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

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

MoCha-V2	0.08 2	0.06 20	0.08 12	0.35 381	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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

CroCo-Stereo Lap2	0.09 14	0.09 195	0.08 12	0.22 310	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
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

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

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

CroCo-Stereo	0.09 14	0.08 144	0.08 12	0.22 310	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
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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

test_3	0.10 54	0.09 195	0.10 48	0.20 273	0.08 50	0.13 135	0.26 347	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

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

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

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

cross-raft	0.10 54	0.09 195	0.09 31	0.19 231	0.07 20	0.11 85	0.25 341	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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

Selective-RAFT	0.11 85	0.10 243	0.11 74	0.21 297	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

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

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

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

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

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

GMOStereo	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 359	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	0.28 359	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	0.28 359	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

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

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

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	0.15 348

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

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

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

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

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

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

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	0.14 340

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

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	0.16 359

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

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

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

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

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

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

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

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

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

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	0.41 347	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

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	0.36 313	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

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

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

test-2	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 359	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

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

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

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

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

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

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
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

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

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

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

RAFT_CTSACE	0.12 140	0.09 195	0.10 48	0.22 310	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-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

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

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

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

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

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

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

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

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

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

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

sCroCo_RVC	0.12 140	0.09 195	0.23 305	0.24 334	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

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

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

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

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

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

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	0.38 314	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

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

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

StereoVision	0.13 162	0.12 277	0.09 31	0.24 334	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	0.11 325	0.12 315	0.12 329	0.06 103	0.05 53

LL-Strereo	0.13 162	0.09 195	0.11 74	0.20 273	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

CASS	0.13 162	0.12 277	0.11 74	0.23 329	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.
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

TestStereo1	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 367	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

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

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

RAFT+CT+SA	0.13 162	0.11 263	0.09 31	0.19 231	0.09 135	0.15 181	0.28 359	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

SA-5K	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 367	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

GwcNet-ADL	0.13 162	0.08 144	0.14 159	0.20 273	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

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

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

TestStereo	0.13 162	0.14 310	0.11 74	0.23 329	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

sAnonymous2	0.13 162	0.12 277	0.24 308	0.20 273	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	0.20 273	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

RAFT + AFF	0.13 162	0.07 72	0.20 286	0.20 273	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

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
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

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

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

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

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

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

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

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

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

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

whm_eth	0.14 191	0.09 195	0.20 286	0.20 273	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

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

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	0.36 303	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

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

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

BUS	0.14 191	0.09 195	0.14 159	0.22 310	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

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

test_5	0.14 191	0.12 277	0.08 12	0.20 273	0.10 221	0.14 159	0.29 367	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

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

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

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

Anonymous	0.14 191	0.10 243	0.24 308	0.22 310	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

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

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

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

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

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	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

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

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	0.36 303	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

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
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

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

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

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

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

1111x	0.15 225	0.08 144	0.12 94	0.18 184	0.07 20	0.18 239	0.25 341	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

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

BSDual-CNN	0.15 225	0.09 195	0.14 159	0.22 310	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

hknet	0.15 225	0.11 263	0.13 133	0.22 310	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

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

PSMNet-ADL	0.15 225	0.12 277	0.13 133	0.22 310	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

LMCR-Stereo	0.15 225	0.08 144	0.13 133	0.21 297	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

ICVP	0.15 225	0.09 195	0.12 94	0.22 310	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)
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	0.26 335	0.09 241	0.05 110	0.07 102	0.07 165	0.08 204	0.07 163

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	0.26 335	0.09 241	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

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

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

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.
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	0.37 342	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

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

GMStereo_Zeroshot	0.16 243	0.13 298	0.24 308	0.20 273	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

iinet-f	0.16 243	0.06 20	0.45 364	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

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

NINENet	0.16 243	0.10 243	0.15 196	0.17 117	0.11 259	0.19 259	0.14 71	0.40 358	0.36 303	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

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

AASNet	0.16 243	0.08 144	0.12 94	0.19 231	0.09 135	0.18 239	0.15 117	0.37 343	0.37 309	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

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

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	0.39 317	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

Anonymous3	0.16 243	0.13 298	0.33 342	0.26 350	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

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

HCRNet	0.16 243	0.24 366	0.12 94	0.35 381	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

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	0.40 382	0.10 272	0.05 110	0.07 102	0.06 90	0.07 160	0.08 223

UPFNet	0.16 243	0.08 144	0.12 94	0.20 273	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

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

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-RVC-Resample	0.16 243	0.11 263	0.31 337	0.22 310	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

FADNet_RVC	0.16 243	0.14 310	0.40 359	0.20 273	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

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	0.35 310	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

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

ToySt	0.17 262	0.11 263	0.18 269	0.17 117	0.11 259	0.16 205	0.25 341	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

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

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	0.18 368	0.09 297	0.11 300	0.09 256	0.11 294	0.07 163

GEStereo_RVC	0.17 262	0.12 277	0.15 196	0.22 310	0.11 259	0.19 259	0.17 196	0.32 292	0.48 351	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

MMNet	0.17 262	0.09 195	0.16 226	0.20 273	0.11 259	0.27 336	0.20 282	0.25 209	0.41 326	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

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	0.37 309	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

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

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

DMCA-RVC	0.17 262	0.10 243	0.15 196	0.24 334	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

TDLM	0.17 262	0.12 277	0.13 133	0.24 334	0.10 221	0.18 239	0.18 236	0.36 338	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

NLCA_NET_v2_RVC	0.17 262	0.10 243	0.22 296	0.20 273	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.
StereoDRNet-Refined	0.17 262	0.12 277	0.15 196	0.20 273	0.09 135	0.18 239	0.18 236	0.26 221	0.23 187	0.26 306	0.40 337	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
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

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	0.16 363	0.21 369	0.17 362	0.10 279	0.08 223

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	0.39 317	0.25 301	0.42 352	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

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	0.14 340

psm_up	0.18 274	0.10 243	0.18 269	0.20 273	0.11 259	0.17 224	0.19 267	0.37 343	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

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

STTStereo	0.18 274	0.12 277	0.27 321	0.20 273	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	0.11 325	0.11 300	0.14 342	0.09 252	0.08 223

CVANet_RVC	0.18 274	0.10 243	0.14 159	0.21 297	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	0.22 310	0.11 259	0.21 285	0.22 308	0.37 343	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

DLCB_ROB	0.18 274	0.10 243	0.15 196	0.23 329	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

SDNR	0.19 284	0.08 144	0.19 278	0.16 70	0.12 288	0.77 405	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	0.18 370	0.14 339	0.11 311	0.08 204	0.11 298

pcwnet_v2	0.19 284	0.10 243	0.26 315	0.17 117	0.14 323	0.18 239	0.15 117	0.37 343	0.46 349	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	0.13 323

ADCRef	0.19 284	0.12 277	0.41 361	0.20 273	0.12 288	0.22 293	0.18 236	0.32 292	0.36 303	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

NVstereo2D	0.19 284	0.10 243	0.15 196	0.17 117	0.15 334	0.28 342	0.23 318	0.44 373	0.42 332	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

DRN-Test	0.19 284	0.11 263	0.20 286	0.22 310	0.10 221	0.22 293	0.22 308	0.39 354	0.37 309	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

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	0.44 341	0.22 268	0.31 285	0.33 326	0.26 319	0.28 333	0.28 350	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.09 256

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	0.17 368	0.22 373	0.20 368	0.10 279	0.11 298

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	0.18 370	0.23 374	0.21 370	0.12 308	0.13 323

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	0.15 360	0.17 356	0.16 355	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
GwcNet	0.20 293	0.13 298	0.19 278	0.18 184	0.12 288	0.24 311	0.19 267	0.35 332	0.43 337	0.20 247	0.32 289	0.33 326	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

FAT-Stereo	0.20 293	0.12 277	0.22 296	0.21 297	0.12 288	0.17 224	0.18 236	0.34 319	0.39 317	0.27 312	0.37 319	0.34 332	0.32 355	0.21 282	0.20 268	0.09 241	0.11 325	0.10 273	0.09 256	0.11 294	0.14 340

FADNet-RVC	0.20 293	0.20 352	0.38 355	0.21 297	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	0.13 347	0.12 315	0.14 342	0.13 325	0.18 368

S-Stereo	0.20 293	0.12 277	0.25 314	0.21 297	0.13 306	0.20 271	0.18 236	0.32 292	0.43 337	0.23 280	0.36 313	0.28 289	0.30 347	0.19 247	0.22 296	0.09 241	0.12 334	0.10 273	0.10 288	0.13 325	0.13 323

SuperB	0.20 293	0.10 243	0.56 378	0.16 70	0.09 135	0.18 239	0.18 236	0.24 196	0.50 358	0.26 306	0.39 332	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

ADCP+	0.20 293	0.10 243	0.33 342	0.20 273	0.12 288	0.22 293	0.26 347	0.31 283	0.34 291	0.26 306	0.37 319	0.22 239	0.22 296	0.27 322	0.27 342	0.09 241	0.06 195	0.08 166	0.08 215	0.09 252	0.10 275

PS-NSSS	0.20 293	0.21 358	0.23 305	0.20 273	0.10 221	0.19 259	0.17 196	0.36 338	0.25 216	0.27 312	0.33 302	0.27 282	0.24 308	0.20 266	0.20 268	0.15 351	0.12 334	0.17 356	0.14 342	0.10 279	0.08 223

PWCDC_ROB	0.20 293	0.13 298	0.22 296	0.24 334	0.11 259	0.19 259	0.15 117	0.33 309	0.54 367	0.29 329	0.50 367	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

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	0.16 363	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
UDG	0.21 302	0.17 334	0.19 278	0.23 329	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	0.12 334	0.13 329	0.09 256	0.14 337	0.14 340

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	0.48 351	0.25 301	0.32 289	0.22 239	0.22 296	0.22 293	0.17 239	0.18 368	0.16 363	0.11 300	0.10 288	0.15 348	0.13 323

Syn2CoEx	0.21 302	0.16 323	0.27 321	0.29 371	0.14 323	0.26 329	0.20 282	0.33 309	0.31 268	0.28 323	0.36 313	0.27 282	0.25 316	0.19 247	0.24 316	0.16 362	0.12 334	0.14 339	0.11 311	0.09 252	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	0.15 360	0.12 315	0.15 353	0.16 355	0.18 368

RP	0.21 302	0.13 298	0.21 291	0.23 329	0.11 259	0.21 285	0.20 282	0.25 209	0.44 341	0.21 255	0.38 324	0.36 338	0.24 308	0.27 322	0.25 325	0.11 293	0.12 334	0.13 329	0.12 329	0.12 308	0.14 340

DANet	0.21 302	0.15 316	0.28 326	0.25 345	0.13 306	0.22 293	0.19 267	0.27 239	0.27 236	0.28 323	0.32 289	0.35 336	0.31 351	0.31 344	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
GANet	0.21 302	0.12 277	0.21 291	0.24 334	0.13 306	0.22 293	0.22 308	0.41 363	0.26 229	0.31 338	0.42 352	0.37 342	0.28 335	0.23 304	0.22 296	0.10 272	0.12 334	0.10 273	0.09 256	0.10 279	0.08 223

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	0.49 356	0.30 332	0.40 337	0.32 323	0.24 308	0.31 344	0.22 296	0.10 272	0.07 252	0.11 300	0.08 215	0.11 294	0.10 275

PSMNet_ROB	0.21 302	0.11 263	0.15 196	0.27 361	0.15 334	0.24 311	0.35 384	0.43 371	0.37 309	0.27 312	0.32 289	0.32 323	0.22 296	0.21 282	0.26 335	0.12 317	0.08 274	0.13 329	0.11 311	0.09 252	0.09 256

GASNet	0.22 311	0.23 363	0.33 342	0.26 350	0.17 357	0.26 329	0.16 175	0.44 373	0.42 332	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

Anonymous_2	0.22 311	0.17 334	0.28 326	0.15 39	0.16 344	0.32 351	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	0.22 380	0.25 388	0.17 356	0.17 362	0.17 362	0.17 366

Wz-Net-LNSev	0.22 311	0.16 323	0.38 355	0.21 297	0.13 306	0.25 321	0.23 318	0.32 292	0.43 337	0.30 332	0.41 347	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

Wz-Net-MNSev	0.22 311	0.13 298	0.31 337	0.20 273	0.14 323	0.36 369	0.24 327	0.33 309	0.44 341	0.28 323	0.40 337	0.38 346	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

DDUNet	0.22 311	0.17 334	0.21 291	0.22 310	0.15 334	0.25 321	0.24 327	0.29 263	0.30 262	0.31 338	0.36 313	0.33 326	0.25 316	0.24 312	0.20 268	0.18 368	0.13 347	0.17 356	0.11 311	0.16 355	0.16 359

APVNet	0.22 311	0.12 277	0.19 278	0.18 184	0.14 323	0.32 351	0.31 380	0.39 354	0.32 274	0.27 312	0.40 337	0.30 304	0.29 343	0.26 319	0.25 325	0.11 293	0.12 334	0.11 300	0.14 342	0.12 308	0.12 309

aanetorigin	0.22 311	0.17 334	0.56 378	0.17 117	0.10 221	0.15 181	0.19 267	0.20 128	0.33 280	0.49 378	0.48 362	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

MaskLacGwcNet_RVC	0.22 311	0.21 358	0.24 308	0.26 350	0.11 259	0.23 306	0.14 71	0.39 354	0.24 197	0.32 344	0.36 313	0.30 304	0.21 287	0.19 247	0.21 287	0.17 366	0.14 354	0.21 369	0.16 355	0.12 308	0.12 309

AF-Net	0.22 311	0.17 334	0.17 251	0.26 350	0.13 306	0.25 321	0.24 327	0.32 292	0.50 358	0.25 301	0.33 302	0.38 346	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

stereogan	0.22 311	0.11 263	0.21 291	0.20 273	0.12 288	0.31 350	0.19 267	0.35 332	0.44 341	0.22 268	0.39 332	0.35 336	0.27 327	0.33 352	0.22 296	0.10 272	0.12 334	0.10 273	0.10 288	0.14 337	0.13 323

edge stereo	0.22 311	0.13 298	0.20 286	0.21 297	0.13 306	0.23 306	0.16 175	0.32 292	0.42 332	0.32 344	0.40 337	0.38 346	0.35 362	0.25 317	0.24 316	0.13 337	0.11 325	0.14 339	0.11 311	0.12 308	0.13 323

RYNet	0.22 311	0.12 277	0.22 296	0.19 231	0.17 357	0.46 376	0.26 347	0.38 350	0.48 351	0.24 288	0.28 262	0.34 332	0.23 302	0.20 266	0.30 357	0.10 272	0.06 195	0.09 232	0.09 256	0.13 325	0.15 348

NaN_ROB	0.22 311	0.19 347	0.24 308	0.25 345	0.13 306	0.29 345	0.26 347	0.33 309	0.41 326	0.31 338	0.31 285	0.32 323	0.23 302	0.30 343	0.21 287	0.11 293	0.17 368	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	0.37 370	0.19 267	0.43 371	0.41 326	0.39 360	0.39 332	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

XPNet_ROB	0.22 311	0.11 263	0.19 278	0.22 310	0.13 306	0.22 293	0.19 267	0.34 319	0.40 323	0.30 332	0.39 332	0.39 354	0.26 319	0.26 319	0.28 350	0.15 351	0.10 315	0.10 273	0.10 288	0.13 325	0.12 309

SQANet	0.23 326	0.23 363	0.30 335	0.30 373	0.19 366	0.27 336	0.13 44	0.29 263	0.33 280	0.24 288	0.37 319	0.31 314	0.22 296	0.27 322	0.23 306	0.15 351	0.10 315	0.21 369	0.16 355	0.21 371	0.15 348

Nwc_Net	0.23 326	0.16 323	0.21 291	0.25 345	0.14 323	0.24 311	0.26 347	0.37 343	0.38 314	0.22 268	0.41 347	0.30 304	0.28 335	0.28 333	0.25 325	0.11 293	0.10 315	0.17 356	0.20 368	0.10 279	0.10 275

RTSC	0.23 326	0.12 277	0.28 326	0.21 297	0.13 306	0.28 342	0.16 175	0.35 332	0.66 386	0.27 312	0.33 302	0.30 304	0.21 287	0.31 344	0.29 353	0.10 272	0.08 274	0.09 232	0.10 288	0.13 325	0.13 323

PA-Net	0.23 326	0.18 344	0.33 342	0.28 364	0.22 373	0.21 285	0.38 389	0.29 263	0.39 317	0.22 268	0.32 289	0.25 267	0.26 319	0.20 266	0.25 325	0.09 241	0.23 386	0.15 347	0.22 373	0.09 252	0.13 323
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.23 326	0.19 347	0.50 370	0.24 334	0.17 357	0.21 285	0.21 298	0.33 309	0.44 341	0.25 301	0.34 306	0.26 275	0.18 260	0.31 344	0.27 342	0.13 337	0.12 334	0.12 315	0.13 338	0.11 294	0.14 340

NCCL2	0.23 326	0.15 316	0.17 251	0.34 379	0.18 364	0.24 311	0.23 318	0.34 319	0.28 247	0.31 338	0.38 324	0.38 346	0.28 335	0.23 304	0.24 316	0.15 351	0.12 334	0.18 364	0.21 370	0.13 325	0.13 323

ETE_ROB	0.23 326	0.17 334	0.22 296	0.25 345	0.13 306	0.26 329	0.29 367	0.31 283	0.36 303	0.28 323	0.36 313	0.45 368	0.26 319	0.27 322	0.26 335	0.11 293	0.08 274	0.12 315	0.09 256	0.14 337	0.13 323

SGM_RVC	0.23 326	0.12 277	0.15 196	0.15 39	0.09 135	0.33 357	0.18 236	0.34 319	0.31 268	0.44 374	0.37 319	0.53 381	0.35 362	0.35 361	0.24 316	0.13 337	0.13 347	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
DGSMNet	0.24 334	0.19 347	0.33 342	0.21 297	0.24 376	0.24 311	0.20 282	0.35 332	0.41 326	0.24 288	0.32 289	0.38 346	0.21 287	0.29 340	0.23 306	0.12 317	0.11 325	0.14 339	0.16 355	0.23 374	0.23 379

G-Net	0.24 334	0.16 323	0.36 351	0.22 310	0.16 344	0.51 382	0.23 318	0.29 263	0.34 291	0.36 352	0.38 324	0.31 314	0.29 343	0.27 322	0.26 335	0.11 293	0.09 297	0.12 315	0.09 256	0.16 355	0.13 323

NCC-stereo	0.24 334	0.15 316	0.31 337	0.26 350	0.16 344	0.20 271	0.30 374	0.40 358	0.40 323	0.24 288	0.38 324	0.33 326	0.28 335	0.36 366	0.27 342	0.12 317	0.11 325	0.15 347	0.22 373	0.13 325	0.13 323

Abc-Net	0.24 334	0.15 316	0.31 337	0.26 350	0.16 344	0.20 271	0.30 374	0.40 358	0.40 323	0.24 288	0.38 324	0.33 326	0.28 335	0.36 366	0.27 342	0.12 317	0.11 325	0.15 347	0.22 373	0.13 325	0.13 323
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 334	0.11 263	0.47 368	0.22 310	0.12 288	0.34 360	0.29 367	0.29 263	0.56 370	0.24 288	0.46 359	0.30 304	0.30 347	0.29 340	0.29 353	0.08 195	0.07 252	0.09 232	0.09 256	0.10 279	0.10 275

DeepPrunerF	0.24 334	0.17 334	0.42 362	0.26 350	0.16 344	0.22 293	0.28 359	0.37 343	0.50 358	0.26 306	0.29 273	0.24 257	0.28 335	0.21 282	0.22 296	0.15 351	0.11 325	0.20 368	0.18 366	0.12 308	0.13 323

FBW_ROB	0.24 334	0.17 334	0.22 296	0.26 350	0.14 323	0.25 321	0.22 308	0.41 363	0.41 326	0.41 367	0.41 347	0.42 360	0.27 327	0.31 344	0.23 306	0.09 241	0.14 354	0.14 339	0.12 329	0.11 294	0.09 256

SANet	0.24 334	0.14 310	0.28 326	0.21 297	0.11 259	0.27 336	0.24 327	0.38 350	0.64 383	0.36 352	0.40 337	0.43 364	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

WCMA_ROB	0.24 334	0.11 263	0.22 296	0.17 117	0.14 323	0.32 351	0.15 117	0.32 292	0.32 274	0.38 358	0.53 369	0.40 357	0.34 360	0.34 355	0.25 325	0.11 293	0.12 334	0.12 315	0.10 288	0.14 337	0.14 340

Wz-Net-SNSev	0.25 343	0.17 334	0.44 363	0.25 345	0.14 323	0.26 329	0.23 318	0.38 350	0.56 370	0.30 332	0.55 372	0.39 354	0.26 319	0.23 304	0.30 357	0.10 272	0.09 297	0.09 232	0.10 288	0.11 294	0.11 298

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	0.41 367	0.55 372	0.41 359	0.37 366	0.34 355	0.27 342	0.11 293	0.15 360	0.11 300	0.11 311	0.12 308	0.16 359

RGC	0.25 343	0.20 352	0.29 332	0.28 364	0.16 344	0.22 293	0.23 318	0.32 292	0.44 341	0.27 312	0.40 337	0.38 346	0.27 327	0.36 366	0.22 296	0.11 293	0.13 347	0.17 356	0.17 362	0.14 337	0.16 359

ADCMid	0.25 343	0.15 316	0.40 359	0.20 273	0.14 323	0.25 321	0.26 347	0.34 319	0.38 314	0.36 352	0.44 357	0.34 332	0.40 372	0.35 361	0.33 368	0.10 272	0.09 297	0.11 300	0.11 311	0.13 325	0.12 309

ADCPNet	0.25 343	0.16 323	0.61 382	0.21 297	0.15 334	0.35 368	0.25 341	0.32 292	0.35 298	0.30 332	0.40 337	0.36 338	0.28 335	0.28 333	0.32 365	0.12 317	0.10 315	0.11 300	0.12 329	0.14 337	0.13 323

STTRV1_RVC	0.25 343	0.26 372	0.39 357	0.19 231	0.26 383	0.30 348	0.24 327	0.34 319	0.35 298	0.36 352	0.34 306	0.31 314	0.31 351	0.28 333	0.25 325	0.17 366	0.10 315	0.16 353	0.14 342	0.17 362	0.12 309

LALA_ROB	0.25 343	0.16 323	0.22 296	0.26 350	0.17 357	0.27 336	0.27 354	0.42 368	0.37 309	0.33 348	0.38 324	0.51 378	0.26 319	0.28 333	0.27 342	0.16 362	0.09 297	0.12 315	0.11 311	0.13 325	0.12 309

SHD	0.26 350	0.15 316	0.30 335	0.24 334	0.18 364	0.22 293	0.15 117	0.38 350	0.71 390	0.32 344	0.41 347	0.36 338	0.28 335	0.32 350	0.29 353	0.12 317	0.11 325	0.14 339	0.13 338	0.16 355	0.20 374

AnyNet_C32	0.26 350	0.16 323	0.36 351	0.20 273	0.16 344	0.25 321	0.30 374	0.32 292	0.44 341	0.31 338	0.49 363	0.30 304	0.33 356	0.40 378	0.33 368	0.12 317	0.12 334	0.12 315	0.14 342	0.14 337	0.15 348

PDISCO_ROB	0.27 352	0.16 323	0.26 315	0.28 364	0.20 369	0.32 351	0.26 347	0.44 373	0.57 372	0.28 323	0.40 337	0.45 368	0.29 343	0.33 352	0.34 370	0.12 317	0.09 297	0.17 356	0.16 355	0.17 362	0.13 323

DispFullNet	0.27 352	0.21 358	0.65 385	0.28 364	0.16 344	0.26 329	0.17 196	0.33 309	0.58 375	0.27 312	0.38 324	0.43 364	0.23 302	0.38 371	0.23 306	0.12 317	0.06 195	0.19 366	0.11 311	0.21 371	0.15 348

MeshStereo	0.27 352	0.13 298	0.18 269	0.15 39	0.11 259	0.32 351	0.24 327	0.40 358	0.36 303	0.52 380	0.57 378	0.67 392	0.40 372	0.35 361	0.26 335	0.14 348	0.13 347	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
WZ-Net	0.28 355	0.17 334	0.78 399	0.22 310	0.16 344	0.34 360	0.29 367	0.39 354	0.57 372	0.24 288	0.55 372	0.37 342	0.24 308	0.33 352	0.35 371	0.09 241	0.08 274	0.09 232	0.10 288	0.14 337	0.16 359

XQC	0.28 355	0.23 363	0.51 371	0.28 364	0.19 366	0.34 360	0.27 354	0.36 338	0.57 372	0.31 338	0.30 277	0.37 342	0.30 347	0.38 371	0.38 378	0.13 337	0.09 297	0.15 347	0.12 329	0.17 362	0.18 368

CC-Net-ROB	0.28 355	0.31 382	0.36 351	0.29 371	0.15 334	0.25 321	0.19 267	0.45 376	0.33 280	0.39 360	0.37 319	0.39 354	0.31 351	0.27 322	0.26 335	0.24 386	0.19 373	0.30 387	0.23 377	0.18 366	0.15 348

DPSNet	0.28 355	0.16 323	0.31 337	0.18 184	0.13 306	0.54 384	0.42 393	0.51 385	0.67 387	0.29 329	0.38 324	0.38 346	0.29 343	0.31 344	0.23 306	0.11 293	0.10 315	0.11 300	0.08 215	0.20 370	0.16 359

Wz-Net-TNSev	0.29 359	0.20 352	0.65 385	0.19 231	0.15 334	0.38 372	0.27 354	0.35 332	0.55 368	0.34 349	0.42 352	0.45 368	0.38 367	0.32 350	0.30 357	0.12 317	0.13 347	0.10 273	0.12 329	0.15 348	0.14 340

ccnet	0.29 359	0.28 377	0.23 305	0.20 273	0.28 385	0.41 375	0.21 298	0.45 376	0.33 280	0.36 352	0.46 359	0.36 338	0.30 347	0.39 374	0.42 386	0.23 384	0.14 354	0.21 369	0.17 362	0.23 374	0.18 368

EDNetEfficient	0.29 359	0.24 366	1.13 408	0.18 184	0.10 221	0.19 259	0.20 282	0.20 128	0.60 379	0.74 397	0.56 377	0.31 314	0.39 369	0.22 293	0.30 357	0.09 241	0.07 252	0.08 166	0.07 165	0.11 294	0.09 256

ADCS	0.29 359	0.18 344	0.45 364	0.21 297	0.17 357	0.28 342	0.23 318	0.41 363	0.63 382	0.40 363	0.49 363	0.40 357	0.36 364	0.39 374	0.40 382	0.13 337	0.12 334	0.13 329	0.14 342	0.16 355	0.16 359

CSAN	0.29 359	0.24 366	0.27 321	0.34 379	0.19 366	0.33 357	0.42 393	0.37 343	0.50 358	0.38 358	0.40 337	0.44 366	0.33 356	0.28 333	0.30 357	0.20 374	0.16 363	0.19 366	0.19 367	0.14 337	0.15 348

MFN_U_SF_DS_RVC	0.30 364	0.24 366	0.29 332	0.36 384	0.16 344	0.34 360	0.30 374	0.32 292	0.42 332	0.40 363	0.46 359	0.38 346	0.31 351	0.34 355	0.28 350	0.19 372	0.20 376	0.26 376	0.29 385	0.18 366	0.19 373

GANetREF_RVC	0.31 365	0.34 385	0.27 321	0.35 381	0.16 344	0.32 351	0.41 390	0.48 380	0.51 365	0.35 350	0.35 310	0.34 332	0.33 356	0.39 374	0.32 365	0.27 388	0.20 376	0.29 385	0.15 353	0.18 366	0.17 366
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.31 365	0.26 372	0.26 315	0.24 334	0.21 371	0.34 360	0.25 341	0.34 319	0.39 317	0.40 363	0.69 386	0.45 368	0.40 372	0.34 355	0.27 342	0.20 374	0.19 373	0.26 376	0.25 379	0.23 374	0.22 378

MFN_U_SF_RVC	0.32 367	0.21 358	0.55 376	0.30 373	0.15 334	0.34 360	0.17 196	0.52 386	0.46 349	0.46 377	0.55 372	0.59 384	0.39 369	0.35 361	0.37 376	0.15 351	0.14 354	0.18 364	0.21 370	0.16 355	0.15 348

PASM	0.32 367	0.24 366	0.48 369	0.28 364	0.27 384	0.29 345	0.30 374	0.34 319	0.49 356	0.35 350	0.39 332	0.46 372	0.34 360	0.34 355	0.35 371	0.23 384	0.25 388	0.26 376	0.28 384	0.23 374	0.21 376

SGM-ForestM	0.32 367	0.12 277	0.16 226	0.16 70	0.11 259	0.39 373	0.19 267	0.41 363	0.50 358	0.52 380	0.54 371	1.32 411	0.42 379	0.40 378	0.27 342	0.14 348	0.16 363	0.16 353	0.16 355	0.12 308	0.12 309

FCDSN-DC	0.33 370	0.28 377	0.28 326	0.30 373	0.24 376	0.39 373	0.28 359	0.42 368	0.42 332	0.43 373	0.53 369	0.51 378	0.41 376	0.36 366	0.30 357	0.21 377	0.20 376	0.27 379	0.26 380	0.25 382	0.24 380
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 370	0.27 374	0.28 326	0.26 350	0.23 375	0.37 370	0.28 359	0.40 358	0.43 337	0.45 375	0.55 372	0.51 378	0.40 372	0.37 370	0.30 357	0.21 377	0.20 376	0.27 379	0.26 380	0.25 382	0.24 380

LSM	0.33 370	0.20 352	0.58 380	0.26 350	0.60 406	0.34 360	0.25 341	0.42 368	0.48 351	0.45 375	0.58 380	0.42 360	0.36 364	0.35 361	0.25 325	0.12 317	0.20 376	0.14 339	0.16 355	0.19 369	0.33 393

AnyNet_C01	0.36 373	0.25 371	1.37 411	0.22 310	0.17 357	0.48 380	0.27 354	0.35 332	0.39 317	0.39 360	0.74 392	0.46 372	0.38 367	0.45 382	0.47 391	0.13 337	0.13 347	0.13 329	0.14 342	0.14 337	0.15 348

otaku	0.39 374	0.37 388	0.52 372	0.44 390	0.28 385	0.58 386	0.24 327	0.41 363	0.62 381	0.40 363	0.49 363	0.46 372	0.33 356	0.40 378	0.32 365	0.30 389	0.30 392	0.39 391	0.33 390	0.29 387	0.28 387

ACVNet-4b	0.39 374	0.53 394	0.55 376	0.45 391	0.24 376	0.47 378	0.18 236	0.49 382	0.64 383	0.42 370	0.45 358	0.60 385	0.27 327	0.34 355	0.24 316	0.33 392	0.14 354	0.48 395	0.42 395	0.30 388	0.26 386

PVD	0.39 374	0.20 352	0.39 357	0.31 377	0.22 373	0.29 345	0.43 395	0.52 386	0.96 403	0.55 383	0.79 396	0.53 381	0.59 393	0.52 388	0.38 378	0.19 372	0.14 354	0.17 356	0.14 342	0.24 381	0.31 391

Ntro	0.40 377	0.40 390	0.53 373	0.46 394	0.30 389	0.65 392	0.24 327	0.46 378	0.68 388	0.41 367	0.49 363	0.48 376	0.42 379	0.39 374	0.31 364	0.32 391	0.28 390	0.37 390	0.30 387	0.32 392	0.29 388

SAMSARA	0.40 377	0.28 377	0.33 342	0.55 397	0.39 391	0.82 406	1.23 420	0.47 379	0.51 365	0.36 352	0.35 310	0.55 383	0.39 369	0.38 371	0.39 380	0.15 351	0.20 376	0.15 347	0.14 342	0.23 374	0.20 374

ELAS_RVC	0.41 379	0.29 380	0.33 342	0.28 364	0.24 376	0.54 384	0.36 385	0.49 382	0.59 376	0.72 393	0.74 392	0.65 390	0.54 387	0.54 392	0.40 382	0.22 380	0.20 376	0.27 379	0.26 380	0.26 385	0.25 384
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 379	0.29 380	0.33 342	0.27 361	0.24 376	0.60 389	0.36 385	0.50 384	0.50 358	0.71 391	0.79 396	0.67 392	0.54 387	0.51 386	0.42 386	0.22 380	0.20 376	0.27 379	0.26 380	0.26 385	0.25 384
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 381	0.39 389	0.54 374	0.40 386	0.20 369	0.64 391	0.32 382	0.53 388	0.72 391	0.71 391	0.72 389	0.61 386	0.54 387	0.51 386	0.46 390	0.20 374	0.19 373	0.29 385	0.30 387	0.23 374	0.18 368

ACVNet_1	0.44 382	0.49 393	0.60 381	0.45 391	0.28 385	0.49 381	0.27 354	0.57 393	0.72 391	0.62 386	0.58 380	0.74 396	0.49 385	0.50 385	0.35 371	0.26 387	0.24 387	0.39 391	0.29 385	0.31 391	0.24 380

Consistency-Raft	0.44 382	0.40 390	0.45 364	0.37 385	0.43 394	0.46 376	0.41 390	0.57 393	0.55 368	0.32 344	0.73 390	0.33 326	0.48 384	0.42 381	0.49 393	0.39 394	0.35 394	0.45 394	0.51 402	0.42 394	0.29 388

RTS	0.45 384	0.19 347	3.26 418	0.24 334	0.15 334	0.74 399	0.20 282	0.36 338	0.76 396	0.42 370	0.43 355	0.31 314	0.41 376	0.53 390	0.35 371	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 348

RTSA	0.45 384	0.19 347	3.26 418	0.24 334	0.15 334	0.74 399	0.20 282	0.36 338	0.76 396	0.42 370	0.43 355	0.31 314	0.41 376	0.53 390	0.35 371	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 348

MANE	0.45 384	0.27 374	0.27 321	0.27 361	0.24 376	0.47 378	0.31 380	0.55 390	0.59 376	0.72 393	1.13 412	1.15 405	0.61 394	0.52 388	0.37 376	0.21 377	0.20 376	0.27 379	0.31 389	0.25 382	0.24 380

NVStereoNet_ROB	0.46 387	0.36 387	0.46 367	0.41 388	0.28 385	0.34 360	0.34 383	0.48 380	0.60 379	0.72 393	0.93 401	0.70 395	0.66 397	0.47 383	0.60 400	0.22 380	0.33 393	0.34 389	0.34 392	0.30 388	0.30 390
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 388	0.07 72	0.14 159	0.15 39	0.08 50	0.24 311	0.16 175	0.22 161	1.81 419	4.63 423	0.67 384	0.47 375	0.44 381	0.20 266	0.29 353	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

BEATNet-Init1	0.52 389	0.27 374	0.62 383	0.30 373	0.21 371	0.76 403	0.29 367	0.54 389	0.65 385	0.86 402	0.95 403	2.07 421	0.62 396	0.56 394	0.42 386	0.18 368	0.18 370	0.23 374	0.22 373	0.22 373	0.21 376

anonymity	0.53 390	0.58 396	0.65 385	0.41 388	0.61 407	0.53 383	0.41 390	0.56 391	0.41 326	0.55 383	0.50 367	0.49 377	0.55 390	0.58 395	0.50 396	0.58 405	0.50 406	0.51 397	0.51 402	0.51 396	0.57 402

RainbowNet	0.54 391	0.61 398	0.70 397	0.57 398	0.43 394	0.65 392	0.37 388	0.60 395	0.87 400	0.50 379	0.66 383	0.64 388	0.47 383	0.49 384	0.43 389	0.47 400	0.48 402	0.52 399	0.41 394	0.52 397	0.40 398

SGM+DAISY	0.56 392	0.57 395	0.65 385	0.40 386	0.54 399	0.66 394	0.49 397	0.56 391	0.45 348	0.66 387	0.69 386	0.67 392	0.56 391	0.63 397	0.56 398	0.59 406	0.48 402	0.50 396	0.50 401	0.52 397	0.58 403

SPS-STEREO	0.57 393	0.58 396	0.65 385	0.45 391	0.55 401	0.62 390	0.44 396	0.62 396	0.50 358	0.68 389	0.64 382	0.66 391	0.57 392	0.61 396	0.60 400	0.62 408	0.47 401	0.51 397	0.49 399	0.55 401	0.58 403
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 394	0.66 402	0.65 385	0.51 395	0.69 411	0.69 395	0.57 403	0.64 397	0.73 394	0.60 385	0.73 390	0.62 387	0.67 398	0.65 398	0.60 400	0.66 409	0.58 415	0.63 401	0.59 405	0.68 407	0.69 412

IMH-64-1	0.65 395	0.61 398	0.68 393	0.71 401	0.51 397	0.59 387	0.49 397	0.91 404	0.85 398	0.74 397	1.02 405	0.81 397	0.78 402	0.79 401	0.49 393	0.42 396	0.46 397	0.71 403	0.47 397	0.52 397	0.39 396

IMH-64	0.65 395	0.61 398	0.68 393	0.71 401	0.51 397	0.59 387	0.49 397	0.91 404	0.85 398	0.74 397	1.02 405	0.81 397	0.78 402	0.79 401	0.49 393	0.42 396	0.46 397	0.71 403	0.47 397	0.52 397	0.39 396

ACVNet_2	0.66 397	0.66 402	0.68 393	0.63 399	0.41 392	0.71 397	0.49 397	0.96 408	1.39 412	0.89 403	1.09 408	1.04 401	0.73 400	0.54 392	0.47 391	0.43 398	0.40 396	0.53 400	0.44 396	0.47 395	0.35 395

JetBlue	0.71 398	0.45 392	1.14 409	0.51 395	0.47 396	2.02 420	0.64 407	0.75 399	0.70 389	0.69 390	0.77 395	1.22 407	0.83 404	1.03 416	1.01 416	0.40 395	0.28 390	0.33 388	0.33 390	0.30 388	0.34 394

IMH	0.71 398	0.64 401	0.68 393	0.76 403	0.54 399	0.69 395	0.54 401	0.98 410	1.10 405	0.82 401	1.09 408	0.89 399	0.88 407	0.87 409	0.52 397	0.44 399	0.50 406	0.75 406	0.51 402	0.56 402	0.41 399

PWCK	0.71 398	0.94 414	0.95 406	0.76 403	0.31 390	0.74 399	0.36 385	0.90 403	0.90 401	0.96 406	0.75 394	0.95 400	0.61 394	0.87 409	0.66 403	0.72 410	0.46 397	0.75 406	0.49 399	0.69 409	0.44 400

MADNet+	0.75 401	0.71 404	3.70 421	0.66 400	0.41 392	0.98 411	0.97 418	0.69 398	0.73 394	0.52 380	0.57 378	0.64 388	0.68 399	0.86 408	1.01 416	0.34 393	0.36 395	0.28 384	0.23 377	0.36 393	0.31 391

TorneroNet-64	0.76 402	0.72 405	0.74 398	0.78 405	0.58 405	0.91 410	0.56 402	0.84 402	1.29 409	0.66 387	0.90 399	1.40 413	0.75 401	0.85 407	0.67 406	0.49 401	0.46 397	0.72 405	0.59 405	0.67 406	0.53 401

WAO-7	0.79 403	0.78 407	0.54 374	0.85 409	0.67 410	0.74 399	0.68 411	1.05 413	1.32 410	0.90 404	1.20 415	1.04 401	0.92 408	0.69 399	0.66 403	0.60 407	0.62 416	0.67 402	0.68 410	0.64 403	0.58 403

WAO-6	0.81 404	0.80 408	0.62 383	0.86 410	0.63 408	0.76 403	0.58 404	0.98 410	1.54 417	0.90 404	0.96 404	1.07 403	1.03 412	0.70 400	0.66 403	0.72 410	0.49 404	0.90 413	0.71 411	0.68 407	0.58 403

TorneroNet	0.82 405	0.74 406	0.81 403	0.84 408	0.63 408	0.99 412	0.63 405	0.96 408	1.16 406	0.80 400	1.11 410	1.36 412	0.86 406	0.93 412	0.80 411	0.56 403	0.49 404	0.78 410	0.66 409	0.73 412	0.63 411

LVE	0.83 406	0.85 411	0.85 404	0.80 406	0.56 402	1.04 416	0.65 408	1.05 413	1.47 415	0.96 406	1.22 416	1.10 404	0.85 405	0.83 404	0.71 408	0.49 401	0.55 412	0.76 408	0.60 407	0.65 404	0.59 408

Dean	0.87 407	0.86 412	0.79 401	0.81 407	0.56 402	0.90 407	0.63 405	1.15 418	1.73 418	1.15 413	1.15 413	1.31 410	0.99 411	0.81 403	0.81 412	0.57 404	0.56 413	0.77 409	0.64 408	0.66 405	0.58 403

WAO-8	0.91 408	0.81 409	0.65 385	0.94 413	0.69 411	0.90 407	0.67 409	1.07 415	1.83 420	1.06 411	1.45 418	1.30 408	1.07 413	0.84 405	0.78 409	0.74 412	0.53 409	0.86 411	0.75 412	0.69 409	0.62 409

Venus	0.91 408	0.81 409	0.65 385	0.94 413	0.69 411	0.90 407	0.67 409	1.07 415	1.83 420	1.06 411	1.45 418	1.30 408	1.07 413	0.84 405	0.78 409	0.74 412	0.53 409	0.86 411	0.75 412	0.69 409	0.62 409

UNDER WATER-64	0.95 410	0.94 414	1.43 413	0.87 411	0.56 402	1.18 419	0.87 415	0.77 400	0.94 402	1.04 409	0.85 398	1.58 418	1.21 418	0.94 413	0.96 414	0.87 416	0.57 414	1.03 416	0.88 417	0.78 414	0.73 413

UNDER WATER	0.97 411	0.97 416	1.42 412	0.99 415	0.70 414	1.12 418	0.84 414	0.80 401	1.08 404	1.01 408	0.90 399	1.55 417	1.22 419	1.03 416	1.00 415	0.78 414	0.53 409	1.02 415	0.87 416	0.80 415	0.74 414

notaker	0.97 411	1.11 417	0.98 407	1.13 417	0.81 415	0.73 398	0.68 411	0.93 406	1.16 406	1.18 415	1.18 414	1.41 414	1.16 417	1.08 418	0.69 407	0.81 415	0.64 417	1.17 418	0.79 414	0.98 417	0.80 417

ktn	1.01 413	1.21 419	0.80 402	1.23 420	0.86 417	1.01 414	0.87 415	0.94 407	1.39 412	1.04 409	1.12 411	1.15 405	1.07 413	0.94 413	0.59 399	1.28 422	0.71 419	1.38 422	0.83 415	1.02 419	0.75 415

KSHMR	1.09 414	1.17 418	0.88 405	1.25 421	1.00 420	0.99 412	0.96 417	1.13 417	1.37 411	1.16 414	1.29 417	1.41 414	0.96 410	1.01 415	0.92 413	1.03 419	1.08 421	1.20 419	1.03 420	1.01 418	0.97 419

DPSimNet_ROB	1.11 415	1.23 420	0.78 399	1.13 417	0.88 418	1.10 417	1.13 419	1.16 419	1.23 408	1.43 417	1.02 405	1.41 414	1.10 416	0.90 411	1.60 418	1.46 423	0.51 408	1.21 420	1.03 420	0.90 416	1.01 421

HanzoNet	1.29 416	1.26 421	1.19 410	1.12 416	0.85 416	1.02 415	0.83 413	1.03 412	1.48 416	1.64 418	1.61 420	2.50 423	1.72 420	1.61 420	1.61 419	1.26 421	0.80 420	1.31 421	1.01 419	1.02 419	0.86 418

JetRed	1.62 417	1.46 422	2.98 417	0.92 412	1.21 421	4.99 422	1.53 422	1.27 420	1.39 412	1.83 419	1.74 421	1.60 419	0.95 409	1.41 419	2.45 422	0.90 418	1.60 423	0.93 414	0.90 418	1.35 421	0.99 420

MADNet++	1.95 418	1.75 423	1.59 415	1.82 423	1.69 423	2.33 421	1.40 421	2.35 422	2.09 422	2.57 422	2.36 422	2.24 422	2.17 421	2.28 421	2.34 421	1.87 424	1.66 424	1.54 423	1.34 423	1.92 423	1.77 424

coex-ft	3.30 419	0.34 385	59.09 443	0.18 184	0.13 306	0.26 329	0.22 308	0.27 239	0.72 391	1.90 420	0.70 388	0.44 366	0.45 382	0.29 340	0.41 385	0.09 241	0.09 297	0.12 315	0.09 256	0.14 337	0.13 323

ASD4	3.54 420	3.38 425	2.05 416	1.72 422	2.51 425	9.03 426	17.71 427	2.25 421	5.51 424	2.46 421	2.81 423	2.03 420	3.36 422	2.73 422	5.06 423	1.22 420	1.34 422	1.13 417	1.33 422	1.68 422	1.49 423

tt	4.67 421	0.06 20	3.55 420	2.02 424	1.55 422	10.25 427	16.71 426	8.91 430	5.03 423	1.31 416	0.94 402	4.71 424	4.76 423	3.33 423	5.87 425	6.06 431	10.30 435	1.88 425	2.11 426	2.75 424	1.21 422

xxxxx1	7.79 422	5.02 428	7.31 424	3.12 425	3.85 426	16.35 430	22.88 428	5.86 427	8.69 426	7.97 426	8.54 424	9.12 429	8.27 426	10.18 428	10.92 426	2.42 425	2.45 426	3.56 428	12.37 432	3.77 425	3.06 426

tt_ll	7.79 422	5.02 428	7.31 424	3.12 425	3.85 426	16.35 430	22.88 428	5.86 427	8.69 426	7.97 426	8.54 424	9.12 429	8.27 426	10.18 428	10.92 426	2.42 425	2.45 426	3.56 428	12.37 432	3.77 425	3.06 426

ff	7.79 422	5.02 428	7.31 424	3.12 425	3.85 426	16.35 430	22.88 428	5.86 427	8.69 426	7.97 426	8.54 424	9.12 429	8.27 426	10.18 428	10.92 426	2.42 425	2.45 426	3.56 428	12.37 432	3.77 425	3.06 426

EDNetEfficientorigin	7.91 425	0.31 382	153.02 444	0.19 231	0.09 135	0.21 285	0.16 175	0.22 161	0.59 376	0.72 393	0.67 384	0.42 360	0.50 386	0.24 312	0.39 380	0.08 195	0.07 252	0.08 166	0.07 165	0.12 308	0.10 275

DPSMNet_ROB	8.06 426	4.48 426	8.63 430	5.37 430	10.74 432	8.32 424	22.98 432	5.46 424	13.36 431	5.12 424	9.92 427	5.08 425	10.40 429	5.53 426	12.58 429	3.80 429	8.00 430	3.50 426	7.02 429	3.83 428	7.14 430

DGTPSM_ROB	8.06 426	4.48 426	8.63 430	5.35 428	10.72 431	8.32 424	22.97 431	5.46 424	13.35 430	5.12 424	9.92 427	5.08 425	10.40 429	5.52 425	12.58 429	3.79 428	8.00 430	3.50 426	7.02 429	3.83 428	7.14 430

PML	8.91 428	9.34 434	6.13 422	5.35 428	6.41 429	14.99 429	23.38 433	5.27 423	6.83 425	18.04 434	28.19 443	7.67 427	6.83 425	7.85 427	5.75 424	5.35 430	1.83 425	5.95 434	1.93 425	8.64 432	2.52 425

DLNR_Zeroshot_test	10.40 429	1.82 424	19.49 439	120.77 445	13.11 435	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	51.54 444	0.04 8

LRCNet_RVC	10.62 430	13.42 435	7.30 423	18.92 435	2.07 424	0.33 357	0.30 374	5.59 426	0.48 351	13.03 432	17.94 433	8.87 428	5.65 424	4.79 424	1.89 420	23.51 442	2.73 429	27.55 443	25.71 443	16.07 440	16.33 440

Anonymous_1	10.96 431	7.92 431	7.46 427	10.33 431	10.06 430	18.65 434	26.34 434	11.06 431	13.44 432	9.40 429	10.05 429	9.67 432	11.23 431	10.73 431	12.72 431	6.42 432	8.38 432	5.77 431	10.61 431	12.12 433	6.77 429

DPSM_ROB	11.15 432	8.58 432	8.00 428	10.88 432	11.58 433	19.10 435	26.71 435	12.05 432	14.07 433	10.36 430	10.84 430	10.33 433	11.86 432	11.70 432	13.54 432	6.99 433	8.79 433	5.89 432	6.95 427	7.29 430	7.42 432

DPSM	11.15 432	8.58 432	8.00 428	10.88 432	11.58 433	19.10 435	26.71 435	12.05 432	14.07 433	10.36 430	10.84 430	10.33 433	11.86 432	11.70 432	13.54 432	6.99 433	8.79 433	5.89 432	6.95 427	7.29 430	7.42 432

SPstereo	13.84 434	0.93 413	1.50 414	1.22 419	0.88 418	28.82 437	48.26 437	26.77 444	29.54 443	22.37 442	22.60 441	23.23 443	24.68 442	24.53 442	15.06 434	0.88 417	0.69 418	1.83 424	1.60 424	0.74 413	0.77 416

HaxPig	15.71 435	18.52 442	19.18 438	16.89 434	15.89 436	7.73 423	7.60 423	13.31 434	10.82 429	15.42 433	14.91 432	15.98 435	14.92 434	15.58 434	15.98 435	18.95 441	16.73 436	19.46 441	18.08 441	19.26 441	19.05 441

MEDIAN_ROB	20.38 436	24.04 443	23.31 440	21.23 436	21.71 437	10.40 428	7.92 424	17.64 435	15.50 435	20.12 435	19.70 434	20.34 436	20.32 435	21.19 435	21.13 436	23.81 443	21.81 443	24.98 442	23.76 442	24.71 442	23.93 442

CasAABBNet	22.42 437	17.33 437	16.01 432	22.01 440	23.28 441	38.32 438	53.80 442	24.14 437	28.41 438	20.60 436	21.77 436	20.89 441	23.91 440	23.43 436	27.36 438	14.07 435	17.69 438	11.83 439	14.01 436	14.67 437	14.95 438

MyStereo03	22.45 438	17.33 437	16.21 434	21.95 437	23.27 438	38.32 438	53.79 439	24.21 438	28.46 439	20.87 439	21.85 438	20.80 437	23.87 436	23.46 437	27.40 440	14.08 436	17.71 440	11.82 435	14.03 437	14.65 434	14.89 434

MyStereo02	22.45 438	17.33 437	16.21 434	21.95 437	23.27 438	38.32 438	53.79 439	24.21 438	28.46 439	20.87 439	21.85 438	20.80 437	23.87 436	23.46 437	27.40 440	14.08 436	17.71 440	11.82 435	14.03 437	14.65 434	14.89 434

MyStereo	22.45 438	17.33 437	16.21 434	21.95 437	23.27 438	38.32 438	53.79 439	24.21 438	28.46 439	20.87 439	21.85 438	20.80 437	23.87 436	23.46 437	27.40 440	14.08 436	17.71 440	11.82 435	14.03 437	14.65 434	14.89 434

Selective-RAFT-Error	22.47 441	17.37 441	16.09 433	22.06 441	23.34 442	38.39 442	53.83 443	24.29 442	28.47 442	20.74 437	21.83 437	20.81 440	23.90 439	23.54 441	27.53 443	14.08 436	17.69 438	11.82 435	14.00 435	14.69 438	15.00 439

LSM0	22.87 442	17.28 436	18.96 437	22.19 442	29.04 444	38.42 443	53.71 438	24.28 441	28.31 437	20.78 438	21.00 435	21.43 442	24.16 441	23.50 440	27.39 439	14.09 440	17.38 437	11.84 440	14.04 440	14.73 439	14.89 434

AVERAGE_ROB	24.90 443	29.20 444	28.14 441	24.89 443	24.64 443	17.75 433	11.12 425	21.45 436	19.93 436	25.12 443	24.46 442	25.12 444	25.46 443	24.69 443	22.83 437	29.76 444	27.13 444	28.97 444	27.95 444	29.91 443	29.47 443

test_example2	98.32 444	94.13 445	45.89 442	96.35 444	109.85 445	88.61 444	95.45 444	25.75 443	94.37 444	130.00 444	126.06 444	58.17 445	74.63 444	88.51 444	79.96 444	150.23 445	221.02 445	77.62 445	99.10 445	113.75 445	96.94 444

FADE		0.33 384		0.33 378	0.25 382							0.42 360				0.30 389	0.21 385	0.41 393	0.38 393	0.23 374

Low-res two-view benchmark