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

SGD-Stereo	0.08 14	0.05 12	0.10 78	0.14 24	0.05 1	0.12 166	0.12 35	0.11 16	0.12 57	0.07 15	0.09 57	0.09 88	0.09 132	0.08 12	0.08 16	0.06 85	0.04 3	0.05 3	0.04 18	0.05 67	0.03 1

MM-Stereo_test2	0.09 46	0.06 43	0.09 49	0.19 313	0.08 89	0.12 166	0.18 320	0.15 76	0.14 108	0.07 15	0.10 82	0.07 39	0.06 26	0.12 155	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.03 1

AIO_rvc	0.07 2	0.06 43	0.08 18	0.15 60	0.06 9	0.08 34	0.14 114	0.09 5	0.08 3	0.07 15	0.08 44	0.07 39	0.04 1	0.10 38	0.08 16	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

AIO_test	0.07 2	0.05 12	0.07 4	0.15 60	0.07 41	0.06 7	0.14 114	0.10 7	0.10 18	0.07 15	0.07 22	0.06 9	0.05 7	0.08 12	0.10 98	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

castereo++	0.08 14	0.05 12	0.08 18	0.15 60	0.05 1	0.14 236	0.12 35	0.11 16	0.15 122	0.07 15	0.07 22	0.07 39	0.06 26	0.08 12	0.08 16	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

castereo	0.09 46	0.06 43	0.11 115	0.15 60	0.06 9	0.11 134	0.15 180	0.14 56	0.18 191	0.08 35	0.10 82	0.11 137	0.08 106	0.09 19	0.10 98	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

MonSter	0.07 2	0.06 43	0.05 1	0.15 60	0.05 1	0.07 22	0.10 12	0.15 76	0.15 122	0.05 1	0.06 4	0.05 1	0.06 26	0.07 3	0.09 46	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

mms	0.09 46	0.07 116	0.08 18	0.16 115	0.08 89	0.10 93	0.16 244	0.12 29	0.11 41	0.08 35	0.09 57	0.08 64	0.06 26	0.11 79	0.12 195	0.05 7	0.04 3	0.07 155	0.05 72	0.04 3	0.03 1

ours_stereo	0.09 46	0.07 116	0.09 49	0.17 180	0.08 89	0.11 134	0.16 244	0.11 16	0.12 57	0.08 35	0.10 82	0.08 64	0.06 26	0.12 155	0.12 195	0.05 7	0.04 3	0.06 66	0.05 72	0.04 3	0.03 1

WCG-NET	0.08 14	0.05 12	0.09 49	0.15 60	0.06 9	0.11 134	0.14 114	0.13 41	0.13 86	0.06 6	0.09 57	0.07 39	0.06 26	0.13 196	0.08 16	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

RSM++	0.08 14	0.06 43	0.09 49	0.17 180	0.07 41	0.09 55	0.12 35	0.11 16	0.11 41	0.08 35	0.06 4	0.07 39	0.05 7	0.10 38	0.09 46	0.04 1	0.04 3	0.06 66	0.05 72	0.05 67	0.03 1

RSM	0.08 14	0.06 43	0.09 49	0.17 180	0.06 9	0.08 34	0.12 35	0.12 29	0.10 18	0.08 35	0.07 22	0.06 9	0.05 7	0.11 79	0.09 46	0.04 1	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

CASnet	0.09 46	0.09 271	0.09 49	0.19 313	0.06 9	0.07 22	0.11 22	0.18 160	0.14 108	0.11 117	0.10 82	0.09 88	0.07 75	0.10 38	0.10 98	0.06 85	0.04 3	0.10 358	0.08 294	0.05 67	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LoS_RVC	0.08 14	0.05 12	0.07 4	0.15 60	0.07 41	0.08 34	0.15 180	0.11 16	0.10 18	0.08 35	0.09 57	0.06 9	0.09 132	0.10 38	0.09 46	0.05 7	0.04 3	0.05 3	0.03 1	0.04 3	0.03 1

Selective-IGEV	0.07 2	0.06 43	0.08 18	0.17 180	0.06 9	0.08 34	0.12 35	0.13 41	0.07 2	0.08 35	0.07 22	0.06 9	0.04 1	0.10 38	0.09 46	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

test_4	0.10 104	0.10 326	0.08 18	0.19 313	0.09 196	0.08 34	0.22 404	0.15 76	0.17 165	0.12 153	0.18 222	0.12 154	0.09 132	0.08 12	0.11 150	0.04 1	0.04 3	0.08 234	0.08 294	0.04 3	0.03 1

RAFT-Stereo + iAFF	0.09 46	0.06 43	0.10 78	0.17 180	0.06 9	0.10 93	0.16 244	0.17 134	0.14 108	0.09 60	0.10 82	0.08 64	0.09 132	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.06 143	0.04 3	0.03 1

AFF-stereo	0.09 46	0.06 43	0.10 78	0.17 180	0.07 41	0.10 93	0.16 244	0.17 134	0.09 8	0.10 91	0.12 122	0.09 88	0.09 132	0.12 155	0.09 46	0.05 7	0.04 3	0.07 155	0.07 230	0.04 3	0.03 1

LG-Stereo_Zeroshot	0.07 2	0.06 43	0.10 78	0.16 115	0.07 41	0.04 1	0.13 69	0.10 7	0.10 18	0.05 1	0.11 110	0.07 39	0.05 7	0.07 3	0.09 46	0.06 85	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

LG-Stereo	0.08 14	0.07 116	0.10 78	0.18 257	0.07 41	0.10 93	0.17 275	0.11 16	0.08 3	0.05 1	0.07 22	0.05 1	0.07 75	0.09 19	0.09 46	0.04 1	0.05 149	0.07 155	0.07 230	0.04 3	0.04 19

MM-Stereo_test3	0.10 104	0.07 116	0.07 4	0.18 257	0.07 41	0.12 166	0.19 358	0.24 274	0.19 205	0.06 6	0.10 82	0.08 64	0.06 26	0.11 79	0.08 16	0.06 85	0.06 264	0.07 155	0.05 72	0.05 67	0.04 19

MM-Stereo_test1	0.10 104	0.07 116	0.08 18	0.18 257	0.07 41	0.12 166	0.18 320	0.21 211	0.20 227	0.09 60	0.11 110	0.08 64	0.06 26	0.10 38	0.10 98	0.06 85	0.05 149	0.07 155	0.06 143	0.05 67	0.04 19

HART	0.08 14	0.07 116	0.09 49	0.17 180	0.07 41	0.10 93	0.16 244	0.13 41	0.11 41	0.08 35	0.10 82	0.07 39	0.05 7	0.10 38	0.08 16	0.05 7	0.04 3	0.06 66	0.04 18	0.05 67	0.04 19

GREAT-IGEV	0.07 2	0.06 43	0.08 18	0.13 12	0.07 41	0.07 22	0.14 114	0.09 5	0.09 8	0.06 6	0.07 22	0.06 9	0.05 7	0.10 38	0.07 1	0.05 7	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

SCV	0.08 14	0.09 271	0.08 18	0.15 60	0.08 89	0.10 93	0.13 69	0.10 7	0.12 57	0.07 15	0.07 22	0.06 9	0.04 1	0.09 19	0.08 16	0.05 7	0.04 3	0.06 66	0.04 18	0.06 153	0.04 19

DEFOM-Stereo_RVC	0.08 14	0.06 43	0.09 49	0.22 406	0.06 9	0.08 34	0.12 35	0.10 7	0.10 18	0.07 15	0.07 22	0.06 9	0.05 7	0.11 79	0.09 46	0.06 85	0.04 3	0.05 3	0.03 1	0.06 153	0.04 19

FoundationStereo	0.06 1	0.04 1	0.08 18	0.12 4	0.05 1	0.09 55	0.13 69	0.06 1	0.09 8	0.05 1	0.05 2	0.06 9	0.04 1	0.06 1	0.07 1	0.06 85	0.04 3	0.05 3	0.03 1	0.05 67	0.04 19

StereoAnything_RVC	0.07 2	0.15 415	0.17 334	0.11 1	0.05 1	0.05 4	0.11 22	0.08 3	0.08 3	0.06 6	0.06 4	0.05 1	0.05 7	0.09 19	0.08 16	0.08 258	0.04 3	0.05 3	0.03 1	0.05 67	0.04 19

HUF	0.08 14	0.05 12	0.08 18	0.14 24	0.06 9	0.09 55	0.13 69	0.13 41	0.13 86	0.07 15	0.07 22	0.08 64	0.06 26	0.10 38	0.09 46	0.06 85	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

GIP-stereo	0.08 14	0.06 43	0.11 115	0.14 24	0.06 9	0.09 55	0.13 69	0.14 56	0.11 41	0.07 15	0.08 44	0.05 1	0.04 1	0.10 38	0.07 1	0.05 7	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

DEFOM-Stereo	0.07 2	0.05 12	0.07 4	0.14 24	0.06 9	0.10 93	0.13 69	0.07 2	0.13 86	0.06 6	0.07 22	0.06 9	0.05 7	0.10 38	0.09 46	0.04 1	0.04 3	0.05 3	0.03 1	0.04 3	0.04 19

SMoEStereo_RVC	0.08 14	0.06 43	0.12 146	0.16 115	0.07 41	0.09 55	0.14 114	0.11 16	0.13 86	0.09 60	0.07 22	0.07 39	0.07 75	0.12 155	0.10 98	0.05 7	0.04 3	0.06 66	0.05 72	0.04 3	0.04 19

tg	0.10 104	0.06 43	0.10 78	0.18 257	0.08 89	0.11 134	0.16 244	0.20 190	0.12 57	0.08 35	0.11 110	0.11 137	0.07 75	0.11 79	0.10 98	0.05 7	0.04 3	0.08 234	0.08 294	0.04 3	0.04 19

dual_stereo	0.07 2	0.04 1	0.08 18	0.15 60	0.05 1	0.05 4	0.13 69	0.12 29	0.08 3	0.07 15	0.06 4	0.05 1	0.05 7	0.07 3	0.09 46	0.06 85	0.04 3	0.05 3	0.03 1	0.04 3	0.04 19

GCAP-BAT	0.09 46	0.07 116	0.14 223	0.15 60	0.08 89	0.10 93	0.13 69	0.14 56	0.10 18	0.11 117	0.10 82	0.08 64	0.07 75	0.12 155	0.10 98	0.06 85	0.05 149	0.06 66	0.04 18	0.04 3	0.04 19

IGEV-Stereo++	0.07 2	0.06 43	0.08 18	0.18 257	0.06 9	0.04 1	0.10 12	0.11 16	0.11 41	0.06 6	0.07 22	0.07 39	0.06 26	0.09 19	0.09 46	0.05 7	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

RAStereo	0.10 104	0.09 271	0.08 18	0.20 362	0.08 89	0.13 204	0.18 320	0.15 76	0.17 165	0.10 91	0.12 122	0.05 1	0.06 26	0.09 19	0.08 16	0.07 200	0.05 149	0.07 155	0.05 72	0.05 67	0.04 19

AIO-Stereo	0.08 14	0.06 43	0.09 49	0.18 257	0.06 9	0.08 34	0.12 35	0.15 76	0.09 8	0.08 35	0.08 44	0.07 39	0.05 7	0.11 79	0.08 16	0.05 7	0.05 149	0.05 3	0.04 18	0.04 3	0.04 19

WCG-NET（raft）	0.08 14	0.05 12	0.10 78	0.15 60	0.06 9	0.11 134	0.13 69	0.15 76	0.12 57	0.08 35	0.07 22	0.06 9	0.06 26	0.13 196	0.08 16	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.04 19

RAFT-Stereo-weight	0.09 46	0.06 43	0.10 78	0.16 115	0.07 41	0.09 55	0.14 114	0.19 179	0.16 147	0.11 117	0.10 82	0.08 64	0.06 26	0.10 38	0.11 150	0.06 85	0.04 3	0.06 66	0.04 18	0.04 3	0.04 19

gcap-zeroshot	0.09 46	0.05 12	0.10 78	0.16 115	0.07 41	0.13 204	0.13 69	0.11 16	0.12 57	0.13 179	0.12 122	0.09 88	0.08 106	0.09 19	0.09 46	0.06 85	0.05 149	0.06 66	0.05 72	0.04 3	0.04 19

test_for_model	0.09 46	0.12 368	0.14 223	0.23 426	0.11 344	0.08 34	0.13 69	0.12 29	0.12 57	0.10 91	0.07 22	0.07 39	0.06 26	0.11 79	0.10 98	0.06 85	0.05 149	0.05 3	0.03 1	0.07 219	0.04 19

MoCha-V2	0.08 14	0.05 12	0.10 78	0.20 362	0.07 41	0.09 55	0.14 114	0.11 16	0.08 3	0.07 15	0.08 44	0.07 39	0.06 26	0.09 19	0.08 16	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.04 19

IGEV++	0.08 14	0.06 43	0.08 18	0.18 257	0.07 41	0.09 55	0.13 69	0.10 7	0.09 8	0.08 35	0.08 44	0.06 9	0.06 26	0.13 196	0.09 46	0.05 7	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

AE-Stereo	0.10 104	0.08 206	0.10 78	0.18 257	0.09 196	0.10 93	0.15 180	0.14 56	0.19 205	0.09 60	0.14 149	0.12 154	0.08 106	0.11 79	0.10 98	0.05 7	0.06 264	0.07 155	0.06 143	0.05 67	0.04 19

MaDis-Stereo	0.09 46	0.09 271	0.08 18	0.17 180	0.09 196	0.13 204	0.10 12	0.16 101	0.16 147	0.09 60	0.11 110	0.06 9	0.06 26	0.09 19	0.13 235	0.07 200	0.06 264	0.07 155	0.05 72	0.05 67	0.04 19

MSKI-zero shot	0.09 46	0.05 12	0.09 49	0.15 60	0.07 41	0.10 93	0.13 69	0.14 56	0.13 86	0.09 60	0.09 57	0.09 88	0.06 26	0.12 155	0.10 98	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.04 19

DLNR_Zeroshot_test	10.40 532	1.82 525	19.49 538	120.77 544	13.11 537	0.06 7	0.13 69	0.23 252	0.10 18	0.07 15	0.10 82	0.09 88	0.06 26	0.10 38	0.09 46	0.13 426	0.04 3	0.06 66	0.04 18	51.54 543	0.04 19

testlalala	0.08 14	0.07 116	0.17 334	0.16 115	0.08 89	0.09 55	0.12 35	0.15 76	0.10 18	0.07 15	0.09 57	0.06 9	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.04 18	0.04 3	0.04 19

AEACV	0.08 14	0.05 12	0.08 18	0.14 24	0.13 396	0.14 236	0.13 69	0.14 56	0.09 8	0.07 15	0.09 57	0.07 39	0.08 106	0.10 38	0.09 46	0.06 85	0.04 3	0.06 66	0.05 72	0.05 67	0.04 19

HH	0.09 46	0.06 43	0.13 191	0.17 180	0.08 89	0.10 93	0.16 244	0.14 56	0.10 18	0.08 35	0.09 57	0.08 64	0.07 75	0.10 38	0.09 46	0.06 85	0.04 3	0.06 66	0.05 72	0.05 67	0.04 19

HanStereo	0.09 46	0.06 43	0.13 191	0.17 180	0.08 89	0.10 93	0.16 244	0.14 56	0.10 18	0.08 35	0.09 57	0.08 64	0.07 75	0.10 38	0.09 46	0.06 85	0.04 3	0.06 66	0.05 72	0.05 67	0.04 19

CAS	0.08 14	0.04 1	0.07 4	0.17 180	0.08 89	0.10 93	0.13 69	0.12 29	0.09 8	0.09 60	0.10 82	0.08 64	0.06 26	0.09 19	0.08 16	0.08 258	0.04 3	0.05 3	0.03 1	0.05 67	0.04 19

EGLCR-Stereo	0.08 14	0.05 12	0.08 18	0.14 24	0.06 9	0.10 93	0.12 35	0.11 16	0.16 147	0.06 6	0.05 2	0.07 39	0.05 7	0.10 38	0.11 150	0.06 85	0.04 3	0.06 66	0.05 72	0.04 3	0.04 19

DCRE	0.11 147	0.07 116	0.13 191	0.16 115	0.11 344	0.11 134	0.17 275	0.18 160	0.17 165	0.11 117	0.18 222	0.10 116	0.10 162	0.15 240	0.11 150	0.06 85	0.05 149	0.06 66	0.06 143	0.05 67	0.04 19

MC-Stereo	0.08 14	0.06 43	0.09 49	0.17 180	0.06 9	0.10 93	0.14 114	0.12 29	0.10 18	0.09 60	0.12 122	0.09 88	0.06 26	0.11 79	0.10 98	0.06 85	0.04 3	0.06 66	0.05 72	0.04 3	0.04 19

RCA-Stereo	0.09 46	0.06 43	0.09 49	0.16 115	0.06 9	0.09 55	0.13 69	0.18 160	0.14 108	0.09 60	0.10 82	0.08 64	0.07 75	0.12 155	0.11 150	0.06 85	0.04 3	0.06 66	0.05 72	0.05 67	0.04 19

ADStereo(finetuned)	0.10 104	0.06 43	0.12 146	0.16 115	0.06 9	0.09 55	0.17 275	0.15 76	0.19 205	0.13 179	0.17 197	0.10 116	0.12 215	0.11 79	0.12 195	0.06 85	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

raft_robust	0.13 235	0.10 326	0.07 4	0.18 257	0.08 89	0.13 204	0.24 425	0.28 347	0.33 376	0.20 335	0.19 230	0.14 198	0.10 162	0.11 79	0.12 195	0.05 7	0.05 149	0.07 155	0.07 230	0.05 67	0.04 19

RAFT_CTSACE	0.12 210	0.09 271	0.10 78	0.22 406	0.08 89	0.12 166	0.24 425	0.18 160	0.16 147	0.20 335	0.27 347	0.13 178	0.07 75	0.13 196	0.09 46	0.05 7	0.06 264	0.08 234	0.07 230	0.04 3	0.04 19

SA	0.12 210	0.09 271	0.08 18	0.18 257	0.08 89	0.12 166	0.24 425	0.23 252	0.18 191	0.17 269	0.27 347	0.14 198	0.11 186	0.11 79	0.11 150	0.05 7	0.05 149	0.09 313	0.08 294	0.05 67	0.04 19

IPLG	0.10 104	0.07 116	0.15 272	0.17 180	0.08 89	0.11 134	0.14 114	0.20 190	0.15 122	0.12 153	0.17 197	0.07 39	0.07 75	0.14 218	0.13 235	0.06 85	0.04 3	0.06 66	0.05 72	0.04 3	0.04 19

MIPNet	0.11 147	0.08 206	0.14 223	0.17 180	0.09 196	0.12 166	0.14 114	0.20 190	0.24 282	0.11 117	0.10 82	0.09 88	0.07 75	0.13 196	0.12 195	0.06 85	0.04 3	0.06 66	0.05 72	0.04 3	0.04 19

IPLGR	0.11 147	0.09 271	0.16 306	0.18 257	0.08 89	0.12 166	0.17 275	0.21 211	0.24 282	0.11 117	0.12 122	0.11 137	0.08 106	0.12 155	0.12 195	0.06 85	0.05 149	0.06 66	0.06 143	0.04 3	0.04 19

GMOStereo	0.11 147	0.09 271	0.07 4	0.19 313	0.08 89	0.12 166	0.28 460	0.13 41	0.17 165	0.11 117	0.17 197	0.14 198	0.12 215	0.07 3	0.07 1	0.05 7	0.05 149	0.09 313	0.07 230	0.04 3	0.04 19

error version	0.11 147	0.09 271	0.07 4	0.19 313	0.08 89	0.12 166	0.28 460	0.13 41	0.17 165	0.11 117	0.17 197	0.14 198	0.12 215	0.07 3	0.07 1	0.05 7	0.05 149	0.09 313	0.07 230	0.04 3	0.04 19

test-v	0.11 147	0.09 271	0.07 4	0.19 313	0.08 89	0.12 166	0.28 460	0.13 41	0.17 165	0.11 117	0.17 197	0.14 198	0.12 215	0.07 3	0.07 1	0.05 7	0.05 149	0.09 313	0.07 230	0.04 3	0.04 19

test-3	0.08 14	0.06 43	0.09 49	0.17 180	0.07 41	0.07 22	0.14 114	0.12 29	0.15 122	0.09 60	0.08 44	0.07 39	0.08 106	0.11 79	0.10 98	0.05 7	0.04 3	0.07 155	0.05 72	0.04 3	0.04 19

test_1	0.08 14	0.06 43	0.09 49	0.17 180	0.07 41	0.07 22	0.14 114	0.12 29	0.15 122	0.09 60	0.08 44	0.07 39	0.08 106	0.11 79	0.10 98	0.05 7	0.04 3	0.07 155	0.05 72	0.04 3	0.04 19

test_3	0.10 104	0.09 271	0.10 78	0.20 362	0.08 89	0.13 204	0.26 447	0.14 56	0.21 242	0.10 91	0.10 82	0.09 88	0.09 132	0.08 12	0.11 150	0.05 7	0.04 3	0.08 234	0.07 230	0.04 3	0.04 19

TRStereo	0.09 46	0.05 12	0.12 146	0.15 60	0.12 375	0.10 93	0.13 69	0.18 160	0.18 191	0.09 60	0.09 57	0.09 88	0.06 26	0.10 38	0.08 16	0.07 200	0.05 149	0.07 155	0.07 230	0.04 3	0.04 19

STrans-v2	0.10 104	0.07 116	0.12 146	0.18 257	0.07 41	0.10 93	0.14 114	0.21 211	0.11 41	0.11 117	0.15 165	0.12 154	0.10 162	0.11 79	0.12 195	0.05 7	0.04 3	0.06 66	0.06 143	0.04 3	0.04 19

OMP-Stereo	0.11 147	0.06 43	0.14 223	0.18 257	0.08 89	0.09 55	0.12 35	0.21 211	0.21 242	0.13 179	0.14 149	0.11 137	0.12 215	0.11 79	0.13 235	0.06 85	0.04 3	0.07 155	0.06 143	0.05 67	0.04 19

IIG-Stereo	0.11 147	0.06 43	0.13 191	0.17 180	0.08 89	0.11 134	0.12 35	0.22 233	0.17 165	0.14 200	0.17 197	0.11 137	0.12 215	0.12 155	0.12 195	0.06 85	0.05 149	0.07 155	0.06 143	0.05 67	0.04 19

CroCo-Stereo	0.09 46	0.08 206	0.08 18	0.22 406	0.09 196	0.09 55	0.19 358	0.15 76	0.12 57	0.07 15	0.07 22	0.08 64	0.06 26	0.08 12	0.07 1	0.07 200	0.05 149	0.06 66	0.04 18	0.05 67	0.04 19
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
test-2	0.11 147	0.09 271	0.07 4	0.19 313	0.08 89	0.12 166	0.28 460	0.13 41	0.17 165	0.11 117	0.17 197	0.14 198	0.12 215	0.07 3	0.07 1	0.05 7	0.05 149	0.09 313	0.07 230	0.04 3	0.04 19

cross-raft	0.10 104	0.09 271	0.09 49	0.19 313	0.07 41	0.11 134	0.25 440	0.13 41	0.15 122	0.08 35	0.11 110	0.12 154	0.10 162	0.09 19	0.11 150	0.05 7	0.04 3	0.06 66	0.05 72	0.04 3	0.04 19

test-1	0.10 104	0.07 116	0.16 306	0.19 313	0.08 89	0.11 134	0.24 425	0.14 56	0.18 191	0.09 60	0.07 22	0.09 88	0.08 106	0.07 3	0.09 46	0.06 85	0.04 3	0.06 66	0.05 72	0.04 3	0.04 19

iRaftStereo_RVC	0.10 104	0.07 116	0.09 49	0.17 180	0.09 196	0.11 134	0.17 275	0.18 160	0.12 57	0.09 60	0.12 122	0.10 116	0.07 75	0.11 79	0.10 98	0.05 7	0.04 3	0.08 234	0.08 294	0.04 3	0.04 19

CREStereo++_RVC	0.08 14	0.04 1	0.06 2	0.13 12	0.07 41	0.09 55	0.12 35	0.14 56	0.14 108	0.10 91	0.14 149	0.08 64	0.07 75	0.09 19	0.11 150	0.06 85	0.04 3	0.05 3	0.05 72	0.04 3	0.04 19
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
s12784h	0.09 46	0.06 43	0.07 4	0.15 60	0.05 1	0.16 291	0.18 320	0.15 76	0.15 122	0.10 91	0.11 110	0.11 137	0.11 186	0.10 38	0.12 195	0.05 7	0.04 3	0.05 3	0.04 18	0.04 3	0.04 19

RALAANet	0.11 147	0.08 206	0.10 78	0.17 180	0.09 196	0.14 236	0.10 12	0.20 190	0.15 122	0.14 200	0.13 135	0.16 240	0.09 132	0.12 155	0.11 150	0.06 85	0.05 149	0.07 155	0.06 143	0.05 67	0.04 19

XX-Stereo	0.09 46	0.05 12	0.08 18	0.17 180	0.09 196	0.15 261	0.12 35	0.20 190	0.10 18	0.10 91	0.14 149	0.07 39	0.06 26	0.12 155	0.08 16	0.06 85	0.05 149	0.06 66	0.06 143	0.04 3	0.04 19

DCANet	0.10 104	0.06 43	0.12 146	0.16 115	0.06 9	0.09 55	0.17 275	0.15 76	0.19 205	0.13 179	0.17 197	0.10 116	0.11 186	0.11 79	0.12 195	0.06 85	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

ARAFT	0.12 210	0.08 206	0.17 334	0.19 313	0.09 196	0.14 236	0.18 320	0.20 190	0.12 57	0.12 153	0.13 135	0.14 198	0.11 186	0.15 240	0.12 195	0.06 85	0.05 149	0.10 358	0.09 338	0.05 67	0.04 19

EAI-Stereo	0.09 46	0.07 116	0.11 115	0.15 60	0.06 9	0.10 93	0.15 180	0.16 101	0.09 8	0.08 35	0.09 57	0.08 64	0.07 75	0.09 19	0.11 150	0.05 7	0.04 3	0.05 3	0.05 72	0.05 67	0.04 19

CFNet-RSSM	0.09 46	0.07 116	0.09 49	0.16 115	0.07 41	0.09 55	0.15 180	0.16 101	0.17 165	0.08 35	0.12 122	0.10 116	0.09 132	0.11 79	0.09 46	0.06 85	0.04 3	0.06 66	0.04 18	0.04 3	0.04 19

Gwc-CoAtRS	0.09 46	0.06 43	0.10 78	0.16 115	0.07 41	0.10 93	0.14 114	0.17 134	0.17 165	0.08 35	0.10 82	0.12 154	0.09 132	0.12 155	0.09 46	0.06 85	0.04 3	0.06 66	0.04 18	0.04 3	0.04 19

MLCV	0.12 210	0.07 116	0.16 306	0.18 257	0.06 9	0.15 261	0.17 275	0.19 179	0.21 242	0.18 299	0.25 321	0.17 260	0.13 251	0.14 218	0.13 235	0.05 7	0.04 3	0.05 3	0.04 18	0.05 67	0.04 19

DFGA-Net	0.13 235	0.11 351	0.18 357	0.17 180	0.10 297	0.12 166	0.13 69	0.22 233	0.25 303	0.16 253	0.16 176	0.13 178	0.12 215	0.16 274	0.14 272	0.07 200	0.05 149	0.08 234	0.07 230	0.05 67	0.05 90

Reg-Stereo(zero)	0.08 14	0.05 12	0.08 18	0.16 115	0.06 9	0.12 166	0.11 22	0.15 76	0.10 18	0.12 153	0.09 57	0.10 116	0.08 106	0.11 79	0.08 16	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.05 90

SCV_C0	0.08 14	0.07 116	0.07 4	0.16 115	0.09 196	0.08 34	0.15 180	0.11 16	0.12 57	0.08 35	0.07 22	0.06 9	0.05 7	0.11 79	0.07 1	0.05 7	0.05 149	0.05 3	0.04 18	0.06 153	0.05 90

AIO-test2	0.10 104	0.08 206	0.10 78	0.23 426	0.08 89	0.11 134	0.10 12	0.23 252	0.23 266	0.08 35	0.09 57	0.08 64	0.05 7	0.10 38	0.08 16	0.06 85	0.05 149	0.08 234	0.09 338	0.05 67	0.05 90

fffft	0.09 46	0.06 43	0.12 146	0.16 115	0.07 41	0.09 55	0.17 275	0.12 29	0.11 41	0.08 35	0.07 22	0.09 88	0.06 26	0.11 79	0.12 195	0.05 7	0.04 3	0.06 66	0.05 72	0.04 3	0.05 90
1: 1. 1
999	0.09 46	0.05 12	0.13 191	0.15 60	0.08 89	0.10 93	0.14 114	0.15 76	0.11 41	0.10 91	0.08 44	0.08 64	0.08 106	0.16 274	0.10 98	0.06 85	0.04 3	0.06 66	0.05 72	0.04 3	0.05 90

fffy	0.09 46	0.08 206	0.09 49	0.16 115	0.07 41	0.13 204	0.17 275	0.13 41	0.12 57	0.08 35	0.09 57	0.08 64	0.09 132	0.13 196	0.11 150	0.05 7	0.05 149	0.07 155	0.05 72	0.04 3	0.05 90

UGAM	0.13 235	0.10 326	0.09 49	0.22 406	0.08 89	0.12 166	0.20 378	0.17 134	0.23 266	0.21 348	0.16 176	0.13 178	0.13 251	0.19 341	0.12 195	0.07 200	0.05 149	0.13 421	0.11 403	0.07 219	0.05 90

rvit_stereo_0083	0.12 210	0.08 206	0.17 334	0.16 115	0.09 196	0.11 134	0.15 180	0.14 56	0.26 317	0.11 117	0.14 149	0.13 178	0.10 162	0.12 155	0.12 195	0.10 350	0.08 359	0.09 313	0.07 230	0.07 219	0.05 90

rvit_stereo_0081	0.11 147	0.08 206	0.15 272	0.16 115	0.09 196	0.10 93	0.14 114	0.14 56	0.24 282	0.11 117	0.13 135	0.13 178	0.09 132	0.11 79	0.12 195	0.10 350	0.07 333	0.08 234	0.07 230	0.07 219	0.05 90

rvit_stereo_0082	0.11 147	0.08 206	0.15 272	0.16 115	0.09 196	0.10 93	0.14 114	0.14 56	0.24 282	0.11 117	0.13 135	0.13 178	0.09 132	0.11 79	0.12 195	0.10 350	0.07 333	0.08 234	0.07 230	0.07 219	0.05 90

Occ-G	0.08 14	0.05 12	0.06 2	0.14 24	0.07 41	0.08 34	0.14 114	0.13 41	0.15 122	0.07 15	0.11 110	0.07 39	0.05 7	0.09 19	0.10 98	0.06 85	0.05 149	0.05 3	0.04 18	0.05 67	0.05 90

Pointernet	0.09 46	0.04 1	0.09 49	0.16 115	0.08 89	0.13 204	0.10 12	0.15 76	0.17 165	0.09 60	0.07 22	0.06 9	0.06 26	0.11 79	0.09 46	0.08 258	0.04 3	0.05 3	0.03 1	0.06 153	0.05 90

U	0.08 14	0.07 116	0.09 49	0.19 313	0.10 297	0.10 93	0.13 69	0.12 29	0.17 165	0.07 15	0.07 22	0.06 9	0.05 7	0.07 3	0.08 16	0.06 85	0.04 3	0.06 66	0.04 18	0.06 153	0.05 90

rvit_stereo_0080	0.10 104	0.08 206	0.14 223	0.15 60	0.09 196	0.07 22	0.15 180	0.16 101	0.16 147	0.11 117	0.10 82	0.14 198	0.08 106	0.12 155	0.10 98	0.09 313	0.07 333	0.07 155	0.06 143	0.07 219	0.05 90

IGEV-BASED-STEREO-	0.09 46	0.10 326	0.31 438	0.15 60	0.06 9	0.08 34	0.14 114	0.10 7	0.10 18	0.07 15	0.07 22	0.06 9	0.04 1	0.11 79	0.07 1	0.12 403	0.04 3	0.07 155	0.05 72	0.05 67	0.05 90

rvit_stereo_ft	0.12 210	0.07 116	0.13 191	0.19 313	0.10 297	0.12 166	0.17 275	0.16 101	0.16 147	0.12 153	0.13 135	0.15 227	0.10 162	0.14 218	0.13 235	0.09 313	0.06 264	0.08 234	0.07 230	0.07 219	0.05 90

trnet	0.08 14	0.05 12	0.07 4	0.12 4	0.05 1	0.12 166	0.11 22	0.13 41	0.10 18	0.08 35	0.13 135	0.09 88	0.08 106	0.11 79	0.10 98	0.08 258	0.05 149	0.05 3	0.03 1	0.06 153	0.05 90

testlalala2	0.10 104	0.06 43	0.11 115	0.20 362	0.10 297	0.10 93	0.12 35	0.17 134	0.12 57	0.12 153	0.13 135	0.09 88	0.07 75	0.11 79	0.13 235	0.06 85	0.05 149	0.05 3	0.04 18	0.05 67	0.05 90

H2IRNET	0.10 104	0.09 271	0.09 49	0.18 257	0.09 196	0.12 166	0.15 180	0.14 56	0.21 242	0.10 91	0.10 82	0.10 116	0.10 162	0.10 38	0.10 98	0.05 7	0.04 3	0.08 234	0.08 294	0.06 153	0.05 90

MGS-Stereo	0.09 46	0.07 116	0.12 146	0.15 60	0.08 89	0.09 55	0.15 180	0.12 29	0.12 57	0.07 15	0.10 82	0.08 64	0.06 26	0.10 38	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.06 153	0.05 90

CoDeX	0.12 210	0.07 116	0.12 146	0.17 180	0.08 89	0.12 166	0.15 180	0.23 252	0.27 326	0.13 179	0.17 197	0.16 240	0.11 186	0.14 218	0.11 150	0.07 200	0.05 149	0.07 155	0.06 143	0.06 153	0.05 90

whm_eth	0.10 104	0.08 206	0.14 223	0.15 60	0.09 196	0.07 22	0.15 180	0.16 101	0.16 147	0.11 117	0.10 82	0.14 198	0.08 106	0.12 155	0.10 98	0.09 313	0.07 333	0.07 155	0.06 143	0.07 219	0.05 90

IGEV_Zeroshot_test	0.09 46	0.05 12	0.12 146	0.13 12	0.08 89	0.12 166	0.13 69	0.17 134	0.11 41	0.10 91	0.06 4	0.09 88	0.06 26	0.11 79	0.09 46	0.06 85	0.04 3	0.06 66	0.06 143	0.05 67	0.05 90

StereoVision	0.13 235	0.12 368	0.09 49	0.24 435	0.10 297	0.15 261	0.21 395	0.21 211	0.20 227	0.12 153	0.24 292	0.10 116	0.10 162	0.16 274	0.10 98	0.09 313	0.11 416	0.12 406	0.12 422	0.06 153	0.05 90

UniTT-Stereo	0.09 46	0.07 116	0.08 18	0.18 257	0.08 89	0.13 204	0.11 22	0.12 29	0.11 41	0.10 91	0.12 122	0.05 1	0.07 75	0.09 19	0.09 46	0.07 200	0.05 149	0.05 3	0.05 72	0.05 67	0.05 90

MIM_Stereo	0.09 46	0.07 116	0.11 115	0.15 60	0.07 41	0.06 7	0.12 35	0.20 190	0.14 108	0.13 179	0.13 135	0.09 88	0.05 7	0.12 155	0.08 16	0.05 7	0.06 264	0.07 155	0.06 143	0.06 153	0.05 90

testlalala_base	0.10 104	0.09 271	0.14 223	0.21 391	0.08 89	0.10 93	0.14 114	0.13 41	0.10 18	0.07 15	0.15 165	0.07 39	0.08 106	0.10 38	0.12 195	0.08 258	0.05 149	0.05 3	0.03 1	0.06 153	0.05 90

GCAP-Stereo	0.09 46	0.07 116	0.13 191	0.18 257	0.06 9	0.11 134	0.07 2	0.13 41	0.12 57	0.09 60	0.10 82	0.07 39	0.09 132	0.13 196	0.10 98	0.06 85	0.05 149	0.05 3	0.04 18	0.04 3	0.05 90

Any-RAFT	0.10 104	0.05 12	0.09 49	0.14 24	0.07 41	0.13 204	0.14 114	0.21 211	0.15 122	0.11 117	0.12 122	0.12 154	0.09 132	0.12 155	0.09 46	0.07 200	0.04 3	0.05 3	0.04 18	0.06 153	0.05 90

RAFT-Test	0.09 46	0.06 43	0.10 78	0.15 60	0.07 41	0.11 134	0.15 180	0.16 101	0.13 86	0.09 60	0.10 82	0.10 116	0.09 132	0.12 155	0.09 46	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.05 90

LL-Strereo2	0.10 104	0.10 326	0.15 272	0.18 257	0.08 89	0.15 261	0.09 6	0.17 134	0.14 108	0.14 200	0.10 82	0.09 88	0.07 75	0.16 274	0.10 98	0.05 7	0.05 149	0.10 358	0.07 230	0.06 153	0.05 90

LL-Strereo	0.13 235	0.09 271	0.11 115	0.20 362	0.10 297	0.11 134	0.18 320	0.32 391	0.24 282	0.15 227	0.15 165	0.14 198	0.13 251	0.19 341	0.11 150	0.06 85	0.04 3	0.09 313	0.08 294	0.04 3	0.05 90

4D-IteraStereo	0.09 46	0.07 116	0.10 78	0.18 257	0.07 41	0.09 55	0.15 180	0.17 134	0.15 122	0.10 91	0.11 110	0.10 116	0.07 75	0.11 79	0.09 46	0.05 7	0.03 1	0.08 234	0.07 230	0.06 153	0.05 90

anonymousdsp2	0.11 147	0.07 116	0.10 78	0.16 115	0.09 196	0.13 204	0.14 114	0.18 160	0.22 256	0.13 179	0.14 149	0.12 154	0.09 132	0.14 218	0.11 150	0.05 7	0.04 3	0.05 3	0.04 18	0.06 153	0.05 90

LoS	0.09 46	0.05 12	0.11 115	0.13 12	0.07 41	0.14 236	0.11 22	0.15 76	0.15 122	0.09 60	0.09 57	0.12 154	0.09 132	0.15 240	0.10 98	0.07 200	0.05 149	0.05 3	0.03 1	0.05 67	0.05 90
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
CES	0.08 14	0.04 1	0.08 18	0.14 24	0.07 41	0.09 55	0.14 114	0.11 16	0.09 8	0.08 35	0.09 57	0.11 137	0.06 26	0.12 155	0.08 16	0.06 85	0.04 3	0.05 3	0.03 1	0.05 67	0.05 90

Selective-RAFT	0.11 147	0.10 326	0.11 115	0.21 391	0.08 89	0.16 291	0.13 69	0.20 190	0.22 256	0.10 91	0.10 82	0.11 137	0.10 162	0.15 240	0.11 150	0.05 7	0.05 149	0.06 66	0.05 72	0.06 153	0.05 90

CroCo-Stereo Lap2	0.09 46	0.09 271	0.08 18	0.22 406	0.09 196	0.09 55	0.19 358	0.16 101	0.12 57	0.09 60	0.10 82	0.05 1	0.05 7	0.08 12	0.08 16	0.06 85	0.06 264	0.07 155	0.05 72	0.05 67	0.05 90

TestStereo1	0.13 235	0.08 206	0.08 18	0.19 313	0.08 89	0.18 330	0.29 469	0.23 252	0.16 147	0.17 269	0.20 242	0.16 240	0.10 162	0.12 155	0.13 235	0.06 85	0.06 264	0.08 234	0.06 143	0.05 67	0.05 90

DCANet-4	0.10 104	0.06 43	0.12 146	0.16 115	0.06 9	0.09 55	0.17 275	0.18 160	0.19 205	0.13 179	0.16 176	0.09 88	0.14 276	0.11 79	0.12 195	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.05 90

fff	0.10 104	0.06 43	0.12 146	0.15 60	0.07 41	0.09 55	0.17 275	0.16 101	0.20 227	0.13 179	0.16 176	0.10 116	0.11 186	0.11 79	0.12 195	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.05 90

SA-5K	0.13 235	0.08 206	0.08 18	0.19 313	0.08 89	0.18 330	0.29 469	0.23 252	0.16 147	0.17 269	0.20 242	0.16 240	0.10 162	0.12 155	0.13 235	0.06 85	0.06 264	0.08 234	0.06 143	0.05 67	0.05 90

Sa-1000	0.12 210	0.08 206	0.08 18	0.18 257	0.08 89	0.14 236	0.22 404	0.22 233	0.18 191	0.15 227	0.20 242	0.17 260	0.11 186	0.10 38	0.10 98	0.06 85	0.05 149	0.09 313	0.09 338	0.05 67	0.05 90

iRaft-Stereo_20w	0.09 46	0.05 12	0.13 191	0.14 24	0.08 89	0.12 166	0.15 180	0.18 160	0.10 18	0.11 117	0.08 44	0.08 64	0.05 7	0.10 38	0.09 46	0.06 85	0.04 3	0.06 66	0.05 72	0.06 153	0.05 90

GLC_STEREO	0.11 147	0.07 116	0.11 115	0.17 180	0.07 41	0.09 55	0.13 69	0.15 76	0.24 282	0.12 153	0.13 135	0.12 154	0.08 106	0.18 325	0.11 150	0.06 85	0.08 359	0.08 234	0.06 143	0.05 67	0.05 90

CrosDoStereo	0.12 210	0.06 43	0.12 146	0.14 24	0.08 89	0.12 166	0.15 180	0.17 134	0.22 256	0.19 314	0.24 292	0.15 227	0.11 186	0.11 79	0.12 195	0.06 85	0.04 3	0.07 155	0.07 230	0.05 67	0.05 90

AAGNet	0.11 147	0.07 116	0.16 306	0.19 313	0.09 196	0.08 34	0.13 69	0.18 160	0.13 86	0.16 253	0.21 263	0.13 178	0.14 276	0.11 79	0.14 272	0.06 85	0.04 3	0.09 313	0.06 143	0.06 153	0.05 90

TransformOpticalFlow	0.10 104	0.08 206	0.13 191	0.18 257	0.07 41	0.09 55	0.15 180	0.19 179	0.15 122	0.12 153	0.17 197	0.11 137	0.11 186	0.11 79	0.10 98	0.05 7	0.04 3	0.06 66	0.06 143	0.05 67	0.05 90

DeepStereo_LL	0.12 210	0.06 43	0.12 146	0.14 24	0.08 89	0.12 166	0.15 180	0.17 134	0.22 256	0.19 314	0.24 292	0.15 227	0.11 186	0.11 79	0.12 195	0.06 85	0.04 3	0.07 155	0.07 230	0.05 67	0.05 90

DEmStereo	0.12 210	0.06 43	0.14 223	0.14 24	0.10 297	0.16 291	0.15 180	0.16 101	0.24 282	0.17 269	0.24 292	0.13 178	0.14 276	0.12 155	0.13 235	0.05 7	0.04 3	0.07 155	0.06 143	0.05 67	0.05 90

SST-Stereo	0.10 104	0.07 116	0.15 272	0.18 257	0.09 196	0.06 7	0.12 35	0.17 134	0.11 41	0.15 227	0.17 197	0.13 178	0.12 215	0.10 38	0.11 150	0.06 85	0.04 3	0.09 313	0.06 143	0.06 153	0.05 90

THIR-Stereo	0.12 210	0.07 116	0.11 115	0.15 60	0.08 89	0.14 236	0.16 244	0.17 134	0.25 303	0.16 253	0.24 292	0.14 198	0.12 215	0.12 155	0.14 272	0.06 85	0.04 3	0.07 155	0.07 230	0.05 67	0.05 90

RAFT_R40	0.11 147	0.07 116	0.14 223	0.18 257	0.09 196	0.06 7	0.13 69	0.17 134	0.16 147	0.14 200	0.18 222	0.15 227	0.12 215	0.10 38	0.11 150	0.06 85	0.04 3	0.09 313	0.06 143	0.06 153	0.05 90

DRaft	0.12 210	0.06 43	0.11 115	0.14 24	0.09 196	0.14 236	0.17 275	0.21 211	0.30 356	0.17 269	0.28 360	0.10 116	0.15 294	0.10 38	0.12 195	0.05 7	0.04 3	0.07 155	0.06 143	0.05 67	0.05 90

PFNet	0.12 210	0.06 43	0.17 334	0.17 180	0.08 89	0.09 55	0.15 180	0.26 307	0.20 227	0.16 253	0.16 176	0.14 198	0.11 186	0.12 155	0.11 150	0.06 85	0.04 3	0.07 155	0.06 143	0.05 67	0.05 90

RAFT-345	0.11 147	0.07 116	0.15 272	0.16 115	0.08 89	0.08 34	0.12 35	0.15 76	0.10 18	0.11 117	0.36 413	0.09 88	0.09 132	0.11 79	0.12 195	0.05 7	0.05 149	0.07 155	0.06 143	0.04 3	0.05 90

AnonymousM	0.09 46	0.05 12	0.10 78	0.14 24	0.06 9	0.09 55	0.13 69	0.19 179	0.14 108	0.13 179	0.11 110	0.09 88	0.08 106	0.13 196	0.10 98	0.08 258	0.05 149	0.08 234	0.05 72	0.05 67	0.05 90

RAFT	0.13 235	0.09 271	0.11 115	0.18 257	0.08 89	0.15 261	0.24 425	0.20 190	0.19 205	0.21 348	0.21 263	0.17 260	0.12 215	0.16 274	0.09 46	0.06 85	0.07 333	0.10 358	0.09 338	0.05 67	0.05 90

TestStereo	0.13 235	0.14 409	0.11 115	0.23 426	0.08 89	0.15 261	0.21 395	0.20 190	0.23 266	0.14 200	0.24 292	0.16 240	0.12 215	0.16 274	0.14 272	0.05 7	0.06 264	0.08 234	0.06 143	0.09 338	0.05 90

raft+_RVC	0.11 147	0.07 116	0.09 49	0.16 115	0.07 41	0.10 93	0.11 22	0.24 274	0.20 227	0.12 153	0.15 165	0.12 154	0.08 106	0.12 155	0.13 235	0.07 200	0.04 3	0.07 155	0.06 143	0.05 67	0.05 90

TANstereo	0.09 46	0.04 1	0.08 18	0.13 12	0.06 9	0.11 134	0.14 114	0.15 76	0.19 205	0.11 117	0.15 165	0.10 116	0.06 26	0.12 155	0.09 46	0.07 200	0.05 149	0.05 3	0.04 18	0.06 153	0.05 90

XX-TBD	0.09 46	0.06 43	0.07 4	0.14 24	0.07 41	0.12 166	0.16 244	0.14 56	0.13 86	0.11 117	0.12 122	0.09 88	0.08 106	0.10 38	0.10 98	0.06 85	0.04 3	0.05 3	0.03 1	0.06 153	0.05 90

raftrobust	0.09 46	0.06 43	0.10 78	0.17 180	0.08 89	0.09 55	0.10 12	0.18 160	0.16 147	0.10 91	0.09 57	0.12 154	0.07 75	0.12 155	0.10 98	0.08 258	0.05 149	0.06 66	0.05 72	0.05 67	0.05 90

csc	0.10 104	0.06 43	0.12 146	0.15 60	0.07 41	0.09 55	0.17 275	0.16 101	0.20 227	0.13 179	0.16 176	0.10 116	0.11 186	0.11 79	0.12 195	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.05 90

cscssc	0.10 104	0.06 43	0.12 146	0.15 60	0.07 41	0.09 55	0.17 275	0.16 101	0.20 227	0.13 179	0.16 176	0.10 116	0.11 186	0.11 79	0.12 195	0.06 85	0.04 3	0.05 3	0.04 18	0.04 3	0.05 90

111	0.10 104	0.06 43	0.12 146	0.15 60	0.07 41	0.10 93	0.14 114	0.21 211	0.23 266	0.11 117	0.12 122	0.14 198	0.11 186	0.13 196	0.10 98	0.06 85	0.04 3	0.06 66	0.04 18	0.05 67	0.05 90

R-Stereo Train	0.10 104	0.06 43	0.10 78	0.17 180	0.08 89	0.11 134	0.14 114	0.23 252	0.11 41	0.12 153	0.19 230	0.11 137	0.08 106	0.09 19	0.11 150	0.07 200	0.05 149	0.06 66	0.05 72	0.05 67	0.05 90

RAFT-Stereo	0.10 104	0.06 43	0.10 78	0.17 180	0.08 89	0.11 134	0.14 114	0.23 252	0.11 41	0.12 153	0.19 230	0.11 137	0.08 106	0.09 19	0.11 150	0.07 200	0.05 149	0.06 66	0.05 72	0.05 67	0.05 90
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 104	0.06 43	0.12 146	0.14 24	0.06 9	0.11 134	0.10 12	0.18 160	0.18 191	0.13 179	0.16 176	0.14 198	0.11 186	0.15 240	0.13 235	0.06 85	0.04 3	0.04 1	0.04 18	0.06 153	0.05 90
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
iResNet	0.13 235	0.10 326	0.18 357	0.19 313	0.08 89	0.13 204	0.18 320	0.20 190	0.26 317	0.15 227	0.23 281	0.15 227	0.13 251	0.14 218	0.14 272	0.06 85	0.04 3	0.06 66	0.05 72	0.06 153	0.05 90

LGtest1	0.07 2	0.04 1	0.10 78	0.15 60	0.06 9	0.07 22	0.09 6	0.08 3	0.06 1	0.05 1	0.04 1	0.06 9	0.06 26	0.10 38	0.09 46	0.07 200	0.04 3	0.05 3	0.04 18	0.06 153	0.06 161

HI	0.11 147	0.06 43	0.11 115	0.13 12	0.09 196	0.09 55	0.14 114	0.21 211	0.10 18	0.19 314	0.17 197	0.14 198	0.09 132	0.16 274	0.08 16	0.05 7	0.04 3	0.07 155	0.08 294	0.07 219	0.06 161

CoSv	0.11 147	0.06 43	0.11 115	0.13 12	0.09 196	0.09 55	0.14 114	0.21 211	0.10 18	0.19 314	0.17 197	0.14 198	0.09 132	0.16 274	0.08 16	0.05 7	0.04 3	0.07 155	0.08 294	0.07 219	0.06 161

AIO-test1	0.10 104	0.07 116	0.10 78	0.23 426	0.07 41	0.09 55	0.13 69	0.21 211	0.14 108	0.11 117	0.12 122	0.09 88	0.07 75	0.11 79	0.09 46	0.06 85	0.05 149	0.09 313	0.10 373	0.03 1	0.06 161

IGEV-RUCA	0.08 14	0.06 43	0.11 115	0.14 24	0.09 196	0.10 93	0.12 35	0.10 7	0.12 57	0.06 6	0.07 22	0.07 39	0.06 26	0.09 19	0.08 16	0.06 85	0.05 149	0.05 3	0.04 18	0.05 67	0.06 161

tt45	0.09 46	0.06 43	0.11 115	0.15 60	0.07 41	0.11 134	0.16 244	0.13 41	0.11 41	0.09 60	0.06 4	0.08 64	0.06 26	0.13 196	0.10 98	0.06 85	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161

PAM_32	0.09 46	0.05 12	0.17 334	0.15 60	0.08 89	0.10 93	0.15 180	0.14 56	0.15 122	0.09 60	0.08 44	0.09 88	0.07 75	0.14 218	0.08 16	0.06 85	0.05 149	0.06 66	0.06 143	0.05 67	0.06 161

PAM	0.10 104	0.05 12	0.16 306	0.15 60	0.08 89	0.09 55	0.16 244	0.15 76	0.16 147	0.12 153	0.09 57	0.09 88	0.07 75	0.13 196	0.08 16	0.06 85	0.05 149	0.06 66	0.06 143	0.05 67	0.06 161

rvit_0105_6	0.14 267	0.09 271	0.18 357	0.17 180	0.10 297	0.10 93	0.16 244	0.19 179	0.26 317	0.12 153	0.18 222	0.17 260	0.12 215	0.18 325	0.12 195	0.15 443	0.11 416	0.12 406	0.10 373	0.09 338	0.06 161

rvit_0105_5	0.14 267	0.09 271	0.13 191	0.17 180	0.09 196	0.14 236	0.23 413	0.24 274	0.27 326	0.14 200	0.15 165	0.18 273	0.12 215	0.17 306	0.14 272	0.14 439	0.11 416	0.10 358	0.10 373	0.08 279	0.06 161

rvit_0105_4	0.14 267	0.09 271	0.17 334	0.17 180	0.10 297	0.12 166	0.19 358	0.23 252	0.27 326	0.14 200	0.20 242	0.17 260	0.13 251	0.17 306	0.13 235	0.15 443	0.11 416	0.11 389	0.10 373	0.09 338	0.06 161

rvit_0105_3	0.15 310	0.09 271	0.14 223	0.19 313	0.12 375	0.15 261	0.25 440	0.25 290	0.29 346	0.15 227	0.17 197	0.20 299	0.13 251	0.17 306	0.14 272	0.13 426	0.11 416	0.12 406	0.14 435	0.07 219	0.06 161

UGAM-zero	0.09 46	0.05 12	0.15 272	0.15 60	0.08 89	0.09 55	0.13 69	0.19 179	0.15 122	0.11 117	0.15 165	0.07 39	0.07 75	0.09 19	0.09 46	0.06 85	0.05 149	0.06 66	0.05 72	0.05 67	0.06 161

rvit_stereo_0081_aga	0.11 147	0.09 271	0.14 223	0.18 257	0.09 196	0.13 204	0.14 114	0.14 56	0.19 205	0.10 91	0.18 222	0.16 240	0.09 132	0.12 155	0.09 46	0.10 350	0.06 264	0.08 234	0.07 230	0.07 219	0.06 161

model_zeroshot	0.10 104	0.04 1	0.11 115	0.15 60	0.09 196	0.12 166	0.14 114	0.20 190	0.13 86	0.11 117	0.10 82	0.12 154	0.07 75	0.12 155	0.10 98	0.07 200	0.06 264	0.06 66	0.05 72	0.06 153	0.06 161

IGEV-Stereo+	0.07 2	0.04 1	0.08 18	0.15 60	0.06 9	0.04 1	0.09 6	0.10 7	0.09 8	0.06 6	0.06 4	0.06 9	0.06 26	0.06 1	0.08 16	0.06 85	0.04 3	0.05 3	0.04 18	0.06 153	0.06 161

DispNO	0.14 267	0.08 206	0.17 334	0.19 313	0.12 375	0.11 134	0.21 395	0.23 252	0.29 346	0.17 269	0.23 281	0.18 273	0.17 341	0.15 240	0.15 300	0.07 200	0.05 149	0.08 234	0.08 294	0.07 219	0.06 161

Former-RAFT_DAM_RVC	0.10 104	0.08 206	0.12 146	0.16 115	0.08 89	0.15 261	0.16 244	0.18 160	0.18 191	0.10 91	0.09 57	0.09 88	0.08 106	0.11 79	0.12 195	0.07 200	0.05 149	0.08 234	0.06 143	0.07 219	0.06 161

SMFormer	0.14 267	0.07 116	0.17 334	0.14 24	0.08 89	0.16 291	0.17 275	0.26 307	0.27 326	0.19 314	0.20 242	0.18 273	0.15 294	0.15 240	0.17 330	0.08 258	0.05 149	0.07 155	0.06 143	0.07 219	0.06 161

tta	0.14 267	0.07 116	0.17 334	0.14 24	0.08 89	0.16 291	0.17 275	0.26 307	0.27 326	0.19 314	0.20 242	0.18 273	0.15 294	0.15 240	0.17 330	0.08 258	0.05 149	0.07 155	0.06 143	0.06 153	0.06 161

qqq1	0.13 235	0.07 116	0.17 334	0.14 24	0.08 89	0.16 291	0.17 275	0.26 307	0.27 326	0.19 314	0.20 242	0.18 273	0.15 294	0.15 240	0.11 150	0.08 258	0.05 149	0.05 3	0.05 72	0.06 153	0.06 161

fff1	0.13 235	0.07 116	0.17 334	0.14 24	0.08 89	0.16 291	0.17 275	0.26 307	0.27 326	0.19 314	0.20 242	0.18 273	0.15 294	0.15 240	0.11 150	0.08 258	0.05 149	0.05 3	0.05 72	0.06 153	0.06 161

MyStereo07	0.10 104	0.07 116	0.10 78	0.17 180	0.09 196	0.14 236	0.18 320	0.15 76	0.15 122	0.09 60	0.06 4	0.06 9	0.07 75	0.12 155	0.09 46	0.06 85	0.05 149	0.08 234	0.07 230	0.06 153	0.06 161

MyStereo06	0.10 104	0.07 116	0.12 146	0.17 180	0.09 196	0.13 204	0.18 320	0.19 179	0.12 57	0.12 153	0.08 44	0.07 39	0.07 75	0.11 79	0.09 46	0.06 85	0.05 149	0.07 155	0.07 230	0.06 153	0.06 161

MyStereo05	0.13 235	0.07 116	0.10 78	0.17 180	0.09 196	0.13 204	0.18 320	0.27 328	0.35 396	0.17 269	0.14 149	0.15 227	0.11 186	0.15 240	0.13 235	0.06 85	0.05 149	0.07 155	0.07 230	0.06 153	0.06 161

MyStereo04	0.13 235	0.07 116	0.10 78	0.17 180	0.09 196	0.14 236	0.18 320	0.29 357	0.38 413	0.17 269	0.14 149	0.16 240	0.10 162	0.15 240	0.13 235	0.06 85	0.05 149	0.08 234	0.07 230	0.06 153	0.06 161

cc1	0.10 104	0.08 206	0.12 146	0.17 180	0.09 196	0.13 204	0.15 180	0.16 101	0.18 191	0.09 60	0.09 57	0.06 9	0.06 26	0.10 38	0.07 1	0.06 85	0.04 3	0.06 66	0.05 72	0.06 153	0.06 161

ff7	0.09 46	0.07 116	0.11 115	0.16 115	0.09 196	0.11 134	0.15 180	0.16 101	0.12 57	0.10 91	0.06 4	0.06 9	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161

IGEVStereo-DCA	0.09 46	0.06 43	0.11 115	0.15 60	0.10 297	0.11 134	0.15 180	0.16 101	0.12 57	0.10 91	0.06 4	0.08 64	0.06 26	0.10 38	0.08 16	0.06 85	0.05 149	0.06 66	0.05 72	0.05 67	0.06 161

ffff	0.09 46	0.07 116	0.11 115	0.16 115	0.09 196	0.11 134	0.15 180	0.16 101	0.12 57	0.10 91	0.06 4	0.06 9	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161

rrr	0.09 46	0.06 43	0.12 146	0.15 60	0.10 297	0.11 134	0.16 244	0.16 101	0.15 122	0.10 91	0.06 4	0.08 64	0.06 26	0.10 38	0.08 16	0.06 85	0.05 149	0.06 66	0.05 72	0.05 67	0.06 161

ffm	0.12 210	0.09 271	0.14 223	0.16 115	0.08 89	0.17 312	0.17 275	0.15 76	0.19 205	0.15 227	0.25 321	0.19 287	0.13 251	0.10 38	0.07 1	0.06 85	0.04 3	0.09 313	0.08 294	0.06 153	0.06 161

ff1	0.13 235	0.09 271	0.14 223	0.16 115	0.08 89	0.17 312	0.17 275	0.15 76	0.19 205	0.15 227	0.25 321	0.19 287	0.13 251	0.14 218	0.20 366	0.06 85	0.04 3	0.09 313	0.08 294	0.06 153	0.06 161

11t	0.09 46	0.07 116	0.11 115	0.16 115	0.09 196	0.11 134	0.15 180	0.16 101	0.12 57	0.10 91	0.06 4	0.06 9	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161

tt1	0.10 104	0.08 206	0.12 146	0.17 180	0.09 196	0.12 166	0.16 244	0.15 76	0.19 205	0.09 60	0.08 44	0.06 9	0.06 26	0.10 38	0.07 1	0.06 85	0.04 3	0.06 66	0.05 72	0.06 153	0.06 161

1111x	0.15 310	0.08 206	0.12 146	0.18 257	0.07 41	0.18 330	0.25 440	0.31 380	0.24 282	0.17 269	0.24 292	0.26 369	0.15 294	0.13 196	0.23 407	0.07 200	0.07 333	0.08 234	0.09 338	0.07 219	0.06 161

plain	0.10 104	0.08 206	0.10 78	0.19 313	0.09 196	0.10 93	0.15 180	0.14 56	0.13 86	0.13 179	0.15 165	0.09 88	0.12 215	0.13 196	0.12 195	0.07 200	0.05 149	0.09 313	0.06 143	0.06 153	0.06 161

anonymousdsp	0.09 46	0.07 116	0.11 115	0.16 115	0.09 196	0.11 134	0.15 180	0.16 101	0.12 57	0.09 60	0.06 4	0.06 9	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161

anonymousa	0.13 235	0.07 116	0.13 191	0.18 257	0.09 196	0.13 204	0.17 275	0.19 179	0.29 346	0.15 227	0.24 292	0.15 227	0.14 276	0.14 218	0.14 272	0.07 200	0.05 149	0.07 155	0.09 338	0.05 67	0.06 161

ProNet	0.09 46	0.07 116	0.10 78	0.17 180	0.08 89	0.10 93	0.15 180	0.15 76	0.12 57	0.09 60	0.06 4	0.07 39	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.04 3	0.06 161

ccc-4	0.09 46	0.07 116	0.11 115	0.16 115	0.09 196	0.11 134	0.15 180	0.16 101	0.12 57	0.10 91	0.06 4	0.06 9	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161

RAFT+CT+SA	0.13 235	0.11 351	0.09 49	0.19 313	0.09 196	0.15 261	0.28 460	0.22 233	0.22 256	0.15 227	0.26 338	0.10 116	0.10 162	0.11 79	0.12 195	0.05 7	0.04 3	0.07 155	0.08 294	0.07 219	0.06 161

IGEV-Stereo	0.09 46	0.07 116	0.11 115	0.16 115	0.09 196	0.11 134	0.15 180	0.16 101	0.12 57	0.09 60	0.06 4	0.06 9	0.06 26	0.11 79	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_5w	0.12 210	0.09 271	0.12 146	0.19 313	0.08 89	0.09 55	0.12 35	0.21 211	0.21 242	0.19 314	0.14 149	0.11 137	0.09 132	0.20 366	0.16 316	0.05 7	0.05 149	0.07 155	0.06 143	0.05 67	0.06 161

psmg	0.14 267	0.09 271	0.14 223	0.17 180	0.10 297	0.15 261	0.17 275	0.29 357	0.19 205	0.17 269	0.21 263	0.25 360	0.16 320	0.15 240	0.14 272	0.08 258	0.06 264	0.08 234	0.08 294	0.07 219	0.06 161

CIPLG	0.11 147	0.08 206	0.14 223	0.17 180	0.08 89	0.12 166	0.15 180	0.17 134	0.15 122	0.14 200	0.11 110	0.16 240	0.09 132	0.16 274	0.11 150	0.07 200	0.05 149	0.06 66	0.05 72	0.05 67	0.06 161

dd	0.15 310	0.16 423	0.16 306	0.19 313	0.09 196	0.15 261	0.18 320	0.21 211	0.25 303	0.23 376	0.20 242	0.21 306	0.09 132	0.21 382	0.16 316	0.10 350	0.06 264	0.08 234	0.06 143	0.08 279	0.06 161

IPLGR_C	0.11 147	0.08 206	0.14 223	0.17 180	0.08 89	0.12 166	0.15 180	0.17 134	0.15 122	0.14 200	0.10 82	0.16 240	0.09 132	0.16 274	0.11 150	0.07 200	0.05 149	0.06 66	0.05 72	0.05 67	0.06 161

ACRE	0.11 147	0.08 206	0.14 223	0.17 180	0.08 89	0.12 166	0.15 180	0.17 134	0.14 108	0.14 200	0.10 82	0.16 240	0.09 132	0.16 274	0.11 150	0.07 200	0.05 149	0.06 66	0.05 72	0.05 67	0.06 161

GwcNet-ADL	0.13 235	0.08 206	0.14 223	0.20 362	0.09 196	0.11 134	0.20 378	0.30 371	0.24 282	0.13 179	0.14 149	0.18 273	0.14 276	0.13 196	0.14 272	0.07 200	0.05 149	0.06 66	0.05 72	0.07 219	0.06 161

RAFT-RH_RVC	0.11 147	0.06 43	0.14 223	0.16 115	0.09 196	0.12 166	0.12 35	0.17 134	0.12 57	0.13 179	0.41 447	0.11 137	0.10 162	0.13 196	0.12 195	0.05 7	0.04 3	0.08 234	0.05 72	0.04 3	0.06 161

IRAFT_RVC	0.12 210	0.08 206	0.16 306	0.19 313	0.08 89	0.07 22	0.15 180	0.24 274	0.23 266	0.14 200	0.14 149	0.15 227	0.12 215	0.12 155	0.10 98	0.06 85	0.04 3	0.09 313	0.06 143	0.06 153	0.06 161

rafts_anoy	0.11 147	0.06 43	0.10 78	0.17 180	0.08 89	0.10 93	0.14 114	0.17 134	0.14 108	0.13 179	0.13 135	0.12 154	0.10 162	0.11 79	0.12 195	0.07 200	0.04 3	0.09 313	0.11 403	0.07 219	0.06 161

test_xeample3	0.09 46	0.06 43	0.12 146	0.16 115	0.09 196	0.11 134	0.15 180	0.16 101	0.13 86	0.10 91	0.06 4	0.08 64	0.06 26	0.10 38	0.09 46	0.05 7	0.04 3	0.06 66	0.05 72	0.05 67	0.06 161

GMStereo	0.13 235	0.14 409	0.14 223	0.18 257	0.09 196	0.15 261	0.16 244	0.20 190	0.24 282	0.16 253	0.17 197	0.10 116	0.10 162	0.16 274	0.13 235	0.07 200	0.06 264	0.06 66	0.06 143	0.07 219	0.06 161
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 235	0.07 116	0.14 223	0.17 180	0.09 196	0.15 261	0.16 244	0.28 347	0.27 326	0.14 200	0.17 197	0.12 154	0.13 251	0.14 218	0.11 150	0.08 258	0.05 149	0.07 155	0.07 230	0.07 219	0.06 161

delet	0.17 354	0.08 206	0.17 334	0.19 313	0.11 344	0.20 369	0.21 395	0.30 371	0.37 408	0.17 269	0.26 338	0.19 287	0.19 370	0.19 341	0.21 386	0.08 258	0.08 359	0.09 313	0.11 403	0.06 153	0.06 161

UNet	0.17 354	0.09 271	0.18 357	0.19 313	0.12 375	0.27 437	0.19 358	0.33 410	0.29 346	0.21 348	0.24 292	0.23 341	0.19 370	0.19 341	0.18 348	0.07 200	0.06 264	0.08 234	0.07 230	0.08 279	0.06 161

UPFNet	0.16 334	0.08 206	0.12 146	0.20 362	0.12 375	0.20 369	0.23 413	0.28 347	0.26 317	0.17 269	0.24 292	0.22 324	0.19 370	0.19 341	0.21 386	0.09 313	0.07 333	0.08 234	0.09 338	0.08 279	0.06 161

CREStereo	0.09 46	0.04 1	0.08 18	0.11 1	0.06 9	0.13 204	0.14 114	0.14 56	0.10 18	0.08 35	0.13 135	0.09 88	0.08 106	0.11 79	0.10 98	0.08 258	0.04 3	0.05 3	0.03 1	0.06 153	0.06 161
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
ac_64	0.16 334	0.08 206	0.15 272	0.18 257	0.10 297	0.22 392	0.18 320	0.24 274	0.21 242	0.18 299	0.24 292	0.29 393	0.18 354	0.19 341	0.22 395	0.09 313	0.07 333	0.08 234	0.09 338	0.07 219	0.06 161

ACVNet	0.15 310	0.09 271	0.15 272	0.13 12	0.12 375	0.14 236	0.20 378	0.22 233	0.33 376	0.17 269	0.26 338	0.21 306	0.16 320	0.17 306	0.21 386	0.07 200	0.06 264	0.06 66	0.06 143	0.08 279	0.06 161

acv_ft	0.15 310	0.09 271	0.15 272	0.19 313	0.10 297	0.16 291	0.17 275	0.25 290	0.33 376	0.19 314	0.26 338	0.21 306	0.17 341	0.17 306	0.18 348	0.07 200	0.06 264	0.06 66	0.06 143	0.08 279	0.06 161

cf-r	0.13 235	0.07 116	0.12 146	0.16 115	0.08 89	0.14 236	0.19 358	0.20 190	0.25 303	0.17 269	0.25 321	0.21 306	0.16 320	0.14 218	0.14 272	0.10 350	0.05 149	0.06 66	0.08 294	0.06 153	0.06 161

PMTNet	0.09 46	0.05 12	0.09 49	0.12 4	0.06 9	0.12 166	0.14 114	0.15 76	0.11 41	0.09 60	0.13 135	0.10 116	0.07 75	0.13 196	0.10 98	0.15 443	0.04 3	0.05 3	0.03 1	0.07 219	0.06 161

DIP-Stereo	0.11 147	0.07 116	0.14 223	0.17 180	0.09 196	0.13 204	0.09 6	0.16 101	0.16 147	0.11 117	0.16 176	0.14 198	0.12 215	0.15 240	0.13 235	0.06 85	0.05 149	0.06 66	0.05 72	0.05 67	0.06 161
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 210	0.08 206	0.14 223	0.18 257	0.07 41	0.15 261	0.07 2	0.22 233	0.18 191	0.16 253	0.19 230	0.18 273	0.14 276	0.16 274	0.15 300	0.07 200	0.05 149	0.05 3	0.05 72	0.06 153	0.06 161

RASNet	0.14 267	0.07 116	0.14 223	0.16 115	0.08 89	0.18 330	0.14 114	0.29 357	0.20 227	0.17 269	0.25 321	0.21 306	0.18 354	0.20 366	0.19 359	0.07 200	0.06 264	0.06 66	0.08 294	0.06 153	0.06 161

HSM-Net_RVC	0.14 267	0.08 206	0.11 115	0.15 60	0.08 89	0.15 261	0.15 180	0.27 328	0.29 346	0.19 314	0.21 263	0.29 393	0.14 276	0.17 306	0.13 235	0.06 85	0.06 264	0.06 66	0.06 143	0.07 219	0.06 161
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 310	0.10 326	0.17 334	0.17 180	0.08 89	0.18 330	0.09 6	0.28 347	0.25 303	0.19 314	0.24 292	0.24 347	0.17 341	0.17 306	0.14 272	0.08 258	0.06 264	0.09 313	0.10 373	0.07 219	0.06 161

AANet_RVC	0.16 334	0.10 326	0.10 78	0.18 257	0.09 196	0.18 330	0.19 358	0.26 307	0.31 363	0.22 363	0.35 410	0.21 306	0.21 386	0.22 393	0.16 316	0.06 85	0.05 149	0.06 66	0.06 143	0.07 219	0.06 161

HSM	0.15 310	0.08 206	0.14 223	0.16 115	0.09 196	0.16 291	0.14 114	0.28 347	0.25 303	0.19 314	0.23 281	0.37 442	0.16 320	0.20 366	0.15 300	0.07 200	0.05 149	0.07 155	0.06 143	0.07 219	0.06 161

LE_ROB	0.50 490	0.07 116	0.14 223	0.15 60	0.08 89	0.24 410	0.16 244	0.22 233	1.81 522	4.63 526	0.67 486	0.47 476	0.44 483	0.20 366	0.29 454	0.07 200	0.06 264	0.06 66	0.06 143	0.08 279	0.06 161

DN-CSS_ROB	0.13 235	0.13 397	0.16 306	0.18 257	0.10 297	0.16 291	0.08 4	0.22 233	0.18 191	0.17 269	0.22 272	0.13 178	0.13 251	0.12 155	0.13 235	0.05 7	0.05 149	0.10 358	0.10 373	0.08 279	0.06 161

pmcnn	0.15 310	0.07 116	0.19 368	0.15 60	0.07 41	0.20 369	0.15 180	0.24 274	0.26 317	0.21 348	0.34 405	0.28 386	0.18 354	0.18 325	0.17 330	0.07 200	0.05 149	0.05 3	0.04 18	0.07 219	0.06 161

G2L-Stereo_aug	0.15 310	0.06 43	0.12 146	0.14 24	0.07 41	0.18 330	0.19 358	0.20 190	0.38 413	0.22 363	0.26 338	0.27 376	0.14 276	0.18 325	0.19 359	0.07 200	0.05 149	0.05 3	0.04 18	0.06 153	0.07 236

G2L-Stereo	0.14 267	0.07 116	0.13 191	0.17 180	0.09 196	0.13 204	0.12 35	0.27 328	0.22 256	0.16 253	0.27 347	0.21 306	0.13 251	0.17 306	0.18 348	0.09 313	0.08 359	0.08 234	0.07 230	0.07 219	0.07 236

rvit_105_1	0.19 379	0.11 351	0.25 410	0.21 391	0.16 440	0.21 384	0.27 454	0.31 380	0.41 426	0.19 314	0.20 242	0.22 324	0.17 341	0.19 341	0.17 330	0.12 403	0.12 430	0.13 421	0.15 451	0.08 279	0.07 236

ACV-stereo	0.15 310	0.10 326	0.28 425	0.18 257	0.12 375	0.14 236	0.12 35	0.23 252	0.21 242	0.19 314	0.23 281	0.22 324	0.15 294	0.23 404	0.17 330	0.07 200	0.06 264	0.07 155	0.07 230	0.07 219	0.07 236

test_sample2	0.12 210	0.07 116	0.12 146	0.14 24	0.08 89	0.16 291	0.18 320	0.21 211	0.16 147	0.14 200	0.20 242	0.19 287	0.15 294	0.15 240	0.12 195	0.08 258	0.05 149	0.07 155	0.06 143	0.08 279	0.07 236

test_sample1	0.13 235	0.07 116	0.14 223	0.13 12	0.08 89	0.19 354	0.16 244	0.20 190	0.15 122	0.14 200	0.22 272	0.18 273	0.16 320	0.17 306	0.14 272	0.07 200	0.06 264	0.06 66	0.06 143	0.08 279	0.07 236

ACVNet-DCA	0.10 104	0.08 206	0.12 146	0.17 180	0.09 196	0.13 204	0.15 180	0.23 252	0.16 147	0.09 60	0.09 57	0.06 9	0.06 26	0.10 38	0.07 1	0.06 85	0.04 3	0.06 66	0.05 72	0.07 219	0.07 236

xx1	0.11 147	0.08 206	0.12 146	0.17 180	0.09 196	0.13 204	0.15 180	0.16 101	0.18 191	0.09 60	0.09 57	0.16 240	0.16 320	0.10 38	0.07 1	0.06 85	0.04 3	0.08 234	0.08 294	0.07 219	0.07 236

1test111	0.11 147	0.08 206	0.12 146	0.17 180	0.09 196	0.13 204	0.15 180	0.23 252	0.16 147	0.09 60	0.09 57	0.06 9	0.06 26	0.15 240	0.16 316	0.06 85	0.04 3	0.06 66	0.05 72	0.07 219	0.07 236

mmm	0.14 267	0.08 206	0.17 334	0.17 180	0.09 196	0.17 312	0.18 320	0.21 211	0.15 122	0.15 227	0.23 281	0.21 306	0.16 320	0.16 274	0.17 330	0.08 258	0.05 149	0.08 234	0.07 230	0.07 219	0.07 236

11t1	0.12 210	0.06 43	0.13 191	0.14 24	0.08 89	0.17 312	0.15 180	0.18 160	0.15 122	0.15 227	0.15 165	0.16 240	0.16 320	0.15 240	0.13 235	0.08 258	0.05 149	0.06 66	0.05 72	0.08 279	0.07 236

MIF-Stereo (partial)	0.11 147	0.06 43	0.10 78	0.19 313	0.10 297	0.10 93	0.11 22	0.17 134	0.18 191	0.14 200	0.16 176	0.09 88	0.11 186	0.12 155	0.12 195	0.08 258	0.05 149	0.08 234	0.07 230	0.06 153	0.07 236

EKT-Stereo	0.11 147	0.07 116	0.14 223	0.15 60	0.10 297	0.13 204	0.14 114	0.18 160	0.21 242	0.11 117	0.08 44	0.12 154	0.09 132	0.11 79	0.12 195	0.08 258	0.06 264	0.07 155	0.06 143	0.08 279	0.07 236

PCWNet_CMD	0.14 267	0.08 206	0.15 272	0.17 180	0.09 196	0.14 236	0.14 114	0.29 357	0.36 401	0.14 200	0.20 242	0.21 306	0.12 215	0.17 306	0.13 235	0.07 200	0.05 149	0.07 155	0.07 230	0.07 219	0.07 236

fast-acv-ft	0.18 367	0.11 351	0.19 368	0.19 313	0.12 375	0.24 410	0.21 395	0.25 290	0.34 387	0.22 363	0.34 405	0.27 376	0.20 382	0.21 382	0.23 407	0.09 313	0.09 385	0.08 234	0.10 373	0.08 279	0.07 236

CBFPSM	0.14 267	0.06 43	0.26 413	0.17 180	0.09 196	0.13 204	0.15 180	0.22 233	0.23 266	0.20 335	0.27 347	0.24 347	0.16 320	0.16 274	0.18 348	0.06 85	0.06 264	0.06 66	0.07 230	0.07 219	0.07 236

GASNet	0.22 411	0.23 462	0.33 444	0.26 450	0.17 455	0.26 428	0.16 244	0.44 475	0.42 433	0.27 408	0.24 292	0.30 401	0.15 294	0.27 423	0.18 348	0.12 403	0.08 359	0.12 406	0.11 403	0.16 454	0.07 236

gwcnet-sp	0.14 267	0.07 116	0.12 146	0.18 257	0.09 196	0.16 291	0.17 275	0.24 274	0.24 282	0.18 299	0.24 292	0.15 227	0.16 320	0.15 240	0.15 300	0.08 258	0.06 264	0.07 155	0.08 294	0.08 279	0.07 236

scenet	0.14 267	0.07 116	0.12 146	0.18 257	0.09 196	0.16 291	0.17 275	0.24 274	0.24 282	0.18 299	0.24 292	0.15 227	0.16 320	0.15 240	0.15 300	0.08 258	0.06 264	0.07 155	0.08 294	0.08 279	0.07 236

CASS	0.13 235	0.12 368	0.11 115	0.23 426	0.09 196	0.15 261	0.17 275	0.18 160	0.19 205	0.17 269	0.18 222	0.15 227	0.15 294	0.14 218	0.14 272	0.09 313	0.06 264	0.10 358	0.08 294	0.09 338	0.07 236
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
knoymous	0.11 147	0.05 12	0.12 146	0.13 12	0.07 41	0.15 261	0.14 114	0.19 179	0.13 86	0.11 117	0.17 197	0.13 178	0.09 132	0.13 196	0.11 150	0.08 258	0.05 149	0.06 66	0.05 72	0.08 279	0.07 236

ssnet	0.14 267	0.07 116	0.12 146	0.18 257	0.09 196	0.16 291	0.17 275	0.24 274	0.24 282	0.18 299	0.24 292	0.15 227	0.16 320	0.15 240	0.15 300	0.08 258	0.06 264	0.07 155	0.08 294	0.08 279	0.07 236

qqq	0.13 235	0.09 271	0.15 272	0.16 115	0.08 89	0.13 204	0.15 180	0.23 252	0.16 147	0.15 227	0.19 230	0.16 240	0.16 320	0.15 240	0.16 316	0.07 200	0.06 264	0.08 234	0.08 294	0.07 219	0.07 236

x	0.13 235	0.07 116	0.14 223	0.14 24	0.08 89	0.18 330	0.14 114	0.22 233	0.20 227	0.15 227	0.19 230	0.19 287	0.17 341	0.18 325	0.18 348	0.07 200	0.05 149	0.06 66	0.06 143	0.07 219	0.07 236

BUS	0.14 267	0.09 271	0.14 223	0.22 406	0.10 297	0.19 354	0.14 114	0.34 419	0.19 205	0.17 269	0.22 272	0.16 240	0.13 251	0.15 240	0.13 235	0.08 258	0.06 264	0.10 358	0.09 338	0.07 219	0.07 236

IER	0.14 267	0.07 116	0.13 191	0.17 180	0.09 196	0.14 236	0.16 244	0.25 290	0.26 317	0.18 299	0.25 321	0.17 260	0.20 382	0.16 274	0.14 272	0.08 258	0.05 149	0.07 155	0.06 143	0.08 279	0.07 236

test_5	0.14 267	0.12 368	0.08 18	0.20 362	0.10 297	0.14 236	0.29 469	0.21 211	0.24 282	0.18 299	0.28 360	0.11 137	0.15 294	0.12 155	0.13 235	0.06 85	0.05 149	0.07 155	0.08 294	0.08 279	0.07 236

BSDual-CNN	0.15 310	0.09 271	0.14 223	0.22 406	0.10 297	0.14 236	0.15 180	0.34 419	0.19 205	0.17 269	0.22 272	0.25 360	0.16 320	0.15 240	0.14 272	0.08 258	0.06 264	0.10 358	0.09 338	0.07 219	0.07 236

hknet	0.15 310	0.11 351	0.13 191	0.22 406	0.11 344	0.14 236	0.15 180	0.34 419	0.25 303	0.17 269	0.22 272	0.22 324	0.18 354	0.17 306	0.12 195	0.07 200	0.06 264	0.10 358	0.09 338	0.07 219	0.07 236

CSP-Net	0.16 334	0.09 271	0.14 223	0.16 115	0.09 196	0.19 354	0.17 275	0.25 290	0.32 369	0.25 398	0.30 377	0.24 347	0.15 294	0.21 382	0.18 348	0.09 313	0.06 264	0.07 155	0.07 230	0.08 279	0.07 236

UDGNet	0.14 267	0.13 397	0.16 306	0.17 180	0.10 297	0.12 166	0.16 244	0.21 211	0.27 326	0.20 335	0.20 242	0.16 240	0.13 251	0.16 274	0.13 235	0.10 350	0.06 264	0.09 313	0.07 230	0.06 153	0.07 236

dad	0.17 354	0.20 451	0.20 380	0.16 115	0.11 344	0.20 369	0.18 320	0.21 211	0.28 340	0.30 432	0.24 292	0.29 393	0.13 251	0.19 341	0.16 316	0.18 466	0.09 385	0.11 389	0.09 338	0.11 389	0.07 236

DAS	0.15 310	0.08 206	0.18 357	0.19 313	0.10 297	0.19 354	0.17 275	0.27 328	0.29 346	0.18 299	0.25 321	0.21 306	0.15 294	0.16 274	0.12 195	0.08 258	0.06 264	0.06 66	0.06 143	0.07 219	0.07 236

SepStereo	0.15 310	0.08 206	0.18 357	0.19 313	0.10 297	0.19 354	0.17 275	0.27 328	0.29 346	0.18 299	0.25 321	0.21 306	0.15 294	0.25 418	0.12 195	0.08 258	0.06 264	0.06 66	0.06 143	0.07 219	0.07 236

PSMNet-ADL	0.15 310	0.12 368	0.13 191	0.22 406	0.09 196	0.13 204	0.20 378	0.26 307	0.23 266	0.18 299	0.20 242	0.24 347	0.16 320	0.18 325	0.17 330	0.08 258	0.08 359	0.08 234	0.11 403	0.08 279	0.07 236

ADLNet2	0.16 334	0.09 271	0.13 191	0.16 115	0.09 196	0.20 369	0.16 244	0.31 380	0.39 417	0.16 253	0.20 242	0.20 299	0.18 354	0.21 382	0.22 395	0.08 258	0.06 264	0.07 155	0.07 230	0.09 338	0.07 236

Patchmatch Stereo++	0.11 147	0.09 271	0.16 306	0.18 257	0.08 89	0.06 7	0.11 22	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
NRIStereo	0.11 147	0.08 206	0.14 223	0.18 257	0.08 89	0.10 93	0.14 114	0.16 101	0.15 122	0.12 153	0.14 149	0.13 178	0.12 215	0.13 196	0.10 98	0.06 85	0.04 3	0.07 155	0.06 143	0.06 153	0.07 236

PSM-adaLoss	0.11 147	0.09 271	0.16 306	0.18 257	0.08 89	0.06 7	0.12 35	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236

ROB_FTStereo_v2	0.11 147	0.09 271	0.16 306	0.19 313	0.08 89	0.06 7	0.12 35	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236

ROB_FTStereo	0.11 147	0.09 271	0.16 306	0.19 313	0.08 89	0.06 7	0.11 22	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236

HUI-Stereo	0.11 147	0.09 271	0.16 306	0.18 257	0.08 89	0.06 7	0.12 35	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236

iGMRVC	0.11 147	0.09 271	0.16 306	0.19 313	0.08 89	0.06 7	0.12 35	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236

iRAFT	0.11 147	0.09 271	0.16 306	0.18 257	0.08 89	0.06 7	0.11 22	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236

RAFT-IKP	0.11 147	0.09 271	0.16 306	0.19 313	0.08 89	0.06 7	0.12 35	0.16 101	0.13 86	0.15 227	0.16 176	0.14 198	0.12 215	0.11 79	0.10 98	0.06 85	0.04 3	0.08 234	0.06 143	0.08 279	0.07 236

ICVP	0.15 310	0.09 271	0.12 146	0.22 406	0.09 196	0.17 312	0.21 395	0.25 290	0.23 266	0.18 299	0.30 377	0.26 369	0.18 354	0.17 306	0.14 272	0.09 313	0.07 333	0.08 234	0.07 230	0.07 219	0.07 236
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
CFNet_pseudo	0.14 267	0.08 206	0.15 272	0.16 115	0.09 196	0.13 204	0.14 114	0.27 328	0.34 387	0.14 200	0.21 263	0.22 324	0.13 251	0.18 325	0.14 272	0.07 200	0.05 149	0.08 234	0.06 143	0.07 219	0.07 236

RALCasStereoNet	0.10 104	0.06 43	0.09 49	0.16 115	0.08 89	0.12 166	0.14 114	0.17 134	0.11 41	0.12 153	0.17 197	0.14 198	0.10 162	0.12 155	0.11 150	0.07 200	0.06 264	0.06 66	0.05 72	0.08 279	0.07 236

sCroCo_RVC	0.12 210	0.09 271	0.23 402	0.24 435	0.11 344	0.19 354	0.14 114	0.17 134	0.14 108	0.10 91	0.13 135	0.12 154	0.07 75	0.14 218	0.11 150	0.08 258	0.08 359	0.08 234	0.08 294	0.05 67	0.07 236

HCRNet	0.16 334	0.24 465	0.12 146	0.35 482	0.11 344	0.15 261	0.17 275	0.26 307	0.22 256	0.19 314	0.24 292	0.21 306	0.14 276	0.15 240	0.13 235	0.11 378	0.07 333	0.11 389	0.10 373	0.09 338	0.07 236

xxxx	0.15 310	0.07 116	0.14 223	0.14 24	0.08 89	0.23 405	0.18 320	0.31 380	0.19 205	0.14 200	0.28 360	0.22 324	0.14 276	0.15 240	0.26 437	0.09 313	0.05 149	0.07 155	0.07 230	0.08 279	0.07 236

test_xeample	0.15 310	0.06 43	0.13 191	0.14 24	0.08 89	0.21 384	0.20 378	0.28 347	0.20 227	0.16 253	0.29 372	0.19 287	0.16 320	0.15 240	0.26 437	0.09 313	0.05 149	0.07 155	0.07 230	0.07 219	0.07 236

MMNet	0.17 354	0.09 271	0.16 306	0.20 362	0.11 344	0.27 437	0.20 378	0.25 290	0.41 426	0.22 363	0.30 377	0.21 306	0.20 382	0.17 306	0.20 366	0.06 85	0.06 264	0.07 155	0.07 230	0.08 279	0.07 236

FENet	0.13 235	0.08 206	0.12 146	0.16 115	0.08 89	0.14 236	0.15 180	0.22 233	0.23 266	0.17 269	0.23 281	0.16 240	0.12 215	0.14 218	0.15 300	0.08 258	0.05 149	0.08 234	0.08 294	0.07 219	0.07 236

GANet-RSSM	0.14 267	0.07 116	0.13 191	0.13 12	0.08 89	0.14 236	0.17 275	0.22 233	0.21 242	0.17 269	0.24 292	0.23 341	0.15 294	0.16 274	0.15 300	0.10 350	0.06 264	0.07 155	0.08 294	0.08 279	0.07 236

PSMNet-RSSM	0.14 267	0.07 116	0.13 191	0.15 60	0.08 89	0.13 204	0.16 244	0.24 274	0.24 282	0.16 253	0.28 360	0.22 324	0.14 276	0.15 240	0.13 235	0.11 378	0.06 264	0.09 313	0.12 422	0.08 279	0.07 236

GwcNet-RSSM	0.14 267	0.07 116	0.12 146	0.15 60	0.08 89	0.15 261	0.20 378	0.21 211	0.27 326	0.18 299	0.27 347	0.22 324	0.16 320	0.14 218	0.15 300	0.10 350	0.05 149	0.07 155	0.09 338	0.07 219	0.07 236

MSMDNet	0.14 267	0.08 206	0.15 272	0.17 180	0.09 196	0.14 236	0.14 114	0.29 357	0.36 401	0.14 200	0.21 263	0.21 306	0.12 215	0.17 306	0.14 272	0.07 200	0.05 149	0.07 155	0.07 230	0.07 219	0.07 236

CVANet_RVC	0.18 367	0.10 326	0.14 223	0.21 391	0.10 297	0.18 330	0.17 275	0.34 419	0.33 376	0.22 363	0.31 385	0.28 386	0.18 354	0.23 404	0.17 330	0.12 403	0.08 359	0.12 406	0.11 403	0.09 338	0.07 236

ccs_rob	0.14 267	0.08 206	0.15 272	0.16 115	0.09 196	0.12 166	0.14 114	0.27 328	0.34 387	0.14 200	0.21 263	0.22 324	0.13 251	0.18 325	0.14 272	0.07 200	0.05 149	0.08 234	0.07 230	0.07 219	0.07 236

AdaStereo	0.15 310	0.11 351	0.15 272	0.18 257	0.09 196	0.20 369	0.11 22	0.32 391	0.28 340	0.20 335	0.23 281	0.20 299	0.13 251	0.19 341	0.14 272	0.12 403	0.05 149	0.10 358	0.07 230	0.09 338	0.07 236
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.
StereoDRNet-Refined	0.17 354	0.12 368	0.15 272	0.20 362	0.09 196	0.18 330	0.18 320	0.26 307	0.23 266	0.26 402	0.40 437	0.22 324	0.17 341	0.21 382	0.20 366	0.08 258	0.05 149	0.09 313	0.10 373	0.07 219	0.07 236
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DRN-Test	0.19 379	0.11 351	0.20 380	0.22 406	0.10 297	0.22 392	0.22 404	0.39 454	0.37 408	0.24 385	0.32 389	0.26 369	0.21 386	0.22 393	0.24 418	0.11 378	0.07 333	0.11 389	0.10 373	0.09 338	0.07 236

StereoDRNet	0.18 367	0.11 351	0.17 334	0.22 406	0.11 344	0.21 384	0.22 404	0.37 443	0.33 376	0.24 385	0.28 360	0.30 401	0.19 370	0.20 366	0.20 366	0.09 313	0.08 359	0.11 389	0.09 338	0.09 338	0.07 236

DLCB_ROB	0.18 367	0.10 326	0.15 272	0.23 426	0.11 344	0.24 410	0.18 320	0.29 357	0.28 340	0.27 408	0.28 360	0.28 386	0.24 407	0.19 341	0.20 366	0.08 258	0.08 359	0.09 313	0.09 338	0.07 219	0.07 236

coex_refinement	0.14 267	0.07 116	0.12 146	0.17 180	0.10 297	0.15 261	0.15 180	0.26 307	0.29 346	0.18 299	0.20 242	0.22 324	0.17 341	0.16 274	0.18 348	0.08 258	0.05 149	0.06 66	0.06 143	0.09 338	0.08 301

S2M2	0.09 46	0.08 206	0.11 115	0.13 12	0.10 297	0.08 34	0.06 1	0.10 7	0.10 18	0.10 91	0.09 57	0.10 116	0.09 132	0.11 79	0.11 150	0.13 426	0.07 333	0.08 234	0.09 338	0.10 369	0.08 301

FACV-RUCA	0.13 235	0.11 351	0.12 146	0.19 313	0.12 375	0.15 261	0.15 180	0.22 233	0.20 227	0.15 227	0.16 176	0.14 198	0.16 320	0.14 218	0.13 235	0.07 200	0.05 149	0.08 234	0.06 143	0.10 369	0.08 301

ITSA-stereo	0.15 310	0.10 326	0.14 223	0.19 313	0.08 89	0.12 166	0.14 114	0.30 371	0.49 457	0.17 269	0.19 230	0.22 324	0.15 294	0.17 306	0.16 316	0.10 350	0.06 264	0.08 234	0.08 294	0.08 279	0.08 301

AIO-Stereo-zeroshot	0.11 147	0.05 12	0.11 115	0.15 60	0.13 396	0.13 204	0.16 244	0.23 252	0.17 165	0.10 91	0.12 122	0.10 116	0.07 75	0.11 79	0.09 46	0.06 85	0.05 149	0.06 66	0.06 143	0.07 219	0.08 301

test_sample6	0.14 267	0.08 206	0.13 191	0.16 115	0.08 89	0.17 312	0.19 358	0.25 290	0.17 165	0.17 269	0.27 347	0.19 287	0.14 276	0.15 240	0.13 235	0.08 258	0.05 149	0.08 234	0.07 230	0.08 279	0.08 301

test_sample5	0.14 267	0.08 206	0.14 223	0.16 115	0.08 89	0.18 330	0.18 320	0.25 290	0.17 165	0.17 269	0.27 347	0.18 273	0.14 276	0.16 274	0.13 235	0.08 258	0.05 149	0.08 234	0.07 230	0.08 279	0.08 301

test_sample4	0.14 267	0.08 206	0.14 223	0.15 60	0.08 89	0.19 354	0.18 320	0.26 307	0.17 165	0.16 253	0.25 321	0.18 273	0.14 276	0.16 274	0.13 235	0.08 258	0.06 264	0.08 234	0.06 143	0.08 279	0.08 301

test_sample3	0.14 267	0.08 206	0.15 272	0.14 24	0.09 196	0.19 354	0.17 275	0.26 307	0.18 191	0.16 253	0.22 272	0.19 287	0.15 294	0.17 306	0.13 235	0.08 258	0.06 264	0.07 155	0.06 143	0.09 338	0.08 301

CAS++	0.11 147	0.07 116	0.11 115	0.14 24	0.09 196	0.12 166	0.14 114	0.24 274	0.14 108	0.11 117	0.09 57	0.11 137	0.07 75	0.14 218	0.09 46	0.11 378	0.09 385	0.09 313	0.07 230	0.07 219	0.08 301
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
DualNet	0.14 267	0.08 206	0.14 223	0.16 115	0.08 89	0.18 330	0.18 320	0.25 290	0.17 165	0.17 269	0.27 347	0.18 273	0.14 276	0.16 274	0.13 235	0.08 258	0.05 149	0.08 234	0.07 230	0.08 279	0.08 301

mmx	0.14 267	0.09 271	0.14 223	0.16 115	0.08 89	0.17 312	0.17 275	0.27 328	0.25 303	0.15 227	0.25 321	0.19 287	0.13 251	0.14 218	0.20 366	0.08 258	0.06 264	0.09 313	0.08 294	0.08 279	0.08 301

ttt	0.14 267	0.08 206	0.14 223	0.15 60	0.08 89	0.15 261	0.18 320	0.27 328	0.29 346	0.16 253	0.24 292	0.17 260	0.13 251	0.13 196	0.14 272	0.11 378	0.08 359	0.09 313	0.08 294	0.09 338	0.08 301

xxx	0.14 267	0.09 271	0.14 223	0.16 115	0.08 89	0.17 312	0.17 275	0.27 328	0.25 303	0.15 227	0.25 321	0.19 287	0.13 251	0.14 218	0.20 366	0.08 258	0.06 264	0.09 313	0.08 294	0.08 279	0.08 301

GMStereo_Zeroshot	0.16 334	0.13 397	0.24 405	0.20 362	0.10 297	0.17 312	0.13 69	0.29 357	0.25 303	0.23 376	0.32 389	0.25 360	0.11 186	0.19 341	0.14 272	0.09 313	0.06 264	0.11 389	0.06 143	0.12 403	0.08 301

ToySt	0.17 354	0.11 351	0.18 357	0.17 180	0.11 344	0.16 291	0.25 440	0.24 274	0.33 376	0.19 314	0.24 292	0.26 369	0.24 407	0.19 341	0.20 366	0.07 200	0.08 359	0.09 313	0.10 373	0.09 338	0.08 301

riskmin	0.11 147	0.06 43	0.13 191	0.14 24	0.08 89	0.14 236	0.14 114	0.18 160	0.14 108	0.11 117	0.14 149	0.16 240	0.11 186	0.14 218	0.12 195	0.09 313	0.05 149	0.07 155	0.05 72	0.08 279	0.08 301

ssnet_v2	0.17 354	0.10 326	0.17 334	0.17 180	0.11 344	0.21 384	0.21 395	0.33 410	0.25 303	0.22 363	0.22 272	0.27 376	0.18 354	0.22 393	0.20 366	0.11 378	0.09 385	0.09 313	0.09 338	0.08 279	0.08 301

HBP-ISP	0.18 367	0.13 397	0.16 306	0.15 60	0.11 344	0.08 34	0.13 69	0.28 347	0.29 346	0.22 363	0.33 401	0.21 306	0.25 415	0.23 404	0.17 330	0.14 439	0.16 461	0.21 468	0.17 462	0.10 369	0.08 301

CRFU-Net	0.16 334	0.08 206	0.14 223	0.17 180	0.09 196	0.19 354	0.14 114	0.26 307	0.20 227	0.28 422	0.27 347	0.29 393	0.17 341	0.19 341	0.17 330	0.09 313	0.09 385	0.07 155	0.07 230	0.08 279	0.08 301

GANet-ADL	0.13 235	0.07 116	0.15 272	0.17 180	0.10 297	0.18 330	0.15 180	0.30 371	0.20 227	0.13 179	0.18 222	0.19 287	0.12 215	0.16 274	0.13 235	0.08 258	0.06 264	0.06 66	0.05 72	0.07 219	0.08 301

ASMatch	0.11 147	0.06 43	0.13 191	0.16 115	0.10 297	0.07 22	0.14 114	0.17 134	0.17 165	0.12 153	0.16 176	0.16 240	0.10 162	0.13 196	0.10 98	0.05 7	0.04 3	0.06 66	0.05 72	0.04 3	0.08 301

Pruner-Stereo	0.11 147	0.07 116	0.12 146	0.17 180	0.09 196	0.06 7	0.12 35	0.17 134	0.17 165	0.13 179	0.19 230	0.13 178	0.09 132	0.11 79	0.11 150	0.06 85	0.04 3	0.07 155	0.06 143	0.06 153	0.08 301

DeepStereo_RVC	0.11 147	0.08 206	0.16 306	0.18 257	0.08 89	0.08 34	0.12 35	0.17 134	0.12 57	0.13 179	0.14 149	0.12 154	0.12 215	0.12 155	0.11 150	0.06 85	0.04 3	0.07 155	0.06 143	0.07 219	0.08 301

CRE-IMP	0.11 147	0.09 271	0.16 306	0.19 313	0.08 89	0.10 93	0.12 35	0.18 160	0.10 18	0.14 200	0.13 135	0.13 178	0.12 215	0.12 155	0.11 150	0.07 200	0.04 3	0.08 234	0.06 143	0.08 279	0.08 301

LMCR-Stereo	0.15 310	0.08 206	0.13 191	0.21 391	0.09 196	0.17 312	0.20 378	0.27 328	0.19 205	0.24 385	0.24 292	0.23 341	0.17 341	0.20 366	0.17 330	0.07 200	0.06 264	0.08 234	0.06 143	0.10 369	0.08 301

GEStereo_RVC	0.17 354	0.12 368	0.15 272	0.22 406	0.11 344	0.19 354	0.17 275	0.32 391	0.48 452	0.20 335	0.25 321	0.17 260	0.13 251	0.21 382	0.16 316	0.10 350	0.06 264	0.08 234	0.07 230	0.09 338	0.08 301

222	0.16 334	0.07 116	0.14 223	0.14 24	0.08 89	0.24 410	0.18 320	0.30 371	0.20 227	0.17 269	0.28 360	0.17 260	0.16 320	0.15 240	0.40 484	0.10 350	0.05 149	0.07 155	0.06 143	0.07 219	0.08 301

RAFT + AFF	0.13 235	0.07 116	0.20 380	0.20 362	0.10 297	0.14 236	0.24 425	0.26 307	0.20 227	0.11 117	0.10 82	0.12 154	0.10 162	0.15 240	0.12 195	0.07 200	0.06 264	0.09 313	0.08 294	0.06 153	0.08 301

Syn2CoEx	0.21 402	0.16 423	0.27 420	0.29 472	0.14 414	0.26 428	0.20 378	0.33 410	0.31 363	0.28 422	0.36 413	0.27 376	0.25 415	0.19 341	0.24 418	0.16 459	0.12 430	0.14 433	0.11 403	0.09 338	0.08 301

psm_up	0.18 367	0.10 326	0.18 357	0.20 362	0.11 344	0.17 312	0.19 358	0.37 443	0.34 387	0.21 348	0.28 360	0.29 393	0.24 407	0.20 366	0.22 395	0.09 313	0.10 404	0.11 389	0.11 403	0.08 279	0.08 301

CFNet-ft	0.14 267	0.07 116	0.15 272	0.12 4	0.09 196	0.16 291	0.18 320	0.22 233	0.24 282	0.17 269	0.26 338	0.24 347	0.14 276	0.16 274	0.14 272	0.11 378	0.06 264	0.08 234	0.09 338	0.09 338	0.08 301

DSFCA	0.16 334	0.09 271	0.14 223	0.16 115	0.10 297	0.20 369	0.19 358	0.28 347	0.31 363	0.23 376	0.24 292	0.22 324	0.15 294	0.19 341	0.20 366	0.10 350	0.07 333	0.09 313	0.09 338	0.08 279	0.08 301

DMCA-RVC	0.17 354	0.10 326	0.15 272	0.24 435	0.11 344	0.18 330	0.18 320	0.25 290	0.24 282	0.21 348	0.26 338	0.25 360	0.27 428	0.18 325	0.20 366	0.12 403	0.08 359	0.13 421	0.10 373	0.10 369	0.08 301

STTStereo	0.18 367	0.12 368	0.27 420	0.20 362	0.11 344	0.16 291	0.21 395	0.29 357	0.23 266	0.21 348	0.30 377	0.29 393	0.18 354	0.20 366	0.19 359	0.12 403	0.11 416	0.11 389	0.14 435	0.09 338	0.08 301

ADCRef	0.19 379	0.12 368	0.41 463	0.20 362	0.12 375	0.22 392	0.18 320	0.32 391	0.36 401	0.26 402	0.32 389	0.17 260	0.23 401	0.24 413	0.24 418	0.07 200	0.06 264	0.09 313	0.09 338	0.08 279	0.08 301

GANet	0.21 402	0.12 368	0.21 387	0.24 435	0.13 396	0.22 392	0.22 404	0.41 464	0.26 317	0.31 438	0.42 453	0.37 442	0.28 436	0.23 404	0.22 395	0.10 350	0.12 430	0.10 358	0.09 338	0.10 369	0.08 301

TDLM	0.17 354	0.12 368	0.13 191	0.24 435	0.10 297	0.18 330	0.18 320	0.36 438	0.30 356	0.21 348	0.28 360	0.28 386	0.18 354	0.23 404	0.18 348	0.11 378	0.07 333	0.10 358	0.10 373	0.08 279	0.08 301

CFNet_RVC	0.14 267	0.07 116	0.15 272	0.12 4	0.09 196	0.16 291	0.18 320	0.22 233	0.24 282	0.17 269	0.26 338	0.24 347	0.14 276	0.16 274	0.14 272	0.11 378	0.06 264	0.08 234	0.09 338	0.09 338	0.08 301

NLCA_NET_v2_RVC	0.17 354	0.10 326	0.22 393	0.20 362	0.10 297	0.15 261	0.18 320	0.31 380	0.25 303	0.21 348	0.30 377	0.25 360	0.17 341	0.21 382	0.20 366	0.09 313	0.06 264	0.08 234	0.08 294	0.07 219	0.08 301
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
PS-NSSS	0.20 391	0.21 457	0.23 402	0.20 362	0.10 297	0.19 354	0.17 275	0.36 438	0.25 303	0.27 408	0.33 401	0.27 376	0.24 407	0.20 366	0.20 366	0.15 443	0.12 430	0.17 454	0.14 435	0.10 369	0.08 301

iResNetv2_ROB	0.14 267	0.08 206	0.15 272	0.16 115	0.08 89	0.16 291	0.12 35	0.25 290	0.35 396	0.21 348	0.29 372	0.24 347	0.13 251	0.14 218	0.14 272	0.06 85	0.05 149	0.06 66	0.04 18	0.09 338	0.08 301

MDST_ROB	0.22 411	0.10 326	0.17 334	0.18 257	0.11 344	0.37 471	0.19 358	0.43 473	0.41 426	0.39 461	0.39 432	0.29 393	0.21 386	0.26 420	0.18 348	0.11 378	0.10 404	0.14 433	0.11 403	0.10 369	0.08 301

iResNet_ROB	0.14 267	0.07 116	0.13 191	0.14 24	0.07 41	0.18 330	0.14 114	0.26 307	0.31 363	0.22 363	0.25 321	0.23 341	0.15 294	0.15 240	0.13 235	0.07 200	0.05 149	0.05 3	0.04 18	0.08 279	0.08 301

YMNet	0.20 391	0.12 368	0.19 368	0.20 362	0.14 414	0.26 428	0.23 413	0.32 391	0.34 387	0.27 408	0.34 405	0.30 401	0.18 354	0.18 325	0.22 395	0.10 350	0.13 443	0.10 358	0.10 373	0.08 279	0.09 345

YMNet_1	0.20 391	0.12 368	0.19 368	0.20 362	0.14 414	0.26 428	0.23 413	0.32 391	0.34 387	0.27 408	0.34 405	0.30 401	0.18 354	0.18 325	0.22 395	0.10 350	0.13 443	0.10 358	0.10 373	0.08 279	0.09 345

rvit_stereo_0075_2	0.17 354	0.12 368	0.25 410	0.23 426	0.16 440	0.13 204	0.10 12	0.30 371	0.27 326	0.20 335	0.28 360	0.22 324	0.15 294	0.18 325	0.13 235	0.16 459	0.10 404	0.17 454	0.10 373	0.10 369	0.09 345

AIO-Stereo-zeroshot1	0.11 147	0.05 12	0.14 223	0.15 60	0.20 467	0.09 55	0.17 275	0.21 211	0.15 122	0.11 117	0.14 149	0.10 116	0.07 75	0.10 38	0.08 16	0.06 85	0.05 149	0.07 155	0.07 230	0.07 219	0.09 345

MyStereo8	0.12 210	0.07 116	0.15 272	0.15 60	0.09 196	0.18 330	0.14 114	0.19 179	0.22 256	0.12 153	0.18 222	0.11 137	0.10 162	0.16 274	0.18 348	0.07 200	0.05 149	0.07 155	0.05 72	0.08 279	0.09 345

CFNet_ucs	0.15 310	0.08 206	0.16 306	0.16 115	0.11 344	0.14 236	0.14 114	0.30 371	0.34 387	0.16 253	0.24 292	0.23 341	0.14 276	0.18 325	0.15 300	0.09 313	0.06 264	0.08 234	0.07 230	0.09 338	0.09 345

Wz-Net-LNSev-Ref	0.18 367	0.09 271	0.29 433	0.15 60	0.10 297	0.22 392	0.20 378	0.26 307	0.39 417	0.25 398	0.42 453	0.24 347	0.15 294	0.20 366	0.19 359	0.07 200	0.05 149	0.06 66	0.05 72	0.10 369	0.09 345

NINENet	0.16 334	0.10 326	0.15 272	0.17 180	0.11 344	0.19 354	0.14 114	0.40 458	0.36 401	0.18 299	0.21 263	0.16 240	0.13 251	0.15 240	0.13 235	0.08 258	0.08 359	0.10 358	0.07 230	0.10 369	0.09 345

AASNet	0.16 334	0.08 206	0.12 146	0.19 313	0.09 196	0.18 330	0.15 180	0.37 443	0.37 408	0.19 314	0.23 281	0.20 299	0.16 320	0.17 306	0.20 366	0.10 350	0.08 359	0.08 234	0.07 230	0.09 338	0.09 345

AACVNet	0.16 334	0.08 206	0.14 223	0.15 60	0.10 297	0.18 330	0.15 180	0.23 252	0.24 282	0.27 408	0.27 347	0.28 386	0.17 341	0.19 341	0.16 316	0.09 313	0.07 333	0.09 313	0.07 230	0.10 369	0.09 345

HHNet	0.11 147	0.06 43	0.16 306	0.15 60	0.14 414	0.07 22	0.13 69	0.20 190	0.17 165	0.14 200	0.25 321	0.11 137	0.08 106	0.13 196	0.10 98	0.05 7	0.04 3	0.08 234	0.06 143	0.05 67	0.09 345

GMM-Stereo	0.11 147	0.07 116	0.10 78	0.18 257	0.09 196	0.08 34	0.15 180	0.23 252	0.16 147	0.11 117	0.15 165	0.13 178	0.11 186	0.11 79	0.11 150	0.05 7	0.04 3	0.08 234	0.07 230	0.06 153	0.09 345

Prome-Stereo	0.11 147	0.06 43	0.10 78	0.18 257	0.08 89	0.12 166	0.15 180	0.22 233	0.13 86	0.12 153	0.17 197	0.13 178	0.08 106	0.12 155	0.10 98	0.05 7	0.04 3	0.07 155	0.06 143	0.06 153	0.09 345

ADLNet	0.16 334	0.08 206	0.15 272	0.16 115	0.10 297	0.16 291	0.17 275	0.32 391	0.27 326	0.22 363	0.27 347	0.24 347	0.16 320	0.18 325	0.21 386	0.10 350	0.06 264	0.10 358	0.10 373	0.08 279	0.09 345

GES	0.14 267	0.08 206	0.16 306	0.15 60	0.10 297	0.13 204	0.13 69	0.28 347	0.25 303	0.16 253	0.23 281	0.18 273	0.13 251	0.16 274	0.13 235	0.08 258	0.07 333	0.07 155	0.06 143	0.08 279	0.09 345

aanetorigin	0.22 411	0.17 434	0.56 480	0.17 180	0.10 297	0.15 261	0.19 358	0.20 190	0.33 376	0.49 480	0.48 463	0.29 393	0.27 428	0.20 366	0.23 407	0.08 258	0.07 333	0.08 234	0.07 230	0.10 369	0.09 345

EDNetEfficient	0.29 459	0.24 465	1.13 510	0.18 257	0.10 297	0.19 354	0.20 378	0.20 190	0.60 481	0.74 499	0.56 478	0.31 413	0.39 470	0.22 393	0.30 459	0.09 313	0.07 333	0.08 234	0.07 230	0.11 389	0.09 345

NVstereo2D	0.19 379	0.10 326	0.15 272	0.17 180	0.15 430	0.28 443	0.23 413	0.44 475	0.42 433	0.15 227	0.27 347	0.25 360	0.19 370	0.22 393	0.17 330	0.09 313	0.06 264	0.10 358	0.08 294	0.15 447	0.09 345

DISCO	0.19 379	0.09 271	0.22 393	0.17 180	0.10 297	0.25 420	0.18 320	0.27 328	0.44 443	0.22 363	0.31 385	0.33 425	0.26 420	0.28 434	0.28 451	0.08 258	0.06 264	0.07 155	0.07 230	0.09 338	0.09 345

NaN_ROB	0.22 411	0.19 447	0.24 405	0.25 445	0.13 396	0.29 446	0.26 447	0.33 410	0.41 426	0.31 438	0.31 385	0.32 422	0.23 401	0.30 444	0.21 386	0.11 378	0.17 466	0.10 358	0.10 373	0.08 279	0.09 345

FBW_ROB	0.24 433	0.17 434	0.22 393	0.26 450	0.14 414	0.25 420	0.22 404	0.41 464	0.41 426	0.41 468	0.41 447	0.42 461	0.27 428	0.31 445	0.23 407	0.09 313	0.14 452	0.14 433	0.12 422	0.11 389	0.09 345

PWCDC_ROB	0.20 391	0.13 397	0.22 393	0.24 435	0.11 344	0.19 354	0.15 180	0.33 410	0.54 469	0.29 429	0.50 468	0.21 306	0.15 294	0.27 423	0.20 366	0.11 378	0.09 385	0.10 358	0.08 294	0.11 389	0.09 345

PSMNet_ROB	0.21 402	0.11 351	0.15 272	0.27 462	0.15 430	0.24 410	0.35 486	0.43 473	0.37 408	0.27 408	0.32 389	0.32 422	0.22 395	0.21 382	0.26 437	0.12 403	0.08 359	0.13 421	0.11 403	0.09 338	0.09 345

test_sample7	0.15 310	0.10 326	0.16 306	0.14 24	0.11 344	0.16 291	0.16 244	0.27 328	0.23 266	0.20 335	0.20 242	0.24 347	0.19 370	0.16 274	0.16 316	0.12 403	0.06 264	0.10 358	0.09 338	0.10 369	0.10 368

iinet-f	0.16 334	0.06 43	0.45 467	0.14 24	0.10 297	0.21 384	0.14 114	0.27 328	0.23 266	0.21 348	0.24 292	0.21 306	0.15 294	0.18 325	0.21 386	0.09 313	0.07 333	0.07 155	0.06 143	0.09 338	0.10 368

Wz-Net-MNSev	0.22 411	0.13 397	0.31 438	0.20 362	0.14 414	0.36 470	0.24 425	0.33 410	0.44 443	0.28 422	0.40 437	0.38 446	0.19 370	0.24 413	0.25 427	0.09 313	0.07 333	0.09 313	0.09 338	0.12 403	0.10 368

FTStereo	0.12 210	0.06 43	0.14 223	0.18 257	0.09 196	0.07 22	0.15 180	0.21 211	0.18 191	0.12 153	0.24 292	0.12 154	0.12 215	0.13 196	0.13 235	0.05 7	0.05 149	0.07 155	0.06 143	0.06 153	0.10 368

GrayStereo	0.11 147	0.06 43	0.11 115	0.19 313	0.09 196	0.09 55	0.16 244	0.18 160	0.17 165	0.14 200	0.17 197	0.17 260	0.11 186	0.12 155	0.11 150	0.05 7	0.05 149	0.07 155	0.06 143	0.05 67	0.10 368

sAnonymous2	0.13 235	0.12 368	0.24 405	0.20 362	0.12 375	0.17 312	0.13 69	0.26 307	0.21 242	0.11 117	0.11 110	0.13 178	0.08 106	0.10 38	0.10 98	0.09 313	0.05 149	0.08 234	0.06 143	0.15 447	0.10 368

CroCo_RVC	0.13 235	0.12 368	0.24 405	0.20 362	0.12 375	0.17 312	0.13 69	0.26 307	0.21 242	0.11 117	0.11 110	0.13 178	0.08 106	0.10 38	0.10 98	0.09 313	0.05 149	0.08 234	0.06 143	0.15 447	0.10 368

EDNetEfficientorigin	7.91 528	0.31 482	153.02 543	0.19 313	0.09 196	0.21 384	0.16 244	0.22 233	0.59 478	0.72 495	0.67 486	0.42 461	0.50 488	0.24 413	0.39 482	0.08 258	0.07 333	0.08 234	0.07 230	0.12 403	0.10 368

GwcNet	0.20 391	0.13 397	0.19 368	0.18 257	0.12 375	0.24 410	0.19 358	0.35 432	0.43 438	0.20 335	0.32 389	0.33 425	0.20 382	0.22 393	0.24 418	0.11 378	0.09 385	0.09 313	0.09 338	0.09 338	0.10 368

HGLStereo	0.17 354	0.08 206	0.19 368	0.17 180	0.12 375	0.18 330	0.18 320	0.31 380	0.32 369	0.21 348	0.32 389	0.25 360	0.18 354	0.19 341	0.20 366	0.09 313	0.09 385	0.07 155	0.07 230	0.09 338	0.10 368

DMCA	0.14 267	0.09 271	0.16 306	0.19 313	0.09 196	0.15 261	0.17 275	0.23 252	0.27 326	0.14 200	0.19 230	0.17 260	0.18 354	0.15 240	0.17 330	0.10 350	0.06 264	0.08 234	0.06 143	0.09 338	0.10 368

FADNet-RVC-Resample	0.16 334	0.11 351	0.31 438	0.22 406	0.11 344	0.19 354	0.14 114	0.25 290	0.24 282	0.24 385	0.27 347	0.20 299	0.15 294	0.16 274	0.15 300	0.07 200	0.08 359	0.12 406	0.10 373	0.09 338	0.10 368

FADNet_RVC	0.16 334	0.14 409	0.40 461	0.20 362	0.11 344	0.13 204	0.13 69	0.26 307	0.22 256	0.21 348	0.23 281	0.20 299	0.17 341	0.14 218	0.16 316	0.08 258	0.08 359	0.12 406	0.09 338	0.11 389	0.10 368

SuperB	0.20 391	0.10 326	0.56 480	0.16 115	0.09 196	0.18 330	0.18 320	0.24 274	0.50 460	0.26 402	0.39 432	0.17 260	0.21 386	0.22 393	0.21 386	0.08 258	0.06 264	0.06 66	0.06 143	0.12 403	0.10 368

AF-Net	0.22 411	0.17 434	0.17 334	0.26 450	0.13 396	0.25 420	0.24 425	0.32 391	0.50 460	0.25 398	0.33 401	0.38 446	0.26 420	0.28 434	0.25 427	0.11 378	0.10 404	0.16 451	0.11 403	0.11 389	0.10 368

Nwc_Net	0.23 426	0.16 423	0.21 387	0.25 445	0.14 414	0.24 410	0.26 447	0.37 443	0.38 413	0.22 363	0.41 447	0.30 401	0.28 436	0.28 434	0.25 427	0.11 378	0.10 404	0.17 454	0.20 468	0.10 369	0.10 368

ADCL	0.24 433	0.11 351	0.47 471	0.22 406	0.12 375	0.34 461	0.29 469	0.29 357	0.56 472	0.24 385	0.46 460	0.30 401	0.30 448	0.29 441	0.29 454	0.08 258	0.07 333	0.09 313	0.09 338	0.10 369	0.10 368

ADCP+	0.20 391	0.10 326	0.33 444	0.20 362	0.12 375	0.22 392	0.26 447	0.31 380	0.34 387	0.26 402	0.37 419	0.22 324	0.22 395	0.27 423	0.27 444	0.09 313	0.06 264	0.08 234	0.08 294	0.09 338	0.10 368

UCFNet_RVC	0.14 267	0.08 206	0.13 191	0.11 1	0.10 297	0.20 369	0.10 12	0.24 274	0.22 256	0.17 269	0.20 242	0.23 341	0.15 294	0.17 306	0.15 300	0.12 403	0.07 333	0.10 358	0.13 432	0.11 389	0.10 368

DeepPruner_ROB	0.16 334	0.11 351	0.15 272	0.17 180	0.10 297	0.17 312	0.15 180	0.32 391	0.21 242	0.19 314	0.21 263	0.22 324	0.18 354	0.20 366	0.15 300	0.13 426	0.09 385	0.09 313	0.09 338	0.11 389	0.10 368

PWC_ROB	0.21 402	0.16 423	0.26 413	0.18 257	0.11 344	0.22 392	0.13 69	0.32 391	0.49 457	0.30 432	0.40 437	0.32 422	0.24 407	0.31 445	0.22 395	0.10 350	0.07 333	0.11 389	0.08 294	0.11 389	0.10 368

CBMV	0.19 379	0.14 409	0.17 334	0.18 257	0.10 297	0.20 369	0.11 22	0.29 357	0.30 356	0.29 429	0.30 377	0.30 401	0.23 401	0.27 423	0.19 359	0.13 426	0.15 458	0.17 454	0.16 455	0.10 369	0.10 368
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MeshStereo	0.27 451	0.13 397	0.18 357	0.15 60	0.11 344	0.32 452	0.24 425	0.40 458	0.36 401	0.52 482	0.57 480	0.67 494	0.40 473	0.35 462	0.26 437	0.14 439	0.13 443	0.13 421	0.11 403	0.11 389	0.10 368
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
DDVS	0.15 310	0.10 326	0.21 387	0.16 115	0.12 375	0.15 261	0.14 114	0.25 290	0.19 205	0.18 299	0.29 372	0.27 376	0.12 215	0.19 341	0.15 300	0.09 313	0.06 264	0.09 313	0.07 230	0.11 389	0.11 391

SDNR	0.19 379	0.08 206	0.19 368	0.16 115	0.12 375	0.77 507	0.14 114	0.25 290	0.32 369	0.19 314	0.24 292	0.19 287	0.13 251	0.19 341	0.15 300	0.16 459	0.18 468	0.14 433	0.11 403	0.08 279	0.11 391

DisPM	0.11 147	0.07 116	0.12 146	0.16 115	0.09 196	0.06 7	0.13 69	0.17 134	0.17 165	0.14 200	0.20 242	0.12 154	0.10 162	0.11 79	0.10 98	0.06 85	0.04 3	0.07 155	0.06 143	0.06 153	0.11 391

Wz-Net-SNSev	0.25 442	0.17 434	0.44 466	0.25 445	0.14 414	0.26 428	0.23 413	0.38 450	0.56 472	0.30 432	0.55 473	0.39 454	0.26 420	0.23 404	0.30 459	0.10 350	0.09 385	0.09 313	0.10 373	0.11 389	0.11 391

Wz-Net-LNSev	0.22 411	0.16 423	0.38 457	0.21 391	0.13 396	0.25 420	0.23 413	0.32 391	0.43 438	0.30 432	0.41 447	0.31 413	0.18 354	0.22 393	0.25 427	0.10 350	0.09 385	0.08 234	0.08 294	0.12 403	0.11 391

PFNet+	0.11 147	0.06 43	0.13 191	0.16 115	0.09 196	0.05 4	0.12 35	0.17 134	0.21 242	0.16 253	0.19 230	0.14 198	0.10 162	0.11 79	0.11 150	0.08 258	0.05 149	0.09 313	0.08 294	0.06 153	0.11 391

Anonymous3	0.16 334	0.13 397	0.33 444	0.26 450	0.14 414	0.27 437	0.17 275	0.28 347	0.28 340	0.15 227	0.17 197	0.14 198	0.10 162	0.15 240	0.12 195	0.08 258	0.08 359	0.08 234	0.08 294	0.08 279	0.11 391

hitnet-ft	0.18 367	0.09 271	0.17 334	0.14 24	0.09 196	0.26 428	0.20 378	0.25 290	0.26 317	0.24 385	0.32 389	0.31 413	0.22 395	0.24 413	0.21 386	0.12 403	0.07 333	0.10 358	0.08 294	0.12 403	0.11 391

DANet	0.21 402	0.15 415	0.28 425	0.25 445	0.13 396	0.22 392	0.19 358	0.27 328	0.27 326	0.28 422	0.32 389	0.35 435	0.31 452	0.31 445	0.23 407	0.11 378	0.09 385	0.11 389	0.10 373	0.13 419	0.11 391
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
CBMV_ROB	0.19 379	0.13 397	0.17 334	0.16 115	0.11 344	0.15 261	0.13 69	0.26 307	0.28 340	0.27 408	0.30 377	0.27 376	0.24 407	0.23 404	0.16 316	0.15 443	0.17 466	0.22 472	0.20 468	0.10 369	0.11 391

SANet	0.24 433	0.14 409	0.28 425	0.21 391	0.11 344	0.27 437	0.24 425	0.38 450	0.64 485	0.36 453	0.40 437	0.43 465	0.26 420	0.27 423	0.24 418	0.12 403	0.09 385	0.10 358	0.09 338	0.13 419	0.11 391

SGM_RVC	0.23 426	0.12 368	0.15 272	0.15 60	0.09 196	0.33 458	0.18 320	0.34 419	0.31 363	0.44 475	0.37 419	0.53 483	0.35 463	0.35 462	0.24 418	0.13 426	0.13 443	0.13 421	0.13 432	0.10 369	0.11 391
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
TCMNet	0.19 379	0.12 368	0.19 368	0.20 362	0.18 461	0.20 369	0.24 425	0.27 328	0.36 401	0.23 376	0.26 338	0.25 360	0.19 370	0.19 341	0.23 407	0.13 426	0.11 416	0.11 389	0.12 422	0.13 419	0.12 403

DCVSM-stereo	0.14 267	0.09 271	0.16 306	0.16 115	0.10 297	0.15 261	0.09 6	0.19 179	0.23 266	0.20 335	0.23 281	0.26 369	0.15 294	0.18 325	0.14 272	0.09 313	0.07 333	0.09 313	0.08 294	0.10 369	0.12 403

DualNet (step1)	0.16 334	0.12 368	0.20 380	0.12 4	0.14 414	0.17 312	0.13 69	0.27 328	0.23 266	0.20 335	0.20 242	0.24 347	0.19 370	0.16 274	0.16 316	0.15 443	0.06 264	0.14 433	0.14 435	0.14 432	0.12 403

test_sample9	0.18 367	0.12 368	0.20 380	0.12 4	0.14 414	0.17 312	0.13 69	0.27 328	0.23 266	0.20 335	0.20 242	0.24 347	0.19 370	0.19 341	0.17 330	0.15 443	0.30 492	0.14 433	0.14 435	0.14 432	0.12 403

test_sample8	0.19 379	0.12 368	0.20 380	0.12 4	0.14 414	0.17 312	0.13 69	0.31 380	0.21 242	0.27 408	0.22 272	0.36 437	0.25 415	0.19 341	0.17 330	0.15 443	0.30 492	0.14 433	0.14 435	0.14 432	0.12 403

NF-Stereo	0.11 147	0.07 116	0.13 191	0.17 180	0.09 196	0.10 93	0.14 114	0.23 252	0.19 205	0.12 153	0.17 197	0.12 154	0.11 186	0.11 79	0.11 150	0.06 85	0.04 3	0.07 155	0.06 143	0.06 153	0.12 403

OCTAStereo	0.11 147	0.07 116	0.13 191	0.17 180	0.09 196	0.10 93	0.14 114	0.23 252	0.19 205	0.12 153	0.17 197	0.12 154	0.11 186	0.11 79	0.11 150	0.06 85	0.04 3	0.07 155	0.06 143	0.06 153	0.12 403

PSM-softLoss	0.12 210	0.07 116	0.15 272	0.17 180	0.09 196	0.08 34	0.13 69	0.24 274	0.17 165	0.14 200	0.19 230	0.13 178	0.11 186	0.11 79	0.11 150	0.07 200	0.05 149	0.08 234	0.07 230	0.06 153	0.12 403

KMStereo	0.12 210	0.07 116	0.15 272	0.17 180	0.09 196	0.08 34	0.13 69	0.24 274	0.17 165	0.14 200	0.19 230	0.13 178	0.11 186	0.11 79	0.11 150	0.07 200	0.05 149	0.08 234	0.07 230	0.06 153	0.12 403

RE-Stereo	0.11 147	0.07 116	0.13 191	0.17 180	0.09 196	0.10 93	0.14 114	0.23 252	0.19 205	0.12 153	0.17 197	0.12 154	0.11 186	0.11 79	0.11 150	0.06 85	0.04 3	0.07 155	0.06 143	0.06 153	0.12 403

TVStereo	0.11 147	0.07 116	0.13 191	0.17 180	0.09 196	0.10 93	0.14 114	0.23 252	0.19 205	0.12 153	0.17 197	0.12 154	0.11 186	0.11 79	0.11 150	0.06 85	0.04 3	0.07 155	0.06 143	0.06 153	0.12 403

APVNet	0.22 411	0.12 368	0.19 368	0.18 257	0.14 414	0.32 452	0.31 482	0.39 454	0.32 369	0.27 408	0.40 437	0.30 401	0.29 444	0.26 420	0.25 427	0.11 378	0.12 430	0.11 389	0.14 435	0.12 403	0.12 403

MaskLacGwcNet_RVC	0.22 411	0.21 457	0.24 405	0.26 450	0.11 344	0.23 405	0.14 114	0.39 454	0.24 282	0.32 444	0.36 413	0.30 401	0.21 386	0.19 341	0.21 386	0.17 464	0.14 452	0.21 468	0.16 455	0.12 403	0.12 403

ADCMid	0.25 442	0.15 415	0.40 461	0.20 362	0.14 414	0.25 420	0.26 447	0.34 419	0.38 413	0.36 453	0.44 458	0.34 431	0.40 473	0.35 462	0.33 470	0.10 350	0.09 385	0.11 389	0.11 403	0.13 419	0.12 403

STTRV1_RVC	0.25 442	0.26 471	0.39 459	0.19 313	0.26 483	0.30 449	0.24 425	0.34 419	0.35 396	0.36 453	0.34 405	0.31 413	0.31 452	0.28 434	0.25 427	0.17 464	0.10 404	0.16 451	0.14 435	0.17 461	0.12 403

SGM-ForestM	0.32 467	0.12 368	0.16 306	0.16 115	0.11 344	0.39 475	0.19 358	0.41 464	0.50 460	0.52 482	0.54 472	1.32 513	0.42 481	0.40 480	0.27 444	0.14 439	0.16 461	0.16 451	0.16 455	0.12 403	0.12 403

XPNet_ROB	0.22 411	0.11 351	0.19 368	0.22 406	0.13 396	0.22 392	0.19 358	0.34 419	0.40 423	0.30 432	0.39 432	0.39 454	0.26 420	0.26 420	0.28 451	0.15 443	0.10 404	0.10 358	0.10 373	0.13 419	0.12 403

LALA_ROB	0.25 442	0.16 423	0.22 393	0.26 450	0.17 455	0.27 437	0.27 454	0.42 469	0.37 408	0.33 448	0.38 424	0.51 479	0.26 420	0.28 434	0.27 444	0.16 459	0.09 385	0.12 406	0.11 403	0.13 419	0.12 403

SGM-Forest	0.20 391	0.14 409	0.18 357	0.19 313	0.13 396	0.20 369	0.22 404	0.33 410	0.30 356	0.24 385	0.29 372	0.28 386	0.19 370	0.23 404	0.17 330	0.15 443	0.16 461	0.15 445	0.14 435	0.12 403	0.12 403
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
coex-ft	3.30 521	0.34 486	59.09 542	0.18 257	0.13 396	0.26 428	0.22 404	0.27 328	0.72 493	1.90 523	0.70 490	0.44 467	0.45 484	0.29 441	0.41 487	0.09 313	0.09 385	0.12 406	0.09 338	0.14 432	0.13 422

pcwnet_v2	0.19 379	0.10 326	0.26 413	0.17 180	0.14 414	0.18 330	0.15 180	0.37 443	0.46 450	0.19 314	0.24 292	0.21 306	0.19 370	0.20 366	0.19 359	0.13 426	0.10 404	0.10 358	0.10 373	0.11 389	0.13 422

FINET	0.21 402	0.18 444	0.26 413	0.18 257	0.16 440	0.23 405	0.23 413	0.32 391	0.48 452	0.25 398	0.32 389	0.22 324	0.22 395	0.22 393	0.17 330	0.18 466	0.16 461	0.11 389	0.10 373	0.15 447	0.13 422

S-Stereo	0.20 391	0.12 368	0.25 410	0.21 391	0.13 396	0.20 369	0.18 320	0.32 391	0.43 438	0.23 376	0.36 413	0.28 386	0.30 448	0.19 341	0.22 395	0.09 313	0.12 430	0.10 358	0.10 373	0.13 419	0.13 422

G-Net	0.24 433	0.16 423	0.36 453	0.22 406	0.16 440	0.51 484	0.23 413	0.29 357	0.34 387	0.36 453	0.38 424	0.31 413	0.29 444	0.27 423	0.26 437	0.11 378	0.09 385	0.12 406	0.09 338	0.16 454	0.13 422

NCC-stereo	0.24 433	0.15 415	0.31 438	0.26 450	0.16 440	0.20 369	0.30 476	0.40 458	0.40 423	0.24 385	0.38 424	0.33 425	0.28 436	0.36 467	0.27 444	0.12 403	0.11 416	0.15 445	0.22 473	0.13 419	0.13 422

stereogan	0.22 411	0.11 351	0.21 387	0.20 362	0.12 375	0.31 451	0.19 358	0.35 432	0.44 443	0.22 363	0.39 432	0.35 435	0.27 428	0.33 453	0.22 395	0.10 350	0.12 430	0.10 358	0.10 373	0.14 432	0.13 422

edge stereo	0.22 411	0.13 397	0.20 380	0.21 391	0.13 396	0.23 405	0.16 244	0.32 391	0.42 433	0.32 444	0.40 437	0.38 446	0.35 463	0.25 418	0.24 418	0.13 426	0.11 416	0.14 433	0.11 403	0.12 403	0.13 422

Abc-Net	0.24 433	0.15 415	0.31 438	0.26 450	0.16 440	0.20 369	0.30 476	0.40 458	0.40 423	0.24 385	0.38 424	0.33 425	0.28 436	0.36 467	0.27 444	0.12 403	0.11 416	0.15 445	0.22 473	0.13 419	0.13 422
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
RTSC	0.23 426	0.12 368	0.28 425	0.21 391	0.13 396	0.28 443	0.16 244	0.35 432	0.66 488	0.27 408	0.33 401	0.30 401	0.21 386	0.31 445	0.29 454	0.10 350	0.08 359	0.09 313	0.10 373	0.13 419	0.13 422

DeepPrunerF	0.24 433	0.17 434	0.42 465	0.26 450	0.16 440	0.22 392	0.28 460	0.37 443	0.50 460	0.26 402	0.29 372	0.24 347	0.28 436	0.21 382	0.22 395	0.15 443	0.11 416	0.20 467	0.18 466	0.12 403	0.13 422

ADCPNet	0.25 442	0.16 423	0.61 484	0.21 391	0.15 430	0.35 469	0.25 440	0.32 391	0.35 396	0.30 432	0.40 437	0.36 437	0.28 436	0.28 434	0.32 467	0.12 403	0.10 404	0.11 389	0.12 422	0.14 432	0.13 422

PA-Net	0.23 426	0.18 444	0.33 444	0.28 465	0.22 472	0.21 384	0.38 491	0.29 357	0.39 417	0.22 363	0.32 389	0.25 360	0.26 420	0.20 366	0.25 427	0.09 313	0.23 486	0.15 445	0.22 473	0.09 338	0.13 422
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 426	0.15 415	0.17 334	0.34 480	0.18 461	0.24 410	0.23 413	0.34 419	0.28 340	0.31 438	0.38 424	0.38 446	0.28 436	0.23 404	0.24 418	0.15 443	0.12 430	0.18 463	0.21 470	0.13 419	0.13 422

NOSS_ROB	0.19 379	0.12 368	0.18 357	0.16 115	0.12 375	0.15 261	0.12 35	0.30 371	0.32 369	0.20 335	0.22 272	0.27 376	0.23 401	0.21 382	0.16 316	0.16 459	0.18 468	0.23 473	0.21 470	0.12 403	0.13 422

ETE_ROB	0.23 426	0.17 434	0.22 393	0.25 445	0.13 396	0.26 428	0.29 469	0.31 380	0.36 401	0.28 422	0.36 413	0.45 469	0.26 420	0.27 423	0.26 437	0.11 378	0.08 359	0.12 406	0.09 338	0.14 432	0.13 422

PDISCO_ROB	0.27 451	0.16 423	0.26 413	0.28 465	0.20 467	0.32 452	0.26 447	0.44 475	0.57 474	0.28 422	0.40 437	0.45 469	0.29 444	0.33 453	0.34 472	0.12 403	0.09 385	0.17 454	0.16 455	0.17 461	0.13 422

Wz-Net-TNSev	0.29 459	0.20 451	0.65 487	0.19 313	0.15 430	0.38 474	0.27 454	0.35 432	0.55 470	0.34 450	0.42 453	0.45 469	0.38 468	0.32 451	0.30 459	0.12 403	0.13 443	0.10 358	0.12 422	0.15 447	0.14 439

UDG	0.21 402	0.17 434	0.19 368	0.23 426	0.15 430	0.30 449	0.20 378	0.33 410	0.35 396	0.23 376	0.28 360	0.31 413	0.27 428	0.20 366	0.22 395	0.15 443	0.12 430	0.13 421	0.09 338	0.14 432	0.14 439

SACVNet	0.18 367	0.12 368	0.14 223	0.17 180	0.13 396	0.22 392	0.18 320	0.31 380	0.30 356	0.23 376	0.31 385	0.30 401	0.22 395	0.22 393	0.17 330	0.11 378	0.08 359	0.10 358	0.10 373	0.12 403	0.14 439

PSM-AAD	0.11 147	0.07 116	0.10 78	0.19 313	0.09 196	0.10 93	0.15 180	0.20 190	0.13 86	0.12 153	0.14 149	0.18 273	0.11 186	0.11 79	0.10 98	0.05 7	0.05 149	0.09 313	0.08 294	0.06 153	0.14 439

FAT-Stereo	0.20 391	0.12 368	0.22 393	0.21 391	0.12 375	0.17 312	0.18 320	0.34 419	0.39 417	0.27 408	0.37 419	0.34 431	0.32 456	0.21 382	0.20 366	0.09 313	0.11 416	0.10 358	0.09 338	0.11 389	0.14 439

RP	0.21 402	0.13 397	0.21 387	0.23 426	0.11 344	0.21 384	0.20 378	0.25 290	0.44 443	0.21 348	0.38 424	0.36 437	0.24 407	0.27 423	0.25 427	0.11 378	0.12 430	0.13 421	0.12 422	0.12 403	0.14 439

WCMA_ROB	0.24 433	0.11 351	0.22 393	0.17 180	0.14 414	0.32 452	0.15 180	0.32 391	0.32 369	0.38 459	0.53 470	0.40 458	0.34 461	0.34 456	0.25 427	0.11 378	0.12 430	0.12 406	0.10 373	0.14 432	0.14 439

SQANet	0.23 426	0.23 462	0.30 436	0.30 474	0.19 464	0.27 437	0.13 69	0.29 357	0.33 376	0.24 385	0.37 419	0.31 413	0.22 395	0.27 423	0.23 407	0.15 443	0.10 404	0.21 468	0.16 455	0.21 470	0.15 446

LCNet	0.11 147	0.07 116	0.09 49	0.19 313	0.09 196	0.08 34	0.15 180	0.21 211	0.15 122	0.11 117	0.15 165	0.16 240	0.11 186	0.12 155	0.11 150	0.05 7	0.04 3	0.08 234	0.07 230	0.06 153	0.15 446

MFN_U_SF_RVC	0.32 467	0.21 457	0.55 478	0.30 474	0.15 430	0.34 461	0.17 275	0.52 488	0.46 450	0.46 479	0.55 473	0.59 486	0.39 470	0.35 462	0.37 478	0.15 443	0.14 452	0.18 463	0.21 470	0.16 454	0.15 446

RTS	0.45 486	0.19 447	3.26 519	0.24 435	0.15 430	0.74 501	0.20 378	0.36 438	0.76 499	0.42 471	0.43 456	0.31 413	0.41 478	0.53 492	0.35 473	0.10 350	0.08 359	0.13 421	0.12 422	0.15 447	0.15 446

RTSA	0.45 486	0.19 447	3.26 519	0.24 435	0.15 430	0.74 501	0.20 378	0.36 438	0.76 499	0.42 471	0.43 456	0.31 413	0.41 478	0.53 492	0.35 473	0.10 350	0.08 359	0.13 421	0.12 422	0.15 447	0.15 446

AnyNet_C01	0.36 474	0.25 470	1.37 513	0.22 406	0.17 455	0.48 482	0.27 454	0.35 432	0.39 417	0.39 461	0.74 494	0.46 473	0.38 468	0.45 484	0.47 493	0.13 426	0.13 443	0.13 421	0.14 435	0.14 432	0.15 446

AnyNet_C32	0.26 449	0.16 423	0.36 453	0.20 362	0.16 440	0.25 420	0.30 476	0.32 391	0.44 443	0.31 438	0.49 464	0.30 401	0.33 457	0.40 480	0.33 470	0.12 403	0.12 430	0.12 406	0.14 435	0.14 432	0.15 446

RYNet	0.22 411	0.12 368	0.22 393	0.19 313	0.17 455	0.46 478	0.26 447	0.38 450	0.48 452	0.24 385	0.28 360	0.34 431	0.23 401	0.20 366	0.30 459	0.10 350	0.06 264	0.09 313	0.09 338	0.13 419	0.15 446

CC-Net-ROB	0.28 455	0.31 482	0.36 453	0.29 472	0.15 430	0.25 420	0.19 358	0.45 478	0.33 376	0.39 461	0.37 419	0.39 454	0.31 452	0.27 423	0.26 437	0.24 487	0.19 471	0.30 488	0.23 477	0.18 465	0.15 446

CSAN	0.29 459	0.24 465	0.27 420	0.34 480	0.19 464	0.33 458	0.42 495	0.37 443	0.50 460	0.38 459	0.40 437	0.44 467	0.33 457	0.28 434	0.30 459	0.20 473	0.16 461	0.19 465	0.19 467	0.14 432	0.15 446

DispFullNet	0.27 451	0.21 457	0.65 487	0.28 465	0.16 440	0.26 428	0.17 275	0.33 410	0.58 477	0.27 408	0.38 424	0.43 465	0.23 401	0.38 473	0.23 407	0.12 403	0.06 264	0.19 465	0.11 403	0.21 470	0.15 446

PSMNet-RUCA	0.27 451	0.33 484	0.41 463	0.36 484	0.32 491	0.18 330	0.19 358	0.42 469	0.30 356	0.33 448	0.41 447	0.39 454	0.25 415	0.31 445	0.20 366	0.18 466	0.10 404	0.25 475	0.15 451	0.21 470	0.16 457

WZ-Net	0.28 455	0.17 434	0.78 501	0.22 406	0.16 440	0.34 461	0.29 469	0.39 454	0.57 474	0.24 385	0.55 473	0.37 442	0.24 407	0.33 453	0.35 473	0.09 313	0.08 359	0.09 313	0.10 373	0.14 432	0.16 457

DDUNet	0.22 411	0.17 434	0.21 387	0.22 406	0.15 430	0.25 420	0.24 425	0.29 357	0.30 356	0.31 438	0.36 413	0.33 425	0.25 415	0.24 413	0.20 366	0.18 466	0.13 443	0.17 454	0.11 403	0.16 454	0.16 457

KYRaft	0.11 147	0.07 116	0.10 78	0.19 313	0.09 196	0.08 34	0.15 180	0.22 233	0.12 57	0.13 179	0.16 176	0.20 299	0.10 162	0.12 155	0.10 98	0.05 7	0.04 3	0.08 234	0.08 294	0.06 153	0.16 457

psmorigin	0.25 442	0.15 415	0.34 452	0.17 180	0.13 396	0.23 405	0.14 114	0.34 419	0.33 376	0.41 468	0.55 473	0.41 460	0.37 467	0.34 456	0.27 444	0.11 378	0.15 458	0.11 389	0.11 403	0.12 403	0.16 457

RGC	0.25 442	0.20 451	0.29 433	0.28 465	0.16 440	0.22 392	0.23 413	0.32 391	0.44 443	0.27 408	0.40 437	0.38 446	0.27 428	0.36 467	0.22 395	0.11 378	0.13 443	0.17 454	0.17 462	0.14 432	0.16 457

ADCS	0.29 459	0.18 444	0.45 467	0.21 391	0.17 455	0.28 443	0.23 413	0.41 464	0.63 484	0.40 464	0.49 464	0.40 458	0.36 465	0.39 476	0.40 484	0.13 426	0.12 430	0.13 421	0.14 435	0.16 454	0.16 457

DPSNet	0.28 455	0.16 423	0.31 438	0.18 257	0.13 396	0.54 486	0.42 495	0.51 487	0.67 489	0.29 429	0.38 424	0.38 446	0.29 444	0.31 445	0.23 407	0.11 378	0.10 404	0.11 389	0.08 294	0.20 469	0.16 457

ISRNet	0.18 367	0.08 206	0.19 368	0.19 313	0.13 396	0.15 261	0.12 35	0.30 371	0.32 369	0.21 348	0.25 321	0.27 376	0.17 341	0.17 306	0.20 366	0.20 473	0.08 359	0.14 433	0.14 435	0.14 432	0.17 465

Anonymous_2	0.22 411	0.17 434	0.28 425	0.15 60	0.16 440	0.32 452	0.22 404	0.22 233	0.17 165	0.23 376	0.24 292	0.26 369	0.27 428	0.27 423	0.23 407	0.22 481	0.25 488	0.17 454	0.17 462	0.17 461	0.17 465

GANetREF_RVC	0.31 465	0.34 486	0.27 420	0.35 482	0.16 440	0.32 452	0.41 492	0.48 482	0.51 467	0.35 451	0.35 410	0.34 431	0.33 457	0.39 476	0.32 467	0.27 489	0.20 474	0.29 486	0.15 451	0.18 465	0.17 465
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
ccnet	0.29 459	0.28 477	0.23 402	0.20 362	0.28 485	0.41 477	0.21 395	0.45 478	0.33 376	0.36 453	0.46 460	0.36 437	0.30 448	0.39 476	0.42 488	0.23 485	0.14 452	0.21 468	0.17 462	0.23 474	0.18 468

MSC_U_SF_DS_RVC	0.43 483	0.39 490	0.54 476	0.40 487	0.20 467	0.64 493	0.32 484	0.53 490	0.72 493	0.71 493	0.72 491	0.61 488	0.54 490	0.51 488	0.46 492	0.20 473	0.19 471	0.29 486	0.30 488	0.23 474	0.18 468

FADNet-RVC	0.20 391	0.20 451	0.38 457	0.21 391	0.16 440	0.20 369	0.15 180	0.26 307	0.26 317	0.26 402	0.32 389	0.26 369	0.21 386	0.22 393	0.19 359	0.12 403	0.13 443	0.12 406	0.14 435	0.13 419	0.18 468

FADNet	0.21 402	0.22 461	0.36 453	0.18 257	0.17 455	0.24 410	0.13 69	0.31 380	0.31 363	0.23 376	0.25 321	0.27 376	0.21 386	0.19 341	0.15 300	0.13 426	0.15 458	0.12 406	0.15 451	0.16 454	0.18 468

XQC	0.28 455	0.23 462	0.51 473	0.28 465	0.19 464	0.34 461	0.27 454	0.36 438	0.57 474	0.31 438	0.30 377	0.37 442	0.30 448	0.38 473	0.38 480	0.13 426	0.09 385	0.15 445	0.12 422	0.17 461	0.18 468

MFN_U_SF_DS_RVC	0.30 464	0.24 465	0.29 433	0.36 484	0.16 440	0.34 461	0.30 476	0.32 391	0.42 433	0.40 464	0.46 460	0.38 446	0.31 452	0.34 456	0.28 451	0.19 471	0.20 474	0.26 476	0.29 486	0.18 465	0.19 473

SHD	0.26 449	0.15 415	0.30 436	0.24 435	0.18 461	0.22 392	0.15 180	0.38 450	0.71 492	0.32 444	0.41 447	0.36 437	0.28 436	0.32 451	0.29 454	0.12 403	0.11 416	0.14 433	0.13 432	0.16 454	0.20 474

SAMSARA	0.40 479	0.28 477	0.33 444	0.55 498	0.39 492	0.82 508	1.23 522	0.47 481	0.51 467	0.36 453	0.35 410	0.55 485	0.39 470	0.38 473	0.39 482	0.15 443	0.20 474	0.15 445	0.14 435	0.23 474	0.20 474

BEATNet-Init1	0.52 491	0.27 473	0.62 485	0.30 474	0.21 470	0.76 505	0.29 469	0.54 491	0.65 487	0.86 504	0.95 505	2.07 523	0.62 499	0.56 496	0.42 488	0.18 466	0.18 468	0.23 473	0.22 473	0.22 473	0.21 476

PASM	0.32 467	0.24 465	0.48 472	0.28 465	0.27 484	0.29 446	0.30 476	0.34 419	0.49 457	0.35 451	0.39 432	0.46 473	0.34 461	0.34 456	0.35 473	0.23 485	0.25 488	0.26 476	0.28 485	0.23 474	0.21 476

MSMD_ROB	0.31 465	0.26 471	0.26 413	0.24 435	0.21 470	0.34 461	0.25 440	0.34 419	0.39 417	0.40 464	0.69 488	0.45 469	0.40 473	0.34 456	0.27 444	0.20 473	0.19 471	0.26 476	0.25 479	0.23 474	0.22 478

DGSMNet	0.24 433	0.19 447	0.33 444	0.21 391	0.24 476	0.24 410	0.20 378	0.35 432	0.41 426	0.24 385	0.32 389	0.38 446	0.21 386	0.29 441	0.23 407	0.12 403	0.11 416	0.14 433	0.16 455	0.23 474	0.23 479

FC-DCNN v2	0.33 470	0.27 473	0.28 425	0.26 450	0.23 474	0.37 471	0.28 460	0.40 458	0.43 438	0.45 476	0.56 478	0.51 479	0.40 473	0.37 471	0.29 454	0.21 477	0.20 474	0.27 479	0.26 480	0.25 482	0.24 480

ACVNet_1	0.44 484	0.49 495	0.60 483	0.45 492	0.28 485	0.49 483	0.27 454	0.57 495	0.72 493	0.62 488	0.58 482	0.74 498	0.49 487	0.50 487	0.35 473	0.26 488	0.24 487	0.39 492	0.29 486	0.31 492	0.24 480

FCDSN-DC	0.33 470	0.28 477	0.28 425	0.30 474	0.24 476	0.39 475	0.28 460	0.42 469	0.42 433	0.43 474	0.53 470	0.51 479	0.41 478	0.36 467	0.30 459	0.21 477	0.20 474	0.27 479	0.26 480	0.25 482	0.24 480
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 486	0.27 473	0.27 420	0.27 462	0.24 476	0.47 480	0.31 482	0.55 492	0.59 478	0.72 495	1.13 514	1.15 507	0.61 497	0.52 490	0.37 478	0.21 477	0.20 474	0.27 479	0.31 490	0.25 482	0.24 480

FC-DCNN	0.33 470	0.27 473	0.28 425	0.26 450	0.23 474	0.37 471	0.28 460	0.40 458	0.43 438	0.45 476	0.55 473	0.51 479	0.40 473	0.37 471	0.30 459	0.21 477	0.20 474	0.27 479	0.26 480	0.25 482	0.24 480

ELAS_RVC	0.41 481	0.29 480	0.33 444	0.28 465	0.24 476	0.54 486	0.36 487	0.49 484	0.59 478	0.72 495	0.74 494	0.65 492	0.54 490	0.54 494	0.40 484	0.22 481	0.20 474	0.27 479	0.26 480	0.26 486	0.25 485
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 481	0.29 480	0.33 444	0.27 462	0.24 476	0.60 491	0.36 487	0.50 486	0.50 460	0.71 493	0.79 498	0.67 494	0.54 490	0.51 488	0.42 488	0.22 481	0.20 474	0.27 479	0.26 480	0.26 486	0.25 485
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ACVNet-4b	0.39 476	0.53 496	0.55 478	0.45 492	0.24 476	0.47 480	0.18 320	0.49 484	0.64 485	0.42 471	0.45 459	0.60 487	0.27 428	0.34 456	0.24 418	0.33 493	0.14 452	0.48 496	0.42 496	0.30 489	0.26 487

otaku	0.39 476	0.37 489	0.52 474	0.44 491	0.28 485	0.58 488	0.24 425	0.41 464	0.62 483	0.40 464	0.49 464	0.46 473	0.33 457	0.40 480	0.32 467	0.30 490	0.30 492	0.39 492	0.33 491	0.29 488	0.28 488

Ntro	0.40 479	0.40 491	0.53 475	0.46 495	0.30 489	0.65 494	0.24 425	0.46 480	0.68 490	0.41 468	0.49 464	0.48 477	0.42 481	0.39 476	0.31 466	0.32 492	0.28 490	0.37 491	0.30 488	0.32 493	0.29 489

Consistency-Raft	0.44 484	0.40 491	0.45 467	0.37 486	0.43 496	0.46 478	0.41 492	0.57 495	0.55 470	0.32 444	0.73 492	0.33 425	0.48 486	0.42 483	0.49 495	0.39 495	0.35 496	0.45 495	0.51 503	0.42 495	0.29 489

NVStereoNet_ROB	0.46 489	0.36 488	0.46 470	0.41 489	0.28 485	0.34 461	0.34 485	0.48 482	0.60 481	0.72 495	0.93 503	0.70 497	0.66 500	0.47 485	0.60 502	0.22 481	0.33 495	0.34 490	0.34 493	0.30 489	0.30 491
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
PVD	0.39 476	0.20 451	0.39 459	0.31 478	0.22 472	0.29 446	0.43 497	0.52 488	0.96 506	0.55 485	0.79 498	0.53 483	0.59 496	0.52 490	0.38 480	0.19 471	0.14 452	0.17 454	0.14 435	0.24 481	0.31 492

MADNet+	0.75 503	0.71 506	3.70 522	0.66 501	0.41 494	0.98 513	0.97 520	0.69 500	0.73 497	0.52 482	0.57 480	0.64 490	0.68 502	0.86 510	1.01 518	0.34 494	0.36 497	0.28 485	0.23 477	0.36 494	0.31 492

LSM	0.33 470	0.20 451	0.58 482	0.26 450	0.60 508	0.34 461	0.25 440	0.42 469	0.48 452	0.45 476	0.58 482	0.42 461	0.36 465	0.35 462	0.25 427	0.12 403	0.20 474	0.14 433	0.16 455	0.19 468	0.33 494

JetBlue	0.71 500	0.45 494	1.14 511	0.51 496	0.47 498	2.02 522	0.64 509	0.75 501	0.70 491	0.69 492	0.77 497	1.22 509	0.83 507	1.03 518	1.01 518	0.40 496	0.28 490	0.33 489	0.33 491	0.30 489	0.34 495

ACVNet_2	0.66 499	0.66 504	0.68 495	0.63 500	0.41 494	0.71 499	0.49 499	0.96 510	1.39 515	0.89 505	1.09 510	1.04 503	0.73 503	0.54 494	0.47 493	0.43 499	0.40 498	0.53 501	0.44 497	0.47 496	0.35 496

IMH-64-1	0.65 497	0.61 500	0.68 495	0.71 502	0.51 499	0.59 489	0.49 499	0.91 506	0.85 501	0.74 499	1.02 507	0.81 499	0.78 505	0.79 503	0.49 495	0.42 497	0.46 500	0.71 504	0.47 498	0.52 498	0.39 497

IMH-64	0.65 497	0.61 500	0.68 495	0.71 502	0.51 499	0.59 489	0.49 499	0.91 506	0.85 501	0.74 499	1.02 507	0.81 499	0.78 505	0.79 503	0.49 495	0.42 497	0.46 500	0.71 504	0.47 498	0.52 498	0.39 497

RainbowNet	0.54 493	0.61 500	0.70 499	0.57 499	0.43 496	0.65 494	0.37 490	0.60 497	0.87 503	0.50 481	0.66 485	0.64 490	0.47 485	0.49 486	0.43 491	0.47 501	0.48 505	0.52 500	0.41 495	0.52 498	0.40 499

IMH	0.71 500	0.64 503	0.68 495	0.76 504	0.54 501	0.69 497	0.54 503	0.98 512	1.10 508	0.82 503	1.09 510	0.89 501	0.88 510	0.87 511	0.52 499	0.44 500	0.50 509	0.75 507	0.51 503	0.56 503	0.41 500

PWCK	0.71 500	0.94 515	0.95 508	0.76 504	0.31 490	0.74 501	0.36 487	0.90 505	0.90 504	0.96 508	0.75 496	0.95 502	0.61 497	0.87 511	0.66 505	0.72 512	0.46 500	0.75 507	0.49 500	0.69 511	0.44 501

GCST	0.37 475	0.42 493	0.26 413	1.02 517	0.39 492	0.18 330	0.08 4	0.20 190	0.17 165	0.28 422	0.25 321	0.15 227	0.12 215	0.16 274	0.14 272	0.64 510	0.43 499	0.75 507	0.65 510	0.63 504	0.46 502

TorneroNet-64	0.76 504	0.72 507	0.74 500	0.78 506	0.58 507	0.91 512	0.56 504	0.84 504	1.29 512	0.66 489	0.90 501	1.40 515	0.75 504	0.85 509	0.67 508	0.49 502	0.46 500	0.72 506	0.59 506	0.67 508	0.53 503

anonymity	0.53 492	0.58 498	0.65 487	0.41 489	0.61 509	0.53 485	0.41 492	0.56 493	0.41 426	0.55 485	0.50 468	0.49 478	0.55 493	0.58 497	0.50 498	0.58 506	0.50 509	0.51 498	0.51 503	0.51 497	0.57 504

WAO-7	0.79 505	0.78 509	0.54 476	0.85 510	0.67 512	0.74 501	0.68 513	1.05 515	1.32 513	0.90 506	1.20 517	1.04 503	0.92 511	0.69 501	0.66 505	0.60 508	0.62 519	0.67 503	0.68 512	0.64 505	0.58 505

WAO-6	0.81 506	0.80 510	0.62 485	0.86 511	0.63 510	0.76 505	0.58 506	0.98 512	1.54 520	0.90 506	0.96 506	1.07 505	1.03 515	0.70 502	0.66 505	0.72 512	0.49 507	0.90 515	0.71 513	0.68 509	0.58 505

Dean	0.87 509	0.86 514	0.79 503	0.81 508	0.56 504	0.90 509	0.63 507	1.15 521	1.73 521	1.15 516	1.15 515	1.31 512	0.99 514	0.81 505	0.81 514	0.57 505	0.56 516	0.77 511	0.64 509	0.66 507	0.58 505

SPS-STEREO	0.57 495	0.58 498	0.65 487	0.45 492	0.55 503	0.62 492	0.44 498	0.62 498	0.50 460	0.68 491	0.64 484	0.66 493	0.57 495	0.61 498	0.60 502	0.62 509	0.47 504	0.51 498	0.49 500	0.55 502	0.58 505
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 494	0.57 497	0.65 487	0.40 487	0.54 501	0.66 496	0.49 499	0.56 493	0.45 449	0.66 489	0.69 488	0.67 494	0.56 494	0.63 499	0.56 500	0.59 507	0.48 505	0.50 497	0.50 502	0.52 498	0.58 505

LVE	0.83 508	0.85 513	0.85 506	0.80 507	0.56 504	1.04 518	0.65 510	1.05 515	1.47 518	0.96 508	1.22 518	1.10 506	0.85 508	0.83 506	0.71 510	0.49 502	0.55 515	0.76 510	0.60 508	0.65 506	0.59 510

WAO-8	0.91 510	0.81 511	0.65 487	0.94 514	0.69 513	0.90 509	0.67 511	1.07 518	1.83 523	1.06 513	1.45 520	1.30 510	1.07 516	0.84 507	0.78 511	0.74 514	0.53 512	0.86 513	0.75 514	0.69 511	0.62 511

Venus	0.91 510	0.81 511	0.65 487	0.94 514	0.69 513	0.90 509	0.67 511	1.07 518	1.83 523	1.06 513	1.45 520	1.30 510	1.07 516	0.84 507	0.78 511	0.74 514	0.53 512	0.86 513	0.75 514	0.69 511	0.62 511

TorneroNet	0.82 507	0.74 508	0.81 505	0.84 509	0.63 510	0.99 514	0.63 507	0.96 510	1.16 509	0.80 502	1.11 512	1.36 514	0.86 509	0.93 514	0.80 513	0.56 504	0.49 507	0.78 512	0.66 511	0.73 514	0.63 513

MFMNet_re	0.64 496	0.66 504	0.65 487	0.51 496	0.69 513	0.69 497	0.57 505	0.64 499	0.73 497	0.60 487	0.73 492	0.62 489	0.67 501	0.65 500	0.60 502	0.66 511	0.58 518	0.63 502	0.59 506	0.68 509	0.69 514

UNDER WATER-64	0.95 512	0.94 515	1.43 515	0.87 512	0.56 504	1.18 521	0.87 517	0.77 502	0.94 505	1.04 511	0.85 500	1.58 520	1.21 521	0.94 515	0.96 516	0.87 518	0.57 517	1.03 518	0.88 519	0.78 515	0.73 515

UNDER WATER	0.97 513	0.97 517	1.42 514	0.99 516	0.70 516	1.12 520	0.84 516	0.80 503	1.08 507	1.01 510	0.90 501	1.55 519	1.22 522	1.03 518	1.00 517	0.78 516	0.53 512	1.02 517	0.87 518	0.80 516	0.74 516

ktn	1.01 515	1.21 520	0.80 504	1.23 521	0.86 519	1.01 516	0.87 517	0.94 509	1.39 515	1.04 511	1.12 513	1.15 507	1.07 516	0.94 515	0.59 501	1.28 524	0.71 521	1.38 524	0.83 517	1.02 520	0.75 517

notaker	0.97 513	1.11 518	0.98 509	1.13 519	0.81 517	0.73 500	0.68 513	0.93 508	1.16 509	1.18 518	1.18 516	1.41 516	1.16 520	1.08 520	0.69 509	0.81 517	0.64 520	1.17 520	0.79 516	0.98 518	0.80 518

HanzoNet	1.29 518	1.26 522	1.19 512	1.12 518	0.85 518	1.02 517	0.83 515	1.03 514	1.48 519	1.64 521	1.61 522	2.50 525	1.72 523	1.61 522	1.61 521	1.26 523	0.80 522	1.31 523	1.01 521	1.02 520	0.86 519

KSHMR	1.09 516	1.17 519	0.88 507	1.25 522	1.00 521	0.99 514	0.96 519	1.13 520	1.37 514	1.16 517	1.29 519	1.41 516	0.96 513	1.01 517	0.92 515	1.03 521	1.08 523	1.20 521	1.03 522	1.01 519	0.97 520

JetRed	1.62 519	1.46 523	2.98 518	0.92 513	1.21 522	4.99 525	1.53 524	1.27 523	1.39 515	1.83 522	1.74 523	1.60 521	0.95 512	1.41 521	2.45 525	0.90 520	1.60 525	0.93 516	0.90 520	1.35 522	0.99 521

DPSimNet_ROB	1.11 517	1.23 521	0.78 501	1.13 519	0.88 520	1.10 519	1.13 521	1.16 522	1.23 511	1.43 520	1.02 507	1.41 516	1.10 519	0.90 513	1.60 520	1.46 525	0.51 511	1.21 522	1.03 522	0.90 517	1.01 522

tt	4.67 524	0.06 43	3.55 521	2.02 525	1.55 523	10.25 530	16.71 529	8.91 533	5.03 526	1.31 519	0.94 504	4.71 526	4.76 526	3.33 525	5.87 528	6.06 533	10.30 537	1.88 527	2.11 528	2.75 525	1.21 523

ASD4	3.54 522	3.38 526	2.05 517	1.72 523	2.51 526	9.03 529	17.71 530	2.25 524	5.51 527	2.46 524	2.81 526	2.03 522	3.36 525	2.73 524	5.06 526	1.22 522	1.34 524	1.13 519	1.33 524	1.68 523	1.49 524

MADNet++	1.95 520	1.75 524	1.59 516	1.82 524	1.69 524	2.33 523	1.40 523	2.35 525	2.09 525	2.57 525	2.36 525	2.24 524	2.17 524	2.28 523	2.34 523	1.87 526	1.66 526	1.54 525	1.34 525	1.92 524	1.77 525

PML	8.91 531	9.34 536	6.13 524	5.35 529	6.41 530	14.99 532	23.38 536	5.27 526	6.83 528	18.04 537	28.19 542	7.67 530	6.83 528	7.85 530	5.75 527	5.35 532	1.83 527	5.95 536	1.93 527	8.64 534	2.52 526

xxxxx1	7.79 525	5.02 529	7.31 526	3.12 526	3.85 527	16.35 533	22.88 531	5.86 530	8.69 529	7.97 529	8.54 527	9.12 532	8.27 529	10.18 531	10.92 529	2.42 527	2.45 528	3.56 530	12.37 534	3.77 526	3.06 527

tt_ll	7.79 525	5.02 529	7.31 526	3.12 526	3.85 527	16.35 533	22.88 531	5.86 530	8.69 529	7.97 529	8.54 527	9.12 532	8.27 529	10.18 531	10.92 529	2.42 527	2.45 528	3.56 530	12.37 534	3.77 526	3.06 527

ff	7.79 525	5.02 529	7.31 526	3.12 526	3.85 527	16.35 533	22.88 531	5.86 530	8.69 529	7.97 529	8.54 527	9.12 532	8.27 529	10.18 531	10.92 529	2.42 527	2.45 528	3.56 530	12.37 534	3.77 526	3.06 527

TCMNet-wrong-test	3.67 523	5.48 532	3.89 523	12.18 535	11.75 536	4.65 524	3.88 525	1.06 517	0.72 493	1.09 515	2.15 524	6.30 529	0.53 489	3.43 526	2.36 524	0.89 519	0.20 474	1.87 526	1.69 526	5.57 531	3.62 530

Anonymous_1	10.96 534	7.92 533	7.46 529	10.33 532	10.06 531	18.65 537	26.34 537	11.06 534	13.44 535	9.40 532	10.05 532	9.67 535	11.23 534	10.73 534	12.72 534	6.42 534	8.38 534	5.77 533	10.61 533	12.12 535	6.77 531

DPSMNet_ROB	8.06 529	4.48 527	8.63 532	5.37 531	10.74 533	8.32 527	22.98 535	5.46 527	13.36 534	5.12 527	9.92 530	5.08 527	10.40 532	5.53 529	12.58 532	3.80 531	8.00 532	3.50 528	7.02 531	3.83 529	7.14 532

DGTPSM_ROB	8.06 529	4.48 527	8.63 532	5.35 529	10.72 532	8.32 527	22.97 534	5.46 527	13.35 533	5.12 527	9.92 530	5.08 527	10.40 532	5.52 528	12.58 532	3.79 530	8.00 532	3.50 528	7.02 531	3.83 529	7.14 532

DPSM_ROB	11.15 535	8.58 534	8.00 530	10.88 533	11.58 534	19.10 538	26.71 538	12.05 535	14.07 536	10.36 533	10.84 533	10.33 536	11.86 535	11.70 535	13.54 535	6.99 535	8.79 535	5.89 534	6.95 529	7.29 532	7.42 534

DPSM	11.15 535	8.58 534	8.00 530	10.88 533	11.58 534	19.10 538	26.71 538	12.05 535	14.07 536	10.36 533	10.84 533	10.33 536	11.86 535	11.70 535	13.54 535	6.99 535	8.79 535	5.89 534	6.95 529	7.29 532	7.42 534

LSM0	22.87 541	17.28 538	18.96 536	22.19 541	29.04 543	38.42 542	53.71 540	24.28 541	28.31 540	20.78 541	21.00 538	21.43 542	24.16 541	23.50 540	27.39 541	14.09 539	17.38 539	11.84 539	14.04 539	14.73 538	14.89 536

CasAABBNet	22.42 539	17.33 539	16.01 534	22.01 539	23.28 540	38.32 540	53.80 541	24.14 540	28.41 541	20.60 539	21.77 539	20.89 541	23.91 540	23.43 539	27.36 540	14.07 537	17.69 540	11.83 538	14.01 538	14.67 536	14.95 537

Selective-RAFT-Error	22.47 540	17.37 540	16.09 535	22.06 540	23.34 541	38.39 541	53.83 542	24.29 542	28.47 542	20.74 540	21.83 540	20.81 540	23.90 539	23.54 541	27.53 542	14.08 538	17.69 540	11.82 537	14.00 537	14.69 537	15.00 538

LRCNet_RVC	10.62 533	13.42 537	7.30 525	18.92 537	2.07 525	0.33 458	0.30 476	5.59 529	0.48 452	13.03 535	17.94 536	8.87 531	5.65 527	4.79 527	1.89 522	23.51 541	2.73 531	27.55 542	25.71 542	16.07 539	16.33 539

HaxPig	15.71 537	18.52 541	19.18 537	16.89 536	15.89 538	7.73 526	7.60 526	13.31 537	10.82 532	15.42 536	14.91 535	15.98 538	14.92 537	15.58 537	15.98 537	18.95 540	16.73 538	19.46 540	18.08 540	19.26 540	19.05 540

MEDIAN_ROB	20.38 538	24.04 542	23.31 539	21.23 538	21.71 539	10.40 531	7.92 527	17.64 538	15.50 538	20.12 538	19.70 537	20.34 539	20.32 538	21.19 538	21.13 538	23.81 542	21.81 542	24.98 541	23.76 541	24.71 541	23.93 541

AVERAGE_ROB	24.90 542	29.20 543	28.14 540	24.89 542	24.64 542	17.75 536	11.12 528	21.45 539	19.93 539	25.12 542	24.46 541	25.12 543	25.46 542	24.69 542	22.83 539	29.76 543	27.13 543	28.97 543	27.95 543	29.91 542	29.47 542

test_example2	98.32 543	94.13 544	45.89 541	96.35 543	109.85 544	88.61 543	95.45 543	25.75 543	94.37 543	130.00 544	126.06 544	58.17 544	74.63 543	88.51 543	79.96 543	150.23 544	221.02 544	77.62 544	99.10 544	113.75 544	96.94 543

ccccc	245.47 544	285.66 545	306.18 544	368.85 545	370.60 545	123.16 544	145.33 544	115.05 544	110.08 544	126.68 543	110.87 543	122.83 545	165.88 544	252.94 544	276.56 544	384.56 545	353.86 545	254.69 545	223.00 545	425.87 545	386.83 544

FADE		0.33 484		0.33 479	0.25 482							0.42 461				0.30 490	0.21 485	0.41 494	0.38 494	0.23 474

Low-res two-view benchmark