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

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 115	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 123	0.14 58	0.13 104	0.13 71	0.09 37	0.05 2	0.12 101	0.08 11	0.05 2	0.06 189	0.07 98	0.06 86	0.06 101	0.05 51

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 56	0.12 21	0.11 1	0.16 87	0.06 1	0.05 1	0.07 17	0.05 2	0.10 18	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

CroCo-Stereo Lap2	0.09 11	0.09 190	0.08 11	0.22 304	0.09 131	0.09 35	0.19 262	0.16 42	0.12 25	0.09 15	0.10 38	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 189	0.07 98	0.05 31	0.05 40	0.05 51

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 128	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 59	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

1test111	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.23 173	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 166	0.16 222	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 157

cc1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 216	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 216	0.11 82	0.16 170	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

tt1	0.10 50	0.08 140	0.12 90	0.17 115	0.09 131	0.12 104	0.16 170	0.15 26	0.19 128	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

StereoIM	0.09 11	0.09 190	0.08 11	0.17 115	0.09 131	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 53	0.06 3	0.06 6	0.09 10	0.13 157	0.07 141	0.06 189	0.07 98	0.05 31	0.05 40	0.04 7

IGEV_Zeroshot_test	0.09 11	0.05 6	0.12 90	0.13 6	0.08 47	0.12 104	0.13 43	0.17 72	0.11 17	0.10 40	0.06 2	0.09 37	0.06 6	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 101	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

DLNR_Zeroshot_test	10.40 421	1.82 416	19.49 431	120.77 436	13.11 426	0.06 2	0.13 43	0.23 173	0.10 7	0.07 2	0.10 38	0.09 37	0.06 6	0.10 18	0.09 19	0.13 331	0.04 2	0.06 31	0.04 8	51.54 435	0.04 7

CAS	0.08 2	0.04 1	0.07 2	0.17 115	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 38	0.08 25	0.06 6	0.09 10	0.08 11	0.08 190	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 69	0.11 1	0.09 2	0.08 5	0.09 23	0.11 74	0.06 6	0.12 101	0.08 11	0.06 54	0.04 2	0.05 2	0.03 1	0.05 40	0.05 51

ProNet	0.09 11	0.07 69	0.10 44	0.17 115	0.08 47	0.10 56	0.15 115	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 115	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 61	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 283	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 161	0.04 1	0.04 7

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 304	0.09 131	0.09 35	0.19 262	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
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
TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 128	0.11 59	0.15 94	0.10 58	0.06 6	0.12 101	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 115	0.09 131	0.15 175	0.12 21	0.20 123	0.10 7	0.10 40	0.14 80	0.07 17	0.06 6	0.12 101	0.08 11	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 131	0.11 82	0.15 115	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

MyStereo07	0.10 50	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 101	0.09 19	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 115	0.09 131	0.13 129	0.18 231	0.19 116	0.12 25	0.12 83	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 182	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 61	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

CASnet	0.09 11	0.09 190	0.09 28	0.19 227	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 59	0.10 38	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 267	0.08 211	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 128	0.17 115	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

LL-Strereo2	0.10 50	0.10 237	0.15 191	0.18 182	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 124	0.10 38	0.09 37	0.07 31	0.16 197	0.10 49	0.05 2	0.05 106	0.10 267	0.07 161	0.06 101	0.05 51

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 182	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 53	0.10 58	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 161	0.06 101	0.05 51

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 68	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 38	0.08 25	0.07 31	0.12 101	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

RAFT_CTSACE	0.12 135	0.09 190	0.10 44	0.22 304	0.08 47	0.12 104	0.24 321	0.18 96	0.16 87	0.20 241	0.27 247	0.13 112	0.07 31	0.13 133	0.09 19	0.05 2	0.06 189	0.08 162	0.07 161	0.04 1	0.04 7

IPLG	0.10 50	0.07 69	0.15 191	0.17 115	0.08 47	0.11 82	0.14 69	0.20 123	0.15 69	0.12 83	0.17 120	0.07 17	0.07 31	0.14 148	0.13 157	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

MIPNet	0.11 80	0.08 140	0.14 154	0.17 115	0.09 131	0.12 104	0.14 69	0.20 123	0.24 192	0.11 59	0.10 38	0.09 37	0.07 31	0.13 133	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 115	0.09 131	0.11 82	0.17 191	0.18 96	0.12 25	0.09 15	0.12 61	0.10 58	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 80	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
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
raftrobust	0.09 11	0.06 19	0.10 44	0.17 115	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 89	0.07 31	0.12 101	0.10 49	0.08 190	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

sCroCo_RVC	0.12 135	0.09 190	0.23 299	0.24 328	0.11 254	0.19 253	0.14 69	0.17 72	0.14 58	0.10 40	0.13 71	0.12 89	0.07 31	0.14 148	0.11 85	0.08 190	0.08 268	0.08 162	0.08 211	0.05 40	0.07 157

EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 115	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 71	0.10 58	0.07 31	0.13 133	0.10 49	0.15 345	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

Former-RAFT_DAM_RVC	0.10 50	0.08 140	0.12 90	0.16 68	0.08 47	0.15 175	0.16 170	0.18 96	0.18 116	0.10 40	0.09 23	0.09 37	0.08 49	0.11 45	0.12 127	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.06 98

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 182	0.09 131	0.10 56	0.15 115	0.14 15	0.19 128	0.09 15	0.14 80	0.12 89	0.08 49	0.11 45	0.10 49	0.05 2	0.06 189	0.07 98	0.06 86	0.05 40	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 300	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

GLC_STEREO	0.11 80	0.07 69	0.11 70	0.17 115	0.07 18	0.09 35	0.13 43	0.15 26	0.24 192	0.12 83	0.13 71	0.12 89	0.08 49	0.18 230	0.11 85	0.06 54	0.08 268	0.08 162	0.06 86	0.05 40	0.05 51

IPLGR	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.12 104	0.17 191	0.21 140	0.24 192	0.11 59	0.12 61	0.11 74	0.08 49	0.12 101	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

test-3	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 115	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

HHNet	0.11 80	0.06 19	0.16 221	0.15 38	0.14 317	0.07 16	0.13 43	0.20 123	0.17 99	0.14 124	0.25 225	0.11 74	0.08 49	0.13 133	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 250

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 116	0.14 58	0.13 104	0.11 53	0.09 37	0.08 49	0.13 133	0.10 49	0.08 190	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

test-1	0.10 50	0.07 69	0.16 221	0.19 227	0.08 47	0.11 82	0.24 321	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

Prome-Stereo	0.11 80	0.06 19	0.10 44	0.18 182	0.08 47	0.12 104	0.15 115	0.22 156	0.13 41	0.12 83	0.17 120	0.13 112	0.08 49	0.12 101	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 250

raft+_RVC	0.11 80	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 190	0.20 149	0.12 83	0.15 94	0.12 89	0.08 49	0.12 101	0.13 157	0.07 141	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 59	0.12 61	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

sAnonymous2	0.13 157	0.12 271	0.24 302	0.20 267	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

CroCo_RVC	0.13 157	0.12 271	0.24 302	0.20 267	0.12 283	0.17 218	0.13 43	0.26 215	0.21 162	0.11 59	0.11 53	0.13 112	0.08 49	0.10 18	0.10 49	0.09 235	0.05 106	0.08 162	0.06 86	0.15 342	0.10 269

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 71	0.09 37	0.08 49	0.11 45	0.10 49	0.08 190	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
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
R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 115	0.08 47	0.11 82	0.14 69	0.23 173	0.11 17	0.12 83	0.19 148	0.11 74	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
EKT-Stereo	0.11 80	0.07 69	0.14 154	0.15 38	0.10 216	0.13 129	0.14 69	0.18 96	0.21 162	0.11 59	0.08 17	0.12 89	0.09 67	0.11 45	0.12 127	0.08 190	0.06 189	0.07 98	0.06 86	0.08 198	0.07 157

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 140	0.15 69	0.11 59	0.12 61	0.12 89	0.09 67	0.12 101	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 38	0.10 58	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 67	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 80	0.07 69	0.10 44	0.16 68	0.09 131	0.13 129	0.14 69	0.18 96	0.22 173	0.13 104	0.14 80	0.12 89	0.09 67	0.14 148	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 89	0.09 67	0.15 166	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

knoymous	0.11 80	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 116	0.13 41	0.11 59	0.17 120	0.13 112	0.09 67	0.13 133	0.11 85	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

test_4	0.10 50	0.10 237	0.08 11	0.19 227	0.09 131	0.08 23	0.22 302	0.15 26	0.17 99	0.12 83	0.18 142	0.12 89	0.09 67	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 211	0.04 1	0.03 1

iRaft-Stereo_5w	0.12 135	0.09 190	0.12 90	0.19 227	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.19 224	0.14 80	0.11 74	0.09 67	0.20 260	0.16 222	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

CIPLG	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.11 53	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

dd	0.15 219	0.16 317	0.16 221	0.19 227	0.09 131	0.15 175	0.18 231	0.21 140	0.25 211	0.23 274	0.20 159	0.21 216	0.09 67	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.06 86	0.08 198	0.06 98

IPLGR_C	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 80	0.08 140	0.14 154	0.17 115	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 124	0.10 38	0.16 162	0.09 67	0.16 197	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

test_3	0.10 50	0.09 190	0.10 44	0.20 267	0.08 47	0.13 129	0.26 340	0.14 15	0.21 162	0.10 40	0.10 38	0.09 37	0.09 67	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.04 1	0.04 7

Pruner-Stereo	0.11 80	0.07 69	0.12 90	0.17 115	0.09 131	0.06 2	0.12 21	0.17 72	0.17 99	0.13 104	0.19 148	0.13 112	0.09 67	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 217

RAFT-345	0.11 80	0.07 69	0.15 191	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 59	0.36 306	0.09 37	0.09 67	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

RALAANet	0.11 80	0.08 140	0.10 44	0.17 115	0.09 131	0.14 153	0.10 6	0.20 123	0.15 69	0.14 124	0.13 71	0.16 162	0.09 67	0.12 101	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 115	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 38	0.08 25	0.09 67	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.03 1

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 115	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 61	0.09 37	0.09 67	0.12 101	0.09 19	0.05 2	0.04 2	0.07 98	0.07 161	0.04 1	0.03 1

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 61	0.10 58	0.09 67	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 38	0.12 89	0.09 67	0.12 101	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

MyStereo8	0.12 135	0.07 69	0.15 191	0.15 38	0.09 131	0.18 233	0.14 69	0.19 116	0.22 173	0.12 83	0.18 142	0.11 74	0.10 88	0.16 197	0.18 247	0.07 141	0.05 106	0.07 98	0.05 31	0.08 198	0.09 250

MyStereo04	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.14 153	0.18 231	0.29 257	0.38 307	0.17 185	0.14 80	0.16 162	0.10 88	0.15 166	0.13 157	0.06 54	0.05 106	0.08 162	0.07 161	0.06 101	0.06 98

StereoVision	0.13 157	0.12 271	0.09 28	0.24 328	0.10 216	0.15 175	0.21 293	0.21 140	0.20 149	0.12 83	0.24 196	0.10 58	0.10 88	0.16 197	0.10 49	0.09 235	0.11 318	0.12 309	0.12 323	0.06 101	0.05 51

DCRE	0.11 80	0.07 69	0.13 128	0.16 68	0.11 254	0.11 82	0.17 191	0.18 96	0.17 99	0.11 59	0.18 142	0.10 58	0.10 88	0.15 166	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

Selective-RAFT	0.11 80	0.10 237	0.11 70	0.21 291	0.08 47	0.16 199	0.13 43	0.20 123	0.22 173	0.10 40	0.10 38	0.11 74	0.10 88	0.15 166	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

TestStereo1	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 360	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

DisPM	0.11 80	0.07 69	0.12 90	0.16 68	0.09 131	0.06 2	0.13 43	0.17 72	0.17 99	0.14 124	0.20 159	0.12 89	0.10 88	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 292

raft_robust	0.13 157	0.10 237	0.07 2	0.18 182	0.08 47	0.13 129	0.24 321	0.28 247	0.33 274	0.20 241	0.19 148	0.14 127	0.10 88	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 161	0.05 40	0.04 7

RAFT+CT+SA	0.13 157	0.11 257	0.09 28	0.19 227	0.09 131	0.15 175	0.28 352	0.22 156	0.22 173	0.15 148	0.26 240	0.10 58	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 211	0.07 155	0.06 98

SA-5K	0.13 157	0.08 140	0.08 11	0.19 227	0.08 47	0.18 233	0.29 360	0.23 173	0.16 87	0.17 185	0.20 159	0.16 162	0.10 88	0.12 101	0.13 157	0.06 54	0.06 189	0.08 162	0.06 86	0.05 40	0.05 51

PFNet+	0.11 80	0.06 19	0.13 128	0.16 68	0.09 131	0.05 1	0.12 21	0.17 72	0.21 162	0.16 173	0.19 148	0.14 127	0.10 88	0.11 45	0.11 85	0.08 190	0.05 106	0.09 226	0.08 211	0.06 101	0.11 292

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 182	0.07 18	0.10 56	0.14 69	0.21 140	0.11 17	0.11 59	0.15 94	0.12 89	0.10 88	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.04 7

KYRaft	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.08 23	0.15 115	0.22 156	0.12 25	0.13 104	0.16 102	0.20 210	0.10 88	0.12 101	0.10 49	0.05 2	0.04 2	0.08 162	0.08 211	0.06 101	0.16 352

ASMatch	0.11 80	0.06 19	0.13 128	0.16 68	0.10 216	0.07 16	0.14 69	0.17 72	0.17 99	0.12 83	0.16 102	0.16 162	0.10 88	0.13 133	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 217

RAFT-RH_RVC	0.11 80	0.06 19	0.14 154	0.16 68	0.09 131	0.12 104	0.12 21	0.17 72	0.12 25	0.13 104	0.41 340	0.11 74	0.10 88	0.13 133	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

cross-raft	0.10 50	0.09 190	0.09 28	0.19 227	0.07 18	0.11 82	0.25 334	0.13 9	0.15 69	0.08 5	0.11 53	0.12 89	0.10 88	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

rafts_anoy	0.11 80	0.06 19	0.10 44	0.17 115	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 104	0.13 71	0.12 89	0.10 88	0.11 45	0.12 127	0.07 141	0.04 2	0.09 226	0.11 305	0.07 155	0.06 98

Anonymous3	0.16 237	0.13 292	0.33 336	0.26 344	0.14 317	0.27 330	0.17 191	0.28 247	0.28 242	0.15 148	0.17 120	0.14 127	0.10 88	0.15 166	0.12 127	0.08 190	0.08 268	0.08 162	0.08 211	0.08 198	0.11 292

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 68	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 83	0.17 120	0.14 127	0.10 88	0.12 101	0.11 85	0.07 141	0.06 189	0.06 31	0.05 31	0.08 198	0.07 157

RAFT + AFF	0.13 157	0.07 69	0.20 280	0.20 267	0.10 216	0.14 153	0.24 321	0.26 215	0.20 149	0.11 59	0.10 38	0.12 89	0.10 88	0.15 166	0.12 127	0.07 141	0.06 189	0.09 226	0.08 211	0.06 101	0.08 217

GMStereo	0.13 157	0.14 304	0.14 154	0.18 182	0.09 131	0.15 175	0.16 170	0.20 123	0.24 192	0.16 173	0.17 120	0.10 58	0.10 88	0.16 197	0.13 157	0.07 141	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo05	0.13 157	0.07 69	0.10 44	0.17 115	0.09 131	0.13 129	0.18 231	0.27 233	0.35 292	0.17 185	0.14 80	0.15 151	0.11 109	0.15 166	0.13 157	0.06 54	0.05 106	0.07 98	0.07 161	0.06 101	0.06 98

CoDeX	0.12 135	0.07 69	0.12 90	0.17 115	0.08 47	0.12 104	0.15 115	0.23 173	0.27 231	0.13 104	0.17 120	0.16 162	0.11 109	0.14 148	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

GMStereo_Zeroshot	0.16 237	0.13 292	0.24 302	0.20 267	0.10 216	0.17 218	0.13 43	0.29 257	0.25 211	0.23 274	0.32 283	0.25 261	0.11 109	0.19 241	0.14 185	0.09 235	0.06 189	0.11 294	0.06 86	0.12 302	0.08 217

MIF-Stereo (partial)	0.11 80	0.06 19	0.10 44	0.19 227	0.10 216	0.10 56	0.11 11	0.17 72	0.18 116	0.14 124	0.16 102	0.09 37	0.11 109	0.12 101	0.12 127	0.08 190	0.05 106	0.08 162	0.07 161	0.06 101	0.07 157

riskmin	0.11 80	0.06 19	0.13 128	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 59	0.14 80	0.16 162	0.11 109	0.14 148	0.12 127	0.09 235	0.05 106	0.07 98	0.05 31	0.08 198	0.08 217

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

Sa-1000	0.12 135	0.08 140	0.08 11	0.18 182	0.08 47	0.14 153	0.22 302	0.22 156	0.18 116	0.15 148	0.20 159	0.17 181	0.11 109	0.10 18	0.10 49	0.06 54	0.05 106	0.09 226	0.09 250	0.05 40	0.05 51

SA	0.12 135	0.09 190	0.08 11	0.18 182	0.08 47	0.12 104	0.24 321	0.23 173	0.18 116	0.17 185	0.27 247	0.14 127	0.11 109	0.11 45	0.11 85	0.05 2	0.05 106	0.09 226	0.08 211	0.05 40	0.04 7

CrosDoStereo	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

LCNet	0.11 80	0.07 69	0.09 28	0.19 227	0.09 131	0.08 23	0.15 115	0.21 140	0.15 69	0.11 59	0.15 94	0.16 162	0.11 109	0.12 101	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.15 341

TransformOpticalFlow	0.10 50	0.08 140	0.13 128	0.18 182	0.07 18	0.09 35	0.15 115	0.19 116	0.15 69	0.12 83	0.17 120	0.11 74	0.11 109	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

NF-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

OCTAStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

PSM-softLoss	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

KMStereo	0.12 135	0.07 69	0.15 191	0.17 115	0.09 131	0.08 23	0.13 43	0.24 190	0.17 99	0.14 124	0.19 148	0.13 112	0.11 109	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 161	0.06 101	0.12 303

PSM-AAD	0.11 80	0.07 69	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.20 123	0.13 41	0.12 83	0.14 80	0.18 192	0.11 109	0.11 45	0.10 49	0.05 2	0.05 106	0.09 226	0.08 211	0.06 101	0.14 333

DeepStereo_LL	0.12 135	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 173	0.19 224	0.24 196	0.15 151	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

PFNet	0.12 135	0.06 19	0.17 246	0.17 115	0.08 47	0.09 35	0.15 115	0.26 215	0.20 149	0.16 173	0.16 102	0.14 127	0.11 109	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

GrayStereo	0.11 80	0.06 19	0.11 70	0.19 227	0.09 131	0.09 35	0.16 170	0.18 96	0.17 99	0.14 124	0.17 120	0.17 181	0.11 109	0.12 101	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 269

RE-Stereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

TVStereo	0.11 80	0.07 69	0.13 128	0.17 115	0.09 131	0.10 56	0.14 69	0.23 173	0.19 128	0.12 83	0.17 120	0.12 89	0.11 109	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 303

GMM-Stereo	0.11 80	0.07 69	0.10 44	0.18 182	0.09 131	0.08 23	0.15 115	0.23 173	0.16 87	0.11 59	0.15 94	0.13 112	0.11 109	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 161	0.06 101	0.09 250

s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 199	0.18 231	0.15 26	0.15 69	0.10 40	0.11 53	0.11 74	0.11 109	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

DCANet	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

cscssc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 191	0.16 42	0.20 149	0.13 104	0.16 102	0.10 58	0.11 109	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 140	0.23 182	0.11 59	0.12 61	0.14 127	0.11 109	0.13 133	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

ARAFT	0.12 135	0.08 140	0.17 246	0.19 227	0.09 131	0.14 153	0.18 231	0.20 123	0.12 25	0.12 83	0.13 71	0.14 127	0.11 109	0.15 166	0.12 127	0.06 54	0.05 106	0.10 267	0.09 250	0.05 40	0.04 7

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 104	0.16 102	0.14 127	0.11 109	0.15 166	0.13 157	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
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
whm_eth	0.14 186	0.09 190	0.20 280	0.20 267	0.12 283	0.12 104	0.15 115	0.18 96	0.28 242	0.17 185	0.32 283	0.09 37	0.12 138	0.18 230	0.14 185	0.07 141	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157

test croco	0.10 50	0.08 140	0.10 44	0.19 227	0.09 131	0.10 56	0.15 115	0.14 15	0.13 41	0.13 104	0.15 94	0.09 37	0.12 138	0.13 133	0.12 127	0.07 141	0.05 106	0.09 226	0.06 86	0.06 101	0.06 98

PCWNet_CMD	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 296	0.14 124	0.20 159	0.21 216	0.12 138	0.17 219	0.13 157	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.15 26	0.19 128	0.13 104	0.17 120	0.10 58	0.12 138	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

GMOStereo	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

error version	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

test-v	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

GANet-ADL	0.13 157	0.07 69	0.15 191	0.17 115	0.10 216	0.18 233	0.15 115	0.30 271	0.20 149	0.13 104	0.18 142	0.19 200	0.12 138	0.16 197	0.13 157	0.08 190	0.06 189	0.06 31	0.05 31	0.07 155	0.08 217

Patchmatch Stereo++	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 80	0.06 19	0.14 154	0.18 182	0.08 47	0.09 35	0.12 21	0.21 140	0.21 162	0.13 104	0.14 80	0.11 74	0.12 138	0.11 45	0.13 157	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

IIG-Stereo	0.11 80	0.06 19	0.13 128	0.17 115	0.08 47	0.11 82	0.12 21	0.22 156	0.17 99	0.14 124	0.17 120	0.11 74	0.12 138	0.12 101	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

NRIStereo	0.11 80	0.08 140	0.14 154	0.18 182	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 83	0.14 80	0.13 112	0.12 138	0.13 133	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 157

PSM-adaLoss	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

FTStereo	0.12 135	0.06 19	0.14 154	0.18 182	0.09 131	0.07 16	0.15 115	0.21 140	0.18 116	0.12 83	0.24 196	0.12 89	0.12 138	0.13 133	0.13 157	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 269

ROB_FTStereo_v2	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

ROB_FTStereo	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

HUI-Stereo	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

SST-Stereo	0.10 50	0.07 69	0.15 191	0.18 182	0.09 131	0.06 2	0.12 21	0.17 72	0.11 17	0.15 148	0.17 120	0.13 112	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

THIR-Stereo	0.12 135	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 211	0.16 173	0.24 196	0.14 127	0.12 138	0.12 101	0.14 185	0.06 54	0.04 2	0.07 98	0.07 161	0.05 40	0.05 51

RAFT_R40	0.11 80	0.07 69	0.14 154	0.18 182	0.09 131	0.06 2	0.13 43	0.17 72	0.16 87	0.14 124	0.18 142	0.15 151	0.12 138	0.10 18	0.11 85	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

DeepStereo_RVC	0.11 80	0.08 140	0.16 221	0.18 182	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 104	0.14 80	0.12 89	0.12 138	0.12 101	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 217

iGMRVC	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

IRAFT_RVC	0.12 135	0.08 140	0.16 221	0.19 227	0.08 47	0.07 16	0.15 115	0.24 190	0.23 182	0.14 124	0.14 80	0.15 151	0.12 138	0.12 101	0.10 49	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.06 98

iRAFT	0.11 80	0.09 190	0.16 221	0.18 182	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

CRE-IMP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 124	0.13 71	0.13 112	0.12 138	0.12 101	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 198	0.08 217

test-2	0.11 80	0.09 190	0.07 2	0.19 227	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 59	0.17 120	0.14 127	0.12 138	0.07 1	0.07 1	0.05 2	0.05 106	0.09 226	0.07 161	0.04 1	0.04 7

RAFT	0.13 157	0.09 190	0.11 70	0.18 182	0.08 47	0.15 175	0.24 321	0.20 123	0.19 128	0.21 249	0.21 173	0.17 181	0.12 138	0.16 197	0.09 19	0.06 54	0.07 246	0.10 267	0.09 250	0.05 40	0.05 51

RAFT-IKP	0.11 80	0.09 190	0.16 221	0.19 227	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 148	0.16 102	0.14 127	0.12 138	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 198	0.07 157

TestStereo	0.13 157	0.14 304	0.11 70	0.23 323	0.08 47	0.15 175	0.21 293	0.20 123	0.23 182	0.14 124	0.24 196	0.16 162	0.12 138	0.16 197	0.14 185	0.05 2	0.06 189	0.08 162	0.06 86	0.09 246	0.05 51

FENet	0.13 157	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 156	0.23 182	0.17 185	0.23 188	0.16 162	0.12 138	0.14 148	0.15 208	0.08 190	0.05 106	0.08 162	0.08 211	0.07 155	0.07 157

DIP-Stereo	0.11 80	0.07 69	0.14 154	0.17 115	0.09 131	0.13 129	0.09 3	0.16 42	0.16 87	0.11 59	0.16 102	0.14 127	0.12 138	0.15 166	0.13 157	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 186	0.08 140	0.15 191	0.17 115	0.09 131	0.14 153	0.14 69	0.29 257	0.36 296	0.14 124	0.21 173	0.21 216	0.12 138	0.17 219	0.14 185	0.07 141	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

DualNet	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ffm	0.12 135	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.10 18	0.07 1	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

ff1	0.13 157	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.15 26	0.19 128	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.06 54	0.04 2	0.09 226	0.08 211	0.06 101	0.06 98

mmx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

ttt	0.14 186	0.08 140	0.14 154	0.15 38	0.08 47	0.15 175	0.18 231	0.27 233	0.29 249	0.16 173	0.24 196	0.17 181	0.13 170	0.13 133	0.14 185	0.11 287	0.08 268	0.09 226	0.08 211	0.09 246	0.08 217

xxx	0.14 186	0.09 190	0.14 154	0.16 68	0.08 47	0.17 218	0.17 191	0.27 233	0.25 211	0.15 148	0.25 225	0.19 200	0.13 170	0.14 148	0.20 262	0.08 190	0.06 189	0.09 226	0.08 211	0.08 198	0.08 217

LL-Strereo	0.13 157	0.09 190	0.11 70	0.20 267	0.10 216	0.11 82	0.18 231	0.32 286	0.24 192	0.15 148	0.15 94	0.14 127	0.13 170	0.19 241	0.11 85	0.06 54	0.04 2	0.09 226	0.08 211	0.04 1	0.05 51

SDNR	0.19 278	0.08 140	0.19 272	0.16 68	0.12 283	0.77 398	0.14 69	0.25 203	0.32 268	0.19 224	0.24 196	0.19 200	0.13 170	0.19 241	0.15 208	0.16 356	0.18 363	0.14 333	0.11 305	0.08 198	0.11 292

BUS	0.14 186	0.09 190	0.14 154	0.22 304	0.10 216	0.19 253	0.14 69	0.34 313	0.19 128	0.17 185	0.22 182	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

NINENet	0.16 237	0.10 237	0.15 191	0.17 115	0.11 254	0.19 253	0.14 69	0.40 351	0.36 296	0.18 211	0.21 173	0.16 162	0.13 170	0.15 166	0.13 157	0.08 190	0.08 268	0.10 267	0.07 161	0.10 273	0.09 250

UDGNet	0.14 186	0.13 292	0.16 221	0.17 115	0.10 216	0.12 104	0.16 170	0.21 140	0.27 231	0.20 241	0.20 159	0.16 162	0.13 170	0.16 197	0.13 157	0.10 266	0.06 189	0.09 226	0.07 161	0.06 101	0.07 157

dad	0.17 256	0.20 346	0.20 280	0.16 68	0.11 254	0.20 265	0.18 231	0.21 140	0.28 242	0.30 326	0.24 196	0.29 290	0.13 170	0.19 241	0.16 222	0.18 361	0.09 291	0.11 294	0.09 250	0.11 288	0.07 157

GEStereo_RVC	0.17 256	0.12 271	0.15 191	0.22 304	0.11 254	0.19 253	0.17 191	0.32 286	0.48 344	0.20 241	0.25 225	0.17 181	0.13 170	0.21 276	0.16 222	0.10 266	0.06 189	0.08 162	0.07 161	0.09 246	0.08 217

CFNet_pseudo	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.13 129	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 157

Anonymous	0.14 186	0.10 237	0.24 302	0.22 304	0.13 300	0.18 233	0.22 302	0.20 123	0.19 128	0.14 124	0.12 61	0.11 74	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.08 162	0.08 211	0.12 302	0.10 269

GES	0.14 186	0.08 140	0.16 221	0.15 38	0.10 216	0.13 129	0.13 43	0.28 247	0.25 211	0.16 173	0.23 188	0.18 192	0.13 170	0.16 197	0.13 157	0.08 190	0.07 246	0.07 98	0.06 86	0.08 198	0.09 250

SFCPSM	0.13 157	0.07 69	0.14 154	0.17 115	0.09 131	0.15 175	0.16 170	0.28 247	0.27 231	0.14 124	0.17 120	0.12 89	0.13 170	0.14 148	0.11 85	0.08 190	0.05 106	0.07 98	0.07 161	0.07 155	0.06 98

ccs_rob	0.14 186	0.08 140	0.15 191	0.16 68	0.09 131	0.12 104	0.14 69	0.27 233	0.34 285	0.14 124	0.21 173	0.22 233	0.13 170	0.18 230	0.14 185	0.07 141	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

AdaStereo	0.15 219	0.11 257	0.15 191	0.18 182	0.09 131	0.20 265	0.11 11	0.32 286	0.28 242	0.20 241	0.23 188	0.20 210	0.13 170	0.19 241	0.14 185	0.12 311	0.05 106	0.10 267	0.07 161	0.09 246	0.07 157
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.
iResNetv2_ROB	0.14 186	0.08 140	0.15 191	0.16 68	0.08 47	0.16 199	0.12 21	0.25 203	0.35 292	0.21 249	0.29 267	0.24 251	0.13 170	0.14 148	0.14 185	0.06 54	0.05 106	0.06 31	0.04 8	0.09 246	0.08 217

MLCV	0.12 135	0.07 69	0.16 221	0.18 182	0.06 2	0.15 175	0.17 191	0.19 116	0.21 162	0.18 211	0.25 225	0.17 181	0.13 170	0.14 148	0.13 157	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

iResNet	0.13 157	0.10 237	0.18 263	0.19 227	0.08 47	0.13 129	0.18 231	0.20 123	0.26 224	0.15 148	0.23 188	0.15 151	0.13 170	0.14 148	0.14 185	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

DN-CSS_ROB	0.13 157	0.13 292	0.16 221	0.18 182	0.10 216	0.16 199	0.08 2	0.22 156	0.18 116	0.17 185	0.22 182	0.13 112	0.13 170	0.12 101	0.13 157	0.05 2	0.05 106	0.10 267	0.10 282	0.08 198	0.06 98

CFNet_ucs	0.15 219	0.08 140	0.16 221	0.16 68	0.11 254	0.14 153	0.14 69	0.30 271	0.34 285	0.16 173	0.24 196	0.23 245	0.14 193	0.18 230	0.15 208	0.09 235	0.06 189	0.08 162	0.07 161	0.09 246	0.09 250

anonymousa	0.13 157	0.07 69	0.13 128	0.18 182	0.09 131	0.13 129	0.17 191	0.19 116	0.29 249	0.15 148	0.24 196	0.15 151	0.14 193	0.14 148	0.14 185	0.07 141	0.05 106	0.07 98	0.09 250	0.05 40	0.06 98

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 191	0.18 96	0.19 128	0.13 104	0.16 102	0.09 37	0.14 193	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

GwcNet-ADL	0.13 157	0.08 140	0.14 154	0.20 267	0.09 131	0.11 82	0.20 277	0.30 271	0.24 192	0.13 104	0.14 80	0.18 192	0.14 193	0.13 133	0.14 185	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

AAGNet	0.11 80	0.07 69	0.16 221	0.19 227	0.09 131	0.08 23	0.13 43	0.18 96	0.13 41	0.16 173	0.21 173	0.13 112	0.14 193	0.11 45	0.14 185	0.06 54	0.04 2	0.09 226	0.06 86	0.06 101	0.05 51

DEmStereo	0.12 135	0.06 19	0.14 154	0.14 13	0.10 216	0.16 199	0.15 115	0.16 42	0.24 192	0.17 185	0.24 196	0.13 112	0.14 193	0.12 101	0.13 157	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

HCRNet	0.16 237	0.24 360	0.12 90	0.35 374	0.11 254	0.15 175	0.17 191	0.26 215	0.22 173	0.19 224	0.24 196	0.21 216	0.14 193	0.15 166	0.13 157	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

xxxx	0.15 219	0.07 69	0.14 154	0.14 13	0.08 47	0.23 300	0.18 231	0.31 277	0.19 128	0.14 124	0.28 256	0.22 233	0.14 193	0.15 166	0.26 328	0.09 235	0.05 106	0.07 98	0.07 161	0.08 198	0.07 157

PSMNet-RSSM	0.14 186	0.07 69	0.13 128	0.15 38	0.08 47	0.13 129	0.16 170	0.24 190	0.24 192	0.16 173	0.28 256	0.22 233	0.14 193	0.15 166	0.13 157	0.11 287	0.06 189	0.09 226	0.12 323	0.08 198	0.07 157

CFNet-ft	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

BEATNet_4x	0.12 135	0.08 140	0.14 154	0.18 182	0.07 18	0.15 175	0.07 1	0.22 156	0.18 116	0.16 173	0.19 148	0.18 192	0.14 193	0.16 197	0.15 208	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

HSM-Net_RVC	0.14 186	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 233	0.29 249	0.19 224	0.21 173	0.29 290	0.14 193	0.17 219	0.13 157	0.06 54	0.06 189	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 186	0.07 69	0.15 191	0.12 3	0.09 131	0.16 199	0.18 231	0.22 156	0.24 192	0.17 185	0.26 240	0.24 251	0.14 193	0.16 197	0.14 185	0.11 287	0.06 189	0.08 162	0.09 250	0.09 246	0.08 217

SMFormer	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 186	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.17 233	0.08 190	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

qqq1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 157	0.07 69	0.17 246	0.14 13	0.08 47	0.16 199	0.17 191	0.26 215	0.27 231	0.19 224	0.20 159	0.18 192	0.15 206	0.15 166	0.11 85	0.08 190	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

1111x	0.15 219	0.08 140	0.12 90	0.18 182	0.07 18	0.18 233	0.25 334	0.31 277	0.24 192	0.17 185	0.24 196	0.26 269	0.15 206	0.13 133	0.23 300	0.07 141	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

iinet-f	0.16 237	0.06 19	0.45 357	0.14 13	0.10 216	0.21 279	0.14 69	0.27 233	0.23 182	0.21 249	0.24 196	0.21 216	0.15 206	0.18 230	0.21 281	0.09 235	0.07 246	0.07 98	0.06 86	0.09 246	0.10 269

GASNet	0.22 305	0.23 357	0.33 336	0.26 344	0.17 351	0.26 323	0.16 170	0.44 366	0.42 325	0.27 306	0.24 196	0.30 298	0.15 206	0.27 316	0.18 247	0.12 311	0.08 268	0.12 309	0.11 305	0.16 349	0.07 157

CASS	0.13 157	0.12 271	0.11 70	0.23 323	0.09 131	0.15 175	0.17 191	0.18 96	0.19 128	0.17 185	0.18 142	0.15 151	0.15 206	0.14 148	0.14 185	0.09 235	0.06 189	0.10 267	0.08 211	0.09 246	0.07 157
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 268	0.09 190	0.29 326	0.15 38	0.10 216	0.22 287	0.20 277	0.26 215	0.39 310	0.25 295	0.42 345	0.24 251	0.15 206	0.20 260	0.19 256	0.07 141	0.05 106	0.06 31	0.05 31	0.10 273	0.09 250

test_5	0.14 186	0.12 271	0.08 11	0.20 267	0.10 216	0.14 153	0.29 360	0.21 140	0.24 192	0.18 211	0.28 256	0.11 74	0.15 206	0.12 101	0.13 157	0.06 54	0.05 106	0.07 98	0.08 211	0.08 198	0.07 157

CSP-Net	0.16 237	0.09 190	0.14 154	0.16 68	0.09 131	0.19 253	0.17 191	0.25 203	0.32 268	0.25 295	0.30 271	0.24 251	0.15 206	0.21 276	0.18 247	0.09 235	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

DAS	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.16 197	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

SepStereo	0.15 219	0.08 140	0.18 263	0.19 227	0.10 216	0.19 253	0.17 191	0.27 233	0.29 249	0.18 211	0.25 225	0.21 216	0.15 206	0.25 311	0.12 127	0.08 190	0.06 189	0.06 31	0.06 86	0.07 155	0.07 157

DRaft	0.12 135	0.06 19	0.11 70	0.14 13	0.09 131	0.14 153	0.17 191	0.21 140	0.30 256	0.17 185	0.28 256	0.10 58	0.15 206	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

GANet-RSSM	0.14 186	0.07 69	0.13 128	0.13 6	0.08 47	0.14 153	0.17 191	0.22 156	0.21 162	0.17 185	0.24 196	0.23 245	0.15 206	0.16 197	0.15 208	0.10 266	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

DSFCA	0.16 237	0.09 190	0.14 154	0.16 68	0.10 216	0.20 265	0.19 262	0.28 247	0.31 262	0.23 274	0.24 196	0.22 233	0.15 206	0.19 241	0.20 262	0.10 266	0.07 246	0.09 226	0.09 250	0.08 198	0.08 217

FADNet-RVC-Resample	0.16 237	0.11 257	0.31 331	0.22 304	0.11 254	0.19 253	0.14 69	0.25 203	0.24 192	0.24 282	0.27 247	0.20 210	0.15 206	0.16 197	0.15 208	0.07 141	0.08 268	0.12 309	0.10 282	0.09 246	0.10 269

UCFNet_RVC	0.14 186	0.08 140	0.13 128	0.11 1	0.10 216	0.20 265	0.10 6	0.24 190	0.22 173	0.17 185	0.20 159	0.23 245	0.15 206	0.17 219	0.15 208	0.12 311	0.07 246	0.10 267	0.13 332	0.11 288	0.10 269

iResNet_ROB	0.14 186	0.07 69	0.13 128	0.14 13	0.07 18	0.18 233	0.14 69	0.26 215	0.31 262	0.22 262	0.25 225	0.23 245	0.15 206	0.15 166	0.13 157	0.07 141	0.05 106	0.05 2	0.04 8	0.08 198	0.08 217

PWCDC_ROB	0.20 287	0.13 292	0.22 290	0.24 328	0.11 254	0.19 253	0.15 115	0.33 303	0.54 360	0.29 323	0.50 360	0.21 216	0.15 206	0.27 316	0.20 262	0.11 287	0.09 291	0.10 267	0.08 211	0.11 288	0.09 250

xx1	0.11 80	0.08 140	0.12 90	0.17 115	0.09 131	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 162	0.16 226	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 211	0.07 155	0.07 157

mmm	0.14 186	0.08 140	0.17 246	0.17 115	0.09 131	0.17 218	0.18 231	0.21 140	0.15 69	0.15 148	0.23 188	0.21 216	0.16 226	0.16 197	0.17 233	0.08 190	0.05 106	0.08 162	0.07 161	0.07 155	0.07 157

11t1	0.12 135	0.06 19	0.13 128	0.14 13	0.08 47	0.17 218	0.15 115	0.18 96	0.15 69	0.15 148	0.15 94	0.16 162	0.16 226	0.15 166	0.13 157	0.08 190	0.05 106	0.06 31	0.05 31	0.08 198	0.07 157

CBFPSM	0.14 186	0.06 19	0.26 309	0.17 115	0.09 131	0.13 129	0.15 115	0.22 156	0.23 182	0.20 241	0.27 247	0.24 251	0.16 226	0.16 197	0.18 247	0.06 54	0.06 189	0.06 31	0.07 161	0.07 155	0.07 157

gwcnet-sp	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

scenet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

ssnet	0.14 186	0.07 69	0.12 90	0.18 182	0.09 131	0.16 199	0.17 191	0.24 190	0.24 192	0.18 211	0.24 196	0.15 151	0.16 226	0.15 166	0.15 208	0.08 190	0.06 189	0.07 98	0.08 211	0.08 198	0.07 157

qqq	0.13 157	0.09 190	0.15 191	0.16 68	0.08 47	0.13 129	0.15 115	0.23 173	0.16 87	0.15 148	0.19 148	0.16 162	0.16 226	0.15 166	0.16 222	0.07 141	0.06 189	0.08 162	0.08 211	0.07 155	0.07 157

BSDual-CNN	0.15 219	0.09 190	0.14 154	0.22 304	0.10 216	0.14 153	0.15 115	0.34 313	0.19 128	0.17 185	0.22 182	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

psmg	0.14 186	0.09 190	0.14 154	0.17 115	0.10 216	0.15 175	0.17 191	0.29 257	0.19 128	0.17 185	0.21 173	0.25 261	0.16 226	0.15 166	0.14 185	0.08 190	0.06 189	0.08 162	0.08 211	0.07 155	0.06 98

AASNet	0.16 237	0.08 140	0.12 90	0.19 227	0.09 131	0.18 233	0.15 115	0.37 336	0.37 302	0.19 224	0.23 188	0.20 210	0.16 226	0.17 219	0.20 262	0.10 266	0.08 268	0.08 162	0.07 161	0.09 246	0.09 250

PSMNet-ADL	0.15 219	0.12 271	0.13 128	0.22 304	0.09 131	0.13 129	0.20 277	0.26 215	0.23 182	0.18 211	0.20 159	0.24 251	0.16 226	0.18 230	0.17 233	0.08 190	0.08 268	0.08 162	0.11 305	0.08 198	0.07 157

ADLNet	0.16 237	0.08 140	0.15 191	0.16 68	0.10 216	0.16 199	0.17 191	0.32 286	0.27 231	0.22 262	0.27 247	0.24 251	0.16 226	0.18 230	0.21 281	0.10 266	0.06 189	0.10 267	0.10 282	0.08 198	0.09 250

222	0.16 237	0.07 69	0.14 154	0.14 13	0.08 47	0.24 305	0.18 231	0.30 271	0.20 149	0.17 185	0.28 256	0.17 181	0.16 226	0.15 166	0.40 375	0.10 266	0.05 106	0.07 98	0.06 86	0.07 155	0.08 217

test_xeample	0.15 219	0.06 19	0.13 128	0.14 13	0.08 47	0.21 279	0.20 277	0.28 247	0.20 149	0.16 173	0.29 267	0.19 200	0.16 226	0.15 166	0.26 328	0.09 235	0.05 106	0.07 98	0.07 161	0.07 155	0.07 157

ACVNet	0.15 219	0.09 190	0.15 191	0.13 6	0.12 283	0.14 153	0.20 277	0.22 156	0.33 274	0.17 185	0.26 240	0.21 216	0.16 226	0.17 219	0.21 281	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

cf-r	0.13 157	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 262	0.20 123	0.25 211	0.17 185	0.25 225	0.21 216	0.16 226	0.14 148	0.14 185	0.10 266	0.05 106	0.06 31	0.08 211	0.06 101	0.06 98

GwcNet-RSSM	0.14 186	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 277	0.21 140	0.27 231	0.18 211	0.27 247	0.22 233	0.16 226	0.14 148	0.15 208	0.10 266	0.05 106	0.07 98	0.09 250	0.07 155	0.07 157

HSM	0.15 219	0.08 140	0.14 154	0.16 68	0.09 131	0.16 199	0.14 69	0.28 247	0.25 211	0.19 224	0.23 188	0.37 335	0.16 226	0.20 260	0.15 208	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

x	0.13 157	0.07 69	0.14 154	0.14 13	0.08 47	0.18 233	0.14 69	0.22 156	0.20 149	0.15 148	0.19 148	0.19 200	0.17 245	0.18 230	0.18 247	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 157

CRFU-Net	0.16 237	0.08 140	0.14 154	0.17 115	0.09 131	0.19 253	0.14 69	0.26 215	0.20 149	0.28 317	0.27 247	0.29 290	0.17 245	0.19 241	0.17 233	0.09 235	0.09 291	0.07 98	0.07 161	0.08 198	0.08 217

AACVNet	0.16 237	0.08 140	0.14 154	0.15 38	0.10 216	0.18 233	0.15 115	0.23 173	0.24 192	0.27 306	0.27 247	0.28 283	0.17 245	0.19 241	0.16 222	0.09 235	0.07 246	0.09 226	0.07 161	0.10 273	0.09 250

LMCR-Stereo	0.15 219	0.08 140	0.13 128	0.21 291	0.09 131	0.17 218	0.20 277	0.27 233	0.19 128	0.24 282	0.24 196	0.23 245	0.17 245	0.20 260	0.17 233	0.07 141	0.06 189	0.08 162	0.06 86	0.10 273	0.08 217

acv_ft	0.15 219	0.09 190	0.15 191	0.19 227	0.10 216	0.16 199	0.17 191	0.25 203	0.33 274	0.19 224	0.26 240	0.21 216	0.17 245	0.17 219	0.18 247	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

FADNet_RVC	0.16 237	0.14 304	0.40 352	0.20 267	0.11 254	0.13 129	0.13 43	0.26 215	0.22 173	0.21 249	0.23 188	0.20 210	0.17 245	0.14 148	0.16 222	0.08 190	0.08 268	0.12 309	0.09 250	0.11 288	0.10 269

CFNet	0.15 219	0.10 237	0.17 246	0.17 115	0.08 47	0.18 233	0.09 3	0.28 247	0.25 211	0.19 224	0.24 196	0.24 251	0.17 245	0.17 219	0.14 185	0.08 190	0.06 189	0.09 226	0.10 282	0.07 155	0.06 98

NLCA_NET_v2_RVC	0.17 256	0.10 237	0.22 290	0.20 267	0.10 216	0.15 175	0.18 231	0.31 277	0.25 211	0.21 249	0.30 271	0.25 261	0.17 245	0.21 276	0.20 262	0.09 235	0.06 189	0.08 162	0.08 211	0.07 155	0.08 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 256	0.12 271	0.15 191	0.20 267	0.09 131	0.18 233	0.18 231	0.26 215	0.23 182	0.26 300	0.40 330	0.22 233	0.17 245	0.21 276	0.20 262	0.08 190	0.05 106	0.09 226	0.10 282	0.07 155	0.07 157
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 256	0.10 237	0.17 246	0.17 115	0.11 254	0.21 279	0.21 293	0.33 303	0.25 211	0.22 262	0.22 182	0.27 276	0.18 254	0.22 287	0.20 262	0.11 287	0.09 291	0.09 226	0.09 250	0.08 198	0.08 217

Wz-Net-LNSev	0.22 305	0.16 317	0.38 349	0.21 291	0.13 300	0.25 315	0.23 312	0.32 286	0.43 330	0.30 326	0.41 340	0.31 308	0.18 254	0.22 287	0.25 319	0.10 266	0.09 291	0.08 162	0.08 211	0.12 302	0.11 292

hknet	0.15 219	0.11 257	0.13 128	0.22 304	0.11 254	0.14 153	0.15 115	0.34 313	0.25 211	0.17 185	0.22 182	0.22 233	0.18 254	0.17 219	0.12 127	0.07 141	0.06 189	0.10 267	0.09 250	0.07 155	0.07 157

ADLNet2	0.16 237	0.09 190	0.13 128	0.16 68	0.09 131	0.20 265	0.16 170	0.31 277	0.39 310	0.16 173	0.20 159	0.20 210	0.18 254	0.21 276	0.22 290	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.07 157

ICVP	0.15 219	0.09 190	0.12 90	0.22 304	0.09 131	0.17 218	0.21 293	0.25 203	0.23 182	0.18 211	0.30 271	0.26 269	0.18 254	0.17 219	0.14 185	0.09 235	0.07 246	0.08 162	0.07 161	0.07 155	0.07 157
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 237	0.08 140	0.15 191	0.18 182	0.10 216	0.22 287	0.18 231	0.24 190	0.21 162	0.18 211	0.24 196	0.29 290	0.18 254	0.19 241	0.22 290	0.09 235	0.07 246	0.08 162	0.09 250	0.07 155	0.06 98

HGLStereo	0.17 256	0.08 140	0.19 272	0.17 115	0.12 283	0.18 233	0.18 231	0.31 277	0.32 268	0.21 249	0.32 283	0.25 261	0.18 254	0.19 241	0.20 262	0.09 235	0.09 291	0.07 98	0.07 161	0.09 246	0.10 269

DMCA	0.14 186	0.09 190	0.16 221	0.19 227	0.09 131	0.15 175	0.17 191	0.23 173	0.27 231	0.14 124	0.19 148	0.17 181	0.18 254	0.15 166	0.17 233	0.10 266	0.06 189	0.08 162	0.06 86	0.09 246	0.10 269

STTStereo	0.18 268	0.12 271	0.27 315	0.20 267	0.11 254	0.16 199	0.21 293	0.29 257	0.23 182	0.21 249	0.30 271	0.29 290	0.18 254	0.20 260	0.19 256	0.12 311	0.11 318	0.11 294	0.14 336	0.09 246	0.08 217

RASNet	0.14 186	0.07 69	0.14 154	0.16 68	0.08 47	0.18 233	0.14 69	0.29 257	0.20 149	0.17 185	0.25 225	0.21 216	0.18 254	0.20 260	0.19 256	0.07 141	0.06 189	0.06 31	0.08 211	0.06 101	0.06 98

TDLM	0.17 256	0.12 271	0.13 128	0.24 328	0.10 216	0.18 233	0.18 231	0.36 331	0.30 256	0.21 249	0.28 256	0.28 283	0.18 254	0.23 298	0.18 247	0.11 287	0.07 246	0.10 267	0.10 282	0.08 198	0.08 217

CVANet_RVC	0.18 268	0.10 237	0.14 154	0.21 291	0.10 216	0.18 233	0.17 191	0.34 313	0.33 274	0.22 262	0.31 279	0.28 283	0.18 254	0.23 298	0.17 233	0.12 311	0.08 268	0.12 309	0.11 305	0.09 246	0.07 157

Anonymous Stereo	0.23 320	0.19 341	0.50 363	0.24 328	0.17 351	0.21 279	0.21 293	0.33 303	0.44 334	0.25 295	0.34 300	0.26 269	0.18 254	0.31 337	0.27 335	0.13 331	0.12 327	0.12 309	0.13 332	0.11 288	0.14 333

DeepPruner_ROB	0.16 237	0.11 257	0.15 191	0.17 115	0.10 216	0.17 218	0.15 115	0.32 286	0.21 162	0.19 224	0.21 173	0.22 233	0.18 254	0.20 260	0.15 208	0.13 331	0.09 291	0.09 226	0.09 250	0.11 288	0.10 269

pmcnn	0.15 219	0.07 69	0.19 272	0.15 38	0.07 18	0.20 265	0.15 115	0.24 190	0.26 224	0.21 249	0.34 300	0.28 283	0.18 254	0.18 230	0.17 233	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

Wz-Net-MNSev	0.22 305	0.13 292	0.31 331	0.20 267	0.14 317	0.36 362	0.24 321	0.33 303	0.44 334	0.28 317	0.40 330	0.38 339	0.19 269	0.24 306	0.25 319	0.09 235	0.07 246	0.09 226	0.09 250	0.12 302	0.10 269

pcwnet_v2	0.19 278	0.10 237	0.26 309	0.17 115	0.14 317	0.18 233	0.15 115	0.37 336	0.46 342	0.19 224	0.24 196	0.21 216	0.19 269	0.20 260	0.19 256	0.13 331	0.10 309	0.10 267	0.10 282	0.11 288	0.13 316

delet	0.17 256	0.08 140	0.17 246	0.19 227	0.11 254	0.20 265	0.21 293	0.30 271	0.37 302	0.17 185	0.26 240	0.19 200	0.19 269	0.19 241	0.21 281	0.08 190	0.08 268	0.09 226	0.11 305	0.06 101	0.06 98

UNet	0.17 256	0.09 190	0.18 263	0.19 227	0.12 283	0.27 330	0.19 262	0.33 303	0.29 249	0.21 249	0.24 196	0.23 245	0.19 269	0.19 241	0.18 247	0.07 141	0.06 189	0.08 162	0.07 161	0.08 198	0.06 98

UPFNet	0.16 237	0.08 140	0.12 90	0.20 267	0.12 283	0.20 265	0.23 312	0.28 247	0.26 224	0.17 185	0.24 196	0.22 233	0.19 269	0.19 241	0.21 281	0.09 235	0.07 246	0.08 162	0.09 250	0.08 198	0.06 98

NVstereo2D	0.19 278	0.10 237	0.15 191	0.17 115	0.15 328	0.28 336	0.23 312	0.44 366	0.42 325	0.15 148	0.27 247	0.25 261	0.19 269	0.22 287	0.17 233	0.09 235	0.06 189	0.10 267	0.08 211	0.15 342	0.09 250

StereoDRNet	0.18 268	0.11 257	0.17 246	0.22 304	0.11 254	0.21 279	0.22 302	0.37 336	0.33 274	0.24 282	0.28 256	0.30 298	0.19 269	0.20 260	0.20 262	0.09 235	0.08 268	0.11 294	0.09 250	0.09 246	0.07 157

SGM-Forest	0.20 287	0.14 304	0.18 263	0.19 227	0.13 300	0.20 265	0.22 302	0.33 303	0.30 256	0.24 282	0.29 267	0.28 283	0.19 269	0.23 298	0.17 233	0.15 345	0.16 356	0.15 341	0.14 336	0.12 302	0.12 303
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 268	0.11 257	0.19 272	0.19 227	0.12 283	0.24 305	0.21 293	0.25 203	0.34 285	0.22 262	0.34 300	0.27 276	0.20 277	0.21 276	0.23 300	0.09 235	0.09 291	0.08 162	0.10 282	0.08 198	0.07 157

IER	0.14 186	0.07 69	0.13 128	0.17 115	0.09 131	0.14 153	0.16 170	0.25 203	0.26 224	0.18 211	0.25 225	0.17 181	0.20 277	0.16 197	0.14 185	0.08 190	0.05 106	0.07 98	0.06 86	0.08 198	0.07 157

MMNet	0.17 256	0.09 190	0.16 221	0.20 267	0.11 254	0.27 330	0.20 277	0.25 203	0.41 319	0.22 262	0.30 271	0.21 216	0.20 277	0.17 219	0.20 262	0.06 54	0.06 189	0.07 98	0.07 161	0.08 198	0.07 157

GwcNet	0.20 287	0.13 292	0.19 272	0.18 182	0.12 283	0.24 305	0.19 262	0.35 325	0.43 330	0.20 241	0.32 283	0.33 319	0.20 277	0.22 287	0.24 310	0.11 287	0.09 291	0.09 226	0.09 250	0.09 246	0.10 269

DGSMNet	0.24 328	0.19 341	0.33 336	0.21 291	0.24 370	0.24 305	0.20 277	0.35 325	0.41 319	0.24 282	0.32 283	0.38 339	0.21 281	0.29 333	0.23 300	0.12 311	0.11 318	0.14 333	0.16 348	0.23 367	0.23 372

FADNet-RVC	0.20 287	0.20 346	0.38 349	0.21 291	0.16 338	0.20 265	0.15 115	0.26 215	0.26 224	0.26 300	0.32 283	0.26 269	0.21 281	0.22 287	0.19 256	0.12 311	0.13 340	0.12 309	0.14 336	0.13 319	0.18 361

FADNet	0.21 296	0.22 356	0.36 345	0.18 182	0.17 351	0.24 305	0.13 43	0.31 277	0.31 262	0.23 274	0.25 225	0.27 276	0.21 281	0.19 241	0.15 208	0.13 331	0.15 353	0.12 309	0.15 346	0.16 349	0.18 361

MaskLacGwcNet_RVC	0.22 305	0.21 352	0.24 302	0.26 344	0.11 254	0.23 300	0.14 69	0.39 347	0.24 192	0.32 338	0.36 306	0.30 298	0.21 281	0.19 241	0.21 281	0.17 360	0.14 347	0.21 362	0.16 348	0.12 302	0.12 303

SuperB	0.20 287	0.10 237	0.56 371	0.16 68	0.09 131	0.18 233	0.18 231	0.24 190	0.50 351	0.26 300	0.39 325	0.17 181	0.21 281	0.22 287	0.21 281	0.08 190	0.06 189	0.06 31	0.06 86	0.12 302	0.10 269

RTSC	0.23 320	0.12 271	0.28 320	0.21 291	0.13 300	0.28 336	0.16 170	0.35 325	0.66 379	0.27 306	0.33 296	0.30 298	0.21 281	0.31 337	0.29 346	0.10 266	0.08 268	0.09 226	0.10 282	0.13 319	0.13 316

AANet_RVC	0.16 237	0.10 237	0.10 44	0.18 182	0.09 131	0.18 233	0.19 262	0.26 215	0.31 262	0.22 262	0.35 303	0.21 216	0.21 281	0.22 287	0.16 222	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

DRN-Test	0.19 278	0.11 257	0.20 280	0.22 304	0.10 216	0.22 287	0.22 302	0.39 347	0.37 302	0.24 282	0.32 283	0.26 269	0.21 281	0.22 287	0.24 310	0.11 287	0.07 246	0.11 294	0.10 282	0.09 246	0.07 157

MDST_ROB	0.22 305	0.10 237	0.17 246	0.18 182	0.11 254	0.37 363	0.19 262	0.43 364	0.41 319	0.39 353	0.39 325	0.29 290	0.21 281	0.26 313	0.18 247	0.11 287	0.10 309	0.14 333	0.11 305	0.10 273	0.08 217

SQANet	0.23 320	0.23 357	0.30 329	0.30 367	0.19 360	0.27 330	0.13 43	0.29 257	0.33 274	0.24 282	0.37 312	0.31 308	0.22 290	0.27 316	0.23 300	0.15 345	0.10 309	0.21 362	0.16 348	0.21 364	0.15 341

SACVNet	0.18 268	0.12 271	0.14 154	0.17 115	0.13 300	0.22 287	0.18 231	0.31 277	0.30 256	0.23 274	0.31 279	0.30 298	0.22 290	0.22 287	0.17 233	0.11 287	0.08 268	0.10 267	0.10 282	0.12 302	0.14 333

FINET	0.21 296	0.18 338	0.26 309	0.18 182	0.16 338	0.23 300	0.23 312	0.32 286	0.48 344	0.25 295	0.32 283	0.22 233	0.22 290	0.22 287	0.17 233	0.18 361	0.16 356	0.11 294	0.10 282	0.15 342	0.13 316

hitnet-ft	0.18 268	0.09 190	0.17 246	0.14 13	0.09 131	0.26 323	0.20 277	0.25 203	0.26 224	0.24 282	0.32 283	0.31 308	0.22 290	0.24 306	0.21 281	0.12 311	0.07 246	0.10 267	0.08 211	0.12 302	0.11 292

ADCP+	0.20 287	0.10 237	0.33 336	0.20 267	0.12 283	0.22 287	0.26 340	0.31 277	0.34 285	0.26 300	0.37 312	0.22 233	0.22 290	0.27 316	0.27 335	0.09 235	0.06 189	0.08 162	0.08 211	0.09 246	0.10 269

PSMNet_ROB	0.21 296	0.11 257	0.15 191	0.27 355	0.15 328	0.24 305	0.35 377	0.43 364	0.37 302	0.27 306	0.32 283	0.32 316	0.22 290	0.21 276	0.26 328	0.12 311	0.08 268	0.13 323	0.11 305	0.09 246	0.09 250

ADCRef	0.19 278	0.12 271	0.41 354	0.20 267	0.12 283	0.22 287	0.18 231	0.32 286	0.36 296	0.26 300	0.32 283	0.17 181	0.23 296	0.24 306	0.24 310	0.07 141	0.06 189	0.09 226	0.09 250	0.08 198	0.08 217

RYNet	0.22 305	0.12 271	0.22 290	0.19 227	0.17 351	0.46 369	0.26 340	0.38 343	0.48 344	0.24 282	0.28 256	0.34 325	0.23 296	0.20 260	0.30 350	0.10 266	0.06 189	0.09 226	0.09 250	0.13 319	0.15 341

NaN_ROB	0.22 305	0.19 341	0.24 302	0.25 339	0.13 300	0.29 339	0.26 340	0.33 303	0.41 319	0.31 332	0.31 279	0.32 316	0.23 296	0.30 336	0.21 281	0.11 287	0.17 361	0.10 267	0.10 282	0.08 198	0.09 250

NOSS_ROB	0.19 278	0.12 271	0.18 263	0.16 68	0.12 283	0.15 175	0.12 21	0.30 271	0.32 268	0.20 241	0.22 182	0.27 276	0.23 296	0.21 276	0.16 222	0.16 356	0.18 363	0.23 367	0.21 363	0.12 302	0.13 316

DispFullNet	0.27 345	0.21 352	0.65 378	0.28 358	0.16 338	0.26 323	0.17 191	0.33 303	0.58 368	0.27 306	0.38 317	0.43 356	0.23 296	0.38 364	0.23 300	0.12 311	0.06 189	0.19 359	0.11 305	0.21 364	0.15 341

CBMV	0.19 278	0.14 304	0.17 246	0.18 182	0.10 216	0.20 265	0.11 11	0.29 257	0.30 256	0.29 323	0.30 271	0.30 298	0.23 296	0.27 316	0.19 256	0.13 331	0.15 353	0.17 349	0.16 348	0.10 273	0.10 269
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 256	0.11 257	0.18 263	0.17 115	0.11 254	0.16 199	0.25 334	0.24 190	0.33 274	0.19 224	0.24 196	0.26 269	0.24 302	0.19 241	0.20 262	0.07 141	0.08 268	0.09 226	0.10 282	0.09 246	0.08 217

WZ-Net	0.28 348	0.17 328	0.78 392	0.22 304	0.16 338	0.34 353	0.29 360	0.39 347	0.57 365	0.24 282	0.55 365	0.37 335	0.24 302	0.33 345	0.35 364	0.09 235	0.08 268	0.09 226	0.10 282	0.14 331	0.16 352

psm_up	0.18 268	0.10 237	0.18 263	0.20 267	0.11 254	0.17 218	0.19 262	0.37 336	0.34 285	0.21 249	0.28 256	0.29 290	0.24 302	0.20 260	0.22 290	0.09 235	0.10 309	0.11 294	0.11 305	0.08 198	0.08 217

RP	0.21 296	0.13 292	0.21 285	0.23 323	0.11 254	0.21 279	0.20 277	0.25 203	0.44 334	0.21 249	0.38 317	0.36 331	0.24 302	0.27 316	0.25 319	0.11 287	0.12 327	0.13 323	0.12 323	0.12 302	0.14 333

PS-NSSS	0.20 287	0.21 352	0.23 299	0.20 267	0.10 216	0.19 253	0.17 191	0.36 331	0.25 211	0.27 306	0.33 296	0.27 276	0.24 302	0.20 260	0.20 262	0.15 345	0.12 327	0.17 349	0.14 336	0.10 273	0.08 217

CBMV_ROB	0.19 278	0.13 292	0.17 246	0.16 68	0.11 254	0.15 175	0.13 43	0.26 215	0.28 242	0.27 306	0.30 271	0.27 276	0.24 302	0.23 298	0.16 222	0.15 345	0.17 361	0.22 366	0.20 361	0.10 273	0.11 292

DLCB_ROB	0.18 268	0.10 237	0.15 191	0.23 323	0.11 254	0.24 305	0.18 231	0.29 257	0.28 242	0.27 306	0.28 256	0.28 283	0.24 302	0.19 241	0.20 262	0.08 190	0.08 268	0.09 226	0.09 250	0.07 155	0.07 157

PWC_ROB	0.21 296	0.16 317	0.26 309	0.18 182	0.11 254	0.22 287	0.13 43	0.32 286	0.49 349	0.30 326	0.40 330	0.32 316	0.24 302	0.31 337	0.22 290	0.10 266	0.07 246	0.11 294	0.08 211	0.11 288	0.10 269

HBP-ISP	0.18 268	0.13 292	0.16 221	0.15 38	0.11 254	0.08 23	0.13 43	0.28 247	0.29 249	0.22 262	0.33 296	0.21 216	0.25 310	0.23 298	0.17 233	0.14 342	0.16 356	0.21 362	0.17 355	0.10 273	0.08 217

DDUNet	0.22 305	0.17 328	0.21 285	0.22 304	0.15 328	0.25 315	0.24 321	0.29 257	0.30 256	0.31 332	0.36 306	0.33 319	0.25 310	0.24 306	0.20 262	0.18 361	0.13 340	0.17 349	0.11 305	0.16 349	0.16 352

Syn2CoEx	0.21 296	0.16 317	0.27 315	0.29 365	0.14 317	0.26 323	0.20 277	0.33 303	0.31 262	0.28 317	0.36 306	0.27 276	0.25 310	0.19 241	0.24 310	0.16 356	0.12 327	0.14 333	0.11 305	0.09 246	0.08 217

Wz-Net-SNSev	0.25 337	0.17 328	0.44 356	0.25 339	0.14 317	0.26 323	0.23 312	0.38 343	0.56 363	0.30 326	0.55 365	0.39 347	0.26 313	0.23 298	0.30 350	0.10 266	0.09 291	0.09 226	0.10 282	0.11 288	0.11 292

AF-Net	0.22 305	0.17 328	0.17 246	0.26 344	0.13 300	0.25 315	0.24 321	0.32 286	0.50 351	0.25 295	0.33 296	0.38 339	0.26 313	0.28 327	0.25 319	0.11 287	0.10 309	0.16 347	0.11 305	0.11 288	0.10 269

PA-Net	0.23 320	0.18 338	0.33 336	0.28 358	0.22 367	0.21 279	0.38 382	0.29 257	0.39 310	0.22 262	0.32 283	0.25 261	0.26 313	0.20 260	0.25 319	0.09 235	0.23 378	0.15 341	0.22 366	0.09 246	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 278	0.09 190	0.22 290	0.17 115	0.10 216	0.25 315	0.18 231	0.27 233	0.44 334	0.22 262	0.31 279	0.33 319	0.26 313	0.28 327	0.28 343	0.08 190	0.06 189	0.07 98	0.07 161	0.09 246	0.09 250

SANet	0.24 328	0.14 304	0.28 320	0.21 291	0.11 254	0.27 330	0.24 321	0.38 343	0.64 376	0.36 346	0.40 330	0.43 356	0.26 313	0.27 316	0.24 310	0.12 311	0.09 291	0.10 267	0.09 250	0.13 319	0.11 292

XPNet_ROB	0.22 305	0.11 257	0.19 272	0.22 304	0.13 300	0.22 287	0.19 262	0.34 313	0.40 316	0.30 326	0.39 325	0.39 347	0.26 313	0.26 313	0.28 343	0.15 345	0.10 309	0.10 267	0.10 282	0.13 319	0.12 303

ETE_ROB	0.23 320	0.17 328	0.22 290	0.25 339	0.13 300	0.26 323	0.29 360	0.31 277	0.36 296	0.28 317	0.36 306	0.45 360	0.26 313	0.27 316	0.26 328	0.11 287	0.08 268	0.12 309	0.09 250	0.14 331	0.13 316

LALA_ROB	0.25 337	0.16 317	0.22 290	0.26 344	0.17 351	0.27 330	0.27 347	0.42 361	0.37 302	0.33 342	0.38 317	0.51 370	0.26 313	0.28 327	0.27 335	0.16 356	0.09 291	0.12 309	0.11 305	0.13 319	0.12 303

ACVNet-4b	0.39 367	0.53 386	0.55 369	0.45 383	0.24 370	0.47 371	0.18 231	0.49 375	0.64 376	0.42 363	0.45 351	0.60 377	0.27 321	0.34 348	0.24 310	0.33 384	0.14 347	0.48 387	0.42 387	0.30 380	0.26 379

Anonymous_2	0.22 305	0.17 328	0.28 320	0.15 38	0.16 338	0.32 344	0.22 302	0.22 156	0.17 99	0.23 274	0.24 196	0.26 269	0.27 321	0.27 316	0.23 300	0.22 373	0.25 380	0.17 349	0.17 355	0.17 356	0.17 359

UDG	0.21 296	0.17 328	0.19 272	0.23 323	0.15 328	0.30 342	0.20 277	0.33 303	0.35 292	0.23 274	0.28 256	0.31 308	0.27 321	0.20 260	0.22 290	0.15 345	0.12 327	0.13 323	0.09 250	0.14 331	0.14 333

aanetorigin	0.22 305	0.17 328	0.56 371	0.17 115	0.10 216	0.15 175	0.19 262	0.20 123	0.33 274	0.49 371	0.48 355	0.29 290	0.27 321	0.20 260	0.23 300	0.08 190	0.07 246	0.08 162	0.07 161	0.10 273	0.09 250

DMCA-RVC	0.17 256	0.10 237	0.15 191	0.24 328	0.11 254	0.18 233	0.18 231	0.25 203	0.24 192	0.21 249	0.26 240	0.25 261	0.27 321	0.18 230	0.20 262	0.12 311	0.08 268	0.13 323	0.10 282	0.10 273	0.08 217

RGC	0.25 337	0.20 346	0.29 326	0.28 358	0.16 338	0.22 287	0.23 312	0.32 286	0.44 334	0.27 306	0.40 330	0.38 339	0.27 321	0.36 359	0.22 290	0.11 287	0.13 340	0.17 349	0.17 355	0.14 331	0.16 352

stereogan	0.22 305	0.11 257	0.21 285	0.20 267	0.12 283	0.31 343	0.19 262	0.35 325	0.44 334	0.22 262	0.39 325	0.35 329	0.27 321	0.33 345	0.22 290	0.10 266	0.12 327	0.10 267	0.10 282	0.14 331	0.13 316

FBW_ROB	0.24 328	0.17 328	0.22 290	0.26 344	0.14 317	0.25 315	0.22 302	0.41 356	0.41 319	0.41 360	0.41 340	0.42 353	0.27 321	0.31 337	0.23 300	0.09 235	0.14 347	0.14 333	0.12 323	0.11 288	0.09 250

NCC-stereo	0.24 328	0.15 310	0.31 331	0.26 344	0.16 338	0.20 265	0.30 367	0.40 351	0.40 316	0.24 282	0.38 317	0.33 319	0.28 329	0.36 359	0.27 335	0.12 311	0.11 318	0.15 341	0.22 366	0.13 319	0.13 316

Nwc_Net	0.23 320	0.16 317	0.21 285	0.25 339	0.14 317	0.24 305	0.26 340	0.37 336	0.38 307	0.22 262	0.41 340	0.30 298	0.28 329	0.28 327	0.25 319	0.11 287	0.10 309	0.17 349	0.20 361	0.10 273	0.10 269

Abc-Net	0.24 328	0.15 310	0.31 331	0.26 344	0.16 338	0.20 265	0.30 367	0.40 351	0.40 316	0.24 282	0.38 317	0.33 319	0.28 329	0.36 359	0.27 335	0.12 311	0.11 318	0.15 341	0.22 366	0.13 319	0.13 316
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 343	0.15 310	0.30 329	0.24 328	0.18 358	0.22 287	0.15 115	0.38 343	0.71 383	0.32 338	0.41 340	0.36 331	0.28 329	0.32 343	0.29 346	0.12 311	0.11 318	0.14 333	0.13 332	0.16 349	0.20 367

DeepPrunerF	0.24 328	0.17 328	0.42 355	0.26 344	0.16 338	0.22 287	0.28 352	0.37 336	0.50 351	0.26 300	0.29 267	0.24 251	0.28 329	0.21 276	0.22 290	0.15 345	0.11 318	0.20 361	0.18 359	0.12 302	0.13 316

ADCPNet	0.25 337	0.16 317	0.61 375	0.21 291	0.15 328	0.35 361	0.25 334	0.32 286	0.35 292	0.30 326	0.40 330	0.36 331	0.28 329	0.28 327	0.32 358	0.12 311	0.10 309	0.11 294	0.12 323	0.14 331	0.13 316

GANet	0.21 296	0.12 271	0.21 285	0.24 328	0.13 300	0.22 287	0.22 302	0.41 356	0.26 224	0.31 332	0.42 345	0.37 335	0.28 329	0.23 298	0.22 290	0.10 266	0.12 327	0.10 267	0.09 250	0.10 273	0.08 217

NCCL2	0.23 320	0.15 310	0.17 246	0.34 372	0.18 358	0.24 305	0.23 312	0.34 313	0.28 242	0.31 332	0.38 317	0.38 339	0.28 329	0.23 298	0.24 310	0.15 345	0.12 327	0.18 357	0.21 363	0.13 319	0.13 316

APVNet	0.22 305	0.12 271	0.19 272	0.18 182	0.14 317	0.32 344	0.31 373	0.39 347	0.32 268	0.27 306	0.40 330	0.30 298	0.29 337	0.26 313	0.25 319	0.11 287	0.12 327	0.11 294	0.14 336	0.12 302	0.12 303

G-Net	0.24 328	0.16 317	0.36 345	0.22 304	0.16 338	0.51 375	0.23 312	0.29 257	0.34 285	0.36 346	0.38 317	0.31 308	0.29 337	0.27 316	0.26 328	0.11 287	0.09 291	0.12 309	0.09 250	0.16 349	0.13 316

DPSNet	0.28 348	0.16 317	0.31 331	0.18 182	0.13 300	0.54 377	0.42 386	0.51 378	0.67 380	0.29 323	0.38 317	0.38 339	0.29 337	0.31 337	0.23 300	0.11 287	0.10 309	0.11 294	0.08 211	0.20 363	0.16 352

PDISCO_ROB	0.27 345	0.16 317	0.26 309	0.28 358	0.20 363	0.32 344	0.26 340	0.44 366	0.57 365	0.28 317	0.40 330	0.45 360	0.29 337	0.33 345	0.34 363	0.12 311	0.09 291	0.17 349	0.16 348	0.17 356	0.13 316

ccnet	0.29 352	0.28 370	0.23 299	0.20 267	0.28 377	0.41 368	0.21 293	0.45 369	0.33 274	0.36 346	0.46 352	0.36 331	0.30 341	0.39 367	0.42 379	0.23 377	0.14 347	0.21 362	0.17 355	0.23 367	0.18 361

S-Stereo	0.20 287	0.12 271	0.25 308	0.21 291	0.13 300	0.20 265	0.18 231	0.32 286	0.43 330	0.23 274	0.36 306	0.28 283	0.30 341	0.19 241	0.22 290	0.09 235	0.12 327	0.10 267	0.10 282	0.13 319	0.13 316

XQC	0.28 348	0.23 357	0.51 364	0.28 358	0.19 360	0.34 353	0.27 347	0.36 331	0.57 365	0.31 332	0.30 271	0.37 335	0.30 341	0.38 364	0.38 371	0.13 331	0.09 291	0.15 341	0.12 323	0.17 356	0.18 361

ADCL	0.24 328	0.11 257	0.47 361	0.22 304	0.12 283	0.34 353	0.29 360	0.29 257	0.56 363	0.24 282	0.46 352	0.30 298	0.30 341	0.29 333	0.29 346	0.08 190	0.07 246	0.09 226	0.09 250	0.10 273	0.10 269

MFN_U_SF_DS_RVC	0.30 357	0.24 360	0.29 326	0.36 376	0.16 338	0.34 353	0.30 367	0.32 286	0.42 325	0.40 356	0.46 352	0.38 339	0.31 345	0.34 348	0.28 343	0.19 365	0.20 369	0.26 369	0.29 378	0.18 359	0.19 366

CC-Net-ROB	0.28 348	0.31 375	0.36 345	0.29 365	0.15 328	0.25 315	0.19 262	0.45 369	0.33 274	0.39 353	0.37 312	0.39 347	0.31 345	0.27 316	0.26 328	0.24 379	0.19 366	0.30 380	0.23 370	0.18 359	0.15 341

DANet	0.21 296	0.15 310	0.28 320	0.25 339	0.13 300	0.22 287	0.19 262	0.27 233	0.27 231	0.28 317	0.32 283	0.35 329	0.31 345	0.31 337	0.23 300	0.11 287	0.09 291	0.11 294	0.10 282	0.13 319	0.11 292
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 287	0.12 271	0.22 290	0.21 291	0.12 283	0.17 218	0.18 231	0.34 313	0.39 310	0.27 306	0.37 312	0.34 325	0.32 348	0.21 276	0.20 262	0.09 235	0.11 318	0.10 267	0.09 250	0.11 288	0.14 333

otaku	0.39 367	0.37 380	0.52 365	0.44 382	0.28 377	0.58 379	0.24 321	0.41 356	0.62 374	0.40 356	0.49 356	0.46 364	0.33 349	0.40 371	0.32 358	0.30 382	0.30 384	0.39 384	0.33 383	0.29 379	0.28 380

AnyNet_C32	0.26 343	0.16 317	0.36 345	0.20 267	0.16 338	0.25 315	0.30 367	0.32 286	0.44 334	0.31 332	0.49 356	0.30 298	0.33 349	0.40 371	0.33 361	0.12 311	0.12 327	0.12 309	0.14 336	0.14 331	0.15 341

GANetREF_RVC	0.31 358	0.34 377	0.27 315	0.35 374	0.16 338	0.32 344	0.41 383	0.48 373	0.51 358	0.35 344	0.35 303	0.34 325	0.33 349	0.39 367	0.32 358	0.27 381	0.20 369	0.29 378	0.15 346	0.18 359	0.17 359
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
CSAN	0.29 352	0.24 360	0.27 315	0.34 372	0.19 360	0.33 350	0.42 386	0.37 336	0.50 351	0.38 351	0.40 330	0.44 358	0.33 349	0.28 327	0.30 350	0.20 367	0.16 356	0.19 359	0.19 360	0.14 331	0.15 341

PASM	0.32 360	0.24 360	0.48 362	0.28 358	0.27 376	0.29 339	0.30 367	0.34 313	0.49 349	0.35 344	0.39 325	0.46 364	0.34 353	0.34 348	0.35 364	0.23 377	0.25 380	0.26 369	0.28 377	0.23 367	0.21 369

WCMA_ROB	0.24 328	0.11 257	0.22 290	0.17 115	0.14 317	0.32 344	0.15 115	0.32 286	0.32 268	0.38 351	0.53 362	0.40 350	0.34 353	0.34 348	0.25 319	0.11 287	0.12 327	0.12 309	0.10 282	0.14 331	0.14 333

edge stereo	0.22 305	0.13 292	0.20 280	0.21 291	0.13 300	0.23 300	0.16 170	0.32 286	0.42 325	0.32 338	0.40 330	0.38 339	0.35 355	0.25 311	0.24 310	0.13 331	0.11 318	0.14 333	0.11 305	0.12 302	0.13 316

SGM_RVC	0.23 320	0.12 271	0.15 191	0.15 38	0.09 131	0.33 350	0.18 231	0.34 313	0.31 262	0.44 367	0.37 312	0.53 373	0.35 355	0.35 354	0.24 310	0.13 331	0.13 340	0.13 323	0.13 332	0.10 273	0.11 292
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 352	0.18 338	0.45 357	0.21 291	0.17 351	0.28 336	0.23 312	0.41 356	0.63 375	0.40 356	0.49 356	0.40 350	0.36 357	0.39 367	0.40 375	0.13 331	0.12 327	0.13 323	0.14 336	0.16 349	0.16 352

LSM	0.33 363	0.20 346	0.58 373	0.26 344	0.60 398	0.34 353	0.25 334	0.42 361	0.48 344	0.45 368	0.58 373	0.42 353	0.36 357	0.35 354	0.25 319	0.12 311	0.20 369	0.14 333	0.16 348	0.19 362	0.33 386

psmorigin	0.25 337	0.15 310	0.34 344	0.17 115	0.13 300	0.23 300	0.14 69	0.34 313	0.33 274	0.41 360	0.55 365	0.41 352	0.37 359	0.34 348	0.27 335	0.11 287	0.15 353	0.11 294	0.11 305	0.12 302	0.16 352

Wz-Net-TNSev	0.29 352	0.20 346	0.65 378	0.19 227	0.15 328	0.38 365	0.27 347	0.35 325	0.55 361	0.34 343	0.42 345	0.45 360	0.38 360	0.32 343	0.30 350	0.12 311	0.13 340	0.10 267	0.12 323	0.15 342	0.14 333

AnyNet_C01	0.36 366	0.25 365	1.37 404	0.22 304	0.17 351	0.48 373	0.27 347	0.35 325	0.39 310	0.39 353	0.74 385	0.46 364	0.38 360	0.45 375	0.47 384	0.13 331	0.13 340	0.13 323	0.14 336	0.14 331	0.15 341

EDNetEfficient	0.29 352	0.24 360	1.13 401	0.18 182	0.10 216	0.19 253	0.20 277	0.20 123	0.60 372	0.74 390	0.56 370	0.31 308	0.39 362	0.22 287	0.30 350	0.09 235	0.07 246	0.08 162	0.07 161	0.11 288	0.09 250

MFN_U_SF_RVC	0.32 360	0.21 352	0.55 369	0.30 367	0.15 328	0.34 353	0.17 191	0.52 379	0.46 342	0.46 370	0.55 365	0.59 376	0.39 362	0.35 354	0.37 369	0.15 345	0.14 347	0.18 357	0.21 363	0.16 349	0.15 341

SAMSARA	0.40 370	0.28 370	0.33 336	0.55 389	0.39 383	0.82 399	1.23 413	0.47 372	0.51 358	0.36 346	0.35 303	0.55 375	0.39 362	0.38 364	0.39 373	0.15 345	0.20 369	0.15 341	0.14 336	0.23 367	0.20 367

ADCMid	0.25 337	0.15 310	0.40 352	0.20 267	0.14 317	0.25 315	0.26 340	0.34 313	0.38 307	0.36 346	0.44 350	0.34 325	0.40 365	0.35 354	0.33 361	0.10 266	0.09 291	0.11 294	0.11 305	0.13 319	0.12 303

FC-DCNN	0.33 363	0.27 367	0.28 320	0.26 344	0.23 369	0.37 363	0.28 352	0.40 351	0.43 330	0.45 368	0.55 365	0.51 370	0.40 365	0.37 363	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 374	0.24 373

MSMD_ROB	0.31 358	0.26 366	0.26 309	0.24 328	0.21 365	0.34 353	0.25 334	0.34 313	0.39 310	0.40 356	0.69 379	0.45 360	0.40 365	0.34 348	0.27 335	0.20 367	0.19 366	0.26 369	0.25 372	0.23 367	0.22 371

MeshStereo	0.27 345	0.13 292	0.18 263	0.15 38	0.11 254	0.32 344	0.24 321	0.40 351	0.36 296	0.52 373	0.57 371	0.67 384	0.40 365	0.35 354	0.26 328	0.14 342	0.13 340	0.13 323	0.11 305	0.11 288	0.10 269
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
FCDSN-DC	0.33 363	0.28 370	0.28 320	0.30 367	0.24 370	0.39 366	0.28 352	0.42 361	0.42 325	0.43 366	0.53 362	0.51 370	0.41 369	0.36 359	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 374	0.24 373
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 377	0.19 341	3.26 410	0.24 328	0.15 328	0.74 392	0.20 277	0.36 331	0.76 389	0.42 363	0.43 348	0.31 308	0.41 369	0.53 383	0.35 364	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 341

RTSA	0.45 377	0.19 341	3.26 410	0.24 328	0.15 328	0.74 392	0.20 277	0.36 331	0.76 389	0.42 363	0.43 348	0.31 308	0.41 369	0.53 383	0.35 364	0.10 266	0.08 268	0.13 323	0.12 323	0.15 342	0.15 341

Ntro	0.40 370	0.40 382	0.53 366	0.46 386	0.30 381	0.65 385	0.24 321	0.46 371	0.68 381	0.41 360	0.49 356	0.48 368	0.42 372	0.39 367	0.31 357	0.32 383	0.28 382	0.37 383	0.30 380	0.32 384	0.29 381

SGM-ForestM	0.32 360	0.12 271	0.16 221	0.16 68	0.11 254	0.39 366	0.19 262	0.41 356	0.50 351	0.52 373	0.54 364	1.32 403	0.42 372	0.40 371	0.27 335	0.14 342	0.16 356	0.16 347	0.16 348	0.12 302	0.12 303

LE_ROB	0.50 381	0.07 69	0.14 154	0.15 38	0.08 47	0.24 305	0.16 170	0.22 156	1.81 412	4.63 415	0.67 377	0.47 367	0.44 374	0.20 260	0.29 346	0.07 141	0.06 189	0.06 31	0.06 86	0.08 198	0.06 98

coex-ft	3.30 412	0.34 377	59.09 435	0.18 182	0.13 300	0.26 323	0.22 302	0.27 233	0.72 384	1.90 413	0.70 381	0.44 358	0.45 375	0.29 333	0.41 378	0.09 235	0.09 291	0.12 309	0.09 250	0.14 331	0.13 316

RainbowNet	0.54 384	0.61 390	0.70 390	0.57 390	0.43 386	0.65 385	0.37 381	0.60 388	0.87 393	0.50 372	0.66 376	0.64 380	0.47 376	0.49 377	0.43 382	0.47 392	0.48 394	0.52 391	0.41 386	0.52 389	0.40 391

Consistency-Raft	0.44 375	0.40 382	0.45 357	0.37 377	0.43 386	0.46 369	0.41 383	0.57 386	0.55 361	0.32 338	0.73 383	0.33 319	0.48 377	0.42 374	0.49 386	0.39 386	0.35 386	0.45 386	0.51 394	0.42 386	0.29 381

ACVNet_1	0.44 375	0.49 385	0.60 374	0.45 383	0.28 377	0.49 374	0.27 347	0.57 386	0.72 384	0.62 379	0.58 373	0.74 388	0.49 378	0.50 378	0.35 364	0.26 380	0.24 379	0.39 384	0.29 378	0.31 383	0.24 373

EDNetEfficientorigin	7.91 417	0.31 375	153.02 436	0.19 227	0.09 131	0.21 279	0.16 170	0.22 156	0.59 369	0.72 386	0.67 377	0.42 353	0.50 379	0.24 306	0.39 373	0.08 190	0.07 246	0.08 162	0.07 161	0.12 302	0.10 269

MSC_U_SF_DS_RVC	0.43 374	0.39 381	0.54 367	0.40 378	0.20 363	0.64 384	0.32 375	0.53 381	0.72 384	0.71 384	0.72 382	0.61 378	0.54 380	0.51 379	0.46 383	0.20 367	0.19 366	0.29 378	0.30 380	0.23 367	0.18 361

ELAS_RVC	0.41 372	0.29 373	0.33 336	0.28 358	0.24 370	0.54 377	0.36 378	0.49 375	0.59 369	0.72 386	0.74 385	0.65 382	0.54 380	0.54 385	0.40 375	0.22 373	0.20 369	0.27 372	0.26 373	0.26 377	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 372	0.29 373	0.33 336	0.27 355	0.24 370	0.60 382	0.36 378	0.50 377	0.50 351	0.71 384	0.79 389	0.67 384	0.54 380	0.51 379	0.42 379	0.22 373	0.20 369	0.27 372	0.26 373	0.26 377	0.25 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 383	0.58 388	0.65 378	0.41 380	0.61 399	0.53 376	0.41 383	0.56 384	0.41 319	0.55 376	0.50 360	0.49 369	0.55 383	0.58 388	0.50 389	0.58 397	0.50 398	0.51 389	0.51 394	0.51 388	0.57 395

SGM+DAISY	0.56 385	0.57 387	0.65 378	0.40 378	0.54 391	0.66 387	0.49 390	0.56 384	0.45 341	0.66 380	0.69 379	0.67 384	0.56 384	0.63 390	0.56 391	0.59 398	0.48 394	0.50 388	0.50 393	0.52 389	0.58 396

SPS-STEREO	0.57 386	0.58 388	0.65 378	0.45 383	0.55 393	0.62 383	0.44 389	0.62 389	0.50 351	0.68 382	0.64 375	0.66 383	0.57 385	0.61 389	0.60 393	0.62 400	0.47 393	0.51 389	0.49 391	0.55 393	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 367	0.20 346	0.39 351	0.31 371	0.22 367	0.29 339	0.43 388	0.52 379	0.96 396	0.55 376	0.79 389	0.53 373	0.59 386	0.52 381	0.38 371	0.19 365	0.14 347	0.17 349	0.14 336	0.24 373	0.31 384

MANE	0.45 377	0.27 367	0.27 315	0.27 355	0.24 370	0.47 371	0.31 373	0.55 383	0.59 369	0.72 386	1.13 405	1.15 397	0.61 387	0.52 381	0.37 369	0.21 370	0.20 369	0.27 372	0.31 382	0.25 374	0.24 373

PWCK	0.71 391	0.94 406	0.95 399	0.76 395	0.31 382	0.74 392	0.36 378	0.90 396	0.90 394	0.96 399	0.75 387	0.95 392	0.61 387	0.87 402	0.66 396	0.72 402	0.46 389	0.75 398	0.49 391	0.69 401	0.44 393

BEATNet-Init1	0.52 382	0.27 367	0.62 376	0.30 367	0.21 365	0.76 396	0.29 360	0.54 382	0.65 378	0.86 395	0.95 396	2.07 412	0.62 389	0.56 387	0.42 379	0.18 361	0.18 363	0.23 367	0.22 366	0.22 366	0.21 369

NVStereoNet_ROB	0.46 380	0.36 379	0.46 360	0.41 380	0.28 377	0.34 353	0.34 376	0.48 373	0.60 372	0.72 386	0.93 394	0.70 387	0.66 390	0.47 376	0.60 393	0.22 373	0.33 385	0.34 382	0.34 385	0.30 380	0.30 383
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 387	0.66 394	0.65 378	0.51 387	0.69 403	0.69 388	0.57 396	0.64 390	0.73 387	0.60 378	0.73 383	0.62 379	0.67 391	0.65 391	0.60 393	0.66 401	0.58 407	0.63 393	0.59 397	0.68 399	0.69 405

MADNet+	0.75 394	0.71 396	3.70 413	0.66 392	0.41 384	0.98 404	0.97 411	0.69 391	0.73 387	0.52 373	0.57 371	0.64 380	0.68 392	0.86 401	1.01 409	0.34 385	0.36 387	0.28 377	0.23 370	0.36 385	0.31 384

ACVNet_2	0.66 390	0.66 394	0.68 386	0.63 391	0.41 384	0.71 390	0.49 390	0.96 401	1.39 405	0.89 396	1.09 401	1.04 393	0.73 393	0.54 385	0.47 384	0.43 390	0.40 388	0.53 392	0.44 388	0.47 387	0.35 388

TorneroNet-64	0.76 395	0.72 397	0.74 391	0.78 397	0.58 397	0.91 403	0.56 395	0.84 395	1.29 402	0.66 380	0.90 392	1.40 405	0.75 394	0.85 400	0.67 399	0.49 393	0.46 389	0.72 397	0.59 397	0.67 398	0.53 394

IMH-64-1	0.65 388	0.61 390	0.68 386	0.71 393	0.51 389	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 389	0.78 395	0.79 394	0.49 386	0.42 388	0.46 389	0.71 395	0.47 389	0.52 389	0.39 389

IMH-64	0.65 388	0.61 390	0.68 386	0.71 393	0.51 389	0.59 380	0.49 390	0.91 397	0.85 391	0.74 390	1.02 398	0.81 389	0.78 395	0.79 394	0.49 386	0.42 388	0.46 389	0.71 395	0.47 389	0.52 389	0.39 389

JetBlue	0.71 391	0.45 384	1.14 402	0.51 387	0.47 388	2.02 413	0.64 400	0.75 392	0.70 382	0.69 383	0.77 388	1.22 399	0.83 397	1.03 409	1.01 409	0.40 387	0.28 382	0.33 381	0.33 383	0.30 380	0.34 387

LVE	0.83 399	0.85 403	0.85 397	0.80 398	0.56 394	1.04 409	0.65 401	1.05 406	1.47 408	0.96 399	1.22 409	1.10 396	0.85 398	0.83 397	0.71 401	0.49 393	0.55 404	0.76 400	0.60 399	0.65 396	0.59 401

TorneroNet	0.82 398	0.74 398	0.81 396	0.84 400	0.63 400	0.99 405	0.63 398	0.96 401	1.16 399	0.80 393	1.11 403	1.36 404	0.86 399	0.93 405	0.80 404	0.56 395	0.49 396	0.78 402	0.66 401	0.73 404	0.63 404

IMH	0.71 391	0.64 393	0.68 386	0.76 395	0.54 391	0.69 388	0.54 394	0.98 403	1.10 398	0.82 394	1.09 401	0.89 391	0.88 400	0.87 402	0.52 390	0.44 391	0.50 398	0.75 398	0.51 394	0.56 394	0.41 392

WAO-7	0.79 396	0.78 399	0.54 367	0.85 401	0.67 402	0.74 392	0.68 404	1.05 406	1.32 403	0.90 397	1.20 408	1.04 393	0.92 401	0.69 392	0.66 396	0.60 399	0.62 408	0.67 394	0.68 402	0.64 395	0.58 396

JetRed	1.62 410	1.46 414	2.98 409	0.92 404	1.21 413	4.99 415	1.53 415	1.27 413	1.39 405	1.83 412	1.74 414	1.60 411	0.95 402	1.41 412	2.45 415	0.90 410	1.60 414	0.93 406	0.90 410	1.35 413	0.99 413

KSHMR	1.09 407	1.17 410	0.88 398	1.25 413	1.00 412	0.99 405	0.96 410	1.13 410	1.37 404	1.16 407	1.29 410	1.41 406	0.96 403	1.01 408	0.92 406	1.03 411	1.08 413	1.20 410	1.03 412	1.01 410	0.97 412

Dean	0.87 400	0.86 404	0.79 394	0.81 399	0.56 394	0.90 400	0.63 398	1.15 411	1.73 411	1.15 406	1.15 406	1.31 402	0.99 404	0.81 396	0.81 405	0.57 396	0.56 405	0.77 401	0.64 400	0.66 397	0.58 396

WAO-6	0.81 397	0.80 400	0.62 376	0.86 402	0.63 400	0.76 396	0.58 397	0.98 403	1.54 410	0.90 397	0.96 397	1.07 395	1.03 405	0.70 393	0.66 396	0.72 402	0.49 396	0.90 405	0.71 403	0.68 399	0.58 396

WAO-8	0.91 401	0.81 401	0.65 378	0.94 405	0.69 403	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 400	1.07 406	0.84 398	0.78 402	0.74 404	0.53 401	0.86 403	0.75 404	0.69 401	0.62 402

ktn	1.01 406	1.21 411	0.80 395	1.23 412	0.86 409	1.01 407	0.87 408	0.94 400	1.39 405	1.04 402	1.12 404	1.15 397	1.07 406	0.94 406	0.59 392	1.28 413	0.71 411	1.38 413	0.83 407	1.02 411	0.75 408

Venus	0.91 401	0.81 401	0.65 378	0.94 405	0.69 403	0.90 400	0.67 402	1.07 408	1.83 413	1.06 404	1.45 411	1.30 400	1.07 406	0.84 398	0.78 402	0.74 404	0.53 401	0.86 403	0.75 404	0.69 401	0.62 402

DPSimNet_ROB	1.11 408	1.23 412	0.78 392	1.13 409	0.88 410	1.10 410	1.13 412	1.16 412	1.23 401	1.43 410	1.02 398	1.41 406	1.10 409	0.90 404	1.60 411	1.46 414	0.51 400	1.21 411	1.03 412	0.90 408	1.01 414

notaker	0.97 404	1.11 409	0.98 400	1.13 409	0.81 407	0.73 391	0.68 404	0.93 399	1.16 399	1.18 408	1.18 407	1.41 406	1.16 410	1.08 411	0.69 400	0.81 407	0.64 409	1.17 409	0.79 406	0.98 409	0.80 410

UNDER WATER-64	0.95 403	0.94 406	1.43 406	0.87 403	0.56 394	1.18 412	0.87 408	0.77 393	0.94 395	1.04 402	0.85 391	1.58 410	1.21 411	0.94 406	0.96 407	0.87 408	0.57 406	1.03 408	0.88 409	0.78 406	0.73 406

UNDER WATER	0.97 404	0.97 408	1.42 405	0.99 407	0.70 406	1.12 411	0.84 407	0.80 394	1.08 397	1.01 401	0.90 392	1.55 409	1.22 412	1.03 409	1.00 408	0.78 406	0.53 401	1.02 407	0.87 408	0.80 407	0.74 407

HanzoNet	1.29 409	1.26 413	1.19 403	1.12 408	0.85 408	1.02 408	0.83 406	1.03 405	1.48 409	1.64 411	1.61 413	2.50 414	1.72 413	1.61 413	1.61 412	1.26 412	0.80 412	1.31 412	1.01 411	1.02 411	0.86 411

MADNet++	1.95 411	1.75 415	1.59 408	1.82 414	1.69 415	2.33 414	1.40 414	2.35 414	2.09 415	2.57 414	2.36 415	2.24 413	2.17 414	2.28 414	2.34 414	1.87 415	1.66 415	1.54 414	1.34 414	1.92 414	1.77 416

tt	4.67 413	0.06 19	3.55 412	2.02 415	1.55 414	10.25 419	16.71 419	8.91 422	5.03 416	1.31 409	0.94 395	4.71 415	4.76 415	3.33 415	5.87 417	6.06 422	10.30 426	1.88 416	2.11 417	2.75 415	1.21 415

LRCNet_RVC	10.62 422	13.42 427	7.30 415	18.92 426	2.07 416	0.33 350	0.30 367	5.59 418	0.48 344	13.03 424	17.94 425	8.87 419	5.65 416	4.79 416	1.89 413	23.51 433	2.73 420	27.55 434	25.71 434	16.07 431	16.33 432

PML	8.91 420	9.34 426	6.13 414	5.35 419	6.41 420	14.99 421	23.38 425	5.27 415	6.83 417	18.04 426	28.19 435	7.67 418	6.83 417	7.85 419	5.75 416	5.35 421	1.83 416	5.95 425	1.93 416	8.64 423	2.52 417

xxxxx1	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

tt_ll	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

ff	7.79 414	5.02 420	7.31 416	3.12 416	3.85 417	16.35 422	22.88 420	5.86 419	8.69 418	7.97 418	8.54 416	9.12 420	8.27 418	10.18 420	10.92 418	2.42 416	2.45 417	3.56 419	12.37 423	3.77 416	3.06 418

DPSMNet_ROB	8.06 418	4.48 418	8.63 422	5.37 421	10.74 423	8.32 417	22.98 424	5.46 416	13.36 423	5.12 416	9.92 419	5.08 416	10.40 421	5.53 418	12.58 421	3.80 420	8.00 421	3.50 417	7.02 420	3.83 419	7.14 422

DGTPSM_ROB	8.06 418	4.48 418	8.63 422	5.35 419	10.72 422	8.32 417	22.97 423	5.46 416	13.35 422	5.12 416	9.92 419	5.08 416	10.40 421	5.52 417	12.58 421	3.79 419	8.00 421	3.50 417	7.02 420	3.83 419	7.14 422

Anonymous_1	10.96 423	7.92 423	7.46 419	10.33 422	10.06 421	18.65 426	26.34 426	11.06 423	13.44 424	9.40 421	10.05 421	9.67 423	11.23 423	10.73 423	12.72 423	6.42 423	8.38 423	5.77 422	10.61 422	12.12 424	6.77 421

DPSM_ROB	11.15 424	8.58 424	8.00 420	10.88 423	11.58 424	19.10 427	26.71 427	12.05 424	14.07 425	10.36 422	10.84 422	10.33 424	11.86 424	11.70 424	13.54 424	6.99 424	8.79 424	5.89 423	6.95 418	7.29 421	7.42 424

DPSM	11.15 424	8.58 424	8.00 420	10.88 423	11.58 424	19.10 427	26.71 427	12.05 424	14.07 425	10.36 422	10.84 422	10.33 424	11.86 424	11.70 424	13.54 424	6.99 424	8.79 424	5.89 423	6.95 418	7.29 421	7.42 424

HaxPig	15.71 427	18.52 434	19.18 430	16.89 425	15.89 427	7.73 416	7.60 416	13.31 426	10.82 421	15.42 425	14.91 424	15.98 426	14.92 426	15.58 426	15.98 427	18.95 432	16.73 427	19.46 432	18.08 432	19.26 432	19.05 433

MEDIAN_ROB	20.38 428	24.04 435	23.31 432	21.23 427	21.71 428	10.40 420	7.92 417	17.64 427	15.50 427	20.12 427	19.70 426	20.34 427	20.32 427	21.19 427	21.13 428	23.81 434	21.81 434	24.98 433	23.76 433	24.71 433	23.93 434

MyStereo03	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

MyStereo02	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

MyStereo	22.45 430	17.33 429	16.21 426	21.95 428	23.27 429	38.32 430	53.79 431	24.21 430	28.46 431	20.87 431	21.85 430	20.80 428	23.87 428	23.46 429	27.40 432	14.08 427	17.71 431	11.82 426	14.03 428	14.65 425	14.89 426

Selective-RAFT-Error	22.47 433	17.37 433	16.09 425	22.06 432	23.34 433	38.39 434	53.83 435	24.29 434	28.47 434	20.74 429	21.83 429	20.81 431	23.90 431	23.54 433	27.53 435	14.08 427	17.69 429	11.82 426	14.00 426	14.69 429	15.00 431

CasAABBNet	22.42 429	17.33 429	16.01 424	22.01 431	23.28 432	38.32 430	53.80 434	24.14 429	28.41 430	20.60 428	21.77 428	20.89 432	23.91 432	23.43 428	27.36 430	14.07 426	17.69 429	11.83 430	14.01 427	14.67 428	14.95 430

LSM0	22.87 434	17.28 428	18.96 429	22.19 433	29.04 435	38.42 435	53.71 430	24.28 433	28.31 429	20.78 430	21.00 427	21.43 433	24.16 433	23.50 432	27.39 431	14.09 431	17.38 428	11.84 431	14.04 431	14.73 430	14.89 426

SPstereo	13.84 426	0.93 405	1.50 407	1.22 411	0.88 410	28.82 429	48.26 429	26.77 436	29.54 435	22.37 434	22.60 433	23.23 434	24.68 434	24.53 434	15.06 426	0.88 409	0.69 410	1.83 415	1.60 415	0.74 405	0.77 409

AVERAGE_ROB	24.90 435	29.20 436	28.14 433	24.89 434	24.64 434	17.75 425	11.12 418	21.45 428	19.93 428	25.12 435	24.46 434	25.12 435	25.46 435	24.69 435	22.83 429	29.76 435	27.13 435	28.97 435	27.95 435	29.91 434	29.47 435

test_example2	98.32 436	94.13 437	45.89 434	96.35 435	109.85 436	88.61 436	95.45 436	25.75 435	94.37 436	130.00 436	126.06 436	58.17 436	74.63 436	88.51 436	79.96 436	150.23 436	221.02 436	77.62 436	99.10 436	113.75 436	96.94 436

ASD4		3.38 417

Low-res two-view benchmark