Low-res two-view results

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

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

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

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

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

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

CREStereo	0.98 1	0.42 17	1.86 1	0.07 1	0.22 23	1.65 8	0.02 7	4.07 9	6.33 43	0.72 5	1.54 4	0.43 7	0.64 7	1.22 7	0.44 3	0.00 1	0.00 1	0.00 1	0.00 1	0.01 7	0.00 1
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
s12784h	1.59 9	0.39 15	2.26 9	0.36 14	0.01 1	1.67 9	0.01 1	2.95 1	8.12 73	3.69 19	7.44 46	0.47 9	0.32 3	0.74 1	0.39 1	0.00 1	0.00 1	0.00 1	3.03 175	0.00 1	0.00 1

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

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

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

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

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

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

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

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

HSM-Net_RVC	4.20 79	0.32 2	2.76 24	0.63 20	0.69 46	6.95 96	1.69 81	11.96 97	8.36 79	8.83 92	12.17 89	15.18 124	4.21 67	6.91 54	3.30 62	0.02 65	0.02 70	0.00 1	0.00 1	0.01 7	0.01 8
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
acv_ft	3.69 61	0.53 29	4.58 68	2.31 102	4.71 162	7.44 101	0.86 65	8.54 46	5.70 31	9.29 99	9.26 64	5.77 49	4.15 65	2.24 19	8.13 115	0.00 1	0.00 1	0.00 1	0.00 1	0.29 107	0.01 8

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

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

RAFT-Stereo + iAFF	2.12 24	0.58 34	2.43 14	1.27 37	0.16 17	1.60 7	0.14 17	5.17 15	5.90 34	7.10 68	10.10 69	3.06 31	1.74 30	1.87 14	0.97 20	0.01 48	0.02 70	0.00 1	0.00 1	0.23 103	0.02 14

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

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

HITNet	2.79 40	0.77 55	4.02 54	2.03 80	0.11 13	5.58 78	0.59 48	9.24 54	5.15 24	6.42 58	7.26 44	3.66 34	2.92 46	4.07 31	3.87 71	0.00 1	0.00 1	0.00 1	0.00 1	0.06 43	0.02 14
Vladimir Tankovich, Christian Häne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
AdaStereo	3.09 43	0.58 34	3.04 31	2.84 124	0.48 39	4.08 56	1.29 75	12.16 103	7.77 67	6.03 47	9.62 66	5.79 51	1.53 25	4.56 34	1.93 37	0.00 1	0.00 1	0.00 1	0.00 1	0.02 14	0.02 14
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
Gwc-CoAtRS	2.02 20	0.33 7	2.61 16	1.04 29	0.30 27	3.56 45	0.40 34	5.89 26	5.94 35	5.08 31	5.01 21	5.55 47	1.72 28	1.60 9	0.91 16	0.01 48	0.09 115	0.00 1	0.25 139	0.01 7	0.02 14

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

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

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

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

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

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

R-Stereo Train	2.44 30	0.32 2	1.93 2	0.94 26	0.16 17	3.67 47	0.61 49	6.37 31	3.08 4	9.14 95	17.44 127	1.80 21	0.77 11	1.76 10	0.70 8	0.00 1	0.01 54	0.00 1	0.00 1	0.01 7	0.03 27

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

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

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

NLCA_NET_v2_RVC	3.84 68	1.06 88	5.23 79	2.72 122	3.27 128	4.36 61	0.61 49	10.71 78	7.56 64	8.75 90	7.89 52	9.86 89	3.90 62	7.15 58	3.44 66	0.14 113	0.02 70	0.02 107	0.03 99	0.04 31	0.03 27
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
GANet-RSSM	3.27 49	0.60 36	3.38 37	2.94 131	2.00 100	2.61 25	0.48 38	10.93 85	6.11 40	5.47 39	10.20 71	6.57 57	5.44 94	6.25 47	2.23 41	0.00 1	0.00 1	0.08 132	0.00 1	0.17 83	0.03 27

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

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

RAFT-Stereo	2.44 30	0.32 2	1.93 2	0.94 26	0.16 17	3.67 47	0.61 49	6.37 31	3.08 4	9.14 95	17.44 127	1.80 21	0.77 11	1.76 10	0.70 8	0.00 1	0.01 54	0.00 1	0.00 1	0.01 7	0.03 27
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RALAANet	2.46 32	1.09 91	3.70 46	2.55 116	0.80 54	3.37 41	0.15 18	7.44 39	5.54 29	5.65 41	6.01 32	3.54 33	1.13 16	6.34 49	1.58 30	0.00 1	0.01 54	0.00 1	0.05 110	0.21 95	0.03 27

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

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

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

DIP-Stereo	1.97 19	0.64 44	2.95 28	0.17 2	0.10 10	4.83 71	0.13 15	8.60 47	4.06 15	6.42 58	4.92 17	0.44 8	0.72 10	3.57 26	1.80 32	0.00 1	0.01 54	0.00 1	0.00 1	0.05 39	0.04 38
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
XX-Stereo	2.71 38	0.38 13	5.96 94	2.25 97	2.20 106	1.54 6	0.21 23	5.44 22	3.05 3	2.28 10	16.16 120	7.03 60	0.24 1	6.19 45	0.79 13	0.00 1	0.15 129	0.00 1	0.23 135	0.13 72	0.04 38

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

MMNet	4.16 77	0.77 55	5.47 84	1.40 43	1.67 86	10.78 126	0.63 52	8.64 49	8.47 80	8.80 91	8.33 55	7.51 69	6.61 105	7.53 62	6.54 98	0.00 1	0.00 1	0.00 1	0.00 1	0.03 26	0.05 43

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

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

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

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

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

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

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

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

GwcNet-RSSM	3.77 65	1.05 87	5.06 75	2.21 94	1.87 97	2.36 22	1.52 78	8.98 50	7.96 70	5.91 46	14.59 110	7.94 77	3.50 53	6.43 50	5.70 89	0.00 1	0.00 1	0.04 122	0.00 1	0.20 90	0.08 52

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

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

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

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

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

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

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

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

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

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

CVANet_RVC	4.16 77	1.16 98	3.60 43	1.94 74	1.46 78	3.92 55	4.68 125	10.89 84	8.34 78	7.58 77	10.84 76	10.27 94	6.62 106	8.56 84	2.69 46	0.39 142	0.00 1	0.00 1	0.01 82	0.21 95	0.09 56

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

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

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

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

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

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

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

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

TDLM	4.11 75	1.11 94	3.54 41	1.62 57	1.04 66	3.91 54	7.41 151	10.60 76	10.67 98	6.38 57	12.59 96	5.95 53	4.77 80	8.79 89	3.04 53	0.58 152	0.00 1	0.01 95	0.00 1	0.19 89	0.12 71

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

PSMNet_ROB	5.02 94	1.63 123	6.03 95	1.90 70	1.83 96	9.57 115	6.35 141	15.58 138	7.23 57	6.15 51	10.48 73	12.22 109	4.16 66	8.02 71	8.71 121	0.02 65	0.01 54	0.01 95	0.10 123	0.20 90	0.12 71

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

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

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

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

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

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

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

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

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

CBMV	5.35 96	0.91 71	3.67 45	1.62 57	0.44 35	10.09 120	7.19 150	12.49 106	12.33 114	12.22 122	14.69 112	10.93 102	6.48 103	8.51 83	4.96 82	0.02 65	0.15 129	0.00 1	0.00 1	0.17 83	0.17 84
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
PWCDC_ROB	7.92 133	3.17 157	7.48 120	5.73 169	4.40 152	10.45 123	0.35 32	14.52 128	28.19 161	10.36 110	31.27 159	7.04 62	9.14 126	13.22 136	8.78 122	2.74 172	0.02 70	0.00 1	0.00 1	1.31 156	0.17 84

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

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

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

Anonymous Stereo	6.16 106	3.15 155	23.75 166	2.97 132	2.48 116	4.39 65	13.30 168	9.21 53	9.86 91	9.56 103	8.76 58	6.79 58	1.99 33	13.50 137	13.04 146	0.01 48	0.05 93	0.00 1	0.06 113	0.22 98	0.19 89

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

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

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

FCDSN-DC	10.24 152	0.56 32	3.49 39	1.96 76	1.29 74	16.90 154	4.59 124	17.16 145	19.10 142	24.64 162	32.46 164	33.82 171	22.14 167	15.93 151	10.45 133	0.04 88	0.00 1	0.00 1	0.00 1	0.05 39	0.21 93
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FENet	2.19 25	0.34 9	3.04 31	2.05 82	0.26 25	2.82 31	0.13 15	7.02 36	5.55 30	4.97 30	1.94 6	4.91 39	3.39 51	4.71 35	2.50 43	0.02 65	0.03 81	0.00 1	0.00 1	0.00 1	0.21 93

MeshStereo	11.52 157	1.52 116	4.55 65	1.89 69	1.46 78	19.87 160	5.11 128	20.66 167	15.91 129	32.67 171	34.51 168	39.34 177	21.15 163	18.74 159	12.10 142	0.11 109	0.06 100	0.01 95	0.00 1	0.45 128	0.22 95
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
raft+_RVC	1.79 15	0.84 64	2.32 12	2.40 107	0.85 56	1.38 5	0.09 11	6.36 30	4.75 21	2.85 11	5.46 30	1.17 13	1.36 22	4.54 33	0.91 16	0.00 1	0.10 116	0.00 1	0.00 1	0.11 59	0.22 95

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

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

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

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

NCCL2	5.88 100	1.59 120	5.44 82	1.87 66	0.92 61	9.55 114	11.55 166	12.11 99	9.94 93	9.67 104	8.85 59	22.28 155	7.41 112	8.78 88	7.17 102	0.01 48	0.00 1	0.03 115	0.00 1	0.13 72	0.23 99

Abc-Net	6.77 118	1.49 114	6.48 104	2.92 128	4.40 152	7.43 99	3.61 107	19.52 161	13.29 117	8.39 87	16.91 121	15.96 126	12.13 137	12.85 131	7.70 106	1.47 167	0.11 120	0.01 95	0.42 152	0.14 79	0.24 102
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCC-stereo	6.77 118	1.49 114	6.48 104	2.92 128	4.40 152	7.43 99	3.61 107	19.52 161	13.29 117	8.39 87	16.91 121	15.96 126	12.13 137	12.85 131	7.70 106	1.47 167	0.11 120	0.01 95	0.42 152	0.14 79	0.24 102

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

FADNet-RVC	3.98 73	1.84 134	12.48 144	1.69 62	0.44 35	4.33 59	1.31 76	11.84 96	7.15 56	3.53 18	3.50 11	10.63 98	4.43 73	9.12 95	6.25 94	0.03 79	0.10 116	0.00 1	0.03 99	0.60 135	0.25 105

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

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

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

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

StereoDRNet-Refined	4.46 87	0.62 43	3.80 48	1.92 71	0.40 33	9.35 111	0.15 18	10.02 64	8.83 85	12.69 126	11.62 85	9.34 86	3.87 61	8.06 74	8.02 111	0.00 1	0.00 1	0.01 95	0.05 110	0.20 90	0.26 108
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
PWC_ROB	8.24 136	3.13 153	12.74 145	2.43 110	4.43 155	7.51 102	1.22 72	16.63 142	19.24 143	16.08 141	28.29 152	13.99 119	10.16 130	13.63 139	14.06 149	0.42 147	0.00 1	0.05 125	0.00 1	0.59 134	0.27 111

iRaftStereo_RVC	1.62 11	0.68 49	1.98 5	0.67 21	0.05 3	2.99 37	0.04 8	5.36 18	3.74 11	3.82 21	4.96 18	2.54 28	0.62 6	3.35 25	0.97 20	0.00 1	0.07 107	0.00 1	0.00 1	0.30 108	0.27 111

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

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

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

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

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

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

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

GANetREF_RVC	6.56 113	2.89 150	7.58 121	3.41 143	0.40 33	12.96 139	9.58 158	15.09 131	17.25 137	10.33 109	10.62 75	12.27 110	8.16 116	12.21 127	4.53 78	0.41 144	0.00 1	0.00 1	0.02 89	3.12 169	0.39 120
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
SGM_RVC	10.08 149	0.60 36	3.42 38	2.30 100	0.32 29	19.41 158	6.33 140	18.95 154	14.64 122	25.14 163	24.32 146	33.34 170	18.79 157	19.86 161	12.55 145	0.25 129	0.26 148	0.22 150	0.24 137	0.34 116	0.40 121
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GwcNet	6.42 111	1.97 138	10.92 136	2.59 118	5.58 167	11.55 131	2.21 87	14.10 123	16.52 134	10.04 108	17.19 126	10.86 101	5.61 95	9.23 98	8.84 123	0.01 48	0.06 100	0.03 115	0.08 117	0.56 130	0.40 121

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

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

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

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

SGM-Forest	4.96 91	0.32 2	2.84 26	1.21 35	0.64 43	10.23 122	6.64 144	11.55 90	10.98 99	10.94 116	13.59 103	11.65 106	4.30 70	8.94 92	4.63 79	0.11 109	0.04 88	0.00 1	0.00 1	0.05 39	0.46 127
Johannes L. Schönberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
SuperB	8.10 135	3.15 155	24.67 167	2.65 119	1.23 70	9.88 118	4.29 117	10.18 70	30.07 164	11.53 119	12.18 90	6.12 54	6.65 107	10.50 113	14.47 151	0.14 113	0.11 120	0.35 158	0.25 139	13.06 179	0.48 128

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

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

RTS	18.87 176	9.32 175	86.48 181	4.95 166	6.10 169	42.08 179	14.70 172	15.49 136	41.06 178	22.65 155	32.32 161	13.77 114	19.54 159	37.98 177	28.96 174	0.41 144	0.23 142	0.00 1	0.02 89	0.91 146	0.50 131

RTSA	18.87 176	9.32 175	86.48 181	4.95 166	6.10 169	42.08 179	14.70 172	15.49 136	41.06 178	22.65 155	32.32 161	13.77 114	19.54 159	37.98 177	28.96 174	0.41 144	0.23 142	0.00 1	0.02 89	0.91 146	0.50 131

psmorigin	7.34 126	1.58 119	18.31 158	2.35 104	0.87 57	6.72 93	1.70 83	10.63 77	7.14 55	19.77 150	22.71 140	20.13 149	11.34 135	12.96 133	9.49 127	0.04 88	0.17 134	0.06 127	0.17 128	0.21 95	0.50 131

SGM-ForestM	16.99 173	1.08 90	5.74 88	2.12 86	0.75 49	31.63 173	12.21 167	27.80 176	32.25 166	37.88 173	39.99 174	52.96 180	35.20 178	33.60 176	24.47 168	0.26 131	0.39 154	0.31 156	0.39 150	0.26 106	0.53 134

RAFT + AFF	4.30 86	1.55 118	5.84 90	1.43 45	2.36 110	5.94 83	6.72 145	10.01 63	7.56 64	7.55 76	8.96 63	7.09 65	6.73 109	8.57 85	4.02 73	0.02 65	0.47 161	0.00 1	0.01 82	0.56 130	0.54 135

DANet	6.02 104	1.23 100	8.45 126	3.86 156	3.94 149	7.64 103	1.34 77	9.51 57	7.00 53	13.39 133	15.53 117	15.99 128	7.02 110	12.14 126	12.37 143	0.19 122	0.12 125	0.02 107	0.03 99	0.13 72	0.56 136
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ADCRef	7.27 125	1.38 109	16.37 154	2.52 114	3.30 130	11.63 132	3.16 99	10.80 81	9.35 86	13.03 132	25.27 149	8.17 78	8.92 123	8.06 74	21.81 164	0.15 115	0.08 110	0.16 144	0.34 147	0.38 120	0.58 137

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

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

DPSNet	10.14 150	1.88 137	16.82 156	1.85 65	1.73 90	24.84 166	17.20 178	19.92 164	27.41 160	12.23 124	13.62 104	16.52 130	18.35 154	14.42 144	12.50 144	0.78 156	0.54 164	0.08 132	0.25 139	1.18 152	0.59 140

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

CSAN	7.62 127	1.60 121	6.56 107	1.83 64	0.66 44	12.40 137	10.52 164	14.45 127	21.32 150	14.19 135	15.98 119	17.84 135	13.02 144	12.32 128	8.38 117	0.09 106	0.07 107	0.03 115	0.04 108	0.33 113	0.67 142

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

SAMSARA	14.63 163	2.74 149	12.38 142	12.65 178	6.74 171	36.50 176	72.93 184	19.36 158	23.77 156	16.20 142	13.04 100	29.21 164	12.78 141	16.98 154	15.21 152	0.11 109	0.26 148	0.03 115	0.14 126	0.76 142	0.77 144

NaN_ROB	6.00 103	1.24 101	6.29 98	1.34 39	1.68 88	9.60 116	10.31 162	15.09 131	15.79 128	12.62 125	8.95 62	11.67 107	5.83 97	11.78 125	6.41 97	0.05 96	0.13 126	0.08 132	0.20 131	0.22 98	0.79 145

ADCP+	8.09 134	1.79 132	14.50 152	1.54 50	4.28 151	16.57 151	5.20 129	12.80 110	11.20 102	12.83 130	17.07 123	11.02 103	10.80 133	17.59 156	23.18 167	0.03 79	0.05 93	0.01 95	0.18 129	0.39 124	0.81 146

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

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

AnyNet_C32	10.98 156	5.58 165	22.79 164	4.16 159	5.83 168	15.64 146	14.30 170	13.18 113	17.15 136	16.44 143	20.52 134	14.68 122	13.44 145	22.46 165	30.08 177	0.17 119	0.26 148	0.36 159	0.36 148	1.23 153	0.91 149

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

MFN_U_SF_DS_RVC	9.78 148	4.27 162	14.47 151	2.29 99	2.85 124	23.40 165	13.62 169	13.60 117	19.54 144	19.42 148	24.27 145	16.74 131	8.59 120	17.05 155	7.98 110	1.25 165	1.68 171	0.17 145	2.63 174	0.72 141	1.04 151

MANE	19.47 178	1.27 104	5.07 76	4.69 164	5.55 166	30.49 172	9.94 160	34.01 179	37.27 175	44.13 178	51.57 182	52.51 179	40.41 180	33.58 175	24.81 169	0.89 160	0.86 165	1.11 170	9.72 180	0.38 120	1.06 152

PA-Net	4.98 92	1.47 113	7.42 118	2.40 107	2.14 102	8.73 107	3.64 109	12.42 105	13.11 116	7.03 67	7.57 49	7.88 75	6.52 104	10.16 110	7.82 108	0.02 65	0.03 81	0.00 1	0.00 1	0.11 59	1.07 153
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
ADCMid	10.24 152	3.13 153	20.70 161	2.21 94	2.39 113	11.23 130	6.19 135	14.17 125	11.19 101	23.20 159	22.25 138	17.89 137	19.54 159	18.51 158	26.21 172	0.45 149	0.42 157	1.10 169	1.29 168	1.56 160	1.18 154

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

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

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

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

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

ADCS	13.02 159	4.93 163

Low-res two-view benchmark