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

TANstereo	1.20 2	0.49 23	2.04 6	0.34 13	0.10 10	1.80 16	0.01 1	3.40 4	4.10 16	4.37 23	4.82 16	0.41 6	0.70 8	0.94 3	0.46 4	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

CREStereo++_RVC	1.59 9	0.39 15	2.26 9	0.36 14	0.01 1	1.67 9	0.01 1	2.95 1	8.12 73	3.69 19	7.44 46	0.47 9	0.32 3	0.74 1	0.39 1	0.00 1	0.00 1	0.00 1	3.03 175	0.00 1	0.00 1

s12784h	1.59 9	0.39 15	2.26 9	0.36 14	0.01 1	1.67 9	0.01 1	2.95 1	8.12 73	3.69 19	7.44 46	0.47 9	0.32 3	0.74 1	0.39 1	0.00 1	0.00 1	0.00 1	3.03 175	0.00 1	0.00 1

TestStereo	1.74 13	1.02 84	3.64 44	0.20 3	0.28 26	1.33 4	0.01 1	5.24 17	4.01 13	3.18 13	4.97 19	2.07 25	0.70 8	7.32 59	0.75 11	0.02 65	0.00 1	0.00 1	0.00 1	0.01 7	0.00 1

XX-TBD	1.44 8	0.85 66	2.04 6	2.45 111	0.05 3	2.34 21	0.01 1	3.46 5	7.51 62	2.88 12	4.98 20	0.26 4	0.25 2	1.15 6	0.46 4	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

GMStereo	1.83 16	0.99 81	4.55 65	0.57 19	0.05 3	2.53 24	0.01 1	4.95 14	11.14 100	3.52 17	2.24 8	0.53 12	0.49 5	3.76 29	0.80 14	0.20 124	0.00 1	0.00 1	0.12 124	0.12 64	0.00 1

CREStereo	0.98 1	0.42 17	1.86 1	0.07 1	0.22 23	1.65 8	0.02 7	4.07 9	6.33 43	0.72 5	1.54 4	0.43 7	0.64 7	1.22 7	0.44 3	0.00 1	0.00 1	0.00 1	0.00 1	0.01 7	0.00 1
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
iRaftStereo_RVC	1.62 11	0.68 49	1.98 5	0.67 21	0.05 3	2.99 37	0.04 8	5.36 18	3.74 11	3.82 21	4.96 18	2.54 28	0.62 6	3.35 25	0.97 20	0.00 1	0.07 107	0.00 1	0.00 1	0.30 108	0.27 111

DN-CSS_ROB	2.69 37	1.40 110	5.34 81	2.31 102	0.75 49	3.14 39	0.06 9	6.11 28	3.87 12	5.34 38	12.18 90	2.34 27	1.22 18	7.84 68	1.48 28	0.03 79	0.00 1	0.00 1	0.00 1	0.35 117	0.03 27

AFF-stereo	2.59 36	0.68 49	2.35 13	1.55 51	0.17 20	1.67 9	0.08 10	5.75 25	6.60 46	6.20 52	12.13 87	6.16 55	2.36 37	4.75 36	1.11 23	0.02 65	0.02 70	0.00 1	0.00 1	0.23 103	0.05 43

raft+_RVC	1.79 15	0.84 64	2.32 12	2.40 107	0.85 56	1.38 5	0.09 11	6.36 30	4.75 21	2.85 11	5.46 30	1.17 13	1.36 22	4.54 33	0.91 16	0.00 1	0.10 116	0.00 1	0.00 1	0.11 59	0.22 95

cscssc	2.28 27	0.61 38	3.81 49	0.22 4	0.07 7	1.69 12	0.11 12	5.37 19	11.84 109	5.80 42	5.17 23	1.44 16	5.41 91	2.00 15	1.92 34	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.18 86

csc	2.28 27	0.61 38	3.81 49	0.22 4	0.07 7	1.69 12	0.11 12	5.37 19	11.84 109	5.80 42	5.17 23	1.44 16	5.41 91	2.00 15	1.92 34	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.18 86

222	2.20 26	0.61 38	5.31 80	0.31 10	0.19 22	1.69 12	0.11 12	5.37 19	8.54 82	5.80 42	5.17 23	1.44 16	5.41 91	2.00 15	1.92 34	0.00 1	0.00 1	0.00 1	0.00 1	0.04 31	0.18 86

FENet	2.19 25	0.34 9	3.04 31	2.05 82	0.26 25	2.82 31	0.13 15	7.02 36	5.55 30	4.97 30	1.94 6	4.91 39	3.39 51	4.71 35	2.50 43	0.02 65	0.03 81	0.00 1	0.00 1	0.00 1	0.21 93

DIP-Stereo	1.97 19	0.64 44	2.95 28	0.17 2	0.10 10	4.83 71	0.13 15	8.60 47	4.06 15	6.42 58	4.92 17	0.44 8	0.72 10	3.57 26	1.80 32	0.00 1	0.01 54	0.00 1	0.00 1	0.05 39	0.04 38
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RAFT-Stereo + iAFF	2.12 24	0.58 34	2.43 14	1.27 37	0.16 17	1.60 7	0.14 17	5.17 15	5.90 34	7.10 68	10.10 69	3.06 31	1.74 30	1.87 14	0.97 20	0.01 48	0.02 70	0.00 1	0.00 1	0.23 103	0.02 14

StereoDRNet-Refined	4.46 87	0.62 43	3.80 48	1.92 71	0.40 33	9.35 111	0.15 18	10.02 64	8.83 85	12.69 126	11.62 85	9.34 86	3.87 61	8.06 74	8.02 111	0.00 1	0.00 1	0.01 95	0.05 110	0.20 90	0.26 108
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
RALAANet	2.46 32	1.09 91	3.70 46	2.55 116	0.80 54	3.37 41	0.15 18	7.44 39	5.54 29	5.65 41	6.01 32	3.54 33	1.13 16	6.34 49	1.58 30	0.00 1	0.01 54	0.00 1	0.05 110	0.21 95	0.03 27

rafts_anoy	1.72 12	0.79 59	2.58 15	2.03 80	1.75 91	2.47 23	0.16 20	5.48 23	6.01 38	3.24 15	2.11 7	1.92 24	1.33 21	3.08 22	1.13 25	0.01 48	0.18 136	0.00 1	0.01 82	0.03 26	0.07 47

RALCasStereoNet	1.93 18	1.01 82	2.75 23	1.88 67	1.75 91	2.88 34	0.18 21	4.64 11	4.36 19	2.27 9	5.14 22	2.22 26	0.79 13	7.10 57	1.00 22	0.00 1	0.34 152	0.00 1	0.00 1	0.10 53	0.16 83

sCroCo_RVC	1.21 3	0.65 47	5.16 78	1.09 32	1.29 74	0.92 1	0.19 22	3.92 6	2.68 2	0.30 1	3.04 9	0.52 11	1.56 26	1.58 8	0.78 12	0.09 106	0.25 146	0.00 1	0.00 1	0.07 45	0.11 67

XX-Stereo	2.71 38	0.38 13	5.96 94	2.25 97	2.20 106	1.54 6	0.21 23	5.44 22	3.05 3	2.28 10	16.16 120	7.03 60	0.24 1	6.19 45	0.79 13	0.00 1	0.15 129	0.00 1	0.23 135	0.13 72	0.04 38

CFNet	3.72 63	1.10 93	5.03 74	2.49 113	1.59 81	4.90 73	0.22 24	11.38 88	9.88 92	4.80 28	11.25 79	6.44 56	3.68 58	8.33 79	3.00 52	0.00 1	0.00 1	0.00 1	0.00 1	0.22 98	0.07 47

HCRNet	2.56 34	0.53 29	3.35 36	0.24 7	3.39 134	2.19 18	0.23 25	6.89 35	5.50 27	5.26 35	4.79 15	5.27 43	2.78 44	7.71 64	2.89 50	0.00 1	0.02 70	0.00 1	0.00 1	0.04 31	0.04 38

CroCo_RVC	1.35 4	1.66 125	8.14 124	0.55 17	0.46 37	1.23 2	0.24 26	4.00 7	3.47 7	0.40 2	1.11 1	0.23 2	1.42 23	0.96 4	0.57 6	0.01 48	0.00 1	0.00 1	0.20 131	2.07 163	0.22 95

sAnonymous2	1.35 4	1.66 125	8.14 124	0.55 17	0.46 37	1.23 2	0.24 26	4.00 7	3.47 7	0.40 2	1.11 1	0.23 2	1.42 23	0.96 4	0.57 6	0.01 48	0.00 1	0.00 1	0.20 131	2.07 163	0.22 95

GwcNet-DCA	2.08 22	0.64 44	3.81 49	0.31 10	0.17 20	1.70 15	0.25 28	5.23 16	8.47 80	6.07 48	5.30 29	1.41 15	4.23 68	1.85 12	2.02 38	0.00 1	0.00 1	0.00 1	0.00 1	0.04 31	0.19 89

UNet	3.97 72	0.61 38	6.50 106	1.68 61	3.22 127	9.82 117	0.31 29	9.50 56	5.32 25	7.20 70	6.35 33	10.59 97	5.91 100	6.93 55	5.49 87	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.01 8

MLCV	3.44 56	0.88 68	5.60 86	1.39 42	0.25 24	4.36 61	0.33 30	7.25 37	7.28 58	9.17 97	12.24 92	5.09 41	2.47 38	9.15 97	3.23 61	0.00 1	0.00 1	0.00 1	0.00 1	0.10 53	0.02 14

PMTNet	1.41 7	0.37 11	2.06 8	0.26 8	0.15 16	2.94 36	0.34 31	3.39 3	5.33 26	1.00 6	1.27 3	0.28 5	0.93 15	4.04 30	0.74 10	5.00 173	0.00 1	0.00 1	0.00 1	0.03 26	0.01 8

PWCDC_ROB	7.92 133	3.17 157	7.48 120	5.73 169	4.40 152	10.45 123	0.35 32	14.52 128	28.19 161	10.36 110	31.27 159	7.04 62	9.14 126	13.22 136	8.78 122	2.74 172	0.02 70	0.00 1	0.00 1	1.31 156	0.17 84

iResNet_ROB	4.23 81	1.02 84	4.90 71	2.18 91	0.93 63	2.92 35	0.37 33	15.10 133	16.91 135	7.89 81	10.51 74	7.03 60	3.07 47	8.16 78	3.46 67	0.01 48	0.00 1	0.00 1	0.00 1	0.10 53	0.02 14

Gwc-CoAtRS	2.02 20	0.33 7	2.61 16	1.04 29	0.30 27	3.56 45	0.40 34	5.89 26	5.94 35	5.08 31	5.01 21	5.55 47	1.72 28	1.60 9	0.91 16	0.01 48	0.09 115	0.00 1	0.25 139	0.01 7	0.02 14

CFNet-RSSM	2.11 23	0.33 7	2.71 21	1.04 29	0.30 27	3.21 40	0.41 35	6.67 34	6.96 51	5.62 40	4.58 14	5.40 45	1.71 27	1.86 13	0.87 15	0.00 1	0.08 110	0.00 1	0.32 144	0.02 14	0.02 14

Anonymous	1.37 6	0.52 25	4.23 57	1.38 41	2.70 121	1.85 17	0.42 36	4.77 12	3.54 9	0.53 4	1.56 5	0.19 1	1.32 20	3.11 23	0.92 19	0.05 96	0.08 110	0.00 1	0.00 1	0.17 83	0.15 79

RTSC	9.15 142	3.00 152	13.57 149	3.72 151	1.76 93	11.82 134	0.46 37	16.95 143	36.83 173	15.80 140	15.53 117	12.91 113	7.46 113	20.01 163	21.76 163	0.31 136	0.13 126	0.01 95	0.08 117	0.57 132	0.41 123

iResNet	3.68 60	0.91 71	7.94 122	2.97 132	0.34 30	4.44 66	0.48 38	7.70 40	9.74 90	7.72 78	12.74 97	4.03 35	2.87 45	8.05 73	3.37 63	0.02 65	0.01 54	0.00 1	0.00 1	0.10 53	0.09 56

GANet-RSSM	3.27 49	0.60 36	3.38 37	2.94 131	2.00 100	2.61 25	0.48 38	10.93 85	6.11 40	5.47 39	10.20 71	6.57 57	5.44 94	6.25 47	2.23 41	0.00 1	0.00 1	0.08 132	0.00 1	0.17 83	0.03 27

raftrobust	1.86 17	0.74 54	1.94 4	2.15 89	2.24 108	2.74 28	0.53 40	4.89 13	4.05 14	6.09 49	3.89 12	1.64 20	2.55 39	2.44 21	1.12 24	0.00 1	0.03 81	0.00 1	0.00 1	0.12 64	0.08 52

MSMDNet	2.02 20	0.37 11	2.84 26	1.14 34	0.34 30	3.73 50	0.53 40	6.21 29	3.55 10	5.32 37	5.17 23	5.85 52	1.74 30	2.23 18	0.91 16	0.01 48	0.10 116	0.00 1	0.24 137	0.02 14	0.02 14

FADNet_RVC	3.91 71	1.67 127	12.95 147	0.96 28	0.75 49	5.71 81	0.54 42	10.83 82	6.60 46	3.46 16	8.09 53	4.10 36	3.40 52	9.43 104	6.33 95	0.36 140	0.44 158	0.17 145	0.46 156	0.91 146	0.95 150

Anonymous3	1.76 14	0.44 18	6.37 101	0.33 12	0.50 40	4.33 59	0.54 42	4.43 10	2.48 1	2.21 8	3.24 10	1.53 19	1.14 17	5.64 41	1.29 26	0.17 119	0.23 142	0.00 1	0.00 1	0.12 64	0.15 79

hitnet-ft	3.66 59	0.65 47	2.79 25	0.89 25	0.72 48	4.25 58	0.55 44	9.11 51	7.52 63	7.14 69	10.19 70	12.49 111	4.70 78	7.44 60	4.41 76	0.03 79	0.00 1	0.06 127	0.00 1	0.20 90	0.04 38

ACVNet	2.58 35	0.53 29	2.69 18	0.84 23	0.59 42	2.61 25	0.55 44	8.35 42	5.70 31	4.45 24	9.26 64	5.77 49	3.50 53	2.24 19	4.41 76	0.00 1	0.00 1	0.00 1	0.00 1	0.17 83	0.01 8

DMCA-RVC	3.17 46	1.26 103	6.39 103	2.10 85	1.51 80	3.02 38	0.56 46	7.84 41	5.06 22	9.23 98	5.19 27	8.46 79	2.72 42	6.31 48	3.22 60	0.06 100	0.11 120	0.09 135	0.02 89	0.16 81	0.08 52

DMCA	2.82 41	0.64 44	4.45 63	1.61 56	0.89 58	3.86 53	0.57 47	9.18 52	5.10 23	6.24 54	6.49 34	7.17 67	2.13 34	3.31 24	4.73 80	0.00 1	0.01 54	0.00 1	0.00 1	0.04 31	0.02 14

HITNet	2.79 40	0.77 55	4.02 54	2.03 80	0.11 13	5.58 78	0.59 48	9.24 54	5.15 24	6.42 58	7.26 44	3.66 34	2.92 46	4.07 31	3.87 71	0.00 1	0.00 1	0.00 1	0.00 1	0.06 43	0.02 14
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
RAFT-Stereo	2.44 30	0.32 2	1.93 2	0.94 26	0.16 17	3.67 47	0.61 49	6.37 31	3.08 4	9.14 95	17.44 127	1.80 21	0.77 11	1.76 10	0.70 8	0.00 1	0.01 54	0.00 1	0.00 1	0.01 7	0.03 27
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
R-Stereo Train	2.44 30	0.32 2	1.93 2	0.94 26	0.16 17	3.67 47	0.61 49	6.37 31	3.08 4	9.14 95	17.44 127	1.80 21	0.77 11	1.76 10	0.70 8	0.00 1	0.01 54	0.00 1	0.00 1	0.01 7	0.03 27

NLCA_NET_v2_RVC	3.84 68	1.06 88	5.23 79	2.72 122	3.27 128	4.36 61	0.61 49	10.71 78	7.56 64	8.75 90	7.89 52	9.86 89	3.90 62	7.15 58	3.44 66	0.14 113	0.02 70	0.02 107	0.03 99	0.04 31	0.03 27
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
MMNet	4.16 77	0.77 55	5.47 84	1.40 43	1.67 86	10.78 126	0.63 52	8.64 49	8.47 80	8.80 91	8.33 55	7.51 69	6.61 105	7.53 62	6.54 98	0.00 1	0.00 1	0.00 1	0.00 1	0.03 26	0.05 43

STTStereo	3.60 58	0.93 76	6.34 100	2.71 121	2.23 107	3.68 49	0.63 52	9.42 55	6.73 48	9.87 106	6.97 40	8.84 83	3.65 57	6.85 53	3.04 53	0.00 1	0.02 70	0.01 95	0.00 1	0.02 14	0.02 14

cf-r	3.42 55	0.81 61	3.97 53	2.41 109	2.78 122	2.85 33	0.64 54	8.44 45	6.32 42	6.25 55	11.57 84	8.97 84	3.54 55	5.93 43	3.83 70	0.00 1	0.00 1	0.00 1	0.00 1	0.09 52	0.07 47

CFNet_RVC	3.31 51	0.94 78	2.69 18	1.50 48	2.38 111	2.81 29	0.68 55	8.35 42	7.43 60	4.45 24	9.94 67	10.20 92	4.60 74	6.49 51	3.41 64	0.00 1	0.00 1	0.03 115	0.00 1	0.22 98	0.03 27

CFNet-ft	3.31 51	0.94 78	2.69 18	1.50 48	2.38 111	2.81 29	0.68 55	8.35 42	7.43 60	4.45 24	9.94 67	10.20 92	4.60 74	6.50 52	3.41 64	0.00 1	0.00 1	0.03 115	0.00 1	0.22 98	0.03 27

111	2.78 39	0.92 74	3.81 49	0.22 4	0.07 7	2.83 32	0.70 57	6.03 27	14.00 120	3.22 14	8.93 61	5.48 46	3.30 49	3.66 27	2.03 39	0.00 1	0.00 1	0.00 1	0.00 1	0.10 53	0.29 114

CFNet-pseudo	3.23 47	0.36 10	3.58 42	2.13 88	1.45 77	3.78 51	0.70 57	12.67 109	9.52 87	5.16 33	12.28 93	2.62 29	1.81 32	5.36 40	3.08 55	0.01 48	0.00 1	0.00 1	0.00 1	0.00 1	0.07 47

PSMNet-RSSM	3.33 53	0.77 55	3.22 35	2.12 86	1.90 99	2.33 20	0.71 59	11.17 86	5.83 33	5.90 45	11.43 82	7.04 62	4.83 85	5.96 44	3.17 58	0.00 1	0.00 1	0.02 107	0.00 1	0.08 48	0.02 14

ac_64	3.70 62	0.47 21	3.50 40	2.87 125	3.50 137	5.91 82	0.72 60	10.17 69	4.34 18	8.16 85	5.80 31	10.82 100	5.64 96	7.08 56	4.73 80	0.03 79	0.00 1	0.00 1	0.00 1	0.08 48	0.14 76

HGLStereo	4.25 83	0.52 25	4.65 69	3.09 134	5.18 164	6.51 92	0.73 61	10.37 72	6.74 49	7.32 73	12.44 95	7.00 59	7.21 111	7.46 61	5.51 88	0.00 1	0.02 70	0.00 1	0.00 1	0.06 43	0.10 64

NOSS_ROB	3.30 50	0.46 20	2.62 17	2.08 83	1.01 65	5.60 79	0.74 62	10.37 72	11.48 105	5.15 32	8.43 56	5.67 48	1.73 29	7.97 70	2.34 42	0.02 65	0.06 100	0.00 1	0.00 1	0.07 45	0.14 76

FADNet	4.23 81	1.65 124	11.75 140	1.64 59	0.80 54	4.80 70	0.77 63	13.76 120	11.65 107	3.97 22	5.24 28	9.62 88	5.14 87	8.40 80	3.78 69	0.21 125	0.04 88	0.07 131	0.05 110	1.14 151	0.10 64

DeepPruner_ROB	3.52 57	1.14 96	4.06 55	1.12 33	1.65 84	3.65 46	0.83 64	13.96 121	4.47 20	7.80 79	10.84 76	7.05 64	2.16 35	8.14 77	3.08 55	0.07 104	0.03 81	0.00 1	0.01 82	0.32 112	0.06 45

acv_ft	3.69 61	0.53 29	4.58 68	2.31 102	4.71 162	7.44 101	0.86 65	8.54 46	5.70 31	9.29 99	9.26 64	5.77 49	4.15 65	2.24 19	8.13 115	0.00 1	0.00 1	0.00 1	0.00 1	0.29 107	0.01 8

pcwnet_v2	2.93 42	0.29 1	3.01 29	2.39 106	1.07 67	2.73 27	0.89 66	11.37 87	6.25 41	6.20 52	11.49 83	2.71 30	2.74 43	4.22 32	2.75 49	0.06 100	0.05 93	0.00 1	0.00 1	0.01 7	0.37 118

RASNet	4.52 90	0.61 38	4.42 62	3.42 144	4.68 161	4.58 68	0.99 67	9.54 58	8.01 71	5.28 36	11.42 81	10.34 96	8.88 122	9.28 100	8.68 120	0.15 115	0.00 1	0.00 1	0.00 1	0.03 26	0.04 38

UCFNet_RVC	3.09 43	0.77 55	2.27 11	2.35 104	1.79 95	3.50 43	1.06 68	12.12 101	6.91 50	4.71 27	7.67 50	7.58 70	4.40 72	4.95 38	1.67 31	0.00 1	0.00 1	0.00 1	0.00 1	0.11 59	0.01 8

BEATNet_4x	3.24 48	1.27 104	5.89 92	1.56 52	0.10 10	5.26 75	1.07 69	10.08 66	5.50 27	6.89 66	7.73 51	4.53 38	4.13 64	5.05 39	5.27 84	0.04 88	0.05 93	0.00 1	0.00 1	0.23 103	0.23 99

GES	2.49 33	0.38 13	4.29 59	1.58 53	0.05 3	4.58 68	1.07 69	9.70 59	3.39 6	5.21 34	6.64 36	1.84 23	3.36 50	4.86 37	2.54 45	0.06 100	0.01 54	0.06 127	0.01 82	0.12 64	0.03 27

HSM	4.00 74	0.79 59	3.16 34	1.59 55	2.17 103	6.77 94	1.11 71	12.28 104	6.35 45	6.75 62	8.11 54	13.90 117	5.37 90	8.85 90	2.71 47	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.02 14

PWC_ROB	8.24 136	3.13 153	12.74 145	2.43 110	4.43 155	7.51 102	1.22 72	16.63 142	19.24 143	16.08 141	28.29 152	13.99 119	10.16 130	13.63 139	14.06 149	0.42 147	0.00 1	0.05 125	0.00 1	0.59 134	0.27 111

SHD	9.61 146	2.60 145	12.46 143	3.69 150	3.54 138	9.47 113	1.25 73	20.16 166	37.84 176	18.19 145	21.24 136	16.96 132	12.83 143	14.47 145	16.05 153	0.32 137	0.13 126	0.01 95	0.08 117	0.38 120	0.48 128

DispFullNet	17.47 174	26.01 179	33.98 173	22.58 180	20.86 180	13.84 144	1.28 74	16.50 140	26.27 159	19.97 151	17.17 125	20.52 152	18.49 155	22.86 167	10.76 137	5.13 174	2.83 177	30.72 181	7.72 179	20.86 180	11.01 180

AdaStereo	3.09 43	0.58 34	3.04 31	2.84 124	0.48 39	4.08 56	1.29 75	12.16 103	7.77 67	6.03 47	9.62 66	5.79 51	1.53 25	4.56 34	1.93 37	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.02 14
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.
FADNet-RVC	3.98 73	1.84 134	12.48 144	1.69 62	0.44 35	4.33 59	1.31 76	11.84 96	7.15 56	3.53 18	3.50 11	10.63 98	4.43 73	9.12 95	6.25 94	0.03 79	0.10 116	0.00 1	0.03 99	0.60 135	0.25 105

DANet	6.02 104	1.23 100	8.45 126	3.86 156	3.94 149	7.64 103	1.34 77	9.51 57	7.00 53	13.39 133	15.53 117	15.99 128	7.02 110	12.14 126	12.37 143	0.19 122	0.12 125	0.02 107	0.03 99	0.13 72	0.56 136
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GwcNet-RSSM	3.77 65	1.05 87	5.06 75	2.21 94	1.87 97	2.36 22	1.52 78	8.98 50	7.96 70	5.91 46	14.59 110	7.94 77	3.50 53	6.43 50	5.70 89	0.00 1	0.00 1	0.04 122	0.00 1	0.20 90	0.08 52

iResNetv2_ROB	4.28 85	1.43 111	7.17 115	2.91 126	1.26 72	4.36 61	1.62 79	13.64 119	10.25 96	9.83 105	11.41 80	7.68 72	4.00 63	7.75 67	1.85 33	0.00 1	0.00 1	0.00 1	0.00 1	0.37 119	0.09 56

Nwc_Net	6.97 124	1.25 102	6.63 108	3.82 154	3.37 131	10.83 128	1.67 80	19.56 163	11.35 103	8.36 86	23.62 142	17.19 134	11.44 136	11.21 121	8.08 114	0.80 157	0.00 1	0.00 1	0.02 89	0.13 72	0.09 56

AANet_RVC	5.01 93	1.74 129	6.38 102	1.96 76	1.29 74	2.26 19	1.69 81	10.07 65	18.53 138	7.88 80	18.15 129	8.49 82	2.70 41	10.59 115	7.04 101	0.96 162	0.15 129	0.02 107	0.00 1	0.13 72	0.12 71

HSM-Net_RVC	4.20 79	0.32 2	2.76 24	0.63 20	0.69 46	6.95 96	1.69 81	11.96 97	8.36 79	8.83 92	12.17 89	15.18 124	4.21 67	6.91 54	3.30 62	0.02 65	0.02 70	0.00 1	0.00 1	0.01 7	0.01 8
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
psmorigin	7.34 126	1.58 119	18.31 158	2.35 104	0.87 57	6.72 93	1.70 83	10.63 77	7.14 55	19.77 150	22.71 140	20.13 149	11.34 135	12.96 133	9.49 127	0.04 88	0.17 134	0.06 127	0.17 128	0.21 95	0.50 131

APVNet	5.98 102	1.72 128	8.72 127	3.21 139	4.04 150	12.31 135	1.81 84	19.09 155	6.10 39	6.13 50	13.41 101	10.69 99	6.30 101	11.26 122	13.90 148	0.05 96	0.02 70	0.11 137	0.03 99	0.53 129	0.20 92

CBMV_ROB	4.14 76	0.52 25	3.14 33	1.30 38	0.77 52	6.92 95	1.97 85	10.11 68	9.58 88	8.92 94	14.20 109	7.12 66	5.90 99	8.65 86	3.50 68	0.01 48	0.05 93	0.00 1	0.00 1	0.04 31	0.09 56

PS-NSSS	3.90 70	1.84 134	4.55 65	0.87 24	2.95 125	4.10 57	2.00 86	10.77 80	8.23 76	6.75 62	14.63 111	5.01 40	2.24 36	8.41 81	2.91 51	0.33 138	0.03 81	0.83 166	0.00 1	0.82 144	0.70 143

GwcNet	6.42 111	1.97 138	10.92 136	2.59 118	5.58 167	11.55 131	2.21 87	14.10 123	16.52 134	10.04 108	17.19 126	10.86 101	5.61 95	9.23 98	8.84 123	0.01 48	0.06 100	0.03 115	0.08 117	0.56 130	0.40 121

FADNet-RVC-Resample	3.79 66	1.62 122	12.06 141	1.43 45	0.66 44	5.94 83	2.41 88	10.18 70	8.58 83	6.28 56	4.22 13	5.33 44	4.80 84	7.71 64	3.19 59	0.17 119	0.21 139	0.17 145	0.12 124	0.41 126	0.29 114

edge stereo	6.76 117	1.01 82	6.76 110	2.20 93	2.45 115	6.41 88	2.45 89	14.84 130	11.98 112	15.29 139	18.31 130	22.02 154	12.56 139	10.82 117	7.49 104	0.03 79	0.06 100	0.11 137	0.03 99	0.30 108	0.14 76

EAI-Stereo	2.31 29	0.44 18	2.72 22	0.68 22	0.56 41	3.51 44	2.62 90	11.42 89	4.14 17	2.09 7	7.23 43	1.21 14	0.91 14	5.67 42	1.51 29	0.01 48	0.25 146	0.00 1	0.88 163	0.04 31	0.26 108

LRCNet_RVC	66.23 183	65.67 183	67.63 179	71.47 183	54.32 183	32.17 174	2.66 91	63.19 183	21.35 151	81.79 183	91.26 184	83.62 183	71.62 183	69.32 183	52.57 182	95.49 184	64.45 183	95.07 184	95.19 184	71.52 183	74.31 183

UPFNet	3.82 67	0.47 21	4.34 61	2.21 94	3.38 132	7.26 98	2.69 92	9.89 61	5.96 36	7.98 82	7.53 48	7.89 76	3.15 48	7.72 66	5.88 91	0.01 48	0.02 70	0.00 1	0.00 1	0.04 31	0.06 45

AF-Net	7.78 131	1.44 112	6.68 109	3.37 142	4.50 159	8.61 106	2.69 92	17.07 144	20.17 149	9.52 101	24.02 143	20.31 150	14.59 149	11.58 124	9.84 131	0.61 153	0.00 1	0.12 139	0.00 1	0.38 120	0.12 71

RGC	6.88 123	2.23 142	6.13 96	4.05 158	4.73 163	8.94 108	2.78 94	15.19 135	11.74 108	11.13 117	19.34 132	17.86 136	10.42 131	13.02 134	8.03 113	0.73 155	0.01 54	0.24 152	0.41 151	0.31 111	0.38 119

ARAFT	3.13 45	1.11 94	7.34 116	0.42 16	0.14 15	4.52 67	2.99 95	7.41 38	5.97 37	8.85 93	7.06 42	5.20 42	1.25 19	8.49 82	1.44 27	0.00 1	0.03 81	0.00 1	0.00 1	0.33 113	0.11 67

GEStereo_RVC	3.74 64	0.73 53	4.95 72	2.01 79	1.24 71	4.36 61	3.07 96	11.77 95	7.80 68	6.87 65	6.52 35	7.70 73	4.31 71	8.98 93	4.19 74	0.03 79	0.01 54	0.02 107	0.02 89	0.13 72	0.11 67

DLCB_ROB	4.51 88	0.91 71	3.78 47	2.19 92	1.07 67	6.28 85	3.09 97	9.78 60	7.72 66	10.65 112	12.97 98	13.91 118	3.71 59	8.72 87	5.30 85	0.00 1	0.00 1	0.00 1	0.00 1	0.03 26	0.10 64

NVstereo2D	4.51 88	0.82 62	6.86 113	3.28 141	3.38 132	8.16 104	3.13 98	10.51 74	15.15 125	4.90 29	6.89 39	7.87 74	4.78 82	9.88 107	3.91 72	0.01 48	0.00 1	0.00 1	0.06 113	0.02 14	0.58 137

ADCRef	7.27 125	1.38 109	16.37 154	2.52 114	3.30 130	11.63 132	3.16 99	10.80 81	9.35 86	13.03 132	25.27 149	8.17 78	8.92 123	8.06 74	21.81 164	0.15 115	0.08 110	0.16 144	0.34 147	0.38 120	0.58 137

stereogan	7.69 129	0.88 68	7.08 114	3.49 147	3.93 148	18.98 157	3.23 100	16.52 141	19.58 145	9.93 107	18.92 131	20.50 151	9.04 125	14.07 141	6.14 92	0.26 131	0.04 88	0.21 149	0.03 99	0.63 137	0.33 116

Syn2CoEx	6.32 109	2.72 148	9.33 130	2.45 111	1.67 86	8.59 105	3.32 101	18.08 149	12.27 113	8.53 89	21.08 135	10.30 95	9.80 128	9.30 101	7.86 109	0.01 48	0.00 1	0.00 1	0.00 1	0.63 137	0.43 124

psm_up	3.85 69	0.82 62	3.01 29	2.00 78	2.58 119	5.28 76	3.34 102	10.85 83	6.33 43	7.27 72	7.32 45	10.15 91	9.02 124	6.19 45	2.51 44	0.22 126	0.01 54	0.00 1	0.00 1	0.12 64	0.03 27

DRN-Test	5.87 99	0.98 80	5.89 92	2.69 120	3.65 142	12.37 136	3.35 103	20.07 165	10.20 95	11.93 121	12.31 94	11.06 104	5.31 89	7.89 69	9.05 124	0.04 88	0.05 93	0.04 122	0.04 108	0.18 88	0.25 105

DISCO	6.28 108	0.57 33	5.78 89	3.43 145	1.17 69	11.22 129	3.39 104	12.14 102	16.16 130	6.52 61	11.22 78	16.96 132	6.32 102	19.51 160	10.74 136	0.00 1	0.00 1	0.00 1	0.00 1	0.35 117	0.11 67

RP	6.84 121	1.29 108	5.53 85	3.92 157	5.18 164	6.32 86	3.53 105	11.73 94	15.31 126	9.54 102	22.38 139	18.25 139	14.47 148	10.11 109	7.49 104	0.91 161	0.01 54	0.12 139	0.15 127	0.33 113	0.19 89

XQC	8.43 139	3.58 159	16.40 155	2.92 128	2.17 103	13.22 141	3.60 106	14.64 129	25.86 158	11.87 120	12.04 86	15.06 123	10.67 132	15.24 148	19.41 156	0.39 142	0.08 110	0.05 125	0.07 115	0.84 145	0.45 125

NCC-stereo	6.77 118	1.49 114	6.48 104	2.92 128	4.40 152	7.43 99	3.61 107	19.52 161	13.29 117	8.39 87	16.91 121	15.96 126	12.13 137	12.85 131	7.70 106	1.47 167	0.11 120	0.01 95	0.42 152	0.14 79	0.24 102

Abc-Net	6.77 118	1.49 114	6.48 104	2.92 128	4.40 152	7.43 99	3.61 107	19.52 161	13.29 117	8.39 87	16.91 121	15.96 126	12.13 137	12.85 131	7.70 106	1.47 167	0.11 120	0.01 95	0.42 152	0.14 79	0.24 102
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
PA-Net	4.98 92	1.47 113	7.42 118	2.40 107	2.14 102	8.73 107	3.64 109	12.42 105	13.11 116	7.03 67	7.57 49	7.88 75	6.52 104	10.16 110	7.82 108	0.02 65	0.03 81	0.00 1	0.00 1	0.11 59	1.07 153
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
PDISCO_ROB	9.62 147	1.99 139	11.51 138	9.88 176	9.61 177	21.48 161	3.83 110	19.33 157	28.49 162	11.27 118	14.17 108	19.92 148	5.02 86	16.35 153	9.18 125	5.28 175	0.41 155	0.14 142	0.09 121	2.05 162	2.36 171

test_xeample3	3.34 54	0.93 76	4.33 60	0.28 9	0.12 14	3.46 42	3.98 111	6.58 33	11.84 109	6.79 64	13.56 102	3.52 32	4.23 68	3.71 28	2.05 40	0.01 48	0.01 54	0.00 1	0.00 1	0.02 14	1.40 158

delet	4.27 84	0.72 52	4.50 64	1.07 31	3.75 146	10.79 127	4.04 112	9.95 62	7.89 69	8.09 83	8.89 60	8.46 79	3.81 60	7.56 63	5.80 90	0.00 1	0.00 1	0.00 1	0.00 1	0.11 59	0.02 14

PVD	15.44 165	2.93 151	14.67 153	4.21 162	3.39 134	17.43 156	4.16 113	27.84 177	48.84 181	31.02 169	43.54 177	29.76 166	30.81 176	25.97 171	21.40 161	0.23 127	0.41 155	0.04 122	0.33 146	0.41 126	1.33 156

RYNet	6.34 110	0.89 70	5.88 91	1.41 44	4.48 158	15.97 149	4.18 114	13.41 115	16.49 131	10.81 115	7.00 41	14.33 120	8.72 121	9.43 104	13.71 147	0.00 1	0.01 54	0.00 1	0.00 1	0.02 14	0.07 47

FAT-Stereo	6.78 120	0.68 49	6.80 111	2.30 100	1.77 94	5.63 80	4.20 115	18.79 152	18.62 139	10.53 111	17.15 124	18.52 141	13.74 147	8.86 91	7.38 103	0.03 79	0.15 129	0.01 95	0.07 115	0.12 64	0.26 108

MaskLacGwcNet_RVC	5.97 101	5.36 164	5.02 73	3.75 153	3.57 139	15.81 148	4.27 116	11.72 93	6.96 51	7.23 71	8.47 57	9.09 85	2.66 40	9.36 103	2.71 47	7.49 178	2.32 174	2.01 175	0.08 117	6.77 177	4.67 174

SuperB	8.10 135	3.15 155	24.67 167	2.65 119	1.23 70	9.88 118	4.29 117	10.18 70	30.07 164	11.53 119	12.18 90	6.12 54	6.65 107	10.50 113	14.47 151	0.14 113	0.11 120	0.35 158	0.25 139	13.06 179	0.48 128

DeepPrunerF	6.75 116	2.69 147	23.31 165	3.68 149	7.16 172	3.78 51	4.29 117	13.42 116	20.13 148	8.13 84	10.46 72	7.18 68	8.06 115	11.10 120	9.44 126	0.24 128	0.15 129	0.29 154	0.42 152	0.66 139	0.45 125

StereoDRNet	5.59 97	1.75 130	6.80 111	3.12 136	4.45 156	10.61 125	4.35 119	18.80 153	9.73 89	12.22 122	6.87 38	11.44 105	4.65 77	8.09 76	8.26 116	0.02 65	0.11 120	0.00 1	0.03 99	0.20 90	0.28 113

G-Net	8.41 138	1.54 117	10.97 137	5.73 169	3.60 140	26.19 167	4.41 120	10.10 67	7.42 59	19.71 149	24.99 148	14.38 121	15.83 150	10.99 118	9.53 128	0.50 151	0.46 160	0.19 148	0.25 139	0.80 143	0.66 141

MSMD_ROB	9.28 144	1.09 91	4.65 69	1.58 53	0.39 32	16.52 150	4.41 120	13.60 117	14.87 124	22.34 153	39.89 173	25.67 159	20.71 162	12.42 129	6.98 100	0.34 139	0.03 81	0.00 1	0.00 1	0.05 39	0.09 56

DSFCA	4.21 80	0.50 24	5.45 83	1.34 39	1.68 88	7.04 97	4.51 122	10.73 79	7.00 53	10.78 114	6.80 37	8.48 81	4.63 76	9.91 108	5.12 83	0.02 65	0.06 100	0.02 107	0.03 99	0.08 48	0.03 27

MFN_U_SF_RVC	12.94 158	3.66 160	25.81 168	3.61 148	2.26 109	22.77 163	4.55 123	27.10 174	20.06 147	23.90 160	28.99 154	30.53 167	16.98 151	19.92 162	20.26 158	1.24 164	1.07 166	0.98 168	1.33 169	1.80 161	2.04 166

FCDSN-DC	10.24 152	0.56 32	3.49 39	1.96 76	1.29 74	16.90 154	4.59 124	17.16 145	19.10 142	24.64 162	32.46 164	33.82 171	22.14 167	15.93 151	10.45 133	0.04 88	0.00 1	0.00 1	0.00 1	0.05 39	0.21 93
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
CVANet_RVC	4.16 77	1.16 98	3.60 43	1.94 74	1.46 78	3.92 55	4.68 125	10.89 84	8.34 78	7.58 77	10.84 76	10.27 94	6.62 106	8.56 84	2.69 46	0.39 142	0.00 1	0.00 1	0.01 82	0.21 95	0.09 56

ccnet	6.87 122	0.92 74	5.15 77	3.09 134	2.18 105	11.78 133	4.90 126	17.97 148	8.79 84	12.79 129	20.20 133	16.00 129	8.35 117	9.12 95	14.17 150	0.42 147	0.33 151	0.25 153	0.09 121	0.40 125	0.48 128

CC-Net-ROB	7.68 128	9.21 174	7.46 119	3.82 154	3.66 143	15.68 147	5.02 127	17.95 147	10.45 97	6.44 60	14.00 106	7.63 71	4.77 80	10.75 116	3.10 57	5.99 177	2.46 175	16.28 179	1.08 166	6.30 176	1.56 161

MeshStereo	11.52 157	1.52 116	4.55 65	1.89 69	1.46 78	19.87 160	5.11 128	20.66 167	15.91 129	32.67 171	34.51 168	39.34 177	21.15 163	18.74 159	12.10 142	0.11 109	0.06 100	0.01 95	0.00 1	0.45 128	0.22 95
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
ADCP+	8.09 134	1.79 132	14.50 152	1.54 50	4.28 151	16.57 151	5.20 129	12.80 110	11.20 102	12.83 130	17.07 123	11.02 103	10.80 133	17.59 156	23.18 167	0.03 79	0.05 93	0.01 95	0.18 129	0.39 124	0.81 146

FC-DCNN	10.72 155	0.52 25	4.27 58	1.88 67	1.63 83	17.18 155	5.29 130	18.20 150	19.69 146	28.50 166	34.51 168	34.03 172	21.48 165	15.89 150	11.15 140	0.03 79	0.01 54	0.02 107	0.01 82	0.07 45	0.09 56

aanetorigin	8.72 141	3.29 158	27.55 169	1.95 75	3.84 147	4.93 74	5.39 131	5.49 24	10.05 94	27.85 165	31.47 160	15.80 125	12.78 141	9.04 94	11.98 141	0.25 129	0.22 140	0.22 150	0.25 139	1.28 155	0.84 148

WCMA_ROB	9.21 143	0.87 67	7.37 117	2.54 115	2.13 101	13.59 142	5.80 132	11.64 91	14.01 121	24.43 161	32.99 165	27.09 161	18.02 153	12.51 130	9.85 132	0.81 158	0.07 107	0.01 95	0.01 82	0.16 81	0.23 99

DGSMNet	6.47 112	2.61 146	13.64 150	3.46 146	3.74 145	8.97 109	6.01 133	14.15 124	13.01 115	7.46 75	14.10 107	9.94 90	4.79 83	10.44 112	6.22 93	1.30 166	1.70 172	1.80 173	1.52 173	2.27 166	2.35 170

MDST_ROB	8.37 137	0.32 2	9.03 128	4.18 161	2.42 114	26.86 169	6.14 134	19.36 158	13.52 119	27.09 164	22.75 141	9.47 87	4.74 79	15.06 147	6.34 96	0.02 65	0.02 70	0.00 1	0.00 1	0.02 14	0.13 75

ADCMid	10.24 152	3.13 153	20.70 161	2.21 94	2.39 113	11.23 130	6.19 135	14.17 125	11.19 101	23.20 159	22.25 138	17.89 137	19.54 159	18.51 158	26.21 172	0.45 149	0.42 157	1.10 169	1.29 168	1.56 160	1.18 154

S-Stereo	6.63 115	0.84 64	9.67 132	3.15 137	3.48 136	6.49 90	6.22 136	12.99 112	22.84 153	9.48 100	15.51 116	12.00 108	8.43 118	8.04 72	10.70 135	0.12 112	0.17 134	0.00 1	0.38 149	0.13 72	1.92 164

pmcnn	7.72 130	1.27 104	9.42 131	2.91 126	3.14 126	9.44 112	6.23 137	12.56 108	16.51 132	14.53 136	24.08 144	27.44 162	8.49 119	9.32 102	8.44 118	0.06 100	0.08 110	0.00 1	0.00 1	0.30 108	0.15 79

FBW_ROB	8.50 140	1.03 86	7.98 123	1.93 73	1.28 73	13.10 140	6.23 137	22.50 169	18.98 140	18.82 146	14.91 114	19.06 144	10.04 129	18.41 157	9.83 130	0.62 154	0.22 140	1.82 174	0.82 162	0.99 149	1.36 157

EDNetEfficientorigin	17.87 175	14.00 178	99.53 186	1.64 59	0.92 61	10.55 124	6.26 139	13.21 114	34.84 170	38.20 174	36.91 171	27.47 163	26.32 173	14.71 146	25.69 171	0.04 88	0.06 100	0.14 142	0.52 157	3.16 170	3.27 172

SGM_RVC	10.08 149	0.60 36	3.42 38	2.30 100	0.32 29	19.41 158	6.33 140	18.95 154	14.64 122	25.14 163	24.32 146	33.34 170	18.79 157	19.86 161	12.55 145	0.25 129	0.26 148	0.22 150	0.24 137	0.34 116	0.40 121
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
PSMNet_ROB	5.02 94	1.63 123	6.03 95	1.90 70	1.83 96	9.57 115	6.35 141	15.58 138	7.23 57	6.15 51	10.48 73	12.22 109	4.16 66	8.02 71	8.71 121	0.02 65	0.01 54	0.01 95	0.10 123	0.20 90	0.12 71

ADCPNet	9.54 145	2.39 144	31.46 171	2.09 84	1.60 82	16.71 153	6.39 142	12.11 99	11.45 104	13.53 134	21.45 137	19.41 145	10.94 134	14.38 143	21.54 162	0.27 134	1.16 167	0.39 161	1.49 171	0.58 133	1.45 159

PASM	7.90 132	4.22 161	21.97 163	3.25 140	3.29 129	5.39 77	6.57 143	10.57 75	19.09 141	12.77 128	13.92 105	18.11 138	9.51 127	13.79 140	10.77 138	0.19 122	0.45 159	0.29 154	1.08 166	1.49 158	1.19 155

SGM-Forest	4.96 91	0.32 2	2.84 26	1.21 35	0.64 43	10.23 122	6.64 144	11.55 90	10.98 99	10.94 116	13.59 103	11.65 106	4.30 70	8.94 92	4.63 79	0.11 109	0.04 88	0.00 1	0.00 1	0.05 39	0.46 127
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
RAFT + AFF	4.30 86	1.55 118	5.84 90	1.43 45	2.36 110	5.94 83	6.72 145	10.01 63	7.56 64	7.55 76	8.96 63	7.09 65	6.73 109	8.57 85	4.02 73	0.02 65	0.47 161	0.00 1	0.01 82	0.56 130	0.54 135

FINET	5.32 95	1.14 96	10.04 133	2.17 90	3.67 144	6.49 90	6.76 146	11.68 92	22.08 152	7.42 74	12.15 88	4.24 37	3.61 56	9.25 99	5.35 86	0.04 88	0.04 88	0.00 1	0.00 1	0.17 83	0.09 56

ETE_ROB	5.80 98	1.77 131	6.33 99	1.44 47	0.78 53	6.43 89	6.90 147	12.53 107	8.08 72	12.93 131	14.89 113	21.13 153	5.87 98	9.83 106	6.57 99	0.04 88	0.01 54	0.00 1	0.02 89	0.08 48	0.33 116

XPNet_ROB	6.03 105	1.22 99	5.61 87	2.56 117	0.90 60	6.32 86	7.07 148	12.92 111	8.30 77	14.76 138	15.13 115	19.84 147	6.66 108	10.36 111	8.58 119	0.02 65	0.04 88	0.00 1	0.03 99	0.11 59	0.24 102

SPS-STEREO	15.04 164	6.23 168	13.21 148	11.34 177	11.65 179	23.30 164	7.15 149	24.16 171	15.65 127	31.78 170	29.19 156	31.62 168	21.32 164	24.62 169	19.50 157	7.59 179	4.19 180	3.22 176	1.48 170	6.99 178	6.54 175
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
CBMV	5.35 96	0.91 71	3.67 45	1.62 57	0.44 35	10.09 120	7.19 150	12.49 106	12.33 114	12.22 122	14.69 112	10.93 102	6.48 103	8.51 83	4.96 82	0.02 65	0.15 129	0.00 1	0.00 1	0.17 83	0.17 84
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
TDLM	4.11 75	1.11 94	3.54 41	1.62 57	1.04 66	3.91 54	7.41 151	10.60 76	10.67 98	6.38 57	12.59 96	5.95 53	4.77 80	8.79 89	3.04 53	0.58 152	0.00 1	0.01 95	0.00 1	0.19 89	0.12 71

EDNetEfficient	13.82 161	6.19 167	54.79 177	2.83 123	3.60 140	4.86 72	8.57 152	8.61 48	32.90 167	40.77 177	30.59 158	18.33 140	21.87 166	11.38 123	25.36 170	0.15 115	0.23 142	0.06 127	1.03 165	2.54 167	1.79 162

ADCL	10.16 151	2.11 140	19.36 160	1.92 71	1.88 98	22.23 162	8.91 153	14.04 122	23.56 155	14.62 137	26.19 150	12.75 112	13.59 146	16.06 152	22.95 166	0.26 131	0.18 136	0.75 164	0.65 158	0.69 140	0.58 137

LALA_ROB	6.58 114	1.80 133	6.25 97	1.26 36	0.94 64	10.08 119	9.02 154	16.00 139	11.51 106	12.74 127	13.02 99	24.77 157	5.25 88	10.56 114	8.02 111	0.04 88	0.05 93	0.00 1	0.02 89	0.10 53	0.25 105

LE_ROB	16.73 172	1.28 107	11.61 139	3.72 151	1.65 84	16.67 152	9.17 155	14.39 126	55.91 182	63.81 181	40.86 176	35.94 174	37.73 179	14.24 142	26.87 173	0.05 96	0.10 116	0.13 141	0.22 134	0.12 64	0.15 79

SANet	10.64 154	1.86 136	10.91 135	1.76 63	0.71 47	14.62 145	9.23 156	19.18 156	37.14 174	19.22 147	27.96 151	25.86 160	19.11 158	13.02 134	10.63 134	0.08 105	0.06 100	0.03 115	0.02 89	0.62 136	0.81 146

GANet	6.22 107	1.07 89	4.07 56	2.27 98	0.89 58	9.19 110	9.52 157	12.02 98	8.13 75	10.72 113	29.09 155	13.86 116	7.52 114	11.00 119	4.39 75	0.36 140	0.00 1	0.02 107	0.02 89	0.12 64	0.08 52

GANetREF_RVC	6.56 113	2.89 150	7.58 121	3.41 143	0.40 33	12.96 139	9.58 158	15.09 131	17.25 137	10.33 109	10.62 75	12.27 110	8.16 116	12.21 127	4.53 78	0.41 144	0.00 1	0.00 1	0.02 89	3.12 169	0.39 120
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
NVStereoNet_ROB	16.04 167	6.75 169	12.90 146	6.37 172	7.42 175	12.89 138	9.74 159	22.78 170	25.12 157	30.32 167	46.19 179	34.37 173	25.38 170	21.48 164	21.38 160	5.94 176	3.10 178	6.07 178	10.09 181	4.01 171	8.54 179
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv

Low-res two-view benchmark