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

LargeStereo	0.08 2	0.06 21	0.08 12	0.18 185	0.07 19	0.09 35	0.13 44	0.10 1	0.09 3	0.08 7	0.08 17	0.06 3	0.06 6	0.13 137	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

MoCha-V2	0.08 2	0.05 6	0.10 47	0.20 274	0.07 19	0.09 35	0.14 71	0.11 2	0.08 2	0.07 2	0.08 17	0.07 18	0.06 6	0.09 10	0.08 11	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 7

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 40	0.07 19	0.08 23	0.15 119	0.11 2	0.10 9	0.08 7	0.09 25	0.06 3	0.09 72	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CES	0.08 2	0.04 1	0.08 12	0.14 14	0.07 19	0.09 35	0.14 71	0.11 2	0.09 3	0.08 7	0.09 25	0.11 79	0.06 6	0.12 105	0.08 11	0.06 58	0.04 2	0.05 2	0.03 1	0.05 41	0.05 53

EGLCR-Stereo	0.08 2	0.05 6	0.08 12	0.14 14	0.06 3	0.10 59	0.12 22	0.11 2	0.16 92	0.06 1	0.05 1	0.07 18	0.05 2	0.10 19	0.11 91	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

MGS-Stereo	0.09 14	0.07 72	0.12 95	0.15 40	0.08 50	0.09 35	0.15 119	0.12 6	0.12 28	0.07 2	0.10 41	0.08 27	0.06 6	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

MIF-Stereo	0.09 14	0.07 72	0.08 12	0.18 185	0.08 50	0.13 136	0.11 11	0.12 6	0.11 20	0.10 44	0.12 66	0.05 1	0.07 34	0.09 10	0.09 20	0.07 145	0.05 110	0.05 2	0.05 34	0.05 41	0.05 53

CAS	0.08 2	0.04 1	0.07 2	0.17 118	0.08 50	0.10 59	0.13 44	0.12 6	0.09 3	0.09 19	0.10 41	0.08 27	0.06 6	0.09 10	0.08 11	0.08 195	0.04 2	0.05 2	0.03 1	0.05 41	0.04 7

MC-Stereo	0.08 2	0.06 21	0.09 30	0.17 118	0.06 3	0.10 59	0.14 71	0.12 6	0.10 9	0.09 19	0.12 66	0.09 40	0.06 6	0.11 48	0.10 53	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

test-3	0.08 2	0.06 21	0.09 30	0.17 118	0.07 19	0.07 16	0.14 71	0.12 6	0.15 74	0.09 19	0.08 17	0.07 18	0.08 53	0.11 48	0.10 53	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 7

test_1	0.08 2	0.06 21	0.09 30	0.17 118	0.07 19	0.07 16	0.14 71	0.12 6	0.15 74	0.09 19	0.08 17	0.07 18	0.08 53	0.11 48	0.10 53	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 7

panet	0.08 2	0.05 6	0.07 2	0.12 3	0.05 1	0.12 108	0.11 11	0.13 12	0.10 9	0.08 7	0.13 76	0.09 40	0.08 53	0.11 48	0.10 53	0.08 195	0.05 110	0.05 2	0.03 1	0.06 103	0.05 53

Selective-IGEV	0.07 1	0.06 21	0.08 12	0.17 118	0.06 3	0.08 23	0.12 22	0.13 12	0.07 1	0.08 7	0.07 14	0.06 3	0.04 1	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

GMOStereo	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

error version	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

test-v	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

test-2	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

cross-raft	0.10 54	0.09 196	0.09 30	0.19 232	0.07 19	0.11 85	0.25 342	0.13 12	0.15 74	0.08 7	0.11 58	0.12 95	0.10 93	0.09 10	0.11 91	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

H2IRNET	0.10 54	0.09 196	0.09 30	0.18 185	0.09 135	0.12 108	0.15 119	0.14 19	0.21 167	0.10 44	0.10 41	0.10 62	0.10 93	0.10 19	0.10 53	0.05 2	0.04 2	0.08 166	0.08 216	0.06 103	0.05 53

AE-Stereo	0.10 54	0.08 145	0.10 47	0.18 185	0.09 135	0.10 59	0.15 119	0.14 19	0.19 133	0.09 19	0.14 86	0.12 95	0.08 53	0.11 48	0.10 53	0.05 2	0.06 195	0.07 102	0.06 90	0.05 41	0.04 7

test croco	0.10 54	0.08 145	0.10 47	0.19 232	0.09 135	0.10 59	0.15 119	0.14 19	0.13 45	0.13 110	0.15 100	0.09 40	0.12 144	0.13 137	0.12 133	0.07 145	0.05 110	0.09 232	0.06 90	0.06 103	0.06 103

MSKI-zero shot	0.09 14	0.05 6	0.09 30	0.15 40	0.07 19	0.10 59	0.13 44	0.14 19	0.13 45	0.09 19	0.09 25	0.09 40	0.06 6	0.12 105	0.10 53	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.04 7

AEACV	0.08 2	0.05 6	0.08 12	0.14 14	0.13 307	0.14 160	0.13 44	0.14 19	0.09 3	0.07 2	0.09 25	0.07 18	0.08 53	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

HH	0.09 14	0.06 21	0.13 134	0.17 118	0.08 50	0.10 59	0.16 176	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

HanStereo	0.09 14	0.06 21	0.13 134	0.17 118	0.08 50	0.10 59	0.16 176	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

test_3	0.10 54	0.09 196	0.10 47	0.20 274	0.08 50	0.13 136	0.26 348	0.14 19	0.21 167	0.10 44	0.10 41	0.09 40	0.09 72	0.08 6	0.11 91	0.05 2	0.04 2	0.08 166	0.07 165	0.04 1	0.04 7

test-1	0.10 54	0.07 72	0.16 227	0.19 232	0.08 50	0.11 85	0.24 328	0.14 19	0.18 121	0.09 19	0.07 14	0.09 40	0.08 53	0.07 1	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 7	0.07 19	0.09 35	0.12 22	0.14 19	0.14 62	0.10 44	0.14 86	0.08 27	0.07 34	0.09 10	0.11 91	0.06 58	0.04 2	0.05 2	0.05 34	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-TBD	0.09 14	0.06 21	0.07 2	0.14 14	0.07 19	0.12 108	0.16 176	0.14 19	0.13 45	0.11 64	0.12 66	0.09 40	0.08 53	0.10 19	0.10 53	0.06 58	0.04 2	0.05 2	0.03 1	0.06 103	0.05 53

CREStereo	0.09 14	0.04 1	0.08 12	0.11 1	0.06 3	0.13 136	0.14 71	0.14 19	0.10 9	0.08 7	0.13 76	0.09 40	0.08 53	0.11 48	0.10 53	0.08 195	0.04 2	0.05 2	0.03 1	0.06 103	0.06 103
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
MyStereo07	0.10 54	0.07 72	0.10 47	0.17 118	0.09 135	0.14 160	0.18 237	0.15 31	0.15 74	0.09 19	0.06 2	0.06 3	0.07 34	0.12 105	0.09 20	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

DualNet	0.13 163	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.15 31	0.19 133	0.15 154	0.25 232	0.19 207	0.13 176	0.10 19	0.20 269	0.06 58	0.04 2	0.09 232	0.08 216	0.06 103	0.06 103

ffm	0.12 141	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.15 31	0.19 133	0.15 154	0.25 232	0.19 207	0.13 176	0.10 19	0.07 1	0.06 58	0.04 2	0.09 232	0.08 216	0.06 103	0.06 103

ff1	0.13 163	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.15 31	0.19 133	0.15 154	0.25 232	0.19 207	0.13 176	0.14 153	0.20 269	0.06 58	0.04 2	0.09 232	0.08 216	0.06 103	0.06 103

tt1	0.10 54	0.08 145	0.12 95	0.17 118	0.09 135	0.12 108	0.16 176	0.15 31	0.19 133	0.09 19	0.08 17	0.06 3	0.06 6	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

LoS	0.09 14	0.05 6	0.11 74	0.13 7	0.07 19	0.14 160	0.11 11	0.15 31	0.15 74	0.09 19	0.09 25	0.12 95	0.09 72	0.15 172	0.10 53	0.07 145	0.05 110	0.05 2	0.03 1	0.05 41	0.05 53

ProNet	0.09 14	0.07 72	0.10 47	0.17 118	0.08 50	0.10 59	0.15 119	0.15 31	0.12 28	0.09 19	0.06 2	0.07 18	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.06 103

ADStereo(finetuned)	0.10 54	0.06 21	0.12 95	0.16 71	0.06 3	0.09 35	0.17 197	0.15 31	0.19 133	0.13 110	0.17 126	0.10 62	0.12 144	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

test_4	0.10 54	0.10 244	0.08 12	0.19 232	0.09 135	0.08 23	0.22 309	0.15 31	0.17 104	0.12 89	0.18 148	0.12 95	0.09 72	0.08 6	0.11 91	0.04 1	0.04 2	0.08 166	0.08 216	0.04 1	0.03 1

GLC_STEREO	0.11 85	0.07 72	0.11 74	0.17 118	0.07 19	0.09 35	0.13 44	0.15 31	0.24 198	0.12 89	0.13 76	0.12 95	0.08 53	0.18 237	0.11 91	0.06 58	0.08 274	0.08 166	0.06 90	0.05 41	0.05 53

RAFT-345	0.11 85	0.07 72	0.15 197	0.16 71	0.08 50	0.08 23	0.12 22	0.15 31	0.10 9	0.11 64	0.36 314	0.09 40	0.09 72	0.11 48	0.12 133	0.05 2	0.05 110	0.07 102	0.06 90	0.04 1	0.05 53

CroCo-Stereo	0.09 14	0.08 145	0.08 12	0.22 312	0.09 135	0.09 35	0.19 268	0.15 31	0.12 28	0.07 2	0.07 14	0.08 27	0.06 6	0.08 6	0.07 1	0.07 145	0.05 110	0.06 34	0.04 9	0.05 41	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 14	0.06 21	0.07 2	0.15 40	0.05 1	0.16 206	0.18 237	0.15 31	0.15 74	0.10 44	0.11 58	0.11 79	0.11 115	0.10 19	0.12 133	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 7

TANstereo	0.09 14	0.04 1	0.08 12	0.13 7	0.06 3	0.11 85	0.14 71	0.15 31	0.19 133	0.11 64	0.15 100	0.10 62	0.06 6	0.12 105	0.09 20	0.07 145	0.05 110	0.05 2	0.04 9	0.06 103	0.05 53

DCANet	0.10 54	0.06 21	0.12 95	0.16 71	0.06 3	0.09 35	0.17 197	0.15 31	0.19 133	0.13 110	0.17 126	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

PMTNet	0.09 14	0.05 6	0.09 30	0.12 3	0.06 3	0.12 108	0.14 71	0.15 31	0.11 20	0.09 19	0.13 76	0.10 62	0.07 34	0.13 137	0.10 53	0.15 352	0.04 2	0.05 2	0.03 1	0.07 160	0.06 103

xx1	0.11 85	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.16 47	0.18 121	0.09 19	0.09 25	0.16 168	0.16 232	0.10 19	0.07 1	0.06 58	0.04 2	0.08 166	0.08 216	0.07 160	0.07 163

cc1	0.10 54	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.16 47	0.18 121	0.09 19	0.09 25	0.06 3	0.06 6	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

ff7	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEVStereo-DCA	0.09 14	0.06 21	0.11 74	0.15 40	0.10 222	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.08 27	0.06 6	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ffff	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

rrr	0.09 14	0.06 21	0.12 95	0.15 40	0.10 222	0.11 85	0.16 176	0.16 47	0.15 74	0.10 44	0.06 2	0.08 27	0.06 6	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

11t	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

StereoIM	0.09 14	0.09 196	0.08 12	0.17 118	0.09 135	0.13 136	0.10 6	0.16 47	0.16 92	0.09 19	0.11 58	0.06 3	0.06 6	0.09 10	0.13 163	0.07 145	0.06 195	0.07 102	0.05 34	0.05 41	0.04 7

RAFT-Test	0.09 14	0.06 21	0.10 47	0.15 40	0.07 19	0.11 85	0.15 119	0.16 47	0.13 45	0.09 19	0.10 41	0.10 62	0.09 72	0.12 105	0.09 20	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

anonymousdsp	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

CroCo-Stereo Lap2	0.09 14	0.09 196	0.08 12	0.22 312	0.09 135	0.09 35	0.19 268	0.16 47	0.12 28	0.09 19	0.10 41	0.05 1	0.05 2	0.08 6	0.08 11	0.06 58	0.06 195	0.07 102	0.05 34	0.05 41	0.05 53

ccc-4	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

fff	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.09 35	0.17 197	0.16 47	0.20 154	0.13 110	0.16 108	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

IGEV-Stereo	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
Patchmatch Stereo++	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
NRIStereo	0.11 85	0.08 145	0.14 160	0.18 185	0.08 50	0.10 59	0.14 71	0.16 47	0.15 74	0.12 89	0.14 86	0.13 118	0.12 144	0.13 137	0.10 53	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.07 163

PSM-adaLoss	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

ROB_FTStereo_v2	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

ROB_FTStereo	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

HUI-Stereo	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

DEmStereo	0.12 141	0.06 21	0.14 160	0.14 14	0.10 222	0.16 206	0.15 119	0.16 47	0.24 198	0.17 191	0.24 203	0.13 118	0.14 199	0.12 105	0.13 163	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

iGMRVC	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

iRAFT	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

RAFT-IKP	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

csc	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.09 35	0.17 197	0.16 47	0.20 154	0.13 110	0.16 108	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

cscssc	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.09 35	0.17 197	0.16 47	0.20 154	0.13 110	0.16 108	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

test_xeample3	0.09 14	0.06 21	0.12 95	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.13 45	0.10 44	0.06 2	0.08 27	0.06 6	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

EAI-Stereo	0.09 14	0.07 72	0.11 74	0.15 40	0.06 3	0.10 59	0.15 119	0.16 47	0.09 3	0.08 7	0.09 25	0.08 27	0.07 34	0.09 10	0.11 91	0.05 2	0.04 2	0.05 2	0.05 34	0.05 41	0.04 7

CFNet-RSSM	0.09 14	0.07 72	0.09 30	0.16 71	0.07 19	0.09 35	0.15 119	0.16 47	0.17 104	0.08 7	0.12 66	0.10 62	0.09 72	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 7

DIP-Stereo	0.11 85	0.07 72	0.14 160	0.17 118	0.09 135	0.13 136	0.09 3	0.16 47	0.16 92	0.11 64	0.16 108	0.14 133	0.12 144	0.15 172	0.13 163	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
IGEV_Zeroshot_test	0.09 14	0.05 6	0.12 95	0.13 7	0.08 50	0.12 108	0.13 44	0.17 77	0.11 20	0.10 44	0.06 2	0.09 40	0.06 6	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

MIF-Stereo (partial)	0.11 85	0.06 21	0.10 47	0.19 232	0.10 222	0.10 59	0.11 11	0.17 77	0.18 121	0.14 130	0.16 108	0.09 40	0.11 115	0.12 105	0.12 133	0.08 195	0.05 110	0.08 166	0.07 165	0.06 103	0.07 163

LL-Strereo2	0.10 54	0.10 244	0.15 197	0.18 185	0.08 50	0.15 182	0.09 3	0.17 77	0.14 62	0.14 130	0.10 41	0.09 40	0.07 34	0.16 204	0.10 53	0.05 2	0.05 110	0.10 274	0.07 165	0.06 103	0.05 53

4D-IteraStereo	0.09 14	0.07 72	0.10 47	0.18 185	0.07 19	0.09 35	0.15 119	0.17 77	0.15 74	0.10 44	0.11 58	0.10 62	0.07 34	0.11 48	0.09 20	0.05 2	0.03 1	0.08 166	0.07 165	0.06 103	0.05 53

DisPM	0.11 85	0.07 72	0.12 95	0.16 71	0.09 135	0.06 2	0.13 44	0.17 77	0.17 104	0.14 130	0.20 165	0.12 95	0.10 93	0.11 48	0.10 53	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.11 299

CIPLG	0.11 85	0.08 145	0.14 160	0.17 118	0.08 50	0.12 108	0.15 119	0.17 77	0.15 74	0.14 130	0.11 58	0.16 168	0.09 72	0.16 204	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

IPLGR_C	0.11 85	0.08 145	0.14 160	0.17 118	0.08 50	0.12 108	0.15 119	0.17 77	0.15 74	0.14 130	0.10 41	0.16 168	0.09 72	0.16 204	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ACRE	0.11 85	0.08 145	0.14 160	0.17 118	0.08 50	0.12 108	0.15 119	0.17 77	0.14 62	0.14 130	0.10 41	0.16 168	0.09 72	0.16 204	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

CrosDoStereo	0.12 141	0.06 21	0.12 95	0.14 14	0.08 50	0.12 108	0.15 119	0.17 77	0.22 179	0.19 231	0.24 203	0.15 157	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

PFNet+	0.11 85	0.06 21	0.13 134	0.16 71	0.09 135	0.05 1	0.12 22	0.17 77	0.21 167	0.16 179	0.19 154	0.14 133	0.10 93	0.11 48	0.11 91	0.08 195	0.05 110	0.09 232	0.08 216	0.06 103	0.11 299

ASMatch	0.11 85	0.06 21	0.13 134	0.16 71	0.10 222	0.07 16	0.14 71	0.17 77	0.17 104	0.12 89	0.16 108	0.16 168	0.10 93	0.13 137	0.10 53	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.08 223

DeepStereo_LL	0.12 141	0.06 21	0.12 95	0.14 14	0.08 50	0.12 108	0.15 119	0.17 77	0.22 179	0.19 231	0.24 203	0.15 157	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

SST-Stereo	0.10 54	0.07 72	0.15 197	0.18 185	0.09 135	0.06 2	0.12 22	0.17 77	0.11 20	0.15 154	0.17 126	0.13 118	0.12 144	0.10 19	0.11 91	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

THIR-Stereo	0.12 141	0.07 72	0.11 74	0.15 40	0.08 50	0.14 160	0.16 176	0.17 77	0.25 217	0.16 179	0.24 203	0.14 133	0.12 144	0.12 105	0.14 191	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

RAFT_R40	0.11 85	0.07 72	0.14 160	0.18 185	0.09 135	0.06 2	0.13 44	0.17 77	0.16 92	0.14 130	0.18 148	0.15 157	0.12 144	0.10 19	0.11 91	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

Pruner-Stereo	0.11 85	0.07 72	0.12 95	0.17 118	0.09 135	0.06 2	0.12 22	0.17 77	0.17 104	0.13 110	0.19 154	0.13 118	0.09 72	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.08 223

DeepStereo_RVC	0.11 85	0.08 145	0.16 227	0.18 185	0.08 50	0.08 23	0.12 22	0.17 77	0.12 28	0.13 110	0.14 86	0.12 95	0.12 144	0.12 105	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.07 160	0.08 223

RAFT-RH_RVC	0.11 85	0.06 21	0.14 160	0.16 71	0.09 135	0.12 108	0.12 22	0.17 77	0.12 28	0.13 110	0.41 348	0.11 79	0.10 93	0.13 137	0.12 133	0.05 2	0.04 2	0.08 166	0.05 34	0.04 1	0.06 103

rafts_anoy	0.11 85	0.06 21	0.10 47	0.17 118	0.08 50	0.10 59	0.14 71	0.17 77	0.14 62	0.13 110	0.13 76	0.12 95	0.10 93	0.11 48	0.12 133	0.07 145	0.04 2	0.09 232	0.11 312	0.07 160	0.06 103

RALCasStereoNet	0.10 54	0.06 21	0.09 30	0.16 71	0.08 50	0.12 108	0.14 71	0.17 77	0.11 20	0.12 89	0.17 126	0.14 133	0.10 93	0.12 105	0.11 91	0.07 145	0.06 195	0.06 34	0.05 34	0.08 205	0.07 163

sCroCo_RVC	0.12 141	0.09 196	0.23 306	0.24 336	0.11 260	0.19 260	0.14 71	0.17 77	0.14 62	0.10 44	0.13 76	0.12 95	0.07 34	0.14 153	0.11 91	0.08 195	0.08 274	0.08 166	0.08 216	0.05 41	0.07 163

RAFT-Stereo + iAFF	0.09 14	0.06 21	0.10 47	0.17 118	0.06 3	0.10 59	0.16 176	0.17 77	0.14 62	0.09 19	0.10 41	0.08 27	0.09 72	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.03 1

AFF-stereo	0.09 14	0.06 21	0.10 47	0.17 118	0.07 19	0.10 59	0.16 176	0.17 77	0.09 3	0.10 44	0.12 66	0.09 40	0.09 72	0.12 105	0.09 20	0.05 2	0.04 2	0.07 102	0.07 165	0.04 1	0.03 1

Gwc-CoAtRS	0.09 14	0.06 21	0.10 47	0.16 71	0.07 19	0.10 59	0.14 71	0.17 77	0.17 104	0.08 7	0.10 41	0.12 95	0.09 72	0.12 105	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 7

Former-RAFT_DAM_RVC	0.10 54	0.08 145	0.12 95	0.16 71	0.08 50	0.15 182	0.16 176	0.18 101	0.18 121	0.10 44	0.09 25	0.09 40	0.08 53	0.11 48	0.12 133	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.06 103

11t1	0.12 141	0.06 21	0.13 134	0.14 14	0.08 50	0.17 225	0.15 119	0.18 101	0.15 74	0.15 154	0.15 100	0.16 168	0.16 232	0.15 172	0.13 163	0.08 195	0.05 110	0.06 34	0.05 34	0.08 205	0.07 163

whm_eth	0.14 192	0.09 196	0.20 287	0.20 274	0.12 289	0.12 108	0.15 119	0.18 101	0.28 248	0.17 191	0.32 290	0.09 40	0.12 144	0.18 237	0.14 191	0.07 145	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163

EKT-Stereo	0.11 85	0.07 72	0.14 160	0.15 40	0.10 222	0.13 136	0.14 71	0.18 101	0.21 167	0.11 64	0.08 17	0.12 95	0.09 72	0.11 48	0.12 133	0.08 195	0.06 195	0.07 102	0.06 90	0.08 205	0.07 163

CASnet	0.09 14	0.09 196	0.09 30	0.19 232	0.06 3	0.07 16	0.11 11	0.18 101	0.14 62	0.11 64	0.10 41	0.09 40	0.07 34	0.10 19	0.10 53	0.06 58	0.04 2	0.10 274	0.08 216	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
anonymousdsp2	0.11 85	0.07 72	0.10 47	0.16 71	0.09 135	0.13 136	0.14 71	0.18 101	0.22 179	0.13 110	0.14 86	0.12 95	0.09 72	0.14 153	0.11 91	0.05 2	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

CASS	0.13 163	0.12 278	0.11 74	0.23 331	0.09 135	0.15 182	0.17 197	0.18 101	0.19 133	0.17 191	0.18 148	0.15 157	0.15 212	0.14 153	0.14 191	0.09 241	0.06 195	0.10 274	0.08 216	0.09 253	0.07 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 85	0.07 72	0.13 134	0.16 71	0.11 260	0.11 85	0.17 197	0.18 101	0.17 104	0.11 64	0.18 148	0.10 62	0.10 93	0.15 172	0.11 91	0.06 58	0.05 110	0.06 34	0.06 90	0.05 41	0.04 7

riskmin	0.11 85	0.06 21	0.13 134	0.14 14	0.08 50	0.14 160	0.14 71	0.18 101	0.14 62	0.11 64	0.14 86	0.16 168	0.11 115	0.14 153	0.12 133	0.09 241	0.05 110	0.07 102	0.05 34	0.08 205	0.08 223

RCA-Stereo	0.09 14	0.06 21	0.09 30	0.16 71	0.06 3	0.09 35	0.13 44	0.18 101	0.14 62	0.09 19	0.10 41	0.08 27	0.07 34	0.12 105	0.11 91	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

DCANet-4	0.10 54	0.06 21	0.12 95	0.16 71	0.06 3	0.09 35	0.17 197	0.18 101	0.19 133	0.13 110	0.16 108	0.09 40	0.14 199	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

RAFT_CTSACE	0.12 141	0.09 196	0.10 47	0.22 312	0.08 50	0.12 108	0.24 328	0.18 101	0.16 92	0.20 248	0.27 254	0.13 118	0.07 34	0.13 137	0.09 20	0.05 2	0.06 195	0.08 166	0.07 165	0.04 1	0.04 7

iRaft-Stereo_20w	0.09 14	0.05 6	0.13 134	0.14 14	0.08 50	0.12 108	0.15 119	0.18 101	0.10 9	0.11 64	0.08 17	0.08 27	0.05 2	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

TRStereo	0.09 14	0.05 6	0.12 95	0.15 40	0.12 289	0.10 59	0.13 44	0.18 101	0.18 121	0.09 19	0.09 25	0.09 40	0.06 6	0.10 19	0.08 11	0.07 145	0.05 110	0.07 102	0.07 165	0.04 1	0.04 7

AAGNet	0.11 85	0.07 72	0.16 227	0.19 232	0.09 135	0.08 23	0.13 44	0.18 101	0.13 45	0.16 179	0.21 179	0.13 118	0.14 199	0.11 48	0.14 191	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

GrayStereo	0.11 85	0.06 21	0.11 74	0.19 232	0.09 135	0.09 35	0.16 176	0.18 101	0.17 104	0.14 130	0.17 126	0.17 187	0.11 115	0.12 105	0.11 91	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.10 276

CRE-IMP	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.10 59	0.12 22	0.18 101	0.10 9	0.14 130	0.13 76	0.13 118	0.12 144	0.12 105	0.11 91	0.07 145	0.04 2	0.08 166	0.06 90	0.08 205	0.08 223

iRaftStereo_RVC	0.10 54	0.07 72	0.09 30	0.17 118	0.09 135	0.11 85	0.17 197	0.18 101	0.12 28	0.09 19	0.12 66	0.10 62	0.07 34	0.11 48	0.10 53	0.05 2	0.04 2	0.08 166	0.08 216	0.04 1	0.04 7

raftrobust	0.09 14	0.06 21	0.10 47	0.17 118	0.08 50	0.09 35	0.10 6	0.18 101	0.16 92	0.10 44	0.09 25	0.12 95	0.07 34	0.12 105	0.10 53	0.08 195	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

HITNet	0.10 54	0.06 21	0.12 95	0.14 14	0.06 3	0.11 85	0.10 6	0.18 101	0.18 121	0.13 110	0.16 108	0.14 133	0.11 115	0.15 172	0.13 163	0.06 58	0.04 2	0.04 1	0.04 9	0.06 103	0.05 53
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MyStereo8	0.12 141	0.07 72	0.15 197	0.15 40	0.09 135	0.18 240	0.14 71	0.19 121	0.22 179	0.12 89	0.18 148	0.11 79	0.10 93	0.16 204	0.18 254	0.07 145	0.05 110	0.07 102	0.05 34	0.08 205	0.09 257

MyStereo06	0.10 54	0.07 72	0.12 95	0.17 118	0.09 135	0.13 136	0.18 237	0.19 121	0.12 28	0.12 89	0.08 17	0.07 18	0.07 34	0.11 48	0.09 20	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

knoymous	0.11 85	0.05 6	0.12 95	0.13 7	0.07 19	0.15 182	0.14 71	0.19 121	0.13 45	0.11 64	0.17 126	0.13 118	0.09 72	0.13 137	0.11 91	0.08 195	0.05 110	0.06 34	0.05 34	0.08 205	0.07 163

anonymousa	0.13 163	0.07 72	0.13 134	0.18 185	0.09 135	0.13 136	0.17 197	0.19 121	0.29 255	0.15 154	0.24 203	0.15 157	0.14 199	0.14 153	0.14 191	0.07 145	0.05 110	0.07 102	0.09 257	0.05 41	0.06 103

TransformOpticalFlow	0.10 54	0.08 145	0.13 134	0.18 185	0.07 19	0.09 35	0.15 119	0.19 121	0.15 74	0.12 89	0.17 126	0.11 79	0.11 115	0.11 48	0.10 53	0.05 2	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

AnonymousM	0.09 14	0.05 6	0.10 47	0.14 14	0.06 3	0.09 35	0.13 44	0.19 121	0.14 62	0.13 110	0.11 58	0.09 40	0.08 53	0.13 137	0.10 53	0.08 195	0.05 110	0.08 166	0.05 34	0.05 41	0.05 53

MLCV	0.12 141	0.07 72	0.16 227	0.18 185	0.06 3	0.15 182	0.17 197	0.19 121	0.21 167	0.18 218	0.25 232	0.17 187	0.13 176	0.14 153	0.13 163	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

MIM_Stereo	0.09 14	0.07 72	0.11 74	0.15 40	0.07 19	0.06 2	0.12 22	0.20 128	0.14 62	0.13 110	0.13 76	0.09 40	0.05 2	0.12 105	0.08 11	0.05 2	0.06 195	0.07 102	0.06 90	0.06 103	0.05 53

Selective-RAFT	0.11 85	0.10 244	0.11 74	0.21 299	0.08 50	0.16 206	0.13 44	0.20 128	0.22 179	0.10 44	0.10 41	0.11 79	0.10 93	0.15 172	0.11 91	0.05 2	0.05 110	0.06 34	0.05 34	0.06 103	0.05 53

IPLG	0.10 54	0.07 72	0.15 197	0.17 118	0.08 50	0.11 85	0.14 71	0.20 128	0.15 74	0.12 89	0.17 126	0.07 18	0.07 34	0.14 153	0.13 163	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

MIPNet	0.11 85	0.08 145	0.14 160	0.17 118	0.09 135	0.12 108	0.14 71	0.20 128	0.24 198	0.11 64	0.10 41	0.09 40	0.07 34	0.13 137	0.12 133	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

HHNet	0.11 85	0.06 21	0.16 227	0.15 40	0.14 324	0.07 16	0.13 44	0.20 128	0.17 104	0.14 130	0.25 232	0.11 79	0.08 53	0.13 137	0.10 53	0.05 2	0.04 2	0.08 166	0.06 90	0.05 41	0.09 257

PSM-AAD	0.11 85	0.07 72	0.10 47	0.19 232	0.09 135	0.10 59	0.15 119	0.20 128	0.13 45	0.12 89	0.14 86	0.18 198	0.11 115	0.11 48	0.10 53	0.05 2	0.05 110	0.09 232	0.08 216	0.06 103	0.14 341

RAFT	0.13 163	0.09 196	0.11 74	0.18 185	0.08 50	0.15 182	0.24 328	0.20 128	0.19 133	0.21 256	0.21 179	0.17 187	0.12 144	0.16 204	0.09 20	0.06 58	0.07 252	0.10 274	0.09 257	0.05 41	0.05 53

TestStereo	0.13 163	0.14 311	0.11 74	0.23 331	0.08 50	0.15 182	0.21 299	0.20 128	0.23 188	0.14 130	0.24 203	0.16 168	0.12 144	0.16 204	0.14 191	0.05 2	0.06 195	0.08 166	0.06 90	0.09 253	0.05 53

RALAANet	0.11 85	0.08 145	0.10 47	0.17 118	0.09 135	0.14 160	0.10 6	0.20 128	0.15 74	0.14 130	0.13 76	0.16 168	0.09 72	0.12 105	0.11 91	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 7

XX-Stereo	0.09 14	0.05 6	0.08 12	0.17 118	0.09 135	0.15 182	0.12 22	0.20 128	0.10 9	0.10 44	0.14 86	0.07 18	0.06 6	0.12 105	0.08 11	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 7

Anonymous	0.14 192	0.10 244	0.24 309	0.22 312	0.13 307	0.18 240	0.22 309	0.20 128	0.19 133	0.14 130	0.12 66	0.11 79	0.13 176	0.16 204	0.13 163	0.08 195	0.07 252	0.08 166	0.08 216	0.12 309	0.10 276

ARAFT	0.12 141	0.08 145	0.17 252	0.19 232	0.09 135	0.14 160	0.18 237	0.20 128	0.12 28	0.12 89	0.13 76	0.14 133	0.11 115	0.15 172	0.12 133	0.06 58	0.05 110	0.10 274	0.09 257	0.05 41	0.04 7

GMStereo	0.13 163	0.14 311	0.14 160	0.18 185	0.09 135	0.15 182	0.16 176	0.20 128	0.24 198	0.16 179	0.17 126	0.10 62	0.10 93	0.16 204	0.13 163	0.07 145	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
aanetorigin	0.22 312	0.17 335	0.56 379	0.17 118	0.10 222	0.15 182	0.19 268	0.20 128	0.33 281	0.49 379	0.48 363	0.29 297	0.27 328	0.20 267	0.23 307	0.08 195	0.07 252	0.08 166	0.07 165	0.10 280	0.09 257

EDNetEfficient	0.29 360	0.24 367	1.13 409	0.18 185	0.10 222	0.19 260	0.20 283	0.20 128	0.60 380	0.74 398	0.56 378	0.31 315	0.39 370	0.22 294	0.30 358	0.09 241	0.07 252	0.08 166	0.07 165	0.11 295	0.09 257

cf-r	0.13 163	0.07 72	0.12 95	0.16 71	0.08 50	0.14 160	0.19 268	0.20 128	0.25 217	0.17 191	0.25 232	0.21 223	0.16 232	0.14 153	0.14 191	0.10 272	0.05 110	0.06 34	0.08 216	0.06 103	0.06 103

iResNet	0.13 163	0.10 244	0.18 270	0.19 232	0.08 50	0.13 136	0.18 237	0.20 128	0.26 230	0.15 154	0.23 194	0.15 157	0.13 176	0.14 153	0.14 191	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

mmm	0.14 192	0.08 145	0.17 252	0.17 118	0.09 135	0.17 225	0.18 237	0.21 145	0.15 74	0.15 154	0.23 194	0.21 223	0.16 232	0.16 204	0.17 240	0.08 195	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

StereoVision	0.13 163	0.12 278	0.09 30	0.24 336	0.10 222	0.15 182	0.21 299	0.21 145	0.20 154	0.12 89	0.24 203	0.10 62	0.10 93	0.16 204	0.10 53	0.09 241	0.11 326	0.12 316	0.12 330	0.06 103	0.05 53

Any-RAFT	0.10 54	0.05 6	0.09 30	0.14 14	0.07 19	0.13 136	0.14 71	0.21 145	0.15 74	0.11 64	0.12 66	0.12 95	0.09 72	0.12 105	0.09 20	0.07 145	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

test_5	0.14 192	0.12 278	0.08 12	0.20 274	0.10 222	0.14 160	0.29 368	0.21 145	0.24 198	0.18 218	0.28 263	0.11 79	0.15 212	0.12 105	0.13 163	0.06 58	0.05 110	0.07 102	0.08 216	0.08 205	0.07 163

iRaft-Stereo_5w	0.12 141	0.09 196	0.12 95	0.19 232	0.08 50	0.09 35	0.12 22	0.21 145	0.21 167	0.19 231	0.14 86	0.11 79	0.09 72	0.20 267	0.16 229	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.06 103

UDGNet	0.14 192	0.13 299	0.16 227	0.17 118	0.10 222	0.12 108	0.16 176	0.21 145	0.27 237	0.20 248	0.20 165	0.16 168	0.13 176	0.16 204	0.13 163	0.10 272	0.06 195	0.09 232	0.07 165	0.06 103	0.07 163

dd	0.15 226	0.16 324	0.16 227	0.19 232	0.09 135	0.15 182	0.18 237	0.21 145	0.25 217	0.23 281	0.20 165	0.21 223	0.09 72	0.21 283	0.16 229	0.10 272	0.06 195	0.08 166	0.06 90	0.08 205	0.06 103

dad	0.17 263	0.20 353	0.20 287	0.16 71	0.11 260	0.20 272	0.18 237	0.21 145	0.28 248	0.30 333	0.24 203	0.29 297	0.13 176	0.19 248	0.16 229	0.18 369	0.09 297	0.11 301	0.09 257	0.11 295	0.07 163

IPLGR	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.12 108	0.17 197	0.21 145	0.24 198	0.11 64	0.12 66	0.11 79	0.08 53	0.12 105	0.12 133	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 7

LCNet	0.11 85	0.07 72	0.09 30	0.19 232	0.09 135	0.08 23	0.15 119	0.21 145	0.15 74	0.11 64	0.15 100	0.16 168	0.11 115	0.12 105	0.11 91	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.15 349

STrans-v2	0.10 54	0.07 72	0.12 95	0.18 185	0.07 19	0.10 59	0.14 71	0.21 145	0.11 20	0.11 64	0.15 100	0.12 95	0.10 93	0.11 48	0.12 133	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.04 7

OMP-Stereo	0.11 85	0.06 21	0.14 160	0.18 185	0.08 50	0.09 35	0.12 22	0.21 145	0.21 167	0.13 110	0.14 86	0.11 79	0.12 144	0.11 48	0.13 163	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.04 7

FTStereo	0.12 141	0.06 21	0.14 160	0.18 185	0.09 135	0.07 16	0.15 119	0.21 145	0.18 121	0.12 89	0.24 203	0.12 95	0.12 144	0.13 137	0.13 163	0.05 2	0.05 110	0.07 102	0.06 90	0.06 103	0.10 276

DRaft	0.12 141	0.06 21	0.11 74	0.14 14	0.09 135	0.14 160	0.17 197	0.21 145	0.30 263	0.17 191	0.28 263	0.10 62	0.15 212	0.10 19	0.12 133	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

111	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.10 59	0.14 71	0.21 145	0.23 188	0.11 64	0.12 66	0.14 133	0.11 115	0.13 137	0.10 53	0.06 58	0.04 2	0.06 34	0.04 9	0.05 41	0.05 53

GwcNet-RSSM	0.14 192	0.07 72	0.12 95	0.15 40	0.08 50	0.15 182	0.20 283	0.21 145	0.27 237	0.18 218	0.27 254	0.22 240	0.16 232	0.14 153	0.15 214	0.10 272	0.05 110	0.07 102	0.09 257	0.07 160	0.07 163

CBFPSM	0.14 192	0.06 21	0.26 316	0.17 118	0.09 135	0.13 136	0.15 119	0.22 161	0.23 188	0.20 248	0.27 254	0.24 258	0.16 232	0.16 204	0.18 254	0.06 58	0.06 195	0.06 34	0.07 165	0.07 160	0.07 163

Anonymous_2	0.22 312	0.17 335	0.28 327	0.15 40	0.16 345	0.32 352	0.22 309	0.22 161	0.17 104	0.23 281	0.24 203	0.26 276	0.27 328	0.27 323	0.23 307	0.22 381	0.25 389	0.17 357	0.17 363	0.17 363	0.17 367

x	0.13 163	0.07 72	0.14 160	0.14 14	0.08 50	0.18 240	0.14 71	0.22 161	0.20 154	0.15 154	0.19 154	0.19 207	0.17 251	0.18 237	0.18 254	0.07 145	0.05 110	0.06 34	0.06 90	0.07 160	0.07 163

RAFT+CT+SA	0.13 163	0.11 264	0.09 30	0.19 232	0.09 135	0.15 182	0.28 360	0.22 161	0.22 179	0.15 154	0.26 247	0.10 62	0.10 93	0.11 48	0.12 133	0.05 2	0.04 2	0.07 102	0.08 216	0.07 160	0.06 103

Sa-1000	0.12 141	0.08 145	0.08 12	0.18 185	0.08 50	0.14 160	0.22 309	0.22 161	0.18 121	0.15 154	0.20 165	0.17 187	0.11 115	0.10 19	0.10 53	0.06 58	0.05 110	0.09 232	0.09 257	0.05 41	0.05 53

IIG-Stereo	0.11 85	0.06 21	0.13 134	0.17 118	0.08 50	0.11 85	0.12 22	0.22 161	0.17 104	0.14 130	0.17 126	0.11 79	0.12 144	0.12 105	0.12 133	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 7

KYRaft	0.11 85	0.07 72	0.10 47	0.19 232	0.09 135	0.08 23	0.15 119	0.22 161	0.12 28	0.13 110	0.16 108	0.20 217	0.10 93	0.12 105	0.10 53	0.05 2	0.04 2	0.08 166	0.08 216	0.06 103	0.16 360

Prome-Stereo	0.11 85	0.06 21	0.10 47	0.18 185	0.08 50	0.12 108	0.15 119	0.22 161	0.13 45	0.12 89	0.17 126	0.13 118	0.08 53	0.12 105	0.10 53	0.05 2	0.04 2	0.07 102	0.06 90	0.06 103	0.09 257

EDNetEfficientorigin	7.91 426	0.31 383	153.02 445	0.19 232	0.09 135	0.21 286	0.16 176	0.22 161	0.59 377	0.72 394	0.67 385	0.42 361	0.50 387	0.24 313	0.39 381	0.08 195	0.07 252	0.08 166	0.07 165	0.12 309	0.10 276

FENet	0.13 163	0.08 145	0.12 95	0.16 71	0.08 50	0.14 160	0.15 119	0.22 161	0.23 188	0.17 191	0.23 194	0.16 168	0.12 144	0.14 153	0.15 214	0.08 195	0.05 110	0.08 166	0.08 216	0.07 160	0.07 163

ACVNet	0.15 226	0.09 196	0.15 197	0.13 7	0.12 289	0.14 160	0.20 283	0.22 161	0.33 281	0.17 191	0.26 247	0.21 223	0.16 232	0.17 226	0.21 288	0.07 145	0.06 195	0.06 34	0.06 90	0.08 205	0.06 103

GANet-RSSM	0.14 192	0.07 72	0.13 134	0.13 7	0.08 50	0.14 160	0.17 197	0.22 161	0.21 167	0.17 191	0.24 203	0.23 252	0.15 212	0.16 204	0.15 214	0.10 272	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

CFNet-ft	0.14 192	0.07 72	0.15 197	0.12 3	0.09 135	0.16 206	0.18 237	0.22 161	0.24 198	0.17 191	0.26 247	0.24 258	0.14 199	0.16 204	0.14 191	0.11 293	0.06 195	0.08 166	0.09 257	0.09 253	0.08 223

BEATNet_4x	0.12 141	0.08 145	0.14 160	0.18 185	0.07 19	0.15 182	0.07 1	0.22 161	0.18 121	0.16 179	0.19 154	0.18 198	0.14 199	0.16 204	0.15 214	0.07 145	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

CFNet_RVC	0.14 192	0.07 72	0.15 197	0.12 3	0.09 135	0.16 206	0.18 237	0.22 161	0.24 198	0.17 191	0.26 247	0.24 258	0.14 199	0.16 204	0.14 191	0.11 293	0.06 195	0.08 166	0.09 257	0.09 253	0.08 223

LE_ROB	0.50 389	0.07 72	0.14 160	0.15 40	0.08 50	0.24 312	0.16 176	0.22 161	1.81 420	4.63 424	0.67 385	0.47 376	0.44 382	0.20 267	0.29 354	0.07 145	0.06 195	0.06 34	0.06 90	0.08 205	0.06 103

DN-CSS_ROB	0.13 163	0.13 299	0.16 227	0.18 185	0.10 222	0.16 206	0.08 2	0.22 161	0.18 121	0.17 191	0.22 188	0.13 118	0.13 176	0.12 105	0.13 163	0.05 2	0.05 110	0.10 274	0.10 289	0.08 205	0.06 103

DispNO	0.14 192	0.08 145	0.17 252	0.19 232	0.12 289	0.11 85	0.21 299	0.23 178	0.29 255	0.17 191	0.23 194	0.18 198	0.17 251	0.15 172	0.15 214	0.07 145	0.05 110	0.08 166	0.08 216	0.07 160	0.06 103

CoDeX	0.12 141	0.07 72	0.12 95	0.17 118	0.08 50	0.12 108	0.15 119	0.23 178	0.27 237	0.13 110	0.17 126	0.16 168	0.11 115	0.14 153	0.11 91	0.07 145	0.05 110	0.07 102	0.06 90	0.06 103	0.05 53

ACVNet-DCA	0.10 54	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.23 178	0.16 92	0.09 19	0.09 25	0.06 3	0.06 6	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

1test111	0.11 85	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.23 178	0.16 92	0.09 19	0.09 25	0.06 3	0.06 6	0.15 172	0.16 229	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

DLNR_Zeroshot_test	10.40 430	1.82 425	19.49 440	120.77 446	13.11 436	0.06 2	0.13 44	0.23 178	0.10 9	0.07 2	0.10 41	0.09 40	0.06 6	0.10 19	0.09 20	0.13 338	0.04 2	0.06 34	0.04 9	51.54 445	0.04 7

TestStereo1	0.13 163	0.08 145	0.08 12	0.19 232	0.08 50	0.18 240	0.29 368	0.23 178	0.16 92	0.17 191	0.20 165	0.16 168	0.10 93	0.12 105	0.13 163	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

qqq	0.13 163	0.09 196	0.15 197	0.16 71	0.08 50	0.13 136	0.15 119	0.23 178	0.16 92	0.15 154	0.19 154	0.16 168	0.16 232	0.15 172	0.16 229	0.07 145	0.06 195	0.08 166	0.08 216	0.07 160	0.07 163

SA-5K	0.13 163	0.08 145	0.08 12	0.19 232	0.08 50	0.18 240	0.29 368	0.23 178	0.16 92	0.17 191	0.20 165	0.16 168	0.10 93	0.12 105	0.13 163	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

SA	0.12 141	0.09 196	0.08 12	0.18 185	0.08 50	0.12 108	0.24 328	0.23 178	0.18 121	0.17 191	0.27 254	0.14 133	0.11 115	0.11 48	0.11 91	0.05 2	0.05 110	0.09 232	0.08 216	0.05 41	0.04 7

AACVNet	0.16 244	0.08 145	0.14 160	0.15 40	0.10 222	0.18 240	0.15 119	0.23 178	0.24 198	0.27 313	0.27 254	0.28 290	0.17 251	0.19 248	0.16 229	0.09 241	0.07 252	0.09 232	0.07 165	0.10 280	0.09 257

NF-Stereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

OCTAStereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

RE-Stereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

TVStereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

GMM-Stereo	0.11 85	0.07 72	0.10 47	0.18 185	0.09 135	0.08 23	0.15 119	0.23 178	0.16 92	0.11 64	0.15 100	0.13 118	0.11 115	0.11 48	0.11 91	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.09 257

DMCA	0.14 192	0.09 196	0.16 227	0.19 232	0.09 135	0.15 182	0.17 197	0.23 178	0.27 237	0.14 130	0.19 154	0.17 187	0.18 261	0.15 172	0.17 240	0.10 272	0.06 195	0.08 166	0.06 90	0.09 253	0.10 276

R-Stereo Train	0.10 54	0.06 21	0.10 47	0.17 118	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 89	0.19 154	0.11 79	0.08 53	0.09 10	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

RAFT-Stereo	0.10 54	0.06 21	0.10 47	0.17 118	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 89	0.19 154	0.11 79	0.08 53	0.09 10	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
CAS++	0.11 85	0.07 72	0.11 74	0.14 14	0.09 135	0.12 108	0.14 71	0.24 196	0.14 62	0.11 64	0.09 25	0.11 79	0.07 34	0.14 153	0.09 20	0.11 293	0.09 297	0.09 232	0.07 165	0.07 160	0.08 223
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
gwcnet-sp	0.14 192	0.07 72	0.12 95	0.18 185	0.09 135	0.16 206	0.17 197	0.24 196	0.24 198	0.18 218	0.24 203	0.15 157	0.16 232	0.15 172	0.15 214	0.08 195	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

scenet	0.14 192	0.07 72	0.12 95	0.18 185	0.09 135	0.16 206	0.17 197	0.24 196	0.24 198	0.18 218	0.24 203	0.15 157	0.16 232	0.15 172	0.15 214	0.08 195	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

ToySt	0.17 263	0.11 264	0.18 270	0.17 118	0.11 260	0.16 206	0.25 342	0.24 196	0.33 281	0.19 231	0.24 203	0.26 276	0.24 309	0.19 248	0.20 269	0.07 145	0.08 274	0.09 232	0.10 289	0.09 253	0.08 223

ssnet	0.14 192	0.07 72	0.12 95	0.18 185	0.09 135	0.16 206	0.17 197	0.24 196	0.24 198	0.18 218	0.24 203	0.15 157	0.16 232	0.15 172	0.15 214	0.08 195	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

PSM-softLoss	0.12 141	0.07 72	0.15 197	0.17 118	0.09 135	0.08 23	0.13 44	0.24 196	0.17 104	0.14 130	0.19 154	0.13 118	0.11 115	0.11 48	0.11 91	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 310

KMStereo	0.12 141	0.07 72	0.15 197	0.17 118	0.09 135	0.08 23	0.13 44	0.24 196	0.17 104	0.14 130	0.19 154	0.13 118	0.11 115	0.11 48	0.11 91	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 310

IRAFT_RVC	0.12 141	0.08 145	0.16 227	0.19 232	0.08 50	0.07 16	0.15 119	0.24 196	0.23 188	0.14 130	0.14 86	0.15 157	0.12 144	0.12 105	0.10 53	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.06 103

raft+_RVC	0.11 85	0.07 72	0.09 30	0.16 71	0.07 19	0.10 59	0.11 11	0.24 196	0.20 154	0.12 89	0.15 100	0.12 95	0.08 53	0.12 105	0.13 163	0.07 145	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

ac_64	0.16 244	0.08 145	0.15 197	0.18 185	0.10 222	0.22 294	0.18 237	0.24 196	0.21 167	0.18 218	0.24 203	0.29 297	0.18 261	0.19 248	0.22 297	0.09 241	0.07 252	0.08 166	0.09 257	0.07 160	0.06 103

PSMNet-RSSM	0.14 192	0.07 72	0.13 134	0.15 40	0.08 50	0.13 136	0.16 176	0.24 196	0.24 198	0.16 179	0.28 263	0.22 240	0.14 199	0.15 172	0.13 163	0.11 293	0.06 195	0.09 232	0.12 330	0.08 205	0.07 163

SuperB	0.20 294	0.10 244	0.56 379	0.16 71	0.09 135	0.18 240	0.18 237	0.24 196	0.50 359	0.26 307	0.39 333	0.17 187	0.21 288	0.22 294	0.21 288	0.08 195	0.06 195	0.06 34	0.06 90	0.12 309	0.10 276

UCFNet_RVC	0.14 192	0.08 145	0.13 134	0.11 1	0.10 222	0.20 272	0.10 6	0.24 196	0.22 179	0.17 191	0.20 165	0.23 252	0.15 212	0.17 226	0.15 214	0.12 318	0.07 252	0.10 274	0.13 339	0.11 295	0.10 276

pmcnn	0.15 226	0.07 72	0.19 279	0.15 40	0.07 19	0.20 272	0.15 119	0.24 196	0.26 230	0.21 256	0.34 307	0.28 290	0.18 261	0.18 237	0.17 240	0.07 145	0.05 110	0.05 2	0.04 9	0.07 160	0.06 103

SDNR	0.19 285	0.08 145	0.19 279	0.16 71	0.12 289	0.77 406	0.14 71	0.25 210	0.32 275	0.19 231	0.24 203	0.19 207	0.13 176	0.19 248	0.15 214	0.16 363	0.18 371	0.14 340	0.11 312	0.08 205	0.11 299

fast-acv-ft	0.18 275	0.11 264	0.19 279	0.19 232	0.12 289	0.24 312	0.21 299	0.25 210	0.34 292	0.22 269	0.34 307	0.27 283	0.20 284	0.21 283	0.23 307	0.09 241	0.09 297	0.08 166	0.10 289	0.08 205	0.07 163

IER	0.14 192	0.07 72	0.13 134	0.17 118	0.09 135	0.14 160	0.16 176	0.25 210	0.26 230	0.18 218	0.25 232	0.17 187	0.20 284	0.16 204	0.14 191	0.08 195	0.05 110	0.07 102	0.06 90	0.08 205	0.07 163

CSP-Net	0.16 244	0.09 196	0.14 160	0.16 71	0.09 135	0.19 260	0.17 197	0.25 210	0.32 275	0.25 302	0.30 278	0.24 258	0.15 212	0.21 283	0.18 254	0.09 241	0.06 195	0.07 102	0.07 165	0.08 205	0.07 163

ICVP	0.15 226	0.09 196	0.12 95	0.22 312	0.09 135	0.17 225	0.21 299	0.25 210	0.23 188	0.18 218	0.30 278	0.26 276	0.18 261	0.17 226	0.14 191	0.09 241	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 263	0.09 196	0.16 227	0.20 274	0.11 260	0.27 337	0.20 283	0.25 210	0.41 327	0.22 269	0.30 278	0.21 223	0.20 284	0.17 226	0.20 269	0.06 58	0.06 195	0.07 102	0.07 165	0.08 205	0.07 163

acv_ft	0.15 226	0.09 196	0.15 197	0.19 232	0.10 222	0.16 206	0.17 197	0.25 210	0.33 281	0.19 231	0.26 247	0.21 223	0.17 251	0.17 226	0.18 254	0.07 145	0.06 195	0.06 34	0.06 90	0.08 205	0.06 103

hitnet-ft	0.18 275	0.09 196	0.17 252	0.14 14	0.09 135	0.26 330	0.20 283	0.25 210	0.26 230	0.24 289	0.32 290	0.31 315	0.22 297	0.24 313	0.21 288	0.12 318	0.07 252	0.10 274	0.08 216	0.12 309	0.11 299

DMCA-RVC	0.17 263	0.10 244	0.15 197	0.24 336	0.11 260	0.18 240	0.18 237	0.25 210	0.24 198	0.21 256	0.26 247	0.25 268	0.27 328	0.18 237	0.20 269	0.12 318	0.08 274	0.13 330	0.10 289	0.10 280	0.08 223

FADNet-RVC-Resample	0.16 244	0.11 264	0.31 338	0.22 312	0.11 260	0.19 260	0.14 71	0.25 210	0.24 198	0.24 289	0.27 254	0.20 217	0.15 212	0.16 204	0.15 214	0.07 145	0.08 274	0.12 316	0.10 289	0.09 253	0.10 276

RP	0.21 303	0.13 299	0.21 292	0.23 331	0.11 260	0.21 286	0.20 283	0.25 210	0.44 342	0.21 256	0.38 325	0.36 339	0.24 309	0.27 323	0.25 326	0.11 293	0.12 335	0.13 330	0.12 330	0.12 309	0.14 341

iResNetv2_ROB	0.14 192	0.08 145	0.15 197	0.16 71	0.08 50	0.16 206	0.12 22	0.25 210	0.35 299	0.21 256	0.29 274	0.24 258	0.13 176	0.14 153	0.14 191	0.06 58	0.05 110	0.06 34	0.04 9	0.09 253	0.08 223

SMFormer	0.14 192	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.17 240	0.08 195	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

tta	0.14 192	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.17 240	0.08 195	0.05 110	0.07 102	0.06 90	0.06 103	0.06 103

qqq1	0.13 163	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.11 91	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

fff1	0.13 163	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.11 91	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

Wz-Net-LNSev-Ref	0.18 275	0.09 196	0.29 333	0.15 40	0.10 222	0.22 294	0.20 283	0.26 222	0.39 318	0.25 302	0.42 353	0.24 258	0.15 212	0.20 267	0.19 263	0.07 145	0.05 110	0.06 34	0.05 34	0.10 280	0.09 257

CRFU-Net	0.16 244	0.08 145	0.14 160	0.17 118	0.09 135	0.19 260	0.14 71	0.26 222	0.20 154	0.28 324	0.27 254	0.29 297	0.17 251	0.19 248	0.17 240	0.09 241	0.09 297	0.07 102	0.07 165	0.08 205	0.08 223

PSMNet-ADL	0.15 226	0.12 278	0.13 134	0.22 312	0.09 135	0.13 136	0.20 283	0.26 222	0.23 188	0.18 218	0.20 165	0.24 258	0.16 232	0.18 237	0.17 240	0.08 195	0.08 274	0.08 166	0.11 312	0.08 205	0.07 163

PFNet	0.12 141	0.06 21	0.17 252	0.17 118	0.08 50	0.09 35	0.15 119	0.26 222	0.20 154	0.16 179	0.16 108	0.14 133	0.11 115	0.12 105	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

sAnonymous2	0.13 163	0.12 278	0.24 309	0.20 274	0.12 289	0.17 225	0.13 44	0.26 222	0.21 167	0.11 64	0.11 58	0.13 118	0.08 53	0.10 19	0.10 53	0.09 241	0.05 110	0.08 166	0.06 90	0.15 349	0.10 276

CroCo_RVC	0.13 163	0.12 278	0.24 309	0.20 274	0.12 289	0.17 225	0.13 44	0.26 222	0.21 167	0.11 64	0.11 58	0.13 118	0.08 53	0.10 19	0.10 53	0.09 241	0.05 110	0.08 166	0.06 90	0.15 349	0.10 276

HCRNet	0.16 244	0.24 367	0.12 95	0.35 383	0.11 260	0.15 182	0.17 197	0.26 222	0.22 179	0.19 231	0.24 203	0.21 223	0.14 199	0.15 172	0.13 163	0.11 293	0.07 252	0.11 301	0.10 289	0.09 253	0.07 163

RAFT + AFF	0.13 163	0.07 72	0.20 287	0.20 274	0.10 222	0.14 160	0.24 328	0.26 222	0.20 154	0.11 64	0.10 41	0.12 95	0.10 93	0.15 172	0.12 133	0.07 145	0.06 195	0.09 232	0.08 216	0.06 103	0.08 223

FADNet_RVC	0.16 244	0.14 311	0.40 360	0.20 274	0.11 260	0.13 136	0.13 44	0.26 222	0.22 179	0.21 256	0.23 194	0.20 217	0.17 251	0.14 153	0.16 229	0.08 195	0.08 274	0.12 316	0.09 257	0.11 295	0.10 276

FADNet-RVC	0.20 294	0.20 353	0.38 356	0.21 299	0.16 345	0.20 272	0.15 119	0.26 222	0.26 230	0.26 307	0.32 290	0.26 276	0.21 288	0.22 294	0.19 263	0.12 318	0.13 348	0.12 316	0.14 343	0.13 326	0.18 369

AANet_RVC	0.16 244	0.10 244	0.10 47	0.18 185	0.09 135	0.18 240	0.19 268	0.26 222	0.31 269	0.22 269	0.35 311	0.21 223	0.21 288	0.22 294	0.16 229	0.06 58	0.05 110	0.06 34	0.06 90	0.07 160	0.06 103

StereoDRNet-Refined	0.17 263	0.12 278	0.15 197	0.20 274	0.09 135	0.18 240	0.18 237	0.26 222	0.23 188	0.26 307	0.40 338	0.22 240	0.17 251	0.21 283	0.20 269	0.08 195	0.05 110	0.09 232	0.10 289	0.07 160	0.07 163
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
CBMV_ROB	0.19 285	0.13 299	0.17 252	0.16 71	0.11 260	0.15 182	0.13 44	0.26 222	0.28 248	0.27 313	0.30 278	0.27 283	0.24 309	0.23 305	0.16 229	0.15 352	0.17 369	0.22 374	0.20 369	0.10 280	0.11 299

iResNet_ROB	0.14 192	0.07 72	0.13 134	0.14 14	0.07 19	0.18 240	0.14 71	0.26 222	0.31 269	0.22 269	0.25 232	0.23 252	0.15 212	0.15 172	0.13 163	0.07 145	0.05 110	0.05 2	0.04 9	0.08 205	0.08 223

MyStereo05	0.13 163	0.07 72	0.10 47	0.17 118	0.09 135	0.13 136	0.18 237	0.27 240	0.35 299	0.17 191	0.14 86	0.15 157	0.11 115	0.15 172	0.13 163	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

mmx	0.14 192	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.27 240	0.25 217	0.15 154	0.25 232	0.19 207	0.13 176	0.14 153	0.20 269	0.08 195	0.06 195	0.09 232	0.08 216	0.08 205	0.08 223

ttt	0.14 192	0.08 145	0.14 160	0.15 40	0.08 50	0.15 182	0.18 237	0.27 240	0.29 255	0.16 179	0.24 203	0.17 187	0.13 176	0.13 137	0.14 191	0.11 293	0.08 274	0.09 232	0.08 216	0.09 253	0.08 223

xxx	0.14 192	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.27 240	0.25 217	0.15 154	0.25 232	0.19 207	0.13 176	0.14 153	0.20 269	0.08 195	0.06 195	0.09 232	0.08 216	0.08 205	0.08 223

coex-ft	3.30 420	0.34 386	59.09 444	0.18 185	0.13 307	0.26 330	0.22 309	0.27 240	0.72 392	1.90 421	0.70 389	0.44 367	0.45 383	0.29 341	0.41 386	0.09 241	0.09 297	0.12 316	0.09 257	0.14 338	0.13 324

iinet-f	0.16 244	0.06 21	0.45 365	0.14 14	0.10 222	0.21 286	0.14 71	0.27 240	0.23 188	0.21 256	0.24 203	0.21 223	0.15 212	0.18 237	0.21 288	0.09 241	0.07 252	0.07 102	0.06 90	0.09 253	0.10 276

DAS	0.15 226	0.08 145	0.18 270	0.19 232	0.10 222	0.19 260	0.17 197	0.27 240	0.29 255	0.18 218	0.25 232	0.21 223	0.15 212	0.16 204	0.12 133	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

SepStereo	0.15 226	0.08 145	0.18 270	0.19 232	0.10 222	0.19 260	0.17 197	0.27 240	0.29 255	0.18 218	0.25 232	0.21 223	0.15 212	0.25 318	0.12 133	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

LMCR-Stereo	0.15 226	0.08 145	0.13 134	0.21 299	0.09 135	0.17 225	0.20 283	0.27 240	0.19 133	0.24 289	0.24 203	0.23 252	0.17 251	0.20 267	0.17 240	0.07 145	0.06 195	0.08 166	0.06 90	0.10 280	0.08 223

CFNet_pseudo	0.14 192	0.08 145	0.15 197	0.16 71	0.09 135	0.13 136	0.14 71	0.27 240	0.34 292	0.14 130	0.21 179	0.22 240	0.13 176	0.18 237	0.14 191	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.07 163

HSM-Net_RVC	0.14 192	0.08 145	0.11 74	0.15 40	0.08 50	0.15 182	0.15 119	0.27 240	0.29 255	0.19 231	0.21 179	0.29 297	0.14 199	0.17 226	0.13 163	0.06 58	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
DANet	0.21 303	0.15 317	0.28 327	0.25 347	0.13 307	0.22 294	0.19 268	0.27 240	0.27 237	0.28 324	0.32 290	0.35 337	0.31 352	0.31 345	0.23 307	0.11 293	0.09 297	0.11 301	0.10 289	0.13 326	0.11 299
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ccs_rob	0.14 192	0.08 145	0.15 197	0.16 71	0.09 135	0.12 108	0.14 71	0.27 240	0.34 292	0.14 130	0.21 179	0.22 240	0.13 176	0.18 237	0.14 191	0.07 145	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

DISCO	0.19 285	0.09 196	0.22 297	0.17 118	0.10 222	0.25 322	0.18 237	0.27 240	0.44 342	0.22 269	0.31 286	0.33 327	0.26 320	0.28 334	0.28 351	0.08 195	0.06 195	0.07 102	0.07 165	0.09 253	0.09 257

HBP-ISP	0.18 275	0.13 299	0.16 227	0.15 40	0.11 260	0.08 23	0.13 44	0.28 254	0.29 255	0.22 269	0.33 303	0.21 223	0.25 317	0.23 305	0.17 240	0.14 349	0.16 364	0.21 370	0.17 363	0.10 280	0.08 223

raft_robust	0.13 163	0.10 244	0.07 2	0.18 185	0.08 50	0.13 136	0.24 328	0.28 254	0.33 281	0.20 248	0.19 154	0.14 133	0.10 93	0.11 48	0.12 133	0.05 2	0.05 110	0.07 102	0.07 165	0.05 41	0.04 7

Anonymous3	0.16 244	0.13 299	0.33 343	0.26 352	0.14 324	0.27 337	0.17 197	0.28 254	0.28 248	0.15 154	0.17 126	0.14 133	0.10 93	0.15 172	0.12 133	0.08 195	0.08 274	0.08 166	0.08 216	0.08 205	0.11 299

GES	0.14 192	0.08 145	0.16 227	0.15 40	0.10 222	0.13 136	0.13 44	0.28 254	0.25 217	0.16 179	0.23 194	0.18 198	0.13 176	0.16 204	0.13 163	0.08 195	0.07 252	0.07 102	0.06 90	0.08 205	0.09 257

test_xeample	0.15 226	0.06 21	0.13 134	0.14 14	0.08 50	0.21 286	0.20 283	0.28 254	0.20 154	0.16 179	0.29 274	0.19 207	0.16 232	0.15 172	0.26 336	0.09 241	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

SFCPSM	0.13 163	0.07 72	0.14 160	0.17 118	0.09 135	0.15 182	0.16 176	0.28 254	0.27 237	0.14 130	0.17 126	0.12 95	0.13 176	0.14 153	0.11 91	0.08 195	0.05 110	0.07 102	0.07 165	0.07 160	0.06 103

UPFNet	0.16 244	0.08 145	0.12 95	0.20 274	0.12 289	0.20 272	0.23 319	0.28 254	0.26 230	0.17 191	0.24 203	0.22 240	0.19 276	0.19 248	0.21 288	0.09 241	0.07 252	0.08 166	0.09 257	0.08 205	0.06 103

DSFCA	0.16 244	0.09 196	0.14 160	0.16 71	0.10 222	0.20 272	0.19 268	0.28 254	0.31 269	0.23 281	0.24 203	0.22 240	0.15 212	0.19 248	0.20 269	0.10 272	0.07 252	0.09 232	0.09 257	0.08 205	0.08 223

CFNet	0.15 226	0.10 244	0.17 252	0.17 118	0.08 50	0.18 240	0.09 3	0.28 254	0.25 217	0.19 231	0.24 203	0.24 258	0.17 251	0.17 226	0.14 191	0.08 195	0.06 195	0.09 232	0.10 289	0.07 160	0.06 103

HSM	0.15 226	0.08 145	0.14 160	0.16 71	0.09 135	0.16 206	0.14 71	0.28 254	0.25 217	0.19 231	0.23 194	0.37 343	0.16 232	0.20 267	0.15 214	0.07 145	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

MyStereo04	0.13 163	0.07 72	0.10 47	0.17 118	0.09 135	0.14 160	0.18 237	0.29 264	0.38 315	0.17 191	0.14 86	0.16 168	0.10 93	0.15 172	0.13 163	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

GMStereo_Zeroshot	0.16 244	0.13 299	0.24 309	0.20 274	0.10 222	0.17 225	0.13 44	0.29 264	0.25 217	0.23 281	0.32 290	0.25 268	0.11 115	0.19 248	0.14 191	0.09 241	0.06 195	0.11 301	0.06 90	0.12 309	0.08 223

SQANet	0.23 327	0.23 364	0.30 336	0.30 375	0.19 367	0.27 337	0.13 44	0.29 264	0.33 281	0.24 289	0.37 320	0.31 315	0.22 297	0.27 323	0.23 307	0.15 352	0.10 316	0.21 370	0.16 356	0.21 372	0.15 349

PCWNet_CMD	0.14 192	0.08 145	0.15 197	0.17 118	0.09 135	0.14 160	0.14 71	0.29 264	0.36 304	0.14 130	0.20 165	0.21 223	0.12 144	0.17 226	0.13 163	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

psmg	0.14 192	0.09 196	0.14 160	0.17 118	0.10 222	0.15 182	0.17 197	0.29 264	0.19 133	0.17 191	0.21 179	0.25 268	0.16 232	0.15 172	0.14 191	0.08 195	0.06 195	0.08 166	0.08 216	0.07 160	0.06 103

DDUNet	0.22 312	0.17 335	0.21 292	0.22 312	0.15 335	0.25 322	0.24 328	0.29 264	0.30 263	0.31 339	0.36 314	0.33 327	0.25 317	0.24 313	0.20 269	0.18 369	0.13 348	0.17 357	0.11 312	0.16 356	0.16 360

STTStereo	0.18 275	0.12 278	0.27 322	0.20 274	0.11 260	0.16 206	0.21 299	0.29 264	0.23 188	0.21 256	0.30 278	0.29 297	0.18 261	0.20 267	0.19 263	0.12 318	0.11 326	0.11 301	0.14 343	0.09 253	0.08 223

G-Net	0.24 335	0.16 324	0.36 352	0.22 312	0.16 345	0.51 383	0.23 319	0.29 264	0.34 292	0.36 353	0.38 325	0.31 315	0.29 344	0.27 323	0.26 336	0.11 293	0.09 297	0.12 316	0.09 257	0.16 356	0.13 324

ADCL	0.24 335	0.11 264	0.47 369	0.22 312	0.12 289	0.34 361	0.29 368	0.29 264	0.56 371	0.24 289	0.46 360	0.30 305	0.30 348	0.29 341	0.29 354	0.08 195	0.07 252	0.09 232	0.09 257	0.10 280	0.10 276

RASNet	0.14 192	0.07 72	0.14 160	0.16 71	0.08 50	0.18 240	0.14 71	0.29 264	0.20 154	0.17 191	0.25 232	0.21 223	0.18 261	0.20 267	0.19 263	0.07 145	0.06 195	0.06 34	0.08 216	0.06 103	0.06 103

MSMDNet	0.14 192	0.08 145	0.15 197	0.17 118	0.09 135	0.14 160	0.14 71	0.29 264	0.36 304	0.14 130	0.21 179	0.21 223	0.12 144	0.17 226	0.14 191	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

PA-Net	0.23 327	0.18 345	0.33 343	0.28 366	0.22 374	0.21 286	0.38 390	0.29 264	0.39 318	0.22 269	0.32 290	0.25 268	0.26 320	0.20 267	0.25 326	0.09 241	0.23 387	0.15 348	0.22 374	0.09 253	0.13 324
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DLCB_ROB	0.18 275	0.10 244	0.15 197	0.23 331	0.11 260	0.24 312	0.18 237	0.29 264	0.28 248	0.27 313	0.28 263	0.28 290	0.24 309	0.19 248	0.20 269	0.08 195	0.08 274	0.09 232	0.09 257	0.07 160	0.07 163

CBMV	0.19 285	0.14 311	0.17 252	0.18 185	0.10 222	0.20 272	0.11 11	0.29 264	0.30 263	0.29 330	0.30 278	0.30 305	0.23 303	0.27 323	0.19 263	0.13 338	0.15 361	0.17 357	0.16 356	0.10 280	0.10 276
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CFNet_ucs	0.15 226	0.08 145	0.16 227	0.16 71	0.11 260	0.14 160	0.14 71	0.30 278	0.34 292	0.16 179	0.24 203	0.23 252	0.14 199	0.18 237	0.15 214	0.09 241	0.06 195	0.08 166	0.07 165	0.09 253	0.09 257

GwcNet-ADL	0.13 163	0.08 145	0.14 160	0.20 274	0.09 135	0.11 85	0.20 283	0.30 278	0.24 198	0.13 110	0.14 86	0.18 198	0.14 199	0.13 137	0.14 191	0.07 145	0.05 110	0.06 34	0.05 34	0.07 160	0.06 103

GANet-ADL	0.13 163	0.07 72	0.15 197	0.17 118	0.10 222	0.18 240	0.15 119	0.30 278	0.20 154	0.13 110	0.18 148	0.19 207	0.12 144	0.16 204	0.13 163	0.08 195	0.06 195	0.06 34	0.05 34	0.07 160	0.08 223

222	0.16 244	0.07 72	0.14 160	0.14 14	0.08 50	0.24 312	0.18 237	0.30 278	0.20 154	0.17 191	0.28 263	0.17 187	0.16 232	0.15 172	0.40 383	0.10 272	0.05 110	0.07 102	0.06 90	0.07 160	0.08 223

delet	0.17 263	0.08 145	0.17 252	0.19 232	0.11 260	0.20 272	0.21 299	0.30 278	0.37 310	0.17 191	0.26 247	0.19 207	0.19 276	0.19 248	0.21 288	0.08 195	0.08 274	0.09 232	0.11 312	0.06 103	0.06 103

NOSS_ROB	0.19 285	0.12 278	0.18 270	0.16 71	0.12 289	0.15 182	0.12 22	0.30 278	0.32 275	0.20 248	0.22 188	0.27 283	0.23 303	0.21 283	0.16 229	0.16 363	0.18 371	0.23 375	0.21 371	0.12 309	0.13 324

1111x	0.15 226	0.08 145	0.12 95	0.18 185	0.07 19	0.18 240	0.25 342	0.31 284	0.24 198	0.17 191	0.24 203	0.26 276	0.15 212	0.13 137	0.23 307	0.07 145	0.07 252	0.08 166	0.09 257	0.07 160	0.06 103

SACVNet	0.18 275	0.12 278	0.14 160	0.17 118	0.13 307	0.22 294	0.18 237	0.31 284	0.30 263	0.23 281	0.31 286	0.30 305	0.22 297	0.22 294	0.17 240	0.11 293	0.08 274	0.10 274	0.10 289	0.12 309	0.14 341

ADLNet2	0.16 244	0.09 196	0.13 134	0.16 71	0.09 135	0.20 272	0.16 176	0.31 284	0.39 318	0.16 179	0.20 165	0.20 217	0.18 261	0.21 283	0.22 297	0.08 195	0.06 195	0.07 102	0.07 165	0.09 253	0.07 163

xxxx	0.15 226	0.07 72	0.14 160	0.14 14	0.08 50	0.23 307	0.18 237	0.31 284	0.19 133	0.14 130	0.28 263	0.22 240	0.14 199	0.15 172	0.26 336	0.09 241	0.05 110	0.07 102	0.07 165	0.08 205	0.07 163

HGLStereo	0.17 263	0.08 145	0.19 279	0.17 118	0.12 289	0.18 240	0.18 237	0.31 284	0.32 275	0.21 256	0.32 290	0.25 268	0.18 261	0.19 248	0.20 269	0.09 241	0.09 297	0.07 102	0.07 165	0.09 253	0.10 276

FADNet	0.21 303	0.22 363	0.36 352	0.18 185	0.17 358	0.24 312	0.13 44	0.31 284	0.31 269	0.23 281	0.25 232	0.27 283	0.21 288	0.19 248	0.15 214	0.13 338	0.15 361	0.12 316	0.15 354	0.16 356	0.18 369

ADCP+	0.20 294	0.10 244	0.33 343	0.20 274	0.12 289	0.22 294	0.26 348	0.31 284	0.34 292	0.26 307	0.37 320	0.22 240	0.22 297	0.27 323	0.27 343	0.09 241	0.06 195	0.08 166	0.08 216	0.09 253	0.10 276

NLCA_NET_v2_RVC	0.17 263	0.10 244	0.22 297	0.20 274	0.10 222	0.15 182	0.18 237	0.31 284	0.25 217	0.21 256	0.30 278	0.25 268	0.17 251	0.21 283	0.20 269	0.09 241	0.06 195	0.08 166	0.08 216	0.07 160	0.08 223
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
ETE_ROB	0.23 327	0.17 335	0.22 297	0.25 347	0.13 307	0.26 330	0.29 368	0.31 284	0.36 304	0.28 324	0.36 314	0.45 369	0.26 320	0.27 323	0.26 336	0.11 293	0.08 274	0.12 316	0.09 257	0.14 338	0.13 324

LL-Strereo	0.13 163	0.09 196	0.11 74	0.20 274	0.10 222	0.11 85	0.18 237	0.32 293	0.24 198	0.15 154	0.15 100	0.14 133	0.13 176	0.19 248	0.11 91	0.06 58	0.04 2	0.09 232	0.08 216	0.04 1	0.05 53

Wz-Net-LNSev	0.22 312	0.16 324	0.38 356	0.21 299	0.13 307	0.25 322	0.23 319	0.32 293	0.43 338	0.30 333	0.41 348	0.31 315	0.18 261	0.22 294	0.25 326	0.10 272	0.09 297	0.08 166	0.08 216	0.12 309	0.11 299

GEStereo_RVC	0.17 263	0.12 278	0.15 197	0.22 312	0.11 260	0.19 260	0.17 197	0.32 293	0.48 352	0.20 248	0.25 232	0.17 187	0.13 176	0.21 283	0.16 229	0.10 272	0.06 195	0.08 166	0.07 165	0.09 253	0.08 223

ADLNet	0.16 244	0.08 145	0.15 197	0.16 71	0.10 222	0.16 206	0.17 197	0.32 293	0.27 237	0.22 269	0.27 254	0.24 258	0.16 232	0.18 237	0.21 288	0.10 272	0.06 195	0.10 274	0.10 289	0.08 205	0.09 257

FINET	0.21 303	0.18 345	0.26 316	0.18 185	0.16 345	0.23 307	0.23 319	0.32 293	0.48 352	0.25 302	0.32 290	0.22 240	0.22 297	0.22 294	0.17 240	0.18 369	0.16 364	0.11 301	0.10 289	0.15 349	0.13 324

MFN_U_SF_DS_RVC	0.30 365	0.24 367	0.29 333	0.36 385	0.16 345	0.34 361	0.30 375	0.32 293	0.42 333	0.40 364	0.46 360	0.38 347	0.31 352	0.34 356	0.28 351	0.19 373	0.20 377	0.26 377	0.29 386	0.18 367	0.19 374

S-Stereo	0.20 294	0.12 278	0.25 315	0.21 299	0.13 307	0.20 272	0.18 237	0.32 293	0.43 338	0.23 281	0.36 314	0.28 290	0.30 348	0.19 248	0.22 297	0.09 241	0.12 335	0.10 274	0.10 289	0.13 326	0.13 324

AF-Net	0.22 312	0.17 335	0.17 252	0.26 352	0.13 307	0.25 322	0.24 328	0.32 293	0.50 359	0.25 302	0.33 303	0.38 347	0.26 320	0.28 334	0.25 326	0.11 293	0.10 316	0.16 354	0.11 312	0.11 295	0.10 276

RGC	0.25 344	0.20 353	0.29 333	0.28 366	0.16 345	0.22 294	0.23 319	0.32 293	0.44 342	0.27 313	0.40 338	0.38 347	0.27 328	0.36 367	0.22 297	0.11 293	0.13 348	0.17 357	0.17 363	0.14 338	0.16 360

edge stereo	0.22 312	0.13 299	0.20 287	0.21 299	0.13 307	0.23 307	0.16 176	0.32 293	0.42 333	0.32 345	0.40 338	0.38 347	0.35 363	0.25 318	0.24 317	0.13 338	0.11 326	0.14 340	0.11 312	0.12 309	0.13 324

ADCRef	0.19 285	0.12 278	0.41 362	0.20 274	0.12 289	0.22 294	0.18 237	0.32 293	0.36 304	0.26 307	0.32 290	0.17 187	0.23 303	0.24 313	0.24 317	0.07 145	0.06 195	0.09 232	0.09 257	0.08 205	0.08 223

AnyNet_C32	0.26 351	0.16 324	0.36 352	0.20 274	0.16 345	0.25 322	0.30 375	0.32 293	0.44 342	0.31 339	0.49 364	0.30 305	0.33 357	0.40 379	0.33 369	0.12 318	0.12 335	0.12 316	0.14 343	0.14 338	0.15 349

ADCPNet	0.25 344	0.16 324	0.61 383	0.21 299	0.15 335	0.35 369	0.25 342	0.32 293	0.35 299	0.30 333	0.40 338	0.36 339	0.28 336	0.28 334	0.32 366	0.12 318	0.10 316	0.11 301	0.12 330	0.14 338	0.13 324

AdaStereo	0.15 226	0.11 264	0.15 197	0.18 185	0.09 135	0.20 272	0.11 11	0.32 293	0.28 248	0.20 248	0.23 194	0.20 217	0.13 176	0.19 248	0.14 191	0.12 318	0.05 110	0.10 274	0.07 165	0.09 253	0.07 163
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
DeepPruner_ROB	0.16 244	0.11 264	0.15 197	0.17 118	0.10 222	0.17 225	0.15 119	0.32 293	0.21 167	0.19 231	0.21 179	0.22 240	0.18 261	0.20 267	0.15 214	0.13 338	0.09 297	0.09 232	0.09 257	0.11 295	0.10 276

PWC_ROB	0.21 303	0.16 324	0.26 316	0.18 185	0.11 260	0.22 294	0.13 44	0.32 293	0.49 357	0.30 333	0.40 338	0.32 324	0.24 309	0.31 345	0.22 297	0.10 272	0.07 252	0.11 301	0.08 216	0.11 295	0.10 276

WCMA_ROB	0.24 335	0.11 264	0.22 297	0.17 118	0.14 324	0.32 352	0.15 119	0.32 293	0.32 275	0.38 359	0.53 370	0.40 358	0.34 361	0.34 356	0.25 326	0.11 293	0.12 335	0.12 316	0.10 289	0.14 338	0.14 341

ssnet_v2	0.17 263	0.10 244	0.17 252	0.17 118	0.11 260	0.21 286	0.21 299	0.33 310	0.25 217	0.22 269	0.22 188	0.27 283	0.18 261	0.22 294	0.20 269	0.11 293	0.09 297	0.09 232	0.09 257	0.08 205	0.08 223

Wz-Net-MNSev	0.22 312	0.13 299	0.31 338	0.20 274	0.14 324	0.36 370	0.24 328	0.33 310	0.44 342	0.28 324	0.40 338	0.38 347	0.19 276	0.24 313	0.25 326	0.09 241	0.07 252	0.09 232	0.09 257	0.12 309	0.10 276

UDG	0.21 303	0.17 335	0.19 279	0.23 331	0.15 335	0.30 349	0.20 283	0.33 310	0.35 299	0.23 281	0.28 263	0.31 315	0.27 328	0.20 267	0.22 297	0.15 352	0.12 335	0.13 330	0.09 257	0.14 338	0.14 341

Syn2CoEx	0.21 303	0.16 324	0.27 322	0.29 373	0.14 324	0.26 330	0.20 283	0.33 310	0.31 269	0.28 324	0.36 314	0.27 283	0.25 317	0.19 248	0.24 317	0.16 363	0.12 335	0.14 340	0.11 312	0.09 253	0.08 223

UNet	0.17 263	0.09 196	0.18 270	0.19 232	0.12 289	0.27 337	0.19 268	0.33 310	0.29 255	0.21 256	0.24 203	0.23 252	0.19 276	0.19 248	0.18 254	0.07 145	0.06 195	0.08 166	0.07 165	0.08 205	0.06 103

Anonymous Stereo	0.23 327	0.19 348	0.50 371	0.24 336	0.17 358	0.21 286	0.21 299	0.33 310	0.44 342	0.25 302	0.34 307	0.26 276	0.18 261	0.31 345	0.27 343	0.13 338	0.12 335	0.12 316	0.13 339	0.11 295	0.14 341

NaN_ROB	0.22 312	0.19 348	0.24 309	0.25 347	0.13 307	0.29 346	0.26 348	0.33 310	0.41 327	0.31 339	0.31 286	0.32 324	0.23 303	0.30 344	0.21 288	0.11 293	0.17 369	0.10 274	0.10 289	0.08 205	0.09 257

DispFullNet	0.27 353	0.21 359	0.65 386	0.28 366	0.16 345	0.26 330	0.17 197	0.33 310	0.58 376	0.27 313	0.38 325	0.43 365	0.23 303	0.38 372	0.23 307	0.12 318	0.06 195	0.19 367	0.11 312	0.21 372	0.15 349

PWCDC_ROB	0.20 294	0.13 299	0.22 297	0.24 336	0.11 260	0.19 260	0.15 119	0.33 310	0.54 368	0.29 330	0.50 368	0.21 223	0.15 212	0.27 323	0.20 269	0.11 293	0.09 297	0.10 274	0.08 216	0.11 295	0.09 257

SGM-Forest	0.20 294	0.14 311	0.18 270	0.19 232	0.13 307	0.20 272	0.22 309	0.33 310	0.30 263	0.24 289	0.29 274	0.28 290	0.19 276	0.23 305	0.17 240	0.15 352	0.16 364	0.15 348	0.14 343	0.12 309	0.12 310
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
BUS	0.14 192	0.09 196	0.14 160	0.22 312	0.10 222	0.19 260	0.14 71	0.34 320	0.19 133	0.17 191	0.22 188	0.16 168	0.13 176	0.15 172	0.13 163	0.08 195	0.06 195	0.10 274	0.09 257	0.07 160	0.07 163

BSDual-CNN	0.15 226	0.09 196	0.14 160	0.22 312	0.10 222	0.14 160	0.15 119	0.34 320	0.19 133	0.17 191	0.22 188	0.25 268	0.16 232	0.15 172	0.14 191	0.08 195	0.06 195	0.10 274	0.09 257	0.07 160	0.07 163

hknet	0.15 226	0.11 264	0.13 134	0.22 312	0.11 260	0.14 160	0.15 119	0.34 320	0.25 217	0.17 191	0.22 188	0.22 240	0.18 261	0.17 226	0.12 133	0.07 145	0.06 195	0.10 274	0.09 257	0.07 160	0.07 163

psmorigin	0.25 344	0.15 317	0.34 351	0.17 118	0.13 307	0.23 307	0.14 71	0.34 320	0.33 281	0.41 368	0.55 373	0.41 360	0.37 367	0.34 356	0.27 343	0.11 293	0.15 361	0.11 301	0.11 312	0.12 309	0.16 360

FAT-Stereo	0.20 294	0.12 278	0.22 297	0.21 299	0.12 289	0.17 225	0.18 237	0.34 320	0.39 318	0.27 313	0.37 320	0.34 333	0.32 356	0.21 283	0.20 269	0.09 241	0.11 326	0.10 274	0.09 257	0.11 295	0.14 341

ADCMid	0.25 344	0.15 317	0.40 360	0.20 274	0.14 324	0.25 322	0.26 348	0.34 320	0.38 315	0.36 353	0.44 358	0.34 333	0.40 373	0.35 362	0.33 369	0.10 272	0.09 297	0.11 301	0.11 312	0.13 326	0.12 310

STTRV1_RVC	0.25 344	0.26 373	0.39 358	0.19 232	0.26 384	0.30 349	0.24 328	0.34 320	0.35 299	0.36 353	0.34 307	0.31 315	0.31 352	0.28 334	0.25 326	0.17 367	0.10 316	0.16 354	0.14 343	0.17 363	0.12 310

CVANet_RVC	0.18 275	0.10 244	0.14 160	0.21 299	0.10 222	0.18 240	0.17 197	0.34 320	0.33 281	0.22 269	0.31 286	0.28 290	0.18 261	0.23 305	0.17 240	0.12 318	0.08 274	0.12 316	0.11 312	0.09 253	0.07 163

PASM	0.32 368	0.24 367	0.48 370	0.28 366	0.27 385	0.29 346	0.30 375	0.34 320	0.49 357	0.35 351	0.39 333	0.46 373	0.34 361	0.34 356	0.35 372	0.23 385	0.25 389	0.26 377	0.28 385	0.23 375	0.21 377

NCCL2	0.23 327	0.15 317	0.17 252	0.34 381	0.18 365	0.24 312	0.23 319	0.34 320	0.28 248	0.31 339	0.38 325	0.38 347	0.28 336	0.23 305	0.24 317	0.15 352	0.12 335	0.18 365	0.21 371	0.13 326	0.13 324

XPNet_ROB	0.22 312	0.11 264	0.19 279	0.22 312	0.13 307	0.22 294	0.19 268	0.34 320	0.40 324	0.30 333	0.39 333	0.39 355	0.26 320	0.26 320	0.28 351	0.15 352	0.10 316	0.10 274	0.10 289	0.13 326	0.12 310

MSMD_ROB	0.31 366	0.26 373	0.26 316	0.24 336	0.21 372	0.34 361	0.25 342	0.34 320	0.39 318	0.40 364	0.69 387	0.45 369	0.40 373	0.34 356	0.27 343	0.20 375	0.19 374	0.26 377	0.25 380	0.23 375	0.22 379

SGM_RVC	0.23 327	0.12 278	0.15 197	0.15 40	0.09 135	0.33 358	0.18 237	0.34 320	0.31 269	0.44 375	0.37 320	0.53 382	0.35 363	0.35 362	0.24 317	0.13 338	0.13 348	0.13 330	0.13 339	0.10 280	0.11 299
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Wz-Net-TNSev	0.29 360	0.20 353	0.65 386	0.19 232	0.15 335	0.38 373	0.27 355	0.35 333	0.55 369	0.34 350	0.42 353	0.45 369	0.38 368	0.32 351	0.30 358	0.12 318	0.13 348	0.10 274	0.12 330	0.15 349	0.14 341

DGSMNet	0.24 335	0.19 348	0.33 343	0.21 299	0.24 377	0.24 312	0.20 283	0.35 333	0.41 327	0.24 289	0.32 290	0.38 347	0.21 288	0.29 341	0.23 307	0.12 318	0.11 326	0.14 340	0.16 356	0.23 375	0.23 380

GwcNet	0.20 294	0.13 299	0.19 279	0.18 185	0.12 289	0.24 312	0.19 268	0.35 333	0.43 338	0.20 248	0.32 290	0.33 327	0.20 284	0.22 294	0.24 317	0.11 293	0.09 297	0.09 232	0.09 257	0.09 253	0.10 276

stereogan	0.22 312	0.11 264	0.21 292	0.20 274	0.12 289	0.31 351	0.19 268	0.35 333	0.44 342	0.22 269	0.39 333	0.35 337	0.27 328	0.33 353	0.22 297	0.10 272	0.12 335	0.10 274	0.10 289	0.14 338	0.13 324

RTSC	0.23 327	0.12 278	0.28 327	0.21 299	0.13 307	0.28 343	0.16 176	0.35 333	0.66 387	0.27 313	0.33 303	0.30 305	0.21 288	0.31 345	0.29 354	0.10 272	0.08 274	0.09 232	0.10 289	0.13 326	0.13 324

AnyNet_C01	0.36 374	0.25 372	1.37 412	0.22 312	0.17 358	0.48 381	0.27 355	0.35 333	0.39 318	0.39 361	0.74 393	0.46 373	0.38 368	0.45 383	0.47 392	0.13 338	0.13 348	0.13 330	0.14 343	0.14 338	0.15 349

XQC	0.28 356	0.23 364	0.51 372	0.28 366	0.19 367	0.34 361	0.27 355	0.36 339	0.57 373	0.31 339	0.30 278	0.37 343	0.30 348	0.38 372	0.38 379	0.13 338	0.09 297	0.15 348	0.12 330	0.17 363	0.18 369

RTS	0.45 385	0.19 348	3.26 419	0.24 336	0.15 335	0.74 400	0.20 283	0.36 339	0.76 397	0.42 371	0.43 356	0.31 315	0.41 377	0.53 391	0.35 372	0.10 272	0.08 274	0.13 330	0.12 330	0.15 349	0.15 349

RTSA	0.45 385	0.19 348	3.26 419	0.24 336	0.15 335	0.74 400	0.20 283	0.36 339	0.76 397	0.42 371	0.43 356	0.31 315	0.41 377	0.53 391	0.35 372	0.10 272	0.08 274	0.13 330	0.12 330	0.15 349	0.15 349

TDLM	0.17 263	0.12 278	0.13 134	0.24 336	0.10 222	0.18 240	0.18 237	0.36 339	0.30 263	0.21 256	0.28 263	0.28 290	0.18 261	0.23 305	0.18 254	0.11 293	0.07 252	0.10 274	0.10 289	0.08 205	0.08 223

PS-NSSS	0.20 294	0.21 359	0.23 306	0.20 274	0.10 222	0.19 260	0.17 197	0.36 339	0.25 217	0.27 313	0.33 303	0.27 283	0.24 309	0.20 267	0.20 269	0.15 352	0.12 335	0.17 357	0.14 343	0.10 280	0.08 223

AASNet	0.16 244	0.08 145	0.12 95	0.19 232	0.09 135	0.18 240	0.15 119	0.37 344	0.37 310	0.19 231	0.23 194	0.20 217	0.16 232	0.17 226	0.20 269	0.10 272	0.08 274	0.08 166	0.07 165	0.09 253	0.09 257

pcwnet_v2	0.19 285	0.10 244	0.26 316	0.17 118	0.14 324	0.18 240	0.15 119	0.37 344	0.46 350	0.19 231	0.24 203	0.21 223	0.19 276	0.20 267	0.19 263	0.13 338	0.10 316	0.10 274	0.10 289	0.11 295	0.13 324

psm_up	0.18 275	0.10 244	0.18 270	0.20 274	0.11 260	0.17 225	0.19 268	0.37 344	0.34 292	0.21 256	0.28 263	0.29 297	0.24 309	0.20 267	0.22 297	0.09 241	0.10 316	0.11 301	0.11 312	0.08 205	0.08 223

Nwc_Net	0.23 327	0.16 324	0.21 292	0.25 347	0.14 324	0.24 312	0.26 348	0.37 344	0.38 315	0.22 269	0.41 348	0.30 305	0.28 336	0.28 334	0.25 326	0.11 293	0.10 316	0.17 357	0.20 369	0.10 280	0.10 276

DeepPrunerF	0.24 335	0.17 335	0.42 363	0.26 352	0.16 345	0.22 294	0.28 360	0.37 344	0.50 359	0.26 307	0.29 274	0.24 258	0.28 336	0.21 283	0.22 297	0.15 352	0.11 326	0.20 369	0.18 367	0.12 309	0.13 324

StereoDRNet	0.18 275	0.11 264	0.17 252	0.22 312	0.11 260	0.21 286	0.22 309	0.37 344	0.33 281	0.24 289	0.28 263	0.30 305	0.19 276	0.20 267	0.20 269	0.09 241	0.08 274	0.11 301	0.09 257	0.09 253	0.07 163

CSAN	0.29 360	0.24 367	0.27 322	0.34 381	0.19 367	0.33 358	0.42 394	0.37 344	0.50 359	0.38 359	0.40 338	0.44 367	0.33 357	0.28 334	0.30 358	0.20 375	0.16 364	0.19 367	0.19 368	0.14 338	0.15 349

Wz-Net-SNSev	0.25 344	0.17 335	0.44 364	0.25 347	0.14 324	0.26 330	0.23 319	0.38 351	0.56 371	0.30 333	0.55 373	0.39 355	0.26 320	0.23 305	0.30 358	0.10 272	0.09 297	0.09 232	0.10 289	0.11 295	0.11 299

SHD	0.26 351	0.15 317	0.30 336	0.24 336	0.18 365	0.22 294	0.15 119	0.38 351	0.71 391	0.32 345	0.41 348	0.36 339	0.28 336	0.32 351	0.29 354	0.12 318	0.11 326	0.14 340	0.13 339	0.16 356	0.20 375

RYNet	0.22 312	0.12 278	0.22 297	0.19 232	0.17 358	0.46 377	0.26 348	0.38 351	0.48 352	0.24 289	0.28 263	0.34 333	0.23 303	0.20 267	0.30 358	0.10 272	0.06 195	0.09 232	0.09 257	0.13 326	0.15 349

SANet	0.24 335	0.14 311	0.28 327	0.21 299	0.11 260	0.27 337	0.24 328	0.38 351	0.64 384	0.36 353	0.40 338	0.43 365	0.26 320	0.27 323	0.24 317	0.12 318	0.09 297	0.10 274	0.09 257	0.13 326	0.11 299

WZ-Net	0.28 356	0.17 335	0.78 400	0.22 312	0.16 345	0.34 361	0.29 368	0.39 355	0.57 373	0.24 289	0.55 373	0.37 343	0.24 309	0.33 353	0.35 372	0.09 241	0.08 274	0.09 232	0.10 289	0.14 338	0.16 360

APVNet	0.22 312	0.12 278	0.19 279	0.18 185	0.14 324	0.32 352	0.31 381	0.39 355	0.32 275	0.27 313	0.40 338	0.30 305	0.29 344	0.26 320	0.25 326	0.11 293	0.12 335	0.11 301	0.14 343	0.12 309	0.12 310

MaskLacGwcNet_RVC	0.22 312	0.21 359	0.24 309	0.26 352	0.11 260	0.23 307	0.14 71	0.39 355	0.24 198	0.32 345	0.36 314	0.30 305	0.21 288	0.19 248	0.21 288	0.17 367	0.14 355	0.21 370	0.16 356	0.12 309	0.12 310

DRN-Test	0.19 285	0.11 264	0.20 287	0.22 312	0.10 222	0.22 294	0.22 309	0.39 355	0.37 310	0.24 289	0.32 290	0.26 276	0.21 288	0.22 294	0.24 317	0.11 293	0.07 252	0.11 301	0.10 289	0.09 253	0.07 163

NINENet	0.16 244	0.10 244	0.15 197	0.17 118	0.11 260	0.19 260	0.14 71	0.40 359	0.36 304	0.18 218	0.21 179	0.16 168	0.13 176	0.15 172	0.13 163	0.08 195	0.08 274	0.10 274	0.07 165	0.10 280	0.09 257

NCC-stereo	0.24 335	0.15 317	0.31 338	0.26 352	0.16 345	0.20 272	0.30 375	0.40 359	0.40 324	0.24 289	0.38 325	0.33 327	0.28 336	0.36 367	0.27 343	0.12 318	0.11 326	0.15 348	0.22 374	0.13 326	0.13 324

Abc-Net	0.24 335	0.15 317	0.31 338	0.26 352	0.16 345	0.20 272	0.30 375	0.40 359	0.40 324	0.24 289	0.38 325	0.33 327	0.28 336	0.36 367	0.27 343	0.12 318	0.11 326	0.15 348	0.22 374	0.13 326	0.13 324
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FC-DCNN	0.33 371	0.27 375	0.28 327	0.26 352	0.23 376	0.37 371	0.28 360	0.40 359	0.43 338	0.45 376	0.55 373	0.51 379	0.40 373	0.37 371	0.30 358	0.21 378	0.20 377	0.27 380	0.26 381	0.25 383	0.24 381

MeshStereo	0.27 353	0.13 299	0.18 270	0.15 40	0.11 260	0.32 352	0.24 328	0.40 359	0.36 304	0.52 381	0.57 379	0.67 393	0.40 373	0.35 362	0.26 336	0.14 349	0.13 348	0.13 330	0.11 312	0.11 295	0.10 276
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
otaku	0.39 375	0.37 389	0.52 373	0.44 391	0.28 386	0.58 387	0.24 328	0.41 364	0.62 382	0.40 364	0.49 364	0.46 373	0.33 357	0.40 379	0.32 366	0.30 390	0.30 393	0.39 392	0.33 391	0.29 388	0.28 388

ADCS	0.29 360	0.18 345	0.45 365	0.21 299	0.17 358	0.28 343	0.23 319	0.41 364	0.63 383	0.40 364	0.49 364	0.40 358	0.36 365	0.39 375	0.40 383	0.13 338	0.12 335	0.13 330	0.14 343	0.16 356	0.16 360

GANet	0.21 303	0.12 278	0.21 292	0.24 336	0.13 307	0.22 294	0.22 309	0.41 364	0.26 230	0.31 339	0.42 353	0.37 343	0.28 336	0.23 305	0.22 297	0.10 272	0.12 335	0.10 274	0.09 257	0.10 280	0.08 223

SGM-ForestM	0.32 368	0.12 278	0.16 227	0.16 71	0.11 260	0.39 374	0.19 268	0.41 364	0.50 359	0.52 381	0.54 372	1.32 412	0.42 380	0.40 379	0.27 343	0.14 349	0.16 364	0.16 354	0.16 356	0.12 309	0.12 310

FBW_ROB	0.24 335	0.17 335	0.22 297	0.26 352	0.14 324	0.25 322	0.22 309	0.41 364	0.41 327	0.41 368	0.41 348	0.42 361	0.27 328	0.31 345	0.23 307	0.09 241	0.14 355	0.14 340	0.12 330	0.11 295	0.09 257

FCDSN-DC	0.33 371	0.28 378	0.28 327	0.30 375	0.24 377	0.39 374	0.28 360	0.42 369	0.42 333	0.43 374	0.53 370	0.51 379	0.41 377	0.36 367	0.30 358	0.21 378	0.20 377	0.27 380	0.26 381	0.25 383	0.24 381
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
LSM	0.33 371	0.20 353	0.58 381	0.26 352	0.60 407	0.34 361	0.25 342	0.42 369	0.48 352	0.45 376	0.58 381	0.42 361	0.36 365	0.35 362	0.25 326	0.12 318	0.20 377	0.14 340	0.16 356	0.19 370	0.33 394

LALA_ROB	0.25 344	0.16 324	0.22 297	0.26 352	0.17 358	0.27 337	0.27 355	0.42 369	0.37 310	0.33 349	0.38 325	0.51 379	0.26 320	0.28 334	0.27 343	0.16 363	0.09 297	0.12 316	0.11 312	0.13 326	0.12 310

MDST_ROB	0.22 312	0.10 244	0.17 252	0.18 185	0.11 260	0.37 371	0.19 268	0.43 372	0.41 327	0.39 361	0.39 333	0.29 297	0.21 288	0.26 320	0.18 254	0.11 293	0.10 316	0.14 340	0.11 312	0.10 280	0.08 223

PSMNet_ROB	0.21 303	0.11 264	0.15 197	0.27 363	0.15 335	0.24 312	0.35 385	0.43 372	0.37 310	0.27 313	0.32 290	0.32 324	0.22 297	0.21 283	0.26 336	0.12 318	0.08 274	0.13 330	0.11 312	0.09 253	0.09 257

GASNet	0.22 312	0.23 364	0.33 343	0.26 352	0.17 358	0.26 330	0.16 176	0.44 374	0.42 333	0.27 313	0.24 203	0.30 305	0.15 212	0.27 323	0.18 254	0.12 318	0.08 274	0.12 316	0.11 312	0.16 356	0.07 163

NVstereo2D	0.19 285	0.10 244	0.15 197	0.17 118	0.15 335	0.28 343	0.23 319	0.44 374	0.42 333	0.15 154	0.27 254	0.25 268	0.19 276	0.22 294	0.17 240	0.09 241	0.06 195	0.10 274	0.08 216	0.15 349	0.09 257

PDISCO_ROB	0.27 353	0.16 324	0.26 316	0.28 366	0.20 370	0.32 352	0.26 348	0.44 374	0.57 373	0.28 324	0.40 338	0.45 369	0.29 344	0.33 353	0.34 371	0.12 318	0.09 297	0.17 357	0.16 356	0.17 363	0.13 324

ccnet	0.29 360	0.28 378	0.23 306	0.20 274	0.28 386	0.41 376	0.21 299	0.45 377	0.33 281	0.36 353	0.46 360	0.36 339	0.30 348	0.39 375	0.42 387	0.23 385	0.14 355	0.21 370	0.17 363	0.23 375	0.18 369

CC-Net-ROB	0.28 356	0.31 383	0.36 352	0.29 373	0.15 335	0.25 322	0.19 268	0.45 377	0.33 281	0.39 361	0.37 320	0.39 355	0.31 352	0.27 323	0.26 336	0.24 387	0.19 374	0.30 388	0.23 378	0.18 367	0.15 349

Ntro	0.40 378	0.40 391	0.53 374	0.46 395	0.30 390	0.65 393	0.24 328	0.46 379	0.68 389	0.41 368	0.49 364	0.48 377	0.42 380	0.39 375	0.31 365	0.32 392	0.28 391	0.37 391	0.30 388	0.32 393	0.29 389

SAMSARA	0.40 378	0.28 378	0.33 343	0.55 398	0.39 392	0.82 407	1.23 421	0.47 380	0.51 366	0.36 353	0.35 311	0.55 384	0.39 370	0.38 372	0.39 381	0.15 352	0.20 377	0.15 348	0.14 343	0.23 375	0.20 375

GANetREF_RVC	0.31 366	0.34 386	0.27 322	0.35 383	0.16 345	0.32 352	0.41 391	0.48 381	0.51 366	0.35 351	0.35 311	0.34 333	0.33 357	0.39 375	0.32 366	0.27 389	0.20 377	0.29 386	0.15 354	0.18 367	0.17 367
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
NVStereoNet_ROB	0.46 388	0.36 388	0.46 368	0.41 389	0.28 386	0.34 361	0.34 384	0.48 381	0.60 380	0.72 394	0.93 402	0.70 396	0.66 398	0.47 384	0.60 401	0.22 381	0.33 394	0.34 390	0.34 393	0.30 389	0.30 391
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet-4b	0.39 375	0.53 395	0.55 377	0.45 392	0.24 377	0.47 379	0.18 237	0.49 383	0.64 384	0.42 371	0.45 359	0.60 386	0.27 328	0.34 356	0.24 317	0.33 393	0.14 355	0.48 396	0.42 396	0.30 389	0.26 387

ELAS_RVC	0.41 380	0.29 381	0.33 343	0.28 366	0.24 377	0.54 385	0.36 386	0.49 383	0.59 377	0.72 394	0.74 393	0.65 391	0.54 388	0.54 393	0.40 383	0.22 381	0.20 377	0.27 380	0.26 381	0.26 386	0.25 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 380	0.29 381	0.33 343	0.27 363	0.24 377	0.60 390	0.36 386	0.50 385	0.50 359	0.71 392	0.79 397	0.67 393	0.54 388	0.51 387	0.42 387	0.22 381	0.20 377	0.27 380	0.26 381	0.26 386	0.25 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DPSNet	0.28 356	0.16 324	0.31 338	0.18 185	0.13 307	0.54 385	0.42 394	0.51 386	0.67 388	0.29 330	0.38 325	0.38 347	0.29 344	0.31 345	0.23 307	0.11 293	0.10 316	0.11 301	0.08 216	0.20 371	0.16 360

MFN_U_SF_RVC	0.32 368	0.21 359	0.55 377	0.30 375	0.15 335	0.34 361	0.17 197	0.52 387	0.46 350	0.46 378	0.55 373	0.59 385	0.39 370	0.35 362	0.37 377	0.15 352	0.14 355	0.18 365	0.21 371	0.16 356	0.15 349

PVD	0.39 375	0.20 353	0.39 358	0.31 379	0.22 374	0.29 346	0.43 396	0.52 387	0.96 404	0.55 384	0.79 397	0.53 382	0.59 394	0.52 389	0.38 379	0.19 373	0.14 355	0.17 357	0.14 343	0.24 382	0.31 392

MSC_U_SF_DS_RVC	0.43 382	0.39 390	0.54 375	0.40 387	0.20 370	0.64 392	0.32 383	0.53 389	0.72 392	0.71 392	0.72 390	0.61 387	0.54 388	0.51 387	0.46 391	0.20 375	0.19 374	0.29 386	0.30 388	0.23 375	0.18 369

BEATNet-Init1	0.52 390	0.27 375	0.62 384	0.30 375	0.21 372	0.76 404	0.29 368	0.54 390	0.65 386	0.86 403	0.95 404	2.07 422	0.62 397	0.56 395	0.42 387	0.18 369	0.18 371	0.23 375	0.22 374	0.22 374	0.21 377

MANE	0.45 385	0.27 375	0.27 322	0.27 363	0.24 377	0.47 379	0.31 381	0.55 391	0.59 377	0.72 394	1.13 413	1.15 406	0.61 395	0.52 389	0.37 377	0.21 378	0.20 377	0.27 380	0.31 390	0.25 383	0.24 381

anonymity	0.53 391	0.58 397	0.65 386	0.41 389	0.61 408	0.53 384	0.41 391	0.56 392	0.41 327	0.55 384	0.50 368	0.49 378	0.55 391	0.58 396	0.50 397	0.58 406	0.50 407	0.51 398	0.51 403	0.51 397	0.57 403

SGM+DAISY	0.56 393	0.57 396	0.65 386	0.40 387	0.54 400	0.66 395	0.49 398	0.56 392	0.45 349	0.66 388	0.69 387	0.67 393	0.56 392	0.63 398	0.56 399	0.59 407	0.48 403	0.50 397	0.50 402	0.52 398	0.58 404

ACVNet_1	0.44 383	0.49 394	0.60 382	0.45 392	0.28 386	0.49 382	0.27 355	0.57 394	0.72 392	0.62 387	0.58 381	0.74 397	0.49 386	0.50 386	0.35 372	0.26 388	0.24 388	0.39 392	0.29 386	0.31 392	0.24 381

Consistency-Raft	0.44 383	0.40 391	0.45 365	0.37 386	0.43 395	0.46 377	0.41 391	0.57 394	0.55 369	0.32 345	0.73 391	0.33 327	0.48 385	0.42 382	0.49 394	0.39 395	0.35 395	0.45 395	0.51 403	0.42 395	0.29 389

RainbowNet	0.54 392	0.61 399	0.70 398	0.57 399	0.43 395	0.65 393	0.37 389	0.60 396	0.87 401	0.50 380	0.66 384	0.64 389	0.47 384	0.49 385	0.43 390	0.47 401	0.48 403	0.52 400	0.41 395	0.52 398	0.40 399

SPS-STEREO	0.57 394	0.58 397	0.65 386	0.45 392	0.55 402	0.62 391	0.44 397	0.62 397	0.50 359	0.68 390	0.64 383	0.66 392	0.57 393	0.61 397	0.60 401	0.62 409	0.47 402	0.51 398	0.49 400	0.55 402	0.58 404
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 395	0.66 403	0.65 386	0.51 396	0.69 412	0.69 396	0.57 404	0.64 398	0.73 395	0.60 386	0.73 391	0.62 388	0.67 399	0.65 399	0.60 401	0.66 410	0.58 416	0.63 402	0.59 406	0.68 408	0.69 413

MADNet+	0.75 402	0.71 405	3.70 422	0.66 401	0.41 393	0.98 412	0.97 419	0.69 399	0.73 395	0.52 381	0.57 379	0.64 389	0.68 400	0.86 409	1.01 417	0.34 394	0.36 396	0.28 385	0.23 378	0.36 394	0.31 392

JetBlue	0.71 399	0.45 393	1.14 410	0.51 396	0.47 397	2.02 421	0.64 408	0.75 400	0.70 390	0.69 391	0.77 396	1.22 408	0.83 405	1.03 417	1.01 417	0.40 396	0.28 391	0.33 389	0.33 391	0.30 389	0.34 395

UNDER WATER-64	0.95 411	0.94 415	1.43 414	0.87 412	0.56 403	1.18 420	0.87 416	0.77 401	0.94 403	1.04 410	0.85 399	1.58 419	1.21 419	0.94 414	0.96 415	0.87 417	0.57 415	1.03 417	0.88 418	0.78 415	0.73 414

UNDER WATER	0.97 412	0.97 417	1.42 413	0.99 416	0.70 415	1.12 419	0.84 415	0.80 402	1.08 405	1.01 409	0.90 400	1.55 418	1.22 420	1.03 417	1.00 416	0.78 415	0.53 410	1.02 416	0.87 417	0.80 416	0.74 415

TorneroNet-64	0.76 403	0.72 406	0.74 399	0.78 406	0.58 406	0.91 411	0.56 403	0.84 403	1.29 410	0.66 388	0.90 400	1.40 414	0.75 402	0.85 408	0.67 407	0.49 402	0.46 398	0.72 406	0.59 406	0.67 407	0.53 402

PWCK	0.71 399	0.94 415	0.95 407	0.76 404	0.31 391	0.74 400	0.36 386	0.90 404	0.90 402	0.96 407	0.75 395	0.95 401	0.61 395	0.87 410	0.66 404	0.72 411	0.46 398	0.75 407	0.49 400	0.69 410	0.44 401

IMH-64-1	0.65 396	0.61 399	0.68 394	0.71 402	0.51 398	0.59 388	0.49 398	0.91 405	0.85 399	0.74 398	1.02 406	0.81 398	0.78 403	0.79 402	0.49 394	0.42 397	0.46 398	0.71 404	0.47 398	0.52 398	0.39 397

IMH-64	0.65 396	0.61 399	0.68 394	0.71 402	0.51 398	0.59 388	0.49 398	0.91 405	0.85 399	0.74 398	1.02 406	0.81 398	0.78 403	0.79 402	0.49 394	0.42 397	0.46 398	0.71 404	0.47 398	0.52 398	0.39 397

notaker	0.97 412	1.11 418	0.98 408	1.13 418	0.81 416	0.73 399	0.68 412	0.93 407	1.16 407	1.18 416	1.18 415	1.41 415	1.16 418	1.08 419	0.69 408	0.81 416	0.64 418	1.17 419	0.79 415	0.98 418	0.80 418

ktn	1.01 414	1.21 420	0.80 403	1.23 421	0.86 418	1.01 415	0.87 416	0.94 408	1.39 413	1.04 410	1.12 412	1.15 406	1.07 414	0.94 414	0.59 400	1.28 423	0.71 420	1.38 423	0.83 416	1.02 420	0.75 416

TorneroNet	0.82 406	0.74 407	0.81 404	0.84 409	0.63 409	0.99 413	0.63 406	0.96 409	1.16 407	0.80 401	1.11 411	1.36 413	0.86 407	0.93 413	0.80 412	0.56 404	0.49 405	0.78 411	0.66 410	0.73 413	0.63 412

ACVNet_2	0.66 398	0.66 403	0.68 394	0.63 400	0.41 393	0.71 398	0.49 398	0.96 409	1.39 413	0.89 404	1.09 409	1.04 402	0.73 401	0.54 393	0.47 392	0.43 399	0.40 397	0.53 401	0.44 397	0.47 396	0.35 396

WAO-6	0.81 405	0.80 409	0.62 384	0.86 411	0.63 409	0.76 404	0.58 405	0.98 411	1.54 418	0.90 405	0.96 405	1.07 404	1.03 413	0.70 401	0.66 404	0.72 411	0.49 405	0.90 414	0.71 412	0.68 408	0.58 404

IMH	0.71 399	0.64 402	0.68 394	0.76 404	0.54 400	0.69 396	0.54 402	0.98 411	1.10 406	0.82 402	1.09 409	0.89 400	0.88 408	0.87 410	0.52 398	0.44 400	0.50 407	0.75 407	0.51 403	0.56 403	0.41 400

HanzoNet	1.29 417	1.26 422	1.19 411	1.12 417	0.85 417	1.02 416	0.83 414	1.03 413	1.48 417	1.64 419	1.61 421	2.50 424	1.72 421	1.61 421	1.61 420	1.26 422	0.80 421	1.31 422	1.01 420	1.02 420	0.86 419

WAO-7	0.79 404	0.78 408	0.54 375	0.85 410	0.67 411	0.74 400	0.68 412	1.05 414	1.32 411	0.90 405	1.20 416	1.04 402	0.92 409	0.69 400	0.66 404	0.60 408	0.62 417	0.67 403	0.68 411	0.64 404	0.58 404

LVE	0.83 407	0.85 412	0.85 405	0.80 407	0.56 403	1.04 417	0.65 409	1.05 414	1.47 416	0.96 407	1.22 417	1.10 405	0.85 406	0.83 405	0.71 409	0.49 402	0.55 413	0.76 409	0.60 408	0.65 405	0.59 409

WAO-8	0.91 409	0.81 410	0.65 386	0.94 414	0.69 412	0.90 408	0.67 410	1.07 416	1.83 421	1.06 412	1.45 419	1.30 409	1.07 414	0.84 406	0.78 410	0.74 413	0.53 410	0.86 412	0.75 413	0.69 410	0.62 410

Venus	0.91 409	0.81 410	0.65 386	0.94 414	0.69 412	0.90 408	0.67 410	1.07 416	1.83 421	1.06 412	1.45 419	1.30 409	1.07 414	0.84 406	0.78 410	0.74 413	0.53 410	0.86 412	0.75 413	0.69 410	0.62 410

KSHMR	1.09 415	1.17 419	0.88 406	1.25 422	1.00 421	0.99 413	0.96 418	1.13 418	1.37 412	1.16 415	1.29 418	1.41 415	0.96 411	1.01 416	0.92 414	1.03 420	1.08 422	1.20 420	1.03 421	1.01 419	0.97 420

Dean	0.87 408	0.86 413	0.79 402	0.81 408	0.56 403	0.90 408	0.63 406	1.15 419	1.73 419	1.15 414	1.15 414	1.31 411	0.99 412	0.81 404	0.81 413	0.57 405	0.56 414	0.77 410	0.64 409	0.66 406	0.58 404

DPSimNet_ROB	1.11 416	1.23 421	0.78 400	1.13 418	0.88 419	1.10 418	1.13 420	1.16 420	1.23 409	1.43 418	1.02 406	1.41 415	1.10 417	0.90 412	1.60 419	1.46 424	0.51 409	1.21 421	1.03 421	0.90 417	1.01 422

JetRed	1.62 418	1.46 423	2.98 418	0.92 413	1.21 422	4.99 423	1.53 423	1.27 421	1.39 413	1.83 420	1.74 422	1.60 420	0.95 410	1.41 420	2.45 423	0.90 419	1.60 424	0.93 415	0.90 419	1.35 422	0.99 421

ASD4	3.54 421	3.38 426	2.05 417	1.72 423	2.51 426	9.03 427	17.71 428	2.25 422	5.51 425	2.46 422	2.81 424	2.03 421	3.36 423	2.73 423	5.06 424	1.22 421	1.34 423	1.13 418	1.33 423	1.68 423	1.49 424

MADNet++	1.95 419	1.75 424	1.59 416	1.82 424	1.69 424	2.33 422	1.40 422	2.35 423	2.09 423	2.57 423	2.36 423	2.24 423	2.17 422	2.28 422	2.34 422	1.87 425	1.66 425	1.54 424	1.34 424	1.92 424	1.77 425

PML	8.91 429	9.34 435	6.13 423	5.35 429	6.41 430	14.99 430	23.38 434	5.27 424	6.83 426	18.04 435	28.19 444	7.67 428	6.83 426	7.85 428	5.75 425	5.35 431	1.83 426	5.95 435	1.93 426	8.64 433	2.52 426

DPSMNet_ROB	8.06 427	4.48 427	8.63 431	5.37 431	10.74 433	8.32 425	22.98 433	5.46 425	13.36 432	5.12 425	9.92 428	5.08 426	10.40 430	5.53 427	12.58 430	3.80 430	8.00 431	3.50 427	7.02 430	3.83 429	7.14 431

DGTPSM_ROB	8.06 427	4.48 427	8.63 431	5.35 429	10.72 432	8.32 425	22.97 432	5.46 425	13.35 431	5.12 425	9.92 428	5.08 426	10.40 430	5.52 426	12.58 430	3.79 429	8.00 431	3.50 427	7.02 430	3.83 429	7.14 431

LRCNet_RVC	10.62 431	13.42 436	7.30 424	18.92 436	2.07 425	0.33 358	0.30 375	5.59 427	0.48 352	13.03 433	17.94 434	8.87 429	5.65 425	4.79 425	1.89 421	23.51 443	2.73 430	27.55 444	25.71 444	16.07 441	16.33 441

xxxxx1	7.79 423	5.02 429	7.31 425	3.12 426	3.85 427	16.35 431	22.88 429	5.86 428	8.69 427	7.97 427	8.54 425	9.12 430	8.27 427	10.18 429	10.92 427	2.42 426	2.45 427	3.56 429	12.37 433	3.77 426	3.06 427

tt_ll	7.79 423	5.02 429	7.31 425	3.12 426	3.85 427	16.35 431	22.88 429	5.86 428	8.69 427	7.97 427	8.54 425	9.12 430	8.27 427	10.18 429	10.92 427	2.42 426	2.45 427	3.56 429	12.37 433	3.77 426	3.06 427

ff	7.79 423	5.02 429	7.31 425	3.12 426	3.85 427	16.35 431	22.88 429	5.86 428	8.69 427	7.97 427	8.54 425	9.12 430	8.27 427	10.18 429	10.92 427	2.42 426	2.45 427	3.56 429	12.37 433	3.77 426	3.06 427

tt	4.67 422	0.06 21	3.55 421	2.02 425	1.55 423	10.25 428	16.71 427	8.91 431	5.03 424	1.31 417	0.94 403	4.71 425	4.76 424	3.33 424	5.87 426	6.06 432	10.30 436	1.88 426	2.11 427	2.75 425	1.21 423

Anonymous_1	10.96 432	7.92 432	7.46 428	10.33 432	10.06 431	18.65 435	26.34 435	11.06 432	13.44 433	9.40 430	10.05 430	9.67 433	11.23 432	10.73 432	12.72 432	6.42 433	8.38 433	5.77 432	10.61 432	12.12 434	6.77 430

DPSM_ROB	11.15 433	8.58 433	8.00 429	10.88 433	11.58 434	19.10 436	26.71 436	12.05 433	14.07 434	10.36 431	10.84 431	10.33 434	11.86 433	11.70 433	13.54 433	6.99 434	8.79 434	5.89 433	6.95 428	7.29 431	7.42 433

DPSM	11.15 433	8.58 433	8.00 429	10.88 433	11.58 434	19.10 436	26.71 436	12.05 433	14.07 434	10.36 431	10.84 431	10.33 434	11.86 433	11.70 433	13.54 433	6.99 434	8.79 434	5.89 433	6.95 428	7.29 431	7.42 433

HaxPig	15.71 436	18.52 443	19.18 439	16.89 435	15.89 437	7.73 424	7.60 424	13.31 435	10.82 430	15.42 434	14.91 433	15.98 436	14.92 435	15.58 435	15.98 436	18.95 442	16.73 437	19.46 442	18.08 442	19.26 442	19.05 442

MEDIAN_ROB	20.38 437	24.04 444	23.31 441	21.23 437	21.71 438	10.40 429	7.92 425	17.64 436	15.50 436	20.12 436	19.70 435	20.34 437	20.32 436	21.19 436	21.13 437	23.81 444	21.81 444	24.98 443	23.76 443	24.71 443	23.93 443

AVERAGE_ROB	24.90 444	29.20 445	28.14 442	24.89 444	24.64 444	17.75 434	11.12 426	21.45 437	19.93 437	25.12 444	24.46 443	25.12 445	25.46 444	24.69 444	22.83 438	29.76 445	27.13 445	28.97 445	27.95 445	29.91 444	29.47 444

CasAABBNet	22.42 438	17.33 438	16.01 433	22.01 441	23.28 442	38.32 439	53.80 443	24.14 438	28.41 439	20.60 437	21.77 437	20.89 442	23.91 441	23.43 437	27.36 439	14.07 436	17.69 439	11.83 440	14.01 437	14.67 438	14.95 439

MyStereo03	22.45 439	17.33 438	16.21 435	21.95 438	23.27 439	38.32 439	53.79 440	24.21 439	28.46 440	20.87 440	21.85 439	20.80 438	23.87 437	23.46 438	27.40 441	14.08 437	17.71 441	11.82 436	14.03 438	14.65 435	14.89 435

MyStereo02	22.45 439	17.33 438	16.21 435	21.95 438	23.27 439	38.32 439	53.79 440	24.21 439	28.46 440	20.87 440	21.85 439	20.80 438	23.87 437	23.46 438	27.40 441	14.08 437	17.71 441	11.82 436	14.03 438	14.65 435	14.89 435

MyStereo	22.45 439	17.33 438	16.21 435	21.95 438	23.27 439	38.32 439	53.79 440	24.21 439	28.46 440	20.87 440	21.85 439	20.80 438	23.87 437	23.46 438	27.40 441	14.08 437	17.71 441	11.82 436	14.03 438	14.65 435	14.89 435

LSM0	22.87 443	17.28 437	18.96 438	22.19 443	29.04 445	38.42 444	53.71 439	24.28 442	28.31 438	20.78 439	21.00 436	21.43 443	24.16 442	23.50 441	27.39 440	14.09 441	17.38 438	11.84 441	14.04 441	14.73 440	14.89 435

Selective-RAFT-Error	22.47 442	17.37 442	16.09 434	22.06 442	23.34 443	38.39 443	53.83 444	24.29 443	28.47 443	20.74 438	21.83 438	20.81 441	23.90 440	23.54 442	27.53 444	14.08 437	17.69 439	11.82 436	14.00 436	14.69 439	15.00 440

test_example2	98.32 445	94.13 446	45.89 443	96.35 445	109.85 446	88.61 445	95.45 445	25.75 444	94.37 445	130.00 445	126.06 445	58.17 446	74.63 445	88.51 445	79.96 445	150.23 446	221.02 446	77.62 446	99.10 446	113.75 446	96.94 445

SPstereo	13.84 435	0.93 414	1.50 415	1.22 420	0.88 419	28.82 438	48.26 438	26.77 445	29.54 444	22.37 443	22.60 442	23.23 444	24.68 443	24.53 443	15.06 435	0.88 418	0.69 419	1.83 425	1.60 425	0.74 414	0.77 417

FADE		0.33 385		0.33 380	0.25 383							0.42 361				0.30 390	0.21 386	0.41 394	0.38 394	0.23 375

Low-res two-view benchmark