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

s12784h	0.09 11	0.06 19	0.07 2	0.15 38	0.05 1	0.16 198	0.18 230	0.15 26	0.15 69	0.10 40	0.11 52	0.11 73	0.11 108	0.10 18	0.12 127	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

CASnet	0.09 11	0.09 189	0.09 28	0.19 226	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	0.10 266	0.08 210	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 114	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

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 114	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 68	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

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.18 96	0.19 127	0.13 103	0.16 101	0.09 37	0.14 192	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 68	0.06 2	0.09 35	0.17 190	0.15 26	0.19 127	0.13 103	0.17 119	0.10 57	0.12 137	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

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	0.13 103	0.11 52	0.09 37	0.08 49	0.13 132	0.10 49	0.08 189	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

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

DCANet	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.15 26	0.19 127	0.13 103	0.17 119	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 114	0.06 2	0.10 56	0.16 170	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 86	0.04 1	0.03 1

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

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	0.08 189	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
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	0.15 344	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

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	0.13 103	0.16 101	0.14 126	0.11 108	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
MLCV	0.12 134	0.07 69	0.16 220	0.18 181	0.06 2	0.15 175	0.17 190	0.19 115	0.21 161	0.18 210	0.25 224	0.17 180	0.13 169	0.14 147	0.13 156	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

1111x	0.15 218	0.08 140	0.12 90	0.18 181	0.07 18	0.18 232	0.25 334	0.31 276	0.24 191	0.17 184	0.24 195	0.26 268	0.15 205	0.13 132	0.23 299	0.07 141	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

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

MIM_Stereo	0.09 11	0.07 69	0.11 70	0.15 38	0.07 18	0.06 2	0.12 21	0.20 122	0.14 58	0.13 103	0.13 70	0.09 37	0.05 2	0.12 100	0.08 11	0.05 2	0.06 188	0.07 98	0.06 86	0.06 101	0.05 51

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 139	0.15 69	0.11 58	0.12 60	0.12 88	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

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 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	0.18 181	0.07 18	0.09 35	0.15 115	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	0.08 162	0.07 160	0.06 101	0.05 51

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

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 88	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

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

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	0.13 111	0.09 66	0.13 132	0.11 85	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

fff	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

GLC_STEREO	0.11 79	0.07 69	0.11 70	0.17 114	0.07 18	0.09 35	0.13 43	0.15 26	0.24 191	0.12 82	0.13 70	0.12 88	0.08 49	0.18 229	0.11 85	0.06 54	0.08 267	0.08 162	0.06 86	0.05 40	0.05 51

test-3	0.08 2	0.06 19	0.09 28	0.17 114	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	0.17 114	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

STrans-v2	0.10 50	0.07 69	0.12 90	0.18 181	0.07 18	0.10 56	0.14 69	0.21 139	0.11 17	0.11 58	0.15 93	0.12 88	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.04 7

TransformOpticalFlow	0.10 50	0.08 140	0.13 127	0.18 181	0.07 18	0.09 35	0.15 115	0.19 115	0.15 69	0.12 82	0.17 119	0.11 73	0.11 108	0.11 45	0.10 49	0.05 2	0.04 2	0.06 31	0.06 86	0.05 40	0.05 51

cross-raft	0.10 50	0.09 189	0.09 28	0.19 226	0.07 18	0.11 82	0.25 334	0.13 9	0.15 69	0.08 5	0.11 52	0.12 88	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

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
raft+_RVC	0.11 79	0.07 69	0.09 28	0.16 68	0.07 18	0.10 56	0.11 11	0.24 189	0.20 148	0.12 82	0.15 93	0.12 88	0.08 49	0.12 100	0.13 156	0.07 141	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 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

csc	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.09 35	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	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	0.17 190	0.16 42	0.20 148	0.13 103	0.16 101	0.10 57	0.11 108	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	0.21 139	0.23 181	0.11 58	0.12 60	0.14 126	0.11 108	0.13 132	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 114	0.07 18	0.10 56	0.16 170	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	0.07 160	0.04 1	0.03 1

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 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

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 37	0.12 88	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

BEATNet_4x	0.12 134	0.08 140	0.14 153	0.18 181	0.07 18	0.15 175	0.07 1	0.22 155	0.18 116	0.16 172	0.19 147	0.18 191	0.14 192	0.16 196	0.15 207	0.07 141	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

iResNet_ROB	0.14 185	0.07 69	0.13 127	0.14 13	0.07 18	0.18 232	0.14 69	0.26 214	0.31 261	0.22 261	0.25 224	0.23 244	0.15 205	0.15 165	0.13 156	0.07 141	0.05 106	0.05 2	0.04 8	0.08 197	0.08 216

pmcnn	0.15 218	0.07 69	0.19 271	0.15 38	0.07 18	0.20 264	0.15 115	0.24 189	0.26 223	0.21 248	0.34 299	0.28 282	0.18 253	0.18 229	0.17 232	0.07 141	0.05 106	0.05 2	0.04 8	0.07 155	0.06 98

SMFormer	0.14 185	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.17 232	0.08 189	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

tta	0.14 185	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.17 232	0.08 189	0.05 106	0.07 98	0.06 86	0.06 101	0.06 98

qqq1	0.13 156	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.11 85	0.08 189	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

fff1	0.13 156	0.07 69	0.17 245	0.14 13	0.08 47	0.16 198	0.17 190	0.26 214	0.27 230	0.19 223	0.20 158	0.18 191	0.15 205	0.15 165	0.11 85	0.08 189	0.05 106	0.05 2	0.05 31	0.06 101	0.06 98

CoDeX	0.12 134	0.07 69	0.12 90	0.17 114	0.08 47	0.12 104	0.15 115	0.23 172	0.27 230	0.13 103	0.17 119	0.16 161	0.11 108	0.14 147	0.11 85	0.07 141	0.05 106	0.07 98	0.06 86	0.06 101	0.05 51

11t1	0.12 134	0.06 19	0.13 127	0.14 13	0.08 47	0.17 217	0.15 115	0.18 96	0.15 69	0.15 147	0.15 93	0.16 161	0.16 225	0.15 165	0.13 156	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

DualNet	0.13 156	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.10 18	0.20 261	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

ffm	0.12 134	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.10 18	0.07 1	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

ff1	0.13 156	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.15 26	0.19 127	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.06 54	0.04 2	0.09 225	0.08 210	0.06 101	0.06 98

mmx	0.14 185	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.27 232	0.25 210	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.08 189	0.06 188	0.09 225	0.08 210	0.08 197	0.08 216

ttt	0.14 185	0.08 140	0.14 153	0.15 38	0.08 47	0.15 175	0.18 230	0.27 232	0.29 248	0.16 172	0.24 195	0.17 180	0.13 169	0.13 132	0.14 184	0.11 286	0.08 267	0.09 225	0.08 210	0.09 245	0.08 216

xxx	0.14 185	0.09 189	0.14 153	0.16 68	0.08 47	0.17 217	0.17 190	0.27 232	0.25 210	0.15 147	0.25 224	0.19 199	0.13 169	0.14 147	0.20 261	0.08 189	0.06 188	0.09 225	0.08 210	0.08 197	0.08 216

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

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 181	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

HH	0.09 11	0.06 19	0.13 127	0.17 114	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

HanStereo	0.09 11	0.06 19	0.13 127	0.17 114	0.08 47	0.10 56	0.16 170	0.14 15	0.10 7	0.08 5	0.09 23	0.08 25	0.07 31	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

LL-Strereo2	0.10 50	0.10 236	0.15 190	0.18 181	0.08 47	0.15 175	0.09 3	0.17 72	0.14 58	0.14 123	0.10 37	0.09 37	0.07 31	0.16 196	0.10 49	0.05 2	0.05 106	0.10 266	0.07 160	0.06 101	0.05 51

CAS	0.08 2	0.04 1	0.07 2	0.17 114	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	0.08 189	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

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	0.16 161	0.11 108	0.14 147	0.12 127	0.09 234	0.05 106	0.07 98	0.05 31	0.08 197	0.08 216

Selective-RAFT	0.11 79	0.10 236	0.11 70	0.21 291	0.08 47	0.16 198	0.13 43	0.20 122	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

ProNet	0.09 11	0.07 69	0.10 44	0.17 114	0.08 47	0.10 56	0.15 115	0.15 26	0.12 25	0.09 15	0.06 2	0.07 17	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.06 98

TestStereo1	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 360	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

qqq	0.13 156	0.09 189	0.15 190	0.16 68	0.08 47	0.13 129	0.15 115	0.23 172	0.16 87	0.15 147	0.19 147	0.16 161	0.16 225	0.15 165	0.16 221	0.07 141	0.06 188	0.08 162	0.08 210	0.07 155	0.07 156

x	0.13 156	0.07 69	0.14 153	0.14 13	0.08 47	0.18 232	0.14 69	0.22 155	0.20 148	0.15 147	0.19 147	0.19 199	0.17 244	0.18 229	0.18 246	0.07 141	0.05 106	0.06 31	0.06 86	0.07 155	0.07 156

raft_robust	0.13 156	0.10 236	0.07 2	0.18 181	0.08 47	0.13 129	0.24 320	0.28 246	0.33 273	0.20 240	0.19 147	0.14 126	0.10 87	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.07 160	0.05 40	0.04 7

RAFT_CTSACE	0.12 134	0.09 189	0.10 44	0.22 304	0.08 47	0.12 104	0.24 320	0.18 96	0.16 87	0.20 240	0.27 246	0.13 111	0.07 31	0.13 132	0.09 19	0.05 2	0.06 188	0.08 162	0.07 160	0.04 1	0.04 7

SA-5K	0.13 156	0.08 140	0.08 11	0.19 226	0.08 47	0.18 232	0.29 360	0.23 172	0.16 87	0.17 184	0.20 158	0.16 161	0.10 87	0.12 100	0.13 156	0.06 54	0.06 188	0.08 162	0.06 86	0.05 40	0.05 51

Sa-1000	0.12 134	0.08 140	0.08 11	0.18 181	0.08 47	0.14 153	0.22 301	0.22 155	0.18 116	0.15 147	0.20 158	0.17 180	0.11 108	0.10 18	0.10 49	0.06 54	0.05 106	0.09 225	0.09 249	0.05 40	0.05 51

SA	0.12 134	0.09 189	0.08 11	0.18 181	0.08 47	0.12 104	0.24 320	0.23 172	0.18 116	0.17 184	0.27 246	0.14 126	0.11 108	0.11 45	0.11 85	0.05 2	0.05 106	0.09 225	0.08 210	0.05 40	0.04 7

iRaft-Stereo_5w	0.12 134	0.09 189	0.12 90	0.19 226	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.19 223	0.14 79	0.11 73	0.09 66	0.20 259	0.16 221	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

CIPLG	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.11 52	0.16 161	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

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 127	0.14 13	0.08 47	0.12 104	0.15 115	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

IPLG	0.10 50	0.07 69	0.15 190	0.17 114	0.08 47	0.11 82	0.14 69	0.20 122	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

IPLGR_C	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.10 37	0.16 161	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	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.12 104	0.17 190	0.21 139	0.24 191	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 86	0.04 1	0.04 7

GMOStereo	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

error version	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

test-v	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

ACRE	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 123	0.10 37	0.16 161	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

test_3	0.10 50	0.09 189	0.10 44	0.20 267	0.08 47	0.13 129	0.26 340	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	0.08 162	0.07 160	0.04 1	0.04 7

CrosDoStereo	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 172	0.19 223	0.24 195	0.15 150	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

Patchmatch Stereo++	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	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
OMP-Stereo	0.11 79	0.06 19	0.14 153	0.18 181	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.13 103	0.14 79	0.11 73	0.12 137	0.11 45	0.13 156	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

IIG-Stereo	0.11 79	0.06 19	0.13 127	0.17 114	0.08 47	0.11 82	0.12 21	0.22 155	0.17 99	0.14 123	0.17 119	0.11 73	0.12 137	0.12 100	0.12 127	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

NRIStereo	0.11 79	0.08 140	0.14 153	0.18 181	0.08 47	0.10 56	0.14 69	0.16 42	0.15 69	0.12 82	0.14 79	0.13 111	0.12 137	0.13 132	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.07 156

PSM-adaLoss	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

ROB_FTStereo_v2	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

ROB_FTStereo	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

HUI-Stereo	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

DeepStereo_LL	0.12 134	0.06 19	0.12 90	0.14 13	0.08 47	0.12 104	0.15 115	0.17 72	0.22 172	0.19 223	0.24 195	0.15 150	0.11 108	0.11 45	0.12 127	0.06 54	0.04 2	0.07 98	0.07 160	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	0.16 170	0.17 72	0.25 210	0.16 172	0.24 195	0.14 126	0.12 137	0.12 100	0.14 184	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

PFNet	0.12 134	0.06 19	0.17 245	0.17 114	0.08 47	0.09 35	0.15 115	0.26 214	0.20 148	0.16 172	0.16 101	0.14 126	0.11 108	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

DeepStereo_RVC	0.11 79	0.08 140	0.16 220	0.18 181	0.08 47	0.08 23	0.12 21	0.17 72	0.12 25	0.13 103	0.14 79	0.12 88	0.12 137	0.12 100	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.07 155	0.08 216

iGMRVC	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

IRAFT_RVC	0.12 134	0.08 140	0.16 220	0.19 226	0.08 47	0.07 16	0.15 115	0.24 189	0.23 181	0.14 123	0.14 79	0.15 150	0.12 137	0.12 100	0.10 49	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.06 98

RAFT-345	0.11 79	0.07 69	0.15 190	0.16 68	0.08 47	0.08 23	0.12 21	0.15 26	0.10 7	0.11 58	0.36 306	0.09 37	0.09 66	0.11 45	0.12 127	0.05 2	0.05 106	0.07 98	0.06 86	0.04 1	0.05 51

iRAFT	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

CRE-IMP	0.11 79	0.09 189	0.16 220	0.19 226	0.08 47	0.10 56	0.12 21	0.18 96	0.10 7	0.14 123	0.13 70	0.13 111	0.12 137	0.12 100	0.11 85	0.07 141	0.04 2	0.08 162	0.06 86	0.08 197	0.08 216

test-2	0.11 79	0.09 189	0.07 2	0.19 226	0.08 47	0.12 104	0.28 352	0.13 9	0.17 99	0.11 58	0.17 119	0.14 126	0.12 137	0.07 1	0.07 1	0.05 2	0.05 106	0.09 225	0.07 160	0.04 1	0.04 7

RAFT	0.13 156	0.09 189	0.11 70	0.18 181	0.08 47	0.15 175	0.24 320	0.20 122	0.19 127	0.21 248	0.21 172	0.17 180	0.12 137	0.16 196	0.09 19	0.06 54	0.07 245	0.10 266	0.09 249	0.05 40	0.05 51

test-1	0.10 50	0.07 69	0.16 220	0.19 226	0.08 47	0.11 82	0.24 320	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	0.09 189	0.16 220	0.19 226	0.08 47	0.06 2	0.12 21	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156

Prome-Stereo	0.11 79	0.06 19	0.10 44	0.18 181	0.08 47	0.12 104	0.15 115	0.22 155	0.13 41	0.12 82	0.17 119	0.13 111	0.08 49	0.12 100	0.10 49	0.05 2	0.04 2	0.07 98	0.06 86	0.06 101	0.09 249

rafts_anoy	0.11 79	0.06 19	0.10 44	0.17 114	0.08 47	0.10 56	0.14 69	0.17 72	0.14 58	0.13 103	0.13 70	0.12 88	0.10 87	0.11 45	0.12 127	0.07 141	0.04 2	0.09 225	0.11 304	0.07 155	0.06 98

TestStereo	0.13 156	0.14 303	0.11 70	0.23 323	0.08 47	0.15 175	0.21 292	0.20 122	0.23 181	0.14 123	0.24 195	0.16 161	0.12 137	0.16 196	0.14 184	0.05 2	0.06 188	0.08 162	0.06 86	0.09 245	0.05 51

raftrobust	0.09 11	0.06 19	0.10 44	0.17 114	0.08 47	0.09 35	0.10 6	0.18 96	0.16 87	0.10 40	0.09 23	0.12 88	0.07 31	0.12 100	0.10 49	0.08 189	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

RALCasStereoNet	0.10 50	0.06 19	0.09 28	0.16 68	0.08 47	0.12 104	0.14 69	0.17 72	0.11 17	0.12 82	0.17 119	0.14 126	0.10 87	0.12 100	0.11 85	0.07 141	0.06 188	0.06 31	0.05 31	0.08 197	0.07 156

222	0.16 236	0.07 69	0.14 153	0.14 13	0.08 47	0.24 304	0.18 230	0.30 270	0.20 148	0.17 184	0.28 255	0.17 180	0.16 225	0.15 165	0.40 375	0.10 265	0.05 106	0.07 98	0.06 86	0.07 155	0.08 216

xxxx	0.15 218	0.07 69	0.14 153	0.14 13	0.08 47	0.23 299	0.18 230	0.31 276	0.19 127	0.14 123	0.28 255	0.22 232	0.14 192	0.15 165	0.26 328	0.09 234	0.05 106	0.07 98	0.07 160	0.08 197	0.07 156

test_xeample	0.15 218	0.06 19	0.13 127	0.14 13	0.08 47	0.21 278	0.20 276	0.28 246	0.20 148	0.16 172	0.29 266	0.19 199	0.16 225	0.15 165	0.26 328	0.09 234	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

FENet	0.13 156	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 155	0.23 181	0.17 184	0.23 187	0.16 161	0.12 137	0.14 147	0.15 207	0.08 189	0.05 106	0.08 162	0.08 210	0.07 155	0.07 156

cf-r	0.13 156	0.07 69	0.12 90	0.16 68	0.08 47	0.14 153	0.19 261	0.20 122	0.25 210	0.17 184	0.25 224	0.21 215	0.16 225	0.14 147	0.14 184	0.10 265	0.05 106	0.06 31	0.08 210	0.06 101	0.06 98

GANet-RSSM	0.14 185	0.07 69	0.13 127	0.13 6	0.08 47	0.14 153	0.17 190	0.22 155	0.21 161	0.17 184	0.24 195	0.23 244	0.15 205	0.16 196	0.15 207	0.10 265	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

PSMNet-RSSM	0.14 185	0.07 69	0.13 127	0.15 38	0.08 47	0.13 129	0.16 170	0.24 189	0.24 191	0.16 172	0.28 255	0.22 232	0.14 192	0.15 165	0.13 156	0.11 286	0.06 188	0.09 225	0.12 322	0.08 197	0.07 156

GwcNet-RSSM	0.14 185	0.07 69	0.12 90	0.15 38	0.08 47	0.15 175	0.20 276	0.21 139	0.27 230	0.18 210	0.27 246	0.22 232	0.16 225	0.14 147	0.15 207	0.10 265	0.05 106	0.07 98	0.09 249	0.07 155	0.07 156

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	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	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	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
RASNet	0.14 185	0.07 69	0.14 153	0.16 68	0.08 47	0.18 232	0.14 69	0.29 256	0.20 148	0.17 184	0.25 224	0.21 215	0.18 253	0.20 259	0.19 255	0.07 141	0.06 188	0.06 31	0.08 210	0.06 101	0.06 98

HSM-Net_RVC	0.14 185	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 232	0.29 248	0.19 223	0.21 172	0.29 289	0.14 192	0.17 218	0.13 156	0.06 54	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 218	0.10 236	0.17 245	0.17 114	0.08 47	0.18 232	0.09 3	0.28 246	0.25 210	0.19 223	0.24 195	0.24 250	0.17 244	0.17 218	0.14 184	0.08 189	0.06 188	0.09 225	0.10 281	0.07 155	0.06 98

iResNetv2_ROB	0.14 185	0.08 140	0.15 190	0.16 68	0.08 47	0.16 198	0.12 21	0.25 202	0.35 291	0.21 248	0.29 266	0.24 250	0.13 169	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 245	0.08 216

iResNet	0.13 156	0.10 236	0.18 262	0.19 226	0.08 47	0.13 129	0.18 230	0.20 122	0.26 223	0.15 147	0.23 187	0.15 150	0.13 169	0.14 147	0.14 184	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

LE_ROB	0.50 382	0.07 69	0.14 153	0.15 38	0.08 47	0.24 304	0.16 170	0.22 155	1.81 413	4.63 417	0.67 378	0.47 368	0.44 374	0.20 259	0.29 346	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

MyStereo8	0.12 134	0.07 69	0.15 190	0.15 38	0.09 130	0.18 232	0.14 69	0.19 115	0.22 172	0.12 82	0.18 141	0.11 73	0.10 87	0.16 196	0.18 246	0.07 141	0.05 106	0.07 98	0.05 31	0.08 197	0.09 249

MyStereo07	0.10 50	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	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	0.08 162	0.07 160	0.06 101	0.06 98

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 114	0.09 130	0.13 129	0.18 230	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	0.07 160	0.06 101	0.06 98

MyStereo05	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.13 129	0.18 230	0.27 232	0.35 291	0.17 184	0.14 79	0.15 150	0.11 108	0.15 165	0.13 156	0.06 54	0.05 106	0.07 98	0.07 160	0.06 101	0.06 98

MyStereo04	0.13 156	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.29 256	0.38 307	0.17 184	0.14 79	0.16 161	0.10 87	0.15 165	0.13 156	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

AE-Stereo	0.10 50	0.08 140	0.10 44	0.18 181	0.09 130	0.10 56	0.15 115	0.14 15	0.19 127	0.09 15	0.14 79	0.12 88	0.08 49	0.11 45	0.10 49	0.05 2	0.06 188	0.07 98	0.06 86	0.05 40	0.04 7

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	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	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 161	0.16 225	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 210	0.07 155	0.07 156

1test111	0.11 79	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	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	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

mmm	0.14 185	0.08 140	0.17 245	0.17 114	0.09 130	0.17 217	0.18 230	0.21 139	0.15 69	0.15 147	0.23 187	0.21 215	0.16 225	0.16 196	0.17 232	0.08 189	0.05 106	0.08 162	0.07 160	0.07 155	0.07 156

ff7	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

ffff	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

11t	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

tt1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.12 104	0.16 170	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

test croco	0.10 50	0.08 140	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.14 15	0.13 41	0.13 103	0.15 93	0.09 37	0.12 137	0.13 132	0.12 127	0.07 141	0.05 106	0.09 225	0.06 86	0.06 101	0.06 98

StereoIM	0.09 11	0.09 189	0.08 11	0.17 114	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	0.06 188	0.07 98	0.05 31	0.05 40	0.04 7

PCWNet_CMD	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 296	0.14 123	0.20 158	0.21 215	0.12 137	0.17 218	0.13 156	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

anonymousdsp2	0.11 79	0.07 69	0.10 44	0.16 68	0.09 130	0.13 129	0.14 69	0.18 96	0.22 172	0.13 103	0.14 79	0.12 88	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

anonymousdsp	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

CBFPSM	0.14 185	0.06 19	0.26 308	0.17 114	0.09 130	0.13 129	0.15 115	0.22 155	0.23 181	0.20 240	0.27 246	0.24 250	0.16 225	0.16 196	0.18 246	0.06 54	0.06 188	0.06 31	0.07 160	0.07 155	0.07 156

gwcnet-sp	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

scenet	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

CASS	0.13 156	0.12 270	0.11 70	0.23 323	0.09 130	0.15 175	0.17 190	0.18 96	0.19 127	0.17 184	0.18 141	0.15 150	0.15 205	0.14 147	0.14 184	0.09 234	0.06 188	0.10 266	0.08 210	0.09 245	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 156	0.07 69	0.13 127	0.18 181	0.09 130	0.13 129	0.17 190	0.19 115	0.29 248	0.15 147	0.24 195	0.15 150	0.14 192	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 249	0.05 40	0.06 98

ssnet	0.14 185	0.07 69	0.12 90	0.18 181	0.09 130	0.16 198	0.17 190	0.24 189	0.24 191	0.18 210	0.24 195	0.15 150	0.16 225	0.15 165	0.15 207	0.08 189	0.06 188	0.07 98	0.08 210	0.08 197	0.07 156

CroCo-Stereo Lap2	0.09 11	0.09 189	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	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	0.06 188	0.07 98	0.05 31	0.05 40	0.05 51

ccc-4	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

DisPM	0.11 79	0.07 69	0.12 90	0.16 68	0.09 130	0.06 2	0.13 43	0.17 72	0.17 99	0.14 123	0.20 158	0.12 88	0.10 87	0.11 45	0.10 49	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.11 291

IER	0.14 185	0.07 69	0.13 127	0.17 114	0.09 130	0.14 153	0.16 170	0.25 202	0.26 223	0.18 210	0.25 224	0.17 180	0.20 276	0.16 196	0.14 184	0.08 189	0.05 106	0.07 98	0.06 86	0.08 197	0.07 156

CRFU-Net	0.16 236	0.08 140	0.14 153	0.17 114	0.09 130	0.19 252	0.14 69	0.26 214	0.20 148	0.28 316	0.27 246	0.29 289	0.17 244	0.19 240	0.17 232	0.09 234	0.09 290	0.07 98	0.07 160	0.08 197	0.08 216

RAFT+CT+SA	0.13 156	0.11 256	0.09 28	0.19 226	0.09 130	0.15 175	0.28 352	0.22 155	0.22 172	0.15 147	0.26 239	0.10 57	0.10 87	0.11 45	0.12 127	0.05 2	0.04 2	0.07 98	0.08 210	0.07 155	0.06 98

test_4	0.10 50	0.10 236	0.08 11	0.19 226	0.09 130	0.08 23	0.22 301	0.15 26	0.17 99	0.12 82	0.18 141	0.12 88	0.09 66	0.08 6	0.11 85	0.04 1	0.04 2	0.08 162	0.08 210	0.04 1	0.03 1

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CSP-Net	0.16 236	0.09 189	0.14 153	0.16 68	0.09 130	0.19 252	0.17 190	0.25 202	0.32 267	0.25 294	0.30 270	0.24 250	0.15 205	0.21 275	0.18 246	0.09 234	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

dd	0.15 218	0.16 316	0.16 220	0.19 226	0.09 130	0.15 175	0.18 230	0.21 139	0.25 210	0.23 273	0.20 158	0.21 215	0.09 66	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.06 86	0.08 197	0.06 98

MIPNet	0.11 79	0.08 140	0.14 153	0.17 114	0.09 130	0.12 104	0.14 69	0.20 122	0.24 191	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

AASNet	0.16 236	0.08 140	0.12 90	0.19 226	0.09 130	0.18 232	0.15 115	0.37 336	0.37 302	0.19 223	0.23 187	0.20 209	0.16 225	0.17 218	0.20 261	0.10 265	0.08 267	0.08 162	0.07 160	0.09 245	0.09 249

GwcNet-ADL	0.13 156	0.08 140	0.14 153	0.20 267	0.09 130	0.11 82	0.20 276	0.30 270	0.24 191	0.13 103	0.14 79	0.18 191	0.14 192	0.13 132	0.14 184	0.07 141	0.05 106	0.06 31	0.05 31	0.07 155	0.06 98

PSMNet-ADL	0.15 218	0.12 270	0.13 127	0.22 304	0.09 130	0.13 129	0.20 276	0.26 214	0.23 181	0.18 210	0.20 158	0.24 250	0.16 225	0.18 229	0.17 232	0.08 189	0.08 267	0.08 162	0.11 304	0.08 197	0.07 156

ADLNet2	0.16 236	0.09 189	0.13 127	0.16 68	0.09 130	0.20 264	0.16 170	0.31 276	0.39 310	0.16 172	0.20 158	0.20 209	0.18 253	0.21 275	0.22 289	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.07 156

PFNet+	0.11 79	0.06 19	0.13 127	0.16 68	0.09 130	0.05 1	0.12 21	0.17 72	0.21 161	0.16 172	0.19 147	0.14 126	0.10 87	0.11 45	0.11 85	0.08 189	0.05 106	0.09 225	0.08 210	0.06 101	0.11 291

LCNet	0.11 79	0.07 69	0.09 28	0.19 226	0.09 130	0.08 23	0.15 115	0.21 139	0.15 69	0.11 58	0.15 93	0.16 161	0.11 108	0.12 100	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.15 341

AAGNet	0.11 79	0.07 69	0.16 220	0.19 226	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 172	0.21 172	0.13 111	0.14 192	0.11 45	0.14 184	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

NF-Stereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

OCTAStereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

PSM-softLoss	0.12 134	0.07 69	0.15 190	0.17 114	0.09 130	0.08 23	0.13 43	0.24 189	0.17 99	0.14 123	0.19 147	0.13 111	0.11 108	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 160	0.06 101	0.12 302

KMStereo	0.12 134	0.07 69	0.15 190	0.17 114	0.09 130	0.08 23	0.13 43	0.24 189	0.17 99	0.14 123	0.19 147	0.13 111	0.11 108	0.11 45	0.11 85	0.07 141	0.05 106	0.08 162	0.07 160	0.06 101	0.12 302

PSM-AAD	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.10 56	0.15 115	0.20 122	0.13 41	0.12 82	0.14 79	0.18 191	0.11 108	0.11 45	0.10 49	0.05 2	0.05 106	0.09 225	0.08 210	0.06 101	0.14 333

FTStereo	0.12 134	0.06 19	0.14 153	0.18 181	0.09 130	0.07 16	0.15 115	0.21 139	0.18 116	0.12 82	0.24 195	0.12 88	0.12 137	0.13 132	0.13 156	0.05 2	0.05 106	0.07 98	0.06 86	0.06 101	0.10 268

KYRaft	0.11 79	0.07 69	0.10 44	0.19 226	0.09 130	0.08 23	0.15 115	0.22 155	0.12 25	0.13 103	0.16 101	0.20 209	0.10 87	0.12 100	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.06 101	0.16 352

SST-Stereo	0.10 50	0.07 69	0.15 190	0.18 181	0.09 130	0.06 2	0.12 21	0.17 72	0.11 17	0.15 147	0.17 119	0.13 111	0.12 137	0.10 18	0.11 85	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

RAFT_R40	0.11 79	0.07 69	0.14 153	0.18 181	0.09 130	0.06 2	0.13 43	0.17 72	0.16 87	0.14 123	0.18 141	0.15 150	0.12 137	0.10 18	0.11 85	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

DRaft	0.12 134	0.06 19	0.11 70	0.14 13	0.09 130	0.14 153	0.17 190	0.21 139	0.30 255	0.17 184	0.28 255	0.10 57	0.15 205	0.10 18	0.12 127	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

GrayStereo	0.11 79	0.06 19	0.11 70	0.19 226	0.09 130	0.09 35	0.16 170	0.18 96	0.17 99	0.14 123	0.17 119	0.17 180	0.11 108	0.12 100	0.11 85	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.10 268

RE-Stereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

Pruner-Stereo	0.11 79	0.07 69	0.12 90	0.17 114	0.09 130	0.06 2	0.12 21	0.17 72	0.17 99	0.13 103	0.19 147	0.13 111	0.09 66	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.08 216

TVStereo	0.11 79	0.07 69	0.13 127	0.17 114	0.09 130	0.10 56	0.14 69	0.23 172	0.19 127	0.12 82	0.17 119	0.12 88	0.11 108	0.11 45	0.11 85	0.06 54	0.04 2	0.07 98	0.06 86	0.06 101	0.12 302

RAFT-RH_RVC	0.11 79	0.06 19	0.14 153	0.16 68	0.09 130	0.12 104	0.12 21	0.17 72	0.12 25	0.13 103	0.41 340	0.11 73	0.10 87	0.13 132	0.12 127	0.05 2	0.04 2	0.08 162	0.05 31	0.04 1	0.06 98

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	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
GMM-Stereo	0.11 79	0.07 69	0.10 44	0.18 181	0.09 130	0.08 23	0.15 115	0.23 172	0.16 87	0.11 58	0.15 93	0.13 111	0.11 108	0.11 45	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.06 101	0.09 249

LMCR-Stereo	0.15 218	0.08 140	0.13 127	0.21 291	0.09 130	0.17 217	0.20 276	0.27 232	0.19 127	0.24 281	0.24 195	0.23 244	0.17 244	0.20 259	0.17 232	0.07 141	0.06 188	0.08 162	0.06 86	0.10 272	0.08 216

ICVP	0.15 218	0.09 189	0.12 90	0.22 304	0.09 130	0.17 217	0.21 292	0.25 202	0.23 181	0.18 210	0.30 270	0.26 268	0.18 253	0.17 218	0.14 184	0.09 234	0.07 245	0.08 162	0.07 160	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)
iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 114	0.09 130	0.11 82	0.17 190	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	0.08 162	0.08 210	0.04 1	0.04 7

CFNet_pseudo	0.14 185	0.08 140	0.15 190	0.16 68	0.09 130	0.13 129	0.14 69	0.27 232	0.34 284	0.14 123	0.21 172	0.22 232	0.13 169	0.18 229	0.14 184	0.07 141	0.05 106	0.08 162	0.06 86	0.07 155	0.07 156

RALAANet	0.11 79	0.08 140	0.10 44	0.17 114	0.09 130	0.14 153	0.10 6	0.20 122	0.15 69	0.14 123	0.13 70	0.16 161	0.09 66	0.12 100	0.11 85	0.06 54	0.05 106	0.07 98	0.06 86	0.05 40	0.04 7

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 114	0.09 130	0.15 175	0.12 21	0.20 122	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 86	0.04 1	0.04 7

test_xeample3	0.09 11	0.06 19	0.12 90	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.13 41	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98

ARAFT	0.12 134	0.08 140	0.17 245	0.19 226	0.09 130	0.14 153	0.18 230	0.20 122	0.12 25	0.12 82	0.13 70	0.14 126	0.11 108	0.15 165	0.12 127	0.06 54	0.05 106	0.10 266	0.09 249	0.05 40	0.04 7

GMStereo	0.13 156	0.14 303	0.14 153	0.18 181	0.09 130	0.15 175	0.16 170	0.20 122	0.24 191	0.16 172	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 156	0.07 69	0.14 153	0.17 114	0.09 130	0.15 175	0.16 170	0.28 246	0.27 230	0.14 123	0.17 119	0.12 88	0.13 169	0.14 147	0.11 85	0.08 189	0.05 106	0.07 98	0.07 160	0.07 155	0.06 98

EDNetEfficientorigin	7.91 419	0.31 375	153.02 438	0.19 226	0.09 130	0.21 278	0.16 170	0.22 155	0.59 369	0.72 387	0.67 378	0.42 353	0.50 379	0.24 305	0.39 373	0.08 189	0.07 245	0.08 162	0.07 160	0.12 301	0.10 268

hitnet-ft	0.18 267	0.09 189	0.17 245	0.14 13	0.09 130	0.26 322	0.20 276	0.25 202	0.26 223	0.24 281	0.32 282	0.31 307	0.22 289	0.24 305	0.21 280	0.12 310	0.07 245	0.10 266	0.08 210	0.12 301	0.11 291

CFNet-ft	0.14 185	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 230	0.22 155	0.24 191	0.17 184	0.26 239	0.24 250	0.14 192	0.16 196	0.14 184	0.11 286	0.06 188	0.08 162	0.09 249	0.09 245	0.08 216

DMCA	0.14 185	0.09 189	0.16 220	0.19 226	0.09 130	0.15 175	0.17 190	0.23 172	0.27 230	0.14 123	0.19 147	0.17 180	0.18 253	0.15 165	0.17 232	0.10 265	0.06 188	0.08 162	0.06 86	0.09 245	0.10 268

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 114	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 126	0.12 137	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
SuperB	0.20 286	0.10 236	0.56 371	0.16 68	0.09 130	0.18 232	0.18 230	0.24 189	0.50 351	0.26 299	0.39 325	0.17 180	0.21 280	0.22 286	0.21 280	0.08 189	0.06 188	0.06 31	0.06 86	0.12 301	0.10 268

MSMDNet	0.14 185	0.08 140	0.15 190	0.17 114	0.09 130	0.14 153	0.14 69	0.29 256	0.36 296	0.14 123	0.21 172	0.21 215	0.12 137	0.17 218	0.14 184	0.07 141	0.05 106	0.07 98	0.07 160	0.07 155	0.07 156

CFNet_RVC	0.14 185	0.07 69	0.15 190	0.12 3	0.09 130	0.16 198	0.18 230	0.22 155	0.24 191	0.17 184	0.26 239	0.24 250	0.14 192	0.16 196	0.14 184	0.11 286	0.06 188	0.08 162	0.09 249	0.09 245	0.08 216

ccs_rob	0.14 185	0.08 140	0.15 190	0.16 68	0.09 130	0.12 104	0.14 69	0.27 232	0.34 284	0.14 123	0.21 172	0.22 232	0.13 169	0.18 229	0.14 184	0.07 141	0.05 106	0.08 162	0.07 160	0.07 155	0.07 156

AANet_RVC	0.16 236	0.10 236	0.10 44	0.18 181	0.09 130	0.18 232	0.19 261	0.26 214	0.31 261	0.22 261	0.35 303	0.21 215	0.21 280	0.22 286	0.16 221	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

AdaStereo	0.15 218	0.11 256	0.15 190	0.18 181	0.09 130	0.20 264	0.11 11	0.32 285	0.28 241	0.20 240	0.23 187	0.20 209	0.13 169	0.19 240	0.14 184	0.12 310	0.05 106	0.10 266	0.07 160	0.09 245	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.
HSM	0.15 218	0.08 140	0.14 153	0.16 68	0.09 130	0.16 198	0.14 69	0.28 246	0.25 210	0.19 223	0.23 187	0.37 335	0.16 225	0.20 259	0.15 207	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

StereoDRNet-Refined	0.17 255	0.12 270	0.15 190	0.20 267	0.09 130	0.18 232	0.18 230	0.26 214	0.23 181	0.26 299	0.40 330	0.22 232	0.17 244	0.21 275	0.20 261	0.08 189	0.05 106	0.09 225	0.10 281	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
SGM_RVC	0.23 319	0.12 270	0.15 190	0.15 38	0.09 130	0.33 350	0.18 230	0.34 312	0.31 261	0.44 368	0.37 312	0.53 374	0.35 355	0.35 354	0.24 309	0.13 330	0.13 340	0.13 322	0.13 331	0.10 272	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 215	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

rrr	0.09 11	0.06 19	0.12 90	0.15 38	0.10 215	0.11 82	0.16 170	0.16 42	0.15 69	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

GMStereo_Zeroshot	0.16 236	0.13 291	0.24 301	0.20 267	0.10 215	0.17 217	0.13 43	0.29 256	0.25 210	0.23 273	0.32 282	0.25 260	0.11 108	0.19 240	0.14 184	0.09 234	0.06 188	0.11 293	0.06 86	0.12 301	0.08 216

StereoVision	0.13 156	0.12 270	0.09 28	0.24 328	0.10 215	0.15 175	0.21 292	0.21 139	0.20 148	0.12 82	0.24 195	0.10 57	0.10 87	0.16 196	0.10 49	0.09 234	0.11 318	0.12 308	0.12 322	0.06 101	0.05 51

MIF-Stereo (partial)	0.11 79	0.06 19	0.10 44	0.19 226	0.10 215	0.10 56	0.11 11	0.17 72	0.18 116	0.14 123	0.16 101	0.09 37	0.11 108	0.12 100	0.12 127	0.08 189	0.05 106	0.08 162	0.07 160	0.06 101	0.07 156

EKT-Stereo	0.11 79	0.07 69	0.14 153	0.15 38	0.10 215	0.13 129	0.14 69	0.18 96	0.21 161	0.11 58	0.08 17	0.12 88	0.09 66	0.11 45	0.12 127	0.08 189	0.06 188	0.07 98	0.06 86	0.08 197	0.07 156

LL-Strereo	0.13 156	0.09 189	0.11 70	0.20 267	0.10 215	0.11 82	0.18 230	0.32 285	0.24 191	0.15 147	0.15 93	0.14 126	0.13 169	0.19 240	0.11 85	0.06 54	0.04 2	0.09 225	0.08 210	0.04 1	0.05 51

iinet-f	0.16 236	0.06 19	0.45 357	0.14 13	0.10 215	0.21 278	0.14 69	0.27 232	0.23 181	0.21 248	0.24 195	0.21 215	0.15 205	0.18 229	0.21 280	0.09 234	0.07 245	0.07 98	0.06 86	0.09 245	0.10 268

Wz-Net-LNSev-Ref	0.18 267	0.09 189	0.29 325	0.15 38	0.10 215	0.22 286	0.20 276	0.26 214	0.39 310	0.25 294	0.42 346	0.24 250	0.15 205	0.20 259	0.19 255	0.07 141	0.05 106	0.06 31	0.05 31	0.10 272	0.09 249

BUS	0.14 185	0.09 189	0.14 153	0.22 304	0.10 215	0.19 252	0.14 69	0.34 312	0.19 127	0.17 184	0.22 181	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

test_5	0.14 185	0.12 270	0.08 11	0.20 267	0.10 215	0.14 153	0.29 360	0.21 139	0.24 191	0.18 210	0.28 255	0.11 73	0.15 205	0.12 100	0.13 156	0.06 54	0.05 106	0.07 98	0.08 210	0.08 197	0.07 156

BSDual-CNN	0.15 218	0.09 189	0.14 153	0.22 304	0.10 215	0.14 153	0.15 115	0.34 312	0.19 127	0.17 184	0.22 181	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

psmg	0.14 185	0.09 189	0.14 153	0.17 114	0.10 215	0.15 175	0.17 190	0.29 256	0.19 127	0.17 184	0.21 172	0.25 260	0.16 225	0.15 165	0.14 184	0.08 189	0.06 188	0.08 162	0.08 210	0.07 155	0.06 98

UDGNet	0.14 185	0.13 291	0.16 220	0.17 114	0.10 215	0.12 104	0.16 170	0.21 139	0.27 230	0.20 240	0.20 158	0.16 161	0.13 169	0.16 196	0.13 156	0.10 265	0.06 188	0.09 225	0.07 160	0.06 101	0.07 156

DAS	0.15 218	0.08 140	0.18 262	0.19 226	0.10 215	0.19 252	0.17 190	0.27 232	0.29 248	0.18 210	0.25 224	0.21 215	0.15 205	0.16 196	0.12 127	0.08 189	0.06 188	0.06 31	0.06 86	0.07 155	0.07 156

SepStereo	0.15 218	0.08 140	0.18 262	0.19 226	0.10 215	0.19 252	0.17 190	0.27 232	0.29 248	0.18 210	0.25 224	0.21 215	0.15 205	0.25 310	0.12 127	0.08 189	0.06 188	0.06 31	0.06 86	0.07 155	0.07 156

AACVNet	0.16 236	0.08 140	0.14 153	0.15 38	0.10 215	0.18 232	0.15 115	0.23 172	0.24 191	0.27 305	0.27 246	0.28 282	0.17 244	0.19 240	0.16 221	0.09 234	0.07 245	0.09 225	0.07 160	0.10 272	0.09 249

GANet-ADL	0.13 156	0.07 69	0.15 190	0.17 114	0.10 215	0.18 232	0.15 115	0.30 270	0.20 148	0.13 103	0.18 141	0.19 199	0.12 137	0.16 196	0.13 156	0.08 189	0.06 188	0.06 31	0.05 31	0.07 155	0.08 216

ASMatch	0.11 79	0.06 19	0.13 127	0.16 68	0.10 215	0.07 16	0.14 69	0.17 72	0.17 99	0.12 82	0.16 101	0.16 161	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

DEmStereo	0.12 134	0.06 19	0.14 153	0.14 13	0.10 215	0.16 198	0.15 115	0.16 42	0.24 191	0.17 184	0.24 195	0.13 111	0.14 192	0.12 100	0.13 156	0.05 2	0.04 2	0.07 98	0.06 86	0.05 40	0.05 51

ADLNet	0.16 236	0.08 140	0.15 190	0.16 68	0.10 215	0.16 198	0.17 190	0.32 285	0.27 230	0.22 261	0.27 246	0.24 250	0.16 225	0.18 229	0.21 280	0.10 265	0.06 188	0.10 266	0.10 281	0.08 197	0.09 249

GES	0.14 185	0.08 140	0.16 220	0.15 38	0.10 215	0.13 129	0.13 43	0.28 246	0.25 210	0.16 172	0.23 187	0.18 191	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.07 98	0.06 86	0.08 197	0.09 249

RAFT + AFF	0.13 156	0.07 69	0.20 279	0.20 267	0.10 215	0.14 153	0.24 320	0.26 214	0.20 148	0.11 58	0.10 37	0.12 88	0.10 87	0.15 165	0.12 127	0.07 141	0.06 188	0.09 225	0.08 210	0.06 101	0.08 216

aanetorigin	0.22 304	0.17 327	0.56 371	0.17 114	0.10 215	0.15 175	0.19 261	0.20 122	0.33 273	0.49 372	0.48 356	0.29 289	0.27 320	0.20 259	0.23 299	0.08 189	0.07 245	0.08 162	0.07 160	0.10 272	0.09 249

EDNetEfficient	0.29 352	0.24 359	1.13 402	0.18 181	0.10 215	0.19 252	0.20 276	0.20 122	0.60 372	0.74 391	0.56 371	0.31 307	0.39 362	0.22 286	0.30 350	0.09 234	0.07 245	0.08 162	0.07 160	0.11 287	0.09 249

ac_64	0.16 236	0.08 140	0.15 190	0.18 181	0.10 215	0.22 286	0.18 230	0.24 189	0.21 161	0.18 210	0.24 195	0.29 289	0.18 253	0.19 240	0.22 289	0.09 234	0.07 245	0.08 162	0.09 249	0.07 155	0.06 98

acv_ft	0.15 218	0.09 189	0.15 190	0.19 226	0.10 215	0.16 198	0.17 190	0.25 202	0.33 273	0.19 223	0.26 239	0.21 215	0.17 244	0.17 218	0.18 246	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

DSFCA	0.16 236	0.09 189	0.14 153	0.16 68	0.10 215	0.20 264	0.19 261	0.28 246	0.31 261	0.23 273	0.24 195	0.22 232	0.15 205	0.19 240	0.20 261	0.10 265	0.07 245	0.09 225	0.09 249	0.08 197	0.08 216

TDLM	0.17 255	0.12 270	0.13 127	0.24 328	0.10 215	0.18 232	0.18 230	0.36 331	0.30 255	0.21 248	0.28 255	0.28 282	0.18 253	0.23 297	0.18 246	0.11 286	0.07 245	0.10 266	0.10 281	0.08 197	0.08 216

CVANet_RVC	0.18 267	0.10 236	0.14 153	0.21 291	0.10 215	0.18 232	0.17 190	0.34 312	0.33 273	0.22 261	0.31 278	0.28 282	0.18 253	0.23 297	0.17 232	0.12 310	0.08 267	0.12 308	0.11 304	0.09 245	0.07 156

NLCA_NET_v2_RVC	0.17 255	0.10 236	0.22 289	0.20 267	0.10 215	0.15 175	0.18 230	0.31 276	0.25 210	0.21 248	0.30 270	0.25 260	0.17 244	0.21 275	0.20 261	0.09 234	0.06 188	0.08 162	0.08 210	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.
UCFNet_RVC	0.14 185	0.08 140	0.13 127	0.11 1	0.10 215	0.20 264	0.10 6	0.24 189	0.22 172	0.17 184	0.20 158	0.23 244	0.15 205	0.17 218	0.15 207	0.12 310	0.07 245	0.10 266	0.13 331	0.11 287	0.10 268

DeepPruner_ROB	0.16 236	0.11 256	0.15 190	0.17 114	0.10 215	0.17 217	0.15 115	0.32 285	0.21 161	0.19 223	0.21 172	0.22 232	0.18 253	0.20 259	0.15 207	0.13 330	0.09 290	0.09 225	0.09 249	0.11 287	0.10 268

PS-NSSS	0.20 286	0.21 351	0.23 298	0.20 267	0.10 215	0.19 252	0.17 190	0.36 331	0.25 210	0.27 305	0.33 295	0.27 275	0.24 301	0.20 259	0.20 261	0.15 344	0.12 327	0.17 349	0.14 335	0.10 272	0.08 216

DRN-Test	0.19 277	0.11 256	0.20 279	0.22 304	0.10 215	0.22 286	0.22 301	0.39 347	0.37 302	0.24 281	0.32 282	0.26 268	0.21 280	0.22 286	0.24 309	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

DISCO	0.19 277	0.09 189	0.22 289	0.17 114	0.10 215	0.25 314	0.18 230	0.27 232	0.44 334	0.22 261	0.31 278	0.33 319	0.26 312	0.28 326	0.28 343	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.09 249

DN-CSS_ROB	0.13 156	0.13 291	0.16 220	0.18 181	0.10 215	0.16 198	0.08 2	0.22 155	0.18 116	0.17 184	0.22 181	0.13 111	0.13 169	0.12 100	0.13 156	0.05 2	0.05 106	0.10 266	0.10 281	0.08 197	0.06 98

CBMV	0.19 277	0.14 303	0.17 245	0.18 181	0.10 215	0.20 264	0.11 11	0.29 256	0.30 255	0.29 322	0.30 270	0.30 297	0.23 295	0.27 315	0.19 255	0.13 330	0.15 353	0.17 349	0.16 348	0.10 272	0.10 268
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CFNet_ucs	0.15 218	0.08 140	0.16 220	0.16 68	0.11 253	0.14 153	0.14 69	0.30 270	0.34 284	0.16 172	0.24 195	0.23 244	0.14 192	0.18 229	0.15 207	0.09 234	0.06 188	0.08 162	0.07 160	0.09 245	0.09 249

ToySt	0.17 255	0.11 256	0.18 262	0.17 114	0.11 253	0.16 198	0.25 334	0.24 189	0.33 273	0.19 223	0.24 195	0.26 268	0.24 301	0.19 240	0.20 261	0.07 141	0.08 267	0.09 225	0.10 281	0.09 245	0.08 216

DCRE	0.11 79	0.07 69	0.13 127	0.16 68	0.11 253	0.11 82	0.17 190	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 86	0.05 40	0.04 7

ssnet_v2	0.17 255	0.10 236	0.17 245	0.17 114	0.11 253	0.21 278	0.21 292	0.33 302	0.25 210	0.22 261	0.22 181	0.27 275	0.18 253	0.22 286	0.20 261	0.11 286	0.09 290	0.09 225	0.09 249	0.08 197	0.08 216

HBP-ISP	0.18 267	0.13 291	0.16 220	0.15 38	0.11 253	0.08 23	0.13 43	0.28 246	0.29 248	0.22 261	0.33 295	0.21 215	0.25 309	0.23 297	0.17 232	0.14 341	0.16 356	0.21 362	0.17 355	0.10 272	0.08 216

NINENet	0.16 236	0.10 236	0.15 190	0.17 114	0.11 253	0.19 252	0.14 69	0.40 351	0.36 296	0.18 210	0.21 172	0.16 161	0.13 169	0.15 165	0.13 156	0.08 189	0.08 267	0.10 266	0.07 160	0.10 272	0.09 249

hknet	0.15 218	0.11 256	0.13 127	0.22 304	0.11 253	0.14 153	0.15 115	0.34 312	0.25 210	0.17 184	0.22 181	0.22 232	0.18 253	0.17 218	0.12 127	0.07 141	0.06 188	0.10 266	0.09 249	0.07 155	0.07 156

dad	0.17 255	0.20 345	0.20 279	0.16 68	0.11 253	0.20 264	0.18 230	0.21 139	0.28 241	0.30 325	0.24 195	0.29 289	0.13 169	0.19 240	0.16 221	0.18 361	0.09 290	0.11 293	0.09 249	0.11 287	0.07 156

GEStereo_RVC	0.17 255	0.12 270	0.15 190	0.22 304	0.11 253	0.19 252	0.17 190	0.32 285	0.48 344	0.20 240	0.25 224	0.17 180	0.13 169	0.21 275	0.16 221	0.10 265	0.06 188	0.08 162	0.07 160	0.09 245	0.08 216

sCroCo_RVC	0.12 134	0.09 189	0.23 298	0.24 328	0.11 253	0.19 252	0.14 69	0.17 72	0.14 58	0.10 40	0.13 70	0.12 88	0.07 31	0.14 147	0.11 85	0.08 189	0.08 267	0.08 162	0.08 210	0.05 40	0.07 156

HCRNet	0.16 236	0.24 359	0.12 90	0.35 375	0.11 253	0.15 175	0.17 190	0.26 214	0.22 172	0.19 223	0.24 195	0.21 215	0.14 192	0.15 165	0.13 156	0.11 286	0.07 245	0.11 293	0.10 281	0.09 245	0.07 156

MMNet	0.17 255	0.09 189	0.16 220	0.20 267	0.11 253	0.27 329	0.20 276	0.25 202	0.41 319	0.22 261	0.30 270	0.21 215	0.20 276	0.17 218	0.20 261	0.06 54	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

delet	0.17 255	0.08 140	0.17 245	0.19 226	0.11 253	0.20 264	0.21 292	0.30 270	0.37 302	0.17 184	0.26 239	0.19 199	0.19 268	0.19 240	0.21 280	0.08 189	0.08 267	0.09 225	0.11 304	0.06 101	0.06 98

psm_up	0.18 267	0.10 236	0.18 262	0.20 267	0.11 253	0.17 217	0.19 261	0.37 336	0.34 284	0.21 248	0.28 255	0.29 289	0.24 301	0.20 259	0.22 289	0.09 234	0.10 308	0.11 293	0.11 304	0.08 197	0.08 216

DMCA-RVC	0.17 255	0.10 236	0.15 190	0.24 328	0.11 253	0.18 232	0.18 230	0.25 202	0.24 191	0.21 248	0.26 239	0.25 260	0.27 320	0.18 229	0.20 261	0.12 310	0.08 267	0.13 322	0.10 281	0.10 272	0.08 216

FADNet-RVC-Resample	0.16 236	0.11 256	0.31 330	0.22 304	0.11 253	0.19 252	0.14 69	0.25 202	0.24 191	0.24 281	0.27 246	0.20 209	0.15 205	0.16 196	0.15 207	0.07 141	0.08 267	0.12 308	0.10 281	0.09 245	0.10 268

FADNet_RVC	0.16 236	0.14 303	0.40 352	0.20 267	0.11 253	0.13 129	0.13 43	0.26 214	0.22 172	0.21 248	0.23 187	0.20 209	0.17 244	0.14 147	0.16 221	0.08 189	0.08 267	0.12 308	0.09 249	0.11 287	0.10 268

MaskLacGwcNet_RVC	0.22 304	0.21 351	0.24 301	0.26 344	0.11 253	0.23 299	0.14 69	0.39 347	0.24 191	0.32 337	0.36 306	0.30 297	0.21 280	0.19 240	0.21 280	0.17 359	0.14 347	0.21 362	0.16 348	0.12 301	0.12 302

STTStereo	0.18 267	0.12 270	0.27 314	0.20 267	0.11 253	0.16 198	0.21 292	0.29 256	0.23 181	0.21 248	0.30 270	0.29 289	0.18 253	0.20 259	0.19 255	0.12 310	0.11 318	0.11 293	0.14 335	0.09 245	0.08 216

RP	0.21 295	0.13 291	0.21 284	0.23 323	0.11 253	0.21 278	0.20 276	0.25 202	0.44 334	0.21 248	0.38 317	0.36 331	0.24 301	0.27 315	0.25 318	0.11 286	0.12 327	0.13 322	0.12 322	0.12 301	0.14 333

SGM-ForestM	0.32 360	0.12 270	0.16 220	0.16 68	0.11 253	0.39 367	0.19 261	0.41 356	0.50 351	0.52 374	0.54 365	1.32 404	0.42 372	0.40 371	0.27 335	0.14 341	0.16 356	0.16 346	0.16 348	0.12 301	0.12 302

StereoDRNet	0.18 267	0.11 256	0.17 245	0.22 304	0.11 253	0.21 278	0.22 301	0.37 336	0.33 273	0.24 281	0.28 255	0.30 297	0.19 268	0.20 259	0.20 261	0.09 234	0.08 267	0.11 293	0.09 249	0.09 245	0.07 156

MDST_ROB	0.22 304	0.10 236	0.17 245	0.18 181	0.11 253	0.37 364	0.19 261	0.43 364	0.41 319	0.39 353	0.39 325	0.29 289	0.21 280	0.26 312	0.18 246	0.11 286	0.10 308	0.14 332	0.11 304	0.10 272	0.08 216

CBMV_ROB	0.19 277	0.13 291	0.17 245	0.16 68	0.11 253	0.15 175	0.13 43	0.26 214	0.28 241	0.27 305	0.30 270	0.27 275	0.24 301	0.23 297	0.16 221	0.15 344	0.17 361	0.22 366	0.20 361	0.10 272	0.11 291

SANet	0.24 327	0.14 303	0.28 319	0.21 291	0.11 253	0.27 329	0.24 320	0.38 343	0.64 376	0.36 345	0.40 330	0.43 357	0.26 312	0.27 315	0.24 309	0.12 310	0.09 290	0.10 266	0.09 249	0.13 318	0.11 291

DLCB_ROB	0.18 267	0.10 236	0.15 190	0.23 323	0.11 253	0.24 304	0.18 230	0.29 256	0.28 241	0.27 305	0.28 255	0.28 282	0.24 301	0.19 240	0.20 261	0.08 189	0.08 267	0.09 225	0.09 249	0.07 155	0.07 156

PWC_ROB	0.21 295	0.16 316	0.26 308	0.18 181	0.11 253	0.22 286	0.13 43	0.32 285	0.49 349	0.30 325	0.40 330	0.32 316	0.24 301	0.31 337	0.22 289	0.10 265	0.07 245	0.11 293	0.08 210	0.11 287	0.10 268

PWCDC_ROB	0.20 286	0.13 291	0.22 289	0.24 328	0.11 253	0.19 252	0.15 115	0.33 302	0.54 360	0.29 322	0.50 361	0.21 215	0.15 205	0.27 315	0.20 261	0.11 286	0.09 290	0.10 266	0.08 210	0.11 287	0.09 249

MeshStereo	0.27 345	0.13 291	0.18 262	0.15 38	0.11 253	0.32 344	0.24 320	0.40 351	0.36 296	0.52 374	0.57 372	0.67 385	0.40 365	0.35 354	0.26 328	0.14 341	0.13 340	0.13 322	0.11 304	0.11 287	0.10 268
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
whm_eth	0.14 185	0.09 189	0.20 279	0.20 267	0.12 282	0.12 104	0.15 115	0.18 96	0.28 241	0.17 184	0.32 282	0.09 37	0.12 137	0.18 229	0.14 184	0.07 141	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156

SDNR	0.19 277	0.08 140	0.19 271	0.16 68	0.12 282	0.77 399	0.14 69	0.25 202	0.32 267	0.19 223	0.24 195	0.19 199	0.13 169	0.19 240	0.15 207	0.16 355	0.18 363	0.14 332	0.11 304	0.08 197	0.11 291

fast-acv-ft	0.18 267	0.11 256	0.19 271	0.19 226	0.12 282	0.24 304	0.21 292	0.25 202	0.34 284	0.22 261	0.34 299	0.27 275	0.20 276	0.21 275	0.23 299	0.09 234	0.09 290	0.08 162	0.10 281	0.08 197	0.07 156

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 282	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	0.07 160	0.04 1	0.04 7

sAnonymous2	0.13 156	0.12 270	0.24 301	0.20 267	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

CroCo_RVC	0.13 156	0.12 270	0.24 301	0.20 267	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

UNet	0.17 255	0.09 189	0.18 262	0.19 226	0.12 282	0.27 329	0.19 261	0.33 302	0.29 248	0.21 248	0.24 195	0.23 244	0.19 268	0.19 240	0.18 246	0.07 141	0.06 188	0.08 162	0.07 160	0.08 197	0.06 98

UPFNet	0.16 236	0.08 140	0.12 90	0.20 267	0.12 282	0.20 264	0.23 311	0.28 246	0.26 223	0.17 184	0.24 195	0.22 232	0.19 268	0.19 240	0.21 280	0.09 234	0.07 245	0.08 162	0.09 249	0.08 197	0.06 98

GwcNet	0.20 286	0.13 291	0.19 271	0.18 181	0.12 282	0.24 304	0.19 261	0.35 325	0.43 330	0.20 240	0.32 282	0.33 319	0.20 276	0.22 286	0.24 309	0.11 286	0.09 290	0.09 225	0.09 249	0.09 245	0.10 268

ACVNet	0.15 218	0.09 189	0.15 190	0.13 6	0.12 282	0.14 153	0.20 276	0.22 155	0.33 273	0.17 184	0.26 239	0.21 215	0.16 225	0.17 218	0.21 280	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

HGLStereo	0.17 255	0.08 140	0.19 271	0.17 114	0.12 282	0.18 232	0.18 230	0.31 276	0.32 267	0.21 248	0.32 282	0.25 260	0.18 253	0.19 240	0.20 261	0.09 234	0.09 290	0.07 98	0.07 160	0.09 245	0.10 268

FAT-Stereo	0.20 286	0.12 270	0.22 289	0.21 291	0.12 282	0.17 217	0.18 230	0.34 312	0.39 310	0.27 305	0.37 312	0.34 325	0.32 348	0.21 275	0.20 261	0.09 234	0.11 318	0.10 266	0.09 249	0.11 287	0.14 333

stereogan	0.22 304	0.11 256	0.21 284	0.20 267	0.12 282	0.31 343	0.19 261	0.35 325	0.44 334	0.22 261	0.39 325	0.35 329	0.27 320	0.33 345	0.22 289	0.10 265	0.12 327	0.10 266	0.10 281	0.14 330	0.13 316

ADCL	0.24 327	0.11 256	0.47 361	0.22 304	0.12 282	0.34 353	0.29 360	0.29 256	0.56 363	0.24 281	0.46 353	0.30 297	0.30 340	0.29 333	0.29 346	0.08 189	0.07 245	0.09 225	0.09 249	0.10 272	0.10 268

ADCRef	0.19 277	0.12 270	0.41 354	0.20 267	0.12 282	0.22 286	0.18 230	0.32 285	0.36 296	0.26 299	0.32 282	0.17 180	0.23 295	0.24 305	0.24 309	0.07 141	0.06 188	0.09 225	0.09 249	0.08 197	0.08 216

ADCP+	0.20 286	0.10 236	0.33 335	0.20 267	0.12 282	0.22 286	0.26 340	0.31 276	0.34 284	0.26 299	0.37 312	0.22 232	0.22 289	0.27 315	0.27 335	0.09 234	0.06 188	0.08 162	0.08 210	0.09 245	0.10 268

NOSS_ROB	0.19 277	0.12 270	0.18 262	0.16 68	0.12 282	0.15 175	0.12 21	0.30 270	0.32 267	0.20 240	0.22 181	0.27 275	0.23 295	0.21 275	0.16 221	0.16 355	0.18 363	0.23 367	0.21 363	0.12 301	0.13 316

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 299	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

coex-ft	3.30 413	0.34 378	59.09 437	0.18 181	0.13 299	0.26 322	0.22 301	0.27 232	0.72 384	1.90 414	0.70 382	0.44 359	0.45 375	0.29 333	0.41 378	0.09 234	0.09 290	0.12 308	0.09 249	0.14 330	0.13 316

Wz-Net-LNSev	0.22 304	0.16 316	0.38 348	0.21 291	0.13 299	0.25 314	0.23 311	0.32 285	0.43 330	0.30 325	0.41 340	0.31 307	0.18 253	0.22 286	0.25 318	0.10 265	0.09 290	0.08 162	0.08 210	0.12 301	0.11 291

SACVNet	0.18 267	0.12 270	0.14 153	0.17 114	0.13 299	0.22 286	0.18 230	0.31 276	0.30 255	0.23 273	0.31 278	0.30 297	0.22 289	0.22 286	0.17 232	0.11 286	0.08 267	0.10 266	0.10 281	0.12 301	0.14 333

Anonymous	0.14 185	0.10 236	0.24 301	0.22 304	0.13 299	0.18 232	0.22 301	0.20 122	0.19 127	0.14 123	0.12 60	0.11 73	0.13 169	0.16 196	0.13 156	0.08 189	0.07 245	0.08 162	0.08 210	0.12 301	0.10 268

psmorigin	0.25 336	0.15 309	0.34 343	0.17 114	0.13 299	0.23 299	0.14 69	0.34 312	0.33 273	0.41 360	0.55 366	0.41 352	0.37 359	0.34 348	0.27 335	0.11 286	0.15 353	0.11 293	0.11 304	0.12 301	0.16 352

S-Stereo	0.20 286	0.12 270	0.25 307	0.21 291	0.13 299	0.20 264	0.18 230	0.32 285	0.43 330	0.23 273	0.36 306	0.28 282	0.30 340	0.19 240	0.22 289	0.09 234	0.12 327	0.10 266	0.10 281	0.13 318	0.13 316

AF-Net	0.22 304	0.17 327	0.17 245	0.26 344	0.13 299	0.25 314	0.24 320	0.32 285	0.50 351	0.25 294	0.33 295	0.38 339	0.26 312	0.28 326	0.25 318	0.11 286	0.10 308	0.16 346	0.11 304	0.11 287	0.10 268

edge stereo	0.22 304	0.13 291	0.20 279	0.21 291	0.13 299	0.23 299	0.16 170	0.32 285	0.42 325	0.32 337	0.40 330	0.38 339	0.35 355	0.25 310	0.24 309	0.13 330	0.11 318	0.14 332	0.11 304	0.12 301	0.13 316

RTSC	0.23 319	0.12 270	0.28 319	0.21 291	0.13 299	0.28 335	0.16 170	0.35 325	0.66 379	0.27 305	0.33 295	0.30 297	0.21 280	0.31 337	0.29 346	0.10 265	0.08 267	0.09 225	0.10 281	0.13 318	0.13 316

DANet	0.21 295	0.15 309	0.28 319	0.25 339	0.13 299	0.22 286	0.19 261	0.27 232	0.27 230	0.28 316	0.32 282	0.35 329	0.31 344	0.31 337	0.23 299	0.11 286	0.09 290	0.11 293	0.10 281	0.13 318	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 295	0.12 270	0.21 284	0.24 328	0.13 299	0.22 286	0.22 301	0.41 356	0.26 223	0.31 331	0.42 346	0.37 335	0.28 328	0.23 297	0.22 289	0.10 265	0.12 327	0.10 266	0.09 249	0.10 272	0.08 216

DPSNet	0.28 348	0.16 316	0.31 330	0.18 181	0.13 299	0.54 378	0.42 387	0.51 378	0.67 380	0.29 322	0.38 317	0.38 339	0.29 336	0.31 337	0.23 299	0.11 286	0.10 308	0.11 293	0.08 210	0.20 363	0.16 352

NaN_ROB	0.22 304	0.19 340	0.24 301	0.25 339	0.13 299	0.29 338	0.26 340	0.33 302	0.41 319	0.31 331	0.31 278	0.32 316	0.23 295	0.30 336	0.21 280	0.11 286	0.17 361	0.10 266	0.10 281	0.08 197	0.09 249

XPNet_ROB	0.22 304	0.11 256	0.19 271	0.22 304	0.13 299	0.22 286	0.19 261	0.34 312	0.40 316	0.30 325	0.39 325	0.39 347	0.26 312	0.26 312	0.28 343	0.15 344	0.10 308	0.10 266	0.10 281	0.13 318	0.12 302

ETE_ROB	0.23 319	0.17 327	0.22 289	0.25 339	0.13 299	0.26 322	0.29 360	0.31 276	0.36 296	0.28 316	0.36 306	0.45 361	0.26 312	0.27 315	0.26 328	0.11 286	0.08 267	0.12 308	0.09 249	0.14 330	0.13 316

SGM-Forest	0.20 286	0.14 303	0.18 262	0.19 226	0.13 299	0.20 264	0.22 301	0.33 302	0.30 255	0.24 281	0.29 266	0.28 282	0.19 268	0.23 297	0.17 232	0.15 344	0.16 356	0.15 340	0.14 335	0.12 301	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-SNSev	0.25 336	0.17 327	0.44 356	0.25 339	0.14 316	0.26 322	0.23 311	0.38 343	0.56 363	0.30 325	0.55 366	0.39 347	0.26 312	0.23 297	0.30 350	0.10 265	0.09 290	0.09 225	0.10 281	0.11 287	0.11 291

Wz-Net-MNSev	0.22 304	0.13 291	0.31 330	0.20 267	0.14 316	0.36 363	0.24 320	0.33 302	0.44 334	0.28 316	0.40 330	0.38 339	0.19 268	0.24 305	0.25 318	0.09 234	0.07 245	0.09 225	0.09 249	0.12 301	0.10 268

HHNet	0.11 79	0.06 19	0.16 220	0.15 38	0.14 316	0.07 16	0.13 43	0.20 122	0.17 99	0.14 123	0.25 224	0.11 73	0.08 49	0.13 132	0.10 49	0.05 2	0.04 2	0.08 162	0.06 86	0.05 40	0.09 249

Anonymous3	0.16 236	0.13 291	0.33 335	0.26 344	0.14 316	0.27 329	0.17 190	0.28 246	0.28 241	0.15 147	0.17 119	0.14 126	0.10 87	0.15 165	0.12 127	0.08 189	0.08 267	0.08 162	0.08 210	0.08 197	0.11 291

pcwnet_v2	0.19 277	0.10 236	0.26 308	0.17 114	0.14 316	0.18 232	0.15 115	0.37 336	0.46 342	0.19 223	0.24 195	0.21 215	0.19 268	0.20 259	0.19 255	0.13 330	0.10 308	0.10 266	0.10 281	0.11 287	0.13 316

APVNet	0.22 304	0.12 270	0.19 271	0.18 181	0.14 316	0.32 344	0.31 374	0.39 347	0.32 267	0.27 305	0.40 330	0.30 297	0.29 336	0.26 312	0.25 318	0.11 286	0.12 327	0.11 293	0.14 335	0.12 301	0.12 302

Syn2CoEx	0.21 295	0.16 316	0.27 314	0.29 365	0.14 316	0.26 322	0.20 276	0.33 302	0.31 261	0.28 316	0.36 306	0.27 275	0.25 309	0.19 240	0.24 309	0.16 355	0.12 327	0.14 332	0.11 304	0.09 245	0.08 216

Nwc_Net	0.23 319	0.16 316	0.21 284	0.25 339	0.14 316	0.24 304	0.26 340	0.37 336	0.38 307	0.22 261	0.41 340	0.30 297	0.28 328	0.28 326	0.25 318	0.11 286	0.10 308	0.17 349	0.20 361	0.10 272	0.10 268

ADCMid	0.25 336	0.15 309	0.40 352	0.20 267	0.14 316	0.25 314	0.26 340	0.34 312	0.38 307	0.36 345	0.44 351	0.34 325	0.40 365	0.35 354	0.33 361	0.10 265	0.09 290	0.11 293	0.11 304	0.13 318	0.12 302

FBW_ROB	0.24 327	0.17 327	0.22 289	0.26 344	0.14 316	0.25 314	0.22 301	0.41 356	0.41 319	0.41 360	0.41 340	0.42 353	0.27 320	0.31 337	0.23 299	0.09 234	0.14 347	0.14 332	0.12 322	0.11 287	0.09 249

WCMA_ROB	0.24 327	0.11 256	0.22 289	0.17 114	0.14 316	0.32 344	0.15 115	0.32 285	0.32 267	0.38 351	0.53 363	0.40 350	0.34 353	0.34 348	0.25 318	0.11 286	0.12 327	0.12 308	0.10 281	0.14 330	0.14 333

Wz-Net-TNSev	0.29 352	0.20 345	0.65 378	0.19 226	0.15 327	0.38 366	0.27 347	0.35 325	0.55 361	0.34 342	0.42 346	0.45 361	0.38 360	0.32 343	0.30 350	0.12 310	0.13 340	0.10 266	0.12 322	0.15 341	0.14 333

DDUNet	0.22 304	0.17 327	0.21 284	0.22 304	0.15 327	0.25 314	0.24 320	0.29 256	0.30 255	0.31 331	0.36 306	0.33 319	0.25 309	0.24 305	0.20 261	0.18 361	0.13 340	0.17 349	0.11 304	0.16 348	0.16 352

UDG	0.21 295	0.17 327	0.19 271	0.23 323	0.15 327	0.30 341	0.20 276	0.33 302	0.35 291	0.23 273	0.28 255	0.31 307	0.27 320	0.20 259	0.22 289	0.15 344	0.12 327	0.13 322	0.09 249	0.14 330	0.14 333

MFN_U_SF_RVC	0.32 360	0.21 351	0.55 369	0.30 367	0.15 327	0.34 353	0.17 190	0.52 379	0.46 342	0.46 371	0.55 366	0.59 377	0.39 362	0.35 354	0.37 369	0.15 344	0.14 347	0.18 357	0.21 363	0.16 348	0.15 341

RTS	0.45 377	0.19 340	3.26 412	0.24 328	0.15 327	0.74 393	0.20 276	0.36 331	0.76 389	0.42 363	0.43 349	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

RTSA	0.45 377	0.19 340	3.26 412	0.24 328	0.15 327	0.74 393	0.20 276	0.36 331	0.76 389	0.42 363	0.43 349	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

ADCPNet	0.25 336	0.16 316	0.61 375	0.21 291	0.15 327	0.35 361	0.25 334	0.32 285	0.35 291	0.30 325	0.40 330	0.36 331	0.28 328	0.28 326	0.32 358	0.12 310	0.10 308	0.11 293	0.12 322	0.14 330	0.13 316

CC-Net-ROB	0.28 348	0.31 375	0.36 344	0.29 365	0.15 327	0.25 314	0.19 261	0.45 369	0.33 273	0.39 353	0.37 312	0.39 347	0.31 344	0.27 315	0.26 328	0.24 379	0.19 366	0.30 380	0.23 370	0.18 359	0.15 341

NVstereo2D	0.19 277	0.10 236	0.15 190	0.17 114	0.15 327	0.28 335	0.23 311	0.44 366	0.42 325	0.15 147	0.27 246	0.25 260	0.19 268	0.22 286	0.17 232	0.09 234	0.06 188	0.10 266	0.08 210	0.15 341	0.09 249

PSMNet_ROB	0.21 295	0.11 256	0.15 190	0.27 355	0.15 327	0.24 304	0.35 378	0.43 364	0.37 302	0.27 305	0.32 282	0.32 316	0.22 289	0.21 275	0.26 328	0.12 310	0.08 267	0.13 322	0.11 304	0.09 245	0.09 249

Anonymous_2	0.22 304	0.17 327	0.28 319	0.15 38	0.16 337	0.32 344	0.22 301	0.22 155	0.17 99	0.23 273	0.24 195	0.26 268	0.27 320	0.27 315	0.23 299	0.22 373	0.25 381	0.17 349	0.17 355	0.17 355	0.17 359

WZ-Net	0.28 348	0.17 327	0.78 392	0.22 304	0.16 337	0.34 353	0.29 360	0.39 347	0.57 365	0.24 281	0.55 366	0.37 335	0.24 301	0.33 345	0.35 364	0.09 234	0.08 267	0.09 225	0.10 281	0.14 330	0.16 352

FINET	0.21 295	0.18 337	0.26 308	0.18 181	0.16 337	0.23 299	0.23 311	0.32 285	0.48 344	0.25 294	0.32 282	0.22 232	0.22 289	0.22 286	0.17 232	0.18 361	0.16 356	0.11 293	0.10 281	0.15 341	0.13 316

MFN_U_SF_DS_RVC	0.30 357	0.24 359	0.29 325	0.36 377	0.16 337	0.34 353	0.30 368	0.32 285	0.42 325	0.40 356	0.46 353	0.38 339	0.31 344	0.34 348	0.28 343	0.19 365	0.20 369	0.26 369	0.29 378	0.18 359	0.19 366

FADNet-RVC	0.20 286	0.20 345	0.38 348	0.21 291	0.16 337	0.20 264	0.15 115	0.26 214	0.26 223	0.26 299	0.32 282	0.26 268	0.21 280	0.22 286	0.19 255	0.12 310	0.13 340	0.12 308	0.14 335	0.13 318	0.18 361

RGC	0.25 336	0.20 345	0.29 325	0.28 358	0.16 337	0.22 286	0.23 311	0.32 285	0.44 334	0.27 305	0.40 330	0.38 339	0.27 320	0.36 359	0.22 289	0.11 286	0.13 340	0.17 349	0.17 355	0.14 330	0.16 352

G-Net	0.24 327	0.16 316	0.36 344	0.22 304	0.16 337	0.51 376	0.23 311	0.29 256	0.34 284	0.36 345	0.38 317	0.31 307	0.29 336	0.27 315	0.26 328	0.11 286	0.09 290	0.12 308	0.09 249	0.16 348	0.13 316

NCC-stereo	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 368	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316

Abc-Net	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 368	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DeepPrunerF	0.24 327	0.17 327	0.42 355	0.26 344	0.16 337	0.22 286	0.28 352	0.37 336	0.50 351	0.26 299	0.29 266	0.24 250	0.28 328	0.21 275	0.22 289	0.15 344	0.11 318	0.20 361	0.18 359	0.12 301	0.13 316

AnyNet_C32	0.26 343	0.16 316	0.36 344	0.20 267	0.16 337	0.25 314	0.30 368	0.32 285	0.44 334	0.31 331	0.49 357	0.30 297	0.33 349	0.40 371	0.33 361	0.12 310	0.12 327	0.12 308	0.14 335	0.14 330	0.15 341

GANetREF_RVC	0.31 358	0.34 378	0.27 314	0.35 375	0.16 337	0.32 344	0.41 384	0.48 373	0.51 358	0.35 343	0.35 303	0.34 325	0.33 349	0.39 367	0.32 358	0.27 381	0.20 369	0.29 378	0.15 346	0.18 359	0.17 359
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
DispFullNet	0.27 345	0.21 351	0.65 378	0.28 358	0.16 337	0.26 322	0.17 190	0.33 302	0.58 368	0.27 305	0.38 317	0.43 357	0.23 295	0.38 364	0.23 299	0.12 310	0.06 188	0.19 359	0.11 304	0.21 364	0.15 341

GASNet	0.22 304	0.23 356	0.33 335	0.26 344	0.17 350	0.26 322	0.16 170	0.44 366	0.42 325	0.27 305	0.24 195	0.30 297	0.15 205	0.27 315	0.18 246	0.12 310	0.08 267	0.12 308	0.11 304	0.16 348	0.07 156

FADNet	0.21 295	0.22 355	0.36 344	0.18 181	0.17 350	0.24 304	0.13 43	0.31 276	0.31 261	0.23 273	0.25 224	0.27 275	0.21 280	0.19 240	0.15 207	0.13 330	0.15 353	0.12 308	0.15 346	0.16 348	0.18 361

ADCS	0.29 352	0.18 337	0.45 357	0.21 291	0.17 350	0.28 335	0.23 311	0.41 356	0.63 375	0.40 356	0.49 357	0.40 350	0.36 357	0.39 367	0.40 375	0.13 330	0.12 327	0.13 322	0.14 335	0.16 348	0.16 352

AnyNet_C01	0.36 366	0.25 364	1.37 405	0.22 304	0.17 350	0.48 374	0.27 347	0.35 325	0.39 310	0.39 353	0.74 386	0.46 365	0.38 360	0.45 375	0.47 384	0.13 330	0.13 340	0.13 322	0.14 335	0.14 330	0.15 341

RYNet	0.22 304	0.12 270	0.22 289	0.19 226	0.17 350	0.46 370	0.26 340	0.38 343	0.48 344	0.24 281	0.28 255	0.34 325	0.23 295	0.20 259	0.30 350	0.10 265	0.06 188	0.09 225	0.09 249	0.13 318	0.15 341

Anonymous Stereo	0.23 319	0.19 340	0.50 363	0.24 328	0.17 350	0.21 278	0.21 292	0.33 302	0.44 334	0.25 294	0.34 299	0.26 268	0.18 253	0.31 337	0.27 335	0.13 330	0.12 327	0.12 308	0.13 331	0.11 287	0.14 333

LALA_ROB	0.25 336	0.16 316	0.22 289	0.26 344	0.17 350	0.27 329	0.27 347	0.42 361	0.37 302	0.33 341	0.38 317	0.51 371	0.26 312	0.28 326	0.27 335	0.16 355	0.09 290	0.12 308	0.11 304	0.13 318	0.12 302

SHD	0.26 343	0.15 309	0.30 328	0.24 328	0.18 357	0.22 286	0.15 115	0.38 343	0.71 383	0.32 337	0.41 340	0.36 331	0.28 328	0.32 343	0.29 346	0.12 310	0.11 318	0.14 332	0.13 331	0.16 348	0.20 367

NCCL2	0.23 319	0.15 309	0.17 245	0.34 373	0.18 357	0.24 304	0.23 311	0.34 312	0.28 241	0.31 331	0.38 317	0.38 339	0.28 328	0.23 297	0.24 309	0.15 344	0.12 327	0.18 357	0.21 363	0.13 318	0.13 316

SQANet	0.23 319	0.23 356	0.30 328	0.30 367	0.19 359	0.27 329	0.13 43	0.29 256	0.33 273	0.24 281	0.37 312	0.31 307	0.22 289	0.27 315	0.23 299	0.15 344	0.10 308	0.21 362	0.16 348	0.21 364	0.15 341

XQC	0.28 348	0.23 356	0.51 364	0.28 358	0.19 359	0.34 353	0.27 347	0.36 331	0.57 365	0.31 331	0.30 270	0.37 335	0.30 340	0.38 364	0.38 371	0.13 330	0.09 290	0.15 340	0.12 322	0.17 355	0.18 361

CSAN	0.29 352	0.24 359	0.27 314	0.34 373	0.19 359	0.33 350	0.42 387	0.37 336	0.50 351	0.38 351	0.40 330	0.44 359	0.33 349	0.28 326	0.30 350	0.20 367	0.16 356	0.19 359	0.19 360	0.14 330	0.15 341

MSC_U_SF_DS_RVC	0.43 374	0.39 382	0.54 367	0.40 379	0.20 362	0.64 385	0.32 376	0.53 381	0.72 384	0.71 385	0.72 383	0.61 379	0.54 381	0.51 379	0.46 383	0.20 367	0.19 366	0.29 378	0.30 380	0.23 367	0.18 361

PDISCO_ROB	0.27 345	0.16 316	0.26 308	0.28 358	0.20 362	0.32 344	0.26 340	0.44 366	0.57 365	0.28 316	0.40 330	0.45 361	0.29 336	0.33 345	0.34 363	0.12 310	0.09 290	0.17 349	0.16 348	0.17 355	0.13 316

BEATNet-Init1	0.52 383	0.27 367	0.62 376	0.30 367	0.21 364	0.76 397	0.29 360	0.54 382	0.65 378	0.86 396	0.95 397	2.07 414	0.62 390	0.56 387	0.42 379	0.18 361	0.18 363	0.23 367	0.22 366	0.22 366	0.21 369

MSMD_ROB	0.31 358	0.26 365	0.26 308	0.24 328	0.21 364	0.34 353	0.25 334	0.34 312	0.39 310	0.40 356	0.69 380	0.45 361	0.40 365	0.34 348	0.27 335	0.20 367	0.19 366	0.26 369	0.25 372	0.23 367	0.22 371

PVD	0.39 367	0.20 345	0.39 350	0.31 371	0.22 366	0.29 338	0.43 389	0.52 379	0.96 396	0.55 377	0.79 390	0.53 374	0.59 387	0.52 381	0.38 371	0.19 365	0.14 347	0.17 349	0.14 335	0.24 374	0.31 385

PA-Net	0.23 319	0.18 337	0.33 335	0.28 358	0.22 366	0.21 278	0.38 383	0.29 256	0.39 310	0.22 261	0.32 282	0.25 260	0.26 312	0.20 259	0.25 318	0.09 234	0.23 379	0.15 340	0.22 366	0.09 245	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
FC-DCNN	0.33 363	0.27 367	0.28 319	0.26 344	0.23 368	0.37 364	0.28 352	0.40 351	0.43 330	0.45 369	0.55 366	0.51 371	0.40 365	0.37 363	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 374

ACVNet-4b	0.39 367	0.53 387	0.55 369	0.45 384	0.24 369	0.47 372	0.18 230	0.49 375	0.64 376	0.42 363	0.45 352	0.60 378	0.27 320	0.34 348	0.24 309	0.33 385	0.14 347	0.48 388	0.42 388	0.30 381	0.26 380

DGSMNet	0.24 327	0.19 340	0.33 335	0.21 291	0.24 369	0.24 304	0.20 276	0.35 325	0.41 319	0.24 281	0.32 282	0.38 339	0.21 280	0.29 333	0.23 299	0.12 310	0.11 318	0.14 332	0.16 348	0.23 367	0.23 373

FCDSN-DC	0.33 363	0.28 370	0.28 319	0.30 367	0.24 369	0.39 367	0.28 352	0.42 361	0.42 325	0.43 366	0.53 363	0.51 371	0.41 369	0.36 359	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 374
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 377	0.27 367	0.27 314	0.27 355	0.24 369	0.47 372	0.31 374	0.55 383	0.59 369	0.72 387	1.13 406	1.15 398	0.61 388	0.52 381	0.37 369	0.21 370	0.20 369	0.27 372	0.31 382	0.25 375	0.24 374

ELAS_RVC	0.41 372	0.29 373	0.33 335	0.28 358	0.24 369	0.54 378	0.36 379	0.49 375	0.59 369	0.72 387	0.74 386	0.65 383	0.54 381	0.54 385	0.40 375	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 372	0.29 373	0.33 335	0.27 355	0.24 369	0.60 383	0.36 379	0.50 377	0.50 351	0.71 385	0.79 390	0.67 385	0.54 381	0.51 379	0.42 379	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FADE	0.45 377	0.33 377	1.03 401	0.33 372	0.25 375	0.35 361	0.29 360	0.64 390	1.07 397	0.43 366	0.41 340	0.42 353	0.53 380	0.70 393	0.51 390	0.30 382	0.21 378	0.41 386	0.38 386	0.23 367	0.22 371

STTRV1_RVC	0.25 336	0.26 365	0.39 350	0.19 226	0.26 376	0.30 341	0.24 320	0.34 312	0.35 291	0.36 345	0.34 299	0.31 307	0.31 344	0.28 326	0.25 318	0.17 359	0.10 308	0.16 346	0.14 335	0.17 355	0.12 302

PASM	0.32 360	0.24 359	0.48 362	0.28 358	0.27 377	0.29 338	0.30 368	0.34 312	0.49 349	0.35 343	0.39 325	0.46 365	0.34 353	0.34 348	0.35 364	0.23 377	0.25 381	0.26 369	0.28 377	0.23 367	0.21 369

otaku	0.39 367	0.37 381	0.52 365	0.44 383	0.28 378	0.58 380	0.24 320	0.41 356	0.62 374	0.40 356	0.49 357	0.46 365	0.33 349	0.40 371	0.32 358	0.30 382	0.30 385	0.39 384	0.33 383	0.29 380	0.28 381

ACVNet_1	0.44 375	0.49 386	0.60 374	0.45 384	0.28 378	0.49 375	0.27 347	0.57 386	0.72 384	0.62 380	0.58 374	0.74 389	0.49 378	0.50 378	0.35 364	0.26 380	0.24 380	0.39 384	0.29 378	0.31 384	0.24 374

ccnet	0.29 352	0.28 370	0.23 298	0.20 267	0.28 378	0.41 369	0.21 292	0.45 369	0.33 273	0.36 345	0.46 353	0.36 331	0.30 340	0.39 367	0.42 379	0.23 377	0.14 347	0.21 362	0.17 355	0.23 367	0.18 361

NVStereoNet_ROB	0.46 381	0.36 380	0.46 360	0.41 381	0.28 378	0.34 353	0.34 377	0.48 373	0.60 372	0.72 387	0.93 395	0.70 388	0.66 391	0.47 376	0.60 394	0.22 373	0.33 386	0.34 382	0.34 385	0.30 381	0.30 384
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
Ntro	0.40 370	0.40 383	0.53 366	0.46 387	0.30 382	0.65 386	0.24 320	0.46 371	0.68 381	0.41 360	0.49 357	0.48 369	0.42 372	0.39 367	0.31 357	0.32 384	0.28 383	0.37 383	0.30 380	0.32 385	0.29 382

PWCK	0.71 392	0.94 407	0.95 399	0.76 396	0.31 383	0.74 393	0.36 379	0.90 397	0.90 394	0.96 400	0.75 388	0.95 393	0.61 388	0.87 403	0.66 397	0.72 403	0.46 390	0.75 399	0.49 392	0.69 402	0.44 394

SAMSARA	0.40 370	0.28 370	0.33 335	0.55 390	0.39 384	0.82 400	1.23 414	0.47 372	0.51 358	0.36 345	0.35 303	0.55 376	0.39 362	0.38 364	0.39 373	0.15 344	0.20 369	0.15 340	0.14 335	0.23 367	0.20 367

ACVNet_2	0.66 391	0.66 395	0.68 386	0.63 392	0.41 385	0.71 391	0.49 391	0.96 402	1.39 406	0.89 397	1.09 402	1.04 394	0.73 394	0.54 385	0.47 384	0.43 391	0.40 389	0.53 393	0.44 389	0.47 388	0.35 389

MADNet+	0.75 395	0.71 397	3.70 415	0.66 393	0.41 385	0.98 405	0.97 412	0.69 392	0.73 387	0.52 374	0.57 372	0.64 381	0.68 393	0.86 402	1.01 410	0.34 386	0.36 388	0.28 377	0.23 370	0.36 386	0.31 385

RainbowNet	0.54 385	0.61 391	0.70 390	0.57 391	0.43 387	0.65 386	0.37 382	0.60 388	0.87 393	0.50 373	0.66 377	0.64 381	0.47 376	0.49 377	0.43 382	0.47 393	0.48 395	0.52 392	0.41 387	0.52 390	0.40 392

Consistency-Raft	0.44 375	0.40 383	0.45 357	0.37 378	0.43 387	0.46 370	0.41 384	0.57 386	0.55 361	0.32 337	0.73 384	0.33 319	0.48 377	0.42 374	0.49 386	0.39 387	0.35 387	0.45 387	0.51 395	0.42 387	0.29 382

JetBlue	0.71 392	0.45 385	1.14 403	0.51 388	0.47 389	2.02 414	0.64 401	0.75 393	0.70 382	0.69 384	0.77 389	1.22 400	0.83 398	1.03 410	1.01 410	0.40 388	0.28 383	0.33 381	0.33 383	0.30 381	0.34 388

IMH-64-1	0.65 389	0.61 391	0.68 386	0.71 394	0.51 390	0.59 381	0.49 391	0.91 398	0.85 391	0.74 391	1.02 399	0.81 390	0.78 396	0.79 395	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 390

IMH-64	0.65 389	0.61 391	0.68 386	0.71 394	0.51 390	0.59 381	0.49 391	0.91 398	0.85 391	0.74 391	1.02 399	0.81 390	0.78 396	0.79 395	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 390

IMH	0.71 392	0.64 394	0.68 386	0.76 396	0.54 392	0.69 389	0.54 395	0.98 404	1.10 399	0.82 395	1.09 402	0.89 392	0.88 401	0.87 403	0.52 391	0.44 392	0.50 399	0.75 399	0.51 395	0.56 395	0.41 393

SGM+DAISY	0.56 386	0.57 388	0.65 378	0.40 379	0.54 392	0.66 388	0.49 391	0.56 384	0.45 341	0.66 381	0.69 380	0.67 385	0.56 385	0.63 390	0.56 392	0.59 399	0.48 395	0.50 389	0.50 394	0.52 390	0.58 397

SPS-STEREO	0.57 387	0.58 389	0.65 378	0.45 384	0.55 394	0.62 384	0.44 390	0.62 389	0.50 351	0.68 383	0.64 376	0.66 384	0.57 386	0.61 389	0.60 394	0.62 401	0.47 394	0.51 390	0.49 392	0.55 394	0.58 397
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
UNDER WATER-64	0.95 404	0.94 407	1.43 407	0.87 404	0.56 395	1.18 413	0.87 409	0.77 394	0.94 395	1.04 403	0.85 392	1.58 411	1.21 412	0.94 407	0.96 408	0.87 409	0.57 407	1.03 409	0.88 410	0.78 407	0.73 407

LVE	0.83 400	0.85 404	0.85 397	0.80 399	0.56 395	1.04 410	0.65 402	1.05 407	1.47 409	0.96 400	1.22 410	1.10 397	0.85 399	0.83 398	0.71 402	0.49 394	0.55 405	0.76 401	0.60 400	0.65 397	0.59 402

Dean	0.87 401	0.86 405	0.79 394	0.81 400	0.56 395	0.90 401	0.63 399	1.15 412	1.73 412	1.15 407	1.15 407	1.31 403	0.99 405	0.81 397	0.81 406	0.57 397	0.56 406	0.77 402	0.64 401	0.66 398	0.58 397

TorneroNet-64	0.76 396	0.72 398	0.74 391	0.78 398	0.58 398	0.91 404	0.56 396	0.84 396	1.29 403	0.66 381	0.90 393	1.40 406	0.75 395	0.85 401	0.67 400	0.49 394	0.46 390	0.72 398	0.59 398	0.67 399	0.53 395

LSM	0.33 363	0.20 345	0.58 373	0.26 344	0.60 399	0.34 353	0.25 334	0.42 361	0.48 344	0.45 369	0.58 374	0.42 353	0.36 357	0.35 354	0.25 318	0.12 310	0.20 369	0.14 332	0.16 348	0.19 362	0.33 387

anonymity	0.53 384	0.58 389	0.65 378	0.41 381	0.61 400	0.53 377	0.41 384	0.56 384	0.41 319	0.55 377	0.50 361	0.49 370	0.55 384	0.58 388	0.50 389	0.58 398	0.50 399	0.51 390	0.51 395	0.51 389	0.57 396

WAO-6	0.81 398	0.80 401	0.62 376	0.86 403	0.63 401	0.76 397	0.58 398	0.98 404	1.54 411	0.90 398	0.96 398	1.07 396	1.03 406	0.70 393	0.66 397	0.72 403	0.49 397	0.90 406	0.71 404	0.68 400	0.58 397

TorneroNet	0.82 399	0.74 399	0.81 396	0.84 401	0.63 401	0.99 406	0.63 399	0.96 402	1.16 400	0.80 394	1.11 404	1.36 405	0.86 400	0.93 406	0.80 405	0.56 396	0.49 397	0.78 403	0.66 402	0.73 405	0.63 405

WAO-7	0.79 397	0.78 400	0.54 367	0.85 402	0.67 403	0.74 393	0.68 405	1.05 407	1.32 404	0.90 398	1.20 409	1.04 394	0.92 402	0.69 392	0.66 397	0.60 400	0.62 409	0.67 395	0.68 403	0.64 396	0.58 397

WAO-8	0.91 402	0.81 402	0.65 378	0.94 406	0.69 404	0.90 401	0.67 403	1.07 409	1.83 414	1.06 405	1.45 412	1.30 401	1.07 407	0.84 399	0.78 403	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 403

Venus	0.91 402	0.81 402	0.65 378	0.94 406	0.69 404	0.90 401	0.67 403	1.07 409	1.83 414	1.06 405	1.45 412	1.30 401	1.07 407	0.84 399	0.78 403	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 403

MFMNet_re	0.64 388	0.66 395	0.65 378	0.51 388	0.69 404	0.69 389	0.57 397	0.64 390	0.73 387	0.60 379	0.73 384	0.62 380	0.67 392	0.65 391	0.60 394	0.66 402	0.58 408	0.63 394	0.59 398	0.68 400	0.69 406

UNDER WATER	0.97 405	0.97 409	1.42 406	0.99 408	0.70 407	1.12 412	0.84 408	0.80 395	1.08 398	1.01 402	0.90 393	1.55 410	1.22 413	1.03 410	1.00 409	0.78 407	0.53 402	1.02 408	0.87 409	0.80 408	0.74 408

notaker	0.97 405	1.11 410	0.98 400	1.13 410	0.81 408	0.73 392	0.68 405	0.93 400	1.16 400	1.18 409	1.18 408	1.41 407	1.16 411	1.08 412	0.69 401	0.81 408	0.64 410	1.17 411	0.79 407	0.98 410	0.80 411

HanzoNet	1.29 410	1.26 414	1.19 404	1.12 409	0.85 409	1.02 409	0.83 407	1.03 406	1.48 410	1.64 412	1.61 414	2.50 416	1.72 414	1.61 414	1.61 413	1.26 414	0.80 413	1.31 414	1.01 412	1.02 412	0.86 412

ktn	1.01 407	1.21 412	0.80 395	1.23 413	0.86 410	1.01 408	0.87 409	0.94 401	1.39 406	1.04 403	1.12 405	1.15 398	1.07 407	0.94 407	0.59 393	1.28 415	0.71 412	1.38 415	0.83 408	1.02 412	0.75 409

SPstereo	13.84 428	0.93 406	1.50 408	1.22 412	0.88 411	28.82 431	48.26 431	26.77 438	29.54 437	22.37 436	22.60 435	23.23 436	24.68 436	24.53 436	15.06 428	0.88 410	0.69 411	1.83 417	1.60 417	0.74 406	0.77 410

DPSimNet_ROB	1.11 409	1.23 413	0.78 392	1.13 410	0.88 411	1.10 411	1.13 413	1.16 413	1.23 402	1.43 411	1.02 399	1.41 407	1.10 410	0.90 405	1.60 412	1.46 416	0.51 401	1.21 413	1.03 413	0.90 409	1.01 415

KSHMR	1.09 408	1.17 411	0.88 398	1.25 414	1.00 413	0.99 406	0.96 411	1.13 411	1.37 405	1.16 408	1.29 411	1.41 407	0.96 404	1.01 409	0.92 407	1.03 412	1.08 414	1.20 412	1.03 413	1.01 411	0.97 413

JetRed	1.62 411	1.46 415	2.98 411	0.92 405	1.21 414	4.99 416	1.53 416	1.27 414	1.39 406	1.83 413	1.74 415	1.60 412	0.95 403	1.41 413	2.45 416	0.90 411	1.60 416	0.93 407	0.90 411	1.35 414	0.99 414

tt	4.67 415	0.06 19	3.55 414	2.02 417	1.55 415	10.25 421	16.71 420	8.91 424	5.03 417	1.31 410	0.94 396	4.71 417	4.76 417	3.33 417	5.87 419	6.06 424	10.30 428	1.88 418	2.11 419	2.75 417	1.21 416

MADNet++	1.95 412	1.75 416	1.59 409	1.82 416	1.69 416	2.33 415	1.40 415	2.35 416	2.09 416	2.57 416	2.36 416	2.24 415	2.17 415	2.28 415	2.34 415	1.87 417	1.66 417	1.54 416	1.34 416	1.92 416	1.77 418

LRCNet_RVC	10.62 424	13.42 428	7.30 417	18.92 428	2.07 417	0.33 350	0.30 368	5.59 420	0.48 344	13.03 426	17.94 427	8.87 421	5.65 418	4.79 418	1.89 414	23.51 435	2.73 422	27.55 436	25.71 436	16.07 433	16.33 434

ASD4	3.54 414	3.38 418	2.05 410	1.72 415	2.51 418	9.03 420	17.71 421	2.25 415	5.51 418	2.46 415	2.81 417	2.03 413	3.36 416	2.73 416	5.06 417	1.22 413	1.34 415	1.13 410	1.33 415	1.68 415	1.49 417

xxxxx1	7.79 416	5.02 421	7.31 418	3.12 418	3.85 419	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 422	8.27 420	10.18 422	10.92 420	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

tt_ll	7.79 416	5.02 421	7.31 418	3.12 418	3.85 419	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 422	8.27 420	10.18 422	10.92 420	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

ff	7.79 416	5.02 421	7.31 418	3.12 418	3.85 419	16.35 424	22.88 422	5.86 421	8.69 420	7.97 420	8.54 418	9.12 422	8.27 420	10.18 422	10.92 420	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

PML	8.91 422	9.34 427	6.13 416	5.35 421	6.41 422	14.99 423	23.38 427	5.27 417	6.83 419	18.04 428	28.19 437	7.67 420	6.83 419	7.85 421	5.75 418	5.35 423	1.83 418	5.95 427	1.93 418	8.64 425	2.52 419

Anonymous_1	10.96 425	7.92 424	7.46 421	10.33 424	10.06 423	18.65 428	26.34 428	11.06 425	13.44 426	9.40 423	10.05 423	9.67 425	11.23 425	10.73 425	12.72 425	6.42 425	8.38 425	5.77 424	10.61 424	12.12 426	6.77 423

DGTPSM_ROB	8.06 420	4.48 419	8.63 424	5.35 421	10.72 424	8.32 418	22.97 425	5.46 418	13.35 424	5.12 418	9.92 421	5.08 418	10.40 423	5.52 419	12.58 423	3.79 421	8.00 423	3.50 419	7.02 422	3.83 421	7.14 424

DPSMNet_ROB	8.06 420	4.48 419	8.63 424	5.37 423	10.74 425	8.32 418	22.98 426	5.46 418	13.36 425	5.12 418	9.92 421	5.08 418	10.40 423	5.53 420	12.58 423	3.80 422	8.00 423	3.50 419	7.02 422	3.83 421	7.14 424

DPSM_ROB	11.15 426	8.58 425	8.00 422	10.88 425	11.58 426	19.10 429	26.71 429	12.05 426	14.07 427	10.36 424	10.84 424	10.33 426	11.86 426	11.70 426	13.54 426	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 426

DPSM	11.15 426	8.58 425	8.00 422	10.88 425	11.58 426	19.10 429	26.71 429	12.05 426	14.07 427	10.36 424	10.84 424	10.33 426	11.86 426	11.70 426	13.54 426	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 426

DLNR_Zeroshot_test	10.40 423	1.82 417	19.49 433	120.77 438	13.11 428	0.06 2	0.13 43	0.23 172	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 330	0.04 2	0.06 31	0.04 8	51.54 437	0.04 7

HaxPig	15.71 429	18.52 435	19.18 432	16.89 427	15.89 429	7.73 417	7.60 417	13.31 428	10.82 423	15.42 427	14.91 426	15.98 428	14.92 428	15.58 428	15.98 429	18.95 434	16.73 429	19.46 434	18.08 434	19.26 434	19.05 435

MEDIAN_ROB	20.38 430	24.04 436	23.31 434	21.23 429	21.71 430	10.40 422	7.92 418	17.64 429	15.50 429	20.12 429	19.70 428	20.34 429	20.32 429	21.19 429	21.13 430	23.81 436	21.81 436	24.98 435	23.76 435	24.71 435	23.93 436

MyStereo03	22.45 432	17.33 430	16.21 428	21.95 430	23.27 431	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 430	23.87 430	23.46 431	27.40 434	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 428

MyStereo02	22.45 432	17.33 430	16.21 428	21.95 430	23.27 431	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 430	23.87 430	23.46 431	27.40 434	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 428

MyStereo	22.45 432	17.33 430	16.21 428	21.95 430	23.27 431	38.32 432	53.79 433	24.21 432	28.46 433	20.87 433	21.85 432	20.80 430	23.87 430	23.46 431	27.40 434	14.08 429	17.71 433	11.82 428	14.03 430	14.65 427	14.89 428

CasAABBNet	22.42 431	17.33 430	16.01 426	22.01 433	23.28 434	38.32 432	53.80 436	24.14 431	28.41 432	20.60 430	21.77 430	20.89 434	23.91 434	23.43 430	27.36 432	14.07 428	17.69 431	11.83 432	14.01 429	14.67 430	14.95 432

Selective-RAFT-Error	22.47 435	17.37 434	16.09 427	22.06 434	23.34 435	38.39 436	53.83 437	24.29 436	28.47 436	20.74 431	21.83 431	20.81 433	23.90 433	23.54 435	27.53 437	14.08 429	17.69 431	11.82 428	14.00 428	14.69 431	15.00 433

AVERAGE_ROB	24.90 437	29.20 437	28.14 435	24.89 436	24.64 436	17.75 427	11.12 419	21.45 430	19.93 430	25.12 437	24.46 436	25.12 437	25.46 437	24.69 437	22.83 431	29.76 437	27.13 437	28.97 437	27.95 437	29.91 436	29.47 437

LSM0	22.87 436	17.28 429	18.96 431	22.19 435	29.04 437	38.42 437	53.71 432	24.28 435	28.31 431	20.78 432	21.00 429	21.43 435	24.16 435	23.50 434	27.39 433	14.09 433	17.38 430	11.84 433	14.04 433	14.73 432	14.89 428

test_example2	98.32 438	94.13 438	45.89 436	96.35 437	109.85 438	88.61 438	95.45 438	25.75 437	94.37 438	130.00 438	126.06 438	58.17 438	74.63 438	88.51 438	79.96 438	150.23 438	221.02 438	77.62 438	99.10 438	113.75 438	96.94 438

Low-res two-view benchmark