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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DEFOM-Stereo_RVC	0.08 44	0.06 57	0.09 72	0.22 456	0.06 13	0.08 52	0.12 63	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.05 11	0.11 108	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.04 40

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

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

AIO-test2	0.10 143	0.08 237	0.10 109	0.23 477	0.08 127	0.11 173	0.10 27	0.23 295	0.23 309	0.08 63	0.09 89	0.08 99	0.05 11	0.10 62	0.08 17	0.06 114	0.05 183	0.08 279	0.09 384	0.05 100	0.05 121

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

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

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

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

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

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

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

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

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

CroCo-Stereo Lap2	0.09 82	0.09 313	0.08 30	0.22 456	0.09 239	0.09 81	0.19 403	0.16 133	0.12 88	0.09 93	0.10 118	0.05 1	0.05 11	0.08 15	0.08 17	0.06 114	0.06 308	0.07 195	0.05 108	0.05 100	0.05 121

iRaft-Stereo_20w	0.09 82	0.05 18	0.13 230	0.14 30	0.08 127	0.12 208	0.15 220	0.18 198	0.10 36	0.11 155	0.08 71	0.08 99	0.05 11	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

RAStereo	0.10 143	0.09 313	0.08 30	0.20 412	0.08 127	0.13 247	0.18 364	0.15 107	0.17 206	0.10 126	0.12 161	0.05 1	0.06 36	0.09 33	0.08 17	0.07 240	0.05 183	0.07 195	0.05 108	0.05 100	0.04 40

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

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

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

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

test_for_model	0.09 82	0.12 415	0.14 265	0.23 477	0.11 390	0.08 52	0.13 104	0.12 44	0.12 88	0.10 126	0.07 38	0.07 62	0.06 36	0.11 108	0.10 123	0.06 114	0.05 183	0.05 23	0.03 1	0.07 258	0.04 40

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

MoCha-V2	0.08 44	0.05 18	0.10 109	0.20 412	0.07 71	0.09 81	0.14 152	0.11 29	0.08 12	0.07 30	0.08 71	0.07 62	0.06 36	0.09 33	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

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

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

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

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

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

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

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

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

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

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

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

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

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

DLNR_Zeroshot_test	10.40 585	1.82 577	19.49 592	120.77 598	13.11 590	0.06 9	0.13 104	0.23 295	0.10 36	0.07 30	0.10 118	0.09 124	0.06 36	0.10 62	0.09 54	0.13 478	0.04 21	0.06 102	0.04 34	51.54 597	0.04 40

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

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

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

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

ProNet	0.09 82	0.07 140	0.10 109	0.17 217	0.08 127	0.10 128	0.15 220	0.15 107	0.12 88	0.09 93	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.06 200

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

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

IGEV-Stereo	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.09 93	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 82	0.05 18	0.12 185	0.15 70	0.12 421	0.10 128	0.13 104	0.18 198	0.18 232	0.09 93	0.09 89	0.09 124	0.06 36	0.10 62	0.08 17	0.07 240	0.05 183	0.07 195	0.07 273	0.04 15	0.04 40

CroCo-Stereo	0.09 82	0.08 237	0.08 30	0.22 456	0.09 239	0.09 81	0.19 403	0.15 107	0.12 88	0.07 30	0.07 38	0.08 99	0.06 36	0.08 15	0.07 1	0.07 240	0.05 183	0.06 102	0.04 34	0.05 100	0.04 40
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 82	0.04 1	0.08 30	0.13 13	0.06 13	0.11 173	0.14 152	0.15 107	0.19 247	0.11 155	0.15 206	0.10 155	0.06 36	0.12 190	0.09 54	0.07 240	0.05 183	0.05 23	0.04 34	0.06 192	0.05 121

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

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

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

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

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

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

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

AIO-test1	0.10 143	0.07 140	0.10 109	0.23 477	0.07 71	0.09 81	0.13 104	0.21 253	0.14 143	0.11 155	0.12 161	0.09 124	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.09 360	0.10 423	0.03 1	0.06 200

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

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

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

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

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

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

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

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

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

CAS++	0.11 186	0.07 140	0.11 150	0.14 30	0.09 239	0.12 208	0.14 152	0.24 317	0.14 143	0.11 155	0.09 89	0.11 176	0.07 107	0.14 261	0.09 54	0.11 430	0.09 435	0.09 360	0.07 273	0.07 258	0.08 344
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 143	0.06 57	0.11 150	0.20 412	0.10 341	0.10 128	0.12 63	0.17 169	0.12 88	0.12 193	0.13 175	0.09 124	0.07 107	0.11 108	0.13 278	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

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

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

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

CASnet	0.09 82	0.09 313	0.09 72	0.19 356	0.06 13	0.07 29	0.11 46	0.18 198	0.14 143	0.11 155	0.10 118	0.09 124	0.07 107	0.10 62	0.10 123	0.06 114	0.04 21	0.10 408	0.08 338	0.05 100	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 82	0.06 57	0.13 230	0.17 217	0.08 127	0.10 128	0.16 285	0.14 76	0.10 36	0.08 63	0.09 89	0.08 99	0.07 107	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

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

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

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

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

RAFT_CTSACE	0.12 252	0.09 313	0.10 109	0.22 456	0.08 127	0.12 208	0.24 474	0.18 198	0.16 187	0.20 381	0.27 391	0.13 218	0.07 107	0.13 235	0.09 54	0.05 27	0.06 308	0.08 279	0.07 273	0.04 15	0.04 40

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

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

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

CREStereo++_RVC	0.08 44	0.04 1	0.06 2	0.13 13	0.07 71	0.09 81	0.12 63	0.14 76	0.14 143	0.10 126	0.14 189	0.08 99	0.07 107	0.09 33	0.11 188	0.06 114	0.04 21	0.05 23	0.05 108	0.04 15	0.04 40
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.09 82	0.06 57	0.10 109	0.17 217	0.08 127	0.09 81	0.10 27	0.18 198	0.16 187	0.10 126	0.09 89	0.12 193	0.07 107	0.12 190	0.10 123	0.08 301	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

sCroCo_RVC	0.12 252	0.09 313	0.23 447	0.24 486	0.11 390	0.19 398	0.14 152	0.17 169	0.14 143	0.10 126	0.13 175	0.12 193	0.07 107	0.14 261	0.11 188	0.08 301	0.08 406	0.08 279	0.08 338	0.05 100	0.07 280

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

PMTNet	0.09 82	0.05 18	0.09 72	0.12 4	0.06 13	0.12 208	0.14 152	0.15 107	0.11 62	0.09 93	0.13 175	0.10 155	0.07 107	0.13 235	0.10 123	0.15 495	0.04 21	0.05 23	0.03 1	0.07 258	0.06 200

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

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

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

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

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

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

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

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

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

testlalala_base	0.10 143	0.09 313	0.14 265	0.21 441	0.08 127	0.10 128	0.14 152	0.13 60	0.10 36	0.07 30	0.15 206	0.07 62	0.08 142	0.10 62	0.12 237	0.08 301	0.05 183	0.05 23	0.03 1	0.06 192	0.05 121

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

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

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

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

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

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

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

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

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

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

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

sAnonymous2	0.13 277	0.12 415	0.24 451	0.20 412	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

CroCo_RVC	0.13 277	0.12 415	0.24 451	0.20 412	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

CREStereo	0.09 82	0.04 1	0.08 30	0.11 1	0.06 13	0.13 247	0.14 152	0.14 76	0.10 36	0.08 63	0.13 175	0.09 124	0.08 142	0.11 108	0.10 123	0.08 301	0.04 21	0.05 23	0.03 1	0.06 192	0.06 200
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

RAFT-Stereo	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
water-stereo	0.09 82	0.06 57	0.08 30	0.16 143	0.07 71	0.09 81	0.13 104	0.15 107	0.13 119	0.11 155	0.12 161	0.08 99	0.09 168	0.07 4	0.08 17	0.06 114	0.05 183	0.05 23	0.05 108	0.04 15	0.04 40

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

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

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

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

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

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

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

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

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

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

GCAP-Stereo	0.09 82	0.07 140	0.13 230	0.18 299	0.06 13	0.11 173	0.07 3	0.13 60	0.12 88	0.09 93	0.10 118	0.07 62	0.09 168	0.13 235	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.04 15	0.05 121

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

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

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

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

LoS	0.09 82	0.05 18	0.11 150	0.13 13	0.07 71	0.14 279	0.11 46	0.15 107	0.15 160	0.09 93	0.09 89	0.12 193	0.09 168	0.15 283	0.10 123	0.07 240	0.05 183	0.05 23	0.03 1	0.05 100	0.05 121
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 186	0.05 18	0.12 185	0.13 13	0.07 71	0.15 305	0.14 152	0.19 219	0.13 119	0.11 155	0.17 239	0.13 218	0.09 168	0.13 235	0.11 188	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.07 280

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

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

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

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

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

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

test_3	0.10 143	0.09 313	0.10 109	0.20 412	0.08 127	0.13 247	0.26 498	0.14 76	0.21 285	0.10 126	0.10 118	0.09 124	0.09 168	0.08 15	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.04 15	0.04 40

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

RAFT-345	0.11 186	0.07 140	0.15 316	0.16 143	0.08 127	0.08 52	0.12 63	0.15 107	0.10 36	0.11 155	0.36 459	0.09 124	0.09 168	0.11 108	0.12 237	0.05 27	0.05 183	0.07 195	0.06 186	0.04 15	0.05 121

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

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

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

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

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

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

rvit_stereo_0083	0.12 252	0.08 237	0.17 378	0.16 143	0.09 239	0.11 173	0.15 220	0.14 76	0.26 360	0.11 155	0.14 189	0.13 218	0.10 200	0.12 190	0.12 237	0.10 401	0.08 406	0.09 360	0.07 273	0.07 258	0.05 121

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

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

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

MyStereo04	0.13 277	0.07 140	0.10 109	0.17 217	0.09 239	0.14 279	0.18 364	0.29 402	0.38 461	0.17 312	0.14 189	0.16 281	0.10 200	0.15 283	0.13 278	0.06 114	0.05 183	0.08 279	0.07 273	0.06 192	0.06 200

StereoVision	0.13 277	0.12 415	0.09 72	0.24 486	0.10 341	0.15 305	0.21 441	0.21 253	0.20 270	0.12 193	0.24 337	0.10 155	0.10 200	0.16 317	0.10 123	0.09 360	0.11 468	0.12 458	0.12 474	0.06 192	0.05 121

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

Selective-RAFT	0.11 186	0.10 371	0.11 150	0.21 441	0.08 127	0.16 335	0.13 104	0.20 230	0.22 299	0.10 126	0.10 118	0.11 176	0.10 200	0.15 283	0.11 188	0.05 27	0.05 183	0.06 102	0.05 108	0.06 192	0.05 121

TestStereo1	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 520	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

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

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

RAFT+CT+SA	0.13 277	0.11 397	0.09 72	0.19 356	0.09 239	0.15 305	0.28 511	0.22 275	0.22 299	0.15 268	0.26 383	0.10 155	0.10 200	0.11 108	0.12 237	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

SA-5K	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 520	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

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

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

KYRaft	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.08 52	0.15 220	0.22 275	0.12 88	0.13 220	0.16 218	0.20 341	0.10 200	0.12 190	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.06 192	0.16 509

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

RAFT-RH_RVC	0.11 186	0.06 57	0.14 265	0.16 143	0.09 239	0.12 208	0.12 63	0.17 169	0.12 88	0.13 220	0.41 496	0.11 176	0.10 200	0.13 235	0.12 237	0.05 27	0.04 21	0.08 279	0.05 108	0.04 15	0.06 200

cross-raft	0.10 143	0.09 313	0.09 72	0.19 356	0.07 71	0.11 173	0.25 490	0.13 60	0.15 160	0.08 63	0.11 148	0.12 193	0.10 200	0.09 33	0.11 188	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

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

Anonymous3	0.16 378	0.13 444	0.33 490	0.26 502	0.14 464	0.27 486	0.17 319	0.28 391	0.28 383	0.15 268	0.17 239	0.14 238	0.10 200	0.15 283	0.12 237	0.08 301	0.08 406	0.08 279	0.08 338	0.08 321	0.11 441

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

RAFT + AFF	0.13 277	0.07 140	0.20 424	0.20 412	0.10 341	0.14 279	0.24 474	0.26 351	0.20 270	0.11 155	0.10 118	0.12 193	0.10 200	0.15 283	0.12 237	0.07 240	0.06 308	0.09 360	0.08 338	0.06 192	0.08 344

GMStereo	0.13 277	0.14 456	0.14 265	0.18 299	0.09 239	0.15 305	0.16 285	0.20 230	0.24 325	0.16 296	0.17 239	0.10 155	0.10 200	0.16 317	0.13 278	0.07 240	0.06 308	0.06 102	0.06 186	0.07 258	0.06 200
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MultiAttention	0.29 510	0.08 237	0.14 265	0.19 356	0.12 421	1.45 573	1.33 574	0.36 488	0.37 454	0.19 358	0.21 306	0.24 392	0.11 225	0.38 524	0.18 392	0.06 114	0.05 183	0.08 279	0.08 338	0.10 415	0.09 388

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

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

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

GMStereo_Zeroshot	0.16 378	0.13 444	0.24 451	0.20 412	0.10 341	0.17 356	0.13 104	0.29 402	0.25 346	0.23 423	0.32 435	0.25 406	0.11 225	0.19 385	0.14 315	0.09 360	0.06 308	0.11 439	0.06 186	0.12 453	0.08 344

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

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

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

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

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

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

LCNet	0.11 186	0.07 140	0.09 72	0.19 356	0.09 239	0.08 52	0.15 220	0.21 253	0.15 160	0.11 155	0.15 206	0.16 281	0.11 225	0.12 190	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.06 192	0.15 498

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

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

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

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

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

PSM-AAD	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.10 128	0.15 220	0.20 230	0.13 119	0.12 193	0.14 189	0.18 315	0.11 225	0.11 108	0.10 123	0.05 27	0.05 183	0.09 360	0.08 338	0.06 192	0.14 491

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

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

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

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

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

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

s12784h	0.09 82	0.06 57	0.07 6	0.15 70	0.05 1	0.16 335	0.18 364	0.15 107	0.15 160	0.10 126	0.11 148	0.11 176	0.11 225	0.10 62	0.12 237	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

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

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

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

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

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

HITNet	0.10 143	0.06 57	0.12 185	0.14 30	0.06 13	0.11 173	0.10 27	0.18 198	0.18 232	0.13 220	0.16 218	0.14 238	0.11 225	0.15 283	0.13 278	0.06 114	0.04 21	0.04 1	0.04 34	0.06 192	0.05 121
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
FlowAnything_test	0.11 186	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.14 152	0.20 230	0.11 62	0.09 93	0.09 89	0.12 193	0.12 256	0.13 235	0.11 188	0.09 360	0.06 308	0.09 360	0.09 384	0.06 192	0.09 388

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

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

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

rvit_0105_6	0.14 311	0.09 313	0.18 401	0.17 217	0.10 341	0.10 128	0.16 285	0.19 219	0.26 360	0.12 193	0.18 264	0.17 301	0.12 256	0.18 370	0.12 237	0.15 495	0.11 468	0.12 458	0.10 423	0.09 383	0.06 200

rvit_0105_5	0.14 311	0.09 313	0.13 230	0.17 217	0.09 239	0.14 279	0.23 462	0.24 317	0.27 369	0.14 241	0.15 206	0.18 315	0.12 256	0.17 349	0.14 315	0.14 491	0.11 468	0.10 408	0.10 423	0.08 321	0.06 200

GCST	0.37 527	0.42 545	0.26 459	1.02 569	0.39 544	0.18 375	0.08 7	0.20 230	0.17 206	0.28 471	0.25 366	0.15 267	0.12 256	0.16 317	0.14 315	0.64 562	0.43 551	0.75 559	0.65 562	0.63 556	0.46 554

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

PCWNet_CMD	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 447	0.14 241	0.20 285	0.21 350	0.12 256	0.17 349	0.13 278	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

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

GMOStereo	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

error version	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

test-v	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

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

Patchmatch Stereo++	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 186	0.06 57	0.14 265	0.18 299	0.08 127	0.09 81	0.12 63	0.21 253	0.21 285	0.13 220	0.14 189	0.11 176	0.12 256	0.11 108	0.13 278	0.06 114	0.04 21	0.07 195	0.06 186	0.05 100	0.04 40

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

test-2	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

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

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

TestStereo	0.13 277	0.14 456	0.11 150	0.23 477	0.08 127	0.15 305	0.21 441	0.20 230	0.23 309	0.14 241	0.24 337	0.16 281	0.12 256	0.16 317	0.14 315	0.05 27	0.06 308	0.08 279	0.06 186	0.09 383	0.05 121

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

DIP-Stereo	0.11 186	0.07 140	0.14 265	0.17 217	0.09 239	0.13 247	0.09 18	0.16 133	0.16 187	0.11 155	0.16 218	0.14 238	0.12 256	0.15 283	0.13 278	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 447	0.14 241	0.21 306	0.21 350	0.12 256	0.17 349	0.14 315	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

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

rvit_0105_4	0.14 311	0.09 313	0.17 378	0.17 217	0.10 341	0.12 208	0.19 403	0.23 295	0.27 369	0.14 241	0.20 285	0.17 301	0.13 294	0.17 349	0.13 278	0.15 495	0.11 468	0.11 439	0.10 423	0.09 383	0.06 200

rvit_0105_3	0.15 355	0.09 313	0.14 265	0.19 356	0.12 421	0.15 305	0.25 490	0.25 333	0.29 390	0.15 268	0.17 239	0.20 341	0.13 294	0.17 349	0.14 315	0.13 478	0.11 468	0.12 458	0.14 487	0.07 258	0.06 200

UGAM	0.13 277	0.10 371	0.09 72	0.22 456	0.08 127	0.12 208	0.20 424	0.17 169	0.23 309	0.21 395	0.16 218	0.13 218	0.13 294	0.19 385	0.12 237	0.07 240	0.05 183	0.13 473	0.11 455	0.07 258	0.05 121

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

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

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

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

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

LL-Strereo	0.13 277	0.09 313	0.11 150	0.20 412	0.10 341	0.11 173	0.18 364	0.32 437	0.24 325	0.15 268	0.15 206	0.14 238	0.13 294	0.19 385	0.11 188	0.06 114	0.04 21	0.09 360	0.08 338	0.04 15	0.05 121

SDNR	0.19 424	0.08 237	0.19 412	0.16 143	0.12 421	0.77 558	0.14 152	0.25 333	0.32 414	0.19 358	0.24 337	0.19 329	0.13 294	0.19 385	0.15 343	0.16 511	0.18 520	0.14 485	0.11 455	0.08 321	0.11 441

BUS	0.14 311	0.09 313	0.14 265	0.22 456	0.10 341	0.19 398	0.14 152	0.34 465	0.19 247	0.17 312	0.22 316	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

NINENet	0.16 378	0.10 371	0.15 316	0.17 217	0.11 390	0.19 398	0.14 152	0.40 510	0.36 447	0.18 342	0.21 306	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.08 406	0.10 408	0.07 273	0.10 415	0.09 388

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

dad	0.17 398	0.20 503	0.20 424	0.16 143	0.11 390	0.20 413	0.18 364	0.21 253	0.28 383	0.30 483	0.24 337	0.29 441	0.13 294	0.19 385	0.16 359	0.18 518	0.09 435	0.11 439	0.09 384	0.11 438	0.07 280

GEStereo_RVC	0.17 398	0.12 415	0.15 316	0.22 456	0.11 390	0.19 398	0.17 319	0.32 437	0.48 499	0.20 381	0.25 366	0.17 301	0.13 294	0.21 427	0.16 359	0.10 401	0.06 308	0.08 279	0.07 273	0.09 383	0.08 344

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

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

SFCPSM	0.13 277	0.07 140	0.14 265	0.17 217	0.09 239	0.15 305	0.16 285	0.28 391	0.27 369	0.14 241	0.17 239	0.12 193	0.13 294	0.14 261	0.11 188	0.08 301	0.05 183	0.07 195	0.07 273	0.07 258	0.06 200

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

AdaStereo	0.15 355	0.11 397	0.15 316	0.18 299	0.09 239	0.20 413	0.11 46	0.32 437	0.28 383	0.20 381	0.23 325	0.20 341	0.13 294	0.19 385	0.14 315	0.12 455	0.05 183	0.10 408	0.07 273	0.09 383	0.07 280
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 311	0.08 237	0.15 316	0.16 143	0.08 127	0.16 335	0.12 63	0.25 333	0.35 442	0.21 395	0.29 417	0.24 392	0.13 294	0.14 261	0.14 315	0.06 114	0.05 183	0.06 102	0.04 34	0.09 383	0.08 344

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

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

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

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

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

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

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

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

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

anonymousa	0.13 277	0.07 140	0.13 230	0.18 299	0.09 239	0.13 247	0.17 319	0.19 219	0.29 390	0.15 268	0.24 337	0.15 267	0.14 319	0.14 261	0.14 315	0.07 240	0.05 183	0.07 195	0.09 384	0.05 100	0.06 200

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

GwcNet-ADL	0.13 277	0.08 237	0.14 265	0.20 412	0.09 239	0.11 173	0.20 424	0.30 416	0.24 325	0.13 220	0.14 189	0.18 315	0.14 319	0.13 235	0.14 315	0.07 240	0.05 183	0.06 102	0.05 108	0.07 258	0.06 200

AAGNet	0.11 186	0.07 140	0.16 350	0.19 356	0.09 239	0.08 52	0.13 104	0.18 198	0.13 119	0.16 296	0.21 306	0.13 218	0.14 319	0.11 108	0.14 315	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

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

HCRNet	0.16 378	0.24 517	0.12 185	0.35 534	0.11 390	0.15 305	0.17 319	0.26 351	0.22 299	0.19 358	0.24 337	0.21 350	0.14 319	0.15 283	0.13 278	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

xxxx	0.15 355	0.07 140	0.14 265	0.14 30	0.08 127	0.23 451	0.18 364	0.31 426	0.19 247	0.14 241	0.28 405	0.22 368	0.14 319	0.15 283	0.26 486	0.09 360	0.05 183	0.07 195	0.07 273	0.08 321	0.07 280

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

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

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

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

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

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

ITSA-stereo	0.15 355	0.10 371	0.14 265	0.19 356	0.08 127	0.12 208	0.14 152	0.30 416	0.49 505	0.17 312	0.19 273	0.22 368	0.15 337	0.17 349	0.16 359	0.10 401	0.06 308	0.08 279	0.08 338	0.08 321	0.08 344

rvit_stereo_0075_2	0.17 398	0.12 415	0.25 456	0.23 477	0.16 492	0.13 247	0.10 27	0.30 416	0.27 369	0.20 381	0.28 405	0.22 368	0.15 337	0.18 370	0.13 278	0.16 511	0.10 455	0.17 506	0.10 423	0.10 415	0.09 388

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

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

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

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

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

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

1111x	0.15 355	0.08 237	0.12 185	0.18 299	0.07 71	0.18 375	0.25 490	0.31 426	0.24 325	0.17 312	0.24 337	0.26 415	0.15 337	0.13 235	0.23 452	0.07 240	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

iinet-f	0.16 378	0.06 57	0.45 515	0.14 30	0.10 341	0.21 430	0.14 152	0.27 372	0.23 309	0.21 395	0.24 337	0.21 350	0.15 337	0.18 370	0.21 431	0.09 360	0.07 380	0.07 195	0.06 186	0.09 383	0.10 415

GASNet	0.22 457	0.23 514	0.33 490	0.26 502	0.17 507	0.26 476	0.16 285	0.44 527	0.42 480	0.27 456	0.24 337	0.30 450	0.15 337	0.27 470	0.18 392	0.12 455	0.08 406	0.12 458	0.11 455	0.16 506	0.07 280

CASS	0.13 277	0.12 415	0.11 150	0.23 477	0.09 239	0.15 305	0.17 319	0.18 198	0.19 247	0.17 312	0.18 264	0.15 267	0.15 337	0.14 261	0.14 315	0.09 360	0.06 308	0.10 408	0.08 338	0.09 383	0.07 280
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 412	0.09 313	0.29 479	0.15 70	0.10 341	0.22 438	0.20 424	0.26 351	0.39 464	0.25 445	0.42 502	0.24 392	0.15 337	0.20 410	0.19 405	0.07 240	0.05 183	0.06 102	0.05 108	0.10 415	0.09 388

test_5	0.14 311	0.12 415	0.08 30	0.20 412	0.10 341	0.14 279	0.29 520	0.21 253	0.24 325	0.18 342	0.28 405	0.11 176	0.15 337	0.12 190	0.13 278	0.06 114	0.05 183	0.07 195	0.08 338	0.08 321	0.07 280

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

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

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

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

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

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

FADNet-RVC-Resample	0.16 378	0.11 397	0.31 484	0.22 456	0.11 390	0.19 398	0.14 152	0.25 333	0.24 325	0.24 432	0.27 391	0.20 341	0.15 337	0.16 317	0.15 343	0.07 240	0.08 406	0.12 458	0.10 423	0.09 383	0.10 415

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

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

PWCDC_ROB	0.20 436	0.13 444	0.22 438	0.24 486	0.11 390	0.19 398	0.15 220	0.33 456	0.54 517	0.29 479	0.50 517	0.21 350	0.15 337	0.27 470	0.20 411	0.11 430	0.09 435	0.10 408	0.08 338	0.11 438	0.09 388

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

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

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

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

xx1	0.11 186	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.16 133	0.18 232	0.09 93	0.09 89	0.16 281	0.16 363	0.10 62	0.07 1	0.06 114	0.04 21	0.08 279	0.08 338	0.07 258	0.07 280

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

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

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

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

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

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

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

BSDual-CNN	0.15 355	0.09 313	0.14 265	0.22 456	0.10 341	0.14 279	0.15 220	0.34 465	0.19 247	0.17 312	0.22 316	0.25 406	0.16 363	0.15 283	0.14 315	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

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

AASNet	0.16 378	0.08 237	0.12 185	0.19 356	0.09 239	0.18 375	0.15 220	0.37 494	0.37 454	0.19 358	0.23 325	0.20 341	0.16 363	0.17 349	0.20 411	0.10 401	0.08 406	0.08 279	0.07 273	0.09 383	0.09 388

PSMNet-ADL	0.15 355	0.12 415	0.13 230	0.22 456	0.09 239	0.13 247	0.20 424	0.26 351	0.23 309	0.18 342	0.20 285	0.24 392	0.16 363	0.18 370	0.17 374	0.08 301	0.08 406	0.08 279	0.11 455	0.08 321	0.07 280

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

222	0.16 378	0.07 140	0.14 265	0.14 30	0.08 127	0.24 456	0.18 364	0.30 416	0.20 270	0.17 312	0.28 405	0.17 301	0.16 363	0.15 283	0.40 536	0.10 401	0.05 183	0.07 195	0.06 186	0.07 258	0.08 344

test_xeample	0.15 355	0.06 57	0.13 230	0.14 30	0.08 127	0.21 430	0.20 424	0.28 391	0.20 270	0.16 296	0.29 417	0.19 329	0.16 363	0.15 283	0.26 486	0.09 360	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

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

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

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

HSM	0.15 355	0.08 237	0.14 265	0.16 143	0.09 239	0.16 335	0.14 152	0.28 391	0.25 346	0.19 358	0.23 325	0.37 493	0.16 363	0.20 410	0.15 343	0.07 240	0.05 183	0.07 195	0.06 186	0.07 258	0.06 200

z-ln-s-r	0.17 398	0.10 371	0.40 508	0.19 356	0.08 127	0.17 356	0.18 364	0.22 275	0.33 421	0.18 342	0.40 485	0.22 368	0.17 386	0.20 410	0.23 452	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.05 121

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

ISRNet	0.18 412	0.08 237	0.19 412	0.19 356	0.13 444	0.15 305	0.12 63	0.30 416	0.32 414	0.21 395	0.25 366	0.27 423	0.17 386	0.17 349	0.20 411	0.20 525	0.08 406	0.14 485	0.14 487	0.14 484	0.17 517

rvit_105_1	0.19 424	0.11 397	0.25 456	0.21 441	0.16 492	0.21 430	0.27 505	0.31 426	0.41 473	0.19 358	0.20 285	0.22 368	0.17 386	0.19 385	0.17 374	0.12 455	0.12 482	0.13 473	0.15 503	0.08 321	0.07 280

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

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

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

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

LMCR-Stereo	0.15 355	0.08 237	0.13 230	0.21 441	0.09 239	0.17 356	0.20 424	0.27 372	0.19 247	0.24 432	0.24 337	0.23 386	0.17 386	0.20 410	0.17 374	0.07 240	0.06 308	0.08 279	0.06 186	0.10 415	0.08 344

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

FADNet_RVC	0.16 378	0.14 456	0.40 508	0.20 412	0.11 390	0.13 247	0.13 104	0.26 351	0.22 299	0.21 395	0.23 325	0.20 341	0.17 386	0.14 261	0.16 359	0.08 301	0.08 406	0.12 458	0.09 384	0.11 438	0.10 415

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

NLCA_NET_v2_RVC	0.17 398	0.10 371	0.22 438	0.20 412	0.10 341	0.15 305	0.18 364	0.31 426	0.25 346	0.21 395	0.30 423	0.25 406	0.17 386	0.21 427	0.20 411	0.09 360	0.06 308	0.08 279	0.08 338	0.07 258	0.08 344
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 398	0.12 415	0.15 316	0.20 412	0.09 239	0.18 375	0.18 364	0.26 351	0.23 309	0.26 450	0.40 485	0.22 368	0.17 386	0.21 427	0.20 411	0.08 301	0.05 183	0.09 360	0.10 423	0.07 258	0.07 280
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 436	0.12 415	0.19 412	0.20 412	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 495	0.10 408	0.10 423	0.08 321	0.09 388

YMNet_1	0.20 436	0.12 415	0.19 412	0.20 412	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 495	0.10 408	0.10 423	0.08 321	0.09 388

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

Wz-Net-LNSev	0.22 457	0.16 474	0.38 504	0.21 441	0.13 444	0.25 467	0.23 462	0.32 437	0.43 485	0.30 483	0.41 496	0.31 463	0.18 400	0.22 440	0.25 474	0.10 401	0.09 435	0.08 279	0.08 338	0.12 453	0.11 441

hknet	0.15 355	0.11 397	0.13 230	0.22 456	0.11 390	0.14 279	0.15 220	0.34 465	0.25 346	0.17 312	0.22 316	0.22 368	0.18 400	0.17 349	0.12 237	0.07 240	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

ADLNet2	0.16 378	0.09 313	0.13 230	0.16 143	0.09 239	0.20 413	0.16 285	0.31 426	0.39 464	0.16 296	0.20 285	0.20 341	0.18 400	0.21 427	0.22 440	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.07 280

ICVP	0.15 355	0.09 313	0.12 185	0.22 456	0.09 239	0.17 356	0.21 441	0.25 333	0.23 309	0.18 342	0.30 423	0.26 415	0.18 400	0.17 349	0.14 315	0.09 360	0.07 380	0.08 279	0.07 273	0.07 258	0.07 280
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 378	0.08 237	0.15 316	0.18 299	0.10 341	0.22 438	0.18 364	0.24 317	0.21 285	0.18 342	0.24 337	0.29 441	0.18 400	0.19 385	0.22 440	0.09 360	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

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

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

STTStereo	0.18 412	0.12 415	0.27 466	0.20 412	0.11 390	0.16 335	0.21 441	0.29 402	0.23 309	0.21 395	0.30 423	0.29 441	0.18 400	0.20 410	0.19 405	0.12 455	0.11 468	0.11 439	0.14 487	0.09 383	0.08 344

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

TDLM	0.17 398	0.12 415	0.13 230	0.24 486	0.10 341	0.18 375	0.18 364	0.36 488	0.30 400	0.21 395	0.28 405	0.28 433	0.18 400	0.23 451	0.18 392	0.11 430	0.07 380	0.10 408	0.10 423	0.08 321	0.08 344

CVANet_RVC	0.18 412	0.10 371	0.14 265	0.21 441	0.10 341	0.18 375	0.17 319	0.34 465	0.33 421	0.22 411	0.31 431	0.28 433	0.18 400	0.23 451	0.17 374	0.12 455	0.08 406	0.12 458	0.11 455	0.09 383	0.07 280

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

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

TCMNet	0.19 424	0.12 415	0.19 412	0.20 412	0.18 513	0.20 413	0.24 474	0.27 372	0.36 447	0.23 423	0.26 383	0.25 406	0.19 416	0.19 385	0.23 452	0.13 478	0.11 468	0.11 439	0.12 474	0.13 471	0.12 454

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

test_sample9	0.18 412	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.19 385	0.17 374	0.15 495	0.30 544	0.14 485	0.14 487	0.14 484	0.12 454

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

Wz-Net-MNSev	0.22 457	0.13 444	0.31 484	0.20 412	0.14 464	0.36 521	0.24 474	0.33 456	0.44 490	0.28 471	0.40 485	0.38 497	0.19 416	0.24 460	0.25 474	0.09 360	0.07 380	0.09 360	0.09 384	0.12 453	0.10 415

pcwnet_v2	0.19 424	0.10 371	0.26 459	0.17 217	0.14 464	0.18 375	0.15 220	0.37 494	0.46 497	0.19 358	0.24 337	0.21 350	0.19 416	0.20 410	0.19 405	0.13 478	0.10 455	0.10 408	0.10 423	0.11 438	0.13 474

delet	0.17 398	0.08 237	0.17 378	0.19 356	0.11 390	0.20 413	0.21 441	0.30 416	0.37 454	0.17 312	0.26 383	0.19 329	0.19 416	0.19 385	0.21 431	0.08 301	0.08 406	0.09 360	0.11 455	0.06 192	0.06 200

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

UPFNet	0.16 378	0.08 237	0.12 185	0.20 412	0.12 421	0.20 413	0.23 462	0.28 391	0.26 360	0.17 312	0.24 337	0.22 368	0.19 416	0.19 385	0.21 431	0.09 360	0.07 380	0.08 279	0.09 384	0.08 321	0.06 200

NVstereo2D	0.19 424	0.10 371	0.15 316	0.17 217	0.15 482	0.28 493	0.23 462	0.44 527	0.42 480	0.15 268	0.27 391	0.25 406	0.19 416	0.22 440	0.17 374	0.09 360	0.06 308	0.10 408	0.08 338	0.15 499	0.09 388

StereoDRNet	0.18 412	0.11 397	0.17 378	0.22 456	0.11 390	0.21 430	0.22 451	0.37 494	0.33 421	0.24 432	0.28 405	0.30 450	0.19 416	0.20 410	0.20 411	0.09 360	0.08 406	0.11 439	0.09 384	0.09 383	0.07 280

SGM-Forest	0.20 436	0.14 456	0.18 401	0.19 356	0.13 444	0.20 413	0.22 451	0.33 456	0.30 400	0.24 432	0.29 417	0.28 433	0.19 416	0.23 451	0.17 374	0.15 495	0.16 513	0.15 497	0.14 487	0.12 453	0.12 454
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 412	0.11 397	0.19 412	0.19 356	0.12 421	0.24 456	0.21 441	0.25 333	0.34 433	0.22 411	0.34 451	0.27 423	0.20 428	0.21 427	0.23 452	0.09 360	0.09 435	0.08 279	0.10 423	0.08 321	0.07 280

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

MMNet	0.17 398	0.09 313	0.16 350	0.20 412	0.11 390	0.27 486	0.20 424	0.25 333	0.41 473	0.22 411	0.30 423	0.21 350	0.20 428	0.17 349	0.20 411	0.06 114	0.06 308	0.07 195	0.07 273	0.08 321	0.07 280

GwcNet	0.20 436	0.13 444	0.19 412	0.18 299	0.12 421	0.24 456	0.19 403	0.35 481	0.43 485	0.20 381	0.32 435	0.33 476	0.20 428	0.22 440	0.24 465	0.11 430	0.09 435	0.09 360	0.09 384	0.09 383	0.10 415

DGSMNet	0.24 480	0.19 499	0.33 490	0.21 441	0.24 528	0.24 456	0.20 424	0.35 481	0.41 473	0.24 432	0.32 435	0.38 497	0.21 432	0.29 488	0.23 452	0.12 455	0.11 468	0.14 485	0.16 507	0.23 526	0.23 531

FADNet-RVC	0.20 436	0.20 503	0.38 504	0.21 441	0.16 492	0.20 413	0.15 220	0.26 351	0.26 360	0.26 450	0.32 435	0.26 415	0.21 432	0.22 440	0.19 405	0.12 455	0.13 495	0.12 458	0.14 487	0.13 471	0.18 520

FADNet	0.21 448	0.22 513	0.36 499	0.18 299	0.17 507	0.24 456	0.13 104	0.31 426	0.31 407	0.23 423	0.25 366	0.27 423	0.21 432	0.19 385	0.15 343	0.13 478	0.15 510	0.12 458	0.15 503	0.16 506	0.18 520

MaskLacGwcNet_RVC	0.22 457	0.21 509	0.24 451	0.26 502	0.11 390	0.23 451	0.14 152	0.39 506	0.24 325	0.32 495	0.36 459	0.30 450	0.21 432	0.19 385	0.21 431	0.17 516	0.14 504	0.21 520	0.16 507	0.12 453	0.12 454

SuperB	0.20 436	0.10 371	0.56 531	0.16 143	0.09 239	0.18 375	0.18 364	0.24 317	0.50 508	0.26 450	0.39 479	0.17 301	0.21 432	0.22 440	0.21 431	0.08 301	0.06 308	0.06 102	0.06 186	0.12 453	0.10 415

RTSC	0.23 473	0.12 415	0.28 471	0.21 441	0.13 444	0.28 493	0.16 285	0.35 481	0.66 540	0.27 456	0.33 447	0.30 450	0.21 432	0.31 492	0.29 504	0.10 401	0.08 406	0.09 360	0.10 423	0.13 471	0.13 474

AANet_RVC	0.16 378	0.10 371	0.10 109	0.18 299	0.09 239	0.18 375	0.19 403	0.26 351	0.31 407	0.22 411	0.35 456	0.21 350	0.21 432	0.22 440	0.16 359	0.06 114	0.05 183	0.06 102	0.06 186	0.07 258	0.06 200

DRN-Test	0.19 424	0.11 397	0.20 424	0.22 456	0.10 341	0.22 438	0.22 451	0.39 506	0.37 454	0.24 432	0.32 435	0.26 415	0.21 432	0.22 440	0.24 465	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

MDST_ROB	0.22 457	0.10 371	0.17 378	0.18 299	0.11 390	0.37 522	0.19 403	0.43 525	0.41 473	0.39 513	0.39 479	0.29 441	0.21 432	0.26 467	0.18 392	0.11 430	0.10 455	0.14 485	0.11 455	0.10 415	0.08 344

w-ln-seven-2	0.20 436	0.14 456	0.37 503	0.22 456	0.12 421	0.20 413	0.21 441	0.28 391	0.37 454	0.25 445	0.37 465	0.27 423	0.22 441	0.21 427	0.23 452	0.08 301	0.08 406	0.09 360	0.09 384	0.10 415	0.09 388

w-ln-seven	0.24 480	0.14 456	0.55 528	0.19 356	0.14 464	0.26 476	0.22 451	0.35 481	0.60 530	0.29 479	0.39 479	0.30 450	0.22 441	0.21 427	0.26 486	0.09 360	0.09 435	0.11 439	0.10 423	0.11 438	0.10 415

SQANet	0.23 473	0.23 514	0.30 482	0.30 526	0.19 516	0.27 486	0.13 104	0.29 402	0.33 421	0.24 432	0.37 465	0.31 463	0.22 441	0.27 470	0.23 452	0.15 495	0.10 455	0.21 520	0.16 507	0.21 522	0.15 498

SACVNet	0.18 412	0.12 415	0.14 265	0.17 217	0.13 444	0.22 438	0.18 364	0.31 426	0.30 400	0.23 423	0.31 431	0.30 450	0.22 441	0.22 440	0.17 374	0.11 430	0.08 406	0.10 408	0.10 423	0.12 453	0.14 491

FINET	0.21 448	0.18 496	0.26 459	0.18 299	0.16 492	0.23 451	0.23 462	0.32 437	0.48 499	0.25 445	0.32 435	0.22 368	0.22 441	0.22 440	0.17 374	0.18 518	0.16 513	0.11 439	0.10 423	0.15 499	0.13 474

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

ADCP+	0.20 436	0.10 371	0.33 490	0.20 412	0.12 421	0.22 438	0.26 498	0.31 426	0.34 433	0.26 450	0.37 465	0.22 368	0.22 441	0.27 470	0.27 494	0.09 360	0.06 308	0.08 279	0.08 338	0.09 383	0.10 415

PSMNet_ROB	0.21 448	0.11 397	0.15 316	0.27 514	0.15 482	0.24 456	0.35 537	0.43 525	0.37 454	0.27 456	0.32 435	0.32 473	0.22 441	0.21 427	0.26 486	0.12 455	0.08 406	0.13 473	0.11 455	0.09 383	0.09 388

ADCRef	0.19 424	0.12 415	0.41 511	0.20 412	0.12 421	0.22 438	0.18 364	0.32 437	0.36 447	0.26 450	0.32 435	0.17 301	0.23 449	0.24 460	0.24 465	0.07 240	0.06 308	0.09 360	0.09 384	0.08 321	0.08 344

RYNet	0.22 457	0.12 415	0.22 438	0.19 356	0.17 507	0.46 529	0.26 498	0.38 502	0.48 499	0.24 432	0.28 405	0.34 482	0.23 449	0.20 410	0.30 509	0.10 401	0.06 308	0.09 360	0.09 384	0.13 471	0.15 498

NaN_ROB	0.22 457	0.19 499	0.24 451	0.25 497	0.13 444	0.29 497	0.26 498	0.33 456	0.41 473	0.31 489	0.31 431	0.32 473	0.23 449	0.30 491	0.21 431	0.11 430	0.17 518	0.10 408	0.10 423	0.08 321	0.09 388

NOSS_ROB	0.19 424	0.12 415	0.18 401	0.16 143	0.12 421	0.15 305	0.12 63	0.30 416	0.32 414	0.20 381	0.22 316	0.27 423	0.23 449	0.21 427	0.16 359	0.16 511	0.18 520	0.23 525	0.21 522	0.12 453	0.13 474

DispFullNet	0.27 502	0.21 509	0.65 539	0.28 517	0.16 492	0.26 476	0.17 319	0.33 456	0.58 526	0.27 456	0.38 471	0.43 516	0.23 449	0.38 524	0.23 452	0.12 455	0.06 308	0.19 517	0.11 455	0.21 522	0.15 498

CBMV	0.19 424	0.14 456	0.17 378	0.18 299	0.10 341	0.20 413	0.11 46	0.29 402	0.30 400	0.29 479	0.30 423	0.30 450	0.23 449	0.27 470	0.19 405	0.13 478	0.15 510	0.17 506	0.16 507	0.10 415	0.10 415
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.24 480	0.14 456	0.45 515	0.19 356	0.13 444	0.28 493	0.25 490	0.34 465	0.62 533	0.27 456	0.56 528	0.29 441	0.24 455	0.32 499	0.25 474	0.08 301	0.08 406	0.08 279	0.08 338	0.10 415	0.10 415

ToySt	0.17 398	0.11 397	0.18 401	0.17 217	0.11 390	0.16 335	0.25 490	0.24 317	0.33 421	0.19 358	0.24 337	0.26 415	0.24 455	0.19 385	0.20 411	0.07 240	0.08 406	0.09 360	0.10 423	0.09 383	0.08 344

WZ-Net	0.28 506	0.17 485	0.78 553	0.22 456	0.16 492	0.34 512	0.29 520	0.39 506	0.57 523	0.24 432	0.55 523	0.37 493	0.24 455	0.33 502	0.35 524	0.09 360	0.08 406	0.09 360	0.10 423	0.14 484	0.16 509

psm_up	0.18 412	0.10 371	0.18 401	0.20 412	0.11 390	0.17 356	0.19 403	0.37 494	0.34 433	0.21 395	0.28 405	0.29 441	0.24 455	0.20 410	0.22 440	0.09 360	0.10 455	0.11 439	0.11 455	0.08 321	0.08 344

RP	0.21 448	0.13 444	0.21 432	0.23 477	0.11 390	0.21 430	0.20 424	0.25 333	0.44 490	0.21 395	0.38 471	0.36 488	0.24 455	0.27 470	0.25 474	0.11 430	0.12 482	0.13 473	0.12 474	0.12 453	0.14 491

PS-NSSS	0.20 436	0.21 509	0.23 447	0.20 412	0.10 341	0.19 398	0.17 319	0.36 488	0.25 346	0.27 456	0.33 447	0.27 423	0.24 455	0.20 410	0.20 411	0.15 495	0.12 482	0.17 506	0.14 487	0.10 415	0.08 344

CBMV_ROB	0.19 424	0.13 444	0.17 378	0.16 143	0.11 390	0.15 305	0.13 104	0.26 351	0.28 383	0.27 456	0.30 423	0.27 423	0.24 455	0.23 451	0.16 359	0.15 495	0.17 518	0.22 524	0.20 520	0.10 415	0.11 441

DLCB_ROB	0.18 412	0.10 371	0.15 316	0.23 477	0.11 390	0.24 456	0.18 364	0.29 402	0.28 383	0.27 456	0.28 405	0.28 433	0.24 455	0.19 385	0.20 411	0.08 301	0.08 406	0.09 360	0.09 384	0.07 258	0.07 280

PWC_ROB	0.21 448	0.16 474	0.26 459	0.18 299	0.11 390	0.22 438	0.13 104	0.32 437	0.49 505	0.30 483	0.40 485	0.32 473	0.24 455	0.31 492	0.22 440	0.10 401	0.07 380	0.11 439	0.08 338	0.11 438	0.10 415

zh-mn7	0.25 491	0.14 456	0.56 531	0.19 356	0.14 464	0.24 456	0.22 451	0.34 465	0.62 533	0.35 502	0.65 536	0.31 463	0.25 464	0.31 492	0.25 474	0.09 360	0.08 406	0.09 360	0.09 384	0.09 383	0.11 441

PSMNet-RUCA	0.27 502	0.33 536	0.41 511	0.36 536	0.32 543	0.18 375	0.19 403	0.42 521	0.30 400	0.33 499	0.41 496	0.39 505	0.25 464	0.31 492	0.20 411	0.18 518	0.10 455	0.25 527	0.15 503	0.21 522	0.16 509

test_sample8	0.19 424	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.31 426	0.21 285	0.27 456	0.22 316	0.36 488	0.25 464	0.19 385	0.17 374	0.15 495	0.30 544	0.14 485	0.14 487	0.14 484	0.12 454

HBP-ISP	0.18 412	0.13 444	0.16 350	0.15 70	0.11 390	0.08 52	0.13 104	0.28 391	0.29 390	0.22 411	0.33 447	0.21 350	0.25 464	0.23 451	0.17 374	0.14 491	0.16 513	0.21 520	0.17 514	0.10 415	0.08 344

DDUNet	0.22 457	0.17 485	0.21 432	0.22 456	0.15 482	0.25 467	0.24 474	0.29 402	0.30 400	0.31 489	0.36 459	0.33 476	0.25 464	0.24 460	0.20 411	0.18 518	0.13 495	0.17 506	0.11 455	0.16 506	0.16 509

Syn2CoEx	0.21 448	0.16 474	0.27 466	0.29 524	0.14 464	0.26 476	0.20 424	0.33 456	0.31 407	0.28 471	0.36 459	0.27 423	0.25 464	0.19 385	0.24 465	0.16 511	0.12 482	0.14 485	0.11 455	0.09 383	0.08 344

Wz-Net-SNSev	0.25 491	0.17 485	0.44 514	0.25 497	0.14 464	0.26 476	0.23 462	0.38 502	0.56 521	0.30 483	0.55 523	0.39 505	0.26 470	0.23 451	0.30 509	0.10 401	0.09 435	0.09 360	0.10 423	0.11 438	0.11 441

AF-Net	0.22 457	0.17 485	0.17 378	0.26 502	0.13 444	0.25 467	0.24 474	0.32 437	0.50 508	0.25 445	0.33 447	0.38 497	0.26 470	0.28 481	0.25 474	0.11 430	0.10 455	0.16 503	0.11 455	0.11 438	0.10 415

PA-Net	0.23 473	0.18 496	0.33 490	0.28 517	0.22 524	0.21 430	0.38 542	0.29 402	0.39 464	0.22 411	0.32 435	0.25 406	0.26 470	0.20 410	0.25 474	0.09 360	0.23 538	0.15 497	0.22 525	0.09 383	0.13 474
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 424	0.09 313	0.22 438	0.17 217	0.10 341	0.25 467	0.18 364	0.27 372	0.44 490	0.22 411	0.31 431	0.33 476	0.26 470	0.28 481	0.28 501	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.09 388

SANet	0.24 480	0.14 456	0.28 471	0.21 441	0.11 390	0.27 486	0.24 474	0.38 502	0.64 537	0.36 505	0.40 485	0.43 516	0.26 470	0.27 470	0.24 465	0.12 455	0.09 435	0.10 408	0.09 384	0.13 471	0.11 441

XPNet_ROB	0.22 457	0.11 397	0.19 412	0.22 456	0.13 444	0.22 438	0.19 403	0.34 465	0.40 470	0.30 483	0.39 479	0.39 505	0.26 470	0.26 467	0.28 501	0.15 495	0.10 455	0.10 408	0.10 423	0.13 471	0.12 454

ETE_ROB	0.23 473	0.17 485	0.22 438	0.25 497	0.13 444	0.26 476	0.29 520	0.31 426	0.36 447	0.28 471	0.36 459	0.45 520	0.26 470	0.27 470	0.26 486	0.11 430	0.08 406	0.12 458	0.09 384	0.14 484	0.13 474

LALA_ROB	0.25 491	0.16 474	0.22 438	0.26 502	0.17 507	0.27 486	0.27 505	0.42 521	0.37 454	0.33 499	0.38 471	0.51 531	0.26 470	0.28 481	0.27 494	0.16 511	0.09 435	0.12 458	0.11 455	0.13 471	0.12 454

MSAF-DinoV2	0.22 457	0.11 397	0.23 447	0.17 217	0.10 341	0.27 486	0.16 285	0.37 494	0.55 518	0.21 395	0.27 391	0.47 527	0.27 478	0.35 511	0.39 533	0.09 360	0.06 308	0.07 195	0.09 384	0.12 453	0.10 415

ACVNet-4b	0.39 528	0.53 548	0.55 528	0.45 544	0.24 528	0.47 531	0.18 364	0.49 536	0.64 537	0.42 523	0.45 508	0.60 539	0.27 478	0.34 505	0.24 465	0.33 545	0.14 504	0.48 548	0.42 548	0.30 541	0.26 539

Anonymous_2	0.22 457	0.17 485	0.28 471	0.15 70	0.16 492	0.32 503	0.22 451	0.22 275	0.17 206	0.23 423	0.24 337	0.26 415	0.27 478	0.27 470	0.23 452	0.22 533	0.25 540	0.17 506	0.17 514	0.17 513	0.17 517

UDG	0.21 448	0.17 485	0.19 412	0.23 477	0.15 482	0.30 500	0.20 424	0.33 456	0.35 442	0.23 423	0.28 405	0.31 463	0.27 478	0.20 410	0.22 440	0.15 495	0.12 482	0.13 473	0.09 384	0.14 484	0.14 491

aanetorigin	0.22 457	0.17 485	0.56 531	0.17 217	0.10 341	0.15 305	0.19 403	0.20 230	0.33 421	0.49 532	0.48 512	0.29 441	0.27 478	0.20 410	0.23 452	0.08 301	0.07 380	0.08 279	0.07 273	0.10 415	0.09 388

DMCA-RVC	0.17 398	0.10 371	0.15 316	0.24 486	0.11 390	0.18 375	0.18 364	0.25 333	0.24 325	0.21 395	0.26 383	0.25 406	0.27 478	0.18 370	0.20 411	0.12 455	0.08 406	0.13 473	0.10 423	0.10 415	0.08 344

RGC	0.25 491	0.20 503	0.29 479	0.28 517	0.16 492	0.22 438	0.23 462	0.32 437	0.44 490	0.27 456	0.40 485	0.38 497	0.27 478	0.36 517	0.22 440	0.11 430	0.13 495	0.17 506	0.17 514	0.14 484	0.16 509

stereogan	0.22 457	0.11 397	0.21 432	0.20 412	0.12 421	0.31 502	0.19 403	0.35 481	0.44 490	0.22 411	0.39 479	0.35 486	0.27 478	0.33 502	0.22 440	0.10 401	0.12 482	0.10 408	0.10 423	0.14 484	0.13 474

FBW_ROB	0.24 480	0.17 485	0.22 438	0.26 502	0.14 464	0.25 467	0.22 451	0.41 516	0.41 473	0.41 520	0.41 496	0.42 512	0.27 478	0.31 492	0.23 452	0.09 360	0.14 504	0.14 485	0.12 474	0.11 438	0.09 388

NCC-stereo	0.24 480	0.15 466	0.31 484	0.26 502	0.16 492	0.20 413	0.30 527	0.40 510	0.40 470	0.24 432	0.38 471	0.33 476	0.28 487	0.36 517	0.27 494	0.12 455	0.11 468	0.15 497	0.22 525	0.13 471	0.13 474

Nwc_Net	0.23 473	0.16 474	0.21 432	0.25 497	0.14 464	0.24 456	0.26 498	0.37 494	0.38 461	0.22 411	0.41 496	0.30 450	0.28 487	0.28 481	0.25 474	0.11 430	0.10 455	0.17 506	0.20 520	0.10 415	0.10 415

Abc-Net	0.24 480	0.15 466	0.31 484	0.26 502	0.16 492	0.20 413	0.30 527	0.40 510	0.40 470	0.24 432	0.38 471	0.33 476	0.28 487	0.36 517	0.27 494	0.12 455	0.11 468	0.15 497	0.22 525	0.13 471	0.13 474
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 500	0.15 466	0.30 482	0.24 486	0.18 513	0.22 438	0.15 220	0.38 502	0.71 544	0.32 495	0.41 496	0.36 488	0.28 487	0.32 499	0.29 504	0.12 455	0.11 468	0.14 485	0.13 484	0.16 506	0.20 526

DeepPrunerF	0.24 480	0.17 485	0.42 513	0.26 502	0.16 492	0.22 438	0.28 511	0.37 494	0.50 508	0.26 450	0.29 417	0.24 392	0.28 487	0.21 427	0.22 440	0.15 495	0.11 468	0.20 519	0.18 518	0.12 453	0.13 474

ADCPNet	0.25 491	0.16 474	0.61 536	0.21 441	0.15 482	0.35 520	0.25 490	0.32 437	0.35 442	0.30 483	0.40 485	0.36 488	0.28 487	0.28 481	0.32 517	0.12 455	0.10 455	0.11 439	0.12 474	0.14 484	0.13 474

GANet	0.21 448	0.12 415	0.21 432	0.24 486	0.13 444	0.22 438	0.22 451	0.41 516	0.26 360	0.31 489	0.42 502	0.37 493	0.28 487	0.23 451	0.22 440	0.10 401	0.12 482	0.10 408	0.09 384	0.10 415	0.08 344

NCCL2	0.23 473	0.15 466	0.17 378	0.34 532	0.18 513	0.24 456	0.23 462	0.34 465	0.28 383	0.31 489	0.38 471	0.38 497	0.28 487	0.23 451	0.24 465	0.15 495	0.12 482	0.18 515	0.21 522	0.13 471	0.13 474

APVNet	0.22 457	0.12 415	0.19 412	0.18 299	0.14 464	0.32 503	0.31 533	0.39 506	0.32 414	0.27 456	0.40 485	0.30 450	0.29 495	0.26 467	0.25 474	0.11 430	0.12 482	0.11 439	0.14 487	0.12 453	0.12 454

G-Net	0.24 480	0.16 474	0.36 499	0.22 456	0.16 492	0.51 535	0.23 462	0.29 402	0.34 433	0.36 505	0.38 471	0.31 463	0.29 495	0.27 470	0.26 486	0.11 430	0.09 435	0.12 458	0.09 384	0.16 506	0.13 474

DPSNet	0.28 506	0.16 474	0.31 484	0.18 299	0.13 444	0.54 537	0.42 546	0.51 539	0.67 541	0.29 479	0.38 471	0.38 497	0.29 495	0.31 492	0.23 452	0.11 430	0.10 455	0.11 439	0.08 338	0.20 521	0.16 509

PDISCO_ROB	0.27 502	0.16 474	0.26 459	0.28 517	0.20 519	0.32 503	0.26 498	0.44 527	0.57 523	0.28 471	0.40 485	0.45 520	0.29 495	0.33 502	0.34 523	0.12 455	0.09 435	0.17 506	0.16 507	0.17 513	0.13 474

ccnet	0.29 510	0.28 529	0.23 447	0.20 412	0.28 537	0.41 528	0.21 441	0.45 530	0.33 421	0.36 505	0.46 509	0.36 488	0.30 499	0.39 528	0.42 540	0.23 537	0.14 504	0.21 520	0.17 514	0.23 526	0.18 520

S-Stereo	0.20 436	0.12 415	0.25 456	0.21 441	0.13 444	0.20 413	0.18 364	0.32 437	0.43 485	0.23 423	0.36 459	0.28 433	0.30 499	0.19 385	0.22 440	0.09 360	0.12 482	0.10 408	0.10 423	0.13 471	0.13 474

XQC	0.28 506	0.23 514	0.51 523	0.28 517	0.19 516	0.34 512	0.27 505	0.36 488	0.57 523	0.31 489	0.30 423	0.37 493	0.30 499	0.38 524	0.38 531	0.13 478	0.09 435	0.15 497	0.12 474	0.17 513	0.18 520

ADCL	0.24 480	0.11 397	0.47 520	0.22 456	0.12 421	0.34 512	0.29 520	0.29 402	0.56 521	0.24 432	0.46 509	0.30 450	0.30 499	0.29 488	0.29 504	0.08 301	0.07 380	0.09 360	0.09 384	0.10 415	0.10 415

zh-sn7	0.25 491	0.17 485	0.50 522	0.24 486	0.13 444	0.25 467	0.24 474	0.34 465	0.48 499	0.28 471	0.54 521	0.28 433	0.31 503	0.36 517	0.32 517	0.10 401	0.10 455	0.11 439	0.10 423	0.12 453	0.12 454

MFN_U_SF_DS_RVC	0.30 516	0.24 517	0.29 479	0.36 536	0.16 492	0.34 512	0.30 527	0.32 437	0.42 480	0.40 516	0.46 509	0.38 497	0.31 503	0.34 505	0.28 501	0.19 523	0.20 526	0.26 528	0.29 538	0.18 517	0.19 525

STTRV1_RVC	0.25 491	0.26 523	0.39 506	0.19 356	0.26 535	0.30 500	0.24 474	0.34 465	0.35 442	0.36 505	0.34 451	0.31 463	0.31 503	0.28 481	0.25 474	0.17 516	0.10 455	0.16 503	0.14 487	0.17 513	0.12 454

CC-Net-ROB	0.28 506	0.31 534	0.36 499	0.29 524	0.15 482	0.25 467	0.19 403	0.45 530	0.33 421	0.39 513	0.37 465	0.39 505	0.31 503	0.27 470	0.26 486	0.24 539	0.19 523	0.30 540	0.23 529	0.18 517	0.15 498

DANet	0.21 448	0.15 466	0.28 471	0.25 497	0.13 444	0.22 438	0.19 403	0.27 372	0.27 369	0.28 471	0.32 435	0.35 486	0.31 503	0.31 492	0.23 452	0.11 430	0.09 435	0.11 439	0.10 423	0.13 471	0.11 441
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 436	0.12 415	0.22 438	0.21 441	0.12 421	0.17 356	0.18 364	0.34 465	0.39 464	0.27 456	0.37 465	0.34 482	0.32 508	0.21 427	0.20 411	0.09 360	0.11 468	0.10 408	0.09 384	0.11 438	0.14 491

otaku	0.39 528	0.37 541	0.52 524	0.44 543	0.28 537	0.58 539	0.24 474	0.41 516	0.62 533	0.40 516	0.49 513	0.46 524	0.33 509	0.40 532	0.32 517	0.30 542	0.30 544	0.39 544	0.33 543	0.29 540	0.28 540

AnyNet_C32	0.26 500	0.16 474	0.36 499	0.20 412	0.16 492	0.25 467	0.30 527	0.32 437	0.44 490	0.31 489	0.49 513	0.30 450	0.33 509	0.40 532	0.33 521	0.12 455	0.12 482	0.12 458	0.14 487	0.14 484	0.15 498

GANetREF_RVC	0.31 517	0.34 538	0.27 466	0.35 534	0.16 492	0.32 503	0.41 543	0.48 534	0.51 515	0.35 502	0.35 456	0.34 482	0.33 509	0.39 528	0.32 517	0.27 541	0.20 526	0.29 538	0.15 503	0.18 517	0.17 517
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
CSAN	0.29 510	0.24 517	0.27 466	0.34 532	0.19 516	0.33 509	0.42 546	0.37 494	0.50 508	0.38 511	0.40 485	0.44 518	0.33 509	0.28 481	0.30 509	0.20 525	0.16 513	0.19 517	0.19 519	0.14 484	0.15 498

PASM	0.32 519	0.24 517	0.48 521	0.28 517	0.27 536	0.29 497	0.30 527	0.34 465	0.49 505	0.35 502	0.39 479	0.46 524	0.34 513	0.34 505	0.35 524	0.23 537	0.25 540	0.26 528	0.28 537	0.23 526	0.21 528

WCMA_ROB	0.24 480	0.11 397	0.22 438	0.17 217	0.14 464	0.32 503	0.15 220	0.32 437	0.32 414	0.38 511	0.53 519	0.40 509	0.34 513	0.34 505	0.25 474	0.11 430	0.12 482	0.12 458	0.10 423	0.14 484	0.14 491

edge stereo	0.22 457	0.13 444	0.20 424	0.21 441	0.13 444	0.23 451	0.16 285	0.32 437	0.42 480	0.32 495	0.40 485	0.38 497	0.35 515	0.25 465	0.24 465	0.13 478	0.11 468	0.14 485	0.11 455	0.12 453	0.13 474

SGM_RVC	0.23 473	0.12 415	0.15 316	0.15 70	0.09 239	0.33 509	0.18 364	0.34 465	0.31 407	0.44 527	0.37 465	0.53 535	0.35 515	0.35 511	0.24 465	0.13 478	0.13 495	0.13 473	0.13 484	0.10 415	0.11 441
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 510	0.18 496	0.45 515	0.21 441	0.17 507	0.28 493	0.23 462	0.41 516	0.63 536	0.40 516	0.49 513	0.40 509	0.36 517	0.39 528	0.40 536	0.13 478	0.12 482	0.13 473	0.14 487	0.16 506	0.16 509

LSM	0.33 522	0.20 503	0.58 534	0.26 502	0.60 560	0.34 512	0.25 490	0.42 521	0.48 499	0.45 528	0.58 533	0.42 512	0.36 517	0.35 511	0.25 474	0.12 455	0.20 526	0.14 485	0.16 507	0.19 520	0.33 546

psmorigin	0.25 491	0.15 466	0.34 498	0.17 217	0.13 444	0.23 451	0.14 152	0.34 465	0.33 421	0.41 520	0.55 523	0.41 511	0.37 519	0.34 505	0.27 494	0.11 430	0.15 510	0.11 439	0.11 455	0.12 453	0.16 509

Wz-Net-TNSev	0.29 510	0.20 503	0.65 539	0.19 356	0.15 482	0.38 525	0.27 505	0.35 481	0.55 518	0.34 501	0.42 502	0.45 520	0.38 520	0.32 499	0.30 509	0.12 455	0.13 495	0.10 408	0.12 474	0.15 499	0.14 491

AnyNet_C01	0.36 526	0.25 522	1.37 565	0.22 456	0.17 507	0.48 533	0.27 505	0.35 481	0.39 464	0.39 513	0.74 546	0.46 524	0.38 520	0.45 536	0.47 545	0.13 478	0.13 495	0.13 473	0.14 487	0.14 484	0.15 498

EDNetEfficient	0.29 510	0.24 517	1.13 562	0.18 299	0.10 341	0.19 398	0.20 424	0.20 230	0.60 530	0.74 551	0.56 528	0.31 463	0.39 522	0.22 440	0.30 509	0.09 360	0.07 380	0.08 279	0.07 273	0.11 438	0.09 388

MFN_U_SF_RVC	0.32 519	0.21 509	0.55 528	0.30 526	0.15 482	0.34 512	0.17 319	0.52 540	0.46 497	0.46 531	0.55 523	0.59 538	0.39 522	0.35 511	0.37 529	0.15 495	0.14 504	0.18 515	0.21 522	0.16 506	0.15 498

SAMSARA	0.40 531	0.28 529	0.33 490	0.55 550	0.39 544	0.82 559	1.23 573	0.47 533	0.51 515	0.36 505	0.35 456	0.55 537	0.39 522	0.38 524	0.39 533	0.15 495	0.20 526	0.15 497	0.14 487	0.23 526	0.20 526

FC-DCNN v2	0.33 522	0.27 525	0.28 471	0.26 502	0.23 526	0.37 522	0.28 511	0.40 510	0.43 485	0.45 528	0.56 528	0.51 531	0.40 525	0.37 522	0.29 504	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 532

ADCMid	0.25 491	0.15 466	0.40 508	0.20 412	0.14 464	0.25 467	0.26 498	0.34 465	0.38 461	0.36 505	0.44 507	0.34 482	0.40 525	0.35 511	0.33 521	0.10 401	0.09 435	0.11 439	0.11 455	0.13 471	0.12 454

FC-DCNN	0.33 522	0.27 525	0.28 471	0.26 502	0.23 526	0.37 522	0.28 511	0.40 510	0.43 485	0.45 528	0.55 523	0.51 531	0.40 525	0.37 522	0.30 509	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 532

MSMD_ROB	0.31 517	0.26 523	0.26 459	0.24 486	0.21 522	0.34 512	0.25 490	0.34 465	0.39 464	0.40 516	0.69 540	0.45 520	0.40 525	0.34 505	0.27 494	0.20 525	0.19 523	0.26 528	0.25 531	0.23 526	0.22 530

MeshStereo	0.27 502	0.13 444	0.18 401	0.15 70	0.11 390	0.32 503	0.24 474	0.40 510	0.36 447	0.52 534	0.57 531	0.67 546	0.40 525	0.35 511	0.26 486	0.14 491	0.13 495	0.13 473	0.11 455	0.11 438	0.10 415
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	0.33 522	0.28 529	0.28 471	0.30 526	0.24 528	0.39 526	0.28 511	0.42 521	0.42 480	0.43 526	0.53 519	0.51 531	0.41 530	0.36 517	0.30 509	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 532
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 538	0.19 499	3.26 572	0.24 486	0.15 482	0.74 552	0.20 424	0.36 488	0.76 551	0.42 523	0.43 505	0.31 463	0.41 530	0.53 544	0.35 524	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 498

RTSA	0.45 538	0.19 499	3.26 572	0.24 486	0.15 482	0.74 552	0.20 424	0.36 488	0.76 551	0.42 523	0.43 505	0.31 463	0.41 530	0.53 544	0.35 524	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 498

Ntro	0.40 531	0.40 543	0.53 525	0.46 547	0.30 541	0.65 545	0.24 474	0.46 532	0.68 542	0.41 520	0.49 513	0.48 529	0.42 533	0.39 528	0.31 516	0.32 544	0.28 542	0.37 543	0.30 540	0.32 545	0.29 541

SGM-ForestM	0.32 519	0.12 415	0.16 350	0.16 143	0.11 390	0.39 526	0.19 403	0.41 516	0.50 508	0.52 534	0.54 521	1.32 565	0.42 533	0.40 532	0.27 494	0.14 491	0.16 513	0.16 503	0.16 507	0.12 453	0.12 454

LE_ROB	0.50 542	0.07 140	0.14 265	0.15 70	0.08 127	0.24 456	0.16 285	0.22 275	1.81 574	4.63 578	0.67 538	0.47 527	0.44 535	0.20 410	0.29 504	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

coex-ft	3.30 573	0.34 538	59.09 596	0.18 299	0.13 444	0.26 476	0.22 451	0.27 372	0.72 545	1.90 575	0.70 542	0.44 518	0.45 536	0.29 488	0.41 539	0.09 360	0.09 435	0.12 458	0.09 384	0.14 484	0.13 474

RainbowNet	0.54 545	0.61 552	0.70 551	0.57 551	0.43 548	0.65 545	0.37 541	0.60 549	0.87 555	0.50 533	0.66 537	0.64 542	0.47 537	0.49 538	0.43 543	0.47 553	0.48 557	0.52 552	0.41 547	0.52 550	0.40 551

Consistency-Raft	0.44 536	0.40 543	0.45 515	0.37 538	0.43 548	0.46 529	0.41 543	0.57 547	0.55 518	0.32 495	0.73 544	0.33 476	0.48 538	0.42 535	0.49 547	0.39 547	0.35 548	0.45 547	0.51 555	0.42 547	0.29 541

ACVNet_1	0.44 536	0.49 547	0.60 535	0.45 544	0.28 537	0.49 534	0.27 505	0.57 547	0.72 545	0.62 540	0.58 533	0.74 550	0.49 539	0.50 539	0.35 524	0.26 540	0.24 539	0.39 544	0.29 538	0.31 544	0.24 532

EDNetEfficientorigin	7.91 581	0.31 534	153.02 597	0.19 356	0.09 239	0.21 430	0.16 285	0.22 275	0.59 527	0.72 547	0.67 538	0.42 512	0.50 540	0.24 460	0.39 533	0.08 301	0.07 380	0.08 279	0.07 273	0.12 453	0.10 415

TCMNet-wrong-test	3.67 575	5.48 585	3.89 576	12.18 588	11.75 589	4.65 576	3.88 577	1.06 569	0.72 545	1.09 567	2.15 576	6.30 582	0.53 541	3.43 578	2.36 576	0.89 571	0.20 526	1.87 579	1.69 578	5.57 584	3.62 583

MSC_U_SF_DS_RVC	0.43 535	0.39 542	0.54 526	0.40 539	0.20 519	0.64 544	0.32 535	0.53 542	0.72 545	0.71 545	0.72 543	0.61 540	0.54 542	0.51 540	0.46 544	0.20 525	0.19 523	0.29 538	0.30 540	0.23 526	0.18 520

ELAS_RVC	0.41 533	0.29 532	0.33 490	0.28 517	0.24 528	0.54 537	0.36 538	0.49 536	0.59 527	0.72 547	0.74 546	0.65 544	0.54 542	0.54 546	0.40 536	0.22 533	0.20 526	0.27 531	0.26 532	0.26 538	0.25 537
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 533	0.29 532	0.33 490	0.27 514	0.24 528	0.60 542	0.36 538	0.50 538	0.50 508	0.71 545	0.79 550	0.67 546	0.54 542	0.51 540	0.42 540	0.22 533	0.20 526	0.27 531	0.26 532	0.26 538	0.25 537
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 544	0.58 550	0.65 539	0.41 541	0.61 561	0.53 536	0.41 543	0.56 545	0.41 473	0.55 537	0.50 517	0.49 530	0.55 545	0.58 549	0.50 550	0.58 558	0.50 561	0.51 550	0.51 555	0.51 549	0.57 556

SGM+DAISY	0.56 546	0.57 549	0.65 539	0.40 539	0.54 553	0.66 547	0.49 550	0.56 545	0.45 496	0.66 541	0.69 540	0.67 546	0.56 546	0.63 551	0.56 552	0.59 559	0.48 557	0.50 549	0.50 554	0.52 550	0.58 557

SPS-STEREO	0.57 547	0.58 550	0.65 539	0.45 544	0.55 555	0.62 543	0.44 549	0.62 550	0.50 508	0.68 543	0.64 535	0.66 545	0.57 547	0.61 550	0.60 554	0.62 561	0.47 556	0.51 550	0.49 552	0.55 554	0.58 557
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 528	0.20 503	0.39 506	0.31 530	0.22 524	0.29 497	0.43 548	0.52 540	0.96 558	0.55 537	0.79 550	0.53 535	0.59 548	0.52 542	0.38 531	0.19 523	0.14 504	0.17 506	0.14 487	0.24 533	0.31 544

MANE	0.45 538	0.27 525	0.27 466	0.27 514	0.24 528	0.47 531	0.31 533	0.55 544	0.59 527	0.72 547	1.13 566	1.15 559	0.61 549	0.52 542	0.37 529	0.21 529	0.20 526	0.27 531	0.31 542	0.25 534	0.24 532

PWCK	0.71 552	0.94 567	0.95 560	0.76 556	0.31 542	0.74 552	0.36 538	0.90 557	0.90 556	0.96 560	0.75 548	0.95 554	0.61 549	0.87 563	0.66 557	0.72 564	0.46 552	0.75 559	0.49 552	0.69 563	0.44 553

BEATNet-Init1	0.52 543	0.27 525	0.62 537	0.30 526	0.21 522	0.76 556	0.29 520	0.54 543	0.65 539	0.86 556	0.95 557	2.07 575	0.62 551	0.56 548	0.42 540	0.18 518	0.18 520	0.23 525	0.22 525	0.22 525	0.21 528

NVStereoNet_ROB	0.46 541	0.36 540	0.46 519	0.41 541	0.28 537	0.34 512	0.34 536	0.48 534	0.60 530	0.72 547	0.93 555	0.70 549	0.66 552	0.47 537	0.60 554	0.22 533	0.33 547	0.34 542	0.34 545	0.30 541	0.30 543
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 548	0.66 556	0.65 539	0.51 548	0.69 565	0.69 548	0.57 556	0.64 551	0.73 549	0.60 539	0.73 544	0.62 541	0.67 553	0.65 552	0.60 554	0.66 563	0.58 570	0.63 554	0.59 558	0.68 561	0.69 566

MADNet+	0.75 555	0.71 558	3.70 575	0.66 553	0.41 546	0.98 564	0.97 571	0.69 552	0.73 549	0.52 534	0.57 531	0.64 542	0.68 554	0.86 562	1.01 570	0.34 546	0.36 549	0.28 537	0.23 529	0.36 546	0.31 544

ACVNet_2	0.66 551	0.66 556	0.68 547	0.63 552	0.41 546	0.71 550	0.49 550	0.96 562	1.39 567	0.89 557	1.09 562	1.04 555	0.73 555	0.54 546	0.47 545	0.43 551	0.40 550	0.53 553	0.44 549	0.47 548	0.35 548

TorneroNet-64	0.76 556	0.72 559	0.74 552	0.78 558	0.58 559	0.91 563	0.56 555	0.84 556	1.29 564	0.66 541	0.90 553	1.40 567	0.75 556	0.85 561	0.67 560	0.49 554	0.46 552	0.72 558	0.59 558	0.67 560	0.53 555

IMH-64-1	0.65 549	0.61 552	0.68 547	0.71 554	0.51 551	0.59 540	0.49 550	0.91 558	0.85 553	0.74 551	1.02 559	0.81 551	0.78 557	0.79 555	0.49 547	0.42 549	0.46 552	0.71 556	0.47 550	0.52 550	0.39 549

IMH-64	0.65 549	0.61 552	0.68 547	0.71 554	0.51 551	0.59 540	0.49 550	0.91 558	0.85 553	0.74 551	1.02 559	0.81 551	0.78 557	0.79 555	0.49 547	0.42 549	0.46 552	0.71 556	0.47 550	0.52 550	0.39 549

JetBlue	0.71 552	0.45 546	1.14 563	0.51 548	0.47 550	2.02 574	0.64 560	0.75 553	0.70 543	0.69 544	0.77 549	1.22 561	0.83 559	1.03 570	1.01 570	0.40 548	0.28 542	0.33 541	0.33 543	0.30 541	0.34 547

LVE	0.83 560	0.85 565	0.85 558	0.80 559	0.56 556	1.04 569	0.65 561	1.05 567	1.47 570	0.96 560	1.22 570	1.10 558	0.85 560	0.83 558	0.71 562	0.49 554	0.55 567	0.76 562	0.60 560	0.65 558	0.59 562

TorneroNet	0.82 559	0.74 560	0.81 557	0.84 561	0.63 562	0.99 565	0.63 558	0.96 562	1.16 561	0.80 554	1.11 564	1.36 566	0.86 561	0.93 566	0.80 565	0.56 556	0.49 559	0.78 564	0.66 563	0.73 566	0.63 565

IMH	0.71 552	0.64 555	0.68 547	0.76 556	0.54 553	0.69 548	0.54 554	0.98 564	1.10 560	0.82 555	1.09 562	0.89 553	0.88 562	0.87 563	0.52 551	0.44 552	0.50 561	0.75 559	0.51 555	0.56 555	0.41 552

WAO-7	0.79 557	0.78 561	0.54 526	0.85 562	0.67 564	0.74 552	0.68 564	1.05 567	1.32 565	0.90 558	1.20 569	1.04 555	0.92 563	0.69 553	0.66 557	0.60 560	0.62 571	0.67 555	0.68 564	0.64 557	0.58 557

JetRed	1.62 571	1.46 575	2.98 570	0.92 565	1.21 574	4.99 577	1.53 576	1.27 575	1.39 567	1.83 574	1.74 575	1.60 573	0.95 564	1.41 573	2.45 577	0.90 572	1.60 577	0.93 568	0.90 572	1.35 574	0.99 573

KSHMR	1.09 568	1.17 571	0.88 559	1.25 574	1.00 573	0.99 565	0.96 570	1.13 572	1.37 566	1.16 569	1.29 571	1.41 568	0.96 565	1.01 569	0.92 567	1.03 573	1.08 575	1.20 573	1.03 574	1.01 571	0.97 572

Dean	0.87 561	0.86 566	0.79 555	0.81 560	0.56 556	0.90 560	0.63 558	1.15 573	1.73 573	1.15 568	1.15 567	1.31 564	0.99 566	0.81 557	0.81 566	0.57 557	0.56 568	0.77 563	0.64 561	0.66 559	0.58 557

WAO-6	0.81 558	0.80 562	0.62 537	0.86 563	0.63 562	0.76 556	0.58 557	0.98 564	1.54 572	0.90 558	0.96 558	1.07 557	1.03 567	0.70 554	0.66 557	0.72 564	0.49 559	0.90 567	0.71 565	0.68 561	0.58 557

WAO-8	0.91 562	0.81 563	0.65 539	0.94 566	0.69 565	0.90 560	0.67 562	1.07 570	1.83 575	1.06 565	1.45 572	1.30 562	1.07 568	0.84 559	0.78 563	0.74 566	0.53 564	0.86 565	0.75 566	0.69 563	0.62 563

ktn	1.01 567	1.21 572	0.80 556	1.23 573	0.86 571	1.01 567	0.87 568	0.94 561	1.39 567	1.04 563	1.12 565	1.15 559	1.07 568	0.94 567	0.59 553	1.28 576	0.71 573	1.38 576	0.83 569	1.02 572	0.75 569

Venus	0.91 562	0.81 563	0.65 539	0.94 566	0.69 565	0.90 560	0.67 562	1.07 570	1.83 575	1.06 565	1.45 572	1.30 562	1.07 568	0.84 559	0.78 563	0.74 566	0.53 564	0.86 565	0.75 566	0.69 563	0.62 563

DPSimNet_ROB	1.11 569	1.23 573	0.78 553	1.13 571	0.88 572	1.10 570	1.13 572	1.16 574	1.23 563	1.43 572	1.02 559	1.41 568	1.10 571	0.90 565	1.60 572	1.46 577	0.51 563	1.21 574	1.03 574	0.90 569	1.01 574

notaker	0.97 565	1.11 570	0.98 561	1.13 571	0.81 569	0.73 551	0.68 564	0.93 560	1.16 561	1.18 570	1.18 568	1.41 568	1.16 572	1.08 572	0.69 561	0.81 569	0.64 572	1.17 572	0.79 568	0.98 570	0.80 570

UNDER WATER-64	0.95 564	0.94 567	1.43 567	0.87 564	0.56 556	1.18 572	0.87 568	0.77 554	0.94 557	1.04 563	0.85 552	1.58 572	1.21 573	0.94 567	0.96 568	0.87 570	0.57 569	1.03 570	0.88 571	0.78 567	0.73 567

UNDER WATER	0.97 565	0.97 569	1.42 566	0.99 568	0.70 568	1.12 571	0.84 567	0.80 555	1.08 559	1.01 562	0.90 553	1.55 571	1.22 574	1.03 570	1.00 569	0.78 568	0.53 564	1.02 569	0.87 570	0.80 568	0.74 568

HanzoNet	1.29 570	1.26 574	1.19 564	1.12 570	0.85 570	1.02 568	0.83 566	1.03 566	1.48 571	1.64 573	1.61 574	2.50 577	1.72 575	1.61 574	1.61 573	1.26 575	0.80 574	1.31 575	1.01 573	1.02 572	0.86 571

MADNet++	1.95 572	1.75 576	1.59 568	1.82 576	1.69 576	2.33 575	1.40 575	2.35 577	2.09 577	2.57 577	2.36 577	2.24 576	2.17 576	2.28 575	2.34 575	1.87 578	1.66 578	1.54 577	1.34 577	1.92 576	1.77 577

ASD4	3.54 574	3.38 579	2.05 569	1.72 575	2.51 578	9.03 581	17.71 582	2.25 576	5.51 579	2.46 576	2.81 578	2.03 574	3.36 577	2.73 576	5.06 578	1.22 574	1.34 576	1.13 571	1.33 576	1.68 575	1.49 576

tt	4.67 576	0.06 57	3.55 574	2.02 577	1.55 575	10.25 582	16.71 581	8.91 586	5.03 578	1.31 571	0.94 556	4.71 578	4.76 578	3.33 577	5.87 580	6.06 586	10.30 590	1.88 580	2.11 580	2.75 578	1.21 575

LRCNet_RVC	10.62 586	13.42 590	7.30 578	18.92 590	2.07 577	0.33 509	0.30 527	5.59 581	0.48 499	13.03 588	17.94 589	8.87 584	5.65 579	4.79 579	1.89 574	23.51 595	2.73 583	27.55 596	25.71 596	16.07 593	16.33 593

PML	8.91 584	9.34 589	6.13 577	5.35 581	6.41 582	14.99 585	23.38 589	5.27 578	6.83 580	18.04 590	28.19 596	7.67 583	6.83 580	7.85 583	5.75 579	5.35 585	1.83 579	5.95 589	1.93 579	8.64 587	2.52 579

USTest	6.22 577	2.73 578	3.00 571	6.57 584	7.29 583	14.37 584	21.57 583	7.00 585	9.56 584	5.34 581	6.10 579	5.72 581	7.64 581	6.41 582	6.96 581	1.97 579	3.42 584	1.64 578	2.15 581	2.66 577	2.36 578

xxxxx1	7.79 578	5.02 582	7.31 579	3.12 578	3.85 579	16.35 586	22.88 584	5.86 582	8.69 581	7.97 582	8.54 580	9.12 585	8.27 582	10.18 584	10.92 582	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 580

tt_ll	7.79 578	5.02 582	7.31 579	3.12 578	3.85 579	16.35 586	22.88 584	5.86 582	8.69 581	7.97 582	8.54 580	9.12 585	8.27 582	10.18 584	10.92 582	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 580

ff	7.79 578	5.02 582	7.31 579	3.12 578	3.85 579	16.35 586	22.88 584	5.86 582	8.69 581	7.97 582	8.54 580	9.12 585	8.27 582	10.18 584	10.92 582	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 580

DPSMNet_ROB	8.06 582	4.48 580	8.63 585	5.37 583	10.74 586	8.32 579	22.98 588	5.46 579	13.36 587	5.12 579	9.92 583	5.08 579	10.40 585	5.53 581	12.58 585	3.80 584	8.00 585	3.50 581	7.02 584	3.83 582	7.14 585

DGTPSM_ROB	8.06 582	4.48 580	8.63 585	5.35 581	10.72 585	8.32 579	22.97 587	5.46 579	13.35 586	5.12 579	9.92 583	5.08 579	10.40 585	5.52 580	12.58 585	3.79 583	8.00 585	3.50 581	7.02 584	3.83 582	7.14 585

Anonymous_1	10.96 587	7.92 586	7.46 582	10.33 585	10.06 584	18.65 590	26.34 590	11.06 587	13.44 588	9.40 585	10.05 585	9.67 588	11.23 587	10.73 587	12.72 587	6.42 587	8.38 587	5.77 586	10.61 586	12.12 588	6.77 584

DPSM_ROB	11.15 588	8.58 587	8.00 583	10.88 586	11.58 587	19.10 591	26.71 591	12.05 588	14.07 589	10.36 586	10.84 586	10.33 589	11.86 588	11.70 588	13.54 588	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 587

DPSM	11.15 588	8.58 587	8.00 583	10.88 586	11.58 587	19.10 591	26.71 591	12.05 588	14.07 589	10.36 586	10.84 586	10.33 589	11.86 588	11.70 588	13.54 588	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 587

HaxPig	15.71 590	18.52 595	19.18 591	16.89 589	15.89 591	7.73 578	7.60 578	13.31 590	10.82 585	15.42 589	14.91 588	15.98 591	14.92 590	15.58 590	15.98 590	18.95 594	16.73 591	19.46 594	18.08 594	19.26 594	19.05 594

MEDIAN_ROB	20.38 591	24.04 596	23.31 593	21.23 591	21.71 592	10.40 583	7.92 579	17.64 591	15.50 591	20.12 591	19.70 590	20.34 592	20.32 591	21.19 591	21.13 591	23.81 596	21.81 596	24.98 595	23.76 595	24.71 595	23.93 595

FlowAnything	22.44 593	17.35 593	16.14 589	22.07 594	23.23 593	38.39 594	53.77 594	24.25 594	28.44 595	20.96 595	21.82 593	20.70 593	23.84 592	23.49 593	27.14 593	14.04 590	17.79 595	11.75 590	14.15 593	14.65 589	14.89 589

Selective-RAFT-Error	22.47 594	17.37 594	16.09 588	22.06 593	23.34 595	38.39 594	53.83 596	24.29 596	28.47 596	20.74 593	21.83 594	20.81 594	23.90 593	23.54 595	27.53 596	14.08 592	17.69 593	11.82 591	14.00 590	14.69 591	15.00 592

CasAABBNet	22.42 592	17.33 592	16.01 587	22.01 592	23.28 594	38.32 593	53.80 595	24.14 593	28.41 594	20.60 592	21.77 592	20.89 595	23.91 594	23.43 592	27.36 594	14.07 591	17.69 593	11.83 592	14.01 591	14.67 590	14.95 591

LSM0	22.87 595	17.28 591	18.96 590	22.19 595	29.04 597	38.42 596	53.71 593	24.28 595	28.31 593	20.78 594	21.00 591	21.43 596	24.16 595	23.50 594	27.39 595	14.09 593	17.38 592	11.84 593	14.04 592	14.73 592	14.89 589

AVERAGE_ROB	24.90 596	29.20 597	28.14 594	24.89 596	24.64 596	17.75 589	11.12 580	21.45 592	19.93 592	25.12 596	24.46 595	25.12 597	25.46 596	24.69 596	22.83 592	29.76 597	27.13 597	28.97 597	27.95 597	29.91 596	29.47 596

test_example2	98.32 597	94.13 598	45.89 595	96.35 597	109.85 598	88.61 597	95.45 597	25.75 597	94.37 597	130.00 598	126.06 598	58.17 598	74.63 597	88.51 597	79.96 597	150.23 598	221.02 598	77.62 598	99.10 598	113.75 598	96.94 597

ccccc	245.47 598	285.66 599	306.18 598	368.85 599	370.60 599	123.16 598	145.33 598	115.05 598	110.08 598	126.68 597	110.87 597	122.83 599	165.88 598	252.94 598	276.56 598	384.56 599	353.86 599	254.69 599	223.00 599	425.87 599	386.83 598

FADE		0.33 536		0.33 531	0.25 534							0.42 512				0.30 542	0.21 537	0.41 546	0.38 546	0.23 526

Low-res two-view benchmark