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

panet	0.27 7	0.14 2	0.23 1	0.28 2	0.15 1	0.37 89	0.23 19	0.52 22	0.72 135	0.42 41	0.51 40	0.34 23	0.26 20	0.39 16	0.25 10	0.15 81	0.11 59	0.12 2	0.08 1	0.11 1	0.10 4

LoS_RVC	0.27 7	0.16 9	0.27 9	0.32 9	0.30 229	0.44 131	0.34 123	0.41 6	0.33 10	0.31 10	0.51 40	0.29 4	0.32 65	0.36 7	0.28 46	0.11 1	0.10 9	0.11 1	0.08 1	0.11 1	0.19 210

LoS	0.29 16	0.15 4	0.30 12	0.29 3	0.18 9	0.33 70	0.29 61	0.51 19	0.72 135	0.34 17	0.52 46	0.41 47	0.28 36	0.47 48	0.28 46	0.15 81	0.11 59	0.13 11	0.09 7	0.11 1	0.11 11

RCA-Stereo	0.35 51	0.17 20	0.34 30	0.38 68	0.22 44	0.31 56	0.34 123	0.68 105	1.24 337	0.45 49	0.65 74	0.47 73	0.43 127	0.38 14	0.27 36	0.13 13	0.10 9	0.14 19	0.11 18	0.11 1	0.11 11

DCANet-4	0.36 69	0.20 74	0.48 177	0.34 12	0.19 11	0.29 39	0.30 74	0.66 86	0.92 239	0.69 134	0.78 117	0.40 44	0.47 145	0.45 34	0.34 100	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

fff	0.37 84	0.16 9	0.41 86	0.34 12	0.19 11	0.29 39	0.30 74	0.69 114	1.06 304	0.69 134	0.78 117	0.42 53	0.63 224	0.46 41	0.34 100	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

csc	0.37 84	0.16 9	0.41 86	0.34 12	0.19 11	0.29 39	0.30 74	0.69 114	1.06 304	0.69 134	0.78 117	0.42 53	0.63 224	0.46 41	0.34 100	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

cscssc	0.37 84	0.16 9	0.41 86	0.34 12	0.19 11	0.29 39	0.30 74	0.69 114	1.06 304	0.69 134	0.78 117	0.42 53	0.63 224	0.46 41	0.34 100	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

MSKI-zero shot	0.32 32	0.17 20	0.34 30	0.39 89	0.21 31	0.32 66	0.22 8	0.61 57	0.43 50	0.52 64	0.64 72	0.61 136	0.20 4	0.74 219	0.25 10	0.14 33	0.10 9	0.14 19	0.10 11	0.12 9	0.12 35

CAS	0.34 39	0.13 1	0.25 7	1.28 392	0.30 229	0.46 138	0.38 190	0.48 13	0.47 62	0.34 17	0.52 46	0.24 1	0.19 2	0.29 1	0.27 36	0.69 384	0.08 1	0.12 2	0.08 1	0.12 9	0.15 111

Selective-IGEV	0.24 2	0.18 36	0.35 33	0.35 30	0.19 11	0.27 27	0.25 35	0.55 31	0.23 2	0.27 2	0.25 2	0.34 23	0.19 2	0.58 111	0.22 1	0.12 4	0.10 9	0.14 19	0.11 18	0.12 9	0.10 4

MC-Stereo	0.28 11	0.17 20	0.32 20	0.38 68	0.20 22	0.26 19	0.26 41	0.49 15	0.37 33	0.37 20	0.61 67	0.41 47	0.31 61	0.55 76	0.25 10	0.13 13	0.09 2	0.14 19	0.12 32	0.12 9	0.11 11

test-3	0.34 39	0.16 9	0.43 114	0.39 89	0.21 31	0.43 127	0.22 8	0.63 66	0.78 169	0.71 146	0.45 23	0.64 150	0.27 27	0.43 27	0.31 70	0.12 4	0.09 2	0.17 89	0.13 53	0.12 9	0.10 4

test_1	0.34 39	0.16 9	0.43 114	0.39 89	0.21 31	0.43 127	0.23 19	0.63 66	0.78 169	0.68 129	0.45 23	0.64 150	0.27 27	0.43 27	0.31 70	0.12 4	0.09 2	0.17 89	0.13 53	0.12 9	0.10 4

RAFT-RH_RVC	0.56 258	0.17 20	0.41 86	0.37 47	0.23 72	0.57 188	0.24 27	0.60 51	0.70 124	1.19 339	3.94 405	0.56 100	0.38 96	0.65 168	0.36 131	0.13 13	0.11 59	0.20 184	0.14 76	0.12 9	0.13 60

AnonymousM	0.41 136	0.81 372	0.29 11	0.34 12	0.22 44	0.28 35	0.38 190	0.53 30	0.41 44	0.70 140	0.49 34	0.47 73	0.27 27	0.41 22	0.31 70	0.15 81	0.12 101	1.51 392	0.26 312	0.12 9	0.10 4

raftrobust	0.34 39	0.19 52	0.36 38	0.41 137	0.27 177	0.30 46	0.25 35	0.71 133	0.63 101	0.58 76	0.55 55	0.45 65	0.46 142	0.51 60	0.29 58	0.16 115	0.12 101	0.14 19	0.12 32	0.12 9	0.13 60

Gwc-CoAtRS	0.34 39	0.17 20	0.44 124	0.39 89	0.23 72	0.34 76	0.22 8	0.70 128	0.75 149	0.60 82	0.59 63	0.58 113	0.29 46	0.45 34	0.26 27	0.14 33	0.11 59	0.14 19	0.12 32	0.12 9	0.12 35

CREStereo	0.28 11	0.15 4	0.24 4	0.27 1	0.17 4	0.37 89	0.25 35	0.51 19	0.72 135	0.42 41	0.51 40	0.32 12	0.26 20	0.38 14	0.25 10	0.16 115	0.11 59	0.12 2	0.08 1	0.12 9	0.11 11
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	0.32 32	0.16 9	0.24 4	0.29 3	0.18 9	0.45 136	0.22 8	0.56 32	0.63 101	0.46 51	0.54 50	0.39 41	0.34 79	0.48 53	0.24 7	0.75 386	0.10 9	0.12 2	0.08 1	0.12 9	0.11 11

MoCha-V2	0.23 1	0.18 36	0.31 14	0.64 352	0.17 4	0.21 4	0.24 27	0.40 4	0.22 1	0.30 8	0.26 3	0.30 5	0.25 13	0.30 3	0.22 1	0.12 4	0.10 9	0.12 2	0.10 11	0.13 21	0.09 1

LargeStereo	0.24 2	0.17 20	0.31 14	0.38 68	0.22 44	0.24 8	0.22 8	0.50 18	0.23 2	0.28 4	0.35 18	0.30 5	0.22 6	0.31 4	0.28 46	0.14 33	0.10 9	0.13 11	0.10 11	0.13 21	0.13 60

IGEVStereo-DCA	0.29 16	0.22 133	0.38 57	0.35 30	0.27 177	0.37 89	0.35 140	0.62 61	0.34 11	0.38 24	0.30 7	0.35 29	0.27 27	0.51 60	0.22 1	0.15 81	0.12 101	0.16 64	0.12 32	0.13 21	0.15 111

rrr	0.29 16	0.22 133	0.41 86	0.35 30	0.27 177	0.37 89	0.32 107	0.52 22	0.42 48	0.38 24	0.30 7	0.35 29	0.27 27	0.51 60	0.22 1	0.15 81	0.12 101	0.16 64	0.13 53	0.13 21	0.14 92

AEACV	0.27 7	0.17 20	0.31 14	0.34 12	0.45 335	0.26 19	0.28 54	0.37 1	0.32 9	0.30 8	0.46 26	0.31 10	0.37 93	0.36 7	0.24 7	0.14 33	0.10 9	0.15 45	0.12 32	0.13 21	0.11 11

Any-RAFT	0.35 51	0.16 9	0.30 12	0.34 12	0.21 31	0.52 154	0.22 8	0.88 196	0.73 142	0.53 67	0.73 93	0.64 150	0.28 36	0.46 41	0.24 7	0.15 81	0.10 9	0.13 11	0.10 11	0.13 21	0.12 35

RAFT-Test	0.34 39	0.18 36	0.37 48	0.38 68	0.23 72	0.50 147	0.23 19	0.69 114	0.40 41	0.60 82	0.85 157	0.61 136	0.28 36	0.46 41	0.27 36	0.14 33	0.11 59	0.14 19	0.11 18	0.13 21	0.12 35

CES	0.28 11	0.14 2	0.23 1	0.30 5	0.70 376	0.37 89	0.27 47	0.48 13	0.46 59	0.34 17	0.48 32	0.27 2	0.22 6	0.39 16	0.23 5	0.13 13	0.11 59	0.12 2	0.08 1	0.13 21	0.17 167

EGLCR-Stereo	0.25 4	0.16 9	0.33 23	0.34 12	0.20 22	0.35 81	0.20 1	0.52 22	0.36 23	0.28 4	0.27 5	0.41 47	0.18 1	0.45 34	0.26 27	0.14 33	0.10 9	0.16 64	0.14 76	0.13 21	0.11 11

ProNet	0.29 16	0.21 106	0.38 57	0.35 30	0.24 90	0.32 66	0.43 236	0.57 35	0.37 33	0.33 16	0.30 7	0.32 12	0.28 36	0.57 94	0.26 27	0.13 13	0.11 59	0.16 64	0.13 53	0.13 21	0.13 60

ADStereo(finetuned)	0.37 84	0.16 9	0.49 187	0.34 12	0.19 11	0.30 46	0.30 74	0.68 105	0.91 234	0.70 140	0.77 109	0.43 59	0.69 258	0.45 34	0.33 90	0.14 33	0.10 9	0.14 19	0.11 18	0.13 21	0.12 35

CIPLG	0.41 136	0.21 106	0.63 257	0.45 228	0.33 268	0.52 154	0.33 116	0.65 77	0.60 89	0.82 207	0.96 200	0.46 71	0.32 65	0.55 76	0.44 187	0.16 115	0.12 101	0.15 45	0.14 76	0.13 21	0.14 92

IPLG	0.39 113	0.20 74	0.59 239	0.40 113	0.24 90	0.54 164	0.27 47	0.75 152	0.63 101	0.84 226	0.81 135	0.32 12	0.32 65	0.60 131	0.45 193	0.13 13	0.11 59	0.16 64	0.13 53	0.13 21	0.12 35

IPLGR_C	0.40 125	0.21 106	0.64 262	0.45 228	0.33 268	0.52 154	0.34 123	0.66 86	0.62 91	0.82 207	0.92 185	0.45 65	0.32 65	0.52 65	0.46 203	0.17 148	0.12 101	0.15 45	0.14 76	0.13 21	0.14 92

ACRE	0.40 125	0.21 106	0.65 267	0.45 228	0.33 268	0.51 151	0.33 116	0.66 86	0.63 101	0.80 190	0.92 185	0.45 65	0.32 65	0.52 65	0.45 193	0.16 115	0.12 101	0.15 45	0.14 76	0.13 21	0.14 92

TRStereo	0.37 84	0.27 232	0.59 239	0.47 256	0.41 313	0.29 39	0.30 74	0.84 179	0.59 87	0.52 64	0.41 21	0.52 87	0.26 20	0.73 212	0.27 36	0.17 148	0.12 101	0.19 160	0.19 214	0.13 21	0.11 11

STrans-v2	0.46 170	0.20 74	0.48 177	0.40 113	0.24 90	0.55 169	0.50 268	1.07 260	0.73 142	0.65 111	1.05 245	0.72 191	0.69 258	0.72 207	0.33 90	0.14 33	0.10 9	0.17 89	0.14 76	0.13 21	0.12 35

RAFT-345	0.40 125	0.18 36	0.40 81	0.38 68	0.22 44	0.33 70	0.26 41	0.61 57	0.51 66	0.74 170	1.79 359	0.45 65	0.33 73	0.66 173	0.36 131	0.14 33	0.11 59	0.18 123	0.14 76	0.13 21	0.13 60

CREStereo++_RVC	0.32 32	0.15 4	0.23 1	0.31 7	0.24 90	0.27 27	0.22 8	0.46 10	0.88 217	0.46 51	0.80 128	0.30 5	0.26 20	0.36 7	0.33 90	0.13 13	0.09 2	0.13 11	0.51 379	0.13 21	0.09 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
TANstereo	0.30 28	0.15 4	0.31 14	0.30 5	0.17 4	0.55 169	0.23 19	0.44 8	0.55 80	0.59 78	0.68 84	0.37 36	0.26 20	0.35 6	0.27 36	0.15 81	0.16 235	0.12 2	0.10 11	0.13 21	0.14 92

XX-TBD	0.32 32	0.53 346	0.26 8	0.51 302	0.20 22	0.37 89	0.24 27	0.40 4	0.73 142	0.54 69	0.69 85	0.31 10	0.25 13	0.32 5	0.27 36	0.16 115	0.10 9	0.12 2	0.09 7	0.13 21	0.11 11

DCANet	0.36 69	0.16 9	0.41 86	0.34 12	0.19 11	0.30 46	0.30 74	0.68 105	0.91 234	0.70 140	0.77 109	0.43 59	0.57 191	0.45 34	0.34 100	0.14 33	0.10 9	0.14 19	0.11 18	0.13 21	0.12 35

111	0.40 125	0.17 20	0.41 86	0.34 12	0.19 11	0.52 154	0.28 54	0.74 146	1.16 324	0.50 59	0.91 181	0.63 143	0.48 149	0.61 138	0.35 115	0.14 33	0.10 9	0.14 19	0.12 32	0.13 21	0.13 60

RAFT-Stereo + iAFF	0.36 69	0.17 20	0.41 86	0.35 30	0.19 11	0.33 70	0.29 61	0.65 77	0.73 142	0.68 129	1.01 225	0.56 100	0.40 113	0.42 24	0.30 63	0.11 1	0.09 2	0.15 45	0.14 76	0.13 21	0.10 4

AFF-stereo	0.38 99	0.19 52	0.39 74	0.37 47	0.21 31	0.27 27	0.31 91	0.65 77	0.66 116	0.64 104	1.13 272	0.76 214	0.39 108	0.55 76	0.33 90	0.11 1	0.09 2	0.16 64	0.16 127	0.13 21	0.11 11

EAI-Stereo	0.34 39	0.19 52	0.44 124	0.39 89	0.21 31	0.31 56	0.30 74	1.15 288	0.30 5	0.49 56	0.75 103	0.36 34	0.28 36	0.62 144	0.27 36	0.14 33	0.11 59	0.14 19	0.13 53	0.13 21	0.12 35

CFNet-RSSM	0.34 39	0.17 20	0.45 135	0.39 89	0.22 44	0.35 81	0.23 19	0.73 144	0.84 192	0.65 111	0.54 50	0.57 105	0.28 36	0.46 41	0.26 27	0.13 13	0.10 9	0.14 19	0.12 32	0.13 21	0.11 11

MGS-Stereo	0.28 11	0.19 52	0.40 81	0.36 38	0.23 72	0.37 89	0.30 74	0.39 2	0.44 54	0.31 10	0.51 40	0.40 44	0.24 11	0.43 27	0.26 27	0.15 81	0.12 101	0.15 45	0.13 53	0.14 48	0.13 60

ff7	0.29 16	0.21 106	0.38 57	0.36 38	0.26 153	0.31 56	0.35 140	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 111	0.25 10	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

ffff	0.29 16	0.21 106	0.38 57	0.36 38	0.26 153	0.31 56	0.35 140	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 111	0.25 10	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

11t	0.29 16	0.21 106	0.38 57	0.36 38	0.26 153	0.31 56	0.35 140	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 111	0.25 10	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

StereoIM	0.26 5	0.18 36	0.36 38	0.36 38	0.26 153	0.27 27	0.27 47	0.43 7	0.35 18	0.27 2	0.26 3	0.41 47	0.28 36	0.40 19	0.28 46	0.16 115	0.14 183	0.16 64	0.13 53	0.14 48	0.12 35

IGEV_Zeroshot_test	0.34 39	0.18 36	0.67 276	0.39 89	0.28 196	0.30 46	0.25 35	0.74 146	0.31 7	0.62 88	0.57 58	0.54 95	0.25 13	0.53 71	0.27 36	0.14 33	0.10 9	0.15 45	0.14 76	0.14 48	0.12 35

MIF-Stereo	0.27 7	0.17 20	0.37 48	0.40 113	0.27 177	0.30 46	0.28 54	0.39 2	0.31 7	0.29 7	0.46 26	0.27 2	0.25 13	0.47 48	0.34 100	0.17 148	0.13 156	0.13 11	0.12 32	0.14 48	0.12 35

MIM_Stereo	0.38 99	0.17 20	0.53 217	0.37 47	0.24 90	0.27 27	0.24 27	0.70 128	0.54 76	0.72 157	1.00 222	0.63 143	0.29 46	0.64 161	0.38 151	0.13 13	0.14 183	0.17 89	0.16 127	0.14 48	0.11 11

HH	0.35 51	0.20 74	0.47 161	0.40 113	0.25 116	0.33 70	0.31 91	0.76 157	0.38 37	0.43 44	0.57 58	0.79 222	0.44 135	0.71 202	0.25 10	0.15 81	0.11 59	0.15 45	0.14 76	0.14 48	0.12 35

HanStereo	0.35 51	0.20 74	0.47 161	0.40 113	0.25 116	0.33 70	0.31 91	0.76 157	0.38 37	0.43 44	0.57 58	0.79 222	0.44 135	0.71 202	0.25 10	0.15 81	0.11 59	0.15 45	0.14 76	0.14 48	0.12 35

anonymousdsp	0.29 16	0.21 106	0.38 57	0.37 47	0.25 116	0.30 46	0.35 140	0.63 66	0.35 18	0.39 32	0.33 11	0.33 20	0.28 36	0.59 125	0.25 10	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

DCRE	0.37 84	0.18 36	0.46 151	0.45 228	0.32 259	0.42 125	0.37 170	0.63 66	0.51 66	0.47 54	0.94 189	0.56 100	0.36 90	0.52 65	0.32 78	0.14 33	0.13 156	0.15 45	0.14 76	0.14 48	0.13 60

TestStereo1	0.43 148	0.23 150	0.41 86	0.51 302	0.24 90	0.34 76	0.40 216	0.77 160	0.90 229	0.68 129	0.96 200	0.48 77	0.46 142	0.91 285	0.32 78	0.16 115	0.13 156	0.18 123	0.15 98	0.14 48	0.13 60

ccc-4	0.29 16	0.21 106	0.38 57	0.36 38	0.26 153	0.31 56	0.35 140	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 111	0.25 10	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

SA-5K	0.43 148	0.23 150	0.41 86	0.51 302	0.24 90	0.34 76	0.40 216	0.77 160	0.90 229	0.68 129	0.96 200	0.48 77	0.46 142	0.91 285	0.32 78	0.16 115	0.13 156	0.18 123	0.15 98	0.14 48	0.13 60

IGEV-Stereo	0.29 16	0.21 106	0.38 57	0.37 47	0.25 116	0.30 46	0.35 140	0.63 66	0.35 18	0.39 32	0.33 11	0.33 20	0.28 36	0.59 125	0.25 10	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.45 164	0.21 106	0.48 177	0.42 174	0.28 196	0.31 56	0.54 292	0.63 66	0.62 91	0.62 88	0.89 175	1.01 283	0.69 258	0.75 223	0.66 260	0.13 13	0.12 101	0.17 89	0.15 98	0.14 48	0.15 111

MIPNet	0.37 84	0.21 106	0.59 239	0.39 89	0.25 116	0.50 147	0.28 54	0.77 160	0.70 124	0.65 111	0.60 64	0.40 44	0.49 152	0.44 33	0.37 143	0.14 33	0.11 59	0.16 64	0.13 53	0.14 48	0.13 60

CrosDoStereo	0.50 217	0.18 36	0.45 135	0.38 68	0.24 90	0.40 107	1.18 379	0.67 96	0.86 204	0.94 275	1.37 318	0.63 143	0.77 288	0.65 168	0.45 193	0.15 81	0.12 101	0.17 89	0.18 189	0.14 48	0.14 92

TransformOpticalFlow	0.44 154	0.20 74	0.47 161	0.41 137	0.23 72	0.37 89	0.47 252	0.94 214	0.76 155	0.65 111	1.14 274	0.73 201	0.56 190	0.76 226	0.32 78	0.15 81	0.10 9	0.17 89	0.15 98	0.14 48	0.13 60

ASMatch	0.48 188	0.19 52	0.45 135	0.39 89	0.28 196	0.37 89	0.26 41	0.74 146	0.68 119	0.76 178	2.34 374	0.61 136	0.52 167	0.62 144	0.37 143	0.14 33	0.12 101	0.17 89	0.15 98	0.14 48	0.21 243

DeepStereo_LL	0.50 217	0.18 36	0.45 135	0.38 68	0.24 90	0.40 107	1.18 379	0.67 96	0.86 204	0.94 275	1.37 318	0.63 143	0.77 288	0.65 168	0.45 193	0.15 81	0.12 101	0.17 89	0.18 189	0.14 48	0.14 92

DEmStereo	0.48 188	0.17 20	0.50 199	0.38 68	0.25 116	0.59 199	0.34 123	0.63 66	0.74 147	0.89 251	1.66 350	0.58 113	1.06 343	0.60 131	0.42 169	0.14 33	0.11 59	0.16 64	0.16 127	0.14 48	0.15 111

THIR-Stereo	0.50 217	0.18 36	0.45 135	0.38 68	0.23 72	0.75 259	0.67 322	0.66 86	0.87 213	1.02 306	1.40 324	0.72 191	0.76 284	0.62 144	0.42 169	0.15 81	0.11 59	0.17 89	0.18 189	0.14 48	0.15 111

DRaft	0.49 204	0.17 20	0.47 161	0.37 47	0.25 116	0.58 190	0.40 216	0.65 77	0.85 199	1.02 306	1.75 358	0.50 82	0.82 303	0.63 154	0.40 162	0.13 13	0.11 59	0.16 64	0.16 127	0.14 48	0.15 111

s12784h	0.36 69	0.15 4	0.24 4	0.34 12	0.15 1	0.77 262	0.29 61	0.80 171	0.83 189	0.56 73	0.57 58	0.43 59	0.40 113	0.57 94	0.33 90	0.12 4	0.10 9	0.14 19	0.09 7	0.14 48	0.09 1

raft+_RVC	0.38 99	0.19 52	0.35 33	0.37 47	0.25 116	0.45 136	0.37 170	0.78 165	0.89 227	0.51 61	0.78 117	0.50 82	0.29 46	0.53 71	0.40 162	0.15 81	0.12 101	0.17 89	0.15 98	0.14 48	0.12 35

XX-Stereo	0.37 84	0.17 20	0.45 135	0.55 327	0.36 283	0.38 103	0.20 1	0.60 51	0.30 5	0.46 51	1.30 309	0.73 201	0.26 20	0.56 84	0.26 27	0.16 115	0.11 59	0.17 89	0.16 127	0.14 48	0.10 4

test_xeample3	0.29 16	0.21 106	0.41 86	0.35 30	0.26 153	0.35 81	0.32 107	0.56 32	0.36 23	0.43 44	0.32 10	0.34 23	0.28 36	0.54 74	0.23 5	0.14 33	0.11 59	0.16 64	0.12 32	0.14 48	0.13 60

ARAFT	0.47 180	0.24 186	0.79 313	0.42 174	0.25 116	0.55 169	0.55 296	0.75 152	0.81 183	0.89 251	0.75 103	0.73 201	0.47 145	0.88 271	0.37 143	0.15 81	0.12 101	0.23 250	0.22 269	0.14 48	0.13 60

R-Stereo Train	0.39 113	0.18 36	0.42 105	0.42 174	0.26 153	0.40 107	0.32 107	0.72 137	0.34 11	0.89 251	1.28 305	0.57 105	0.35 81	0.42 24	0.32 78	0.15 81	0.12 101	0.14 19	0.12 32	0.14 48	0.13 60

RAFT-Stereo	0.39 113	0.18 36	0.42 105	0.42 174	0.26 153	0.40 107	0.32 107	0.72 137	0.34 11	0.89 251	1.28 305	0.57 105	0.35 81	0.42 24	0.32 78	0.15 81	0.12 101	0.14 19	0.12 32	0.14 48	0.13 60
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MLCV	0.47 180	0.24 186	0.61 246	0.37 47	0.17 4	0.61 206	0.33 116	0.80 171	0.87 213	0.94 275	1.13 272	0.72 191	0.43 127	0.89 276	0.51 222	0.13 13	0.10 9	0.13 11	0.11 18	0.14 48	0.12 35

tta	0.51 224	0.23 150	0.62 249	0.34 12	0.20 22	0.62 213	0.34 123	1.21 307	1.02 283	0.81 198	1.01 225	0.71 181	0.65 240	0.84 258	0.55 239	0.19 205	0.15 208	0.18 123	0.16 127	0.15 81	0.14 92

qqq1	0.49 204	0.23 150	0.62 249	0.34 12	0.20 22	0.62 213	0.34 123	1.21 307	1.02 283	0.81 198	1.01 225	0.71 181	0.65 240	0.84 258	0.34 100	0.19 205	0.15 208	0.14 19	0.12 32	0.15 81	0.14 92

fff1	0.49 204	0.23 150	0.62 249	0.34 12	0.20 22	0.62 213	0.34 123	1.21 307	1.02 283	0.81 198	1.01 225	0.71 181	0.65 240	0.84 258	0.34 100	0.19 205	0.15 208	0.14 19	0.12 32	0.15 81	0.14 92

AE-Stereo	0.34 39	0.21 106	0.42 105	0.48 261	0.31 246	0.48 142	0.35 140	0.61 57	0.62 91	0.32 15	0.55 55	0.52 87	0.27 27	0.47 48	0.29 58	0.13 13	0.13 156	0.18 123	0.16 127	0.15 81	0.12 35

DisPM	0.39 113	0.19 52	0.44 124	0.41 137	0.27 177	0.24 8	0.31 91	0.65 77	0.57 85	0.87 239	0.87 164	0.60 132	0.32 65	0.76 226	0.32 78	0.18 176	0.12 101	0.19 160	0.17 167	0.15 81	0.20 230

raft_robust	0.41 136	0.23 150	0.36 38	0.42 174	0.21 31	0.40 107	0.33 116	0.79 167	0.98 264	0.79 188	0.87 164	0.39 41	0.33 73	0.84 258	0.29 58	0.13 13	0.12 101	0.16 64	0.17 167	0.15 81	0.12 35

RAFT_CTSACE	0.45 164	0.20 74	0.44 124	0.45 228	0.27 177	0.34 76	0.39 210	0.60 51	0.73 142	0.76 178	1.44 332	0.83 234	0.38 96	1.08 321	0.26 27	0.12 4	0.13 156	0.18 123	0.16 127	0.15 81	0.11 11

RAFT+CT+SA	0.39 113	0.23 150	0.36 38	0.51 302	0.27 177	0.29 39	0.46 247	0.75 152	0.80 177	0.51 61	0.89 175	0.41 47	0.40 113	0.78 237	0.32 78	0.14 33	0.11 59	0.18 123	0.18 189	0.15 81	0.14 92

Sa-1000	0.48 188	0.24 186	0.41 86	0.45 228	0.25 116	0.59 199	0.34 123	0.81 174	0.93 244	0.82 207	1.50 339	0.53 91	0.45 139	0.92 288	0.30 63	0.15 81	0.12 101	0.21 224	0.19 214	0.15 81	0.13 60

SA	0.44 154	0.25 204	0.46 151	0.46 247	0.24 90	0.43 127	0.36 158	0.75 152	0.96 257	0.59 78	1.03 237	0.48 77	0.52 167	0.94 300	0.32 78	0.16 115	0.12 101	0.21 224	0.19 214	0.15 81	0.13 60

test_4	0.36 69	0.18 36	0.31 14	0.44 207	0.25 116	0.20 1	0.34 123	0.56 32	0.41 44	0.59 78	1.45 335	0.43 59	0.25 13	0.63 154	0.28 46	0.12 4	0.10 9	0.17 89	0.19 214	0.15 81	0.11 11

iRaft-Stereo_20w	0.39 113	0.19 52	0.57 234	0.37 47	0.27 177	0.31 56	0.24 27	1.44 362	0.29 4	0.69 134	0.53 48	0.60 132	0.42 120	0.83 253	0.27 36	0.14 33	0.11 59	0.14 19	0.13 53	0.15 81	0.13 60

IPLGR	0.39 113	0.21 106	0.63 257	0.39 89	0.22 44	0.49 146	0.29 61	0.76 157	0.74 147	0.78 186	0.77 109	0.44 64	0.42 120	0.47 48	0.38 151	0.13 13	0.12 101	0.16 64	0.14 76	0.15 81	0.13 60

GMOStereo	0.37 84	0.19 52	0.38 57	0.43 192	0.24 90	0.37 89	0.38 190	0.52 22	0.62 91	0.87 239	0.84 148	0.64 150	0.35 81	0.37 10	0.28 46	0.13 13	0.11 59	0.20 184	0.18 189	0.15 81	0.11 11

error version	0.37 84	0.19 52	0.38 57	0.43 192	0.24 90	0.37 89	0.38 190	0.52 22	0.62 91	0.87 239	0.84 148	0.64 150	0.35 81	0.37 10	0.28 46	0.13 13	0.11 59	0.20 184	0.18 189	0.15 81	0.11 11

test-v	0.37 84	0.19 52	0.38 57	0.43 192	0.24 90	0.37 89	0.38 190	0.52 22	0.62 91	0.87 239	0.84 148	0.64 150	0.35 81	0.37 10	0.28 46	0.13 13	0.11 59	0.20 184	0.18 189	0.15 81	0.11 11

test_3	0.36 69	0.19 52	0.44 124	0.44 207	0.23 72	0.48 142	0.36 158	0.66 86	0.82 184	0.64 104	0.45 23	0.68 171	0.25 13	0.41 22	0.31 70	0.12 4	0.10 9	0.18 123	0.16 127	0.15 81	0.11 11

HHNet	0.41 136	0.17 20	0.41 86	0.34 12	0.37 288	0.33 70	0.34 123	0.69 114	0.75 149	0.86 232	1.30 309	0.52 87	0.32 65	0.52 65	0.35 115	0.15 81	0.11 59	0.19 160	0.15 98	0.15 81	0.24 269

OMP-Stereo	0.42 142	0.22 133	0.46 151	0.52 313	0.24 90	0.36 87	0.25 35	0.71 133	0.78 169	0.77 183	0.64 72	0.89 256	0.39 108	0.91 285	0.35 115	0.15 81	0.12 101	0.20 184	0.15 98	0.15 81	0.12 35

IIG-Stereo	0.43 148	0.21 106	0.44 124	0.50 290	0.25 116	0.44 131	0.21 4	0.71 133	0.76 155	0.83 219	0.95 196	0.83 234	0.43 127	0.90 278	0.35 115	0.15 81	0.12 101	0.19 160	0.14 76	0.15 81	0.11 11

FTStereo	0.56 258	0.20 74	0.37 48	0.41 137	0.25 116	0.40 107	0.79 349	0.66 86	0.43 50	1.09 328	3.27 394	0.70 177	0.73 277	0.55 76	0.33 90	0.14 33	0.13 156	0.19 160	0.17 167	0.15 81	0.30 306

GrayStereo	0.49 204	0.19 52	0.42 105	0.46 247	0.28 196	0.53 160	0.67 322	0.69 114	0.63 101	1.02 306	1.47 338	0.78 221	0.76 284	0.56 84	0.33 90	0.14 33	0.12 101	0.17 89	0.17 167	0.15 81	0.29 299

test-2	0.37 84	0.19 52	0.38 57	0.43 192	0.24 90	0.37 89	0.38 190	0.52 22	0.62 91	0.87 239	0.84 148	0.64 150	0.35 81	0.37 10	0.28 46	0.13 13	0.11 59	0.20 184	0.18 189	0.15 81	0.11 11

cross-raft	0.34 39	0.20 74	0.37 48	0.44 207	0.23 72	0.32 66	0.35 140	0.74 146	0.40 41	0.60 82	0.77 109	0.57 105	0.27 27	0.43 27	0.28 46	0.12 4	0.10 9	0.15 45	0.13 53	0.15 81	0.11 11

test-1	0.36 69	0.19 52	0.71 292	0.46 247	0.26 153	0.44 131	0.36 158	0.60 51	0.59 87	0.48 55	0.67 82	0.53 91	0.36 90	0.40 19	0.29 58	0.14 33	0.11 59	0.16 64	0.14 76	0.15 81	0.16 150

iRaftStereo_RVC	0.32 32	0.19 52	0.37 48	0.39 89	0.22 44	0.31 56	0.29 61	0.68 105	0.51 66	0.49 56	0.66 78	0.37 36	0.23 8	0.45 34	0.33 90	0.14 33	0.10 9	0.18 123	0.17 167	0.15 81	0.12 35

cf-r	0.47 180	0.23 150	0.41 86	0.39 89	0.23 72	0.59 199	0.37 170	0.88 196	0.85 199	0.72 157	1.05 245	0.94 267	0.62 218	0.56 84	0.54 235	0.21 241	0.14 183	0.17 89	0.19 214	0.15 81	0.15 111

DIP-Stereo	0.39 113	0.21 106	0.50 199	0.41 137	0.28 196	0.62 213	0.27 47	0.77 160	0.40 41	0.64 104	0.86 160	0.52 87	0.33 73	0.66 173	0.42 169	0.15 81	0.13 156	0.17 89	0.14 76	0.15 81	0.15 111
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.53 236	0.22 133	0.52 211	0.38 68	0.22 44	0.68 242	0.38 190	0.97 226	0.88 217	0.73 164	1.04 241	1.03 290	0.92 324	0.90 278	0.86 301	0.16 115	0.14 183	0.14 19	0.17 167	0.15 81	0.13 60

iResNet_ROB	0.52 233	0.21 106	0.53 217	0.37 47	0.21 31	0.61 206	0.29 61	1.51 371	1.32 349	0.90 258	1.02 233	0.80 230	0.62 218	0.76 226	0.43 174	0.16 115	0.12 101	0.13 11	0.09 7	0.15 81	0.18 182

pmcnn	1.23 368	0.29 254	0.96 331	0.40 113	0.23 72	0.95 305	0.69 331	1.16 291	1.28 345	1.67 371	2.33 373	11.15 420	0.86 312	0.93 293	0.88 307	0.15 81	0.12 101	0.12 2	0.10 11	0.15 81	0.15 111

H2IRNET	0.37 84	0.20 74	0.33 23	0.38 68	0.25 116	0.27 27	0.23 19	0.59 41	0.72 135	0.39 32	0.90 178	0.74 206	0.55 184	0.52 65	0.43 174	0.15 81	0.13 156	0.18 123	0.20 236	0.16 112	0.13 60

DispNO	0.47 180	0.23 150	0.71 292	0.39 89	0.31 246	0.60 204	0.38 190	0.89 198	0.77 162	0.75 172	0.84 148	0.72 191	0.54 181	0.73 212	0.46 203	0.19 205	0.14 183	0.20 184	0.18 189	0.16 112	0.17 167

CoDeX	0.47 180	0.20 74	0.49 187	0.42 174	0.25 116	0.75 259	0.36 158	1.27 332	0.80 177	0.82 207	0.96 200	0.62 142	0.57 191	0.60 131	0.36 131	0.17 148	0.12 101	0.17 89	0.15 98	0.16 112	0.14 92

cc1	0.37 84	0.23 150	0.33 23	0.41 137	0.22 44	0.55 169	0.38 190	0.67 96	1.06 304	0.41 36	0.50 35	0.34 23	0.49 152	0.57 94	0.25 10	0.16 115	0.10 9	0.19 160	0.13 53	0.16 112	0.15 111

DualNet	0.47 180	0.26 218	0.49 187	0.37 47	0.25 116	0.55 169	0.37 170	0.68 105	1.04 292	0.73 164	0.96 200	0.71 181	0.53 170	0.57 94	0.88 307	0.16 115	0.10 9	0.25 275	0.21 254	0.16 112	0.16 150

ffm	0.44 154	0.26 218	0.49 187	0.37 47	0.25 116	0.55 169	0.37 170	0.68 105	1.04 292	0.73 164	0.96 200	0.71 181	0.53 170	0.57 94	0.25 10	0.16 115	0.10 9	0.25 275	0.21 254	0.16 112	0.16 150

ff1	0.49 204	0.26 218	0.49 187	0.37 47	0.25 116	0.55 169	0.37 170	0.68 105	1.04 292	0.73 164	0.96 200	0.71 181	0.53 170	1.01 306	0.88 307	0.16 115	0.10 9	0.25 275	0.21 254	0.16 112	0.16 150

tt1	0.36 69	0.24 186	0.32 20	0.41 137	0.22 44	0.54 164	0.38 190	0.68 105	1.04 292	0.41 36	0.46 26	0.35 29	0.45 139	0.57 94	0.25 10	0.16 115	0.10 9	0.19 160	0.13 53	0.16 112	0.16 150

EKT-Stereo	0.35 51	0.23 150	0.39 74	0.43 192	0.29 219	0.38 103	0.31 91	0.69 114	0.64 108	0.45 49	0.63 69	0.49 81	0.27 27	0.56 84	0.33 90	0.18 176	0.14 183	0.18 123	0.15 98	0.16 112	0.16 150

LL-Strereo	0.57 263	0.27 232	0.68 279	0.48 261	0.34 275	0.39 106	0.48 258	0.94 214	0.97 260	0.83 219	0.78 117	1.10 307	1.18 355	1.33 350	0.49 213	0.17 148	0.14 183	0.22 236	0.19 214	0.16 112	0.17 167

4D-IteraStereo	0.33 38	0.18 36	0.40 81	0.40 113	0.24 90	0.32 66	0.27 47	0.58 39	0.72 135	0.65 111	0.54 50	0.42 53	0.23 8	0.45 34	0.28 46	0.14 33	0.09 2	0.19 160	0.16 127	0.16 112	0.11 11

anonymousdsp2	0.35 51	0.20 74	0.43 114	0.37 47	0.24 90	0.48 142	0.31 91	0.86 185	0.65 113	0.55 71	0.50 35	0.50 82	0.34 79	0.56 84	0.31 70	0.14 33	0.10 9	0.14 19	0.10 11	0.16 112	0.14 92

anonymousa	0.49 204	0.20 74	0.42 105	0.38 68	0.23 72	0.91 297	0.35 140	0.75 152	0.62 91	0.85 227	1.54 343	1.06 297	0.66 245	0.51 60	0.43 174	0.16 115	0.13 156	0.19 160	0.21 254	0.16 112	0.14 92

Selective-RAFT	0.35 51	0.23 150	0.51 206	0.44 207	0.21 31	0.64 228	0.27 47	0.59 41	0.63 101	0.40 35	0.38 20	0.55 98	0.40 113	0.57 94	0.35 115	0.13 13	0.11 59	0.14 19	0.12 32	0.16 112	0.13 60

CroCo-Stereo Lap2	0.28 11	0.24 186	0.39 74	0.50 290	0.29 219	0.20 1	0.31 91	0.49 15	0.38 37	0.24 1	0.27 5	0.46 71	0.31 61	0.39 16	0.30 63	0.14 33	0.15 208	0.16 64	0.13 53	0.16 112	0.15 111

GLC_STEREO	0.29 16	0.19 52	0.27 9	0.44 207	0.19 11	0.31 56	0.26 41	0.47 11	0.43 50	0.37 20	0.47 31	0.41 47	0.23 8	0.50 56	0.34 100	0.14 33	0.18 260	0.19 160	0.16 127	0.16 112	0.13 60

PFNet+	0.40 125	0.19 52	0.49 187	0.39 89	0.25 116	0.28 35	0.23 19	0.64 76	0.70 124	0.85 227	0.79 126	0.64 150	0.35 81	0.72 207	0.34 100	0.19 205	0.14 183	0.23 250	0.20 236	0.16 112	0.20 230

NF-Stereo	0.38 99	0.20 74	0.45 135	0.41 137	0.25 116	0.26 19	0.31 91	0.69 114	0.70 124	0.65 111	0.77 109	0.57 105	0.30 57	0.67 183	0.35 115	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 286

OCTAStereo	0.38 99	0.20 74	0.46 151	0.41 137	0.25 116	0.26 19	0.31 91	0.69 114	0.70 124	0.65 111	0.77 109	0.58 113	0.30 57	0.67 183	0.35 115	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 286

PSM-softLoss	0.38 99	0.20 74	0.48 177	0.41 137	0.26 153	0.30 46	0.35 140	0.69 114	0.46 59	0.62 88	0.82 138	0.59 127	0.33 73	0.70 197	0.39 157	0.19 205	0.12 101	0.20 184	0.18 189	0.16 112	0.22 256

KMStereo	0.38 99	0.20 74	0.48 177	0.41 137	0.26 153	0.30 46	0.35 140	0.69 114	0.46 59	0.62 88	0.82 138	0.59 127	0.33 73	0.70 197	0.39 157	0.19 205	0.12 101	0.20 184	0.18 189	0.16 112	0.22 256

KYRaft	0.48 188	0.20 74	0.38 57	0.44 207	0.23 72	0.44 131	0.37 170	0.66 86	0.41 44	0.94 275	1.73 354	0.79 222	0.41 119	0.63 154	0.31 70	0.16 115	0.11 59	0.18 123	0.22 269	0.16 112	0.78 384

PFNet	0.42 142	0.18 36	0.58 238	0.43 192	0.24 90	0.43 127	0.32 107	0.74 146	0.78 169	1.00 299	0.74 102	0.68 171	0.39 108	0.72 207	0.37 143	0.16 115	0.10 9	0.20 184	0.15 98	0.16 112	0.13 60

RE-Stereo	0.38 99	0.20 74	0.46 151	0.41 137	0.25 116	0.26 19	0.31 91	0.69 114	0.70 124	0.65 111	0.77 109	0.58 113	0.30 57	0.67 183	0.35 115	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 286

TVStereo	0.38 99	0.20 74	0.46 151	0.41 137	0.25 116	0.26 19	0.31 91	0.69 114	0.70 124	0.65 111	0.77 109	0.58 113	0.30 57	0.67 183	0.35 115	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 286

IRAFT_RVC	0.42 142	0.20 74	0.48 177	0.44 207	0.24 90	0.27 27	0.54 292	0.74 146	0.77 162	0.76 178	0.80 128	0.73 201	0.51 165	0.70 197	0.36 131	0.17 148	0.10 9	0.21 224	0.16 127	0.16 112	0.14 92

CroCo-Stereo	0.26 5	0.22 133	0.36 38	0.48 261	0.22 44	0.20 1	0.29 61	0.51 19	0.44 54	0.28 4	0.23 1	0.42 53	0.26 20	0.29 1	0.26 27	0.15 81	0.13 156	0.13 11	0.11 18	0.16 112	0.12 35
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
RAFT	0.45 164	0.22 133	0.45 135	0.47 256	0.26 153	0.54 164	0.47 252	0.66 86	0.58 86	0.80 190	0.82 138	0.94 267	0.57 191	0.75 223	0.34 100	0.17 148	0.15 208	0.22 236	0.20 236	0.16 112	0.12 35

GMM-Stereo	0.44 154	0.19 52	0.36 38	0.42 174	0.25 116	0.51 151	0.47 252	0.71 133	0.53 72	0.76 178	1.37 318	0.76 214	0.38 96	0.60 131	0.33 90	0.15 81	0.10 9	0.20 184	0.19 214	0.16 112	0.27 286

Prome-Stereo	0.46 170	0.19 52	0.35 33	0.44 207	0.26 153	0.40 107	0.45 244	0.68 105	0.44 54	0.96 283	1.84 361	0.59 127	0.67 248	0.61 138	0.32 78	0.14 33	0.11 59	0.16 64	0.14 76	0.16 112	0.29 299

SFCPSM	0.47 180	0.21 106	0.55 225	0.40 113	0.27 177	0.87 295	0.37 170	1.33 342	0.77 162	0.80 190	0.84 148	0.54 95	0.49 152	0.57 94	0.37 143	0.18 176	0.13 156	0.18 123	0.20 236	0.16 112	0.15 111

delet	0.55 247	0.24 186	0.55 225	0.44 207	0.33 268	1.07 327	0.50 268	1.00 234	0.86 204	0.85 227	0.96 200	0.90 260	0.63 224	0.83 253	0.74 280	0.18 176	0.18 260	0.20 184	0.21 254	0.16 112	0.15 111

GwcNet-RSSM	0.49 204	0.24 186	0.42 105	0.40 113	0.23 72	0.55 169	0.38 190	0.93 210	0.93 244	0.71 146	1.16 284	0.86 242	0.60 208	0.62 144	0.66 260	0.21 241	0.14 183	0.19 160	0.20 236	0.16 112	0.15 111

MyStereo07	0.32 32	0.22 133	0.34 30	0.42 174	0.28 196	0.40 107	0.50 268	0.72 137	0.37 33	0.37 20	0.34 17	0.32 12	0.31 61	0.59 125	0.27 36	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.16 150

MyStereo06	0.38 99	0.21 106	0.61 246	0.41 137	0.28 196	0.41 120	0.50 268	0.95 220	0.35 18	0.62 88	0.54 50	0.76 214	0.27 27	0.50 56	0.29 58	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.15 111

MyStereo05	0.44 154	0.21 106	0.45 135	0.41 137	0.28 196	0.41 120	0.50 268	0.93 210	1.09 315	0.76 178	0.61 67	0.51 85	0.57 191	0.73 212	0.42 169	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.15 111

MyStereo04	0.44 154	0.22 133	0.44 124	0.42 174	0.28 196	0.40 107	0.50 268	1.00 234	1.08 313	0.62 88	0.58 62	0.55 98	0.57 191	0.71 202	0.44 187	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.16 150

11t1	0.36 69	0.21 106	0.42 105	0.35 30	0.22 44	0.62 213	0.29 61	0.69 114	0.43 50	0.60 82	0.53 48	0.53 91	0.48 149	0.56 84	0.40 162	0.18 176	0.14 183	0.16 64	0.13 53	0.17 145	0.17 167

test croco	0.31 30	0.20 74	0.50 199	0.39 89	0.29 219	0.27 27	0.30 74	0.44 8	0.35 18	0.31 10	0.66 78	0.30 5	0.31 61	0.65 168	0.31 70	0.17 148	0.13 156	0.20 184	0.15 98	0.17 145	0.12 35

CBFPSM	0.59 276	0.22 133	1.31 364	0.38 68	0.27 177	1.12 335	0.65 319	0.79 167	0.82 184	0.80 190	0.81 135	1.35 343	0.87 315	0.67 183	0.76 282	0.16 115	0.15 208	0.15 45	0.16 127	0.17 145	0.22 256

knoymous	0.36 69	0.20 74	0.31 14	0.31 7	0.22 44	0.36 87	0.29 61	0.61 57	0.64 108	0.67 123	0.70 87	0.60 132	0.40 113	0.58 111	0.34 100	0.17 148	0.11 59	0.20 184	0.11 18	0.17 145	0.18 182

x	0.39 113	0.24 186	0.41 86	0.34 12	0.23 72	0.52 154	0.32 107	0.86 185	0.52 69	0.57 75	0.70 87	0.59 127	0.50 162	0.49 54	0.46 203	0.17 148	0.15 208	0.17 89	0.15 98	0.17 145	0.16 150

IER	0.46 170	0.23 150	0.50 199	0.38 68	0.28 196	0.69 244	0.35 140	0.80 171	0.66 116	0.83 219	0.94 189	0.75 208	0.77 288	0.60 131	0.42 169	0.17 148	0.14 183	0.17 89	0.17 167	0.17 145	0.15 111

NRIStereo	0.36 69	0.20 74	0.45 135	0.41 137	0.23 72	0.34 76	0.26 41	0.65 77	0.55 80	0.64 104	0.63 69	0.56 100	0.37 93	0.65 168	0.37 143	0.15 81	0.11 59	0.18 123	0.15 98	0.17 145	0.14 92

Pruner-Stereo	0.38 99	0.20 74	0.45 135	0.40 113	0.25 116	0.22 5	0.24 27	0.67 96	0.55 80	0.89 251	0.76 105	0.68 171	0.29 46	0.62 144	0.35 115	0.18 176	0.12 101	0.20 184	0.17 167	0.17 145	0.18 182

rafts_anoy	0.37 84	0.21 106	0.36 38	0.41 137	0.26 153	0.30 46	0.33 116	0.67 96	0.90 229	0.58 76	0.66 78	0.45 65	0.33 73	0.47 48	0.39 157	0.16 115	0.11 59	0.21 224	0.23 280	0.17 145	0.14 92

RALCasStereoNet	0.36 69	0.21 106	0.37 48	0.42 174	0.26 153	0.35 81	0.38 190	0.63 66	0.64 108	0.50 59	0.72 89	0.51 85	0.29 46	0.59 125	0.36 131	0.16 115	0.14 183	0.15 45	0.13 53	0.17 145	0.16 150

acv_ft	0.51 224	0.23 150	0.56 231	0.44 207	0.28 196	0.86 294	0.39 210	0.91 207	0.80 177	0.97 288	0.96 200	0.79 222	0.59 204	0.63 154	0.87 305	0.17 148	0.15 208	0.16 64	0.15 98	0.17 145	0.15 111

HSM-Net_RVC	0.53 236	0.22 133	0.35 33	0.37 47	0.21 31	0.85 291	0.37 170	1.23 319	0.93 244	0.90 258	1.15 279	1.26 323	0.63 224	0.72 207	0.48 211	0.17 148	0.13 156	0.16 64	0.15 98	0.17 145	0.15 111
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.51 224	0.24 186	0.41 86	0.39 89	0.24 90	0.75 259	0.40 216	1.22 315	0.75 149	0.81 198	0.91 181	1.21 319	0.69 258	0.87 268	0.46 203	0.17 148	0.13 156	0.17 89	0.14 76	0.17 145	0.17 167

iResNet	0.49 204	0.29 254	0.79 313	0.42 174	0.21 31	0.61 206	0.40 216	0.82 175	0.99 269	0.87 239	1.12 266	0.69 175	0.53 170	0.78 237	0.51 222	0.15 81	0.11 59	0.14 19	0.12 32	0.17 145	0.15 111

Former-RAFT_DAM_RVC	0.34 39	0.27 232	0.45 135	0.36 38	0.25 116	0.48 142	0.30 74	0.58 39	0.90 229	0.42 41	0.36 19	0.30 5	0.29 46	0.49 54	0.30 63	0.16 115	0.14 183	0.18 123	0.15 98	0.18 163	0.15 111

SMFormer	0.51 224	0.23 150	0.62 249	0.34 12	0.20 22	0.62 213	0.34 123	1.21 307	1.02 283	0.81 198	1.01 225	0.71 181	0.65 240	0.84 258	0.55 239	0.19 205	0.15 208	0.18 123	0.16 127	0.18 163	0.18 182

ACVNet-DCA	0.35 51	0.23 150	0.33 23	0.41 137	0.22 44	0.55 169	0.38 190	0.85 182	0.54 76	0.41 36	0.50 35	0.34 23	0.49 152	0.57 94	0.25 10	0.16 115	0.10 9	0.19 160	0.13 53	0.18 163	0.17 167

xx1	0.39 113	0.23 150	0.33 23	0.41 137	0.22 44	0.55 169	0.38 190	0.67 96	1.06 304	0.41 36	0.50 35	0.65 160	0.53 170	0.57 94	0.25 10	0.16 115	0.10 9	0.20 184	0.19 214	0.18 163	0.17 167

1test111	0.36 69	0.23 150	0.33 23	0.41 137	0.22 44	0.55 169	0.38 190	0.85 182	0.54 76	0.41 36	0.50 35	0.34 23	0.49 152	0.55 76	0.45 193	0.16 115	0.10 9	0.19 160	0.13 53	0.18 163	0.17 167

MIF-Stereo (partial)	0.31 30	0.18 36	0.37 48	0.41 137	0.31 246	0.28 35	0.23 19	0.47 11	0.42 48	0.31 10	0.63 69	0.36 34	0.35 81	0.57 94	0.31 70	0.17 148	0.13 156	0.19 160	0.17 167	0.18 163	0.14 92

CASnet	0.30 28	0.20 74	0.33 23	0.41 137	0.16 3	0.26 19	0.24 27	0.52 22	0.53 72	0.52 64	0.54 50	0.39 41	0.24 11	0.40 19	0.26 27	0.14 33	0.10 9	0.22 236	0.18 189	0.18 163	0.11 11
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.35 51	0.24 186	0.48 177	0.41 137	0.26 153	0.35 81	0.24 27	0.67 96	0.44 54	0.54 69	0.51 40	0.66 165	0.25 13	0.66 173	0.30 63	0.14 33	0.12 101	0.23 250	0.20 236	0.18 163	0.13 60

gwcnet-sp	0.48 188	0.23 150	0.70 289	0.40 113	0.26 153	0.81 277	0.41 228	0.89 198	0.84 192	0.91 263	0.76 105	0.66 165	0.61 213	0.66 173	0.50 214	0.18 176	0.17 249	0.18 123	0.18 189	0.18 163	0.18 182

scenet	0.48 188	0.23 150	0.70 289	0.40 113	0.26 153	0.81 277	0.41 228	0.89 198	0.84 192	0.91 263	0.76 105	0.66 165	0.61 213	0.66 173	0.50 214	0.18 176	0.17 249	0.18 123	0.18 189	0.18 163	0.18 182

ssnet	0.48 188	0.23 150	0.70 289	0.40 113	0.26 153	0.81 277	0.41 228	0.89 198	0.84 192	0.91 263	0.76 105	0.66 165	0.61 213	0.66 173	0.50 214	0.18 176	0.17 249	0.18 123	0.18 189	0.18 163	0.18 182

qqq	0.40 125	0.26 218	0.44 124	0.36 38	0.22 44	0.46 138	0.36 158	0.85 182	0.54 76	0.56 73	0.69 85	0.65 160	0.53 170	0.55 76	0.45 193	0.17 148	0.16 235	0.20 184	0.19 214	0.18 163	0.17 167

BUS	0.45 164	0.25 204	0.43 114	0.45 228	0.28 196	0.70 246	0.34 123	0.94 214	0.76 155	0.75 172	0.80 128	0.65 160	0.49 152	0.64 161	0.51 222	0.20 227	0.14 183	0.22 236	0.19 214	0.18 163	0.18 182

CRFU-Net	0.57 263	0.27 232	0.57 234	0.46 247	0.30 229	1.20 346	0.52 285	1.10 269	0.56 84	1.00 299	0.98 215	1.06 297	0.79 295	0.81 244	0.71 274	0.21 241	0.19 274	0.18 123	0.16 127	0.18 163	0.19 210

test_5	0.43 148	0.24 186	0.43 114	0.52 313	0.28 196	0.28 35	0.42 235	0.72 137	0.82 184	0.62 88	0.91 181	0.72 191	0.55 184	0.79 240	0.35 115	0.14 33	0.11 59	0.18 123	0.18 189	0.18 163	0.16 150

BSDual-CNN	0.46 170	0.25 204	0.43 114	0.45 228	0.28 196	0.77 262	0.40 216	0.94 214	0.76 155	0.75 172	0.80 128	0.76 214	0.54 181	0.64 161	0.43 174	0.20 227	0.14 183	0.22 236	0.19 214	0.18 163	0.18 182

hknet	0.49 204	0.25 204	0.51 206	0.45 228	0.29 219	0.77 262	0.40 216	0.94 214	0.83 189	0.75 172	0.80 128	0.97 273	0.61 213	0.73 212	0.45 193	0.18 176	0.14 183	0.22 236	0.19 214	0.18 163	0.18 182

psmg	0.49 204	0.25 204	0.43 114	0.41 137	0.28 196	0.85 291	0.43 236	0.99 231	0.76 155	0.91 263	0.94 189	0.76 214	0.54 181	0.64 161	0.43 174	0.20 227	0.15 208	0.20 184	0.20 236	0.18 163	0.18 182

CSP-Net	0.56 258	0.27 232	0.49 187	0.41 137	0.28 196	1.22 347	0.50 268	1.23 319	0.72 135	0.95 282	0.95 196	0.89 256	0.62 218	0.83 253	0.62 252	0.26 293	0.17 249	0.17 89	0.17 167	0.18 163	0.17 167

GwcNet-ADL	0.44 154	0.22 133	0.48 177	0.45 228	0.30 229	0.40 107	0.37 170	0.92 208	0.97 260	0.71 146	0.78 117	0.61 136	0.42 120	0.62 144	0.50 214	0.19 205	0.14 183	0.15 45	0.14 76	0.18 163	0.18 182

GANet-ADL	0.42 142	0.25 204	0.45 135	0.43 192	0.29 219	0.54 164	0.35 140	0.89 198	0.86 204	0.63 95	0.72 89	0.68 171	0.42 120	0.52 65	0.41 165	0.21 241	0.14 183	0.15 45	0.13 53	0.18 163	0.19 210

PSM-AAD	0.48 188	0.20 74	0.37 48	0.43 192	0.23 72	0.56 184	0.50 268	0.65 77	0.70 124	1.07 323	1.12 266	0.58 113	0.92 324	0.61 138	0.32 78	0.15 81	0.11 59	0.25 275	0.26 312	0.18 163	0.43 357

RAFT_R40	0.40 125	0.19 52	0.44 124	0.43 192	0.25 116	0.23 6	0.26 41	0.67 96	0.67 118	0.98 292	0.78 117	0.72 191	0.43 127	0.76 226	0.35 115	0.16 115	0.11 59	0.20 184	0.16 127	0.18 163	0.14 92

GES	0.44 154	0.23 150	0.57 234	0.40 113	0.30 229	0.59 199	0.36 158	0.96 222	0.68 119	0.74 170	0.83 143	0.47 73	0.48 149	0.67 183	0.43 174	0.22 259	0.16 235	0.17 89	0.16 127	0.18 163	0.23 263

222	1.18 365	0.22 133	0.44 124	0.37 47	0.22 44	0.79 269	0.37 170	1.31 339	0.89 227	0.92 271	1.08 257	0.72 191	0.71 272	0.66 173	13.89 419	0.20 227	0.15 208	0.17 89	0.16 127	0.18 163	0.19 210

test_xeample	1.01 346	0.21 106	0.42 105	0.35 30	0.21 31	0.71 251	0.39 210	1.23 319	0.86 204	0.81 198	1.04 241	0.69 175	0.61 213	0.69 194	10.93 416	0.19 205	0.15 208	0.18 123	0.17 167	0.18 163	0.17 167

RAFT + AFF	0.53 236	0.29 254	0.75 303	0.51 302	0.32 259	0.63 222	0.60 309	1.00 234	0.91 234	0.78 186	0.87 164	0.83 234	0.58 198	0.80 241	0.47 208	0.17 148	0.20 282	0.23 250	0.22 269	0.18 163	0.18 182

FENet	0.42 142	0.22 133	0.38 57	0.39 89	0.24 90	0.55 169	0.32 107	0.79 167	0.70 124	0.71 146	0.72 89	0.63 143	0.57 191	0.62 144	0.44 187	0.19 205	0.13 156	0.19 160	0.17 167	0.18 163	0.19 210

ac_64	0.52 233	0.22 133	0.50 199	0.45 228	0.28 196	0.80 272	0.45 244	1.02 244	0.61 90	0.91 263	0.83 143	1.07 302	0.68 254	0.74 219	0.70 270	0.21 241	0.18 260	0.20 184	0.19 214	0.18 163	0.15 111

ACVNet	0.46 170	0.23 150	0.36 38	0.39 89	0.28 196	0.58 190	0.40 216	0.87 192	0.80 177	0.64 104	0.96 200	0.79 222	0.60 208	0.63 154	0.67 263	0.17 148	0.15 208	0.16 64	0.15 98	0.18 163	0.15 111

GANet-RSSM	0.47 180	0.21 106	0.37 48	0.38 68	0.25 116	0.58 190	0.36 158	1.07 260	0.78 169	0.68 129	1.01 225	0.86 242	0.67 248	0.62 144	0.44 187	0.21 241	0.15 208	0.18 123	0.18 189	0.18 163	0.17 167

AANet_RVC	0.57 263	0.32 267	0.54 220	0.45 228	0.27 177	0.57 188	0.48 258	1.00 234	1.28 345	0.86 232	1.33 313	0.87 247	0.58 198	1.07 319	0.75 281	0.18 176	0.12 101	0.15 45	0.13 53	0.18 163	0.18 182

iResNetv2_ROB	0.52 233	0.27 232	0.69 285	0.38 68	0.25 116	0.62 213	0.35 140	1.17 296	1.01 280	0.99 294	1.06 251	0.88 252	0.67 248	0.66 173	0.39 157	0.19 205	0.13 156	0.15 45	0.11 18	0.18 163	0.16 150

DN-CSS_ROB	0.43 148	0.26 218	0.62 249	0.40 113	0.29 219	0.44 131	0.27 47	0.77 160	0.75 149	0.72 157	1.09 261	0.48 77	0.43 127	0.69 194	0.37 143	0.15 81	0.12 101	0.21 224	0.19 214	0.18 163	0.16 150

MyStereo8	0.40 125	0.20 74	0.54 220	0.41 137	0.29 219	0.53 160	0.29 61	0.65 77	0.49 64	0.71 146	0.98 215	0.58 113	0.43 127	0.50 56	0.51 222	0.15 81	0.12 101	0.16 64	0.14 76	0.19 197	0.19 210

whm_eth	0.48 188	0.30 260	0.74 300	0.46 247	0.38 296	0.37 89	0.37 170	0.79 167	0.78 169	0.82 207	1.74 356	0.37 36	0.38 96	0.60 131	0.38 151	0.18 176	0.16 235	0.20 184	0.20 236	0.19 197	0.22 256

riskmin	0.38 99	0.20 74	0.39 74	0.32 9	0.23 72	0.53 160	0.30 74	0.63 66	0.80 177	0.49 56	0.56 57	0.73 201	0.58 198	0.55 76	0.36 131	0.17 148	0.11 59	0.19 160	0.13 53	0.19 197	0.20 230

AAGNet	1.43 378	0.20 74	0.48 177	0.44 207	0.25 116	0.29 39	0.31 91	0.65 77	0.68 119	0.97 288	0.86 160	0.67 170	0.62 218	0.64 161	20.63 423	0.16 115	0.11 59	0.19 160	0.15 98	0.19 197	0.12 35

SST-Stereo	0.40 125	0.19 52	0.45 135	0.42 174	0.25 116	0.25 17	0.21 4	0.66 86	0.47 62	1.08 326	0.79 126	0.72 191	0.43 127	0.77 233	0.35 115	0.16 115	0.11 59	0.20 184	0.16 127	0.19 197	0.15 111

DeepStereo_RVC	0.36 69	0.21 106	0.47 161	0.40 113	0.24 90	0.26 19	0.22 8	0.60 51	0.38 37	0.69 134	0.67 82	0.57 105	0.51 165	0.56 84	0.39 157	0.16 115	0.12 101	0.18 123	0.15 98	0.19 197	0.18 182

ICVP	0.46 170	0.25 204	0.38 57	0.48 261	0.28 196	0.58 190	0.43 236	1.00 234	0.70 124	0.67 123	0.95 196	0.75 208	0.55 184	0.53 71	0.54 235	0.23 264	0.17 249	0.19 160	0.17 167	0.19 197	0.20 230
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	1.01 346	0.22 133	0.43 114	0.36 38	0.21 31	0.82 285	0.36 158	1.32 340	0.88 217	0.71 146	0.94 189	0.97 273	0.63 224	0.64 161	10.58 415	0.20 227	0.16 235	0.18 123	0.17 167	0.19 197	0.19 210

UPFNet	0.53 236	0.24 186	0.51 206	0.45 228	0.38 296	0.84 290	0.49 264	0.99 231	0.75 149	0.87 239	0.88 171	0.86 242	0.64 234	0.80 241	0.71 274	0.20 227	0.20 282	0.20 184	0.20 236	0.19 197	0.15 111

HGLStereo	0.56 258	0.28 246	0.57 234	0.50 290	0.37 288	0.80 272	0.45 244	1.02 244	0.78 169	0.86 232	1.14 274	0.89 256	0.82 303	0.76 226	0.73 277	0.21 241	0.20 282	0.19 160	0.18 189	0.19 197	0.21 243

DMCA	0.45 164	0.26 218	0.50 199	0.38 68	0.28 196	0.51 151	0.34 123	0.93 210	0.68 119	0.75 172	0.83 143	0.79 222	0.53 170	0.51 60	0.54 235	0.21 241	0.16 235	0.21 224	0.16 127	0.19 197	0.21 243

HITNet	0.41 136	0.26 218	0.45 135	0.33 11	0.17 4	0.63 222	0.30 74	0.93 210	0.64 108	0.71 146	0.82 138	0.64 150	0.52 167	0.59 125	0.43 174	0.14 33	0.10 9	0.15 45	0.13 53	0.19 197	0.12 35
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
LE_ROB	4.42 412	0.24 186	2.75 396	0.42 174	0.23 72	1.57 371	0.90 362	1.71 385	17.88 426	16.56 428	4.88 413	5.17 409	18.85 428	1.63 371	14.62 420	0.17 148	0.14 183	0.16 64	0.16 127	0.19 197	0.17 167

mmm	0.44 154	0.27 232	0.46 151	0.38 68	0.24 90	0.61 206	0.35 140	0.94 214	0.53 72	0.72 157	1.05 245	0.63 143	0.50 162	0.57 94	0.45 193	0.18 176	0.15 208	0.23 250	0.20 236	0.20 210	0.18 182

1111x	0.55 247	0.22 133	0.46 151	0.38 68	0.20 22	0.66 236	0.43 236	1.23 319	0.99 269	0.71 146	0.99 220	0.95 269	0.69 258	0.90 278	1.08 344	0.18 176	0.17 249	0.18 123	0.19 214	0.20 210	0.18 182

iinet-f	0.67 289	0.26 218	2.15 392	0.39 89	0.31 246	1.19 345	0.56 301	0.84 179	0.84 192	0.80 190	1.17 286	1.05 296	0.84 309	0.71 202	1.21 354	0.20 227	0.18 260	0.17 89	0.15 98	0.20 210	0.20 230

ssnet_v2	0.58 269	0.28 246	0.56 231	0.43 192	0.29 219	0.95 305	0.59 307	1.13 279	0.99 269	0.93 272	0.80 128	0.99 277	0.64 234	0.82 246	0.94 324	0.25 283	0.22 295	0.23 250	0.24 293	0.20 210	0.19 210

DAS	0.51 224	0.25 204	0.60 244	0.48 261	0.31 246	0.58 190	0.41 228	0.83 176	0.97 260	0.89 251	1.12 266	0.70 177	0.75 281	0.82 246	0.43 174	0.17 148	0.13 156	0.18 123	0.15 98	0.20 210	0.18 182

SepStereo	0.51 224	0.25 204	0.60 244	0.48 261	0.31 246	0.58 190	0.41 228	0.83 176	0.97 260	0.89 251	1.12 266	0.70 177	0.75 281	0.93 293	0.43 174	0.17 148	0.13 156	0.18 123	0.15 98	0.20 210	0.18 182

Patchmatch Stereo++	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.24 8	0.22 8	0.59 41	0.36 23	0.63 95	0.73 93	0.58 113	0.38 96	0.58 111	0.36 131	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.24 8	0.31 91	0.59 41	0.36 23	0.63 95	0.73 93	0.58 113	0.38 96	0.56 84	0.35 115	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

ROB_FTStereo_v2	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.24 8	0.31 91	0.59 41	0.36 23	0.63 95	0.73 93	0.57 105	0.38 96	0.57 94	0.36 131	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

ROB_FTStereo	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.25 17	0.21 4	0.59 41	0.36 23	0.63 95	0.73 93	0.58 113	0.38 96	0.57 94	0.35 115	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

HUI-Stereo	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.24 8	0.22 8	0.60 51	0.36 23	0.63 95	0.73 93	0.58 113	0.38 96	0.50 56	0.35 115	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

iGMRVC	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.24 8	0.30 74	0.59 41	0.36 23	0.63 95	0.73 93	0.58 113	0.38 96	0.58 111	0.36 131	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

iRAFT	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.24 8	0.22 8	0.59 41	0.36 23	0.63 95	0.73 93	0.58 113	0.38 96	0.58 111	0.36 131	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

RAFT-IKP	0.35 51	0.23 150	0.47 161	0.41 137	0.22 44	0.24 8	0.28 54	0.59 41	0.36 23	0.63 95	0.73 93	0.57 105	0.38 96	0.58 111	0.36 131	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

MMNet	0.55 247	0.25 204	0.61 246	0.43 192	0.34 275	1.07 327	0.39 210	0.87 192	0.91 234	0.91 263	0.93 188	0.86 242	0.76 284	0.81 244	0.76 282	0.15 81	0.14 183	0.18 123	0.19 214	0.20 210	0.16 150

UNet	0.54 246	0.26 218	0.66 272	0.44 207	0.40 306	0.99 314	0.41 228	0.98 229	0.75 149	0.83 219	0.89 175	1.04 292	0.72 276	0.73 212	0.62 252	0.19 205	0.14 183	0.20 184	0.17 167	0.20 210	0.17 167

PSMNet-RSSM	0.48 188	0.22 133	0.38 57	0.42 174	0.25 116	0.50 147	0.37 170	1.10 269	0.77 162	0.70 140	1.06 251	0.84 238	0.64 234	0.62 144	0.47 208	0.23 264	0.15 208	0.23 250	0.25 302	0.20 210	0.19 210

StereoDRNet-Refined	0.58 269	0.32 267	0.54 220	0.46 247	0.30 229	0.96 308	0.40 216	1.00 234	0.94 251	1.12 332	1.08 257	0.96 271	0.67 248	0.90 278	0.89 318	0.17 148	0.13 156	0.22 236	0.21 254	0.20 210	0.19 210
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
fast-acv-ft	0.64 284	0.30 260	0.73 296	0.45 228	0.34 275	1.17 342	0.49 264	0.86 185	0.98 264	1.02 306	1.36 315	1.29 327	0.85 310	0.76 226	0.81 292	0.21 241	0.23 305	0.23 250	0.23 280	0.21 228	0.20 230

ToySt	0.49 204	0.27 232	0.75 303	0.40 113	0.27 177	0.64 228	0.49 264	0.84 179	0.77 162	0.60 82	0.83 143	0.88 252	0.66 245	0.70 197	0.56 241	0.16 115	0.17 249	0.21 224	0.20 236	0.21 228	0.19 210

AASNet	0.53 236	0.25 204	0.52 211	0.49 276	0.32 259	0.74 256	0.40 216	1.50 368	0.86 204	0.86 232	0.92 185	0.64 150	0.59 204	0.59 125	0.79 287	0.23 264	0.19 274	0.20 184	0.16 127	0.21 228	0.19 210

ADLNet2	0.55 247	0.25 204	0.65 267	0.47 256	0.30 229	0.83 287	0.50 268	1.05 256	0.95 256	0.80 190	0.98 215	0.99 277	0.69 258	0.77 233	0.73 277	0.20 227	0.16 235	0.17 89	0.18 189	0.21 228	0.21 243

LCNet	0.41 136	0.20 74	0.32 20	0.44 207	0.24 90	0.47 140	0.29 61	0.67 96	0.53 72	0.72 157	1.03 237	0.66 165	0.60 208	0.58 111	0.34 100	0.14 33	0.10 9	0.19 160	0.19 214	0.21 228	0.36 331

CRE-IMP	0.36 69	0.23 150	0.49 187	0.42 174	0.24 90	0.41 120	0.21 4	0.57 35	0.41 44	0.65 111	0.72 89	0.53 91	0.37 93	0.61 138	0.38 151	0.17 148	0.11 59	0.19 160	0.15 98	0.21 228	0.18 182

GEStereo_RVC	0.55 247	0.29 254	0.63 257	0.49 276	0.31 246	0.70 246	0.54 292	1.22 315	0.92 239	0.82 207	0.85 157	0.85 240	0.63 224	0.90 278	0.65 258	0.24 273	0.16 235	0.19 160	0.16 127	0.21 228	0.22 256

RALAANet	0.38 99	0.23 150	0.48 177	0.42 174	0.29 219	0.35 81	0.25 35	0.86 185	0.64 108	0.67 123	0.65 74	0.60 132	0.29 46	0.60 131	0.34 100	0.15 81	0.12 101	0.17 89	0.15 98	0.21 228	0.13 60

sCroCo_RVC	0.35 51	0.28 246	0.69 285	0.51 302	0.39 301	0.41 120	0.31 91	0.49 15	0.45 58	0.31 10	0.48 32	0.38 40	0.32 65	0.46 41	0.32 78	0.21 241	0.22 295	0.19 160	0.19 214	0.21 228	0.20 230

ADLNet	0.55 247	0.27 232	0.51 206	0.44 207	0.35 281	0.78 266	0.46 247	1.08 264	0.86 204	0.99 294	0.98 215	0.92 264	0.63 224	0.69 194	0.81 292	0.22 259	0.16 235	0.22 236	0.22 269	0.21 228	0.21 243

HCRNet	0.44 154	0.34 280	0.41 86	0.53 318	0.26 153	0.53 160	0.29 61	0.83 176	0.63 101	0.71 146	0.81 135	0.77 220	0.50 162	0.66 173	0.36 131	0.24 273	0.16 235	0.24 264	0.20 236	0.21 228	0.18 182

psm_up	0.55 247	0.26 218	0.47 161	0.49 276	0.32 259	0.65 233	0.56 301	1.04 251	0.82 184	0.82 207	0.88 171	1.01 283	0.94 330	0.74 219	0.61 250	0.21 241	0.25 320	0.26 289	0.23 280	0.21 228	0.20 230

DSFCA	0.55 247	0.25 204	0.62 249	0.40 113	0.36 283	0.74 256	0.52 285	1.04 251	0.82 184	1.06 320	0.84 148	0.89 256	0.63 224	0.99 303	0.58 242	0.25 283	0.21 289	0.21 224	0.21 254	0.21 228	0.19 210

CFNet	0.51 224	0.29 254	0.46 151	0.41 137	0.27 177	0.70 246	0.32 107	1.13 279	1.00 276	0.72 157	1.07 254	0.85 240	0.60 208	0.76 226	0.52 229	0.19 205	0.14 183	0.23 250	0.23 280	0.21 228	0.16 150

NLCA_NET_v2_RVC	0.53 236	0.32 267	0.64 262	0.44 207	0.30 229	0.66 236	0.44 242	1.04 251	0.88 217	0.91 263	0.91 181	0.99 277	0.60 208	0.68 191	0.60 249	0.21 241	0.17 249	0.22 236	0.22 269	0.21 228	0.21 243
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DLCB_ROB	0.58 269	0.28 246	0.47 161	0.49 276	0.32 259	0.77 262	0.50 268	0.99 231	0.92 239	1.04 315	1.14 274	1.21 319	0.69 258	0.88 271	0.69 267	0.20 227	0.20 282	0.22 236	0.22 269	0.21 228	0.18 182

mmx	0.53 236	0.26 218	0.49 187	0.37 47	0.25 116	0.55 169	0.37 170	1.16 291	1.03 288	0.73 164	0.96 200	0.71 181	0.53 170	1.01 306	0.88 307	0.20 227	0.15 208	0.25 275	0.21 254	0.22 244	0.20 230

xxx	0.53 236	0.26 218	0.49 187	0.37 47	0.25 116	0.55 169	0.37 170	1.16 291	1.03 288	0.73 164	0.96 200	0.71 181	0.53 170	1.01 306	0.88 307	0.20 227	0.15 208	0.25 275	0.21 254	0.22 244	0.20 230

CASS	0.45 164	0.27 232	0.42 105	0.48 261	0.22 44	0.61 206	0.34 123	0.97 226	0.62 91	0.71 146	0.85 157	0.61 136	0.55 184	0.57 94	0.41 165	0.29 312	0.16 235	0.22 236	0.18 189	0.22 244	0.28 293
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.63 283	0.28 246	0.99 334	0.40 113	0.30 229	1.03 321	0.56 301	1.10 269	0.99 269	0.97 288	1.22 294	1.06 297	0.69 258	1.07 319	0.95 327	0.19 205	0.11 59	0.16 64	0.13 53	0.22 244	0.21 243

NINENet	0.50 217	0.29 254	0.51 206	0.45 228	0.32 259	0.70 246	0.34 123	1.10 269	0.88 217	0.80 190	0.94 189	0.65 160	0.49 152	0.73 212	0.51 222	0.22 259	0.20 282	0.25 275	0.18 189	0.22 244	0.21 243

dd	0.43 148	0.38 301	0.55 225	0.44 207	0.25 116	0.47 140	0.38 190	0.70 128	1.05 297	0.59 78	0.65 74	0.42 53	0.39 108	0.66 173	0.50 214	0.24 273	0.15 208	0.21 224	0.15 98	0.22 244	0.18 182

PSMNet-ADL	0.48 188	0.27 232	0.40 81	0.48 261	0.30 229	0.68 242	0.37 170	0.90 203	0.80 177	0.61 87	0.80 128	0.92 264	0.62 218	0.72 207	0.63 255	0.23 264	0.18 260	0.18 123	0.20 236	0.22 244	0.20 230

TestStereo	0.38 99	0.31 265	0.40 81	0.45 228	0.20 22	0.40 107	0.37 170	0.66 86	0.65 113	0.53 67	0.78 117	0.47 73	0.40 113	0.55 76	0.37 143	0.18 176	0.13 156	0.20 184	0.15 98	0.22 244	0.13 60

ADCRef	0.80 318	0.43 316	1.32 366	0.50 290	0.45 335	1.07 327	0.51 282	1.07 260	0.98 264	1.17 337	1.42 327	0.87 247	0.91 321	0.85 265	3.19 393	0.18 176	0.16 235	0.23 250	0.23 280	0.22 244	0.21 243

AACVNet	0.50 217	0.23 150	0.49 187	0.46 247	0.29 219	0.52 154	0.38 190	0.90 203	0.55 80	0.81 198	1.03 237	1.00 280	0.70 268	0.83 253	0.54 235	0.21 241	0.18 260	0.24 264	0.18 189	0.23 253	0.20 230

LMCR-Stereo	0.53 236	0.30 260	0.53 217	0.58 337	0.30 229	0.83 287	0.36 158	1.19 301	0.76 155	0.88 247	1.04 241	0.56 100	0.62 218	0.82 246	0.67 263	0.19 205	0.15 208	0.19 160	0.14 76	0.23 253	0.17 167

Anonymous3	0.46 170	0.34 280	0.86 323	0.50 290	0.37 288	0.81 277	0.50 268	0.72 137	0.65 113	0.51 61	0.65 74	0.45 65	0.45 139	0.64 161	0.38 151	0.24 273	0.24 312	0.22 236	0.21 254	0.23 253	0.23 263

Syn2CoEx	0.71 300	0.51 337	0.95 329	0.64 352	0.45 335	0.91 297	0.53 288	1.48 365	1.13 320	0.93 272	1.35 314	1.02 288	0.99 337	0.92 288	0.80 289	0.30 318	0.27 329	0.28 308	0.24 293	0.23 253	0.24 269

GwcNet	0.69 294	0.36 289	1.10 342	0.51 302	0.42 319	1.08 331	0.50 268	1.21 307	1.16 324	1.00 299	1.37 318	1.06 297	0.79 295	0.92 288	0.94 324	0.25 283	0.24 312	0.24 264	0.22 269	0.23 253	0.26 279

CFNet-ft	0.48 188	0.23 150	0.36 38	0.40 113	0.26 153	0.64 228	0.37 170	0.87 192	0.85 199	0.64 104	1.00 222	1.01 283	0.64 234	0.61 138	0.53 232	0.23 264	0.15 208	0.24 264	0.21 254	0.23 253	0.18 182

MSMDNet	0.48 188	0.24 186	0.52 211	0.39 89	0.27 177	0.63 222	0.30 74	0.96 222	0.96 257	0.86 232	1.07 254	0.79 222	0.44 135	0.57 94	0.43 174	0.17 148	0.12 101	0.20 184	0.16 127	0.23 253	0.19 210

CFNet_RVC	0.48 188	0.23 150	0.36 38	0.40 113	0.26 153	0.64 228	0.37 170	0.87 192	0.85 199	0.64 104	1.00 222	1.01 283	0.64 234	0.61 138	0.53 232	0.23 264	0.15 208	0.24 264	0.21 254	0.23 253	0.18 182

AdaStereo	0.50 217	0.32 267	0.47 161	0.48 261	0.25 116	0.67 240	0.32 107	1.17 296	0.88 217	0.75 172	0.99 220	0.75 208	0.49 152	0.67 183	0.46 203	0.27 300	0.12 101	0.28 308	0.18 189	0.23 253	0.18 182
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
NaN_ROB	0.69 294	0.44 320	0.69 285	0.51 302	0.33 268	0.97 309	1.06 373	1.22 315	1.19 329	1.24 347	0.96 200	1.08 304	0.78 293	1.20 335	0.67 263	0.24 273	0.30 339	0.23 250	0.24 293	0.23 253	0.25 275

ttt	0.51 224	0.25 204	0.43 114	0.38 68	0.24 90	0.65 233	0.38 190	1.18 299	1.05 297	0.72 157	1.08 257	0.63 143	0.49 152	0.84 258	0.59 246	0.24 273	0.21 289	0.22 236	0.20 236	0.24 263	0.24 269

PCWNet_CMD	0.48 188	0.24 186	0.52 211	0.39 89	0.27 177	0.63 222	0.30 74	0.95 220	0.96 257	0.86 232	1.07 254	0.79 222	0.44 135	0.57 94	0.43 174	0.17 148	0.12 101	0.21 224	0.16 127	0.24 263	0.19 210

CFNet_pseudo	0.46 170	0.24 186	0.52 211	0.37 47	0.27 177	0.58 190	0.30 74	0.86 185	0.88 217	0.82 207	1.03 237	0.75 208	0.47 145	0.58 111	0.44 187	0.17 148	0.12 101	0.24 264	0.16 127	0.24 263	0.19 210

GMStereo	0.39 113	0.37 292	0.54 220	0.40 113	0.26 153	0.42 125	0.36 158	0.59 41	1.04 292	0.55 71	0.51 40	0.37 36	0.35 81	0.54 74	0.41 165	0.19 205	0.13 156	0.16 64	0.17 167	0.24 263	0.18 182
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
STTStereo	0.55 247	0.37 292	0.76 308	0.44 207	0.31 246	0.60 204	0.44 242	0.96 222	0.86 204	0.99 294	0.90 178	0.96 271	0.58 198	0.71 202	0.61 250	0.25 283	0.23 305	0.26 289	0.32 341	0.24 263	0.23 263

BEATNet_4x	0.46 170	0.32 267	0.56 231	0.37 47	0.19 11	0.63 222	0.35 140	1.01 241	0.72 135	0.77 183	0.83 143	0.70 177	0.59 204	0.68 191	0.53 232	0.16 115	0.12 101	0.16 64	0.14 76	0.24 263	0.16 150

ccs_rob	0.46 170	0.24 186	0.52 211	0.37 47	0.27 177	0.58 190	0.31 91	0.86 185	0.88 217	0.82 207	1.02 233	0.75 208	0.47 145	0.58 111	0.44 187	0.17 148	0.12 101	0.24 264	0.16 127	0.24 263	0.19 210

DISCO	0.70 296	0.26 218	0.68 279	0.44 207	0.31 246	1.14 337	0.51 282	1.23 319	1.23 335	0.81 198	1.05 245	1.50 357	0.85 310	1.82 380	1.03 338	0.19 205	0.15 208	0.18 123	0.16 127	0.24 263	0.23 263

UCFNet_RVC	0.49 204	0.26 218	0.35 33	0.39 89	0.26 153	0.64 228	0.36 158	1.15 288	0.84 192	0.67 123	0.88 171	0.88 252	0.59 204	0.58 111	0.45 193	0.24 273	0.17 249	0.27 301	0.27 317	0.25 271	0.23 263

DRN-Test	0.66 288	0.32 267	0.66 272	0.50 290	0.39 301	1.15 339	0.61 314	1.49 367	1.01 280	1.12 332	1.08 257	1.06 297	0.69 258	0.77 233	0.94 324	0.23 264	0.17 249	0.26 289	0.25 302	0.25 271	0.21 243

MDST_ROB	0.91 338	0.27 232	0.85 318	0.63 351	0.41 313	2.53 390	0.71 340	1.60 378	1.13 320	2.83 399	1.73 354	0.97 273	0.69 258	1.61 368	0.73 277	0.25 283	0.22 295	0.32 329	0.28 322	0.25 271	0.24 269

SGM_RVC	0.97 343	0.28 246	0.41 86	0.39 89	0.22 44	1.55 369	0.73 342	1.51 371	1.25 341	2.25 389	1.92 364	2.58 387	1.56 376	2.02 387	1.19 353	0.27 300	0.27 329	0.27 301	0.25 302	0.25 271	0.25 275
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
StereoVision	0.42 142	0.28 246	0.45 135	0.49 276	0.28 196	0.38 103	0.38 190	0.72 137	0.62 91	0.44 47	1.14 274	0.54 95	0.39 108	0.56 84	0.34 100	0.21 241	0.24 312	0.25 275	0.24 293	0.26 275	0.16 150

CFNet_ucs	0.50 217	0.24 186	0.55 225	0.38 68	0.31 246	0.58 190	0.33 116	0.98 229	0.93 244	0.88 247	1.19 292	0.80 230	0.49 152	0.63 154	0.43 174	0.21 241	0.15 208	0.26 289	0.18 189	0.26 275	0.22 256

Wz-Net-LNSev	0.71 300	0.51 337	1.36 372	0.50 290	0.41 313	1.15 339	0.69 331	1.21 307	1.07 310	1.02 306	1.12 266	1.08 304	0.87 315	0.89 276	0.89 318	0.24 273	0.22 295	0.21 224	0.19 214	0.26 275	0.26 279

DMCA-RVC	0.51 224	0.30 260	0.59 239	0.50 290	0.32 259	0.54 164	0.38 190	0.86 185	0.68 119	0.94 275	0.86 160	0.91 262	0.68 254	0.70 197	0.59 246	0.23 264	0.18 260	0.31 324	0.23 280	0.26 275	0.19 210

FADNet-RVC-Resample	0.56 258	0.33 275	1.16 348	0.49 276	0.34 275	0.71 251	0.43 236	1.01 241	0.93 244	0.82 207	0.87 164	0.74 206	0.67 248	0.73 212	0.45 193	0.18 176	0.18 260	0.26 289	0.27 317	0.26 275	0.27 286

PA-Net	0.67 289	0.43 316	0.83 316	0.50 290	0.53 353	0.94 302	0.68 327	1.10 269	1.14 322	0.80 190	0.88 171	0.87 247	0.77 288	1.02 311	0.88 307	0.24 273	0.41 374	0.29 316	0.44 366	0.26 275	0.34 324
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.57 263	0.33 275	0.49 187	0.51 302	0.30 229	0.66 236	0.73 342	1.03 248	1.01 280	0.82 207	1.10 263	0.84 238	0.70 268	0.86 267	0.58 242	0.28 306	0.17 249	0.25 275	0.22 269	0.26 275	0.19 210

DeepPruner_ROB	0.53 236	0.34 280	0.59 239	0.41 137	0.30 229	0.50 147	0.43 236	1.19 301	0.70 124	0.85 227	1.05 245	0.86 242	0.55 184	0.84 258	0.51 222	0.29 312	0.23 305	0.22 236	0.22 269	0.26 275	0.25 275

PSMNet_ROB	0.64 284	0.37 292	0.65 267	0.56 330	0.42 319	0.97 309	0.83 352	1.21 307	0.92 239	0.79 188	1.02 233	1.08 304	0.63 224	0.82 246	0.91 322	0.29 312	0.20 282	0.31 324	0.31 335	0.26 275	0.23 263

CBMV	0.64 284	0.35 284	0.41 86	0.42 174	0.25 116	1.01 316	0.77 346	1.13 279	1.09 315	1.17 337	1.22 294	1.04 292	0.75 281	0.88 271	0.63 255	0.28 306	0.30 339	0.34 336	0.30 328	0.26 275	0.26 279
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
aanetorigin	0.83 327	0.56 350	1.87 387	0.49 276	0.38 296	0.56 184	0.66 320	0.70 128	1.00 276	2.42 392	2.02 368	1.31 330	1.18 355	0.93 293	1.13 350	0.20 227	0.18 260	0.20 184	0.19 214	0.27 285	0.30 306

StereoDRNet	0.64 284	0.33 275	0.68 279	0.51 302	0.43 324	1.03 321	0.53 288	1.47 364	0.99 269	1.10 330	0.87 164	1.07 302	0.71 272	0.82 246	0.88 307	0.23 264	0.19 274	0.25 275	0.23 280	0.27 285	0.19 210

Wz-Net-MNSev	0.76 310	0.40 309	1.34 367	0.50 290	0.40 306	1.44 363	0.83 352	1.15 288	1.16 324	1.25 348	1.20 293	1.13 314	0.81 299	1.16 330	1.00 337	0.22 259	0.19 274	0.24 264	0.23 280	0.28 287	0.26 279

FAT-Stereo	0.73 306	0.33 275	0.75 303	0.49 276	0.37 288	0.71 251	0.59 307	1.36 350	1.30 347	1.03 314	1.40 324	1.59 366	1.15 351	0.87 268	0.86 301	0.28 306	0.28 331	0.28 308	0.23 280	0.28 287	0.38 343

ADCP+	1.06 354	0.35 284	1.51 379	0.49 276	0.51 349	1.45 364	0.55 296	1.25 329	1.03 288	1.16 336	1.15 279	1.10 307	1.07 345	1.56 365	6.75 412	0.19 205	0.16 235	0.23 250	0.21 254	0.28 287	0.21 243

dad	0.58 269	0.50 334	0.64 262	0.43 192	0.30 229	0.59 199	0.36 158	0.78 165	1.25 341	1.01 304	1.17 286	1.15 317	0.53 170	0.68 191	0.50 214	0.35 349	0.23 305	0.37 345	0.21 254	0.29 290	0.20 230

SACVNet	0.58 269	0.34 280	0.55 225	0.55 327	0.36 283	0.63 222	0.48 258	1.13 279	0.77 162	1.02 306	1.06 251	1.02 288	0.74 279	0.90 278	0.51 222	0.27 300	0.21 289	0.25 275	0.24 293	0.29 290	0.36 331

pcwnet_v2	0.58 269	0.28 246	0.84 317	0.45 228	0.35 281	0.61 206	0.35 140	1.27 332	1.21 332	0.99 294	1.27 303	0.72 191	0.58 198	0.67 183	0.48 211	0.27 300	0.21 289	0.24 264	0.23 280	0.29 290	0.29 299

APVNet	0.71 300	0.37 292	0.89 326	0.56 330	0.45 335	1.18 344	0.68 327	1.41 358	0.85 199	0.81 198	1.15 279	1.04 292	0.81 299	1.10 324	1.17 351	0.26 293	0.28 331	0.32 329	0.31 335	0.29 290	0.30 306

hitnet-ft	0.55 247	0.27 232	0.39 74	0.41 137	0.28 196	0.78 266	0.40 216	0.92 208	0.90 229	0.82 207	1.01 225	1.13 314	0.70 268	0.78 237	0.67 263	0.28 306	0.20 282	0.28 308	0.22 269	0.29 290	0.26 279

Nwc_Net	0.78 314	0.38 301	0.73 296	0.60 345	0.55 357	1.05 326	0.55 296	1.67 383	1.05 297	0.88 247	1.86 363	1.40 348	1.09 346	1.10 324	0.87 305	0.30 318	0.25 320	0.36 341	0.38 353	0.29 290	0.29 299

ADCL	1.04 351	0.38 301	1.35 368	0.50 290	0.39 301	1.61 373	0.89 360	1.29 335	1.39 355	1.29 350	1.50 339	1.24 322	1.24 360	1.37 358	4.87 405	0.21 241	0.19 274	0.25 275	0.25 302	0.29 290	0.27 286

SGM-ForestM	4.04 410	0.32 267	0.46 151	0.43 192	0.27 177	7.50 417	1.45 400	3.84 410	4.24 408	8.19 419	6.76 417	19.00 426	9.08 417	10.74 421	6.62 411	0.31 321	0.33 358	0.32 329	0.32 341	0.29 290	0.29 299

PWC_ROB	0.87 330	0.52 343	1.28 361	0.50 290	0.32 259	0.91 297	0.37 170	1.36 350	1.46 362	1.61 365	2.59 383	1.16 318	1.01 340	1.34 352	1.40 365	0.25 283	0.18 260	0.28 308	0.20 236	0.29 290	0.28 293

Anonymous	0.39 113	0.27 232	0.66 272	0.53 318	0.43 324	0.55 169	0.49 264	0.63 66	0.50 65	0.37 20	0.42 22	0.33 20	0.42 120	0.56 84	0.38 151	0.20 227	0.19 274	0.17 89	0.18 189	0.30 299	0.24 269

AF-Net	0.81 321	0.39 305	0.68 279	0.64 352	0.54 355	0.91 297	0.51 282	1.61 379	1.31 348	0.96 283	2.02 368	1.46 351	1.26 363	1.11 326	0.99 334	0.32 333	0.24 312	0.39 350	0.27 317	0.30 299	0.25 275

RTSC	0.87 330	0.48 327	1.23 358	0.52 313	0.37 288	1.13 336	0.50 268	1.34 344	1.79 378	1.51 359	1.24 299	1.12 311	0.81 299	1.62 369	2.16 382	0.25 283	0.19 274	0.23 250	0.24 293	0.30 299	0.31 312

DeepPrunerF	0.89 334	0.52 343	3.43 400	0.68 367	0.81 377	0.72 254	0.72 341	1.22 315	1.99 383	0.93 272	1.01 225	0.87 247	0.86 312	1.08 321	0.95 327	0.34 345	0.28 331	0.43 356	0.39 357	0.30 299	0.32 316

SGM-Forest	0.62 282	0.32 267	0.39 74	0.43 192	0.30 229	1.02 318	0.55 296	1.09 268	1.05 297	1.06 320	1.18 288	1.10 307	0.67 248	0.88 271	0.62 252	0.31 321	0.33 358	0.33 334	0.30 328	0.30 299	0.28 293
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
FADNet_RVC	0.55 247	0.37 292	1.17 352	0.44 207	0.31 246	0.56 184	0.34 123	1.06 259	0.88 217	0.67 123	0.90 178	0.61 136	0.65 240	0.93 293	0.70 270	0.21 241	0.18 260	0.26 289	0.23 280	0.31 304	0.28 293

FADNet-RVC	0.60 279	0.53 346	1.14 347	0.46 247	0.39 301	0.61 206	0.39 210	1.12 278	0.87 213	0.70 140	0.84 148	1.04 292	0.55 184	0.94 300	0.69 267	0.26 293	0.25 320	0.28 308	0.28 322	0.31 304	0.31 312

GANet	0.70 296	0.37 292	0.55 225	0.51 302	0.34 275	0.94 302	0.96 366	1.08 264	0.94 251	1.04 315	1.98 367	1.13 314	0.88 318	1.12 327	0.66 260	0.25 283	0.26 325	0.27 301	0.22 269	0.31 304	0.22 256

CVANet_RVC	0.57 263	0.33 275	0.44 124	0.47 256	0.32 259	0.67 240	0.61 314	1.05 256	0.93 244	0.85 227	1.04 241	1.01 283	0.73 277	0.83 253	0.52 229	0.29 312	0.19 274	0.27 301	0.25 302	0.31 304	0.21 243

XPNet_ROB	0.70 296	0.35 284	0.68 279	0.52 313	0.40 306	0.79 269	0.85 358	1.16 291	0.94 251	1.33 353	1.15 279	1.38 345	0.83 307	1.03 313	0.90 320	0.32 333	0.25 320	0.26 289	0.24 293	0.31 304	0.28 293

Wz-Net-SNSev	0.91 338	0.73 366	2.13 391	0.56 330	0.45 335	0.95 305	1.13 378	1.34 344	1.24 337	1.02 306	1.30 309	1.46 351	0.86 312	1.81 379	1.50 366	0.25 283	0.23 305	0.25 275	0.26 312	0.32 309	0.29 299

S-Stereo	0.74 307	0.35 284	0.96 331	0.56 330	0.45 335	0.82 285	0.60 309	1.24 326	1.60 373	0.96 283	1.41 326	1.12 311	0.94 330	0.80 241	1.04 341	0.26 293	0.31 349	0.28 308	0.25 302	0.32 309	0.47 367

edge stereo	0.76 310	0.38 301	0.74 300	0.52 313	0.43 324	0.80 272	0.53 288	1.28 334	1.06 304	1.28 349	1.38 323	1.81 370	1.11 348	1.08 321	0.85 300	0.33 339	0.32 352	0.41 354	0.28 322	0.32 309	0.36 331

NCCL2	0.72 304	0.41 312	0.65 267	0.64 352	0.44 331	0.98 313	1.20 381	1.11 274	1.00 276	0.98 292	0.96 200	1.49 356	0.87 315	0.90 278	0.79 287	0.31 321	0.26 325	0.39 350	0.39 357	0.32 309	0.32 316

MeshStereo	1.34 372	0.43 316	0.54 220	0.44 207	0.34 275	1.66 375	0.60 309	1.94 387	1.37 352	4.47 413	3.25 392	4.71 404	1.94 390	1.92 383	1.17 351	0.35 349	0.35 362	0.37 345	0.31 335	0.32 309	0.32 316
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
psmorigin	0.82 322	0.51 337	2.09 390	0.49 276	0.41 313	0.85 291	0.50 268	1.04 251	0.88 217	1.45 357	1.43 330	1.50 357	1.06 343	1.22 338	0.97 330	0.31 321	0.32 352	0.27 301	0.27 317	0.33 314	0.42 352

NCC-stereo	0.78 314	0.40 309	0.76 308	0.61 347	0.67 372	0.81 277	0.69 331	1.54 375	1.11 317	0.90 258	1.36 315	1.33 337	1.16 352	1.19 333	0.88 307	0.31 321	0.30 339	0.37 345	0.48 372	0.33 314	0.33 320

Abc-Net	0.78 314	0.40 309	0.76 308	0.61 347	0.67 372	0.81 277	0.69 331	1.54 375	1.11 317	0.90 258	1.36 315	1.33 337	1.16 352	1.19 333	0.88 307	0.31 321	0.30 339	0.37 345	0.48 372	0.33 314	0.33 320
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Anonymous Stereo	0.75 309	0.54 348	1.78 385	0.57 335	0.56 360	0.62 213	1.25 387	0.96 222	0.99 269	0.96 283	0.95 196	0.83 234	0.58 198	1.27 344	1.21 354	0.31 321	0.30 339	0.31 324	0.33 344	0.33 314	0.36 331

PS-NSSS	0.58 269	0.44 320	0.62 249	0.42 174	0.33 268	0.66 236	0.58 305	1.02 244	0.86 204	0.77 183	1.28 305	0.72 191	0.64 234	0.82 246	0.59 246	0.31 321	0.26 325	0.40 353	0.27 317	0.33 314	0.26 279

CBMV_ROB	0.59 276	0.37 292	0.38 57	0.39 89	0.28 196	0.74 256	0.28 54	1.00 234	0.98 264	0.94 275	1.25 301	0.81 232	0.78 293	0.87 268	0.50 214	0.36 352	0.37 365	0.43 356	0.40 359	0.33 314	0.30 306

ETE_ROB	0.70 296	0.49 330	0.73 296	0.56 330	0.36 283	0.79 269	0.87 359	1.14 285	0.93 244	1.19 339	1.18 288	1.39 346	0.82 303	0.99 303	0.80 289	0.26 293	0.21 289	0.31 324	0.26 312	0.33 314	0.34 324

RP	0.76 310	0.36 289	0.63 257	0.66 361	0.58 366	0.80 272	0.55 296	1.14 285	1.22 334	0.97 288	1.65 348	1.43 350	1.32 365	1.01 306	0.84 296	0.33 339	0.30 339	0.36 341	0.30 328	0.34 321	0.34 324

FBW_ROB	0.88 332	0.50 334	0.85 318	0.55 327	0.40 306	1.17 342	0.78 348	1.50 368	1.37 352	1.33 353	1.27 303	1.48 355	1.00 339	2.57 399	0.98 333	0.25 283	0.32 352	0.45 359	0.30 328	0.34 321	0.28 293

SANet	1.07 356	0.41 312	1.06 339	0.48 261	0.30 229	1.41 360	0.94 364	1.42 359	3.36 402	1.58 362	2.43 377	2.33 383	1.70 382	1.34 352	1.07 343	0.28 306	0.24 312	0.26 289	0.23 280	0.34 321	0.30 306

PWCDC_ROB	0.89 334	0.49 330	0.80 315	0.74 374	0.40 306	1.03 321	0.39 210	1.33 342	2.35 391	1.02 306	3.77 400	0.81 232	0.92 324	1.20 335	0.90 320	0.34 345	0.22 295	0.24 264	0.20 236	0.34 321	0.29 299

FINET	0.67 289	0.42 314	1.00 335	0.46 247	0.43 324	0.83 287	0.89 360	1.08 264	1.50 364	0.87 239	1.14 274	0.71 181	0.68 254	0.92 288	0.70 270	0.36 352	0.30 339	0.26 289	0.24 293	0.35 325	0.33 320

DANet	0.71 300	0.45 324	0.91 327	0.59 340	0.40 306	0.81 277	0.40 216	0.97 226	0.84 192	1.20 342	1.22 294	1.33 337	0.88 318	1.16 330	1.24 356	0.27 300	0.23 305	0.31 324	0.25 302	0.35 325	0.32 316
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CSAN	0.83 327	0.49 330	0.77 312	0.60 345	0.41 313	1.14 337	1.06 373	1.19 301	1.46 362	1.32 351	1.43 330	1.37 344	1.19 357	1.27 344	0.86 301	0.39 358	0.31 349	0.36 341	0.37 350	0.35 325	0.34 324

LALA_ROB	0.74 307	0.43 316	0.69 285	0.54 324	0.40 306	1.01 316	0.95 365	1.21 307	1.07 310	1.22 344	1.12 266	1.56 363	0.79 295	1.04 315	0.86 301	0.33 339	0.22 295	0.35 338	0.30 328	0.35 325	0.31 312

GMStereo_Zeroshot	0.49 204	0.44 320	0.74 300	0.49 276	0.27 177	0.56 184	0.29 61	0.73 144	0.76 155	0.86 232	0.94 189	0.91 262	0.36 90	0.74 219	0.43 174	0.26 293	0.14 183	0.26 289	0.15 98	0.36 329	0.18 182

UDGNet	0.48 188	0.77 369	0.50 199	0.48 261	0.31 246	0.41 120	0.34 123	0.70 128	0.92 239	0.65 111	0.60 64	0.58 113	0.43 127	0.63 154	0.41 165	0.32 333	0.15 208	0.66 380	0.19 214	0.36 329	0.21 243

RGC	0.79 317	0.59 354	0.71 292	0.65 358	0.65 371	0.92 301	0.58 305	1.29 335	1.05 297	1.07 323	1.45 335	1.47 354	1.03 341	1.21 337	0.88 307	0.32 333	0.30 339	0.48 366	0.40 359	0.37 331	0.37 337

ADCMid	1.14 360	0.52 343	2.23 393	0.53 318	0.43 324	1.07 327	0.75 344	1.23 319	1.05 297	2.15 386	1.44 332	1.50 357	1.43 371	1.56 365	5.01 406	0.26 293	0.24 312	0.29 316	0.31 335	0.37 331	0.33 320

ADCPNet	1.03 350	0.48 327	2.70 395	0.54 324	0.42 319	1.40 358	0.75 344	1.13 279	1.07 310	1.22 344	1.42 327	1.68 368	1.09 346	1.36 357	3.45 397	0.30 318	0.28 331	0.29 316	0.32 341	0.37 331	0.35 329

NOSS_ROB	0.57 263	0.39 305	0.39 74	0.44 207	0.30 229	0.73 255	0.54 292	1.03 248	1.08 313	0.67 123	0.87 164	0.76 214	0.57 191	0.77 233	0.47 208	0.38 356	0.38 367	0.44 358	0.42 365	0.37 331	0.34 324

HBP-ISP	0.59 276	0.45 324	0.43 114	0.45 228	0.33 268	0.70 246	0.28 54	1.11 274	1.00 276	0.83 219	1.18 288	0.65 160	0.68 254	0.88 271	0.52 229	0.35 349	0.38 367	0.47 363	0.41 364	0.38 335	0.31 312

stereogan	0.80 318	0.31 265	0.71 292	0.59 340	0.50 346	1.72 379	0.48 258	1.35 347	1.37 352	1.00 299	1.46 337	1.56 363	0.95 333	1.29 346	0.84 296	0.28 306	0.29 336	0.29 316	0.25 302	0.38 335	0.38 343

AnyNet_C32	1.16 364	0.62 360	2.40 394	0.57 335	0.55 357	1.41 360	1.34 393	1.18 299	1.24 337	1.49 358	1.42 327	1.39 346	1.20 359	1.55 363	4.82 404	0.29 312	0.28 331	0.29 316	0.34 346	0.38 335	0.42 352

WZ-Net	1.19 366	0.59 354	4.07 404	0.62 350	0.51 349	1.34 355	1.31 392	1.32 340	1.74 377	1.53 361	1.65 348	1.74 369	1.28 364	2.25 393	2.01 379	0.27 300	0.21 289	0.23 250	0.25 302	0.40 338	0.39 345

SHD	0.93 341	0.50 334	1.18 353	0.59 340	0.46 342	0.97 309	0.48 258	1.70 384	2.15 385	1.58 362	1.37 318	1.42 349	1.19 357	1.31 348	1.60 367	0.31 321	0.26 325	0.32 329	0.33 344	0.40 338	0.42 352

RTS	1.98 392	0.96 383	11.36 416	0.65 358	0.57 364	2.77 396	1.40 396	1.39 354	2.26 386	1.89 377	2.56 380	1.32 335	1.25 361	5.20 412	4.05 400	0.31 321	0.22 295	0.29 316	0.29 326	0.40 338	0.37 337

RTSA	1.98 392	0.96 383	11.36 416	0.65 358	0.57 364	2.77 396	1.40 396	1.39 354	2.26 386	1.89 377	2.56 380	1.32 335	1.25 361	5.20 412	4.05 400	0.31 321	0.22 295	0.29 316	0.29 326	0.40 338	0.37 337

RYNet	0.72 304	0.35 284	0.64 262	0.53 318	0.67 372	1.31 354	0.67 322	1.20 305	1.18 327	1.05 317	0.87 164	1.27 324	0.93 329	0.93 293	1.27 360	0.22 259	0.16 235	0.26 289	0.23 280	0.40 338	0.39 345

NVstereo2D	0.60 279	0.30 260	0.75 303	0.48 261	0.43 324	0.89 296	0.48 258	1.05 256	1.15 323	0.66 122	0.86 160	0.88 252	0.70 268	0.99 303	0.65 258	0.32 333	0.15 208	0.28 308	0.20 236	0.40 338	0.36 331

Wz-Net-TNSev	1.14 360	1.06 389	4.32 406	0.49 276	0.42 319	1.51 367	1.11 377	1.48 365	1.40 357	1.22 344	1.26 302	1.58 365	1.43 371	1.76 377	1.70 369	0.32 333	0.31 349	0.26 289	0.30 328	0.41 344	0.41 351

EDNetEfficient	1.46 379	0.80 371	6.12 409	0.47 256	0.39 301	0.69 244	0.83 352	0.90 203	2.77 396	3.50 409	1.96 366	1.66 367	2.03 393	1.26 342	4.18 402	0.21 241	0.18 260	0.21 224	0.20 236	0.41 344	0.39 345

MFN_U_SF_DS_RVC	1.02 349	0.57 352	1.51 379	0.67 364	0.50 346	2.57 391	1.66 403	1.20 305	1.43 358	1.38 355	1.57 345	1.33 337	0.92 324	1.64 372	0.88 307	0.37 355	0.39 371	0.46 362	0.60 384	0.41 344	0.40 348

WCMA_ROB	1.14 360	0.36 289	0.76 308	0.49 276	0.44 331	1.23 349	0.67 322	1.11 274	1.23 335	2.84 400	3.95 406	3.28 396	1.83 387	1.25 341	0.99 334	0.44 364	0.34 360	0.34 336	0.37 350	0.41 344	0.40 348

SDNR	0.86 329	0.37 292	1.47 377	0.40 113	0.38 296	3.38 406	0.33 116	0.90 203	0.98 264	0.99 294	2.09 371	0.59 127	0.71 272	1.29 346	0.70 270	0.51 374	0.56 388	0.36 341	0.26 312	0.43 348	0.46 363

GASNet	0.67 289	0.72 365	0.96 331	0.70 370	0.48 343	0.62 213	0.47 252	1.08 264	1.03 288	0.94 275	0.82 138	0.93 266	0.83 307	1.33 350	0.80 289	0.31 321	0.22 295	0.29 316	0.28 322	0.44 349	0.24 269

MFN_U_SF_RVC	1.09 358	0.59 354	1.97 389	0.67 364	0.44 331	1.93 383	0.60 309	1.85 386	1.36 350	1.61 365	1.54 343	1.95 376	1.37 367	1.64 372	1.73 370	0.40 362	0.37 365	0.45 359	0.48 372	0.44 349	0.44 358

ADCS	1.51 381	0.61 357	3.42 399	0.59 340	0.51 349	1.27 352	1.08 376	1.59 377	1.81 379	1.91 380	1.66 350	1.51 360	1.42 370	1.94 385	8.60 414	0.33 339	0.32 352	0.33 334	0.36 349	0.44 349	0.42 352

AnyNet_C01	1.56 382	1.05 388	7.45 412	0.64 352	0.54 355	1.99 384	1.38 395	1.43 361	1.36 350	1.63 368	1.92 364	1.84 371	1.33 366	2.40 395	4.03 399	0.33 339	0.32 352	0.32 329	0.34 346	0.44 349	0.45 362

coex-ft	6.43 417	1.51 400	87.33 440	0.49 276	0.38 296	1.34 355	1.21 383	1.16 291	8.09 413	12.12 420	2.79 387	2.77 389	3.31 408	1.16 330	3.15 392	0.24 273	0.23 305	0.27 301	0.24 293	0.45 353	0.37 337

G-Net	0.95 342	0.46 326	1.04 337	0.64 352	0.48 343	2.12 386	0.64 318	1.01 241	0.87 213	1.75 373	2.82 390	1.30 329	1.64 381	1.06 316	0.96 329	0.36 352	0.29 336	0.35 338	0.25 302	0.45 353	0.42 352

PDISCO_ROB	0.91 338	0.48 327	1.06 339	0.99 382	0.97 384	1.67 377	0.63 316	1.64 381	1.59 370	1.06 320	1.18 288	1.31 330	0.79 295	1.55 363	0.97 330	0.49 371	0.22 295	0.45 359	0.40 359	0.45 353	0.37 337

FADNet	0.61 281	0.51 337	1.10 342	0.45 228	0.44 331	0.65 233	0.41 228	1.19 301	1.05 297	0.70 140	0.84 148	0.98 276	0.66 245	0.82 246	0.50 214	0.29 312	0.30 339	0.27 301	0.30 328	0.46 356	0.35 329

DPSNet	0.99 345	0.42 314	1.88 388	0.53 318	0.41 313	1.59 372	1.26 388	2.21 393	1.43 358	1.10 330	1.11 264	1.46 351	1.95 391	1.34 352	1.26 358	0.34 345	0.25 320	0.25 275	0.21 254	0.46 356	0.37 337

MSMD_ROB	1.21 367	0.49 330	0.62 249	0.59 340	0.50 346	1.62 374	0.67 322	1.23 319	1.24 337	2.45 393	3.77 400	3.09 393	2.98 406	1.32 349	0.81 292	0.45 365	0.41 374	0.49 369	0.51 379	0.47 358	0.44 358

FC-DCNN	1.59 383	0.51 337	0.66 272	0.61 347	0.49 345	1.56 370	0.70 336	1.66 382	1.53 366	4.64 414	4.62 412	5.85 411	3.34 409	1.84 381	1.11 346	0.46 366	0.42 376	0.47 363	0.46 367	0.48 359	0.46 363

SAMSARA	1.07 356	0.65 362	1.19 354	1.06 386	0.90 379	1.76 380	1.76 407	1.46 363	1.44 360	1.51 359	1.16 284	2.00 377	1.14 350	1.48 361	1.31 362	0.39 358	0.44 381	0.35 338	0.38 353	0.49 360	0.49 372

MANE	4.13 411	0.51 337	0.64 262	0.66 361	0.56 360	6.89 416	0.99 369	7.55 418	12.04 415	6.68 418	8.57 419	10.69 419	9.45 418	7.59 418	6.39 410	0.49 371	0.43 379	0.48 366	0.98 399	0.49 360	0.48 369

FCDSN-DC	1.39 377	0.56 350	0.65 267	0.74 374	0.59 367	1.38 357	0.63 316	1.35 347	1.39 355	3.26 407	4.50 411	4.61 402	2.63 401	1.58 367	1.03 338	0.46 366	0.42 376	0.48 366	0.47 370	0.50 362	0.50 373
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
ccnet	0.82 322	0.57 352	0.75 303	0.54 324	0.59 367	1.09 332	0.66 320	1.38 353	0.94 251	1.12 332	1.44 332	1.29 327	0.92 324	0.95 302	1.24 356	0.49 371	0.42 376	0.50 371	0.47 370	0.51 363	0.46 363

EDNetEfficientorigin	9.93 419	1.15 390	175.16 441	0.48 261	0.36 283	1.04 325	0.68 327	1.24 326	2.69 395	3.17 406	2.50 379	2.30 381	2.07 394	1.76 377	2.21 383	0.20 227	0.18 260	0.24 264	0.19 214	0.51 363	0.50 373

BEATNet-Init1	15.13 422	0.82 375	50.86 439	0.72 373	0.53 353	38.10 433	7.03 420	11.83 423	14.25 420	29.78 437	30.17 437	48.21 440	22.64 430	26.78 431	18.11 422	0.42 363	0.38 367	0.47 363	0.46 367	0.51 363	0.48 369

PVD	1.28 371	0.67 364	1.28 361	0.74 374	0.62 369	1.50 366	0.84 355	1.99 389	2.96 397	2.18 387	2.36 376	1.85 373	1.95 391	1.92 383	1.94 377	0.39 358	0.36 364	0.49 369	0.37 350	0.51 363	0.64 380

LSM	4.74 414	0.77 369	10.16 414	0.70 370	56.56 436	1.02 318	1.00 371	1.24 326	1.62 374	2.04 382	2.34 374	1.33 337	1.17 354	1.38 359	1.09 345	0.33 339	0.49 385	0.39 350	0.46 367	0.51 363	10.09 423

MaskLacGwcNet_RVC	0.67 289	0.81 372	0.73 296	0.53 318	0.37 288	1.40 358	0.53 288	1.04 251	0.79 176	0.88 247	0.94 189	0.95 269	0.53 170	0.93 293	0.58 242	0.39 358	0.30 339	0.57 376	0.31 335	0.53 368	0.30 306

XQC	0.89 334	0.65 362	1.31 364	0.67 364	0.52 352	1.22 347	0.68 327	1.26 330	1.52 365	1.14 335	1.11 264	1.28 326	1.04 342	1.40 360	1.77 373	0.38 356	0.24 312	0.37 345	0.31 335	0.53 368	0.47 367

ELAS_RVC	1.60 384	0.61 357	1.01 336	0.70 370	0.56 360	2.00 385	1.89 410	1.96 388	2.65 394	3.33 408	3.26 393	3.03 390	3.41 410	2.49 397	2.09 381	0.52 375	0.45 382	0.50 371	0.48 372	0.54 370	0.52 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.63 386	0.61 357	0.95 329	0.68 367	0.55 357	3.01 404	1.55 401	2.39 395	2.33 390	3.64 410	3.89 404	2.75 388	2.90 405	2.15 391	2.27 388	0.52 375	0.45 382	0.50 371	0.48 372	0.54 370	0.52 375
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Anonymous_2	0.82 322	0.44 320	0.63 257	0.40 113	0.43 324	0.80 272	0.52 285	0.72 137	0.77 162	0.71 146	0.60 64	0.87 247	0.76 284	0.75 223	0.58 242	0.52 375	0.54 387	0.54 374	4.82 422	0.56 372	0.40 348

PASM	0.90 337	0.64 361	1.69 381	0.69 369	0.69 375	0.78 266	0.84 355	1.03 248	1.26 344	1.19 339	1.15 279	1.31 330	0.98 336	1.24 340	1.03 338	0.52 375	0.56 388	0.59 379	0.66 386	0.56 372	0.54 377

sAnonymous2	0.40 125	0.39 305	0.85 318	0.48 261	0.37 288	0.40 107	0.46 247	0.57 35	0.52 69	0.38 24	0.46 26	0.35 29	0.42 120	0.43 27	0.30 63	0.19 205	0.14 183	0.18 123	0.17 167	0.57 374	0.44 358

CroCo_RVC	0.40 125	0.39 305	0.85 318	0.48 261	0.37 288	0.40 107	0.46 247	0.57 35	0.52 69	0.38 24	0.46 26	0.35 29	0.42 120	0.43 27	0.30 63	0.19 205	0.14 183	0.18 123	0.17 167	0.57 374	0.44 358

DGSMNet	0.76 310	0.55 349	1.29 363	0.58 337	0.62 369	0.94 302	0.70 336	1.26 330	1.11 317	0.83 219	1.24 299	1.00 280	0.71 272	1.03 313	0.81 292	0.34 345	0.29 336	0.41 354	0.40 359	0.57 374	0.55 378

CC-Net-ROB	0.82 322	0.96 383	0.85 318	0.58 337	0.45 335	1.27 352	0.70 336	1.17 296	1.02 283	0.83 219	1.23 298	0.90 260	0.77 288	1.06 316	0.69 267	0.46 366	0.34 360	1.71 394	0.38 353	0.59 377	0.36 331

GANetREF_RVC	0.80 318	0.75 368	0.86 323	0.66 361	0.42 319	1.15 339	0.98 367	1.14 285	1.19 329	1.01 304	1.02 233	1.10 307	0.90 320	1.15 329	0.76 282	0.48 369	0.39 371	0.57 376	0.38 353	0.63 378	0.46 363
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
MSC_U_SF_DS_RVC	1.34 372	0.87 377	1.76 384	0.86 378	0.56 360	4.29 410	1.79 408	1.50 368	1.98 382	1.61 365	1.85 362	1.84 371	1.41 369	1.89 382	1.36 363	0.48 369	0.40 373	0.56 375	0.57 382	0.69 379	0.48 369

NVStereoNet_ROB	1.24 369	0.90 379	1.13 346	0.86 378	0.88 378	1.11 333	0.99 369	1.42 359	1.53 366	1.59 364	2.48 378	2.24 380	1.53 373	1.96 386	1.30 361	0.76 387	0.70 392	0.78 382	1.00 400	0.71 380	0.88 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MADNet+	2.23 398	2.43 414	10.85 415	1.22 390	0.91 380	2.76 395	1.40 396	2.12 392	1.67 376	1.32 351	1.74 356	1.86 374	1.74 383	6.25 414	4.41 403	0.65 382	0.64 391	0.58 378	0.54 381	0.80 381	0.76 383

MFMNet_re	1.14 360	0.97 386	1.19 354	0.99 382	0.95 382	1.25 351	1.22 384	1.39 354	1.55 368	1.69 372	1.67 352	1.21 319	1.53 373	1.12 327	0.99 334	0.87 391	0.75 399	0.79 383	0.75 390	0.90 382	0.94 391

anonymity	0.97 343	0.89 378	1.05 338	0.92 380	1.03 388	0.97 309	0.81 351	1.29 335	0.91 234	1.07 323	0.98 215	1.00 280	0.95 333	1.02 311	0.92 323	0.96 392	0.95 410	0.90 385	0.91 398	0.92 383	0.94 391

UDG	0.88 332	0.82 375	0.67 276	1.00 384	0.96 383	1.02 318	0.57 304	1.13 279	0.99 269	0.90 258	0.97 214	1.31 330	0.99 337	0.85 265	0.84 296	0.54 379	0.32 352	1.77 395	0.40 359	0.94 384	0.66 381

SGM+DAISY	1.35 374	0.94 382	1.25 360	0.96 381	1.00 387	1.52 368	1.02 372	1.34 344	1.21 332	2.64 395	2.65 385	2.44 384	1.56 376	1.64 372	1.26 358	0.97 393	0.95 410	0.90 385	0.90 395	0.94 384	0.96 394

SPS-STEREO	1.25 370	0.93 380	1.06 339	1.04 385	1.03 388	1.41 360	0.91 363	1.51 371	1.19 329	2.09 384	1.83 360	1.94 375	1.39 368	1.62 369	1.39 364	0.97 393	0.94 409	0.90 385	0.89 394	0.96 386	0.96 394
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	2.78 401	1.26 392	7.04 411	1.16 388	1.48 395	8.00 418	6.02 419	2.60 396	1.92 381	2.12 385	2.64 384	3.34 397	3.05 407	6.49 415	3.39 395	0.78 388	0.76 400	0.75 381	0.76 391	0.97 387	1.18 405

WAO-7	1.90 390	1.20 391	1.35 368	1.27 391	1.06 391	2.84 398	1.56 402	3.23 403	3.06 400	2.23 388	3.33 397	3.17 394	2.28 396	3.12 400	2.21 383	1.02 395	0.91 405	1.06 389	1.03 403	1.04 388	0.97 397

Consistency-Raft	1.01 346	0.81 372	1.24 359	0.84 377	0.97 384	0.81 277	0.84 355	1.30 338	1.59 370	1.05 317	1.68 353	1.12 311	0.91 321	0.92 288	1.11 346	0.65 382	0.74 395	0.79 383	0.90 395	1.06 389	0.79 386

DDUNet	1.06 354	2.56 417	0.68 279	1.21 389	1.26 393	1.03 321	0.69 331	1.11 274	0.94 251	0.96 283	1.22 294	1.27 324	0.82 303	0.93 293	0.72 276	0.84 389	0.38 367	1.99 398	0.60 384	1.10 390	0.85 388

SQANet	0.82 322	0.74 367	0.67 276	1.13 387	0.98 386	1.11 333	0.47 252	1.07 260	0.83 189	0.91 263	1.05 245	1.03 290	0.74 279	1.01 306	0.64 257	0.61 381	0.24 312	1.03 388	0.35 348	1.18 391	0.58 379

otaku	1.04 351	0.93 380	0.88 325	1.33 393	1.05 390	1.66 375	0.70 336	1.40 357	1.18 327	1.08 326	1.32 312	1.33 337	0.91 321	1.23 339	0.76 282	0.72 385	0.46 384	1.24 390	0.50 377	1.40 392	0.75 382

Ntro	1.09 358	0.97 386	0.91 327	1.44 394	1.19 392	1.69 378	0.80 350	1.35 347	1.25 341	1.00 299	1.29 308	1.31 330	0.97 335	1.26 342	0.84 296	0.84 389	0.43 379	1.36 391	0.50 377	1.56 393	0.78 384

PWCK	1.92 391	1.66 406	3.12 398	1.65 395	0.91 380	2.84 398	2.26 413	2.10 391	2.41 392	2.36 391	2.31 372	2.22 379	1.82 385	3.43 403	2.03 380	1.61 406	0.71 394	1.51 392	0.82 393	1.69 394	0.91 390

RainbowNet	1.35 374	1.49 398	1.19 354	1.88 400	1.45 394	1.48 365	1.07 375	1.61 379	1.55 368	1.20 342	1.59 346	1.54 361	1.13 349	1.34 352	0.97 330	1.36 403	0.70 392	1.82 396	0.79 392	1.71 395	1.07 399

WAO-6	2.04 395	1.50 399	1.16 348	1.70 396	1.67 401	2.69 392	1.44 399	3.06 400	3.63 405	1.98 381	3.27 394	3.54 400	2.07 394	2.36 394	2.22 385	1.31 402	0.91 405	2.04 403	1.22 410	1.73 396	1.27 407

ACVNet_2	1.65 387	1.27 393	1.41 375	1.75 397	1.62 397	2.22 387	1.20 381	2.30 394	2.62 393	1.78 374	2.56 380	3.03 390	1.61 378	1.54 362	1.12 349	1.06 396	0.58 390	1.82 396	0.70 389	1.82 397	0.96 394

WAO-8	2.92 402	1.55 401	1.35 368	1.79 398	1.63 399	5.23 412	1.22 384	4.58 413	12.56 417	2.84 400	4.07 408	4.83 405	2.72 403	3.49 404	2.25 386	1.27 397	0.91 405	1.99 398	1.15 408	1.86 398	1.15 401

Venus	2.92 402	1.55 401	1.35 368	1.79 398	1.63 399	5.23 412	1.22 384	4.58 413	12.56 417	2.84 400	4.06 407	4.83 405	2.72 403	3.49 404	2.25 386	1.27 397	0.91 405	1.99 398	1.15 408	1.86 398	1.15 401

Dean	1.98 392	1.36 396	1.36 372	2.12 404	1.81 404	2.74 393	1.36 394	3.37 407	3.80 406	2.08 383	3.32 396	3.21 395	1.82 385	1.71 376	1.67 368	1.27 397	0.77 401	1.99 398	0.90 395	1.86 398	1.03 398

ACVNet-4b	1.35 374	1.31 394	1.10 342	1.90 401	1.59 396	1.92 382	0.77 346	1.52 374	1.62 374	1.05 317	1.60 347	2.11 378	0.94 330	1.64 372	0.77 286	1.30 400	0.35 362	2.03 402	0.67 387	1.88 401	0.84 387

LVE	2.12 397	1.44 397	1.36 372	1.99 403	1.78 402	2.75 394	1.79 408	2.82 397	3.95 407	1.90 379	4.33 410	3.52 399	1.81 384	2.24 392	1.74 371	1.74 408	0.87 404	2.06 404	1.13 406	1.91 402	1.35 408

ACVNet_1	1.46 379	1.33 395	1.12 345	1.91 402	1.62 397	1.83 381	0.98 367	2.00 390	1.85 380	1.39 356	1.53 342	2.32 382	1.53 373	1.34 352	1.11 346	1.30 400	0.50 386	2.06 404	0.58 383	1.93 403	0.95 393

IMH-64-1	1.86 388	1.62 403	1.16 348	2.20 405	1.89 405	2.33 388	1.30 389	2.89 398	2.29 388	1.66 369	2.80 388	2.49 385	1.61 378	2.10 389	1.78 374	1.60 404	0.74 395	2.43 408	1.02 401	2.12 404	1.17 403

IMH-64	1.86 388	1.62 403	1.16 348	2.20 405	1.89 405	2.33 388	1.30 389	2.89 398	2.29 388	1.66 369	2.80 388	2.49 385	1.61 378	2.10 389	1.78 374	1.60 404	0.74 395	2.43 408	1.02 401	2.12 404	1.17 403

IMH	2.04 395	1.62 403	1.20 357	2.20 405	1.89 405	2.91 403	1.30 389	3.11 401	3.03 398	1.81 375	3.35 398	3.03 390	1.90 388	2.48 396	1.80 376	1.66 407	0.77 401	2.45 410	1.04 404	2.15 406	1.19 406

DispFullNet	1.60 384	2.63 418	2.75 396	2.56 411	1.79 403	1.24 350	0.47 252	1.37 352	1.45 361	1.87 376	1.50 339	1.55 362	2.46 397	2.04 388	1.04 341	0.59 380	0.18 260	2.32 407	0.68 388	2.29 407	1.14 400

TorneroNet-64	3.44 405	1.86 407	1.42 376	2.58 412	2.28 410	6.87 415	1.68 404	4.70 415	12.03 414	2.31 390	5.59 416	8.25 416	2.55 400	3.97 409	2.73 390	1.81 409	0.74 395	2.57 412	1.07 405	2.35 408	1.44 409

TorneroNet	4.53 413	1.89 408	1.48 378	2.55 410	2.27 409	13.78 423	1.69 405	4.84 417	23.73 431	2.89 403	7.70 418	7.06 415	2.69 402	4.26 411	3.42 396	1.84 410	0.77 401	2.68 414	1.13 406	2.42 409	1.47 410

ktn	2.98 404	2.25 412	1.73 383	2.84 414	2.53 415	3.76 409	2.15 412	3.70 409	5.47 410	2.75 397	5.17 415	5.94 412	2.48 398	3.23 401	2.46 389	2.34 417	1.44 416	2.78 416	2.03 416	2.45 410	2.01 414

DPSimNet_ROB	3.58 408	2.45 415	8.57 413	2.53 409	2.37 411	2.88 401	3.77 418	3.14 402	3.23 401	4.71 415	3.86 403	4.68 403	4.87 415	4.07 410	5.62 407	2.33 416	2.33 418	2.47 411	2.52 417	2.51 411	2.64 417

KSHMR	2.57 399	1.93 409	1.69 381	2.63 413	2.42 412	2.86 400	2.07 411	3.27 405	6.50 411	2.49 394	3.36 399	3.41 398	1.92 389	2.49 397	1.94 377	2.13 413	1.40 415	2.79 417	1.50 413	2.73 412	1.77 411

UNDER WATER-64	3.53 407	2.01 410	3.94 403	3.22 418	2.49 414	5.41 414	2.60 416	3.43 408	12.41 416	3.03 405	2.68 386	6.07 413	4.04 412	3.79 408	3.33 394	2.02 411	1.24 414	2.63 413	1.46 412	2.78 413	2.08 415

SuperB	1.04 351	0.37 292	4.81 407	0.43 192	0.31 246	0.99 314	0.46 247	1.02 244	2.09 384	1.09 328	1.09 261	0.75 208	0.81 299	1.06 316	1.76 372	0.19 205	0.15 208	0.17 89	0.15 98	2.82 414	0.26 279

UNDER WATER	3.46 406	2.07 411	3.64 402	3.09 416	2.48 413	3.75 408	2.42 415	3.31 406	13.77 419	2.90 404	2.95 391	5.84 410	3.69 411	3.69 406	3.48 398	2.07 412	1.11 412	2.70 415	1.40 411	2.84 415	1.98 413

notaker	2.76 400	2.29 413	1.80 386	2.96 415	2.58 416	2.90 402	1.75 406	3.24 404	3.05 399	2.78 398	4.24 409	6.15 414	2.51 399	3.34 402	2.75 391	2.31 415	1.18 413	3.00 418	1.65 414	2.84 415	1.97 412

SPstereo	24.26 427	4.19 420	6.66 410	4.29 421	3.79 420	45.68 434	78.09 440	63.52 441	33.36 440	27.50 436	26.65 429	39.53 439	33.55 439	42.77 441	51.02 435	3.90 419	3.72 422	5.95 424	4.66 421	3.15 417	3.30 420

HanzoNet	6.76 418	2.45 415	4.22 405	3.19 417	2.94 418	3.62 407	2.28 414	4.79 416	7.20 412	14.00 424	13.19 423	17.49 424	22.30 429	13.25 422	6.19 409	4.20 420	1.93 417	3.10 419	2.56 418	3.35 418	2.88 419

JetRed	5.27 415	5.84 421	12.81 419	2.36 408	2.83 417	12.23 422	10.50 421	4.46 412	3.60 403	3.86 411	3.83 402	4.85 407	4.18 413	6.78 416	11.96 417	2.17 414	2.96 420	2.18 406	1.97 415	3.38 419	2.68 418

MADNet++	4.03 409	2.70 419	3.44 401	3.72 420	3.44 419	4.44 411	3.52 417	3.95 411	3.61 404	4.46 412	4.98 414	4.10 401	4.58 414	7.00 417	5.89 408	3.74 418	3.67 421	3.27 420	2.71 419	3.70 420	3.66 421

tt	6.20 416	0.20 74	5.89 408	3.55 419	2.07 408	11.26 421	19.21 422	11.74 422	5.46 409	2.69 396	2.04 370	4.87 408	6.25 416	3.70 407	7.09 413	8.32 424	11.17 428	4.93 421	5.41 423	5.74 421	2.37 416

DPSMNet_ROB	12.08 421	8.00 422	21.00 421	8.97 424	16.79 423	10.67 419	30.89 427	9.02 421	15.17 422	6.51 417	15.41 427	9.04 417	14.85 420	9.27 420	21.67 424	4.58 422	8.57 423	5.09 423	9.29 425	5.90 422	10.95 424

DGTPSM_ROB	12.07 420	8.00 422	20.99 420	8.93 423	16.78 422	10.67 419	30.87 426	9.01 420	15.16 421	6.50 416	15.41 427	9.04 417	14.85 420	9.25 419	21.67 424	4.57 421	8.57 423	5.08 422	9.28 424	5.90 422	10.95 424

PML	40.80 441	29.24 431	11.87 418	7.20 422	14.47 421	92.13 441	213.69 442	7.63 419	23.35 430	74.72 441	190.14 442	50.17 441	26.15 431	21.39 426	12.70 418	8.76 425	2.92 419	8.45 425	3.25 420	13.26 424	4.42 422

DPSM_ROB	17.78 423	18.63 426	24.31 427	20.90 426	19.47 424	25.97 426	36.21 429	21.23 430	16.24 424	13.38 422	14.06 425	19.18 427	16.30 423	20.78 424	25.67 427	9.38 426	9.23 426	9.49 426	9.82 426	13.51 425	11.91 427

DPSM	17.78 423	18.63 426	24.31 427	20.90 426	19.47 424	25.97 426	36.21 429	21.23 430	16.24 424	13.38 422	14.06 425	19.18 427	16.30 423	20.78 424	25.67 427	9.38 426	9.23 426	9.49 426	9.82 426	13.51 425	11.91 427

MyStereo03	35.77 431	37.55 437	48.75 435	42.19 432	39.18 431	52.27 436	73.13 437	42.32 435	32.61 433	27.03 433	28.40 434	38.50 433	32.89 434	41.62 435	51.63 437	18.78 433	18.59 436	19.11 428	19.80 430	27.18 427	23.95 429

MyStereo02	35.77 431	37.55 437	48.75 435	42.19 432	39.18 431	52.27 436	73.13 437	42.32 435	32.61 433	27.03 433	28.40 434	38.50 433	32.89 434	41.62 435	51.63 437	18.78 433	18.59 436	19.11 428	19.80 430	27.18 427	23.95 429

MyStereo	35.77 431	37.55 437	48.75 435	42.19 432	39.18 431	52.27 436	73.13 437	42.32 435	32.61 433	27.03 433	28.40 434	38.50 433	32.89 434	41.62 435	51.63 437	18.78 433	18.59 436	19.11 428	19.80 430	27.18 427	23.95 429

CasAABBNet	35.74 430	37.43 435	48.72 434	42.22 435	39.20 434	52.24 435	73.12 436	42.61 438	32.62 437	26.78 430	27.95 430	38.58 436	32.60 433	41.67 438	51.65 440	18.74 432	18.57 434	19.15 432	19.77 429	27.20 430	23.98 432

Selective-RAFT-Error	35.84 434	37.49 436	48.83 438	42.26 436	39.24 435	52.30 439	73.09 435	42.66 439	32.61 433	26.80 431	28.30 433	38.84 438	33.51 438	41.68 439	51.59 436	18.82 436	18.58 435	19.17 433	19.80 430	27.28 431	24.05 433

LSM0	38.95 440	37.60 440	48.58 433	43.57 437	91.06 441	52.57 440	72.57 434	43.17 440	32.63 438	26.97 432	27.97 431	38.65 437	32.94 437	41.86 440	51.78 441	18.89 437	18.41 430	19.13 431	19.63 428	27.29 432	33.77 435

xxxxx1	36.64 435	19.51 428	24.21 424	61.66 438	64.63 438	27.28 429	40.10 431	20.25 425	18.63 427	14.07 425	12.97 420	17.26 421	17.36 425	21.70 427	27.93 429	13.18 428	18.50 431	111.26 439	133.37 439	29.24 433	39.73 436

tt_ll	36.64 435	19.51 428	24.21 424	61.66 438	64.63 438	27.28 429	40.10 431	20.25 425	18.63 427	14.07 425	12.97 420	17.26 421	17.36 425	21.70 427	27.93 429	13.18 428	18.50 431	111.26 439	133.37 439	29.24 433	39.73 436

ff	36.64 435	19.51 428	24.21 424	61.66 438	64.63 438	27.28 429	40.10 431	20.25 425	18.63 427	14.07 425	12.97 420	17.26 421	17.36 425	21.70 427	27.93 429	13.18 428	18.50 431	111.26 439	133.37 439	29.24 433	39.73 436

LRCNet_RVC	21.24 426	31.15 432	21.41 422	28.98 429	23.82 427	3.13 405	0.60 309	20.96 429	1.59 370	25.58 429	28.15 432	21.99 429	14.79 419	21.94 430	16.41 421	28.89 438	14.87 429	33.53 434	31.28 434	29.51 436	26.16 434

HaxPig	31.96 428	37.24 434	34.27 429	24.37 428	24.88 428	18.26 424	19.86 423	20.64 428	28.52 432	35.97 438	38.75 438	25.57 430	28.72 432	33.88 432	34.39 432	35.94 439	38.87 439	37.80 435	40.48 435	39.68 437	41.15 439

AVERAGE_ROB	37.58 439	40.13 441	40.15 431	34.81 431	33.82 430	28.55 432	25.10 425	32.02 434	34.06 441	41.28 439	40.66 439	34.46 432	34.81 441	39.18 433	37.57 434	42.78 440	43.44 440	43.82 436	43.03 436	40.47 438	41.51 440

MEDIAN_ROB	37.38 438	40.85 442	40.60 432	32.31 430	31.85 429	27.20 428	24.55 424	29.10 433	33.19 439	42.09 440	41.76 440	33.35 431	34.39 440	39.78 434	37.07 433	43.64 441	44.10 441	44.12 437	43.40 437	41.51 439	42.76 441

DLNR_Zeroshot_test	20.09 425	36.28 433	38.04 430	169.85 441	61.80 437	0.23 6	0.20 1	13.88 424	0.37 33	0.44 47	0.66 78	0.43 59	0.21 5	0.62 144	0.28 46	5.46 423	0.10 9	0.15 45	0.11 18	72.60 440	0.11 11

Anonymous_1	33.25 429	18.26 425	23.92 423	20.54 425	21.28 426	25.59 425	35.94 428	22.01 432	15.57 423	13.33 421	13.49 424	18.08 425	15.29 422	20.36 423	24.60 426	16.28 431	8.84 425	66.59 438	118.00 438	155.73 441	11.23 426

test_example2	176.61 442	205.14 443	198.86 442	188.60 442	190.98 442	152.67 442	170.61 441	94.86 442	123.55 442	178.88 442	179.48 441	158.94 442	141.34 442	192.61 442	198.96 442	203.76 442	236.37 442	164.13 442	173.55 442	218.58 442	160.41 442

ASD4		8.86 424

Low-res two-view benchmark