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

DEFOM-Stereo	0.11 1	0.10 17	0.21 2	0.18 11	0.09 7	0.21 99	0.14 21	0.14 1	0.17 1	0.11 1	0.10 2	0.09 1	0.08 1	0.21 46	0.12 2	0.06 2	0.05 3	0.06 2	0.04 1	0.05 1	0.06 5

IGEV-BASED-STEREO-	0.20 98	0.74 456	0.71 331	0.17 5	0.08 3	0.15 9	0.15 39	0.19 3	0.18 4	0.13 7	0.12 7	0.10 2	0.08 1	0.16 5	0.14 36	0.34 445	0.12 267	0.08 89	0.07 70	0.11 269	0.24 366

AIO-Stereo	0.16 29	0.12 76	0.29 17	0.30 372	0.20 336	0.16 14	0.14 21	0.28 41	0.22 32	0.14 17	0.15 26	0.13 21	0.08 1	0.20 40	0.15 57	0.06 2	0.16 339	0.07 24	0.08 136	0.06 5	0.24 366

Selective-IGEV	0.15 13	0.10 17	0.34 39	0.32 390	0.19 316	0.16 14	0.14 21	0.29 58	0.20 16	0.13 7	0.14 24	0.13 21	0.08 1	0.23 73	0.14 36	0.06 2	0.13 284	0.07 24	0.06 31	0.06 5	0.11 162

MonoStereo	0.13 2	0.09 5	0.20 1	0.17 5	0.10 21	0.18 35	0.11 3	0.28 41	0.21 26	0.11 1	0.16 29	0.10 2	0.09 5	0.21 46	0.15 57	0.05 1	0.17 358	0.05 1	0.07 70	0.05 1	0.10 127

xy-stereo	0.16 29	0.12 76	0.25 4	0.24 219	0.22 364	0.15 9	0.14 21	0.32 91	0.21 26	0.11 1	0.16 29	0.13 21	0.09 5	0.20 40	0.13 11	0.07 27	0.13 284	0.06 2	0.05 10	0.06 5	0.32 414

mms	0.15 13	0.14 141	0.25 4	0.20 54	0.15 201	0.17 22	0.17 86	0.21 5	0.19 9	0.14 17	0.18 45	0.14 39	0.09 5	0.26 112	0.15 57	0.06 2	0.07 107	0.08 89	0.06 31	0.07 47	0.19 309

RAStereo	0.14 3	0.15 170	0.40 68	0.22 127	0.11 32	0.15 9	0.18 133	0.25 31	0.24 50	0.13 7	0.17 36	0.11 7	0.09 5	0.15 2	0.13 11	0.08 118	0.06 43	0.08 89	0.06 31	0.07 47	0.05 1

U	1.02 460	0.10 17	0.26 9	0.22 127	3.66 487	6.41 489	0.13 9	0.22 10	0.21 26	0.11 1	0.11 4	0.10 2	0.09 5	0.12 1	0.11 1	0.07 27	0.05 3	5.35 493	2.86 490	0.07 47	0.06 5

RSM++	0.14 3	0.11 40	0.25 4	0.32 390	0.17 263	0.17 22	0.15 39	0.23 11	0.21 26	0.12 5	0.12 7	0.14 39	0.09 5	0.21 46	0.13 11	0.06 2	0.05 3	0.07 24	0.07 70	0.07 47	0.11 162

RSM	0.14 3	0.11 40	0.25 4	0.29 364	0.16 234	0.16 14	0.15 39	0.24 21	0.20 16	0.13 7	0.13 12	0.15 51	0.09 5	0.22 62	0.13 11	0.06 2	0.06 43	0.07 24	0.07 70	0.07 47	0.11 162

EGLCR-Stereo	0.19 73	0.09 5	0.34 39	0.29 364	0.17 263	0.28 216	0.16 64	0.30 70	0.23 39	0.22 90	0.11 4	0.16 58	0.09 5	0.28 143	0.15 57	0.07 27	0.25 415	0.07 24	0.07 70	0.06 5	0.37 432

fffft	0.14 3	0.12 76	0.30 23	0.19 23	0.10 21	0.17 22	0.18 133	0.23 11	0.17 1	0.14 17	0.11 4	0.13 21	0.10 13	0.24 80	0.18 120	0.06 2	0.05 3	0.07 24	0.06 31	0.07 47	0.09 79
1: 1. 1
tt45	0.15 13	0.14 141	0.29 17	0.19 23	0.11 32	0.23 142	0.18 133	0.23 11	0.18 4	0.16 34	0.13 12	0.14 39	0.10 13	0.31 186	0.15 57	0.07 27	0.05 3	0.08 89	0.06 31	0.07 47	0.08 46

ours_stereo	0.15 13	0.14 141	0.29 17	0.21 82	0.14 142	0.17 22	0.18 133	0.21 5	0.20 16	0.13 7	0.18 45	0.14 39	0.10 13	0.24 80	0.15 57	0.06 2	0.06 43	0.08 89	0.06 31	0.07 47	0.13 221

dual_stereo	0.19 73	0.10 17	0.25 4	0.24 219	0.33 426	0.11 2	0.16 64	0.28 41	0.23 39	0.12 5	0.10 2	0.12 10	0.10 13	0.19 29	0.15 57	0.06 2	0.46 461	0.08 89	0.08 136	0.06 5	0.65 466

IGEV-Stereo+	0.14 3	0.08 2	0.26 9	0.18 11	0.14 142	0.09 1	0.10 1	0.16 2	0.17 1	0.14 17	0.08 1	0.10 2	0.10 13	0.22 62	0.14 36	0.07 27	0.15 328	0.06 2	0.06 31	0.16 358	0.29 402

RAFT-Stereo-weight	0.17 44	0.10 17	0.31 30	0.20 54	0.12 63	0.20 76	0.16 64	0.38 155	0.33 171	0.25 114	0.20 60	0.19 84	0.10 13	0.19 29	0.16 75	0.07 27	0.13 284	0.07 24	0.06 31	0.06 5	0.09 79

CAS++	0.17 44	0.13 100	0.35 44	0.18 11	0.13 106	0.17 22	0.16 64	0.42 204	0.25 72	0.19 57	0.18 45	0.13 21	0.10 13	0.22 62	0.12 2	0.12 316	0.10 225	0.11 285	0.08 136	0.10 217	0.09 79
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MGS-Stereo	0.15 13	0.12 76	0.38 56	0.19 23	0.11 32	0.18 35	0.17 86	0.21 5	0.23 39	0.14 17	0.24 98	0.16 58	0.10 13	0.19 29	0.13 11	0.07 27	0.06 43	0.07 24	0.06 31	0.10 217	0.07 15

MSKI-zero shot	0.19 73	0.10 17	0.47 117	0.30 372	0.14 142	0.21 99	0.14 21	0.33 107	0.22 32	0.24 103	0.25 104	0.22 114	0.10 13	0.32 193	0.14 36	0.07 27	0.30 442	0.07 24	0.07 70	0.06 5	0.09 79

DLNR_Zeroshot_test	10.53 493	12.28 499	20.32 500	105.84 508	23.88 505	0.14 5	0.13 9	3.20 488	0.20 16	0.16 34	0.23 91	0.16 58	0.10 13	0.32 193	0.16 75	2.54 488	0.32 447	0.07 24	0.07 70	40.17 506	0.28 397

4D-IteraStereo	0.20 98	0.21 277	0.62 292	0.21 82	0.14 142	0.19 47	0.17 86	0.29 58	0.28 106	0.24 103	0.20 60	0.20 95	0.10 13	0.22 62	0.18 120	0.07 27	0.07 107	0.10 234	0.08 136	0.08 97	0.33 418

CAS	0.16 29	0.07 1	0.29 17	0.42 438	0.17 263	0.20 76	0.18 133	0.23 11	0.20 16	0.15 28	0.19 52	0.11 7	0.10 13	0.15 2	0.14 36	0.31 442	0.04 1	0.06 2	0.04 1	0.06 5	0.16 275

CES	0.14 3	0.08 2	0.24 3	0.17 5	0.23 375	0.18 35	0.15 39	0.24 21	0.20 16	0.14 17	0.18 45	0.14 39	0.10 13	0.19 29	0.12 2	0.07 27	0.05 3	0.06 2	0.04 1	0.08 97	0.20 325

XX-Stereo	0.25 223	0.11 40	1.09 419	0.35 412	0.38 439	0.23 142	0.13 9	0.43 211	0.19 9	0.20 65	0.40 263	0.31 233	0.10 13	0.33 202	0.13 11	0.08 118	0.11 251	0.08 89	0.09 211	0.07 47	0.10 127

SMoEStereo_RVC	0.14 3	0.15 170	0.29 17	0.19 23	0.10 21	0.19 47	0.17 86	0.21 5	0.21 26	0.15 28	0.13 12	0.12 10	0.11 27	0.25 93	0.16 75	0.06 2	0.05 3	0.08 89	0.06 31	0.06 5	0.08 46

999	0.15 13	0.13 100	0.30 23	0.19 23	0.12 63	0.20 76	0.17 86	0.25 31	0.20 16	0.14 17	0.16 29	0.14 39	0.11 27	0.36 227	0.16 75	0.07 27	0.05 3	0.07 24	0.06 31	0.06 5	0.08 46

IGEV-Stereo++	0.15 13	0.09 5	0.27 13	0.21 82	0.13 106	0.14 5	0.11 3	0.23 11	0.19 9	0.15 28	0.14 24	0.11 7	0.11 27	0.19 29	0.12 2	0.06 2	0.21 386	0.06 2	0.05 10	0.06 5	0.28 397

Occ-G	0.18 52	0.10 17	0.38 56	0.23 175	0.15 201	0.16 14	0.18 133	0.23 11	0.26 81	0.15 28	0.20 60	0.21 109	0.11 27	0.22 62	0.19 146	0.07 27	0.17 358	0.07 24	0.06 31	0.08 97	0.30 405

Pointernet	0.15 13	0.08 2	0.35 44	0.19 23	0.12 63	0.20 76	0.12 6	0.34 114	0.25 72	0.15 28	0.16 29	0.13 21	0.11 27	0.18 18	0.13 11	0.08 118	0.06 43	0.06 2	0.05 10	0.06 5	0.08 46

test_for_model	0.33 333	0.91 463	0.48 131	0.74 463	0.50 448	0.20 76	0.16 64	0.33 107	0.27 96	0.29 169	0.15 26	0.13 21	0.11 27	0.17 11	0.14 36	0.31 442	0.27 425	0.06 2	0.05 10	0.97 476	0.31 409

IGEV++	0.19 73	0.13 100	0.38 56	0.30 372	0.19 316	0.15 9	0.15 39	0.32 91	0.18 4	0.13 7	0.16 29	0.12 10	0.11 27	0.24 80	0.15 57	0.07 27	0.32 447	0.07 24	0.05 10	0.07 47	0.42 441

MaDis-Stereo	0.15 13	0.17 223	0.39 62	0.19 23	0.15 201	0.16 14	0.13 9	0.26 34	0.22 32	0.13 7	0.15 26	0.14 39	0.11 27	0.17 11	0.17 96	0.08 118	0.07 107	0.08 89	0.06 31	0.07 47	0.06 5

UniTT-Stereo	0.15 13	0.12 76	0.45 99	0.21 82	0.14 142	0.17 22	0.13 9	0.20 4	0.19 9	0.16 34	0.20 60	0.10 2	0.11 27	0.18 18	0.17 96	0.08 118	0.06 43	0.07 24	0.06 31	0.08 97	0.07 15

CASnet	0.15 13	0.13 100	0.30 23	0.22 127	0.08 3	0.15 9	0.14 21	0.28 41	0.26 81	0.23 97	0.20 60	0.15 51	0.11 27	0.18 18	0.13 11	0.07 27	0.05 3	0.11 285	0.09 211	0.08 97	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
testlalala	0.17 44	0.11 40	0.49 151	0.20 54	0.13 106	0.23 142	0.15 39	0.33 107	0.22 32	0.25 114	0.20 60	0.14 39	0.11 27	0.17 11	0.14 36	0.07 27	0.23 404	0.07 24	0.06 31	0.05 1	0.07 15

CroCo-Stereo Lap2	0.16 29	0.18 244	0.39 62	0.26 292	0.18 290	0.11 2	0.19 173	0.30 70	0.22 32	0.13 7	0.16 29	0.15 51	0.11 27	0.17 11	0.15 57	0.07 27	0.07 107	0.08 89	0.06 31	0.08 97	0.07 15

GLC_STEREO	0.15 13	0.11 40	0.31 30	0.22 127	0.09 7	0.17 22	0.15 39	0.24 21	0.28 106	0.17 44	0.20 60	0.17 66	0.11 27	0.24 80	0.17 96	0.07 27	0.09 198	0.09 163	0.08 136	0.07 47	0.07 15

CREStereo++_RVC	0.16 29	0.09 5	0.42 83	0.17 5	0.11 32	0.18 35	0.13 9	0.23 11	0.31 146	0.21 72	0.31 160	0.13 21	0.11 27	0.17 11	0.16 75	0.07 27	0.04 1	0.06 2	0.15 385	0.06 5	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
tg	0.18 52	0.15 170	0.34 39	0.22 127	0.11 32	0.23 142	0.15 39	0.35 124	0.27 96	0.20 65	0.25 104	0.20 95	0.12 41	0.25 93	0.16 75	0.07 27	0.07 107	0.09 163	0.09 211	0.08 97	0.13 221

WCG-NET	0.16 29	0.12 76	0.30 23	0.19 23	0.11 32	0.21 99	0.13 9	0.29 58	0.22 32	0.19 57	0.22 85	0.18 75	0.12 41	0.23 73	0.14 36	0.08 118	0.08 160	0.07 24	0.06 31	0.08 97	0.10 127

model_zeroshot	0.21 124	0.14 141	0.51 186	0.34 406	0.18 290	0.26 193	0.16 64	0.41 200	0.24 50	0.33 245	0.20 60	0.25 155	0.12 41	0.26 112	0.16 75	0.09 182	0.21 386	0.07 24	0.08 136	0.07 47	0.13 221

GCAP-BAT	0.20 98	0.12 76	0.48 131	0.25 255	0.17 263	0.24 165	0.16 64	0.32 91	0.21 26	0.28 145	0.30 149	0.26 174	0.12 41	0.28 143	0.19 146	0.07 27	0.25 415	0.07 24	0.08 136	0.06 5	0.19 309

WCG-NET（raft）	0.16 29	0.14 141	0.32 34	0.18 11	0.09 7	0.19 47	0.16 64	0.24 21	0.27 96	0.19 57	0.19 52	0.20 95	0.12 41	0.22 62	0.13 11	0.06 2	0.17 358	0.06 2	0.05 10	0.07 47	0.07 15

testlalala2	0.19 73	0.11 40	0.49 151	0.37 417	0.26 402	0.24 165	0.14 21	0.37 144	0.26 81	0.25 114	0.27 123	0.21 109	0.12 41	0.17 11	0.17 96	0.07 27	0.07 107	0.07 24	0.07 70	0.07 47	0.08 46

Former-RAFT_DAM_RVC	0.18 52	0.15 170	0.27 13	0.20 54	0.13 106	0.24 165	0.17 86	0.31 85	0.37 222	0.43 365	0.17 36	0.13 21	0.12 41	0.20 40	0.16 75	0.08 118	0.07 107	0.09 163	0.07 70	0.09 166	0.08 46

ff7	0.18 52	0.13 100	0.41 74	0.21 82	0.15 201	0.21 99	0.17 86	0.28 41	0.23 39	0.21 72	0.13 12	0.12 10	0.12 41	0.27 124	0.13 11	0.07 27	0.25 415	0.08 89	0.07 70	0.08 97	0.36 424

IGEVStereo-DCA	0.20 98	0.17 223	0.41 74	0.22 127	0.15 201	0.20 76	0.17 86	0.28 41	0.23 39	0.19 57	0.12 7	0.14 39	0.12 41	0.38 239	0.31 296	0.07 27	0.16 339	0.08 89	0.07 70	0.08 97	0.36 424

ffff	0.18 52	0.13 100	0.41 74	0.21 82	0.15 201	0.21 99	0.17 86	0.28 41	0.23 39	0.21 72	0.13 12	0.12 10	0.12 41	0.27 124	0.13 11	0.07 27	0.25 415	0.08 89	0.07 70	0.08 97	0.36 424

rrr	0.22 139	0.17 223	0.79 355	0.22 127	0.15 201	0.20 76	0.18 133	0.40 182	0.27 96	0.19 57	0.12 7	0.14 39	0.12 41	0.38 239	0.31 296	0.07 27	0.16 339	0.08 89	0.07 70	0.08 97	0.28 397

11t	0.18 52	0.13 100	0.41 74	0.21 82	0.15 201	0.21 99	0.17 86	0.28 41	0.23 39	0.21 72	0.13 12	0.12 10	0.12 41	0.27 124	0.13 11	0.07 27	0.25 415	0.08 89	0.07 70	0.08 97	0.36 424

LL-Strereo2	0.21 124	0.25 333	0.53 218	0.32 390	0.20 336	0.25 178	0.14 21	0.32 91	0.25 72	0.25 114	0.20 60	0.24 144	0.12 41	0.28 143	0.18 120	0.07 27	0.07 107	0.12 318	0.09 211	0.09 166	0.16 275

anonymousdsp	0.20 98	0.13 100	0.49 151	0.28 351	0.20 336	0.21 99	0.17 86	0.29 58	0.24 50	0.22 90	0.13 12	0.12 10	0.12 41	0.32 193	0.13 11	0.07 27	0.26 422	0.08 89	0.07 70	0.08 97	0.48 452

ProNet	0.16 29	0.13 100	0.36 50	0.21 82	0.15 201	0.20 76	0.19 173	0.29 58	0.23 39	0.14 17	0.13 12	0.13 21	0.12 41	0.25 93	0.13 11	0.06 2	0.09 198	0.07 24	0.06 31	0.07 47	0.22 345

ccc-4	0.18 52	0.13 100	0.41 74	0.21 82	0.15 201	0.21 99	0.17 86	0.28 41	0.23 39	0.21 72	0.13 12	0.12 10	0.12 41	0.27 124	0.13 11	0.07 27	0.25 415	0.08 89	0.07 70	0.08 97	0.36 424

IGEV-Stereo	0.20 98	0.13 100	0.49 151	0.28 351	0.20 336	0.21 99	0.17 86	0.29 58	0.24 50	0.22 90	0.13 12	0.12 10	0.12 41	0.32 193	0.13 11	0.07 27	0.26 422	0.08 89	0.07 70	0.08 97	0.48 452
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CroCo-Stereo	0.15 13	0.16 196	0.34 39	0.25 255	0.12 63	0.11 2	0.18 133	0.35 124	0.24 50	0.13 7	0.13 12	0.18 75	0.12 41	0.15 2	0.13 11	0.08 118	0.06 43	0.07 24	0.05 10	0.07 47	0.06 5
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
iRaftStereo_RVC	0.17 44	0.16 196	0.35 44	0.21 82	0.11 32	0.20 76	0.17 86	0.34 114	0.25 72	0.20 65	0.25 104	0.19 84	0.12 41	0.21 46	0.16 75	0.07 27	0.12 267	0.10 234	0.09 211	0.09 166	0.14 246

TANstereo	0.16 29	0.11 40	0.43 88	0.16 4	0.08 3	0.25 178	0.14 21	0.23 11	0.29 123	0.25 114	0.30 149	0.16 58	0.12 41	0.18 18	0.13 11	0.08 118	0.07 107	0.06 2	0.05 10	0.07 47	0.08 46

XX-TBD	0.16 29	0.21 277	0.43 88	0.22 127	0.10 21	0.23 142	0.15 39	0.23 11	0.28 106	0.22 90	0.26 112	0.14 39	0.12 41	0.16 5	0.14 36	0.08 118	0.05 3	0.06 2	0.04 1	0.07 47	0.06 5

test_xeample3	0.22 139	0.17 223	0.81 359	0.21 82	0.15 201	0.20 76	0.18 133	0.40 182	0.25 72	0.19 57	0.12 7	0.13 21	0.12 41	0.34 216	0.33 312	0.07 27	0.20 381	0.07 24	0.08 136	0.08 97	0.34 421

fffy	0.15 13	0.14 141	0.31 30	0.21 82	0.14 142	0.19 47	0.18 133	0.24 21	0.19 9	0.13 7	0.17 36	0.15 51	0.13 63	0.25 93	0.15 57	0.06 2	0.08 160	0.08 89	0.06 31	0.07 47	0.15 260

trnet	0.14 3	0.09 5	0.26 9	0.15 2	0.07 1	0.21 99	0.12 6	0.25 31	0.26 81	0.16 34	0.21 77	0.15 51	0.13 63	0.19 29	0.14 36	0.09 182	0.05 3	0.06 2	0.04 1	0.06 5	0.06 5

MoCha-V2	0.18 52	0.12 76	0.40 68	0.30 372	0.24 387	0.16 14	0.15 39	0.28 41	0.19 9	0.16 34	0.16 29	0.13 21	0.13 63	0.30 175	0.13 11	0.06 2	0.28 430	0.06 2	0.06 31	0.06 5	0.25 377

MyStereo07	0.18 52	0.15 170	0.44 96	0.22 127	0.16 234	0.25 178	0.22 260	0.31 85	0.26 81	0.22 90	0.13 12	0.12 10	0.13 63	0.33 202	0.14 36	0.07 27	0.13 284	0.09 163	0.09 211	0.09 166	0.11 162

AE-Stereo	0.21 124	0.12 76	0.50 172	0.25 255	0.15 201	0.24 165	0.18 133	0.40 182	0.34 182	0.19 57	0.26 112	0.21 109	0.13 63	0.22 62	0.16 75	0.07 27	0.26 422	0.09 163	0.10 260	0.07 47	0.31 409

MIM_Stereo	0.20 98	0.17 223	0.55 236	0.20 54	0.21 349	0.17 22	0.14 21	0.37 144	0.27 96	0.28 145	0.35 206	0.23 128	0.13 63	0.28 143	0.16 75	0.06 2	0.08 160	0.09 163	0.08 136	0.08 97	0.15 260

GCAP-Stereo	0.18 52	0.21 277	0.47 117	0.23 175	0.18 290	0.21 99	0.10 1	0.28 41	0.24 50	0.20 65	0.22 85	0.15 51	0.13 63	0.21 46	0.16 75	0.07 27	0.19 372	0.07 24	0.05 10	0.06 5	0.09 79

MC-Stereo	0.18 52	0.10 17	0.36 50	0.28 351	0.14 142	0.18 35	0.15 39	0.24 21	0.20 16	0.21 72	0.24 98	0.16 58	0.13 63	0.25 93	0.14 36	0.07 27	0.17 358	0.07 24	0.07 70	0.06 5	0.30 405

test_4	0.19 73	0.16 196	0.39 62	0.24 219	0.13 106	0.19 47	0.21 229	0.27 37	0.24 50	0.24 103	0.47 338	0.22 114	0.13 63	0.27 124	0.18 120	0.06 2	0.06 43	0.09 163	0.09 211	0.07 47	0.06 5

test-3	0.18 52	0.10 17	0.48 131	0.23 175	0.14 142	0.18 35	0.16 64	0.32 91	0.29 123	0.26 124	0.17 36	0.22 114	0.13 63	0.26 112	0.19 146	0.06 2	0.14 299	0.08 89	0.08 136	0.06 5	0.10 127

test_1	0.18 52	0.10 17	0.48 131	0.23 175	0.14 142	0.18 35	0.16 64	0.32 91	0.29 123	0.26 124	0.17 36	0.22 114	0.13 63	0.26 112	0.19 146	0.06 2	0.14 299	0.08 89	0.08 136	0.06 5	0.10 127

test_3	0.20 98	0.12 76	0.49 151	0.26 292	0.14 142	0.22 124	0.25 324	0.34 114	0.33 171	0.25 114	0.18 45	0.23 128	0.13 63	0.25 93	0.20 165	0.06 2	0.14 299	0.09 163	0.10 260	0.07 47	0.10 127

TRStereo	0.22 139	0.21 277	0.62 292	0.40 432	0.19 316	0.22 124	0.16 64	0.58 367	0.30 137	0.21 72	0.21 77	0.22 114	0.13 63	0.27 124	0.14 36	0.09 182	0.09 198	0.09 163	0.11 292	0.06 5	0.19 309

CREStereo	0.14 3	0.09 5	0.27 13	0.14 1	0.08 3	0.22 124	0.15 39	0.26 34	0.26 81	0.16 34	0.21 77	0.14 39	0.13 63	0.19 29	0.14 36	0.09 182	0.05 3	0.06 2	0.04 1	0.07 47	0.06 5
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
rvit_stereo_0081_aga	0.17 44	0.17 223	0.40 68	0.21 82	0.14 142	0.20 76	0.17 86	0.24 21	0.26 81	0.18 55	0.21 77	0.20 95	0.14 77	0.20 40	0.15 57	0.12 316	0.08 160	0.09 163	0.08 136	0.10 217	0.08 46

rvit_stereo_0080	0.16 29	0.17 223	0.35 44	0.19 23	0.13 106	0.14 5	0.20 205	0.29 58	0.26 81	0.16 34	0.17 36	0.19 84	0.14 77	0.19 29	0.16 75	0.11 278	0.08 160	0.08 89	0.08 136	0.10 217	0.08 46

whm_eth	0.16 29	0.17 223	0.35 44	0.19 23	0.13 106	0.14 5	0.20 205	0.29 58	0.26 81	0.16 34	0.17 36	0.19 84	0.14 77	0.19 29	0.16 75	0.11 278	0.08 160	0.08 89	0.08 136	0.10 217	0.08 46

IGEV_Zeroshot_test	0.23 170	0.11 40	0.82 362	0.21 82	0.23 375	0.20 76	0.19 173	0.38 155	0.23 39	0.34 263	0.22 85	0.29 205	0.14 77	0.24 80	0.20 165	0.07 27	0.09 198	0.08 89	0.08 136	0.08 97	0.35 423

testlalala_base	0.23 170	0.14 141	0.48 131	0.26 292	0.16 234	0.25 178	0.17 86	0.37 144	0.19 9	0.20 65	0.26 112	0.17 66	0.14 77	0.19 29	0.18 120	0.42 455	0.23 404	0.07 24	0.06 31	0.50 449	0.14 246

RAFT-Test	0.19 73	0.11 40	0.41 74	0.26 292	0.21 349	0.26 193	0.17 86	0.37 144	0.26 81	0.24 103	0.29 137	0.32 244	0.14 77	0.22 62	0.15 57	0.07 27	0.08 160	0.07 24	0.07 70	0.06 5	0.07 15

LoS	0.15 13	0.09 5	0.34 39	0.17 5	0.09 7	0.22 124	0.14 21	0.27 37	0.27 96	0.15 28	0.18 45	0.19 84	0.14 77	0.23 73	0.14 36	0.08 118	0.06 43	0.06 2	0.04 1	0.06 5	0.06 5
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
AnonymousM	0.19 73	0.20 269	0.30 23	0.18 11	0.10 21	0.19 47	0.17 86	0.32 91	0.27 96	0.27 135	0.21 77	0.18 75	0.14 77	0.21 46	0.16 75	0.09 182	0.08 160	0.38 447	0.15 385	0.06 5	0.08 46

test-1	0.20 98	0.12 76	0.49 151	0.23 175	0.23 375	0.22 124	0.23 287	0.36 132	0.29 123	0.21 72	0.25 104	0.24 144	0.14 77	0.18 18	0.22 203	0.07 27	0.14 299	0.08 89	0.07 70	0.06 5	0.14 246

sCroCo_RVC	0.19 73	0.15 170	0.60 283	0.27 326	0.18 290	0.23 142	0.16 64	0.28 41	0.24 50	0.14 17	0.22 85	0.17 66	0.14 77	0.22 62	0.16 75	0.11 278	0.11 251	0.09 163	0.09 211	0.09 166	0.10 127

PMTNet	0.16 29	0.09 5	0.31 30	0.15 2	0.09 7	0.23 142	0.15 39	0.26 34	0.24 50	0.17 44	0.21 77	0.16 58	0.14 77	0.23 73	0.14 36	0.29 438	0.05 3	0.06 2	0.04 1	0.07 47	0.07 15

R-Stereo Train	0.19 73	0.10 17	0.49 151	0.22 127	0.12 63	0.23 142	0.18 133	0.43 211	0.20 16	0.31 207	0.45 319	0.20 95	0.14 77	0.18 18	0.18 120	0.08 118	0.06 43	0.07 24	0.06 31	0.06 5	0.07 15

RAFT-Stereo	0.19 73	0.10 17	0.49 151	0.22 127	0.12 63	0.23 142	0.18 133	0.43 211	0.20 16	0.31 207	0.45 319	0.20 95	0.14 77	0.18 18	0.18 120	0.08 118	0.06 43	0.07 24	0.06 31	0.06 5	0.07 15
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
castereo	0.15 13	0.10 17	0.27 13	0.19 23	0.11 32	0.23 142	0.15 39	0.34 114	0.31 146	0.14 17	0.18 45	0.15 51	0.15 90	0.18 18	0.14 36	0.07 27	0.05 3	0.06 2	0.06 31	0.06 5	0.08 46

rvit_stereo_0081	0.16 29	0.13 100	0.30 23	0.21 82	0.12 63	0.17 22	0.17 86	0.24 21	0.34 182	0.17 44	0.19 52	0.18 75	0.15 90	0.20 40	0.17 96	0.11 278	0.08 160	0.09 163	0.08 136	0.09 166	0.07 15

rvit_stereo_0082	0.16 29	0.13 100	0.30 23	0.21 82	0.12 63	0.17 22	0.17 86	0.24 21	0.34 182	0.17 44	0.19 52	0.18 75	0.15 90	0.20 40	0.17 96	0.11 278	0.08 160	0.09 163	0.08 136	0.09 166	0.07 15

gcap-zeroshot	0.19 73	0.14 141	0.51 186	0.21 82	0.15 201	0.27 200	0.15 39	0.32 91	0.24 50	0.26 124	0.20 60	0.34 259	0.15 90	0.22 62	0.14 36	0.07 27	0.08 160	0.07 24	0.07 70	0.06 5	0.09 79

EKT-Stereo	0.39 366	0.13 100	0.53 218	0.42 438	3.94 488	0.22 124	0.17 86	0.38 155	0.30 137	0.21 72	0.20 60	0.23 128	0.15 90	0.30 175	0.18 120	0.10 242	0.08 160	0.09 163	0.08 136	0.09 166	0.12 200

anonymousdsp2	0.23 170	0.11 40	0.42 83	0.26 292	0.24 387	0.25 178	0.17 86	0.43 211	0.37 222	0.30 192	0.23 91	0.24 144	0.15 90	0.32 193	0.17 96	0.07 27	0.28 430	0.07 24	0.05 10	0.08 97	0.44 445

CIPLG	0.23 170	0.28 356	0.75 340	0.24 219	0.16 234	0.25 178	0.20 205	0.38 155	0.33 171	0.32 232	0.34 198	0.23 128	0.15 90	0.27 124	0.22 203	0.09 182	0.07 107	0.08 89	0.07 70	0.08 97	0.09 79

IPLGR_C	0.23 170	0.29 359	0.81 359	0.24 219	0.16 234	0.24 165	0.20 205	0.38 155	0.33 171	0.32 232	0.33 188	0.23 128	0.15 90	0.26 112	0.22 203	0.09 182	0.07 107	0.08 89	0.07 70	0.08 97	0.09 79

ACRE	0.23 170	0.27 349	0.83 367	0.24 219	0.15 201	0.24 165	0.20 205	0.38 155	0.32 157	0.32 232	0.33 188	0.23 128	0.15 90	0.26 112	0.22 203	0.09 182	0.07 107	0.08 89	0.07 70	0.08 97	0.09 79

Pruner-Stereo	0.20 98	0.12 76	0.49 151	0.29 364	0.12 63	0.19 47	0.17 86	0.32 91	0.31 146	0.33 245	0.32 169	0.25 155	0.15 90	0.25 93	0.22 203	0.09 182	0.06 43	0.09 163	0.08 136	0.08 97	0.10 127

cross-raft	0.18 52	0.12 76	0.40 68	0.27 326	0.16 234	0.20 76	0.24 311	0.34 114	0.24 50	0.23 97	0.28 129	0.29 205	0.15 90	0.19 29	0.16 75	0.06 2	0.05 3	0.08 89	0.07 70	0.07 47	0.07 15

raft+_RVC	0.21 124	0.21 277	0.46 112	0.22 127	0.35 431	0.21 99	0.16 64	0.39 173	0.35 192	0.22 90	0.28 129	0.20 95	0.15 90	0.25 93	0.20 165	0.08 118	0.16 339	0.08 89	0.07 70	0.07 47	0.12 200

RALCasStereoNet	0.22 139	0.22 295	0.48 131	0.23 175	0.23 375	0.22 124	0.18 133	0.32 91	0.27 96	0.22 90	0.30 149	0.22 114	0.15 90	0.29 163	0.20 165	0.08 118	0.22 395	0.07 24	0.06 31	0.10 217	0.25 377

RALAANet	0.21 124	0.24 318	0.53 218	0.23 175	0.14 142	0.22 124	0.13 9	0.38 155	0.30 137	0.29 169	0.26 112	0.25 155	0.15 90	0.28 143	0.20 165	0.08 118	0.08 160	0.09 163	0.08 136	0.10 217	0.07 15

CFNet-RSSM	0.18 52	0.10 17	0.45 99	0.20 54	0.12 63	0.20 76	0.16 64	0.40 182	0.31 146	0.23 97	0.21 77	0.26 174	0.15 90	0.21 46	0.14 36	0.07 27	0.05 3	0.07 24	0.07 70	0.06 5	0.06 5

Gwc-CoAtRS	0.17 44	0.10 17	0.41 74	0.20 54	0.12 63	0.20 76	0.15 39	0.34 114	0.29 123	0.23 97	0.23 91	0.27 179	0.15 90	0.21 46	0.14 36	0.07 27	0.06 43	0.07 24	0.07 70	0.06 5	0.07 15

tt1	0.22 139	0.16 196	0.49 151	0.26 292	0.15 201	0.31 270	0.19 173	0.38 155	0.46 317	0.21 72	0.19 52	0.13 21	0.16 106	0.28 143	0.12 2	0.08 118	0.28 430	0.08 89	0.06 31	0.08 97	0.37 432

StereoVision	0.23 170	0.23 308	0.55 236	0.27 326	0.17 263	0.23 142	0.22 260	0.40 182	0.32 157	0.21 72	0.51 353	0.22 114	0.16 106	0.29 163	0.19 146	0.11 278	0.12 267	0.13 343	0.13 359	0.10 217	0.08 46

AEACV	0.20 98	0.09 5	0.32 34	0.39 428	0.34 428	0.21 99	0.16 64	0.30 70	0.18 4	0.17 44	0.17 36	0.13 21	0.16 106	0.27 124	0.13 11	0.07 27	0.29 441	0.07 24	0.09 211	0.07 47	0.37 432

Any-RAFT	0.18 52	0.09 5	0.33 37	0.19 23	0.10 21	0.29 237	0.16 64	0.44 232	0.32 157	0.25 114	0.27 123	0.29 205	0.16 106	0.23 73	0.13 11	0.08 118	0.07 107	0.06 2	0.05 10	0.07 47	0.07 15

DCRE	0.24 198	0.15 170	0.45 99	0.26 292	0.26 402	0.23 142	0.21 229	0.37 144	0.29 123	0.23 97	0.81 431	0.23 128	0.16 106	0.24 80	0.18 120	0.07 27	0.14 299	0.07 24	0.08 136	0.07 47	0.25 377

knoymous	0.18 52	0.10 17	0.35 44	0.17 5	0.11 32	0.21 99	0.17 86	0.33 107	0.24 50	0.24 103	0.28 129	0.27 179	0.16 106	0.24 80	0.17 96	0.09 182	0.06 43	0.09 163	0.06 31	0.09 166	0.10 127

DisPM	0.20 98	0.11 40	0.52 207	0.24 219	0.13 106	0.18 35	0.19 173	0.30 70	0.31 146	0.33 245	0.34 198	0.23 128	0.16 106	0.34 216	0.17 96	0.09 182	0.06 43	0.09 163	0.08 136	0.08 97	0.12 200

PFNet+	0.21 124	0.11 40	0.54 230	0.22 127	0.12 63	0.17 22	0.18 133	0.31 85	0.36 207	0.33 245	0.32 169	0.24 144	0.16 106	0.33 202	0.18 120	0.10 242	0.07 107	0.11 285	0.10 260	0.08 97	0.12 200

PSM-softLoss	0.22 139	0.11 40	0.53 218	0.25 255	0.12 63	0.20 76	0.17 86	0.39 173	0.29 123	0.29 169	0.32 169	0.24 144	0.16 106	0.53 292	0.21 187	0.09 182	0.06 43	0.10 234	0.09 211	0.08 97	0.12 200

KMStereo	0.22 139	0.11 40	0.53 218	0.25 255	0.12 63	0.20 76	0.17 86	0.39 173	0.29 123	0.29 169	0.32 169	0.24 144	0.16 106	0.53 292	0.21 187	0.09 182	0.06 43	0.10 234	0.09 211	0.08 97	0.12 200

rafts_anoy	0.21 124	0.22 295	0.49 151	0.25 255	0.24 387	0.19 47	0.17 86	0.34 114	0.32 157	0.24 103	0.25 104	0.20 95	0.16 106	0.25 93	0.21 187	0.08 118	0.19 372	0.11 285	0.12 331	0.09 166	0.09 79

sAnonymous2	0.21 124	0.24 318	0.79 355	0.24 219	0.17 263	0.22 124	0.20 205	0.36 132	0.29 123	0.17 44	0.19 52	0.17 66	0.16 106	0.18 18	0.15 57	0.10 242	0.07 107	0.09 163	0.08 136	0.23 416	0.18 295

CroCo_RVC	0.21 124	0.24 318	0.79 355	0.24 219	0.17 263	0.22 124	0.20 205	0.36 132	0.29 123	0.17 44	0.19 52	0.17 66	0.16 106	0.18 18	0.15 57	0.10 242	0.07 107	0.09 163	0.08 136	0.23 416	0.18 295

GMStereo	0.21 124	0.30 365	0.57 254	0.21 82	0.12 63	0.24 165	0.18 133	0.30 70	0.41 263	0.26 124	0.24 98	0.17 66	0.16 106	0.25 93	0.19 146	0.10 242	0.07 107	0.08 89	0.08 136	0.11 269	0.09 79
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
EAI-Stereo	0.29 296	0.11 40	0.38 56	0.22 127	0.18 290	0.33 293	1.66 484	0.53 308	0.27 96	0.27 135	0.50 350	0.17 66	0.16 106	0.25 93	0.25 241	0.07 27	0.07 107	0.07 24	0.11 292	0.07 47	0.10 127

rvit_stereo_0083	0.17 44	0.13 100	0.29 17	0.21 82	0.13 106	0.17 22	0.17 86	0.23 11	0.36 207	0.16 34	0.22 85	0.19 84	0.17 121	0.21 46	0.17 96	0.11 278	0.10 225	0.10 234	0.08 136	0.09 166	0.08 46

rvit_stereo_ft	0.18 52	0.19 256	0.43 88	0.25 255	0.14 142	0.17 22	0.21 229	0.30 70	0.28 106	0.17 44	0.19 52	0.20 95	0.17 121	0.22 62	0.18 120	0.11 278	0.07 107	0.09 163	0.09 211	0.10 217	0.08 46

ACVNet-DCA	0.21 124	0.16 196	0.50 172	0.27 326	0.13 106	0.31 270	0.19 173	0.43 211	0.32 157	0.21 72	0.20 60	0.13 21	0.17 121	0.28 143	0.12 2	0.08 118	0.28 430	0.08 89	0.06 31	0.09 166	0.23 353

1test111	0.22 139	0.16 196	0.50 172	0.27 326	0.13 106	0.31 270	0.19 173	0.43 211	0.32 157	0.21 72	0.20 60	0.13 21	0.17 121	0.36 227	0.28 271	0.08 118	0.28 430	0.08 89	0.06 31	0.09 166	0.23 353

cc1	0.22 139	0.16 196	0.50 172	0.27 326	0.13 106	0.31 270	0.19 173	0.39 173	0.48 336	0.21 72	0.20 60	0.13 21	0.17 121	0.28 143	0.12 2	0.08 118	0.28 430	0.08 89	0.06 31	0.08 97	0.37 432

GMStereo_Zeroshot	0.25 223	0.22 295	0.51 186	0.27 326	0.14 142	0.28 216	0.15 39	0.40 182	0.36 207	0.37 308	0.43 295	0.40 305	0.17 121	0.35 223	0.21 187	0.12 316	0.07 107	0.13 343	0.07 70	0.17 371	0.10 127

plain	0.18 52	0.16 196	0.59 276	0.21 82	0.13 106	0.16 14	0.17 86	0.29 58	0.23 39	0.16 34	0.26 112	0.13 21	0.17 121	0.27 124	0.17 96	0.09 182	0.06 43	0.10 234	0.07 70	0.10 217	0.07 15

MIF-Stereo (partial)	0.18 52	0.13 100	0.50 172	0.22 127	0.15 201	0.16 14	0.13 9	0.29 58	0.26 81	0.17 44	0.26 112	0.16 58	0.17 121	0.25 93	0.18 120	0.09 182	0.06 43	0.10 234	0.08 136	0.09 166	0.08 46

LoS_RVC	0.14 3	0.11 40	0.32 34	0.18 11	0.16 234	0.20 76	0.18 133	0.21 5	0.18 4	0.14 17	0.20 60	0.12 10	0.17 121	0.17 11	0.14 36	0.06 2	0.05 3	0.06 2	0.04 1	0.05 1	0.14 246

RCA-Stereo	0.17 44	0.10 17	0.33 37	0.20 54	0.11 32	0.19 47	0.17 86	0.39 173	0.36 207	0.21 72	0.25 104	0.17 66	0.17 121	0.18 18	0.15 57	0.07 27	0.14 299	0.07 24	0.06 31	0.06 5	0.08 46

RAFT_CTSACE	0.23 170	0.21 277	0.57 254	0.26 292	0.15 201	0.22 124	0.23 287	0.34 114	0.30 137	0.34 263	0.51 353	0.31 233	0.17 121	0.33 202	0.15 57	0.06 2	0.09 198	0.09 163	0.08 136	0.08 97	0.07 15

RAFT+CT+SA	0.23 170	0.24 318	0.48 131	0.25 255	0.18 290	0.23 142	0.29 361	0.42 204	0.38 230	0.24 103	0.39 254	0.20 95	0.17 121	0.34 216	0.17 96	0.07 27	0.07 107	0.09 163	0.12 331	0.09 166	0.13 221

dd	0.23 170	0.32 375	0.55 236	0.23 175	0.12 63	0.27 200	0.21 229	0.32 91	0.45 307	0.30 192	0.29 137	0.25 155	0.17 121	0.31 186	0.26 252	0.13 335	0.07 107	0.10 234	0.08 136	0.12 306	0.09 79

IPLG	0.23 170	0.19 256	0.65 305	0.21 82	0.12 63	0.28 216	0.17 86	0.45 240	0.32 157	0.33 245	0.32 169	0.16 58	0.17 121	0.50 276	0.23 219	0.07 27	0.06 43	0.08 89	0.07 70	0.07 47	0.08 46

GMOStereo	0.20 98	0.17 223	0.45 99	0.23 175	0.18 290	0.21 99	0.27 343	0.28 41	0.28 106	0.31 207	0.32 169	0.28 192	0.17 121	0.16 5	0.13 11	0.07 27	0.23 404	0.10 234	0.08 136	0.08 97	0.07 15

error version	0.20 98	0.17 223	0.45 99	0.23 175	0.18 290	0.21 99	0.27 343	0.28 41	0.28 106	0.31 207	0.32 169	0.28 192	0.17 121	0.16 5	0.13 11	0.07 27	0.23 404	0.10 234	0.08 136	0.08 97	0.07 15

test-v	0.20 98	0.17 223	0.45 99	0.23 175	0.18 290	0.21 99	0.27 343	0.28 41	0.28 106	0.31 207	0.32 169	0.28 192	0.17 121	0.16 5	0.13 11	0.07 27	0.23 404	0.10 234	0.08 136	0.08 97	0.07 15

NF-Stereo	0.22 139	0.11 40	0.52 207	0.25 255	0.12 63	0.21 99	0.18 133	0.40 182	0.35 192	0.28 145	0.30 149	0.22 114	0.17 121	0.52 289	0.21 187	0.09 182	0.06 43	0.09 163	0.08 136	0.08 97	0.13 221

OCTAStereo	0.22 139	0.11 40	0.52 207	0.25 255	0.12 63	0.21 99	0.18 133	0.40 182	0.35 192	0.28 145	0.30 149	0.22 114	0.17 121	0.51 282	0.21 187	0.09 182	0.06 43	0.09 163	0.08 136	0.08 97	0.13 221

RE-Stereo	0.22 139	0.11 40	0.52 207	0.25 255	0.12 63	0.21 99	0.18 133	0.40 182	0.35 192	0.28 145	0.30 149	0.22 114	0.17 121	0.51 282	0.21 187	0.09 182	0.06 43	0.09 163	0.08 136	0.08 97	0.13 221

TVStereo	0.22 139	0.11 40	0.52 207	0.25 255	0.12 63	0.21 99	0.18 133	0.40 182	0.35 192	0.28 145	0.30 149	0.22 114	0.17 121	0.51 282	0.21 187	0.09 182	0.06 43	0.09 163	0.08 136	0.08 97	0.13 221

RAFT-345	0.22 139	0.11 40	0.55 236	0.22 127	0.12 63	0.20 76	0.16 64	0.27 37	0.28 106	0.27 135	0.65 407	0.20 95	0.17 121	0.55 302	0.22 203	0.07 27	0.06 43	0.08 89	0.07 70	0.06 5	0.07 15

CRE-IMP	0.19 73	0.13 100	0.51 186	0.23 175	0.11 32	0.24 165	0.17 86	0.31 85	0.24 50	0.27 135	0.26 112	0.24 144	0.17 121	0.24 80	0.19 146	0.09 182	0.05 3	0.10 234	0.07 70	0.10 217	0.10 127

test-2	0.20 98	0.17 223	0.45 99	0.23 175	0.18 290	0.21 99	0.27 343	0.28 41	0.28 106	0.31 207	0.32 169	0.28 192	0.17 121	0.16 5	0.13 11	0.07 27	0.23 404	0.10 234	0.08 136	0.08 97	0.07 15

raftrobust	0.19 73	0.19 256	0.42 83	0.23 175	0.24 387	0.19 47	0.13 9	0.33 107	0.28 106	0.26 124	0.20 60	0.19 84	0.17 121	0.23 73	0.17 96	0.08 118	0.10 225	0.07 24	0.06 31	0.07 47	0.09 79

RAFT-Stereo + iAFF	0.20 98	0.23 308	0.49 151	0.21 82	0.16 234	0.19 47	0.17 86	0.35 124	0.32 157	0.26 124	0.33 188	0.20 95	0.17 121	0.21 46	0.17 96	0.06 2	0.10 225	0.07 24	0.07 70	0.07 47	0.11 162

AFF-stereo	0.20 98	0.24 318	0.49 151	0.22 127	0.11 32	0.18 35	0.18 133	0.35 124	0.29 123	0.25 114	0.36 221	0.25 155	0.17 121	0.25 93	0.17 96	0.06 2	0.09 198	0.08 89	0.08 136	0.08 97	0.11 162

DIP-Stereo	0.20 98	0.13 100	0.48 131	0.20 54	0.13 106	0.28 216	0.12 6	0.43 211	0.26 81	0.27 135	0.32 169	0.21 109	0.17 121	0.26 112	0.20 165	0.08 118	0.06 43	0.08 89	0.06 31	0.07 47	0.10 127
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
rvit_0105_6	0.20 98	0.16 196	0.41 74	0.23 175	0.14 142	0.18 35	0.20 205	0.31 85	0.39 246	0.18 55	0.22 85	0.23 128	0.18 149	0.26 112	0.18 120	0.16 379	0.13 284	0.13 343	0.11 292	0.11 269	0.09 79

AIO-Stereo-zeroshot1	0.28 278	0.17 223	0.96 401	0.29 364	0.31 425	0.29 237	0.21 229	0.53 308	0.28 106	0.27 135	0.55 375	0.41 311	0.18 149	0.30 175	0.22 203	0.08 118	0.10 225	0.08 89	0.13 359	0.12 306	0.20 325

GCST	0.50 410	0.67 450	0.82 362	1.04 473	0.55 454	0.38 344	0.11 3	0.42 204	0.33 171	0.42 354	0.35 206	0.29 205	0.18 149	0.50 276	0.23 219	0.70 467	0.42 457	0.79 468	0.62 471	0.63 456	0.47 449

MyStereo06	0.23 170	0.15 170	0.74 337	0.22 127	0.14 142	0.25 178	0.22 260	0.43 211	0.25 72	0.36 292	0.24 98	0.34 259	0.18 149	0.24 80	0.20 165	0.07 27	0.12 267	0.09 163	0.09 211	0.09 166	0.11 162

HH	0.22 139	0.12 76	0.55 236	0.32 390	0.16 234	0.27 200	0.18 133	0.36 132	0.25 72	0.20 65	0.26 112	0.34 259	0.18 149	0.33 202	0.15 57	0.07 27	0.16 339	0.07 24	0.07 70	0.07 47	0.31 409

HanStereo	0.22 139	0.12 76	0.55 236	0.32 390	0.16 234	0.27 200	0.18 133	0.36 132	0.25 72	0.20 65	0.26 112	0.34 259	0.18 149	0.33 202	0.15 57	0.07 27	0.16 339	0.07 24	0.07 70	0.07 47	0.31 409

Selective-RAFT	0.19 73	0.14 141	0.37 55	0.24 219	0.11 32	0.30 250	0.15 39	0.35 124	0.34 182	0.17 44	0.17 36	0.22 114	0.18 149	0.29 163	0.18 120	0.07 27	0.16 339	0.07 24	0.07 70	0.08 97	0.08 46

Patchmatch Stereo++	0.19 73	0.13 100	0.51 186	0.22 127	0.11 32	0.19 47	0.14 21	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.27 124	0.18 120	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79
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
NRIStereo	0.20 98	0.12 76	0.50 172	0.23 175	0.11 32	0.24 165	0.19 173	0.30 70	0.28 106	0.26 124	0.26 112	0.25 155	0.18 149	0.34 216	0.19 146	0.08 118	0.06 43	0.09 163	0.07 70	0.09 166	0.09 79

PSM-adaLoss	0.19 73	0.13 100	0.51 186	0.22 127	0.11 32	0.19 47	0.15 39	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.25 93	0.17 96	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79

ROB_FTStereo_v2	0.19 73	0.13 100	0.51 186	0.22 127	0.11 32	0.19 47	0.15 39	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.25 93	0.18 120	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79

ROB_FTStereo	0.19 73	0.13 100	0.51 186	0.22 127	0.11 32	0.19 47	0.13 9	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.25 93	0.17 96	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79

HUI-Stereo	0.19 73	0.13 100	0.52 207	0.22 127	0.11 32	0.19 47	0.14 21	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.23 73	0.17 96	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79

iGMRVC	0.19 73	0.13 100	0.51 186	0.22 127	0.11 32	0.19 47	0.15 39	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.27 124	0.18 120	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79

RAFT-RH_RVC	0.26 245	0.13 100	0.57 254	0.22 127	0.12 63	0.25 178	0.14 21	0.27 37	0.29 123	0.38 316	1.14 451	0.23 128	0.18 149	0.58 314	0.24 227	0.07 27	0.06 43	0.10 234	0.07 70	0.06 5	0.08 46

iRAFT	0.19 73	0.13 100	0.51 186	0.22 127	0.11 32	0.19 47	0.14 21	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.27 124	0.18 120	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79

RAFT-IKP	0.19 73	0.13 100	0.51 186	0.22 127	0.11 32	0.18 35	0.15 39	0.30 70	0.24 50	0.28 145	0.29 137	0.25 155	0.18 149	0.26 112	0.18 120	0.09 182	0.06 43	0.10 234	0.08 136	0.10 217	0.09 79

Anonymous3	0.24 198	0.19 256	0.76 344	0.27 326	0.18 290	0.41 358	0.24 311	0.45 240	0.36 207	0.23 97	0.27 123	0.20 95	0.18 149	0.28 143	0.19 146	0.12 316	0.11 251	0.10 234	0.10 260	0.11 269	0.13 221

s12784h	0.18 52	0.09 5	0.38 56	0.18 11	0.07 1	0.33 293	0.19 173	0.39 173	0.34 182	0.24 103	0.25 104	0.18 75	0.18 149	0.25 93	0.17 96	0.07 27	0.05 3	0.07 24	0.05 10	0.06 5	0.05 1

MyStereo8	0.25 223	0.20 269	0.69 319	0.24 219	0.17 263	0.31 270	0.16 64	0.50 283	0.32 157	0.29 169	0.38 239	0.25 155	0.19 168	0.33 202	0.29 284	0.08 118	0.20 381	0.08 89	0.08 136	0.10 217	0.16 275

Sa-1000	0.24 198	0.20 269	0.53 218	0.23 175	0.14 142	0.30 250	0.23 287	0.50 283	0.41 263	0.30 192	0.50 350	0.26 174	0.19 168	0.33 202	0.16 75	0.08 118	0.10 225	0.10 234	0.11 292	0.08 97	0.08 46

iRaft-Stereo_20w	0.29 296	0.11 40	0.86 378	0.33 401	0.24 387	0.32 286	0.26 335	0.60 386	0.26 81	0.41 350	0.21 77	0.28 192	0.19 168	0.32 193	0.24 227	0.07 27	0.31 446	0.07 24	0.09 211	0.08 97	0.47 449

IPLGR	0.22 139	0.14 141	0.75 340	0.21 82	0.11 32	0.25 178	0.18 133	0.44 232	0.38 230	0.29 169	0.28 129	0.21 109	0.19 168	0.37 237	0.19 146	0.07 27	0.06 43	0.08 89	0.07 70	0.07 47	0.07 15

TestStereo	0.22 139	0.24 318	0.48 131	0.25 255	0.11 32	0.22 124	0.22 260	0.32 91	0.31 146	0.24 103	0.34 198	0.23 128	0.19 168	0.62 340	0.19 146	0.08 118	0.07 107	0.10 234	0.07 70	0.11 269	0.07 15

rvit_0105_5	0.22 139	0.18 244	0.51 186	0.23 175	0.13 106	0.22 124	0.25 324	0.38 155	0.40 256	0.21 72	0.23 91	0.27 179	0.20 173	0.27 124	0.20 165	0.15 369	0.13 284	0.12 318	0.12 331	0.10 217	0.10 127

rvit_0105_4	0.21 124	0.17 223	0.49 151	0.23 175	0.14 142	0.20 76	0.23 287	0.35 124	0.40 256	0.19 57	0.24 98	0.25 155	0.20 173	0.28 143	0.18 120	0.16 379	0.13 284	0.12 318	0.11 292	0.11 269	0.10 127

H2IRNET	0.19 73	0.18 244	0.50 172	0.22 127	0.12 63	0.20 76	0.16 64	0.28 41	0.31 146	0.17 44	0.32 169	0.25 155	0.20 173	0.24 80	0.19 146	0.08 118	0.06 43	0.09 163	0.10 260	0.10 217	0.08 46

UDGNet	0.24 198	0.37 400	0.53 218	0.25 255	0.14 142	0.24 165	0.18 133	0.32 91	0.44 296	0.29 169	0.28 129	0.24 144	0.20 173	0.30 175	0.21 187	0.16 379	0.07 107	0.21 416	0.11 292	0.16 358	0.11 162

GwcNet-ADL	0.23 170	0.15 170	0.58 269	0.24 219	0.13 106	0.23 142	0.24 311	0.51 293	0.41 263	0.28 145	0.29 137	0.30 223	0.20 173	0.27 124	0.28 271	0.09 182	0.07 107	0.07 24	0.07 70	0.09 166	0.11 162

GANet-ADL	0.22 139	0.14 141	0.51 186	0.23 175	0.14 142	0.29 237	0.19 173	0.48 267	0.36 207	0.26 124	0.33 188	0.32 244	0.20 173	0.26 112	0.22 203	0.11 278	0.07 107	0.07 24	0.06 31	0.09 166	0.11 162

OMP-Stereo	0.24 198	0.16 196	0.48 131	0.30 372	0.13 106	0.21 99	0.16 64	0.38 155	0.35 192	0.34 263	0.30 149	0.33 251	0.20 173	0.70 369	0.24 227	0.08 118	0.06 43	0.09 163	0.07 70	0.08 97	0.07 15

PFNet	0.24 198	0.11 40	0.63 297	0.25 255	0.14 142	0.22 124	0.19 173	0.40 182	0.35 192	0.36 292	0.32 169	0.27 179	0.20 173	0.63 343	0.23 219	0.09 182	0.05 3	0.09 163	0.08 136	0.08 97	0.08 46

ARAFT	0.26 245	0.30 365	0.87 380	0.22 127	0.12 63	0.30 250	0.24 311	0.46 247	0.34 182	0.33 245	0.28 129	0.29 205	0.20 173	0.49 272	0.19 146	0.08 118	0.06 43	0.12 318	0.11 292	0.09 166	0.09 79

DN-CSS_ROB	0.24 198	0.33 379	0.69 319	0.25 255	0.14 142	0.26 193	0.13 9	0.42 204	0.35 192	0.30 192	0.42 282	0.22 114	0.20 173	0.34 216	0.22 203	0.07 27	0.06 43	0.11 285	0.11 292	0.11 269	0.09 79

DDVS	0.26 245	0.16 196	0.45 99	0.25 255	0.17 263	0.34 308	0.21 229	0.43 211	0.31 146	0.34 263	0.41 274	0.47 356	0.21 183	0.52 289	0.29 284	0.11 278	0.09 198	0.11 285	0.09 211	0.13 320	0.16 275

rvit_stereo_0075_2	0.25 223	0.18 244	0.65 305	0.27 326	0.22 364	0.22 124	0.15 39	0.41 200	0.36 207	0.27 135	0.37 232	0.29 205	0.21 183	0.29 163	0.20 165	0.17 393	0.12 267	0.19 409	0.12 331	0.14 342	0.14 246

TestStereo1	0.23 170	0.22 295	0.50 172	0.27 326	0.14 142	0.26 193	0.27 343	0.43 211	0.38 230	0.29 169	0.39 254	0.23 128	0.21 183	0.33 202	0.18 120	0.08 118	0.08 160	0.09 163	0.08 136	0.08 97	0.10 127

SA-5K	0.23 170	0.22 295	0.50 172	0.27 326	0.14 142	0.26 193	0.27 343	0.43 211	0.38 230	0.29 169	0.39 254	0.23 128	0.21 183	0.33 202	0.18 120	0.08 118	0.08 160	0.09 163	0.08 136	0.08 97	0.10 127

HHNet	0.23 170	0.12 76	0.66 310	0.19 23	0.18 290	0.20 76	0.20 205	0.36 132	0.32 157	0.33 245	0.59 389	0.19 84	0.21 183	0.24 80	0.31 296	0.08 118	0.06 43	0.09 163	0.07 70	0.08 97	0.12 200

GMM-Stereo	0.22 139	0.10 17	0.56 246	0.23 175	0.13 106	0.24 165	0.24 311	0.38 155	0.29 123	0.31 207	0.44 305	0.27 179	0.21 183	0.31 186	0.17 96	0.07 27	0.05 3	0.10 234	0.09 211	0.08 97	0.19 309

AdaStereo	0.25 223	0.17 223	0.47 117	0.25 255	0.13 106	0.33 293	0.17 86	0.57 354	0.43 286	0.34 263	0.38 239	0.35 273	0.21 183	0.32 193	0.24 227	0.14 356	0.06 43	0.13 343	0.09 211	0.11 269	0.09 79
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.
rvit_0105_3	0.24 198	0.21 277	0.57 254	0.25 255	0.15 201	0.24 165	0.28 356	0.40 182	0.43 286	0.25 114	0.26 112	0.29 205	0.22 190	0.29 163	0.21 187	0.15 369	0.13 284	0.14 363	0.15 385	0.10 217	0.10 127

UGAM	0.28 278	0.18 244	0.57 254	0.26 292	0.13 106	0.23 142	0.26 335	0.33 107	0.45 307	0.32 232	0.42 282	0.45 340	0.22 190	0.92 431	0.23 219	0.08 118	0.09 198	0.14 363	0.13 359	0.10 217	0.10 127

DCANet-4	0.20 98	0.11 40	0.58 269	0.19 23	0.09 7	0.19 47	0.18 133	0.39 173	0.42 275	0.29 169	0.31 160	0.17 66	0.22 190	0.21 46	0.20 165	0.07 27	0.05 3	0.07 24	0.05 10	0.06 5	0.09 79

BUS	0.24 198	0.13 100	0.36 50	0.25 255	0.14 142	0.44 372	0.17 86	0.59 376	0.36 207	0.34 263	0.35 206	0.31 233	0.22 190	0.27 124	0.22 203	0.10 242	0.07 107	0.11 285	0.10 260	0.09 166	0.10 127

NINENet	0.27 270	0.16 196	0.49 151	0.23 175	0.16 234	0.44 372	0.17 86	0.63 405	0.49 349	0.33 245	0.38 239	0.31 233	0.22 190	0.43 253	0.22 203	0.11 278	0.10 225	0.12 318	0.08 136	0.12 306	0.11 162

IIG-Stereo	0.24 198	0.16 196	0.47 117	0.29 364	0.12 63	0.23 142	0.14 21	0.40 182	0.33 171	0.35 281	0.37 232	0.33 251	0.22 190	0.70 369	0.26 252	0.08 118	0.06 43	0.09 163	0.07 70	0.08 97	0.07 15

RAFT	0.24 198	0.24 318	0.46 112	0.27 326	0.15 201	0.26 193	0.26 335	0.37 144	0.31 146	0.34 263	0.34 198	0.41 311	0.22 190	0.30 175	0.18 120	0.08 118	0.15 328	0.11 285	0.10 260	0.11 269	0.13 221

111	0.22 139	0.22 295	0.57 254	0.19 23	0.09 7	0.24 165	0.17 86	0.44 232	0.46 317	0.24 103	0.30 149	0.29 205	0.22 190	0.25 93	0.19 146	0.08 118	0.05 3	0.07 24	0.06 31	0.07 47	0.15 260

SFCPSM	0.23 170	0.12 76	0.51 186	0.21 82	0.14 142	0.34 308	0.22 260	0.57 354	0.41 263	0.29 169	0.32 169	0.23 128	0.22 190	0.28 143	0.20 165	0.10 242	0.07 107	0.09 163	0.10 260	0.09 166	0.09 79

HITNet	0.22 139	0.23 308	0.60 283	0.20 54	0.09 7	0.27 200	0.15 39	0.45 240	0.33 171	0.29 169	0.33 188	0.27 179	0.22 190	0.29 163	0.27 263	0.07 27	0.05 3	0.07 24	0.06 31	0.09 166	0.11 162
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
MLCV	0.25 223	0.23 308	0.59 276	0.22 127	0.09 7	0.30 250	0.18 133	0.40 182	0.38 230	0.38 316	0.44 305	0.31 233	0.22 190	0.44 257	0.32 304	0.07 27	0.05 3	0.07 24	0.06 31	0.07 47	0.08 46

AIO-Stereo-zeroshot	0.26 245	0.15 170	0.96 401	0.21 82	0.25 398	0.30 250	0.21 229	0.54 320	0.28 106	0.25 114	0.29 137	0.46 347	0.23 201	0.28 143	0.20 165	0.08 118	0.10 225	0.08 89	0.12 331	0.11 269	0.17 292

MyStereo05	0.24 198	0.15 170	0.58 269	0.22 127	0.14 142	0.25 178	0.22 260	0.50 283	0.54 377	0.32 232	0.23 91	0.26 174	0.23 201	0.32 193	0.25 241	0.07 27	0.12 267	0.09 163	0.09 211	0.09 166	0.11 162

MyStereo04	0.24 198	0.15 170	0.58 269	0.22 127	0.16 234	0.25 178	0.22 260	0.51 293	0.54 377	0.29 169	0.23 91	0.27 179	0.23 201	0.32 193	0.25 241	0.07 27	0.13 284	0.09 163	0.09 211	0.09 166	0.11 162

CoDeX	0.24 198	0.13 100	0.48 131	0.22 127	0.14 142	0.29 237	0.21 229	0.55 336	0.42 275	0.29 169	0.36 221	0.28 192	0.23 201	0.48 270	0.20 165	0.09 182	0.06 43	0.08 89	0.07 70	0.08 97	0.08 46

11t1	0.21 124	0.12 76	0.45 99	0.20 54	0.15 201	0.27 200	0.17 86	0.37 144	0.28 106	0.27 135	0.25 104	0.24 144	0.23 201	0.28 143	0.25 241	0.09 182	0.19 372	0.07 24	0.07 70	0.09 166	0.23 353

ttt	0.33 333	0.14 141	0.54 230	0.22 127	0.14 142	0.30 250	0.22 260	0.59 376	0.51 360	0.31 207	0.46 331	0.30 223	0.23 201	0.71 374	1.07 441	0.13 335	0.22 395	0.10 234	0.11 292	0.12 306	0.24 366

CFNet_ucs	0.25 223	0.14 141	0.51 186	0.20 54	0.15 201	0.29 237	0.18 133	0.51 293	0.46 317	0.32 232	0.42 282	0.38 288	0.23 201	0.31 186	0.22 203	0.11 278	0.08 160	0.12 318	0.09 211	0.13 320	0.13 221

raft_robust	0.25 223	0.23 308	0.44 96	0.22 127	0.13 106	0.23 142	0.22 260	0.52 298	0.50 354	0.33 245	0.32 169	0.33 251	0.23 201	0.55 302	0.18 120	0.07 27	0.11 251	0.08 89	0.10 260	0.08 97	0.07 15

test_5	0.25 223	0.25 333	0.57 254	0.27 326	0.18 290	0.25 178	0.29 361	0.42 204	0.39 246	0.29 169	0.40 263	0.27 179	0.23 201	0.35 223	0.19 146	0.07 27	0.07 107	0.09 163	0.09 211	0.10 217	0.14 246

SA	0.24 198	0.22 295	0.55 236	0.23 175	0.14 142	0.25 178	0.23 287	0.48 267	0.42 275	0.28 145	0.44 305	0.23 128	0.23 201	0.34 216	0.17 96	0.07 27	0.09 198	0.11 285	0.11 292	0.08 97	0.09 79

iRaft-Stereo_5w	0.25 223	0.24 318	0.50 172	0.23 175	0.18 290	0.19 47	0.19 173	0.39 173	0.35 192	0.28 145	0.36 221	0.34 259	0.23 201	0.66 358	0.28 271	0.07 27	0.07 107	0.08 89	0.07 70	0.09 166	0.14 246

dad	0.30 309	0.38 406	0.60 283	0.22 127	0.14 142	0.32 286	0.21 229	0.35 124	0.51 360	0.45 378	0.45 319	0.46 347	0.23 201	0.41 246	0.27 263	0.21 416	0.11 251	0.20 414	0.11 292	0.15 350	0.11 162

RAFT_R40	0.22 139	0.11 40	0.52 207	0.25 255	0.13 106	0.18 35	0.18 133	0.32 91	0.31 146	0.33 245	0.33 188	0.30 223	0.23 201	0.55 302	0.19 146	0.08 118	0.05 3	0.10 234	0.08 136	0.09 166	0.07 15

CFNet_pseudo	0.23 170	0.14 141	0.48 131	0.20 54	0.13 106	0.27 200	0.17 86	0.46 247	0.45 307	0.30 192	0.37 232	0.38 288	0.23 201	0.30 175	0.22 203	0.09 182	0.06 43	0.11 285	0.08 136	0.11 269	0.11 162

HCRNet	0.25 223	0.27 349	0.42 83	0.34 406	0.17 263	0.27 200	0.18 133	0.45 240	0.37 222	0.31 207	0.35 206	0.32 244	0.23 201	0.44 257	0.21 187	0.13 335	0.08 160	0.13 343	0.11 292	0.11 269	0.09 79

DCANet	0.20 98	0.15 170	0.57 254	0.19 23	0.09 7	0.19 47	0.18 133	0.37 144	0.41 263	0.30 192	0.31 160	0.19 84	0.23 201	0.21 46	0.20 165	0.07 27	0.05 3	0.07 24	0.05 10	0.07 47	0.10 127

FENet	0.22 139	0.13 100	0.48 131	0.22 127	0.12 63	0.27 200	0.18 133	0.43 211	0.37 222	0.31 207	0.32 169	0.29 205	0.23 201	0.27 124	0.24 227	0.10 242	0.07 107	0.09 163	0.09 211	0.09 166	0.11 162

ccs_rob	0.23 170	0.14 141	0.48 131	0.20 54	0.13 106	0.27 200	0.17 86	0.46 247	0.45 307	0.30 192	0.37 232	0.38 288	0.23 201	0.30 175	0.22 203	0.09 182	0.06 43	0.11 285	0.08 136	0.12 306	0.11 162

iResNet	0.25 223	0.22 295	0.62 292	0.26 292	0.11 32	0.31 270	0.23 287	0.46 247	0.45 307	0.34 263	0.43 295	0.27 179	0.23 201	0.36 227	0.37 333	0.08 118	0.05 3	0.07 24	0.06 31	0.08 97	0.10 127

test_sample3	0.25 223	0.14 141	0.52 207	0.20 54	0.12 63	0.33 293	0.20 205	0.53 308	0.38 230	0.32 232	0.35 206	0.29 205	0.24 220	0.54 297	0.25 241	0.10 242	0.14 299	0.09 163	0.09 211	0.11 269	0.15 260

mmm	0.25 223	0.15 170	0.44 96	0.23 175	0.20 336	0.28 216	0.21 229	0.43 211	0.32 157	0.31 207	0.40 263	0.30 223	0.24 220	0.31 186	0.28 271	0.09 182	0.21 386	0.11 285	0.12 331	0.10 217	0.26 388

ffm	0.27 270	0.17 223	0.84 371	0.21 82	0.13 106	0.29 237	0.21 229	0.38 155	0.46 317	0.31 207	0.44 305	0.34 259	0.24 220	0.28 143	0.12 2	0.08 118	0.28 430	0.12 318	0.11 292	0.08 97	0.37 432

ff1	0.36 349	0.17 223	0.84 371	0.21 82	0.13 106	0.29 237	0.21 229	0.38 155	0.46 317	0.31 207	0.44 305	0.34 259	0.24 220	0.91 426	1.30 452	0.08 118	0.28 430	0.12 318	0.11 292	0.08 97	0.37 432

mmx	0.37 356	0.17 223	0.84 371	0.21 82	0.13 106	0.29 237	0.21 229	0.57 354	0.48 336	0.31 207	0.44 305	0.34 259	0.24 220	0.91 426	1.30 452	0.10 242	0.20 381	0.12 318	0.11 292	0.11 269	0.23 353

xxx	0.37 356	0.17 223	0.84 371	0.21 82	0.13 106	0.29 237	0.21 229	0.57 354	0.48 336	0.31 207	0.44 305	0.34 259	0.24 220	0.91 426	1.30 452	0.10 242	0.20 381	0.12 318	0.11 292	0.11 269	0.23 353

PCWNet_CMD	0.23 170	0.14 141	0.48 131	0.21 82	0.13 106	0.28 216	0.17 86	0.47 257	0.47 330	0.30 192	0.36 221	0.37 282	0.24 220	0.29 163	0.21 187	0.09 182	0.06 43	0.10 234	0.08 136	0.11 269	0.11 162

MIPNet	0.22 139	0.19 256	0.64 302	0.22 127	0.12 63	0.28 216	0.20 205	0.48 267	0.39 246	0.31 207	0.24 98	0.19 84	0.24 220	0.28 143	0.20 165	0.07 27	0.05 3	0.08 89	0.07 70	0.07 47	0.08 46

IRAFT_RVC	0.23 170	0.15 170	0.54 230	0.26 292	0.12 63	0.19 47	0.23 287	0.41 200	0.39 246	0.31 207	0.30 149	0.29 205	0.24 220	0.55 302	0.23 219	0.08 118	0.06 43	0.10 234	0.08 136	0.08 97	0.08 46

GES	0.23 170	0.14 141	0.54 230	0.21 82	0.14 142	0.28 216	0.19 173	0.51 293	0.35 192	0.31 207	0.36 221	0.25 155	0.24 220	0.30 175	0.23 219	0.11 278	0.09 198	0.08 89	0.08 136	0.10 217	0.12 200

MSMDNet	0.23 170	0.14 141	0.49 151	0.20 54	0.13 106	0.28 216	0.17 86	0.47 257	0.47 330	0.30 192	0.36 221	0.37 282	0.24 220	0.29 163	0.21 187	0.09 182	0.07 107	0.09 163	0.08 136	0.11 269	0.11 162

FACV-RUCA	0.22 139	0.15 170	0.38 56	0.24 219	0.23 375	0.26 193	0.19 173	0.41 200	0.35 192	0.26 124	0.32 169	0.22 114	0.25 231	0.24 80	0.19 146	0.10 242	0.07 107	0.15 379	0.08 136	0.16 358	0.14 246

test_sample6	0.27 270	0.15 170	0.50 172	0.22 127	0.12 63	0.30 250	0.22 260	0.54 320	0.39 246	0.34 263	0.44 305	0.29 205	0.25 231	0.58 314	0.26 252	0.11 278	0.14 299	0.10 234	0.10 260	0.11 269	0.16 275

test_sample5	0.26 245	0.14 141	0.51 186	0.21 82	0.12 63	0.31 270	0.21 229	0.53 308	0.38 230	0.33 245	0.43 295	0.29 205	0.25 231	0.56 308	0.24 227	0.10 242	0.14 299	0.10 234	0.10 260	0.11 269	0.16 275

test_sample4	0.26 245	0.14 141	0.53 218	0.21 82	0.12 63	0.32 286	0.21 229	0.53 308	0.38 230	0.33 245	0.38 239	0.28 192	0.25 231	0.54 297	0.25 241	0.10 242	0.14 299	0.10 234	0.09 211	0.11 269	0.16 275

test_sample2	0.23 170	0.12 76	0.39 62	0.20 54	0.11 32	0.28 216	0.22 260	0.45 240	0.33 171	0.27 135	0.34 198	0.30 223	0.25 231	0.46 265	0.23 219	0.09 182	0.15 328	0.09 163	0.08 136	0.10 217	0.19 309

xx1	0.23 170	0.16 196	0.50 172	0.27 326	0.13 106	0.31 270	0.19 173	0.39 173	0.48 336	0.21 72	0.20 60	0.28 192	0.25 231	0.28 143	0.12 2	0.08 118	0.28 430	0.10 234	0.11 292	0.09 166	0.23 353

DualNet	0.26 245	0.14 141	0.51 186	0.21 82	0.12 63	0.31 270	0.21 229	0.53 308	0.38 230	0.34 263	0.44 305	0.29 205	0.25 231	0.56 308	0.24 227	0.10 242	0.14 299	0.10 234	0.10 260	0.11 269	0.16 275

CASS	0.22 139	0.16 196	0.40 68	0.26 292	0.12 63	0.29 237	0.19 173	0.40 182	0.32 157	0.34 263	0.35 206	0.25 155	0.25 231	0.26 112	0.21 187	0.13 335	0.08 160	0.11 285	0.09 211	0.11 269	0.12 200
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
riskmin	0.24 198	0.10 17	0.43 88	0.32 390	0.26 402	0.33 293	0.19 173	0.44 232	0.30 137	0.24 103	0.27 123	0.37 282	0.25 231	0.30 175	0.22 203	0.09 182	0.18 368	0.09 163	0.13 359	0.10 217	0.27 391

qqq	0.24 198	0.16 196	0.46 112	0.20 54	0.15 201	0.23 142	0.20 205	0.43 211	0.32 157	0.26 124	0.31 160	0.28 192	0.25 231	0.36 227	0.28 271	0.08 118	0.22 395	0.10 234	0.11 292	0.09 166	0.23 353

x	0.23 170	0.15 170	0.45 99	0.20 54	0.15 201	0.27 200	0.17 86	0.43 211	0.35 192	0.26 124	0.31 160	0.29 205	0.25 231	0.29 163	0.30 287	0.09 182	0.22 395	0.08 89	0.09 211	0.09 166	0.24 366

BSDual-CNN	0.24 198	0.13 100	0.36 50	0.25 255	0.14 142	0.35 323	0.22 260	0.59 376	0.36 207	0.34 263	0.35 206	0.38 288	0.25 231	0.27 124	0.28 271	0.10 242	0.07 107	0.11 285	0.10 260	0.09 166	0.10 127

psmg	0.24 198	0.13 100	0.36 50	0.21 82	0.14 142	0.35 323	0.23 287	0.54 320	0.36 207	0.36 292	0.38 239	0.38 288	0.25 231	0.27 124	0.28 271	0.10 242	0.08 160	0.10 234	0.10 260	0.09 166	0.09 79

SST-Stereo	0.22 139	0.11 40	0.52 207	0.25 255	0.14 142	0.19 47	0.17 86	0.32 91	0.26 81	0.34 263	0.33 188	0.29 205	0.25 231	0.56 308	0.18 120	0.08 118	0.05 3	0.10 234	0.08 136	0.09 166	0.07 15

ICVP	0.24 198	0.13 100	0.45 99	0.26 292	0.14 142	0.30 250	0.25 324	0.47 257	0.35 192	0.29 169	0.43 295	0.35 273	0.25 231	0.28 143	0.25 241	0.12 316	0.09 198	0.09 163	0.09 211	0.09 166	0.11 162
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
GEStereo_RVC	0.29 296	0.24 318	0.60 283	0.27 326	0.16 234	0.33 293	0.25 324	0.58 367	0.56 388	0.35 281	0.38 239	0.34 259	0.25 231	0.51 282	0.29 284	0.12 316	0.08 160	0.09 163	0.08 136	0.11 269	0.13 221

xxxx	0.39 366	0.14 141	0.47 117	0.20 54	0.16 234	0.38 344	0.20 205	0.61 393	0.43 286	0.30 192	0.44 305	0.38 288	0.25 231	0.50 276	2.41 480	0.11 278	0.21 386	0.09 163	0.10 260	0.10 217	0.26 388

DMCA	0.24 198	0.18 244	0.51 186	0.23 175	0.14 142	0.27 200	0.20 205	0.45 240	0.40 256	0.32 232	0.33 188	0.33 251	0.25 231	0.27 124	0.30 287	0.11 278	0.08 160	0.10 234	0.08 136	0.11 269	0.12 200

PAM	0.26 245	0.11 40	0.63 297	0.25 255	0.18 290	0.53 410	0.29 361	0.44 232	0.28 106	0.36 292	0.27 123	0.59 397	0.26 249	0.28 143	0.20 165	0.08 118	0.12 267	0.07 24	0.10 260	0.07 47	0.13 221

AASNet	0.29 296	0.27 349	0.67 313	0.26 292	0.18 290	0.34 308	0.21 229	0.64 410	0.49 349	0.36 292	0.41 274	0.32 244	0.26 249	0.33 202	0.39 339	0.12 316	0.09 198	0.10 234	0.08 136	0.14 342	0.12 200

KYRaft	0.23 170	0.11 40	0.43 88	0.23 175	0.12 63	0.23 142	0.23 287	0.37 144	0.26 81	0.35 281	0.53 367	0.34 259	0.26 249	0.29 163	0.16 75	0.07 27	0.05 3	0.09 163	0.10 260	0.08 97	0.30 405

ASMatch	0.23 170	0.11 40	0.55 236	0.25 255	0.14 142	0.19 47	0.16 64	0.32 91	0.30 137	0.28 145	0.68 413	0.28 192	0.26 249	0.50 276	0.22 203	0.07 27	0.06 43	0.08 89	0.07 70	0.06 5	0.11 162

BEATNet_4x	0.25 223	0.25 333	0.66 310	0.23 175	0.10 21	0.29 237	0.14 21	0.49 275	0.34 182	0.31 207	0.35 206	0.32 244	0.26 249	0.34 216	0.33 312	0.08 118	0.06 43	0.08 89	0.07 70	0.11 269	0.13 221

UCFNet_RVC	0.25 223	0.21 277	0.49 151	0.19 23	0.15 201	0.34 308	0.18 133	0.47 257	0.36 207	0.30 192	0.35 206	0.40 305	0.26 249	0.35 223	0.24 227	0.13 335	0.08 160	0.13 343	0.14 375	0.13 320	0.13 221

DeepPruner_ROB	0.28 278	0.25 333	0.64 302	0.22 127	0.16 234	0.30 250	0.21 229	0.54 320	0.33 171	0.36 292	0.38 239	0.38 288	0.26 249	0.45 263	0.28 271	0.15 369	0.11 251	0.11 285	0.11 292	0.14 342	0.14 246

rvit_105_1	0.28 278	0.24 318	0.65 305	0.27 326	0.19 316	0.31 270	0.35 393	0.46 247	0.53 372	0.31 207	0.32 169	0.32 244	0.27 256	0.36 227	0.26 252	0.16 379	0.14 299	0.15 379	0.17 405	0.11 269	0.11 162

SMFormer	0.27 270	0.13 100	0.47 117	0.20 54	0.10 21	0.28 216	0.19 173	0.54 320	0.48 336	0.35 281	0.42 282	0.31 233	0.27 256	0.60 326	0.34 316	0.10 242	0.16 339	0.08 89	0.09 211	0.10 217	0.16 275

tta	0.27 270	0.13 100	0.47 117	0.20 54	0.10 21	0.28 216	0.19 173	0.54 320	0.48 336	0.35 281	0.42 282	0.31 233	0.27 256	0.60 326	0.34 316	0.10 242	0.16 339	0.08 89	0.09 211	0.08 97	0.13 221

qqq1	0.26 245	0.13 100	0.47 117	0.20 54	0.10 21	0.28 216	0.19 173	0.54 320	0.48 336	0.35 281	0.42 282	0.31 233	0.27 256	0.60 326	0.21 187	0.10 242	0.16 339	0.07 24	0.07 70	0.08 97	0.13 221

fff1	0.26 245	0.13 100	0.47 117	0.20 54	0.10 21	0.28 216	0.19 173	0.54 320	0.48 336	0.35 281	0.42 282	0.31 233	0.27 256	0.60 326	0.21 187	0.10 242	0.16 339	0.07 24	0.07 70	0.08 97	0.13 221

gwcnet-sp	0.25 223	0.16 196	0.70 325	0.23 175	0.14 142	0.34 308	0.22 260	0.46 247	0.41 263	0.37 308	0.35 206	0.27 179	0.27 256	0.36 227	0.26 252	0.09 182	0.08 160	0.09 163	0.09 211	0.10 217	0.10 127

scenet	0.25 223	0.16 196	0.70 325	0.23 175	0.14 142	0.34 308	0.22 260	0.46 247	0.41 263	0.37 308	0.35 206	0.27 179	0.27 256	0.36 227	0.26 252	0.09 182	0.08 160	0.09 163	0.09 211	0.10 217	0.10 127

anonymousa	0.26 245	0.13 100	0.56 246	0.29 364	0.30 420	0.31 270	0.20 205	0.38 155	0.36 207	0.33 245	0.51 353	0.41 311	0.27 256	0.25 93	0.24 227	0.08 118	0.18 368	0.09 163	0.18 410	0.08 97	0.17 292

ssnet	0.25 223	0.16 196	0.70 325	0.23 175	0.14 142	0.34 308	0.22 260	0.46 247	0.41 263	0.37 308	0.35 206	0.27 179	0.27 256	0.36 227	0.26 252	0.09 182	0.08 160	0.09 163	0.09 211	0.10 217	0.10 127

CSP-Net	0.28 278	0.17 223	0.41 74	0.22 127	0.14 142	0.44 372	0.24 311	0.52 298	0.42 275	0.42 354	0.44 305	0.42 322	0.27 256	0.66 358	0.30 287	0.12 316	0.09 198	0.08 89	0.08 136	0.10 217	0.10 127

test_xeample	0.39 366	0.14 141	0.46 112	0.19 23	0.16 234	0.34 308	0.22 260	0.59 376	0.43 286	0.33 245	0.47 338	0.30 223	0.27 256	0.60 326	2.44 481	0.10 242	0.21 386	0.09 163	0.09 211	0.09 166	0.25 377

cf-r	0.26 245	0.22 295	0.66 310	0.22 127	0.14 142	0.28 216	0.22 260	0.44 232	0.42 275	0.32 232	0.42 282	0.43 328	0.27 256	0.44 257	0.27 263	0.11 278	0.07 107	0.08 89	0.10 260	0.08 97	0.09 79

PSMNet-RSSM	0.26 245	0.21 277	0.50 172	0.21 82	0.14 142	0.25 178	0.21 229	0.50 283	0.38 230	0.31 207	0.45 319	0.40 305	0.27 256	0.53 292	0.24 227	0.12 316	0.08 160	0.11 285	0.13 359	0.10 217	0.10 127

CFNet-ft	0.26 245	0.21 277	0.51 186	0.19 23	0.16 234	0.31 270	0.21 229	0.40 182	0.37 222	0.29 169	0.40 263	0.46 347	0.27 256	0.49 272	0.28 271	0.12 316	0.07 107	0.12 318	0.11 292	0.12 306	0.11 162

FADNet-RVC-Resample	0.31 320	0.32 375	1.16 427	0.27 326	0.17 263	0.33 293	0.21 229	0.49 275	0.40 256	0.36 292	0.38 239	0.34 259	0.27 256	0.54 297	0.27 263	0.10 242	0.10 225	0.14 363	0.13 359	0.13 320	0.18 295

MaskLacGwcNet_RVC	0.38 361	0.43 419	0.72 336	0.35 412	0.19 316	0.51 401	0.25 324	0.56 345	0.39 246	0.42 354	0.47 338	0.47 356	0.27 256	0.74 382	0.32 304	0.38 451	0.19 372	0.27 428	0.17 405	0.29 435	0.27 391

HSM-Net_RVC	0.28 278	0.12 76	0.48 131	0.19 23	0.11 32	0.35 323	0.21 229	0.64 410	0.44 296	0.40 339	0.43 295	0.50 370	0.27 256	0.75 387	0.25 241	0.08 118	0.07 107	0.08 89	0.07 70	0.08 97	0.09 79
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.29 296	0.29 359	0.57 254	0.23 175	0.14 142	0.34 308	0.15 39	0.53 308	0.46 317	0.31 207	0.40 263	0.38 288	0.27 256	0.76 393	0.28 271	0.10 242	0.07 107	0.11 285	0.11 292	0.11 269	0.09 79

CFNet_RVC	0.26 245	0.21 277	0.51 186	0.19 23	0.16 234	0.31 270	0.21 229	0.40 182	0.37 222	0.29 169	0.40 263	0.46 347	0.27 256	0.49 272	0.28 271	0.12 316	0.07 107	0.12 318	0.11 292	0.12 306	0.11 162

iResNetv2_ROB	0.29 296	0.37 400	0.92 392	0.24 219	0.13 106	0.30 250	0.19 173	0.55 336	0.51 360	0.39 330	0.46 331	0.39 302	0.27 256	0.36 227	0.30 287	0.09 182	0.06 43	0.07 24	0.05 10	0.13 320	0.11 162

PAM_32	0.26 245	0.10 17	0.63 297	0.24 219	0.19 316	0.51 401	0.26 335	0.43 211	0.30 137	0.32 232	0.28 129	0.60 403	0.28 276	0.29 163	0.20 165	0.08 118	0.14 299	0.08 89	0.10 260	0.07 47	0.15 260

ITSA-stereo	0.26 245	0.16 196	0.39 62	0.24 219	0.11 32	0.28 216	0.18 133	0.58 367	0.59 399	0.32 232	0.32 169	0.33 251	0.28 276	0.51 282	0.34 316	0.11 278	0.08 160	0.11 285	0.11 292	0.11 269	0.15 260

test_sample1	0.24 198	0.13 100	0.40 68	0.20 54	0.13 106	0.29 237	0.19 173	0.43 211	0.30 137	0.27 135	0.34 198	0.31 233	0.28 276	0.45 263	0.27 263	0.09 182	0.16 339	0.08 89	0.08 136	0.09 166	0.22 345

DispNO	0.29 296	0.24 318	0.83 367	0.23 175	0.17 263	0.25 178	0.22 260	0.47 257	0.42 275	0.33 245	0.39 254	0.38 288	0.28 276	0.78 397	0.35 323	0.09 182	0.07 107	0.10 234	0.10 260	0.09 166	0.09 79

SDNR	0.47 405	0.29 359	0.92 392	0.24 219	0.37 436	1.27 467	0.17 86	0.54 320	0.58 392	0.44 371	0.85 435	0.55 385	0.28 276	1.19 453	0.52 380	0.23 420	0.24 414	0.17 395	0.13 359	0.19 394	0.26 388

fff	0.20 98	0.15 170	0.57 254	0.19 23	0.09 7	0.19 47	0.18 133	0.38 155	0.46 317	0.29 169	0.31 160	0.18 75	0.28 276	0.21 46	0.20 165	0.07 27	0.05 3	0.07 24	0.05 10	0.06 5	0.09 79

hknet	0.26 245	0.15 170	0.49 151	0.25 255	0.16 234	0.35 323	0.22 260	0.59 376	0.40 256	0.34 263	0.35 206	0.43 328	0.28 276	0.38 239	0.26 252	0.09 182	0.07 107	0.11 285	0.10 260	0.09 166	0.10 127

PSMNet-ADL	0.26 245	0.16 196	0.39 62	0.27 326	0.14 142	0.32 286	0.22 260	0.45 240	0.37 222	0.28 145	0.34 198	0.41 311	0.28 276	0.61 332	0.32 304	0.11 278	0.10 225	0.09 163	0.11 292	0.10 217	0.13 221

DeepStereo_RVC	0.19 73	0.12 76	0.47 117	0.22 127	0.11 32	0.19 47	0.16 64	0.29 58	0.24 50	0.28 145	0.27 123	0.23 128	0.28 276	0.24 80	0.19 146	0.08 118	0.06 43	0.09 163	0.07 70	0.09 166	0.10 127

Prome-Stereo	0.22 139	0.10 17	0.43 88	0.24 219	0.13 106	0.23 142	0.23 287	0.37 144	0.27 96	0.33 245	0.58 385	0.24 144	0.28 276	0.30 175	0.16 75	0.07 27	0.05 3	0.08 89	0.07 70	0.08 97	0.20 325

ADLNet	0.30 309	0.19 256	0.59 276	0.23 175	0.19 316	0.34 308	0.23 287	0.56 345	0.44 296	0.43 365	0.41 274	0.43 328	0.28 276	0.56 308	0.36 327	0.11 278	0.08 160	0.11 285	0.11 292	0.11 269	0.15 260

csc	0.20 98	0.15 170	0.57 254	0.19 23	0.09 7	0.19 47	0.18 133	0.38 155	0.46 317	0.29 169	0.31 160	0.18 75	0.28 276	0.21 46	0.20 165	0.07 27	0.05 3	0.07 24	0.05 10	0.06 5	0.09 79

cscssc	0.20 98	0.15 170	0.57 254	0.19 23	0.09 7	0.19 47	0.18 133	0.38 155	0.46 317	0.29 169	0.31 160	0.18 75	0.28 276	0.21 46	0.20 165	0.07 27	0.05 3	0.07 24	0.05 10	0.06 5	0.09 79

222	0.45 395	0.14 141	0.43 88	0.19 23	0.15 201	0.36 330	0.20 205	0.60 386	0.43 286	0.37 308	0.45 319	0.30 223	0.28 276	0.59 321	3.72 486	0.11 278	0.19 372	0.08 89	0.09 211	0.09 166	0.27 391

ACVNet	0.24 198	0.18 244	0.51 186	0.18 11	0.15 201	0.27 200	0.23 287	0.40 182	0.45 307	0.29 169	0.41 274	0.38 288	0.28 276	0.28 143	0.35 323	0.09 182	0.07 107	0.08 89	0.07 70	0.10 217	0.09 79

acv_ft	0.26 245	0.18 244	0.56 246	0.24 219	0.19 316	0.34 308	0.21 229	0.47 257	0.45 307	0.39 330	0.41 274	0.38 288	0.28 276	0.28 143	0.36 327	0.09 182	0.07 107	0.08 89	0.07 70	0.11 269	0.09 79

GwcNet-RSSM	0.28 278	0.25 333	0.61 289	0.22 127	0.14 142	0.28 216	0.24 311	0.46 247	0.44 296	0.33 245	0.46 331	0.41 311	0.28 276	0.55 302	0.31 296	0.11 278	0.07 107	0.09 163	0.10 260	0.10 217	0.09 79

STTStereo	0.30 309	0.24 318	0.83 367	0.25 255	0.17 263	0.30 250	0.24 311	0.49 275	0.39 246	0.39 330	0.41 274	0.44 334	0.28 276	0.41 246	0.30 287	0.13 335	0.13 284	0.13 343	0.16 395	0.12 306	0.12 200

NLCA_NET_v2_RVC	0.29 296	0.24 318	0.81 359	0.26 292	0.18 290	0.30 250	0.22 260	0.52 298	0.41 263	0.38 316	0.42 282	0.42 322	0.28 276	0.46 265	0.31 296	0.11 278	0.08 160	0.10 234	0.11 292	0.10 217	0.12 200
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
iResNet_ROB	0.27 270	0.27 349	0.48 131	0.21 82	0.12 63	0.32 286	0.17 86	0.57 354	0.55 384	0.39 330	0.44 305	0.37 282	0.28 276	0.43 253	0.28 271	0.08 118	0.06 43	0.06 2	0.05 10	0.09 166	0.11 162

1111x	0.39 366	0.17 223	0.80 358	0.23 175	0.15 201	0.33 293	0.27 343	0.62 401	0.48 336	0.32 232	0.43 295	0.40 305	0.29 296	0.86 416	1.60 467	0.09 182	0.23 404	0.09 163	0.12 331	0.10 217	0.23 353

AACVNet	0.28 278	0.22 295	0.55 236	0.23 175	0.14 142	0.30 250	0.19 173	0.43 211	0.33 171	0.39 330	0.42 282	0.44 334	0.29 296	0.73 378	0.28 271	0.11 278	0.09 198	0.11 285	0.09 211	0.13 320	0.12 200

pcwnet_v2	0.32 326	0.16 196	1.22 438	0.23 175	0.19 316	0.32 286	0.19 173	0.61 393	0.61 403	0.37 308	0.45 319	0.35 273	0.29 296	0.37 237	0.26 252	0.14 356	0.11 251	0.12 318	0.11 292	0.14 342	0.18 295

UPFNet	0.27 270	0.15 170	0.47 117	0.25 255	0.20 336	0.37 338	0.27 343	0.50 283	0.40 256	0.36 292	0.38 239	0.37 282	0.29 296	0.40 243	0.34 316	0.10 242	0.10 225	0.10 234	0.10 260	0.10 217	0.08 46

FADNet_RVC	0.31 320	0.35 391	0.98 405	0.24 219	0.16 234	0.30 250	0.17 86	0.52 298	0.39 246	0.30 192	0.38 239	0.30 223	0.29 296	0.54 297	0.33 312	0.14 356	0.14 299	0.14 363	0.16 395	0.21 407	0.24 366

FADNet-RVC	0.34 341	0.43 419	0.97 403	0.25 255	0.20 336	0.33 293	0.20 205	0.51 293	0.42 275	0.34 263	0.40 263	0.41 311	0.29 296	0.65 352	0.36 327	0.14 356	0.14 299	0.14 363	0.15 385	0.19 394	0.20 325

DCVSM-stereo	0.25 223	0.14 141	0.53 218	0.21 82	0.14 142	0.27 200	0.14 21	0.35 124	0.35 192	0.42 354	0.33 188	0.46 347	0.30 302	0.31 186	0.27 263	0.11 278	0.10 225	0.12 318	0.10 260	0.12 306	0.15 260

GASNet	0.39 366	0.58 444	1.27 440	0.35 412	0.23 375	0.35 323	0.23 287	0.63 405	0.56 388	0.41 350	0.38 239	0.45 340	0.30 302	0.81 407	0.42 348	0.16 379	0.11 251	0.14 363	0.14 375	0.23 416	0.12 200

ssnet_v2	0.30 309	0.21 277	0.63 297	0.23 175	0.15 201	0.40 354	0.30 368	0.59 376	0.48 336	0.40 339	0.37 232	0.46 347	0.30 302	0.41 246	0.44 358	0.13 335	0.11 251	0.11 285	0.11 292	0.12 306	0.11 162

LCNet	0.22 139	0.12 76	0.42 83	0.26 292	0.12 63	0.23 142	0.19 173	0.36 132	0.28 106	0.28 145	0.35 206	0.26 174	0.30 302	0.35 223	0.17 96	0.07 27	0.05 3	0.09 163	0.10 260	0.13 320	0.22 345

AAGNet	0.34 341	0.12 76	0.53 218	0.26 292	0.16 234	0.20 76	0.19 173	0.31 85	0.29 123	0.35 281	0.35 206	0.27 179	0.30 302	0.44 257	2.56 482	0.08 118	0.05 3	0.10 234	0.07 70	0.09 166	0.07 15

LMCR-Stereo	0.28 278	0.22 295	0.56 246	0.29 364	0.14 142	0.37 338	0.23 287	0.57 354	0.36 207	0.40 339	0.40 263	0.29 205	0.30 302	0.41 246	0.38 335	0.11 278	0.07 107	0.09 163	0.07 70	0.13 320	0.10 127

ac_64	0.28 278	0.16 196	0.62 292	0.25 255	0.17 263	0.36 330	0.22 260	0.48 267	0.35 192	0.36 292	0.37 232	0.51 373	0.30 302	0.62 340	0.34 316	0.11 278	0.09 198	0.10 234	0.10 260	0.09 166	0.09 79

GANet-RSSM	0.26 245	0.19 256	0.54 230	0.21 82	0.14 142	0.27 200	0.22 260	0.47 257	0.34 182	0.30 192	0.40 263	0.41 311	0.30 302	0.59 321	0.25 241	0.11 278	0.08 160	0.09 163	0.09 211	0.10 217	0.10 127

DSFCA	0.29 296	0.18 244	0.48 131	0.21 82	0.17 263	0.39 348	0.32 382	0.49 275	0.44 296	0.44 371	0.38 239	0.40 305	0.30 302	0.53 292	0.38 335	0.12 316	0.10 225	0.10 234	0.11 292	0.11 269	0.11 162

TDLM	0.32 326	0.27 349	0.52 207	0.30 372	0.15 201	0.33 293	0.32 382	0.54 320	0.50 354	0.44 371	0.43 295	0.39 302	0.30 302	0.92 431	0.30 287	0.14 356	0.09 198	0.13 343	0.12 331	0.13 320	0.14 246

AANet_RVC	0.33 333	0.31 368	0.69 319	0.23 175	0.14 142	0.30 250	0.23 287	0.49 275	0.55 384	0.39 330	0.60 393	0.43 328	0.30 302	0.88 419	0.54 388	0.11 278	0.08 160	0.07 24	0.07 70	0.10 217	0.12 200

NVstereo2D	0.32 326	0.18 244	0.63 297	0.24 219	0.23 375	0.43 367	0.28 356	0.60 386	0.58 392	0.28 145	0.39 254	0.42 322	0.30 302	0.71 374	0.30 287	0.13 335	0.09 198	0.13 343	0.10 260	0.20 401	0.18 295

StereoDRNet-Refined	0.28 278	0.19 256	0.47 117	0.25 255	0.14 142	0.36 330	0.21 229	0.49 275	0.43 286	0.46 383	0.52 360	0.42 322	0.30 302	0.46 265	0.38 335	0.10 242	0.07 107	0.11 285	0.11 292	0.10 217	0.11 162
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.33 333	0.24 318	0.49 151	0.27 326	0.16 234	0.34 308	0.19 173	0.55 336	0.50 354	0.34 263	0.37 232	0.42 322	0.30 302	0.93 433	0.25 241	0.19 413	0.20 381	0.24 425	0.22 426	0.17 371	0.25 377

ADStereo(finetuned)	0.21 124	0.15 170	0.59 276	0.19 23	0.09 7	0.19 47	0.18 133	0.37 144	0.41 263	0.30 192	0.31 160	0.19 84	0.31 316	0.21 46	0.20 165	0.07 27	0.05 3	0.07 24	0.05 10	0.07 47	0.10 127

Wz-Net-LNSev-Ref	0.33 333	0.25 333	0.82 362	0.22 127	0.17 263	0.46 382	0.28 356	0.53 308	0.53 372	0.43 365	0.57 382	0.44 334	0.31 316	0.50 276	0.48 369	0.10 242	0.06 43	0.08 89	0.06 31	0.11 269	0.12 200

DAS	0.28 278	0.13 100	0.49 151	0.24 219	0.18 290	0.30 250	0.24 311	0.48 267	0.48 336	0.42 354	0.45 319	0.34 259	0.31 316	0.76 393	0.24 227	0.09 182	0.07 107	0.09 163	0.07 70	0.10 217	0.11 162

SepStereo	0.27 270	0.13 100	0.49 151	0.24 219	0.18 290	0.30 250	0.24 311	0.48 267	0.48 336	0.42 354	0.45 319	0.34 259	0.31 316	0.64 348	0.24 227	0.09 182	0.07 107	0.09 163	0.07 70	0.10 217	0.11 162

ADLNet2	0.31 320	0.23 308	0.77 350	0.23 175	0.18 290	0.36 330	0.24 311	0.55 336	0.54 377	0.33 245	0.38 239	0.45 340	0.31 316	0.70 369	0.36 327	0.10 242	0.08 160	0.09 163	0.09 211	0.12 306	0.11 162

TransformOpticalFlow	0.24 198	0.14 141	0.57 254	0.24 219	0.11 32	0.21 99	0.19 173	0.43 211	0.34 182	0.30 192	0.43 295	0.36 278	0.31 316	0.61 332	0.20 165	0.07 27	0.05 3	0.08 89	0.07 70	0.06 5	0.08 46

RAFT + AFF	0.30 309	0.33 379	0.76 344	0.25 255	0.17 263	0.30 250	0.33 387	0.55 336	0.42 275	0.28 145	0.30 149	0.31 233	0.31 316	0.64 348	0.32 304	0.09 182	0.11 251	0.11 285	0.10 260	0.12 306	0.16 275

delet	0.29 296	0.18 244	0.58 269	0.24 219	0.19 316	0.41 358	0.30 368	0.52 298	0.51 360	0.35 281	0.42 282	0.37 282	0.31 316	0.49 272	0.36 327	0.10 242	0.09 198	0.11 285	0.12 331	0.09 166	0.09 79

CVANet_RVC	0.34 341	0.25 333	0.77 350	0.27 326	0.17 263	0.34 308	0.28 356	0.55 336	0.50 354	0.43 365	0.46 331	0.44 334	0.31 316	0.90 424	0.27 263	0.15 369	0.10 225	0.14 363	0.14 375	0.15 350	0.15 260

PS-NSSS	0.33 333	0.36 397	0.61 289	0.24 219	0.18 290	0.33 293	0.24 311	0.59 376	0.42 275	0.38 316	0.52 360	0.36 278	0.31 316	0.80 404	0.32 304	0.18 404	0.14 299	0.21 416	0.15 385	0.17 371	0.14 246

StereoDRNet	0.34 341	0.28 356	0.70 325	0.28 351	0.21 349	0.43 367	0.30 368	0.63 405	0.51 360	0.47 389	0.40 263	0.48 360	0.31 316	0.58 314	0.44 358	0.12 316	0.10 225	0.12 318	0.11 292	0.13 320	0.13 221

UGAM-zero	0.26 245	0.11 40	0.56 246	0.20 54	0.16 234	0.28 216	0.18 133	0.48 267	0.25 72	0.31 207	0.28 129	0.56 389	0.32 327	0.66 358	0.17 96	0.07 27	0.10 225	0.07 24	0.09 211	0.07 47	0.31 409

DualNet (step1)	0.31 320	0.21 277	0.69 319	0.18 11	0.17 263	0.36 330	0.21 229	0.54 320	0.43 286	0.38 316	0.36 221	0.38 288	0.32 327	0.41 246	0.26 252	0.24 422	0.21 386	0.28 434	0.24 432	0.18 386	0.21 334

test_sample9	0.45 395	0.21 277	0.69 319	0.18 11	0.17 263	0.36 330	0.21 229	0.54 320	0.43 286	0.38 316	0.36 221	0.38 288	0.32 327	0.70 369	1.01 434	0.24 422	1.93 486	0.28 434	0.24 432	0.18 386	0.21 334

test_sample7	0.28 278	0.16 196	0.47 117	0.21 82	0.14 142	0.29 237	0.22 260	0.54 320	0.43 286	0.38 316	0.36 221	0.38 288	0.32 327	0.41 246	0.26 252	0.14 356	0.21 386	0.13 343	0.12 331	0.13 320	0.25 377

ToySt	0.28 278	0.19 256	0.68 318	0.22 127	0.19 316	0.31 270	0.31 377	0.43 211	0.43 286	0.28 145	0.38 239	0.42 322	0.32 327	0.33 202	0.32 304	0.08 118	0.14 299	0.10 234	0.12 331	0.11 269	0.24 366

FADNet	0.34 341	0.43 419	0.88 386	0.24 219	0.22 364	0.37 338	0.19 173	0.56 345	0.49 349	0.32 232	0.36 221	0.43 328	0.32 327	0.65 352	0.30 287	0.17 393	0.16 339	0.14 363	0.16 395	0.25 421	0.21 334

HSM	0.29 296	0.18 244	0.48 131	0.21 82	0.15 201	0.33 293	0.20 205	0.55 336	0.39 246	0.36 292	0.39 254	0.67 428	0.32 327	0.88 419	0.24 227	0.09 182	0.07 107	0.08 89	0.07 70	0.09 166	0.10 127

PSMNet_ROB	0.36 349	0.31 368	0.71 331	0.31 385	0.21 349	0.44 372	0.44 425	0.61 393	0.49 349	0.39 330	0.45 319	0.49 366	0.32 327	0.66 358	0.53 384	0.14 356	0.10 225	0.15 379	0.14 375	0.13 320	0.13 221

PSMNet-RUCA	0.39 366	0.47 425	0.84 371	0.46 444	0.41 443	0.34 308	0.26 335	0.59 376	0.46 317	0.40 339	0.51 353	0.44 334	0.33 335	0.43 253	0.31 296	0.25 429	0.14 299	0.33 444	0.21 418	0.32 440	0.23 353

UNet	0.28 278	0.16 196	0.70 325	0.24 219	0.20 336	0.44 372	0.21 229	0.52 298	0.42 275	0.36 292	0.40 263	0.43 328	0.33 335	0.41 246	0.32 304	0.09 182	0.07 107	0.10 234	0.09 211	0.10 217	0.09 79

SQANet	0.44 392	0.57 442	0.89 388	0.49 447	0.39 440	0.47 388	0.23 287	0.53 308	0.44 296	0.41 350	0.48 347	0.47 356	0.34 337	0.58 314	0.43 351	0.38 451	0.15 328	0.40 449	0.21 418	0.50 449	0.34 421

IER	0.24 198	0.15 170	0.50 172	0.21 82	0.15 201	0.31 270	0.20 205	0.44 232	0.38 230	0.34 263	0.41 274	0.32 244	0.34 337	0.31 186	0.23 219	0.09 182	0.07 107	0.08 89	0.08 136	0.09 166	0.09 79

SACVNet	0.32 326	0.25 333	0.59 276	0.26 292	0.19 316	0.35 323	0.25 324	0.54 320	0.41 263	0.43 365	0.45 319	0.46 347	0.34 337	0.71 374	0.30 287	0.14 356	0.10 225	0.12 318	0.12 331	0.16 358	0.20 325

DGSMNet	0.63 438	0.32 375	1.01 408	0.54 450	0.73 464	0.62 424	1.36 482	0.62 401	0.58 392	0.38 316	0.62 403	0.52 378	0.34 337	0.65 352	0.47 367	0.54 457	0.61 473	0.67 462	0.61 470	0.65 458	0.69 470

MMNet	0.28 278	0.19 256	0.54 230	0.24 219	0.17 263	0.47 388	0.22 260	0.47 257	0.53 372	0.40 339	0.43 295	0.36 278	0.34 337	0.40 243	0.35 323	0.08 118	0.08 160	0.09 163	0.09 211	0.10 217	0.09 79

GwcNet	0.37 356	0.29 359	1.12 421	0.25 255	0.24 387	0.48 394	0.27 343	0.58 367	0.60 401	0.39 330	0.54 370	0.51 373	0.34 337	0.60 326	0.46 364	0.13 335	0.12 267	0.12 318	0.11 292	0.13 320	0.15 260

DLCB_ROB	0.30 309	0.20 269	0.45 99	0.28 351	0.17 263	0.37 338	0.25 324	0.50 283	0.45 307	0.46 383	0.47 338	0.51 373	0.34 337	0.56 308	0.38 335	0.10 242	0.10 225	0.11 285	0.11 292	0.10 217	0.11 162

iinet-f	0.31 320	0.23 308	1.16 427	0.20 54	0.16 234	0.44 372	0.23 287	0.47 257	0.38 230	0.36 292	0.44 305	0.41 311	0.35 344	0.36 227	0.43 351	0.10 242	0.09 198	0.08 89	0.08 136	0.13 320	0.12 200

STrans-v2	0.25 223	0.14 141	0.56 246	0.21 82	0.12 63	0.23 142	0.20 205	0.50 283	0.31 146	0.31 207	0.42 282	0.35 273	0.35 344	0.62 340	0.24 227	0.07 27	0.05 3	0.08 89	0.07 70	0.06 5	0.08 46

HGLStereo	0.29 296	0.19 256	0.60 283	0.24 219	0.21 349	0.33 293	0.23 287	0.52 298	0.44 296	0.36 292	0.49 348	0.41 311	0.35 344	0.46 265	0.34 316	0.11 278	0.11 251	0.09 163	0.09 211	0.11 269	0.12 200

hitnet-ft	0.31 320	0.21 277	0.56 246	0.19 23	0.14 142	0.40 354	0.23 287	0.46 247	0.42 275	0.37 308	0.46 331	0.53 382	0.35 344	0.76 393	0.35 323	0.14 356	0.10 225	0.14 363	0.10 260	0.15 350	0.14 246

DRN-Test	0.35 347	0.20 269	0.75 340	0.28 351	0.19 316	0.46 382	0.29 361	0.68 427	0.54 377	0.49 395	0.47 338	0.44 334	0.35 344	0.63 343	0.44 358	0.13 335	0.09 198	0.13 343	0.12 331	0.13 320	0.13 221

fast-acv-ft	0.33 333	0.26 343	0.88 386	0.25 255	0.18 290	0.49 398	0.27 343	0.44 232	0.50 354	0.40 339	0.55 375	0.49 366	0.36 349	0.39 242	0.41 345	0.11 278	0.11 251	0.11 285	0.12 331	0.13 320	0.11 162

DMCA-RVC	0.30 309	0.27 349	0.93 396	0.28 351	0.17 263	0.30 250	0.21 229	0.43 211	0.36 207	0.40 339	0.38 239	0.39 302	0.36 349	0.44 257	0.34 316	0.13 335	0.10 225	0.16 386	0.12 331	0.13 320	0.11 162

RTSC	0.43 390	0.37 400	0.95 400	0.30 372	0.20 336	0.50 400	0.23 287	0.65 416	0.86 442	0.56 417	0.54 370	0.51 373	0.36 349	0.71 374	0.92 426	0.13 335	0.14 299	0.11 285	0.13 359	0.18 386	0.19 309

PA-Net	0.40 377	0.35 391	1.05 411	0.32 390	0.28 408	0.39 348	0.43 423	0.53 308	0.56 388	0.35 281	0.43 295	0.41 311	0.36 349	0.83 412	0.61 401	0.12 316	0.23 404	0.16 386	0.23 430	0.13 320	0.20 325
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
LALA_ROB	0.38 361	0.31 368	0.65 305	0.30 372	0.21 349	0.46 382	0.39 412	0.63 405	0.54 377	0.53 410	0.52 360	0.69 432	0.36 349	0.52 289	0.48 369	0.18 404	0.11 251	0.16 386	0.14 375	0.17 371	0.16 275

Wz-Net-LNSev	0.36 349	0.35 391	1.06 413	0.26 292	0.21 349	0.47 388	0.33 387	0.56 345	0.58 392	0.45 378	0.54 370	0.50 370	0.37 354	0.40 243	0.42 348	0.12 316	0.11 251	0.10 234	0.09 211	0.14 342	0.15 260

Wz-Net-MNSev	0.39 366	0.35 391	0.99 407	0.26 292	0.21 349	0.59 421	0.39 412	0.58 367	0.61 403	0.49 395	0.56 380	0.53 382	0.37 354	0.61 332	0.47 367	0.11 278	0.09 198	0.11 285	0.11 292	0.15 350	0.15 260

DISCO	0.33 333	0.16 196	0.55 236	0.26 292	0.16 234	0.48 394	0.25 324	0.52 298	0.58 392	0.38 316	0.45 319	0.63 413	0.37 354	0.65 352	0.50 376	0.10 242	0.07 107	0.09 163	0.08 136	0.13 320	0.13 221

MDST_ROB	0.51 413	0.16 196	0.97 403	0.31 385	0.21 349	1.35 471	0.34 391	0.80 447	0.59 399	1.09 459	0.74 423	0.49 366	0.37 354	1.31 461	0.60 398	0.14 356	0.12 267	0.16 386	0.13 359	0.13 320	0.18 295

ETE_ROB	0.36 349	0.32 375	0.64 302	0.30 372	0.18 290	0.40 354	0.38 409	0.59 376	0.49 349	0.50 398	0.52 360	0.62 409	0.37 354	0.58 314	0.43 351	0.13 335	0.10 225	0.14 363	0.12 331	0.17 371	0.18 295

CBFPSM	0.28 278	0.23 308	0.76 344	0.21 82	0.14 142	0.38 344	0.26 335	0.42 204	0.37 222	0.34 263	0.36 221	0.55 385	0.38 359	0.33 202	0.40 341	0.08 118	0.08 160	0.07 24	0.08 136	0.09 166	0.12 200

Anonymous_2	0.44 392	0.23 308	0.57 254	0.34 406	0.34 428	0.53 410	0.28 356	0.49 275	0.39 246	0.36 292	0.34 198	0.48 360	0.38 359	0.43 253	0.33 312	0.26 431	0.41 456	0.44 451	1.45 486	0.33 442	0.37 432

DDUNet	0.45 395	0.60 447	0.71 331	0.45 442	0.39 440	0.46 382	0.32 382	0.53 308	0.44 296	0.46 383	0.53 367	0.57 391	0.38 359	0.51 282	0.43 351	0.34 445	0.21 386	0.56 457	0.25 435	0.41 446	0.36 424

RASNet	0.30 309	0.19 256	0.59 276	0.23 175	0.19 316	0.33 293	0.20 205	0.50 283	0.41 263	0.31 207	0.44 305	0.47 356	0.38 359	0.79 401	0.40 341	0.09 182	0.07 107	0.07 24	0.09 211	0.08 97	0.10 127

CC-Net-ROB	0.46 402	0.55 436	0.86 378	0.38 426	0.23 375	0.51 401	0.30 368	0.69 433	0.51 360	0.46 383	0.51 353	0.48 360	0.38 359	0.96 436	0.40 341	0.36 448	0.23 404	0.56 457	0.25 435	0.34 443	0.22 345

XPNet_ROB	0.35 347	0.26 343	0.58 269	0.28 351	0.19 316	0.37 338	0.31 377	0.57 354	0.51 360	0.52 404	0.54 370	0.57 391	0.38 359	0.65 352	0.48 369	0.17 393	0.12 267	0.13 343	0.12 331	0.16 358	0.17 292

PWCDC_ROB	0.41 382	0.41 415	0.77 350	0.34 406	0.21 349	0.43 367	0.20 205	0.60 386	0.90 446	0.44 371	1.24 456	0.36 278	0.38 359	0.56 308	0.48 369	0.18 404	0.11 251	0.11 285	0.10 260	0.20 401	0.16 275

APVNet	0.38 361	0.26 343	0.87 380	0.26 292	0.22 364	0.52 407	0.35 393	0.64 410	0.46 317	0.40 339	0.52 360	0.48 360	0.39 366	0.84 413	0.48 369	0.13 335	0.14 299	0.15 379	0.16 395	0.16 358	0.16 275

NCCL2	0.37 356	0.33 379	0.59 276	0.37 417	0.23 375	0.42 363	0.41 420	0.56 345	0.44 296	0.47 389	0.47 338	0.61 406	0.39 366	0.58 314	0.41 345	0.16 379	0.13 284	0.21 416	0.22 426	0.16 358	0.18 295

pmcnn	0.54 420	0.24 318	1.06 413	0.25 255	0.26 402	0.40 354	0.31 377	0.55 336	0.55 384	0.56 417	1.22 455	2.53 479	0.39 366	0.84 413	1.08 443	0.09 182	0.06 43	0.06 2	0.05 10	0.10 217	0.14 246

LL-Strereo	0.32 326	0.33 379	0.77 350	0.26 292	0.24 387	0.22 124	0.23 287	0.58 367	0.44 296	0.35 281	0.32 169	0.41 311	0.40 369	0.93 433	0.25 241	0.08 118	0.13 284	0.11 285	0.09 211	0.09 166	0.22 345

Wz-Net-SNSev	0.45 395	0.53 434	1.42 449	0.31 385	0.21 349	0.44 372	0.45 426	0.64 410	0.68 420	0.46 383	0.66 409	0.62 409	0.40 369	0.78 397	0.65 406	0.12 316	0.11 251	0.12 318	0.13 359	0.17 371	0.19 309

psm_up	0.30 309	0.21 277	0.58 269	0.26 292	0.18 290	0.32 286	0.27 343	0.57 354	0.45 307	0.38 316	0.41 274	0.45 340	0.40 369	0.59 321	0.32 304	0.11 278	0.12 267	0.13 343	0.12 331	0.11 269	0.11 162

RYNet	0.38 361	0.23 308	0.65 305	0.26 292	0.28 408	0.62 424	0.33 387	0.61 393	0.62 407	0.42 354	0.39 254	0.58 396	0.40 369	0.89 421	0.57 394	0.11 278	0.09 198	0.12 318	0.11 292	0.19 394	0.22 345

PDISCO_ROB	0.45 395	0.37 400	0.89 388	0.44 440	0.37 436	0.70 432	0.35 393	0.75 442	0.78 434	0.45 378	0.53 367	0.65 420	0.40 369	0.68 365	0.52 380	0.22 419	0.12 267	0.21 416	0.19 412	0.26 425	0.22 345

HBP-ISP	0.34 341	0.35 391	0.76 344	0.23 175	0.17 263	0.33 293	0.22 260	0.56 345	0.47 330	0.42 354	0.49 348	0.33 251	0.41 374	0.73 378	0.27 263	0.18 404	0.19 372	0.24 425	0.20 416	0.16 358	0.16 275

DRaft	0.25 223	0.11 40	0.47 117	0.18 11	0.12 63	0.28 216	0.23 287	0.34 114	0.40 256	0.38 316	0.60 393	0.20 95	0.41 374	0.48 270	0.41 345	0.07 27	0.06 43	0.08 89	0.08 136	0.07 47	0.08 46

S-Stereo	0.39 366	0.20 269	1.04 410	0.28 351	0.22 364	0.39 348	0.31 377	0.58 367	0.69 422	0.40 339	0.59 389	0.48 360	0.41 374	0.75 387	0.42 348	0.12 316	0.15 328	0.13 343	0.13 359	0.16 358	0.25 377

DeepPrunerF	0.46 402	0.37 400	1.50 453	0.34 406	0.30 420	0.36 330	0.37 401	0.64 410	1.15 465	0.41 350	0.45 319	0.40 305	0.41 374	0.82 408	0.53 384	0.18 404	0.14 299	0.23 423	0.21 418	0.17 371	0.18 295

MFN_U_SF_DS_RVC	0.53 418	0.60 447	0.98 405	0.40 432	0.25 398	0.87 448	0.57 447	0.60 386	0.64 411	0.60 422	0.67 411	0.63 413	0.42 378	1.13 448	0.50 376	0.23 420	0.28 430	0.27 428	0.35 449	0.25 421	0.33 418

DANet	0.37 356	0.25 333	0.67 313	0.37 417	0.22 364	0.42 363	0.25 324	0.50 283	0.44 296	0.52 404	0.50 350	0.59 397	0.42 378	0.78 397	0.53 384	0.13 335	0.12 267	0.14 363	0.12 331	0.17 371	0.21 334
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
NaN_ROB	0.44 392	0.38 406	0.94 399	0.30 372	0.20 336	0.52 407	0.49 436	0.61 393	0.60 401	0.56 417	0.47 338	0.49 366	0.42 378	1.24 455	0.76 416	0.12 316	0.18 368	0.12 318	0.13 359	0.12 306	0.18 295

ACV-stereo	0.30 309	0.20 269	0.82 362	0.23 175	0.16 234	0.48 394	0.20 205	0.38 155	0.34 182	0.29 169	0.33 188	0.66 424	0.43 381	0.55 302	0.31 296	0.10 242	0.09 198	0.09 163	0.09 211	0.11 269	0.12 200

ACVNet-4b	0.76 450	0.90 462	1.67 460	0.73 460	0.51 452	0.80 445	0.31 377	0.74 441	0.81 437	0.51 401	0.72 419	0.94 446	0.43 381	1.01 440	1.32 456	1.18 484	0.22 395	0.77 466	0.45 456	0.70 464	0.50 455

GANetREF_RVC	0.45 395	0.52 432	0.87 380	0.39 428	0.20 336	0.51 401	0.50 438	0.68 427	0.67 416	0.47 389	0.46 331	0.50 370	0.43 381	0.91 426	0.40 341	0.28 437	0.21 386	0.32 441	0.19 412	0.28 433	0.23 353
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
FBW_ROB	0.46 402	0.34 387	0.71 331	0.32 390	0.20 336	0.51 401	0.32 382	0.73 439	0.63 409	0.60 422	0.57 382	0.65 420	0.44 384	1.42 466	0.62 402	0.14 356	0.17 358	0.22 421	0.16 395	0.17 371	0.23 353

PWC_ROB	0.41 382	0.38 406	0.92 392	0.26 292	0.20 336	0.39 348	0.19 173	0.61 393	0.69 422	0.58 421	0.84 434	0.52 378	0.44 384	0.74 382	0.62 402	0.13 335	0.09 198	0.14 363	0.10 260	0.17 371	0.18 295

UDG	0.42 386	0.54 435	0.67 313	0.41 436	0.35 431	0.47 388	0.27 343	0.57 354	0.48 336	0.40 339	0.46 331	0.59 397	0.45 386	0.47 269	0.46 364	0.26 431	0.19 372	0.49 453	0.22 426	0.37 444	0.30 405

CrosDoStereo	0.32 326	0.11 40	0.53 218	0.19 23	0.12 63	0.22 124	1.07 474	0.36 132	0.38 230	0.38 316	0.60 393	0.28 192	0.45 386	0.61 332	0.56 392	0.08 118	0.06 43	0.08 89	0.09 211	0.08 97	0.09 79

DeepStereo_LL	0.32 326	0.11 40	0.53 218	0.19 23	0.12 63	0.22 124	1.07 474	0.36 132	0.38 230	0.38 316	0.60 393	0.28 192	0.45 386	0.61 332	0.56 392	0.08 118	0.06 43	0.08 89	0.09 211	0.08 97	0.09 79

Syn2CoEx	0.39 366	0.39 410	1.08 418	0.35 412	0.21 349	0.41 358	0.29 361	0.63 405	0.51 360	0.43 365	0.56 380	0.45 340	0.45 386	0.69 366	0.39 339	0.17 393	0.14 299	0.16 386	0.12 331	0.13 320	0.16 275

SuperB	0.50 410	0.37 400	2.16 471	0.23 175	0.15 201	0.41 358	0.32 382	0.50 283	0.83 439	0.44 371	0.51 353	0.33 251	0.45 386	0.69 366	1.07 441	0.10 242	0.08 160	0.09 163	0.08 136	0.95 475	0.18 295

stereogan	0.39 366	0.20 269	0.78 354	0.28 351	0.22 364	0.65 429	0.26 335	0.62 401	0.65 412	0.45 378	0.60 393	0.67 428	0.45 386	0.69 366	0.37 333	0.14 356	0.14 299	0.14 363	0.12 331	0.20 401	0.19 309

GANet	0.40 377	0.28 356	0.67 313	0.31 385	0.18 290	0.43 367	0.39 412	0.60 386	0.46 317	0.48 394	0.78 427	0.55 385	0.45 386	0.96 436	0.55 391	0.13 335	0.14 299	0.13 343	0.12 331	0.15 350	0.16 275

otaku	0.60 432	0.73 454	1.13 423	0.64 454	0.45 446	0.73 436	0.37 401	0.67 422	0.67 416	0.52 404	0.75 425	0.66 424	0.46 393	0.74 382	0.59 397	0.55 458	0.34 451	0.56 457	0.36 451	0.65 458	0.49 454

ccnet	0.43 390	0.34 387	0.62 292	0.28 351	0.33 426	0.60 422	0.34 391	0.68 427	0.47 330	0.54 413	0.66 409	0.56 389	0.46 393	0.73 378	0.66 408	0.26 431	0.19 372	0.24 425	0.22 426	0.27 430	0.25 377

CRFU-Net	0.29 296	0.14 141	0.48 131	0.26 292	0.15 201	0.46 382	0.22 260	0.52 298	0.32 157	0.44 371	0.42 282	0.48 360	0.47 395	0.44 257	0.31 296	0.12 316	0.10 225	0.09 163	0.08 136	0.10 217	0.11 162

RGC	0.41 382	0.35 391	0.76 344	0.35 412	0.28 408	0.41 358	0.29 361	0.60 386	0.55 384	0.47 389	0.64 405	0.63 413	0.47 395	0.74 382	0.46 364	0.16 379	0.15 328	0.21 416	0.21 418	0.19 394	0.21 334

XQC	0.47 405	0.45 423	1.07 415	0.40 432	0.28 408	0.58 419	0.38 409	0.67 422	0.76 433	0.53 410	0.47 338	0.59 397	0.47 395	0.74 382	0.80 420	0.18 404	0.14 299	0.18 402	0.16 395	0.26 425	0.24 366

ADCRef	0.41 382	0.33 379	1.05 411	0.26 292	0.21 349	0.49 398	0.27 343	0.54 320	0.51 360	0.51 401	0.59 389	0.35 273	0.47 395	0.54 297	1.35 458	0.09 182	0.08 160	0.12 318	0.12 331	0.12 306	0.13 221

IGEV-RUCA	0.21 124	0.09 5	0.26 9	0.20 54	0.19 316	0.28 216	0.23 287	0.24 21	0.22 32	0.21 72	0.23 91	0.29 205	0.48 399	0.26 112	0.19 146	0.09 182	0.08 160	0.18 402	0.14 375	0.18 386	0.19 309

DEmStereo	0.26 245	0.10 17	0.52 207	0.19 23	0.13 106	0.31 270	0.25 324	0.29 58	0.38 230	0.36 292	0.57 382	0.24 144	0.48 399	0.53 292	0.44 358	0.07 27	0.06 43	0.08 89	0.08 136	0.07 47	0.08 46

Nwc_Net	0.39 366	0.29 359	0.84 371	0.32 390	0.24 387	0.45 380	0.30 368	0.67 422	0.51 360	0.39 330	0.70 417	0.59 397	0.48 399	0.61 332	0.45 363	0.16 379	0.12 267	0.19 409	0.21 418	0.14 342	0.15 260

SHD	0.45 395	0.34 387	0.89 388	0.37 417	0.28 408	0.46 382	0.23 287	0.72 438	0.96 453	0.65 428	0.61 401	0.61 406	0.48 399	0.64 348	0.69 411	0.16 379	0.16 339	0.16 386	0.16 395	0.21 407	0.25 377

PASM	0.49 409	0.41 415	1.15 425	0.37 417	0.35 431	0.42 363	0.42 421	0.54 320	0.65 412	0.54 413	0.54 370	0.63 413	0.48 399	0.94 435	0.51 379	0.27 435	0.30 442	0.30 437	0.33 447	0.29 435	0.29 402

THIR-Stereo	0.30 309	0.15 170	0.46 112	0.19 23	0.11 32	0.28 216	0.70 455	0.33 107	0.36 207	0.37 308	0.64 405	0.33 251	0.49 404	0.58 314	0.44 358	0.08 118	0.06 43	0.08 89	0.09 211	0.07 47	0.08 46

FAT-Stereo	0.36 349	0.19 256	0.75 340	0.26 292	0.18 290	0.34 308	0.30 368	0.62 401	0.61 403	0.47 389	0.61 401	0.59 397	0.50 405	0.61 332	0.36 327	0.13 335	0.14 299	0.13 343	0.12 331	0.14 342	0.20 325

edge stereo	0.40 377	0.22 295	0.87 380	0.27 326	0.22 364	0.38 344	0.26 335	0.59 376	0.56 388	0.53 410	0.60 393	0.71 436	0.50 405	0.78 397	0.43 351	0.16 379	0.15 328	0.19 409	0.14 375	0.17 371	0.19 309

RP	0.38 361	0.26 343	0.67 313	0.31 385	0.24 387	0.37 338	0.29 361	0.53 308	0.61 403	0.42 354	0.65 407	0.62 409	0.51 407	0.63 343	0.43 351	0.17 393	0.15 328	0.17 395	0.15 385	0.17 371	0.19 309

SGM-Forest	0.42 386	0.44 422	0.92 392	0.24 219	0.16 234	0.45 380	0.40 416	0.58 367	0.50 354	0.54 413	0.63 404	0.52 378	0.51 407	0.91 426	0.66 408	0.17 393	0.17 358	0.17 395	0.15 385	0.15 350	0.21 334
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Ntro	0.61 434	0.75 457	1.16 427	0.67 456	0.50 448	0.76 437	0.37 401	0.68 427	0.71 426	0.50 398	0.59 389	0.65 420	0.52 409	0.79 401	0.58 396	0.58 461	0.32 447	0.57 460	0.34 448	0.69 463	0.50 455

psmorigin	0.52 416	0.29 359	3.10 480	0.24 219	0.19 316	0.39 348	0.24 311	0.52 298	0.45 307	0.66 430	0.68 413	0.70 435	0.52 409	0.86 416	0.49 375	0.15 369	0.17 358	0.13 343	0.14 375	0.16 358	0.23 353

AF-Net	0.40 377	0.31 368	0.74 337	0.33 401	0.24 387	0.43 367	0.30 368	0.64 410	0.67 416	0.44 371	0.69 416	0.65 420	0.52 409	0.59 321	0.48 369	0.16 379	0.12 267	0.19 409	0.14 375	0.16 358	0.14 246

NCC-stereo	0.42 386	0.31 368	0.87 380	0.32 390	0.29 418	0.47 388	0.37 401	0.68 427	0.53 372	0.42 354	0.58 385	0.57 391	0.52 409	0.75 387	0.54 388	0.18 404	0.14 299	0.18 402	0.25 435	0.17 371	0.18 295

Abc-Net	0.42 386	0.31 368	0.87 380	0.32 390	0.29 418	0.47 388	0.37 401	0.68 427	0.53 372	0.42 354	0.58 385	0.57 391	0.52 409	0.75 387	0.54 388	0.18 404	0.14 299	0.18 402	0.25 435	0.17 371	0.18 295
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCP+	0.48 408	0.36 397	1.47 451	0.26 292	0.22 364	0.57 417	0.40 416	0.56 345	0.54 377	0.46 383	0.52 360	0.46 347	0.53 414	0.59 321	1.93 473	0.10 242	0.08 160	0.11 285	0.11 292	0.14 342	0.15 260

CBMV_ROB	0.36 349	0.21 277	0.57 254	0.22 127	0.14 142	0.35 323	0.20 205	0.55 336	0.47 330	0.52 404	0.58 385	0.45 340	0.53 414	0.75 387	0.50 376	0.18 404	0.19 372	0.23 423	0.21 418	0.15 350	0.20 325

AnyNet_C32	0.55 421	0.51 431	1.34 444	0.29 364	0.28 408	0.61 423	0.62 450	0.57 354	0.62 407	0.63 425	0.68 413	0.54 384	0.55 416	0.82 408	1.81 470	0.15 369	0.15 328	0.15 379	0.18 410	0.21 407	0.25 377

LSM	1.68 478	0.48 428	2.91 478	2.28 489	17.60 498	0.52 407	0.55 445	0.65 416	0.78 434	0.84 444	1.11 449	0.63 413	0.55 416	0.79 401	0.53 384	0.16 379	0.25 415	0.18 402	0.21 418	0.25 421	2.37 490

FTStereo	0.28 278	0.11 40	0.56 246	0.24 219	0.13 106	0.21 99	0.52 441	0.36 132	0.28 106	0.38 316	0.94 443	0.30 223	0.56 418	0.33 202	0.18 120	0.08 118	0.06 43	0.09 163	0.08 136	0.08 97	0.19 309

aanetorigin	0.40 377	0.33 379	1.14 424	0.25 255	0.19 316	0.30 250	0.37 401	0.34 114	0.47 330	0.95 450	0.82 432	0.52 378	0.56 418	0.50 276	0.52 380	0.11 278	0.09 198	0.10 234	0.10 260	0.16 358	0.19 309

ADCPNet	0.51 413	0.36 397	1.82 465	0.27 326	0.23 375	0.71 433	0.39 412	0.56 345	0.54 377	0.52 404	0.60 393	0.66 424	0.57 420	0.64 348	1.23 448	0.15 369	0.18 368	0.14 363	0.23 430	0.19 394	0.22 345

SAMSARA	0.62 435	0.47 425	0.93 396	0.70 459	0.50 448	1.15 462	1.29 481	0.79 446	0.70 424	0.77 441	0.55 375	0.92 445	0.58 421	0.87 418	0.77 417	0.19 413	0.27 425	0.18 402	0.19 412	0.27 430	0.28 397

CBMV	0.36 349	0.25 333	0.61 289	0.24 219	0.14 142	0.42 363	0.33 387	0.56 345	0.52 371	0.54 413	0.52 360	0.51 373	0.58 421	0.63 343	0.43 351	0.15 369	0.16 339	0.18 402	0.16 395	0.13 320	0.19 309
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
G-Net	0.47 405	0.26 343	1.02 409	0.34 406	0.28 408	0.89 450	0.35 393	0.47 257	0.46 317	0.68 432	1.20 453	0.64 418	0.59 423	0.61 332	0.60 398	0.16 379	0.14 299	0.17 395	0.13 359	0.22 411	0.21 334

WZ-Net	0.56 425	0.49 430	2.14 470	0.30 372	0.24 387	0.58 419	0.48 433	0.65 416	0.80 436	0.51 401	0.72 419	0.68 430	0.60 424	1.06 445	1.01 434	0.13 335	0.10 225	0.11 285	0.12 331	0.19 394	0.23 353

Consistency-Raft	0.56 425	0.52 432	1.12 421	0.45 442	0.49 447	0.48 394	0.45 426	0.73 439	0.74 432	0.45 378	0.82 432	0.46 347	0.60 424	0.51 282	0.63 405	0.39 453	0.40 454	0.44 451	0.51 462	0.53 452	0.38 439

MFN_U_SF_RVC	0.58 429	0.58 444	1.31 443	0.39 428	0.23 375	0.72 434	0.30 368	0.83 452	0.68 420	0.74 436	0.74 423	0.86 442	0.60 424	0.84 413	0.83 422	0.29 438	0.27 425	0.32 441	0.37 453	0.31 437	0.33 418

ADCL	0.50 410	0.30 365	1.15 425	0.28 351	0.19 316	0.77 440	0.64 451	0.57 354	0.73 431	0.57 420	0.73 422	0.55 385	0.60 424	0.66 358	1.53 464	0.11 278	0.10 225	0.13 343	0.13 359	0.15 350	0.16 275

anonymity	0.57 427	0.55 436	0.74 337	0.48 446	0.63 458	0.56 415	0.43 423	0.71 435	0.51 360	0.64 427	0.55 375	0.57 391	0.61 428	0.65 352	0.57 394	0.55 458	0.55 468	0.50 454	0.54 463	0.51 451	0.61 460

FINET	0.58 429	0.48 428	1.35 445	0.38 426	0.37 436	0.96 455	1.13 478	0.84 454	1.05 456	0.50 398	0.70 417	0.45 340	0.61 428	0.63 343	0.62 402	0.26 431	0.28 430	0.14 363	0.13 359	0.20 401	0.44 445

RTS	0.81 455	0.56 438	4.76 483	0.37 417	0.30 420	1.11 459	0.52 441	0.67 422	1.07 458	0.76 439	0.91 440	0.60 403	0.61 428	1.64 469	1.24 449	0.15 369	0.13 284	0.15 379	0.15 385	0.22 411	0.24 366

RTSA	0.81 455	0.56 438	4.76 483	0.37 417	0.30 420	1.11 459	0.52 441	0.67 422	1.07 458	0.76 439	0.91 440	0.60 403	0.61 428	1.64 469	1.24 449	0.15 369	0.13 284	0.15 379	0.15 385	0.22 411	0.24 366

RainbowNet	0.76 450	1.00 469	1.29 441	0.82 465	0.63 458	0.79 442	0.52 441	0.83 452	0.93 449	0.61 424	0.79 430	0.79 439	0.62 432	0.82 408	0.67 410	0.80 472	0.55 468	0.79 468	0.49 458	0.81 467	0.62 461

ADCS	0.62 435	0.56 438	1.54 456	0.30 372	0.25 398	0.56 415	0.46 429	0.71 435	0.86 442	0.77 441	0.72 419	0.68 430	0.62 432	0.82 408	2.33 479	0.17 393	0.16 339	0.16 386	0.17 405	0.23 416	0.27 391

Wz-Net-TNSev	0.55 421	0.72 452	1.90 466	0.26 292	0.21 349	0.64 428	0.45 426	0.66 420	0.71 426	0.52 404	0.55 375	0.71 436	0.63 434	1.04 443	0.94 429	0.16 379	0.15 328	0.13 343	0.15 385	0.21 407	0.24 366

AnyNet_C01	0.68 443	0.69 451	2.64 475	0.33 401	0.27 407	0.93 451	0.64 451	0.66 420	0.65 412	0.70 434	0.97 444	0.75 438	0.63 434	1.01 440	1.52 463	0.17 393	0.16 339	0.17 395	0.17 405	0.24 420	0.28 397

CSAN	0.55 421	0.47 425	1.19 435	0.37 417	0.23 375	0.57 417	0.61 449	0.65 416	0.72 428	0.65 428	0.78 427	0.66 424	0.65 436	1.41 465	0.77 417	0.21 416	0.17 358	0.20 414	0.21 418	0.18 386	0.21 334

ADCMid	0.53 418	0.45 423	1.46 450	0.27 326	0.22 364	0.51 401	0.38 409	0.61 393	0.58 392	0.75 437	0.67 411	0.62 409	0.66 437	0.66 358	1.75 469	0.13 335	0.12 267	0.17 395	0.17 405	0.20 401	0.21 334

test_sample8	0.52 416	0.21 277	0.69 319	0.18 11	0.17 263	0.36 330	0.21 229	0.57 354	0.38 230	0.63 425	0.39 254	1.16 453	0.68 438	0.70 369	1.01 434	0.24 422	1.93 486	0.28 434	0.24 432	0.18 386	0.21 334

MSC_U_SF_DS_RVC	0.70 444	0.73 454	1.26 439	0.47 445	0.28 408	1.42 473	0.60 448	0.82 450	0.94 452	0.85 445	0.86 436	0.88 444	0.70 439	1.32 462	0.75 415	0.37 449	0.30 442	0.34 445	0.36 451	0.44 447	0.42 441

SPS-STEREO	0.74 446	0.72 452	1.18 434	0.52 449	0.57 456	0.76 437	0.50 438	0.80 447	0.66 415	0.97 452	0.88 439	0.94 446	0.74 440	1.08 446	1.04 439	0.58 461	0.51 462	0.50 454	0.50 461	0.56 453	0.72 472
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PSM-AAD	0.26 245	0.11 40	0.43 88	0.24 219	0.12 63	0.27 200	0.37 401	0.36 132	0.30 137	0.36 292	0.39 254	0.28 192	0.77 441	0.30 175	0.16 75	0.07 27	0.06 43	0.12 318	0.11 292	0.09 166	0.21 334

GrayStereo	0.26 245	0.10 17	0.45 99	0.27 326	0.14 142	0.23 142	0.46 429	0.36 132	0.33 171	0.40 339	0.47 338	0.30 223	0.78 442	0.29 163	0.17 96	0.07 27	0.06 43	0.08 89	0.09 211	0.07 47	0.15 260

SANet	0.58 429	0.41 415	1.38 446	0.27 326	0.16 234	0.72 434	0.48 433	0.71 435	1.34 467	0.69 433	0.97 444	0.94 446	0.78 442	0.97 438	0.93 427	0.14 356	0.12 267	0.12 318	0.12 331	0.18 386	0.20 325

ACVNet_1	0.77 452	0.92 464	1.79 464	0.73 460	0.53 453	0.78 441	0.42 421	0.88 457	0.90 446	0.75 437	0.76 426	1.32 459	0.80 444	1.04 443	0.70 412	0.57 460	0.32 447	0.72 464	0.35 449	0.70 464	0.50 455

MFMNet_re	0.74 446	0.84 459	1.16 427	0.64 454	0.70 463	0.79 442	0.71 456	0.77 445	0.85 441	0.79 443	0.86 436	0.69 432	0.80 444	0.73 378	0.65 406	0.66 465	0.59 472	0.61 461	0.58 468	0.68 461	0.71 471

DPSNet	0.51 413	0.26 343	1.16 427	0.28 351	0.21 349	0.76 437	0.56 446	0.89 459	0.82 438	0.49 395	0.51 353	0.64 418	0.81 446	0.89 421	0.85 424	0.17 393	0.16 339	0.13 343	0.13 359	0.26 425	0.27 391

MeshStereo	0.60 432	0.31 368	0.71 331	0.22 127	0.17 263	0.66 430	0.36 399	0.81 449	0.63 409	1.48 478	1.32 458	1.65 465	0.83 447	1.18 452	0.74 414	0.17 393	0.17 358	0.17 395	0.14 375	0.17 371	0.19 309
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
PVD	0.62 435	0.41 415	0.93 396	0.44 440	0.39 440	0.63 427	0.51 440	0.86 455	1.27 466	0.93 449	1.09 448	0.81 440	0.85 448	0.89 421	0.89 425	0.21 416	0.23 404	0.22 421	0.19 412	0.28 433	0.41 440

MADNet+	1.05 461	1.26 479	4.77 485	0.73 460	0.50 448	1.25 466	0.97 469	1.05 462	0.93 449	0.67 431	0.78 427	0.87 443	0.85 448	2.14 479	1.83 471	0.40 454	0.42 457	0.32 441	0.28 443	0.45 448	0.43 443

ACVNet_2	0.94 457	0.98 468	1.71 462	0.83 466	0.63 458	1.02 457	0.64 451	1.16 465	1.43 470	1.02 454	1.39 459	1.47 462	0.86 450	1.16 451	0.79 419	0.63 464	0.43 460	0.78 467	0.49 458	0.80 466	0.57 458

EDNetEfficientorigin	7.48 490	0.57 442	139.59 508	0.25 255	0.17 263	0.44 372	0.30 368	0.48 267	1.04 455	1.29 464	1.02 446	0.82 441	0.87 451	0.76 393	1.02 437	0.10 242	0.09 198	0.12 318	0.11 292	0.22 411	0.25 377

DispFullNet	0.67 441	0.94 465	1.63 458	0.77 464	1.19 481	0.53 410	0.25 324	0.61 393	0.72 428	0.70 434	0.60 393	0.69 432	0.90 452	0.80 404	0.52 380	0.27 435	0.13 284	0.74 465	0.31 446	0.68 461	0.44 445

PWCK	1.05 461	1.29 480	2.12 469	0.92 468	0.42 444	1.27 467	1.01 471	1.14 464	1.14 464	1.16 463	1.14 451	1.25 456	0.90 452	1.77 474	1.15 445	0.89 475	0.51 462	0.87 470	0.54 463	1.02 478	0.57 458

SGM_RVC	0.57 427	0.22 295	0.60 283	0.26 292	0.16 234	0.97 456	0.46 429	0.76 444	0.90 446	1.03 456	0.92 442	1.16 453	0.93 454	1.21 454	0.72 413	0.17 393	0.16 339	0.16 386	0.16 395	0.16 358	0.24 366
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
WCMA_ROB	0.55 421	0.27 349	0.76 344	0.26 292	0.22 364	0.62 424	0.36 399	0.57 354	0.58 392	0.97 452	1.40 461	1.28 458	0.94 455	0.80 404	0.80 420	0.20 415	0.17 358	0.16 386	0.16 395	0.19 394	0.29 402

EDNetEfficient	0.64 440	0.39 410	2.52 473	0.26 292	0.26 402	0.39 348	0.49 436	0.42 204	1.06 457	1.38 467	0.86 436	0.61 406	0.97 456	0.66 358	1.62 468	0.11 278	0.10 225	0.10 234	0.12 331	0.20 401	0.19 309

IMH-64-1	0.94 457	0.95 466	1.07 415	0.98 470	0.76 465	0.93 451	0.72 457	1.30 467	1.11 461	0.91 447	1.45 462	1.14 451	1.00 457	1.25 457	0.97 431	0.77 468	0.51 462	0.97 472	0.55 466	0.90 469	0.66 467

IMH-64	0.94 457	0.95 466	1.07 415	0.98 470	0.76 465	0.93 451	0.72 457	1.30 467	1.11 461	0.91 447	1.45 462	1.14 451	1.00 457	1.25 457	0.97 431	0.77 468	0.51 462	0.97 472	0.55 466	0.90 469	0.66 467

NVStereoNet_ROB	0.74 446	0.64 449	1.20 437	0.55 451	0.43 445	0.54 414	0.48 433	0.75 442	0.87 445	0.88 446	1.72 472	1.06 450	1.03 459	1.29 459	0.98 433	0.35 447	0.42 457	0.41 450	0.48 457	0.38 445	0.43 443
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MSMD_ROB	0.63 438	0.34 387	0.70 325	0.30 372	0.25 398	0.88 449	0.35 393	0.58 367	0.67 416	1.13 460	1.52 465	1.75 468	1.05 460	0.90 424	0.60 398	0.24 422	0.22 395	0.27 428	0.27 442	0.25 421	0.27 391

LVE	1.18 467	1.16 474	1.67 460	1.04 473	0.81 472	1.32 470	0.82 465	1.49 473	1.94 474	1.08 458	1.90 475	1.89 469	1.07 461	1.51 467	1.04 439	0.96 478	0.61 473	0.94 471	0.69 474	0.92 471	0.79 477

KSHMR	1.92 481	1.47 485	1.97 467	1.48 485	1.22 482	1.39 472	1.06 473	1.81 479	5.83 489	1.43 470	5.56 489	2.95 483	1.17 462	2.24 481	1.33 457	1.29 485	1.13 484	1.47 486	1.11 485	1.37 483	1.21 485

Dean	1.22 469	1.17 475	1.97 467	1.04 473	0.79 468	1.21 464	0.76 459	1.51 474	1.96 475	1.30 466	1.98 477	2.14 473	1.18 463	1.30 460	1.15 445	0.83 473	0.61 473	1.01 475	0.69 474	0.97 476	0.77 476

IMH	1.09 464	1.04 472	1.29 441	1.03 472	0.79 468	1.11 459	0.69 454	1.40 470	1.42 469	1.02 454	1.71 471	1.42 460	1.19 464	1.78 475	1.03 438	1.14 482	0.56 471	1.00 474	0.58 468	0.93 472	0.68 469

WAO-7	1.05 461	1.00 469	1.19 435	0.83 466	0.67 462	1.22 465	0.84 466	1.43 471	1.56 471	1.13 460	1.75 473	1.46 461	1.25 465	1.56 468	1.28 451	0.61 463	0.62 476	0.70 463	0.68 473	0.66 460	0.62 461

JetBlue	1.20 468	0.89 461	2.53 474	0.59 452	0.76 465	3.16 486	2.09 487	1.16 465	0.93 449	0.95 450	1.12 450	1.65 465	1.27 466	2.15 480	1.87 472	0.43 456	0.37 453	0.38 447	0.39 455	0.62 455	0.63 463

WAO-6	1.11 465	1.01 471	1.17 433	0.96 469	0.79 468	1.30 469	0.78 461	1.36 469	1.99 476	1.04 457	1.54 467	1.59 464	1.27 466	1.37 464	1.30 452	0.78 470	0.55 468	1.03 476	0.75 477	0.87 468	0.72 472

ELAS	0.80 453	0.40 413	0.91 391	0.39 428	0.35 431	1.52 475	0.81 464	0.97 461	0.98 454	1.47 477	1.58 468	1.19 455	1.33 468	1.01 440	1.21 447	0.29 438	0.27 425	0.30 437	0.29 445	0.32 440	0.36 424
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FCDSN-DC	0.67 441	0.38 406	0.83 367	0.37 417	0.30 420	0.66 430	0.37 401	0.69 433	0.70 424	1.15 462	1.53 466	1.70 467	1.38 469	1.00 439	0.83 422	0.24 422	0.22 395	0.27 428	0.26 439	0.27 430	0.32 414
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.73 445	0.33 379	0.84 371	0.33 401	0.28 408	0.82 446	0.40 416	0.82 450	0.83 439	1.43 470	1.60 469	1.97 470	1.38 469	1.10 447	0.93 427	0.24 422	0.22 395	0.27 428	0.26 439	0.26 425	0.32 414

FC-DCNN v2	0.75 449	0.33 379	0.82 362	0.33 401	0.28 408	0.85 447	0.40 416	0.88 457	0.86 442	1.46 472	1.65 470	2.08 472	1.40 471	1.14 450	0.95 430	0.24 422	0.22 395	0.27 428	0.26 439	0.26 425	0.32 414

TorneroNet-64	1.47 470	1.15 473	1.51 454	1.11 478	0.86 475	2.27 482	0.76 459	1.84 480	3.76 483	1.29 464	2.22 481	2.68 481	1.46 472	1.81 476	1.55 465	0.79 471	0.51 462	1.10 477	0.67 472	1.31 481	0.81 478

ktn	1.80 479	1.46 484	1.49 452	1.44 484	1.14 480	1.50 474	1.07 474	1.53 476	3.90 486	2.77 485	4.62 486	3.42 484	1.49 473	1.74 472	1.40 461	1.45 486	0.77 483	1.46 485	0.99 483	1.41 485	1.00 481

WAO-8	1.50 472	1.22 477	1.39 447	1.10 476	0.85 473	2.15 479	0.78 461	1.84 480	3.76 483	1.46 472	2.18 479	2.15 474	1.50 474	3.20 486	1.35 458	0.92 476	0.66 479	1.10 477	0.79 478	0.94 473	0.74 474

Venus	1.50 472	1.22 477	1.39 447	1.10 476	0.85 473	2.15 479	0.78 461	1.84 480	3.76 483	1.46 472	2.18 479	2.15 474	1.50 474	3.20 486	1.35 458	0.92 476	0.66 479	1.10 477	0.79 478	0.94 473	0.74 474

SGM+DAISY	1.12 466	0.86 460	1.64 459	0.68 457	0.80 471	1.68 477	1.68 486	1.08 463	1.10 460	1.53 479	1.76 474	1.47 462	1.53 476	1.24 455	1.42 462	0.66 465	0.65 478	0.52 456	0.54 463	0.57 454	0.91 479

ELAS_RVC	0.80 453	0.40 413	1.10 420	0.40 432	0.35 431	0.93 451	1.10 477	0.87 456	1.12 463	1.40 468	1.39 459	1.27 457	1.55 477	1.13 448	1.13 444	0.29 438	0.27 425	0.30 437	0.28 443	0.31 437	0.36 424
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
JetRed	2.35 484	2.70 488	6.11 486	1.14 479	1.38 484	6.03 488	3.61 489	2.12 484	1.72 472	1.99 481	1.97 476	2.15 474	1.59 478	2.49 483	4.19 488	1.05 479	1.60 485	1.10 477	1.02 484	1.72 486	1.41 487

notaker	1.49 471	1.44 483	1.77 463	1.42 483	1.08 479	1.19 463	0.87 468	1.51 474	1.40 468	1.53 479	3.41 485	2.40 477	1.94 479	1.83 477	1.57 466	1.14 482	0.69 482	1.38 484	0.88 480	1.39 484	1.03 482

TorneroNet	2.26 482	1.20 476	1.55 457	1.15 480	0.91 476	5.84 487	0.84 466	2.12 484	8.45 492	2.59 484	5.32 488	3.84 486	2.15 480	1.84 478	1.98 475	0.88 474	0.54 467	1.16 481	0.74 476	1.31 481	0.91 479

UNDER WATER-64	1.61 475	1.30 481	2.93 479	1.33 481	0.96 477	2.20 481	1.25 480	1.47 472	3.15 480	1.46 472	1.31 457	2.61 480	2.22 481	1.69 471	1.93 473	1.13 481	0.67 481	1.29 482	0.94 481	1.26 479	1.09 483

UNDER WATER	1.64 477	1.34 482	2.72 477	1.40 482	1.04 478	1.70 478	1.14 479	1.57 477	3.58 481	1.46 472	1.46 464	2.82 482	2.43 482	1.74 472	2.04 476	1.08 480	0.63 477	1.31 483	0.94 481	1.29 480	1.10 484

coex-ft	3.48 486	0.81 458	48.53 506	0.24 219	0.19 316	0.53 410	0.47 432	0.49 275	2.36 478	7.18 491	1.20 453	0.96 449	2.53 483	0.75 387	2.14 477	0.13 335	0.15 328	0.14 363	0.12 331	0.22 411	0.47 449

MADNet++	2.34 483	1.81 486	2.24 472	2.15 488	1.97 486	2.79 485	2.19 488	2.42 486	2.26 477	2.79 486	2.70 483	2.43 478	2.60 484	3.18 485	3.32 484	2.19 487	1.97 488	1.93 487	1.62 487	2.02 487	2.10 488

SGM-ForestM	1.59 474	0.56 438	1.52 455	0.41 436	0.34 428	2.77 484	1.67 485	1.69 478	1.73 473	2.48 483	2.27 482	6.02 491	2.90 485	3.08 484	2.83 483	0.25 429	0.30 442	0.19 409	0.20 416	0.18 386	0.45 448

MANE	1.63 476	0.58 444	1.16 427	0.59 452	0.60 457	2.71 483	1.53 483	2.63 487	3.62 482	2.33 482	3.26 484	3.66 485	2.98 486	2.26 482	2.26 478	0.37 449	0.40 454	0.31 440	0.49 458	0.31 437	0.63 463

tt	4.71 487	0.11 40	3.94 482	2.06 487	1.54 485	10.14 494	16.85 495	9.28 495	4.99 487	1.41 469	1.05 447	4.68 487	4.89 487	3.36 488	5.86 491	5.73 493	9.15 498	2.23 489	2.51 489	3.02 489	1.34 486

LE_ROB	1.82 480	0.39 410	3.15 481	0.50 448	0.55 454	0.79 442	1.00 470	0.89 459	6.48 490	7.40 492	2.07 478	2.07 471	5.08 488	1.33 463	3.96 487	0.11 278	0.09 198	0.12 318	0.11 292	0.11 269	0.13 221

LRCNet_RVC	10.94 494	14.45 501	9.66 489	15.38 497	8.02 491	1.08 458	0.35 393	8.72 494	0.72 428	12.63 500	15.84 500	9.73 493	6.52 489	8.58 494	6.38 492	20.33 504	5.39 492	23.79 502	21.95 501	15.35 499	13.96 501

HanzoNet	3.08 485	1.87 487	2.70 476	1.81 486	1.34 483	1.60 476	1.05 472	2.06 483	2.62 479	5.63 489	5.12 487	5.96 490	7.09 490	4.39 490	3.43 485	3.29 489	2.06 490	1.98 488	2.94 491	2.47 488	2.15 489

BEATNet-Init1	4.91 488	3.27 489	14.39 498	0.69 458	0.65 461	10.19 495	3.83 490	5.04 490	5.11 488	8.73 493	8.52 491	13.95 500	7.66 491	7.79 493	5.79 490	0.32 444	0.34 451	0.34 445	0.38 454	0.64 457	0.64 465

DPSimNet_ROB	6.21 489	5.16 490	9.50 488	5.59 492	5.56 489	7.64 490	10.02 492	4.07 489	7.33 491	6.84 490	6.26 490	7.17 492	10.55 492	4.07 489	5.68 489	5.50 492	4.29 491	5.24 492	3.66 492	4.05 490	5.96 492

DPSMNet_ROB	8.44 492	5.25 492	10.87 497	5.59 492	10.27 493	8.34 491	23.51 500	6.12 493	13.47 499	4.96 488	10.94 497	5.65 489	10.55 492	6.25 492	12.77 496	4.01 491	7.62 494	3.75 491	7.27 496	4.16 492	7.54 494

DGTPSM_ROB	8.38 491	5.24 491	10.71 496	5.32 491	10.19 492	8.34 491	23.49 499	6.11 492	13.43 498	4.93 487	10.93 496	5.64 488	10.55 492	6.17 491	12.73 495	3.74 490	7.56 493	3.68 490	7.24 495	4.09 491	7.49 493

xxxxx1	15.30 497	9.78 494	10.23 493	20.34 500	19.47 499	17.10 497	23.00 496	10.36 496	11.04 494	9.25 494	9.66 492	10.74 495	10.66 495	10.60 496	13.72 499	8.14 497	9.35 499	31.88 505	44.61 505	12.63 496	13.46 498

tt_ll	15.30 497	9.78 494	10.23 493	20.34 500	19.47 499	17.10 497	23.00 496	10.36 496	11.04 494	9.25 494	9.66 492	10.74 495	10.66 495	10.60 496	13.72 499	8.14 497	9.35 499	31.88 505	44.61 505	12.63 496	13.46 498

Anonymous_1	16.44 501	9.26 493	9.67 490	10.63 494	14.54 496	18.62 501	26.98 501	12.68 499	13.53 500	10.78 499	10.37 495	10.15 494	10.66 495	10.99 499	12.64 494	15.61 503	7.73 495	16.87 500	43.01 504	56.14 507	7.86 497

ff	15.30 497	9.78 494	10.23 493	20.34 500	19.47 499	17.10 497	23.00 496	10.36 496	11.04 494	9.25 494	9.66 492	10.74 495	10.66 495	10.60 496	13.72 499	8.14 497	9.35 499	31.88 505	44.61 505	12.63 496	13.46 498

DPSM_ROB	11.46 495	9.79 497	10.18 491	11.11 495	11.31 494	19.08 502	27.38 502	13.42 500	14.23 501	10.34 497	11.13 498	10.97 498	11.33 499	11.89 500	13.49 497	6.74 495	8.19 496	6.00 494	7.05 493	7.74 493	7.76 495

DPSM	11.46 495	9.79 497	10.18 491	11.11 495	11.31 494	19.08 502	27.38 502	13.42 500	14.23 501	10.34 497	11.13 498	10.97 498	11.33 499	11.89 500	13.49 497	6.74 495	8.19 496	6.00 494	7.05 493	7.74 493	7.76 495

PML	15.86 500	13.12 500	7.07 487	5.22 490	7.66 490	32.93 504	64.30 507	5.37 491	10.12 493	25.87 506	67.29 507	20.25 502	13.20 501	10.09 495	6.81 493	5.94 494	2.00 489	6.03 496	2.18 488	9.13 495	2.62 491

HaxPig	17.72 502	20.23 505	19.76 499	16.55 498	16.52 497	9.46 493	9.42 491	14.48 502	13.31 497	18.59 501	18.67 501	17.39 501	16.68 502	17.07 502	16.43 502	21.99 505	20.86 505	22.28 501	21.55 500	21.30 503	21.88 505

MEDIAN_ROB	21.20 503	24.56 506	23.42 504	19.57 499	19.62 502	13.29 496	11.21 493	18.04 503	17.02 503	22.07 505	21.92 502	20.84 503	20.24 503	21.02 503	19.68 503	25.59 506	24.08 506	26.20 503	25.19 502	25.31 504	25.19 506

CasAABBNet	23.04 504	19.69 502	20.32 500	22.42 503	22.73 503	38.35 505	55.23 506	26.99 505	28.74 506	20.67 503	22.28 504	22.11 504	22.86 504	23.84 504	27.17 506	13.52 500	16.47 503	12.08 497	14.21 498	15.57 500	15.60 502

LSM0	24.21 506	19.88 504	22.33 503	24.42 505	40.13 507	38.41 506	54.99 504	27.05 506	28.61 505	20.59 502	22.00 503	22.29 506	22.86 504	24.12 506	27.16 505	13.59 502	16.33 502	12.13 499	14.08 497	15.72 502	17.53 504

Selective-RAFT-Error	23.11 505	19.77 503	20.60 502	22.49 504	22.80 504	38.46 507	55.19 505	27.13 507	28.90 507	20.73 504	22.38 505	22.11 504	22.91 506	23.94 505	27.18 507	13.54 501	16.57 504	12.09 498	14.21 498	15.61 501	15.65 503

AVERAGE_ROB	25.43 507	29.01 507	27.22 505	24.60 506	24.16 506	17.78 500	12.87 494	22.39 504	21.40 504	26.72 507	26.08 506	25.18 507	24.52 507	25.07 507	23.57 504	29.94 507	28.36 507	30.60 504	29.57 503	29.83 505	29.66 507

test_example2	100.95 508	107.33 508	67.16 507	98.17 507	106.88 508	89.44 508	101.34 508	37.23 508	97.88 508	129.56 508	131.26 508	65.41 508	67.34 508	91.22 508	79.29 508	143.32 508	199.32 508	81.12 508	102.17 508	121.89 508	101.70 508

ccccc		256.25 509		351.50 509	361.31 509	144.22 509		153.19 509		152.98 509		161.94 509		268.06 509		387.64 509	346.97 509	244.11 509	219.32 509	413.57 509

Low-res two-view benchmark