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

LoS_RVC	0.13 2	0.10 24	0.19 1	0.18 8	0.16 228	0.20 55	0.18 86	0.20 2	0.17 3	0.13 2	0.19 25	0.12 3	0.15 49	0.17 11	0.13 24	0.06 1	0.05 6	0.06 1	0.04 1	0.05 1	0.12 253

DCANet-4	0.19 89	0.10 24	0.52 245	0.19 26	0.09 7	0.19 34	0.18 86	0.36 123	0.39 193	0.29 123	0.30 99	0.17 39	0.22 145	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

fff	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 86	0.35 104	0.43 226	0.29 123	0.30 99	0.18 46	0.28 223	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

csc	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 86	0.35 104	0.43 226	0.29 123	0.30 99	0.18 46	0.28 223	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

cscssc	0.19 89	0.13 136	0.40 143	0.18 8	0.09 7	0.19 34	0.18 86	0.35 104	0.43 226	0.29 123	0.30 99	0.18 46	0.28 223	0.20 28	0.18 104	0.07 16	0.05 6	0.07 14	0.05 9	0.05 1	0.07 65

MSKI-zero shot	0.17 36	0.09 9	0.43 182	0.20 57	0.11 42	0.21 73	0.15 26	0.32 67	0.21 26	0.23 57	0.24 59	0.23 93	0.10 4	0.31 150	0.13 24	0.07 16	0.06 72	0.07 14	0.06 23	0.06 6	0.06 18

RAFT-Test	0.17 36	0.10 24	0.38 127	0.19 26	0.12 77	0.25 135	0.17 59	0.33 81	0.23 44	0.23 57	0.29 88	0.27 138	0.14 42	0.20 28	0.14 40	0.07 16	0.06 72	0.07 14	0.07 50	0.06 6	0.06 18

CAS	0.15 21	0.07 1	0.21 4	0.41 365	0.16 228	0.20 55	0.18 86	0.22 3	0.19 7	0.15 11	0.19 25	0.11 2	0.09 2	0.14 1	0.13 24	0.29 369	0.04 1	0.06 1	0.04 1	0.06 6	0.14 282

LoS	0.14 6	0.08 2	0.27 21	0.16 3	0.09 7	0.22 93	0.14 13	0.26 14	0.26 65	0.15 11	0.18 22	0.18 46	0.13 32	0.22 44	0.14 40	0.08 99	0.06 72	0.06 1	0.04 1	0.06 6	0.06 18

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 39	0.12 6	0.06 1	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

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 27	0.09 2	0.20 28	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 13	0.21 86	0.09 7	0.18 13	0.16 38	0.23 6	0.19 7	0.18 39	0.23 49	0.16 34	0.13 32	0.22 44	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

RCA-Stereo	0.16 28	0.09 9	0.25 13	0.20 57	0.10 20	0.19 34	0.17 59	0.36 123	0.35 156	0.20 41	0.25 64	0.17 39	0.17 86	0.18 19	0.14 40	0.07 16	0.05 6	0.07 14	0.06 23	0.06 6	0.05 1

ADStereo(finetuned)	0.19 89	0.13 136	0.49 225	0.19 26	0.09 7	0.19 34	0.18 86	0.34 87	0.39 193	0.29 123	0.31 113	0.18 46	0.31 256	0.21 39	0.19 128	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

test-3	0.16 28	0.09 9	0.31 54	0.21 86	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.26 85	0.16 16	0.22 74	0.12 14	0.26 93	0.18 104	0.06 1	0.04 1	0.08 65	0.08 109	0.06 6	0.06 18

test_1	0.16 28	0.09 9	0.31 54	0.21 86	0.11 42	0.18 13	0.16 38	0.30 54	0.27 74	0.25 76	0.16 16	0.22 74	0.12 14	0.26 93	0.18 104	0.06 1	0.04 1	0.08 65	0.08 109	0.06 6	0.06 18

TRStereo	0.19 89	0.17 223	0.47 211	0.23 171	0.19 281	0.19 34	0.16 38	0.52 261	0.28 87	0.20 41	0.19 25	0.21 67	0.13 32	0.24 57	0.13 24	0.09 164	0.06 72	0.09 120	0.11 248	0.06 6	0.06 18

STrans-v2	0.24 182	0.13 136	0.54 251	0.21 86	0.12 77	0.23 110	0.21 184	0.47 213	0.28 87	0.31 168	0.42 218	0.36 218	0.35 277	0.62 275	0.23 188	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.06 18

TransformOpticalFlow	0.24 182	0.13 136	0.56 260	0.23 171	0.11 42	0.21 73	0.19 123	0.40 153	0.32 132	0.30 151	0.43 230	0.36 218	0.31 256	0.61 267	0.20 139	0.07 16	0.05 6	0.08 65	0.07 50	0.06 6	0.07 65

ASMatch	0.23 159	0.11 63	0.51 241	0.24 208	0.14 164	0.19 34	0.17 59	0.31 59	0.28 87	0.28 98	0.68 338	0.27 138	0.26 193	0.50 218	0.22 174	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.11 231

DEmStereo	0.26 214	0.09 9	0.47 211	0.19 26	0.12 77	0.30 208	0.25 256	0.28 33	0.36 166	0.36 242	0.58 311	0.25 111	0.48 335	0.53 234	0.44 301	0.07 16	0.06 72	0.08 65	0.08 109	0.06 6	0.07 65

RAFT-RH_RVC	0.25 204	0.11 63	0.45 198	0.21 86	0.12 77	0.25 135	0.14 13	0.27 21	0.27 74	0.38 255	1.15 376	0.23 93	0.17 86	0.57 250	0.24 197	0.07 16	0.05 6	0.10 182	0.07 50	0.06 6	0.07 65

RAFT-345	0.21 116	0.10 24	0.46 204	0.22 129	0.11 42	0.20 55	0.16 38	0.26 14	0.25 58	0.27 89	0.66 334	0.21 67	0.16 63	0.55 239	0.21 160	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.06 18

AnonymousM	0.17 36	0.19 250	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 35	0.18 46	0.14 42	0.19 25	0.14 40	0.09 164	0.06 72	0.38 372	0.15 317	0.06 6	0.05 1

cross-raft	0.17 36	0.12 81	0.41 165	0.23 171	0.10 20	0.20 55	0.24 242	0.33 81	0.23 44	0.23 57	0.28 79	0.29 160	0.15 49	0.17 11	0.15 51	0.06 1	0.05 6	0.07 14	0.07 50	0.06 6	0.05 1

test-1	0.17 36	0.11 63	0.40 143	0.23 171	0.13 131	0.22 93	0.23 220	0.34 87	0.26 65	0.20 41	0.24 59	0.22 74	0.14 42	0.16 7	0.20 139	0.07 16	0.06 72	0.08 65	0.07 50	0.06 6	0.08 111

CREStereo++_RVC	0.15 21	0.08 2	0.26 16	0.17 5	0.11 42	0.18 13	0.13 3	0.22 3	0.30 114	0.21 50	0.30 99	0.13 11	0.11 8	0.16 7	0.15 51	0.07 16	0.04 1	0.06 1	0.15 317	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
s12784h	0.17 36	0.09 9	0.26 16	0.18 8	0.07 1	0.32 227	0.19 123	0.37 129	0.32 132	0.23 57	0.25 64	0.18 46	0.17 86	0.25 80	0.16 67	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.05 1

TANstereo	0.15 21	0.09 9	0.28 29	0.16 3	0.08 2	0.25 135	0.14 13	0.23 6	0.28 87	0.24 70	0.30 99	0.16 34	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

raftrobust	0.16 28	0.13 136	0.29 36	0.22 129	0.15 205	0.19 34	0.13 3	0.32 67	0.26 65	0.26 85	0.20 35	0.19 57	0.17 86	0.21 39	0.15 51	0.08 99	0.06 72	0.07 14	0.06 23	0.06 6	0.07 65

DCANet	0.18 53	0.13 136	0.40 143	0.19 26	0.09 7	0.19 34	0.18 86	0.34 87	0.39 193	0.29 123	0.31 113	0.18 46	0.23 154	0.20 28	0.19 128	0.07 16	0.05 6	0.07 14	0.05 9	0.06 6	0.07 65

EAI-Stereo	0.21 116	0.10 24	0.33 73	0.21 86	0.12 77	0.30 208	0.46 356	0.46 206	0.20 16	0.25 76	0.50 277	0.17 39	0.16 63	0.24 57	0.23 188	0.07 16	0.06 72	0.07 14	0.10 215	0.06 6	0.07 65

CFNet-RSSM	0.17 36	0.10 24	0.40 143	0.20 57	0.11 42	0.20 55	0.15 26	0.36 123	0.30 114	0.23 57	0.21 43	0.26 130	0.15 49	0.20 28	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	0.37 108	0.20 57	0.12 77	0.19 34	0.15 26	0.32 67	0.28 87	0.23 57	0.23 49	0.27 138	0.15 49	0.20 28	0.13 24	0.07 16	0.05 6	0.07 14	0.07 50	0.06 6	0.06 18

R-Stereo Train	0.18 53	0.09 9	0.32 60	0.22 129	0.12 77	0.22 93	0.19 123	0.42 175	0.19 7	0.31 168	0.45 251	0.20 59	0.14 42	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 53	0.09 9	0.32 60	0.22 129	0.12 77	0.22 93	0.19 123	0.42 175	0.19 7	0.31 168	0.45 251	0.20 59	0.14 42	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
AE-Stereo	0.17 36	0.11 63	0.31 54	0.24 208	0.14 164	0.23 110	0.18 86	0.34 87	0.29 105	0.15 11	0.25 64	0.21 67	0.13 32	0.20 28	0.14 40	0.07 16	0.08 223	0.09 120	0.10 215	0.07 37	0.06 18

ff7	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

IGEVStereo-DCA	0.14 6	0.11 63	0.27 21	0.19 26	0.12 77	0.20 55	0.18 86	0.27 21	0.20 16	0.15 11	0.12 2	0.14 21	0.12 14	0.28 120	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

ffff	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

rrr	0.17 36	0.11 63	0.57 264	0.19 26	0.12 77	0.20 55	0.18 86	0.35 104	0.22 33	0.15 11	0.12 2	0.14 21	0.12 14	0.28 120	0.14 40	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.07 65

11t	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

StereoIM	0.14 6	0.13 136	0.26 16	0.19 26	0.14 164	0.16 6	0.13 3	0.25 11	0.21 26	0.13 2	0.14 14	0.14 21	0.11 8	0.17 11	0.17 90	0.08 99	0.07 158	0.08 65	0.06 23	0.07 37	0.06 18

IGEV_Zeroshot_test	0.18 53	0.10 24	0.65 293	0.20 57	0.12 77	0.19 34	0.15 26	0.34 87	0.19 7	0.28 98	0.22 47	0.27 138	0.13 32	0.23 51	0.18 104	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.06 18

AEACV	0.13 2	0.09 9	0.23 8	0.18 8	0.19 281	0.19 34	0.16 38	0.23 6	0.14 1	0.13 2	0.17 19	0.13 11	0.16 63	0.16 7	0.12 6	0.07 16	0.05 6	0.07 14	0.08 109	0.07 37	0.06 18

Any-RAFT	0.17 36	0.08 2	0.31 54	0.19 26	0.10 20	0.29 191	0.16 38	0.42 175	0.30 114	0.24 70	0.27 75	0.27 138	0.16 63	0.21 39	0.12 6	0.08 99	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

HH	0.18 53	0.12 81	0.55 256	0.22 129	0.12 77	0.18 13	0.18 86	0.34 87	0.19 7	0.20 41	0.24 59	0.34 199	0.18 108	0.29 133	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

HanStereo	0.18 53	0.12 81	0.55 256	0.22 129	0.12 77	0.18 13	0.18 86	0.34 87	0.19 7	0.20 41	0.24 59	0.34 199	0.18 108	0.29 133	0.12 6	0.07 16	0.05 6	0.07 14	0.07 50	0.07 37	0.06 18

DCRE	0.20 102	0.13 136	0.40 143	0.21 86	0.15 205	0.20 55	0.19 123	0.30 54	0.27 74	0.22 54	0.80 355	0.23 93	0.16 63	0.23 51	0.15 51	0.07 16	0.07 158	0.07 14	0.08 109	0.07 37	0.06 18

anonymousa	0.23 159	0.11 63	0.50 235	0.21 86	0.16 228	0.31 219	0.20 161	0.36 123	0.35 156	0.32 186	0.50 277	0.39 238	0.26 193	0.22 44	0.20 139	0.08 99	0.06 72	0.09 120	0.11 248	0.07 37	0.08 111

ProNet	0.14 6	0.12 81	0.25 13	0.19 26	0.11 42	0.19 34	0.19 123	0.27 21	0.20 16	0.14 8	0.13 6	0.13 11	0.12 14	0.24 57	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 21	0.19 26	0.12 77	0.21 73	0.18 86	0.27 21	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	0.12 6	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.07 65

DisPM	0.19 89	0.10 24	0.35 86	0.23 171	0.13 131	0.18 13	0.20 161	0.29 40	0.29 105	0.33 195	0.34 141	0.23 93	0.16 63	0.33 162	0.16 67	0.09 164	0.06 72	0.09 120	0.08 109	0.07 37	0.11 231

test_4	0.18 53	0.12 81	0.34 78	0.23 171	0.12 77	0.18 13	0.22 200	0.26 14	0.24 54	0.24 70	0.47 268	0.22 74	0.13 32	0.24 57	0.16 67	0.06 1	0.05 6	0.09 120	0.09 183	0.07 37	0.05 1

GLC_STEREO	0.15 21	0.10 24	0.24 10	0.21 86	0.09 7	0.17 9	0.15 26	0.23 6	0.27 74	0.17 28	0.20 35	0.17 39	0.11 8	0.23 51	0.16 67	0.07 16	0.09 251	0.09 120	0.08 109	0.07 37	0.06 18

IPLG	0.21 116	0.15 189	0.53 248	0.21 86	0.12 77	0.28 172	0.17 59	0.42 175	0.30 114	0.33 195	0.32 116	0.15 27	0.17 86	0.50 218	0.21 160	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

MIPNet	0.21 116	0.15 189	0.52 245	0.21 86	0.12 77	0.27 159	0.20 161	0.45 197	0.37 175	0.30 151	0.23 49	0.19 57	0.24 169	0.27 108	0.19 128	0.07 16	0.05 6	0.08 65	0.07 50	0.07 37	0.06 18

IPLGR	0.21 116	0.13 136	0.61 277	0.21 86	0.11 42	0.25 135	0.18 86	0.41 163	0.37 175	0.28 98	0.27 75	0.21 67	0.19 121	0.37 183	0.18 104	0.07 16	0.06 72	0.08 65	0.07 50	0.07 37	0.06 18

test_3	0.18 53	0.11 63	0.32 60	0.24 208	0.11 42	0.22 93	0.25 256	0.31 59	0.31 124	0.25 76	0.18 22	0.23 93	0.13 32	0.25 80	0.19 128	0.06 1	0.05 6	0.09 120	0.10 215	0.07 37	0.06 18

CrosDoStereo	0.31 262	0.10 24	0.49 225	0.18 8	0.12 77	0.22 93	1.11 405	0.34 87	0.37 175	0.38 255	0.61 325	0.28 153	0.46 326	0.61 267	0.57 328	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.07 65

OMP-Stereo	0.23 159	0.14 164	0.35 86	0.29 316	0.13 131	0.21 73	0.16 38	0.37 129	0.33 143	0.34 211	0.30 99	0.34 199	0.19 121	0.70 300	0.24 197	0.07 16	0.06 72	0.09 120	0.07 50	0.07 37	0.06 18

IIG-Stereo	0.23 159	0.13 136	0.35 86	0.29 316	0.12 77	0.23 110	0.14 13	0.38 135	0.31 124	0.34 211	0.37 167	0.33 193	0.21 134	0.70 300	0.26 218	0.08 99	0.06 72	0.09 120	0.07 50	0.07 37	0.06 18

FTStereo	0.28 238	0.10 24	0.43 182	0.23 171	0.13 131	0.21 73	0.53 370	0.34 87	0.26 65	0.38 255	0.95 367	0.30 170	0.56 347	0.32 156	0.18 104	0.08 99	0.06 72	0.09 120	0.08 109	0.07 37	0.19 326

DeepStereo_LL	0.31 262	0.10 24	0.49 225	0.18 8	0.12 77	0.22 93	1.11 405	0.34 87	0.37 175	0.38 255	0.61 325	0.28 153	0.46 326	0.61 267	0.57 328	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.07 65

THIR-Stereo	0.29 248	0.12 81	0.41 165	0.19 26	0.11 42	0.28 172	0.72 383	0.32 67	0.35 156	0.37 247	0.65 332	0.34 199	0.50 337	0.57 250	0.45 304	0.07 16	0.06 72	0.08 65	0.09 183	0.07 37	0.07 65

DRaft	0.24 182	0.10 24	0.34 78	0.18 8	0.12 77	0.28 172	0.23 220	0.33 81	0.39 193	0.38 255	0.61 325	0.21 67	0.41 305	0.48 211	0.42 296	0.07 16	0.06 72	0.08 65	0.08 109	0.07 37	0.08 111

GrayStereo	0.25 204	0.09 9	0.32 60	0.26 273	0.13 131	0.23 110	0.47 360	0.34 87	0.30 114	0.39 270	0.47 268	0.30 170	0.79 370	0.29 133	0.16 67	0.07 16	0.06 72	0.08 65	0.09 183	0.07 37	0.13 265

CroCo-Stereo	0.14 6	0.13 136	0.24 10	0.25 245	0.11 42	0.11 1	0.18 86	0.32 67	0.23 44	0.12 1	0.12 2	0.18 46	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
raft+_RVC	0.18 53	0.14 164	0.32 60	0.21 86	0.15 205	0.21 73	0.16 38	0.38 135	0.34 150	0.21 50	0.28 79	0.20 59	0.15 49	0.24 57	0.19 128	0.08 99	0.06 72	0.08 65	0.07 50	0.07 37	0.08 111

XX-TBD	0.15 21	0.18 235	0.28 29	0.22 129	0.10 20	0.22 93	0.15 26	0.22 3	0.27 74	0.22 54	0.26 70	0.14 21	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

XX-Stereo	0.21 116	0.10 24	0.83 331	0.26 273	0.17 244	0.23 110	0.13 3	0.40 153	0.18 5	0.20 41	0.41 204	0.31 178	0.10 4	0.32 156	0.12 6	0.08 99	0.06 72	0.08 65	0.08 109	0.07 37	0.05 1

111	0.20 102	0.17 223	0.40 143	0.18 8	0.09 7	0.24 125	0.17 59	0.41 163	0.45 252	0.23 57	0.29 88	0.29 160	0.21 134	0.24 57	0.18 104	0.07 16	0.05 6	0.07 14	0.06 23	0.07 37	0.08 111

test_xeample3	0.16 28	0.11 63	0.56 260	0.19 26	0.12 77	0.20 55	0.18 86	0.35 104	0.20 16	0.16 24	0.12 2	0.13 11	0.12 14	0.24 57	0.15 51	0.07 16	0.06 72	0.07 14	0.08 109	0.07 37	0.07 65

RAFT-Stereo + iAFF	0.17 36	0.14 164	0.32 60	0.20 57	0.09 7	0.19 34	0.17 59	0.32 67	0.30 114	0.25 76	0.33 135	0.20 59	0.17 86	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 53	0.15 189	0.32 60	0.21 86	0.10 20	0.18 13	0.18 86	0.33 81	0.27 74	0.25 76	0.37 167	0.25 111	0.17 86	0.24 57	0.15 51	0.06 1	0.05 6	0.08 65	0.08 109	0.07 37	0.05 1

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 43	0.14 21	0.13 32	0.18 19	0.13 24	0.09 164	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 43	0.16 34	0.14 42	0.22 44	0.13 24	0.29 369	0.05 6	0.06 1	0.04 1	0.07 37	0.06 18

DIP-Stereo	0.18 53	0.12 81	0.33 73	0.20 57	0.13 131	0.28 172	0.12 1	0.42 175	0.25 58	0.27 89	0.32 116	0.21 67	0.17 86	0.25 80	0.20 139	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
RASNet	0.28 238	0.14 164	0.44 188	0.22 129	0.18 263	0.32 227	0.19 123	0.48 224	0.38 187	0.29 123	0.43 230	0.47 286	0.37 289	0.79 332	0.36 270	0.09 164	0.07 158	0.07 14	0.09 183	0.07 37	0.07 65

MLCV	0.22 142	0.16 207	0.44 188	0.21 86	0.08 2	0.29 191	0.19 123	0.38 135	0.37 175	0.38 255	0.44 239	0.31 178	0.21 134	0.41 194	0.24 197	0.07 16	0.05 6	0.06 1	0.05 9	0.07 37	0.06 18

tta	0.24 182	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.28 224	0.10 206	0.07 158	0.08 65	0.08 109	0.08 81	0.07 65

qqq1	0.24 182	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.16 67	0.10 206	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

fff1	0.24 182	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.16 67	0.10 206	0.07 158	0.07 14	0.06 23	0.08 81	0.07 65

MyStereo07	0.16 28	0.12 81	0.26 16	0.22 129	0.14 164	0.25 135	0.23 220	0.29 40	0.21 26	0.15 11	0.13 6	0.12 3	0.13 32	0.25 80	0.13 24	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

MyStereo06	0.20 102	0.12 81	0.57 264	0.21 86	0.14 164	0.25 135	0.23 220	0.40 153	0.21 26	0.30 151	0.24 59	0.31 178	0.18 108	0.22 44	0.18 104	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

MyStereo05	0.23 159	0.12 81	0.57 264	0.21 86	0.14 164	0.25 135	0.23 220	0.48 224	0.52 306	0.31 168	0.23 49	0.25 111	0.22 145	0.30 145	0.21 160	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

MyStereo04	0.23 159	0.12 81	0.55 256	0.22 129	0.14 164	0.25 135	0.23 220	0.49 230	0.52 306	0.28 98	0.23 49	0.27 138	0.23 154	0.30 145	0.22 174	0.07 16	0.07 158	0.09 120	0.08 109	0.08 81	0.08 111

CoDeX	0.23 159	0.12 81	0.46 204	0.21 86	0.14 164	0.29 191	0.21 184	0.53 272	0.41 217	0.29 123	0.35 148	0.29 160	0.22 145	0.48 211	0.19 128	0.09 164	0.06 72	0.08 65	0.07 50	0.08 81	0.07 65

cc1	0.18 53	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.35 104	0.47 271	0.17 28	0.19 25	0.13 11	0.18 108	0.28 120	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

DualNet	0.26 214	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.35 104	0.44 240	0.30 151	0.42 218	0.34 199	0.23 154	0.27 108	1.08 369	0.08 99	0.05 6	0.11 229	0.10 215	0.08 81	0.08 111

ffm	0.22 142	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.35 104	0.44 240	0.30 151	0.42 218	0.34 199	0.23 154	0.27 108	0.11 1	0.08 99	0.05 6	0.11 229	0.10 215	0.08 81	0.08 111

ff1	0.29 248	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.35 104	0.44 240	0.30 151	0.42 218	0.34 199	0.23 154	0.81 339	1.08 369	0.08 99	0.05 6	0.11 229	0.10 215	0.08 81	0.08 111

tt1	0.18 53	0.14 164	0.35 86	0.23 171	0.11 42	0.30 208	0.19 123	0.35 104	0.44 240	0.17 28	0.19 25	0.13 11	0.16 63	0.27 108	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.08 81	0.08 111

MIF-Stereo	0.14 6	0.10 24	0.30 42	0.21 86	0.13 131	0.17 9	0.13 3	0.19 1	0.18 5	0.15 11	0.20 35	0.10 1	0.11 8	0.18 19	0.16 67	0.08 99	0.06 72	0.07 14	0.06 23	0.08 81	0.06 18

MIM_Stereo	0.18 53	0.12 81	0.38 127	0.20 57	0.11 42	0.17 9	0.14 13	0.35 104	0.25 58	0.27 89	0.35 148	0.23 93	0.13 32	0.27 108	0.16 67	0.06 1	0.07 158	0.08 65	0.08 109	0.08 81	0.06 18

CASnet	0.14 6	0.12 81	0.22 6	0.22 129	0.08 2	0.16 6	0.15 26	0.27 21	0.25 58	0.22 54	0.20 35	0.15 27	0.11 8	0.17 11	0.13 24	0.07 16	0.05 6	0.11 229	0.09 183	0.08 81	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.18 53	0.18 235	0.39 138	0.22 129	0.12 77	0.24 125	0.13 3	0.31 59	0.23 44	0.24 70	0.20 35	0.24 104	0.12 14	0.26 93	0.15 51	0.06 1	0.06 72	0.12 262	0.09 183	0.08 81	0.07 65

4D-IteraStereo	0.17 36	0.16 207	0.50 235	0.21 86	0.14 164	0.19 34	0.17 59	0.28 33	0.28 87	0.23 57	0.20 35	0.20 59	0.11 8	0.19 25	0.14 40	0.06 1	0.04 1	0.10 182	0.08 109	0.08 81	0.06 18

anonymousdsp2	0.17 36	0.10 24	0.28 29	0.20 57	0.11 42	0.25 135	0.17 59	0.41 163	0.31 124	0.23 57	0.23 49	0.22 74	0.15 49	0.25 80	0.15 51	0.07 16	0.05 6	0.07 14	0.05 9	0.08 81	0.07 65

anonymousdsp	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	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	0.22 318	0.18 13	0.16 38	0.23 6	0.19 7	0.14 8	0.17 19	0.14 21	0.10 4	0.18 19	0.12 6	0.07 16	0.05 6	0.06 1	0.04 1	0.08 81	0.18 319

Selective-RAFT	0.17 36	0.12 81	0.30 42	0.24 208	0.10 20	0.29 191	0.15 26	0.32 67	0.31 124	0.17 28	0.17 19	0.21 67	0.18 108	0.28 120	0.17 90	0.07 16	0.06 72	0.07 14	0.07 50	0.08 81	0.06 18

CroCo-Stereo Lap2	0.15 21	0.15 189	0.28 29	0.25 245	0.18 263	0.11 1	0.19 123	0.28 33	0.21 26	0.13 2	0.16 16	0.15 27	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

TestStereo1	0.21 116	0.16 207	0.32 60	0.26 273	0.13 131	0.26 152	0.27 272	0.40 153	0.36 166	0.29 123	0.39 189	0.22 74	0.21 134	0.33 162	0.17 90	0.07 16	0.06 72	0.09 120	0.08 109	0.08 81	0.07 65

raft_robust	0.22 142	0.17 223	0.30 42	0.22 129	0.12 77	0.23 110	0.22 200	0.49 230	0.48 280	0.32 186	0.32 116	0.26 130	0.23 154	0.53 234	0.15 51	0.07 16	0.06 72	0.08 65	0.10 215	0.08 81	0.06 18

RAFT_CTSACE	0.21 116	0.16 207	0.41 165	0.25 245	0.15 205	0.22 93	0.24 242	0.32 67	0.28 87	0.33 195	0.51 283	0.29 160	0.17 86	0.32 156	0.13 24	0.06 1	0.07 158	0.09 120	0.08 109	0.08 81	0.06 18

SA-5K	0.21 116	0.16 207	0.32 60	0.26 273	0.13 131	0.26 152	0.27 272	0.40 153	0.36 166	0.29 123	0.39 189	0.22 74	0.21 134	0.33 162	0.17 90	0.07 16	0.06 72	0.09 120	0.08 109	0.08 81	0.07 65

Sa-1000	0.22 142	0.15 189	0.35 86	0.23 171	0.13 131	0.28 172	0.23 220	0.47 213	0.39 193	0.30 151	0.50 277	0.26 130	0.19 121	0.33 162	0.16 67	0.07 16	0.06 72	0.10 182	0.11 248	0.08 81	0.06 18

SA	0.22 142	0.16 207	0.36 103	0.23 171	0.13 131	0.24 125	0.23 220	0.45 197	0.40 206	0.27 89	0.44 239	0.23 93	0.23 154	0.33 162	0.17 90	0.07 16	0.06 72	0.10 182	0.11 248	0.08 81	0.06 18

IGEV-Stereo	0.14 6	0.12 81	0.27 21	0.19 26	0.12 77	0.21 73	0.18 86	0.28 33	0.20 16	0.15 11	0.13 6	0.12 3	0.12 14	0.24 57	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
CIPLG	0.21 116	0.21 271	0.55 256	0.23 171	0.15 205	0.25 135	0.20 161	0.35 104	0.29 105	0.31 168	0.33 135	0.22 74	0.15 49	0.26 93	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

iRaft-Stereo_20w	0.19 89	0.10 24	0.46 204	0.19 26	0.13 131	0.25 135	0.19 123	0.52 261	0.19 7	0.29 123	0.21 43	0.22 74	0.20 129	0.28 120	0.18 104	0.07 16	0.06 72	0.07 14	0.08 109	0.08 81	0.08 111

IPLGR_C	0.21 116	0.22 283	0.60 274	0.23 171	0.15 205	0.24 125	0.20 161	0.35 104	0.29 105	0.31 168	0.32 116	0.22 74	0.15 49	0.25 80	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

GMOStereo	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

error version	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

test-v	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

ACRE	0.21 116	0.20 258	0.62 285	0.23 171	0.15 205	0.24 125	0.20 161	0.35 104	0.28 87	0.31 168	0.32 116	0.22 74	0.15 49	0.25 80	0.20 139	0.08 99	0.07 158	0.07 14	0.07 50	0.08 81	0.08 111

PFNet+	0.20 102	0.10 24	0.37 108	0.21 86	0.12 77	0.17 9	0.19 123	0.29 40	0.34 150	0.33 195	0.32 116	0.24 104	0.16 63	0.32 156	0.17 90	0.10 206	0.07 158	0.11 229	0.10 215	0.08 81	0.12 253

HHNet	0.22 142	0.12 81	0.52 245	0.18 8	0.18 263	0.20 55	0.20 161	0.34 87	0.31 124	0.32 186	0.59 313	0.20 59	0.21 134	0.24 57	0.31 244	0.08 99	0.05 6	0.09 120	0.07 50	0.08 81	0.11 231

AAGNet	0.33 277	0.11 63	0.37 108	0.25 245	0.16 228	0.20 55	0.19 123	0.30 54	0.27 74	0.35 227	0.35 148	0.27 138	0.30 245	0.44 202	2.66 406	0.08 99	0.05 6	0.10 182	0.07 50	0.08 81	0.06 18

NF-Stereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

OCTAStereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

PSM-softLoss	0.21 116	0.10 24	0.39 138	0.24 208	0.12 77	0.20 55	0.18 86	0.38 135	0.26 65	0.29 123	0.32 116	0.24 104	0.16 63	0.52 229	0.20 139	0.09 164	0.06 72	0.10 182	0.09 183	0.08 81	0.12 253

KMStereo	0.21 116	0.10 24	0.39 138	0.24 208	0.12 77	0.20 55	0.18 86	0.38 135	0.26 65	0.29 123	0.32 116	0.24 104	0.16 63	0.52 229	0.20 139	0.09 164	0.06 72	0.10 182	0.09 183	0.08 81	0.12 253

PSM-AAD	0.25 204	0.10 24	0.30 42	0.24 208	0.12 77	0.26 152	0.38 335	0.34 87	0.28 87	0.35 227	0.39 189	0.28 153	0.79 370	0.30 145	0.16 67	0.07 16	0.06 72	0.12 262	0.11 248	0.08 81	0.21 343

KYRaft	0.22 142	0.10 24	0.30 42	0.23 171	0.12 77	0.23 110	0.23 220	0.35 104	0.24 54	0.35 227	0.54 299	0.34 199	0.26 193	0.29 133	0.15 51	0.07 16	0.05 6	0.09 120	0.10 215	0.08 81	0.31 367

RAFT_R40	0.21 116	0.10 24	0.37 108	0.24 208	0.13 131	0.18 13	0.18 86	0.31 59	0.29 105	0.33 195	0.33 135	0.30 170	0.24 169	0.55 239	0.18 104	0.08 99	0.05 6	0.10 182	0.08 109	0.08 81	0.07 65

PFNet	0.23 159	0.10 24	0.57 264	0.24 208	0.14 164	0.22 93	0.19 123	0.39 146	0.33 143	0.35 227	0.32 116	0.27 138	0.19 121	0.64 282	0.22 174	0.09 164	0.05 6	0.09 120	0.07 50	0.08 81	0.07 65

RE-Stereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

Pruner-Stereo	0.19 89	0.11 63	0.34 78	0.29 316	0.12 77	0.19 34	0.17 59	0.31 59	0.29 105	0.33 195	0.32 116	0.25 111	0.15 49	0.24 57	0.21 160	0.09 164	0.06 72	0.09 120	0.08 109	0.08 81	0.09 161

TVStereo	0.20 102	0.10 24	0.35 86	0.24 208	0.12 77	0.21 73	0.18 86	0.38 135	0.32 132	0.28 98	0.30 99	0.22 74	0.16 63	0.51 223	0.20 139	0.08 99	0.06 72	0.09 120	0.08 109	0.08 81	0.13 265

IRAFT_RVC	0.22 142	0.12 81	0.39 138	0.26 273	0.11 42	0.18 13	0.24 242	0.40 153	0.37 175	0.31 168	0.30 99	0.29 160	0.24 169	0.55 239	0.22 174	0.08 99	0.06 72	0.10 182	0.08 109	0.08 81	0.07 65

test-2	0.18 53	0.14 164	0.30 42	0.22 129	0.12 77	0.20 55	0.27 272	0.26 14	0.28 87	0.31 168	0.32 116	0.26 130	0.17 86	0.15 3	0.12 6	0.07 16	0.07 158	0.10 182	0.08 109	0.08 81	0.05 1

GMM-Stereo	0.21 116	0.10 24	0.43 182	0.23 171	0.13 131	0.24 125	0.25 256	0.37 129	0.27 74	0.30 151	0.45 251	0.27 138	0.21 134	0.31 150	0.17 90	0.07 16	0.05 6	0.10 182	0.09 183	0.08 81	0.19 326

Prome-Stereo	0.21 116	0.10 24	0.30 42	0.24 208	0.12 77	0.23 110	0.23 220	0.36 123	0.25 58	0.33 195	0.59 313	0.24 104	0.28 223	0.29 133	0.16 67	0.07 16	0.05 6	0.08 65	0.07 50	0.08 81	0.20 336

iRaftStereo_RVC	0.16 28	0.12 81	0.26 16	0.21 86	0.11 42	0.20 55	0.17 59	0.32 67	0.23 44	0.20 41	0.25 64	0.18 46	0.12 14	0.20 28	0.15 51	0.07 16	0.05 6	0.09 120	0.09 183	0.08 81	0.07 65

delet	0.27 221	0.14 164	0.40 143	0.23 171	0.19 281	0.41 290	0.29 289	0.49 230	0.48 280	0.33 195	0.41 204	0.37 222	0.30 245	0.48 211	0.34 260	0.09 164	0.09 251	0.11 229	0.12 280	0.08 81	0.08 111

cf-r	0.24 182	0.15 189	0.44 188	0.21 86	0.14 164	0.27 159	0.22 200	0.42 175	0.40 206	0.30 151	0.42 218	0.42 261	0.26 193	0.43 198	0.25 206	0.11 233	0.06 72	0.08 65	0.10 215	0.08 81	0.08 111

HSM-Net_RVC	0.27 221	0.11 63	0.42 172	0.19 26	0.11 42	0.34 249	0.20 161	0.62 342	0.43 226	0.40 278	0.43 230	0.50 301	0.26 193	0.76 323	0.22 174	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
HSM	0.28 238	0.16 207	0.35 86	0.20 57	0.15 205	0.33 236	0.19 123	0.53 272	0.37 175	0.36 242	0.38 177	0.67 352	0.31 256	0.89 352	0.23 188	0.08 99	0.06 72	0.08 65	0.07 50	0.08 81	0.08 111

iResNet	0.24 182	0.18 235	0.61 277	0.25 245	0.11 42	0.29 191	0.21 184	0.42 175	0.43 226	0.33 195	0.43 230	0.27 138	0.22 145	0.34 168	0.26 218	0.07 16	0.05 6	0.07 14	0.06 23	0.08 81	0.07 65

SMFormer	0.25 204	0.12 81	0.40 143	0.19 26	0.10 20	0.27 159	0.19 123	0.51 251	0.45 252	0.34 211	0.41 204	0.31 178	0.26 193	0.58 255	0.28 224	0.10 206	0.07 158	0.08 65	0.08 109	0.09 142	0.09 161

ACVNet-DCA	0.18 53	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.41 163	0.27 74	0.17 28	0.19 25	0.13 11	0.18 108	0.28 120	0.11 1	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 161

xx1	0.20 102	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.35 104	0.47 271	0.17 28	0.19 25	0.28 153	0.24 169	0.28 120	0.11 1	0.08 99	0.05 6	0.10 182	0.09 183	0.09 142	0.09 161

1test111	0.19 89	0.14 164	0.38 127	0.23 171	0.11 42	0.31 219	0.19 123	0.41 163	0.27 74	0.17 28	0.19 25	0.13 11	0.18 108	0.34 168	0.22 174	0.08 99	0.05 6	0.08 65	0.06 23	0.09 142	0.09 161

11t1	0.18 53	0.10 24	0.30 42	0.20 57	0.11 42	0.27 159	0.17 59	0.35 104	0.23 44	0.25 76	0.23 49	0.23 93	0.23 154	0.25 80	0.18 104	0.09 164	0.07 158	0.07 14	0.06 23	0.09 142	0.09 161

1111x	0.32 271	0.11 63	0.40 143	0.22 129	0.11 42	0.32 227	0.26 267	0.59 322	0.43 226	0.31 168	0.41 204	0.39 238	0.28 223	0.76 323	1.37 386	0.09 164	0.08 223	0.09 120	0.10 215	0.09 142	0.08 111

whm_eth	0.23 159	0.18 235	0.56 260	0.24 208	0.19 281	0.21 73	0.18 86	0.37 129	0.40 206	0.31 168	0.60 318	0.15 27	0.17 86	0.26 93	0.19 128	0.09 164	0.08 223	0.10 182	0.09 183	0.09 142	0.11 231

MIF-Stereo (partial)	0.16 28	0.10 24	0.34 78	0.21 86	0.15 205	0.15 4	0.13 3	0.28 33	0.25 58	0.17 28	0.26 70	0.15 27	0.16 63	0.25 80	0.17 90	0.09 164	0.06 72	0.10 182	0.08 109	0.09 142	0.08 111

EKT-Stereo	0.38 308	0.12 81	0.38 127	0.42 366	3.88 413	0.21 73	0.17 59	0.35 104	0.28 87	0.20 41	0.20 35	0.23 93	0.15 49	0.28 120	0.16 67	0.09 164	0.07 158	0.09 120	0.07 50	0.09 142	0.09 161

LL-Strereo	0.29 248	0.25 297	0.58 268	0.25 245	0.21 303	0.23 110	0.24 242	0.55 289	0.42 221	0.34 211	0.32 116	0.41 254	0.40 301	0.94 361	0.23 188	0.08 99	0.07 158	0.11 229	0.09 183	0.09 142	0.09 161

CBFPSM	0.27 221	0.16 207	0.67 297	0.20 57	0.14 164	0.38 275	0.25 256	0.40 153	0.36 166	0.33 195	0.36 158	0.56 318	0.38 293	0.32 156	0.38 273	0.08 99	0.08 223	0.07 14	0.08 109	0.09 142	0.11 231

gwcnet-sp	0.24 182	0.13 136	0.63 287	0.22 129	0.14 164	0.34 249	0.22 200	0.44 189	0.39 193	0.35 227	0.34 141	0.27 138	0.27 210	0.35 177	0.25 206	0.09 164	0.08 223	0.09 120	0.09 183	0.09 142	0.09 161

scenet	0.24 182	0.13 136	0.63 287	0.22 129	0.14 164	0.34 249	0.22 200	0.44 189	0.39 193	0.35 227	0.34 141	0.27 138	0.27 210	0.35 177	0.25 206	0.09 164	0.08 223	0.09 120	0.09 183	0.09 142	0.09 161

knoymous	0.17 36	0.09 9	0.32 60	0.17 5	0.11 42	0.21 73	0.17 59	0.32 67	0.23 44	0.23 57	0.28 79	0.27 138	0.16 63	0.23 51	0.16 67	0.09 164	0.06 72	0.09 120	0.06 23	0.09 142	0.09 161

ssnet	0.24 182	0.13 136	0.63 287	0.22 129	0.14 164	0.34 249	0.22 200	0.44 189	0.39 193	0.35 227	0.34 141	0.27 138	0.27 210	0.35 177	0.25 206	0.09 164	0.08 223	0.09 120	0.09 183	0.09 142	0.09 161

qqq	0.20 102	0.12 81	0.31 54	0.20 57	0.11 42	0.23 110	0.19 123	0.41 163	0.27 74	0.24 70	0.28 79	0.28 153	0.24 169	0.34 168	0.22 174	0.08 99	0.07 158	0.10 182	0.09 183	0.09 142	0.09 161

x	0.19 89	0.11 63	0.29 36	0.20 57	0.11 42	0.26 152	0.18 86	0.41 163	0.29 105	0.25 76	0.29 88	0.28 153	0.24 169	0.26 93	0.23 188	0.09 164	0.07 158	0.08 65	0.07 50	0.09 142	0.08 111

BUS	0.23 159	0.12 81	0.28 29	0.25 245	0.14 164	0.43 305	0.17 59	0.56 303	0.34 150	0.34 211	0.35 148	0.32 186	0.20 129	0.26 93	0.21 160	0.10 206	0.07 158	0.11 229	0.10 215	0.09 142	0.09 161

IER	0.23 159	0.12 81	0.39 138	0.20 57	0.14 164	0.31 219	0.19 123	0.42 175	0.36 166	0.33 195	0.40 196	0.32 186	0.33 266	0.29 133	0.22 174	0.09 164	0.07 158	0.08 65	0.08 109	0.09 142	0.08 111

RAFT+CT+SA	0.21 116	0.18 235	0.33 73	0.25 245	0.18 263	0.23 110	0.29 289	0.40 153	0.36 166	0.24 70	0.38 177	0.18 46	0.16 63	0.32 156	0.16 67	0.07 16	0.05 6	0.09 120	0.12 280	0.09 142	0.09 161

BSDual-CNN	0.23 159	0.12 81	0.28 29	0.25 245	0.14 164	0.35 258	0.21 184	0.56 303	0.34 150	0.34 211	0.35 148	0.38 227	0.24 169	0.26 93	0.21 160	0.10 206	0.07 158	0.11 229	0.10 215	0.09 142	0.09 161

hknet	0.25 204	0.14 164	0.40 143	0.25 245	0.15 205	0.35 258	0.21 184	0.56 303	0.37 175	0.34 211	0.35 148	0.43 264	0.27 210	0.37 183	0.21 160	0.09 164	0.07 158	0.11 229	0.10 215	0.09 142	0.09 161

iRaft-Stereo_5w	0.23 159	0.18 235	0.44 188	0.22 129	0.13 131	0.19 34	0.19 123	0.37 129	0.32 132	0.28 98	0.37 167	0.34 199	0.23 154	0.65 288	0.27 222	0.06 1	0.06 72	0.08 65	0.07 50	0.09 142	0.08 111

psmg	0.23 159	0.12 81	0.28 29	0.21 86	0.14 164	0.35 258	0.23 220	0.51 251	0.34 150	0.35 227	0.38 177	0.38 227	0.24 169	0.26 93	0.21 160	0.10 206	0.08 223	0.10 182	0.10 215	0.09 142	0.08 111

DAS	0.27 221	0.12 81	0.42 172	0.24 208	0.18 263	0.29 191	0.24 242	0.45 197	0.45 252	0.41 287	0.44 239	0.34 199	0.29 236	0.75 318	0.21 160	0.09 164	0.07 158	0.09 120	0.07 50	0.09 142	0.09 161

SepStereo	0.26 214	0.12 81	0.42 172	0.24 208	0.18 263	0.29 191	0.24 242	0.45 197	0.45 252	0.41 287	0.44 239	0.34 199	0.29 236	0.64 282	0.21 160	0.09 164	0.07 158	0.09 120	0.07 50	0.09 142	0.09 161

GwcNet-ADL	0.22 142	0.14 164	0.58 268	0.24 208	0.13 131	0.22 93	0.23 220	0.49 230	0.40 206	0.27 89	0.29 88	0.30 170	0.20 129	0.26 93	0.23 188	0.09 164	0.07 158	0.07 14	0.07 50	0.09 142	0.09 161

GANet-ADL	0.21 116	0.12 81	0.45 198	0.23 171	0.14 164	0.29 191	0.19 123	0.46 206	0.35 156	0.25 76	0.32 116	0.32 186	0.19 121	0.24 57	0.20 139	0.10 206	0.07 158	0.07 14	0.06 23	0.09 142	0.10 206

NRIStereo	0.18 53	0.11 63	0.35 86	0.23 171	0.11 42	0.24 125	0.20 161	0.29 40	0.26 65	0.26 85	0.25 64	0.25 111	0.18 108	0.34 168	0.18 104	0.07 16	0.06 72	0.09 120	0.07 50	0.09 142	0.08 111

SST-Stereo	0.21 116	0.10 24	0.37 108	0.24 208	0.13 131	0.19 34	0.17 59	0.31 59	0.24 54	0.34 211	0.33 135	0.29 160	0.25 184	0.56 247	0.17 90	0.08 99	0.05 6	0.10 182	0.08 109	0.09 142	0.07 65

DeepStereo_RVC	0.18 53	0.11 63	0.40 143	0.21 86	0.11 42	0.19 34	0.16 38	0.28 33	0.22 33	0.27 89	0.27 75	0.23 93	0.28 223	0.24 57	0.18 104	0.08 99	0.06 72	0.09 120	0.07 50	0.09 142	0.10 206

ICVP	0.23 159	0.13 136	0.44 188	0.26 273	0.14 164	0.29 191	0.25 256	0.45 197	0.33 143	0.29 123	0.43 230	0.35 213	0.25 184	0.26 93	0.23 188	0.12 260	0.09 251	0.09 120	0.08 109	0.09 142	0.10 206
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
rafts_anoy	0.18 53	0.15 189	0.35 86	0.22 129	0.14 164	0.19 34	0.17 59	0.32 67	0.30 114	0.23 57	0.25 64	0.20 59	0.16 63	0.22 44	0.19 128	0.08 99	0.07 158	0.10 182	0.12 280	0.09 142	0.08 111

RALCasStereoNet	0.18 53	0.15 189	0.33 73	0.21 86	0.14 164	0.21 73	0.18 86	0.31 59	0.25 58	0.21 50	0.29 88	0.22 74	0.15 49	0.27 108	0.17 90	0.08 99	0.10 269	0.07 14	0.06 23	0.09 142	0.09 161

RALAANet	0.19 89	0.18 235	0.37 108	0.23 171	0.14 164	0.23 110	0.13 3	0.37 129	0.29 105	0.28 98	0.26 70	0.25 111	0.15 49	0.26 93	0.18 104	0.08 99	0.06 72	0.09 120	0.08 109	0.09 142	0.06 18

sCroCo_RVC	0.18 53	0.14 164	0.49 225	0.27 296	0.18 263	0.22 93	0.17 59	0.27 21	0.23 44	0.14 8	0.22 47	0.17 39	0.14 42	0.21 39	0.15 51	0.10 206	0.11 286	0.09 120	0.09 183	0.09 142	0.09 161

222	0.41 322	0.10 24	0.29 36	0.19 26	0.11 42	0.36 263	0.20 161	0.57 310	0.39 193	0.35 227	0.44 239	0.30 170	0.27 210	0.55 239	3.56 409	0.11 233	0.07 158	0.08 65	0.08 109	0.09 142	0.09 161

xxxx	0.34 284	0.10 24	0.29 36	0.19 26	0.11 42	0.37 268	0.20 161	0.58 317	0.38 187	0.29 123	0.42 218	0.38 227	0.24 169	0.46 206	2.20 402	0.11 233	0.07 158	0.09 120	0.08 109	0.09 142	0.09 161

test_xeample	0.34 284	0.10 24	0.29 36	0.19 26	0.11 42	0.33 236	0.23 220	0.55 289	0.38 187	0.32 186	0.45 251	0.29 160	0.26 193	0.57 250	2.24 404	0.10 206	0.07 158	0.09 120	0.08 109	0.09 142	0.09 161

ARAFT	0.24 182	0.21 271	0.78 317	0.22 129	0.12 77	0.29 191	0.24 242	0.43 185	0.32 132	0.33 195	0.28 79	0.28 153	0.19 121	0.49 216	0.18 104	0.07 16	0.06 72	0.12 262	0.11 248	0.09 142	0.06 18

SFCPSM	0.22 142	0.10 24	0.51 241	0.21 86	0.14 164	0.34 249	0.22 200	0.55 289	0.39 193	0.29 123	0.32 116	0.23 93	0.21 134	0.27 108	0.19 128	0.09 164	0.07 158	0.09 120	0.09 183	0.09 142	0.08 111

FENet	0.21 116	0.11 63	0.45 198	0.21 86	0.12 77	0.26 152	0.17 59	0.41 163	0.35 156	0.30 151	0.31 113	0.29 160	0.23 154	0.26 93	0.23 188	0.09 164	0.06 72	0.09 120	0.09 183	0.09 142	0.09 161

ac_64	0.27 221	0.13 136	0.41 165	0.24 208	0.17 244	0.36 263	0.22 200	0.46 206	0.33 143	0.35 227	0.36 158	0.52 308	0.30 245	0.62 275	0.32 249	0.11 233	0.09 251	0.10 182	0.10 215	0.09 142	0.08 111

GwcNet-RSSM	0.26 214	0.17 223	0.46 204	0.21 86	0.13 131	0.28 172	0.23 220	0.44 189	0.42 221	0.31 168	0.45 251	0.40 251	0.26 193	0.55 239	0.28 224	0.11 233	0.07 158	0.09 120	0.10 215	0.09 142	0.08 111

AANet_RVC	0.31 262	0.22 283	0.50 235	0.23 171	0.14 164	0.30 208	0.24 242	0.47 213	0.54 313	0.38 255	0.60 318	0.43 264	0.29 236	0.87 348	0.40 287	0.11 233	0.07 158	0.07 14	0.07 50	0.09 142	0.09 161

HITNet	0.20 102	0.17 223	0.43 182	0.19 26	0.08 2	0.27 159	0.14 13	0.42 175	0.30 114	0.29 123	0.32 116	0.27 138	0.21 134	0.28 120	0.25 206	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
iResNet_ROB	0.25 204	0.19 250	0.40 143	0.20 57	0.12 77	0.30 208	0.16 38	0.55 289	0.53 310	0.38 255	0.43 230	0.37 222	0.26 193	0.38 187	0.22 174	0.08 99	0.06 72	0.06 1	0.04 1	0.09 142	0.09 161

MyStereo8	0.22 142	0.15 189	0.63 287	0.21 86	0.17 244	0.31 219	0.16 38	0.36 123	0.32 132	0.28 98	0.36 158	0.25 111	0.18 108	0.25 80	0.28 224	0.08 99	0.07 158	0.08 65	0.07 50	0.10 189	0.12 253

mmm	0.21 116	0.12 81	0.31 54	0.22 129	0.12 77	0.28 172	0.21 184	0.41 163	0.27 74	0.29 123	0.38 177	0.29 160	0.24 169	0.29 133	0.22 174	0.09 164	0.07 158	0.11 229	0.09 183	0.10 189	0.09 161

test croco	0.17 36	0.13 136	0.43 182	0.21 86	0.13 131	0.16 6	0.17 59	0.27 21	0.22 33	0.16 24	0.26 70	0.13 11	0.16 63	0.27 108	0.16 67	0.08 99	0.06 72	0.10 182	0.07 50	0.10 189	0.07 65

StereoVision	0.22 142	0.18 235	0.37 108	0.27 296	0.17 244	0.23 110	0.22 200	0.38 135	0.31 124	0.20 41	0.51 283	0.22 74	0.16 63	0.28 120	0.18 104	0.11 233	0.12 303	0.13 281	0.13 298	0.10 189	0.07 65

riskmin	0.18 53	0.09 9	0.34 78	0.18 8	0.12 77	0.24 125	0.16 38	0.34 87	0.28 87	0.21 50	0.23 49	0.33 193	0.24 169	0.23 51	0.17 90	0.09 164	0.06 72	0.09 120	0.06 23	0.10 189	0.10 206

CRFU-Net	0.28 238	0.14 164	0.45 198	0.25 245	0.15 205	0.45 312	0.23 220	0.50 238	0.30 114	0.43 301	0.41 204	0.48 291	0.46 326	0.43 198	0.29 234	0.11 233	0.10 269	0.09 120	0.08 109	0.10 189	0.10 206

test_5	0.23 159	0.19 250	0.38 127	0.26 273	0.18 263	0.25 135	0.29 289	0.40 153	0.37 175	0.29 123	0.40 196	0.25 111	0.22 145	0.34 168	0.18 104	0.07 16	0.05 6	0.09 120	0.09 183	0.10 189	0.10 206

CSP-Net	0.27 221	0.15 189	0.30 42	0.21 86	0.14 164	0.44 307	0.24 242	0.50 238	0.40 206	0.41 287	0.43 230	0.42 261	0.26 193	0.66 292	0.28 224	0.12 260	0.08 223	0.08 65	0.08 109	0.10 189	0.09 161

PSMNet-ADL	0.25 204	0.15 189	0.32 60	0.26 273	0.14 164	0.31 219	0.22 200	0.44 189	0.36 166	0.27 89	0.33 135	0.41 254	0.28 223	0.61 267	0.29 234	0.11 233	0.09 251	0.09 120	0.11 248	0.10 189	0.10 206

Patchmatch Stereo++	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.26 93	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	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 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.18 108	0.24 57	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

ROB_FTStereo_v2	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.16 38	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.24 57	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

ROB_FTStereo	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 79	0.25 111	0.17 86	0.24 57	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

HUI-Stereo	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.28 79	0.25 111	0.17 86	0.22 44	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

iGMRVC	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.27 108	0.17 90	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

iRAFT	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.14 13	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.17 86	0.26 93	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

CRE-IMP	0.18 53	0.12 81	0.37 108	0.22 129	0.11 42	0.24 125	0.17 59	0.29 40	0.21 26	0.27 89	0.26 70	0.24 104	0.17 86	0.23 51	0.18 104	0.08 99	0.05 6	0.10 182	0.07 50	0.10 189	0.10 206

RAFT	0.21 116	0.17 223	0.32 60	0.24 208	0.12 77	0.25 135	0.27 272	0.35 104	0.28 87	0.33 195	0.33 135	0.38 227	0.22 145	0.29 133	0.17 90	0.08 99	0.08 223	0.11 229	0.10 215	0.10 189	0.06 18

RAFT-IKP	0.18 53	0.12 81	0.37 108	0.22 129	0.10 20	0.18 13	0.15 26	0.29 40	0.22 33	0.28 98	0.29 88	0.25 111	0.18 108	0.25 80	0.16 67	0.08 99	0.06 72	0.10 182	0.08 109	0.10 189	0.08 111

GES	0.22 142	0.12 81	0.42 172	0.20 57	0.14 164	0.27 159	0.19 123	0.49 230	0.33 143	0.30 151	0.36 158	0.25 111	0.23 154	0.29 133	0.22 174	0.10 206	0.08 223	0.08 65	0.07 50	0.10 189	0.11 231

HCRNet	0.24 182	0.25 297	0.33 73	0.34 343	0.16 228	0.27 159	0.18 86	0.43 185	0.35 156	0.30 151	0.35 148	0.32 186	0.22 145	0.44 202	0.20 139	0.13 276	0.08 223	0.13 281	0.11 248	0.10 189	0.09 161

GMStereo	0.19 89	0.25 297	0.40 143	0.21 86	0.12 77	0.22 93	0.19 123	0.29 40	0.40 206	0.25 76	0.23 49	0.16 34	0.15 49	0.25 80	0.19 128	0.09 164	0.06 72	0.08 65	0.08 109	0.10 189	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
MMNet	0.27 221	0.14 164	0.49 225	0.24 208	0.17 244	0.47 320	0.22 200	0.45 197	0.51 300	0.39 270	0.41 204	0.36 218	0.33 266	0.39 189	0.34 260	0.08 99	0.07 158	0.09 120	0.09 183	0.10 189	0.08 111

psm_up	0.29 248	0.16 207	0.41 165	0.26 273	0.17 244	0.32 227	0.26 267	0.55 289	0.43 226	0.36 242	0.40 196	0.45 278	0.37 289	0.58 255	0.30 240	0.11 233	0.12 303	0.13 281	0.12 280	0.10 189	0.10 206

UNet	0.28 238	0.14 164	0.69 302	0.23 171	0.20 295	0.44 307	0.22 200	0.50 238	0.40 206	0.34 211	0.39 189	0.43 264	0.33 266	0.40 192	0.31 244	0.09 164	0.07 158	0.10 182	0.08 109	0.10 189	0.08 111

UPFNet	0.25 204	0.12 81	0.38 127	0.24 208	0.19 281	0.37 268	0.28 285	0.48 224	0.38 187	0.34 211	0.37 167	0.37 222	0.28 223	0.39 189	0.33 256	0.10 206	0.09 251	0.10 182	0.10 215	0.10 189	0.08 111

ACVNet	0.23 159	0.13 136	0.35 86	0.18 8	0.15 205	0.27 159	0.23 220	0.39 146	0.44 240	0.28 98	0.41 204	0.38 227	0.26 193	0.27 108	0.32 249	0.08 99	0.07 158	0.08 65	0.07 50	0.10 189	0.07 65

HGLStereo	0.27 221	0.14 164	0.46 204	0.24 208	0.21 303	0.33 236	0.23 220	0.50 238	0.42 221	0.35 227	0.48 274	0.41 254	0.33 266	0.45 204	0.33 256	0.11 233	0.10 269	0.09 120	0.09 183	0.10 189	0.12 253

GANet-RSSM	0.24 182	0.14 164	0.36 103	0.21 86	0.14 164	0.27 159	0.21 184	0.45 197	0.33 143	0.29 123	0.39 189	0.39 238	0.28 223	0.58 255	0.23 188	0.11 233	0.07 158	0.09 120	0.09 183	0.10 189	0.09 161

PSMNet-RSSM	0.24 182	0.15 189	0.36 103	0.21 86	0.14 164	0.25 135	0.20 161	0.48 224	0.37 175	0.30 151	0.44 239	0.38 227	0.26 193	0.52 229	0.22 174	0.12 260	0.07 158	0.11 229	0.13 298	0.10 189	0.09 161

DMCA	0.22 142	0.14 164	0.36 103	0.22 129	0.14 164	0.27 159	0.20 161	0.43 185	0.38 187	0.31 168	0.32 116	0.33 193	0.24 169	0.24 57	0.28 224	0.11 233	0.08 223	0.10 182	0.08 109	0.10 189	0.11 231

BEATNet_4x	0.22 142	0.18 235	0.47 211	0.22 129	0.10 20	0.28 172	0.14 13	0.46 206	0.32 132	0.31 168	0.34 141	0.31 178	0.25 184	0.31 150	0.29 234	0.08 99	0.06 72	0.08 65	0.06 23	0.10 189	0.08 111

NLCA_NET_v2_RVC	0.27 221	0.21 271	0.59 272	0.25 245	0.18 263	0.29 191	0.22 200	0.50 238	0.40 206	0.38 255	0.41 204	0.43 264	0.27 210	0.43 198	0.29 234	0.11 233	0.08 223	0.10 182	0.10 215	0.10 189	0.11 231
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.27 221	0.17 223	0.35 86	0.25 245	0.14 164	0.37 268	0.21 184	0.47 213	0.41 217	0.44 306	0.51 283	0.41 254	0.28 223	0.45 204	0.37 271	0.09 164	0.06 72	0.11 229	0.11 248	0.10 189	0.10 206
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.28 238	0.16 207	0.34 78	0.27 296	0.16 228	0.38 275	0.25 256	0.48 224	0.43 226	0.46 313	0.46 261	0.51 305	0.33 266	0.53 234	0.33 256	0.10 206	0.10 269	0.11 229	0.11 248	0.10 189	0.09 161

pmcnn	0.50 344	0.20 258	0.78 317	0.24 208	0.26 346	0.39 282	0.30 299	0.51 251	0.50 297	0.54 342	1.23 379	2.52 402	0.37 289	0.77 329	0.95 363	0.08 99	0.06 72	0.06 1	0.05 9	0.10 189	0.08 111

mmx	0.31 262	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.55 289	0.45 252	0.30 151	0.42 218	0.34 199	0.23 154	0.81 339	1.08 369	0.10 206	0.07 158	0.11 229	0.10 215	0.11 225	0.10 206

ttt	0.29 248	0.12 81	0.34 78	0.21 86	0.13 131	0.29 191	0.20 161	0.56 303	0.47 271	0.31 168	0.44 239	0.30 170	0.22 145	0.65 288	0.85 359	0.13 276	0.10 269	0.10 182	0.10 215	0.11 225	0.11 231

xxx	0.31 262	0.12 81	0.42 172	0.20 57	0.13 131	0.28 172	0.20 161	0.55 289	0.45 252	0.30 151	0.42 218	0.34 199	0.23 154	0.81 339	1.08 369	0.10 206	0.07 158	0.11 229	0.10 215	0.11 225	0.10 206

PCWNet_CMD	0.23 159	0.13 136	0.48 220	0.20 57	0.13 131	0.28 172	0.16 38	0.46 206	0.46 266	0.29 123	0.36 158	0.37 222	0.24 169	0.28 120	0.20 139	0.09 164	0.06 72	0.10 182	0.08 109	0.11 225	0.09 161

CASS	0.21 116	0.15 189	0.32 60	0.26 273	0.11 42	0.28 172	0.19 123	0.39 146	0.30 114	0.32 186	0.34 141	0.25 111	0.24 169	0.25 80	0.20 139	0.13 276	0.08 223	0.11 229	0.09 183	0.11 225	0.11 231
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ToySt	0.24 182	0.16 207	0.48 220	0.21 86	0.13 131	0.29 191	0.29 289	0.39 146	0.39 193	0.27 89	0.35 148	0.39 238	0.31 256	0.31 150	0.29 234	0.08 99	0.09 251	0.10 182	0.11 248	0.11 225	0.10 206

ssnet_v2	0.28 238	0.16 207	0.44 188	0.22 129	0.15 205	0.40 287	0.30 299	0.57 310	0.46 266	0.38 255	0.36 158	0.47 286	0.29 236	0.38 187	0.39 281	0.13 276	0.11 286	0.11 229	0.11 248	0.11 225	0.11 231

Wz-Net-LNSev-Ref	0.30 255	0.20 258	0.70 308	0.21 86	0.17 244	0.46 314	0.27 272	0.50 238	0.49 289	0.42 295	0.55 303	0.43 264	0.30 245	0.46 206	0.38 273	0.09 164	0.06 72	0.07 14	0.06 23	0.11 225	0.10 206

NINENet	0.25 204	0.15 189	0.37 108	0.23 171	0.16 228	0.43 305	0.17 59	0.60 330	0.46 266	0.32 186	0.37 167	0.32 186	0.20 129	0.42 196	0.21 160	0.10 206	0.10 269	0.12 262	0.08 109	0.11 225	0.10 206

dd	0.22 142	0.26 308	0.40 143	0.22 129	0.12 77	0.25 135	0.21 184	0.32 67	0.44 240	0.29 123	0.28 79	0.25 111	0.16 63	0.30 145	0.25 206	0.12 260	0.07 158	0.10 182	0.08 109	0.11 225	0.09 161

GEStereo_RVC	0.27 221	0.20 258	0.44 188	0.27 296	0.16 228	0.33 236	0.25 256	0.56 303	0.54 313	0.34 211	0.38 177	0.34 199	0.25 184	0.51 223	0.28 224	0.12 260	0.08 223	0.09 120	0.08 109	0.11 225	0.11 231

Anonymous3	0.23 159	0.18 235	0.63 287	0.27 296	0.18 263	0.41 290	0.23 220	0.43 185	0.35 156	0.23 57	0.27 75	0.20 59	0.18 108	0.27 108	0.18 104	0.12 260	0.11 286	0.10 182	0.10 215	0.11 225	0.12 253

TestStereo	0.21 116	0.19 250	0.40 143	0.25 245	0.10 20	0.22 93	0.21 184	0.31 59	0.31 124	0.23 57	0.34 141	0.22 74	0.18 108	0.62 275	0.18 104	0.08 99	0.06 72	0.10 182	0.07 50	0.11 225	0.06 18

CFNet_pseudo	0.23 159	0.13 136	0.47 211	0.19 26	0.13 131	0.26 152	0.16 38	0.44 189	0.44 240	0.29 123	0.37 167	0.38 227	0.23 154	0.29 133	0.21 160	0.09 164	0.06 72	0.11 229	0.08 109	0.11 225	0.09 161

ADLNet	0.28 238	0.15 189	0.42 172	0.23 171	0.19 281	0.34 249	0.23 220	0.53 272	0.43 226	0.42 295	0.41 204	0.44 274	0.27 210	0.55 239	0.35 264	0.11 233	0.08 223	0.11 229	0.11 248	0.11 225	0.12 253

RAFT + AFF	0.27 221	0.23 290	0.50 235	0.25 245	0.17 244	0.30 208	0.33 317	0.52 261	0.40 206	0.28 98	0.30 99	0.30 170	0.31 256	0.62 275	0.24 197	0.09 164	0.10 269	0.11 229	0.10 215	0.11 225	0.11 231

acv_ft	0.25 204	0.13 136	0.40 143	0.23 171	0.19 281	0.34 249	0.21 184	0.45 197	0.44 240	0.38 255	0.41 204	0.38 227	0.27 210	0.27 108	0.35 264	0.08 99	0.07 158	0.08 65	0.07 50	0.11 225	0.07 65

DSFCA	0.27 221	0.13 136	0.36 103	0.20 57	0.17 244	0.38 275	0.31 303	0.47 213	0.43 226	0.43 301	0.37 167	0.39 238	0.29 236	0.52 229	0.32 249	0.12 260	0.10 269	0.10 182	0.11 248	0.11 225	0.10 206

ADCRef	0.38 308	0.24 293	0.88 342	0.26 273	0.21 303	0.49 327	0.27 272	0.52 261	0.48 280	0.50 324	0.58 311	0.35 213	0.47 329	0.48 211	1.29 385	0.09 164	0.08 223	0.12 262	0.12 280	0.11 225	0.11 231

MSMDNet	0.23 159	0.13 136	0.48 220	0.20 57	0.13 131	0.28 172	0.16 38	0.46 206	0.46 266	0.29 123	0.36 158	0.37 222	0.24 169	0.28 120	0.20 139	0.09 164	0.06 72	0.09 120	0.08 109	0.11 225	0.09 161

CFNet	0.27 221	0.20 258	0.44 188	0.22 129	0.14 164	0.33 236	0.14 13	0.51 251	0.45 252	0.30 151	0.40 196	0.38 227	0.27 210	0.76 323	0.25 206	0.09 164	0.07 158	0.11 229	0.11 248	0.11 225	0.08 111

ccs_rob	0.23 159	0.13 136	0.47 211	0.20 57	0.13 131	0.26 152	0.17 59	0.44 189	0.44 240	0.29 123	0.37 167	0.38 227	0.23 154	0.29 133	0.21 160	0.09 164	0.06 72	0.11 229	0.08 109	0.11 225	0.09 161

AdaStereo	0.24 182	0.16 207	0.37 108	0.24 208	0.12 77	0.32 227	0.17 59	0.54 279	0.42 221	0.33 195	0.38 177	0.35 213	0.21 134	0.30 145	0.22 174	0.14 299	0.06 72	0.13 281	0.08 109	0.11 225	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.
NaN_ROB	0.41 322	0.28 318	0.62 285	0.30 323	0.19 281	0.51 331	0.47 360	0.58 317	0.59 328	0.56 344	0.47 268	0.49 295	0.41 305	1.21 381	0.64 343	0.12 260	0.18 349	0.12 262	0.13 298	0.11 225	0.14 282

LE_ROB	1.76 402	0.20 258	2.68 403	0.48 373	0.52 379	0.78 370	0.96 398	0.84 382	6.61 414	7.40 415	2.08 402	2.08 395	4.83 410	1.27 385	3.79 410	0.10 206	0.08 223	0.12 262	0.11 248	0.11 225	0.10 206

DN-CSS_ROB	0.22 142	0.25 297	0.47 211	0.24 208	0.14 164	0.25 135	0.12 1	0.40 153	0.33 143	0.29 123	0.42 218	0.22 74	0.20 129	0.33 162	0.19 128	0.07 16	0.06 72	0.11 229	0.11 248	0.11 225	0.07 65

CFNet_ucs	0.24 182	0.13 136	0.50 235	0.20 57	0.15 205	0.28 172	0.17 59	0.49 230	0.45 252	0.32 186	0.42 218	0.39 238	0.22 145	0.31 150	0.21 160	0.11 233	0.08 223	0.12 262	0.09 183	0.12 251	0.11 231

fast-acv-ft	0.31 262	0.20 258	0.81 327	0.24 208	0.18 263	0.46 314	0.27 272	0.41 163	0.49 289	0.39 270	0.55 303	0.49 295	0.35 277	0.37 183	0.38 273	0.11 233	0.11 286	0.11 229	0.12 280	0.12 251	0.09 161

ADLNet2	0.30 255	0.17 223	0.72 311	0.23 171	0.17 244	0.36 263	0.24 242	0.52 261	0.51 300	0.32 186	0.38 177	0.45 278	0.30 245	0.69 297	0.35 264	0.10 206	0.08 223	0.09 120	0.09 183	0.12 251	0.10 206

CFNet-ft	0.24 182	0.15 189	0.35 86	0.18 8	0.15 205	0.30 208	0.21 184	0.39 146	0.36 166	0.28 98	0.40 196	0.43 264	0.25 184	0.47 209	0.24 197	0.12 260	0.07 158	0.12 262	0.11 248	0.12 251	0.09 161

STTStereo	0.28 238	0.20 258	0.61 277	0.25 245	0.17 244	0.29 191	0.24 242	0.47 213	0.39 193	0.39 270	0.41 204	0.44 274	0.28 223	0.40 192	0.28 224	0.13 276	0.12 303	0.13 281	0.16 328	0.12 251	0.11 231

PA-Net	0.37 302	0.28 318	0.83 331	0.31 330	0.28 351	0.39 282	0.42 347	0.51 251	0.55 319	0.34 211	0.42 218	0.41 254	0.36 281	0.79 332	0.49 316	0.12 260	0.23 366	0.16 321	0.23 359	0.12 251	0.18 319
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.30 255	0.21 271	0.38 127	0.28 313	0.15 205	0.33 236	0.32 307	0.52 261	0.47 271	0.38 255	0.43 230	0.39 238	0.29 236	0.91 356	0.28 224	0.14 299	0.08 223	0.13 281	0.11 248	0.12 251	0.10 206

CFNet_RVC	0.24 182	0.15 189	0.35 86	0.18 8	0.15 205	0.30 208	0.21 184	0.39 146	0.36 166	0.28 98	0.40 196	0.43 264	0.25 184	0.47 209	0.24 197	0.12 260	0.07 158	0.12 262	0.11 248	0.12 251	0.09 161

iResNetv2_ROB	0.27 221	0.26 308	0.72 311	0.23 171	0.13 131	0.29 191	0.18 86	0.52 261	0.49 289	0.37 247	0.45 251	0.39 238	0.25 184	0.34 168	0.20 139	0.08 99	0.06 72	0.07 14	0.05 9	0.12 251	0.09 161

DRN-Test	0.33 277	0.17 223	0.61 277	0.27 296	0.19 281	0.46 314	0.29 289	0.65 350	0.51 300	0.47 320	0.46 261	0.44 274	0.34 273	0.62 275	0.41 293	0.12 260	0.08 223	0.13 281	0.12 280	0.12 251	0.10 206

StereoDRNet	0.32 271	0.22 283	0.61 277	0.27 296	0.21 303	0.42 297	0.30 299	0.61 334	0.48 280	0.46 313	0.39 189	0.48 291	0.30 245	0.57 250	0.40 287	0.11 233	0.09 251	0.12 262	0.11 248	0.12 251	0.10 206

DISCO	0.32 271	0.13 136	0.51 241	0.25 245	0.16 228	0.48 324	0.25 256	0.50 238	0.57 325	0.37 247	0.45 251	0.62 336	0.36 281	0.64 282	0.49 316	0.09 164	0.07 158	0.09 120	0.08 109	0.12 251	0.11 231

MDST_ROB	0.48 340	0.14 164	0.95 353	0.30 323	0.21 303	1.33 396	0.32 307	0.77 373	0.56 322	1.06 382	0.71 343	0.49 295	0.35 277	1.26 384	0.38 273	0.13 276	0.11 286	0.16 321	0.13 298	0.12 251	0.12 253

iinet-f	0.30 255	0.18 235	1.03 364	0.20 57	0.15 205	0.44 307	0.22 200	0.45 197	0.37 175	0.35 227	0.44 239	0.41 254	0.34 273	0.34 168	0.40 287	0.10 206	0.09 251	0.08 65	0.08 109	0.13 264	0.11 231

AASNet	0.27 221	0.19 250	0.49 225	0.26 273	0.17 244	0.34 249	0.20 161	0.62 342	0.48 280	0.35 227	0.40 196	0.32 186	0.25 184	0.28 120	0.34 260	0.11 233	0.09 251	0.10 182	0.08 109	0.13 264	0.11 231

AACVNet	0.26 214	0.16 207	0.37 108	0.22 129	0.14 164	0.29 191	0.19 123	0.41 163	0.31 124	0.38 255	0.42 218	0.43 264	0.28 223	0.73 310	0.25 206	0.11 233	0.08 223	0.11 229	0.09 183	0.13 264	0.11 231

LCNet	0.21 116	0.11 63	0.29 36	0.25 245	0.12 77	0.23 110	0.19 123	0.34 87	0.26 65	0.28 98	0.35 148	0.26 130	0.30 245	0.35 177	0.17 90	0.07 16	0.05 6	0.09 120	0.10 215	0.13 264	0.22 348

LMCR-Stereo	0.26 214	0.18 235	0.49 225	0.28 313	0.14 164	0.36 263	0.23 220	0.54 279	0.34 150	0.39 270	0.40 196	0.29 160	0.29 236	0.37 183	0.27 222	0.11 233	0.07 158	0.09 120	0.07 50	0.13 264	0.09 161

Syn2CoEx	0.36 293	0.31 336	0.78 317	0.34 343	0.21 303	0.41 290	0.28 285	0.61 334	0.49 289	0.42 295	0.56 308	0.45 278	0.44 317	0.69 297	0.38 273	0.17 332	0.14 317	0.15 312	0.12 280	0.13 264	0.12 253

GwcNet	0.35 289	0.23 290	0.88 342	0.25 245	0.24 334	0.48 324	0.27 272	0.55 289	0.57 325	0.38 255	0.52 291	0.51 305	0.32 263	0.60 262	0.41 293	0.13 276	0.11 286	0.12 262	0.11 248	0.13 264	0.14 282

DMCA-RVC	0.27 221	0.21 271	0.61 277	0.28 313	0.17 244	0.29 191	0.21 184	0.42 175	0.35 156	0.40 278	0.37 167	0.39 238	0.36 281	0.43 198	0.30 240	0.13 276	0.10 269	0.15 312	0.11 248	0.13 264	0.10 206

FADNet-RVC-Resample	0.29 248	0.25 297	0.93 350	0.26 273	0.16 228	0.32 227	0.21 184	0.47 213	0.39 193	0.35 227	0.38 177	0.33 193	0.27 210	0.53 234	0.24 197	0.10 206	0.10 269	0.14 300	0.13 298	0.13 264	0.16 298

UCFNet_RVC	0.24 182	0.16 207	0.34 78	0.18 8	0.15 205	0.33 236	0.16 38	0.46 206	0.35 156	0.29 123	0.35 148	0.39 238	0.25 184	0.34 168	0.22 174	0.13 276	0.08 223	0.13 281	0.14 309	0.13 264	0.12 253

PSMNet_ROB	0.33 277	0.24 293	0.54 251	0.31 330	0.21 303	0.42 297	0.43 349	0.59 322	0.47 271	0.37 247	0.44 239	0.49 295	0.31 256	0.64 282	0.43 297	0.14 299	0.10 269	0.15 312	0.14 309	0.13 264	0.11 231

CBMV	0.33 277	0.21 271	0.54 251	0.23 171	0.13 131	0.42 297	0.33 317	0.53 272	0.48 280	0.52 335	0.49 275	0.50 301	0.41 305	0.56 247	0.31 244	0.15 310	0.16 338	0.18 334	0.16 328	0.13 264	0.13 265
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.34 284	0.29 325	0.91 346	0.26 273	0.21 303	0.47 320	0.31 303	0.54 279	0.54 313	0.44 306	0.52 291	0.50 301	0.35 277	0.39 189	0.39 281	0.11 233	0.11 286	0.10 182	0.09 183	0.14 276	0.13 265

UDGNet	0.23 159	0.31 336	0.38 127	0.24 208	0.14 164	0.24 125	0.18 86	0.32 67	0.43 226	0.29 123	0.28 79	0.24 104	0.19 121	0.29 133	0.20 139	0.15 310	0.07 158	0.21 346	0.11 248	0.14 276	0.10 206

dad	0.28 238	0.31 336	0.44 188	0.21 86	0.14 164	0.30 208	0.20 161	0.33 81	0.49 289	0.44 306	0.44 239	0.45 278	0.21 134	0.41 194	0.26 218	0.20 350	0.11 286	0.20 344	0.11 248	0.14 276	0.10 206

pcwnet_v2	0.32 271	0.15 189	1.26 378	0.23 171	0.18 263	0.32 227	0.18 86	0.59 322	0.60 331	0.36 242	0.45 251	0.35 213	0.29 236	0.36 181	0.25 206	0.14 299	0.11 286	0.12 262	0.11 248	0.14 276	0.15 291

FAT-Stereo	0.36 293	0.18 235	0.73 314	0.26 273	0.18 263	0.33 236	0.29 289	0.60 330	0.59 328	0.46 313	0.60 318	0.60 330	0.50 337	0.61 267	0.34 260	0.13 276	0.14 317	0.13 281	0.12 280	0.14 276	0.18 319

Nwc_Net	0.37 302	0.25 297	0.68 301	0.31 330	0.24 334	0.44 307	0.30 299	0.65 350	0.50 297	0.37 247	0.69 342	0.58 325	0.45 320	0.60 262	0.40 287	0.15 310	0.12 303	0.19 341	0.21 350	0.14 276	0.13 265

ADCL	0.47 338	0.22 283	1.00 358	0.27 296	0.19 281	0.74 364	0.64 378	0.54 279	0.69 350	0.56 344	0.71 343	0.55 316	0.60 352	0.60 262	1.43 387	0.11 233	0.09 251	0.13 281	0.13 298	0.14 276	0.14 282

ADCP+	0.45 335	0.24 293	1.15 372	0.25 245	0.22 318	0.56 343	0.39 340	0.54 279	0.51 300	0.44 306	0.51 283	0.46 284	0.52 342	0.56 247	1.89 398	0.10 206	0.08 223	0.11 229	0.10 215	0.14 276	0.13 265

GANet	0.36 293	0.22 283	0.49 225	0.29 316	0.17 244	0.41 290	0.38 335	0.57 310	0.45 252	0.46 313	0.75 349	0.55 316	0.40 301	0.94 361	0.41 293	0.13 276	0.13 313	0.13 281	0.11 248	0.14 276	0.11 231

CVANet_RVC	0.30 255	0.19 250	0.41 165	0.26 273	0.16 228	0.33 236	0.26 267	0.52 261	0.47 271	0.40 278	0.46 261	0.43 264	0.31 256	0.89 352	0.26 218	0.14 299	0.09 251	0.14 300	0.13 298	0.14 276	0.10 206

DeepPruner_ROB	0.26 214	0.19 250	0.44 188	0.21 86	0.16 228	0.30 208	0.21 184	0.52 261	0.32 132	0.35 227	0.38 177	0.39 238	0.26 193	0.42 196	0.24 197	0.15 310	0.11 286	0.11 229	0.11 248	0.14 276	0.13 265

CBMV_ROB	0.33 277	0.18 235	0.53 248	0.21 86	0.14 164	0.33 236	0.20 161	0.51 251	0.45 252	0.51 329	0.55 303	0.45 278	0.42 313	0.71 303	0.32 249	0.18 342	0.19 353	0.23 353	0.21 350	0.14 276	0.15 291

Wz-Net-MNSev	0.36 293	0.26 308	0.79 323	0.26 273	0.21 303	0.59 348	0.38 335	0.55 289	0.56 322	0.48 323	0.54 299	0.53 312	0.36 281	0.60 262	0.44 301	0.11 233	0.09 251	0.11 229	0.11 248	0.15 288	0.13 265

Anonymous	0.20 102	0.14 164	0.47 211	0.27 296	0.20 295	0.25 135	0.25 256	0.32 67	0.26 65	0.18 39	0.18 22	0.15 27	0.19 121	0.24 57	0.18 104	0.10 206	0.09 251	0.09 120	0.09 183	0.15 288	0.13 265

hitnet-ft	0.29 248	0.17 223	0.40 143	0.19 26	0.14 164	0.39 282	0.23 220	0.44 189	0.41 217	0.36 242	0.46 261	0.53 312	0.34 273	0.76 323	0.32 249	0.14 299	0.10 269	0.13 281	0.10 215	0.15 288	0.13 265

AF-Net	0.37 302	0.26 308	0.56 260	0.32 336	0.23 329	0.41 290	0.29 289	0.61 334	0.64 340	0.42 295	0.68 338	0.65 347	0.49 336	0.57 250	0.44 301	0.15 310	0.11 286	0.19 341	0.14 309	0.15 288	0.13 265

SGM-ForestM	1.36 393	0.28 318	0.79 323	0.26 273	0.16 228	2.26 407	1.00 400	1.42 395	1.46 394	2.38 406	2.05 401	5.95 415	2.66 408	2.95 407	2.46 405	0.17 332	0.18 349	0.18 334	0.18 342	0.15 288	0.18 319

PS-NSSS	0.32 271	0.30 331	0.46 204	0.23 171	0.17 244	0.33 236	0.24 242	0.57 310	0.41 217	0.37 247	0.52 291	0.35 213	0.30 245	0.80 336	0.30 240	0.17 332	0.14 317	0.21 346	0.15 317	0.15 288	0.13 265

XPNet_ROB	0.33 277	0.20 258	0.43 182	0.27 296	0.18 263	0.37 268	0.31 303	0.55 289	0.50 297	0.51 329	0.53 296	0.58 325	0.37 289	0.63 280	0.45 304	0.17 332	0.12 303	0.13 281	0.12 280	0.15 288	0.14 282

SGM-Forest	0.36 293	0.17 223	0.47 211	0.23 171	0.16 228	0.45 312	0.41 344	0.55 289	0.48 280	0.52 335	0.60 318	0.52 308	0.41 305	0.85 345	0.50 321	0.17 332	0.17 343	0.17 327	0.15 317	0.15 288	0.15 291
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
GMStereo_Zeroshot	0.24 182	0.21 271	0.45 198	0.26 273	0.13 131	0.28 172	0.15 26	0.39 146	0.35 156	0.37 247	0.43 230	0.40 251	0.17 86	0.34 168	0.20 139	0.12 260	0.07 158	0.13 281	0.07 50	0.16 296	0.09 161

HBP-ISP	0.33 277	0.30 331	0.72 311	0.22 129	0.16 228	0.32 227	0.22 200	0.54 279	0.44 240	0.41 287	0.49 275	0.33 193	0.38 293	0.73 310	0.25 206	0.18 342	0.19 353	0.24 355	0.20 347	0.16 296	0.13 265

Wz-Net-SNSev	0.43 328	0.41 361	1.27 379	0.30 323	0.21 303	0.44 307	0.41 344	0.61 334	0.65 341	0.46 313	0.65 332	0.62 336	0.39 298	0.74 317	0.59 334	0.12 260	0.11 286	0.12 262	0.13 298	0.16 296	0.14 282

SACVNet	0.30 255	0.20 258	0.41 165	0.25 245	0.18 263	0.34 249	0.25 256	0.52 261	0.40 206	0.41 287	0.44 239	0.46 284	0.32 263	0.71 303	0.25 206	0.13 276	0.10 269	0.12 262	0.12 280	0.16 296	0.17 306

APVNet	0.36 293	0.20 258	0.70 308	0.26 273	0.22 318	0.52 340	0.35 322	0.61 334	0.44 240	0.38 255	0.52 291	0.48 291	0.38 293	0.84 344	0.46 310	0.13 276	0.14 317	0.15 312	0.16 328	0.16 296	0.15 291

psmorigin	0.50 344	0.25 297	3.03 405	0.24 208	0.19 281	0.38 275	0.22 200	0.50 238	0.44 240	0.64 353	0.68 338	0.71 360	0.51 340	0.85 345	0.45 304	0.14 299	0.17 343	0.13 281	0.14 309	0.16 296	0.21 343

aanetorigin	0.39 314	0.29 325	1.09 367	0.24 208	0.19 281	0.28 172	0.37 329	0.33 81	0.47 271	0.94 374	0.82 357	0.52 308	0.54 343	0.49 216	0.50 321	0.11 233	0.09 251	0.10 182	0.10 215	0.16 296	0.15 291

S-Stereo	0.38 308	0.20 258	1.05 365	0.27 296	0.22 318	0.38 275	0.32 307	0.55 289	0.66 342	0.39 270	0.59 313	0.49 295	0.41 305	0.75 318	0.40 287	0.12 260	0.15 331	0.13 281	0.13 298	0.16 296	0.21 343

NCC-stereo	0.39 314	0.25 297	0.69 302	0.32 336	0.28 351	0.46 314	0.36 325	0.65 350	0.52 306	0.40 278	0.57 309	0.56 318	0.47 329	0.73 310	0.45 304	0.17 332	0.14 317	0.18 334	0.25 361	0.16 296	0.16 298

edge stereo	0.39 314	0.22 283	0.81 327	0.27 296	0.22 318	0.37 268	0.24 242	0.56 303	0.54 313	0.53 340	0.60 318	0.71 360	0.50 337	0.78 330	0.40 287	0.16 322	0.14 317	0.19 341	0.14 309	0.16 296	0.17 306

Abc-Net	0.39 314	0.25 297	0.69 302	0.32 336	0.28 351	0.46 314	0.36 325	0.65 350	0.52 306	0.40 278	0.57 309	0.56 318	0.47 329	0.73 310	0.45 304	0.17 332	0.14 317	0.18 334	0.25 361	0.16 296	0.16 298
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Anonymous Stereo	0.38 308	0.34 343	1.00 358	0.30 323	0.25 341	0.33 236	0.44 352	0.50 238	0.54 313	0.41 287	0.45 251	0.39 238	0.26 193	0.93 358	0.48 313	0.15 310	0.14 317	0.15 312	0.16 328	0.16 296	0.17 306

NCCL2	0.35 289	0.26 308	0.49 225	0.36 353	0.22 318	0.41 290	0.41 344	0.53 272	0.42 221	0.47 320	0.46 261	0.61 334	0.39 298	0.55 239	0.37 271	0.16 322	0.13 313	0.21 346	0.21 350	0.16 296	0.16 298

ETE_ROB	0.34 284	0.26 308	0.45 198	0.29 316	0.18 263	0.40 287	0.37 329	0.57 310	0.47 271	0.50 324	0.50 277	0.62 336	0.36 281	0.55 239	0.38 273	0.13 276	0.10 269	0.14 300	0.12 280	0.16 296	0.16 298

SGM_RVC	0.50 344	0.19 250	0.50 235	0.25 245	0.15 205	0.69 359	0.39 340	0.68 364	0.82 366	0.95 376	0.84 359	1.13 376	0.76 368	1.16 377	0.60 336	0.16 322	0.16 338	0.16 321	0.16 328	0.16 296	0.17 306
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SDNR	0.42 325	0.21 271	0.82 330	0.21 86	0.18 263	1.27 393	0.17 59	0.50 238	0.49 289	0.42 295	0.81 356	0.38 227	0.27 210	1.19 378	0.38 273	0.23 354	0.24 368	0.17 327	0.13 298	0.17 311	0.20 336

RP	0.35 289	0.22 283	0.51 241	0.31 330	0.24 334	0.37 268	0.28 285	0.50 238	0.58 327	0.40 278	0.63 330	0.61 334	0.47 329	0.61 267	0.39 281	0.16 322	0.15 331	0.17 327	0.15 317	0.17 311	0.17 306

RTSC	0.39 314	0.28 318	0.78 317	0.27 296	0.18 263	0.49 327	0.22 200	0.59 322	0.84 371	0.55 343	0.53 296	0.49 295	0.36 281	0.67 294	0.82 355	0.13 276	0.10 269	0.11 229	0.12 280	0.17 311	0.17 306

DeepPrunerF	0.44 334	0.29 325	1.29 381	0.33 341	0.30 359	0.35 258	0.36 325	0.62 342	1.15 388	0.40 278	0.44 239	0.39 238	0.41 305	0.80 336	0.52 324	0.18 342	0.14 317	0.23 353	0.21 350	0.17 311	0.17 306

DANet	0.35 289	0.23 290	0.60 274	0.36 353	0.22 318	0.39 282	0.25 256	0.48 224	0.43 226	0.52 335	0.50 277	0.59 327	0.41 305	0.76 323	0.49 316	0.13 276	0.11 286	0.14 300	0.12 280	0.17 311	0.15 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FBW_ROB	0.43 328	0.26 308	0.54 251	0.31 330	0.20 295	0.51 331	0.32 307	0.70 366	0.60 331	0.59 347	0.55 303	0.65 347	0.41 305	1.40 389	0.51 323	0.13 276	0.17 343	0.21 346	0.16 328	0.17 311	0.18 319

SANet	0.53 353	0.28 318	0.96 354	0.26 273	0.15 205	0.69 359	0.44 352	0.67 361	1.34 390	0.67 356	0.98 369	0.94 371	0.71 366	0.89 352	0.76 349	0.14 299	0.12 303	0.12 262	0.11 248	0.17 311	0.16 298

NOSS_ROB	0.31 262	0.20 258	0.35 86	0.24 208	0.16 228	0.32 227	0.19 123	0.52 261	0.48 280	0.33 195	0.36 158	0.42 261	0.28 223	0.93 358	0.24 197	0.19 347	0.20 358	0.24 355	0.22 357	0.17 311	0.17 306

LALA_ROB	0.36 293	0.25 297	0.46 204	0.30 323	0.21 303	0.47 320	0.39 340	0.61 334	0.51 300	0.52 335	0.51 283	0.69 357	0.36 281	0.50 218	0.43 297	0.17 332	0.11 286	0.16 321	0.14 309	0.17 311	0.15 291

PWC_ROB	0.38 308	0.29 325	0.69 302	0.25 245	0.20 295	0.38 275	0.19 123	0.58 317	0.67 345	0.57 346	0.85 360	0.51 305	0.40 301	0.71 303	0.52 324	0.13 276	0.09 251	0.14 300	0.10 215	0.17 311	0.14 282

MeshStereo	0.58 359	0.27 315	0.67 297	0.22 129	0.17 244	0.66 357	0.37 329	0.78 374	0.61 334	1.47 402	1.30 381	1.65 389	0.79 370	1.12 375	0.59 334	0.17 332	0.17 343	0.17 327	0.14 309	0.17 311	0.14 282
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
FINET	0.34 284	0.27 315	0.80 325	0.24 208	0.24 334	0.36 263	0.34 319	0.54 279	0.72 355	0.39 270	0.47 268	0.32 186	0.30 245	0.51 223	0.32 249	0.19 347	0.17 343	0.13 281	0.12 280	0.18 322	0.16 298

RGC	0.39 314	0.32 341	0.64 292	0.34 343	0.27 348	0.40 287	0.29 289	0.57 310	0.53 310	0.45 310	0.64 331	0.62 336	0.45 320	0.72 308	0.39 281	0.15 310	0.15 331	0.21 346	0.20 347	0.18 322	0.19 326

RYNet	0.37 302	0.18 235	0.59 272	0.25 245	0.28 351	0.61 352	0.32 307	0.59 322	0.59 328	0.41 287	0.38 177	0.57 322	0.39 298	0.87 348	0.53 326	0.11 233	0.08 223	0.12 262	0.11 248	0.18 322	0.18 319

CSAN	0.50 344	0.35 346	0.78 317	0.36 353	0.23 329	0.56 343	0.59 375	0.61 334	0.70 352	0.64 353	0.78 353	0.65 347	0.60 352	1.38 388	0.62 339	0.21 351	0.17 343	0.20 344	0.20 347	0.18 322	0.18 319

WZ-Net	0.52 352	0.38 356	1.90 393	0.30 323	0.24 334	0.57 346	0.48 364	0.62 342	0.78 363	0.50 324	0.71 343	0.68 355	0.54 343	0.98 367	0.84 356	0.13 276	0.10 269	0.11 229	0.12 280	0.19 326	0.20 336

EDNetEfficient	0.63 365	0.37 354	2.40 399	0.26 273	0.25 341	0.38 275	0.49 366	0.41 163	1.06 383	1.38 392	0.87 364	0.62 336	0.95 381	0.65 288	1.65 391	0.11 233	0.09 251	0.10 182	0.11 248	0.19 326	0.17 306

FADNet-RVC	0.31 262	0.35 346	0.78 317	0.25 245	0.20 295	0.33 236	0.20 161	0.49 230	0.40 206	0.34 211	0.39 189	0.41 254	0.29 236	0.63 280	0.31 244	0.13 276	0.14 317	0.14 300	0.15 317	0.19 326	0.19 326

stereogan	0.37 302	0.17 223	0.65 293	0.27 296	0.22 318	0.62 353	0.26 267	0.59 322	0.63 339	0.43 301	0.60 318	0.67 352	0.42 313	0.68 295	0.35 264	0.13 276	0.14 317	0.14 300	0.12 280	0.19 326	0.17 306

ADCPNet	0.48 340	0.29 325	1.60 389	0.27 296	0.23 329	0.70 362	0.38 335	0.53 272	0.51 300	0.51 329	0.59 313	0.67 352	0.56 347	0.60 262	1.14 375	0.15 310	0.18 349	0.14 300	0.23 359	0.19 326	0.19 326

NVstereo2D	0.31 262	0.16 207	0.54 251	0.24 208	0.22 318	0.42 297	0.28 285	0.58 317	0.56 322	0.28 98	0.38 177	0.40 251	0.30 245	0.71 303	0.28 224	0.13 276	0.08 223	0.13 281	0.10 215	0.19 326	0.16 298

PWCDC_ROB	0.38 308	0.30 331	0.60 274	0.33 341	0.20 295	0.42 297	0.19 123	0.58 317	0.89 372	0.42 295	1.26 380	0.36 218	0.34 273	0.50 218	0.38 273	0.18 342	0.11 286	0.11 229	0.09 183	0.19 326	0.13 265

WCMA_ROB	0.51 348	0.21 271	0.65 293	0.25 245	0.21 303	0.58 347	0.32 307	0.54 279	0.55 319	0.95 376	1.40 384	1.28 382	0.81 373	0.73 310	0.62 339	0.18 342	0.15 331	0.15 312	0.15 317	0.19 326	0.19 326

SHD	0.42 325	0.27 315	0.81 327	0.31 330	0.25 341	0.42 297	0.22 200	0.66 356	0.94 379	0.63 351	0.60 318	0.59 327	0.47 329	0.59 261	0.58 333	0.15 310	0.13 313	0.16 321	0.16 328	0.20 334	0.22 348

ADCMid	0.49 342	0.34 343	1.13 371	0.26 273	0.21 303	0.51 331	0.37 329	0.57 310	0.54 313	0.75 365	0.66 334	0.62 336	0.64 362	0.64 282	1.68 392	0.13 276	0.12 303	0.17 327	0.17 337	0.20 334	0.17 306

AnyNet_C32	0.51 348	0.40 358	1.10 370	0.29 316	0.28 351	0.59 348	0.58 373	0.54 279	0.60 331	0.62 350	0.66 334	0.54 314	0.54 343	0.78 330	1.74 395	0.15 310	0.14 317	0.15 312	0.17 337	0.20 334	0.20 336

coex-ft	3.44 409	0.73 383	48.55 433	0.24 208	0.19 281	0.50 330	0.43 349	0.47 213	2.40 401	7.03 414	1.20 377	0.97 374	2.23 405	0.73 310	1.92 399	0.12 260	0.15 331	0.14 300	0.12 280	0.21 337	0.43 378

Wz-Net-TNSev	0.51 348	0.58 376	1.61 391	0.25 245	0.21 303	0.65 355	0.45 354	0.63 348	0.69 350	0.51 329	0.54 299	0.71 360	0.60 352	1.00 368	0.77 352	0.15 310	0.15 331	0.13 281	0.15 317	0.21 337	0.20 336

EDNetEfficientorigin	7.51 413	0.52 374	140.47 435	0.25 245	0.17 244	0.42 297	0.29 289	0.47 213	1.03 380	1.28 389	1.02 370	0.83 366	0.84 376	0.75 318	0.99 365	0.10 206	0.09 251	0.12 262	0.10 215	0.21 337	0.22 348

FADNet_RVC	0.30 255	0.28 318	0.83 331	0.23 171	0.15 205	0.30 208	0.17 59	0.49 230	0.37 175	0.30 151	0.38 177	0.30 170	0.27 210	0.52 229	0.31 244	0.14 299	0.14 317	0.14 300	0.16 328	0.21 337	0.23 354

RTS	0.78 379	0.48 366	4.68 407	0.34 343	0.28 351	1.12 386	0.46 356	0.62 342	1.03 380	0.73 361	0.89 365	0.60 330	0.59 350	1.61 392	1.16 378	0.14 299	0.11 286	0.15 312	0.15 317	0.21 337	0.19 326

RTSA	0.78 379	0.48 366	4.68 407	0.34 343	0.28 351	1.12 386	0.46 356	0.62 342	1.03 380	0.73 361	0.89 365	0.60 330	0.59 350	1.61 392	1.16 378	0.14 299	0.11 286	0.15 312	0.15 317	0.21 337	0.19 326

GASNet	0.36 293	0.46 362	0.88 342	0.34 343	0.23 329	0.35 258	0.22 200	0.60 330	0.53 310	0.40 278	0.37 167	0.45 278	0.30 245	0.79 332	0.35 264	0.15 310	0.10 269	0.14 300	0.14 309	0.22 343	0.12 253

G-Net	0.46 337	0.25 297	0.86 339	0.34 343	0.28 351	0.90 378	0.35 322	0.47 213	0.45 252	0.68 357	1.22 378	0.64 346	0.60 352	0.61 267	0.57 328	0.16 322	0.14 317	0.17 327	0.13 298	0.22 343	0.19 326

ADCS	0.58 359	0.40 358	1.35 384	0.29 316	0.24 334	0.55 342	0.45 354	0.67 361	0.83 369	0.76 366	0.71 343	0.68 355	0.60 352	0.76 323	2.23 403	0.16 322	0.16 338	0.16 321	0.17 337	0.22 343	0.22 348

sAnonymous2	0.20 102	0.21 271	0.58 268	0.24 208	0.17 244	0.22 93	0.19 123	0.34 87	0.28 87	0.17 28	0.19 25	0.17 39	0.16 63	0.17 11	0.14 40	0.10 206	0.07 158	0.09 120	0.08 109	0.23 346	0.17 306

CroCo_RVC	0.20 102	0.21 271	0.58 268	0.24 208	0.17 244	0.22 93	0.19 123	0.34 87	0.28 87	0.17 28	0.19 25	0.17 39	0.16 63	0.17 11	0.14 40	0.10 206	0.07 158	0.09 120	0.08 109	0.23 346	0.17 306

AnyNet_C01	0.65 367	0.58 376	2.60 402	0.32 336	0.26 346	0.88 376	0.61 376	0.63 348	0.62 336	0.68 357	0.96 368	0.76 363	0.60 352	0.96 364	1.43 387	0.16 322	0.16 338	0.17 327	0.17 337	0.23 346	0.23 354

FADNet	0.32 271	0.36 349	0.74 315	0.23 171	0.22 318	0.37 268	0.19 123	0.53 272	0.48 280	0.32 186	0.36 158	0.43 264	0.32 263	0.64 282	0.25 206	0.16 322	0.16 338	0.14 300	0.16 328	0.24 349	0.19 326

MFN_U_SF_DS_RVC	0.51 348	0.50 371	0.86 339	0.39 362	0.24 334	0.84 374	0.55 371	0.56 303	0.62 336	0.60 348	0.68 338	0.62 336	0.42 313	1.13 376	0.43 297	0.23 354	0.27 372	0.27 358	0.35 374	0.25 350	0.29 364

XQC	0.43 328	0.37 354	0.96 354	0.34 343	0.25 341	0.53 341	0.34 319	0.60 330	0.73 358	0.51 329	0.46 261	0.57 322	0.47 329	0.70 300	0.72 348	0.17 332	0.12 303	0.18 334	0.15 317	0.25 350	0.23 354

LSM	1.64 401	0.40 358	2.56 401	2.02 411	17.61 422	0.51 331	0.52 368	0.61 334	0.76 360	0.82 368	1.11 374	0.63 344	0.54 343	0.75 318	0.49 316	0.16 322	0.24 368	0.18 334	0.21 350	0.25 350	2.42 414

DPSNet	0.47 338	0.24 293	0.93 350	0.27 296	0.20 295	0.75 366	0.57 372	0.84 382	0.79 364	0.47 320	0.51 283	0.60 330	0.69 364	0.87 348	0.71 347	0.16 322	0.13 313	0.12 262	0.10 215	0.25 350	0.21 343

PDISCO_ROB	0.43 328	0.30 331	0.67 297	0.43 367	0.36 367	0.67 358	0.32 307	0.72 369	0.76 360	0.43 301	0.53 296	0.63 344	0.40 301	0.66 292	0.47 312	0.21 351	0.12 303	0.21 346	0.19 346	0.25 350	0.20 336

MSMD_ROB	0.60 363	0.33 342	0.61 277	0.30 323	0.25 341	0.86 375	0.35 322	0.55 289	0.67 345	1.10 384	1.49 389	1.76 392	0.97 384	0.88 351	0.49 316	0.23 354	0.21 359	0.27 358	0.27 367	0.25 350	0.24 358

ccnet	0.42 325	0.31 336	0.48 220	0.27 296	0.32 362	0.60 351	0.32 307	0.65 350	0.46 266	0.53 340	0.66 334	0.56 318	0.45 320	0.72 308	0.61 337	0.26 359	0.19 353	0.24 355	0.21 350	0.26 356	0.22 348

MaskLacGwcNet_RVC	0.36 293	0.36 349	0.53 248	0.34 343	0.19 281	0.51 331	0.24 242	0.55 289	0.38 187	0.41 287	0.47 268	0.47 286	0.27 210	0.73 310	0.30 240	0.36 375	0.19 353	0.27 358	0.17 337	0.26 356	0.23 354

FC-DCNN	0.70 372	0.30 331	0.69 302	0.32 336	0.27 348	0.81 373	0.39 340	0.79 377	0.82 366	1.41 395	1.58 394	1.98 394	1.26 393	1.02 370	0.77 352	0.24 357	0.22 363	0.27 358	0.26 365	0.26 356	0.26 360

FCDSN-DC	0.63 365	0.31 336	0.61 277	0.36 353	0.30 359	0.65 355	0.37 329	0.66 356	0.68 348	1.14 386	1.54 392	1.71 391	1.26 393	0.92 357	0.64 343	0.24 357	0.22 363	0.27 358	0.26 365	0.27 359	0.27 363
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
PVD	0.58 359	0.34 343	0.84 335	0.39 362	0.31 361	0.59 348	0.47 360	0.80 378	1.25 389	0.92 373	1.09 372	0.79 364	0.82 374	0.85 345	0.76 349	0.21 351	0.18 349	0.22 352	0.18 342	0.27 359	0.35 372

SAMSARA	0.56 355	0.39 357	0.80 325	0.60 381	0.46 374	1.00 382	1.23 408	0.67 361	0.68 348	0.71 360	0.54 299	0.89 370	0.57 349	0.81 339	0.62 339	0.19 347	0.22 363	0.18 334	0.18 342	0.27 359	0.25 359

GANetREF_RVC	0.43 328	0.47 364	0.69 302	0.38 360	0.20 295	0.51 331	0.48 364	0.66 356	0.66 342	0.46 313	0.46 261	0.50 301	0.44 317	0.90 355	0.39 281	0.27 364	0.21 359	0.32 368	0.18 342	0.27 359	0.22 348
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
MANE	1.41 394	0.36 349	0.74 315	0.43 367	0.41 371	2.16 406	0.80 390	2.39 410	3.38 404	2.22 405	3.06 407	3.54 408	2.73 409	2.15 404	1.94 400	0.28 367	0.27 372	0.30 366	0.46 382	0.28 363	0.34 371

PASM	0.45 335	0.35 346	0.90 345	0.35 352	0.33 363	0.39 282	0.38 335	0.50 238	0.61 334	0.52 335	0.51 283	0.62 336	0.45 320	0.93 358	0.48 313	0.26 359	0.29 376	0.29 364	0.33 372	0.29 364	0.26 360

ELAS_RVC	0.74 377	0.36 349	1.00 358	0.37 358	0.33 363	0.88 376	0.93 397	0.83 381	1.08 384	1.35 391	1.33 383	1.24 380	1.33 396	1.06 372	0.95 363	0.27 364	0.25 370	0.29 364	0.27 367	0.30 365	0.30 365
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.43 328	0.47 364	0.65 293	0.37 358	0.23 329	0.51 331	0.29 289	0.66 356	0.49 289	0.46 313	0.51 283	0.48 291	0.38 293	0.96 364	0.35 264	0.34 374	0.23 366	0.55 382	0.25 361	0.31 366	0.20 336

ELAS	0.74 377	0.36 349	0.85 338	0.36 353	0.33 363	1.36 397	0.77 388	0.93 385	0.92 376	1.41 395	1.53 391	1.16 379	1.17 389	0.95 363	1.03 367	0.26 359	0.25 370	0.28 363	0.28 370	0.31 366	0.30 365
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MFN_U_SF_RVC	0.56 355	0.51 373	1.19 373	0.38 360	0.22 318	0.69 359	0.27 272	0.80 378	0.67 345	0.73 361	0.74 348	0.87 367	0.61 361	0.81 339	0.76 349	0.29 369	0.27 372	0.32 368	0.37 378	0.32 368	0.31 367

Anonymous_2	0.37 302	0.21 271	0.47 211	0.20 57	0.21 303	0.42 297	0.26 267	0.38 135	0.29 105	0.33 195	0.30 99	0.44 274	0.38 293	0.36 181	0.29 234	0.26 359	0.29 376	0.44 376	1.41 410	0.34 369	0.21 343

UDG	0.40 320	0.46 362	0.49 225	0.40 364	0.35 366	0.47 320	0.27 272	0.54 279	0.47 271	0.39 270	0.45 251	0.59 327	0.44 317	0.46 206	0.39 281	0.26 359	0.19 353	0.48 378	0.22 357	0.34 369	0.26 360

NVStereoNet_ROB	0.67 369	0.49 370	0.83 331	0.48 373	0.40 370	0.51 331	0.46 356	0.70 366	0.77 362	0.84 369	1.72 395	1.02 375	0.83 375	1.23 382	0.79 354	0.32 372	0.38 383	0.40 374	0.46 382	0.36 371	0.41 377
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
DDUNet	0.41 322	0.50 371	0.48 220	0.44 369	0.39 368	0.46 314	0.32 307	0.50 238	0.43 226	0.45 310	0.52 291	0.57 322	0.36 281	0.48 211	0.33 256	0.33 373	0.21 359	0.55 382	0.25 361	0.37 372	0.32 370

MSC_U_SF_DS_RVC	0.68 370	0.64 380	1.06 366	0.45 370	0.27 348	1.40 399	0.58 373	0.78 374	0.92 376	0.84 369	0.86 361	0.88 369	0.68 363	1.33 387	0.68 346	0.37 377	0.29 376	0.34 370	0.36 377	0.43 373	0.37 373

MADNet+	1.01 386	1.16 402	4.72 409	0.70 385	0.47 375	1.24 392	0.96 398	0.97 386	0.89 372	0.65 355	0.77 352	0.87 367	0.85 378	2.09 402	1.68 392	0.38 378	0.39 384	0.31 367	0.27 367	0.43 373	0.39 375

SQANet	0.40 320	0.48 366	0.67 297	0.48 373	0.39 368	0.48 324	0.22 200	0.51 251	0.43 226	0.40 278	0.47 268	0.47 286	0.33 266	0.54 238	0.32 249	0.36 375	0.15 331	0.40 374	0.21 350	0.45 375	0.31 367

anonymity	0.56 355	0.54 375	0.70 308	0.47 372	0.61 384	0.56 343	0.43 349	0.69 365	0.49 289	0.63 351	0.55 303	0.54 314	0.60 352	0.61 267	0.57 328	0.55 384	0.53 392	0.50 379	0.54 390	0.51 376	0.56 386

Consistency-Raft	0.55 354	0.48 366	1.02 362	0.45 370	0.49 376	0.49 327	0.47 360	0.72 369	0.72 355	0.45 310	0.82 357	0.47 286	0.60 352	0.50 218	0.63 342	0.39 379	0.39 384	0.44 376	0.51 387	0.52 377	0.37 373

SGM+DAISY	0.87 381	0.66 382	1.30 382	0.51 376	0.60 383	1.03 383	0.84 394	0.76 372	0.73 358	1.39 393	1.51 390	1.31 383	1.22 391	1.11 373	1.08 369	0.57 386	0.53 392	0.51 381	0.51 387	0.54 378	0.61 393

SPS-STEREO	0.69 371	0.61 378	0.98 356	0.52 378	0.57 382	0.74 364	0.50 367	0.78 374	0.62 336	0.95 376	0.86 361	0.94 371	0.70 365	1.01 369	0.87 360	0.58 387	0.51 389	0.50 379	0.50 386	0.55 379	0.58 388
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
BEATNet-Init1	4.73 412	2.61 412	13.29 422	0.58 379	0.53 380	10.12 417	3.33 413	4.83 413	5.01 412	8.75 416	8.51 414	14.08 423	7.60 415	7.70 416	5.34 413	0.28 367	0.28 375	0.34 370	0.37 378	0.57 380	0.45 379

JetBlue	1.14 391	0.76 384	2.36 397	0.59 380	0.75 390	3.04 410	1.78 410	1.11 388	0.90 374	0.94 374	1.10 373	1.66 390	1.28 395	2.09 402	1.72 394	0.43 380	0.36 382	0.38 372	0.38 380	0.58 381	0.56 386

otaku	0.57 358	0.62 379	0.87 341	0.63 383	0.44 373	0.73 363	0.37 329	0.65 350	0.66 342	0.51 329	0.75 349	0.66 351	0.45 320	0.69 297	0.46 310	0.53 381	0.34 381	0.55 382	0.35 374	0.60 382	0.45 379

Ntro	0.58 359	0.64 380	0.92 348	0.66 384	0.50 377	0.77 367	0.36 325	0.66 356	0.70 352	0.50 324	0.59 313	0.65 347	0.51 340	0.75 318	0.45 304	0.56 385	0.32 380	0.56 385	0.34 373	0.63 383	0.46 382

DGSMNet	0.61 364	0.29 325	0.91 346	0.51 376	0.70 388	0.62 353	1.38 409	0.59 322	0.55 319	0.37 247	0.61 325	0.52 308	0.33 266	0.65 288	0.43 297	0.53 381	0.60 399	0.67 387	0.61 395	0.63 383	0.61 393

ACVNet_1	0.72 373	0.81 386	1.37 385	0.72 386	0.53 380	0.77 367	0.42 347	0.85 384	0.90 374	0.74 364	0.75 349	1.32 384	0.72 367	1.02 370	0.55 327	0.54 383	0.31 379	0.71 389	0.35 374	0.64 385	0.45 379

ACVNet-4b	0.72 373	0.81 386	1.33 383	0.72 386	0.50 377	0.80 372	0.31 303	0.71 368	0.80 365	0.50 324	0.72 347	0.95 373	0.43 316	0.96 364	1.20 382	1.13 407	0.21 359	0.76 391	0.45 381	0.65 386	0.46 382

DispFullNet	0.66 368	0.89 391	1.59 388	0.77 388	1.21 405	0.51 331	0.23 220	0.59 322	0.72 355	0.69 359	0.61 325	0.69 357	0.91 380	0.79 332	0.48 313	0.27 364	0.12 303	0.73 390	0.30 371	0.65 386	0.40 376

WAO-7	1.01 386	0.89 391	0.93 350	0.83 391	0.66 387	1.18 388	0.81 392	1.40 394	1.57 395	1.11 385	1.76 397	1.45 386	1.19 390	1.50 391	1.14 375	0.61 388	0.62 402	0.70 388	0.68 397	0.66 388	0.60 390

MFMNet_re	0.72 373	0.76 384	0.99 357	0.62 382	0.70 388	0.77 367	0.67 379	0.75 371	0.83 369	0.78 367	0.86 361	0.69 357	0.78 369	0.71 303	0.61 337	0.66 390	0.59 398	0.61 386	0.58 394	0.68 389	0.71 397

ACVNet_2	0.89 382	0.87 390	1.25 377	0.82 389	0.62 385	0.97 381	0.62 377	1.14 389	1.42 392	1.00 379	1.40 384	1.47 387	0.84 376	1.11 373	0.66 345	0.61 388	0.43 386	0.78 392	0.49 384	0.75 390	0.52 384

RainbowNet	0.72 373	0.89 391	1.02 362	0.82 389	0.63 386	0.78 370	0.52 368	0.81 380	0.93 378	0.60 348	0.79 354	0.80 365	0.60 352	0.80 336	0.57 328	0.78 394	0.55 395	0.78 392	0.49 384	0.76 391	0.58 388

WAO-6	1.07 389	0.93 394	0.92 348	0.96 393	0.78 393	1.28 394	0.75 385	1.34 392	2.00 399	1.02 381	1.54 392	1.59 388	1.22 391	1.31 386	1.14 375	0.78 394	0.55 395	1.02 400	0.75 401	0.83 392	0.69 396

IMH-64-1	0.91 383	0.86 388	0.84 335	0.97 394	0.75 390	0.92 379	0.71 381	1.27 390	1.10 385	0.89 371	1.45 386	1.14 377	0.96 382	1.19 378	0.84 356	0.74 391	0.51 389	0.97 396	0.55 391	0.84 393	0.60 390

IMH-64	0.91 383	0.86 388	0.84 335	0.97 394	0.75 390	0.92 379	0.71 381	1.27 390	1.10 385	0.89 371	1.45 386	1.14 377	0.96 382	1.19 378	0.84 356	0.74 391	0.51 389	0.97 396	0.55 391	0.84 393	0.60 390

IMH	1.05 388	0.95 395	1.00 358	1.01 396	0.78 393	1.11 385	0.68 380	1.38 393	1.43 393	1.00 379	1.72 395	1.43 385	1.14 386	1.73 397	0.89 361	1.09 404	0.55 395	0.99 398	0.57 393	0.87 395	0.62 395

LVE	1.13 390	1.02 396	1.28 380	1.01 396	0.80 396	1.29 395	0.81 392	1.47 397	1.96 397	1.07 383	1.90 398	1.90 393	1.01 385	1.48 390	0.91 362	0.93 401	0.61 401	0.94 395	0.69 398	0.87 395	0.75 401

WAO-8	1.46 397	1.10 400	1.09 367	1.10 399	0.84 397	2.06 403	0.75 385	1.84 403	3.83 407	1.44 399	2.21 403	2.15 396	1.43 398	3.17 408	1.19 380	0.91 399	0.65 404	1.09 401	0.79 402	0.90 397	0.71 397

Venus	1.46 397	1.10 400	1.09 367	1.10 399	0.84 397	2.06 403	0.75 385	1.84 403	3.83 407	1.44 399	2.21 403	2.15 396	1.43 398	3.17 408	1.19 380	0.91 399	0.65 404	1.09 401	0.79 402	0.90 397	0.71 397

Dean	1.17 392	1.04 398	1.49 387	1.03 398	0.78 393	1.20 391	0.77 388	1.48 398	1.96 397	1.28 389	1.99 400	2.15 396	1.14 386	1.25 383	1.00 366	0.81 396	0.60 399	1.01 399	0.69 398	0.92 399	0.74 400

PWCK	1.00 385	1.17 403	1.70 392	0.91 392	0.41 371	1.19 390	0.92 396	1.10 387	1.14 387	1.16 387	1.14 375	1.25 381	0.88 379	1.75 398	1.04 368	0.87 398	0.50 387	0.87 394	0.53 389	0.96 400	0.52 384

SuperB	0.49 342	0.28 318	2.23 395	0.23 171	0.15 205	0.41 290	0.32 307	0.47 213	0.82 366	0.43 301	0.50 277	0.33 193	0.45 320	0.68 295	1.08 369	0.10 206	0.07 158	0.09 120	0.08 109	0.98 401	0.14 282

UNDER WATER-64	1.55 399	1.19 404	2.52 400	1.31 404	0.95 401	2.12 405	1.21 407	1.45 396	3.19 403	1.43 398	1.32 382	2.64 403	2.04 404	1.63 394	1.83 396	1.11 405	0.67 406	1.28 406	0.92 405	1.19 402	1.02 406

UNDER WATER	1.59 400	1.22 405	2.36 397	1.38 405	1.03 402	1.67 402	1.10 404	1.54 401	3.63 405	1.44 399	1.47 388	2.85 405	2.25 406	1.67 395	1.94 400	1.06 403	0.62 402	1.31 407	0.93 406	1.21 403	1.02 406

TorneroNet-64	1.43 395	1.03 397	1.20 374	1.10 399	0.86 399	2.26 407	0.73 384	1.84 403	3.84 409	1.25 388	2.25 405	2.69 404	1.42 397	1.76 399	1.43 387	0.76 393	0.50 387	1.09 401	0.66 396	1.23 404	0.76 402

TorneroNet	2.22 405	1.08 399	1.24 376	1.14 403	0.90 400	5.58 412	0.80 390	2.12 408	8.69 415	2.58 407	5.42 412	3.88 409	1.97 403	1.78 401	1.87 397	0.86 397	0.54 394	1.15 405	0.74 400	1.23 404	0.85 403

notaker	1.45 396	1.34 406	1.48 386	1.40 406	1.07 403	1.18 388	0.85 395	1.48 398	1.40 391	1.51 403	3.46 408	2.40 401	1.81 402	1.76 399	1.45 390	1.11 405	0.69 407	1.38 408	0.87 404	1.31 406	0.97 405

SPstereo	14.25 420	1.73 410	2.83 404	1.84 410	1.57 410	23.16 427	43.27 427	35.72 434	29.56 434	20.86 431	20.62 425	26.34 434	21.82 427	25.23 434	19.62 426	1.56 410	1.42 410	2.96 414	2.17 412	1.31 406	1.33 411

ktn	1.77 403	1.36 407	1.22 375	1.43 407	1.14 404	1.52 400	1.08 403	1.51 400	3.96 410	2.77 409	4.69 410	3.35 407	1.46 400	1.69 396	1.25 384	1.43 409	0.77 408	1.45 409	0.99 407	1.32 408	0.96 404

KSHMR	1.89 404	1.36 407	1.60 389	1.47 408	1.22 406	1.38 398	1.06 402	1.79 402	5.97 413	1.42 397	5.65 413	2.98 406	1.14 386	2.23 405	1.20 382	1.27 408	1.12 409	1.46 410	1.10 409	1.32 408	1.15 408

JetRed	2.30 407	2.64 413	6.12 410	1.12 402	1.38 408	5.85 413	3.29 412	1.99 406	1.67 396	1.98 404	1.95 399	2.16 399	1.60 401	2.48 406	4.10 411	1.05 402	1.60 411	1.09 401	1.01 408	1.67 410	1.28 409

MADNet++	2.26 406	1.80 411	2.06 394	2.13 413	1.97 411	2.61 409	1.79 411	2.38 409	2.16 400	2.75 408	2.65 406	2.38 400	2.43 407	3.17 408	3.21 407	2.17 411	1.95 412	1.94 412	1.63 411	2.06 411	2.01 413

HanzoNet	2.97 408	1.69 409	2.29 396	1.74 409	1.33 407	1.53 401	1.03 401	1.99 406	2.64 402	5.51 412	5.16 411	5.90 414	6.82 414	4.32 413	3.29 408	3.16 413	2.02 414	1.92 411	2.87 415	2.24 412	1.89 412

tt	4.71 411	0.10 24	3.94 406	2.06 412	1.53 409	10.14 418	16.88 418	9.27 418	4.98 411	1.39 393	1.02 370	4.68 410	4.90 411	3.35 411	5.86 414	5.76 417	9.15 422	2.24 413	2.53 414	3.10 413	1.32 410

DPSimNet_ROB	4.34 410	4.23 414	6.89 412	3.67 414	3.68 412	4.75 411	5.21 414	2.67 411	3.68 406	5.82 413	3.95 409	5.57 411	6.72 413	3.46 412	4.48 412	4.05 416	2.88 415	4.68 417	3.12 416	3.69 414	3.62 416

DGTPSM_ROB	8.34 414	5.10 415	10.37 420	5.31 416	10.18 416	8.33 414	23.60 422	6.06 415	13.41 421	4.90 410	10.87 419	5.65 412	10.44 416	6.17 414	12.59 417	3.74 414	7.55 417	3.69 415	7.26 419	4.14 415	7.46 417

DPSMNet_ROB	8.40 415	5.11 416	10.49 421	5.58 417	10.25 417	8.34 415	23.62 423	6.07 416	13.45 422	4.93 411	10.88 420	5.66 413	10.44 416	6.24 415	12.64 418	3.98 415	7.61 418	3.76 416	7.30 420	4.20 416	7.51 418

DPSM_ROB	11.49 418	9.87 422	10.35 418	11.13 419	11.31 418	19.11 425	27.51 425	13.37 423	14.21 424	10.31 420	11.06 421	10.96 421	11.27 422	11.96 423	13.59 420	6.78 419	8.19 420	6.03 418	7.09 417	7.93 417	7.73 420

DPSM	11.49 418	9.87 422	10.35 418	11.13 419	11.31 418	19.11 425	27.51 425	13.37 423	14.21 424	10.31 420	11.06 421	10.96 421	11.27 422	11.96 423	13.59 420	6.78 419	8.19 420	6.03 418	7.09 417	7.93 417	7.73 420

PML	16.10 424	12.82 425	6.78 411	5.23 415	7.76 414	33.92 428	66.56 434	5.30 414	10.28 416	26.12 433	68.59 434	20.51 425	13.49 424	10.06 418	6.78 416	5.96 418	2.00 413	6.04 420	2.18 413	8.96 419	2.60 415

xxxxx1	15.27 421	9.54 419	10.31 415	20.13 424	18.88 423	17.08 420	23.03 419	10.36 419	10.99 417	9.21 417	9.62 415	10.74 418	10.61 419	10.72 419	13.89 422	7.97 421	9.20 423	31.85 432	44.72 432	12.84 420	13.69 422

tt_ll	15.27 421	9.54 419	10.31 415	20.13 424	18.88 423	17.08 420	23.03 419	10.36 419	10.99 417	9.21 417	9.62 415	10.74 418	10.61 419	10.72 419	13.89 422	7.97 421	9.20 423	31.85 432	44.72 432	12.84 420	13.69 422

ff	15.27 421	9.54 419	10.31 415	20.13 424	18.88 423	17.08 420	23.03 419	10.36 419	10.99 417	9.21 417	9.62 415	10.74 418	10.61 419	10.72 419	13.89 422	7.97 421	9.20 423	31.85 432	44.72 432	12.84 420	13.69 422

LRCNet_RVC	10.90 417	14.34 426	9.35 413	15.35 421	8.04 415	1.08 384	0.34 319	8.78 417	0.70 352	12.63 423	16.05 423	9.85 416	6.54 412	8.57 417	6.34 415	20.27 431	5.40 416	23.70 429	21.88 428	14.87 423	13.83 425

MyStereo03	23.12 429	19.90 428	20.85 426	22.49 428	22.71 427	38.42 430	55.53 431	26.80 428	28.72 430	20.77 428	22.25 429	22.03 427	22.69 428	23.90 427	27.38 432	13.62 426	16.50 429	12.15 422	14.28 423	15.95 424	15.53 426

MyStereo02	23.12 429	19.90 428	20.85 426	22.49 428	22.71 427	38.42 430	55.53 431	26.80 428	28.72 430	20.77 428	22.25 429	22.03 427	22.69 428	23.90 427	27.38 432	13.62 426	16.50 429	12.15 422	14.28 423	15.95 424	15.53 426

MyStereo	23.12 429	19.90 428	20.85 426	22.49 428	22.71 427	38.42 430	55.53 431	26.80 428	28.72 430	20.77 428	22.25 429	22.03 427	22.69 428	23.90 427	27.38 432	13.62 426	16.50 429	12.15 422	14.28 423	15.95 424	15.53 426

CasAABBNet	23.10 428	19.86 427	20.64 425	22.47 427	22.73 430	38.41 429	55.50 430	26.89 431	28.70 429	20.61 426	22.15 428	22.08 430	22.75 431	23.99 430	27.36 430	13.59 424	16.48 427	12.14 421	14.27 422	15.95 424	15.53 426

Selective-RAFT-Error	23.16 432	19.93 431	20.87 429	22.54 431	22.81 431	38.52 434	55.47 429	27.01 433	28.83 433	20.66 427	22.25 429	22.09 431	22.80 433	24.09 431	27.36 430	13.61 425	16.48 427	12.15 422	14.28 423	15.99 428	15.57 430

LSM0	24.24 433	19.98 432	22.32 430	24.22 432	40.14 434	38.48 433	55.20 428	26.95 432	28.57 428	20.49 425	21.83 426	22.26 432	22.75 431	24.22 432	27.30 429	13.66 429	16.32 426	12.19 426	14.15 421	16.10 429	17.66 431

HaxPig	17.72 426	20.22 433	19.73 423	16.53 422	16.51 421	9.27 416	9.33 415	14.34 425	13.27 420	18.65 424	18.70 424	17.35 424	16.77 425	17.04 425	16.45 425	22.05 432	20.89 432	22.27 428	21.53 427	21.29 430	22.13 432

MEDIAN_ROB	21.21 427	24.62 434	23.47 431	19.58 423	19.65 426	13.22 419	10.96 416	17.88 426	17.00 426	22.14 432	22.02 427	20.86 426	20.36 426	21.06 426	19.71 427	25.63 433	24.13 433	26.21 430	25.20 429	25.17 431	25.38 433

AVERAGE_ROB	25.43 434	29.06 435	27.24 432	24.63 433	24.20 433	17.73 423	12.61 417	22.29 427	21.39 427	26.79 434	26.16 433	25.20 433	24.64 434	25.07 433	23.53 428	29.96 434	28.40 434	30.60 431	29.58 430	29.72 432	29.84 434

DLNR_Zeroshot_test	10.44 416	12.10 424	19.93 424	106.08 435	23.66 432	0.14 3	0.13 3	3.22 412	0.17 3	0.16 24	0.23 49	0.16 34	0.10 4	0.31 150	0.15 51	2.36 412	0.06 72	0.07 14	0.07 50	39.70 433	0.06 18

Anonymous_1	16.62 425	9.35 418	9.84 414	10.66 418	14.64 420	18.66 424	27.12 424	12.64 422	13.51 423	10.76 422	10.30 418	10.13 417	10.60 418	11.06 422	12.74 419	15.87 430	7.74 419	16.92 427	43.48 431	58.66 434	7.68 419

test_example2	101.33 435	108.28 436	68.15 434	98.43 434	106.93 435	89.75 435	102.43 435	36.80 435	97.65 435	129.04 435	130.15 435	65.26 435	66.62 435	92.11 435	80.24 435	144.10 435	199.48 435	81.81 435	103.01 435	125.01 435	101.27 435

ASD4		6.65 417

Low-res two-view benchmark