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

FoundationStereo	0.06 1	0.04 1	0.08 12	0.13 8	0.05 1	0.09 54	0.13 72	0.06 1	0.09 8	0.05 1	0.05 2	0.06 8	0.04 1	0.07 2	0.07 1	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

LGtest1	0.07 2	0.05 7	0.11 103	0.15 56	0.06 8	0.07 20	0.09 6	0.08 3	0.06 1	0.06 4	0.04 1	0.06 8	0.07 71	0.10 34	0.09 35	0.07 199	0.04 3	0.05 3	0.04 15	0.06 143	0.06 152

LG-Stereo_Zeroshot	0.07 2	0.06 35	0.10 66	0.16 105	0.07 35	0.04 1	0.13 72	0.10 6	0.10 16	0.05 1	0.11 107	0.07 39	0.05 7	0.07 2	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

GREAT-IGEV	0.07 2	0.06 35	0.09 42	0.13 8	0.07 35	0.07 20	0.14 118	0.10 6	0.09 8	0.06 4	0.08 42	0.06 8	0.05 7	0.10 34	0.07 1	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

StereoAnything_RVC	0.07 2	0.16 420	0.17 311	0.11 1	0.05 1	0.06 6	0.11 21	0.08 3	0.08 2	0.06 4	0.06 4	0.05 1	0.05 7	0.09 19	0.08 14	0.08 256	0.04 3	0.05 3	0.03 1	0.05 62	0.04 10

AIO_rvc	0.07 2	0.06 35	0.08 12	0.15 56	0.06 8	0.08 32	0.14 118	0.09 5	0.08 2	0.07 14	0.08 42	0.07 39	0.04 1	0.10 34	0.08 14	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

AIO_test	0.07 2	0.06 35	0.07 2	0.15 56	0.07 35	0.07 20	0.14 118	0.10 6	0.10 16	0.07 14	0.07 21	0.06 8	0.05 7	0.08 11	0.10 89	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

MonSter	0.07 2	0.06 35	0.06 1	0.15 56	0.05 1	0.08 32	0.10 11	0.15 68	0.15 118	0.05 1	0.06 4	0.05 1	0.06 27	0.07 2	0.09 35	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

DEFOM-Stereo	0.07 2	0.05 7	0.07 2	0.14 21	0.06 8	0.09 54	0.13 72	0.07 2	0.13 82	0.06 4	0.07 21	0.06 8	0.05 7	0.10 34	0.09 35	0.05 5	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

dual_stereo	0.07 2	0.05 7	0.08 12	0.15 56	0.05 1	0.05 3	0.13 72	0.12 27	0.08 2	0.07 14	0.06 4	0.05 1	0.05 7	0.07 2	0.09 35	0.06 80	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

IGEV-Stereo++	0.07 2	0.06 35	0.08 12	0.18 248	0.06 8	0.05 3	0.10 11	0.11 14	0.11 34	0.06 4	0.07 21	0.07 39	0.06 27	0.09 19	0.09 35	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

IGEV-Stereo+	0.07 2	0.04 1	0.08 12	0.15 56	0.06 8	0.04 1	0.09 6	0.10 6	0.09 8	0.06 4	0.06 4	0.06 8	0.06 27	0.06 1	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.06 143	0.06 152

Selective-IGEV	0.07 2	0.06 35	0.09 42	0.17 171	0.06 8	0.08 32	0.12 40	0.13 41	0.08 2	0.08 33	0.07 21	0.06 8	0.04 1	0.10 34	0.09 35	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

LG-Stereo	0.08 14	0.08 198	0.10 66	0.18 248	0.07 35	0.10 90	0.17 271	0.11 14	0.08 2	0.06 4	0.08 42	0.06 8	0.07 71	0.09 19	0.09 35	0.04 1	0.05 120	0.07 155	0.07 227	0.04 2	0.04 10

SGD-Stereo	0.08 14	0.05 7	0.10 66	0.14 21	0.06 8	0.12 163	0.12 40	0.11 14	0.12 55	0.07 14	0.09 57	0.09 86	0.09 128	0.08 11	0.08 14	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

HART	0.08 14	0.07 96	0.09 42	0.18 248	0.07 35	0.10 90	0.16 245	0.13 41	0.11 34	0.09 55	0.10 79	0.08 59	0.05 7	0.10 34	0.08 14	0.05 5	0.04 3	0.06 64	0.04 15	0.05 62	0.04 10

SCV_C0	0.08 14	0.07 96	0.08 12	0.16 105	0.10 290	0.08 32	0.14 118	0.11 14	0.13 82	0.08 33	0.07 21	0.06 8	0.05 7	0.11 73	0.07 1	0.05 5	0.05 120	0.05 3	0.04 15	0.06 143	0.05 80

SCV	0.08 14	0.09 259	0.08 12	0.15 56	0.08 87	0.10 90	0.12 40	0.11 14	0.12 55	0.07 14	0.07 21	0.06 8	0.04 1	0.10 34	0.08 14	0.05 5	0.05 120	0.06 64	0.04 15	0.06 143	0.04 10

DEFOM-Stereo_RVC	0.08 14	0.07 96	0.09 42	0.22 405	0.06 8	0.08 32	0.12 40	0.10 6	0.10 16	0.07 14	0.07 21	0.06 8	0.05 7	0.11 73	0.09 35	0.06 80	0.04 3	0.05 3	0.03 1	0.06 143	0.04 10

HUF	0.08 14	0.05 7	0.08 12	0.14 21	0.06 8	0.09 54	0.13 72	0.13 41	0.13 82	0.07 14	0.07 21	0.09 86	0.06 27	0.10 34	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

castereo++	0.08 14	0.06 35	0.08 12	0.15 56	0.05 1	0.14 230	0.11 21	0.11 14	0.15 118	0.07 14	0.07 21	0.08 59	0.06 27	0.08 11	0.08 14	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

IGEV-RUCA	0.08 14	0.06 35	0.11 103	0.14 21	0.09 185	0.10 90	0.12 40	0.10 6	0.12 55	0.06 4	0.07 21	0.08 59	0.06 27	0.09 19	0.08 14	0.06 80	0.05 120	0.05 3	0.04 15	0.05 62	0.06 152

GIP-stereo	0.08 14	0.06 35	0.11 103	0.15 56	0.07 35	0.09 54	0.13 72	0.15 68	0.11 34	0.07 14	0.08 42	0.05 1	0.04 1	0.10 34	0.07 1	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

SMoEStereo_RVC	0.08 14	0.06 35	0.12 137	0.16 105	0.07 35	0.09 54	0.13 72	0.11 14	0.14 101	0.09 55	0.07 21	0.07 39	0.07 71	0.12 144	0.10 89	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

WCG-NET	0.08 14	0.05 7	0.10 66	0.15 56	0.06 8	0.11 126	0.14 118	0.13 41	0.14 101	0.07 14	0.09 57	0.07 39	0.06 27	0.13 191	0.08 14	0.05 5	0.04 3	0.06 64	0.04 15	0.04 2	0.03 1

Occ-G	0.08 14	0.05 7	0.07 2	0.14 21	0.07 35	0.09 54	0.14 118	0.14 54	0.15 118	0.07 14	0.12 120	0.07 39	0.05 7	0.09 19	0.10 89	0.06 80	0.05 120	0.05 3	0.04 15	0.05 62	0.06 152

U	0.08 14	0.07 96	0.10 66	0.19 306	0.10 290	0.10 90	0.13 72	0.12 27	0.17 163	0.07 14	0.07 21	0.06 8	0.05 7	0.07 2	0.09 35	0.06 80	0.04 3	0.06 64	0.04 15	0.06 143	0.05 80

AIO-Stereo	0.08 14	0.06 35	0.10 66	0.18 248	0.06 8	0.09 54	0.11 21	0.16 92	0.09 8	0.09 55	0.08 42	0.07 39	0.05 7	0.11 73	0.08 14	0.05 5	0.05 120	0.05 3	0.04 15	0.04 2	0.04 10

WCG-NET（raft）	0.08 14	0.05 7	0.10 66	0.15 56	0.06 8	0.11 126	0.13 72	0.15 68	0.12 55	0.08 33	0.07 21	0.06 8	0.06 27	0.13 191	0.08 14	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

RSM++	0.08 14	0.06 35	0.09 42	0.17 171	0.07 35	0.09 54	0.12 40	0.11 14	0.11 34	0.08 33	0.06 4	0.07 39	0.05 7	0.10 34	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.03 1

RSM	0.08 14	0.06 35	0.09 42	0.17 171	0.07 35	0.08 32	0.12 40	0.12 27	0.10 16	0.08 33	0.07 21	0.06 8	0.05 7	0.11 73	0.09 35	0.04 1	0.04 3	0.05 3	0.04 15	0.04 2	0.04 10

trnet	0.08 14	0.05 7	0.07 2	0.12 4	0.05 1	0.12 163	0.10 11	0.13 41	0.10 16	0.08 33	0.13 134	0.09 86	0.08 103	0.11 73	0.10 89	0.08 256	0.05 120	0.05 3	0.03 1	0.06 143	0.05 80

MoCha-V2	0.08 14	0.05 7	0.11 103	0.20 355	0.07 35	0.10 90	0.14 118	0.12 27	0.08 2	0.07 14	0.08 42	0.07 39	0.06 27	0.09 19	0.08 14	0.05 5	0.05 120	0.05 3	0.04 15	0.04 2	0.04 10

IGEV++	0.08 14	0.06 35	0.09 42	0.18 248	0.07 35	0.10 90	0.13 72	0.10 6	0.10 16	0.08 33	0.08 42	0.06 8	0.05 7	0.13 191	0.09 35	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

testlalala	0.08 14	0.07 96	0.17 311	0.16 105	0.08 87	0.09 54	0.12 40	0.15 68	0.10 16	0.07 14	0.09 57	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

LoS_RVC	0.08 14	0.05 7	0.07 2	0.15 56	0.07 35	0.08 32	0.15 187	0.12 27	0.11 34	0.08 33	0.09 57	0.06 8	0.09 128	0.10 34	0.09 35	0.05 5	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

CAS	0.08 14	0.04 1	0.07 2	0.17 171	0.08 87	0.10 90	0.13 72	0.12 27	0.09 8	0.09 55	0.10 79	0.08 59	0.06 27	0.09 19	0.09 35	0.08 256	0.04 3	0.05 3	0.03 1	0.05 62	0.04 10

CES	0.08 14	0.04 1	0.08 12	0.14 21	0.07 35	0.09 54	0.14 118	0.11 14	0.09 8	0.08 33	0.09 57	0.11 133	0.07 71	0.12 144	0.08 14	0.06 80	0.04 3	0.05 3	0.03 1	0.05 62	0.05 80

EGLCR-Stereo	0.08 14	0.05 7	0.08 12	0.14 21	0.07 35	0.11 126	0.12 40	0.11 14	0.16 140	0.06 4	0.05 2	0.07 39	0.05 7	0.10 34	0.11 133	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

CREStereo++_RVC	0.08 14	0.04 1	0.07 2	0.13 8	0.07 35	0.09 54	0.12 40	0.14 54	0.14 101	0.10 84	0.14 147	0.08 59	0.07 71	0.10 34	0.11 133	0.06 80	0.04 3	0.05 3	0.05 72	0.04 2	0.04 10
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
S2M2	0.09 41	0.08 198	0.11 103	0.13 8	0.10 290	0.08 32	0.06 1	0.10 6	0.10 16	0.10 84	0.10 79	0.09 86	0.09 128	0.11 73	0.11 133	0.13 419	0.07 326	0.08 230	0.09 336	0.10 367	0.08 292

MM-Stereo_test2	0.09 41	0.07 96	0.09 42	0.19 306	0.08 87	0.12 163	0.18 316	0.15 68	0.14 101	0.07 14	0.10 79	0.07 39	0.06 27	0.12 144	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.06 143	0.04 10

Reg-Stereo(zero)	0.09 41	0.05 7	0.08 12	0.16 105	0.06 8	0.12 163	0.11 21	0.15 68	0.11 34	0.12 147	0.09 57	0.10 113	0.08 103	0.11 73	0.09 35	0.06 80	0.05 120	0.05 3	0.04 15	0.04 2	0.05 80

castereo	0.09 41	0.06 35	0.11 103	0.15 56	0.06 8	0.11 126	0.14 118	0.14 54	0.18 177	0.08 33	0.10 79	0.11 133	0.08 103	0.09 19	0.10 89	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.04 10

fffft	0.09 41	0.06 35	0.12 137	0.16 105	0.07 35	0.09 54	0.16 245	0.12 27	0.11 34	0.09 55	0.07 21	0.09 86	0.06 27	0.11 73	0.12 187	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.05 80
1: 1. 1
tt45	0.09 41	0.06 35	0.11 103	0.15 56	0.07 35	0.12 163	0.15 187	0.13 41	0.12 55	0.09 55	0.06 4	0.08 59	0.06 27	0.13 191	0.10 89	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

999	0.09 41	0.06 35	0.13 170	0.15 56	0.08 87	0.10 90	0.14 118	0.15 68	0.12 55	0.10 84	0.08 42	0.08 59	0.08 103	0.16 260	0.10 89	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.06 152

mms	0.09 41	0.07 96	0.08 12	0.17 171	0.08 87	0.11 126	0.15 187	0.12 27	0.11 34	0.09 55	0.09 57	0.08 59	0.06 27	0.11 73	0.12 187	0.05 5	0.04 3	0.07 155	0.05 72	0.04 2	0.04 10

ours_stereo	0.09 41	0.07 96	0.09 42	0.17 171	0.08 87	0.11 126	0.16 245	0.11 14	0.12 55	0.08 33	0.10 79	0.08 59	0.06 27	0.12 144	0.12 187	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

fffy	0.09 41	0.08 198	0.10 66	0.16 105	0.07 35	0.13 191	0.17 271	0.13 41	0.12 55	0.08 33	0.09 57	0.08 59	0.09 128	0.13 191	0.11 133	0.05 5	0.05 120	0.07 155	0.05 72	0.04 2	0.05 80

GCAP-BAT	0.09 41	0.07 96	0.14 211	0.15 56	0.08 87	0.10 90	0.12 40	0.15 68	0.11 34	0.11 117	0.10 79	0.09 86	0.07 71	0.12 144	0.10 89	0.06 80	0.05 120	0.06 64	0.04 15	0.04 2	0.04 10

Pointernet	0.09 41	0.05 7	0.10 66	0.16 105	0.08 87	0.13 191	0.10 11	0.15 68	0.18 177	0.09 55	0.07 21	0.06 8	0.06 27	0.11 73	0.10 89	0.08 256	0.04 3	0.05 3	0.03 1	0.06 143	0.05 80

IGEV-BASED-STEREO-	0.09 41	0.10 321	0.32 440	0.15 56	0.06 8	0.08 32	0.14 118	0.11 14	0.10 16	0.07 14	0.07 21	0.06 8	0.04 1	0.11 73	0.07 1	0.12 402	0.04 3	0.07 155	0.05 72	0.05 62	0.05 80

RAFT-Stereo-weight	0.09 41	0.06 35	0.11 103	0.16 105	0.07 35	0.09 54	0.14 118	0.19 173	0.16 140	0.11 117	0.10 79	0.08 59	0.06 27	0.10 34	0.11 133	0.06 80	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

gcap-zeroshot	0.09 41	0.06 35	0.10 66	0.16 105	0.07 35	0.14 230	0.13 72	0.11 14	0.12 55	0.13 175	0.12 120	0.09 86	0.08 103	0.09 19	0.09 35	0.06 80	0.05 120	0.06 64	0.05 72	0.04 2	0.04 10

test_for_model	0.09 41	0.12 363	0.14 211	0.23 424	0.11 342	0.08 32	0.13 72	0.12 27	0.13 82	0.10 84	0.07 21	0.07 39	0.06 27	0.11 73	0.10 89	0.06 80	0.05 120	0.05 3	0.04 15	0.08 273	0.05 80

MGS-Stereo	0.09 41	0.07 96	0.12 137	0.16 105	0.08 87	0.09 54	0.15 187	0.12 27	0.12 55	0.07 14	0.10 79	0.08 59	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.06 143	0.05 80

ff7	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

IGEVStereo-DCA	0.09 41	0.07 96	0.11 103	0.16 105	0.10 290	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.08 59	0.06 27	0.10 34	0.09 35	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

ffff	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

rrr	0.09 41	0.07 96	0.13 170	0.16 105	0.10 290	0.11 126	0.15 187	0.16 92	0.15 118	0.10 84	0.06 4	0.08 59	0.06 27	0.10 34	0.09 35	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

11t	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

MaDis-Stereo	0.09 41	0.09 259	0.08 12	0.17 171	0.09 185	0.14 230	0.11 21	0.16 92	0.16 140	0.09 55	0.11 107	0.06 8	0.06 27	0.09 19	0.13 220	0.07 199	0.06 258	0.08 230	0.05 72	0.05 62	0.04 10

IGEV_Zeroshot_test	0.09 41	0.05 7	0.13 170	0.14 21	0.08 87	0.12 163	0.13 72	0.17 124	0.11 34	0.10 84	0.06 4	0.09 86	0.06 27	0.11 73	0.09 35	0.06 80	0.04 3	0.06 64	0.06 138	0.05 62	0.05 80

MSKI-zero shot	0.09 41	0.05 7	0.09 42	0.16 105	0.07 35	0.10 90	0.13 72	0.15 68	0.14 101	0.09 55	0.09 57	0.09 86	0.06 27	0.12 144	0.11 133	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

UniTT-Stereo	0.09 41	0.07 96	0.08 12	0.18 248	0.08 87	0.13 191	0.11 21	0.12 27	0.11 34	0.10 84	0.12 120	0.05 1	0.06 27	0.09 19	0.10 89	0.07 199	0.06 258	0.05 3	0.05 72	0.06 143	0.05 80

CASnet	0.09 41	0.09 259	0.09 42	0.19 306	0.06 8	0.07 20	0.11 21	0.18 149	0.14 101	0.11 117	0.10 79	0.09 86	0.07 71	0.10 34	0.10 89	0.06 80	0.04 3	0.10 357	0.08 293	0.06 143	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.09 41	0.05 7	0.08 12	0.14 21	0.13 396	0.14 230	0.13 72	0.15 68	0.09 8	0.07 14	0.09 57	0.07 39	0.08 103	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

GCAP-Stereo	0.09 41	0.07 96	0.13 170	0.18 248	0.06 8	0.11 126	0.07 2	0.14 54	0.12 55	0.09 55	0.10 79	0.07 39	0.09 128	0.13 191	0.10 89	0.06 80	0.05 120	0.05 3	0.04 15	0.04 2	0.05 80

RAFT-Test	0.09 41	0.06 35	0.10 66	0.16 105	0.07 35	0.11 126	0.15 187	0.16 92	0.13 82	0.09 55	0.10 79	0.11 133	0.09 128	0.12 144	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.05 80

HH	0.09 41	0.06 35	0.13 170	0.17 171	0.08 87	0.11 126	0.16 245	0.15 68	0.10 16	0.08 33	0.10 79	0.08 59	0.07 71	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

HanStereo	0.09 41	0.06 35	0.13 170	0.17 171	0.08 87	0.11 126	0.16 245	0.15 68	0.10 16	0.08 33	0.10 79	0.08 59	0.07 71	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

anonymousdsp	0.09 41	0.07 96	0.11 103	0.17 171	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

LoS	0.09 41	0.05 7	0.11 103	0.13 8	0.07 35	0.14 230	0.11 21	0.15 68	0.15 118	0.09 55	0.09 57	0.12 154	0.09 128	0.15 233	0.10 89	0.07 199	0.05 120	0.05 3	0.03 1	0.05 62	0.05 80
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 41	0.07 96	0.11 103	0.17 171	0.08 87	0.11 126	0.15 187	0.15 68	0.12 55	0.10 84	0.06 4	0.07 39	0.06 27	0.11 73	0.09 35	0.05 5	0.05 120	0.06 64	0.05 72	0.04 2	0.06 152

MC-Stereo	0.09 41	0.07 96	0.09 42	0.17 171	0.06 8	0.10 90	0.14 118	0.12 27	0.11 34	0.09 55	0.12 120	0.09 86	0.06 27	0.11 73	0.10 89	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

RCA-Stereo	0.09 41	0.06 35	0.09 42	0.16 105	0.06 8	0.09 54	0.13 72	0.18 149	0.14 101	0.10 84	0.11 107	0.08 59	0.07 71	0.12 144	0.11 133	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

CroCo-Stereo Lap2	0.09 41	0.09 259	0.08 12	0.22 405	0.09 185	0.09 54	0.18 316	0.16 92	0.12 55	0.09 55	0.10 79	0.05 1	0.05 7	0.08 11	0.08 14	0.06 80	0.06 258	0.07 155	0.05 72	0.06 143	0.05 80

ccc-4	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

IGEV-Stereo	0.09 41	0.07 96	0.11 103	0.17 171	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 41	0.05 7	0.13 170	0.14 21	0.09 185	0.12 163	0.15 187	0.19 173	0.11 34	0.11 117	0.08 42	0.08 59	0.05 7	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.06 143	0.05 80

test-3	0.09 41	0.06 35	0.10 66	0.18 248	0.07 35	0.07 20	0.14 118	0.12 27	0.16 140	0.10 84	0.08 42	0.08 59	0.08 103	0.11 73	0.10 89	0.05 5	0.04 3	0.07 155	0.05 72	0.04 2	0.04 10

test_1	0.09 41	0.06 35	0.10 66	0.18 248	0.07 35	0.07 20	0.14 118	0.12 27	0.16 140	0.10 84	0.08 42	0.08 59	0.08 103	0.11 73	0.10 89	0.05 5	0.04 3	0.07 155	0.05 72	0.04 2	0.04 10

CroCo-Stereo	0.09 41	0.08 198	0.08 12	0.22 405	0.09 185	0.09 54	0.18 316	0.16 92	0.12 55	0.07 14	0.07 21	0.08 59	0.06 27	0.08 11	0.07 1	0.07 199	0.05 120	0.06 64	0.04 15	0.05 62	0.04 10
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 41	0.04 1	0.08 12	0.13 8	0.06 8	0.11 126	0.13 72	0.15 68	0.19 198	0.11 117	0.15 159	0.10 113	0.07 71	0.12 144	0.09 35	0.07 199	0.05 120	0.05 3	0.04 15	0.06 143	0.05 80

XX-TBD	0.09 41	0.06 35	0.07 2	0.14 21	0.07 35	0.13 191	0.16 245	0.14 54	0.14 101	0.11 117	0.12 120	0.09 86	0.08 103	0.10 34	0.10 89	0.06 80	0.04 3	0.05 3	0.04 15	0.06 143	0.05 80

raftrobust	0.09 41	0.06 35	0.11 103	0.17 171	0.08 87	0.09 54	0.10 11	0.18 149	0.16 140	0.10 84	0.09 57	0.12 154	0.08 103	0.12 144	0.10 89	0.08 256	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

XX-Stereo	0.09 41	0.05 7	0.09 42	0.17 171	0.09 185	0.15 255	0.12 40	0.21 202	0.10 16	0.10 84	0.14 147	0.07 39	0.06 27	0.13 191	0.08 14	0.06 80	0.05 120	0.06 64	0.06 138	0.04 2	0.04 10

test_xeample3	0.09 41	0.07 96	0.12 137	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.14 101	0.10 84	0.07 21	0.08 59	0.06 27	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

RAFT-Stereo + iAFF	0.09 41	0.06 35	0.10 66	0.17 171	0.07 35	0.10 90	0.15 187	0.17 124	0.15 118	0.10 84	0.10 79	0.08 59	0.09 128	0.12 144	0.10 89	0.05 5	0.04 3	0.06 64	0.06 138	0.04 2	0.03 1

AFF-stereo	0.09 41	0.07 96	0.10 66	0.17 171	0.07 35	0.10 90	0.15 187	0.18 149	0.10 16	0.10 84	0.11 107	0.09 86	0.10 150	0.12 144	0.10 89	0.05 5	0.04 3	0.07 155	0.07 227	0.04 2	0.04 10

EAI-Stereo	0.09 41	0.07 96	0.11 103	0.16 105	0.07 35	0.10 90	0.15 187	0.16 92	0.09 8	0.08 33	0.09 57	0.08 59	0.07 71	0.09 19	0.11 133	0.05 5	0.05 120	0.05 3	0.05 72	0.05 62	0.04 10

CFNet-RSSM	0.09 41	0.07 96	0.10 66	0.16 105	0.07 35	0.09 54	0.15 187	0.17 124	0.18 177	0.08 33	0.12 120	0.11 133	0.09 128	0.12 144	0.10 89	0.06 80	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

Gwc-CoAtRS	0.09 41	0.07 96	0.10 66	0.16 105	0.07 35	0.10 90	0.15 187	0.18 149	0.17 163	0.08 33	0.10 79	0.12 154	0.09 128	0.12 144	0.09 35	0.06 80	0.04 3	0.06 64	0.04 15	0.04 2	0.05 80

CREStereo	0.09 41	0.05 7	0.08 12	0.11 1	0.06 8	0.14 230	0.14 118	0.14 54	0.10 16	0.09 55	0.13 134	0.09 86	0.08 103	0.12 144	0.10 89	0.08 256	0.04 3	0.05 3	0.03 1	0.06 143	0.06 152
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	0.09 41	0.05 7	0.09 42	0.12 4	0.06 8	0.13 191	0.14 118	0.16 92	0.11 34	0.09 55	0.13 134	0.10 113	0.07 71	0.14 215	0.10 89	0.15 442	0.04 3	0.05 3	0.03 1	0.07 210	0.06 152

MM-Stereo_test3	0.10 97	0.07 96	0.07 2	0.18 248	0.07 35	0.12 163	0.19 358	0.24 266	0.19 198	0.06 4	0.10 79	0.08 59	0.06 27	0.11 73	0.09 35	0.06 80	0.06 258	0.07 155	0.05 72	0.05 62	0.04 10

MM-Stereo_test1	0.10 97	0.07 96	0.09 42	0.18 248	0.07 35	0.12 163	0.18 316	0.21 202	0.20 217	0.09 55	0.11 107	0.08 59	0.06 27	0.10 34	0.10 89	0.06 80	0.05 120	0.07 155	0.06 138	0.05 62	0.04 10

AIO-test2	0.10 97	0.08 198	0.10 66	0.23 424	0.09 185	0.11 126	0.11 21	0.23 243	0.24 273	0.08 33	0.09 57	0.08 59	0.05 7	0.10 34	0.08 14	0.06 80	0.05 120	0.08 230	0.09 336	0.05 62	0.05 80

AIO-test1	0.10 97	0.07 96	0.11 103	0.24 434	0.07 35	0.09 54	0.13 72	0.22 225	0.15 118	0.11 117	0.12 120	0.09 86	0.07 71	0.11 73	0.09 35	0.06 80	0.05 120	0.09 312	0.10 370	0.04 2	0.07 223

tg	0.10 97	0.06 35	0.10 66	0.18 248	0.08 87	0.11 126	0.16 245	0.20 186	0.12 55	0.08 33	0.11 107	0.11 133	0.07 71	0.11 73	0.10 89	0.05 5	0.04 3	0.08 230	0.08 293	0.04 2	0.04 10

PAM_32	0.10 97	0.06 35	0.17 311	0.15 56	0.08 87	0.10 90	0.15 187	0.14 54	0.16 140	0.09 55	0.08 42	0.10 113	0.07 71	0.14 215	0.09 35	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

PAM	0.10 97	0.06 35	0.17 311	0.15 56	0.09 185	0.10 90	0.16 245	0.15 68	0.16 140	0.12 147	0.09 57	0.10 113	0.07 71	0.13 191	0.09 35	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

UGAM-zero	0.10 97	0.05 7	0.15 247	0.15 56	0.08 87	0.10 90	0.13 72	0.20 186	0.15 118	0.11 117	0.15 159	0.07 39	0.08 103	0.09 19	0.10 89	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

model_zeroshot	0.10 97	0.05 7	0.12 137	0.15 56	0.09 185	0.13 191	0.14 118	0.20 186	0.14 101	0.11 117	0.10 79	0.12 154	0.07 71	0.12 144	0.11 133	0.07 199	0.06 258	0.06 64	0.05 72	0.06 143	0.06 152

RAStereo	0.10 97	0.09 259	0.08 12	0.20 355	0.08 87	0.13 191	0.18 316	0.16 92	0.17 163	0.10 84	0.12 120	0.05 1	0.06 27	0.09 19	0.08 14	0.07 199	0.05 120	0.07 155	0.05 72	0.05 62	0.04 10

rvit_stereo_0080	0.10 97	0.08 198	0.15 247	0.15 56	0.10 290	0.07 20	0.15 187	0.16 92	0.16 140	0.11 117	0.10 79	0.15 221	0.09 128	0.12 144	0.10 89	0.09 308	0.07 326	0.07 155	0.06 138	0.07 210	0.05 80

testlalala2	0.10 97	0.06 35	0.11 103	0.20 355	0.10 290	0.10 90	0.11 21	0.17 124	0.13 82	0.12 147	0.13 134	0.09 86	0.08 103	0.11 73	0.13 220	0.06 80	0.05 120	0.05 3	0.04 15	0.05 62	0.05 80

H2IRNET	0.10 97	0.09 259	0.10 66	0.18 248	0.09 185	0.12 163	0.15 187	0.14 54	0.21 231	0.10 84	0.10 79	0.10 113	0.11 178	0.10 34	0.10 89	0.06 80	0.04 3	0.08 230	0.08 293	0.06 143	0.05 80

MyStereo07	0.10 97	0.07 96	0.10 66	0.17 171	0.09 185	0.14 230	0.17 271	0.15 68	0.15 118	0.09 55	0.06 4	0.06 8	0.07 71	0.12 144	0.09 35	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

MyStereo06	0.10 97	0.07 96	0.12 137	0.17 171	0.09 185	0.13 191	0.18 316	0.19 173	0.12 55	0.13 175	0.08 42	0.07 39	0.07 71	0.11 73	0.09 35	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

AE-Stereo	0.10 97	0.08 198	0.11 103	0.19 306	0.09 185	0.10 90	0.15 187	0.14 54	0.20 217	0.09 55	0.15 159	0.12 154	0.08 103	0.11 73	0.10 89	0.05 5	0.06 258	0.07 155	0.06 138	0.05 62	0.04 10

ACVNet-DCA	0.10 97	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.24 266	0.16 140	0.09 55	0.09 57	0.06 8	0.06 27	0.10 34	0.07 1	0.06 80	0.05 120	0.06 64	0.05 72	0.07 210	0.07 223

cc1	0.10 97	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.16 92	0.18 177	0.09 55	0.09 57	0.06 8	0.06 27	0.10 34	0.07 1	0.06 80	0.05 120	0.06 64	0.05 72	0.06 143	0.06 152

tt1	0.10 97	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.15 68	0.19 198	0.09 55	0.08 42	0.06 8	0.06 27	0.10 34	0.08 14	0.06 80	0.05 120	0.06 64	0.05 72	0.06 143	0.06 152

whm_eth	0.10 97	0.08 198	0.15 247	0.15 56	0.10 290	0.07 20	0.15 187	0.16 92	0.16 140	0.11 117	0.10 79	0.15 221	0.09 128	0.12 144	0.10 89	0.09 308	0.07 326	0.07 155	0.06 138	0.07 210	0.05 80

MIM_Stereo	0.10 97	0.07 96	0.11 103	0.15 56	0.07 35	0.07 20	0.12 40	0.20 186	0.14 101	0.13 175	0.14 147	0.09 86	0.05 7	0.12 144	0.08 14	0.05 5	0.06 258	0.07 155	0.06 138	0.06 143	0.05 80

testlalala_base	0.10 97	0.09 259	0.14 211	0.21 385	0.08 87	0.10 90	0.14 118	0.13 41	0.11 34	0.08 33	0.15 159	0.07 39	0.08 103	0.11 73	0.12 187	0.08 256	0.05 120	0.05 3	0.03 1	0.07 210	0.05 80

Any-RAFT	0.10 97	0.05 7	0.10 66	0.15 56	0.07 35	0.13 191	0.14 118	0.21 202	0.15 118	0.11 117	0.12 120	0.13 177	0.10 150	0.13 191	0.10 89	0.07 199	0.04 3	0.05 3	0.04 15	0.06 143	0.05 80

4D-IteraStereo	0.10 97	0.07 96	0.10 66	0.18 248	0.07 35	0.09 54	0.15 187	0.18 149	0.15 118	0.10 84	0.11 107	0.10 113	0.07 71	0.12 144	0.09 35	0.05 5	0.03 1	0.08 230	0.07 227	0.06 143	0.05 80

fff	0.10 97	0.06 35	0.12 137	0.15 56	0.07 35	0.09 54	0.17 271	0.16 92	0.21 231	0.13 175	0.17 194	0.10 113	0.11 178	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

ADStereo(finetuned)	0.10 97	0.06 35	0.13 170	0.16 105	0.06 8	0.09 54	0.17 271	0.16 92	0.20 217	0.13 175	0.18 217	0.10 113	0.12 207	0.12 144	0.12 187	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.05 80

TRStereo	0.10 97	0.05 7	0.12 137	0.16 105	0.12 371	0.10 90	0.13 72	0.18 149	0.19 198	0.09 55	0.09 57	0.09 86	0.07 71	0.10 34	0.08 14	0.07 199	0.05 120	0.07 155	0.07 227	0.04 2	0.04 10

STrans-v2	0.10 97	0.07 96	0.13 170	0.18 248	0.08 87	0.10 90	0.14 118	0.22 225	0.11 34	0.11 117	0.15 159	0.12 154	0.10 150	0.11 73	0.12 187	0.05 5	0.04 3	0.06 64	0.06 138	0.05 62	0.05 80

TransformOpticalFlow	0.10 97	0.08 198	0.13 170	0.18 248	0.07 35	0.09 54	0.15 187	0.19 173	0.16 140	0.12 147	0.16 175	0.11 133	0.11 178	0.11 73	0.11 133	0.05 5	0.04 3	0.06 64	0.06 138	0.05 62	0.05 80

AnonymousM	0.10 97	0.06 35	0.10 66	0.14 21	0.07 35	0.09 54	0.13 72	0.19 173	0.14 101	0.13 175	0.12 120	0.09 86	0.08 103	0.13 191	0.10 89	0.08 256	0.05 120	0.08 230	0.05 72	0.05 62	0.05 80

cross-raft	0.10 97	0.09 259	0.09 42	0.19 306	0.07 35	0.11 126	0.24 422	0.13 41	0.15 118	0.08 33	0.10 79	0.12 154	0.10 150	0.09 19	0.11 133	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

test-1	0.10 97	0.07 96	0.17 311	0.19 306	0.08 87	0.11 126	0.24 422	0.15 68	0.18 177	0.09 55	0.07 21	0.10 113	0.08 103	0.08 11	0.09 35	0.06 80	0.04 3	0.06 64	0.06 138	0.04 2	0.05 80

iRaftStereo_RVC	0.10 97	0.07 96	0.10 66	0.17 171	0.09 185	0.11 126	0.17 271	0.18 149	0.12 55	0.09 55	0.11 107	0.10 113	0.07 71	0.11 73	0.10 89	0.05 5	0.04 3	0.08 230	0.08 293	0.04 2	0.04 10

s12784h	0.10 97	0.06 35	0.08 12	0.15 56	0.05 1	0.16 283	0.18 316	0.16 92	0.15 118	0.10 84	0.11 107	0.11 133	0.11 178	0.11 73	0.12 187	0.05 5	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

DCANet	0.10 97	0.06 35	0.12 137	0.16 105	0.06 8	0.09 54	0.17 271	0.16 92	0.20 217	0.13 175	0.18 217	0.10 113	0.11 178	0.11 73	0.12 187	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.05 80

csc	0.10 97	0.06 35	0.12 137	0.15 56	0.07 35	0.09 54	0.17 271	0.16 92	0.21 231	0.13 175	0.17 194	0.10 113	0.11 178	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

cscssc	0.10 97	0.06 35	0.12 137	0.15 56	0.07 35	0.09 54	0.17 271	0.16 92	0.21 231	0.13 175	0.17 194	0.10 113	0.11 178	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

R-Stereo Train	0.10 97	0.06 35	0.11 103	0.17 171	0.08 87	0.11 126	0.14 118	0.24 266	0.11 34	0.12 147	0.19 231	0.11 133	0.08 103	0.10 34	0.11 133	0.07 199	0.05 120	0.06 64	0.05 72	0.05 62	0.05 80

RAFT-Stereo	0.10 97	0.06 35	0.11 103	0.17 171	0.08 87	0.11 126	0.14 118	0.24 266	0.11 34	0.12 147	0.19 231	0.11 133	0.08 103	0.10 34	0.11 133	0.07 199	0.05 120	0.06 64	0.05 72	0.05 62	0.05 80
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HI	0.11 136	0.06 35	0.12 137	0.13 8	0.09 185	0.09 54	0.14 118	0.22 225	0.11 34	0.20 329	0.17 194	0.14 196	0.10 150	0.16 260	0.09 35	0.05 5	0.04 3	0.07 155	0.08 293	0.07 210	0.06 152

CoSv	0.11 136	0.06 35	0.12 137	0.13 8	0.09 185	0.09 54	0.14 118	0.22 225	0.11 34	0.20 329	0.17 194	0.14 196	0.10 150	0.16 260	0.09 35	0.05 5	0.04 3	0.07 155	0.08 293	0.07 210	0.06 152

rvit_stereo_0081	0.11 136	0.08 198	0.16 288	0.16 105	0.09 185	0.11 126	0.14 118	0.14 54	0.24 273	0.11 117	0.13 134	0.14 196	0.09 128	0.11 73	0.12 187	0.10 345	0.07 326	0.08 230	0.07 227	0.07 210	0.06 152

rvit_stereo_0082	0.11 136	0.08 198	0.16 288	0.16 105	0.09 185	0.11 126	0.14 118	0.14 54	0.24 273	0.11 117	0.13 134	0.14 196	0.09 128	0.11 73	0.12 187	0.10 345	0.07 326	0.08 230	0.07 227	0.07 210	0.06 152

AIO-Stereo-zeroshot1	0.11 136	0.05 7	0.14 211	0.16 105	0.21 469	0.09 54	0.17 271	0.21 202	0.16 140	0.11 117	0.15 159	0.10 113	0.07 71	0.10 34	0.08 14	0.06 80	0.05 120	0.07 155	0.07 227	0.07 210	0.09 336

AIO-Stereo-zeroshot	0.11 136	0.05 7	0.12 137	0.15 56	0.13 396	0.14 230	0.16 245	0.23 243	0.18 177	0.10 84	0.13 134	0.10 113	0.07 71	0.12 144	0.09 35	0.06 80	0.05 120	0.06 64	0.06 138	0.07 210	0.08 292

CAS++	0.11 136	0.07 96	0.11 103	0.14 21	0.10 290	0.13 191	0.14 118	0.24 266	0.14 101	0.11 117	0.09 57	0.11 133	0.07 71	0.14 215	0.09 35	0.11 376	0.09 381	0.09 312	0.07 227	0.07 210	0.08 292
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
Former-RAFT_DAM_RVC	0.11 136	0.08 198	0.13 170	0.16 105	0.08 87	0.15 255	0.16 245	0.18 149	0.19 198	0.10 84	0.09 57	0.09 86	0.08 103	0.11 73	0.12 187	0.07 199	0.05 120	0.08 230	0.06 138	0.07 210	0.06 152

xx1	0.11 136	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.16 92	0.18 177	0.09 55	0.09 57	0.16 240	0.16 311	0.10 34	0.07 1	0.06 80	0.05 120	0.08 230	0.08 293	0.07 210	0.07 223

1test111	0.11 136	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.24 266	0.16 140	0.09 55	0.09 57	0.06 8	0.06 27	0.15 233	0.16 309	0.06 80	0.05 120	0.06 64	0.05 72	0.07 210	0.07 223

plain	0.11 136	0.09 259	0.10 66	0.19 306	0.09 185	0.11 126	0.14 118	0.14 54	0.13 82	0.13 175	0.15 159	0.09 86	0.12 207	0.13 191	0.12 187	0.07 199	0.05 120	0.09 312	0.06 138	0.06 143	0.06 152

MIF-Stereo (partial)	0.11 136	0.06 35	0.10 66	0.19 306	0.10 290	0.10 90	0.12 40	0.17 124	0.19 198	0.14 198	0.16 175	0.10 113	0.11 178	0.12 144	0.12 187	0.08 256	0.05 120	0.08 230	0.07 227	0.06 143	0.07 223

EKT-Stereo	0.11 136	0.07 96	0.14 211	0.16 105	0.10 290	0.13 191	0.14 118	0.19 173	0.21 231	0.11 117	0.08 42	0.13 177	0.10 150	0.11 73	0.12 187	0.08 256	0.06 258	0.07 155	0.06 138	0.08 273	0.07 223

LL-Strereo2	0.11 136	0.10 321	0.16 288	0.18 248	0.08 87	0.15 255	0.09 6	0.17 124	0.14 101	0.14 198	0.11 107	0.09 86	0.07 71	0.16 260	0.10 89	0.05 5	0.05 120	0.11 387	0.07 227	0.06 143	0.05 80

anonymousdsp2	0.11 136	0.07 96	0.11 103	0.16 105	0.09 185	0.13 191	0.14 118	0.19 173	0.23 263	0.13 175	0.14 147	0.12 154	0.09 128	0.14 215	0.11 133	0.05 5	0.05 120	0.05 3	0.04 15	0.06 143	0.06 152

DCRE	0.11 136	0.07 96	0.13 170	0.16 105	0.11 342	0.11 126	0.17 271	0.18 149	0.17 163	0.11 117	0.18 217	0.11 133	0.10 150	0.15 233	0.11 133	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.05 80

knoymous	0.11 136	0.06 35	0.12 137	0.14 21	0.07 35	0.15 255	0.13 72	0.20 186	0.14 101	0.11 117	0.17 194	0.13 177	0.09 128	0.14 215	0.11 133	0.09 308	0.05 120	0.06 64	0.05 72	0.07 210	0.07 223

riskmin	0.11 136	0.06 35	0.13 170	0.14 21	0.08 87	0.14 230	0.14 118	0.18 149	0.15 118	0.12 147	0.15 159	0.17 257	0.11 178	0.14 215	0.12 187	0.09 308	0.05 120	0.07 155	0.05 72	0.08 273	0.08 292

Selective-RAFT	0.11 136	0.11 345	0.12 137	0.21 385	0.08 87	0.16 283	0.13 72	0.21 202	0.23 263	0.10 84	0.10 79	0.11 133	0.10 150	0.15 233	0.11 133	0.05 5	0.05 120	0.06 64	0.05 72	0.06 143	0.05 80

DCANet-4	0.11 136	0.07 96	0.13 170	0.16 105	0.06 8	0.09 54	0.17 271	0.18 149	0.20 217	0.13 175	0.17 194	0.09 86	0.14 269	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

DisPM	0.11 136	0.07 96	0.13 170	0.16 105	0.09 185	0.06 6	0.13 72	0.18 149	0.17 163	0.14 198	0.19 231	0.12 154	0.10 150	0.12 144	0.11 133	0.07 199	0.05 120	0.07 155	0.06 138	0.06 143	0.11 384

test_4	0.11 136	0.10 321	0.08 12	0.19 306	0.09 185	0.08 32	0.21 391	0.15 68	0.18 177	0.12 147	0.18 217	0.12 154	0.09 128	0.08 11	0.11 133	0.04 1	0.04 3	0.08 230	0.08 293	0.04 2	0.04 10

CIPLG	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.13 191	0.15 187	0.17 124	0.16 140	0.14 198	0.11 107	0.16 240	0.10 150	0.17 299	0.12 187	0.07 199	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

GLC_STEREO	0.11 136	0.07 96	0.11 103	0.18 248	0.07 35	0.08 32	0.13 72	0.16 92	0.24 273	0.12 147	0.13 134	0.12 154	0.08 103	0.18 315	0.12 187	0.06 80	0.08 357	0.08 230	0.06 138	0.05 62	0.05 80

IPLG	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.11 126	0.14 118	0.20 186	0.15 118	0.13 175	0.18 217	0.07 39	0.07 71	0.14 215	0.14 256	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

IPLGR_C	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.12 163	0.15 187	0.17 124	0.15 118	0.14 198	0.11 107	0.16 240	0.10 150	0.16 260	0.12 187	0.07 199	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

MIPNet	0.11 136	0.08 198	0.15 247	0.17 171	0.09 185	0.12 163	0.14 118	0.21 202	0.25 297	0.12 147	0.10 79	0.09 86	0.07 71	0.13 191	0.13 220	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

IPLGR	0.11 136	0.09 259	0.17 311	0.18 248	0.08 87	0.13 191	0.16 245	0.21 202	0.24 273	0.12 147	0.12 120	0.11 133	0.09 128	0.13 191	0.12 187	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.04 10

GMOStereo	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 456	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

error version	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 456	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

test-v	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 456	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

ACRE	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.13 191	0.15 187	0.17 124	0.14 101	0.14 198	0.11 107	0.16 240	0.10 150	0.16 260	0.12 187	0.07 199	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

test_3	0.11 136	0.09 259	0.10 66	0.21 385	0.08 87	0.13 191	0.25 439	0.14 54	0.21 231	0.10 84	0.10 79	0.09 86	0.10 150	0.08 11	0.11 133	0.05 5	0.04 3	0.08 230	0.07 227	0.04 2	0.04 10

LCNet	0.11 136	0.07 96	0.09 42	0.19 306	0.09 185	0.08 32	0.14 118	0.21 202	0.15 118	0.12 147	0.15 159	0.16 240	0.11 178	0.12 144	0.11 133	0.05 5	0.04 3	0.08 230	0.07 227	0.06 143	0.14 431

HHNet	0.11 136	0.06 35	0.16 288	0.15 56	0.14 412	0.07 20	0.13 72	0.20 186	0.18 177	0.15 222	0.25 314	0.11 133	0.09 128	0.13 191	0.10 89	0.06 80	0.04 3	0.08 230	0.06 138	0.05 62	0.09 336

Patchmatch Stereo++	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 136	0.07 96	0.14 211	0.18 248	0.08 87	0.09 54	0.12 40	0.21 202	0.21 231	0.13 175	0.14 147	0.11 133	0.12 207	0.11 73	0.13 220	0.06 80	0.05 120	0.07 155	0.06 138	0.05 62	0.04 10

IIG-Stereo	0.11 136	0.06 35	0.13 170	0.17 171	0.08 87	0.11 126	0.12 40	0.22 225	0.18 177	0.14 198	0.17 194	0.12 154	0.13 238	0.12 144	0.13 220	0.06 80	0.05 120	0.07 155	0.06 138	0.06 143	0.05 80

NF-Stereo	0.11 136	0.07 96	0.13 170	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.12 403

OCTAStereo	0.11 136	0.07 96	0.14 211	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.11 384

NRIStereo	0.11 136	0.08 198	0.15 247	0.18 248	0.08 87	0.10 90	0.13 72	0.17 124	0.15 118	0.12 147	0.15 159	0.13 177	0.13 238	0.13 191	0.10 89	0.06 80	0.04 3	0.07 155	0.06 138	0.06 143	0.07 223

PSM-adaLoss	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.12 40	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

PSM-AAD	0.11 136	0.07 96	0.10 66	0.20 355	0.09 185	0.10 90	0.14 118	0.21 202	0.13 82	0.12 147	0.14 147	0.18 271	0.11 178	0.11 73	0.10 89	0.05 5	0.05 120	0.09 312	0.08 293	0.06 143	0.14 431

ROB_FTStereo_v2	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.12 40	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

ROB_FTStereo	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

HUI-Stereo	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

ASMatch	0.11 136	0.06 35	0.13 170	0.17 171	0.10 290	0.08 32	0.14 118	0.18 149	0.16 140	0.12 147	0.16 175	0.16 240	0.11 178	0.13 191	0.11 133	0.05 5	0.04 3	0.06 64	0.06 138	0.04 2	0.09 336

SST-Stereo	0.11 136	0.07 96	0.16 288	0.18 248	0.09 185	0.06 6	0.12 40	0.18 149	0.10 16	0.15 222	0.18 217	0.13 177	0.12 207	0.10 34	0.11 133	0.06 80	0.04 3	0.09 312	0.06 138	0.07 210	0.06 152

RAFT_R40	0.11 136	0.07 96	0.15 247	0.18 248	0.09 185	0.06 6	0.13 72	0.17 124	0.15 118	0.14 198	0.18 217	0.15 221	0.12 207	0.10 34	0.11 133	0.06 80	0.04 3	0.09 312	0.06 138	0.06 143	0.05 80

GrayStereo	0.11 136	0.06 35	0.11 103	0.19 306	0.09 185	0.09 54	0.16 245	0.18 149	0.17 163	0.14 198	0.17 194	0.17 257	0.11 178	0.12 144	0.11 133	0.05 5	0.05 120	0.07 155	0.06 138	0.06 143	0.10 362

RE-Stereo	0.11 136	0.07 96	0.13 170	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.11 384

Pruner-Stereo	0.11 136	0.07 96	0.12 137	0.17 171	0.09 185	0.06 6	0.12 40	0.18 149	0.17 163	0.14 198	0.19 231	0.13 177	0.10 150	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.06 143	0.08 292

TVStereo	0.11 136	0.07 96	0.13 170	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.11 384

DeepStereo_RVC	0.11 136	0.08 198	0.17 311	0.18 248	0.08 87	0.08 32	0.11 21	0.17 124	0.12 55	0.13 175	0.15 159	0.12 154	0.12 207	0.12 144	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.08 292

iGMRVC	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.12 40	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

RAFT-345	0.11 136	0.07 96	0.16 288	0.17 171	0.08 87	0.08 32	0.12 40	0.16 92	0.10 16	0.11 117	0.34 404	0.09 86	0.10 150	0.11 73	0.12 187	0.05 5	0.05 120	0.07 155	0.06 138	0.04 2	0.05 80

iRAFT	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

CRE-IMP	0.11 136	0.09 259	0.16 288	0.19 306	0.09 185	0.10 90	0.12 40	0.18 149	0.10 16	0.14 198	0.14 147	0.14 196	0.13 238	0.12 144	0.12 187	0.07 199	0.04 3	0.08 230	0.06 138	0.08 273	0.08 292

test-2	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 456	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

GMM-Stereo	0.11 136	0.07 96	0.10 66	0.18 248	0.09 185	0.08 32	0.14 118	0.24 266	0.16 140	0.11 117	0.15 159	0.13 177	0.11 178	0.11 73	0.11 133	0.05 5	0.04 3	0.08 230	0.07 227	0.06 143	0.09 336

RAFT-IKP	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

Prome-Stereo	0.11 136	0.07 96	0.11 103	0.18 248	0.09 185	0.12 163	0.14 118	0.23 243	0.13 82	0.13 175	0.16 175	0.13 177	0.08 103	0.12 144	0.10 89	0.05 5	0.05 120	0.07 155	0.06 138	0.06 143	0.10 362

rafts_anoy	0.11 136	0.06 35	0.10 66	0.17 171	0.08 87	0.10 90	0.14 118	0.18 149	0.14 101	0.13 175	0.13 134	0.12 154	0.11 178	0.11 73	0.13 220	0.07 199	0.05 120	0.09 312	0.11 399	0.07 210	0.06 152

raft+_RVC	0.11 136	0.07 96	0.09 42	0.16 105	0.07 35	0.10 90	0.11 21	0.24 266	0.20 217	0.12 147	0.15 159	0.12 154	0.08 103	0.12 144	0.13 220	0.07 199	0.04 3	0.07 155	0.06 138	0.05 62	0.05 80

RALCasStereoNet	0.11 136	0.07 96	0.09 42	0.16 105	0.08 87	0.13 191	0.14 118	0.17 124	0.11 34	0.12 147	0.17 194	0.14 196	0.10 150	0.12 144	0.11 133	0.07 199	0.06 258	0.06 64	0.05 72	0.08 273	0.07 223

RALAANet	0.11 136	0.08 198	0.10 66	0.17 171	0.09 185	0.14 230	0.10 11	0.20 186	0.16 140	0.14 198	0.13 134	0.16 240	0.09 128	0.12 144	0.12 187	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.04 10

111	0.11 136	0.06 35	0.12 137	0.15 56	0.07 35	0.10 90	0.14 118	0.21 202	0.24 273	0.11 117	0.12 120	0.14 196	0.12 207	0.13 191	0.10 89	0.06 80	0.04 3	0.06 64	0.04 15	0.06 143	0.05 80

DIP-Stereo	0.11 136	0.08 198	0.15 247	0.17 171	0.09 185	0.13 191	0.09 6	0.16 92	0.16 140	0.12 147	0.16 175	0.14 196	0.12 207	0.16 260	0.14 256	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.07 223
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.11 136	0.06 35	0.12 137	0.14 21	0.06 8	0.12 163	0.10 11	0.18 149	0.18 177	0.13 175	0.17 194	0.15 221	0.11 178	0.15 233	0.14 256	0.06 80	0.04 3	0.04 1	0.04 15	0.06 143	0.05 80
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
rvit_stereo_0083	0.12 205	0.08 198	0.17 311	0.16 105	0.09 185	0.11 126	0.15 187	0.15 68	0.26 310	0.11 117	0.14 147	0.13 177	0.10 150	0.12 144	0.13 220	0.10 345	0.08 357	0.09 312	0.07 227	0.07 210	0.06 152

rvit_stereo_0081_aga	0.12 205	0.09 259	0.15 247	0.18 248	0.10 290	0.14 230	0.14 118	0.14 54	0.19 198	0.10 84	0.18 217	0.16 240	0.09 128	0.12 144	0.10 89	0.10 345	0.06 258	0.08 230	0.07 227	0.07 210	0.06 152

rvit_stereo_ft	0.12 205	0.07 96	0.13 170	0.19 306	0.10 290	0.12 163	0.17 271	0.16 92	0.16 140	0.13 175	0.13 134	0.15 221	0.10 150	0.14 215	0.13 220	0.10 345	0.06 258	0.08 230	0.07 227	0.07 210	0.06 152

MyStereo8	0.12 205	0.07 96	0.15 247	0.15 56	0.09 185	0.18 322	0.14 118	0.19 173	0.22 253	0.12 147	0.18 217	0.11 133	0.10 150	0.16 260	0.18 338	0.07 199	0.05 120	0.07 155	0.05 72	0.08 273	0.09 336

CoDeX	0.12 205	0.07 96	0.13 170	0.17 171	0.08 87	0.12 163	0.16 245	0.23 243	0.27 322	0.13 175	0.17 194	0.15 221	0.12 207	0.14 215	0.11 133	0.07 199	0.05 120	0.07 155	0.06 138	0.06 143	0.05 80

11t1	0.12 205	0.07 96	0.14 211	0.14 21	0.08 87	0.17 306	0.15 187	0.19 173	0.15 118	0.15 222	0.15 159	0.17 257	0.16 311	0.15 233	0.13 220	0.08 256	0.05 120	0.06 64	0.05 72	0.08 273	0.07 223

ffm	0.12 205	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.15 68	0.19 198	0.15 222	0.26 327	0.19 280	0.13 238	0.10 34	0.08 14	0.06 80	0.05 120	0.09 312	0.08 293	0.06 143	0.06 152

RAFT_CTSACE	0.12 205	0.09 259	0.10 66	0.22 405	0.08 87	0.12 163	0.24 422	0.18 149	0.17 163	0.21 343	0.27 344	0.13 177	0.07 71	0.13 191	0.09 35	0.05 5	0.06 258	0.08 230	0.07 227	0.04 2	0.04 10

Sa-1000	0.12 205	0.08 198	0.09 42	0.18 248	0.08 87	0.15 255	0.22 402	0.22 225	0.19 198	0.15 222	0.20 240	0.17 257	0.11 178	0.10 34	0.10 89	0.06 80	0.05 120	0.09 312	0.09 336	0.05 62	0.05 80

iRaft-Stereo_5w	0.12 205	0.09 259	0.12 137	0.20 355	0.08 87	0.09 54	0.12 40	0.22 225	0.22 253	0.19 308	0.14 147	0.11 133	0.09 128	0.20 358	0.16 309	0.05 5	0.05 120	0.07 155	0.06 138	0.05 62	0.06 152

CrosDoStereo	0.12 205	0.07 96	0.12 137	0.14 21	0.09 185	0.12 163	0.15 187	0.17 124	0.22 253	0.19 308	0.24 287	0.15 221	0.11 178	0.11 73	0.12 187	0.06 80	0.05 120	0.07 155	0.07 227	0.05 62	0.05 80

PFNet+	0.12 205	0.06 35	0.14 211	0.16 105	0.09 185	0.05 3	0.12 40	0.18 149	0.21 231	0.16 249	0.19 231	0.14 196	0.10 150	0.11 73	0.11 133	0.08 256	0.05 120	0.09 312	0.08 293	0.06 143	0.11 384

AAGNet	0.12 205	0.08 198	0.17 311	0.19 306	0.09 185	0.08 32	0.13 72	0.19 173	0.13 82	0.16 249	0.21 257	0.13 177	0.14 269	0.11 73	0.14 256	0.06 80	0.04 3	0.09 312	0.06 138	0.06 143	0.05 80

PSM-softLoss	0.12 205	0.07 96	0.15 247	0.17 171	0.09 185	0.08 32	0.12 40	0.24 266	0.17 163	0.15 222	0.19 231	0.13 177	0.11 178	0.11 73	0.11 133	0.07 199	0.05 120	0.08 230	0.07 227	0.07 210	0.12 403

KMStereo	0.12 205	0.07 96	0.15 247	0.17 171	0.09 185	0.08 32	0.12 40	0.24 266	0.17 163	0.15 222	0.19 231	0.13 177	0.11 178	0.11 73	0.11 133	0.07 199	0.05 120	0.08 230	0.07 227	0.07 210	0.12 403

FTStereo	0.12 205	0.07 96	0.14 211	0.18 248	0.09 185	0.07 20	0.15 187	0.22 225	0.18 177	0.12 147	0.24 287	0.11 133	0.13 238	0.13 191	0.14 256	0.05 5	0.05 120	0.07 155	0.07 227	0.06 143	0.10 362

KYRaft	0.12 205	0.07 96	0.10 66	0.19 306	0.09 185	0.08 32	0.15 187	0.23 243	0.12 55	0.13 175	0.16 175	0.20 297	0.10 150	0.12 144	0.11 133	0.06 80	0.04 3	0.08 230	0.08 293	0.06 143	0.15 445

DeepStereo_LL	0.12 205	0.07 96	0.12 137	0.14 21	0.09 185	0.12 163	0.15 187	0.17 124	0.22 253	0.19 308	0.24 287	0.15 221	0.11 178	0.11 73	0.12 187	0.06 80	0.05 120	0.07 155	0.07 227	0.05 62	0.05 80

DEmStereo	0.12 205	0.06 35	0.14 211	0.14 21	0.10 290	0.16 283	0.15 187	0.16 92	0.24 273	0.17 261	0.23 276	0.12 154	0.14 269	0.12 144	0.14 256	0.05 5	0.04 3	0.07 155	0.06 138	0.05 62	0.05 80

THIR-Stereo	0.12 205	0.07 96	0.11 103	0.15 56	0.08 87	0.14 230	0.16 245	0.18 149	0.25 297	0.17 261	0.24 287	0.13 177	0.13 238	0.12 144	0.14 256	0.06 80	0.05 120	0.07 155	0.07 227	0.05 62	0.05 80

DRaft	0.12 205	0.06 35	0.12 137	0.14 21	0.09 185	0.14 230	0.17 271	0.21 202	0.30 350	0.18 293	0.27 344	0.10 113	0.16 311	0.11 73	0.12 187	0.05 5	0.04 3	0.07 155	0.07 227	0.05 62	0.05 80

PFNet	0.12 205	0.06 35	0.17 311	0.18 248	0.08 87	0.09 54	0.15 187	0.26 298	0.20 217	0.16 249	0.16 175	0.14 196	0.12 207	0.13 191	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.05 62	0.05 80

RAFT-RH_RVC	0.12 205	0.06 35	0.14 211	0.16 105	0.09 185	0.12 163	0.12 40	0.17 124	0.12 55	0.13 175	0.40 434	0.11 133	0.10 150	0.13 191	0.12 187	0.05 5	0.04 3	0.08 230	0.05 72	0.05 62	0.06 152

IRAFT_RVC	0.12 205	0.08 198	0.17 311	0.19 306	0.08 87	0.07 20	0.14 118	0.25 286	0.23 263	0.14 198	0.15 159	0.15 221	0.12 207	0.12 144	0.11 133	0.06 80	0.04 3	0.09 312	0.06 138	0.06 143	0.06 152

sCroCo_RVC	0.12 205	0.09 259	0.24 402	0.24 434	0.11 342	0.19 343	0.14 118	0.17 124	0.15 118	0.10 84	0.13 134	0.12 154	0.07 71	0.14 215	0.11 133	0.08 256	0.08 357	0.08 230	0.08 293	0.05 62	0.07 223

ARAFT	0.12 205	0.08 198	0.18 343	0.19 306	0.09 185	0.15 255	0.17 271	0.20 186	0.13 82	0.12 147	0.13 134	0.14 196	0.12 207	0.15 233	0.13 220	0.06 80	0.05 120	0.10 357	0.09 336	0.06 143	0.04 10

BEATNet_4x	0.12 205	0.09 259	0.15 247	0.18 248	0.07 35	0.15 255	0.07 2	0.23 243	0.19 198	0.16 249	0.19 231	0.19 280	0.14 269	0.17 299	0.15 290	0.07 199	0.05 120	0.05 3	0.05 72	0.06 143	0.07 223

DFGA-Net	0.13 232	0.11 345	0.19 366	0.18 248	0.10 290	0.13 191	0.13 72	0.23 243	0.25 297	0.16 249	0.16 175	0.13 177	0.12 207	0.17 299	0.15 290	0.07 199	0.05 120	0.08 230	0.07 227	0.05 62	0.05 80

FACV-RUCA	0.13 232	0.11 345	0.13 170	0.19 306	0.12 371	0.15 255	0.16 245	0.22 225	0.21 231	0.16 249	0.16 175	0.15 221	0.16 311	0.14 215	0.13 220	0.07 199	0.05 120	0.08 230	0.06 138	0.10 367	0.08 292

UGAM	0.13 232	0.10 321	0.09 42	0.22 405	0.08 87	0.13 191	0.20 375	0.18 149	0.24 273	0.22 356	0.16 175	0.13 177	0.13 238	0.19 340	0.13 220	0.07 199	0.05 120	0.13 420	0.11 399	0.07 210	0.05 80

test_sample2	0.13 232	0.07 96	0.12 137	0.14 21	0.08 87	0.16 283	0.18 316	0.21 202	0.16 140	0.14 198	0.21 257	0.20 297	0.15 289	0.15 233	0.13 220	0.08 256	0.06 258	0.07 155	0.06 138	0.08 273	0.08 292

test_sample1	0.13 232	0.07 96	0.14 211	0.14 21	0.08 87	0.19 343	0.17 271	0.20 186	0.15 118	0.14 198	0.22 272	0.18 271	0.16 311	0.17 299	0.15 290	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.08 292

MyStereo05	0.13 232	0.07 96	0.10 66	0.17 171	0.09 185	0.13 191	0.18 316	0.28 336	0.35 393	0.17 261	0.14 147	0.15 221	0.11 178	0.15 233	0.13 220	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

MyStereo04	0.13 232	0.07 96	0.10 66	0.17 171	0.09 185	0.14 230	0.17 271	0.29 354	0.38 410	0.17 261	0.14 147	0.16 240	0.11 178	0.15 233	0.13 220	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

ff1	0.13 232	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.15 68	0.19 198	0.15 222	0.26 327	0.19 280	0.13 238	0.15 233	0.22 388	0.06 80	0.05 120	0.09 312	0.08 293	0.06 143	0.06 152

LL-Strereo	0.13 232	0.10 321	0.12 137	0.20 355	0.10 290	0.11 126	0.18 316	0.33 398	0.25 297	0.16 249	0.16 175	0.14 196	0.14 269	0.19 340	0.11 133	0.06 80	0.05 120	0.09 312	0.08 293	0.04 2	0.05 80

anonymousa	0.13 232	0.07 96	0.14 211	0.18 248	0.09 185	0.13 191	0.17 271	0.20 186	0.29 344	0.15 222	0.24 287	0.16 240	0.14 269	0.14 215	0.14 256	0.07 199	0.05 120	0.07 155	0.09 336	0.05 62	0.07 223

TestStereo1	0.13 232	0.08 198	0.08 12	0.20 355	0.08 87	0.18 322	0.29 467	0.23 243	0.17 163	0.17 261	0.20 240	0.16 240	0.11 178	0.12 144	0.13 220	0.06 80	0.06 258	0.08 230	0.06 138	0.05 62	0.05 80

qqq	0.13 232	0.09 259	0.15 247	0.16 105	0.08 87	0.13 191	0.15 187	0.24 266	0.16 140	0.15 222	0.19 231	0.16 240	0.16 311	0.15 233	0.16 309	0.07 199	0.06 258	0.08 230	0.08 293	0.07 210	0.07 223

x	0.13 232	0.08 198	0.15 247	0.14 21	0.08 87	0.19 343	0.14 118	0.22 225	0.21 231	0.15 222	0.20 240	0.20 297	0.18 346	0.18 315	0.18 338	0.07 199	0.05 120	0.06 64	0.06 138	0.07 210	0.07 223

raft_robust	0.13 232	0.10 321	0.07 2	0.18 248	0.08 87	0.13 191	0.24 422	0.29 354	0.34 380	0.20 329	0.20 240	0.15 221	0.10 150	0.11 73	0.12 187	0.05 5	0.05 120	0.07 155	0.07 227	0.05 62	0.04 10

RAFT+CT+SA	0.13 232	0.11 345	0.09 42	0.19 306	0.09 185	0.15 255	0.28 456	0.22 225	0.22 253	0.15 222	0.26 327	0.10 113	0.10 150	0.11 73	0.12 187	0.05 5	0.04 3	0.07 155	0.08 293	0.07 210	0.06 152

SA-5K	0.13 232	0.08 198	0.08 12	0.20 355	0.08 87	0.18 322	0.29 467	0.23 243	0.17 163	0.17 261	0.20 240	0.16 240	0.11 178	0.12 144	0.13 220	0.06 80	0.06 258	0.08 230	0.06 138	0.05 62	0.05 80

SA	0.13 232	0.09 259	0.09 42	0.18 248	0.08 87	0.12 163	0.24 422	0.23 243	0.19 198	0.17 261	0.27 344	0.15 221	0.11 178	0.11 73	0.11 133	0.05 5	0.05 120	0.09 312	0.08 293	0.05 62	0.05 80

GwcNet-ADL	0.13 232	0.08 198	0.14 211	0.20 355	0.09 185	0.12 163	0.20 375	0.30 364	0.25 297	0.14 198	0.14 147	0.18 271	0.14 269	0.13 191	0.15 290	0.07 199	0.05 120	0.06 64	0.05 72	0.07 210	0.06 152

GANet-ADL	0.13 232	0.07 96	0.15 247	0.17 171	0.10 290	0.19 343	0.15 187	0.30 364	0.21 231	0.13 175	0.18 217	0.19 280	0.13 238	0.16 260	0.14 256	0.08 256	0.06 258	0.06 64	0.05 72	0.07 210	0.08 292

RAFT	0.13 232	0.09 259	0.11 103	0.18 248	0.08 87	0.15 255	0.23 412	0.21 202	0.20 217	0.21 343	0.21 257	0.18 271	0.13 238	0.17 299	0.10 89	0.06 80	0.07 326	0.10 357	0.09 336	0.06 143	0.05 80

sAnonymous2	0.13 232	0.12 363	0.25 405	0.20 355	0.12 371	0.18 322	0.14 118	0.27 312	0.21 231	0.11 117	0.12 120	0.13 177	0.08 103	0.11 73	0.11 133	0.09 308	0.05 120	0.08 230	0.06 138	0.15 443	0.10 362

CroCo_RVC	0.13 232	0.12 363	0.25 405	0.20 355	0.12 371	0.18 322	0.14 118	0.27 312	0.21 231	0.11 117	0.12 120	0.13 177	0.08 103	0.11 73	0.11 133	0.09 308	0.05 120	0.08 230	0.06 138	0.15 443	0.10 362

RAFT + AFF	0.13 232	0.08 198	0.21 380	0.20 355	0.10 290	0.14 230	0.23 412	0.27 312	0.21 231	0.12 147	0.10 79	0.12 154	0.10 150	0.16 260	0.12 187	0.08 256	0.07 326	0.09 312	0.09 336	0.06 143	0.09 336

GMStereo	0.13 232	0.15 412	0.14 211	0.18 248	0.09 185	0.16 283	0.16 245	0.20 186	0.25 297	0.17 261	0.17 194	0.11 133	0.11 178	0.16 260	0.13 220	0.07 199	0.06 258	0.06 64	0.06 138	0.07 210	0.06 152
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 232	0.07 96	0.15 247	0.17 171	0.09 185	0.15 255	0.16 245	0.28 336	0.27 322	0.14 198	0.18 217	0.12 154	0.13 238	0.14 215	0.11 133	0.08 256	0.05 120	0.07 155	0.07 227	0.07 210	0.06 152

FENet	0.13 232	0.08 198	0.13 170	0.16 105	0.08 87	0.15 255	0.16 245	0.23 243	0.23 263	0.17 261	0.24 287	0.16 240	0.13 238	0.14 215	0.15 290	0.08 256	0.05 120	0.08 230	0.08 293	0.08 273	0.08 292

MLCV	0.13 232	0.08 198	0.17 311	0.18 248	0.06 8	0.16 283	0.17 271	0.19 173	0.22 253	0.19 308	0.25 314	0.17 257	0.13 238	0.15 233	0.14 256	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

iResNet	0.13 232	0.10 321	0.18 343	0.19 306	0.08 87	0.14 230	0.18 316	0.21 202	0.27 322	0.16 249	0.24 287	0.15 221	0.13 238	0.14 215	0.15 290	0.06 80	0.04 3	0.06 64	0.05 72	0.06 143	0.05 80

DN-CSS_ROB	0.13 232	0.13 391	0.17 311	0.18 248	0.10 290	0.16 283	0.08 4	0.22 225	0.19 198	0.17 261	0.23 276	0.13 177	0.13 238	0.13 191	0.14 256	0.05 5	0.05 120	0.10 357	0.10 370	0.08 273	0.06 152

coex_refinement	0.14 261	0.07 96	0.12 137	0.17 171	0.10 290	0.16 283	0.15 187	0.27 312	0.29 344	0.18 293	0.21 257	0.22 322	0.17 334	0.16 260	0.19 352	0.08 256	0.05 120	0.06 64	0.06 138	0.09 333	0.08 292

G2L-Stereo	0.14 261	0.07 96	0.13 170	0.17 171	0.09 185	0.13 191	0.12 40	0.27 312	0.22 253	0.17 261	0.27 344	0.21 304	0.13 238	0.18 315	0.18 338	0.09 308	0.08 357	0.08 230	0.07 227	0.07 210	0.07 223

rvit_0105_6	0.14 261	0.09 259	0.18 343	0.17 171	0.10 290	0.10 90	0.17 271	0.19 173	0.26 310	0.12 147	0.18 217	0.17 257	0.13 238	0.18 315	0.13 220	0.15 442	0.11 416	0.12 406	0.10 370	0.09 333	0.06 152

rvit_0105_5	0.14 261	0.10 321	0.14 211	0.17 171	0.09 185	0.14 230	0.23 412	0.24 266	0.27 322	0.14 198	0.15 159	0.18 271	0.13 238	0.17 299	0.14 256	0.14 438	0.11 416	0.10 357	0.11 399	0.08 273	0.07 223

test_sample6	0.14 261	0.09 259	0.14 211	0.17 171	0.08 87	0.17 306	0.19 358	0.26 298	0.18 177	0.18 293	0.28 355	0.19 280	0.15 289	0.15 233	0.13 220	0.08 256	0.05 120	0.08 230	0.07 227	0.08 273	0.08 292

test_sample5	0.14 261	0.08 198	0.14 211	0.16 105	0.08 87	0.18 322	0.18 316	0.25 286	0.17 163	0.17 261	0.28 355	0.18 271	0.15 289	0.16 260	0.13 220	0.08 256	0.06 258	0.08 230	0.07 227	0.09 333	0.08 292

test_sample4	0.14 261	0.08 198	0.15 247	0.15 56	0.08 87	0.19 343	0.18 316	0.26 298	0.18 177	0.17 261	0.26 327	0.18 271	0.15 289	0.17 299	0.13 220	0.08 256	0.06 258	0.08 230	0.06 138	0.09 333	0.08 292

test_sample3	0.14 261	0.08 198	0.15 247	0.14 21	0.09 185	0.20 363	0.17 271	0.27 312	0.18 177	0.17 261	0.22 272	0.19 280	0.15 289	0.17 299	0.14 256	0.09 308	0.06 258	0.07 155	0.06 138	0.09 333	0.08 292

SMFormer	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.17 325	0.08 256	0.05 120	0.07 155	0.06 138	0.08 273	0.07 223

tta	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.17 325	0.08 256	0.05 120	0.07 155	0.06 138	0.06 143	0.06 152

qqq1	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.12 187	0.08 256	0.05 120	0.05 3	0.05 72	0.06 143	0.06 152

fff1	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.12 187	0.08 256	0.05 120	0.05 3	0.05 72	0.06 143	0.06 152

mmm	0.14 261	0.08 198	0.18 343	0.17 171	0.09 185	0.17 306	0.18 316	0.21 202	0.16 140	0.16 249	0.23 276	0.21 304	0.16 311	0.16 260	0.17 325	0.08 256	0.05 120	0.08 230	0.08 293	0.08 273	0.07 223

DualNet	0.14 261	0.08 198	0.14 211	0.16 105	0.08 87	0.18 322	0.18 316	0.25 286	0.17 163	0.18 293	0.28 355	0.18 271	0.15 289	0.16 260	0.13 220	0.08 256	0.06 258	0.08 230	0.07 227	0.09 333	0.08 292

ttt	0.14 261	0.08 198	0.14 211	0.15 56	0.08 87	0.15 255	0.18 316	0.27 312	0.30 350	0.16 249	0.24 287	0.17 257	0.14 269	0.13 191	0.14 256	0.11 376	0.08 357	0.09 312	0.08 293	0.09 333	0.09 336

StereoVision	0.14 261	0.13 391	0.10 66	0.24 434	0.10 290	0.16 283	0.21 391	0.21 202	0.20 217	0.12 147	0.25 314	0.10 113	0.10 150	0.16 260	0.10 89	0.09 308	0.10 403	0.12 406	0.12 419	0.06 143	0.05 80

PCWNet_CMD	0.14 261	0.08 198	0.15 247	0.17 171	0.09 185	0.14 230	0.14 118	0.29 354	0.36 399	0.14 198	0.20 240	0.21 304	0.13 238	0.17 299	0.14 256	0.07 199	0.05 120	0.07 155	0.07 227	0.07 210	0.07 223

gwcnet-sp	0.14 261	0.07 96	0.13 170	0.18 248	0.09 185	0.16 283	0.18 316	0.24 266	0.24 273	0.19 308	0.24 287	0.15 221	0.16 311	0.16 260	0.15 290	0.08 256	0.07 326	0.07 155	0.08 293	0.08 273	0.07 223

scenet	0.14 261	0.07 96	0.13 170	0.18 248	0.09 185	0.16 283	0.18 316	0.24 266	0.24 273	0.19 308	0.24 287	0.15 221	0.16 311	0.16 260	0.15 290	0.08 256	0.07 326	0.07 155	0.08 293	0.08 273	0.07 223

CASS	0.14 261	0.12 363	0.12 137	0.23 424	0.09 185	0.15 255	0.17 271	0.19 173	0.20 217	0.17 261	0.18 217	0.15 221	0.15 289	0.15 233	0.14 256	0.09 308	0.06 258	0.10 357	0.08 293	0.09 333	0.07 223
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ssnet	0.14 261	0.07 96	0.13 170	0.18 248	0.09 185	0.16 283	0.18 316	0.24 266	0.24 273	0.19 308	0.24 287	0.15 221	0.16 311	0.16 260	0.15 290	0.08 256	0.07 326	0.07 155	0.08 293	0.08 273	0.07 223

IER	0.14 261	0.08 198	0.13 170	0.17 171	0.09 185	0.14 230	0.16 245	0.26 298	0.27 322	0.18 293	0.26 327	0.17 257	0.20 376	0.17 299	0.14 256	0.08 256	0.05 120	0.07 155	0.06 138	0.08 273	0.07 223

test_5	0.14 261	0.12 363	0.08 12	0.20 355	0.10 290	0.14 230	0.28 456	0.21 202	0.24 273	0.19 308	0.28 355	0.11 133	0.15 289	0.12 144	0.13 220	0.06 80	0.05 120	0.07 155	0.08 293	0.08 273	0.07 223

psmg	0.14 261	0.09 259	0.14 211	0.17 171	0.10 290	0.15 255	0.17 271	0.29 354	0.20 217	0.17 261	0.21 257	0.25 359	0.16 311	0.16 260	0.14 256	0.08 256	0.07 326	0.08 230	0.08 293	0.07 210	0.07 223

UDGNet	0.14 261	0.13 391	0.17 311	0.18 248	0.10 290	0.12 163	0.16 245	0.21 202	0.27 322	0.20 329	0.20 240	0.17 257	0.13 238	0.16 260	0.14 256	0.10 345	0.06 258	0.09 312	0.07 227	0.07 210	0.07 223

TestStereo	0.14 261	0.15 412	0.11 103	0.23 424	0.08 87	0.15 255	0.21 391	0.20 186	0.23 263	0.14 198	0.25 314	0.16 240	0.13 238	0.16 260	0.14 256	0.06 80	0.06 258	0.08 230	0.06 138	0.09 333	0.05 80

CFNet_pseudo	0.14 261	0.08 198	0.16 288	0.16 105	0.09 185	0.13 191	0.14 118	0.27 312	0.34 380	0.15 222	0.21 257	0.22 322	0.13 238	0.18 315	0.14 256	0.07 199	0.05 120	0.08 230	0.06 138	0.07 210	0.07 223

GES	0.14 261	0.08 198	0.16 288	0.15 56	0.10 290	0.13 191	0.13 72	0.28 336	0.26 310	0.17 261	0.24 287	0.19 280	0.14 269	0.16 260	0.14 256	0.08 256	0.08 357	0.07 155	0.06 138	0.08 273	0.09 336

cf-r	0.14 261	0.07 96	0.13 170	0.16 105	0.08 87	0.14 230	0.19 358	0.21 202	0.25 297	0.17 261	0.26 327	0.22 322	0.17 334	0.14 215	0.15 290	0.10 345	0.05 120	0.06 64	0.08 293	0.06 143	0.06 152

GANet-RSSM	0.14 261	0.07 96	0.13 170	0.13 8	0.08 87	0.14 230	0.18 316	0.23 243	0.21 231	0.17 261	0.25 314	0.24 347	0.16 311	0.16 260	0.16 309	0.10 345	0.06 258	0.07 155	0.08 293	0.08 273	0.07 223

PSMNet-RSSM	0.14 261	0.07 96	0.14 211	0.15 56	0.08 87	0.13 191	0.16 245	0.25 286	0.24 273	0.17 261	0.28 355	0.23 338	0.14 269	0.16 260	0.14 256	0.11 376	0.06 258	0.09 312	0.12 419	0.08 273	0.07 223

GwcNet-RSSM	0.14 261	0.07 96	0.12 137	0.16 105	0.08 87	0.15 255	0.20 375	0.22 225	0.28 338	0.18 293	0.28 355	0.23 338	0.17 334	0.15 233	0.16 309	0.10 345	0.06 258	0.07 155	0.09 336	0.07 210	0.07 223

CFNet-ft	0.14 261	0.07 96	0.15 247	0.12 4	0.09 185	0.17 306	0.18 316	0.22 225	0.24 273	0.17 261	0.26 327	0.24 347	0.14 269	0.16 260	0.15 290	0.11 376	0.06 258	0.08 230	0.09 336	0.09 333	0.08 292

DMCA	0.14 261	0.09 259	0.17 311	0.19 306	0.09 185	0.15 255	0.17 271	0.23 243	0.28 338	0.14 198	0.20 240	0.17 257	0.18 346	0.15 233	0.17 325	0.10 345	0.06 258	0.08 230	0.06 138	0.09 333	0.10 362

MSMDNet	0.14 261	0.08 198	0.15 247	0.17 171	0.09 185	0.14 230	0.14 118	0.29 354	0.36 399	0.14 198	0.20 240	0.21 304	0.13 238	0.18 315	0.14 256	0.07 199	0.05 120	0.07 155	0.07 227	0.07 210	0.07 223

HSM-Net_RVC	0.14 261	0.08 198	0.12 137	0.15 56	0.08 87	0.16 283	0.15 187	0.27 312	0.29 344	0.20 329	0.21 257	0.29 392	0.14 269	0.18 315	0.13 220	0.06 80	0.06 258	0.06 64	0.06 138	0.07 210	0.06 152
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 261	0.07 96	0.15 247	0.12 4	0.09 185	0.17 306	0.18 316	0.22 225	0.24 273	0.17 261	0.26 327	0.24 347	0.14 269	0.16 260	0.15 290	0.11 376	0.06 258	0.08 230	0.09 336	0.09 333	0.08 292

ccs_rob	0.14 261	0.09 259	0.16 288	0.16 105	0.09 185	0.13 191	0.14 118	0.27 312	0.34 380	0.15 222	0.21 257	0.22 322	0.13 238	0.18 315	0.14 256	0.07 199	0.05 120	0.08 230	0.07 227	0.07 210	0.07 223

iResNet_ROB	0.14 261	0.07 96	0.13 170	0.15 56	0.07 35	0.19 343	0.14 118	0.26 298	0.32 364	0.23 371	0.26 327	0.23 338	0.16 311	0.15 233	0.14 256	0.07 199	0.05 120	0.05 3	0.04 15	0.08 273	0.08 292

G2L-Stereo_aug	0.15 300	0.06 35	0.12 137	0.14 21	0.07 35	0.19 343	0.19 358	0.20 186	0.39 414	0.22 356	0.27 344	0.27 374	0.15 289	0.18 315	0.19 352	0.07 199	0.05 120	0.05 3	0.04 15	0.06 143	0.07 223

rvit_0105_4	0.15 300	0.09 259	0.17 311	0.17 171	0.10 290	0.12 163	0.20 375	0.23 243	0.27 322	0.14 198	0.20 240	0.17 257	0.14 269	0.17 299	0.13 220	0.15 442	0.11 416	0.11 387	0.10 370	0.09 333	0.06 152

DCVSM-stereo	0.15 300	0.09 259	0.16 288	0.16 105	0.10 290	0.15 255	0.09 6	0.20 186	0.24 273	0.20 329	0.24 287	0.26 369	0.15 289	0.19 340	0.14 256	0.09 308	0.07 326	0.09 312	0.08 293	0.10 367	0.12 403

ACV-stereo	0.15 300	0.10 321	0.29 427	0.18 248	0.12 371	0.15 255	0.13 72	0.23 243	0.21 231	0.19 308	0.23 276	0.22 322	0.15 289	0.23 399	0.17 325	0.08 256	0.07 326	0.07 155	0.07 227	0.08 273	0.07 223

DispNO	0.15 300	0.09 259	0.18 343	0.19 306	0.12 371	0.11 126	0.21 391	0.23 243	0.29 344	0.18 293	0.23 276	0.19 280	0.17 334	0.16 260	0.16 309	0.07 199	0.05 120	0.08 230	0.08 293	0.07 210	0.06 152

mmx	0.15 300	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.27 312	0.26 310	0.15 222	0.26 327	0.19 280	0.13 238	0.15 233	0.22 388	0.08 256	0.06 258	0.09 312	0.08 293	0.08 273	0.08 292

xxx	0.15 300	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.27 312	0.26 310	0.15 222	0.26 327	0.19 280	0.13 238	0.15 233	0.22 388	0.08 256	0.06 258	0.09 312	0.08 293	0.08 273	0.08 292

CFNet_ucs	0.15 300	0.09 259	0.17 311	0.16 105	0.11 342	0.14 230	0.14 118	0.30 364	0.34 380	0.16 249	0.24 287	0.23 338	0.14 269	0.18 315	0.15 290	0.09 308	0.06 258	0.08 230	0.07 227	0.09 333	0.09 336

CBFPSM	0.15 300	0.07 96	0.27 415	0.17 171	0.09 185	0.13 191	0.15 187	0.22 225	0.23 263	0.20 329	0.27 344	0.23 338	0.16 311	0.16 260	0.19 352	0.06 80	0.06 258	0.06 64	0.07 227	0.07 210	0.07 223

BUS	0.15 300	0.09 259	0.14 211	0.22 405	0.10 290	0.20 363	0.14 118	0.34 412	0.20 217	0.17 261	0.23 276	0.16 240	0.14 269	0.16 260	0.14 256	0.08 256	0.06 258	0.10 357	0.09 336	0.07 210	0.07 223

BSDual-CNN	0.15 300	0.09 259	0.14 211	0.22 405	0.10 290	0.15 255	0.15 187	0.34 412	0.20 217	0.17 261	0.23 276	0.25 359	0.16 311	0.16 260	0.14 256	0.08 256	0.06 258	0.10 357	0.09 336	0.07 210	0.07 223

hknet	0.15 300	0.11 345	0.14 211	0.22 405	0.11 342	0.15 255	0.15 187	0.34 412	0.26 310	0.17 261	0.23 276	0.22 322	0.18 346	0.17 299	0.13 220	0.07 199	0.06 258	0.10 357	0.09 336	0.07 210	0.07 223

dd	0.15 300	0.17 430	0.17 311	0.19 306	0.09 185	0.15 255	0.18 316	0.22 225	0.26 310	0.23 371	0.20 240	0.21 304	0.10 150	0.21 375	0.17 325	0.10 345	0.06 258	0.08 230	0.06 138	0.08 273	0.07 223

DAS	0.15 300	0.08 198	0.18 343	0.19 306	0.10 290	0.19 343	0.17 271	0.28 336	0.30 350	0.18 293	0.26 327	0.21 304	0.16 311	0.16 260	0.13 220	0.08 256	0.06 258	0.06 64	0.06 138	0.07 210	0.07 223

SepStereo	0.15 300	0.08 198	0.18 343	0.19 306	0.10 290	0.19 343	0.17 271	0.28 336	0.30 350	0.18 293	0.26 327	0.21 304	0.16 311	0.26 419	0.13 220	0.08 256	0.06 258	0.06 64	0.06 138	0.07 210	0.07 223

PSMNet-ADL	0.15 300	0.12 363	0.13 170	0.22 405	0.09 185	0.13 191	0.20 375	0.26 298	0.23 263	0.18 293	0.20 240	0.23 338	0.17 334	0.18 315	0.18 338	0.09 308	0.08 357	0.08 230	0.11 399	0.08 273	0.07 223

LMCR-Stereo	0.15 300	0.08 198	0.14 211	0.21 385	0.09 185	0.18 322	0.19 358	0.28 336	0.19 198	0.24 383	0.24 287	0.23 338	0.17 334	0.20 358	0.17 325	0.07 199	0.06 258	0.08 230	0.06 138	0.10 367	0.09 336

xxxx	0.15 300	0.07 96	0.14 211	0.14 21	0.08 87	0.24 405	0.18 316	0.32 384	0.20 217	0.14 198	0.28 355	0.22 322	0.14 269	0.15 233	0.29 449	0.09 308	0.05 120	0.07 155	0.07 227	0.08 273	0.08 292

test_xeample	0.15 300	0.07 96	0.14 211	0.15 56	0.08 87	0.22 387	0.20 375	0.29 354	0.21 231	0.16 249	0.29 369	0.19 280	0.17 334	0.16 260	0.28 442	0.09 308	0.05 120	0.07 155	0.07 227	0.07 210	0.07 223

ACVNet	0.15 300	0.09 259	0.15 247	0.13 8	0.12 371	0.14 230	0.20 375	0.22 225	0.34 380	0.17 261	0.26 327	0.21 304	0.17 334	0.18 315	0.21 375	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.06 152

acv_ft	0.15 300	0.09 259	0.16 288	0.19 306	0.10 290	0.16 283	0.17 271	0.25 286	0.34 380	0.19 308	0.26 327	0.21 304	0.17 334	0.18 315	0.19 352	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.06 152

RASNet	0.15 300	0.07 96	0.15 247	0.16 105	0.08 87	0.19 343	0.14 118	0.30 364	0.21 231	0.17 261	0.25 314	0.21 304	0.19 364	0.20 358	0.20 362	0.07 199	0.06 258	0.06 64	0.08 293	0.06 143	0.06 152

CFNet	0.15 300	0.11 345	0.17 311	0.17 171	0.08 87	0.19 343	0.10 11	0.29 354	0.26 310	0.19 308	0.24 287	0.24 347	0.18 346	0.18 315	0.15 290	0.08 256	0.06 258	0.09 312	0.10 370	0.08 273	0.07 223

UCFNet_RVC	0.15 300	0.08 198	0.13 170	0.11 1	0.10 290	0.20 363	0.10 11	0.24 266	0.23 263	0.17 261	0.21 257	0.24 347	0.15 289	0.18 315	0.15 290	0.12 402	0.07 326	0.11 387	0.13 430	0.11 387	0.10 362

AdaStereo	0.15 300	0.11 345	0.16 288	0.19 306	0.09 185	0.21 374	0.11 21	0.33 398	0.28 338	0.21 343	0.23 276	0.21 304	0.13 238	0.19 340	0.15 290	0.13 419	0.05 120	0.10 357	0.07 227	0.09 333	0.07 223
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.15 300	0.08 198	0.16 288	0.16 105	0.08 87	0.16 283	0.13 72	0.26 298	0.36 399	0.21 343	0.29 369	0.24 347	0.13 238	0.14 215	0.14 256	0.06 80	0.06 258	0.06 64	0.04 15	0.09 333	0.08 292

HSM	0.15 300	0.09 259	0.15 247	0.16 105	0.09 185	0.16 283	0.14 118	0.28 336	0.25 297	0.20 329	0.24 287	0.37 440	0.17 334	0.20 358	0.15 290	0.07 199	0.05 120	0.07 155	0.06 138	0.07 210	0.06 152

pmcnn	0.15 300	0.07 96	0.20 370	0.15 56	0.07 35	0.21 374	0.16 245	0.25 286	0.26 310	0.21 343	0.33 394	0.29 392	0.19 364	0.18 315	0.17 325	0.07 199	0.05 120	0.05 3	0.04 15	0.07 210	0.06 152

DDVS	0.16 328	0.10 321	0.22 389	0.16 105	0.12 371	0.15 255	0.14 118	0.25 286	0.19 198	0.18 293	0.30 375	0.27 374	0.13 238	0.20 358	0.16 309	0.09 308	0.06 258	0.09 312	0.07 227	0.11 387	0.11 384

rvit_0105_3	0.16 328	0.10 321	0.15 247	0.20 355	0.12 371	0.15 255	0.26 445	0.25 286	0.30 350	0.15 222	0.17 194	0.21 304	0.14 269	0.18 315	0.14 256	0.14 438	0.11 416	0.12 406	0.14 435	0.07 210	0.07 223

ITSA-stereo	0.16 328	0.11 345	0.14 211	0.19 306	0.08 87	0.13 191	0.14 118	0.30 364	0.49 453	0.17 261	0.18 217	0.22 322	0.15 289	0.17 299	0.16 309	0.10 345	0.06 258	0.08 230	0.08 293	0.08 273	0.09 336

test_sample7	0.16 328	0.10 321	0.16 288	0.14 21	0.12 371	0.16 283	0.17 271	0.28 336	0.24 273	0.21 343	0.21 257	0.24 347	0.20 376	0.16 260	0.16 309	0.12 402	0.06 258	0.10 357	0.09 336	0.11 387	0.10 362

1111x	0.16 328	0.09 259	0.13 170	0.18 248	0.08 87	0.18 322	0.25 439	0.32 384	0.25 297	0.17 261	0.24 287	0.27 374	0.15 289	0.14 215	0.24 411	0.07 199	0.07 326	0.08 230	0.09 336	0.07 210	0.07 223

GMStereo_Zeroshot	0.16 328	0.13 391	0.25 405	0.20 355	0.10 290	0.17 306	0.13 72	0.30 364	0.25 297	0.23 371	0.32 388	0.25 359	0.11 178	0.19 340	0.14 256	0.09 308	0.06 258	0.11 387	0.06 138	0.12 402	0.08 292

CRFU-Net	0.16 328	0.08 198	0.15 247	0.17 171	0.09 185	0.20 363	0.14 118	0.27 312	0.21 231	0.28 418	0.28 355	0.29 392	0.18 346	0.19 340	0.18 338	0.09 308	0.09 381	0.07 155	0.07 227	0.08 273	0.09 336

NINENet	0.16 328	0.10 321	0.16 288	0.17 171	0.11 342	0.20 363	0.14 118	0.41 459	0.37 404	0.18 293	0.21 257	0.16 240	0.14 269	0.16 260	0.14 256	0.08 256	0.08 357	0.10 357	0.07 227	0.10 367	0.09 336

CSP-Net	0.16 328	0.09 259	0.14 211	0.17 171	0.09 185	0.19 343	0.18 316	0.25 286	0.33 369	0.26 399	0.31 379	0.25 359	0.16 311	0.21 375	0.19 352	0.09 308	0.06 258	0.07 155	0.07 227	0.08 273	0.08 292

AASNet	0.16 328	0.08 198	0.13 170	0.19 306	0.09 185	0.19 343	0.15 187	0.38 446	0.37 404	0.20 329	0.24 287	0.20 297	0.17 334	0.17 299	0.21 375	0.10 345	0.08 357	0.08 230	0.07 227	0.09 333	0.09 336

AACVNet	0.16 328	0.08 198	0.15 247	0.15 56	0.10 290	0.18 322	0.15 187	0.24 266	0.25 297	0.27 406	0.27 344	0.28 385	0.18 346	0.19 340	0.17 325	0.09 308	0.07 326	0.09 312	0.07 227	0.10 367	0.09 336

ADLNet2	0.16 328	0.09 259	0.14 211	0.17 171	0.09 185	0.20 363	0.16 245	0.32 384	0.39 414	0.17 261	0.20 240	0.20 297	0.19 364	0.21 375	0.23 399	0.08 256	0.07 326	0.07 155	0.07 227	0.09 333	0.07 223

ICVP	0.16 328	0.09 259	0.12 137	0.22 405	0.09 185	0.18 322	0.21 391	0.26 298	0.24 273	0.18 293	0.30 375	0.27 374	0.18 346	0.18 315	0.15 290	0.10 345	0.07 326	0.08 230	0.07 227	0.07 210	0.08 292
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
Anonymous3	0.16 328	0.14 406	0.34 445	0.26 450	0.14 412	0.27 431	0.18 316	0.28 336	0.28 338	0.15 222	0.17 194	0.14 196	0.11 178	0.16 260	0.12 187	0.08 256	0.08 357	0.08 230	0.08 293	0.08 273	0.11 384

ADLNet	0.16 328	0.08 198	0.15 247	0.16 105	0.10 290	0.16 283	0.17 271	0.33 398	0.27 322	0.23 371	0.27 344	0.24 347	0.16 311	0.18 315	0.21 375	0.10 345	0.06 258	0.10 357	0.10 370	0.08 273	0.09 336

HCRNet	0.16 328	0.23 461	0.12 137	0.35 482	0.11 342	0.15 255	0.17 271	0.26 298	0.22 253	0.19 308	0.24 287	0.21 304	0.14 269	0.15 233	0.13 220	0.11 376	0.07 326	0.11 387	0.10 370	0.09 333	0.07 223

222	0.16 328	0.07 96	0.15 247	0.14 21	0.08 87	0.25 413	0.18 316	0.30 364	0.21 231	0.18 293	0.29 369	0.17 257	0.16 311	0.16 260	0.44 488	0.10 345	0.05 120	0.07 155	0.06 138	0.08 273	0.08 292

UPFNet	0.16 328	0.08 198	0.12 137	0.20 355	0.12 371	0.20 363	0.23 412	0.28 336	0.26 310	0.18 293	0.24 287	0.22 322	0.20 376	0.19 340	0.22 388	0.09 308	0.07 326	0.08 230	0.09 336	0.08 273	0.06 152

ac_64	0.16 328	0.09 259	0.15 247	0.18 248	0.10 290	0.22 387	0.17 271	0.24 266	0.22 253	0.19 308	0.24 287	0.29 392	0.18 346	0.19 340	0.22 388	0.09 308	0.08 357	0.08 230	0.09 336	0.07 210	0.06 152

DSFCA	0.16 328	0.09 259	0.14 211	0.16 105	0.10 290	0.21 374	0.19 358	0.28 336	0.31 359	0.23 371	0.25 314	0.22 322	0.16 311	0.20 358	0.20 362	0.10 345	0.07 326	0.09 312	0.09 336	0.08 273	0.08 292

AANet_RVC	0.16 328	0.10 321	0.11 103	0.18 248	0.09 185	0.19 343	0.18 316	0.27 312	0.32 364	0.22 356	0.35 409	0.21 304	0.22 391	0.22 392	0.17 325	0.06 80	0.05 120	0.06 64	0.06 138	0.07 210	0.06 152

DeepPruner_ROB	0.16 328	0.11 345	0.16 288	0.17 171	0.10 290	0.17 306	0.15 187	0.32 384	0.21 231	0.19 308	0.21 257	0.22 322	0.19 364	0.21 375	0.16 309	0.13 419	0.09 381	0.09 312	0.10 370	0.11 387	0.11 384

rvit_stereo_0075_2	0.17 350	0.12 363	0.25 405	0.23 424	0.16 439	0.13 191	0.10 11	0.30 364	0.27 322	0.20 329	0.28 355	0.22 322	0.15 289	0.18 315	0.13 220	0.16 459	0.10 403	0.17 454	0.10 370	0.10 367	0.10 362

DualNet (step1)	0.17 350	0.12 363	0.21 380	0.13 8	0.14 412	0.18 322	0.14 118	0.28 336	0.24 273	0.21 343	0.21 257	0.24 347	0.20 376	0.16 260	0.16 309	0.15 442	0.06 258	0.14 433	0.14 435	0.15 443	0.13 415

iinet-f	0.17 350	0.07 96	0.46 466	0.14 21	0.10 290	0.21 374	0.14 118	0.27 312	0.23 263	0.22 356	0.25 314	0.21 304	0.16 311	0.18 315	0.22 388	0.09 308	0.07 326	0.07 155	0.06 138	0.09 333	0.10 362

ToySt	0.17 350	0.11 345	0.19 366	0.17 171	0.11 342	0.16 283	0.26 445	0.24 266	0.33 369	0.19 308	0.24 287	0.26 369	0.24 404	0.19 340	0.21 375	0.07 199	0.08 357	0.09 312	0.10 370	0.09 333	0.08 292

ssnet_v2	0.17 350	0.10 321	0.18 343	0.17 171	0.11 342	0.21 374	0.22 402	0.34 412	0.25 297	0.23 371	0.23 276	0.27 374	0.19 364	0.22 392	0.21 375	0.11 376	0.10 403	0.09 312	0.09 336	0.08 273	0.08 292

GEStereo_RVC	0.17 350	0.12 363	0.16 288	0.22 405	0.11 342	0.19 343	0.18 316	0.32 384	0.49 453	0.20 329	0.25 314	0.17 257	0.13 238	0.21 375	0.16 309	0.10 345	0.06 258	0.08 230	0.07 227	0.09 333	0.08 292

MMNet	0.17 350	0.10 321	0.17 311	0.20 355	0.11 342	0.27 431	0.20 375	0.26 298	0.42 428	0.22 356	0.30 375	0.22 322	0.20 376	0.18 315	0.20 362	0.06 80	0.06 258	0.07 155	0.07 227	0.08 273	0.07 223

delet	0.17 350	0.09 259	0.18 343	0.19 306	0.11 342	0.21 374	0.22 402	0.30 364	0.38 410	0.17 261	0.27 344	0.19 280	0.19 364	0.19 340	0.21 375	0.08 256	0.08 357	0.09 312	0.11 399	0.06 143	0.07 223

UNet	0.17 350	0.09 259	0.18 343	0.19 306	0.12 371	0.28 441	0.19 358	0.33 398	0.30 350	0.21 343	0.25 314	0.23 338	0.19 364	0.20 358	0.19 352	0.07 199	0.06 258	0.08 230	0.07 227	0.08 273	0.07 223

HGLStereo	0.17 350	0.09 259	0.19 366	0.17 171	0.12 371	0.18 322	0.18 316	0.31 380	0.33 369	0.22 356	0.33 394	0.24 347	0.18 346	0.20 358	0.21 375	0.10 345	0.09 381	0.07 155	0.07 227	0.09 333	0.10 362

DMCA-RVC	0.17 350	0.10 321	0.16 288	0.24 434	0.11 342	0.19 343	0.18 316	0.26 298	0.24 273	0.21 343	0.27 344	0.25 359	0.27 424	0.18 315	0.21 375	0.12 402	0.08 357	0.13 420	0.10 370	0.10 367	0.08 292

FADNet-RVC-Resample	0.17 350	0.12 363	0.32 440	0.22 405	0.12 371	0.19 343	0.14 118	0.25 286	0.24 273	0.24 383	0.27 344	0.20 297	0.15 289	0.17 299	0.16 309	0.07 199	0.08 357	0.12 406	0.10 370	0.09 333	0.11 384

FADNet_RVC	0.17 350	0.14 406	0.41 460	0.20 355	0.11 342	0.13 191	0.13 72	0.27 312	0.22 253	0.21 343	0.23 276	0.20 297	0.18 346	0.15 233	0.17 325	0.08 256	0.08 357	0.12 406	0.09 336	0.11 387	0.10 362

NLCA_NET_v2_RVC	0.17 350	0.10 321	0.23 396	0.20 355	0.10 290	0.15 255	0.18 316	0.31 380	0.25 297	0.21 343	0.31 379	0.25 359	0.17 334	0.21 375	0.20 362	0.09 308	0.06 258	0.08 230	0.09 336	0.07 210	0.08 292
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 350	0.12 363	0.16 288	0.20 355	0.10 290	0.18 322	0.18 316	0.27 312	0.24 273	0.26 399	0.41 444	0.23 338	0.18 346	0.21 375	0.21 375	0.09 308	0.05 120	0.09 312	0.10 370	0.07 210	0.07 223
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 365	0.08 198	0.20 370	0.19 306	0.13 396	0.15 255	0.12 40	0.30 364	0.33 369	0.21 343	0.26 327	0.27 374	0.18 346	0.17 299	0.20 362	0.20 474	0.08 357	0.14 433	0.14 435	0.14 431	0.17 463

test_sample9	0.18 365	0.12 363	0.21 380	0.13 8	0.14 412	0.18 322	0.14 118	0.28 336	0.24 273	0.21 343	0.21 257	0.24 347	0.20 376	0.19 340	0.18 338	0.15 442	0.30 492	0.14 433	0.14 435	0.15 443	0.13 415

fast-acv-ft	0.18 365	0.11 345	0.20 370	0.19 306	0.12 371	0.26 423	0.21 391	0.26 298	0.35 393	0.22 356	0.34 404	0.27 374	0.21 384	0.21 375	0.23 399	0.09 308	0.09 381	0.08 230	0.10 370	0.08 273	0.07 223

HBP-ISP	0.18 365	0.13 391	0.17 311	0.15 56	0.11 342	0.08 32	0.13 72	0.28 336	0.30 350	0.22 356	0.33 394	0.21 304	0.25 411	0.23 399	0.18 338	0.15 442	0.17 465	0.21 468	0.17 462	0.10 367	0.09 336

Wz-Net-LNSev-Ref	0.18 365	0.09 259	0.30 433	0.15 56	0.11 342	0.23 399	0.20 375	0.27 312	0.40 419	0.26 399	0.43 454	0.25 359	0.15 289	0.21 375	0.20 362	0.07 199	0.05 120	0.06 64	0.05 72	0.10 367	0.09 336

dad	0.18 365	0.20 450	0.21 380	0.17 171	0.11 342	0.20 363	0.19 358	0.21 202	0.28 338	0.30 432	0.24 287	0.30 399	0.13 238	0.19 340	0.17 325	0.18 465	0.09 381	0.11 387	0.09 336	0.11 387	0.07 223

hitnet-ft	0.18 365	0.10 321	0.17 311	0.14 21	0.09 185	0.27 431	0.20 375	0.25 286	0.26 310	0.24 383	0.32 388	0.32 420	0.23 397	0.24 410	0.21 375	0.12 402	0.07 326	0.10 357	0.08 293	0.12 402	0.11 384

STTStereo	0.18 365	0.13 391	0.28 418	0.20 355	0.11 342	0.16 283	0.21 391	0.29 354	0.23 263	0.22 356	0.30 375	0.29 392	0.18 346	0.20 358	0.20 362	0.12 402	0.11 416	0.11 387	0.14 435	0.09 333	0.08 292

TDLM	0.18 365	0.12 363	0.14 211	0.24 434	0.10 290	0.18 322	0.18 316	0.37 439	0.30 350	0.22 356	0.28 355	0.28 385	0.18 346	0.23 399	0.19 352	0.11 376	0.07 326	0.10 357	0.10 370	0.08 273	0.08 292

CVANet_RVC	0.18 365	0.11 345	0.14 211	0.21 385	0.11 342	0.19 343	0.18 316	0.34 412	0.34 380	0.22 356	0.31 379	0.28 385	0.18 346	0.24 410	0.18 338	0.12 402	0.08 357	0.12 406	0.12 419	0.09 333	0.08 292

DLCB_ROB	0.18 365	0.10 321	0.16 288	0.23 424	0.11 342	0.24 405	0.18 316	0.30 364	0.28 338	0.27 406	0.29 369	0.28 385	0.25 411	0.20 358	0.20 362	0.08 256	0.08 357	0.09 312	0.09 336	0.07 210	0.07 223

TCMNet	0.19 376	0.12 363	0.20 370	0.21 385	0.18 460	0.21 374	0.24 422	0.28 336	0.36 399	0.23 371	0.26 327	0.25 359	0.20 376	0.20 358	0.23 399	0.13 419	0.11 416	0.11 387	0.12 419	0.13 415	0.12 403

rvit_105_1	0.19 376	0.12 363	0.25 405	0.21 385	0.16 439	0.22 387	0.28 456	0.32 384	0.42 428	0.20 329	0.21 257	0.22 322	0.18 346	0.19 340	0.18 338	0.12 402	0.12 430	0.13 420	0.15 451	0.08 273	0.07 223

SACVNet	0.19 376	0.12 363	0.15 247	0.17 171	0.13 396	0.22 387	0.18 316	0.31 380	0.31 359	0.24 383	0.31 379	0.30 399	0.23 397	0.23 399	0.17 325	0.11 376	0.08 357	0.10 357	0.10 370	0.12 402	0.14 431

pcwnet_v2	0.19 376	0.11 345	0.26 413	0.18 248	0.14 412	0.18 322	0.15 187	0.37 439	0.46 449	0.19 308	0.24 287	0.21 304	0.19 364	0.21 375	0.20 362	0.13 419	0.10 403	0.10 357	0.10 370	0.11 387	0.13 415

psm_up	0.19 376	0.10 321	0.18 343	0.21 385	0.11 342	0.17 306	0.19 358	0.38 446	0.34 380	0.22 356	0.28 355	0.29 392	0.25 411	0.20 358	0.22 388	0.09 308	0.10 403	0.11 387	0.11 399	0.08 273	0.08 292

NVstereo2D	0.19 376	0.11 345	0.16 288	0.17 171	0.16 439	0.28 441	0.23 412	0.44 474	0.42 428	0.15 222	0.28 355	0.25 359	0.19 364	0.23 399	0.18 338	0.09 308	0.06 258	0.10 357	0.08 293	0.15 443	0.10 362

StereoDRNet	0.19 376	0.11 345	0.18 343	0.22 405	0.11 342	0.22 387	0.22 402	0.37 439	0.34 380	0.24 383	0.28 355	0.30 399	0.19 364	0.20 358	0.21 375	0.10 345	0.08 357	0.11 387	0.09 336	0.09 333	0.07 223

CBMV_ROB	0.19 376	0.13 391	0.18 343	0.16 105	0.11 342	0.16 283	0.12 40	0.27 312	0.29 344	0.27 406	0.31 379	0.27 374	0.24 404	0.24 410	0.16 309	0.15 442	0.18 467	0.22 472	0.20 468	0.10 367	0.12 403

NOSS_ROB	0.19 376	0.13 391	0.18 343	0.16 105	0.12 371	0.16 283	0.12 40	0.30 364	0.33 369	0.20 329	0.22 272	0.27 374	0.24 404	0.21 375	0.16 309	0.16 459	0.18 467	0.23 473	0.21 470	0.13 415	0.13 415

YMNet	0.20 385	0.12 363	0.20 370	0.21 385	0.14 412	0.27 431	0.23 412	0.32 384	0.34 380	0.28 418	0.35 409	0.30 399	0.18 346	0.18 315	0.22 388	0.11 376	0.13 442	0.10 357	0.10 370	0.09 333	0.09 336

YMNet_1	0.20 385	0.12 363	0.20 370	0.21 385	0.14 412	0.27 431	0.23 412	0.32 384	0.34 380	0.28 418	0.35 409	0.30 399	0.18 346	0.18 315	0.22 388	0.11 376	0.13 442	0.10 357	0.10 370	0.09 333	0.09 336

test_sample8	0.20 385	0.12 363	0.21 380	0.13 8	0.14 412	0.18 322	0.14 118	0.32 384	0.21 231	0.28 418	0.22 272	0.36 437	0.26 418	0.19 340	0.18 338	0.15 442	0.30 492	0.14 433	0.14 435	0.15 443	0.13 415

SDNR	0.20 385	0.09 259	0.19 366	0.16 105	0.12 371	0.79 504	0.13 72	0.26 298	0.33 369	0.19 308	0.25 314	0.19 280	0.12 207	0.19 340	0.15 290	0.16 459	0.18 467	0.14 433	0.11 399	0.08 273	0.12 403

GwcNet	0.20 385	0.14 406	0.20 370	0.18 248	0.12 371	0.25 413	0.20 375	0.36 432	0.45 442	0.20 329	0.33 394	0.33 426	0.21 384	0.22 392	0.25 418	0.11 376	0.09 381	0.09 312	0.09 336	0.09 333	0.10 362

SuperB	0.20 385	0.10 321	0.57 478	0.16 105	0.09 185	0.19 343	0.18 316	0.25 286	0.51 459	0.27 406	0.39 431	0.17 257	0.22 391	0.22 392	0.21 375	0.08 256	0.06 258	0.06 64	0.06 138	0.12 402	0.11 384

ADCRef	0.20 385	0.12 363	0.43 464	0.20 355	0.12 371	0.23 399	0.18 316	0.32 384	0.37 404	0.26 399	0.33 394	0.18 271	0.23 397	0.25 415	0.26 430	0.07 199	0.06 258	0.09 312	0.09 336	0.08 273	0.09 336

ADCP+	0.20 385	0.10 321	0.35 451	0.21 385	0.12 371	0.22 387	0.27 450	0.31 380	0.35 393	0.26 399	0.37 417	0.22 322	0.22 391	0.27 421	0.28 442	0.09 308	0.06 258	0.08 230	0.08 293	0.10 367	0.10 362

PS-NSSS	0.20 385	0.21 455	0.23 396	0.20 355	0.10 290	0.19 343	0.17 271	0.36 432	0.26 310	0.27 406	0.34 404	0.27 374	0.24 404	0.20 358	0.20 362	0.15 442	0.12 430	0.17 454	0.14 435	0.10 367	0.09 336

DRN-Test	0.20 385	0.11 345	0.21 380	0.22 405	0.10 290	0.22 387	0.22 402	0.40 454	0.38 410	0.24 383	0.33 394	0.26 369	0.22 391	0.22 392	0.25 418	0.11 376	0.07 326	0.11 387	0.10 370	0.09 333	0.08 292

DISCO	0.20 385	0.09 259	0.22 389	0.17 171	0.10 290	0.25 413	0.18 316	0.28 336	0.45 442	0.23 371	0.32 388	0.34 430	0.26 418	0.29 437	0.29 449	0.08 256	0.06 258	0.07 155	0.07 227	0.09 333	0.10 362

SGM-Forest	0.20 385	0.14 406	0.18 343	0.20 355	0.13 396	0.21 374	0.22 402	0.33 398	0.31 359	0.24 383	0.29 369	0.28 385	0.20 376	0.23 399	0.18 338	0.15 442	0.16 461	0.15 444	0.14 435	0.13 415	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
CBMV	0.20 385	0.15 412	0.18 343	0.18 248	0.10 290	0.20 363	0.11 21	0.30 364	0.31 359	0.29 427	0.31 379	0.31 413	0.23 397	0.28 429	0.19 352	0.13 419	0.15 456	0.17 454	0.16 455	0.10 367	0.10 362
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
UDG	0.21 398	0.17 430	0.20 370	0.23 424	0.15 427	0.31 449	0.20 375	0.33 398	0.35 393	0.24 383	0.28 355	0.31 413	0.29 436	0.21 375	0.23 399	0.15 442	0.12 430	0.13 420	0.09 336	0.14 431	0.15 445

FAT-Stereo	0.21 398	0.13 391	0.22 389	0.21 385	0.12 371	0.18 322	0.18 316	0.35 426	0.40 419	0.28 418	0.37 417	0.33 426	0.33 457	0.21 375	0.20 362	0.09 308	0.11 416	0.10 357	0.09 336	0.11 387	0.14 431

FADNet-RVC	0.21 398	0.20 450	0.40 458	0.21 385	0.16 439	0.21 374	0.15 187	0.27 312	0.27 322	0.26 399	0.32 388	0.26 369	0.21 384	0.22 392	0.19 352	0.12 402	0.13 442	0.12 406	0.14 435	0.13 415	0.18 466

FADNet	0.21 398	0.23 461	0.37 454	0.18 248	0.17 451	0.25 413	0.13 72	0.32 384	0.32 364	0.23 371	0.25 314	0.27 374	0.21 384	0.19 340	0.16 309	0.13 419	0.15 456	0.12 406	0.15 451	0.17 461	0.18 466

S-Stereo	0.21 398	0.12 363	0.25 405	0.21 385	0.13 396	0.21 374	0.19 358	0.33 398	0.45 442	0.23 371	0.36 414	0.28 385	0.29 436	0.20 358	0.23 399	0.09 308	0.12 430	0.10 357	0.10 370	0.13 415	0.14 431

DANet	0.21 398	0.16 420	0.29 427	0.25 441	0.13 396	0.23 399	0.19 358	0.28 336	0.27 322	0.28 418	0.32 388	0.35 435	0.32 455	0.31 444	0.24 411	0.11 376	0.09 381	0.11 387	0.10 370	0.13 415	0.11 384
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
PWC_ROB	0.21 398	0.16 420	0.27 415	0.18 248	0.11 342	0.22 387	0.13 72	0.33 398	0.49 453	0.30 432	0.40 434	0.32 420	0.25 411	0.31 444	0.23 399	0.10 345	0.07 326	0.11 387	0.08 293	0.11 387	0.10 362

PWCDC_ROB	0.21 398	0.13 391	0.23 396	0.25 441	0.12 371	0.20 363	0.15 187	0.34 412	0.55 469	0.29 427	0.49 464	0.21 304	0.15 289	0.28 429	0.20 362	0.11 376	0.09 381	0.10 357	0.08 293	0.11 387	0.09 336

GASNet	0.22 406	0.24 464	0.34 445	0.26 450	0.17 451	0.27 431	0.16 245	0.45 476	0.42 428	0.27 406	0.24 287	0.30 399	0.16 311	0.27 421	0.18 338	0.12 402	0.09 381	0.12 406	0.11 399	0.16 454	0.08 292

Anonymous_2	0.22 406	0.17 430	0.28 418	0.15 56	0.16 439	0.33 453	0.22 402	0.23 243	0.18 177	0.23 371	0.24 287	0.26 369	0.27 424	0.27 421	0.24 411	0.22 480	0.26 488	0.17 454	0.17 462	0.16 454	0.18 466

Wz-Net-LNSev	0.22 406	0.16 420	0.41 460	0.22 405	0.13 396	0.25 413	0.24 422	0.33 398	0.44 438	0.30 432	0.42 451	0.32 420	0.19 364	0.23 399	0.27 435	0.10 345	0.09 381	0.08 230	0.08 293	0.12 402	0.11 384

FINET	0.22 406	0.18 443	0.28 418	0.19 306	0.16 439	0.24 405	0.24 422	0.33 398	0.49 453	0.26 399	0.33 394	0.22 322	0.23 397	0.23 399	0.18 338	0.18 465	0.16 461	0.11 387	0.10 370	0.15 443	0.14 431

Syn2CoEx	0.22 406	0.16 420	0.29 427	0.29 471	0.15 427	0.26 423	0.21 391	0.34 412	0.32 364	0.29 427	0.36 414	0.28 385	0.25 411	0.20 358	0.25 418	0.16 459	0.12 430	0.14 433	0.11 399	0.09 333	0.08 292

aanetorigin	0.22 406	0.17 430	0.57 478	0.18 248	0.10 290	0.16 283	0.19 358	0.20 186	0.33 369	0.49 481	0.48 463	0.30 399	0.28 433	0.21 375	0.24 411	0.08 256	0.07 326	0.08 230	0.07 227	0.10 367	0.09 336

MaskLacGwcNet_RVC	0.22 406	0.21 455	0.25 405	0.26 450	0.11 342	0.24 405	0.14 118	0.39 451	0.24 273	0.32 444	0.36 414	0.30 399	0.21 384	0.19 340	0.22 388	0.17 464	0.14 452	0.21 468	0.16 455	0.13 415	0.12 403

RP	0.22 406	0.13 391	0.22 389	0.23 424	0.12 371	0.21 374	0.20 375	0.26 298	0.45 442	0.22 356	0.38 424	0.37 440	0.25 411	0.28 429	0.25 418	0.11 376	0.12 430	0.13 420	0.12 419	0.13 415	0.14 431

stereogan	0.22 406	0.11 345	0.21 380	0.20 355	0.12 371	0.32 451	0.19 358	0.36 432	0.45 442	0.23 371	0.39 431	0.35 435	0.27 424	0.33 451	0.23 399	0.10 345	0.12 430	0.10 357	0.10 370	0.14 431	0.14 431

GANet	0.22 406	0.13 391	0.21 380	0.25 441	0.14 412	0.23 399	0.22 402	0.42 464	0.27 322	0.31 437	0.43 454	0.37 440	0.29 436	0.23 399	0.23 399	0.10 345	0.12 430	0.10 357	0.09 336	0.10 367	0.08 292

MDST_ROB	0.22 406	0.10 321	0.18 343	0.18 248	0.11 342	0.40 475	0.19 358	0.44 474	0.42 428	0.40 463	0.40 434	0.29 392	0.21 384	0.27 421	0.19 352	0.11 376	0.10 403	0.14 433	0.11 399	0.10 367	0.08 292

XPNet_ROB	0.22 406	0.12 363	0.20 370	0.22 405	0.13 396	0.22 387	0.19 358	0.35 426	0.40 419	0.30 432	0.40 434	0.38 446	0.27 424	0.26 419	0.29 449	0.15 442	0.10 403	0.10 357	0.10 370	0.13 415	0.12 403

PSMNet_ROB	0.22 406	0.12 363	0.15 247	0.27 458	0.15 427	0.25 413	0.36 486	0.43 470	0.37 404	0.27 406	0.33 394	0.32 420	0.23 397	0.21 375	0.27 435	0.12 402	0.08 357	0.13 420	0.11 399	0.10 367	0.09 336

Wz-Net-MNSev	0.23 419	0.13 391	0.33 442	0.20 355	0.15 427	0.36 465	0.25 439	0.34 412	0.45 442	0.29 427	0.41 444	0.39 451	0.19 364	0.25 415	0.27 435	0.09 308	0.07 326	0.09 312	0.09 336	0.12 402	0.10 362

DDUNet	0.23 419	0.18 443	0.22 389	0.22 405	0.15 427	0.25 413	0.24 422	0.30 364	0.31 359	0.31 437	0.37 417	0.34 430	0.26 418	0.25 415	0.21 375	0.18 465	0.13 442	0.17 454	0.11 399	0.16 454	0.17 463

APVNet	0.23 419	0.12 363	0.20 370	0.18 248	0.14 412	0.32 451	0.31 475	0.40 454	0.33 369	0.27 406	0.40 434	0.30 399	0.29 436	0.27 421	0.25 418	0.11 376	0.12 430	0.11 387	0.14 435	0.12 402	0.13 415

AF-Net	0.23 419	0.17 430	0.17 311	0.27 458	0.13 396	0.26 423	0.24 422	0.33 398	0.51 459	0.25 396	0.33 394	0.39 451	0.27 424	0.28 429	0.26 430	0.11 376	0.10 403	0.16 451	0.12 419	0.11 387	0.11 384

edge stereo	0.23 419	0.14 406	0.21 380	0.21 385	0.13 396	0.24 405	0.16 245	0.32 384	0.42 428	0.32 444	0.40 434	0.39 451	0.35 461	0.25 415	0.25 418	0.13 419	0.11 416	0.14 433	0.11 399	0.12 402	0.14 431

Nwc_Net	0.23 419	0.17 430	0.22 389	0.25 441	0.15 427	0.25 413	0.27 450	0.38 446	0.39 414	0.22 356	0.41 444	0.30 399	0.29 436	0.28 429	0.25 418	0.11 376	0.10 403	0.17 454	0.20 468	0.10 367	0.11 384

RTSC	0.23 419	0.13 391	0.30 433	0.21 385	0.13 396	0.29 443	0.17 271	0.36 432	0.68 487	0.27 406	0.34 404	0.30 399	0.22 391	0.32 448	0.31 459	0.10 345	0.08 357	0.09 312	0.10 370	0.13 415	0.14 431

RYNet	0.23 419	0.12 363	0.22 389	0.19 306	0.17 451	0.47 480	0.26 445	0.39 451	0.49 453	0.24 383	0.29 369	0.34 430	0.24 404	0.20 358	0.31 459	0.10 345	0.06 258	0.09 312	0.09 336	0.14 431	0.15 445

NaN_ROB	0.23 419	0.20 450	0.25 405	0.25 441	0.13 396	0.31 449	0.27 450	0.34 412	0.41 426	0.31 437	0.31 379	0.32 420	0.23 397	0.31 444	0.22 388	0.11 376	0.17 465	0.10 357	0.11 399	0.08 273	0.09 336

ETE_ROB	0.23 419	0.17 430	0.23 396	0.25 441	0.14 412	0.26 423	0.29 467	0.32 384	0.37 404	0.28 418	0.37 417	0.45 469	0.27 424	0.28 429	0.27 435	0.11 376	0.09 381	0.12 406	0.10 370	0.14 431	0.13 415

SQANet	0.24 429	0.24 464	0.31 436	0.31 475	0.19 464	0.27 431	0.13 72	0.30 364	0.33 369	0.25 396	0.37 417	0.31 413	0.22 391	0.27 421	0.23 399	0.15 442	0.10 403	0.21 468	0.16 455	0.22 470	0.16 454

DeepPrunerF	0.24 429	0.17 430	0.45 465	0.26 450	0.16 439	0.23 399	0.29 467	0.37 439	0.51 459	0.27 406	0.31 379	0.24 347	0.28 433	0.22 392	0.23 399	0.15 442	0.11 416	0.20 467	0.18 466	0.12 402	0.14 431

PA-Net	0.24 429	0.18 443	0.34 445	0.28 464	0.22 472	0.22 387	0.39 491	0.29 354	0.39 414	0.22 356	0.33 394	0.25 359	0.26 418	0.21 375	0.25 418	0.10 345	0.23 486	0.15 444	0.22 473	0.09 333	0.13 415
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.24 429	0.15 412	0.18 343	0.34 480	0.18 460	0.24 405	0.24 422	0.34 412	0.29 344	0.31 437	0.38 424	0.38 446	0.29 436	0.23 399	0.25 418	0.15 442	0.12 430	0.18 463	0.21 470	0.13 415	0.13 415

WCMA_ROB	0.24 429	0.11 345	0.24 402	0.17 171	0.14 412	0.34 457	0.16 245	0.33 398	0.33 369	0.39 460	0.54 471	0.40 457	0.35 461	0.35 459	0.26 430	0.12 402	0.12 430	0.12 406	0.11 399	0.14 431	0.14 431

SGM_RVC	0.24 429	0.12 363	0.16 288	0.15 56	0.09 185	0.34 457	0.19 358	0.35 426	0.32 364	0.44 475	0.38 424	0.53 483	0.36 464	0.36 463	0.26 430	0.13 419	0.13 442	0.13 420	0.13 430	0.11 387	0.11 384
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.25 435	0.19 446	0.34 445	0.21 385	0.24 476	0.24 405	0.21 391	0.36 432	0.42 428	0.25 396	0.32 388	0.38 446	0.21 384	0.29 437	0.24 411	0.13 419	0.11 416	0.14 433	0.16 455	0.23 473	0.23 480

psmorigin	0.25 435	0.16 420	0.35 451	0.17 171	0.13 396	0.24 405	0.14 118	0.34 412	0.34 380	0.41 467	0.55 472	0.41 460	0.38 467	0.35 459	0.28 442	0.11 376	0.15 456	0.11 387	0.11 399	0.12 402	0.17 463

RGC	0.25 435	0.20 450	0.29 427	0.28 464	0.16 439	0.22 387	0.23 412	0.33 398	0.44 438	0.27 406	0.40 434	0.38 446	0.28 433	0.37 467	0.23 399	0.11 376	0.13 442	0.17 454	0.17 462	0.15 443	0.16 454

G-Net	0.25 435	0.17 430	0.38 455	0.23 424	0.16 439	0.51 483	0.23 412	0.29 354	0.35 393	0.36 452	0.38 424	0.31 413	0.29 436	0.28 429	0.27 435	0.11 376	0.09 381	0.12 406	0.10 370	0.16 454	0.14 431

NCC-stereo	0.25 435	0.15 412	0.31 436	0.26 450	0.17 451	0.21 374	0.31 475	0.41 459	0.40 419	0.24 383	0.38 424	0.33 426	0.29 436	0.37 467	0.28 442	0.13 419	0.11 416	0.15 444	0.22 473	0.13 415	0.13 415

Abc-Net	0.25 435	0.15 412	0.31 436	0.26 450	0.17 451	0.21 374	0.31 475	0.41 459	0.40 419	0.24 383	0.38 424	0.33 426	0.29 436	0.37 467	0.28 442	0.13 419	0.11 416	0.15 444	0.22 473	0.13 415	0.13 415
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.25 435	0.12 363	0.49 471	0.22 405	0.12 371	0.36 465	0.29 467	0.30 364	0.57 472	0.24 383	0.47 462	0.30 399	0.31 452	0.30 443	0.30 454	0.09 308	0.07 326	0.09 312	0.09 336	0.10 367	0.10 362

STTRV1_RVC	0.25 435	0.26 470	0.39 456	0.19 306	0.26 483	0.30 446	0.24 422	0.35 426	0.35 393	0.36 452	0.34 404	0.31 413	0.31 452	0.28 429	0.25 418	0.18 465	0.10 403	0.16 451	0.14 435	0.18 463	0.12 403

FBW_ROB	0.25 435	0.17 430	0.23 396	0.27 458	0.14 412	0.26 423	0.22 402	0.42 464	0.43 436	0.42 469	0.41 444	0.43 465	0.27 424	0.32 448	0.24 411	0.09 308	0.15 456	0.15 444	0.12 419	0.12 402	0.10 362

SANet	0.25 435	0.14 406	0.29 427	0.21 385	0.11 342	0.29 443	0.25 439	0.40 454	0.65 486	0.36 452	0.40 434	0.42 462	0.27 424	0.27 421	0.25 418	0.12 402	0.09 381	0.10 357	0.09 336	0.13 415	0.12 403

LALA_ROB	0.25 435	0.16 420	0.23 396	0.27 458	0.17 451	0.27 431	0.27 450	0.42 464	0.38 410	0.33 448	0.39 431	0.51 479	0.26 418	0.29 437	0.28 442	0.16 459	0.09 381	0.13 420	0.12 419	0.13 415	0.13 415

Wz-Net-SNSev	0.26 446	0.17 430	0.46 466	0.25 441	0.14 412	0.26 423	0.24 422	0.38 446	0.57 472	0.30 432	0.56 473	0.39 451	0.26 418	0.24 410	0.32 464	0.10 345	0.09 381	0.10 357	0.11 399	0.11 387	0.11 384

SHD	0.26 446	0.15 412	0.31 436	0.24 434	0.18 460	0.23 399	0.15 187	0.39 451	0.72 492	0.32 444	0.42 451	0.36 437	0.29 436	0.33 451	0.30 454	0.13 419	0.11 416	0.14 433	0.13 430	0.16 454	0.20 474

ADCMid	0.26 446	0.15 412	0.42 462	0.20 355	0.14 412	0.25 413	0.26 445	0.35 426	0.40 419	0.37 457	0.45 458	0.34 430	0.42 477	0.36 463	0.36 471	0.10 345	0.09 381	0.11 387	0.11 399	0.13 415	0.13 415

AnyNet_C32	0.26 446	0.16 420	0.39 456	0.20 355	0.17 451	0.26 423	0.31 475	0.32 384	0.45 442	0.31 437	0.50 466	0.30 399	0.34 458	0.41 481	0.36 471	0.12 402	0.12 430	0.12 406	0.14 435	0.14 431	0.15 445

ADCPNet	0.26 446	0.17 430	0.62 483	0.21 385	0.15 427	0.36 465	0.25 439	0.33 398	0.37 404	0.31 437	0.41 444	0.36 437	0.29 436	0.29 437	0.34 469	0.12 402	0.10 403	0.11 387	0.12 419	0.14 431	0.13 415

DispFullNet	0.27 451	0.22 459	0.66 486	0.28 464	0.17 451	0.27 431	0.17 271	0.34 412	0.57 472	0.27 406	0.37 417	0.43 465	0.24 404	0.39 473	0.25 418	0.12 402	0.06 258	0.19 465	0.11 399	0.23 473	0.16 454

MeshStereo	0.27 451	0.13 391	0.18 343	0.15 56	0.11 342	0.33 453	0.24 422	0.41 459	0.36 399	0.53 484	0.58 480	0.67 493	0.41 473	0.36 463	0.27 435	0.14 438	0.13 442	0.13 420	0.11 399	0.11 387	0.11 384
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
PSMNet-RUCA	0.28 453	0.33 484	0.42 462	0.36 484	0.32 490	0.18 322	0.20 375	0.42 464	0.30 350	0.33 448	0.41 444	0.40 457	0.24 404	0.31 444	0.20 362	0.19 469	0.11 416	0.25 475	0.15 451	0.22 470	0.16 454

CC-Net-ROB	0.28 453	0.31 482	0.36 453	0.30 473	0.15 427	0.25 413	0.19 358	0.45 476	0.34 380	0.39 460	0.37 417	0.39 451	0.31 452	0.27 421	0.27 435	0.24 487	0.18 467	0.30 488	0.23 477	0.19 467	0.15 445

DPSNet	0.28 453	0.16 420	0.33 442	0.18 248	0.13 396	0.55 486	0.42 494	0.52 486	0.68 487	0.29 427	0.38 424	0.39 451	0.30 447	0.32 448	0.23 399	0.11 376	0.10 403	0.11 387	0.08 293	0.20 469	0.16 454

PDISCO_ROB	0.28 453	0.16 420	0.28 418	0.28 464	0.20 467	0.33 453	0.27 450	0.45 476	0.58 475	0.28 418	0.41 444	0.45 469	0.30 447	0.34 454	0.35 470	0.12 402	0.09 381	0.17 454	0.16 455	0.17 461	0.13 415

Wz-Net-TNSev	0.29 457	0.20 450	0.69 494	0.19 306	0.15 427	0.38 471	0.27 450	0.36 432	0.56 471	0.35 450	0.42 451	0.45 469	0.39 468	0.33 451	0.31 459	0.13 419	0.13 442	0.10 357	0.12 419	0.15 443	0.15 445

WZ-Net	0.29 457	0.17 430	0.82 502	0.23 424	0.16 439	0.35 461	0.29 467	0.40 454	0.59 477	0.24 383	0.57 477	0.37 440	0.25 411	0.34 454	0.37 475	0.09 308	0.08 357	0.09 312	0.10 370	0.14 431	0.16 454

XQC	0.29 457	0.23 461	0.53 473	0.29 471	0.19 464	0.36 465	0.28 456	0.37 439	0.58 475	0.31 437	0.31 379	0.37 440	0.30 447	0.39 473	0.39 479	0.13 419	0.09 381	0.15 444	0.12 419	0.18 463	0.18 466

ccnet	0.30 460	0.28 473	0.24 402	0.20 355	0.28 485	0.41 476	0.22 402	0.46 479	0.33 369	0.37 457	0.46 460	0.37 440	0.30 447	0.40 476	0.43 485	0.23 485	0.14 452	0.21 468	0.17 462	0.23 473	0.19 471

EDNetEfficient	0.30 460	0.24 464	1.18 510	0.18 248	0.10 290	0.20 363	0.20 375	0.21 202	0.61 479	0.74 498	0.56 473	0.30 399	0.40 472	0.23 399	0.32 464	0.09 308	0.07 326	0.08 230	0.07 227	0.11 387	0.10 362

MFN_U_SF_DS_RVC	0.30 460	0.24 464	0.30 433	0.36 484	0.16 439	0.36 465	0.31 475	0.34 412	0.43 436	0.41 467	0.46 460	0.38 446	0.30 447	0.35 459	0.29 449	0.19 469	0.20 473	0.26 476	0.29 486	0.18 463	0.19 471

ADCS	0.30 460	0.19 446	0.48 470	0.21 385	0.18 460	0.29 443	0.24 422	0.42 464	0.64 484	0.40 463	0.50 466	0.40 457	0.37 465	0.40 476	0.43 485	0.13 419	0.13 442	0.13 420	0.14 435	0.16 454	0.16 454

CSAN	0.30 460	0.24 464	0.28 418	0.34 480	0.19 464	0.34 457	0.42 494	0.38 446	0.51 459	0.38 459	0.40 434	0.44 468	0.34 458	0.29 437	0.31 459	0.19 469	0.16 461	0.19 465	0.19 467	0.14 431	0.15 445

GANetREF_RVC	0.31 465	0.34 485	0.29 427	0.35 482	0.16 439	0.33 453	0.42 494	0.48 481	0.52 465	0.35 450	0.35 409	0.34 430	0.32 455	0.40 476	0.33 467	0.27 489	0.20 473	0.29 486	0.15 451	0.19 467	0.18 466
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
MSMD_ROB	0.31 465	0.26 470	0.26 413	0.24 434	0.21 469	0.34 457	0.25 439	0.34 412	0.39 414	0.40 463	0.69 488	0.45 469	0.41 473	0.34 454	0.28 442	0.20 474	0.20 473	0.26 476	0.25 479	0.23 473	0.22 478

FC-DCNN v2	0.33 467	0.28 473	0.28 418	0.26 450	0.23 473	0.39 473	0.29 467	0.41 459	0.44 438	0.46 478	0.57 477	0.51 479	0.41 473	0.38 471	0.30 454	0.21 477	0.20 473	0.27 479	0.26 480	0.25 482	0.24 481

FCDSN-DC	0.33 467	0.28 473	0.28 418	0.30 473	0.24 476	0.39 473	0.28 456	0.43 470	0.42 428	0.44 475	0.53 470	0.51 479	0.42 477	0.37 467	0.30 454	0.21 477	0.20 473	0.27 479	0.26 480	0.25 482	0.25 483
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MFN_U_SF_RVC	0.33 467	0.22 459	0.58 481	0.31 475	0.15 427	0.36 465	0.17 271	0.54 489	0.46 449	0.47 480	0.56 473	0.58 486	0.39 468	0.36 463	0.38 478	0.15 442	0.15 456	0.18 463	0.21 470	0.16 454	0.16 454

FC-DCNN	0.33 467	0.28 473	0.28 418	0.26 450	0.23 473	0.38 471	0.29 467	0.40 454	0.44 438	0.46 478	0.56 473	0.51 479	0.41 473	0.38 471	0.31 459	0.21 477	0.20 473	0.27 479	0.26 480	0.25 482	0.24 481

PASM	0.33 467	0.25 469	0.51 472	0.28 464	0.27 484	0.30 446	0.31 475	0.35 426	0.51 459	0.36 452	0.40 434	0.47 476	0.35 461	0.34 454	0.36 471	0.23 485	0.26 488	0.26 476	0.28 485	0.23 473	0.21 475

SGM-ForestM	0.33 467	0.12 363	0.17 311	0.16 105	0.11 342	0.42 477	0.20 375	0.43 470	0.53 468	0.53 484	0.57 477	1.41 515	0.44 482	0.42 482	0.29 449	0.14 438	0.16 461	0.16 451	0.16 455	0.12 402	0.13 415

LSM	0.34 473	0.21 455	0.62 483	0.27 458	0.62 509	0.35 461	0.26 445	0.43 470	0.49 453	0.45 477	0.60 483	0.42 462	0.37 465	0.35 459	0.26 430	0.13 419	0.21 482	0.14 433	0.16 455	0.18 463	0.34 495

GCST	0.37 474	0.42 493	0.27 415	1.03 517	0.39 492	0.18 322	0.08 4	0.21 202	0.18 177	0.28 418	0.25 314	0.15 221	0.12 207	0.16 260	0.14 256	0.64 510	0.43 499	0.75 507	0.65 509	0.64 504	0.46 503

AnyNet_C01	0.37 474	0.26 470	1.41 513	0.22 405	0.17 451	0.51 483	0.28 456	0.36 432	0.40 419	0.39 460	0.75 494	0.46 473	0.39 468	0.46 484	0.50 495	0.13 419	0.13 442	0.13 420	0.14 435	0.14 431	0.16 454

otaku	0.39 476	0.38 489	0.53 473	0.44 491	0.28 485	0.57 488	0.24 422	0.42 464	0.62 482	0.40 463	0.50 466	0.46 473	0.34 458	0.40 476	0.33 467	0.30 490	0.30 492	0.39 492	0.33 491	0.30 488	0.29 489

ACVNet-4b	0.39 476	0.53 496	0.56 476	0.45 492	0.24 476	0.46 479	0.18 316	0.50 483	0.64 484	0.42 469	0.45 458	0.60 487	0.27 424	0.34 454	0.24 411	0.33 493	0.14 452	0.48 496	0.42 496	0.31 491	0.27 488

PVD	0.40 478	0.21 455	0.40 458	0.32 478	0.23 473	0.30 446	0.45 498	0.53 488	0.97 506	0.55 486	0.80 498	0.54 484	0.60 496	0.53 490	0.40 481	0.19 469	0.14 452	0.17 454	0.14 435	0.24 480	0.32 493

Ntro	0.41 479	0.40 491	0.54 475	0.46 495	0.30 489	0.64 492	0.24 422	0.47 480	0.68 487	0.42 469	0.49 464	0.47 476	0.42 477	0.40 476	0.32 464	0.32 492	0.28 490	0.37 491	0.31 489	0.33 493	0.29 489

SAMSARA	0.41 479	0.28 473	0.34 445	0.55 498	0.39 492	0.85 507	1.25 522	0.49 482	0.52 465	0.36 452	0.35 409	0.56 485	0.39 468	0.39 473	0.41 482	0.15 442	0.20 473	0.15 444	0.14 435	0.23 473	0.21 475

ELAS_RVC	0.42 481	0.29 480	0.33 442	0.28 464	0.24 476	0.56 487	0.38 489	0.50 483	0.61 479	0.74 498	0.76 495	0.67 493	0.56 492	0.55 492	0.42 484	0.22 480	0.21 482	0.27 479	0.26 480	0.27 487	0.26 486
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 481	0.29 480	0.34 445	0.28 464	0.24 476	0.63 491	0.37 487	0.52 486	0.52 465	0.72 495	0.82 499	0.68 495	0.56 492	0.52 488	0.45 491	0.22 480	0.21 482	0.27 479	0.26 480	0.26 485	0.26 486
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Consistency-Raft	0.44 483	0.40 491	0.46 466	0.37 486	0.43 496	0.42 477	0.41 492	0.57 491	0.55 469	0.32 444	0.73 492	0.32 420	0.50 486	0.42 482	0.49 494	0.39 495	0.36 496	0.45 495	0.52 505	0.42 495	0.30 491

MSC_U_SF_DS_RVC	0.44 483	0.39 490	0.56 476	0.40 487	0.20 467	0.66 494	0.33 484	0.54 489	0.72 492	0.71 494	0.72 491	0.62 488	0.55 490	0.52 488	0.47 492	0.20 474	0.19 472	0.29 486	0.30 488	0.24 480	0.19 471

ACVNet_1	0.45 485	0.51 495	0.61 482	0.45 492	0.28 485	0.50 481	0.28 456	0.58 496	0.71 491	0.63 489	0.59 482	0.74 498	0.50 486	0.50 486	0.36 471	0.26 488	0.25 487	0.39 492	0.29 486	0.32 492	0.25 483

RTS	0.46 486	0.19 446	3.33 519	0.25 441	0.15 427	0.72 499	0.21 391	0.37 439	0.78 499	0.42 469	0.44 456	0.31 413	0.43 480	0.55 492	0.37 475	0.10 345	0.09 381	0.13 420	0.13 430	0.15 443	0.15 445

RTSA	0.46 486	0.19 446	3.33 519	0.25 441	0.15 427	0.72 499	0.21 391	0.37 439	0.78 499	0.42 469	0.44 456	0.31 413	0.43 480	0.55 492	0.37 475	0.10 345	0.09 381	0.13 420	0.13 430	0.15 443	0.15 445

MANE	0.47 488	0.28 473	0.28 418	0.27 458	0.24 476	0.50 481	0.32 483	0.57 491	0.62 482	0.74 498	1.20 516	1.21 508	0.64 498	0.54 491	0.39 479	0.22 480	0.20 473	0.27 479	0.31 489	0.26 485	0.25 483

NVStereoNet_ROB	0.47 488	0.37 488	0.47 469	0.42 490	0.29 488	0.35 461	0.35 485	0.50 483	0.61 479	0.73 496	0.94 503	0.70 497	0.68 500	0.48 485	0.62 502	0.22 480	0.33 495	0.34 490	0.34 493	0.30 488	0.31 492
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 490	0.07 96	0.14 211	0.15 56	0.08 87	0.26 423	0.17 271	0.23 243	1.71 522	4.68 527	0.67 485	0.46 473	0.47 483	0.21 375	0.30 454	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.06 152

anonymity	0.53 491	0.58 497	0.66 486	0.41 488	0.61 508	0.54 485	0.41 492	0.57 491	0.41 426	0.56 487	0.50 466	0.50 478	0.55 490	0.59 497	0.50 495	0.58 506	0.50 509	0.51 498	0.51 503	0.52 497	0.58 505

RainbowNet	0.54 492	0.61 500	0.71 499	0.57 499	0.43 496	0.66 494	0.37 487	0.60 497	0.87 503	0.51 482	0.67 485	0.63 489	0.47 483	0.50 486	0.44 488	0.47 501	0.48 505	0.53 500	0.41 495	0.53 499	0.41 500

BEATNet-Init1	0.54 492	0.28 473	0.68 493	0.31 475	0.21 469	0.85 507	0.31 475	0.57 491	0.69 490	0.89 505	1.00 506	2.17 523	0.66 499	0.58 496	0.44 488	0.19 469	0.18 467	0.23 473	0.22 473	0.22 470	0.21 475

SGM+DAISY	0.57 494	0.58 497	0.67 490	0.41 488	0.55 502	0.68 496	0.51 500	0.57 491	0.46 449	0.67 490	0.70 489	0.69 496	0.57 494	0.64 499	0.58 500	0.59 507	0.49 506	0.50 497	0.50 502	0.52 497	0.59 508

SPS-STEREO	0.58 495	0.59 499	0.66 486	0.45 492	0.55 502	0.65 493	0.44 497	0.63 498	0.51 459	0.69 492	0.65 484	0.66 492	0.58 495	0.62 498	0.62 502	0.62 509	0.47 504	0.51 498	0.49 500	0.55 500	0.58 505
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.65 496	0.66 504	0.66 486	0.51 496	0.69 513	0.70 497	0.58 504	0.65 500	0.75 497	0.61 488	0.73 492	0.63 489	0.68 500	0.65 500	0.60 501	0.66 511	0.58 518	0.63 502	0.59 506	0.68 508	0.69 515

IMH-64-1	0.66 497	0.62 501	0.69 494	0.72 502	0.51 499	0.60 489	0.51 500	0.92 506	0.84 501	0.75 501	1.02 507	0.81 499	0.78 505	0.80 504	0.50 495	0.43 497	0.46 500	0.72 504	0.48 498	0.55 500	0.40 498

IMH-64	0.66 497	0.62 501	0.69 494	0.72 502	0.51 499	0.60 489	0.51 500	0.92 506	0.84 501	0.75 501	1.02 507	0.81 499	0.78 505	0.80 504	0.50 495	0.43 497	0.46 500	0.72 504	0.48 498	0.55 500	0.40 498

ACVNet_2	0.67 499	0.68 505	0.70 497	0.64 500	0.41 494	0.75 502	0.50 499	0.98 512	1.38 517	0.90 506	1.09 510	1.04 503	0.74 503	0.55 492	0.48 493	0.43 497	0.40 498	0.53 500	0.45 497	0.48 496	0.36 497

IMH	0.72 500	0.65 503	0.70 497	0.77 504	0.54 501	0.71 498	0.56 503	0.99 514	1.08 508	0.82 504	1.09 510	0.89 501	0.88 509	0.88 512	0.53 499	0.44 500	0.50 509	0.75 507	0.51 503	0.58 503	0.42 501

PWCK	0.72 500	0.95 515	0.99 508	0.77 504	0.32 490	0.79 504	0.38 489	0.92 506	0.90 504	0.96 509	0.76 495	0.97 502	0.62 497	0.87 510	0.68 505	0.73 513	0.46 500	0.76 509	0.49 500	0.71 511	0.44 502

JetBlue	0.73 502	0.46 494	1.21 511	0.52 497	0.47 498	2.16 522	0.67 510	0.78 502	0.72 492	0.70 493	0.79 497	1.21 508	0.84 507	1.06 519	1.04 518	0.40 496	0.28 490	0.33 489	0.33 491	0.30 488	0.34 495

TorneroNet-64	0.76 503	0.73 507	0.77 500	0.78 506	0.58 507	0.94 512	0.58 504	0.85 505	1.26 512	0.67 490	0.88 501	1.41 515	0.76 504	0.87 510	0.68 505	0.49 502	0.46 500	0.73 506	0.59 506	0.68 508	0.54 504

MADNet+	0.76 503	0.72 506	3.76 522	0.67 501	0.41 494	0.99 513	0.97 520	0.72 501	0.75 497	0.52 483	0.58 480	0.64 491	0.68 500	0.89 513	1.04 518	0.35 494	0.36 496	0.28 485	0.23 477	0.38 494	0.33 494

WAO-7	0.80 505	0.78 509	0.57 478	0.85 509	0.67 512	0.76 503	0.69 513	1.07 516	1.30 514	0.90 506	1.20 516	1.05 504	0.93 511	0.71 501	0.68 505	0.60 508	0.62 519	0.67 503	0.68 512	0.64 504	0.59 508

WAO-6	0.82 506	0.81 510	0.63 485	0.87 511	0.63 510	0.79 504	0.60 506	0.98 512	1.52 521	0.91 508	0.97 505	1.08 505	1.04 515	0.72 502	0.70 508	0.72 512	0.49 506	0.91 515	0.71 513	0.70 510	0.59 508

TorneroNet	0.83 507	0.75 508	0.83 504	0.85 509	0.63 510	1.03 516	0.65 508	0.96 510	1.14 510	0.80 503	1.10 512	1.36 513	0.88 509	0.95 515	0.82 513	0.57 504	0.49 506	0.79 512	0.66 511	0.74 514	0.64 514

LVE	0.84 508	0.87 513	0.86 505	0.81 507	0.56 504	1.09 518	0.66 509	1.07 516	1.45 519	0.97 510	1.23 518	1.11 506	0.86 508	0.84 507	0.72 509	0.49 502	0.56 515	0.76 509	0.60 508	0.66 506	0.60 511

Dean	0.88 509	0.88 514	0.81 501	0.82 508	0.57 505	0.91 509	0.62 507	1.17 522	1.71 522	1.15 517	1.16 514	1.31 512	1.00 514	0.82 506	0.83 514	0.57 504	0.56 515	0.78 511	0.65 509	0.67 507	0.58 505

WAO-8	0.92 510	0.83 511	0.67 490	0.94 514	0.70 514	0.92 510	0.68 511	1.08 518	1.80 524	1.06 514	1.42 520	1.29 510	1.08 517	0.86 508	0.80 511	0.74 514	0.54 512	0.86 513	0.75 514	0.71 511	0.63 512

Venus	0.92 510	0.83 511	0.67 490	0.94 514	0.70 514	0.92 510	0.68 511	1.08 518	1.80 524	1.06 514	1.42 520	1.29 510	1.08 517	0.86 508	0.80 511	0.74 514	0.54 512	0.86 513	0.75 514	0.71 511	0.63 512

UNDER WATER-64	0.97 512	0.96 516	1.48 515	0.88 512	0.57 505	1.24 521	0.90 518	0.78 502	0.96 505	1.05 512	0.85 500	1.56 520	1.26 521	0.97 517	0.99 516	0.88 518	0.57 517	1.04 518	0.88 518	0.81 515	0.75 516

notaker	0.98 513	1.13 518	1.02 509	1.14 519	0.81 517	0.73 501	0.69 513	0.94 509	1.15 511	1.19 519	1.19 515	1.41 515	1.17 520	1.10 521	0.74 510	0.82 517	0.64 520	1.18 520	0.79 516	1.02 518	0.82 519

UNDER WATER	0.99 514	1.00 517	1.47 514	1.00 516	0.71 516	1.18 520	0.86 516	0.81 504	1.09 509	1.02 511	0.90 502	1.53 519	1.26 521	1.06 519	1.02 517	0.79 516	0.54 512	1.02 517	0.88 518	0.83 516	0.75 516

ktn	1.02 515	1.23 520	0.82 502	1.24 521	0.86 519	1.00 515	0.86 516	0.96 510	1.37 516	1.05 512	1.12 513	1.16 507	1.06 516	0.95 515	0.62 502	1.28 524	0.71 521	1.39 524	0.83 517	1.06 520	0.77 518

KSHMR	1.10 516	1.19 519	0.90 507	1.26 522	1.00 521	0.99 513	0.96 519	1.13 521	1.35 515	1.16 518	1.28 519	1.40 514	0.97 513	1.03 518	0.93 515	1.03 521	1.08 523	1.20 521	1.03 522	1.03 519	0.98 521

DPSimNet_ROB	1.14 517	1.25 521	0.87 506	1.15 520	0.90 520	1.15 519	1.18 521	1.20 523	1.26 512	1.45 521	1.05 509	1.44 518	1.13 519	0.92 514	1.70 521	1.47 525	0.52 511	1.22 522	1.04 523	0.92 517	1.03 522

HanzoNet	1.31 518	1.29 522	1.22 512	1.13 518	0.85 518	1.05 517	0.84 515	1.06 515	1.47 520	1.66 522	1.63 522	2.48 525	1.78 523	1.63 523	1.69 520	1.27 523	0.80 522	1.32 523	1.02 521	1.07 521	0.90 520

JetRed	1.66 519	1.51 523	3.09 518	0.93 513	1.21 522	5.28 525	1.61 524	1.29 524	1.42 518	1.84 523	1.77 523	1.59 521	0.95 512	1.43 522	2.51 525	0.91 520	1.61 525	0.93 516	0.91 520	1.36 522	1.03 522

MADNet++	1.97 520	1.75 524	1.66 516	1.83 524	1.69 524	2.38 523	1.45 523	2.36 526	2.11 526	2.58 526	2.37 525	2.25 524	2.21 524	2.28 524	2.36 524	1.87 526	1.67 526	1.53 525	1.34 525	1.87 524	1.78 526

coex-ft	3.24 521	0.35 487	57.83 542	0.18 248	0.13 396	0.27 431	0.23 412	0.28 336	0.72 492	1.89 524	0.70 489	0.43 465	0.47 483	0.29 437	0.43 485	0.09 308	0.09 381	0.12 406	0.09 336	0.14 431	0.14 431

ASD4	3.59 522	3.47 526	2.05 517	1.75 523	2.54 526	9.22 529	17.86 530	2.29 525	5.54 528	2.49 525	2.86 526	2.05 522	3.46 525	2.77 525	5.29 526	1.23 522	1.36 524	1.13 519	1.33 524	1.71 523	1.50 525

TCMNet-wrong-test	3.69 523	5.54 532	3.91 523	12.22 535	11.75 536	4.77 524	3.86 525	1.08 518	0.74 496	1.13 516	2.21 524	6.16 529	0.53 489	3.43 527	2.33 523	0.90 519	0.20 473	1.85 526	1.69 526	5.71 531	3.79 531

tt	4.65 524	0.07 96	3.54 521	2.01 525	1.55 523	10.25 530	16.66 529	8.90 534	5.03 527	1.33 520	0.96 504	4.71 526	4.74 526	3.33 526	5.86 528	6.06 533	10.30 537	1.87 527	2.09 528	2.61 525	1.19 524

xxxxx1	7.75 525	5.06 529	7.26 525	3.15 526	3.91 527	16.37 533	22.88 534	5.87 531	8.68 530	7.99 530	8.55 527	9.13 532	8.46 529	10.05 532	10.47 529	2.43 527	2.48 528	3.56 530	12.26 534	3.48 526	3.02 528

tt_ll	7.75 525	5.06 529	7.26 525	3.15 526	3.91 527	16.37 533	22.88 534	5.87 531	8.68 530	7.99 530	8.55 527	9.13 532	8.46 529	10.05 532	10.47 529	2.43 527	2.48 528	3.56 530	12.26 534	3.48 526	3.02 528

ff	7.75 525	5.06 529	7.26 525	3.15 526	3.91 527	16.37 533	22.88 534	5.87 531	8.68 530	7.99 530	8.55 527	9.13 532	8.46 529	10.05 532	10.47 529	2.43 527	2.48 528	3.56 530	12.26 534	3.48 526	3.02 528

EDNetEfficientorigin	7.92 528	0.32 483	152.98 543	0.20 355	0.10 290	0.22 387	0.17 271	0.23 243	0.60 478	0.73 496	0.67 485	0.41 460	0.51 488	0.24 410	0.41 482	0.08 256	0.07 326	0.09 312	0.07 227	0.12 402	0.11 384

DPSMNet_ROB	8.06 529	4.50 527	8.69 532	5.36 531	10.74 533	8.32 527	22.71 532	5.47 529	13.38 534	5.13 528	9.98 530	5.10 527	10.47 532	5.53 529	12.77 533	3.80 531	8.00 532	3.49 528	6.95 531	3.75 530	7.09 533

DGTPSM_ROB	8.06 529	4.50 527	8.69 532	5.34 529	10.73 532	8.32 527	22.71 532	5.47 529	13.38 534	5.13 528	9.98 530	5.10 527	10.47 532	5.53 529	12.77 533	3.79 530	8.00 532	3.49 528	6.95 531	3.74 529	7.09 533

PML	8.57 531	9.39 536	6.24 524	5.34 529	6.36 530	13.21 532	20.99 531	5.35 528	6.68 529	17.75 538	26.46 542	7.58 530	6.08 528	7.89 531	5.76 527	5.33 532	1.83 527	5.95 536	1.93 527	8.75 534	2.53 527

DLNR_Zeroshot_test	10.48 532	2.27 525	19.78 538	120.28 544	13.29 537	0.06 6	0.13 72	0.24 266	0.10 16	0.08 33	0.10 79	0.09 86	0.07 71	0.10 34	0.09 35	0.13 419	0.04 3	0.06 64	0.04 15	52.68 543	0.04 10

LRCNet_RVC	10.76 533	13.97 537	7.97 531	19.07 537	2.04 525	0.35 461	0.31 475	5.29 527	0.48 452	13.02 536	17.65 536	8.69 531	5.73 527	4.78 528	2.22 522	23.53 541	2.69 531	27.60 542	25.75 542	17.60 539	16.54 540

Anonymous_1	10.87 534	7.82 533	7.41 528	10.29 532	10.08 531	18.64 537	26.11 537	11.02 535	13.45 536	9.43 533	10.10 532	9.73 535	11.31 534	10.69 535	12.47 532	6.42 534	8.38 534	5.70 533	10.22 533	11.41 535	6.65 532

DPSM_ROB	11.10 535	8.47 534	7.95 529	10.84 533	11.58 534	19.10 538	26.50 538	12.02 536	14.09 537	10.38 534	10.91 533	10.39 536	11.92 535	11.67 536	13.39 535	6.99 535	8.79 535	5.82 534	6.92 529	6.97 532	7.31 535

DPSM	11.10 535	8.47 534	7.95 529	10.84 533	11.58 534	19.10 538	26.50 538	12.02 536	14.09 537	10.38 534	10.91 533	10.39 536	11.92 535	11.67 536	13.39 535	6.99 535	8.79 535	5.82 534	6.92 529	6.97 532	7.31 535

HaxPig	15.73 537	18.55 541	19.19 537	16.92 536	15.89 538	7.80 526	7.57 526	13.37 538	10.80 533	15.40 537	14.87 535	15.95 538	14.81 537	15.67 538	15.97 537	18.96 540	16.72 538	19.47 540	18.10 540	19.45 540	19.06 541

MEDIAN_ROB	20.38 538	24.05 542	23.36 539	21.18 538	21.62 539	10.51 531	8.17 527	17.68 539	15.46 539	20.04 539	19.65 537	20.30 539	20.16 538	21.17 539	21.03 538	23.81 542	21.77 542	24.98 541	23.75 541	25.01 541	23.94 542

CasAABBNet	22.33 539	17.11 538	15.84 534	21.94 539	23.28 540	38.30 540	53.40 542	24.05 541	28.44 542	20.66 540	21.86 539	21.03 541	24.04 540	23.35 540	27.03 541	14.06 537	17.69 540	11.70 537	13.94 538	14.04 536	14.76 538

Selective-RAFT-Error	22.39 540	17.14 539	16.01 535	22.00 540	23.34 541	38.37 541	53.36 541	24.24 543	28.53 543	20.80 541	21.94 540	20.94 540	24.02 539	23.48 542	27.33 542	14.07 538	17.70 541	11.70 537	13.93 537	14.05 537	14.83 539

LSM0	22.80 541	17.22 540	19.17 536	22.12 541	28.90 543	38.38 542	53.27 540	24.21 542	28.36 541	20.84 542	21.11 538	21.63 542	24.25 541	23.42 541	26.98 540	14.08 539	17.39 539	11.72 539	13.98 539	14.22 538	14.66 537

AVERAGE_ROB	24.89 542	29.12 543	27.98 540	24.83 542	24.59 542	17.82 536	11.61 528	21.45 540	19.91 540	25.04 543	24.38 541	25.06 543	25.31 542	24.69 543	22.86 539	29.74 543	27.09 543	28.97 543	27.94 543	30.07 542	29.35 543

test_example2	97.69 543	92.93 544	45.57 541	96.02 543	109.84 544	88.44 543	93.70 543	25.54 544	94.63 544	130.46 545	126.87 544	58.93 544	75.48 543	87.99 544	77.94 543	150.16 544	221.11 544	76.29 544	98.21 544	108.42 544	95.33 544

ccccc	243.87 544	285.89 545	306.04 544	366.70 545	366.78 545	118.88 544	141.79 544	113.97 545	107.77 545	125.77 544	108.41 543	120.54 545	160.89 544	252.62 545	276.01 544	382.79 545	352.84 545	254.30 545	222.62 545	426.61 545	386.14 545

FADE		0.34 485		0.33 479	0.25 482			0.64 499	1.07 507	0.43 474		0.42 462		0.72 502		0.30 490	0.21 482	0.41 494	0.38 494	0.23 473	0.22 478

Low-res two-view benchmark