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

4D-IteraStereo	0.10 49	0.07 55	0.10 40	0.18 179	0.07 15	0.09 36	0.15 125	0.18 91	0.15 71	0.10 37	0.11 56	0.10 60	0.07 31	0.12 96	0.09 17	0.05 2	0.03 1	0.08 163	0.07 163	0.06 95	0.05 45

H2IRNET	0.10 49	0.09 186	0.10 40	0.18 179	0.09 126	0.12 106	0.15 125	0.14 19	0.21 157	0.10 37	0.10 40	0.10 60	0.11 108	0.10 16	0.10 47	0.06 53	0.04 2	0.08 163	0.08 216	0.06 95	0.05 45

MGS-Stereo	0.09 10	0.07 55	0.12 91	0.16 62	0.08 48	0.09 36	0.15 125	0.12 4	0.12 28	0.07 2	0.10 40	0.08 25	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.06 95	0.05 45

LargeStereo	0.08 2	0.06 20	0.09 25	0.18 179	0.07 15	0.10 57	0.13 46	0.10 1	0.10 7	0.08 6	0.08 17	0.06 3	0.05 2	0.13 133	0.09 17	0.05 2	0.04 2	0.05 2	0.04 8	0.05 38	0.04 4

ff7	0.09 10	0.07 55	0.11 66	0.16 62	0.09 126	0.11 80	0.15 125	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 38	0.06 101

ffff	0.09 10	0.07 55	0.11 66	0.16 62	0.09 126	0.11 80	0.15 125	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 38	0.06 101

11t	0.09 10	0.07 55	0.11 66	0.16 62	0.09 126	0.11 80	0.15 125	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 38	0.06 101

IGEV_Zeroshot_test	0.09 10	0.05 5	0.13 115	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 7	0.11 43	0.09 17	0.06 53	0.04 2	0.06 33	0.06 86	0.05 38	0.05 45

MSKI-zero shot	0.09 10	0.05 5	0.09 25	0.16 62	0.07 15	0.10 57	0.13 46	0.15 26	0.14 58	0.09 18	0.09 25	0.09 40	0.06 7	0.12 96	0.11 75	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 45

DLNR_Zeroshot_test	10.48 431	2.27 426	19.78 441	120.28 447	13.29 437	0.06 2	0.13 46	0.24 188	0.10 7	0.08 6	0.10 40	0.09 40	0.07 31	0.10 16	0.09 17	0.13 332	0.04 2	0.06 33	0.04 8	52.68 446	0.04 4

CASnet	0.09 10	0.09 186	0.09 25	0.19 226	0.06 3	0.07 15	0.11 11	0.18 91	0.14 58	0.11 64	0.10 40	0.09 40	0.07 31	0.10 16	0.10 47	0.06 53	0.04 2	0.10 274	0.08 216	0.06 95	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	0.13 308	0.14 158	0.13 46	0.15 26	0.09 3	0.07 2	0.09 25	0.07 18	0.08 52	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 38	0.04 4

Any-RAFT	0.10 49	0.05 5	0.10 40	0.15 37	0.07 15	0.13 127	0.14 78	0.21 137	0.15 71	0.11 64	0.12 66	0.13 118	0.10 83	0.13 133	0.10 47	0.07 145	0.04 2	0.05 2	0.04 8	0.06 95	0.05 45

RAFT-Test	0.09 10	0.06 20	0.10 40	0.16 62	0.07 15	0.11 80	0.15 125	0.16 40	0.13 44	0.09 18	0.10 40	0.11 76	0.09 70	0.12 96	0.09 17	0.06 53	0.04 2	0.05 2	0.04 8	0.05 38	0.05 45

HH	0.09 10	0.06 20	0.13 115	0.17 111	0.08 48	0.11 80	0.16 176	0.15 26	0.10 7	0.08 6	0.10 40	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 38	0.04 4

HanStereo	0.09 10	0.06 20	0.13 115	0.17 111	0.08 48	0.11 80	0.16 176	0.15 26	0.10 7	0.08 6	0.10 40	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 38	0.04 4

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 37	0.07 15	0.08 22	0.15 125	0.12 4	0.11 18	0.08 6	0.09 25	0.06 3	0.09 70	0.10 16	0.09 17	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

CAS	0.08 2	0.04 1	0.07 1	0.17 111	0.08 48	0.10 57	0.13 46	0.12 4	0.09 3	0.09 18	0.10 40	0.08 25	0.06 7	0.09 10	0.09 17	0.08 195	0.04 2	0.05 2	0.03 1	0.05 38	0.04 4

anonymousdsp	0.09 10	0.07 55	0.11 66	0.17 111	0.09 126	0.11 80	0.15 125	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 38	0.06 101

CES	0.08 2	0.04 1	0.08 7	0.14 12	0.07 15	0.09 36	0.14 78	0.11 2	0.09 3	0.08 6	0.09 25	0.11 76	0.07 31	0.12 96	0.08 9	0.06 53	0.04 2	0.05 2	0.03 1	0.05 38	0.05 45

Selective-IGEV	0.07 1	0.06 20	0.09 25	0.17 111	0.06 3	0.08 22	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

EGLCR-Stereo	0.08 2	0.05 5	0.08 7	0.14 12	0.07 15	0.11 80	0.12 24	0.11 2	0.16 87	0.06 1	0.05 1	0.07 18	0.05 2	0.10 16	0.11 75	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

MC-Stereo	0.09 10	0.07 55	0.09 25	0.17 111	0.06 3	0.10 57	0.14 78	0.12 4	0.11 18	0.09 18	0.12 66	0.09 40	0.06 7	0.11 43	0.10 47	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

RCA-Stereo	0.09 10	0.06 20	0.09 25	0.16 62	0.06 3	0.09 36	0.13 46	0.18 91	0.14 58	0.10 37	0.11 56	0.08 25	0.07 31	0.12 96	0.11 75	0.06 53	0.04 2	0.06 33	0.05 34	0.05 38	0.04 4

DCANet-4	0.11 75	0.07 55	0.13 115	0.16 62	0.06 3	0.09 36	0.17 196	0.18 91	0.20 144	0.13 107	0.17 124	0.09 40	0.14 195	0.12 96	0.13 153	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 45

ccc-4	0.09 10	0.07 55	0.11 66	0.16 62	0.09 126	0.11 80	0.15 125	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 38	0.06 101

fff	0.10 49	0.06 20	0.12 91	0.15 37	0.07 15	0.09 36	0.17 196	0.16 40	0.21 157	0.13 107	0.17 124	0.10 60	0.11 108	0.12 96	0.13 153	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 45

ADStereo(finetuned)	0.10 49	0.06 20	0.13 115	0.16 62	0.06 3	0.09 36	0.17 196	0.16 40	0.20 144	0.13 107	0.18 144	0.10 60	0.12 137	0.12 96	0.12 126	0.06 53	0.04 2	0.05 2	0.04 8	0.05 38	0.05 45

RAFT+CT+SA	0.13 162	0.11 260	0.09 25	0.19 226	0.09 126	0.15 178	0.28 358	0.22 156	0.22 176	0.15 150	0.26 238	0.10 60	0.10 83	0.11 43	0.12 126	0.05 2	0.04 2	0.07 103	0.08 216	0.07 153	0.06 101

test_4	0.11 75	0.10 242	0.08 7	0.19 226	0.09 126	0.08 22	0.21 296	0.15 26	0.18 112	0.12 83	0.18 144	0.12 96	0.09 70	0.08 5	0.11 75	0.04 1	0.04 2	0.08 163	0.08 216	0.04 1	0.04 4

IGEV-Stereo	0.09 10	0.07 55	0.11 66	0.17 111	0.09 126	0.11 80	0.15 125	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 38	0.06 101
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	0.13 115	0.14 12	0.09 126	0.12 106	0.15 125	0.19 115	0.11 18	0.11 64	0.08 17	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 95	0.05 45

IPLG	0.11 75	0.08 139	0.15 177	0.17 111	0.08 48	0.11 80	0.14 78	0.20 126	0.15 71	0.13 107	0.18 144	0.07 18	0.07 31	0.14 151	0.14 177	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

MIPNet	0.11 75	0.08 139	0.15 177	0.17 111	0.09 126	0.12 106	0.14 78	0.21 137	0.25 212	0.12 83	0.10 40	0.09 40	0.07 31	0.13 133	0.13 153	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

test-3	0.09 10	0.06 20	0.10 40	0.18 179	0.07 15	0.07 15	0.14 78	0.12 4	0.16 87	0.10 37	0.08 17	0.08 25	0.08 52	0.11 43	0.10 47	0.05 2	0.04 2	0.07 103	0.05 34	0.04 1	0.04 4

test_1	0.09 10	0.06 20	0.10 40	0.18 179	0.07 15	0.07 15	0.14 78	0.12 4	0.16 87	0.10 37	0.08 17	0.08 25	0.08 52	0.11 43	0.10 47	0.05 2	0.04 2	0.07 103	0.05 34	0.04 1	0.04 4

test_3	0.11 75	0.09 186	0.10 40	0.21 296	0.08 48	0.13 127	0.25 342	0.14 19	0.21 157	0.10 37	0.10 40	0.09 40	0.10 83	0.08 5	0.11 75	0.05 2	0.04 2	0.08 163	0.07 163	0.04 1	0.04 4

LCNet	0.11 75	0.07 55	0.09 25	0.19 226	0.09 126	0.08 22	0.14 78	0.21 137	0.15 71	0.12 83	0.15 96	0.16 169	0.11 108	0.12 96	0.11 75	0.05 2	0.04 2	0.08 163	0.07 163	0.06 95	0.14 334

HHNet	0.11 75	0.06 20	0.16 212	0.15 37	0.14 323	0.07 15	0.13 46	0.20 126	0.18 112	0.15 150	0.25 226	0.11 76	0.09 70	0.13 133	0.10 47	0.06 53	0.04 2	0.08 163	0.06 86	0.05 38	0.09 250

AAGNet	0.12 138	0.08 139	0.17 231	0.19 226	0.09 126	0.08 22	0.13 46	0.19 115	0.13 44	0.16 177	0.21 180	0.13 118	0.14 195	0.11 43	0.14 177	0.06 53	0.04 2	0.09 232	0.06 86	0.06 95	0.05 45

STrans-v2	0.10 49	0.07 55	0.13 115	0.18 179	0.08 48	0.10 57	0.14 78	0.22 156	0.11 18	0.11 64	0.15 96	0.12 96	0.10 83	0.11 43	0.12 126	0.05 2	0.04 2	0.06 33	0.06 86	0.05 38	0.05 45

TransformOpticalFlow	0.10 49	0.08 139	0.13 115	0.18 179	0.07 15	0.09 36	0.15 125	0.19 115	0.16 87	0.12 83	0.16 108	0.11 76	0.11 108	0.11 43	0.11 75	0.05 2	0.04 2	0.06 33	0.06 86	0.05 38	0.05 45

NF-Stereo	0.11 75	0.07 55	0.13 115	0.17 111	0.09 126	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 124	0.12 96	0.12 137	0.11 43	0.11 75	0.06 53	0.04 2	0.07 103	0.06 86	0.07 153	0.12 311

OCTAStereo	0.11 75	0.07 55	0.14 151	0.17 111	0.09 126	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 124	0.12 96	0.12 137	0.11 43	0.11 75	0.06 53	0.04 2	0.07 103	0.06 86	0.07 153	0.11 293

NRIStereo	0.11 75	0.08 139	0.15 177	0.18 179	0.08 48	0.10 57	0.13 46	0.17 67	0.15 71	0.12 83	0.15 96	0.13 118	0.13 166	0.13 133	0.10 47	0.06 53	0.04 2	0.07 103	0.06 86	0.06 95	0.07 154

KYRaft	0.12 138	0.07 55	0.10 40	0.19 226	0.09 126	0.08 22	0.15 125	0.23 170	0.12 28	0.13 107	0.16 108	0.20 217	0.10 83	0.12 96	0.11 75	0.06 53	0.04 2	0.08 163	0.08 216	0.06 95	0.15 349

ASMatch	0.11 75	0.06 20	0.13 115	0.17 111	0.10 220	0.08 22	0.14 78	0.18 91	0.16 87	0.12 83	0.16 108	0.16 169	0.11 108	0.13 133	0.11 75	0.05 2	0.04 2	0.06 33	0.06 86	0.04 1	0.09 250

DEmStereo	0.12 138	0.06 20	0.14 151	0.14 12	0.10 220	0.16 200	0.15 125	0.16 40	0.24 196	0.17 187	0.23 190	0.12 96	0.14 195	0.12 96	0.14 177	0.05 2	0.04 2	0.07 103	0.06 86	0.05 38	0.05 45

SST-Stereo	0.11 75	0.07 55	0.16 212	0.18 179	0.09 126	0.06 2	0.12 24	0.18 91	0.10 7	0.15 150	0.18 144	0.13 118	0.12 137	0.10 16	0.11 75	0.06 53	0.04 2	0.09 232	0.06 86	0.07 153	0.06 101

RAFT_R40	0.11 75	0.07 55	0.15 177	0.18 179	0.09 126	0.06 2	0.13 46	0.17 67	0.15 71	0.14 129	0.18 144	0.15 155	0.12 137	0.10 16	0.11 75	0.06 53	0.04 2	0.09 232	0.06 86	0.06 95	0.05 45

DRaft	0.12 138	0.06 20	0.12 91	0.14 12	0.09 126	0.14 158	0.17 196	0.21 137	0.30 259	0.18 215	0.27 253	0.10 60	0.16 224	0.11 43	0.12 126	0.05 2	0.04 2	0.07 103	0.07 163	0.05 38	0.05 45

PFNet	0.12 138	0.06 20	0.17 231	0.18 179	0.08 48	0.09 36	0.15 125	0.26 215	0.20 144	0.16 177	0.16 108	0.14 134	0.12 137	0.13 133	0.11 75	0.06 53	0.04 2	0.07 103	0.06 86	0.05 38	0.05 45

RE-Stereo	0.11 75	0.07 55	0.13 115	0.17 111	0.09 126	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 124	0.12 96	0.12 137	0.11 43	0.11 75	0.06 53	0.04 2	0.07 103	0.06 86	0.07 153	0.11 293

Pruner-Stereo	0.11 75	0.07 55	0.12 91	0.17 111	0.09 126	0.06 2	0.12 24	0.18 91	0.17 102	0.14 129	0.19 155	0.13 118	0.10 83	0.11 43	0.11 75	0.06 53	0.04 2	0.07 103	0.06 86	0.06 95	0.08 217

TVStereo	0.11 75	0.07 55	0.13 115	0.17 111	0.09 126	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 124	0.12 96	0.12 137	0.11 43	0.11 75	0.06 53	0.04 2	0.07 103	0.06 86	0.07 153	0.11 293

DeepStereo_RVC	0.11 75	0.08 139	0.17 231	0.18 179	0.08 48	0.08 22	0.11 11	0.17 67	0.12 28	0.13 107	0.15 96	0.12 96	0.12 137	0.12 96	0.11 75	0.06 53	0.04 2	0.07 103	0.06 86	0.07 153	0.08 217

RAFT-RH_RVC	0.12 138	0.06 20	0.14 151	0.16 62	0.09 126	0.12 106	0.12 24	0.17 67	0.12 28	0.13 107	0.40 336	0.11 76	0.10 83	0.13 133	0.12 126	0.05 2	0.04 2	0.08 163	0.05 34	0.05 38	0.06 101

IRAFT_RVC	0.12 138	0.08 139	0.17 231	0.19 226	0.08 48	0.07 15	0.14 78	0.25 207	0.23 185	0.14 129	0.15 96	0.15 155	0.12 137	0.12 96	0.11 75	0.06 53	0.04 2	0.09 232	0.06 86	0.06 95	0.06 101

CRE-IMP	0.11 75	0.09 186	0.16 212	0.19 226	0.09 126	0.10 57	0.12 24	0.18 91	0.10 7	0.14 129	0.14 85	0.14 134	0.13 166	0.12 96	0.12 126	0.07 145	0.04 2	0.08 163	0.06 86	0.08 202	0.08 217

cross-raft	0.10 49	0.09 186	0.09 25	0.19 226	0.07 15	0.11 80	0.24 326	0.13 12	0.15 71	0.08 6	0.10 40	0.12 96	0.10 83	0.09 10	0.11 75	0.05 2	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

test-1	0.10 49	0.07 55	0.17 231	0.19 226	0.08 48	0.11 80	0.24 326	0.15 26	0.18 112	0.09 18	0.07 13	0.10 60	0.08 52	0.08 5	0.09 17	0.06 53	0.04 2	0.06 33	0.06 86	0.04 1	0.05 45

GMM-Stereo	0.11 75	0.07 55	0.10 40	0.18 179	0.09 126	0.08 22	0.14 78	0.24 188	0.16 87	0.11 64	0.15 96	0.13 118	0.11 108	0.11 43	0.11 75	0.05 2	0.04 2	0.08 163	0.07 163	0.06 95	0.09 250

iRaftStereo_RVC	0.10 49	0.07 55	0.10 40	0.17 111	0.09 126	0.11 80	0.17 196	0.18 91	0.12 28	0.09 18	0.11 56	0.10 60	0.07 31	0.11 43	0.10 47	0.05 2	0.04 2	0.08 163	0.08 216	0.04 1	0.04 4

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 7	0.07 15	0.09 36	0.12 24	0.14 19	0.14 58	0.10 37	0.14 85	0.08 25	0.07 31	0.10 16	0.11 75	0.06 53	0.04 2	0.05 2	0.05 34	0.04 1	0.04 4
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.10 49	0.06 20	0.08 7	0.15 37	0.05 1	0.16 200	0.18 234	0.16 40	0.15 71	0.10 37	0.11 56	0.11 76	0.11 108	0.11 43	0.12 126	0.05 2	0.04 2	0.06 33	0.04 8	0.04 1	0.04 4

raft+_RVC	0.11 75	0.07 55	0.09 25	0.16 62	0.07 15	0.10 57	0.11 11	0.24 188	0.20 144	0.12 83	0.15 96	0.12 96	0.08 52	0.12 96	0.13 153	0.07 145	0.04 2	0.07 103	0.06 86	0.05 38	0.05 45

XX-TBD	0.09 10	0.06 20	0.07 1	0.14 12	0.07 15	0.13 127	0.16 176	0.14 19	0.14 58	0.11 64	0.12 66	0.09 40	0.08 52	0.10 16	0.10 47	0.06 53	0.04 2	0.05 2	0.04 8	0.06 95	0.05 45

DCANet	0.10 49	0.06 20	0.12 91	0.16 62	0.06 3	0.09 36	0.17 196	0.16 40	0.20 144	0.13 107	0.18 144	0.10 60	0.11 108	0.11 43	0.12 126	0.06 53	0.04 2	0.05 2	0.04 8	0.05 38	0.05 45

csc	0.10 49	0.06 20	0.12 91	0.15 37	0.07 15	0.09 36	0.17 196	0.16 40	0.21 157	0.13 107	0.17 124	0.10 60	0.11 108	0.12 96	0.13 153	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 45

cscssc	0.10 49	0.06 20	0.12 91	0.15 37	0.07 15	0.09 36	0.17 196	0.16 40	0.21 157	0.13 107	0.17 124	0.10 60	0.11 108	0.12 96	0.13 153	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 45

111	0.11 75	0.06 20	0.12 91	0.15 37	0.07 15	0.10 57	0.14 78	0.21 137	0.24 196	0.11 64	0.12 66	0.14 134	0.12 137	0.13 133	0.10 47	0.06 53	0.04 2	0.06 33	0.04 8	0.06 95	0.05 45

test_xeample3	0.09 10	0.07 55	0.12 91	0.16 62	0.09 126	0.11 80	0.15 125	0.16 40	0.14 58	0.10 37	0.07 13	0.08 25	0.06 7	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 38	0.06 101

RAFT-Stereo + iAFF	0.09 10	0.06 20	0.10 40	0.17 111	0.07 15	0.10 57	0.15 125	0.17 67	0.15 71	0.10 37	0.10 40	0.08 25	0.09 70	0.12 96	0.10 47	0.05 2	0.04 2	0.06 33	0.06 86	0.04 1	0.03 1

AFF-stereo	0.09 10	0.07 55	0.10 40	0.17 111	0.07 15	0.10 57	0.15 125	0.18 91	0.10 7	0.10 37	0.11 56	0.09 40	0.10 83	0.12 96	0.10 47	0.05 2	0.04 2	0.07 103	0.07 163	0.04 1	0.04 4

CFNet-RSSM	0.09 10	0.07 55	0.10 40	0.16 62	0.07 15	0.09 36	0.15 125	0.17 67	0.18 112	0.08 6	0.12 66	0.11 76	0.09 70	0.12 96	0.10 47	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.04 4

Gwc-CoAtRS	0.09 10	0.07 55	0.10 40	0.16 62	0.07 15	0.10 57	0.15 125	0.18 91	0.17 102	0.08 6	0.10 40	0.12 96	0.09 70	0.12 96	0.09 17	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.05 45

CREStereo	0.09 10	0.05 5	0.08 7	0.11 1	0.06 3	0.14 158	0.14 78	0.14 19	0.10 7	0.09 18	0.13 77	0.09 40	0.08 52	0.12 96	0.10 47	0.08 195	0.04 2	0.05 2	0.03 1	0.06 95	0.06 101
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 78	0.16 40	0.11 18	0.09 18	0.13 77	0.10 60	0.07 31	0.14 151	0.10 47	0.15 352	0.04 2	0.05 2	0.03 1	0.07 153	0.06 101

HITNet	0.11 75	0.06 20	0.12 91	0.14 12	0.06 3	0.12 106	0.10 5	0.18 91	0.18 112	0.13 107	0.17 124	0.15 155	0.11 108	0.15 166	0.14 177	0.06 53	0.04 2	0.04 1	0.04 8	0.06 95	0.05 45
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
MLCV	0.13 162	0.08 139	0.17 231	0.18 179	0.06 3	0.16 200	0.17 196	0.19 115	0.22 176	0.19 226	0.25 226	0.17 185	0.13 166	0.15 166	0.14 177	0.05 2	0.04 2	0.05 2	0.04 8	0.05 38	0.04 4

iResNet	0.13 162	0.10 242	0.18 257	0.19 226	0.08 48	0.14 158	0.18 234	0.21 137	0.27 234	0.16 177	0.24 200	0.15 155	0.13 166	0.14 151	0.15 207	0.06 53	0.04 2	0.06 33	0.05 34	0.06 95	0.05 45

modified_for_full_sf	0.10 49	0.05 5	0.10 40	0.17 111	0.08 48	0.13 127	0.13 46	0.24 188	0.23 185	0.13 107	0.09 25	0.10 60	0.10 83	0.11 43	0.11 75	0.06 53	0.05 82	0.06 33	0.05 34	0.04 1	0.04 4

trnet	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 77	0.09 40	0.08 52	0.11 43	0.10 47	0.08 195	0.05 82	0.05 2	0.03 1	0.06 95	0.05 45

MoCha-V2	0.08 2	0.05 5	0.11 66	0.20 269	0.07 15	0.10 57	0.14 78	0.12 4	0.08 1	0.07 2	0.08 17	0.07 18	0.06 7	0.09 10	0.08 9	0.05 2	0.05 82	0.05 2	0.04 8	0.04 1	0.04 4

DispNO	0.15 219	0.09 186	0.18 257	0.19 226	0.12 287	0.11 80	0.21 296	0.23 170	0.29 253	0.18 215	0.23 190	0.19 201	0.17 245	0.16 191	0.16 224	0.07 145	0.05 82	0.08 163	0.08 216	0.07 153	0.06 101

Former-RAFT_DAM_RVC	0.11 75	0.08 139	0.13 115	0.16 62	0.08 48	0.15 178	0.16 176	0.18 91	0.19 126	0.10 37	0.09 25	0.09 40	0.08 52	0.11 43	0.12 126	0.07 145	0.05 82	0.08 163	0.06 86	0.07 153	0.06 101

MyStereo8	0.12 138	0.07 55	0.15 177	0.15 37	0.09 126	0.18 236	0.14 78	0.19 115	0.22 176	0.12 83	0.18 144	0.11 76	0.10 83	0.16 191	0.18 248	0.07 145	0.05 82	0.07 103	0.05 34	0.08 202	0.09 250

SMFormer	0.14 187	0.07 55	0.18 257	0.14 12	0.08 48	0.17 220	0.17 196	0.27 227	0.27 234	0.19 226	0.20 164	0.19 201	0.15 213	0.15 166	0.17 236	0.08 195	0.05 82	0.07 103	0.06 86	0.08 202	0.07 154

tta	0.14 187	0.07 55	0.18 257	0.14 12	0.08 48	0.17 220	0.17 196	0.27 227	0.27 234	0.19 226	0.20 164	0.19 201	0.15 213	0.15 166	0.17 236	0.08 195	0.05 82	0.07 103	0.06 86	0.06 95	0.06 101

qqq1	0.14 187	0.07 55	0.18 257	0.14 12	0.08 48	0.17 220	0.17 196	0.27 227	0.27 234	0.19 226	0.20 164	0.19 201	0.15 213	0.15 166	0.12 126	0.08 195	0.05 82	0.05 2	0.05 34	0.06 95	0.06 101

fff1	0.14 187	0.07 55	0.18 257	0.14 12	0.08 48	0.17 220	0.17 196	0.27 227	0.27 234	0.19 226	0.20 164	0.19 201	0.15 213	0.15 166	0.12 126	0.08 195	0.05 82	0.05 2	0.05 34	0.06 95	0.06 101

MyStereo07	0.10 49	0.07 55	0.10 40	0.17 111	0.09 126	0.14 158	0.17 196	0.15 26	0.15 71	0.09 18	0.06 2	0.06 3	0.07 31	0.12 96	0.09 17	0.06 53	0.05 82	0.08 163	0.07 163	0.06 95	0.06 101

MyStereo06	0.10 49	0.07 55	0.12 91	0.17 111	0.09 126	0.13 127	0.18 234	0.19 115	0.12 28	0.13 107	0.08 17	0.07 18	0.07 31	0.11 43	0.09 17	0.06 53	0.05 82	0.08 163	0.07 163	0.06 95	0.06 101

MyStereo05	0.13 162	0.07 55	0.10 40	0.17 111	0.09 126	0.13 127	0.18 234	0.28 248	0.35 297	0.17 187	0.14 85	0.15 155	0.11 108	0.15 166	0.13 153	0.06 53	0.05 82	0.08 163	0.07 163	0.06 95	0.06 101

MyStereo04	0.13 162	0.07 55	0.10 40	0.17 111	0.09 126	0.14 158	0.17 196	0.29 262	0.38 313	0.17 187	0.14 85	0.16 169	0.11 108	0.15 166	0.13 153	0.06 53	0.05 82	0.08 163	0.07 163	0.06 95	0.06 101

CoDeX	0.12 138	0.07 55	0.13 115	0.17 111	0.08 48	0.12 106	0.16 176	0.23 170	0.27 234	0.13 107	0.17 124	0.15 155	0.12 137	0.14 151	0.11 75	0.07 145	0.05 82	0.07 103	0.06 86	0.06 95	0.05 45

ACVNet-DCA	0.10 49	0.08 139	0.13 115	0.17 111	0.09 126	0.13 127	0.15 125	0.24 188	0.16 87	0.09 18	0.09 25	0.06 3	0.06 7	0.10 16	0.07 1	0.06 53	0.05 82	0.06 33	0.05 34	0.07 153	0.07 154

xx1	0.11 75	0.08 139	0.13 115	0.17 111	0.09 126	0.13 127	0.15 125	0.16 40	0.18 112	0.09 18	0.09 25	0.16 169	0.16 224	0.10 16	0.07 1	0.06 53	0.05 82	0.08 163	0.08 216	0.07 153	0.07 154

1test111	0.11 75	0.08 139	0.13 115	0.17 111	0.09 126	0.13 127	0.15 125	0.24 188	0.16 87	0.09 18	0.09 25	0.06 3	0.06 7	0.15 166	0.16 224	0.06 53	0.05 82	0.06 33	0.05 34	0.07 153	0.07 154

cc1	0.10 49	0.08 139	0.13 115	0.17 111	0.09 126	0.13 127	0.15 125	0.16 40	0.18 112	0.09 18	0.09 25	0.06 3	0.06 7	0.10 16	0.07 1	0.06 53	0.05 82	0.06 33	0.05 34	0.06 95	0.06 101

mmm	0.14 187	0.08 139	0.18 257	0.17 111	0.09 126	0.17 220	0.18 234	0.21 137	0.16 87	0.16 177	0.23 190	0.21 223	0.16 224	0.16 191	0.17 236	0.08 195	0.05 82	0.08 163	0.08 216	0.08 202	0.07 154

11t1	0.12 138	0.07 55	0.14 151	0.14 12	0.08 48	0.17 220	0.15 125	0.19 115	0.15 71	0.15 150	0.15 96	0.17 185	0.16 224	0.15 166	0.13 153	0.08 195	0.05 82	0.06 33	0.05 34	0.08 202	0.07 154

IGEVStereo-DCA	0.09 10	0.07 55	0.11 66	0.16 62	0.10 220	0.11 80	0.15 125	0.16 40	0.12 28	0.10 37	0.06 2	0.08 25	0.06 7	0.10 16	0.09 17	0.06 53	0.05 82	0.06 33	0.05 34	0.05 38	0.06 101

rrr	0.09 10	0.07 55	0.13 115	0.16 62	0.10 220	0.11 80	0.15 125	0.16 40	0.15 71	0.10 37	0.06 2	0.08 25	0.06 7	0.10 16	0.09 17	0.06 53	0.05 82	0.06 33	0.05 34	0.05 38	0.06 101

DualNet	0.13 162	0.09 186	0.15 177	0.16 62	0.09 126	0.17 220	0.17 196	0.15 26	0.19 126	0.15 150	0.26 238	0.19 201	0.13 166	0.10 16	0.22 290	0.06 53	0.05 82	0.09 232	0.08 216	0.06 95	0.06 101

ffm	0.12 138	0.09 186	0.15 177	0.16 62	0.09 126	0.17 220	0.17 196	0.15 26	0.19 126	0.15 150	0.26 238	0.19 201	0.13 166	0.10 16	0.08 9	0.06 53	0.05 82	0.09 232	0.08 216	0.06 95	0.06 101

ff1	0.13 162	0.09 186	0.15 177	0.16 62	0.09 126	0.17 220	0.17 196	0.15 26	0.19 126	0.15 150	0.26 238	0.19 201	0.13 166	0.15 166	0.22 290	0.06 53	0.05 82	0.09 232	0.08 216	0.06 95	0.06 101

tt1	0.10 49	0.08 139	0.13 115	0.17 111	0.09 126	0.13 127	0.15 125	0.15 26	0.19 126	0.09 18	0.08 17	0.06 3	0.06 7	0.10 16	0.08 9	0.06 53	0.05 82	0.06 33	0.05 34	0.06 95	0.06 101

test croco	0.11 75	0.09 186	0.10 40	0.19 226	0.09 126	0.11 80	0.14 78	0.14 19	0.13 44	0.13 107	0.15 96	0.09 40	0.12 137	0.13 133	0.12 126	0.07 145	0.05 82	0.09 232	0.06 86	0.06 95	0.06 101

MIF-Stereo (partial)	0.11 75	0.06 20	0.10 40	0.19 226	0.10 220	0.10 57	0.12 24	0.17 67	0.19 126	0.14 129	0.16 108	0.10 60	0.11 108	0.12 96	0.12 126	0.08 195	0.05 82	0.08 163	0.07 163	0.06 95	0.07 154

PCWNet_CMD	0.14 187	0.08 139	0.15 177	0.17 111	0.09 126	0.14 158	0.14 78	0.29 262	0.36 303	0.14 129	0.20 164	0.21 223	0.13 166	0.17 221	0.14 177	0.07 145	0.05 82	0.07 103	0.07 163	0.07 153	0.07 154

LL-Strereo2	0.11 75	0.10 242	0.16 212	0.18 179	0.08 48	0.15 178	0.09 3	0.17 67	0.14 58	0.14 129	0.11 56	0.09 40	0.07 31	0.16 191	0.10 47	0.05 2	0.05 82	0.11 300	0.07 163	0.06 95	0.05 45

LL-Strereo	0.13 162	0.10 242	0.12 91	0.20 269	0.10 220	0.11 80	0.18 234	0.33 299	0.25 212	0.16 177	0.16 108	0.14 134	0.14 195	0.19 249	0.11 75	0.06 53	0.05 82	0.09 232	0.08 216	0.04 1	0.05 45

anonymousdsp2	0.11 75	0.07 55	0.11 66	0.16 62	0.09 126	0.13 127	0.14 78	0.19 115	0.23 185	0.13 107	0.14 85	0.12 96	0.09 70	0.14 151	0.11 75	0.05 2	0.05 82	0.05 2	0.04 8	0.06 95	0.06 101

LoS	0.09 10	0.05 5	0.11 66	0.13 7	0.07 15	0.14 158	0.11 11	0.15 26	0.15 71	0.09 18	0.09 25	0.12 96	0.09 70	0.15 166	0.10 47	0.07 145	0.05 82	0.05 2	0.03 1	0.05 38	0.05 45

DCRE	0.11 75	0.07 55	0.13 115	0.16 62	0.11 259	0.11 80	0.17 196	0.18 91	0.17 102	0.11 64	0.18 144	0.11 76	0.10 83	0.15 166	0.11 75	0.06 53	0.05 82	0.06 33	0.06 86	0.05 38	0.05 45

knoymous	0.11 75	0.06 20	0.12 91	0.14 12	0.07 15	0.15 178	0.13 46	0.20 126	0.14 58	0.11 64	0.17 124	0.13 118	0.09 70	0.14 151	0.11 75	0.09 238	0.05 82	0.06 33	0.05 34	0.07 153	0.07 154

anonymousa	0.13 162	0.07 55	0.14 151	0.18 179	0.09 126	0.13 127	0.17 196	0.20 126	0.29 253	0.15 150	0.24 200	0.16 169	0.14 195	0.14 151	0.14 177	0.07 145	0.05 82	0.07 103	0.09 256	0.05 38	0.07 154

riskmin	0.11 75	0.06 20	0.13 115	0.14 12	0.08 48	0.14 158	0.14 78	0.18 91	0.15 71	0.12 83	0.15 96	0.17 185	0.11 108	0.14 151	0.12 126	0.09 238	0.05 82	0.07 103	0.05 34	0.08 202	0.08 217

Selective-RAFT	0.11 75	0.11 260	0.12 91	0.21 296	0.08 48	0.16 200	0.13 46	0.21 137	0.23 185	0.10 37	0.10 40	0.11 76	0.10 83	0.15 166	0.11 75	0.05 2	0.05 82	0.06 33	0.05 34	0.06 95	0.05 45

ProNet	0.09 10	0.07 55	0.11 66	0.17 111	0.08 48	0.11 80	0.15 125	0.15 26	0.12 28	0.10 37	0.06 2	0.07 18	0.06 7	0.11 43	0.09 17	0.05 2	0.05 82	0.06 33	0.05 34	0.04 1	0.06 101

x	0.13 162	0.08 139	0.15 177	0.14 12	0.08 48	0.19 251	0.14 78	0.22 156	0.21 157	0.15 150	0.20 164	0.20 217	0.18 256	0.18 230	0.18 248	0.07 145	0.05 82	0.06 33	0.06 86	0.07 153	0.07 154

DisPM	0.11 75	0.07 55	0.13 115	0.16 62	0.09 126	0.06 2	0.13 46	0.18 91	0.17 102	0.14 129	0.19 155	0.12 96	0.10 83	0.12 96	0.11 75	0.07 145	0.05 82	0.07 103	0.06 86	0.06 95	0.11 293

Wz-Net-LNSev-Ref	0.18 274	0.09 186	0.30 334	0.15 37	0.11 259	0.23 302	0.20 283	0.27 227	0.40 321	0.26 305	0.43 355	0.25 268	0.15 213	0.21 277	0.20 266	0.07 145	0.05 82	0.06 33	0.05 34	0.10 279	0.09 250

IER	0.14 187	0.08 139	0.13 115	0.17 111	0.09 126	0.14 158	0.16 176	0.26 215	0.27 234	0.18 215	0.26 238	0.17 185	0.20 283	0.17 221	0.14 177	0.08 195	0.05 82	0.07 103	0.06 86	0.08 202	0.07 154

raft_robust	0.13 162	0.10 242	0.07 1	0.18 179	0.08 48	0.13 127	0.24 326	0.29 262	0.34 286	0.20 246	0.20 164	0.15 155	0.10 83	0.11 43	0.12 126	0.05 2	0.05 82	0.07 103	0.07 163	0.05 38	0.04 4

test_5	0.14 187	0.12 275	0.08 7	0.20 269	0.10 220	0.14 158	0.28 358	0.21 137	0.24 196	0.19 226	0.28 262	0.11 76	0.15 213	0.12 96	0.13 153	0.06 53	0.05 82	0.07 103	0.08 216	0.08 202	0.07 154

Sa-1000	0.12 138	0.08 139	0.09 25	0.18 179	0.08 48	0.15 178	0.22 307	0.22 156	0.19 126	0.15 150	0.20 164	0.17 185	0.11 108	0.10 16	0.10 47	0.06 53	0.05 82	0.09 232	0.09 256	0.05 38	0.05 45

SA	0.13 162	0.09 186	0.09 25	0.18 179	0.08 48	0.12 106	0.24 326	0.23 170	0.19 126	0.17 187	0.27 253	0.15 155	0.11 108	0.11 43	0.11 75	0.05 2	0.05 82	0.09 232	0.08 216	0.05 38	0.05 45

iRaft-Stereo_5w	0.12 138	0.09 186	0.12 91	0.20 269	0.08 48	0.09 36	0.12 24	0.22 156	0.22 176	0.19 226	0.14 85	0.11 76	0.09 70	0.20 262	0.16 224	0.05 2	0.05 82	0.07 103	0.06 86	0.05 38	0.06 101

CIPLG	0.11 75	0.08 139	0.15 177	0.17 111	0.08 48	0.13 127	0.15 125	0.17 67	0.16 87	0.14 129	0.11 56	0.16 169	0.10 83	0.17 221	0.12 126	0.07 145	0.05 82	0.06 33	0.06 86	0.05 38	0.06 101

IPLGR_C	0.11 75	0.08 139	0.15 177	0.17 111	0.08 48	0.12 106	0.15 125	0.17 67	0.15 71	0.14 129	0.11 56	0.16 169	0.10 83	0.16 191	0.12 126	0.07 145	0.05 82	0.06 33	0.06 86	0.05 38	0.06 101

IPLGR	0.11 75	0.09 186	0.17 231	0.18 179	0.08 48	0.13 127	0.16 176	0.21 137	0.24 196	0.12 83	0.12 66	0.11 76	0.09 70	0.13 133	0.12 126	0.06 53	0.05 82	0.06 33	0.06 86	0.05 38	0.04 4

GMOStereo	0.11 75	0.09 186	0.08 7	0.19 226	0.08 48	0.12 106	0.28 358	0.13 12	0.18 112	0.11 64	0.17 124	0.14 134	0.12 137	0.07 1	0.07 1	0.05 2	0.05 82	0.09 232	0.07 163	0.04 1	0.04 4

error version	0.11 75	0.09 186	0.08 7	0.19 226	0.08 48	0.12 106	0.28 358	0.13 12	0.18 112	0.11 64	0.17 124	0.14 134	0.12 137	0.07 1	0.07 1	0.05 2	0.05 82	0.09 232	0.07 163	0.04 1	0.04 4

test-v	0.11 75	0.09 186	0.08 7	0.19 226	0.08 48	0.12 106	0.28 358	0.13 12	0.18 112	0.11 64	0.17 124	0.14 134	0.12 137	0.07 1	0.07 1	0.05 2	0.05 82	0.09 232	0.07 163	0.04 1	0.04 4

ACRE	0.11 75	0.08 139	0.15 177	0.17 111	0.08 48	0.13 127	0.15 125	0.17 67	0.14 58	0.14 129	0.11 56	0.16 169	0.10 83	0.16 191	0.12 126	0.07 145	0.05 82	0.06 33	0.06 86	0.05 38	0.06 101

GwcNet-ADL	0.13 162	0.08 139	0.14 151	0.20 269	0.09 126	0.12 106	0.20 283	0.30 272	0.25 212	0.14 129	0.14 85	0.18 197	0.14 195	0.13 133	0.15 207	0.07 145	0.05 82	0.06 33	0.05 34	0.07 153	0.06 101

CrosDoStereo	0.12 138	0.07 55	0.12 91	0.14 12	0.09 126	0.12 106	0.15 125	0.17 67	0.22 176	0.19 226	0.24 200	0.15 155	0.11 108	0.11 43	0.12 126	0.06 53	0.05 82	0.07 103	0.07 163	0.05 38	0.05 45

PFNet+	0.12 138	0.06 20	0.14 151	0.16 62	0.09 126	0.05 1	0.12 24	0.18 91	0.21 157	0.16 177	0.19 155	0.14 134	0.10 83	0.11 43	0.11 75	0.08 195	0.05 82	0.09 232	0.08 216	0.06 95	0.11 293

TRStereo	0.10 49	0.05 5	0.12 91	0.16 62	0.12 287	0.10 57	0.13 46	0.18 91	0.19 126	0.09 18	0.09 25	0.09 40	0.07 31	0.10 16	0.08 9	0.07 145	0.05 82	0.07 103	0.07 163	0.04 1	0.04 4

Patchmatch Stereo++	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154
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 75	0.07 55	0.14 151	0.18 179	0.08 48	0.09 36	0.12 24	0.21 137	0.21 157	0.13 107	0.14 85	0.11 76	0.12 137	0.11 43	0.13 153	0.06 53	0.05 82	0.07 103	0.06 86	0.05 38	0.04 4

IIG-Stereo	0.11 75	0.06 20	0.13 115	0.17 111	0.08 48	0.11 80	0.12 24	0.22 156	0.18 112	0.14 129	0.17 124	0.12 96	0.13 166	0.12 96	0.13 153	0.06 53	0.05 82	0.07 103	0.06 86	0.06 95	0.05 45

PSM-softLoss	0.12 138	0.07 55	0.15 177	0.17 111	0.09 126	0.08 22	0.12 24	0.24 188	0.17 102	0.15 150	0.19 155	0.13 118	0.11 108	0.11 43	0.11 75	0.07 145	0.05 82	0.08 163	0.07 163	0.07 153	0.12 311

KMStereo	0.12 138	0.07 55	0.15 177	0.17 111	0.09 126	0.08 22	0.12 24	0.24 188	0.17 102	0.15 150	0.19 155	0.13 118	0.11 108	0.11 43	0.11 75	0.07 145	0.05 82	0.08 163	0.07 163	0.07 153	0.12 311

PSM-adaLoss	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154

PSM-AAD	0.11 75	0.07 55	0.10 40	0.20 269	0.09 126	0.10 57	0.14 78	0.21 137	0.13 44	0.12 83	0.14 85	0.18 197	0.11 108	0.11 43	0.10 47	0.05 2	0.05 82	0.09 232	0.08 216	0.06 95	0.14 334

FTStereo	0.12 138	0.07 55	0.14 151	0.18 179	0.09 126	0.07 15	0.15 125	0.22 156	0.18 112	0.12 83	0.24 200	0.11 76	0.13 166	0.13 133	0.14 177	0.05 2	0.05 82	0.07 103	0.07 163	0.06 95	0.10 272

ROB_FTStereo_v2	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154

ROB_FTStereo	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154

HUI-Stereo	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154

DeepStereo_LL	0.12 138	0.07 55	0.12 91	0.14 12	0.09 126	0.12 106	0.15 125	0.17 67	0.22 176	0.19 226	0.24 200	0.15 155	0.11 108	0.11 43	0.12 126	0.06 53	0.05 82	0.07 103	0.07 163	0.05 38	0.05 45

THIR-Stereo	0.12 138	0.07 55	0.11 66	0.15 37	0.08 48	0.14 158	0.16 176	0.18 91	0.25 212	0.17 187	0.24 200	0.13 118	0.13 166	0.12 96	0.14 177	0.06 53	0.05 82	0.07 103	0.07 163	0.05 38	0.05 45

GrayStereo	0.11 75	0.06 20	0.11 66	0.19 226	0.09 126	0.09 36	0.16 176	0.18 91	0.17 102	0.14 129	0.17 124	0.17 185	0.11 108	0.12 96	0.11 75	0.05 2	0.05 82	0.07 103	0.06 86	0.06 95	0.10 272

iGMRVC	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154

RAFT-345	0.11 75	0.07 55	0.16 212	0.17 111	0.08 48	0.08 22	0.12 24	0.16 40	0.10 7	0.11 64	0.34 307	0.09 40	0.10 83	0.11 43	0.12 126	0.05 2	0.05 82	0.07 103	0.06 86	0.04 1	0.05 45

iRAFT	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154

AnonymousM	0.10 49	0.06 20	0.10 40	0.14 12	0.07 15	0.09 36	0.13 46	0.19 115	0.14 58	0.13 107	0.12 66	0.09 40	0.08 52	0.13 133	0.10 47	0.08 195	0.05 82	0.08 163	0.05 34	0.05 38	0.05 45

CroCo-Stereo	0.09 10	0.08 139	0.08 7	0.22 312	0.09 126	0.09 36	0.18 234	0.16 40	0.12 28	0.07 2	0.07 13	0.08 25	0.06 7	0.08 5	0.07 1	0.07 145	0.05 82	0.06 33	0.04 8	0.05 38	0.04 4
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
test-2	0.11 75	0.09 186	0.08 7	0.19 226	0.08 48	0.12 106	0.28 358	0.13 12	0.18 112	0.11 64	0.17 124	0.14 134	0.12 137	0.07 1	0.07 1	0.05 2	0.05 82	0.09 232	0.07 163	0.04 1	0.04 4

RAFT-IKP	0.11 75	0.09 186	0.17 231	0.19 226	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 150	0.16 108	0.14 134	0.12 137	0.11 43	0.11 75	0.06 53	0.05 82	0.08 163	0.06 86	0.08 202	0.07 154

Prome-Stereo	0.11 75	0.07 55	0.11 66	0.18 179	0.09 126	0.12 106	0.14 78	0.23 170	0.13 44	0.13 107	0.16 108	0.13 118	0.08 52	0.12 96	0.10 47	0.05 2	0.05 82	0.07 103	0.06 86	0.06 95	0.10 272

rafts_anoy	0.11 75	0.06 20	0.10 40	0.17 111	0.08 48	0.10 57	0.14 78	0.18 91	0.14 58	0.13 107	0.13 77	0.12 96	0.11 108	0.11 43	0.13 153	0.07 145	0.05 82	0.09 232	0.11 310	0.07 153	0.06 101

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	0.19 126	0.11 64	0.15 96	0.10 60	0.07 31	0.12 96	0.09 17	0.07 145	0.05 82	0.05 2	0.04 8	0.06 95	0.05 45

raftrobust	0.09 10	0.06 20	0.11 66	0.17 111	0.08 48	0.09 36	0.10 5	0.18 91	0.16 87	0.10 37	0.09 25	0.12 96	0.08 52	0.12 96	0.10 47	0.08 195	0.05 82	0.06 33	0.05 34	0.05 38	0.06 101

sAnonymous2	0.13 162	0.12 275	0.25 311	0.20 269	0.12 287	0.18 236	0.14 78	0.27 227	0.21 157	0.11 64	0.12 66	0.13 118	0.08 52	0.11 43	0.11 75	0.09 238	0.05 82	0.08 163	0.06 86	0.15 349	0.10 272

CroCo_RVC	0.13 162	0.12 275	0.25 311	0.20 269	0.12 287	0.18 236	0.14 78	0.27 227	0.21 157	0.11 64	0.12 66	0.13 118	0.08 52	0.11 43	0.11 75	0.09 238	0.05 82	0.08 163	0.06 86	0.15 349	0.10 272

CFNet_pseudo	0.14 187	0.08 139	0.16 212	0.16 62	0.09 126	0.13 127	0.14 78	0.27 227	0.34 286	0.15 150	0.21 180	0.22 239	0.13 166	0.18 230	0.14 177	0.07 145	0.05 82	0.08 163	0.06 86	0.07 153	0.07 154

RALAANet	0.11 75	0.08 139	0.10 40	0.17 111	0.09 126	0.14 158	0.10 5	0.20 126	0.16 87	0.14 129	0.13 77	0.16 169	0.09 70	0.12 96	0.12 126	0.06 53	0.05 82	0.08 163	0.07 163	0.06 95	0.04 4

XX-Stereo	0.09 10	0.05 5	0.09 25	0.17 111	0.09 126	0.15 178	0.12 24	0.21 137	0.10 7	0.10 37	0.14 85	0.07 18	0.06 7	0.13 133	0.08 9	0.06 53	0.05 82	0.06 33	0.06 86	0.04 1	0.04 4

222	0.16 243	0.07 55	0.15 177	0.14 12	0.08 48	0.25 316	0.18 234	0.30 272	0.21 157	0.18 215	0.29 272	0.17 185	0.16 224	0.16 191	0.44 388	0.10 269	0.05 82	0.07 103	0.06 86	0.08 202	0.08 217

xxxx	0.15 219	0.07 55	0.14 151	0.14 12	0.08 48	0.24 308	0.18 234	0.32 289	0.20 144	0.14 129	0.28 262	0.22 239	0.14 195	0.15 166	0.29 349	0.09 238	0.05 82	0.07 103	0.07 163	0.08 202	0.08 217

test_xeample	0.15 219	0.07 55	0.14 151	0.15 37	0.08 48	0.22 291	0.20 283	0.29 262	0.21 157	0.16 177	0.29 272	0.19 201	0.17 245	0.16 191	0.28 342	0.09 238	0.05 82	0.07 103	0.07 163	0.07 153	0.07 154

ARAFT	0.12 138	0.08 139	0.18 257	0.19 226	0.09 126	0.15 178	0.17 196	0.20 126	0.13 44	0.12 83	0.13 77	0.14 134	0.12 137	0.15 166	0.13 153	0.06 53	0.05 82	0.10 274	0.09 256	0.06 95	0.04 4

EAI-Stereo	0.09 10	0.07 55	0.11 66	0.16 62	0.07 15	0.10 57	0.15 125	0.16 40	0.09 3	0.08 6	0.09 25	0.08 25	0.07 31	0.09 10	0.11 75	0.05 2	0.05 82	0.05 2	0.05 34	0.05 38	0.04 4

SFCPSM	0.13 162	0.07 55	0.15 177	0.17 111	0.09 126	0.15 178	0.16 176	0.28 248	0.27 234	0.14 129	0.18 144	0.12 96	0.13 166	0.14 151	0.11 75	0.08 195	0.05 82	0.07 103	0.07 163	0.07 153	0.06 101

FENet	0.13 162	0.08 139	0.13 115	0.16 62	0.08 48	0.15 178	0.16 176	0.23 170	0.23 185	0.17 187	0.24 200	0.16 169	0.13 166	0.14 151	0.15 207	0.08 195	0.05 82	0.08 163	0.08 216	0.08 202	0.08 217

cf-r	0.14 187	0.07 55	0.13 115	0.16 62	0.08 48	0.14 158	0.19 269	0.21 137	0.25 212	0.17 187	0.26 238	0.22 239	0.17 245	0.14 151	0.15 207	0.10 269	0.05 82	0.06 33	0.08 216	0.06 95	0.06 101

DIP-Stereo	0.11 75	0.08 139	0.15 177	0.17 111	0.09 126	0.13 127	0.09 3	0.16 40	0.16 87	0.12 83	0.16 108	0.14 134	0.12 137	0.16 191	0.14 177	0.06 53	0.05 82	0.06 33	0.05 34	0.05 38	0.07 154
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 138	0.09 186	0.15 177	0.18 179	0.07 15	0.15 178	0.07 1	0.23 170	0.19 126	0.16 177	0.19 155	0.19 201	0.14 195	0.17 221	0.15 207	0.07 145	0.05 82	0.05 2	0.05 34	0.06 95	0.07 154

R-Stereo Train	0.10 49	0.06 20	0.11 66	0.17 111	0.08 48	0.11 80	0.14 78	0.24 188	0.11 18	0.12 83	0.19 155	0.11 76	0.08 52	0.10 16	0.11 75	0.07 145	0.05 82	0.06 33	0.05 34	0.05 38	0.05 45

RAFT-Stereo	0.10 49	0.06 20	0.11 66	0.17 111	0.08 48	0.11 80	0.14 78	0.24 188	0.11 18	0.12 83	0.19 155	0.11 76	0.08 52	0.10 16	0.11 75	0.07 145	0.05 82	0.06 33	0.05 34	0.05 38	0.05 45
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MSMDNet	0.14 187	0.08 139	0.15 177	0.17 111	0.09 126	0.14 158	0.14 78	0.29 262	0.36 303	0.14 129	0.20 164	0.21 223	0.13 166	0.18 230	0.14 177	0.07 145	0.05 82	0.07 103	0.07 163	0.07 153	0.07 154

ccs_rob	0.14 187	0.09 186	0.16 212	0.16 62	0.09 126	0.13 127	0.14 78	0.27 227	0.34 286	0.15 150	0.21 180	0.22 239	0.13 166	0.18 230	0.14 177	0.07 145	0.05 82	0.08 163	0.07 163	0.07 153	0.07 154

AANet_RVC	0.16 243	0.10 242	0.11 66	0.18 179	0.09 126	0.19 251	0.18 234	0.27 227	0.32 271	0.22 264	0.35 312	0.21 223	0.22 294	0.22 294	0.17 236	0.06 53	0.05 82	0.06 33	0.06 86	0.07 153	0.06 101

AdaStereo	0.15 219	0.11 260	0.16 212	0.19 226	0.09 126	0.21 278	0.11 11	0.33 299	0.28 247	0.21 255	0.23 190	0.21 223	0.13 166	0.19 249	0.15 207	0.13 332	0.05 82	0.10 274	0.07 163	0.09 254	0.07 154
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.
HSM	0.15 219	0.09 186	0.15 177	0.16 62	0.09 126	0.16 200	0.14 78	0.28 248	0.25 212	0.20 246	0.24 200	0.37 342	0.17 245	0.20 262	0.15 207	0.07 145	0.05 82	0.07 103	0.06 86	0.07 153	0.06 101

StereoDRNet-Refined	0.17 261	0.12 275	0.16 212	0.20 269	0.10 220	0.18 236	0.18 234	0.27 227	0.24 196	0.26 305	0.41 346	0.23 250	0.18 256	0.21 277	0.21 277	0.09 238	0.05 82	0.09 232	0.10 287	0.07 153	0.07 154
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iResNet_ROB	0.14 187	0.07 55	0.13 115	0.15 37	0.07 15	0.19 251	0.14 78	0.26 215	0.32 271	0.23 277	0.26 238	0.23 250	0.16 224	0.15 166	0.14 177	0.07 145	0.05 82	0.05 2	0.04 8	0.08 202	0.08 217

DN-CSS_ROB	0.13 162	0.13 294	0.17 231	0.18 179	0.10 220	0.16 200	0.08 2	0.22 156	0.19 126	0.17 187	0.23 190	0.13 118	0.13 166	0.13 133	0.14 177	0.05 2	0.05 82	0.10 274	0.10 287	0.08 202	0.06 101

pmcnn	0.15 219	0.07 55	0.20 282	0.15 37	0.07 15	0.21 278	0.16 176	0.25 207	0.26 224	0.21 255	0.33 297	0.29 297	0.19 270	0.18 230	0.17 236	0.07 145	0.05 82	0.05 2	0.04 8	0.07 153	0.06 101

AE-Stereo	0.10 49	0.08 139	0.11 66	0.19 226	0.09 126	0.10 57	0.15 125	0.14 19	0.20 144	0.09 18	0.15 96	0.12 96	0.08 52	0.11 43	0.10 47	0.05 2	0.06 193	0.07 103	0.06 86	0.05 38	0.04 4

mmx	0.15 219	0.09 186	0.15 177	0.16 62	0.09 126	0.17 220	0.17 196	0.27 227	0.26 224	0.15 150	0.26 238	0.19 201	0.13 166	0.15 166	0.22 290	0.08 195	0.06 193	0.09 232	0.08 216	0.08 202	0.08 217

xxx	0.15 219	0.09 186	0.15 177	0.16 62	0.09 126	0.17 220	0.17 196	0.27 227	0.26 224	0.15 150	0.26 238	0.19 201	0.13 166	0.15 166	0.22 290	0.08 195	0.06 193	0.09 232	0.08 216	0.08 202	0.08 217

GMStereo_Zeroshot	0.16 243	0.13 294	0.25 311	0.20 269	0.10 220	0.17 220	0.13 46	0.30 272	0.25 212	0.23 277	0.32 290	0.25 268	0.11 108	0.19 249	0.14 177	0.09 238	0.06 193	0.11 300	0.06 86	0.12 308	0.08 217

StereoIM	0.09 10	0.09 186	0.08 7	0.17 111	0.09 126	0.14 158	0.11 11	0.16 40	0.16 87	0.09 18	0.11 56	0.06 3	0.06 7	0.09 10	0.13 153	0.07 145	0.06 193	0.08 163	0.05 34	0.05 38	0.04 4

MIF-Stereo	0.09 10	0.07 55	0.08 7	0.18 179	0.08 48	0.13 127	0.11 11	0.12 4	0.11 18	0.10 37	0.12 66	0.05 1	0.06 7	0.09 10	0.10 47	0.07 145	0.06 193	0.05 2	0.05 34	0.06 95	0.05 45

EKT-Stereo	0.11 75	0.07 55	0.14 151	0.16 62	0.10 220	0.13 127	0.14 78	0.19 115	0.21 157	0.11 64	0.08 17	0.13 118	0.10 83	0.11 43	0.12 126	0.08 195	0.06 193	0.07 103	0.06 86	0.08 202	0.07 154

MIM_Stereo	0.10 49	0.07 55	0.11 66	0.15 37	0.07 15	0.07 15	0.12 24	0.20 126	0.14 58	0.13 107	0.14 85	0.09 40	0.05 2	0.12 96	0.08 9	0.05 2	0.06 193	0.07 103	0.06 86	0.06 95	0.05 45

CFNet_ucs	0.15 219	0.09 186	0.17 231	0.16 62	0.11 259	0.14 158	0.14 78	0.30 272	0.34 286	0.16 177	0.24 200	0.23 250	0.14 195	0.18 230	0.15 207	0.09 238	0.06 193	0.08 163	0.07 163	0.09 254	0.09 250

CBFPSM	0.15 219	0.07 55	0.27 319	0.17 111	0.09 126	0.13 127	0.15 125	0.22 156	0.23 185	0.20 246	0.27 253	0.23 250	0.16 224	0.16 191	0.19 258	0.06 53	0.06 193	0.06 33	0.07 163	0.07 153	0.07 154

CASS	0.14 187	0.12 275	0.12 91	0.23 329	0.09 126	0.15 178	0.17 196	0.19 115	0.20 144	0.17 187	0.18 144	0.15 155	0.15 213	0.15 166	0.14 177	0.09 238	0.06 193	0.10 274	0.08 216	0.09 254	0.07 154
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
CroCo-Stereo Lap2	0.09 10	0.09 186	0.08 7	0.22 312	0.09 126	0.09 36	0.18 234	0.16 40	0.12 28	0.09 18	0.10 40	0.05 1	0.05 2	0.08 5	0.08 9	0.06 53	0.06 193	0.07 103	0.05 34	0.06 95	0.05 45

TestStereo1	0.13 162	0.08 139	0.08 7	0.20 269	0.08 48	0.18 236	0.29 368	0.23 170	0.17 102	0.17 187	0.20 164	0.16 169	0.11 108	0.12 96	0.13 153	0.06 53	0.06 193	0.08 163	0.06 86	0.05 38	0.05 45

qqq	0.13 162	0.09 186	0.15 177	0.16 62	0.08 48	0.13 127	0.15 125	0.24 188	0.16 87	0.15 150	0.19 155	0.16 169	0.16 224	0.15 166	0.16 224	0.07 145	0.06 193	0.08 163	0.08 216	0.07 153	0.07 154

BUS	0.15 219	0.09 186	0.14 151	0.22 312	0.10 220	0.20 268	0.14 78	0.34 313	0.20 144	0.17 187	0.23 190	0.16 169	0.14 195	0.16 191	0.14 177	0.08 195	0.06 193	0.10 274	0.09 256	0.07 153	0.07 154

RAFT_CTSACE	0.12 138	0.09 186	0.10 40	0.22 312	0.08 48	0.12 106	0.24 326	0.18 91	0.17 102	0.21 255	0.27 253	0.13 118	0.07 31	0.13 133	0.09 17	0.05 2	0.06 193	0.08 163	0.07 163	0.04 1	0.04 4

BSDual-CNN	0.15 219	0.09 186	0.14 151	0.22 312	0.10 220	0.15 178	0.15 125	0.34 313	0.20 144	0.17 187	0.23 190	0.25 268	0.16 224	0.16 191	0.14 177	0.08 195	0.06 193	0.10 274	0.09 256	0.07 153	0.07 154

hknet	0.15 219	0.11 260	0.14 151	0.22 312	0.11 259	0.15 178	0.15 125	0.34 313	0.26 224	0.17 187	0.23 190	0.22 239	0.18 256	0.17 221	0.13 153	0.07 145	0.06 193	0.10 274	0.09 256	0.07 153	0.07 154

SA-5K	0.13 162	0.08 139	0.08 7	0.20 269	0.08 48	0.18 236	0.29 368	0.23 170	0.17 102	0.17 187	0.20 164	0.16 169	0.11 108	0.12 96	0.13 153	0.06 53	0.06 193	0.08 163	0.06 86	0.05 38	0.05 45

CSP-Net	0.16 243	0.09 186	0.14 151	0.17 111	0.09 126	0.19 251	0.18 234	0.25 207	0.33 276	0.26 305	0.31 281	0.25 268	0.16 224	0.21 277	0.19 258	0.09 238	0.06 193	0.07 103	0.07 163	0.08 202	0.08 217

UDGNet	0.14 187	0.13 294	0.17 231	0.18 179	0.10 220	0.12 106	0.16 176	0.21 137	0.27 234	0.20 246	0.20 164	0.17 185	0.13 166	0.16 191	0.14 177	0.10 269	0.06 193	0.09 232	0.07 163	0.07 153	0.07 154

dd	0.15 219	0.17 332	0.17 231	0.19 226	0.09 126	0.15 178	0.18 234	0.22 156	0.26 224	0.23 277	0.20 164	0.21 223	0.10 83	0.21 277	0.17 236	0.10 269	0.06 193	0.08 163	0.06 86	0.08 202	0.07 154

DAS	0.15 219	0.08 139	0.18 257	0.19 226	0.10 220	0.19 251	0.17 196	0.28 248	0.30 259	0.18 215	0.26 238	0.21 223	0.16 224	0.16 191	0.13 153	0.08 195	0.06 193	0.06 33	0.06 86	0.07 153	0.07 154

SepStereo	0.15 219	0.08 139	0.18 257	0.19 226	0.10 220	0.19 251	0.17 196	0.28 248	0.30 259	0.18 215	0.26 238	0.21 223	0.16 224	0.26 320	0.13 153	0.08 195	0.06 193	0.06 33	0.06 86	0.07 153	0.07 154

GANet-ADL	0.13 162	0.07 55	0.15 177	0.17 111	0.10 220	0.19 251	0.15 125	0.30 272	0.21 157	0.13 107	0.18 144	0.19 201	0.13 166	0.16 191	0.14 177	0.08 195	0.06 193	0.06 33	0.05 34	0.07 153	0.08 217

LMCR-Stereo	0.15 219	0.08 139	0.14 151	0.21 296	0.09 126	0.18 236	0.19 269	0.28 248	0.19 126	0.24 288	0.24 200	0.23 250	0.17 245	0.20 262	0.17 236	0.07 145	0.06 193	0.08 163	0.06 86	0.10 279	0.09 250

GEStereo_RVC	0.17 261	0.12 275	0.16 212	0.22 312	0.11 259	0.19 251	0.18 234	0.32 289	0.49 354	0.20 246	0.25 226	0.17 185	0.13 166	0.21 277	0.16 224	0.10 269	0.06 193	0.08 163	0.07 163	0.09 254	0.08 217

TestStereo	0.14 187	0.15 315	0.11 66	0.23 329	0.08 48	0.15 178	0.21 296	0.20 126	0.23 185	0.14 129	0.25 226	0.16 169	0.13 166	0.16 191	0.14 177	0.06 53	0.06 193	0.08 163	0.06 86	0.09 254	0.05 45

RALCasStereoNet	0.11 75	0.07 55	0.09 25	0.16 62	0.08 48	0.13 127	0.14 78	0.17 67	0.11 18	0.12 83	0.17 124	0.14 134	0.10 83	0.12 96	0.11 75	0.07 145	0.06 193	0.06 33	0.05 34	0.08 202	0.07 154

ADLNet	0.16 243	0.08 139	0.15 177	0.16 62	0.10 220	0.16 200	0.17 196	0.33 299	0.27 234	0.23 277	0.27 253	0.24 259	0.16 224	0.18 230	0.21 277	0.10 269	0.06 193	0.10 274	0.10 287	0.08 202	0.09 250

GMStereo	0.13 162	0.15 315	0.14 151	0.18 179	0.09 126	0.16 200	0.16 176	0.20 126	0.25 212	0.17 187	0.17 124	0.11 76	0.11 108	0.16 191	0.13 153	0.07 145	0.06 193	0.06 33	0.06 86	0.07 153	0.06 101
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MMNet	0.17 261	0.10 242	0.17 231	0.20 269	0.11 259	0.27 334	0.20 283	0.26 215	0.42 330	0.22 264	0.30 278	0.22 239	0.20 283	0.18 230	0.20 266	0.06 53	0.06 193	0.07 103	0.07 163	0.08 202	0.07 154

UNet	0.17 261	0.09 186	0.18 257	0.19 226	0.12 287	0.28 342	0.19 269	0.33 299	0.30 259	0.21 255	0.25 226	0.23 250	0.19 270	0.20 262	0.19 258	0.07 145	0.06 193	0.08 163	0.07 163	0.08 202	0.07 154

ACVNet	0.15 219	0.09 186	0.15 177	0.13 7	0.12 287	0.14 158	0.20 283	0.22 156	0.34 286	0.17 187	0.26 238	0.21 223	0.17 245	0.18 230	0.21 277	0.07 145	0.06 193	0.06 33	0.06 86	0.08 202	0.06 101

acv_ft	0.15 219	0.09 186	0.16 212	0.19 226	0.10 220	0.16 200	0.17 196	0.25 207	0.34 286	0.19 226	0.26 238	0.21 223	0.17 245	0.18 230	0.19 258	0.07 145	0.06 193	0.06 33	0.06 86	0.08 202	0.06 101

GANet-RSSM	0.14 187	0.07 55	0.13 115	0.13 7	0.08 48	0.14 158	0.18 234	0.23 170	0.21 157	0.17 187	0.25 226	0.24 259	0.16 224	0.16 191	0.16 224	0.10 269	0.06 193	0.07 103	0.08 216	0.08 202	0.07 154

PSMNet-RSSM	0.14 187	0.07 55	0.14 151	0.15 37	0.08 48	0.13 127	0.16 176	0.25 207	0.24 196	0.17 187	0.28 262	0.23 250	0.14 195	0.16 191	0.14 177	0.11 294	0.06 193	0.09 232	0.12 328	0.08 202	0.07 154

GwcNet-RSSM	0.14 187	0.07 55	0.12 91	0.16 62	0.08 48	0.15 178	0.20 283	0.22 156	0.28 247	0.18 215	0.28 262	0.23 250	0.17 245	0.15 166	0.16 224	0.10 269	0.06 193	0.07 103	0.09 256	0.07 153	0.07 154

CFNet-ft	0.14 187	0.07 55	0.15 177	0.12 3	0.09 126	0.17 220	0.18 234	0.22 156	0.24 196	0.17 187	0.26 238	0.24 259	0.14 195	0.16 191	0.15 207	0.11 294	0.06 193	0.08 163	0.09 256	0.09 254	0.08 217

DMCA	0.14 187	0.09 186	0.17 231	0.19 226	0.09 126	0.15 178	0.17 196	0.23 170	0.28 247	0.14 129	0.20 164	0.17 185	0.18 256	0.15 166	0.17 236	0.10 269	0.06 193	0.08 163	0.06 86	0.09 254	0.10 272

SuperB	0.20 290	0.10 242	0.57 378	0.16 62	0.09 126	0.19 251	0.18 234	0.25 207	0.51 359	0.27 312	0.39 333	0.17 185	0.22 294	0.22 294	0.21 277	0.08 195	0.06 193	0.06 33	0.06 86	0.12 308	0.11 293

ADCRef	0.20 290	0.12 275	0.43 363	0.20 269	0.12 287	0.23 302	0.18 234	0.32 289	0.37 307	0.26 305	0.33 297	0.18 197	0.23 300	0.25 316	0.26 330	0.07 145	0.06 193	0.09 232	0.09 256	0.08 202	0.09 250

ADCP+	0.20 290	0.10 242	0.35 351	0.21 296	0.12 287	0.22 291	0.27 352	0.31 285	0.35 297	0.26 305	0.37 319	0.22 239	0.22 294	0.27 322	0.28 342	0.09 238	0.06 193	0.08 163	0.08 216	0.10 279	0.10 272

RASNet	0.15 219	0.07 55	0.15 177	0.16 62	0.08 48	0.19 251	0.14 78	0.30 272	0.21 157	0.17 187	0.25 226	0.21 223	0.19 270	0.20 262	0.20 266	0.07 145	0.06 193	0.06 33	0.08 216	0.06 95	0.06 101

HSM-Net_RVC	0.14 187	0.08 139	0.12 91	0.15 37	0.08 48	0.16 200	0.15 125	0.27 227	0.29 253	0.20 246	0.21 180	0.29 297	0.14 195	0.18 230	0.13 153	0.06 53	0.06 193	0.06 33	0.06 86	0.07 153	0.06 101
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
RYNet	0.23 321	0.12 275	0.22 295	0.19 226	0.17 355	0.47 380	0.26 348	0.39 353	0.49 354	0.24 288	0.29 272	0.34 333	0.24 307	0.20 262	0.31 359	0.10 269	0.06 193	0.09 232	0.09 256	0.14 338	0.15 349

CFNet	0.15 219	0.11 260	0.17 231	0.17 111	0.08 48	0.19 251	0.10 5	0.29 262	0.26 224	0.19 226	0.24 200	0.24 259	0.18 256	0.18 230	0.15 207	0.08 195	0.06 193	0.09 232	0.10 287	0.08 202	0.07 154

CFNet_RVC	0.14 187	0.07 55	0.15 177	0.12 3	0.09 126	0.17 220	0.18 234	0.22 156	0.24 196	0.17 187	0.26 238	0.24 259	0.14 195	0.16 191	0.15 207	0.11 294	0.06 193	0.08 163	0.09 256	0.09 254	0.08 217

NLCA_NET_v2_RVC	0.17 261	0.10 242	0.23 301	0.20 269	0.10 220	0.15 178	0.18 234	0.31 285	0.25 212	0.21 255	0.31 281	0.25 268	0.17 245	0.21 277	0.20 266	0.09 238	0.06 193	0.08 163	0.09 256	0.07 153	0.08 217
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NVstereo2D	0.19 283	0.11 260	0.16 212	0.17 111	0.16 345	0.28 342	0.23 318	0.44 374	0.42 330	0.15 150	0.28 262	0.25 268	0.19 270	0.23 301	0.18 248	0.09 238	0.06 193	0.10 274	0.08 216	0.15 349	0.10 272

iResNetv2_ROB	0.15 219	0.08 139	0.16 212	0.16 62	0.08 48	0.16 200	0.13 46	0.26 215	0.36 303	0.21 255	0.29 272	0.24 259	0.13 166	0.14 151	0.14 177	0.06 53	0.06 193	0.06 33	0.04 8	0.09 254	0.08 217

DISCO	0.20 290	0.09 186	0.22 295	0.17 111	0.10 220	0.25 316	0.18 234	0.28 248	0.45 342	0.23 277	0.32 290	0.34 333	0.26 320	0.29 338	0.29 349	0.08 195	0.06 193	0.07 103	0.07 163	0.09 254	0.10 272

LE_ROB	0.50 390	0.07 55	0.14 151	0.15 37	0.08 48	0.26 326	0.17 196	0.23 170	1.71 421	4.68 426	0.67 385	0.46 374	0.47 383	0.21 277	0.30 355	0.07 145	0.06 193	0.06 33	0.06 86	0.08 202	0.06 101

DispFullNet	0.27 354	0.22 362	0.66 386	0.28 366	0.17 355	0.27 334	0.17 196	0.34 313	0.57 372	0.27 312	0.37 319	0.43 366	0.24 307	0.39 373	0.25 318	0.12 318	0.06 193	0.19 368	0.11 310	0.23 375	0.16 358

1111x	0.16 243	0.09 186	0.13 115	0.18 179	0.08 48	0.18 236	0.25 342	0.32 289	0.25 212	0.17 187	0.24 200	0.27 282	0.15 213	0.14 151	0.24 311	0.07 145	0.07 247	0.08 163	0.09 256	0.07 153	0.07 154

whm_eth	0.14 187	0.09 186	0.21 288	0.21 296	0.12 287	0.12 106	0.16 176	0.18 91	0.29 253	0.17 187	0.32 290	0.09 40	0.13 166	0.18 230	0.14 177	0.07 145	0.07 247	0.08 163	0.07 163	0.07 153	0.07 154

iinet-f	0.17 261	0.07 55	0.46 365	0.14 12	0.10 220	0.21 278	0.14 78	0.27 227	0.23 185	0.22 264	0.25 226	0.21 223	0.16 224	0.18 230	0.22 290	0.09 238	0.07 247	0.07 103	0.06 86	0.09 254	0.10 272

gwcnet-sp	0.14 187	0.07 55	0.13 115	0.18 179	0.09 126	0.16 200	0.18 234	0.24 188	0.24 196	0.19 226	0.24 200	0.15 155	0.16 224	0.16 191	0.15 207	0.08 195	0.07 247	0.07 103	0.08 216	0.08 202	0.07 154

scenet	0.14 187	0.07 55	0.13 115	0.18 179	0.09 126	0.16 200	0.18 234	0.24 188	0.24 196	0.19 226	0.24 200	0.15 155	0.16 224	0.16 191	0.15 207	0.08 195	0.07 247	0.07 103	0.08 216	0.08 202	0.07 154

ssnet	0.14 187	0.07 55	0.13 115	0.18 179	0.09 126	0.16 200	0.18 234	0.24 188	0.24 196	0.19 226	0.24 200	0.15 155	0.16 224	0.16 191	0.15 207	0.08 195	0.07 247	0.07 103	0.08 216	0.08 202	0.07 154

Wz-Net-MNSev	0.23 321	0.13 294	0.33 342	0.20 269	0.15 333	0.36 366	0.25 342	0.34 313	0.45 342	0.29 329	0.41 346	0.39 353	0.19 270	0.25 316	0.27 335	0.09 238	0.07 247	0.09 232	0.09 256	0.12 308	0.10 272

psmg	0.14 187	0.09 186	0.14 151	0.17 111	0.10 220	0.15 178	0.17 196	0.29 262	0.20 144	0.17 187	0.21 180	0.25 268	0.16 224	0.16 191	0.14 177	0.08 195	0.07 247	0.08 163	0.08 216	0.07 153	0.07 154

AACVNet	0.16 243	0.08 139	0.15 177	0.15 37	0.10 220	0.18 236	0.15 125	0.24 188	0.25 212	0.27 312	0.27 253	0.28 290	0.18 256	0.19 249	0.17 236	0.09 238	0.07 247	0.09 232	0.07 163	0.10 279	0.09 250

ADLNet2	0.16 243	0.09 186	0.14 151	0.17 111	0.09 126	0.20 268	0.16 176	0.32 289	0.39 317	0.17 187	0.20 164	0.20 217	0.19 270	0.21 277	0.23 300	0.08 195	0.07 247	0.07 103	0.07 163	0.09 254	0.07 154

RAFT	0.13 162	0.09 186	0.11 66	0.18 179	0.08 48	0.15 178	0.23 318	0.21 137	0.20 144	0.21 255	0.21 180	0.18 197	0.13 166	0.17 221	0.10 47	0.06 53	0.07 247	0.10 274	0.09 256	0.06 95	0.05 45

ICVP	0.16 243	0.09 186	0.12 91	0.22 312	0.09 126	0.18 236	0.21 296	0.26 215	0.24 196	0.18 215	0.30 278	0.27 282	0.18 256	0.18 230	0.15 207	0.10 269	0.07 247	0.08 163	0.07 163	0.07 153	0.08 217
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
Anonymous	0.14 187	0.10 242	0.24 307	0.23 329	0.13 308	0.18 236	0.23 318	0.20 126	0.19 126	0.14 129	0.12 66	0.11 76	0.13 166	0.17 221	0.13 153	0.08 195	0.07 247	0.08 163	0.08 216	0.12 308	0.10 272

HCRNet	0.16 243	0.23 364	0.12 91	0.35 384	0.11 259	0.15 178	0.17 196	0.26 215	0.22 176	0.19 226	0.24 200	0.21 223	0.14 195	0.15 166	0.13 153	0.11 294	0.07 247	0.11 300	0.10 287	0.09 254	0.07 154

RAFT + AFF	0.13 162	0.08 139	0.21 288	0.20 269	0.10 220	0.14 158	0.23 318	0.27 227	0.21 157	0.12 83	0.10 40	0.12 96	0.10 83	0.16 191	0.12 126	0.08 195	0.07 247	0.09 232	0.09 256	0.06 95	0.09 250

UPFNet	0.16 243	0.08 139	0.12 91	0.20 269	0.12 287	0.20 268	0.23 318	0.28 248	0.26 224	0.18 215	0.24 200	0.22 239	0.20 283	0.19 249	0.22 290	0.09 238	0.07 247	0.08 163	0.09 256	0.08 202	0.06 101

aanetorigin	0.22 308	0.17 332	0.57 378	0.18 179	0.10 220	0.16 200	0.19 269	0.20 126	0.33 276	0.49 381	0.48 364	0.30 304	0.28 334	0.21 277	0.24 311	0.08 195	0.07 247	0.08 163	0.07 163	0.10 279	0.09 250

EDNetEfficientorigin	7.92 427	0.32 385	152.98 446	0.20 269	0.10 220	0.22 291	0.17 196	0.23 170	0.60 378	0.73 396	0.67 385	0.41 361	0.51 388	0.24 311	0.41 382	0.08 195	0.07 247	0.09 232	0.07 163	0.12 308	0.11 293

EDNetEfficient	0.30 362	0.24 367	1.18 410	0.18 179	0.10 220	0.20 268	0.20 283	0.21 137	0.61 379	0.74 398	0.56 374	0.30 304	0.40 373	0.23 301	0.32 364	0.09 238	0.07 247	0.08 163	0.07 163	0.11 295	0.10 272

hitnet-ft	0.18 274	0.10 242	0.17 231	0.14 12	0.09 126	0.27 334	0.20 283	0.25 207	0.26 224	0.24 288	0.32 290	0.32 323	0.23 300	0.24 311	0.21 277	0.12 318	0.07 247	0.10 274	0.08 216	0.12 308	0.11 293

DSFCA	0.16 243	0.09 186	0.14 151	0.16 62	0.10 220	0.21 278	0.19 269	0.28 248	0.31 266	0.23 277	0.25 226	0.22 239	0.16 224	0.20 262	0.20 266	0.10 269	0.07 247	0.09 232	0.09 256	0.08 202	0.08 217

ADCL	0.25 338	0.12 275	0.49 370	0.22 312	0.12 287	0.36 366	0.29 368	0.30 272	0.57 372	0.24 288	0.47 363	0.30 304	0.31 353	0.30 344	0.30 355	0.09 238	0.07 247	0.09 232	0.09 256	0.10 279	0.10 272

TDLM	0.18 274	0.12 275	0.14 151	0.24 337	0.10 220	0.18 236	0.18 234	0.37 341	0.30 259	0.22 264	0.28 262	0.28 290	0.18 256	0.23 301	0.19 258	0.11 294	0.07 247	0.10 274	0.10 287	0.08 202	0.08 217

UCFNet_RVC	0.15 219	0.08 139	0.13 115	0.11 1	0.10 220	0.20 268	0.10 5	0.24 188	0.23 185	0.17 187	0.21 180	0.24 259	0.15 213	0.18 230	0.15 207	0.12 318	0.07 247	0.11 300	0.13 338	0.11 295	0.10 272

DRN-Test	0.20 290	0.11 260	0.21 288	0.22 312	0.10 220	0.22 291	0.22 307	0.40 356	0.38 313	0.24 288	0.33 297	0.26 277	0.22 294	0.22 294	0.25 318	0.11 294	0.07 247	0.11 300	0.10 287	0.09 254	0.08 217

PWC_ROB	0.21 300	0.16 323	0.27 319	0.18 179	0.11 259	0.22 291	0.13 46	0.33 299	0.49 354	0.30 334	0.40 336	0.32 323	0.25 313	0.31 345	0.23 300	0.10 269	0.07 247	0.11 300	0.08 216	0.11 295	0.10 272

ttt	0.14 187	0.08 139	0.14 151	0.15 37	0.08 48	0.15 178	0.18 234	0.27 227	0.30 259	0.16 177	0.24 200	0.17 185	0.14 195	0.13 133	0.14 177	0.11 294	0.08 273	0.09 232	0.08 216	0.09 254	0.09 250

ToySt	0.17 261	0.11 260	0.19 279	0.17 111	0.11 259	0.16 200	0.26 348	0.24 188	0.33 276	0.19 226	0.24 200	0.26 277	0.24 307	0.19 249	0.21 277	0.07 145	0.08 273	0.09 232	0.10 287	0.09 254	0.08 217

NINENet	0.16 243	0.10 242	0.16 212	0.17 111	0.11 259	0.20 268	0.14 78	0.41 361	0.37 307	0.18 215	0.21 180	0.16 169	0.14 195	0.16 191	0.14 177	0.08 195	0.08 273	0.10 274	0.07 163	0.10 279	0.09 250

WZ-Net	0.29 359	0.17 332	0.82 402	0.23 329	0.16 345	0.35 362	0.29 368	0.40 356	0.59 377	0.24 288	0.57 378	0.37 342	0.25 313	0.34 355	0.37 375	0.09 238	0.08 273	0.09 232	0.10 287	0.14 338	0.16 358

GLC_STEREO	0.11 75	0.07 55	0.11 66	0.18 179	0.07 15	0.08 22	0.13 46	0.16 40	0.24 196	0.12 83	0.13 77	0.12 96	0.08 52	0.18 230	0.12 126	0.06 53	0.08 273	0.08 163	0.06 86	0.05 38	0.05 45

AASNet	0.16 243	0.08 139	0.13 115	0.19 226	0.09 126	0.19 251	0.15 125	0.38 348	0.37 307	0.20 246	0.24 200	0.20 217	0.17 245	0.17 221	0.21 277	0.10 269	0.08 273	0.08 163	0.07 163	0.09 254	0.09 250

SACVNet	0.19 283	0.12 275	0.15 177	0.17 111	0.13 308	0.22 291	0.18 234	0.31 285	0.31 266	0.24 288	0.31 281	0.30 304	0.23 300	0.23 301	0.17 236	0.11 294	0.08 273	0.10 274	0.10 287	0.12 308	0.14 334

PSMNet-ADL	0.15 219	0.12 275	0.13 115	0.22 312	0.09 126	0.13 127	0.20 283	0.26 215	0.23 185	0.18 215	0.20 164	0.23 250	0.17 245	0.18 230	0.18 248	0.09 238	0.08 273	0.08 163	0.11 310	0.08 202	0.07 154

Anonymous3	0.16 243	0.14 309	0.34 345	0.26 353	0.14 323	0.27 334	0.18 234	0.28 248	0.28 247	0.15 150	0.17 124	0.14 134	0.11 108	0.16 191	0.12 126	0.08 195	0.08 273	0.08 163	0.08 216	0.08 202	0.11 293

sCroCo_RVC	0.12 138	0.09 186	0.24 307	0.24 337	0.11 259	0.19 251	0.14 78	0.17 67	0.15 71	0.10 37	0.13 77	0.12 96	0.07 31	0.14 151	0.11 75	0.08 195	0.08 273	0.08 163	0.08 216	0.05 38	0.07 154

GES	0.14 187	0.08 139	0.16 212	0.15 37	0.10 220	0.13 127	0.13 46	0.28 248	0.26 224	0.17 187	0.24 200	0.19 201	0.14 195	0.16 191	0.14 177	0.08 195	0.08 273	0.07 103	0.06 86	0.08 202	0.09 250

delet	0.17 261	0.09 186	0.18 257	0.19 226	0.11 259	0.21 278	0.22 307	0.30 272	0.38 313	0.17 187	0.27 253	0.19 201	0.19 270	0.19 249	0.21 277	0.08 195	0.08 273	0.09 232	0.11 310	0.06 95	0.07 154

ac_64	0.16 243	0.09 186	0.15 177	0.18 179	0.10 220	0.22 291	0.17 196	0.24 188	0.22 176	0.19 226	0.24 200	0.29 297	0.18 256	0.19 249	0.22 290	0.09 238	0.08 273	0.08 163	0.09 256	0.07 153	0.06 101

DMCA-RVC	0.17 261	0.10 242	0.16 212	0.24 337	0.11 259	0.19 251	0.18 234	0.26 215	0.24 196	0.21 255	0.27 253	0.25 268	0.27 325	0.18 230	0.21 277	0.12 318	0.08 273	0.13 330	0.10 287	0.10 279	0.08 217

FADNet-RVC-Resample	0.17 261	0.12 275	0.32 341	0.22 312	0.12 287	0.19 251	0.14 78	0.25 207	0.24 196	0.24 288	0.27 253	0.20 217	0.15 213	0.17 221	0.16 224	0.07 145	0.08 273	0.12 317	0.10 287	0.09 254	0.11 293

FADNet_RVC	0.17 261	0.14 309	0.41 360	0.20 269	0.11 259	0.13 127	0.13 46	0.27 227	0.22 176	0.21 255	0.23 190	0.20 217	0.18 256	0.15 166	0.17 236	0.08 195	0.08 273	0.12 317	0.09 256	0.11 295	0.10 272

RTSC	0.23 321	0.13 294	0.30 334	0.21 296	0.13 308	0.29 344	0.17 196	0.36 334	0.68 387	0.27 312	0.34 307	0.30 304	0.22 294	0.32 349	0.31 359	0.10 269	0.08 273	0.09 232	0.10 287	0.13 323	0.14 334

CVANet_RVC	0.18 274	0.11 260	0.14 151	0.21 296	0.11 259	0.19 251	0.18 234	0.34 313	0.34 286	0.22 264	0.31 281	0.28 290	0.18 256	0.24 311	0.18 248	0.12 318	0.08 273	0.12 317	0.12 328	0.09 254	0.08 217

StereoDRNet	0.19 283	0.11 260	0.18 257	0.22 312	0.11 259	0.22 291	0.22 307	0.37 341	0.34 286	0.24 288	0.28 262	0.30 304	0.19 270	0.20 262	0.21 277	0.10 269	0.08 273	0.11 300	0.09 256	0.09 254	0.07 154

DLCB_ROB	0.18 274	0.10 242	0.16 212	0.23 329	0.11 259	0.24 308	0.18 234	0.30 272	0.28 247	0.27 312	0.29 272	0.28 290	0.25 313	0.20 262	0.20 266	0.08 195	0.08 273	0.09 232	0.09 256	0.07 153	0.07 154

PSMNet_ROB	0.22 308	0.12 275	0.15 177	0.27 360	0.15 333	0.25 316	0.36 386	0.43 370	0.37 307	0.27 312	0.33 297	0.32 323	0.23 300	0.21 277	0.27 335	0.12 318	0.08 273	0.13 330	0.11 310	0.10 279	0.09 250

CAS++	0.11 75	0.07 55	0.11 66	0.14 12	0.10 220	0.13 127	0.14 78	0.24 188	0.14 58	0.11 64	0.09 25	0.11 76	0.07 31	0.14 151	0.09 17	0.11 294	0.09 294	0.09 232	0.07 163	0.07 153	0.08 217
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
coex-ft	3.24 421	0.35 388	57.83 445	0.18 179	0.13 308	0.27 334	0.23 318	0.28 248	0.72 392	1.89 423	0.70 389	0.43 366	0.47 383	0.29 338	0.43 385	0.09 238	0.09 294	0.12 317	0.09 256	0.14 338	0.14 334

fast-acv-ft	0.18 274	0.11 260	0.20 282	0.19 226	0.12 287	0.26 326	0.21 296	0.26 215	0.35 297	0.22 264	0.34 307	0.27 282	0.21 287	0.21 277	0.23 300	0.09 238	0.09 294	0.08 163	0.10 287	0.08 202	0.07 154

GASNet	0.22 308	0.24 367	0.34 345	0.26 353	0.17 355	0.27 334	0.16 176	0.45 376	0.42 330	0.27 312	0.24 200	0.30 304	0.16 224	0.27 322	0.18 248	0.12 318	0.09 294	0.12 317	0.11 310	0.16 357	0.08 217

Wz-Net-SNSev	0.26 349	0.17 332	0.46 365	0.25 343	0.14 323	0.26 326	0.24 326	0.38 348	0.57 372	0.30 334	0.56 374	0.39 353	0.26 320	0.24 311	0.32 364	0.10 269	0.09 294	0.10 274	0.11 310	0.11 295	0.11 293

Wz-Net-LNSev	0.22 308	0.16 323	0.41 360	0.22 312	0.13 308	0.25 316	0.24 326	0.33 299	0.44 339	0.30 334	0.42 352	0.32 323	0.19 270	0.23 301	0.27 335	0.10 269	0.09 294	0.08 163	0.08 216	0.12 308	0.11 293

CRFU-Net	0.16 243	0.08 139	0.15 177	0.17 111	0.09 126	0.20 268	0.14 78	0.27 227	0.21 157	0.28 324	0.28 262	0.29 297	0.18 256	0.19 249	0.18 248	0.09 238	0.09 294	0.07 103	0.07 163	0.08 202	0.09 250

dad	0.18 274	0.20 353	0.21 288	0.17 111	0.11 259	0.20 268	0.19 269	0.21 137	0.28 247	0.30 334	0.24 200	0.30 304	0.13 166	0.19 249	0.17 236	0.18 369	0.09 294	0.11 300	0.09 256	0.11 295	0.07 154

GwcNet	0.20 290	0.14 309	0.20 282	0.18 179	0.12 287	0.25 316	0.20 283	0.36 334	0.45 342	0.20 246	0.33 297	0.33 329	0.21 287	0.22 294	0.25 318	0.11 294	0.09 294	0.09 232	0.09 256	0.09 254	0.10 272

HGLStereo	0.17 261	0.09 186	0.19 279	0.17 111	0.12 287	0.18 236	0.18 234	0.31 285	0.33 276	0.22 264	0.33 297	0.24 259	0.18 256	0.20 262	0.21 277	0.10 269	0.09 294	0.07 103	0.07 163	0.09 254	0.10 272

G-Net	0.25 338	0.17 332	0.38 355	0.23 329	0.16 345	0.51 383	0.23 318	0.29 262	0.35 297	0.36 353	0.38 326	0.31 316	0.29 337	0.28 330	0.27 335	0.11 294	0.09 294	0.12 317	0.10 287	0.16 357	0.14 334

XQC	0.29 359	0.23 364	0.53 373	0.29 373	0.19 368	0.36 366	0.28 358	0.37 341	0.58 375	0.31 339	0.31 281	0.37 342	0.30 348	0.39 373	0.39 379	0.13 332	0.09 294	0.15 348	0.12 328	0.18 366	0.18 368

RTS	0.46 386	0.19 348	3.33 420	0.25 343	0.15 333	0.72 399	0.21 296	0.37 341	0.78 398	0.42 370	0.44 357	0.31 316	0.43 380	0.55 392	0.37 375	0.10 269	0.09 294	0.13 330	0.13 338	0.15 349	0.15 349

RTSA	0.46 386	0.19 348	3.33 420	0.25 343	0.15 333	0.72 399	0.21 296	0.37 341	0.78 398	0.42 370	0.44 357	0.31 316	0.43 380	0.55 392	0.37 375	0.10 269	0.09 294	0.13 330	0.13 338	0.15 349	0.15 349

ADCMid	0.26 349	0.15 315	0.42 362	0.20 269	0.14 323	0.25 316	0.26 348	0.35 328	0.40 321	0.37 358	0.45 359	0.34 333	0.42 377	0.36 364	0.36 371	0.10 269	0.09 294	0.11 300	0.11 310	0.13 323	0.13 321

DANet	0.21 300	0.16 323	0.29 329	0.25 343	0.13 308	0.23 302	0.19 269	0.28 248	0.27 234	0.28 324	0.32 290	0.35 338	0.32 356	0.31 345	0.24 311	0.11 294	0.09 294	0.11 300	0.10 287	0.13 323	0.11 293
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DeepPruner_ROB	0.16 243	0.11 260	0.16 212	0.17 111	0.10 220	0.17 220	0.15 125	0.32 289	0.21 157	0.19 226	0.21 180	0.22 239	0.19 270	0.21 277	0.16 224	0.13 332	0.09 294	0.09 232	0.10 287	0.11 295	0.11 293

SANet	0.25 338	0.14 309	0.29 329	0.21 296	0.11 259	0.29 344	0.25 342	0.40 356	0.65 386	0.36 353	0.40 336	0.42 363	0.27 325	0.27 322	0.25 318	0.12 318	0.09 294	0.10 274	0.09 256	0.13 323	0.12 311

ETE_ROB	0.23 321	0.17 332	0.23 301	0.25 343	0.14 323	0.26 326	0.29 368	0.32 289	0.37 307	0.28 324	0.37 319	0.45 370	0.27 325	0.28 330	0.27 335	0.11 294	0.09 294	0.12 317	0.10 287	0.14 338	0.13 321

PDISCO_ROB	0.28 356	0.16 323	0.28 321	0.28 366	0.20 371	0.33 354	0.27 352	0.45 376	0.58 375	0.28 324	0.41 346	0.45 370	0.30 348	0.34 355	0.35 370	0.12 318	0.09 294	0.17 358	0.16 357	0.17 364	0.13 321

LALA_ROB	0.25 338	0.16 323	0.23 301	0.27 360	0.17 355	0.27 334	0.27 352	0.42 365	0.38 313	0.33 350	0.39 333	0.51 380	0.26 320	0.29 338	0.28 342	0.16 364	0.09 294	0.13 330	0.12 328	0.13 323	0.13 321

PWCDC_ROB	0.21 300	0.13 294	0.23 301	0.25 343	0.12 287	0.20 268	0.15 125	0.34 313	0.55 369	0.29 329	0.49 365	0.21 223	0.15 213	0.28 330	0.20 266	0.11 294	0.09 294	0.10 274	0.08 216	0.11 295	0.09 250

StereoVision	0.14 187	0.13 294	0.10 40	0.24 337	0.10 220	0.16 200	0.21 296	0.21 137	0.20 144	0.12 83	0.25 226	0.10 60	0.10 83	0.16 191	0.10 47	0.09 238	0.10 316	0.12 317	0.12 328	0.06 95	0.05 45

SQANet	0.24 331	0.24 367	0.31 337	0.31 377	0.19 368	0.27 334	0.13 46	0.30 272	0.33 276	0.25 301	0.37 319	0.31 316	0.22 294	0.27 322	0.23 300	0.15 352	0.10 316	0.21 371	0.16 357	0.22 373	0.16 358

ssnet_v2	0.17 261	0.10 242	0.18 257	0.17 111	0.11 259	0.21 278	0.22 307	0.34 313	0.25 212	0.23 277	0.23 190	0.27 282	0.19 270	0.22 294	0.21 277	0.11 294	0.10 316	0.09 232	0.09 256	0.08 202	0.08 217

pcwnet_v2	0.19 283	0.11 260	0.26 317	0.18 179	0.14 323	0.18 236	0.15 125	0.37 341	0.46 350	0.19 226	0.24 200	0.21 223	0.19 270	0.21 277	0.20 266	0.13 332	0.10 316	0.10 274	0.10 287	0.11 295	0.13 321

psm_up	0.19 283	0.10 242	0.18 257	0.21 296	0.11 259	0.17 220	0.19 269	0.38 348	0.34 286	0.22 264	0.28 262	0.29 297	0.25 313	0.20 262	0.22 290	0.09 238	0.10 316	0.11 300	0.11 310	0.08 202	0.08 217

AF-Net	0.23 321	0.17 332	0.17 231	0.27 360	0.13 308	0.26 326	0.24 326	0.33 299	0.51 359	0.25 301	0.33 297	0.39 353	0.27 325	0.28 330	0.26 330	0.11 294	0.10 316	0.16 355	0.12 328	0.11 295	0.11 293

Nwc_Net	0.23 321	0.17 332	0.22 295	0.25 343	0.15 333	0.25 316	0.27 352	0.38 348	0.39 317	0.22 264	0.41 346	0.30 304	0.29 337	0.28 330	0.25 318	0.11 294	0.10 316	0.17 358	0.20 370	0.10 279	0.11 293

ADCPNet	0.26 349	0.17 332	0.62 383	0.21 296	0.15 333	0.36 366	0.25 342	0.33 299	0.37 307	0.31 339	0.41 346	0.36 340	0.29 337	0.29 338	0.34 369	0.12 318	0.10 316	0.11 300	0.12 328	0.14 338	0.13 321

STTRV1_RVC	0.25 338	0.26 373	0.39 356	0.19 226	0.26 385	0.30 347	0.24 326	0.35 328	0.35 297	0.36 353	0.34 307	0.31 316	0.31 353	0.28 330	0.25 318	0.18 369	0.10 316	0.16 355	0.14 344	0.18 366	0.12 311

DPSNet	0.28 356	0.16 323	0.33 342	0.18 179	0.13 308	0.55 386	0.42 394	0.52 386	0.68 387	0.29 329	0.38 326	0.39 353	0.30 348	0.32 349	0.23 300	0.11 294	0.10 316	0.11 300	0.08 216	0.20 372	0.16 358

MDST_ROB	0.22 308	0.10 242	0.18 257	0.18 179	0.11 259	0.40 375	0.19 269	0.44 374	0.42 330	0.40 364	0.40 336	0.29 297	0.21 287	0.27 322	0.19 258	0.11 294	0.10 316	0.14 341	0.11 310	0.10 279	0.08 217

XPNet_ROB	0.22 308	0.12 275	0.20 282	0.22 312	0.13 308	0.22 291	0.19 269	0.35 328	0.40 321	0.30 334	0.40 336	0.38 348	0.27 325	0.26 320	0.29 349	0.15 352	0.10 316	0.10 274	0.10 287	0.13 323	0.12 311

DGSMNet	0.25 338	0.19 348	0.34 345	0.21 296	0.24 378	0.24 308	0.21 296	0.36 334	0.42 330	0.25 301	0.32 290	0.38 348	0.21 287	0.29 338	0.24 311	0.13 332	0.11 328	0.14 341	0.16 357	0.23 375	0.23 382

FAT-Stereo	0.21 300	0.13 294	0.22 295	0.21 296	0.12 287	0.18 236	0.18 234	0.35 328	0.40 321	0.28 324	0.37 319	0.33 329	0.33 358	0.21 277	0.20 266	0.09 238	0.11 328	0.10 274	0.09 256	0.11 295	0.14 334

STTStereo	0.18 274	0.13 294	0.28 321	0.20 269	0.11 259	0.16 200	0.21 296	0.29 262	0.23 185	0.22 264	0.30 278	0.29 297	0.18 256	0.20 262	0.20 266	0.12 318	0.11 328	0.11 300	0.14 344	0.09 254	0.08 217

NCC-stereo	0.25 338	0.15 315	0.31 337	0.26 353	0.17 355	0.21 278	0.31 375	0.41 361	0.40 321	0.24 288	0.38 326	0.33 329	0.29 337	0.37 368	0.28 342	0.13 332	0.11 328	0.15 348	0.22 375	0.13 323	0.13 321

edge stereo	0.23 321	0.14 309	0.21 288	0.21 296	0.13 308	0.24 308	0.16 176	0.32 289	0.42 330	0.32 346	0.40 336	0.39 353	0.35 362	0.25 316	0.25 318	0.13 332	0.11 328	0.14 341	0.11 310	0.12 308	0.14 334

Abc-Net	0.25 338	0.15 315	0.31 337	0.26 353	0.17 355	0.21 278	0.31 375	0.41 361	0.40 321	0.24 288	0.38 326	0.33 329	0.29 337	0.37 368	0.28 342	0.13 332	0.11 328	0.15 348	0.22 375	0.13 323	0.13 321
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 349	0.15 315	0.31 337	0.24 337	0.18 364	0.23 302	0.15 125	0.39 353	0.72 392	0.32 346	0.42 352	0.36 340	0.29 337	0.33 352	0.30 355	0.13 332	0.11 328	0.14 341	0.13 338	0.16 357	0.20 376

DeepPrunerF	0.24 331	0.17 332	0.45 364	0.26 353	0.16 345	0.23 302	0.29 368	0.37 341	0.51 359	0.27 312	0.31 281	0.24 259	0.28 334	0.22 294	0.23 300	0.15 352	0.11 328	0.20 370	0.18 368	0.12 308	0.14 334

UDG	0.21 300	0.17 332	0.20 282	0.23 329	0.15 333	0.31 350	0.20 283	0.33 299	0.35 297	0.24 288	0.28 262	0.31 316	0.29 337	0.21 277	0.23 300	0.15 352	0.12 336	0.13 330	0.09 256	0.14 338	0.15 349

APVNet	0.23 321	0.12 275	0.20 282	0.18 179	0.14 323	0.32 352	0.31 375	0.40 356	0.33 276	0.27 312	0.40 336	0.30 304	0.29 337	0.27 322	0.25 318	0.11 294	0.12 336	0.11 300	0.14 344	0.12 308	0.13 321

Syn2CoEx	0.22 308	0.16 323	0.29 329	0.29 373	0.15 333	0.26 326	0.21 296	0.34 313	0.32 271	0.29 329	0.36 316	0.28 290	0.25 313	0.20 262	0.25 318	0.16 364	0.12 336	0.14 341	0.11 310	0.09 254	0.08 217

S-Stereo	0.21 300	0.12 275	0.25 311	0.21 296	0.13 308	0.21 278	0.19 269	0.33 299	0.45 342	0.23 277	0.36 316	0.28 290	0.29 337	0.20 262	0.23 300	0.09 238	0.12 336	0.10 274	0.10 287	0.13 323	0.14 334

RP	0.22 308	0.13 294	0.22 295	0.23 329	0.12 287	0.21 278	0.20 283	0.26 215	0.45 342	0.22 264	0.38 326	0.37 342	0.25 313	0.28 330	0.25 318	0.11 294	0.12 336	0.13 330	0.12 328	0.13 323	0.14 334

stereogan	0.22 308	0.11 260	0.21 288	0.20 269	0.12 287	0.32 352	0.19 269	0.36 334	0.45 342	0.23 277	0.39 333	0.35 338	0.27 325	0.33 352	0.23 300	0.10 269	0.12 336	0.10 274	0.10 287	0.14 338	0.14 334

AnyNet_C32	0.26 349	0.16 323	0.39 356	0.20 269	0.17 355	0.26 326	0.31 375	0.32 289	0.45 342	0.31 339	0.50 367	0.30 304	0.34 359	0.41 381	0.36 371	0.12 318	0.12 336	0.12 317	0.14 344	0.14 338	0.15 349

GANet	0.22 308	0.13 294	0.21 288	0.25 343	0.14 323	0.23 302	0.22 307	0.42 365	0.27 234	0.31 339	0.43 355	0.37 342	0.29 337	0.23 301	0.23 300	0.10 269	0.12 336	0.10 274	0.09 256	0.10 279	0.08 217

Anonymous Stereo	0.24 331	0.19 348	0.52 372	0.25 343	0.18 364	0.21 278	0.22 307	0.34 313	0.45 342	0.25 301	0.35 312	0.26 277	0.19 270	0.31 345	0.29 349	0.13 332	0.12 336	0.12 317	0.13 338	0.12 308	0.14 334

PS-NSSS	0.20 290	0.21 358	0.23 301	0.20 269	0.10 220	0.19 251	0.17 196	0.36 334	0.26 224	0.27 312	0.34 307	0.27 282	0.24 307	0.20 262	0.20 266	0.15 352	0.12 336	0.17 358	0.14 344	0.10 279	0.09 250

NCCL2	0.24 331	0.15 315	0.18 257	0.34 382	0.18 364	0.24 308	0.24 326	0.34 313	0.29 253	0.31 339	0.38 326	0.38 348	0.29 337	0.23 301	0.25 318	0.15 352	0.12 336	0.18 366	0.21 372	0.13 323	0.13 321

WCMA_ROB	0.24 331	0.11 260	0.24 307	0.17 111	0.14 323	0.34 358	0.16 176	0.33 299	0.33 276	0.39 361	0.54 372	0.40 359	0.35 362	0.35 360	0.26 330	0.12 318	0.12 336	0.12 317	0.11 310	0.14 338	0.14 334

Wz-Net-TNSev	0.29 359	0.20 353	0.69 394	0.19 226	0.15 333	0.38 372	0.27 352	0.36 334	0.56 371	0.35 351	0.42 352	0.45 370	0.39 369	0.33 352	0.31 359	0.13 332	0.13 348	0.10 274	0.12 328	0.15 349	0.15 349

DDUNet	0.23 321	0.18 345	0.22 295	0.22 312	0.15 333	0.25 316	0.24 326	0.30 272	0.31 266	0.31 339	0.37 319	0.34 333	0.26 320	0.25 316	0.21 277	0.18 369	0.13 348	0.17 358	0.11 310	0.16 357	0.17 366

FADNet-RVC	0.21 300	0.20 353	0.40 358	0.21 296	0.16 345	0.21 278	0.15 125	0.27 227	0.27 234	0.26 305	0.32 290	0.26 277	0.21 287	0.22 294	0.19 258	0.12 318	0.13 348	0.12 317	0.14 344	0.13 323	0.18 368

RGC	0.25 338	0.20 353	0.29 329	0.28 366	0.16 345	0.22 291	0.23 318	0.33 299	0.44 339	0.27 312	0.40 336	0.38 348	0.28 334	0.37 368	0.23 300	0.11 294	0.13 348	0.17 358	0.17 364	0.15 349	0.16 358

ADCS	0.30 362	0.19 348	0.48 369	0.21 296	0.18 364	0.29 344	0.24 326	0.42 365	0.64 384	0.40 364	0.50 367	0.40 359	0.37 366	0.40 376	0.43 385	0.13 332	0.13 348	0.13 330	0.14 344	0.16 357	0.16 358

AnyNet_C01	0.37 375	0.26 373	1.41 413	0.22 312	0.17 355	0.51 383	0.28 358	0.36 334	0.40 321	0.39 361	0.75 394	0.46 374	0.39 369	0.46 384	0.50 395	0.13 332	0.13 348	0.13 330	0.14 344	0.14 338	0.16 358

SGM_RVC	0.24 331	0.12 275	0.16 212	0.15 37	0.09 126	0.34 358	0.19 269	0.35 328	0.32 271	0.44 376	0.38 326	0.53 383	0.36 365	0.36 364	0.26 330	0.13 332	0.13 348	0.13 330	0.13 338	0.11 295	0.11 293
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MeshStereo	0.27 354	0.13 294	0.18 257	0.15 37	0.11 259	0.33 354	0.24 326	0.41 361	0.36 303	0.53 384	0.58 380	0.67 393	0.41 374	0.36 364	0.27 335	0.14 350	0.13 348	0.13 330	0.11 310	0.11 295	0.11 293
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
ACVNet-4b	0.39 376	0.53 396	0.56 376	0.45 393	0.24 378	0.46 379	0.18 234	0.50 383	0.64 384	0.42 370	0.45 359	0.60 387	0.27 325	0.34 355	0.24 311	0.33 394	0.14 356	0.48 397	0.42 397	0.31 392	0.27 389

ccnet	0.30 362	0.28 376	0.24 307	0.20 269	0.28 387	0.41 376	0.22 307	0.46 379	0.33 276	0.37 358	0.46 361	0.37 342	0.30 348	0.40 376	0.43 385	0.23 386	0.14 356	0.21 371	0.17 364	0.23 375	0.19 373

MaskLacGwcNet_RVC	0.22 308	0.21 358	0.25 311	0.26 353	0.11 259	0.24 308	0.14 78	0.39 353	0.24 196	0.32 346	0.36 316	0.30 304	0.21 287	0.19 249	0.22 290	0.17 368	0.14 356	0.21 371	0.16 357	0.13 323	0.12 311

PVD	0.40 378	0.21 358	0.40 358	0.32 380	0.23 376	0.30 347	0.45 398	0.53 388	0.97 405	0.55 386	0.80 398	0.54 384	0.60 395	0.53 390	0.40 381	0.19 373	0.14 356	0.17 358	0.14 344	0.24 382	0.32 394

psmorigin	0.25 338	0.16 323	0.35 351	0.17 111	0.13 308	0.24 308	0.14 78	0.34 313	0.34 286	0.41 368	0.55 373	0.41 361	0.38 368	0.35 360	0.28 342	0.11 294	0.15 360	0.11 300	0.11 310	0.12 308	0.17 366

MFN_U_SF_RVC	0.33 369	0.22 362	0.58 381	0.31 377	0.15 333	0.36 366	0.17 196	0.54 389	0.46 350	0.47 380	0.56 374	0.58 386	0.39 369	0.36 364	0.38 378	0.15 352	0.15 360	0.18 366	0.21 372	0.16 357	0.16 358

FADNet	0.21 300	0.23 364	0.37 354	0.18 179	0.17 355	0.25 316	0.13 46	0.32 289	0.32 271	0.23 277	0.25 226	0.27 282	0.21 287	0.19 249	0.16 224	0.13 332	0.15 360	0.12 317	0.15 355	0.17 364	0.18 368

FBW_ROB	0.25 338	0.17 332	0.23 301	0.27 360	0.14 323	0.26 326	0.22 307	0.42 365	0.43 337	0.42 370	0.41 346	0.43 366	0.27 325	0.32 349	0.24 311	0.09 238	0.15 360	0.15 348	0.12 328	0.12 308	0.10 272

CBMV	0.20 290	0.15 315	0.18 257	0.18 179	0.10 220	0.20 268	0.11 11	0.30 272	0.31 266	0.29 329	0.31 281	0.31 316	0.23 300	0.28 330	0.19 258	0.13 332	0.15 360	0.17 358	0.16 357	0.10 279	0.10 272
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
FINET	0.22 308	0.18 345	0.28 321	0.19 226	0.16 345	0.24 308	0.24 326	0.33 299	0.49 354	0.26 305	0.33 297	0.22 239	0.23 300	0.23 301	0.18 248	0.18 369	0.16 365	0.11 300	0.10 287	0.15 349	0.14 334

SGM-ForestM	0.33 369	0.12 275	0.17 231	0.16 62	0.11 259	0.42 377	0.20 283	0.43 370	0.53 368	0.53 384	0.57 378	1.41 415	0.44 382	0.42 382	0.29 349	0.14 350	0.16 365	0.16 355	0.16 357	0.12 308	0.13 321

CSAN	0.30 362	0.24 367	0.28 321	0.34 382	0.19 368	0.34 358	0.42 394	0.38 348	0.51 359	0.38 360	0.40 336	0.44 369	0.34 359	0.29 338	0.31 359	0.19 373	0.16 365	0.19 368	0.19 369	0.14 338	0.15 349

SGM-Forest	0.20 290	0.14 309	0.18 257	0.20 269	0.13 308	0.21 278	0.22 307	0.33 299	0.31 266	0.24 288	0.29 272	0.28 290	0.20 283	0.23 301	0.18 248	0.15 352	0.16 365	0.15 348	0.14 344	0.13 323	0.12 311
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
HBP-ISP	0.18 274	0.13 294	0.17 231	0.15 37	0.11 259	0.08 22	0.13 46	0.28 248	0.30 259	0.22 264	0.33 297	0.21 223	0.25 313	0.23 301	0.18 248	0.15 352	0.17 369	0.21 371	0.17 364	0.10 279	0.09 250

NaN_ROB	0.23 321	0.20 353	0.25 311	0.25 343	0.13 308	0.31 350	0.27 352	0.34 313	0.41 328	0.31 339	0.31 281	0.32 323	0.23 300	0.31 345	0.22 290	0.11 294	0.17 369	0.10 274	0.11 310	0.08 202	0.09 250

SDNR	0.20 290	0.09 186	0.19 279	0.16 62	0.12 287	0.79 404	0.13 46	0.26 215	0.33 276	0.19 226	0.25 226	0.19 201	0.12 137	0.19 249	0.15 207	0.16 364	0.18 371	0.14 341	0.11 310	0.08 202	0.12 311

BEATNet-Init1	0.54 392	0.28 376	0.68 393	0.31 377	0.21 373	0.85 407	0.31 375	0.57 391	0.69 390	0.89 405	1.00 406	2.17 423	0.66 398	0.58 396	0.44 388	0.19 373	0.18 371	0.23 376	0.22 375	0.22 373	0.21 377

CC-Net-ROB	0.28 356	0.31 384	0.36 353	0.30 375	0.15 333	0.25 316	0.19 269	0.45 376	0.34 286	0.39 361	0.37 319	0.39 353	0.31 353	0.27 322	0.27 335	0.24 388	0.18 371	0.30 389	0.23 379	0.19 370	0.15 349

CBMV_ROB	0.19 283	0.13 294	0.18 257	0.16 62	0.11 259	0.16 200	0.12 24	0.27 227	0.29 253	0.27 312	0.31 281	0.27 282	0.24 307	0.24 311	0.16 224	0.15 352	0.18 371	0.22 375	0.20 370	0.10 279	0.12 311

NOSS_ROB	0.19 283	0.13 294	0.18 257	0.16 62	0.12 287	0.16 200	0.12 24	0.30 272	0.33 276	0.20 246	0.22 189	0.27 282	0.24 307	0.21 277	0.16 224	0.16 364	0.18 371	0.23 376	0.21 372	0.13 323	0.13 321

MSC_U_SF_DS_RVC	0.44 383	0.39 391	0.56 376	0.40 388	0.20 371	0.66 394	0.33 384	0.54 389	0.72 392	0.71 394	0.72 391	0.62 388	0.55 389	0.52 388	0.47 392	0.20 377	0.19 376	0.29 387	0.30 389	0.24 382	0.19 373

FCDSN-DC	0.33 369	0.28 376	0.28 321	0.30 375	0.24 378	0.39 374	0.28 358	0.43 370	0.42 330	0.44 376	0.53 371	0.51 380	0.42 377	0.37 368	0.30 355	0.21 379	0.20 377	0.27 381	0.26 382	0.25 384	0.25 384
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_DS_RVC	0.30 362	0.24 367	0.30 334	0.36 386	0.16 345	0.36 366	0.31 375	0.34 313	0.43 337	0.41 368	0.46 361	0.38 348	0.30 348	0.35 360	0.29 349	0.19 373	0.20 377	0.26 378	0.29 387	0.18 366	0.19 373

SAMSARA	0.41 379	0.28 376	0.34 345	0.55 399	0.39 393	0.85 407	1.25 422	0.49 382	0.52 365	0.36 353	0.35 312	0.56 385	0.39 369	0.39 373	0.41 382	0.15 352	0.20 377	0.15 348	0.14 344	0.23 375	0.21 377

MANE	0.47 388	0.28 376	0.28 321	0.27 360	0.24 378	0.50 381	0.32 383	0.57 391	0.62 382	0.74 398	1.20 416	1.21 408	0.64 397	0.54 391	0.39 379	0.22 381	0.20 377	0.27 381	0.31 390	0.26 386	0.25 384

GANetREF_RVC	0.31 367	0.34 386	0.29 329	0.35 384	0.16 345	0.33 354	0.42 394	0.48 381	0.52 365	0.35 351	0.35 312	0.34 333	0.32 356	0.40 376	0.33 367	0.27 390	0.20 377	0.29 387	0.15 355	0.19 370	0.18 368
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
FC-DCNN	0.33 369	0.28 376	0.28 321	0.26 353	0.23 376	0.38 372	0.29 368	0.40 356	0.44 339	0.46 379	0.56 374	0.51 380	0.41 374	0.38 372	0.31 359	0.21 379	0.20 377	0.27 381	0.26 382	0.25 384	0.24 383

MSMD_ROB	0.31 367	0.26 373	0.26 317	0.24 337	0.21 373	0.34 358	0.25 342	0.34 313	0.39 317	0.40 364	0.69 388	0.45 370	0.41 374	0.34 355	0.28 342	0.20 377	0.20 377	0.26 378	0.25 381	0.23 375	0.22 380

LSM	0.34 374	0.21 358	0.62 383	0.27 360	0.62 409	0.35 362	0.26 348	0.43 370	0.49 354	0.45 378	0.60 383	0.42 363	0.37 366	0.35 360	0.26 330	0.13 332	0.21 384	0.14 341	0.16 357	0.18 366	0.34 396

FADE		0.34 386		0.33 381	0.25 384			0.64 399	1.07 406	0.43 375		0.42 363		0.72 402		0.30 391	0.21 384	0.41 395	0.38 395	0.23 375	0.22 380

ELAS_RVC	0.42 381	0.29 382	0.33 342	0.28 366	0.24 378	0.56 387	0.38 389	0.50 383	0.61 379	0.74 398	0.76 395	0.67 393	0.56 391	0.55 392	0.42 384	0.22 381	0.21 384	0.27 381	0.26 382	0.27 388	0.26 387
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 381	0.29 382	0.34 345	0.28 366	0.24 378	0.63 391	0.37 387	0.52 386	0.52 365	0.72 395	0.82 399	0.68 395	0.56 391	0.52 388	0.45 391	0.22 381	0.21 384	0.27 381	0.26 382	0.26 386	0.26 387
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
PA-Net	0.24 331	0.18 345	0.34 345	0.28 366	0.22 375	0.22 291	0.39 391	0.29 262	0.39 317	0.22 264	0.33 297	0.25 268	0.26 320	0.21 277	0.25 318	0.10 269	0.23 388	0.15 348	0.22 375	0.09 254	0.13 321
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
ACVNet_1	0.45 385	0.51 395	0.61 382	0.45 393	0.28 387	0.50 381	0.28 358	0.58 396	0.71 391	0.63 389	0.59 382	0.74 398	0.50 386	0.50 386	0.36 371	0.26 389	0.25 389	0.39 393	0.29 387	0.32 393	0.25 384

Anonymous_2	0.22 308	0.17 332	0.28 321	0.15 37	0.16 345	0.33 354	0.22 307	0.23 170	0.18 112	0.23 277	0.24 200	0.26 277	0.27 325	0.27 322	0.24 311	0.22 381	0.26 390	0.17 358	0.17 364	0.16 357	0.18 368

PASM	0.33 369	0.25 372	0.51 371	0.28 366	0.27 386	0.30 347	0.31 375	0.35 328	0.51 359	0.36 353	0.40 336	0.47 377	0.35 362	0.34 355	0.36 371	0.23 386	0.26 390	0.26 378	0.28 386	0.23 375	0.21 377

JetBlue	0.73 402	0.46 394	1.21 411	0.52 398	0.47 398	2.16 422	0.67 410	0.78 402	0.72 392	0.70 393	0.79 397	1.21 408	0.84 406	1.06 419	1.04 418	0.40 397	0.28 392	0.33 390	0.33 392	0.30 389	0.34 396

Ntro	0.41 379	0.40 392	0.54 375	0.46 396	0.30 391	0.64 392	0.24 326	0.47 380	0.68 387	0.42 370	0.49 365	0.47 377	0.42 377	0.40 376	0.32 364	0.32 393	0.28 392	0.37 392	0.31 390	0.33 394	0.29 390

otaku	0.39 376	0.38 390	0.53 373	0.44 392	0.28 387	0.57 388	0.24 326	0.42 365	0.62 382	0.40 364	0.50 367	0.46 374	0.34 359	0.40 376	0.33 367	0.30 391	0.30 394	0.39 393	0.33 392	0.30 389	0.29 390

NVStereoNet_ROB	0.47 388	0.37 389	0.47 368	0.42 391	0.29 390	0.35 362	0.35 385	0.50 383	0.61 379	0.73 396	0.94 403	0.70 397	0.68 399	0.48 385	0.62 402	0.22 381	0.33 395	0.34 391	0.34 394	0.30 389	0.31 393
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
Consistency-Raft	0.44 383	0.40 392	0.46 365	0.37 387	0.43 396	0.42 377	0.41 392	0.57 391	0.55 369	0.32 346	0.73 392	0.32 323	0.50 386	0.42 382	0.49 394	0.39 396	0.36 396	0.45 396	0.52 406	0.42 396	0.30 392

MADNet+	0.76 403	0.72 406	3.76 423	0.67 402	0.41 394	0.99 413	0.97 420	0.72 401	0.75 396	0.52 383	0.58 380	0.64 391	0.68 399	0.89 413	1.04 418	0.35 395	0.36 396	0.28 386	0.23 379	0.38 395	0.33 395

ACVNet_2	0.67 399	0.68 405	0.70 397	0.64 401	0.41 394	0.75 402	0.50 399	0.98 412	1.38 416	0.90 406	1.09 410	1.04 403	0.74 402	0.55 392	0.48 393	0.43 398	0.40 398	0.53 401	0.45 398	0.48 397	0.36 398

IMH-64-1	0.66 397	0.62 401	0.69 394	0.72 403	0.51 399	0.60 389	0.51 400	0.92 406	0.84 400	0.75 401	1.02 407	0.81 399	0.78 404	0.80 404	0.50 395	0.43 398	0.46 399	0.72 405	0.48 399	0.55 401	0.40 399

IMH-64	0.66 397	0.62 401	0.69 394	0.72 403	0.51 399	0.60 389	0.51 400	0.92 406	0.84 400	0.75 401	1.02 407	0.81 399	0.78 404	0.80 404	0.50 395	0.43 398	0.46 399	0.72 405	0.48 399	0.55 401	0.40 399

TorneroNet-64	0.76 403	0.73 407	0.77 400	0.78 407	0.58 407	0.94 412	0.58 404	0.85 405	1.26 411	0.67 390	0.88 401	1.41 415	0.76 403	0.87 410	0.68 405	0.49 403	0.46 399	0.73 407	0.59 407	0.68 408	0.54 404

PWCK	0.72 400	0.95 415	0.99 408	0.77 405	0.32 392	0.79 404	0.38 389	0.92 406	0.90 403	0.96 409	0.76 395	0.97 402	0.62 396	0.87 410	0.68 405	0.73 413	0.46 399	0.76 409	0.49 401	0.71 411	0.44 403

SPS-STEREO	0.58 395	0.59 399	0.66 386	0.45 393	0.55 402	0.65 393	0.44 397	0.63 398	0.51 359	0.69 392	0.65 384	0.66 392	0.58 394	0.62 398	0.62 402	0.62 410	0.47 403	0.51 399	0.49 401	0.55 401	0.58 405
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 392	0.61 400	0.71 399	0.57 400	0.43 396	0.66 394	0.37 387	0.60 397	0.87 402	0.51 382	0.67 385	0.63 389	0.47 383	0.50 386	0.44 388	0.47 402	0.48 404	0.53 401	0.41 396	0.53 400	0.41 401

WAO-6	0.82 406	0.81 410	0.63 385	0.87 412	0.63 410	0.79 404	0.60 406	0.98 412	1.52 420	0.91 408	0.97 405	1.08 405	1.04 414	0.72 402	0.70 408	0.72 412	0.49 405	0.91 415	0.71 413	0.70 410	0.59 408

TorneroNet	0.83 407	0.75 408	0.83 404	0.85 410	0.63 410	1.03 416	0.65 408	0.96 410	1.14 409	0.80 403	1.10 412	1.36 413	0.88 408	0.95 415	0.82 413	0.57 405	0.49 405	0.79 412	0.66 411	0.74 414	0.64 414

SGM+DAISY	0.57 394	0.58 397	0.67 390	0.41 389	0.55 402	0.68 396	0.51 400	0.57 391	0.46 350	0.67 390	0.70 389	0.69 396	0.57 393	0.64 399	0.58 400	0.59 408	0.49 405	0.50 398	0.50 403	0.52 398	0.59 408

IMH	0.72 400	0.65 403	0.70 397	0.77 405	0.54 401	0.71 398	0.56 403	0.99 414	1.08 407	0.82 404	1.09 410	0.89 401	0.88 408	0.88 412	0.53 399	0.44 401	0.50 408	0.75 408	0.51 404	0.58 404	0.42 402

anonymity	0.53 391	0.58 397	0.66 386	0.41 389	0.61 408	0.54 385	0.41 392	0.57 391	0.41 328	0.56 387	0.50 367	0.50 379	0.55 389	0.59 397	0.50 395	0.58 407	0.50 408	0.51 399	0.51 404	0.52 398	0.58 405

DPSimNet_ROB	1.14 417	1.25 422	0.87 406	1.15 420	0.90 420	1.15 419	1.18 421	1.20 422	1.26 411	1.45 420	1.05 409	1.44 418	1.13 418	0.92 414	1.70 421	1.47 425	0.52 410	1.22 422	1.04 423	0.92 418	1.03 423

WAO-8	0.92 410	0.83 411	0.67 390	0.94 415	0.70 414	0.92 410	0.68 411	1.08 418	1.80 423	1.06 414	1.42 420	1.29 410	1.08 416	0.86 408	0.80 411	0.74 414	0.54 411	0.86 413	0.75 414	0.71 411	0.63 412

Venus	0.92 410	0.83 411	0.67 390	0.94 415	0.70 414	0.92 410	0.68 411	1.08 418	1.80 423	1.06 414	1.42 420	1.29 410	1.08 416	0.86 408	0.80 411	0.74 414	0.54 411	0.86 413	0.75 414	0.71 411	0.63 412

UNDER WATER	0.99 414	1.00 418	1.47 414	1.00 417	0.71 416	1.18 420	0.86 416	0.81 404	1.09 408	1.02 411	0.90 402	1.53 419	1.26 420	1.06 419	1.02 417	0.79 416	0.54 411	1.02 417	0.88 418	0.83 417	0.75 416

LVE	0.84 408	0.87 413	0.86 405	0.81 408	0.56 404	1.09 418	0.66 409	1.07 416	1.45 418	0.97 410	1.23 418	1.11 406	0.86 407	0.84 407	0.72 409	0.49 403	0.56 414	0.76 409	0.60 409	0.66 406	0.60 411

Dean	0.88 409	0.88 414	0.81 401	0.82 409	0.57 405	0.91 409	0.62 407	1.17 421	1.71 421	1.15 416	1.16 414	1.31 412	1.00 413	0.82 406	0.83 414	0.57 405	0.56 414	0.78 411	0.65 410	0.67 407	0.58 405

UNDER WATER-64	0.97 412	0.96 417	1.48 415	0.88 413	0.57 405	1.24 421	0.90 418	0.78 402	0.96 404	1.05 412	0.85 400	1.56 420	1.26 420	0.97 417	0.99 416	0.88 418	0.57 416	1.04 418	0.88 418	0.81 416	0.75 416

MFMNet_re	0.65 396	0.66 404	0.66 386	0.51 397	0.69 413	0.70 397	0.58 404	0.65 400	0.75 396	0.61 388	0.73 392	0.63 389	0.68 399	0.65 400	0.60 401	0.66 411	0.58 417	0.63 403	0.59 407	0.68 408	0.69 415

WAO-7	0.80 405	0.78 409	0.57 378	0.85 410	0.67 412	0.76 403	0.69 413	1.07 416	1.30 413	0.90 406	1.20 416	1.05 404	0.93 410	0.71 401	0.68 405	0.60 409	0.62 418	0.67 404	0.68 412	0.64 405	0.59 408

notaker	0.98 413	1.13 419	1.02 409	1.14 419	0.81 417	0.73 401	0.69 413	0.94 409	1.15 410	1.19 418	1.19 415	1.41 415	1.17 419	1.10 421	0.74 410	0.82 417	0.64 419	1.18 420	0.79 416	1.02 419	0.82 420

ktn	1.02 415	1.23 421	0.82 402	1.24 421	0.86 419	1.00 415	0.86 416	0.96 410	1.37 415	1.05 412	1.12 413	1.16 407	1.06 415	0.95 415	0.62 402	1.28 424	0.71 420	1.39 424	0.83 417	1.06 421	0.77 418

SPstereo	13.84 436	0.95 415	1.53 416	1.24 421	0.90 420	29.09 439	47.98 439	26.78 447	29.57 446	22.38 445	22.47 443	23.18 445	24.63 444	24.46 445	15.07 436	0.91 419	0.71 420	1.85 426	1.62 426	0.74 414	0.79 419

HanzoNet	1.31 418	1.29 423	1.22 412	1.13 418	0.85 418	1.05 417	0.84 415	1.06 415	1.47 419	1.66 421	1.63 422	2.48 425	1.78 422	1.63 423	1.69 420	1.27 423	0.80 422	1.32 423	1.02 421	1.07 422	0.90 421

KSHMR	1.10 416	1.19 420	0.90 407	1.26 423	1.00 422	0.99 413	0.96 419	1.13 420	1.35 414	1.16 417	1.28 419	1.40 414	0.97 412	1.03 418	0.93 415	1.03 421	1.08 423	1.20 421	1.03 422	1.03 420	0.98 422

ASD4	3.59 422	3.47 427	2.05 418	1.75 424	2.54 427	9.22 428	17.86 429	2.29 424	5.54 427	2.49 424	2.86 425	2.05 422	3.46 424	2.77 425	5.29 425	1.23 422	1.36 424	1.13 419	1.33 424	1.71 424	1.50 426

JetRed	1.66 419	1.51 424	3.09 419	0.93 414	1.21 423	5.28 424	1.61 424	1.29 423	1.42 417	1.84 422	1.77 423	1.59 421	0.95 411	1.43 422	2.51 424	0.91 419	1.61 425	0.93 416	0.91 420	1.36 423	1.03 423

MADNet++	1.97 420	1.75 425	1.66 417	1.83 425	1.69 425	2.38 423	1.45 423	2.36 425	2.11 425	2.58 425	2.37 424	2.25 424	2.21 423	2.28 424	2.36 423	1.87 426	1.67 426	1.53 425	1.34 425	1.87 425	1.78 427

PML	8.57 430	9.39 436	6.24 424	5.34 430	6.36 431	13.21 431	20.99 430	5.35 427	6.68 428	17.75 437	26.46 445	7.58 429	6.08 427	7.89 430	5.76 426	5.33 432	1.83 427	5.95 436	1.93 427	8.75 434	2.53 428

xxxxx1	7.75 424	5.06 430	7.26 425	3.15 427	3.91 428	16.37 432	22.88 433	5.87 430	8.68 429	7.99 429	8.55 426	9.13 431	8.46 428	10.05 431	10.47 428	2.43 427	2.48 428	3.56 430	12.26 434	3.48 427	3.02 429

tt_ll	7.75 424	5.06 430	7.26 425	3.15 427	3.91 428	16.37 432	22.88 433	5.87 430	8.68 429	7.99 429	8.55 426	9.13 431	8.46 428	10.05 431	10.47 428	2.43 427	2.48 428	3.56 430	12.26 434	3.48 427	3.02 429

ff	7.75 424	5.06 430	7.26 425	3.15 427	3.91 428	16.37 432	22.88 433	5.87 430	8.68 429	7.99 429	8.55 426	9.13 431	8.46 428	10.05 431	10.47 428	2.43 427	2.48 428	3.56 430	12.26 434	3.48 427	3.02 429

LRCNet_RVC	10.76 432	13.97 437	7.97 431	19.07 437	2.04 426	0.35 362	0.31 375	5.29 426	0.48 353	13.02 435	17.65 435	8.69 430	5.73 426	4.78 427	2.22 422	23.53 444	2.69 431	27.60 445	25.75 445	17.60 442	16.54 443

DPSMNet_ROB	8.06 428	4.50 428	8.69 432	5.36 432	10.74 434	8.32 426	22.71 431	5.47 428	13.38 433	5.13 427	9.98 429	5.10 427	10.47 431	5.53 428	12.77 432	3.80 431	8.00 432	3.49 428	6.95 431	3.75 431	7.09 433

DGTPSM_ROB	8.06 428	4.50 428	8.69 432	5.34 430	10.73 433	8.32 426	22.71 431	5.47 428	13.38 433	5.13 427	9.98 429	5.10 427	10.47 431	5.53 428	12.77 432	3.79 430	8.00 432	3.49 428	6.95 431	3.74 430	7.09 433

Anonymous_1	10.87 433	7.82 433	7.41 428	10.29 433	10.08 432	18.64 436	26.11 436	11.02 434	13.45 435	9.43 432	10.10 431	9.73 434	11.31 433	10.69 434	12.47 431	6.42 434	8.38 434	5.70 433	10.22 433	11.41 435	6.65 432

DPSM_ROB	11.10 434	8.47 434	7.95 429	10.84 434	11.58 435	19.10 437	26.50 437	12.02 435	14.09 436	10.38 433	10.91 432	10.39 435	11.92 434	11.67 435	13.39 434	6.99 435	8.79 435	5.82 434	6.92 429	6.97 432	7.31 435

DPSM	11.10 434	8.47 434	7.95 429	10.84 434	11.58 435	19.10 437	26.50 437	12.02 435	14.09 436	10.38 433	10.91 432	10.39 435	11.92 434	11.67 435	13.39 434	6.99 435	8.79 435	5.82 434	6.92 429	6.97 432	7.31 435

tt	4.65 423	0.07 55	3.54 422	2.01 426	1.55 424	10.25 429	16.66 428	8.90 433	5.03 426	1.33 419	0.96 404	4.71 426	4.74 425	3.33 426	5.86 427	6.06 433	10.30 437	1.87 427	2.09 428	2.61 426	1.19 425

HaxPig	15.73 437	18.55 444	19.19 440	16.92 436	15.89 438	7.80 425	7.57 425	13.37 437	10.80 432	15.40 436	14.87 434	15.95 437	14.81 436	15.67 437	15.97 437	18.96 443	16.72 438	19.47 443	18.10 443	19.45 443	19.06 444

LSM0	22.80 444	17.22 443	19.17 439	22.12 444	28.90 446	38.38 445	53.27 440	24.21 444	28.36 440	20.84 441	21.11 437	21.63 444	24.25 443	23.42 440	26.98 440	14.08 442	17.39 439	11.72 442	13.98 442	14.22 441	14.66 437

CasAABBNet	22.33 439	17.11 438	15.84 434	21.94 442	23.28 443	38.30 440	53.40 445	24.05 440	28.44 441	20.66 439	21.86 438	21.03 443	24.04 442	23.35 439	27.03 441	14.06 437	17.69 440	11.70 437	13.94 438	14.04 439	14.76 441

Selective-RAFT-Error	22.39 443	17.14 442	16.01 435	22.00 443	23.34 444	38.37 444	53.36 441	24.24 445	28.53 445	20.80 440	21.94 439	20.94 439	24.02 441	23.48 444	27.33 445	14.07 438	17.70 441	11.70 437	13.93 437	14.05 440	14.83 442

MyStereo03	22.37 440	17.11 438	16.16 436	21.87 439	23.27 440	38.30 440	53.36 441	24.10 441	28.51 442	20.93 442	21.96 440	20.94 439	24.00 438	23.43 441	27.22 442	14.07 438	17.72 442	11.70 437	13.96 439	14.00 436	14.72 438

MyStereo02	22.37 440	17.11 438	16.16 436	21.87 439	23.27 440	38.30 440	53.36 441	24.10 441	28.51 442	20.93 442	21.96 440	20.94 439	24.00 438	23.43 441	27.22 442	14.07 438	17.72 442	11.70 437	13.96 439	14.00 436	14.72 438

MyStereo	22.37 440	17.11 438	16.16 436	21.87 439	23.27 440	38.30 440	53.36 441	24.10 441	28.51 442	20.93 442	21.96 440	20.94 439	24.00 438	23.43 441	27.22 442	14.07 438	17.72 442	11.70 437	13.96 439	14.00 436	14.72 438

MEDIAN_ROB	20.38 438	24.05 445	23.36 442	21.18 438	21.62 439	10.51 430	8.17 426	17.68 438	15.46 438	20.04 438	19.65 436	20.30 438	20.16 437	21.17 438	21.03 438	23.81 445	21.77 445	24.98 444	23.75 444	25.01 444	23.94 445

AVERAGE_ROB	24.89 445	29.12 446	27.98 443	24.83 445	24.59 445	17.82 435	11.61 427	21.45 439	19.91 439	25.04 446	24.38 444	25.06 446	25.31 445	24.69 446	22.86 439	29.74 446	27.09 446	28.97 446	27.94 446	30.07 445	29.35 446

test_example2	97.69 446	92.93 447	45.57 444	96.02 446	109.84 447	88.44 446	93.70 446	25.54 446	94.63 447	130.46 447	126.87 446	58.93 447	75.48 446	87.99 447	77.94 446	150.16 447	221.11 447	76.29 447	98.21 447	108.42 447	95.33 447

Low-res two-view benchmark