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

LoS_RVC	0.13 2	0.10 26	0.19 1	0.18 9	0.16 234	0.20 58	0.18 92	0.20 2	0.17 5	0.13 3	0.19 28	0.12 3	0.15 54	0.17 12	0.13 26	0.06 1	0.05 6	0.06 1	0.04 1	0.05 1	0.12 260

DCANet-4	0.19 95	0.10 26	0.52 251	0.19 27	0.09 8	0.19 37	0.18 92	0.36 129	0.39 199	0.29 128	0.30 104	0.17 44	0.22 151	0.20 33	0.18 109	0.07 17	0.05 6	0.07 16	0.05 10	0.05 1	0.07 69

fff	0.19 95	0.13 140	0.40 149	0.18 9	0.09 8	0.19 37	0.18 92	0.35 110	0.43 233	0.29 128	0.30 104	0.18 51	0.28 230	0.20 33	0.18 109	0.07 17	0.05 6	0.07 16	0.05 10	0.05 1	0.07 69

csc	0.19 95	0.13 140	0.40 149	0.18 9	0.09 8	0.19 37	0.18 92	0.35 110	0.43 233	0.29 128	0.30 104	0.18 51	0.28 230	0.20 33	0.18 109	0.07 17	0.05 6	0.07 16	0.05 10	0.05 1	0.07 69

cscssc	0.19 95	0.13 140	0.40 149	0.18 9	0.09 8	0.19 37	0.18 92	0.35 110	0.43 233	0.29 128	0.30 104	0.18 51	0.28 230	0.20 33	0.18 109	0.07 17	0.05 6	0.07 16	0.05 10	0.05 1	0.07 69

panet	0.13 2	0.08 2	0.21 4	0.15 2	0.07 1	0.21 77	0.12 1	0.24 12	0.24 57	0.16 27	0.21 46	0.15 30	0.13 36	0.18 21	0.13 26	0.08 103	0.05 6	0.06 1	0.04 1	0.06 6	0.05 1

MSKI-zero shot	0.17 40	0.09 10	0.43 188	0.20 60	0.11 45	0.21 77	0.15 27	0.32 73	0.21 28	0.23 62	0.24 63	0.23 98	0.10 4	0.31 156	0.13 26	0.07 17	0.06 74	0.07 16	0.06 25	0.06 6	0.06 20

RAFT-Test	0.17 40	0.10 26	0.38 133	0.19 27	0.12 81	0.25 141	0.17 63	0.33 87	0.23 47	0.23 62	0.29 93	0.27 144	0.14 47	0.20 33	0.14 43	0.07 17	0.06 74	0.07 16	0.07 53	0.06 6	0.06 20

CAS	0.15 25	0.07 1	0.21 4	0.41 373	0.16 234	0.20 58	0.18 92	0.22 4	0.19 9	0.15 14	0.19 28	0.11 2	0.09 2	0.14 1	0.13 26	0.29 377	0.04 1	0.06 1	0.04 1	0.06 6	0.14 289

LoS	0.14 9	0.08 2	0.27 25	0.16 4	0.09 8	0.22 98	0.14 14	0.26 17	0.26 69	0.15 14	0.18 25	0.18 51	0.13 36	0.22 49	0.14 43	0.08 103	0.06 74	0.06 1	0.04 1	0.06 6	0.06 20

Selective-IGEV	0.12 1	0.09 10	0.22 7	0.19 27	0.10 22	0.15 5	0.14 14	0.27 24	0.15 2	0.13 3	0.14 14	0.13 13	0.08 1	0.21 44	0.12 7	0.06 1	0.05 6	0.07 16	0.06 25	0.06 6	0.05 1

EGLCR-Stereo	0.13 2	0.08 2	0.20 3	0.18 9	0.09 8	0.21 77	0.13 4	0.27 24	0.21 28	0.13 3	0.10 1	0.15 30	0.09 2	0.20 33	0.13 26	0.07 17	0.05 6	0.07 16	0.07 53	0.06 6	0.06 20

MC-Stereo	0.14 9	0.09 10	0.25 17	0.21 89	0.09 8	0.18 15	0.16 41	0.23 7	0.19 9	0.18 44	0.23 53	0.16 39	0.13 36	0.22 49	0.13 26	0.07 17	0.05 6	0.07 16	0.07 53	0.06 6	0.05 1

RCA-Stereo	0.16 32	0.09 10	0.25 17	0.20 60	0.10 22	0.19 37	0.17 63	0.36 129	0.35 161	0.20 46	0.25 69	0.17 44	0.17 91	0.18 21	0.14 43	0.07 17	0.05 6	0.07 16	0.06 25	0.06 6	0.05 1

ADStereo(finetuned)	0.19 95	0.13 140	0.49 231	0.19 27	0.09 8	0.19 37	0.18 92	0.34 93	0.39 199	0.29 128	0.31 118	0.18 51	0.31 263	0.21 44	0.19 134	0.07 17	0.05 6	0.07 16	0.05 10	0.06 6	0.07 69

test-3	0.16 32	0.09 10	0.31 58	0.21 89	0.11 45	0.18 15	0.16 41	0.30 59	0.27 78	0.26 90	0.16 17	0.22 79	0.12 15	0.26 99	0.18 109	0.06 1	0.04 1	0.08 69	0.08 114	0.06 6	0.06 20

test_1	0.16 32	0.09 10	0.31 58	0.21 89	0.11 45	0.18 15	0.16 41	0.30 59	0.27 78	0.25 81	0.16 17	0.22 79	0.12 15	0.26 99	0.18 109	0.06 1	0.04 1	0.08 69	0.08 114	0.06 6	0.06 20

TRStereo	0.19 95	0.17 229	0.47 217	0.23 176	0.19 288	0.19 37	0.16 41	0.52 268	0.28 91	0.20 46	0.19 28	0.21 72	0.13 36	0.24 62	0.13 26	0.09 170	0.06 74	0.09 124	0.11 255	0.06 6	0.06 20

STrans-v2	0.24 188	0.13 140	0.54 257	0.21 89	0.12 81	0.23 115	0.21 190	0.47 220	0.28 91	0.31 173	0.42 225	0.36 224	0.35 284	0.62 281	0.23 194	0.07 17	0.05 6	0.08 69	0.07 53	0.06 6	0.06 20

TransformOpticalFlow	0.24 188	0.13 140	0.56 266	0.23 176	0.11 45	0.21 77	0.19 129	0.40 159	0.32 137	0.30 156	0.43 237	0.36 224	0.31 263	0.61 273	0.20 145	0.07 17	0.05 6	0.08 69	0.07 53	0.06 6	0.07 69

ASMatch	0.23 165	0.11 66	0.51 247	0.24 214	0.14 170	0.19 37	0.17 63	0.31 65	0.28 91	0.28 103	0.68 346	0.27 144	0.26 199	0.50 224	0.22 180	0.07 17	0.06 74	0.08 69	0.07 53	0.06 6	0.11 238

DEmStereo	0.26 220	0.09 10	0.47 217	0.19 27	0.12 81	0.30 215	0.25 263	0.28 37	0.36 171	0.36 248	0.58 319	0.25 116	0.48 343	0.53 240	0.44 309	0.07 17	0.06 74	0.08 69	0.08 114	0.06 6	0.07 69

RAFT-RH_RVC	0.25 210	0.11 66	0.45 204	0.21 89	0.12 81	0.25 141	0.14 14	0.27 24	0.27 78	0.38 261	1.15 384	0.23 98	0.17 91	0.57 256	0.24 203	0.07 17	0.05 6	0.10 188	0.07 53	0.06 6	0.07 69

RAFT-345	0.21 122	0.10 26	0.46 210	0.22 134	0.11 45	0.20 58	0.16 41	0.26 17	0.25 62	0.27 94	0.66 342	0.21 72	0.16 68	0.55 245	0.21 166	0.07 17	0.06 74	0.08 69	0.07 53	0.06 6	0.06 20

AnonymousM	0.17 40	0.19 257	0.24 13	0.18 9	0.10 22	0.18 15	0.17 63	0.30 59	0.23 47	0.26 90	0.20 38	0.18 51	0.14 47	0.19 29	0.14 43	0.09 170	0.06 74	0.38 380	0.15 324	0.06 6	0.05 1

cross-raft	0.17 40	0.12 85	0.41 171	0.23 176	0.10 22	0.20 58	0.24 249	0.33 87	0.23 47	0.23 62	0.28 84	0.29 166	0.15 54	0.17 12	0.15 55	0.06 1	0.05 6	0.07 16	0.07 53	0.06 6	0.05 1

test-1	0.17 40	0.11 66	0.40 149	0.23 176	0.13 136	0.22 98	0.23 227	0.34 93	0.26 69	0.20 46	0.24 63	0.22 79	0.14 47	0.16 8	0.20 145	0.07 17	0.06 74	0.08 69	0.07 53	0.06 6	0.08 116

CREStereo++_RVC	0.15 25	0.08 2	0.26 20	0.17 6	0.11 45	0.18 15	0.13 4	0.22 4	0.30 118	0.21 55	0.30 104	0.13 13	0.11 9	0.16 8	0.15 55	0.07 17	0.04 1	0.06 1	0.15 324	0.06 6	0.05 1
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	0.17 40	0.09 10	0.26 20	0.18 9	0.07 1	0.32 234	0.19 129	0.37 135	0.32 137	0.23 62	0.25 69	0.18 51	0.17 91	0.25 86	0.16 72	0.07 17	0.05 6	0.07 16	0.05 10	0.06 6	0.05 1

TANstereo	0.15 25	0.09 10	0.28 33	0.16 4	0.08 3	0.25 141	0.14 14	0.23 7	0.28 91	0.24 75	0.30 104	0.16 39	0.12 15	0.17 12	0.13 26	0.08 103	0.07 163	0.06 1	0.05 10	0.06 6	0.07 69

raftrobust	0.16 32	0.13 140	0.29 40	0.22 134	0.15 211	0.19 37	0.13 4	0.32 73	0.26 69	0.26 90	0.20 38	0.19 62	0.17 91	0.21 44	0.15 55	0.08 103	0.06 74	0.07 16	0.06 25	0.06 6	0.07 69

DCANet	0.18 58	0.13 140	0.40 149	0.19 27	0.09 8	0.19 37	0.18 92	0.34 93	0.39 199	0.29 128	0.31 118	0.18 51	0.23 160	0.20 33	0.19 134	0.07 17	0.05 6	0.07 16	0.05 10	0.06 6	0.07 69

EAI-Stereo	0.21 122	0.10 26	0.33 78	0.21 89	0.12 81	0.30 215	0.46 364	0.46 213	0.20 18	0.25 81	0.50 284	0.17 44	0.16 68	0.24 62	0.23 194	0.07 17	0.06 74	0.07 16	0.10 220	0.06 6	0.07 69

CFNet-RSSM	0.17 40	0.10 26	0.40 149	0.20 60	0.11 45	0.20 58	0.15 27	0.36 129	0.30 118	0.23 62	0.21 46	0.26 136	0.15 54	0.20 33	0.13 26	0.07 17	0.05 6	0.07 16	0.07 53	0.06 6	0.05 1

Gwc-CoAtRS	0.17 40	0.10 26	0.37 114	0.20 60	0.12 81	0.19 37	0.15 27	0.32 73	0.28 91	0.23 62	0.23 53	0.27 144	0.15 54	0.20 33	0.13 26	0.07 17	0.05 6	0.07 16	0.07 53	0.06 6	0.06 20

R-Stereo Train	0.18 58	0.09 10	0.32 64	0.22 134	0.12 81	0.22 98	0.19 129	0.42 181	0.19 9	0.31 173	0.45 258	0.20 64	0.14 47	0.18 21	0.15 55	0.08 103	0.06 74	0.07 16	0.06 25	0.06 6	0.06 20

RAFT-Stereo	0.18 58	0.09 10	0.32 64	0.22 134	0.12 81	0.22 98	0.19 129	0.42 181	0.19 9	0.31 173	0.45 258	0.20 64	0.14 47	0.18 21	0.15 55	0.08 103	0.06 74	0.07 16	0.06 25	0.06 6	0.06 20
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MoCha-V2	0.13 2	0.09 10	0.23 9	0.38 367	0.09 8	0.13 3	0.16 41	0.24 12	0.15 2	0.13 3	0.16 17	0.12 3	0.12 15	0.15 3	0.11 1	0.06 1	0.05 6	0.06 1	0.07 53	0.07 38	0.05 1

LargeStereo	0.13 2	0.10 26	0.23 9	0.21 89	0.10 22	0.15 5	0.15 27	0.29 44	0.16 4	0.12 1	0.15 16	0.12 3	0.12 15	0.17 12	0.14 43	0.07 17	0.06 74	0.07 16	0.05 10	0.07 38	0.07 69

AE-Stereo	0.17 40	0.11 66	0.31 58	0.24 214	0.14 170	0.23 115	0.18 92	0.34 93	0.29 109	0.15 14	0.25 69	0.21 72	0.13 36	0.20 33	0.14 43	0.07 17	0.08 230	0.09 124	0.10 220	0.07 38	0.06 20

ff7	0.14 9	0.12 85	0.27 25	0.19 27	0.12 81	0.21 77	0.18 92	0.27 24	0.20 18	0.15 14	0.13 6	0.12 3	0.12 15	0.24 62	0.12 7	0.07 17	0.05 6	0.08 69	0.07 53	0.07 38	0.07 69

IGEVStereo-DCA	0.14 9	0.11 66	0.27 25	0.19 27	0.12 81	0.20 58	0.18 92	0.27 24	0.20 18	0.15 14	0.12 2	0.14 24	0.12 15	0.28 126	0.14 43	0.07 17	0.06 74	0.08 69	0.07 53	0.07 38	0.07 69

ffff	0.14 9	0.12 85	0.27 25	0.19 27	0.12 81	0.21 77	0.18 92	0.27 24	0.20 18	0.15 14	0.13 6	0.12 3	0.12 15	0.24 62	0.12 7	0.07 17	0.05 6	0.08 69	0.07 53	0.07 38	0.07 69

rrr	0.17 40	0.11 66	0.57 270	0.19 27	0.12 81	0.20 58	0.18 92	0.35 110	0.22 35	0.15 14	0.12 2	0.14 24	0.12 15	0.28 126	0.14 43	0.07 17	0.06 74	0.08 69	0.07 53	0.07 38	0.07 69

11t	0.14 9	0.12 85	0.27 25	0.19 27	0.12 81	0.21 77	0.18 92	0.27 24	0.20 18	0.15 14	0.13 6	0.12 3	0.12 15	0.24 62	0.12 7	0.07 17	0.05 6	0.08 69	0.07 53	0.07 38	0.07 69

StereoIM	0.14 9	0.13 140	0.26 20	0.19 27	0.14 170	0.16 8	0.13 4	0.25 14	0.21 28	0.13 3	0.14 14	0.14 24	0.11 9	0.17 12	0.17 95	0.08 103	0.07 163	0.08 69	0.06 25	0.07 38	0.06 20

IGEV_Zeroshot_test	0.18 58	0.10 26	0.65 300	0.20 60	0.12 81	0.19 37	0.15 27	0.34 93	0.19 9	0.28 103	0.22 51	0.27 144	0.13 36	0.23 56	0.18 109	0.07 17	0.06 74	0.08 69	0.08 114	0.07 38	0.06 20

AEACV	0.13 2	0.09 10	0.23 9	0.18 9	0.19 288	0.19 37	0.16 41	0.23 7	0.14 1	0.13 3	0.17 21	0.13 13	0.16 68	0.16 8	0.12 7	0.07 17	0.05 6	0.07 16	0.08 114	0.07 38	0.06 20

Any-RAFT	0.17 40	0.08 2	0.31 58	0.19 27	0.10 22	0.29 198	0.16 41	0.42 181	0.30 118	0.24 75	0.27 80	0.27 144	0.16 68	0.21 44	0.12 7	0.08 103	0.05 6	0.06 1	0.05 10	0.07 38	0.06 20

HH	0.18 58	0.12 85	0.55 262	0.22 134	0.12 81	0.18 15	0.18 92	0.34 93	0.19 9	0.20 46	0.24 63	0.34 205	0.18 113	0.29 139	0.12 7	0.07 17	0.05 6	0.07 16	0.07 53	0.07 38	0.06 20

HanStereo	0.18 58	0.12 85	0.55 262	0.22 134	0.12 81	0.18 15	0.18 92	0.34 93	0.19 9	0.20 46	0.24 63	0.34 205	0.18 113	0.29 139	0.12 7	0.07 17	0.05 6	0.07 16	0.07 53	0.07 38	0.06 20

DCRE	0.20 108	0.13 140	0.40 149	0.21 89	0.15 211	0.20 58	0.19 129	0.30 59	0.27 78	0.22 59	0.80 363	0.23 98	0.16 68	0.23 56	0.15 55	0.07 17	0.07 163	0.07 16	0.08 114	0.07 38	0.06 20

anonymousa	0.23 165	0.11 66	0.50 241	0.21 89	0.16 234	0.31 226	0.20 167	0.36 129	0.35 161	0.32 191	0.50 284	0.39 245	0.26 199	0.22 49	0.20 145	0.08 103	0.06 74	0.09 124	0.11 255	0.07 38	0.08 116

ProNet	0.14 9	0.12 85	0.25 17	0.19 27	0.11 45	0.19 37	0.19 129	0.27 24	0.20 18	0.14 10	0.13 6	0.13 13	0.12 15	0.24 62	0.12 7	0.06 1	0.05 6	0.07 16	0.06 25	0.07 38	0.07 69

ccc-4	0.14 9	0.12 85	0.27 25	0.19 27	0.12 81	0.21 77	0.18 92	0.27 24	0.20 18	0.15 14	0.13 6	0.12 3	0.12 15	0.24 62	0.12 7	0.07 17	0.05 6	0.08 69	0.07 53	0.07 38	0.07 69

DisPM	0.19 95	0.10 26	0.35 91	0.23 176	0.13 136	0.18 15	0.20 167	0.29 44	0.29 109	0.33 201	0.34 147	0.23 98	0.16 68	0.33 168	0.16 72	0.09 170	0.06 74	0.09 124	0.08 114	0.07 38	0.11 238

test_4	0.18 58	0.12 85	0.34 83	0.23 176	0.12 81	0.18 15	0.22 206	0.26 17	0.24 57	0.24 75	0.47 275	0.22 79	0.13 36	0.24 62	0.16 72	0.06 1	0.05 6	0.09 124	0.09 188	0.07 38	0.05 1

GLC_STEREO	0.15 25	0.10 26	0.24 13	0.21 89	0.09 8	0.17 11	0.15 27	0.23 7	0.27 78	0.17 32	0.20 38	0.17 44	0.11 9	0.23 56	0.16 72	0.07 17	0.09 258	0.09 124	0.08 114	0.07 38	0.06 20

IPLG	0.21 122	0.15 195	0.53 254	0.21 89	0.12 81	0.28 179	0.17 63	0.42 181	0.30 118	0.33 201	0.32 122	0.15 30	0.17 91	0.50 224	0.21 166	0.07 17	0.05 6	0.08 69	0.07 53	0.07 38	0.06 20

MIPNet	0.21 122	0.15 195	0.52 251	0.21 89	0.12 81	0.27 166	0.20 167	0.45 203	0.37 180	0.30 156	0.23 53	0.19 62	0.24 175	0.27 114	0.19 134	0.07 17	0.05 6	0.08 69	0.07 53	0.07 38	0.06 20

IPLGR	0.21 122	0.13 140	0.61 283	0.21 89	0.11 45	0.25 141	0.18 92	0.41 169	0.37 180	0.28 103	0.27 80	0.21 72	0.19 126	0.37 189	0.18 109	0.07 17	0.06 74	0.08 69	0.07 53	0.07 38	0.06 20

test_3	0.18 58	0.11 66	0.32 64	0.24 214	0.11 45	0.22 98	0.25 263	0.31 65	0.31 129	0.25 81	0.18 25	0.23 98	0.13 36	0.25 86	0.19 134	0.06 1	0.05 6	0.09 124	0.10 220	0.07 38	0.06 20

CrosDoStereo	0.31 269	0.10 26	0.49 231	0.18 9	0.12 81	0.22 98	1.11 413	0.34 93	0.37 180	0.38 261	0.61 333	0.28 159	0.46 334	0.61 273	0.57 336	0.07 17	0.06 74	0.08 69	0.08 114	0.07 38	0.07 69

OMP-Stereo	0.23 165	0.14 170	0.35 91	0.29 322	0.13 136	0.21 77	0.16 41	0.37 135	0.33 148	0.34 217	0.30 104	0.34 205	0.19 126	0.70 306	0.24 203	0.07 17	0.06 74	0.09 124	0.07 53	0.07 38	0.06 20

IIG-Stereo	0.23 165	0.13 140	0.35 91	0.29 322	0.12 81	0.23 115	0.14 14	0.38 141	0.31 129	0.34 217	0.37 173	0.33 199	0.21 140	0.70 306	0.26 224	0.08 103	0.06 74	0.09 124	0.07 53	0.07 38	0.06 20

FTStereo	0.28 245	0.10 26	0.43 188	0.23 176	0.13 136	0.21 77	0.53 378	0.34 93	0.26 69	0.38 261	0.95 375	0.30 176	0.56 355	0.32 162	0.18 109	0.08 103	0.06 74	0.09 124	0.08 114	0.07 38	0.19 334

DeepStereo_LL	0.31 269	0.10 26	0.49 231	0.18 9	0.12 81	0.22 98	1.11 413	0.34 93	0.37 180	0.38 261	0.61 333	0.28 159	0.46 334	0.61 273	0.57 336	0.07 17	0.06 74	0.08 69	0.08 114	0.07 38	0.07 69

THIR-Stereo	0.29 255	0.12 85	0.41 171	0.19 27	0.11 45	0.28 179	0.72 391	0.32 73	0.35 161	0.37 253	0.65 340	0.34 205	0.50 345	0.57 256	0.45 312	0.07 17	0.06 74	0.08 69	0.09 188	0.07 38	0.07 69

DRaft	0.24 188	0.10 26	0.34 83	0.18 9	0.12 81	0.28 179	0.23 227	0.33 87	0.39 199	0.38 261	0.61 333	0.21 72	0.41 312	0.48 217	0.42 304	0.07 17	0.06 74	0.08 69	0.08 114	0.07 38	0.08 116

GrayStereo	0.25 210	0.09 10	0.32 64	0.26 279	0.13 136	0.23 115	0.47 368	0.34 93	0.30 118	0.39 276	0.47 275	0.30 176	0.79 378	0.29 139	0.16 72	0.07 17	0.06 74	0.08 69	0.09 188	0.07 38	0.13 272

CroCo-Stereo	0.14 9	0.13 140	0.24 13	0.25 251	0.11 45	0.11 1	0.18 92	0.32 73	0.23 47	0.12 1	0.12 2	0.18 51	0.12 15	0.14 1	0.13 26	0.08 103	0.06 74	0.07 16	0.05 10	0.07 38	0.06 20
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
raft+_RVC	0.18 58	0.14 170	0.32 64	0.21 89	0.15 211	0.21 77	0.16 41	0.38 141	0.34 155	0.21 55	0.28 84	0.20 64	0.15 54	0.24 62	0.19 134	0.08 103	0.06 74	0.08 69	0.07 53	0.07 38	0.08 116

XX-TBD	0.15 25	0.18 241	0.28 33	0.22 134	0.10 22	0.22 98	0.15 27	0.22 4	0.27 78	0.22 59	0.26 75	0.14 24	0.12 15	0.16 8	0.13 26	0.08 103	0.05 6	0.06 1	0.04 1	0.07 38	0.06 20

XX-Stereo	0.21 122	0.10 26	0.83 338	0.26 279	0.17 250	0.23 115	0.13 4	0.40 159	0.18 7	0.20 46	0.41 211	0.31 184	0.10 4	0.32 162	0.12 7	0.08 103	0.06 74	0.08 69	0.08 114	0.07 38	0.05 1

111	0.20 108	0.17 229	0.40 149	0.18 9	0.09 8	0.24 130	0.17 63	0.41 169	0.45 259	0.23 62	0.29 93	0.29 166	0.21 140	0.24 62	0.18 109	0.07 17	0.05 6	0.07 16	0.06 25	0.07 38	0.08 116

test_xeample3	0.16 32	0.11 66	0.56 266	0.19 27	0.12 81	0.20 58	0.18 92	0.35 110	0.20 18	0.16 27	0.12 2	0.13 13	0.12 15	0.24 62	0.15 55	0.07 17	0.06 74	0.07 16	0.08 114	0.07 38	0.07 69

RAFT-Stereo + iAFF	0.17 40	0.14 170	0.32 64	0.20 60	0.09 8	0.19 37	0.17 63	0.32 73	0.30 118	0.25 81	0.33 141	0.20 64	0.17 91	0.19 29	0.15 55	0.06 1	0.05 6	0.07 16	0.07 53	0.07 38	0.05 1

AFF-stereo	0.18 58	0.15 195	0.32 64	0.21 89	0.10 22	0.18 15	0.18 92	0.33 87	0.27 78	0.25 81	0.37 173	0.25 116	0.17 91	0.24 62	0.15 55	0.06 1	0.05 6	0.08 69	0.08 114	0.07 38	0.05 1

CREStereo	0.13 2	0.08 2	0.21 4	0.14 1	0.08 3	0.22 98	0.15 27	0.25 14	0.24 57	0.16 27	0.21 46	0.14 24	0.13 36	0.18 21	0.13 26	0.09 170	0.05 6	0.06 1	0.04 1	0.07 38	0.06 20
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.15 25	0.08 2	0.23 9	0.15 2	0.09 8	0.23 115	0.16 41	0.25 14	0.23 47	0.17 32	0.21 46	0.16 39	0.14 47	0.22 49	0.13 26	0.29 377	0.05 6	0.06 1	0.04 1	0.07 38	0.06 20

DIP-Stereo	0.18 58	0.12 85	0.33 78	0.20 60	0.13 136	0.28 179	0.12 1	0.42 181	0.25 62	0.27 94	0.32 122	0.21 72	0.17 91	0.25 86	0.20 145	0.07 17	0.06 74	0.08 69	0.06 25	0.07 38	0.08 116
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.28 245	0.14 170	0.44 194	0.22 134	0.18 270	0.32 234	0.19 129	0.48 231	0.38 193	0.29 128	0.43 237	0.47 293	0.37 296	0.79 339	0.36 277	0.09 170	0.07 163	0.07 16	0.09 188	0.07 38	0.07 69

MLCV	0.22 148	0.16 213	0.44 194	0.21 89	0.08 3	0.29 198	0.19 129	0.38 141	0.37 180	0.38 261	0.44 246	0.31 184	0.21 140	0.41 200	0.24 203	0.07 17	0.05 6	0.06 1	0.05 10	0.07 38	0.06 20

DispNO	0.27 227	0.18 241	0.62 291	0.23 176	0.17 250	0.25 141	0.22 206	0.45 203	0.41 223	0.32 191	0.39 195	0.38 233	0.27 216	0.77 335	0.27 228	0.09 170	0.07 163	0.10 188	0.10 220	0.08 84	0.08 116

tta	0.24 188	0.12 85	0.40 149	0.19 27	0.10 22	0.27 166	0.19 129	0.51 258	0.45 259	0.34 217	0.41 211	0.31 184	0.26 199	0.58 261	0.28 231	0.10 213	0.07 163	0.08 69	0.08 114	0.08 84	0.07 69

qqq1	0.24 188	0.12 85	0.40 149	0.19 27	0.10 22	0.27 166	0.19 129	0.51 258	0.45 259	0.34 217	0.41 211	0.31 184	0.26 199	0.58 261	0.16 72	0.10 213	0.07 163	0.07 16	0.06 25	0.08 84	0.07 69

fff1	0.24 188	0.12 85	0.40 149	0.19 27	0.10 22	0.27 166	0.19 129	0.51 258	0.45 259	0.34 217	0.41 211	0.31 184	0.26 199	0.58 261	0.16 72	0.10 213	0.07 163	0.07 16	0.06 25	0.08 84	0.07 69

MyStereo07	0.16 32	0.12 85	0.26 20	0.22 134	0.14 170	0.25 141	0.23 227	0.29 44	0.21 28	0.15 14	0.13 6	0.12 3	0.13 36	0.25 86	0.13 26	0.07 17	0.07 163	0.09 124	0.08 114	0.08 84	0.08 116

MyStereo06	0.20 108	0.12 85	0.57 270	0.21 89	0.14 170	0.25 141	0.23 227	0.40 159	0.21 28	0.30 156	0.24 63	0.31 184	0.18 113	0.22 49	0.18 109	0.07 17	0.07 163	0.09 124	0.08 114	0.08 84	0.08 116

MyStereo05	0.23 165	0.12 85	0.57 270	0.21 89	0.14 170	0.25 141	0.23 227	0.48 231	0.52 313	0.31 173	0.23 53	0.25 116	0.22 151	0.30 151	0.21 166	0.07 17	0.07 163	0.09 124	0.08 114	0.08 84	0.08 116

MyStereo04	0.23 165	0.12 85	0.55 262	0.22 134	0.14 170	0.25 141	0.23 227	0.49 237	0.52 313	0.28 103	0.23 53	0.27 144	0.23 160	0.30 151	0.22 180	0.07 17	0.07 163	0.09 124	0.08 114	0.08 84	0.08 116

CoDeX	0.23 165	0.12 85	0.46 210	0.21 89	0.14 170	0.29 198	0.21 190	0.53 279	0.41 223	0.29 128	0.35 154	0.29 166	0.22 151	0.48 217	0.19 134	0.09 170	0.06 74	0.08 69	0.07 53	0.08 84	0.07 69

cc1	0.18 58	0.14 170	0.38 133	0.23 176	0.11 45	0.31 226	0.19 129	0.35 110	0.47 278	0.17 32	0.19 28	0.13 13	0.18 113	0.28 126	0.11 1	0.08 103	0.05 6	0.08 69	0.06 25	0.08 84	0.08 116

DualNet	0.26 220	0.12 85	0.42 178	0.20 60	0.13 136	0.28 179	0.20 167	0.35 110	0.44 247	0.30 156	0.42 225	0.34 205	0.23 160	0.27 114	1.08 377	0.08 103	0.05 6	0.11 236	0.10 220	0.08 84	0.08 116

ffm	0.22 148	0.12 85	0.42 178	0.20 60	0.13 136	0.28 179	0.20 167	0.35 110	0.44 247	0.30 156	0.42 225	0.34 205	0.23 160	0.27 114	0.11 1	0.08 103	0.05 6	0.11 236	0.10 220	0.08 84	0.08 116

ff1	0.29 255	0.12 85	0.42 178	0.20 60	0.13 136	0.28 179	0.20 167	0.35 110	0.44 247	0.30 156	0.42 225	0.34 205	0.23 160	0.81 346	1.08 377	0.08 103	0.05 6	0.11 236	0.10 220	0.08 84	0.08 116

tt1	0.18 58	0.14 170	0.35 91	0.23 176	0.11 45	0.30 215	0.19 129	0.35 110	0.44 247	0.17 32	0.19 28	0.13 13	0.16 68	0.27 114	0.11 1	0.08 103	0.05 6	0.08 69	0.06 25	0.08 84	0.08 116

MIF-Stereo	0.14 9	0.10 26	0.30 46	0.21 89	0.13 136	0.17 11	0.13 4	0.19 1	0.18 7	0.15 14	0.20 38	0.10 1	0.11 9	0.18 21	0.16 72	0.08 103	0.06 74	0.07 16	0.06 25	0.08 84	0.06 20

MIM_Stereo	0.18 58	0.12 85	0.38 133	0.20 60	0.11 45	0.17 11	0.14 14	0.35 110	0.25 62	0.27 94	0.35 154	0.23 98	0.13 36	0.27 114	0.16 72	0.06 1	0.07 163	0.08 69	0.08 114	0.08 84	0.06 20

CASnet	0.14 9	0.12 85	0.22 7	0.22 134	0.08 3	0.16 8	0.15 27	0.27 24	0.25 62	0.22 59	0.20 38	0.15 30	0.11 9	0.17 12	0.13 26	0.07 17	0.05 6	0.11 236	0.09 188	0.08 84	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.18 58	0.18 241	0.39 144	0.22 134	0.12 81	0.24 130	0.13 4	0.31 65	0.23 47	0.24 75	0.20 38	0.24 109	0.12 15	0.26 99	0.15 55	0.06 1	0.06 74	0.12 269	0.09 188	0.08 84	0.07 69

4D-IteraStereo	0.17 40	0.16 213	0.50 241	0.21 89	0.14 170	0.19 37	0.17 63	0.28 37	0.28 91	0.23 62	0.20 38	0.20 64	0.11 9	0.19 29	0.14 43	0.06 1	0.04 1	0.10 188	0.08 114	0.08 84	0.06 20

anonymousdsp2	0.17 40	0.10 26	0.28 33	0.20 60	0.11 45	0.25 141	0.17 63	0.41 169	0.31 129	0.23 62	0.23 53	0.22 79	0.15 54	0.25 86	0.15 55	0.07 17	0.05 6	0.07 16	0.05 10	0.08 84	0.07 69

anonymousdsp	0.14 9	0.12 85	0.27 25	0.19 27	0.12 81	0.21 77	0.18 92	0.28 37	0.20 18	0.15 14	0.13 6	0.12 3	0.12 15	0.24 62	0.12 7	0.07 17	0.05 6	0.08 69	0.07 53	0.08 84	0.07 69

CES	0.14 9	0.08 2	0.19 1	0.17 6	0.22 325	0.18 15	0.16 41	0.23 7	0.19 9	0.14 10	0.17 21	0.14 24	0.10 4	0.18 21	0.12 7	0.07 17	0.05 6	0.06 1	0.04 1	0.08 84	0.18 327

Selective-RAFT	0.17 40	0.12 85	0.30 46	0.24 214	0.10 22	0.29 198	0.15 27	0.32 73	0.31 129	0.17 32	0.17 21	0.21 72	0.18 113	0.28 126	0.17 95	0.07 17	0.06 74	0.07 16	0.07 53	0.08 84	0.06 20

CroCo-Stereo Lap2	0.15 25	0.15 195	0.28 33	0.25 251	0.18 270	0.11 1	0.19 129	0.28 37	0.21 28	0.13 3	0.16 17	0.15 30	0.12 15	0.17 12	0.14 43	0.07 17	0.07 163	0.08 69	0.06 25	0.08 84	0.07 69

TestStereo1	0.21 122	0.16 213	0.32 64	0.26 279	0.13 136	0.26 159	0.27 279	0.40 159	0.36 171	0.29 128	0.39 195	0.22 79	0.21 140	0.33 168	0.17 95	0.07 17	0.06 74	0.09 124	0.08 114	0.08 84	0.07 69

raft_robust	0.22 148	0.17 229	0.30 46	0.22 134	0.12 81	0.23 115	0.22 206	0.49 237	0.48 287	0.32 191	0.32 122	0.26 136	0.23 160	0.53 240	0.15 55	0.07 17	0.06 74	0.08 69	0.10 220	0.08 84	0.06 20

RAFT_CTSACE	0.21 122	0.16 213	0.41 171	0.25 251	0.15 211	0.22 98	0.24 249	0.32 73	0.28 91	0.33 201	0.51 290	0.29 166	0.17 91	0.32 162	0.13 26	0.06 1	0.07 163	0.09 124	0.08 114	0.08 84	0.06 20

SA-5K	0.21 122	0.16 213	0.32 64	0.26 279	0.13 136	0.26 159	0.27 279	0.40 159	0.36 171	0.29 128	0.39 195	0.22 79	0.21 140	0.33 168	0.17 95	0.07 17	0.06 74	0.09 124	0.08 114	0.08 84	0.07 69

Sa-1000	0.22 148	0.15 195	0.35 91	0.23 176	0.13 136	0.28 179	0.23 227	0.47 220	0.39 199	0.30 156	0.50 284	0.26 136	0.19 126	0.33 168	0.16 72	0.07 17	0.06 74	0.10 188	0.11 255	0.08 84	0.06 20

SA	0.22 148	0.16 213	0.36 109	0.23 176	0.13 136	0.24 130	0.23 227	0.45 203	0.40 212	0.27 94	0.44 246	0.23 98	0.23 160	0.33 168	0.17 95	0.07 17	0.06 74	0.10 188	0.11 255	0.08 84	0.06 20

IGEV-Stereo	0.14 9	0.12 85	0.27 25	0.19 27	0.12 81	0.21 77	0.18 92	0.28 37	0.20 18	0.15 14	0.13 6	0.12 3	0.12 15	0.24 62	0.12 7	0.07 17	0.05 6	0.08 69	0.07 53	0.08 84	0.07 69
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CIPLG	0.21 122	0.21 278	0.55 262	0.23 176	0.15 211	0.25 141	0.20 167	0.35 110	0.29 109	0.31 173	0.33 141	0.22 79	0.15 54	0.26 99	0.20 145	0.08 103	0.07 163	0.07 16	0.07 53	0.08 84	0.08 116

iRaft-Stereo_20w	0.19 95	0.10 26	0.46 210	0.19 27	0.13 136	0.25 141	0.19 129	0.52 268	0.19 9	0.29 128	0.21 46	0.22 79	0.20 134	0.28 126	0.18 109	0.07 17	0.06 74	0.07 16	0.08 114	0.08 84	0.08 116

IPLGR_C	0.21 122	0.22 290	0.60 280	0.23 176	0.15 211	0.24 130	0.20 167	0.35 110	0.29 109	0.31 173	0.32 122	0.22 79	0.15 54	0.25 86	0.20 145	0.08 103	0.07 163	0.07 16	0.07 53	0.08 84	0.08 116

GMOStereo	0.18 58	0.14 170	0.30 46	0.22 134	0.12 81	0.20 58	0.27 279	0.26 17	0.28 91	0.31 173	0.32 122	0.26 136	0.17 91	0.15 3	0.12 7	0.07 17	0.07 163	0.10 188	0.08 114	0.08 84	0.05 1

error version	0.18 58	0.14 170	0.30 46	0.22 134	0.12 81	0.20 58	0.27 279	0.26 17	0.28 91	0.31 173	0.32 122	0.26 136	0.17 91	0.15 3	0.12 7	0.07 17	0.07 163	0.10 188	0.08 114	0.08 84	0.05 1

test-v	0.18 58	0.14 170	0.30 46	0.22 134	0.12 81	0.20 58	0.27 279	0.26 17	0.28 91	0.31 173	0.32 122	0.26 136	0.17 91	0.15 3	0.12 7	0.07 17	0.07 163	0.10 188	0.08 114	0.08 84	0.05 1

ACRE	0.21 122	0.20 265	0.62 291	0.23 176	0.15 211	0.24 130	0.20 167	0.35 110	0.28 91	0.31 173	0.32 122	0.22 79	0.15 54	0.25 86	0.20 145	0.08 103	0.07 163	0.07 16	0.07 53	0.08 84	0.08 116

PFNet+	0.20 108	0.10 26	0.37 114	0.21 89	0.12 81	0.17 11	0.19 129	0.29 44	0.34 155	0.33 201	0.32 122	0.24 109	0.16 68	0.32 162	0.17 95	0.10 213	0.07 163	0.11 236	0.10 220	0.08 84	0.12 260

HHNet	0.22 148	0.12 85	0.52 251	0.18 9	0.18 270	0.20 58	0.20 167	0.34 93	0.31 129	0.32 191	0.59 321	0.20 64	0.21 140	0.24 62	0.31 251	0.08 103	0.05 6	0.09 124	0.07 53	0.08 84	0.11 238

AAGNet	0.33 284	0.11 66	0.37 114	0.25 251	0.16 234	0.20 58	0.19 129	0.30 59	0.27 78	0.35 233	0.35 154	0.27 144	0.30 252	0.44 208	2.66 414	0.08 103	0.05 6	0.10 188	0.07 53	0.08 84	0.06 20

NF-Stereo	0.20 108	0.10 26	0.35 91	0.24 214	0.12 81	0.21 77	0.18 92	0.38 141	0.32 137	0.28 103	0.30 104	0.22 79	0.16 68	0.51 229	0.20 145	0.08 103	0.06 74	0.09 124	0.08 114	0.08 84	0.13 272

OCTAStereo	0.20 108	0.10 26	0.35 91	0.24 214	0.12 81	0.21 77	0.18 92	0.38 141	0.32 137	0.28 103	0.30 104	0.22 79	0.16 68	0.51 229	0.20 145	0.08 103	0.06 74	0.09 124	0.08 114	0.08 84	0.13 272

PSM-softLoss	0.21 122	0.10 26	0.39 144	0.24 214	0.12 81	0.20 58	0.18 92	0.38 141	0.26 69	0.29 128	0.32 122	0.24 109	0.16 68	0.52 235	0.20 145	0.09 170	0.06 74	0.10 188	0.09 188	0.08 84	0.12 260

KMStereo	0.21 122	0.10 26	0.39 144	0.24 214	0.12 81	0.20 58	0.18 92	0.38 141	0.26 69	0.29 128	0.32 122	0.24 109	0.16 68	0.52 235	0.20 145	0.09 170	0.06 74	0.10 188	0.09 188	0.08 84	0.12 260

PSM-AAD	0.25 210	0.10 26	0.30 46	0.24 214	0.12 81	0.26 159	0.38 343	0.34 93	0.28 91	0.35 233	0.39 195	0.28 159	0.79 378	0.30 151	0.16 72	0.07 17	0.06 74	0.12 269	0.11 255	0.08 84	0.21 351

KYRaft	0.22 148	0.10 26	0.30 46	0.23 176	0.12 81	0.23 115	0.23 227	0.35 110	0.24 57	0.35 233	0.54 306	0.34 205	0.26 199	0.29 139	0.15 55	0.07 17	0.05 6	0.09 124	0.10 220	0.08 84	0.31 375

RAFT_R40	0.21 122	0.10 26	0.37 114	0.24 214	0.13 136	0.18 15	0.18 92	0.31 65	0.29 109	0.33 201	0.33 141	0.30 176	0.24 175	0.55 245	0.18 109	0.08 103	0.05 6	0.10 188	0.08 114	0.08 84	0.07 69

PFNet	0.23 165	0.10 26	0.57 270	0.24 214	0.14 170	0.22 98	0.19 129	0.39 152	0.33 148	0.35 233	0.32 122	0.27 144	0.19 126	0.64 288	0.22 180	0.09 170	0.05 6	0.09 124	0.07 53	0.08 84	0.07 69

RE-Stereo	0.20 108	0.10 26	0.35 91	0.24 214	0.12 81	0.21 77	0.18 92	0.38 141	0.32 137	0.28 103	0.30 104	0.22 79	0.16 68	0.51 229	0.20 145	0.08 103	0.06 74	0.09 124	0.08 114	0.08 84	0.13 272

Pruner-Stereo	0.19 95	0.11 66	0.34 83	0.29 322	0.12 81	0.19 37	0.17 63	0.31 65	0.29 109	0.33 201	0.32 122	0.25 116	0.15 54	0.24 62	0.21 166	0.09 170	0.06 74	0.09 124	0.08 114	0.08 84	0.09 168

TVStereo	0.20 108	0.10 26	0.35 91	0.24 214	0.12 81	0.21 77	0.18 92	0.38 141	0.32 137	0.28 103	0.30 104	0.22 79	0.16 68	0.51 229	0.20 145	0.08 103	0.06 74	0.09 124	0.08 114	0.08 84	0.13 272

IRAFT_RVC	0.22 148	0.12 85	0.39 144	0.26 279	0.11 45	0.18 15	0.24 249	0.40 159	0.37 180	0.31 173	0.30 104	0.29 166	0.24 175	0.55 245	0.22 180	0.08 103	0.06 74	0.10 188	0.08 114	0.08 84	0.07 69

test-2	0.18 58	0.14 170	0.30 46	0.22 134	0.12 81	0.20 58	0.27 279	0.26 17	0.28 91	0.31 173	0.32 122	0.26 136	0.17 91	0.15 3	0.12 7	0.07 17	0.07 163	0.10 188	0.08 114	0.08 84	0.05 1

GMM-Stereo	0.21 122	0.10 26	0.43 188	0.23 176	0.13 136	0.24 130	0.25 263	0.37 135	0.27 78	0.30 156	0.45 258	0.27 144	0.21 140	0.31 156	0.17 95	0.07 17	0.05 6	0.10 188	0.09 188	0.08 84	0.19 334

Prome-Stereo	0.21 122	0.10 26	0.30 46	0.24 214	0.12 81	0.23 115	0.23 227	0.36 129	0.25 62	0.33 201	0.59 321	0.24 109	0.28 230	0.29 139	0.16 72	0.07 17	0.05 6	0.08 69	0.07 53	0.08 84	0.20 344

iRaftStereo_RVC	0.16 32	0.12 85	0.26 20	0.21 89	0.11 45	0.20 58	0.17 63	0.32 73	0.23 47	0.20 46	0.25 69	0.18 51	0.12 15	0.20 33	0.15 55	0.07 17	0.05 6	0.09 124	0.09 188	0.08 84	0.07 69

delet	0.27 227	0.14 170	0.40 149	0.23 176	0.19 288	0.41 297	0.29 296	0.49 237	0.48 287	0.33 201	0.41 211	0.37 228	0.30 252	0.48 217	0.34 267	0.09 170	0.09 258	0.11 236	0.12 287	0.08 84	0.08 116

cf-r	0.24 188	0.15 195	0.44 194	0.21 89	0.14 170	0.27 166	0.22 206	0.42 181	0.40 212	0.30 156	0.42 225	0.42 268	0.26 199	0.43 204	0.25 212	0.11 240	0.06 74	0.08 69	0.10 220	0.08 84	0.08 116

HSM-Net_RVC	0.27 227	0.11 66	0.42 178	0.19 27	0.11 45	0.34 256	0.20 167	0.62 350	0.43 233	0.40 284	0.43 237	0.50 309	0.26 199	0.76 329	0.22 180	0.08 103	0.07 163	0.07 16	0.07 53	0.08 84	0.08 116
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.28 245	0.16 213	0.35 91	0.20 60	0.15 211	0.33 243	0.19 129	0.53 279	0.37 180	0.36 248	0.38 183	0.67 360	0.31 263	0.89 359	0.23 194	0.08 103	0.06 74	0.08 69	0.07 53	0.08 84	0.08 116

iResNet	0.24 188	0.18 241	0.61 283	0.25 251	0.11 45	0.29 198	0.21 190	0.42 181	0.43 233	0.33 201	0.43 237	0.27 144	0.22 151	0.34 174	0.26 224	0.07 17	0.05 6	0.07 16	0.06 25	0.08 84	0.07 69

H2IRNET	0.18 58	0.13 140	0.35 91	0.21 89	0.12 81	0.20 58	0.15 27	0.27 24	0.30 118	0.17 32	0.31 118	0.25 116	0.20 134	0.24 62	0.18 109	0.07 17	0.06 74	0.09 124	0.10 220	0.09 146	0.06 20

Former-RAFT_DAM_RVC	0.17 40	0.13 140	0.24 13	0.19 27	0.13 136	0.24 130	0.17 63	0.30 59	0.37 180	0.43 307	0.17 21	0.13 13	0.12 15	0.19 29	0.15 55	0.08 103	0.07 163	0.09 124	0.07 53	0.09 146	0.08 116

SMFormer	0.25 210	0.12 85	0.40 149	0.19 27	0.10 22	0.27 166	0.19 129	0.51 258	0.45 259	0.34 217	0.41 211	0.31 184	0.26 199	0.58 261	0.28 231	0.10 213	0.07 163	0.08 69	0.08 114	0.09 146	0.09 168

ACVNet-DCA	0.18 58	0.14 170	0.38 133	0.23 176	0.11 45	0.31 226	0.19 129	0.41 169	0.27 78	0.17 32	0.19 28	0.13 13	0.18 113	0.28 126	0.11 1	0.08 103	0.05 6	0.08 69	0.06 25	0.09 146	0.09 168

xx1	0.20 108	0.14 170	0.38 133	0.23 176	0.11 45	0.31 226	0.19 129	0.35 110	0.47 278	0.17 32	0.19 28	0.28 159	0.24 175	0.28 126	0.11 1	0.08 103	0.05 6	0.10 188	0.09 188	0.09 146	0.09 168

1test111	0.19 95	0.14 170	0.38 133	0.23 176	0.11 45	0.31 226	0.19 129	0.41 169	0.27 78	0.17 32	0.19 28	0.13 13	0.18 113	0.34 174	0.22 180	0.08 103	0.05 6	0.08 69	0.06 25	0.09 146	0.09 168

11t1	0.18 58	0.10 26	0.30 46	0.20 60	0.11 45	0.27 166	0.17 63	0.35 110	0.23 47	0.25 81	0.23 53	0.23 98	0.23 160	0.25 86	0.18 109	0.09 170	0.07 163	0.07 16	0.06 25	0.09 146	0.09 168

1111x	0.32 278	0.11 66	0.40 149	0.22 134	0.11 45	0.32 234	0.26 274	0.59 329	0.43 233	0.31 173	0.41 211	0.39 245	0.28 230	0.76 329	1.37 394	0.09 170	0.08 230	0.09 124	0.10 220	0.09 146	0.08 116

whm_eth	0.23 165	0.18 241	0.56 266	0.24 214	0.19 288	0.21 77	0.18 92	0.37 135	0.40 212	0.31 173	0.60 326	0.15 30	0.17 91	0.26 99	0.19 134	0.09 170	0.08 230	0.10 188	0.09 188	0.09 146	0.11 238

MIF-Stereo (partial)	0.16 32	0.10 26	0.34 83	0.21 89	0.15 211	0.15 5	0.13 4	0.28 37	0.25 62	0.17 32	0.26 75	0.15 30	0.16 68	0.25 86	0.17 95	0.09 170	0.06 74	0.10 188	0.08 114	0.09 146	0.08 116

EKT-Stereo	0.38 315	0.12 85	0.38 133	0.42 374	3.88 422	0.21 77	0.17 63	0.35 110	0.28 91	0.20 46	0.20 38	0.23 98	0.15 54	0.28 126	0.16 72	0.09 170	0.07 163	0.09 124	0.07 53	0.09 146	0.09 168

LL-Strereo	0.29 255	0.25 304	0.58 274	0.25 251	0.21 310	0.23 115	0.24 249	0.55 296	0.42 228	0.34 217	0.32 122	0.41 261	0.40 308	0.94 368	0.23 194	0.08 103	0.07 163	0.11 236	0.09 188	0.09 146	0.09 168

CBFPSM	0.27 227	0.16 213	0.67 304	0.20 60	0.14 170	0.38 282	0.25 263	0.40 159	0.36 171	0.33 201	0.36 164	0.56 326	0.38 300	0.32 162	0.38 280	0.08 103	0.08 230	0.07 16	0.08 114	0.09 146	0.11 238

gwcnet-sp	0.24 188	0.13 140	0.63 294	0.22 134	0.14 170	0.34 256	0.22 206	0.44 195	0.39 199	0.35 233	0.34 147	0.27 144	0.27 216	0.35 183	0.25 212	0.09 170	0.08 230	0.09 124	0.09 188	0.09 146	0.09 168

scenet	0.24 188	0.13 140	0.63 294	0.22 134	0.14 170	0.34 256	0.22 206	0.44 195	0.39 199	0.35 233	0.34 147	0.27 144	0.27 216	0.35 183	0.25 212	0.09 170	0.08 230	0.09 124	0.09 188	0.09 146	0.09 168

knoymous	0.17 40	0.09 10	0.32 64	0.17 6	0.11 45	0.21 77	0.17 63	0.32 73	0.23 47	0.23 62	0.28 84	0.27 144	0.16 68	0.23 56	0.16 72	0.09 170	0.06 74	0.09 124	0.06 25	0.09 146	0.09 168

ssnet	0.24 188	0.13 140	0.63 294	0.22 134	0.14 170	0.34 256	0.22 206	0.44 195	0.39 199	0.35 233	0.34 147	0.27 144	0.27 216	0.35 183	0.25 212	0.09 170	0.08 230	0.09 124	0.09 188	0.09 146	0.09 168

qqq	0.20 108	0.12 85	0.31 58	0.20 60	0.11 45	0.23 115	0.19 129	0.41 169	0.27 78	0.24 75	0.28 84	0.28 159	0.24 175	0.34 174	0.22 180	0.08 103	0.07 163	0.10 188	0.09 188	0.09 146	0.09 168

x	0.19 95	0.11 66	0.29 40	0.20 60	0.11 45	0.26 159	0.18 92	0.41 169	0.29 109	0.25 81	0.29 93	0.28 159	0.24 175	0.26 99	0.23 194	0.09 170	0.07 163	0.08 69	0.07 53	0.09 146	0.08 116

BUS	0.23 165	0.12 85	0.28 33	0.25 251	0.14 170	0.43 312	0.17 63	0.56 310	0.34 155	0.34 217	0.35 154	0.32 192	0.20 134	0.26 99	0.21 166	0.10 213	0.07 163	0.11 236	0.10 220	0.09 146	0.09 168

IER	0.23 165	0.12 85	0.39 144	0.20 60	0.14 170	0.31 226	0.19 129	0.42 181	0.36 171	0.33 201	0.40 203	0.32 192	0.33 273	0.29 139	0.22 180	0.09 170	0.07 163	0.08 69	0.08 114	0.09 146	0.08 116

RAFT+CT+SA	0.21 122	0.18 241	0.33 78	0.25 251	0.18 270	0.23 115	0.29 296	0.40 159	0.36 171	0.24 75	0.38 183	0.18 51	0.16 68	0.32 162	0.16 72	0.07 17	0.05 6	0.09 124	0.12 287	0.09 146	0.09 168

BSDual-CNN	0.23 165	0.12 85	0.28 33	0.25 251	0.14 170	0.35 265	0.21 190	0.56 310	0.34 155	0.34 217	0.35 154	0.38 233	0.24 175	0.26 99	0.21 166	0.10 213	0.07 163	0.11 236	0.10 220	0.09 146	0.09 168

hknet	0.25 210	0.14 170	0.40 149	0.25 251	0.15 211	0.35 265	0.21 190	0.56 310	0.37 180	0.34 217	0.35 154	0.43 271	0.27 216	0.37 189	0.21 166	0.09 170	0.07 163	0.11 236	0.10 220	0.09 146	0.09 168

iRaft-Stereo_5w	0.23 165	0.18 241	0.44 194	0.22 134	0.13 136	0.19 37	0.19 129	0.37 135	0.32 137	0.28 103	0.37 173	0.34 205	0.23 160	0.65 294	0.27 228	0.06 1	0.06 74	0.08 69	0.07 53	0.09 146	0.08 116

psmg	0.23 165	0.12 85	0.28 33	0.21 89	0.14 170	0.35 265	0.23 227	0.51 258	0.34 155	0.35 233	0.38 183	0.38 233	0.24 175	0.26 99	0.21 166	0.10 213	0.08 230	0.10 188	0.10 220	0.09 146	0.08 116

DAS	0.27 227	0.12 85	0.42 178	0.24 214	0.18 270	0.29 198	0.24 249	0.45 203	0.45 259	0.41 293	0.44 246	0.34 205	0.29 243	0.75 324	0.21 166	0.09 170	0.07 163	0.09 124	0.07 53	0.09 146	0.09 168

SepStereo	0.26 220	0.12 85	0.42 178	0.24 214	0.18 270	0.29 198	0.24 249	0.45 203	0.45 259	0.41 293	0.44 246	0.34 205	0.29 243	0.64 288	0.21 166	0.09 170	0.07 163	0.09 124	0.07 53	0.09 146	0.09 168

GwcNet-ADL	0.22 148	0.14 170	0.58 274	0.24 214	0.13 136	0.22 98	0.23 227	0.49 237	0.40 212	0.27 94	0.29 93	0.30 176	0.20 134	0.26 99	0.23 194	0.09 170	0.07 163	0.07 16	0.07 53	0.09 146	0.09 168

GANet-ADL	0.21 122	0.12 85	0.45 204	0.23 176	0.14 170	0.29 198	0.19 129	0.46 213	0.35 161	0.25 81	0.32 122	0.32 192	0.19 126	0.24 62	0.20 145	0.10 213	0.07 163	0.07 16	0.06 25	0.09 146	0.10 213

NRIStereo	0.18 58	0.11 66	0.35 91	0.23 176	0.11 45	0.24 130	0.20 167	0.29 44	0.26 69	0.26 90	0.25 69	0.25 116	0.18 113	0.34 174	0.18 109	0.07 17	0.06 74	0.09 124	0.07 53	0.09 146	0.08 116

SST-Stereo	0.21 122	0.10 26	0.37 114	0.24 214	0.13 136	0.19 37	0.17 63	0.31 65	0.24 57	0.34 217	0.33 141	0.29 166	0.25 190	0.56 253	0.17 95	0.08 103	0.05 6	0.10 188	0.08 114	0.09 146	0.07 69

DeepStereo_RVC	0.18 58	0.11 66	0.40 149	0.21 89	0.11 45	0.19 37	0.16 41	0.28 37	0.22 35	0.27 94	0.27 80	0.23 98	0.28 230	0.24 62	0.18 109	0.08 103	0.06 74	0.09 124	0.07 53	0.09 146	0.10 213

ICVP	0.23 165	0.13 140	0.44 194	0.26 279	0.14 170	0.29 198	0.25 263	0.45 203	0.33 148	0.29 128	0.43 237	0.35 219	0.25 190	0.26 99	0.23 194	0.12 267	0.09 258	0.09 124	0.08 114	0.09 146	0.10 213
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
rafts_anoy	0.18 58	0.15 195	0.35 91	0.22 134	0.14 170	0.19 37	0.17 63	0.32 73	0.30 118	0.23 62	0.25 69	0.20 64	0.16 68	0.22 49	0.19 134	0.08 103	0.07 163	0.10 188	0.12 287	0.09 146	0.08 116

RALCasStereoNet	0.18 58	0.15 195	0.33 78	0.21 89	0.14 170	0.21 77	0.18 92	0.31 65	0.25 62	0.21 55	0.29 93	0.22 79	0.15 54	0.27 114	0.17 95	0.08 103	0.10 276	0.07 16	0.06 25	0.09 146	0.09 168

RALAANet	0.19 95	0.18 241	0.37 114	0.23 176	0.14 170	0.23 115	0.13 4	0.37 135	0.29 109	0.28 103	0.26 75	0.25 116	0.15 54	0.26 99	0.18 109	0.08 103	0.06 74	0.09 124	0.08 114	0.09 146	0.06 20

sCroCo_RVC	0.18 58	0.14 170	0.49 231	0.27 302	0.18 270	0.22 98	0.17 63	0.27 24	0.23 47	0.14 10	0.22 51	0.17 44	0.14 47	0.21 44	0.15 55	0.10 213	0.11 293	0.09 124	0.09 188	0.09 146	0.09 168

222	0.41 329	0.10 26	0.29 40	0.19 27	0.11 45	0.36 270	0.20 167	0.57 317	0.39 199	0.35 233	0.44 246	0.30 176	0.27 216	0.55 245	3.56 417	0.11 240	0.07 163	0.08 69	0.08 114	0.09 146	0.09 168

xxxx	0.34 291	0.10 26	0.29 40	0.19 27	0.11 45	0.37 275	0.20 167	0.58 324	0.38 193	0.29 128	0.42 225	0.38 233	0.24 175	0.46 212	2.20 410	0.11 240	0.07 163	0.09 124	0.08 114	0.09 146	0.09 168

test_xeample	0.34 291	0.10 26	0.29 40	0.19 27	0.11 45	0.33 243	0.23 227	0.55 296	0.38 193	0.32 191	0.45 258	0.29 166	0.26 199	0.57 256	2.24 412	0.10 213	0.07 163	0.09 124	0.08 114	0.09 146	0.09 168

ARAFT	0.24 188	0.21 278	0.78 324	0.22 134	0.12 81	0.29 198	0.24 249	0.43 191	0.32 137	0.33 201	0.28 84	0.28 159	0.19 126	0.49 222	0.18 109	0.07 17	0.06 74	0.12 269	0.11 255	0.09 146	0.06 20

SFCPSM	0.22 148	0.10 26	0.51 247	0.21 89	0.14 170	0.34 256	0.22 206	0.55 296	0.39 199	0.29 128	0.32 122	0.23 98	0.21 140	0.27 114	0.19 134	0.09 170	0.07 163	0.09 124	0.09 188	0.09 146	0.08 116

FENet	0.21 122	0.11 66	0.45 204	0.21 89	0.12 81	0.26 159	0.17 63	0.41 169	0.35 161	0.30 156	0.31 118	0.29 166	0.23 160	0.26 99	0.23 194	0.09 170	0.06 74	0.09 124	0.09 188	0.09 146	0.09 168

ac_64	0.27 227	0.13 140	0.41 171	0.24 214	0.17 250	0.36 270	0.22 206	0.46 213	0.33 148	0.35 233	0.36 164	0.52 316	0.30 252	0.62 281	0.32 256	0.11 240	0.09 258	0.10 188	0.10 220	0.09 146	0.08 116

GwcNet-RSSM	0.26 220	0.17 229	0.46 210	0.21 89	0.13 136	0.28 179	0.23 227	0.44 195	0.42 228	0.31 173	0.45 258	0.40 258	0.26 199	0.55 245	0.28 231	0.11 240	0.07 163	0.09 124	0.10 220	0.09 146	0.08 116

AANet_RVC	0.31 269	0.22 290	0.50 241	0.23 176	0.14 170	0.30 215	0.24 249	0.47 220	0.54 321	0.38 261	0.60 326	0.43 271	0.29 243	0.87 355	0.40 295	0.11 240	0.07 163	0.07 16	0.07 53	0.09 146	0.09 168

HITNet	0.20 108	0.17 229	0.43 188	0.19 27	0.08 3	0.27 166	0.14 14	0.42 181	0.30 118	0.29 128	0.32 122	0.27 144	0.21 140	0.28 126	0.25 212	0.07 17	0.05 6	0.07 16	0.06 25	0.09 146	0.06 20
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_ROB	0.25 210	0.19 257	0.40 149	0.20 60	0.12 81	0.30 215	0.16 41	0.55 296	0.53 317	0.38 261	0.43 237	0.37 228	0.26 199	0.38 193	0.22 180	0.08 103	0.06 74	0.06 1	0.04 1	0.09 146	0.09 168

MGS-Stereo	0.14 9	0.11 66	0.32 64	0.19 27	0.11 45	0.18 15	0.17 63	0.20 2	0.22 35	0.14 10	0.24 63	0.15 30	0.10 4	0.18 21	0.12 7	0.07 17	0.06 74	0.07 16	0.06 25	0.10 195	0.06 20

MyStereo8	0.22 148	0.15 195	0.63 294	0.21 89	0.17 250	0.31 226	0.16 41	0.36 129	0.32 137	0.28 103	0.36 164	0.25 116	0.18 113	0.25 86	0.28 231	0.08 103	0.07 163	0.08 69	0.07 53	0.10 195	0.12 260

mmm	0.21 122	0.12 85	0.31 58	0.22 134	0.12 81	0.28 179	0.21 190	0.41 169	0.27 78	0.29 128	0.38 183	0.29 166	0.24 175	0.29 139	0.22 180	0.09 170	0.07 163	0.11 236	0.09 188	0.10 195	0.09 168

test croco	0.17 40	0.13 140	0.43 188	0.21 89	0.13 136	0.16 8	0.17 63	0.27 24	0.22 35	0.16 27	0.26 75	0.13 13	0.16 68	0.27 114	0.16 72	0.08 103	0.06 74	0.10 188	0.07 53	0.10 195	0.07 69

StereoVision	0.22 148	0.18 241	0.37 114	0.27 302	0.17 250	0.23 115	0.22 206	0.38 141	0.31 129	0.20 46	0.51 290	0.22 79	0.16 68	0.28 126	0.18 109	0.11 240	0.12 310	0.13 288	0.13 305	0.10 195	0.07 69

riskmin	0.18 58	0.09 10	0.34 83	0.18 9	0.12 81	0.24 130	0.16 41	0.34 93	0.28 91	0.21 55	0.23 53	0.33 199	0.24 175	0.23 56	0.17 95	0.09 170	0.06 74	0.09 124	0.06 25	0.10 195	0.10 213

CRFU-Net	0.28 245	0.14 170	0.45 204	0.25 251	0.15 211	0.45 319	0.23 227	0.50 245	0.30 118	0.43 307	0.41 211	0.48 299	0.46 334	0.43 204	0.29 241	0.11 240	0.10 276	0.09 124	0.08 114	0.10 195	0.10 213

test_5	0.23 165	0.19 257	0.38 133	0.26 279	0.18 270	0.25 141	0.29 296	0.40 159	0.37 180	0.29 128	0.40 203	0.25 116	0.22 151	0.34 174	0.18 109	0.07 17	0.05 6	0.09 124	0.09 188	0.10 195	0.10 213

CSP-Net	0.27 227	0.15 195	0.30 46	0.21 89	0.14 170	0.44 314	0.24 249	0.50 245	0.40 212	0.41 293	0.43 237	0.42 268	0.26 199	0.66 298	0.28 231	0.12 267	0.08 230	0.08 69	0.08 114	0.10 195	0.09 168

PSMNet-ADL	0.25 210	0.15 195	0.32 64	0.26 279	0.14 170	0.31 226	0.22 206	0.44 195	0.36 171	0.27 94	0.33 141	0.41 261	0.28 230	0.61 273	0.29 241	0.11 240	0.09 258	0.09 124	0.11 255	0.10 195	0.10 213

Patchmatch Stereo++	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.14 14	0.29 44	0.22 35	0.28 103	0.29 93	0.25 116	0.17 91	0.26 99	0.16 72	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116
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
PSM-adaLoss	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.16 41	0.29 44	0.22 35	0.28 103	0.29 93	0.25 116	0.18 113	0.24 62	0.16 72	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116

ROB_FTStereo_v2	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.16 41	0.29 44	0.22 35	0.28 103	0.29 93	0.25 116	0.17 91	0.24 62	0.16 72	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116

ROB_FTStereo	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.14 14	0.29 44	0.22 35	0.28 103	0.28 84	0.25 116	0.17 91	0.24 62	0.16 72	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116

HUI-Stereo	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.14 14	0.29 44	0.22 35	0.28 103	0.28 84	0.25 116	0.17 91	0.22 49	0.16 72	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116

iGMRVC	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.15 27	0.29 44	0.22 35	0.28 103	0.29 93	0.25 116	0.17 91	0.27 114	0.17 95	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116

iRAFT	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.14 14	0.29 44	0.22 35	0.28 103	0.29 93	0.25 116	0.17 91	0.26 99	0.16 72	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116

CRE-IMP	0.18 58	0.12 85	0.37 114	0.22 134	0.11 45	0.24 130	0.17 63	0.29 44	0.21 28	0.27 94	0.26 75	0.24 109	0.17 91	0.23 56	0.18 109	0.08 103	0.05 6	0.10 188	0.07 53	0.10 195	0.10 213

RAFT	0.21 122	0.17 229	0.32 64	0.24 214	0.12 81	0.25 141	0.27 279	0.35 110	0.28 91	0.33 201	0.33 141	0.38 233	0.22 151	0.29 139	0.17 95	0.08 103	0.08 230	0.11 236	0.10 220	0.10 195	0.06 20

RAFT-IKP	0.18 58	0.12 85	0.37 114	0.22 134	0.10 22	0.18 15	0.15 27	0.29 44	0.22 35	0.28 103	0.29 93	0.25 116	0.18 113	0.25 86	0.16 72	0.08 103	0.06 74	0.10 188	0.08 114	0.10 195	0.08 116

GES	0.22 148	0.12 85	0.42 178	0.20 60	0.14 170	0.27 166	0.19 129	0.49 237	0.33 148	0.30 156	0.36 164	0.25 116	0.23 160	0.29 139	0.22 180	0.10 213	0.08 230	0.08 69	0.07 53	0.10 195	0.11 238

HCRNet	0.24 188	0.25 304	0.33 78	0.34 350	0.16 234	0.27 166	0.18 92	0.43 191	0.35 161	0.30 156	0.35 154	0.32 192	0.22 151	0.44 208	0.20 145	0.13 283	0.08 230	0.13 288	0.11 255	0.10 195	0.09 168

GMStereo	0.19 95	0.25 304	0.40 149	0.21 89	0.12 81	0.22 98	0.19 129	0.29 44	0.40 212	0.25 81	0.23 53	0.16 39	0.15 54	0.25 86	0.19 134	0.09 170	0.06 74	0.08 69	0.08 114	0.10 195	0.08 116
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MMNet	0.27 227	0.14 170	0.49 231	0.24 214	0.17 250	0.47 327	0.22 206	0.45 203	0.51 307	0.39 276	0.41 211	0.36 224	0.33 273	0.39 195	0.34 267	0.08 103	0.07 163	0.09 124	0.09 188	0.10 195	0.08 116

psm_up	0.29 255	0.16 213	0.41 171	0.26 279	0.17 250	0.32 234	0.26 274	0.55 296	0.43 233	0.36 248	0.40 203	0.45 285	0.37 296	0.58 261	0.30 247	0.11 240	0.12 310	0.13 288	0.12 287	0.10 195	0.10 213

UNet	0.28 245	0.14 170	0.69 309	0.23 176	0.20 302	0.44 314	0.22 206	0.50 245	0.40 212	0.34 217	0.39 195	0.43 271	0.33 273	0.40 198	0.31 251	0.09 170	0.07 163	0.10 188	0.08 114	0.10 195	0.08 116

UPFNet	0.25 210	0.12 85	0.38 133	0.24 214	0.19 288	0.37 275	0.28 292	0.48 231	0.38 193	0.34 217	0.37 173	0.37 228	0.28 230	0.39 195	0.33 263	0.10 213	0.09 258	0.10 188	0.10 220	0.10 195	0.08 116

ACVNet	0.23 165	0.13 140	0.35 91	0.18 9	0.15 211	0.27 166	0.23 227	0.39 152	0.44 247	0.28 103	0.41 211	0.38 233	0.26 199	0.27 114	0.32 256	0.08 103	0.07 163	0.08 69	0.07 53	0.10 195	0.07 69

HGLStereo	0.27 227	0.14 170	0.46 210	0.24 214	0.21 310	0.33 243	0.23 227	0.50 245	0.42 228	0.35 233	0.48 281	0.41 261	0.33 273	0.45 210	0.33 263	0.11 240	0.10 276	0.09 124	0.09 188	0.10 195	0.12 260

GANet-RSSM	0.24 188	0.14 170	0.36 109	0.21 89	0.14 170	0.27 166	0.21 190	0.45 203	0.33 148	0.29 128	0.39 195	0.39 245	0.28 230	0.58 261	0.23 194	0.11 240	0.07 163	0.09 124	0.09 188	0.10 195	0.09 168

PSMNet-RSSM	0.24 188	0.15 195	0.36 109	0.21 89	0.14 170	0.25 141	0.20 167	0.48 231	0.37 180	0.30 156	0.44 246	0.38 233	0.26 199	0.52 235	0.22 180	0.12 267	0.07 163	0.11 236	0.13 305	0.10 195	0.09 168

DMCA	0.22 148	0.14 170	0.36 109	0.22 134	0.14 170	0.27 166	0.20 167	0.43 191	0.38 193	0.31 173	0.32 122	0.33 199	0.24 175	0.24 62	0.28 231	0.11 240	0.08 230	0.10 188	0.08 114	0.10 195	0.11 238

BEATNet_4x	0.22 148	0.18 241	0.47 217	0.22 134	0.10 22	0.28 179	0.14 14	0.46 213	0.32 137	0.31 173	0.34 147	0.31 184	0.25 190	0.31 156	0.29 241	0.08 103	0.06 74	0.08 69	0.06 25	0.10 195	0.08 116

NLCA_NET_v2_RVC	0.27 227	0.21 278	0.59 278	0.25 251	0.18 270	0.29 198	0.22 206	0.50 245	0.40 212	0.38 261	0.41 211	0.43 271	0.27 216	0.43 204	0.29 241	0.11 240	0.08 230	0.10 188	0.10 220	0.10 195	0.11 238
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.27 227	0.17 229	0.35 91	0.25 251	0.14 170	0.37 275	0.21 190	0.47 220	0.41 223	0.44 313	0.51 290	0.41 261	0.28 230	0.45 210	0.37 278	0.09 170	0.06 74	0.11 236	0.11 255	0.10 195	0.10 213
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.28 245	0.16 213	0.34 83	0.27 302	0.16 234	0.38 282	0.25 263	0.48 231	0.43 233	0.46 320	0.46 268	0.51 313	0.33 273	0.53 240	0.33 263	0.10 213	0.10 276	0.11 236	0.11 255	0.10 195	0.09 168

pmcnn	0.50 352	0.20 265	0.78 324	0.24 214	0.26 353	0.39 289	0.30 306	0.51 258	0.50 304	0.54 350	1.23 387	2.52 411	0.37 296	0.77 335	0.95 371	0.08 103	0.06 74	0.06 1	0.05 10	0.10 195	0.08 116

mmx	0.31 269	0.12 85	0.42 178	0.20 60	0.13 136	0.28 179	0.20 167	0.55 296	0.45 259	0.30 156	0.42 225	0.34 205	0.23 160	0.81 346	1.08 377	0.10 213	0.07 163	0.11 236	0.10 220	0.11 232	0.10 213

ttt	0.29 255	0.12 85	0.34 83	0.21 89	0.13 136	0.29 198	0.20 167	0.56 310	0.47 278	0.31 173	0.44 246	0.30 176	0.22 151	0.65 294	0.85 367	0.13 283	0.10 276	0.10 188	0.10 220	0.11 232	0.11 238

xxx	0.31 269	0.12 85	0.42 178	0.20 60	0.13 136	0.28 179	0.20 167	0.55 296	0.45 259	0.30 156	0.42 225	0.34 205	0.23 160	0.81 346	1.08 377	0.10 213	0.07 163	0.11 236	0.10 220	0.11 232	0.10 213

PCWNet_CMD	0.23 165	0.13 140	0.48 226	0.20 60	0.13 136	0.28 179	0.16 41	0.46 213	0.46 273	0.29 128	0.36 164	0.37 228	0.24 175	0.28 126	0.20 145	0.09 170	0.06 74	0.10 188	0.08 114	0.11 232	0.09 168

CASS	0.21 122	0.15 195	0.32 64	0.26 279	0.11 45	0.28 179	0.19 129	0.39 152	0.30 118	0.32 191	0.34 147	0.25 116	0.24 175	0.25 86	0.20 145	0.13 283	0.08 230	0.11 236	0.09 188	0.11 232	0.11 238
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ToySt	0.24 188	0.16 213	0.48 226	0.21 89	0.13 136	0.29 198	0.29 296	0.39 152	0.39 199	0.27 94	0.35 154	0.39 245	0.31 263	0.31 156	0.29 241	0.08 103	0.09 258	0.10 188	0.11 255	0.11 232	0.10 213

ssnet_v2	0.28 245	0.16 213	0.44 194	0.22 134	0.15 211	0.40 294	0.30 306	0.57 317	0.46 273	0.38 261	0.36 164	0.47 293	0.29 243	0.38 193	0.39 288	0.13 283	0.11 293	0.11 236	0.11 255	0.11 232	0.11 238

Wz-Net-LNSev-Ref	0.30 262	0.20 265	0.70 315	0.21 89	0.17 250	0.46 321	0.27 279	0.50 245	0.49 296	0.42 301	0.55 310	0.43 271	0.30 252	0.46 212	0.38 280	0.09 170	0.06 74	0.07 16	0.06 25	0.11 232	0.10 213

NINENet	0.25 210	0.15 195	0.37 114	0.23 176	0.16 234	0.43 312	0.17 63	0.60 337	0.46 273	0.32 191	0.37 173	0.32 192	0.20 134	0.42 202	0.21 166	0.10 213	0.10 276	0.12 269	0.08 114	0.11 232	0.10 213

dd	0.22 148	0.26 315	0.40 149	0.22 134	0.12 81	0.25 141	0.21 190	0.32 73	0.44 247	0.29 128	0.28 84	0.25 116	0.16 68	0.30 151	0.25 212	0.12 267	0.07 163	0.10 188	0.08 114	0.11 232	0.09 168

GEStereo_RVC	0.27 227	0.20 265	0.44 194	0.27 302	0.16 234	0.33 243	0.25 263	0.56 310	0.54 321	0.34 217	0.38 183	0.34 205	0.25 190	0.51 229	0.28 231	0.12 267	0.08 230	0.09 124	0.08 114	0.11 232	0.11 238

Anonymous3	0.23 165	0.18 241	0.63 294	0.27 302	0.18 270	0.41 297	0.23 227	0.43 191	0.35 161	0.23 62	0.27 80	0.20 64	0.18 113	0.27 114	0.18 109	0.12 267	0.11 293	0.10 188	0.10 220	0.11 232	0.12 260

TestStereo	0.21 122	0.19 257	0.40 149	0.25 251	0.10 22	0.22 98	0.21 190	0.31 65	0.31 129	0.23 62	0.34 147	0.22 79	0.18 113	0.62 281	0.18 109	0.08 103	0.06 74	0.10 188	0.07 53	0.11 232	0.06 20

CFNet_pseudo	0.23 165	0.13 140	0.47 217	0.19 27	0.13 136	0.26 159	0.16 41	0.44 195	0.44 247	0.29 128	0.37 173	0.38 233	0.23 160	0.29 139	0.21 166	0.09 170	0.06 74	0.11 236	0.08 114	0.11 232	0.09 168

ADLNet	0.28 245	0.15 195	0.42 178	0.23 176	0.19 288	0.34 256	0.23 227	0.53 279	0.43 233	0.42 301	0.41 211	0.44 281	0.27 216	0.55 245	0.35 271	0.11 240	0.08 230	0.11 236	0.11 255	0.11 232	0.12 260

RAFT + AFF	0.27 227	0.23 297	0.50 241	0.25 251	0.17 250	0.30 215	0.33 325	0.52 268	0.40 212	0.28 103	0.30 104	0.30 176	0.31 263	0.62 281	0.24 203	0.09 170	0.10 276	0.11 236	0.10 220	0.11 232	0.11 238

acv_ft	0.25 210	0.13 140	0.40 149	0.23 176	0.19 288	0.34 256	0.21 190	0.45 203	0.44 247	0.38 261	0.41 211	0.38 233	0.27 216	0.27 114	0.35 271	0.08 103	0.07 163	0.08 69	0.07 53	0.11 232	0.07 69

DSFCA	0.27 227	0.13 140	0.36 109	0.20 60	0.17 250	0.38 282	0.31 310	0.47 220	0.43 233	0.43 307	0.37 173	0.39 245	0.29 243	0.52 235	0.32 256	0.12 267	0.10 276	0.10 188	0.11 255	0.11 232	0.10 213

ADCRef	0.38 315	0.24 300	0.88 349	0.26 279	0.21 310	0.49 334	0.27 279	0.52 268	0.48 287	0.50 332	0.58 319	0.35 219	0.47 337	0.48 217	1.29 393	0.09 170	0.08 230	0.12 269	0.12 287	0.11 232	0.11 238

MSMDNet	0.23 165	0.13 140	0.48 226	0.20 60	0.13 136	0.28 179	0.16 41	0.46 213	0.46 273	0.29 128	0.36 164	0.37 228	0.24 175	0.28 126	0.20 145	0.09 170	0.06 74	0.09 124	0.08 114	0.11 232	0.09 168

CFNet	0.27 227	0.20 265	0.44 194	0.22 134	0.14 170	0.33 243	0.14 14	0.51 258	0.45 259	0.30 156	0.40 203	0.38 233	0.27 216	0.76 329	0.25 212	0.09 170	0.07 163	0.11 236	0.11 255	0.11 232	0.08 116

ccs_rob	0.23 165	0.13 140	0.47 217	0.20 60	0.13 136	0.26 159	0.17 63	0.44 195	0.44 247	0.29 128	0.37 173	0.38 233	0.23 160	0.29 139	0.21 166	0.09 170	0.06 74	0.11 236	0.08 114	0.11 232	0.09 168

AdaStereo	0.24 188	0.16 213	0.37 114	0.24 214	0.12 81	0.32 234	0.17 63	0.54 286	0.42 228	0.33 201	0.38 183	0.35 219	0.21 140	0.30 151	0.22 180	0.14 306	0.06 74	0.13 288	0.08 114	0.11 232	0.08 116
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.
NaN_ROB	0.41 329	0.28 325	0.62 291	0.30 330	0.19 288	0.51 339	0.47 368	0.58 324	0.59 336	0.56 352	0.47 275	0.49 303	0.41 312	1.21 389	0.64 351	0.12 267	0.18 356	0.12 269	0.13 305	0.11 232	0.14 289

LE_ROB	1.76 410	0.20 265	2.68 411	0.48 381	0.52 387	0.78 378	0.96 406	0.84 390	6.61 422	7.40 424	2.08 410	2.08 404	4.83 418	1.27 393	3.79 418	0.10 213	0.08 230	0.12 269	0.11 255	0.11 232	0.10 213

DN-CSS_ROB	0.22 148	0.25 304	0.47 217	0.24 214	0.14 170	0.25 141	0.12 1	0.40 159	0.33 148	0.29 128	0.42 225	0.22 79	0.20 134	0.33 168	0.19 134	0.07 17	0.06 74	0.11 236	0.11 255	0.11 232	0.07 69

CFNet_ucs	0.24 188	0.13 140	0.50 241	0.20 60	0.15 211	0.28 179	0.17 63	0.49 237	0.45 259	0.32 191	0.42 225	0.39 245	0.22 151	0.31 156	0.21 166	0.11 240	0.08 230	0.12 269	0.09 188	0.12 258	0.11 238

fast-acv-ft	0.31 269	0.20 265	0.81 334	0.24 214	0.18 270	0.46 321	0.27 279	0.41 169	0.49 296	0.39 276	0.55 310	0.49 303	0.35 284	0.37 189	0.38 280	0.11 240	0.11 293	0.11 236	0.12 287	0.12 258	0.09 168

ADLNet2	0.30 262	0.17 229	0.72 318	0.23 176	0.17 250	0.36 270	0.24 249	0.52 268	0.51 307	0.32 191	0.38 183	0.45 285	0.30 252	0.69 303	0.35 271	0.10 213	0.08 230	0.09 124	0.09 188	0.12 258	0.10 213

CFNet-ft	0.24 188	0.15 195	0.35 91	0.18 9	0.15 211	0.30 215	0.21 190	0.39 152	0.36 171	0.28 103	0.40 203	0.43 271	0.25 190	0.47 215	0.24 203	0.12 267	0.07 163	0.12 269	0.11 255	0.12 258	0.09 168

STTStereo	0.28 245	0.20 265	0.61 283	0.25 251	0.17 250	0.29 198	0.24 249	0.47 220	0.39 199	0.39 276	0.41 211	0.44 281	0.28 230	0.40 198	0.28 231	0.13 283	0.12 310	0.13 288	0.16 335	0.12 258	0.11 238

PA-Net	0.37 309	0.28 325	0.83 338	0.31 337	0.28 358	0.39 289	0.42 355	0.51 258	0.55 327	0.34 217	0.42 225	0.41 261	0.36 288	0.79 339	0.49 324	0.12 267	0.23 374	0.16 328	0.23 367	0.12 258	0.18 327
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.30 262	0.21 278	0.38 133	0.28 319	0.15 211	0.33 243	0.32 315	0.52 268	0.47 278	0.38 261	0.43 237	0.39 245	0.29 243	0.91 363	0.28 231	0.14 306	0.08 230	0.13 288	0.11 255	0.12 258	0.10 213

CFNet_RVC	0.24 188	0.15 195	0.35 91	0.18 9	0.15 211	0.30 215	0.21 190	0.39 152	0.36 171	0.28 103	0.40 203	0.43 271	0.25 190	0.47 215	0.24 203	0.12 267	0.07 163	0.12 269	0.11 255	0.12 258	0.09 168

iResNetv2_ROB	0.27 227	0.26 315	0.72 318	0.23 176	0.13 136	0.29 198	0.18 92	0.52 268	0.49 296	0.37 253	0.45 258	0.39 245	0.25 190	0.34 174	0.20 145	0.08 103	0.06 74	0.07 16	0.05 10	0.12 258	0.09 168

DRN-Test	0.33 284	0.17 229	0.61 283	0.27 302	0.19 288	0.46 321	0.29 296	0.65 358	0.51 307	0.47 328	0.46 268	0.44 281	0.34 280	0.62 281	0.41 301	0.12 267	0.08 230	0.13 288	0.12 287	0.12 258	0.10 213

StereoDRNet	0.32 278	0.22 290	0.61 283	0.27 302	0.21 310	0.42 304	0.30 306	0.61 341	0.48 287	0.46 320	0.39 195	0.48 299	0.30 252	0.57 256	0.40 295	0.11 240	0.09 258	0.12 269	0.11 255	0.12 258	0.10 213

DISCO	0.32 278	0.13 140	0.51 247	0.25 251	0.16 234	0.48 331	0.25 263	0.50 245	0.57 333	0.37 253	0.45 258	0.62 344	0.36 288	0.64 288	0.49 324	0.09 170	0.07 163	0.09 124	0.08 114	0.12 258	0.11 238

MDST_ROB	0.48 348	0.14 170	0.95 361	0.30 330	0.21 310	1.33 404	0.32 315	0.77 381	0.56 330	1.06 390	0.71 351	0.49 303	0.35 284	1.26 392	0.38 280	0.13 283	0.11 293	0.16 328	0.13 305	0.12 258	0.12 260

iinet-f	0.30 262	0.18 241	1.03 372	0.20 60	0.15 211	0.44 314	0.22 206	0.45 203	0.37 180	0.35 233	0.44 246	0.41 261	0.34 280	0.34 174	0.40 295	0.10 213	0.09 258	0.08 69	0.08 114	0.13 271	0.11 238

AASNet	0.27 227	0.19 257	0.49 231	0.26 279	0.17 250	0.34 256	0.20 167	0.62 350	0.48 287	0.35 233	0.40 203	0.32 192	0.25 190	0.28 126	0.34 267	0.11 240	0.09 258	0.10 188	0.08 114	0.13 271	0.11 238

AACVNet	0.26 220	0.16 213	0.37 114	0.22 134	0.14 170	0.29 198	0.19 129	0.41 169	0.31 129	0.38 261	0.42 225	0.43 271	0.28 230	0.73 316	0.25 212	0.11 240	0.08 230	0.11 236	0.09 188	0.13 271	0.11 238

LCNet	0.21 122	0.11 66	0.29 40	0.25 251	0.12 81	0.23 115	0.19 129	0.34 93	0.26 69	0.28 103	0.35 154	0.26 136	0.30 252	0.35 183	0.17 95	0.07 17	0.05 6	0.09 124	0.10 220	0.13 271	0.22 356

LMCR-Stereo	0.26 220	0.18 241	0.49 231	0.28 319	0.14 170	0.36 270	0.23 227	0.54 286	0.34 155	0.39 276	0.40 203	0.29 166	0.29 243	0.37 189	0.27 228	0.11 240	0.07 163	0.09 124	0.07 53	0.13 271	0.09 168

Syn2CoEx	0.36 300	0.31 343	0.78 324	0.34 350	0.21 310	0.41 297	0.28 292	0.61 341	0.49 296	0.42 301	0.56 315	0.45 285	0.44 325	0.69 303	0.38 280	0.17 339	0.14 324	0.15 319	0.12 287	0.13 271	0.12 260

GwcNet	0.35 296	0.23 297	0.88 349	0.25 251	0.24 341	0.48 331	0.27 279	0.55 296	0.57 333	0.38 261	0.52 298	0.51 313	0.32 270	0.60 268	0.41 301	0.13 283	0.11 293	0.12 269	0.11 255	0.13 271	0.14 289

DMCA-RVC	0.27 227	0.21 278	0.61 283	0.28 319	0.17 250	0.29 198	0.21 190	0.42 181	0.35 161	0.40 284	0.37 173	0.39 245	0.36 288	0.43 204	0.30 247	0.13 283	0.10 276	0.15 319	0.11 255	0.13 271	0.10 213

FADNet-RVC-Resample	0.29 255	0.25 304	0.93 358	0.26 279	0.16 234	0.32 234	0.21 190	0.47 220	0.39 199	0.35 233	0.38 183	0.33 199	0.27 216	0.53 240	0.24 203	0.10 213	0.10 276	0.14 307	0.13 305	0.13 271	0.16 305

UCFNet_RVC	0.24 188	0.16 213	0.34 83	0.18 9	0.15 211	0.33 243	0.16 41	0.46 213	0.35 161	0.29 128	0.35 154	0.39 245	0.25 190	0.34 174	0.22 180	0.13 283	0.08 230	0.13 288	0.14 316	0.13 271	0.12 260

PSMNet_ROB	0.33 284	0.24 300	0.54 257	0.31 337	0.21 310	0.42 304	0.43 357	0.59 329	0.47 278	0.37 253	0.44 246	0.49 303	0.31 263	0.64 288	0.43 305	0.14 306	0.10 276	0.15 319	0.14 316	0.13 271	0.11 238

CBMV	0.33 284	0.21 278	0.54 257	0.23 176	0.13 136	0.42 304	0.33 325	0.53 279	0.48 287	0.52 343	0.49 282	0.50 309	0.41 312	0.56 253	0.31 251	0.15 317	0.16 345	0.18 341	0.16 335	0.13 271	0.13 272
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.34 291	0.29 332	0.91 354	0.26 279	0.21 310	0.47 327	0.31 310	0.54 286	0.54 321	0.44 313	0.52 298	0.50 309	0.35 284	0.39 195	0.39 288	0.11 240	0.11 293	0.10 188	0.09 188	0.14 283	0.13 272

UDGNet	0.23 165	0.31 343	0.38 133	0.24 214	0.14 170	0.24 130	0.18 92	0.32 73	0.43 233	0.29 128	0.28 84	0.24 109	0.19 126	0.29 139	0.20 145	0.15 317	0.07 163	0.21 354	0.11 255	0.14 283	0.10 213

dad	0.28 245	0.31 343	0.44 194	0.21 89	0.14 170	0.30 215	0.20 167	0.33 87	0.49 296	0.44 313	0.44 246	0.45 285	0.21 140	0.41 200	0.26 224	0.20 357	0.11 293	0.20 351	0.11 255	0.14 283	0.10 213

pcwnet_v2	0.32 278	0.15 195	1.26 386	0.23 176	0.18 270	0.32 234	0.18 92	0.59 329	0.60 339	0.36 248	0.45 258	0.35 219	0.29 243	0.36 187	0.25 212	0.14 306	0.11 293	0.12 269	0.11 255	0.14 283	0.15 298

FAT-Stereo	0.36 300	0.18 241	0.73 321	0.26 279	0.18 270	0.33 243	0.29 296	0.60 337	0.59 336	0.46 320	0.60 326	0.60 338	0.50 345	0.61 273	0.34 267	0.13 283	0.14 324	0.13 288	0.12 287	0.14 283	0.18 327

Nwc_Net	0.37 309	0.25 304	0.68 308	0.31 337	0.24 341	0.44 314	0.30 306	0.65 358	0.50 304	0.37 253	0.69 350	0.58 333	0.45 328	0.60 268	0.40 295	0.15 317	0.12 310	0.19 348	0.21 358	0.14 283	0.13 272

ADCL	0.47 346	0.22 290	1.00 366	0.27 302	0.19 288	0.74 372	0.64 386	0.54 286	0.69 358	0.56 352	0.71 351	0.55 324	0.60 360	0.60 268	1.43 395	0.11 240	0.09 258	0.13 288	0.13 305	0.14 283	0.14 289

ADCP+	0.45 343	0.24 300	1.15 380	0.25 251	0.22 325	0.56 351	0.39 348	0.54 286	0.51 307	0.44 313	0.51 290	0.46 291	0.52 350	0.56 253	1.89 406	0.10 213	0.08 230	0.11 236	0.10 220	0.14 283	0.13 272

GANet	0.36 300	0.22 290	0.49 231	0.29 322	0.17 250	0.41 297	0.38 343	0.57 317	0.45 259	0.46 320	0.75 357	0.55 324	0.40 308	0.94 368	0.41 301	0.13 283	0.13 320	0.13 288	0.11 255	0.14 283	0.11 238

CVANet_RVC	0.30 262	0.19 257	0.41 171	0.26 279	0.16 234	0.33 243	0.26 274	0.52 268	0.47 278	0.40 284	0.46 268	0.43 271	0.31 263	0.89 359	0.26 224	0.14 306	0.09 258	0.14 307	0.13 305	0.14 283	0.10 213

DeepPruner_ROB	0.26 220	0.19 257	0.44 194	0.21 89	0.16 234	0.30 215	0.21 190	0.52 268	0.32 137	0.35 233	0.38 183	0.39 245	0.26 199	0.42 202	0.24 203	0.15 317	0.11 293	0.11 236	0.11 255	0.14 283	0.13 272

CBMV_ROB	0.33 284	0.18 241	0.53 254	0.21 89	0.14 170	0.33 243	0.20 167	0.51 258	0.45 259	0.51 337	0.55 310	0.45 285	0.42 320	0.71 309	0.32 256	0.18 349	0.19 360	0.23 361	0.21 358	0.14 283	0.15 298

Wz-Net-MNSev	0.36 300	0.26 315	0.79 330	0.26 279	0.21 310	0.59 356	0.38 343	0.55 296	0.56 330	0.48 331	0.54 306	0.53 320	0.36 288	0.60 268	0.44 309	0.11 240	0.09 258	0.11 236	0.11 255	0.15 295	0.13 272

Anonymous	0.20 108	0.14 170	0.47 217	0.27 302	0.20 302	0.25 141	0.25 263	0.32 73	0.26 69	0.18 44	0.18 25	0.15 30	0.19 126	0.24 62	0.18 109	0.10 213	0.09 258	0.09 124	0.09 188	0.15 295	0.13 272

hitnet-ft	0.29 255	0.17 229	0.40 149	0.19 27	0.14 170	0.39 289	0.23 227	0.44 195	0.41 223	0.36 248	0.46 268	0.53 320	0.34 280	0.76 329	0.32 256	0.14 306	0.10 276	0.13 288	0.10 220	0.15 295	0.13 272

AF-Net	0.37 309	0.26 315	0.56 266	0.32 343	0.23 336	0.41 297	0.29 296	0.61 341	0.64 348	0.42 301	0.68 346	0.65 355	0.49 344	0.57 256	0.44 309	0.15 317	0.11 293	0.19 348	0.14 316	0.15 295	0.13 272

SGM-ForestM	1.36 401	0.28 325	0.79 330	0.26 279	0.16 234	2.26 415	1.00 408	1.42 403	1.46 402	2.38 414	2.05 409	5.95 424	2.66 416	2.95 415	2.46 413	0.17 339	0.18 356	0.18 341	0.18 349	0.15 295	0.18 327

PS-NSSS	0.32 278	0.30 338	0.46 210	0.23 176	0.17 250	0.33 243	0.24 249	0.57 317	0.41 223	0.37 253	0.52 298	0.35 219	0.30 252	0.80 343	0.30 247	0.17 339	0.14 324	0.21 354	0.15 324	0.15 295	0.13 272

XPNet_ROB	0.33 284	0.20 265	0.43 188	0.27 302	0.18 270	0.37 275	0.31 310	0.55 296	0.50 304	0.51 337	0.53 303	0.58 333	0.37 296	0.63 286	0.45 312	0.17 339	0.12 310	0.13 288	0.12 287	0.15 295	0.14 289

SGM-Forest	0.36 300	0.17 229	0.47 217	0.23 176	0.16 234	0.45 319	0.41 352	0.55 296	0.48 287	0.52 343	0.60 326	0.52 316	0.41 312	0.85 352	0.50 329	0.17 339	0.17 350	0.17 334	0.15 324	0.15 295	0.15 298
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
GMStereo_Zeroshot	0.24 188	0.21 278	0.45 204	0.26 279	0.13 136	0.28 179	0.15 27	0.39 152	0.35 161	0.37 253	0.43 237	0.40 258	0.17 91	0.34 174	0.20 145	0.12 267	0.07 163	0.13 288	0.07 53	0.16 303	0.09 168

HBP-ISP	0.33 284	0.30 338	0.72 318	0.22 134	0.16 234	0.32 234	0.22 206	0.54 286	0.44 247	0.41 293	0.49 282	0.33 199	0.38 300	0.73 316	0.25 212	0.18 349	0.19 360	0.24 363	0.20 355	0.16 303	0.13 272

Wz-Net-SNSev	0.43 336	0.41 369	1.27 387	0.30 330	0.21 310	0.44 314	0.41 352	0.61 341	0.65 349	0.46 320	0.65 340	0.62 344	0.39 305	0.74 323	0.59 342	0.12 267	0.11 293	0.12 269	0.13 305	0.16 303	0.14 289

SACVNet	0.30 262	0.20 265	0.41 171	0.25 251	0.18 270	0.34 256	0.25 263	0.52 268	0.40 212	0.41 293	0.44 246	0.46 291	0.32 270	0.71 309	0.25 212	0.13 283	0.10 276	0.12 269	0.12 287	0.16 303	0.17 313

APVNet	0.36 300	0.20 265	0.70 315	0.26 279	0.22 325	0.52 348	0.35 330	0.61 341	0.44 247	0.38 261	0.52 298	0.48 299	0.38 300	0.84 351	0.46 318	0.13 283	0.14 324	0.15 319	0.16 335	0.16 303	0.15 298

psmorigin	0.50 352	0.25 304	3.03 413	0.24 214	0.19 288	0.38 282	0.22 206	0.50 245	0.44 247	0.64 361	0.68 346	0.71 368	0.51 348	0.85 352	0.45 312	0.14 306	0.17 350	0.13 288	0.14 316	0.16 303	0.21 351

aanetorigin	0.39 321	0.29 332	1.09 375	0.24 214	0.19 288	0.28 179	0.37 337	0.33 87	0.47 278	0.94 382	0.82 365	0.52 316	0.54 351	0.49 222	0.50 329	0.11 240	0.09 258	0.10 188	0.10 220	0.16 303	0.15 298

S-Stereo	0.38 315	0.20 265	1.05 373	0.27 302	0.22 325	0.38 282	0.32 315	0.55 296	0.66 350	0.39 276	0.59 321	0.49 303	0.41 312	0.75 324	0.40 295	0.12 267	0.15 338	0.13 288	0.13 305	0.16 303	0.21 351

NCC-stereo	0.39 321	0.25 304	0.69 309	0.32 343	0.28 358	0.46 321	0.36 333	0.65 358	0.52 313	0.40 284	0.57 317	0.56 326	0.47 337	0.73 316	0.45 312	0.17 339	0.14 324	0.18 341	0.25 369	0.16 303	0.16 305

edge stereo	0.39 321	0.22 290	0.81 334	0.27 302	0.22 325	0.37 275	0.24 249	0.56 310	0.54 321	0.53 348	0.60 326	0.71 368	0.50 345	0.78 337	0.40 295	0.16 329	0.14 324	0.19 348	0.14 316	0.16 303	0.17 313

Abc-Net	0.39 321	0.25 304	0.69 309	0.32 343	0.28 358	0.46 321	0.36 333	0.65 358	0.52 313	0.40 284	0.57 317	0.56 326	0.47 337	0.73 316	0.45 312	0.17 339	0.14 324	0.18 341	0.25 369	0.16 303	0.16 305
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Anonymous Stereo	0.38 315	0.34 351	1.00 366	0.30 330	0.25 348	0.33 243	0.44 360	0.50 245	0.54 321	0.41 293	0.45 258	0.39 245	0.26 199	0.93 365	0.48 321	0.15 317	0.14 324	0.15 319	0.16 335	0.16 303	0.17 313

NCCL2	0.35 296	0.26 315	0.49 231	0.36 360	0.22 325	0.41 297	0.41 352	0.53 279	0.42 228	0.47 328	0.46 268	0.61 342	0.39 305	0.55 245	0.37 278	0.16 329	0.13 320	0.21 354	0.21 358	0.16 303	0.16 305

ETE_ROB	0.34 291	0.26 315	0.45 204	0.29 322	0.18 270	0.40 294	0.37 337	0.57 317	0.47 278	0.50 332	0.50 284	0.62 344	0.36 288	0.55 245	0.38 280	0.13 283	0.10 276	0.14 307	0.12 287	0.16 303	0.16 305

SGM_RVC	0.50 352	0.19 257	0.50 241	0.25 251	0.15 211	0.69 367	0.39 348	0.68 372	0.82 374	0.95 384	0.84 367	1.13 384	0.76 376	1.16 385	0.60 344	0.16 329	0.16 345	0.16 328	0.16 335	0.16 303	0.17 313
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SDNR	0.42 332	0.21 278	0.82 337	0.21 89	0.18 270	1.27 401	0.17 63	0.50 245	0.49 296	0.42 301	0.81 364	0.38 233	0.27 216	1.19 386	0.38 280	0.23 361	0.24 376	0.17 334	0.13 305	0.17 318	0.20 344

RP	0.35 296	0.22 290	0.51 247	0.31 337	0.24 341	0.37 275	0.28 292	0.50 245	0.58 335	0.40 284	0.63 338	0.61 342	0.47 337	0.61 273	0.39 288	0.16 329	0.15 338	0.17 334	0.15 324	0.17 318	0.17 313

RTSC	0.39 321	0.28 325	0.78 324	0.27 302	0.18 270	0.49 334	0.22 206	0.59 329	0.84 379	0.55 351	0.53 303	0.49 303	0.36 288	0.67 300	0.82 363	0.13 283	0.10 276	0.11 236	0.12 287	0.17 318	0.17 313

DeepPrunerF	0.44 342	0.29 332	1.29 389	0.33 348	0.30 366	0.35 265	0.36 333	0.62 350	1.15 396	0.40 284	0.44 246	0.39 245	0.41 312	0.80 343	0.52 332	0.18 349	0.14 324	0.23 361	0.21 358	0.17 318	0.17 313

DANet	0.35 296	0.23 297	0.60 280	0.36 360	0.22 325	0.39 289	0.25 263	0.48 231	0.43 233	0.52 343	0.50 284	0.59 335	0.41 312	0.76 329	0.49 324	0.13 283	0.11 293	0.14 307	0.12 287	0.17 318	0.15 298
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FBW_ROB	0.43 336	0.26 315	0.54 257	0.31 337	0.20 302	0.51 339	0.32 315	0.70 374	0.60 339	0.59 355	0.55 310	0.65 355	0.41 312	1.40 397	0.51 331	0.13 283	0.17 350	0.21 354	0.16 335	0.17 318	0.18 327

SANet	0.53 361	0.28 325	0.96 362	0.26 279	0.15 211	0.69 367	0.44 360	0.67 369	1.34 398	0.67 364	0.98 377	0.94 379	0.71 374	0.89 359	0.76 357	0.14 306	0.12 310	0.12 269	0.11 255	0.17 318	0.16 305

NOSS_ROB	0.31 269	0.20 265	0.35 91	0.24 214	0.16 234	0.32 234	0.19 129	0.52 268	0.48 287	0.33 201	0.36 164	0.42 268	0.28 230	0.93 365	0.24 203	0.19 354	0.20 365	0.24 363	0.22 365	0.17 318	0.17 313

LALA_ROB	0.36 300	0.25 304	0.46 210	0.30 330	0.21 310	0.47 327	0.39 348	0.61 341	0.51 307	0.52 343	0.51 290	0.69 365	0.36 288	0.50 224	0.43 305	0.17 339	0.11 293	0.16 328	0.14 316	0.17 318	0.15 298

PWC_ROB	0.38 315	0.29 332	0.69 309	0.25 251	0.20 302	0.38 282	0.19 129	0.58 324	0.67 353	0.57 354	0.85 368	0.51 313	0.40 308	0.71 309	0.52 332	0.13 283	0.09 258	0.14 307	0.10 220	0.17 318	0.14 289

MeshStereo	0.58 367	0.27 322	0.67 304	0.22 134	0.17 250	0.66 365	0.37 337	0.78 382	0.61 342	1.47 410	1.30 389	1.65 398	0.79 378	1.12 383	0.59 342	0.17 339	0.17 350	0.17 334	0.14 316	0.17 318	0.14 289
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
FINET	0.34 291	0.27 322	0.80 332	0.24 214	0.24 341	0.36 270	0.34 327	0.54 286	0.72 363	0.39 276	0.47 275	0.32 192	0.30 252	0.51 229	0.32 256	0.19 354	0.17 350	0.13 288	0.12 287	0.18 329	0.16 305

RGC	0.39 321	0.32 348	0.64 299	0.34 350	0.27 355	0.40 294	0.29 296	0.57 317	0.53 317	0.45 317	0.64 339	0.62 344	0.45 328	0.72 314	0.39 288	0.15 317	0.15 338	0.21 354	0.20 355	0.18 329	0.19 334

RYNet	0.37 309	0.18 241	0.59 278	0.25 251	0.28 358	0.61 360	0.32 315	0.59 329	0.59 336	0.41 293	0.38 183	0.57 330	0.39 305	0.87 355	0.53 334	0.11 240	0.08 230	0.12 269	0.11 255	0.18 329	0.18 327

CSAN	0.50 352	0.35 354	0.78 324	0.36 360	0.23 336	0.56 351	0.59 383	0.61 341	0.70 360	0.64 361	0.78 361	0.65 355	0.60 360	1.38 396	0.62 347	0.21 358	0.17 350	0.20 351	0.20 355	0.18 329	0.18 327

WZ-Net	0.52 360	0.38 364	1.90 401	0.30 330	0.24 341	0.57 354	0.48 372	0.62 350	0.78 371	0.50 332	0.71 351	0.68 363	0.54 351	0.98 374	0.84 364	0.13 283	0.10 276	0.11 236	0.12 287	0.19 333	0.20 344

EDNetEfficient	0.63 373	0.37 362	2.40 407	0.26 279	0.25 348	0.38 282	0.49 374	0.41 169	1.06 391	1.38 400	0.87 372	0.62 344	0.95 389	0.65 294	1.65 399	0.11 240	0.09 258	0.10 188	0.11 255	0.19 333	0.17 313

FADNet-RVC	0.31 269	0.35 354	0.78 324	0.25 251	0.20 302	0.33 243	0.20 167	0.49 237	0.40 212	0.34 217	0.39 195	0.41 261	0.29 243	0.63 286	0.31 251	0.13 283	0.14 324	0.14 307	0.15 324	0.19 333	0.19 334

stereogan	0.37 309	0.17 229	0.65 300	0.27 302	0.22 325	0.62 361	0.26 274	0.59 329	0.63 347	0.43 307	0.60 326	0.67 360	0.42 320	0.68 301	0.35 271	0.13 283	0.14 324	0.14 307	0.12 287	0.19 333	0.17 313

ADCPNet	0.48 348	0.29 332	1.60 397	0.27 302	0.23 336	0.70 370	0.38 343	0.53 279	0.51 307	0.51 337	0.59 321	0.67 360	0.56 355	0.60 268	1.14 383	0.15 317	0.18 356	0.14 307	0.23 367	0.19 333	0.19 334

NVstereo2D	0.31 269	0.16 213	0.54 257	0.24 214	0.22 325	0.42 304	0.28 292	0.58 324	0.56 330	0.28 103	0.38 183	0.40 258	0.30 252	0.71 309	0.28 231	0.13 283	0.08 230	0.13 288	0.10 220	0.19 333	0.16 305

PWCDC_ROB	0.38 315	0.30 338	0.60 280	0.33 348	0.20 302	0.42 304	0.19 129	0.58 324	0.89 380	0.42 301	1.26 388	0.36 224	0.34 280	0.50 224	0.38 280	0.18 349	0.11 293	0.11 236	0.09 188	0.19 333	0.13 272

WCMA_ROB	0.51 356	0.21 278	0.65 300	0.25 251	0.21 310	0.58 355	0.32 315	0.54 286	0.55 327	0.95 384	1.40 392	1.28 391	0.81 381	0.73 316	0.62 347	0.18 349	0.15 338	0.15 319	0.15 324	0.19 333	0.19 334

SHD	0.42 332	0.27 322	0.81 334	0.31 337	0.25 348	0.42 304	0.22 206	0.66 364	0.94 387	0.63 359	0.60 326	0.59 335	0.47 337	0.59 267	0.58 341	0.15 317	0.13 320	0.16 328	0.16 335	0.20 341	0.22 356

ADCMid	0.49 350	0.34 351	1.13 379	0.26 279	0.21 310	0.51 339	0.37 337	0.57 317	0.54 321	0.75 373	0.66 342	0.62 344	0.64 370	0.64 288	1.68 400	0.13 283	0.12 310	0.17 334	0.17 344	0.20 341	0.17 313

AnyNet_C32	0.51 356	0.40 366	1.10 378	0.29 322	0.28 358	0.59 356	0.58 381	0.54 286	0.60 339	0.62 358	0.66 342	0.54 322	0.54 351	0.78 337	1.74 403	0.15 317	0.14 324	0.15 319	0.17 344	0.20 341	0.20 344

coex-ft	3.44 417	0.73 391	48.55 442	0.24 214	0.19 288	0.50 338	0.43 357	0.47 220	2.40 409	7.03 423	1.20 385	0.97 382	2.23 413	0.73 316	1.92 407	0.12 267	0.15 338	0.14 307	0.12 287	0.21 344	0.43 386

Wz-Net-TNSev	0.51 356	0.58 384	1.61 399	0.25 251	0.21 310	0.65 363	0.45 362	0.63 356	0.69 358	0.51 337	0.54 306	0.71 368	0.60 360	1.00 375	0.77 360	0.15 317	0.15 338	0.13 288	0.15 324	0.21 344	0.20 344

EDNetEfficientorigin	7.51 422	0.52 382	140.47 444	0.25 251	0.17 250	0.42 304	0.29 296	0.47 220	1.03 388	1.28 397	1.02 378	0.83 374	0.84 384	0.75 324	0.99 373	0.10 213	0.09 258	0.12 269	0.10 220	0.21 344	0.22 356

FADNet_RVC	0.30 262	0.28 325	0.83 338	0.23 176	0.15 211	0.30 215	0.17 63	0.49 237	0.37 180	0.30 156	0.38 183	0.30 176	0.27 216	0.52 235	0.31 251	0.14 306	0.14 324	0.14 307	0.16 335	0.21 344	0.23 362

RTS	0.78 387	0.48 374	4.68 415	0.34 350	0.28 358	1.12 394	0.46 364	0.62 350	1.03 388	0.73 369	0.89 373	0.60 338	0.59 358	1.61 400	1.16 386	0.14 306	0.11 293	0.15 319	0.15 324	0.21 344	0.19 334

RTSA	0.78 387	0.48 374	4.68 415	0.34 350	0.28 358	1.12 394	0.46 364	0.62 350	1.03 388	0.73 369	0.89 373	0.60 338	0.59 358	1.61 400	1.16 386	0.14 306	0.11 293	0.15 319	0.15 324	0.21 344	0.19 334

GASNet	0.36 300	0.46 370	0.88 349	0.34 350	0.23 336	0.35 265	0.22 206	0.60 337	0.53 317	0.40 284	0.37 173	0.45 285	0.30 252	0.79 339	0.35 271	0.15 317	0.10 276	0.14 307	0.14 316	0.22 350	0.12 260

G-Net	0.46 345	0.25 304	0.86 346	0.34 350	0.28 358	0.90 386	0.35 330	0.47 220	0.45 259	0.68 365	1.22 386	0.64 354	0.60 360	0.61 273	0.57 336	0.16 329	0.14 324	0.17 334	0.13 305	0.22 350	0.19 334

ADCS	0.58 367	0.40 366	1.35 392	0.29 322	0.24 341	0.55 350	0.45 362	0.67 369	0.83 377	0.76 374	0.71 351	0.68 363	0.60 360	0.76 329	2.23 411	0.16 329	0.16 345	0.16 328	0.17 344	0.22 350	0.22 356

sAnonymous2	0.20 108	0.21 278	0.58 274	0.24 214	0.17 250	0.22 98	0.19 129	0.34 93	0.28 91	0.17 32	0.19 28	0.17 44	0.16 68	0.17 12	0.14 43	0.10 213	0.07 163	0.09 124	0.08 114	0.23 353	0.17 313

CroCo_RVC	0.20 108	0.21 278	0.58 274	0.24 214	0.17 250	0.22 98	0.19 129	0.34 93	0.28 91	0.17 32	0.19 28	0.17 44	0.16 68	0.17 12	0.14 43	0.10 213	0.07 163	0.09 124	0.08 114	0.23 353	0.17 313

AnyNet_C01	0.65 375	0.58 384	2.60 410	0.32 343	0.26 353	0.88 384	0.61 384	0.63 356	0.62 344	0.68 365	0.96 376	0.76 371	0.60 360	0.96 371	1.43 395	0.16 329	0.16 345	0.17 334	0.17 344	0.23 353	0.23 362

FADNet	0.32 278	0.36 357	0.74 322	0.23 176	0.22 325	0.37 275	0.19 129	0.53 279	0.48 287	0.32 191	0.36 164	0.43 271	0.32 270	0.64 288	0.25 212	0.16 329	0.16 345	0.14 307	0.16 335	0.24 356	0.19 334

MFN_U_SF_DS_RVC	0.51 356	0.50 379	0.86 346	0.39 370	0.24 341	0.84 382	0.55 379	0.56 310	0.62 344	0.60 356	0.68 346	0.62 344	0.42 320	1.13 384	0.43 305	0.23 361	0.27 380	0.27 366	0.35 382	0.25 357	0.29 372

XQC	0.43 336	0.37 362	0.96 362	0.34 350	0.25 348	0.53 349	0.34 327	0.60 337	0.73 366	0.51 337	0.46 268	0.57 330	0.47 337	0.70 306	0.72 356	0.17 339	0.12 310	0.18 341	0.15 324	0.25 357	0.23 362

STTRV1_RVC	0.42 332	0.32 348	0.89 352	0.29 322	0.36 374	0.49 334	0.31 310	0.61 341	0.53 317	0.46 320	0.56 315	0.47 293	0.43 323	1.00 375	0.39 288	0.27 371	0.21 366	0.20 351	0.18 349	0.25 357	0.17 313

LSM	1.64 409	0.40 366	2.56 409	2.02 420	17.61 432	0.51 339	0.52 376	0.61 341	0.76 368	0.82 376	1.11 382	0.63 352	0.54 351	0.75 324	0.49 324	0.16 329	0.24 376	0.18 341	0.21 358	0.25 357	2.42 422

DPSNet	0.47 346	0.24 300	0.93 358	0.27 302	0.20 302	0.75 374	0.57 380	0.84 390	0.79 372	0.47 328	0.51 290	0.60 338	0.69 372	0.87 355	0.71 355	0.16 329	0.13 320	0.12 269	0.10 220	0.25 357	0.21 351

PDISCO_ROB	0.43 336	0.30 338	0.67 304	0.43 375	0.36 374	0.67 366	0.32 315	0.72 377	0.76 368	0.43 307	0.53 303	0.63 352	0.40 308	0.66 298	0.47 320	0.21 358	0.12 310	0.21 354	0.19 354	0.25 357	0.20 344

MSMD_ROB	0.60 371	0.33 350	0.61 283	0.30 330	0.25 348	0.86 383	0.35 330	0.55 296	0.67 353	1.10 392	1.49 397	1.76 401	0.97 392	0.88 358	0.49 324	0.23 361	0.21 366	0.27 366	0.27 375	0.25 357	0.24 366

ccnet	0.42 332	0.31 343	0.48 226	0.27 302	0.32 369	0.60 359	0.32 315	0.65 358	0.46 273	0.53 348	0.66 342	0.56 326	0.45 328	0.72 314	0.61 345	0.26 366	0.19 360	0.24 363	0.21 358	0.26 364	0.22 356

MaskLacGwcNet_RVC	0.36 300	0.36 357	0.53 254	0.34 350	0.19 288	0.51 339	0.24 249	0.55 296	0.38 193	0.41 293	0.47 275	0.47 293	0.27 216	0.73 316	0.30 247	0.36 383	0.19 360	0.27 366	0.17 344	0.26 364	0.23 362

FC-DCNN	0.70 380	0.30 338	0.69 309	0.32 343	0.27 355	0.81 381	0.39 348	0.79 385	0.82 374	1.41 403	1.58 402	1.98 403	1.26 401	1.02 378	0.77 360	0.24 364	0.22 371	0.27 366	0.26 373	0.26 364	0.26 368

FCDSN-DC	0.63 373	0.31 343	0.61 283	0.36 360	0.30 366	0.65 363	0.37 337	0.66 364	0.68 356	1.14 394	1.54 400	1.71 400	1.26 401	0.92 364	0.64 351	0.24 364	0.22 371	0.27 366	0.26 373	0.27 367	0.27 371
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
PVD	0.58 367	0.34 351	0.84 342	0.39 370	0.31 368	0.59 356	0.47 368	0.80 386	1.25 397	0.92 381	1.09 380	0.79 372	0.82 382	0.85 352	0.76 357	0.21 358	0.18 356	0.22 360	0.18 349	0.27 367	0.35 380

SAMSARA	0.56 363	0.39 365	0.80 332	0.60 389	0.46 382	1.00 390	1.23 416	0.67 369	0.68 356	0.71 368	0.54 306	0.89 378	0.57 357	0.81 346	0.62 347	0.19 354	0.22 371	0.18 341	0.18 349	0.27 367	0.25 367

GANetREF_RVC	0.43 336	0.47 372	0.69 309	0.38 367	0.20 302	0.51 339	0.48 372	0.66 364	0.66 350	0.46 320	0.46 268	0.50 309	0.44 325	0.90 362	0.39 288	0.27 371	0.21 366	0.32 376	0.18 349	0.27 367	0.22 356
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
MANE	1.41 402	0.36 357	0.74 322	0.43 375	0.41 379	2.16 414	0.80 398	2.39 418	3.38 412	2.22 413	3.06 415	3.54 417	2.73 417	2.15 412	1.94 408	0.28 375	0.27 380	0.30 374	0.46 390	0.28 371	0.34 379

PASM	0.45 343	0.35 354	0.90 353	0.35 359	0.33 370	0.39 289	0.38 343	0.50 245	0.61 342	0.52 343	0.51 290	0.62 344	0.45 328	0.93 365	0.48 321	0.26 366	0.29 384	0.29 372	0.33 380	0.29 372	0.26 368

ELAS_RVC	0.74 385	0.36 357	1.00 366	0.37 365	0.33 370	0.88 384	0.93 405	0.83 389	1.08 392	1.35 399	1.33 391	1.24 389	1.33 404	1.06 380	0.95 371	0.27 371	0.25 378	0.29 372	0.27 375	0.30 373	0.30 373
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.43 336	0.47 372	0.65 300	0.37 365	0.23 336	0.51 339	0.29 296	0.66 364	0.49 296	0.46 320	0.51 290	0.48 299	0.38 300	0.96 371	0.35 271	0.34 382	0.23 374	0.55 390	0.25 369	0.31 374	0.20 344

ELAS	0.74 385	0.36 357	0.85 345	0.36 360	0.33 370	1.36 405	0.77 396	0.93 393	0.92 384	1.41 403	1.53 399	1.16 387	1.17 397	0.95 370	1.03 375	0.26 366	0.25 378	0.28 371	0.28 378	0.31 374	0.30 373
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MFN_U_SF_RVC	0.56 363	0.51 381	1.19 381	0.38 367	0.22 325	0.69 367	0.27 279	0.80 386	0.67 353	0.73 369	0.74 356	0.87 375	0.61 369	0.81 346	0.76 357	0.29 377	0.27 380	0.32 376	0.37 386	0.32 376	0.31 375

Anonymous_2	0.37 309	0.21 278	0.47 217	0.20 60	0.21 310	0.42 304	0.26 274	0.38 141	0.29 109	0.33 201	0.30 104	0.44 281	0.38 300	0.36 187	0.29 241	0.26 366	0.29 384	0.44 384	1.41 418	0.34 377	0.21 351

UDG	0.40 327	0.46 370	0.49 231	0.40 372	0.35 373	0.47 327	0.27 279	0.54 286	0.47 278	0.39 276	0.45 258	0.59 335	0.44 325	0.46 212	0.39 288	0.26 366	0.19 360	0.48 386	0.22 365	0.34 377	0.26 368

NVStereoNet_ROB	0.67 377	0.49 378	0.83 338	0.48 381	0.40 378	0.51 339	0.46 364	0.70 374	0.77 370	0.84 377	1.72 403	1.02 383	0.83 383	1.23 390	0.79 362	0.32 380	0.38 391	0.40 382	0.46 390	0.36 379	0.41 385
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
DDUNet	0.41 329	0.50 379	0.48 226	0.44 377	0.39 376	0.46 321	0.32 315	0.50 245	0.43 233	0.45 317	0.52 298	0.57 330	0.36 288	0.48 217	0.33 263	0.33 381	0.21 366	0.55 390	0.25 369	0.37 380	0.32 378

MSC_U_SF_DS_RVC	0.68 378	0.64 388	1.06 374	0.45 378	0.27 355	1.40 407	0.58 381	0.78 382	0.92 384	0.84 377	0.86 369	0.88 377	0.68 371	1.33 395	0.68 354	0.37 385	0.29 384	0.34 378	0.36 385	0.43 381	0.37 381

MADNet+	1.01 394	1.16 411	4.72 417	0.70 393	0.47 383	1.24 400	0.96 406	0.97 394	0.89 380	0.65 363	0.77 360	0.87 375	0.85 386	2.09 410	1.68 400	0.38 386	0.39 392	0.31 375	0.27 375	0.43 381	0.39 383

SQANet	0.40 327	0.48 374	0.67 304	0.48 381	0.39 376	0.48 331	0.22 206	0.51 258	0.43 233	0.40 284	0.47 275	0.47 293	0.33 273	0.54 244	0.32 256	0.36 383	0.15 338	0.40 382	0.21 358	0.45 383	0.31 375

FADE		1.06 407		0.71 394	0.76 401							1.17 388				24.23 442	4.70 425	17.35 437	17.61 436	0.49 384

anonymity	0.56 363	0.54 383	0.70 315	0.47 380	0.61 392	0.56 351	0.43 357	0.69 373	0.49 296	0.63 359	0.55 310	0.54 322	0.60 360	0.61 273	0.57 336	0.55 392	0.53 400	0.50 387	0.54 398	0.51 385	0.56 394

Consistency-Raft	0.55 362	0.48 374	1.02 370	0.45 378	0.49 384	0.49 334	0.47 368	0.72 377	0.72 363	0.45 317	0.82 365	0.47 293	0.60 360	0.50 224	0.63 350	0.39 387	0.39 392	0.44 384	0.51 395	0.52 386	0.37 381

SGM+DAISY	0.87 389	0.66 390	1.30 390	0.51 384	0.60 391	1.03 391	0.84 402	0.76 380	0.73 366	1.39 401	1.51 398	1.31 392	1.22 399	1.11 381	1.08 377	0.57 394	0.53 400	0.51 389	0.51 395	0.54 387	0.61 401

SPS-STEREO	0.69 379	0.61 386	0.98 364	0.52 386	0.57 390	0.74 372	0.50 375	0.78 382	0.62 344	0.95 384	0.86 369	0.94 379	0.70 373	1.01 377	0.87 368	0.58 395	0.51 397	0.50 387	0.50 394	0.55 388	0.58 396
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
BEATNet-Init1	4.73 420	2.61 421	13.29 431	0.58 387	0.53 388	10.12 425	3.33 421	4.83 421	5.01 420	8.75 425	8.51 423	14.08 433	7.60 424	7.70 425	5.34 421	0.28 375	0.28 383	0.34 378	0.37 386	0.57 389	0.45 387

JetBlue	1.14 399	0.76 392	2.36 405	0.59 388	0.75 398	3.04 418	1.78 418	1.11 396	0.90 382	0.94 382	1.10 381	1.66 399	1.28 403	2.09 410	1.72 402	0.43 388	0.36 390	0.38 380	0.38 388	0.58 390	0.56 394

otaku	0.57 366	0.62 387	0.87 348	0.63 391	0.44 381	0.73 371	0.37 337	0.65 358	0.66 350	0.51 337	0.75 357	0.66 359	0.45 328	0.69 303	0.46 318	0.53 389	0.34 389	0.55 390	0.35 382	0.60 391	0.45 387

Ntro	0.58 367	0.64 388	0.92 356	0.66 392	0.50 385	0.77 375	0.36 333	0.66 364	0.70 360	0.50 332	0.59 321	0.65 355	0.51 348	0.75 324	0.45 312	0.56 393	0.32 388	0.56 393	0.34 381	0.63 392	0.46 390

DGSMNet	0.61 372	0.29 332	0.91 354	0.51 384	0.70 396	0.62 361	1.38 417	0.59 329	0.55 327	0.37 253	0.61 333	0.52 316	0.33 273	0.65 294	0.43 305	0.53 389	0.60 407	0.67 395	0.61 403	0.63 392	0.61 401

ACVNet_1	0.72 381	0.81 394	1.37 393	0.72 395	0.53 388	0.77 375	0.42 355	0.85 392	0.90 382	0.74 372	0.75 357	1.32 393	0.72 375	1.02 378	0.55 335	0.54 391	0.31 387	0.71 397	0.35 382	0.64 394	0.45 387

ACVNet-4b	0.72 381	0.81 394	1.33 391	0.72 395	0.50 385	0.80 380	0.31 310	0.71 376	0.80 373	0.50 332	0.72 355	0.95 381	0.43 323	0.96 371	1.20 390	1.13 415	0.21 366	0.76 399	0.45 389	0.65 395	0.46 390

DispFullNet	0.66 376	0.89 399	1.59 396	0.77 397	1.21 414	0.51 339	0.23 227	0.59 329	0.72 363	0.69 367	0.61 333	0.69 365	0.91 388	0.79 339	0.48 321	0.27 371	0.12 310	0.73 398	0.30 379	0.65 395	0.40 384

WAO-7	1.01 394	0.89 399	0.93 358	0.83 400	0.66 395	1.18 396	0.81 400	1.40 402	1.57 403	1.11 393	1.76 405	1.45 395	1.19 398	1.50 399	1.14 383	0.61 396	0.62 410	0.70 396	0.68 405	0.66 397	0.60 398

MFMNet_re	0.72 381	0.76 392	0.99 365	0.62 390	0.70 396	0.77 375	0.67 387	0.75 379	0.83 377	0.78 375	0.86 369	0.69 365	0.78 377	0.71 309	0.61 345	0.66 398	0.59 406	0.61 394	0.58 402	0.68 398	0.71 405

ACVNet_2	0.89 390	0.87 398	1.25 385	0.82 398	0.62 393	0.97 389	0.62 385	1.14 397	1.42 400	1.00 387	1.40 392	1.47 396	0.84 384	1.11 381	0.66 353	0.61 396	0.43 394	0.78 400	0.49 392	0.75 399	0.52 392

RainbowNet	0.72 381	0.89 399	1.02 370	0.82 398	0.63 394	0.78 378	0.52 376	0.81 388	0.93 386	0.60 356	0.79 362	0.80 373	0.60 360	0.80 343	0.57 336	0.78 402	0.55 403	0.78 400	0.49 392	0.76 400	0.58 396

WAO-6	1.07 397	0.93 402	0.92 356	0.96 402	0.78 402	1.28 402	0.75 393	1.34 400	2.00 407	1.02 389	1.54 400	1.59 397	1.22 399	1.31 394	1.14 383	0.78 402	0.55 403	1.02 408	0.75 409	0.83 401	0.69 404

IMH-64-1	0.91 391	0.86 396	0.84 342	0.97 403	0.75 398	0.92 387	0.71 389	1.27 398	1.10 393	0.89 379	1.45 394	1.14 385	0.96 390	1.19 386	0.84 364	0.74 399	0.51 397	0.97 404	0.55 399	0.84 402	0.60 398

IMH-64	0.91 391	0.86 396	0.84 342	0.97 403	0.75 398	0.92 387	0.71 389	1.27 398	1.10 393	0.89 379	1.45 394	1.14 385	0.96 390	1.19 386	0.84 364	0.74 399	0.51 397	0.97 404	0.55 399	0.84 402	0.60 398

IMH	1.05 396	0.95 403	1.00 366	1.01 405	0.78 402	1.11 393	0.68 388	1.38 401	1.43 401	1.00 387	1.72 403	1.43 394	1.14 394	1.73 405	0.89 369	1.09 412	0.55 403	0.99 406	0.57 401	0.87 404	0.62 403

LVE	1.13 398	1.02 404	1.28 388	1.01 405	0.80 405	1.29 403	0.81 400	1.47 405	1.96 405	1.07 391	1.90 406	1.90 402	1.01 393	1.48 398	0.91 370	0.93 409	0.61 409	0.94 403	0.69 406	0.87 404	0.75 409

WAO-8	1.46 405	1.10 409	1.09 375	1.10 408	0.84 406	2.06 411	0.75 393	1.84 411	3.83 415	1.44 407	2.21 411	2.15 405	1.43 406	3.17 416	1.19 388	0.91 407	0.65 412	1.09 409	0.79 410	0.90 406	0.71 405

Venus	1.46 405	1.10 409	1.09 375	1.10 408	0.84 406	2.06 411	0.75 393	1.84 411	3.83 415	1.44 407	2.21 411	2.15 405	1.43 406	3.17 416	1.19 388	0.91 407	0.65 412	1.09 409	0.79 410	0.90 406	0.71 405

Dean	1.17 400	1.04 406	1.49 395	1.03 407	0.78 402	1.20 399	0.77 396	1.48 406	1.96 405	1.28 397	1.99 408	2.15 405	1.14 394	1.25 391	1.00 374	0.81 404	0.60 407	1.01 407	0.69 406	0.92 408	0.74 408

PWCK	1.00 393	1.17 412	1.70 400	0.91 401	0.41 379	1.19 398	0.92 404	1.10 395	1.14 395	1.16 395	1.14 383	1.25 390	0.88 387	1.75 406	1.04 376	0.87 406	0.50 395	0.87 402	0.53 397	0.96 409	0.52 392

SuperB	0.49 350	0.28 325	2.23 403	0.23 176	0.15 211	0.41 297	0.32 315	0.47 220	0.82 374	0.43 307	0.50 284	0.33 199	0.45 328	0.68 301	1.08 377	0.10 213	0.07 163	0.09 124	0.08 114	0.98 410	0.14 289

UNDER WATER-64	1.55 407	1.19 413	2.52 408	1.31 413	0.95 410	2.12 413	1.21 415	1.45 404	3.19 411	1.43 406	1.32 390	2.64 412	2.04 412	1.63 402	1.83 404	1.11 413	0.67 414	1.28 414	0.92 413	1.19 411	1.02 414

UNDER WATER	1.59 408	1.22 414	2.36 405	1.38 414	1.03 411	1.67 410	1.10 412	1.54 409	3.63 413	1.44 407	1.47 396	2.85 414	2.25 414	1.67 403	1.94 408	1.06 411	0.62 410	1.31 415	0.93 414	1.21 412	1.02 414

TorneroNet-64	1.43 403	1.03 405	1.20 382	1.10 408	0.86 408	2.26 415	0.73 392	1.84 411	3.84 417	1.25 396	2.25 413	2.69 413	1.42 405	1.76 407	1.43 395	0.76 401	0.50 395	1.09 409	0.66 404	1.23 413	0.76 410

TorneroNet	2.22 413	1.08 408	1.24 384	1.14 412	0.90 409	5.58 420	0.80 398	2.12 416	8.69 424	2.58 415	5.42 420	3.88 418	1.97 411	1.78 409	1.87 405	0.86 405	0.54 402	1.15 413	0.74 408	1.23 413	0.85 411

notaker	1.45 404	1.34 415	1.48 394	1.40 415	1.07 412	1.18 396	0.85 403	1.48 406	1.40 399	1.51 411	3.46 416	2.40 410	1.81 410	1.76 407	1.45 398	1.11 413	0.69 415	1.38 416	0.87 412	1.31 415	0.97 413

SPstereo	14.25 429	1.73 419	2.83 412	1.84 419	1.57 419	23.16 436	43.27 436	35.72 443	29.56 443	20.86 440	20.62 434	26.34 444	21.82 436	25.23 443	19.62 435	1.56 418	1.42 418	2.96 422	2.17 420	1.31 415	1.33 419

ktn	1.77 411	1.36 416	1.22 383	1.43 416	1.14 413	1.52 408	1.08 411	1.51 408	3.96 418	2.77 417	4.69 418	3.35 416	1.46 408	1.69 404	1.25 392	1.43 417	0.77 416	1.45 417	0.99 415	1.32 417	0.96 412

KSHMR	1.89 412	1.36 416	1.60 397	1.47 417	1.22 415	1.38 406	1.06 410	1.79 410	5.97 421	1.42 405	5.65 422	2.98 415	1.14 394	2.23 413	1.20 390	1.27 416	1.12 417	1.46 418	1.10 417	1.32 417	1.15 416

JetRed	2.30 415	2.64 422	6.12 418	1.12 411	1.38 417	5.85 421	3.29 420	1.99 414	1.67 404	1.98 412	1.95 407	2.16 408	1.60 409	2.48 414	4.10 419	1.05 410	1.60 419	1.09 409	1.01 416	1.67 419	1.28 417

MADNet++	2.26 414	1.80 420	2.06 402	2.13 422	1.97 420	2.61 417	1.79 419	2.38 417	2.16 408	2.75 416	2.65 414	2.38 409	2.43 415	3.17 416	3.21 415	2.17 419	1.95 420	1.94 420	1.63 419	2.06 420	2.01 421

HanzoNet	2.97 416	1.69 418	2.29 404	1.74 418	1.33 416	1.53 409	1.03 409	1.99 414	2.64 410	5.51 420	5.16 419	5.90 423	6.82 423	4.32 421	3.29 416	3.16 421	2.02 422	1.92 419	2.87 423	2.24 421	1.89 420

tt	4.71 419	0.10 26	3.94 414	2.06 421	1.53 418	10.14 426	16.88 426	9.27 427	4.98 419	1.39 401	1.02 378	4.68 419	4.90 419	3.35 419	5.86 422	5.76 426	9.15 432	2.24 421	2.53 422	3.10 422	1.32 418

DPSimNet_ROB	4.34 418	4.23 423	6.89 420	3.67 423	3.68 421	4.75 419	5.21 422	2.67 419	3.68 414	5.82 421	3.95 417	5.57 420	6.72 422	3.46 420	4.48 420	4.05 424	2.88 423	4.68 425	3.12 424	3.69 423	3.62 424

DGTPSM_ROB	8.34 423	5.10 424	10.37 429	5.31 426	10.18 426	8.33 422	23.60 431	6.06 423	13.41 430	4.90 418	10.87 428	5.65 421	10.44 425	6.17 422	12.59 426	3.74 422	7.55 427	3.69 423	7.26 428	4.14 424	7.46 426

DPSMNet_ROB	8.40 424	5.11 425	10.49 430	5.58 427	10.25 427	8.34 423	23.62 432	6.07 424	13.45 431	4.93 419	10.88 429	5.66 422	10.44 425	6.24 423	12.64 427	3.98 423	7.61 428	3.76 424	7.30 429	4.20 425	7.51 427

ASD4	7.23 421	6.65 426	7.69 421	5.24 425	5.62 423	11.85 427	20.36 427	7.57 425	7.14 423	6.55 422	5.47 421	5.99 425	5.78 420	7.22 424	9.24 425	4.85 425	4.44 424	6.40 429	5.19 425	6.53 426	4.89 425

DPSM_ROB	11.49 427	9.87 431	10.35 427	11.13 429	11.31 428	19.11 434	27.51 434	13.37 432	14.21 433	10.31 429	11.06 430	10.96 431	11.27 431	11.96 432	13.59 429	6.78 428	8.19 430	6.03 426	7.09 426	7.93 427	7.73 429

DPSM	11.49 427	9.87 431	10.35 427	11.13 429	11.31 428	19.11 434	27.51 434	13.37 432	14.21 433	10.31 429	11.06 430	10.96 431	11.27 431	11.96 432	13.59 429	6.78 428	8.19 430	6.03 426	7.09 426	7.93 427	7.73 429

PML	16.10 433	12.82 434	6.78 419	5.23 424	7.76 424	33.92 437	66.56 443	5.30 422	10.28 425	26.12 442	68.59 443	20.51 435	13.49 433	10.06 427	6.78 424	5.96 427	2.00 421	6.04 428	2.18 421	8.96 429	2.60 423

xxxxx1	15.27 430	9.54 428	10.31 424	20.13 434	18.88 433	17.08 429	23.03 428	10.36 428	10.99 426	9.21 426	9.62 424	10.74 428	10.61 428	10.72 428	13.89 431	7.97 430	9.20 433	31.85 442	44.72 442	12.84 430	13.69 431

tt_ll	15.27 430	9.54 428	10.31 424	20.13 434	18.88 433	17.08 429	23.03 428	10.36 428	10.99 426	9.21 426	9.62 424	10.74 428	10.61 428	10.72 428	13.89 431	7.97 430	9.20 433	31.85 442	44.72 442	12.84 430	13.69 431

ff	15.27 430	9.54 428	10.31 424	20.13 434	18.88 433	17.08 429	23.03 428	10.36 428	10.99 426	9.21 426	9.62 424	10.74 428	10.61 428	10.72 428	13.89 431	7.97 430	9.20 433	31.85 442	44.72 442	12.84 430	13.69 431

LRCNet_RVC	10.90 426	14.34 435	9.35 422	15.35 431	8.04 425	1.08 392	0.34 327	8.78 426	0.70 360	12.63 432	16.05 432	9.85 426	6.54 421	8.57 426	6.34 423	20.27 440	5.40 426	23.70 439	21.88 438	14.87 433	13.83 434

MyStereo03	23.12 438	19.90 437	20.85 435	22.49 438	22.71 437	38.42 439	55.53 440	26.80 437	28.72 439	20.77 437	22.25 438	22.03 437	22.69 437	23.90 436	27.38 441	13.62 435	16.50 439	12.15 431	14.28 432	15.95 434	15.53 435

MyStereo02	23.12 438	19.90 437	20.85 435	22.49 438	22.71 437	38.42 439	55.53 440	26.80 437	28.72 439	20.77 437	22.25 438	22.03 437	22.69 437	23.90 436	27.38 441	13.62 435	16.50 439	12.15 431	14.28 432	15.95 434	15.53 435

MyStereo	23.12 438	19.90 437	20.85 435	22.49 438	22.71 437	38.42 439	55.53 440	26.80 437	28.72 439	20.77 437	22.25 438	22.03 437	22.69 437	23.90 436	27.38 441	13.62 435	16.50 439	12.15 431	14.28 432	15.95 434	15.53 435

CasAABBNet	23.10 437	19.86 436	20.64 434	22.47 437	22.73 440	38.41 438	55.50 439	26.89 440	28.70 438	20.61 435	22.15 437	22.08 440	22.75 440	23.99 439	27.36 439	13.59 433	16.48 437	12.14 430	14.27 431	15.95 434	15.53 435

Selective-RAFT-Error	23.16 441	19.93 440	20.87 438	22.54 441	22.81 441	38.52 443	55.47 438	27.01 442	28.83 442	20.66 436	22.25 438	22.09 441	22.80 442	24.09 440	27.36 439	13.61 434	16.48 437	12.15 431	14.28 432	15.99 438	15.57 439

LSM0	24.24 442	19.98 441	22.32 439	24.22 442	40.14 444	38.48 442	55.20 437	26.95 441	28.57 437	20.49 434	21.83 435	22.26 442	22.75 440	24.22 441	27.30 438	13.66 438	16.32 436	12.19 435	14.15 430	16.10 439	17.66 440

HaxPig	17.72 435	20.22 442	19.73 432	16.53 432	16.51 431	9.27 424	9.33 423	14.34 434	13.27 429	18.65 433	18.70 433	17.35 434	16.77 434	17.04 434	16.45 434	22.05 441	20.89 442	22.27 438	21.53 437	21.29 440	22.13 441

MEDIAN_ROB	21.21 436	24.62 443	23.47 440	19.58 433	19.65 436	13.22 428	10.96 424	17.88 435	17.00 435	22.14 441	22.02 436	20.86 436	20.36 435	21.06 435	19.71 436	25.63 443	24.13 443	26.21 440	25.20 439	25.17 441	25.38 442

AVERAGE_ROB	25.43 443	29.06 444	27.24 441	24.63 443	24.20 443	17.73 432	12.61 425	22.29 436	21.39 436	26.79 443	26.16 442	25.20 443	24.64 443	25.07 442	23.53 437	29.96 444	28.40 444	30.60 441	29.58 440	29.72 442	29.84 443

DLNR_Zeroshot_test	10.44 425	12.10 433	19.93 433	106.08 445	23.66 442	0.14 4	0.13 4	3.22 420	0.17 5	0.16 27	0.23 53	0.16 39	0.10 4	0.31 156	0.15 55	2.36 420	0.06 74	0.07 16	0.07 53	39.70 443	0.06 20

Anonymous_1	16.62 434	9.35 427	9.84 423	10.66 428	14.64 430	18.66 433	27.12 433	12.64 431	13.51 432	10.76 431	10.30 427	10.13 427	10.60 427	11.06 431	12.74 428	15.87 439	7.74 429	16.92 436	43.48 441	58.66 444	7.68 428

test_example2	101.33 444	108.28 445	68.15 443	98.43 444	106.93 445	89.75 444	102.43 444	36.80 444	97.65 444	129.04 444	130.15 444	65.26 445	66.62 444	92.11 444	80.24 444	144.10 445	199.48 445	81.81 445	103.01 445	125.01 445	101.27 444

Low-res two-view benchmark