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

ACVNet-DCA	0.18 54	0.14 165	0.38 128	0.23 172	0.11 42	0.31 220	0.19 124	0.41 164	0.27 74	0.17 28	0.19 26	0.13 11	0.18 109	0.28 121	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 162

xx1	0.20 103	0.14 165	0.38 128	0.23 172	0.11 42	0.31 220	0.19 124	0.35 105	0.47 272	0.17 28	0.19 26	0.28 154	0.24 170	0.28 121	0.11 1	0.08 99	0.05 6	0.10 183	0.09 184	0.09 142	0.09 162

cc1	0.18 54	0.14 165	0.38 128	0.23 172	0.11 42	0.31 220	0.19 124	0.35 105	0.47 272	0.17 28	0.19 26	0.13 11	0.18 109	0.28 121	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

ffm	0.22 143	0.12 81	0.42 173	0.20 58	0.13 131	0.28 173	0.20 162	0.35 105	0.44 241	0.30 151	0.42 219	0.34 200	0.23 155	0.27 109	0.11 1	0.08 99	0.05 6	0.11 230	0.10 216	0.08 81	0.08 111

tt1	0.18 54	0.14 165	0.35 87	0.23 172	0.11 42	0.30 209	0.19 124	0.35 105	0.44 241	0.17 28	0.19 26	0.13 11	0.16 64	0.27 109	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

ff7	0.14 6	0.12 81	0.27 22	0.19 26	0.12 77	0.21 73	0.18 87	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 58	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

ffff	0.14 6	0.12 81	0.27 22	0.19 26	0.12 77	0.21 73	0.18 87	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 58	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

11t	0.14 6	0.12 81	0.27 22	0.19 26	0.12 77	0.21 73	0.18 87	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 58	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

AEACV	0.13 2	0.09 9	0.23 8	0.18 8	0.19 282	0.19 34	0.16 38	0.23 6	0.14 1	0.13 2	0.17 19	0.13 11	0.16 64	0.16 7	0.12 6	0.07 16	0.05 6	0.07 14	0.08 110	0.07 37	0.06 18

Any-RAFT	0.17 36	0.08 2	0.31 55	0.19 26	0.10 20	0.29 192	0.16 38	0.42 176	0.30 114	0.24 70	0.27 76	0.27 139	0.16 64	0.21 40	0.12 6	0.08 99	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

HH	0.18 54	0.12 81	0.55 257	0.22 130	0.12 77	0.18 13	0.18 87	0.34 88	0.19 7	0.20 41	0.24 60	0.34 200	0.18 109	0.29 134	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

HanStereo	0.18 54	0.12 81	0.55 257	0.22 130	0.12 77	0.18 13	0.18 87	0.34 88	0.19 7	0.20 41	0.24 60	0.34 200	0.18 109	0.29 134	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

anonymousdsp	0.14 6	0.12 81	0.27 22	0.19 26	0.12 77	0.21 73	0.18 87	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 58	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.07 65

CES	0.14 6	0.08 2	0.19 1	0.17 5	0.22 319	0.18 13	0.16 38	0.23 6	0.19 7	0.14 8	0.17 19	0.14 22	0.10 4	0.18 19	0.12 6	0.07 16	0.05 6	0.06 1	0.04 1	0.08 81	0.18 321

Selective-IGEV	0.12 1	0.09 9	0.22 6	0.19 26	0.10 20	0.15 4	0.14 13	0.27 21	0.15 2	0.13 2	0.14 14	0.13 11	0.08 1	0.21 40	0.12 6	0.06 1	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

ProNet	0.14 6	0.12 81	0.25 14	0.19 26	0.11 42	0.19 34	0.19 124	0.27 21	0.20 16	0.14 8	0.13 6	0.13 11	0.12 14	0.24 58	0.12 6	0.06 1	0.05 6	0.07 14	0.06 23	0.07 37	0.07 65

ccc-4	0.14 6	0.12 81	0.27 22	0.19 26	0.12 77	0.21 73	0.18 87	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 58	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

IGEV-Stereo	0.14 6	0.12 81	0.27 22	0.19 26	0.12 77	0.21 73	0.18 87	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 58	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.07 65
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GMOStereo	0.18 54	0.14 165	0.30 43	0.22 130	0.12 77	0.20 55	0.27 273	0.26 14	0.28 87	0.31 168	0.32 117	0.26 131	0.17 87	0.15 3	0.12 6	0.07 16	0.07 158	0.10 183	0.08 110	0.08 81	0.05 1

error version	0.18 54	0.14 165	0.30 43	0.22 130	0.12 77	0.20 55	0.27 273	0.26 14	0.28 87	0.31 168	0.32 117	0.26 131	0.17 87	0.15 3	0.12 6	0.07 16	0.07 158	0.10 183	0.08 110	0.08 81	0.05 1

test-v	0.18 54	0.14 165	0.30 43	0.22 130	0.12 77	0.20 55	0.27 273	0.26 14	0.28 87	0.31 168	0.32 117	0.26 131	0.17 87	0.15 3	0.12 6	0.07 16	0.07 158	0.10 183	0.08 110	0.08 81	0.05 1

test-2	0.18 54	0.14 165	0.30 43	0.22 130	0.12 77	0.20 55	0.27 273	0.26 14	0.28 87	0.31 168	0.32 117	0.26 131	0.17 87	0.15 3	0.12 6	0.07 16	0.07 158	0.10 183	0.08 110	0.08 81	0.05 1

XX-Stereo	0.21 117	0.10 24	0.83 332	0.26 274	0.17 245	0.23 110	0.13 3	0.40 154	0.18 5	0.20 41	0.41 205	0.31 179	0.10 4	0.32 157	0.12 6	0.08 99	0.06 72	0.08 65	0.08 110	0.07 37	0.05 1

MyStereo07	0.16 28	0.12 81	0.26 17	0.22 130	0.14 165	0.25 136	0.23 221	0.29 40	0.21 26	0.15 11	0.13 6	0.12 3	0.13 33	0.25 81	0.13 24	0.07 16	0.07 158	0.09 120	0.08 110	0.08 81	0.08 111

MSKI-zero shot	0.17 36	0.09 9	0.43 183	0.20 58	0.11 42	0.21 73	0.15 26	0.32 68	0.21 26	0.23 57	0.24 60	0.23 94	0.10 4	0.31 151	0.13 24	0.07 16	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18

CASnet	0.14 6	0.12 81	0.22 6	0.22 130	0.08 2	0.16 6	0.15 26	0.27 21	0.25 58	0.22 54	0.20 36	0.15 28	0.11 8	0.17 11	0.13 24	0.07 16	0.05 6	0.11 230	0.09 184	0.08 81	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LoS_RVC	0.13 2	0.10 24	0.19 1	0.18 8	0.16 229	0.20 55	0.18 87	0.20 2	0.17 3	0.13 2	0.19 26	0.12 3	0.15 50	0.17 11	0.13 24	0.06 1	0.05 6	0.06 1	0.04 1	0.05 1	0.12 254

CAS	0.15 21	0.07 1	0.21 4	0.41 367	0.16 229	0.20 55	0.18 87	0.22 3	0.19 7	0.15 11	0.19 26	0.11 2	0.09 2	0.14 1	0.13 24	0.29 371	0.04 1	0.06 1	0.04 1	0.06 6	0.14 283

EGLCR-Stereo	0.13 2	0.08 2	0.20 3	0.18 8	0.09 7	0.21 73	0.13 3	0.27 21	0.21 26	0.13 2	0.10 1	0.15 28	0.09 2	0.20 29	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.06 18

MC-Stereo	0.14 6	0.09 9	0.25 14	0.21 87	0.09 7	0.18 13	0.16 38	0.23 6	0.19 7	0.18 39	0.23 50	0.16 35	0.13 33	0.22 45	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

RAFT_CTSACE	0.21 117	0.16 208	0.41 166	0.25 246	0.15 206	0.22 93	0.24 243	0.32 68	0.28 87	0.33 195	0.51 284	0.29 161	0.17 87	0.32 157	0.13 24	0.06 1	0.07 158	0.09 120	0.08 110	0.08 81	0.06 18

TRStereo	0.19 90	0.17 224	0.47 212	0.23 172	0.19 282	0.19 34	0.16 38	0.52 262	0.28 87	0.20 41	0.19 26	0.21 68	0.13 33	0.24 58	0.13 24	0.09 165	0.06 72	0.09 120	0.11 249	0.06 6	0.06 18

CroCo-Stereo	0.14 6	0.13 136	0.24 10	0.25 246	0.11 42	0.11 1	0.18 87	0.32 68	0.23 44	0.12 1	0.12 2	0.18 47	0.12 14	0.14 1	0.13 24	0.08 99	0.06 72	0.07 14	0.05 9	0.07 37	0.06 18
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.15 21	0.09 9	0.28 30	0.16 3	0.08 2	0.25 136	0.14 13	0.23 6	0.28 87	0.24 70	0.30 100	0.16 35	0.12 14	0.17 11	0.13 24	0.08 99	0.07 158	0.06 1	0.05 9	0.06 6	0.07 65

XX-TBD	0.15 21	0.18 236	0.28 30	0.22 130	0.10 20	0.22 93	0.15 26	0.22 3	0.27 74	0.22 54	0.26 71	0.14 22	0.12 14	0.16 7	0.13 24	0.08 99	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18

CFNet-RSSM	0.17 36	0.10 24	0.40 144	0.20 58	0.11 42	0.20 55	0.15 26	0.36 124	0.30 114	0.23 57	0.21 44	0.26 131	0.15 50	0.20 29	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

Gwc-CoAtRS	0.17 36	0.10 24	0.37 109	0.20 58	0.12 77	0.19 34	0.15 26	0.32 68	0.28 87	0.23 57	0.23 50	0.27 139	0.15 50	0.20 29	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.06 18

CREStereo	0.13 2	0.08 2	0.21 4	0.14 1	0.08 2	0.22 93	0.15 26	0.25 11	0.24 54	0.16 24	0.21 44	0.14 22	0.13 33	0.18 19	0.13 24	0.09 165	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18
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	0.15 21	0.08 2	0.23 8	0.15 2	0.09 7	0.23 110	0.16 38	0.25 11	0.23 44	0.17 28	0.21 44	0.16 35	0.14 43	0.22 45	0.13 24	0.29 371	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18

AE-Stereo	0.17 36	0.11 63	0.31 55	0.24 209	0.14 165	0.23 110	0.18 87	0.34 88	0.29 105	0.15 11	0.25 65	0.21 68	0.13 33	0.20 29	0.14 40	0.07 16	0.08 224	0.09 120	0.10 216	0.07 37	0.06 18

IGEVStereo-DCA	0.14 6	0.11 63	0.27 22	0.19 26	0.12 77	0.20 55	0.18 87	0.27 21	0.20 16	0.15 11	0.12 2	0.14 22	0.12 14	0.28 121	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

rrr	0.17 36	0.11 63	0.57 265	0.19 26	0.12 77	0.20 55	0.18 87	0.35 105	0.22 33	0.15 11	0.12 2	0.14 22	0.12 14	0.28 121	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

RAFT-Test	0.17 36	0.10 24	0.38 128	0.19 26	0.12 77	0.25 136	0.17 59	0.33 82	0.23 44	0.23 57	0.29 89	0.27 139	0.14 43	0.20 29	0.14 40	0.07 16	0.06 72	0.07 14	0.07 50	0.06 6	0.06 18

4D-IteraStereo	0.17 36	0.16 208	0.50 236	0.21 87	0.14 165	0.19 34	0.17 59	0.28 33	0.28 87	0.23 57	0.20 36	0.20 60	0.11 8	0.19 25	0.14 40	0.06 1	0.04 1	0.10 183	0.08 110	0.08 81	0.06 18

LoS	0.14 6	0.08 2	0.27 22	0.16 3	0.09 7	0.22 93	0.14 13	0.26 14	0.26 65	0.15 11	0.18 23	0.18 47	0.13 33	0.22 45	0.14 40	0.08 99	0.06 72	0.06 1	0.04 1	0.06 6	0.06 18

RCA-Stereo	0.16 28	0.09 9	0.25 14	0.20 58	0.10 20	0.19 34	0.17 59	0.36 124	0.35 156	0.20 41	0.25 65	0.17 40	0.17 87	0.18 19	0.14 40	0.07 16	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

CroCo-Stereo Lap2	0.15 21	0.15 190	0.28 30	0.25 246	0.18 264	0.11 1	0.19 124	0.28 33	0.21 26	0.13 2	0.16 16	0.15 28	0.12 14	0.17 11	0.14 40	0.07 16	0.07 158	0.08 65	0.06 23	0.08 81	0.07 65

AnonymousM	0.17 36	0.19 251	0.24 10	0.18 8	0.10 20	0.18 13	0.17 59	0.30 54	0.23 44	0.26 85	0.20 36	0.18 47	0.14 43	0.19 25	0.14 40	0.09 165	0.06 72	0.38 374	0.15 318	0.06 6	0.05 1

sAnonymous2	0.20 103	0.21 272	0.58 269	0.24 209	0.17 245	0.22 93	0.19 124	0.34 88	0.28 87	0.17 28	0.19 26	0.17 40	0.16 64	0.17 11	0.14 40	0.10 207	0.07 158	0.09 120	0.08 110	0.23 347	0.17 307

CroCo_RVC	0.20 103	0.21 272	0.58 269	0.24 209	0.17 245	0.22 93	0.19 124	0.34 88	0.28 87	0.17 28	0.19 26	0.17 40	0.16 64	0.17 11	0.14 40	0.10 207	0.07 158	0.09 120	0.08 110	0.23 347	0.17 307

Former-RAFT_DAM_RVC	0.17 36	0.13 136	0.24 10	0.19 26	0.13 131	0.24 125	0.17 59	0.30 54	0.37 175	0.43 301	0.17 19	0.13 11	0.12 14	0.19 25	0.15 51	0.08 99	0.07 158	0.09 120	0.07 50	0.09 142	0.08 111

DLNR_Zeroshot_test	10.44 419	12.10 427	19.93 427	106.08 439	23.66 436	0.14 3	0.13 3	3.22 415	0.17 3	0.16 24	0.23 50	0.16 35	0.10 4	0.31 151	0.15 51	2.36 414	0.06 72	0.07 14	0.07 50	39.70 437	0.06 18

LL-Strereo2	0.18 54	0.18 236	0.39 139	0.22 130	0.12 77	0.24 125	0.13 3	0.31 60	0.23 44	0.24 70	0.20 36	0.24 105	0.12 14	0.26 94	0.15 51	0.06 1	0.06 72	0.12 263	0.09 184	0.08 81	0.07 65

anonymousdsp2	0.17 36	0.10 24	0.28 30	0.20 58	0.11 42	0.25 136	0.17 59	0.41 164	0.31 124	0.23 57	0.23 50	0.22 75	0.15 50	0.25 81	0.15 51	0.07 16	0.05 6	0.07 14	0.05 9	0.08 81	0.07 65

DCRE	0.20 103	0.13 136	0.40 144	0.21 87	0.15 206	0.20 55	0.19 124	0.30 54	0.27 74	0.22 54	0.80 357	0.23 94	0.16 64	0.23 52	0.15 51	0.07 16	0.07 158	0.07 14	0.08 110	0.07 37	0.06 18

raft_robust	0.22 143	0.17 224	0.30 43	0.22 130	0.12 77	0.23 110	0.22 201	0.49 231	0.48 281	0.32 186	0.32 117	0.26 131	0.23 155	0.53 235	0.15 51	0.07 16	0.06 72	0.08 65	0.10 216	0.08 81	0.06 18

KYRaft	0.22 143	0.10 24	0.30 43	0.23 172	0.12 77	0.23 110	0.23 221	0.35 105	0.24 54	0.35 227	0.54 300	0.34 200	0.26 194	0.29 134	0.15 51	0.07 16	0.05 6	0.09 120	0.10 216	0.08 81	0.31 369

cross-raft	0.17 36	0.12 81	0.41 166	0.23 172	0.10 20	0.20 55	0.24 243	0.33 82	0.23 44	0.23 57	0.28 80	0.29 161	0.15 50	0.17 11	0.15 51	0.06 1	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

iRaftStereo_RVC	0.16 28	0.12 81	0.26 17	0.21 87	0.11 42	0.20 55	0.17 59	0.32 68	0.23 44	0.20 41	0.25 65	0.18 47	0.12 14	0.20 29	0.15 51	0.07 16	0.05 6	0.09 120	0.09 184	0.08 81	0.07 65

CREStereo++_RVC	0.15 21	0.08 2	0.26 17	0.17 5	0.11 42	0.18 13	0.13 3	0.22 3	0.30 114	0.21 50	0.30 100	0.13 11	0.11 8	0.16 7	0.15 51	0.07 16	0.04 1	0.06 1	0.15 318	0.06 6	0.05 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.16 28	0.13 136	0.29 37	0.22 130	0.15 206	0.19 34	0.13 3	0.32 68	0.26 65	0.26 85	0.20 36	0.19 58	0.17 87	0.21 40	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.07 65

sCroCo_RVC	0.18 54	0.14 165	0.49 226	0.27 297	0.18 264	0.22 93	0.17 59	0.27 21	0.23 44	0.14 8	0.22 48	0.17 40	0.14 43	0.21 40	0.15 51	0.10 207	0.11 287	0.09 120	0.09 184	0.09 142	0.09 162

test_xeample3	0.16 28	0.11 63	0.56 261	0.19 26	0.12 77	0.20 55	0.18 87	0.35 105	0.20 16	0.16 24	0.12 2	0.13 11	0.12 14	0.24 58	0.15 51	0.07 16	0.06 72	0.07 14	0.08 110	0.07 37	0.07 65

RAFT-Stereo + iAFF	0.17 36	0.14 165	0.32 61	0.20 58	0.09 7	0.19 34	0.17 59	0.32 68	0.30 114	0.25 76	0.33 136	0.20 60	0.17 87	0.19 25	0.15 51	0.06 1	0.05 6	0.07 14	0.07 50	0.07 37	0.05 1

AFF-stereo	0.18 54	0.15 190	0.32 61	0.21 87	0.10 20	0.18 13	0.18 87	0.33 82	0.27 74	0.25 76	0.37 168	0.25 112	0.17 87	0.24 58	0.15 51	0.06 1	0.05 6	0.08 65	0.08 110	0.07 37	0.05 1

R-Stereo Train	0.18 54	0.09 9	0.32 61	0.22 130	0.12 77	0.22 93	0.19 124	0.42 176	0.19 7	0.31 168	0.45 252	0.20 60	0.14 43	0.18 19	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18

RAFT-Stereo	0.18 54	0.09 9	0.32 61	0.22 130	0.12 77	0.22 93	0.19 124	0.42 176	0.19 7	0.31 168	0.45 252	0.20 60	0.14 43	0.18 19	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
qqq1	0.24 183	0.12 81	0.40 144	0.19 26	0.10 20	0.27 160	0.19 124	0.51 252	0.45 253	0.34 211	0.41 205	0.31 179	0.26 194	0.58 256	0.16 68	0.10 207	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

fff1	0.24 183	0.12 81	0.40 144	0.19 26	0.10 20	0.27 160	0.19 124	0.51 252	0.45 253	0.34 211	0.41 205	0.31 179	0.26 194	0.58 256	0.16 68	0.10 207	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

test croco	0.17 36	0.13 136	0.43 183	0.21 87	0.13 131	0.16 6	0.17 59	0.27 21	0.22 33	0.16 24	0.26 71	0.13 11	0.16 64	0.27 109	0.16 68	0.08 99	0.06 72	0.10 183	0.07 50	0.10 190	0.07 65

MIF-Stereo	0.14 6	0.10 24	0.30 43	0.21 87	0.13 131	0.17 9	0.13 3	0.19 1	0.18 5	0.15 11	0.20 36	0.10 1	0.11 8	0.18 19	0.16 68	0.08 99	0.06 72	0.07 14	0.06 23	0.08 81	0.06 18

EKT-Stereo	0.38 309	0.12 81	0.38 128	0.42 368	3.88 416	0.21 73	0.17 59	0.35 105	0.28 87	0.20 41	0.20 36	0.23 94	0.15 50	0.28 121	0.16 68	0.09 165	0.07 158	0.09 120	0.07 50	0.09 142	0.09 162

MIM_Stereo	0.18 54	0.12 81	0.38 128	0.20 58	0.11 42	0.17 9	0.14 13	0.35 105	0.25 58	0.27 89	0.35 149	0.23 94	0.13 33	0.27 109	0.16 68	0.06 1	0.07 158	0.08 65	0.08 110	0.08 81	0.06 18

knoymous	0.17 36	0.09 9	0.32 61	0.17 5	0.11 42	0.21 73	0.17 59	0.32 68	0.23 44	0.23 57	0.28 80	0.27 139	0.16 64	0.23 52	0.16 68	0.09 165	0.06 72	0.09 120	0.06 23	0.09 142	0.09 162

DisPM	0.19 90	0.10 24	0.35 87	0.23 172	0.13 131	0.18 13	0.20 162	0.29 40	0.29 105	0.33 195	0.34 142	0.23 94	0.16 64	0.33 163	0.16 68	0.09 165	0.06 72	0.09 120	0.08 110	0.07 37	0.11 232

RAFT+CT+SA	0.21 117	0.18 236	0.33 74	0.25 246	0.18 264	0.23 110	0.29 290	0.40 154	0.36 166	0.24 70	0.38 178	0.18 47	0.16 64	0.32 157	0.16 68	0.07 16	0.05 6	0.09 120	0.12 281	0.09 142	0.09 162

Sa-1000	0.22 143	0.15 190	0.35 87	0.23 172	0.13 131	0.28 173	0.23 221	0.47 214	0.39 194	0.30 151	0.50 278	0.26 131	0.19 122	0.33 163	0.16 68	0.07 16	0.06 72	0.10 183	0.11 249	0.08 81	0.06 18

test_4	0.18 54	0.12 81	0.34 79	0.23 172	0.12 77	0.18 13	0.22 201	0.26 14	0.24 54	0.24 70	0.47 269	0.22 75	0.13 33	0.24 58	0.16 68	0.06 1	0.05 6	0.09 120	0.09 184	0.07 37	0.05 1

GLC_STEREO	0.15 21	0.10 24	0.24 10	0.21 87	0.09 7	0.17 9	0.15 26	0.23 6	0.27 74	0.17 28	0.20 36	0.17 40	0.11 8	0.23 52	0.16 68	0.07 16	0.09 252	0.09 120	0.08 110	0.07 37	0.06 18

Patchmatch Stereo++	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 89	0.25 112	0.17 87	0.26 94	0.16 68	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111
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
PSM-adaLoss	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 89	0.25 112	0.18 109	0.24 58	0.16 68	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111

PSM-AAD	0.25 205	0.10 24	0.30 43	0.24 209	0.12 77	0.26 153	0.38 337	0.34 88	0.28 87	0.35 227	0.39 190	0.28 154	0.79 372	0.30 146	0.16 68	0.07 16	0.06 72	0.12 263	0.11 249	0.08 81	0.21 345

ROB_FTStereo_v2	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 89	0.25 112	0.17 87	0.24 58	0.16 68	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111

ROB_FTStereo	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 80	0.25 112	0.17 87	0.24 58	0.16 68	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111

HUI-Stereo	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 80	0.25 112	0.17 87	0.22 45	0.16 68	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111

GrayStereo	0.25 205	0.09 9	0.32 61	0.26 274	0.13 131	0.23 110	0.47 362	0.34 88	0.30 114	0.39 270	0.47 269	0.30 171	0.79 372	0.29 134	0.16 68	0.07 16	0.06 72	0.08 65	0.09 184	0.07 37	0.13 266

iRAFT	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 89	0.25 112	0.17 87	0.26 94	0.16 68	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111

RAFT-IKP	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 89	0.25 112	0.18 109	0.25 81	0.16 68	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111

Prome-Stereo	0.21 117	0.10 24	0.30 43	0.24 209	0.12 77	0.23 110	0.23 221	0.36 124	0.25 58	0.33 195	0.59 315	0.24 105	0.28 224	0.29 134	0.16 68	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.20 338

s12784h	0.17 36	0.09 9	0.26 17	0.18 8	0.07 1	0.32 228	0.19 124	0.37 130	0.32 132	0.23 57	0.25 65	0.18 47	0.17 87	0.25 81	0.16 68	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.05 1

StereoIM	0.14 6	0.13 136	0.26 17	0.19 26	0.14 165	0.16 6	0.13 3	0.25 11	0.21 26	0.13 2	0.14 14	0.14 22	0.11 8	0.17 11	0.17 91	0.08 99	0.07 158	0.08 65	0.06 23	0.07 37	0.06 18

MIF-Stereo (partial)	0.16 28	0.10 24	0.34 79	0.21 87	0.15 206	0.15 4	0.13 3	0.28 33	0.25 58	0.17 28	0.26 71	0.15 28	0.16 64	0.25 81	0.17 91	0.09 165	0.06 72	0.10 183	0.08 110	0.09 142	0.08 111

riskmin	0.18 54	0.09 9	0.34 79	0.18 8	0.12 77	0.24 125	0.16 38	0.34 88	0.28 87	0.21 50	0.23 50	0.33 194	0.24 170	0.23 52	0.17 91	0.09 165	0.06 72	0.09 120	0.06 23	0.10 190	0.10 207

Selective-RAFT	0.17 36	0.12 81	0.30 43	0.24 209	0.10 20	0.29 192	0.15 26	0.32 68	0.31 124	0.17 28	0.17 19	0.21 68	0.18 109	0.28 121	0.17 91	0.07 16	0.06 72	0.07 14	0.07 50	0.08 81	0.06 18

TestStereo1	0.21 117	0.16 208	0.32 61	0.26 274	0.13 131	0.26 153	0.27 273	0.40 154	0.36 166	0.29 123	0.39 190	0.22 75	0.21 135	0.33 163	0.17 91	0.07 16	0.06 72	0.09 120	0.08 110	0.08 81	0.07 65

SA-5K	0.21 117	0.16 208	0.32 61	0.26 274	0.13 131	0.26 153	0.27 273	0.40 154	0.36 166	0.29 123	0.39 190	0.22 75	0.21 135	0.33 163	0.17 91	0.07 16	0.06 72	0.09 120	0.08 110	0.08 81	0.07 65

SA	0.22 143	0.16 208	0.36 104	0.23 172	0.13 131	0.24 125	0.23 221	0.45 198	0.40 207	0.27 89	0.44 240	0.23 94	0.23 155	0.33 163	0.17 91	0.07 16	0.06 72	0.10 183	0.11 249	0.08 81	0.06 18

PFNet+	0.20 103	0.10 24	0.37 109	0.21 87	0.12 77	0.17 9	0.19 124	0.29 40	0.34 150	0.33 195	0.32 117	0.24 105	0.16 64	0.32 157	0.17 91	0.10 207	0.07 158	0.11 230	0.10 216	0.08 81	0.12 254

LCNet	0.21 117	0.11 63	0.29 37	0.25 246	0.12 77	0.23 110	0.19 124	0.34 88	0.26 65	0.28 98	0.35 149	0.26 131	0.30 246	0.35 178	0.17 91	0.07 16	0.05 6	0.09 120	0.10 216	0.13 265	0.22 350

SST-Stereo	0.21 117	0.10 24	0.37 109	0.24 209	0.13 131	0.19 34	0.17 59	0.31 60	0.24 54	0.34 211	0.33 136	0.29 161	0.25 185	0.56 248	0.17 91	0.08 99	0.05 6	0.10 183	0.08 110	0.09 142	0.07 65

iGMRVC	0.18 54	0.12 81	0.37 109	0.22 130	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 89	0.25 112	0.17 87	0.27 109	0.17 91	0.08 99	0.06 72	0.10 183	0.08 110	0.10 190	0.08 111

RAFT	0.21 117	0.17 224	0.32 61	0.24 209	0.12 77	0.25 136	0.27 273	0.35 105	0.28 87	0.33 195	0.33 136	0.38 228	0.22 146	0.29 134	0.17 91	0.08 99	0.08 224	0.11 230	0.10 216	0.10 190	0.06 18

GMM-Stereo	0.21 117	0.10 24	0.43 183	0.23 172	0.13 131	0.24 125	0.25 257	0.37 130	0.27 74	0.30 151	0.45 252	0.27 139	0.21 135	0.31 151	0.17 91	0.07 16	0.05 6	0.10 183	0.09 184	0.08 81	0.19 328

RALCasStereoNet	0.18 54	0.15 190	0.33 74	0.21 87	0.14 165	0.21 73	0.18 87	0.31 60	0.25 58	0.21 50	0.29 89	0.22 75	0.15 50	0.27 109	0.17 91	0.08 99	0.10 270	0.07 14	0.06 23	0.09 142	0.09 162

MyStereo06	0.20 103	0.12 81	0.57 265	0.21 87	0.14 165	0.25 136	0.23 221	0.40 154	0.21 26	0.30 151	0.24 60	0.31 179	0.18 109	0.22 45	0.18 105	0.07 16	0.07 158	0.09 120	0.08 110	0.08 81	0.08 111

11t1	0.18 54	0.10 24	0.30 43	0.20 58	0.11 42	0.27 160	0.17 59	0.35 105	0.23 44	0.25 76	0.23 50	0.23 94	0.23 155	0.25 81	0.18 105	0.09 165	0.07 158	0.07 14	0.06 23	0.09 142	0.09 162

IGEV_Zeroshot_test	0.18 54	0.10 24	0.65 294	0.20 58	0.12 77	0.19 34	0.15 26	0.34 88	0.19 7	0.28 98	0.22 48	0.27 139	0.13 33	0.23 52	0.18 105	0.07 16	0.06 72	0.08 65	0.08 110	0.07 37	0.06 18

StereoVision	0.22 143	0.18 236	0.37 109	0.27 297	0.17 245	0.23 110	0.22 201	0.38 136	0.31 124	0.20 41	0.51 284	0.22 75	0.16 64	0.28 121	0.18 105	0.11 234	0.12 304	0.13 282	0.13 299	0.10 190	0.07 65

DCANet-4	0.19 90	0.10 24	0.52 246	0.19 26	0.09 7	0.19 34	0.18 87	0.36 124	0.39 194	0.29 123	0.30 100	0.17 40	0.22 146	0.20 29	0.18 105	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

fff	0.19 90	0.13 136	0.40 144	0.18 8	0.09 7	0.19 34	0.18 87	0.35 105	0.43 227	0.29 123	0.30 100	0.18 47	0.28 224	0.20 29	0.18 105	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

test_5	0.23 160	0.19 251	0.38 128	0.26 274	0.18 264	0.25 136	0.29 290	0.40 154	0.37 175	0.29 123	0.40 197	0.25 112	0.22 146	0.34 169	0.18 105	0.07 16	0.05 6	0.09 120	0.09 184	0.10 190	0.10 207

iRaft-Stereo_20w	0.19 90	0.10 24	0.46 205	0.19 26	0.13 131	0.25 136	0.19 124	0.52 262	0.19 7	0.29 123	0.21 44	0.22 75	0.20 130	0.28 121	0.18 105	0.07 16	0.06 72	0.07 14	0.08 110	0.08 81	0.08 111

IPLGR	0.21 117	0.13 136	0.61 278	0.21 87	0.11 42	0.25 136	0.18 87	0.41 164	0.37 175	0.28 98	0.27 76	0.21 68	0.19 122	0.37 184	0.18 105	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.06 18

test-3	0.16 28	0.09 9	0.31 55	0.21 87	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.26 85	0.16 16	0.22 75	0.12 14	0.26 94	0.18 105	0.06 1	0.04 1	0.08 65	0.08 110	0.06 6	0.06 18

test_1	0.16 28	0.09 9	0.31 55	0.21 87	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.25 76	0.16 16	0.22 75	0.12 14	0.26 94	0.18 105	0.06 1	0.04 1	0.08 65	0.08 110	0.06 6	0.06 18

NRIStereo	0.18 54	0.11 63	0.35 87	0.23 172	0.11 42	0.24 125	0.20 162	0.29 40	0.26 65	0.26 85	0.25 65	0.25 112	0.18 109	0.34 169	0.18 105	0.07 16	0.06 72	0.09 120	0.07 50	0.09 142	0.08 111

FTStereo	0.28 239	0.10 24	0.43 183	0.23 172	0.13 131	0.21 73	0.53 372	0.34 88	0.26 65	0.38 255	0.95 369	0.30 171	0.56 349	0.32 157	0.18 105	0.08 99	0.06 72	0.09 120	0.08 110	0.07 37	0.19 328

RAFT_R40	0.21 117	0.10 24	0.37 109	0.24 209	0.13 131	0.18 13	0.18 87	0.31 60	0.29 105	0.33 195	0.33 136	0.30 171	0.24 170	0.55 240	0.18 105	0.08 99	0.05 6	0.10 183	0.08 110	0.08 81	0.07 65

DeepStereo_RVC	0.18 54	0.11 63	0.40 144	0.21 87	0.11 42	0.19 34	0.16 38	0.28 33	0.22 33	0.27 89	0.27 76	0.23 94	0.28 224	0.24 58	0.18 105	0.08 99	0.06 72	0.09 120	0.07 50	0.09 142	0.10 207

CRE-IMP	0.18 54	0.12 81	0.37 109	0.22 130	0.11 42	0.24 125	0.17 59	0.29 40	0.21 26	0.27 89	0.26 71	0.24 105	0.17 87	0.23 52	0.18 105	0.08 99	0.05 6	0.10 183	0.07 50	0.10 190	0.10 207

Anonymous3	0.23 160	0.18 236	0.63 288	0.27 297	0.18 264	0.41 291	0.23 221	0.43 186	0.35 156	0.23 57	0.27 76	0.20 60	0.18 109	0.27 109	0.18 105	0.12 261	0.11 287	0.10 183	0.10 216	0.11 226	0.12 254

TestStereo	0.21 117	0.19 251	0.40 144	0.25 246	0.10 20	0.22 93	0.21 185	0.31 60	0.31 124	0.23 57	0.34 142	0.22 75	0.18 109	0.62 276	0.18 105	0.08 99	0.06 72	0.10 183	0.07 50	0.11 226	0.06 18

RALAANet	0.19 90	0.18 236	0.37 109	0.23 172	0.14 165	0.23 110	0.13 3	0.37 130	0.29 105	0.28 98	0.26 71	0.25 112	0.15 50	0.26 94	0.18 105	0.08 99	0.06 72	0.09 120	0.08 110	0.09 142	0.06 18

Anonymous	0.20 103	0.14 165	0.47 212	0.27 297	0.20 296	0.25 136	0.25 257	0.32 68	0.26 65	0.18 39	0.18 23	0.15 28	0.19 122	0.24 58	0.18 105	0.10 207	0.09 252	0.09 120	0.09 184	0.15 289	0.13 266

csc	0.19 90	0.13 136	0.40 144	0.18 8	0.09 7	0.19 34	0.18 87	0.35 105	0.43 227	0.29 123	0.30 100	0.18 47	0.28 224	0.20 29	0.18 105	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

cscssc	0.19 90	0.13 136	0.40 144	0.18 8	0.09 7	0.19 34	0.18 87	0.35 105	0.43 227	0.29 123	0.30 100	0.18 47	0.28 224	0.20 29	0.18 105	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

111	0.20 103	0.17 224	0.40 144	0.18 8	0.09 7	0.24 125	0.17 59	0.41 164	0.45 253	0.23 57	0.29 89	0.29 161	0.21 135	0.24 58	0.18 105	0.07 16	0.05 6	0.07 14	0.06 23	0.07 37	0.08 111

ARAFT	0.24 183	0.21 272	0.78 318	0.22 130	0.12 77	0.29 192	0.24 243	0.43 186	0.32 132	0.33 195	0.28 80	0.28 154	0.19 122	0.49 217	0.18 105	0.07 16	0.06 72	0.12 263	0.11 249	0.09 142	0.06 18

CoDeX	0.23 160	0.12 81	0.46 205	0.21 87	0.14 165	0.29 192	0.21 185	0.53 273	0.41 218	0.29 123	0.35 149	0.29 161	0.22 146	0.48 212	0.19 129	0.09 165	0.06 72	0.08 65	0.07 50	0.08 81	0.07 65

whm_eth	0.23 160	0.18 236	0.56 261	0.24 209	0.19 282	0.21 73	0.18 87	0.37 130	0.40 207	0.31 168	0.60 320	0.15 28	0.17 87	0.26 94	0.19 129	0.09 165	0.08 224	0.10 183	0.09 184	0.09 142	0.11 232

ADStereo(finetuned)	0.19 90	0.13 136	0.49 226	0.19 26	0.09 7	0.19 34	0.18 87	0.34 88	0.39 194	0.29 123	0.31 114	0.18 47	0.31 257	0.21 40	0.19 129	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

MIPNet	0.21 117	0.15 190	0.52 246	0.21 87	0.12 77	0.27 160	0.20 162	0.45 198	0.37 175	0.30 151	0.23 50	0.19 58	0.24 170	0.27 109	0.19 129	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

test_3	0.18 54	0.11 63	0.32 61	0.24 209	0.11 42	0.22 93	0.25 257	0.31 60	0.31 124	0.25 76	0.18 23	0.23 94	0.13 33	0.25 81	0.19 129	0.06 1	0.05 6	0.09 120	0.10 216	0.07 37	0.06 18

rafts_anoy	0.18 54	0.15 190	0.35 87	0.22 130	0.14 165	0.19 34	0.17 59	0.32 68	0.30 114	0.23 57	0.25 65	0.20 60	0.16 64	0.22 45	0.19 129	0.08 99	0.07 158	0.10 183	0.12 281	0.09 142	0.08 111

raft+_RVC	0.18 54	0.14 165	0.32 61	0.21 87	0.15 206	0.21 73	0.16 38	0.38 136	0.34 150	0.21 50	0.28 80	0.20 60	0.15 50	0.24 58	0.19 129	0.08 99	0.06 72	0.08 65	0.07 50	0.07 37	0.08 111

DCANet	0.18 54	0.13 136	0.40 144	0.19 26	0.09 7	0.19 34	0.18 87	0.34 88	0.39 194	0.29 123	0.31 114	0.18 47	0.23 155	0.20 29	0.19 129	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

GMStereo	0.19 90	0.25 298	0.40 144	0.21 87	0.12 77	0.22 93	0.19 124	0.29 40	0.40 207	0.25 76	0.23 50	0.16 35	0.15 50	0.25 81	0.19 129	0.09 165	0.06 72	0.08 65	0.08 110	0.10 190	0.08 111
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.22 143	0.10 24	0.51 242	0.21 87	0.14 165	0.34 250	0.22 201	0.55 290	0.39 194	0.29 123	0.32 117	0.23 94	0.21 135	0.27 109	0.19 129	0.09 165	0.07 158	0.09 120	0.09 184	0.09 142	0.08 111

DN-CSS_ROB	0.22 143	0.25 298	0.47 212	0.24 209	0.14 165	0.25 136	0.12 1	0.40 154	0.33 143	0.29 123	0.42 219	0.22 75	0.20 130	0.33 163	0.19 129	0.07 16	0.06 72	0.11 230	0.11 249	0.11 226	0.07 65

GMStereo_Zeroshot	0.24 183	0.21 272	0.45 199	0.26 274	0.13 131	0.28 173	0.15 26	0.39 147	0.35 156	0.37 247	0.43 231	0.40 252	0.17 87	0.34 169	0.20 140	0.12 261	0.07 158	0.13 282	0.07 50	0.16 297	0.09 162

PCWNet_CMD	0.23 160	0.13 136	0.48 221	0.20 58	0.13 131	0.28 173	0.16 38	0.46 207	0.46 267	0.29 123	0.36 159	0.37 223	0.24 170	0.28 121	0.20 140	0.09 165	0.06 72	0.10 183	0.08 110	0.11 226	0.09 162

CASS	0.21 117	0.15 190	0.32 61	0.26 274	0.11 42	0.28 173	0.19 124	0.39 147	0.30 114	0.32 186	0.34 142	0.25 112	0.24 170	0.25 81	0.20 140	0.13 277	0.08 224	0.11 230	0.09 184	0.11 226	0.11 232
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.23 160	0.11 63	0.50 236	0.21 87	0.16 229	0.31 220	0.20 162	0.36 124	0.35 156	0.32 186	0.50 278	0.39 239	0.26 194	0.22 45	0.20 140	0.08 99	0.06 72	0.09 120	0.11 249	0.07 37	0.08 111

CIPLG	0.21 117	0.21 272	0.55 257	0.23 172	0.15 206	0.25 136	0.20 162	0.35 105	0.29 105	0.31 168	0.33 136	0.22 75	0.15 50	0.26 94	0.20 140	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

UDGNet	0.23 160	0.31 337	0.38 128	0.24 209	0.14 165	0.24 125	0.18 87	0.32 68	0.43 227	0.29 123	0.28 80	0.24 105	0.19 122	0.29 134	0.20 140	0.15 311	0.07 158	0.21 348	0.11 249	0.14 277	0.10 207

IPLGR_C	0.21 117	0.22 284	0.60 275	0.23 172	0.15 206	0.24 125	0.20 162	0.35 105	0.29 105	0.31 168	0.32 117	0.22 75	0.15 50	0.25 81	0.20 140	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

ACRE	0.21 117	0.20 259	0.62 286	0.23 172	0.15 206	0.24 125	0.20 162	0.35 105	0.28 87	0.31 168	0.32 117	0.22 75	0.15 50	0.25 81	0.20 140	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

GANet-ADL	0.21 117	0.12 81	0.45 199	0.23 172	0.14 165	0.29 192	0.19 124	0.46 207	0.35 156	0.25 76	0.32 117	0.32 187	0.19 122	0.24 58	0.20 140	0.10 207	0.07 158	0.07 14	0.06 23	0.09 142	0.10 207

TransformOpticalFlow	0.24 183	0.13 136	0.56 261	0.23 172	0.11 42	0.21 73	0.19 124	0.40 154	0.32 132	0.30 151	0.43 231	0.36 219	0.31 257	0.61 268	0.20 140	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.07 65

NF-Stereo	0.20 103	0.10 24	0.35 87	0.24 209	0.12 77	0.21 73	0.18 87	0.38 136	0.32 132	0.28 98	0.30 100	0.22 75	0.16 64	0.51 224	0.20 140	0.08 99	0.06 72	0.09 120	0.08 110	0.08 81	0.13 266

OCTAStereo	0.20 103	0.10 24	0.35 87	0.24 209	0.12 77	0.21 73	0.18 87	0.38 136	0.32 132	0.28 98	0.30 100	0.22 75	0.16 64	0.51 224	0.20 140	0.08 99	0.06 72	0.09 120	0.08 110	0.08 81	0.13 266

PSM-softLoss	0.21 117	0.10 24	0.39 139	0.24 209	0.12 77	0.20 55	0.18 87	0.38 136	0.26 65	0.29 123	0.32 117	0.24 105	0.16 64	0.52 230	0.20 140	0.09 165	0.06 72	0.10 183	0.09 184	0.08 81	0.12 254

KMStereo	0.21 117	0.10 24	0.39 139	0.24 209	0.12 77	0.20 55	0.18 87	0.38 136	0.26 65	0.29 123	0.32 117	0.24 105	0.16 64	0.52 230	0.20 140	0.09 165	0.06 72	0.10 183	0.09 184	0.08 81	0.12 254

RE-Stereo	0.20 103	0.10 24	0.35 87	0.24 209	0.12 77	0.21 73	0.18 87	0.38 136	0.32 132	0.28 98	0.30 100	0.22 75	0.16 64	0.51 224	0.20 140	0.08 99	0.06 72	0.09 120	0.08 110	0.08 81	0.13 266

TVStereo	0.20 103	0.10 24	0.35 87	0.24 209	0.12 77	0.21 73	0.18 87	0.38 136	0.32 132	0.28 98	0.30 100	0.22 75	0.16 64	0.51 224	0.20 140	0.08 99	0.06 72	0.09 120	0.08 110	0.08 81	0.13 266

test-1	0.17 36	0.11 63	0.40 144	0.23 172	0.13 131	0.22 93	0.23 221	0.34 88	0.26 65	0.20 41	0.24 60	0.22 75	0.14 43	0.16 7	0.20 140	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.08 111

HCRNet	0.24 183	0.25 298	0.33 74	0.34 345	0.16 229	0.27 160	0.18 87	0.43 186	0.35 156	0.30 151	0.35 149	0.32 187	0.22 146	0.44 203	0.20 140	0.13 277	0.08 224	0.13 282	0.11 249	0.10 190	0.09 162

DIP-Stereo	0.18 54	0.12 81	0.33 74	0.20 58	0.13 131	0.28 173	0.12 1	0.42 176	0.25 58	0.27 89	0.32 117	0.21 68	0.17 87	0.25 81	0.20 140	0.07 16	0.06 72	0.08 65	0.06 23	0.07 37	0.08 111
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.23 160	0.13 136	0.48 221	0.20 58	0.13 131	0.28 173	0.16 38	0.46 207	0.46 267	0.29 123	0.36 159	0.37 223	0.24 170	0.28 121	0.20 140	0.09 165	0.06 72	0.09 120	0.08 110	0.11 226	0.09 162

iResNetv2_ROB	0.27 222	0.26 309	0.72 312	0.23 172	0.13 131	0.29 192	0.18 87	0.52 262	0.49 290	0.37 247	0.45 252	0.39 239	0.25 185	0.34 169	0.20 140	0.08 99	0.06 72	0.07 14	0.05 9	0.12 252	0.09 162

MyStereo05	0.23 160	0.12 81	0.57 265	0.21 87	0.14 165	0.25 136	0.23 221	0.48 225	0.52 307	0.31 168	0.23 50	0.25 112	0.22 146	0.30 146	0.21 161	0.07 16	0.07 158	0.09 120	0.08 110	0.08 81	0.08 111

CFNet_ucs	0.24 183	0.13 136	0.50 236	0.20 58	0.15 206	0.28 173	0.17 59	0.49 231	0.45 253	0.32 186	0.42 219	0.39 239	0.22 146	0.31 151	0.21 161	0.11 234	0.08 224	0.12 263	0.09 184	0.12 252	0.11 232

BUS	0.23 160	0.12 81	0.28 30	0.25 246	0.14 165	0.43 306	0.17 59	0.56 304	0.34 150	0.34 211	0.35 149	0.32 187	0.20 130	0.26 94	0.21 161	0.10 207	0.07 158	0.11 230	0.10 216	0.09 142	0.09 162

NINENet	0.25 205	0.15 190	0.37 109	0.23 172	0.16 229	0.43 306	0.17 59	0.60 331	0.46 267	0.32 186	0.37 168	0.32 187	0.20 130	0.42 197	0.21 161	0.10 207	0.10 270	0.12 263	0.08 110	0.11 226	0.10 207

BSDual-CNN	0.23 160	0.12 81	0.28 30	0.25 246	0.14 165	0.35 259	0.21 185	0.56 304	0.34 150	0.34 211	0.35 149	0.38 228	0.24 170	0.26 94	0.21 161	0.10 207	0.07 158	0.11 230	0.10 216	0.09 142	0.09 162

hknet	0.25 205	0.14 165	0.40 144	0.25 246	0.15 206	0.35 259	0.21 185	0.56 304	0.37 175	0.34 211	0.35 149	0.43 265	0.27 211	0.37 184	0.21 161	0.09 165	0.07 158	0.11 230	0.10 216	0.09 142	0.09 162

psmg	0.23 160	0.12 81	0.28 30	0.21 87	0.14 165	0.35 259	0.23 221	0.51 252	0.34 150	0.35 227	0.38 178	0.38 228	0.24 170	0.26 94	0.21 161	0.10 207	0.08 224	0.10 183	0.10 216	0.09 142	0.08 111

DAS	0.27 222	0.12 81	0.42 173	0.24 209	0.18 264	0.29 192	0.24 243	0.45 198	0.45 253	0.41 287	0.44 240	0.34 200	0.29 237	0.75 319	0.21 161	0.09 165	0.07 158	0.09 120	0.07 50	0.09 142	0.09 162

SepStereo	0.26 215	0.12 81	0.42 173	0.24 209	0.18 264	0.29 192	0.24 243	0.45 198	0.45 253	0.41 287	0.44 240	0.34 200	0.29 237	0.64 283	0.21 161	0.09 165	0.07 158	0.09 120	0.07 50	0.09 142	0.09 162

IPLG	0.21 117	0.15 190	0.53 249	0.21 87	0.12 77	0.28 173	0.17 59	0.42 176	0.30 114	0.33 195	0.32 117	0.15 28	0.17 87	0.50 219	0.21 161	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

Pruner-Stereo	0.19 90	0.11 63	0.34 79	0.29 317	0.12 77	0.19 34	0.17 59	0.31 60	0.29 105	0.33 195	0.32 117	0.25 112	0.15 50	0.24 58	0.21 161	0.09 165	0.06 72	0.09 120	0.08 110	0.08 81	0.09 162

RAFT-345	0.21 117	0.10 24	0.46 205	0.22 130	0.11 42	0.20 55	0.16 38	0.26 14	0.25 58	0.27 89	0.66 336	0.21 68	0.16 64	0.55 240	0.21 161	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.06 18

CFNet_pseudo	0.23 160	0.13 136	0.47 212	0.19 26	0.13 131	0.26 153	0.16 38	0.44 190	0.44 241	0.29 123	0.37 168	0.38 228	0.23 155	0.29 134	0.21 161	0.09 165	0.06 72	0.11 230	0.08 110	0.11 226	0.09 162

ccs_rob	0.23 160	0.13 136	0.47 212	0.20 58	0.13 131	0.26 153	0.17 59	0.44 190	0.44 241	0.29 123	0.37 168	0.38 228	0.23 155	0.29 134	0.21 161	0.09 165	0.06 72	0.11 230	0.08 110	0.11 226	0.09 162

MyStereo04	0.23 160	0.12 81	0.55 257	0.22 130	0.14 165	0.25 136	0.23 221	0.49 231	0.52 307	0.28 98	0.23 50	0.27 139	0.23 155	0.30 146	0.22 175	0.07 16	0.07 158	0.09 120	0.08 110	0.08 81	0.08 111

1test111	0.19 90	0.14 165	0.38 128	0.23 172	0.11 42	0.31 220	0.19 124	0.41 164	0.27 74	0.17 28	0.19 26	0.13 11	0.18 109	0.34 169	0.22 175	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 162

mmm	0.21 117	0.12 81	0.31 55	0.22 130	0.12 77	0.28 173	0.21 185	0.41 164	0.27 74	0.29 123	0.38 178	0.29 161	0.24 170	0.29 134	0.22 175	0.09 165	0.07 158	0.11 230	0.09 184	0.10 190	0.09 162

qqq	0.20 103	0.12 81	0.31 55	0.20 58	0.11 42	0.23 110	0.19 124	0.41 164	0.27 74	0.24 70	0.28 80	0.28 154	0.24 170	0.34 169	0.22 175	0.08 99	0.07 158	0.10 183	0.09 184	0.09 142	0.09 162

IER	0.23 160	0.12 81	0.39 139	0.20 58	0.14 165	0.31 220	0.19 124	0.42 176	0.36 166	0.33 195	0.40 197	0.32 187	0.33 267	0.29 134	0.22 175	0.09 165	0.07 158	0.08 65	0.08 110	0.09 142	0.08 111

ASMatch	0.23 160	0.11 63	0.51 242	0.24 209	0.14 165	0.19 34	0.17 59	0.31 60	0.28 87	0.28 98	0.68 340	0.27 139	0.26 194	0.50 219	0.22 175	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.11 232

PFNet	0.23 160	0.10 24	0.57 265	0.24 209	0.14 165	0.22 93	0.19 124	0.39 147	0.33 143	0.35 227	0.32 117	0.27 139	0.19 122	0.64 283	0.22 175	0.09 165	0.05 6	0.09 120	0.07 50	0.08 81	0.07 65

IRAFT_RVC	0.22 143	0.12 81	0.39 139	0.26 274	0.11 42	0.18 13	0.24 243	0.40 154	0.37 175	0.31 168	0.30 100	0.29 161	0.24 170	0.55 240	0.22 175	0.08 99	0.06 72	0.10 183	0.08 110	0.08 81	0.07 65

GES	0.22 143	0.12 81	0.42 173	0.20 58	0.14 165	0.27 160	0.19 124	0.49 231	0.33 143	0.30 151	0.36 159	0.25 112	0.23 155	0.29 134	0.22 175	0.10 207	0.08 224	0.08 65	0.07 50	0.10 190	0.11 232

PSMNet-RSSM	0.24 183	0.15 190	0.36 104	0.21 87	0.14 165	0.25 136	0.20 162	0.48 225	0.37 175	0.30 151	0.44 240	0.38 228	0.26 194	0.52 230	0.22 175	0.12 261	0.07 158	0.11 230	0.13 299	0.10 190	0.09 162

HSM-Net_RVC	0.27 222	0.11 63	0.42 173	0.19 26	0.11 42	0.34 250	0.20 162	0.62 344	0.43 227	0.40 278	0.43 231	0.50 303	0.26 194	0.76 324	0.22 175	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
UCFNet_RVC	0.24 183	0.16 208	0.34 79	0.18 8	0.15 206	0.33 237	0.16 38	0.46 207	0.35 156	0.29 123	0.35 149	0.39 239	0.25 185	0.34 169	0.22 175	0.13 277	0.08 224	0.13 282	0.14 310	0.13 265	0.12 254

AdaStereo	0.24 183	0.16 208	0.37 109	0.24 209	0.12 77	0.32 228	0.17 59	0.54 280	0.42 222	0.33 195	0.38 178	0.35 214	0.21 135	0.30 146	0.22 175	0.14 300	0.06 72	0.13 282	0.08 110	0.11 226	0.08 111
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.
iResNet_ROB	0.25 205	0.19 251	0.40 144	0.20 58	0.12 77	0.30 209	0.16 38	0.55 290	0.53 311	0.38 255	0.43 231	0.37 223	0.26 194	0.38 188	0.22 175	0.08 99	0.06 72	0.06 1	0.04 1	0.09 142	0.09 162

LL-Strereo	0.29 249	0.25 298	0.58 269	0.25 246	0.21 304	0.23 110	0.24 243	0.55 290	0.42 222	0.34 211	0.32 117	0.41 255	0.40 302	0.94 362	0.23 189	0.08 99	0.07 158	0.11 230	0.09 184	0.09 142	0.09 162

x	0.19 90	0.11 63	0.29 37	0.20 58	0.11 42	0.26 153	0.18 87	0.41 164	0.29 105	0.25 76	0.29 89	0.28 154	0.24 170	0.26 94	0.23 189	0.09 165	0.07 158	0.08 65	0.07 50	0.09 142	0.08 111

GwcNet-ADL	0.22 143	0.14 165	0.58 269	0.24 209	0.13 131	0.22 93	0.23 221	0.49 231	0.40 207	0.27 89	0.29 89	0.30 171	0.20 130	0.26 94	0.23 189	0.09 165	0.07 158	0.07 14	0.07 50	0.09 142	0.09 162

STrans-v2	0.24 183	0.13 136	0.54 252	0.21 87	0.12 77	0.23 110	0.21 185	0.47 214	0.28 87	0.31 168	0.42 219	0.36 219	0.35 278	0.62 276	0.23 189	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.06 18

ICVP	0.23 160	0.13 136	0.44 189	0.26 274	0.14 165	0.29 192	0.25 257	0.45 198	0.33 143	0.29 123	0.43 231	0.35 214	0.25 185	0.26 94	0.23 189	0.12 261	0.09 252	0.09 120	0.08 110	0.09 142	0.10 207
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
EAI-Stereo	0.21 117	0.10 24	0.33 74	0.21 87	0.12 77	0.30 209	0.46 358	0.46 207	0.20 16	0.25 76	0.50 278	0.17 40	0.16 64	0.24 58	0.23 189	0.07 16	0.06 72	0.07 14	0.10 216	0.06 6	0.07 65

FENet	0.21 117	0.11 63	0.45 199	0.21 87	0.12 77	0.26 153	0.17 59	0.41 164	0.35 156	0.30 151	0.31 114	0.29 161	0.23 155	0.26 94	0.23 189	0.09 165	0.06 72	0.09 120	0.09 184	0.09 142	0.09 162

GANet-RSSM	0.24 183	0.14 165	0.36 104	0.21 87	0.14 165	0.27 160	0.21 185	0.45 198	0.33 143	0.29 123	0.39 190	0.39 239	0.28 224	0.58 256	0.23 189	0.11 234	0.07 158	0.09 120	0.09 184	0.10 190	0.09 162

HSM	0.28 239	0.16 208	0.35 87	0.20 58	0.15 206	0.33 237	0.19 124	0.53 273	0.37 175	0.36 242	0.38 178	0.67 354	0.31 257	0.89 353	0.23 189	0.08 99	0.06 72	0.08 65	0.07 50	0.08 81	0.08 111

OMP-Stereo	0.23 160	0.14 165	0.35 87	0.29 317	0.13 131	0.21 73	0.16 38	0.37 130	0.33 143	0.34 211	0.30 100	0.34 200	0.19 122	0.70 301	0.24 198	0.07 16	0.06 72	0.09 120	0.07 50	0.07 37	0.06 18

RAFT-RH_RVC	0.25 205	0.11 63	0.45 199	0.21 87	0.12 77	0.25 136	0.14 13	0.27 21	0.27 74	0.38 255	1.15 378	0.23 94	0.17 87	0.57 251	0.24 198	0.07 16	0.05 6	0.10 183	0.07 50	0.06 6	0.07 65

RAFT + AFF	0.27 222	0.23 291	0.50 236	0.25 246	0.17 245	0.30 209	0.33 319	0.52 262	0.40 207	0.28 98	0.30 100	0.30 171	0.31 257	0.62 276	0.24 198	0.09 165	0.10 270	0.11 230	0.10 216	0.11 226	0.11 232

CFNet-ft	0.24 183	0.15 190	0.35 87	0.18 8	0.15 206	0.30 209	0.21 185	0.39 147	0.36 166	0.28 98	0.40 197	0.43 265	0.25 185	0.47 210	0.24 198	0.12 261	0.07 158	0.12 263	0.11 249	0.12 252	0.09 162

FADNet-RVC-Resample	0.29 249	0.25 298	0.93 352	0.26 274	0.16 229	0.32 228	0.21 185	0.47 214	0.39 194	0.35 227	0.38 178	0.33 194	0.27 211	0.53 235	0.24 198	0.10 207	0.10 270	0.14 301	0.13 299	0.13 265	0.16 299

CFNet_RVC	0.24 183	0.15 190	0.35 87	0.18 8	0.15 206	0.30 209	0.21 185	0.39 147	0.36 166	0.28 98	0.40 197	0.43 265	0.25 185	0.47 210	0.24 198	0.12 261	0.07 158	0.12 263	0.11 249	0.12 252	0.09 162

DeepPruner_ROB	0.26 215	0.19 251	0.44 189	0.21 87	0.16 229	0.30 209	0.21 185	0.52 262	0.32 132	0.35 227	0.38 178	0.39 239	0.26 194	0.42 197	0.24 198	0.15 311	0.11 287	0.11 230	0.11 249	0.14 277	0.13 266

MLCV	0.22 143	0.16 208	0.44 189	0.21 87	0.08 2	0.29 192	0.19 124	0.38 136	0.37 175	0.38 255	0.44 240	0.31 179	0.21 135	0.41 195	0.24 198	0.07 16	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

NOSS_ROB	0.31 263	0.20 259	0.35 87	0.24 209	0.16 229	0.32 228	0.19 124	0.52 262	0.48 281	0.33 195	0.36 159	0.42 262	0.28 224	0.93 359	0.24 198	0.19 348	0.20 359	0.24 357	0.22 359	0.17 312	0.17 307

gwcnet-sp	0.24 183	0.13 136	0.63 288	0.22 130	0.14 165	0.34 250	0.22 201	0.44 190	0.39 194	0.35 227	0.34 142	0.27 139	0.27 211	0.35 178	0.25 207	0.09 165	0.08 224	0.09 120	0.09 184	0.09 142	0.09 162

scenet	0.24 183	0.13 136	0.63 288	0.22 130	0.14 165	0.34 250	0.22 201	0.44 190	0.39 194	0.35 227	0.34 142	0.27 139	0.27 211	0.35 178	0.25 207	0.09 165	0.08 224	0.09 120	0.09 184	0.09 142	0.09 162

ssnet	0.24 183	0.13 136	0.63 288	0.22 130	0.14 165	0.34 250	0.22 201	0.44 190	0.39 194	0.35 227	0.34 142	0.27 139	0.27 211	0.35 178	0.25 207	0.09 165	0.08 224	0.09 120	0.09 184	0.09 142	0.09 162

HBP-ISP	0.33 278	0.30 332	0.72 312	0.22 130	0.16 229	0.32 228	0.22 201	0.54 280	0.44 241	0.41 287	0.49 276	0.33 194	0.38 294	0.73 311	0.25 207	0.18 343	0.19 354	0.24 357	0.20 349	0.16 297	0.13 266

dd	0.22 143	0.26 309	0.40 144	0.22 130	0.12 77	0.25 136	0.21 185	0.32 68	0.44 241	0.29 123	0.28 80	0.25 112	0.16 64	0.30 146	0.25 207	0.12 261	0.07 158	0.10 183	0.08 110	0.11 226	0.09 162

SACVNet	0.30 256	0.20 259	0.41 166	0.25 246	0.18 264	0.34 250	0.25 257	0.52 262	0.40 207	0.41 287	0.44 240	0.46 285	0.32 264	0.71 304	0.25 207	0.13 277	0.10 270	0.12 263	0.12 281	0.16 297	0.17 307

AACVNet	0.26 215	0.16 208	0.37 109	0.22 130	0.14 165	0.29 192	0.19 124	0.41 164	0.31 124	0.38 255	0.42 219	0.43 265	0.28 224	0.73 311	0.25 207	0.11 234	0.08 224	0.11 230	0.09 184	0.13 265	0.11 232

pcwnet_v2	0.32 272	0.15 190	1.26 380	0.23 172	0.18 264	0.32 228	0.18 87	0.59 323	0.60 333	0.36 242	0.45 252	0.35 214	0.29 237	0.36 182	0.25 207	0.14 300	0.11 287	0.12 263	0.11 249	0.14 277	0.15 292

cf-r	0.24 183	0.15 190	0.44 189	0.21 87	0.14 165	0.27 160	0.22 201	0.42 176	0.40 207	0.30 151	0.42 219	0.42 262	0.26 194	0.43 199	0.25 207	0.11 234	0.06 72	0.08 65	0.10 216	0.08 81	0.08 111

FADNet	0.32 272	0.36 351	0.74 316	0.23 172	0.22 319	0.37 269	0.19 124	0.53 273	0.48 281	0.32 186	0.36 159	0.43 265	0.32 264	0.64 283	0.25 207	0.16 323	0.16 339	0.14 301	0.16 329	0.24 350	0.19 328

CFNet	0.27 222	0.20 259	0.44 189	0.22 130	0.14 165	0.33 237	0.14 13	0.51 252	0.45 253	0.30 151	0.40 197	0.38 228	0.27 211	0.76 324	0.25 207	0.09 165	0.07 158	0.11 230	0.11 249	0.11 226	0.08 111

HITNet	0.20 103	0.17 224	0.43 183	0.19 26	0.08 2	0.27 160	0.14 13	0.42 176	0.30 114	0.29 123	0.32 117	0.27 139	0.21 135	0.28 121	0.25 207	0.07 16	0.05 6	0.07 14	0.06 23	0.09 142	0.06 18
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
dad	0.28 239	0.31 337	0.44 189	0.21 87	0.14 165	0.30 209	0.20 162	0.33 82	0.49 290	0.44 307	0.44 240	0.45 279	0.21 135	0.41 195	0.26 219	0.20 351	0.11 287	0.20 345	0.11 249	0.14 277	0.10 207

IIG-Stereo	0.23 160	0.13 136	0.35 87	0.29 317	0.12 77	0.23 110	0.14 13	0.38 136	0.31 124	0.34 211	0.37 168	0.33 194	0.21 135	0.70 301	0.26 219	0.08 99	0.06 72	0.09 120	0.07 50	0.07 37	0.06 18

CVANet_RVC	0.30 256	0.19 251	0.41 166	0.26 274	0.16 229	0.33 237	0.26 268	0.52 262	0.47 272	0.40 278	0.46 262	0.43 265	0.31 257	0.89 353	0.26 219	0.14 300	0.09 252	0.14 301	0.13 299	0.14 277	0.10 207

iResNet	0.24 183	0.18 236	0.61 278	0.25 246	0.11 42	0.29 192	0.21 185	0.42 176	0.43 227	0.33 195	0.43 231	0.27 139	0.22 146	0.34 169	0.26 219	0.07 16	0.05 6	0.07 14	0.06 23	0.08 81	0.07 65

iRaft-Stereo_5w	0.23 160	0.18 236	0.44 189	0.22 130	0.13 131	0.19 34	0.19 124	0.37 130	0.32 132	0.28 98	0.37 168	0.34 200	0.23 155	0.65 289	0.27 223	0.06 1	0.06 72	0.08 65	0.07 50	0.09 142	0.08 111

LMCR-Stereo	0.26 215	0.18 236	0.49 226	0.28 314	0.14 165	0.36 264	0.23 221	0.54 280	0.34 150	0.39 270	0.40 197	0.29 161	0.29 237	0.37 184	0.27 223	0.11 234	0.07 158	0.09 120	0.07 50	0.13 265	0.09 162

MyStereo8	0.22 143	0.15 190	0.63 288	0.21 87	0.17 245	0.31 220	0.16 38	0.36 124	0.32 132	0.28 98	0.36 159	0.25 112	0.18 109	0.25 81	0.28 225	0.08 99	0.07 158	0.08 65	0.07 50	0.10 190	0.12 254

SMFormer	0.25 205	0.12 81	0.40 144	0.19 26	0.10 20	0.27 160	0.19 124	0.51 252	0.45 253	0.34 211	0.41 205	0.31 179	0.26 194	0.58 256	0.28 225	0.10 207	0.07 158	0.08 65	0.08 110	0.09 142	0.09 162

tta	0.24 183	0.12 81	0.40 144	0.19 26	0.10 20	0.27 160	0.19 124	0.51 252	0.45 253	0.34 211	0.41 205	0.31 179	0.26 194	0.58 256	0.28 225	0.10 207	0.07 158	0.08 65	0.08 110	0.08 81	0.07 65

CSP-Net	0.27 222	0.15 190	0.30 43	0.21 87	0.14 165	0.44 308	0.24 243	0.50 239	0.40 207	0.41 287	0.43 231	0.42 262	0.26 194	0.66 293	0.28 225	0.12 261	0.08 224	0.08 65	0.08 110	0.10 190	0.09 162

GEStereo_RVC	0.27 222	0.20 259	0.44 189	0.27 297	0.16 229	0.33 237	0.25 257	0.56 304	0.54 315	0.34 211	0.38 178	0.34 200	0.25 185	0.51 224	0.28 225	0.12 261	0.08 224	0.09 120	0.08 110	0.11 226	0.11 232

GwcNet-RSSM	0.26 215	0.17 224	0.46 205	0.21 87	0.13 131	0.28 173	0.23 221	0.44 190	0.42 222	0.31 168	0.45 252	0.40 252	0.26 194	0.55 240	0.28 225	0.11 234	0.07 158	0.09 120	0.10 216	0.09 142	0.08 111

DMCA	0.22 143	0.14 165	0.36 104	0.22 130	0.14 165	0.27 160	0.20 162	0.43 186	0.38 188	0.31 168	0.32 117	0.33 194	0.24 170	0.24 58	0.28 225	0.11 234	0.08 224	0.10 183	0.08 110	0.10 190	0.11 232

STTStereo	0.28 239	0.20 259	0.61 278	0.25 246	0.17 245	0.29 192	0.24 243	0.47 214	0.39 194	0.39 270	0.41 205	0.44 275	0.28 224	0.40 193	0.28 225	0.13 277	0.12 304	0.13 282	0.16 329	0.12 252	0.11 232

TDLM	0.30 256	0.21 272	0.38 128	0.28 314	0.15 206	0.33 237	0.32 309	0.52 262	0.47 272	0.38 255	0.43 231	0.39 239	0.29 237	0.91 357	0.28 225	0.14 300	0.08 224	0.13 282	0.11 249	0.12 252	0.10 207

NVstereo2D	0.31 263	0.16 208	0.54 252	0.24 209	0.22 319	0.42 298	0.28 286	0.58 318	0.56 324	0.28 98	0.38 178	0.40 252	0.30 246	0.71 304	0.28 225	0.13 277	0.08 224	0.13 282	0.10 216	0.19 327	0.16 299

ToySt	0.24 183	0.16 208	0.48 221	0.21 87	0.13 131	0.29 192	0.29 290	0.39 147	0.39 194	0.27 89	0.35 149	0.39 239	0.31 257	0.31 151	0.29 235	0.08 99	0.09 252	0.10 183	0.11 249	0.11 226	0.10 207

Anonymous_2	0.37 303	0.21 272	0.47 212	0.20 58	0.21 304	0.42 298	0.26 268	0.38 136	0.29 105	0.33 195	0.30 100	0.44 275	0.38 294	0.36 182	0.29 235	0.26 360	0.29 378	0.44 378	1.41 412	0.34 371	0.21 345

CRFU-Net	0.28 239	0.14 165	0.45 199	0.25 246	0.15 206	0.45 313	0.23 221	0.50 239	0.30 114	0.43 301	0.41 205	0.48 293	0.46 328	0.43 199	0.29 235	0.11 234	0.10 270	0.09 120	0.08 110	0.10 190	0.10 207

PSMNet-ADL	0.25 205	0.15 190	0.32 61	0.26 274	0.14 165	0.31 220	0.22 201	0.44 190	0.36 166	0.27 89	0.33 136	0.41 255	0.28 224	0.61 268	0.29 235	0.11 234	0.09 252	0.09 120	0.11 249	0.10 190	0.10 207

BEATNet_4x	0.22 143	0.18 236	0.47 212	0.22 130	0.10 20	0.28 173	0.14 13	0.46 207	0.32 132	0.31 168	0.34 142	0.31 179	0.25 185	0.31 151	0.29 235	0.08 99	0.06 72	0.08 65	0.06 23	0.10 190	0.08 111

NLCA_NET_v2_RVC	0.27 222	0.21 272	0.59 273	0.25 246	0.18 264	0.29 192	0.22 201	0.50 239	0.40 207	0.38 255	0.41 205	0.43 265	0.27 211	0.43 199	0.29 235	0.11 234	0.08 224	0.10 183	0.10 216	0.10 190	0.11 232
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
psm_up	0.29 249	0.16 208	0.41 166	0.26 274	0.17 245	0.32 228	0.26 268	0.55 290	0.43 227	0.36 242	0.40 197	0.45 279	0.37 290	0.58 256	0.30 241	0.11 234	0.12 304	0.13 282	0.12 281	0.10 190	0.10 207

DMCA-RVC	0.27 222	0.21 272	0.61 278	0.28 314	0.17 245	0.29 192	0.21 185	0.42 176	0.35 156	0.40 278	0.37 168	0.39 239	0.36 282	0.43 199	0.30 241	0.13 277	0.10 270	0.15 313	0.11 249	0.13 265	0.10 207

MaskLacGwcNet_RVC	0.36 294	0.36 351	0.53 249	0.34 345	0.19 282	0.51 333	0.24 243	0.55 290	0.38 188	0.41 287	0.47 269	0.47 287	0.27 211	0.73 311	0.30 241	0.36 377	0.19 354	0.27 360	0.17 338	0.26 358	0.23 356

PS-NSSS	0.32 272	0.30 332	0.46 205	0.23 172	0.17 245	0.33 237	0.24 243	0.57 311	0.41 218	0.37 247	0.52 292	0.35 214	0.30 246	0.80 337	0.30 241	0.17 333	0.14 318	0.21 348	0.15 318	0.15 289	0.13 266

HHNet	0.22 143	0.12 81	0.52 246	0.18 8	0.18 264	0.20 55	0.20 162	0.34 88	0.31 124	0.32 186	0.59 315	0.20 60	0.21 135	0.24 58	0.31 245	0.08 99	0.05 6	0.09 120	0.07 50	0.08 81	0.11 232

UNet	0.28 239	0.14 165	0.69 303	0.23 172	0.20 296	0.44 308	0.22 201	0.50 239	0.40 207	0.34 211	0.39 190	0.43 265	0.33 267	0.40 193	0.31 245	0.09 165	0.07 158	0.10 183	0.08 110	0.10 190	0.08 111

FADNet_RVC	0.30 256	0.28 319	0.83 332	0.23 172	0.15 206	0.30 209	0.17 59	0.49 231	0.37 175	0.30 151	0.38 178	0.30 171	0.27 211	0.52 230	0.31 245	0.14 300	0.14 318	0.14 301	0.16 329	0.21 338	0.23 356

FADNet-RVC	0.31 263	0.35 348	0.78 318	0.25 246	0.20 296	0.33 237	0.20 162	0.49 231	0.40 207	0.34 211	0.39 190	0.41 255	0.29 237	0.63 281	0.31 245	0.13 277	0.14 318	0.14 301	0.15 318	0.19 327	0.19 328

CBMV	0.33 278	0.21 272	0.54 252	0.23 172	0.13 131	0.42 298	0.33 319	0.53 273	0.48 281	0.52 337	0.49 276	0.50 303	0.41 306	0.56 248	0.31 245	0.15 311	0.16 339	0.18 335	0.16 329	0.13 265	0.13 266
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
SQANet	0.40 321	0.48 368	0.67 298	0.48 375	0.39 370	0.48 325	0.22 201	0.51 252	0.43 227	0.40 278	0.47 269	0.47 287	0.33 267	0.54 239	0.32 250	0.36 377	0.15 332	0.40 376	0.21 352	0.45 377	0.31 369

FINET	0.34 285	0.27 316	0.80 326	0.24 209	0.24 335	0.36 264	0.34 321	0.54 280	0.72 357	0.39 270	0.47 269	0.32 187	0.30 246	0.51 224	0.32 250	0.19 348	0.17 344	0.13 282	0.12 281	0.18 323	0.16 299

ac_64	0.27 222	0.13 136	0.41 166	0.24 209	0.17 245	0.36 264	0.22 201	0.46 207	0.33 143	0.35 227	0.36 159	0.52 310	0.30 246	0.62 276	0.32 250	0.11 234	0.09 252	0.10 183	0.10 216	0.09 142	0.08 111

ACVNet	0.23 160	0.13 136	0.35 87	0.18 8	0.15 206	0.27 160	0.23 221	0.39 147	0.44 241	0.28 98	0.41 205	0.38 228	0.26 194	0.27 109	0.32 250	0.08 99	0.07 158	0.08 65	0.07 50	0.10 190	0.07 65

hitnet-ft	0.29 249	0.17 224	0.40 144	0.19 26	0.14 165	0.39 283	0.23 221	0.44 190	0.41 218	0.36 242	0.46 262	0.53 314	0.34 274	0.76 324	0.32 250	0.14 300	0.10 270	0.13 282	0.10 216	0.15 289	0.13 266

DSFCA	0.27 222	0.13 136	0.36 104	0.20 58	0.17 245	0.38 276	0.31 304	0.47 214	0.43 227	0.43 301	0.37 168	0.39 239	0.29 237	0.52 230	0.32 250	0.12 261	0.10 270	0.10 183	0.11 249	0.11 226	0.10 207

CBMV_ROB	0.33 278	0.18 236	0.53 249	0.21 87	0.14 165	0.33 237	0.20 162	0.51 252	0.45 253	0.51 331	0.55 304	0.45 279	0.42 314	0.71 304	0.32 250	0.18 343	0.19 354	0.23 355	0.21 352	0.14 277	0.15 292

DDUNet	0.41 323	0.50 373	0.48 221	0.44 371	0.39 370	0.46 315	0.32 309	0.50 239	0.43 227	0.45 311	0.52 292	0.57 324	0.36 282	0.48 212	0.33 257	0.33 375	0.21 360	0.55 384	0.25 363	0.37 374	0.32 372

UPFNet	0.25 205	0.12 81	0.38 128	0.24 209	0.19 282	0.37 269	0.28 286	0.48 225	0.38 188	0.34 211	0.37 168	0.37 223	0.28 224	0.39 190	0.33 257	0.10 207	0.09 252	0.10 183	0.10 216	0.10 190	0.08 111

HGLStereo	0.27 222	0.14 165	0.46 205	0.24 209	0.21 304	0.33 237	0.23 221	0.50 239	0.42 222	0.35 227	0.48 275	0.41 255	0.33 267	0.45 205	0.33 257	0.11 234	0.10 270	0.09 120	0.09 184	0.10 190	0.12 254

DLCB_ROB	0.28 239	0.16 208	0.34 79	0.27 297	0.16 229	0.38 276	0.25 257	0.48 225	0.43 227	0.46 314	0.46 262	0.51 307	0.33 267	0.53 235	0.33 257	0.10 207	0.10 270	0.11 230	0.11 249	0.10 190	0.09 162

AASNet	0.27 222	0.19 251	0.49 226	0.26 274	0.17 245	0.34 250	0.20 162	0.62 344	0.48 281	0.35 227	0.40 197	0.32 187	0.25 185	0.28 121	0.34 261	0.11 234	0.09 252	0.10 183	0.08 110	0.13 265	0.11 232

MMNet	0.27 222	0.14 165	0.49 226	0.24 209	0.17 245	0.47 321	0.22 201	0.45 198	0.51 301	0.39 270	0.41 205	0.36 219	0.33 267	0.39 190	0.34 261	0.08 99	0.07 158	0.09 120	0.09 184	0.10 190	0.08 111

delet	0.27 222	0.14 165	0.40 144	0.23 172	0.19 282	0.41 291	0.29 290	0.49 231	0.48 281	0.33 195	0.41 205	0.37 223	0.30 246	0.48 212	0.34 261	0.09 165	0.09 252	0.11 230	0.12 281	0.08 81	0.08 111

FAT-Stereo	0.36 294	0.18 236	0.73 315	0.26 274	0.18 264	0.33 237	0.29 290	0.60 331	0.59 330	0.46 314	0.60 320	0.60 332	0.50 339	0.61 268	0.34 261	0.13 277	0.14 318	0.13 282	0.12 281	0.14 277	0.18 321

GASNet	0.36 294	0.46 364	0.88 343	0.34 345	0.23 330	0.35 259	0.22 201	0.60 331	0.53 311	0.40 278	0.37 168	0.45 279	0.30 246	0.79 333	0.35 265	0.15 311	0.10 270	0.14 301	0.14 310	0.22 344	0.12 254

ADLNet2	0.30 256	0.17 224	0.72 312	0.23 172	0.17 245	0.36 264	0.24 243	0.52 262	0.51 301	0.32 186	0.38 178	0.45 279	0.30 246	0.69 298	0.35 265	0.10 207	0.08 224	0.09 120	0.09 184	0.12 252	0.10 207

ADLNet	0.28 239	0.15 190	0.42 173	0.23 172	0.19 282	0.34 250	0.23 221	0.53 273	0.43 227	0.42 295	0.41 205	0.44 275	0.27 211	0.55 240	0.35 265	0.11 234	0.08 224	0.11 230	0.11 249	0.11 226	0.12 254

acv_ft	0.25 205	0.13 136	0.40 144	0.23 172	0.19 282	0.34 250	0.21 185	0.45 198	0.44 241	0.38 255	0.41 205	0.38 228	0.27 211	0.27 109	0.35 265	0.08 99	0.07 158	0.08 65	0.07 50	0.11 226	0.07 65

stereogan	0.37 303	0.17 224	0.65 294	0.27 297	0.22 319	0.62 355	0.26 268	0.59 323	0.63 341	0.43 301	0.60 320	0.67 354	0.42 314	0.68 296	0.35 265	0.13 277	0.14 318	0.14 301	0.12 281	0.19 327	0.17 307

CC-Net-ROB	0.43 330	0.47 366	0.65 294	0.37 360	0.23 330	0.51 333	0.29 290	0.66 358	0.49 290	0.46 314	0.51 284	0.48 293	0.38 294	0.96 365	0.35 265	0.34 376	0.23 368	0.55 384	0.25 363	0.31 368	0.20 338

RASNet	0.28 239	0.14 165	0.44 189	0.22 130	0.18 264	0.32 228	0.19 124	0.48 225	0.38 188	0.29 123	0.43 231	0.47 287	0.37 290	0.79 333	0.36 271	0.09 165	0.07 158	0.07 14	0.09 184	0.07 37	0.07 65

StereoDRNet-Refined	0.27 222	0.17 224	0.35 87	0.25 246	0.14 165	0.37 269	0.21 185	0.47 214	0.41 218	0.44 307	0.51 284	0.41 255	0.28 224	0.45 205	0.37 272	0.09 165	0.06 72	0.11 230	0.11 249	0.10 190	0.10 207
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NCCL2	0.35 290	0.26 309	0.49 226	0.36 355	0.22 319	0.41 291	0.41 346	0.53 273	0.42 222	0.47 322	0.46 262	0.61 336	0.39 299	0.55 240	0.37 272	0.16 323	0.13 314	0.21 348	0.21 352	0.16 297	0.16 299

SDNR	0.42 326	0.21 272	0.82 331	0.21 87	0.18 264	1.27 395	0.17 59	0.50 239	0.49 290	0.42 295	0.81 358	0.38 228	0.27 211	1.19 380	0.38 274	0.23 355	0.24 370	0.17 328	0.13 299	0.17 312	0.20 338

fast-acv-ft	0.31 263	0.20 259	0.81 328	0.24 209	0.18 264	0.46 315	0.27 273	0.41 164	0.49 290	0.39 270	0.55 304	0.49 297	0.35 278	0.37 184	0.38 274	0.11 234	0.11 287	0.11 230	0.12 281	0.12 252	0.09 162

CBFPSM	0.27 222	0.16 208	0.67 298	0.20 58	0.14 165	0.38 276	0.25 257	0.40 154	0.36 166	0.33 195	0.36 159	0.56 320	0.38 294	0.32 157	0.38 274	0.08 99	0.08 224	0.07 14	0.08 110	0.09 142	0.11 232

Wz-Net-LNSev-Ref	0.30 256	0.20 259	0.70 309	0.21 87	0.17 245	0.46 315	0.27 273	0.50 239	0.49 290	0.42 295	0.55 304	0.43 265	0.30 246	0.46 207	0.38 274	0.09 165	0.06 72	0.07 14	0.06 23	0.11 226	0.10 207

Syn2CoEx	0.36 294	0.31 337	0.78 318	0.34 345	0.21 304	0.41 291	0.28 286	0.61 335	0.49 290	0.42 295	0.56 309	0.45 279	0.44 319	0.69 298	0.38 274	0.17 333	0.14 318	0.15 313	0.12 281	0.13 265	0.12 254

MDST_ROB	0.48 342	0.14 165	0.95 355	0.30 325	0.21 304	1.33 398	0.32 309	0.77 375	0.56 324	1.06 385	0.71 345	0.49 297	0.35 278	1.26 386	0.38 274	0.13 277	0.11 287	0.16 322	0.13 299	0.12 252	0.12 254

ETE_ROB	0.34 285	0.26 309	0.45 199	0.29 317	0.18 264	0.40 288	0.37 331	0.57 311	0.47 272	0.50 326	0.50 278	0.62 338	0.36 282	0.55 240	0.38 274	0.13 277	0.10 270	0.14 301	0.12 281	0.16 297	0.16 299

PWCDC_ROB	0.38 309	0.30 332	0.60 275	0.33 343	0.20 296	0.42 298	0.19 124	0.58 318	0.89 374	0.42 295	1.26 382	0.36 219	0.34 274	0.50 219	0.38 274	0.18 343	0.11 287	0.11 230	0.09 184	0.19 327	0.13 266

ssnet_v2	0.28 239	0.16 208	0.44 189	0.22 130	0.15 206	0.40 288	0.30 300	0.57 311	0.46 267	0.38 255	0.36 159	0.47 287	0.29 237	0.38 188	0.39 282	0.13 277	0.11 287	0.11 230	0.11 249	0.11 226	0.11 232

Wz-Net-LNSev	0.34 285	0.29 326	0.91 348	0.26 274	0.21 304	0.47 321	0.31 304	0.54 280	0.54 315	0.44 307	0.52 292	0.50 303	0.35 278	0.39 190	0.39 282	0.11 234	0.11 287	0.10 183	0.09 184	0.14 277	0.13 266

UDG	0.40 321	0.46 364	0.49 226	0.40 366	0.35 367	0.47 321	0.27 273	0.54 280	0.47 272	0.39 270	0.45 252	0.59 329	0.44 319	0.46 207	0.39 282	0.26 360	0.19 354	0.48 380	0.22 359	0.34 371	0.26 362

RP	0.35 290	0.22 284	0.51 242	0.31 332	0.24 335	0.37 269	0.28 286	0.50 239	0.58 329	0.40 278	0.63 332	0.61 336	0.47 331	0.61 268	0.39 282	0.16 323	0.15 332	0.17 328	0.15 318	0.17 312	0.17 307

RGC	0.39 315	0.32 342	0.64 293	0.34 345	0.27 349	0.40 288	0.29 290	0.57 311	0.53 311	0.45 311	0.64 333	0.62 338	0.45 322	0.72 309	0.39 282	0.15 311	0.15 332	0.21 348	0.20 349	0.18 323	0.19 328

STTRV1_RVC	0.42 326	0.32 342	0.89 346	0.29 317	0.36 368	0.49 328	0.31 304	0.61 335	0.53 311	0.46 314	0.56 309	0.47 287	0.43 317	1.00 369	0.39 282	0.27 365	0.21 360	0.20 345	0.18 343	0.25 351	0.17 307

GANetREF_RVC	0.43 330	0.47 366	0.69 303	0.38 362	0.20 296	0.51 333	0.48 366	0.66 358	0.66 344	0.46 314	0.46 262	0.50 303	0.44 319	0.90 356	0.39 282	0.27 365	0.21 360	0.32 370	0.18 343	0.27 361	0.22 350
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
iinet-f	0.30 256	0.18 236	1.03 366	0.20 58	0.15 206	0.44 308	0.22 201	0.45 198	0.37 175	0.35 227	0.44 240	0.41 255	0.34 274	0.34 169	0.40 289	0.10 207	0.09 252	0.08 65	0.08 110	0.13 265	0.11 232

S-Stereo	0.38 309	0.20 259	1.05 367	0.27 297	0.22 319	0.38 276	0.32 309	0.55 290	0.66 344	0.39 270	0.59 315	0.49 297	0.41 306	0.75 319	0.40 289	0.12 261	0.15 332	0.13 282	0.13 299	0.16 297	0.21 345

edge stereo	0.39 315	0.22 284	0.81 328	0.27 297	0.22 319	0.37 269	0.24 243	0.56 304	0.54 315	0.53 342	0.60 320	0.71 362	0.50 339	0.78 331	0.40 289	0.16 323	0.14 318	0.19 342	0.14 310	0.16 297	0.17 307

Nwc_Net	0.37 303	0.25 298	0.68 302	0.31 332	0.24 335	0.44 308	0.30 300	0.65 352	0.50 298	0.37 247	0.69 344	0.58 327	0.45 322	0.60 263	0.40 289	0.15 311	0.12 304	0.19 342	0.21 352	0.14 277	0.13 266

AANet_RVC	0.31 263	0.22 284	0.50 236	0.23 172	0.14 165	0.30 209	0.24 243	0.47 214	0.54 315	0.38 255	0.60 320	0.43 265	0.29 237	0.87 349	0.40 289	0.11 234	0.07 158	0.07 14	0.07 50	0.09 142	0.09 162

StereoDRNet	0.32 272	0.22 284	0.61 278	0.27 297	0.21 304	0.42 298	0.30 300	0.61 335	0.48 281	0.46 314	0.39 190	0.48 293	0.30 246	0.57 251	0.40 289	0.11 234	0.09 252	0.12 263	0.11 249	0.12 252	0.10 207

GwcNet	0.35 290	0.23 291	0.88 343	0.25 246	0.24 335	0.48 325	0.27 273	0.55 290	0.57 327	0.38 255	0.52 292	0.51 307	0.32 264	0.60 263	0.41 295	0.13 277	0.11 287	0.12 263	0.11 249	0.13 265	0.14 283

GANet	0.36 294	0.22 284	0.49 226	0.29 317	0.17 245	0.41 291	0.38 337	0.57 311	0.45 253	0.46 314	0.75 351	0.55 318	0.40 302	0.94 362	0.41 295	0.13 277	0.13 314	0.13 282	0.11 249	0.14 277	0.11 232

DRN-Test	0.33 278	0.17 224	0.61 278	0.27 297	0.19 282	0.46 315	0.29 290	0.65 352	0.51 301	0.47 322	0.46 262	0.44 275	0.34 274	0.62 276	0.41 295	0.12 261	0.08 224	0.13 282	0.12 281	0.12 252	0.10 207

DRaft	0.24 183	0.10 24	0.34 79	0.18 8	0.12 77	0.28 173	0.23 221	0.33 82	0.39 194	0.38 255	0.61 327	0.21 68	0.41 306	0.48 212	0.42 298	0.07 16	0.06 72	0.08 65	0.08 110	0.07 37	0.08 111

DGSMNet	0.61 366	0.29 326	0.91 348	0.51 378	0.70 390	0.62 355	1.38 411	0.59 323	0.55 321	0.37 247	0.61 327	0.52 310	0.33 267	0.65 289	0.43 299	0.53 383	0.60 401	0.67 389	0.61 397	0.63 386	0.61 396

MFN_U_SF_DS_RVC	0.51 350	0.50 373	0.86 340	0.39 364	0.24 335	0.84 376	0.55 373	0.56 304	0.62 338	0.60 350	0.68 340	0.62 338	0.42 314	1.13 378	0.43 299	0.23 355	0.27 374	0.27 360	0.35 376	0.25 351	0.29 366

LALA_ROB	0.36 294	0.25 298	0.46 205	0.30 325	0.21 304	0.47 321	0.39 342	0.61 335	0.51 301	0.52 337	0.51 284	0.69 359	0.36 282	0.50 219	0.43 299	0.17 333	0.11 287	0.16 322	0.14 310	0.17 312	0.15 292

PSMNet_ROB	0.33 278	0.24 294	0.54 252	0.31 332	0.21 304	0.42 298	0.43 351	0.59 323	0.47 272	0.37 247	0.44 240	0.49 297	0.31 257	0.64 283	0.43 299	0.14 300	0.10 270	0.15 313	0.14 310	0.13 265	0.11 232

Wz-Net-MNSev	0.36 294	0.26 309	0.79 324	0.26 274	0.21 304	0.59 350	0.38 337	0.55 290	0.56 324	0.48 325	0.54 300	0.53 314	0.36 282	0.60 263	0.44 303	0.11 234	0.09 252	0.11 230	0.11 249	0.15 289	0.13 266

DEmStereo	0.26 215	0.09 9	0.47 212	0.19 26	0.12 77	0.30 209	0.25 257	0.28 33	0.36 166	0.36 242	0.58 313	0.25 112	0.48 337	0.53 235	0.44 303	0.07 16	0.06 72	0.08 65	0.08 110	0.06 6	0.07 65

AF-Net	0.37 303	0.26 309	0.56 261	0.32 338	0.23 330	0.41 291	0.29 290	0.61 335	0.64 342	0.42 295	0.68 340	0.65 349	0.49 338	0.57 251	0.44 303	0.15 311	0.11 287	0.19 342	0.14 310	0.15 289	0.13 266

Ntro	0.58 361	0.64 382	0.92 350	0.66 386	0.50 379	0.77 369	0.36 327	0.66 358	0.70 354	0.50 326	0.59 315	0.65 349	0.51 342	0.75 319	0.45 306	0.56 387	0.32 382	0.56 387	0.34 375	0.63 386	0.46 385

THIR-Stereo	0.29 249	0.12 81	0.41 166	0.19 26	0.11 42	0.28 173	0.72 385	0.32 68	0.35 156	0.37 247	0.65 334	0.34 200	0.50 339	0.57 251	0.45 306	0.07 16	0.06 72	0.08 65	0.09 184	0.07 37	0.07 65

psmorigin	0.50 346	0.25 298	3.03 407	0.24 209	0.19 282	0.38 276	0.22 201	0.50 239	0.44 241	0.64 355	0.68 340	0.71 362	0.51 342	0.85 346	0.45 306	0.14 300	0.17 344	0.13 282	0.14 310	0.16 297	0.21 345

NCC-stereo	0.39 315	0.25 298	0.69 303	0.32 338	0.28 352	0.46 315	0.36 327	0.65 352	0.52 307	0.40 278	0.57 311	0.56 320	0.47 331	0.73 311	0.45 306	0.17 333	0.14 318	0.18 335	0.25 363	0.16 297	0.16 299

Abc-Net	0.39 315	0.25 298	0.69 303	0.32 338	0.28 352	0.46 315	0.36 327	0.65 352	0.52 307	0.40 278	0.57 311	0.56 320	0.47 331	0.73 311	0.45 306	0.17 333	0.14 318	0.18 335	0.25 363	0.16 297	0.16 299
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
XPNet_ROB	0.33 278	0.20 259	0.43 183	0.27 297	0.18 264	0.37 269	0.31 304	0.55 290	0.50 298	0.51 331	0.53 297	0.58 327	0.37 290	0.63 281	0.45 306	0.17 333	0.12 304	0.13 282	0.12 281	0.15 289	0.14 283

otaku	0.57 360	0.62 381	0.87 342	0.63 385	0.44 375	0.73 365	0.37 331	0.65 352	0.66 344	0.51 331	0.75 351	0.66 353	0.45 322	0.69 298	0.46 312	0.53 383	0.34 383	0.55 384	0.35 376	0.60 385	0.45 382

APVNet	0.36 294	0.20 259	0.70 309	0.26 274	0.22 319	0.52 342	0.35 324	0.61 335	0.44 241	0.38 255	0.52 292	0.48 293	0.38 294	0.84 345	0.46 312	0.13 277	0.14 318	0.15 313	0.16 329	0.16 297	0.15 292

PDISCO_ROB	0.43 330	0.30 332	0.67 298	0.43 369	0.36 368	0.67 360	0.32 309	0.72 371	0.76 362	0.43 301	0.53 297	0.63 346	0.40 302	0.66 293	0.47 314	0.21 352	0.12 304	0.21 348	0.19 348	0.25 351	0.20 338

Anonymous Stereo	0.38 309	0.34 345	1.00 360	0.30 325	0.25 342	0.33 237	0.44 354	0.50 239	0.54 315	0.41 287	0.45 252	0.39 239	0.26 194	0.93 359	0.48 315	0.15 311	0.14 318	0.15 313	0.16 329	0.16 297	0.17 307

PASM	0.45 337	0.35 348	0.90 347	0.35 354	0.33 364	0.39 283	0.38 337	0.50 239	0.61 336	0.52 337	0.51 284	0.62 338	0.45 322	0.93 359	0.48 315	0.26 360	0.29 378	0.29 366	0.33 374	0.29 366	0.26 362

DispFullNet	0.66 370	0.89 393	1.59 390	0.77 391	1.21 408	0.51 333	0.23 221	0.59 323	0.72 357	0.69 361	0.61 327	0.69 359	0.91 382	0.79 333	0.48 315	0.27 365	0.12 304	0.73 392	0.30 373	0.65 389	0.40 378

PA-Net	0.37 303	0.28 319	0.83 332	0.31 332	0.28 352	0.39 283	0.42 349	0.51 252	0.55 321	0.34 211	0.42 219	0.41 255	0.36 282	0.79 333	0.49 318	0.12 261	0.23 368	0.16 322	0.23 361	0.12 252	0.18 321
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DANet	0.35 290	0.23 291	0.60 275	0.36 355	0.22 319	0.39 283	0.25 257	0.48 225	0.43 227	0.52 337	0.50 278	0.59 329	0.41 306	0.76 324	0.49 318	0.13 277	0.11 287	0.14 301	0.12 281	0.17 312	0.15 292
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
LSM	1.64 403	0.40 360	2.56 403	2.02 414	17.61 426	0.51 333	0.52 370	0.61 335	0.76 362	0.82 371	1.11 376	0.63 346	0.54 345	0.75 319	0.49 318	0.16 323	0.24 370	0.18 335	0.21 352	0.25 351	2.42 417

DISCO	0.32 272	0.13 136	0.51 242	0.25 246	0.16 229	0.48 325	0.25 257	0.50 239	0.57 327	0.37 247	0.45 252	0.62 338	0.36 282	0.64 283	0.49 318	0.09 165	0.07 158	0.09 120	0.08 110	0.12 252	0.11 232

MSMD_ROB	0.60 365	0.33 344	0.61 278	0.30 325	0.25 342	0.86 377	0.35 324	0.55 290	0.67 347	1.10 387	1.49 391	1.76 395	0.97 386	0.88 352	0.49 318	0.23 355	0.21 360	0.27 360	0.27 369	0.25 351	0.24 360

aanetorigin	0.39 315	0.29 326	1.09 369	0.24 209	0.19 282	0.28 173	0.37 331	0.33 82	0.47 272	0.94 377	0.82 359	0.52 310	0.54 345	0.49 217	0.50 323	0.11 234	0.09 252	0.10 183	0.10 216	0.16 297	0.15 292

SGM-Forest	0.36 294	0.17 224	0.47 212	0.23 172	0.16 229	0.45 313	0.41 346	0.55 290	0.48 281	0.52 337	0.60 320	0.52 310	0.41 306	0.85 346	0.50 323	0.17 333	0.17 344	0.17 328	0.15 318	0.15 289	0.15 292
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
FBW_ROB	0.43 330	0.26 309	0.54 252	0.31 332	0.20 296	0.51 333	0.32 309	0.70 368	0.60 333	0.59 349	0.55 304	0.65 349	0.41 306	1.40 391	0.51 325	0.13 277	0.17 344	0.21 348	0.16 329	0.17 312	0.18 321

DeepPrunerF	0.44 336	0.29 326	1.29 383	0.33 343	0.30 360	0.35 259	0.36 327	0.62 344	1.15 390	0.40 278	0.44 240	0.39 239	0.41 306	0.80 337	0.52 326	0.18 343	0.14 318	0.23 355	0.21 352	0.17 312	0.17 307

PWC_ROB	0.38 309	0.29 326	0.69 303	0.25 246	0.20 296	0.38 276	0.19 124	0.58 318	0.67 347	0.57 348	0.85 362	0.51 307	0.40 302	0.71 304	0.52 326	0.13 277	0.09 252	0.14 301	0.10 216	0.17 312	0.14 283

RYNet	0.37 303	0.18 236	0.59 273	0.25 246	0.28 352	0.61 354	0.32 309	0.59 323	0.59 330	0.41 287	0.38 178	0.57 324	0.39 299	0.87 349	0.53 328	0.11 234	0.08 224	0.12 263	0.11 249	0.18 323	0.18 321

ACVNet_1	0.72 375	0.81 388	1.37 387	0.72 389	0.53 382	0.77 369	0.42 349	0.85 386	0.90 376	0.74 366	0.75 351	1.32 387	0.72 369	1.02 372	0.55 329	0.54 385	0.31 381	0.71 391	0.35 376	0.64 388	0.45 382

RainbowNet	0.72 375	0.89 393	1.02 364	0.82 392	0.63 388	0.78 372	0.52 370	0.81 382	0.93 380	0.60 350	0.79 356	0.80 367	0.60 354	0.80 337	0.57 330	0.78 396	0.55 397	0.78 394	0.49 386	0.76 394	0.58 391

anonymity	0.56 357	0.54 377	0.70 309	0.47 374	0.61 386	0.56 345	0.43 351	0.69 367	0.49 290	0.63 353	0.55 304	0.54 316	0.60 354	0.61 268	0.57 330	0.55 386	0.53 394	0.50 381	0.54 392	0.51 379	0.56 389

CrosDoStereo	0.31 263	0.10 24	0.49 226	0.18 8	0.12 77	0.22 93	1.11 407	0.34 88	0.37 175	0.38 255	0.61 327	0.28 154	0.46 328	0.61 268	0.57 330	0.07 16	0.06 72	0.08 65	0.08 110	0.07 37	0.07 65

DeepStereo_LL	0.31 263	0.10 24	0.49 226	0.18 8	0.12 77	0.22 93	1.11 407	0.34 88	0.37 175	0.38 255	0.61 327	0.28 154	0.46 328	0.61 268	0.57 330	0.07 16	0.06 72	0.08 65	0.08 110	0.07 37	0.07 65

G-Net	0.46 339	0.25 298	0.86 340	0.34 345	0.28 352	0.90 380	0.35 324	0.47 214	0.45 253	0.68 359	1.22 380	0.64 348	0.60 354	0.61 268	0.57 330	0.16 323	0.14 318	0.17 328	0.13 299	0.22 344	0.19 328

SHD	0.42 326	0.27 316	0.81 328	0.31 332	0.25 342	0.42 298	0.22 201	0.66 358	0.94 381	0.63 353	0.60 320	0.59 329	0.47 331	0.59 262	0.58 335	0.15 311	0.13 314	0.16 322	0.16 329	0.20 335	0.22 350

Wz-Net-SNSev	0.43 330	0.41 363	1.27 381	0.30 325	0.21 304	0.44 308	0.41 346	0.61 335	0.65 343	0.46 314	0.65 334	0.62 338	0.39 299	0.74 318	0.59 336	0.12 261	0.11 287	0.12 263	0.13 299	0.16 297	0.14 283

MeshStereo	0.58 361	0.27 316	0.67 298	0.22 130	0.17 245	0.66 359	0.37 331	0.78 376	0.61 336	1.47 405	1.30 383	1.65 392	0.79 372	1.12 377	0.59 336	0.17 333	0.17 344	0.17 328	0.14 310	0.17 312	0.14 283
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
SGM_RVC	0.50 346	0.19 251	0.50 236	0.25 246	0.15 206	0.69 361	0.39 342	0.68 366	0.82 368	0.95 379	0.84 361	1.13 378	0.76 370	1.16 379	0.60 338	0.16 323	0.16 339	0.16 322	0.16 329	0.16 297	0.17 307
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ccnet	0.42 326	0.31 337	0.48 221	0.27 297	0.32 363	0.60 353	0.32 309	0.65 352	0.46 267	0.53 342	0.66 336	0.56 320	0.45 322	0.72 309	0.61 339	0.26 360	0.19 354	0.24 357	0.21 352	0.26 358	0.22 350

MFMNet_re	0.72 375	0.76 386	0.99 359	0.62 384	0.70 390	0.77 369	0.67 381	0.75 373	0.83 371	0.78 370	0.86 363	0.69 359	0.78 371	0.71 304	0.61 339	0.66 392	0.59 400	0.61 388	0.58 396	0.68 392	0.71 400

SAMSARA	0.56 357	0.39 359	0.80 326	0.60 383	0.46 376	1.00 384	1.23 410	0.67 363	0.68 350	0.71 362	0.54 300	0.89 372	0.57 351	0.81 340	0.62 341	0.19 348	0.22 365	0.18 335	0.18 343	0.27 361	0.25 361

CSAN	0.50 346	0.35 348	0.78 318	0.36 355	0.23 330	0.56 345	0.59 377	0.61 335	0.70 354	0.64 355	0.78 355	0.65 349	0.60 354	1.38 390	0.62 341	0.21 352	0.17 344	0.20 345	0.20 349	0.18 323	0.18 321

WCMA_ROB	0.51 350	0.21 272	0.65 294	0.25 246	0.21 304	0.58 349	0.32 309	0.54 280	0.55 321	0.95 379	1.40 386	1.28 385	0.81 375	0.73 311	0.62 341	0.18 343	0.15 332	0.15 313	0.15 318	0.19 327	0.19 328

Consistency-Raft	0.55 356	0.48 368	1.02 364	0.45 372	0.49 378	0.49 328	0.47 362	0.72 371	0.72 357	0.45 311	0.82 359	0.47 287	0.60 354	0.50 219	0.63 344	0.39 381	0.39 386	0.44 378	0.51 389	0.52 380	0.37 375

FCDSN-DC	0.63 367	0.31 337	0.61 278	0.36 355	0.30 360	0.65 357	0.37 331	0.66 358	0.68 350	1.14 389	1.54 394	1.71 394	1.26 395	0.92 358	0.64 345	0.24 358	0.22 365	0.27 360	0.26 367	0.27 361	0.27 365
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
NaN_ROB	0.41 323	0.28 319	0.62 286	0.30 325	0.19 282	0.51 333	0.47 362	0.58 318	0.59 330	0.56 346	0.47 269	0.49 297	0.41 306	1.21 383	0.64 345	0.12 261	0.18 350	0.12 263	0.13 299	0.11 226	0.14 283

ACVNet_2	0.89 384	0.87 392	1.25 379	0.82 392	0.62 387	0.97 383	0.62 379	1.14 391	1.42 394	1.00 382	1.40 386	1.47 390	0.84 378	1.11 375	0.66 347	0.61 390	0.43 388	0.78 394	0.49 386	0.75 393	0.52 387

MSC_U_SF_DS_RVC	0.68 372	0.64 382	1.06 368	0.45 372	0.27 349	1.40 401	0.58 375	0.78 376	0.92 378	0.84 372	0.86 363	0.88 371	0.68 365	1.33 389	0.68 348	0.37 379	0.29 378	0.34 372	0.36 379	0.43 375	0.37 375

DPSNet	0.47 340	0.24 294	0.93 352	0.27 297	0.20 296	0.75 368	0.57 374	0.84 384	0.79 366	0.47 322	0.51 284	0.60 332	0.69 366	0.87 349	0.71 349	0.16 323	0.13 314	0.12 263	0.10 216	0.25 351	0.21 345

XQC	0.43 330	0.37 356	0.96 356	0.34 345	0.25 342	0.53 343	0.34 321	0.60 331	0.73 360	0.51 331	0.46 262	0.57 324	0.47 331	0.70 301	0.72 350	0.17 333	0.12 304	0.18 335	0.15 318	0.25 351	0.23 356

MFN_U_SF_RVC	0.56 357	0.51 375	1.19 375	0.38 362	0.22 319	0.69 361	0.27 273	0.80 380	0.67 347	0.73 363	0.74 350	0.87 369	0.61 363	0.81 340	0.76 351	0.29 371	0.27 374	0.32 370	0.37 380	0.32 370	0.31 369

PVD	0.58 361	0.34 345	0.84 336	0.39 364	0.31 362	0.59 350	0.47 362	0.80 380	1.25 391	0.92 376	1.09 374	0.79 366	0.82 376	0.85 346	0.76 351	0.21 352	0.18 350	0.22 354	0.18 343	0.27 361	0.35 374

SANet	0.53 355	0.28 319	0.96 356	0.26 274	0.15 206	0.69 361	0.44 354	0.67 363	1.34 392	0.67 358	0.98 371	0.94 373	0.71 368	0.89 353	0.76 351	0.14 300	0.12 304	0.12 263	0.11 249	0.17 312	0.16 299

Wz-Net-TNSev	0.51 350	0.58 378	1.61 393	0.25 246	0.21 304	0.65 357	0.45 356	0.63 350	0.69 352	0.51 331	0.54 300	0.71 362	0.60 354	1.00 369	0.77 354	0.15 311	0.15 332	0.13 282	0.15 318	0.21 338	0.20 338

FC-DCNN	0.70 374	0.30 332	0.69 303	0.32 338	0.27 349	0.81 375	0.39 342	0.79 379	0.82 368	1.41 398	1.58 396	1.98 397	1.26 395	1.02 372	0.77 354	0.24 358	0.22 365	0.27 360	0.26 367	0.26 358	0.26 362

NVStereoNet_ROB	0.67 371	0.49 372	0.83 332	0.48 375	0.40 372	0.51 333	0.46 358	0.70 368	0.77 364	0.84 372	1.72 397	1.02 377	0.83 377	1.23 384	0.79 356	0.32 374	0.38 385	0.40 376	0.46 384	0.36 373	0.41 379
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
RTSC	0.39 315	0.28 319	0.78 318	0.27 297	0.18 264	0.49 328	0.22 201	0.59 323	0.84 373	0.55 345	0.53 297	0.49 297	0.36 282	0.67 295	0.82 357	0.13 277	0.10 270	0.11 230	0.12 281	0.17 312	0.17 307

IMH-64-1	0.91 385	0.86 390	0.84 336	0.97 397	0.75 392	0.92 381	0.71 383	1.27 392	1.10 387	0.89 374	1.45 388	1.14 379	0.96 384	1.19 380	0.84 358	0.74 393	0.51 391	0.97 398	0.55 393	0.84 396	0.60 393

IMH-64	0.91 385	0.86 390	0.84 336	0.97 397	0.75 392	0.92 381	0.71 383	1.27 392	1.10 387	0.89 374	1.45 388	1.14 379	0.96 384	1.19 380	0.84 358	0.74 393	0.51 391	0.97 398	0.55 393	0.84 396	0.60 393

WZ-Net	0.52 354	0.38 358	1.90 395	0.30 325	0.24 335	0.57 348	0.48 366	0.62 344	0.78 365	0.50 326	0.71 345	0.68 357	0.54 345	0.98 368	0.84 358	0.13 277	0.10 270	0.11 230	0.12 281	0.19 327	0.20 338

ttt	0.29 249	0.12 81	0.34 79	0.21 87	0.13 131	0.29 192	0.20 162	0.56 304	0.47 272	0.31 168	0.44 240	0.30 171	0.22 146	0.65 289	0.85 361	0.13 277	0.10 270	0.10 183	0.10 216	0.11 226	0.11 232

SPS-STEREO	0.69 373	0.61 380	0.98 358	0.52 380	0.57 384	0.74 366	0.50 369	0.78 376	0.62 338	0.95 379	0.86 363	0.94 373	0.70 367	1.01 371	0.87 362	0.58 389	0.51 391	0.50 381	0.50 388	0.55 382	0.58 391
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH	1.05 390	0.95 397	1.00 360	1.01 399	0.78 396	1.11 387	0.68 382	1.38 395	1.43 395	1.00 382	1.72 397	1.43 388	1.14 388	1.73 399	0.89 363	1.09 406	0.55 397	0.99 400	0.57 395	0.87 398	0.62 398

LVE	1.13 392	1.02 398	1.28 382	1.01 399	0.80 399	1.29 397	0.81 394	1.47 399	1.96 400	1.07 386	1.90 400	1.90 396	1.01 387	1.48 392	0.91 364	0.93 403	0.61 403	0.94 397	0.69 400	0.87 398	0.75 404

ELAS_RVC	0.74 379	0.36 351	1.00 360	0.37 360	0.33 364	0.88 378	0.93 399	0.83 383	1.08 386	1.35 394	1.33 385	1.24 383	1.33 398	1.06 374	0.95 365	0.27 365	0.25 372	0.29 366	0.27 369	0.30 367	0.30 367
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
pmcnn	0.50 346	0.20 259	0.78 318	0.24 209	0.26 347	0.39 283	0.30 300	0.51 252	0.50 298	0.54 344	1.23 381	2.52 405	0.37 290	0.77 330	0.95 365	0.08 99	0.06 72	0.06 1	0.05 9	0.10 190	0.08 111

EDNetEfficientorigin	7.51 416	0.52 376	140.47 438	0.25 246	0.17 245	0.42 298	0.29 290	0.47 214	1.03 382	1.28 392	1.02 372	0.83 368	0.84 378	0.75 319	0.99 367	0.10 207	0.09 252	0.12 263	0.10 216	0.21 338	0.22 350

Dean	1.17 394	1.04 400	1.49 389	1.03 401	0.78 396	1.20 393	0.77 390	1.48 400	1.96 400	1.28 392	1.99 402	2.15 399	1.14 388	1.25 385	1.00 368	0.81 398	0.60 401	1.01 401	0.69 400	0.92 402	0.74 403

ELAS	0.74 379	0.36 351	0.85 339	0.36 355	0.33 364	1.36 399	0.77 390	0.93 387	0.92 378	1.41 398	1.53 393	1.16 381	1.17 391	0.95 364	1.03 369	0.26 360	0.25 372	0.28 365	0.28 372	0.31 368	0.30 367
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PWCK	1.00 387	1.17 406	1.70 394	0.91 395	0.41 373	1.19 392	0.92 398	1.10 389	1.14 389	1.16 390	1.14 377	1.25 384	0.88 381	1.75 400	1.04 370	0.87 400	0.50 389	0.87 396	0.53 391	0.96 403	0.52 387

DualNet	0.26 215	0.12 81	0.42 173	0.20 58	0.13 131	0.28 173	0.20 162	0.35 105	0.44 241	0.30 151	0.42 219	0.34 200	0.23 155	0.27 109	1.08 371	0.08 99	0.05 6	0.11 230	0.10 216	0.08 81	0.08 111

ff1	0.29 249	0.12 81	0.42 173	0.20 58	0.13 131	0.28 173	0.20 162	0.35 105	0.44 241	0.30 151	0.42 219	0.34 200	0.23 155	0.81 340	1.08 371	0.08 99	0.05 6	0.11 230	0.10 216	0.08 81	0.08 111

mmx	0.31 263	0.12 81	0.42 173	0.20 58	0.13 131	0.28 173	0.20 162	0.55 290	0.45 253	0.30 151	0.42 219	0.34 200	0.23 155	0.81 340	1.08 371	0.10 207	0.07 158	0.11 230	0.10 216	0.11 226	0.10 207

xxx	0.31 263	0.12 81	0.42 173	0.20 58	0.13 131	0.28 173	0.20 162	0.55 290	0.45 253	0.30 151	0.42 219	0.34 200	0.23 155	0.81 340	1.08 371	0.10 207	0.07 158	0.11 230	0.10 216	0.11 226	0.10 207

SuperB	0.49 344	0.28 319	2.23 397	0.23 172	0.15 206	0.41 291	0.32 309	0.47 214	0.82 368	0.43 301	0.50 278	0.33 194	0.45 322	0.68 296	1.08 371	0.10 207	0.07 158	0.09 120	0.08 110	0.98 404	0.14 283

SGM+DAISY	0.87 383	0.66 384	1.30 384	0.51 378	0.60 385	1.03 385	0.84 396	0.76 374	0.73 360	1.39 396	1.51 392	1.31 386	1.22 393	1.11 375	1.08 371	0.57 388	0.53 394	0.51 383	0.51 389	0.54 381	0.61 396

WAO-7	1.01 388	0.89 393	0.93 352	0.83 394	0.66 389	1.18 390	0.81 394	1.40 396	1.57 398	1.11 388	1.76 399	1.45 389	1.19 392	1.50 393	1.14 377	0.61 390	0.62 404	0.70 390	0.68 399	0.66 391	0.60 393

WAO-6	1.07 391	0.93 396	0.92 350	0.96 396	0.78 396	1.28 396	0.75 387	1.34 394	2.00 402	1.02 384	1.54 394	1.59 391	1.22 393	1.31 388	1.14 377	0.78 396	0.55 397	1.02 402	0.75 403	0.83 395	0.69 399

ADCPNet	0.48 342	0.29 326	1.60 391	0.27 297	0.23 330	0.70 364	0.38 337	0.53 273	0.51 301	0.51 331	0.59 315	0.67 354	0.56 349	0.60 263	1.14 377	0.15 311	0.18 350	0.14 301	0.23 361	0.19 327	0.19 328

RTS	0.78 381	0.48 368	4.68 409	0.34 345	0.28 352	1.12 388	0.46 358	0.62 344	1.03 382	0.73 363	0.89 367	0.60 332	0.59 352	1.61 394	1.16 380	0.14 300	0.11 287	0.15 313	0.15 318	0.21 338	0.19 328

RTSA	0.78 381	0.48 368	4.68 409	0.34 345	0.28 352	1.12 388	0.46 358	0.62 344	1.03 382	0.73 363	0.89 367	0.60 332	0.59 352	1.61 394	1.16 380	0.14 300	0.11 287	0.15 313	0.15 318	0.21 338	0.19 328

WAO-8	1.46 399	1.10 403	1.09 369	1.10 402	0.84 400	2.06 405	0.75 387	1.84 405	3.83 410	1.44 402	2.21 405	2.15 399	1.43 400	3.17 411	1.19 382	0.91 401	0.65 406	1.09 403	0.79 404	0.90 400	0.71 400

Venus	1.46 399	1.10 403	1.09 369	1.10 402	0.84 400	2.06 405	0.75 387	1.84 405	3.83 410	1.44 402	2.21 405	2.15 399	1.43 400	3.17 411	1.19 382	0.91 401	0.65 406	1.09 403	0.79 404	0.90 400	0.71 400

KSHMR	1.89 406	1.36 410	1.60 391	1.47 411	1.22 409	1.38 400	1.06 404	1.79 404	5.97 416	1.42 400	5.65 416	2.98 409	1.14 388	2.23 407	1.20 384	1.27 410	1.12 411	1.46 412	1.10 411	1.32 411	1.15 411

ACVNet-4b	0.72 375	0.81 388	1.33 385	0.72 389	0.50 379	0.80 374	0.31 304	0.71 370	0.80 367	0.50 326	0.72 349	0.95 375	0.43 317	0.96 365	1.20 384	1.13 409	0.21 360	0.76 393	0.45 383	0.65 389	0.46 385

ktn	1.77 405	1.36 410	1.22 377	1.43 410	1.14 407	1.52 402	1.08 405	1.51 402	3.96 413	2.77 412	4.69 412	3.35 410	1.46 402	1.69 398	1.25 386	1.43 411	0.77 410	1.45 411	0.99 409	1.32 411	0.96 407

ADCRef	0.38 309	0.24 294	0.88 343	0.26 274	0.21 304	0.49 328	0.27 273	0.52 262	0.48 281	0.50 326	0.58 313	0.35 214	0.47 331	0.48 212	1.29 387	0.09 165	0.08 224	0.12 263	0.12 281	0.11 226	0.11 232

1111x	0.32 272	0.11 63	0.40 144	0.22 130	0.11 42	0.32 228	0.26 268	0.59 323	0.43 227	0.31 168	0.41 205	0.39 239	0.28 224	0.76 324	1.37 388	0.09 165	0.08 224	0.09 120	0.10 216	0.09 142	0.08 111

TorneroNet-64	1.43 397	1.03 399	1.20 376	1.10 402	0.86 402	2.26 409	0.73 386	1.84 405	3.84 412	1.25 391	2.25 407	2.69 407	1.42 399	1.76 401	1.43 389	0.76 395	0.50 389	1.09 403	0.66 398	1.23 407	0.76 405

ADCL	0.47 340	0.22 284	1.00 360	0.27 297	0.19 282	0.74 366	0.64 380	0.54 280	0.69 352	0.56 346	0.71 345	0.55 318	0.60 354	0.60 263	1.43 389	0.11 234	0.09 252	0.13 282	0.13 299	0.14 277	0.14 283

AnyNet_C01	0.65 369	0.58 378	2.60 404	0.32 338	0.26 347	0.88 378	0.61 378	0.63 350	0.62 338	0.68 359	0.96 370	0.76 365	0.60 354	0.96 365	1.43 389	0.16 323	0.16 339	0.17 328	0.17 338	0.23 347	0.23 356

notaker	1.45 398	1.34 409	1.48 388	1.40 409	1.07 406	1.18 390	0.85 397	1.48 400	1.40 393	1.51 406	3.46 410	2.40 404	1.81 404	1.76 401	1.45 392	1.11 407	0.69 409	1.38 410	0.87 406	1.31 409	0.97 408

EDNetEfficient	0.63 367	0.37 356	2.40 401	0.26 274	0.25 342	0.38 276	0.49 368	0.41 164	1.06 385	1.38 395	0.87 366	0.62 338	0.95 383	0.65 289	1.65 393	0.11 234	0.09 252	0.10 183	0.11 249	0.19 327	0.17 307

ADCMid	0.49 344	0.34 345	1.13 373	0.26 274	0.21 304	0.51 333	0.37 331	0.57 311	0.54 315	0.75 367	0.66 336	0.62 338	0.64 364	0.64 283	1.68 394	0.13 277	0.12 304	0.17 328	0.17 338	0.20 335	0.17 307

MADNet+	1.01 388	1.16 405	4.72 411	0.70 387	0.47 377	1.24 394	0.96 400	0.97 388	0.89 374	0.65 357	0.77 354	0.87 369	0.85 380	2.09 404	1.68 394	0.38 380	0.39 386	0.31 369	0.27 369	0.43 375	0.39 377

JetBlue	1.14 393	0.76 386	2.36 399	0.59 382	0.75 392	3.04 412	1.78 412	1.11 390	0.90 376	0.94 377	1.10 375	1.66 393	1.28 397	2.09 404	1.72 396	0.43 382	0.36 384	0.38 374	0.38 382	0.58 384	0.56 389

AnyNet_C32	0.51 350	0.40 360	1.10 372	0.29 317	0.28 352	0.59 350	0.58 375	0.54 280	0.60 333	0.62 352	0.66 336	0.54 316	0.54 345	0.78 331	1.74 397	0.15 311	0.14 318	0.15 313	0.17 338	0.20 335	0.20 338

UNDER WATER-64	1.55 401	1.19 407	2.52 402	1.31 407	0.95 404	2.12 407	1.21 409	1.45 398	3.19 406	1.43 401	1.32 384	2.64 406	2.04 406	1.63 396	1.83 398	1.11 407	0.67 408	1.28 408	0.92 407	1.19 405	1.02 409

TorneroNet	2.22 407	1.08 402	1.24 378	1.14 406	0.90 403	5.58 414	0.80 392	2.12 411	8.69 419	2.58 410	5.42 414	3.88 412	1.97 405	1.78 403	1.87 399	0.86 399	0.54 396	1.15 407	0.74 402	1.23 407	0.85 406

ADCP+	0.45 337	0.24 294	1.15 374	0.25 246	0.22 319	0.56 345	0.39 342	0.54 280	0.51 301	0.44 307	0.51 284	0.46 285	0.52 344	0.56 248	1.89 400	0.10 207	0.08 224	0.11 230	0.10 216	0.14 277	0.13 266

coex-ft	3.44 411	0.73 385	48.55 436	0.24 209	0.19 282	0.50 332	0.43 351	0.47 214	2.40 404	7.03 418	1.20 379	0.97 376	2.23 407	0.73 311	1.92 401	0.12 261	0.15 332	0.14 301	0.12 281	0.21 338	0.43 380

UNDER WATER	1.59 402	1.22 408	2.36 399	1.38 408	1.03 405	1.67 404	1.10 406	1.54 403	3.63 408	1.44 402	1.47 390	2.85 408	2.25 408	1.67 397	1.94 402	1.06 405	0.62 404	1.31 409	0.93 408	1.21 406	1.02 409

MANE	1.41 396	0.36 351	0.74 316	0.43 369	0.41 373	2.16 408	0.80 392	2.39 413	3.38 407	2.22 408	3.06 409	3.54 411	2.73 411	2.15 406	1.94 402	0.28 369	0.27 374	0.30 368	0.46 384	0.28 365	0.34 373

xxxx	0.34 285	0.10 24	0.29 37	0.19 26	0.11 42	0.37 269	0.20 162	0.58 318	0.38 188	0.29 123	0.42 219	0.38 228	0.24 170	0.46 207	2.20 404	0.11 234	0.07 158	0.09 120	0.08 110	0.09 142	0.09 162

ADCS	0.58 361	0.40 360	1.35 386	0.29 317	0.24 335	0.55 344	0.45 356	0.67 363	0.83 371	0.76 369	0.71 345	0.68 357	0.60 354	0.76 324	2.23 405	0.16 323	0.16 339	0.16 322	0.17 338	0.22 344	0.22 350

test_xeample	0.34 285	0.10 24	0.29 37	0.19 26	0.11 42	0.33 237	0.23 221	0.55 290	0.38 188	0.32 186	0.45 252	0.29 161	0.26 194	0.57 251	2.24 406	0.10 207	0.07 158	0.09 120	0.08 110	0.09 142	0.09 162

SGM-ForestM	1.36 395	0.28 319	0.79 324	0.26 274	0.16 229	2.26 409	1.00 402	1.42 397	1.46 396	2.38 409	2.05 403	5.95 418	2.66 410	2.95 410	2.46 407	0.17 333	0.18 350	0.18 335	0.18 343	0.15 289	0.18 321

AAGNet	0.33 278	0.11 63	0.37 109	0.25 246	0.16 229	0.20 55	0.19 124	0.30 54	0.27 74	0.35 227	0.35 149	0.27 139	0.30 246	0.44 203	2.66 408	0.08 99	0.05 6	0.10 183	0.07 50	0.08 81	0.06 18

MADNet++	2.26 408	1.80 414	2.06 396	2.13 416	1.97 414	2.61 411	1.79 413	2.38 412	2.16 403	2.75 411	2.65 408	2.38 403	2.43 409	3.17 411	3.21 409	2.17 413	1.95 414	1.94 414	1.63 413	2.06 414	2.01 416

HanzoNet	2.97 410	1.69 412	2.29 398	1.74 412	1.33 410	1.53 403	1.03 403	1.99 409	2.64 405	5.51 415	5.16 413	5.90 417	6.82 417	4.32 416	3.29 410	3.16 415	2.02 416	1.92 413	2.87 417	2.24 415	1.89 415

222	0.41 323	0.10 24	0.29 37	0.19 26	0.11 42	0.36 264	0.20 162	0.57 311	0.39 194	0.35 227	0.44 240	0.30 171	0.27 211	0.55 240	3.56 411	0.11 234	0.07 158	0.08 65	0.08 110	0.09 142	0.09 162

LE_ROB	1.76 404	0.20 259	2.68 405	0.48 375	0.52 381	0.78 372	0.96 400	0.84 384	6.61 417	7.40 419	2.08 404	2.08 398	4.83 412	1.27 387	3.79 412	0.10 207	0.08 224	0.12 263	0.11 249	0.11 226	0.10 207

JetRed	2.30 409	2.64 416	6.12 412	1.12 405	1.38 411	5.85 415	3.29 414	1.99 409	1.67 399	1.98 407	1.95 401	2.16 402	1.60 403	2.48 408	4.10 413	1.05 404	1.60 413	1.09 403	1.01 410	1.67 413	1.28 412

DPSimNet_ROB	4.34 412	4.23 417	6.89 414	3.67 417	3.68 415	4.75 413	5.21 416	2.67 414	3.68 409	5.82 416	3.95 411	5.57 414	6.72 416	3.46 415	4.48 414	4.05 418	2.88 417	4.68 419	3.12 418	3.69 417	3.62 419

BEATNet-Init1	4.73 414	2.61 415	13.29 425	0.58 381	0.53 382	10.12 419	3.33 415	4.83 416	5.01 415	8.75 420	8.51 417	14.08 427	7.60 418	7.70 420	5.34 415	0.28 369	0.28 377	0.34 372	0.37 380	0.57 383	0.45 382

tt	4.71 413	0.10 24	3.94 408	2.06 415	1.53 412	10.14 420	16.88 420	9.27 422	4.98 414	1.39 396	1.02 372	4.68 413	4.90 413	3.35 414	5.86 416	5.76 420	9.15 426	2.24 415	2.53 416	3.10 416	1.32 413

LRCNet_RVC	10.90 420	14.34 429	9.35 416	15.35 425	8.04 419	1.08 386	0.34 321	8.78 421	0.70 354	12.63 427	16.05 426	9.85 420	6.54 415	8.57 421	6.34 417	20.27 434	5.40 420	23.70 433	21.88 432	14.87 427	13.83 429

PML	16.10 427	12.82 428	6.78 413	5.23 418	7.76 418	33.92 431	66.56 437	5.30 417	10.28 420	26.12 437	68.59 437	20.51 429	13.49 427	10.06 422	6.78 418	5.96 421	2.00 415	6.04 422	2.18 415	8.96 423	2.60 418

ASD4	7.23 415	6.65 420	7.69 415	5.24 419	5.62 417	11.85 421	20.36 421	7.57 420	7.14 418	6.55 417	5.47 415	5.99 419	5.78 414	7.22 419	9.24 419	4.85 419	4.44 418	6.40 423	5.19 419	6.53 420	4.89 420

DGTPSM_ROB	8.34 417	5.10 418	10.37 423	5.31 420	10.18 420	8.33 416	23.60 425	6.06 418	13.41 425	4.90 413	10.87 422	5.65 415	10.44 419	6.17 417	12.59 420	3.74 416	7.55 421	3.69 417	7.26 422	4.14 418	7.46 421

DPSMNet_ROB	8.40 418	5.11 419	10.49 424	5.58 421	10.25 421	8.34 417	23.62 426	6.07 419	13.45 426	4.93 414	10.88 423	5.66 416	10.44 419	6.24 418	12.64 421	3.98 417	7.61 422	3.76 418	7.30 423	4.20 419	7.51 422

Anonymous_1	16.62 428	9.35 421	9.84 417	10.66 422	14.64 424	18.66 427	27.12 427	12.64 426	13.51 427	10.76 426	10.30 421	10.13 421	10.60 421	11.06 426	12.74 422	15.87 433	7.74 423	16.92 430	43.48 435	58.66 438	7.68 423

DPSM_ROB	11.49 421	9.87 425	10.35 421	11.13 423	11.31 422	19.11 428	27.51 428	13.37 427	14.21 428	10.31 424	11.06 424	10.96 425	11.27 425	11.96 427	13.59 423	6.78 422	8.19 424	6.03 420	7.09 420	7.93 421	7.73 424

DPSM	11.49 421	9.87 425	10.35 421	11.13 423	11.31 422	19.11 428	27.51 428	13.37 427	14.21 428	10.31 424	11.06 424	10.96 425	11.27 425	11.96 427	13.59 423	6.78 422	8.19 424	6.03 420	7.09 420	7.93 421	7.73 424

xxxxx1	15.27 424	9.54 422	10.31 418	20.13 428	18.88 427	17.08 423	23.03 422	10.36 423	10.99 421	9.21 421	9.62 418	10.74 422	10.61 422	10.72 423	13.89 425	7.97 424	9.20 427	31.85 436	44.72 436	12.84 424	13.69 426

tt_ll	15.27 424	9.54 422	10.31 418	20.13 428	18.88 427	17.08 423	23.03 422	10.36 423	10.99 421	9.21 421	9.62 418	10.74 422	10.61 422	10.72 423	13.89 425	7.97 424	9.20 427	31.85 436	44.72 436	12.84 424	13.69 426

ff	15.27 424	9.54 422	10.31 418	20.13 428	18.88 427	17.08 423	23.03 422	10.36 423	10.99 421	9.21 421	9.62 418	10.74 422	10.61 422	10.72 423	13.89 425	7.97 424	9.20 427	31.85 436	44.72 436	12.84 424	13.69 426

HaxPig	17.72 429	20.22 436	19.73 426	16.53 426	16.51 425	9.27 418	9.33 417	14.34 429	13.27 424	18.65 428	18.70 427	17.35 428	16.77 428	17.04 429	16.45 428	22.05 435	20.89 436	22.27 432	21.53 431	21.29 434	22.13 436

SPstereo	14.25 423	1.73 413	2.83 406	1.84 413	1.57 413	23.16 430	43.27 430	35.72 438	29.56 438	20.86 435	20.62 428	26.34 438	21.82 430	25.23 438	19.62 429	1.56 412	1.42 412	2.96 416	2.17 414	1.31 409	1.33 414

MEDIAN_ROB	21.21 430	24.62 437	23.47 434	19.58 427	19.65 430	13.22 422	10.96 418	17.88 430	17.00 430	22.14 436	22.02 430	20.86 430	20.36 429	21.06 430	19.71 430	25.63 437	24.13 437	26.21 434	25.20 433	25.17 435	25.38 437

AVERAGE_ROB	25.43 437	29.06 438	27.24 435	24.63 437	24.20 437	17.73 426	12.61 419	22.29 431	21.39 431	26.79 438	26.16 436	25.20 437	24.64 437	25.07 437	23.53 431	29.96 438	28.40 438	30.60 435	29.58 434	29.72 436	29.84 438

LSM0	24.24 436	19.98 435	22.32 433	24.22 436	40.14 438	38.48 436	55.20 431	26.95 436	28.57 432	20.49 429	21.83 429	22.26 436	22.75 434	24.22 436	27.30 432	13.66 432	16.32 430	12.19 429	14.15 424	16.10 433	17.66 435

Selective-RAFT-Error	23.16 435	19.93 434	20.87 432	22.54 435	22.81 435	38.52 437	55.47 432	27.01 437	28.83 437	20.66 431	22.25 432	22.09 435	22.80 436	24.09 435	27.36 433	13.61 428	16.48 431	12.15 425	14.28 426	15.99 432	15.57 434

CasAABBNet	23.10 431	19.86 430	20.64 428	22.47 431	22.73 434	38.41 432	55.50 433	26.89 435	28.70 433	20.61 430	22.15 431	22.08 434	22.75 434	23.99 434	27.36 433	13.59 427	16.48 431	12.14 424	14.27 425	15.95 428	15.53 430

MyStereo03	23.12 432	19.90 431	20.85 429	22.49 432	22.71 431	38.42 433	55.53 434	26.80 432	28.72 434	20.77 432	22.25 432	22.03 431	22.69 431	23.90 431	27.38 435	13.62 429	16.50 433	12.15 425	14.28 426	15.95 428	15.53 430

MyStereo02	23.12 432	19.90 431	20.85 429	22.49 432	22.71 431	38.42 433	55.53 434	26.80 432	28.72 434	20.77 432	22.25 432	22.03 431	22.69 431	23.90 431	27.38 435	13.62 429	16.50 433	12.15 425	14.28 426	15.95 428	15.53 430

MyStereo	23.12 432	19.90 431	20.85 429	22.49 432	22.71 431	38.42 433	55.53 434	26.80 432	28.72 434	20.77 432	22.25 432	22.03 431	22.69 431	23.90 431	27.38 435	13.62 429	16.50 433	12.15 425	14.28 426	15.95 428	15.53 430

test_example2	101.33 438	108.28 439	68.15 437	98.43 438	106.93 439	89.75 438	102.43 438	36.80 439	97.65 439	129.04 439	130.15 438	65.26 439	66.62 438	92.11 439	80.24 438	144.10 439	199.48 439	81.81 439	103.01 439	125.01 439	101.27 439

FADE		1.06 401		0.71 388	0.76 395			1.85 408	1.52 397	0.75 367		1.17 382		2.83 409		24.23 436	4.70 419	17.35 431	17.61 430	0.49 378	0.44 381

Low-res two-view benchmark