43 143

DGTPSM_ROB	0.92 177	0.93 163	0.91 177	0.93 184	0.91 185	0.92 182	0.93 187	0.92 174	0.92 186	0.92 140	0.91 186	0.91 178	0.93 188	0.91 182	0.92 189	0.92 188	0.92 181	0.92 187	0.92 183	0.90 187	0.91 174	0.92 186	0.93 185	0.94 189	0.92 181	0.91 186	0.92 177	0.97 188

pmcnn	0.92 177	0.92 160	0.92 178	0.92 183	0.92 186	0.92 182	0.92 186	0.92 174	0.92 186	0.92 140	0.92 187	0.92 181	0.92 187	0.92 184	0.92 189	0.92 188	0.92 181	0.92 187	0.92 183	0.92 190	0.92 176	0.92 186	0.92 184	0.92 188	0.92 181	0.92 187	0.92 177	0.92 187

HSM-Net_RVC	0.93 179	1.09 170	0.79 173	1.10 193	0.78 179	1.09 191	0.79 181	1.16 188	0.80 180	1.14 152	0.79 181	1.17 194	0.77 178	0.73 175	0.83 183	0.78 174	1.19 198	0.79 180	1.18 198	0.72 178	1.19 193	0.80 181	0.72 179	0.80 181	1.18 199	0.74 180	1.14 191	0.73 179
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.93 179	8.54 242	0.41 129	0.56 159	0.37 131	0.56 159	0.37 133	0.50 148	0.40 136	0.56 117	5.24 251	0.56 153	0.34 123	0.40 130	0.41 140	0.34 122	0.53 153	0.40 136	0.56 161	0.38 134	0.52 148	0.40 136	0.40 135	0.41 139	0.56 157	0.40 138	0.56 154	0.40 137

DPSimNet_ROB	0.93 179	1.04 168	0.83 176	1.05 191	0.82 183	1.04 189	0.83 185	1.03 181	0.89 185	1.03 147	0.84 185	1.03 186	0.84 183	0.83 181	0.84 184	0.83 179	1.14 191	0.84 184	1.12 194	0.84 185	1.04 182	0.88 185	0.83 183	0.84 185	1.07 191	0.83 185	1.15 192	0.88 183

DPSM_ROB	0.93 179	0.92 160	0.94 179	0.96 185	1.02 190	0.92 182	0.98 188	0.95 176	0.92 186	0.92 140	0.92 187	0.91 178	0.97 189	0.92 184	0.91 187	0.91 185	0.96 183	0.94 189	0.93 185	0.91 188	0.93 177	0.92 186	0.93 185	0.91 186	0.91 179	0.99 188	0.92 177	0.91 185

DPSM	0.93 179	0.92 160	0.94 179	0.96 185	1.02 190	0.92 182	0.98 188	0.95 176	0.92 186	0.92 140	0.92 187	0.91 178	0.97 189	0.92 184	0.91 187	0.91 185	0.96 183	0.94 189	0.93 185	0.91 188	0.93 177	0.92 186	0.93 185	0.91 186	0.91 179	0.99 188	0.92 177	0.91 185

GANet	1.00 184	1.00 164	1.00 181	1.00 187	1.00 187	1.00 186	1.00 191	1.00 178	1.00 191	1.00 144	1.00 190	1.00 182	1.00 192	1.00 189	1.00 191	1.00 191	1.00 185	1.00 191	1.00 187	1.00 191	1.00 179	1.00 190	1.00 189	1.00 191	1.00 183	1.00 191	1.00 181	1.00 189

TDLM	1.00 184	1.00 164	1.00 181	1.00 187	1.00 187	1.00 186	1.00 191	1.00 178	1.00 191	1.00 144	1.00 190	1.00 182	1.00 192	1.00 189	1.00 191	1.00 191	1.00 185	1.00 191	1.00 187	1.00 191	1.00 179	1.00 190	1.00 189	1.00 191	1.00 183	1.00 191	1.00 181	1.00 189

CVANet_RVC	1.00 184	1.00 164	1.00 181	1.00 187	1.00 187	1.00 186	1.00 191	1.00 178	1.00 191	1.00 144	1.00 190	1.00 182	1.00 192	1.00 189	1.00 191	1.00 191	1.00 185	1.00 191	1.00 187	1.00 191	1.00 179	1.00 190	1.00 189	1.00 191	1.00 183	1.00 191	1.00 181	1.00 189

ccs_rob	1.00 184	10.06 247	0.31 116	0.44 141	0.31 121	0.43 140	0.31 124	0.43 132	0.32 120	0.45 107	0.32 122	1.20 198	0.31 116	7.02 251	0.31 120	0.31 115	0.44 136	0.31 118	0.44 137	0.32 123	0.44 130	0.31 119	0.32 118	0.32 120	0.44 135	0.32 123	0.43 132	0.31 123

CFNet_pseudo	1.01 188	9.78 245	0.29 109	0.38 120	0.28 105	0.38 121	0.28 107	0.38 118	0.28 107	0.39 92	0.28 108	0.39 121	0.28 105	9.50 252	0.29 116	0.28 103	0.38 118	0.28 104	0.38 117	0.28 106	0.38 111	0.28 106	0.28 102	0.28 106	0.38 116	0.28 104	0.38 114	0.28 106

pcwnet_v2	1.01 188	9.73 244	0.28 104	0.38 120	0.28 105	0.38 121	0.28 107	0.38 118	0.28 107	0.38 89	0.28 108	0.39 121	0.28 105	9.61 253	0.28 108	0.28 103	0.38 118	0.28 104	0.38 117	0.28 106	0.38 111	0.28 106	0.29 108	0.28 106	0.38 116	0.28 104	0.38 114	0.28 106

WAO-8	1.02 190	1.50 184	1.49 206	0.40 130	0.40 138	1.56 210	0.98 188	1.55 201	0.58 168	4.18 234	0.40 138	0.79 173	0.48 154	0.91 182	0.39 138	0.99 190	0.71 166	0.70 177	0.51 157	0.77 180	1.07 184	0.82 184	0.69 176	0.96 190	1.01 186	1.30 210	1.10 189	1.38 213

UCFNet_RVC	1.03 191	10.10 248	0.28 104	0.38 120	0.28 105	0.39 127	0.28 107	0.38 118	0.28 107	0.39 92	0.28 108	0.39 121	0.29 114	9.62 254	0.28 108	0.28 103	0.38 118	0.28 104	0.38 117	0.28 106	0.39 119	0.28 106	0.29 108	0.28 106	0.39 124	0.28 104	0.38 114	0.29 115

GLC_STEREO	1.05 192	1.01 167	1.02 184	1.02 190	1.02 190	1.05 190	1.06 195	1.05 182	1.05 194	1.04 149	1.05 193	1.05 187	1.04 195	1.06 194	1.05 194	1.06 195	1.06 188	1.05 195	1.06 190	1.05 195	1.06 183	1.06 194	1.04 193	1.05 194	1.04 187	1.05 194	1.06 185	1.06 192

FC-DCNN	1.10 193	0.81 156	0.77 171	0.63 165	0.42 144	0.86 180	0.64 175	0.91 173	0.96 190	1.11 150	0.80 182	1.07 188	0.81 182	0.67 173	1.75 219	1.30 209	1.41 208	0.85 185	1.28 204	0.71 176	2.12 217	1.32 209	0.52 157	0.81 184	1.64 211	1.40 215	2.39 219	1.75 221

RP	1.14 194	1.16 174	1.15 193	1.17 201	1.10 197	1.16 195	1.15 200	1.10 183	1.16 203	1.15 153	1.08 195	1.16 192	1.15 201	1.15 201	1.14 201	1.16 200	1.16 194	1.10 197	1.10 191	1.10 199	1.16 188	1.11 197	1.10 196	1.19 206	1.14 195	1.19 206	1.07 186	1.10 195

Abc-Net	1.14 194	1.16 174	1.18 197	1.10 193	1.10 197	1.16 195	1.18 204	1.16 188	1.13 200	1.11 150	1.16 200	1.16 192	1.12 199	1.10 195	1.17 204	1.16 200	1.16 194	1.10 197	1.16 195	1.14 202	1.17 190	1.16 200	1.11 197	1.09 199	1.10 192	1.10 198	1.16 193	1.17 200
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
TorneroNet	1.15 196	1.10 171	0.51 152	0.69 168	0.51 163	1.10 192	0.50 162	0.51 151	0.51 161	13.92 254	1.17 204	0.49 146	0.51 163	0.54 155	0.48 156	0.49 154	0.49 148	0.65 175	0.70 168	0.49 159	0.51 146	0.49 157	0.67 173	1.36 212	0.51 152	0.50 160	0.52 151	1.23 206

RGC	1.15 196	1.16 174	1.17 196	1.15 198	1.11 199	1.21 200	1.21 210	1.10 183	1.15 201	1.16 156	1.11 197	1.17 194	1.09 197	1.14 200	1.11 198	1.16 200	1.19 198	1.11 200	1.10 191	1.15 204	1.11 185	1.19 203	1.16 200	1.12 201	1.17 197	1.10 198	1.16 193	1.17 200

NCC-stereo	1.15 196	1.17 177	1.12 192	1.10 193	1.15 200	1.14 193	1.15 200	1.15 186	1.12 199	1.17 159	1.17 204	1.11 190	1.17 205	1.11 197	1.10 197	1.16 200	1.12 190	1.11 200	1.16 195	1.13 201	1.23 198	1.16 200	1.19 204	1.11 200	1.18 199	1.17 203	1.17 196	1.13 198

edge stereo	1.15 196	1.18 178	1.11 191	1.12 196	1.17 204	1.17 199	1.17 202	1.16 188	1.18 207	1.16 156	1.17 204	1.17 194	1.13 200	1.11 197	1.11 198	1.12 197	1.17 196	1.17 203	1.11 193	1.17 205	1.17 190	1.17 202	1.18 202	1.14 202	1.11 193	1.18 204	1.12 190	1.11 196

Nwc_Net	1.15 196	1.15 172	1.15 193	1.09 192	1.19 205	1.16 195	1.17 202	1.15 186	1.16 203	1.16 156	1.16 200	1.08 189	1.16 202	1.11 197	1.15 203	1.18 204	1.11 189	1.10 197	1.16 195	1.17 205	1.16 188	1.13 199	1.18 202	1.20 207	1.11 193	1.15 201	1.16 193	1.20 203

stereogan	1.17 201	1.19 180	1.15 193	1.15 198	1.15 200	1.15 194	1.19 205	1.19 191	1.15 201	1.15 153	1.16 200	1.19 197	1.19 206	1.19 203	1.19 205	1.19 205	1.15 192	1.19 206	1.19 199	1.19 208	1.15 187	1.19 203	1.15 199	1.15 203	1.16 196	1.15 201	1.19 197	1.20 203

FAT-Stereo	1.22 202	1.23 181	1.19 199	1.21 203	1.24 208	1.24 202	1.19 205	1.25 193	1.24 210	1.25 164	1.19 207	1.20 198	1.24 209	1.20 204	1.21 206	1.25 208	1.22 200	1.21 207	1.25 202	1.23 210	1.22 196	1.19 203	1.19 204	1.24 209	1.25 202	1.20 207	1.19 197	1.25 208

S-Stereo	1.22 202	1.18 178	1.19 199	1.20 202	1.23 207	1.23 201	1.19 205	1.19 191	1.18 207	1.27 165	1.20 208	1.20 198	1.20 207	1.23 205	1.22 208	1.23 207	1.23 201	1.23 209	1.20 200	1.25 211	1.20 194	1.22 208	1.25 207	1.24 209	1.20 201	1.22 209	1.26 200	1.24 207

SPS-STEREO	1.25 204	1.47 183	1.06 189	1.54 210	1.08 195	1.52 209	1.20 209	1.44 199	1.06 196	1.49 177	1.10 196	1.41 206	1.10 198	0.98 187	1.08 196	1.12 197	1.47 209	1.04 194	1.53 209	1.14 202	1.52 207	1.07 195	1.02 192	1.05 194	1.48 209	1.07 196	1.55 206	1.11 196
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RASNet	1.39 205	1.37 182	1.35 202	1.38 208	1.40 211	1.39 207	1.77 220	1.36 196	1.74 220	1.36 171	1.36 211	1.36 205	1.36 211	1.36 206	1.35 209	1.41 214	1.36 205	1.36 214	1.36 206	1.35 213	1.36 205	1.35 211	1.36 209	1.35 211	1.36 207	1.35 212	1.36 205	1.35 209

HBP-ISP	1.47 206	1.07 169	1.03 185	1.30 205	1.08 195	1.36 205	1.06 195	1.44 199	1.25 211	1.97 191	1.51 215	1.65 208	1.58 215	0.98 187	1.58 215	1.68 217	1.98 214	1.32 210	2.02 215	1.28 212	2.95 222	1.89 225	0.97 188	1.06 196	1.26 203	0.99 188	1.94 209	1.43 215

PS-NSSS	1.48 207	4.46 219	1.35 202	1.35 207	1.35 210	1.41 208	1.34 212	1.36 196	1.35 213	1.40 172	1.35 210	1.33 203	1.35 210	1.37 207	1.40 211	1.35 210	1.35 203	1.35 212	1.39 207	1.44 217	1.35 204	1.34 210	1.35 208	1.38 215	1.35 206	1.33 211	1.34 203	1.38 213

CC-Net-ROB	1.51 208	4.40 218	1.69 210	1.39 209	1.40 211	1.37 206	1.40 215	1.36 196	1.39 214	1.41 173	1.36 211	1.35 204	1.38 212	1.39 208	1.39 210	1.36 211	1.36 205	1.35 212	1.39 207	1.39 214	1.37 206	1.36 212	1.41 212	1.48 216	1.39 208	1.42 216	1.35 204	1.35 209

GANetREF_RVC	1.52 209	2.01 190	1.21 201	1.98 215	1.21 206	1.98 215	1.21 210	1.98 210	1.21 209	1.99 192	1.21 209	1.98 212	1.21 208	1.02 192	1.21 206	1.21 206	1.99 215	1.21 207	1.99 214	1.21 209	1.99 212	1.21 206	1.21 206	1.21 208	1.99 215	1.21 208	1.99 212	1.21 205
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
R-Stereo Train	1.62 210	2.01 190	1.41 204	1.97 213	1.40 211	1.96 213	1.39 213	1.93 205	1.39 214	1.92 186	1.38 213	1.94 210	1.39 213	1.40 209	1.45 212	1.38 212	1.96 212	1.37 215	1.97 212	1.39 214	1.98 210	1.41 213	1.40 210	1.37 213	1.97 213	1.38 213	1.96 210	1.37 211

RAFT-Stereo	1.62 210	2.01 190	1.41 204	1.97 213	1.40 211	1.96 213	1.39 213	1.93 205	1.39 214	1.92 186	1.38 213	1.94 210	1.39 213	1.40 209	1.45 212	1.38 212	1.96 212	1.37 215	1.97 212	1.39 214	1.98 210	1.41 213	1.40 210	1.37 213	1.97 213	1.38 213	1.96 210	1.37 211
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
DPSMNet_ROB	1.62 210	1.60 186	1.59 207	1.61 211	1.69 215	1.66 211	1.61 216	1.70 202	1.65 218	1.62 179	1.60 217	1.61 207	1.60 216	1.60 211	1.59 216	1.62 215	1.60 210	1.63 217	1.62 210	1.68 220	1.70 208	1.60 215	1.64 215	1.60 217	1.61 210	1.60 217	1.60 207	1.59 217

MFMNet_re	1.77 213	1.89 189	1.72 211	1.88 212	1.69 215	1.89 212	1.67 217	1.91 204	1.70 219	1.87 182	1.67 218	1.89 209	1.68 218	1.67 212	1.67 218	1.70 218	1.88 211	1.68 219	1.88 211	1.67 218	1.89 209	1.68 218	1.70 217	1.71 219	1.87 212	1.68 222	1.87 208	1.68 219

test croco	1.96 214	3.33 207	1.04 186	3.24 224	1.04 193	3.24 225	1.04 194	3.26 223	1.05 194	3.26 220	1.13 198	3.27 223	1.06 196	1.05 193	1.05 194	1.05 194	3.28 224	1.05 195	3.29 223	1.06 196	3.30 223	1.05 193	1.05 194	1.06 196	3.30 224	1.06 195	3.30 224	1.06 192

UDGNet	1.97 215	2.43 200	1.67 208	2.46 222	1.70 217	2.44 222	1.69 218	2.34 216	1.63 217	2.35 209	1.67 218	2.37 219	1.67 217	1.68 213	1.64 217	1.67 216	2.44 222	1.64 218	2.43 221	1.67 218	2.43 221	1.66 216	1.67 216	1.63 218	2.43 221	1.66 220	2.42 220	1.66 218

FBW_ROB	2.04 216	2.50 201	1.75 212	2.45 221	1.78 218	2.40 220	1.74 219	2.47 217	1.77 221	2.37 210	1.81 220	2.30 215	1.80 219	1.78 214	1.88 227	1.80 219	2.41 221	1.77 220	2.43 221	1.83 222	2.39 219	1.81 223	1.76 219	1.75 220	2.56 222	1.75 223	2.30 217	1.74 220

TRStereo	2.05 217	2.13 193	1.85 215	2.27 216	1.84 220	2.28 216	1.84 223	2.29 213	1.87 224	2.29 205	1.86 222	2.30 215	1.87 223	2.30 225	1.87 224	2.08 225	2.29 217	1.87 223	2.30 217	1.87 224	2.08 214	1.72 219	1.86 223	2.30 229	2.13 216	1.84 225	2.29 214	1.87 224

XX-Stereo	2.05 217	2.13 193	1.85 215	2.27 216	1.84 220	2.28 216	1.84 223	2.29 213	1.87 224	2.29 205	1.86 222	2.30 215	1.87 223	2.30 225	1.87 224	2.08 225	2.29 217	1.87 223	2.30 217	1.87 224	2.08 214	1.72 219	1.86 223	2.30 229	2.13 216	1.84 225	2.29 214	1.87 224

EAI-Stereo	2.05 217	2.13 193	1.85 215	2.27 216	1.84 220	2.28 216	1.84 223	2.29 213	1.87 224	2.29 205	1.86 222	2.30 215	1.87 223	2.30 225	1.87 224	2.08 225	2.29 217	1.87 223	2.30 217	1.87 224	2.08 214	1.72 219	1.86 223	2.30 229	2.13 216	1.84 225	2.29 214	1.87 224

AF-Net	2.06 220	25.73 262	1.18 197	1.12 196	1.16 203	1.16 195	1.19 205	1.10 183	1.17 206	1.15 153	1.14 199	1.11 190	1.16 202	1.16 202	1.14 201	1.11 196	1.15 192	1.13 202	1.21 201	1.17 205	1.11 185	1.21 206	1.17 201	1.17 204	1.17 197	1.11 200	1.20 199	1.13 198

MIF-Stereo	2.12 221	3.66 211	1.10 190	3.48 227	1.15 200	3.57 228	1.11 199	3.44 225	1.16 203	3.52 222	1.16 200	3.50 224	1.16 202	1.10 195	1.13 200	1.15 199	3.61 225	1.17 203	3.64 224	1.12 200	3.58 226	1.12 198	1.12 198	1.17 204	3.53 227	1.18 204	3.52 226	1.18 202

NCCL2	2.27 222	2.27 198	2.28 226	2.27 216	2.28 229	2.28 216	2.28 230	2.27 212	2.28 230	2.28 202	2.28 229	2.29 214	2.28 229	2.28 224	2.29 230	2.28 230	2.28 216	2.28 231	2.27 216	2.28 232	2.28 218	2.28 230	2.28 230	2.28 227	2.28 219	2.28 231	2.11 213	2.28 232

STTStereo	2.30 223	2.34 199	2.26 225	2.37 220	2.23 226	2.40 220	2.35 231	2.20 211	2.33 231	2.28 202	2.31 230	2.19 213	2.37 230	2.20 221	2.31 231	2.23 229	2.38 220	2.25 230	2.33 220	2.27 231	2.39 219	2.27 229	2.31 231	2.29 228	2.37 220	2.32 232	2.34 218	2.26 231

NLCA_NET_v2_RVC	2.50 224	2.85 205	1.90 220	2.90 223	2.77 230	2.88 223	2.85 232	2.51 218	2.85 233	2.88 217	1.99 227	2.50 220	2.76 232	2.20 221	1.57 214	2.64 231	2.89 223	2.63 232	5.69 248	1.03 194	2.01 213	2.71 231	2.74 234	2.73 232	2.87 223	1.64 218	1.00 181	1.49 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
MIF-Stereo (partial)	2.52 225	3.41 209	1.05 187	3.29 225	1.05 194	3.29 227	1.06 195	3.30 224	1.06 196	3.31 221	1.06 194	4.97 242	2.72 231	2.72 228	2.71 232	2.70 232	6.57 250	2.19 228	5.08 245	1.08 198	3.36 224	1.07 195	1.07 195	1.07 198	3.35 226	1.07 196	3.36 225	1.07 194

sCroCo_RVC	2.76 226	4.00 213	1.82 214	4.00 234	1.83 219	3.98 234	1.82 221	3.99 227	1.81 222	4.14 231	2.76 231	4.13 235	1.82 221	1.83 215	1.83 220	1.82 220	4.01 234	1.82 222	3.98 232	1.86 223	4.00 234	1.82 224	1.83 221	1.84 221	4.02 236	1.81 224	4.00 233	1.83 223

sAnonymous2	2.87 227	4.16 214	1.89 218	4.26 238	1.87 223	4.23 237	1.92 226	4.17 228	1.94 227	4.16 232	1.92 225	4.20 236	1.92 226	1.96 217	1.86 222	1.87 222	4.25 237	1.90 226	4.23 237	1.91 227	4.26 237	1.93 226	1.89 226	1.90 222	4.07 237	1.91 228	5.09 245	1.93 228

CroCo_RVC	2.87 227	4.16 214	1.89 218	4.26 238	1.87 223	4.23 237	1.92 226	4.17 228	1.94 227	4.16 232	1.92 225	4.20 236	1.92 226	1.96 217	1.86 222	1.87 222	4.25 237	1.90 226	4.23 237	1.91 227	4.26 237	1.93 226	1.89 226	1.90 222	4.07 237	1.91 228	5.09 245	1.93 228

Anonymous3	3.36 229	4.93 223	2.20 222	4.92 244	2.23 226	4.90 244	2.23 229	4.89 233	2.24 229	4.95 242	2.21 228	4.91 241	2.21 228	2.18 220	2.22 229	2.22 228	4.86 244	2.20 229	4.90 243	2.20 230	4.96 244	2.21 228	2.21 229	2.21 226	6.30 248	2.21 230	4.90 240	2.23 230

StereoVision	3.44 230	10.12 249	1.68 209	5.44 247	2.26 228	5.87 247	1.97 228	5.17 234	1.31 212	5.80 245	1.56 216	5.62 246	1.84 222	1.97 219	1.91 228	1.84 221	4.98 246	1.32 210	5.60 246	1.71 221	5.35 248	1.73 222	1.97 228	1.96 224	5.40 245	1.65 219	5.08 244	1.76 222

DPSNet	3.67 231	3.61 210	3.62 234	3.64 228	3.61 238	3.64 229	3.65 238	3.64 226	3.67 237	3.67 224	3.65 236	3.68 226	3.69 242	3.69 236	3.69 243	3.68 239	3.70 227	3.70 240	3.69 229	3.69 241	3.71 229	3.69 237	3.67 238	3.69 240	3.68 230	3.67 237	3.68 228	3.67 234

StereoIM	3.69 232	10.19 250	2.01 221	6.09 248	2.01 225	5.94 248	1.82 221	6.14 239	1.85 223	6.59 249	1.82 221	6.01 247	1.81 220	1.83 215	1.83 220	2.02 224	5.87 247	1.79 221	5.93 249	2.06 229	4.63 242	1.67 217	1.84 222	2.08 225	5.90 246	1.66 220	6.34 249	1.87 224

Sa-1000	3.84 233	7.71 234	6.81 249	4.15 236	2.86 231	3.27 226	3.87 244	5.99 236	4.35 248	2.78 215	3.71 237	3.88 228	3.56 238	3.88 239	3.64 236	2.71 233	3.72 228	3.27 235	3.67 228	3.15 234	3.51 225	3.36 235	2.70 233	3.49 234	3.32 225	3.76 241	2.87 222	3.76 241

SA	3.93 234	7.22 230	4.74 236	4.15 236	3.88 244	3.70 230	4.02 247	6.67 245	3.95 242	3.64 223	3.74 238	3.63 225	3.00 234	3.51 231	3.68 242	3.68 239	3.73 229	3.71 241	3.64 224	3.48 236	3.58 226	2.97 232	3.69 239	3.61 235	3.55 229	3.42 234	3.64 227	3.79 242

TestStereo1	4.11 235	7.79 236	6.72 247	3.93 231	3.81 241	3.96 232	3.58 236	6.96 248	3.74 239	3.90 226	3.76 239	3.89 229	3.57 239	3.70 237	3.66 239	3.34 236	3.80 230	3.62 237	3.66 226	3.68 239	3.91 231	3.70 238	3.65 236	3.67 237	3.88 231	3.53 235	3.89 230	3.68 237

SA-5K	4.11 235	7.79 236	6.72 247	3.93 231	3.81 241	3.96 232	3.58 236	6.96 248	3.74 239	3.90 226	3.76 239	3.89 229	3.57 239	3.70 237	3.66 239	3.34 236	3.80 230	3.62 237	3.66 226	3.68 239	3.91 231	3.70 238	3.65 236	3.67 237	3.88 231	3.53 235	3.89 230	3.68 237

test_4	4.11 235	8.05 239	6.64 245	4.52 241	3.68 239	3.00 224	3.40 235	6.21 243	3.29 234	4.07 230	3.84 242	4.04 233	3.76 244	3.56 234	3.67 241	3.76 242	4.04 235	3.79 243	4.10 233	3.53 237	3.98 233	3.74 241	3.55 235	3.61 235	3.94 235	3.75 240	3.73 229	3.73 240

test-1	4.11 235	7.65 233	4.93 237	3.65 229	3.58 236	4.70 243	3.74 242	4.73 231	4.06 244	3.72 225	4.11 246	3.70 227	3.49 237	3.36 230	3.65 238	4.17 247	3.92 232	4.04 247	4.19 236	3.75 242	4.69 243	4.18 244	3.88 242	3.90 242	4.73 241	3.77 242	3.12 223	3.68 237

TESTraft	4.16 239	8.03 238	6.81 249	3.99 233	3.68 239	3.93 231	3.70 240	6.86 247	3.69 238	3.93 228	3.88 244	3.93 231	3.59 241	3.65 235	3.64 236	3.68 239	3.92 232	3.72 242	3.92 230	3.57 238	3.84 230	3.70 238	3.71 240	3.67 237	3.91 234	3.74 239	3.92 232	3.67 234

raft_robust	4.19 240	7.78 235	6.08 242	3.30 226	3.85 243	4.03 235	3.73 241	6.25 244	3.30 235	4.44 236	3.28 234	4.01 232	3.82 245	4.29 244	3.70 244	4.01 244	4.48 242	3.42 236	4.11 234	3.76 243	4.05 235	3.32 234	3.85 241	3.82 241	4.71 240	3.83 243	4.09 234	3.80 243

Anonymous	4.38 241	6.03 226	2.67 230	6.71 250	3.03 232	5.98 250	3.20 234	6.18 242	2.49 232	6.13 248	3.16 232	6.07 248	2.97 233	3.15 229	3.09 233	3.15 235	6.62 251	3.20 234	6.32 251	3.16 235	6.80 250	3.15 233	2.63 232	3.20 233	7.02 249	2.85 233	6.13 247	3.25 233

RAFT_CTSACE	4.43 242	8.26 241	6.10 243	4.62 242	4.01 246	4.54 242	3.65 238	6.09 238	3.93 241	4.64 239	4.14 247	4.26 238	4.13 247	3.91 240	3.88 245	4.06 246	4.30 239	4.03 246	4.27 239	3.92 244	4.26 237	3.67 236	3.91 243	4.16 245	4.82 242	4.08 247	4.20 236	3.67 234

RAFT+CT+SA	4.43 242	7.34 232	6.71 246	5.01 245	4.38 247	4.40 239	3.85 243	6.15 241	4.30 247	4.89 241	3.26 233	4.49 240	3.01 235	4.53 245	3.36 235	3.65 238	3.64 226	4.39 249	3.94 231	4.28 247	4.44 240	4.30 246	4.24 248	4.52 247	3.90 233	3.85 244	4.89 239	4.00 245

cross-raft	4.43 242	7.31 231	6.46 244	4.47 240	3.95 245	4.46 240	3.95 245	6.70 246	3.97 243	4.41 235	3.82 241	4.38 239	3.94 246	3.95 242	3.95 247	3.95 243	4.45 241	3.95 245	4.46 240	3.95 245	4.46 241	3.95 242	3.95 245	3.94 244	4.40 239	3.95 246	4.45 238	3.95 244

test_5	4.51 245	8.85 243	5.35 241	3.66 230	3.56 235	5.10 246	4.47 249	6.14 239	4.07 245	4.96 243	3.87 243	5.14 245	4.17 249	3.53 232	4.39 248	4.53 248	4.15 236	3.62 237	4.74 242	2.94 233	3.63 228	4.53 248	4.20 247	4.54 248	4.86 243	3.68 238	4.95 241	4.06 246

test_3	4.55 246	10.96 251	7.69 253	4.04 235	3.60 237	4.10 236	3.98 246	7.94 250	4.56 249	3.99 229	4.03 245	4.08 234	3.74 243	3.99 243	3.91 246	4.05 245	4.33 240	3.89 244	4.14 235	4.00 246	4.11 236	4.02 243	4.01 246	3.91 243	3.53 227	3.94 245	4.19 235	4.20 247

TestStereo	4.92 247	4.80 222	4.98 238	4.82 243	4.97 249	4.91 245	4.78 250	4.80 232	4.88 250	4.78 240	4.80 249	4.99 243	4.81 250	4.83 246	4.87 250	4.97 250	4.93 245	5.01 251	5.03 244	4.90 250	5.02 245	5.02 249	5.06 249	5.04 249	4.93 244	4.89 249	5.01 242	5.09 249

DispFullNet	4.96 248	5.67 225	3.30 233	5.01 245	3.21 234	4.50 241	3.11 233	4.43 230	3.44 236	4.60 238	3.46 235	5.13 244	3.44 236	3.53 232	3.20 234	2.87 234	4.80 243	3.15 233	4.70 241	4.83 249	9.02 254	5.98 252	5.95 253	6.21 251	8.84 254	5.85 251	9.76 254	5.91 251

SGM-Forest	5.07 249	6.74 228	4.17 235	6.46 249	4.68 248	6.21 251	4.38 248	6.00 237	4.14 246	5.84 246	4.44 248	6.28 249	4.16 248	3.92 241	4.56 249	4.60 249	6.15 248	4.27 248	6.12 250	4.31 248	5.99 249	4.27 245	3.92 244	4.27 246	6.13 247	4.10 248	6.18 248	4.49 248
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SGM+DAISY	6.35 250	8.16 240	5.14 240	8.12 254	5.08 251	8.12 254	5.16 251	8.01 251	5.18 252	7.92 252	5.14 250	7.89 253	5.14 251	4.95 247	5.33 251	5.32 251	8.14 254	5.16 252	8.16 254	5.16 251	8.21 253	5.19 250	5.12 250	5.12 250	8.18 253	5.24 250	8.12 253	5.11 250

RAFT	6.60 251	9.99 246	8.33 254	7.21 253	6.55 252	5.95 249	5.87 252	8.70 254	5.02 251	5.10 244	6.69 252	7.06 252	6.94 254	6.17 250	7.09 254	6.84 252	6.47 249	4.72 250	5.60 246	5.60 252	5.11 246	5.97 251	6.93 254	6.89 252	7.16 250	7.08 254	6.58 250	6.66 252

test-v	7.17 252	11.53 252	7.63 251	7.17 251	6.87 253	7.48 252	6.90 253	8.14 252	6.88 253	6.93 250	7.42 253	7.05 250	6.14 252	6.05 248	6.86 252	6.99 253	7.60 252	6.75 253	6.90 252	6.66 253	7.83 251	6.36 253	5.89 251	7.34 253	7.19 251	6.75 252	7.52 251	6.77 253

test-2	7.17 252	11.53 252	7.63 251	7.17 251	6.87 253	7.48 252	6.90 253	8.14 252	6.88 253	6.93 250	7.42 253	7.05 250	6.14 252	6.05 248	6.86 252	6.99 253	7.60 252	6.75 253	6.90 252	6.66 253	7.83 251	6.36 253	5.89 251	7.34 253	7.19 251	6.75 252	7.52 251	6.77 253

MANE	18.41 254	23.00 261	16.00 255	22.00 262	15.00 255	22.00 262	15.00 255	22.00 262	15.00 255	21.00 262	15.00 255	22.00 261	15.00 255	15.00 255	17.00 255	15.00 255	23.00 262	15.00 255	22.00 262	15.00 255	23.00 262	15.00 255	18.00 255	15.00 255	24.00 262	17.00 255	24.00 262	16.00 255

rafts_anoy	20.00 255	20.00 254	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 254	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256

raft+_RVC	20.00 255	20.00 254	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 254	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256

raftrobust	20.00 255	20.00 254	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 254	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256

CasAABBNet	20.00 255	20.00 254	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 254	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256

RALCasStereoNet	20.00 255	20.00 254	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 254	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256

RALAANet	20.00 255	20.00 254	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 254	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256

MSMDNet	20.00 255	20.00 254	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 254	20.00 256	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256	20.00 256	20.00 256	20.00 255	20.00 256	20.00 255	20.00 256

MDST_ROB	61.15 262	72.66 264	46.52 263	70.00 263	44.89 263	64.24 263	43.75 263	73.65 263	48.92 264	72.70 264	42.40 263	60.70 262	50.23 263	50.07 264	67.69 264	68.60 264	83.13 264	47.77 263	82.48 264	46.00 263	95.93 264	53.44 264	50.66 263	45.00 263	84.99 264	53.64 264	79.01 263	52.07 264

CBMV	101.59 263	71.60 263	48.40 264	72.70 264	49.00 264	79.60 264	48.40 264	80.90 264	46.90 263	68.90 263	49.00 264	78.00 263	572.10 271	49.50 263	51.30 263	48.40 263	72.20 263	639.60 271	79.40 263	48.90 264	79.50 263	51.40 263	52.30 264	48.30 264	80.20 263	49.10 263	79.60 264	47.60 263
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	151.99 264	131.36 265	140.69 265	151.38 265	151.40 265	150.79 265	151.72 265	149.36 265	159.46 265	146.42 265	150.73 265	149.06 266	176.22 264	143.94 265	133.10 266	133.45 266	153.30 266	154.22 265	154.67 266	153.95 266	156.90 267	156.53 267	160.21 265	162.72 265	154.57 265	160.59 265	153.47 265	163.50 265
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
NOSS_ROB	248.11 265	409.00 269	288.00 267	412.00 267	280.00 267	411.00 269	288.00 267	356.00 266	275.00 269	379.00 269	303.00 269	415.00 268	278.00 268	260.00 269	104.00 265	103.00 265	126.00 265	108.00 264	118.00 265	98.00 265	126.00 266	104.00 266	268.00 268	216.00 267	279.00 268	201.00 266	288.00 268	206.00 266

AE-Stereo	252.48 266	202.00 266	361.00 269	502.00 269	324.00 269	321.00 266	482.00 271	423.00 268	227.00 268	201.00 266	273.00 268	101.00 264	207.00 265	198.00 266	183.00 267	181.00 267	221.00 267	232.00 268	477.00 268	220.00 268	111.00 265	100.00 265	219.00 267	214.00 266	204.00 266	211.00 267	200.00 266	222.00 268

EGLCR-Stereo	276.81 267	209.00 267	366.00 270	514.00 270	354.00 270	336.00 267	422.00 269	440.00 269	220.00 267	231.00 267	245.00 267	135.00 265	237.00 267	218.00 268	197.00 268	222.00 269	223.00 268	230.00 267	487.00 270	255.00 269	250.00 268	273.00 269	272.00 269	228.00 269	241.00 267	220.00 269	214.00 267	235.00 269

DLCB_ROB	280.78 268	376.74 268	215.59 266	376.74 266	215.59 266	376.74 268	215.59 266	366.42 267	218.39 266	366.42 268	218.39 266	366.42 267	218.39 266	209.96 267	219.76 269	219.38 268	376.72 269	216.43 266	376.72 267	216.43 267	376.72 269	216.43 268	216.14 266	216.14 268	376.69 269	217.67 268	376.69 269	217.67 267

LE_ROB	387.11 269	453.07 270	321.39 268	500.23 268	323.05 268	493.99 270	324.56 268	477.63 270	322.28 270	465.51 270	322.97 270	486.37 269	334.17 269	305.26 270	320.63 270	327.66 270	476.08 270	315.70 269	483.76 269	335.15 270	469.64 270	309.74 270	315.90 270	318.85 270	498.41 270	328.85 270	491.00 270	330.08 270

SGM-ForestM	522.49 270	676.08 271	448.56 271	638.17 271	433.15 271	639.59 271	427.03 270	617.52 271	439.90 271	604.63 271	429.02 271	611.68 270	432.74 270	420.18 271	451.96 271	465.85 271	601.06 271	403.73 270	659.15 271	405.50 271	669.64 271	437.21 271	455.85 271	425.66 271	689.82 271	481.65 271	662.43 271	479.61 271

CBMV_ROB	1133.35 271	1280.38 272	976.92 272	1317.57 272	1021.62 272	1282.66 272	1022.22 272	1213.88 272	982.57 272	1194.12 272	975.90 272	1357.87 271	1090.02 272	943.32 272	1021.85 272	1006.47 272	1309.01 272	986.29 272	1499.40 272	986.35 272	1359.35 272	975.96 272	975.21 272	969.30 272	1337.82 272	1042.34 272	1398.25 272	1073.86 272

anonymousdsp2	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273

anonymousdsp	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273

AMNet	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 272	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273	10000000.00 273

FADE		0.05 34	0.05 26	0.05 33	0.04 28	0.03 22	0.03 24	0.05 32	0.04 28	0.06 29	0.03 24		0.04 29	0.05 31	0.07 35	0.07 38	0.07 38	0.05 34	0.06 37	0.04 28	0.09 41	0.08 41	0.06 34	0.05 33	0.06 38	0.05 33	0.05 33	0.04 28

Low-res two-view benchmark