Low-res two-view results

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

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

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

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

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

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

CREStereo++_RVC	1.59 10	0.39 47	2.26 12	0.36 25	0.01 1	1.67 10	0.01 1	2.95 1	8.12 127	3.69 23	7.44 80	0.47 9	0.32 3	0.74 1	0.39 1	0.00 1	0.00 1	0.00 1	3.03 229	0.00 1	0.00 1

PMTNet	1.41 8	0.37 36	2.06 9	0.26 16	0.15 23	2.94 49	0.34 33	3.39 2	5.33 70	1.00 6	1.27 4	0.28 5	0.93 18	4.04 35	0.74 13	5.00 227	0.00 1	0.00 1	0.00 1	0.03 44	0.01 8

TANstereo	1.20 3	0.49 66	2.04 7	0.34 24	0.10 14	1.80 16	0.01 1	3.40 3	4.10 34	4.37 27	4.82 22	0.41 6	0.70 8	0.94 3	0.46 3	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

XX-TBD	1.44 9	0.85 115	2.04 7	2.45 161	0.05 4	2.34 23	0.01 1	3.46 4	7.51 116	2.88 13	4.98 27	0.26 4	0.25 2	1.15 6	0.46 3	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

sCroCo_RVC	1.21 4	0.65 90	5.16 129	1.09 57	1.29 126	0.92 1	0.19 23	3.92 5	2.68 4	0.30 1	3.04 11	0.52 10	1.56 41	1.58 10	0.78 18	0.09 152	0.25 198	0.00 1	0.00 1	0.07 81	0.11 108

sAnonymous2	1.35 5	1.66 177	8.14 178	0.55 28	0.46 83	1.23 2	0.24 27	4.00 6	3.47 12	0.40 2	1.11 2	0.23 2	1.42 37	0.96 4	0.57 7	0.01 65	0.00 1	0.00 1	0.20 183	2.07 217	0.22 145

CroCo_RVC	1.35 5	1.66 177	8.14 178	0.55 28	0.46 83	1.23 2	0.24 27	4.00 6	3.47 12	0.40 2	1.11 2	0.23 2	1.42 37	0.96 4	0.57 7	0.01 65	0.00 1	0.00 1	0.20 183	2.07 217	0.22 145

CREStereo	0.98 1	0.42 52	1.86 2	0.07 1	0.22 38	1.65 9	0.02 6	4.07 8	6.33 92	0.72 5	1.54 5	0.43 7	0.64 7	1.22 7	0.44 2	0.00 1	0.00 1	0.00 1	0.00 1	0.01 6	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
GMO	1.81 16	0.47 63	2.09 10	0.10 2	0.27 48	1.49 6	0.89 84	4.40 9	4.51 53	8.16 103	6.97 70	2.96 36	1.15 24	1.42 8	0.88 30	0.00 1	0.14 175	0.00 1	0.00 1	0.23 154	0.03 48

CroCo-Stereo	1.05 2	0.26 2	2.66 25	0.20 9	1.31 129	3.32 63	1.79 123	4.41 10	1.04 1	1.56 7	0.32 1	1.53 19	0.61 5	0.88 2	0.78 18	0.00 1	0.00 1	0.00 1	0.01 124	0.06 77	0.15 126

Anonymous3	1.76 14	0.44 54	6.37 154	0.33 23	0.50 86	4.33 109	0.54 47	4.43 11	2.48 2	2.21 9	3.24 13	1.53 19	1.14 23	5.64 47	1.29 54	0.17 168	0.23 192	0.00 1	0.00 1	0.12 106	0.15 126

RALCasStereoNet	1.93 21	1.01 133	2.75 33	1.88 110	1.75 144	2.88 46	0.18 22	4.64 12	4.36 47	2.27 10	5.14 31	2.22 29	0.79 15	7.10 67	1.00 41	0.00 1	0.34 204	0.00 1	0.00 1	0.10 92	0.16 131

Anonymous	1.37 7	0.52 68	4.23 103	1.38 76	2.70 175	1.85 17	0.42 38	4.77 13	3.54 16	0.53 4	1.56 6	0.19 1	1.32 31	3.11 28	0.92 36	0.05 140	0.08 153	0.00 1	0.00 1	0.17 129	0.15 126

NRIStereo	2.49 41	0.33 14	3.03 54	1.04 49	0.22 38	3.89 95	0.60 60	4.78 14	4.41 48	9.92 146	5.75 45	4.98 69	1.18 25	8.28 107	1.11 47	0.01 65	0.00 1	0.00 1	0.00 1	0.22 148	0.02 18

AAGNet	3.41 95	0.34 25	2.45 20	1.78 105	0.39 71	3.69 75	1.05 99	4.79 15	4.61 55	9.62 136	7.74 87	4.98 69	6.38 147	7.34 71	13.02 199	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.04 69

OCTAStereo	2.51 45	0.33 14	3.04 56	1.08 54	0.25 45	4.02 104	0.59 56	4.88 16	4.88 63	10.98 169	4.67 20	4.28 52	1.65 45	8.43 114	1.05 43	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.02 18

raftrobust	1.86 19	0.74 101	1.94 5	2.15 138	2.24 162	2.74 39	0.53 44	4.89 17	4.05 30	6.09 58	3.89 15	1.64 21	2.55 62	2.44 25	1.12 49	0.00 1	0.03 121	0.00 1	0.00 1	0.12 106	0.08 89

PSM-AAD	2.52 47	0.35 30	4.26 104	1.01 48	0.22 38	3.73 76	0.58 55	4.93 18	4.14 35	9.98 150	6.06 52	4.28 52	1.11 21	8.64 126	1.03 42	0.01 65	0.00 1	0.00 1	0.00 1	0.02 17	0.05 78

GMStereo	1.83 18	0.99 132	4.55 114	0.57 30	0.05 4	2.53 29	0.01 1	4.95 19	11.14 153	3.52 20	2.24 10	0.53 11	0.49 4	3.76 34	0.80 21	0.20 174	0.00 1	0.00 1	0.12 175	0.12 106	0.00 1
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. arXiv 2022
PSM-adaLoss	2.76 69	0.36 34	3.86 93	1.16 62	0.24 44	3.84 87	0.97 91	4.99 20	3.79 22	9.69 138	5.15 32	4.51 58	6.91 156	8.87 142	0.81 22	0.00 1	0.00 1	0.00 1	0.00 1	0.02 17	0.02 18

NF-Stereo	2.50 44	0.37 36	3.05 61	1.08 54	0.27 48	3.90 96	0.89 84	5.03 21	5.38 71	9.78 143	5.04 29	4.50 57	1.29 30	8.40 111	0.93 37	0.01 65	0.00 1	0.00 1	0.00 1	0.03 44	0.02 18

KMStereo	2.55 50	0.34 25	3.09 63	0.99 46	0.23 41	3.76 80	0.59 56	5.10 22	4.72 57	9.97 149	6.44 61	4.76 63	1.32 31	8.52 118	1.10 46	0.00 1	0.00 1	0.00 1	0.00 1	0.02 17	0.03 48

PSM-softLoss	2.49 41	0.35 30	3.12 66	1.04 49	0.28 52	3.93 100	0.64 66	5.11 23	5.26 68	9.98 150	4.87 23	4.36 54	1.64 44	8.32 108	0.77 17	0.01 65	0.00 1	0.00 1	0.00 1	0.03 44	0.01 8

HUI-Stereo	2.64 57	0.29 3	2.96 47	1.74 103	0.41 75	3.79 84	1.66 118	5.14 24	4.09 33	10.76 162	6.02 51	5.05 80	1.00 19	9.03 145	0.84 23	0.00 1	0.00 1	0.00 1	0.00 1	0.04 61	0.01 8

HHNet	3.90 118	0.33 14	2.44 18	0.15 6	0.04 2	4.72 120	10.85 216	5.15 25	6.54 95	8.08 99	16.73 172	4.20 49	8.08 166	7.89 84	2.39 88	0.03 119	0.10 159	0.10 188	0.10 170	0.12 106	0.03 48

RAFT-IKP	3.90 118	0.33 14	2.44 18	0.15 6	0.04 2	4.72 120	10.85 216	5.15 25	6.54 95	8.08 99	16.73 172	4.20 49	8.08 166	7.89 84	2.39 88	0.03 119	0.10 159	0.10 188	0.10 170	0.12 106	0.03 48

RAFT-Stereo + iAFF	2.12 29	0.58 77	2.43 17	1.27 70	0.16 24	1.60 8	0.14 17	5.17 27	5.90 81	7.10 80	10.10 108	3.06 37	1.74 50	1.87 17	0.97 38	0.01 65	0.02 107	0.00 1	0.00 1	0.23 154	0.02 18

DCANet	2.08 27	0.64 87	3.81 89	0.31 19	0.17 29	1.70 15	0.25 29	5.23 28	8.47 133	6.07 57	5.30 40	1.41 15	4.23 97	1.85 15	2.02 79	0.00 1	0.00 1	0.00 1	0.00 1	0.04 61	0.19 139

TestStereo	1.74 13	1.02 135	3.64 84	0.20 9	0.28 52	1.33 4	0.01 1	5.24 29	4.01 29	3.18 14	4.97 26	2.07 28	0.70 8	7.32 70	0.75 15	0.02 102	0.00 1	0.00 1	0.00 1	0.01 6	0.00 1

RANet	1.95 22	0.40 48	2.86 42	0.12 4	0.18 32	3.74 78	0.66 68	5.24 29	2.96 5	5.86 53	4.32 18	3.46 38	1.52 39	6.88 63	0.70 9	0.01 65	0.00 1	0.00 1	0.00 1	0.08 84	0.09 94

AnonymousM	2.71 61	6.75 222	0.98 1	0.73 34	0.06 8	2.41 25	0.53 44	5.30 31	3.05 6	4.75 32	2.09 8	1.89 25	1.01 20	1.88 18	0.51 6	0.01 65	0.02 107	17.42 233	4.76 232	0.02 17	0.01 8

RAFT+GMM	2.57 52	0.76 103	3.09 63	0.91 41	0.09 12	2.41 25	0.94 87	5.35 32	2.65 3	6.11 59	7.21 76	9.43 139	4.30 100	5.73 49	1.77 68	0.00 1	0.12 170	0.00 1	0.02 134	0.46 182	0.08 89

ASMatch	2.63 56	0.31 7	2.86 42	1.58 88	0.36 70	3.88 94	1.14 105	5.36 33	4.23 39	10.51 158	5.91 47	4.97 68	1.81 52	8.68 129	0.86 24	0.00 1	0.00 1	0.00 1	0.00 1	0.04 61	0.03 48

iRaftStereo_RVC	1.62 11	0.68 93	1.98 6	0.67 32	0.05 4	2.99 53	0.04 7	5.36 33	3.74 20	3.82 24	4.96 25	2.54 31	0.62 6	3.35 30	0.97 38	0.00 1	0.07 149	0.00 1	0.00 1	0.30 160	0.27 162

csc	2.28 33	0.61 81	3.81 89	0.22 12	0.07 9	1.69 12	0.11 11	5.37 35	11.84 162	5.80 50	5.17 33	1.44 16	5.41 128	2.00 19	1.92 75	0.00 1	0.00 1	0.00 1	0.00 1	0.02 17	0.18 135

cscssc	2.28 33	0.61 81	3.81 89	0.22 12	0.07 9	1.69 12	0.11 11	5.37 35	11.84 162	5.80 50	5.17 33	1.44 16	5.41 128	2.00 19	1.92 75	0.00 1	0.00 1	0.00 1	0.00 1	0.02 17	0.18 135

222	2.20 31	0.61 81	5.31 131	0.31 19	0.19 34	1.69 12	0.11 11	5.37 35	8.54 135	5.80 50	5.17 33	1.44 16	5.41 128	2.00 19	1.92 75	0.00 1	0.00 1	0.00 1	0.00 1	0.04 61	0.18 135

KYRaft	2.68 58	0.29 3	2.88 44	0.52 27	0.28 52	3.86 92	0.57 53	5.37 35	4.26 40	10.83 165	7.00 72	4.79 65	4.18 95	7.95 87	0.73 12	0.00 1	0.00 1	0.00 1	0.00 1	0.01 6	0.03 48

XX-Stereo	2.71 61	0.38 42	5.96 147	2.25 147	2.20 160	1.54 7	0.21 24	5.44 39	3.05 6	2.28 11	16.16 169	7.03 110	0.24 1	6.19 53	0.79 20	0.00 1	0.15 177	0.00 1	0.23 187	0.13 116	0.04 69

ROB_FTStereo	2.68 58	0.35 30	3.16 69	1.10 58	0.14 21	3.85 88	0.97 91	5.46 40	5.10 65	10.19 155	7.65 84	4.62 61	1.60 42	8.25 105	1.14 52	0.01 65	0.00 1	0.00 1	0.00 1	0.02 17	0.02 18

rafts_anoy	1.72 12	0.79 108	2.58 22	2.03 125	1.75 144	2.47 28	0.16 21	5.48 41	6.01 86	3.24 17	2.11 9	1.92 27	1.33 33	3.08 27	1.13 51	0.01 65	0.18 185	0.00 1	0.01 124	0.03 44	0.07 84

aanetorigin	8.72 195	3.29 211	27.55 223	1.95 119	3.84 201	4.93 126	5.39 175	5.49 42	10.05 147	27.85 219	31.47 213	15.80 179	12.78 195	9.04 146	11.98 194	0.25 182	0.22 189	0.22 203	0.25 191	1.28 209	0.84 202

FTStereo	2.52 47	0.38 42	3.13 67	1.32 72	0.41 75	3.85 88	0.96 89	5.54 43	4.76 61	9.96 148	5.68 44	3.92 44	1.60 42	7.83 82	1.09 44	0.01 65	0.00 1	0.00 1	0.00 1	0.02 17	0.02 18

ROB_FTStereo_v2	2.59 54	0.37 36	3.38 76	1.08 54	0.23 41	3.90 96	0.94 87	5.57 44	5.71 79	9.39 131	6.78 65	4.00 46	1.23 27	8.06 94	1.12 49	0.01 65	0.00 1	0.00 1	0.00 1	0.02 17	0.02 18

SST-Stereo	2.75 68	0.31 7	2.78 36	1.33 73	0.33 64	3.99 102	0.82 80	5.60 45	3.93 27	10.92 167	6.19 53	5.00 74	4.23 97	8.66 128	0.74 13	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.03 48

RAFT_R40	2.71 61	0.33 14	3.00 50	1.26 65	0.30 55	3.83 85	1.00 94	5.69 46	4.29 41	9.69 138	6.33 59	5.02 76	4.02 88	8.58 122	0.86 24	0.01 65	0.00 1	0.00 1	0.00 1	0.03 44	0.02 18

THIR-Stereo	2.71 61	0.33 14	3.00 50	1.26 65	0.30 55	3.83 85	1.00 94	5.69 46	4.29 41	9.69 138	6.32 57	5.02 76	4.02 88	8.58 122	0.86 24	0.01 65	0.00 1	0.00 1	0.00 1	0.03 44	0.02 18

AFF-stereo	2.59 54	0.68 93	2.35 16	1.55 86	0.17 29	1.67 10	0.08 9	5.75 48	6.60 97	6.20 62	12.13 132	6.16 97	2.36 59	4.75 41	1.11 47	0.02 102	0.02 107	0.00 1	0.00 1	0.23 154	0.05 78

GMO-cross-data	1.82 17	0.45 56	5.42 133	0.89 39	0.41 75	2.14 18	0.56 51	5.75 48	4.15 37	3.28 18	5.11 30	3.61 41	0.70 8	1.53 9	1.56 61	0.02 102	0.34 204	0.00 1	0.08 163	0.02 17	0.30 167

PFNet+	3.96 122	0.45 56	3.04 56	0.32 21	0.20 35	3.28 60	11.63 219	5.76 50	4.45 50	9.04 120	16.58 170	4.99 72	7.45 161	8.04 90	3.72 119	0.00 1	0.02 107	0.01 137	0.00 1	0.16 125	0.10 103

CrosDoStereo	3.96 122	0.45 56	3.04 56	0.32 21	0.20 35	3.28 60	11.63 219	5.76 50	4.45 50	9.04 120	16.58 170	4.99 72	7.45 161	8.04 90	3.72 119	0.00 1	0.02 107	0.01 137	0.00 1	0.16 125	0.10 103

Consistency-Raft	2.52 47	0.37 36	3.28 72	1.20 63	0.43 79	3.74 78	0.96 89	5.76 50	4.53 54	8.86 118	5.92 48	4.40 56	1.25 28	8.55 119	1.09 44	0.10 155	0.00 1	0.00 1	0.00 1	0.02 17	0.02 18

GMM-Stereo	2.72 65	0.33 14	2.99 48	1.26 65	0.27 48	3.85 88	1.00 94	5.79 53	4.29 41	9.70 141	6.30 55	5.03 78	4.03 90	8.58 122	0.87 27	0.01 65	0.00 1	0.00 1	0.00 1	0.03 44	0.02 18

Pruner-Stereo	2.72 65	0.33 14	2.99 48	1.26 65	0.27 48	3.85 88	1.00 94	5.79 53	4.29 41	9.70 141	6.30 55	5.03 78	4.03 90	8.58 122	0.87 27	0.01 65	0.00 1	0.00 1	0.00 1	0.03 44	0.02 18

Gwc-CoAtRS	2.02 24	0.33 14	2.61 23	1.04 49	0.30 55	3.56 69	0.40 36	5.89 55	5.94 82	5.08 37	5.01 28	5.55 89	1.72 48	1.60 11	0.91 33	0.01 65	0.09 158	0.00 1	0.25 191	0.01 6	0.02 18

Prome-Stereo	3.56 101	0.65 90	3.87 94	0.74 35	0.18 32	2.44 27	7.62 197	5.91 56	6.30 90	7.37 86	14.80 161	6.64 105	6.75 155	4.95 43	2.68 93	0.00 1	0.01 87	0.01 137	0.10 170	0.11 98	0.04 69

DeepStereo_LL	2.80 72	0.42 52	2.77 35	0.21 11	0.32 61	4.00 103	0.33 31	6.00 57	4.05 30	10.83 165	6.32 57	4.98 69	6.09 144	8.72 131	0.88 30	0.00 1	0.00 1	0.00 1	0.00 1	0.01 6	0.02 18

RAFT-345	3.17 83	0.24 1	3.05 61	1.80 106	0.60 91	3.15 58	1.51 114	6.01 58	4.67 56	8.22 105	12.71 142	5.45 87	5.89 138	8.15 99	1.57 62	0.02 102	0.23 192	0.00 1	0.00 1	0.01 6	0.13 117

DEmStereo	2.73 67	0.37 36	2.69 26	0.13 5	0.32 61	3.97 101	0.59 56	6.01 58	4.29 41	10.10 154	7.07 75	4.73 62	5.05 123	8.44 115	0.76 16	0.00 1	0.00 1	0.00 1	0.00 1	0.01 6	0.02 18

111	2.78 70	0.92 123	3.81 89	0.22 12	0.07 9	2.83 44	0.70 71	6.03 60	14.00 173	3.22 16	8.93 97	5.48 88	3.30 73	3.66 32	2.03 80	0.00 1	0.00 1	0.00 1	0.00 1	0.10 92	0.29 165

CRE-IMP	2.51 45	0.34 25	2.10 11	1.59 91	0.16 24	2.81 40	1.03 98	6.03 60	3.51 15	8.55 112	6.80 66	3.71 43	4.77 111	7.31 69	0.97 38	0.01 65	0.22 189	0.00 1	0.00 1	0.03 44	0.17 132

TVStereo	3.61 103	0.46 59	3.87 94	1.71 100	0.35 67	2.95 50	9.20 205	6.08 62	3.82 25	9.31 129	10.85 118	6.46 101	5.98 141	8.80 135	1.91 74	0.20 174	0.00 1	0.00 1	0.00 1	0.17 129	0.14 120

RE-Stereo	3.61 103	0.46 59	3.87 94	1.71 100	0.35 67	2.95 50	9.18 203	6.09 63	3.81 23	9.31 129	10.86 119	6.46 101	5.99 142	8.80 135	1.89 71	0.20 174	0.00 1	0.00 1	0.00 1	0.18 135	0.14 120

GrayStereo	3.61 103	0.46 59	3.87 94	1.71 100	0.35 67	2.96 52	9.18 203	6.09 63	3.81 23	9.30 128	10.86 119	6.47 103	5.99 142	8.80 135	1.89 71	0.20 174	0.00 1	0.00 1	0.00 1	0.18 135	0.14 120

DN-CSS_ROB	2.69 60	1.40 162	5.34 132	2.31 152	0.75 100	3.14 57	0.06 8	6.11 65	3.87 26	5.34 44	12.18 135	2.34 30	1.22 26	7.84 83	1.48 59	0.03 119	0.00 1	0.00 1	0.00 1	0.35 169	0.03 48

OMP-Stereo	3.03 78	0.93 125	2.72 31	4.21 215	0.51 87	2.19 19	1.25 108	6.19 66	6.00 85	7.99 98	6.21 54	8.50 134	2.49 61	9.44 158	1.74 67	0.01 65	0.00 1	0.00 1	0.00 1	0.08 84	0.05 78

MSMDNet	2.02 24	0.37 36	2.84 40	1.14 61	0.34 65	3.73 76	0.53 44	6.21 67	3.55 17	5.32 43	5.17 33	5.85 94	1.74 50	2.23 22	0.91 33	0.01 65	0.10 159	0.00 1	0.24 189	0.02 17	0.02 18

iRAFT	2.98 77	0.38 42	3.32 73	1.90 113	0.44 80	2.73 37	4.03 153	6.23 68	4.72 57	7.71 91	7.55 82	4.96 67	5.82 135	8.16 100	1.58 63	0.01 65	0.00 1	0.01 137	0.00 1	0.02 17	0.02 18

iGMRVC	3.24 86	0.34 25	3.11 65	2.51 164	0.53 88	2.59 32	4.88 168	6.35 69	4.43 49	8.81 115	11.94 130	4.39 55	4.96 119	8.70 130	1.21 53	0.08 150	0.00 1	0.00 1	0.00 1	0.02 17	0.03 48

raft+_RVC	1.79 15	0.84 113	2.32 15	2.40 157	0.85 108	1.38 5	0.09 10	6.36 70	4.75 60	2.85 12	5.46 41	1.17 13	1.36 35	4.54 38	0.91 33	0.00 1	0.10 159	0.00 1	0.00 1	0.11 98	0.22 145

RAFT-Stereo	2.44 38	0.32 9	1.93 3	0.94 43	0.16 24	3.67 72	0.61 61	6.37 71	3.08 8	9.14 122	17.44 180	1.80 22	0.77 12	1.76 13	0.70 9	0.00 1	0.01 87	0.00 1	0.00 1	0.01 6	0.03 48
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
R-Stereo Train	2.44 38	0.32 9	1.93 3	0.94 43	0.16 24	3.67 72	0.61 61	6.37 71	3.08 8	9.14 122	17.44 180	1.80 22	0.77 12	1.76 13	0.70 9	0.00 1	0.01 87	0.00 1	0.00 1	0.01 6	0.03 48

IRAFT_RVC	2.85 74	0.41 50	3.32 73	2.09 130	0.41 75	2.92 47	5.22 173	6.41 73	3.63 18	6.53 72	5.48 42	5.09 81	4.88 118	8.20 103	2.15 84	0.01 65	0.17 182	0.01 137	0.00 1	0.02 17	0.04 69

RAFT-RH_RVC	3.43 97	0.41 50	4.53 112	2.18 140	0.23 41	2.69 36	8.25 198	6.48 74	4.22 38	9.17 124	9.35 103	4.59 60	5.44 131	8.83 138	2.04 81	0.13 161	0.00 1	0.00 1	0.00 1	0.06 77	0.03 48

LCNet	2.25 32	0.33 14	3.03 54	2.04 127	0.10 14	3.47 66	0.43 39	6.50 75	3.18 10	6.84 76	5.20 38	2.65 33	1.34 34	8.18 102	1.58 63	0.01 65	0.00 1	0.01 137	0.00 1	0.02 17	0.01 8

IIG-Stereo	3.16 82	0.75 102	2.83 39	4.08 211	0.21 37	2.56 31	0.74 76	6.55 76	5.56 76	8.39 107	9.38 104	7.94 127	2.79 68	9.50 159	1.89 71	0.02 102	0.00 1	0.00 1	0.00 1	0.02 17	0.04 69

test_xeample3	3.34 93	0.93 125	4.33 107	0.28 18	0.12 20	3.46 65	3.98 152	6.58 77	11.84 162	6.79 75	13.56 149	3.52 39	4.23 97	3.71 33	2.05 82	0.01 65	0.01 87	0.00 1	0.00 1	0.02 17	1.40 212

s12784h	1.89 20	0.30 6	2.57 21	0.11 3	0.09 12	4.18 107	0.13 14	6.61 78	7.44 115	3.62 22	4.28 17	0.59 12	0.81 16	6.61 61	0.46 3	0.01 65	0.01 87	0.00 1	0.00 1	0.02 17	0.00 1

DRaft	5.28 148	0.95 130	6.75 163	0.87 37	0.30 55	6.10 137	6.99 192	6.63 79	18.00 191	7.90 96	14.13 155	9.43 139	8.77 174	8.84 139	8.74 174	0.03 119	0.39 207	0.00 1	0.37 202	0.11 98	0.34 170

CFNet-RSSM	2.11 28	0.33 14	2.71 30	1.04 49	0.30 55	3.21 59	0.41 37	6.67 80	6.96 102	5.62 47	4.58 19	5.40 86	1.71 47	1.86 16	0.87 27	0.00 1	0.08 153	0.00 1	0.32 197	0.02 17	0.02 18

PFNet	2.93 75	0.40 48	5.51 137	2.13 135	0.84 107	3.11 56	0.75 78	6.78 81	4.79 62	9.98 150	6.00 49	4.78 64	2.13 55	8.33 109	2.11 83	0.19 171	0.06 141	0.00 1	0.11 174	0.20 139	0.35 171

HCRNet	2.56 51	0.53 72	3.35 75	0.24 15	3.39 188	2.19 19	0.23 26	6.89 82	5.50 72	5.26 41	4.79 21	5.27 84	2.78 67	7.71 78	2.89 98	0.00 1	0.02 107	0.00 1	0.00 1	0.04 61	0.04 69

FENet	2.19 30	0.34 25	3.04 56	2.05 128	0.26 47	2.82 43	0.13 14	7.02 83	5.55 75	4.97 35	1.94 7	4.91 66	3.39 75	4.71 40	2.50 90	0.02 102	0.03 121	0.00 1	0.00 1	0.00 1	0.21 143

cross-raft	2.03 26	0.35 30	2.78 36	1.10 58	0.16 24	3.77 81	0.48 41	7.03 84	3.75 21	5.06 36	5.55 43	6.26 99	1.41 36	1.75 12	0.89 32	0.01 65	0.07 149	0.00 1	0.19 182	0.03 44	0.03 48

MLCV	3.44 99	0.88 117	5.60 139	1.39 77	0.25 45	4.36 111	0.33 31	7.25 85	7.28 110	9.17 124	12.24 137	5.09 81	2.47 60	9.15 149	3.23 109	0.00 1	0.00 1	0.00 1	0.00 1	0.10 92	0.02 18

ARAFT	3.13 81	1.11 145	7.34 170	0.42 26	0.14 21	4.52 117	2.99 135	7.41 86	5.97 84	8.85 117	7.06 74	5.20 83	1.25 28	8.49 116	1.44 57	0.00 1	0.03 121	0.00 1	0.00 1	0.33 165	0.11 108

RALAANet	2.46 40	1.09 142	3.70 86	2.55 168	0.80 105	3.37 64	0.15 19	7.44 87	5.54 74	5.65 48	6.01 50	3.54 40	1.13 22	6.34 57	1.58 63	0.00 1	0.01 87	0.00 1	0.05 156	0.21 145	0.03 48

iResNet	3.68 108	0.91 120	7.94 176	2.97 184	0.34 65	4.44 116	0.48 41	7.70 88	9.74 143	7.72 92	12.74 143	4.03 47	2.87 69	8.05 93	3.37 111	0.02 102	0.01 87	0.00 1	0.00 1	0.10 92	0.09 94

DMCA-RVC	3.17 83	1.26 154	6.39 156	2.10 132	1.51 133	3.02 55	0.56 51	7.84 89	5.06 64	9.23 126	5.19 37	8.46 130	2.72 65	6.31 56	3.22 108	0.06 145	0.11 165	0.09 186	0.02 134	0.16 125	0.08 89

DeepStereo_RVC	4.75 143	0.72 97	2.27 13	2.13 135	0.11 18	3.28 60	3.29 141	8.23 90	3.49 14	11.45 172	34.77 223	6.17 98	9.02 177	7.68 76	2.22 85	0.09 152	0.05 133	0.01 137	0.01 124	0.05 72	0.02 18

ACVNet	2.58 53	0.53 72	2.69 26	0.84 36	0.59 90	2.61 33	0.55 49	8.35 91	5.70 77	4.45 28	9.26 101	5.77 91	3.50 77	2.24 23	4.41 128	0.00 1	0.00 1	0.00 1	0.00 1	0.17 129	0.01 8

CFNet-ft	3.31 90	0.94 128	2.69 26	1.50 83	2.38 165	2.81 40	0.68 69	8.35 91	7.43 113	4.45 28	9.94 106	10.20 146	4.60 105	6.50 60	3.41 112	0.00 1	0.00 1	0.03 166	0.00 1	0.22 148	0.03 48

CFNet_RVC	3.31 90	0.94 128	2.69 26	1.50 83	2.38 165	2.81 40	0.68 69	8.35 91	7.43 113	4.45 28	9.94 106	10.20 146	4.60 105	6.49 59	3.41 112	0.00 1	0.00 1	0.03 166	0.00 1	0.22 148	0.03 48

cf-r	3.42 96	0.81 110	3.97 98	2.41 159	2.78 176	2.85 45	0.64 66	8.44 94	6.32 91	6.25 65	11.57 128	8.97 136	3.54 79	5.93 51	3.83 122	0.00 1	0.00 1	0.00 1	0.00 1	0.09 91	0.07 84

acv_ft	3.69 109	0.53 72	4.58 117	2.31 152	4.71 216	7.44 154	0.86 82	8.54 95	5.70 77	9.29 127	9.26 101	5.77 91	4.15 93	2.24 23	8.13 167	0.00 1	0.00 1	0.00 1	0.00 1	0.29 159	0.01 8

DIP-Stereo	1.97 23	0.64 87	2.95 46	0.17 8	0.10 14	4.83 123	0.13 14	8.60 96	4.06 32	6.42 68	4.92 24	0.44 8	0.72 11	3.57 31	1.80 69	0.00 1	0.01 87	0.00 1	0.00 1	0.05 72	0.04 69
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
EDNetEfficient	13.82 215	6.19 220	54.79 231	2.83 175	3.60 194	4.86 124	8.57 199	8.61 97	32.90 221	40.77 231	30.59 211	18.33 194	21.87 220	11.38 177	25.36 224	0.15 164	0.23 192	0.06 178	1.03 219	2.54 221	1.79 216

MMNet	4.16 129	0.77 104	5.47 136	1.40 78	1.67 139	10.78 180	0.63 64	8.64 98	8.47 133	8.80 114	8.33 91	7.51 119	6.61 150	7.53 74	6.54 150	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.05 78

TRStereo	2.36 37	3.10 205	4.70 120	1.99 122	2.08 154	2.61 33	1.11 103	8.79 99	3.73 19	3.19 15	3.04 11	3.96 45	0.77 12	5.92 50	1.44 57	0.03 119	0.14 175	0.00 1	0.29 196	0.08 84	0.25 155

GwcNet-RSSM	3.77 113	1.05 138	5.06 126	2.21 144	1.87 150	2.36 24	1.52 115	8.98 100	7.96 124	5.91 55	14.59 158	7.94 127	3.50 77	6.43 58	5.70 141	0.00 1	0.00 1	0.04 173	0.00 1	0.20 139	0.08 89

hitnet-ft	3.66 107	0.65 90	2.79 38	0.89 39	0.72 99	4.25 108	0.55 49	9.11 101	7.52 117	7.14 81	10.19 109	12.49 165	4.70 109	7.44 72	4.41 128	0.03 119	0.00 1	0.06 178	0.00 1	0.20 139	0.04 69

DMCA	2.82 73	0.64 87	4.45 110	1.61 93	0.89 110	3.86 92	0.57 53	9.18 102	5.10 65	6.24 64	6.49 62	7.17 117	2.13 55	3.31 29	4.73 132	0.00 1	0.01 87	0.00 1	0.00 1	0.04 61	0.02 18

Anonymous Stereo	6.16 160	3.15 208	23.75 220	2.97 184	2.48 170	4.39 115	13.30 222	9.21 103	9.86 144	9.56 135	8.76 94	6.79 108	1.99 54	13.50 191	13.04 200	0.01 65	0.05 133	0.00 1	0.06 159	0.22 148	0.19 139

HITNet	2.79 71	0.77 104	4.02 99	2.03 125	0.11 18	5.58 130	0.59 56	9.24 104	5.15 67	6.42 68	7.26 78	3.66 42	2.92 70	4.07 36	3.87 123	0.00 1	0.00 1	0.00 1	0.00 1	0.06 77	0.02 18
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
STTStereo	3.60 102	0.93 125	6.34 153	2.71 173	2.23 161	3.68 74	0.63 64	9.42 105	6.73 99	9.87 145	6.97 70	8.84 135	3.65 81	6.85 62	3.04 101	0.00 1	0.02 107	0.01 137	0.00 1	0.02 17	0.02 18

UNet	3.97 124	0.61 81	6.50 159	1.68 98	3.22 181	9.82 171	0.31 30	9.50 106	5.32 69	7.20 82	6.35 60	10.59 151	5.91 140	6.93 65	5.49 139	0.00 1	0.00 1	0.00 1	0.00 1	0.02 17	0.01 8

DANet	6.02 158	1.23 151	8.45 180	3.86 208	3.94 203	7.64 156	1.34 113	9.51 107	7.00 104	13.39 187	15.53 166	15.99 182	7.02 157	12.14 180	12.37 196	0.19 171	0.12 170	0.02 158	0.03 145	0.13 116	0.56 190
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
RASNet	4.52 142	0.61 81	4.42 109	3.42 196	4.68 215	4.58 118	0.99 93	9.54 108	8.01 125	5.28 42	11.42 125	10.34 150	8.88 175	9.28 152	8.68 172	0.15 164	0.00 1	0.00 1	0.00 1	0.03 44	0.04 69

TransformOpticalFlow	3.38 94	0.70 96	4.54 113	1.00 47	0.30 55	3.56 69	0.14 17	9.67 109	7.30 111	5.55 46	13.34 147	6.74 106	5.03 121	8.22 104	1.34 55	0.00 1	0.01 87	0.01 137	0.00 1	0.04 61	0.11 108

GES	2.49 41	0.38 42	4.29 106	1.58 88	0.05 4	4.58 118	1.07 101	9.70 110	3.39 11	5.21 40	6.64 64	1.84 24	3.36 74	4.86 42	2.54 92	0.06 145	0.01 87	0.06 178	0.01 124	0.12 106	0.03 48

DLCB_ROB	4.51 140	0.91 120	3.78 87	2.19 142	1.07 119	6.28 138	3.09 137	9.78 111	7.72 120	10.65 160	12.97 144	13.91 172	3.71 83	8.72 131	5.30 137	0.00 1	0.00 1	0.00 1	0.00 1	0.03 44	0.10 103

UPFNet	3.82 115	0.47 63	4.34 108	2.21 144	3.38 186	7.26 151	2.69 132	9.89 112	5.96 83	7.98 97	7.53 81	7.89 126	3.15 72	7.72 80	5.88 143	0.01 65	0.02 107	0.00 1	0.00 1	0.04 61	0.06 82

delet	4.27 136	0.72 97	4.50 111	1.07 53	3.75 200	10.79 181	4.04 154	9.95 113	7.89 123	8.09 101	8.89 96	8.46 130	3.81 84	7.56 75	5.80 142	0.00 1	0.00 1	0.00 1	0.00 1	0.11 98	0.02 18

ICVP	2.32 36	0.38 42	2.89 45	0.92 42	0.70 97	2.55 30	0.87 83	9.97 114	3.99 28	4.13 26	8.97 100	2.71 34	1.69 46	2.52 26	3.52 117	0.05 140	0.24 197	0.01 137	0.01 124	0.11 98	0.13 117

RAFT + AFF	4.30 138	1.55 170	5.84 143	1.43 80	2.36 164	5.94 135	6.72 189	10.01 115	7.56 118	7.55 89	8.96 99	7.09 115	6.73 154	8.57 121	4.02 125	0.02 102	0.47 215	0.00 1	0.01 124	0.56 184	0.54 189

StereoDRNet-Refined	4.46 139	0.62 86	3.80 88	1.92 115	0.40 73	9.35 165	0.15 19	10.02 116	8.83 138	12.69 180	11.62 129	9.34 138	3.87 85	8.06 94	8.02 163	0.00 1	0.00 1	0.01 137	0.05 156	0.20 139	0.26 159
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
AANet_RVC	5.01 146	1.74 181	6.38 155	1.96 120	1.29 126	2.26 21	1.69 120	10.07 117	18.53 192	7.88 94	18.15 182	8.49 133	2.70 64	10.59 169	7.04 153	0.96 216	0.15 177	0.02 158	0.00 1	0.13 116	0.12 113

BEATNet_4x	3.24 86	1.27 155	5.89 145	1.56 87	0.10 14	5.26 127	1.07 101	10.08 118	5.50 72	6.89 78	7.73 86	4.53 59	4.13 92	5.05 45	5.27 136	0.04 132	0.05 133	0.00 1	0.00 1	0.23 154	0.23 149

G-Net	8.41 192	1.54 169	10.97 191	5.73 223	3.60 194	26.19 221	4.41 162	10.10 119	7.42 112	19.71 203	24.99 201	14.38 175	15.83 204	10.99 172	9.53 181	0.50 204	0.46 214	0.19 201	0.25 191	0.80 197	0.66 195

CBMV_ROB	4.14 128	0.52 68	3.14 68	1.30 71	0.77 103	6.92 148	1.97 125	10.11 120	9.58 141	8.92 119	14.20 157	7.12 116	5.90 139	8.65 127	3.50 116	0.01 65	0.05 133	0.00 1	0.00 1	0.04 61	0.09 94

ac_64	3.70 110	0.47 63	3.50 80	2.87 177	3.50 191	5.91 134	0.72 74	10.17 121	4.34 46	8.16 103	5.80 46	10.82 154	5.64 134	7.08 66	4.73 132	0.03 119	0.00 1	0.00 1	0.00 1	0.08 84	0.14 120

SuperB	8.10 189	3.15 208	24.67 221	2.65 171	1.23 122	9.88 172	4.29 159	10.18 122	30.07 218	11.53 173	12.18 135	6.12 96	6.65 152	10.50 167	14.47 205	0.14 162	0.11 165	0.35 211	0.25 191	13.06 233	0.48 182

FADNet-RVC-Resample	3.79 114	1.62 174	12.06 195	1.43 80	0.66 94	5.94 135	2.41 128	10.18 122	8.58 136	6.28 66	4.22 16	5.33 85	4.80 116	7.71 78	3.19 107	0.17 168	0.21 188	0.17 198	0.12 175	0.41 179	0.29 165

NOSS_ROB	3.30 89	0.46 59	2.62 24	2.08 129	1.01 117	5.60 131	0.74 76	10.37 124	11.48 158	5.15 38	8.43 92	5.67 90	1.73 49	7.97 88	2.34 87	0.02 102	0.06 141	0.00 1	0.00 1	0.07 81	0.14 120

HGLStereo	4.25 135	0.52 68	4.65 118	3.09 186	5.18 218	6.51 145	0.73 75	10.37 124	6.74 100	7.32 85	12.44 140	7.00 109	7.21 159	7.46 73	5.51 140	0.00 1	0.02 107	0.00 1	0.00 1	0.06 77	0.10 103

STrans-v2	3.43 97	0.73 99	4.82 121	0.26 16	0.60 91	3.00 54	1.19 106	10.41 126	7.22 108	5.79 49	10.97 121	6.75 107	7.03 158	8.25 105	1.40 56	0.00 1	0.01 87	0.00 1	0.00 1	0.03 44	0.18 135

NVstereo2D	4.51 140	0.82 111	6.86 167	3.28 193	3.38 186	8.16 158	3.13 138	10.51 127	15.15 178	4.90 34	6.89 69	7.87 124	4.78 114	9.88 161	3.91 124	0.01 65	0.00 1	0.00 1	0.06 159	0.02 17	0.58 191

PASM	7.90 186	4.22 214	21.97 217	3.25 192	3.29 183	5.39 129	6.57 187	10.57 128	19.09 195	12.77 182	13.92 152	18.11 192	9.51 181	13.79 194	10.77 191	0.19 171	0.45 213	0.29 207	1.08 220	1.49 212	1.19 209

TDLM	4.11 127	1.11 145	3.54 81	1.62 94	1.04 118	3.91 98	7.41 196	10.60 129	10.67 151	6.38 67	12.59 141	5.95 95	4.77 111	8.79 134	3.04 101	0.58 205	0.00 1	0.01 137	0.00 1	0.19 138	0.12 113

psmorigin	7.34 180	1.58 171	18.31 212	2.35 154	0.87 109	6.72 146	1.70 122	10.63 130	7.14 106	19.77 204	22.71 193	20.13 203	11.34 189	12.96 187	9.49 180	0.04 132	0.17 182	0.06 178	0.17 179	0.21 145	0.50 185

NLCA_NET_v2_RVC	3.84 116	1.06 139	5.23 130	2.72 174	3.27 182	4.36 111	0.61 61	10.71 131	7.56 118	8.75 113	7.89 88	9.86 143	3.90 86	7.15 68	3.44 114	0.14 162	0.02 107	0.02 158	0.03 145	0.04 61	0.03 48
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DSFCA	4.21 132	0.50 67	5.45 135	1.34 74	1.68 141	7.04 150	4.51 164	10.73 132	7.00 104	10.78 163	6.80 66	8.48 132	4.63 107	9.91 162	5.12 135	0.02 102	0.06 141	0.02 158	0.03 145	0.08 84	0.03 48

PS-NSSS	3.90 118	1.84 186	4.55 114	0.87 37	2.95 179	4.10 106	2.00 126	10.77 133	8.23 129	6.75 73	14.63 159	5.01 75	2.24 58	8.41 113	2.91 99	0.33 191	0.03 121	0.83 219	0.00 1	0.82 198	0.70 197

ADCRef	7.27 179	1.38 161	16.37 208	2.52 165	3.30 184	11.63 186	3.16 139	10.80 134	9.35 139	13.03 186	25.27 202	8.17 129	8.92 176	8.06 94	21.81 218	0.15 164	0.08 153	0.16 197	0.34 200	0.38 173	0.58 191

FADNet_RVC	3.91 121	1.67 179	12.95 201	0.96 45	0.75 100	5.71 133	0.54 47	10.83 135	6.60 97	3.46 19	8.09 89	4.10 48	3.40 76	9.43 156	6.33 147	0.36 193	0.44 212	0.17 198	0.46 210	0.91 200	0.95 204

psm_up	3.85 117	0.82 111	3.01 52	2.00 123	2.58 173	5.28 128	3.34 143	10.85 136	6.33 92	7.27 84	7.32 79	10.15 145	9.02 177	6.19 53	2.51 91	0.22 179	0.01 87	0.00 1	0.00 1	0.12 106	0.03 48

CVANet_RVC	4.16 129	1.16 149	3.60 83	1.94 118	1.46 131	3.92 99	4.68 167	10.89 137	8.34 131	7.58 90	10.84 116	10.27 148	6.62 151	8.56 120	2.69 94	0.39 195	0.00 1	0.00 1	0.01 124	0.21 145	0.09 94

GANet-RSSM	3.27 88	0.60 79	3.38 76	2.94 183	2.00 153	2.61 33	0.48 41	10.93 138	6.11 88	5.47 45	10.20 110	6.57 104	5.44 131	6.25 55	2.23 86	0.00 1	0.00 1	0.08 183	0.00 1	0.17 129	0.03 48

PSMNet-RSSM	3.33 92	0.77 104	3.22 71	2.12 133	1.90 152	2.33 22	0.71 73	11.17 139	5.83 80	5.90 54	11.43 126	7.04 112	4.83 117	5.96 52	3.17 106	0.00 1	0.00 1	0.02 158	0.00 1	0.08 84	0.02 18

pcwnet_v2	2.93 75	0.29 3	3.01 52	2.39 156	1.07 119	2.73 37	0.89 84	11.37 140	6.25 89	6.20 62	11.49 127	2.71 34	2.74 66	4.22 37	2.75 97	0.06 145	0.05 133	0.00 1	0.00 1	0.01 6	0.37 172

CFNet	3.72 111	1.10 144	5.03 125	2.49 163	1.59 134	4.90 125	0.22 25	11.38 141	9.88 145	4.80 33	11.25 123	6.44 100	3.68 82	8.33 109	3.00 100	0.00 1	0.00 1	0.00 1	0.00 1	0.22 148	0.07 84

EAI-Stereo	2.31 35	0.44 54	2.72 31	0.68 33	0.56 89	3.51 68	2.62 130	11.42 142	4.14 35	2.09 8	7.23 77	1.21 14	0.91 17	5.67 48	1.51 60	0.01 65	0.25 198	0.00 1	0.88 217	0.04 61	0.26 159

LMCR-Stereo	3.63 106	1.29 159	4.20 102	2.54 166	0.17 29	8.08 157	1.52 115	11.46 143	4.73 59	8.45 110	10.66 115	1.91 26	5.03 121	7.69 77	3.58 118	0.92 215	0.00 1	0.00 1	0.00 1	0.36 171	0.02 18

SGM-Forest	4.96 144	0.32 9	2.84 40	1.21 64	0.64 93	10.23 176	6.64 188	11.55 144	10.98 152	10.94 168	13.59 150	11.65 160	4.30 100	8.94 143	4.63 131	0.11 157	0.04 128	0.00 1	0.00 1	0.05 72	0.46 181
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
WCMA_ROB	9.21 197	0.87 116	7.37 171	2.54 166	2.13 155	13.59 196	5.80 176	11.64 145	14.01 174	24.43 215	32.99 218	27.09 215	18.02 207	12.51 184	9.85 185	0.81 211	0.07 149	0.01 137	0.01 124	0.16 125	0.23 149

FINET	5.32 149	1.14 147	10.04 187	2.17 139	3.67 198	6.49 143	6.76 190	11.68 146	22.08 206	7.42 87	12.15 133	4.24 51	3.61 80	9.25 151	5.35 138	0.04 132	0.04 128	0.00 1	0.00 1	0.17 129	0.09 94

MaskLacGwcNet_RVC	5.97 155	5.36 217	5.02 124	3.75 205	3.57 193	15.81 202	4.27 158	11.72 147	6.96 102	7.23 83	8.47 93	9.09 137	2.66 63	9.36 155	2.71 95	7.49 232	2.32 228	2.01 228	0.08 163	6.77 231	4.67 228

RP	6.84 175	1.29 159	5.53 138	3.92 209	5.18 218	6.32 139	3.53 146	11.73 148	15.31 179	9.54 134	22.38 192	18.25 193	14.47 202	10.11 163	7.49 156	0.91 214	0.01 87	0.12 192	0.15 178	0.33 165	0.19 139

GEStereo_RVC	3.74 112	0.73 99	4.95 123	2.01 124	1.24 123	4.36 111	3.07 136	11.77 149	7.80 122	6.87 77	6.52 63	7.70 123	4.31 102	8.98 144	4.19 126	0.03 119	0.01 87	0.02 158	0.02 134	0.13 116	0.11 108

FADNet-RVC	3.98 125	1.84 186	12.48 198	1.69 99	0.44 80	4.33 109	1.31 112	11.84 150	7.15 107	3.53 21	3.50 14	10.63 152	4.43 104	9.12 147	6.25 146	0.03 119	0.10 159	0.00 1	0.03 145	0.60 189	0.25 155

HSM-Net_RVC	4.20 131	0.32 9	2.76 34	0.63 31	0.69 96	6.95 149	1.69 120	11.96 151	8.36 132	8.83 116	12.17 134	15.18 178	4.21 96	6.91 64	3.30 110	0.02 102	0.02 107	0.00 1	0.00 1	0.01 6	0.01 8
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
GANet	6.22 161	1.07 140	4.07 101	2.27 148	0.89 110	9.19 164	9.52 207	12.02 152	8.13 128	10.72 161	29.09 208	13.86 170	7.52 164	11.00 173	4.39 127	0.36 193	0.00 1	0.02 158	0.02 134	0.12 106	0.08 89

ADCPNet	9.54 199	2.39 196	31.46 225	2.09 130	1.60 135	16.71 207	6.39 186	12.11 153	11.45 157	13.53 188	21.45 190	19.41 199	10.94 188	14.38 197	21.54 216	0.27 187	1.16 221	0.39 214	1.49 225	0.58 187	1.45 213

NCCL2	5.88 154	1.59 172	5.44 134	1.87 109	0.92 113	9.55 168	11.55 218	12.11 153	9.94 146	9.67 137	8.85 95	22.28 209	7.41 160	8.78 133	7.17 154	0.01 65	0.00 1	0.03 166	0.00 1	0.13 116	0.23 149

UCFNet_RVC	3.09 79	0.77 104	2.27 13	2.35 154	1.79 148	3.50 67	1.06 100	12.12 155	6.91 101	4.71 31	7.67 85	7.58 120	4.40 103	4.95 43	1.67 66	0.00 1	0.00 1	0.00 1	0.00 1	0.11 98	0.01 8

DISCO	6.28 162	0.57 76	5.78 142	3.43 197	1.17 121	11.22 183	3.39 145	12.14 156	16.16 183	6.52 71	11.22 122	16.96 186	6.32 146	19.51 214	10.74 189	0.00 1	0.00 1	0.00 1	0.00 1	0.35 169	0.11 108

AdaStereo	3.09 79	0.58 77	3.04 56	2.84 176	0.48 85	4.08 105	1.29 111	12.16 157	7.77 121	6.03 56	9.62 105	5.79 93	1.53 40	4.56 39	1.93 78	0.00 1	0.00 1	0.00 1	0.00 1	0.02 17	0.02 18
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	4.00 126	0.79 108	3.16 69	1.59 91	2.17 157	6.77 147	1.11 103	12.28 158	6.35 94	6.75 73	8.11 90	13.90 171	5.37 127	8.85 140	2.71 95	0.00 1	0.00 1	0.00 1	0.00 1	0.02 17	0.02 18

PA-Net	4.98 145	1.47 165	7.42 172	2.40 157	2.14 156	8.73 161	3.64 150	12.42 159	13.11 169	7.03 79	7.57 83	7.88 125	6.52 149	10.16 164	7.82 160	0.02 102	0.03 121	0.00 1	0.00 1	0.11 98	1.07 207
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CBMV	5.35 150	0.91 120	3.67 85	1.62 94	0.44 80	10.09 174

Low-res two-view benchmark