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

Selective-IGEV	0.07 1	0.06 18	0.09 25	0.17 110	0.06 3	0.08 23	0.12 24	0.13 12	0.08 1	0.08 6	0.07 13	0.06 3	0.04 1	0.10 16	0.09 17	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

panet	0.08 2	0.05 5	0.07 1	0.12 3	0.05 1	0.12 106	0.10 5	0.13 12	0.10 7	0.08 6	0.13 75	0.09 40	0.08 51	0.11 43	0.10 46	0.08 194	0.05 83	0.05 2	0.03 1	0.06 94	0.05 44

MoCha-V2	0.08 2	0.06 18	0.09 25	0.35 381	0.06 3	0.06 2	0.14 77	0.11 2	0.08 1	0.07 2	0.07 13	0.07 18	0.05 2	0.09 10	0.08 9	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

LargeStereo	0.08 2	0.06 18	0.09 25	0.18 177	0.07 16	0.10 58	0.13 46	0.10 1	0.10 7	0.08 6	0.08 18	0.06 3	0.05 2	0.13 132	0.09 17	0.05 2	0.04 2	0.05 2	0.04 8	0.05 37	0.04 5

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 36	0.07 16	0.08 23	0.15 123	0.12 5	0.11 18	0.08 6	0.09 25	0.06 3	0.09 69	0.10 16	0.09 17	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 5

CAS	0.08 2	0.04 1	0.07 1	0.17 110	0.08 48	0.10 58	0.13 46	0.12 5	0.09 3	0.09 18	0.10 38	0.08 25	0.06 8	0.09 10	0.09 17	0.08 194	0.04 2	0.05 2	0.03 1	0.05 37	0.04 5

CES	0.08 2	0.04 1	0.08 7	0.14 12	0.07 16	0.09 37	0.14 77	0.11 2	0.09 3	0.08 6	0.09 25	0.11 75	0.07 31	0.12 95	0.08 9	0.06 53	0.04 2	0.05 2	0.03 1	0.05 37	0.05 44

EGLCR-Stereo	0.08 2	0.05 5	0.08 7	0.14 12	0.07 16	0.11 80	0.12 24	0.11 2	0.16 86	0.06 1	0.05 1	0.07 18	0.05 2	0.10 16	0.11 74	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 7	0.07 16	0.09 37	0.12 24	0.14 19	0.14 58	0.10 37	0.14 83	0.08 25	0.07 31	0.10 16	0.11 74	0.06 53	0.04 2	0.05 2	0.05 34	0.04 1	0.04 5
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
MGS-Stereo	0.09 10	0.07 54	0.12 89	0.16 61	0.08 48	0.09 37	0.15 123	0.12 5	0.12 28	0.07 2	0.10 38	0.08 25	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

ff7	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

IGEVStereo-DCA	0.09 10	0.07 54	0.11 66	0.16 61	0.10 219	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.08 25	0.06 8	0.10 16	0.09 17	0.06 53	0.05 83	0.06 33	0.05 34	0.05 37	0.06 100

ffff	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

rrr	0.09 10	0.07 54	0.13 113	0.16 61	0.10 219	0.11 80	0.15 123	0.16 40	0.15 70	0.10 37	0.06 2	0.08 25	0.06 8	0.10 16	0.09 17	0.06 53	0.05 83	0.06 33	0.05 34	0.05 37	0.06 100

11t	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

StereoIM	0.09 10	0.09 184	0.08 7	0.17 110	0.09 125	0.14 156	0.11 11	0.16 40	0.16 86	0.09 18	0.11 54	0.06 3	0.06 8	0.09 10	0.13 151	0.07 144	0.06 192	0.08 162	0.05 34	0.05 37	0.04 5

IGEV_Zeroshot_test	0.09 10	0.05 5	0.13 113	0.14 12	0.08 48	0.12 106	0.13 46	0.17 67	0.11 18	0.10 37	0.06 2	0.09 40	0.06 8	0.11 43	0.09 17	0.06 53	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

MSKI-zero shot	0.09 10	0.05 5	0.09 25	0.16 61	0.07 16	0.10 58	0.13 46	0.15 26	0.14 58	0.09 18	0.09 25	0.09 40	0.06 8	0.12 95	0.11 74	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

MIF-Stereo	0.09 10	0.07 54	0.08 7	0.18 177	0.08 48	0.13 127	0.11 11	0.12 5	0.11 18	0.10 37	0.12 64	0.05 1	0.06 8	0.09 10	0.10 46	0.07 144	0.06 192	0.05 2	0.05 34	0.06 94	0.05 44

CASnet	0.09 10	0.09 184	0.09 25	0.19 224	0.06 3	0.07 16	0.11 11	0.18 91	0.14 58	0.11 64	0.10 38	0.09 40	0.07 31	0.10 16	0.10 46	0.06 53	0.04 2	0.10 272	0.08 214	0.06 94	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.09 10	0.05 5	0.08 7	0.14 12	0.13 306	0.14 156	0.13 46	0.15 26	0.09 3	0.07 2	0.09 25	0.07 18	0.08 51	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

RAFT-Test	0.09 10	0.06 18	0.10 41	0.16 61	0.07 16	0.11 80	0.15 123	0.16 40	0.13 44	0.09 18	0.10 38	0.11 75	0.09 69	0.12 95	0.09 17	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

HH	0.09 10	0.06 18	0.13 113	0.17 110	0.08 48	0.11 80	0.16 174	0.15 26	0.10 7	0.08 6	0.10 38	0.08 25	0.07 31	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

HanStereo	0.09 10	0.06 18	0.13 113	0.17 110	0.08 48	0.11 80	0.16 174	0.15 26	0.10 7	0.08 6	0.10 38	0.08 25	0.07 31	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

anonymousdsp	0.09 10	0.07 54	0.11 66	0.17 110	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

LoS	0.09 10	0.05 5	0.11 66	0.13 7	0.07 16	0.14 156	0.11 11	0.15 26	0.15 70	0.09 18	0.09 25	0.12 94	0.09 69	0.15 164	0.10 46	0.07 144	0.05 83	0.05 2	0.03 1	0.05 37	0.05 44

ProNet	0.09 10	0.07 54	0.11 66	0.17 110	0.08 48	0.11 80	0.15 123	0.15 26	0.12 28	0.10 37	0.06 2	0.07 18	0.06 8	0.11 43	0.09 17	0.05 2	0.05 83	0.06 33	0.05 34	0.04 1	0.06 100

MC-Stereo	0.09 10	0.07 54	0.09 25	0.17 110	0.06 3	0.10 58	0.14 77	0.12 5	0.11 18	0.09 18	0.12 64	0.09 40	0.06 8	0.11 43	0.10 46	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

RCA-Stereo	0.09 10	0.06 18	0.09 25	0.16 61	0.06 3	0.09 37	0.13 46	0.18 91	0.14 58	0.10 37	0.11 54	0.08 25	0.07 31	0.12 95	0.11 74	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

CroCo-Stereo Lap2	0.09 10	0.09 184	0.08 7	0.22 309	0.09 125	0.09 37	0.18 232	0.16 40	0.12 28	0.09 18	0.10 38	0.05 1	0.05 2	0.08 5	0.08 9	0.06 53	0.06 192	0.07 102	0.05 34	0.06 94	0.05 44

ccc-4	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

IGEV-Stereo	0.09 10	0.07 54	0.11 66	0.17 110	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 10	0.05 5	0.13 113	0.14 12	0.09 125	0.12 106	0.15 123	0.19 115	0.11 18	0.11 64	0.08 18	0.08 25	0.05 2	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

test-3	0.09 10	0.06 18	0.10 41	0.18 177	0.07 16	0.07 16	0.14 77	0.12 5	0.16 86	0.10 37	0.08 18	0.08 25	0.08 51	0.11 43	0.10 46	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 5

test_1	0.09 10	0.06 18	0.10 41	0.18 177	0.07 16	0.07 16	0.14 77	0.12 5	0.16 86	0.10 37	0.08 18	0.08 25	0.08 51	0.11 43	0.10 46	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 5

CroCo-Stereo	0.09 10	0.08 137	0.08 7	0.22 309	0.09 125	0.09 37	0.18 232	0.16 40	0.12 28	0.07 2	0.07 13	0.08 25	0.06 8	0.08 5	0.07 1	0.07 144	0.05 83	0.06 33	0.04 8	0.05 37	0.04 5
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 10	0.04 1	0.08 7	0.13 7	0.06 3	0.11 80	0.13 46	0.15 26	0.19 125	0.11 64	0.15 94	0.10 60	0.07 31	0.12 95	0.09 17	0.07 144	0.05 83	0.05 2	0.04 8	0.06 94	0.05 44

XX-TBD	0.09 10	0.06 18	0.07 1	0.14 12	0.07 16	0.13 127	0.16 174	0.14 19	0.14 58	0.11 64	0.12 64	0.09 40	0.08 51	0.10 16	0.10 46	0.06 53	0.04 2	0.05 2	0.04 8	0.06 94	0.05 44

raftrobust	0.09 10	0.06 18	0.11 66	0.17 110	0.08 48	0.09 37	0.10 5	0.18 91	0.16 86	0.10 37	0.09 25	0.12 94	0.08 51	0.12 95	0.10 46	0.08 194	0.05 83	0.06 33	0.05 34	0.05 37	0.06 100

XX-Stereo	0.09 10	0.05 5	0.09 25	0.17 110	0.09 125	0.15 176	0.12 24	0.21 137	0.10 7	0.10 37	0.14 83	0.07 18	0.06 8	0.13 132	0.08 9	0.06 53	0.05 83	0.06 33	0.06 85	0.04 1	0.04 5

test_xeample3	0.09 10	0.07 54	0.12 89	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.14 58	0.10 37	0.07 13	0.08 25	0.06 8	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

RAFT-Stereo + iAFF	0.09 10	0.06 18	0.10 41	0.17 110	0.07 16	0.10 58	0.15 123	0.17 67	0.15 70	0.10 37	0.10 38	0.08 25	0.09 69	0.12 95	0.10 46	0.05 2	0.04 2	0.06 33	0.06 85	0.04 1	0.03 1

AFF-stereo	0.09 10	0.07 54	0.10 41	0.17 110	0.07 16	0.10 58	0.15 123	0.18 91	0.10 7	0.10 37	0.11 54	0.09 40	0.10 82	0.12 95	0.10 46	0.05 2	0.04 2	0.07 102	0.07 162	0.04 1	0.04 5

EAI-Stereo	0.09 10	0.07 54	0.11 66	0.16 61	0.07 16	0.10 58	0.15 123	0.16 40	0.09 3	0.08 6	0.09 25	0.08 25	0.07 31	0.09 10	0.11 74	0.05 2	0.05 83	0.05 2	0.05 34	0.05 37	0.04 5

CFNet-RSSM	0.09 10	0.07 54	0.10 41	0.16 61	0.07 16	0.09 37	0.15 123	0.17 67	0.18 111	0.08 6	0.12 64	0.11 75	0.09 69	0.12 95	0.10 46	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.04 5

Gwc-CoAtRS	0.09 10	0.07 54	0.10 41	0.16 61	0.07 16	0.10 58	0.15 123	0.18 91	0.17 101	0.08 6	0.10 38	0.12 94	0.09 69	0.12 95	0.09 17	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.05 44

CREStereo	0.09 10	0.05 5	0.08 7	0.11 1	0.06 3	0.14 156	0.14 77	0.14 19	0.10 7	0.09 18	0.13 75	0.09 40	0.08 51	0.12 95	0.10 46	0.08 194	0.04 2	0.05 2	0.03 1	0.06 94	0.06 100
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 10	0.05 5	0.09 25	0.12 3	0.06 3	0.13 127	0.14 77	0.16 40	0.11 18	0.09 18	0.13 75	0.10 60	0.07 31	0.14 150	0.10 46	0.15 350	0.04 2	0.05 2	0.03 1	0.07 152	0.06 100

H2IRNET	0.10 49	0.09 184	0.10 41	0.18 177	0.09 125	0.12 106	0.15 123	0.14 19	0.21 156	0.10 37	0.10 38	0.10 60	0.11 106	0.10 16	0.10 46	0.06 53	0.04 2	0.08 162	0.08 214	0.06 94	0.05 44

MyStereo07	0.10 49	0.07 54	0.10 41	0.17 110	0.09 125	0.14 156	0.17 194	0.15 26	0.15 70	0.09 18	0.06 2	0.06 3	0.07 31	0.12 95	0.09 17	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

MyStereo06	0.10 49	0.07 54	0.12 89	0.17 110	0.09 125	0.13 127	0.18 232	0.19 115	0.12 28	0.13 106	0.08 18	0.07 18	0.07 31	0.11 43	0.09 17	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

AE-Stereo	0.10 49	0.08 137	0.11 66	0.19 224	0.09 125	0.10 58	0.15 123	0.14 19	0.20 143	0.09 18	0.15 94	0.12 94	0.08 51	0.11 43	0.10 46	0.05 2	0.06 192	0.07 102	0.06 85	0.05 37	0.04 5

ACVNet-DCA	0.10 49	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.24 188	0.16 86	0.09 18	0.09 25	0.06 3	0.06 8	0.10 16	0.07 1	0.06 53	0.05 83	0.06 33	0.05 34	0.07 152	0.07 153

cc1	0.10 49	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.16 40	0.18 111	0.09 18	0.09 25	0.06 3	0.06 8	0.10 16	0.07 1	0.06 53	0.05 83	0.06 33	0.05 34	0.06 94	0.06 100

tt1	0.10 49	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.15 26	0.19 125	0.09 18	0.08 18	0.06 3	0.06 8	0.10 16	0.08 9	0.06 53	0.05 83	0.06 33	0.05 34	0.06 94	0.06 100

MIM_Stereo	0.10 49	0.07 54	0.11 66	0.15 36	0.07 16	0.07 16	0.12 24	0.20 126	0.14 58	0.13 106	0.14 83	0.09 40	0.05 2	0.12 95	0.08 9	0.05 2	0.06 192	0.07 102	0.06 85	0.06 94	0.05 44

Any-RAFT	0.10 49	0.05 5	0.10 41	0.15 36	0.07 16	0.13 127	0.14 77	0.21 137	0.15 70	0.11 64	0.12 64	0.13 116	0.10 82	0.13 132	0.10 46	0.07 144	0.04 2	0.05 2	0.04 8	0.06 94	0.05 44

4D-IteraStereo	0.10 49	0.07 54	0.10 41	0.18 177	0.07 16	0.09 37	0.15 123	0.18 91	0.15 70	0.10 37	0.11 54	0.10 60	0.07 31	0.12 95	0.09 17	0.05 2	0.03 1	0.08 162	0.07 162	0.06 94	0.05 44

fff	0.10 49	0.06 18	0.12 89	0.15 36	0.07 16	0.09 37	0.17 194	0.16 40	0.21 156	0.13 106	0.17 122	0.10 60	0.11 106	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

ADStereo(finetuned)	0.10 49	0.06 18	0.13 113	0.16 61	0.06 3	0.09 37	0.17 194	0.16 40	0.20 143	0.13 106	0.18 142	0.10 60	0.12 135	0.12 95	0.12 124	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

TRStereo	0.10 49	0.05 5	0.12 89	0.16 61	0.12 285	0.10 58	0.13 46	0.18 91	0.19 125	0.09 18	0.09 25	0.09 40	0.07 31	0.10 16	0.08 9	0.07 144	0.05 83	0.07 102	0.07 162	0.04 1	0.04 5

STrans-v2	0.10 49	0.07 54	0.13 113	0.18 177	0.08 48	0.10 58	0.14 77	0.22 156	0.11 18	0.11 64	0.15 94	0.12 94	0.10 82	0.11 43	0.12 124	0.05 2	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

TransformOpticalFlow	0.10 49	0.08 137	0.13 113	0.18 177	0.07 16	0.09 37	0.15 123	0.19 115	0.16 86	0.12 82	0.16 106	0.11 75	0.11 106	0.11 43	0.11 74	0.05 2	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

AnonymousM	0.10 49	0.06 18	0.10 41	0.14 12	0.07 16	0.09 37	0.13 46	0.19 115	0.14 58	0.13 106	0.12 64	0.09 40	0.08 51	0.13 132	0.10 46	0.08 194	0.05 83	0.08 162	0.05 34	0.05 37	0.05 44

cross-raft	0.10 49	0.09 184	0.09 25	0.19 224	0.07 16	0.11 80	0.24 324	0.13 12	0.15 70	0.08 6	0.10 38	0.12 94	0.10 82	0.09 10	0.11 74	0.05 2	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

test-1	0.10 49	0.07 54	0.17 229	0.19 224	0.08 48	0.11 80	0.24 324	0.15 26	0.18 111	0.09 18	0.07 13	0.10 60	0.08 51	0.08 5	0.09 17	0.06 53	0.04 2	0.06 33	0.06 85	0.04 1	0.05 44

iRaftStereo_RVC	0.10 49	0.07 54	0.10 41	0.17 110	0.09 125	0.11 80	0.17 194	0.18 91	0.12 28	0.09 18	0.11 54	0.10 60	0.07 31	0.11 43	0.10 46	0.05 2	0.04 2	0.08 162	0.08 214	0.04 1	0.04 5

s12784h	0.10 49	0.06 18	0.08 7	0.15 36	0.05 1	0.16 198	0.18 232	0.16 40	0.15 70	0.10 37	0.11 54	0.11 75	0.11 106	0.11 43	0.12 124	0.05 2	0.04 2	0.06 33	0.04 8	0.04 1	0.04 5

DCANet	0.10 49	0.06 18	0.12 89	0.16 61	0.06 3	0.09 37	0.17 194	0.16 40	0.20 143	0.13 106	0.18 142	0.10 60	0.11 106	0.11 43	0.12 124	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

csc	0.10 49	0.06 18	0.12 89	0.15 36	0.07 16	0.09 37	0.17 194	0.16 40	0.21 156	0.13 106	0.17 122	0.10 60	0.11 106	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

cscssc	0.10 49	0.06 18	0.12 89	0.15 36	0.07 16	0.09 37	0.17 194	0.16 40	0.21 156	0.13 106	0.17 122	0.10 60	0.11 106	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

R-Stereo Train	0.10 49	0.06 18	0.11 66	0.17 110	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 82	0.19 153	0.11 75	0.08 51	0.10 16	0.11 74	0.07 144	0.05 83	0.06 33	0.05 34	0.05 37	0.05 44

RAFT-Stereo	0.10 49	0.06 18	0.11 66	0.17 110	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 82	0.19 153	0.11 75	0.08 51	0.10 16	0.11 74	0.07 144	0.05 83	0.06 33	0.05 34	0.05 37	0.05 44
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Former-RAFT_DAM_RVC	0.11 74	0.08 137	0.13 113	0.16 61	0.08 48	0.15 176	0.16 174	0.18 91	0.19 125	0.10 37	0.09 25	0.09 40	0.08 51	0.11 43	0.12 124	0.07 144	0.05 83	0.08 162	0.06 85	0.07 152	0.06 100

xx1	0.11 74	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.16 40	0.18 111	0.09 18	0.09 25	0.16 167	0.16 222	0.10 16	0.07 1	0.06 53	0.05 83	0.08 162	0.08 214	0.07 152	0.07 153

1test111	0.11 74	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.24 188	0.16 86	0.09 18	0.09 25	0.06 3	0.06 8	0.15 164	0.16 222	0.06 53	0.05 83	0.06 33	0.05 34	0.07 152	0.07 153

test croco	0.11 74	0.09 184	0.10 41	0.19 224	0.09 125	0.11 80	0.14 77	0.14 19	0.13 44	0.13 106	0.15 94	0.09 40	0.12 135	0.13 132	0.12 124	0.07 144	0.05 83	0.09 231	0.06 85	0.06 94	0.06 100

MIF-Stereo (partial)	0.11 74	0.06 18	0.10 41	0.19 224	0.10 219	0.10 58	0.12 24	0.17 67	0.19 125	0.14 127	0.16 106	0.10 60	0.11 106	0.12 95	0.12 124	0.08 194	0.05 83	0.08 162	0.07 162	0.06 94	0.07 153

EKT-Stereo	0.11 74	0.07 54	0.14 149	0.16 61	0.10 219	0.13 127	0.14 77	0.19 115	0.21 156	0.11 64	0.08 18	0.13 116	0.10 82	0.11 43	0.12 124	0.08 194	0.06 192	0.07 102	0.06 85	0.08 200	0.07 153

LL-Strereo2	0.11 74	0.10 240	0.16 210	0.18 177	0.08 48	0.15 176	0.09 3	0.17 67	0.14 58	0.14 127	0.11 54	0.09 40	0.07 31	0.16 189	0.10 46	0.05 2	0.05 83	0.11 298	0.07 162	0.06 94	0.05 44

anonymousdsp2	0.11 74	0.07 54	0.11 66	0.16 61	0.09 125	0.13 127	0.14 77	0.19 115	0.23 184	0.13 106	0.14 83	0.12 94	0.09 69	0.14 150	0.11 74	0.05 2	0.05 83	0.05 2	0.04 8	0.06 94	0.06 100

DCRE	0.11 74	0.07 54	0.13 113	0.16 61	0.11 257	0.11 80	0.17 194	0.18 91	0.17 101	0.11 64	0.18 142	0.11 75	0.10 82	0.15 164	0.11 74	0.06 53	0.05 83	0.06 33	0.06 85	0.05 37	0.05 44

knoymous	0.11 74	0.06 18	0.12 89	0.14 12	0.07 16	0.15 176	0.13 46	0.20 126	0.14 58	0.11 64	0.17 122	0.13 116	0.09 69	0.14 150	0.11 74	0.09 237	0.05 83	0.06 33	0.05 34	0.07 152	0.07 153

riskmin	0.11 74	0.06 18	0.13 113	0.14 12	0.08 48	0.14 156	0.14 77	0.18 91	0.15 70	0.12 82	0.15 94	0.17 183	0.11 106	0.14 150	0.12 124	0.09 237	0.05 83	0.07 102	0.05 34	0.08 200	0.08 216

Selective-RAFT	0.11 74	0.11 258	0.12 89	0.21 293	0.08 48	0.16 198	0.13 46	0.21 137	0.23 184	0.10 37	0.10 38	0.11 75	0.10 82	0.15 164	0.11 74	0.05 2	0.05 83	0.06 33	0.05 34	0.06 94	0.05 44

DCANet-4	0.11 74	0.07 54	0.13 113	0.16 61	0.06 3	0.09 37	0.17 194	0.18 91	0.20 143	0.13 106	0.17 122	0.09 40	0.14 193	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

DisPM	0.11 74	0.07 54	0.13 113	0.16 61	0.09 125	0.06 2	0.13 46	0.18 91	0.17 101	0.14 127	0.19 153	0.12 94	0.10 82	0.12 95	0.11 74	0.07 144	0.05 83	0.07 102	0.06 85	0.06 94	0.11 291

test_4	0.11 74	0.10 240	0.08 7	0.19 224	0.09 125	0.08 23	0.21 294	0.15 26	0.18 111	0.12 82	0.18 142	0.12 94	0.09 69	0.08 5	0.11 74	0.04 1	0.04 2	0.08 162	0.08 214	0.04 1	0.04 5

CIPLG	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.13 127	0.15 123	0.17 67	0.16 86	0.14 127	0.11 54	0.16 167	0.10 82	0.17 219	0.12 124	0.07 144	0.05 83	0.06 33	0.06 85	0.05 37	0.06 100

GLC_STEREO	0.11 74	0.07 54	0.11 66	0.18 177	0.07 16	0.08 23	0.13 46	0.16 40	0.24 194	0.12 82	0.13 75	0.12 94	0.08 51	0.18 228	0.12 124	0.06 53	0.08 272	0.08 162	0.06 85	0.05 37	0.05 44

IPLG	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.11 80	0.14 77	0.20 126	0.15 70	0.13 106	0.18 142	0.07 18	0.07 31	0.14 150	0.14 175	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

IPLGR_C	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.12 106	0.15 123	0.17 67	0.15 70	0.14 127	0.11 54	0.16 167	0.10 82	0.16 189	0.12 124	0.07 144	0.05 83	0.06 33	0.06 85	0.05 37	0.06 100

MIPNet	0.11 74	0.08 137	0.15 175	0.17 110	0.09 125	0.12 106	0.14 77	0.21 137	0.25 210	0.12 82	0.10 38	0.09 40	0.07 31	0.13 132	0.13 151	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

IPLGR	0.11 74	0.09 184	0.17 229	0.18 177	0.08 48	0.13 127	0.16 174	0.21 137	0.24 194	0.12 82	0.12 64	0.11 75	0.09 69	0.13 132	0.12 124	0.06 53	0.05 83	0.06 33	0.06 85	0.05 37	0.04 5

GMOStereo	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 356	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

error version	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 356	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

test-v	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 356	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

ACRE	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.13 127	0.15 123	0.17 67	0.14 58	0.14 127	0.11 54	0.16 167	0.10 82	0.16 189	0.12 124	0.07 144	0.05 83	0.06 33	0.06 85	0.05 37	0.06 100

test_3	0.11 74	0.09 184	0.10 41	0.21 293	0.08 48	0.13 127	0.25 340	0.14 19	0.21 156	0.10 37	0.10 38	0.09 40	0.10 82	0.08 5	0.11 74	0.05 2	0.04 2	0.08 162	0.07 162	0.04 1	0.04 5

LCNet	0.11 74	0.07 54	0.09 25	0.19 224	0.09 125	0.08 23	0.14 77	0.21 137	0.15 70	0.12 82	0.15 94	0.16 167	0.11 106	0.12 95	0.11 74	0.05 2	0.04 2	0.08 162	0.07 162	0.06 94	0.14 332

HHNet	0.11 74	0.06 18	0.16 210	0.15 36	0.14 321	0.07 16	0.13 46	0.20 126	0.18 111	0.15 148	0.25 224	0.11 75	0.09 69	0.13 132	0.10 46	0.06 53	0.04 2	0.08 162	0.06 85	0.05 37	0.09 248

Patchmatch Stereo++	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153
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 74	0.07 54	0.14 149	0.18 177	0.08 48	0.09 37	0.12 24	0.21 137	0.21 156	0.13 106	0.14 83	0.11 75	0.12 135	0.11 43	0.13 151	0.06 53	0.05 83	0.07 102	0.06 85	0.05 37	0.04 5

IIG-Stereo	0.11 74	0.06 18	0.13 113	0.17 110	0.08 48	0.11 80	0.12 24	0.22 156	0.18 111	0.14 127	0.17 122	0.12 94	0.13 164	0.12 95	0.13 151	0.06 53	0.05 83	0.07 102	0.06 85	0.06 94	0.05 44

NF-Stereo	0.11 74	0.07 54	0.13 113	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.12 309

OCTAStereo	0.11 74	0.07 54	0.14 149	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 291

NRIStereo	0.11 74	0.08 137	0.15 175	0.18 177	0.08 48	0.10 58	0.13 46	0.17 67	0.15 70	0.12 82	0.15 94	0.13 116	0.13 164	0.13 132	0.10 46	0.06 53	0.04 2	0.07 102	0.06 85	0.06 94	0.07 153

PSM-adaLoss	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

PSM-AAD	0.11 74	0.07 54	0.10 41	0.20 267	0.09 125	0.10 58	0.14 77	0.21 137	0.13 44	0.12 82	0.14 83	0.18 195	0.11 106	0.11 43	0.10 46	0.05 2	0.05 83	0.09 231	0.08 214	0.06 94	0.14 332

ROB_FTStereo_v2	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

ROB_FTStereo	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

HUI-Stereo	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

ASMatch	0.11 74	0.06 18	0.13 113	0.17 110	0.10 219	0.08 23	0.14 77	0.18 91	0.16 86	0.12 82	0.16 106	0.16 167	0.11 106	0.13 132	0.11 74	0.05 2	0.04 2	0.06 33	0.06 85	0.04 1	0.09 248

SST-Stereo	0.11 74	0.07 54	0.16 210	0.18 177	0.09 125	0.06 2	0.12 24	0.18 91	0.10 7	0.15 148	0.18 142	0.13 116	0.12 135	0.10 16	0.11 74	0.06 53	0.04 2	0.09 231	0.06 85	0.07 152	0.06 100

RAFT_R40	0.11 74	0.07 54	0.15 175	0.18 177	0.09 125	0.06 2	0.13 46	0.17 67	0.15 70	0.14 127	0.18 142	0.15 153	0.12 135	0.10 16	0.11 74	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.05 44

GrayStereo	0.11 74	0.06 18	0.11 66	0.19 224	0.09 125	0.09 37	0.16 174	0.18 91	0.17 101	0.14 127	0.17 122	0.17 183	0.11 106	0.12 95	0.11 74	0.05 2	0.05 83	0.07 102	0.06 85	0.06 94	0.10 270

RE-Stereo	0.11 74	0.07 54	0.13 113	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 291

Pruner-Stereo	0.11 74	0.07 54	0.12 89	0.17 110	0.09 125	0.06 2	0.12 24	0.18 91	0.17 101	0.14 127	0.19 153	0.13 116	0.10 82	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.06 94	0.08 216

TVStereo	0.11 74	0.07 54	0.13 113	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 291

DeepStereo_RVC	0.11 74	0.08 137	0.17 229	0.18 177	0.08 48	0.08 23	0.11 11	0.17 67	0.12 28	0.13 106	0.15 94	0.12 94	0.12 135	0.12 95	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.08 216

iGMRVC	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

RAFT-345	0.11 74	0.07 54	0.16 210	0.17 110	0.08 48	0.08 23	0.12 24	0.16 40	0.10 7	0.11 64	0.34 305	0.09 40	0.10 82	0.11 43	0.12 124	0.05 2	0.05 83	0.07 102	0.06 85	0.04 1	0.05 44

iRAFT	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

CRE-IMP	0.11 74	0.09 184	0.16 210	0.19 224	0.09 125	0.10 58	0.12 24	0.18 91	0.10 7	0.14 127	0.14 83	0.14 132	0.13 164	0.12 95	0.12 124	0.07 144	0.04 2	0.08 162	0.06 85	0.08 200	0.08 216

test-2	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 356	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

GMM-Stereo	0.11 74	0.07 54	0.10 41	0.18 177	0.09 125	0.08 23	0.14 77	0.24 188	0.16 86	0.11 64	0.15 94	0.13 116	0.11 106	0.11 43	0.11 74	0.05 2	0.04 2	0.08 162	0.07 162	0.06 94	0.09 248

RAFT-IKP	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

Prome-Stereo	0.11 74	0.07 54	0.11 66	0.18 177	0.09 125	0.12 106	0.14 77	0.23 170	0.13 44	0.13 106	0.16 106	0.13 116	0.08 51	0.12 95	0.10 46	0.05 2	0.05 83	0.07 102	0.06 85	0.06 94	0.10 270

rafts_anoy	0.11 74	0.06 18	0.10 41	0.17 110	0.08 48	0.10 58	0.14 77	0.18 91	0.14 58	0.13 106	0.13 75	0.12 94	0.11 106	0.11 43	0.13 151	0.07 144	0.05 83	0.09 231	0.11 308	0.07 152	0.06 100

raft+_RVC	0.11 74	0.07 54	0.09 25	0.16 61	0.07 16	0.10 58	0.11 11	0.24 188	0.20 143	0.12 82	0.15 94	0.12 94	0.08 51	0.12 95	0.13 151	0.07 144	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

RALCasStereoNet	0.11 74	0.07 54	0.09 25	0.16 61	0.08 48	0.13 127	0.14 77	0.17 67	0.11 18	0.12 82	0.17 122	0.14 132	0.10 82	0.12 95	0.11 74	0.07 144	0.06 192	0.06 33	0.05 34	0.08 200	0.07 153

RALAANet	0.11 74	0.08 137	0.10 41	0.17 110	0.09 125	0.14 156	0.10 5	0.20 126	0.16 86	0.14 127	0.13 75	0.16 167	0.09 69	0.12 95	0.12 124	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.04 5

111	0.11 74	0.06 18	0.12 89	0.15 36	0.07 16	0.10 58	0.14 77	0.21 137	0.24 194	0.11 64	0.12 64	0.14 132	0.12 135	0.13 132	0.10 46	0.06 53	0.04 2	0.06 33	0.04 8	0.06 94	0.05 44

DIP-Stereo	0.11 74	0.08 137	0.15 175	0.17 110	0.09 125	0.13 127	0.09 3	0.16 40	0.16 86	0.12 82	0.16 106	0.14 132	0.12 135	0.16 189	0.14 175	0.06 53	0.05 83	0.06 33	0.05 34	0.05 37	0.07 153
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 74	0.06 18	0.12 89	0.14 12	0.06 3	0.12 106	0.10 5	0.18 91	0.18 111	0.13 106	0.17 122	0.15 153	0.11 106	0.15 164	0.14 175	0.06 53	0.04 2	0.04 1	0.04 8	0.06 94	0.05 44
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MyStereo8	0.12 136	0.07 54	0.15 175	0.15 36	0.09 125	0.18 234	0.14 77	0.19 115	0.22 175	0.12 82	0.18 142	0.11 75	0.10 82	0.16 189	0.18 246	0.07 144	0.05 83	0.07 102	0.05 34	0.08 200	0.09 248

CoDeX	0.12 136	0.07 54	0.13 113	0.17 110	0.08 48	0.12 106	0.16 174	0.23 170	0.27 232	0.13 106	0.17 122	0.15 153	0.12 135	0.14 150	0.11 74	0.07 144	0.05 83	0.07 102	0.06 85	0.06 94	0.05 44

11t1	0.12 136	0.07 54	0.14 149	0.14 12	0.08 48	0.17 218	0.15 123	0.19 115	0.15 70	0.15 148	0.15 94	0.17 183	0.16 222	0.15 164	0.13 151	0.08 194	0.05 83	0.06 33	0.05 34	0.08 200	0.07 153

ffm	0.12 136	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.15 26	0.19 125	0.15 148	0.26 236	0.19 199	0.13 164	0.10 16	0.08 9	0.06 53	0.05 83	0.09 231	0.08 214	0.06 94	0.06 100

RAFT_CTSACE	0.12 136	0.09 184	0.10 41	0.22 309	0.08 48	0.12 106	0.24 324	0.18 91	0.17 101	0.21 253	0.27 251	0.13 116	0.07 31	0.13 132	0.09 17	0.05 2	0.06 192	0.08 162	0.07 162	0.04 1	0.04 5

Sa-1000	0.12 136	0.08 137	0.09 25	0.18 177	0.08 48	0.15 176	0.22 305	0.22 156	0.19 125	0.15 148	0.20 162	0.17 183	0.11 106	0.10 16	0.10 46	0.06 53	0.05 83	0.09 231	0.09 254	0.05 37	0.05 44

iRaft-Stereo_5w	0.12 136	0.09 184	0.12 89	0.20 267	0.08 48	0.09 37	0.12 24	0.22 156	0.22 175	0.19 224	0.14 83	0.11 75	0.09 69	0.20 260	0.16 222	0.05 2	0.05 83	0.07 102	0.06 85	0.05 37	0.06 100

CrosDoStereo	0.12 136	0.07 54	0.12 89	0.14 12	0.09 125	0.12 106	0.15 123	0.17 67	0.22 175	0.19 224	0.24 198	0.15 153	0.11 106	0.11 43	0.12 124	0.06 53	0.05 83	0.07 102	0.07 162	0.05 37	0.05 44

PFNet+	0.12 136	0.06 18	0.14 149	0.16 61	0.09 125	0.05 1	0.12 24	0.18 91	0.21 156	0.16 175	0.19 153	0.14 132	0.10 82	0.11 43	0.11 74	0.08 194	0.05 83	0.09 231	0.08 214	0.06 94	0.11 291

AAGNet	0.12 136	0.08 137	0.17 229	0.19 224	0.09 125	0.08 23	0.13 46	0.19 115	0.13 44	0.16 175	0.21 178	0.13 116	0.14 193	0.11 43	0.14 175	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.05 44

PSM-softLoss	0.12 136	0.07 54	0.15 175	0.17 110	0.09 125	0.08 23	0.12 24	0.24 188	0.17 101	0.15 148	0.19 153	0.13 116	0.11 106	0.11 43	0.11 74	0.07 144	0.05 83	0.08 162	0.07 162	0.07 152	0.12 309

KMStereo	0.12 136	0.07 54	0.15 175	0.17 110	0.09 125	0.08 23	0.12 24	0.24 188	0.17 101	0.15 148	0.19 153	0.13 116	0.11 106	0.11 43	0.11 74	0.07 144	0.05 83	0.08 162	0.07 162	0.07 152	0.12 309

FTStereo	0.12 136	0.07 54	0.14 149	0.18 177	0.09 125	0.07 16	0.15 123	0.22 156	0.18 111	0.12 82	0.24 198	0.11 75	0.13 164	0.13 132	0.14 175	0.05 2	0.05 83	0.07 102	0.07 162	0.06 94	0.10 270

KYRaft	0.12 136	0.07 54	0.10 41	0.19 224	0.09 125	0.08 23	0.15 123	0.23 170	0.12 28	0.13 106	0.16 106	0.20 215	0.10 82	0.12 95	0.11 74	0.06 53	0.04 2	0.08 162	0.08 214	0.06 94	0.15 347

DeepStereo_LL	0.12 136	0.07 54	0.12 89	0.14 12	0.09 125	0.12 106	0.15 123	0.17 67	0.22 175	0.19 224	0.24 198	0.15 153	0.11 106	0.11 43	0.12 124	0.06 53	0.05 83	0.07 102	0.07 162	0.05 37	0.05 44

DEmStereo	0.12 136	0.06 18	0.14 149	0.14 12	0.10 219	0.16 198	0.15 123	0.16 40	0.24 194	0.17 185	0.23 188	0.12 94	0.14 193	0.12 95	0.14 175	0.05 2	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

THIR-Stereo	0.12 136	0.07 54	0.11 66	0.15 36	0.08 48	0.14 156	0.16 174	0.18 91	0.25 210	0.17 185	0.24 198	0.13 116	0.13 164	0.12 95	0.14 175	0.06 53	0.05 83	0.07 102	0.07 162	0.05 37	0.05 44

DRaft	0.12 136	0.06 18	0.12 89	0.14 12	0.09 125	0.14 156	0.17 194	0.21 137	0.30 257	0.18 213	0.27 251	0.10 60	0.16 222	0.11 43	0.12 124	0.05 2	0.04 2	0.07 102	0.07 162	0.05 37	0.05 44

PFNet	0.12 136	0.06 18	0.17 229	0.18 177	0.08 48	0.09 37	0.15 123	0.26 213	0.20 143	0.16 175	0.16 106	0.14 132	0.12 135	0.13 132	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

RAFT-RH_RVC	0.12 136	0.06 18	0.14 149	0.16 61	0.09 125	0.12 106	0.12 24	0.17 67	0.12 28	0.13 106	0.40 334	0.11 75	0.10 82	0.13 132	0.12 124	0.05 2	0.04 2	0.08 162	0.05 34	0.05 37	0.06 100

IRAFT_RVC	0.12 136	0.08 137	0.17 229	0.19 224	0.08 48	0.07 16	0.14 77	0.25 205	0.23 184	0.14 127	0.15 94	0.15 153	0.12 135	0.12 95	0.11 74	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.06 100

sCroCo_RVC	0.12 136	0.09 184	0.24 305	0.24 334	0.11 257	0.19 249	0.14 77	0.17 67	0.15 70	0.10 37	0.13 75	0.12 94	0.07 31	0.14 150	0.11 74	0.08 194	0.08 272	0.08 162	0.08 214	0.05 37	0.07 153

ARAFT	0.12 136	0.08 137	0.18 255	0.19 224	0.09 125	0.15 176	0.17 194	0.20 126	0.13 44	0.12 82	0.13 75	0.14 132	0.12 135	0.15 164	0.13 151	0.06 53	0.05 83	0.10 272	0.09 254	0.06 94	0.04 5

BEATNet_4x	0.12 136	0.09 184	0.15 175	0.18 177	0.07 16	0.15 176	0.07 1	0.23 170	0.19 125	0.16 175	0.19 153	0.19 199	0.14 193	0.17 219	0.15 205	0.07 144	0.05 83	0.05 2	0.05 34	0.06 94	0.07 153

MyStereo05	0.13 160	0.07 54	0.10 41	0.17 110	0.09 125	0.13 127	0.18 232	0.28 246	0.35 295	0.17 185	0.14 83	0.15 153	0.11 106	0.15 164	0.13 151	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

MyStereo04	0.13 160	0.07 54	0.10 41	0.17 110	0.09 125	0.14 156	0.17 194	0.29 260	0.38 311	0.17 185	0.14 83	0.16 167	0.11 106	0.15 164	0.13 151	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

DualNet	0.13 160	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.15 26	0.19 125	0.15 148	0.26 236	0.19 199	0.13 164	0.10 16	0.22 288	0.06 53	0.05 83	0.09 231	0.08 214	0.06 94	0.06 100

ff1	0.13 160	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.15 26	0.19 125	0.15 148	0.26 236	0.19 199	0.13 164	0.15 164	0.22 288	0.06 53	0.05 83	0.09 231	0.08 214	0.06 94	0.06 100

LL-Strereo	0.13 160	0.10 240	0.12 89	0.20 267	0.10 219	0.11 80	0.18 232	0.33 297	0.25 210	0.16 175	0.16 106	0.14 132	0.14 193	0.19 247	0.11 74	0.06 53	0.05 83	0.09 231	0.08 214	0.04 1	0.05 44

anonymousa	0.13 160	0.07 54	0.14 149	0.18 177	0.09 125	0.13 127	0.17 194	0.20 126	0.29 251	0.15 148	0.24 198	0.16 167	0.14 193	0.14 150	0.14 175	0.07 144	0.05 83	0.07 102	0.09 254	0.05 37	0.07 153

TestStereo1	0.13 160	0.08 137	0.08 7	0.20 267	0.08 48	0.18 234	0.29 366	0.23 170	0.17 101	0.17 185	0.20 162	0.16 167	0.11 106	0.12 95	0.13 151	0.06 53	0.06 192	0.08 162	0.06 85	0.05 37	0.05 44

qqq	0.13 160	0.09 184	0.15 175	0.16 61	0.08 48	0.13 127	0.15 123	0.24 188	0.16 86	0.15 148	0.19 153	0.16 167	0.16 222	0.15 164	0.16 222	0.07 144	0.06 192	0.08 162	0.08 214	0.07 152	0.07 153

x	0.13 160	0.08 137	0.15 175	0.14 12	0.08 48	0.19 249	0.14 77	0.22 156	0.21 156	0.15 148	0.20 162	0.20 215	0.18 254	0.18 228	0.18 246	0.07 144	0.05 83	0.06 33	0.06 85	0.07 152	0.07 153

raft_robust	0.13 160	0.10 240	0.07 1	0.18 177	0.08 48	0.13 127	0.24 324	0.29 260	0.34 284	0.20 244	0.20 162	0.15 153	0.10 82	0.11 43	0.12 124	0.05 2	0.05 83	0.07 102	0.07 162	0.05 37	0.04 5

RAFT+CT+SA	0.13 160	0.11 258	0.09 25	0.19 224	0.09 125	0.15 176	0.28 356	0.22 156	0.22 175	0.15 148	0.26 236	0.10 60	0.10 82	0.11 43	0.12 124	0.05 2	0.04 2	0.07 102	0.08 214	0.07 152	0.06 100

SA-5K	0.13 160	0.08 137	0.08 7	0.20 267	0.08 48	0.18 234	0.29 366	0.23 170	0.17 101	0.17 185	0.20 162	0.16 167	0.11 106	0.12 95	0.13 151	0.06 53	0.06 192	0.08 162	0.06 85	0.05 37	0.05 44

SA	0.13 160	0.09 184	0.09 25	0.18 177	0.08 48	0.12 106	0.24 324	0.23 170	0.19 125	0.17 185	0.27 251	0.15 153	0.11 106	0.11 43	0.11 74	0.05 2	0.05 83	0.09 231	0.08 214	0.05 37	0.05 44

GwcNet-ADL	0.13 160	0.08 137	0.14 149	0.20 267	0.09 125	0.12 106	0.20 281	0.30 270	0.25 210	0.14 127	0.14 83	0.18 195	0.14 193	0.13 132	0.15 205	0.07 144	0.05 83	0.06 33	0.05 34	0.07 152	0.06 100

GANet-ADL	0.13 160	0.07 54	0.15 175	0.17 110	0.10 219	0.19 249	0.15 123	0.30 270	0.21 156	0.13 106	0.18 142	0.19 199	0.13 164	0.16 189	0.14 175	0.08 194	0.06 192	0.06 33	0.05 34	0.07 152	0.08 216

RAFT	0.13 160	0.09 184	0.11 66	0.18 177	0.08 48	0.15 176	0.23 316	0.21 137	0.20 143	0.21 253	0.21 178	0.18 195	0.13 164	0.17 219	0.10 46	0.06 53	0.07 246	0.10 272	0.09 254	0.06 94	0.05 44

sAnonymous2	0.13 160	0.12 273	0.25 309	0.20 267	0.12 285	0.18 234	0.14 77	0.27 225	0.21 156	0.11 64	0.12 64	0.13 116	0.08 51	0.11 43	0.11 74	0.09 237	0.05 83	0.08 162	0.06 85	0.15 347	0.10 270

CroCo_RVC	0.13 160	0.12 273	0.25 309	0.20 267	0.12 285	0.18 234	0.14 77	0.27 225	0.21 156	0.11 64	0.12 64	0.13 116	0.08 51	0.11 43	0.11 74	0.09 237	0.05 83	0.08 162	0.06 85	0.15 347	0.10 270

RAFT + AFF	0.13 160	0.08 137	0.21 286	0.20 267	0.10 219	0.14 156	0.23 316	0.27 225	0.21 156	0.12 82	0.10 38	0.12 94	0.10 82	0.16 189	0.12 124	0.08 194	0.07 246	0.09 231	0.09 254	0.06 94	0.09 248

GMStereo	0.13 160	0.15 313	0.14 149	0.18 177	0.09 125	0.16 198	0.16 174	0.20 126	0.25 210	0.17 185	0.17 122	0.11 75	0.11 106	0.16 189	0.13 151	0.07 144	0.06 192	0.06 33	0.06 85	0.07 152	0.06 100
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 160	0.07 54	0.15 175	0.17 110	0.09 125	0.15 176	0.16 174	0.28 246	0.27 232	0.14 127	0.18 142	0.12 94	0.13 164	0.14 150	0.11 74	0.08 194	0.05 83	0.07 102	0.07 162	0.07 152	0.06 100

FENet	0.13 160	0.08 137	0.13 113	0.16 61	0.08 48	0.15 176	0.16 174	0.23 170	0.23 184	0.17 185	0.24 198	0.16 167	0.13 164	0.14 150	0.15 205	0.08 194	0.05 83	0.08 162	0.08 214	0.08 200	0.08 216

MLCV	0.13 160	0.08 137	0.17 229	0.18 177	0.06 3	0.16 198	0.17 194	0.19 115	0.22 175	0.19 224	0.25 224	0.17 183	0.13 164	0.15 164	0.14 175	0.05 2	0.04 2	0.05 2	0.04 8	0.05 37	0.04 5

iResNet	0.13 160	0.10 240	0.18 255	0.19 224	0.08 48	0.14 156	0.18 232	0.21 137	0.27 232	0.16 175	0.24 198	0.15 153	0.13 164	0.14 150	0.15 205	0.06 53	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

DN-CSS_ROB	0.13 160	0.13 292	0.17 229	0.18 177	0.10 219	0.16 198	0.08 2	0.22 156	0.19 125	0.17 185	0.23 188	0.13 116	0.13 164	0.13 132	0.14 175	0.05 2	0.05 83	0.10 272	0.10 285	0.08 200	0.06 100

SMFormer	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.17 234	0.08 194	0.05 83	0.07 102	0.06 85	0.08 200	0.07 153

tta	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.17 234	0.08 194	0.05 83	0.07 102	0.06 85	0.06 94	0.06 100

qqq1	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.12 124	0.08 194	0.05 83	0.05 2	0.05 34	0.06 94	0.06 100

fff1	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.12 124	0.08 194	0.05 83	0.05 2	0.05 34	0.06 94	0.06 100

mmm	0.14 185	0.08 137	0.18 255	0.17 110	0.09 125	0.17 218	0.18 232	0.21 137	0.16 86	0.16 175	0.23 188	0.21 221	0.16 222	0.16 189	0.17 234	0.08 194	0.05 83	0.08 162	0.08 214	0.08 200	0.07 153

ttt	0.14 185	0.08 137	0.14 149	0.15 36	0.08 48	0.15 176	0.18 232	0.27 225	0.30 257	0.16 175	0.24 198	0.17 183	0.14 193	0.13 132	0.14 175	0.11 293	0.08 272	0.09 231	0.08 214	0.09 252	0.09 248

whm_eth	0.14 185	0.09 184	0.21 286	0.21 293	0.12 285	0.12 106	0.16 174	0.18 91	0.29 251	0.17 185	0.32 288	0.09 40	0.13 164	0.18 228	0.14 175	0.07 144	0.07 246	0.08 162	0.07 162	0.07 152	0.07 153

StereoVision	0.14 185	0.13 292	0.10 41	0.24 334	0.10 219	0.16 198	0.21 294	0.21 137	0.20 143	0.12 82	0.25 224	0.10 60	0.10 82	0.16 189	0.10 46	0.09 237	0.10 314	0.12 315	0.12 326	0.06 94	0.05 44

PCWNet_CMD	0.14 185	0.08 137	0.15 175	0.17 110	0.09 125	0.14 156	0.14 77	0.29 260	0.36 301	0.14 127	0.20 162	0.21 221	0.13 164	0.17 219	0.14 175	0.07 144	0.05 83	0.07 102	0.07 162	0.07 152	0.07 153

gwcnet-sp	0.14 185	0.07 54	0.13 113	0.18 177	0.09 125	0.16 198	0.18 232	0.24 188	0.24 194	0.19 224	0.24 198	0.15 153	0.16 222	0.16 189	0.15 205	0.08 194	0.07 246	0.07 102	0.08 214	0.08 200	0.07 153

scenet	0.14 185	0.07 54	0.13 113	0.18 177	0.09 125	0.16 198	0.18 232	0.24 188	0.24 194	0.19 224	0.24 198	0.15 153	0.16 222	0.16 189	0.15 205	0.08 194	0.07 246	0.07 102	0.08 214	0.08 200	0.07 153

CASS	0.14 185	0.12 273	0.12 89	0.23 326	0.09 125	0.15 176	0.17 194	0.19 115	0.20 143	0.17 185	0.18 142	0.15 153	0.15 211	0.15 164	0.14 175	0.09 237	0.06 192	0.10 272	0.08 214	0.09 252	0.07 153
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ssnet	0.14 185	0.07 54	0.13 113	0.18 177	0.09 125	0.16 198	0.18 232	0.24 188	0.24 194	0.19 224	0.24 198	0.15 153	0.16 222	0.16 189	0.15 205	0.08 194	0.07 246	0.07 102	0.08 214	0.08 200	0.07 153

IER	0.14 185	0.08 137	0.13 113	0.17 110	0.09 125	0.14 156	0.16 174	0.26 213	0.27 232	0.18 213	0.26 236	0.17 183	0.20 281	0.17 219	0.14 175	0.08 194	0.05 83	0.07 102	0.06 85	0.08 200	0.07 153

test_5	0.14 185	0.12 273	0.08 7	0.20 267	0.10 219	0.14 156	0.28 356	0.21 137	0.24 194	0.19 224	0.28 260	0.11 75	0.15 211	0.12 95	0.13 151	0.06 53	0.05 83	0.07 102	0.08 214	0.08 200	0.07 153

psmg	0.14 185	0.09 184	0.14 149	0.17 110	0.10 219	0.15 176	0.17 194	0.29 260	0.20 143	0.17 185	0.21 178	0.25 266	0.16 222	0.16 189	0.14 175	0.08 194	0.07 246	0.08 162	0.08 214	0.07 152	0.07 153

UDGNet	0.14 185	0.13 292	0.17 229	0.18 177	0.10 219	0.12 106	0.16 174	0.21 137	0.27 232	0.20 244	0.20 162	0.17 183	0.13 164	0.16 189	0.14 175	0.10 268	0.06 192	0.09 231	0.07 162	0.07 152	0.07 153

TestStereo	0.14 185	0.15 313	0.11 66	0.23 326	0.08 48	0.15 176	0.21 294	0.20 126	0.23 184	0.14 127	0.25 224	0.16 167	0.13 164	0.16 189	0.14 175	0.06 53	0.06 192	0.08 162	0.06 85	0.09 252	0.05 44

CFNet_pseudo	0.14 185	0.08 137	0.16 210	0.16 61	0.09 125	0.13 127	0.14 77	0.27 225	0.34 284	0.15 148	0.21 178	0.22 237	0.13 164	0.18 228	0.14 175	0.07 144	0.05 83	0.08 162	0.06 85	0.07 152	0.07 153

Anonymous	0.14 185	0.10 240	0.24 305	0.23 326	0.13 306	0.18 234	0.23 316	0.20 126	0.19 125	0.14 127	0.12 64	0.11 75	0.13 164	0.17 219	0.13 151	0.08 194	0.07 246	0.08 162	0.08 214	0.12 306	0.10 270

GES	0.14 185	0.08 137	0.16 210	0.15 36	0.10 219	0.13 127	0.13 46	0.28 246	0.26 222	0.17 185	0.24 198	0.19 199	0.14 193	0.16 189	0.14 175	0.08 194	0.08 272	0.07 102	0.06 85	0.08 200	0.09 248

cf-r	0.14 185	0.07 54	0.13 113	0.16 61	0.08 48	0.14 156	0.19 267	0.21 137	0.25 210	0.17 185	0.26 236	0.22 237	0.17 243	0.14 150	0.15 205	0.10 268	0.05 83	0.06 33	0.08 214	0.06 94	0.06 100

GANet-RSSM	0.14 185	0.07 54	0.13 113	0.13 7	0.08 48	0.14 156	0.18 232	0.23 170	0.21 156	0.17 185	0.25 224	0.24 257	0.16 222	0.16 189	0.16 222	0.10 268	0.06 192	0.07 102	0.08 214	0.08 200	0.07 153

PSMNet-RSSM	0.14 185	0.07 54	0.14 149	0.15 36	0.08 48	0.13 127	0.16 174	0.25 205	0.24 194	0.17 185	0.28 260	0.23 248	0.14 193	0.16 189	0.14 175	0.11 293	0.06 192	0.09 231	0.12 326	0.08 200	0.07 153

GwcNet-RSSM	0.14 185	0.07 54	0.12 89	0.16 61	0.08 48	0.15 176	0.20 281	0.22 156	0.28 245	0.18 213	0.28 260	0.23 248	0.17 243	0.15 164	0.16 222	0.10 268	0.06 192	0.07 102	0.09 254	0.07 152	0.07 153

CFNet-ft	0.14 185	0.07 54	0.15 175	0.12 3	0.09 125	0.17 218	0.18 232	0.22 156	0.24 194	0.17 185	0.26 236	0.24 257	0.14 193	0.16 189	0.15 205	0.11 293	0.06 192	0.08 162	0.09 254	0.09 252	0.08 216

DMCA	0.14 185	0.09 184	0.17 229	0.19 224	0.09 125	0.15 176	0.17 194	0.23 170	0.28 245	0.14 127	0.20 162	0.17 183	0.18 254	0.15 164	0.17 234	0.10 268	0.06 192	0.08 162	0.06 85	0.09 252	0.10 270

MSMDNet	0.14 185	0.08 137	0.15 175	0.17 110	0.09 125	0.14 156	0.14 77	0.29 260	0.36 301	0.14 127	0.20 162	0.21 221	0.13 164	0.18 228	0.14 175	0.07 144	0.05 83	0.07 102	0.07 162	0.07 152	0.07 153

HSM-Net_RVC	0.14 185	0.08 137	0.12 89	0.15 36	0.08 48	0.16 198	0.15 123	0.27 225	0.29 251	0.20 244	0.21 178	0.29 295	0.14 193	0.18 228	0.13 151	0.06 53	0.06 192	0.06 33	0.06 85	0.07 152	0.06 100
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 185	0.07 54	0.15 175	0.12 3	0.09 125	0.17 218	0.18 232	0.22 156	0.24 194	0.17 185	0.26 236	0.24 257	0.14 193	0.16 189	0.15 205	0.11 293	0.06 192	0.08 162	0.09 254	0.09 252	0.08 216

ccs_rob	0.14 185	0.09 184	0.16 210	0.16 61	0.09 125	0.13 127	0.14 77	0.27 225	0.34 284	0.15 148	0.21 178	0.22 237	0.13 164	0.18 228	0.14 175	0.07 144	0.05 83	0.08 162	0.07 162	0.07 152	0.07 153

iResNet_ROB	0.14 185	0.07 54	0.13 113	0.15 36	0.07 16	0.19 249	0.14 77	0.26 213	0.32 269	0.23 275	0.26 236	0.23 248	0.16 222	0.15 164	0.14 175	0.07 144	0.05 83	0.05 2	0.04 8	0.08 200	0.08 216

DispNO	0.15 217	0.09 184	0.18 255	0.19 224	0.12 285	0.11 80	0.21 294	0.23 170	0.29 251	0.18 213	0.23 188	0.19 199	0.17 243	0.16 189	0.16 222	0.07 144	0.05 83	0.08 162	0.08 214	0.07 152	0.06 100

mmx	0.15 217	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.27 225	0.26 222	0.15 148	0.26 236	0.19 199	0.13 164	0.15 164	0.22 288	0.08 194	0.06 192	0.09 231	0.08 214	0.08 200	0.08 216

xxx	0.15 217	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.27 225	0.26 222	0.15 148	0.26 236	0.19 199	0.13 164	0.15 164	0.22 288	0.08 194	0.06 192	0.09 231	0.08 214	0.08 200	0.08 216

CFNet_ucs	0.15 217	0.09 184	0.17 229	0.16 61	0.11 257	0.14 156	0.14 77	0.30 270	0.34 284	0.16 175	0.24 198	0.23 248	0.14 193	0.18 228	0.15 205	0.09 237	0.06 192	0.08 162	0.07 162	0.09 252	0.09 248

CBFPSM	0.15 217	0.07 54	0.27 317	0.17 110	0.09 125	0.13 127	0.15 123	0.22 156	0.23 184	0.20 244	0.27 251	0.23 248	0.16 222	0.16 189	0.19 256	0.06 53	0.06 192	0.06 33	0.07 162	0.07 152	0.07 153

BUS	0.15 217	0.09 184	0.14 149	0.22 309	0.10 219	0.20 266	0.14 77	0.34 311	0.20 143	0.17 185	0.23 188	0.16 167	0.14 193	0.16 189	0.14 175	0.08 194	0.06 192	0.10 272	0.09 254	0.07 152	0.07 153

BSDual-CNN	0.15 217	0.09 184	0.14 149	0.22 309	0.10 219	0.15 176	0.15 123	0.34 311	0.20 143	0.17 185	0.23 188	0.25 266	0.16 222	0.16 189	0.14 175	0.08 194	0.06 192	0.10 272	0.09 254	0.07 152	0.07 153

hknet	0.15 217	0.11 258	0.14 149	0.22 309	0.11 257	0.15 176	0.15 123	0.34 311	0.26 222	0.17 185	0.23 188	0.22 237	0.18 254	0.17 219	0.13 151	0.07 144	0.06 192	0.10 272	0.09 254	0.07 152	0.07 153

dd	0.15 217	0.17 330	0.17 229	0.19 224	0.09 125	0.15 176	0.18 232	0.22 156	0.26 222	0.23 275	0.20 162	0.21 221	0.10 82	0.21 275	0.17 234	0.10 268	0.06 192	0.08 162	0.06 85	0.08 200	0.07 153

DAS	0.15 217	0.08 137	0.18 255	0.19 224	0.10 219	0.19 249	0.17 194	0.28 246	0.30 257	0.18 213	0.26 236	0.21 221	0.16 222	0.16 189	0.13 151	0.08 194	0.06 192	0.06 33	0.06 85	0.07 152	0.07 153

SepStereo	0.15 217	0.08 137	0.18 255	0.19 224	0.10 219	0.19 249	0.17 194	0.28 246	0.30 257	0.18 213	0.26 236	0.21 221	0.16 222	0.26 318	0.13 151	0.08 194	0.06 192	0.06 33	0.06 85	0.07 152	0.07 153

PSMNet-ADL	0.15 217	0.12 273	0.13 113	0.22 309	0.09 125	0.13 127	0.20 281	0.26 213	0.23 184	0.18 213	0.20 162	0.23 248	0.17 243	0.18 228	0.18 246	0.09 237	0.08 272	0.08 162	0.11 308	0.08 200	0.07 153

LMCR-Stereo	0.15 217	0.08 137	0.14 149	0.21 293	0.09 125	0.18 234	0.19 267	0.28 246	0.19 125	0.24 286	0.24 198	0.23 248	0.17 243	0.20 260	0.17 234	0.07 144	0.06 192	0.08 162	0.06 85	0.10 277	0.09 248

xxxx	0.15 217	0.07 54	0.14 149	0.14 12	0.08 48	0.24 306	0.18 232	0.32 287	0.20 143	0.14 127	0.28 260	0.22 237	0.14 193	0.15 164	0.29 347	0.09 237	0.05 83	0.07 102	0.07 162	0.08 200	0.08 216

test_xeample	0.15 217	0.07 54	0.14 149	0.15 36	0.08 48	0.22 289	0.20 281	0.29 260	0.21 156	0.16 175	0.29 270	0.19 199	0.17 243	0.16 189	0.28 340	0.09 237	0.05 83	0.07 102	0.07 162	0.07 152	0.07 153

ACVNet	0.15 217	0.09 184	0.15 175	0.13 7	0.12 285	0.14 156	0.20 281	0.22 156	0.34 284	0.17 185	0.26 236	0.21 221	0.17 243	0.18 228	0.21 275	0.07 144	0.06 192	0.06 33	0.06 85	0.08 200	0.06 100

acv_ft	0.15 217	0.09 184	0.16 210	0.19 224	0.10 219	0.16 198	0.17 194	0.25 205	0.34 284	0.19 224	0.26 236	0.21 221	0.17 243	0.18 228	0.19 256	0.07 144	0.06 192	0.06 33	0.06 85	0.08 200	0.06 100

RASNet	0.15 217	0.07 54	0.15 175	0.16 61	0.08 48	0.19 249	0.14 77	0.30 270	0.21 156	0.17 185	0.25 224	0.21 221	0.19 268	0.20 260	0.20 264	0.07 144	0.06 192	0.06 33	0.08 214	0.06 94	0.06 100

CFNet	0.15 217	0.11 258	0.17 229	0.17 110	0.08 48	0.19 249	0.10 5	0.29 260	0.26 222	0.19 224	0.24 198	0.24 257	0.18 254	0.18 228	0.15 205	0.08 194	0.06 192	0.09 231	0.10 285	0.08 200	0.07 153

UCFNet_RVC	0.15 217	0.08 137	0.13 113	0.11 1	0.10 219	0.20 266	0.10 5	0.24 188	0.23 184	0.17 185	0.21 178	0.24 257	0.15 211	0.18 228	0.15 205	0.12 316	0.07 246	0.11 298	0.13 336	0.11 293	0.10 270

AdaStereo	0.15 217	0.11 258	0.16 210	0.19 224	0.09 125	0.21 276	0.11 11	0.33 297	0.28 245	0.21 253	0.23 188	0.21 221	0.13 164	0.19 247	0.15 205	0.13 330	0.05 83	0.10 272	0.07 162	0.09 252	0.07 153
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	0.15 217	0.08 137	0.16 210	0.16 61	0.08 48	0.16 198	0.13 46	0.26 213	0.36 301	0.21 253	0.29 270	0.24 257	0.13 164	0.14 150	0.14 175	0.06 53	0.06 192	0.06 33	0.04 8	0.09 252	0.08 216

HSM	0.15 217	0.09 184	0.15 175	0.16 61	0.09 125	0.16 198	0.14 77	0.28 246	0.25 210	0.20 244	0.24 198	0.37 340	0.17 243	0.20 260	0.15 205	0.07 144	0.05 83	0.07 102	0.06 85	0.07 152	0.06 100

pmcnn	0.15 217	0.07 54	0.20 280	0.15 36	0.07 16	0.21 276	0.16 174	0.25 205	0.26 222	0.21 253	0.33 295	0.29 295	0.19 268	0.18 228	0.17 234	0.07 144	0.05 83	0.05 2	0.04 8	0.07 152	0.06 100

1111x	0.16 241	0.09 184	0.13 113	0.18 177	0.08 48	0.18 234	0.25 340	0.32 287	0.25 210	0.17 185	0.24 198	0.27 280	0.15 211	0.14 150	0.24 309	0.07 144	0.07 246	0.08 162	0.09 254	0.07 152	0.07 153

GMStereo_Zeroshot	0.16 241	0.13 292	0.25 309	0.20 267	0.10 219	0.17 218	0.13 46	0.30 270	0.25 210	0.23 275	0.32 288	0.25 266	0.11 106	0.19 247	0.14 175	0.09 237	0.06 192	0.11 298	0.06 85	0.12 306	0.08 216

CRFU-Net	0.16 241	0.08 137	0.15 175	0.17 110	0.09 125	0.20 266	0.14 77	0.27 225	0.21 156	0.28 322	0.28 260	0.29 295	0.18 254	0.19 247	0.18 246	0.09 237	0.09 293	0.07 102	0.07 162	0.08 200	0.09 248

NINENet	0.16 241	0.10 240	0.16 210	0.17 110	0.11 257	0.20 266	0.14 77	0.41 359	0.37 305	0.18 213	0.21 178	0.16 167	0.14 193	0.16 189	0.14 175	0.08 194	0.08 272	0.10 272	0.07 162	0.10 277	0.09 248

CSP-Net	0.16 241	0.09 184	0.14 149	0.17 110	0.09 125	0.19 249	0.18 232	0.25 205	0.33 274	0.26 303	0.31 279	0.25 266	0.16 222	0.21 275	0.19 256	0.09 237	0.06 192	0.07 102	0.07 162	0.08 200	0.08 216

AASNet	0.16 241	0.08 137	0.13 113	0.19 224	0.09 125	0.19 249	0.15 123	0.38 346	0.37 305	0.20 244	0.24 198	0.20 215	0.17 243	0.17 219	0.21 275	0.10 268	0.08 272	0.08 162	0.07 162	0.09 252	0.09 248

AACVNet	0.16 241	0.08 137	0.15 175	0.15 36	0.10 219	0.18 234	0.15 123	0.24 188	0.25 210	0.27 310	0.27 251	0.28 288	0.18 254	0.19 247	0.17 234	0.09 237	0.07 246	0.09 231	0.07 162	0.10 277	0.09 248

ADLNet2	0.16 241	0.09 184	0.14 149	0.17 110	0.09 125	0.20 266	0.16 174	0.32 287	0.39 315	0.17 185	0.20 162	0.20 215	0.19 268	0.21 275	0.23 298	0.08 194	0.07 246	0.07 102	0.07 162	0.09 252	0.07 153

ICVP	0.16 241	0.09 184	0.12 89	0.22 309	0.09 125	0.18 234	0.21 294	0.26 213	0.24 194	0.18 213	0.30 276	0.27 280	0.18 254	0.18 228	0.15 205	0.10 268	0.07 246	0.08 162	0.07 162	0.07 152	0.08 216
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
Anonymous3	0.16 241	0.14 307	0.34 343	0.26 350	0.14 321	0.27 332	0.18 232	0.28 246	0.28 245	0.15 148	0.17 122	0.14 132	0.11 106	0.16 189	0.12 124	0.08 194	0.08 272	0.08 162	0.08 214	0.08 200	0.11 291

ADLNet	0.16 241	0.08 137	0.15 175	0.16 61	0.10 219	0.16 198	0.17 194	0.33 297	0.27 232	0.23 275	0.27 251	0.24 257	0.16 222	0.18 228	0.21 275	0.10 268	0.06 192	0.10 272	0.10 285	0.08 200	0.09 248

HCRNet	0.16 241	0.23 362	0.12 89	0.35 381	0.11 257	0.15 176	0.17 194	0.26 213	0.22 175	0.19 224	0.24 198	0.21 221	0.14 193	0.15 164	0.13 151	0.11 293	0.07 246	0.11 298	0.10 285	0.09 252	0.07 153

222	0.16 241	0.07 54	0.15 175	0.14 12	0.08 48	0.25 314	0.18 232	0.30 270	0.21 156	0.18 213	0.29 270	0.17 183	0.16 222	0.16 189	0.44 386	0.10 268	0.05 83	0.07 102	0.06 85	0.08 200	0.08 216

UPFNet	0.16 241	0.08 137	0.12 89	0.20 267	0.12 285	0.20 266	0.23 316	0.28 246	0.26 222	0.18 213	0.24 198	0.22 237	0.20 281	0.19 247	0.22 288	0.09 237	0.07 246	0.08 162	0.09 254	0.08 200	0.06 100

ac_64	0.16 241	0.09 184	0.15 175	0.18 177	0.10 219	0.22 289	0.17 194	0.24 188	0.22 175	0.19 224	0.24 198	0.29 295	0.18 254	0.19 247	0.22 288	0.09 237	0.08 272	0.08 162	0.09 254	0.07 152	0.06 100

DSFCA	0.16 241	0.09 184	0.14 149	0.16 61	0.10 219	0.21 276	0.19 267	0.28 246	0.31 264	0.23 275	0.25 224	0.22 237	0.16 222	0.20 260	0.20 264	0.10 268	0.07 246	0.09 231	0.09 254	0.08 200	0.08 216

AANet_RVC	0.16 241	0.10 240	0.11 66	0.18 177	0.09 125	0.19 249	0.18 232	0.27 225	0.32 269	0.22 262	0.35 310	0.21 221	0.22 292	0.22 292	0.17 234	0.06 53	0.05 83	0.06 33	0.06 85	0.07 152	0.06 100

DeepPruner_ROB	0.16 241	0.11 258	0.16 210	0.17 110	0.10 219	0.17 218	0.15 123	0.32 287	0.21 156	0.19 224	0.21 178	0.22 237	0.19 268	0.21 275	0.16 222	0.13 330	0.09 293	0.09 231	0.10 285	0.11 293	0.11 291

iinet-f	0.17 259	0.07 54	0.46 363	0.14 12	0.10 219	0.21 276	0.14 77	0.27 225	0.23 184	0.22 262	0.25 224	0.21 221	0.16 222	0.18 228	0.22 288	0.09 237	0.07 246	0.07 102	0.06 85	0.09 252	0.10 270

ToySt	0.17 259	0.11 258	0.19 277	0.17 110	0.11 257	0.16 198	0.26 346	0.24 188	0.33 274	0.19 224	0.24 198	0.26 275	0.24 305	0.19 247	0.21 275	0.07 144	0.08 272	0.09 231	0.10 285	0.09 252	0.08 216

ssnet_v2	0.17 259	0.10 240	0.18 255	0.17 110	0.11 257	0.21 276	0.22 305	0.34 311	0.25 210	0.23 275	0.23 188	0.27 280	0.19 268	0.22 292	0.21 275	0.11 293	0.10 314	0.09 231	0.09 254	0.08 200	0.08 216

GEStereo_RVC	0.17 259	0.12 273	0.16 210	0.22 309	0.11 257	0.19 249	0.18 232	0.32 287	0.49 352	0.20 244	0.25 224	0.17 183	0.13 164	0.21 275	0.16 222	0.10 268	0.06 192	0.08 162	0.07 162	0.09 252	0.08 216

MMNet	0.17 259	0.10 240	0.17 229	0.20 267	0.11 257	0.27 332	0.20 281	0.26 213	0.42 328	0.22 262	0.30 276	0.22 237	0.20 281	0.18 228	0.20 264	0.06 53	0.06 192	0.07 102	0.07 162	0.08 200	0.07 153

delet	0.17 259	0.09 184	0.18 255	0.19 224	0.11 257	0.21 276	0.22 305	0.30 270	0.38 311	0.17 185	0.27 251	0.19 199	0.19 268	0.19 247	0.21 275	0.08 194	0.08 272	0.09 231	0.11 308	0.06 94	0.07 153

UNet	0.17 259	0.09 184	0.18 255	0.19 224	0.12 285	0.28 340	0.19 267	0.33 297	0.30 257	0.21 253	0.25 224	0.23 248	0.19 268	0.20 260	0.19 256	0.07 144	0.06 192	0.08 162	0.07 162	0.08 200	0.07 153

HGLStereo	0.17 259	0.09 184	0.19 277	0.17 110	0.12 285	0.18 234	0.18 232	0.31 283	0.33 274	0.22 262	0.33 295	0.24 257	0.18 254	0.20 260	0.21 275	0.10 268	0.09 293	0.07 102	0.07 162	0.09 252	0.10 270

DMCA-RVC	0.17 259	0.10 240	0.16 210	0.24 334	0.11 257	0.19 249	0.18 232	0.26 213	0.24 194	0.21 253	0.27 251	0.25 266	0.27 323	0.18 228	0.21 275	0.12 316	0.08 272	0.13 328	0.10 285	0.10 277	0.08 216

FADNet-RVC-Resample	0.17 259	0.12 273	0.32 339	0.22 309	0.12 285	0.19 249	0.14 77	0.25 205	0.24 194	0.24 286	0.27 251	0.20 215	0.15 211	0.17 219	0.16 222	0.07 144	0.08 272	0.12 315	0.10 285	0.09 252	0.11 291

FADNet_RVC	0.17 259	0.14 307	0.41 358	0.20 267	0.11 257	0.13 127	0.13 46	0.27 225	0.22 175	0.21 253	0.23 188	0.20 215	0.18 254	0.15 164	0.17 234	0.08 194	0.08 272	0.12 315	0.09 254	0.11 293	0.10 270

NLCA_NET_v2_RVC	0.17 259	0.10 240	0.23 299	0.20 267	0.10 219	0.15 176	0.18 232	0.31 283	0.25 210	0.21 253	0.31 279	0.25 266	0.17 243	0.21 275	0.20 264	0.09 237	0.06 192	0.08 162	0.09 254	0.07 152	0.08 216
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	0.17 259	0.12 273	0.16 210	0.20 267	0.10 219	0.18 234	0.18 232	0.27 225	0.24 194	0.26 303	0.41 344	0.23 248	0.18 254	0.21 275	0.21 275	0.09 237	0.05 83	0.09 231	0.10 285	0.07 152	0.07 153
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
fast-acv-ft	0.18 272	0.11 258	0.20 280	0.19 224	0.12 285	0.26 324	0.21 294	0.26 213	0.35 295	0.22 262	0.34 305	0.27 280	0.21 285	0.21 275	0.23 298	0.09 237	0.09 293	0.08 162	0.10 285	0.08 200	0.07 153

HBP-ISP	0.18 272	0.13 292	0.17 229	0.15 36	0.11 257	0.08 23	0.13 46	0.28 246	0.30 257	0.22 262	0.33 295	0.21 221	0.25 311	0.23 299	0.18 246	0.15 350	0.17 367	0.21 369	0.17 362	0.10 277	0.09 248

Wz-Net-LNSev-Ref	0.18 272	0.09 184	0.30 332	0.15 36	0.11 257	0.23 300	0.20 281	0.27 225	0.40 319	0.26 303	0.43 353	0.25 266	0.15 211	0.21 275	0.20 264	0.07 144	0.05 83	0.06 33	0.05 34	0.10 277	0.09 248

dad	0.18 272	0.20 351	0.21 286	0.17 110	0.11 257	0.20 266	0.19 267	0.21 137	0.28 245	0.30 332	0.24 198	0.30 302	0.13 164	0.19 247	0.17 234	0.18 367	0.09 293	0.11 298	0.09 254	0.11 293	0.07 153

hitnet-ft	0.18 272	0.10 240	0.17 229	0.14 12	0.09 125	0.27 332	0.20 281	0.25 205	0.26 222	0.24 286	0.32 288	0.32 321	0.23 298	0.24 309	0.21 275	0.12 316	0.07 246	0.10 272	0.08 214	0.12 306	0.11 291

STTStereo	0.18 272	0.13 292	0.28 319	0.20 267	0.11 257	0.16 198	0.21 294	0.29 260	0.23 184	0.22 262	0.30 276	0.29 295	0.18 254	0.20 260	0.20 264	0.12 316	0.11 326	0.11 298	0.14 342	0.09 252	0.08 216

TDLM	0.18 272	0.12 273	0.14 149	0.24 334	0.10 219	0.18 234	0.18 232	0.37 339	0.30 257	0.22 262	0.28 260	0.28 288	0.18 254	0.23 299	0.19 256	0.11 293	0.07 246	0.10 272	0.10 285	0.08 200	0.08 216

CVANet_RVC	0.18 272	0.11 258	0.14 149	0.21 293	0.11 257	0.19 249	0.18 232	0.34 311	0.34 284	0.22 262	0.31 279	0.28 288	0.18 254	0.24 309	0.18 246	0.12 316	0.08 272	0.12 315	0.12 326	0.09 252	0.08 216

DLCB_ROB	0.18 272	0.10 240	0.16 210	0.23 326	0.11 257	0.24 306	0.18 232	0.30 270	0.28 245	0.27 310	0.29 270	0.28 288	0.25 311	0.20 260	0.20 264	0.08 194	0.08 272	0.09 231	0.09 254	0.07 152	0.07 153

SACVNet	0.19 281	0.12 273	0.15 175	0.17 110	0.13 306	0.22 289	0.18 232	0.31 283	0.31 264	0.24 286	0.31 279	0.30 302	0.23 298	0.23 299	0.17 234	0.11 293	0.08 272	0.10 272	0.10 285	0.12 306	0.14 332

pcwnet_v2	0.19 281	0.11 258	0.26 315	0.18 177	0.14 321	0.18 234	0.15 123	0.37 339	0.46 348	0.19 224	0.24 198	0.21 221	0.19 268	0.21 275	0.20 264	0.13 330	0.10 314	0.10 272	0.10 285	0.11 293	0.13 319

psm_up	0.19 281	0.10 240	0.18 255	0.21 293	0.11 257	0.17 218	0.19 267	0.38 346	0.34 284	0.22 262	0.28 260	0.29 295	0.25 311	0.20 260	0.22 288	0.09 237	0.10 314	0.11 298	0.11 308	0.08 200	0.08 216

NVstereo2D	0.19 281	0.11 258	0.16 210	0.17 110	0.16 343	0.28 340	0.23 316	0.44 372	0.42 328	0.15 148	0.28 260	0.25 266	0.19 268	0.23 299	0.18 246	0.09 237	0.06 192	0.10 272	0.08 214	0.15 347	0.10 270

StereoDRNet	0.19 281	0.11 258	0.18 255	0.22 309	0.11 257	0.22 289	0.22 305	0.37 339	0.34 284	0.24 286	0.28 260	0.30 302	0.19 268	0.20 260	0.21 275	0.10 268	0.08 272	0.11 298	0.09 254	0.09 252	0.07 153

CBMV_ROB	0.19 281	0.13 292	0.18 255	0.16 61	0.11 257	0.16 198	0.12 24	0.27 225	0.29 251	0.27 310	0.31 279	0.27 280	0.24 305	0.24 309	0.16 222	0.15 350	0.18 369	0.22 373	0.20 368	0.10 277	0.12 309

NOSS_ROB	0.19 281	0.13 292	0.18 255	0.16 61	0.12 285	0.16 198	0.12 24	0.30 270	0.33 274	0.20 244	0.22 187	0.27 280	0.24 305	0.21 275	0.16 222	0.16 362	0.18 369	0.23 374	0.21 370	0.13 321	0.13 319

SDNR	0.20 288	0.09 184	0.19 277	0.16 61	0.12 285	0.79 402	0.13 46	0.26 213	0.33 274	0.19 224	0.25 224	0.19 199	0.12 135	0.19 247	0.15 205	0.16 362	0.18 369	0.14 339	0.11 308	0.08 200	0.12 309

GwcNet	0.20 288	0.14 307	0.20 280	0.18 177	0.12 285	0.25 314	0.20 281	0.36 332	0.45 340	0.20 244	0.33 295	0.33 327	0.21 285	0.22 292	0.25 316	0.11 293	0.09 293	0.09 231	0.09 254	0.09 252	0.10 270

SuperB	0.20 288	0.10 240	0.57 376	0.16 61	0.09 125	0.19 249	0.18 232	0.25 205	0.51 357	0.27 310	0.39 331	0.17 183	0.22 292	0.22 292	0.21 275	0.08 194	0.06 192	0.06 33	0.06 85	0.12 306	0.11 291

ADCRef	0.20 288	0.12 273	0.43 361	0.20 267	0.12 285	0.23 300	0.18 232	0.32 287	0.37 305	0.26 303	0.33 295	0.18 195	0.23 298	0.25 314	0.26 328	0.07 144	0.06 192	0.09 231	0.09 254	0.08 200	0.09 248

ADCP+	0.20 288	0.10 240	0.35 349	0.21 293	0.12 285	0.22 289	0.27 350	0.31 283	0.35 295	0.26 303	0.37 317	0.22 237	0.22 292	0.27 320	0.28 340	0.09 237	0.06 192	0.08 162	0.08 214	0.10 277	0.10 270

PS-NSSS	0.20 288	0.21 356	0.23 299	0.20 267	0.10 219	0.19 249	0.17 194	0.36 332	0.26 222	0.27 310	0.34 305	0.27 280	0.24 305	0.20 260	0.20 264	0.15 350	0.12 334	0.17 356	0.14 342	0.10 277	0.09 248

DRN-Test	0.20 288	0.11 258	0.21 286	0.22 309	0.10 219	0.22 289	0.22 305	0.40 354	0.38 311	0.24 286	0.33 295	0.26 275	0.22 292	0.22 292	0.25 316	0.11 293	0.07 246	0.11 298	0.10 285	0.09 252	0.08 216

DISCO	0.20 288	0.09 184	0.22 293	0.17 110	0.10 219	0.25 314	0.18 232	0.28 246	0.45 340	0.23 275	0.32 288	0.34 331	0.26 318	0.29 336	0.29 347	0.08 194	0.06 192	0.07 102	0.07 162	0.09 252	0.10 270

SGM-Forest	0.20 288	0.14 307	0.18 255	0.20 267	0.13 306	0.21 276	0.22 305	0.33 297	0.31 264	0.24 286	0.29 270	0.28 288	0.20 281	0.23 299	0.18 246	0.15 350	0.16 363	0.15 346	0.14 342	0.13 321	0.12 309
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.20 288	0.15 313	0.18 255	0.18 177	0.10 219	0.20 266	0.11 11	0.30 270	0.31 264	0.29 327	0.31 279	0.31 314	0.23 298	0.28 328	0.19 256	0.13 330	0.15 358	0.17 356	0.16 355	0.10 277	0.10 270
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
UDG	0.21 298	0.17 330	0.20 280	0.23 326	0.15 331	0.31 348	0.20 281	0.33 297	0.35 295	0.24 286	0.28 260	0.31 314	0.29 335	0.21 275	0.23 298	0.15 350	0.12 334	0.13 328	0.09 254	0.14 336	0.15 347

FAT-Stereo	0.21 298	0.13 292	0.22 293	0.21 293	0.12 285	0.18 234	0.18 232	0.35 326	0.40 319	0.28 322	0.37 317	0.33 327	0.33 356	0.21 275	0.20 264	0.09 237	0.11 326	0.10 272	0.09 254	0.11 293	0.14 332

FADNet-RVC	0.21 298	0.20 351	0.40 356	0.21 293	0.16 343	0.21 276	0.15 123	0.27 225	0.27 232	0.26 303	0.32 288	0.26 275	0.21 285	0.22 292	0.19 256	0.12 316	0.13 346	0.12 315	0.14 342	0.13 321	0.18 366

FADNet	0.21 298	0.23 362	0.37 352	0.18 177	0.17 353	0.25 314	0.13 46	0.32 287	0.32 269	0.23 275	0.25 224	0.27 280	0.21 285	0.19 247	0.16 222	0.13 330	0.15 358	0.12 315	0.15 353	0.17 362	0.18 366

S-Stereo	0.21 298	0.12 273	0.25 309	0.21 293	0.13 306	0.21 276	0.19 267	0.33 297	0.45 340	0.23 275	0.36 314	0.28 288	0.29 335	0.20 260	0.23 298	0.09 237	0.12 334	0.10 272	0.10 285	0.13 321	0.14 332

DANet	0.21 298	0.16 321	0.29 327	0.25 340	0.13 306	0.23 300	0.19 267	0.28 246	0.27 232	0.28 322	0.32 288	0.35 336	0.32 354	0.31 343	0.24 309	0.11 293	0.09 293	0.11 298	0.10 285	0.13 321	0.11 291
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	0.21 298	0.16 321	0.27 317	0.18 177	0.11 257	0.22 289	0.13 46	0.33 297	0.49 352	0.30 332	0.40 334	0.32 321	0.25 311	0.31 343	0.23 298	0.10 268	0.07 246	0.11 298	0.08 214	0.11 293	0.10 270

PWCDC_ROB	0.21 298	0.13 292	0.23 299	0.25 340	0.12 285	0.20 266	0.15 123	0.34 311	0.55 367	0.29 327	0.49 363	0.21 221	0.15 211	0.28 328	0.20 264	0.11 293	0.09 293	0.10 272	0.08 214	0.11 293	0.09 248

GASNet	0.22 306	0.24 365	0.34 343	0.26 350	0.17 353	0.27 332	0.16 174	0.45 374	0.42 328	0.27 310	0.24 198	0.30 302	0.16 222	0.27 320	0.18 246	0.12 316	0.09 293	0.12 315	0.11 308	0.16 355	0.08 216

Anonymous_2	0.22 306	0.17 330	0.28 319	0.15 36	0.16 343	0.33 352	0.22 305	0.23 170	0.18 111	0.23 275	0.24 198	0.26 275	0.27 323	0.27 320	0.24 309	0.22 379	0.26 388	0.17 356	0.17 362	0.16 355	0.18 366

Wz-Net-LNSev	0.22 306	0.16 321	0.41 358	0.22 309	0.13 306	0.25 314	0.24 324	0.33 297	0.44 337	0.30 332	0.42 350	0.32 321	0.19 268	0.23 299	0.27 333	0.10 268	0.09 293	0.08 162	0.08 214	0.12 306	0.11 291

FINET	0.22 306	0.18 343	0.28 319	0.19 224	0.16 343	0.24 306	0.24 324	0.33 297	0.49 352	0.26 303	0.33 295	0.22 237	0.23 298	0.23 299	0.18 246	0.18 367	0.16 363	0.11 298	0.10 285	0.15 347	0.14 332

Syn2CoEx	0.22 306	0.16 321	0.29 327	0.29 370	0.15 331	0.26 324	0.21 294	0.34 311	0.32 269	0.29 327	0.36 314	0.28 288	0.25 311	0.20 260	0.25 316	0.16 362	0.12 334	0.14 339	0.11 308	0.09 252	0.08 216

aanetorigin	0.22 306	0.17 330	0.57 376	0.18 177	0.10 219	0.16 198	0.19 267	0.20 126	0.33 274	0.49 379	0.48 362	0.30 302	0.28 332	0.21 275	0.24 309	0.08 194	0.07 246	0.08 162	0.07 162	0.10 277	0.09 248

MaskLacGwcNet_RVC	0.22 306	0.21 356	0.25 309	0.26 350	0.11 257	0.24 306	0.14 77	0.39 351	0.24 194	0.32 344	0.36 314	0.30 302	0.21 285	0.19 247	0.22 288	0.17 366	0.14 354	0.21 369	0.16 355	0.13 321	0.12 309

RP	0.22 306	0.13 292	0.22 293	0.23 326	0.12 285	0.21 276	0.20 281	0.26 213	0.45 340	0.22 262	0.38 324	0.37 340	0.25 311	0.28 328	0.25 316	0.11 293	0.12 334	0.13 328	0.12 326	0.13 321	0.14 332

stereogan	0.22 306	0.11 258	0.21 286	0.20 267	0.12 285	0.32 350	0.19 267	0.36 332	0.45 340	0.23 275	0.39 331	0.35 336	0.27 323	0.33 350	0.23 298	0.10 268	0.12 334	0.10 272	0.10 285	0.14 336	0.14 332

GANet	0.22 306	0.13 292	0.21 286	0.25 340	0.14 321	0.23 300	0.22 305	0.42 363	0.27 232	0.31 337	0.43 353	0.37 340	0.29 335	0.23 299	0.23 298	0.10 268	0.12 334	0.10 272	0.09 254	0.10 277	0.08 216

MDST_ROB	0.22 306	0.10 240	0.18 255	0.18 177	0.11 257	0.40 373	0.19 267	0.44 372	0.42 328	0.40 362	0.40 334	0.29 295	0.21 285	0.27 320	0.19 256	0.11 293	0.10 314	0.14 339	0.11 308	0.10 277	0.08 216

XPNet_ROB	0.22 306	0.12 273	0.20 280	0.22 309	0.13 306	0.22 289	0.19 267	0.35 326	0.40 319	0.30 332	0.40 334	0.38 346	0.27 323	0.26 318	0.29 347	0.15 350	0.10 314	0.10 272	0.10 285	0.13 321	0.12 309

PSMNet_ROB	0.22 306	0.12 273	0.15 175	0.27 357	0.15 331	0.25 314	0.36 384	0.43 368	0.37 305	0.27 310	0.33 295	0.32 321	0.23 298	0.21 275	0.27 333	0.12 316	0.08 272	0.13 328	0.11 308	0.10 277	0.09 248

Wz-Net-MNSev	0.23 319	0.13 292	0.33 340	0.20 267	0.15 331	0.36 364	0.25 340	0.34 311	0.45 340	0.29 327	0.41 344	0.39 351	0.19 268	0.25 314	0.27 333	0.09 237	0.07 246	0.09 231	0.09 254	0.12 306	0.10 270

DDUNet	0.23 319	0.18 343	0.22 293	0.22 309	0.15 331	0.25 314	0.24 324	0.30 270	0.31 264	0.31 337	0.37 317	0.34 331	0.26 318	0.25 314	0.21 275	0.18 367	0.13 346	0.17 356	0.11 308	0.16 355	0.17 364

APVNet	0.23 319	0.12 273	0.20 280	0.18 177	0.14 321	0.32 350	0.31 373	0.40 354	0.33 274	0.27 310	0.40 334	0.30 302	0.29 335	0.27 320	0.25 316	0.11 293	0.12 334	0.11 298	0.14 342	0.12 306	0.13 319

AF-Net	0.23 319	0.17 330	0.17 229	0.27 357	0.13 306	0.26 324	0.24 324	0.33 297	0.51 357	0.25 299	0.33 295	0.39 351	0.27 323	0.28 328	0.26 328	0.11 293	0.10 314	0.16 353	0.12 326	0.11 293	0.11 291

edge stereo	0.23 319	0.14 307	0.21 286	0.21 293	0.13 306	0.24 306	0.16 174	0.32 287	0.42 328	0.32 344	0.40 334	0.39 351	0.35 360	0.25 314	0.25 316	0.13 330	0.11 326	0.14 339	0.11 308	0.12 306	0.14 332

Nwc_Net	0.23 319	0.17 330	0.22 293	0.25 340	0.15 331	0.25 314	0.27 350	0.38 346	0.39 315	0.22 262	0.41 344	0.30 302	0.29 335	0.28 328	0.25 316	0.11 293	0.10 314	0.17 356	0.20 368	0.10 277	0.11 291

RTSC	0.23 319	0.13 292	0.30 332	0.21 293	0.13 306	0.29 342	0.17 194	0.36 332	0.68 385	0.27 310	0.34 305	0.30 302	0.22 292	0.32 347	0.31 357	0.10 268	0.08 272	0.09 231	0.10 285	0.13 321	0.14 332

RYNet	0.23 319	0.12 273	0.22 293	0.19 224	0.17 353	0.47 378	0.26 346	0.39 351	0.49 352	0.24 286	0.29 270	0.34 331	0.24 305	0.20 260	0.31 357	0.10 268	0.06 192	0.09 231	0.09 254	0.14 336	0.15 347

NaN_ROB	0.23 319	0.20 351	0.25 309	0.25 340	0.13 306	0.31 348	0.27 350	0.34 311	0.41 326	0.31 337	0.31 279	0.32 321	0.23 298	0.31 343	0.22 288	0.11 293	0.17 367	0.10 272	0.11 308	0.08 200	0.09 248

ETE_ROB	0.23 319	0.17 330	0.23 299	0.25 340	0.14 321	0.26 324	0.29 366	0.32 287	0.37 305	0.28 322	0.37 317	0.45 368	0.27 323	0.28 328	0.27 333	0.11 293	0.09 293	0.12 315	0.10 285	0.14 336	0.13 319

SQANet	0.24 329	0.24 365	0.31 335	0.31 374	0.19 366	0.27 332	0.13 46	0.30 270	0.33 274	0.25 299	0.37 317	0.31 314	0.22 292	0.27 320	0.23 298	0.15 350	0.10 314	0.21 369	0.16 355	0.22 371	0.16 356

DeepPrunerF	0.24 329	0.17 330	0.45 362	0.26 350	0.16 343	0.23 300	0.29 366	0.37 339	0.51 357	0.27 310	0.31 279	0.24 257	0.28 332	0.22 292	0.23 298	0.15 350	0.11 326	0.20 368	0.18 366	0.12 306	0.14 332

PA-Net	0.24 329	0.18 343	0.34 343	0.28 363	0.22 373	0.22 289	0.39 389	0.29 260	0.39 315	0.22 262	0.33 295	0.25 266	0.26 318	0.21 275	0.25 316	0.10 268	0.23 386	0.15 346	0.22 373	0.09 252	0.13 319
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.24 329	0.19 346	0.52 370	0.25 340	0.18 362	0.21 276	0.22 305	0.34 311	0.45 340	0.25 299	0.35 310	0.26 275	0.19 268	0.31 343	0.29 347	0.13 330	0.12 334	0.12 315	0.13 336	0.12 306	0.14 332

NCCL2	0.24 329	0.15 313	0.18 255	0.34 379	0.18 362	0.24 306	0.24 324	0.34 311	0.29 251	0.31 337	0.38 324	0.38 346	0.29 335	0.23 299	0.25 316	0.15 350	0.12 334	0.18 364	0.21 370	0.13 321	0.13 319

WCMA_ROB	0.24 329	0.11 258	0.24 305	0.17 110	0.14 321	0.34 356	0.16 174	0.33 297	0.33 274	0.39 359	0.54 370	0.40 357	0.35 360	0.35 358	0.26 328	0.12 316	0.12 334	0.12 315	0.11 308	0.14 336	0.14 332

SGM_RVC	0.24 329	0.12 273	0.16 210	0.15 36	0.09 125	0.34 356	0.19 267	0.35 326	0.32 269	0.44 374	0.38 324	0.53 381	0.36 363	0.36 362	0.26 328	0.13 330	0.13 346	0.13 328	0.13 336	0.11 293	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.25 336	0.19 346	0.34 343	0.21 293	0.24 376	0.24 306	0.21 294	0.36 332	0.42 328	0.25 299	0.32 288	0.38 346	0.21 285	0.29 336	0.24 309	0.13 330	0.11 326	0.14 339	0.16 355	0.23 373	0.23 380

psmorigin	0.25 336	0.16 321	0.35 349	0.17 110	0.13 306	0.24 306	0.14 77	0.34 311	0.34 284	0.41 366	0.55 371	0.41 359	0.38 366	0.35 358	0.28 340	0.11 293	0.15 358	0.11 298	0.11 308	0.12 306	0.17 364

RGC	0.25 336	0.20 351	0.29 327	0.28 363	0.16 343	0.22 289	0.23 316	0.33 297	0.44 337	0.27 310	0.40 334	0.38 346	0.28 332	0.37 366	0.23 298	0.11 293	0.13 346	0.17 356	0.17 362	0.15 347	0.16 356

G-Net	0.25 336	0.17 330	0.38 353	0.23 326	0.16 343	0.51 381	0.23 316	0.29 260	0.35 295	0.36 351	0.38 324	0.31 314	0.29 335	0.28 328	0.27 333	0.11 293	0.09 293	0.12 315	0.10 285	0.16 355	0.14 332

NCC-stereo	0.25 336	0.15 313	0.31 335	0.26 350	0.17 353	0.21 276	0.31 373	0.41 359	0.40 319	0.24 286	0.38 324	0.33 327	0.29 335	0.37 366	0.28 340	0.13 330	0.11 326	0.15 346	0.22 373	0.13 321	0.13 319

Abc-Net	0.25 336	0.15 313	0.31 335	0.26 350	0.17 353	0.21 276	0.31 373	0.41 359	0.40 319	0.24 286	0.38 324	0.33 327	0.29 335	0.37 366	0.28 340	0.13 330	0.11 326	0.15 346	0.22 373	0.13 321	0.13 319
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.25 336	0.12 273	0.49 368	0.22 309	0.12 285	0.36 364	0.29 366	0.30 270	0.57 370	0.24 286	0.47 361	0.30 302	0.31 351	0.30 342	0.30 353	0.09 237	0.07 246	0.09 231	0.09 254	0.10 277	0.10 270

STTRV1_RVC	0.25 336	0.26 371	0.39 354	0.19 224	0.26 383	0.30 345	0.24 324	0.35 326	0.35 295	0.36 351	0.34 305	0.31 314	0.31 351	0.28 328	0.25 316	0.18 367	0.10 314	0.16 353	0.14 342	0.18 364	0.12 309

FBW_ROB	0.25 336	0.17 330	0.23 299	0.27 357	0.14 321	0.26 324	0.22 305	0.42 363	0.43 335	0.42 368	0.41 344	0.43 364	0.27 323	0.32 347	0.24 309	0.09 237	0.15 358	0.15 346	0.12 326	0.12 306	0.10 270

SANet	0.25 336	0.14 307	0.29 327	0.21 293	0.11 257	0.29 342	0.25 340	0.40 354	0.65 384	0.36 351	0.40 334	0.42 361	0.27 323	0.27 320	0.25 316	0.12 316	0.09 293	0.10 272	0.09 254	0.13 321	0.12 309

LALA_ROB	0.25 336	0.16 321	0.23 299	0.27 357	0.17 353	0.27 332	0.27 350	0.42 363	0.38 311	0.33 348	0.39 331	0.51 378	0.26 318	0.29 336	0.28 340	0.16 362	0.09 293	0.13 328	0.12 326	0.13 321	0.13 319

Wz-Net-SNSev	0.26 347	0.17 330	0.46 363	0.25 340	0.14 321	0.26 324	0.24 324	0.38 346	0.57 370	0.30 332	0.56 372	0.39 351	0.26 318	0.24 309	0.32 362	0.10 268	0.09 293	0.10 272	0.11 308	0.11 293	0.11 291

SHD	0.26 347	0.15 313	0.31 335	0.24 334	0.18 362	0.23 300	0.15 123	0.39 351	0.72 390	0.32 344	0.42 350	0.36 338	0.29 335	0.33 350	0.30 353	0.13 330	0.11 326	0.14 339	0.13 336	0.16 355	0.20 374

ADCMid	0.26 347	0.15 313	0.42 360	0.20 267	0.14 321	0.25 314	0.26 346	0.35 326	0.40 319	0.37 356	0.45 357	0.34 331	0.42 375	0.36 362	0.36 369	0.10 268	0.09 293	0.11 298	0.11 308	0.13 321	0.13 319

AnyNet_C32	0.26 347	0.16 321	0.39 354	0.20 267	0.17 353	0.26 324	0.31 373	0.32 287	0.45 340	0.31 337	0.50 365	0.30 302	0.34 357	0.41 379	0.36 369	0.12 316	0.12 334	0.12 315	0.14 342	0.14 336	0.15 347

ADCPNet	0.26 347	0.17 330	0.62 381	0.21 293	0.15 331	0.36 364	0.25 340	0.33 297	0.37 305	0.31 337	0.41 344	0.36 338	0.29 335	0.29 336	0.34 367	0.12 316	0.10 314	0.11 298	0.12 326	0.14 336	0.13 319

DispFullNet	0.27 352	0.22 360	0.66 384	0.28 363	0.17 353	0.27 332	0.17 194	0.34 311	0.57 370	0.27 310	0.37 317	0.43 364	0.24 305	0.39 371	0.25 316	0.12 316	0.06 192	0.19 366	0.11 308	0.23 373	0.16 356

MeshStereo	0.27 352	0.13 292	0.18 255	0.15 36	0.11 257	0.33 352	0.24 324	0.41 359	0.36 301	0.53 382	0.58 378	0.67 391	0.41 372	0.36 362	0.27 333	0.14 348	0.13 346	0.13 328	0.11 308	0.11 293	0.11 291
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
CC-Net-ROB	0.28 354	0.31 382	0.36 351	0.30 372	0.15 331	0.25 314	0.19 267	0.45 374	0.34 284	0.39 359	0.37 317	0.39 351	0.31 351	0.27 320	0.27 333	0.24 386	0.18 369	0.30 387	0.23 377	0.19 368	0.15 347

DPSNet	0.28 354	0.16 321	0.33 340	0.18 177	0.13 306	0.55 384	0.42 392	0.52 384	0.68 385	0.29 327	0.38 324	0.39 351	0.30 346	0.32 347	0.23 298	0.11 293	0.10 314	0.11 298	0.08 214	0.20 370	0.16 356

PDISCO_ROB	0.28 354	0.16 321	0.28 319	0.28 363	0.20 369	0.33 352	0.27 350	0.45 374	0.58 373	0.28 322	0.41 344	0.45 368	0.30 346	0.34 353	0.35 368	0.12 316	0.09 293	0.17 356	0.16 355	0.17 362	0.13 319

Wz-Net-TNSev	0.29 357	0.20 351	0.69 392	0.19 224	0.15 331	0.38 370	0.27 350	0.36 332	0.56 369	0.35 349	0.42 350	0.45 368	0.39 367	0.33 350	0.31 357	0.13 330	0.13 346	0.10 272	0.12 326	0.15 347	0.15 347

WZ-Net	0.29 357	0.17 330	0.82 400	0.23 326	0.16 343	0.35 360	0.29 366	0.40 354	0.59 375	0.24 286	0.57 376	0.37 340	0.25 311	0.34 353	0.37 373	0.09 237	0.08 272	0.09 231	0.10 285	0.14 336	0.16 356

XQC	0.29 357	0.23 362	0.53 371	0.29 370	0.19 366	0.36 364	0.28 356	0.37 339	0.58 373	0.31 337	0.31 279	0.37 340	0.30 346	0.39 371	0.39 377	0.13 330	0.09 293	0.15 346	0.12 326	0.18 364	0.18 366

ccnet	0.30 360	0.28 374	0.24 305	0.20 267	0.28 385	0.41 374	0.22 305	0.46 377	0.33 274	0.37 356	0.46 359	0.37 340	0.30 346	0.40 374	0.43 383	0.23 384	0.14 354	0.21 369	0.17 362	0.23 373	0.19 371

EDNetEfficient	0.30 360	0.24 365	1.18 408	0.18 177	0.10 219	0.20 266	0.20 281	0.21 137	0.61 377	0.74 396	0.56 372	0.30 302	0.40 371	0.23 299	0.32 362	0.09 237	0.07 246	0.08 162	0.07 162	0.11 293	0.10 270

MFN_U_SF_DS_RVC	0.30 360	0.24 365	0.30 332	0.36 384	0.16 343	0.36 364	0.31 373	0.34 311	0.43 335	0.41 366	0.46 359	0.38 346	0.30 346	0.35 358	0.29 347	0.19 371	0.20 375	0.26 376	0.29 385	0.18 364	0.19 371

ADCS	0.30 360	0.19 346	0.48 367	0.21 293	0.18 362	0.29 342	0.24 324	0.42 363	0.64 382	0.40 362	0.50 365	0.40 357	0.37 364	0.40 374	0.43 383	0.13 330	0.13 346	0.13 328	0.14 342	0.16 355	0.16 356

CSAN	0.30 360	0.24 365	0.28 319	0.34 379	0.19 366	0.34 356	0.42 392	0.38 346	0.51 357	0.38 358	0.40 334	0.44 367	0.34 357	0.29 336	0.31 357	0.19 371	0.16 363	0.19 366	0.19 367	0.14 336	0.15 347

GANetREF_RVC	0.31 365	0.34 384	0.29 327	0.35 381	0.16 343	0.33 352	0.42 392	0.48 379	0.52 363	0.35 349	0.35 310	0.34 331	0.32 354	0.40 374	0.33 365	0.27 388	0.20 375	0.29 385	0.15 353	0.19 368	0.18 366
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	0.31 365	0.26 371	0.26 315	0.24 334	0.21 371	0.34 356	0.25 340	0.34 311	0.39 315	0.40 362	0.69 386	0.45 368	0.41 372	0.34 353	0.28 340	0.20 375	0.20 375	0.26 376	0.25 379	0.23 373	0.22 378

FCDSN-DC	0.33 367	0.28 374	0.28 319	0.30 372	0.24 376	0.39 372	0.28 356	0.43 368	0.42 328	0.44 374	0.53 369	0.51 378	0.42 375	0.37 366	0.30 353	0.21 377	0.20 375	0.27 379	0.26 380	0.25 382	0.25 382
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	0.33 367	0.22 360	0.58 379	0.31 374	0.15 331	0.36 364	0.17 194	0.54 387	0.46 348	0.47 378	0.56 372	0.58 384	0.39 367	0.36 362	0.38 376	0.15 350	0.15 358	0.18 364	0.21 370	0.16 355	0.16 356

FC-DCNN	0.33 367	0.28 374	0.28 319	0.26 350	0.23 374	0.38 370	0.29 366	0.40 354	0.44 337	0.46 377	0.56 372	0.51 378	0.41 372	0.38 370	0.31 357	0.21 377	0.20 375	0.27 379	0.26 380	0.25 382	0.24 381

PASM	0.33 367	0.25 370	0.51 369	0.28 363	0.27 384	0.30 345	0.31 373	0.35 326	0.51 357	0.36 351	0.40 334	0.47 375	0.35 360	0.34 353	0.36 369	0.23 384	0.26 388	0.26 376	0.28 384	0.23 373	0.21 375

SGM-ForestM	0.33 367	0.12 273	0.17 229	0.16 61	0.11 257	0.42 375	0.20 281	0.43 368	0.53 366	0.53 382	0.57 376	1.41 413	0.44 380	0.42 380	0.29 347	0.14 348	0.16 363	0.16 353	0.16 355	0.12 306	0.13 319

LSM	0.34 372	0.21 356	0.62 381	0.27 357	0.62 407	0.35 360	0.26 346	0.43 368	0.49 352	0.45 376	0.60 381	0.42 361	0.37 364	0.35 358	0.26 328	0.13 330	0.21 382	0.14 339	0.16 355	0.18 364	0.34 394

AnyNet_C01	0.37 373	0.26 371	1.41 411	0.22 309	0.17 353	0.51 381	0.28 356	0.36 332	0.40 319	0.39 359	0.75 392	0.46 372	0.39 367	0.46 382	0.50 393	0.13 330	0.13 346	0.13 328	0.14 342	0.14 336	0.16 356

otaku	0.39 374	0.38 388	0.53 371	0.44 390	0.28 385	0.57 386	0.24 324	0.42 363	0.62 380	0.40 362	0.50 365	0.46 372	0.34 357	0.40 374	0.33 365	0.30 389	0.30 392	0.39 391	0.33 390	0.30 387	0.29 388

ACVNet-4b	0.39 374	0.53 394	0.56 374	0.45 391	0.24 376	0.46 377	0.18 232	0.50 381	0.64 382	0.42 368	0.45 357	0.60 385	0.27 323	0.34 353	0.24 309	0.33 392	0.14 354	0.48 395	0.42 395	0.31 390	0.27 387

PVD	0.40 376	0.21 356	0.40 356	0.32 377	0.23 374	0.30 345	0.45 396	0.53 386	0.97 403	0.55 384	0.80 396	0.54 382	0.60 393	0.53 388	0.40 379	0.19 371	0.14 354	0.17 356	0.14 342	0.24 380	0.32 392

Ntro	0.41 377	0.40 390	0.54 373	0.46 394	0.30 389	0.64 390	0.24 324	0.47 378	0.68 385	0.42 368	0.49 363	0.47 375	0.42 375	0.40 374	0.32 362	0.32 391	0.28 390	0.37 390	0.31 388	0.33 392	0.29 388

SAMSARA	0.41 377	0.28 374	0.34 343	0.55 397	0.39 391	0.85 405	1.25 420	0.49 380	0.52 363	0.36 351	0.35 310	0.56 383	0.39 367	0.39 371	0.41 380	0.15 350	0.20 375	0.15 346	0.14 342	0.23 373	0.21 375

ELAS_RVC	0.42 379	0.29 380	0.33 340	0.28 363	0.24 376	0.56 385	0.38 387	0.50 381	0.61 377	0.74 396	0.76 393	0.67 391	0.56 389	0.55 390	0.42 382	0.22 379	0.21 382	0.27 379	0.26 380	0.27 386	0.26 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 379	0.29 380	0.34 343	0.28 363	0.24 376	0.63 389	0.37 385	0.52 384	0.52 363	0.72 393	0.82 397	0.68 393	0.56 389	0.52 386	0.45 389	0.22 379	0.21 382	0.27 379	0.26 380	0.26 384	0.26 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Consistency-Raft	0.44 381	0.40 390	0.46 363	0.37 385	0.43 394	0.42 375	0.41 390	0.57 389	0.55 367	0.32 344	0.73 390	0.32 321	0.50 384	0.42 380	0.49 392	0.39 394	0.36 394	0.45 394	0.52 404	0.42 394	0.30 390

MSC_U_SF_DS_RVC	0.44 381	0.39 389	0.56 374	0.40 386	0.20 369	0.66 392	0.33 382	0.54 387	0.72 390	0.71 392	0.72 389	0.62 386	0.55 387	0.52 386	0.47 390	0.20 375	0.19 374	0.29 385	0.30 387	0.24 380	0.19 371

ACVNet_1	0.45 383	0.51 393	0.61 380	0.45 391	0.28 385	0.50 379	0.28 356	0.58 394	0.71 389	0.63 387	0.59 380	0.74 396	0.50 384	0.50 384	0.36 369	0.26 387	0.25 387	0.39 391	0.29 385	0.32 391	0.25 382

RTS	0.46 384	0.19 346	3.33 418	0.25 340	0.15 331	0.72 397	0.21 294	0.37 339	0.78 396	0.42 368	0.44 355	0.31 314	0.43 378	0.55 390	0.37 373	0.10 268	0.09 293	0.13 328	0.13 336	0.15 347	0.15 347

RTSA	0.46 384	0.19 346	3.33 418	0.25 340	0.15 331	0.72 397	0.21 294	0.37 339	0.78 396	0.42 368	0.44 355	0.31 314	0.43 378	0.55 390	0.37 373	0.10 268	0.09 293	0.13 328	0.13 336	0.15 347	0.15 347

MANE	0.47 386	0.28 374	0.28 319	0.27 357	0.24 376	0.50 379	0.32 381	0.57 389	0.62 380	0.74 396	1.20 414	1.21 406	0.64 395	0.54 389	0.39 377	0.22 379	0.20 375	0.27 379	0.31 388	0.26 384	0.25 382

NVStereoNet_ROB	0.47 386	0.37 387	0.47 366	0.42 389	0.29 388	0.35 360	0.35 383	0.50 381	0.61 377	0.73 394	0.94 401	0.70 395	0.68 397	0.48 383	0.62 400	0.22 379	0.33 393	0.34 389	0.34 392	0.30 387	0.31 391
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 388	0.07 54	0.14 149	0.15 36	0.08 48	0.26 324	0.17 194	0.23 170	1.71 419	4.68 424	0.67 383	0.46 372	0.47 381	0.21 275	0.30 353	0.07 144	0.06 192	0.06 33	0.06 85	0.08 200	0.06 100

anonymity	0.53 389	0.58 395	0.66 384	0.41 387	0.61 406	0.54 383	0.41 390	0.57 389	0.41 326	0.56 385	0.50 365	0.50 377	0.55 387	0.59 395	0.50 393	0.58 405	0.50 406	0.51 397	0.51 402	0.52 396	0.58 403

RainbowNet	0.54 390	0.61 398	0.71 397	0.57 398	0.43 394	0.66 392	0.37 385	0.60 395	0.87 400	0.51 380	0.67 383	0.63 387	0.47 381	0.50 384	0.44 386	0.47 400	0.48 402	0.53 399	0.41 394	0.53 398	0.41 399

BEATNet-Init1	0.54 390	0.28 374	0.68 391	0.31 374	0.21 371	0.85 405	0.31 373	0.57 389	0.69 388	0.89 403	1.00 404	2.17 421	0.66 396	0.58 394	0.44 386	0.19 371	0.18 369	0.23 374	0.22 373	0.22 371	0.21 375

SGM+DAISY	0.57 392	0.58 395	0.67 388	0.41 387	0.55 400	0.68 394	0.51 398	0.57 389	0.46 348	0.67 388	0.70 387	0.69 394	0.57 391	0.64 397	0.58 398	0.59 406	0.49 403	0.50 396	0.50 401	0.52 396	0.59 406

SPS-STEREO	0.58 393	0.59 397	0.66 384	0.45 391	0.55 400	0.65 391	0.44 395	0.63 396	0.51 357	0.69 390	0.65 382	0.66 390	0.58 392	0.62 396	0.62 400	0.62 408	0.47 401	0.51 397	0.49 399	0.55 399	0.58 403
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.65 394	0.66 402	0.66 384	0.51 395	0.69 411	0.70 395	0.58 402	0.65 398	0.75 394	0.61 386	0.73 390	0.63 387	0.68 397	0.65 398	0.60 399	0.66 409	0.58 415	0.63 401	0.59 405	0.68 406	0.69 413

IMH-64-1	0.66 395	0.62 399	0.69 392	0.72 401	0.51 397	0.60 387	0.51 398	0.92 404	0.84 398	0.75 399	1.02 405	0.81 397	0.78 402	0.80 402	0.50 393	0.43 396	0.46 397	0.72 403	0.48 397	0.55 399	0.40 397

IMH-64	0.66 395	0.62 399	0.69 392	0.72 401	0.51 397	0.60 387	0.51 398	0.92 404	0.84 398	0.75 399	1.02 405	0.81 397	0.78 402	0.80 402	0.50 393	0.43 396	0.46 397	0.72 403	0.48 397	0.55 399	0.40 397

ACVNet_2	0.67 397	0.68 403	0.70 395	0.64 399	0.41 392	0.75 400	0.50 397	0.98 410	1.38 414	0.90 404	1.09 408	1.04 401	0.74 400	0.55 390	0.48 391	0.43 396	0.40 396	0.53 399	0.45 396	0.48 395	0.36 396

IMH	0.72 398	0.65 401	0.70 395	0.77 403	0.54 399	0.71 396	0.56 401	0.99 412	1.08 405	0.82 402	1.09 408	0.89 399	0.88 406	0.88 410	0.53 397	0.44 399	0.50 406	0.75 406	0.51 402	0.58 402	0.42 400

PWCK	0.72 398	0.95 413	0.99 406	0.77 403	0.32 390	0.79 402	0.38 387	0.92 404	0.90 401	0.96 407	0.76 393	0.97 400	0.62 394	0.87 408	0.68 403	0.73 411	0.46 397	0.76 407	0.49 399	0.71 409	0.44 401

JetBlue	0.73 400	0.46 392	1.21 409	0.52 396	0.47 396	2.16 420	0.67 408	0.78 400	0.72 390	0.70 391	0.79 395	1.21 406	0.84 404	1.06 417	1.04 416	0.40 395	0.28 390	0.33 388	0.33 390	0.30 387	0.34 394

TorneroNet-64	0.76 401	0.73 405	0.77 398	0.78 405	0.58 405	0.94 410	0.58 402	0.85 403	1.26 409	0.67 388	0.88 399	1.41 413	0.76 401	0.87 408	0.68 403	0.49 401	0.46 397	0.73 405	0.59 405	0.68 406	0.54 402

MADNet+	0.76 401	0.72 404	3.76 421	0.67 400	0.41 392	0.99 411	0.97 418	0.72 399	0.75 394	0.52 381	0.58 378	0.64 389	0.68 397	0.89 411	1.04 416	0.35 393	0.36 394	0.28 384	0.23 377	0.38 393	0.33 393

WAO-7	0.80 403	0.78 407	0.57 376	0.85 408	0.67 410	0.76 401	0.69 411	1.07 414	1.30 411	0.90 404	1.20 414	1.05 402	0.93 408	0.71 399	0.68 403	0.60 407	0.62 416	0.67 402	0.68 410	0.64 403	0.59 406

WAO-6	0.82 404	0.81 408	0.63 383	0.87 410	0.63 408	0.79 402	0.60 404	0.98 410	1.52 418	0.91 406	0.97 403	1.08 403	1.04 412	0.72 400	0.70 406	0.72 410	0.49 403	0.91 413	0.71 411	0.70 408	0.59 406

TorneroNet	0.83 405	0.75 406	0.83 402	0.85 408	0.63 408	1.03 414	0.65 406	0.96 408	1.14 407	0.80 401	1.10 410	1.36 411	0.88 406	0.95 413	0.82 411	0.57 403	0.49 403	0.79 410	0.66 409	0.74 412	0.64 412

LVE	0.84 406	0.87 411	0.86 403	0.81 406	0.56 402	1.09 416	0.66 407	1.07 414	1.45 416	0.97 408	1.23 416	1.11 404	0.86 405	0.84 405	0.72 407	0.49 401	0.56 412	0.76 407	0.60 407	0.66 404	0.60 409

Dean	0.88 407	0.88 412	0.81 399	0.82 407	0.57 403	0.91 407	0.62 405	1.17 419	1.71 419	1.15 414	1.16 412	1.31 410	1.00 411	0.82 404	0.83 412	0.57 403	0.56 412	0.78 409	0.65 408	0.67 405	0.58 403

WAO-8	0.92 408	0.83 409	0.67 388	0.94 413	0.70 412	0.92 408	0.68 409	1.08 416	1.80 421	1.06 412	1.42 418	1.29 408	1.08 414	0.86 406	0.80 409	0.74 412	0.54 409	0.86 411	0.75 412	0.71 409	0.63 410

Venus	0.92 408	0.83 409	0.67 388	0.94 413	0.70 412	0.92 408	0.68 409	1.08 416	1.80 421	1.06 412	1.42 418	1.29 408	1.08 414	0.86 406	0.80 409	0.74 412	0.54 409	0.86 411	0.75 412	0.71 409	0.63 410

UNDER WATER-64	0.97 410	0.96 415	1.48 413	0.88 411	0.57 403	1.24 419	0.90 416	0.78 400	0.96 402	1.05 410	0.85 398	1.56 418	1.26 418	0.97 415	0.99 414	0.88 416	0.57 414	1.04 416	0.88 416	0.81 414	0.75 414

notaker	0.98 411	1.13 417	1.02 407	1.14 417	0.81 415	0.73 399	0.69 411	0.94 407	1.15 408	1.19 416	1.19 413	1.41 413	1.17 417	1.10 419	0.74 408	0.82 415	0.64 417	1.18 418	0.79 414	1.02 417	0.82 418

UNDER WATER	0.99 412	1.00 416	1.47 412	1.00 415	0.71 414	1.18 418	0.86 414	0.81 402	1.09 406	1.02 409	0.90 400	1.53 417	1.26 418	1.06 417	1.02 415	0.79 414	0.54 409	1.02 415	0.88 416	0.83 415	0.75 414

ktn	1.02 413	1.23 419	0.82 400	1.24 419	0.86 417	1.00 413	0.86 414	0.96 408	1.37 413	1.05 410	1.12 411	1.16 405	1.06 413	0.95 413	0.62 400	1.28 422	0.71 418	1.39 422	0.83 415	1.06 419	0.77 416

KSHMR	1.10 414	1.19 418	0.90 405	1.26 421	1.00 420	0.99 411	0.96 417	1.13 418	1.35 412	1.16 415	1.28 417	1.40 412	0.97 410	1.03 416	0.93 413	1.03 419	1.08 421	1.20 419	1.03 420	1.03 418	0.98 420

DPSimNet_ROB	1.14 415	1.25 420	0.87 404	1.15 418	0.90 418	1.15 417	1.18 419	1.20 420	1.26 409	1.45 418	1.05 407	1.44 416	1.13 416	0.92 412	1.70 419	1.47 423	0.52 408	1.22 420	1.04 421	0.92 416	1.03 421

HanzoNet	1.31 416	1.29 421	1.22 410	1.13 416	0.85 416	1.05 415	0.84 413	1.06 413	1.47 417	1.66 419	1.63 420	2.48 423	1.78 420	1.63 421	1.69 418	1.27 421	0.80 420	1.32 421	1.02 419	1.07 420	0.90 419

JetRed	1.66 417	1.51 422	3.09 417	0.93 412	1.21 421	5.28 422	1.61 422	1.29 421	1.42 415	1.84 420	1.77 421	1.59 419	0.95 409	1.43 420	2.51 422	0.91 417	1.61 423	0.93 414	0.91 418	1.36 421	1.03 421

MADNet++	1.97 418	1.75 423	1.66 415	1.83 423	1.69 423	2.38 421	1.45 421	2.36 423	2.11 423	2.58 423	2.37 422	2.25 422	2.21 421	2.28 422	2.36 421	1.87 424	1.67 424	1.53 423	1.34 423	1.87 423	1.78 425

coex-ft	3.24 419	0.35 386	57.83 443	0.18 177	0.13 306	0.27 332	0.23 316	0.28 246	0.72 390	1.89 421	0.70 387	0.43 364	0.47 381	0.29 336	0.43 383	0.09 237	0.09 293	0.12 315	0.09 254	0.14 336	0.14 332

ASD4	3.59 420	3.47 425	2.05 416	1.75 422	2.54 425	9.22 426	17.86 427	2.29 422	5.54 425	2.49 422	2.86 423	2.05 420	3.46 422	2.77 423	5.29 423	1.23 420	1.36 422	1.13 417	1.33 422	1.71 422	1.50 424

tt	4.65 421	0.07 54	3.54 420	2.01 424	1.55 422	10.25 427	16.66 426	8.90 431	5.03 424	1.33 417	0.96 402	4.71 424	4.74 423	3.33 424	5.86 425	6.06 431	10.30 435	1.87 425	2.09 426	2.61 424	1.19 423

xxxxx1	7.75 422	5.06 428	7.26 423	3.15 425	3.91 426	16.37 430	22.88 431	5.87 428	8.68 427	7.99 427	8.55 424	9.13 429	8.46 426	10.05 429	10.47 426	2.43 425	2.48 426	3.56 428	12.26 432	3.48 425	3.02 427

tt_ll	7.75 422	5.06 428	7.26 423	3.15 425	3.91 426	16.37 430	22.88 431	5.87 428	8.68 427	7.99 427	8.55 424	9.13 429	8.46 426	10.05 429	10.47 426	2.43 425	2.48 426	3.56 428	12.26 432	3.48 425	3.02 427

ff	7.75 422	5.06 428	7.26 423	3.15 425	3.91 426	16.37 430	22.88 431	5.87 428	8.68 427	7.99 427	8.55 424	9.13 429	8.46 426	10.05 429	10.47 426	2.43 425	2.48 426	3.56 428	12.26 432	3.48 425	3.02 427

EDNetEfficientorigin	7.92 425	0.32 383	152.98 444	0.20 267	0.10 219	0.22 289	0.17 194	0.23 170	0.60 376	0.73 394	0.67 383	0.41 359	0.51 386	0.24 309	0.41 380	0.08 194	0.07 246	0.09 231	0.07 162	0.12 306	0.11 291

DPSMNet_ROB	8.06 426	4.50 426	8.69 430	5.36 430	10.74 432	8.32 424	22.71 429	5.47 426	13.38 431	5.13 425	9.98 427	5.10 425	10.47 429	5.53 426	12.77 430	3.80 429	8.00 430	3.49 426	6.95 429	3.75 429	7.09 431

DGTPSM_ROB	8.06 426	4.50 426	8.69 430	5.34 428	10.73 431	8.32 424	22.71 429	5.47 426	13.38 431	5.13 425	9.98 427	5.10 425	10.47 429	5.53 426	12.77 430	3.79 428	8.00 430	3.49 426	6.95 429	3.74 428	7.09 431

PML	8.57 428	9.39 434	6.24 422	5.34 428	6.36 429	13.21 429	20.99 428	5.35 425	6.68 426	17.75 435	26.46 443	7.58 427	6.08 425	7.89 428	5.76 424	5.33 430	1.83 425	5.95 434	1.93 425	8.75 432	2.53 426

DLNR_Zeroshot_test	10.48 429	2.27 424	19.78 439	120.28 445	13.29 435	0.06 2	0.13 46	0.24 188	0.10 7	0.08 6	0.10 38	0.09 40	0.07 31	0.10 16	0.09 17	0.13 330	0.04 2	0.06 33	0.04 8	52.68 444	0.04 5

LRCNet_RVC	10.76 430	13.97 435	7.97 429	19.07 435	2.04 424	0.35 360	0.31 373	5.29 424	0.48 351	13.02 433	17.65 433	8.69 428	5.73 424	4.78 425	2.22 420	23.53 442	2.69 429	27.60 443	25.75 443	17.60 440	16.54 441

Anonymous_1	10.87 431	7.82 431	7.41 426	10.29 431	10.08 430	18.64 434	26.11 434	11.02 432	13.45 433	9.43 430	10.10 429	9.73 432	11.31 431	10.69 432	12.47 429	6.42 432	8.38 432	5.70 431	10.22 431	11.41 433	6.65 430

DPSM_ROB	11.10 432	8.47 432	7.95 427	10.84 432	11.58 433	19.10 435	26.50 435	12.02 433	14.09 434	10.38 431	10.91 430	10.39 433	11.92 432	11.67 433	13.39 432	6.99 433	8.79 433	5.82 432	6.92 427	6.97 430	7.31 433

DPSM	11.10 432	8.47 432	7.95 427	10.84 432	11.58 433	19.10 435	26.50 435	12.02 433	14.09 434	10.38 431	10.91 430	10.39 433	11.92 432	11.67 433	13.39 432	6.99 433	8.79 433	5.82 432	6.92 427	6.97 430	7.31 433

SPstereo	13.84 434	0.95 413	1.53 414	1.24 419	0.90 418	29.09 437	47.98 437	26.78 445	29.57 444	22.38 443	22.47 441	23.18 443	24.63 442	24.46 443	15.07 434	0.91 417	0.71 418	1.85 424	1.62 424	0.74 412	0.79 417

HaxPig	15.73 435	18.55 442	19.19 438	16.92 434	15.89 436	7.80 423	7.57 423	13.37 435	10.80 430	15.40 434	14.87 432	15.95 435	14.81 434	15.67 435	15.97 435	18.96 441	16.72 436	19.47 441	18.10 441	19.45 441	19.06 442

MEDIAN_ROB	20.38 436	24.05 443	23.36 440	21.18 436	21.62 437	10.51 428	8.17 424	17.68 436	15.46 436	20.04 436	19.65 434	20.30 436	20.16 435	21.17 436	21.03 436	23.81 443	21.77 443	24.98 442	23.75 442	25.01 442	23.94 443

CasAABBNet	22.33 437	17.11 436	15.84 432	21.94 440	23.28 441	38.30 438	53.40 443	24.05 438	28.44 439	20.66 437	21.86 436	21.03 441	24.04 440	23.35 437	27.03 439	14.06 435	17.69 438	11.70 435	13.94 436	14.04 437	14.76 439

MyStereo03	22.37 438	17.11 436	16.16 434	21.87 437	23.27 438	38.30 438	53.36 439	24.10 439	28.51 440	20.93 440	21.96 438	20.94 437	24.00 436	23.43 439	27.22 440	14.07 436	17.72 440	11.70 435	13.96 437	14.00 434	14.72 436

MyStereo02	22.37 438	17.11 436	16.16 434	21.87 437	23.27 438	38.30 438	53.36 439	24.10 439	28.51 440	20.93 440	21.96 438	20.94 437	24.00 436	23.43 439	27.22 440	14.07 436	17.72 440	11.70 435	13.96 437	14.00 434	14.72 436

MyStereo	22.37 438	17.11 436	16.16 434	21.87 437	23.27 438	38.30 438	53.36 439	24.10 439	28.51 440	20.93 440	21.96 438	20.94 437	24.00 436	23.43 439	27.22 440	14.07 436	17.72 440	11.70 435	13.96 437	14.00 434	14.72 436

Selective-RAFT-Error	22.39 441	17.14 440	16.01 433	22.00 441	23.34 442	38.37 442	53.36 439	24.24 443	28.53 443	20.80 438	21.94 437	20.94 437	24.02 439	23.48 442	27.33 443	14.07 436	17.70 439	11.70 435	13.93 435	14.05 438	14.83 440

LSM0	22.80 442	17.22 441	19.17 437	22.12 442	28.90 444	38.38 443	53.27 438	24.21 442	28.36 438	20.84 439	21.11 435	21.63 442	24.25 441	23.42 438	26.98 438	14.08 440	17.39 437	11.72 440	13.98 440	14.22 439	14.66 435

AVERAGE_ROB	24.89 443	29.12 444	27.98 441	24.83 443	24.59 443	17.82 433	11.61 425	21.45 437	19.91 437	25.04 444	24.38 442	25.06 444	25.31 443	24.69 444	22.86 437	29.74 444	27.09 444	28.97 444	27.94 444	30.07 443	29.35 444

test_example2	97.69 444	92.93 445	45.57 442	96.02 444	109.84 445	88.44 444	93.70 444	25.54 444	94.63 445	130.46 445	126.87 444	58.93 445	75.48 444	87.99 445	77.94 444	150.16 445	221.11 445	76.29 445	98.21 445	108.42 445	95.33 445

FADE		0.34 384		0.33 378	0.25 382			0.64 397	1.07 404	0.43 373		0.42 361		0.72 400		0.30 389	0.21 382	0.41 393	0.38 393	0.23 373	0.22 378

Low-res two-view benchmark