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

GCAP-Stereo	0.09 42	0.07 112	0.13 184	0.18 249	0.06 8	0.11 130	0.07 1	0.13 36	0.12 53	0.09 56	0.10 78	0.07 37	0.09 129	0.13 191	0.10 94	0.06 84	0.05 146	0.05 3	0.04 18	0.04 3	0.05 87

BEATNet_4x	0.12 205	0.08 199	0.14 215	0.18 249	0.07 39	0.15 254	0.07 1	0.22 227	0.18 186	0.16 248	0.19 224	0.18 267	0.14 269	0.16 269	0.15 294	0.07 197	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

GCST	0.37 463	0.42 481	0.26 401	1.02 505	0.39 480	0.18 322	0.08 3	0.20 185	0.17 160	0.28 410	0.25 314	0.15 221	0.12 210	0.16 269	0.14 267	0.64 498	0.43 486	0.75 495	0.65 498	0.63 492	0.46 490

DN-CSS_ROB	0.13 230	0.13 385	0.16 298	0.18 249	0.10 291	0.16 283	0.08 3	0.22 227	0.18 186	0.17 262	0.22 265	0.13 173	0.13 245	0.12 150	0.13 230	0.05 6	0.05 146	0.10 349	0.10 364	0.08 272	0.06 157

DCVSM-stereo	0.14 261	0.09 263	0.16 298	0.16 111	0.10 291	0.15 254	0.09 5	0.19 174	0.23 260	0.20 327	0.23 274	0.26 360	0.15 286	0.18 317	0.14 267	0.09 306	0.07 326	0.09 304	0.08 286	0.10 359	0.12 392

IGEV-Stereo+	0.07 2	0.04 1	0.08 18	0.15 57	0.06 8	0.04 1	0.09 5	0.10 6	0.09 6	0.06 3	0.06 3	0.06 8	0.06 25	0.06 1	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.06 149	0.06 157

LL-Strereo2	0.10 99	0.10 318	0.15 264	0.18 249	0.08 84	0.15 254	0.09 5	0.17 129	0.14 103	0.14 195	0.10 78	0.09 85	0.07 73	0.16 269	0.10 94	0.05 6	0.05 146	0.10 349	0.07 225	0.06 149	0.05 87

DIP-Stereo	0.11 142	0.07 112	0.14 215	0.17 175	0.09 191	0.13 198	0.09 5	0.16 96	0.16 142	0.11 112	0.16 171	0.14 192	0.12 210	0.15 235	0.13 230	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
CFNet	0.15 302	0.10 318	0.17 326	0.17 175	0.08 84	0.18 322	0.09 5	0.28 337	0.25 297	0.19 306	0.24 285	0.24 339	0.17 333	0.17 299	0.14 267	0.08 252	0.06 257	0.09 304	0.10 364	0.07 213	0.06 157

AIO-test2	0.10 99	0.08 199	0.10 78	0.23 414	0.08 84	0.11 130	0.10 10	0.23 245	0.23 260	0.08 31	0.09 55	0.08 61	0.05 7	0.10 35	0.08 16	0.06 84	0.05 146	0.08 228	0.09 330	0.05 66	0.05 87

MonSter	0.07 2	0.06 41	0.05 1	0.15 57	0.05 1	0.07 21	0.10 10	0.15 71	0.15 117	0.05 1	0.06 3	0.05 1	0.06 25	0.07 3	0.09 45	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

IGEV-Stereo++	0.07 2	0.06 41	0.08 18	0.18 249	0.06 8	0.04 1	0.10 10	0.11 13	0.11 37	0.06 3	0.07 21	0.07 37	0.06 25	0.09 17	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

rvit_stereo_0075_2	0.17 345	0.12 359	0.25 398	0.23 414	0.16 429	0.13 198	0.10 10	0.30 361	0.27 319	0.20 327	0.28 350	0.22 317	0.15 286	0.18 317	0.13 230	0.16 447	0.10 395	0.17 442	0.10 364	0.10 359	0.09 336

Pointernet	0.09 42	0.04 1	0.09 49	0.16 111	0.08 84	0.13 198	0.10 10	0.15 71	0.17 160	0.09 56	0.07 21	0.06 8	0.06 25	0.11 75	0.09 45	0.08 252	0.04 3	0.05 3	0.03 1	0.06 149	0.05 87

MaDis-Stereo	0.09 42	0.09 263	0.08 18	0.17 175	0.09 191	0.13 198	0.10 10	0.16 96	0.16 142	0.09 56	0.11 106	0.06 8	0.06 25	0.09 17	0.13 230	0.07 197	0.06 257	0.07 150	0.05 68	0.05 66	0.04 18

raftrobust	0.09 42	0.06 41	0.10 78	0.17 175	0.08 84	0.09 52	0.10 10	0.18 155	0.16 142	0.10 87	0.09 55	0.12 149	0.07 73	0.12 150	0.10 94	0.08 252	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87

RALAANet	0.11 142	0.08 199	0.10 78	0.17 175	0.09 191	0.14 229	0.10 10	0.20 185	0.15 117	0.14 195	0.13 130	0.16 234	0.09 129	0.12 150	0.11 146	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

UCFNet_RVC	0.14 261	0.08 199	0.13 184	0.11 1	0.10 291	0.20 360	0.10 10	0.24 267	0.22 251	0.17 262	0.20 236	0.23 333	0.15 286	0.17 299	0.15 294	0.12 393	0.07 326	0.10 349	0.13 420	0.11 378	0.10 357

HITNet	0.10 99	0.06 41	0.12 141	0.14 23	0.06 8	0.11 130	0.10 10	0.18 155	0.18 186	0.13 174	0.16 171	0.14 192	0.11 181	0.15 235	0.13 230	0.06 84	0.04 3	0.04 1	0.04 18	0.06 149	0.05 87
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
Reg-Stereo(zero)	0.08 12	0.05 11	0.08 18	0.16 111	0.06 8	0.12 162	0.11 20	0.15 71	0.10 16	0.12 148	0.09 55	0.10 112	0.08 103	0.11 75	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

StereoAnything_RVC	0.07 2	0.15 403	0.17 326	0.11 1	0.05 1	0.05 3	0.11 20	0.08 3	0.08 2	0.06 3	0.06 3	0.05 1	0.05 7	0.09 17	0.08 16	0.08 252	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

trnet	0.08 12	0.05 11	0.07 4	0.12 4	0.05 1	0.12 162	0.11 20	0.13 36	0.10 16	0.08 31	0.13 130	0.09 85	0.08 103	0.11 75	0.10 94	0.08 252	0.05 146	0.05 3	0.03 1	0.06 149	0.05 87

MIF-Stereo (partial)	0.11 142	0.06 41	0.10 78	0.19 304	0.10 291	0.10 90	0.11 20	0.17 129	0.18 186	0.14 195	0.16 171	0.09 85	0.11 181	0.12 150	0.12 190	0.08 252	0.05 146	0.08 228	0.07 225	0.06 149	0.07 231

UniTT-Stereo	0.09 42	0.07 112	0.08 18	0.18 249	0.08 84	0.13 198	0.11 20	0.12 24	0.11 37	0.10 87	0.12 117	0.05 1	0.07 73	0.09 17	0.09 45	0.07 197	0.05 146	0.05 3	0.05 68	0.05 66	0.05 87

CASnet	0.09 42	0.09 263	0.09 49	0.19 304	0.06 8	0.07 21	0.11 20	0.18 155	0.14 103	0.11 112	0.10 78	0.09 85	0.07 73	0.10 35	0.10 94	0.06 84	0.04 3	0.10 349	0.08 286	0.05 66	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LoS	0.09 42	0.05 11	0.11 111	0.13 12	0.07 39	0.14 229	0.11 20	0.15 71	0.15 117	0.09 56	0.09 55	0.12 149	0.09 129	0.15 235	0.10 94	0.07 197	0.05 146	0.05 3	0.03 1	0.05 66	0.05 87
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
Patchmatch Stereo++	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231
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
ROB_FTStereo	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

iRAFT	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

raft+_RVC	0.11 142	0.07 112	0.09 49	0.16 111	0.07 39	0.10 90	0.11 20	0.24 267	0.20 222	0.12 148	0.15 160	0.12 149	0.08 103	0.12 150	0.13 230	0.07 197	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

AdaStereo	0.15 302	0.11 343	0.15 264	0.18 249	0.09 191	0.20 360	0.11 20	0.32 381	0.28 333	0.20 327	0.23 274	0.20 293	0.13 245	0.19 330	0.14 267	0.12 393	0.05 146	0.10 349	0.07 225	0.09 329	0.07 231
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.
CBMV	0.19 370	0.14 397	0.17 326	0.18 249	0.10 291	0.20 360	0.11 20	0.29 347	0.30 348	0.29 417	0.30 367	0.30 391	0.23 389	0.27 411	0.19 351	0.13 416	0.15 446	0.17 442	0.16 443	0.10 359	0.10 357
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ISRNet	0.18 358	0.08 199	0.19 359	0.19 304	0.13 387	0.15 254	0.12 33	0.30 361	0.32 361	0.21 340	0.25 314	0.27 367	0.17 333	0.17 299	0.20 357	0.20 461	0.08 351	0.14 421	0.14 423	0.14 420	0.17 453

DEFOM-Stereo_RVC	0.08 12	0.06 41	0.09 49	0.22 394	0.06 8	0.08 32	0.12 33	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.05 7	0.11 75	0.09 45	0.06 84	0.04 3	0.05 3	0.03 1	0.06 149	0.04 18

castereo++	0.08 12	0.05 11	0.08 18	0.15 57	0.05 1	0.14 229	0.12 33	0.11 13	0.15 117	0.07 12	0.07 21	0.07 37	0.06 25	0.08 11	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

IGEV-RUCA	0.08 12	0.06 41	0.11 111	0.14 23	0.09 191	0.10 90	0.12 33	0.10 6	0.12 53	0.06 3	0.07 21	0.07 37	0.06 25	0.09 17	0.08 16	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.06 157

ACV-stereo	0.15 302	0.10 318	0.28 413	0.18 249	0.12 366	0.14 229	0.12 33	0.23 245	0.21 237	0.19 306	0.23 274	0.22 317	0.15 286	0.23 392	0.17 324	0.07 197	0.06 257	0.07 150	0.07 225	0.07 213	0.07 231

AIO-Stereo	0.08 12	0.06 41	0.09 49	0.18 249	0.06 8	0.08 32	0.12 33	0.15 71	0.09 6	0.08 31	0.08 42	0.07 37	0.05 7	0.11 75	0.08 16	0.05 6	0.05 146	0.05 3	0.04 18	0.04 3	0.04 18

RSM++	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.09 52	0.12 33	0.11 13	0.11 37	0.08 31	0.06 3	0.07 37	0.05 7	0.10 35	0.09 45	0.04 1	0.04 3	0.06 62	0.05 68	0.05 66	0.03 1

RSM	0.08 12	0.06 41	0.09 49	0.17 175	0.06 8	0.08 32	0.12 33	0.12 24	0.10 16	0.08 31	0.07 21	0.06 8	0.05 7	0.11 75	0.09 45	0.04 1	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

testlalala2	0.10 99	0.06 41	0.11 111	0.20 353	0.10 291	0.10 90	0.12 33	0.17 129	0.12 53	0.12 148	0.13 130	0.09 85	0.07 73	0.11 75	0.13 230	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.05 87

MIM_Stereo	0.09 42	0.07 112	0.11 111	0.15 57	0.07 39	0.06 6	0.12 33	0.20 185	0.14 103	0.13 174	0.13 130	0.09 85	0.05 7	0.12 150	0.08 16	0.05 6	0.06 257	0.07 150	0.06 139	0.06 149	0.05 87

testlalala	0.08 12	0.07 112	0.17 326	0.16 111	0.08 84	0.09 52	0.12 33	0.15 71	0.10 16	0.07 12	0.09 55	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

Selective-IGEV	0.07 2	0.06 41	0.08 18	0.17 175	0.06 8	0.08 32	0.12 33	0.13 36	0.07 1	0.08 31	0.07 21	0.06 8	0.04 1	0.10 35	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

EGLCR-Stereo	0.08 12	0.05 11	0.08 18	0.14 23	0.06 8	0.10 90	0.12 33	0.11 13	0.16 142	0.06 3	0.05 1	0.07 37	0.05 7	0.10 35	0.11 146	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

iRaft-Stereo_5w	0.12 205	0.09 263	0.12 141	0.19 304	0.08 84	0.09 52	0.12 33	0.21 205	0.21 237	0.19 306	0.14 144	0.11 132	0.09 129	0.20 354	0.16 310	0.05 6	0.05 146	0.07 150	0.06 139	0.05 66	0.06 157

PFNet+	0.11 142	0.06 41	0.13 184	0.16 111	0.09 191	0.05 3	0.12 33	0.17 129	0.21 237	0.16 248	0.19 224	0.14 192	0.10 157	0.11 75	0.11 146	0.08 252	0.05 146	0.09 304	0.08 286	0.06 149	0.11 380

OMP-Stereo	0.11 142	0.06 41	0.14 215	0.18 249	0.08 84	0.09 52	0.12 33	0.21 205	0.21 237	0.13 174	0.14 144	0.11 132	0.12 210	0.11 75	0.13 230	0.06 84	0.04 3	0.07 150	0.06 139	0.05 66	0.04 18

IIG-Stereo	0.11 142	0.06 41	0.13 184	0.17 175	0.08 84	0.11 130	0.12 33	0.22 227	0.17 160	0.14 195	0.17 191	0.11 132	0.12 210	0.12 150	0.12 190	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

PSM-adaLoss	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

ROB_FTStereo_v2	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

HUI-Stereo	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

SST-Stereo	0.10 99	0.07 112	0.15 264	0.18 249	0.09 191	0.06 6	0.12 33	0.17 129	0.11 37	0.15 222	0.17 191	0.13 173	0.12 210	0.10 35	0.11 146	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

Pruner-Stereo	0.11 142	0.07 112	0.12 141	0.17 175	0.09 191	0.06 6	0.12 33	0.17 129	0.17 160	0.13 174	0.19 224	0.13 173	0.09 129	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.08 294

DeepStereo_RVC	0.11 142	0.08 199	0.16 298	0.18 249	0.08 84	0.08 32	0.12 33	0.17 129	0.12 53	0.13 174	0.14 144	0.12 149	0.12 210	0.12 150	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.07 213	0.08 294

iGMRVC	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

RAFT-RH_RVC	0.11 142	0.06 41	0.14 215	0.16 111	0.09 191	0.12 162	0.12 33	0.17 129	0.12 53	0.13 174	0.41 435	0.11 132	0.10 157	0.13 191	0.12 190	0.05 6	0.04 3	0.08 228	0.05 68	0.04 3	0.06 157

RAFT-345	0.11 142	0.07 112	0.15 264	0.16 111	0.08 84	0.08 32	0.12 33	0.15 71	0.10 16	0.11 112	0.36 401	0.09 85	0.09 129	0.11 75	0.12 190	0.05 6	0.05 146	0.07 150	0.06 139	0.04 3	0.05 87

CRE-IMP	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.10 90	0.12 33	0.18 155	0.10 16	0.14 195	0.13 130	0.13 173	0.12 210	0.12 150	0.11 146	0.07 197	0.04 3	0.08 228	0.06 139	0.08 272	0.08 294

RAFT-IKP	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

CREStereo++_RVC	0.08 12	0.04 1	0.06 2	0.13 12	0.07 39	0.09 52	0.12 33	0.14 51	0.14 103	0.10 87	0.14 144	0.08 61	0.07 73	0.09 17	0.11 146	0.06 84	0.04 3	0.05 3	0.05 68	0.04 3	0.04 18
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
XX-Stereo	0.09 42	0.05 11	0.08 18	0.17 175	0.09 191	0.15 254	0.12 33	0.20 185	0.10 16	0.10 87	0.14 144	0.07 37	0.06 25	0.12 150	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.04 3	0.04 18

iResNetv2_ROB	0.14 261	0.08 199	0.15 264	0.16 111	0.08 84	0.16 283	0.12 33	0.25 283	0.35 386	0.21 340	0.29 362	0.24 339	0.13 245	0.14 213	0.14 267	0.06 84	0.05 146	0.06 62	0.04 18	0.09 329	0.08 294

NOSS_ROB	0.19 370	0.12 359	0.18 349	0.16 111	0.12 366	0.15 254	0.12 33	0.30 361	0.32 361	0.20 327	0.22 265	0.27 367	0.23 389	0.21 370	0.16 310	0.16 447	0.18 456	0.23 461	0.21 458	0.12 392	0.13 410

SCV	0.08 12	0.09 263	0.08 18	0.15 57	0.08 84	0.10 90	0.13 65	0.10 6	0.12 53	0.07 12	0.07 21	0.06 8	0.04 1	0.09 17	0.08 16	0.05 6	0.04 3	0.06 62	0.04 18	0.06 149	0.04 18

FoundationStereo	0.06 1	0.04 1	0.08 18	0.12 4	0.05 1	0.09 52	0.13 65	0.06 1	0.09 6	0.05 1	0.05 1	0.06 8	0.04 1	0.06 1	0.07 1	0.06 84	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

HUF	0.08 12	0.05 11	0.08 18	0.14 23	0.06 8	0.09 52	0.13 65	0.13 36	0.13 81	0.07 12	0.07 21	0.08 61	0.06 25	0.10 35	0.09 45	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

AIO-test1	0.10 99	0.07 112	0.10 78	0.23 414	0.07 39	0.09 52	0.13 65	0.21 205	0.14 103	0.11 112	0.12 117	0.09 85	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.09 304	0.10 364	0.03 1	0.06 157

GIP-stereo	0.08 12	0.06 41	0.11 111	0.14 23	0.06 8	0.09 52	0.13 65	0.14 51	0.11 37	0.07 12	0.08 42	0.05 1	0.04 1	0.10 35	0.07 1	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

DEFOM-Stereo	0.07 2	0.05 11	0.07 4	0.14 23	0.06 8	0.10 90	0.13 65	0.07 2	0.13 81	0.06 3	0.07 21	0.06 8	0.05 7	0.10 35	0.09 45	0.04 1	0.04 3	0.05 3	0.03 1	0.04 3	0.04 18

dual_stereo	0.07 2	0.04 1	0.08 18	0.15 57	0.05 1	0.05 3	0.13 65	0.12 24	0.08 2	0.07 12	0.06 3	0.05 1	0.05 7	0.07 3	0.09 45	0.06 84	0.04 3	0.05 3	0.03 1	0.04 3	0.04 18

UGAM-zero	0.09 42	0.05 11	0.15 264	0.15 57	0.08 84	0.09 52	0.13 65	0.19 174	0.15 117	0.11 112	0.15 160	0.07 37	0.07 73	0.09 17	0.09 45	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

GCAP-BAT	0.09 42	0.07 112	0.14 215	0.15 57	0.08 84	0.10 90	0.13 65	0.14 51	0.10 16	0.11 112	0.10 78	0.08 61	0.07 73	0.12 150	0.10 94	0.06 84	0.05 146	0.06 62	0.04 18	0.04 3	0.04 18

U	0.08 12	0.07 112	0.09 49	0.19 304	0.10 291	0.10 90	0.13 65	0.12 24	0.17 160	0.07 12	0.07 21	0.06 8	0.05 7	0.07 3	0.08 16	0.06 84	0.04 3	0.06 62	0.04 18	0.06 149	0.05 87

WCG-NET（raft）	0.08 12	0.05 11	0.10 78	0.15 57	0.06 8	0.11 130	0.13 65	0.15 71	0.12 53	0.08 31	0.07 21	0.06 8	0.06 25	0.13 191	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

DualNet (step1)	0.16 325	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.15 431	0.06 257	0.14 421	0.14 423	0.14 420	0.12 392

test_sample9	0.18 358	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.19 330	0.17 324	0.15 431	0.30 479	0.14 421	0.14 423	0.14 420	0.12 392

test_sample8	0.19 370	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.31 370	0.21 237	0.27 398	0.22 265	0.36 425	0.25 403	0.19 330	0.17 324	0.15 431	0.30 479	0.14 421	0.14 423	0.14 420	0.12 392

gcap-zeroshot	0.09 42	0.05 11	0.10 78	0.16 111	0.07 39	0.13 198	0.13 65	0.11 13	0.12 53	0.13 174	0.12 117	0.09 85	0.08 103	0.09 17	0.09 45	0.06 84	0.05 146	0.06 62	0.05 68	0.04 3	0.04 18

test_for_model	0.09 42	0.12 359	0.14 215	0.23 414	0.11 335	0.08 32	0.13 65	0.12 24	0.12 53	0.10 87	0.07 21	0.07 37	0.06 25	0.11 75	0.10 94	0.06 84	0.05 146	0.05 3	0.03 1	0.07 213	0.04 18

IGEV++	0.08 12	0.06 41	0.08 18	0.18 249	0.07 39	0.09 52	0.13 65	0.10 6	0.09 6	0.08 31	0.08 42	0.06 8	0.06 25	0.13 191	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

GMStereo_Zeroshot	0.16 325	0.13 385	0.24 393	0.20 353	0.10 291	0.17 304	0.13 65	0.29 347	0.25 297	0.23 367	0.32 379	0.25 352	0.11 181	0.19 330	0.14 267	0.09 306	0.06 257	0.11 378	0.06 139	0.12 392	0.08 294

IGEV_Zeroshot_test	0.09 42	0.05 11	0.12 141	0.13 12	0.08 84	0.12 162	0.13 65	0.17 129	0.11 37	0.10 87	0.06 3	0.09 85	0.06 25	0.11 75	0.09 45	0.06 84	0.04 3	0.06 62	0.06 139	0.05 66	0.05 87

MSKI-zero shot	0.09 42	0.05 11	0.09 49	0.15 57	0.07 39	0.10 90	0.13 65	0.14 51	0.13 81	0.09 56	0.09 55	0.09 85	0.06 25	0.12 150	0.10 94	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

DLNR_Zeroshot_test	10.40 519	1.82 513	19.49 525	120.77 531	13.11 524	0.06 6	0.13 65	0.23 245	0.10 16	0.07 12	0.10 78	0.09 85	0.06 25	0.10 35	0.09 45	0.13 416	0.04 3	0.06 62	0.04 18	51.54 530	0.04 18

SQANet	0.23 414	0.23 450	0.30 424	0.30 462	0.19 452	0.27 425	0.13 65	0.29 347	0.33 368	0.24 375	0.37 407	0.31 401	0.22 383	0.27 411	0.23 396	0.15 431	0.10 395	0.21 456	0.16 443	0.21 458	0.15 434

AEACV	0.08 12	0.05 11	0.08 18	0.14 23	0.13 387	0.14 229	0.13 65	0.14 51	0.09 6	0.07 12	0.09 55	0.07 37	0.08 103	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

CAS	0.08 12	0.04 1	0.07 4	0.17 175	0.08 84	0.10 90	0.13 65	0.12 24	0.09 6	0.09 56	0.10 78	0.08 61	0.06 25	0.09 17	0.08 16	0.08 252	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

Selective-RAFT	0.11 142	0.10 318	0.11 111	0.21 379	0.08 84	0.16 283	0.13 65	0.20 185	0.22 251	0.10 87	0.10 78	0.11 132	0.10 157	0.15 235	0.11 146	0.05 6	0.05 146	0.06 62	0.05 68	0.06 149	0.05 87

RCA-Stereo	0.09 42	0.06 41	0.09 49	0.16 111	0.06 8	0.09 52	0.13 65	0.18 155	0.14 103	0.09 56	0.10 78	0.08 61	0.07 73	0.12 150	0.11 146	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

HBP-ISP	0.18 358	0.13 385	0.16 298	0.15 57	0.11 335	0.08 32	0.13 65	0.28 337	0.29 339	0.22 355	0.33 391	0.21 300	0.25 403	0.23 392	0.17 324	0.14 427	0.16 449	0.21 456	0.17 450	0.10 359	0.08 294

DisPM	0.11 142	0.07 112	0.12 141	0.16 111	0.09 191	0.06 6	0.13 65	0.17 129	0.17 160	0.14 195	0.20 236	0.12 149	0.10 157	0.11 75	0.10 94	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.11 380

GLC_STEREO	0.11 142	0.07 112	0.11 111	0.17 175	0.07 39	0.09 52	0.13 65	0.15 71	0.24 276	0.12 148	0.13 130	0.12 149	0.08 103	0.18 317	0.11 146	0.06 84	0.08 351	0.08 228	0.06 139	0.05 66	0.05 87

TRStereo	0.09 42	0.05 11	0.12 141	0.15 57	0.12 366	0.10 90	0.13 65	0.18 155	0.18 186	0.09 56	0.09 55	0.09 85	0.06 25	0.10 35	0.08 16	0.07 197	0.05 146	0.07 150	0.07 225	0.04 3	0.04 18

HHNet	0.11 142	0.06 41	0.16 298	0.15 57	0.14 405	0.07 21	0.13 65	0.20 185	0.17 160	0.14 195	0.25 314	0.11 132	0.08 103	0.13 191	0.10 94	0.05 6	0.04 3	0.08 228	0.06 139	0.05 66	0.09 336

AAGNet	0.11 142	0.07 112	0.16 298	0.19 304	0.09 191	0.08 32	0.13 65	0.18 155	0.13 81	0.16 248	0.21 256	0.13 173	0.14 269	0.11 75	0.14 267	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

PSM-softLoss	0.12 205	0.07 112	0.15 264	0.17 175	0.09 191	0.08 32	0.13 65	0.24 267	0.17 160	0.14 195	0.19 224	0.13 173	0.11 181	0.11 75	0.11 146	0.07 197	0.05 146	0.08 228	0.07 225	0.06 149	0.12 392

KMStereo	0.12 205	0.07 112	0.15 264	0.17 175	0.09 191	0.08 32	0.13 65	0.24 267	0.17 160	0.14 195	0.19 224	0.13 173	0.11 181	0.11 75	0.11 146	0.07 197	0.05 146	0.08 228	0.07 225	0.06 149	0.12 392

RAFT_R40	0.11 142	0.07 112	0.14 215	0.18 249	0.09 191	0.06 6	0.13 65	0.17 129	0.16 142	0.14 195	0.18 216	0.15 221	0.12 210	0.10 35	0.11 146	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

AnonymousM	0.09 42	0.05 11	0.10 78	0.14 23	0.06 8	0.09 52	0.13 65	0.19 174	0.14 103	0.13 174	0.11 106	0.09 85	0.08 103	0.13 191	0.10 94	0.08 252	0.05 146	0.08 228	0.05 68	0.05 66	0.05 87

sAnonymous2	0.13 230	0.12 359	0.24 393	0.20 353	0.12 366	0.17 304	0.13 65	0.26 300	0.21 237	0.11 112	0.11 106	0.13 173	0.08 103	0.10 35	0.10 94	0.09 306	0.05 146	0.08 228	0.06 139	0.15 435	0.10 357

CroCo_RVC	0.13 230	0.12 359	0.24 393	0.20 353	0.12 366	0.17 304	0.13 65	0.26 300	0.21 237	0.11 112	0.11 106	0.13 173	0.08 103	0.10 35	0.10 94	0.09 306	0.05 146	0.08 228	0.06 139	0.15 435	0.10 357

GES	0.14 261	0.08 199	0.16 298	0.15 57	0.10 291	0.13 198	0.13 65	0.28 337	0.25 297	0.16 248	0.23 274	0.18 267	0.13 245	0.16 269	0.13 230	0.08 252	0.07 326	0.07 150	0.06 139	0.08 272	0.09 336

FADNet_RVC	0.16 325	0.14 397	0.40 449	0.20 353	0.11 335	0.13 198	0.13 65	0.26 300	0.22 251	0.21 340	0.23 274	0.20 293	0.17 333	0.14 213	0.16 310	0.08 252	0.08 351	0.12 394	0.09 330	0.11 378	0.10 357

FADNet	0.21 390	0.22 449	0.36 441	0.18 249	0.17 444	0.24 400	0.13 65	0.31 370	0.31 355	0.23 367	0.25 314	0.27 367	0.21 374	0.19 330	0.15 294	0.13 416	0.15 446	0.12 394	0.15 439	0.16 442	0.18 456

CBMV_ROB	0.19 370	0.13 385	0.17 326	0.16 111	0.11 335	0.15 254	0.13 65	0.26 300	0.28 333	0.27 398	0.30 367	0.27 367	0.24 395	0.23 392	0.16 310	0.15 431	0.17 454	0.22 460	0.20 456	0.10 359	0.11 380

PWC_ROB	0.21 390	0.16 411	0.26 401	0.18 249	0.11 335	0.22 382	0.13 65	0.32 381	0.49 445	0.30 420	0.40 425	0.32 410	0.24 395	0.31 433	0.22 386	0.10 342	0.07 326	0.11 378	0.08 286	0.11 378	0.10 357

GREAT-IGEV	0.07 2	0.06 41	0.08 18	0.13 12	0.07 39	0.07 21	0.14 108	0.09 4	0.09 6	0.06 3	0.07 21	0.06 8	0.05 7	0.10 35	0.07 1	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

HI	0.11 142	0.06 41	0.11 111	0.13 12	0.09 191	0.09 52	0.14 108	0.21 205	0.10 16	0.19 306	0.17 191	0.14 192	0.09 129	0.16 269	0.08 16	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

CoSv	0.11 142	0.06 41	0.11 111	0.13 12	0.09 191	0.09 52	0.14 108	0.21 205	0.10 16	0.19 306	0.17 191	0.14 192	0.09 129	0.16 269	0.08 16	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

AIO_rvc	0.07 2	0.06 41	0.08 18	0.15 57	0.06 8	0.08 32	0.14 108	0.09 4	0.08 2	0.07 12	0.08 42	0.07 37	0.04 1	0.10 35	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

AIO_test	0.07 2	0.05 11	0.07 4	0.15 57	0.07 39	0.06 6	0.14 108	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.05 7	0.08 11	0.10 94	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

SMoEStereo_RVC	0.08 12	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.14 108	0.11 13	0.13 81	0.09 56	0.07 21	0.07 37	0.07 73	0.12 150	0.10 94	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

999	0.09 42	0.05 11	0.13 184	0.15 57	0.08 84	0.10 90	0.14 108	0.15 71	0.11 37	0.10 87	0.08 42	0.08 61	0.08 103	0.16 269	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.05 87

DDVS	0.15 302	0.10 318	0.21 375	0.16 111	0.12 366	0.15 254	0.14 108	0.25 283	0.19 200	0.18 292	0.29 362	0.27 367	0.12 210	0.19 330	0.15 294	0.09 306	0.06 257	0.09 304	0.07 225	0.11 378	0.11 380

rvit_stereo_0081_aga	0.11 142	0.09 263	0.14 215	0.18 249	0.09 191	0.13 198	0.14 108	0.14 51	0.19 200	0.10 87	0.18 216	0.16 234	0.09 129	0.12 150	0.09 45	0.10 342	0.06 257	0.08 228	0.07 225	0.07 213	0.06 157

WCG-NET	0.08 12	0.05 11	0.09 49	0.15 57	0.06 8	0.11 130	0.14 108	0.13 36	0.13 81	0.06 3	0.09 55	0.07 37	0.06 25	0.13 191	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

rvit_stereo_0081	0.11 142	0.08 199	0.15 264	0.16 111	0.09 191	0.10 90	0.14 108	0.14 51	0.24 276	0.11 112	0.13 130	0.13 173	0.09 129	0.11 75	0.12 190	0.10 342	0.07 326	0.08 228	0.07 225	0.07 213	0.05 87

model_zeroshot	0.10 99	0.04 1	0.11 111	0.15 57	0.09 191	0.12 162	0.14 108	0.20 185	0.13 81	0.11 112	0.10 78	0.12 149	0.07 73	0.12 150	0.10 94	0.07 197	0.06 257	0.06 62	0.05 68	0.06 149	0.06 157

ITSA-stereo	0.15 302	0.10 318	0.14 215	0.19 304	0.08 84	0.12 162	0.14 108	0.30 361	0.49 445	0.17 262	0.19 224	0.22 317	0.15 286	0.17 299	0.16 310	0.10 342	0.06 257	0.08 228	0.08 286	0.08 272	0.08 294

rvit_stereo_0082	0.11 142	0.08 199	0.15 264	0.16 111	0.09 191	0.10 90	0.14 108	0.14 51	0.24 276	0.11 112	0.13 130	0.13 173	0.09 129	0.11 75	0.12 190	0.10 342	0.07 326	0.08 228	0.07 225	0.07 213	0.05 87

Occ-G	0.08 12	0.05 11	0.06 2	0.14 23	0.07 39	0.08 32	0.14 108	0.13 36	0.15 117	0.07 12	0.11 106	0.07 37	0.05 7	0.09 17	0.10 94	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.05 87

IGEV-BASED-STEREO-	0.09 42	0.10 318	0.31 426	0.15 57	0.06 8	0.08 32	0.14 108	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.04 1	0.11 75	0.07 1	0.12 393	0.04 3	0.07 150	0.05 68	0.05 66	0.05 87

RAFT-Stereo-weight	0.09 42	0.06 41	0.10 78	0.16 111	0.07 39	0.09 52	0.14 108	0.19 174	0.16 142	0.11 112	0.10 78	0.08 61	0.06 25	0.10 35	0.11 146	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

CAS++	0.11 142	0.07 112	0.11 111	0.14 23	0.09 191	0.12 162	0.14 108	0.24 267	0.14 103	0.11 112	0.09 55	0.11 132	0.07 73	0.14 213	0.09 45	0.11 368	0.09 376	0.09 304	0.07 225	0.07 213	0.08 294
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MoCha-V2	0.08 12	0.05 11	0.10 78	0.20 353	0.07 39	0.09 52	0.14 108	0.11 13	0.08 2	0.07 12	0.08 42	0.07 37	0.06 25	0.09 17	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

MyStereo8	0.12 205	0.07 112	0.15 264	0.15 57	0.09 191	0.18 322	0.14 108	0.19 174	0.22 251	0.12 148	0.18 216	0.11 132	0.10 157	0.16 269	0.18 342	0.07 197	0.05 146	0.07 150	0.05 68	0.08 272	0.09 336

EKT-Stereo	0.11 142	0.07 112	0.14 215	0.15 57	0.10 291	0.13 198	0.14 108	0.18 155	0.21 237	0.11 112	0.08 42	0.12 149	0.09 129	0.11 75	0.12 190	0.08 252	0.06 257	0.07 150	0.06 139	0.08 272	0.07 231

PCWNet_CMD	0.14 261	0.08 199	0.15 264	0.17 175	0.09 191	0.14 229	0.14 108	0.29 347	0.36 391	0.14 195	0.20 236	0.21 300	0.12 210	0.17 299	0.13 230	0.07 197	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

CFNet_ucs	0.15 302	0.08 199	0.16 298	0.16 111	0.11 335	0.14 229	0.14 108	0.30 361	0.34 379	0.16 248	0.24 285	0.23 333	0.14 269	0.18 317	0.15 294	0.09 306	0.06 257	0.08 228	0.07 225	0.09 329	0.09 336

testlalala_base	0.10 99	0.09 263	0.14 215	0.21 379	0.08 84	0.10 90	0.14 108	0.13 36	0.10 16	0.07 12	0.15 160	0.07 37	0.08 103	0.10 35	0.12 190	0.08 252	0.05 146	0.05 3	0.03 1	0.06 149	0.05 87

Any-RAFT	0.10 99	0.05 11	0.09 49	0.14 23	0.07 39	0.13 198	0.14 108	0.21 205	0.15 117	0.11 112	0.12 117	0.12 149	0.09 129	0.12 150	0.09 45	0.07 197	0.04 3	0.05 3	0.04 18	0.06 149	0.05 87

SDNR	0.19 370	0.08 199	0.19 359	0.16 111	0.12 366	0.77 495	0.14 108	0.25 283	0.32 361	0.19 306	0.24 285	0.19 281	0.13 245	0.19 330	0.15 294	0.16 447	0.18 456	0.14 421	0.11 392	0.08 272	0.11 380

anonymousdsp2	0.11 142	0.07 112	0.10 78	0.16 111	0.09 191	0.13 198	0.14 108	0.18 155	0.22 251	0.13 174	0.14 144	0.12 149	0.09 129	0.14 213	0.11 146	0.05 6	0.04 3	0.05 3	0.04 18	0.06 149	0.05 87

iinet-f	0.16 325	0.06 41	0.45 455	0.14 23	0.10 291	0.21 374	0.14 108	0.27 320	0.23 260	0.21 340	0.24 285	0.21 300	0.15 286	0.18 317	0.21 377	0.09 306	0.07 326	0.07 150	0.06 139	0.09 329	0.10 357

CES	0.08 12	0.04 1	0.08 18	0.14 23	0.07 39	0.09 52	0.14 108	0.11 13	0.09 6	0.08 31	0.09 55	0.11 132	0.06 25	0.12 150	0.08 16	0.06 84	0.04 3	0.05 3	0.03 1	0.05 66	0.05 87

knoymous	0.11 142	0.05 11	0.12 141	0.13 12	0.07 39	0.15 254	0.14 108	0.19 174	0.13 81	0.11 112	0.17 191	0.13 173	0.09 129	0.13 191	0.11 146	0.08 252	0.05 146	0.06 62	0.05 68	0.08 272	0.07 231

riskmin	0.11 142	0.06 41	0.13 184	0.14 23	0.08 84	0.14 229	0.14 108	0.18 155	0.14 103	0.11 112	0.14 144	0.16 234	0.11 181	0.14 213	0.12 190	0.09 306	0.05 146	0.07 150	0.05 68	0.08 272	0.08 294

MC-Stereo	0.08 12	0.06 41	0.09 49	0.17 175	0.06 8	0.10 90	0.14 108	0.12 24	0.10 16	0.09 56	0.12 117	0.09 85	0.06 25	0.11 75	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

x	0.13 230	0.07 112	0.14 215	0.14 23	0.08 84	0.18 322	0.14 108	0.22 227	0.20 222	0.15 222	0.19 224	0.19 281	0.17 333	0.18 317	0.18 342	0.07 197	0.05 146	0.06 62	0.06 139	0.07 213	0.07 231

BUS	0.14 261	0.09 263	0.14 215	0.22 394	0.10 291	0.19 345	0.14 108	0.34 407	0.19 200	0.17 262	0.22 265	0.16 234	0.13 245	0.15 235	0.13 230	0.08 252	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

CRFU-Net	0.16 325	0.08 199	0.14 215	0.17 175	0.09 191	0.19 345	0.14 108	0.26 300	0.20 222	0.28 410	0.27 338	0.29 383	0.17 333	0.19 330	0.17 324	0.09 306	0.09 376	0.07 150	0.07 225	0.08 272	0.08 294

NINENet	0.16 325	0.10 318	0.15 264	0.17 175	0.11 335	0.19 345	0.14 108	0.40 446	0.36 391	0.18 292	0.21 256	0.16 234	0.13 245	0.15 235	0.13 230	0.08 252	0.08 351	0.10 349	0.07 225	0.10 359	0.09 336

IPLG	0.10 99	0.07 112	0.15 264	0.17 175	0.08 84	0.11 130	0.14 108	0.20 185	0.15 117	0.12 148	0.17 191	0.07 37	0.07 73	0.14 213	0.13 230	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

MIPNet	0.11 142	0.08 199	0.14 215	0.17 175	0.09 191	0.12 162	0.14 108	0.20 185	0.24 276	0.11 112	0.10 78	0.09 85	0.07 73	0.13 191	0.12 190	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

test-3	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.07 21	0.14 108	0.12 24	0.15 117	0.09 56	0.08 42	0.07 37	0.08 103	0.11 75	0.10 94	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.04 18

test_1	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.07 21	0.14 108	0.12 24	0.15 117	0.09 56	0.08 42	0.07 37	0.08 103	0.11 75	0.10 94	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.04 18

STrans-v2	0.10 99	0.07 112	0.12 141	0.18 249	0.07 39	0.10 90	0.14 108	0.21 205	0.11 37	0.11 112	0.15 160	0.12 149	0.10 157	0.11 75	0.12 190	0.05 6	0.04 3	0.06 62	0.06 139	0.04 3	0.04 18

NF-Stereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

OCTAStereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

NRIStereo	0.11 142	0.08 199	0.14 215	0.18 249	0.08 84	0.10 90	0.14 108	0.16 96	0.15 117	0.12 148	0.14 144	0.13 173	0.12 210	0.13 191	0.10 94	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.07 231

ASMatch	0.11 142	0.06 41	0.13 184	0.16 111	0.10 291	0.07 21	0.14 108	0.17 129	0.17 160	0.12 148	0.16 171	0.16 234	0.10 157	0.13 191	0.10 94	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.08 294

RE-Stereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

TVStereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

rafts_anoy	0.11 142	0.06 41	0.10 78	0.17 175	0.08 84	0.10 90	0.14 108	0.17 129	0.14 103	0.13 174	0.13 130	0.12 149	0.10 157	0.11 75	0.12 190	0.07 197	0.04 3	0.09 304	0.11 392	0.07 213	0.06 157

TANstereo	0.09 42	0.04 1	0.08 18	0.13 12	0.06 8	0.11 130	0.14 108	0.15 71	0.19 200	0.11 112	0.15 160	0.10 112	0.06 25	0.12 150	0.09 45	0.07 197	0.05 146	0.05 3	0.04 18	0.06 149	0.05 87

CFNet_pseudo	0.14 261	0.08 199	0.15 264	0.16 111	0.09 191	0.13 198	0.14 108	0.27 320	0.34 379	0.14 195	0.21 256	0.22 317	0.13 245	0.18 317	0.14 267	0.07 197	0.05 146	0.08 228	0.06 139	0.07 213	0.07 231

RALCasStereoNet	0.10 99	0.06 41	0.09 49	0.16 111	0.08 84	0.12 162	0.14 108	0.17 129	0.11 37	0.12 148	0.17 191	0.14 192	0.10 157	0.12 150	0.11 146	0.07 197	0.06 257	0.06 62	0.05 68	0.08 272	0.07 231

sCroCo_RVC	0.12 205	0.09 263	0.23 390	0.24 423	0.11 335	0.19 345	0.14 108	0.17 129	0.14 103	0.10 87	0.13 130	0.12 149	0.07 73	0.14 213	0.11 146	0.08 252	0.08 351	0.08 228	0.08 286	0.05 66	0.07 231

111	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.10 90	0.14 108	0.21 205	0.23 260	0.11 112	0.12 117	0.14 192	0.11 181	0.13 191	0.10 94	0.06 84	0.04 3	0.06 62	0.04 18	0.05 66	0.05 87

psmorigin	0.25 430	0.15 403	0.34 440	0.17 175	0.13 387	0.23 395	0.14 108	0.34 407	0.33 368	0.41 456	0.55 461	0.41 448	0.37 455	0.34 444	0.27 432	0.11 368	0.15 446	0.11 378	0.11 392	0.12 392	0.16 445

Gwc-CoAtRS	0.09 42	0.06 41	0.10 78	0.16 111	0.07 39	0.10 90	0.14 108	0.17 129	0.17 160	0.08 31	0.10 78	0.12 149	0.09 129	0.12 150	0.09 45	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

CREStereo	0.09 42	0.04 1	0.08 18	0.11 1	0.06 8	0.13 198	0.14 108	0.14 51	0.10 16	0.08 31	0.13 130	0.09 85	0.08 103	0.11 75	0.10 94	0.08 252	0.04 3	0.05 3	0.03 1	0.06 149	0.06 157
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 42	0.05 11	0.09 49	0.12 4	0.06 8	0.12 162	0.14 108	0.15 71	0.11 37	0.09 56	0.13 130	0.10 112	0.07 73	0.13 191	0.10 94	0.15 431	0.04 3	0.05 3	0.03 1	0.07 213	0.06 157

FADNet-RVC-Resample	0.16 325	0.11 343	0.31 426	0.22 394	0.11 335	0.19 345	0.14 108	0.25 283	0.24 276	0.24 375	0.27 338	0.20 293	0.15 286	0.16 269	0.15 294	0.07 197	0.08 351	0.12 394	0.10 364	0.09 329	0.10 357

MaskLacGwcNet_RVC	0.22 399	0.21 445	0.24 393	0.26 438	0.11 335	0.23 395	0.14 108	0.39 442	0.24 276	0.32 432	0.36 401	0.30 391	0.21 374	0.19 330	0.21 377	0.17 452	0.14 440	0.21 456	0.16 443	0.12 392	0.12 392

R-Stereo Train	0.10 99	0.06 41	0.10 78	0.17 175	0.08 84	0.11 130	0.14 108	0.23 245	0.11 37	0.12 148	0.19 224	0.11 132	0.08 103	0.09 17	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87

RAFT-Stereo	0.10 99	0.06 41	0.10 78	0.17 175	0.08 84	0.11 130	0.14 108	0.23 245	0.11 37	0.12 148	0.19 224	0.11 132	0.08 103	0.09 17	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RASNet	0.14 261	0.07 112	0.14 215	0.16 111	0.08 84	0.18 322	0.14 108	0.29 347	0.20 222	0.17 262	0.25 314	0.21 300	0.18 345	0.20 354	0.19 351	0.07 197	0.06 257	0.06 62	0.08 286	0.06 149	0.06 157

MSMDNet	0.14 261	0.08 199	0.15 264	0.17 175	0.09 191	0.14 229	0.14 108	0.29 347	0.36 391	0.14 195	0.21 256	0.21 300	0.12 210	0.17 299	0.14 267	0.07 197	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

ccs_rob	0.14 261	0.08 199	0.15 264	0.16 111	0.09 191	0.12 162	0.14 108	0.27 320	0.34 379	0.14 195	0.21 256	0.22 317	0.13 245	0.18 317	0.14 267	0.07 197	0.05 146	0.08 228	0.07 225	0.07 213	0.07 231

HSM	0.15 302	0.08 199	0.14 215	0.16 111	0.09 191	0.16 283	0.14 108	0.28 337	0.25 297	0.19 306	0.23 274	0.37 430	0.16 312	0.20 354	0.15 294	0.07 197	0.05 146	0.07 150	0.06 139	0.07 213	0.06 157

iResNet_ROB	0.14 261	0.07 112	0.13 184	0.14 23	0.07 39	0.18 322	0.14 108	0.26 300	0.31 355	0.22 355	0.25 314	0.23 333	0.15 286	0.15 235	0.13 230	0.07 197	0.05 146	0.05 3	0.04 18	0.08 272	0.08 294

SCV_C0	0.08 12	0.07 112	0.07 4	0.16 111	0.09 191	0.08 32	0.15 174	0.11 13	0.12 53	0.08 31	0.07 21	0.06 8	0.05 7	0.11 75	0.07 1	0.05 6	0.05 146	0.05 3	0.04 18	0.06 149	0.05 87

FACV-RUCA	0.13 230	0.11 343	0.12 141	0.19 304	0.12 366	0.15 254	0.15 174	0.22 227	0.20 222	0.15 222	0.16 171	0.14 192	0.16 312	0.14 213	0.13 230	0.07 197	0.05 146	0.08 228	0.06 139	0.10 359	0.08 294

castereo	0.09 42	0.06 41	0.11 111	0.15 57	0.06 8	0.11 130	0.15 174	0.14 51	0.18 186	0.08 31	0.10 78	0.11 132	0.08 103	0.09 17	0.10 94	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

PAM_32	0.09 42	0.05 11	0.17 326	0.15 57	0.08 84	0.10 90	0.15 174	0.14 51	0.15 117	0.09 56	0.08 42	0.09 85	0.07 73	0.14 213	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.06 157

rvit_stereo_0083	0.12 205	0.08 199	0.17 326	0.16 111	0.09 191	0.11 130	0.15 174	0.14 51	0.26 310	0.11 112	0.14 144	0.13 173	0.10 157	0.12 150	0.12 190	0.10 342	0.08 351	0.09 304	0.07 225	0.07 213	0.05 87

rvit_stereo_0080	0.10 99	0.08 199	0.14 215	0.15 57	0.09 191	0.07 21	0.15 174	0.16 96	0.16 142	0.11 112	0.10 78	0.14 192	0.08 103	0.12 150	0.10 94	0.09 306	0.07 326	0.07 150	0.06 139	0.07 213	0.05 87

H2IRNET	0.10 99	0.09 263	0.09 49	0.18 249	0.09 191	0.12 162	0.15 174	0.14 51	0.21 237	0.10 87	0.10 78	0.10 112	0.10 157	0.10 35	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.06 149	0.05 87

MGS-Stereo	0.09 42	0.07 112	0.12 141	0.15 57	0.08 84	0.09 52	0.15 174	0.12 24	0.12 53	0.07 12	0.10 78	0.08 61	0.06 25	0.10 35	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

AE-Stereo	0.10 99	0.08 199	0.10 78	0.18 249	0.09 191	0.10 90	0.15 174	0.14 51	0.19 200	0.09 56	0.14 144	0.12 149	0.08 103	0.11 75	0.10 94	0.05 6	0.06 257	0.07 150	0.06 139	0.05 66	0.04 18

CoDeX	0.12 205	0.07 112	0.12 141	0.17 175	0.08 84	0.12 162	0.15 174	0.23 245	0.27 319	0.13 174	0.17 191	0.16 234	0.11 181	0.14 213	0.11 146	0.07 197	0.05 146	0.07 150	0.06 139	0.06 149	0.05 87

ACVNet-DCA	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.23 245	0.16 142	0.09 56	0.09 55	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.07 213	0.07 231

xx1	0.11 142	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.16 96	0.18 186	0.09 56	0.09 55	0.16 234	0.16 312	0.10 35	0.07 1	0.06 84	0.04 3	0.08 228	0.08 286	0.07 213	0.07 231

1test111	0.11 142	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.23 245	0.16 142	0.09 56	0.09 55	0.06 8	0.06 25	0.15 235	0.16 310	0.06 84	0.04 3	0.06 62	0.05 68	0.07 213	0.07 231

cc1	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.16 96	0.18 186	0.09 56	0.09 55	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.06 157

11t1	0.12 205	0.06 41	0.13 184	0.14 23	0.08 84	0.17 304	0.15 174	0.18 155	0.15 117	0.15 222	0.15 160	0.16 234	0.16 312	0.15 235	0.13 230	0.08 252	0.05 146	0.06 62	0.05 68	0.08 272	0.07 231

ff7	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

IGEVStereo-DCA	0.09 42	0.06 41	0.11 111	0.15 57	0.10 291	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.08 16	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

ffff	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

11t	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

whm_eth	0.10 99	0.08 199	0.14 215	0.15 57	0.09 191	0.07 21	0.15 174	0.16 96	0.16 142	0.11 112	0.10 78	0.14 192	0.08 103	0.12 150	0.10 94	0.09 306	0.07 326	0.07 150	0.06 139	0.07 213	0.05 87

plain	0.10 99	0.08 199	0.10 78	0.19 304	0.09 191	0.10 90	0.15 174	0.14 51	0.13 81	0.13 174	0.15 160	0.09 85	0.12 210	0.13 191	0.12 190	0.07 197	0.05 146	0.09 304	0.06 139	0.06 149	0.06 157

RAFT-Test	0.09 42	0.06 41	0.10 78	0.15 57	0.07 39	0.11 130	0.15 174	0.16 96	0.13 81	0.09 56	0.10 78	0.10 112	0.09 129	0.12 150	0.09 45	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

4D-IteraStereo	0.09 42	0.07 112	0.10 78	0.18 249	0.07 39	0.09 52	0.15 174	0.17 129	0.15 117	0.10 87	0.11 106	0.10 112	0.07 73	0.11 75	0.09 45	0.05 6	0.03 1	0.08 228	0.07 225	0.06 149	0.05 87

LoS_RVC	0.08 12	0.05 11	0.07 4	0.15 57	0.07 39	0.08 32	0.15 174	0.11 13	0.10 16	0.08 31	0.09 55	0.06 8	0.09 129	0.10 35	0.09 45	0.05 6	0.04 3	0.05 3	0.03 1	0.04 3	0.03 1

anonymousdsp	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.09 56	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

CBFPSM	0.14 261	0.06 41	0.26 401	0.17 175	0.09 191	0.13 198	0.15 174	0.22 227	0.23 260	0.20 327	0.27 338	0.24 339	0.16 312	0.16 269	0.18 342	0.06 84	0.06 257	0.06 62	0.07 225	0.07 213	0.07 231

ProNet	0.09 42	0.07 112	0.10 78	0.17 175	0.08 84	0.10 90	0.15 174	0.15 71	0.12 53	0.09 56	0.06 3	0.07 37	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.06 157

qqq	0.13 230	0.09 263	0.15 264	0.16 111	0.08 84	0.13 198	0.15 174	0.23 245	0.16 142	0.15 222	0.19 224	0.16 234	0.16 312	0.15 235	0.16 310	0.07 197	0.06 257	0.08 228	0.08 286	0.07 213	0.07 231

ccc-4	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

BSDual-CNN	0.15 302	0.09 263	0.14 215	0.22 394	0.10 291	0.14 229	0.15 174	0.34 407	0.19 200	0.17 262	0.22 265	0.25 352	0.16 312	0.15 235	0.14 267	0.08 252	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

hknet	0.15 302	0.11 343	0.13 184	0.22 394	0.11 335	0.14 229	0.15 174	0.34 407	0.25 297	0.17 262	0.22 265	0.22 317	0.18 345	0.17 299	0.12 190	0.07 197	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

IGEV-Stereo	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.09 56	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CIPLG	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.15 117	0.14 195	0.11 106	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

iRaft-Stereo_20w	0.09 42	0.05 11	0.13 184	0.14 23	0.08 84	0.12 162	0.15 174	0.18 155	0.10 16	0.11 112	0.08 42	0.08 61	0.05 7	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

IPLGR_C	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.15 117	0.14 195	0.10 78	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

AASNet	0.16 325	0.08 199	0.12 141	0.19 304	0.09 191	0.18 322	0.15 174	0.37 431	0.37 397	0.19 306	0.23 274	0.20 293	0.16 312	0.17 299	0.20 357	0.10 342	0.08 351	0.08 228	0.07 225	0.09 329	0.09 336

ACRE	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.14 103	0.14 195	0.10 78	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

AACVNet	0.16 325	0.08 199	0.14 215	0.15 57	0.10 291	0.18 322	0.15 174	0.23 245	0.24 276	0.27 398	0.27 338	0.28 376	0.17 333	0.19 330	0.16 310	0.09 306	0.07 326	0.09 304	0.07 225	0.10 359	0.09 336

GANet-ADL	0.13 230	0.07 112	0.15 264	0.17 175	0.10 291	0.18 322	0.15 174	0.30 361	0.20 222	0.13 174	0.18 216	0.19 281	0.12 210	0.16 269	0.13 230	0.08 252	0.06 257	0.06 62	0.05 68	0.07 213	0.08 294

CrosDoStereo	0.12 205	0.06 41	0.12 141	0.14 23	0.08 84	0.12 162	0.15 174	0.17 129	0.22 251	0.19 306	0.24 285	0.15 221	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

LCNet	0.11 142	0.07 112	0.09 49	0.19 304	0.09 191	0.08 32	0.15 174	0.21 205	0.15 117	0.11 112	0.15 160	0.16 234	0.11 181	0.12 150	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.06 149	0.15 434

TransformOpticalFlow	0.10 99	0.08 199	0.13 184	0.18 249	0.07 39	0.09 52	0.15 174	0.19 174	0.15 117	0.12 148	0.17 191	0.11 132	0.11 181	0.11 75	0.10 94	0.05 6	0.04 3	0.06 62	0.06 139	0.05 66	0.05 87

PSM-AAD	0.11 142	0.07 112	0.10 78	0.19 304	0.09 191	0.10 90	0.15 174	0.20 185	0.13 81	0.12 148	0.14 144	0.18 267	0.11 181	0.11 75	0.10 94	0.05 6	0.05 146	0.09 304	0.08 286	0.06 149	0.14 427

FTStereo	0.12 205	0.06 41	0.14 215	0.18 249	0.09 191	0.07 21	0.15 174	0.21 205	0.18 186	0.12 148	0.24 285	0.12 149	0.12 210	0.13 191	0.13 230	0.05 6	0.05 146	0.07 150	0.06 139	0.06 149	0.10 357

KYRaft	0.11 142	0.07 112	0.10 78	0.19 304	0.09 191	0.08 32	0.15 174	0.22 227	0.12 53	0.13 174	0.16 171	0.20 293	0.10 157	0.12 150	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.06 149	0.16 445

DeepStereo_LL	0.12 205	0.06 41	0.12 141	0.14 23	0.08 84	0.12 162	0.15 174	0.17 129	0.22 251	0.19 306	0.24 285	0.15 221	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

DEmStereo	0.12 205	0.06 41	0.14 215	0.14 23	0.10 291	0.16 283	0.15 174	0.16 96	0.24 276	0.17 262	0.24 285	0.13 173	0.14 269	0.12 150	0.13 230	0.05 6	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

PFNet	0.12 205	0.06 41	0.17 326	0.17 175	0.08 84	0.09 52	0.15 174	0.26 300	0.20 222	0.16 248	0.16 171	0.14 192	0.11 181	0.12 150	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

IRAFT_RVC	0.12 205	0.08 199	0.16 298	0.19 304	0.08 84	0.07 21	0.15 174	0.24 267	0.23 260	0.14 195	0.14 144	0.15 221	0.12 210	0.12 150	0.10 94	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.06 157

GMM-Stereo	0.11 142	0.07 112	0.10 78	0.18 249	0.09 191	0.08 32	0.15 174	0.23 245	0.16 142	0.11 112	0.15 160	0.13 173	0.11 181	0.11 75	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.06 149	0.09 336

Prome-Stereo	0.11 142	0.06 41	0.10 78	0.18 249	0.08 84	0.12 162	0.15 174	0.22 227	0.13 81	0.12 148	0.17 191	0.13 173	0.08 103	0.12 150	0.10 94	0.05 6	0.04 3	0.07 150	0.06 139	0.06 149	0.09 336

pcwnet_v2	0.19 370	0.10 318	0.26 401	0.17 175	0.14 405	0.18 322	0.15 174	0.37 431	0.46 438	0.19 306	0.24 285	0.21 300	0.19 359	0.20 354	0.19 351	0.13 416	0.10 395	0.10 349	0.10 364	0.11 378	0.13 410

test_xeample3	0.09 42	0.06 41	0.12 141	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.13 81	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

EAI-Stereo	0.09 42	0.07 112	0.11 111	0.15 57	0.06 8	0.10 90	0.15 174	0.16 96	0.09 6	0.08 31	0.09 55	0.08 61	0.07 73	0.09 17	0.11 146	0.05 6	0.04 3	0.05 3	0.05 68	0.05 66	0.04 18

CFNet-RSSM	0.09 42	0.07 112	0.09 49	0.16 111	0.07 39	0.09 52	0.15 174	0.16 96	0.17 160	0.08 31	0.12 117	0.10 112	0.09 129	0.11 75	0.09 45	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

FENet	0.13 230	0.08 199	0.12 141	0.16 111	0.08 84	0.14 229	0.15 174	0.22 227	0.23 260	0.17 262	0.23 274	0.16 234	0.12 210	0.14 213	0.15 294	0.08 252	0.05 146	0.08 228	0.08 286	0.07 213	0.07 231

FADNet-RVC	0.20 381	0.20 439	0.38 445	0.21 379	0.16 429	0.20 360	0.15 174	0.26 300	0.26 310	0.26 392	0.32 379	0.26 360	0.21 374	0.22 381	0.19 351	0.12 393	0.13 433	0.12 394	0.14 423	0.13 408	0.18 456

SHD	0.26 437	0.15 403	0.30 424	0.24 423	0.18 450	0.22 382	0.15 174	0.38 438	0.71 480	0.32 432	0.41 435	0.36 425	0.28 424	0.32 439	0.29 442	0.12 393	0.11 407	0.14 421	0.13 420	0.16 442	0.20 462

HSM-Net_RVC	0.14 261	0.08 199	0.11 111	0.15 57	0.08 84	0.15 254	0.15 174	0.27 320	0.29 339	0.19 306	0.21 256	0.29 383	0.14 269	0.17 299	0.13 230	0.06 84	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
DeepPruner_ROB	0.16 325	0.11 343	0.15 264	0.17 175	0.10 291	0.17 304	0.15 174	0.32 381	0.21 237	0.19 306	0.21 256	0.22 317	0.18 345	0.20 354	0.15 294	0.13 416	0.09 376	0.09 304	0.09 330	0.11 378	0.10 357

PWCDC_ROB	0.20 381	0.13 385	0.22 381	0.24 423	0.11 335	0.19 345	0.15 174	0.33 398	0.54 457	0.29 417	0.50 456	0.21 300	0.15 286	0.27 411	0.20 357	0.11 368	0.09 376	0.10 349	0.08 286	0.11 378	0.09 336

WCMA_ROB	0.24 421	0.11 343	0.22 381	0.17 175	0.14 405	0.32 440	0.15 174	0.32 381	0.32 361	0.38 447	0.53 458	0.40 446	0.34 449	0.34 444	0.25 415	0.11 368	0.12 420	0.12 394	0.10 364	0.14 420	0.14 427

pmcnn	0.15 302	0.07 112	0.19 359	0.15 57	0.07 39	0.20 360	0.15 174	0.24 267	0.26 310	0.21 340	0.34 395	0.28 376	0.18 345	0.18 317	0.17 324	0.07 197	0.05 146	0.05 3	0.04 18	0.07 213	0.06 157

HART	0.08 12	0.07 112	0.09 49	0.17 175	0.07 39	0.10 90	0.16 237	0.13 36	0.11 37	0.08 31	0.10 78	0.07 37	0.05 7	0.10 35	0.08 16	0.05 6	0.04 3	0.06 62	0.04 18	0.05 66	0.04 18

tt45	0.09 42	0.06 41	0.11 111	0.15 57	0.07 39	0.11 130	0.16 237	0.13 36	0.11 37	0.09 56	0.06 3	0.08 61	0.06 25	0.13 191	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

mms	0.09 42	0.07 112	0.08 18	0.16 111	0.08 84	0.10 90	0.16 237	0.12 24	0.11 37	0.08 31	0.09 55	0.08 61	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.03 1

ours_stereo	0.09 42	0.07 112	0.09 49	0.17 175	0.08 84	0.11 130	0.16 237	0.11 13	0.12 53	0.08 31	0.10 78	0.08 61	0.06 25	0.12 150	0.12 190	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.03 1

tg	0.10 99	0.06 41	0.10 78	0.18 249	0.08 84	0.11 130	0.16 237	0.20 185	0.12 53	0.08 31	0.11 106	0.11 132	0.07 73	0.11 75	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.04 3	0.04 18

PAM	0.10 99	0.05 11	0.16 298	0.15 57	0.08 84	0.09 52	0.16 237	0.15 71	0.16 142	0.12 148	0.09 55	0.09 85	0.07 73	0.13 191	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.06 157

rvit_0105_6	0.14 261	0.09 263	0.18 349	0.17 175	0.10 291	0.10 90	0.16 237	0.19 174	0.26 310	0.12 148	0.18 216	0.17 254	0.12 210	0.18 317	0.12 190	0.15 431	0.11 407	0.12 394	0.10 364	0.09 329	0.06 157

AIO-Stereo-zeroshot	0.11 142	0.05 11	0.11 111	0.15 57	0.13 387	0.13 198	0.16 237	0.23 245	0.17 160	0.10 87	0.12 117	0.10 112	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.06 62	0.06 139	0.07 213	0.08 294

test_sample7	0.15 302	0.10 318	0.16 298	0.14 23	0.11 335	0.16 283	0.16 237	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.12 393	0.06 257	0.10 349	0.09 330	0.10 359	0.10 357

test_sample1	0.13 230	0.07 112	0.14 215	0.13 12	0.08 84	0.19 345	0.16 237	0.20 185	0.15 117	0.14 195	0.22 265	0.18 267	0.16 312	0.17 299	0.14 267	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.07 231

Former-RAFT_DAM_RVC	0.10 99	0.08 199	0.12 141	0.16 111	0.08 84	0.15 254	0.16 237	0.18 155	0.18 186	0.10 87	0.09 55	0.09 85	0.08 103	0.11 75	0.12 190	0.07 197	0.05 146	0.08 228	0.06 139	0.07 213	0.06 157

rrr	0.09 42	0.06 41	0.12 141	0.15 57	0.10 291	0.11 130	0.16 237	0.16 96	0.15 117	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.08 16	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

tt1	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.12 162	0.16 237	0.15 71	0.19 200	0.09 56	0.08 42	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.06 157

HH	0.09 42	0.06 41	0.13 184	0.17 175	0.08 84	0.10 90	0.16 237	0.14 51	0.10 16	0.08 31	0.09 55	0.08 61	0.07 73	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

HanStereo	0.09 42	0.06 41	0.13 184	0.17 175	0.08 84	0.10 90	0.16 237	0.14 51	0.10 16	0.08 31	0.09 55	0.08 61	0.07 73	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

GASNet	0.22 399	0.23 450	0.33 432	0.26 438	0.17 444	0.26 418	0.16 237	0.44 463	0.42 421	0.27 398	0.24 285	0.30 391	0.15 286	0.27 411	0.18 342	0.12 393	0.08 351	0.12 394	0.11 392	0.16 442	0.07 231

IER	0.14 261	0.07 112	0.13 184	0.17 175	0.09 191	0.14 229	0.16 237	0.25 283	0.26 310	0.18 292	0.25 314	0.17 254	0.20 370	0.16 269	0.14 267	0.08 252	0.05 146	0.07 150	0.06 139	0.08 272	0.07 231

UDGNet	0.14 261	0.13 385	0.16 298	0.17 175	0.10 291	0.12 162	0.16 237	0.21 205	0.27 319	0.20 327	0.20 236	0.16 234	0.13 245	0.16 269	0.13 230	0.10 342	0.06 257	0.09 304	0.07 225	0.06 149	0.07 231

ADLNet2	0.16 325	0.09 263	0.13 184	0.16 111	0.09 191	0.20 360	0.16 237	0.31 370	0.39 405	0.16 248	0.20 236	0.20 293	0.18 345	0.21 370	0.22 386	0.08 252	0.06 257	0.07 150	0.07 225	0.09 329	0.07 231

THIR-Stereo	0.12 205	0.07 112	0.11 111	0.15 57	0.08 84	0.14 229	0.16 237	0.17 129	0.25 297	0.16 248	0.24 285	0.14 192	0.12 210	0.12 150	0.14 267	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

GrayStereo	0.11 142	0.06 41	0.11 111	0.19 304	0.09 191	0.09 52	0.16 237	0.18 155	0.17 160	0.14 195	0.17 191	0.17 254	0.11 181	0.12 150	0.11 146	0.05 6	0.05 146	0.07 150	0.06 139	0.05 66	0.10 357

XX-TBD	0.09 42	0.06 41	0.07 4	0.14 23	0.07 39	0.12 162	0.16 237	0.14 51	0.13 81	0.11 112	0.12 117	0.09 85	0.08 103	0.10 35	0.10 94	0.06 84	0.04 3	0.05 3	0.03 1	0.06 149	0.05 87

RAFT-Stereo + iAFF	0.09 42	0.06 41	0.10 78	0.17 175	0.06 8	0.10 90	0.16 237	0.17 129	0.14 103	0.09 56	0.10 78	0.08 61	0.09 129	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.06 139	0.04 3	0.03 1

AFF-stereo	0.09 42	0.06 41	0.10 78	0.17 175	0.07 39	0.10 90	0.16 237	0.17 129	0.09 6	0.10 87	0.12 117	0.09 85	0.09 129	0.12 150	0.09 45	0.05 6	0.04 3	0.07 150	0.07 225	0.04 3	0.03 1

GMStereo	0.13 230	0.14 397	0.14 215	0.18 249	0.09 191	0.15 254	0.16 237	0.20 185	0.24 276	0.16 248	0.17 191	0.10 112	0.10 157	0.16 269	0.13 230	0.07 197	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 230	0.07 112	0.14 215	0.17 175	0.09 191	0.15 254	0.16 237	0.28 337	0.27 319	0.14 195	0.17 191	0.12 149	0.13 245	0.14 213	0.11 146	0.08 252	0.05 146	0.07 150	0.07 225	0.07 213	0.06 157

EDNetEfficientorigin	7.91 515	0.31 470	153.02 530	0.19 304	0.09 191	0.21 374	0.16 237	0.22 227	0.59 466	0.72 483	0.67 474	0.42 449	0.50 476	0.24 401	0.39 470	0.08 252	0.07 326	0.08 228	0.07 225	0.12 392	0.10 357

PSMNet-RSSM	0.14 261	0.07 112	0.13 184	0.15 57	0.08 84	0.13 198	0.16 237	0.24 267	0.24 276	0.16 248	0.28 350	0.22 317	0.14 269	0.15 235	0.13 230	0.11 368	0.06 257	0.09 304	0.12 411	0.08 272	0.07 231

edge stereo	0.22 399	0.13 385	0.20 368	0.21 379	0.13 387	0.23 395	0.16 237	0.32 381	0.42 421	0.32 432	0.40 425	0.38 434	0.35 451	0.25 406	0.24 406	0.13 416	0.11 407	0.14 421	0.11 392	0.12 392	0.13 410

RTSC	0.23 414	0.12 359	0.28 413	0.21 379	0.13 387	0.28 431	0.16 237	0.35 420	0.66 476	0.27 398	0.33 391	0.30 391	0.21 374	0.31 433	0.29 442	0.10 342	0.08 351	0.09 304	0.10 364	0.13 408	0.13 410

LE_ROB	0.50 478	0.07 112	0.14 215	0.15 57	0.08 84	0.24 400	0.16 237	0.22 227	1.81 509	4.63 513	0.67 474	0.47 464	0.44 471	0.20 354	0.29 442	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

fffft	0.09 42	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.17 268	0.12 24	0.11 37	0.08 31	0.07 21	0.09 85	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.05 87
1: 1. 1
fffy	0.09 42	0.08 199	0.09 49	0.16 111	0.07 39	0.13 198	0.17 268	0.13 36	0.12 53	0.08 31	0.09 55	0.08 61	0.09 129	0.13 191	0.11 146	0.05 6	0.05 146	0.07 150	0.05 68	0.04 3	0.05 87

AIO-Stereo-zeroshot1	0.11 142	0.05 11	0.14 215	0.15 57	0.20 455	0.09 52	0.17 268	0.21 205	0.15 117	0.11 112	0.14 144	0.10 112	0.07 73	0.10 35	0.08 16	0.06 84	0.05 146	0.07 150	0.07 225	0.07 213	0.09 336

rvit_stereo_ft	0.12 205	0.07 112	0.13 184	0.19 304	0.10 291	0.12 162	0.17 268	0.16 96	0.16 142	0.12 148	0.13 130	0.15 221	0.10 157	0.14 213	0.13 230	0.09 306	0.06 257	0.08 228	0.07 225	0.07 213	0.05 87

test_sample3	0.14 261	0.08 199	0.15 264	0.14 23	0.09 191	0.19 345	0.17 268	0.26 300	0.18 186	0.16 248	0.22 265	0.19 281	0.15 286	0.17 299	0.13 230	0.08 252	0.06 257	0.07 150	0.06 139	0.09 329	0.08 294

SMFormer	0.14 261	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.17 324	0.08 252	0.05 146	0.07 150	0.06 139	0.07 213	0.06 157

tta	0.14 261	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.17 324	0.08 252	0.05 146	0.07 150	0.06 139	0.06 149	0.06 157

qqq1	0.13 230	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.11 146	0.08 252	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

fff1	0.13 230	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.11 146	0.08 252	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

ffm	0.12 205	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.15 71	0.19 200	0.15 222	0.25 314	0.19 281	0.13 245	0.10 35	0.07 1	0.06 84	0.04 3	0.09 304	0.08 286	0.06 149	0.06 157

ff1	0.13 230	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.15 71	0.19 200	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.06 84	0.04 3	0.09 304	0.08 286	0.06 149	0.06 157

mmx	0.14 261	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.27 320	0.25 297	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.08 252	0.06 257	0.09 304	0.08 286	0.08 272	0.08 294

xxx	0.14 261	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.27 320	0.25 297	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.08 252	0.06 257	0.09 304	0.08 286	0.08 272	0.08 294

gwcnet-sp	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

scenet	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

CASS	0.13 230	0.12 359	0.11 111	0.23 414	0.09 191	0.15 254	0.17 268	0.18 155	0.19 200	0.17 262	0.18 216	0.15 221	0.15 286	0.14 213	0.14 267	0.09 306	0.06 257	0.10 349	0.08 286	0.09 329	0.07 231
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 142	0.07 112	0.13 184	0.16 111	0.11 335	0.11 130	0.17 268	0.18 155	0.17 160	0.11 112	0.18 216	0.10 112	0.10 157	0.15 235	0.11 146	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.04 18

anonymousa	0.13 230	0.07 112	0.13 184	0.18 249	0.09 191	0.13 198	0.17 268	0.19 174	0.29 339	0.15 222	0.24 285	0.15 221	0.14 269	0.14 213	0.14 267	0.07 197	0.05 146	0.07 150	0.09 330	0.05 66	0.06 157

ssnet	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

DCANet-4	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.18 155	0.19 200	0.13 174	0.16 171	0.09 85	0.14 269	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

fff	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

ADStereo(finetuned)	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.15 71	0.19 200	0.13 174	0.17 191	0.10 112	0.12 210	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

psmg	0.14 261	0.09 263	0.14 215	0.17 175	0.10 291	0.15 254	0.17 268	0.29 347	0.19 200	0.17 262	0.21 256	0.25 352	0.16 312	0.15 235	0.14 267	0.08 252	0.06 257	0.08 228	0.08 286	0.07 213	0.06 157

CSP-Net	0.16 325	0.09 263	0.14 215	0.16 111	0.09 191	0.19 345	0.17 268	0.25 283	0.32 361	0.25 388	0.30 367	0.24 339	0.15 286	0.21 370	0.18 342	0.09 306	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

DAS	0.15 302	0.08 199	0.18 349	0.19 304	0.10 291	0.19 345	0.17 268	0.27 320	0.29 339	0.18 292	0.25 314	0.21 300	0.15 286	0.16 269	0.12 190	0.08 252	0.06 257	0.06 62	0.06 139	0.07 213	0.07 231

SepStereo	0.15 302	0.08 199	0.18 349	0.19 304	0.10 291	0.19 345	0.17 268	0.27 320	0.29 339	0.18 292	0.25 314	0.21 300	0.15 286	0.25 406	0.12 190	0.08 252	0.06 257	0.06 62	0.06 139	0.07 213	0.07 231

IPLGR	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.12 162	0.17 268	0.21 205	0.24 276	0.11 112	0.12 117	0.11 132	0.08 103	0.12 150	0.12 190	0.06 84	0.05 146	0.06 62	0.06 139	0.04 3	0.04 18

DRaft	0.12 205	0.06 41	0.11 111	0.14 23	0.09 191	0.14 229	0.17 268	0.21 205	0.30 348	0.17 262	0.28 350	0.10 112	0.15 286	0.10 35	0.12 190	0.05 6	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

iRaftStereo_RVC	0.10 99	0.07 112	0.09 49	0.17 175	0.09 191	0.11 130	0.17 268	0.18 155	0.12 53	0.09 56	0.12 117	0.10 112	0.07 73	0.11 75	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.04 3	0.04 18

GEStereo_RVC	0.17 345	0.12 359	0.15 264	0.22 394	0.11 335	0.19 345	0.17 268	0.32 381	0.48 440	0.20 327	0.25 314	0.17 254	0.13 245	0.21 370	0.16 310	0.10 342	0.06 257	0.08 228	0.07 225	0.09 329	0.08 294

Anonymous3	0.16 325	0.13 385	0.33 432	0.26 438	0.14 405	0.27 425	0.17 268	0.28 337	0.28 333	0.15 222	0.17 191	0.14 192	0.10 157	0.15 235	0.12 190	0.08 252	0.08 351	0.08 228	0.08 286	0.08 272	0.11 380

ADLNet	0.16 325	0.08 199	0.15 264	0.16 111	0.10 291	0.16 283	0.17 268	0.32 381	0.27 319	0.22 355	0.27 338	0.24 339	0.16 312	0.18 317	0.21 377	0.10 342	0.06 257	0.10 349	0.10 364	0.08 272	0.09 336

HCRNet	0.16 325	0.24 453	0.12 141	0.35 470	0.11 335	0.15 254	0.17 268	0.26 300	0.22 251	0.19 306	0.24 285	0.21 300	0.14 269	0.15 235	0.13 230	0.11 368	0.07 326	0.11 378	0.10 364	0.09 329	0.07 231

DCANet	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.15 71	0.19 200	0.13 174	0.17 191	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

csc	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

cscssc	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

acv_ft	0.15 302	0.09 263	0.15 264	0.19 304	0.10 291	0.16 283	0.17 268	0.25 283	0.33 368	0.19 306	0.26 331	0.21 300	0.17 333	0.17 299	0.18 342	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

GANet-RSSM	0.14 261	0.07 112	0.13 184	0.13 12	0.08 84	0.14 229	0.17 268	0.22 227	0.21 237	0.17 262	0.24 285	0.23 333	0.15 286	0.16 269	0.15 294	0.10 342	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

MFN_U_SF_RVC	0.32 455	0.21 445	0.55 466	0.30 462	0.15 419	0.34 449	0.17 268	0.52 476	0.46 438	0.46 467	0.55 461	0.59 474	0.39 458	0.35 450	0.37 466	0.15 431	0.14 440	0.18 451	0.21 458	0.16 442	0.15 434

DMCA	0.14 261	0.09 263	0.16 298	0.19 304	0.09 191	0.15 254	0.17 268	0.23 245	0.27 319	0.14 195	0.19 224	0.17 254	0.18 345	0.15 235	0.17 324	0.10 342	0.06 257	0.08 228	0.06 139	0.09 329	0.10 357

CVANet_RVC	0.18 358	0.10 318	0.14 215	0.21 379	0.10 291	0.18 322	0.17 268	0.34 407	0.33 368	0.22 355	0.31 375	0.28 376	0.18 345	0.23 392	0.17 324	0.12 393	0.08 351	0.12 394	0.11 392	0.09 329	0.07 231

PS-NSSS	0.20 381	0.21 445	0.23 390	0.20 353	0.10 291	0.19 345	0.17 268	0.36 426	0.25 297	0.27 398	0.33 391	0.27 367	0.24 395	0.20 354	0.20 357	0.15 431	0.12 420	0.17 442	0.14 423	0.10 359	0.08 294

MLCV	0.12 205	0.07 112	0.16 298	0.18 249	0.06 8	0.15 254	0.17 268	0.19 174	0.21 237	0.18 292	0.25 314	0.17 254	0.13 245	0.14 213	0.13 230	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

DispFullNet	0.27 439	0.21 445	0.65 475	0.28 453	0.16 429	0.26 418	0.17 268	0.33 398	0.58 465	0.27 398	0.38 412	0.43 453	0.23 389	0.38 461	0.23 396	0.12 393	0.06 257	0.19 453	0.11 392	0.21 458	0.15 434

MM-Stereo_test2	0.09 42	0.06 41	0.09 49	0.19 304	0.08 84	0.12 162	0.18 312	0.15 71	0.14 103	0.07 12	0.10 78	0.07 37	0.06 25	0.12 150	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.03 1

MM-Stereo_test1	0.10 99	0.07 112	0.08 18	0.18 249	0.07 39	0.12 162	0.18 312	0.21 205	0.20 222	0.09 56	0.11 106	0.08 61	0.06 25	0.10 35	0.10 94	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

RAStereo	0.10 99	0.09 263	0.08 18	0.20 353	0.08 84	0.13 198	0.18 312	0.15 71	0.17 160	0.10 87	0.12 117	0.05 1	0.06 25	0.09 17	0.08 16	0.07 197	0.05 146	0.07 150	0.05 68	0.05 66	0.04 18

test_sample5	0.14 261	0.08 199	0.14 215	0.16 111	0.08 84	0.18 322	0.18 312	0.25 283	0.17 160	0.17 262	0.27 338	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

test_sample4	0.14 261	0.08 199	0.14 215	0.15 57	0.08 84	0.19 345	0.18 312	0.26 300	0.17 160	0.16 248	0.25 314	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.06 257	0.08 228	0.06 139	0.08 272	0.08 294

test_sample2	0.12 205	0.07 112	0.12 141	0.14 23	0.08 84	0.16 283	0.18 312	0.21 205	0.16 142	0.14 195	0.20 236	0.19 281	0.15 286	0.15 235	0.12 190	0.08 252	0.05 146	0.07 150	0.06 139	0.08 272	0.07 231

MyStereo07	0.10 99	0.07 112	0.10 78	0.17 175	0.09 191	0.14 229	0.18 312	0.15 71	0.15 117	0.09 56	0.06 3	0.06 8	0.07 73	0.12 150	0.09 45	0.06 84	0.05 146	0.08 228	0.07 225	0.06 149	0.06 157

MyStereo06	0.10 99	0.07 112	0.12 141	0.17 175	0.09 191	0.13 198	0.18 312	0.19 174	0.12 53	0.12 148	0.08 42	0.07 37	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.07 150	0.07 225	0.06 149	0.06 157

MyStereo05	0.13 230	0.07 112	0.10 78	0.17 175	0.09 191	0.13 198	0.18 312	0.27 320	0.35 386	0.17 262	0.14 144	0.15 221	0.11 181	0.15 235	0.13 230	0.06 84	0.05 146	0.07 150	0.07 225	0.06 149	0.06 157

MyStereo04	0.13 230	0.07 112	0.10 78	0.17 175	0.09 191	0.14 229	0.18 312	0.29 347	0.38 402	0.17 262	0.14 144	0.16 234	0.10 157	0.15 235	0.13 230	0.06 84	0.05 146	0.08 228	0.07 225	0.06 149	0.06 157

mmm	0.14 261	0.08 199	0.17 326	0.17 175	0.09 191	0.17 304	0.18 312	0.21 205	0.15 117	0.15 222	0.23 274	0.21 300	0.16 312	0.16 269	0.17 324	0.08 252	0.05 146	0.08 228	0.07 225	0.07 213	0.07 231

DualNet	0.14 261	0.08 199	0.14 215	0.16 111	0.08 84	0.18 322	0.18 312	0.25 283	0.17 160	0.17 262	0.27 338	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

ttt	0.14 261	0.08 199	0.14 215	0.15 57	0.08 84	0.15 254	0.18 312	0.27 320	0.29 339	0.16 248	0.24 285	0.17 254	0.13 245	0.13 191	0.14 267	0.11 368	0.08 351	0.09 304	0.08 286	0.09 329	0.08 294

ACVNet-4b	0.39 464	0.53 484	0.55 466	0.45 480	0.24 464	0.47 468	0.18 312	0.49 472	0.64 473	0.42 459	0.45 447	0.60 475	0.27 416	0.34 444	0.24 406	0.33 481	0.14 440	0.48 484	0.42 484	0.30 477	0.26 475

LL-Strereo	0.13 230	0.09 263	0.11 111	0.20 353	0.10 291	0.11 130	0.18 312	0.32 381	0.24 276	0.15 222	0.15 160	0.14 192	0.13 245	0.19 330	0.11 146	0.06 84	0.04 3	0.09 304	0.08 286	0.04 3	0.05 87

dd	0.15 302	0.16 411	0.16 298	0.19 304	0.09 191	0.15 254	0.18 312	0.21 205	0.25 297	0.23 367	0.20 236	0.21 300	0.09 129	0.21 370	0.16 310	0.10 342	0.06 257	0.08 228	0.06 139	0.08 272	0.06 157

dad	0.17 345	0.20 439	0.20 368	0.16 111	0.11 335	0.20 360	0.18 312	0.21 205	0.28 333	0.30 420	0.24 285	0.29 383	0.13 245	0.19 330	0.16 310	0.18 454	0.09 376	0.11 378	0.09 330	0.11 378	0.07 231

SACVNet	0.18 358	0.12 359	0.14 215	0.17 175	0.13 387	0.22 382	0.18 312	0.31 370	0.30 348	0.23 367	0.31 375	0.30 391	0.22 383	0.22 381	0.17 324	0.11 368	0.08 351	0.10 349	0.10 364	0.12 392	0.14 427

s12784h	0.09 42	0.06 41	0.07 4	0.15 57	0.05 1	0.16 283	0.18 312	0.15 71	0.15 117	0.10 87	0.11 106	0.11 132	0.11 181	0.10 35	0.12 190	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

222	0.16 325	0.07 112	0.14 215	0.14 23	0.08 84	0.24 400	0.18 312	0.30 361	0.20 222	0.17 262	0.28 350	0.17 254	0.16 312	0.15 235	0.40 472	0.10 342	0.05 146	0.07 150	0.06 139	0.07 213	0.08 294

xxxx	0.15 302	0.07 112	0.14 215	0.14 23	0.08 84	0.23 395	0.18 312	0.31 370	0.19 200	0.14 195	0.28 350	0.22 317	0.14 269	0.15 235	0.26 425	0.09 306	0.05 146	0.07 150	0.07 225	0.08 272	0.07 231

ARAFT	0.12 205	0.08 199	0.17 326	0.19 304	0.09 191	0.14 229	0.18 312	0.20 185	0.12 53	0.12 148	0.13 130	0.14 192	0.11 181	0.15 235	0.12 190	0.06 84	0.05 146	0.10 349	0.09 330	0.05 66	0.04 18

ac_64	0.16 325	0.08 199	0.15 264	0.18 249	0.10 291	0.22 382	0.18 312	0.24 267	0.21 237	0.18 292	0.24 285	0.29 383	0.18 345	0.19 330	0.22 386	0.09 306	0.07 326	0.08 228	0.09 330	0.07 213	0.06 157

HGLStereo	0.17 345	0.08 199	0.19 359	0.17 175	0.12 366	0.18 322	0.18 312	0.31 370	0.32 361	0.21 340	0.32 379	0.25 352	0.18 345	0.19 330	0.20 357	0.09 306	0.09 376	0.07 150	0.07 225	0.09 329	0.10 357

CFNet-ft	0.14 261	0.07 112	0.15 264	0.12 4	0.09 191	0.16 283	0.18 312	0.22 227	0.24 276	0.17 262	0.26 331	0.24 339	0.14 269	0.16 269	0.14 267	0.11 368	0.06 257	0.08 228	0.09 330	0.09 329	0.08 294

FAT-Stereo	0.20 381	0.12 359	0.22 381	0.21 379	0.12 366	0.17 304	0.18 312	0.34 407	0.39 405	0.27 398	0.37 407	0.34 419	0.32 444	0.21 370	0.20 357	0.09 306	0.11 407	0.10 349	0.09 330	0.11 378	0.14 427

DMCA-RVC	0.17 345	0.10 318	0.15 264	0.24 423	0.11 335	0.18 322	0.18 312	0.25 283	0.24 276	0.21 340	0.26 331	0.25 352	0.27 416	0.18 317	0.20 357	0.12 393	0.08 351	0.13 409	0.10 364	0.10 359	0.08 294

S-Stereo	0.20 381	0.12 359	0.25 398	0.21 379	0.13 387	0.20 360	0.18 312	0.32 381	0.43 426	0.23 367	0.36 401	0.28 376	0.30 436	0.19 330	0.22 386	0.09 306	0.12 420	0.10 349	0.10 364	0.13 408	0.13 410

SuperB	0.20 381	0.10 318	0.56 468	0.16 111	0.09 191	0.18 322	0.18 312	0.24 267	0.50 448	0.26 392	0.39 420	0.17 254	0.21 374	0.22 381	0.21 377	0.08 252	0.06 257	0.06 62	0.06 139	0.12 392	0.10 357

ADCRef	0.19 370	0.12 359	0.41 451	0.20 353	0.12 366	0.22 382	0.18 312	0.32 381	0.36 391	0.26 392	0.32 379	0.17 254	0.23 389	0.24 401	0.24 406	0.07 197	0.06 257	0.09 304	0.09 330	0.08 272	0.08 294

TDLM	0.17 345	0.12 359	0.13 184	0.24 423	0.10 291	0.18 322	0.18 312	0.36 426	0.30 348	0.21 340	0.28 350	0.28 376	0.18 345	0.23 392	0.18 342	0.11 368	0.07 326	0.10 349	0.10 364	0.08 272	0.08 294

CFNet_RVC	0.14 261	0.07 112	0.15 264	0.12 4	0.09 191	0.16 283	0.18 312	0.22 227	0.24 276	0.17 262	0.26 331	0.24 339	0.14 269	0.16 269	0.14 267	0.11 368	0.06 257	0.08 228	0.09 330	0.09 329	0.08 294

NLCA_NET_v2_RVC	0.17 345	0.10 318	0.22 381	0.20 353	0.10 291	0.15 254	0.18 312	0.31 370	0.25 297	0.21 340	0.30 367	0.25 352	0.17 333	0.21 370	0.20 357	0.09 306	0.06 257	0.08 228	0.08 286	0.07 213	0.08 294
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	0.17 345	0.12 359	0.15 264	0.20 353	0.09 191	0.18 322	0.18 312	0.26 300	0.23 260	0.26 392	0.40 425	0.22 317	0.17 333	0.21 370	0.20 357	0.08 252	0.05 146	0.09 304	0.10 364	0.07 213	0.07 231
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iResNet	0.13 230	0.10 318	0.18 349	0.19 304	0.08 84	0.13 198	0.18 312	0.20 185	0.26 310	0.15 222	0.23 274	0.15 221	0.13 245	0.14 213	0.14 267	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

DISCO	0.19 370	0.09 263	0.22 381	0.17 175	0.10 291	0.25 410	0.18 312	0.27 320	0.44 431	0.22 355	0.31 375	0.33 413	0.26 408	0.28 422	0.28 439	0.08 252	0.06 257	0.07 150	0.07 225	0.09 329	0.09 336

DLCB_ROB	0.18 358	0.10 318	0.15 264	0.23 414	0.11 335	0.24 400	0.18 312	0.29 347	0.28 333	0.27 398	0.28 350	0.28 376	0.24 395	0.19 330	0.20 357	0.08 252	0.08 351	0.09 304	0.09 330	0.07 213	0.07 231

SGM_RVC	0.23 414	0.12 359	0.15 264	0.15 57	0.09 191	0.33 446	0.18 312	0.34 407	0.31 355	0.44 463	0.37 407	0.53 471	0.35 451	0.35 450	0.24 406	0.13 416	0.13 433	0.13 409	0.13 420	0.10 359	0.11 380
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MM-Stereo_test3	0.10 99	0.07 112	0.07 4	0.18 249	0.07 39	0.12 162	0.19 350	0.24 267	0.19 200	0.06 3	0.10 78	0.08 61	0.06 25	0.11 75	0.08 16	0.06 84	0.06 257	0.07 150	0.05 68	0.05 66	0.04 18

PSMNet-RUCA	0.27 439	0.33 472	0.41 451	0.36 472	0.32 479	0.18 322	0.19 350	0.42 457	0.30 348	0.33 436	0.41 435	0.39 442	0.25 403	0.31 433	0.20 357	0.18 454	0.10 395	0.25 463	0.15 439	0.21 458	0.16 445

rvit_0105_4	0.14 261	0.09 263	0.17 326	0.17 175	0.10 291	0.12 162	0.19 350	0.23 245	0.27 319	0.14 195	0.20 236	0.17 254	0.13 245	0.17 299	0.13 230	0.15 431	0.11 407	0.11 378	0.10 364	0.09 329	0.06 157

test_sample6	0.14 261	0.08 199	0.13 184	0.16 111	0.08 84	0.17 304	0.19 350	0.25 283	0.17 160	0.17 262	0.27 338	0.19 281	0.14 269	0.15 235	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

CroCo-Stereo Lap2	0.09 42	0.09 263	0.08 18	0.22 394	0.09 191	0.09 52	0.19 350	0.16 96	0.12 53	0.09 56	0.10 78	0.05 1	0.05 7	0.08 11	0.08 16	0.06 84	0.06 257	0.07 150	0.05 68	0.05 66	0.05 87

CroCo-Stereo	0.09 42	0.08 199	0.08 18	0.22 394	0.09 191	0.09 52	0.19 350	0.15 71	0.12 53	0.07 12	0.07 21	0.08 61	0.06 25	0.08 11	0.07 1	0.07 197	0.05 146	0.06 62	0.04 18	0.05 66	0.04 18
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
psm_up	0.18 358	0.10 318	0.18 349	0.20 353	0.11 335	0.17 304	0.19 350	0.37 431	0.34 379	0.21 340	0.28 350	0.29 383	0.24 395	0.20 354	0.22 386	0.09 306	0.10 395	0.11 378	0.11 392	0.08 272	0.08 294

UNet	0.17 345	0.09 263	0.18 349	0.19 304	0.12 366	0.27 425	0.19 350	0.33 398	0.29 339	0.21 340	0.24 285	0.23 333	0.19 359	0.19 330	0.18 342	0.07 197	0.06 257	0.08 228	0.07 225	0.08 272	0.06 157

aanetorigin	0.22 399	0.17 422	0.56 468	0.17 175	0.10 291	0.15 254	0.19 350	0.20 185	0.33 368	0.49 468	0.48 451	0.29 383	0.27 416	0.20 354	0.23 396	0.08 252	0.07 326	0.08 228	0.07 225	0.10 359	0.09 336

GwcNet	0.20 381	0.13 385	0.19 359	0.18 249	0.12 366	0.24 400	0.19 350	0.35 420	0.43 426	0.20 327	0.32 379	0.33 413	0.20 370	0.22 381	0.24 406	0.11 368	0.09 376	0.09 304	0.09 330	0.09 329	0.10 357

cf-r	0.13 230	0.07 112	0.12 141	0.16 111	0.08 84	0.14 229	0.19 350	0.20 185	0.25 297	0.17 262	0.25 314	0.21 300	0.16 312	0.14 213	0.14 267	0.10 342	0.05 146	0.06 62	0.08 286	0.06 149	0.06 157

DSFCA	0.16 325	0.09 263	0.14 215	0.16 111	0.10 291	0.20 360	0.19 350	0.28 337	0.31 355	0.23 367	0.24 285	0.22 317	0.15 286	0.19 330	0.20 357	0.10 342	0.07 326	0.09 304	0.09 330	0.08 272	0.08 294

stereogan	0.22 399	0.11 343	0.21 375	0.20 353	0.12 366	0.31 439	0.19 350	0.35 420	0.44 431	0.22 355	0.39 420	0.35 423	0.27 416	0.33 441	0.22 386	0.10 342	0.12 420	0.10 349	0.10 364	0.14 420	0.13 410

CC-Net-ROB	0.28 443	0.31 470	0.36 441	0.29 460	0.15 419	0.25 410	0.19 350	0.45 466	0.33 368	0.39 449	0.37 407	0.39 442	0.31 440	0.27 411	0.26 425	0.24 475	0.19 459	0.30 476	0.23 465	0.18 453	0.15 434

DANet	0.21 390	0.15 403	0.28 413	0.25 433	0.13 387	0.22 382	0.19 350	0.27 320	0.27 319	0.28 410	0.32 379	0.35 423	0.31 440	0.31 433	0.23 396	0.11 368	0.09 376	0.11 378	0.10 364	0.13 408	0.11 380
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
AANet_RVC	0.16 325	0.10 318	0.10 78	0.18 249	0.09 191	0.18 322	0.19 350	0.26 300	0.31 355	0.22 355	0.35 398	0.21 300	0.21 374	0.22 381	0.16 310	0.06 84	0.05 146	0.06 62	0.06 139	0.07 213	0.06 157

SGM-ForestM	0.32 455	0.12 359	0.16 298	0.16 111	0.11 335	0.39 463	0.19 350	0.41 452	0.50 448	0.52 470	0.54 460	1.32 501	0.42 469	0.40 468	0.27 432	0.14 427	0.16 449	0.16 439	0.16 443	0.12 392	0.12 392

MDST_ROB	0.22 399	0.10 318	0.17 326	0.18 249	0.11 335	0.37 459	0.19 350	0.43 461	0.41 414	0.39 449	0.39 420	0.29 383	0.21 374	0.26 408	0.18 342	0.11 368	0.10 395	0.14 421	0.11 392	0.10 359	0.08 294

XPNet_ROB	0.22 399	0.11 343	0.19 359	0.22 394	0.13 387	0.22 382	0.19 350	0.34 407	0.40 411	0.30 420	0.39 420	0.39 442	0.26 408	0.26 408	0.28 439	0.15 431	0.10 395	0.10 349	0.10 364	0.13 408	0.12 392

UGAM	0.13 230	0.10 318	0.09 49	0.22 394	0.08 84	0.12 162	0.20 369	0.17 129	0.23 260	0.21 340	0.16 171	0.13 173	0.13 245	0.19 330	0.12 190	0.07 197	0.05 146	0.13 409	0.11 392	0.07 213	0.05 87

Wz-Net-LNSev-Ref	0.18 358	0.09 263	0.29 421	0.15 57	0.10 291	0.22 382	0.20 369	0.26 300	0.39 405	0.25 388	0.42 441	0.24 339	0.15 286	0.20 354	0.19 351	0.07 197	0.05 146	0.06 62	0.05 68	0.10 359	0.09 336

UDG	0.21 390	0.17 422	0.19 359	0.23 414	0.15 419	0.30 437	0.20 369	0.33 398	0.35 386	0.23 367	0.28 350	0.31 401	0.27 416	0.20 354	0.22 386	0.15 431	0.12 420	0.13 409	0.09 330	0.14 420	0.14 427

GwcNet-ADL	0.13 230	0.08 199	0.14 215	0.20 353	0.09 191	0.11 130	0.20 369	0.30 361	0.24 276	0.13 174	0.14 144	0.18 267	0.14 269	0.13 191	0.14 267	0.07 197	0.05 146	0.06 62	0.05 68	0.07 213	0.06 157

PSMNet-ADL	0.15 302	0.12 359	0.13 184	0.22 394	0.09 191	0.13 198	0.20 369	0.26 300	0.23 260	0.18 292	0.20 236	0.24 339	0.16 312	0.18 317	0.17 324	0.08 252	0.08 351	0.08 228	0.11 392	0.08 272	0.07 231

LMCR-Stereo	0.15 302	0.08 199	0.13 184	0.21 379	0.09 191	0.17 304	0.20 369	0.27 320	0.19 200	0.24 375	0.24 285	0.23 333	0.17 333	0.20 354	0.17 324	0.07 197	0.06 257	0.08 228	0.06 139	0.10 359	0.08 294

DGSMNet	0.24 421	0.19 435	0.33 432	0.21 379	0.24 464	0.24 400	0.20 369	0.35 420	0.41 414	0.24 375	0.32 379	0.38 434	0.21 374	0.29 429	0.23 396	0.12 393	0.11 407	0.14 421	0.16 443	0.23 462	0.23 467

test_xeample	0.15 302	0.06 41	0.13 184	0.14 23	0.08 84	0.21 374	0.20 369	0.28 337	0.20 222	0.16 248	0.29 362	0.19 281	0.16 312	0.15 235	0.26 425	0.09 306	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

Syn2CoEx	0.21 390	0.16 411	0.27 408	0.29 460	0.14 405	0.26 418	0.20 369	0.33 398	0.31 355	0.28 410	0.36 401	0.27 367	0.25 403	0.19 330	0.24 406	0.16 447	0.12 420	0.14 421	0.11 392	0.09 329	0.08 294

MMNet	0.17 345	0.09 263	0.16 298	0.20 353	0.11 335	0.27 425	0.20 369	0.25 283	0.41 414	0.22 355	0.30 367	0.21 300	0.20 370	0.17 299	0.20 357	0.06 84	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

EDNetEfficient	0.29 447	0.24 453	1.13 498	0.18 249	0.10 291	0.19 345	0.20 369	0.20 185	0.60 469	0.74 487	0.56 466	0.31 401	0.39 458	0.22 381	0.30 447	0.09 306	0.07 326	0.08 228	0.07 225	0.11 378	0.09 336

ACVNet	0.15 302	0.09 263	0.15 264	0.13 12	0.12 366	0.14 229	0.20 369	0.22 227	0.33 368	0.17 262	0.26 331	0.21 300	0.16 312	0.17 299	0.21 377	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

hitnet-ft	0.18 358	0.09 263	0.17 326	0.14 23	0.09 191	0.26 418	0.20 369	0.25 283	0.26 310	0.24 375	0.32 379	0.31 401	0.22 383	0.24 401	0.21 377	0.12 393	0.07 326	0.10 349	0.08 286	0.12 392	0.11 380

GwcNet-RSSM	0.14 261	0.07 112	0.12 141	0.15 57	0.08 84	0.15 254	0.20 369	0.21 205	0.27 319	0.18 292	0.27 338	0.22 317	0.16 312	0.14 213	0.15 294	0.10 342	0.05 146	0.07 150	0.09 330	0.07 213	0.07 231

RP	0.21 390	0.13 385	0.21 375	0.23 414	0.11 335	0.21 374	0.20 369	0.25 283	0.44 431	0.21 340	0.38 412	0.36 425	0.24 395	0.27 411	0.25 415	0.11 368	0.12 420	0.13 409	0.12 411	0.12 392	0.14 427

RTS	0.45 474	0.19 435	3.26 507	0.24 423	0.15 419	0.74 489	0.20 369	0.36 426	0.76 486	0.42 459	0.43 444	0.31 401	0.41 466	0.53 480	0.35 461	0.10 342	0.08 351	0.13 409	0.12 411	0.15 435	0.15 434

RTSA	0.45 474	0.19 435	3.26 507	0.24 423	0.15 419	0.74 489	0.20 369	0.36 426	0.76 486	0.42 459	0.43 444	0.31 401	0.41 466	0.53 480	0.35 461	0.10 342	0.08 351	0.13 409	0.12 411	0.15 435	0.15 434

DispNO	0.14 261	0.08 199	0.17 326	0.19 304	0.12 366	0.11 130	0.21 386	0.23 245	0.29 339	0.17 262	0.23 274	0.18 267	0.17 333	0.15 235	0.15 294	0.07 197	0.05 146	0.08 228	0.08 286	0.07 213	0.06 157

StereoVision	0.13 230	0.12 359	0.09 49	0.24 423	0.10 291	0.15 254	0.21 386	0.21 205	0.20 222	0.12 148	0.24 285	0.10 112	0.10 157	0.16 269	0.10 94	0.09 306	0.11 407	0.12 394	0.12 411	0.06 149	0.05 87

fast-acv-ft	0.18 358	0.11 343	0.19 359	0.19 304	0.12 366	0.24 400	0.21 386	0.25 283	0.34 379	0.22 355	0.34 395	0.27 367	0.20 370	0.21 370	0.23 396	0.09 306	0.09 376	0.08 228	0.10 364	0.08 272	0.07 231

ssnet_v2	0.17 345	0.10 318	0.17 326	0.17 175	0.11 335	0.21 374	0.21 386	0.33 398	0.25 297	0.22 355	0.22 265	0.27 367	0.18 345	0.22 381	0.20 357	0.11 368	0.09 376	0.09 304	0.09 330	0.08 272	0.08 294

ICVP	0.15 302	0.09 263	0.12 141	0.22 394	0.09 191	0.17 304	0.21 386	0.25 283	0.23 260	0.18 292	0.30 367	0.26 360	0.18 345	0.17 299	0.14 267	0.09 306	0.07 326	0.08 228	0.07 225	0.07 213	0.07 231
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
TestStereo	0.13 230	0.14 397	0.11 111	0.23 414	0.08 84	0.15 254	0.21 386	0.20 185	0.23 260	0.14 195	0.24 285	0.16 234	0.12 210	0.16 269	0.14 267	0.05 6	0.06 257	0.08 228	0.06 139	0.09 329	0.05 87

ccnet	0.29 447	0.28 465	0.23 390	0.20 353	0.28 473	0.41 465	0.21 386	0.45 466	0.33 368	0.36 441	0.46 448	0.36 425	0.30 436	0.39 464	0.42 476	0.23 473	0.14 440	0.21 456	0.17 450	0.23 462	0.18 456

delet	0.17 345	0.08 199	0.17 326	0.19 304	0.11 335	0.20 360	0.21 386	0.30 361	0.37 397	0.17 262	0.26 331	0.19 281	0.19 359	0.19 330	0.21 377	0.08 252	0.08 351	0.09 304	0.11 392	0.06 149	0.06 157

STTStereo	0.18 358	0.12 359	0.27 408	0.20 353	0.11 335	0.16 283	0.21 386	0.29 347	0.23 260	0.21 340	0.30 367	0.29 383	0.18 345	0.20 354	0.19 351	0.12 393	0.11 407	0.11 378	0.14 423	0.09 329	0.08 294

coex-ft	3.30 509	0.34 474	59.09 529	0.18 249	0.13 387	0.26 418	0.22 395	0.27 320	0.72 481	1.90 510	0.70 478	0.44 455	0.45 472	0.29 429	0.41 475	0.09 306	0.09 376	0.12 394	0.09 330	0.14 420	0.13 410

Anonymous_2	0.22 399	0.17 422	0.28 413	0.15 57	0.16 429	0.32 440	0.22 395	0.22 227	0.17 160	0.23 367	0.24 285	0.26 360	0.27 416	0.27 411	0.23 396	0.22 469	0.25 475	0.17 442	0.17 450	0.17 449	0.17 453

Sa-1000	0.12 205	0.08 199	0.08 18	0.18 249	0.08 84	0.14 229	0.22 395	0.22 227	0.18 186	0.15 222	0.20 236	0.17 254	0.11 181	0.10 35	0.10 94	0.06 84	0.05 146	0.09 304	0.09 330	0.05 66	0.05 87

test_4	0.10 99	0.10 318	0.08 18	0.19 304	0.09 191	0.08 32	0.22 395	0.15 71	0.17 160	0.12 148	0.18 216	0.12 149	0.09 129	0.08 11	0.11 146	0.04 1	0.04 3	0.08 228	0.08 286	0.04 3	0.03 1

GANet	0.21 390	0.12 359	0.21 375	0.24 423	0.13 387	0.22 382	0.22 395	0.41 452	0.26 310	0.31 426	0.42 441	0.37 430	0.28 424	0.23 392	0.22 386	0.10 342	0.12 420	0.10 349	0.09 330	0.10 359	0.08 294

DRN-Test	0.19 370	0.11 343	0.20 368	0.22 394	0.10 291	0.22 382	0.22 395	0.39 442	0.37 397	0.24 375	0.32 379	0.26 360	0.21 374	0.22 381	0.24 406	0.11 368	0.07 326	0.11 378	0.10 364	0.09 329	0.07 231

StereoDRNet	0.18 358	0.11 343	0.17 326	0.22 394	0.11 335	0.21 374	0.22 395	0.37 431	0.33 368	0.24 375	0.28 350	0.30 391	0.19 359	0.20 354	0.20 357	0.09 306	0.08 351	0.11 378	0.09 330	0.09 329	0.07 231

FBW_ROB	0.24 421	0.17 422	0.22 381	0.26 438	0.14 405	0.25 410	0.22 395	0.41 452	0.41 414	0.41 456	0.41 435	0.42 449	0.27 416	0.31 433	0.23 396	0.09 306	0.14 440	0.14 421	0.12 411	0.11 378	0.09 336

SGM-Forest	0.20 381	0.14 397	0.18 349	0.19 304	0.13 387	0.20 360	0.22 395	0.33 398	0.30 348	0.24 375	0.29 362	0.28 376	0.19 359	0.23 392	0.17 324	0.15 431	0.16 449	0.15 433	0.14 423	0.12 392	0.12 392
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
rvit_0105_5	0.14 261	0.09 263	0.13 184	0.17 175	0.09 191	0.14 229	0.23 404	0.24 267	0.27 319	0.14 195	0.15 160	0.18 267	0.12 210	0.17 299	0.14 267	0.14 427	0.11 407	0.10 349	0.10 364	0.08 272	0.06 157

Wz-Net-SNSev	0.25 430	0.17 422	0.44 454	0.25 433	0.14 405	0.26 418	0.23 404	0.38 438	0.56 460	0.30 420	0.55 461	0.39 442	0.26 408	0.23 392	0.30 447	0.10 342	0.09 376	0.09 304	0.10 364	0.11 378	0.11 380

Wz-Net-LNSev	0.22 399	0.16 411	0.38 445	0.21 379	0.13 387	0.25 410	0.23 404	0.32 381	0.43 426	0.30 420	0.41 435	0.31 401	0.18 345	0.22 381	0.25 415	0.10 342	0.09 376	0.08 228	0.08 286	0.12 392	0.11 380

FINET	0.21 390	0.18 432	0.26 401	0.18 249	0.16 429	0.23 395	0.23 404	0.32 381	0.48 440	0.25 388	0.32 379	0.22 317	0.22 383	0.22 381	0.17 324	0.18 454	0.16 449	0.11 378	0.10 364	0.15 435	0.13 410

UPFNet	0.16 325	0.08 199	0.12 141	0.20 353	0.12 366	0.20 360	0.23 404	0.28 337	0.26 310	0.17 262	0.24 285	0.22 317	0.19 359	0.19 330	0.21 377	0.09 306	0.07 326	0.08 228	0.09 330	0.08 272	0.06 157

RGC	0.25 430	0.20 439	0.29 421	0.28 453	0.16 429	0.22 382	0.23 404	0.32 381	0.44 431	0.27 398	0.40 425	0.38 434	0.27 416	0.36 455	0.22 386	0.11 368	0.13 433	0.17 442	0.17 450	0.14 420	0.16 445

G-Net	0.24 421	0.16 411	0.36 441	0.22 394	0.16 429	0.51 472	0.23 404	0.29 347	0.34 379	0.36 441	0.38 412	0.31 401	0.29 432	0.27 411	0.26 425	0.11 368	0.09 376	0.12 394	0.09 330	0.16 442	0.13 410

ADCS	0.29 447	0.18 432	0.45 455	0.21 379	0.17 444	0.28 431	0.23 404	0.41 452	0.63 472	0.40 452	0.49 452	0.40 446	0.36 453	0.39 464	0.40 472	0.13 416	0.12 420	0.13 409	0.14 423	0.16 442	0.16 445

NVstereo2D	0.19 370	0.10 318	0.15 264	0.17 175	0.15 419	0.28 431	0.23 404	0.44 463	0.42 421	0.15 222	0.27 338	0.25 352	0.19 359	0.22 381	0.17 324	0.09 306	0.06 257	0.10 349	0.08 286	0.15 435	0.09 336

NCCL2	0.23 414	0.15 403	0.17 326	0.34 468	0.18 450	0.24 400	0.23 404	0.34 407	0.28 333	0.31 426	0.38 412	0.38 434	0.28 424	0.23 392	0.24 406	0.15 431	0.12 420	0.18 451	0.21 458	0.13 408	0.13 410

otaku	0.39 464	0.37 477	0.52 462	0.44 479	0.28 473	0.58 476	0.24 414	0.41 452	0.62 471	0.40 452	0.49 452	0.46 461	0.33 445	0.40 468	0.32 455	0.30 478	0.30 479	0.39 480	0.33 479	0.29 476	0.28 476

Ntro	0.40 467	0.40 479	0.53 463	0.46 483	0.30 477	0.65 482	0.24 414	0.46 468	0.68 478	0.41 456	0.49 452	0.48 465	0.42 469	0.39 464	0.31 454	0.32 480	0.28 477	0.37 479	0.30 476	0.32 481	0.29 477

Wz-Net-MNSev	0.22 399	0.13 385	0.31 426	0.20 353	0.14 405	0.36 458	0.24 414	0.33 398	0.44 431	0.28 410	0.40 425	0.38 434	0.19 359	0.24 401	0.25 415	0.09 306	0.07 326	0.09 304	0.09 330	0.12 392	0.10 357

raft_robust	0.13 230	0.10 318	0.07 4	0.18 249	0.08 84	0.13 198	0.24 414	0.28 337	0.33 368	0.20 327	0.19 224	0.14 192	0.10 157	0.11 75	0.12 190	0.05 6	0.05 146	0.07 150	0.07 225	0.05 66	0.04 18

RAFT_CTSACE	0.12 205	0.09 263	0.10 78	0.22 394	0.08 84	0.12 162	0.24 414	0.18 155	0.16 142	0.20 327	0.27 338	0.13 173	0.07 73	0.13 191	0.09 45	0.05 6	0.06 257	0.08 228	0.07 225	0.04 3	0.04 18

SA	0.12 205	0.09 263	0.08 18	0.18 249	0.08 84	0.12 162	0.24 414	0.23 245	0.18 186	0.17 262	0.27 338	0.14 192	0.11 181	0.11 75	0.11 146	0.05 6	0.05 146	0.09 304	0.08 286	0.05 66	0.04 18

DDUNet	0.22 399	0.17 422	0.21 375	0.22 394	0.15 419	0.25 410	0.24 414	0.29 347	0.30 348	0.31 426	0.36 401	0.33 413	0.25 403	0.24 401	0.20 357	0.18 454	0.13 433	0.17 442	0.11 392	0.16 442	0.16 445

RAFT	0.13 230	0.09 263	0.11 111	0.18 249	0.08 84	0.15 254	0.24 414	0.20 185	0.19 200	0.21 340	0.21 256	0.17 254	0.12 210	0.16 269	0.09 45	0.06 84	0.07 326	0.10 349	0.09 330	0.05 66	0.05 87

test-1	0.10 99	0.07 112	0.16 298	0.19 304	0.08 84	0.11 130	0.24 414	0.14 51	0.18 186	0.09 56	0.07 21	0.09 85	0.08 103	0.07 3	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

RAFT + AFF	0.13 230	0.07 112	0.20 368	0.20 353	0.10 291	0.14 229	0.24 414	0.26 300	0.20 222	0.11 112	0.10 78	0.12 149	0.10 157	0.15 235	0.12 190	0.07 197	0.06 257	0.09 304	0.08 286	0.06 149	0.08 294

AF-Net	0.22 399	0.17 422	0.17 326	0.26 438	0.13 387	0.25 410	0.24 414	0.32 381	0.50 448	0.25 388	0.33 391	0.38 434	0.26 408	0.28 422	0.25 415	0.11 368	0.10 395	0.16 439	0.11 392	0.11 378	0.10 357

STTRV1_RVC	0.25 430	0.26 459	0.39 447	0.19 304	0.26 471	0.30 437	0.24 414	0.34 407	0.35 386	0.36 441	0.34 395	0.31 401	0.31 440	0.28 422	0.25 415	0.17 452	0.10 395	0.16 439	0.14 423	0.17 449	0.12 392

SANet	0.24 421	0.14 397	0.28 413	0.21 379	0.11 335	0.27 425	0.24 414	0.38 438	0.64 473	0.36 441	0.40 425	0.43 453	0.26 408	0.27 411	0.24 406	0.12 393	0.09 376	0.10 349	0.09 330	0.13 408	0.11 380

MeshStereo	0.27 439	0.13 385	0.18 349	0.15 57	0.11 335	0.32 440	0.24 414	0.40 446	0.36 391	0.52 470	0.57 468	0.67 482	0.40 461	0.35 450	0.26 425	0.14 427	0.13 433	0.13 409	0.11 392	0.11 378	0.10 357
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
rvit_0105_3	0.15 302	0.09 263	0.14 215	0.19 304	0.12 366	0.15 254	0.25 428	0.25 283	0.29 339	0.15 222	0.17 191	0.20 293	0.13 245	0.17 299	0.14 267	0.13 416	0.11 407	0.12 394	0.14 423	0.07 213	0.06 157

1111x	0.15 302	0.08 199	0.12 141	0.18 249	0.07 39	0.18 322	0.25 428	0.31 370	0.24 276	0.17 262	0.24 285	0.26 360	0.15 286	0.13 191	0.23 396	0.07 197	0.07 326	0.08 228	0.09 330	0.07 213	0.06 157

ToySt	0.17 345	0.11 343	0.18 349	0.17 175	0.11 335	0.16 283	0.25 428	0.24 267	0.33 368	0.19 306	0.24 285	0.26 360	0.24 395	0.19 330	0.20 357	0.07 197	0.08 351	0.09 304	0.10 364	0.09 329	0.08 294

cross-raft	0.10 99	0.09 263	0.09 49	0.19 304	0.07 39	0.11 130	0.25 428	0.13 36	0.15 117	0.08 31	0.11 106	0.12 149	0.10 157	0.09 17	0.11 146	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

ADCPNet	0.25 430	0.16 411	0.61 472	0.21 379	0.15 419	0.35 457	0.25 428	0.32 381	0.35 386	0.30 420	0.40 425	0.36 425	0.28 424	0.28 422	0.32 455	0.12 393	0.10 395	0.11 378	0.12 411	0.14 420	0.13 410

LSM	0.33 458	0.20 439	0.58 470	0.26 438	0.60 496	0.34 449	0.25 428	0.42 457	0.48 440	0.45 464	0.58 470	0.42 449	0.36 453	0.35 450	0.25 415	0.12 393	0.20 462	0.14 421	0.16 443	0.19 456	0.33 482

MSMD_ROB	0.31 453	0.26 459	0.26 401	0.24 423	0.21 458	0.34 449	0.25 428	0.34 407	0.39 405	0.40 452	0.69 476	0.45 457	0.40 461	0.34 444	0.27 432	0.20 461	0.19 459	0.26 464	0.25 467	0.23 462	0.22 466

test_3	0.10 99	0.09 263	0.10 78	0.20 353	0.08 84	0.13 198	0.26 435	0.14 51	0.21 237	0.10 87	0.10 78	0.09 85	0.09 129	0.08 11	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.04 3	0.04 18

Nwc_Net	0.23 414	0.16 411	0.21 375	0.25 433	0.14 405	0.24 400	0.26 435	0.37 431	0.38 402	0.22 355	0.41 435	0.30 391	0.28 424	0.28 422	0.25 415	0.11 368	0.10 395	0.17 442	0.20 456	0.10 359	0.10 357

ADCMid	0.25 430	0.15 403	0.40 449	0.20 353	0.14 405	0.25 410	0.26 435	0.34 407	0.38 402	0.36 441	0.44 446	0.34 419	0.40 461	0.35 450	0.33 458	0.10 342	0.09 376	0.11 378	0.11 392	0.13 408	0.12 392

ADCP+	0.20 381	0.10 318	0.33 432	0.20 353	0.12 366	0.22 382	0.26 435	0.31 370	0.34 379	0.26 392	0.37 407	0.22 317	0.22 383	0.27 411	0.27 432	0.09 306	0.06 257	0.08 228	0.08 286	0.09 329	0.10 357

RYNet	0.22 399	0.12 359	0.22 381	0.19 304	0.17 444	0.46 466	0.26 435	0.38 438	0.48 440	0.24 375	0.28 350	0.34 419	0.23 389	0.20 354	0.30 447	0.10 342	0.06 257	0.09 304	0.09 330	0.13 408	0.15 434

NaN_ROB	0.22 399	0.19 435	0.24 393	0.25 433	0.13 387	0.29 434	0.26 435	0.33 398	0.41 414	0.31 426	0.31 375	0.32 410	0.23 389	0.30 432	0.21 377	0.11 368	0.17 454	0.10 349	0.10 364	0.08 272	0.09 336

PDISCO_ROB	0.27 439	0.16 411	0.26 401	0.28 453	0.20 455	0.32 440	0.26 435	0.44 463	0.57 462	0.28 410	0.40 425	0.45 457	0.29 432	0.33 441	0.34 460	0.12 393	0.09 376	0.17 442	0.16 443	0.17 449	0.13 410

rvit_105_1	0.19 370	0.11 343	0.25 398	0.21 379	0.16 429	0.21 374	0.27 442	0.31 370	0.41 414	0.19 306	0.20 236	0.22 317	0.17 333	0.19 330	0.17 324	0.12 393	0.12 420	0.13 409	0.15 439	0.08 272	0.07 231

ACVNet_1	0.44 472	0.49 483	0.60 471	0.45 480	0.28 473	0.49 471	0.27 442	0.57 483	0.72 481	0.62 476	0.58 470	0.74 486	0.49 475	0.50 475	0.35 461	0.26 476	0.24 474	0.39 480	0.29 474	0.31 480	0.24 468

Wz-Net-TNSev	0.29 447	0.20 439	0.65 475	0.19 304	0.15 419	0.38 462	0.27 442	0.35 420	0.55 458	0.34 438	0.42 441	0.45 457	0.38 456	0.32 439	0.30 447	0.12 393	0.13 433	0.10 349	0.12 411	0.15 435	0.14 427

XQC	0.28 443	0.23 450	0.51 461	0.28 453	0.19 452	0.34 449	0.27 442	0.36 426	0.57 462	0.31 426	0.30 367	0.37 430	0.30 436	0.38 461	0.38 468	0.13 416	0.09 376	0.15 433	0.12 411	0.17 449	0.18 456

AnyNet_C01	0.36 462	0.25 458	1.37 501	0.22 394	0.17 444	0.48 470	0.27 442	0.35 420	0.39 405	0.39 449	0.74 482	0.46 461	0.38 456	0.45 472	0.47 481	0.13 416	0.13 433	0.13 409	0.14 423	0.14 420	0.15 434

LALA_ROB	0.25 430	0.16 411	0.22 381	0.26 438	0.17 444	0.27 425	0.27 442	0.42 457	0.37 397	0.33 436	0.38 412	0.51 467	0.26 408	0.28 422	0.27 432	0.16 447	0.09 376	0.12 394	0.11 392	0.13 408	0.12 392

FC-DCNN v2	0.33 458	0.27 461	0.28 413	0.26 438	0.23 462	0.37 459	0.28 448	0.40 446	0.43 426	0.45 464	0.56 466	0.51 467	0.40 461	0.37 459	0.29 442	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 468

RAFT+CT+SA	0.13 230	0.11 343	0.09 49	0.19 304	0.09 191	0.15 254	0.28 448	0.22 227	0.22 251	0.15 222	0.26 331	0.10 112	0.10 157	0.11 75	0.12 190	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

GMOStereo	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

error version	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

test-v	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

test-2	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

FCDSN-DC	0.33 458	0.28 465	0.28 413	0.30 462	0.24 464	0.39 463	0.28 448	0.42 457	0.42 421	0.43 462	0.53 458	0.51 467	0.41 466	0.36 455	0.30 447	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 468
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
DeepPrunerF	0.24 421	0.17 422	0.42 453	0.26 438	0.16 429	0.22 382	0.28 448	0.37 431	0.50 448	0.26 392	0.29 362	0.24 339	0.28 424	0.21 370	0.22 386	0.15 431	0.11 407	0.20 455	0.18 454	0.12 392	0.13 410

FC-DCNN	0.33 458	0.27 461	0.28 413	0.26 438	0.23 462	0.37 459	0.28 448	0.40 446	0.43 426	0.45 464	0.55 461	0.51 467	0.40 461	0.37 459	0.30 447	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 468

TestStereo1	0.13 230	0.08 199	0.08 18	0.19 304	0.08 84	0.18 322	0.29 457	0.23 245	0.16 142	0.17 262	0.20 236	0.16 234	0.10 157	0.12 150	0.13 230	0.06 84	0.06 257	0.08 228	0.06 139	0.05 66	0.05 87

test_5	0.14 261	0.12 359	0.08 18	0.20 353	0.10 291	0.14 229	0.29 457	0.21 205	0.24 276	0.18 292	0.28 350	0.11 132	0.15 286	0.12 150	0.13 230	0.06 84	0.05 146	0.07 150	0.08 286	0.08 272	0.07 231

SA-5K	0.13 230	0.08 199	0.08 18	0.19 304	0.08 84	0.18 322	0.29 457	0.23 245	0.16 142	0.17 262	0.20 236	0.16 234	0.10 157	0.12 150	0.13 230	0.06 84	0.06 257	0.08 228	0.06 139	0.05 66	0.05 87

WZ-Net	0.28 443	0.17 422	0.78 489	0.22 394	0.16 429	0.34 449	0.29 457	0.39 442	0.57 462	0.24 375	0.55 461	0.37 430	0.24 395	0.33 441	0.35 461	0.09 306	0.08 351	0.09 304	0.10 364	0.14 420	0.16 445

BEATNet-Init1	0.52 479	0.27 461	0.62 473	0.30 462	0.21 458	0.76 493	0.29 457	0.54 479	0.65 475	0.86 492	0.95 493	2.07 511	0.62 486	0.56 484	0.42 476	0.18 454	0.18 456	0.23 461	0.22 461	0.22 461	0.21 464

ADCL	0.24 421	0.11 343	0.47 459	0.22 394	0.12 366	0.34 449	0.29 457	0.29 347	0.56 460	0.24 375	0.46 448	0.30 391	0.30 436	0.29 429	0.29 442	0.08 252	0.07 326	0.09 304	0.09 330	0.10 359	0.10 357

ETE_ROB	0.23 414	0.17 422	0.22 381	0.25 433	0.13 387	0.26 418	0.29 457	0.31 370	0.36 391	0.28 410	0.36 401	0.45 457	0.26 408	0.27 411	0.26 425	0.11 368	0.08 351	0.12 394	0.09 330	0.14 420	0.13 410

LRCNet_RVC	10.62 520	13.42 524	7.30 512	18.92 524	2.07 513	0.33 446	0.30 464	5.59 516	0.48 440	13.03 522	17.94 523	8.87 518	5.65 514	4.79 514	1.89 510	23.51 528	2.73 518	27.55 529	25.71 529	16.07 526	16.33 526

MFN_U_SF_DS_RVC	0.30 452	0.24 453	0.29 421	0.36 472	0.16 429	0.34 449	0.30 464	0.32 381	0.42 421	0.40 452	0.46 448	0.38 434	0.31 440	0.34 444	0.28 439	0.19 459	0.20 462	0.26 464	0.29 474	0.18 453	0.19 461

NCC-stereo	0.24 421	0.15 403	0.31 426	0.26 438	0.16 429	0.20 360	0.30 464	0.40 446	0.40 411	0.24 375	0.38 412	0.33 413	0.28 424	0.36 455	0.27 432	0.12 393	0.11 407	0.15 433	0.22 461	0.13 408	0.13 410

Abc-Net	0.24 421	0.15 403	0.31 426	0.26 438	0.16 429	0.20 360	0.30 464	0.40 446	0.40 411	0.24 375	0.38 412	0.33 413	0.28 424	0.36 455	0.27 432	0.12 393	0.11 407	0.15 433	0.22 461	0.13 408	0.13 410
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
AnyNet_C32	0.26 437	0.16 411	0.36 441	0.20 353	0.16 429	0.25 410	0.30 464	0.32 381	0.44 431	0.31 426	0.49 452	0.30 391	0.33 445	0.40 468	0.33 458	0.12 393	0.12 420	0.12 394	0.14 423	0.14 420	0.15 434

PASM	0.32 455	0.24 453	0.48 460	0.28 453	0.27 472	0.29 434	0.30 464	0.34 407	0.49 445	0.35 439	0.39 420	0.46 461	0.34 449	0.34 444	0.35 461	0.23 473	0.25 475	0.26 464	0.28 473	0.23 462	0.21 464

APVNet	0.22 399	0.12 359	0.19 359	0.18 249	0.14 405	0.32 440	0.31 470	0.39 442	0.32 361	0.27 398	0.40 425	0.30 391	0.29 432	0.26 408	0.25 415	0.11 368	0.12 420	0.11 378	0.14 423	0.12 392	0.12 392

MANE	0.45 474	0.27 461	0.27 408	0.27 450	0.24 464	0.47 468	0.31 470	0.55 480	0.59 466	0.72 483	1.13 502	1.15 495	0.61 484	0.52 478	0.37 466	0.21 465	0.20 462	0.27 467	0.31 478	0.25 470	0.24 468

MSC_U_SF_DS_RVC	0.43 471	0.39 478	0.54 464	0.40 475	0.20 455	0.64 481	0.32 472	0.53 478	0.72 481	0.71 481	0.72 479	0.61 476	0.54 477	0.51 476	0.46 480	0.20 461	0.19 459	0.29 474	0.30 476	0.23 462	0.18 456

NVStereoNet_ROB	0.46 477	0.36 476	0.46 458	0.41 477	0.28 473	0.34 449	0.34 473	0.48 470	0.60 469	0.72 483	0.93 491	0.70 485	0.66 487	0.47 473	0.60 490	0.22 469	0.33 482	0.34 478	0.34 481	0.30 477	0.30 479
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
PSMNet_ROB	0.21 390	0.11 343	0.15 264	0.27 450	0.15 419	0.24 400	0.35 474	0.43 461	0.37 397	0.27 398	0.32 379	0.32 410	0.22 383	0.21 370	0.26 425	0.12 393	0.08 351	0.13 409	0.11 392	0.09 329	0.09 336

PWCK	0.71 488	0.94 503	0.95 496	0.76 492	0.31 478	0.74 489	0.36 475	0.90 493	0.90 491	0.96 496	0.75 484	0.95 490	0.61 484	0.87 499	0.66 493	0.72 500	0.46 487	0.75 495	0.49 488	0.69 499	0.44 489

ELAS_RVC	0.41 469	0.29 468	0.33 432	0.28 453	0.24 464	0.54 474	0.36 475	0.49 472	0.59 466	0.72 483	0.74 482	0.65 480	0.54 477	0.54 482	0.40 472	0.22 469	0.20 462	0.27 467	0.26 468	0.26 474	0.25 473
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 469	0.29 468	0.33 432	0.27 450	0.24 464	0.60 479	0.36 475	0.50 474	0.50 448	0.71 481	0.79 486	0.67 482	0.54 477	0.51 476	0.42 476	0.22 469	0.20 462	0.27 467	0.26 468	0.26 474	0.25 473
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
RainbowNet	0.54 481	0.61 488	0.70 487	0.57 487	0.43 484	0.65 482	0.37 478	0.60 485	0.87 490	0.50 469	0.66 473	0.64 478	0.47 473	0.49 474	0.43 479	0.47 489	0.48 492	0.52 488	0.41 483	0.52 486	0.40 487

PA-Net	0.23 414	0.18 432	0.33 432	0.28 453	0.22 460	0.21 374	0.38 479	0.29 347	0.39 405	0.22 355	0.32 379	0.25 352	0.26 408	0.20 354	0.25 415	0.09 306	0.23 473	0.15 433	0.22 461	0.09 329	0.13 410
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
anonymity	0.53 480	0.58 486	0.65 475	0.41 477	0.61 497	0.53 473	0.41 480	0.56 481	0.41 414	0.55 473	0.50 456	0.49 466	0.55 480	0.58 485	0.50 486	0.58 494	0.50 496	0.51 486	0.51 491	0.51 485	0.57 492

Consistency-Raft	0.44 472	0.40 479	0.45 455	0.37 474	0.43 484	0.46 466	0.41 480	0.57 483	0.55 458	0.32 432	0.73 480	0.33 413	0.48 474	0.42 471	0.49 483	0.39 483	0.35 483	0.45 483	0.51 491	0.42 483	0.29 477

GANetREF_RVC	0.31 453	0.34 474	0.27 408	0.35 470	0.16 429	0.32 440	0.41 480	0.48 470	0.51 455	0.35 439	0.35 398	0.34 419	0.33 445	0.39 464	0.32 455	0.27 477	0.20 462	0.29 474	0.15 439	0.18 453	0.17 453
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
DPSNet	0.28 443	0.16 411	0.31 426	0.18 249	0.13 387	0.54 474	0.42 483	0.51 475	0.67 477	0.29 417	0.38 412	0.38 434	0.29 432	0.31 433	0.23 396	0.11 368	0.10 395	0.11 378	0.08 286	0.20 457	0.16 445

CSAN	0.29 447	0.24 453	0.27 408	0.34 468	0.19 452	0.33 446	0.42 483	0.37 431	0.50 448	0.38 447	0.40 425	0.44 455	0.33 445	0.28 422	0.30 447	0.20 461	0.16 449	0.19 453	0.19 455	0.14 420	0.15 434

PVD	0.39 464	0.20 439	0.39 447	0.31 466	0.22 460	0.29 434	0.43 485	0.52 476	0.96 493	0.55 473	0.79 486	0.53 471	0.59 483	0.52 478	0.38 468	0.19 459	0.14 440	0.17 442	0.14 423	0.24 469	0.31 480

SPS-STEREO	0.57 483	0.58 486	0.65 475	0.45 480	0.55 491	0.62 480	0.44 486	0.62 486	0.50 448	0.68 479	0.64 472	0.66 481	0.57 482	0.61 486	0.60 490	0.62 497	0.47 491	0.51 486	0.49 488	0.55 490	0.58 493
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH-64-1	0.65 485	0.61 488	0.68 483	0.71 490	0.51 487	0.59 477	0.49 487	0.91 494	0.85 488	0.74 487	1.02 495	0.81 487	0.78 492	0.79 491	0.49 483	0.42 485	0.46 487	0.71 492	0.47 486	0.52 486	0.39 485

IMH-64	0.65 485	0.61 488	0.68 483	0.71 490	0.51 487	0.59 477	0.49 487	0.91 494	0.85 488	0.74 487	1.02 495	0.81 487	0.78 492	0.79 491	0.49 483	0.42 485	0.46 487	0.71 492	0.47 486	0.52 486	0.39 485

ACVNet_2	0.66 487	0.66 492	0.68 483	0.63 488	0.41 482	0.71 487	0.49 487	0.96 498	1.39 502	0.89 493	1.09 498	1.04 491	0.73 490	0.54 482	0.47 481	0.43 487	0.40 485	0.53 489	0.44 485	0.47 484	0.35 484

SGM+DAISY	0.56 482	0.57 485	0.65 475	0.40 475	0.54 489	0.66 484	0.49 487	0.56 481	0.45 437	0.66 477	0.69 476	0.67 482	0.56 481	0.63 487	0.56 488	0.59 495	0.48 492	0.50 485	0.50 490	0.52 486	0.58 493

IMH	0.71 488	0.64 491	0.68 483	0.76 492	0.54 489	0.69 485	0.54 491	0.98 500	1.10 495	0.82 491	1.09 498	0.89 489	0.88 497	0.87 499	0.52 487	0.44 488	0.50 496	0.75 495	0.51 491	0.56 491	0.41 488

TorneroNet-64	0.76 492	0.72 495	0.74 488	0.78 494	0.58 495	0.91 500	0.56 492	0.84 492	1.29 499	0.66 477	0.90 489	1.40 503	0.75 491	0.85 497	0.67 496	0.49 490	0.46 487	0.72 494	0.59 494	0.67 496	0.53 491

MFMNet_re	0.64 484	0.66 492	0.65 475	0.51 484	0.69 501	0.69 485	0.57 493	0.64 487	0.73 484	0.60 475	0.73 480	0.62 477	0.67 488	0.65 488	0.60 490	0.66 499	0.58 505	0.63 490	0.59 494	0.68 497	0.69 502

WAO-6	0.81 494	0.80 498	0.62 473	0.86 499	0.63 498	0.76 493	0.58 494	0.98 500	1.54 507	0.90 494	0.96 494	1.07 493	1.03 502	0.70 490	0.66 493	0.72 500	0.49 494	0.90 503	0.71 501	0.68 497	0.58 493

TorneroNet	0.82 495	0.74 496	0.81 493	0.84 497	0.63 498	0.99 502	0.63 495	0.96 498	1.16 496	0.80 490	1.11 500	1.36 502	0.86 496	0.93 502	0.80 501	0.56 492	0.49 494	0.78 500	0.66 499	0.73 502	0.63 501

Dean	0.87 497	0.86 502	0.79 491	0.81 496	0.56 492	0.90 497	0.63 495	1.15 508	1.73 508	1.15 503	1.15 503	1.31 500	0.99 501	0.81 493	0.81 502	0.57 493	0.56 503	0.77 499	0.64 497	0.66 495	0.58 493

JetBlue	0.71 488	0.45 482	1.14 499	0.51 484	0.47 486	2.02 510	0.64 497	0.75 489	0.70 479	0.69 480	0.77 485	1.22 497	0.83 494	1.03 506	1.01 506	0.40 484	0.28 477	0.33 477	0.33 479	0.30 477	0.34 483

LVE	0.83 496	0.85 501	0.85 494	0.80 495	0.56 492	1.04 506	0.65 498	1.05 503	1.47 505	0.96 496	1.22 506	1.10 494	0.85 495	0.83 494	0.71 498	0.49 490	0.55 502	0.76 498	0.60 496	0.65 494	0.59 498

WAO-8	0.91 498	0.81 499	0.65 475	0.94 502	0.69 501	0.90 497	0.67 499	1.07 505	1.83 510	1.06 501	1.45 508	1.30 498	1.07 503	0.84 495	0.78 499	0.74 502	0.53 499	0.86 501	0.75 502	0.69 499	0.62 499

Venus	0.91 498	0.81 499	0.65 475	0.94 502	0.69 501	0.90 497	0.67 499	1.07 505	1.83 510	1.06 501	1.45 508	1.30 498	1.07 503	0.84 495	0.78 499	0.74 502	0.53 499	0.86 501	0.75 502	0.69 499	0.62 499

WAO-7	0.79 493	0.78 497	0.54 464	0.85 498	0.67 500	0.74 489	0.68 501	1.05 503	1.32 500	0.90 494	1.20 505	1.04 491	0.92 498	0.69 489	0.66 493	0.60 496	0.62 506	0.67 491	0.68 500	0.64 493	0.58 493

notaker	0.97 501	1.11 506	0.98 497	1.13 507	0.81 505	0.73 488	0.68 501	0.93 496	1.16 496	1.18 505	1.18 504	1.41 504	1.16 507	1.08 508	0.69 497	0.81 505	0.64 507	1.17 508	0.79 504	0.98 506	0.80 506

HanzoNet	1.29 506	1.26 510	1.19 500	1.12 506	0.85 506	1.02 505	0.83 503	1.03 502	1.48 506	1.64 508	1.61 510	2.50 513	1.72 510	1.61 510	1.61 509	1.26 510	0.80 509	1.31 511	1.01 509	1.02 508	0.86 507

UNDER WATER	0.97 501	0.97 505	1.42 502	0.99 504	0.70 504	1.12 508	0.84 504	0.80 491	1.08 494	1.01 498	0.90 489	1.55 507	1.22 509	1.03 506	1.00 505	0.78 504	0.53 499	1.02 505	0.87 506	0.80 504	0.74 504

UNDER WATER-64	0.95 500	0.94 503	1.43 503	0.87 500	0.56 492	1.18 509	0.87 505	0.77 490	0.94 492	1.04 499	0.85 488	1.58 508	1.21 508	0.94 503	0.96 504	0.87 506	0.57 504	1.03 506	0.88 507	0.78 503	0.73 503

ktn	1.01 503	1.21 508	0.80 492	1.23 509	0.86 507	1.01 504	0.87 505	0.94 497	1.39 502	1.04 499	1.12 501	1.15 495	1.07 503	0.94 503	0.59 489	1.28 511	0.71 508	1.38 512	0.83 505	1.02 508	0.75 505

KSHMR	1.09 504	1.17 507	0.88 495	1.25 510	1.00 509	0.99 502	0.96 507	1.13 507	1.37 501	1.16 504	1.29 507	1.41 504	0.96 500	1.01 505	0.92 503	1.03 508	1.08 510	1.20 509	1.03 510	1.01 507	0.97 508

MADNet+	0.75 491	0.71 494	3.70 510	0.66 489	0.41 482	0.98 501	0.97 508	0.69 488	0.73 484	0.52 470	0.57 468	0.64 478	0.68 489	0.86 498	1.01 506	0.34 482	0.36 484	0.28 473	0.23 465	0.36 482	0.31 480

DPSimNet_ROB	1.11 505	1.23 509	0.78 489	1.13 507	0.88 508	1.10 507	1.13 509	1.16 509	1.23 498	1.43 507	1.02 495	1.41 504	1.10 506	0.90 501	1.60 508	1.46 512	0.51 498	1.21 510	1.03 510	0.90 505	1.01 510

SAMSARA	0.40 467	0.28 465	0.33 432	0.55 486	0.39 480	0.82 496	1.23 510	0.47 469	0.51 455	0.36 441	0.35 398	0.55 473	0.39 458	0.38 461	0.39 470	0.15 431	0.20 462	0.15 433	0.14 423	0.23 462	0.20 462

MADNet++	1.95 508	1.75 512	1.59 504	1.82 512	1.69 512	2.33 511	1.40 511	2.35 512	2.09 512	2.57 512	2.36 512	2.24 512	2.17 511	2.28 511	2.34 511	1.87 513	1.66 513	1.54 513	1.34 513	1.92 512	1.77 513

JetRed	1.62 507	1.46 511	2.98 506	0.92 501	1.21 510	4.99 512	1.53 512	1.27 510	1.39 502	1.83 509	1.74 511	1.60 509	0.95 499	1.41 509	2.45 512	0.90 507	1.60 512	0.93 504	0.90 508	1.35 510	0.99 509

HaxPig	15.71 524	18.52 528	19.18 524	16.89 523	15.89 525	7.73 513	7.60 513	13.31 524	10.82 519	15.42 523	14.91 522	15.98 525	14.92 524	15.58 524	15.98 524	18.95 527	16.73 525	19.46 527	18.08 527	19.26 527	19.05 527

MEDIAN_ROB	20.38 525	24.04 529	23.31 526	21.23 525	21.71 526	10.40 518	7.92 514	17.64 525	15.50 525	20.12 525	19.70 524	20.34 526	20.32 525	21.19 525	21.13 525	23.81 529	21.81 529	24.98 528	23.76 528	24.71 528	23.93 528

AVERAGE_ROB	24.90 529	29.20 530	28.14 527	24.89 529	24.64 529	17.75 523	11.12 515	21.45 526	19.93 526	25.12 529	24.46 528	25.12 530	25.46 529	24.69 529	22.83 526	29.76 530	27.13 530	28.97 530	27.95 530	29.91 529	29.47 529

tt	4.67 511	0.06 41	3.55 509	2.02 513	1.55 511	10.25 517	16.71 516	8.91 520	5.03 513	1.31 506	0.94 492	4.71 514	4.76 513	3.33 513	5.87 515	6.06 520	10.30 524	1.88 514	2.11 515	2.75 513	1.21 511

ASD4	3.54 510	3.38 514	2.05 505	1.72 511	2.51 514	9.03 516	17.71 517	2.25 511	5.51 514	2.46 511	2.81 513	2.03 510	3.36 512	2.73 512	5.06 513	1.22 509	1.34 511	1.13 507	1.33 512	1.68 511	1.49 512

xxxxx1	7.79 512	5.02 517	7.31 513	3.12 514	3.85 515	16.35 520	22.88 518	5.86 517	8.69 516	7.97 516	8.54 514	9.12 519	8.27 516	10.18 518	10.92 516	2.42 514	2.45 515	3.56 517	12.37 521	3.77 514	3.06 515

tt_ll	7.79 512	5.02 517	7.31 513	3.12 514	3.85 515	16.35 520	22.88 518	5.86 517	8.69 516	7.97 516	8.54 514	9.12 519	8.27 516	10.18 518	10.92 516	2.42 514	2.45 515	3.56 517	12.37 521	3.77 514	3.06 515

ff	7.79 512	5.02 517	7.31 513	3.12 514	3.85 515	16.35 520	22.88 518	5.86 517	8.69 516	7.97 516	8.54 514	9.12 519	8.27 516	10.18 518	10.92 516	2.42 514	2.45 515	3.56 517	12.37 521	3.77 514	3.06 515

DGTPSM_ROB	8.06 516	4.48 515	8.63 519	5.35 517	10.72 520	8.32 514	22.97 521	5.46 514	13.35 520	5.12 514	9.92 517	5.08 515	10.40 519	5.52 515	12.58 519	3.79 517	8.00 519	3.50 515	7.02 518	3.83 517	7.14 519

DPSMNet_ROB	8.06 516	4.48 515	8.63 519	5.37 519	10.74 521	8.32 514	22.98 522	5.46 514	13.36 521	5.12 514	9.92 517	5.08 515	10.40 519	5.53 516	12.58 519	3.80 518	8.00 519	3.50 515	7.02 518	3.83 517	7.14 519

PML	8.91 518	9.34 523	6.13 511	5.35 517	6.41 518	14.99 519	23.38 523	5.27 513	6.83 515	18.04 524	28.19 529	7.67 517	6.83 515	7.85 517	5.75 514	5.35 519	1.83 514	5.95 523	1.93 514	8.64 521	2.52 514

Anonymous_1	10.96 521	7.92 520	7.46 516	10.33 520	10.06 519	18.65 524	26.34 524	11.06 521	13.44 522	9.40 519	10.05 519	9.67 522	11.23 521	10.73 521	12.72 521	6.42 521	8.38 521	5.77 520	10.61 520	12.12 522	6.77 518

DPSM_ROB	11.15 522	8.58 521	8.00 517	10.88 521	11.58 522	19.10 525	26.71 525	12.05 522	14.07 523	10.36 520	10.84 520	10.33 523	11.86 522	11.70 522	13.54 522	6.99 522	8.79 522	5.89 521	6.95 516	7.29 519	7.42 521

DPSM	11.15 522	8.58 521	8.00 517	10.88 521	11.58 522	19.10 525	26.71 525	12.05 522	14.07 523	10.36 520	10.84 520	10.33 523	11.86 522	11.70 522	13.54 522	6.99 522	8.79 522	5.89 521	6.95 516	7.29 519	7.42 521

LSM0	22.87 528	17.28 525	18.96 523	22.19 528	29.04 530	38.42 529	53.71 527	24.28 528	28.31 527	20.78 528	21.00 525	21.43 529	24.16 528	23.50 527	27.39 528	14.09 526	17.38 526	11.84 526	14.04 526	14.73 525	14.89 523

CasAABBNet	22.42 526	17.33 526	16.01 521	22.01 526	23.28 527	38.32 527	53.80 528	24.14 527	28.41 528	20.60 526	21.77 526	20.89 528	23.91 527	23.43 526	27.36 527	14.07 524	17.69 527	11.83 525	14.01 525	14.67 523	14.95 524

Selective-RAFT-Error	22.47 527	17.37 527	16.09 522	22.06 527	23.34 528	38.39 528	53.83 529	24.29 529	28.47 529	20.74 527	21.83 527	20.81 527	23.90 526	23.54 528	27.53 529	14.08 525	17.69 527	11.82 524	14.00 524	14.69 524	15.00 525

test_example2	98.32 530	94.13 531	45.89 528	96.35 530	109.85 531	88.61 530	95.45 530	25.75 530	94.37 530	130.00 531	126.06 531	58.17 531	74.63 530	88.51 530	79.96 530	150.23 531	221.02 531	77.62 531	99.10 531	113.75 531	96.94 530

ccccc	245.47 531	285.66 532	306.18 531	368.85 532	370.60 532	123.16 531	145.33 531	115.05 531	110.08 531	126.68 530	110.87 530	122.83 532	165.88 531	252.94 531	276.56 531	384.56 532	353.86 532	254.69 532	223.00 532	425.87 532	386.83 531

FADE		0.33 472		0.33 467	0.25 470							0.42 449				0.30 478	0.21 472	0.41 482	0.38 482	0.23 462

Low-res two-view benchmark