Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

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

CREStereo++_RVC	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

TANstereo	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

XX-TBD	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

CREStereo	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

MEDIAN_ROB	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

AVERAGE_ROB	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

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

NVstereo2D	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

PWC_ROB	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

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

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

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

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

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

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

ADCMid	0.08 27	0.02 14	0.13 69	0.03 23	0.02 15	0.03 22	0.02 15	0.02 15	0.02 15	1.32 169	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.07 38	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 23

AnyNet_C01	0.08 27	0.03 23	0.04 21	0.02 15	0.03 21	0.03 22	0.02 15	0.02 15	0.02 15	1.46 175	0.02 15	0.03 24	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.02 15	0.03 22	0.02 16	0.02 15	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.03 22	0.03 23

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

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

BEATNet_4x	0.08 27	0.03 23	0.06 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 176	0.03 24	0.03 24	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCL	0.08 27	0.03 23	0.06 31	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 176	0.03 24	0.03 24	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCS	0.06 25	0.02 14	0.04 21	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	1.03 148	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.02 15	0.01 9	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.02 15	0.04 27	0.02 15

AnyNet_C32	0.12 49	0.03 23	0.07 33	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.02 15	2.33 209	0.04 28	0.04 28	0.03 21	0.02 15	0.03 24	0.04 28	0.04 25	0.04 27	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.04 28	0.03 24	0.03 22	0.02 15

ADCPNet	0.08 27	0.03 23	0.04 21	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.32 169	0.03 24	0.03 24	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.04 27	0.03 23

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

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

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

APVNet	0.09 32	0.06 35	0.04 21	0.06 34	0.04 28	0.05 33	0.04 29	0.05 32	1.08 199	0.05 24	0.05 32	0.05 32	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.05 32	0.04 29	0.04 28	0.04 29	0.05 33	0.04 28	0.05 33	0.04 28

ADCRef	0.13 54	0.04 29	0.05 26	0.04 29	0.04 28	0.04 29	0.09 42	0.04 28	0.04 28	2.46 212	0.04 28	0.04 28	0.04 29	0.04 28	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

ADCP+	0.12 49	0.04 29	0.07 33	0.04 29	0.05 32	0.04 29	0.04 29	0.04 28	0.04 28	2.28 203	0.05 32	0.05 32	0.04 29	0.04 28	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

FADE	0.05 21	0.05 34	0.05 26	0.05 33	0.04 28	0.03 22	0.03 24	0.05 32	0.04 28	0.06 29	0.03 24	0.02 15	0.04 29	0.05 31	0.07 35	0.07 38	0.07 38	0.05 34	0.06 37	0.04 28	0.09 41	0.08 41	0.06 34	0.05 33	0.06 38	0.05 33	0.05 33	0.04 28

FINET	0.07 26	0.08 38	0.07 33	0.08 39	0.07 39	0.08 41	0.07 38	0.08 41	0.07 38	0.08 30	0.07 39	0.08 39	0.07 39	0.07 39	0.07 35	0.07 38	0.07 38	0.07 39	0.07 38	0.07 39	0.08 40	0.07 38	0.07 35	0.06 39	0.07 39	0.07 39	0.08 41	0.06 39

BEATNet-Init1	0.15 65	0.07 36	0.10 42	0.08 39	0.07 39	0.07 39	0.07 38	0.07 35	0.07 38	2.19 200	0.08 40	0.08 39	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 40	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 40	0.07 39	0.07 39	0.07 40

DeepPrunerF	0.15 65	0.07 36	0.10 42	0.08 39	0.07 39	0.07 39	0.07 38	0.07 35	0.07 38	2.19 200	0.08 40	0.08 39	0.07 39	0.07 39	0.07 35	0.07 38	0.08 40	0.07 39	0.08 40	0.08 40	0.07 38	0.07 38	0.07 35	0.07 40	0.08 40	0.07 39	0.07 39	0.07 40

SepStereo	0.09 32	0.09 42	0.09 39	0.09 42	0.10 44	0.09 42	0.08 41	0.09 42	0.08 41	0.09 31	0.08 40	0.09 42	0.09 42	0.08 42	0.08 42	0.09 42	0.09 42	0.08 42	0.09 42	0.08 40	0.09 41	0.08 41	0.09 38	0.09 42	0.10 42	0.08 42	0.10 42	0.09 42

LRCNet_RVC	0.11 46	0.12 54	0.09 39	0.12 54	0.09 42	0.12 54	0.09 42	0.12 54	0.09 42	0.12 42	0.09 43	0.11 53	0.09 42	0.09 43	0.09 43	0.09 42	0.12 54	0.16 74	0.21 75	0.09 43	0.12 54	0.09 43	0.09 38	0.09 42	0.12 54	0.28 105	0.12 54	0.09 42

ELAS	0.14 60	0.23 80	0.10 42	0.19 70	0.11 56	0.20 71	0.11 55	0.16 66	0.10 44	0.15 47	0.11 56	0.15 65	0.11 56	0.09 43	0.11 55	0.11 55	0.16 65	0.10 44	0.17 66	0.11 56	0.18 67	0.11 56	0.09 38	0.10 45	0.18 68	0.11 56	0.19 69	0.12 65
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
AnonymousM	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

UNet	0.19 72	0.13 56	0.09 39	0.13 56	0.09 42	0.13 56	0.09 42	0.13 55	0.09 42	0.90 140	0.09 43	0.13 56	0.09 42	0.10 46	0.09 43	0.70 173	0.13 56	0.09 43	0.13 54	0.10 44	0.91 175	0.09 43	0.10 41	0.09 42	0.13 55	0.10 43	0.13 56	0.09 42

PVD	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

SHD	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

SAMSARA	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

XQC	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

RTSC	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

RTS	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

RTSA	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

MADNet+	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

MADNet++	0.10 34	0.10 43	0.10 42	0.10 43	0.10 44	0.10 43	0.10 45	0.10 43	0.10 44	0.10 32	0.10 45	0.10 43	0.10 45	0.10 46	0.10 45	0.10 44	0.10 43	0.10 44	0.10 43	0.10 44	0.10 43	0.10 45	0.10 41	0.10 45	0.10 42	0.10 43	0.10 42	0.10 46

ELAS_RVC	0.14 60	0.18 67	0.11 55	0.19 70	0.11 56	0.18 68	0.13 70	0.16 66	0.11 55	0.17 54	0.11 56	0.14 57	0.11 56	0.09 43	0.11 55	0.12 64	0.17 68	0.10 44	0.18 68	0.11 56	0.18 67	0.11 56	0.10 41	0.11 57	0.19 71	0.11 56	0.19 69	0.12 65
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
JetRed	0.22 79	0.11 53	0.12 61	0.11 53	0.11 56	0.11 53	0.11 55	0.11 53	0.11 55	2.93 219	0.11 56	0.11 53	0.11 56	0.11 59	0.11 55	0.12 64	0.11 53	0.11 58	0.11 53	0.11 56	0.11 53	0.11 56	0.11 53	0.11 57	0.11 53	0.11 56	0.11 53	0.11 57

ProNet	0.12 49	0.18 67	0.11 55	0.14 57	0.10 44	0.14 58	0.11 55	0.14 56	0.11 55	0.14 43	0.10 45	0.14 57	0.10 45	0.10 46	0.11 55	0.10 44	0.15 63	0.10 44	0.14 56	0.10 44	0.14 56	0.10 45	0.11 53	0.10 45	0.15 62	0.10 43	0.14 57	0.10 46

CIPLG	0.13 54	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.15 64	0.11 55	0.15 47	0.11 56	0.15 65	0.11 56	0.12 63	0.12 66	0.11 55	0.15 63	0.11 58	0.15 63	0.11 56	0.14 56	0.11 56	0.11 53	0.12 65	0.15 62	0.12 66	0.15 63	0.12 65

IPLG	0.12 49	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.14 56	0.11 55	0.15 47	0.11 56	0.14 57	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.14 57	0.11 57

IPLGR_C	0.13 54	0.16 63	0.14 72	0.15 64	0.11 56	0.14 58	0.11 55	0.14 56	0.11 55	0.14 43	0.11 56	0.14 57	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.15 63	0.11 57

MIPNet	0.12 49	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.14 56	0.11 55	0.15 47	0.11 56	0.14 57	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.15 63	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.14 57	0.11 57

IPLGR	0.13 54	0.15 58	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.14 56	0.13 70	0.15 47	0.11 56	0.14 57	0.12 69	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.12 65	0.15 62	0.11 56	0.14 57	0.11 57

ACRE	0.13 54	0.16 63	0.12 61	0.14 57	0.11 56	0.14 58	0.11 55	0.15 64	0.11 55	0.14 43	0.11 56	0.14 57	0.11 56	0.12 63	0.11 55	0.11 55	0.14 57	0.11 58	0.14 56	0.11 56	0.14 56	0.11 56	0.11 53	0.11 57	0.14 57	0.11 56	0.14 57	0.11 57

ICVP	0.13 54	0.16 63	0.11 55	0.16 65	0.11 56	0.16 66	0.11 55	0.16 66	0.11 55	0.16 53	0.11 56	0.16 67	0.11 56	0.11 59	0.11 55	0.11 55	0.16 65	0.11 58	0.16 65	0.11 56	0.16 65	0.11 56	0.11 53	0.11 57	0.16 66	0.11 56	0.16 65	0.11 57
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
LALA_ROB	0.15 65	0.21 74	0.12 61	0.21 75	0.12 68	0.20 71	0.14 71	0.20 73	0.12 65	0.22 62	0.12 68	0.16 67	0.12 69	0.10 46	0.12 66	0.12 64	0.21 76	0.11 58	0.22 76	0.12 68	0.20 71	0.12 67	0.11 53	0.12 65	0.21 76	0.14 71	0.21 75	0.13 72

SGM_RVC	0.14 60	0.19 71	0.11 55	0.20 72	0.11 56	0.20 71	0.12 66	0.18 71	0.12 65	0.18 56	0.12 68	0.19 72	0.11 56	0.11 59	0.11 55	0.11 55	0.18 70	0.11 58	0.19 71	0.11 56	0.19 69	0.11 56	0.11 53	0.11 57	0.20 72	0.11 56	0.20 71	0.12 65
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
JetBlue	0.23 80	0.12 54	0.13 69	0.12 54	0.12 68	0.12 54	0.11 55	0.14 56	0.12 65	3.07 220	0.12 68	0.12 55	0.11 56	0.11 59	0.13 71	0.13 70	0.12 54	0.12 68	0.13 54	0.11 56	0.12 54	0.13 71	0.12 64	0.14 72	0.13 55	0.12 66	0.12 54	0.11 57

SFCPSM	0.23 80	0.18 67	0.13 69	0.18 68	0.12 68	0.18 68	0.80 183	0.17 69	0.12 65	0.88 139	0.12 68	0.17 69	0.12 69	0.13 70	0.12 66	0.12 64	0.18 70	0.12 68	0.18 68	0.12 68	1.18 193	0.13 71	0.12 64	0.12 65	0.18 68	0.13 70	0.18 67	0.12 65

HSM	0.14 60	0.17 66	0.11 55	0.17 67	0.11 56	0.17 67	0.12 66	0.17 69	0.11 55	0.17 54	0.11 56	0.17 69	0.11 56	0.12 63	0.12 66	0.12 64	0.17 68	0.12 68	0.17 66	0.12 68	0.17 66	0.12 67	0.12 64	0.12 65	0.17 67	0.12 66	0.17 66	0.12 65

PDISCO_ROB	0.50 128	0.15 58	0.11 55	0.16 65	3.16 234	0.13 56	0.12 66	0.14 56	0.12 65	0.15 47	0.11 56	2.55 223	0.11 56	2.20 222	0.13 71	0.12 64	0.16 65	0.10 44	0.14 56	0.12 68	0.15 64	0.12 67	0.12 64	0.12 65	0.15 62	0.10 43	2.75 222	0.09 42

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

GMStereo	0.14 60	0.13 56	0.14 72	0.14 57	0.14 72	0.14 58	0.14 71	0.14 56	0.14 72	0.14 43	0.14 73	0.14 57	0.14 73	0.14 72	0.14 73	0.14 72	0.14 57	0.14 72	0.14 56	0.14 73	0.14 56	0.14 73	0.14 69	0.14 72	0.14 57	0.14 71	0.14 57	0.14 73
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
dad	0.18 69	0.23 80	0.16 74	0.22 77	0.15 73	0.22 78	0.15 73	0.22 79	0.16 74	0.21 60	0.15 74	0.22 78	0.15 74	0.15 73	0.16 76	0.17 76	0.23 83	0.17 78	0.23 83	0.15 75	0.22 77	0.15 74	0.15 70	0.15 74	0.22 78	0.15 73	0.22 76	0.16 74

MSKI-zero shot	0.19 72	0.21 74	0.16 74	0.22 77	0.16 75	0.23 85	0.17 78	0.22 79	0.17 79	0.22 62	0.17 78	0.22 78	0.16 76	0.19 85	0.16 76	0.17 76	0.23 83	0.16 74	0.22 76	0.16 76	0.22 77	0.17 80	0.16 71	0.17 77	0.22 78	0.19 85	0.22 76	0.16 74

dd	0.18 69	0.22 76	0.16 74	0.22 77	0.15 73	0.22 78	0.15 73	0.21 77	0.15 73	0.21 60	0.15 74	0.21 75	0.15 74	0.15 73	0.15 75	0.15 74	0.22 78	0.14 72	0.22 76	0.14 73	0.22 77	0.15 74	0.16 71	0.15 74	0.23 82	0.15 73	0.22 76	0.16 74

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

MIM_Stereo	0.19 72	0.23 80	0.18 82	0.22 77	0.16 75	0.22 78	0.16 76	0.21 77	0.16 74	0.22 62	0.17 78	0.21 75	0.17 78	0.20 86	0.18 82	0.17 76	0.22 78	0.18 85	0.22 76	0.16 76	0.21 74	0.16 76	0.17 73	0.17 77	0.21 76	0.16 76	0.22 76	0.20 86

MMNet	0.30 93	0.24 87	0.17 78	0.24 87	0.17 78	0.24 88	0.17 78	0.23 87	0.18 83	1.21 163	0.17 78	0.23 83	0.17 78	0.17 77	0.17 79	0.89 182	0.24 87	0.17 78	0.24 87	0.17 78	1.22 197	0.16 76	0.17 73	0.17 77	0.24 87	0.17 78	0.24 84	0.17 79

delet	0.30 93	0.24 87	0.17 78	0.24 87	0.17 78	0.24 88	0.17 78	0.23 87	0.16 74	1.21 163	0.17 78	0.24 88	0.17 78	0.17 77	0.17 79	0.91 186	0.24 87	0.17 78	0.24 87	0.17 78	1.23 199	0.17 80	0.17 73	0.17 77	0.24 87	0.17 78	0.24 84	0.17 79

psm_up	0.30 93	0.24 87	0.17 78	0.25 90	0.17 78	0.24 88	0.17 78	0.24 90	0.17 79	1.20 162	0.17 78	0.23 83	0.17 78	0.17 77	0.18 82	0.90 185	0.24 87	0.17 78	0.25 91	0.17 78	1.24 202	0.17 80	0.17 73	0.17 77	0.24 87	0.17 78	0.24 84	0.17 79

UPFNet	0.29 90	0.24 87	0.16 74	0.24 87	0.16 75	0.24 88	0.16 76	0.23 87	0.16 74	1.19 161	0.16 76	0.23 83	0.16 76	0.17 77	0.16 76	0.89 182	0.24 87	0.16 74	0.24 87	0.18 83	1.20 195	0.16 76	0.17 73	0.16 76	0.24 87	0.16 76	0.24 84	0.16 74

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

CFNet	0.55 142	0.25 91	0.18 82	0.25 90	0.18 82	0.25 93	0.18 84	0.25 91	0.18 83	0.25 69	0.18 85	0.25 90	0.18 85	0.18 82	0.18 82	0.18 80	0.25 91	0.18 85	0.25 91	0.18 83	5.31 248	4.36 248	0.18 80	0.18 84	0.25 92	0.18 84	0.25 90	0.18 84

iResNet	0.19 72	0.23 80	0.17 78	0.22 77	0.17 78	0.22 78	0.19 85	0.22 79	0.17 79	0.22 62	0.17 78	0.22 78	0.17 78	0.17 77	0.17 79	0.17 76	0.22 78	0.17 78	0.22 76	0.17 78	0.23 83	0.17 80	0.18 80	0.17 77	0.23 82	0.17 78	0.23 83	0.17 79

GEStereo_RVC	0.36 109	0.23 80	0.18 82	0.23 83	0.18 82	0.23 85	0.19 85	0.22 79	0.19 85	0.24 67	0.20 87	0.24 88	0.18 85	0.18 82	0.18 82	0.21 85	0.25 91	0.18 85	0.22 76	0.18 83	0.23 83	0.18 85	0.19 82	0.20 87	0.23 82	0.20 86	4.43 238	0.19 85

AANet_RVC	0.61 148	0.31 102	5.05 240	0.31 102	0.19 85	0.24 88	0.20 87	5.86 236	0.20 86	0.24 67	0.18 85	0.25 90	0.20 87	0.23 93	0.21 90	0.18 80	0.37 116	0.18 85	0.24 87	0.19 87	0.25 85	0.19 87	0.19 82	0.19 86	0.24 87	0.15 73	0.24 84	0.20 86

DAS	0.20 76	0.20 72	0.20 87	0.20 72	0.20 87	0.20 71	0.20 87	0.20 73	0.20 86	0.20 58	0.20 87	0.20 73	0.20 87	0.20 86	0.20 88	0.20 83	0.20 73	0.20 89	0.20 72	0.20 88	0.20 71	0.20 88	0.20 84	0.20 87	0.20 72	0.20 86	0.20 71	0.20 86

ASD4	0.20 76	0.20 72	0.20 87	0.20 72	0.20 87	0.20 71	0.20 87	0.20 73	0.20 86	0.20 58	0.20 87	0.20 73	0.20 87	0.20 86	0.20 88	0.20 83	0.20 73	0.20 89	0.20 72	0.20 88	0.20 71	0.20 88	0.20 84	0.20 87	0.20 72	0.20 86	0.20 71	0.20 86

HGLStereo	0.27 86	0.25 91	0.21 89	0.35 112	0.21 89	0.35 109	0.21 90	0.34 108	0.21 89	0.39 92	0.21 90	0.34 105	0.21 91	0.22 90	0.21 90	0.21 85	0.35 109	0.22 92	0.35 109	0.22 92	0.35 104	0.22 90	0.21 86	0.21 90	0.35 109	0.21 89	0.35 107	0.21 90

DISCO	0.59 147	0.29 99	0.22 90	0.27 96	5.05 251	0.30 101	0.21 90	0.28 97	0.21 89	0.27 76	0.21 90	0.27 97	0.20 87	0.21 89	0.21 90	0.21 85	0.27 99	0.21 91	0.27 98	0.21 91	0.27 91	0.23 94	0.21 86	0.21 90	0.27 98	0.21 89	5.06 244	0.22 91

WAO-6	0.30 93	0.22 76	0.23 91	0.22 77	0.23 94	0.23 85	0.22 92	0.22 79	0.23 93	2.21 202	0.22 92	0.22 78	0.22 92	0.22 90	0.22 93	0.23 88	0.22 78	0.23 95	0.22 76	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.23 82	0.23 93	0.22 76	0.22 91

IMH-64-1	0.29 90	0.23 80	0.23 91	0.23 83	0.22 90	0.22 78	0.23 93	0.22 79	0.22 91	2.02 194	0.23 93	0.23 83	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 83	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 78	0.22 91	0.22 76	0.22 91

IMH-64	0.29 90	0.23 80	0.23 91	0.23 83	0.22 90	0.22 78	0.23 93	0.22 79	0.22 91	2.02 194	0.23 93	0.23 83	0.22 92	0.23 93	0.23 94	0.23 88	0.23 83	0.22 92	0.23 83	0.22 92	0.22 77	0.22 90	0.22 88	0.22 92	0.22 78	0.22 91	0.22 76	0.22 91

DLNR_Zeroshot_test	0.27 86	0.30 101	0.23 91	0.30 101	0.22 90	0.31 102	0.24 96	0.29 99	0.23 93	0.38 89	0.23 93	0.29 100	0.23 95	0.22 90	0.23 94	0.23 88	0.30 102	0.34 123	0.29 100	0.23 96	0.29 95	0.29 117	0.22 88	0.23 95	0.30 101	0.23 93	0.30 99	0.23 95

SPstereo	0.27 86	0.33 105	0.23 91	0.32 104	0.23 94	0.31 102	0.23 93	0.31 100	0.23 93	0.31 77	0.24 96	0.31 102	0.23 95	0.23 93	0.23 94	0.23 88	0.31 103	0.23 95	0.31 102	0.23 96	0.31 96	0.23 94	0.23 92	0.23 95	0.31 102	0.23 93	0.31 100	0.23 95

FCDSN-DC	0.44 121	0.31 102	0.35 121	0.34 107	0.28 106	0.35 109	0.30 123	0.32 102	0.25 96	1.32 169	0.24 96	1.00 184	0.32 120	0.35 120	0.34 123	0.30 114	0.72 168	0.37 130	0.48 149	0.32 124	0.53 151	0.49 158	0.23 92	0.29 115	0.50 149	0.42 145	0.61 159	0.71 177
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
iResNet_ROB	0.28 89	0.32 104	0.24 96	0.33 105	0.26 98	0.32 104	0.24 96	0.33 103	0.25 96	0.33 78	0.24 96	0.35 108	0.24 97	0.23 93	0.24 98	0.25 93	0.32 104	0.24 97	0.36 112	0.24 98	0.32 97	0.28 107	0.24 94	0.24 97	0.32 103	0.24 96	0.33 101	0.24 97

UNDER WATER-64	0.31 101	0.25 91	0.25 97	0.26 95	0.26 98	0.25 93	0.26 100	0.25 91	0.26 102	1.69 181	0.26 103	0.25 90	0.25 98	0.25 98	0.26 104	0.26 96	0.25 91	0.26 102	0.26 94	0.26 103	0.25 85	0.25 96	0.25 95	0.25 98	0.26 96	0.26 101	0.25 90	0.26 103

LoS_RVC	0.25 82	0.25 91	0.25 97	0.25 90	0.25 96	0.25 93	0.25 98	0.25 91	0.25 96	0.25 69	0.25 99	0.25 90	0.25 98	0.26 100	0.25 99	0.26 96	0.25 91	0.25 98	0.26 94	0.25 99	0.25 85	0.25 96	0.25 95	0.25 98	0.25 92	0.25 97	0.25 90	0.25 98

tt_ll	0.25 82	0.25 91	0.25 97	0.25 90	0.25 96	0.25 93	0.25 98	0.25 91	0.25 96	0.25 69	0.25 99	0.25 90	0.25 98	0.26 100	0.25 99	0.26 96	0.25 91	0.25 98	0.26 94	0.25 99	0.25 85	0.25 96	0.25 95	0.25 98	0.25 92	0.25 97	0.25 90	0.25 98

CAS	0.25 82	0.25 91	0.25 97	0.25 90	0.26 98	0.26 98	0.26 100	0.25 91	0.25 96	0.25 69	0.25 99	0.25 90	0.25 98	0.25 98	0.25 99	0.25 93	0.26 97	0.25 98	0.26 94	0.26 103	0.25 85	0.25 96	0.25 95	0.26 101	0.25 92	0.26 101	0.25 90	0.25 98

LoS	0.25 82	0.25 91	0.27 101	0.27 96	0.26 98	0.25 93	0.26 100	0.26 96	0.25 96	0.26 75	0.25 99	0.25 90	0.25 98	0.26 100	0.25 99	0.25 93	0.25 91	0.25 98	0.25 91	0.25 99	0.27 91	0.25 96	0.26 99	0.26 101	0.26 96	0.25 97	0.25 90	0.25 98

iRaft-Stereo_20w	0.30 93	0.46 127	0.27 101	0.34 107	0.26 98	0.35 109	0.28 108	0.34 108	0.26 102	0.34 81	0.26 103	0.34 105	0.26 104	0.26 100	0.26 104	0.26 96	0.34 106	0.26 102	0.34 106	0.26 103	0.34 99	0.26 102	0.26 99	0.26 101	0.34 106	0.26 101	0.34 105	0.26 103

Former-RAFT_DAM_RVC	0.38 113	1.06 169	0.54 156	0.59 162	0.27 103	0.46 141	0.27 103	0.46 133	0.27 104	0.46 109	0.27 106	0.46 136	0.26 104	0.27 106	0.27 106	0.26 96	0.46 137	0.26 102	0.45 138	0.30 120	0.46 131	0.27 103	0.27 101	0.27 104	0.46 136	0.27 104	0.45 133	0.26 103

anonymity	0.30 93	0.34 107	0.27 101	0.33 105	0.27 103	0.33 105	0.28 108	0.33 103	0.28 108	0.33 78	0.28 109	0.33 103	0.28 106	0.28 109	0.28 109	0.28 104	0.34 106	0.28 105	0.34 106	0.28 106	0.34 99	0.27 103	0.27 101	0.27 104	0.34 106	0.28 105	0.34 105	0.28 107

SQANet	0.33 104	0.28 98	0.28 104	0.28 100	0.28 106	0.29 100	0.28 108	0.28 97	0.28 108	1.59 179	0.28 109	0.28 99	0.28 106	0.28 109	0.28 109	0.28 104	0.28 100	0.28 105	0.29 100	0.28 106	0.28 93	0.28 107	0.28 103	0.28 107	0.28 99	0.28 105	0.28 97	0.28 107

4D-IteraStereo	0.67 157	3.40 209	1.05 188	0.71 173	0.83 185	0.47 147	0.27 103	0.47 139	0.27 104	0.35 83	0.26 103	0.68 165	0.84 184	0.41 132	0.54 164	0.89 182	0.74 172	0.88 187	0.73 172	0.87 187	0.42 129	0.27 103	0.28 103	0.28 107	0.36 112	0.28 105	0.68 163	0.90 185

PML	0.39 115	0.56 144	0.29 109	0.55 158	0.28 106	0.56 160	0.28 108	0.51 152	0.28 108	0.50 112	0.28 109	0.51 151	0.28 106	0.29 111	0.28 109	0.29 112	0.56 156	0.29 114	0.57 163	0.28 106	0.56 153	0.28 107	0.28 103	0.29 115	0.56 158	0.28 105	0.56 155	0.28 107

CFNet_pseudo	1.01 190	9.78 246	0.29 109	0.38 120	0.28 106	0.38 121	0.28 108	0.38 118	0.28 108	0.39 92	0.28 109	0.39 122	0.28 106	9.50 253	0.29 117	0.28 104	0.38 118	0.28 105	0.38 117	0.28 106	0.38 111	0.28 107	0.28 103	0.28 107	0.38 116	0.28 105	0.38 114	0.28 107

MLCV	0.30 93	0.33 105	0.28 104	0.34 107	0.28 106	0.33 105	0.28 108	0.33 103	0.29 116	0.33 78	0.27 106	0.33 103	0.28 106	0.26 100	0.29 117	0.28 104	0.33 105	0.28 105	0.33 103	0.28 106	0.33 98	0.27 103	0.28 103	0.28 107	0.33 104	0.28 105	0.33 101	0.28 107

DN-CSS_ROB	0.30 93	0.34 107	0.29 109	0.34 107	0.27 103	0.34 107	0.28 108	0.33 103	0.27 104	0.34 81	0.27 106	0.34 105	0.28 106	0.29 111	0.27 106	0.26 96	0.35 109	0.29 114	0.33 103	0.28 106	0.34 99	0.28 107	0.28 103	0.27 104	0.34 106	0.28 105	0.33 101	0.28 107

EKT-Stereo	0.36 109	0.50 139	0.30 113	0.40 130	0.29 115	0.40 130	0.29 120	0.35 111	0.30 118	0.47 111	0.30 120	0.35 108	0.32 120	0.29 111	0.34 123	0.33 122	0.59 158	0.31 119	0.39 127	0.29 115	0.37 109	0.38 130	0.29 109	0.31 120	0.58 161	0.28 105	0.51 150	0.29 116

CASnet	0.32 102	0.53 142	0.34 120	0.27 96	0.31 122	0.34 107	0.29 120	0.31 100	0.32 121	0.25 69	0.31 122	0.27 97	0.40 139	0.45 139	0.27 106	0.30 114	0.26 97	0.40 137	0.28 99	0.37 133	0.28 93	0.39 135	0.29 109	0.40 139	0.29 100	0.28 105	0.24 84	0.30 121
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.32 102	0.45 125	0.29 109	0.36 116	0.29 115	0.36 114	0.29 120	0.36 115	0.29 116	0.35 83	0.29 117	0.35 108	0.28 106	0.27 106	0.28 109	0.28 104	0.35 109	0.28 105	0.35 109	0.28 106	0.35 104	0.28 107	0.29 109	0.29 115	0.36 112	0.29 118	0.36 111	0.29 116

RAFT-Test	0.34 106	0.45 125	0.30 113	0.38 120	0.32 124	0.40 130	0.32 126	0.39 124	0.32 121	0.39 92	0.30 120	0.37 115	0.29 115	0.30 114	0.30 119	0.29 112	0.38 118	0.30 117	0.38 117	0.29 115	0.38 111	0.29 117	0.29 109	0.30 119	0.38 116	0.30 120	0.38 114	0.30 121

IER	0.56 145	2.72 205	2.20 223	0.38 120	0.29 115	0.38 121	0.27 103	2.77 221	0.27 104	0.38 89	0.28 109	0.37 115	0.25 98	0.26 100	0.25 99	0.26 96	0.38 118	0.29 114	0.38 117	0.25 99	0.39 119	0.25 96	0.29 109	0.29 115	0.40 125	0.25 97	0.38 114	0.25 98

pcwnet_v2	1.01 190	9.73 245	0.28 104	0.38 120	0.28 106	0.38 121	0.28 108	0.38 118	0.28 108	0.38 89	0.28 109	0.39 122	0.28 106	9.61 254	0.28 109	0.28 104	0.38 118	0.28 105	0.38 117	0.28 106	0.38 111	0.28 107	0.29 109	0.28 107	0.38 116	0.28 105	0.38 114	0.28 107

DGSMNet	0.33 104	0.42 122	0.28 104	0.40 130	0.28 106	0.40 130	0.28 108	0.40 126	0.28 108	0.40 97	0.28 109	0.39 122	0.28 106	0.27 106	0.28 109	0.28 104	0.40 131	0.28 105	0.42 135	0.29 115	0.41 124	0.31 120	0.29 109	0.28 107	0.41 129	0.28 105	0.42 131	0.29 116

UCFNet_RVC	1.03 193	10.10 249	0.28 104	0.38 120	0.28 106	0.39 127	0.28 108	0.38 118	0.28 108	0.39 92	0.28 109	0.39 122	0.29 115	9.62 255	0.28 109	0.28 104	0.38 118	0.28 105	0.38 117	0.28 106	0.39 119	0.28 107	0.29 109	0.28 107	0.39 124	0.28 105	0.38 114	0.29 116

TorneroNet-64	0.69 159	0.65 147	0.30 113	0.27 96	0.47 151	0.28 99	0.35 128	0.34 108	0.80 181	7.93 254	0.29 117	0.30 101	0.31 117	0.81 180	0.28 109	0.27 103	0.29 101	0.28 105	0.85 181	0.83 185	0.62 158	0.28 107	0.30 117	0.28 107	0.52 155	0.29 118	0.29 98	0.27 106

MyStereo	0.47 124	3.97 213	0.31 116	0.34 107	0.32 124	0.36 114	0.30 123	0.35 111	0.31 120	0.51 114	0.45 146	0.35 108	0.31 117	0.31 115	0.32 122	0.31 116	0.35 109	0.31 119	0.34 106	0.31 122	0.34 99	0.32 122	0.31 118	0.32 121	0.35 109	0.31 122	0.35 107	0.30 121

HCRNet	0.71 163	6.06 228	3.15 233	0.50 155	0.22 90	0.21 77	0.15 73	3.04 223	0.34 124	0.43 105	0.33 125	0.43 134	0.33 123	0.15 73	0.14 73	0.14 72	0.21 76	0.17 78	0.47 143	0.20 88	0.21 74	0.16 76	0.32 119	0.33 123	0.50 149	0.33 125	0.49 147	0.28 107

ccs_rob	1.00 186	10.06 248	0.31 116	0.44 141	0.31 122	0.43 140	0.31 125	0.43 132	0.32 121	0.45 107	0.32 123	1.20 200	0.31 117	7.02 252	0.31 121	0.31 116	0.44 136	0.31 119	0.44 137	0.32 124	0.44 130	0.31 120	0.32 119	0.32 121	0.44 135	0.32 124	0.43 132	0.31 124

GMOStereo	0.50 128	0.44 123	2.38 228	0.40 130	0.34 127	0.42 137	0.36 130	1.96 208	0.34 124	0.41 98	0.36 129	0.42 131	0.35 126	0.34 116	0.38 131	0.31 116	0.39 127	0.34 123	0.40 128	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 125	0.36 129	0.40 124	0.32 125

error version	0.50 128	0.44 123	2.38 228	0.40 130	0.34 127	0.42 137	0.36 130	1.96 208	0.34 124	0.41 98	0.36 129	0.42 131	0.35 126	0.34 116	0.38 131	0.31 116	0.39 127	0.34 123	0.40 128	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 125	0.36 129	0.40 124	0.32 125

test_1	0.65 152	4.37 217	2.38 228	0.40 130	0.34 127	0.42 137	0.36 130	1.96 208	0.34 124	0.41 98	0.36 129	0.42 131	0.35 126	0.34 116	0.38 131	0.31 116	0.39 127	0.34 123	0.40 128	0.33 126	0.39 119	0.33 123	0.33 121	0.34 125	0.40 125	0.36 129	0.40 124	0.32 125

GES	0.43 120	0.41 117	0.31 116	0.35 112	0.30 120	0.47 147	0.28 108	0.33 103	0.28 108	0.35 83	0.29 117	2.95 224	0.38 132	0.35 120	0.30 119	0.34 123	0.34 106	0.30 117	0.33 103	0.30 120	0.35 104	0.30 119	0.33 121	0.33 123	0.33 104	0.31 122	0.33 101	0.29 116

LL-Strereo2	0.47 124	2.60 204	0.51 152	0.38 120	0.28 106	0.37 118	0.28 108	0.55 156	0.35 128	0.44 106	0.34 126	0.44 135	0.34 124	0.34 116	0.36 127	0.36 126	0.47 141	0.36 128	0.47 143	0.35 129	0.47 135	0.35 126	0.35 125	0.35 129	0.46 136	0.35 127	0.47 138	0.35 128

ETE_ROB	0.35 108	0.35 110	0.35 121	0.35 112	0.35 130	0.35 109	0.35 128	0.35 111	0.35 128	0.35 83	0.35 127	0.35 108	0.35 126	0.35 120	0.35 125	0.35 125	0.35 109	0.35 127	0.35 109	0.35 129	0.35 104	0.35 126	0.35 125	0.35 129	0.35 109	0.35 127	0.35 107	0.35 128

CES	0.38 113	0.34 107	0.44 136	0.43 140	0.33 126	0.37 118	0.44 148	0.37 116	0.38 132	0.45 107	0.35 127	0.35 108	0.41 140	0.45 139	0.36 127	0.36 126	0.36 114	0.45 145	0.43 136	0.35 129	0.34 99	0.46 144	0.36 127	0.36 131	0.42 134	0.34 126	0.35 107	0.38 132

DMCA	0.36 109	0.38 112	0.37 123	0.35 112	0.35 130	0.35 109	0.36 130	0.35 111	0.36 130	0.36 87	0.37 132	0.36 114	0.36 130	0.36 124	0.35 125	0.37 128	0.36 114	0.36 128	0.36 112	0.36 132	0.36 108	0.35 126	0.36 127	0.36 131	0.37 114	0.36 129	0.36 111	0.36 130

RAFT + AFF	0.34 106	0.29 99	0.32 119	0.31 102	0.30 120	0.39 127	0.32 126	0.39 124	0.30 118	0.39 92	0.32 123	0.39 122	0.32 120	0.35 120	0.36 127	0.32 121	0.38 118	0.31 119	0.38 117	0.31 122	0.38 111	0.28 107	0.37 129	0.34 125	0.38 116	0.30 120	0.38 114	0.28 107

XPNet_ROB	0.37 112	0.37 111	0.37 123	0.37 117	0.37 132	0.37 118	0.37 134	0.37 116	0.37 131	0.37 88	0.37 132	0.37 115	0.37 131	0.37 125	0.37 130	0.37 128	0.37 116	0.37 130	0.37 114	0.37 133	0.37 109	0.37 129	0.37 129	0.37 133	0.37 114	0.37 133	0.37 113	0.37 131

WAO-7	0.46 122	0.38 112	0.38 125	0.38 120	0.38 135	0.38 121	0.38 136	0.38 118	0.38 132	2.57 213	0.38 134	0.38 118	0.38 132	0.38 126	0.38 131	0.38 130	0.38 118	0.38 132	0.38 117	0.38 135	0.38 111	0.38 130	0.38 131	0.38 134	0.38 116	0.38 134	0.38 114	0.38 132

Venus	0.46 122	0.38 112	0.40 128	0.38 120	0.38 135	0.39 127	0.38 136	0.38 118	0.38 132	2.71 215	0.38 134	0.38 118	0.38 132	0.38 126	0.38 131	0.38 130	0.38 118	0.38 132	0.38 117	0.38 135	0.38 111	0.38 130	0.38 131	0.38 134	0.38 116	0.38 134	0.39 123	0.38 132

IMH	0.47 124	0.40 116	0.39 127	0.38 120	0.38 135	0.38 121	0.38 136	0.38 118	0.40 137	2.79 217	0.38 134	0.38 118	0.38 132	0.38 126	0.38 131	0.38 130	0.39 127	0.38 132	0.38 117	0.40 139	0.38 111	0.38 130	0.38 131	0.38 134	0.38 116	0.38 134	0.38 114	0.38 132

iRaftStereo_RVC	0.62 150	1.76 188	2.24 225	0.52 157	0.37 132	0.53 159	0.38 136	2.51 219	0.38 132	0.51 114	0.38 134	0.51 151	0.38 132	0.38 126	0.38 131	0.38 130	0.52 153	0.38 132	0.52 159	0.38 135	0.52 149	0.38 130	0.38 131	0.38 134	0.52 155	0.39 138	0.52 152	0.38 132

HanzoNet	0.47 124	0.39 115	0.38 125	0.38 120	0.38 135	0.38 121	0.38 136	0.40 126	0.38 132	2.63 214	0.38 134	0.38 118	0.38 132	0.38 126	0.38 131	0.39 134	0.38 118	0.38 132	0.38 117	0.42 145	0.38 111	0.39 135	0.39 135	0.38 134	0.38 116	0.38 134	0.38 114	0.39 137

CFNet_RVC	0.93 181	8.54 243	0.41 129	0.56 159	0.37 132	0.56 160	0.37 134	0.50 149	0.40 137	0.56 118	5.24 252	0.56 155	0.34 124	0.40 131	0.41 141	0.34 123	0.53 154	0.40 137	0.56 162	0.38 135	0.52 149	0.40 137	0.40 136	0.41 140	0.56 158	0.40 139	0.56 155	0.40 138

GwcNet-ADL	0.41 116	0.41 117	0.41 129	0.41 136	0.41 140	0.41 133	0.41 141	0.41 128	0.41 139	0.41 98	0.41 140	0.41 127	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 131	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 140	0.41 127	0.41 139

PSMNet-ADL	0.41 116	0.41 117	0.41 129	0.41 136	0.41 140	0.41 133	0.41 141	0.41 128	0.41 139	0.41 98	0.41 140	0.41 127	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 131	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 140	0.41 127	0.41 139

GANet-ADL	0.41 116	0.41 117	0.41 129	0.41 136	0.41 140	0.41 133	0.41 141	0.41 128	0.41 139	0.41 98	0.41 140	0.41 127	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 131	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 140	0.41 127	0.41 139

ADLNet	0.41 116	0.41 117	0.41 129	0.41 136	0.41 140	0.41 133	0.41 141	0.41 128	0.41 139	0.41 98	0.41 140	0.41 127	0.41 140	0.41 132	0.41 141	0.41 135	0.41 132	0.41 139	0.41 131	0.41 140	0.41 124	0.41 138	0.41 137	0.41 140	0.41 129	0.41 140	0.41 127	0.41 139

CroCo-Stereo	0.80 171	2.51 203	0.41 129	1.27 205	0.41 140	1.27 204	0.41 141	1.27 195	0.41 139	1.27 166	0.41 140	1.27 203	0.41 140	0.41 132	0.41 141	0.41 135	1.28 203	0.41 139	1.27 204	0.41 140	1.27 203	0.41 138	0.42 141	0.41 140	1.27 205	0.41 140	1.27 202	0.41 139
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
CroCo-Stereo Lap2	0.85 177	2.86 207	0.43 135	1.33 207	0.43 146	1.31 205	0.42 146	1.32 196	0.42 144	1.31 168	0.44 145	1.32 204	0.44 146	0.43 138	0.44 147	0.43 140	1.35 204	0.43 144	1.32 206	0.43 146	1.31 204	0.43 143	0.43 142	0.42 146	1.31 206	0.42 145	1.31 203	0.43 144

otaku	0.52 132	0.46 127	0.48 143	0.46 142	0.46 147	0.46 141	0.46 150	0.46 133	0.47 152	1.88 184	0.46 147	0.46 136	0.46 148	0.46 141	0.46 148	0.46 142	0.47 141	0.46 146	0.46 139	0.46 148	0.47 135	0.46 144	0.46 143	0.46 147	0.47 142	0.46 147	0.46 134	0.47 148

Ntro	0.53 136	0.47 132	0.50 149	0.46 142	0.48 156	0.47 147	0.47 154	0.46 133	0.46 148	2.05 196	0.47 151	0.47 140	0.49 159	0.47 145	0.47 152	0.46 142	0.48 145	0.46 146	0.49 152	0.46 148	0.47 135	0.46 144	0.46 143	0.47 150	0.46 136	0.46 147	0.47 138	0.47 148

Dean	0.52 132	0.46 127	0.48 143	0.46 142	0.46 147	0.46 141	0.46 150	0.46 133	0.46 148	1.90 185	0.46 147	0.47 140	0.46 148	0.46 141	0.46 148	0.46 142	0.48 145	0.46 146	0.46 139	0.46 148	0.46 131	0.46 144	0.46 143	0.46 147	0.46 136	0.46 147	0.46 134	0.46 145

ACVNet_1	0.53 136	0.46 127	0.48 143	0.47 147	0.47 151	0.46 141	0.48 158	0.48 142	0.48 156	2.07 197	0.47 151	0.48 145	0.48 155	0.47 145	0.47 152	0.46 142	0.49 149	0.47 152	0.47 143	0.47 153	0.48 141	0.46 144	0.46 143	0.48 154	0.47 142	0.47 153	0.48 143	0.47 148

ACVNet-4b	0.53 136	0.46 127	0.47 138	0.46 142	0.46 147	0.46 141	0.46 150	0.46 133	0.46 148	2.17 199	0.46 147	0.46 136	0.47 151	0.46 141	0.46 148	0.46 142	0.46 137	0.46 146	0.46 139	0.46 148	0.46 131	0.46 144	0.46 143	0.47 150	0.46 136	0.46 147	0.46 134	0.46 145

MaskLacGwcNet_RVC	0.70 161	6.91 230	0.46 137	0.46 142	0.46 147	0.46 141	0.46 150	0.46 133	0.46 148	0.46 109	0.46 147	0.46 136	0.46 148	0.46 141	0.46 148	0.46 142	0.46 137	0.46 146	0.46 139	0.46 148	0.47 135	0.46 144	0.46 143	0.46 147	0.46 136	0.46 147	0.46 134	0.46 145

HaxPig	0.52 132	0.48 135	0.47 138	0.47 147	0.47 151	0.47 147	0.47 154	0.47 139	0.47 152	1.80 182	0.47 151	0.47 140	0.47 151	0.47 145	0.47 152	0.47 149	0.47 141	0.47 152	0.47 143	0.47 153	0.47 135	0.47 152	0.47 149	0.47 150	0.47 142	0.47 153	0.47 138	0.47 148

UNDER WATER	0.52 132	0.47 132	0.47 138	0.47 147	0.47 151	0.47 147	0.47 154	0.47 139	0.47 152	1.90 185	0.47 151	0.47 140	0.47 151	0.47 145	0.47 152	0.47 149	0.46 137	0.47 152	0.47 143	0.47 153	0.46 131	0.47 152	0.47 149	0.48 154	0.47 142	0.47 153	0.47 138	0.47 148

LVE	0.53 136	0.47 132	0.48 143	0.47 147	0.47 151	0.47 147	0.47 154	0.48 142	0.47 152	1.96 191	0.47 151	0.47 140	0.47 151	0.47 145	0.47 152	0.47 149	0.47 141	0.47 152	0.47 143	0.47 153	0.47 135	0.47 152	0.47 149	0.47 150	0.47 142	0.47 153	0.47 138	0.47 148

RainbowNet	0.53 136	0.48 135	0.48 143	0.48 151	0.48 156	0.48 153	0.48 158	0.48 142	0.48 156	1.92 187	0.48 156	0.48 145	0.48 155	0.48 150	0.48 157	0.48 152	0.48 145	0.48 156	0.48 149	0.48 157	0.48 141	0.48 155	0.48 152	0.48 154	0.48 147	0.48 157	0.48 143	0.48 154

notaker	0.54 141	0.48 135	0.48 143	0.48 151	0.48 156	0.48 153	0.49 161	0.48 142	0.48 156	1.95 190	0.48 156	0.48 145	0.48 155	0.48 150	0.48 157	0.48 152	0.48 145	0.48 156	0.48 149	0.48 157	0.49 144	0.48 155	0.48 152	0.49 157	0.48 147	0.48 157	0.48 143	0.49 155

KSHMR	0.85 177	0.72 148	0.51 152	0.49 153	0.49 160	0.51 157	1.07 199	0.50 149	0.48 156	6.04 248	0.52 161	0.66 161	0.98 192	0.49 152	0.77 179	0.49 155	1.17 197	0.51 163	0.49 152	1.06 197	0.51 147	0.49 158	0.49 154	0.51 160	1.04 188	0.49 159	0.81 175	0.72 178

ACVNet_2	0.55 142	0.49 138	0.50 149	0.49 153	0.49 160	0.49 155	0.49 161	0.49 146	0.49 160	2.14 198	0.49 158	0.50 149	0.49 159	0.49 152	0.49 160	0.49 155	0.50 151	0.49 160	0.50 155	0.49 160	0.49 144	0.49 158	0.49 154	0.50 158	0.50 149	0.49 159	0.50 148	0.49 155

AEACV	0.74 167	0.52 141	3.10 232	0.60 163	0.48 156	0.56 160	0.48 158	3.02 222	0.83 185	0.61 119	0.62 172	0.72 169	0.50 161	0.49 152	0.49 160	0.48 152	0.58 157	0.50 161	0.55 160	0.48 157	0.56 153	0.50 162	0.50 156	0.51 160	0.58 161	0.51 163	0.60 158	0.51 159

SANet	0.50 128	0.50 139	0.50 149	0.50 155	0.50 163	0.50 156	0.50 163	0.50 149	0.50 161	0.50 112	0.50 159	0.50 149	0.50 161	0.50 155	0.50 162	0.50 158	0.50 151	0.50 161	0.50 155	0.50 162	0.50 146	0.50 162	0.50 156	0.50 158	0.50 149	0.50 161	0.50 148	0.50 157

FC-DCNN	1.10 195	0.81 156	0.77 172	0.63 166	0.42 145	0.86 181	0.64 176	0.91 174	0.96 191	1.11 151	0.80 183	1.07 190	0.81 183	0.67 174	1.75 220	1.30 210	1.41 209	0.85 186	1.28 205	0.71 177	2.12 218	1.32 210	0.52 158	0.81 185	1.64 212	1.40 216	2.39 220	1.75 222

test-3	0.78 169	4.38 218	1.80 214	0.62 165	0.49 160	0.62 165	0.50 163	1.86 204	0.64 173	0.69 123	0.52 161	0.66 161	0.38 132	0.58 159	0.57 167	0.46 142	0.66 163	0.46 146	0.50 155	0.44 147	0.48 141	0.58 167	0.54 159	0.60 170	0.70 167	0.46 147	0.48 143	0.50 157

MyStereo04	0.76 168	4.78 222	0.62 166	0.63 166	0.54 165	0.65 167	0.56 169	0.61 159	0.58 169	0.61 119	0.56 165	0.63 159	0.57 168	0.63 166	0.60 169	0.60 166	0.64 161	0.56 167	0.63 166	0.58 167	0.63 159	0.62 172	0.55 160	0.60 170	0.63 164	0.57 167	0.64 161	0.58 163

PSMNet_ROB	0.55 142	0.55 143	0.56 160	0.56 159	0.55 166	0.56 160	0.55 167	0.55 156	0.55 164	0.55 116	0.55 164	0.55 154	0.55 166	0.55 157	0.56 165	0.55 162	0.55 155	0.55 165	0.55 160	0.55 165	0.55 152	0.55 165	0.55 160	0.55 165	0.55 157	0.55 166	0.55 154	0.55 161

UDG	0.70 161	0.87 158	0.56 160	0.87 183	0.59 170	0.84 180	0.59 173	0.85 172	0.57 168	0.84 138	0.59 169	0.84 178	0.60 170	0.58 159	0.60 169	0.59 165	0.85 178	0.59 168	0.87 183	0.58 167	0.87 174	0.60 170	0.57 162	0.59 168	0.87 178	0.58 168	0.86 177	0.60 166

MyStereo03	0.79 170	4.96 225	0.60 163	0.72 175	0.58 169	0.77 174	0.44 148	0.51 152	0.55 164	0.73 127	0.60 170	0.68 165	0.61 171	0.63 166	0.62 172	0.66 172	0.70 165	0.55 165	0.69 168	0.65 174	0.71 164	0.57 166	0.58 163	0.61 172	0.68 166	0.60 170	0.75 169	0.63 171

DDUNet	0.69 159	0.84 157	0.59 162	0.84 182	0.59 170	0.87 182	0.57 170	0.84 171	0.59 171	0.82 136	0.58 168	0.85 179	0.57 168	0.59 161	0.59 168	0.57 164	0.87 179	0.59 168	0.85 181	0.59 169	0.85 173	0.59 169	0.59 164	0.59 168	0.87 178	0.59 169	0.84 176	0.59 164

CASS	0.58 146	0.89 159	0.55 158	0.56 159	0.55 166	0.60 164	0.57 170	0.57 158	0.56 166	0.55 116	0.56 165	0.56 155	0.50 161	0.63 166	0.56 165	0.56 163	0.62 160	0.62 172	0.59 164	0.56 166	0.56 153	0.48 155	0.60 165	0.56 166	0.57 160	0.60 170	0.57 157	0.59 164
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
LMCR-Stereo	0.61 148	0.61 145	0.61 165	0.61 164	0.61 172	0.67 169	0.61 174	0.61 159	0.61 172	0.61 119	0.61 171	0.61 158	0.61 171	0.61 162	0.61 171	0.61 167	0.61 159	0.61 171	0.61 165	0.61 171	0.61 156	0.61 171	0.61 166	0.61 172	0.61 163	0.61 172	0.61 159	0.61 170

ARAFT	0.64 151	0.74 152	0.62 166	0.70 172	0.56 168	0.72 172	0.55 167	0.72 165	0.54 163	0.73 127	0.56 165	0.72 169	0.56 167	0.56 158	0.62 172	0.63 169	0.73 170	0.53 164	0.73 172	0.54 164	0.72 165	0.65 174	0.62 167	0.56 166	0.72 169	0.54 164	0.72 166	0.57 162

MyStereo02	0.84 175	4.69 221	0.69 169	0.73 176	0.65 176	0.80 176	0.66 178	0.79 168	0.67 177	0.77 130	0.66 175	0.78 173	0.65 175	0.63 166	0.63 175	0.79 177	0.72 168	0.62 172	0.72 171	0.59 169	0.74 167	0.62 172	0.63 168	0.62 175	0.78 172	0.62 176	0.74 168	0.64 172

RAFT-Stereo + iAFF	0.67 157	0.74 152	0.60 163	0.79 178	0.61 172	0.76 173	0.57 170	0.71 164	0.56 166	0.71 125	0.54 163	0.72 169	0.66 176	0.65 171	0.65 176	0.64 170	0.74 172	0.64 175	0.74 174	0.63 172	0.73 166	0.65 174	0.64 169	0.64 176	0.74 171	0.61 172	0.73 167	0.64 172

STTRV1_RVC	0.66 153	1.59 186	0.52 155	0.69 169	0.61 172	0.66 168	0.43 147	0.88 173	0.45 147	0.71 125	0.62 172	0.69 167	0.45 147	0.62 163	0.40 140	0.44 141	0.80 175	0.59 168	0.76 176	0.63 172	0.80 169	0.46 144	0.64 169	0.61 172	0.72 169	0.54 164	0.80 172	0.60 166

DSFCA	0.66 153	0.73 150	0.74 171	0.68 168	0.65 176	0.64 166	0.65 177	0.65 161	0.65 174	0.66 122	0.65 174	0.65 160	0.64 173	0.65 171	0.65 176	0.65 171	0.65 162	0.65 176	0.65 167	0.65 174	0.65 162	0.65 174	0.65 171	0.65 177	0.66 165	0.66 177	0.65 162	0.65 174

HH	0.66 153	2.13 194	0.47 138	0.37 117	0.29 115	0.36 114	0.27 103	0.49 146	0.44 145	0.78 131	0.68 176	0.67 163	0.90 186	0.62 163	0.90 186	0.53 160	0.88 180	0.48 156	0.37 114	0.29 115	0.63 159	0.66 177	0.66 172	0.51 160	1.06 190	0.61 172	1.08 188	0.60 166

HanStereo	0.66 153	2.13 194	0.47 138	0.37 117	0.29 115	0.36 114	0.27 103	0.49 146	0.44 145	0.78 131	0.68 176	0.67 163	0.90 186	0.62 163	0.90 186	0.53 160	0.88 180	0.48 156	0.37 114	0.29 115	0.63 159	0.66 177	0.66 172	0.51 160	1.06 190	0.61 172	1.08 188	0.60 166

ktn	0.84 175	1.15 173	0.54 156	1.16 201	1.26 210	0.51 157	0.53 166	0.51 152	0.66 176	4.54 238	0.51 160	0.52 153	0.52 165	0.66 173	0.51 163	0.51 159	1.37 208	1.17 204	0.49 152	0.51 163	1.23 199	0.51 164	0.67 174	0.51 160	0.51 153	0.68 178	0.51 150	0.51 159

TorneroNet	1.15 198	1.10 172	0.51 152	0.69 169	0.51 164	1.10 193	0.50 163	0.51 152	0.51 162	13.92 255	1.17 205	0.49 148	0.51 164	0.54 156	0.48 157	0.49 155	0.49 149	0.65 176	0.70 169	0.49 160	0.51 147	0.49 158	0.67 174	1.36 213	0.51 153	0.50 161	0.52 152	1.23 207

PA-Net	0.71 163	0.62 146	0.55 158	0.69 169	0.71 179	0.70 170	0.69 179	0.69 162	0.74 179	0.73 127	0.75 180	0.59 157	0.72 178	0.82 181	0.79 181	0.83 180	0.67 164	0.76 180	0.81 180	0.67 176	0.61 156	0.76 180	0.68 176	0.65 177	0.82 177	0.76 182	0.71 164	0.69 175
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
WAO-8	1.02 192	1.50 185	1.49 207	0.40 130	0.40 139	1.56 211	0.98 189	1.55 202	0.58 169	4.18 235	0.40 139	0.79 175	0.48 155	0.91 183	0.39 139	0.99 191	0.71 167	0.70 178	0.51 158	0.77 181	1.07 185	0.82 185	0.69 177	0.96 191	1.01 187	1.30 211	1.10 190	1.38 214

AFF-stereo	0.71 163	0.73 150	0.65 168	0.82 181	0.63 175	0.83 179	0.63 175	0.73 166	0.65 174	0.82 136	0.73 179	0.74 172	0.64 173	0.63 166	0.62 172	0.62 168	0.73 170	0.63 174	0.74 174	0.72 179	0.80 169	0.58 167	0.70 178	0.71 179	0.79 173	0.69 179	0.78 170	0.72 178

DMCA-RVC	0.71 163	0.72 148	0.72 170	0.71 173	0.70 178	0.70 170	0.70 180	0.70 163	0.71 178	0.70 124	0.71 178	0.71 168	0.70 177	0.70 175	0.71 178	0.70 173	0.70 165	0.71 179	0.70 169	0.71 177	0.70 163	0.70 179	0.71 179	0.71 179	0.70 167	0.72 180	0.71 164	0.70 176

HSM-Net_RVC	0.93 181	1.09 171	0.79 174	1.10 194	0.78 180	1.09 192	0.79 182	1.16 189	0.80 181	1.14 153	0.79 182	1.17 196	0.77 179	0.73 176	0.83 184	0.78 175	1.19 199	0.79 181	1.18 199	0.72 179	1.19 194	0.80 182	0.72 180	0.80 182	1.18 200	0.74 181	1.14 192	0.73 180
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
G-Net	0.82 174	1.77 189	0.78 173	0.78 177	0.78 180	0.78 175	0.78 181	0.78 167	0.79 180	0.79 133	0.78 181	0.78 173	0.78 180	0.78 177	0.78 180	0.78 175	0.79 174	0.79 181	0.79 177	0.79 182	0.79 168	0.79 181	0.79 181	0.79 181	0.79 173	0.79 183	0.79 171	0.79 181

NaN_ROB	0.80 171	0.80 154	0.80 175	0.80 179	0.80 182	0.80 176	0.80 183	0.80 169	0.80 181	0.80 134	0.80 183	0.80 176	0.80 181	0.80 178	0.80 182	0.80 178	0.80 175	0.80 183	0.80 178	0.80 183	0.80 169	0.80 182	0.80 182	0.80 182	0.80 175	0.80 184	0.80 172	0.80 182

CSAN	0.80 171	0.80 154	0.80 175	0.80 179	0.80 182	0.80 176	0.80 183	0.80 169	0.80 181	0.80 134	0.80 183	0.80 176	0.80 181	0.80 178	0.80 182	0.80 178	0.80 175	0.80 183	0.80 178	0.80 183	0.80 169	0.80 182	0.80 182	0.80 182	0.80 175	0.80 184	0.80 172	0.80 182

DPSimNet_ROB	0.93 181	1.04 168	0.83 177	1.05 192	0.82 184	1.04 190	0.83 186	1.03 182	0.89 186	1.03 148	0.84 186	1.03 188	0.84 184	0.83 182	0.84 185	0.83 180	1.14 192	0.84 185	1.12 195	0.84 186	1.04 183	0.88 186	0.83 184	0.84 186	1.07 192	0.83 186	1.15 193	0.88 184

pmcnn	0.92 179	0.92 160	0.92 179	0.92 184	0.92 187	0.92 183	0.92 187	0.92 175	0.92 187	0.92 141	0.92 188	0.92 183	0.92 188	0.92 185	0.92 190	0.92 189	0.92 182	0.92 188	0.92 184	0.92 191	0.92 177	0.92 187	0.92 185	0.92 189	0.92 182	0.92 188	0.92 178	0.92 188

DGTPSM_ROB	0.92 179	0.93 163	0.91 178	0.93 185	0.91 186	0.92 183	0.93 188	0.92 175	0.92 187	0.92 141	0.91 187	0.91 180	0.93 189	0.91 183	0.92 190	0.92 189	0.92 182	0.92 188	0.92 184	0.90 188	0.91 175	0.92 187	0.93 186	0.94 190	0.92 182	0.91 187	0.92 178	0.97 189

DPSM_ROB	0.93 181	0.92 160	0.94 180	0.96 186	1.02 191	0.92 183	0.98 189	0.95 177	0.92 187	0.92 141	0.92 188	0.91 180	0.97 190	0.92 185	0.91 188	0.91 186	0.96 184	0.94 190	0.93 186	0.91 189	0.93 178	0.92 187	0.93 186	0.91 187	0.91 180	0.99 189	0.92 178	0.91 186

DPSM	0.93 181	0.92 160	0.94 180	0.96 186	1.02 191	0.92 183	0.98 189	0.95 177	0.92 187	0.92 141	0.92 188	0.91 180	0.97 190	0.92 185	0.91 188	0.91 186	0.96 184	0.94 190	0.93 186	0.91 189	0.93 178	0.92 187	0.93 186	0.91 187	0.91 180	0.99 189	0.92 178	0.91 186

HBP-ISP	1.47 208	1.07 170	1.03 186	1.30 206	1.08 196	1.36 206	1.06 196	1.44 200	1.25 212	1.97 192	1.51 216	1.65 210	1.58 216	0.98 188	1.58 216	1.68 218	1.98 215	1.32 211	2.02 216	1.28 213	2.95 223	1.89 226	0.97 189	1.06 197	1.26 204	0.99 189	1.94 210	1.43 216

GANet	1.00 186	1.00 164	1.00 182	1.00 188	1.00 188	1.00 187	1.00 192	1.00 179	1.00 192	1.00 145	1.00 191	1.00 184	1.00 193	1.00 190	1.00 192	1.00 192	1.00 186	1.00 192	1.00 188	1.00 192	1.00 180	1.00 191	1.00 190	1.00 192	1.00 184	1.00 192	1.00 182	1.00 190

TDLM	1.00 186	1.00 164	1.00 182	1.00 188	1.00 188	1.00 187	1.00 192	1.00 179	1.00 192	1.00 145	1.00 191	1.00 184	1.00 193	1.00 190	1.00 192	1.00 192	1.00 186	1.00 192	1.00 188	1.00 192	1.00 180	1.00 191	1.00 190	1.00 192	1.00 184	1.00 192	1.00 182	1.00 190

CVANet_RVC	1.00 186	1.00 164	1.00 182	1.00 188	1.00 188	1.00 187	1.00 192	1.00 179	1.00 192	1.00 145	1.00 191	1.00 184	1.00 193	1.00 190	1.00 192	1.00 192	1.00 186	1.00 192	1.00 188	1.00 192	1.00 180	1.00 191	1.00 190	1.00 192	1.00 184	1.00 192	1.00 182	1.00 190

SPS-STEREO	1.25 206	1.47 184	1.06 190	1.54 211	1.08 196	1.52 210	1.20 210	1.44 200	1.06 197	1.49 178	1.10 197	1.41 208	1.10 199	0.98 188	1.08 197	1.12 198	1.47 210	1.04 195	1.53 210	1.14 203	1.52 208	1.07 196	1.02 193	1.05 195	1.48 210	1.07 197	1.55 207	1.11 197
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
GLC_STEREO	1.05 194	1.01 167	1.02 185	1.02 191	1.02 191	1.05 191	1.06 196	1.05 183	1.05 195	1.04 150	1.05 194	1.05 189	1.04 196	1.06 195	1.05 195	1.06 196	1.06 189	1.05 196	1.06 191	1.05 196	1.06 184	1.06 195	1.04 194	1.05 195	1.04 188	1.05 195	1.06 186	1.06 193

test croco	1.96 216	3.33 208	1.04 187	3.24 225	1.04 194	3.24 226	1.04 195	3.26 224	1.05 195	3.26 221	1.13 199	3.27 225	1.06 197	1.05 194	1.05 195	1.05 195	3.28 225	1.05 196	3.29 224	1.06 197	3.30 224	1.05 194	1.05 195	1.06 197	3.30 225	1.06 196	3.30 225	1.06 193

MIF-Stereo (partial)	2.52 227	3.41 210	1.05 188	3.29 226	1.05 195	3.29 228	1.06 196	3.30 225	1.06 197	3.31 222	1.06 195	4.97 244	2.72 232	2.72 229	2.71 233	2.70 233	6.57 251	2.19 229	5.08 246	1.08 199	3.36 225	1.07 196	1.07 196	1.07 199	3.35 227	1.07 197	3.36 226	1.07 195

RP	1.14 196	1.16 175	1.15 194	1.17 202	1.10 198	1.16 196	1.15 201	1.10 184	1.16 204	1.15 154	1.08 196	1.16 194	1.15 202	1.15 202	1.14 202	1.16 201	1.16 195	1.10 198	1.10 192	1.10 200	1.16 189	1.11 198	1.10 197	1.19 207	1.14 196	1.19 207	1.07 187	1.10 196

Abc-Net	1.14 196	1.16 175	1.18 198	1.10 194	1.10 198	1.16 196	1.18 205	1.16 189	1.13 201	1.11 151	1.16 201	1.16 194	1.12 200	1.10 196	1.17 205	1.16 201	1.16 195	1.10 198	1.16 196	1.14 203	1.17 191	1.16 201	1.11 198	1.09 200	1.10 193	1.10 199	1.16 194	1.17 201
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
MIF-Stereo	2.12 223	3.66 212	1.10 191	3.48 228	1.15 201	3.57 229	1.11 200	3.44 226	1.16 204	3.52 223	1.16 201	3.50 226	1.16 203	1.10 196	1.13 201	1.15 200	3.61 226	1.17 204	3.64 225	1.12 201	3.58 227	1.12 199	1.12 199	1.17 205	3.53 228	1.18 205	3.52 227	1.18 203

stereogan	1.17 203	1.19 181	1.15 194	1.15 199	1.15 201	1.15 195	1.19 206	1.19 192	1.15 202	1.15 154	1.16 201	1.19 199	1.19 207	1.19 204	1.19 206	1.19 206	1.15 193	1.19 207	1.19 200	1.19 209	1.15 188	1.19 204	1.15 200	1.15 204	1.16 197	1.15 202	1.19 198	1.20 204

RGC	1.15 198	1.16 175	1.17 197	1.15 199	1.11 200	1.21 201	1.21 211	1.10 184	1.15 202	1.16 157	1.11 198	1.17 196	1.09 198	1.14 201	1.11 199	1.16 201	1.19 199	1.11 201	1.10 192	1.15 205	1.11 186	1.19 204	1.16 201	1.12 202	1.17 198	1.10 199	1.16 194	1.17 201

AF-Net	2.06 222	25.73 263	1.18 198	1.12 197	1.16 204	1.16 196	1.19 206	1.10 184	1.17 207	1.15 154	1.14 200	1.11 192	1.16 203	1.16 203	1.14 202	1.11 197	1.15 193	1.13 203	1.21 202	1.17 206	1.11 186	1.21 207	1.17 202	1.17 205	1.17 198	1.11 201	1.20 200	1.13 199

edge stereo	1.15 198	1.18 179	1.11 192	1.12 197	1.17 205	1.17 200	1.17 203	1.16 189	1.18 208	1.16 157	1.17 205	1.17 196	1.13 201	1.11 198	1.11 199	1.12 198	1.17 197	1.17 204	1.11 194	1.17 206	1.17 191	1.17 203	1.18 203	1.14 203	1.11 194	1.18 205	1.12 191	1.11 197

Nwc_Net	1.15 198	1.15 173	1.15 194	1.09 193	1.19 206	1.16 196	1.17 203	1.15 187	1.16 204	1.16 157	1.16 201	1.08 191	1.16 203	1.11 198	1.15 204	1.18 205	1.11 190	1.10 198	1.16 196	1.17 206	1.16 189	1.13 200	1.18 203	1.20 208	1.11 194	1.15 202	1.16 194	1.20 204

FAT-Stereo	1.22 204	1.23 182	1.19 200	1.21 204	1.24 209	1.24 203	1.19 206	1.25 194	1.24 211	1.25 165	1.19 208	1.20 200	1.24 210	1.20 205	1.21 207	1.25 209	1.22 201	1.21 208	1.25 203	1.23 211	1.22 197	1.19 204	1.19 205	1.24 210	1.25 203	1.20 208	1.19 198	1.25 209

NCC-stereo	1.15 198	1.17 178	1.12 193	1.10 194	1.15 201	1.14 194	1.15 201	1.15 187	1.12 200	1.17 160	1.17 205	1.11 192	1.17 206	1.11 198	1.10 198	1.16 201	1.12 191	1.11 201	1.16 196	1.13 202	1.23 199	1.16 201	1.19 205	1.11 201	1.18 200	1.17 204	1.17 197	1.13 199

GANetREF_RVC	1.52 211	2.01 191	1.21 202	1.98 216	1.21 207	1.98 216	1.21 211	1.98 211	1.21 210	1.99 193	1.21 210	1.98 214	1.21 209	1.02 193	1.21 207	1.21 207	1.99 216	1.21 208	1.99 215	1.21 210	1.99 213	1.21 207	1.21 207	1.21 209	1.99 216	1.21 209	1.99 213	1.21 206
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
S-Stereo	1.22 204	1.18 179	1.19 200	1.20 203	1.23 208	1.23 202	1.19 206	1.19 192	1.18 208	1.27 166	1.20 209	1.20 200	1.20 208	1.23 206	1.22 209	1.23 208	1.23 202	1.23 210	1.20 201	1.25 212	1.20 195	1.22 209	1.25 208	1.24 210	1.20 202	1.22 210	1.26 201	1.24 208

PS-NSSS	1.48 209	4.46 220	1.35 203	1.35 208	1.35 211	1.41 209	1.34 213	1.36 197	1.35 214	1.40 173	1.35 211	1.33 205	1.35 211	1.37 208	1.40 212	1.35 211	1.35 204	1.35 213	1.39 208	1.44 218	1.35 205	1.34 211	1.35 209	1.38 216	1.35 207	1.33 212	1.34 204	1.38 214

RASNet	1.39 207	1.37 183	1.35 203	1.38 209	1.40 212	1.39 208	1.77 221	1.36 197	1.74 221	1.36 172	1.36 212	1.36 207	1.36 212	1.36 207	1.35 210	1.41 215	1.36 206	1.36 215	1.36 207	1.35 214	1.36 206	1.35 212	1.36 210	1.35 212	1.36 208	1.35 213	1.36 206	1.35 210

R-Stereo Train	1.62 212	2.01 191	1.41 205	1.97 214	1.40 212	1.96 214	1.39 214	1.93 206	1.39 215	1.92 187	1.38 214	1.94 212	1.39 214	1.40 210	1.45 213	1.38 213	1.96 213	1.37 216	1.97 213	1.39 215	1.98 211	1.41 214	1.40 211	1.37 214	1.97 214	1.38 214	1.96 211	1.37 212

RAFT-Stereo	1.62 212	2.01 191	1.41 205	1.97 214	1.40 212	1.96 214	1.39 214	1.93 206	1.39 215	1.92 187	1.38 214	1.94 212	1.39 214	1.40 210	1.45 213	1.38 213	1.96 213	1.37 216	1.97 213	1.39 215	1.98 211	1.41 214	1.40 211	1.37 214	1.97 214	1.38 214	1.96 211	1.37 212
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
CC-Net-ROB	1.51 210	4.40 219	1.69 211	1.39 210	1.40 212	1.37 207	1.40 216	1.36 197	1.39 215	1.41 174	1.36 212	1.35 206	1.38 213	1.39 209	1.39 211	1.36 212	1.36 206	1.35 213	1.39 208	1.39 215	1.37 207	1.36 213	1.41 213	1.48 217	1.39 209	1.42 217	1.35 205	1.35 210

FADNet-RVC-Resample	0.10 34	0.04 29	0.05 26	0.04 29	0.05 32	0.05 33	0.05 34	0.07 35	0.05 34	0.05 24	0.05 32	0.05 32	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.05 34	0.05 30	0.05 34	0.05 32	0.04 29	1.53 214	0.04 29	0.05 33	0.05 33	0.06 38	0.05 33

FADNet_RVC	0.10 34	0.03 23	0.04 21	0.03 23	0.04 28	0.05 33	0.04 29	0.04 28	0.04 28	0.03 21	0.04 28	0.04 28	0.03 21	0.04 28	0.03 24	0.03 24	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.03 24	1.63 215	0.03 23	0.03 24	0.04 28	0.03 22	0.04 28

DPSMNet_ROB	1.62 212	1.60 187	1.59 208	1.61 212	1.69 216	1.66 212	1.61 217	1.70 203	1.65 219	1.62 180	1.60 218	1.61 209	1.60 217	1.60 212	1.59 217	1.62 216	1.60 211	1.63 218	1.62 211	1.68 221	1.70 209	1.60 216	1.64 216	1.60 218	1.61 211	1.60 218	1.60 208	1.59 218

UDGNet	1.97 217	2.43 201	1.67 209	2.46 223	1.70 218	2.44 223	1.69 219	2.34 217	1.63 218	2.35 210	1.67 219	2.37 221	1.67 218	1.68 214	1.64 218	1.67 217	2.44 223	1.64 219	2.43 222	1.67 219	2.43 222	1.66 217	1.67 217	1.63 219	2.43 222	1.66 221	2.42 221	1.66 219

MFMNet_re	1.77 215	1.89 190	1.72 212	1.88 213	1.69 216	1.89 213	1.67 218	1.91 205	1.70 220	1.87 183	1.67 219	1.89 211	1.68 219	1.67 213	1.67 219	1.70 219	1.88 212	1.68 220	1.88 212	1.67 219	1.89 210	1.68 219	1.70 218	1.71 220	1.87 213	1.68 223	1.87 209	1.68 220

FADNet	0.11 46	0.04 29	0.05 26	0.06 34	0.05 32	0.04 29	0.04 29	0.04 28	0.04 28	0.04 22	0.05 32	0.05 32	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.05 34	0.05 32	0.04 29	1.74 219	0.04 29	0.04 28	0.05 33	0.04 27	0.05 33

FBW_ROB	2.04 218	2.50 202	1.75 213	2.45 222	1.78 219	2.40 221	1.74 220	2.47 218	1.77 222	2.37 211	1.81 221	2.30 217	1.80 220	1.78 215	1.88 228	1.80 220	2.41 222	1.77 221	2.43 222	1.83 223	2.39 220	1.81 224	1.76 220	1.75 221	2.56 223	1.75 224	2.30 218	1.74 221

FADNet-RVC	0.11 46	0.04 29	0.05 26	0.04 29	0.05 32	0.04 29	0.04 29	0.05 32	0.04 28	0.04 22	0.04 28	0.04 28	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	1.79 221	0.04 29	0.04 28	0.04 28	0.04 27	0.05 33

sCroCo_RVC	2.76 228	4.00 214	1.82 215	4.00 235	1.83 220	3.98 235	1.82 222	3.99 228	1.81 223	4.14 232	2.76 232	4.13 237	1.82 222	1.83 216	1.83 221	1.82 221	4.01 235	1.82 223	3.98 233	1.86 224	4.00 235	1.82 225	1.83 222	1.84 222	4.02 237	1.81 225	4.00 234	1.83 224

StereoIM	3.69 234	10.19 251	2.01 222	6.09 249	2.01 226	5.94 249	1.82 222	6.14 240	1.85 224	6.59 250	1.82 222	6.01 249	1.81 221	1.83 216	1.83 221	2.02 225	5.87 248	1.79 222	5.93 250	2.06 230	4.63 243	1.67 218	1.84 223	2.08 226	5.90 247	1.66 221	6.34 250	1.87 225

TRStereo	2.05 219	2.13 194	1.85 216	2.27 217	1.84 221	2.28 217	1.84 224	2.29 214	1.87 225	2.29 206	1.86 223	2.30 217	1.87 224	2.30 226	1.87 225	2.08 226	2.29 218	1.87 224	2.30 218	1.87 225	2.08 215	1.72 220	1.86 224	2.30 230	2.13 217	1.84 226	2.29 215	1.87 225

XX-Stereo	2.05 219	2.13 194	1.85 216	2.27 217	1.84 221	2.28 217	1.84 224	2.29 214	1.87 225	2.29 206	1.86 223	2.30 217	1.87 224	2.30 226	1.87 225	2.08 226	2.29 218	1.87 224	2.30 218	1.87 225	2.08 215	1.72 220	1.86 224	2.30 230	2.13 217	1.84 226	2.29 215	1.87 225

EAI-Stereo	2.05 219	2.13 194	1.85 216	2.27 217	1.84 221	2.28 217	1.84 224	2.29 214	1.87 225	2.29 206	1.86 223	2.30 217	1.87 224	2.30 226	1.87 225	2.08 226	2.29 218	1.87 224	2.30 218	1.87 225	2.08 215	1.72 220	1.86 224	2.30 230	2.13 217	1.84 226	2.29 215	1.87 225

sAnonymous2	2.87 229	4.16 215	1.89 219	4.26 239	1.87 224	4.23 238	1.92 227	4.17 229	1.94 228	4.16 233	1.92 226	4.20 238	1.92 227	1.96 218	1.86 223	1.87 223	4.25 238	1.90 227	4.23 238	1.91 228	4.26 238	1.93 227	1.89 227	1.90 223	4.07 238	1.91 229	5.09 246	1.93 229

CroCo_RVC	2.87 229	4.16 215	1.89 219	4.26 239	1.87 224	4.23 238	1.92 227	4.17 229	1.94 228	4.16 233	1.92 226	4.20 238	1.92 227	1.96 218	1.86 223	1.87 223	4.25 238	1.90 227	4.23 238	1.91 228	4.26 238	1.93 227	1.89 227	1.90 223	4.07 238	1.91 229	5.09 246	1.93 229

StereoVision	3.44 232	10.12 250	1.68 210	5.44 248	2.26 229	5.87 248	1.97 229	5.17 235	1.31 213	5.80 246	1.56 217	5.62 248	1.84 223	1.97 220	1.91 229	1.84 222	4.98 247	1.32 211	5.60 247	1.71 222	5.35 249	1.73 223	1.97 229	1.96 225	5.40 246	1.65 220	5.08 245	1.76 223

Anonymous3	3.36 231	4.93 224	2.20 223	4.92 245	2.23 227	4.90 245	2.23 230	4.89 234	2.24 230	4.95 243	2.21 229	4.91 243	2.21 229	2.18 221	2.22 230	2.22 229	4.86 245	2.20 230	4.90 244	2.20 231	4.96 245	2.21 229	2.21 230	2.21 227	6.30 249	2.21 231	4.90 241	2.23 231

NCCL2	2.27 224	2.27 199	2.28 227	2.27 217	2.28 230	2.28 217	2.28 231	2.27 213	2.28 231	2.28 203	2.28 230	2.29 216	2.28 230	2.28 225	2.29 231	2.28 231	2.28 217	2.28 232	2.27 217	2.28 233	2.28 219	2.28 231	2.28 231	2.28 228	2.28 220	2.28 232	2.11 214	2.28 233

STTStereo	2.30 225	2.34 200	2.26 226	2.37 221	2.23 227	2.40 221	2.35 232	2.20 212	2.33 232	2.28 203	2.31 231	2.19 215	2.37 231	2.20 222	2.31 232	2.23 230	2.38 221	2.25 231	2.33 221	2.27 232	2.39 220	2.27 230	2.31 232	2.29 229	2.37 221	2.32 233	2.34 219	2.26 232

Anonymous	4.38 243	6.03 227	2.67 231	6.71 251	3.03 233	5.98 251	3.20 235	6.18 243	2.49 233	6.13 249	3.16 233	6.07 250	2.97 234	3.15 230	3.09 234	3.15 236	6.62 252	3.20 235	6.32 252	3.16 236	6.80 251	3.15 234	2.63 233	3.20 234	7.02 250	2.85 234	6.13 248	3.25 234

Sa-1000	3.84 235	7.71 235	6.81 250	4.15 237	2.86 232	3.27 227	3.87 245	5.99 237	4.35 249	2.78 216	3.71 238	3.88 230	3.56 239	3.88 240	3.64 237	2.71 234	3.72 229	3.27 236	3.67 229	3.15 235	3.51 226	3.36 236	2.70 234	3.49 235	3.32 226	3.76 242	2.87 223	3.76 242

NLCA_NET_v2_RVC	2.50 226	2.85 206	1.90 221	2.90 224	2.77 231	2.88 224	2.85 233	2.51 219	2.85 234	2.88 218	1.99 228	2.50 222	2.76 233	2.20 222	1.57 215	2.64 232	2.89 224	2.63 233	5.69 249	1.03 195	2.01 214	2.71 232	2.74 235	2.73 233	2.87 224	1.64 219	1.00 182	1.49 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
test_4	4.11 237	8.05 240	6.64 246	4.52 242	3.68 240	3.00 225	3.40 236	6.21 244	3.29 235	4.07 231	3.84 243	4.04 235	3.76 245	3.56 235	3.67 242	3.76 243	4.04 236	3.79 244	4.10 234	3.53 238	3.98 234	3.74 242	3.55 236	3.61 236	3.94 236	3.75 241	3.73 230	3.73 241

TestStereo1	4.11 237	7.79 237	6.72 248	3.93 232	3.81 242	3.96 233	3.58 237	6.96 249	3.74 240	3.90 227	3.76 240	3.89 231	3.57 240	3.70 238	3.66 240	3.34 237	3.80 231	3.62 238	3.66 227	3.68 240	3.91 232	3.70 239	3.65 237	3.67 238	3.88 232	3.53 236	3.89 231	3.68 238

SA-5K	4.11 237	7.79 237	6.72 248	3.93 232	3.81 242	3.96 233	3.58 237	6.96 249	3.74 240	3.90 227	3.76 240	3.89 231	3.57 240	3.70 238	3.66 240	3.34 237	3.80 231	3.62 238	3.66 227	3.68 240	3.91 232	3.70 239	3.65 237	3.67 238	3.88 232	3.53 236	3.89 231	3.68 238

DPSNet	3.67 233	3.61 211	3.62 235	3.64 229	3.61 239	3.64 230	3.65 239	3.64 227	3.67 238	3.67 225	3.65 237	3.68 228	3.69 243	3.69 237	3.69 244	3.68 240	3.70 228	3.70 241	3.69 230	3.69 242	3.71 230	3.69 238	3.67 239	3.69 241	3.68 231	3.67 238	3.68 229	3.67 235

SA	3.93 236	7.22 231	4.74 237	4.15 237	3.88 245	3.70 231	4.02 248	6.67 246	3.95 243	3.64 224	3.74 239	3.63 227	3.00 235	3.51 232	3.68 243	3.68 240	3.73 230	3.71 242	3.64 225	3.48 237	3.58 227	2.97 233	3.69 240	3.61 236	3.55 230	3.42 235	3.64 228	3.79 243

TESTraft	4.16 241	8.03 239	6.81 250	3.99 234	3.68 240	3.93 232	3.70 241	6.86 248	3.69 239	3.93 229	3.88 245	3.93 233	3.59 242	3.65 236	3.64 237	3.68 240	3.92 233	3.72 243	3.92 231	3.57 239	3.84 231	3.70 239	3.71 241	3.67 238	3.91 235	3.74 240	3.92 233	3.67 235

raft_robust	4.19 242	7.78 236	6.08 243	3.30 227	3.85 244	4.03 236	3.73 242	6.25 245	3.30 236	4.44 237	3.28 235	4.01 234	3.82 246	4.29 245	3.70 245	4.01 245	4.48 243	3.42 237	4.11 235	3.76 244	4.05 236	3.32 235	3.85 242	3.82 242	4.71 241	3.83 244	4.09 235	3.80 244

test-1	4.11 237	7.65 234	4.93 238	3.65 230	3.58 237	4.70 244	3.74 243	4.73 232	4.06 245	3.72 226	4.11 247	3.70 229	3.49 238	3.36 231	3.65 239	4.17 248	3.92 233	4.04 248	4.19 237	3.75 243	4.69 244	4.18 245	3.88 243	3.90 243	4.73 242	3.77 243	3.12 224	3.68 238

RAFT_CTSACE	4.43 244	8.26 242	6.10 244	4.62 243	4.01 247	4.54 243	3.65 239	6.09 239	3.93 242	4.64 240	4.14 248	4.26 240	4.13 248	3.91 241	3.88 246	4.06 247	4.30 240	4.03 247	4.27 240	3.92 245	4.26 238	3.67 237	3.91 244	4.16 246	4.82 243	4.08 248	4.20 237	3.67 235

SGM-Forest	5.07 251	6.74 229	4.17 236	6.46 250	4.68 249	6.21 252	4.38 249	6.00 238	4.14 247	5.84 247	4.44 249	6.28 251	4.16 249	3.92 242	4.56 250	4.60 250	6.15 249	4.27 249	6.12 251	4.31 249	5.99 250	4.27 246	3.92 245	4.27 247	6.13 248	4.10 249	6.18 249	4.49 249
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
cross-raft	4.43 244	7.31 232	6.46 245	4.47 241	3.95 246	4.46 241	3.95 246	6.70 247	3.97 244	4.41 236	3.82 242	4.38 241	3.94 247	3.95 243	3.95 248	3.95 244	4.45 242	3.95 246	4.46 241	3.95 246	4.46 242	3.95 243	3.95 246	3.94 245	4.40 240	3.95 247	4.45 239	3.95 245

test_3	4.55 248	10.96 252	7.69 254	4.04 236	3.60 238	4.10 237	3.98 247	7.94 251	4.56 250	3.99 230	4.03 246	4.08 236	3.74 244	3.99 244	3.91 247	4.05 246	4.33 241	3.89 245	4.14 236	4.00 247	4.11 237	4.02 244	4.01 247	3.91 244	3.53 228	3.94 246	4.19 236	4.20 248

test_5	4.51 247	8.85 244	5.35 242	3.66 231	3.56 236	5.10 247	4.47 250	6.14 240	4.07 246	4.96 244	3.87 244	5.14 247	4.17 250	3.53 233	4.39 249	4.53 249	4.15 237	3.62 238	4.74 243	2.94 234	3.63 229	4.53 249	4.20 248	4.54 249	4.86 244	3.68 239	4.95 242	4.06 247

RAFT+CT+SA	4.43 244	7.34 233	6.71 247	5.01 246	4.38 248	4.40 240	3.85 244	6.15 242	4.30 248	4.89 242	3.26 234	4.49 242	3.01 236	4.53 246	3.36 236	3.65 239	3.64 227	4.39 250	3.94 232	4.28 248	4.44 241	4.30 247	4.24 249	4.52 248	3.90 234	3.85 245	4.89 240	4.00 246

TestStereo	4.92 249	4.80 223	4.98 239	4.82 244	4.97 250	4.91 246	4.78 251	4.80 233	4.88 251	4.78 241	4.80 250	4.99 245	4.81 251	4.83 247	4.87 251	4.97 251	4.93 246	5.01 252	5.03 245	4.90 251	5.02 246	5.02 250	5.06 250	5.04 250	4.93 245	4.89 250	5.01 243	5.09 250

SGM+DAISY	6.35 252	8.16 241	5.14 241	8.12 255	5.08 252	8.12 255	5.16 252	8.01 252	5.18 253	7.92 253	5.14 251	7.89 255	5.14 252	4.95 248	5.33 252	5.32 252	8.14 255	5.16 253	8.16 255	5.16 252	8.21 254	5.19 251	5.12 251	5.12 251	8.18 254	5.24 251	8.12 254	5.11 251

test-v	7.17 254	11.53 253	7.63 252	7.17 252	6.87 254	7.48 253	6.90 254	8.14 253	6.88 254	6.93 251	7.42 254	7.05 252	6.14 253	6.05 249	6.86 253	6.99 254	7.60 253	6.75 254	6.90 253	6.66 254	7.83 252	6.36 254	5.89 252	7.34 254	7.19 252	6.75 253	7.52 252	6.77 254

test-2	7.17 254	11.53 253	7.63 252	7.17 252	6.87 254	7.48 253	6.90 254	8.14 253	6.88 254	6.93 251	7.42 254	7.05 252	6.14 253	6.05 249	6.86 253	6.99 254	7.60 253	6.75 254	6.90 253	6.66 254	7.83 252	6.36 254	5.89 252	7.34 254	7.19 252	6.75 253	7.52 252	6.77 254

DispFullNet	4.96 250	5.67 226	3.30 234	5.01 246	3.21 235	4.50 242	3.11 234	4.43 231	3.44 237	4.60 239	3.46 236	5.13 246	3.44 237	3.53 233	3.20 235	2.87 235	4.80 244	3.15 234	4.70 242	4.83 250	9.02 255	5.98 253	5.95 254	6.21 252	8.84 255	5.85 252	9.76 255	5.91 252

RAFT	6.60 253	9.99 247	8.33 255	7.21 254	6.55 253	5.95 250	5.87 253	8.70 255	5.02 252	5.10 245	6.69 253	7.06 254	6.94 255	6.17 251	7.09 255	6.84 253	6.47 250	4.72 251	5.60 247	5.60 253	5.11 247	5.97 252	6.93 255	6.89 253	7.16 251	7.08 255	6.58 251	6.66 253

MANE	18.41 256	23.00 262	16.00 256	22.00 263	15.00 256	22.00 263	15.00 256	22.00 263	15.00 256	21.00 263	15.00 256	22.00 263	15.00 256	15.00 256	17.00 256	15.00 256	23.00 263	15.00 256	22.00 263	15.00 256	23.00 263	15.00 256	18.00 256	15.00 256	24.00 263	17.00 256	24.00 263	16.00 256

rafts_anoy	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257

raft+_RVC	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257

raftrobust	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257

CasAABBNet	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257

RALCasStereoNet	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257

RALAANet	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257

MSMDNet	20.00 257	20.00 255	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257	20.00 257	20.00 257	20.00 256	20.00 257	20.00 256	20.00 257

MDST_ROB	61.15 264	72.66 265	46.52 264	70.00 264	44.89 264	64.24 264	43.75 264	73.65 264	48.92 265	72.70 265	42.40 264	60.70 264	50.23 264	50.07 265	67.69 265	68.60 265	83.13 265	47.77 264	82.48 265	46.00 264	95.93 265	53.44 265	50.66 264	45.00 264	84.99 265	53.64 265	79.01 264	52.07 265

CBMV	101.59 265	71.60 264	48.40 265	72.70 265	49.00 265	79.60 265	48.40 265	80.90 265	46.90 264	68.90 264	49.00 265	78.00 265	572.10 272	49.50 264	51.30 264	48.40 264	72.20 264	639.60 272	79.40 264	48.90 265	79.50 264	51.40 264	52.30 265	48.30 265	80.20 264	49.10 264	79.60 265	47.60 264
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	151.99 266	131.36 266	140.69 266	151.38 266	151.40 266	150.79 266	151.72 266	149.36 266	159.46 266	146.42 266	150.73 266	149.06 268	176.22 265	143.94 266	133.10 267	133.45 267	153.30 267	154.22 266	154.67 267	153.95 267	156.90 268	156.53 268	160.21 266	162.72 266	154.57 266	160.59 266	153.47 266	163.50 266
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
DLCB_ROB	280.78 270	376.74 269	215.59 267	376.74 267	215.59 267	376.74 269	215.59 267	366.42 268	218.39 267	366.42 269	218.39 267	366.42 269	218.39 267	209.96 268	219.76 270	219.38 269	376.72 270	216.43 267	376.72 268	216.43 268	376.72 270	216.43 269	216.14 267	216.14 269	376.69 270	217.67 269	376.69 270	217.67 268

AE-Stereo	252.48 268	202.00 267	361.00 270	502.00 270	324.00 270	321.00 267	482.00 272	423.00 269	227.00 269	201.00 267	273.00 269	101.00 266	207.00 266	198.00 267	183.00 268	181.00 268	221.00 268	232.00 269	477.00 269	220.00 269	111.00 266	100.00 266	219.00 268	214.00 267	204.00 267	211.00 268	200.00 267	222.00 269

NOSS_ROB	248.11 267	409.00 270	288.00 268	412.00 268	280.00 268	411.00 270	288.00 268	356.00 267	275.00 270	379.00 270	303.00 270	415.00 270	278.00 269	260.00 270	104.00 266	103.00 266	126.00 266	108.00 265	118.00 266	98.00 266	126.00 267	104.00 267	268.00 269	216.00 268	279.00 269	201.00 267	288.00 269	206.00 267

EGLCR-Stereo	276.81 269	209.00 268	366.00 271	514.00 271	354.00 271	336.00 268	422.00 270	440.00 270	220.00 268	231.00 268	245.00 268	135.00 267	237.00 268	218.00 269	197.00 269	222.00 270	223.00 269	230.00 268	487.00 271	255.00 270	250.00 269	273.00 270	272.00 270	228.00 270	241.00 268	220.00 270	214.00 268	235.00 270

LE_ROB	387.11 271	453.07 271	321.39 269	500.23 269	323.05 269	493.99 271	324.56 269	477.63 271	322.28 271	465.51 271	322.97 271	486.37 271	334.17 270	305.26 271	320.63 271	327.66 271	476.08 271	315.70 270	483.76 270	335.15 271	469.64 271	309.74 271	315.90 271	318.85 271	498.41 271	328.85 271	491.00 271	330.08 271

SGM-ForestM	522.49 272	676.08 272	448.56 272	638.17 272	433.15 272	639.59 272	427.03 271	617.52 272	439.90 272	604.63 272	429.02 272	611.68 272	432.74 271	420.18 272	451.96 272	465.85 272	601.06 272	403.73 271	659.15 272	405.50 272	669.64 272	437.21 272	455.85 272	425.66 272	689.82 272	481.65 272	662.43 272	479.61 272

CBMV_ROB	1133.35 273	1280.38 273	976.92 273	1317.57 273	1021.62 273	1282.66 273	1022.22 273	1213.88 273	982.57 273	1194.12 273	975.90 273	1357.87 273	1090.02 273	943.32 273	1021.85 273	1006.47 273	1309.01 273	986.29 273	1499.40 273	986.35 273	1359.35 273	975.96 273	975.21 273	969.30 273	1337.82 273	1042.34 273	1398.25 273	1073.86 273

anonymousdsp2	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274

anonymousdsp	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274

AMNet	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274	10000000.00 274

Low-res two-view benchmark