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

TDLM	0.09 1	0.08 6	0.12 9	0.02 1	0.02 2	0.00 1	0.01 12	0.19 14	0.04 5	0.00 1	0.00 1	0.48 31	0.01 2	0.01 4	0.26 1	0.22 1	0.08 2	0.06 7	0.01 1	0.00 1	0.10 1	0.10 4	0.01 15	0.01 2	0.00 1	0.01 3	0.30 4	0.39 28

RAFT+GMM	0.18 2	0.04 1	0.33 25	0.02 1	0.00 1	0.12 51	0.12 61	0.94 42	0.01 1	0.70 43	0.00 1	0.17 6	0.00 1	0.01 4	0.57 3	0.46 4	0.03 1	0.00 1	0.06 3	0.21 30	0.14 4	0.50 13	0.00 1	0.00 1	0.02 5	0.00 1	0.27 3	0.00 1

delet	0.19 3	0.07 5	0.25 17	0.06 6	0.04 6	0.02 28	0.02 25	0.01 1	0.04 5	0.34 25	0.00 1	0.10 3	0.03 6	0.02 12	1.36 7	0.46 4	0.16 8	0.05 5	0.13 4	0.05 7	0.13 3	0.18 6	0.00 1	0.04 10	0.00 1	0.01 3	1.41 18	0.02 3

CVANet_RVC	0.21 4	0.15 9	0.61 55	0.42 63	0.06 9	0.06 45	0.01 12	1.53 57	0.05 9	0.08 12	0.04 28	0.62 43	0.04 9	0.03 19	0.46 2	0.32 2	0.14 5	0.09 12	0.05 2	0.01 2	0.19 5	0.07 3	0.00 1	0.03 7	0.00 1	0.01 3	0.55 6	0.08 12

iRaftStereo_RVC	0.22 5	0.19 13	0.35 30	0.22 22	0.11 16	0.01 14	0.00 1	0.04 8	0.07 11	0.00 1	0.00 1	0.22 9	0.10 25	0.03 19	1.13 5	0.87 13	0.16 8	0.06 7	0.37 10	0.11 14	0.95 27	0.62 19	0.00 1	0.02 4	0.08 18	0.00 1	0.11 1	0.03 5

AANet_RVC	0.25 6	0.05 4	0.29 20	0.06 6	0.19 24	0.00 1	0.23 70	0.03 6	0.17 30	0.35 29	0.01 24	0.07 2	0.04 9	0.01 4	1.37 8	0.48 6	0.10 3	0.06 7	0.43 11	0.17 24	0.10 1	0.25 8	0.03 32	0.05 11	0.02 5	0.06 12	1.15 13	0.89 43

DMCA	0.27 7	0.37 37	0.20 14	0.17 17	0.09 13	0.02 28	0.01 12	0.02 4	0.04 5	0.59 39	0.00 1	0.34 23	0.05 13	0.01 4	1.81 12	0.88 15	0.31 23	0.12 17	0.22 5	0.10 13	0.38 11	0.23 7	0.00 1	0.03 7	0.03 9	0.06 12	1.19 14	0.15 18

GANet	0.29 8	0.56 57	0.39 34	0.27 32	0.11 16	0.88 87	0.14 65	0.27 19	0.06 10	0.02 9	0.28 41	1.85 73	0.04 9	0.03 19	0.62 4	0.39 3	0.37 35	0.14 22	0.24 7	0.01 2	0.20 6	0.05 2	0.06 43	0.02 4	0.06 15	0.01 3	0.48 5	0.16 20

MMNet	0.30 9	0.21 16	0.07 4	0.05 4	0.05 8	0.00 1	0.06 50	0.01 1	0.03 3	0.22 17	0.00 1	0.19 8	0.01 2	0.05 29	2.24 18	0.62 8	0.24 15	0.12 17	0.35 8	0.07 9	0.30 8	0.11 5	0.04 35	0.08 19	0.03 9	0.04 11	2.84 38	0.02 3

FINET	0.37 10	0.14 8	0.45 41	0.18 18	0.08 11	0.02 28	0.01 12	0.34 22	0.17 30	0.01 7	0.30 43	0.56 41	0.19 39	0.02 12	2.46 27	1.20 34	0.26 18	0.09 12	1.10 21	0.14 17	0.72 19	0.31 9	0.04 35	0.14 36	0.03 9	0.10 17	0.84 10	0.05 8

RAFT + AFF	0.41 11	0.04 1	0.01 2	0.22 22	0.02 2	0.04 38	0.00 1	0.03 6	0.03 3	0.00 1	0.00 1	0.28 15	0.02 5	0.01 4	4.88 96	0.92 18	0.35 28	0.02 4	2.33 41	0.03 6	0.65 17	0.50 13	0.01 15	0.12 29	0.15 32	0.10 17	0.24 2	0.01 2

HCRNet	0.41 11	0.36 36	0.34 28	0.30 38	0.12 18	0.00 1	0.05 44	0.02 4	0.02 2	1.46 82	0.00 1	0.18 7	0.05 13	0.00 1	2.70 32	0.67 10	0.22 12	0.06 7	0.22 5	0.11 14	0.30 8	0.59 17	0.02 23	0.01 2	0.01 4	0.01 3	3.21 51	0.03 5

GMStereo	0.44 13	0.93 79	0.07 4	0.25 28	0.03 4	0.00 1	0.00 1	0.14 12	0.07 11	0.00 1	0.00 1	0.30 18	0.01 2	0.01 4	1.87 14	0.90 16	0.26 18	0.17 23	2.60 49	0.08 11	1.17 35	0.33 10	0.00 1	0.05 11	0.08 18	0.02 9	2.57 32	0.04 7
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. arXiv 2022
UPFNet	0.44 13	0.29 26	0.59 51	0.21 20	0.26 37	0.01 14	0.02 25	0.08 10	0.08 13	0.39 31	0.00 1	0.27 14	0.03 6	0.24 80	3.08 45	0.92 18	0.14 5	0.12 17	0.57 13	0.31 37	0.36 10	0.39 12	0.01 15	0.12 29	0.02 5	0.01 3	3.44 59	0.05 8

RYNet	0.45 15	0.04 1	0.00 1	0.02 1	0.03 4	0.00 1	0.00 1	0.01 1	0.04 5	0.07 11	0.00 1	0.05 1	0.12 26	0.00 1	4.77 91	0.60 7	0.10 3	1.00 88	0.35 8	0.01 2	0.21 7	0.04 1	0.00 1	0.02 4	0.08 18	3.06 76	1.39 17	0.13 16

raft+_RVC	0.49 16	0.38 39	0.37 32	0.34 46	0.21 28	0.03 32	0.04 41	2.29 80	0.09 15	0.00 1	0.00 1	0.25 11	0.08 19	0.02 12	1.79 11	1.24 35	0.29 21	0.09 12	2.37 44	0.24 32	0.77 22	1.09 29	0.00 1	0.06 13	0.07 16	0.12 19	0.57 7	0.36 26

TestStereo	0.55 17	0.62 62	0.47 42	0.22 22	0.09 13	0.00 1	0.01 12	1.90 70	0.22 35	0.30 23	0.00 1	0.28 15	0.08 19	0.01 4	1.58 10	0.87 13	0.34 26	0.19 25	2.65 52	0.08 11	1.43 43	0.55 16	0.02 23	0.07 15	0.10 22	0.42 36	2.09 25	0.13 16

AFF-stereo	0.55 17	0.29 26	0.41 38	0.33 41	0.09 13	0.03 32	0.00 1	0.38 24	0.10 18	1.17 67	0.01 24	0.32 19	0.06 15	0.00 1	1.52 9	1.24 35	0.15 7	0.59 59	3.40 63	0.07 9	0.54 14	0.60 18	0.00 1	0.07 15	0.13 28	0.06 12	3.05 41	0.10 14

UNet	0.56 19	0.30 29	0.39 34	0.26 29	0.19 24	0.03 32	0.08 54	0.52 32	0.13 23	1.15 65	0.00 1	0.44 29	0.16 35	0.16 65	2.13 15	1.28 37	0.34 26	0.20 26	1.42 28	0.19 27	0.62 16	0.50 13	0.13 59	0.24 45	0.03 9	0.26 26	3.32 54	0.62 35

CFNet	0.57 20	0.46 45	0.64 57	0.43 64	0.34 54	0.04 38	0.00 1	0.58 34	0.09 15	0.66 42	0.05 30	0.64 44	0.07 16	0.05 29	2.25 19	0.65 9	0.35 28	0.06 7	0.73 16	0.34 39	0.85 25	0.73 20	0.00 1	0.08 19	0.45 49	0.16 21	3.22 52	1.51 56

HGLStereo	0.58 21	0.32 34	0.38 33	0.23 25	0.26 37	0.01 14	0.06 50	0.06 9	0.12 21	1.22 71	0.70 67	0.14 5	0.15 31	0.09 48	2.33 22	1.33 40	0.37 35	0.24 30	1.13 22	0.15 21	0.97 29	1.51 35	0.06 43	0.07 15	0.08 18	0.08 16	3.08 43	0.47 30

HITNet	0.59 22	0.16 11	0.10 7	0.06 6	0.07 10	0.01 14	0.02 25	1.76 61	0.82 67	0.11 13	0.00 1	0.68 48	0.28 48	0.11 58	2.51 29	1.02 22	0.25 16	0.13 20	0.63 14	0.24 32	1.43 43	1.56 40	0.01 15	0.12 29	0.02 5	0.16 21	3.32 54	0.42 29
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
rafts_anoy	0.62 23	0.28 24	0.70 60	0.37 53	0.21 28	0.04 38	0.00 1	2.53 89	0.14 26	0.01 7	0.00 1	0.10 3	0.04 9	0.02 12	2.50 28	1.45 46	0.32 24	0.36 43	1.92 34	0.17 24	1.38 42	0.99 28	0.00 1	0.18 40	0.53 51	0.73 48	0.73 8	1.01 46

RASNet	0.63 24	0.18 12	0.57 47	0.41 62	0.28 42	0.10 49	0.05 44	0.94 42	0.14 26	1.07 63	0.09 34	0.48 31	0.34 55	0.02 12	1.28 6	1.47 48	0.35 28	0.21 27	0.99 18	0.02 5	1.15 34	1.53 36	0.10 51	0.34 70	0.22 37	0.30 29	3.55 63	0.73 37

DMCA-RVC	0.65 25	0.42 41	0.43 40	0.31 39	0.58 66	0.15 56	0.44 78	0.29 21	1.57 94	1.31 74	0.35 46	0.55 38	0.13 27	0.11 58	2.54 30	1.10 27	0.51 41	0.46 51	0.84 17	0.36 43	0.76 21	0.83 21	0.19 69	0.14 36	0.11 25	0.06 12	2.59 35	0.52 32

RAFT-Stereo + iAFF	0.65 25	0.29 26	0.60 53	0.37 53	0.27 39	0.03 32	0.02 25	0.96 44	0.11 20	1.34 75	0.00 1	0.28 15	0.08 19	0.01 4	1.83 13	1.32 39	0.26 18	0.11 15	3.40 63	0.24 32	0.79 23	0.89 25	0.00 1	0.19 42	0.38 43	0.22 24	3.31 53	0.15 18

ADLNet	0.67 27	0.96 81	0.10 7	0.21 20	0.23 32	0.08 47	0.01 12	1.26 50	0.09 15	0.32 24	0.06 31	2.28 79	0.08 19	0.18 69	3.28 54	1.03 23	0.35 28	0.11 15	0.54 12	0.18 26	0.54 14	1.10 30	0.00 1	0.03 7	0.88 63	0.68 44	3.16 48	0.28 23

DSFCA	0.70 28	0.43 42	0.51 46	0.29 37	0.58 66	0.04 38	0.59 82	0.22 16	0.54 53	0.49 36	0.56 57	0.33 22	0.08 19	0.04 25	2.86 34	1.28 37	0.67 53	0.73 67	1.00 19	0.44 52	1.01 32	1.14 31	0.21 73	0.24 45	0.54 52	0.82 51	2.81 37	0.47 30

RALCasStereoNet	0.70 28	0.30 29	0.84 70	0.37 53	0.28 42	0.05 42	0.12 61	2.12 78	0.13 23	1.03 61	0.04 28	0.50 34	0.15 31	0.03 19	2.37 23	1.67 54	0.23 14	0.24 30	1.26 25	0.14 17	1.21 37	2.03 47	0.01 15	0.11 28	0.34 40	1.39 59	0.78 9	1.25 50

ARAFT	0.70 28	0.19 13	0.28 19	0.31 39	0.08 11	0.00 1	0.01 12	0.16 13	0.08 13	1.30 73	0.00 1	0.38 26	0.03 6	0.10 56	3.41 58	1.87 62	0.29 21	0.27 36	2.54 47	0.05 7	1.83 55	1.60 41	0.01 15	0.10 23	0.42 48	0.02 9	3.41 56	0.12 15

DISCO	0.79 31	0.95 80	0.31 22	0.06 6	0.33 52	0.51 76	0.44 78	0.23 17	0.32 42	1.75 89	0.59 61	0.38 26	0.29 50	0.04 25	2.98 41	1.36 41	0.96 71	0.29 37	3.24 59	0.53 58	0.79 23	1.45 32	0.10 51	0.07 15	0.12 27	0.29 28	2.76 36	0.31 24

NVstereo2D	0.83 32	0.43 42	0.07 4	0.23 25	0.36 56	0.41 71	0.08 54	1.61 59	0.59 59	0.84 50	1.11 75	0.36 24	0.21 43	0.07 40	5.88 108	2.16 73	0.62 47	0.45 50	1.50 29	0.19 27	1.20 36	0.94 27	0.02 23	0.32 65	1.30 69	0.24 25	0.95 11	0.24 22

raftrobust	0.86 33	0.40 40	0.77 65	0.40 59	0.31 50	0.01 14	0.04 41	2.51 87	0.13 23	0.51 37	0.00 1	0.51 35	0.24 45	0.09 48	2.98 41	2.12 70	0.22 12	0.31 38	4.90 76	0.11 14	1.68 51	2.15 50	0.16 63	0.15 38	0.78 61	0.40 33	0.97 12	0.36 26

CFNet-pseudo	0.86 33	0.52 51	0.57 47	0.44 66	0.52 64	0.05 42	0.02 25	0.60 35	0.10 18	0.93 55	0.12 36	0.71 50	0.30 52	0.51 95	4.66 90	1.68 55	0.33 25	0.32 39	2.61 50	0.34 39	0.96 28	1.53 36	0.55 99	0.13 35	0.49 50	0.50 41	2.17 27	1.63 60

CFNet_RVC	0.86 33	0.59 59	0.74 63	0.33 41	0.32 51	0.11 50	0.02 25	0.11 11	0.17 30	0.87 53	0.74 68	0.57 42	0.16 35	0.08 45	3.11 46	1.19 33	0.50 39	0.34 41	1.28 26	0.15 21	1.68 51	1.48 34	0.02 23	0.25 49	0.86 62	1.89 67	3.64 65	2.13 65

GMO	0.91 36	0.15 9	0.61 55	0.34 46	0.25 34	0.12 51	0.05 44	2.40 83	0.15 28	0.00 1	0.18 39	0.51 35	0.45 63	0.02 12	2.30 20	1.97 66	0.53 42	0.70 65	2.24 38	0.41 49	1.67 50	3.92 85	0.01 15	0.15 38	1.33 71	0.13 20	3.95 74	0.09 13

DLCB_ROB	0.92 37	0.72 68	0.64 57	0.43 64	0.42 60	0.14 54	0.18 68	0.43 26	0.28 39	0.85 51	0.53 55	1.12 62	0.72 82	0.07 40	2.16 17	1.12 28	0.88 67	0.26 32	0.69 15	0.20 29	1.35 41	1.53 36	0.49 94	0.28 56	4.11 109	2.41 73	2.04 24	0.78 38

RALAANet	0.92 37	0.35 35	0.48 43	0.36 51	0.24 33	0.18 58	0.02 25	1.89 68	0.19 33	0.51 37	0.01 24	0.26 13	0.25 46	0.06 35	2.32 21	1.73 58	0.35 28	0.69 64	3.14 57	0.55 60	2.51 68	2.39 57	0.01 15	0.26 50	0.37 42	1.12 57	4.01 77	0.53 33

LMCR-Stereo	0.97 39	0.53 53	0.59 51	0.28 34	0.25 34	0.07 46	0.02 25	1.39 53	0.28 39	0.34 25	0.12 36	0.74 54	0.15 31	0.12 60	3.20 47	1.88 63	1.07 78	0.36 43	5.87 82	1.71 99	2.10 60	2.39 57	0.02 23	0.33 68	0.35 41	0.38 31	1.44 20	0.34 25

HSM	0.97 39	0.30 29	0.87 71	0.54 71	0.46 63	0.00 1	0.01 12	2.93 100	0.30 41	0.13 14	0.56 57	0.65 45	0.13 27	0.05 29	2.97 39	1.08 26	0.66 52	0.17 23	3.26 61	0.35 41	1.78 53	2.03 47	0.04 35	0.33 68	0.38 43	0.81 50	4.16 82	1.10 47

CREStereo++_RVC	0.99 41	0.21 16	1.16 85	0.28 34	0.36 56	0.01 14	0.05 44	2.06 76	0.27 38	0.62 40	0.08 33	0.46 30	0.14 30	0.05 29	2.55 31	2.70 83	0.74 58	0.50 55	2.59 48	0.24 32	2.97 76	2.20 52	0.09 47	0.10 23	0.96 64	0.43 37	4.10 81	0.79 40

NLCA_NET_v2_RVC	0.99 41	0.82 72	0.34 28	0.18 18	0.43 61	0.03 32	1.10 96	1.20 48	2.50 108	2.06 95	0.11 35	0.69 49	0.07 16	0.54 96	3.65 66	0.91 17	0.19 11	0.22 28	1.65 33	0.15 21	0.73 20	0.92 26	0.08 46	0.18 40	0.11 25	3.29 82	2.58 34	2.09 64
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
psm_up	1.01 43	0.60 60	0.96 76	0.38 57	0.75 74	0.01 14	0.03 37	2.33 82	1.18 82	0.78 46	0.00 1	0.94 56	0.09 24	0.45 93	2.41 24	1.18 31	0.62 47	0.44 49	3.67 67	0.32 38	1.14 33	0.85 23	0.00 1	0.58 89	1.06 67	1.42 60	3.75 71	1.44 54

CREStereo	1.03 44	0.31 32	0.74 63	0.24 27	0.16 20	0.01 14	0.04 41	2.66 95	0.55 54	0.63 41	0.56 57	0.71 50	0.59 73	0.05 29	2.97 39	3.31 98	0.60 44	0.43 48	2.12 36	0.57 61	3.00 78	2.30 56	0.06 43	0.12 29	1.18 68	0.53 43	2.42 31	0.88 41
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
PDISCO_ROB	1.03 44	0.55 55	0.06 3	0.67 75	0.28 42	0.00 1	0.21 69	0.71 37	0.49 52	1.28 72	0.99 74	0.25 11	0.32 53	0.19 71	3.02 44	2.03 68	0.69 54	1.42 103	2.26 39	0.58 62	2.32 62	3.22 77	0.14 60	0.27 54	1.36 72	0.37 30	3.84 72	0.23 21

STTStereo	1.06 46	0.85 76	0.57 47	0.36 51	0.29 45	0.08 47	0.64 84	0.43 26	1.56 93	1.40 81	0.26 40	1.95 74	0.07 16	0.29 84	4.26 77	1.06 24	0.25 16	0.23 29	1.16 23	0.14 17	1.46 46	0.84 22	0.12 57	0.10 23	0.07 16	1.81 66	3.51 62	4.84 86

iResNet_ROB	1.07 47	0.65 65	0.30 21	0.45 67	0.30 48	0.01 14	0.02 25	3.10 105	0.12 21	1.34 75	0.00 1	0.66 46	0.35 56	0.04 25	4.37 81	1.65 53	0.54 43	0.49 53	5.83 81	0.29 36	1.30 40	0.87 24	0.20 71	0.26 50	0.16 33	0.84 52	3.74 69	1.12 48

Nwc_Net	1.11 48	0.51 48	0.87 71	0.34 46	0.78 76	0.89 89	1.87 101	2.40 83	1.15 80	0.48 34	0.68 65	3.66 87	0.16 35	0.27 82	2.44 25	0.98 20	0.35 28	0.01 2	1.60 30	0.40 45	0.50 12	2.58 64	0.05 41	0.08 19	0.66 58	0.45 38	3.47 60	2.34 67

AF-Net	1.11 48	0.51 48	0.87 71	0.34 46	0.78 76	0.89 89	1.87 101	2.40 83	1.15 80	0.48 34	0.68 65	3.66 87	0.16 35	0.27 82	2.44 25	0.98 20	0.35 28	0.01 2	1.60 30	0.40 45	0.50 12	2.58 64	0.05 41	0.08 19	0.66 58	0.45 38	3.47 60	2.34 67

UCFNet_RVC	1.13 50	2.65 114	0.57 47	0.57 73	0.74 73	0.19 61	0.01 12	0.28 20	0.22 35	0.95 56	0.39 48	2.41 82	0.89 90	0.06 35	2.99 43	1.18 31	0.50 39	0.49 53	2.19 37	0.44 52	1.50 47	1.54 39	1.06 116	0.19 42	1.43 74	1.73 63	1.86 23	3.39 78

APVNet	1.14 51	1.04 83	0.20 14	0.33 41	0.37 58	0.21 64	0.36 75	0.34 22	0.39 45	0.95 56	0.44 53	0.71 50	0.15 31	0.15 64	3.51 59	2.84 86	1.63 93	0.93 82	4.54 74	0.69 65	1.89 57	4.06 92	0.02 23	0.53 87	0.10 22	0.38 31	3.20 50	0.95 44

CroCo-Stereo	1.25 52	0.12 7	0.22 16	0.08 11	0.45 62	0.00 1	0.02 25	0.26 18	0.43 48	0.05 10	0.86 70	5.51 98	0.41 60	0.19 71	2.94 38	4.37 112	0.80 63	1.72 110	2.65 52	1.36 91	4.23 97	3.90 84	0.02 23	0.31 61	0.18 34	0.40 33	1.49 21	0.78 38

iResNetv2_ROB	1.26 53	0.75 69	0.32 23	1.29 96	0.33 52	0.02 28	0.02 25	3.19 109	0.20 34	2.00 94	0.29 42	2.24 77	0.41 60	0.06 35	3.64 65	1.45 46	0.75 59	0.13 20	5.77 79	0.43 50	2.86 72	1.71 43	0.16 63	0.37 75	0.38 43	0.47 40	4.08 80	0.72 36

PMTNet	1.28 54	0.58 58	0.96 76	0.28 34	0.22 31	0.01 14	0.16 66	0.50 29	0.57 57	0.72 45	0.35 46	0.54 37	0.48 67	0.09 48	3.27 53	3.32 99	0.72 57	0.39 45	6.17 83	0.35 41	3.67 88	2.41 61	0.09 47	0.12 29	3.12 106	1.00 56	1.23 15	3.32 76

RP	1.29 55	1.06 84	2.32 116	0.84 80	1.16 84	0.39 70	1.53 99	1.89 68	1.68 96	0.29 22	2.21 89	2.25 78	0.13 27	0.40 90	3.31 55	1.07 25	0.61 45	0.05 5	1.61 32	0.40 45	0.65 17	3.05 74	0.11 55	0.29 58	0.29 38	0.92 54	4.24 83	2.04 63

ICVP	1.32 56	0.22 19	1.47 97	0.40 59	0.35 55	0.44 72	0.10 57	1.27 51	0.65 61	1.74 88	1.26 77	0.66 46	1.37 102	0.24 80	2.88 35	2.65 81	1.33 87	0.99 87	2.36 43	0.91 76	2.59 69	4.11 93	0.10 51	0.36 73	0.57 55	2.21 71	2.92 39	1.59 58

BEATNet_4x	1.40 57	0.54 54	0.27 18	0.13 16	0.27 39	0.01 14	0.10 57	1.80 63	1.74 98	0.41 33	0.53 55	0.82 55	0.59 73	0.54 96	4.30 78	2.92 88	1.87 98	1.84 116	1.39 27	0.71 66	4.68 103	6.21 122	0.02 23	0.81 94	0.21 36	0.40 33	3.69 66	0.96 45

GES	1.43 58	0.28 24	0.41 38	0.57 73	0.37 58	0.27 67	0.07 52	2.06 76	0.93 72	1.20 70	0.58 60	0.39 28	0.23 44	0.02 12	4.91 97	2.49 79	0.91 68	0.66 63	9.59 105	1.37 92	2.97 76	2.53 63	0.16 63	0.41 77	0.20 35	0.17 23	2.57 32	2.20 66

DN-CSS_ROB	1.45 59	0.52 51	1.11 83	0.81 79	0.69 70	0.00 1	0.03 37	2.86 99	0.35 43	1.50 84	3.76 105	0.73 53	0.36 58	0.07 40	2.89 36	1.44 44	1.08 79	0.79 71	8.61 99	0.23 31	3.25 82	1.97 45	0.02 23	0.66 90	0.10 22	0.52 42	3.12 47	1.56 57

AnonymousM	1.53 60	0.20 15	0.39 34	0.05 4	0.04 6	0.25 66	0.01 12	2.74 98	0.57 57	0.35 29	1.45 79	0.55 38	0.53 72	0.22 79	2.76 33	2.91 87	0.98 73	1.05 89	2.00 35	1.32 90	3.73 89	3.49 80	0.20 71	0.28 56	0.13 28	0.28 27	5.87 103	9.03 106

sAnonymous2	1.54 61	0.26 21	0.15 11	0.10 14	0.17 21	0.48 73	0.00 1	1.87 66	0.97 73	0.22 17	0.41 49	1.12 62	0.82 86	0.08 45	4.07 73	3.86 107	1.31 84	1.19 99	7.54 91	0.72 67	4.00 92	4.87 102	0.03 32	0.29 58	0.14 30	2.16 69	2.37 29	2.45 69

PS-NSSS	1.54 61	3.12 120	0.33 25	3.03 113	0.83 79	1.73 102	0.70 85	0.39 25	0.15 28	0.39 31	0.00 1	11.06 116	1.04 93	0.41 92	2.13 15	0.79 12	0.47 38	0.26 32	4.17 71	0.14 17	0.90 26	0.37 11	2.44 127	0.06 13	0.99 65	0.74 49	3.17 49	1.82 61

CroCo_RVC	1.54 61	0.26 21	0.15 11	0.10 14	0.17 21	0.48 73	0.00 1	1.87 66	0.97 73	0.22 17	0.41 49	1.12 62	0.82 86	0.08 45	4.07 73	3.86 107	1.31 84	1.19 99	7.54 91	0.72 67	4.00 92	4.87 102	0.03 32	0.29 58	0.14 30	2.16 69	2.37 29	2.45 69

DeepPruner_ROB	1.57 64	0.37 37	0.71 61	0.50 69	0.55 65	0.37 69	1.60 100	1.74 60	0.84 69	1.37 78	2.40 91	0.49 33	0.51 70	0.10 56	5.38 102	2.16 73	1.10 80	1.08 92	2.28 40	0.40 45	4.83 107	3.42 78	0.66 105	0.34 70	0.57 55	5.04 104	3.07 42	0.53 33

XX-TBD	1.57 64	1.38 89	0.48 43	0.26 29	0.29 45	0.52 77	0.05 44	0.51 30	0.47 50	0.27 20	0.62 63	0.32 19	0.20 40	1.08 121	3.59 60	2.81 84	0.79 61	1.63 108	8.83 101	3.01 124	3.50 84	2.89 68	3.03 133	0.10 23	0.04 13	0.69 45	4.96 95	0.05 8

TANstereo	1.57 64	1.38 89	0.48 43	0.26 29	0.29 45	0.52 77	0.05 44	0.51 30	0.47 50	0.27 20	0.62 63	0.32 19	0.20 40	1.08 121	3.59 60	2.81 84	0.79 61	1.63 108	8.83 101	3.01 124	3.50 84	2.89 68	3.03 133	0.10 23	0.04 13	0.69 45	4.96 95	0.05 8

FCDSN-DC	1.58 67	0.84 74	2.05 111	1.66 102	1.43 93	1.08 95	0.99 90	0.72 38	0.44 49	1.18 68	0.31 44	1.45 69	0.49 69	0.07 40	6.05 114	1.96 65	2.13 102	1.97 119	1.16 23	0.44 52	2.39 66	2.62 66	0.49 94	3.18 119	1.72 80	3.24 81	1.34 16	1.27 51
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FADNet-RVC-Resample	1.60 68	0.67 66	0.97 78	0.50 69	0.64 69	0.18 58	1.05 92	1.27 51	0.83 68	0.96 58	0.97 72	5.23 96	0.42 62	1.02 117	4.81 94	1.68 55	1.05 76	1.96 118	3.78 68	1.06 79	1.52 48	2.28 55	0.21 73	1.35 105	0.55 53	3.16 79	2.13 26	2.92 72

PA-Net	1.61 69	0.81 71	1.43 96	0.27 32	1.99 107	0.12 51	0.34 74	0.19 14	1.90 100	0.85 51	0.41 49	0.24 10	0.20 40	0.78 110	4.61 88	1.44 44	0.17 10	0.26 32	1.08 20	0.53 58	1.44 45	3.18 76	0.65 103	0.44 81	0.99 65	7.71 119	1.78 22	9.78 108
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
FADNet-RVC	1.64 70	0.31 32	0.64 57	0.33 41	1.19 87	0.01 14	2.53 111	0.57 33	0.22 35	1.03 61	0.32 45	6.04 103	0.29 50	0.32 87	4.47 85	1.90 64	0.62 47	0.78 70	6.45 86	1.80 100	1.85 56	2.02 46	0.19 69	0.52 86	1.78 81	1.74 64	3.10 44	3.15 73

pcwnet_v2	1.73 71	0.62 62	0.78 66	0.73 77	1.15 83	0.59 80	0.23 70	1.77 62	0.68 63	3.36 114	1.85 88	1.23 65	1.01 92	1.61 132	5.43 104	2.08 69	0.92 70	0.62 60	4.07 70	0.37 44	1.82 54	2.39 57	1.01 113	0.41 77	1.32 70	2.11 68	3.98 75	4.53 82

sCroCo_RVC	1.75 72	0.23 20	0.32 23	0.06 6	0.17 21	0.15 56	0.01 12	0.81 40	1.74 98	1.93 92	0.47 54	1.08 58	0.82 86	0.09 48	3.32 56	4.94 125	2.31 105	1.73 111	5.18 77	2.00 106	5.82 119	5.83 117	0.10 51	0.26 50	0.59 57	1.60 61	4.43 85	1.17 49

Abc-Net	1.86 73	1.63 94	1.33 91	0.95 88	1.22 89	0.80 82	2.29 107	2.62 93	2.93 111	0.34 25	2.87 99	2.16 75	1.17 95	0.21 75	3.63 62	1.13 29	0.63 50	0.96 85	2.79 54	0.75 69	0.98 30	2.96 72	0.36 86	0.32 65	2.31 90	4.50 97	3.69 66	4.78 83
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCC-stereo	1.86 73	1.63 94	1.33 91	0.95 88	1.22 89	0.80 82	2.29 107	2.62 93	2.93 111	0.34 25	2.87 99	2.16 75	1.17 95	0.21 75	3.63 62	1.13 29	0.63 50	0.96 85	2.79 54	0.75 69	0.98 30	2.96 72	0.36 86	0.32 65	2.31 90	4.50 97	3.69 66	4.78 83

stereogan	1.89 75	2.00 103	1.17 86	1.47 98	2.05 109	1.72 101	0.87 89	1.84 65	1.11 78	1.36 77	1.51 81	5.81 101	0.48 67	0.32 87	3.87 70	1.69 57	0.80 63	0.39 45	3.96 69	0.78 71	1.23 39	4.02 89	0.26 78	0.51 84	0.30 39	1.30 58	6.30 106	3.84 79

FADNet	1.92 76	0.44 44	0.60 53	0.54 71	1.05 81	0.00 1	2.95 115	0.78 39	0.38 44	0.81 49	0.61 62	2.40 80	0.47 66	0.65 104	5.57 105	1.73 58	0.69 54	1.08 92	8.93 104	1.61 97	2.36 64	2.52 62	0.09 47	0.36 73	2.54 96	3.77 90	3.43 58	5.46 88

s12784h	2.07 77	2.29 109	2.24 112	1.60 101	0.69 70	0.05 42	0.03 37	2.13 79	0.55 54	1.19 69	0.13 38	1.61 72	0.68 78	0.04 25	3.20 47	3.09 93	0.78 60	0.41 47	3.50 65	0.43 50	5.42 117	2.92 71	0.11 55	0.12 29	2.64 98	1.70 62	6.64 109	11.65 113

NCCL2	2.12 78	2.27 108	1.29 88	1.28 95	1.85 104	0.18 58	0.77 88	1.24 49	1.25 85	1.62 86	2.71 96	1.06 57	0.51 70	0.31 85	4.40 83	2.33 77	1.57 90	0.62 60	2.35 42	0.68 64	2.68 71	4.29 97	1.52 122	1.06 98	4.65 114	4.17 92	4.04 79	6.58 97

R-Stereo Train	2.16 79	1.08 85	1.57 103	0.84 80	0.19 24	0.01 14	0.01 12	2.05 74	1.01 75	1.37 78	2.45 92	1.50 70	0.46 64	0.21 75	3.23 50	4.53 114	1.62 91	1.05 89	7.07 89	1.09 81	4.86 108	5.93 120	0.04 35	0.31 61	2.48 93	4.63 99	3.10 44	5.74 90

RAFT-Stereo	2.16 79	1.08 85	1.57 103	0.84 80	0.19 24	0.01 14	0.01 12	2.05 74	1.01 75	1.37 78	2.45 92	1.50 70	0.46 64	0.21 75	3.23 50	4.53 114	1.62 91	1.05 89	7.07 89	1.09 81	4.86 108	5.93 120	0.04 35	0.31 61	2.48 93	4.63 99	3.10 44	5.74 90
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Anonymous	2.21 81	0.21 16	0.12 9	0.08 11	0.25 34	0.14 54	0.00 1	3.06 103	1.34 87	1.47 83	0.01 24	1.31 67	1.20 97	0.16 65	4.37 81	5.51 132	2.59 108	1.75 113	12.10 117	2.04 107	5.82 119	5.62 115	0.09 47	1.05 97	1.45 76	1.75 65	4.59 90	1.60 59

GANet-ADL	2.26 82	0.51 48	1.82 109	0.99 90	0.99 80	1.45 97	0.29 72	2.00 72	1.01 75	3.12 111	3.40 101	1.38 68	0.33 54	0.03 19	5.34 101	3.89 109	2.23 103	0.79 71	7.70 93	1.85 101	3.10 79	4.63 100	0.18 68	0.43 80	1.38 73	3.47 85	4.81 91	3.97 80

MSMDNet	2.28 83	0.62 62	1.27 87	0.37 53	0.30 48	0.19 61	0.07 52	3.15 107	0.68 63	1.01 60	0.97 72	1.10 61	2.40 106	0.17 67	3.93 71	5.26 130	1.11 81	0.55 57	10.21 108	2.94 122	6.12 121	5.76 116	0.31 82	0.26 50	2.47 92	4.23 93	3.01 40	3.18 74

GEStereo_RVC	2.30 84	0.85 76	0.97 78	1.05 91	0.71 72	1.61 99	1.09 95	2.72 97	0.56 56	0.78 46	0.41 49	2.40 80	0.28 48	0.06 35	4.81 94	4.48 113	1.79 95	2.17 121	8.91 103	1.90 104	3.58 86	7.25 130	0.52 96	0.92 95	0.41 47	0.85 53	4.47 87	6.48 96

cross-raft	2.33 85	0.70 67	1.33 91	0.40 59	0.61 68	0.19 61	0.08 54	3.13 106	0.71 65	0.78 46	1.62 84	1.09 60	0.70 81	0.17 67	3.66 67	4.78 119	0.99 74	0.55 57	10.72 110	1.52 94	6.33 123	5.61 114	0.30 80	0.24 45	2.56 97	4.68 101	4.44 86	5.06 87

GANetREF_RVC	2.43 86	1.69 97	0.81 68	2.04 107	1.16 84	1.02 93	0.10 57	4.72 122	1.44 90	3.62 119	0.06 31	10.03 114	0.69 79	0.09 48	3.63 62	1.36 41	1.06 77	0.94 83	6.44 85	0.46 55	2.32 62	1.74 44	0.17 66	1.35 105	3.41 107	3.75 88	6.55 108	4.82 85
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
RGC	2.44 87	1.98 102	4.87 131	1.54 99	1.65 98	1.74 103	1.05 92	2.02 73	1.43 89	0.88 54	4.42 111	2.52 84	2.42 107	0.58 101	4.33 79	1.63 52	0.91 68	0.48 52	4.28 72	1.08 80	1.94 58	4.01 88	0.15 61	0.72 92	2.19 87	5.22 106	4.90 94	6.96 98

MLCV	2.45 88	0.61 61	0.81 68	2.48 110	1.21 88	0.95 91	0.50 81	3.57 113	0.61 60	3.75 122	4.26 109	5.13 94	3.34 111	0.06 35	4.63 89	1.78 61	1.32 86	0.86 77	10.05 107	1.09 81	2.30 61	3.92 85	0.29 79	2.16 114	1.87 82	3.06 76	4.01 77	1.40 53

RTSC	2.56 89	0.89 78	1.50 99	0.47 68	0.76 75	0.87 86	2.29 107	1.56 58	1.91 101	2.12 96	2.86 98	1.23 65	0.97 91	1.03 119	7.27 121	3.36 101	4.68 131	1.74 112	7.73 94	1.11 84	3.95 91	5.39 110	0.21 73	1.11 101	0.40 46	0.95 55	4.56 89	8.26 102

DeepPrunerF	2.66 90	1.67 96	0.33 25	3.58 119	9.30 142	1.76 104	3.48 119	0.68 36	3.29 114	0.71 44	1.59 83	0.37 25	0.27 47	0.13 62	5.94 109	3.42 104	1.03 75	0.54 56	4.47 73	0.65 63	2.02 59	2.06 49	0.56 100	0.31 61	15.21 140	3.30 83	3.74 69	1.47 55

EAI-Stereo	2.70 91	0.83 73	2.70 120	0.89 85	1.47 95	0.83 85	1.46 98	3.07 104	1.18 82	0.21 16	3.82 106	3.19 86	0.72 82	0.09 48	5.24 100	4.82 121	0.83 66	0.91 79	9.83 106	1.25 88	4.49 100	5.29 107	0.39 88	0.80 93	1.87 82	3.19 80	7.10 116	6.43 95

NOSS_ROB	2.78 92	3.78 126	0.39 34	2.02 106	1.58 96	2.36 109	0.00 1	2.66 95	1.54 92	3.63 120	1.79 87	2.55 85	3.51 112	0.83 113	5.82 107	5.57 133	2.69 109	1.83 115	2.63 51	0.91 76	4.62 101	4.13 94	0.42 90	2.58 117	2.29 88	4.46 96	7.67 119	2.88 71

SGM-Forest	2.81 93	2.03 104	0.36 31	6.32 130	1.79 103	2.66 110	0.02 25	1.42 54	0.77 66	2.52 98	0.96 71	6.57 104	5.74 114	0.31 85	4.36 80	2.94 90	0.61 45	0.33 40	3.08 56	0.47 56	2.46 67	2.73 67	0.84 111	0.45 82	3.66 108	3.74 87	11.30 129	7.44 100
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
PWCDC_ROB	2.82 94	0.49 46	0.17 13	0.38 57	0.79 78	0.03 32	0.10 57	1.16 47	8.93 134	0.14 15	2.49 94	0.55 38	31.02 148	0.57 98	5.58 106	3.32 99	1.73 94	0.91 79	2.53 46	0.88 74	2.92 73	7.18 128	0.15 61	0.53 87	0.55 53	0.69 45	1.43 19	0.88 41

HSM-Net_RVC	2.86 95	1.24 88	1.50 99	2.55 111	1.72 99	0.57 79	0.17 67	3.55 112	1.14 79	3.50 118	6.32 124	7.94 106	2.93 108	0.05 29	3.38 57	2.12 70	1.28 83	0.26 32	3.24 59	1.24 87	3.66 87	3.76 83	0.61 101	2.64 118	4.43 112	6.27 111	5.76 102	5.47 89
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ADCRef	2.96 96	2.78 117	1.02 80	0.70 76	2.21 111	1.96 106	2.42 110	0.96 44	6.10 124	1.94 93	1.15 76	1.08 58	0.74 84	1.32 126	6.01 111	3.38 102	1.34 88	1.15 96	8.41 98	2.09 109	2.59 69	3.60 81	1.88 124	0.71 91	2.81 102	8.00 121	3.42 57	10.24 109

GMO-cross-data	2.99 97	0.26 21	1.52 101	0.33 41	0.21 28	0.22 65	0.38 76	3.16 108	0.85 71	3.36 114	4.21 108	5.45 97	0.78 85	0.20 73	4.02 72	4.67 117	1.40 89	1.31 101	10.46 109	1.58 95	5.30 116	7.01 127	0.04 35	0.34 70	2.98 104	6.37 112	5.39 101	8.95 105

NaN_ROB	3.01 98	1.16 87	1.13 84	0.86 84	3.03 115	0.59 80	0.75 86	3.25 110	2.58 109	0.98 59	1.32 78	21.10 130	0.59 73	1.15 124	4.15 75	1.58 51	0.80 63	0.70 65	2.38 45	1.30 89	1.52 48	2.15 50	0.46 93	1.07 100	2.50 95	6.25 110	4.54 88	13.27 115

XPNet_ROB	3.02 99	2.54 112	1.33 91	0.73 77	1.45 94	1.04 94	0.61 83	0.83 41	1.45 91	1.16 66	3.44 102	26.85 136	0.35 56	0.40 90	3.24 52	2.22 76	3.28 116	0.79 71	3.20 58	1.19 85	2.94 75	5.51 111	0.76 109	0.46 83	0.72 60	2.37 72	9.22 123	3.37 77

PSMNet-ADL	3.15 100	0.80 70	1.49 98	1.54 99	1.63 97	0.88 87	0.30 73	2.50 86	1.91 101	4.43 133	8.13 134	4.06 89	6.80 117	0.07 40	4.23 76	5.16 128	1.83 97	0.91 79	11.85 116	1.86 102	4.02 95	4.02 89	0.70 107	0.51 84	1.61 78	4.33 95	8.01 120	1.36 52

Anonymous3	3.16 101	0.55 55	0.79 67	0.09 13	1.10 82	0.50 75	0.03 37	3.52 111	1.26 86	1.12 64	0.84 69	10.62 115	1.31 101	0.36 89	7.37 122	6.90 141	3.59 118	3.15 130	10.88 112	2.20 111	6.83 129	9.50 144	0.31 82	0.37 75	1.43 74	3.45 84	5.32 100	1.91 62

GwcNet-ADL	3.21 102	2.99 119	3.34 123	3.11 114	2.07 110	0.82 84	0.12 61	2.95 101	0.67 62	3.84 127	7.51 129	7.80 105	1.22 98	0.20 73	3.79 69	4.73 118	2.11 101	0.73 67	7.81 96	2.53 115	3.21 81	3.69 82	0.22 77	1.53 108	2.17 86	4.84 102	4.00 76	8.77 104

TRStereo	3.24 103	2.66 116	7.45 142	0.35 50	0.14 19	7.79 132	0.13 64	3.04 102	0.42 47	2.75 102	1.46 80	5.69 100	0.65 76	0.09 48	3.75 68	4.23 111	0.70 56	0.63 62	6.77 87	1.21 86	4.05 96	4.81 101	0.12 57	0.24 45	2.72 99	6.73 115	12.83 131	6.09 93

ADCP+	3.47 104	2.05 105	2.64 119	1.31 97	1.93 105	1.19 96	3.99 120	1.07 46	9.83 136	1.78 90	5.75 120	8.79 110	0.37 59	0.90 114	5.04 99	2.20 75	0.44 37	0.90 78	5.82 80	0.88 74	2.38 65	3.43 79	0.33 84	0.41 77	3.03 105	12.72 136	3.59 64	10.90 110

XX-Stereo	3.48 105	0.50 47	1.80 107	1.21 94	0.27 39	0.34 68	0.44 78	1.47 55	0.41 46	2.51 97	6.92 126	4.97 92	1.06 94	0.12 60	3.21 49	5.22 129	0.96 71	0.80 75	6.95 88	0.80 72	4.33 99	4.04 91	0.21 73	0.27 54	26.57 151	3.75 88	5.08 97	9.77 107

FC-DCNN	3.82 106	4.38 130	5.67 138	9.61 138	4.14 122	8.01 134	3.26 117	4.21 117	1.69 97	2.95 107	1.54 82	5.87 102	2.09 105	0.13 62	4.40 83	2.15 72	2.54 107	1.11 94	3.38 62	0.82 73	3.11 80	2.20 52	0.65 103	3.29 121	6.33 124	4.91 103	6.98 113	7.80 101

ADCL	3.91 107	3.61 124	2.28 114	1.76 104	1.76 102	3.09 114	4.16 121	1.98 71	13.71 143	2.81 105	5.14 116	2.47 83	0.65 76	1.10 123	5.38 102	2.55 80	2.02 99	2.20 122	6.41 84	2.08 108	4.87 110	4.20 95	1.40 120	1.06 98	6.69 125	6.60 113	4.33 84	11.16 112

FADNet_RVC	3.95 108	2.06 106	1.30 89	3.33 117	3.36 118	0.99 92	2.06 105	2.30 81	1.39 88	1.72 87	4.72 113	9.29 111	5.82 116	1.76 133	8.23 135	3.12 94	2.98 112	4.27 135	16.83 123	3.30 128	4.99 113	5.51 111	0.63 102	1.39 107	1.45 76	3.14 78	4.86 92	5.92 92

LALA_ROB	4.04 109	4.73 133	1.42 95	1.16 93	1.93 105	2.17 108	1.04 91	1.80 63	2.48 107	2.74 101	5.87 121	33.34 139	0.69 79	0.78 110	6.02 112	2.33 77	3.21 115	1.82 114	3.66 66	1.88 103	3.40 83	4.99 104	0.34 85	1.03 96	1.91 84	3.61 86	8.50 122	6.20 94

iResNet	4.14 110	0.84 74	0.71 61	2.34 109	2.59 112	4.58 120	1.07 94	4.67 120	1.21 84	3.72 121	3.61 103	12.28 118	16.06 132	0.03 19	6.64 118	3.14 95	2.35 106	1.89 117	16.43 122	2.53 115	3.76 90	2.90 70	0.17 66	3.88 127	1.66 79	4.23 93	5.19 98	3.23 75

SHD	4.34 111	1.02 82	2.50 117	1.71 103	1.33 91	1.46 98	2.01 103	4.90 123	4.30 121	2.63 99	4.99 115	4.39 91	9.41 124	0.58 101	8.20 133	4.81 120	4.43 129	2.44 126	13.01 119	2.95 123	5.61 118	6.88 125	0.30 80	3.26 120	4.11 109	5.16 105	3.88 73	10.98 111

CSAN	4.46 112	2.36 111	1.57 103	3.12 115	3.32 117	1.64 100	0.76 87	4.59 119	4.37 122	3.80 124	2.84 97	17.58 127	10.47 126	0.96 116	4.80 93	1.75 60	2.06 100	1.16 97	5.69 78	2.34 113	2.93 74	2.40 60	0.43 91	2.56 116	4.64 113	11.45 134	7.53 118	13.44 117

ETE_ROB	4.62 113	4.04 128	1.52 101	1.14 92	2.02 108	2.70 111	1.28 97	1.50 56	4.25 120	1.89 91	5.88 122	37.95 144	0.84 89	1.42 130	4.94 98	2.66 82	3.81 124	0.95 84	4.84 75	1.63 98	4.01 94	5.32 109	0.67 106	1.14 102	2.03 85	3.84 91	15.25 137	7.23 99

XQC	4.76 114	3.14 121	1.63 106	3.31 116	3.69 120	3.46 117	2.94 114	6.02 130	3.05 113	2.64 100	5.51 118	5.67 99	7.46 119	1.41 128	8.02 127	4.65 116	3.59 118	1.49 105	10.75 111	2.91 118	4.96 112	6.67 124	0.41 89	1.91 110	7.13 129	10.47 133	11.17 128	4.51 81

CC-Net-ROB	5.26 115	8.36 142	1.81 108	22.68 147	6.07 133	15.19 143	7.74 139	0.45 28	0.84 69	1.53 85	0.00 1	23.78 133	3.00 109	3.15 139	2.92 37	0.74 11	2.29 104	1.51 106	11.50 115	0.48 57	1.21 37	1.47 33	9.41 149	0.22 44	2.30 89	2.51 74	2.25 28	8.72 103

CBMV	5.52 116	3.65 125	1.32 90	3.46 118	2.86 114	2.04 107	0.41 77	3.64 114	2.63 110	4.09 129	2.36 90	14.13 121	3.70 113	0.57 98	7.16 120	6.19 137	4.26 127	2.36 125	8.76 100	1.44 93	6.43 124	4.53 99	0.54 98	5.62 135	4.85 115	6.08 109	19.41 141	26.62 143
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
RTS	5.53 117	1.46 91	0.94 74	0.90 86	1.73 100	4.08 118	4.63 125	2.53 89	3.41 115	2.79 103	1.70 85	8.18 107	1.27 99	0.72 106	7.83 124	4.87 122	7.37 142	2.34 123	18.33 125	2.92 119	4.78 104	5.88 118	1.04 114	1.31 103	6.74 126	22.88 154	6.66 110	22.00 133

RTSA	5.53 117	1.46 91	0.94 74	0.90 86	1.73 100	4.08 118	4.63 125	2.53 89	3.41 115	2.79 103	1.70 85	8.18 107	1.27 99	0.72 106	7.83 124	4.87 122	7.37 142	2.34 123	18.33 125	2.92 119	4.78 104	5.88 118	1.04 114	1.31 103	6.74 126	22.88 154	6.66 110	22.00 133

AnyNet_C32	5.68 119	1.96 100	2.91 121	1.78 105	2.71 113	3.17 115	5.76 130	4.31 118	12.56 138	3.07 109	7.17 127	4.22 90	1.70 103	2.19 134	8.22 134	5.98 135	5.69 135	4.43 138	12.45 118	2.93 121	9.72 140	8.57 140	1.84 123	3.46 124	6.24 123	9.82 130	6.26 105	14.21 118

CBMV_ROB	6.09 120	2.65 114	2.29 115	8.35 135	5.74 129	5.08 121	2.76 113	5.03 125	2.35 105	3.78 123	4.70 112	21.22 131	13.56 130	0.09 48	6.04 113	3.70 106	2.84 110	1.39 102	11.35 113	8.80 147	4.92 111	3.11 75	0.43 91	2.10 113	7.06 128	10.12 131	12.96 132	11.93 114

ADCPNet	6.67 121	1.97 101	3.86 127	2.75 112	6.19 134	3.07 113

Low-res two-view benchmark