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

MLG-Stereo_test2	0.06 1	0.04 1	0.10 109	0.15 70	0.05 1	0.07 29	0.11 46	0.09 11	0.04 2	0.06 9	0.05 7	0.06 16	0.04 1	0.08 15	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

MLG-Stereo_test1	0.06 1	0.05 18	0.08 30	0.17 217	0.05 1	0.06 9	0.11 46	0.08 4	0.03 1	0.05 1	0.04 1	0.06 16	0.05 11	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

FoundationStereo	0.06 1	0.04 1	0.08 30	0.12 4	0.05 1	0.09 81	0.13 104	0.06 1	0.09 23	0.05 1	0.05 7	0.06 16	0.04 1	0.06 1	0.07 1	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AdaDepth	0.07 4	0.06 57	0.07 6	0.18 299	0.06 13	0.11 173	0.12 63	0.09 11	0.07 8	0.06 9	0.05 7	0.07 62	0.06 36	0.09 33	0.10 123	0.04 11	0.05 183	0.05 23	0.04 34	0.04 15	0.04 40

asda	0.07 4	0.08 237	0.08 30	0.16 143	0.06 13	0.06 9	0.10 27	0.16 133	0.10 36	0.06 9	0.06 13	0.05 1	0.05 11	0.10 62	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

asd	0.07 4	0.08 237	0.07 6	0.16 143	0.07 71	0.08 52	0.08 7	0.11 29	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.10 62	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

qwe	0.07 4	0.08 237	0.07 6	0.15 70	0.06 13	0.07 29	0.10 27	0.18 198	0.11 62	0.07 30	0.07 38	0.06 16	0.06 36	0.10 62	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.25w	0.07 4	0.06 57	0.07 6	0.14 30	0.06 13	0.08 52	0.08 7	0.10 18	0.15 160	0.08 63	0.10 118	0.07 62	0.06 36	0.08 15	0.10 123	0.05 27	0.03 1	0.04 1	0.04 34	0.03 1	0.04 40

4.25_new	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5w_new	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5_new	0.07 4	0.09 313	0.08 30	0.15 70	0.07 71	0.06 9	0.10 27	0.14 76	0.11 62	0.06 9	0.08 71	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.5w-stereo	0.07 4	0.09 313	0.08 30	0.15 70	0.07 71	0.06 9	0.10 27	0.14 76	0.11 62	0.06 9	0.08 71	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.25w-stereo	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4w-stereo	0.07 4	0.08 237	0.08 30	0.16 143	0.06 13	0.07 29	0.08 7	0.12 44	0.08 12	0.07 30	0.07 38	0.05 1	0.06 36	0.09 33	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.5w	0.07 4	0.07 140	0.07 6	0.16 143	0.06 13	0.08 52	0.12 63	0.10 18	0.10 36	0.07 30	0.06 13	0.09 124	0.06 36	0.08 15	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 140	0.07 6	0.13 13	0.06 13	0.08 52	0.08 7	0.18 198	0.12 88	0.07 30	0.08 71	0.06 16	0.06 36	0.09 33	0.11 188	0.04 11	0.04 21	0.04 1	0.03 1	0.03 1	0.04 40

3.25w_new	0.07 4	0.06 57	0.07 6	0.15 70	0.06 13	0.10 128	0.07 3	0.12 44	0.11 62	0.08 63	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 57	0.07 6	0.15 70	0.06 13	0.10 128	0.07 3	0.12 44	0.11 62	0.08 63	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 140	0.08 30	0.16 143	0.07 71	0.07 29	0.09 18	0.16 133	0.09 23	0.07 30	0.06 13	0.05 1	0.06 36	0.09 33	0.10 123	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 4	0.07 140	0.07 6	0.15 70	0.07 71	0.09 81	0.06 1	0.13 60	0.11 62	0.07 30	0.07 38	0.06 16	0.07 107	0.10 62	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 57	0.07 6	0.16 143	0.06 13	0.07 29	0.10 27	0.14 76	0.14 143	0.07 30	0.08 71	0.05 1	0.06 36	0.09 33	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 40

monsterstereo	0.07 4	0.06 57	0.06 2	0.16 143	0.06 13	0.08 52	0.10 27	0.16 133	0.11 62	0.07 30	0.08 71	0.06 16	0.07 107	0.08 15	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.03 1	0.03 1

monsters	0.07 4	0.06 57	0.06 2	0.15 70	0.06 13	0.08 52	0.09 18	0.12 44	0.08 12	0.09 93	0.07 38	0.06 16	0.06 36	0.08 15	0.08 17	0.05 27	0.04 21	0.04 1	0.04 34	0.03 1	0.03 1

IGEV	0.07 4	0.04 1	0.08 30	0.13 13	0.06 13	0.09 81	0.12 63	0.14 76	0.10 36	0.06 9	0.09 89	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

111111	0.07 4	0.04 1	0.09 72	0.17 217	0.06 13	0.05 4	0.10 27	0.11 29	0.09 23	0.06 9	0.06 13	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.07 258	0.06 200

LG-Stereo_L2	0.07 4	0.05 18	0.10 109	0.14 30	0.06 13	0.07 29	0.12 63	0.09 11	0.09 23	0.06 9	0.04 1	0.05 1	0.05 11	0.08 15	0.08 17	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

LG-Stereo_L1	0.07 4	0.05 18	0.11 150	0.14 30	0.06 13	0.07 29	0.13 104	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 15	0.07 1	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo_test3	0.07 4	0.05 18	0.10 109	0.14 30	0.06 13	0.07 29	0.11 46	0.08 4	0.06 4	0.06 9	0.04 1	0.06 16	0.06 36	0.07 4	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.06 200

MLG-Stereo	0.07 4	0.05 18	0.08 30	0.17 217	0.05 1	0.07 29	0.11 46	0.08 4	0.04 2	0.05 1	0.04 1	0.06 16	0.05 11	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

LG-G_1	0.07 4	0.04 1	0.11 150	0.15 70	0.06 13	0.09 81	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 107	0.11 108	0.08 17	0.07 240	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LG-G	0.07 4	0.04 1	0.11 150	0.15 70	0.06 13	0.09 81	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 107	0.11 108	0.08 17	0.07 240	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LGtest1	0.07 4	0.04 1	0.10 109	0.15 70	0.06 13	0.07 29	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 16	0.06 36	0.10 62	0.09 54	0.07 240	0.04 21	0.05 23	0.04 34	0.06 192	0.06 200

LG-Stereo_Zeroshot	0.07 4	0.06 57	0.10 109	0.16 143	0.07 71	0.04 1	0.13 104	0.10 18	0.10 36	0.05 1	0.11 148	0.07 62	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

GREAT-IGEV	0.07 4	0.06 57	0.08 30	0.13 13	0.07 71	0.07 29	0.14 152	0.09 11	0.09 23	0.06 9	0.07 38	0.06 16	0.05 11	0.10 62	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

StereoAnything_RVC	0.07 4	0.15 466	0.17 378	0.11 1	0.05 1	0.05 4	0.11 46	0.08 4	0.08 12	0.06 9	0.06 13	0.05 1	0.05 11	0.09 33	0.08 17	0.08 301	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AIO_rvc	0.07 4	0.06 57	0.08 30	0.15 70	0.06 13	0.08 52	0.14 152	0.09 11	0.08 12	0.07 30	0.08 71	0.07 62	0.04 1	0.10 62	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

AIO_test	0.07 4	0.05 18	0.07 6	0.15 70	0.07 71	0.06 9	0.14 152	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.05 11	0.08 15	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

MonSter	0.07 4	0.06 57	0.05 1	0.15 70	0.05 1	0.07 29	0.10 27	0.15 107	0.15 160	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

DEFOM-Stereo	0.07 4	0.05 18	0.07 6	0.14 30	0.06 13	0.10 128	0.13 104	0.07 2	0.13 119	0.06 9	0.07 38	0.06 16	0.05 11	0.10 62	0.09 54	0.04 11	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

dual_stereo	0.07 4	0.04 1	0.08 30	0.15 70	0.05 1	0.05 4	0.13 104	0.12 44	0.08 12	0.07 30	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

IGEV-Stereo++	0.07 4	0.06 57	0.08 30	0.18 299	0.06 13	0.04 1	0.10 27	0.11 29	0.11 62	0.06 9	0.07 38	0.07 62	0.06 36	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

IGEV-Stereo+	0.07 4	0.04 1	0.08 30	0.15 70	0.06 13	0.04 1	0.09 18	0.10 18	0.09 23	0.06 9	0.06 13	0.06 16	0.06 36	0.06 1	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.06 192	0.06 200

Selective-IGEV	0.07 4	0.06 57	0.08 30	0.17 217	0.06 13	0.08 52	0.12 63	0.13 60	0.07 8	0.08 63	0.07 38	0.06 16	0.04 1	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

zero-FE	0.08 44	0.04 1	0.09 72	0.15 70	0.10 341	0.05 4	0.14 152	0.09 11	0.14 143	0.07 30	0.06 13	0.07 62	0.06 36	0.09 33	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.08 321	0.05 121

GASTEREO	0.08 44	0.05 18	0.09 72	0.19 356	0.07 71	0.07 29	0.12 63	0.14 76	0.11 62	0.10 126	0.09 89	0.07 62	0.04 1	0.12 190	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.04 15	0.05 121

MSCF	0.08 44	0.05 18	0.08 30	0.19 356	0.08 127	0.06 9	0.12 63	0.14 76	0.11 62	0.10 126	0.09 89	0.07 62	0.04 1	0.11 108	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

S2M2_XL	0.08 44	0.06 57	0.12 185	0.12 4	0.08 127	0.09 81	0.09 18	0.07 2	0.07 8	0.08 63	0.07 38	0.07 62	0.06 36	0.09 33	0.09 54	0.08 301	0.06 308	0.07 195	0.05 108	0.08 321	0.06 200

3w_stereo	0.08 44	0.09 313	0.10 109	0.17 217	0.07 71	0.08 52	0.10 27	0.20 230	0.13 119	0.06 9	0.07 38	0.05 1	0.06 36	0.08 15	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

2w_stereo	0.08 44	0.08 237	0.09 72	0.16 143	0.06 13	0.08 52	0.10 27	0.20 230	0.15 160	0.08 63	0.07 38	0.06 16	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

LG-Stereo	0.08 44	0.07 140	0.10 109	0.18 299	0.07 71	0.10 128	0.17 319	0.11 29	0.08 12	0.05 1	0.07 38	0.05 1	0.07 107	0.09 33	0.09 54	0.04 11	0.05 183	0.07 195	0.07 273	0.04 15	0.04 40

SGD-Stereo	0.08 44	0.05 18	0.10 109	0.14 30	0.05 1	0.12 208	0.12 63	0.11 29	0.12 88	0.07 30	0.09 89	0.09 124	0.09 168	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.03 1

HART	0.08 44	0.07 140	0.09 72	0.17 217	0.07 71	0.10 128	0.16 285	0.13 60	0.11 62	0.08 63	0.10 118	0.07 62	0.05 11	0.10 62	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.05 100	0.04 40

Reg-Stereo(zero)	0.08 44	0.05 18	0.08 30	0.16 143	0.06 13	0.12 208	0.11 46	0.15 107	0.10 36	0.12 193	0.09 89	0.10 155	0.08 142	0.11 108	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

SCV_C0	0.08 44	0.07 140	0.07 6	0.16 143	0.09 239	0.08 52	0.15 220	0.11 29	0.12 88	0.08 63	0.07 38	0.06 16	0.05 11	0.11 108	0.07 1	0.05 27	0.05 183	0.05 23	0.04 34	0.06 192	0.05 121

SCV	0.08 44	0.09 313	0.08 30	0.15 70	0.08 127	0.10 128	0.13 104	0.10 18	0.12 88	0.07 30	0.07 38	0.06 16	0.04 1	0.09 33	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.06 192	0.04 40

DEFOM-Stereo_RVC	0.08 44	0.06 57	0.09 72	0.22 455	0.06 13	0.08 52	0.12 63	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.05 11	0.11 108	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.04 40

HUF	0.08 44	0.05 18	0.08 30	0.14 30	0.06 13	0.09 81	0.13 104	0.13 60	0.13 119	0.07 30	0.07 38	0.08 99	0.06 36	0.10 62	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

castereo++	0.08 44	0.05 18	0.08 30	0.15 70	0.05 1	0.14 279	0.12 63	0.11 29	0.15 160	0.07 30	0.07 38	0.07 62	0.06 36	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

IGEV-RUCA	0.08 44	0.06 57	0.11 150	0.14 30	0.09 239	0.10 128	0.12 63	0.10 18	0.12 88	0.06 9	0.07 38	0.07 62	0.06 36	0.09 33	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.06 200

GIP-stereo	0.08 44	0.06 57	0.11 150	0.14 30	0.06 13	0.09 81	0.13 104	0.14 76	0.11 62	0.07 30	0.08 71	0.05 1	0.04 1	0.10 62	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

SMoEStereo_RVC	0.08 44	0.06 57	0.12 185	0.16 143	0.07 71	0.09 81	0.14 152	0.11 29	0.13 119	0.09 93	0.07 38	0.07 62	0.07 107	0.12 190	0.10 123	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

WCG-NET	0.08 44	0.05 18	0.09 72	0.15 70	0.06 13	0.11 173	0.14 152	0.13 60	0.13 119	0.06 9	0.09 89	0.07 62	0.06 36	0.13 235	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

Occ-G	0.08 44	0.05 18	0.06 2	0.14 30	0.07 71	0.08 52	0.14 152	0.13 60	0.15 160	0.07 30	0.11 148	0.07 62	0.05 11	0.09 33	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

U	0.08 44	0.07 140	0.09 72	0.19 356	0.10 341	0.10 128	0.13 104	0.12 44	0.17 206	0.07 30	0.07 38	0.06 16	0.05 11	0.07 4	0.08 17	0.06 114	0.04 21	0.06 102	0.04 34	0.06 192	0.05 121

AIO-Stereo	0.08 44	0.06 57	0.09 72	0.18 299	0.06 13	0.08 52	0.12 63	0.15 107	0.09 23	0.08 63	0.08 71	0.07 62	0.05 11	0.11 108	0.08 17	0.05 27	0.05 183	0.05 23	0.04 34	0.04 15	0.04 40

WCG-NET（raft）	0.08 44	0.05 18	0.10 109	0.15 70	0.06 13	0.11 173	0.13 104	0.15 107	0.12 88	0.08 63	0.07 38	0.06 16	0.06 36	0.13 235	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RSM++	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.09 81	0.12 63	0.11 29	0.11 62	0.08 63	0.06 13	0.07 62	0.05 11	0.10 62	0.09 54	0.04 11	0.04 21	0.06 102	0.05 108	0.05 100	0.03 1

RSM	0.08 44	0.06 57	0.09 72	0.17 217	0.06 13	0.08 52	0.12 63	0.12 44	0.10 36	0.08 63	0.07 38	0.06 16	0.05 11	0.11 108	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

trnet	0.08 44	0.05 18	0.07 6	0.12 4	0.05 1	0.12 208	0.11 46	0.13 60	0.10 36	0.08 63	0.13 175	0.09 124	0.08 142	0.11 108	0.10 123	0.08 301	0.05 183	0.05 23	0.03 1	0.06 192	0.05 121

MoCha-V2	0.08 44	0.05 18	0.10 109	0.20 411	0.07 71	0.09 81	0.14 152	0.11 29	0.08 12	0.07 30	0.08 71	0.07 62	0.06 36	0.09 33	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

IGEV++	0.08 44	0.06 57	0.08 30	0.18 299	0.07 71	0.09 81	0.13 104	0.10 18	0.09 23	0.08 63	0.08 71	0.06 16	0.06 36	0.13 235	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

testlalala	0.08 44	0.07 140	0.17 378	0.16 143	0.08 127	0.09 81	0.12 63	0.15 107	0.10 36	0.07 30	0.09 89	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

AEACV	0.08 44	0.05 18	0.08 30	0.14 30	0.13 444	0.14 279	0.13 104	0.14 76	0.09 23	0.07 30	0.09 89	0.07 62	0.08 142	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

LoS_RVC	0.08 44	0.05 18	0.07 6	0.15 70	0.07 71	0.08 52	0.15 220	0.11 29	0.10 36	0.08 63	0.09 89	0.06 16	0.09 168	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

CAS	0.08 44	0.04 1	0.07 6	0.17 217	0.08 127	0.10 128	0.13 104	0.12 44	0.09 23	0.09 93	0.10 118	0.08 99	0.06 36	0.09 33	0.08 17	0.08 301	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

CES	0.08 44	0.04 1	0.08 30	0.14 30	0.07 71	0.09 81	0.14 152	0.11 29	0.09 23	0.08 63	0.09 89	0.11 176	0.06 36	0.12 190	0.08 17	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

EGLCR-Stereo	0.08 44	0.05 18	0.08 30	0.14 30	0.06 13	0.10 128	0.12 63	0.11 29	0.16 187	0.06 9	0.05 7	0.07 62	0.05 11	0.10 62	0.11 188	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

MC-Stereo	0.08 44	0.06 57	0.09 72	0.17 217	0.06 13	0.10 128	0.14 152	0.12 44	0.10 36	0.09 93	0.12 161	0.09 124	0.06 36	0.11 108	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

test-3	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.07 29	0.14 152	0.12 44	0.15 160	0.09 93	0.08 71	0.07 62	0.08 142	0.11 108	0.10 123	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.04 40

test_1	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.07 29	0.14 152	0.12 44	0.15 160	0.09 93	0.08 71	0.07 62	0.08 142	0.11 108	0.10 123	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.04 40

CREStereo++_RVC	0.08 44	0.04 1	0.06 2	0.13 13	0.07 71	0.09 81	0.12 63	0.14 76	0.14 143	0.10 126	0.14 189	0.08 99	0.07 107	0.09 33	0.11 188	0.06 114	0.04 21	0.05 23	0.05 108	0.04 15	0.04 40
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
water-stereo	0.09 82	0.06 57	0.08 30	0.16 143	0.07 71	0.09 81	0.13 104	0.15 107	0.13 119	0.11 155	0.12 161	0.08 99	0.09 168	0.07 4	0.08 17	0.06 114	0.05 183	0.05 23	0.05 108	0.04 15	0.04 40

depthmonostereo	0.09 82	0.06 57	0.09 72	0.15 70	0.06 13	0.10 128	0.13 104	0.14 76	0.14 143	0.10 126	0.10 118	0.09 124	0.11 225	0.08 15	0.09 54	0.06 114	0.05 183	0.06 102	0.04 34	0.04 15	0.03 1

DilatedVolume-Stereo	0.09 82	0.05 18	0.08 30	0.15 70	0.06 13	0.11 173	0.12 63	0.14 76	0.16 187	0.11 155	0.11 148	0.09 124	0.09 168	0.11 108	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.03 1	0.03 1

S2M2	0.09 82	0.08 237	0.11 150	0.13 13	0.10 341	0.08 52	0.06 1	0.10 18	0.10 36	0.10 126	0.09 89	0.10 155	0.09 168	0.11 108	0.11 188	0.13 478	0.07 380	0.08 279	0.09 384	0.10 415	0.08 344

MM-Stereo_test2	0.09 82	0.06 57	0.09 72	0.19 356	0.08 127	0.12 208	0.18 364	0.15 107	0.14 143	0.07 30	0.10 118	0.07 62	0.06 36	0.12 190	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.03 1

castereo	0.09 82	0.06 57	0.11 150	0.15 70	0.06 13	0.11 173	0.15 220	0.14 76	0.18 232	0.08 63	0.10 118	0.11 176	0.08 142	0.09 33	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

fffft	0.09 82	0.06 57	0.12 185	0.16 143	0.07 71	0.09 81	0.17 319	0.12 44	0.11 62	0.08 63	0.07 38	0.09 124	0.06 36	0.11 108	0.12 237	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.05 121
1: 1. 1
tt45	0.09 82	0.06 57	0.11 150	0.15 70	0.07 71	0.11 173	0.16 285	0.13 60	0.11 62	0.09 93	0.06 13	0.08 99	0.06 36	0.13 235	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

999	0.09 82	0.05 18	0.13 230	0.15 70	0.08 127	0.10 128	0.14 152	0.15 107	0.11 62	0.10 126	0.08 71	0.08 99	0.08 142	0.16 317	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.05 121

mms	0.09 82	0.07 140	0.08 30	0.16 143	0.08 127	0.10 128	0.16 285	0.12 44	0.11 62	0.08 63	0.09 89	0.08 99	0.06 36	0.11 108	0.12 237	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.03 1

ours_stereo	0.09 82	0.07 140	0.09 72	0.17 217	0.08 127	0.11 173	0.16 285	0.11 29	0.12 88	0.08 63	0.10 118	0.08 99	0.06 36	0.12 190	0.12 237	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.03 1

fffy	0.09 82	0.08 237	0.09 72	0.16 143	0.07 71	0.13 247	0.17 319	0.13 60	0.12 88	0.08 63	0.09 89	0.08 99	0.09 168	0.13 235	0.11 188	0.05 27	0.05 183	0.07 195	0.05 108	0.04 15	0.05 121

PAM_32	0.09 82	0.05 18	0.17 378	0.15 70	0.08 127	0.10 128	0.15 220	0.14 76	0.15 160	0.09 93	0.08 71	0.09 124	0.07 107	0.14 261	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.06 200

UGAM-zero	0.09 82	0.05 18	0.15 316	0.15 70	0.08 127	0.09 81	0.13 104	0.19 219	0.15 160	0.11 155	0.15 206	0.07 62	0.07 107	0.09 33	0.09 54	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

GCAP-BAT	0.09 82	0.07 140	0.14 265	0.15 70	0.08 127	0.10 128	0.13 104	0.14 76	0.10 36	0.11 155	0.10 118	0.08 99	0.07 107	0.12 190	0.10 123	0.06 114	0.05 183	0.06 102	0.04 34	0.04 15	0.04 40

Pointernet	0.09 82	0.04 1	0.09 72	0.16 143	0.08 127	0.13 247	0.10 27	0.15 107	0.17 206	0.09 93	0.07 38	0.06 16	0.06 36	0.11 108	0.09 54	0.08 301	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

IGEV-BASED-STEREO-	0.09 82	0.10 371	0.31 484	0.15 70	0.06 13	0.08 52	0.14 152	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.04 1	0.11 108	0.07 1	0.12 455	0.04 21	0.07 195	0.05 108	0.05 100	0.05 121

RAFT-Stereo-weight	0.09 82	0.06 57	0.10 109	0.16 143	0.07 71	0.09 81	0.14 152	0.19 219	0.16 187	0.11 155	0.10 118	0.08 99	0.06 36	0.10 62	0.11 188	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

gcap-zeroshot	0.09 82	0.05 18	0.10 109	0.16 143	0.07 71	0.13 247	0.13 104	0.11 29	0.12 88	0.13 220	0.12 161	0.09 124	0.08 142	0.09 33	0.09 54	0.06 114	0.05 183	0.06 102	0.05 108	0.04 15	0.04 40

test_for_model	0.09 82	0.12 415	0.14 265	0.23 476	0.11 390	0.08 52	0.13 104	0.12 44	0.12 88	0.10 126	0.07 38	0.07 62	0.06 36	0.11 108	0.10 123	0.06 114	0.05 183	0.05 23	0.03 1	0.07 258	0.04 40

MGS-Stereo	0.09 82	0.07 140	0.12 185	0.15 70	0.08 127	0.09 81	0.15 220	0.12 44	0.12 88	0.07 30	0.10 118	0.08 99	0.06 36	0.10 62	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

ff7	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

IGEVStereo-DCA	0.09 82	0.06 57	0.11 150	0.15 70	0.10 341	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.08 17	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

ffff	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

rrr	0.09 82	0.06 57	0.12 185	0.15 70	0.10 341	0.11 173	0.16 285	0.16 133	0.15 160	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.08 17	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

11t	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

MaDis-Stereo	0.09 82	0.09 313	0.08 30	0.17 217	0.09 239	0.13 247	0.10 27	0.16 133	0.16 187	0.09 93	0.11 148	0.06 16	0.06 36	0.09 33	0.13 278	0.07 240	0.06 308	0.07 195	0.05 108	0.05 100	0.04 40

IGEV_Zeroshot_test	0.09 82	0.05 18	0.12 185	0.13 13	0.08 127	0.12 208	0.13 104	0.17 169	0.11 62	0.10 126	0.06 13	0.09 124	0.06 36	0.11 108	0.09 54	0.06 114	0.04 21	0.06 102	0.06 186	0.05 100	0.05 121

MSKI-zero shot	0.09 82	0.05 18	0.09 72	0.15 70	0.07 71	0.10 128	0.13 104	0.14 76	0.13 119	0.09 93	0.09 89	0.09 124	0.06 36	0.12 190	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

UniTT-Stereo	0.09 82	0.07 140	0.08 30	0.18 299	0.08 127	0.13 247	0.11 46	0.12 44	0.11 62	0.10 126	0.12 161	0.05 1	0.07 107	0.09 33	0.09 54	0.07 240	0.05 183	0.05 23	0.05 108	0.05 100	0.05 121

MIM_Stereo	0.09 82	0.07 140	0.11 150	0.15 70	0.07 71	0.06 9	0.12 63	0.20 230	0.14 143	0.13 220	0.13 175	0.09 124	0.05 11	0.12 190	0.08 17	0.05 27	0.06 308	0.07 195	0.06 186	0.06 192	0.05 121

CASnet	0.09 82	0.09 313	0.09 72	0.19 356	0.06 13	0.07 29	0.11 46	0.18 198	0.14 143	0.11 155	0.10 118	0.09 124	0.07 107	0.10 62	0.10 123	0.06 114	0.04 21	0.10 408	0.08 338	0.05 100	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 82	0.07 140	0.13 230	0.18 299	0.06 13	0.11 173	0.07 3	0.13 60	0.12 88	0.09 93	0.10 118	0.07 62	0.09 168	0.13 235	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.04 15	0.05 121

RAFT-Test	0.09 82	0.06 57	0.10 109	0.15 70	0.07 71	0.11 173	0.15 220	0.16 133	0.13 119	0.09 93	0.10 118	0.10 155	0.09 168	0.12 190	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

HH	0.09 82	0.06 57	0.13 230	0.17 217	0.08 127	0.10 128	0.16 285	0.14 76	0.10 36	0.08 63	0.09 89	0.08 99	0.07 107	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

HanStereo	0.09 82	0.06 57	0.13 230	0.17 217	0.08 127	0.10 128	0.16 285	0.14 76	0.10 36	0.08 63	0.09 89	0.08 99	0.07 107	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

4D-IteraStereo	0.09 82	0.07 140	0.10 109	0.18 299	0.07 71	0.09 81	0.15 220	0.17 169	0.15 160	0.10 126	0.11 148	0.10 155	0.07 107	0.11 108	0.09 54	0.05 27	0.03 1	0.08 279	0.07 273	0.06 192	0.05 121

anonymousdsp	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.09 93	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

LoS	0.09 82	0.05 18	0.11 150	0.13 13	0.07 71	0.14 279	0.11 46	0.15 107	0.15 160	0.09 93	0.09 89	0.12 193	0.09 168	0.15 283	0.10 123	0.07 240	0.05 183	0.05 23	0.03 1	0.05 100	0.05 121
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 82	0.07 140	0.10 109	0.17 217	0.08 127	0.10 128	0.15 220	0.15 107	0.12 88	0.09 93	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.06 200

RCA-Stereo	0.09 82	0.06 57	0.09 72	0.16 143	0.06 13	0.09 81	0.13 104	0.18 198	0.14 143	0.09 93	0.10 118	0.08 99	0.07 107	0.12 190	0.11 188	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

CroCo-Stereo Lap2	0.09 82	0.09 313	0.08 30	0.22 455	0.09 239	0.09 81	0.19 403	0.16 133	0.12 88	0.09 93	0.10 118	0.05 1	0.05 11	0.08 15	0.08 17	0.06 114	0.06 308	0.07 195	0.05 108	0.05 100	0.05 121

ccc-4	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

IGEV-Stereo	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.09 93	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 82	0.05 18	0.13 230	0.14 30	0.08 127	0.12 208	0.15 220	0.18 198	0.10 36	0.11 155	0.08 71	0.08 99	0.05 11	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

TRStereo	0.09 82	0.05 18	0.12 185	0.15 70	0.12 421	0.10 128	0.13 104	0.18 198	0.18 232	0.09 93	0.09 89	0.09 124	0.06 36	0.10 62	0.08 17	0.07 240	0.05 183	0.07 195	0.07 273	0.04 15	0.04 40

AnonymousM	0.09 82	0.05 18	0.10 109	0.14 30	0.06 13	0.09 81	0.13 104	0.19 219	0.14 143	0.13 220	0.11 148	0.09 124	0.08 142	0.13 235	0.10 123	0.08 301	0.05 183	0.08 279	0.05 108	0.05 100	0.05 121

CroCo-Stereo	0.09 82	0.08 237	0.08 30	0.22 455	0.09 239	0.09 81	0.19 403	0.15 107	0.12 88	0.07 30	0.07 38	0.08 99	0.06 36	0.08 15	0.07 1	0.07 240	0.05 183	0.06 102	0.04 34	0.05 100	0.04 40
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
s12784h	0.09 82	0.06 57	0.07 6	0.15 70	0.05 1	0.16 335	0.18 364	0.15 107	0.15 160	0.10 126	0.11 148	0.11 176	0.11 225	0.10 62	0.12 237	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

TANstereo	0.09 82	0.04 1	0.08 30	0.13 13	0.06 13	0.11 173	0.14 152	0.15 107	0.19 247	0.11 155	0.15 206	0.10 155	0.06 36	0.12 190	0.09 54	0.07 240	0.05 183	0.05 23	0.04 34	0.06 192	0.05 121

XX-TBD	0.09 82	0.06 57	0.07 6	0.14 30	0.07 71	0.12 208	0.16 285	0.14 76	0.13 119	0.11 155	0.12 161	0.09 124	0.08 142	0.10 62	0.10 123	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

raftrobust	0.09 82	0.06 57	0.10 109	0.17 217	0.08 127	0.09 81	0.10 27	0.18 198	0.16 187	0.10 126	0.09 89	0.12 193	0.07 107	0.12 190	0.10 123	0.08 301	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

XX-Stereo	0.09 82	0.05 18	0.08 30	0.17 217	0.09 239	0.15 305	0.12 63	0.20 230	0.10 36	0.10 126	0.14 189	0.07 62	0.06 36	0.12 190	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.04 15	0.04 40

test_xeample3	0.09 82	0.06 57	0.12 185	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.13 119	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

RAFT-Stereo + iAFF	0.09 82	0.06 57	0.10 109	0.17 217	0.06 13	0.10 128	0.16 285	0.17 169	0.14 143	0.09 93	0.10 118	0.08 99	0.09 168	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.06 186	0.04 15	0.03 1

AFF-stereo	0.09 82	0.06 57	0.10 109	0.17 217	0.07 71	0.10 128	0.16 285	0.17 169	0.09 23	0.10 126	0.12 161	0.09 124	0.09 168	0.12 190	0.09 54	0.05 27	0.04 21	0.07 195	0.07 273	0.04 15	0.03 1

EAI-Stereo	0.09 82	0.07 140	0.11 150	0.15 70	0.06 13	0.10 128	0.15 220	0.16 133	0.09 23	0.08 63	0.09 89	0.08 99	0.07 107	0.09 33	0.11 188	0.05 27	0.04 21	0.05 23	0.05 108	0.05 100	0.04 40

CFNet-RSSM	0.09 82	0.07 140	0.09 72	0.16 143	0.07 71	0.09 81	0.15 220	0.16 133	0.17 206	0.08 63	0.12 161	0.10 155	0.09 168	0.11 108	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

Gwc-CoAtRS	0.09 82	0.06 57	0.10 109	0.16 143	0.07 71	0.10 128	0.14 152	0.17 169	0.17 206	0.08 63	0.10 118	0.12 193	0.09 168	0.12 190	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

CREStereo	0.09 82	0.04 1	0.08 30	0.11 1	0.06 13	0.13 247	0.14 152	0.14 76	0.10 36	0.08 63	0.13 175	0.09 124	0.08 142	0.11 108	0.10 123	0.08 301	0.04 21	0.05 23	0.03 1	0.06 192	0.06 200
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 82	0.05 18	0.09 72	0.12 4	0.06 13	0.12 208	0.14 152	0.15 107	0.11 62	0.09 93	0.13 175	0.10 155	0.07 107	0.13 235	0.10 123	0.15 495	0.04 21	0.05 23	0.03 1	0.07 258	0.06 200

MM-Stereo_test3	0.10 143	0.07 140	0.07 6	0.18 299	0.07 71	0.12 208	0.19 403	0.24 317	0.19 247	0.06 9	0.10 118	0.08 99	0.06 36	0.11 108	0.08 17	0.06 114	0.06 308	0.07 195	0.05 108	0.05 100	0.04 40

MM-Stereo_test1	0.10 143	0.07 140	0.08 30	0.18 299	0.07 71	0.12 208	0.18 364	0.21 253	0.20 270	0.09 93	0.11 148	0.08 99	0.06 36	0.10 62	0.10 123	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

AIO-test2	0.10 143	0.08 237	0.10 109	0.23 476	0.08 127	0.11 173	0.10 27	0.23 295	0.23 309	0.08 63	0.09 89	0.08 99	0.05 11	0.10 62	0.08 17	0.06 114	0.05 183	0.08 279	0.09 384	0.05 100	0.05 121

AIO-test1	0.10 143	0.07 140	0.10 109	0.23 476	0.07 71	0.09 81	0.13 104	0.21 253	0.14 143	0.11 155	0.12 161	0.09 124	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.09 360	0.10 423	0.03 1	0.06 200

tg	0.10 143	0.06 57	0.10 109	0.18 299	0.08 127	0.11 173	0.16 285	0.20 230	0.12 88	0.08 63	0.11 148	0.11 176	0.07 107	0.11 108	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.04 15	0.04 40

PAM	0.10 143	0.05 18	0.16 350	0.15 70	0.08 127	0.09 81	0.16 285	0.15 107	0.16 187	0.12 193	0.09 89	0.09 124	0.07 107	0.13 235	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.06 200

model_zeroshot	0.10 143	0.04 1	0.11 150	0.15 70	0.09 239	0.12 208	0.14 152	0.20 230	0.13 119	0.11 155	0.10 118	0.12 193	0.07 107	0.12 190	0.10 123	0.07 240	0.06 308	0.06 102	0.05 108	0.06 192	0.06 200

RAStereo	0.10 143	0.09 313	0.08 30	0.20 411	0.08 127	0.13 247	0.18 364	0.15 107	0.17 206	0.10 126	0.12 161	0.05 1	0.06 36	0.09 33	0.08 17	0.07 240	0.05 183	0.07 195	0.05 108	0.05 100	0.04 40

rvit_stereo_0080	0.10 143	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.15 220	0.16 133	0.16 187	0.11 155	0.10 118	0.14 238	0.08 142	0.12 190	0.10 123	0.09 360	0.07 380	0.07 195	0.06 186	0.07 258	0.05 121

testlalala2	0.10 143	0.06 57	0.11 150	0.20 411	0.10 341	0.10 128	0.12 63	0.17 169	0.12 88	0.12 193	0.13 175	0.09 124	0.07 107	0.11 108	0.13 278	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

H2IRNET	0.10 143	0.09 313	0.09 72	0.18 299	0.09 239	0.12 208	0.15 220	0.14 76	0.21 285	0.10 126	0.10 118	0.10 155	0.10 200	0.10 62	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.06 192	0.05 121

Former-RAFT_DAM_RVC	0.10 143	0.08 237	0.12 185	0.16 143	0.08 127	0.15 305	0.16 285	0.18 198	0.18 232	0.10 126	0.09 89	0.09 124	0.08 142	0.11 108	0.12 237	0.07 240	0.05 183	0.08 279	0.06 186	0.07 258	0.06 200

MyStereo07	0.10 143	0.07 140	0.10 109	0.17 217	0.09 239	0.14 279	0.18 364	0.15 107	0.15 160	0.09 93	0.06 13	0.06 16	0.07 107	0.12 190	0.09 54	0.06 114	0.05 183	0.08 279	0.07 273	0.06 192	0.06 200

MyStereo06	0.10 143	0.07 140	0.12 185	0.17 217	0.09 239	0.13 247	0.18 364	0.19 219	0.12 88	0.12 193	0.08 71	0.07 62	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.07 195	0.07 273	0.06 192	0.06 200

AE-Stereo	0.10 143	0.08 237	0.10 109	0.18 299	0.09 239	0.10 128	0.15 220	0.14 76	0.19 247	0.09 93	0.14 189	0.12 193	0.08 142	0.11 108	0.10 123	0.05 27	0.06 308	0.07 195	0.06 186	0.05 100	0.04 40

ACVNet-DCA	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.23 295	0.16 187	0.09 93	0.09 89	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.07 258	0.07 280

cc1	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.16 133	0.18 232	0.09 93	0.09 89	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.06 200

tt1	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.12 208	0.16 285	0.15 107	0.19 247	0.09 93	0.08 71	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.06 200

whm_eth	0.10 143	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.15 220	0.16 133	0.16 187	0.11 155	0.10 118	0.14 238	0.08 142	0.12 190	0.10 123	0.09 360	0.07 380	0.07 195	0.06 186	0.07 258	0.05 121

plain	0.10 143	0.08 237	0.10 109	0.19 356	0.09 239	0.10 128	0.15 220	0.14 76	0.13 119	0.13 220	0.15 206	0.09 124	0.12 256	0.13 235	0.12 237	0.07 240	0.05 183	0.09 360	0.06 186	0.06 192	0.06 200

testlalala_base	0.10 143	0.09 313	0.14 265	0.21 440	0.08 127	0.10 128	0.14 152	0.13 60	0.10 36	0.07 30	0.15 206	0.07 62	0.08 142	0.10 62	0.12 237	0.08 301	0.05 183	0.05 23	0.03 1	0.06 192	0.05 121

Any-RAFT	0.10 143	0.05 18	0.09 72	0.14 30	0.07 71	0.13 247	0.14 152	0.21 253	0.15 160	0.11 155	0.12 161	0.12 193	0.09 168	0.12 190	0.09 54	0.07 240	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

LL-Strereo2	0.10 143	0.10 371	0.15 316	0.18 299	0.08 127	0.15 305	0.09 18	0.17 169	0.14 143	0.14 241	0.10 118	0.09 124	0.07 107	0.16 317	0.10 123	0.05 27	0.05 183	0.10 408	0.07 273	0.06 192	0.05 121

DCANet-4	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.18 198	0.19 247	0.13 220	0.16 218	0.09 124	0.14 319	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

fff	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

ADStereo(finetuned)	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.15 107	0.19 247	0.13 220	0.17 239	0.10 155	0.12 256	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

test_4	0.10 143	0.10 371	0.08 30	0.19 356	0.09 239	0.08 52	0.22 451	0.15 107	0.17 206	0.12 193	0.18 264	0.12 193	0.09 168	0.08 15	0.11 188	0.04 11	0.04 21	0.08 279	0.08 338	0.04 15	0.03 1

IPLG	0.10 143	0.07 140	0.15 316	0.17 217	0.08 127	0.11 173	0.14 152	0.20 230	0.15 160	0.12 193	0.17 239	0.07 62	0.07 107	0.14 261	0.13 278	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

test_3	0.10 143	0.09 313	0.10 109	0.20 411	0.08 127	0.13 247	0.26 497	0.14 76	0.21 285	0.10 126	0.10 118	0.09 124	0.09 168	0.08 15	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.04 15	0.04 40

STrans-v2	0.10 143	0.07 140	0.12 185	0.18 299	0.07 71	0.10 128	0.14 152	0.21 253	0.11 62	0.11 155	0.15 206	0.12 193	0.10 200	0.11 108	0.12 237	0.05 27	0.04 21	0.06 102	0.06 186	0.04 15	0.04 40

TransformOpticalFlow	0.10 143	0.08 237	0.13 230	0.18 299	0.07 71	0.09 81	0.15 220	0.19 219	0.15 160	0.12 193	0.17 239	0.11 176	0.11 225	0.11 108	0.10 123	0.05 27	0.04 21	0.06 102	0.06 186	0.05 100	0.05 121

SST-Stereo	0.10 143	0.07 140	0.15 316	0.18 299	0.09 239	0.06 9	0.12 63	0.17 169	0.11 62	0.15 268	0.17 239	0.13 218	0.12 256	0.10 62	0.11 188	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

cross-raft	0.10 143	0.09 313	0.09 72	0.19 356	0.07 71	0.11 173	0.25 489	0.13 60	0.15 160	0.08 63	0.11 148	0.12 193	0.10 200	0.09 33	0.11 188	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

test-1	0.10 143	0.07 140	0.16 350	0.19 356	0.08 127	0.11 173	0.24 474	0.14 76	0.18 232	0.09 93	0.07 38	0.09 124	0.08 142	0.07 4	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

iRaftStereo_RVC	0.10 143	0.07 140	0.09 72	0.17 217	0.09 239	0.11 173	0.17 319	0.18 198	0.12 88	0.09 93	0.12 161	0.10 155	0.07 107	0.11 108	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.04 15	0.04 40

RALCasStereoNet	0.10 143	0.06 57	0.09 72	0.16 143	0.08 127	0.12 208	0.14 152	0.17 169	0.11 62	0.12 193	0.17 239	0.14 238	0.10 200	0.12 190	0.11 188	0.07 240	0.06 308	0.06 102	0.05 108	0.08 321	0.07 280

DCANet	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.15 107	0.19 247	0.13 220	0.17 239	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

csc	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

cscssc	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

111	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.10 128	0.14 152	0.21 253	0.23 309	0.11 155	0.12 161	0.14 238	0.11 225	0.13 235	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.05 100	0.05 121

R-Stereo Train	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

RAFT-Stereo	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 143	0.06 57	0.12 185	0.14 30	0.06 13	0.11 173	0.10 27	0.18 198	0.18 232	0.13 220	0.16 218	0.14 238	0.11 225	0.15 283	0.13 278	0.06 114	0.04 21	0.04 1	0.04 34	0.06 192	0.05 121
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
FlowAnything_test	0.11 186	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.14 152	0.20 230	0.11 62	0.09 93	0.09 89	0.12 193	0.12 256	0.13 235	0.11 188	0.09 360	0.06 308	0.09 360	0.09 384	0.06 192	0.09 388

xyz-stereo-finetune2	0.11 186	0.07 140	0.13 230	0.13 13	0.07 71	0.11 173	0.19 403	0.17 169	0.12 88	0.15 268	0.15 206	0.17 301	0.12 256	0.13 235	0.11 188	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.06 200

xyz-stereo-finetune	0.11 186	0.08 237	0.13 230	0.14 30	0.06 13	0.10 128	0.19 403	0.17 169	0.19 247	0.12 193	0.14 189	0.15 267	0.10 200	0.13 235	0.11 188	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.05 121

HI	0.11 186	0.06 57	0.11 150	0.13 13	0.09 239	0.09 81	0.14 152	0.21 253	0.10 36	0.19 358	0.17 239	0.14 238	0.09 168	0.16 317	0.08 17	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

CoSv	0.11 186	0.06 57	0.11 150	0.13 13	0.09 239	0.09 81	0.14 152	0.21 253	0.10 36	0.19 358	0.17 239	0.14 238	0.09 168	0.16 317	0.08 17	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

rvit_stereo_0081_aga	0.11 186	0.09 313	0.14 265	0.18 299	0.09 239	0.13 247	0.14 152	0.14 76	0.19 247	0.10 126	0.18 264	0.16 281	0.09 168	0.12 190	0.09 54	0.10 401	0.06 308	0.08 279	0.07 273	0.07 258	0.06 200

rvit_stereo_0081	0.11 186	0.08 237	0.15 316	0.16 143	0.09 239	0.10 128	0.14 152	0.14 76	0.24 325	0.11 155	0.13 175	0.13 218	0.09 168	0.11 108	0.12 237	0.10 401	0.07 380	0.08 279	0.07 273	0.07 258	0.05 121

rvit_stereo_0082	0.11 186	0.08 237	0.15 316	0.16 143	0.09 239	0.10 128	0.14 152	0.14 76	0.24 325	0.11 155	0.13 175	0.13 218	0.09 168	0.11 108	0.12 237	0.10 401	0.07 380	0.08 279	0.07 273	0.07 258	0.05 121

AIO-Stereo-zeroshot1	0.11 186	0.05 18	0.14 265	0.15 70	0.20 519	0.09 81	0.17 319	0.21 253	0.15 160	0.11 155	0.14 189	0.10 155	0.07 107	0.10 62	0.08 17	0.06 114	0.05 183	0.07 195	0.07 273	0.07 258	0.09 388

AIO-Stereo-zeroshot	0.11 186	0.05 18	0.11 150	0.15 70	0.13 444	0.13 247	0.16 285	0.23 295	0.17 206	0.10 126	0.12 161	0.10 155	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.06 102	0.06 186	0.07 258	0.08 344

CAS++	0.11 186	0.07 140	0.11 150	0.14 30	0.09 239	0.12 208	0.14 152	0.24 317	0.14 143	0.11 155	0.09 89	0.11 176	0.07 107	0.14 261	0.09 54	0.11 430	0.09 435	0.09 360	0.07 273	0.07 258	0.08 344
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 186	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.16 133	0.18 232	0.09 93	0.09 89	0.16 281	0.16 363	0.10 62	0.07 1	0.06 114	0.04 21	0.08 279	0.08 338	0.07 258	0.07 280

1test111	0.11 186	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.23 295	0.16 187	0.09 93	0.09 89	0.06 16	0.06 36	0.15 283	0.16 359	0.06 114	0.04 21	0.06 102	0.05 108	0.07 258	0.07 280

MIF-Stereo (partial)	0.11 186	0.06 57	0.10 109	0.19 356	0.10 341	0.10 128	0.11 46	0.17 169	0.18 232	0.14 241	0.16 218	0.09 124	0.11 225	0.12 190	0.12 237	0.08 301	0.05 183	0.08 279	0.07 273	0.06 192	0.07 280

EKT-Stereo	0.11 186	0.07 140	0.14 265	0.15 70	0.10 341	0.13 247	0.14 152	0.18 198	0.21 285	0.11 155	0.08 71	0.12 193	0.09 168	0.11 108	0.12 237	0.08 301	0.06 308	0.07 195	0.06 186	0.08 321	0.07 280

anonymousdsp2	0.11 186	0.07 140	0.10 109	0.16 143	0.09 239	0.13 247	0.14 152	0.18 198	0.22 299	0.13 220	0.14 189	0.12 193	0.09 168	0.14 261	0.11 188	0.05 27	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

DCRE	0.11 186	0.07 140	0.13 230	0.16 143	0.11 390	0.11 173	0.17 319	0.18 198	0.17 206	0.11 155	0.18 264	0.10 155	0.10 200	0.15 283	0.11 188	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.04 40

knoymous	0.11 186	0.05 18	0.12 185	0.13 13	0.07 71	0.15 305	0.14 152	0.19 219	0.13 119	0.11 155	0.17 239	0.13 218	0.09 168	0.13 235	0.11 188	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.07 280

riskmin	0.11 186	0.06 57	0.13 230	0.14 30	0.08 127	0.14 279	0.14 152	0.18 198	0.14 143	0.11 155	0.14 189	0.16 281	0.11 225	0.14 261	0.12 237	0.09 360	0.05 183	0.07 195	0.05 108	0.08 321	0.08 344

Selective-RAFT	0.11 186	0.10 371	0.11 150	0.21 440	0.08 127	0.16 335	0.13 104	0.20 230	0.22 299	0.10 126	0.10 118	0.11 176	0.10 200	0.15 283	0.11 188	0.05 27	0.05 183	0.06 102	0.05 108	0.06 192	0.05 121

DisPM	0.11 186	0.07 140	0.12 185	0.16 143	0.09 239	0.06 9	0.13 104	0.17 169	0.17 206	0.14 241	0.20 285	0.12 193	0.10 200	0.11 108	0.10 123	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.11 441

CIPLG	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.15 160	0.14 241	0.11 148	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

GLC_STEREO	0.11 186	0.07 140	0.11 150	0.17 217	0.07 71	0.09 81	0.13 104	0.15 107	0.24 325	0.12 193	0.13 175	0.12 193	0.08 142	0.18 370	0.11 188	0.06 114	0.08 406	0.08 279	0.06 186	0.05 100	0.05 121

IPLGR_C	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.15 160	0.14 241	0.10 118	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

MIPNet	0.11 186	0.08 237	0.14 265	0.17 217	0.09 239	0.12 208	0.14 152	0.20 230	0.24 325	0.11 155	0.10 118	0.09 124	0.07 107	0.13 235	0.12 237	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

IPLGR	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.12 208	0.17 319	0.21 253	0.24 325	0.11 155	0.12 161	0.11 176	0.08 142	0.12 190	0.12 237	0.06 114	0.05 183	0.06 102	0.06 186	0.04 15	0.04 40

GMOStereo	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 510	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

error version	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 510	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

test-v	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 510	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

ACRE	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.14 143	0.14 241	0.10 118	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

PFNet+	0.11 186	0.06 57	0.13 230	0.16 143	0.09 239	0.05 4	0.12 63	0.17 169	0.21 285	0.16 296	0.19 273	0.14 238	0.10 200	0.11 108	0.11 188	0.08 301	0.05 183	0.09 360	0.08 338	0.06 192	0.11 441

LCNet	0.11 186	0.07 140	0.09 72	0.19 356	0.09 239	0.08 52	0.15 220	0.21 253	0.15 160	0.11 155	0.15 206	0.16 281	0.11 225	0.12 190	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.06 192	0.15 497

HHNet	0.11 186	0.06 57	0.16 350	0.15 70	0.14 464	0.07 29	0.13 104	0.20 230	0.17 206	0.14 241	0.25 366	0.11 176	0.08 142	0.13 235	0.10 123	0.05 27	0.04 21	0.08 279	0.06 186	0.05 100	0.09 388

Patchmatch Stereo++	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 186	0.07 140	0.16 350	0.19 356	0.09 239	0.08 52	0.13 104	0.18 198	0.13 119	0.16 296	0.21 306	0.13 218	0.14 319	0.11 108	0.14 315	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

OMP-Stereo	0.11 186	0.06 57	0.14 265	0.18 299	0.08 127	0.09 81	0.12 63	0.21 253	0.21 285	0.13 220	0.14 189	0.11 176	0.12 256	0.11 108	0.13 278	0.06 114	0.04 21	0.07 195	0.06 186	0.05 100	0.04 40

IIG-Stereo	0.11 186	0.06 57	0.13 230	0.17 217	0.08 127	0.11 173	0.12 63	0.22 275	0.17 206	0.14 241	0.17 239	0.11 176	0.12 256	0.12 190	0.12 237	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

NF-Stereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

OCTAStereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

NRIStereo	0.11 186	0.08 237	0.14 265	0.18 299	0.08 127	0.10 128	0.14 152	0.16 133	0.15 160	0.12 193	0.14 189	0.13 218	0.12 256	0.13 235	0.10 123	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.07 280

PSM-adaLoss	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

PSM-AAD	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.10 128	0.15 220	0.20 230	0.13 119	0.12 193	0.14 189	0.18 315	0.11 225	0.11 108	0.10 123	0.05 27	0.05 183	0.09 360	0.08 338	0.06 192	0.14 490

ROB_FTStereo_v2	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

ROB_FTStereo	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

KYRaft	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.08 52	0.15 220	0.22 275	0.12 88	0.13 220	0.16 218	0.20 341	0.10 200	0.12 190	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.06 192	0.16 508

HUI-Stereo	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

ASMatch	0.11 186	0.06 57	0.13 230	0.16 143	0.10 341	0.07 29	0.14 152	0.17 169	0.17 206	0.12 193	0.16 218	0.16 281	0.10 200	0.13 235	0.10 123	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.08 344

RAFT_R40	0.11 186	0.07 140	0.14 265	0.18 299	0.09 239	0.06 9	0.13 104	0.17 169	0.16 187	0.14 241	0.18 264	0.15 267	0.12 256	0.10 62	0.11 188	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

GrayStereo	0.11 186	0.06 57	0.11 150	0.19 356	0.09 239	0.09 81	0.16 285	0.18 198	0.17 206	0.14 241	0.17 239	0.17 301	0.11 225	0.12 190	0.11 188	0.05 27	0.05 183	0.07 195	0.06 186	0.05 100	0.10 415

RE-Stereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

Pruner-Stereo	0.11 186	0.07 140	0.12 185	0.17 217	0.09 239	0.06 9	0.12 63	0.17 169	0.17 206	0.13 220	0.19 273	0.13 218	0.09 168	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.08 344

TVStereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

DeepStereo_RVC	0.11 186	0.08 237	0.16 350	0.18 299	0.08 127	0.08 52	0.12 63	0.17 169	0.12 88	0.13 220	0.14 189	0.12 193	0.12 256	0.12 190	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.07 258	0.08 344

iGMRVC	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

RAFT-RH_RVC	0.11 186	0.06 57	0.14 265	0.16 143	0.09 239	0.12 208	0.12 63	0.17 169	0.12 88	0.13 220	0.41 495	0.11 176	0.10 200	0.13 235	0.12 237	0.05 27	0.04 21	0.08 279	0.05 108	0.04 15	0.06 200

RAFT-345	0.11 186	0.07 140	0.15 316	0.16 143	0.08 127	0.08 52	0.12 63	0.15 107	0.10 36	0.11 155	0.36 458	0.09 124	0.09 168	0.11 108	0.12 237	0.05 27	0.05 183	0.07 195	0.06 186	0.04 15	0.05 121

iRAFT	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

CRE-IMP	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.10 128	0.12 63	0.18 198	0.10 36	0.14 241	0.13 175	0.13 218	0.12 256	0.12 190	0.11 188	0.07 240	0.04 21	0.08 279	0.06 186	0.08 321	0.08 344

test-2	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 510	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

GMM-Stereo	0.11 186	0.07 140	0.10 109	0.18 299	0.09 239	0.08 52	0.15 220	0.23 295	0.16 187	0.11 155	0.15 206	0.13 218	0.11 225	0.11 108	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.06 192	0.09 388

RAFT-IKP	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

Prome-Stereo	0.11 186	0.06 57	0.10 109	0.18 299	0.08 127	0.12 208	0.15 220	0.22 275	0.13 119	0.12 193	0.17 239	0.13 218	0.08 142	0.12 190	0.10 123	0.05 27	0.04 21	0.07 195	0.06 186	0.06 192	0.09 388

rafts_anoy	0.11 186	0.06 57	0.10 109	0.17 217	0.08 127	0.10 128	0.14 152	0.17 169	0.14 143	0.13 220	0.13 175	0.12 193	0.10 200	0.11 108	0.12 237	0.07 240	0.04 21	0.09 360	0.11 455	0.07 258	0.06 200

raft+_RVC	0.11 186	0.07 140	0.09 72	0.16 143	0.07 71	0.10 128	0.11 46	0.24 317	0.20 270	0.12 193	0.15 206	0.12 193	0.08 142	0.12 190	0.13 278	0.07 240	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

RALAANet	0.11 186	0.08 237	0.10 109	0.17 217	0.09 239	0.14 279	0.10 27	0.20 230	0.15 160	0.14 241	0.13 175	0.16 281	0.09 168	0.12 190	0.11 188	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

DIP-Stereo	0.11 186	0.07 140	0.14 265	0.17 217	0.09 239	0.13 247	0.09 18	0.16 133	0.16 187	0.11 155	0.16 218	0.14 238	0.12 256	0.15 283	0.13 278	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200
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_stereo_0083	0.12 252	0.08 237	0.17 378	0.16 143	0.09 239	0.11 173	0.15 220	0.14 76	0.26 360	0.11 155	0.14 189	0.13 218	0.10 200	0.12 190	0.12 237	0.10 401	0.08 406	0.09 360	0.07 273	0.07 258	0.05 121

rvit_stereo_ft	0.12 252	0.07 140	0.13 230	0.19 356	0.10 341	0.12 208	0.17 319	0.16 133	0.16 187	0.12 193	0.13 175	0.15 267	0.10 200	0.14 261	0.13 278	0.09 360	0.06 308	0.08 279	0.07 273	0.07 258	0.05 121

test_sample2	0.12 252	0.07 140	0.12 185	0.14 30	0.08 127	0.16 335	0.18 364	0.21 253	0.16 187	0.14 241	0.20 285	0.19 329	0.15 337	0.15 283	0.12 237	0.08 301	0.05 183	0.07 195	0.06 186	0.08 321	0.07 280

MyStereo8	0.12 252	0.07 140	0.15 316	0.15 70	0.09 239	0.18 375	0.14 152	0.19 219	0.22 299	0.12 193	0.18 264	0.11 176	0.10 200	0.16 317	0.18 392	0.07 240	0.05 183	0.07 195	0.05 108	0.08 321	0.09 388

CoDeX	0.12 252	0.07 140	0.12 185	0.17 217	0.08 127	0.12 208	0.15 220	0.23 295	0.27 369	0.13 220	0.17 239	0.16 281	0.11 225	0.14 261	0.11 188	0.07 240	0.05 183	0.07 195	0.06 186	0.06 192	0.05 121

11t1	0.12 252	0.06 57	0.13 230	0.14 30	0.08 127	0.17 356	0.15 220	0.18 198	0.15 160	0.15 268	0.15 206	0.16 281	0.16 363	0.15 283	0.13 278	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.07 280

ffm	0.12 252	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.15 107	0.19 247	0.15 268	0.25 366	0.19 329	0.13 294	0.10 62	0.07 1	0.06 114	0.04 21	0.09 360	0.08 338	0.06 192	0.06 200

RAFT_CTSACE	0.12 252	0.09 313	0.10 109	0.22 455	0.08 127	0.12 208	0.24 474	0.18 198	0.16 187	0.20 381	0.27 391	0.13 218	0.07 107	0.13 235	0.09 54	0.05 27	0.06 308	0.08 279	0.07 273	0.04 15	0.04 40

Sa-1000	0.12 252	0.08 237	0.08 30	0.18 299	0.08 127	0.14 279	0.22 451	0.22 275	0.18 232	0.15 268	0.20 285	0.17 301	0.11 225	0.10 62	0.10 123	0.06 114	0.05 183	0.09 360	0.09 384	0.05 100	0.05 121

SA	0.12 252	0.09 313	0.08 30	0.18 299	0.08 127	0.12 208	0.24 474	0.23 295	0.18 232	0.17 312	0.27 391	0.14 238	0.11 225	0.11 108	0.11 188	0.05 27	0.05 183	0.09 360	0.08 338	0.05 100	0.04 40

iRaft-Stereo_5w	0.12 252	0.09 313	0.12 185	0.19 356	0.08 127	0.09 81	0.12 63	0.21 253	0.21 285	0.19 358	0.14 189	0.11 176	0.09 168	0.20 410	0.16 359	0.05 27	0.05 183	0.07 195	0.06 186	0.05 100	0.06 200

CrosDoStereo	0.12 252	0.06 57	0.12 185	0.14 30	0.08 127	0.12 208	0.15 220	0.17 169	0.22 299	0.19 358	0.24 337	0.15 267	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

PSM-softLoss	0.12 252	0.07 140	0.15 316	0.17 217	0.09 239	0.08 52	0.13 104	0.24 317	0.17 206	0.14 241	0.19 273	0.13 218	0.11 225	0.11 108	0.11 188	0.07 240	0.05 183	0.08 279	0.07 273	0.06 192	0.12 454

KMStereo	0.12 252	0.07 140	0.15 316	0.17 217	0.09 239	0.08 52	0.13 104	0.24 317	0.17 206	0.14 241	0.19 273	0.13 218	0.11 225	0.11 108	0.11 188	0.07 240	0.05 183	0.08 279	0.07 273	0.06 192	0.12 454

FTStereo	0.12 252	0.06 57	0.14 265	0.18 299	0.09 239	0.07 29	0.15 220	0.21 253	0.18 232	0.12 193	0.24 337	0.12 193	0.12 256	0.13 235	0.13 278	0.05 27	0.05 183	0.07 195	0.06 186	0.06 192	0.10 415

DeepStereo_LL	0.12 252	0.06 57	0.12 185	0.14 30	0.08 127	0.12 208	0.15 220	0.17 169	0.22 299	0.19 358	0.24 337	0.15 267	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

DEmStereo	0.12 252	0.06 57	0.14 265	0.14 30	0.10 341	0.16 335	0.15 220	0.16 133	0.24 325	0.17 312	0.24 337	0.13 218	0.14 319	0.12 190	0.13 278	0.05 27	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

THIR-Stereo	0.12 252	0.07 140	0.11 150	0.15 70	0.08 127	0.14 279	0.16 285	0.17 169	0.25 346	0.16 296	0.24 337	0.14 238	0.12 256	0.12 190	0.14 315	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

DRaft	0.12 252	0.06 57	0.11 150	0.14 30	0.09 239	0.14 279	0.17 319	0.21 253	0.30 400	0.17 312	0.28 405	0.10 155	0.15 337	0.10 62	0.12 237	0.05 27	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

PFNet	0.12 252	0.06 57	0.17 378	0.17 217	0.08 127	0.09 81	0.15 220	0.26 351	0.20 270	0.16 296	0.16 218	0.14 238	0.11 225	0.12 190	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

IRAFT_RVC	0.12 252	0.08 237	0.16 350	0.19 356	0.08 127	0.07 29	0.15 220	0.24 317	0.23 309	0.14 241	0.14 189	0.15 267	0.12 256	0.12 190	0.10 123	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.06 200

sCroCo_RVC	0.12 252	0.09 313	0.23 447	0.24 485	0.11 390	0.19 398	0.14 152	0.17 169	0.14 143	0.10 126	0.13 175	0.12 193	0.07 107	0.14 261	0.11 188	0.08 301	0.08 406	0.08 279	0.08 338	0.05 100	0.07 280

ARAFT	0.12 252	0.08 237	0.17 378	0.19 356	0.09 239	0.14 279	0.18 364	0.20 230	0.12 88	0.12 193	0.13 175	0.14 238	0.11 225	0.15 283	0.12 237	0.06 114	0.05 183	0.10 408	0.09 384	0.05 100	0.04 40

BEATNet_4x	0.12 252	0.08 237	0.14 265	0.18 299	0.07 71	0.15 305	0.07 3	0.22 275	0.18 232	0.16 296	0.19 273	0.18 315	0.14 319	0.16 317	0.15 343	0.07 240	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

MLCV	0.12 252	0.07 140	0.16 350	0.18 299	0.06 13	0.15 305	0.17 319	0.19 219	0.21 285	0.18 342	0.25 366	0.17 301	0.13 294	0.14 261	0.13 278	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

G2L-ROB	0.13 277	0.06 57	0.13 230	0.13 13	0.08 127	0.14 279	0.16 285	0.25 333	0.18 232	0.19 358	0.18 264	0.20 341	0.14 319	0.17 349	0.16 359	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.09 388

xyz-stereo	0.13 277	0.07 140	0.20 424	0.15 70	0.05 1	0.20 413	0.15 220	0.17 169	0.31 407	0.15 268	0.29 417	0.26 415	0.16 363	0.13 235	0.12 237	0.05 27	0.05 183	0.06 102	0.05 108	0.04 15	0.04 40

DFGA-Net	0.13 277	0.11 397	0.18 401	0.17 217	0.10 341	0.12 208	0.13 104	0.22 275	0.25 346	0.16 296	0.16 218	0.13 218	0.12 256	0.16 317	0.14 315	0.07 240	0.05 183	0.08 279	0.07 273	0.05 100	0.05 121

FACV-RUCA	0.13 277	0.11 397	0.12 185	0.19 356	0.12 421	0.15 305	0.15 220	0.22 275	0.20 270	0.15 268	0.16 218	0.14 238	0.16 363	0.14 261	0.13 278	0.07 240	0.05 183	0.08 279	0.06 186	0.10 415	0.08 344

UGAM	0.13 277	0.10 371	0.09 72	0.22 455	0.08 127	0.12 208	0.20 424	0.17 169	0.23 309	0.21 395	0.16 218	0.13 218	0.13 294	0.19 385	0.12 237	0.07 240	0.05 183	0.13 473	0.11 455	0.07 258	0.05 121

test_sample1	0.13 277	0.07 140	0.14 265	0.13 13	0.08 127	0.19 398	0.16 285	0.20 230	0.15 160	0.14 241	0.22 316	0.18 315	0.16 363	0.17 349	0.14 315	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.07 280

qqq1	0.13 277	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.11 188	0.08 301	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

fff1	0.13 277	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.11 188	0.08 301	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

MyStereo05	0.13 277	0.07 140	0.10 109	0.17 217	0.09 239	0.13 247	0.18 364	0.27 372	0.35 442	0.17 312	0.14 189	0.15 267	0.11 225	0.15 283	0.13 278	0.06 114	0.05 183	0.07 195	0.07 273	0.06 192	0.06 200

MyStereo04	0.13 277	0.07 140	0.10 109	0.17 217	0.09 239	0.14 279	0.18 364	0.29 402	0.38 460	0.17 312	0.14 189	0.16 281	0.10 200	0.15 283	0.13 278	0.06 114	0.05 183	0.08 279	0.07 273	0.06 192	0.06 200

ff1	0.13 277	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.15 107	0.19 247	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.06 114	0.04 21	0.09 360	0.08 338	0.06 192	0.06 200

StereoVision	0.13 277	0.12 415	0.09 72	0.24 485	0.10 341	0.15 305	0.21 441	0.21 253	0.20 270	0.12 193	0.24 337	0.10 155	0.10 200	0.16 317	0.10 123	0.09 360	0.11 467	0.12 458	0.12 474	0.06 192	0.05 121

LL-Strereo	0.13 277	0.09 313	0.11 150	0.20 411	0.10 341	0.11 173	0.18 364	0.32 437	0.24 325	0.15 268	0.15 206	0.14 238	0.13 294	0.19 385	0.11 188	0.06 114	0.04 21	0.09 360	0.08 338	0.04 15	0.05 121

CASS	0.13 277	0.12 415	0.11 150	0.23 476	0.09 239	0.15 305	0.17 319	0.18 198	0.19 247	0.17 312	0.18 264	0.15 267	0.15 337	0.14 261	0.14 315	0.09 360	0.06 308	0.10 408	0.08 338	0.09 383	0.07 280
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 277	0.07 140	0.13 230	0.18 299	0.09 239	0.13 247	0.17 319	0.19 219	0.29 390	0.15 268	0.24 337	0.15 267	0.14 319	0.14 261	0.14 315	0.07 240	0.05 183	0.07 195	0.09 384	0.05 100	0.06 200

TestStereo1	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 519	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

qqq	0.13 277	0.09 313	0.15 316	0.16 143	0.08 127	0.13 247	0.15 220	0.23 295	0.16 187	0.15 268	0.19 273	0.16 281	0.16 363	0.15 283	0.16 359	0.07 240	0.06 308	0.08 279	0.08 338	0.07 258	0.07 280

x	0.13 277	0.07 140	0.14 265	0.14 30	0.08 127	0.18 375	0.14 152	0.22 275	0.20 270	0.15 268	0.19 273	0.19 329	0.17 386	0.18 370	0.18 392	0.07 240	0.05 183	0.06 102	0.06 186	0.07 258	0.07 280

raft_robust	0.13 277	0.10 371	0.07 6	0.18 299	0.08 127	0.13 247	0.24 474	0.28 391	0.33 421	0.20 381	0.19 273	0.14 238	0.10 200	0.11 108	0.12 237	0.05 27	0.05 183	0.07 195	0.07 273	0.05 100	0.04 40

RAFT+CT+SA	0.13 277	0.11 397	0.09 72	0.19 356	0.09 239	0.15 305	0.28 510	0.22 275	0.22 299	0.15 268	0.26 383	0.10 155	0.10 200	0.11 108	0.12 237	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

SA-5K	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 519	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

GwcNet-ADL	0.13 277	0.08 237	0.14 265	0.20 411	0.09 239	0.11 173	0.20 424	0.30 416	0.24 325	0.13 220	0.14 189	0.18 315	0.14 319	0.13 235	0.14 315	0.07 240	0.05 183	0.06 102	0.05 108	0.07 258	0.06 200

GANet-ADL	0.13 277	0.07 140	0.15 316	0.17 217	0.10 341	0.18 375	0.15 220	0.30 416	0.20 270	0.13 220	0.18 264	0.19 329	0.12 256	0.16 317	0.13 278	0.08 301	0.06 308	0.06 102	0.05 108	0.07 258	0.08 344

RAFT	0.13 277	0.09 313	0.11 150	0.18 299	0.08 127	0.15 305	0.24 474	0.20 230	0.19 247	0.21 395	0.21 306	0.17 301	0.12 256	0.16 317	0.09 54	0.06 114	0.07 380	0.10 408	0.09 384	0.05 100	0.05 121

TestStereo	0.13 277	0.14 456	0.11 150	0.23 476	0.08 127	0.15 305	0.21 441	0.20 230	0.23 309	0.14 241	0.24 337	0.16 281	0.12 256	0.16 317	0.14 315	0.05 27	0.06 308	0.08 279	0.06 186	0.09 383	0.05 121

sAnonymous2	0.13 277	0.12 415	0.24 451	0.20 411	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

CroCo_RVC	0.13 277	0.12 415	0.24 451	0.20 411	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

RAFT + AFF	0.13 277	0.07 140	0.20 424	0.20 411	0.10 341	0.14 279	0.24 474	0.26 351	0.20 270	0.11 155	0.10 118	0.12 193	0.10 200	0.15 283	0.12 237	0.07 240	0.06 308	0.09 360	0.08 338	0.06 192	0.08 344

GMStereo	0.13 277	0.14 456	0.14 265	0.18 299	0.09 239	0.15 305	0.16 285	0.20 230	0.24 325	0.16 296	0.17 239	0.10 155	0.10 200	0.16 317	0.13 278	0.07 240	0.06 308	0.06 102	0.06 186	0.07 258	0.06 200
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 277	0.07 140	0.14 265	0.17 217	0.09 239	0.15 305	0.16 285	0.28 391	0.27 369	0.14 241	0.17 239	0.12 193	0.13 294	0.14 261	0.11 188	0.08 301	0.05 183	0.07 195	0.07 273	0.07 258	0.06 200

FENet	0.13 277	0.08 237	0.12 185	0.16 143	0.08 127	0.14 279	0.15 220	0.22 275	0.23 309	0.17 312	0.23 325	0.16 281	0.12 256	0.14 261	0.15 343	0.08 301	0.05 183	0.08 279	0.08 338	0.07 258	0.07 280

cf-r	0.13 277	0.07 140	0.12 185	0.16 143	0.08 127	0.14 279	0.19 403	0.20 230	0.25 346	0.17 312	0.25 366	0.21 350	0.16 363	0.14 261	0.14 315	0.10 401	0.05 183	0.06 102	0.08 338	0.06 192	0.06 200

iResNet	0.13 277	0.10 371	0.18 401	0.19 356	0.08 127	0.13 247	0.18 364	0.20 230	0.26 360	0.15 268	0.23 325	0.15 267	0.13 294	0.14 261	0.14 315	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

DN-CSS_ROB	0.13 277	0.13 444	0.16 350	0.18 299	0.10 341	0.16 335	0.08 7	0.22 275	0.18 232	0.17 312	0.22 316	0.13 218	0.13 294	0.12 190	0.13 278	0.05 27	0.05 183	0.10 408	0.10 423	0.08 321	0.06 200

G2L-Stereo_test	0.14 311	0.07 140	0.11 150	0.13 13	0.08 127	0.12 208	0.16 285	0.30 416	0.28 383	0.20 381	0.23 325	0.20 341	0.16 363	0.17 349	0.18 392	0.07 240	0.05 183	0.05 23	0.05 108	0.07 258	0.06 200

coex_refinement	0.14 311	0.07 140	0.12 185	0.17 217	0.10 341	0.15 305	0.15 220	0.26 351	0.29 390	0.18 342	0.20 285	0.22 368	0.17 386	0.16 317	0.18 392	0.08 301	0.05 183	0.06 102	0.06 186	0.09 383	0.08 344

G2L-Stereo	0.14 311	0.07 140	0.13 230	0.17 217	0.09 239	0.13 247	0.12 63	0.27 372	0.22 299	0.16 296	0.27 391	0.21 350	0.13 294	0.17 349	0.18 392	0.09 360	0.08 406	0.08 279	0.07 273	0.07 258	0.07 280

rvit_0105_6	0.14 311	0.09 313	0.18 401	0.17 217	0.10 341	0.10 128	0.16 285	0.19 219	0.26 360	0.12 193	0.18 264	0.17 301	0.12 256	0.18 370	0.12 237	0.15 495	0.11 467	0.12 458	0.10 423	0.09 383	0.06 200

rvit_0105_5	0.14 311	0.09 313	0.13 230	0.17 217	0.09 239	0.14 279	0.23 462	0.24 317	0.27 369	0.14 241	0.15 206	0.18 315	0.12 256	0.17 349	0.14 315	0.14 491	0.11 467	0.10 408	0.10 423	0.08 321	0.06 200

rvit_0105_4	0.14 311	0.09 313	0.17 378	0.17 217	0.10 341	0.12 208	0.19 403	0.23 295	0.27 369	0.14 241	0.20 285	0.17 301	0.13 294	0.17 349	0.13 278	0.15 495	0.11 467	0.11 439	0.10 423	0.09 383	0.06 200

DCVSM-stereo	0.14 311	0.09 313	0.16 350	0.16 143	0.10 341	0.15 305	0.09 18	0.19 219	0.23 309	0.20 381	0.23 325	0.26 415	0.15 337	0.18 370	0.14 315	0.09 360	0.07 380	0.09 360	0.08 338	0.10 415	0.12 454

test_sample6	0.14 311	0.08 237	0.13 230	0.16 143	0.08 127	0.17 356	0.19 403	0.25 333	0.17 206	0.17 312	0.27 391	0.19 329	0.14 319	0.15 283	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

test_sample5	0.14 311	0.08 237	0.14 265	0.16 143	0.08 127	0.18 375	0.18 364	0.25 333	0.17 206	0.17 312	0.27 391	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

test_sample4	0.14 311	0.08 237	0.14 265	0.15 70	0.08 127	0.19 398	0.18 364	0.26 351	0.17 206	0.16 296	0.25 366	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.06 308	0.08 279	0.06 186	0.08 321	0.08 344

test_sample3	0.14 311	0.08 237	0.15 316	0.14 30	0.09 239	0.19 398	0.17 319	0.26 351	0.18 232	0.16 296	0.22 316	0.19 329	0.15 337	0.17 349	0.13 278	0.08 301	0.06 308	0.07 195	0.06 186	0.09 383	0.08 344

DispNO	0.14 311	0.08 237	0.17 378	0.19 356	0.12 421	0.11 173	0.21 441	0.23 295	0.29 390	0.17 312	0.23 325	0.18 315	0.17 386	0.15 283	0.15 343	0.07 240	0.05 183	0.08 279	0.08 338	0.07 258	0.06 200

SMFormer	0.14 311	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.17 374	0.08 301	0.05 183	0.07 195	0.06 186	0.07 258	0.06 200

tta	0.14 311	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.17 374	0.08 301	0.05 183	0.07 195	0.06 186	0.06 192	0.06 200

mmm	0.14 311	0.08 237	0.17 378	0.17 217	0.09 239	0.17 356	0.18 364	0.21 253	0.15 160	0.15 268	0.23 325	0.21 350	0.16 363	0.16 317	0.17 374	0.08 301	0.05 183	0.08 279	0.07 273	0.07 258	0.07 280

DualNet	0.14 311	0.08 237	0.14 265	0.16 143	0.08 127	0.18 375	0.18 364	0.25 333	0.17 206	0.17 312	0.27 391	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

mmx	0.14 311	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.27 372	0.25 346	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.08 301	0.06 308	0.09 360	0.08 338	0.08 321	0.08 344

ttt	0.14 311	0.08 237	0.14 265	0.15 70	0.08 127	0.15 305	0.18 364	0.27 372	0.29 390	0.16 296	0.24 337	0.17 301	0.13 294	0.13 235	0.14 315	0.11 430	0.08 406	0.09 360	0.08 338	0.09 383	0.08 344

xxx	0.14 311	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.27 372	0.25 346	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.08 301	0.06 308	0.09 360	0.08 338	0.08 321	0.08 344

PCWNet_CMD	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 446	0.14 241	0.20 285	0.21 350	0.12 256	0.17 349	0.13 278	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

CBFPSM	0.14 311	0.06 57	0.26 459	0.17 217	0.09 239	0.13 247	0.15 220	0.22 275	0.23 309	0.20 381	0.27 391	0.24 392	0.16 363	0.16 317	0.18 392	0.06 114	0.06 308	0.06 102	0.07 273	0.07 258	0.07 280

gwcnet-sp	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

scenet	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

ssnet	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

BUS	0.14 311	0.09 313	0.14 265	0.22 455	0.10 341	0.19 398	0.14 152	0.34 465	0.19 247	0.17 312	0.22 316	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

IER	0.14 311	0.07 140	0.13 230	0.17 217	0.09 239	0.14 279	0.16 285	0.25 333	0.26 360	0.18 342	0.25 366	0.17 301	0.20 428	0.16 317	0.14 315	0.08 301	0.05 183	0.07 195	0.06 186	0.08 321	0.07 280

test_5	0.14 311	0.12 415	0.08 30	0.20 411	0.10 341	0.14 279	0.29 519	0.21 253	0.24 325	0.18 342	0.28 405	0.11 176	0.15 337	0.12 190	0.13 278	0.06 114	0.05 183	0.07 195	0.08 338	0.08 321	0.07 280

psmg	0.14 311	0.09 313	0.14 265	0.17 217	0.10 341	0.15 305	0.17 319	0.29 402	0.19 247	0.17 312	0.21 306	0.25 406	0.16 363	0.15 283	0.14 315	0.08 301	0.06 308	0.08 279	0.08 338	0.07 258	0.06 200

UDGNet	0.14 311	0.13 444	0.16 350	0.17 217	0.10 341	0.12 208	0.16 285	0.21 253	0.27 369	0.20 381	0.20 285	0.16 281	0.13 294	0.16 317	0.13 278	0.10 401	0.06 308	0.09 360	0.07 273	0.06 192	0.07 280

CFNet_pseudo	0.14 311	0.08 237	0.15 316	0.16 143	0.09 239	0.13 247	0.14 152	0.27 372	0.34 433	0.14 241	0.21 306	0.22 368	0.13 294	0.18 370	0.14 315	0.07 240	0.05 183	0.08 279	0.06 186	0.07 258	0.07 280

GES	0.14 311	0.08 237	0.16 350	0.15 70	0.10 341	0.13 247	0.13 104	0.28 391	0.25 346	0.16 296	0.23 325	0.18 315	0.13 294	0.16 317	0.13 278	0.08 301	0.07 380	0.07 195	0.06 186	0.08 321	0.09 388

GANet-RSSM	0.14 311	0.07 140	0.13 230	0.13 13	0.08 127	0.14 279	0.17 319	0.22 275	0.21 285	0.17 312	0.24 337	0.23 386	0.15 337	0.16 317	0.15 343	0.10 401	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

PSMNet-RSSM	0.14 311	0.07 140	0.13 230	0.15 70	0.08 127	0.13 247	0.16 285	0.24 317	0.24 325	0.16 296	0.28 405	0.22 368	0.14 319	0.15 283	0.13 278	0.11 430	0.06 308	0.09 360	0.12 474	0.08 321	0.07 280

GwcNet-RSSM	0.14 311	0.07 140	0.12 185	0.15 70	0.08 127	0.15 305	0.20 424	0.21 253	0.27 369	0.18 342	0.27 391	0.22 368	0.16 363	0.14 261	0.15 343	0.10 401	0.05 183	0.07 195	0.09 384	0.07 258	0.07 280

CFNet-ft	0.14 311	0.07 140	0.15 316	0.12 4	0.09 239	0.16 335	0.18 364	0.22 275	0.24 325	0.17 312	0.26 383	0.24 392	0.14 319	0.16 317	0.14 315	0.11 430	0.06 308	0.08 279	0.09 384	0.09 383	0.08 344

DMCA	0.14 311	0.09 313	0.16 350	0.19 356	0.09 239	0.15 305	0.17 319	0.23 295	0.27 369	0.14 241	0.19 273	0.17 301	0.18 400	0.15 283	0.17 374	0.10 401	0.06 308	0.08 279	0.06 186	0.09 383	0.10 415

RASNet	0.14 311	0.07 140	0.14 265	0.16 143	0.08 127	0.18 375	0.14 152	0.29 402	0.20 270	0.17 312	0.25 366	0.21 350	0.18 400	0.20 410	0.19 405	0.07 240	0.06 308	0.06 102	0.08 338	0.06 192	0.06 200

MSMDNet	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 446	0.14 241	0.21 306	0.21 350	0.12 256	0.17 349	0.14 315	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

HSM-Net_RVC	0.14 311	0.08 237	0.11 150	0.15 70	0.08 127	0.15 305	0.15 220	0.27 372	0.29 390	0.19 358	0.21 306	0.29 441	0.14 319	0.17 349	0.13 278	0.06 114	0.06 308	0.06 102	0.06 186	0.07 258	0.06 200
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 311	0.07 140	0.15 316	0.12 4	0.09 239	0.16 335	0.18 364	0.22 275	0.24 325	0.17 312	0.26 383	0.24 392	0.14 319	0.16 317	0.14 315	0.11 430	0.06 308	0.08 279	0.09 384	0.09 383	0.08 344

ccs_rob	0.14 311	0.08 237	0.15 316	0.16 143	0.09 239	0.12 208	0.14 152	0.27 372	0.34 433	0.14 241	0.21 306	0.22 368	0.13 294	0.18 370	0.14 315	0.07 240	0.05 183	0.08 279	0.07 273	0.07 258	0.07 280

UCFNet_RVC	0.14 311	0.08 237	0.13 230	0.11 1	0.10 341	0.20 413	0.10 27	0.24 317	0.22 299	0.17 312	0.20 285	0.23 386	0.15 337	0.17 349	0.15 343	0.12 455	0.07 380	0.10 408	0.13 484	0.11 438	0.10 415

iResNetv2_ROB	0.14 311	0.08 237	0.15 316	0.16 143	0.08 127	0.16 335	0.12 63	0.25 333	0.35 442	0.21 395	0.29 417	0.24 392	0.13 294	0.14 261	0.14 315	0.06 114	0.05 183	0.06 102	0.04 34	0.09 383	0.08 344

iResNet_ROB	0.14 311	0.07 140	0.13 230	0.14 30	0.07 71	0.18 375	0.14 152	0.26 351	0.31 407	0.22 411	0.25 366	0.23 386	0.15 337	0.15 283	0.13 278	0.07 240	0.05 183	0.05 23	0.04 34	0.08 321	0.08 344

DDVS	0.15 355	0.10 371	0.21 432	0.16 143	0.12 421	0.15 305	0.14 152	0.25 333	0.19 247	0.18 342	0.29 417	0.27 423	0.12 256	0.19 385	0.15 343	0.09 360	0.06 308	0.09 360	0.07 273	0.11 438	0.11 441

rvit_0105_3	0.15 355	0.09 313	0.14 265	0.19 356	0.12 421	0.15 305	0.25 489	0.25 333	0.29 390	0.15 268	0.17 239	0.20 341	0.13 294	0.17 349	0.14 315	0.13 478	0.11 467	0.12 458	0.14 487	0.07 258	0.06 200

ACV-stereo	0.15 355	0.10 371	0.28 471	0.18 299	0.12 421	0.14 279	0.12 63	0.23 295	0.21 285	0.19 358	0.23 325	0.22 368	0.15 337	0.23 451	0.17 374	0.07 240	0.06 308	0.07 195	0.07 273	0.07 258	0.07 280

ITSA-stereo	0.15 355	0.10 371	0.14 265	0.19 356	0.08 127	0.12 208	0.14 152	0.30 416	0.49 504	0.17 312	0.19 273	0.22 368	0.15 337	0.17 349	0.16 359	0.10 401	0.06 308	0.08 279	0.08 338	0.08 321	0.08 344

test_sample7	0.15 355	0.10 371	0.16 350	0.14 30	0.11 390	0.16 335	0.16 285	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.16 317	0.16 359	0.12 455	0.06 308	0.10 408	0.09 384	0.10 415	0.10 415

1111x	0.15 355	0.08 237	0.12 185	0.18 299	0.07 71	0.18 375	0.25 489	0.31 426	0.24 325	0.17 312	0.24 337	0.26 415	0.15 337	0.13 235	0.23 452	0.07 240	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

CFNet_ucs	0.15 355	0.08 237	0.16 350	0.16 143	0.11 390	0.14 279	0.14 152	0.30 416	0.34 433	0.16 296	0.24 337	0.23 386	0.14 319	0.18 370	0.15 343	0.09 360	0.06 308	0.08 279	0.07 273	0.09 383	0.09 388

BSDual-CNN	0.15 355	0.09 313	0.14 265	0.22 455	0.10 341	0.14 279	0.15 220	0.34 465	0.19 247	0.17 312	0.22 316	0.25 406	0.16 363	0.15 283	0.14 315	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

hknet	0.15 355	0.11 397	0.13 230	0.22 455	0.11 390	0.14 279	0.15 220	0.34 465	0.25 346	0.17 312	0.22 316	0.22 368	0.18 400	0.17 349	0.12 237	0.07 240	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

dd	0.15 355	0.16 474	0.16 350	0.19 356	0.09 239	0.15 305	0.18 364	0.21 253	0.25 346	0.23 423	0.20 285	0.21 350	0.09 168	0.21 427	0.16 359	0.10 401	0.06 308	0.08 279	0.06 186	0.08 321	0.06 200

DAS	0.15 355	0.08 237	0.18 401	0.19 356	0.10 341	0.19 398	0.17 319	0.27 372	0.29 390	0.18 342	0.25 366	0.21 350	0.15 337	0.16 317	0.12 237	0.08 301	0.06 308	0.06 102	0.06 186	0.07 258	0.07 280

SepStereo	0.15 355	0.08 237	0.18 401	0.19 356	0.10 341	0.19 398	0.17 319	0.27 372	0.29 390	0.18 342	0.25 366	0.21 350	0.15 337	0.25 465	0.12 237	0.08 301	0.06 308	0.06 102	0.06 186	0.07 258	0.07 280

PSMNet-ADL	0.15 355	0.12 415	0.13 230	0.22 455	0.09 239	0.13 247	0.20 424	0.26 351	0.23 309	0.18 342	0.20 285	0.24 392	0.16 363	0.18 370	0.17 374	0.08 301	0.08 406	0.08 279	0.11 455	0.08 321	0.07 280

LMCR-Stereo	0.15 355	0.08 237	0.13 230	0.21 440	0.09 239	0.17 356	0.20 424	0.27 372	0.19 247	0.24 432	0.24 337	0.23 386	0.17 386	0.20 410	0.17 374	0.07 240	0.06 308	0.08 279	0.06 186	0.10 415	0.08 344

ICVP	0.15 355	0.09 313	0.12 185	0.22 455	0.09 239	0.17 356	0.21 441	0.25 333	0.23 309	0.18 342	0.30 423	0.26 415	0.18 400	0.17 349	0.14 315	0.09 360	0.07 380	0.08 279	0.07 273	0.07 258	0.07 280
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 355	0.07 140	0.14 265	0.14 30	0.08 127	0.23 451	0.18 364	0.31 426	0.19 247	0.14 241	0.28 405	0.22 368	0.14 319	0.15 283	0.26 485	0.09 360	0.05 183	0.07 195	0.07 273	0.08 321	0.07 280

test_xeample	0.15 355	0.06 57	0.13 230	0.14 30	0.08 127	0.21 430	0.20 424	0.28 391	0.20 270	0.16 296	0.29 417	0.19 329	0.16 363	0.15 283	0.26 485	0.09 360	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

ACVNet	0.15 355	0.09 313	0.15 316	0.13 13	0.12 421	0.14 279	0.20 424	0.22 275	0.33 421	0.17 312	0.26 383	0.21 350	0.16 363	0.17 349	0.21 431	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

acv_ft	0.15 355	0.09 313	0.15 316	0.19 356	0.10 341	0.16 335	0.17 319	0.25 333	0.33 421	0.19 358	0.26 383	0.21 350	0.17 386	0.17 349	0.18 392	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

CFNet	0.15 355	0.10 371	0.17 378	0.17 217	0.08 127	0.18 375	0.09 18	0.28 391	0.25 346	0.19 358	0.24 337	0.24 392	0.17 386	0.17 349	0.14 315	0.08 301	0.06 308	0.09 360	0.10 423	0.07 258	0.06 200

AdaStereo	0.15 355	0.11 397	0.15 316	0.18 299	0.09 239	0.20 413	0.11 46	0.32 437	0.28 383	0.20 381	0.23 325	0.20 341	0.13 294	0.19 385	0.14 315	0.12 455	0.05 183	0.10 408	0.07 273	0.09 383	0.07 280
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.
HSM	0.15 355	0.08 237	0.14 265	0.16 143	0.09 239	0.16 335	0.14 152	0.28 391	0.25 346	0.19 358	0.23 325	0.37 492	0.16 363	0.20 410	0.15 343	0.07 240	0.05 183	0.07 195	0.06 186	0.07 258	0.06 200

pmcnn	0.15 355	0.07 140	0.19 412	0.15 70	0.07 71	0.20 413	0.15 220	0.24 317	0.26 360	0.21 395	0.34 451	0.28 433	0.18 400	0.18 370	0.17 374	0.07 240	0.05 183	0.05 23	0.04 34	0.07 258	0.06 200

DualNet (step1)	0.16 378	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.16 317	0.16 359	0.15 495	0.06 308	0.14 485	0.14 487	0.14 484	0.12 454

GMStereo_Zeroshot	0.16 378	0.13 444	0.24 451	0.20 411	0.10 341	0.17 356	0.13 104	0.29 402	0.25 346	0.23 423	0.32 435	0.25 406	0.11 225	0.19 385	0.14 315	0.09 360	0.06 308	0.11 439	0.06 186	0.12 453	0.08 344

iinet-f	0.16 378	0.06 57	0.45 514	0.14 30	0.10 341	0.21 430	0.14 152	0.27 372	0.23 309	0.21 395	0.24 337	0.21 350	0.15 337	0.18 370	0.21 431	0.09 360	0.07 380	0.07 195	0.06 186	0.09 383	0.10 415

CRFU-Net	0.16 378	0.08 237	0.14 265	0.17 217	0.09 239	0.19 398	0.14 152	0.26 351	0.20 270	0.28 471	0.27 391	0.29 441	0.17 386	0.19 385	0.17 374	0.09 360	0.09 435	0.07 195	0.07 273	0.08 321	0.08 344

NINENet	0.16 378	0.10 371	0.15 316	0.17 217	0.11 390	0.19 398	0.14 152	0.40 509	0.36 446	0.18 342	0.21 306	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.08 406	0.10 408	0.07 273	0.10 415	0.09 388

CSP-Net	0.16 378	0.09 313	0.14 265	0.16 143	0.09 239	0.19 398	0.17 319	0.25 333	0.32 414	0.25 445	0.30 423	0.24 392	0.15 337	0.21 427	0.18 392	0.09 360	0.06 308	0.07 195	0.07 273	0.08 321	0.07 280

AASNet	0.16 378	0.08 237	0.12 185	0.19 356	0.09 239	0.18 375	0.15 220	0.37 493	0.37 453	0.19 358	0.23 325	0.20 341	0.16 363	0.17 349	0.20 411	0.10 401	0.08 406	0.08 279	0.07 273	0.09 383	0.09 388

AACVNet	0.16 378	0.08 237	0.14 265	0.15 70	0.10 341	0.18 375	0.15 220	0.23 295	0.24 325	0.27 456	0.27 391	0.28 433	0.17 386	0.19 385	0.16 359	0.09 360	0.07 380	0.09 360	0.07 273	0.10 415	0.09 388

ADLNet2	0.16 378	0.09 313	0.13 230	0.16 143	0.09 239	0.20 413	0.16 285	0.31 426	0.39 463	0.16 296	0.20 285	0.20 341	0.18 400	0.21 427	0.22 440	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.07 280

Anonymous3	0.16 378	0.13 444	0.33 490	0.26 501	0.14 464	0.27 486	0.17 319	0.28 391	0.28 383	0.15 268	0.17 239	0.14 238	0.10 200	0.15 283	0.12 237	0.08 301	0.08 406	0.08 279	0.08 338	0.08 321	0.11 441

ADLNet	0.16 378	0.08 237	0.15 316	0.16 143	0.10 341	0.16 335	0.17 319	0.32 437	0.27 369	0.22 411	0.27 391	0.24 392	0.16 363	0.18 370	0.21 431	0.10 401	0.06 308	0.10 408	0.10 423	0.08 321	0.09 388

HCRNet	0.16 378	0.24 517	0.12 185	0.35 532	0.11 390	0.15 305	0.17 319	0.26 351	0.22 299	0.19 358	0.24 337	0.21 350	0.14 319	0.15 283	0.13 278	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

222	0.16 378	0.07 140	0.14 265	0.14 30	0.08 127	0.24 456	0.18 364	0.30 416	0.20 270	0.17 312	0.28 405	0.17 301	0.16 363	0.15 283	0.40 535	0.10 401	0.05 183	0.07 195	0.06 186	0.07 258	0.08 344

UPFNet	0.16 378	0.08 237	0.12 185	0.20 411	0.12 421	0.20 413	0.23 462	0.28 391	0.26 360	0.17 312	0.24 337	0.22 368	0.19 416	0.19 385	0.21 431	0.09 360	0.07 380	0.08 279	0.09 384	0.08 321	0.06 200

ac_64	0.16 378	0.08 237	0.15 316	0.18 299	0.10 341	0.22 438	0.18 364	0.24 317	0.21 285	0.18 342	0.24 337	0.29 441	0.18 400	0.19 385	0.22 440	0.09 360	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

DSFCA	0.16 378	0.09 313	0.14 265	0.16 143	0.10 341	0.20 413	0.19 403	0.28 391	0.31 407	0.23 423	0.24 337	0.22 368	0.15 337	0.19 385	0.20 411	0.10 401	0.07 380	0.09 360	0.09 384	0.08 321	0.08 344

FADNet-RVC-Resample	0.16 378	0.11 397	0.31 484	0.22 455	0.11 390	0.19 398	0.14 152	0.25 333	0.24 325	0.24 432	0.27 391	0.20 341	0.15 337	0.16 317	0.15 343	0.07 240	0.08 406	0.12 458	0.10 423	0.09 383	0.10 415

FADNet_RVC	0.16 378	0.14 456	0.40 507	0.20 411	0.11 390	0.13 247	0.13 104	0.26 351	0.22 299	0.21 395	0.23 325	0.20 341	0.17 386	0.14 261	0.16 359	0.08 301	0.08 406	0.12 458	0.09 384	0.11 438	0.10 415

AANet_RVC	0.16 378	0.10 371	0.10 109	0.18 299	0.09 239	0.18 375	0.19 403	0.26 351	0.31 407	0.22 411	0.35 455	0.21 350	0.21 432	0.22 440	0.16 359	0.06 114	0.05 183	0.06 102	0.06 186	0.07 258	0.06 200

DeepPruner_ROB	0.16 378	0.11 397	0.15 316	0.17 217	0.10 341	0.17 356	0.15 220	0.32 437	0.21 285	0.19 358	0.21 306	0.22 368	0.18 400	0.20 410	0.15 343	0.13 478	0.09 435	0.09 360	0.09 384	0.11 438	0.10 415

z-ln-s-r	0.17 398	0.10 371	0.40 507	0.19 356	0.08 127	0.17 356	0.18 364	0.22 275	0.33 421	0.18 342	0.40 484	0.22 368	0.17 386	0.20 410	0.23 452	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.05 121

rvit_stereo_0075_2	0.17 398	0.12 415	0.25 456	0.23 476	0.16 492	0.13 247	0.10 27	0.30 416	0.27 369	0.20 381	0.28 405	0.22 368	0.15 337	0.18 370	0.13 278	0.16 511	0.10 455	0.17 505	0.10 423	0.10 415	0.09 388

ToySt	0.17 398	0.11 397	0.18 401	0.17 217	0.11 390	0.16 335	0.25 489	0.24 317	0.33 421	0.19 358	0.24 337	0.26 415	0.24 455	0.19 385	0.20 411	0.07 240	0.08 406	0.09 360	0.10 423	0.09 383	0.08 344

ssnet_v2	0.17 398	0.10 371	0.17 378	0.17 217	0.11 390	0.21 430	0.21 441	0.33 456	0.25 346	0.22 411	0.22 316	0.27 423	0.18 400	0.22 440	0.20 411	0.11 430	0.09 435	0.09 360	0.09 384	0.08 321	0.08 344

dad	0.17 398	0.20 503	0.20 424	0.16 143	0.11 390	0.20 413	0.18 364	0.21 253	0.28 383	0.30 483	0.24 337	0.29 441	0.13 294	0.19 385	0.16 359	0.18 517	0.09 435	0.11 439	0.09 384	0.11 438	0.07 280

GEStereo_RVC	0.17 398	0.12 415	0.15 316	0.22 455	0.11 390	0.19 398	0.17 319	0.32 437	0.48 498	0.20 381	0.25 366	0.17 301	0.13 294	0.21 427	0.16 359	0.10 401	0.06 308	0.08 279	0.07 273	0.09 383	0.08 344

MMNet	0.17 398	0.09 313	0.16 350	0.20 411	0.11 390	0.27 486	0.20 424	0.25 333	0.41 472	0.22 411	0.30 423	0.21 350	0.20 428	0.17 349	0.20 411	0.06 114	0.06 308	0.07 195	0.07 273	0.08 321	0.07 280

delet	0.17 398	0.08 237	0.17 378	0.19 356	0.11 390	0.20 413	0.21 441	0.30 416	0.37 453	0.17 312	0.26 383	0.19 329	0.19 416	0.19 385	0.21 431	0.08 301	0.08 406	0.09 360	0.11 455	0.06 192	0.06 200

UNet	0.17 398	0.09 313	0.18 401	0.19 356	0.12 421	0.27 486	0.19 403	0.33 456	0.29 390	0.21 395	0.24 337	0.23 386	0.19 416	0.19 385	0.18 392	0.07 240	0.06 308	0.08 279	0.07 273	0.08 321	0.06 200

HGLStereo	0.17 398	0.08 237	0.19 412	0.17 217	0.12 421	0.18 375	0.18 364	0.31 426	0.32 414	0.21 395	0.32 435	0.25 406	0.18 400	0.19 385	0.20 411	0.09 360	0.09 435	0.07 195	0.07 273	0.09 383	0.10 415

DMCA-RVC	0.17 398	0.10 371	0.15 316	0.24 485	0.11 390	0.18 375	0.18 364	0.25 333	0.24 325	0.21 395	0.26 383	0.25 406	0.27 478	0.18 370	0.20 411	0.12 455	0.08 406	0.13 473	0.10 423	0.10 415	0.08 344

TDLM	0.17 398	0.12 415	0.13 230	0.24 485	0.10 341	0.18 375	0.18 364	0.36 487	0.30 400	0.21 395	0.28 405	0.28 433	0.18 400	0.23 451	0.18 392	0.11 430	0.07 380	0.10 408	0.10 423	0.08 321	0.08 344

NLCA_NET_v2_RVC	0.17 398	0.10 371	0.22 438	0.20 411	0.10 341	0.15 305	0.18 364	0.31 426	0.25 346	0.21 395	0.30 423	0.25 406	0.17 386	0.21 427	0.20 411	0.09 360	0.06 308	0.08 279	0.08 338	0.07 258	0.08 344
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 398	0.12 415	0.15 316	0.20 411	0.09 239	0.18 375	0.18 364	0.26 351	0.23 309	0.26 450	0.40 484	0.22 368	0.17 386	0.21 427	0.20 411	0.08 301	0.05 183	0.09 360	0.10 423	0.07 258	0.07 280
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 412	0.08 237	0.19 412	0.19 356	0.13 444	0.15 305	0.12 63	0.30 416	0.32 414	0.21 395	0.25 366	0.27 423	0.17 386	0.17 349	0.20 411	0.20 524	0.08 406	0.14 485	0.14 487	0.14 484	0.17 516

test_sample9	0.18 412	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.19 385	0.17 374	0.15 495	0.30 542	0.14 485	0.14 487	0.14 484	0.12 454

fast-acv-ft	0.18 412	0.11 397	0.19 412	0.19 356	0.12 421	0.24 456	0.21 441	0.25 333	0.34 433	0.22 411	0.34 451	0.27 423	0.20 428	0.21 427	0.23 452	0.09 360	0.09 435	0.08 279	0.10 423	0.08 321	0.07 280

HBP-ISP	0.18 412	0.13 444	0.16 350	0.15 70	0.11 390	0.08 52	0.13 104	0.28 391	0.29 390	0.22 411	0.33 447	0.21 350	0.25 464	0.23 451	0.17 374	0.14 491	0.16 512	0.21 519	0.17 513	0.10 415	0.08 344

Wz-Net-LNSev-Ref	0.18 412	0.09 313	0.29 479	0.15 70	0.10 341	0.22 438	0.20 424	0.26 351	0.39 463	0.25 445	0.42 501	0.24 392	0.15 337	0.20 410	0.19 405	0.07 240	0.05 183	0.06 102	0.05 108	0.10 415	0.09 388

SACVNet	0.18 412	0.12 415	0.14 265	0.17 217	0.13 444	0.22 438	0.18 364	0.31 426	0.30 400	0.23 423	0.31 431	0.30 450	0.22 441	0.22 440	0.17 374	0.11 430	0.08 406	0.10 408	0.10 423	0.12 453	0.14 490

psm_up	0.18 412	0.10 371	0.18 401	0.20 411	0.11 390	0.17 356	0.19 403	0.37 493	0.34 433	0.21 395	0.28 405	0.29 441	0.24 455	0.20 410	0.22 440	0.09 360	0.10 455	0.11 439	0.11 455	0.08 321	0.08 344

hitnet-ft	0.18 412	0.09 313	0.17 378	0.14 30	0.09 239	0.26 476	0.20 424	0.25 333	0.26 360	0.24 432	0.32 435	0.31 463	0.22 441	0.24 460	0.21 431	0.12 455	0.07 380	0.10 408	0.08 338	0.12 453	0.11 441

STTStereo	0.18 412	0.12 415	0.27 466	0.20 411	0.11 390	0.16 335	0.21 441	0.29 402	0.23 309	0.21 395	0.30 423	0.29 441	0.18 400	0.20 410	0.19 405	0.12 455	0.11 467	0.11 439	0.14 487	0.09 383	0.08 344

CVANet_RVC	0.18 412	0.10 371	0.14 265	0.21 440	0.10 341	0.18 375	0.17 319	0.34 465	0.33 421	0.22 411	0.31 431	0.28 433	0.18 400	0.23 451	0.17 374	0.12 455	0.08 406	0.12 458	0.11 455	0.09 383	0.07 280

StereoDRNet	0.18 412	0.11 397	0.17 378	0.22 455	0.11 390	0.21 430	0.22 451	0.37 493	0.33 421	0.24 432	0.28 405	0.30 450	0.19 416	0.20 410	0.20 411	0.09 360	0.08 406	0.11 439	0.09 384	0.09 383	0.07 280

DLCB_ROB	0.18 412	0.10 371	0.15 316	0.23 476	0.11 390	0.24 456	0.18 364	0.29 402	0.28 383	0.27 456	0.28 405	0.28 433	0.24 455	0.19 385	0.20 411	0.08 301	0.08 406	0.09 360	0.09 384	0.07 258	0.07 280

TCMNet	0.19 424	0.12 415	0.19 412	0.20 411	0.18 513	0.20 413	0.24 474	0.27 372	0.36 446	0.23 423	0.26 383	0.25 406	0.19 416	0.19 385	0.23 452	0.13 478	0.11 467	0.11 439	0.12 474	0.13 471	0.12 454

rvit_105_1	0.19 424	0.11 397	0.25 456	0.21 440	0.16 492	0.21 430	0.27 504	0.31 426	0.41 472	0.19 358	0.20 285	0.22 368	0.17 386	0.19 385	0.17 374	0.12 455	0.12 481	0.13 473	0.15 502	0.08 321	0.07 280

test_sample8	0.19 424	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.31 426	0.21 285	0.27 456	0.22 316	0.36 487	0.25 464	0.19 385	0.17 374	0.15 495	0.30 542	0.14 485	0.14 487	0.14 484	0.12 454

SDNR	0.19 424	0.08 237	0.19 412	0.16 143	0.12 421	0.77 557	0.14 152	0.25 333	0.32 414	0.19 358	0.24 337	0.19 329	0.13 294	0.19 385	0.15 343	0.16 511	0.18 519	0.14 485	0.11 455	0.08 321	0.11 441

pcwnet_v2	0.19 424	0.10 371	0.26 459	0.17 217	0.14 464	0.18 375	0.15 220	0.37 493	0.46 496	0.19 358	0.24 337	0.21 350	0.19 416	0.20 410	0.19 405	0.13 478	0.10 455	0.10 408	0.10 423	0.11 438	0.13 473

ADCRef	0.19 424	0.12 415	0.41 510	0.20 411	0.12 421	0.22 438	0.18 364	0.32 437	0.36 446	0.26 450	0.32 435	0.17 301	0.23 449	0.24 460	0.24 465	0.07 240	0.06 308	0.09 360	0.09 384	0.08 321	0.08 344

NVstereo2D	0.19 424	0.10 371	0.15 316	0.17 217	0.15 482	0.28 493	0.23 462	0.44 526	0.42 479	0.15 268	0.27 391	0.25 406	0.19 416	0.22 440	0.17 374	0.09 360	0.06 308	0.10 408	0.08 338	0.15 499	0.09 388

DRN-Test	0.19 424	0.11 397	0.20 424	0.22 455	0.10 341	0.22 438	0.22 451	0.39 505	0.37 453	0.24 432	0.32 435	0.26 415	0.21 432	0.22 440	0.24 465	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

DISCO	0.19 424	0.09 313	0.22 438	0.17 217	0.10 341	0.25 467	0.18 364	0.27 372	0.44 489	0.22 411	0.31 431	0.33 475	0.26 470	0.28 481	0.28 500	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.09 388

CBMV_ROB	0.19 424	0.13 444	0.17 378	0.16 143	0.11 390	0.15 305	0.13 104	0.26 351	0.28 383	0.27 456	0.30 423	0.27 423	0.24 455	0.23 451	0.16 359	0.15 495	0.17 517	0.22 523	0.20 519	0.10 415	0.11 441

NOSS_ROB	0.19 424	0.12 415	0.18 401	0.16 143	0.12 421	0.15 305	0.12 63	0.30 416	0.32 414	0.20 381	0.22 316	0.27 423	0.23 449	0.21 427	0.16 359	0.16 511	0.18 519	0.23 524	0.21 521	0.12 453	0.13 473

CBMV	0.19 424	0.14 456	0.17 378	0.18 299	0.10 341	0.20 413	0.11 46	0.29 402	0.30 400	0.29 479	0.30 423	0.30 450	0.23 449	0.27 470	0.19 405	0.13 478	0.15 509	0.17 505	0.16 506	0.10 415	0.10 415
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
w-ln-seven-2	0.20 436	0.14 456	0.37 503	0.22 455	0.12 421	0.20 413	0.21 441	0.28 391	0.37 453	0.25 445	0.37 464	0.27 423	0.22 441	0.21 427	0.23 452	0.08 301	0.08 406	0.09 360	0.09 384	0.10 415	0.09 388

YMNet	0.20 436	0.12 415	0.19 412	0.20 411	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 494	0.10 408	0.10 423	0.08 321	0.09 388

YMNet_1	0.20 436	0.12 415	0.19 412	0.20 411	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 494	0.10 408	0.10 423	0.08 321	0.09 388

GwcNet	0.20 436	0.13 444	0.19 412	0.18 299	0.12 421	0.24 456	0.19 403	0.35 480	0.43 484	0.20 381	0.32 435	0.33 475	0.20 428	0.22 440	0.24 465	0.11 430	0.09 435	0.09 360	0.09 384	0.09 383	0.10 415

FAT-Stereo	0.20 436	0.12 415	0.22 438	0.21 440	0.12 421	0.17 356	0.18 364	0.34 465	0.39 463	0.27 456	0.37 464	0.34 481	0.32 507	0.21 427	0.20 411	0.09 360	0.11 467	0.10 408	0.09 384	0.11 438	0.14 490

FADNet-RVC	0.20 436	0.20 503	0.38 504	0.21 440	0.16 492	0.20 413	0.15 220	0.26 351	0.26 360	0.26 450	0.32 435	0.26 415	0.21 432	0.22 440	0.19 405	0.12 455	0.13 494	0.12 458	0.14 487	0.13 471	0.18 519

S-Stereo	0.20 436	0.12 415	0.25 456	0.21 440	0.13 444	0.20 413	0.18 364	0.32 437	0.43 484	0.23 423	0.36 458	0.28 433	0.30 499	0.19 385	0.22 440	0.09 360	0.12 481	0.10 408	0.10 423	0.13 471	0.13 473

SuperB	0.20 436	0.10 371	0.56 530	0.16 143	0.09 239	0.18 375	0.18 364	0.24 317	0.50 507	0.26 450	0.39 478	0.17 301	0.21 432	0.22 440	0.21 431	0.08 301	0.06 308	0.06 102	0.06 186	0.12 453	0.10 415

ADCP+	0.20 436	0.10 371	0.33 490	0.20 411	0.12 421	0.22 438	0.26 497	0.31 426	0.34 433	0.26 450	0.37 464	0.22 368	0.22 441	0.27 470	0.27 493	0.09 360	0.06 308	0.08 279	0.08 338	0.09 383	0.10 415

PS-NSSS	0.20 436	0.21 509	0.23 447	0.20 411	0.10 341	0.19 398	0.17 319	0.36 487	0.25 346	0.27 456	0.33 447	0.27 423	0.24 455	0.20 410	0.20 411	0.15 495	0.12 481	0.17 505	0.14 487	0.10 415	0.08 344

PWCDC_ROB	0.20 436	0.13 444	0.22 438	0.24 485	0.11 390	0.19 398	0.15 220	0.33 456	0.54 516	0.29 479	0.50 516	0.21 350	0.15 337	0.27 470	0.20 411	0.11 430	0.09 435	0.10 408	0.08 338	0.11 438	0.09 388

SGM-Forest	0.20 436	0.14 456	0.18 401	0.19 356	0.13 444	0.20 413	0.22 451	0.33 456	0.30 400	0.24 432	0.29 417	0.28 433	0.19 416	0.23 451	0.17 374	0.15 495	0.16 512	0.15 497	0.14 487	0.12 453	0.12 454
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 448	0.17 485	0.19 412	0.23 476	0.15 482	0.30 500	0.20 424	0.33 456	0.35 442	0.23 423	0.28 405	0.31 463	0.27 478	0.20 410	0.22 440	0.15 495	0.12 481	0.13 473	0.09 384	0.14 484	0.14 490

FINET	0.21 448	0.18 496	0.26 459	0.18 299	0.16 492	0.23 451	0.23 462	0.32 437	0.48 498	0.25 445	0.32 435	0.22 368	0.22 441	0.22 440	0.17 374	0.18 517	0.16 512	0.11 439	0.10 423	0.15 499	0.13 473

Syn2CoEx	0.21 448	0.16 474	0.27 466	0.29 523	0.14 464	0.26 476	0.20 424	0.33 456	0.31 407	0.28 471	0.36 458	0.27 423	0.25 464	0.19 385	0.24 465	0.16 511	0.12 481	0.14 485	0.11 455	0.09 383	0.08 344

FADNet	0.21 448	0.22 513	0.36 499	0.18 299	0.17 507	0.24 456	0.13 104	0.31 426	0.31 407	0.23 423	0.25 366	0.27 423	0.21 432	0.19 385	0.15 343	0.13 478	0.15 509	0.12 458	0.15 502	0.16 506	0.18 519

RP	0.21 448	0.13 444	0.21 432	0.23 476	0.11 390	0.21 430	0.20 424	0.25 333	0.44 489	0.21 395	0.38 470	0.36 487	0.24 455	0.27 470	0.25 474	0.11 430	0.12 481	0.13 473	0.12 474	0.12 453	0.14 490

DANet	0.21 448	0.15 466	0.28 471	0.25 496	0.13 444	0.22 438	0.19 403	0.27 372	0.27 369	0.28 471	0.32 435	0.35 485	0.31 503	0.31 491	0.23 452	0.11 430	0.09 435	0.11 439	0.10 423	0.13 471	0.11 441
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 448	0.12 415	0.21 432	0.24 485	0.13 444	0.22 438	0.22 451	0.41 515	0.26 360	0.31 489	0.42 501	0.37 492	0.28 487	0.23 451	0.22 440	0.10 401	0.12 481	0.10 408	0.09 384	0.10 415	0.08 344

PWC_ROB	0.21 448	0.16 474	0.26 459	0.18 299	0.11 390	0.22 438	0.13 104	0.32 437	0.49 504	0.30 483	0.40 484	0.32 472	0.24 455	0.31 491	0.22 440	0.10 401	0.07 380	0.11 439	0.08 338	0.11 438	0.10 415

PSMNet_ROB	0.21 448	0.11 397	0.15 316	0.27 513	0.15 482	0.24 456	0.35 536	0.43 524	0.37 453	0.27 456	0.32 435	0.32 472	0.22 441	0.21 427	0.26 485	0.12 455	0.08 406	0.13 473	0.11 455	0.09 383	0.09 388

MSAF-DinoV2	0.22 457	0.11 397	0.23 447	0.17 217	0.10 341	0.27 486	0.16 285	0.37 493	0.55 517	0.21 395	0.27 391	0.47 525	0.27 478	0.35 510	0.39 532	0.09 360	0.06 308	0.07 195	0.09 384	0.12 453	0.10 415

GASNet	0.22 457	0.23 514	0.33 490	0.26 501	0.17 507	0.26 476	0.16 285	0.44 526	0.42 479	0.27 456	0.24 337	0.30 450	0.15 337	0.27 470	0.18 392	0.12 455	0.08 406	0.12 458	0.11 455	0.16 506	0.07 280

Anonymous_2	0.22 457	0.17 485	0.28 471	0.15 70	0.16 492	0.32 502	0.22 451	0.22 275	0.17 206	0.23 423	0.24 337	0.26 415	0.27 478	0.27 470	0.23 452	0.22 532	0.25 538	0.17 505	0.17 513	0.17 513	0.17 516

Wz-Net-LNSev	0.22 457	0.16 474	0.38 504	0.21 440	0.13 444	0.25 467	0.23 462	0.32 437	0.43 484	0.30 483	0.41 495	0.31 463	0.18 400	0.22 440	0.25 474	0.10 401	0.09 435	0.08 279	0.08 338	0.12 453	0.11 441

Wz-Net-MNSev	0.22 457	0.13 444	0.31 484	0.20 411	0.14 464	0.36 520	0.24 474	0.33 456	0.44 489	0.28 471	0.40 484	0.38 496	0.19 416	0.24 460	0.25 474	0.09 360	0.07 380	0.09 360	0.09 384	0.12 453	0.10 415

DDUNet	0.22 457	0.17 485	0.21 432	0.22 455	0.15 482	0.25 467	0.24 474	0.29 402	0.30 400	0.31 489	0.36 458	0.33 475	0.25 464	0.24 460	0.20 411	0.18 517	0.13 494	0.17 505	0.11 455	0.16 506	0.16 508

APVNet	0.22 457	0.12 415	0.19 412	0.18 299	0.14 464	0.32 502	0.31 532	0.39 505	0.32 414	0.27 456	0.40 484	0.30 450	0.29 495	0.26 467	0.25 474	0.11 430	0.12 481	0.11 439	0.14 487	0.12 453	0.12 454

aanetorigin	0.22 457	0.17 485	0.56 530	0.17 217	0.10 341	0.15 305	0.19 403	0.20 230	0.33 421	0.49 531	0.48 511	0.29 441	0.27 478	0.20 410	0.23 452	0.08 301	0.07 380	0.08 279	0.07 273	0.10 415	0.09 388

MaskLacGwcNet_RVC	0.22 457	0.21 509	0.24 451	0.26 501	0.11 390	0.23 451	0.14 152	0.39 505	0.24 325	0.32 495	0.36 458	0.30 450	0.21 432	0.19 385	0.21 431	0.17 516	0.14 503	0.21 519	0.16 506	0.12 453	0.12 454

AF-Net	0.22 457	0.17 485	0.17 378	0.26 501	0.13 444	0.25 467	0.24 474	0.32 437	0.50 507	0.25 445	0.33 447	0.38 496	0.26 470	0.28 481	0.25 474	0.11 430	0.10 455	0.16 503	0.11 455	0.11 438	0.10 415

stereogan	0.22 457	0.11 397	0.21 432	0.20 411	0.12 421	0.31 501	0.19 403	0.35 480	0.44 489	0.22 411	0.39 478	0.35 485	0.27 478	0.33 501	0.22 440	0.10 401	0.12 481	0.10 408	0.10 423	0.14 484	0.13 473

edge stereo	0.22 457	0.13 444	0.20 424	0.21 440	0.13 444	0.23 451	0.16 285	0.32 437	0.42 479	0.32 495	0.40 484	0.38 496	0.35 514	0.25 465	0.24 465	0.13 478	0.11 467	0.14 485	0.11 455	0.12 453	0.13 473

RYNet	0.22 457	0.12 415	0.22 438	0.19 356	0.17 507	0.46 528	0.26 497	0.38 501	0.48 498	0.24 432	0.28 405	0.34 481	0.23 449	0.20 410	0.30 508	0.10 401	0.06 308	0.09 360	0.09 384	0.13 471	0.15 497

NaN_ROB	0.22 457	0.19 499	0.24 451	0.25 496	0.13 444	0.29 497	0.26 497	0.33 456	0.41 472	0.31 489	0.31 431	0.32 472	0.23 449	0.30 490	0.21 431	0.11 430	0.17 517	0.10 408	0.10 423	0.08 321	0.09 388

MDST_ROB	0.22 457	0.10 371	0.17 378	0.18 299	0.11 390	0.37 521	0.19 403	0.43 524	0.41 472	0.39 512	0.39 478	0.29 441	0.21 432	0.26 467	0.18 392	0.11 430	0.10 455	0.14 485	0.11 455	0.10 415	0.08 344

XPNet_ROB	0.22 457	0.11 397	0.19 412	0.22 455	0.13 444	0.22 438	0.19 403	0.34 465	0.40 469	0.30 483	0.39 478	0.39 504	0.26 470	0.26 467	0.28 500	0.15 495	0.10 455	0.10 408	0.10 423	0.13 471	0.12 454

SQANet	0.23 473	0.23 514	0.30 482	0.30 525	0.19 516	0.27 486	0.13 104	0.29 402	0.33 421	0.24 432	0.37 464	0.31 463	0.22 441	0.27 470	0.23 452	0.15 495	0.10 455	0.21 519	0.16 506	0.21 521	0.15 497

Nwc_Net	0.23 473	0.16 474	0.21 432	0.25 496	0.14 464	0.24 456	0.26 497	0.37 493	0.38 460	0.22 411	0.41 495	0.30 450	0.28 487	0.28 481	0.25 474	0.11 430	0.10 455	0.17 505	0.20 519	0.10 415	0.10 415

RTSC	0.23 473	0.12 415	0.28 471	0.21 440	0.13 444	0.28 493	0.16 285	0.35 480	0.66 539	0.27 456	0.33 447	0.30 450	0.21 432	0.31 491	0.29 503	0.10 401	0.08 406	0.09 360	0.10 423	0.13 471	0.13 473

PA-Net	0.23 473	0.18 496	0.33 490	0.28 516	0.22 524	0.21 430	0.38 541	0.29 402	0.39 463	0.22 411	0.32 435	0.25 406	0.26 470	0.20 410	0.25 474	0.09 360	0.23 536	0.15 497	0.22 524	0.09 383	0.13 473
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 473	0.15 466	0.17 378	0.34 530	0.18 513	0.24 456	0.23 462	0.34 465	0.28 383	0.31 489	0.38 470	0.38 496	0.28 487	0.23 451	0.24 465	0.15 495	0.12 481	0.18 514	0.21 521	0.13 471	0.13 473

ETE_ROB	0.23 473	0.17 485	0.22 438	0.25 496	0.13 444	0.26 476	0.29 519	0.31 426	0.36 446	0.28 471	0.36 458	0.45 518	0.26 470	0.27 470	0.26 485	0.11 430	0.08 406	0.12 458	0.09 384	0.14 484	0.13 473

SGM_RVC	0.23 473	0.12 415	0.15 316	0.15 70	0.09 239	0.33 508	0.18 364	0.34 465	0.31 407	0.44 526	0.37 464	0.53 533	0.35 514	0.35 510	0.24 465	0.13 478	0.13 494	0.13 473	0.13 484	0.10 415	0.11 441
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
z-mn7	0.24 480	0.14 456	0.45 514	0.19 356	0.13 444	0.28 493	0.25 489	0.34 465	0.62 532	0.27 456	0.56 527	0.29 441	0.24 455	0.32 498	0.25 474	0.08 301	0.08 406	0.08 279	0.08 338	0.10 415	0.10 415

w-ln-seven	0.24 480	0.14 456	0.55 527	0.19 356	0.14 464	0.26 476	0.22 451	0.35 480	0.60 529	0.29 479	0.39 478	0.30 450	0.22 441	0.21 427	0.26 485	0.09 360	0.09 435	0.11 439	0.10 423	0.11 438	0.10 415

DGSMNet	0.24 480	0.19 499	0.33 490	0.21 440	0.24 528	0.24 456	0.20 424	0.35 480	0.41 472	0.24 432	0.32 435	0.38 496	0.21 432	0.29 487	0.23 452	0.12 455	0.11 467	0.14 485	0.16 506	0.23 525	0.23 530

G-Net	0.24 480	0.16 474	0.36 499	0.22 455	0.16 492	0.51 534	0.23 462	0.29 402	0.34 433	0.36 505	0.38 470	0.31 463	0.29 495	0.27 470	0.26 485	0.11 430	0.09 435	0.12 458	0.09 384	0.16 506	0.13 473

NCC-stereo	0.24 480	0.15 466	0.31 484	0.26 501	0.16 492	0.20 413	0.30 526	0.40 509	0.40 469	0.24 432	0.38 470	0.33 475	0.28 487	0.36 516	0.27 493	0.12 455	0.11 467	0.15 497	0.22 524	0.13 471	0.13 473

Abc-Net	0.24 480	0.15 466	0.31 484	0.26 501	0.16 492	0.20 413	0.30 526	0.40 509	0.40 469	0.24 432	0.38 470	0.33 475	0.28 487	0.36 516	0.27 493	0.12 455	0.11 467	0.15 497	0.22 524	0.13 471	0.13 473
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 480	0.11 397	0.47 519	0.22 455	0.12 421	0.34 511	0.29 519	0.29 402	0.56 520	0.24 432	0.46 508	0.30 450	0.30 499	0.29 487	0.29 503	0.08 301	0.07 380	0.09 360	0.09 384	0.10 415	0.10 415

DeepPrunerF	0.24 480	0.17 485	0.42 512	0.26 501	0.16 492	0.22 438	0.28 510	0.37 493	0.50 507	0.26 450	0.29 417	0.24 392	0.28 487	0.21 427	0.22 440	0.15 495	0.11 467	0.20 518	0.18 517	0.12 453	0.13 473

FBW_ROB	0.24 480	0.17 485	0.22 438	0.26 501	0.14 464	0.25 467	0.22 451	0.41 515	0.41 472	0.41 519	0.41 495	0.42 511	0.27 478	0.31 491	0.23 452	0.09 360	0.14 503	0.14 485	0.12 474	0.11 438	0.09 388

SANet	0.24 480	0.14 456	0.28 471	0.21 440	0.11 390	0.27 486	0.24 474	0.38 501	0.64 536	0.36 505	0.40 484	0.43 514	0.26 470	0.27 470	0.24 465	0.12 455	0.09 435	0.10 408	0.09 384	0.13 471	0.11 441

WCMA_ROB	0.24 480	0.11 397	0.22 438	0.17 217	0.14 464	0.32 502	0.15 220	0.32 437	0.32 414	0.38 510	0.53 518	0.40 508	0.34 512	0.34 504	0.25 474	0.11 430	0.12 481	0.12 458	0.10 423	0.14 484	0.14 490

zh-sn7	0.25 491	0.17 485	0.50 521	0.24 485	0.13 444	0.25 467	0.24 474	0.34 465	0.48 498	0.28 471	0.54 520	0.28 433	0.31 503	0.36 516	0.32 516	0.10 401	0.10 455	0.11 439	0.10 423	0.12 453	0.12 454

zh-mn7	0.25 491	0.14 456	0.56 530	0.19 356	0.14 464	0.24 456	0.22 451	0.34 465	0.62 532	0.35 502	0.65 535	0.31 463	0.25 464	0.31 491	0.25 474	0.09 360	0.08 406	0.09 360	0.09 384	0.09 383	0.11 441

Wz-Net-SNSev	0.25 491	0.17 485	0.44 513	0.25 496	0.14 464	0.26 476	0.23 462	0.38 501	0.56 520	0.30 483	0.55 522	0.39 504	0.26 470	0.23 451	0.30 508	0.10 401	0.09 435	0.09 360	0.10 423	0.11 438	0.11 441

psmorigin	0.25 491	0.15 466	0.34 498	0.17 217	0.13 444	0.23 451	0.14 152	0.34 465	0.33 421	0.41 519	0.55 522	0.41 510	0.37 518	0.34 504	0.27 493	0.11 430	0.15 509	0.11 439	0.11 455	0.12 453	0.16 508

RGC	0.25 491	0.20 503	0.29 479	0.28 516	0.16 492	0.22 438	0.23 462	0.32 437	0.44 489	0.27 456	0.40 484	0.38 496	0.27 478	0.36 516	0.22 440	0.11 430	0.13 494	0.17 505	0.17 513	0.14 484	0.16 508

ADCMid	0.25 491	0.15 466	0.40 507	0.20 411	0.14 464	0.25 467	0.26 497	0.34 465	0.38 460	0.36 505	0.44 506	0.34 481	0.40 524	0.35 510	0.33 520	0.10 401	0.09 435	0.11 439	0.11 455	0.13 471	0.12 454

ADCPNet	0.25 491	0.16 474	0.61 535	0.21 440	0.15 482	0.35 519	0.25 489	0.32 437	0.35 442	0.30 483	0.40 484	0.36 487	0.28 487	0.28 481	0.32 516	0.12 455	0.10 455	0.11 439	0.12 474	0.14 484	0.13 473

LALA_ROB	0.25 491	0.16 474	0.22 438	0.26 501	0.17 507	0.27 486	0.27 504	0.42 520	0.37 453	0.33 499	0.38 470	0.51 529	0.26 470	0.28 481	0.27 493	0.16 511	0.09 435	0.12 458	0.11 455	0.13 471	0.12 454

SHD	0.26 499	0.15 466	0.30 482	0.24 485	0.18 513	0.22 438	0.15 220	0.38 501	0.71 543	0.32 495	0.41 495	0.36 487	0.28 487	0.32 498	0.29 503	0.12 455	0.11 467	0.14 485	0.13 484	0.16 506	0.20 525

AnyNet_C32	0.26 499	0.16 474	0.36 499	0.20 411	0.16 492	0.25 467	0.30 526	0.32 437	0.44 489	0.31 489	0.49 512	0.30 450	0.33 508	0.40 531	0.33 520	0.12 455	0.12 481	0.12 458	0.14 487	0.14 484	0.15 497

PSMNet-RUCA	0.27 501	0.33 535	0.41 510	0.36 534	0.32 541	0.18 375	0.19 403	0.42 520	0.30 400	0.33 499	0.41 495	0.39 504	0.25 464	0.31 491	0.20 411	0.18 517	0.10 455	0.25 526	0.15 502	0.21 521	0.16 508

PDISCO_ROB	0.27 501	0.16 474	0.26 459	0.28 516	0.20 519	0.32 502	0.26 497	0.44 526	0.57 522	0.28 471	0.40 484	0.45 518	0.29 495	0.33 501	0.34 522	0.12 455	0.09 435	0.17 505	0.16 506	0.17 513	0.13 473

DispFullNet	0.27 501	0.21 509	0.65 538	0.28 516	0.16 492	0.26 476	0.17 319	0.33 456	0.58 525	0.27 456	0.38 470	0.43 514	0.23 449	0.38 523	0.23 452	0.12 455	0.06 308	0.19 516	0.11 455	0.21 521	0.15 497

MeshStereo	0.27 501	0.13 444	0.18 401	0.15 70	0.11 390	0.32 502	0.24 474	0.40 509	0.36 446	0.52 533	0.57 530	0.67 544	0.40 524	0.35 510	0.26 485	0.14 491	0.13 494	0.13 473	0.11 455	0.11 438	0.10 415
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
WZ-Net	0.28 505	0.17 485	0.78 552	0.22 455	0.16 492	0.34 511	0.29 519	0.39 505	0.57 522	0.24 432	0.55 522	0.37 492	0.24 455	0.33 501	0.35 523	0.09 360	0.08 406	0.09 360	0.10 423	0.14 484	0.16 508

XQC	0.28 505	0.23 514	0.51 522	0.28 516	0.19 516	0.34 511	0.27 504	0.36 487	0.57 522	0.31 489	0.30 423	0.37 492	0.30 499	0.38 523	0.38 530	0.13 478	0.09 435	0.15 497	0.12 474	0.17 513	0.18 519

CC-Net-ROB	0.28 505	0.31 533	0.36 499	0.29 523	0.15 482	0.25 467	0.19 403	0.45 529	0.33 421	0.39 512	0.37 464	0.39 504	0.31 503	0.27 470	0.26 485	0.24 538	0.19 522	0.30 539	0.23 528	0.18 516	0.15 497

DPSNet	0.28 505	0.16 474	0.31 484	0.18 299	0.13 444	0.54 536	0.42 545	0.51 538	0.67 540	0.29 479	0.38 470	0.38 496	0.29 495	0.31 491	0.23 452	0.11 430	0.10 455	0.11 439	0.08 338	0.20 520	0.16 508

MultiAttention	0.29 509	0.08 237	0.14 265	0.19 356	0.12 421	1.45 572	1.33 573	0.36 487	0.37 453	0.19 358	0.21 306	0.24 392	0.11 225	0.38 523	0.18 392	0.06 114	0.05 183	0.08 279	0.08 338	0.10 415	0.09 388

Wz-Net-TNSev	0.29 509	0.20 503	0.65 538	0.19 356	0.15 482	0.38 524	0.27 504	0.35 480	0.55 517	0.34 501	0.42 501	0.45 518	0.38 519	0.32 498	0.30 508	0.12 455	0.13 494	0.10 408	0.12 474	0.15 499	0.14 490

ccnet	0.29 509	0.28 528	0.23 447	0.20 411	0.28 535	0.41 527	0.21 441	0.45 529	0.33 421	0.36 505	0.46 508	0.36 487	0.30 499	0.39 527	0.42 539	0.23 536	0.14 503	0.21 519	0.17 513	0.23 525	0.18 519

EDNetEfficient	0.29 509	0.24 517	1.13 561	0.18 299	0.10 341	0.19 398	0.20 424	0.20 230	0.60 529	0.74 550	0.56 527	0.31 463	0.39 521	0.22 440	0.30 508	0.09 360	0.07 380	0.08 279	0.07 273	0.11 438	0.09 388

ADCS	0.29 509	0.18 496	0.45 514	0.21 440	0.17 507	0.28 493	0.23 462	0.41 515	0.63 535	0.40 515	0.49 512	0.40 508	0.36 516	0.39 527	0.40 535	0.13 478	0.12 481	0.13 473	0.14 487	0.16 506	0.16 508

CSAN	0.29 509	0.24 517	0.27 466	0.34 530	0.19 516	0.33 508	0.42 545	0.37 493	0.50 507	0.38 510	0.40 484	0.44 516	0.33 508	0.28 481	0.30 508	0.20 524	0.16 512	0.19 516	0.19 518	0.14 484	0.15 497

MFN_U_SF_DS_RVC	0.30 515	0.24 517	0.29 479	0.36 534	0.16 492	0.34 511	0.30 526	0.32 437	0.42 479	0.40 515	0.46 508	0.38 496	0.31 503	0.34 504	0.28 500	0.19 522	0.20 525	0.26 527	0.29 537	0.18 516	0.19 524

GANetREF_RVC	0.31 516	0.34 536	0.27 466	0.35 532	0.16 492	0.32 502	0.41 542	0.48 533	0.51 514	0.35 502	0.35 455	0.34 481	0.33 508	0.39 527	0.32 516	0.27 540	0.20 525	0.29 537	0.15 502	0.18 516	0.17 516
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
MSMD_ROB	0.31 516	0.26 523	0.26 459	0.24 485	0.21 522	0.34 511	0.25 489	0.34 465	0.39 463	0.40 515	0.69 539	0.45 518	0.40 524	0.34 504	0.27 493	0.20 524	0.19 522	0.26 527	0.25 530	0.23 525	0.22 529

MFN_U_SF_RVC	0.32 518	0.21 509	0.55 527	0.30 525	0.15 482	0.34 511	0.17 319	0.52 539	0.46 496	0.46 530	0.55 522	0.59 536	0.39 521	0.35 510	0.37 528	0.15 495	0.14 503	0.18 514	0.21 521	0.16 506	0.15 497

PASM	0.32 518	0.24 517	0.48 520	0.28 516	0.27 534	0.29 497	0.30 526	0.34 465	0.49 504	0.35 502	0.39 478	0.46 522	0.34 512	0.34 504	0.35 523	0.23 536	0.25 538	0.26 527	0.28 536	0.23 525	0.21 527

SGM-ForestM	0.32 518	0.12 415	0.16 350	0.16 143	0.11 390	0.39 525	0.19 403	0.41 515	0.50 507	0.52 533	0.54 520	1.32 563	0.42 532	0.40 531	0.27 493	0.14 491	0.16 512	0.16 503	0.16 506	0.12 453	0.12 454

FC-DCNN v2	0.33 521	0.27 524	0.28 471	0.26 501	0.23 526	0.37 521	0.28 510	0.40 509	0.43 484	0.45 527	0.56 527	0.51 529	0.40 524	0.37 521	0.29 503	0.21 528	0.20 525	0.27 530	0.26 531	0.25 532	0.24 531

FCDSN-DC	0.33 521	0.28 528	0.28 471	0.30 525	0.24 528	0.39 525	0.28 510	0.42 520	0.42 479	0.43 525	0.53 518	0.51 529	0.41 529	0.36 516	0.30 508	0.21 528	0.20 525	0.27 530	0.26 531	0.25 532	0.24 531
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 521	0.27 524	0.28 471	0.26 501	0.23 526	0.37 521	0.28 510	0.40 509	0.43 484	0.45 527	0.55 522	0.51 529	0.40 524	0.37 521	0.30 508	0.21 528	0.20 525	0.27 530	0.26 531	0.25 532	0.24 531

LSM	0.33 521	0.20 503	0.58 533	0.26 501	0.60 558	0.34 511	0.25 489	0.42 520	0.48 498	0.45 527	0.58 532	0.42 511	0.36 516	0.35 510	0.25 474	0.12 455	0.20 525	0.14 485	0.16 506	0.19 519	0.33 545

AnyNet_C01	0.36 525	0.25 522	1.37 564	0.22 455	0.17 507	0.48 532	0.27 504	0.35 480	0.39 463	0.39 512	0.74 545	0.46 522	0.38 519	0.45 535	0.47 544	0.13 478	0.13 494	0.13 473	0.14 487	0.14 484	0.15 497

GCST	0.37 526	0.42 543	0.26 459	1.02 567	0.39 542	0.18 375	0.08 7	0.20 230	0.17 206	0.28 471	0.25 366	0.15 267	0.12 256	0.16 317	0.14 315	0.64 560	0.43 549	0.75 557	0.65 560	0.63 554	0.46 553

otaku	0.39 527	0.37 539	0.52 523	0.44 541	0.28 535	0.58 538	0.24 474	0.41 515	0.62 532	0.40 515	0.49 512	0.46 522	0.33 508	0.40 531	0.32 516	0.30 541	0.30 542	0.39 543	0.33 542	0.29 538	0.28 539

ACVNet-4b	0.39 527	0.53 546	0.55 527	0.45 542	0.24 528	0.47 530	0.18 364	0.49 535	0.64 536	0.42 522	0.45 507	0.60 537	0.27 478	0.34 504	0.24 465	0.33 543	0.14 503	0.48 546	0.42 546	0.30 539	0.26 538

PVD	0.39 527	0.20 503	0.39 506	0.31 529	0.22 524	0.29 497	0.43 547	0.52 539	0.96 557	0.55 536	0.79 549	0.53 533	0.59 547	0.52 541	0.38 530	0.19 522	0.14 503	0.17 505	0.14 487	0.24 531	0.31 543

Ntro	0.40 530	0.40 541	0.53 524	0.46 545	0.30 539	0.65 544	0.24 474	0.46 531	0.68 541	0.41 519	0.49 512	0.48 527	0.42 532	0.39 527	0.31 515	0.32 542	0.28 540	0.37 542	0.30 539	0.32 543	0.29 540

SAMSARA	0.40 530	0.28 528	0.33 490	0.55 548	0.39 542	0.82 558	1.23 572	0.47 532	0.51 514	0.36 505	0.35 455	0.55 535	0.39 521	0.38 523	0.39 532	0.15 495	0.20 525	0.15 497	0.14 487	0.23 525	0.20 525

ELAS_RVC	0.41 532	0.29 531	0.33 490	0.28 516	0.24 528	0.54 536	0.36 537	0.49 535	0.59 526	0.72 546	0.74 545	0.65 542	0.54 541	0.54 545	0.40 535	0.22 532	0.20 525	0.27 530	0.26 531	0.26 536	0.25 536
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 532	0.29 531	0.33 490	0.27 513	0.24 528	0.60 541	0.36 537	0.50 537	0.50 507	0.71 544	0.79 549	0.67 544	0.54 541	0.51 539	0.42 539	0.22 532	0.20 525	0.27 530	0.26 531	0.26 536	0.25 536
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 534	0.39 540	0.54 525	0.40 537	0.20 519	0.64 543	0.32 534	0.53 541	0.72 544	0.71 544	0.72 542	0.61 538	0.54 541	0.51 539	0.46 543	0.20 524	0.19 522	0.29 537	0.30 539	0.23 525	0.18 519

ACVNet_1	0.44 535	0.49 545	0.60 534	0.45 542	0.28 535	0.49 533	0.27 504	0.57 546	0.72 544	0.62 539	0.58 532	0.74 548	0.49 538	0.50 538	0.35 523	0.26 539	0.24 537	0.39 543	0.29 537	0.31 542	0.24 531

Consistency-Raft	0.44 535	0.40 541	0.45 514	0.37 536	0.43 546	0.46 528	0.41 542	0.57 546	0.55 517	0.32 495	0.73 543	0.33 475	0.48 537	0.42 534	0.49 546	0.39 545	0.35 546	0.45 545	0.51 553	0.42 545	0.29 540

RTS	0.45 537	0.19 499	3.26 570	0.24 485	0.15 482	0.74 551	0.20 424	0.36 487	0.76 550	0.42 522	0.43 504	0.31 463	0.41 529	0.53 543	0.35 523	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 497

RTSA	0.45 537	0.19 499	3.26 570	0.24 485	0.15 482	0.74 551	0.20 424	0.36 487	0.76 550	0.42 522	0.43 504	0.31 463	0.41 529	0.53 543	0.35 523	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 497

MANE	0.45 537	0.27 524	0.27 466	0.27 513	0.24 528	0.47 530	0.31 532	0.55 543	0.59 526	0.72 546	1.13 565	1.15 557	0.61 548	0.52 541	0.37 528	0.21 528	0.20 525	0.27 530	0.31 541	0.25 532	0.24 531

NVStereoNet_ROB	0.46 540	0.36 538	0.46 518	0.41 539	0.28 535	0.34 511	0.34 535	0.48 533	0.60 529	0.72 546	0.93 554	0.70 547	0.66 551	0.47 536	0.60 553	0.22 532	0.33 545	0.34 541	0.34 544	0.30 539	0.30 542
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 541	0.07 140	0.14 265	0.15 70	0.08 127	0.24 456	0.16 285	0.22 275	1.81 573	4.63 576	0.67 537	0.47 525	0.44 534	0.20 410	0.29 503	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

BEATNet-Init1	0.52 542	0.27 524	0.62 536	0.30 525	0.21 522	0.76 555	0.29 519	0.54 542	0.65 538	0.86 555	0.95 556	2.07 572	0.62 550	0.56 547	0.42 539	0.18 517	0.18 519	0.23 524	0.22 524	0.22 524	0.21 527

anonymity	0.53 543	0.58 548	0.65 538	0.41 539	0.61 559	0.53 535	0.41 542	0.56 544	0.41 472	0.55 536	0.50 516	0.49 528	0.55 544	0.58 548	0.50 549	0.58 556	0.50 559	0.51 548	0.51 553	0.51 547	0.57 555

RainbowNet	0.54 544	0.61 550	0.70 550	0.57 549	0.43 546	0.65 544	0.37 540	0.60 548	0.87 554	0.50 532	0.66 536	0.64 540	0.47 536	0.49 537	0.43 542	0.47 551	0.48 555	0.52 550	0.41 545	0.52 548	0.40 550

SGM+DAISY	0.56 545	0.57 547	0.65 538	0.40 537	0.54 551	0.66 546	0.49 549	0.56 544	0.45 495	0.66 540	0.69 539	0.67 544	0.56 545	0.63 550	0.56 551	0.59 557	0.48 555	0.50 547	0.50 552	0.52 548	0.58 556

SPS-STEREO	0.57 546	0.58 548	0.65 538	0.45 542	0.55 553	0.62 542	0.44 548	0.62 549	0.50 507	0.68 542	0.64 534	0.66 543	0.57 546	0.61 549	0.60 553	0.62 559	0.47 554	0.51 548	0.49 550	0.55 552	0.58 556
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 547	0.66 554	0.65 538	0.51 546	0.69 563	0.69 547	0.57 555	0.64 550	0.73 548	0.60 538	0.73 543	0.62 539	0.67 552	0.65 551	0.60 553	0.66 561	0.58 568	0.63 552	0.59 556	0.68 559	0.69 565

IMH-64-1	0.65 548	0.61 550	0.68 546	0.71 552	0.51 549	0.59 539	0.49 549	0.91 557	0.85 552	0.74 550	1.02 558	0.81 549	0.78 556	0.79 554	0.49 546	0.42 547	0.46 550	0.71 554	0.47 548	0.52 548	0.39 548

IMH-64	0.65 548	0.61 550	0.68 546	0.71 552	0.51 549	0.59 539	0.49 549	0.91 557	0.85 552	0.74 550	1.02 558	0.81 549	0.78 556	0.79 554	0.49 546	0.42 547	0.46 550	0.71 554	0.47 548	0.52 548	0.39 548

ACVNet_2	0.66 550	0.66 554	0.68 546	0.63 550	0.41 544	0.71 549	0.49 549	0.96 561	1.39 566	0.89 556	1.09 561	1.04 553	0.73 554	0.54 545	0.47 544	0.43 549	0.40 548	0.53 551	0.44 547	0.47 546	0.35 547

JetBlue	0.71 551	0.45 544	1.14 562	0.51 546	0.47 548	2.02 573	0.64 559	0.75 552	0.70 542	0.69 543	0.77 548	1.22 559	0.83 558	1.03 569	1.01 569	0.40 546	0.28 540	0.33 540	0.33 542	0.30 539	0.34 546

IMH	0.71 551	0.64 553	0.68 546	0.76 554	0.54 551	0.69 547	0.54 553	0.98 563	1.10 559	0.82 554	1.09 561	0.89 551	0.88 561	0.87 562	0.52 550	0.44 550	0.50 559	0.75 557	0.51 553	0.56 553	0.41 551

PWCK	0.71 551	0.94 565	0.95 559	0.76 554	0.31 540	0.74 551	0.36 537	0.90 556	0.90 555	0.96 559	0.75 547	0.95 552	0.61 548	0.87 562	0.66 556	0.72 562	0.46 550	0.75 557	0.49 550	0.69 561	0.44 552

MADNet+	0.75 554	0.71 556	3.70 573	0.66 551	0.41 544	0.98 563	0.97 570	0.69 551	0.73 548	0.52 533	0.57 530	0.64 540	0.68 553	0.86 561	1.01 569	0.34 544	0.36 547	0.28 536	0.23 528	0.36 544	0.31 543

TorneroNet-64	0.76 555	0.72 557	0.74 551	0.78 556	0.58 557	0.91 562	0.56 554	0.84 555	1.29 563	0.66 540	0.90 552	1.40 565	0.75 555	0.85 560	0.67 559	0.49 552	0.46 550	0.72 556	0.59 556	0.67 558	0.53 554

WAO-7	0.79 556	0.78 559	0.54 525	0.85 560	0.67 562	0.74 551	0.68 563	1.05 566	1.32 564	0.90 557	1.20 568	1.04 553	0.92 562	0.69 552	0.66 556	0.60 558	0.62 569	0.67 553	0.68 562	0.64 555	0.58 556

WAO-6	0.81 557	0.80 560	0.62 536	0.86 561	0.63 560	0.76 555	0.58 556	0.98 563	1.54 571	0.90 557	0.96 557	1.07 555	1.03 566	0.70 553	0.66 556	0.72 562	0.49 557	0.90 565	0.71 563	0.68 559	0.58 556

TorneroNet	0.82 558	0.74 558	0.81 556	0.84 559	0.63 560	0.99 564	0.63 557	0.96 561	1.16 560	0.80 553	1.11 563	1.36 564	0.86 560	0.93 565	0.80 564	0.56 554	0.49 557	0.78 562	0.66 561	0.73 564	0.63 564

LVE	0.83 559	0.85 563	0.85 557	0.80 557	0.56 554	1.04 568	0.65 560	1.05 566	1.47 569	0.96 559	1.22 569	1.10 556	0.85 559	0.83 557	0.71 561	0.49 552	0.55 565	0.76 560	0.60 558	0.65 556	0.59 561

Dean	0.87 560	0.86 564	0.79 554	0.81 558	0.56 554	0.90 559	0.63 557	1.15 572	1.73 572	1.15 567	1.15 566	1.31 562	0.99 565	0.81 556	0.81 565	0.57 555	0.56 566	0.77 561	0.64 559	0.66 557	0.58 556

WAO-8	0.91 561	0.81 561	0.65 538	0.94 564	0.69 563	0.90 559	0.67 561	1.07 569	1.83 574	1.06 564	1.45 571	1.30 560	1.07 567	0.84 558	0.78 562	0.74 564	0.53 562	0.86 563	0.75 564	0.69 561	0.62 562

Venus	0.91 561	0.81 561	0.65 538	0.94 564	0.69 563	0.90 559	0.67 561	1.07 569	1.83 574	1.06 564	1.45 571	1.30 560	1.07 567	0.84 558	0.78 562	0.74 564	0.53 562	0.86 563	0.75 564	0.69 561	0.62 562

UNDER WATER-64	0.95 563	0.94 565	1.43 566	0.87 562	0.56 554	1.18 571	0.87 567	0.77 553	0.94 556	1.04 562	0.85 551	1.58 570	1.21 572	0.94 566	0.96 567	0.87 568	0.57 567	1.03 568	0.88 569	0.78 565	0.73 566

UNDER WATER	0.97 564	0.97 567	1.42 565	0.99 566	0.70 566	1.12 570	0.84 566	0.80 554	1.08 558	1.01 561	0.90 552	1.55 569	1.22 573	1.03 569	1.00 568	0.78 566	0.53 562	1.02 567	0.87 568	0.80 566	0.74 567

notaker	0.97 564	1.11 568	0.98 560	1.13 569	0.81 567	0.73 550	0.68 563	0.93 559	1.16 560	1.18 569	1.18 567	1.41 566	1.16 571	1.08 571	0.69 560	0.81 567	0.64 570	1.17 569	0.79 566	0.98 568	0.80 569

ktn	1.01 566	1.21 570	0.80 555	1.23 571	0.86 569	1.01 566	0.87 567	0.94 560	1.39 566	1.04 562	1.12 564	1.15 557	1.07 567	0.94 566	0.59 552	1.28 573	0.71 571	1.38 573	0.83 567	1.02 570	0.75 568

KSHMR	1.09 567	1.17 569	0.88 558	1.25 572	1.00 571	0.99 564	0.96 569	1.13 571	1.37 565	1.16 568	1.29 570	1.41 566	0.96 564	1.01 568	0.92 566	1.03 571	1.08 573	1.20 570	1.03 572	1.01 569	0.97 571

DPSimNet_ROB	1.11 568	1.23 571	0.78 552	1.13 569	0.88 570	1.10 569	1.13 571	1.16 573	1.23 562	1.43 571	1.02 558	1.41 566	1.10 570	0.90 564	1.60 571	1.46 574	0.51 561	1.21 571	1.03 572	0.90 567	1.01 573

HanzoNet	1.29 569	1.26 572	1.19 563	1.12 568	0.85 568	1.02 567	0.83 565	1.03 565	1.48 570	1.64 572	1.61 573	2.50 574	1.72 574	1.61 573	1.61 572	1.26 572	0.80 572	1.31 572	1.01 571	1.02 570	0.86 570

JetRed	1.62 570	1.46 573	2.98 568	0.92 563	1.21 572	4.99 576	1.53 575	1.27 574	1.39 566	1.83 573	1.74 574	1.60 571	0.95 563	1.41 572	2.45 576	0.90 570	1.60 574	0.93 566	0.90 570	1.35 572	0.99 572

MADNet++	1.95 571	1.75 574	1.59 567	1.82 573	1.69 574	2.33 574	1.40 574	2.35 575	2.09 576	2.57 575	2.36 576	2.24 573	2.17 575	2.28 574	2.34 574	1.87 575	1.66 575	1.54 574	1.34 574	1.92 573	1.77 575

coex-ft	3.30 572	0.34 536	59.09 594	0.18 299	0.13 444	0.26 476	0.22 451	0.27 372	0.72 544	1.90 574	0.70 541	0.44 516	0.45 535	0.29 487	0.41 538	0.09 360	0.09 435	0.12 458	0.09 384	0.14 484	0.13 473

TCMNet-wrong-test	3.67 573	5.48 583	3.89 574	12.18 585	11.75 586	4.65 575	3.88 576	1.06 568	0.72 544	1.09 566	2.15 575	6.30 579	0.53 540	3.43 576	2.36 575	0.89 569	0.20 525	1.87 576	1.69 575	5.57 581	3.62 581

tt	4.67 574	0.06 57	3.55 572	2.02 574	1.55 573	10.25 580	16.71 580	8.91 584	5.03 577	1.31 570	0.94 555	4.71 575	4.76 576	3.33 575	5.87 578	6.06 583	10.30 587	1.88 577	2.11 577	2.75 575	1.21 574

USTest	6.22 575	2.73 576	3.00 569	6.57 581	7.29 580	14.37 582	21.57 581	7.00 583	9.56 582	5.34 579	6.10 577	5.72 578	7.64 579	6.41 580	6.96 579	1.97 576	3.42 581	1.64 575	2.15 578	2.66 574	2.36 576

xxxxx1	7.79 576	5.02 580	7.31 577	3.12 575	3.85 576	16.35 584	22.88 582	5.86 580	8.69 579	7.97 580	8.54 578	9.12 582	8.27 580	10.18 582	10.92 580	2.42 577	2.45 577	3.56 580	12.37 584	3.77 576	3.06 578

tt_ll	7.79 576	5.02 580	7.31 577	3.12 575	3.85 576	16.35 584	22.88 582	5.86 580	8.69 579	7.97 580	8.54 578	9.12 582	8.27 580	10.18 582	10.92 580	2.42 577	2.45 577	3.56 580	12.37 584	3.77 576	3.06 578

ff	7.79 576	5.02 580	7.31 577	3.12 575	3.85 576	16.35 584	22.88 582	5.86 580	8.69 579	7.97 580	8.54 578	9.12 582	8.27 580	10.18 582	10.92 580	2.42 577	2.45 577	3.56 580	12.37 584	3.77 576	3.06 578

EDNetEfficientorigin	7.91 579	0.31 533	153.02 595	0.19 356	0.09 239	0.21 430	0.16 285	0.22 275	0.59 526	0.72 546	0.67 537	0.42 511	0.50 539	0.24 460	0.39 532	0.08 301	0.07 380	0.08 279	0.07 273	0.12 453	0.10 415

DPSMNet_ROB	8.06 580	4.48 578	8.63 583	5.37 580	10.74 583	8.32 578	22.98 586	5.46 577	13.36 585	5.12 577	9.92 581	5.08 576	10.40 583	5.53 579	12.58 583	3.80 581	8.00 582	3.50 578	7.02 581	3.83 579	7.14 583

DGTPSM_ROB	8.06 580	4.48 578	8.63 583	5.35 578	10.72 582	8.32 578	22.97 585	5.46 577	13.35 584	5.12 577	9.92 581	5.08 576	10.40 583	5.52 578	12.58 583	3.79 580	8.00 582	3.50 578	7.02 581	3.83 579	7.14 583

PML	8.91 582	9.34 587	6.13 575	5.35 578	6.41 579	14.99 583	23.38 587	5.27 576	6.83 578	18.04 588	28.19 594	7.67 580	6.83 578	7.85 581	5.75 577	5.35 582	1.83 576	5.95 586	1.93 576	8.64 584	2.52 577

DLNR_Zeroshot_test	10.40 583	1.82 575	19.49 590	120.77 595	13.11 587	0.06 9	0.13 104	0.23 295	0.10 36	0.07 30	0.10 118	0.09 124	0.06 36	0.10 62	0.09 54	0.13 478	0.04 21	0.06 102	0.04 34	51.54 594	0.04 40

LRCNet_RVC	10.62 584	13.42 588	7.30 576	18.92 587	2.07 575	0.33 508	0.30 526	5.59 579	0.48 498	13.03 586	17.94 587	8.87 581	5.65 577	4.79 577	1.89 573	23.51 592	2.73 580	27.55 593	25.71 593	16.07 590	16.33 591

Anonymous_1	10.96 585	7.92 584	7.46 580	10.33 582	10.06 581	18.65 588	26.34 588	11.06 585	13.44 586	9.40 583	10.05 583	9.67 585	11.23 585	10.73 585	12.72 585	6.42 584	8.38 584	5.77 583	10.61 583	12.12 585	6.77 582

DPSM_ROB	11.15 586	8.58 585	8.00 581	10.88 583	11.58 584	19.10 589	26.71 589	12.05 586	14.07 587	10.36 584	10.84 584	10.33 586	11.86 586	11.70 586	13.54 586	6.99 585	8.79 585	5.89 584	6.95 579	7.29 582	7.42 585

DPSM	11.15 586	8.58 585	8.00 581	10.88 583	11.58 584	19.10 589	26.71 589	12.05 586	14.07 587	10.36 584	10.84 584	10.33 586	11.86 586	11.70 586	13.54 586	6.99 585	8.79 585	5.89 584	6.95 579	7.29 582	7.42 585

HaxPig	15.71 588	18.52 593	19.18 589	16.89 586	15.89 588	7.73 577	7.60 577	13.31 588	10.82 583	15.42 587	14.91 586	15.98 588	14.92 588	15.58 588	15.98 588	18.95 591	16.73 588	19.46 591	18.08 591	19.26 591	19.05 592

MEDIAN_ROB	20.38 589	24.04 594	23.31 591	21.23 588	21.71 589	10.40 581	7.92 578	17.64 589	15.50 589	20.12 589	19.70 588	20.34 589	20.32 589	21.19 589	21.13 589	23.81 593	21.81 593	24.98 592	23.76 592	24.71 592	23.93 593

CasAABBNet	22.42 590	17.33 590	16.01 585	22.01 589	23.28 591	38.32 591	53.80 593	24.14 591	28.41 592	20.60 590	21.77 590	20.89 592	23.91 592	23.43 590	27.36 592	14.07 588	17.69 590	11.83 589	14.01 588	14.67 587	14.95 589

FlowAnything	22.44 591	17.35 591	16.14 587	22.07 591	23.23 590	38.39 592	53.77 592	24.25 592	28.44 593	20.96 593	21.82 591	20.70 590	23.84 590	23.49 591	27.14 591	14.04 587	17.79 592	11.75 587	14.15 590	14.65 586	14.89 587

Selective-RAFT-Error	22.47 592	17.37 592	16.09 586	22.06 590	23.34 592	38.39 592	53.83 594	24.29 594	28.47 594	20.74 591	21.83 592	20.81 591	23.90 591	23.54 593	27.53 594	14.08 589	17.69 590	11.82 588	14.00 587	14.69 588	15.00 590

LSM0	22.87 593	17.28 589	18.96 588	22.19 592	29.04 594	38.42 594	53.71 591	24.28 593	28.31 591	20.78 592	21.00 589	21.43 593	24.16 593	23.50 592	27.39 593	14.09 590	17.38 589	11.84 590	14.04 589	14.73 589	14.89 587

AVERAGE_ROB	24.90 594	29.20 595	28.14 592	24.89 593	24.64 593	17.75 587	11.12 579	21.45 590	19.93 590	25.12 594	24.46 593	25.12 594	25.46 594	24.69 594	22.83 590	29.76 594	27.13 594	28.97 594	27.95 594	29.91 593	29.47 594

test_example2	98.32 595	94.13 596	45.89 593	96.35 594	109.85 595	88.61 595	95.45 595	25.75 595	94.37 595	130.00 596	126.06 595	58.17 595	74.63 595	88.51 595	79.96 595	150.23 595	221.02 595	77.62 595	99.10 595	113.75 595	96.94 595

ccccc		285.66 597		368.85 596	370.60 596	123.16 596		115.05 596		126.68 595		122.83 596		252.94 596		384.56 596	353.86 596	254.69 596	223.00 596	425.87 596

ASD4		3.38 577

Low-res two-view benchmark