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

ProNet	0.06 1	0.03 1	0.08 9	0.01 1	0.00 1	0.12 83	0.27 114	0.00 1	0.01 1	0.00 1	0.00 1	0.05 1	0.00 1	0.05 46	0.43 2	0.28 2	0.02 1	0.00 1	0.09 6	0.00 1	0.05 1	0.02 1	0.00 1	0.00 1	0.08 25	0.00 1	0.05 1	0.00 1

TDLM	0.09 2	0.08 8	0.12 12	0.02 2	0.02 3	0.00 1	0.01 23	0.19 24	0.04 7	0.00 1	0.00 1	0.48 54	0.01 3	0.01 7	0.26 1	0.22 1	0.08 7	0.06 11	0.01 1	0.00 1	0.10 2	0.10 5	0.01 23	0.01 3	0.00 1	0.01 7	0.30 8	0.39 56

CroCo-Stereo Lap2	0.14 3	0.09 9	0.03 4	0.05 6	0.05 13	0.00 1	0.00 1	0.03 7	0.05 13	0.24 44	0.00 1	0.08 5	0.02 7	0.01 7	1.28 10	1.00 27	0.03 2	0.02 5	0.05 2	0.04 8	0.31 12	0.34 12	0.00 1	0.03 9	0.03 11	0.00 1	0.05 1	0.00 1

AASNet	0.18 4	0.44 63	0.26 24	0.08 21	0.08 21	0.00 1	0.08 82	0.03 7	0.05 13	0.26 45	0.00 1	0.16 9	0.03 10	0.01 7	1.06 6	0.60 8	0.08 7	0.03 7	0.08 5	0.16 31	0.24 9	0.64 23	0.00 1	0.03 9	0.00 1	0.01 7	0.38 9	0.03 12

CroCo-Stereo	0.18 4	0.07 6	0.02 3	0.05 6	0.06 16	0.00 1	0.00 1	0.04 13	0.04 7	0.00 1	0.00 1	0.05 1	0.02 7	0.00 1	1.54 18	1.07 31	0.04 4	0.03 7	0.65 21	0.04 8	0.32 13	0.73 26	0.00 1	0.02 5	0.03 11	0.01 7	0.08 3	0.00 1
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
RAFT	0.18 4	0.04 2	0.33 39	0.02 2	0.00 1	0.12 83	0.12 96	0.94 60	0.01 1	0.70 76	0.00 1	0.17 10	0.00 1	0.01 7	0.57 4	0.46 5	0.03 2	0.00 1	0.06 4	0.21 47	0.14 5	0.50 15	0.00 1	0.00 1	0.02 7	0.00 1	0.27 7	0.00 1

delet	0.19 7	0.07 6	0.25 22	0.06 13	0.04 9	0.02 47	0.02 42	0.01 2	0.04 7	0.34 53	0.00 1	0.10 6	0.03 10	0.02 19	1.36 12	0.46 5	0.16 19	0.05 9	0.13 7	0.05 11	0.13 4	0.18 7	0.00 1	0.04 14	0.00 1	0.01 7	1.41 27	0.02 10

4D-IteraStereo	0.20 8	0.11 12	0.31 32	0.13 27	0.04 9	0.11 77	0.00 1	0.03 7	0.03 4	0.00 1	0.01 36	0.22 16	0.01 3	0.04 41	1.09 7	0.96 23	0.04 4	0.11 21	0.59 19	0.27 56	0.37 15	0.54 18	0.00 1	0.05 16	0.14 45	0.01 7	0.24 5	0.00 1

CVANet_RVC	0.21 9	0.15 14	0.61 83	0.42 99	0.06 16	0.06 68	0.01 23	1.53 80	0.05 13	0.08 29	0.04 45	0.62 73	0.04 14	0.03 31	0.46 3	0.32 3	0.14 15	0.09 16	0.05 2	0.01 3	0.19 6	0.07 4	0.00 1	0.03 9	0.00 1	0.01 7	0.55 11	0.08 25

iRaftStereo_RVC	0.22 10	0.19 21	0.35 46	0.22 38	0.11 28	0.01 30	0.00 1	0.04 13	0.07 21	0.00 1	0.00 1	0.22 16	0.10 37	0.03 31	1.13 8	0.87 16	0.16 19	0.06 11	0.37 14	0.11 21	0.95 38	0.62 22	0.00 1	0.02 5	0.08 25	0.00 1	0.11 4	0.03 12

AANet_RVC	0.25 11	0.05 5	0.29 30	0.06 13	0.19 44	0.00 1	0.23 112	0.03 7	0.17 54	0.35 57	0.01 36	0.07 4	0.04 14	0.01 7	1.37 13	0.48 7	0.10 10	0.06 11	0.43 15	0.17 32	0.10 2	0.25 9	0.03 56	0.05 16	0.02 7	0.06 22	1.15 21	0.89 75

anonymousdsp	0.27 12	0.09 9	0.36 49	0.24 46	0.05 13	0.09 74	0.00 1	0.03 7	0.05 13	0.00 1	0.28 72	0.19 12	0.15 45	0.00 1	1.24 9	0.84 15	0.12 13	0.10 19	0.29 11	0.18 34	0.42 17	1.05 36	0.02 41	0.05 16	0.01 5	0.01 7	1.54 31	0.00 1

DMCA	0.27 12	0.37 56	0.20 17	0.17 31	0.09 24	0.02 47	0.01 23	0.02 5	0.04 7	0.59 71	0.00 1	0.34 40	0.05 20	0.01 7	1.81 23	0.88 18	0.31 40	0.12 24	0.22 8	0.10 20	0.38 16	0.23 8	0.00 1	0.03 9	0.03 11	0.06 22	1.19 22	0.15 39

GANet	0.29 14	0.56 80	0.39 55	0.27 53	0.11 28	0.88 131	0.14 101	0.27 32	0.06 17	0.02 22	0.28 72	1.85 114	0.04 14	0.03 31	0.62 5	0.39 4	0.37 53	0.14 32	0.24 10	0.01 3	0.20 7	0.05 3	0.06 76	0.02 5	0.06 20	0.01 7	0.48 10	0.16 41

MMNet	0.30 15	0.21 26	0.07 6	0.05 6	0.05 13	0.00 1	0.06 74	0.01 2	0.03 4	0.22 40	0.00 1	0.19 12	0.01 3	0.05 46	2.24 30	0.62 10	0.24 31	0.12 24	0.35 12	0.07 13	0.30 10	0.11 6	0.04 62	0.08 35	0.03 11	0.04 21	2.84 50	0.02 10

FINET	0.37 16	0.14 13	0.45 63	0.18 32	0.08 21	0.02 47	0.01 23	0.34 35	0.17 54	0.01 19	0.30 76	0.56 68	0.19 56	0.02 19	2.46 43	1.20 45	0.26 35	0.09 16	1.10 30	0.14 24	0.72 28	0.31 10	0.04 62	0.14 60	0.03 11	0.10 32	0.84 17	0.05 19

HCRNet	0.41 17	0.36 54	0.34 43	0.30 66	0.12 30	0.00 1	0.05 64	0.02 5	0.02 3	1.46 120	0.00 1	0.18 11	0.05 20	0.00 1	2.70 51	0.67 12	0.22 27	0.06 11	0.22 8	0.11 21	0.30 10	0.59 20	0.02 41	0.01 3	0.01 5	0.01 7	3.21 68	0.03 12

RAFT + AFF	0.41 17	0.04 2	0.01 2	0.22 38	0.02 3	0.04 60	0.00 1	0.03 7	0.03 4	0.00 1	0.00 1	0.28 27	0.02 7	0.01 7	4.88 141	0.92 21	0.35 46	0.02 5	2.33 63	0.03 7	0.65 26	0.50 15	0.01 23	0.12 52	0.15 48	0.10 32	0.24 5	0.01 7

GMStereo	0.44 19	0.93 117	0.07 6	0.25 48	0.03 6	0.00 1	0.00 1	0.14 20	0.07 21	0.00 1	0.00 1	0.30 31	0.01 3	0.01 7	1.87 25	0.90 19	0.26 35	0.17 35	2.60 72	0.08 15	1.17 50	0.33 11	0.00 1	0.05 16	0.08 25	0.02 19	2.57 43	0.04 15
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
UPFNet	0.44 19	0.29 44	0.59 77	0.21 34	0.26 70	0.01 30	0.02 42	0.08 16	0.08 26	0.39 60	0.00 1	0.27 24	0.03 10	0.24 122	3.08 70	0.92 21	0.14 15	0.12 24	0.57 17	0.31 59	0.36 14	0.39 14	0.01 23	0.12 52	0.02 7	0.01 7	3.44 78	0.05 19

RYNet	0.45 21	0.04 2	0.00 1	0.02 2	0.03 6	0.00 1	0.00 1	0.01 2	0.04 7	0.07 26	0.00 1	0.05 1	0.12 39	0.00 1	4.77 135	0.60 8	0.10 10	1.00 130	0.35 12	0.01 3	0.21 8	0.04 2	0.00 1	0.02 5	0.08 25	3.06 121	1.39 26	0.13 37

raft+_RVC	0.49 22	0.38 58	0.37 52	0.34 76	0.21 51	0.03 53	0.04 61	2.29 108	0.09 30	0.00 1	0.00 1	0.25 19	0.08 27	0.02 19	1.79 22	1.24 46	0.29 38	0.09 16	2.37 67	0.24 50	0.77 32	1.09 37	0.00 1	0.06 21	0.07 21	0.12 34	0.57 12	0.36 53

test_5	0.54 23	0.60 85	0.22 19	0.02 2	0.02 3	0.11 77	0.01 23	2.77 136	0.04 7	0.00 1	1.10 116	0.44 49	0.45 87	0.00 1	1.47 15	1.13 39	0.08 7	0.10 19	1.01 28	0.04 8	0.43 18	1.34 41	0.00 1	0.05 16	0.07 21	0.00 1	2.98 55	0.01 7

TestStereo	0.55 24	0.62 88	0.47 65	0.22 38	0.09 24	0.00 1	0.01 23	1.90 96	0.22 65	0.30 49	0.00 1	0.28 27	0.08 27	0.01 7	1.58 19	0.87 16	0.34 44	0.19 37	2.65 77	0.08 15	1.43 63	0.55 19	0.02 41	0.07 26	0.10 33	0.42 58	2.09 36	0.13 37

AFF-stereo	0.55 24	0.29 44	0.41 59	0.33 71	0.09 24	0.03 53	0.00 1	0.38 38	0.10 33	1.17 101	0.01 36	0.32 33	0.06 22	0.00 1	1.52 17	1.24 46	0.15 17	0.59 90	3.40 95	0.07 13	0.54 22	0.60 21	0.00 1	0.07 26	0.13 42	0.06 22	3.05 57	0.10 30

UNet	0.56 26	0.30 47	0.39 55	0.26 50	0.19 44	0.03 53	0.08 82	0.52 50	0.13 42	1.15 99	0.00 1	0.44 49	0.16 51	0.16 95	2.13 27	1.28 50	0.34 44	0.20 40	1.42 38	0.19 40	0.62 25	0.50 15	0.13 94	0.24 77	0.03 11	0.26 47	3.32 72	0.62 65

CFNet	0.57 27	0.46 67	0.64 90	0.43 100	0.34 90	0.04 60	0.00 1	0.58 52	0.09 30	0.66 74	0.05 48	0.64 74	0.07 24	0.05 46	2.25 31	0.65 11	0.35 46	0.06 11	0.73 23	0.34 61	0.85 36	0.73 26	0.00 1	0.08 35	0.45 72	0.16 40	3.22 69	1.51 94

HGLStereo	0.58 28	0.32 52	0.38 53	0.23 43	0.26 70	0.01 30	0.06 74	0.06 15	0.12 39	1.22 107	0.70 107	0.14 8	0.15 45	0.09 72	2.33 38	1.33 54	0.37 53	0.24 45	1.13 32	0.15 28	0.97 40	1.51 46	0.06 76	0.07 26	0.08 25	0.08 29	3.08 59	0.47 59

IER	0.59 29	0.45 66	0.27 25	0.30 66	0.16 35	0.00 1	0.01 23	0.42 40	0.11 36	1.09 97	0.07 51	1.35 106	0.04 14	0.20 107	3.17 74	1.08 34	0.20 26	0.13 29	0.73 23	0.40 69	0.51 21	0.64 23	0.21 110	0.07 26	0.08 25	1.01 89	2.92 52	0.28 45

RAFT_CTSACE	0.59 29	0.80 100	0.45 63	0.25 48	0.07 18	0.14 90	0.00 1	2.03 100	0.06 17	0.00 1	0.12 56	0.44 49	0.46 92	0.01 7	1.58 19	1.08 34	0.15 17	0.12 24	0.57 17	0.08 15	0.74 30	2.54 83	0.00 1	0.04 14	0.24 55	0.00 1	3.77 97	0.04 15

HITNet	0.59 29	0.16 19	0.10 10	0.06 13	0.07 18	0.01 30	0.02 42	1.76 85	0.82 111	0.11 32	0.00 1	0.68 78	0.28 67	0.11 82	2.51 46	1.02 28	0.25 32	0.13 29	0.63 20	0.24 50	1.43 63	1.56 51	0.01 23	0.12 52	0.02 7	0.16 40	3.32 72	0.42 58
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
test_4	0.60 32	0.10 11	0.53 72	0.29 63	0.13 31	0.07 69	0.22 110	0.09 17	0.07 21	0.03 25	0.00 1	0.68 78	0.15 45	0.08 66	2.06 26	1.55 70	0.12 13	0.39 68	1.82 47	0.18 34	1.12 47	2.11 63	0.01 23	0.07 26	0.20 51	0.30 50	3.49 81	0.24 43

LL-Strereo2	0.61 33	0.22 32	0.36 49	0.09 23	0.10 27	0.17 96	0.01 23	2.25 107	0.18 59	0.00 1	0.00 1	0.21 15	0.04 14	0.21 112	1.68 21	1.32 52	0.05 6	0.12 24	2.34 64	0.39 68	1.51 69	2.98 95	0.00 1	0.08 35	0.43 71	0.01 7	1.44 29	0.31 48

rafts_anoy	0.62 34	0.28 42	0.70 97	0.37 87	0.21 51	0.04 60	0.00 1	2.53 123	0.14 45	0.01 19	0.00 1	0.10 6	0.04 14	0.02 19	2.50 45	1.45 61	0.32 42	0.36 65	1.92 48	0.17 32	1.38 61	0.99 35	0.00 1	0.18 70	0.53 76	0.73 75	0.73 15	1.01 83

RASNet	0.63 35	0.18 20	0.57 73	0.41 98	0.28 75	0.10 76	0.05 64	0.94 60	0.14 45	1.07 96	0.09 54	0.48 54	0.34 75	0.02 19	1.28 10	1.47 63	0.35 46	0.21 41	0.99 26	0.02 6	1.15 49	1.53 47	0.10 86	0.34 111	0.22 54	0.30 50	3.55 83	0.73 68

RAFT+CT+SA	0.64 36	0.82 104	0.25 22	0.15 30	0.03 6	0.00 1	0.00 1	2.49 119	0.08 26	0.08 29	0.00 1	0.74 85	0.39 83	0.01 7	1.39 14	1.38 58	0.11 12	0.15 33	2.23 55	0.18 34	0.84 35	2.50 78	0.01 23	0.06 21	0.11 37	0.01 7	3.34 74	0.04 15

RAFT-Stereo + iAFF	0.65 37	0.29 44	0.60 79	0.37 87	0.27 72	0.03 53	0.02 42	0.96 62	0.11 36	1.34 112	0.00 1	0.28 27	0.08 27	0.01 7	1.83 24	1.32 52	0.26 35	0.11 21	3.40 95	0.24 50	0.79 33	0.89 32	0.00 1	0.19 73	0.38 64	0.22 45	3.31 71	0.15 39

DMCA-RVC	0.65 37	0.42 60	0.43 61	0.31 68	0.58 106	0.15 94	0.44 121	0.29 34	1.57 142	1.31 110	0.35 80	0.55 65	0.13 40	0.11 82	2.54 47	1.10 37	0.51 65	0.46 76	0.84 25	0.36 65	0.76 31	0.83 28	0.19 106	0.14 60	0.11 37	0.06 22	2.59 46	0.52 61

ADLNet	0.67 39	0.96 121	0.10 10	0.21 34	0.23 57	0.08 71	0.01 23	1.26 70	0.09 30	0.32 51	0.06 49	2.28 122	0.08 27	0.18 102	3.28 85	1.03 29	0.35 46	0.11 21	0.54 16	0.18 34	0.54 22	1.10 38	0.00 1	0.03 9	0.88 95	0.68 70	3.16 64	0.28 45

anonymousdsp2	0.70 40	0.27 40	0.28 27	0.23 43	0.07 18	0.02 47	0.02 42	1.36 73	0.08 26	0.02 22	0.59 100	0.29 30	0.16 51	0.08 66	1.51 16	1.55 70	0.25 32	0.32 59	3.52 98	0.55 96	1.55 72	3.00 98	0.02 41	0.07 26	0.13 42	0.15 39	2.70 47	0.01 7

RALCasStereoNet	0.70 40	0.30 47	0.84 108	0.37 87	0.28 75	0.05 64	0.12 96	2.12 105	0.13 42	1.03 94	0.04 45	0.50 57	0.15 45	0.03 31	2.37 39	1.67 81	0.23 29	0.24 45	1.26 35	0.14 24	1.21 52	2.03 60	0.01 23	0.11 51	0.34 61	1.39 95	0.78 16	1.25 88

ARAFT	0.70 40	0.19 21	0.28 27	0.31 68	0.08 21	0.00 1	0.01 23	0.16 21	0.08 26	1.30 109	0.00 1	0.38 45	0.03 10	0.10 80	3.41 89	1.87 94	0.29 38	0.27 55	2.54 70	0.05 11	1.83 81	1.60 52	0.01 23	0.10 46	0.42 70	0.02 19	3.41 75	0.12 35

DSFCA	0.70 40	0.43 61	0.51 70	0.29 63	0.58 106	0.04 60	0.59 125	0.22 28	0.54 91	0.49 68	0.56 96	0.33 36	0.08 27	0.04 41	2.86 58	1.28 50	0.67 82	0.73 105	1.00 27	0.44 82	1.01 45	1.14 39	0.21 110	0.24 77	0.54 77	0.82 80	2.81 49	0.47 59

GLC_STEREO	0.76 44	0.44 63	0.48 66	0.22 38	0.24 61	0.00 1	0.00 1	2.40 112	0.19 60	0.15 37	0.04 45	0.27 24	0.14 43	0.02 19	2.55 48	1.82 93	0.46 59	0.24 45	2.26 60	0.30 58	2.66 105	1.47 43	0.05 69	0.08 35	0.05 19	0.07 26	3.59 84	0.32 50

CAS	0.79 45	0.21 26	0.34 43	0.21 34	0.19 44	0.03 53	0.14 101	0.21 27	0.63 100	1.19 104	0.16 64	0.33 36	0.78 126	0.13 91	2.72 52	1.66 78	0.85 102	0.71 104	1.12 31	0.46 85	2.41 98	2.37 72	0.03 56	0.08 35	0.11 37	0.69 71	1.69 32	1.95 101

DISCO	0.79 45	0.95 120	0.31 32	0.06 13	0.33 88	0.51 118	0.44 121	0.23 31	0.32 76	1.75 129	0.59 100	0.38 45	0.29 69	0.04 41	2.98 66	1.36 55	0.96 110	0.29 56	3.24 89	0.53 94	0.79 33	1.45 42	0.10 86	0.07 26	0.12 41	0.29 49	2.76 48	0.31 48

TestStereo1	0.81 47	0.91 115	0.22 19	0.06 13	0.16 35	0.00 1	0.01 23	1.08 65	0.07 21	0.00 1	0.00 1	0.26 21	0.57 105	0.12 85	4.26 111	1.66 78	0.18 22	0.19 37	2.84 82	0.09 18	1.37 59	2.51 79	0.01 23	0.06 21	0.09 31	1.26 92	3.75 94	0.05 19

SA-5K	0.81 47	0.91 115	0.22 19	0.06 13	0.16 35	0.00 1	0.01 23	1.08 65	0.07 21	0.00 1	0.00 1	0.26 21	0.57 105	0.12 85	4.26 111	1.66 78	0.18 22	0.19 37	2.84 82	0.09 18	1.37 59	2.51 79	0.01 23	0.06 21	0.09 31	1.26 92	3.75 94	0.05 19

NVstereo2D	0.83 49	0.43 61	0.07 6	0.23 43	0.36 92	0.41 111	0.08 82	1.61 82	0.59 98	0.84 83	1.11 117	0.36 43	0.21 60	0.07 60	5.88 158	2.16 112	0.62 75	0.45 75	1.50 41	0.19 40	1.20 51	0.94 34	0.02 41	0.32 106	1.30 106	0.24 46	0.95 18	0.24 43

AACVNet	0.85 50	0.56 80	0.35 46	0.58 112	0.67 110	0.09 74	0.01 23	0.35 37	0.19 60	0.17 38	0.15 62	0.45 52	0.24 63	0.19 104	2.81 55	1.91 98	0.48 62	0.38 67	1.44 39	0.23 48	1.44 65	1.22 40	0.33 127	0.08 35	0.50 75	1.57 99	4.09 119	2.39 112

ccs_rob	0.85 50	0.59 83	1.14 124	1.02 131	1.56 141	0.69 125	0.14 101	0.09 17	0.27 70	0.31 50	0.40 83	1.68 113	0.09 35	0.36 134	2.68 50	1.07 31	0.72 91	0.26 49	1.46 40	0.25 54	1.00 44	1.81 56	0.72 156	0.09 44	0.26 56	0.74 76	3.18 66	0.37 55

TESTraft	0.86 52	0.88 113	0.32 34	0.05 6	0.16 35	0.00 1	0.00 1	1.51 79	0.06 17	0.69 75	0.00 1	0.33 36	0.64 112	0.20 107	4.51 124	1.67 81	0.18 22	0.16 34	2.63 75	0.25 54	1.10 46	2.24 69	0.07 79	0.08 35	0.10 33	1.62 101	3.71 90	0.04 15

IPLGR_C	0.86 52	0.20 24	0.61 83	0.28 57	0.21 51	0.00 1	0.22 110	0.18 22	0.47 84	0.07 26	0.12 56	1.18 101	0.08 27	0.20 107	4.59 127	1.50 66	0.65 80	0.26 49	2.00 51	0.19 40	2.34 93	2.95 92	0.05 69	0.27 91	0.60 83	0.07 26	3.82 100	0.11 32

raftrobust	0.86 52	0.40 59	0.77 103	0.40 93	0.31 83	0.01 30	0.04 61	2.51 121	0.13 42	0.51 69	0.00 1	0.51 58	0.24 63	0.09 72	2.98 66	2.12 109	0.22 27	0.31 58	4.90 113	0.11 21	1.68 77	2.15 64	0.16 99	0.15 62	0.78 92	0.40 56	0.97 19	0.36 53

CFNet-pseudo	0.86 52	0.52 74	0.57 73	0.44 102	0.52 104	0.05 64	0.02 42	0.60 53	0.10 33	0.93 88	0.12 56	0.71 81	0.30 71	0.51 142	4.66 131	1.68 83	0.33 43	0.32 59	2.61 73	0.34 61	0.96 39	1.53 47	0.55 146	0.13 58	0.49 74	0.50 65	2.17 38	1.63 98

CFNet_RVC	0.86 52	0.59 83	0.74 100	0.33 71	0.32 86	0.11 77	0.02 42	0.11 19	0.17 54	0.87 86	0.74 109	0.57 71	0.16 51	0.08 66	3.11 71	1.19 44	0.50 63	0.34 62	1.28 36	0.15 28	1.68 77	1.48 45	0.02 41	0.25 82	0.86 94	1.89 110	3.64 86	2.13 106

CIPLG	0.87 57	0.19 21	0.67 95	0.27 53	0.21 51	0.00 1	0.20 107	0.19 24	0.50 89	0.07 26	0.12 56	1.16 100	0.08 27	0.21 112	4.78 136	1.50 66	0.68 84	0.22 42	1.92 48	0.18 34	2.28 88	2.98 95	0.04 62	0.27 91	0.66 87	0.09 30	3.80 98	0.12 35

ACRE	0.87 57	0.21 26	0.64 90	0.28 57	0.20 50	0.00 1	0.20 107	0.18 22	0.48 87	0.08 29	0.15 62	1.22 102	0.08 27	0.23 121	4.70 134	1.49 64	0.67 82	0.25 48	1.97 50	0.18 34	2.33 92	2.98 95	0.05 69	0.26 85	0.67 90	0.07 26	3.81 99	0.11 32

GMOStereo	0.91 59	0.15 14	0.61 83	0.34 76	0.25 63	0.12 83	0.05 64	2.40 112	0.15 47	0.00 1	0.18 65	0.51 58	0.45 87	0.02 19	2.30 32	1.97 101	0.53 66	0.70 99	2.24 56	0.41 74	1.67 73	3.92 115	0.01 23	0.15 62	1.33 108	0.13 35	3.95 107	0.09 26

error version	0.91 59	0.15 14	0.61 83	0.34 76	0.25 63	0.12 83	0.05 64	2.40 112	0.15 47	0.00 1	0.18 65	0.51 58	0.45 87	0.02 19	2.30 32	1.97 101	0.53 66	0.70 99	2.24 56	0.41 74	1.67 73	3.92 115	0.01 23	0.15 62	1.33 108	0.13 35	3.95 107	0.09 26

test-v	0.91 59	0.15 14	0.61 83	0.34 76	0.25 63	0.12 83	0.05 64	2.40 112	0.15 47	0.00 1	0.18 65	0.51 58	0.45 87	0.02 19	2.30 32	1.97 101	0.53 66	0.70 99	2.24 56	0.41 74	1.67 73	3.92 115	0.01 23	0.15 62	1.33 108	0.13 35	3.95 107	0.09 26

test-2	0.91 59	0.15 14	0.61 83	0.34 76	0.25 63	0.12 83	0.05 64	2.40 112	0.15 47	0.00 1	0.18 65	0.51 58	0.45 87	0.02 19	2.30 32	1.97 101	0.53 66	0.70 99	2.24 56	0.41 74	1.67 73	3.92 115	0.01 23	0.15 62	1.33 108	0.13 35	3.95 107	0.09 26

RALAANet	0.92 63	0.35 53	0.48 66	0.36 85	0.24 61	0.18 97	0.02 42	1.89 94	0.19 60	0.51 69	0.01 36	0.26 21	0.25 65	0.06 55	2.32 36	1.73 87	0.35 46	0.69 98	3.14 86	0.55 96	2.51 102	2.39 73	0.01 23	0.26 85	0.37 63	1.12 90	4.01 115	0.53 63

DLCB_ROB	0.92 63	0.72 98	0.64 90	0.43 100	0.42 97	0.14 90	0.18 106	0.43 42	0.28 72	0.85 84	0.53 94	1.12 97	0.72 121	0.07 60	2.16 29	1.12 38	0.88 103	0.26 49	0.69 22	0.20 45	1.35 58	1.53 47	0.49 139	0.28 98	4.11 159	2.41 116	2.04 35	0.78 70

dd	0.93 65	0.46 67	0.32 34	1.70 145	0.04 9	0.21 103	0.11 94	0.46 45	0.06 17	0.11 32	0.01 36	1.91 115	0.06 22	0.16 95	4.29 114	0.96 23	0.81 100	0.34 62	5.67 117	0.37 66	0.58 24	0.68 25	0.15 96	0.26 85	0.07 21	0.09 30	3.26 70	1.96 102

SA	0.95 66	0.82 104	0.44 62	0.21 34	0.23 57	0.01 30	0.00 1	2.73 134	0.12 39	0.02 22	0.00 1	0.39 47	0.39 83	0.36 134	2.49 44	1.61 73	0.31 40	0.47 78	3.23 88	0.20 45	1.23 55	3.19 102	0.01 23	0.18 70	0.41 68	1.70 103	4.81 134	0.10 30

LMCR-Stereo	0.97 67	0.53 76	0.59 77	0.28 57	0.25 63	0.07 69	0.02 42	1.39 74	0.28 72	0.34 53	0.12 56	0.74 85	0.15 45	0.12 85	3.20 75	1.88 96	1.07 118	0.36 65	5.87 122	1.71 146	2.10 87	2.39 73	0.02 41	0.33 109	0.35 62	0.38 54	1.44 29	0.34 52

HSM	0.97 67	0.30 47	0.87 110	0.54 108	0.46 99	0.00 1	0.01 23	2.93 143	0.30 75	0.13 35	0.56 96	0.65 75	0.13 40	0.05 46	2.97 64	1.08 34	0.66 81	0.17 35	3.26 91	0.35 63	1.78 79	2.03 60	0.04 62	0.33 109	0.38 64	0.81 79	4.16 122	1.10 84

CREStereo++_RVC	0.99 69	0.21 26	1.16 128	0.28 57	0.36 92	0.01 30	0.05 64	2.06 103	0.27 70	0.62 72	0.08 52	0.46 53	0.14 43	0.05 46	2.55 48	2.70 126	0.74 93	0.50 82	2.59 71	0.24 50	2.97 112	2.20 66	0.09 82	0.10 46	0.96 96	0.43 59	4.10 120	0.79 71

NLCA_NET_v2_RVC	0.99 69	0.82 104	0.34 43	0.18 32	0.43 98	0.03 53	1.10 140	1.20 68	2.50 158	2.06 137	0.11 55	0.69 80	0.07 24	0.54 143	3.65 98	0.91 20	0.19 25	0.22 42	1.65 46	0.15 28	0.73 29	0.92 33	0.08 80	0.18 70	0.11 37	3.29 127	2.58 45	2.09 104
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 71	0.60 85	0.96 115	0.38 91	0.75 115	0.01 30	0.03 55	2.33 111	1.18 128	0.78 79	0.00 1	0.94 90	0.09 35	0.45 140	2.41 40	1.18 42	0.62 75	0.44 74	3.67 100	0.32 60	1.14 48	0.85 30	0.00 1	0.58 135	1.06 100	1.42 97	3.75 94	1.44 92

CREStereo	1.03 72	0.31 50	0.74 100	0.24 46	0.16 35	0.01 30	0.04 61	2.66 131	0.55 92	0.63 73	0.56 96	0.71 81	0.59 107	0.05 46	2.97 64	3.31 145	0.60 72	0.43 73	2.12 53	0.57 98	3.00 115	2.30 71	0.06 76	0.12 52	1.18 103	0.53 67	2.42 42	0.88 72
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 72	0.55 78	0.06 5	0.67 114	0.28 75	0.00 1	0.21 109	0.71 55	0.49 88	1.28 108	0.99 115	0.25 19	0.32 72	0.19 104	3.02 69	2.03 106	0.69 85	1.42 150	2.26 60	0.58 99	2.32 90	3.22 104	0.14 95	0.27 91	1.36 112	0.37 53	3.84 103	0.23 42

STTStereo	1.06 74	0.85 110	0.57 73	0.36 85	0.29 78	0.08 71	0.64 128	0.43 42	1.56 141	1.40 118	0.26 71	1.95 117	0.07 24	0.29 128	4.26 111	1.06 30	0.25 32	0.23 44	1.16 33	0.14 24	1.46 67	0.84 29	0.12 92	0.10 46	0.07 21	1.81 108	3.51 82	4.84 133

iResNet_ROB	1.07 75	0.65 92	0.30 31	0.45 104	0.30 81	0.01 30	0.02 42	3.10 149	0.12 39	1.34 112	0.00 1	0.66 76	0.35 76	0.04 41	4.37 118	1.65 77	0.54 70	0.49 80	5.83 121	0.29 57	1.30 57	0.87 31	0.20 108	0.26 85	0.16 49	0.84 82	3.74 91	1.12 85

LoS_RVC	1.09 76	1.51 140	0.60 79	0.05 6	0.49 100	0.01 30	0.08 82	0.22 28	0.74 106	1.72 125	0.23 69	0.56 68	0.63 110	0.12 85	3.15 72	2.90 130	0.69 85	1.79 160	3.27 92	0.50 92	4.03 136	3.48 107	0.21 110	0.07 26	0.33 59	0.47 62	0.70 13	0.96 79

tt_ll	1.09 76	1.51 140	0.60 79	0.05 6	0.49 100	0.01 30	0.08 82	0.22 28	0.74 106	1.72 125	0.23 69	0.56 68	0.63 110	0.12 85	3.15 72	2.90 130	0.69 85	1.79 160	3.27 92	0.50 92	4.03 136	3.48 107	0.21 110	0.07 26	0.33 59	0.47 62	0.70 13	0.96 79

AF-Net	1.11 78	0.51 71	0.87 110	0.34 76	0.78 117	0.89 133	1.87 148	2.40 112	1.15 126	0.48 66	0.68 105	3.66 131	0.16 51	0.27 126	2.44 41	0.98 25	0.35 46	0.01 3	1.60 43	0.40 69	0.50 19	2.58 84	0.05 69	0.08 35	0.66 87	0.45 60	3.47 79	2.34 110

Nwc_Net	1.11 78	0.51 71	0.87 110	0.34 76	0.78 117	0.89 133	1.87 148	2.40 112	1.15 126	0.48 66	0.68 105	3.66 131	0.16 51	0.27 126	2.44 41	0.98 25	0.35 46	0.01 3	1.60 43	0.40 69	0.50 19	2.58 84	0.05 69	0.08 35	0.66 87	0.45 60	3.47 79	2.34 110

IPLG	1.12 80	0.36 54	0.65 94	0.29 63	0.23 57	0.00 1	0.05 64	2.30 109	0.29 74	0.39 60	0.29 74	0.27 24	0.72 121	0.24 122	5.68 156	1.79 92	1.05 115	0.84 116	2.78 79	0.41 74	0.98 41	4.31 134	0.02 41	0.25 82	0.46 73	1.49 98	3.86 104	0.11 32

UCFNet_RVC	1.13 81	2.65 163	0.57 73	0.57 110	0.74 114	0.19 100	0.01 23	0.28 33	0.22 65	0.95 89	0.39 82	2.41 125	0.89 135	0.06 55	2.99 68	1.18 42	0.50 63	0.49 80	2.19 54	0.44 82	1.50 68	1.54 50	1.06 165	0.19 73	1.43 114	1.73 105	1.86 34	3.39 123

APVNet	1.14 82	1.04 125	0.20 17	0.33 71	0.37 94	0.21 103	0.36 118	0.34 35	0.39 80	0.95 89	0.44 90	0.71 81	0.15 45	0.15 94	3.51 90	2.84 129	1.63 140	0.93 124	4.54 110	0.69 105	1.89 83	4.06 125	0.02 41	0.53 131	0.10 33	0.38 54	3.20 67	0.95 77

CES	1.20 83	0.24 36	0.35 46	0.13 27	0.18 43	0.05 64	0.08 82	5.35 177	0.78 109	0.43 65	0.31 77	0.83 89	0.86 134	0.16 95	3.20 75	3.22 142	1.12 122	1.06 134	1.51 42	1.05 121	4.23 140	3.19 102	0.08 80	0.09 44	0.19 50	0.34 52	1.07 20	2.23 109

raft_robust	1.21 84	0.70 96	0.61 83	0.27 53	0.19 44	0.00 1	0.00 1	3.05 146	0.22 65	1.18 102	0.03 44	0.34 40	0.69 117	0.07 60	2.94 63	1.76 90	0.57 71	0.63 95	4.95 114	0.19 40	2.98 114	4.81 141	0.01 23	0.19 73	0.97 97	1.39 95	2.87 51	0.98 82

Sa-1000	1.25 85	0.27 40	0.51 70	0.28 57	0.23 57	0.00 1	0.00 1	2.78 137	0.10 33	0.01 19	0.01 36	0.34 40	0.50 99	0.59 151	4.62 129	1.70 86	0.69 85	0.83 115	4.47 108	0.43 79	1.38 61	4.54 137	0.01 23	0.24 77	2.01 127	1.81 108	5.02 141	0.39 56

EGLCR-Stereo	1.26 86	0.21 26	1.76 152	0.07 20	0.25 63	0.08 71	0.02 42	0.49 46	0.55 92	0.11 32	0.45 92	0.58 72	0.67 115	0.03 31	2.32 36	2.67 125	0.93 107	1.20 144	4.21 106	0.19 40	4.10 139	4.78 140	0.05 69	0.13 58	0.64 86	0.67 69	6.56 155	0.32 50

iResNetv2_ROB	1.26 86	0.75 99	0.32 34	1.29 137	0.33 88	0.02 47	0.02 42	3.19 153	0.20 63	2.00 136	0.29 74	2.24 120	0.41 85	0.06 55	3.64 97	1.45 61	0.75 94	0.13 29	5.77 119	0.43 79	2.86 108	1.71 54	0.16 99	0.37 116	0.38 64	0.47 62	4.08 118	0.72 67

PMTNet	1.28 88	0.58 82	0.96 115	0.28 57	0.22 56	0.01 30	0.16 104	0.50 47	0.57 96	0.72 78	0.35 80	0.54 64	0.48 96	0.09 72	3.27 84	3.32 146	0.72 91	0.39 68	6.17 123	0.35 63	3.67 128	2.41 77	0.09 82	0.12 52	3.12 153	1.00 88	1.23 23	3.32 121

RP	1.29 89	1.06 128	2.32 163	0.84 120	1.16 126	0.39 110	1.53 145	1.89 94	1.68 145	0.29 48	2.21 131	2.25 121	0.13 40	0.40 137	3.31 86	1.07 31	0.61 73	0.05 9	1.61 45	0.40 69	0.65 26	3.05 99	0.11 90	0.29 100	0.29 57	0.92 84	4.24 123	2.04 103

ICVP	1.32 90	0.22 32	1.47 142	0.40 93	0.35 91	0.44 112	0.10 89	1.27 71	0.65 101	1.74 128	1.26 119	0.66 76	1.37 149	0.24 122	2.88 59	2.65 123	1.33 131	0.99 129	2.36 66	0.91 117	2.59 103	4.11 126	0.10 86	0.36 114	0.57 80	2.21 114	2.92 52	1.59 96
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
BEATNet_4x	1.40 91	0.54 77	0.27 25	0.13 27	0.27 72	0.01 30	0.10 89	1.80 88	1.74 147	0.41 64	0.53 94	0.82 88	0.59 107	0.54 143	4.30 115	2.92 133	1.87 145	1.84 164	1.39 37	0.71 107	4.68 147	6.21 173	0.02 41	0.81 142	0.21 53	0.40 56	3.69 87	0.96 79

SACVNet	1.43 92	0.80 100	0.85 109	0.58 112	1.31 135	0.63 124	0.62 127	2.60 128	0.52 90	1.33 111	0.02 43	0.74 85	0.32 72	0.34 133	2.78 54	2.11 108	1.38 133	0.39 68	4.62 111	0.70 106	2.37 95	3.83 114	0.05 69	0.42 121	1.29 105	1.64 102	3.74 91	2.62 115

GES	1.43 92	0.28 42	0.41 59	0.57 110	0.37 94	0.27 107	0.07 79	2.06 103	0.93 117	1.20 106	0.58 99	0.39 47	0.23 62	0.02 19	4.91 142	2.49 120	0.91 104	0.66 97	9.59 152	1.37 137	2.97 112	2.53 82	0.16 99	0.41 118	0.20 51	0.17 43	2.57 43	2.20 108

DN-CSS_ROB	1.45 94	0.52 74	1.11 122	0.81 118	0.69 111	0.00 1	0.03 55	2.86 142	0.35 77	1.50 122	3.76 150	0.73 84	0.36 79	0.07 60	2.89 60	1.44 59	1.08 119	0.79 109	8.61 141	0.23 48	3.25 122	1.97 58	0.02 41	0.66 137	0.10 33	0.52 66	3.12 63	1.56 95

iinet-f	1.47 95	1.20 134	0.32 34	0.82 119	0.13 31	0.14 90	0.10 89	0.42 40	0.21 64	1.93 133	4.19 152	0.19 12	0.21 60	0.08 66	5.12 147	2.54 121	0.23 29	0.30 57	7.71 134	1.00 119	1.95 85	4.30 133	0.21 110	0.17 68	1.25 104	0.16 40	4.11 121	0.62 65

MIPNet	1.49 96	0.69 95	0.74 100	0.32 70	0.51 102	0.00 1	0.03 55	1.79 87	0.38 78	2.13 139	0.97 112	0.31 32	0.76 125	0.22 119	5.02 145	1.92 99	1.31 127	0.86 117	3.68 101	1.25 133	1.21 52	4.62 138	0.03 56	0.50 127	1.90 125	4.87 149	3.90 106	0.30 47

test-3	1.53 97	1.03 124	1.25 131	0.40 93	0.31 83	0.11 77	0.06 74	2.79 139	0.17 54	0.35 57	0.44 90	4.06 134	0.35 76	0.03 31	2.84 56	1.63 75	0.37 53	0.57 88	8.86 145	0.46 85	3.20 119	5.38 154	0.02 41	0.27 91	0.61 85	0.95 85	3.95 107	0.88 72

test_1	1.53 97	1.05 126	1.24 130	0.40 93	0.31 83	0.11 77	0.06 74	2.78 137	0.17 54	0.32 51	0.42 88	4.06 134	0.36 79	0.03 31	2.84 56	1.62 74	0.37 53	0.57 88	8.88 146	0.46 85	3.22 121	5.38 154	0.02 41	0.27 91	0.60 83	0.95 85	3.95 107	0.90 76

AnonymousM	1.53 97	0.20 24	0.39 55	0.05 6	0.04 9	0.25 106	0.01 23	2.74 135	0.57 96	0.35 57	1.45 121	0.55 65	0.53 102	0.22 119	2.76 53	2.91 132	0.98 112	1.05 131	2.00 51	1.32 136	3.73 129	3.49 109	0.20 108	0.28 98	0.13 42	0.28 48	5.87 149	9.03 155

sAnonymous2	1.54 100	0.26 37	0.15 14	0.10 25	0.17 40	0.48 115	0.00 1	1.87 92	0.97 118	0.22 40	0.41 84	1.12 97	0.82 129	0.08 66	4.07 106	3.86 155	1.31 127	1.19 142	7.54 131	0.72 108	4.00 132	4.87 145	0.03 56	0.29 100	0.14 45	2.16 112	2.37 40	2.45 113

CroCo_RVC	1.54 100	0.26 37	0.15 14	0.10 25	0.17 40	0.48 115	0.00 1	1.87 92	0.97 118	0.22 40	0.41 84	1.12 97	0.82 129	0.08 66	4.07 106	3.86 155	1.31 127	1.19 142	7.54 131	0.72 108	4.00 132	4.87 145	0.03 56	0.29 100	0.14 45	2.16 112	2.37 40	2.45 113

PS-NSSS	1.54 100	3.12 169	0.33 39	3.03 159	0.83 120	1.73 149	0.70 129	0.39 39	0.15 47	0.39 60	0.00 1	11.06 164	1.04 139	0.41 139	2.13 27	0.79 14	0.47 61	0.26 49	4.17 105	0.14 24	0.90 37	0.37 13	2.44 176	0.06 21	0.99 98	0.74 76	3.17 65	1.82 99

test_3	1.56 103	1.14 131	1.14 124	0.44 102	0.32 86	0.11 77	0.07 79	2.84 141	0.16 53	0.39 60	0.43 89	4.16 137	0.36 79	0.03 31	2.91 61	1.52 69	0.41 57	0.59 90	8.96 149	0.46 85	3.12 118	5.36 153	0.02 41	0.25 82	0.85 93	1.20 91	3.83 102	0.95 77

TANstereo	1.57 104	1.38 136	0.48 66	0.26 50	0.29 78	0.52 119	0.05 64	0.51 48	0.47 84	0.27 46	0.62 103	0.32 33	0.20 57	1.08 169	3.59 92	2.81 127	0.79 96	1.63 155	8.83 143	3.01 172	3.50 124	2.89 88	3.03 183	0.10 46	0.04 17	0.69 71	4.96 139	0.05 19

XX-TBD	1.57 104	1.38 136	0.48 66	0.26 50	0.29 78	0.52 119	0.05 64	0.51 48	0.47 84	0.27 46	0.62 103	0.32 33	0.20 57	1.08 169	3.59 92	2.81 127	0.79 96	1.63 155	8.83 143	3.01 172	3.50 124	2.89 88	3.03 183	0.10 46	0.04 17	0.69 71	4.96 139	0.05 19

DeepPruner_ROB	1.57 104	0.37 56	0.71 98	0.50 106	0.55 105	0.37 109	1.60 147	1.74 84	0.84 113	1.37 115	2.40 133	0.49 56	0.51 100	0.10 80	5.38 151	2.16 112	1.10 120	1.08 135	2.28 62	0.40 69	4.83 151	3.42 105	0.66 153	0.34 111	0.57 80	5.04 151	3.07 58	0.53 63

FCDSN-DC	1.58 107	0.84 108	2.05 158	1.66 144	1.43 138	1.08 140	0.99 134	0.72 56	0.44 83	1.18 102	0.31 77	1.45 109	0.49 98	0.07 60	6.05 164	1.96 100	2.13 149	1.97 167	1.16 33	0.44 82	2.39 97	2.62 86	0.49 139	3.18 169	1.72 120	3.24 126	1.34 25	1.27 89
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	1.60 108	0.67 94	0.97 117	0.50 106	0.64 109	0.18 97	1.05 136	1.27 71	0.83 112	0.96 91	0.97 112	5.23 145	0.42 86	1.02 165	4.81 139	1.68 83	1.05 115	1.96 166	3.78 102	1.06 122	1.52 70	2.28 70	0.21 110	1.35 154	0.55 78	3.16 124	2.13 37	2.92 117

PA-Net	1.61 109	0.81 103	1.43 141	0.27 53	1.99 155	0.12 83	0.34 117	0.19 24	1.90 150	0.85 84	0.41 84	0.24 18	0.20 57	0.78 158	4.61 128	1.44 59	0.17 21	0.26 49	1.08 29	0.53 94	1.44 65	3.18 101	0.65 151	0.44 124	0.99 98	7.71 169	1.78 33	9.78 159
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
FADNet-RVC	1.64 110	0.31 50	0.64 90	0.33 71	1.19 129	0.01 30	2.53 159	0.57 51	0.22 65	1.03 94	0.32 79	6.04 151	0.29 69	0.32 131	4.47 122	1.90 97	0.62 75	0.78 108	6.45 126	1.80 148	1.85 82	2.02 59	0.19 106	0.52 130	1.78 122	1.74 106	3.10 60	3.15 118

IPLGR	1.73 111	0.63 91	0.67 95	0.35 83	0.40 96	0.00 1	0.03 55	1.41 75	0.26 69	2.36 140	2.42 134	0.33 36	0.80 128	0.17 99	6.12 165	1.87 94	1.22 125	1.28 145	5.37 116	1.72 147	2.44 99	4.20 129	0.02 41	0.56 134	2.66 144	4.85 148	3.82 100	0.77 69

pcwnet_v2	1.73 111	0.62 88	0.78 104	0.73 116	1.15 125	0.59 122	0.23 112	1.77 86	0.68 103	3.36 162	1.85 130	1.23 103	1.01 138	1.61 180	5.43 153	2.08 107	0.92 106	0.62 93	4.07 104	0.37 66	1.82 80	2.39 73	1.01 162	0.41 118	1.32 107	2.11 111	3.98 113	4.53 129

sCroCo_RVC	1.75 113	0.23 35	0.32 34	0.06 13	0.17 40	0.15 94	0.01 23	0.81 58	1.74 147	1.93 133	0.47 93	1.08 93	0.82 129	0.09 72	3.32 87	4.94 175	2.31 152	1.73 157	5.18 115	2.00 154	5.82 166	5.83 166	0.10 86	0.26 85	0.59 82	1.60 100	4.43 126	1.17 87

NCC-stereo	1.86 114	1.63 143	1.33 136	0.95 128	1.22 131	0.80 126	2.29 155	2.62 129	2.93 161	0.34 53	2.87 142	2.16 118	1.17 141	0.21 112	3.63 94	1.13 39	0.63 78	0.96 127	2.79 80	0.75 110	0.98 41	2.96 93	0.36 130	0.32 106	2.31 134	4.50 142	3.69 87	4.78 130

Abc-Net	1.86 114	1.63 143	1.33 136	0.95 128	1.22 131	0.80 126	2.29 155	2.62 129	2.93 161	0.34 53	2.87 142	2.16 118	1.17 141	0.21 112	3.63 94	1.13 39	0.63 78	0.96 127	2.79 80	0.75 110	0.98 41	2.96 93	0.36 130	0.32 106	2.31 134	4.50 142	3.69 87	4.78 130
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
LoS	1.87 116	0.22 32	0.38 53	0.22 38	0.14 33	0.02 47	0.06 74	15.85 199	0.90 116	3.42 165	0.71 108	0.95 91	0.83 132	0.21 112	3.22 80	3.63 153	1.18 123	0.90 119	2.95 84	0.64 102	5.08 158	3.80 113	0.22 118	0.17 68	2.26 131	0.82 80	1.23 23	0.52 61

stereogan	1.89 117	2.00 152	1.17 129	1.47 140	2.05 157	1.72 148	0.87 133	1.84 90	1.11 124	1.36 114	1.51 123	5.81 149	0.48 96	0.32 131	3.87 102	1.69 85	0.80 98	0.39 68	3.96 103	0.78 112	1.23 55	4.02 122	0.26 120	0.51 128	0.30 58	1.30 94	6.30 152	3.84 124

FADNet	1.92 118	0.44 63	0.60 79	0.54 108	1.05 123	0.00 1	2.95 163	0.78 57	0.38 78	0.81 82	0.61 102	2.40 123	0.47 95	0.65 152	5.57 154	1.73 87	0.69 85	1.08 135	8.93 148	1.61 144	2.36 94	2.52 81	0.09 82	0.36 114	2.54 141	3.77 135	3.43 77	5.46 137

s12784h	2.07 119	2.29 158	2.24 159	1.60 143	0.69 111	0.05 64	0.03 55	2.13 106	0.55 92	1.19 104	0.13 61	1.61 112	0.68 116	0.04 41	3.20 75	3.09 139	0.78 95	0.41 72	3.50 97	0.43 79	5.42 164	2.92 91	0.11 90	0.12 52	2.64 143	1.70 103	6.64 156	11.65 164

NCCL2	2.12 120	2.27 157	1.29 133	1.28 136	1.85 152	0.18 97	0.77 132	1.24 69	1.25 131	1.62 124	2.71 139	1.06 92	0.51 100	0.31 129	4.40 120	2.33 117	1.57 136	0.62 93	2.35 65	0.68 104	2.68 106	4.29 132	1.52 171	1.06 146	4.65 164	4.17 137	4.04 117	6.58 146

R-Stereo Train	2.16 121	1.08 129	1.57 148	0.84 120	0.19 44	0.01 30	0.01 23	2.05

Low-res two-view benchmark