Low-res two-view results

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

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

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

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

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

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 114	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 66	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CAS	0.08 2	0.04 1	0.07 2	0.17 113	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 37	0.08 25	0.06 6	0.09 10	0.08 11	0.08 188	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

raft_robust	0.13 155	0.10 235	0.07 2	0.18 180	0.08 47	0.13 129	0.24 319	0.28 245	0.33 272	0.20 239	0.19 146	0.14 125	0.10 87	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 159	0.05 40	0.04 7

GMOStereo	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

error version	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

test-v	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

test-2	0.11 79	0.09 188	0.07 2	0.19 225	0.08 47	0.12 104	0.28 350	0.13 9	0.17 99	0.11 58	0.17 119	0.14 125	0.12 136	0.07 1	0.07 1	0.05 2	0.05 106	0.09 224	0.07 159	0.04 1	0.04 7

s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 198	0.18 229	0.15 26	0.15 69	0.10 40	0.11 52	0.11 73	0.11 107	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 169	0.14 15	0.13 41	0.11 58	0.12 60	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

StereoIM	0.09 11	0.09 188	0.08 11	0.17 113	0.09 130	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 52	0.06 3	0.06 6	0.09 10	0.13 156	0.07 141	0.06 187	0.07 98	0.05 31	0.05 40	0.04 7

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 180	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 60	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 298	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 18	0.09 35	0.14 69	0.11 1	0.09 2	0.08 5	0.09 23	0.11 73	0.06 6	0.12 100	0.08 11	0.06 54	0.04 2	0.05 2	0.03 1	0.05 40	0.05 51

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 113	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

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

CroCo-Stereo Lap2	0.09 11	0.09 188	0.08 11	0.22 302	0.09 130	0.09 35	0.19 260	0.16 42	0.12 25	0.09 15	0.10 37	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 187	0.07 98	0.05 31	0.05 40	0.05 51

TestStereo1	0.13 155	0.08 139	0.08 11	0.19 225	0.08 47	0.18 232	0.29 358	0.23 171	0.16 87	0.17 183	0.20 157	0.16 160	0.10 87	0.12 100	0.13 156	0.06 54	0.06 187	0.08 161	0.06 85	0.05 40	0.05 51

test_5	0.14 184	0.12 269	0.08 11	0.20 265	0.10 214	0.14 153	0.29 358	0.21 138	0.24 190	0.18 209	0.28 254	0.11 73	0.15 204	0.12 100	0.13 156	0.06 54	0.05 106	0.07 98	0.08 209	0.08 197	0.07 156

SA-5K	0.13 155	0.08 139	0.08 11	0.19 225	0.08 47	0.18 232	0.29 358	0.23 171	0.16 87	0.17 183	0.20 157	0.16 160	0.10 87	0.12 100	0.13 156	0.06 54	0.06 187	0.08 161	0.06 85	0.05 40	0.05 51

Sa-1000	0.12 134	0.08 139	0.08 11	0.18 180	0.08 47	0.14 153	0.22 300	0.22 154	0.18 116	0.15 146	0.20 157	0.17 179	0.11 107	0.10 18	0.10 49	0.06 54	0.05 106	0.09 224	0.09 248	0.05 40	0.05 51

SA	0.12 134	0.09 188	0.08 11	0.18 180	0.08 47	0.12 104	0.24 319	0.23 171	0.18 116	0.17 183	0.27 245	0.14 125	0.11 107	0.11 45	0.11 85	0.05 2	0.05 106	0.09 224	0.08 209	0.05 40	0.04 7

test_4	0.10 50	0.10 235	0.08 11	0.19 225	0.09 130	0.08 23	0.22 300	0.15 26	0.17 99	0.12 82	0.18 141	0.12 87	0.09 66	0.08 6	0.11 85	0.04 1	0.04 2	0.08 161	0.08 209	0.04 1	0.03 1

CroCo-Stereo	0.09 11	0.08 139	0.08 11	0.22 302	0.09 130	0.09 35	0.19 260	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 127	0.11 58	0.15 93	0.10 57	0.06 6	0.12 100	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 113	0.09 130	0.15 175	0.12 21	0.20 121	0.10 7	0.10 40	0.14 79	0.07 17	0.06 6	0.12 100	0.08 11	0.06 54	0.05 106	0.06 31	0.06 85	0.04 1	0.04 7

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 188	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 100	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

StereoVision	0.13 155	0.12 269	0.09 28	0.24 326	0.10 214	0.15 175	0.21 291	0.21 138	0.20 148	0.12 82	0.24 194	0.10 57	0.10 87	0.16 196	0.10 49	0.09 233	0.11 316	0.12 307	0.12 321	0.06 101	0.05 51

CASnet	0.09 11	0.09 188	0.09 28	0.19 225	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 265	0.08 209	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 138	0.15 69	0.11 58	0.12 60	0.12 87	0.09 66	0.12 100	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 113	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 60	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 67	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 37	0.08 25	0.07 31	0.12 100	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

RAFT+CT+SA	0.13 155	0.11 255	0.09 28	0.19 225	0.09 130	0.15 175	0.28 350	0.22 154	0.22 172	0.15 146	0.26 238	0.10 57	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 209	0.07 155	0.06 98

test-3	0.08 2	0.06 19	0.09 28	0.17 113	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 113	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

LCNet	0.11 79	0.07 69	0.09 28	0.19 225	0.09 130	0.08 23	0.15 114	0.21 138	0.15 69	0.11 58	0.15 93	0.16 160	0.11 107	0.12 100	0.11 85	0.05 2	0.04 2	0.08 161	0.07 159	0.06 101	0.15 339

cross-raft	0.10 50	0.09 188	0.09 28	0.19 225	0.07 18	0.11 82	0.25 332	0.13 9	0.15 69	0.08 5	0.11 52	0.12 87	0.10 87	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 113	0.09 130	0.11 82	0.17 189	0.18 96	0.12 25	0.09 15	0.12 60	0.10 57	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 161	0.08 209	0.04 1	0.04 7

raft+_RVC	0.11 79	0.07 69	0.09 28	0.16 67	0.07 18	0.10 56	0.11 11	0.24 188	0.20 148	0.12 82	0.15 93	0.12 87	0.08 49	0.12 100	0.13 156	0.07 141	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 67	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 82	0.17 119	0.14 125	0.10 87	0.12 100	0.11 85	0.07 141	0.06 187	0.06 31	0.05 31	0.08 197	0.07 156

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 67	0.07 18	0.09 35	0.15 114	0.16 42	0.17 99	0.08 5	0.12 60	0.10 57	0.09 66	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 70	0.10 57	0.07 31	0.13 132	0.10 49	0.15 343	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

MyStereo07	0.10 50	0.07 69	0.10 44	0.17 113	0.09 130	0.14 153	0.18 229	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 100	0.09 19	0.06 54	0.05 106	0.08 161	0.07 159	0.06 101	0.06 98

MyStereo05	0.13 155	0.07 69	0.10 44	0.17 113	0.09 130	0.13 129	0.18 229	0.27 231	0.35 290	0.17 183	0.14 79	0.15 149	0.11 107	0.15 165	0.13 156	0.06 54	0.05 106	0.07 98	0.07 159	0.06 101	0.06 98

MyStereo04	0.13 155	0.07 69	0.10 44	0.17 113	0.09 130	0.14 153	0.18 229	0.29 255	0.38 305	0.17 183	0.14 79	0.16 160	0.10 87	0.15 165	0.13 156	0.06 54	0.05 106	0.08 161	0.07 159	0.06 101	0.06 98

AE-Stereo	0.10 50	0.08 139	0.10 44	0.18 180	0.09 130	0.10 56	0.15 114	0.14 15	0.19 127	0.09 15	0.14 79	0.12 87	0.08 49	0.11 45	0.10 49	0.05 2	0.06 187	0.07 98	0.06 85	0.05 40	0.04 7

test croco	0.10 50	0.08 139	0.10 44	0.19 225	0.09 130	0.10 56	0.15 114	0.14 15	0.13 41	0.13 102	0.15 93	0.09 37	0.12 136	0.13 132	0.12 127	0.07 141	0.05 106	0.09 224	0.06 85	0.06 101	0.06 98

MIF-Stereo (partial)	0.11 79	0.06 19	0.10 44	0.19 225	0.10 214	0.10 56	0.11 11	0.17 72	0.18 116	0.14 122	0.16 101	0.09 37	0.11 107	0.12 100	0.12 127	0.08 188	0.05 106	0.08 161	0.07 159	0.06 101	0.07 156

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 114	0.16 42	0.13 41	0.09 15	0.10 37	0.10 57	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 180	0.07 18	0.09 35	0.15 114	0.17 72	0.15 69	0.10 40	0.11 52	0.10 57	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 161	0.07 159	0.06 101	0.05 51

anonymousdsp2	0.11 79	0.07 69	0.10 44	0.16 67	0.09 130	0.13 129	0.14 69	0.18 96	0.22 172	0.13 102	0.14 79	0.12 87	0.09 66	0.14 147	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

ProNet	0.09 11	0.07 69	0.10 44	0.17 113	0.08 47	0.10 56	0.15 114	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

RAFT_CTSACE	0.12 134	0.09 188	0.10 44	0.22 302	0.08 47	0.12 104	0.24 319	0.18 96	0.16 87	0.20 239	0.27 245	0.13 110	0.07 31	0.13 132	0.09 19	0.05 2	0.06 187	0.08 161	0.07 159	0.04 1	0.04 7

test_3	0.10 50	0.09 188	0.10 44	0.20 265	0.08 47	0.13 129	0.26 338	0.14 15	0.21 161	0.10 40	0.10 37	0.09 37	0.09 66	0.08 6	0.11 85	0.05 2	0.04 2	0.08 161	0.07 159	0.04 1	0.04 7

PSM-AAD	0.11 79	0.07 69	0.10 44	0.19 225	0.09 130	0.10 56	0.15 114	0.20 121	0.13 41	0.12 82	0.14 79	0.18 190	0.11 107	0.11 45	0.10 49	0.05 2	0.05 106	0.09 224	0.08 209	0.06 101	0.14 331

KYRaft	0.11 79	0.07 69	0.10 44	0.19 225	0.09 130	0.08 23	0.15 114	0.22 154	0.12 25	0.13 102	0.16 101	0.20 208	0.10 87	0.12 100	0.10 49	0.05 2	0.04 2	0.08 161	0.08 209	0.06 101	0.16 350

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 115	0.14 58	0.13 102	0.11 52	0.09 37	0.08 49	0.13 132	0.10 49	0.08 188	0.05 106	0.08 161	0.05 31	0.05 40	0.05 51

GMM-Stereo	0.11 79	0.07 69	0.10 44	0.18 180	0.09 130	0.08 23	0.15 114	0.23 171	0.16 87	0.11 58	0.15 93	0.13 110	0.11 107	0.11 45	0.11 85	0.05 2	0.04 2	0.08 161	0.07 159	0.06 101	0.09 249

Prome-Stereo	0.11 79	0.06 19	0.10 44	0.18 180	0.08 47	0.12 104	0.15 114	0.22 154	0.13 41	0.12 82	0.17 119	0.13 110	0.08 49	0.12 100	0.10 49	0.05 2	0.04 2	0.07 98	0.06 85	0.06 101	0.09 249

rafts_anoy	0.11 79	0.06 19	0.10 44	0.17 113	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 102	0.13 70	0.12 87	0.10 87	0.11 45	0.12 127	0.07 141	0.04 2	0.09 224	0.11 303	0.07 155	0.06 98

raftrobust	0.09 11	0.06 19	0.10 44	0.17 113	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 87	0.07 31	0.12 100	0.10 49	0.08 188	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RALAANet	0.11 79	0.08 139	0.10 44	0.17 113	0.09 130	0.14 153	0.10 6	0.20 121	0.15 69	0.14 122	0.13 70	0.16 160	0.09 66	0.12 100	0.11 85	0.06 54	0.05 106	0.07 98	0.06 85	0.05 40	0.04 7

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 113	0.06 2	0.10 56	0.16 169	0.17 72	0.14 58	0.09 15	0.10 37	0.08 25	0.09 66	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 85	0.04 1	0.03 1

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 113	0.07 18	0.10 56	0.16 169	0.17 72	0.09 2	0.10 40	0.12 60	0.09 37	0.09 66	0.12 100	0.09 19	0.05 2	0.04 2	0.07 98	0.07 159	0.04 1	0.03 1

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 67	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 37	0.12 87	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 113	0.08 47	0.11 82	0.14 69	0.23 171	0.11 17	0.12 82	0.19 146	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 113	0.08 47	0.11 82	0.14 69	0.23 171	0.11 17	0.12 82	0.19 146	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
AANet_RVC	0.16 235	0.10 235	0.10 44	0.18 180	0.09 130	0.18 232	0.19 260	0.26 213	0.31 260	0.22 260	0.35 301	0.21 214	0.21 279	0.22 285	0.16 221	0.06 54	0.05 106	0.06 31	0.06 85	0.07 155	0.06 98

ff7	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 214	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 121	0.14 58	0.13 102	0.13 70	0.09 37	0.05 2	0.12 100	0.08 11	0.05 2	0.06 187	0.07 98	0.06 85	0.06 101	0.05 51

LL-Strereo	0.13 155	0.09 188	0.11 70	0.20 265	0.10 214	0.11 82	0.18 229	0.32 284	0.24 190	0.15 146	0.15 93	0.14 125	0.13 168	0.19 239	0.11 85	0.06 54	0.04 2	0.09 224	0.08 209	0.04 1	0.05 51

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 87	0.09 66	0.15 165	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

CASS	0.13 155	0.12 269	0.11 70	0.23 321	0.09 130	0.15 175	0.17 189	0.18 96	0.19 127	0.17 183	0.18 141	0.15 149	0.15 204	0.14 147	0.14 184	0.09 233	0.06 187	0.10 265	0.08 209	0.09 244	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Selective-RAFT	0.11 79	0.10 235	0.11 70	0.21 289	0.08 47	0.16 198	0.13 43	0.20 121	0.22 172	0.10 40	0.10 37	0.11 73	0.10 87	0.15 165	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

ccc-4	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 79	0.07 69	0.11 70	0.17 113	0.07 18	0.09 35	0.13 43	0.15 26	0.24 190	0.12 82	0.13 70	0.12 87	0.08 49	0.18 228	0.11 85	0.06 54	0.08 266	0.08 161	0.06 85	0.05 40	0.05 51

THIR-Stereo	0.12 134	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 169	0.17 72	0.25 209	0.16 171	0.24 194	0.14 125	0.12 136	0.12 100	0.14 184	0.06 54	0.04 2	0.07 98	0.07 159	0.05 40	0.05 51

DRaft	0.12 134	0.06 19	0.11 70	0.14 13	0.09 130	0.14 153	0.17 189	0.21 138	0.30 254	0.17 183	0.28 254	0.10 57	0.15 204	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

GrayStereo	0.11 79	0.06 19	0.11 70	0.19 225	0.09 130	0.09 35	0.16 169	0.18 96	0.17 99	0.14 122	0.17 119	0.17 179	0.11 107	0.12 100	0.11 85	0.05 2	0.05 106	0.07 98	0.06 85	0.05 40	0.10 267

RAFT	0.13 155	0.09 188	0.11 70	0.18 180	0.08 47	0.15 175	0.24 319	0.20 121	0.19 127	0.21 247	0.21 171	0.17 179	0.12 136	0.16 196	0.09 19	0.06 54	0.07 244	0.10 265	0.09 248	0.05 40	0.05 51

TestStereo	0.13 155	0.14 302	0.11 70	0.23 321	0.08 47	0.15 175	0.21 291	0.20 121	0.23 180	0.14 122	0.24 194	0.16 160	0.12 136	0.16 196	0.14 184	0.05 2	0.06 187	0.08 161	0.06 85	0.09 244	0.05 51

EAI-Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.06 2	0.10 56	0.15 114	0.16 42	0.09 2	0.08 5	0.09 23	0.08 25	0.07 31	0.09 10	0.11 85	0.05 2	0.04 2	0.05 2	0.05 31	0.05 40	0.04 7

HSM-Net_RVC	0.14 184	0.08 139	0.11 70	0.15 38	0.08 47	0.15 175	0.15 114	0.27 231	0.29 247	0.19 222	0.21 171	0.29 288	0.14 191	0.17 217	0.13 156	0.06 54	0.06 187	0.06 31	0.06 85	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
MyStereo06	0.10 50	0.07 69	0.12 90	0.17 113	0.09 130	0.13 129	0.18 229	0.19 115	0.12 25	0.12 82	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 159	0.06 101	0.06 98

CoDeX	0.12 134	0.07 69	0.12 90	0.17 113	0.08 47	0.12 104	0.15 114	0.23 171	0.27 229	0.13 102	0.17 119	0.16 160	0.11 107	0.14 147	0.11 85	0.07 141	0.05 106	0.07 98	0.06 85	0.06 101	0.05 51

ACVNet-DCA	0.10 50	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.23 171	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

xx1	0.11 79	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.16 42	0.18 116	0.09 15	0.09 23	0.16 160	0.16 224	0.10 18	0.07 1	0.06 54	0.04 2	0.08 161	0.08 209	0.07 155	0.07 156

1test111	0.11 79	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.23 171	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 165	0.16 221	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

cc1	0.10 50	0.08 139	0.12 90	0.17 113	0.09 130	0.13 129	0.15 114	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 214	0.11 82	0.16 169	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

tt1	0.10 50	0.08 139	0.12 90	0.17 113	0.09 130	0.12 104	0.16 169	0.15 26	0.19 127	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

1111x	0.15 217	0.08 139	0.12 90	0.18 180	0.07 18	0.18 232	0.25 332	0.31 275	0.24 190	0.17 183	0.24 194	0.26 267	0.15 204	0.13 132	0.23 298	0.07 141	0.07 244	0.08 161	0.09 248	0.07 155	0.06 98

IGEV_Zeroshot_test	0.09 11	0.05 6	0.12 90	0.13 6	0.08 47	0.12 104	0.13 43	0.17 72	0.11 17	0.10 40	0.06 2	0.09 37	0.06 6	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.06 85	0.05 40	0.05 51

gwcnet-sp	0.14 184	0.07 69	0.12 90	0.18 180	0.09 130	0.16 198	0.17 189	0.24 188	0.24 190	0.18 209	0.24 194	0.15 149	0.16 224	0.15 165	0.15 207	0.08 188	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

scenet	0.14 184	0.07 69	0.12 90	0.18 180	0.09 130	0.16 198	0.17 189	0.24 188	0.24 190	0.18 209	0.24 194	0.15 149	0.16 224	0.15 165	0.15 207	0.08 188	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

knoymous	0.11 79	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 115	0.13 41	0.11 58	0.17 119	0.13 110	0.09 66	0.13 132	0.11 85	0.08 188	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

ssnet	0.14 184	0.07 69	0.12 90	0.18 180	0.09 130	0.16 198	0.17 189	0.24 188	0.24 190	0.18 209	0.24 194	0.15 149	0.16 224	0.15 165	0.15 207	0.08 188	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 67	0.06 2	0.09 35	0.17 189	0.18 96	0.19 127	0.13 102	0.16 101	0.09 37	0.14 191	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 189	0.16 42	0.20 148	0.13 102	0.16 101	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 67	0.06 2	0.09 35	0.17 189	0.15 26	0.19 127	0.13 102	0.17 119	0.10 57	0.12 136	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

DisPM	0.11 79	0.07 69	0.12 90	0.16 67	0.09 130	0.06 2	0.13 43	0.17 72	0.17 99	0.14 122	0.20 157	0.12 87	0.10 87	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.11 290

iRaft-Stereo_5w	0.12 134	0.09 188	0.12 90	0.19 225	0.08 47	0.09 35	0.12 21	0.21 138	0.21 161	0.19 222	0.14 79	0.11 73	0.09 66	0.20 258	0.16 221	0.05 2	0.05 106	0.07 98	0.06 85	0.05 40	0.06 98

AASNet	0.16 235	0.08 139	0.12 90	0.19 225	0.09 130	0.18 232	0.15 114	0.37 334	0.37 300	0.19 222	0.23 186	0.20 208	0.16 224	0.17 217	0.20 260	0.10 264	0.08 266	0.08 161	0.07 159	0.09 244	0.09 249

CrosDoStereo	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 114	0.17 72	0.22 172	0.19 222	0.24 194	0.15 149	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 159	0.05 40	0.05 51

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 281	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 159	0.04 1	0.04 7

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 180	0.07 18	0.10 56	0.14 69	0.21 138	0.11 17	0.11 58	0.15 93	0.12 87	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 85	0.04 1	0.04 7

DeepStereo_LL	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 114	0.17 72	0.22 172	0.19 222	0.24 194	0.15 149	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 159	0.05 40	0.05 51

Pruner-Stereo	0.11 79	0.07 69	0.12 90	0.17 113	0.09 130	0.06 2	0.12 21	0.17 72	0.17 99	0.13 102	0.19 146	0.13 110	0.09 66	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.08 216

ICVP	0.15 217	0.09 188	0.12 90	0.22 302	0.09 130	0.17 217	0.21 291	0.25 201	0.23 180	0.18 209	0.30 269	0.26 267	0.18 252	0.17 217	0.14 184	0.09 233	0.07 244	0.08 161	0.07 159	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
HCRNet	0.16 235	0.24 358	0.12 90	0.35 372	0.11 252	0.15 175	0.17 189	0.26 213	0.22 172	0.19 222	0.24 194	0.21 214	0.14 191	0.15 165	0.13 156	0.11 285	0.07 244	0.11 292	0.10 280	0.09 244	0.07 156

DCANet	0.10 50	0.06 19	0.12 90	0.16 67	0.06 2	0.09 35	0.17 189	0.15 26	0.19 127	0.13 102	0.17 119	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 189	0.16 42	0.20 148	0.13 102	0.16 101	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

cscssc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 189	0.16 42	0.20 148	0.13 102	0.16 101	0.10 57	0.11 107	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 138	0.23 180	0.11 58	0.12 60	0.14 125	0.11 107	0.13 132	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 67	0.09 130	0.11 82	0.15 114	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

UPFNet	0.16 235	0.08 139	0.12 90	0.20 265	0.12 281	0.20 263	0.23 310	0.28 245	0.26 222	0.17 183	0.24 194	0.22 231	0.19 267	0.19 239	0.21 279	0.09 233	0.07 244	0.08 161	0.09 248	0.08 197	0.06 98

FENet	0.13 155	0.08 139	0.12 90	0.16 67	0.08 47	0.14 153	0.15 114	0.22 154	0.23 180	0.17 183	0.23 186	0.16 160	0.12 136	0.14 147	0.15 207	0.08 188	0.05 106	0.08 161	0.08 209	0.07 155	0.07 156

cf-r	0.13 155	0.07 69	0.12 90	0.16 67	0.08 47	0.14 153	0.19 260	0.20 121	0.25 209	0.17 183	0.25 223	0.21 214	0.16 224	0.14 147	0.14 184	0.10 264	0.05 106	0.06 31	0.08 209	0.06 101	0.06 98

GwcNet-RSSM	0.14 184	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 275	0.21 138	0.27 229	0.18 209	0.27 245	0.22 231	0.16 224	0.14 147	0.15 207	0.10 264	0.05 106	0.07 98	0.09 248	0.07 155	0.07 156

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 102	0.16 101	0.14 125	0.11 107	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
11t1	0.12 134	0.06 19	0.13 127	0.14 13	0.08 47	0.17 217	0.15 114	0.18 96	0.15 69	0.15 146	0.15 93	0.16 160	0.16 224	0.15 165	0.13 156	0.08 188	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

HH	0.09 11	0.06 19	0.13 127	0.17 113	0.08 47	0.10 56	0.16 169	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 127	0.17 113	0.08 47	0.10 56	0.16 169	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

DCRE	0.11 79	0.07 69	0.13 127	0.16 67	0.11 252	0.11 82	0.17 189	0.18 96	0.17 99	0.11 58	0.18 141	0.10 57	0.10 87	0.15 165	0.11 85	0.06 54	0.05 106	0.06 31	0.06 85	0.05 40	0.04 7

anonymousa	0.13 155	0.07 69	0.13 127	0.18 180	0.09 130	0.13 129	0.17 189	0.19 115	0.29 247	0.15 146	0.24 194	0.15 149	0.14 191	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 248	0.05 40	0.06 98

riskmin	0.11 79	0.06 19	0.13 127	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 58	0.14 79	0.16 160	0.11 107	0.14 147	0.12 127	0.09 233	0.05 106	0.07 98	0.05 31	0.08 197	0.08 216

IER	0.14 184	0.07 69	0.13 127	0.17 113	0.09 130	0.14 153	0.16 169	0.25 201	0.26 222	0.18 209	0.25 223	0.17 179	0.20 275	0.16 196	0.14 184	0.08 188	0.05 106	0.07 98	0.06 85	0.08 197	0.07 156

hknet	0.15 217	0.11 255	0.13 127	0.22 302	0.11 252	0.14 153	0.15 114	0.34 311	0.25 209	0.17 183	0.22 180	0.22 231	0.18 252	0.17 217	0.12 127	0.07 141	0.06 187	0.10 265	0.09 248	0.07 155	0.07 156

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 127	0.14 13	0.08 47	0.12 104	0.15 114	0.18 96	0.10 7	0.11 58	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

PSMNet-ADL	0.15 217	0.12 269	0.13 127	0.22 302	0.09 130	0.13 129	0.20 275	0.26 213	0.23 180	0.18 209	0.20 157	0.24 249	0.16 224	0.18 228	0.17 232	0.08 188	0.08 266	0.08 161	0.11 303	0.08 197	0.07 156

ADLNet2	0.16 235	0.09 188	0.13 127	0.16 67	0.09 130	0.20 263	0.16 169	0.31 275	0.39 308	0.16 171	0.20 157	0.20 208	0.18 252	0.21 274	0.22 288	0.08 188	0.06 187	0.07 98	0.07 159	0.09 244	0.07 156

PFNet+	0.11 79	0.06 19	0.13 127	0.16 67	0.09 130	0.05 1	0.12 21	0.17 72	0.21 161	0.16 171	0.19 146	0.14 125	0.10 87	0.11 45	0.11 85	0.08 188	0.05 106	0.09 224	0.08 209	0.06 101	0.11 290

TransformOpticalFlow	0.10 50	0.08 139	0.13 127	0.18 180	0.07 18	0.09 35	0.15 114	0.19 115	0.15 69	0.12 82	0.17 119	0.11 73	0.11 107	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 85	0.05 40	0.05 51

IIG-Stereo	0.11 79	0.06 19	0.13 127	0.17 113	0.08 47	0.11 82	0.12 21	0.22 154	0.17 99	0.14 122	0.17 119	0.11 73	0.12 136	0.12 100	0.12 127	0.06 54	0.05 106	0.07 98	0.06 85	0.05 40	0.04 7

NF-Stereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

OCTAStereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

ASMatch	0.11 79	0.06 19	0.13 127	0.16 67	0.10 214	0.07 16	0.14 69	0.17 72	0.17 99	0.12 82	0.16 101	0.16 160	0.10 87	0.13 132	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 216

RE-Stereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

TVStereo	0.11 79	0.07 69	0.13 127	0.17 113	0.09 130	0.10 56	0.14 69	0.23 171	0.19 127	0.12 82	0.17 119	0.12 87	0.11 107	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.12 301

LMCR-Stereo	0.15 217	0.08 139	0.13 127	0.21 289	0.09 130	0.17 217	0.20 275	0.27 231	0.19 127	0.24 280	0.24 194	0.23 243	0.17 243	0.20 258	0.17 232	0.07 141	0.06 187	0.08 161	0.06 85	0.10 271	0.08 216

test_xeample	0.15 217	0.06 19	0.13 127	0.14 13	0.08 47	0.21 277	0.20 275	0.28 245	0.20 148	0.16 171	0.29 265	0.19 198	0.16 224	0.15 165	0.26 326	0.09 233	0.05 106	0.07 98	0.07 159	0.07 155	0.07 156

GANet-RSSM	0.14 184	0.07 69	0.13 127	0.13 6	0.08 47	0.14 153	0.17 189	0.22 154	0.21 161	0.17 183	0.24 194	0.23 243	0.15 204	0.16 196	0.15 207	0.10 264	0.06 187	0.07 98	0.08 209	0.08 197	0.07 156

PSMNet-RSSM	0.14 184	0.07 69	0.13 127	0.15 38	0.08 47	0.13 129	0.16 169	0.24 188	0.24 190	0.16 171	0.28 254	0.22 231	0.14 191	0.15 165	0.13 156	0.11 285	0.06 187	0.09 224	0.12 321	0.08 197	0.07 156

TDLM	0.17 254	0.12 269	0.13 127	0.24 326	0.10 214	0.18 232	0.18 229	0.36 329	0.30 254	0.21 247	0.28 254	0.28 281	0.18 252	0.23 296	0.18 246	0.11 285	0.07 244	0.10 265	0.10 280	0.08 197	0.08 216

UCFNet_RVC	0.14 184	0.08 139	0.13 127	0.11 1	0.10 214	0.20 263	0.10 6	0.24 188	0.22 172	0.17 183	0.20 157	0.23 243	0.15 204	0.17 217	0.15 207	0.12 309	0.07 244	0.10 265	0.13 330	0.11 286	0.10 267

iResNet_ROB	0.14 184	0.07 69	0.13 127	0.14 13	0.07 18	0.18 232	0.14 69	0.26 213	0.31 260	0.22 260	0.25 223	0.23 243	0.15 204	0.15 165	0.13 156	0.07 141	0.05 106	0.05 2	0.04 8	0.08 197	0.08 216

DualNet	0.13 155	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.15 26	0.19 127	0.15 146	0.25 223	0.19 198	0.13 168	0.10 18	0.20 260	0.06 54	0.04 2	0.09 224	0.08 209	0.06 101	0.06 98

ffm	0.12 134	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.15 26	0.19 127	0.15 146	0.25 223	0.19 198	0.13 168	0.10 18	0.07 1	0.06 54	0.04 2	0.09 224	0.08 209	0.06 101	0.06 98

ff1	0.13 155	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.15 26	0.19 127	0.15 146	0.25 223	0.19 198	0.13 168	0.14 147	0.20 260	0.06 54	0.04 2	0.09 224	0.08 209	0.06 101	0.06 98

mmx	0.14 184	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.27 231	0.25 209	0.15 146	0.25 223	0.19 198	0.13 168	0.14 147	0.20 260	0.08 188	0.06 187	0.09 224	0.08 209	0.08 197	0.08 216

ttt	0.14 184	0.08 139	0.14 153	0.15 38	0.08 47	0.15 175	0.18 229	0.27 231	0.29 247	0.16 171	0.24 194	0.17 179	0.13 168	0.13 132	0.14 184	0.11 285	0.08 266	0.09 224	0.08 209	0.09 244	0.08 216

xxx	0.14 184	0.09 188	0.14 153	0.16 67	0.08 47	0.17 217	0.17 189	0.27 231	0.25 209	0.15 146	0.25 223	0.19 198	0.13 168	0.14 147	0.20 260	0.08 188	0.06 187	0.09 224	0.08 209	0.08 197	0.08 216

EKT-Stereo	0.11 79	0.07 69	0.14 153	0.15 38	0.10 214	0.13 129	0.14 69	0.18 96	0.21 161	0.11 58	0.08 17	0.12 87	0.09 66	0.11 45	0.12 127	0.08 188	0.06 187	0.07 98	0.06 85	0.08 197	0.07 156

x	0.13 155	0.07 69	0.14 153	0.14 13	0.08 47	0.18 232	0.14 69	0.22 154	0.20 148	0.15 146	0.19 146	0.19 198	0.17 243	0.18 228	0.18 246	0.07 141	0.05 106	0.06 31	0.06 85	0.07 155	0.07 156

BUS	0.14 184	0.09 188	0.14 153	0.22 302	0.10 214	0.19 251	0.14 69	0.34 311	0.19 127	0.17 183	0.22 180	0.16 160	0.13 168	0.15 165	0.13 156	0.08 188	0.06 187	0.10 265	0.09 248	0.07 155	0.07 156

CRFU-Net	0.16 235	0.08 139	0.14 153	0.17 113	0.09 130	0.19 251	0.14 69	0.26 213	0.20 148	0.28 315	0.27 245	0.29 288	0.17 243	0.19 239	0.17 232	0.09 233	0.09 289	0.07 98	0.07 159	0.08 197	0.08 216

BSDual-CNN	0.15 217	0.09 188	0.14 153	0.22 302	0.10 214	0.14 153	0.15 114	0.34 311	0.19 127	0.17 183	0.22 180	0.25 259	0.16 224	0.15 165	0.14 184	0.08 188	0.06 187	0.10 265	0.09 248	0.07 155	0.07 156

psmg	0.14 184	0.09 188	0.14 153	0.17 113	0.10 214	0.15 175	0.17 189	0.29 255	0.19 127	0.17 183	0.21 171	0.25 259	0.16 224	0.15 165	0.14 184	0.08 188	0.06 187	0.08 161	0.08 209	0.07 155	0.06 98

CSP-Net	0.16 235	0.09 188	0.14 153	0.16 67	0.09 130	0.19 251	0.17 189	0.25 201	0.32 266	0.25 293	0.30 269	0.24 249	0.15 204	0.21 274	0.18 246	0.09 233	0.06 187	0.07 98	0.07 159	0.08 197	0.07 156

CIPLG	0.11 79	0.08 139	0.14 153	0.17 113	0.08 47	0.12 104	0.15 114	0.17 72	0.15 69	0.14 122	0.11 52	0.16 160	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

IPLGR_C	0.11 79	0.08 139	0.14 153	0.17 113	0.08 47	0.12 104	0.15 114	0.17 72	0.15 69	0.14 122	0.10 37	0.16 160	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

MIPNet	0.11 79	0.08 139	0.14 153	0.17 113	0.09 130	0.12 104	0.14 69	0.20 121	0.24 190	0.11 58	0.10 37	0.09 37	0.07 31	0.13 132	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

ACRE	0.11 79	0.08 139	0.14 153	0.17 113	0.08 47	0.12 104	0.15 114	0.17 72	0.14 58	0.14 122	0.10 37	0.16 160	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

SACVNet	0.18 266	0.12 269	0.14 153	0.17 113	0.13 298	0.22 285	0.18 229	0.31 275	0.30 254	0.23 272	0.31 277	0.30 296	0.22 288	0.22 285	0.17 232	0.11 285	0.08 266	0.10 265	0.10 280	0.12 300	0.14 331

AACVNet	0.16 235	0.08 139	0.14 153	0.15 38	0.10 214	0.18 232	0.15 114	0.23 171	0.24 190	0.27 304	0.27 245	0.28 281	0.17 243	0.19 239	0.16 221	0.09 233	0.07 244	0.09 224	0.07 159	0.10 271	0.09 249

GwcNet-ADL	0.13 155	0.08 139	0.14 153	0.20 265	0.09 130	0.11 82	0.20 275	0.30 269	0.24 190	0.13 102	0.14 79	0.18 190	0.14 191	0.13 132	0.14 184	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

OMP-Stereo	0.11 79	0.06 19	0.14 153	0.18 180	0.08 47	0.09 35	0.12 21	0.21 138	0.21 161	0.13 102	0.14 79	0.11 73	0.12 136	0.11 45	0.13 156	0.06 54	0.04 2	0.07 98	0.06 85	0.05 40	0.04 7

NRIStereo	0.11 79	0.08 139	0.14 153	0.18 180	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 82	0.14 79	0.13 110	0.12 136	0.13 132	0.10 49	0.06 54	0.04 2	0.07 98	0.06 85	0.06 101	0.07 156

FTStereo	0.12 134	0.06 19	0.14 153	0.18 180	0.09 130	0.07 16	0.15 114	0.21 138	0.18 116	0.12 82	0.24 194	0.12 87	0.12 136	0.13 132	0.13 156	0.05 2	0.05 106	0.07 98	0.06 85	0.06 101	0.10 267

DEmStereo	0.12 134	0.06 19	0.14 153	0.14 13	0.10 214	0.16 198	0.15 114	0.16 42	0.24 190	0.17 183	0.24 194	0.13 110	0.14 191	0.12 100	0.13 156	0.05 2	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

RAFT_R40	0.11 79	0.07 69	0.14 153	0.18 180	0.09 130	0.06 2	0.13 43	0.17 72	0.16 87	0.14 122	0.18 141	0.15 149	0.12 136	0.10 18	0.11 85	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.05 51

RAFT-RH_RVC	0.11 79	0.06 19	0.14 153	0.16 67	0.09 130	0.12 104	0.12 21	0.17 72	0.12 25	0.13 102	0.41 338	0.11 73	0.10 87	0.13 132	0.12 127	0.05 2	0.04 2	0.08 161	0.05 31	0.04 1	0.06 98

222	0.16 235	0.07 69	0.14 153	0.14 13	0.08 47	0.24 303	0.18 229	0.30 269	0.20 148	0.17 183	0.28 254	0.17 179	0.16 224	0.15 165	0.40 373	0.10 264	0.05 106	0.07 98	0.06 85	0.07 155	0.08 216

xxxx	0.15 217	0.07 69	0.14 153	0.14 13	0.08 47	0.23 298	0.18 229	0.31 275	0.19 127	0.14 122	0.28 254	0.22 231	0.14 191	0.15 165	0.26 326	0.09 233	0.05 106	0.07 98	0.07 159	0.08 197	0.07 156

GMStereo	0.13 155	0.14 302	0.14 153	0.18 180	0.09 130	0.15 175	0.16 169	0.20 121	0.24 190	0.16 171	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 187	0.06 31	0.06 85	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 155	0.07 69	0.14 153	0.17 113	0.09 130	0.15 175	0.16 169	0.28 245	0.27 229	0.14 122	0.17 119	0.12 87	0.13 168	0.14 147	0.11 85	0.08 188	0.05 106	0.07 98	0.07 159	0.07 155	0.06 98

DSFCA	0.16 235	0.09 188	0.14 153	0.16 67	0.10 214	0.20 263	0.19 260	0.28 245	0.31 260	0.23 272	0.24 194	0.22 231	0.15 204	0.19 239	0.20 260	0.10 264	0.07 244	0.09 224	0.09 248	0.08 197	0.08 216

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 113	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 125	0.12 136	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 134	0.08 139	0.14 153	0.18 180	0.07 18	0.15 175	0.07 1	0.22 154	0.18 116	0.16 171	0.19 146	0.18 190	0.14 191	0.16 196	0.15 207	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

RASNet	0.14 184	0.07 69	0.14 153	0.16 67	0.08 47	0.18 232	0.14 69	0.29 255	0.20 148	0.17 183	0.25 223	0.21 214	0.18 252	0.20 258	0.19 254	0.07 141	0.06 187	0.06 31	0.08 209	0.06 101	0.06 98

CVANet_RVC	0.18 266	0.10 235	0.14 153	0.21 289	0.10 214	0.18 232	0.17 189	0.34 311	0.33 272	0.22 260	0.31 277	0.28 281	0.18 252	0.23 296	0.17 232	0.12 309	0.08 266	0.12 307	0.11 303	0.09 244	0.07 156

HSM	0.15 217	0.08 139	0.14 153	0.16 67	0.09 130	0.16 198	0.14 69	0.28 245	0.25 209	0.19 222	0.23 186	0.37 333	0.16 224	0.20 258	0.15 207	0.07 141	0.05 106	0.07 98	0.06 85	0.07 155	0.06 98

LE_ROB	0.50 379	0.07 69	0.14 153	0.15 38	0.08 47	0.24 303	0.16 169	0.22 154	1.81 410	4.63 413	0.67 375	0.47 365	0.44 372	0.20 258	0.29 344	0.07 141	0.06 187	0.06 31	0.06 85	0.08 197	0.06 98

PCWNet_CMD	0.14 184	0.08 139	0.15 190	0.17 113	0.09 130	0.14 153	0.14 69	0.29 255	0.36 294	0.14 122	0.20 157	0.21 214	0.12 136	0.17 217	0.13 156	0.07 141	0.05 106	0.07 98	0.07 159	0.07 155	0.07 156

LL-Strereo2	0.10 50	0.10 235	0.15 190	0.18 180	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 122	0.10 37	0.09 37	0.07 31	0.16 196	0.10 49	0.05 2	0.05 106	0.10 265	0.07 159	0.06 101	0.05 51

qqq	0.13 155	0.09 188	0.15 190	0.16 67	0.08 47	0.13 129	0.15 114	0.23 171	0.16 87	0.15 146	0.19 146	0.16 160	0.16 224	0.15 165	0.16 221	0.07 141	0.06 187	0.08 161	0.08 209	0.07 155	0.07 156

NINENet	0.16 235	0.10 235	0.15 190	0.17 113	0.11 252	0.19 251	0.14 69	0.40 349	0.36 294	0.18 209	0.21 171	0.16 160	0.13 168	0.15 165	0.13 156	0.08 188	0.08 266	0.10 265	0.07 159	0.10 271	0.09 249

IPLG	0.10 50	0.07 69	0.15 190	0.17 113	0.08 47	0.11 82	0.14 69	0.20 121	0.15 69	0.12 82	0.17 119	0.07 17	0.07 31	0.14 147	0.13 156	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

GANet-ADL	0.13 155	0.07 69	0.15 190	0.17 113	0.10 214	0.18 232	0.15 114	0.30 269	0.20 148	0.13 102	0.18 141	0.19 198	0.12 136	0.16 196	0.13 156	0.08 188	0.06 187	0.06 31	0.05 31	0.07 155	0.08 216

PSM-softLoss	0.12 134	0.07 69	0.15 190	0.17 113	0.09 130	0.08 23	0.13 43	0.24 188	0.17 99	0.14 122	0.19 146	0.13 110	0.11 107	0.11 45	0.11 85	0.07 141	0.05 106	0.08 161	0.07 159	0.06 101	0.12 301

KMStereo	0.12 134	0.07 69	0.15 190	0.17 113	0.09 130	0.08 23	0.13 43	0.24 188	0.17 99	0.14 122	0.19 146	0.13 110	0.11 107	0.11 45	0.11 85	0.07 141	0.05 106	0.08 161	0.07 159	0.06 101	0.12 301

SST-Stereo	0.10 50	0.07 69	0.15 190	0.18 180	0.09 130	0.06 2	0.12 21	0.17 72	0.11 17	0.15 146	0.17 119	0.13 110	0.12 136	0.10 18	0.11 85	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.05 51

RAFT-345	0.11 79	0.07 69	0.15 190	0.16 67	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 58	0.36 304	0.09 37	0.09 66	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 85	0.04 1	0.05 51

GEStereo_RVC	0.17 254	0.12 269	0.15 190	0.22 302	0.11 252	0.19 251	0.17 189	0.32 284	0.48 342	0.20 239	0.25 223	0.17 179	0.13 168	0.21 274	0.16 221	0.10 264	0.06 187	0.08 161	0.07 159	0.09 244	0.08 216

CFNet_pseudo	0.14 184	0.08 139	0.15 190	0.16 67	0.09 130	0.13 129	0.14 69	0.27 231	0.34 283	0.14 122	0.21 171	0.22 231	0.13 168	0.18 228	0.14 184	0.07 141	0.05 106	0.08 161	0.06 85	0.07 155	0.07 156

ADLNet	0.16 235	0.08 139	0.15 190	0.16 67	0.10 214	0.16 198	0.17 189	0.32 284	0.27 229	0.22 260	0.27 245	0.24 249	0.16 224	0.18 228	0.21 279	0.10 264	0.06 187	0.10 265	0.10 280	0.08 197	0.09 249

ac_64	0.16 235	0.08 139	0.15 190	0.18 180	0.10 214	0.22 285	0.18 229	0.24 188	0.21 161	0.18 209	0.24 194	0.29 288	0.18 252	0.19 239	0.22 288	0.09 233	0.07 244	0.08 161	0.09 248	0.07 155	0.06 98

ACVNet	0.15 217	0.09 188	0.15 190	0.13 6	0.12 281	0.14 153	0.20 275	0.22 154	0.33 272	0.17 183	0.26 238	0.21 214	0.16 224	0.17 217	0.21 279	0.07 141	0.06 187	0.06 31	0.06 85	0.08 197	0.06 98

acv_ft	0.15 217	0.09 188	0.15 190	0.19 225	0.10 214	0.16 198	0.17 189	0.25 201	0.33 272	0.19 222	0.26 238	0.21 214	0.17 243	0.17 217	0.18 246	0.07 141	0.06 187	0.06 31	0.06 85	0.08 197	0.06 98

CFNet-ft	0.14 184	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 229	0.22 154	0.24 190	0.17 183	0.26 238	0.24 249	0.14 191	0.16 196	0.14 184	0.11 285	0.06 187	0.08 161	0.09 248	0.09 244	0.08 216

DMCA-RVC	0.17 254	0.10 235	0.15 190	0.24 326	0.11 252	0.18 232	0.18 229	0.25 201	0.24 190	0.21 247	0.26 238	0.25 259	0.27 319	0.18 228	0.20 260	0.12 309	0.08 266	0.13 321	0.10 280	0.10 271	0.08 216

MSMDNet	0.14 184	0.08 139	0.15 190	0.17 113	0.09 130	0.14 153	0.14 69	0.29 255	0.36 294	0.14 122	0.21 171	0.21 214	0.12 136	0.17 217	0.14 184	0.07 141	0.05 106	0.07 98	0.07 159	0.07 155	0.07 156

CFNet_RVC	0.14 184	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 229	0.22 154	0.24 190	0.17 183	0.26 238	0.24 249	0.14 191	0.16 196	0.14 184	0.11 285	0.06 187	0.08 161	0.09 248	0.09 244	0.08 216

ccs_rob	0.14 184	0.08 139	0.15 190	0.16 67	0.09 130	0.12 104	0.14 69	0.27 231	0.34 283	0.14 122	0.21 171	0.22 231	0.13 168	0.18 228	0.14 184	0.07 141	0.05 106	0.08 161	0.07 159	0.07 155	0.07 156

AdaStereo	0.15 217	0.11 255	0.15 190	0.18 180	0.09 130	0.20 263	0.11 11	0.32 284	0.28 240	0.20 239	0.23 186	0.20 208	0.13 168	0.19 239	0.14 184	0.12 309	0.05 106	0.10 265	0.07 159	0.09 244	0.07 156
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
NVstereo2D	0.19 276	0.10 235	0.15 190	0.17 113	0.15 326	0.28 334	0.23 310	0.44 364	0.42 323	0.15 146	0.27 245	0.25 259	0.19 267	0.22 285	0.17 232	0.09 233	0.06 187	0.10 265	0.08 209	0.15 340	0.09 249

DeepPruner_ROB	0.16 235	0.11 255	0.15 190	0.17 113	0.10 214	0.17 217	0.15 114	0.32 284	0.21 161	0.19 222	0.21 171	0.22 231	0.18 252	0.20 258	0.15 207	0.13 329	0.09 289	0.09 224	0.09 248	0.11 286	0.10 267

iResNetv2_ROB	0.14 184	0.08 139	0.15 190	0.16 67	0.08 47	0.16 198	0.12 21	0.25 201	0.35 290	0.21 247	0.29 265	0.24 249	0.13 168	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 244	0.08 216

StereoDRNet-Refined	0.17 254	0.12 269	0.15 190	0.20 265	0.09 130	0.18 232	0.18 229	0.26 213	0.23 180	0.26 298	0.40 328	0.22 231	0.17 243	0.21 274	0.20 260	0.08 188	0.05 106	0.09 224	0.10 280	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.18 266	0.10 235	0.15 190	0.23 321	0.11 252	0.24 303	0.18 229	0.29 255	0.28 240	0.27 304	0.28 254	0.28 281	0.24 300	0.19 239	0.20 260	0.08 188	0.08 266	0.09 224	0.09 248	0.07 155	0.07 156

PSMNet_ROB	0.21 294	0.11 255	0.15 190	0.27 353	0.15 326	0.24 303	0.35 375	0.43 362	0.37 300	0.27 304	0.32 281	0.32 314	0.22 288	0.21 274	0.26 326	0.12 309	0.08 266	0.13 321	0.11 303	0.09 244	0.09 249

SGM_RVC	0.23 318	0.12 269	0.15 190	0.15 38	0.09 130	0.33 348	0.18 229	0.34 311	0.31 260	0.44 365	0.37 310	0.53 371	0.35 353	0.35 352	0.24 308	0.13 329	0.13 338	0.13 321	0.13 330	0.10 271	0.11 290
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
CFNet_ucs	0.15 217	0.08 139	0.16 219	0.16 67	0.11 252	0.14 153	0.14 69	0.30 269	0.34 283	0.16 171	0.24 194	0.23 243	0.14 191	0.18 228	0.15 207	0.09 233	0.06 187	0.08 161	0.07 159	0.09 244	0.09 249

HBP-ISP	0.18 266	0.13 290	0.16 219	0.15 38	0.11 252	0.08 23	0.13 43	0.28 245	0.29 247	0.22 260	0.33 294	0.21 214	0.25 308	0.23 296	0.17 232	0.14 340	0.16 354	0.21 360	0.17 353	0.10 271	0.08 216

UDGNet	0.14 184	0.13 290	0.16 219	0.17 113	0.10 214	0.12 104	0.16 169	0.21 138	0.27 229	0.20 239	0.20 157	0.16 160	0.13 168	0.16 196	0.13 156	0.10 264	0.06 187	0.09 224	0.07 159	0.06 101	0.07 156

dd	0.15 217	0.16 315	0.16 219	0.19 225	0.09 130	0.15 175	0.18 229	0.21 138	0.25 209	0.23 272	0.20 157	0.21 214	0.09 66	0.21 274	0.16 221	0.10 264	0.06 187	0.08 161	0.06 85	0.08 197	0.06 98

IPLGR	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.12 104	0.17 189	0.21 138	0.24 190	0.11 58	0.12 60	0.11 73	0.08 49	0.12 100	0.12 127	0.06 54	0.05 106	0.06 31	0.06 85	0.04 1	0.04 7

HHNet	0.11 79	0.06 19	0.16 219	0.15 38	0.14 315	0.07 16	0.13 43	0.20 121	0.17 99	0.14 122	0.25 223	0.11 73	0.08 49	0.13 132	0.10 49	0.05 2	0.04 2	0.08 161	0.06 85	0.05 40	0.09 249

Patchmatch Stereo++	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 79	0.07 69	0.16 219	0.19 225	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 171	0.21 171	0.13 110	0.14 191	0.11 45	0.14 184	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.05 51

PSM-adaLoss	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

ROB_FTStereo_v2	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

ROB_FTStereo	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

HUI-Stereo	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

DeepStereo_RVC	0.11 79	0.08 139	0.16 219	0.18 180	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 102	0.14 79	0.12 87	0.12 136	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.07 155	0.08 216

iGMRVC	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

IRAFT_RVC	0.12 134	0.08 139	0.16 219	0.19 225	0.08 47	0.07 16	0.15 114	0.24 188	0.23 180	0.14 122	0.14 79	0.15 149	0.12 136	0.12 100	0.10 49	0.06 54	0.04 2	0.09 224	0.06 85	0.06 101	0.06 98

iRAFT	0.11 79	0.09 188	0.16 219	0.18 180	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

CRE-IMP	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 122	0.13 70	0.13 110	0.12 136	0.12 100	0.11 85	0.07 141	0.04 2	0.08 161	0.06 85	0.08 197	0.08 216

test-1	0.10 50	0.07 69	0.16 219	0.19 225	0.08 47	0.11 82	0.24 319	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

RAFT-IKP	0.11 79	0.09 188	0.16 219	0.19 225	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 146	0.16 101	0.14 125	0.12 136	0.11 45	0.10 49	0.06 54	0.04 2	0.08 161	0.06 85	0.08 197	0.07 156

GES	0.14 184	0.08 139	0.16 219	0.15 38	0.10 214	0.13 129	0.13 43	0.28 245	0.25 209	0.16 171	0.23 186	0.18 190	0.13 168	0.16 196	0.13 156	0.08 188	0.07 244	0.07 98	0.06 85	0.08 197	0.09 249

MMNet	0.17 254	0.09 188	0.16 219	0.20 265	0.11 252	0.27 328	0.20 275	0.25 201	0.41 317	0.22 260	0.30 269	0.21 214	0.20 275	0.17 217	0.20 260	0.06 54	0.06 187	0.07 98	0.07 159	0.08 197	0.07 156

DMCA	0.14 184	0.09 188	0.16 219	0.19 225	0.09 130	0.15 175	0.17 189	0.23 171	0.27 229	0.14 122	0.19 146	0.17 179	0.18 252	0.15 165	0.17 232	0.10 264	0.06 187	0.08 161	0.06 85	0.09 244	0.10 267

SGM-ForestM	0.32 358	0.12 269	0.16 219	0.16 67	0.11 252	0.39 364	0.19 260	0.41 354	0.50 349	0.52 371	0.54 362	1.32 401	0.42 370	0.40 369	0.27 333	0.14 340	0.16 354	0.16 345	0.16 346	0.12 300	0.12 301

MLCV	0.12 134	0.07 69	0.16 219	0.18 180	0.06 2	0.15 175	0.17 189	0.19 115	0.21 161	0.18 209	0.25 223	0.17 179	0.13 168	0.14 147	0.13 156	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

DN-CSS_ROB	0.13 155	0.13 290	0.16 219	0.18 180	0.10 214	0.16 198	0.08 2	0.22 154	0.18 116	0.17 183	0.22 180	0.13 110	0.13 168	0.12 100	0.13 156	0.05 2	0.05 106	0.10 265	0.10 280	0.08 197	0.06 98

SMFormer	0.14 184	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.17 232	0.08 188	0.05 106	0.07 98	0.06 85	0.07 155	0.06 98

tta	0.14 184	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.17 232	0.08 188	0.05 106	0.07 98	0.06 85	0.06 101	0.06 98

qqq1	0.13 155	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.11 85	0.08 188	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 155	0.07 69	0.17 244	0.14 13	0.08 47	0.16 198	0.17 189	0.26 213	0.27 229	0.19 222	0.20 157	0.18 190	0.15 204	0.15 165	0.11 85	0.08 188	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

mmm	0.14 184	0.08 139	0.17 244	0.17 113	0.09 130	0.17 217	0.18 229	0.21 138	0.15 69	0.15 146	0.23 186	0.21 214	0.16 224	0.16 196	0.17 232	0.08 188	0.05 106	0.08 161	0.07 159	0.07 155	0.07 156

ssnet_v2	0.17 254	0.10 235	0.17 244	0.17 113	0.11 252	0.21 277	0.21 291	0.33 301	0.25 209	0.22 260	0.22 180	0.27 274	0.18 252	0.22 285	0.20 260	0.11 285	0.09 289	0.09 224	0.09 248	0.08 197	0.08 216

PFNet	0.12 134	0.06 19	0.17 244	0.17 113	0.08 47	0.09 35	0.15 114	0.26 213	0.20 148	0.16 171	0.16 101	0.14 125	0.11 107	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 85	0.05 40	0.05 51

ARAFT	0.12 134	0.08 139	0.17 244	0.19 225	0.09 130	0.14 153	0.18 229	0.20 121	0.12 25	0.12 82	0.13 70	0.14 125	0.11 107	0.15 165	0.12 127	0.06 54	0.05 106	0.10 265	0.09 248	0.05 40	0.04 7

delet	0.17 254	0.08 139	0.17 244	0.19 225	0.11 252	0.20 263	0.21 291	0.30 269	0.37 300	0.17 183	0.26 238	0.19 198	0.19 267	0.19 239	0.21 279	0.08 188	0.08 266	0.09 224	0.11 303	0.06 101	0.06 98

hitnet-ft	0.18 266	0.09 188	0.17 244	0.14 13	0.09 130	0.26 321	0.20 275	0.25 201	0.26 222	0.24 280	0.32 281	0.31 306	0.22 288	0.24 304	0.21 279	0.12 309	0.07 244	0.10 265	0.08 209	0.12 300	0.11 290

AF-Net	0.22 303	0.17 326	0.17 244	0.26 342	0.13 298	0.25 313	0.24 319	0.32 284	0.50 349	0.25 293	0.33 294	0.38 337	0.26 311	0.28 325	0.25 317	0.11 285	0.10 307	0.16 345	0.11 303	0.11 286	0.10 267

CFNet	0.15 217	0.10 235	0.17 244	0.17 113	0.08 47	0.18 232	0.09 3	0.28 245	0.25 209	0.19 222	0.24 194	0.24 249	0.17 243	0.17 217	0.14 184	0.08 188	0.06 187	0.09 224	0.10 280	0.07 155	0.06 98

StereoDRNet	0.18 266	0.11 255	0.17 244	0.22 302	0.11 252	0.21 277	0.22 300	0.37 334	0.33 272	0.24 280	0.28 254	0.30 296	0.19 267	0.20 258	0.20 260	0.09 233	0.08 266	0.11 292	0.09 248	0.09 244	0.07 156

NCCL2	0.23 318	0.15 308	0.17 244	0.34 370	0.18 356	0.24 303	0.23 310	0.34 311	0.28 240	0.31 330	0.38 315	0.38 337	0.28 327	0.23 296	0.24 308	0.15 343	0.12 325	0.18 355	0.21 361	0.13 317	0.13 314

MDST_ROB	0.22 303	0.10 235	0.17 244	0.18 180	0.11 252	0.37 361	0.19 260	0.43 362	0.41 317	0.39 351	0.39 323	0.29 288	0.21 279	0.26 311	0.18 246	0.11 285	0.10 307	0.14 331	0.11 303	0.10 271	0.08 216

CBMV_ROB	0.19 276	0.13 290	0.17 244	0.16 67	0.11 252	0.15 175	0.13 43	0.26 213	0.28 240	0.27 304	0.30 269	0.27 274	0.24 300	0.23 296	0.16 221	0.15 343	0.17 359	0.22 364	0.20 359	0.10 271	0.11 290

CBMV	0.19 276	0.14 302	0.17 244	0.18 180	0.10 214	0.20 263	0.11 11	0.29 255	0.30 254	0.29 321	0.30 269	0.30 296	0.23 294	0.27 314	0.19 254	0.13 329	0.15 351	0.17 347	0.16 346	0.10 271	0.10 267
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 254	0.11 255	0.18 261	0.17 113	0.11 252	0.16 198	0.25 332	0.24 188	0.33 272	0.19 222	0.24 194	0.26 267	0.24 300	0.19 239	0.20 260	0.07 141	0.08 266	0.09 224	0.10 280	0.09 244	0.08 216

DAS	0.15 217	0.08 139	0.18 261	0.19 225	0.10 214	0.19 251	0.17 189	0.27 231	0.29 247	0.18 209	0.25 223	0.21 214	0.15 204	0.16 196	0.12 127	0.08 188	0.06 187	0.06 31	0.06 85	0.07 155	0.07 156

SepStereo	0.15 217	0.08 139	0.18 261	0.19 225	0.10 214	0.19 251	0.17 189	0.27 231	0.29 247	0.18 209	0.25 223	0.21 214	0.15 204	0.25 309	0.12 127	0.08 188	0.06 187	0.06 31	0.06 85	0.07 155	0.07 156

psm_up	0.18 266	0.10 235	0.18 261	0.20 265	0.11 252	0.17 217	0.19 260	0.37 334	0.34 283	0.21 247	0.28 254	0.29 288	0.24 300	0.20 258	0.22 288	0.09 233	0.10 307	0.11 292	0.11 303	0.08 197	0.08 216

UNet	0.17 254	0.09 188	0.18 261	0.19 225	0.12 281	0.27 328	0.19 260	0.33 301	0.29 247	0.21 247	0.24 194	0.23 243	0.19 267	0.19 239	0.18 246	0.07 141	0.06 187	0.08 161	0.07 159	0.08 197	0.06 98

iResNet	0.13 155	0.10 235	0.18 261	0.19 225	0.08 47	0.13 129	0.18 229	0.20 121	0.26 222	0.15 146	0.23 186	0.15 149	0.13 168	0.14 147	0.14 184	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

NOSS_ROB	0.19 276	0.12 269	0.18 261	0.16 67	0.12 281	0.15 175	0.12 21	0.30 269	0.32 266	0.20 239	0.22 180	0.27 274	0.23 294	0.21 274	0.16 221	0.16 354	0.18 361	0.23 365	0.21 361	0.12 300	0.13 314

SGM-Forest	0.20 285	0.14 302	0.18 261	0.19 225	0.13 298	0.20 263	0.22 300	0.33 301	0.30 254	0.24 280	0.29 265	0.28 281	0.19 267	0.23 296	0.17 232	0.15 343	0.16 354	0.15 339	0.14 334	0.12 300	0.12 301
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MeshStereo	0.27 343	0.13 290	0.18 261	0.15 38	0.11 252	0.32 342	0.24 319	0.40 349	0.36 294	0.52 371	0.57 369	0.67 382	0.40 363	0.35 352	0.26 326	0.14 340	0.13 338	0.13 321	0.11 303	0.11 286	0.10 267
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
SDNR	0.19 276	0.08 139	0.19 270	0.16 67	0.12 281	0.77 396	0.14 69	0.25 201	0.32 266	0.19 222	0.24 194	0.19 198	0.13 168	0.19 239	0.15 207	0.16 354	0.18 361	0.14 331	0.11 303	0.08 197	0.11 290

fast-acv-ft	0.18 266	0.11 255	0.19 270	0.19 225	0.12 281	0.24 303	0.21 291	0.25 201	0.34 283	0.22 260	0.34 298	0.27 274	0.20 275	0.21 274	0.23 298	0.09 233	0.09 289	0.08 161	0.10 280	0.08 197	0.07 156

UDG	0.21 294	0.17 326	0.19 270	0.23 321	0.15 326	0.30 340	0.20 275	0.33 301	0.35 290	0.23 272	0.28 254	0.31 306	0.27 319	0.20 258	0.22 288	0.15 343	0.12 325	0.13 321	0.09 248	0.14 329	0.14 331

APVNet	0.22 303	0.12 269	0.19 270	0.18 180	0.14 315	0.32 342	0.31 371	0.39 345	0.32 266	0.27 304	0.40 328	0.30 296	0.29 335	0.26 311	0.25 317	0.11 285	0.12 325	0.11 292	0.14 334	0.12 300	0.12 301

GwcNet	0.20 285	0.13 290	0.19 270	0.18 180	0.12 281	0.24 303	0.19 260	0.35 323	0.43 328	0.20 239	0.32 281	0.33 317	0.20 275	0.22 285	0.24 308	0.11 285	0.09 289	0.09 224	0.09 248	0.09 244	0.10 267

HGLStereo	0.17 254	0.08 139	0.19 270	0.17 113	0.12 281	0.18 232	0.18 229	0.31 275	0.32 266	0.21 247	0.32 281	0.25 259	0.18 252	0.19 239	0.20 260	0.09 233	0.09 289	0.07 98	0.07 159	0.09 244	0.10 267

XPNet_ROB	0.22 303	0.11 255	0.19 270	0.22 302	0.13 298	0.22 285	0.19 260	0.34 311	0.40 314	0.30 324	0.39 323	0.39 345	0.26 311	0.26 311	0.28 341	0.15 343	0.10 307	0.10 265	0.10 280	0.13 317	0.12 301

pmcnn	0.15 217	0.07 69	0.19 270	0.15 38	0.07 18	0.20 263	0.15 114	0.24 188	0.26 222	0.21 247	0.34 298	0.28 281	0.18 252	0.18 228	0.17 232	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

whm_eth	0.14 184	0.09 188	0.20 278	0.20 265	0.12 281	0.12 104	0.15 114	0.18 96	0.28 240	0.17 183	0.32 281	0.09 37	0.12 136	0.18 228	0.14 184	0.07 141	0.07 244	0.08 161	0.07 159	0.07 155	0.07 156

dad	0.17 254	0.20 344	0.20 278	0.16 67	0.11 252	0.20 263	0.18 229	0.21 138	0.28 240	0.30 324	0.24 194	0.29 288	0.13 168	0.19 239	0.16 221	0.18 359	0.09 289	0.11 292	0.09 248	0.11 286	0.07 156

RAFT + AFF	0.13 155	0.07 69	0.20 278	0.20 265	0.10 214	0.14 153	0.24 319	0.26 213	0.20 148	0.11 58	0.10 37	0.12 87	0.10 87	0.15 165	0.12 127	0.07 141	0.06 187	0.09 224	0.08 209	0.06 101	0.08 216

edge stereo	0.22 303	0.13 290	0.20 278	0.21 289	0.13 298	0.23 298	0.16 169	0.32 284	0.42 323	0.32 336	0.40 328	0.38 337	0.35 353	0.25 309	0.24 308	0.13 329	0.11 316	0.14 331	0.11 303	0.12 300	0.13 314

DRN-Test	0.19 276	0.11 255	0.20 278	0.22 302	0.10 214	0.22 285	0.22 300	0.39 345	0.37 300	0.24 280	0.32 281	0.26 267	0.21 279	0.22 285	0.24 308	0.11 285	0.07 244	0.11 292	0.10 280	0.09 244	0.07 156

DDUNet	0.22 303	0.17 326	0.21 283	0.22 302	0.15 326	0.25 313	0.24 319	0.29 255	0.30 254	0.31 330	0.36 304	0.33 317	0.25 308	0.24 304	0.20 260	0.18 359	0.13 338	0.17 347	0.11 303	0.16 347	0.16 350

RP	0.21 294	0.13 290	0.21 283	0.23 321	0.11 252	0.21 277	0.20 275	0.25 201	0.44 332	0.21 247	0.38 315	0.36 329	0.24 300	0.27 314	0.25 317	0.11 285	0.12 325	0.13 321	0.12 321	0.12 300	0.14 331

stereogan	0.22 303	0.11 255	0.21 283	0.20 265	0.12 281	0.31 341	0.19 260	0.35 323	0.44 332	0.22 260	0.39 323	0.35 327	0.27 319	0.33 343	0.22 288	0.10 264	0.12 325	0.10 265	0.10 280	0.14 329	0.13 314

Nwc_Net	0.23 318	0.16 315	0.21 283	0.25 337	0.14 315	0.24 303	0.26 338	0.37 334	0.38 305	0.22 260	0.41 338	0.30 296	0.28 327	0.28 325	0.25 317	0.11 285	0.10 307	0.17 347	0.20 359	0.10 271	0.10 267

GANet	0.21 294	0.12 269	0.21 283	0.24 326	0.13 298	0.22 285	0.22 300	0.41 354	0.26 222	0.31 330	0.42 343	0.37 333	0.28 327	0.23 296	0.22 288	0.10 264	0.12 325	0.10 265	0.09 248	0.10 271	0.08 216

FAT-Stereo	0.20 285	0.12 269	0.22 288	0.21 289	0.12 281	0.17 217	0.18 229	0.34 311	0.39 308	0.27 304	0.37 310	0.34 323	0.32 346	0.21 274	0.20 260	0.09 233	0.11 316	0.10 265	0.09 248	0.11 286	0.14 331

RYNet	0.22 303	0.12 269	0.22 288	0.19 225	0.17 349	0.46 367	0.26 338	0.38 341	0.48 342	0.24 280	0.28 254	0.34 323	0.23 294	0.20 258	0.30 348	0.10 264	0.06 187	0.09 224	0.09 248	0.13 317	0.15 339

NLCA_NET_v2_RVC	0.17 254	0.10 235	0.22 288	0.20 265	0.10 214	0.15 175	0.18 229	0.31 275	0.25 209	0.21 247	0.30 269	0.25 259	0.17 243	0.21 274	0.20 260	0.09 233	0.06 187	0.08 161	0.08 209	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DISCO	0.19 276	0.09 188	0.22 288	0.17 113	0.10 214	0.25 313	0.18 229	0.27 231	0.44 332	0.22 260	0.31 277	0.33 317	0.26 311	0.28 325	0.28 341	0.08 188	0.06 187	0.07 98	0.07 159	0.09 244	0.09 249

FBW_ROB	0.24 326	0.17 326	0.22 288	0.26 342	0.14 315	0.25 313	0.22 300	0.41 354	0.41 317	0.41 358	0.41 338	0.42 351	0.27 319	0.31 335	0.23 298	0.09 233	0.14 345	0.14 331	0.12 321	0.11 286	0.09 249

ETE_ROB	0.23 318	0.17 326	0.22 288	0.25 337	0.13 298	0.26 321	0.29 358	0.31 275	0.36 294	0.28 315	0.36 304	0.45 358	0.26 311	0.27 314	0.26 326	0.11 285	0.08 266	0.12 307	0.09 248	0.14 329	0.13 314

LALA_ROB	0.25 335	0.16 315	0.22 288	0.26 342	0.17 349	0.27 328	0.27 345	0.42 359	0.37 300	0.33 340	0.38 315	0.51 368	0.26 311	0.28 325	0.27 333	0.16 354	0.09 289	0.12 307	0.11 303	0.13 317	0.12 301

PWCDC_ROB	0.20 285	0.13 290	0.22 288	0.24 326	0.11 252	0.19 251	0.15 114	0.33 301	0.54 358	0.29 321	0.50 358	0.21 214	0.15 204	0.27 314	0.20 260	0.11 285	0.09 289	0.10 265	0.08 209	0.11 286	0.09 249

WCMA_ROB	0.24 326	0.11 255	0.22 288	0.17 113	0.14 315	0.32 342	0.15 114	0.32 284	0.32 266	0.38 349	0.53 360	0.40 348	0.34 351	0.34 346	0.25 317	0.11 285	0.12 325	0.12 307	0.10 280	0.14 329	0.14 331

sCroCo_RVC	0.12 134	0.09 188	0.23 297	0.24 326	0.11 252	0.19 251	0.14 69	0.17 72	0.14 58	0.10 40	0.13 70	0.12 87	0.07 31	0.14 147	0.11 85	0.08 188	0.08 266	0.08 161	0.08 209	0.05 40	0.07 156

ccnet	0.29 350	0.28 368	0.23 297	0.20 265	0.28 375	0.41 366	0.21 291	0.45 367	0.33 272	0.36 344	0.46 350	0.36 329	0.30 339	0.39 365	0.42 377	0.23 375	0.14 345	0.21 360	0.17 353	0.23 365	0.18 359

PS-NSSS	0.20 285	0.21 350	0.23 297	0.20 265	0.10 214	0.19 251	0.17 189	0.36 329	0.25 209	0.27 304	0.33 294	0.27 274	0.24 300	0.20 258	0.20 260	0.15 343	0.12 325	0.17 347	0.14 334	0.10 271	0.08 216

GMStereo_Zeroshot	0.16 235	0.13 290	0.24 300	0.20 265	0.10 214	0.17 217	0.13 43	0.29 255	0.25 209	0.23 272	0.32 281	0.25 259	0.11 107	0.19 239	0.14 184	0.09 233	0.06 187	0.11 292	0.06 85	0.12 300	0.08 216

sAnonymous2	0.13 155	0.12 269	0.24 300	0.20 265	0.12 281	0.17 217	0.13 43	0.26 213	0.21 161	0.11 58	0.11 52	0.13 110	0.08 49	0.10 18	0.10 49	0.09 233	0.05 106	0.08 161	0.06 85	0.15 340	0.10 267

CroCo_RVC	0.13 155	0.12 269	0.24 300	0.20 265	0.12 281	0.17 217	0.13 43	0.26 213	0.21 161	0.11 58	0.11 52	0.13 110	0.08 49	0.10 18	0.10 49	0.09 233	0.05 106	0.08 161	0.06 85	0.15 340	0.10 267

Anonymous	0.14 184	0.10 235	0.24 300	0.22 302	0.13 298	0.18 232	0.22 300	0.20 121	0.19 127	0.14 122	0.12 60	0.11 73	0.13 168	0.16 196	0.13 156	0.08 188	0.07 244	0.08 161	0.08 209	0.12 300	0.10 267

MaskLacGwcNet_RVC	0.22 303	0.21 350	0.24 300	0.26 342	0.11 252	0.23 298	0.14 69	0.39 345	0.24 190	0.32 336	0.36 304	0.30 296	0.21 279	0.19 239	0.21 279	0.17 358	0.14 345	0.21 360	0.16 346	0.12 300	0.12 301

NaN_ROB	0.22 303	0.19 339	0.24 300	0.25 337	0.13 298	0.29 337	0.26 338	0.33 301	0.41 317	0.31 330	0.31 277	0.32 314	0.23 294	0.30 334	0.21 279	0.11 285	0.17 359	0.10 265	0.10 280	0.08 197	0.09 249

S-Stereo	0.20 285	0.12 269	0.25 306	0.21 289	0.13 298	0.20 263	0.18 229	0.32 284	0.43 328	0.23 272	0.36 304	0.28 281	0.30 339	0.19 239	0.22 288	0.09 233	0.12 325	0.10 265	0.10 280	0.13 317	0.13 314

CBFPSM	0.14 184	0.06 19	0.26 307	0.17 113	0.09 130	0.13 129	0.15 114	0.22 154	0.23 180	0.20 239	0.27 245	0.24 249	0.16 224	0.16 196	0.18 246	0.06 54	0.06 187	0.06 31	0.07 159	0.07 155	0.07 156

pcwnet_v2	0.19 276	0.10 235	0.26 307	0.17 113	0.14 315	0.18 232	0.15 114	0.37 334	0.46 340	0.19 222	0.24 194	0.21 214	0.19 267	0.20 258	0.19 254	0.13 329	0.10 307	0.10 265	0.10 280	0.11 286	0.13 314

FINET	0.21 294	0.18 336	0.26 307	0.18 180	0.16 336	0.23 298	0.23 310	0.32 284	0.48 342	0.25 293	0.32 281	0.22 231	0.22 288	0.22 285	0.17 232	0.18 359	0.16 354	0.11 292	0.10 280	0.15 340	0.13 314

PDISCO_ROB	0.27 343	0.16 315	0.26 307	0.28 356	0.20 361	0.32 342	0.26 338	0.44 364	0.57 363	0.28 315	0.40 328	0.45 358	0.29 335	0.33 343	0.34 361	0.12 309	0.09 289	0.17 347	0.16 346	0.17 354	0.13 314

MSMD_ROB	0.31 356	0.26 364	0.26 307	0.24 326	0.21 363	0.34 351	0.25 332	0.34 311	0.39 308	0.40 354	0.69 377	0.45 358	0.40 363	0.34 346	0.27 333	0.20 365	0.19 364	0.26 367	0.25 370	0.23 365	0.22 369

PWC_ROB	0.21 294	0.16 315	0.26 307	0.18 180	0.11 252	0.22 285	0.13 43	0.32 284	0.49 347	0.30 324	0.40 328	0.32 314	0.24 300	0.31 335	0.22 288	0.10 264	0.07 244	0.11 292	0.08 209	0.11 286	0.10 267

Syn2CoEx	0.21 294	0.16 315	0.27 313	0.29 363	0.14 315	0.26 321	0.20 275	0.33 301	0.31 260	0.28 315	0.36 304	0.27 274	0.25 308	0.19 239	0.24 308	0.16 354	0.12 325	0.14 331	0.11 303	0.09 244	0.08 216

STTStereo	0.18 266	0.12 269	0.27 313	0.20 265	0.11 252	0.16 198	0.21 291	0.29 255	0.23 180	0.21 247	0.30 269	0.29 288	0.18 252	0.20 258	0.19 254	0.12 309	0.11 316	0.11 292	0.14 334	0.09 244	0.08 216

MANE	0.45 375	0.27 365	0.27 313	0.27 353	0.24 368	0.47 369	0.31 371	0.55 381	0.59 367	0.72 384	1.13 403	1.15 395	0.61 385	0.52 379	0.37 367	0.21 368	0.20 367	0.27 370	0.31 380	0.25 372	0.24 371

GANetREF_RVC	0.31 356	0.34 375	0.27 313	0.35 372	0.16 336	0.32 342	0.41 381	0.48 371	0.51 356	0.35 342	0.35 301	0.34 323	0.33 347	0.39 365	0.32 356	0.27 379	0.20 367	0.29 376	0.15 344	0.18 357	0.17 357
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
CSAN	0.29 350	0.24 358	0.27 313	0.34 370	0.19 358	0.33 348	0.42 384	0.37 334	0.50 349	0.38 349	0.40 328	0.44 356	0.33 347	0.28 325	0.30 348	0.20 365	0.16 354	0.19 357	0.19 358	0.14 329	0.15 339

Anonymous_2	0.22 303	0.17 326	0.28 318	0.15 38	0.16 336	0.32 342	0.22 300	0.22 154	0.17 99	0.23 272	0.24 194	0.26 267	0.27 319	0.27 314	0.23 298	0.22 371	0.25 378	0.17 347	0.17 353	0.17 354	0.17 357

FCDSN-DC	0.33 361	0.28 368	0.28 318	0.30 365	0.24 368	0.39 364	0.28 350	0.42 359	0.42 323	0.43 364	0.53 360	0.51 368	0.41 367	0.36 357	0.30 348	0.21 368	0.20 367	0.27 370	0.26 371	0.25 372	0.24 371
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTSC	0.23 318	0.12 269	0.28 318	0.21 289	0.13 298	0.28 334	0.16 169	0.35 323	0.66 377	0.27 304	0.33 294	0.30 296	0.21 279	0.31 335	0.29 344	0.10 264	0.08 266	0.09 224	0.10 280	0.13 317	0.13 314

DANet	0.21 294	0.15 308	0.28 318	0.25 337	0.13 298	0.22 285	0.19 260	0.27 231	0.27 229	0.28 315	0.32 281	0.35 327	0.31 343	0.31 335	0.23 298	0.11 285	0.09 289	0.11 292	0.10 280	0.13 317	0.11 290
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FC-DCNN	0.33 361	0.27 365	0.28 318	0.26 342	0.23 367	0.37 361	0.28 350	0.40 349	0.43 328	0.45 366	0.55 363	0.51 368	0.40 363	0.37 361	0.30 348	0.21 368	0.20 367	0.27 370	0.26 371	0.25 372	0.24 371

SANet	0.24 326	0.14 302	0.28 318	0.21 289	0.11 252	0.27 328	0.24 319	0.38 341	0.64 374	0.36 344	0.40 328	0.43 354	0.26 311	0.27 314	0.24 308	0.12 309	0.09 289	0.10 265	0.09 248	0.13 317	0.11 290

Wz-Net-LNSev-Ref	0.18 266	0.09 188	0.29 324	0.15 38	0.10 214	0.22 285	0.20 275	0.26 213	0.39 308	0.25 293	0.42 343	0.24 249	0.15 204	0.20 258	0.19 254	0.07 141	0.05 106	0.06 31	0.05 31	0.10 271	0.09 249

MFN_U_SF_DS_RVC	0.30 355	0.24 358	0.29 324	0.36 374	0.16 336	0.34 351	0.30 365	0.32 284	0.42 323	0.40 354	0.46 350	0.38 337	0.31 343	0.34 346	0.28 341	0.19 363	0.20 367	0.26 367	0.29 376	0.18 357	0.19 364

RGC	0.25 335	0.20 344	0.29 324	0.28 356	0.16 336	0.22 285	0.23 310	0.32 284	0.44 332	0.27 304	0.40 328	0.38 337	0.27 319	0.36 357	0.22 288	0.11 285	0.13 338	0.17 347	0.17 353	0.14 329	0.16 350

SQANet	0.23 318	0.23 355	0.30 327	0.30 365	0.19 358	0.27 328	0.13 43	0.29 255	0.33 272	0.24 280	0.37 310	0.31 306	0.22 288	0.27 314	0.23 298	0.15 343	0.10 307	0.21 360	0.16 346	0.21 362	0.15 339

SHD	0.26 341	0.15 308	0.30 327	0.24 326	0.18 356	0.22 285	0.15 114	0.38 341	0.71 381	0.32 336	0.41 338	0.36 329	0.28 327	0.32 341	0.29 344	0.12 309	0.11 316	0.14 331	0.13 330	0.16 347	0.20 365

Wz-Net-MNSev	0.22 303	0.13 290	0.31 329	0.20 265	0.14 315	0.36 360	0.24 319	0.33 301	0.44 332	0.28 315	0.40 328	0.38 337	0.19 267	0.24 304	0.25 317	0.09 233	0.07 244	0.09 224	0.09 248	0.12 300	0.10 267

FADNet-RVC-Resample	0.16 235	0.11 255	0.31 329	0.22 302	0.11 252	0.19 251	0.14 69	0.25 201	0.24 190	0.24 280	0.27 245	0.20 208	0.15 204	0.16 196	0.15 207	0.07 141	0.08 266	0.12 307	0.10 280	0.09 244	0.10 267

NCC-stereo	0.24 326	0.15 308	0.31 329	0.26 342	0.16 336	0.20 263	0.30 365	0.40 349	0.40 314	0.24 280	0.38 315	0.33 317	0.28 327	0.36 357	0.27 333	0.12 309	0.11 316	0.15 339	0.22 364	0.13 317	0.13 314

Abc-Net	0.24 326	0.15 308	0.31 329	0.26 342	0.16 336	0.20 263	0.30 365	0.40 349	0.40 314	0.24 280	0.38 315	0.33 317	0.28 327	0.36 357	0.27 333	0.12 309	0.11 316	0.15 339	0.22 364	0.13 317	0.13 314
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DPSNet	0.28 346	0.16 315	0.31 329	0.18 180	0.13 298	0.54 375	0.42 384	0.51 376	0.67 378	0.29 321	0.38 315	0.38 337	0.29 335	0.31 335	0.23 298	0.11 285	0.10 307	0.11 292	0.08 209	0.20 361	0.16 350

GASNet	0.22 303	0.23 355	0.33 334	0.26 342	0.17 349	0.26 321	0.16 169	0.44 364	0.42 323	0.27 304	0.24 194	0.30 296	0.15 204	0.27 314	0.18 246	0.12 309	0.08 266	0.12 307	0.11 303	0.16 347	0.07 156

Anonymous3	0.16 235	0.13 290	0.33 334	0.26 342	0.14 315	0.27 328	0.17 189	0.28 245	0.28 240	0.15 146	0.17 119	0.14 125	0.10 87	0.15 165	0.12 127	0.08 188	0.08 266	0.08 161	0.08 209	0.08 197	0.11 290

DGSMNet	0.24 326	0.19 339	0.33 334	0.21 289	0.24 368	0.24 303	0.20 275	0.35 323	0.41 317	0.24 280	0.32 281	0.38 337	0.21 279	0.29 331	0.23 298	0.12 309	0.11 316	0.14 331	0.16 346	0.23 365	0.23 370

SAMSARA	0.40 368	0.28 368	0.33 334	0.55 387	0.39 381	0.82 397	1.23 411	0.47 370	0.51 356	0.36 344	0.35 301	0.55 373	0.39 360	0.38 362	0.39 371	0.15 343	0.20 367	0.15 339	0.14 334	0.23 365	0.20 365

ADCP+	0.20 285	0.10 235	0.33 334	0.20 265	0.12 281	0.22 285	0.26 338	0.31 275	0.34 283	0.26 298	0.37 310	0.22 231	0.22 288	0.27 314	0.27 333	0.09 233	0.06 187	0.08 161	0.08 209	0.09 244	0.10 267

PA-Net	0.23 318	0.18 336	0.33 334	0.28 356	0.22 365	0.21 277	0.38 380	0.29 255	0.39 308	0.22 260	0.32 281	0.25 259	0.26 311	0.20 258	0.25 317	0.09 233	0.23 376	0.15 339	0.22 364	0.09 244	0.13 314
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
ELAS_RVC	0.41 370	0.29 371	0.33 334	0.28 356	0.24 368	0.54 375	0.36 376	0.49 373	0.59 367	0.72 384	0.74 383	0.65 380	0.54 378	0.54 383	0.40 373	0.22 371	0.20 367	0.27 370	0.26 371	0.26 375	0.25 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 370	0.29 371	0.33 334	0.27 353	0.24 368	0.60 380	0.36 376	0.50 375	0.50 349	0.71 382	0.79 387	0.67 382	0.54 378	0.51 377	0.42 377	0.22 371	0.20 367	0.27 370	0.26 371	0.26 375	0.25 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
psmorigin	0.25 335	0.15 308	0.34 342	0.17 113	0.13 298	0.23 298	0.14 69	0.34 311	0.33 272	0.41 358	0.55 363	0.41 350	0.37 357	0.34 346	0.27 333	0.11 285	0.15 351	0.11 292	0.11 303	0.12 300	0.16 350

FADNet	0.21 294	0.22 354	0.36 343	0.18 180	0.17 349	0.24 303	0.13 43	0.31 275	0.31 260	0.23 272	0.25 223	0.27 274	0.21 279	0.19 239	0.15 207	0.13 329	0.15 351	0.12 307	0.15 344	0.16 347	0.18 359

G-Net	0.24 326	0.16 315	0.36 343	0.22 302	0.16 336	0.51 373	0.23 310	0.29 255	0.34 283	0.36 344	0.38 315	0.31 306	0.29 335	0.27 314	0.26 326	0.11 285	0.09 289	0.12 307	0.09 248	0.16 347	0.13 314

AnyNet_C32	0.26 341	0.16 315	0.36 343	0.20 265	0.16 336	0.25 313	0.30 365	0.32 284	0.44 332	0.31 330	0.49 354	0.30 296	0.33 347	0.40 369	0.33 359	0.12 309	0.12 325	0.12 307	0.14 334	0.14 329	0.15 339

CC-Net-ROB	0.28 346	0.31 373	0.36 343	0.29 363	0.15 326	0.25 313	0.19 260	0.45 367	0.33 272	0.39 351	0.37 310	0.39 345	0.31 343	0.27 314	0.26 326	0.24 377	0.19 364	0.30 378	0.23 368	0.18 357	0.15 339

Wz-Net-LNSev	0.22 303	0.16 315	0.38 347	0.21 289	0.13 298	0.25 313	0.23 310	0.32 284	0.43 328	0.30 324	0.41 338	0.31 306	0.18 252	0.22 285	0.25 317	0.10 264	0.09 289	0.08 161	0.08 209	0.12 300	0.11 290

FADNet-RVC	0.20 285	0.20 344	0.38 347	0.21 289	0.16 336	0.20 263	0.15 114	0.26 213	0.26 222	0.26 298	0.32 281	0.26 267	0.21 279	0.22 285	0.19 254	0.12 309	0.13 338	0.12 307	0.14 334	0.13 317	0.18 359

PVD	0.39 365	0.20 344	0.39 349	0.31 369	0.22 365	0.29 337	0.43 386	0.52 377	0.96 394	0.55 374	0.79 387	0.53 371	0.59 384	0.52 379	0.38 369	0.19 363	0.14 345	0.17 347	0.14 334	0.24 371	0.31 382

FADNet_RVC	0.16 235	0.14 302	0.40 350	0.20 265	0.11 252	0.13 129	0.13 43	0.26 213	0.22 172	0.21 247	0.23 186	0.20 208	0.17 243	0.14 147	0.16 221	0.08 188	0.08 266	0.12 307	0.09 248	0.11 286	0.10 267

ADCMid	0.25 335	0.15 308	0.40 350	0.20 265	0.14 315	0.25 313	0.26 338	0.34 311	0.38 305	0.36 344	0.44 348	0.34 323	0.40 363	0.35 352	0.33 359	0.10 264	0.09 289	0.11 292	0.11 303	0.13 317	0.12 301

ADCRef	0.19 276	0.12 269	0.41 352	0.20 265	0.12 281	0.22 285	0.18 229	0.32 284	0.36 294	0.26 298	0.32 281	0.17 179	0.23 294	0.24 304	0.24 308	0.07 141	0.06 187	0.09 224	0.09 248	0.08 197	0.08 216

DeepPrunerF	0.24 326	0.17 326	0.42 353	0.26 342	0.16 336	0.22 285	0.28 350	0.37 334	0.50 349	0.26 298	0.29 265	0.24 249	0.28 327	0.21 274	0.22 288	0.15 343	0.11 316	0.20 359	0.18 357	0.12 300	0.13 314

Wz-Net-SNSev	0.25 335	0.17 326	0.44 354	0.25 337	0.14 315	0.26 321	0.23 310	0.38 341	0.56 361	0.30 324	0.55 363	0.39 345	0.26 311	0.23 296	0.30 348	0.10 264	0.09 289	0.09 224	0.10 280	0.11 286	0.11 290

iinet-f	0.16 235	0.06 19	0.45 355	0.14 13	0.10 214	0.21 277	0.14 69	0.27 231	0.23 180	0.21 247	0.24 194	0.21 214	0.15 204	0.18 228	0.21 279	0.09 233	0.07 244	0.07 98	0.06 85	0.09 244	0.10 267

Consistency-Raft	0.44 373	0.40 380	0.45 355	0.37 375	0.43 384	0.46 367	0.41 381	0.57 384	0.55 359	0.32 336	0.73 381	0.33 317	0.48 375	0.42 372	0.49 384	0.39 384	0.35 384	0.45 384	0.51 392	0.42 384	0.29 379

ADCS	0.29 350	0.18 336	0.45 355	0.21 289	0.17 349	0.28 334	0.23 310	0.41 354	0.63 373	0.40 354	0.49 354	0.40 348	0.36 355	0.39 365	0.40 373	0.13 329	0.12 325	0.13 321	0.14 334	0.16 347	0.16 350

NVStereoNet_ROB	0.46 378	0.36 377	0.46 358	0.41 378	0.28 375	0.34 351	0.34 374	0.48 371	0.60 370	0.72 384	0.93 392	0.70 385	0.66 388	0.47 374	0.60 391	0.22 371	0.33 383	0.34 380	0.34 383	0.30 378	0.30 381
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ADCL	0.24 326	0.11 255	0.47 359	0.22 302	0.12 281	0.34 351	0.29 358	0.29 255	0.56 361	0.24 280	0.46 350	0.30 296	0.30 339	0.29 331	0.29 344	0.08 188	0.07 244	0.09 224	0.09 248	0.10 271	0.10 267

PASM	0.32 358	0.24 358	0.48 360	0.28 356	0.27 374	0.29 337	0.30 365	0.34 311	0.49 347	0.35 342	0.39 323	0.46 362	0.34 351	0.34 346	0.35 362	0.23 375	0.25 378	0.26 367	0.28 375	0.23 365	0.21 367

Anonymous Stereo	0.23 318	0.19 339	0.50 361	0.24 326	0.17 349	0.21 277	0.21 291	0.33 301	0.44 332	0.25 293	0.34 298	0.26 267	0.18 252	0.31 335	0.27 333	0.13 329	0.12 325	0.12 307	0.13 330	0.11 286	0.14 331

XQC	0.28 346	0.23 355	0.51 362	0.28 356	0.19 358	0.34 351	0.27 345	0.36 329	0.57 363	0.31 330	0.30 269	0.37 333	0.30 339	0.38 362	0.38 369	0.13 329	0.09 289	0.15 339	0.12 321	0.17 354	0.18 359

otaku	0.39 365	0.37 378	0.52 363	0.44 380	0.28 375	0.58 377	0.24 319	0.41 354	0.62 372	0.40 354	0.49 354	0.46 362	0.33 347	0.40 369	0.32 356	0.30 380	0.30 382	0.39 382	0.33 381	0.29 377	0.28 378

Ntro	0.40 368	0.40 380	0.53 364	0.46 384	0.30 379	0.65 383	0.24 319	0.46 369	0.68 379	0.41 358	0.49 354	0.48 366	0.42 370	0.39 365	0.31 355	0.32 381	0.28 380	0.37 381	0.30 378	0.32 382	0.29 379

WAO-7	0.79 394	0.78 397	0.54 365	0.85 399	0.67 400	0.74 390	0.68 402	1.05 404	1.32 401	0.90 395	1.20 406	1.04 391	0.92 399	0.69 390	0.66 394	0.60 397	0.62 406	0.67 392	0.68 400	0.64 393	0.58 394

MSC_U_SF_DS_RVC	0.43 372	0.39 379	0.54 365	0.40 376	0.20 361	0.64 382	0.32 373	0.53 379	0.72 382	0.71 382	0.72 380	0.61 376	0.54 378	0.51 377	0.46 381	0.20 365	0.19 364	0.29 376	0.30 378	0.23 365	0.18 359

ACVNet-4b	0.39 365	0.53 384	0.55 367	0.45 381	0.24 368	0.47 369	0.18 229	0.49 373	0.64 374	0.42 361	0.45 349	0.60 375	0.27 319	0.34 346	0.24 308	0.33 382	0.14 345	0.48 385	0.42 385	0.30 378	0.26 377

MFN_U_SF_RVC	0.32 358	0.21 350	0.55 367	0.30 365	0.15 326	0.34 351	0.17 189	0.52 377	0.46 340	0.46 368	0.55 363	0.59 374	0.39 360	0.35 352	0.37 367	0.15 343	0.14 345	0.18 355	0.21 361	0.16 347	0.15 339

aanetorigin	0.22 303	0.17 326	0.56 369	0.17 113	0.10 214	0.15 175	0.19 260	0.20 121	0.33 272	0.49 369	0.48 353	0.29 288	0.27 319	0.20 258	0.23 298	0.08 188	0.07 244	0.08 161	0.07 159	0.10 271	0.09 249

SuperB	0.20 285	0.10 235	0.56 369	0.16 67	0.09 130	0.18 232	0.18 229	0.24 188	0.50 349	0.26 298	0.39 323	0.17 179	0.21 279	0.22 285	0.21 279	0.08 188	0.06 187	0.06 31	0.06 85	0.12 300	0.10 267

LSM	0.33 361	0.20 344	0.58 371	0.26 342	0.60 396	0.34 351	0.25 332	0.42 359	0.48 342	0.45 366	0.58 371	0.42 351	0.36 355	0.35 352	0.25 317	0.12 309	0.20 367	0.14 331	0.16 346	0.19 360	0.33 384

ACVNet_1	0.44 373	0.49 383	0.60 372	0.45 381	0.28 375	0.49 372	0.27 345	0.57 384	0.72 382	0.62 377	0.58 371	0.74 386	0.49 376	0.50 376	0.35 362	0.26 378	0.24 377	0.39 382	0.29 376	0.31 381	0.24 371

ADCPNet	0.25 335	0.16 315	0.61 373	0.21 289	0.15 326	0.35 359	0.25 332	0.32 284	0.35 290	0.30 324	0.40 328	0.36 329	0.28 327	0.28 325	0.32 356	0.12 309	0.10 307	0.11 292	0.12 321	0.14 329	0.13 314

WAO-6	0.81 395	0.80 398	0.62 374	0.86 400	0.63 398	0.76 394	0.58 395	0.98 401	1.54 408	0.90 395	0.96 395	1.07 393	1.03 403	0.70 391	0.66 394	0.72 400	0.49 394	0.90 403	0.71 401	0.68 397	0.58 394

BEATNet-Init1	0.52 380	0.27 365	0.62 374	0.30 365	0.21 363	0.76 394	0.29 358	0.54 380	0.65 376	0.86 393	0.95 394	2.07 410	0.62 387	0.56 385	0.42 377	0.18 359	0.18 361	0.23 365	0.22 364	0.22 364	0.21 367

WAO-8	0.91 399	0.81 399	0.65 376	0.94 403	0.69 401	0.90 398	0.67 400	1.07 406	1.83 411	1.06 402	1.45 409	1.30 398	1.07 404	0.84 396	0.78 400	0.74 402	0.53 399	0.86 401	0.75 402	0.69 399	0.62 400

Venus	0.91 399	0.81 399	0.65 376	0.94 403	0.69 401	0.90 398	0.67 400	1.07 406	1.83 411	1.06 402	1.45 409	1.30 398	1.07 404	0.84 396	0.78 400	0.74 402	0.53 399	0.86 401	0.75 402	0.69 399	0.62 400

Wz-Net-TNSev	0.29 350	0.20 344	0.65 376	0.19 225	0.15 326	0.38 363	0.27 345	0.35 323	0.55 359	0.34 341	0.42 343	0.45 358	0.38 358	0.32 341	0.30 348	0.12 309	0.13 338	0.10 265	0.12 321	0.15 340	0.14 331

anonymity	0.53 381	0.58 386	0.65 376	0.41 378	0.61 397	0.53 374	0.41 381	0.56 382	0.41 317	0.55 374	0.50 358	0.49 367	0.55 381	0.58 386	0.50 387	0.58 395	0.50 396	0.51 387	0.51 392	0.51 386	0.57 393

MFMNet_re	0.64 385	0.66 392	0.65 376	0.51 385	0.69 401	0.69 386	0.57 394	0.64 388	0.73 385	0.60 376	0.73 381	0.62 377	0.67 389	0.65 389	0.60 391	0.66 399	0.58 405	0.63 391	0.59 395	0.68 397	0.69 403

DispFullNet	0.27 343	0.21 350	0.65 376	0.28 356	0.16 336	0.26 321	0.17 189	0.33 301	0.58 366	0.27 304	0.38 315	0.43 354	0.23 294	0.38 362	0.23 298	0.12 309	0.06 187	0.19 357	0.11 303	0.21 362	0.15 339

SPS-STEREO	0.57 384	0.58 386	0.65 376	0.45 381	0.55 391	0.62 381	0.44 387	0.62 387	0.50 349	0.68 380	0.64 373	0.66 381	0.57 383	0.61 387	0.60 391	0.62 398	0.47 391	0.51 387	0.49 389	0.55 391	0.58 394
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 383	0.57 385	0.65 376	0.40 376	0.54 389	0.66 385	0.49 388	0.56 382	0.45 339	0.66 378	0.69 377	0.67 382	0.56 382	0.63 388	0.56 389	0.59 396	0.48 392	0.50 386	0.50 391	0.52 387	0.58 394

IMH-64-1	0.65 386	0.61 388	0.68 384	0.71 391	0.51 387	0.59 378	0.49 388	0.91 395	0.85 389	0.74 388	1.02 396	0.81 387	0.78 393	0.79 392	0.49 384	0.42 386	0.46 387	0.71 393	0.47 387	0.52 387	0.39 387

IMH-64	0.65 386	0.61 388	0.68 384	0.71 391	0.51 387	0.59 378	0.49 388	0.91 395	0.85 389	0.74 388	1.02 396	0.81 387	0.78 393	0.79 392	0.49 384	0.42 386	0.46 387	0.71 393	0.47 387	0.52 387	0.39 387

IMH	0.71 389	0.64 391	0.68 384	0.76 393	0.54 389	0.69 386	0.54 392	0.98 401	1.10 396	0.82 392	1.09 399	0.89 389	0.88 398	0.87 400	0.52 388	0.44 389	0.50 396	0.75 396	0.51 392	0.56 392	0.41 390

ACVNet_2	0.66 388	0.66 392	0.68 384	0.63 389	0.41 382	0.71 388	0.49 388	0.96 399	1.39 403	0.89 394	1.09 399	1.04 391	0.73 391	0.54 383	0.47 382	0.43 388	0.40 386	0.53 390	0.44 386	0.47 385	0.35 386

RainbowNet	0.54 382	0.61 388	0.70 388	0.57 388	0.43 384	0.65 383	0.37 379	0.60 386	0.87 391	0.50 370	0.66 374	0.64 378	0.47 374	0.49 375	0.43 380	0.47 390	0.48 392	0.52 389	0.41 384	0.52 387	0.40 389

TorneroNet-64	0.76 393	0.72 395	0.74 389	0.78 395	0.58 395	0.91 401	0.56 393	0.84 393	1.29 400	0.66 378	0.90 390	1.40 403	0.75 392	0.85 398	0.67 397	0.49 391	0.46 387	0.72 395	0.59 395	0.67 396	0.53 392

WZ-Net	0.28 346	0.17 326	0.78 390	0.22 302	0.16 336	0.34 351	0.29 358	0.39 345	0.57 363	0.24 280	0.55 363	0.37 333	0.24 300	0.33 343	0.35 362	0.09 233	0.08 266	0.09 224	0.10 280	0.14 329	0.16 350

DPSimNet_ROB	1.11 406	1.23 410	0.78 390	1.13 407	0.88 408	1.10 408	1.13 410	1.16 410	1.23 399	1.43 408	1.02 396	1.41 404	1.10 407	0.90 402	1.60 409	1.46 412	0.51 398	1.21 409	1.03 410	0.90 406	1.01 412

Dean	0.87 398	0.86 402	0.79 392	0.81 397	0.56 392	0.90 398	0.63 396	1.15 409	1.73 409	1.15 404	1.15 404	1.31 400	0.99 402	0.81 394	0.81 403	0.57 394	0.56 403	0.77 399	0.64 398	0.66 395	0.58 394

ktn	1.01 404	1.21 409	0.80 393	1.23 410	0.86 407	1.01 405	0.87 406	0.94 398	1.39 403	1.04 400	1.12 402	1.15 395	1.07 404	0.94 404	0.59 390	1.28 411	0.71 409	1.38 411	0.83 405	1.02 409	0.75 406

TorneroNet	0.82 396	0.74 396	0.81 394	0.84 398	0.63 398	0.99 403	0.63 396	0.96 399	1.16 397	0.80 391	1.11 401	1.36 402	0.86 397	0.93 403	0.80 402	0.56 393	0.49 394	0.78 400	0.66 399	0.73 402	0.63 402

LVE	0.83 397	0.85 401	0.85 395	0.80 396	0.56 392	1.04 407	0.65 399	1.05 404	1.47 406	0.96 397	1.22 407	1.10 394	0.85 396	0.83 395	0.71 399	0.49 391	0.55 402	0.76 398	0.60 397	0.65 394	0.59 399

KSHMR	1.09 405	1.17 408	0.88 396	1.25 411	1.00 410	0.99 403	0.96 408	1.13 408	1.37 402	1.16 405	1.29 408	1.41 404	0.96 401	1.01 406	0.92 404	1.03 409	1.08 411	1.20 408	1.03 410	1.01 408	0.97 410

PWCK	0.71 389	0.94 404	0.95 397	0.76 393	0.31 380	0.74 390	0.36 376	0.90 394	0.90 392	0.96 397	0.75 385	0.95 390	0.61 385	0.87 400	0.66 394	0.72 400	0.46 387	0.75 396	0.49 389	0.69 399	0.44 391

notaker	0.97 402	1.11 407	0.98 398	1.13 407	0.81 405	0.73 389	0.68 402	0.93 397	1.16 397	1.18 406	1.18 405	1.41 404	1.16 408	1.08 409	0.69 398	0.81 405	0.64 407	1.17 407	0.79 404	0.98 407	0.80 408

EDNetEfficient	0.29 350	0.24 358	1.13 399	0.18 180	0.10 214	0.19 251	0.20 275	0.20 121	0.60 370	0.74 388	0.56 368	0.31 306	0.39 360	0.22 285	0.30 348	0.09 233	0.07 244	0.08 161	0.07 159	0.11 286	0.09 249

JetBlue	0.71 389	0.45 382	1.14 400	0.51 385	0.47 386	2.02 411	0.64 398	0.75 390	0.70 380	0.69 381	0.77 386	1.22 397	0.83 395	1.03 407	1.01 407	0.40 385	0.28 380	0.33 379	0.33 381	0.30 378	0.34 385

HanzoNet	1.29 407	1.26 411	1.19 401	1.12 406	0.85 406	1.02 406	0.83 404	1.03 403	1.48 407	1.64 409	1.61 411	2.50 412	1.72 411	1.61 411	1.61 410	1.26 410	0.80 410	1.31 410	1.01 409	1.02 409	0.86 409

AnyNet_C01	0.36 364	0.25 363	1.37 402	0.22 302	0.17 349	0.48 371	0.27 345	0.35 323	0.39 308	0.39 351	0.74 383	0.46 362	0.38 358	0.45 373	0.47 382	0.13 329	0.13 338	0.13 321	0.14 334	0.14 329	0.15 339

UNDER WATER	0.97 402	0.97 406	1.42 403	0.99 405	0.70 404	1.12 409	0.84 405	0.80 392	1.08 395	1.01 399	0.90 390	1.55 407	1.22 410	1.03 407	1.00 406	0.78 404	0.53 399	1.02 405	0.87 406	0.80 405	0.74 405

UNDER WATER-64	0.95 401	0.94 404	1.43 404	0.87 401	0.56 392	1.18 410	0.87 406	0.77 391	0.94 393	1.04 400	0.85 389	1.58 408	1.21 409	0.94 404	0.96 405	0.87 406	0.57 404	1.03 406	0.88 407	0.78 404	0.73 404

SPstereo	13.84 424	0.93 403	1.50 405	1.22 409	0.88 408	28.82 427	48.26 427	26.77 434	29.54 433	22.37 432	22.60 431	23.23 432	24.68 432	24.53 432	15.06 424	0.88 407	0.69 408	1.83 413	1.60 413	0.74 403	0.77 407

MADNet++	1.95 409	1.75 413	1.59 406	1.82 412	1.69 413	2.33 412	1.40 412	2.35 412	2.09 413	2.57 412	2.36 413	2.24 411	2.17 412	2.28 412	2.34 412	1.87 413	1.66 413	1.54 412	1.34 412	1.92 412	1.77 414

JetRed	1.62 408	1.46 412	2.98 407	0.92 402	1.21 411	4.99 413	1.53 413	1.27 411	1.39 403	1.83 410	1.74 412	1.60 409	0.95 400	1.41 410	2.45 413	0.90 408	1.60 412	0.93 404	0.90 408	1.35 411	0.99 411

RTS	0.45 375	0.19 339	3.26 408	0.24 326	0.15 326	0.74 390	0.20 275	0.36 329	0.76 387	0.42 361	0.43 346	0.31 306	0.41 367	0.53 381	0.35 362	0.10 264	0.08 266	0.13 321	0.12 321	0.15 340	0.15 339

RTSA	0.45 375	0.19 339	3.26 408	0.24 326	0.15 326	0.74 390	0.20 275	0.36 329	0.76 387	0.42 361	0.43 346	0.31 306	0.41 367	0.53 381	0.35 362	0.10 264	0.08 266	0.13 321	0.12 321	0.15 340	0.15 339

tt	4.67 411	0.06 19	3.55 410	2.02 413	1.55 412	10.25 417	16.71 417	8.91 420	5.03 414	1.31 407	0.94 393	4.71 413	4.76 413	3.33 413	5.87 415	6.06 420	10.30 424	1.88 414	2.11 415	2.75 413	1.21 413

MADNet+	0.75 392	0.71 394	3.70 411	0.66 390	0.41 382	0.98 402	0.97 409	0.69 389	0.73 385	0.52 371	0.57 369	0.64 378	0.68 390	0.86 399	1.01 407	0.34 383	0.36 385	0.28 375	0.23 368	0.36 383	0.31 382

PML	8.91 418	9.34 424	6.13 412	5.35 417	6.41 418	14.99 419	23.38 423	5.27 413	6.83 415	18.04 424	28.19 433	7.67 416	6.83 415	7.85 417	5.75 414	5.35 419	1.83 414	5.95 423	1.93 414	8.64 421	2.52 415

LRCNet_RVC	10.62 420	13.42 425	7.30 413	18.92 424	2.07 414	0.33 348	0.30 365	5.59 416	0.48 342	13.03 422	17.94 423	8.87 417	5.65 414	4.79 414	1.89 411	23.51 431	2.73 418	27.55 432	25.71 432	16.07 429	16.33 430

xxxxx1	7.79 412	5.02 418	7.31 414	3.12 414	3.85 415	16.35 420	22.88 418	5.86 417	8.69 416	7.97 416	8.54 414	9.12 418	8.27 416	10.18 418	10.92 416	2.42 414	2.45 415	3.56 417	12.37 421	3.77 414	3.06 416

tt_ll	7.79 412	5.02 418	7.31 414	3.12 414	3.85 415	16.35 420	22.88 418	5.86 417	8.69 416	7.97 416	8.54 414	9.12 418	8.27 416	10.18 418	10.92 416	2.42 414	2.45 415	3.56 417	12.37 421	3.77 414	3.06 416

ff	7.79 412	5.02 418	7.31 414	3.12 414	3.85 415	16.35 420	22.88 418	5.86 417	8.69 416	7.97 416	8.54 414	9.12 418	8.27 416	10.18 418	10.92 416	2.42 414	2.45 415	3.56 417	12.37 421	3.77 414	3.06 416

Anonymous_1	10.96 421	7.92 421	7.46 417	10.33 420	10.06 419	18.65 424	26.34 424	11.06 421	13.44 422	9.40 419	10.05 419	9.67 421	11.23 421	10.73 421	12.72 421	6.42 421	8.38 421	5.77 420	10.61 420	12.12 422	6.77 419

DPSM_ROB	11.15 422	8.58 422	8.00 418	10.88 421	11.58 422	19.10 425	26.71 425	12.05 422	14.07 423	10.36 420	10.84 420	10.33 422	11.86 422	11.70 422	13.54 422	6.99 422	8.79 422	5.89 421	6.95 416	7.29 419	7.42 422

DPSM	11.15 422	8.58 422	8.00 418	10.88 421	11.58 422	19.10 425	26.71 425	12.05 422	14.07 423	10.36 420	10.84 420	10.33 422	11.86 422	11.70 422	13.54 422	6.99 422	8.79 422	5.89 421	6.95 416	7.29 419	7.42 422

DPSMNet_ROB	8.06 416	4.48 416	8.63 420	5.37 419	10.74 421	8.32 415	22.98 422	5.46 414	13.36 421	5.12 414	9.92 417	5.08 414	10.40 419	5.53 416	12.58 419	3.80 418	8.00 419	3.50 415	7.02 418	3.83 417	7.14 420

DGTPSM_ROB	8.06 416	4.48 416	8.63 420	5.35 417	10.72 420	8.32 415	22.97 421	5.46 414	13.35 420	5.12 414	9.92 417	5.08 414	10.40 419	5.52 415	12.58 419	3.79 417	8.00 419	3.50 415	7.02 418	3.83 417	7.14 420

CasAABBNet	22.42 427	17.33 427	16.01 422	22.01 429	23.28 430	38.32 428	53.80 432	24.14 427	28.41 428	20.60 426	21.77 426	20.89 430	23.91 430	23.43 426	27.36 428	14.07 424	17.69 427	11.83 428	14.01 425	14.67 426	14.95 428

Selective-RAFT-Error	22.47 431	17.37 431	16.09 423	22.06 430	23.34 431	38.39 432	53.83 433	24.29 432	28.47 432	20.74 427	21.83 427	20.81 429	23.90 429	23.54 431	27.53 433	14.08 425	17.69 427	11.82 424	14.00 424	14.69 427	15.00 429

MyStereo03	22.45 428	17.33 427	16.21 424	21.95 426	23.27 427	38.32 428	53.79 429	24.21 428	28.46 429	20.87 429	21.85 428	20.80 426	23.87 426	23.46 427	27.40 430	14.08 425	17.71 429	11.82 424	14.03 426	14.65 423	14.89 424

MyStereo02	22.45 428	17.33 427	16.21 424	21.95 426	23.27 427	38.32 428	53.79 429	24.21 428	28.46 429	20.87 429	21.85 428	20.80 426	23.87 426	23.46 427	27.40 430	14.08 425	17.71 429	11.82 424	14.03 426	14.65 423	14.89 424

MyStereo	22.45 428	17.33 427	16.21 424	21.95 426	23.27 427	38.32 428	53.79 429	24.21 428	28.46 429	20.87 429	21.85 428	20.80 426	23.87 426	23.46 427	27.40 430	14.08 425	17.71 429	11.82 424	14.03 426	14.65 423	14.89 424

LSM0	22.87 432	17.28 426	18.96 427	22.19 431	29.04 433	38.42 433	53.71 428	24.28 431	28.31 427	20.78 428	21.00 425	21.43 431	24.16 431	23.50 430	27.39 429	14.09 429	17.38 426	11.84 429	14.04 429	14.73 428	14.89 424

HaxPig	15.71 425	18.52 432	19.18 428	16.89 423	15.89 425	7.73 414	7.60 414	13.31 424	10.82 419	15.42 423	14.91 422	15.98 424	14.92 424	15.58 424	15.98 425	18.95 430	16.73 425	19.46 430	18.08 430	19.26 430	19.05 431

DLNR_Zeroshot_test	10.40 419	1.82 414	19.49 429	120.77 434	13.11 424	0.06 2	0.13 43	0.23 171	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 329	0.04 2	0.06 31	0.04 8	51.54 433	0.04 7

MEDIAN_ROB	20.38 426	24.04 433	23.31 430	21.23 425	21.71 426	10.40 418	7.92 415	17.64 425	15.50 425	20.12 425	19.70 424	20.34 425	20.32 425	21.19 425	21.13 426	23.81 432	21.81 432	24.98 431	23.76 431	24.71 431	23.93 432

AVERAGE_ROB	24.90 433	29.20 434	28.14 431	24.89 432	24.64 432	17.75 423	11.12 416	21.45 426	19.93 426	25.12 433	24.46 432	25.12 433	25.46 433	24.69 433	22.83 427	29.76 433	27.13 433	28.97 433	27.95 433	29.91 432	29.47 433

test_example2	98.32 434	94.13 435	45.89 432	96.35 433	109.85 434	88.61 434	95.45 434	25.75 433	94.37 434	130.00 434	126.06 434	58.17 434	74.63 434	88.51 434	79.96 434	150.23 434	221.02 434	77.62 434	99.10 434	113.75 434	96.94 434

coex-ft	3.30 410	0.34 375	59.09 433	0.18 180	0.13 298	0.26 321	0.22 300	0.27 231	0.72 382	1.90 411	0.70 379	0.44 356	0.45 373	0.29 331	0.41 376	0.09 233	0.09 289	0.12 307	0.09 248	0.14 329	0.13 314

EDNetEfficientorigin	7.91 415	0.31 373	153.02 434	0.19 225	0.09 130	0.21 277	0.16 169	0.22 154	0.59 367	0.72 384	0.67 375	0.42 351	0.50 377	0.24 304	0.39 371	0.08 188	0.07 244	0.08 161	0.07 159	0.12 300	0.10 267

ASD4		3.38 415

Low-res two-view benchmark