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

RSM++	0.08 4	0.06 31	0.09 34	0.17 149	0.07 26	0.09 44	0.12 30	0.11 4	0.11 28	0.08 14	0.06 2	0.07 26	0.05 3	0.10 26	0.09 27	0.04 1	0.04 2	0.06 45	0.05 50	0.05 49	0.03 1

RSM	0.08 4	0.06 31	0.09 34	0.17 149	0.06 3	0.08 27	0.12 30	0.12 11	0.10 12	0.08 14	0.07 16	0.06 4	0.05 3	0.11 58	0.09 27	0.04 1	0.04 2	0.05 2	0.04 12	0.04 1	0.03 1

test_4	0.10 72	0.10 283	0.08 13	0.19 273	0.09 160	0.08 27	0.22 357	0.15 47	0.17 129	0.12 117	0.18 180	0.12 116	0.09 97	0.08 8	0.11 115	0.04 1	0.04 2	0.08 196	0.08 255	0.04 1	0.03 1

IGEV-Stereo++	0.07 1	0.06 31	0.08 13	0.18 221	0.06 3	0.04 1	0.10 10	0.11 4	0.11 28	0.06 1	0.07 16	0.07 26	0.06 12	0.09 12	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

AIO-Stereo	0.08 4	0.06 31	0.09 34	0.18 221	0.06 3	0.08 27	0.12 30	0.15 47	0.09 3	0.08 14	0.08 26	0.07 26	0.05 3	0.11 58	0.08 12	0.05 4	0.05 120	0.05 2	0.04 12	0.04 1	0.04 9

WCG-NET（raft）	0.08 4	0.05 9	0.10 57	0.15 48	0.06 3	0.11 106	0.13 58	0.15 47	0.12 38	0.08 14	0.07 16	0.06 4	0.06 12	0.13 163	0.08 12	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

H2IRNET	0.10 72	0.09 229	0.09 34	0.18 221	0.09 160	0.12 133	0.15 152	0.14 30	0.21 202	0.10 58	0.10 52	0.10 82	0.10 122	0.10 26	0.10 70	0.05 4	0.04 2	0.08 196	0.08 255	0.06 118	0.05 64

MGS-Stereo	0.09 23	0.07 88	0.12 112	0.15 48	0.08 62	0.09 44	0.15 152	0.12 11	0.12 38	0.07 4	0.10 52	0.08 43	0.06 12	0.10 26	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

MoCha-V2	0.08 4	0.05 9	0.10 57	0.20 319	0.07 26	0.09 44	0.14 94	0.11 4	0.08 2	0.07 4	0.08 26	0.07 26	0.06 12	0.09 12	0.08 12	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

IGEV++	0.08 4	0.06 31	0.08 13	0.18 221	0.07 26	0.09 44	0.13 58	0.10 1	0.09 3	0.08 14	0.08 26	0.06 4	0.06 12	0.13 163	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

AE-Stereo	0.10 72	0.08 168	0.10 57	0.18 221	0.09 160	0.10 73	0.15 152	0.14 30	0.19 168	0.09 30	0.14 111	0.12 116	0.08 74	0.11 58	0.10 70	0.05 4	0.06 222	0.07 124	0.06 112	0.05 49	0.04 9

ff7	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

ffff	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

11t	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

MIM_Stereo	0.09 23	0.07 88	0.11 88	0.15 48	0.07 26	0.06 4	0.12 30	0.20 157	0.14 78	0.13 141	0.13 97	0.09 59	0.05 3	0.12 125	0.08 12	0.05 4	0.06 222	0.07 124	0.06 112	0.06 118	0.05 64

testlalala	0.08 4	0.07 88	0.17 292	0.16 91	0.08 62	0.09 44	0.12 30	0.15 47	0.10 12	0.07 4	0.09 35	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

LL-Strereo2	0.10 72	0.10 283	0.15 231	0.18 221	0.08 62	0.15 219	0.09 5	0.17 101	0.14 78	0.14 162	0.10 52	0.09 59	0.07 49	0.16 236	0.10 70	0.05 4	0.05 120	0.10 313	0.07 194	0.06 118	0.05 64

4D-IteraStereo	0.09 23	0.07 88	0.10 57	0.18 221	0.07 26	0.09 44	0.15 152	0.17 101	0.15 90	0.10 58	0.11 75	0.10 82	0.07 49	0.11 58	0.09 27	0.05 4	0.03 1	0.08 196	0.07 194	0.06 118	0.05 64

LoS_RVC	0.08 4	0.05 9	0.07 3	0.15 48	0.07 26	0.08 27	0.15 152	0.11 4	0.10 12	0.08 14	0.09 35	0.06 4	0.09 97	0.10 26	0.09 27	0.05 4	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 109	0.07 88	0.10 57	0.16 91	0.09 160	0.13 165	0.14 94	0.18 127	0.22 216	0.13 141	0.14 111	0.12 116	0.09 97	0.14 181	0.11 115	0.05 4	0.04 2	0.05 2	0.04 12	0.06 118	0.05 64

anonymousdsp	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.09 30	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

Selective-IGEV	0.07 1	0.06 31	0.08 13	0.17 149	0.06 3	0.08 27	0.12 30	0.13 20	0.07 1	0.08 14	0.07 16	0.06 4	0.04 1	0.10 26	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.03 1

Selective-RAFT	0.11 109	0.10 283	0.11 88	0.21 345	0.08 62	0.16 246	0.13 58	0.20 157	0.22 216	0.10 58	0.10 52	0.11 101	0.10 122	0.15 202	0.11 115	0.05 4	0.05 120	0.06 45	0.05 50	0.06 118	0.05 64

ProNet	0.09 23	0.07 88	0.10 57	0.17 149	0.08 62	0.10 73	0.15 152	0.15 47	0.12 38	0.09 30	0.06 2	0.07 26	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.06 129

ccc-4	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

raft_robust	0.13 195	0.10 283	0.07 3	0.18 221	0.08 62	0.13 165	0.24 376	0.28 301	0.33 330	0.20 291	0.19 188	0.14 159	0.10 122	0.11 58	0.12 158	0.05 4	0.05 120	0.07 124	0.07 194	0.05 49	0.04 9

RAFT_CTSACE	0.12 170	0.09 229	0.10 57	0.22 360	0.08 62	0.12 133	0.24 376	0.18 127	0.16 112	0.20 291	0.27 301	0.13 140	0.07 49	0.13 163	0.09 27	0.05 4	0.06 222	0.08 196	0.07 194	0.04 1	0.04 9

RAFT+CT+SA	0.13 195	0.11 308	0.09 34	0.19 273	0.09 160	0.15 219	0.28 410	0.22 194	0.22 216	0.15 189	0.26 294	0.10 82	0.10 122	0.11 58	0.12 158	0.05 4	0.04 2	0.07 124	0.08 255	0.07 180	0.06 129

SA	0.12 170	0.09 229	0.08 13	0.18 221	0.08 62	0.12 133	0.24 376	0.23 211	0.18 155	0.17 228	0.27 301	0.14 159	0.11 146	0.11 58	0.11 115	0.05 4	0.05 120	0.09 269	0.08 255	0.05 49	0.04 9

IGEV-Stereo	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.09 30	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 170	0.09 229	0.12 112	0.19 273	0.08 62	0.09 44	0.12 30	0.21 176	0.21 202	0.19 272	0.14 111	0.11 101	0.09 97	0.20 317	0.16 274	0.05 4	0.05 120	0.07 124	0.06 112	0.05 49	0.06 129

GMOStereo	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 410	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

error version	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 410	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

test-v	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 410	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

test-3	0.08 4	0.06 31	0.09 34	0.17 149	0.07 26	0.07 18	0.14 94	0.12 11	0.15 90	0.09 30	0.08 26	0.07 26	0.08 74	0.11 58	0.10 70	0.05 4	0.04 2	0.07 124	0.05 50	0.04 1	0.04 9

test_1	0.08 4	0.06 31	0.09 34	0.17 149	0.07 26	0.07 18	0.14 94	0.12 11	0.15 90	0.09 30	0.08 26	0.07 26	0.08 74	0.11 58	0.10 70	0.05 4	0.04 2	0.07 124	0.05 50	0.04 1	0.04 9

test_3	0.10 72	0.09 229	0.10 57	0.20 319	0.08 62	0.13 165	0.26 397	0.14 30	0.21 202	0.10 58	0.10 52	0.09 59	0.09 97	0.08 8	0.11 115	0.05 4	0.04 2	0.08 196	0.07 194	0.04 1	0.04 9

LCNet	0.11 109	0.07 88	0.09 34	0.19 273	0.09 160	0.08 27	0.15 152	0.21 176	0.15 90	0.11 82	0.15 127	0.16 198	0.11 146	0.12 125	0.11 115	0.05 4	0.04 2	0.08 196	0.07 194	0.06 118	0.15 398

HHNet	0.11 109	0.06 31	0.16 265	0.15 48	0.14 368	0.07 18	0.13 58	0.20 157	0.17 129	0.14 162	0.25 278	0.11 101	0.08 74	0.13 163	0.10 70	0.05 4	0.04 2	0.08 196	0.06 112	0.05 49	0.09 300

STrans-v2	0.10 72	0.07 88	0.12 112	0.18 221	0.07 26	0.10 73	0.14 94	0.21 176	0.11 28	0.11 82	0.15 127	0.12 116	0.10 122	0.11 58	0.12 158	0.05 4	0.04 2	0.06 45	0.06 112	0.04 1	0.04 9

TransformOpticalFlow	0.10 72	0.08 168	0.13 152	0.18 221	0.07 26	0.09 44	0.15 152	0.19 146	0.15 90	0.12 117	0.17 157	0.11 101	0.11 146	0.11 58	0.10 70	0.05 4	0.04 2	0.06 45	0.06 112	0.05 49	0.05 64

PSM-AAD	0.11 109	0.07 88	0.10 57	0.19 273	0.09 160	0.10 73	0.15 152	0.20 157	0.13 60	0.12 117	0.14 111	0.18 231	0.11 146	0.11 58	0.10 70	0.05 4	0.05 120	0.09 269	0.08 255	0.06 118	0.14 391

FTStereo	0.12 170	0.06 31	0.14 182	0.18 221	0.09 160	0.07 18	0.15 152	0.21 176	0.18 155	0.12 117	0.24 249	0.12 116	0.12 175	0.13 163	0.13 195	0.05 4	0.05 120	0.07 124	0.06 112	0.06 118	0.10 321

KYRaft	0.11 109	0.07 88	0.10 57	0.19 273	0.09 160	0.08 27	0.15 152	0.22 194	0.12 38	0.13 141	0.16 138	0.20 257	0.10 122	0.12 125	0.10 70	0.05 4	0.04 2	0.08 196	0.08 255	0.06 118	0.16 409

ASMatch	0.11 109	0.06 31	0.13 152	0.16 91	0.10 256	0.07 18	0.14 94	0.17 101	0.17 129	0.12 117	0.16 138	0.16 198	0.10 122	0.13 163	0.10 70	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.08 259

DEmStereo	0.12 170	0.06 31	0.14 182	0.14 18	0.10 256	0.16 246	0.15 152	0.16 67	0.24 240	0.17 228	0.24 249	0.13 140	0.14 234	0.12 125	0.13 195	0.05 4	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

DRaft	0.12 170	0.06 31	0.11 88	0.14 18	0.09 160	0.14 195	0.17 236	0.21 176	0.30 312	0.17 228	0.28 313	0.10 82	0.15 251	0.10 26	0.12 158	0.05 4	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

GrayStereo	0.11 109	0.06 31	0.11 88	0.19 273	0.09 160	0.09 44	0.16 211	0.18 127	0.17 129	0.14 162	0.17 157	0.17 218	0.11 146	0.12 125	0.11 115	0.05 4	0.05 120	0.07 124	0.06 112	0.05 49	0.10 321

RAFT-RH_RVC	0.11 109	0.06 31	0.14 182	0.16 91	0.09 160	0.12 133	0.12 30	0.17 101	0.12 38	0.13 141	0.41 398	0.11 101	0.10 122	0.13 163	0.12 158	0.05 4	0.04 2	0.08 196	0.05 50	0.04 1	0.06 129

RAFT-345	0.11 109	0.07 88	0.15 231	0.16 91	0.08 62	0.08 27	0.12 30	0.15 47	0.10 12	0.11 82	0.36 364	0.09 59	0.09 97	0.11 58	0.12 158	0.05 4	0.05 120	0.07 124	0.06 112	0.04 1	0.05 64

test-2	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 410	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

cross-raft	0.10 72	0.09 229	0.09 34	0.19 273	0.07 26	0.11 106	0.25 390	0.13 20	0.15 90	0.08 14	0.11 75	0.12 116	0.10 122	0.09 12	0.11 115	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

GMM-Stereo	0.11 109	0.07 88	0.10 57	0.18 221	0.09 160	0.08 27	0.15 152	0.23 211	0.16 112	0.11 82	0.15 127	0.13 140	0.11 146	0.11 58	0.11 115	0.05 4	0.04 2	0.08 196	0.07 194	0.06 118	0.09 300

Prome-Stereo	0.11 109	0.06 31	0.10 57	0.18 221	0.08 62	0.12 133	0.15 152	0.22 194	0.13 60	0.12 117	0.17 157	0.13 140	0.08 74	0.12 125	0.10 70	0.05 4	0.04 2	0.07 124	0.06 112	0.06 118	0.09 300

iRaftStereo_RVC	0.10 72	0.07 88	0.09 34	0.17 149	0.09 160	0.11 106	0.17 236	0.18 127	0.12 38	0.09 30	0.12 85	0.10 82	0.07 49	0.11 58	0.10 70	0.05 4	0.04 2	0.08 196	0.08 255	0.04 1	0.04 9

s12784h	0.09 23	0.06 31	0.07 3	0.15 48	0.05 1	0.16 246	0.18 278	0.15 47	0.15 90	0.10 58	0.11 75	0.11 101	0.11 146	0.10 26	0.12 158	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

TestStereo	0.13 195	0.14 361	0.11 88	0.23 379	0.08 62	0.15 219	0.21 348	0.20 157	0.23 225	0.14 162	0.24 249	0.16 198	0.12 175	0.16 236	0.14 231	0.05 4	0.06 222	0.08 196	0.06 112	0.09 294	0.05 64

test_xeample3	0.09 23	0.06 31	0.12 112	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.13 60	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

RAFT-Stereo + iAFF	0.09 23	0.06 31	0.10 57	0.17 149	0.06 3	0.10 73	0.16 211	0.17 101	0.14 78	0.09 30	0.10 52	0.08 43	0.09 97	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.06 112	0.04 1	0.03 1

AFF-stereo	0.09 23	0.06 31	0.10 57	0.17 149	0.07 26	0.10 73	0.16 211	0.17 101	0.09 3	0.10 58	0.12 85	0.09 59	0.09 97	0.12 125	0.09 27	0.05 4	0.04 2	0.07 124	0.07 194	0.04 1	0.03 1

EAI-Stereo	0.09 23	0.07 88	0.11 88	0.15 48	0.06 3	0.10 73	0.15 152	0.16 67	0.09 3	0.08 14	0.09 35	0.08 43	0.07 49	0.09 12	0.11 115	0.05 4	0.04 2	0.05 2	0.05 50	0.05 49	0.04 9

MLCV	0.12 170	0.07 88	0.16 265	0.18 221	0.06 3	0.15 219	0.17 236	0.19 146	0.21 202	0.18 258	0.25 278	0.17 218	0.13 210	0.14 181	0.13 195	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

DN-CSS_ROB	0.13 195	0.13 349	0.16 265	0.18 221	0.10 256	0.16 246	0.08 3	0.22 194	0.18 155	0.17 228	0.22 229	0.13 140	0.13 210	0.12 125	0.13 195	0.05 4	0.05 120	0.10 313	0.10 329	0.08 237	0.06 129

UGAM-zero	0.09 23	0.05 9	0.15 231	0.15 48	0.08 62	0.09 44	0.13 58	0.19 146	0.15 90	0.11 82	0.15 127	0.07 26	0.07 49	0.09 12	0.09 27	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

GCAP-BAT	0.09 23	0.07 88	0.14 182	0.15 48	0.08 62	0.10 73	0.13 58	0.14 30	0.10 12	0.11 82	0.10 52	0.08 43	0.07 49	0.12 125	0.10 70	0.06 64	0.05 120	0.06 45	0.04 12	0.04 1	0.04 9

Occ-G	0.08 4	0.05 9	0.06 1	0.14 18	0.07 26	0.08 27	0.14 94	0.13 20	0.15 90	0.07 4	0.11 75	0.07 26	0.05 3	0.09 12	0.10 70	0.06 64	0.05 120	0.05 2	0.04 12	0.05 49	0.05 64

AIO-Stereo-zeroshot1	0.11 109	0.05 9	0.14 182	0.15 48	0.20 418	0.09 44	0.17 236	0.21 176	0.15 90	0.11 82	0.14 111	0.10 82	0.07 49	0.10 26	0.08 12	0.06 64	0.05 120	0.07 124	0.07 194	0.07 180	0.09 300

AIO-Stereo-zeroshot	0.11 109	0.05 9	0.11 88	0.15 48	0.13 351	0.13 165	0.16 211	0.23 211	0.17 129	0.10 58	0.12 85	0.10 82	0.07 49	0.11 58	0.09 27	0.06 64	0.05 120	0.06 45	0.06 112	0.07 180	0.08 259

U	0.08 4	0.07 88	0.09 34	0.19 273	0.10 256	0.10 73	0.13 58	0.12 11	0.17 129	0.07 4	0.07 16	0.06 4	0.05 3	0.07 2	0.08 12	0.06 64	0.04 2	0.06 45	0.04 12	0.06 118	0.05 64

IGEV-Stereo+	0.07 1	0.04 1	0.08 13	0.15 48	0.06 3	0.04 1	0.09 5	0.10 1	0.09 3	0.06 1	0.06 2	0.06 4	0.06 12	0.06 1	0.08 12	0.06 64	0.04 2	0.05 2	0.04 12	0.06 118	0.06 129

RAFT-Stereo-weight	0.09 23	0.06 31	0.10 57	0.16 91	0.07 26	0.09 44	0.14 94	0.19 146	0.16 112	0.11 82	0.10 52	0.08 43	0.06 12	0.10 26	0.11 115	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

gcap-zeroshot	0.09 23	0.05 9	0.10 57	0.16 91	0.07 26	0.13 165	0.13 58	0.11 4	0.12 38	0.13 141	0.12 85	0.09 59	0.08 74	0.09 12	0.09 27	0.06 64	0.05 120	0.06 45	0.05 50	0.04 1	0.04 9

test_for_model	0.09 23	0.12 323	0.14 182	0.23 379	0.11 300	0.08 27	0.13 58	0.12 11	0.12 38	0.10 58	0.07 16	0.07 26	0.06 12	0.11 58	0.10 70	0.06 64	0.05 120	0.05 2	0.03 1	0.07 180	0.04 9

testlalala2	0.10 72	0.06 31	0.11 88	0.20 319	0.10 256	0.10 73	0.12 30	0.17 101	0.12 38	0.12 117	0.13 97	0.09 59	0.07 49	0.11 58	0.13 195	0.06 64	0.05 120	0.05 2	0.04 12	0.05 49	0.05 64

MyStereo07	0.10 72	0.07 88	0.10 57	0.17 149	0.09 160	0.14 195	0.18 278	0.15 47	0.15 90	0.09 30	0.06 2	0.06 4	0.07 49	0.12 125	0.09 27	0.06 64	0.05 120	0.08 196	0.07 194	0.06 118	0.06 129

MyStereo06	0.10 72	0.07 88	0.12 112	0.17 149	0.09 160	0.13 165	0.18 278	0.19 146	0.12 38	0.12 117	0.08 26	0.07 26	0.07 49	0.11 58	0.09 27	0.06 64	0.05 120	0.07 124	0.07 194	0.06 118	0.06 129

MyStereo05	0.13 195	0.07 88	0.10 57	0.17 149	0.09 160	0.13 165	0.18 278	0.27 284	0.35 348	0.17 228	0.14 111	0.15 185	0.11 146	0.15 202	0.13 195	0.06 64	0.05 120	0.07 124	0.07 194	0.06 118	0.06 129

MyStereo04	0.13 195	0.07 88	0.10 57	0.17 149	0.09 160	0.14 195	0.18 278	0.29 311	0.38 364	0.17 228	0.14 111	0.16 198	0.10 122	0.15 202	0.13 195	0.06 64	0.05 120	0.08 196	0.07 194	0.06 118	0.06 129

ACVNet-DCA	0.10 72	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.23 211	0.16 112	0.09 30	0.09 35	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.07 180	0.07 196

xx1	0.11 109	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.16 67	0.18 155	0.09 30	0.09 35	0.16 198	0.16 277	0.10 26	0.07 1	0.06 64	0.04 2	0.08 196	0.08 255	0.07 180	0.07 196

1test111	0.11 109	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.23 211	0.16 112	0.09 30	0.09 35	0.06 4	0.06 12	0.15 202	0.16 274	0.06 64	0.04 2	0.06 45	0.05 50	0.07 180	0.07 196

cc1	0.10 72	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.16 67	0.18 155	0.09 30	0.09 35	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.06 129

IGEVStereo-DCA	0.09 23	0.06 31	0.11 88	0.15 48	0.10 256	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.08 12	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

rrr	0.09 23	0.06 31	0.12 112	0.15 48	0.10 256	0.11 106	0.16 211	0.16 67	0.15 90	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.08 12	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

ffm	0.12 170	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.15 47	0.19 168	0.15 189	0.25 278	0.19 245	0.13 210	0.10 26	0.07 1	0.06 64	0.04 2	0.09 269	0.08 255	0.06 118	0.06 129

ff1	0.13 195	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.15 47	0.19 168	0.15 189	0.25 278	0.19 245	0.13 210	0.14 181	0.20 321	0.06 64	0.04 2	0.09 269	0.08 255	0.06 118	0.06 129

tt1	0.10 72	0.08 168	0.12 112	0.17 149	0.09 160	0.12 133	0.16 211	0.15 47	0.19 168	0.09 30	0.08 26	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.06 129

IGEV_Zeroshot_test	0.09 23	0.05 9	0.12 112	0.13 10	0.08 62	0.12 133	0.13 58	0.17 101	0.11 28	0.10 58	0.06 2	0.09 59	0.06 12	0.11 58	0.09 27	0.06 64	0.04 2	0.06 45	0.06 112	0.05 49	0.05 64

MSKI-zero shot	0.09 23	0.05 9	0.09 34	0.15 48	0.07 26	0.10 73	0.13 58	0.14 30	0.13 60	0.09 30	0.09 35	0.09 59	0.06 12	0.12 125	0.10 70	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

CASnet	0.09 23	0.09 229	0.09 34	0.19 273	0.06 3	0.07 18	0.11 18	0.18 127	0.14 78	0.11 82	0.10 52	0.09 59	0.07 49	0.10 26	0.10 70	0.06 64	0.04 2	0.10 313	0.08 255	0.05 49	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.08 4	0.05 9	0.08 13	0.14 18	0.13 351	0.14 195	0.13 58	0.14 30	0.09 3	0.07 4	0.09 35	0.07 26	0.08 74	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

SPstereo	0.09 23	0.07 88	0.13 152	0.18 221	0.06 3	0.11 106	0.07 1	0.13 20	0.12 38	0.09 30	0.10 52	0.07 26	0.09 97	0.13 163	0.10 70	0.06 64	0.05 120	0.05 2	0.04 12	0.04 1	0.05 64

RAFT-Test	0.09 23	0.06 31	0.10 57	0.15 48	0.07 26	0.11 106	0.15 152	0.16 67	0.13 60	0.09 30	0.10 52	0.10 82	0.09 97	0.12 125	0.09 27	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

HH	0.09 23	0.06 31	0.13 152	0.17 149	0.08 62	0.10 73	0.16 211	0.14 30	0.10 12	0.08 14	0.09 35	0.08 43	0.07 49	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

HanStereo	0.09 23	0.06 31	0.13 152	0.17 149	0.08 62	0.10 73	0.16 211	0.14 30	0.10 12	0.08 14	0.09 35	0.08 43	0.07 49	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

LL-Strereo	0.13 195	0.09 229	0.11 88	0.20 319	0.10 256	0.11 106	0.18 278	0.32 344	0.24 240	0.15 189	0.15 127	0.14 159	0.13 210	0.19 293	0.11 115	0.06 64	0.04 2	0.09 269	0.08 255	0.04 1	0.05 64

CBFPSM	0.14 225	0.06 31	0.26 364	0.17 149	0.09 160	0.13 165	0.15 152	0.22 194	0.23 225	0.20 291	0.27 301	0.24 303	0.16 277	0.16 236	0.18 306	0.06 64	0.06 222	0.06 45	0.07 194	0.07 180	0.07 196

CES	0.08 4	0.04 1	0.08 13	0.14 18	0.07 26	0.09 44	0.14 94	0.11 4	0.09 3	0.08 14	0.09 35	0.11 101	0.06 12	0.12 125	0.08 12	0.06 64	0.04 2	0.05 2	0.03 1	0.05 49	0.05 64

EGLCR-Stereo	0.08 4	0.05 9	0.08 13	0.14 18	0.06 3	0.10 73	0.12 30	0.11 4	0.16 112	0.06 1	0.05 1	0.07 26	0.05 3	0.10 26	0.11 115	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

DCRE	0.11 109	0.07 88	0.13 152	0.16 91	0.11 300	0.11 106	0.17 236	0.18 127	0.17 129	0.11 82	0.18 180	0.10 82	0.10 122	0.15 202	0.11 115	0.06 64	0.05 120	0.06 45	0.06 112	0.05 49	0.04 9

MC-Stereo	0.08 4	0.06 31	0.09 34	0.17 149	0.06 3	0.10 73	0.14 94	0.12 11	0.10 12	0.09 30	0.12 85	0.09 59	0.06 12	0.11 58	0.10 70	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

RCA-Stereo	0.09 23	0.06 31	0.09 34	0.16 91	0.06 3	0.09 44	0.13 58	0.18 127	0.14 78	0.09 30	0.10 52	0.08 43	0.07 49	0.12 125	0.11 115	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

CroCo-Stereo Lap2	0.09 23	0.09 229	0.08 13	0.22 360	0.09 160	0.09 44	0.19 314	0.16 67	0.12 38	0.09 30	0.10 52	0.05 1	0.05 3	0.08 8	0.08 12	0.06 64	0.06 222	0.07 124	0.05 50	0.05 49	0.05 64

TestStereo1	0.13 195	0.08 168	0.08 13	0.19 273	0.08 62	0.18 285	0.29 419	0.23 211	0.16 112	0.17 228	0.20 200	0.16 198	0.10 122	0.12 125	0.13 195	0.06 64	0.06 222	0.08 196	0.06 112	0.05 49	0.05 64

DCANet-4	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 236	0.18 127	0.19 168	0.13 141	0.16 138	0.09 59	0.14 234	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

fff	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 236	0.16 67	0.20 189	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

ADStereo(finetuned)	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 236	0.15 47	0.19 168	0.13 141	0.17 157	0.10 82	0.12 175	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

DisPM	0.11 109	0.07 88	0.12 112	0.16 91	0.09 160	0.06 4	0.13 58	0.17 101	0.17 129	0.14 162	0.20 200	0.12 116	0.10 122	0.11 58	0.10 70	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.11 344

test_5	0.14 225	0.12 323	0.08 13	0.20 319	0.10 256	0.14 195	0.29 419	0.21 176	0.24 240	0.18 258	0.28 313	0.11 101	0.15 251	0.12 125	0.13 195	0.06 64	0.05 120	0.07 124	0.08 255	0.08 237	0.07 196

SA-5K	0.13 195	0.08 168	0.08 13	0.19 273	0.08 62	0.18 285	0.29 419	0.23 211	0.16 112	0.17 228	0.20 200	0.16 198	0.10 122	0.12 125	0.13 195	0.06 64	0.06 222	0.08 196	0.06 112	0.05 49	0.05 64

Sa-1000	0.12 170	0.08 168	0.08 13	0.18 221	0.08 62	0.14 195	0.22 357	0.22 194	0.18 155	0.15 189	0.20 200	0.17 218	0.11 146	0.10 26	0.10 70	0.06 64	0.05 120	0.09 269	0.09 296	0.05 49	0.05 64

iRaft-Stereo_20w	0.09 23	0.05 9	0.13 152	0.14 18	0.08 62	0.12 133	0.15 152	0.18 127	0.10 12	0.11 82	0.08 26	0.08 43	0.05 3	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

GLC_STEREO	0.11 109	0.07 88	0.11 88	0.17 149	0.07 26	0.09 44	0.13 58	0.15 47	0.24 240	0.12 117	0.13 97	0.12 116	0.08 74	0.18 280	0.11 115	0.06 64	0.08 315	0.08 196	0.06 112	0.05 49	0.05 64

IPLG	0.10 72	0.07 88	0.15 231	0.17 149	0.08 62	0.11 106	0.14 94	0.20 157	0.15 90	0.12 117	0.17 157	0.07 26	0.07 49	0.14 181	0.13 195	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

MIPNet	0.11 109	0.08 168	0.14 182	0.17 149	0.09 160	0.12 133	0.14 94	0.20 157	0.24 240	0.11 82	0.10 52	0.09 59	0.07 49	0.13 163	0.12 158	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

IPLGR	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.12 133	0.17 236	0.21 176	0.24 240	0.11 82	0.12 85	0.11 101	0.08 74	0.12 125	0.12 158	0.06 64	0.05 120	0.06 45	0.06 112	0.04 1	0.04 9

CrosDoStereo	0.12 170	0.06 31	0.12 112	0.14 18	0.08 62	0.12 133	0.15 152	0.17 101	0.22 216	0.19 272	0.24 249	0.15 185	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

Patchmatch Stereo++	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.11 18	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 109	0.07 88	0.16 265	0.19 273	0.09 160	0.08 27	0.13 58	0.18 127	0.13 60	0.16 214	0.21 220	0.13 140	0.14 234	0.11 58	0.14 231	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.05 64

OMP-Stereo	0.11 109	0.06 31	0.14 182	0.18 221	0.08 62	0.09 44	0.12 30	0.21 176	0.21 202	0.13 141	0.14 111	0.11 101	0.12 175	0.11 58	0.13 195	0.06 64	0.04 2	0.07 124	0.06 112	0.05 49	0.04 9

IIG-Stereo	0.11 109	0.06 31	0.13 152	0.17 149	0.08 62	0.11 106	0.12 30	0.22 194	0.17 129	0.14 162	0.17 157	0.11 101	0.12 175	0.12 125	0.12 158	0.06 64	0.05 120	0.07 124	0.06 112	0.05 49	0.04 9

NF-Stereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

OCTAStereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

NRIStereo	0.11 109	0.08 168	0.14 182	0.18 221	0.08 62	0.10 73	0.14 94	0.16 67	0.15 90	0.12 117	0.14 111	0.13 140	0.12 175	0.13 163	0.10 70	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.07 196

PSM-adaLoss	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

ROB_FTStereo_v2	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

ROB_FTStereo	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.11 18	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

HUI-Stereo	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

DeepStereo_LL	0.12 170	0.06 31	0.12 112	0.14 18	0.08 62	0.12 133	0.15 152	0.17 101	0.22 216	0.19 272	0.24 249	0.15 185	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

SST-Stereo	0.10 72	0.07 88	0.15 231	0.18 221	0.09 160	0.06 4	0.12 30	0.17 101	0.11 28	0.15 189	0.17 157	0.13 140	0.12 175	0.10 26	0.11 115	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.05 64

THIR-Stereo	0.12 170	0.07 88	0.11 88	0.15 48	0.08 62	0.14 195	0.16 211	0.17 101	0.25 261	0.16 214	0.24 249	0.14 159	0.12 175	0.12 125	0.14 231	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

RAFT_R40	0.11 109	0.07 88	0.14 182	0.18 221	0.09 160	0.06 4	0.13 58	0.17 101	0.16 112	0.14 162	0.18 180	0.15 185	0.12 175	0.10 26	0.11 115	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.05 64

PFNet	0.12 170	0.06 31	0.17 292	0.17 149	0.08 62	0.09 44	0.15 152	0.26 264	0.20 189	0.16 214	0.16 138	0.14 159	0.11 146	0.12 125	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

RE-Stereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

Pruner-Stereo	0.11 109	0.07 88	0.12 112	0.17 149	0.09 160	0.06 4	0.12 30	0.17 101	0.17 129	0.13 141	0.19 188	0.13 140	0.09 97	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.08 259

TVStereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

DeepStereo_RVC	0.11 109	0.08 168	0.16 265	0.18 221	0.08 62	0.08 27	0.12 30	0.17 101	0.12 38	0.13 141	0.14 111	0.12 116	0.12 175	0.12 125	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.07 180	0.08 259

iGMRVC	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

IRAFT_RVC	0.12 170	0.08 168	0.16 265	0.19 273	0.08 62	0.07 18	0.15 152	0.24 232	0.23 225	0.14 162	0.14 111	0.15 185	0.12 175	0.12 125	0.10 70	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.06 129

iRAFT	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.11 18	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

RAFT	0.13 195	0.09 229	0.11 88	0.18 221	0.08 62	0.15 219	0.24 376	0.20 157	0.19 168	0.21 304	0.21 220	0.17 218	0.12 175	0.16 236	0.09 27	0.06 64	0.07 290	0.10 313	0.09 296	0.05 49	0.05 64

test-1	0.10 72	0.07 88	0.16 265	0.19 273	0.08 62	0.11 106	0.24 376	0.14 30	0.18 155	0.09 30	0.07 16	0.09 59	0.08 74	0.07 2	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

RAFT-IKP	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

CREStereo++_RVC	0.08 4	0.04 1	0.06 1	0.13 10	0.07 26	0.09 44	0.12 30	0.14 30	0.14 78	0.10 58	0.14 111	0.08 43	0.07 49	0.09 12	0.11 115	0.06 64	0.04 2	0.05 2	0.05 50	0.04 1	0.04 9
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 23	0.06 31	0.07 3	0.14 18	0.07 26	0.12 133	0.16 211	0.14 30	0.13 60	0.11 82	0.12 85	0.09 59	0.08 74	0.10 26	0.10 70	0.06 64	0.04 2	0.05 2	0.03 1	0.06 118	0.05 64

RALAANet	0.11 109	0.08 168	0.10 57	0.17 149	0.09 160	0.14 195	0.10 10	0.20 157	0.15 90	0.14 162	0.13 97	0.16 198	0.09 97	0.12 125	0.11 115	0.06 64	0.05 120	0.07 124	0.06 112	0.05 49	0.04 9

XX-Stereo	0.09 23	0.05 9	0.08 13	0.17 149	0.09 160	0.15 219	0.12 30	0.20 157	0.10 12	0.10 58	0.14 111	0.07 26	0.06 12	0.12 125	0.08 12	0.06 64	0.05 120	0.06 45	0.06 112	0.04 1	0.04 9

DCANet	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 236	0.15 47	0.19 168	0.13 141	0.17 157	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

csc	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 236	0.16 67	0.20 189	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

cscssc	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 236	0.16 67	0.20 189	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

111	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.10 73	0.14 94	0.21 176	0.23 225	0.11 82	0.12 85	0.14 159	0.11 146	0.13 163	0.10 70	0.06 64	0.04 2	0.06 45	0.04 12	0.05 49	0.05 64

ARAFT	0.12 170	0.08 168	0.17 292	0.19 273	0.09 160	0.14 195	0.18 278	0.20 157	0.12 38	0.12 117	0.13 97	0.14 159	0.11 146	0.15 202	0.12 158	0.06 64	0.05 120	0.10 313	0.09 296	0.05 49	0.04 9

CFNet-RSSM	0.09 23	0.07 88	0.09 34	0.16 91	0.07 26	0.09 44	0.15 152	0.16 67	0.17 129	0.08 14	0.12 85	0.10 82	0.09 97	0.11 58	0.09 27	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

MMNet	0.17 309	0.09 229	0.16 265	0.20 319	0.11 300	0.27 387	0.20 331	0.25 247	0.41 376	0.22 318	0.30 330	0.21 264	0.20 333	0.17 263	0.20 321	0.06 64	0.06 222	0.07 124	0.07 194	0.08 237	0.07 196

Gwc-CoAtRS	0.09 23	0.06 31	0.10 57	0.16 91	0.07 26	0.10 73	0.14 94	0.17 101	0.17 129	0.08 14	0.10 52	0.12 116	0.09 97	0.12 125	0.09 27	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

DIP-Stereo	0.11 109	0.07 88	0.14 182	0.17 149	0.09 160	0.13 165	0.09 5	0.16 67	0.16 112	0.11 82	0.16 138	0.14 159	0.12 175	0.15 202	0.13 195	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HSM-Net_RVC	0.14 225	0.08 168	0.11 88	0.15 48	0.08 62	0.15 219	0.15 152	0.27 284	0.29 303	0.19 272	0.21 220	0.29 346	0.14 234	0.17 263	0.13 195	0.06 64	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
AANet_RVC	0.16 289	0.10 283	0.10 57	0.18 221	0.09 160	0.18 285	0.19 314	0.26 264	0.31 318	0.22 318	0.35 361	0.21 264	0.21 337	0.22 344	0.16 274	0.06 64	0.05 120	0.06 45	0.06 112	0.07 180	0.06 129

HITNet	0.10 72	0.06 31	0.12 112	0.14 18	0.06 3	0.11 106	0.10 10	0.18 127	0.18 155	0.13 141	0.16 138	0.14 159	0.11 146	0.15 202	0.13 195	0.06 64	0.04 2	0.04 1	0.04 12	0.06 118	0.05 64
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
iResNetv2_ROB	0.14 225	0.08 168	0.15 231	0.16 91	0.08 62	0.16 246	0.12 30	0.25 247	0.35 348	0.21 304	0.29 325	0.24 303	0.13 210	0.14 181	0.14 231	0.06 64	0.05 120	0.06 45	0.04 12	0.09 294	0.08 259

iResNet	0.13 195	0.10 283	0.18 313	0.19 273	0.08 62	0.13 165	0.18 278	0.20 157	0.26 274	0.15 189	0.23 238	0.15 185	0.13 210	0.14 181	0.14 231	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

UGAM	0.13 195	0.10 283	0.09 34	0.22 360	0.08 62	0.12 133	0.20 331	0.17 101	0.23 225	0.21 304	0.16 138	0.13 140	0.13 210	0.19 293	0.12 158	0.07 162	0.05 120	0.13 373	0.11 356	0.07 180	0.05 64

WCG-NET	0.09 23	0.05 9	0.10 57	0.15 48	0.07 26	0.11 106	0.11 18	0.16 67	0.09 3	0.09 30	0.11 75	0.08 43	0.06 12	0.14 181	0.09 27	0.07 162	0.04 2	0.06 45	0.04 12	0.06 118	0.05 64

model_zeroshot	0.10 72	0.04 1	0.11 88	0.15 48	0.09 160	0.12 133	0.14 94	0.20 157	0.13 60	0.11 82	0.10 52	0.12 116	0.07 49	0.12 125	0.10 70	0.07 162	0.06 222	0.06 45	0.05 50	0.06 118	0.06 129

ACV-stereo	0.15 266	0.10 283	0.28 376	0.18 221	0.12 331	0.14 195	0.12 30	0.23 211	0.21 202	0.19 272	0.23 238	0.22 281	0.15 251	0.23 355	0.17 288	0.07 162	0.06 222	0.07 124	0.07 194	0.07 180	0.07 196

RAStereo	0.10 72	0.09 229	0.08 13	0.20 319	0.08 62	0.13 165	0.18 278	0.15 47	0.17 129	0.10 58	0.12 85	0.05 1	0.06 12	0.09 12	0.08 12	0.07 162	0.05 120	0.07 124	0.05 50	0.05 49	0.04 9

test_sample1	0.13 195	0.07 88	0.14 182	0.13 10	0.08 62	0.19 307	0.16 211	0.20 157	0.15 90	0.14 162	0.22 229	0.18 231	0.16 277	0.17 263	0.14 231	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.07 196

DispNO	0.14 225	0.08 168	0.17 292	0.19 273	0.12 331	0.11 106	0.21 348	0.23 211	0.29 303	0.17 228	0.23 238	0.18 231	0.17 297	0.15 202	0.15 258	0.07 162	0.05 120	0.08 196	0.08 255	0.07 180	0.06 129

Former-RAFT_DAM_RVC	0.10 72	0.08 168	0.12 112	0.16 91	0.08 62	0.15 219	0.16 211	0.18 127	0.18 155	0.10 58	0.09 35	0.09 59	0.08 74	0.11 58	0.12 158	0.07 162	0.05 120	0.08 196	0.06 112	0.07 180	0.06 129

MyStereo8	0.12 170	0.07 88	0.15 231	0.15 48	0.09 160	0.18 285	0.14 94	0.19 146	0.22 216	0.12 117	0.18 180	0.11 101	0.10 122	0.16 236	0.18 306	0.07 162	0.05 120	0.07 124	0.05 50	0.08 237	0.09 300

CoDeX	0.12 170	0.07 88	0.12 112	0.17 149	0.08 62	0.12 133	0.15 152	0.23 211	0.27 283	0.13 141	0.17 157	0.16 198	0.11 146	0.14 181	0.11 115	0.07 162	0.05 120	0.07 124	0.06 112	0.06 118	0.05 64

1111x	0.15 266	0.08 168	0.12 112	0.18 221	0.07 26	0.18 285	0.25 390	0.31 333	0.24 240	0.17 228	0.24 249	0.26 324	0.15 251	0.13 163	0.23 358	0.07 162	0.07 290	0.08 196	0.09 296	0.07 180	0.06 129

plain	0.10 72	0.08 168	0.10 57	0.19 273	0.09 160	0.10 73	0.15 152	0.14 30	0.13 60	0.13 141	0.15 127	0.09 59	0.12 175	0.13 163	0.12 158	0.07 162	0.05 120	0.09 269	0.06 112	0.06 118	0.06 129

MaDis-Stereo	0.09 23	0.09 229	0.08 13	0.17 149	0.09 160	0.13 165	0.10 10	0.16 67	0.16 112	0.09 30	0.11 75	0.06 4	0.06 12	0.09 12	0.13 195	0.07 162	0.06 222	0.07 124	0.05 50	0.05 49	0.04 9

UniTT-Stereo	0.09 23	0.07 88	0.08 13	0.18 221	0.08 62	0.13 165	0.11 18	0.12 11	0.11 28	0.10 58	0.12 85	0.05 1	0.07 49	0.09 12	0.09 27	0.07 162	0.05 120	0.05 2	0.05 50	0.05 49	0.05 64

PCWNet_CMD	0.14 225	0.08 168	0.15 231	0.17 149	0.09 160	0.14 195	0.14 94	0.29 311	0.36 353	0.14 162	0.20 200	0.21 264	0.12 175	0.17 263	0.13 195	0.07 162	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

Any-RAFT	0.10 72	0.05 9	0.09 34	0.14 18	0.07 26	0.13 165	0.14 94	0.21 176	0.15 90	0.11 82	0.12 85	0.12 116	0.09 97	0.12 125	0.09 27	0.07 162	0.04 2	0.05 2	0.04 12	0.06 118	0.05 64

LoS	0.09 23	0.05 9	0.11 88	0.13 10	0.07 26	0.14 195	0.11 18	0.15 47	0.15 90	0.09 30	0.09 35	0.12 116	0.09 97	0.15 202	0.10 70	0.07 162	0.05 120	0.05 2	0.03 1	0.05 49	0.05 64
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ToySt	0.17 309	0.11 308	0.18 313	0.17 149	0.11 300	0.16 246	0.25 390	0.24 232	0.33 330	0.19 272	0.24 249	0.26 324	0.24 358	0.19 293	0.20 321	0.07 162	0.08 315	0.09 269	0.10 329	0.09 294	0.08 259

anonymousa	0.13 195	0.07 88	0.13 152	0.18 221	0.09 160	0.13 165	0.17 236	0.19 146	0.29 303	0.15 189	0.24 249	0.15 185	0.14 234	0.14 181	0.14 231	0.07 162	0.05 120	0.07 124	0.09 296	0.05 49	0.06 129

qqq	0.13 195	0.09 229	0.15 231	0.16 91	0.08 62	0.13 165	0.15 152	0.23 211	0.16 112	0.15 189	0.19 188	0.16 198	0.16 277	0.15 202	0.16 274	0.07 162	0.06 222	0.08 196	0.08 255	0.07 180	0.07 196

x	0.13 195	0.07 88	0.14 182	0.14 18	0.08 62	0.18 285	0.14 94	0.22 194	0.20 189	0.15 189	0.19 188	0.19 245	0.17 297	0.18 280	0.18 306	0.07 162	0.05 120	0.06 45	0.06 112	0.07 180	0.07 196

Wz-Net-LNSev-Ref	0.18 322	0.09 229	0.29 384	0.15 48	0.10 256	0.22 344	0.20 331	0.26 264	0.39 367	0.25 351	0.42 403	0.24 303	0.15 251	0.20 317	0.19 315	0.07 162	0.05 120	0.06 45	0.05 50	0.10 324	0.09 300

hknet	0.15 266	0.11 308	0.13 152	0.22 360	0.11 300	0.14 195	0.15 152	0.34 370	0.25 261	0.17 228	0.22 229	0.22 281	0.18 308	0.17 263	0.12 158	0.07 162	0.06 222	0.10 313	0.09 296	0.07 180	0.07 196

CIPLG	0.11 109	0.08 168	0.14 182	0.17 149	0.08 62	0.12 133	0.15 152	0.17 101	0.15 90	0.14 162	0.11 75	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

IPLGR_C	0.11 109	0.08 168	0.14 182	0.17 149	0.08 62	0.12 133	0.15 152	0.17 101	0.15 90	0.14 162	0.10 52	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

ACRE	0.11 109	0.08 168	0.14 182	0.17 149	0.08 62	0.12 133	0.15 152	0.17 101	0.14 78	0.14 162	0.10 52	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

GwcNet-ADL	0.13 195	0.08 168	0.14 182	0.20 319	0.09 160	0.11 106	0.20 331	0.30 325	0.24 240	0.13 141	0.14 111	0.18 231	0.14 234	0.13 163	0.14 231	0.07 162	0.05 120	0.06 45	0.05 50	0.07 180	0.06 129

TRStereo	0.09 23	0.05 9	0.12 112	0.15 48	0.12 331	0.10 73	0.13 58	0.18 127	0.18 155	0.09 30	0.09 35	0.09 59	0.06 12	0.10 26	0.08 12	0.07 162	0.05 120	0.07 124	0.07 194	0.04 1	0.04 9

PSM-softLoss	0.12 170	0.07 88	0.15 231	0.17 149	0.09 160	0.08 27	0.13 58	0.24 232	0.17 129	0.14 162	0.19 188	0.13 140	0.11 146	0.11 58	0.11 115	0.07 162	0.05 120	0.08 196	0.07 194	0.06 118	0.12 356

KMStereo	0.12 170	0.07 88	0.15 231	0.17 149	0.09 160	0.08 27	0.13 58	0.24 232	0.17 129	0.14 162	0.19 188	0.13 140	0.11 146	0.11 58	0.11 115	0.07 162	0.05 120	0.08 196	0.07 194	0.06 118	0.12 356

CRE-IMP	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.10 73	0.12 30	0.18 127	0.10 12	0.14 162	0.13 97	0.13 140	0.12 175	0.12 125	0.11 115	0.07 162	0.04 2	0.08 196	0.06 112	0.08 237	0.08 259

CroCo-Stereo	0.09 23	0.08 168	0.08 13	0.22 360	0.09 160	0.09 44	0.19 314	0.15 47	0.12 38	0.07 4	0.07 16	0.08 43	0.06 12	0.08 8	0.07 1	0.07 162	0.05 120	0.06 45	0.04 12	0.05 49	0.04 9
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
LMCR-Stereo	0.15 266	0.08 168	0.13 152	0.21 345	0.09 160	0.17 267	0.20 331	0.27 284	0.19 168	0.24 338	0.24 249	0.23 297	0.17 297	0.20 317	0.17 288	0.07 162	0.06 222	0.08 196	0.06 112	0.10 324	0.08 259

rafts_anoy	0.11 109	0.06 31	0.10 57	0.17 149	0.08 62	0.10 73	0.14 94	0.17 101	0.14 78	0.13 141	0.13 97	0.12 116	0.10 122	0.11 58	0.12 158	0.07 162	0.04 2	0.09 269	0.11 356	0.07 180	0.06 129

raft+_RVC	0.11 109	0.07 88	0.09 34	0.16 91	0.07 26	0.10 73	0.11 18	0.24 232	0.20 189	0.12 117	0.15 127	0.12 116	0.08 74	0.12 125	0.13 195	0.07 162	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

TANstereo	0.09 23	0.04 1	0.08 13	0.13 10	0.06 3	0.11 106	0.14 94	0.15 47	0.19 168	0.11 82	0.15 127	0.10 82	0.06 12	0.12 125	0.09 27	0.07 162	0.05 120	0.05 2	0.04 12	0.06 118	0.05 64

CFNet_pseudo	0.14 225	0.08 168	0.15 231	0.16 91	0.09 160	0.13 165	0.14 94	0.27 284	0.34 341	0.14 162	0.21 220	0.22 281	0.13 210	0.18 280	0.14 231	0.07 162	0.05 120	0.08 196	0.06 112	0.07 180	0.07 196

RALCasStereoNet	0.10 72	0.06 31	0.09 34	0.16 91	0.08 62	0.12 133	0.14 94	0.17 101	0.11 28	0.12 117	0.17 157	0.14 159	0.10 122	0.12 125	0.11 115	0.07 162	0.06 222	0.06 45	0.05 50	0.08 237	0.07 196

RAFT + AFF	0.13 195	0.07 88	0.20 331	0.20 319	0.10 256	0.14 195	0.24 376	0.26 264	0.20 189	0.11 82	0.10 52	0.12 116	0.10 122	0.15 202	0.12 158	0.07 162	0.06 222	0.09 269	0.08 255	0.06 118	0.08 259

GMStereo	0.13 195	0.14 361	0.14 182	0.18 221	0.09 160	0.15 219	0.16 211	0.20 157	0.24 240	0.16 214	0.17 157	0.10 82	0.10 122	0.16 236	0.13 195	0.07 162	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
UNet	0.17 309	0.09 229	0.18 313	0.19 273	0.12 331	0.27 387	0.19 314	0.33 361	0.29 303	0.21 304	0.24 249	0.23 297	0.19 322	0.19 293	0.18 306	0.07 162	0.06 222	0.08 196	0.07 194	0.08 237	0.06 129

ACVNet	0.15 266	0.09 229	0.15 231	0.13 10	0.12 331	0.14 195	0.20 331	0.22 194	0.33 330	0.17 228	0.26 294	0.21 264	0.16 277	0.17 263	0.21 339	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.06 129

acv_ft	0.15 266	0.09 229	0.15 231	0.19 273	0.10 256	0.16 246	0.17 236	0.25 247	0.33 330	0.19 272	0.26 294	0.21 264	0.17 297	0.17 263	0.18 306	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.06 129

FADNet-RVC-Resample	0.16 289	0.11 308	0.31 389	0.22 360	0.11 300	0.19 307	0.14 94	0.25 247	0.24 240	0.24 338	0.27 301	0.20 257	0.15 251	0.16 236	0.15 258	0.07 162	0.08 315	0.12 358	0.10 329	0.09 294	0.10 321

BEATNet_4x	0.12 170	0.08 168	0.14 182	0.18 221	0.07 26	0.15 219	0.07 1	0.22 194	0.18 155	0.16 214	0.19 188	0.18 231	0.14 234	0.16 236	0.15 258	0.07 162	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

R-Stereo Train	0.10 72	0.06 31	0.10 57	0.17 149	0.08 62	0.11 106	0.14 94	0.23 211	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

ADCRef	0.19 333	0.12 323	0.41 414	0.20 319	0.12 331	0.22 344	0.18 278	0.32 344	0.36 353	0.26 355	0.32 342	0.17 218	0.23 352	0.24 364	0.24 368	0.07 162	0.06 222	0.09 269	0.09 296	0.08 237	0.08 259

RAFT-Stereo	0.10 72	0.06 31	0.10 57	0.17 149	0.08 62	0.11 106	0.14 94	0.23 211	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RASNet	0.14 225	0.07 88	0.14 182	0.16 91	0.08 62	0.18 285	0.14 94	0.29 311	0.20 189	0.17 228	0.25 278	0.21 264	0.18 308	0.20 317	0.19 315	0.07 162	0.06 222	0.06 45	0.08 255	0.06 118	0.06 129

MSMDNet	0.14 225	0.08 168	0.15 231	0.17 149	0.09 160	0.14 195	0.14 94	0.29 311	0.36 353	0.14 162	0.21 220	0.21 264	0.12 175	0.17 263	0.14 231	0.07 162	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

ccs_rob	0.14 225	0.08 168	0.15 231	0.16 91	0.09 160	0.12 133	0.14 94	0.27 284	0.34 341	0.14 162	0.21 220	0.22 281	0.13 210	0.18 280	0.14 231	0.07 162	0.05 120	0.08 196	0.07 194	0.07 180	0.07 196

HSM	0.15 266	0.08 168	0.14 182	0.16 91	0.09 160	0.16 246	0.14 94	0.28 301	0.25 261	0.19 272	0.23 238	0.37 393	0.16 277	0.20 317	0.15 258	0.07 162	0.05 120	0.07 124	0.06 112	0.07 180	0.06 129

iResNet_ROB	0.14 225	0.07 88	0.13 152	0.14 18	0.07 26	0.18 285	0.14 94	0.26 264	0.31 318	0.22 318	0.25 278	0.23 297	0.15 251	0.15 202	0.13 195	0.07 162	0.05 120	0.05 2	0.04 12	0.08 237	0.08 259

LE_ROB	0.50 440	0.07 88	0.14 182	0.15 48	0.08 62	0.24 362	0.16 211	0.22 194	1.81 471	4.63 475	0.67 436	0.47 426	0.44 433	0.20 317	0.29 404	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.06 129

pmcnn	0.15 266	0.07 88	0.19 323	0.15 48	0.07 26	0.20 322	0.15 152	0.24 232	0.26 274	0.21 304	0.34 358	0.28 339	0.18 308	0.18 280	0.17 288	0.07 162	0.05 120	0.05 2	0.04 12	0.07 180	0.06 129

Pointernet	0.09 23	0.04 1	0.09 34	0.16 91	0.08 62	0.13 165	0.10 10	0.15 47	0.17 129	0.09 30	0.07 16	0.06 4	0.06 12	0.11 58	0.09 27	0.08 217	0.04 2	0.05 2	0.03 1	0.06 118	0.05 64

test_sample6	0.14 225	0.08 168	0.13 152	0.16 91	0.08 62	0.17 267	0.19 314	0.25 247	0.17 129	0.17 228	0.27 301	0.19 245	0.14 234	0.15 202	0.13 195	0.08 217	0.05 120	0.08 196	0.07 194	0.08 237	0.08 259

test_sample5	0.14 225	0.08 168	0.14 182	0.16 91	0.08 62	0.18 285	0.18 278	0.25 247	0.17 129	0.17 228	0.27 301	0.18 231	0.14 234	0.16 236	0.13 195	0.08 217	0.05 120	0.08 196	0.07 194	0.08 237	0.08 259

test_sample4	0.14 225	0.08 168	0.14 182	0.15 48	0.08 62	0.19 307	0.18 278	0.26 264	0.17 129	0.16 214	0.25 278	0.18 231	0.14 234	0.16 236	0.13 195	0.08 217	0.06 222	0.08 196	0.06 112	0.08 237	0.08 259

test_sample3	0.14 225	0.08 168	0.15 231	0.14 18	0.09 160	0.19 307	0.17 236	0.26 264	0.18 155	0.16 214	0.22 229	0.19 245	0.15 251	0.17 263	0.13 195	0.08 217	0.06 222	0.07 124	0.06 112	0.09 294	0.08 259

test_sample2	0.12 170	0.07 88	0.12 112	0.14 18	0.08 62	0.16 246	0.18 278	0.21 176	0.16 112	0.14 162	0.20 200	0.19 245	0.15 251	0.15 202	0.12 158	0.08 217	0.05 120	0.07 124	0.06 112	0.08 237	0.07 196

trnet	0.08 4	0.05 9	0.07 3	0.12 3	0.05 1	0.12 133	0.11 18	0.13 20	0.10 12	0.08 14	0.13 97	0.09 59	0.08 74	0.11 58	0.10 70	0.08 217	0.05 120	0.05 2	0.03 1	0.06 118	0.05 64

SMFormer	0.14 225	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.17 288	0.08 217	0.05 120	0.07 124	0.06 112	0.07 180	0.06 129

tta	0.14 225	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.17 288	0.08 217	0.05 120	0.07 124	0.06 112	0.06 118	0.06 129

qqq1	0.13 195	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.11 115	0.08 217	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

fff1	0.13 195	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.11 115	0.08 217	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

mmm	0.14 225	0.08 168	0.17 292	0.17 149	0.09 160	0.17 267	0.18 278	0.21 176	0.15 90	0.15 189	0.23 238	0.21 264	0.16 277	0.16 236	0.17 288	0.08 217	0.05 120	0.08 196	0.07 194	0.07 180	0.07 196

11t1	0.12 170	0.06 31	0.13 152	0.14 18	0.08 62	0.17 267	0.15 152	0.18 127	0.15 90	0.15 189	0.15 127	0.16 198	0.16 277	0.15 202	0.13 195	0.08 217	0.05 120	0.06 45	0.05 50	0.08 237	0.07 196

DualNet	0.14 225	0.08 168	0.14 182	0.16 91	0.08 62	0.18 285	0.18 278	0.25 247	0.17 129	0.17 228	0.27 301	0.18 231	0.14 234	0.16 236	0.13 195	0.08 217	0.05 120	0.08 196	0.07 194	0.08 237	0.08 259

mmx	0.14 225	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.27 284	0.25 261	0.15 189	0.25 278	0.19 245	0.13 210	0.14 181	0.20 321	0.08 217	0.06 222	0.09 269	0.08 255	0.08 237	0.08 259

xxx	0.14 225	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.27 284	0.25 261	0.15 189	0.25 278	0.19 245	0.13 210	0.14 181	0.20 321	0.08 217	0.06 222	0.09 269	0.08 255	0.08 237	0.08 259

MIF-Stereo (partial)	0.11 109	0.06 31	0.10 57	0.19 273	0.10 256	0.10 73	0.11 18	0.17 101	0.18 155	0.14 162	0.16 138	0.09 59	0.11 146	0.12 125	0.12 158	0.08 217	0.05 120	0.08 196	0.07 194	0.06 118	0.07 196

EKT-Stereo	0.11 109	0.07 88	0.14 182	0.15 48	0.10 256	0.13 165	0.14 94	0.18 127	0.21 202	0.11 82	0.08 26	0.12 116	0.09 97	0.11 58	0.12 158	0.08 217	0.06 222	0.07 124	0.06 112	0.08 237	0.07 196

testlalala_base	0.10 72	0.09 229	0.14 182	0.21 345	0.08 62	0.10 73	0.14 94	0.13 20	0.10 12	0.07 4	0.15 127	0.07 26	0.08 74	0.10 26	0.12 158	0.08 217	0.05 120	0.05 2	0.03 1	0.06 118	0.05 64

CAS	0.08 4	0.04 1	0.07 3	0.17 149	0.08 62	0.10 73	0.13 58	0.12 11	0.09 3	0.09 30	0.10 52	0.08 43	0.06 12	0.09 12	0.08 12	0.08 217	0.04 2	0.05 2	0.03 1	0.05 49	0.04 9

gwcnet-sp	0.14 225	0.07 88	0.12 112	0.18 221	0.09 160	0.16 246	0.17 236	0.24 232	0.24 240	0.18 258	0.24 249	0.15 185	0.16 277	0.15 202	0.15 258	0.08 217	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

scenet	0.14 225	0.07 88	0.12 112	0.18 221	0.09 160	0.16 246	0.17 236	0.24 232	0.24 240	0.18 258	0.24 249	0.15 185	0.16 277	0.15 202	0.15 258	0.08 217	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

knoymous	0.11 109	0.05 9	0.12 112	0.13 10	0.07 26	0.15 219	0.14 94	0.19 146	0.13 60	0.11 82	0.17 157	0.13 140	0.09 97	0.13 163	0.11 115	0.08 217	0.05 120	0.06 45	0.05 50	0.08 237	0.07 196

ssnet	0.14 225	0.07 88	0.12 112	0.18 221	0.09 160	0.16 246	0.17 236	0.24 232	0.24 240	0.18 258	0.24 249	0.15 185	0.16 277	0.15 202	0.15 258	0.08 217	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

BUS	0.14 225	0.09 229	0.14 182	0.22 360	0.10 256	0.19 307	0.14 94	0.34 370	0.19 168	0.17 228	0.22 229	0.16 198	0.13 210	0.15 202	0.13 195	0.08 217	0.06 222	0.10 313	0.09 296	0.07 180	0.07 196

IER	0.14 225	0.07 88	0.13 152	0.17 149	0.09 160	0.14 195	0.16 211	0.25 247	0.26 274	0.18 258	0.25 278	0.17 218	0.20 333	0.16 236	0.14 231	0.08 217	0.05 120	0.07 124	0.06 112	0.08 237	0.07 196

NINENet	0.16 289	0.10 283	0.15 231	0.17 149	0.11 300	0.19 307	0.14 94	0.40 409	0.36 353	0.18 258	0.21 220	0.16 198	0.13 210	0.15 202	0.13 195	0.08 217	0.08 315	0.10 313	0.07 194	0.10 324	0.09 300

BSDual-CNN	0.15 266	0.09 229	0.14 182	0.22 360	0.10 256	0.14 195	0.15 152	0.34 370	0.19 168	0.17 228	0.22 229	0.25 316	0.16 277	0.15 202	0.14 231	0.08 217	0.06 222	0.10 313	0.09 296	0.07 180	0.07 196

psmg	0.14 225	0.09 229	0.14 182	0.17 149	0.10 256	0.15 219	0.17 236	0.29 311	0.19 168	0.17 228	0.21 220	0.25 316	0.16 277	0.15 202	0.14 231	0.08 217	0.06 222	0.08 196	0.08 255	0.07 180	0.06 129

DAS	0.15 266	0.08 168	0.18 313	0.19 273	0.10 256	0.19 307	0.17 236	0.27 284	0.29 303	0.18 258	0.25 278	0.21 264	0.15 251	0.16 236	0.12 158	0.08 217	0.06 222	0.06 45	0.06 112	0.07 180	0.07 196

SepStereo	0.15 266	0.08 168	0.18 313	0.19 273	0.10 256	0.19 307	0.17 236	0.27 284	0.29 303	0.18 258	0.25 278	0.21 264	0.15 251	0.25 369	0.12 158	0.08 217	0.06 222	0.06 45	0.06 112	0.07 180	0.07 196

PSMNet-ADL	0.15 266	0.12 323	0.13 152	0.22 360	0.09 160	0.13 165	0.20 331	0.26 264	0.23 225	0.18 258	0.20 200	0.24 303	0.16 277	0.18 280	0.17 288	0.08 217	0.08 315	0.08 196	0.11 356	0.08 237	0.07 196

GANet-ADL	0.13 195	0.07 88	0.15 231	0.17 149	0.10 256	0.18 285	0.15 152	0.30 325	0.20 189	0.13 141	0.18 180	0.19 245	0.12 175	0.16 236	0.13 195	0.08 217	0.06 222	0.06 45	0.05 50	0.07 180	0.08 259

ADLNet2	0.16 289	0.09 229	0.13 152	0.16 91	0.09 160	0.20 322	0.16 211	0.31 333	0.39 367	0.16 214	0.20 200	0.20 257	0.18 308	0.21 333	0.22 348	0.08 217	0.06 222	0.07 124	0.07 194	0.09 294	0.07 196

PFNet+	0.11 109	0.06 31	0.13 152	0.16 91	0.09 160	0.05 3	0.12 30	0.17 101	0.21 202	0.16 214	0.19 188	0.14 159	0.10 122	0.11 58	0.11 115	0.08 217	0.05 120	0.09 269	0.08 255	0.06 118	0.11 344

AnonymousM	0.09 23	0.05 9	0.10 57	0.14 18	0.06 3	0.09 44	0.13 58	0.19 146	0.14 78	0.13 141	0.11 75	0.09 59	0.08 74	0.13 163	0.10 70	0.08 217	0.05 120	0.08 196	0.05 50	0.05 49	0.05 64

Anonymous3	0.16 289	0.13 349	0.33 395	0.26 401	0.14 368	0.27 387	0.17 236	0.28 301	0.28 297	0.15 189	0.17 157	0.14 159	0.10 122	0.15 202	0.12 158	0.08 217	0.08 315	0.08 196	0.08 255	0.08 237	0.11 344

raftrobust	0.09 23	0.06 31	0.10 57	0.17 149	0.08 62	0.09 44	0.10 10	0.18 127	0.16 112	0.10 58	0.09 35	0.12 116	0.07 49	0.12 125	0.10 70	0.08 217	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

sCroCo_RVC	0.12 170	0.09 229	0.23 353	0.24 386	0.11 300	0.19 307	0.14 94	0.17 101	0.14 78	0.10 58	0.13 97	0.12 116	0.07 49	0.14 181	0.11 115	0.08 217	0.08 315	0.08 196	0.08 255	0.05 49	0.07 196

GES	0.14 225	0.08 168	0.16 265	0.15 48	0.10 256	0.13 165	0.13 58	0.28 301	0.25 261	0.16 214	0.23 238	0.18 231	0.13 210	0.16 236	0.13 195	0.08 217	0.07 290	0.07 124	0.06 112	0.08 237	0.09 300

SFCPSM	0.13 195	0.07 88	0.14 182	0.17 149	0.09 160	0.15 219	0.16 211	0.28 301	0.27 283	0.14 162	0.17 157	0.12 116	0.13 210	0.14 181	0.11 115	0.08 217	0.05 120	0.07 124	0.07 194	0.07 180	0.06 129

delet	0.17 309	0.08 168	0.17 292	0.19 273	0.11 300	0.20 322	0.21 348	0.30 325	0.37 359	0.17 228	0.26 294	0.19 245	0.19 322	0.19 293	0.21 339	0.08 217	0.08 315	0.09 269	0.11 356	0.06 118	0.06 129

aanetorigin	0.22 362	0.17 385	0.56 430	0.17 149	0.10 256	0.15 219	0.19 314	0.20 157	0.33 330	0.49 430	0.48 413	0.29 346	0.27 378	0.20 317	0.23 358	0.08 217	0.07 290	0.08 196	0.07 194	0.10 324	0.09 300

EDNetEfficientorigin	7.91 477	0.31 433	153.02 492	0.19 273	0.09 160	0.21 336	0.16 211	0.22 194	0.59 428	0.72 445	0.67 436	0.42 411	0.50 438	0.24 364	0.39 432	0.08 217	0.07 290	0.08 196	0.07 194	0.12 356	0.10 321

CREStereo	0.09 23	0.04 1	0.08 13	0.11 1	0.06 3	0.13 165	0.14 94	0.14 30	0.10 12	0.08 14	0.13 97	0.09 59	0.08 74	0.11 58	0.10 70	0.08 217	0.04 2	0.05 2	0.03 1	0.06 118	0.06 129
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
FENet	0.13 195	0.08 168	0.12 112	0.16 91	0.08 62	0.14 195	0.15 152	0.22 194	0.23 225	0.17 228	0.23 238	0.16 198	0.12 175	0.14 181	0.15 258	0.08 217	0.05 120	0.08 196	0.08 255	0.07 180	0.07 196

FADNet_RVC	0.16 289	0.14 361	0.40 412	0.20 319	0.11 300	0.13 165	0.13 58	0.26 264	0.22 216	0.21 304	0.23 238	0.20 257	0.17 297	0.14 181	0.16 274	0.08 217	0.08 315	0.12 358	0.09 296	0.11 342	0.10 321

SuperB	0.20 344	0.10 283	0.56 430	0.16 91	0.09 160	0.18 285	0.18 278	0.24 232	0.50 410	0.26 355	0.39 383	0.17 218	0.21 337	0.22 344	0.21 339	0.08 217	0.06 222	0.06 45	0.06 112	0.12 356	0.10 321

ADCL	0.24 384	0.11 308	0.47 421	0.22 360	0.12 331	0.34 411	0.29 419	0.29 311	0.56 422	0.24 338	0.46 410	0.30 354	0.30 398	0.29 392	0.29 404	0.08 217	0.07 290	0.09 269	0.09 296	0.10 324	0.10 321

CFNet	0.15 266	0.10 283	0.17 292	0.17 149	0.08 62	0.18 285	0.09 5	0.28 301	0.25 261	0.19 272	0.24 249	0.24 303	0.17 297	0.17 263	0.14 231	0.08 217	0.06 222	0.09 269	0.10 329	0.07 180	0.06 129

StereoDRNet-Refined	0.17 309	0.12 323	0.15 231	0.20 319	0.09 160	0.18 285	0.18 278	0.26 264	0.23 225	0.26 355	0.40 388	0.22 281	0.17 297	0.21 333	0.20 321	0.08 217	0.05 120	0.09 269	0.10 329	0.07 180	0.07 196
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DISCO	0.19 333	0.09 229	0.22 344	0.17 149	0.10 256	0.25 372	0.18 278	0.27 284	0.44 393	0.22 318	0.31 338	0.33 376	0.26 370	0.28 385	0.28 401	0.08 217	0.06 222	0.07 124	0.07 194	0.09 294	0.09 300

DLCB_ROB	0.18 322	0.10 283	0.15 231	0.23 379	0.11 300	0.24 362	0.18 278	0.29 311	0.28 297	0.27 361	0.28 313	0.28 339	0.24 358	0.19 293	0.20 321	0.08 217	0.08 315	0.09 269	0.09 296	0.07 180	0.07 196

DDVS	0.15 266	0.10 283	0.21 338	0.16 91	0.12 331	0.15 219	0.14 94	0.25 247	0.19 168	0.18 258	0.29 325	0.27 331	0.12 175	0.19 293	0.15 258	0.09 270	0.06 222	0.09 269	0.07 194	0.11 342	0.11 344

DCVSM-stereo	0.14 225	0.09 229	0.16 265	0.16 91	0.10 256	0.15 219	0.09 5	0.19 146	0.23 225	0.20 291	0.23 238	0.26 324	0.15 251	0.18 280	0.14 231	0.09 270	0.07 290	0.09 269	0.08 255	0.10 324	0.12 356

rvit_stereo_0080	0.10 72	0.08 168	0.14 182	0.15 48	0.09 160	0.07 18	0.15 152	0.16 67	0.16 112	0.11 82	0.10 52	0.14 159	0.08 74	0.12 125	0.10 70	0.09 270	0.07 290	0.07 124	0.06 112	0.07 180	0.05 64

rvit_stereo_ft	0.12 170	0.07 88	0.13 152	0.19 273	0.10 256	0.12 133	0.17 236	0.16 67	0.16 112	0.12 117	0.13 97	0.15 185	0.10 122	0.14 181	0.13 195	0.09 270	0.06 222	0.08 196	0.07 194	0.07 180	0.05 64

whm_eth	0.10 72	0.08 168	0.14 182	0.15 48	0.09 160	0.07 18	0.15 152	0.16 67	0.16 112	0.11 82	0.10 52	0.14 159	0.08 74	0.12 125	0.10 70	0.09 270	0.07 290	0.07 124	0.06 112	0.07 180	0.05 64

GMStereo_Zeroshot	0.16 289	0.13 349	0.24 356	0.20 319	0.10 256	0.17 267	0.13 58	0.29 311	0.25 261	0.23 330	0.32 342	0.25 316	0.11 146	0.19 293	0.14 231	0.09 270	0.06 222	0.11 342	0.06 112	0.12 356	0.08 259

StereoVision	0.13 195	0.12 323	0.09 34	0.24 386	0.10 256	0.15 219	0.21 348	0.21 176	0.20 189	0.12 117	0.24 249	0.10 82	0.10 122	0.16 236	0.10 70	0.09 270	0.11 369	0.12 358	0.12 375	0.06 118	0.05 64

CFNet_ucs	0.15 266	0.08 168	0.16 265	0.16 91	0.11 300	0.14 195	0.14 94	0.30 325	0.34 341	0.16 214	0.24 249	0.23 297	0.14 234	0.18 280	0.15 258	0.09 270	0.06 222	0.08 196	0.07 194	0.09 294	0.09 300

coex-ft	3.30 471	0.34 436	59.09 491	0.18 221	0.13 351	0.26 380	0.22 357	0.27 284	0.72 443	1.90 472	0.70 440	0.44 417	0.45 434	0.29 392	0.41 437	0.09 270	0.09 339	0.12 358	0.09 296	0.14 384	0.13 374

fast-acv-ft	0.18 322	0.11 308	0.19 323	0.19 273	0.12 331	0.24 362	0.21 348	0.25 247	0.34 341	0.22 318	0.34 358	0.27 331	0.20 333	0.21 333	0.23 358	0.09 270	0.09 339	0.08 196	0.10 329	0.08 237	0.07 196

iinet-f	0.16 289	0.06 31	0.45 417	0.14 18	0.10 256	0.21 336	0.14 94	0.27 284	0.23 225	0.21 304	0.24 249	0.21 264	0.15 251	0.18 280	0.21 339	0.09 270	0.07 290	0.07 124	0.06 112	0.09 294	0.10 321

CASS	0.13 195	0.12 323	0.11 88	0.23 379	0.09 160	0.15 219	0.17 236	0.18 127	0.19 168	0.17 228	0.18 180	0.15 185	0.15 251	0.14 181	0.14 231	0.09 270	0.06 222	0.10 313	0.08 255	0.09 294	0.07 196
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
riskmin	0.11 109	0.06 31	0.13 152	0.14 18	0.08 62	0.14 195	0.14 94	0.18 127	0.14 78	0.11 82	0.14 111	0.16 198	0.11 146	0.14 181	0.12 158	0.09 270	0.05 120	0.07 124	0.05 50	0.08 237	0.08 259

Wz-Net-MNSev	0.22 362	0.13 349	0.31 389	0.20 319	0.14 368	0.36 420	0.24 376	0.33 361	0.44 393	0.28 373	0.40 388	0.38 397	0.19 322	0.24 364	0.25 377	0.09 270	0.07 290	0.09 269	0.09 296	0.12 356	0.10 321

CRFU-Net	0.16 289	0.08 168	0.14 182	0.17 149	0.09 160	0.19 307	0.14 94	0.26 264	0.20 189	0.28 373	0.27 301	0.29 346	0.17 297	0.19 293	0.17 288	0.09 270	0.09 339	0.07 124	0.07 194	0.08 237	0.08 259

CSP-Net	0.16 289	0.09 229	0.14 182	0.16 91	0.09 160	0.19 307	0.17 236	0.25 247	0.32 324	0.25 351	0.30 330	0.24 303	0.15 251	0.21 333	0.18 306	0.09 270	0.06 222	0.07 124	0.07 194	0.08 237	0.07 196

WZ-Net	0.28 405	0.17 385	0.78 451	0.22 360	0.16 392	0.34 411	0.29 419	0.39 405	0.57 424	0.24 338	0.55 423	0.37 393	0.24 358	0.33 403	0.35 423	0.09 270	0.08 315	0.09 269	0.10 329	0.14 384	0.16 409

AACVNet	0.16 289	0.08 168	0.14 182	0.15 48	0.10 256	0.18 285	0.15 152	0.23 211	0.24 240	0.27 361	0.27 301	0.28 339	0.17 297	0.19 293	0.16 274	0.09 270	0.07 290	0.09 269	0.07 194	0.10 324	0.09 300

ICVP	0.15 266	0.09 229	0.12 112	0.22 360	0.09 160	0.17 267	0.21 348	0.25 247	0.23 225	0.18 258	0.30 330	0.26 324	0.18 308	0.17 263	0.14 231	0.09 270	0.07 290	0.08 196	0.07 194	0.07 180	0.07 196
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sAnonymous2	0.13 195	0.12 323	0.24 356	0.20 319	0.12 331	0.17 267	0.13 58	0.26 264	0.21 202	0.11 82	0.11 75	0.13 140	0.08 74	0.10 26	0.10 70	0.09 270	0.05 120	0.08 196	0.06 112	0.15 398	0.10 321

CroCo_RVC	0.13 195	0.12 323	0.24 356	0.20 319	0.12 331	0.17 267	0.13 58	0.26 264	0.21 202	0.11 82	0.11 75	0.13 140	0.08 74	0.10 26	0.10 70	0.09 270	0.05 120	0.08 196	0.06 112	0.15 398	0.10 321

xxxx	0.15 266	0.07 88	0.14 182	0.14 18	0.08 62	0.23 357	0.18 278	0.31 333	0.19 168	0.14 162	0.28 313	0.22 281	0.14 234	0.15 202	0.26 387	0.09 270	0.05 120	0.07 124	0.07 194	0.08 237	0.07 196

test_xeample	0.15 266	0.06 31	0.13 152	0.14 18	0.08 62	0.21 336	0.20 331	0.28 301	0.20 189	0.16 214	0.29 325	0.19 245	0.16 277	0.15 202	0.26 387	0.09 270	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

psm_up	0.18 322	0.10 283	0.18 313	0.20 319	0.11 300	0.17 267	0.19 314	0.37 394	0.34 341	0.21 304	0.28 313	0.29 346	0.24 358	0.20 317	0.22 348	0.09 270	0.10 358	0.11 342	0.11 356	0.08 237	0.08 259

UPFNet	0.16 289	0.08 168	0.12 112	0.20 319	0.12 331	0.20 322	0.23 366	0.28 301	0.26 274	0.17 228	0.24 249	0.22 281	0.19 322	0.19 293	0.21 339	0.09 270	0.07 290	0.08 196	0.09 296	0.08 237	0.06 129

EDNetEfficient	0.29 409	0.24 416	1.13 460	0.18 221	0.10 256	0.19 307	0.20 331	0.20 157	0.60 431	0.74 449	0.56 428	0.31 364	0.39 420	0.22 344	0.30 409	0.09 270	0.07 290	0.08 196	0.07 194	0.11 342	0.09 300

ac_64	0.16 289	0.08 168	0.15 231	0.18 221	0.10 256	0.22 344	0.18 278	0.24 232	0.21 202	0.18 258	0.24 249	0.29 346	0.18 308	0.19 293	0.22 348	0.09 270	0.07 290	0.08 196	0.09 296	0.07 180	0.06 129

HGLStereo	0.17 309	0.08 168	0.19 323	0.17 149	0.12 331	0.18 285	0.18 278	0.31 333	0.32 324	0.21 304	0.32 342	0.25 316	0.18 308	0.19 293	0.20 321	0.09 270	0.09 339	0.07 124	0.07 194	0.09 294	0.10 321

FAT-Stereo	0.20 344	0.12 323	0.22 344	0.21 345	0.12 331	0.17 267	0.18 278	0.34 370	0.39 367	0.27 361	0.37 370	0.34 382	0.32 406	0.21 333	0.20 321	0.09 270	0.11 369	0.10 313	0.09 296	0.11 342	0.14 391

S-Stereo	0.20 344	0.12 323	0.25 361	0.21 345	0.13 351	0.20 322	0.18 278	0.32 344	0.43 388	0.23 330	0.36 364	0.28 339	0.30 398	0.19 293	0.22 348	0.09 270	0.12 382	0.10 313	0.10 329	0.13 372	0.13 374

ADCP+	0.20 344	0.10 283	0.33 395	0.20 319	0.12 331	0.22 344	0.26 397	0.31 333	0.34 341	0.26 355	0.37 370	0.22 281	0.22 346	0.27 374	0.27 394	0.09 270	0.06 222	0.08 196	0.08 255	0.09 294	0.10 321

PA-Net	0.23 377	0.18 395	0.33 395	0.28 416	0.22 423	0.21 336	0.38 441	0.29 311	0.39 367	0.22 318	0.32 342	0.25 316	0.26 370	0.20 317	0.25 377	0.09 270	0.23 435	0.15 396	0.22 423	0.09 294	0.13 374
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NLCA_NET_v2_RVC	0.17 309	0.10 283	0.22 344	0.20 319	0.10 256	0.15 219	0.18 278	0.31 333	0.25 261	0.21 304	0.30 330	0.25 316	0.17 297	0.21 333	0.20 321	0.09 270	0.06 222	0.08 196	0.08 255	0.07 180	0.08 259
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NVstereo2D	0.19 333	0.10 283	0.15 231	0.17 149	0.15 382	0.28 393	0.23 366	0.44 425	0.42 383	0.15 189	0.27 301	0.25 316	0.19 322	0.22 344	0.17 288	0.09 270	0.06 222	0.10 313	0.08 255	0.15 398	0.09 300

StereoDRNet	0.18 322	0.11 308	0.17 292	0.22 360	0.11 300	0.21 336	0.22 357	0.37 394	0.33 330	0.24 338	0.28 313	0.30 354	0.19 322	0.20 317	0.20 321	0.09 270	0.08 315	0.11 342	0.09 296	0.09 294	0.07 196

FBW_ROB	0.24 384	0.17 385	0.22 344	0.26 401	0.14 368	0.25 372	0.22 357	0.41 415	0.41 376	0.41 418	0.41 398	0.42 411	0.27 378	0.31 396	0.23 358	0.09 270	0.14 402	0.14 385	0.12 375	0.11 342	0.09 300

rvit_stereo_0083	0.12 170	0.08 168	0.17 292	0.16 91	0.09 160	0.11 106	0.15 152	0.14 30	0.26 274	0.11 82	0.14 111	0.13 140	0.10 122	0.12 125	0.12 158	0.10 306	0.08 315	0.09 269	0.07 194	0.07 180	0.05 64

rvit_stereo_0081_aga	0.11 109	0.09 229	0.14 182	0.18 221	0.09 160	0.13 165	0.14 94	0.14 30	0.19 168	0.10 58	0.18 180	0.16 198	0.09 97	0.12 125	0.09 27	0.10 306	0.06 222	0.08 196	0.07 194	0.07 180	0.06 129

rvit_stereo_0081	0.11 109	0.08 168	0.15 231	0.16 91	0.09 160	0.10 73	0.14 94	0.14 30	0.24 240	0.11 82	0.13 97	0.13 140	0.09 97	0.11 58	0.12 158	0.10 306	0.07 290	0.08 196	0.07 194	0.07 180	0.05 64

ITSA-stereo	0.15 266	0.10 283	0.14 182	0.19 273	0.08 62	0.12 133	0.14 94	0.30 325	0.49 407	0.17 228	0.19 188	0.22 281	0.15 251	0.17 263	0.16 274	0.10 306	0.06 222	0.08 196	0.08 255	0.08 237	0.08 259

rvit_stereo_0082	0.11 109	0.08 168	0.15 231	0.16 91	0.09 160	0.10 73	0.14 94	0.14 30	0.24 240	0.11 82	0.13 97	0.13 140	0.09 97	0.11 58	0.12 158	0.10 306	0.07 290	0.08 196	0.07 194	0.07 180	0.05 64

Wz-Net-SNSev	0.25 393	0.17 385	0.44 416	0.25 396	0.14 368	0.26 380	0.23 366	0.38 401	0.56 422	0.30 383	0.55 423	0.39 405	0.26 370	0.23 355	0.30 409	0.10 306	0.09 339	0.09 269	0.10 329	0.11 342	0.11 344

Wz-Net-LNSev	0.22 362	0.16 374	0.38 408	0.21 345	0.13 351	0.25 372	0.23 366	0.32 344	0.43 388	0.30 383	0.41 398	0.31 364	0.18 308	0.22 344	0.25 377	0.10 306	0.09 339	0.08 196	0.08 255	0.12 356	0.11 344

UDGNet	0.14 225	0.13 349	0.16 265	0.17 149	0.10 256	0.12 133	0.16 211	0.21 176	0.27 283	0.20 291	0.20 200	0.16 198	0.13 210	0.16 236	0.13 195	0.10 306	0.06 222	0.09 269	0.07 194	0.06 118	0.07 196

dd	0.15 266	0.16 374	0.16 265	0.19 273	0.09 160	0.15 219	0.18 278	0.21 176	0.25 261	0.23 330	0.20 200	0.21 264	0.09 97	0.21 333	0.16 274	0.10 306	0.06 222	0.08 196	0.06 112	0.08 237	0.06 129

AASNet	0.16 289	0.08 168	0.12 112	0.19 273	0.09 160	0.18 285	0.15 152	0.37 394	0.37 359	0.19 272	0.23 238	0.20 257	0.16 277	0.17 263	0.20 321	0.10 306	0.08 315	0.08 196	0.07 194	0.09 294	0.09 300

GEStereo_RVC	0.17 309	0.12 323	0.15 231	0.22 360	0.11 300	0.19 307	0.17 236	0.32 344	0.48 402	0.20 291	0.25 278	0.17 218	0.13 210	0.21 333	0.16 274	0.10 306	0.06 222	0.08 196	0.07 194	0.09 294	0.08 259

ADLNet	0.16 289	0.08 168	0.15 231	0.16 91	0.10 256	0.16 246	0.17 236	0.32 344	0.27 283	0.22 318	0.27 301	0.24 303	0.16 277	0.18 280	0.21 339	0.10 306	0.06 222	0.10 313	0.10 329	0.08 237	0.09 300

222	0.16 289	0.07 88	0.14 182	0.14 18	0.08 62	0.24 362	0.18 278	0.30 325	0.20 189	0.17 228	0.28 313	0.17 218	0.16 277	0.15 202	0.40 434	0.10 306	0.05 120	0.07 124	0.06 112	0.07 180	0.08 259

cf-r	0.13 195	0.07 88	0.12 112	0.16 91	0.08 62	0.14 195	0.19 314	0.20 157	0.25 261	0.17 228	0.25 278	0.21 264	0.16 277	0.14 181	0.14 231	0.10 306	0.05 120	0.06 45	0.08 255	0.06 118	0.06 129

GANet-RSSM	0.14 225	0.07 88	0.13 152	0.13 10	0.08 62	0.14 195	0.17 236	0.22 194	0.21 202	0.17 228	0.24 249	0.23 297	0.15 251	0.16 236	0.15 258	0.10 306	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

GwcNet-RSSM	0.14 225	0.07 88	0.12 112	0.15 48	0.08 62	0.15 219	0.20 331	0.21 176	0.27 283	0.18 258	0.27 301	0.22 281	0.16 277	0.14 181	0.15 258	0.10 306	0.05 120	0.07 124	0.09 296	0.07 180	0.07 196

DSFCA	0.16 289	0.09 229	0.14 182	0.16 91	0.10 256	0.20 322	0.19 314	0.28 301	0.31 318	0.23 330	0.24 249	0.22 281	0.15 251	0.19 293	0.20 321	0.10 306	0.07 290	0.09 269	0.09 296	0.08 237	0.08 259

DMCA	0.14 225	0.09 229	0.16 265	0.19 273	0.09 160	0.15 219	0.17 236	0.23 211	0.27 283	0.14 162	0.19 188	0.17 218	0.18 308	0.15 202	0.17 288	0.10 306	0.06 222	0.08 196	0.06 112	0.09 294	0.10 321

stereogan	0.22 362	0.11 308	0.21 338	0.20 319	0.12 331	0.31 401	0.19 314	0.35 383	0.44 393	0.22 318	0.39 383	0.35 386	0.27 378	0.33 403	0.22 348	0.10 306	0.12 382	0.10 313	0.10 329	0.14 384	0.13 374

RTSC	0.23 377	0.12 323	0.28 376	0.21 345	0.13 351	0.28 393	0.16 211	0.35 383	0.66 438	0.27 361	0.33 354	0.30 354	0.21 337	0.31 396	0.29 404	0.10 306	0.08 315	0.09 269	0.10 329	0.13 372	0.13 374

RTS	0.45 436	0.19 398	3.26 469	0.24 386	0.15 382	0.74 451	0.20 331	0.36 389	0.76 448	0.42 421	0.43 406	0.31 364	0.41 428	0.53 442	0.35 423	0.10 306	0.08 315	0.13 373	0.12 375	0.15 398	0.15 398

RTSA	0.45 436	0.19 398	3.26 469	0.24 386	0.15 382	0.74 451	0.20 331	0.36 389	0.76 448	0.42 421	0.43 406	0.31 364	0.41 428	0.53 442	0.35 423	0.10 306	0.08 315	0.13 373	0.12 375	0.15 398	0.15 398

ADCMid	0.25 393	0.15 367	0.40 412	0.20 319	0.14 368	0.25 372	0.26 397	0.34 370	0.38 364	0.36 403	0.44 408	0.34 382	0.40 423	0.35 412	0.33 420	0.10 306	0.09 339	0.11 342	0.11 356	0.13 372	0.12 356

RYNet	0.22 362	0.12 323	0.22 344	0.19 273	0.17 407	0.46 428	0.26 397	0.38 401	0.48 402	0.24 338	0.28 313	0.34 382	0.23 352	0.20 317	0.30 409	0.10 306	0.06 222	0.09 269	0.09 296	0.13 372	0.15 398

GANet	0.21 353	0.12 323	0.21 338	0.24 386	0.13 351	0.22 344	0.22 357	0.41 415	0.26 274	0.31 389	0.42 403	0.37 393	0.28 386	0.23 355	0.22 348	0.10 306	0.12 382	0.10 313	0.09 296	0.10 324	0.08 259

PWC_ROB	0.21 353	0.16 374	0.26 364	0.18 221	0.11 300	0.22 344	0.13 58	0.32 344	0.49 407	0.30 383	0.40 388	0.32 373	0.24 358	0.31 396	0.22 348	0.10 306	0.07 290	0.11 342	0.08 255	0.11 342	0.10 321

CAS++	0.11 109	0.07 88	0.11 88	0.14 18	0.09 160	0.12 133	0.14 94	0.24 232	0.14 78	0.11 82	0.09 35	0.11 101	0.07 49	0.14 181	0.09 27	0.11 332	0.09 339	0.09 269	0.07 194	0.07 180	0.08 259
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
ttt	0.14 225	0.08 168	0.14 182	0.15 48	0.08 62	0.15 219	0.18 278	0.27 284	0.29 303	0.16 214	0.24 249	0.17 218	0.13 210	0.13 163	0.14 231	0.11 332	0.08 315	0.09 269	0.08 255	0.09 294	0.08 259

ssnet_v2	0.17 309	0.10 283	0.17 292	0.17 149	0.11 300	0.21 336	0.21 348	0.33 361	0.25 261	0.22 318	0.22 229	0.27 331	0.18 308	0.22 344	0.20 321	0.11 332	0.09 339	0.09 269	0.09 296	0.08 237	0.08 259

SACVNet	0.18 322	0.12 323	0.14 182	0.17 149	0.13 351	0.22 344	0.18 278	0.31 333	0.30 312	0.23 330	0.31 338	0.30 354	0.22 346	0.22 344	0.17 288	0.11 332	0.08 315	0.10 313	0.10 329	0.12 356	0.14 391

HCRNet	0.16 289	0.24 416	0.12 112	0.35 433	0.11 300	0.15 219	0.17 236	0.26 264	0.22 216	0.19 272	0.24 249	0.21 264	0.14 234	0.15 202	0.13 195	0.11 332	0.07 290	0.11 342	0.10 329	0.09 294	0.07 196

APVNet	0.22 362	0.12 323	0.19 323	0.18 221	0.14 368	0.32 402	0.31 432	0.39 405	0.32 324	0.27 361	0.40 388	0.30 354	0.29 394	0.26 371	0.25 377	0.11 332	0.12 382	0.11 342	0.14 387	0.12 356	0.12 356

psmorigin	0.25 393	0.15 367	0.34 403	0.17 149	0.13 351	0.23 357	0.14 94	0.34 370	0.33 330	0.41 418	0.55 423	0.41 410	0.37 417	0.34 406	0.27 394	0.11 332	0.15 408	0.11 342	0.11 356	0.12 356	0.16 409

GwcNet	0.20 344	0.13 349	0.19 323	0.18 221	0.12 331	0.24 362	0.19 314	0.35 383	0.43 388	0.20 291	0.32 342	0.33 376	0.20 333	0.22 344	0.24 368	0.11 332	0.09 339	0.09 269	0.09 296	0.09 294	0.10 321

PSMNet-RSSM	0.14 225	0.07 88	0.13 152	0.15 48	0.08 62	0.13 165	0.16 211	0.24 232	0.24 240	0.16 214	0.28 313	0.22 281	0.14 234	0.15 202	0.13 195	0.11 332	0.06 222	0.09 269	0.12 375	0.08 237	0.07 196

CFNet-ft	0.14 225	0.07 88	0.15 231	0.12 3	0.09 160	0.16 246	0.18 278	0.22 194	0.24 240	0.17 228	0.26 294	0.24 303	0.14 234	0.16 236	0.14 231	0.11 332	0.06 222	0.08 196	0.09 296	0.09 294	0.08 259

AF-Net	0.22 362	0.17 385	0.17 292	0.26 401	0.13 351	0.25 372	0.24 376	0.32 344	0.50 410	0.25 351	0.33 354	0.38 397	0.26 370	0.28 385	0.25 377	0.11 332	0.10 358	0.16 402	0.11 356	0.11 342	0.10 321

RP	0.21 353	0.13 349	0.21 338	0.23 379	0.11 300	0.21 336	0.20 331	0.25 247	0.44 393	0.21 304	0.38 375	0.36 388	0.24 358	0.27 374	0.25 377	0.11 332	0.12 382	0.13 373	0.12 375	0.12 356	0.14 391

RGC	0.25 393	0.20 402	0.29 384	0.28 416	0.16 392	0.22 344	0.23 366	0.32 344	0.44 393	0.27 361	0.40 388	0.38 397	0.27 378	0.36 417	0.22 348	0.11 332	0.13 395	0.17 405	0.17 412	0.14 384	0.16 409

G-Net	0.24 384	0.16 374	0.36 404	0.22 360	0.16 392	0.51 434	0.23 366	0.29 311	0.34 341	0.36 403	0.38 375	0.31 364	0.29 394	0.27 374	0.26 387	0.11 332	0.09 339	0.12 358	0.09 296	0.16 405	0.13 374

Nwc_Net	0.23 377	0.16 374	0.21 338	0.25 396	0.14 368	0.24 362	0.26 397	0.37 394	0.38 364	0.22 318	0.41 398	0.30 354	0.28 386	0.28 385	0.25 377	0.11 332	0.10 358	0.17 405	0.20 418	0.10 324	0.10 321

DANet	0.21 353	0.15 367	0.28 376	0.25 396	0.13 351	0.22 344	0.19 314	0.27 284	0.27 283	0.28 373	0.32 342	0.35 386	0.31 402	0.31 396	0.23 358	0.11 332	0.09 339	0.11 342	0.10 329	0.13 372	0.11 344
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
TDLM	0.17 309	0.12 323	0.13 152	0.24 386	0.10 256	0.18 285	0.18 278	0.36 389	0.30 312	0.21 304	0.28 313	0.28 339	0.18 308	0.23 355	0.18 306	0.11 332	0.07 290	0.10 313	0.10 329	0.08 237	0.08 259

CFNet_RVC	0.14 225	0.07 88	0.15 231	0.12 3	0.09 160	0.16 246	0.18 278	0.22 194	0.24 240	0.17 228	0.26 294	0.24 303	0.14 234	0.16 236	0.14 231	0.11 332	0.06 222	0.08 196	0.09 296	0.09 294	0.08 259

DPSNet	0.28 405	0.16 374	0.31 389	0.18 221	0.13 351	0.54 436	0.42 445	0.51 437	0.67 439	0.29 380	0.38 375	0.38 397	0.29 394	0.31 396	0.23 358	0.11 332	0.10 358	0.11 342	0.08 255	0.20 420	0.16 409

DRN-Test	0.19 333	0.11 308	0.20 331	0.22 360	0.10 256	0.22 344	0.22 357	0.39 405	0.37 359	0.24 338	0.32 342	0.26 324	0.21 337	0.22 344	0.24 368	0.11 332	0.07 290	0.11 342	0.10 329	0.09 294	0.07 196

NaN_ROB	0.22 362	0.19 398	0.24 356	0.25 396	0.13 351	0.29 396	0.26 397	0.33 361	0.41 376	0.31 389	0.31 338	0.32 373	0.23 352	0.30 395	0.21 339	0.11 332	0.17 416	0.10 313	0.10 329	0.08 237	0.09 300

MDST_ROB	0.22 362	0.10 283	0.17 292	0.18 221	0.11 300	0.37 421	0.19 314	0.43 423	0.41 376	0.39 411	0.39 383	0.29 346	0.21 337	0.26 371	0.18 306	0.11 332	0.10 358	0.14 385	0.11 356	0.10 324	0.08 259

ETE_ROB	0.23 377	0.17 385	0.22 344	0.25 396	0.13 351	0.26 380	0.29 419	0.31 333	0.36 353	0.28 373	0.36 364	0.45 419	0.26 370	0.27 374	0.26 387	0.11 332	0.08 315	0.12 358	0.09 296	0.14 384	0.13 374

PWCDC_ROB	0.20 344	0.13 349	0.22 344	0.24 386	0.11 300	0.19 307	0.15 152	0.33 361	0.54 419	0.29 380	0.50 418	0.21 264	0.15 251	0.27 374	0.20 321	0.11 332	0.09 339	0.10 313	0.08 255	0.11 342	0.09 300

WCMA_ROB	0.24 384	0.11 308	0.22 344	0.17 149	0.14 368	0.32 402	0.15 152	0.32 344	0.32 324	0.38 409	0.53 420	0.40 408	0.34 411	0.34 406	0.25 377	0.11 332	0.12 382	0.12 358	0.10 329	0.14 384	0.14 391

rvit_105_1	0.19 333	0.11 308	0.25 361	0.21 345	0.16 392	0.21 336	0.27 404	0.31 333	0.41 376	0.19 272	0.20 200	0.22 281	0.17 297	0.19 293	0.17 288	0.12 357	0.12 382	0.13 373	0.15 402	0.08 237	0.07 196

IGEV-BASED-STEREO-	0.09 23	0.10 283	0.31 389	0.15 48	0.06 3	0.08 27	0.14 94	0.10 1	0.10 12	0.07 4	0.07 16	0.06 4	0.04 1	0.11 58	0.07 1	0.12 357	0.04 2	0.07 124	0.05 50	0.05 49	0.05 64

test_sample7	0.15 266	0.10 283	0.16 265	0.14 18	0.11 300	0.16 246	0.16 211	0.27 284	0.23 225	0.20 291	0.20 200	0.24 303	0.19 322	0.16 236	0.16 274	0.12 357	0.06 222	0.10 313	0.09 296	0.10 324	0.10 321

GASNet	0.22 362	0.23 413	0.33 395	0.26 401	0.17 407	0.26 380	0.16 211	0.44 425	0.42 383	0.27 361	0.24 249	0.30 354	0.15 251	0.27 374	0.18 306	0.12 357	0.08 315	0.12 358	0.11 356	0.16 405	0.07 196

Wz-Net-TNSev	0.29 409	0.20 402	0.65 437	0.19 273	0.15 382	0.38 424	0.27 404	0.35 383	0.55 420	0.34 400	0.42 403	0.45 419	0.38 418	0.32 401	0.30 409	0.12 357	0.13 395	0.10 313	0.12 375	0.15 398	0.14 391

DGSMNet	0.24 384	0.19 398	0.33 395	0.21 345	0.24 427	0.24 362	0.20 331	0.35 383	0.41 376	0.24 338	0.32 342	0.38 397	0.21 337	0.29 392	0.23 358	0.12 357	0.11 369	0.14 385	0.16 405	0.23 424	0.23 429

hitnet-ft	0.18 322	0.09 229	0.17 292	0.14 18	0.09 160	0.26 380	0.20 331	0.25 247	0.26 274	0.24 338	0.32 342	0.31 364	0.22 346	0.24 364	0.21 339	0.12 357	0.07 290	0.10 313	0.08 255	0.12 356	0.11 344

DMCA-RVC	0.17 309	0.10 283	0.15 231	0.24 386	0.11 300	0.18 285	0.18 278	0.25 247	0.24 240	0.21 304	0.26 294	0.25 316	0.27 378	0.18 280	0.20 321	0.12 357	0.08 315	0.13 373	0.10 329	0.10 324	0.08 259

FADNet-RVC	0.20 344	0.20 402	0.38 408	0.21 345	0.16 392	0.20 322	0.15 152	0.26 264	0.26 274	0.26 355	0.32 342	0.26 324	0.21 337	0.22 344	0.19 315	0.12 357	0.13 395	0.12 358	0.14 387	0.13 372	0.18 418

STTStereo	0.18 322	0.12 323	0.27 371	0.20 319	0.11 300	0.16 246	0.21 348	0.29 311	0.23 225	0.21 304	0.30 330	0.29 346	0.18 308	0.20 317	0.19 315	0.12 357	0.11 369	0.11 342	0.14 387	0.09 294	0.08 259

NCC-stereo	0.24 384	0.15 367	0.31 389	0.26 401	0.16 392	0.20 322	0.30 426	0.40 409	0.40 373	0.24 338	0.38 375	0.33 376	0.28 386	0.36 417	0.27 394	0.12 357	0.11 369	0.15 396	0.22 423	0.13 372	0.13 374

Abc-Net	0.24 384	0.15 367	0.31 389	0.26 401	0.16 392	0.20 322	0.30 426	0.40 409	0.40 373	0.24 338	0.38 375	0.33 376	0.28 386	0.36 417	0.27 394	0.12 357	0.11 369	0.15 396	0.22 423	0.13 372	0.13 374
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 400	0.15 367	0.30 387	0.24 386	0.18 413	0.22 344	0.15 152	0.38 401	0.71 442	0.32 395	0.41 398	0.36 388	0.28 386	0.32 401	0.29 404	0.12 357	0.11 369	0.14 385	0.13 384	0.16 405	0.20 424

AnyNet_C32	0.26 400	0.16 374	0.36 404	0.20 319	0.16 392	0.25 372	0.30 426	0.32 344	0.44 393	0.31 389	0.49 414	0.30 354	0.33 407	0.40 430	0.33 420	0.12 357	0.12 382	0.12 358	0.14 387	0.14 384	0.15 398

ADCPNet	0.25 393	0.16 374	0.61 434	0.21 345	0.15 382	0.35 419	0.25 390	0.32 344	0.35 348	0.30 383	0.40 388	0.36 388	0.28 386	0.28 385	0.32 417	0.12 357	0.10 358	0.11 342	0.12 375	0.14 384	0.13 374

CVANet_RVC	0.18 322	0.10 283	0.14 182	0.21 345	0.10 256	0.18 285	0.17 236	0.34 370	0.33 330	0.22 318	0.31 338	0.28 339	0.18 308	0.23 355	0.17 288	0.12 357	0.08 315	0.12 358	0.11 356	0.09 294	0.07 196

UCFNet_RVC	0.14 225	0.08 168	0.13 152	0.11 1	0.10 256	0.20 322	0.10 10	0.24 232	0.22 216	0.17 228	0.20 200	0.23 297	0.15 251	0.17 263	0.15 258	0.12 357	0.07 290	0.10 313	0.13 384	0.11 342	0.10 321

AdaStereo	0.15 266	0.11 308	0.15 231	0.18 221	0.09 160	0.20 322	0.11 18	0.32 344	0.28 297	0.20 291	0.23 238	0.20 257	0.13 210	0.19 293	0.14 231	0.12 357	0.05 120	0.10 313	0.07 194	0.09 294	0.07 196
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.
LSM	0.33 420	0.20 402	0.58 432	0.26 401	0.60 458	0.34 411	0.25 390	0.42 420	0.48 402	0.45 426	0.58 432	0.42 411	0.36 415	0.35 412	0.25 377	0.12 357	0.20 424	0.14 385	0.16 405	0.19 419	0.33 444

SANet	0.24 384	0.14 361	0.28 376	0.21 345	0.11 300	0.27 387	0.24 376	0.38 401	0.64 435	0.36 403	0.40 388	0.43 415	0.26 370	0.27 374	0.24 368	0.12 357	0.09 339	0.10 313	0.09 296	0.13 372	0.11 344

PDISCO_ROB	0.27 402	0.16 374	0.26 364	0.28 416	0.20 418	0.32 402	0.26 397	0.44 425	0.57 424	0.28 373	0.40 388	0.45 419	0.29 394	0.33 403	0.34 422	0.12 357	0.09 339	0.17 405	0.16 405	0.17 412	0.13 374

DispFullNet	0.27 402	0.21 408	0.65 437	0.28 416	0.16 392	0.26 380	0.17 236	0.33 361	0.58 427	0.27 361	0.38 375	0.43 415	0.23 352	0.38 423	0.23 358	0.12 357	0.06 222	0.19 416	0.11 356	0.21 421	0.15 398

PSMNet_ROB	0.21 353	0.11 308	0.15 231	0.27 413	0.15 382	0.24 362	0.35 436	0.43 423	0.37 359	0.27 361	0.32 342	0.32 373	0.22 346	0.21 333	0.26 387	0.12 357	0.08 315	0.13 373	0.11 356	0.09 294	0.09 300

rvit_0105_3	0.15 266	0.09 229	0.14 182	0.19 273	0.12 331	0.15 219	0.25 390	0.25 247	0.29 303	0.15 189	0.17 157	0.20 257	0.13 210	0.17 263	0.14 231	0.13 380	0.11 369	0.12 358	0.14 387	0.07 180	0.06 129

DLNR_Zeroshot_test	10.40 481	1.82 475	19.49 487	120.77 493	13.11 486	0.06 4	0.13 58	0.23 211	0.10 12	0.07 4	0.10 52	0.09 59	0.06 12	0.10 26	0.09 27	0.13 380	0.04 2	0.06 45	0.04 12	51.54 492	0.04 9

pcwnet_v2	0.19 333	0.10 283	0.26 364	0.17 149	0.14 368	0.18 285	0.15 152	0.37 394	0.46 400	0.19 272	0.24 249	0.21 264	0.19 322	0.20 317	0.19 315	0.13 380	0.10 358	0.10 313	0.10 329	0.11 342	0.13 374

FADNet	0.21 353	0.22 412	0.36 404	0.18 221	0.17 407	0.24 362	0.13 58	0.31 333	0.31 318	0.23 330	0.25 278	0.27 331	0.21 337	0.19 293	0.15 258	0.13 380	0.15 408	0.12 358	0.15 402	0.16 405	0.18 418

edge stereo	0.22 362	0.13 349	0.20 331	0.21 345	0.13 351	0.23 357	0.16 211	0.32 344	0.42 383	0.32 395	0.40 388	0.38 397	0.35 413	0.25 369	0.24 368	0.13 380	0.11 369	0.14 385	0.11 356	0.12 356	0.13 374

XQC	0.28 405	0.23 413	0.51 423	0.28 416	0.19 415	0.34 411	0.27 404	0.36 389	0.57 424	0.31 389	0.30 330	0.37 393	0.30 398	0.38 423	0.38 430	0.13 380	0.09 339	0.15 396	0.12 375	0.17 412	0.18 418

ADCS	0.29 409	0.18 395	0.45 417	0.21 345	0.17 407	0.28 393	0.23 366	0.41 415	0.63 434	0.40 414	0.49 414	0.40 408	0.36 415	0.39 426	0.40 434	0.13 380	0.12 382	0.13 373	0.14 387	0.16 405	0.16 409

AnyNet_C01	0.36 424	0.25 421	1.37 463	0.22 360	0.17 407	0.48 432	0.27 404	0.35 383	0.39 367	0.39 411	0.74 444	0.46 423	0.38 418	0.45 434	0.47 443	0.13 380	0.13 395	0.13 373	0.14 387	0.14 384	0.15 398

DeepPruner_ROB	0.16 289	0.11 308	0.15 231	0.17 149	0.10 256	0.17 267	0.15 152	0.32 344	0.21 202	0.19 272	0.21 220	0.22 281	0.18 308	0.20 317	0.15 258	0.13 380	0.09 339	0.09 269	0.09 296	0.11 342	0.10 321

SGM_RVC	0.23 377	0.12 323	0.15 231	0.15 48	0.09 160	0.33 408	0.18 278	0.34 370	0.31 318	0.44 425	0.37 370	0.53 433	0.35 413	0.35 412	0.24 368	0.13 380	0.13 395	0.13 373	0.13 384	0.10 324	0.11 344
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
CBMV	0.19 333	0.14 361	0.17 292	0.18 221	0.10 256	0.20 322	0.11 18	0.29 311	0.30 312	0.29 380	0.30 330	0.30 354	0.23 352	0.27 374	0.19 315	0.13 380	0.15 408	0.17 405	0.16 405	0.10 324	0.10 321
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
rvit_0105_5	0.14 225	0.09 229	0.13 152	0.17 149	0.09 160	0.14 195	0.23 366	0.24 232	0.27 283	0.14 162	0.15 127	0.18 231	0.12 175	0.17 263	0.14 231	0.14 391	0.11 369	0.10 313	0.10 329	0.08 237	0.06 129

HBP-ISP	0.18 322	0.13 349	0.16 265	0.15 48	0.11 300	0.08 27	0.13 58	0.28 301	0.29 303	0.22 318	0.33 354	0.21 264	0.25 366	0.23 355	0.17 288	0.14 391	0.16 411	0.21 419	0.17 412	0.10 324	0.08 259

SGM-ForestM	0.32 417	0.12 323	0.16 265	0.16 91	0.11 300	0.39 425	0.19 314	0.41 415	0.50 410	0.52 432	0.54 422	1.32 463	0.42 431	0.40 430	0.27 394	0.14 391	0.16 411	0.16 402	0.16 405	0.12 356	0.12 356

MeshStereo	0.27 402	0.13 349	0.18 313	0.15 48	0.11 300	0.32 402	0.24 376	0.40 409	0.36 353	0.52 432	0.57 430	0.67 444	0.40 423	0.35 412	0.26 387	0.14 391	0.13 395	0.13 373	0.11 356	0.11 342	0.10 321
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
rvit_0105_6	0.14 225	0.09 229	0.18 313	0.17 149	0.10 256	0.10 73	0.16 211	0.19 146	0.26 274	0.12 117	0.18 180	0.17 218	0.12 175	0.18 280	0.12 158	0.15 395	0.11 369	0.12 358	0.10 329	0.09 294	0.06 129

rvit_0105_4	0.14 225	0.09 229	0.17 292	0.17 149	0.10 256	0.12 133	0.19 314	0.23 211	0.27 283	0.14 162	0.20 200	0.17 218	0.13 210	0.17 263	0.13 195	0.15 395	0.11 369	0.11 342	0.10 329	0.09 294	0.06 129

DualNet (step1)	0.16 289	0.12 323	0.20 331	0.12 3	0.14 368	0.17 267	0.13 58	0.27 284	0.23 225	0.20 291	0.20 200	0.24 303	0.19 322	0.16 236	0.16 274	0.15 395	0.06 222	0.14 385	0.14 387	0.14 384	0.12 356

test_sample9	0.18 322	0.12 323	0.20 331	0.12 3	0.14 368	0.17 267	0.13 58	0.27 284	0.23 225	0.20 291	0.20 200	0.24 303	0.19 322	0.19 293	0.17 288	0.15 395	0.30 441	0.14 385	0.14 387	0.14 384	0.12 356

test_sample8	0.19 333	0.12 323	0.20 331	0.12 3	0.14 368	0.17 267	0.13 58	0.31 333	0.21 202	0.27 361	0.22 229	0.36 388	0.25 366	0.19 293	0.17 288	0.15 395	0.30 441	0.14 385	0.14 387	0.14 384	0.12 356

SQANet	0.23 377	0.23 413	0.30 387	0.30 425	0.19 415	0.27 387	0.13 58	0.29 311	0.33 330	0.24 338	0.37 370	0.31 364	0.22 346	0.27 374	0.23 358	0.15 395	0.10 358	0.21 419	0.16 405	0.21 421	0.15 398

UDG	0.21 353	0.17 385	0.19 323	0.23 379	0.15 382	0.30 399	0.20 331	0.33 361	0.35 348	0.23 330	0.28 313	0.31 364	0.27 378	0.20 317	0.22 348	0.15 395	0.12 382	0.13 373	0.09 296	0.14 384	0.14 391

MFN_U_SF_RVC	0.32 417	0.21 408	0.55 428	0.30 425	0.15 382	0.34 411	0.17 236	0.52 438	0.46 400	0.46 429	0.55 423	0.59 436	0.39 420	0.35 412	0.37 428	0.15 395	0.14 402	0.18 414	0.21 420	0.16 405	0.15 398

PMTNet	0.09 23	0.05 9	0.09 34	0.12 3	0.06 3	0.12 133	0.14 94	0.15 47	0.11 28	0.09 30	0.13 97	0.10 82	0.07 49	0.13 163	0.10 70	0.15 395	0.04 2	0.05 2	0.03 1	0.07 180	0.06 129

SAMSARA	0.40 429	0.28 428	0.33 395	0.55 448	0.39 442	0.82 458	1.23 472	0.47 431	0.51 417	0.36 403	0.35 361	0.55 435	0.39 420	0.38 423	0.39 432	0.15 395	0.20 424	0.15 396	0.14 387	0.23 424	0.20 424

DeepPrunerF	0.24 384	0.17 385	0.42 415	0.26 401	0.16 392	0.22 344	0.28 410	0.37 394	0.50 410	0.26 355	0.29 325	0.24 303	0.28 386	0.21 333	0.22 348	0.15 395	0.11 369	0.20 418	0.18 416	0.12 356	0.13 374

PS-NSSS	0.20 344	0.21 408	0.23 353	0.20 319	0.10 256	0.19 307	0.17 236	0.36 389	0.25 261	0.27 361	0.33 354	0.27 331	0.24 358	0.20 317	0.20 321	0.15 395	0.12 382	0.17 405	0.14 387	0.10 324	0.08 259

NCCL2	0.23 377	0.15 367	0.17 292	0.34 431	0.18 413	0.24 362	0.23 366	0.34 370	0.28 297	0.31 389	0.38 375	0.38 397	0.28 386	0.23 355	0.24 368	0.15 395	0.12 382	0.18 414	0.21 420	0.13 372	0.13 374

CBMV_ROB	0.19 333	0.13 349	0.17 292	0.16 91	0.11 300	0.15 219	0.13 58	0.26 264	0.28 297	0.27 361	0.30 330	0.27 331	0.24 358	0.23 355	0.16 274	0.15 395	0.17 416	0.22 423	0.20 418	0.10 324	0.11 344

XPNet_ROB	0.22 362	0.11 308	0.19 323	0.22 360	0.13 351	0.22 344	0.19 314	0.34 370	0.40 373	0.30 383	0.39 383	0.39 405	0.26 370	0.26 371	0.28 401	0.15 395	0.10 358	0.10 313	0.10 329	0.13 372	0.12 356

SGM-Forest	0.20 344	0.14 361	0.18 313	0.19 273	0.13 351	0.20 322	0.22 357	0.33 361	0.30 312	0.24 338	0.29 325	0.28 339	0.19 322	0.23 355	0.17 288	0.15 395	0.16 411	0.15 396	0.14 387	0.12 356	0.12 356
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
rvit_stereo_0075_2	0.17 309	0.12 323	0.25 361	0.23 379	0.16 392	0.13 165	0.10 10	0.30 325	0.27 283	0.20 291	0.28 313	0.22 281	0.15 251	0.18 280	0.13 195	0.16 411	0.10 358	0.17 405	0.10 329	0.10 324	0.09 300

SDNR	0.19 333	0.08 168	0.19 323	0.16 91	0.12 331	0.77 457	0.14 94	0.25 247	0.32 324	0.19 272	0.24 249	0.19 245	0.13 210	0.19 293	0.15 258	0.16 411	0.18 418	0.14 385	0.11 356	0.08 237	0.11 344

Syn2CoEx	0.21 353	0.16 374	0.27 371	0.29 423	0.14 368	0.26 380	0.20 331	0.33 361	0.31 318	0.28 373	0.36 364	0.27 331	0.25 366	0.19 293	0.24 368	0.16 411	0.12 382	0.14 385	0.11 356	0.09 294	0.08 259

NOSS_ROB	0.19 333	0.12 323	0.18 313	0.16 91	0.12 331	0.15 219	0.12 30	0.30 325	0.32 324	0.20 291	0.22 229	0.27 331	0.23 352	0.21 333	0.16 274	0.16 411	0.18 418	0.23 424	0.21 420	0.12 356	0.13 374

LALA_ROB	0.25 393	0.16 374	0.22 344	0.26 401	0.17 407	0.27 387	0.27 404	0.42 420	0.37 359	0.33 399	0.38 375	0.51 429	0.26 370	0.28 385	0.27 394	0.16 411	0.09 339	0.12 358	0.11 356	0.13 372	0.12 356

MaskLacGwcNet_RVC	0.22 362	0.21 408	0.24 356	0.26 401	0.11 300	0.23 357	0.14 94	0.39 405	0.24 240	0.32 395	0.36 364	0.30 354	0.21 337	0.19 293	0.21 339	0.17 416	0.14 402	0.21 419	0.16 405	0.12 356	0.12 356

STTRV1_RVC	0.25 393	0.26 422	0.39 410	0.19 273	0.26 434	0.30 399	0.24 376	0.34 370	0.35 348	0.36 403	0.34 358	0.31 364	0.31 402	0.28 385	0.25 377	0.17 416	0.10 358	0.16 402	0.14 387	0.17 412	0.12 356

dad	0.17 309	0.20 402	0.20 331	0.16 91	0.11 300	0.20 322	0.18 278	0.21 176	0.28 297	0.30 383	0.24 249	0.29 346	0.13 210	0.19 293	0.16 274	0.18 418	0.09 339	0.11 342	0.09 296	0.11 342	0.07 196

DDUNet	0.22 362	0.17 385	0.21 338	0.22 360	0.15 382	0.25 372	0.24 376	0.29 311	0.30 312	0.31 389	0.36 364	0.33 376	0.25 366	0.24 364	0.20 321	0.18 418	0.13 395	0.17 405	0.11 356	0.16 405	0.16 409

FINET	0.21 353	0.18 395	0.26 364	0.18 221	0.16 392	0.23 357	0.23 366	0.32 344	0.48 402	0.25 351	0.32 342	0.22 281	0.22 346	0.22 344	0.17 288	0.18 418	0.16 411	0.11 342	0.10 329	0.15 398	0.13 374

BEATNet-Init1	0.52 441	0.27 424	0.62 435	0.30 425	0.21 421	0.76 455	0.29 419	0.54 441	0.65 437	0.86 454	0.95 455	2.07 473	0.62 448	0.56 446	0.42 438	0.18 418	0.18 418	0.23 424	0.22 423	0.22 423	0.21 426

MFN_U_SF_DS_RVC	0.30 414	0.24 416	0.29 384	0.36 435	0.16 392	0.34 411	0.30 426	0.32 344	0.42 383	0.40 414	0.46 410	0.38 397	0.31 402	0.34 406	0.28 401	0.19 422	0.20 424	0.26 426	0.29 436	0.18 416	0.19 423

PVD	0.39 426	0.20 402	0.39 410	0.31 429	0.22 423	0.29 396	0.43 447	0.52 438	0.96 455	0.55 435	0.79 448	0.53 433	0.59 445	0.52 440	0.38 430	0.19 422	0.14 402	0.17 405	0.14 387	0.24 431	0.31 442

MSC_U_SF_DS_RVC	0.43 433	0.39 440	0.54 426	0.40 437	0.20 418	0.64 443	0.32 434	0.53 440	0.72 443	0.71 443	0.72 441	0.61 438	0.54 439	0.51 438	0.46 442	0.20 424	0.19 421	0.29 436	0.30 438	0.23 424	0.18 418

CSAN	0.29 409	0.24 416	0.27 371	0.34 431	0.19 415	0.33 408	0.42 445	0.37 394	0.50 410	0.38 409	0.40 388	0.44 417	0.33 407	0.28 385	0.30 409	0.20 424	0.16 411	0.19 416	0.19 417	0.14 384	0.15 398

MSMD_ROB	0.31 415	0.26 422	0.26 364	0.24 386	0.21 421	0.34 411	0.25 390	0.34 370	0.39 367	0.40 414	0.69 438	0.45 419	0.40 423	0.34 406	0.27 394	0.20 424	0.19 421	0.26 426	0.25 429	0.23 424	0.22 428

FC-DCNN v2	0.33 420	0.27 424	0.28 376	0.26 401	0.23 425	0.37 421	0.28 410	0.40 409	0.43 388	0.45 426	0.56 428	0.51 429	0.40 423	0.37 421	0.29 404	0.21 427	0.20 424	0.27 429	0.26 430	0.25 432	0.24 430

FCDSN-DC	0.33 420	0.28 428	0.28 376	0.30 425	0.24 427	0.39 425	0.28 410	0.42 420	0.42 383	0.43 424	0.53 420	0.51 429	0.41 428	0.36 417	0.30 409	0.21 427	0.20 424	0.27 429	0.26 430	0.25 432	0.24 430
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 436	0.27 424	0.27 371	0.27 413	0.24 427	0.47 430	0.31 432	0.55 442	0.59 428	0.72 445	1.13 464	1.15 457	0.61 446	0.52 440	0.37 428	0.21 427	0.20 424	0.27 429	0.31 440	0.25 432	0.24 430

FC-DCNN	0.33 420	0.27 424	0.28 376	0.26 401	0.23 425	0.37 421	0.28 410	0.40 409	0.43 388	0.45 426	0.55 423	0.51 429	0.40 423	0.37 421	0.30 409	0.21 427	0.20 424	0.27 429	0.26 430	0.25 432	0.24 430

Anonymous_2	0.22 362	0.17 385	0.28 376	0.15 48	0.16 392	0.32 402	0.22 357	0.22 194	0.17 129	0.23 330	0.24 249	0.26 324	0.27 378	0.27 374	0.23 358	0.22 431	0.25 437	0.17 405	0.17 412	0.17 412	0.17 416

NVStereoNet_ROB	0.46 439	0.36 438	0.46 420	0.41 439	0.28 436	0.34 411	0.34 435	0.48 432	0.60 431	0.72 445	0.93 453	0.70 447	0.66 449	0.47 435	0.60 452	0.22 431	0.33 444	0.34 440	0.34 443	0.30 439	0.30 441
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ELAS_RVC	0.41 431	0.29 431	0.33 395	0.28 416	0.24 427	0.54 436	0.36 437	0.49 434	0.59 428	0.72 445	0.74 444	0.65 442	0.54 439	0.54 444	0.40 434	0.22 431	0.20 424	0.27 429	0.26 430	0.26 436	0.25 435
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 431	0.29 431	0.33 395	0.27 413	0.24 427	0.60 441	0.36 437	0.50 436	0.50 410	0.71 443	0.79 448	0.67 444	0.54 439	0.51 438	0.42 438	0.22 431	0.20 424	0.27 429	0.26 430	0.26 436	0.25 435
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ccnet	0.29 409	0.28 428	0.23 353	0.20 319	0.28 436	0.41 427	0.21 348	0.45 428	0.33 330	0.36 403	0.46 410	0.36 388	0.30 398	0.39 426	0.42 438	0.23 435	0.14 402	0.21 419	0.17 412	0.23 424	0.18 418

PASM	0.32 417	0.24 416	0.48 422	0.28 416	0.27 435	0.29 396	0.30 426	0.34 370	0.49 407	0.35 401	0.39 383	0.46 423	0.34 411	0.34 406	0.35 423	0.23 435	0.25 437	0.26 426	0.28 435	0.23 424	0.21 426

CC-Net-ROB	0.28 405	0.31 433	0.36 404	0.29 423	0.15 382	0.25 372	0.19 314	0.45 428	0.33 330	0.39 411	0.37 370	0.39 405	0.31 402	0.27 374	0.26 387	0.24 437	0.19 421	0.30 438	0.23 427	0.18 416	0.15 398

ACVNet_1	0.44 434	0.49 445	0.60 433	0.45 442	0.28 436	0.49 433	0.27 404	0.57 445	0.72 443	0.62 438	0.58 432	0.74 448	0.49 437	0.50 437	0.35 423	0.26 438	0.24 436	0.39 442	0.29 436	0.31 442	0.24 430

GANetREF_RVC	0.31 415	0.34 436	0.27 371	0.35 433	0.16 392	0.32 402	0.41 442	0.48 432	0.51 417	0.35 401	0.35 361	0.34 382	0.33 407	0.39 426	0.32 417	0.27 439	0.20 424	0.29 436	0.15 402	0.18 416	0.17 416
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
otaku	0.39 426	0.37 439	0.52 424	0.44 441	0.28 436	0.58 438	0.24 376	0.41 415	0.62 433	0.40 414	0.49 414	0.46 423	0.33 407	0.40 430	0.32 417	0.30 440	0.30 441	0.39 442	0.33 441	0.29 438	0.28 438

FADE		0.33 435		0.33 430	0.25 433							0.42 411				0.30 440	0.21 434	0.41 444	0.38 444	0.23 424

Ntro	0.40 429	0.40 441	0.53 425	0.46 445	0.30 440	0.65 444	0.24 376	0.46 430	0.68 440	0.41 418	0.49 414	0.48 427	0.42 431	0.39 426	0.31 416	0.32 442	0.28 439	0.37 441	0.30 438	0.32 443	0.29 439

ACVNet-4b	0.39 426	0.53 446	0.55 428	0.45 442	0.24 427	0.47 430	0.18 278	0.49 434	0.64 435	0.42 421	0.45 409	0.60 437	0.27 378	0.34 406	0.24 368	0.33 443	0.14 402	0.48 446	0.42 446	0.30 439	0.26 437

MADNet+	0.75 453	0.71 456	3.70 472	0.66 451	0.41 444	0.98 463	0.97 470	0.69 450	0.73 446	0.52 432	0.57 430	0.64 440	0.68 451	0.86 460	1.01 468	0.34 444	0.36 446	0.28 435	0.23 427	0.36 444	0.31 442

Consistency-Raft	0.44 434	0.40 441	0.45 417	0.37 436	0.43 446	0.46 428	0.41 442	0.57 445	0.55 420	0.32 395	0.73 442	0.33 376	0.48 436	0.42 433	0.49 445	0.39 445	0.35 445	0.45 445	0.51 453	0.42 445	0.29 439

JetBlue	0.71 450	0.45 444	1.14 461	0.51 446	0.47 448	2.02 472	0.64 459	0.75 451	0.70 441	0.69 442	0.77 447	1.22 459	0.83 456	1.03 468	1.01 468	0.40 446	0.28 439	0.33 439	0.33 441	0.30 439	0.34 445

IMH-64-1	0.65 447	0.61 450	0.68 445	0.71 452	0.51 449	0.59 439	0.49 449	0.91 456	0.85 450	0.74 449	1.02 457	0.81 449	0.78 454	0.79 453	0.49 445	0.42 447	0.46 449	0.71 454	0.47 448	0.52 448	0.39 447

IMH-64	0.65 447	0.61 450	0.68 445	0.71 452	0.51 449	0.59 439	0.49 449	0.91 456	0.85 450	0.74 449	1.02 457	0.81 449	0.78 454	0.79 453	0.49 445	0.42 447	0.46 449	0.71 454	0.47 448	0.52 448	0.39 447

ACVNet_2	0.66 449	0.66 454	0.68 445	0.63 450	0.41 444	0.71 449	0.49 449	0.96 460	1.39 464	0.89 455	1.09 460	1.04 453	0.73 452	0.54 444	0.47 443	0.43 449	0.40 447	0.53 451	0.44 447	0.47 446	0.35 446

IMH	0.71 450	0.64 453	0.68 445	0.76 454	0.54 451	0.69 447	0.54 453	0.98 462	1.10 457	0.82 453	1.09 460	0.89 451	0.88 459	0.87 461	0.52 449	0.44 450	0.50 458	0.75 457	0.51 453	0.56 453	0.41 450

RainbowNet	0.54 443	0.61 450	0.70 449	0.57 449	0.43 446	0.65 444	0.37 440	0.60 447	0.87 452	0.50 431	0.66 435	0.64 440	0.47 435	0.49 436	0.43 441	0.47 451	0.48 454	0.52 450	0.41 445	0.52 448	0.40 449

TorneroNet-64	0.76 454	0.72 457	0.74 450	0.78 456	0.58 457	0.91 462	0.56 454	0.84 454	1.29 461	0.66 439	0.90 451	1.40 465	0.75 453	0.85 459	0.67 458	0.49 452	0.46 449	0.72 456	0.59 456	0.67 458	0.53 453

LVE	0.83 458	0.85 463	0.85 456	0.80 457	0.56 454	1.04 468	0.65 460	1.05 465	1.47 467	0.96 458	1.22 468	1.10 456	0.85 457	0.83 456	0.71 460	0.49 452	0.55 464	0.76 460	0.60 458	0.65 456	0.59 460

TorneroNet	0.82 457	0.74 458	0.81 455	0.84 459	0.63 460	0.99 464	0.63 457	0.96 460	1.16 458	0.80 452	1.11 462	1.36 464	0.86 458	0.93 464	0.80 463	0.56 454	0.49 456	0.78 462	0.66 461	0.73 464	0.63 463

Dean	0.87 459	0.86 464	0.79 453	0.81 458	0.56 454	0.90 459	0.63 457	1.15 470	1.73 470	1.15 465	1.15 465	1.31 462	0.99 463	0.81 455	0.81 464	0.57 455	0.56 465	0.77 461	0.64 459	0.66 457	0.58 455

anonymity	0.53 442	0.58 448	0.65 437	0.41 439	0.61 459	0.53 435	0.41 442	0.56 443	0.41 376	0.55 435	0.50 418	0.49 428	0.55 442	0.58 447	0.50 448	0.58 456	0.50 458	0.51 448	0.51 453	0.51 447	0.57 454

SGM+DAISY	0.56 444	0.57 447	0.65 437	0.40 437	0.54 451	0.66 446	0.49 449	0.56 443	0.45 399	0.66 439	0.69 438	0.67 444	0.56 443	0.63 449	0.56 450	0.59 457	0.48 454	0.50 447	0.50 452	0.52 448	0.58 455

WAO-7	0.79 455	0.78 459	0.54 426	0.85 460	0.67 462	0.74 451	0.68 463	1.05 465	1.32 462	0.90 456	1.20 467	1.04 453	0.92 460	0.69 451	0.66 455	0.60 458	0.62 468	0.67 453	0.68 462	0.64 455	0.58 455

SPS-STEREO	0.57 445	0.58 448	0.65 437	0.45 442	0.55 453	0.62 442	0.44 448	0.62 448	0.50 410	0.68 441	0.64 434	0.66 443	0.57 444	0.61 448	0.60 452	0.62 459	0.47 453	0.51 448	0.49 450	0.55 452	0.58 455
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
GCST	0.37 425	0.42 443	0.26 364	1.02 467	0.39 442	0.18 285	0.08 3	0.20 157	0.17 129	0.28 373	0.25 278	0.15 185	0.12 175	0.16 236	0.14 231	0.64 460	0.43 448	0.75 457	0.65 460	0.63 454	0.46 452

MFMNet_re	0.64 446	0.66 454	0.65 437	0.51 446	0.69 463	0.69 447	0.57 455	0.64 449	0.73 446	0.60 437	0.73 442	0.62 439	0.67 450	0.65 450	0.60 452	0.66 461	0.58 467	0.63 452	0.59 456	0.68 459	0.69 464

WAO-6	0.81 456	0.80 460	0.62 435	0.86 461	0.63 460	0.76 455	0.58 456	0.98 462	1.54 469	0.90 456	0.96 456	1.07 455	1.03 464	0.70 452	0.66 455	0.72 462	0.49 456	0.90 465	0.71 463	0.68 459	0.58 455

PWCK	0.71 450	0.94 465	0.95 458	0.76 454	0.31 441	0.74 451	0.36 437	0.90 455	0.90 453	0.96 458	0.75 446	0.95 452	0.61 446	0.87 461	0.66 455	0.72 462	0.46 449	0.75 457	0.49 450	0.69 461	0.44 451

WAO-8	0.91 460	0.81 461	0.65 437	0.94 464	0.69 463	0.90 459	0.67 461	1.07 467	1.83 472	1.06 463	1.45 470	1.30 460	1.07 465	0.84 457	0.78 461	0.74 464	0.53 461	0.86 463	0.75 464	0.69 461	0.62 461

Venus	0.91 460	0.81 461	0.65 437	0.94 464	0.69 463	0.90 459	0.67 461	1.07 467	1.83 472	1.06 463	1.45 470	1.30 460	1.07 465	0.84 457	0.78 461	0.74 464	0.53 461	0.86 463	0.75 464	0.69 461	0.62 461

UNDER WATER	0.97 463	0.97 467	1.42 464	0.99 466	0.70 466	1.12 470	0.84 466	0.80 453	1.08 456	1.01 460	0.90 451	1.55 469	1.22 471	1.03 468	1.00 467	0.78 466	0.53 461	1.02 467	0.87 468	0.80 466	0.74 466

notaker	0.97 463	1.11 468	0.98 459	1.13 469	0.81 467	0.73 450	0.68 463	0.93 458	1.16 458	1.18 467	1.18 466	1.41 466	1.16 469	1.08 470	0.69 459	0.81 467	0.64 469	1.17 470	0.79 466	0.98 468	0.80 468

UNDER WATER-64	0.95 462	0.94 465	1.43 465	0.87 462	0.56 454	1.18 471	0.87 467	0.77 452	0.94 454	1.04 461	0.85 450	1.58 470	1.21 470	0.94 465	0.96 466	0.87 468	0.57 466	1.03 468	0.88 469	0.78 465	0.73 465

JetRed	1.62 469	1.46 473	2.98 468	0.92 463	1.21 472	4.99 474	1.53 474	1.27 472	1.39 464	1.83 471	1.74 473	1.60 471	0.95 461	1.41 471	2.45 474	0.90 469	1.60 474	0.93 466	0.90 470	1.35 472	0.99 471

KSHMR	1.09 466	1.17 469	0.88 457	1.25 472	1.00 471	0.99 464	0.96 469	1.13 469	1.37 463	1.16 466	1.29 469	1.41 466	0.96 462	1.01 467	0.92 465	1.03 470	1.08 472	1.20 471	1.03 472	1.01 469	0.97 470

ASD4	3.54 472	3.38 476	2.05 467	1.72 473	2.51 476	9.03 478	17.71 479	2.25 473	5.51 476	2.46 473	2.81 475	2.03 472	3.36 474	2.73 474	5.06 475	1.22 471	1.34 473	1.13 469	1.33 474	1.68 473	1.49 474

HanzoNet	1.29 468	1.26 472	1.19 462	1.12 468	0.85 468	1.02 467	0.83 465	1.03 464	1.48 468	1.64 470	1.61 472	2.50 475	1.72 472	1.61 472	1.61 471	1.26 472	0.80 471	1.31 473	1.01 471	1.02 470	0.86 469

ktn	1.01 465	1.21 470	0.80 454	1.23 471	0.86 469	1.01 466	0.87 467	0.94 459	1.39 464	1.04 461	1.12 463	1.15 457	1.07 465	0.94 465	0.59 451	1.28 473	0.71 470	1.38 474	0.83 467	1.02 470	0.75 467

DPSimNet_ROB	1.11 467	1.23 471	0.78 451	1.13 469	0.88 470	1.10 469	1.13 471	1.16 471	1.23 460	1.43 469	1.02 457	1.41 466	1.10 468	0.90 463	1.60 470	1.46 474	0.51 460	1.21 472	1.03 472	0.90 467	1.01 472

MADNet++	1.95 470	1.75 474	1.59 466	1.82 474	1.69 474	2.33 473	1.40 473	2.35 474	2.09 474	2.57 474	2.36 474	2.24 474	2.17 473	2.28 473	2.34 473	1.87 475	1.66 475	1.54 475	1.34 475	1.92 474	1.77 475

xxxxx1	7.79 474	5.02 479	7.31 475	3.12 476	3.85 477	16.35 482	22.88 480	5.86 479	8.69 478	7.97 478	8.54 476	9.12 481	8.27 478	10.18 480	10.92 478	2.42 476	2.45 477	3.56 479	12.37 483	3.77 476	3.06 477

tt_ll	7.79 474	5.02 479	7.31 475	3.12 476	3.85 477	16.35 482	22.88 480	5.86 479	8.69 478	7.97 478	8.54 476	9.12 481	8.27 478	10.18 480	10.92 478	2.42 476	2.45 477	3.56 479	12.37 483	3.77 476	3.06 477

ff	7.79 474	5.02 479	7.31 475	3.12 476	3.85 477	16.35 482	22.88 480	5.86 479	8.69 478	7.97 478	8.54 476	9.12 481	8.27 478	10.18 480	10.92 478	2.42 476	2.45 477	3.56 479	12.37 483	3.77 476	3.06 477

DGTPSM_ROB	8.06 478	4.48 477	8.63 481	5.35 479	10.72 482	8.32 476	22.97 483	5.46 476	13.35 482	5.12 476	9.92 479	5.08 477	10.40 481	5.52 477	12.58 481	3.79 479	8.00 481	3.50 477	7.02 480	3.83 479	7.14 481

DPSMNet_ROB	8.06 478	4.48 477	8.63 481	5.37 481	10.74 483	8.32 476	22.98 484	5.46 476	13.36 483	5.12 476	9.92 479	5.08 477	10.40 481	5.53 478	12.58 481	3.80 480	8.00 481	3.50 477	7.02 480	3.83 479	7.14 481

PML	8.91 480	9.34 485	6.13 473	5.35 479	6.41 480	14.99 481	23.38 485	5.27 475	6.83 477	18.04 486	28.19 491	7.67 479	6.83 477	7.85 479	5.75 476	5.35 481	1.83 476	5.95 485	1.93 476	8.64 483	2.52 476

tt	4.67 473	0.06 31	3.55 471	2.02 475	1.55 473	10.25 479	16.71 478	8.91 482	5.03 475	1.31 468	0.94 454	4.71 476	4.76 475	3.33 475	5.87 477	6.06 482	10.30 486	1.88 476	2.11 477	2.75 475	1.21 473

Anonymous_1	10.96 483	7.92 482	7.46 478	10.33 482	10.06 481	18.65 486	26.34 486	11.06 483	13.44 484	9.40 481	10.05 481	9.67 484	11.23 483	10.73 483	12.72 483	6.42 483	8.38 483	5.77 482	10.61 482	12.12 484	6.77 480

DPSM_ROB	11.15 484	8.58 483	8.00 479	10.88 483	11.58 484	19.10 487	26.71 487	12.05 484	14.07 485	10.36 482	10.84 482	10.33 485	11.86 484	11.70 484	13.54 484	6.99 484	8.79 484	5.89 483	6.95 478	7.29 481	7.42 483

DPSM	11.15 484	8.58 483	8.00 479	10.88 483	11.58 484	19.10 487	26.71 487	12.05 484	14.07 485	10.36 482	10.84 482	10.33 485	11.86 484	11.70 484	13.54 484	6.99 484	8.79 484	5.89 483	6.95 478	7.29 481	7.42 483

CasAABBNet	22.42 488	17.33 488	16.01 483	22.01 488	23.28 489	38.32 489	53.80 490	24.14 489	28.41 490	20.60 488	21.77 488	20.89 490	23.91 489	23.43 488	27.36 489	14.07 486	17.69 489	11.83 487	14.01 487	14.67 485	14.95 486

Selective-RAFT-Error	22.47 489	17.37 489	16.09 484	22.06 489	23.34 490	38.39 490	53.83 491	24.29 491	28.47 491	20.74 489	21.83 489	20.81 489	23.90 488	23.54 490	27.53 491	14.08 487	17.69 489	11.82 486	14.00 486	14.69 486	15.00 487

LSM0	22.87 490	17.28 487	18.96 485	22.19 490	29.04 492	38.42 491	53.71 489	24.28 490	28.31 489	20.78 490	21.00 487	21.43 491	24.16 490	23.50 489	27.39 490	14.09 488	17.38 488	11.84 488	14.04 488	14.73 487	14.89 485

HaxPig	15.71 486	18.52 490	19.18 486	16.89 485	15.89 487	7.73 475	7.60 475	13.31 486	10.82 481	15.42 485	14.91 484	15.98 487	14.92 486	15.58 486	15.98 486	18.95 489	16.73 487	19.46 489	18.08 489	19.26 489	19.05 489

LRCNet_RVC	10.62 482	13.42 486	7.30 474	18.92 486	2.07 475	0.33 408	0.30 426	5.59 478	0.48 402	13.03 484	17.94 485	8.87 480	5.65 476	4.79 476	1.89 472	23.51 490	2.73 480	27.55 491	25.71 491	16.07 488	16.33 488

MEDIAN_ROB	20.38 487	24.04 491	23.31 488	21.23 487	21.71 488	10.40 480	7.92 476	17.64 487	15.50 487	20.12 487	19.70 486	20.34 488	20.32 487	21.19 487	21.13 487	23.81 491	21.81 491	24.98 490	23.76 490	24.71 490	23.93 490

AVERAGE_ROB	24.90 491	29.20 492	28.14 489	24.89 491	24.64 491	17.75 485	11.12 477	21.45 488	19.93 488	25.12 491	24.46 490	25.12 492	25.46 491	24.69 491	22.83 488	29.76 492	27.13 492	28.97 492	27.95 492	29.91 491	29.47 491

test_example2	98.32 492	94.13 493	45.89 490	96.35 492	109.85 493	88.61 492	95.45 492	25.75 492	94.37 492	130.00 492	126.06 492	58.17 493	74.63 492	88.51 492	79.96 492	150.23 493	221.02 493	77.62 493	99.10 493	113.75 493	96.94 492

Low-res two-view benchmark