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

Selective-IGEV	0.07 1	0.06 20	0.08 12	0.17 117	0.06 3	0.08 24	0.12 22	0.13 12	0.07 1	0.08 7	0.07 14	0.06 3	0.04 1	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

MoCha-V2	0.08 2	0.06 20	0.08 12	0.35 379	0.06 3	0.06 2	0.15 117	0.11 2	0.08 2	0.07 2	0.07 14	0.07 18	0.05 2	0.09 10	0.08 11	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

LargeStereo	0.08 2	0.06 20	0.08 12	0.18 184	0.07 20	0.09 36	0.13 44	0.10 1	0.09 3	0.08 7	0.08 18	0.06 3	0.06 7	0.13 137	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

AEACV	0.08 2	0.05 6	0.08 12	0.14 14	0.13 306	0.14 159	0.13 44	0.14 19	0.09 3	0.07 2	0.09 25	0.07 18	0.08 52	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 50	0.10 59	0.13 44	0.12 6	0.09 3	0.09 19	0.10 40	0.08 27	0.06 7	0.09 10	0.08 11	0.08 195	0.04 2	0.05 2	0.03 1	0.05 41	0.04 8

CES	0.08 2	0.04 1	0.08 12	0.14 14	0.07 20	0.09 36	0.14 71	0.11 2	0.09 3	0.08 7	0.09 25	0.11 79	0.06 7	0.12 105	0.08 11	0.06 58	0.04 2	0.05 2	0.03 1	0.05 41	0.05 53

AFF-stereo	0.09 14	0.06 20	0.10 48	0.17 117	0.07 20	0.10 59	0.16 175	0.17 77	0.09 3	0.10 44	0.12 65	0.09 40	0.09 71	0.12 105	0.09 20	0.05 2	0.04 2	0.07 102	0.07 165	0.04 1	0.03 1

EAI-Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.06 3	0.10 59	0.15 117	0.16 47	0.09 3	0.08 7	0.09 25	0.08 27	0.07 34	0.09 10	0.11 90	0.05 2	0.04 2	0.05 2	0.05 34	0.05 41	0.04 8

panet	0.08 2	0.05 6	0.07 2	0.12 3	0.05 1	0.12 108	0.11 11	0.13 12	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.05 110	0.05 2	0.03 1	0.06 103	0.05 53

DLNR_Zeroshot_test	10.40 427	1.82 422	19.49 437	120.77 442	13.11 432	0.06 2	0.13 44	0.23 178	0.10 9	0.07 2	0.10 40	0.09 40	0.06 7	0.10 19	0.09 20	0.13 337	0.04 2	0.06 34	0.04 9	51.54 441	0.04 8

HH	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

HanStereo	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 39	0.07 20	0.08 24	0.15 117	0.11 2	0.10 9	0.08 7	0.09 25	0.06 3	0.09 71	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

MC-Stereo	0.08 2	0.06 20	0.09 31	0.17 117	0.06 3	0.10 59	0.14 71	0.12 6	0.10 9	0.09 19	0.12 65	0.09 40	0.06 7	0.11 48	0.10 52	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

iRaft-Stereo_20w	0.09 14	0.05 6	0.13 133	0.14 14	0.08 50	0.12 108	0.15 117	0.18 101	0.10 9	0.11 64	0.08 18	0.08 27	0.05 2	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

RAFT-345	0.11 85	0.07 72	0.15 196	0.16 70	0.08 50	0.08 24	0.12 22	0.15 31	0.10 9	0.11 64	0.36 312	0.09 40	0.09 71	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.06 90	0.04 1	0.05 53

CRE-IMP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.10 59	0.12 22	0.18 101	0.10 9	0.14 129	0.13 75	0.13 117	0.12 143	0.12 105	0.11 90	0.07 145	0.04 2	0.08 166	0.06 90	0.08 204	0.08 223

XX-Stereo	0.09 14	0.05 6	0.08 12	0.17 117	0.09 135	0.15 181	0.12 22	0.20 128	0.10 9	0.10 44	0.14 85	0.07 18	0.06 7	0.12 105	0.08 11	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

CREStereo	0.09 14	0.04 1	0.08 12	0.11 1	0.06 3	0.13 135	0.14 71	0.14 19	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.04 2	0.05 2	0.03 1	0.06 103	0.06 103
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
IGEV_Zeroshot_test	0.09 14	0.05 6	0.12 94	0.13 7	0.08 50	0.12 108	0.13 44	0.17 77	0.11 20	0.10 44	0.06 2	0.09 40	0.06 7	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

MIF-Stereo	0.09 14	0.07 72	0.08 12	0.18 184	0.08 50	0.13 135	0.11 11	0.12 6	0.11 20	0.10 44	0.12 65	0.05 1	0.07 34	0.09 10	0.09 20	0.07 145	0.05 110	0.05 2	0.05 34	0.05 41	0.05 53

STrans-v2	0.10 54	0.07 72	0.12 94	0.18 184	0.07 20	0.10 59	0.14 71	0.21 145	0.11 20	0.11 64	0.15 99	0.12 94	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.04 8

SST-Stereo	0.10 54	0.07 72	0.15 196	0.18 184	0.09 135	0.06 2	0.12 22	0.17 77	0.11 20	0.15 153	0.17 125	0.13 117	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

RALCasStereoNet	0.10 54	0.06 20	0.09 31	0.16 70	0.08 50	0.12 108	0.14 71	0.17 77	0.11 20	0.12 88	0.17 125	0.14 132	0.10 92	0.12 105	0.11 90	0.07 145	0.06 195	0.06 34	0.05 34	0.08 204	0.07 163

PMTNet	0.09 14	0.05 6	0.09 31	0.12 3	0.06 3	0.12 108	0.14 71	0.15 31	0.11 20	0.09 19	0.13 75	0.10 62	0.07 34	0.13 137	0.10 52	0.15 351	0.04 2	0.05 2	0.03 1	0.07 160	0.06 103

R-Stereo Train	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

RAFT-Stereo	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MGS-Stereo	0.09 14	0.07 72	0.12 94	0.15 39	0.08 50	0.09 36	0.15 117	0.12 6	0.12 28	0.07 2	0.10 40	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

MyStereo06	0.10 54	0.07 72	0.12 94	0.17 117	0.09 135	0.13 135	0.18 236	0.19 121	0.12 28	0.12 88	0.08 18	0.07 18	0.07 34	0.11 48	0.09 20	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

ff7	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEVStereo-DCA	0.09 14	0.06 20	0.11 74	0.15 39	0.10 221	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ffff	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

11t	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

anonymousdsp	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

ProNet	0.09 14	0.07 72	0.10 48	0.17 117	0.08 50	0.10 59	0.15 117	0.15 31	0.12 28	0.09 19	0.06 2	0.07 18	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.06 103

CroCo-Stereo Lap2	0.09 14	0.09 195	0.08 12	0.22 309	0.09 135	0.09 36	0.19 267	0.16 47	0.12 28	0.09 19	0.10 40	0.05 1	0.05 2	0.08 6	0.08 11	0.06 58	0.06 195	0.07 102	0.05 34	0.05 41	0.05 53

ccc-4	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEV-Stereo	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
KYRaft	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.08 24	0.15 117	0.22 161	0.12 28	0.13 109	0.16 107	0.20 216	0.10 92	0.12 105	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.16 358

DeepStereo_RVC	0.11 85	0.08 144	0.16 226	0.18 184	0.08 50	0.08 24	0.12 22	0.17 77	0.12 28	0.13 109	0.14 85	0.12 94	0.12 143	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.07 160	0.08 223

RAFT-RH_RVC	0.11 85	0.06 20	0.14 159	0.16 70	0.09 135	0.12 108	0.12 22	0.17 77	0.12 28	0.13 109	0.41 346	0.11 79	0.10 92	0.13 137	0.12 132	0.05 2	0.04 2	0.08 166	0.05 34	0.04 1	0.06 103

CroCo-Stereo	0.09 14	0.08 144	0.08 12	0.22 309	0.09 135	0.09 36	0.19 267	0.15 31	0.12 28	0.07 2	0.07 14	0.08 27	0.06 7	0.08 6	0.07 1	0.07 145	0.05 110	0.06 34	0.04 9	0.05 41	0.04 8
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
iRaftStereo_RVC	0.10 54	0.07 72	0.09 31	0.17 117	0.09 135	0.11 85	0.17 196	0.18 101	0.12 28	0.09 19	0.12 65	0.10 62	0.07 34	0.11 48	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.04 1	0.04 8

ARAFT	0.12 140	0.08 144	0.17 251	0.19 231	0.09 135	0.14 159	0.18 236	0.20 128	0.12 28	0.12 88	0.13 75	0.14 132	0.11 114	0.15 171	0.12 132	0.06 58	0.05 110	0.10 273	0.09 256	0.05 41	0.04 8

test croco	0.10 54	0.08 144	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.14 19	0.13 45	0.13 109	0.15 99	0.09 40	0.12 143	0.13 137	0.12 132	0.07 145	0.05 110	0.09 232	0.06 90	0.06 103	0.06 103

MSKI-zero shot	0.09 14	0.05 6	0.09 31	0.15 39	0.07 20	0.10 59	0.13 44	0.14 19	0.13 45	0.09 19	0.09 25	0.09 40	0.06 7	0.12 105	0.10 52	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

RAFT-Test	0.09 14	0.06 20	0.10 48	0.15 39	0.07 20	0.11 85	0.15 117	0.16 47	0.13 45	0.09 19	0.10 40	0.10 62	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

knoymous	0.11 85	0.05 6	0.12 94	0.13 7	0.07 20	0.15 181	0.14 71	0.19 121	0.13 45	0.11 64	0.17 125	0.13 117	0.09 71	0.13 137	0.11 90	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

Patchmatch Stereo++	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163
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 85	0.07 72	0.16 226	0.19 231	0.09 135	0.08 24	0.13 44	0.18 101	0.13 45	0.16 178	0.21 178	0.13 117	0.14 198	0.11 48	0.14 190	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

PSM-adaLoss	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

PSM-AAD	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.20 128	0.13 45	0.12 88	0.14 85	0.18 197	0.11 114	0.11 48	0.10 52	0.05 2	0.05 110	0.09 232	0.08 215	0.06 103	0.14 339

ROB_FTStereo_v2	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

ROB_FTStereo	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

HUI-Stereo	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

iGMRVC	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

iRAFT	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

RAFT-IKP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

Prome-Stereo	0.11 85	0.06 20	0.10 48	0.18 184	0.08 50	0.12 108	0.15 117	0.22 161	0.13 45	0.12 88	0.17 125	0.13 117	0.08 52	0.12 105	0.10 52	0.05 2	0.04 2	0.07 102	0.06 90	0.06 103	0.09 256

XX-TBD	0.09 14	0.06 20	0.07 2	0.14 14	0.07 20	0.12 108	0.16 175	0.14 19	0.13 45	0.11 64	0.12 65	0.09 40	0.08 52	0.10 19	0.10 52	0.06 58	0.04 2	0.05 2	0.03 1	0.06 103	0.05 53

test_xeample3	0.09 14	0.06 20	0.12 94	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.13 45	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

MIM_Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.07 20	0.06 2	0.12 22	0.20 128	0.14 62	0.13 109	0.13 75	0.09 40	0.05 2	0.12 105	0.08 11	0.05 2	0.06 195	0.07 102	0.06 90	0.06 103	0.05 53

CASnet	0.09 14	0.09 195	0.09 31	0.19 231	0.06 3	0.07 17	0.11 11	0.18 101	0.14 62	0.11 64	0.10 40	0.09 40	0.07 34	0.10 19	0.10 52	0.06 58	0.04 2	0.10 273	0.08 215	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.10 54	0.10 243	0.15 196	0.18 184	0.08 50	0.15 181	0.09 3	0.17 77	0.14 62	0.14 129	0.10 40	0.09 40	0.07 34	0.16 203	0.10 52	0.05 2	0.05 110	0.10 273	0.07 165	0.06 103	0.05 53

riskmin	0.11 85	0.06 20	0.13 133	0.14 14	0.08 50	0.14 159	0.14 71	0.18 101	0.14 62	0.11 64	0.14 85	0.16 167	0.11 114	0.14 153	0.12 132	0.09 241	0.05 110	0.07 102	0.05 34	0.08 204	0.08 223

RCA-Stereo	0.09 14	0.06 20	0.09 31	0.16 70	0.06 3	0.09 36	0.13 44	0.18 101	0.14 62	0.09 19	0.10 40	0.08 27	0.07 34	0.12 105	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

ACRE	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.14 62	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

AnonymousM	0.09 14	0.05 6	0.10 48	0.14 14	0.06 3	0.09 36	0.13 44	0.19 121	0.14 62	0.13 109	0.11 57	0.09 40	0.08 52	0.13 137	0.10 52	0.08 195	0.05 110	0.08 166	0.05 34	0.05 41	0.05 53

rafts_anoy	0.11 85	0.06 20	0.10 48	0.17 117	0.08 50	0.10 59	0.14 71	0.17 77	0.14 62	0.13 109	0.13 75	0.12 94	0.10 92	0.11 48	0.12 132	0.07 145	0.04 2	0.09 232	0.11 311	0.07 160	0.06 103

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 7	0.07 20	0.09 36	0.12 22	0.14 19	0.14 62	0.10 44	0.14 85	0.08 27	0.07 34	0.09 10	0.11 90	0.06 58	0.04 2	0.05 2	0.05 34	0.04 1	0.04 8
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
sCroCo_RVC	0.12 140	0.09 195	0.23 305	0.24 333	0.11 259	0.19 259	0.14 71	0.17 77	0.14 62	0.10 44	0.13 75	0.12 94	0.07 34	0.14 153	0.11 90	0.08 195	0.08 274	0.08 166	0.08 215	0.05 41	0.07 163

RAFT-Stereo + iAFF	0.09 14	0.06 20	0.10 48	0.17 117	0.06 3	0.10 59	0.16 175	0.17 77	0.14 62	0.09 19	0.10 40	0.08 27	0.09 71	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.03 1

MyStereo07	0.10 54	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.15 31	0.15 73	0.09 19	0.06 2	0.06 3	0.07 34	0.12 105	0.09 20	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

mmm	0.14 191	0.08 144	0.17 251	0.17 117	0.09 135	0.17 224	0.18 236	0.21 145	0.15 73	0.15 153	0.23 193	0.21 222	0.16 231	0.16 203	0.17 239	0.08 195	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

11t1	0.12 140	0.06 20	0.13 133	0.14 14	0.08 50	0.17 224	0.15 117	0.18 101	0.15 73	0.15 153	0.15 99	0.16 167	0.16 231	0.15 171	0.13 162	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

rrr	0.09 14	0.06 20	0.12 94	0.15 39	0.10 221	0.11 85	0.16 175	0.16 47	0.15 73	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

Any-RAFT	0.10 54	0.05 6	0.09 31	0.14 14	0.07 20	0.13 135	0.14 71	0.21 145	0.15 73	0.11 64	0.12 65	0.12 94	0.09 71	0.12 105	0.09 20	0.07 145	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

4D-IteraStereo	0.09 14	0.07 72	0.10 48	0.18 184	0.07 20	0.09 36	0.15 117	0.17 77	0.15 73	0.10 44	0.11 57	0.10 62	0.07 34	0.11 48	0.09 20	0.05 2	0.03 1	0.08 166	0.07 165	0.06 103	0.05 53

LoS	0.09 14	0.05 6	0.11 74	0.13 7	0.07 20	0.14 159	0.11 11	0.15 31	0.15 73	0.09 19	0.09 25	0.12 94	0.09 71	0.15 171	0.10 52	0.07 145	0.05 110	0.05 2	0.03 1	0.05 41	0.05 53

CIPLG	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.11 57	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

IPLG	0.10 54	0.07 72	0.15 196	0.17 117	0.08 50	0.11 85	0.14 71	0.20 128	0.15 73	0.12 88	0.17 125	0.07 18	0.07 34	0.14 153	0.13 162	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

IPLGR_C	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

test-3	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

test_1	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

LCNet	0.11 85	0.07 72	0.09 31	0.19 231	0.09 135	0.08 24	0.15 117	0.21 145	0.15 73	0.11 64	0.15 99	0.16 167	0.11 114	0.12 105	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.15 347

TransformOpticalFlow	0.10 54	0.08 144	0.13 133	0.18 184	0.07 20	0.09 36	0.15 117	0.19 121	0.15 73	0.12 88	0.17 125	0.11 79	0.11 114	0.11 48	0.10 52	0.05 2	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

NRIStereo	0.11 85	0.08 144	0.14 159	0.18 184	0.08 50	0.10 59	0.14 71	0.16 47	0.15 73	0.12 88	0.14 85	0.13 117	0.12 143	0.13 137	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.07 163

cross-raft	0.10 54	0.09 195	0.09 31	0.19 231	0.07 20	0.11 85	0.25 340	0.13 12	0.15 73	0.08 7	0.11 57	0.12 94	0.10 92	0.09 10	0.11 90	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

s12784h	0.09 14	0.06 20	0.07 2	0.15 39	0.05 1	0.16 205	0.18 236	0.15 31	0.15 73	0.10 44	0.11 57	0.11 79	0.11 114	0.10 19	0.12 132	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

RALAANet	0.11 85	0.08 144	0.10 48	0.17 117	0.09 135	0.14 159	0.10 6	0.20 128	0.15 73	0.14 129	0.13 75	0.16 167	0.09 71	0.12 105	0.11 90	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

ACVNet-DCA	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

1test111	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.15 171	0.16 228	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

StereoIM	0.09 14	0.09 195	0.08 12	0.17 117	0.09 135	0.13 135	0.10 6	0.16 47	0.16 91	0.09 19	0.11 57	0.06 3	0.06 7	0.09 10	0.13 162	0.07 145	0.06 195	0.07 102	0.05 34	0.05 41	0.04 8

EGLCR-Stereo	0.08 2	0.05 6	0.08 12	0.14 14	0.06 3	0.10 59	0.12 22	0.11 2	0.16 91	0.06 1	0.05 1	0.07 18	0.05 2	0.10 19	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

TestStereo1	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 366	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

qqq	0.13 162	0.09 195	0.15 196	0.16 70	0.08 50	0.13 135	0.15 117	0.23 178	0.16 91	0.15 153	0.19 153	0.16 167	0.16 231	0.15 171	0.16 228	0.07 145	0.06 195	0.08 166	0.08 215	0.07 160	0.07 163

RAFT_CTSACE	0.12 140	0.09 195	0.10 48	0.22 309	0.08 50	0.12 108	0.24 327	0.18 101	0.16 91	0.20 247	0.27 253	0.13 117	0.07 34	0.13 137	0.09 20	0.05 2	0.06 195	0.08 166	0.07 165	0.04 1	0.04 8

SA-5K	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 366	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

RAFT_R40	0.11 85	0.07 72	0.14 159	0.18 184	0.09 135	0.06 2	0.13 44	0.17 77	0.16 91	0.14 129	0.18 147	0.15 156	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

GMM-Stereo	0.11 85	0.07 72	0.10 48	0.18 184	0.09 135	0.08 24	0.15 117	0.23 178	0.16 91	0.11 64	0.15 99	0.13 117	0.11 114	0.11 48	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.09 256

raftrobust	0.09 14	0.06 20	0.10 48	0.17 117	0.08 50	0.09 36	0.10 6	0.18 101	0.16 91	0.10 44	0.09 25	0.12 94	0.07 34	0.12 105	0.10 52	0.08 195	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

DIP-Stereo	0.11 85	0.07 72	0.14 159	0.17 117	0.09 135	0.13 135	0.09 3	0.16 47	0.16 91	0.11 64	0.16 107	0.14 132	0.12 143	0.15 171	0.13 162	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
DCRE	0.11 85	0.07 72	0.13 133	0.16 70	0.11 259	0.11 85	0.17 196	0.18 101	0.17 103	0.11 64	0.18 147	0.10 62	0.10 92	0.15 171	0.11 90	0.06 58	0.05 110	0.06 34	0.06 90	0.05 41	0.04 8

Anonymous_2	0.22 311	0.17 334	0.28 326	0.15 39	0.16 344	0.32 350	0.22 308	0.22 161	0.17 103	0.23 280	0.24 202	0.26 275	0.27 327	0.27 322	0.23 306	0.22 379	0.25 386	0.17 355	0.17 361	0.17 362	0.17 365

DisPM	0.11 85	0.07 72	0.12 94	0.16 70	0.09 135	0.06 2	0.13 44	0.17 77	0.17 103	0.14 129	0.20 164	0.12 94	0.10 92	0.11 48	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.11 298

test_4	0.10 54	0.10 243	0.08 12	0.19 231	0.09 135	0.08 24	0.22 308	0.15 31	0.17 103	0.12 88	0.18 147	0.12 94	0.09 71	0.08 6	0.11 90	0.04 1	0.04 2	0.08 166	0.08 215	0.04 1	0.03 1

GMOStereo	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

error version	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

test-v	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

HHNet	0.11 85	0.06 20	0.16 226	0.15 39	0.14 323	0.07 17	0.13 44	0.20 128	0.17 103	0.14 129	0.25 231	0.11 79	0.08 52	0.13 137	0.10 52	0.05 2	0.04 2	0.08 166	0.06 90	0.05 41	0.09 256

IIG-Stereo	0.11 85	0.06 20	0.13 133	0.17 117	0.08 50	0.11 85	0.12 22	0.22 161	0.17 103	0.14 129	0.17 125	0.11 79	0.12 143	0.12 105	0.12 132	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

PSM-softLoss	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

KMStereo	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

ASMatch	0.11 85	0.06 20	0.13 133	0.16 70	0.10 221	0.07 17	0.14 71	0.17 77	0.17 103	0.12 88	0.16 107	0.16 167	0.10 92	0.13 137	0.10 52	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.08 223

GrayStereo	0.11 85	0.06 20	0.11 74	0.19 231	0.09 135	0.09 36	0.16 175	0.18 101	0.17 103	0.14 129	0.17 125	0.17 186	0.11 114	0.12 105	0.11 90	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.10 275

Pruner-Stereo	0.11 85	0.07 72	0.12 94	0.17 117	0.09 135	0.06 2	0.12 22	0.17 77	0.17 103	0.13 109	0.19 153	0.13 117	0.09 71	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.08 223

test-2	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

CFNet-RSSM	0.09 14	0.07 72	0.09 31	0.16 70	0.07 20	0.09 36	0.15 117	0.16 47	0.17 103	0.08 7	0.12 65	0.10 62	0.09 71	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

Gwc-CoAtRS	0.09 14	0.06 20	0.10 48	0.16 70	0.07 20	0.10 59	0.14 71	0.17 77	0.17 103	0.08 7	0.10 40	0.12 94	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

Former-RAFT_DAM_RVC	0.10 54	0.08 144	0.12 94	0.16 70	0.08 50	0.15 181	0.16 175	0.18 101	0.18 120	0.10 44	0.09 25	0.09 40	0.08 52	0.11 48	0.12 132	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.06 103

xx1	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.16 167	0.16 231	0.10 19	0.07 1	0.06 58	0.04 2	0.08 166	0.08 215	0.07 160	0.07 163

cc1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

MIF-Stereo (partial)	0.11 85	0.06 20	0.10 48	0.19 231	0.10 221	0.10 59	0.11 11	0.17 77	0.18 120	0.14 129	0.16 107	0.09 40	0.11 114	0.12 105	0.12 132	0.08 195	0.05 110	0.08 166	0.07 165	0.06 103	0.07 163

Sa-1000	0.12 140	0.08 144	0.08 12	0.18 184	0.08 50	0.14 159	0.22 308	0.22 161	0.18 120	0.15 153	0.20 164	0.17 186	0.11 114	0.10 19	0.10 52	0.06 58	0.05 110	0.09 232	0.09 256	0.05 41	0.05 53

SA	0.12 140	0.09 195	0.08 12	0.18 184	0.08 50	0.12 108	0.24 327	0.23 178	0.18 120	0.17 190	0.27 253	0.14 132	0.11 114	0.11 48	0.11 90	0.05 2	0.05 110	0.09 232	0.08 215	0.05 41	0.04 8

TRStereo	0.09 14	0.05 6	0.12 94	0.15 39	0.12 288	0.10 59	0.13 44	0.18 101	0.18 120	0.09 19	0.09 25	0.09 40	0.06 7	0.10 19	0.08 11	0.07 145	0.05 110	0.07 102	0.07 165	0.04 1	0.04 8

FTStereo	0.12 140	0.06 20	0.14 159	0.18 184	0.09 135	0.07 17	0.15 117	0.21 145	0.18 120	0.12 88	0.24 202	0.12 94	0.12 143	0.13 137	0.13 162	0.05 2	0.05 110	0.07 102	0.06 90	0.06 103	0.10 275

test-1	0.10 54	0.07 72	0.16 226	0.19 231	0.08 50	0.11 85	0.24 327	0.14 19	0.18 120	0.09 19	0.07 14	0.09 40	0.08 52	0.07 1	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

BEATNet_4x	0.12 140	0.08 144	0.14 159	0.18 184	0.07 20	0.15 181	0.07 1	0.22 161	0.18 120	0.16 178	0.19 153	0.18 197	0.14 198	0.16 203	0.15 213	0.07 145	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

HITNet	0.10 54	0.06 20	0.12 94	0.14 14	0.06 3	0.11 85	0.10 6	0.18 101	0.18 120	0.13 109	0.16 107	0.14 132	0.11 114	0.15 171	0.13 162	0.06 58	0.04 2	0.04 1	0.04 9	0.06 103	0.05 53
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
DN-CSS_ROB	0.13 162	0.13 298	0.16 226	0.18 184	0.10 221	0.16 205	0.08 2	0.22 161	0.18 120	0.17 190	0.22 187	0.13 117	0.13 175	0.12 105	0.13 162	0.05 2	0.05 110	0.10 273	0.10 288	0.08 204	0.06 103

AE-Stereo	0.10 54	0.08 144	0.10 48	0.18 184	0.09 135	0.10 59	0.15 117	0.14 19	0.19 132	0.09 19	0.14 85	0.12 94	0.08 52	0.11 48	0.10 52	0.05 2	0.06 195	0.07 102	0.06 90	0.05 41	0.04 8

DualNet	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

ffm	0.12 140	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.07 1	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

ff1	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

tt1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.12 108	0.16 175	0.15 31	0.19 132	0.09 19	0.08 18	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

CASS	0.13 162	0.12 277	0.11 74	0.23 328	0.09 135	0.15 181	0.17 196	0.18 101	0.19 132	0.17 190	0.18 147	0.15 156	0.15 211	0.14 153	0.14 190	0.09 241	0.06 195	0.10 273	0.08 215	0.09 252	0.07 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCANet-4	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.18 101	0.19 132	0.13 109	0.16 107	0.09 40	0.14 198	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

ADStereo(finetuned)	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.12 143	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

BUS	0.14 191	0.09 195	0.14 159	0.22 309	0.10 221	0.19 259	0.14 71	0.34 319	0.19 132	0.17 190	0.22 187	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

BSDual-CNN	0.15 225	0.09 195	0.14 159	0.22 309	0.10 221	0.14 159	0.15 117	0.34 319	0.19 132	0.17 190	0.22 187	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

psmg	0.14 191	0.09 195	0.14 159	0.17 117	0.10 221	0.15 181	0.17 196	0.29 263	0.19 132	0.17 190	0.21 178	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.08 166	0.08 215	0.07 160	0.06 103

NF-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

OCTAStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

RE-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

TVStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

RAFT	0.13 162	0.09 195	0.11 74	0.18 184	0.08 50	0.15 181	0.24 327	0.20 128	0.19 132	0.21 255	0.21 178	0.17 186	0.12 143	0.16 203	0.09 20	0.06 58	0.07 252	0.10 273	0.09 256	0.05 41	0.05 53

LMCR-Stereo	0.15 225	0.08 144	0.13 133	0.21 296	0.09 135	0.17 224	0.20 282	0.27 239	0.19 132	0.24 288	0.24 202	0.23 251	0.17 250	0.20 266	0.17 239	0.07 145	0.06 195	0.08 166	0.06 90	0.10 279	0.08 223

TANstereo	0.09 14	0.04 1	0.08 12	0.13 7	0.06 3	0.11 85	0.14 71	0.15 31	0.19 132	0.11 64	0.15 99	0.10 62	0.06 7	0.12 105	0.09 20	0.07 145	0.05 110	0.05 2	0.04 9	0.06 103	0.05 53

Anonymous	0.14 191	0.10 243	0.24 308	0.22 309	0.13 306	0.18 239	0.22 308	0.20 128	0.19 132	0.14 129	0.12 65	0.11 79	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.08 166	0.08 215	0.12 308	0.10 275

DCANet	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

xxxx	0.15 225	0.07 72	0.14 159	0.14 14	0.08 50	0.23 306	0.18 236	0.31 283	0.19 132	0.14 129	0.28 262	0.22 239	0.14 198	0.15 171	0.26 334	0.09 241	0.05 110	0.07 102	0.07 165	0.08 204	0.07 163

StereoVision	0.13 162	0.12 277	0.09 31	0.24 333	0.10 221	0.15 181	0.21 298	0.21 145	0.20 153	0.12 88	0.24 202	0.10 62	0.10 92	0.16 203	0.10 52	0.09 241	0.11 324	0.12 315	0.12 329	0.06 103	0.05 53

fff	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

x	0.13 162	0.07 72	0.14 159	0.14 14	0.08 50	0.18 239	0.14 71	0.22 161	0.20 153	0.15 153	0.19 153	0.19 206	0.17 250	0.18 236	0.18 253	0.07 145	0.05 110	0.06 34	0.06 90	0.07 160	0.07 163

CRFU-Net	0.16 243	0.08 144	0.14 159	0.17 117	0.09 135	0.19 259	0.14 71	0.26 221	0.20 153	0.28 323	0.27 253	0.29 296	0.17 250	0.19 247	0.17 239	0.09 241	0.09 297	0.07 102	0.07 165	0.08 204	0.08 223

GANet-ADL	0.13 162	0.07 72	0.15 196	0.17 117	0.10 221	0.18 239	0.15 117	0.30 277	0.20 153	0.13 109	0.18 147	0.19 206	0.12 143	0.16 203	0.13 162	0.08 195	0.06 195	0.06 34	0.05 34	0.07 160	0.08 223

PFNet	0.12 140	0.06 20	0.17 251	0.17 117	0.08 50	0.09 36	0.15 117	0.26 221	0.20 153	0.16 178	0.16 107	0.14 132	0.11 114	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

raft+_RVC	0.11 85	0.07 72	0.09 31	0.16 70	0.07 20	0.10 59	0.11 11	0.24 196	0.20 153	0.12 88	0.15 99	0.12 94	0.08 52	0.12 105	0.13 162	0.07 145	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

csc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

cscssc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

222	0.16 243	0.07 72	0.14 159	0.14 14	0.08 50	0.24 311	0.18 236	0.30 277	0.20 153	0.17 190	0.28 262	0.17 186	0.16 231	0.15 171	0.40 381	0.10 272	0.05 110	0.07 102	0.06 90	0.07 160	0.08 223

test_xeample	0.15 225	0.06 20	0.13 133	0.14 14	0.08 50	0.21 285	0.20 282	0.28 253	0.20 153	0.16 178	0.29 273	0.19 206	0.16 231	0.15 171	0.26 334	0.09 241	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

RAFT + AFF	0.13 162	0.07 72	0.20 286	0.20 272	0.10 221	0.14 159	0.24 327	0.26 221	0.20 153	0.11 64	0.10 40	0.12 94	0.10 92	0.15 171	0.12 132	0.07 145	0.06 195	0.09 232	0.08 215	0.06 103	0.08 223

RASNet	0.14 191	0.07 72	0.14 159	0.16 70	0.08 50	0.18 239	0.14 71	0.29 263	0.20 153	0.17 190	0.25 231	0.21 222	0.18 260	0.20 266	0.19 262	0.07 145	0.06 195	0.06 34	0.08 215	0.06 103	0.06 103

H2IRNET	0.10 54	0.09 195	0.09 31	0.18 184	0.09 135	0.12 108	0.15 117	0.14 19	0.21 166	0.10 44	0.10 40	0.10 62	0.10 92	0.10 19	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.05 53

EKT-Stereo	0.11 85	0.07 72	0.14 159	0.15 39	0.10 221	0.13 135	0.14 71	0.18 101	0.21 166	0.11 64	0.08 18	0.12 94	0.09 71	0.11 48	0.12 132	0.08 195	0.06 195	0.07 102	0.06 90	0.08 204	0.07 163

iRaft-Stereo_5w	0.12 140	0.09 195	0.12 94	0.19 231	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.19 230	0.14 85	0.11 79	0.09 71	0.20 266	0.16 228	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.06 103

test_3	0.10 54	0.09 195	0.10 48	0.20 272	0.08 50	0.13 135	0.26 346	0.14 19	0.21 166	0.10 44	0.10 40	0.09 40	0.09 71	0.08 6	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.04 1	0.04 8

PFNet+	0.11 85	0.06 20	0.13 133	0.16 70	0.09 135	0.05 1	0.12 22	0.17 77	0.21 166	0.16 178	0.19 153	0.14 132	0.10 92	0.11 48	0.11 90	0.08 195	0.05 110	0.09 232	0.08 215	0.06 103	0.11 298

OMP-Stereo	0.11 85	0.06 20	0.14 159	0.18 184	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.13 109	0.14 85	0.11 79	0.12 143	0.11 48	0.13 162	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.04 8

sAnonymous2	0.13 162	0.12 277	0.24 308	0.20 272	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

CroCo_RVC	0.13 162	0.12 277	0.24 308	0.20 272	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

ac_64	0.16 243	0.08 144	0.15 196	0.18 184	0.10 221	0.22 293	0.18 236	0.24 196	0.21 166	0.18 217	0.24 202	0.29 296	0.18 260	0.19 247	0.22 296	0.09 241	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

GANet-RSSM	0.14 191	0.07 72	0.13 133	0.13 7	0.08 50	0.14 159	0.17 196	0.22 161	0.21 166	0.17 190	0.24 202	0.23 251	0.15 211	0.16 203	0.15 213	0.10 272	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

DeepPruner_ROB	0.16 243	0.11 263	0.15 196	0.17 117	0.10 221	0.17 224	0.15 117	0.32 292	0.21 166	0.19 230	0.21 178	0.22 239	0.18 260	0.20 266	0.15 213	0.13 337	0.09 297	0.09 232	0.09 256	0.11 294	0.10 275

MLCV	0.12 140	0.07 72	0.16 226	0.18 184	0.06 3	0.15 181	0.17 196	0.19 121	0.21 166	0.18 217	0.25 231	0.17 186	0.13 175	0.14 153	0.13 162	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

MyStereo8	0.12 140	0.07 72	0.15 196	0.15 39	0.09 135	0.18 239	0.14 71	0.19 121	0.22 178	0.12 88	0.18 147	0.11 79	0.10 92	0.16 203	0.18 253	0.07 145	0.05 110	0.07 102	0.05 34	0.08 204	0.09 256

anonymousdsp2	0.11 85	0.07 72	0.10 48	0.16 70	0.09 135	0.13 135	0.14 71	0.18 101	0.22 178	0.13 109	0.14 85	0.12 94	0.09 71	0.14 153	0.11 90	0.05 2	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

Selective-RAFT	0.11 85	0.10 243	0.11 74	0.21 296	0.08 50	0.16 205	0.13 44	0.20 128	0.22 178	0.10 44	0.10 40	0.11 79	0.10 92	0.15 171	0.11 90	0.05 2	0.05 110	0.06 34	0.05 34	0.06 103	0.05 53

RAFT+CT+SA	0.13 162	0.11 263	0.09 31	0.19 231	0.09 135	0.15 181	0.28 358	0.22 161	0.22 178	0.15 153	0.26 246	0.10 62	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.07 102	0.08 215	0.07 160	0.06 103

CrosDoStereo	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

DeepStereo_LL	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

HCRNet	0.16 243	0.24 366	0.12 94	0.35 379	0.11 259	0.15 181	0.17 196	0.26 221	0.22 178	0.19 230	0.24 202	0.21 222	0.14 198	0.15 171	0.13 162	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

FADNet_RVC	0.16 243	0.14 310	0.40 358	0.20 272	0.11 259	0.13 135	0.13 44	0.26 221	0.22 178	0.21 255	0.23 193	0.20 216	0.17 250	0.14 153	0.16 228	0.08 195	0.08 274	0.12 315	0.09 256	0.11 294	0.10 275

UCFNet_RVC	0.14 191	0.08 144	0.13 133	0.11 1	0.10 221	0.20 271	0.10 6	0.24 196	0.22 178	0.17 190	0.20 164	0.23 251	0.15 211	0.17 225	0.15 213	0.12 317	0.07 252	0.10 273	0.13 338	0.11 294	0.10 275

CBFPSM	0.14 191	0.06 20	0.26 315	0.17 117	0.09 135	0.13 135	0.15 117	0.22 161	0.23 187	0.20 247	0.27 253	0.24 257	0.16 231	0.16 203	0.18 253	0.06 58	0.06 195	0.06 34	0.07 165	0.07 160	0.07 163

iinet-f	0.16 243	0.06 20	0.45 363	0.14 14	0.10 221	0.21 285	0.14 71	0.27 239	0.23 187	0.21 255	0.24 202	0.21 222	0.15 211	0.18 236	0.21 287	0.09 241	0.07 252	0.07 102	0.06 90	0.09 252	0.10 275

PSMNet-ADL	0.15 225	0.12 277	0.13 133	0.22 309	0.09 135	0.13 135	0.20 282	0.26 221	0.23 187	0.18 217	0.20 164	0.24 257	0.16 231	0.18 236	0.17 239	0.08 195	0.08 274	0.08 166	0.11 311	0.08 204	0.07 163

IRAFT_RVC	0.12 140	0.08 144	0.16 226	0.19 231	0.08 50	0.07 17	0.15 117	0.24 196	0.23 187	0.14 129	0.14 85	0.15 156	0.12 143	0.12 105	0.10 52	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.06 103

ICVP	0.15 225	0.09 195	0.12 94	0.22 309	0.09 135	0.17 224	0.21 298	0.25 209	0.23 187	0.18 217	0.30 277	0.26 275	0.18 260	0.17 225	0.14 190	0.09 241	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
TestStereo	0.13 162	0.14 310	0.11 74	0.23 328	0.08 50	0.15 181	0.21 298	0.20 128	0.23 187	0.14 129	0.24 202	0.16 167	0.12 143	0.16 203	0.14 190	0.05 2	0.06 195	0.08 166	0.06 90	0.09 252	0.05 53

111	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.10 59	0.14 71	0.21 145	0.23 187	0.11 64	0.12 65	0.14 132	0.11 114	0.13 137	0.10 52	0.06 58	0.04 2	0.06 34	0.04 9	0.05 41	0.05 53

FENet	0.13 162	0.08 144	0.12 94	0.16 70	0.08 50	0.14 159	0.15 117	0.22 161	0.23 187	0.17 190	0.23 193	0.16 167	0.12 143	0.14 153	0.15 213	0.08 195	0.05 110	0.08 166	0.08 215	0.07 160	0.07 163

STTStereo	0.18 274	0.12 277	0.27 321	0.20 272	0.11 259	0.16 205	0.21 298	0.29 263	0.23 187	0.21 255	0.30 277	0.29 296	0.18 260	0.20 266	0.19 262	0.12 317	0.11 324	0.11 300	0.14 342	0.09 252	0.08 223

StereoDRNet-Refined	0.17 262	0.12 277	0.15 196	0.20 272	0.09 135	0.18 239	0.18 236	0.26 221	0.23 187	0.26 306	0.40 336	0.22 239	0.17 250	0.21 282	0.20 268	0.08 195	0.05 110	0.09 232	0.10 288	0.07 160	0.07 163
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
1111x	0.15 225	0.08 144	0.12 94	0.18 184	0.07 20	0.18 239	0.25 340	0.31 283	0.24 197	0.17 190	0.24 202	0.26 275	0.15 211	0.13 137	0.23 306	0.07 145	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

LL-Strereo	0.13 162	0.09 195	0.11 74	0.20 272	0.10 221	0.11 85	0.18 236	0.32 292	0.24 197	0.15 153	0.15 99	0.14 132	0.13 175	0.19 247	0.11 90	0.06 58	0.04 2	0.09 232	0.08 215	0.04 1	0.05 53

gwcnet-sp	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

scenet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

ssnet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

test_5	0.14 191	0.12 277	0.08 12	0.20 272	0.10 221	0.14 159	0.29 366	0.21 145	0.24 197	0.18 217	0.28 262	0.11 79	0.15 211	0.12 105	0.13 162	0.06 58	0.05 110	0.07 102	0.08 215	0.08 204	0.07 163

GLC_STEREO	0.11 85	0.07 72	0.11 74	0.17 117	0.07 20	0.09 36	0.13 44	0.15 31	0.24 197	0.12 88	0.13 75	0.12 94	0.08 52	0.18 236	0.11 90	0.06 58	0.08 274	0.08 166	0.06 90	0.05 41	0.05 53

MIPNet	0.11 85	0.08 144	0.14 159	0.17 117	0.09 135	0.12 108	0.14 71	0.20 128	0.24 197	0.11 64	0.10 40	0.09 40	0.07 34	0.13 137	0.12 132	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

IPLGR	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.12 108	0.17 196	0.21 145	0.24 197	0.11 64	0.12 65	0.11 79	0.08 52	0.12 105	0.12 132	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

AACVNet	0.16 243	0.08 144	0.14 159	0.15 39	0.10 221	0.18 239	0.15 117	0.23 178	0.24 197	0.27 312	0.27 253	0.28 289	0.17 250	0.19 247	0.16 228	0.09 241	0.07 252	0.09 232	0.07 165	0.10 279	0.09 256

GwcNet-ADL	0.13 162	0.08 144	0.14 159	0.20 272	0.09 135	0.11 85	0.20 282	0.30 277	0.24 197	0.13 109	0.14 85	0.18 197	0.14 198	0.13 137	0.14 190	0.07 145	0.05 110	0.06 34	0.05 34	0.07 160	0.06 103

DEmStereo	0.12 140	0.06 20	0.14 159	0.14 14	0.10 221	0.16 205	0.15 117	0.16 47	0.24 197	0.17 190	0.24 202	0.13 117	0.14 198	0.12 105	0.13 162	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

GMStereo	0.13 162	0.14 310	0.14 159	0.18 184	0.09 135	0.15 181	0.16 175	0.20 128	0.24 197	0.16 178	0.17 125	0.10 62	0.10 92	0.16 203	0.13 162	0.07 145	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 191	0.07 72	0.13 133	0.15 39	0.08 50	0.13 135	0.16 175	0.24 196	0.24 197	0.16 178	0.28 262	0.22 239	0.14 198	0.15 171	0.13 162	0.11 293	0.06 195	0.09 232	0.12 329	0.08 204	0.07 163

CFNet-ft	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

DMCA-RVC	0.17 262	0.10 243	0.15 196	0.24 333	0.11 259	0.18 239	0.18 236	0.25 209	0.24 197	0.21 255	0.26 246	0.25 267	0.27 327	0.18 236	0.20 268	0.12 317	0.08 274	0.13 329	0.10 288	0.10 279	0.08 223

FADNet-RVC-Resample	0.16 243	0.11 263	0.31 337	0.22 309	0.11 259	0.19 259	0.14 71	0.25 209	0.24 197	0.24 288	0.27 253	0.20 216	0.15 211	0.16 203	0.15 213	0.07 145	0.08 274	0.12 315	0.10 288	0.09 252	0.10 275

MaskLacGwcNet_RVC	0.22 311	0.21 358	0.24 308	0.26 349	0.11 259	0.23 306	0.14 71	0.39 353	0.24 197	0.32 344	0.36 312	0.30 304	0.21 287	0.19 247	0.21 287	0.17 366	0.14 353	0.21 368	0.16 354	0.12 308	0.12 309

CFNet_RVC	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

mmx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

xxx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

GMStereo_Zeroshot	0.16 243	0.13 298	0.24 308	0.20 272	0.10 221	0.17 224	0.13 44	0.29 263	0.25 216	0.23 280	0.32 289	0.25 267	0.11 114	0.19 247	0.14 190	0.09 241	0.06 195	0.11 300	0.06 90	0.12 308	0.08 223

ssnet_v2	0.17 262	0.10 243	0.17 251	0.17 117	0.11 259	0.21 285	0.21 298	0.33 309	0.25 216	0.22 268	0.22 187	0.27 282	0.18 260	0.22 293	0.20 268	0.11 293	0.09 297	0.09 232	0.09 256	0.08 204	0.08 223

hknet	0.15 225	0.11 263	0.13 133	0.22 309	0.11 259	0.14 159	0.15 117	0.34 319	0.25 216	0.17 190	0.22 187	0.22 239	0.18 260	0.17 225	0.12 132	0.07 145	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

dd	0.15 225	0.16 323	0.16 226	0.19 231	0.09 135	0.15 181	0.18 236	0.21 145	0.25 216	0.23 280	0.20 164	0.21 222	0.09 71	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.06 90	0.08 204	0.06 103

THIR-Stereo	0.12 140	0.07 72	0.11 74	0.15 39	0.08 50	0.14 159	0.16 175	0.17 77	0.25 216	0.16 178	0.24 202	0.14 132	0.12 143	0.12 105	0.14 190	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

GES	0.14 191	0.08 144	0.16 226	0.15 39	0.10 221	0.13 135	0.13 44	0.28 253	0.25 216	0.16 178	0.23 193	0.18 197	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.07 102	0.06 90	0.08 204	0.09 256

cf-r	0.13 162	0.07 72	0.12 94	0.16 70	0.08 50	0.14 159	0.19 267	0.20 128	0.25 216	0.17 190	0.25 231	0.21 222	0.16 231	0.14 153	0.14 190	0.10 272	0.05 110	0.06 34	0.08 215	0.06 103	0.06 103

CFNet	0.15 225	0.10 243	0.17 251	0.17 117	0.08 50	0.18 239	0.09 3	0.28 253	0.25 216	0.19 230	0.24 202	0.24 257	0.17 250	0.17 225	0.14 190	0.08 195	0.06 195	0.09 232	0.10 288	0.07 160	0.06 103

NLCA_NET_v2_RVC	0.17 262	0.10 243	0.22 296	0.20 272	0.10 221	0.15 181	0.18 236	0.31 283	0.25 216	0.21 255	0.30 277	0.25 267	0.17 250	0.21 282	0.20 268	0.09 241	0.06 195	0.08 166	0.08 215	0.07 160	0.08 223
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 293	0.21 358	0.23 305	0.20 272	0.10 221	0.19 259	0.17 196	0.36 337	0.25 216	0.27 312	0.33 302	0.27 282	0.24 308	0.20 266	0.20 268	0.15 351	0.12 333	0.17 355	0.14 342	0.10 279	0.08 223

HSM	0.15 225	0.08 144	0.14 159	0.16 70	0.09 135	0.16 205	0.14 71	0.28 253	0.25 216	0.19 230	0.23 193	0.37 341	0.16 231	0.20 266	0.15 213	0.07 145	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

IER	0.14 191	0.07 72	0.13 133	0.17 117	0.09 135	0.14 159	0.16 175	0.25 209	0.26 229	0.18 217	0.25 231	0.17 186	0.20 283	0.16 203	0.14 190	0.08 195	0.05 110	0.07 102	0.06 90	0.08 204	0.07 163

UPFNet	0.16 243	0.08 144	0.12 94	0.20 272	0.12 288	0.20 271	0.23 318	0.28 253	0.26 229	0.17 190	0.24 202	0.22 239	0.19 275	0.19 247	0.21 287	0.09 241	0.07 252	0.08 166	0.09 256	0.08 204	0.06 103

hitnet-ft	0.18 274	0.09 195	0.17 251	0.14 14	0.09 135	0.26 329	0.20 282	0.25 209	0.26 229	0.24 288	0.32 289	0.31 314	0.22 296	0.24 312	0.21 287	0.12 317	0.07 252	0.10 273	0.08 215	0.12 308	0.11 298

FADNet-RVC	0.20 293	0.20 352	0.38 355	0.21 296	0.16 344	0.20 271	0.15 117	0.26 221	0.26 229	0.26 306	0.32 289	0.26 275	0.21 287	0.22 293	0.19 262	0.12 317	0.13 346	0.12 315	0.14 342	0.13 325	0.18 367

GANet	0.21 302	0.12 277	0.21 291	0.24 333	0.13 306	0.22 293	0.22 308	0.41 362	0.26 229	0.31 338	0.42 351	0.37 341	0.28 335	0.23 304	0.22 296	0.10 272	0.12 333	0.10 273	0.09 256	0.10 279	0.08 223

iResNet	0.13 162	0.10 243	0.18 269	0.19 231	0.08 50	0.13 135	0.18 236	0.20 128	0.26 229	0.15 153	0.23 193	0.15 156	0.13 175	0.14 153	0.14 190	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

pmcnn	0.15 225	0.07 72	0.19 278	0.15 39	0.07 20	0.20 271	0.15 117	0.24 196	0.26 229	0.21 255	0.34 306	0.28 289	0.18 260	0.18 236	0.17 239	0.07 145	0.05 110	0.05 2	0.04 9	0.07 160	0.06 103

SMFormer	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

tta	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.06 103	0.06 103

qqq1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

fff1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

CoDeX	0.12 140	0.07 72	0.12 94	0.17 117	0.08 50	0.12 108	0.15 117	0.23 178	0.27 236	0.13 109	0.17 125	0.16 167	0.11 114	0.14 153	0.11 90	0.07 145	0.05 110	0.07 102	0.06 90	0.06 103	0.05 53

UDGNet	0.14 191	0.13 298	0.16 226	0.17 117	0.10 221	0.12 108	0.16 175	0.21 145	0.27 236	0.20 247	0.20 164	0.16 167	0.13 175	0.16 203	0.13 162	0.10 272	0.06 195	0.09 232	0.07 165	0.06 103	0.07 163

ADLNet	0.16 243	0.08 144	0.15 196	0.16 70	0.10 221	0.16 205	0.17 196	0.32 292	0.27 236	0.22 268	0.27 253	0.24 257	0.16 231	0.18 236	0.21 287	0.10 272	0.06 195	0.10 273	0.10 288	0.08 204	0.09 256

SFCPSM	0.13 162	0.07 72	0.14 159	0.17 117	0.09 135	0.15 181	0.16 175	0.28 253	0.27 236	0.14 129	0.17 125	0.12 94	0.13 175	0.14 153	0.11 90	0.08 195	0.05 110	0.07 102	0.07 165	0.07 160	0.06 103

GwcNet-RSSM	0.14 191	0.07 72	0.12 94	0.15 39	0.08 50	0.15 181	0.20 282	0.21 145	0.27 236	0.18 217	0.27 253	0.22 239	0.16 231	0.14 153	0.15 213	0.10 272	0.05 110	0.07 102	0.09 256	0.07 160	0.07 163

DMCA	0.14 191	0.09 195	0.16 226	0.19 231	0.09 135	0.15 181	0.17 196	0.23 178	0.27 236	0.14 129	0.19 153	0.17 186	0.18 260	0.15 171	0.17 239	0.10 272	0.06 195	0.08 166	0.06 90	0.09 252	0.10 275

DANet	0.21 302	0.15 316	0.28 326	0.25 344	0.13 306	0.22 293	0.19 267	0.27 239	0.27 236	0.28 323	0.32 289	0.35 335	0.31 351	0.31 343	0.23 306	0.11 293	0.09 297	0.11 300	0.10 288	0.13 325	0.11 298
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
whm_eth	0.14 191	0.09 195	0.20 286	0.20 272	0.12 288	0.12 108	0.15 117	0.18 101	0.28 247	0.17 190	0.32 289	0.09 40	0.12 143	0.18 236	0.14 190	0.07 145	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163

dad	0.17 262	0.20 352	0.20 286	0.16 70	0.11 259	0.20 271	0.18 236	0.21 145	0.28 247	0.30 332	0.24 202	0.29 296	0.13 175	0.19 247	0.16 228	0.18 367	0.09 297	0.11 300	0.09 256	0.11 294	0.07 163

Anonymous3	0.16 243	0.13 298	0.33 342	0.26 349	0.14 323	0.27 336	0.17 196	0.28 253	0.28 247	0.15 153	0.17 125	0.14 132	0.10 92	0.15 171	0.12 132	0.08 195	0.08 274	0.08 166	0.08 215	0.08 204	0.11 298

AdaStereo	0.15 225	0.11 263	0.15 196	0.18 184	0.09 135	0.20 271	0.11 11	0.32 292	0.28 247	0.20 247	0.23 193	0.20 216	0.13 175	0.19 247	0.14 190	0.12 317	0.05 110	0.10 273	0.07 165	0.09 252	0.07 163
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.
NCCL2	0.23 326	0.15 316	0.17 251	0.34 377	0.18 364	0.24 311	0.23 318	0.34 319	0.28 247	0.31 338	0.38 323	0.38 345	0.28 335	0.23 304	0.24 316	0.15 351	0.12 333	0.18 363	0.21 369	0.13 325	0.13 322

CBMV_ROB	0.19 284	0.13 298	0.17 251	0.16 70	0.11 259	0.15 181	0.13 44	0.26 221	0.28 247	0.27 312	0.30 277	0.27 282	0.24 308	0.23 304	0.16 228	0.15 351	0.17 367	0.22 372	0.20 367	0.10 279	0.11 298

DLCB_ROB	0.18 274	0.10 243	0.15 196	0.23 328	0.11 259	0.24 311	0.18 236	0.29 263	0.28 247	0.27 312	0.28 262	0.28 289	0.24 308	0.19 247	0.20 268	0.08 195	0.08 274	0.09 232	0.09 256	0.07 160	0.07 163

DispNO	0.14 191	0.08 144	0.17 251	0.19 231	0.12 288	0.11 85	0.21 298	0.23 178	0.29 254	0.17 190	0.23 193	0.18 197	0.17 250	0.15 171	0.15 213	0.07 145	0.05 110	0.08 166	0.08 215	0.07 160	0.06 103

ttt	0.14 191	0.08 144	0.14 159	0.15 39	0.08 50	0.15 181	0.18 236	0.27 239	0.29 254	0.16 178	0.24 202	0.17 186	0.13 175	0.13 137	0.14 190	0.11 293	0.08 274	0.09 232	0.08 215	0.09 252	0.08 223

anonymousa	0.13 162	0.07 72	0.13 133	0.18 184	0.09 135	0.13 135	0.17 196	0.19 121	0.29 254	0.15 153	0.24 202	0.15 156	0.14 198	0.14 153	0.14 190	0.07 145	0.05 110	0.07 102	0.09 256	0.05 41	0.06 103

HBP-ISP	0.18 274	0.13 298	0.16 226	0.15 39	0.11 259	0.08 24	0.13 44	0.28 253	0.29 254	0.22 268	0.33 302	0.21 222	0.25 316	0.23 304	0.17 239	0.14 348	0.16 362	0.21 368	0.17 361	0.10 279	0.08 223

DAS	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.16 203	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

SepStereo	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.25 317	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

UNet	0.17 262	0.09 195	0.18 269	0.19 231	0.12 288	0.27 336	0.19 267	0.33 309	0.29 254	0.21 255	0.24 202	0.23 251	0.19 275	0.19 247	0.18 253	0.07 145	0.06 195	0.08 166	0.07 165	0.08 204	0.06 103

HSM-Net_RVC	0.14 191	0.08 144	0.11 74	0.15 39	0.08 50	0.15 181	0.15 117	0.27 239	0.29 254	0.19 230	0.21 178	0.29 296	0.14 198	0.17 225	0.13 162	0.06 58	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
DDUNet	0.22 311	0.17 334	0.21 291	0.22 309	0.15 334	0.25 321	0.24 327	0.29 263	0.30 262	0.31 338	0.36 312	0.33 325	0.25 316	0.24 312	0.20 268	0.18 367	0.13 346	0.17 355	0.11 311	0.16 355	0.16 358

SACVNet	0.18 274	0.12 277	0.14 159	0.17 117	0.13 306	0.22 293	0.18 236	0.31 283	0.30 262	0.23 280	0.31 285	0.30 304	0.22 296	0.22 293	0.17 239	0.11 293	0.08 274	0.10 273	0.10 288	0.12 308	0.14 339

DRaft	0.12 140	0.06 20	0.11 74	0.14 14	0.09 135	0.14 159	0.17 196	0.21 145	0.30 262	0.17 190	0.28 262	0.10 62	0.15 211	0.10 19	0.12 132	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

TDLM	0.17 262	0.12 277	0.13 133	0.24 333	0.10 221	0.18 239	0.18 236	0.36 337	0.30 262	0.21 255	0.28 262	0.28 289	0.18 260	0.23 304	0.18 253	0.11 293	0.07 252	0.10 273	0.10 288	0.08 204	0.08 223

SGM-Forest	0.20 293	0.14 310	0.18 269	0.19 231	0.13 306	0.20 271	0.22 308	0.33 309	0.30 262	0.24 288	0.29 273	0.28 289	0.19 275	0.23 304	0.17 239	0.15 351	0.16 362	0.15 347	0.14 342	0.12 308	0.12 309
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.19 284	0.14 310	0.17 251	0.18 184	0.10 221	0.20 271	0.11 11	0.29 263	0.30 262	0.29 329	0.30 277	0.30 304	0.23 302	0.27 322	0.19 262	0.13 337	0.15 359	0.17 355	0.16 354	0.10 279	0.10 275
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Syn2CoEx	0.21 302	0.16 323	0.27 321	0.29 370	0.14 323	0.26 329	0.20 282	0.33 309	0.31 268	0.28 323	0.36 312	0.27 282	0.25 316	0.19 247	0.24 316	0.16 362	0.12 333	0.14 339	0.11 311	0.09 252	0.08 223

DSFCA	0.16 243	0.09 195	0.14 159	0.16 70	0.10 221	0.20 271	0.19 267	0.28 253	0.31 268	0.23 280	0.24 202	0.22 239	0.15 211	0.19 247	0.20 268	0.10 272	0.07 252	0.09 232	0.09 256	0.08 204	0.08 223

FADNet	0.21 302	0.22 362	0.36 351	0.18 184	0.17 357	0.24 311	0.13 44	0.31 283	0.31 268	0.23 280	0.25 231	0.27 282	0.21 287	0.19 247	0.15 213	0.13 337	0.15 359	0.12 315	0.15 352	0.16 355	0.18 367

AANet_RVC	0.16 243	0.10 243	0.10 48	0.18 184	0.09 135	0.18 239	0.19 267	0.26 221	0.31 268	0.22 268	0.35 309	0.21 222	0.21 287	0.22 293	0.16 228	0.06 58	0.05 110	0.06 34	0.06 90	0.07 160	0.06 103

iResNet_ROB	0.14 191	0.07 72	0.13 133	0.14 14	0.07 20	0.18 239	0.14 71	0.26 221	0.31 268	0.22 268	0.25 231	0.23 251	0.15 211	0.15 171	0.13 162	0.07 145	0.05 110	0.05 2	0.04 9	0.08 204	0.08 223

SGM_RVC	0.23 326	0.12 277	0.15 196	0.15 39	0.09 135	0.33 356	0.18 236	0.34 319	0.31 268	0.44 373	0.37 318	0.53 379	0.35 361	0.35 360	0.24 316	0.13 337	0.13 346	0.13 329	0.13 338	0.10 279	0.11 298
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SDNR	0.19 284	0.08 144	0.19 278	0.16 70	0.12 288	0.77 404	0.14 71	0.25 209	0.32 274	0.19 230	0.24 202	0.19 206	0.13 175	0.19 247	0.15 213	0.16 362	0.18 369	0.14 339	0.11 311	0.08 204	0.11 298

CSP-Net	0.16 243	0.09 195	0.14 159	0.16 70	0.09 135	0.19 259	0.17 196	0.25 209	0.32 274	0.25 301	0.30 277	0.24 257	0.15 211	0.21 282	0.18 253	0.09 241	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

APVNet	0.22 311	0.12 277	0.19 278	0.18 184	0.14 323	0.32 350	0.31 379	0.39 353	0.32 274	0.27 312	0.40 336	0.30 304	0.29 343	0.26 319	0.25 325	0.11 293	0.12 333	0.11 300	0.14 342	0.12 308	0.12 309

HGLStereo	0.17 262	0.08 144	0.19 278	0.17 117	0.12 288	0.18 239	0.18 236	0.31 283	0.32 274	0.21 255	0.32 289	0.25 267	0.18 260	0.19 247	0.20 268	0.09 241	0.09 297	0.07 102	0.07 165	0.09 252	0.10 275

NOSS_ROB	0.19 284	0.12 277	0.18 269	0.16 70	0.12 288	0.15 181	0.12 22	0.30 277	0.32 274	0.20 247	0.22 187	0.27 282	0.23 302	0.21 282	0.16 228	0.16 362	0.18 369	0.23 373	0.21 369	0.12 308	0.13 322

WCMA_ROB	0.24 334	0.11 263	0.22 296	0.17 117	0.14 323	0.32 350	0.15 117	0.32 292	0.32 274	0.38 357	0.53 368	0.40 356	0.34 359	0.34 354	0.25 325	0.11 293	0.12 333	0.12 315	0.10 288	0.14 337	0.14 339

SQANet	0.23 326	0.23 363	0.30 335	0.30 372	0.19 366	0.27 336	0.13 44	0.29 263	0.33 280	0.24 288	0.37 318	0.31 314	0.22 296	0.27 322	0.23 306	0.15 351	0.10 315	0.21 368	0.16 354	0.21 370	0.15 347

ToySt	0.17 262	0.11 263	0.18 269	0.17 117	0.11 259	0.16 205	0.25 340	0.24 196	0.33 280	0.19 230	0.24 202	0.26 275	0.24 308	0.19 247	0.20 268	0.07 145	0.08 274	0.09 232	0.10 288	0.09 252	0.08 223

raft_robust	0.13 162	0.10 243	0.07 2	0.18 184	0.08 50	0.13 135	0.24 327	0.28 253	0.33 280	0.20 247	0.19 153	0.14 132	0.10 92	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.07 165	0.05 41	0.04 8

ccnet	0.29 358	0.28 376	0.23 305	0.20 272	0.28 383	0.41 374	0.21 298	0.45 375	0.33 280	0.36 352	0.46 358	0.36 337	0.30 347	0.39 373	0.42 385	0.23 383	0.14 353	0.21 368	0.17 361	0.23 373	0.18 367

psmorigin	0.25 343	0.15 316	0.34 350	0.17 117	0.13 306	0.23 306	0.14 71	0.34 319	0.33 280	0.41 366	0.55 371	0.41 358	0.37 365	0.34 354	0.27 341	0.11 293	0.15 359	0.11 300	0.11 311	0.12 308	0.16 358

aanetorigin	0.22 311	0.17 334	0.56 377	0.17 117	0.10 221	0.15 181	0.19 267	0.20 128	0.33 280	0.49 377	0.48 361	0.29 296	0.27 327	0.20 266	0.23 306	0.08 195	0.07 252	0.08 166	0.07 165	0.10 279	0.09 256

ACVNet	0.15 225	0.09 195	0.15 196	0.13 7	0.12 288	0.14 159	0.20 282	0.22 161	0.33 280	0.17 190	0.26 246	0.21 222	0.16 231	0.17 225	0.21 287	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

acv_ft	0.15 225	0.09 195	0.15 196	0.19 231	0.10 221	0.16 205	0.17 196	0.25 209	0.33 280	0.19 230	0.26 246	0.21 222	0.17 250	0.17 225	0.18 253	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

CC-Net-ROB	0.28 354	0.31 381	0.36 351	0.29 370	0.15 334	0.25 321	0.19 267	0.45 375	0.33 280	0.39 359	0.37 318	0.39 353	0.31 351	0.27 322	0.26 334	0.24 385	0.19 372	0.30 386	0.23 376	0.18 365	0.15 347

CVANet_RVC	0.18 274	0.10 243	0.14 159	0.21 296	0.10 221	0.18 239	0.17 196	0.34 319	0.33 280	0.22 268	0.31 285	0.28 289	0.18 260	0.23 304	0.17 239	0.12 317	0.08 274	0.12 315	0.11 311	0.09 252	0.07 163

StereoDRNet	0.18 274	0.11 263	0.17 251	0.22 309	0.11 259	0.21 285	0.22 308	0.37 342	0.33 280	0.24 288	0.28 262	0.30 304	0.19 275	0.20 266	0.20 268	0.09 241	0.08 274	0.11 300	0.09 256	0.09 252	0.07 163

CFNet_ucs	0.15 225	0.08 144	0.16 226	0.16 70	0.11 259	0.14 159	0.14 71	0.30 277	0.34 291	0.16 178	0.24 202	0.23 251	0.14 198	0.18 236	0.15 213	0.09 241	0.06 195	0.08 166	0.07 165	0.09 252	0.09 256

fast-acv-ft	0.18 274	0.11 263	0.19 278	0.19 231	0.12 288	0.24 311	0.21 298	0.25 209	0.34 291	0.22 268	0.34 306	0.27 282	0.20 283	0.21 282	0.23 306	0.09 241	0.09 297	0.08 166	0.10 288	0.08 204	0.07 163

CFNet_pseudo	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.13 135	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.07 163

psm_up	0.18 274	0.10 243	0.18 269	0.20 272	0.11 259	0.17 224	0.19 267	0.37 342	0.34 291	0.21 255	0.28 262	0.29 296	0.24 308	0.20 266	0.22 296	0.09 241	0.10 315	0.11 300	0.11 311	0.08 204	0.08 223

G-Net	0.24 334	0.16 323	0.36 351	0.22 309	0.16 344	0.51 381	0.23 318	0.29 263	0.34 291	0.36 352	0.38 323	0.31 314	0.29 343	0.27 322	0.26 334	0.11 293	0.09 297	0.12 315	0.09 256	0.16 355	0.13 322

ADCP+	0.20 293	0.10 243	0.33 342	0.20 272	0.12 288	0.22 293	0.26 346	0.31 283	0.34 291	0.26 306	0.37 318	0.22 239	0.22 296	0.27 322	0.27 341	0.09 241	0.06 195	0.08 166	0.08 215	0.09 252	0.10 275

ccs_rob	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.12 108	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

MyStereo05	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.13 135	0.18 236	0.27 239	0.35 298	0.17 190	0.14 85	0.15 156	0.11 114	0.15 171	0.13 162	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

UDG	0.21 302	0.17 334	0.19 278	0.23 328	0.15 334	0.30 348	0.20 282	0.33 309	0.35 298	0.23 280	0.28 262	0.31 314	0.27 327	0.20 266	0.22 296	0.15 351	0.12 333	0.13 329	0.09 256	0.14 337	0.14 339

ADCPNet	0.25 343	0.16 323	0.61 381	0.21 296	0.15 334	0.35 367	0.25 340	0.32 292	0.35 298	0.30 332	0.40 336	0.36 337	0.28 335	0.28 333	0.32 364	0.12 317	0.10 315	0.11 300	0.12 329	0.14 337	0.13 322

iResNetv2_ROB	0.14 191	0.08 144	0.15 196	0.16 70	0.08 50	0.16 205	0.12 22	0.25 209	0.35 298	0.21 255	0.29 273	0.24 257	0.13 175	0.14 153	0.14 190	0.06 58	0.05 110	0.06 34	0.04 9	0.09 252	0.08 223

PCWNet_CMD	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 302	0.14 129	0.20 164	0.21 222	0.12 143	0.17 225	0.13 162	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

NINENet	0.16 243	0.10 243	0.15 196	0.17 117	0.11 259	0.19 259	0.14 71	0.40 357	0.36 302	0.18 217	0.21 178	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.08 274	0.10 273	0.07 165	0.10 279	0.09 256

ADCRef	0.19 284	0.12 277	0.41 360	0.20 272	0.12 288	0.22 293	0.18 236	0.32 292	0.36 302	0.26 306	0.32 289	0.17 186	0.23 302	0.24 312	0.24 316	0.07 145	0.06 195	0.09 232	0.09 256	0.08 204	0.08 223

MSMDNet	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 302	0.14 129	0.21 178	0.21 222	0.12 143	0.17 225	0.14 190	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

ETE_ROB	0.23 326	0.17 334	0.22 296	0.25 344	0.13 306	0.26 329	0.29 366	0.31 283	0.36 302	0.28 323	0.36 312	0.45 366	0.26 319	0.27 322	0.26 334	0.11 293	0.08 274	0.12 315	0.09 256	0.14 337	0.13 322

MeshStereo	0.27 351	0.13 298	0.18 269	0.15 39	0.11 259	0.32 350	0.24 327	0.40 357	0.36 302	0.52 379	0.57 377	0.67 390	0.40 371	0.35 360	0.26 334	0.14 348	0.13 346	0.13 329	0.11 311	0.11 294	0.10 275
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
AASNet	0.16 243	0.08 144	0.12 94	0.19 231	0.09 135	0.18 239	0.15 117	0.37 342	0.37 308	0.19 230	0.23 193	0.20 216	0.16 231	0.17 225	0.20 268	0.10 272	0.08 274	0.08 166	0.07 165	0.09 252	0.09 256

delet	0.17 262	0.08 144	0.17 251	0.19 231	0.11 259	0.20 271	0.21 298	0.30 277	0.37 308	0.17 190	0.26 246	0.19 206	0.19 275	0.19 247	0.21 287	0.08 195	0.08 274	0.09 232	0.11 311	0.06 103	0.06 103

DRN-Test	0.19 284	0.11 263	0.20 286	0.22 309	0.10 221	0.22 293	0.22 308	0.39 353	0.37 308	0.24 288	0.32 289	0.26 275	0.21 287	0.22 293	0.24 316	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

LALA_ROB	0.25 343	0.16 323	0.22 296	0.26 349	0.17 357	0.27 336	0.27 353	0.42 367	0.37 308	0.33 348	0.38 323	0.51 376	0.26 319	0.28 333	0.27 341	0.16 362	0.09 297	0.12 315	0.11 311	0.13 325	0.12 309

PSMNet_ROB	0.21 302	0.11 263	0.15 196	0.27 360	0.15 334	0.24 311	0.35 383	0.43 370	0.37 308	0.27 312	0.32 289	0.32 322	0.22 296	0.21 282	0.26 334	0.12 317	0.08 274	0.13 329	0.11 311	0.09 252	0.09 256

MyStereo04	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.29 263	0.38 313	0.17 190	0.14 85	0.16 167	0.10 92	0.15 171	0.13 162	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

Nwc_Net	0.23 326	0.16 323	0.21 291	0.25 344	0.14 323	0.24 311	0.26 346	0.37 342	0.38 313	0.22 268	0.41 346	0.30 304	0.28 335	0.28 333	0.25 325	0.11 293	0.10 315	0.17 355	0.20 367	0.10 279	0.10 275

ADCMid	0.25 343	0.15 316	0.40 358	0.20 272	0.14 323	0.25 321	0.26 346	0.34 319	0.38 313	0.36 352	0.44 356	0.34 331	0.40 371	0.35 360	0.33 367	0.10 272	0.09 297	0.11 300	0.11 311	0.13 325	0.12 309

Wz-Net-LNSev-Ref	0.18 274	0.09 195	0.29 332	0.15 39	0.10 221	0.22 293	0.20 282	0.26 221	0.39 316	0.25 301	0.42 351	0.24 257	0.15 211	0.20 266	0.19 262	0.07 145	0.05 110	0.06 34	0.05 34	0.10 279	0.09 256

ADLNet2	0.16 243	0.09 195	0.13 133	0.16 70	0.09 135	0.20 271	0.16 175	0.31 283	0.39 316	0.16 178	0.20 164	0.20 216	0.18 260	0.21 282	0.22 296	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.07 163

FAT-Stereo	0.20 293	0.12 277	0.22 296	0.21 296	0.12 288	0.17 224	0.18 236	0.34 319	0.39 316	0.27 312	0.37 318	0.34 331	0.32 354	0.21 282	0.20 268	0.09 241	0.11 324	0.10 273	0.09 256	0.11 294	0.14 339

AnyNet_C01	0.36 372	0.25 371	1.37 410	0.22 309	0.17 357	0.48 379	0.27 353	0.35 331	0.39 316	0.39 359	0.74 391	0.46 370	0.38 366	0.45 381	0.47 390	0.13 337	0.13 346	0.13 329	0.14 342	0.14 337	0.15 347

PA-Net	0.23 326	0.18 344	0.33 342	0.28 363	0.22 373	0.21 285	0.38 388	0.29 263	0.39 316	0.22 268	0.32 289	0.25 267	0.26 319	0.20 266	0.25 325	0.09 241	0.23 384	0.15 347	0.22 372	0.09 252	0.13 322
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
MSMD_ROB	0.31 364	0.26 372	0.26 315	0.24 333	0.21 371	0.34 359	0.25 340	0.34 319	0.39 316	0.40 362	0.69 385	0.45 366	0.40 371	0.34 354	0.27 341	0.20 373	0.19 372	0.26 375	0.25 378	0.23 373	0.22 377

NCC-stereo	0.24 334	0.15 316	0.31 337	0.26 349	0.16 344	0.20 271	0.30 373	0.40 357	0.40 322	0.24 288	0.38 323	0.33 325	0.28 335	0.36 365	0.27 341	0.12 317	0.11 324	0.15 347	0.22 372	0.13 325	0.13 322

Abc-Net	0.24 334	0.15 316	0.31 337	0.26 349	0.16 344	0.20 271	0.30 373	0.40 357	0.40 322	0.24 288	0.38 323	0.33 325	0.28 335	0.36 365	0.27 341	0.12 317	0.11 324	0.15 347	0.22 372	0.13 325	0.13 322
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
XPNet_ROB	0.22 311	0.11 263	0.19 278	0.22 309	0.13 306	0.22 293	0.19 267	0.34 319	0.40 322	0.30 332	0.39 331	0.39 353	0.26 319	0.26 319	0.28 349	0.15 351	0.10 315	0.10 273	0.10 288	0.13 325	0.12 309

anonymity	0.53 389	0.58 394	0.65 384	0.41 386	0.61 405	0.53 382	0.41 389	0.56 390	0.41 325	0.55 382	0.50 366	0.49 375	0.55 389	0.58 394	0.50 395	0.58 403	0.50 404	0.51 395	0.51 400	0.51 394	0.57 401

DGSMNet	0.24 334	0.19 347	0.33 342	0.21 296	0.24 376	0.24 311	0.20 282	0.35 331	0.41 325	0.24 288	0.32 289	0.38 345	0.21 287	0.29 339	0.23 306	0.12 317	0.11 324	0.14 339	0.16 354	0.23 373	0.23 378

MMNet	0.17 262	0.09 195	0.16 226	0.20 272	0.11 259	0.27 336	0.20 282	0.25 209	0.41 325	0.22 268	0.30 277	0.21 222	0.20 283	0.17 225	0.20 268	0.06 58	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

NaN_ROB	0.22 311	0.19 347	0.24 308	0.25 344	0.13 306	0.29 345	0.26 346	0.33 309	0.41 325	0.31 338	0.31 285	0.32 322	0.23 302	0.30 342	0.21 287	0.11 293	0.17 367	0.10 273	0.10 288	0.08 204	0.09 256

MDST_ROB	0.22 311	0.10 243	0.17 251	0.18 184	0.11 259	0.37 369	0.19 267	0.43 370	0.41 325	0.39 359	0.39 331	0.29 296	0.21 287	0.26 319	0.18 253	0.11 293	0.10 315	0.14 339	0.11 311	0.10 279	0.08 223

FBW_ROB	0.24 334	0.17 334	0.22 296	0.26 349	0.14 323	0.25 321	0.22 308	0.41 362	0.41 325	0.41 366	0.41 346	0.42 359	0.27 327	0.31 343	0.23 306	0.09 241	0.14 353	0.14 339	0.12 329	0.11 294	0.09 256

GASNet	0.22 311	0.23 363	0.33 342	0.26 349	0.17 357	0.26 329	0.16 175	0.44 372	0.42 331	0.27 312	0.24 202	0.30 304	0.15 211	0.27 322	0.18 253	0.12 317	0.08 274	0.12 315	0.11 311	0.16 355	0.07 163

FCDSN-DC	0.33 369	0.28 376	0.28 326	0.30 372	0.24 376	0.39 372	0.28 358	0.42 367	0.42 331	0.43 372	0.53 368	0.51 376	0.41 375	0.36 365	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 380	0.24 379
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MFN_U_SF_DS_RVC	0.30 363	0.24 366	0.29 332	0.36 382	0.16 344	0.34 359	0.30 373	0.32 292	0.42 331	0.40 362	0.46 358	0.38 345	0.31 351	0.34 354	0.28 349	0.19 371	0.20 375	0.26 375	0.29 384	0.18 365	0.19 372

edge stereo	0.22 311	0.13 298	0.20 286	0.21 296	0.13 306	0.23 306	0.16 175	0.32 292	0.42 331	0.32 344	0.40 336	0.38 345	0.35 361	0.25 317	0.24 316	0.13 337	0.11 324	0.14 339	0.11 311	0.12 308	0.13 322

NVstereo2D	0.19 284	0.10 243	0.15 196	0.17 117	0.15 334	0.28 342	0.23 318	0.44 372	0.42 331	0.15 153	0.27 253	0.25 267	0.19 275	0.22 293	0.17 239	0.09 241	0.06 195	0.10 273	0.08 215	0.15 348	0.09 256

Wz-Net-LNSev	0.22 311	0.16 323	0.38 355	0.21 296	0.13 306	0.25 321	0.23 318	0.32 292	0.43 336	0.30 332	0.41 346	0.31 314	0.18 260	0.22 293	0.25 325	0.10 272	0.09 297	0.08 166	0.08 215	0.12 308	0.11 298

GwcNet	0.20 293	0.13 298	0.19 278	0.18 184	0.12 288	0.24 311	0.19 267	0.35 331	0.43 336	0.20 247	0.32 289	0.33 325	0.20 283	0.22 293	0.24 316	0.11 293	0.09 297	0.09 232	0.09 256	0.09 252	0.10 275

S-Stereo	0.20 293	0.12 277	0.25 314	0.21 296	0.13 306	0.20 271	0.18 236	0.32 292	0.43 336	0.23 280	0.36 312	0.28 289	0.30 347	0.19 247	0.22 296	0.09 241	0.12 333	0.10 273	0.10 288	0.13 325	0.13 322

FC-DCNN	0.33 369	0.27 373	0.28 326	0.26 349	0.23 375	0.37 369	0.28 358	0.40 357	0.43 336	0.45 374	0.55 371	0.51 376	0.40 371	0.37 369	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 380	0.24 379

Wz-Net-MNSev	0.22 311	0.13 298	0.31 337	0.20 272	0.14 323	0.36 368	0.24 327	0.33 309	0.44 340	0.28 323	0.40 336	0.38 345	0.19 275	0.24 312	0.25 325	0.09 241	0.07 252	0.09 232	0.09 256	0.12 308	0.10 275

RP	0.21 302	0.13 298	0.21 291	0.23 328	0.11 259	0.21 285	0.20 282	0.25 209	0.44 340	0.21 255	0.38 323	0.36 337	0.24 308	0.27 322	0.25 325	0.11 293	0.12 333	0.13 329	0.12 329	0.12 308	0.14 339

RGC	0.25 343	0.20 352	0.29 332	0.28 363	0.16 344	0.22 293	0.23 318	0.32 292	0.44 340	0.27 312	0.40 336	0.38 345	0.27 327	0.36 365	0.22 296	0.11 293	0.13 346	0.17 355	0.17 361	0.14 337	0.16 358

stereogan	0.22 311	0.11 263	0.21 291	0.20 272	0.12 288	0.31 349	0.19 267	0.35 331	0.44 340	0.22 268	0.39 331	0.35 335	0.27 327	0.33 351	0.22 296	0.10 272	0.12 333	0.10 273	0.10 288	0.14 337	0.13 322

AnyNet_C32	0.26 349	0.16 323	0.36 351	0.20 272	0.16 344	0.25 321	0.30 373	0.32 292	0.44 340	0.31 338	0.49 362	0.30 304	0.33 355	0.40 377	0.33 367	0.12 317	0.12 333	0.12 315	0.14 342	0.14 337	0.15 347

Anonymous Stereo	0.23 326	0.19 347	0.50 369	0.24 333	0.17 357	0.21 285	0.21 298	0.33 309	0.44 340	0.25 301	0.34 306	0.26 275	0.18 260	0.31 343	0.27 341	0.13 337	0.12 333	0.12 315	0.13 338	0.11 294	0.14 339

DISCO	0.19 284	0.09 195	0.22 296	0.17 117	0.10 221	0.25 321	0.18 236	0.27 239	0.44 340	0.22 268	0.31 285	0.33 325	0.26 319	0.28 333	0.28 349	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.09 256

SGM+DAISY	0.56 391	0.57 393	0.65 384	0.40 384	0.54 397	0.66 393	0.49 396	0.56 390	0.45 347	0.66 386	0.69 385	0.67 390	0.56 390	0.63 396	0.56 397	0.59 404	0.48 400	0.50 394	0.50 399	0.52 395	0.58 402

pcwnet_v2	0.19 284	0.10 243	0.26 315	0.17 117	0.14 323	0.18 239	0.15 117	0.37 342	0.46 348	0.19 230	0.24 202	0.21 222	0.19 275	0.20 266	0.19 262	0.13 337	0.10 315	0.10 273	0.10 288	0.11 294	0.13 322

MFN_U_SF_RVC	0.32 366	0.21 358	0.55 375	0.30 372	0.15 334	0.34 359	0.17 196	0.52 385	0.46 348	0.46 376	0.55 371	0.59 382	0.39 368	0.35 360	0.37 375	0.15 351	0.14 353	0.18 363	0.21 369	0.16 355	0.15 347

LRCNet_RVC	10.62 428	13.42 433	7.30 421	18.92 432	2.07 422	0.33 356	0.30 373	5.59 424	0.48 350	13.03 430	17.94 431	8.87 425	5.65 422	4.79 422	1.89 419	23.51 439	2.73 426	27.55 440	25.71 440	16.07 437	16.33 438

GEStereo_RVC	0.17 262	0.12 277	0.15 196	0.22 309	0.11 259	0.19 259	0.17 196	0.32 292	0.48 350	0.20 247	0.25 231	0.17 186	0.13 175	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.07 165	0.09 252	0.08 223

FINET	0.21 302	0.18 344	0.26 315	0.18 184	0.16 344	0.23 306	0.23 318	0.32 292	0.48 350	0.25 301	0.32 289	0.22 239	0.22 296	0.22 293	0.17 239	0.18 367	0.16 362	0.11 300	0.10 288	0.15 348	0.13 322

RYNet	0.22 311	0.12 277	0.22 296	0.19 231	0.17 357	0.46 375	0.26 346	0.38 349	0.48 350	0.24 288	0.28 262	0.34 331	0.23 302	0.20 266	0.30 356	0.10 272	0.06 195	0.09 232	0.09 256	0.13 325	0.15 347

LSM	0.33 369	0.20 352	0.58 379	0.26 349	0.60 404	0.34 359	0.25 340	0.42 367	0.48 350	0.45 374	0.58 379	0.42 359	0.36 363	0.35 360	0.25 325	0.12 317	0.20 375	0.14 339	0.16 354	0.19 368	0.33 392

PASM	0.32 366	0.24 366	0.48 368	0.28 363	0.27 382	0.29 345	0.30 373	0.34 319	0.49 355	0.35 350	0.39 331	0.46 370	0.34 359	0.34 354	0.35 370	0.23 383	0.25 386	0.26 375	0.28 383	0.23 373	0.21 375

PWC_ROB	0.21 302	0.16 323	0.26 315	0.18 184	0.11 259	0.22 293	0.13 44	0.32 292	0.49 355	0.30 332	0.40 336	0.32 322	0.24 308	0.31 343	0.22 296	0.10 272	0.07 252	0.11 300	0.08 215	0.11 294	0.10 275

SuperB	0.20 293	0.10 243	0.56 377	0.16 70	0.09 135	0.18 239	0.18 236	0.24 196	0.50 357	0.26 306	0.39 331	0.17 186	0.21 287	0.22 293	0.21 287	0.08 195	0.06 195	0.06 34	0.06 90	0.12 308	0.10 275

AF-Net	0.22 311	0.17 334	0.17 251	0.26 349	0.13 306	0.25 321	0.24 327	0.32 292	0.50 357	0.25 301	0.33 302	0.38 345	0.26 319	0.28 333	0.25 325	0.11 293	0.10 315	0.16 353	0.11 311	0.11 294	0.10 275

DeepPrunerF	0.24 334	0.17 334	0.42 361	0.26 349	0.16 344	0.22 293	0.28 358	0.37 342	0.50 357	0.26 306	0.29 273	0.24 257	0.28 335	0.21 282	0.22 296	0.15 351	0.11 324	0.20 367	0.18 365	0.12 308	0.13 322

SGM-ForestM	0.32 366	0.12 277	0.16 226	0.16 70	0.11 259	0.39 372	0.19 267	0.41 362	0.50 357	0.52 379	0.54 370	1.32 409	0.42 378	0.40 377	0.27 341	0.14 348	0.16 362	0.16 353	0.16 354	0.12 308	0.12 309

CSAN	0.29 358	0.24 366	0.27 321	0.34 377	0.19 366	0.33 356	0.42 392	0.37 342	0.50 357	0.38 357	0.40 336	0.44 364	0.33 355	0.28 333	0.30 356	0.20 373	0.16 362	0.19 365	0.19 366	0.14 337	0.15 347

SPS-STEREO	0.57 392	0.58 394	0.65 384	0.45 389	0.55 399	0.62 389	0.44 395	0.62 395	0.50 357	0.68 388	0.64 381	0.66 389	0.57 391	0.61 395	0.60 399	0.62 406	0.47 399	0.51 395	0.49 397	0.55 399	0.58 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
ELAS	0.41 378	0.29 379	0.33 342	0.27 360	0.24 376	0.60 388	0.36 384	0.50 383	0.50 357	0.71 390	0.79 395	0.67 390	0.54 386	0.51 385	0.42 385	0.22 379	0.20 375	0.27 378	0.26 379	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SAMSARA	0.40 376	0.28 376	0.33 342	0.55 395	0.39 389	0.82 405	1.23 419	0.47 378	0.51 364	0.36 352	0.35 309	0.55 381	0.39 368	0.38 370	0.39 379	0.15 351	0.20 375	0.15 347	0.14 342	0.23 373	0.20 373

GANetREF_RVC	0.31 364	0.34 383	0.27 321	0.35 379	0.16 344	0.32 350	0.41 389	0.48 379	0.51 364	0.35 350	0.35 309	0.34 331	0.33 355	0.39 373	0.32 364	0.27 387	0.20 375	0.29 384	0.15 352	0.18 365	0.17 365
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
PWCDC_ROB	0.20 293	0.13 298	0.22 296	0.24 333	0.11 259	0.19 259	0.15 117	0.33 309	0.54 366	0.29 329	0.50 366	0.21 222	0.15 211	0.27 322	0.20 268	0.11 293	0.09 297	0.10 273	0.08 215	0.11 294	0.09 256

Wz-Net-TNSev	0.29 358	0.20 352	0.65 384	0.19 231	0.15 334	0.38 371	0.27 353	0.35 331	0.55 367	0.34 349	0.42 351	0.45 366	0.38 366	0.32 349	0.30 356	0.12 317	0.13 346	0.10 273	0.12 329	0.15 348	0.14 339

Consistency-Raft	0.44 381	0.40 388	0.45 363	0.37 383	0.43 392	0.46 375	0.41 389	0.57 392	0.55 367	0.32 344	0.73 389	0.33 325	0.48 383	0.42 380	0.49 392	0.39 392	0.35 392	0.45 392	0.51 400	0.42 392	0.29 387

Wz-Net-SNSev	0.25 343	0.17 334	0.44 362	0.25 344	0.14 323	0.26 329	0.23 318	0.38 349	0.56 369	0.30 332	0.55 371	0.39 353	0.26 319	0.23 304	0.30 356	0.10 272	0.09 297	0.09 232	0.10 288	0.11 294	0.11 298

ADCL	0.24 334	0.11 263	0.47 367	0.22 309	0.12 288	0.34 359	0.29 366	0.29 263	0.56 369	0.24 288	0.46 358	0.30 304	0.30 347	0.29 339	0.29 352	0.08 195	0.07 252	0.09 232	0.09 256	0.10 279	0.10 275

WZ-Net	0.28 354	0.17 334	0.78 398	0.22 309	0.16 344	0.34 359	0.29 366	0.39 353	0.57 371	0.24 288	0.55 371	0.37 341	0.24 308	0.33 351	0.35 370	0.09 241	0.08 274	0.09 232	0.10 288	0.14 337	0.16 358

XQC	0.28 354	0.23 363	0.51 370	0.28 363	0.19 366	0.34 359	0.27 353	0.36 337	0.57 371	0.31 338	0.30 277	0.37 341	0.30 347	0.38 370	0.38 377	0.13 337	0.09 297	0.15 347	0.12 329	0.17 362	0.18 367

PDISCO_ROB	0.27 351	0.16 323	0.26 315	0.28 363	0.20 369	0.32 350	0.26 346	0.44 372	0.57 371	0.28 323	0.40 336	0.45 366	0.29 343	0.33 351	0.34 369	0.12 317	0.09 297	0.17 355	0.16 354	0.17 362	0.13 322

DispFullNet	0.27 351	0.21 358	0.65 384	0.28 363	0.16 344	0.26 329	0.17 196	0.33 309	0.58 374	0.27 312	0.38 323	0.43 362	0.23 302	0.38 370	0.23 306	0.12 317	0.06 195	0.19 365	0.11 311	0.21 370	0.15 347

EDNetEfficientorigin	7.91 423	0.31 381	153.02 442	0.19 231	0.09 135	0.21 285	0.16 175	0.22 161	0.59 375	0.72 392	0.67 383	0.42 359	0.50 385	0.24 312	0.39 379	0.08 195	0.07 252	0.08 166	0.07 165	0.12 308	0.10 275

MANE	0.45 383	0.27 373	0.27 321	0.27 360	0.24 376	0.47 377	0.31 379	0.55 389	0.59 375	0.72 392	1.13 411	1.15 403	0.61 393	0.52 387	0.37 375	0.21 376	0.20 375	0.27 378	0.31 388	0.25 380	0.24 379

ELAS_RVC	0.41 378	0.29 379	0.33 342	0.28 363	0.24 376	0.54 383	0.36 384	0.49 381	0.59 375	0.72 392	0.74 391	0.65 388	0.54 386	0.54 391	0.40 381	0.22 379	0.20 375	0.27 378	0.26 379	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficient	0.29 358	0.24 366	1.13 407	0.18 184	0.10 221	0.19 259	0.20 282	0.20 128	0.60 378	0.74 396	0.56 376	0.31 314	0.39 368	0.22 293	0.30 356	0.09 241	0.07 252	0.08 166	0.07 165	0.11 294	0.09 256

NVStereoNet_ROB	0.46 386	0.36 385	0.46 366	0.41 386	0.28 383	0.34 359	0.34 382	0.48 379	0.60 378	0.72 392	0.93 400	0.70 393	0.66 396	0.47 382	0.60 399	0.22 379	0.33 391	0.34 388	0.34 391	0.30 386	0.30 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 373	0.37 386	0.52 371	0.44 388	0.28 383	0.58 385	0.24 327	0.41 362	0.62 380	0.40 362	0.49 362	0.46 370	0.33 355	0.40 377	0.32 364	0.30 388	0.30 390	0.39 390	0.33 389	0.29 385	0.28 386

ADCS	0.29 358	0.18 344	0.45 363	0.21 296	0.17 357	0.28 342	0.23 318	0.41 362	0.63 381	0.40 362	0.49 362	0.40 356	0.36 363	0.39 373	0.40 381	0.13 337	0.12 333	0.13 329	0.14 342	0.16 355	0.16 358

ACVNet-4b	0.39 373	0.53 392	0.55 375	0.45 389	0.24 376	0.47 377	0.18 236	0.49 381	0.64 382	0.42 369	0.45 357	0.60 383	0.27 327	0.34 354	0.24 316	0.33 390	0.14 353	0.48 393	0.42 393	0.30 386	0.26 385

SANet	0.24 334	0.14 310	0.28 326	0.21 296	0.11 259	0.27 336	0.24 327	0.38 349	0.64 382	0.36 352	0.40 336	0.43 362	0.26 319	0.27 322	0.24 316	0.12 317	0.09 297	0.10 273	0.09 256	0.13 325	0.11 298

BEATNet-Init1	0.52 388	0.27 373	0.62 382	0.30 372	0.21 371	0.76 402	0.29 366	0.54 388	0.65 384	0.86 401	0.95 402	2.07 418	0.62 395	0.56 393	0.42 385	0.18 367	0.18 369	0.23 373	0.22 372	0.22 372	0.21 375

RTSC	0.23 326	0.12 277	0.28 326	0.21 296	0.13 306	0.28 342	0.16 175	0.35 331	0.66 385	0.27 312	0.33 302	0.30 304	0.21 287	0.31 343	0.29 352	0.10 272	0.08 274	0.09 232	0.10 288	0.13 325	0.13 322

DPSNet	0.28 354	0.16 323	0.31 337	0.18 184	0.13 306	0.54 383	0.42 392	0.51 384	0.67 386	0.29 329	0.38 323	0.38 345	0.29 343	0.31 343	0.23 306	0.11 293	0.10 315	0.11 300	0.08 215	0.20 369	0.16 358

Ntro	0.40 376	0.40 388	0.53 372	0.46 392	0.30 387	0.65 391	0.24 327	0.46 377	0.68 387	0.41 366	0.49 362	0.48 374	0.42 378	0.39 373	0.31 363	0.32 389	0.28 388	0.37 389	0.30 386	0.32 390	0.29 387

JetBlue	0.71 397	0.45 390	1.14 408	0.51 393	0.47 394	2.02 419	0.64 406	0.75 398	0.70 388	0.69 389	0.77 394	1.22 405	0.83 403	1.03 415	1.01 415	0.40 393	0.28 388	0.33 387	0.33 389	0.30 386	0.34 393

SHD	0.26 349	0.15 316	0.30 335	0.24 333	0.18 364	0.22 293	0.15 117	0.38 349	0.71 389	0.32 344	0.41 346	0.36 337	0.28 335	0.32 349	0.29 352	0.12 317	0.11 324	0.14 339	0.13 338	0.16 355	0.20 373

ACVNet_1	0.44 381	0.49 391	0.60 380	0.45 389	0.28 383	0.49 380	0.27 353	0.57 392	0.72 390	0.62 385	0.58 379	0.74 394	0.49 384	0.50 384	0.35 370	0.26 386	0.24 385	0.39 390	0.29 384	0.31 389	0.24 379

coex-ft	3.30 418	0.34 383	59.09 441	0.18 184	0.13 306	0.26 329	0.22 308	0.27 239	0.72 390	1.90 419	0.70 387	0.44 364	0.45 381	0.29 339	0.41 384	0.09 241	0.09 297	0.12 315	0.09 256	0.14 337	0.13 322

MSC_U_SF_DS_RVC	0.43 380	0.39 387	0.54 373	0.40 384	0.20 369	0.64 390	0.32 381	0.53 387	0.72 390	0.71 390	0.72 388	0.61 384	0.54 386	0.51 385	0.46 389	0.20 373	0.19 372	0.29 384	0.30 386	0.23 373	0.18 367

MADNet+	0.75 400	0.71 402	3.70 419	0.66 398	0.41 390	0.98 410	0.97 417	0.69 397	0.73 393	0.52 379	0.57 377	0.64 386	0.68 398	0.86 407	1.01 415	0.34 391	0.36 393	0.28 383	0.23 376	0.36 391	0.31 390

MFMNet_re	0.64 393	0.66 400	0.65 384	0.51 393	0.69 409	0.69 394	0.57 402	0.64 396	0.73 393	0.60 384	0.73 389	0.62 385	0.67 397	0.65 397	0.60 399	0.66 407	0.58 413	0.63 399	0.59 403	0.68 405	0.69 411

RTS	0.45 383	0.19 347	3.26 416	0.24 333	0.15 334	0.74 398	0.20 282	0.36 337	0.76 395	0.42 369	0.43 354	0.31 314	0.41 375	0.53 389	0.35 370	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 347

RTSA	0.45 383	0.19 347	3.26 416	0.24 333	0.15 334	0.74 398	0.20 282	0.36 337	0.76 395	0.42 369	0.43 354	0.31 314	0.41 375	0.53 389	0.35 370	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 347

IMH-64-1	0.65 394	0.61 396	0.68 392	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 397	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 392	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

IMH-64	0.65 394	0.61 396	0.68 392	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 397	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 392	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

RainbowNet	0.54 390	0.61 396	0.70 396	0.57 396	0.43 392	0.65 391	0.37 387	0.60 394	0.87 399	0.50 378	0.66 382	0.64 386	0.47 382	0.49 383	0.43 388	0.47 398	0.48 400	0.52 397	0.41 392	0.52 395	0.40 397

PWCK	0.71 397	0.94 412	0.95 405	0.76 401	0.31 388	0.74 398	0.36 384	0.90 402	0.90 400	0.96 405	0.75 393	0.95 398	0.61 393	0.87 408	0.66 402	0.72 408	0.46 395	0.75 404	0.49 397	0.69 407	0.44 399

UNDER WATER-64	0.95 409	0.94 412	1.43 412	0.87 409	0.56 400	1.18 418	0.87 414	0.77 399	0.94 401	1.04 408	0.85 397	1.58 416	1.21 417	0.94 412	0.96 413	0.87 414	0.57 412	1.03 414	0.88 415	0.78 412	0.73 412

PVD	0.39 373	0.20 352	0.39 357	0.31 376	0.22 373	0.29 345	0.43 394	0.52 385	0.96 402	0.55 382	0.79 395	0.53 379	0.59 392	0.52 387	0.38 377	0.19 371	0.14 353	0.17 355	0.14 342	0.24 379	0.31 390

UNDER WATER	0.97 410	0.97 414	1.42 411	0.99 413	0.70 412	1.12 417	0.84 413	0.80 400	1.08 403	1.01 407	0.90 398	1.55 415	1.22 418	1.03 415	1.00 414	0.78 412	0.53 407	1.02 413	0.87 414	0.80 413	0.74 413

IMH	0.71 397	0.64 399	0.68 392	0.76 401	0.54 397	0.69 394	0.54 400	0.98 409	1.10 404	0.82 400	1.09 407	0.89 397	0.88 406	0.87 408	0.52 396	0.44 397	0.50 404	0.75 404	0.51 400	0.56 400	0.41 398

TorneroNet	0.82 404	0.74 404	0.81 402	0.84 406	0.63 406	0.99 411	0.63 404	0.96 407	1.16 405	0.80 399	1.11 409	1.36 410	0.86 405	0.93 411	0.80 410	0.56 401	0.49 402	0.78 408	0.66 407	0.73 410	0.63 410

notaker	0.97 410	1.11 415	0.98 406	1.13 415	0.81 413	0.73 397	0.68 410	0.93 405	1.16 405	1.18 414	1.18 413	1.41 412	1.16 416	1.08 417	0.69 406	0.81 413	0.64 415	1.17 415	0.79 412	0.98 415	0.80 416

DPSimNet_ROB	1.11 414	1.23 418	0.78 398	1.13 415	0.88 416	1.10 416	1.13 418	1.16 418	1.23 407	1.43 416	1.02 404	1.41 412	1.10 415	0.90 410	1.60 417	1.46 420	0.51 406	1.21 417	1.03 418	0.90 414	1.01 420

TorneroNet-64	0.76 401	0.72 403	0.74 397	0.78 403	0.58 403	0.91 409	0.56 401	0.84 401	1.29 408	0.66 386	0.90 398	1.40 411	0.75 400	0.85 406	0.67 405	0.49 399	0.46 395	0.72 403	0.59 403	0.67 404	0.53 400

WAO-7	0.79 402	0.78 405	0.54 373	0.85 407	0.67 408	0.74 398	0.68 410	1.05 412	1.32 409	0.90 403	1.20 414	1.04 399	0.92 407	0.69 398	0.66 402	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.58 402

KSHMR	1.09 413	1.17 416	0.88 404	1.25 419	1.00 418	0.99 411	0.96 416	1.13 416	1.37 410	1.16 413	1.29 416	1.41 412	0.96 409	1.01 414	0.92 412	1.03 417	1.08 419	1.20 416	1.03 418	1.01 416	0.97 418

JetRed	1.62 416	1.46 420	2.98 415	0.92 410	1.21 419	4.99 421	1.53 421	1.27 419	1.39 411	1.83 418	1.74 420	1.60 417	0.95 408	1.41 418	2.45 421	0.90 416	1.60 420	0.93 412	0.90 416	1.35 419	0.99 419

ktn	1.01 412	1.21 417	0.80 401	1.23 418	0.86 415	1.01 413	0.87 414	0.94 406	1.39 411	1.04 408	1.12 410	1.15 403	1.07 412	0.94 412	0.59 398	1.28 419	0.71 417	1.38 419	0.83 413	1.02 417	0.75 414

ACVNet_2	0.66 396	0.66 400	0.68 392	0.63 397	0.41 390	0.71 396	0.49 396	0.96 407	1.39 411	0.89 402	1.09 407	1.04 399	0.73 399	0.54 391	0.47 390	0.43 396	0.40 394	0.53 398	0.44 394	0.47 393	0.35 394

LVE	0.83 405	0.85 409	0.85 403	0.80 404	0.56 400	1.04 415	0.65 407	1.05 412	1.47 414	0.96 405	1.22 415	1.10 402	0.85 404	0.83 403	0.71 407	0.49 399	0.55 410	0.76 406	0.60 405	0.65 402	0.59 407

HanzoNet	1.29 415	1.26 419	1.19 409	1.12 414	0.85 414	1.02 414	0.83 412	1.03 411	1.48 415	1.64 417	1.61 419	2.50 420	1.72 419	1.61 419	1.61 418	1.26 418	0.80 418	1.31 418	1.01 417	1.02 417	0.86 417

WAO-6	0.81 403	0.80 406	0.62 382	0.86 408	0.63 406	0.76 402	0.58 403	0.98 409	1.54 416	0.90 403	0.96 403	1.07 401	1.03 411	0.70 399	0.66 402	0.72 408	0.49 402	0.90 411	0.71 409	0.68 405	0.58 402

Dean	0.87 406	0.86 410	0.79 400	0.81 405	0.56 400	0.90 406	0.63 404	1.15 417	1.73 417	1.15 412	1.15 412	1.31 408	0.99 410	0.81 402	0.81 411	0.57 402	0.56 411	0.77 407	0.64 406	0.66 403	0.58 402

LE_ROB	0.50 387	0.07 72	0.14 159	0.15 39	0.08 50	0.24 311	0.16 175	0.22 161	1.81 418	4.63 421	0.67 383	0.47 373	0.44 380	0.20 266	0.29 352	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

WAO-8	0.91 407	0.81 407	0.65 384	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

Venus	0.91 407	0.81 407	0.65 384	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

MADNet++	1.95 417	1.75 421	1.59 414	1.82 420	1.69 421	2.33 420	1.40 420	2.35 420	2.09 421	2.57 420	2.36 421	2.24 419	2.17 420	2.28 420	2.34 420	1.87 421	1.66 421	1.54 420	1.34 420	1.92 420	1.77 422

tt	4.67 419	0.06 20	3.55 418	2.02 421	1.55 420	10.25 425	16.71 425	8.91 428	5.03 422	1.31 415	0.94 401	4.71 421	4.76 421	3.33 421	5.87 423	6.06 428	10.30 432	1.88 422	2.11 423	2.75 421	1.21 421

PML	8.91 426	9.34 432	6.13 420	5.35 425	6.41 426	14.99 427	23.38 431	5.27 421	6.83 423	18.04 432	28.19 441	7.67 424	6.83 423	7.85 425	5.75 422	5.35 427	1.83 422	5.95 431	1.93 422	8.64 429	2.52 423

xxxxx1	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

tt_ll	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

ff	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

HaxPig	15.71 433	18.52 440	19.18 436	16.89 431	15.89 433	7.73 422	7.60 422	13.31 432	10.82 427	15.42 431	14.91 430	15.98 432	14.92 432	15.58 432	15.98 433	18.95 438	16.73 433	19.46 438	18.08 438	19.26 438	19.05 439

DGTPSM_ROB	8.06 424	4.48 424	8.63 428	5.35 425	10.72 428	8.32 423	22.97 429	5.46 422	13.35 428	5.12 422	9.92 425	5.08 422	10.40 427	5.52 423	12.58 427	3.79 425	8.00 427	3.50 423	7.02 426	3.83 425	7.14 428

DPSMNet_ROB	8.06 424	4.48 424	8.63 428	5.37 427	10.74 429	8.32 423	22.98 430	5.46 422	13.36 429	5.12 422	9.92 425	5.08 422	10.40 427	5.53 424	12.58 427	3.80 426	8.00 427	3.50 423	7.02 426	3.83 425	7.14 428

Anonymous_1	10.96 429	7.92 429	7.46 425	10.33 428	10.06 427	18.65 432	26.34 432	11.06 429	13.44 430	9.40 427	10.05 427	9.67 429	11.23 429	10.73 429	12.72 429	6.42 429	8.38 429	5.77 428	10.61 428	12.12 430	6.77 427

DPSM_ROB	11.15 430	8.58 430	8.00 426	10.88 429	11.58 430	19.10 433	26.71 433	12.05 430	14.07 431	10.36 428	10.84 428	10.33 430	11.86 430	11.70 430	13.54 430	6.99 430	8.79 430	5.89 429	6.95 424	7.29 427	7.42 430

DPSM	11.15 430	8.58 430	8.00 426	10.88 429	11.58 430	19.10 433	26.71 433	12.05 430	14.07 431	10.36 428	10.84 428	10.33 430	11.86 430	11.70 430	13.54 430	6.99 430	8.79 430	5.89 429	6.95 424	7.29 427	7.42 430

MEDIAN_ROB	20.38 434	24.04 441	23.31 438	21.23 433	21.71 434	10.40 426	7.92 423	17.64 433	15.50 433	20.12 433	19.70 432	20.34 433	20.32 433	21.19 433	21.13 434	23.81 440	21.81 440	24.98 439	23.76 439	24.71 439	23.93 440

AVERAGE_ROB	24.90 441	29.20 442	28.14 439	24.89 440	24.64 440	17.75 431	11.12 424	21.45 434	19.93 434	25.12 441	24.46 440	25.12 441	25.46 441	24.69 441	22.83 435	29.76 441	27.13 441	28.97 441	27.95 441	29.91 440	29.47 441

LSM0	22.87 440	17.28 434	18.96 435	22.19 439	29.04 441	38.42 441	53.71 436	24.28 439	28.31 435	20.78 436	21.00 433	21.43 439	24.16 439	23.50 438	27.39 437	14.09 437	17.38 434	11.84 437	14.04 437	14.73 436	14.89 432

CasAABBNet	22.42 435	17.33 435	16.01 430	22.01 437	23.28 438	38.32 436	53.80 440	24.14 435	28.41 436	20.60 434	21.77 434	20.89 438	23.91 438	23.43 434	27.36 436	14.07 432	17.69 435	11.83 436	14.01 433	14.67 434	14.95 436

MyStereo03	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

MyStereo02	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

MyStereo	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

Selective-RAFT-Error	22.47 439	17.37 439	16.09 431	22.06 438	23.34 439	38.39 440	53.83 441	24.29 440	28.47 440	20.74 435	21.83 435	20.81 437	23.90 437	23.54 439	27.53 441	14.08 433	17.69 435	11.82 432	14.00 432	14.69 435	15.00 437

SPstereo	13.84 432	0.93 411	1.50 413	1.22 417	0.88 416	28.82 435	48.26 435	26.77 442	29.54 441	22.37 440	22.60 439	23.23 440	24.68 440	24.53 440	15.06 432	0.88 415	0.69 416	1.83 421	1.60 421	0.74 411	0.77 415

test_example2	98.32 442	94.13 443	45.89 440	96.35 441	109.85 442	88.61 442	95.45 442	25.75 441	94.37 442	130.00 442	126.06 442	58.17 442	74.63 442	88.51 442	79.96 442	150.23 442	221.02 442	77.62 442	99.10 442	113.75 442	96.94 442

ASD4		3.38 423

Low-res two-view benchmark