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

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

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

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

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

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

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

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

4D-IteraStereo	0.09 11	0.07 69	0.10 44	0.18 181	0.07 18	0.09 35	0.15 115	0.17 72	0.15 69	0.10 40	0.11 52	0.10 57	0.07 31	0.11 45	0.09 19	0.05 2	0.03 1	0.08 162	0.07 160	0.06 101	0.05 51

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 18	0.08 23	0.15 115	0.11 1	0.10 7	0.08 5	0.09 23	0.06 3	0.09 66	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 79	0.07 69	0.10 44	0.16 68	0.09 130	0.13 129	0.14 69	0.18 96	0.22 172	0.13 103	0.14 79	0.12 88	0.09 66	0.14 147	0.11 85	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

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

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 114	0.06 2	0.08 23	0.12 21	0.13 9	0.07 1	0.08 5	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

Selective-RAFT	0.11 79	0.10 236	0.11 70	0.21 291	0.08 47	0.16 198	0.13 43	0.20 122	0.22 172	0.10 40	0.10 37	0.11 73	0.10 87	0.15 165	0.11 85	0.05 2	0.05 106	0.06 31	0.05 31	0.06 101	0.05 51

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

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

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

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

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

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

IGEV-Stereo	0.09 11	0.07 69	0.11 70	0.16 68	0.09 130	0.11 82	0.15 115	0.16 42	0.12 25	0.09 15	0.06 2	0.06 3	0.06 6	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.05 31	0.05 40	0.06 98
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 134	0.09 189	0.12 90	0.19 226	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.19 223	0.14 79	0.11 73	0.09 66	0.20 259	0.16 221	0.05 2	0.05 106	0.07 98	0.06 86	0.05 40	0.06 98

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

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

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

test-3	0.08 2	0.06 19	0.09 28	0.17 114	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 114	0.07 18	0.07 16	0.14 69	0.12 4	0.15 69	0.09 15	0.08 17	0.07 17	0.08 49	0.11 45	0.10 49	0.05 2	0.04 2	0.07 98	0.05 31	0.04 1	0.04 7

test_3	0.10 50	0.09 189	0.10 44	0.20 267	0.08 47	0.13 129	0.26 340	0.14 15	0.21 161	0.10 40	0.10 37	0.09 37	0.09 66	0.08 6	0.11 85	0.05 2	0.04 2	0.08 162	0.07 160	0.04 1	0.04 7

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

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

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

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

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

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

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

ASMatch	0.11 79	0.06 19	0.13 127	0.16 68	0.10 215	0.07 16	0.14 69	0.17 72	0.17 99	0.12 82	0.16 101	0.16 161	0.10 87	0.13 132	0.10 49	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.08 216

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

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

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

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

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

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

cross-raft	0.10 50	0.09 189	0.09 28	0.19 226	0.07 18	0.11 82	0.25 334	0.13 9	0.15 69	0.08 5	0.11 52	0.12 88	0.10 87	0.09 10	0.11 85	0.05 2	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

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

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

iRaftStereo_RVC	0.10 50	0.07 69	0.09 28	0.17 114	0.09 130	0.11 82	0.17 190	0.18 96	0.12 25	0.09 15	0.12 60	0.10 57	0.07 31	0.11 45	0.10 49	0.05 2	0.04 2	0.08 162	0.08 210	0.04 1	0.04 7

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

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

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

RAFT-Stereo + iAFF	0.09 11	0.06 19	0.10 44	0.17 114	0.06 2	0.10 56	0.16 170	0.17 72	0.14 58	0.09 15	0.10 37	0.08 25	0.09 66	0.11 45	0.09 19	0.05 2	0.04 2	0.06 31	0.06 86	0.04 1	0.03 1

AFF-stereo	0.09 11	0.06 19	0.10 44	0.17 114	0.07 18	0.10 56	0.16 170	0.17 72	0.09 2	0.10 40	0.12 60	0.09 37	0.09 66	0.12 100	0.09 19	0.05 2	0.04 2	0.07 98	0.07 160	0.04 1	0.03 1

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

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

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

MyStereo07	0.10 50	0.07 69	0.10 44	0.17 114	0.09 130	0.14 153	0.18 230	0.15 26	0.15 69	0.09 15	0.06 2	0.06 3	0.07 31	0.12 100	0.09 19	0.06 54	0.05 106	0.08 162	0.07 160	0.06 101	0.06 98

MyStereo06	0.10 50	0.07 69	0.12 90	0.17 114	0.09 130	0.13 129	0.18 230	0.19 115	0.12 25	0.12 82	0.08 17	0.07 17	0.07 31	0.11 45	0.09 19	0.06 54	0.05 106	0.07 98	0.07 160	0.06 101	0.06 98

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

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

ACVNet-DCA	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

xx1	0.11 79	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.16 161	0.16 225	0.10 18	0.07 1	0.06 54	0.04 2	0.08 162	0.08 210	0.07 155	0.07 156

1test111	0.11 79	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.23 172	0.16 87	0.09 15	0.09 23	0.06 3	0.06 6	0.15 165	0.16 221	0.06 54	0.04 2	0.06 31	0.05 31	0.07 155	0.07 156

cc1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.13 129	0.15 115	0.16 42	0.18 116	0.09 15	0.09 23	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

IGEVStereo-DCA	0.09 11	0.06 19	0.11 70	0.15 38	0.10 215	0.11 82	0.15 115	0.16 42	0.12 25	0.10 40	0.06 2	0.08 25	0.06 6	0.10 18	0.08 11	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

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

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

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

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

tt1	0.10 50	0.08 140	0.12 90	0.17 114	0.09 130	0.12 104	0.16 170	0.15 26	0.19 127	0.09 15	0.08 17	0.06 3	0.06 6	0.10 18	0.07 1	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.06 98

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

MSKI-zero shot	0.09 11	0.05 6	0.09 28	0.15 38	0.07 18	0.10 56	0.13 43	0.14 15	0.13 41	0.09 15	0.09 23	0.09 37	0.06 6	0.12 100	0.10 49	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

CASnet	0.09 11	0.09 189	0.09 28	0.19 226	0.06 2	0.07 16	0.11 11	0.18 96	0.14 58	0.11 58	0.10 37	0.09 37	0.07 31	0.10 18	0.10 49	0.06 54	0.04 2	0.10 266	0.08 210	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 299	0.14 153	0.13 43	0.14 15	0.09 2	0.07 2	0.09 23	0.07 17	0.08 49	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

RAFT-Test	0.09 11	0.06 19	0.10 44	0.15 38	0.07 18	0.11 82	0.15 115	0.16 42	0.13 41	0.09 15	0.10 37	0.10 57	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

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

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

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

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

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

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

DCRE	0.11 79	0.07 69	0.13 127	0.16 68	0.11 253	0.11 82	0.17 190	0.18 96	0.17 99	0.11 58	0.18 141	0.10 57	0.10 87	0.15 165	0.11 85	0.06 54	0.05 106	0.06 31	0.06 86	0.05 40	0.04 7

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 114	0.06 2	0.10 56	0.14 69	0.12 4	0.10 7	0.09 15	0.12 60	0.09 37	0.06 6	0.11 45	0.10 49	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

RCA-Stereo	0.09 11	0.06 19	0.09 28	0.16 68	0.06 2	0.09 35	0.13 43	0.18 96	0.14 58	0.09 15	0.10 37	0.08 25	0.07 31	0.12 100	0.11 85	0.06 54	0.04 2	0.06 31	0.05 31	0.05 40	0.04 7

CroCo-Stereo Lap2	0.09 11	0.09 189	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	0.16 42	0.12 25	0.09 15	0.10 37	0.05 1	0.05 2	0.08 6	0.08 11	0.06 54	0.06 188	0.07 98	0.05 31	0.05 40	0.05 51

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

DCANet-4	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.18 96	0.19 127	0.13 103	0.16 101	0.09 37	0.14 192	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.04 1	0.05 51

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

ADStereo(finetuned)	0.10 50	0.06 19	0.12 90	0.16 68	0.06 2	0.09 35	0.17 190	0.15 26	0.19 127	0.13 103	0.17 119	0.10 57	0.12 137	0.11 45	0.12 127	0.06 54	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

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

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

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

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

iRaft-Stereo_20w	0.09 11	0.05 6	0.13 127	0.14 13	0.08 47	0.12 104	0.15 115	0.18 96	0.10 7	0.11 58	0.08 17	0.08 25	0.05 2	0.10 18	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.06 101	0.05 51

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

IPLG	0.10 50	0.07 69	0.15 190	0.17 114	0.08 47	0.11 82	0.14 69	0.20 122	0.15 69	0.12 82	0.17 119	0.07 17	0.07 31	0.14 147	0.13 156	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

MIPNet	0.11 79	0.08 140	0.14 153	0.17 114	0.09 130	0.12 104	0.14 69	0.20 122	0.24 191	0.11 58	0.10 37	0.09 37	0.07 31	0.13 132	0.12 127	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

IPLGR	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.12 104	0.17 190	0.21 139	0.24 191	0.11 58	0.12 60	0.11 73	0.08 49	0.12 100	0.12 127	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

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

Patchmatch Stereo++	0.11 79	0.09 189	0.16 220	0.18 181	0.08 47	0.06 2	0.11 11	0.16 42	0.13 41	0.15 147	0.16 101	0.14 126	0.12 137	0.11 45	0.10 49	0.06 54	0.04 2	0.08 162	0.06 86	0.08 197	0.07 156
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 79	0.07 69	0.16 220	0.19 226	0.09 130	0.08 23	0.13 43	0.18 96	0.13 41	0.16 172	0.21 172	0.13 111	0.14 192	0.11 45	0.14 184	0.06 54	0.04 2	0.09 225	0.06 86	0.06 101	0.05 51

OMP-Stereo	0.11 79	0.06 19	0.14 153	0.18 181	0.08 47	0.09 35	0.12 21	0.21 139	0.21 161	0.13 103	0.14 79	0.11 73	0.12 137	0.11 45	0.13 156	0.06 54	0.04 2	0.07 98	0.06 86	0.05 40	0.04 7

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

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

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

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

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

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

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

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

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

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

THIR-Stereo	0.12 134	0.07 69	0.11 70	0.15 38	0.08 47	0.14 153	0.16 170	0.17 72	0.25 210	0.16 172	0.24 195	0.14 126	0.12 137	0.12 100	0.14 184	0.06 54	0.04 2	0.07 98	0.07 160	0.05 40	0.05 51

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

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

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

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

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

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

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

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

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

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

test-1	0.10 50	0.07 69	0.16 220	0.19 226	0.08 47	0.11 82	0.24 320	0.14 15	0.18 116	0.09 15	0.07 14	0.09 37	0.08 49	0.07 1	0.09 19	0.06 54	0.04 2	0.06 31	0.05 31	0.04 1	0.04 7

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

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 18	0.09 35	0.12 21	0.14 15	0.14 58	0.10 40	0.14 79	0.08 25	0.07 31	0.09 10	0.11 85	0.06 54	0.04 2	0.05 2	0.05 31	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-TBD	0.09 11	0.06 19	0.07 2	0.14 13	0.07 18	0.12 104	0.16 170	0.14 15	0.13 41	0.11 58	0.12 60	0.09 37	0.08 49	0.10 18	0.10 49	0.06 54	0.04 2	0.05 2	0.03 1	0.06 101	0.05 51

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

XX-Stereo	0.09 11	0.05 6	0.08 11	0.17 114	0.09 130	0.15 175	0.12 21	0.20 122	0.10 7	0.10 40	0.14 79	0.07 17	0.06 6	0.12 100	0.08 11	0.06 54	0.05 106	0.06 31	0.06 86	0.04 1	0.04 7

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

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

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

111	0.10 50	0.06 19	0.12 90	0.15 38	0.07 18	0.10 56	0.14 69	0.21 139	0.23 181	0.11 58	0.12 60	0.14 126	0.11 108	0.13 132	0.10 49	0.06 54	0.04 2	0.06 31	0.04 8	0.05 40	0.05 51

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

CFNet-RSSM	0.09 11	0.07 69	0.09 28	0.16 68	0.07 18	0.09 35	0.15 115	0.16 42	0.17 99	0.08 5	0.12 60	0.10 57	0.09 66	0.11 45	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

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

Gwc-CoAtRS	0.09 11	0.06 19	0.10 44	0.16 68	0.07 18	0.10 56	0.14 69	0.17 72	0.17 99	0.08 5	0.10 37	0.12 88	0.09 66	0.12 100	0.09 19	0.06 54	0.04 2	0.06 31	0.04 8	0.04 1	0.04 7

DIP-Stereo	0.11 79	0.07 69	0.14 153	0.17 114	0.09 130	0.13 129	0.09 3	0.16 42	0.16 87	0.11 58	0.16 101	0.14 126	0.12 137	0.15 165	0.13 156	0.06 54	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.14 185	0.08 140	0.11 70	0.15 38	0.08 47	0.15 175	0.15 115	0.27 232	0.29 248	0.19 223	0.21 172	0.29 289	0.14 192	0.17 218	0.13 156	0.06 54	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
AANet_RVC	0.16 236	0.10 236	0.10 44	0.18 181	0.09 130	0.18 232	0.19 261	0.26 214	0.31 261	0.22 261	0.35 303	0.21 215	0.21 280	0.22 286	0.16 221	0.06 54	0.05 106	0.06 31	0.06 86	0.07 155	0.06 98

HITNet	0.10 50	0.06 19	0.12 90	0.14 13	0.06 2	0.11 82	0.10 6	0.18 96	0.18 116	0.13 103	0.16 101	0.14 126	0.11 108	0.15 165	0.13 156	0.06 54	0.04 2	0.04 1	0.04 8	0.06 101	0.05 51
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
iResNetv2_ROB	0.14 185	0.08 140	0.15 190	0.16 68	0.08 47	0.16 198	0.12 21	0.25 202	0.35 291	0.21 248	0.29 266	0.24 250	0.13 169	0.14 147	0.14 184	0.06 54	0.05 106	0.06 31	0.04 8	0.09 245	0.08 216

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

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

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

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

whm_eth	0.14 185	0.09 189	0.20 279	0.20 267	0.12 282	0.12 104	0.15 115	0.18 96	0.28 241	0.17 184	0.32 282	0.09 37	0.12 137	0.18 229	0.14 184	0.07 141	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156

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

StereoIM	0.09 11	0.09 189	0.08 11	0.17 114	0.09 130	0.13 129	0.10 6	0.16 42	0.16 87	0.09 15	0.11 52	0.06 3	0.06 6	0.09 10	0.13 156	0.07 141	0.06 188	0.07 98	0.05 31	0.05 40	0.04 7

MIF-Stereo	0.09 11	0.07 69	0.08 11	0.18 181	0.08 47	0.13 129	0.11 11	0.12 4	0.11 17	0.10 40	0.12 60	0.05 1	0.07 31	0.09 10	0.09 19	0.07 141	0.05 106	0.05 2	0.05 31	0.05 40	0.05 51

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

Any-RAFT	0.10 50	0.05 6	0.09 28	0.14 13	0.07 18	0.13 129	0.14 69	0.21 139	0.15 69	0.11 58	0.12 60	0.12 88	0.09 66	0.12 100	0.09 19	0.07 141	0.04 2	0.05 2	0.04 8	0.06 101	0.05 51

LoS	0.09 11	0.05 6	0.11 70	0.13 6	0.07 18	0.14 153	0.11 11	0.15 26	0.15 69	0.09 15	0.09 23	0.12 88	0.09 66	0.15 165	0.10 49	0.07 141	0.05 106	0.05 2	0.03 1	0.05 40	0.05 51

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

anonymousa	0.13 156	0.07 69	0.13 127	0.18 181	0.09 130	0.13 129	0.17 190	0.19 115	0.29 248	0.15 147	0.24 195	0.15 150	0.14 192	0.14 147	0.14 184	0.07 141	0.05 106	0.07 98	0.09 249	0.05 40	0.06 98

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

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

Wz-Net-LNSev-Ref	0.18 267	0.09 189	0.29 325	0.15 38	0.10 215	0.22 286	0.20 276	0.26 214	0.39 310	0.25 294	0.42 345	0.24 250	0.15 205	0.20 259	0.19 255	0.07 141	0.05 106	0.06 31	0.05 31	0.10 272	0.09 249

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

CIPLG	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.11 52	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

IPLGR_C	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.15 69	0.14 123	0.10 37	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

ACRE	0.11 79	0.08 140	0.14 153	0.17 114	0.08 47	0.12 104	0.15 115	0.17 72	0.14 58	0.14 123	0.10 37	0.16 161	0.09 66	0.16 196	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.06 98

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

TRStereo	0.09 11	0.05 6	0.12 90	0.15 38	0.12 282	0.10 56	0.13 43	0.18 96	0.18 116	0.09 15	0.09 23	0.09 37	0.06 6	0.10 18	0.08 11	0.07 141	0.05 106	0.07 98	0.07 160	0.04 1	0.04 7

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

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

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

CroCo-Stereo	0.09 11	0.08 140	0.08 11	0.22 304	0.09 130	0.09 35	0.19 261	0.15 26	0.12 25	0.07 2	0.07 14	0.08 25	0.06 6	0.08 6	0.07 1	0.07 141	0.05 106	0.06 31	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
LMCR-Stereo	0.15 218	0.08 140	0.13 127	0.21 291	0.09 130	0.17 217	0.20 276	0.27 232	0.19 127	0.24 281	0.24 195	0.23 244	0.17 244	0.20 259	0.17 232	0.07 141	0.06 188	0.08 162	0.06 86	0.10 272	0.08 216

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

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

TANstereo	0.09 11	0.04 1	0.08 11	0.13 6	0.06 2	0.11 82	0.14 69	0.15 26	0.19 127	0.11 58	0.15 93	0.10 57	0.06 6	0.12 100	0.09 19	0.07 141	0.05 106	0.05 2	0.04 8	0.06 101	0.05 51

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

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

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

GMStereo	0.13 156	0.14 303	0.14 153	0.18 181	0.09 130	0.15 175	0.16 170	0.20 122	0.24 191	0.16 172	0.17 119	0.10 57	0.10 87	0.16 196	0.13 156	0.07 141	0.06 188	0.06 31	0.06 86	0.07 155	0.06 98
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
UNet	0.17 255	0.09 189	0.18 262	0.19 226	0.12 282	0.27 329	0.19 261	0.33 302	0.29 248	0.21 248	0.24 195	0.23 244	0.19 268	0.19 240	0.18 246	0.07 141	0.06 188	0.08 162	0.07 160	0.08 197	0.06 98

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

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

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

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

R-Stereo Train	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51

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

RAFT-Stereo	0.10 50	0.06 19	0.10 44	0.17 114	0.08 47	0.11 82	0.14 69	0.23 172	0.11 17	0.12 82	0.19 147	0.11 73	0.08 49	0.09 10	0.11 85	0.07 141	0.05 106	0.06 31	0.05 31	0.05 40	0.05 51
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RASNet	0.14 185	0.07 69	0.14 153	0.16 68	0.08 47	0.18 232	0.14 69	0.29 256	0.20 148	0.17 184	0.25 224	0.21 215	0.18 253	0.20 259	0.19 255	0.07 141	0.06 188	0.06 31	0.08 210	0.06 101	0.06 98

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

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

HSM	0.15 218	0.08 140	0.14 153	0.16 68	0.09 130	0.16 198	0.14 69	0.28 246	0.25 210	0.19 223	0.23 187	0.37 335	0.16 225	0.20 259	0.15 207	0.07 141	0.05 106	0.07 98	0.06 86	0.07 155	0.06 98

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

LE_ROB	0.50 381	0.07 69	0.14 153	0.15 38	0.08 47	0.24 304	0.16 170	0.22 155	1.81 413	4.63 417	0.67 377	0.47 368	0.44 374	0.20 259	0.29 346	0.07 141	0.06 188	0.06 31	0.06 86	0.08 197	0.06 98

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

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

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

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

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

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

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

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

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

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

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

CAS	0.08 2	0.04 1	0.07 2	0.17 114	0.08 47	0.10 56	0.13 43	0.12 4	0.09 2	0.09 15	0.10 37	0.08 25	0.06 6	0.09 10	0.08 11	0.08 189	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

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

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

knoymous	0.11 79	0.05 6	0.12 90	0.13 6	0.07 18	0.15 175	0.14 69	0.19 115	0.13 41	0.11 58	0.17 119	0.13 111	0.09 66	0.13 132	0.11 85	0.08 189	0.05 106	0.06 31	0.05 31	0.08 197	0.07 156

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

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

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

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

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

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

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

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

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

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

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

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

AnonymousM	0.09 11	0.05 6	0.10 44	0.14 13	0.06 2	0.09 35	0.13 43	0.19 115	0.14 58	0.13 103	0.11 52	0.09 37	0.08 49	0.13 132	0.10 49	0.08 189	0.05 106	0.08 162	0.05 31	0.05 40	0.05 51

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

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

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

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

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

SFCPSM	0.13 156	0.07 69	0.14 153	0.17 114	0.09 130	0.15 175	0.16 170	0.28 246	0.27 230	0.14 123	0.17 119	0.12 88	0.13 169	0.14 147	0.11 85	0.08 189	0.05 106	0.07 98	0.07 160	0.07 155	0.06 98

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

aanetorigin	0.22 304	0.17 327	0.56 371	0.17 114	0.10 215	0.15 175	0.19 261	0.20 122	0.33 273	0.49 372	0.48 355	0.29 289	0.27 320	0.20 259	0.23 299	0.08 189	0.07 245	0.08 162	0.07 160	0.10 272	0.09 249

EDNetEfficientorigin	7.91 418	0.31 375	153.02 437	0.19 226	0.09 130	0.21 278	0.16 170	0.22 155	0.59 369	0.72 387	0.67 377	0.42 353	0.50 379	0.24 305	0.39 373	0.08 189	0.07 245	0.08 162	0.07 160	0.12 301	0.10 268

CREStereo	0.09 11	0.04 1	0.08 11	0.11 1	0.06 2	0.13 129	0.14 69	0.14 15	0.10 7	0.08 5	0.13 70	0.09 37	0.08 49	0.11 45	0.10 49	0.08 189	0.04 2	0.05 2	0.03 1	0.06 101	0.06 98
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
FENet	0.13 156	0.08 140	0.12 90	0.16 68	0.08 47	0.14 153	0.15 115	0.22 155	0.23 181	0.17 184	0.23 187	0.16 161	0.12 137	0.14 147	0.15 207	0.08 189	0.05 106	0.08 162	0.08 210	0.07 155	0.07 156

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

SuperB	0.20 286	0.10 236	0.56 371	0.16 68	0.09 130	0.18 232	0.18 230	0.24 189	0.50 351	0.26 299	0.39 325	0.17 180	0.21 280	0.22 286	0.21 280	0.08 189	0.06 188	0.06 31	0.06 86	0.12 301	0.10 268

ADCL	0.24 327	0.11 256	0.47 361	0.22 304	0.12 282	0.34 353	0.29 360	0.29 256	0.56 363	0.24 281	0.46 352	0.30 297	0.30 340	0.29 333	0.29 346	0.08 189	0.07 245	0.09 225	0.09 249	0.10 272	0.10 268

CFNet	0.15 218	0.10 236	0.17 245	0.17 114	0.08 47	0.18 232	0.09 3	0.28 246	0.25 210	0.19 223	0.24 195	0.24 250	0.17 244	0.17 218	0.14 184	0.08 189	0.06 188	0.09 225	0.10 281	0.07 155	0.06 98

StereoDRNet-Refined	0.17 255	0.12 270	0.15 190	0.20 267	0.09 130	0.18 232	0.18 230	0.26 214	0.23 181	0.26 299	0.40 330	0.22 232	0.17 244	0.21 275	0.20 261	0.08 189	0.05 106	0.09 225	0.10 281	0.07 155	0.07 156
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DISCO	0.19 277	0.09 189	0.22 289	0.17 114	0.10 215	0.25 314	0.18 230	0.27 232	0.44 334	0.22 261	0.31 278	0.33 319	0.26 312	0.28 326	0.28 343	0.08 189	0.06 188	0.07 98	0.07 160	0.09 245	0.09 249

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

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

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

CFNet_ucs	0.15 218	0.08 140	0.16 220	0.16 68	0.11 253	0.14 153	0.14 69	0.30 270	0.34 284	0.16 172	0.24 195	0.23 244	0.14 192	0.18 229	0.15 207	0.09 234	0.06 188	0.08 162	0.07 160	0.09 245	0.09 249

coex-ft	3.30 412	0.34 378	59.09 436	0.18 181	0.13 299	0.26 322	0.22 301	0.27 232	0.72 384	1.90 414	0.70 381	0.44 359	0.45 375	0.29 333	0.41 378	0.09 234	0.09 290	0.12 308	0.09 249	0.14 330	0.13 316

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

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

CASS	0.13 156	0.12 270	0.11 70	0.23 323	0.09 130	0.15 175	0.17 190	0.18 96	0.19 127	0.17 184	0.18 141	0.15 150	0.15 205	0.14 147	0.14 184	0.09 234	0.06 188	0.10 266	0.08 210	0.09 245	0.07 156
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
riskmin	0.11 79	0.06 19	0.13 127	0.14 13	0.08 47	0.14 153	0.14 69	0.18 96	0.14 58	0.11 58	0.14 79	0.16 161	0.11 108	0.14 147	0.12 127	0.09 234	0.05 106	0.07 98	0.05 31	0.08 197	0.08 216

Wz-Net-MNSev	0.22 304	0.13 291	0.31 330	0.20 267	0.14 316	0.36 362	0.24 320	0.33 302	0.44 334	0.28 316	0.40 330	0.38 339	0.19 268	0.24 305	0.25 318	0.09 234	0.07 245	0.09 225	0.09 249	0.12 301	0.10 268

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

CSP-Net	0.16 236	0.09 189	0.14 153	0.16 68	0.09 130	0.19 252	0.17 190	0.25 202	0.32 267	0.25 294	0.30 270	0.24 250	0.15 205	0.21 275	0.18 246	0.09 234	0.06 188	0.07 98	0.07 160	0.08 197	0.07 156

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

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

ICVP	0.15 218	0.09 189	0.12 90	0.22 304	0.09 130	0.17 217	0.21 292	0.25 202	0.23 181	0.18 210	0.30 270	0.26 268	0.18 253	0.17 218	0.14 184	0.09 234	0.07 245	0.08 162	0.07 160	0.07 155	0.07 156
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sAnonymous2	0.13 156	0.12 270	0.24 301	0.20 267	0.12 282	0.17 217	0.13 43	0.26 214	0.21 161	0.11 58	0.11 52	0.13 111	0.08 49	0.10 18	0.10 49	0.09 234	0.05 106	0.08 162	0.06 86	0.15 341	0.10 268

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

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

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

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

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

EDNetEfficient	0.29 352	0.24 359	1.13 401	0.18 181	0.10 215	0.19 252	0.20 276	0.20 122	0.60 372	0.74 391	0.56 370	0.31 307	0.39 362	0.22 286	0.30 350	0.09 234	0.07 245	0.08 162	0.07 160	0.11 287	0.09 249

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

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

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

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

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

PA-Net	0.23 319	0.18 337	0.33 335	0.28 358	0.22 366	0.21 278	0.38 382	0.29 256	0.39 310	0.22 261	0.32 282	0.25 260	0.26 312	0.20 259	0.25 318	0.09 234	0.23 379	0.15 340	0.22 366	0.09 245	0.13 316
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NLCA_NET_v2_RVC	0.17 255	0.10 236	0.22 289	0.20 267	0.10 215	0.15 175	0.18 230	0.31 276	0.25 210	0.21 248	0.30 270	0.25 260	0.17 244	0.21 275	0.20 261	0.09 234	0.06 188	0.08 162	0.08 210	0.07 155	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NVstereo2D	0.19 277	0.10 236	0.15 190	0.17 114	0.15 327	0.28 335	0.23 311	0.44 366	0.42 325	0.15 147	0.27 246	0.25 260	0.19 268	0.22 286	0.17 232	0.09 234	0.06 188	0.10 266	0.08 210	0.15 341	0.09 249

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

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

Wz-Net-SNSev	0.25 336	0.17 327	0.44 356	0.25 339	0.14 316	0.26 322	0.23 311	0.38 343	0.56 363	0.30 325	0.55 365	0.39 347	0.26 312	0.23 297	0.30 350	0.10 265	0.09 290	0.09 225	0.10 281	0.11 287	0.11 291

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

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

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

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

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

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

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

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

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

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

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

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

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

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

RTS	0.45 377	0.19 340	3.26 411	0.24 328	0.15 327	0.74 392	0.20 276	0.36 331	0.76 389	0.42 363	0.43 348	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

RTSA	0.45 377	0.19 340	3.26 411	0.24 328	0.15 327	0.74 392	0.20 276	0.36 331	0.76 389	0.42 363	0.43 348	0.31 307	0.41 369	0.53 383	0.35 364	0.10 265	0.08 267	0.13 322	0.12 322	0.15 341	0.15 341

ADCMid	0.25 336	0.15 309	0.40 352	0.20 267	0.14 316	0.25 314	0.26 340	0.34 312	0.38 307	0.36 345	0.44 350	0.34 325	0.40 365	0.35 354	0.33 361	0.10 265	0.09 290	0.11 293	0.11 304	0.13 318	0.12 302

RYNet	0.22 304	0.12 270	0.22 289	0.19 226	0.17 350	0.46 369	0.26 340	0.38 343	0.48 344	0.24 281	0.28 255	0.34 325	0.23 295	0.20 259	0.30 350	0.10 265	0.06 188	0.09 225	0.09 249	0.13 318	0.15 341

GANet	0.21 295	0.12 270	0.21 284	0.24 328	0.13 299	0.22 286	0.22 301	0.41 356	0.26 223	0.31 331	0.42 345	0.37 335	0.28 328	0.23 297	0.22 289	0.10 265	0.12 327	0.10 266	0.09 249	0.10 272	0.08 216

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

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

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

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

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

APVNet	0.22 304	0.12 270	0.19 271	0.18 181	0.14 316	0.32 344	0.31 373	0.39 347	0.32 267	0.27 305	0.40 330	0.30 297	0.29 336	0.26 312	0.25 318	0.11 286	0.12 327	0.11 293	0.14 335	0.12 301	0.12 302

psmorigin	0.25 336	0.15 309	0.34 343	0.17 114	0.13 299	0.23 299	0.14 69	0.34 312	0.33 273	0.41 360	0.55 365	0.41 352	0.37 359	0.34 348	0.27 335	0.11 286	0.15 353	0.11 293	0.11 304	0.12 301	0.16 352

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

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

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

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

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

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

G-Net	0.24 327	0.16 316	0.36 344	0.22 304	0.16 337	0.51 375	0.23 311	0.29 256	0.34 284	0.36 345	0.38 317	0.31 307	0.29 336	0.27 315	0.26 328	0.11 286	0.09 290	0.12 308	0.09 249	0.16 348	0.13 316

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

DANet	0.21 295	0.15 309	0.28 319	0.25 339	0.13 299	0.22 286	0.19 261	0.27 232	0.27 230	0.28 316	0.32 282	0.35 329	0.31 344	0.31 337	0.23 299	0.11 286	0.09 290	0.11 293	0.10 281	0.13 318	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
TDLM	0.17 255	0.12 270	0.13 127	0.24 328	0.10 215	0.18 232	0.18 230	0.36 331	0.30 255	0.21 248	0.28 255	0.28 282	0.18 253	0.23 297	0.18 246	0.11 286	0.07 245	0.10 266	0.10 281	0.08 197	0.08 216

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

DPSNet	0.28 348	0.16 316	0.31 330	0.18 181	0.13 299	0.54 377	0.42 386	0.51 378	0.67 380	0.29 322	0.38 317	0.38 339	0.29 336	0.31 337	0.23 299	0.11 286	0.10 308	0.11 293	0.08 210	0.20 363	0.16 352

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

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

MDST_ROB	0.22 304	0.10 236	0.17 245	0.18 181	0.11 253	0.37 363	0.19 261	0.43 364	0.41 319	0.39 353	0.39 325	0.29 289	0.21 280	0.26 312	0.18 246	0.11 286	0.10 308	0.14 332	0.11 304	0.10 272	0.08 216

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

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

WCMA_ROB	0.24 327	0.11 256	0.22 289	0.17 114	0.14 316	0.32 344	0.15 115	0.32 285	0.32 267	0.38 351	0.53 362	0.40 350	0.34 353	0.34 348	0.25 318	0.11 286	0.12 327	0.12 308	0.10 281	0.14 330	0.14 333

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

Wz-Net-TNSev	0.29 352	0.20 345	0.65 378	0.19 226	0.15 327	0.38 365	0.27 347	0.35 325	0.55 361	0.34 342	0.42 345	0.45 361	0.38 360	0.32 343	0.30 350	0.12 310	0.13 340	0.10 266	0.12 322	0.15 341	0.14 333

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

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

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

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

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

NCC-stereo	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 367	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316

Abc-Net	0.24 327	0.15 309	0.31 330	0.26 344	0.16 337	0.20 264	0.30 367	0.40 351	0.40 316	0.24 281	0.38 317	0.33 319	0.28 328	0.36 359	0.27 335	0.12 310	0.11 318	0.15 340	0.22 366	0.13 318	0.13 316
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 343	0.15 309	0.30 328	0.24 328	0.18 357	0.22 286	0.15 115	0.38 343	0.71 383	0.32 337	0.41 340	0.36 331	0.28 328	0.32 343	0.29 346	0.12 310	0.11 318	0.14 332	0.13 331	0.16 348	0.20 367

AnyNet_C32	0.26 343	0.16 316	0.36 344	0.20 267	0.16 337	0.25 314	0.30 367	0.32 285	0.44 334	0.31 331	0.49 356	0.30 297	0.33 349	0.40 371	0.33 361	0.12 310	0.12 327	0.12 308	0.14 335	0.14 330	0.15 341

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

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

UCFNet_RVC	0.14 185	0.08 140	0.13 127	0.11 1	0.10 215	0.20 264	0.10 6	0.24 189	0.22 172	0.17 184	0.20 158	0.23 244	0.15 205	0.17 218	0.15 207	0.12 310	0.07 245	0.10 266	0.13 331	0.11 287	0.10 268

AdaStereo	0.15 218	0.11 256	0.15 190	0.18 181	0.09 130	0.20 264	0.11 11	0.32 285	0.28 241	0.20 240	0.23 187	0.20 209	0.13 169	0.19 240	0.14 184	0.12 310	0.05 106	0.10 266	0.07 160	0.09 245	0.07 156
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
LSM	0.33 363	0.20 345	0.58 373	0.26 344	0.60 399	0.34 353	0.25 334	0.42 361	0.48 344	0.45 369	0.58 373	0.42 353	0.36 357	0.35 354	0.25 318	0.12 310	0.20 369	0.14 332	0.16 348	0.19 362	0.33 387

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

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

DispFullNet	0.27 345	0.21 351	0.65 378	0.28 358	0.16 337	0.26 322	0.17 190	0.33 302	0.58 368	0.27 305	0.38 317	0.43 357	0.23 295	0.38 364	0.23 299	0.12 310	0.06 188	0.19 359	0.11 304	0.21 364	0.15 341

PSMNet_ROB	0.21 295	0.11 256	0.15 190	0.27 355	0.15 327	0.24 304	0.35 377	0.43 364	0.37 302	0.27 305	0.32 282	0.32 316	0.22 289	0.21 275	0.26 328	0.12 310	0.08 267	0.13 322	0.11 304	0.09 245	0.09 249

DLNR_Zeroshot_test	10.40 422	1.82 417	19.49 432	120.77 438	13.11 428	0.06 2	0.13 43	0.23 172	0.10 7	0.07 2	0.10 37	0.09 37	0.06 6	0.10 18	0.09 19	0.13 330	0.04 2	0.06 31	0.04 8	51.54 437	0.04 7

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

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

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

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

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

AnyNet_C01	0.36 366	0.25 364	1.37 404	0.22 304	0.17 350	0.48 373	0.27 347	0.35 325	0.39 310	0.39 353	0.74 385	0.46 365	0.38 360	0.45 375	0.47 384	0.13 330	0.13 340	0.13 322	0.14 335	0.14 330	0.15 341

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

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

SGM_RVC	0.23 319	0.12 270	0.15 190	0.15 38	0.09 130	0.33 350	0.18 230	0.34 312	0.31 261	0.44 368	0.37 312	0.53 374	0.35 355	0.35 354	0.24 309	0.13 330	0.13 340	0.13 322	0.13 331	0.10 272	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
CBMV	0.19 277	0.14 303	0.17 245	0.18 181	0.10 215	0.20 264	0.11 11	0.29 256	0.30 255	0.29 322	0.30 270	0.30 297	0.23 295	0.27 315	0.19 255	0.13 330	0.15 353	0.17 349	0.16 348	0.10 272	0.10 268
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
HBP-ISP	0.18 267	0.13 291	0.16 220	0.15 38	0.11 253	0.08 23	0.13 43	0.28 246	0.29 248	0.22 261	0.33 295	0.21 215	0.25 309	0.23 297	0.17 232	0.14 341	0.16 356	0.21 362	0.17 355	0.10 272	0.08 216

SGM-ForestM	0.32 360	0.12 270	0.16 220	0.16 68	0.11 253	0.39 366	0.19 261	0.41 356	0.50 351	0.52 374	0.54 364	1.32 404	0.42 372	0.40 371	0.27 335	0.14 341	0.16 356	0.16 346	0.16 348	0.12 301	0.12 302

MeshStereo	0.27 345	0.13 291	0.18 262	0.15 38	0.11 253	0.32 344	0.24 320	0.40 351	0.36 296	0.52 374	0.57 371	0.67 385	0.40 365	0.35 354	0.26 328	0.14 341	0.13 340	0.13 322	0.11 304	0.11 287	0.10 268
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
SQANet	0.23 319	0.23 356	0.30 328	0.30 367	0.19 359	0.27 329	0.13 43	0.29 256	0.33 273	0.24 281	0.37 312	0.31 307	0.22 289	0.27 315	0.23 299	0.15 344	0.10 308	0.21 362	0.16 348	0.21 364	0.15 341

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

MFN_U_SF_RVC	0.32 360	0.21 351	0.55 369	0.30 367	0.15 327	0.34 353	0.17 190	0.52 379	0.46 342	0.46 371	0.55 365	0.59 377	0.39 362	0.35 354	0.37 369	0.15 344	0.14 347	0.18 357	0.21 363	0.16 348	0.15 341

PMTNet	0.09 11	0.05 6	0.09 28	0.12 3	0.06 2	0.12 104	0.14 69	0.15 26	0.11 17	0.09 15	0.13 70	0.10 57	0.07 31	0.13 132	0.10 49	0.15 344	0.04 2	0.05 2	0.03 1	0.07 155	0.06 98

SAMSARA	0.40 370	0.28 370	0.33 335	0.55 390	0.39 384	0.82 399	1.23 413	0.47 372	0.51 358	0.36 345	0.35 303	0.55 376	0.39 362	0.38 364	0.39 373	0.15 344	0.20 369	0.15 340	0.14 335	0.23 367	0.20 367

DeepPrunerF	0.24 327	0.17 327	0.42 355	0.26 344	0.16 337	0.22 286	0.28 352	0.37 336	0.50 351	0.26 299	0.29 266	0.24 250	0.28 328	0.21 275	0.22 289	0.15 344	0.11 318	0.20 361	0.18 359	0.12 301	0.13 316

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

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

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

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

SGM-Forest	0.20 286	0.14 303	0.18 262	0.19 226	0.13 299	0.20 264	0.22 301	0.33 302	0.30 255	0.24 281	0.29 266	0.28 282	0.19 268	0.23 297	0.17 232	0.15 344	0.16 356	0.15 340	0.14 335	0.12 301	0.12 302
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SDNR	0.19 277	0.08 140	0.19 271	0.16 68	0.12 282	0.77 398	0.14 69	0.25 202	0.32 267	0.19 223	0.24 195	0.19 199	0.13 169	0.19 240	0.15 207	0.16 355	0.18 363	0.14 332	0.11 304	0.08 197	0.11 291

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

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

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

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

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

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

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

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

BEATNet-Init1	0.52 382	0.27 367	0.62 376	0.30 367	0.21 364	0.76 396	0.29 360	0.54 382	0.65 378	0.86 396	0.95 396	2.07 414	0.62 389	0.56 387	0.42 379	0.18 361	0.18 363	0.23 367	0.22 366	0.22 366	0.21 369

MFN_U_SF_DS_RVC	0.30 357	0.24 359	0.29 325	0.36 377	0.16 337	0.34 353	0.30 367	0.32 285	0.42 325	0.40 356	0.46 352	0.38 339	0.31 344	0.34 348	0.28 343	0.19 365	0.20 369	0.26 369	0.29 378	0.18 359	0.19 366

PVD	0.39 367	0.20 345	0.39 350	0.31 371	0.22 366	0.29 338	0.43 388	0.52 379	0.96 396	0.55 377	0.79 389	0.53 374	0.59 386	0.52 381	0.38 371	0.19 365	0.14 347	0.17 349	0.14 335	0.24 374	0.31 385

MSC_U_SF_DS_RVC	0.43 374	0.39 382	0.54 367	0.40 379	0.20 362	0.64 384	0.32 375	0.53 381	0.72 384	0.71 385	0.72 382	0.61 379	0.54 380	0.51 379	0.46 383	0.20 367	0.19 366	0.29 378	0.30 380	0.23 367	0.18 361

CSAN	0.29 352	0.24 359	0.27 314	0.34 373	0.19 359	0.33 350	0.42 386	0.37 336	0.50 351	0.38 351	0.40 330	0.44 359	0.33 349	0.28 326	0.30 350	0.20 367	0.16 356	0.19 359	0.19 360	0.14 330	0.15 341

MSMD_ROB	0.31 358	0.26 365	0.26 308	0.24 328	0.21 364	0.34 353	0.25 334	0.34 312	0.39 310	0.40 356	0.69 379	0.45 361	0.40 365	0.34 348	0.27 335	0.20 367	0.19 366	0.26 369	0.25 372	0.23 367	0.22 371

FCDSN-DC	0.33 363	0.28 370	0.28 319	0.30 367	0.24 369	0.39 366	0.28 352	0.42 361	0.42 325	0.43 366	0.53 362	0.51 371	0.41 369	0.36 359	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 374
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 377	0.27 367	0.27 314	0.27 355	0.24 369	0.47 371	0.31 373	0.55 383	0.59 369	0.72 387	1.13 405	1.15 398	0.61 387	0.52 381	0.37 369	0.21 370	0.20 369	0.27 372	0.31 382	0.25 375	0.24 374

FC-DCNN	0.33 363	0.27 367	0.28 319	0.26 344	0.23 368	0.37 363	0.28 352	0.40 351	0.43 330	0.45 369	0.55 365	0.51 371	0.40 365	0.37 363	0.30 350	0.21 370	0.20 369	0.27 372	0.26 373	0.25 375	0.24 374

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

NVStereoNet_ROB	0.46 380	0.36 380	0.46 360	0.41 381	0.28 378	0.34 353	0.34 376	0.48 373	0.60 372	0.72 387	0.93 394	0.70 388	0.66 390	0.47 376	0.60 393	0.22 373	0.33 386	0.34 382	0.34 385	0.30 381	0.30 384
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ELAS_RVC	0.41 372	0.29 373	0.33 335	0.28 358	0.24 369	0.54 377	0.36 378	0.49 375	0.59 369	0.72 387	0.74 385	0.65 383	0.54 380	0.54 385	0.40 375	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 372	0.29 373	0.33 335	0.27 355	0.24 369	0.60 382	0.36 378	0.50 377	0.50 351	0.71 385	0.79 389	0.67 385	0.54 380	0.51 379	0.42 379	0.22 373	0.20 369	0.27 372	0.26 373	0.26 378	0.25 378
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ccnet	0.29 352	0.28 370	0.23 298	0.20 267	0.28 378	0.41 368	0.21 292	0.45 369	0.33 273	0.36 345	0.46 352	0.36 331	0.30 340	0.39 367	0.42 379	0.23 377	0.14 347	0.21 362	0.17 355	0.23 367	0.18 361

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

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

ACVNet_1	0.44 375	0.49 386	0.60 374	0.45 384	0.28 378	0.49 374	0.27 347	0.57 386	0.72 384	0.62 380	0.58 373	0.74 389	0.49 378	0.50 378	0.35 364	0.26 380	0.24 380	0.39 384	0.29 378	0.31 384	0.24 374

GANetREF_RVC	0.31 358	0.34 378	0.27 314	0.35 375	0.16 337	0.32 344	0.41 383	0.48 373	0.51 358	0.35 343	0.35 303	0.34 325	0.33 349	0.39 367	0.32 358	0.27 381	0.20 369	0.29 378	0.15 346	0.18 359	0.17 359
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
otaku	0.39 367	0.37 381	0.52 365	0.44 383	0.28 378	0.58 379	0.24 320	0.41 356	0.62 374	0.40 356	0.49 356	0.46 365	0.33 349	0.40 371	0.32 358	0.30 382	0.30 385	0.39 384	0.33 383	0.29 380	0.28 381

FADE		0.33 377		0.33 372	0.25 375			0.64 390	1.07 397	0.43 366		0.42 353		0.70 393		0.30 382	0.21 378	0.41 386	0.38 386	0.23 367	0.22 371

Ntro	0.40 370	0.40 383	0.53 366	0.46 387	0.30 382	0.65 385	0.24 320	0.46 371	0.68 381	0.41 360	0.49 356	0.48 369	0.42 372	0.39 367	0.31 357	0.32 384	0.28 383	0.37 383	0.30 380	0.32 385	0.29 382

ACVNet-4b	0.39 367	0.53 387	0.55 369	0.45 384	0.24 369	0.47 371	0.18 230	0.49 375	0.64 376	0.42 363	0.45 351	0.60 378	0.27 320	0.34 348	0.24 309	0.33 385	0.14 347	0.48 388	0.42 388	0.30 381	0.26 380

MADNet+	0.75 394	0.71 397	3.70 414	0.66 393	0.41 385	0.98 404	0.97 411	0.69 392	0.73 387	0.52 374	0.57 371	0.64 381	0.68 392	0.86 402	1.01 409	0.34 386	0.36 388	0.28 377	0.23 370	0.36 386	0.31 385

Consistency-Raft	0.44 375	0.40 383	0.45 357	0.37 378	0.43 387	0.46 369	0.41 383	0.57 386	0.55 361	0.32 337	0.73 383	0.33 319	0.48 377	0.42 374	0.49 386	0.39 387	0.35 387	0.45 387	0.51 395	0.42 387	0.29 382

JetBlue	0.71 391	0.45 385	1.14 402	0.51 388	0.47 389	2.02 413	0.64 400	0.75 393	0.70 382	0.69 384	0.77 388	1.22 400	0.83 397	1.03 410	1.01 409	0.40 388	0.28 383	0.33 381	0.33 383	0.30 381	0.34 388

IMH-64-1	0.65 388	0.61 391	0.68 386	0.71 394	0.51 390	0.59 380	0.49 390	0.91 398	0.85 391	0.74 391	1.02 398	0.81 390	0.78 395	0.79 395	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 390

IMH-64	0.65 388	0.61 391	0.68 386	0.71 394	0.51 390	0.59 380	0.49 390	0.91 398	0.85 391	0.74 391	1.02 398	0.81 390	0.78 395	0.79 395	0.49 386	0.42 389	0.46 390	0.71 396	0.47 390	0.52 390	0.39 390

ACVNet_2	0.66 390	0.66 395	0.68 386	0.63 392	0.41 385	0.71 390	0.49 390	0.96 402	1.39 406	0.89 397	1.09 401	1.04 394	0.73 393	0.54 385	0.47 384	0.43 391	0.40 389	0.53 393	0.44 389	0.47 388	0.35 389

IMH	0.71 391	0.64 394	0.68 386	0.76 396	0.54 392	0.69 388	0.54 394	0.98 404	1.10 399	0.82 395	1.09 401	0.89 392	0.88 400	0.87 403	0.52 390	0.44 392	0.50 399	0.75 399	0.51 395	0.56 395	0.41 393

RainbowNet	0.54 384	0.61 391	0.70 390	0.57 391	0.43 387	0.65 385	0.37 381	0.60 388	0.87 393	0.50 373	0.66 376	0.64 381	0.47 376	0.49 377	0.43 382	0.47 393	0.48 395	0.52 392	0.41 387	0.52 390	0.40 392

TorneroNet-64	0.76 395	0.72 398	0.74 391	0.78 398	0.58 398	0.91 403	0.56 395	0.84 396	1.29 403	0.66 381	0.90 392	1.40 406	0.75 394	0.85 401	0.67 399	0.49 394	0.46 390	0.72 398	0.59 398	0.67 399	0.53 395

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

TorneroNet	0.82 398	0.74 399	0.81 396	0.84 401	0.63 401	0.99 405	0.63 398	0.96 402	1.16 400	0.80 394	1.11 403	1.36 405	0.86 399	0.93 406	0.80 404	0.56 396	0.49 397	0.78 403	0.66 402	0.73 405	0.63 405

Dean	0.87 400	0.86 405	0.79 394	0.81 400	0.56 395	0.90 400	0.63 398	1.15 412	1.73 412	1.15 407	1.15 406	1.31 403	0.99 404	0.81 397	0.81 405	0.57 397	0.56 406	0.77 402	0.64 401	0.66 398	0.58 397

anonymity	0.53 383	0.58 389	0.65 378	0.41 381	0.61 400	0.53 376	0.41 383	0.56 384	0.41 319	0.55 377	0.50 360	0.49 370	0.55 383	0.58 388	0.50 389	0.58 398	0.50 399	0.51 390	0.51 395	0.51 389	0.57 396

SGM+DAISY	0.56 385	0.57 388	0.65 378	0.40 379	0.54 392	0.66 387	0.49 390	0.56 384	0.45 341	0.66 381	0.69 379	0.67 385	0.56 384	0.63 390	0.56 391	0.59 399	0.48 395	0.50 389	0.50 394	0.52 390	0.58 397

WAO-7	0.79 396	0.78 400	0.54 367	0.85 402	0.67 403	0.74 392	0.68 404	1.05 407	1.32 404	0.90 398	1.20 408	1.04 394	0.92 401	0.69 392	0.66 396	0.60 400	0.62 409	0.67 395	0.68 403	0.64 396	0.58 397

SPS-STEREO	0.57 386	0.58 389	0.65 378	0.45 384	0.55 394	0.62 383	0.44 389	0.62 389	0.50 351	0.68 383	0.64 375	0.66 384	0.57 385	0.61 389	0.60 393	0.62 401	0.47 394	0.51 390	0.49 392	0.55 394	0.58 397
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 387	0.66 395	0.65 378	0.51 388	0.69 404	0.69 388	0.57 396	0.64 390	0.73 387	0.60 379	0.73 383	0.62 380	0.67 391	0.65 391	0.60 393	0.66 402	0.58 408	0.63 394	0.59 398	0.68 400	0.69 406

WAO-6	0.81 397	0.80 401	0.62 376	0.86 403	0.63 401	0.76 396	0.58 397	0.98 404	1.54 411	0.90 398	0.96 397	1.07 396	1.03 405	0.70 393	0.66 396	0.72 403	0.49 397	0.90 406	0.71 404	0.68 400	0.58 397

PWCK	0.71 391	0.94 407	0.95 399	0.76 396	0.31 383	0.74 392	0.36 378	0.90 397	0.90 394	0.96 400	0.75 387	0.95 393	0.61 387	0.87 403	0.66 396	0.72 403	0.46 390	0.75 399	0.49 392	0.69 402	0.44 394

WAO-8	0.91 401	0.81 402	0.65 378	0.94 406	0.69 404	0.90 400	0.67 402	1.07 409	1.83 414	1.06 405	1.45 411	1.30 401	1.07 406	0.84 399	0.78 402	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 403

Venus	0.91 401	0.81 402	0.65 378	0.94 406	0.69 404	0.90 400	0.67 402	1.07 409	1.83 414	1.06 405	1.45 411	1.30 401	1.07 406	0.84 399	0.78 402	0.74 405	0.53 402	0.86 404	0.75 405	0.69 402	0.62 403

UNDER WATER	0.97 404	0.97 409	1.42 405	0.99 408	0.70 407	1.12 411	0.84 407	0.80 395	1.08 398	1.01 402	0.90 392	1.55 410	1.22 412	1.03 410	1.00 408	0.78 407	0.53 402	1.02 408	0.87 409	0.80 408	0.74 408

notaker	0.97 404	1.11 410	0.98 400	1.13 410	0.81 408	0.73 391	0.68 404	0.93 400	1.16 400	1.18 409	1.18 407	1.41 407	1.16 410	1.08 412	0.69 400	0.81 408	0.64 410	1.17 411	0.79 407	0.98 410	0.80 411

UNDER WATER-64	0.95 403	0.94 407	1.43 406	0.87 404	0.56 395	1.18 412	0.87 408	0.77 394	0.94 395	1.04 403	0.85 391	1.58 411	1.21 411	0.94 407	0.96 407	0.87 409	0.57 407	1.03 409	0.88 410	0.78 407	0.73 407

SPstereo	13.84 427	0.93 406	1.50 407	1.22 412	0.88 411	28.82 430	48.26 430	26.77 438	29.54 437	22.37 436	22.60 434	23.23 436	24.68 435	24.53 436	15.06 427	0.88 410	0.69 411	1.83 417	1.60 417	0.74 406	0.77 410

JetRed	1.62 410	1.46 415	2.98 410	0.92 405	1.21 414	4.99 415	1.53 415	1.27 414	1.39 406	1.83 413	1.74 414	1.60 412	0.95 402	1.41 413	2.45 415	0.90 411	1.60 416	0.93 407	0.90 411	1.35 414	0.99 414

KSHMR	1.09 407	1.17 411	0.88 398	1.25 414	1.00 413	0.99 405	0.96 410	1.13 411	1.37 405	1.16 408	1.29 410	1.41 407	0.96 403	1.01 409	0.92 406	1.03 412	1.08 414	1.20 412	1.03 413	1.01 411	0.97 413

ASD4	3.54 413	3.38 418	2.05 409	1.72 415	2.51 418	9.03 419	17.71 420	2.25 415	5.51 418	2.46 415	2.81 416	2.03 413	3.36 415	2.73 416	5.06 416	1.22 413	1.34 415	1.13 410	1.33 415	1.68 415	1.49 417

HanzoNet	1.29 409	1.26 414	1.19 403	1.12 409	0.85 409	1.02 408	0.83 406	1.03 406	1.48 410	1.64 412	1.61 413	2.50 416	1.72 413	1.61 414	1.61 412	1.26 414	0.80 413	1.31 414	1.01 412	1.02 412	0.86 412

ktn	1.01 406	1.21 412	0.80 395	1.23 413	0.86 410	1.01 407	0.87 408	0.94 401	1.39 406	1.04 403	1.12 404	1.15 398	1.07 406	0.94 407	0.59 392	1.28 415	0.71 412	1.38 415	0.83 408	1.02 412	0.75 409

DPSimNet_ROB	1.11 408	1.23 413	0.78 392	1.13 410	0.88 411	1.10 410	1.13 412	1.16 413	1.23 402	1.43 411	1.02 398	1.41 407	1.10 409	0.90 405	1.60 411	1.46 416	0.51 401	1.21 413	1.03 413	0.90 409	1.01 415

MADNet++	1.95 411	1.75 416	1.59 408	1.82 416	1.69 416	2.33 414	1.40 414	2.35 416	2.09 416	2.57 416	2.36 415	2.24 415	2.17 414	2.28 415	2.34 414	1.87 417	1.66 417	1.54 416	1.34 416	1.92 416	1.77 418

xxxxx1	7.79 415	5.02 421	7.31 417	3.12 418	3.85 419	16.35 423	22.88 421	5.86 421	8.69 420	7.97 420	8.54 417	9.12 422	8.27 419	10.18 422	10.92 419	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

tt_ll	7.79 415	5.02 421	7.31 417	3.12 418	3.85 419	16.35 423	22.88 421	5.86 421	8.69 420	7.97 420	8.54 417	9.12 422	8.27 419	10.18 422	10.92 419	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

ff	7.79 415	5.02 421	7.31 417	3.12 418	3.85 419	16.35 423	22.88 421	5.86 421	8.69 420	7.97 420	8.54 417	9.12 422	8.27 419	10.18 422	10.92 419	2.42 418	2.45 419	3.56 421	12.37 425	3.77 418	3.06 420

DGTPSM_ROB	8.06 419	4.48 419	8.63 423	5.35 421	10.72 424	8.32 417	22.97 424	5.46 418	13.35 424	5.12 418	9.92 420	5.08 418	10.40 422	5.52 419	12.58 422	3.79 421	8.00 423	3.50 419	7.02 422	3.83 421	7.14 424

DPSMNet_ROB	8.06 419	4.48 419	8.63 423	5.37 423	10.74 425	8.32 417	22.98 425	5.46 418	13.36 425	5.12 418	9.92 420	5.08 418	10.40 422	5.53 420	12.58 422	3.80 422	8.00 423	3.50 419	7.02 422	3.83 421	7.14 424

PML	8.91 421	9.34 427	6.13 415	5.35 421	6.41 422	14.99 422	23.38 426	5.27 417	6.83 419	18.04 428	28.19 436	7.67 420	6.83 418	7.85 421	5.75 417	5.35 423	1.83 418	5.95 427	1.93 418	8.64 425	2.52 419

tt	4.67 414	0.06 19	3.55 413	2.02 417	1.55 415	10.25 420	16.71 419	8.91 424	5.03 417	1.31 410	0.94 395	4.71 417	4.76 416	3.33 417	5.87 418	6.06 424	10.30 428	1.88 418	2.11 419	2.75 417	1.21 416

Anonymous_1	10.96 424	7.92 424	7.46 420	10.33 424	10.06 423	18.65 427	26.34 427	11.06 425	13.44 426	9.40 423	10.05 422	9.67 425	11.23 424	10.73 425	12.72 424	6.42 425	8.38 425	5.77 424	10.61 424	12.12 426	6.77 423

DPSM_ROB	11.15 425	8.58 425	8.00 421	10.88 425	11.58 426	19.10 428	26.71 428	12.05 426	14.07 427	10.36 424	10.84 423	10.33 426	11.86 425	11.70 426	13.54 425	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 426

DPSM	11.15 425	8.58 425	8.00 421	10.88 425	11.58 426	19.10 428	26.71 428	12.05 426	14.07 427	10.36 424	10.84 423	10.33 426	11.86 425	11.70 426	13.54 425	6.99 426	8.79 426	5.89 425	6.95 420	7.29 423	7.42 426

CasAABBNet	22.42 430	17.33 430	16.01 425	22.01 433	23.28 434	38.32 431	53.80 435	24.14 431	28.41 432	20.60 430	21.77 429	20.89 434	23.91 433	23.43 430	27.36 431	14.07 428	17.69 431	11.83 432	14.01 429	14.67 430	14.95 432

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

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

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

Selective-RAFT-Error	22.47 434	17.37 434	16.09 426	22.06 434	23.34 435	38.39 435	53.83 436	24.29 436	28.47 436	20.74 431	21.83 430	20.81 433	23.90 432	23.54 435	27.53 436	14.08 429	17.69 431	11.82 428	14.00 428	14.69 431	15.00 433

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

HaxPig	15.71 428	18.52 435	19.18 431	16.89 427	15.89 429	7.73 416	7.60 416	13.31 428	10.82 423	15.42 427	14.91 425	15.98 428	14.92 427	15.58 428	15.98 428	18.95 434	16.73 429	19.46 434	18.08 434	19.26 434	19.05 435

LRCNet_RVC	10.62 423	13.42 428	7.30 416	18.92 428	2.07 417	0.33 350	0.30 367	5.59 420	0.48 344	13.03 426	17.94 426	8.87 421	5.65 417	4.79 418	1.89 413	23.51 435	2.73 422	27.55 436	25.71 436	16.07 433	16.33 434

MEDIAN_ROB	20.38 429	24.04 436	23.31 433	21.23 429	21.71 430	10.40 421	7.92 417	17.64 429	15.50 429	20.12 429	19.70 427	20.34 429	20.32 428	21.19 429	21.13 429	23.81 436	21.81 436	24.98 435	23.76 435	24.71 435	23.93 436

AVERAGE_ROB	24.90 436	29.20 437	28.14 434	24.89 436	24.64 436	17.75 426	11.12 418	21.45 430	19.93 430	25.12 437	24.46 435	25.12 437	25.46 436	24.69 437	22.83 430	29.76 437	27.13 437	28.97 437	27.95 437	29.91 436	29.47 437

test_example2	98.32 437	94.13 438	45.89 435	96.35 437	109.85 438	88.61 437	95.45 437	25.75 437	94.37 438	130.00 438	126.06 437	58.17 438	74.63 437	88.51 438	79.96 437	150.23 438	221.02 438	77.62 438	99.10 438	113.75 438	96.94 438

Low-res two-view benchmark