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

MLG-Stereo_test2	0.06 1	0.04 1	0.10 113	0.15 73	0.05 1	0.07 30	0.11 50	0.09 11	0.04 2	0.06 12	0.05 7	0.06 18	0.04 1	0.08 16	0.09 54	0.06 117	0.04 22	0.05 27	0.03 1	0.05 103	0.05 124

MLG-Stereo_test1	0.06 1	0.05 20	0.08 32	0.17 222	0.05 1	0.06 10	0.11 50	0.08 4	0.03 1	0.05 1	0.04 1	0.06 18	0.05 11	0.09 35	0.09 54	0.05 28	0.04 22	0.05 27	0.03 1	0.04 16	0.04 41

FoundationStereo	0.06 1	0.04 1	0.08 32	0.12 4	0.05 1	0.09 84	0.13 109	0.06 1	0.09 24	0.05 1	0.05 7	0.06 18	0.04 1	0.06 1	0.07 1	0.06 117	0.04 22	0.05 27	0.03 1	0.05 103	0.04 41

SM2	0.07 4	0.05 20	0.07 7	0.15 73	0.06 14	0.09 84	0.11 50	0.09 11	0.13 120	0.06 12	0.07 40	0.06 18	0.06 36	0.10 66	0.09 54	0.05 28	0.04 22	0.04 1	0.03 1	0.04 16	0.04 41

Monster-pub-eth3d	0.07 4	0.06 61	0.05 1	0.15 73	0.05 1	0.08 53	0.10 30	0.15 111	0.15 164	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

Monster-pub-mixall	0.07 4	0.04 1	0.09 74	0.13 14	0.06 14	0.05 4	0.09 19	0.11 30	0.07 8	0.06 12	0.06 13	0.05 1	0.06 36	0.09 35	0.09 54	0.06 117	0.04 22	0.04 1	0.03 1	0.05 103	0.05 124

Replicate-Monster	0.07 4	0.05 20	0.09 74	0.14 32	0.06 14	0.08 53	0.09 19	0.13 63	0.13 120	0.05 1	0.07 40	0.06 18	0.06 36	0.08 16	0.10 127	0.05 28	0.04 22	0.05 27	0.03 1	0.04 16	0.04 41

AdaDepth	0.07 4	0.06 61	0.07 7	0.18 304	0.06 14	0.11 178	0.12 68	0.09 11	0.07 8	0.06 12	0.05 7	0.07 66	0.06 36	0.09 35	0.10 127	0.04 11	0.05 188	0.05 27	0.04 38	0.04 16	0.04 41

asda	0.07 4	0.08 242	0.08 32	0.16 148	0.06 14	0.06 10	0.10 30	0.16 138	0.10 37	0.06 12	0.06 13	0.05 1	0.05 11	0.10 66	0.10 127	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

asd	0.07 4	0.08 242	0.07 7	0.16 148	0.07 75	0.08 53	0.08 8	0.11 30	0.08 13	0.07 35	0.07 40	0.06 18	0.06 36	0.10 66	0.09 54	0.03 1	0.03 1	0.04 1	0.04 38	0.04 16	0.03 1

qwe	0.07 4	0.08 242	0.07 7	0.15 73	0.06 14	0.07 30	0.10 30	0.18 203	0.11 63	0.07 35	0.07 40	0.06 18	0.06 36	0.10 66	0.09 54	0.03 1	0.03 1	0.04 1	0.04 38	0.04 16	0.03 1

2.25w	0.07 4	0.06 61	0.07 7	0.14 32	0.06 14	0.08 53	0.08 8	0.10 19	0.15 164	0.08 68	0.10 123	0.07 66	0.06 36	0.08 16	0.10 127	0.05 28	0.03 1	0.04 1	0.04 38	0.03 1	0.04 41

4.25_new	0.07 4	0.08 242	0.09 74	0.15 73	0.06 14	0.09 84	0.08 8	0.14 80	0.08 13	0.07 35	0.07 40	0.06 18	0.06 36	0.12 195	0.10 127	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4.5w_new	0.07 4	0.08 242	0.09 74	0.15 73	0.06 14	0.09 84	0.08 8	0.14 80	0.08 13	0.07 35	0.07 40	0.06 18	0.06 36	0.12 195	0.10 127	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4.5_new	0.07 4	0.09 318	0.08 32	0.15 73	0.07 75	0.06 10	0.10 30	0.14 80	0.11 63	0.06 12	0.08 76	0.06 18	0.06 36	0.08 16	0.10 127	0.03 1	0.03 1	0.04 1	0.04 38	0.04 16	0.03 1

4.5w-stereo	0.07 4	0.09 318	0.08 32	0.15 73	0.07 75	0.06 10	0.10 30	0.14 80	0.11 63	0.06 12	0.08 76	0.06 18	0.06 36	0.08 16	0.10 127	0.03 1	0.03 1	0.04 1	0.04 38	0.04 16	0.03 1

4.25w-stereo	0.07 4	0.08 242	0.09 74	0.15 73	0.06 14	0.09 84	0.08 8	0.14 80	0.08 13	0.07 35	0.07 40	0.06 18	0.06 36	0.12 195	0.10 127	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4w-stereo	0.07 4	0.08 242	0.08 32	0.16 148	0.06 14	0.07 30	0.08 8	0.12 47	0.08 13	0.07 35	0.07 40	0.05 1	0.06 36	0.09 35	0.10 127	0.03 1	0.03 1	0.04 1	0.04 38	0.04 16	0.03 1

2.5w	0.07 4	0.07 145	0.07 7	0.16 148	0.06 14	0.08 53	0.12 68	0.10 19	0.10 37	0.07 35	0.06 13	0.09 129	0.06 36	0.08 16	0.09 54	0.04 11	0.03 1	0.04 1	0.04 38	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 145	0.07 7	0.13 14	0.06 14	0.08 53	0.08 8	0.18 203	0.12 89	0.07 35	0.08 76	0.06 18	0.06 36	0.09 35	0.11 193	0.04 11	0.04 22	0.04 1	0.03 1	0.03 1	0.04 41

3.25w_new	0.07 4	0.06 61	0.07 7	0.15 73	0.06 14	0.10 133	0.07 3	0.12 47	0.11 63	0.08 68	0.06 13	0.07 66	0.06 36	0.11 113	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 61	0.07 7	0.15 73	0.06 14	0.10 133	0.07 3	0.12 47	0.11 63	0.08 68	0.06 13	0.07 66	0.06 36	0.11 113	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 145	0.08 32	0.16 148	0.07 75	0.07 30	0.09 19	0.16 138	0.09 24	0.07 35	0.06 13	0.05 1	0.06 36	0.09 35	0.10 127	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 4	0.07 145	0.07 7	0.15 73	0.07 75	0.09 84	0.06 1	0.13 63	0.11 63	0.07 35	0.07 40	0.06 18	0.07 112	0.10 66	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 61	0.07 7	0.16 148	0.06 14	0.07 30	0.10 30	0.14 80	0.14 147	0.07 35	0.08 76	0.05 1	0.06 36	0.09 35	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 41

monsterstereo	0.07 4	0.06 61	0.06 3	0.16 148	0.06 14	0.08 53	0.10 30	0.16 138	0.11 63	0.07 35	0.08 76	0.06 18	0.07 112	0.08 16	0.09 54	0.04 11	0.04 22	0.05 27	0.04 38	0.03 1	0.03 1

monsters	0.07 4	0.06 61	0.06 3	0.15 73	0.06 14	0.08 53	0.09 19	0.12 47	0.08 13	0.09 98	0.07 40	0.06 18	0.06 36	0.08 16	0.08 17	0.05 28	0.04 22	0.04 1	0.04 38	0.03 1	0.03 1

IGEV	0.07 4	0.04 1	0.08 32	0.13 14	0.06 14	0.09 84	0.12 68	0.14 80	0.10 37	0.06 12	0.09 94	0.07 66	0.05 11	0.09 35	0.09 54	0.06 117	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

111111	0.07 4	0.04 1	0.09 74	0.17 222	0.06 14	0.05 4	0.10 30	0.11 30	0.09 24	0.06 12	0.06 13	0.07 66	0.05 11	0.09 35	0.09 54	0.06 117	0.04 22	0.05 27	0.04 38	0.07 263	0.06 204

LG-Stereo_L2	0.07 4	0.05 20	0.10 113	0.14 32	0.06 14	0.07 30	0.12 68	0.09 11	0.09 24	0.06 12	0.04 1	0.05 1	0.05 11	0.08 16	0.08 17	0.05 28	0.04 22	0.05 27	0.03 1	0.04 16	0.03 1

LG-Stereo_L1	0.07 4	0.05 20	0.11 154	0.14 32	0.06 14	0.07 30	0.13 109	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 16	0.07 1	0.05 28	0.04 22	0.05 27	0.03 1	0.04 16	0.04 41

MLG-Stereo_test3	0.07 4	0.05 20	0.10 113	0.14 32	0.06 14	0.07 30	0.11 50	0.08 4	0.06 4	0.06 12	0.04 1	0.06 18	0.06 36	0.07 4	0.10 127	0.06 117	0.04 22	0.05 27	0.04 38	0.05 103	0.06 204

MLG-Stereo	0.07 4	0.05 20	0.08 32	0.17 222	0.05 1	0.07 30	0.11 50	0.08 4	0.04 2	0.05 1	0.04 1	0.06 18	0.05 11	0.10 66	0.09 54	0.05 28	0.04 22	0.05 27	0.03 1	0.04 16	0.04 41

LG-G_1	0.07 4	0.04 1	0.11 154	0.15 73	0.06 14	0.09 84	0.08 8	0.08 4	0.06 4	0.06 12	0.05 7	0.07 66	0.07 112	0.11 113	0.08 17	0.07 245	0.04 22	0.05 27	0.04 38	0.05 103	0.05 124

LG-G	0.07 4	0.04 1	0.11 154	0.15 73	0.06 14	0.09 84	0.08 8	0.08 4	0.06 4	0.06 12	0.05 7	0.07 66	0.07 112	0.11 113	0.08 17	0.07 245	0.04 22	0.05 27	0.04 38	0.05 103	0.05 124

LGtest1	0.07 4	0.04 1	0.10 113	0.15 73	0.06 14	0.07 30	0.09 19	0.08 4	0.06 4	0.05 1	0.04 1	0.06 18	0.06 36	0.10 66	0.09 54	0.07 245	0.04 22	0.05 27	0.04 38	0.06 196	0.06 204

LG-Stereo_Zeroshot	0.07 4	0.06 61	0.10 113	0.16 148	0.07 75	0.04 1	0.13 109	0.10 19	0.10 37	0.05 1	0.11 153	0.07 66	0.05 11	0.07 4	0.09 54	0.06 117	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

GREAT-IGEV	0.07 4	0.06 61	0.08 32	0.13 14	0.07 75	0.07 30	0.14 157	0.09 11	0.09 24	0.06 12	0.07 40	0.06 18	0.05 11	0.10 66	0.07 1	0.05 28	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

StereoAnything_RVC	0.07 4	0.15 471	0.17 383	0.11 1	0.05 1	0.05 4	0.11 50	0.08 4	0.08 13	0.06 12	0.06 13	0.05 1	0.05 11	0.09 35	0.08 17	0.08 306	0.04 22	0.05 27	0.03 1	0.05 103	0.04 41

AIO_rvc	0.07 4	0.06 61	0.08 32	0.15 73	0.06 14	0.08 53	0.14 157	0.09 11	0.08 13	0.07 35	0.08 76	0.07 66	0.04 1	0.10 66	0.08 17	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.03 1

AIO_test	0.07 4	0.05 20	0.07 7	0.15 73	0.07 75	0.06 10	0.14 157	0.10 19	0.10 37	0.07 35	0.07 40	0.06 18	0.05 11	0.08 16	0.10 127	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.03 1

MonSter	0.07 4	0.06 61	0.05 1	0.15 73	0.05 1	0.07 30	0.10 30	0.15 111	0.15 164	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

DEFOM-Stereo	0.07 4	0.05 20	0.07 7	0.14 32	0.06 14	0.10 133	0.13 109	0.07 2	0.13 120	0.06 12	0.07 40	0.06 18	0.05 11	0.10 66	0.09 54	0.04 11	0.04 22	0.05 27	0.03 1	0.04 16	0.04 41

dual_stereo	0.07 4	0.04 1	0.08 32	0.15 73	0.05 1	0.05 4	0.13 109	0.12 47	0.08 13	0.07 35	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 117	0.04 22	0.05 27	0.03 1	0.04 16	0.04 41

IGEV-Stereo++	0.07 4	0.06 61	0.08 32	0.18 304	0.06 14	0.04 1	0.10 30	0.11 30	0.11 63	0.06 12	0.07 40	0.07 66	0.06 36	0.09 35	0.09 54	0.05 28	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

IGEV-Stereo+	0.07 4	0.04 1	0.08 32	0.15 73	0.06 14	0.04 1	0.09 19	0.10 19	0.09 24	0.06 12	0.06 13	0.06 18	0.06 36	0.06 1	0.08 17	0.06 117	0.04 22	0.05 27	0.04 38	0.06 196	0.06 204

Selective-IGEV	0.07 4	0.06 61	0.08 32	0.17 222	0.06 14	0.08 53	0.12 68	0.13 63	0.07 8	0.08 68	0.07 40	0.06 18	0.04 1	0.10 66	0.09 54	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.03 1

MS	0.08 48	0.04 1	0.12 189	0.12 4	0.07 75	0.09 84	0.07 3	0.11 30	0.13 120	0.05 1	0.07 40	0.07 66	0.06 36	0.09 35	0.09 54	0.06 117	0.04 22	0.04 1	0.05 112	0.06 196	0.06 204

zero-FE	0.08 48	0.04 1	0.09 74	0.15 73	0.10 346	0.05 4	0.14 157	0.09 11	0.14 147	0.07 35	0.06 13	0.07 66	0.06 36	0.09 35	0.10 127	0.06 117	0.04 22	0.06 107	0.04 38	0.08 326	0.05 124

GASTEREO	0.08 48	0.05 20	0.09 74	0.19 361	0.07 75	0.07 30	0.12 68	0.14 80	0.11 63	0.10 131	0.09 94	0.07 66	0.04 1	0.12 195	0.08 17	0.06 117	0.05 188	0.05 27	0.04 38	0.04 16	0.05 124

MSCF	0.08 48	0.05 20	0.08 32	0.19 361	0.08 132	0.06 10	0.12 68	0.14 80	0.11 63	0.10 131	0.09 94	0.07 66	0.04 1	0.11 113	0.08 17	0.06 117	0.05 188	0.05 27	0.04 38	0.05 103	0.05 124

S2M2_XL	0.08 48	0.06 61	0.12 189	0.12 4	0.08 132	0.09 84	0.09 19	0.07 2	0.07 8	0.08 68	0.07 40	0.07 66	0.06 36	0.09 35	0.09 54	0.08 306	0.06 313	0.07 200	0.05 112	0.08 326	0.06 204

3w_stereo	0.08 48	0.09 318	0.10 113	0.17 222	0.07 75	0.08 53	0.10 30	0.20 235	0.13 120	0.06 12	0.07 40	0.05 1	0.06 36	0.08 16	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

2w_stereo	0.08 48	0.08 242	0.09 74	0.16 148	0.06 14	0.08 53	0.10 30	0.20 235	0.15 164	0.08 68	0.07 40	0.06 18	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 38	0.03 1	0.03 1

LG-Stereo	0.08 48	0.07 145	0.10 113	0.18 304	0.07 75	0.10 133	0.17 324	0.11 30	0.08 13	0.05 1	0.07 40	0.05 1	0.07 112	0.09 35	0.09 54	0.04 11	0.05 188	0.07 200	0.07 278	0.04 16	0.04 41

SGD-Stereo	0.08 48	0.05 20	0.10 113	0.14 32	0.05 1	0.12 213	0.12 68	0.11 30	0.12 89	0.07 35	0.09 94	0.09 129	0.09 173	0.08 16	0.08 17	0.06 117	0.04 22	0.05 27	0.04 38	0.05 103	0.03 1

HART	0.08 48	0.07 145	0.09 74	0.17 222	0.07 75	0.10 133	0.16 290	0.13 63	0.11 63	0.08 68	0.10 123	0.07 66	0.05 11	0.10 66	0.08 17	0.05 28	0.04 22	0.06 107	0.04 38	0.05 103	0.04 41

Reg-Stereo(zero)	0.08 48	0.05 20	0.08 32	0.16 148	0.06 14	0.12 213	0.11 50	0.15 111	0.10 37	0.12 198	0.09 94	0.10 160	0.08 147	0.11 113	0.08 17	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.05 124

SCV_C0	0.08 48	0.07 145	0.07 7	0.16 148	0.09 244	0.08 53	0.15 225	0.11 30	0.12 89	0.08 68	0.07 40	0.06 18	0.05 11	0.11 113	0.07 1	0.05 28	0.05 188	0.05 27	0.04 38	0.06 196	0.05 124

SCV	0.08 48	0.09 318	0.08 32	0.15 73	0.08 132	0.10 133	0.13 109	0.10 19	0.12 89	0.07 35	0.07 40	0.06 18	0.04 1	0.09 35	0.08 17	0.05 28	0.04 22	0.06 107	0.04 38	0.06 196	0.04 41

DEFOM-Stereo_RVC	0.08 48	0.06 61	0.09 74	0.22 461	0.06 14	0.08 53	0.12 68	0.10 19	0.10 37	0.07 35	0.07 40	0.06 18	0.05 11	0.11 113	0.09 54	0.06 117	0.04 22	0.05 27	0.03 1	0.06 196	0.04 41

HUF	0.08 48	0.05 20	0.08 32	0.14 32	0.06 14	0.09 84	0.13 109	0.13 63	0.13 120	0.07 35	0.07 40	0.08 104	0.06 36	0.10 66	0.09 54	0.06 117	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

castereo++	0.08 48	0.05 20	0.08 32	0.15 73	0.05 1	0.14 284	0.12 68	0.11 30	0.15 164	0.07 35	0.07 40	0.07 66	0.06 36	0.08 16	0.08 17	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.03 1

IGEV-RUCA	0.08 48	0.06 61	0.11 154	0.14 32	0.09 244	0.10 133	0.12 68	0.10 19	0.12 89	0.06 12	0.07 40	0.07 66	0.06 36	0.09 35	0.08 17	0.06 117	0.05 188	0.05 27	0.04 38	0.05 103	0.06 204

GIP-stereo	0.08 48	0.06 61	0.11 154	0.14 32	0.06 14	0.09 84	0.13 109	0.14 80	0.11 63	0.07 35	0.08 76	0.05 1	0.04 1	0.10 66	0.07 1	0.05 28	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

SMoEStereo_RVC	0.08 48	0.06 61	0.12 189	0.16 148	0.07 75	0.09 84	0.14 157	0.11 30	0.13 120	0.09 98	0.07 40	0.07 66	0.07 112	0.12 195	0.10 127	0.05 28	0.04 22	0.06 107	0.05 112	0.04 16	0.04 41

WCG-NET	0.08 48	0.05 20	0.09 74	0.15 73	0.06 14	0.11 178	0.14 157	0.13 63	0.13 120	0.06 12	0.09 94	0.07 66	0.06 36	0.13 240	0.08 17	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.03 1

Occ-G	0.08 48	0.05 20	0.06 3	0.14 32	0.07 75	0.08 53	0.14 157	0.13 63	0.15 164	0.07 35	0.11 153	0.07 66	0.05 11	0.09 35	0.10 127	0.06 117	0.05 188	0.05 27	0.04 38	0.05 103	0.05 124

U	0.08 48	0.07 145	0.09 74	0.19 361	0.10 346	0.10 133	0.13 109	0.12 47	0.17 211	0.07 35	0.07 40	0.06 18	0.05 11	0.07 4	0.08 17	0.06 117	0.04 22	0.06 107	0.04 38	0.06 196	0.05 124

AIO-Stereo	0.08 48	0.06 61	0.09 74	0.18 304	0.06 14	0.08 53	0.12 68	0.15 111	0.09 24	0.08 68	0.08 76	0.07 66	0.05 11	0.11 113	0.08 17	0.05 28	0.05 188	0.05 27	0.04 38	0.04 16	0.04 41

WCG-NET（raft）	0.08 48	0.05 20	0.10 113	0.15 73	0.06 14	0.11 178	0.13 109	0.15 111	0.12 89	0.08 68	0.07 40	0.06 18	0.06 36	0.13 240	0.08 17	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.04 41

RSM++	0.08 48	0.06 61	0.09 74	0.17 222	0.07 75	0.09 84	0.12 68	0.11 30	0.11 63	0.08 68	0.06 13	0.07 66	0.05 11	0.10 66	0.09 54	0.04 11	0.04 22	0.06 107	0.05 112	0.05 103	0.03 1

RSM	0.08 48	0.06 61	0.09 74	0.17 222	0.06 14	0.08 53	0.12 68	0.12 47	0.10 37	0.08 68	0.07 40	0.06 18	0.05 11	0.11 113	0.09 54	0.04 11	0.04 22	0.05 27	0.04 38	0.04 16	0.03 1

trnet	0.08 48	0.05 20	0.07 7	0.12 4	0.05 1	0.12 213	0.11 50	0.13 63	0.10 37	0.08 68	0.13 180	0.09 129	0.08 147	0.11 113	0.10 127	0.08 306	0.05 188	0.05 27	0.03 1	0.06 196	0.05 124

MoCha-V2	0.08 48	0.05 20	0.10 113	0.20 417	0.07 75	0.09 84	0.14 157	0.11 30	0.08 13	0.07 35	0.08 76	0.07 66	0.06 36	0.09 35	0.08 17	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.04 41

IGEV++	0.08 48	0.06 61	0.08 32	0.18 304	0.07 75	0.09 84	0.13 109	0.10 19	0.09 24	0.08 68	0.08 76	0.06 18	0.06 36	0.13 240	0.09 54	0.05 28	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

testlalala	0.08 48	0.07 145	0.17 383	0.16 148	0.08 132	0.09 84	0.12 68	0.15 111	0.10 37	0.07 35	0.09 94	0.06 18	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.04 38	0.04 16	0.04 41

AEACV	0.08 48	0.05 20	0.08 32	0.14 32	0.13 449	0.14 284	0.13 109	0.14 80	0.09 24	0.07 35	0.09 94	0.07 66	0.08 147	0.10 66	0.09 54	0.06 117	0.04 22	0.06 107	0.05 112	0.05 103	0.04 41

LoS_RVC	0.08 48	0.05 20	0.07 7	0.15 73	0.07 75	0.08 53	0.15 225	0.11 30	0.10 37	0.08 68	0.09 94	0.06 18	0.09 173	0.10 66	0.09 54	0.05 28	0.04 22	0.05 27	0.03 1	0.04 16	0.03 1

CAS	0.08 48	0.04 1	0.07 7	0.17 222	0.08 132	0.10 133	0.13 109	0.12 47	0.09 24	0.09 98	0.10 123	0.08 104	0.06 36	0.09 35	0.08 17	0.08 306	0.04 22	0.05 27	0.03 1	0.05 103	0.04 41

CES	0.08 48	0.04 1	0.08 32	0.14 32	0.07 75	0.09 84	0.14 157	0.11 30	0.09 24	0.08 68	0.09 94	0.11 181	0.06 36	0.12 195	0.08 17	0.06 117	0.04 22	0.05 27	0.03 1	0.05 103	0.05 124

EGLCR-Stereo	0.08 48	0.05 20	0.08 32	0.14 32	0.06 14	0.10 133	0.12 68	0.11 30	0.16 192	0.06 12	0.05 7	0.07 66	0.05 11	0.10 66	0.11 193	0.06 117	0.04 22	0.06 107	0.05 112	0.04 16	0.04 41

MC-Stereo	0.08 48	0.06 61	0.09 74	0.17 222	0.06 14	0.10 133	0.14 157	0.12 47	0.10 37	0.09 98	0.12 166	0.09 129	0.06 36	0.11 113	0.10 127	0.06 117	0.04 22	0.06 107	0.05 112	0.04 16	0.04 41

test-3	0.08 48	0.06 61	0.09 74	0.17 222	0.07 75	0.07 30	0.14 157	0.12 47	0.15 164	0.09 98	0.08 76	0.07 66	0.08 147	0.11 113	0.10 127	0.05 28	0.04 22	0.07 200	0.05 112	0.04 16	0.04 41

test_1	0.08 48	0.06 61	0.09 74	0.17 222	0.07 75	0.07 30	0.14 157	0.12 47	0.15 164	0.09 98	0.08 76	0.07 66	0.08 147	0.11 113	0.10 127	0.05 28	0.04 22	0.07 200	0.05 112	0.04 16	0.04 41

CREStereo++_RVC	0.08 48	0.04 1	0.06 3	0.13 14	0.07 75	0.09 84	0.12 68	0.14 80	0.14 147	0.10 131	0.14 194	0.08 104	0.07 112	0.09 35	0.11 193	0.06 117	0.04 22	0.05 27	0.05 112	0.04 16	0.04 41
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
water-stereo	0.09 87	0.06 61	0.08 32	0.16 148	0.07 75	0.09 84	0.13 109	0.15 111	0.13 120	0.11 160	0.12 166	0.08 104	0.09 173	0.07 4	0.08 17	0.06 117	0.05 188	0.05 27	0.05 112	0.04 16	0.04 41

depthmonostereo	0.09 87	0.06 61	0.09 74	0.15 73	0.06 14	0.10 133	0.13 109	0.14 80	0.14 147	0.10 131	0.10 123	0.09 129	0.11 230	0.08 16	0.09 54	0.06 117	0.05 188	0.06 107	0.04 38	0.04 16	0.03 1

DilatedVolume-Stereo	0.09 87	0.05 20	0.08 32	0.15 73	0.06 14	0.11 178	0.12 68	0.14 80	0.16 192	0.11 160	0.11 153	0.09 129	0.09 173	0.11 113	0.10 127	0.06 117	0.05 188	0.05 27	0.04 38	0.03 1	0.03 1

S2M2	0.09 87	0.08 242	0.11 154	0.13 14	0.10 346	0.08 53	0.06 1	0.10 19	0.10 37	0.10 131	0.09 94	0.10 160	0.09 173	0.11 113	0.11 193	0.13 483	0.07 385	0.08 284	0.09 389	0.10 420	0.08 349

MM-Stereo_test2	0.09 87	0.06 61	0.09 74	0.19 361	0.08 132	0.12 213	0.18 369	0.15 111	0.14 147	0.07 35	0.10 123	0.07 66	0.06 36	0.12 195	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.03 1

castereo	0.09 87	0.06 61	0.11 154	0.15 73	0.06 14	0.11 178	0.15 225	0.14 80	0.18 237	0.08 68	0.10 123	0.11 181	0.08 147	0.09 35	0.10 127	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.03 1

fffft	0.09 87	0.06 61	0.12 189	0.16 148	0.07 75	0.09 84	0.17 324	0.12 47	0.11 63	0.08 68	0.07 40	0.09 129	0.06 36	0.11 113	0.12 242	0.05 28	0.04 22	0.06 107	0.05 112	0.04 16	0.05 124
1: 1. 1
tt45	0.09 87	0.06 61	0.11 154	0.15 73	0.07 75	0.11 178	0.16 290	0.13 63	0.11 63	0.09 98	0.06 13	0.08 104	0.06 36	0.13 240	0.10 127	0.06 117	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204

999	0.09 87	0.05 20	0.13 235	0.15 73	0.08 132	0.10 133	0.14 157	0.15 111	0.11 63	0.10 131	0.08 76	0.08 104	0.08 147	0.16 322	0.10 127	0.06 117	0.04 22	0.06 107	0.05 112	0.04 16	0.05 124

mms	0.09 87	0.07 145	0.08 32	0.16 148	0.08 132	0.10 133	0.16 290	0.12 47	0.11 63	0.08 68	0.09 94	0.08 104	0.06 36	0.11 113	0.12 242	0.05 28	0.04 22	0.07 200	0.05 112	0.04 16	0.03 1

ours_stereo	0.09 87	0.07 145	0.09 74	0.17 222	0.08 132	0.11 178	0.16 290	0.11 30	0.12 89	0.08 68	0.10 123	0.08 104	0.06 36	0.12 195	0.12 242	0.05 28	0.04 22	0.06 107	0.05 112	0.04 16	0.03 1

fffy	0.09 87	0.08 242	0.09 74	0.16 148	0.07 75	0.13 252	0.17 324	0.13 63	0.12 89	0.08 68	0.09 94	0.08 104	0.09 173	0.13 240	0.11 193	0.05 28	0.05 188	0.07 200	0.05 112	0.04 16	0.05 124

PAM_32	0.09 87	0.05 20	0.17 383	0.15 73	0.08 132	0.10 133	0.15 225	0.14 80	0.15 164	0.09 98	0.08 76	0.09 129	0.07 112	0.14 266	0.08 17	0.06 117	0.05 188	0.06 107	0.06 191	0.05 103	0.06 204

UGAM-zero	0.09 87	0.05 20	0.15 321	0.15 73	0.08 132	0.09 84	0.13 109	0.19 224	0.15 164	0.11 160	0.15 211	0.07 66	0.07 112	0.09 35	0.09 54	0.06 117	0.05 188	0.06 107	0.05 112	0.05 103	0.06 204

GCAP-BAT	0.09 87	0.07 145	0.14 270	0.15 73	0.08 132	0.10 133	0.13 109	0.14 80	0.10 37	0.11 160	0.10 123	0.08 104	0.07 112	0.12 195	0.10 127	0.06 117	0.05 188	0.06 107	0.04 38	0.04 16	0.04 41

Pointernet	0.09 87	0.04 1	0.09 74	0.16 148	0.08 132	0.13 252	0.10 30	0.15 111	0.17 211	0.09 98	0.07 40	0.06 18	0.06 36	0.11 113	0.09 54	0.08 306	0.04 22	0.05 27	0.03 1	0.06 196	0.05 124

IGEV-BASED-STEREO-	0.09 87	0.10 376	0.31 489	0.15 73	0.06 14	0.08 53	0.14 157	0.10 19	0.10 37	0.07 35	0.07 40	0.06 18	0.04 1	0.11 113	0.07 1	0.12 460	0.04 22	0.07 200	0.05 112	0.05 103	0.05 124

RAFT-Stereo-weight	0.09 87	0.06 61	0.10 113	0.16 148	0.07 75	0.09 84	0.14 157	0.19 224	0.16 192	0.11 160	0.10 123	0.08 104	0.06 36	0.10 66	0.11 193	0.06 117	0.04 22	0.06 107	0.04 38	0.04 16	0.04 41

gcap-zeroshot	0.09 87	0.05 20	0.10 113	0.16 148	0.07 75	0.13 252	0.13 109	0.11 30	0.12 89	0.13 225	0.12 166	0.09 129	0.08 147	0.09 35	0.09 54	0.06 117	0.05 188	0.06 107	0.05 112	0.04 16	0.04 41

test_for_model	0.09 87	0.12 420	0.14 270	0.23 482	0.11 395	0.08 53	0.13 109	0.12 47	0.12 89	0.10 131	0.07 40	0.07 66	0.06 36	0.11 113	0.10 127	0.06 117	0.05 188	0.05 27	0.03 1	0.07 263	0.04 41

MGS-Stereo	0.09 87	0.07 145	0.12 189	0.15 73	0.08 132	0.09 84	0.15 225	0.12 47	0.12 89	0.07 35	0.10 123	0.08 104	0.06 36	0.10 66	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.06 196	0.05 124

ff7	0.09 87	0.07 145	0.11 154	0.16 148	0.09 244	0.11 178	0.15 225	0.16 138	0.12 89	0.10 131	0.06 13	0.06 18	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204

IGEVStereo-DCA	0.09 87	0.06 61	0.11 154	0.15 73	0.10 346	0.11 178	0.15 225	0.16 138	0.12 89	0.10 131	0.06 13	0.08 104	0.06 36	0.10 66	0.08 17	0.06 117	0.05 188	0.06 107	0.05 112	0.05 103	0.06 204

ffff	0.09 87	0.07 145	0.11 154	0.16 148	0.09 244	0.11 178	0.15 225	0.16 138	0.12 89	0.10 131	0.06 13	0.06 18	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204

rrr	0.09 87	0.06 61	0.12 189	0.15 73	0.10 346	0.11 178	0.16 290	0.16 138	0.15 164	0.10 131	0.06 13	0.08 104	0.06 36	0.10 66	0.08 17	0.06 117	0.05 188	0.06 107	0.05 112	0.05 103	0.06 204

11t	0.09 87	0.07 145	0.11 154	0.16 148	0.09 244	0.11 178	0.15 225	0.16 138	0.12 89	0.10 131	0.06 13	0.06 18	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204

MaDis-Stereo	0.09 87	0.09 318	0.08 32	0.17 222	0.09 244	0.13 252	0.10 30	0.16 138	0.16 192	0.09 98	0.11 153	0.06 18	0.06 36	0.09 35	0.13 283	0.07 245	0.06 313	0.07 200	0.05 112	0.05 103	0.04 41

IGEV_Zeroshot_test	0.09 87	0.05 20	0.12 189	0.13 14	0.08 132	0.12 213	0.13 109	0.17 174	0.11 63	0.10 131	0.06 13	0.09 129	0.06 36	0.11 113	0.09 54	0.06 117	0.04 22	0.06 107	0.06 191	0.05 103	0.05 124

MSKI-zero shot	0.09 87	0.05 20	0.09 74	0.15 73	0.07 75	0.10 133	0.13 109	0.14 80	0.13 120	0.09 98	0.09 94	0.09 129	0.06 36	0.12 195	0.10 127	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.04 41

UniTT-Stereo	0.09 87	0.07 145	0.08 32	0.18 304	0.08 132	0.13 252	0.11 50	0.12 47	0.11 63	0.10 131	0.12 166	0.05 1	0.07 112	0.09 35	0.09 54	0.07 245	0.05 188	0.05 27	0.05 112	0.05 103	0.05 124

MIM_Stereo	0.09 87	0.07 145	0.11 154	0.15 73	0.07 75	0.06 10	0.12 68	0.20 235	0.14 147	0.13 225	0.13 180	0.09 129	0.05 11	0.12 195	0.08 17	0.05 28	0.06 313	0.07 200	0.06 191	0.06 196	0.05 124

CASnet	0.09 87	0.09 318	0.09 74	0.19 361	0.06 14	0.07 30	0.11 50	0.18 203	0.14 147	0.11 160	0.10 123	0.09 129	0.07 112	0.10 66	0.10 127	0.06 117	0.04 22	0.10 413	0.08 343	0.05 103	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 87	0.07 145	0.13 235	0.18 304	0.06 14	0.11 178	0.07 3	0.13 63	0.12 89	0.09 98	0.10 123	0.07 66	0.09 173	0.13 240	0.10 127	0.06 117	0.05 188	0.05 27	0.04 38	0.04 16	0.05 124

RAFT-Test	0.09 87	0.06 61	0.10 113	0.15 73	0.07 75	0.11 178	0.15 225	0.16 138	0.13 120	0.09 98	0.10 123	0.10 160	0.09 173	0.12 195	0.09 54	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.05 124

HH	0.09 87	0.06 61	0.13 235	0.17 222	0.08 132	0.10 133	0.16 290	0.14 80	0.10 37	0.08 68	0.09 94	0.08 104	0.07 112	0.10 66	0.09 54	0.06 117	0.04 22	0.06 107	0.05 112	0.05 103	0.04 41

HanStereo	0.09 87	0.06 61	0.13 235	0.17 222	0.08 132	0.10 133	0.16 290	0.14 80	0.10 37	0.08 68	0.09 94	0.08 104	0.07 112	0.10 66	0.09 54	0.06 117	0.04 22	0.06 107	0.05 112	0.05 103	0.04 41

4D-IteraStereo	0.09 87	0.07 145	0.10 113	0.18 304	0.07 75	0.09 84	0.15 225	0.17 174	0.15 164	0.10 131	0.11 153	0.10 160	0.07 112	0.11 113	0.09 54	0.05 28	0.03 1	0.08 284	0.07 278	0.06 196	0.05 124

anonymousdsp	0.09 87	0.07 145	0.11 154	0.16 148	0.09 244	0.11 178	0.15 225	0.16 138	0.12 89	0.09 98	0.06 13	0.06 18	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204

LoS	0.09 87	0.05 20	0.11 154	0.13 14	0.07 75	0.14 284	0.11 50	0.15 111	0.15 164	0.09 98	0.09 94	0.12 198	0.09 173	0.15 288	0.10 127	0.07 245	0.05 188	0.05 27	0.03 1	0.05 103	0.05 124
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 87	0.07 145	0.10 113	0.17 222	0.08 132	0.10 133	0.15 225	0.15 111	0.12 89	0.09 98	0.06 13	0.07 66	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.04 16	0.06 204

RCA-Stereo	0.09 87	0.06 61	0.09 74	0.16 148	0.06 14	0.09 84	0.13 109	0.18 203	0.14 147	0.09 98	0.10 123	0.08 104	0.07 112	0.12 195	0.11 193	0.06 117	0.04 22	0.06 107	0.05 112	0.05 103	0.04 41

CroCo-Stereo Lap2	0.09 87	0.09 318	0.08 32	0.22 461	0.09 244	0.09 84	0.19 408	0.16 138	0.12 89	0.09 98	0.10 123	0.05 1	0.05 11	0.08 16	0.08 17	0.06 117	0.06 313	0.07 200	0.05 112	0.05 103	0.05 124

ccc-4	0.09 87	0.07 145	0.11 154	0.16 148	0.09 244	0.11 178	0.15 225	0.16 138	0.12 89	0.10 131	0.06 13	0.06 18	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204

IGEV-Stereo	0.09 87	0.07 145	0.11 154	0.16 148	0.09 244	0.11 178	0.15 225	0.16 138	0.12 89	0.09 98	0.06 13	0.06 18	0.06 36	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 87	0.05 20	0.13 235	0.14 32	0.08 132	0.12 213	0.15 225	0.18 203	0.10 37	0.11 160	0.08 76	0.08 104	0.05 11	0.10 66	0.09 54	0.06 117	0.04 22	0.06 107	0.05 112	0.06 196	0.05 124

TRStereo	0.09 87	0.05 20	0.12 189	0.15 73	0.12 426	0.10 133	0.13 109	0.18 203	0.18 237	0.09 98	0.09 94	0.09 129	0.06 36	0.10 66	0.08 17	0.07 245	0.05 188	0.07 200	0.07 278	0.04 16	0.04 41

AnonymousM	0.09 87	0.05 20	0.10 113	0.14 32	0.06 14	0.09 84	0.13 109	0.19 224	0.14 147	0.13 225	0.11 153	0.09 129	0.08 147	0.13 240	0.10 127	0.08 306	0.05 188	0.08 284	0.05 112	0.05 103	0.05 124

CroCo-Stereo	0.09 87	0.08 242	0.08 32	0.22 461	0.09 244	0.09 84	0.19 408	0.15 111	0.12 89	0.07 35	0.07 40	0.08 104	0.06 36	0.08 16	0.07 1	0.07 245	0.05 188	0.06 107	0.04 38	0.05 103	0.04 41
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
s12784h	0.09 87	0.06 61	0.07 7	0.15 73	0.05 1	0.16 340	0.18 369	0.15 111	0.15 164	0.10 131	0.11 153	0.11 181	0.11 230	0.10 66	0.12 242	0.05 28	0.04 22	0.05 27	0.04 38	0.04 16	0.04 41

TANstereo	0.09 87	0.04 1	0.08 32	0.13 14	0.06 14	0.11 178	0.14 157	0.15 111	0.19 252	0.11 160	0.15 211	0.10 160	0.06 36	0.12 195	0.09 54	0.07 245	0.05 188	0.05 27	0.04 38	0.06 196	0.05 124

XX-TBD	0.09 87	0.06 61	0.07 7	0.14 32	0.07 75	0.12 213	0.16 290	0.14 80	0.13 120	0.11 160	0.12 166	0.09 129	0.08 147	0.10 66	0.10 127	0.06 117	0.04 22	0.05 27	0.03 1	0.06 196	0.05 124

raftrobust	0.09 87	0.06 61	0.10 113	0.17 222	0.08 132	0.09 84	0.10 30	0.18 203	0.16 192	0.10 131	0.09 94	0.12 198	0.07 112	0.12 195	0.10 127	0.08 306	0.05 188	0.06 107	0.05 112	0.05 103	0.05 124

XX-Stereo	0.09 87	0.05 20	0.08 32	0.17 222	0.09 244	0.15 310	0.12 68	0.20 235	0.10 37	0.10 131	0.14 194	0.07 66	0.06 36	0.12 195	0.08 17	0.06 117	0.05 188	0.06 107	0.06 191	0.04 16	0.04 41

test_xeample3	0.09 87	0.06 61	0.12 189	0.16 148	0.09 244	0.11 178	0.15 225	0.16 138	0.13 120	0.10 131	0.06 13	0.08 104	0.06 36	0.10 66	0.09 54	0.05 28	0.04 22	0.06 107	0.05 112	0.05 103	0.06 204

RAFT-Stereo + iAFF	0.09 87	0.06 61	0.10 113	0.17 222	0.06 14	0.10 133	0.16 290	0.17 174	0.14 147	0.09 98	0.10 123	0.08 104	0.09 173	0.11 113	0.09 54	0.05 28	0.04 22	0.06 107	0.06 191	0.04 16	0.03 1

AFF-stereo	0.09 87	0.06 61	0.10 113	0.17 222	0.07 75	0.10 133	0.16 290	0.17 174	0.09 24	0.10 131	0.12 166	0.09 129	0.09 173	0.12 195	0.09 54	0.05 28	0.04 22	0.07 200	0.07 278	0.04 16	0.03 1

EAI-Stereo	0.09 87	0.07 145	0.11 154	0.15 73	0.06 14	0.10 133	0.15 225	0.16 138	0.09 24	0.08 68	0.09 94	0.08 104	0.07 112	0.09 35	0.11 193	0.05 28	0.04 22	0.05 27	0.05 112	0.05 103	0.04 41

CFNet-RSSM	0.09 87	0.07 145	0.09 74	0.16 148	0.07 75	0.09 84	0.15 225	0.16 138	0.17 211	0.08 68	0.12 166	0.10 160	0.09 173	0.11 113	0.09 54	0.06 117	0.04 22	0.06 107	0.04 38	0.04 16	0.04 41

Gwc-CoAtRS	0.09 87	0.06 61	0.10 113	0.16 148	0.07 75	0.10 133	0.14 157	0.17 174	0.17 211	0.08 68	0.10 123	0.12 198	0.09 173	0.12 195	0.09 54	0.06 117	0.04 22	0.06 107	0.04 38	0.04 16	0.04 41

CREStereo	0.09 87	0.04 1	0.08 32	0.11 1	0.06 14	0.13 252	0.14 157	0.14 80	0.10 37	0.08 68	0.13 180	0.09 129	0.08 147	0.11 113	0.10 127	0.08 306	0.04 22	0.05 27	0.03 1	0.06 196	0.06 204
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 87	0.05 20	0.09 74	0.12 4	0.06 14	0.12 213	0.14 157	0.15 111	0.11 63	0.09 98	0.13 180	0.10 160	0.07 112	0.13 240	0.10 127	0.15 500	0.04 22	0.05 27	0.03 1	0.07 263	0.06 204

MM-Stereo_test3	0.10 148	0.07 145	0.07 7	0.18 304	0.07 75	0.12 213	0.19 408	0.24 322	0.19 252	0.06 12	0.10 123	0.08 104	0.06 36	0.11 113	0.08 17	0.06 117	0.06 313	0.07 200	0.05 112	0.05 103	0.04 41

MM-Stereo_test1	0.10 148	0.07 145	0.08 32	0.18 304	0.07 75	0.12 213	0.18 369	0.21 258	0.20 275	0.09 98	0.11 153	0.08 104	0.06 36	0.10 66	0.10 127	0.06 117	0.05 188	0.07 200	0.06 191	0.05 103	0.04 41

AIO-test2	0.10 148	0.08 242	0.10 113	0.23 482	0.08 132	0.11 178	0.10 30	0.23 300	0.23 314	0.08 68	0.09 94	0.08 104	0.05 11	0.10 66	0.08 17	0.06 117	0.05 188	0.08 284	0.09 389	0.05 103	0.05 124

AIO-test1	0.10 148	0.07 145	0.10 113	0.23 482	0.07 75	0.09 84	0.13 109	0.21 258	0.14 147	0.11 160	0.12 166	0.09 129	0.07 112	0.11 113	0.09 54	0.06 117	0.05 188	0.09 365	0.10 428	0.03 1	0.06 204

tg	0.10 148	0.06 61	0.10 113	0.18 304	0.08 132	0.11 178	0.16 290	0.20 235	0.12 89	0.08 68	0.11 153	0.11 181	0.07 112	0.11 113	0.10 127	0.05 28	0.04 22	0.08 284	0.08 343	0.04 16	0.04 41

PAM	0.10 148	0.05 20	0.16 355	0.15 73	0.08 132	0.09 84	0.16 290	0.15 111	0.16 192	0.12 198	0.09 94	0.09 129	0.07 112	0.13 240	0.08 17	0.06 117	0.05 188	0.06 107	0.06 191	0.05 103	0.06 204

model_zeroshot	0.10 148	0.04 1	0.11 154	0.15 73	0.09 244	0.12 213	0.14 157	0.20 235	0.13 120	0.11 160	0.10 123	0.12 198	0.07 112	0.12 195	0.10 127	0.07 245	0.06 313	0.06 107	0.05 112	0.06 196	0.06 204

RAStereo	0.10 148	0.09 318	0.08 32	0.20 417	0.08 132	0.13 252	0.18 369	0.15 111	0.17 211	0.10 131	0.12 166	0.05 1	0.06 36	0.09 35	0.08 17	0.07 245	0.05 188	0.07 200	0.05 112	0.05 103	0.04 41

rvit_stereo_0080	0.10 148	0.08 242	0.14 270	0.15 73	0.09 244	0.07 30	0.15 225	0.16 138	0.16 192	0.11 160	0.10 123	0.14 243	0.08 147	0.12 195	0.10 127	0.09 365	0.07 385	0.07 200	0.06 191	0.07 263	0.05 124

testlalala2	0.10 148	0.06 61	0.11 154	0.20 417	0.10 346	0.10 133	0.12 68	0.17 174	0.12 89	0.12 198	0.13 180	0.09 129	0.07 112	0.11 113	0.13 283	0.06 117	0.05 188	0.05 27	0.04 38	0.05 103	0.05 124

H2IRNET	0.10 148	0.09 318	0.09 74	0.18 304	0.09 244	0.12 213	0.15 225	0.14 80	0.21 290	0.10 131	0.10 123	0.10 160	0.10 205	0.10 66	0.10 127	0.05 28	0.04 22	0.08 284	0.08 343	0.06 196	0.05 124

Former-RAFT_DAM_RVC	0.10 148	0.08 242	0.12 189	0.16 148	0.08 132	0.15 310	0.16 290	0.18 203	0.18 237	0.10 131	0.09 94	0.09 129	0.08 147	0.11 113	0.12 242	0.07 245	0.05 188	0.08 284	0.06 191	0.07 263	0.06 204

MyStereo07	0.10 148	0.07 145	0.10 113	0.17 222	0.09 244	0.14 284	0.18 369	0.15 111	0.15 164	0.09 98	0.06 13	0.06 18	0.07 112	0.12 195	0.09 54	0.06 117	0.05 188	0.08 284	0.07 278	0.06 196	0.06 204

MyStereo06	0.10 148	0.07 145	0.12 189	0.17 222	0.09 244	0.13 252	0.18 369	0.19 224	0.12 89	0.12 198	0.08 76	0.07 66	0.07 112	0.11 113	0.09 54	0.06 117	0.05 188	0.07 200	0.07 278	0.06 196	0.06 204

AE-Stereo	0.10 148	0.08 242	0.10 113	0.18 304	0.09 244	0.10 133	0.15 225	0.14 80	0.19 252	0.09 98	0.14 194	0.12 198	0.08 147	0.11 113	0.10 127	0.05 28	0.06 313	0.07 200	0.06 191	0.05 103	0.04 41

ACVNet-DCA	0.10 148	0.08 242	0.12 189	0.17 222	0.09 244	0.13 252	0.15 225	0.23 300	0.16 192	0.09 98	0.09 94	0.06 18	0.06 36	0.10 66	0.07 1	0.06 117	0.04 22	0.06 107	0.05 112	0.07 263	0.07 285

cc1	0.10 148	0.08 242	0.12 189	0.17 222	0.09 244	0.13 252	0.15 225	0.16 138	0.18 237	0.09 98	0.09 94	0.06 18	0.06 36	0.10 66	0.07 1	0.06 117	0.04 22	0.06 107	0.05 112	0.06 196	0.06 204

tt1	0.10 148	0.08 242	0.12 189	0.17 222	0.09 244	0.12 213	0.16 290	0.15 111	0.19 252	0.09 98	0.08 76	0.06 18	0.06 36	0.10 66	0.07 1	0.06 117	0.04 22	0.06 107	0.05 112	0.06 196	0.06 204

whm_eth	0.10 148	0.08 242	0.14 270	0.15 73	0.09 244	0.07 30	0.15 225	0.16 138	0.16 192	0.11 160	0.10 123	0.14 243	0.08 147	0.12 195	0.10 127	0.09 365	0.07 385	0.07 200	0.06 191	0.07 263	0.05 124

plain	0.10 148	0.08 242	0.10 113	0.19 361	0.09 244	0.10 133	0.15 225	0.14 80	0.13 120	0.13 225	0.15 211	0.09 129	0.12 261	0.13 240	0.12 242	0.07 245	0.05 188	0.09 365	0.06 191	0.06 196	0.06 204

testlalala_base	0.10 148	0.09 318	0.14 270	0.21 446	0.08 132	0.10 133	0.14 157	0.13 63	0.10 37	0.07 35	0.15 211	0.07 66	0.08 147	0.10 66	0.12 242	0.08 306	0.05 188	0.05 27	0.03 1	0.06 196	0.05 124

Any-RAFT	0.10 148	0.05 20	0.09 74	0.14 32	0.07 75	0.13 252	0.14 157	0.21 258	0.15 164	0.11 160	0.12 166	0.12 198	0.09 173	0.12 195	0.09 54	0.07 245	0.04 22	0.05 27	0.04 38	0.06 196	0.05 124

LL-Strereo2	0.10 148	0.10 376	0.15 321	0.18 304	0.08 132	0.15 310	0.09 19	0.17 174	0.14 147	0.14 246	0.10 123	0.09 129	0.07 112	0.16 322	0.10 127	0.05 28	0.05 188	0.10 413	0.07 278	0.06 196	0.05 124

DCANet-4	0.10 148	0.06 61	0.12 189	0.16 148	0.06 14	0.09 84	0.17 324	0.18 203	0.19 252	0.13 225	0.16 223	0.09 129	0.14 324	0.11 113	0.12 242	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.05 124

fff	0.10 148	0.06 61	0.12 189	0.15 73	0.07 75	0.09 84	0.17 324	0.16 138	0.20 275	0.13 225	0.16 223	0.10 160	0.11 230	0.11 113	0.12 242	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.05 124

ADStereo(finetuned)	0.10 148	0.06 61	0.12 189	0.16 148	0.06 14	0.09 84	0.17 324	0.15 111	0.19 252	0.13 225	0.17 244	0.10 160	0.12 261	0.11 113	0.12 242	0.06 117	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

test_4	0.10 148	0.10 376	0.08 32	0.19 361	0.09 244	0.08 53	0.22 456	0.15 111	0.17 211	0.12 198	0.18 269	0.12 198	0.09 173	0.08 16	0.11 193	0.04 11	0.04 22	0.08 284	0.08 343	0.04 16	0.03 1

IPLG	0.10 148	0.07 145	0.15 321	0.17 222	0.08 132	0.11 178	0.14 157	0.20 235	0.15 164	0.12 198	0.17 244	0.07 66	0.07 112	0.14 266	0.13 283	0.06 117	0.04 22	0.06 107	0.05 112	0.04 16	0.04 41

test_3	0.10 148	0.09 318	0.10 113	0.20 417	0.08 132	0.13 252	0.26 503	0.14 80	0.21 290	0.10 131	0.10 123	0.09 129	0.09 173	0.08 16	0.11 193	0.05 28	0.04 22	0.08 284	0.07 278	0.04 16	0.04 41

STrans-v2	0.10 148	0.07 145	0.12 189	0.18 304	0.07 75	0.10 133	0.14 157	0.21 258	0.11 63	0.11 160	0.15 211	0.12 198	0.10 205	0.11 113	0.12 242	0.05 28	0.04 22	0.06 107	0.06 191	0.04 16	0.04 41

TransformOpticalFlow	0.10 148	0.08 242	0.13 235	0.18 304	0.07 75	0.09 84	0.15 225	0.19 224	0.15 164	0.12 198	0.17 244	0.11 181	0.11 230	0.11 113	0.10 127	0.05 28	0.04 22	0.06 107	0.06 191	0.05 103	0.05 124

SST-Stereo	0.10 148	0.07 145	0.15 321	0.18 304	0.09 244	0.06 10	0.12 68	0.17 174	0.11 63	0.15 273	0.17 244	0.13 223	0.12 261	0.10 66	0.11 193	0.06 117	0.04 22	0.09 365	0.06 191	0.06 196	0.05 124

cross-raft	0.10 148	0.09 318	0.09 74	0.19 361	0.07 75	0.11 178	0.25 495	0.13 63	0.15 164	0.08 68	0.11 153	0.12 198	0.10 205	0.09 35	0.11 193	0.05 28	0.04 22	0.06 107	0.05 112	0.04 16	0.04 41

test-1	0.10 148	0.07 145	0.16 355	0.19 361	0.08 132	0.11 178	0.24 479	0.14 80	0.18 237	0.09 98	0.07 40	0.09 129	0.08 147	0.07 4	0.09 54	0.06 117	0.04 22	0.06 107	0.05 112	0.04 16	0.04 41

iRaftStereo_RVC	0.10 148	0.07 145	0.09 74	0.17 222	0.09 244	0.11 178	0.17 324	0.18 203	0.12 89	0.09 98	0.12 166	0.10 160	0.07 112	0.11 113	0.10 127	0.05 28	0.04 22	0.08 284	0.08 343	0.04 16	0.04 41

RALCasStereoNet	0.10 148	0.06 61	0.09 74	0.16 148	0.08 132	0.12 213	0.14 157	0.17 174	0.11 63	0.12 198	0.17 244	0.14 243	0.10 205	0.12 195	0.11 193	0.07 245	0.06 313	0.06 107	0.05 112	0.08 326	0.07 285

DCANet	0.10 148	0.06 61	0.12 189	0.16 148	0.06 14	0.09 84	0.17 324	0.15 111	0.19 252	0.13 225	0.17 244	0.10 160	0.11 230	0.11 113	0.12 242	0.06 117	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

csc	0.10 148	0.06 61	0.12 189	0.15 73	0.07 75	0.09 84	0.17 324	0.16 138	0.20 275	0.13 225	0.16 223	0.10 160	0.11 230	0.11 113	0.12 242	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.05 124

cscssc	0.10 148	0.06 61	0.12 189	0.15 73	0.07 75	0.09 84	0.17 324	0.16 138	0.20 275	0.13 225	0.16 223	0.10 160	0.11 230	0.11 113	0.12 242	0.06 117	0.04 22	0.05 27	0.04 38	0.04 16	0.05 124

111	0.10 148	0.06 61	0.12 189	0.15 73	0.07 75	0.10 133	0.14 157	0.21 258	0.23 314	0.11 160	0.12 166	0.14 243	0.11 230	0.13 240	0.10 127	0.06 117	0.04 22	0.06 107	0.04 38	0.05 103	0.05 124

R-Stereo Train	0.10 148	0.06 61	0.10 113	0.17 222	0.08 132	0.11 178	0.14 157	0.23 300	0.11 63	0.12 198	0.19 278	0.11 181	0.08 147	0.09 35	0.11 193	0.07 245	0.05 188	0.06 107	0.05 112	0.05 103	0.05 124

RAFT-Stereo	0.10 148	0.06 61	0.10 113	0.17 222	0.08 132	0.11 178	0.14 157	0.23 300	0.11 63	0.12 198	0.19 278	0.11 181	0.08 147	0.09 35	0.11 193	0.07 245	0.05 188	0.06 107	0.05 112	0.05 103	0.05 124
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 148	0.06 61	0.12 189	0.14 32	0.06 14	0.11 178	0.10 30	0.18 203	0.18 237	0.13 225	0.16 223	0.14 243	0.11 230	0.15 288	0.13 283	0.06 117	0.04 22	0.04 1	0.04 38	0.06 196	0.05 124
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
FlowAnything_test	0.11 191	0.08 242	0.14 270	0.15 73	0.09 244	0.07 30	0.14 157	0.20 235	0.11 63	0.09 98	0.09 94	0.12 198	0.12 261	0.13 240	0.11 193	0.09 365	0.06 313	0.09 365	0.09 389	0.06 196	0.09 393

xyz-stereo-finetune2	0.11 191	0.07 145	0.13 235	0.13 14	0.07 75	0.11 178	0.19 408	0.17 174	0.12 89	0.15 273	0.15 211	0.17 306	0.12 261	0.13 240	0.11 193	0.05 28	0.04 22	0.07 200	0.05 112	0.04 16	0.06 204

xyz-stereo-finetune	0.11 191	0.08 242	0.13 235	0.14 32	0.06 14	0.10 133	0.19 408	0.17 174	0.19 252	0.12 198	0.14 194	0.15 272	0.10 205	0.13 240	0.11 193	0.05 28	0.04 22	0.07 200	0.05 112	0.04 16	0.05 124

HI	0.11 191	0.06 61	0.11 154	0.13 14	0.09 244	0.09 84	0.14 157	0.21 258	0.10 37	0.19 363	0.17 244	0.14 243	0.09 173	0.16 322	0.08 17	0.05 28	0.04 22	0.07 200	0.08 343	0.07 263	0.06 204

CoSv	0.11 191	0.06 61	0.11 154	0.13 14	0.09 244	0.09 84	0.14 157	0.21 258	0.10 37	0.19 363	0.17 244	0.14 243	0.09 173	0.16 322	0.08 17	0.05 28	0.04 22	0.07 200	0.08 343	0.07 263	0.06 204

rvit_stereo_0081_aga	0.11 191	0.09 318	0.14 270	0.18 304	0.09 244	0.13 252	0.14 157	0.14 80	0.19 252	0.10 131	0.18 269	0.16 286	0.09 173	0.12 195	0.09 54	0.10 406	0.06 313	0.08 284	0.07 278	0.07 263	0.06 204

rvit_stereo_0081	0.11 191	0.08 242	0.15 321	0.16 148	0.09 244	0.10 133	0.14 157	0.14 80	0.24 330	0.11 160	0.13 180	0.13 223	0.09 173	0.11 113	0.12 242	0.10 406	0.07 385	0.08 284	0.07 278	0.07 263	0.05 124

rvit_stereo_0082	0.11 191	0.08 242	0.15 321	0.16 148	0.09 244	0.10 133	0.14 157	0.14 80	0.24 330	0.11 160	0.13 180	0.13 223	0.09 173	0.11 113	0.12 242	0.10 406	0.07 385	0.08 284	0.07 278	0.07 263	0.05 124

AIO-Stereo-zeroshot1	0.11 191	0.05 20	0.14 270	0.15 73	0.20 524	0.09 84	0.17 324	0.21 258	0.15 164	0.11 160	0.14 194	0.10 160	0.07 112	0.10 66	0.08 17	0.06 117	0.05 188	0.07 200	0.07 278	0.07 263	0.09 393

AIO-Stereo-zeroshot	0.11 191	0.05 20	0.11 154	0.15 73	0.13 449	0.13 252	0.16 290	0.23 300	0.17 211	0.10 131	0.12 166	0.10 160	0.07 112	0.11 113	0.09 54	0.06 117	0.05 188	0.06 107	0.06 191	0.07 263	0.08 349

CAS++	0.11 191	0.07 145	0.11 154	0.14 32	0.09 244	0.12 213	0.14 157	0.24 322	0.14 147	0.11 160	0.09 94	0.11 181	0.07 112	0.14 266	0.09 54	0.11 435	0.09 440	0.09 365	0.07 278	0.07 263	0.08 349
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 191	0.08 242	0.12 189	0.17 222	0.09 244	0.13 252	0.15 225	0.16 138	0.18 237	0.09 98	0.09 94	0.16 286	0.16 368	0.10 66	0.07 1	0.06 117	0.04 22	0.08 284	0.08 343	0.07 263	0.07 285

1test111	0.11 191	0.08 242	0.12 189	0.17 222	0.09 244	0.13 252	0.15 225	0.23 300	0.16 192	0.09 98	0.09 94	0.06 18	0.06 36	0.15 288	0.16 364	0.06 117	0.04 22	0.06 107	0.05 112	0.07 263	0.07 285

MIF-Stereo (partial)	0.11 191	0.06 61	0.10 113	0.19 361	0.10 346	0.10 133	0.11 50	0.17 174	0.18 237	0.14 246	0.16 223	0.09 129	0.11 230	0.12 195	0.12 242	0.08 306	0.05 188	0.08 284	0.07 278	0.06 196	0.07 285

EKT-Stereo	0.11 191	0.07 145	0.14 270	0.15 73	0.10 346	0.13 252	0.14 157	0.18 203	0.21 290	0.11 160	0.08 76	0.12 198	0.09 173	0.11 113	0.12 242	0.08 306	0.06 313	0.07 200	0.06 191	0.08 326	0.07 285

anonymousdsp2	0.11 191	0.07 145	0.10 113	0.16 148	0.09 244	0.13 252	0.14 157	0.18 203	0.22 304	0.13 225	0.14 194	0.12 198	0.09 173	0.14 266	0.11 193	0.05 28	0.04 22	0.05 27	0.04 38	0.06 196	0.05 124

DCRE	0.11 191	0.07 145	0.13 235	0.16 148	0.11 395	0.11 178	0.17 324	0.18 203	0.17 211	0.11 160	0.18 269	0.10 160	0.10 205	0.15 288	0.11 193	0.06 117	0.05 188	0.06 107	0.06 191	0.05 103	0.04 41

knoymous	0.11 191	0.05 20	0.12 189	0.13 14	0.07 75	0.15 310	0.14 157	0.19 224	0.13 120	0.11 160	0.17 244	0.13 223	0.09 173	0.13 240	0.11 193	0.08 306	0.05 188	0.06 107	0.05 112	0.08 326	0.07 285

riskmin	0.11 191	0.06 61	0.13 235	0.14 32	0.08 132	0.14 284	0.14 157	0.18 203	0.14 147	0.11 160	0.14 194	0.16 286	0.11 230	0.14 266	0.12 242	0.09 365	0.05 188	0.07 200	0.05 112	0.08 326	0.08 349

Selective-RAFT	0.11 191	0.10 376	0.11 154	0.21 446	0.08 132	0.16 340	0.13 109	0.20 235	0.22 304	0.10 131	0.10 123	0.11 181	0.10 205	0.15 288	0.11 193	0.05 28	0.05 188	0.06 107	0.05 112	0.06 196	0.05 124

DisPM	0.11 191	0.07 145	0.12 189	0.16 148	0.09 244	0.06 10	0.13 109	0.17 174	0.17 211	0.14 246	0.20 290	0.12 198	0.10 205	0.11 113	0.10 127	0.06 117	0.04 22	0.07 200	0.06 191	0.06 196	0.11 446

CIPLG	0.11 191	0.08 242	0.14 270	0.17 222	0.08 132	0.12 213	0.15 225	0.17 174	0.15 164	0.14 246	0.11 153	0.16 286	0.09 173	0.16 322	0.11 193	0.07 245	0.05 188	0.06 107	0.05 112	0.05 103	0.06 204

GLC_STEREO	0.11 191	0.07 145	0.11 154	0.17 222	0.07 75	0.09 84	0.13 109	0.15 111	0.24 330	0.12 198	0.13 180	0.12 198	0.08 147	0.18 375	0.11 193	0.06 117	0.08 411	0.08 284	0.06 191	0.05 103	0.05 124

IPLGR_C	0.11 191	0.08 242	0.14 270	0.17 222	0.08 132	0.12 213	0.15 225	0.17 174	0.15 164	0.14 246	0.10 123	0.16 286	0.09 173	0.16 322	0.11 193	0.07 245	0.05 188	0.06 107	0.05 112	0.05 103	0.06 204

MIPNet	0.11 191	0.08 242	0.14 270	0.17 222	0.09 244	0.12 213	0.14 157	0.20 235	0.24 330	0.11 160	0.10 123	0.09 129	0.07 112	0.13 240	0.12 242	0.06 117	0.04 22	0.06 107	0.05 112	0.04 16	0.04 41

IPLGR	0.11 191	0.09 318	0.16 355	0.18 304	0.08 132	0.12 213	0.17 324	0.21 258	0.24 330	0.11 160	0.12 166	0.11 181	0.08 147	0.12 195	0.12 242	0.06 117	0.05 188	0.06 107	0.06 191	0.04 16	0.04 41

GMOStereo	0.11 191	0.09 318	0.07 7	0.19 361	0.08 132	0.12 213	0.28 516	0.13 63	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 41

error version	0.11 191	0.09 318	0.07 7	0.19 361	0.08 132	0.12 213	0.28 516	0.13 63	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 41

test-v	0.11 191	0.09 318	0.07 7	0.19 361	0.08 132	0.12 213	0.28 516	0.13 63	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 41

ACRE	0.11 191	0.08 242	0.14 270	0.17 222	0.08 132	0.12 213	0.15 225	0.17 174	0.14 147	0.14 246	0.10 123	0.16 286	0.09 173	0.16 322	0.11 193	0.07 245	0.05 188	0.06 107	0.05 112	0.05 103	0.06 204

PFNet+	0.11 191	0.06 61	0.13 235	0.16 148	0.09 244	0.05 4	0.12 68	0.17 174	0.21 290	0.16 301	0.19 278	0.14 243	0.10 205	0.11 113	0.11 193	0.08 306	0.05 188	0.09 365	0.08 343	0.06 196	0.11 446

LCNet	0.11 191	0.07 145	0.09 74	0.19 361	0.09 244	0.08 53	0.15 225	0.21 258	0.15 164	0.11 160	0.15 211	0.16 286	0.11 230	0.12 195	0.11 193	0.05 28	0.04 22	0.08 284	0.07 278	0.06 196	0.15 503

HHNet	0.11 191	0.06 61	0.16 355	0.15 73	0.14 469	0.07 30	0.13 109	0.20 235	0.17 211	0.14 246	0.25 371	0.11 181	0.08 147	0.13 240	0.10 127	0.05 28	0.04 22	0.08 284	0.06 191	0.05 103	0.09 393

Patchmatch Stereo++	0.11 191	0.09 318	0.16 355	0.18 304	0.08 132	0.06 10	0.11 50	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285
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
AAGNet	0.11 191	0.07 145	0.16 355	0.19 361	0.09 244	0.08 53	0.13 109	0.18 203	0.13 120	0.16 301	0.21 311	0.13 223	0.14 324	0.11 113	0.14 320	0.06 117	0.04 22	0.09 365	0.06 191	0.06 196	0.05 124

OMP-Stereo	0.11 191	0.06 61	0.14 270	0.18 304	0.08 132	0.09 84	0.12 68	0.21 258	0.21 290	0.13 225	0.14 194	0.11 181	0.12 261	0.11 113	0.13 283	0.06 117	0.04 22	0.07 200	0.06 191	0.05 103	0.04 41

IIG-Stereo	0.11 191	0.06 61	0.13 235	0.17 222	0.08 132	0.11 178	0.12 68	0.22 280	0.17 211	0.14 246	0.17 244	0.11 181	0.12 261	0.12 195	0.12 242	0.06 117	0.05 188	0.07 200	0.06 191	0.05 103	0.04 41

NF-Stereo	0.11 191	0.07 145	0.13 235	0.17 222	0.09 244	0.10 133	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 113	0.11 193	0.06 117	0.04 22	0.07 200	0.06 191	0.06 196	0.12 459

OCTAStereo	0.11 191	0.07 145	0.13 235	0.17 222	0.09 244	0.10 133	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 113	0.11 193	0.06 117	0.04 22	0.07 200	0.06 191	0.06 196	0.12 459

NRIStereo	0.11 191	0.08 242	0.14 270	0.18 304	0.08 132	0.10 133	0.14 157	0.16 138	0.15 164	0.12 198	0.14 194	0.13 223	0.12 261	0.13 240	0.10 127	0.06 117	0.04 22	0.07 200	0.06 191	0.06 196	0.07 285

PSM-adaLoss	0.11 191	0.09 318	0.16 355	0.18 304	0.08 132	0.06 10	0.12 68	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

PSM-AAD	0.11 191	0.07 145	0.10 113	0.19 361	0.09 244	0.10 133	0.15 225	0.20 235	0.13 120	0.12 198	0.14 194	0.18 320	0.11 230	0.11 113	0.10 127	0.05 28	0.05 188	0.09 365	0.08 343	0.06 196	0.14 496

ROB_FTStereo_v2	0.11 191	0.09 318	0.16 355	0.19 361	0.08 132	0.06 10	0.12 68	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

ROB_FTStereo	0.11 191	0.09 318	0.16 355	0.19 361	0.08 132	0.06 10	0.11 50	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

KYRaft	0.11 191	0.07 145	0.10 113	0.19 361	0.09 244	0.08 53	0.15 225	0.22 280	0.12 89	0.13 225	0.16 223	0.20 346	0.10 205	0.12 195	0.10 127	0.05 28	0.04 22	0.08 284	0.08 343	0.06 196	0.16 514

HUI-Stereo	0.11 191	0.09 318	0.16 355	0.18 304	0.08 132	0.06 10	0.12 68	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

ASMatch	0.11 191	0.06 61	0.13 235	0.16 148	0.10 346	0.07 30	0.14 157	0.17 174	0.17 211	0.12 198	0.16 223	0.16 286	0.10 205	0.13 240	0.10 127	0.05 28	0.04 22	0.06 107	0.05 112	0.04 16	0.08 349

RAFT_R40	0.11 191	0.07 145	0.14 270	0.18 304	0.09 244	0.06 10	0.13 109	0.17 174	0.16 192	0.14 246	0.18 269	0.15 272	0.12 261	0.10 66	0.11 193	0.06 117	0.04 22	0.09 365	0.06 191	0.06 196	0.05 124

GrayStereo	0.11 191	0.06 61	0.11 154	0.19 361	0.09 244	0.09 84	0.16 290	0.18 203	0.17 211	0.14 246	0.17 244	0.17 306	0.11 230	0.12 195	0.11 193	0.05 28	0.05 188	0.07 200	0.06 191	0.05 103	0.10 420

RE-Stereo	0.11 191	0.07 145	0.13 235	0.17 222	0.09 244	0.10 133	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 113	0.11 193	0.06 117	0.04 22	0.07 200	0.06 191	0.06 196	0.12 459

Pruner-Stereo	0.11 191	0.07 145	0.12 189	0.17 222	0.09 244	0.06 10	0.12 68	0.17 174	0.17 211	0.13 225	0.19 278	0.13 223	0.09 173	0.11 113	0.11 193	0.06 117	0.04 22	0.07 200	0.06 191	0.06 196	0.08 349

TVStereo	0.11 191	0.07 145	0.13 235	0.17 222	0.09 244	0.10 133	0.14 157	0.23 300	0.19 252	0.12 198	0.17 244	0.12 198	0.11 230	0.11 113	0.11 193	0.06 117	0.04 22	0.07 200	0.06 191	0.06 196	0.12 459

DeepStereo_RVC	0.11 191	0.08 242	0.16 355	0.18 304	0.08 132	0.08 53	0.12 68	0.17 174	0.12 89	0.13 225	0.14 194	0.12 198	0.12 261	0.12 195	0.11 193	0.06 117	0.04 22	0.07 200	0.06 191	0.07 263	0.08 349

iGMRVC	0.11 191	0.09 318	0.16 355	0.19 361	0.08 132	0.06 10	0.12 68	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

RAFT-RH_RVC	0.11 191	0.06 61	0.14 270	0.16 148	0.09 244	0.12 213	0.12 68	0.17 174	0.12 89	0.13 225	0.41 501	0.11 181	0.10 205	0.13 240	0.12 242	0.05 28	0.04 22	0.08 284	0.05 112	0.04 16	0.06 204

RAFT-345	0.11 191	0.07 145	0.15 321	0.16 148	0.08 132	0.08 53	0.12 68	0.15 111	0.10 37	0.11 160	0.36 464	0.09 129	0.09 173	0.11 113	0.12 242	0.05 28	0.05 188	0.07 200	0.06 191	0.04 16	0.05 124

iRAFT	0.11 191	0.09 318	0.16 355	0.18 304	0.08 132	0.06 10	0.11 50	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

CRE-IMP	0.11 191	0.09 318	0.16 355	0.19 361	0.08 132	0.10 133	0.12 68	0.18 203	0.10 37	0.14 246	0.13 180	0.13 223	0.12 261	0.12 195	0.11 193	0.07 245	0.04 22	0.08 284	0.06 191	0.08 326	0.08 349

test-2	0.11 191	0.09 318	0.07 7	0.19 361	0.08 132	0.12 213	0.28 516	0.13 63	0.17 211	0.11 160	0.17 244	0.14 243	0.12 261	0.07 4	0.07 1	0.05 28	0.05 188	0.09 365	0.07 278	0.04 16	0.04 41

GMM-Stereo	0.11 191	0.07 145	0.10 113	0.18 304	0.09 244	0.08 53	0.15 225	0.23 300	0.16 192	0.11 160	0.15 211	0.13 223	0.11 230	0.11 113	0.11 193	0.05 28	0.04 22	0.08 284	0.07 278	0.06 196	0.09 393

RAFT-IKP	0.11 191	0.09 318	0.16 355	0.19 361	0.08 132	0.06 10	0.12 68	0.16 138	0.13 120	0.15 273	0.16 223	0.14 243	0.12 261	0.11 113	0.10 127	0.06 117	0.04 22	0.08 284	0.06 191	0.08 326	0.07 285

Prome-Stereo	0.11 191	0.06 61	0.10 113	0.18 304	0.08 132	0.12 213	0.15 225	0.22 280	0.13 120	0.12 198	0.17 244	0.13 223	0.08 147	0.12 195	0.10 127	0.05 28	0.04 22	0.07 200	0.06 191	0.06 196	0.09 393

rafts_anoy	0.11 191	0.06 61	0.10 113	0.17 222	0.08 132	0.10 133	0.14 157	0.17 174	0.14 147	0.13 225	0.13 180	0.12 198	0.10 205	0.11 113	0.12 242	0.07 245	0.04 22	0.09 365	0.11 460	0.07 263	0.06 204

raft+_RVC	0.11 191	0.07 145	0.09 74	0.16 148	0.07 75	0.10 133	0.11 50	0.24 322	0.20 275	0.12 198	0.15 211	0.12 198	0.08 147	0.12 195	0.13 283	0.07 245	0.04 22	0.07 200	0.06 191	0.05 103	0.05 124

RALAANet	0.11 191	0.08 242	0.10 113	0.17 222	0.09 244	0.14 284	0.10 30	0.20 235	0.15 164	0.14 246	0.13 180	0.16 286	0.09 173	0.12 195	0.11 193	0.06 117	0.05 188	0.07 200	0.06 191	0.05 103	0.04 41

DIP-Stereo	0.11 191	0.07 145	0.14 270	0.17 222	0.09 244	0.13 252	0.09 19	0.16 138	0.16 192	0.11 160	0.16 223	0.14 243	0.12 261	0.15 288	0.13 283	0.06 117	0.05 188	0.06 107	0.05 112	0.05 103	0.06 204
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
rvit_stereo_0083	0.12 257	0.08 242	0.17 383	0.16 148	0.09 244	0.11 178	0.15 225	0.14 80	0.26 365	0.11 160	0.14 194	0.13 223	0.10 205	0.12 195	0.12 242	0.10 406	0.08 411	0.09 365	0.07 278	0.07 263	0.05 124

rvit_stereo_ft	0.12 257	0.07 145	0.13 235	0.19 361	0.10 346	0.12 213	0.17 324	0.16 138	0.16 192	0.12 198	0.13 180	0.15 272	0.10 205	0.14 266	0.13 283	0.09 365	0.06 313	0.08 284	0.07 278	0.07 263	0.05 124

test_sample2	0.12 257	0.07 145	0.12 189	0.14 32	0.08 132	0.16 340	0.18 369	0.21 258	0.16 192	0.14 246	0.20 290	0.19 334	0.15 342	0.15 288	0.12 242	0.08 306	0.05 188	0.07 200	0.06 191	0.08 326	0.07 285

MyStereo8	0.12 257	0.07 145	0.15 321	0.15 73	0.09 244	0.18 380	0.14 157	0.19 224	0.22 304	0.12 198	0.18 269	0.11 181	0.10 205	0.16 322	0.18 397	0.07 245	0.05 188	0.07 200	0.05 112	0.08 326	0.09 393

CoDeX	0.12 257	0.07 145	0.12 189	0.17 222	0.08 132	0.12 213	0.15 225	0.23 300	0.27 374	0.13 225	0.17 244	0.16 286	0.11 230	0.14 266	0.11 193	0.07 245	0.05 188	0.07 200	0.06 191	0.06 196	0.05 124

11t1	0.12 257	0.06 61	0.13 235	0.14 32	0.08 132	0.17 361	0.15 225	0.18 203	0.15 164	0.15 273	0.15 211	0.16 286	0.16 368	0.15 288	0.13 283	0.08 306	0.05 188	0.06 107	0.05 112	0.08 326	0.07 285

ffm	0.12 257	0.09 318	0.14 270	0.16 148	0.08 132	0.17 361	0.17 324	0.15 111	0.19 252	0.15 273	0.25 371	0.19 334	0.13 299	0.10 66	0.07 1	0.06 117	0.04 22	0.09 365	0.08 343	0.06 196	0.06 204

RAFT_CTSACE	0.12 257	0.09 318	0.10 113	0.22 461	0.08 132	0.12 213	0.24 479	0.18 203	0.16 192	0.20 386	0.27 396	0.13 223	0.07 112	0.13 240	0.09 54	0.05 28	0.06 313	0.08 284	0.07 278	0.04 16	0.04 41

Sa-1000	0.12 257	0.08 242	0.08 32	0.18 304	0.08 132	0.14 284	0.22 456	0.22 280	0.18 237	0.15 273	0.20 290	0.17 306	0.11 230	0.10 66	0.10 127	0.06 117	0.05 188	0.09 365	0.09 389	0.05 103	0.05 124

SA	0.12 257	0.09 318	0.08 32	0.18 304	0.08 132	0.12 213	0.24 479	0.23 300	0.18 237	0.17 317	0.27 396	0.14 243	0.11 230	0.11 113	0.11 193	0.05 28	0.05 188	0.09 365	0.08 343	0.05 103	0.04 41

iRaft-Stereo_5w	0.12 257	0.09 318	0.12 189	0.19 361	0.08 132	0.09 84	0.12 68	0.21 258	0.21 290	0.19 363	0.14 194	0.11 181	0.09 173	0.20 415	0.16 364	0.05 28	0.05 188	0.07 200	0.06 191	0.05 103	0.06 204

CrosDoStereo	0.12 257	0.06 61	0.12 189	0.14 32	0.08 132	0.12 213	0.15 225	0.17 174	0.22 304	0.19 363	0.24 342	0.15 272	0.11 230	0.11 113	0.12 242	0.06 117	0.04 22	0.07 200	0.07 278	0.05 103	0.05 124

PSM-softLoss	0.12 257	0.07 145	0.15 321	0.17 222	0.09 244	0.08 53	0.13 109	0.24 322	0.17 211	0.14 246	0.19 278	0.13 223	0.11 230	0.11 113	0.11 193	0.07 245	0.05 188	0.08 284	0.07 278	0.06 196	0.12 459

KMStereo	0.12 257	0.07 145	0.15 321	0.17 222	0.09 244	0.08 53	0.13 109	0.24 322	0.17 211	0.14 246	0.19 278	0.13 223	0.11 230	0.11 113	0.11 193	0.07 245	0.05 188	0.08 284	0.07 278	0.06 196	0.12 459

FTStereo	0.12 257	0.06 61	0.14 270	0.18 304	0.09 244	0.07 30	0.15 225	0.21 258	0.18 237	0.12 198	0.24 342	0.12 198	0.12 261	0.13 240	0.13 283	0.05 28	0.05 188	0.07 200	0.06 191	0.06 196	0.10 420

DeepStereo_LL	0.12 257	0.06 61	0.12 189	0.14 32	0.08 132	0.12 213	0.15 225	0.17 174	0.22 304	0.19 363	0.24 342	0.15 272	0.11 230	0.11 113	0.12 242	0.06 117	0.04 22	0.07 200	0.07 278	0.05 103	0.05 124

DEmStereo	0.12 257	0.06 61	0.14 270	0.14 32	0.10 346	0.16 340	0.15 225	0.16 138	0.24 330	0.17 317	0.24 342	0.13 223	0.14 324	0.12 195	0.13 283	0.05 28	0.04 22	0.07 200	0.06 191	0.05 103	0.05 124

THIR-Stereo	0.12 257	0.07 145	0.11 154	0.15 73	0.08 132	0.14 284	0.16 290	0.17 174	0.25 351	0.16 301	0.24 342	0.14 243	0.12 261	0.12 195	0.14 320	0.06 117	0.04 22	0.07 200	0.07 278	0.05 103	0.05 124

DRaft	0.12 257	0.06 61	0.11 154	0.14 32	0.09 244	0.14 284	0.17 324	0.21 258	0.30 405	0.17 317	0.28 410	0.10 160	0.15 342	0.10 66	0.12 242	0.05 28	0.04 22	0.07 200	0.06 191	0.05 103	0.05 124

PFNet	0.12 257	0.06 61	0.17 383	0.17 222	0.08 132	0.09 84	0.15 225	0.26 356	0.20 275	0.16 301	0.16 223	0.14 243	0.11 230	0.12 195	0.11 193	0.06 117	0.04 22	0.07 200	0.06 191	0.05 103	0.05 124

IRAFT_RVC	0.12 257	0.08 242	0.16 355	0.19 361	0.08 132	0.07 30	0.15 225	0.24 322	0.23 314	0.14 246	0.14 194	0.15 272	0.12 261	0.12 195	0.10 127	0.06 117	0.04 22	0.09 365	0.06 191	0.06 196	0.06 204

sCroCo_RVC	0.12 257	0.09 318	0.23 452	0.24 491	0.11 395	0.19 403	0.14 157	0.17 174	0.14 147	0.10 131	0.13 180	0.12 198	0.07 112	0.14 266	0.11 193	0.08 306	0.08 411	0.08 284	0.08 343	0.05 103	0.07 285

ARAFT	0.12 257	0.08 242	0.17 383	0.19 361	0.09 244	0.14 284	0.18 369	0.20 235	0.12 89	0.12 198	0.13 180	0.14 243	0.11 230	0.15 288	0.12 242	0.06 117	0.05 188	0.10 413	0.09 389	0.05 103	0.04 41

BEATNet_4x	0.12 257	0.08 242	0.14 270	0.18 304	0.07 75	0.15 310	0.07 3	0.22 280	0.18 237	0.16 301	0.19 278	0.18 320	0.14 324	0.16 322	0.15 348	0.07 245	0.05 188	0.05 27	0.05 112	0.06 196	0.06 204

MLCV	0.12 257	0.07 145	0.16 355	0.18 304	0.06 14	0.15 310	0.17 324	0.19 224	0.21 290	0.18 347	0.25 371	0.17 306	0.13 299	0.14 266	0.13 283	0.05 28	0.04 22	0.05 27	0.04 38	0.05 103	0.04 41

G2L-ROB	0.13 282	0.06 61	0.13 235	0.13 14	0.08 132	0.14 284	0.16 290	0.25 338	0.18 237	0.19 363	0.18 269	0.20 346	0.14 324	0.17 354	0.16 364	0.08 306	0.05 188	0.06 107	0.05 112	0.08 326	0.09 393

xyz-stereo	0.13 282	0.07 145	0.20 429	0.15 73	0.05 1	0.20 418	0.15 225	0.17 174	0.31 412	0.15 273	0.29 422	0.26 420	0.16 368	0.13 240	0.12 242	0.05 28	0.05 188	0.06 107	0.05 112	0.04 16	0.04 41

DFGA-Net	0.13 282	0.11 402	0.18 406	0.17 222	0.10 346	0.12 213	0.13 109	0.22 280	0.25 351	0.16 301	0.16 223	0.13 223	0.12 261	0.16 322	0.14 320	0.07 245	0.05 188	0.08 284	0.07 278	0.05 103	0.05 124

FACV-RUCA	0.13 282	0.11 402	0.12 189	0.19 361	0.12 426	0.15 310	0.15 225	0.22 280	0.20 275	0.15 273	0.16 223	0.14 243	0.16 368	0.14 266	0.13 283	0.07 245	0.05 188	0.08 284	0.06 191	0.10 420	0.08 349

UGAM	0.13 282	0.10 376	0.09 74	0.22 461	0.08 132	0.12 213	0.20 429	0.17 174	0.23 314	0.21 400	0.16 223	0.13 223	0.13 299	0.19 390	0.12 242	0.07 245	0.05 188	0.13 478	0.11 460	0.07 263	0.05 124

test_sample1	0.13 282	0.07 145	0.14 270	0.13 14	0.08 132	0.19 403	0.16 290	0.20 235	0.15 164	0.14 246	0.22 321	0.18 320	0.16 368	0.17 354	0.14 320	0.07 245	0.06 313	0.06 107	0.06 191	0.08 326	0.07 285

qqq1	0.13 282	0.07 145	0.17 383	0.14 32	0.08 132	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.11 193	0.08 306	0.05 188	0.05 27	0.05 112	0.06 196	0.06 204

fff1	0.13 282	0.07 145	0.17 383	0.14 32	0.08 132	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.11 193	0.08 306	0.05 188	0.05 27	0.05 112	0.06 196	0.06 204

MyStereo05	0.13 282	0.07 145	0.10 113	0.17 222	0.09 244	0.13 252	0.18 369	0.27 377	0.35 447	0.17 317	0.14 194	0.15 272	0.11 230	0.15 288	0.13 283	0.06 117	0.05 188	0.07 200	0.07 278	0.06 196	0.06 204

MyStereo04	0.13 282	0.07 145	0.10 113	0.17 222	0.09 244	0.14 284	0.18 369	0.29 407	0.38 466	0.17 317	0.14 194	0.16 286	0.10 205	0.15 288	0.13 283	0.06 117	0.05 188	0.08 284	0.07 278	0.06 196	0.06 204

ff1	0.13 282	0.09 318	0.14 270	0.16 148	0.08 132	0.17 361	0.17 324	0.15 111	0.19 252	0.15 273	0.25 371	0.19 334	0.13 299	0.14 266	0.20 416	0.06 117	0.04 22	0.09 365	0.08 343	0.06 196	0.06 204

StereoVision	0.13 282	0.12 420	0.09 74	0.24 491	0.10 346	0.15 310	0.21 446	0.21 258	0.20 275	0.12 198	0.24 342	0.10 160	0.10 205	0.16 322	0.10 127	0.09 365	0.11 473	0.12 463	0.12 479	0.06 196	0.05 124

LL-Strereo	0.13 282	0.09 318	0.11 154	0.20 417	0.10 346	0.11 178	0.18 369	0.32 442	0.24 330	0.15 273	0.15 211	0.14 243	0.13 299	0.19 390	0.11 193	0.06 117	0.04 22	0.09 365	0.08 343	0.04 16	0.05 124

CASS	0.13 282	0.12 420	0.11 154	0.23 482	0.09 244	0.15 310	0.17 324	0.18 203	0.19 252	0.17 317	0.18 269	0.15 272	0.15 342	0.14 266	0.14 320	0.09 365	0.06 313	0.10 413	0.08 343	0.09 388	0.07 285
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 282	0.07 145	0.13 235	0.18 304	0.09 244	0.13 252	0.17 324	0.19 224	0.29 395	0.15 273	0.24 342	0.15 272	0.14 324	0.14 266	0.14 320	0.07 245	0.05 188	0.07 200	0.09 389	0.05 103	0.06 204

TestStereo1	0.13 282	0.08 242	0.08 32	0.19 361	0.08 132	0.18 380	0.29 525	0.23 300	0.16 192	0.17 317	0.20 290	0.16 286	0.10 205	0.12 195	0.13 283	0.06 117	0.06 313	0.08 284	0.06 191	0.05 103	0.05 124

qqq	0.13 282	0.09 318	0.15 321	0.16 148	0.08 132	0.13 252	0.15 225	0.23 300	0.16 192	0.15 273	0.19 278	0.16 286	0.16 368	0.15 288	0.16 364	0.07 245	0.06 313	0.08 284	0.08 343	0.07 263	0.07 285

x	0.13 282	0.07 145	0.14 270	0.14 32	0.08 132	0.18 380	0.14 157	0.22 280	0.20 275	0.15 273	0.19 278	0.19 334	0.17 391	0.18 375	0.18 397	0.07 245	0.05 188	0.06 107	0.06 191	0.07 263	0.07 285

raft_robust	0.13 282	0.10 376	0.07 7	0.18 304	0.08 132	0.13 252	0.24 479	0.28 396	0.33 426	0.20 386	0.19 278	0.14 243	0.10 205	0.11 113	0.12 242	0.05 28	0.05 188	0.07 200	0.07 278	0.05 103	0.04 41

RAFT+CT+SA	0.13 282	0.11 402	0.09 74	0.19 361	0.09 244	0.15 310	0.28 516	0.22 280	0.22 304	0.15 273	0.26 388	0.10 160	0.10 205	0.11 113	0.12 242	0.05 28	0.04 22	0.07 200	0.08 343	0.07 263	0.06 204

SA-5K	0.13 282	0.08 242	0.08 32	0.19 361	0.08 132	0.18 380	0.29 525	0.23 300	0.16 192	0.17 317	0.20 290	0.16 286	0.10 205	0.12 195	0.13 283	0.06 117	0.06 313	0.08 284	0.06 191	0.05 103	0.05 124

GwcNet-ADL	0.13 282	0.08 242	0.14 270	0.20 417	0.09 244	0.11 178	0.20 429	0.30 421	0.24 330	0.13 225	0.14 194	0.18 320	0.14 324	0.13 240	0.14 320	0.07 245	0.05 188	0.06 107	0.05 112	0.07 263	0.06 204

GANet-ADL	0.13 282	0.07 145	0.15 321	0.17 222	0.10 346	0.18 380	0.15 225	0.30 421	0.20 275	0.13 225	0.18 269	0.19 334	0.12 261	0.16 322	0.13 283	0.08 306	0.06 313	0.06 107	0.05 112	0.07 263	0.08 349

RAFT	0.13 282	0.09 318	0.11 154	0.18 304	0.08 132	0.15 310	0.24 479	0.20 235	0.19 252	0.21 400	0.21 311	0.17 306	0.12 261	0.16 322	0.09 54	0.06 117	0.07 385	0.10 413	0.09 389	0.05 103	0.05 124

TestStereo	0.13 282	0.14 461	0.11 154	0.23 482	0.08 132	0.15 310	0.21 446	0.20 235	0.23 314	0.14 246	0.24 342	0.16 286	0.12 261	0.16 322	0.14 320	0.05 28	0.06 313	0.08 284	0.06 191	0.09 388	0.05 124

sAnonymous2	0.13 282	0.12 420	0.24 456	0.20 417	0.12 426	0.17 361	0.13 109	0.26 356	0.21 290	0.11 160	0.11 153	0.13 223	0.08 147	0.10 66	0.10 127	0.09 365	0.05 188	0.08 284	0.06 191	0.15 504	0.10 420

CroCo_RVC	0.13 282	0.12 420	0.24 456	0.20 417	0.12 426	0.17 361	0.13 109	0.26 356	0.21 290	0.11 160	0.11 153	0.13 223	0.08 147	0.10 66	0.10 127	0.09 365	0.05 188	0.08 284	0.06 191	0.15 504	0.10 420

RAFT + AFF	0.13 282	0.07 145	0.20 429	0.20 417	0.10 346	0.14 284	0.24 479	0.26 356	0.20 275	0.11 160	0.10 123	0.12 198	0.10 205	0.15 288	0.12 242	0.07 245	0.06 313	0.09 365	0.08 343	0.06 196	0.08 349

GMStereo	0.13 282	0.14 461	0.14 270	0.18 304	0.09 244	0.15 310	0.16 290	0.20 235	0.24 330	0.16 301	0.17 244	0.10 160	0.10 205	0.16 322	0.13 283	0.07 245	0.06 313	0.06 107	0.06 191	0.07 263	0.06 204
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 282	0.07 145	0.14 270	0.17 222	0.09 244	0.15 310	0.16 290	0.28 396	0.27 374	0.14 246	0.17 244	0.12 198	0.13 299	0.14 266	0.11 193	0.08 306	0.05 188	0.07 200	0.07 278	0.07 263	0.06 204

FENet	0.13 282	0.08 242	0.12 189	0.16 148	0.08 132	0.14 284	0.15 225	0.22 280	0.23 314	0.17 317	0.23 330	0.16 286	0.12 261	0.14 266	0.15 348	0.08 306	0.05 188	0.08 284	0.08 343	0.07 263	0.07 285

cf-r	0.13 282	0.07 145	0.12 189	0.16 148	0.08 132	0.14 284	0.19 408	0.20 235	0.25 351	0.17 317	0.25 371	0.21 355	0.16 368	0.14 266	0.14 320	0.10 406	0.05 188	0.06 107	0.08 343	0.06 196	0.06 204

iResNet	0.13 282	0.10 376	0.18 406	0.19 361	0.08 132	0.13 252	0.18 369	0.20 235	0.26 365	0.15 273	0.23 330	0.15 272	0.13 299	0.14 266	0.14 320	0.06 117	0.04 22	0.06 107	0.05 112	0.06 196	0.05 124

DN-CSS_ROB	0.13 282	0.13 449	0.16 355	0.18 304	0.10 346	0.16 340	0.08 8	0.22 280	0.18 237	0.17 317	0.22 321	0.13 223	0.13 299	0.12 195	0.13 283	0.05 28	0.05 188	0.10 413	0.10 428	0.08 326	0.06 204

G2L-Stereo_test	0.14 316	0.07 145	0.11 154	0.13 14	0.08 132	0.12 213	0.16 290	0.30 421	0.28 388	0.20 386	0.23 330	0.20 346	0.16 368	0.17 354	0.18 397	0.07 245	0.05 188	0.05 27	0.05 112	0.07 263	0.06 204

coex_refinement	0.14 316	0.07 145	0.12 189	0.17 222	0.10 346	0.15 310	0.15 225	0.26 356	0.29 395	0.18 347	0.20 290	0.22 373	0.17 391	0.16 322	0.18 397	0.08 306	0.05 188	0.06 107	0.06 191	0.09 388	0.08 349

G2L-Stereo	0.14 316	0.07 145	0.13 235	0.17 222	0.09 244	0.13 252	0.12 68	0.27 377	0.22 304	0.16 301	0.27 396	0.21 355	0.13 299	0.17 354	0.18 397	0.09 365	0.08 411	0.08 284	0.07 278	0.07 263	0.07 285

rvit_0105_6	0.14 316	0.09 318	0.18 406	0.17 222	0.10 346	0.10 133	0.16 290	0.19 224	0.26 365	0.12 198	0.18 269	0.17 306	0.12 261	0.18 375	0.12 242	0.15 500	0.11 473	0.12 463	0.10 428	0.09 388	0.06 204

rvit_0105_5	0.14 316	0.09 318	0.13 235	0.17 222	0.09 244	0.14 284	0.23 467	0.24 322	0.27 374	0.14 246	0.15 211	0.18 320	0.12 261	0.17 354	0.14 320	0.14 496	0.11 473	0.10 413	0.10 428	0.08 326	0.06 204

rvit_0105_4	0.14 316	0.09 318	0.17 383	0.17 222	0.10 346	0.12 213	0.19 408	0.23 300	0.27 374	0.14 246	0.20 290	0.17 306	0.13 299	0.17 354	0.13 283	0.15 500	0.11 473	0.11 444	0.10 428	0.09 388	0.06 204

DCVSM-stereo	0.14 316	0.09 318	0.16 355	0.16 148	0.10 346	0.15 310	0.09 19	0.19 224	0.23 314	0.20 386	0.23 330	0.26 420	0.15 342	0.18 375	0.14 320	0.09 365	0.07 385	0.09 365	0.08 343	0.10 420	0.12 459

test_sample6	0.14 316	0.08 242	0.13 235	0.16 148	0.08 132	0.17 361	0.19 408	0.25 338	0.17 211	0.17 317	0.27 396	0.19 334	0.14 324	0.15 288	0.13 283	0.08 306	0.05 188	0.08 284	0.07 278	0.08 326	0.08 349

test_sample5	0.14 316	0.08 242	0.14 270	0.16 148	0.08 132	0.18 380	0.18 369	0.25 338	0.17 211	0.17 317	0.27 396	0.18 320	0.14 324	0.16 322	0.13 283	0.08 306	0.05 188	0.08 284	0.07 278	0.08 326	0.08 349

test_sample4	0.14 316	0.08 242	0.14 270	0.15 73	0.08 132	0.19 403	0.18 369	0.26 356	0.17 211	0.16 301	0.25 371	0.18 320	0.14 324	0.16 322	0.13 283	0.08 306	0.06 313	0.08 284	0.06 191	0.08 326	0.08 349

test_sample3	0.14 316	0.08 242	0.15 321	0.14 32	0.09 244	0.19 403	0.17 324	0.26 356	0.18 237	0.16 301	0.22 321	0.19 334	0.15 342	0.17 354	0.13 283	0.08 306	0.06 313	0.07 200	0.06 191	0.09 388	0.08 349

DispNO	0.14 316	0.08 242	0.17 383	0.19 361	0.12 426	0.11 178	0.21 446	0.23 300	0.29 395	0.17 317	0.23 330	0.18 320	0.17 391	0.15 288	0.15 348	0.07 245	0.05 188	0.08 284	0.08 343	0.07 263	0.06 204

SMFormer	0.14 316	0.07 145	0.17 383	0.14 32	0.08 132	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.17 379	0.08 306	0.05 188	0.07 200	0.06 191	0.07 263	0.06 204

tta	0.14 316	0.07 145	0.17 383	0.14 32	0.08 132	0.16 340	0.17 324	0.26 356	0.27 374	0.19 363	0.20 290	0.18 320	0.15 342	0.15 288	0.17 379	0.08 306	0.05 188	0.07 200	0.06 191	0.06 196	0.06 204

mmm	0.14 316	0.08 242	0.17 383	0.17 222	0.09 244	0.17 361	0.18 369	0.21 258	0.15 164	0.15 273	0.23 330	0.21 355	0.16 368	0.16 322	0.17 379	0.08 306	0.05 188	0.08 284	0.07 278	0.07 263	0.07 285

DualNet	0.14 316	0.08 242	0.14 270	0.16 148	0.08 132	0.18 380	0.18 369	0.25 338	0.17 211	0.17 317	0.27 396	0.18 320	0.14 324	0.16 322	0.13 283	0.08 306	0.05 188	0.08 284	0.07 278	0.08 326	0.08 349

mmx	0.14 316	0.09 318	0.14 270	0.16 148	0.08 132	0.17 361	0.17 324	0.27 377	0.25 351	0.15 273	0.25 371	0.19 334	0.13 299	0.14 266	0.20 416	0.08 306	0.06 313	0.09 365	0.08 343	0.08 326	0.08 349

ttt	0.14 316	0.08 242	0.14 270	0.15 73	0.08 132	0.15 310	0.18 369	0.27 377	0.29 395	0.16 301	0.24 342	0.17 306	0.13 299	0.13 240	0.14 320	0.11 435	0.08 411	0.09 365	0.08 343	0.09 388	0.08 349

xxx	0.14 316	0.09 318	0.14 270	0.16 148	0.08 132	0.17 361	0.17 324	0.27 377	0.25 351	0.15 273	0.25 371	0.19 334	0.13 299	0.14 266	0.20 416	0.08 306	0.06 313	0.09 365	0.08 343	0.08 326	0.08 349

PCWNet_CMD	0.14 316	0.08 242	0.15 321	0.17 222	0.09 244	0.14 284	0.14 157	0.29 407	0.36 452	0.14 246	0.20 290	0.21 355	0.12 261	0.17 354	0.13 283	0.07 245	0.05 188	0.07 200	0.07 278	0.07 263	0.07 285

CBFPSM	0.14 316	0.06 61	0.26 464	0.17 222	0.09 244	0.13 252	0.15 225	0.22 280	0.23 314	0.20 386	0.27 396	0.24 397	0.16 368	0.16 322	0.18 397	0.06 117	0.06 313	0.06 107	0.07 278	0.07 263	0.07 285

gwcnet-sp	0.14 316	0.07 145	0.12 189	0.18 304	0.09 244	0.16 340	0.17 324	0.24 322	0.24 330	0.18 347	0.24 342	0.15 272	0.16 368	0.15 288	0.15 348	0.08 306	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

scenet	0.14 316	0.07 145	0.12 189	0.18 304	0.09 244	0.16 340	0.17 324	0.24 322	0.24 330	0.18 347	0.24 342	0.15 272	0.16 368	0.15 288	0.15 348	0.08 306	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

ssnet	0.14 316	0.07 145	0.12 189	0.18 304	0.09 244	0.16 340	0.17 324	0.24 322	0.24 330	0.18 347	0.24 342	0.15 272	0.16 368	0.15 288	0.15 348	0.08 306	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

BUS	0.14 316	0.09 318	0.14 270	0.22 461	0.10 346	0.19 403	0.14 157	0.34 470	0.19 252	0.17 317	0.22 321	0.16 286	0.13 299	0.15 288	0.13 283	0.08 306	0.06 313	0.10 413	0.09 389	0.07 263	0.07 285

IER	0.14 316	0.07 145	0.13 235	0.17 222	0.09 244	0.14 284	0.16 290	0.25 338	0.26 365	0.18 347	0.25 371	0.17 306	0.20 433	0.16 322	0.14 320	0.08 306	0.05 188	0.07 200	0.06 191	0.08 326	0.07 285

test_5	0.14 316	0.12 420	0.08 32	0.20 417	0.10 346	0.14 284	0.29 525	0.21 258	0.24 330	0.18 347	0.28 410	0.11 181	0.15 342	0.12 195	0.13 283	0.06 117	0.05 188	0.07 200	0.08 343	0.08 326	0.07 285

psmg	0.14 316	0.09 318	0.14 270	0.17 222	0.10 346	0.15 310	0.17 324	0.29 407	0.19 252	0.17 317	0.21 311	0.25 411	0.16 368	0.15 288	0.14 320	0.08 306	0.06 313	0.08 284	0.08 343	0.07 263	0.06 204

UDGNet	0.14 316	0.13 449	0.16 355	0.17 222	0.10 346	0.12 213	0.16 290	0.21 258	0.27 374	0.20 386	0.20 290	0.16 286	0.13 299	0.16 322	0.13 283	0.10 406	0.06 313	0.09 365	0.07 278	0.06 196	0.07 285

CFNet_pseudo	0.14 316	0.08 242	0.15 321	0.16 148	0.09 244	0.13 252	0.14 157	0.27 377	0.34 438	0.14 246	0.21 311	0.22 373	0.13 299	0.18 375	0.14 320	0.07 245	0.05 188	0.08 284	0.06 191	0.07 263	0.07 285

GES	0.14 316	0.08 242	0.16 355	0.15 73	0.10 346	0.13 252	0.13 109	0.28 396	0.25 351	0.16 301	0.23 330	0.18 320	0.13 299	0.16 322	0.13 283	0.08 306	0.07 385	0.07 200	0.06 191	0.08 326	0.09 393

GANet-RSSM	0.14 316	0.07 145	0.13 235	0.13 14	0.08 132	0.14 284	0.17 324	0.22 280	0.21 290	0.17 317	0.24 342	0.23 391	0.15 342	0.16 322	0.15 348	0.10 406	0.06 313	0.07 200	0.08 343	0.08 326	0.07 285

PSMNet-RSSM	0.14 316	0.07 145	0.13 235	0.15 73	0.08 132	0.13 252	0.16 290	0.24 322	0.24 330	0.16 301	0.28 410	0.22 373	0.14 324	0.15 288	0.13 283	0.11 435	0.06 313	0.09 365	0.12 479	0.08 326	0.07 285

GwcNet-RSSM	0.14 316	0.07 145	0.12 189	0.15 73	0.08 132	0.15 310	0.20 429	0.21 258	0.27 374	0.18 347	0.27 396	0.22 373	0.16 368	0.14 266	0.15 348	0.10 406	0.05 188	0.07 200	0.09 389	0.07 263	0.07 285

CFNet-ft	0.14 316	0.07 145	0.15 321	0.12 4	0.09 244	0.16 340	0.18 369	0.22 280	0.24 330	0.17 317	0.26 388	0.24 397	0.14 324	0.16 322	0.14 320	0.11 435	0.06 313	0.08 284	0.09 389	0.09 388	0.08 349

DMCA	0.14 316	0.09 318	0.16 355	0.19 361	0.09 244	0.15 310	0.17 324	0.23 300	0.27 374	0.14 246	0.19 278	0.17 306	0.18 405	0.15 288	0.17 379	0.10 406	0.06 313	0.08 284	0.06 191	0.09 388	0.10 420

RASNet	0.14 316	0.07 145	0.14 270	0.16 148	0.08 132	0.18 380	0.14 157	0.29 407	0.20 275	0.17 317	0.25 371	0.21 355	0.18 405	0.20 415	0.19 410	0.07 245	0.06 313	0.06 107	0.08 343	0.06 196	0.06 204

MSMDNet	0.14 316	0.08 242	0.15 321	0.17 222	0.09 244	0.14 284	0.14 157	0.29 407	0.36 452	0.14 246	0.21 311	0.21 355	0.12 261	0.17 354	0.14 320	0.07 245	0.05 188	0.07 200	0.07 278	0.07 263	0.07 285

HSM-Net_RVC	0.14 316	0.08 242	0.11 154	0.15 73	0.08 132	0.15 310	0.15 225	0.27 377	0.29 395	0.19 363	0.21 311	0.29 446	0.14 324	0.17 354	0.13 283	0.06 117	0.06 313	0.06 107	0.06 191	0.07 263	0.06 204
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 316	0.07 145	0.15 321	0.12 4	0.09 244	0.16 340	0.18 369	0.22 280	0.24 330	0.17 317	0.26 388	0.24 397	0.14 324	0.16 322	0.14 320	0.11 435	0.06 313	0.08 284	0.09 389	0.09 388	0.08 349

ccs_rob	0.14 316	0.08 242	0.15 321	0.16 148	0.09 244	0.12 213	0.14 157	0.27 377	0.34 438	0.14 246	0.21 311	0.22 373	0.13 299	0.18 375	0.14 320	0.07 245	0.05 188	0.08 284	0.07 278	0.07 263	0.07 285

UCFNet_RVC	0.14 316	0.08 242	0.13 235	0.11 1	0.10 346	0.20 418	0.10 30	0.24 322	0.22 304	0.17 317	0.20 290	0.23 391	0.15 342	0.17 354	0.15 348	0.12 460	0.07 385	0.10 413	0.13 489	0.11 443	0.10 420

iResNetv2_ROB	0.14 316	0.08 242	0.15 321	0.16 148	0.08 132	0.16 340	0.12 68	0.25 338	0.35 447	0.21 400	0.29 422	0.24 397	0.13 299	0.14 266	0.14 320	0.06 117	0.05 188	0.06 107	0.04 38	0.09 388	0.08 349

iResNet_ROB	0.14 316	0.07 145	0.13 235	0.14 32	0.07 75	0.18 380	0.14 157	0.26 356	0.31 412	0.22 416	0.25 371	0.23 391	0.15 342	0.15 288	0.13 283	0.07 245	0.05 188	0.05 27	0.04 38	0.08 326	0.08 349

DDVS	0.15 360	0.10 376	0.21 437	0.16 148	0.12 426	0.15 310	0.14 157	0.25 338	0.19 252	0.18 347	0.29 422	0.27 428	0.12 261	0.19 390	0.15 348	0.09 365	0.06 313	0.09 365	0.07 278	0.11 443	0.11 446

rvit_0105_3	0.15 360	0.09 318	0.14 270	0.19 361	0.12 426	0.15 310	0.25 495	0.25 338	0.29 395	0.15 273	0.17 244	0.20 346	0.13 299	0.17 354	0.14 320	0.13 483	0.11 473	0.12 463	0.14 492	0.07 263	0.06 204

ACV-stereo	0.15 360	0.10 376	0.28 476	0.18 304	0.12 426	0.14 284	0.12 68	0.23 300	0.21 290	0.19 363	0.23 330	0.22 373	0.15 342	0.23 456	0.17 379	0.07 245	0.06 313	0.07 200	0.07 278	0.07 263	0.07 285

ITSA-stereo	0.15 360	0.10 376	0.14 270	0.19 361	0.08 132	0.12 213	0.14 157	0.30 421	0.49 510	0.17 317	0.19 278	0.22 373	0.15 342	0.17 354	0.16 364	0.10 406	0.06 313	0.08 284	0.08 343	0.08 326	0.08 349

test_sample7	0.15 360	0.10 376	0.16 355	0.14 32	0.11 395	0.16 340	0.16 290	0.27 377	0.23 314	0.20 386	0.20 290	0.24 397	0.19 421	0.16 322	0.16 364	0.12 460	0.06 313	0.10 413	0.09 389	0.10 420	0.10 420

1111x	0.15 360	0.08 242	0.12 189	0.18 304	0.07 75	0.18 380	0.25 495	0.31 431	0.24 330	0.17 317	0.24 342	0.26 420	0.15 342	0.13 240	0.23 457	0.07 245	0.07 385	0.08 284	0.09 389	0.07 263	0.06 204

CFNet_ucs	0.15 360	0.08 242	0.16 355	0.16 148	0.11 395	0.14 284	0.14 157	0.30 421	0.34 438	0.16 301	0.24 342	0.23 391	0.14 324	0.18 375	0.15 348	0.09 365	0.06 313	0.08 284	0.07 278	0.09 388	0.09 393

BSDual-CNN	0.15 360	0.09 318	0.14 270	0.22 461	0.10 346	0.14 284	0.15 225	0.34 470	0.19 252	0.17 317	0.22 321	0.25 411	0.16 368	0.15 288	0.14 320	0.08 306	0.06 313	0.10 413	0.09 389	0.07 263	0.07 285

hknet	0.15 360	0.11 402	0.13 235	0.22 461	0.11 395	0.14 284	0.15 225	0.34 470	0.25 351	0.17 317	0.22 321	0.22 373	0.18 405	0.17 354	0.12 242	0.07 245	0.06 313	0.10 413	0.09 389	0.07 263	0.07 285

dd	0.15 360	0.16 479	0.16 355	0.19 361	0.09 244	0.15 310	0.18 369	0.21 258	0.25 351	0.23 428	0.20 290	0.21 355	0.09 173	0.21 432	0.16 364	0.10 406	0.06 313	0.08 284	0.06 191	0.08 326	0.06 204

DAS	0.15 360	0.08 242	0.18 406	0.19 361	0.10 346	0.19 403	0.17 324	0.27 377	0.29 395	0.18 347	0.25 371	0.21 355	0.15 342	0.16 322	0.12 242	0.08 306	0.06 313	0.06 107	0.06 191	0.07 263	0.07 285

SepStereo	0.15 360	0.08 242	0.18 406	0.19 361	0.10 346	0.19 403	0.17 324	0.27 377	0.29 395	0.18 347	0.25 371	0.21 355	0.15 342	0.25 470	0.12 242	0.08 306	0.06 313	0.06 107	0.06 191	0.07 263	0.07 285

PSMNet-ADL	0.15 360	0.12 420	0.13 235	0.22 461	0.09 244	0.13 252	0.20 429	0.26 356	0.23 314	0.18 347	0.20 290	0.24 397	0.16 368	0.18 375	0.17 379	0.08 306	0.08 411	0.08 284	0.11 460	0.08 326	0.07 285

LMCR-Stereo	0.15 360	0.08 242	0.13 235	0.21 446	0.09 244	0.17 361	0.20 429	0.27 377	0.19 252	0.24 437	0.24 342	0.23 391	0.17 391	0.20 415	0.17 379	0.07 245	0.06 313	0.08 284	0.06 191	0.10 420	0.08 349

ICVP	0.15 360	0.09 318	0.12 189	0.22 461	0.09 244	0.17 361	0.21 446	0.25 338	0.23 314	0.18 347	0.30 428	0.26 420	0.18 405	0.17 354	0.14 320	0.09 365	0.07 385	0.08 284	0.07 278	0.07 263	0.07 285
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 360	0.07 145	0.14 270	0.14 32	0.08 132	0.23 456	0.18 369	0.31 431	0.19 252	0.14 246	0.28 410	0.22 373	0.14 324	0.15 288	0.26 491	0.09 365	0.05 188	0.07 200	0.07 278	0.08 326	0.07 285

test_xeample	0.15 360	0.06 61	0.13 235	0.14 32	0.08 132	0.21 435	0.20 429	0.28 396	0.20 275	0.16 301	0.29 422	0.19 334	0.16 368	0.15 288	0.26 491	0.09 365	0.05 188	0.07 200	0.07 278	0.07 263	0.07 285

ACVNet	0.15 360	0.09 318	0.15 321	0.13 14	0.12 426	0.14 284	0.20 429	0.22 280	0.33 426	0.17 317	0.26 388	0.21 355	0.16 368	0.17 354	0.21 436	0.07 245	0.06 313	0.06 107	0.06 191	0.08 326	0.06 204

acv_ft	0.15 360	0.09 318	0.15 321	0.19 361	0.10 346	0.16 340	0.17 324	0.25 338	0.33 426	0.19 363	0.26 388	0.21 355	0.17 391	0.17 354	0.18 397	0.07 245	0.06 313	0.06 107	0.06 191	0.08 326	0.06 204

CFNet	0.15 360	0.10 376	0.17 383	0.17 222	0.08 132	0.18 380	0.09 19	0.28 396	0.25 351	0.19 363	0.24 342	0.24 397	0.17 391	0.17 354	0.14 320	0.08 306	0.06 313	0.09 365	0.10 428	0.07 263	0.06 204

AdaStereo	0.15 360	0.11 402	0.15 321	0.18 304	0.09 244	0.20 418	0.11 50	0.32 442	0.28 388	0.20 386	0.23 330	0.20 346	0.13 299	0.19 390	0.14 320	0.12 460	0.05 188	0.10 413	0.07 278	0.09 388	0.07 285
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	0.15 360	0.08 242	0.14 270	0.16 148	0.09 244	0.16 340	0.14 157	0.28 396	0.25 351	0.19 363	0.23 330	0.37 498	0.16 368	0.20 415	0.15 348	0.07 245	0.05 188	0.07 200	0.06 191	0.07 263	0.06 204

pmcnn	0.15 360	0.07 145	0.19 417	0.15 73	0.07 75	0.20 418	0.15 225	0.24 322	0.26 365	0.21 400	0.34 456	0.28 438	0.18 405	0.18 375	0.17 379	0.07 245	0.05 188	0.05 27	0.04 38	0.07 263	0.06 204

DualNet (step1)	0.16 383	0.12 420	0.20 429	0.12 4	0.14 469	0.17 361	0.13 109	0.27 377	0.23 314	0.20 386	0.20 290	0.24 397	0.19 421	0.16 322	0.16 364	0.15 500	0.06 313	0.14 490	0.14 492	0.14 489	0.12 459

GMStereo_Zeroshot	0.16 383	0.13 449	0.24 456	0.20 417	0.10 346	0.17 361	0.13 109	0.29 407	0.25 351	0.23 428	0.32 440	0.25 411	0.11 230	0.19 390	0.14 320	0.09 365	0.06 313	0.11 444	0.06 191	0.12 458	0.08 349

iinet-f	0.16 383	0.06 61	0.45 520	0.14 32	0.10 346	0.21 435	0.14 157	0.27 377	0.23 314	0.21 400	0.24 342	0.21 355	0.15 342	0.18 375	0.21 436	0.09 365	0.07 385	0.07 200	0.06 191	0.09 388	0.10 420

CRFU-Net	0.16 383	0.08 242	0.14 270	0.17 222	0.09 244	0.19 403	0.14 157	0.26 356	0.20 275	0.28 476	0.27 396	0.29 446	0.17 391	0.19 390	0.17 379	0.09 365	0.09 440	0.07 200	0.07 278	0.08 326	0.08 349

NINENet	0.16 383	0.10 376	0.15 321	0.17 222	0.11 395	0.19 403	0.14 157	0.40 515	0.36 452	0.18 347	0.21 311	0.16 286	0.13 299	0.15 288	0.13 283	0.08 306	0.08 411	0.10 413	0.07 278	0.10 420	0.09 393

CSP-Net	0.16 383	0.09 318	0.14 270	0.16 148	0.09 244	0.19 403	0.17 324	0.25 338	0.32 419	0.25 450	0.30 428	0.24 397	0.15 342	0.21 432	0.18 397	0.09 365	0.06 313	0.07 200	0.07 278	0.08 326	0.07 285

AASNet	0.16 383	0.08 242	0.12 189	0.19 361	0.09 244	0.18 380	0.15 225	0.37 499	0.37 459	0.19 363	0.23 330	0.20 346	0.16 368	0.17 354	0.20 416	0.10 406	0.08 411	0.08 284	0.07 278	0.09 388	0.09 393

AACVNet	0.16 383	0.08 242	0.14 270	0.15 73	0.10 346	0.18 380	0.15 225	0.23 300	0.24 330	0.27 461	0.27 396	0.28 438	0.17 391	0.19 390	0.16 364	0.09 365	0.07 385	0.09 365	0.07 278	0.10 420	0.09 393

ADLNet2	0.16 383	0.09 318	0.13 235	0.16 148	0.09 244	0.20 418	0.16 290	0.31 431	0.39 469	0.16 301	0.20 290	0.20 346	0.18 405	0.21 432	0.22 445	0.08 306	0.06 313	0.07 200	0.07 278	0.09 388	0.07 285

Anonymous3	0.16 383	0.13 449	0.33 495	0.26 507	0.14 469	0.27 491	0.17 324	0.28 396	0.28 388	0.15 273	0.17 244	0.14 243	0.10 205	0.15 288	0.12 242	0.08 306	0.08 411	0.08 284	0.08 343	0.08 326	0.11 446

ADLNet	0.16 383	0.08 242	0.15 321	0.16 148	0.10 346	0.16 340	0.17 324	0.32 442	0.27 374	0.22 416	0.27 396	0.24 397	0.16 368	0.18 375	0.21 436	0.10 406	0.06 313	0.10 413	0.10 428	0.08 326	0.09 393

HCRNet	0.16 383	0.24 522	0.12 189	0.35 539	0.11 395	0.15 310	0.17 324	0.26 356	0.22 304	0.19 363	0.24 342	0.21 355	0.14 324	0.15 288	0.13 283	0.11 435	0.07 385	0.11 444	0.10 428	0.09 388	0.07 285

222	0.16 383	0.07 145	0.14 270	0.14 32	0.08 132	0.24 461	0.18 369	0.30 421	0.20 275	0.17 317	0.28 410	0.17 306	0.16 368	0.15 288	0.40 541	0.10 406	0.05 188	0.07 200	0.06 191	0.07 263	0.08 349

UPFNet	0.16 383	0.08 242	0.12 189	0.20 417	0.12 426	0.20 418	0.23 467	0.28 396	0.26 365	0.17 317	0.24 342	0.22 373	0.19 421	0.19 390	0.21 436	0.09 365	0.07 385	0.08 284	0.09 389	0.08 326	0.06 204

ac_64	0.16 383	0.08 242	0.15 321	0.18 304	0.10 346	0.22 443	0.18 369	0.24 322	0.21 290	0.18 347	0.24 342	0.29 446	0.18 405	0.19 390	0.22 445	0.09 365	0.07 385	0.08 284	0.09 389	0.07 263	0.06 204

DSFCA	0.16 383	0.09 318	0.14 270	0.16 148	0.10 346	0.20 418	0.19 408	0.28 396	0.31 412	0.23 428	0.24 342	0.22 373	0.15 342	0.19 390	0.20 416	0.10 406	0.07 385	0.09 365	0.09 389	0.08 326	0.08 349

FADNet-RVC-Resample	0.16 383	0.11 402	0.31 489	0.22 461	0.11 395	0.19 403	0.14 157	0.25 338	0.24 330	0.24 437	0.27 396	0.20 346	0.15 342	0.16 322	0.15 348	0.07 245	0.08 411	0.12 463	0.10 428	0.09 388	0.10 420

FADNet_RVC	0.16 383	0.14 461	0.40 513	0.20 417	0.11 395	0.13 252	0.13 109	0.26 356	0.22 304	0.21 400	0.23 330	0.20 346	0.17 391	0.14 266	0.16 364	0.08 306	0.08 411	0.12 463	0.09 389	0.11 443	0.10 420

AANet_RVC	0.16 383	0.10 376	0.10 113	0.18 304	0.09 244	0.18 380	0.19 408	0.26 356	0.31 412	0.22 416	0.35 461	0.21 355	0.21 437	0.22 445	0.16 364	0.06 117	0.05 188	0.06 107	0.06 191	0.07 263	0.06 204

DeepPruner_ROB	0.16 383	0.11 402	0.15 321	0.17 222	0.10 346	0.17 361	0.15 225	0.32 442	0.21 290	0.19 363	0.21 311	0.22 373	0.18 405	0.20 415	0.15 348	0.13 483	0.09 440	0.09 365	0.09 389	0.11 443	0.10 420

z-ln-s-r	0.17 403	0.10 376	0.40 513	0.19 361	0.08 132	0.17 361	0.18 369	0.22 280	0.33 426	0.18 347	0.40 490	0.22 373	0.17 391	0.20 415	0.23 457	0.07 245	0.05 188	0.07 200	0.07 278	0.07 263	0.05 124

rvit_stereo_0075_2	0.17 403	0.12 420	0.25 461	0.23 482	0.16 497	0.13 252	0.10 30	0.30 421	0.27 374	0.20 386	0.28 410	0.22 373	0.15 342	0.18 375	0.13 283	0.16 516	0.10 460	0.17 511	0.10 428	0.10 420	0.09 393

ToySt	0.17 403	0.11 402	0.18 406	0.17 222	0.11 395	0.16 340	0.25 495	0.24 322	0.33 426	0.19 363	0.24 342	0.26 420	0.24 460	0.19 390	0.20 416	0.07 245	0.08 411	0.09 365	0.10 428	0.09 388	0.08 349

ssnet_v2	0.17 403	0.10 376	0.17 383	0.17 222	0.11 395	0.21 435	0.21 446	0.33 461	0.25 351	0.22 416	0.22 321	0.27 428	0.18 405	0.22 445	0.20 416	0.11 435	0.09 440	0.09 365	0.09 389	0.08 326	0.08 349

dad	0.17 403	0.20 508	0.20 429	0.16 148	0.11 395	0.20 418	0.18 369	0.21 258	0.28 388	0.30 488	0.24 342	0.29 446	0.13 299	0.19 390	0.16 364	0.18 523	0.09 440	0.11 444	0.09 389	0.11 443	0.07 285

GEStereo_RVC	0.17 403	0.12 420	0.15 321	0.22 461	0.11 395	0.19 403	0.17 324	0.32 442	0.48 504	0.20 386	0.25 371	0.17 306	0.13 299	0.21 432	0.16 364	0.10 406	0.06 313	0.08 284	0.07 278	0.09 388	0.08 349

MMNet	0.17 403	0.09 318	0.16 355	0.20 417	0.11 395	0.27 491	0.20 429	0.25 338	0.41 478	0.22 416	0.30 428	0.21 355	0.20 433	0.17 354	0.20 416	0.06 117	0.06 313	0.07 200	0.07 278	0.08 326	0.07 285

delet	0.17 403	0.08 242	0.17 383	0.19 361	0.11 395	0.20 418	0.21 446	0.30 421	0.37 459	0.17 317	0.26 388	0.19 334	0.19 421	0.19 390	0.21 436	0.08 306	0.08 411	0.09 365	0.11 460	0.06 196	0.06 204

UNet	0.17 403	0.09 318	0.18 406	0.19 361	0.12 426	0.27 491	0.19 408	0.33 461	0.29 395	0.21 400	0.24 342	0.23 391	0.19 421	0.19 390	0.18 397	0.07 245	0.06 313	0.08 284	0.07 278	0.08 326	0.06 204

HGLStereo	0.17 403	0.08 242	0.19 417	0.17 222	0.12 426	0.18 380	0.18 369	0.31 431	0.32 419	0.21 400	0.32 440	0.25 411	0.18 405	0.19 390	0.20 416	0.09 365	0.09 440	0.07 200	0.07 278	0.09 388	0.10 420

DMCA-RVC	0.17 403	0.10 376	0.15 321	0.24 491	0.11 395	0.18 380	0.18 369	0.25 338	0.24 330	0.21 400	0.26 388	0.25 411	0.27 483	0.18 375	0.20 416	0.12 460	0.08 411	0.13 478	0.10 428	0.10 420	0.08 349

TDLM	0.17 403	0.12 420	0.13 235	0.24 491	0.10 346	0.18 380	0.18 369	0.36 493	0.30 405	0.21 400	0.28 410	0.28 438	0.18 405	0.23 456	0.18 397	0.11 435	0.07 385	0.10 413	0.10 428	0.08 326	0.08 349

NLCA_NET_v2_RVC	0.17 403	0.10 376	0.22 443	0.20 417	0.10 346	0.15 310	0.18 369	0.31 431	0.25 351	0.21 400	0.30 428	0.25 411	0.17 391	0.21 432	0.20 416	0.09 365	0.06 313	0.08 284	0.08 343	0.07 263	0.08 349
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	0.17 403	0.12 420	0.15 321	0.20 417	0.09 244	0.18 380	0.18 369	0.26 356	0.23 314	0.26 455	0.40 490	0.22 373	0.17 391	0.21 432	0.20 416	0.08 306	0.05 188	0.09 365	0.10 428	0.07 263	0.07 285
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 417	0.08 242	0.19 417	0.19 361	0.13 449	0.15 310	0.12 68	0.30 421	0.32 419	0.21 400	0.25 371	0.27 428	0.17 391	0.17 354	0.20 416	0.20 530	0.08 411	0.14 490	0.14 492	0.14 489	0.17 522

test_sample9	0.18 417	0.12 420	0.20 429	0.12 4	0.14 469	0.17 361	0.13 109	0.27 377	0.23 314	0.20 386	0.20 290	0.24 397	0.19 421	0.19 390	0.17 379	0.15 500	0.30 549	0.14 490	0.14 492	0.14 489	0.12 459

fast-acv-ft	0.18 417	0.11 402	0.19 417	0.19 361	0.12 426	0.24 461	0.21 446	0.25 338	0.34 438	0.22 416	0.34 456	0.27 428	0.20 433	0.21 432	0.23 457	0.09 365	0.09 440	0.08 284	0.10 428	0.08 326	0.07 285

HBP-ISP	0.18 417	0.13 449	0.16 355	0.15 73	0.11 395	0.08 53	0.13 109	0.28 396	0.29 395	0.22 416	0.33 452	0.21 355	0.25 469	0.23 456	0.17 379	0.14 496	0.16 518	0.21 525	0.17 519	0.10 420	0.08 349

Wz-Net-LNSev-Ref	0.18 417	0.09 318	0.29 484	0.15 73	0.10 346	0.22 443	0.20 429	0.26 356	0.39 469	0.25 450	0.42 507	0.24 397	0.15 342	0.20 415	0.19 410	0.07 245	0.05 188	0.06 107	0.05 112	0.10 420	0.09 393

SACVNet	0.18 417	0.12 420	0.14 270	0.17 222	0.13 449	0.22 443	0.18 369	0.31 431	0.30 405	0.23 428	0.31 436	0.30 455	0.22 446	0.22 445	0.17 379	0.11 435	0.08 411	0.10 413	0.10 428	0.12 458	0.14 496

psm_up	0.18 417	0.10 376	0.18 406	0.20 417	0.11 395	0.17 361	0.19 408	0.37 499	0.34 438	0.21 400	0.28 410	0.29 446	0.24 460	0.20 415	0.22 445	0.09 365	0.10 460	0.11 444	0.11 460	0.08 326	0.08 349

hitnet-ft	0.18 417	0.09 318	0.17 383	0.14 32	0.09 244	0.26 481	0.20 429	0.25 338	0.26 365	0.24 437	0.32 440	0.31 468	0.22 446	0.24 465	0.21 436	0.12 460	0.07 385	0.10 413	0.08 343	0.12 458	0.11 446

STTStereo	0.18 417	0.12 420	0.27 471	0.20 417	0.11 395	0.16 340	0.21 446	0.29 407	0.23 314	0.21 400	0.30 428	0.29 446	0.18 405	0.20 415	0.19 410	0.12 460	0.11 473	0.11 444	0.14 492	0.09 388	0.08 349

CVANet_RVC	0.18 417	0.10 376	0.14 270	0.21 446	0.10 346	0.18 380	0.17 324	0.34 470	0.33 426	0.22 416	0.31 436	0.28 438	0.18 405	0.23 456	0.17 379	0.12 460	0.08 411	0.12 463	0.11 460	0.09 388	0.07 285

StereoDRNet	0.18 417	0.11 402	0.17 383	0.22 461	0.11 395	0.21 435	0.22 456	0.37 499	0.33 426	0.24 437	0.28 410	0.30 455	0.19 421	0.20 415	0.20 416	0.09 365	0.08 411	0.11 444	0.09 389	0.09 388	0.07 285

DLCB_ROB	0.18 417	0.10 376	0.15 321	0.23 482	0.11 395	0.24 461	0.18 369	0.29 407	0.28 388	0.27 461	0.28 410	0.28 438	0.24 460	0.19 390	0.20 416	0.08 306	0.08 411	0.09 365	0.09 389	0.07 263	0.07 285

TCMNet	0.19 429	0.12 420	0.19 417	0.20 417	0.18 518	0.20 418	0.24 479	0.27 377	0.36 452	0.23 428	0.26 388	0.25 411	0.19 421	0.19 390	0.23 457	0.13 483	0.11 473	0.11 444	0.12 479	0.13 476	0.12 459

rvit_105_1	0.19 429	0.11 402	0.25 461	0.21 446	0.16 497	0.21 435	0.27 510	0.31 431	0.41 478	0.19 363	0.20 290	0.22 373	0.17 391	0.19 390	0.17 379	0.12 460	0.12 487	0.13 478	0.15 508	0.08 326	0.07 285

test_sample8	0.19 429	0.12 420	0.20 429	0.12 4	0.14 469	0.17 361	0.13 109	0.31 431	0.21 290	0.27 461	0.22 321	0.36 493	0.25 469	0.19 390	0.17 379	0.15 500	0.30 549	0.14 490	0.14 492	0.14 489	0.12 459

SDNR	0.19 429	0.08 242	0.19 417	0.16 148	0.12 426	0.77 563	0.14 157	0.25 338	0.32 419	0.19 363	0.24 342	0.19 334	0.13 299	0.19 390	0.15 348	0.16 516	0.18 525	0.14 490	0.11 460	0.08 326	0.11 446

pcwnet_v2	0.19 429	0.10 376	0.26 464	0.17 222	0.14 469	0.18 380	0.15 225	0.37 499	0.46 502	0.19 363	0.24 342	0.21 355	0.19 421	0.20 415	0.19 410	0.13 483	0.10 460	0.10 413	0.10 428	0.11 443	0.13 479

ADCRef	0.19 429	0.12 420	0.41 516	0.20 417	0.12 426	0.22 443	0.18 369	0.32 442	0.36 452	0.26 455	0.32 440	0.17 306	0.23 454	0.24 465	0.24 470	0.07 245	0.06 313	0.09 365	0.09 389	0.08 326	0.08 349

NVstereo2D	0.19 429	0.10 376	0.15 321	0.17 222	0.15 487	0.28 498	0.23 467	0.44 532	0.42 485	0.15 273	0.27 396	0.25 411	0.19 421	0.22 445	0.17 379	0.09 365	0.06 313	0.10 413	0.08 343	0.15 504	0.09 393

DRN-Test	0.19 429	0.11 402	0.20 429	0.22 461	0.10 346	0.22 443	0.22 456	0.39 511	0.37 459	0.24 437	0.32 440	0.26 420	0.21 437	0.22 445	0.24 470	0.11 435	0.07 385	0.11 444	0.10 428	0.09 388	0.07 285

DISCO	0.19 429	0.09 318	0.22 443	0.17 222	0.10 346	0.25 472	0.18 369	0.27 377	0.44 495	0.22 416	0.31 436	0.33 481	0.26 475	0.28 486	0.28 506	0.08 306	0.06 313	0.07 200	0.07 278	0.09 388	0.09 393

CBMV_ROB	0.19 429	0.13 449	0.17 383	0.16 148	0.11 395	0.15 310	0.13 109	0.26 356	0.28 388	0.27 461	0.30 428	0.27 428	0.24 460	0.23 456	0.16 364	0.15 500	0.17 523	0.22 529	0.20 525	0.10 420	0.11 446

NOSS_ROB	0.19 429	0.12 420	0.18 406	0.16 148	0.12 426	0.15 310	0.12 68	0.30 421	0.32 419	0.20 386	0.22 321	0.27 428	0.23 454	0.21 432	0.16 364	0.16 516	0.18 525	0.23 530	0.21 527	0.12 458	0.13 479

CBMV	0.19 429	0.14 461	0.17 383	0.18 304	0.10 346	0.20 418	0.11 50	0.29 407	0.30 405	0.29 484	0.30 428	0.30 455	0.23 454	0.27 475	0.19 410	0.13 483	0.15 515	0.17 511	0.16 512	0.10 420	0.10 420
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
w-ln-seven-2	0.20 441	0.14 461	0.37 508	0.22 461	0.12 426	0.20 418	0.21 446	0.28 396	0.37 459	0.25 450	0.37 470	0.27 428	0.22 446	0.21 432	0.23 457	0.08 306	0.08 411	0.09 365	0.09 389	0.10 420	0.09 393

YMNet	0.20 441	0.12 420	0.19 417	0.20 417	0.14 469	0.26 481	0.23 467	0.32 442	0.34 438	0.27 461	0.34 456	0.30 455	0.18 405	0.18 375	0.22 445	0.10 406	0.13 500	0.10 413	0.10 428	0.08 326	0.09 393

YMNet_1	0.20 441	0.12 420	0.19 417	0.20 417	0.14 469	0.26 481	0.23 467	0.32 442	0.34 438	0.27 461	0.34 456	0.30 455	0.18 405	0.18 375	0.22 445	0.10 406	0.13 500	0.10 413	0.10 428	0.08 326	0.09 393

GwcNet	0.20 441	0.13 449	0.19 417	0.18 304	0.12 426	0.24 461	0.19 408	0.35 486	0.43 490	0.20 386	0.32 440	0.33 481	0.20 433	0.22 445	0.24 470	0.11 435	0.09 440	0.09 365	0.09 389	0.09 388	0.10 420

FAT-Stereo	0.20 441	0.12 420	0.22 443	0.21 446	0.12 426	0.17 361	0.18 369	0.34 470	0.39 469	0.27 461	0.37 470	0.34 487	0.32 513	0.21 432	0.20 416	0.09 365	0.11 473	0.10 413	0.09 389	0.11 443	0.14 496

FADNet-RVC	0.20 441	0.20 508	0.38 509	0.21 446	0.16 497	0.20 418	0.15 225	0.26 356	0.26 365	0.26 455	0.32 440	0.26 420	0.21 437	0.22 445	0.19 410	0.12 460	0.13 500	0.12 463	0.14 492	0.13 476	0.18 525

S-Stereo	0.20 441	0.12 420	0.25 461	0.21 446	0.13 449	0.20 418	0.18 369	0.32 442	0.43 490	0.23 428	0.36 464	0.28 438	0.30 504	0.19 390	0.22 445	0.09 365	0.12 487	0.10 413	0.10 428	0.13 476	0.13 479

SuperB	0.20 441	0.10 376	0.56 536	0.16 148	0.09 244	0.18 380	0.18 369	0.24 322	0.50 513	0.26 455	0.39 484	0.17 306	0.21 437	0.22 445	0.21 436	0.08 306	0.06 313	0.06 107	0.06 191	0.12 458	0.10 420

ADCP+	0.20 441	0.10 376	0.33 495	0.20 417	0.12 426	0.22 443	0.26 503	0.31 431	0.34 438	0.26 455	0.37 470	0.22 373	0.22 446	0.27 475	0.27 499	0.09 365	0.06 313	0.08 284	0.08 343	0.09 388	0.10 420

PS-NSSS	0.20 441	0.21 514	0.23 452	0.20 417	0.10 346	0.19 403	0.17 324	0.36 493	0.25 351	0.27 461	0.33 452	0.27 428	0.24 460	0.20 415	0.20 416	0.15 500	0.12 487	0.17 511	0.14 492	0.10 420	0.08 349

PWCDC_ROB	0.20 441	0.13 449	0.22 443	0.24 491	0.11 395	0.19 403	0.15 225	0.33 461	0.54 522	0.29 484	0.50 522	0.21 355	0.15 342	0.27 475	0.20 416	0.11 435	0.09 440	0.10 413	0.08 343	0.11 443	0.09 393

SGM-Forest	0.20 441	0.14 461	0.18 406	0.19 361	0.13 449	0.20 418	0.22 456	0.33 461	0.30 405	0.24 437	0.29 422	0.28 438	0.19 421	0.23 456	0.17 379	0.15 500	0.16 518	0.15 502	0.14 492	0.12 458	0.12 459
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 453	0.17 490	0.19 417	0.23 482	0.15 487	0.30 505	0.20 429	0.33 461	0.35 447	0.23 428	0.28 410	0.31 468	0.27 483	0.20 415	0.22 445	0.15 500	0.12 487	0.13 478	0.09 389	0.14 489	0.14 496

FINET	0.21 453	0.18 501	0.26 464	0.18 304	0.16 497	0.23 456	0.23 467	0.32 442	0.48 504	0.25 450	0.32 440	0.22 373	0.22 446	0.22 445	0.17 379	0.18 523	0.16 518	0.11 444	0.10 428	0.15 504	0.13 479

Syn2CoEx	0.21 453	0.16 479	0.27 471	0.29 529	0.14 469	0.26 481	0.20 429	0.33 461	0.31 412	0.28 476	0.36 464	0.27 428	0.25 469	0.19 390	0.24 470	0.16 516	0.12 487	0.14 490	0.11 460	0.09 388	0.08 349

FADNet	0.21 453	0.22 518	0.36 504	0.18 304	0.17 512	0.24 461	0.13 109	0.31 431	0.31 412	0.23 428	0.25 371	0.27 428	0.21 437	0.19 390	0.15 348	0.13 483	0.15 515	0.12 463	0.15 508	0.16 511	0.18 525

RP	0.21 453	0.13 449	0.21 437	0.23 482	0.11 395	0.21 435	0.20 429	0.25 338	0.44 495	0.21 400	0.38 476	0.36 493	0.24 460	0.27 475	0.25 479	0.11 435	0.12 487	0.13 478	0.12 479	0.12 458	0.14 496

DANet	0.21 453	0.15 471	0.28 476	0.25 502	0.13 449	0.22 443	0.19 408	0.27 377	0.27 374	0.28 476	0.32 440	0.35 491	0.31 508	0.31 497	0.23 457	0.11 435	0.09 440	0.11 444	0.10 428	0.13 476	0.11 446
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 453	0.12 420	0.21 437	0.24 491	0.13 449	0.22 443	0.22 456	0.41 521	0.26 365	0.31 494	0.42 507	0.37 498	0.28 492	0.23 456	0.22 445	0.10 406	0.12 487	0.10 413	0.09 389	0.10 420	0.08 349

PWC_ROB	0.21 453	0.16 479	0.26 464	0.18 304	0.11 395	0.22 443	0.13 109	0.32 442	0.49 510	0.30 488	0.40 490	0.32 478	0.24 460	0.31 497	0.22 445	0.10 406	0.07 385	0.11 444	0.08 343	0.11 443	0.10 420

PSMNet_ROB	0.21 453	0.11 402	0.15 321	0.27 519	0.15 487	0.24 461	0.35 542	0.43 530	0.37 459	0.27 461	0.32 440	0.32 478	0.22 446	0.21 432	0.26 491	0.12 460	0.08 411	0.13 478	0.11 460	0.09 388	0.09 393

MSAF-DinoV2	0.22 462	0.11 402	0.23 452	0.17 222	0.10 346	0.27 491	0.16 290	0.37 499	0.55 523	0.21 400	0.27 396	0.47 532	0.27 483	0.35 516	0.39 538	0.09 365	0.06 313	0.07 200	0.09 389	0.12 458	0.10 420

GASNet	0.22 462	0.23 519	0.33 495	0.26 507	0.17 512	0.26 481	0.16 290	0.44 532	0.42 485	0.27 461	0.24 342	0.30 455	0.15 342	0.27 475	0.18 397	0.12 460	0.08 411	0.12 463	0.11 460	0.16 511	0.07 285

Anonymous_2	0.22 462	0.17 490	0.28 476	0.15 73	0.16 497	0.32 508	0.22 456	0.22 280	0.17 211	0.23 428	0.24 342	0.26 420	0.27 483	0.27 475	0.23 457	0.22 538	0.25 545	0.17 511	0.17 519	0.17 518	0.17 522

Wz-Net-LNSev	0.22 462	0.16 479	0.38 509	0.21 446	0.13 449	0.25 472	0.23 467	0.32 442	0.43 490	0.30 488	0.41 501	0.31 468	0.18 405	0.22 445	0.25 479	0.10 406	0.09 440	0.08 284	0.08 343	0.12 458	0.11 446

Wz-Net-MNSev	0.22 462	0.13 449	0.31 489	0.20 417	0.14 469	0.36 526	0.24 479	0.33 461	0.44 495	0.28 476	0.40 490	0.38 502	0.19 421	0.24 465	0.25 479	0.09 365	0.07 385	0.09 365	0.09 389	0.12 458	0.10 420

DDUNet	0.22 462	0.17 490	0.21 437	0.22 461	0.15 487	0.25 472	0.24 479	0.29 407	0.30 405	0.31 494	0.36 464	0.33 481	0.25 469	0.24 465	0.20 416	0.18 523	0.13 500	0.17 511	0.11 460	0.16 511	0.16 514

APVNet	0.22 462	0.12 420	0.19 417	0.18 304	0.14 469	0.32 508	0.31 538	0.39 511	0.32 419	0.27 461	0.40 490	0.30 455	0.29 500	0.26 472	0.25 479	0.11 435	0.12 487	0.11 444	0.14 492	0.12 458	0.12 459

aanetorigin	0.22 462	0.17 490	0.56 536	0.17 222	0.10 346	0.15 310	0.19 408	0.20 235	0.33 426	0.49 538	0.48 517	0.29 446	0.27 483	0.20 415	0.23 457	0.08 306	0.07 385	0.08 284	0.07 278	0.10 420	0.09 393

MaskLacGwcNet_RVC	0.22 462	0.21 514	0.24 456	0.26 507	0.11 395	0.23 456	0.14 157	0.39 511	0.24 330	0.32 500	0.36 464	0.30 455	0.21 437	0.19 390	0.21 436	0.17 521	0.14 509	0.21 525	0.16 512	0.12 458	0.12 459

AF-Net	0.22 462	0.17 490	0.17 383	0.26 507	0.13 449	0.25 472	0.24 479	0.32 442	0.50 513	0.25 450	0.33 452	0.38 502	0.26 475	0.28 486	0.25 479	0.11 435	0.10 460	0.16 508	0.11 460	0.11 443	0.10 420

stereogan	0.22 462	0.11 402	0.21 437	0.20 417	0.12 426	0.31 507	0.19 408	0.35 486	0.44 495	0.22 416	0.39 484	0.35 491	0.27 483	0.33 507	0.22 445	0.10 406	0.12 487	0.10 413	0.10 428	0.14 489	0.13 479

edge stereo	0.22 462	0.13 449	0.20 429	0.21 446	0.13 449	0.23 456	0.16 290	0.32 442	0.42 485	0.32 500	0.40 490	0.38 502	0.35 520	0.25 470	0.24 470	0.13 483	0.11 473	0.14 490	0.11 460	0.12 458	0.13 479

RYNet	0.22 462	0.12 420	0.22 443	0.19 361	0.17 512	0.46 534	0.26 503	0.38 507	0.48 504	0.24 437	0.28 410	0.34 487	0.23 454	0.20 415	0.30 514	0.10 406	0.06 313	0.09 365	0.09 389	0.13 476	0.15 503

NaN_ROB	0.22 462	0.19 504	0.24 456	0.25 502	0.13 449	0.29 502	0.26 503	0.33 461	0.41 478	0.31 494	0.31 436	0.32 478	0.23 454	0.30 496	0.21 436	0.11 435	0.17 523	0.10 413	0.10 428	0.08 326	0.09 393

MDST_ROB	0.22 462	0.10 376	0.17 383	0.18 304	0.11 395	0.37 527	0.19 408	0.43 530	0.41 478	0.39 518	0.39 484	0.29 446	0.21 437	0.26 472	0.18 397	0.11 435	0.10 460	0.14 490	0.11 460	0.10 420	0.08 349

XPNet_ROB	0.22 462	0.11 402	0.19 417	0.22 461	0.13 449	0.22 443	0.19 408	0.34 470	0.40 475	0.30 488	0.39 484	0.39 510	0.26 475	0.26 472	0.28 506	0.15 500	0.10 460	0.10 413	0.10 428	0.13 476	0.12 459

SQANet	0.23 478	0.23 519	0.30 487	0.30 531	0.19 521	0.27 491	0.13 109	0.29 407	0.33 426	0.24 437	0.37 470	0.31 468	0.22 446	0.27 475	0.23 457	0.15 500	0.10 460	0.21 525	0.16 512	0.21 527	0.15 503

Nwc_Net	0.23 478	0.16 479	0.21 437	0.25 502	0.14 469	0.24 461	0.26 503	0.37 499	0.38 466	0.22 416	0.41 501	0.30 455	0.28 492	0.28 486	0.25 479	0.11 435	0.10 460	0.17 511	0.20 525	0.10 420	0.10 420

RTSC	0.23 478	0.12 420	0.28 476	0.21 446	0.13 449	0.28 498	0.16 290	0.35 486	0.66 545	0.27 461	0.33 452	0.30 455	0.21 437	0.31 497	0.29 509	0.10 406	0.08 411	0.09 365	0.10 428	0.13 476	0.13 479

PA-Net	0.23 478	0.18 501	0.33 495	0.28 522	0.22 529	0.21 435	0.38 547	0.29 407	0.39 469	0.22 416	0.32 440	0.25 411	0.26 475	0.20 415	0.25 479	0.09 365	0.23 543	0.15 502	0.22 530	0.09 388	0.13 479
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 478	0.15 471	0.17 383	0.34 537	0.18 518	0.24 461	0.23 467	0.34 470	0.28 388	0.31 494	0.38 476	0.38 502	0.28 492	0.23 456	0.24 470	0.15 500	0.12 487	0.18 520	0.21 527	0.13 476	0.13 479

ETE_ROB	0.23 478	0.17 490	0.22 443	0.25 502	0.13 449	0.26 481	0.29 525	0.31 431	0.36 452	0.28 476	0.36 464	0.45 525	0.26 475	0.27 475	0.26 491	0.11 435	0.08 411	0.12 463	0.09 389	0.14 489	0.13 479

SGM_RVC	0.23 478	0.12 420	0.15 321	0.15 73	0.09 244	0.33 514	0.18 369	0.34 470	0.31 412	0.44 533	0.37 470	0.53 540	0.35 520	0.35 516	0.24 470	0.13 483	0.13 500	0.13 478	0.13 489	0.10 420	0.11 446
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
z-mn7	0.24 485	0.14 461	0.45 520	0.19 361	0.13 449	0.28 498	0.25 495	0.34 470	0.62 538	0.27 461	0.56 533	0.29 446	0.24 460	0.32 504	0.25 479	0.08 306	0.08 411	0.08 284	0.08 343	0.10 420	0.10 420

w-ln-seven	0.24 485	0.14 461	0.55 533	0.19 361	0.14 469	0.26 481	0.22 456	0.35 486	0.60 535	0.29 484	0.39 484	0.30 455	0.22 446	0.21 432	0.26 491	0.09 365	0.09 440	0.11 444	0.10 428	0.11 443	0.10 420

DGSMNet	0.24 485	0.19 504	0.33 495	0.21 446	0.24 533	0.24 461	0.20 429	0.35 486	0.41 478	0.24 437	0.32 440	0.38 502	0.21 437	0.29 493	0.23 457	0.12 460	0.11 473	0.14 490	0.16 512	0.23 531	0.23 537

G-Net	0.24 485	0.16 479	0.36 504	0.22 461	0.16 497	0.51 540	0.23 467	0.29 407	0.34 438	0.36 510	0.38 476	0.31 468	0.29 500	0.27 475	0.26 491	0.11 435	0.09 440	0.12 463	0.09 389	0.16 511	0.13 479

NCC-stereo	0.24 485	0.15 471	0.31 489	0.26 507	0.16 497	0.20 418	0.30 532	0.40 515	0.40 475	0.24 437	0.38 476	0.33 481	0.28 492	0.36 522	0.27 499	0.12 460	0.11 473	0.15 502	0.22 530	0.13 476	0.13 479

Abc-Net	0.24 485	0.15 471	0.31 489	0.26 507	0.16 497	0.20 418	0.30 532	0.40 515	0.40 475	0.24 437	0.38 476	0.33 481	0.28 492	0.36 522	0.27 499	0.12 460	0.11 473	0.15 502	0.22 530	0.13 476	0.13 479
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 485	0.11 402	0.47 525	0.22 461	0.12 426	0.34 517	0.29 525	0.29 407	0.56 526	0.24 437	0.46 514	0.30 455	0.30 504	0.29 493	0.29 509	0.08 306	0.07 385	0.09 365	0.09 389	0.10 420	0.10 420

DeepPrunerF	0.24 485	0.17 490	0.42 518	0.26 507	0.16 497	0.22 443	0.28 516	0.37 499	0.50 513	0.26 455	0.29 422	0.24 397	0.28 492	0.21 432	0.22 445	0.15 500	0.11 473	0.20 524	0.18 523	0.12 458	0.13 479

FBW_ROB	0.24 485	0.17 490	0.22 443	0.26 507	0.14 469	0.25 472	0.22 456	0.41 521	0.41 478	0.41 525	0.41 501	0.42 517	0.27 483	0.31 497	0.23 457	0.09 365	0.14 509	0.14 490	0.12 479	0.11 443	0.09 393

SANet	0.24 485	0.14 461	0.28 476	0.21 446	0.11 395	0.27 491	0.24 479	0.38 507	0.64 542	0.36 510	0.40 490	0.43 521	0.26 475	0.27 475	0.24 470	0.12 460	0.09 440	0.10 413	0.09 389	0.13 476	0.11 446

WCMA_ROB	0.24 485	0.11 402	0.22 443	0.17 222	0.14 469	0.32 508	0.15 225	0.32 442	0.32 419	0.38 516	0.53 524	0.40 514	0.34 518	0.34 510	0.25 479	0.11 435	0.12 487	0.12 463	0.10 428	0.14 489	0.14 496

zh-sn7	0.25 496	0.17 490	0.50 527	0.24 491	0.13 449	0.25 472	0.24 479	0.34 470	0.48 504	0.28 476	0.54 526	0.28 438	0.31 508	0.36 522	0.32 522	0.10 406	0.10 460	0.11 444	0.10 428	0.12 458	0.12 459

zh-mn7	0.25 496	0.14 461	0.56 536	0.19 361	0.14 469	0.24 461	0.22 456	0.34 470	0.62 538	0.35 507	0.65 541	0.31 468	0.25 469	0.31 497	0.25 479	0.09 365	0.08 411	0.09 365	0.09 389	0.09 388	0.11 446

Wz-Net-SNSev	0.25 496	0.17 490	0.44 519	0.25 502	0.14 469	0.26 481	0.23 467	0.38 507	0.56 526	0.30 488	0.55 528	0.39 510	0.26 475	0.23 456	0.30 514	0.10 406	0.09 440	0.09 365	0.10 428	0.11 443	0.11 446

psmorigin	0.25 496	0.15 471	0.34 503	0.17 222	0.13 449	0.23 456	0.14 157	0.34 470	0.33 426	0.41 525	0.55 528	0.41 516	0.37 524	0.34 510	0.27 499	0.11 435	0.15 515	0.11 444	0.11 460	0.12 458	0.16 514

RGC	0.25 496	0.20 508	0.29 484	0.28 522	0.16 497	0.22 443	0.23 467	0.32 442	0.44 495	0.27 461	0.40 490	0.38 502	0.27 483	0.36 522	0.22 445	0.11 435	0.13 500	0.17 511	0.17 519	0.14 489	0.16 514

ADCMid	0.25 496	0.15 471	0.40 513	0.20 417	0.14 469	0.25 472	0.26 503	0.34 470	0.38 466	0.36 510	0.44 512	0.34 487	0.40 530	0.35 516	0.33 526	0.10 406	0.09 440	0.11 444	0.11 460	0.13 476	0.12 459

ADCPNet	0.25 496	0.16 479	0.61 541	0.21 446	0.15 487	0.35 525	0.25 495	0.32 442	0.35 447	0.30 488	0.40 490	0.36 493	0.28 492	0.28 486	0.32 522	0.12 460	0.10 460	0.11 444	0.12 479	0.14 489	0.13 479

STTRV1_RVC	0.25 496	0.26 528	0.39 511	0.19 361	0.26 540	0.30 505	0.24 479	0.34 470	0.35 447	0.36 510	0.34 456	0.31 468	0.31 508	0.28 486	0.25 479	0.17 521	0.10 460	0.16 508	0.14 492	0.17 518	0.12 459

LALA_ROB	0.25 496	0.16 479	0.22 443	0.26 507	0.17 512	0.27 491	0.27 510	0.42 526	0.37 459	0.33 504	0.38 476	0.51 536	0.26 475	0.28 486	0.27 499	0.16 516	0.09 440	0.12 463	0.11 460	0.13 476	0.12 459

SHD	0.26 505	0.15 471	0.30 487	0.24 491	0.18 518	0.22 443	0.15 225	0.38 507	0.71 549	0.32 500	0.41 501	0.36 493	0.28 492	0.32 504	0.29 509	0.12 460	0.11 473	0.14 490	0.13 489	0.16 511	0.20 531

AnyNet_C32	0.26 505	0.16 479	0.36 504	0.20 417	0.16 497	0.25 472	0.30 532	0.32 442	0.44 495	0.31 494	0.49 518	0.30 455	0.33 514	0.40 537	0.33 526	0.12 460	0.12 487	0.12 463	0.14 492	0.14 489	0.15 503

PSMNet-RUCA	0.27 507	0.33 541	0.41 516	0.36 541	0.32 548	0.18 380	0.19 408	0.42 526	0.30 405	0.33 504	0.41 501	0.39 510	0.25 469	0.31 497	0.20 416	0.18 523	0.10 460	0.25 532	0.15 508	0.21 527	0.16 514

PDISCO_ROB	0.27 507	0.16 479	0.26 464	0.28 522	0.20 524	0.32 508	0.26 503	0.44 532	0.57 528	0.28 476	0.40 490	0.45 525	0.29 500	0.33 507	0.34 528	0.12 460	0.09 440	0.17 511	0.16 512	0.17 518	0.13 479

DispFullNet	0.27 507	0.21 514	0.65 544	0.28 522	0.16 497	0.26 481	0.17 324	0.33 461	0.58 531	0.27 461	0.38 476	0.43 521	0.23 454	0.38 529	0.23 457	0.12 460	0.06 313	0.19 522	0.11 460	0.21 527	0.15 503

MeshStereo	0.27 507	0.13 449	0.18 406	0.15 73	0.11 395	0.32 508	0.24 479	0.40 515	0.36 452	0.52 540	0.57 536	0.67 551	0.40 530	0.35 516	0.26 491	0.14 496	0.13 500	0.13 478	0.11 460	0.11 443	0.10 420
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
WZ-Net	0.28 511	0.17 490	0.78 558	0.22 461	0.16 497	0.34 517	0.29 525	0.39 511	0.57 528	0.24 437	0.55 528	0.37 498	0.24 460	0.33 507	0.35 529	0.09 365	0.08 411	0.09 365	0.10 428	0.14 489	0.16 514

XQC	0.28 511	0.23 519	0.51 528	0.28 522	0.19 521	0.34 517	0.27 510	0.36 493	0.57 528	0.31 494	0.30 428	0.37 498	0.30 504	0.38 529	0.38 536	0.13 483	0.09 440	0.15 502	0.12 479	0.17 518	0.18 525

CC-Net-ROB	0.28 511	0.31 539	0.36 504	0.29 529	0.15 487	0.25 472	0.19 408	0.45 535	0.33 426	0.39 518	0.37 470	0.39 510	0.31 508	0.27 475	0.26 491	0.24 544	0.19 528	0.30 545	0.23 534	0.18 522	0.15 503

DPSNet	0.28 511	0.16 479	0.31 489	0.18 304	0.13 449	0.54 542	0.42 551	0.51 544	0.67 546	0.29 484	0.38 476	0.38 502	0.29 500	0.31 497	0.23 457	0.11 435	0.10 460	0.11 444	0.08 343	0.20 526	0.16 514

MultiAttention	0.29 515	0.08 242	0.14 270	0.19 361	0.12 426	1.45 578	1.33 579	0.36 493	0.37 459	0.19 363	0.21 311	0.24 397	0.11 230	0.38 529	0.18 397	0.06 117	0.05 188	0.08 284	0.08 343	0.10 420	0.09 393

Wz-Net-TNSev	0.29 515	0.20 508	0.65 544	0.19 361	0.15 487	0.38 530	0.27 510	0.35 486	0.55 523	0.34 506	0.42 507	0.45 525	0.38 525	0.32 504	0.30 514	0.12 460	0.13 500	0.10 413	0.12 479	0.15 504	0.14 496

ccnet	0.29 515	0.28 534	0.23 452	0.20 417	0.28 542	0.41 533	0.21 446	0.45 535	0.33 426	0.36 510	0.46 514	0.36 493	0.30 504	0.39 533	0.42 545	0.23 542	0.14 509	0.21 525	0.17 519	0.23 531	0.18 525

EDNetEfficient	0.29 515	0.24 522	1.13 567	0.18 304	0.10 346	0.19 403	0.20 429	0.20 235	0.60 535	0.74 557	0.56 533	0.31 468	0.39 527	0.22 445	0.30 514	0.09 365	0.07 385	0.08 284	0.07 278	0.11 443	0.09 393

ADCS	0.29 515	0.18 501	0.45 520	0.21 446	0.17 512	0.28 498	0.23 467	0.41 521	0.63 541	0.40 521	0.49 518	0.40 514	0.36 522	0.39 533	0.40 541	0.13 483	0.12 487	0.13 478	0.14 492	0.16 511	0.16 514

CSAN	0.29 515	0.24 522	0.27 471	0.34 537	0.19 521	0.33 514	0.42 551	0.37 499	0.50 513	0.38 516	0.40 490	0.44 523	0.33 514	0.28 486	0.30 514	0.20 530	0.16 518	0.19 522	0.19 524	0.14 489	0.15 503

MFN_U_SF_DS_RVC	0.30 521	0.24 522	0.29 484	0.36 541	0.16 497	0.34 517	0.30 532	0.32 442	0.42 485	0.40 521	0.46 514	0.38 502	0.31 508	0.34 510	0.28 506	0.19 528	0.20 531	0.26 533	0.29 543	0.18 522	0.19 530

GANetREF_RVC	0.31 522	0.34 543	0.27 471	0.35 539	0.16 497	0.32 508	0.41 548	0.48 539	0.51 520	0.35 507	0.35 461	0.34 487	0.33 514	0.39 533	0.32 522	0.27 546	0.20 531	0.29 543	0.15 508	0.18 522	0.17 522
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	0.31 522	0.26 528	0.26 464	0.24 491	0.21 527	0.34 517	0.25 495	0.34 470	0.39 469	0.40 521	0.69 545	0.45 525	0.40 530	0.34 510	0.27 499	0.20 530	0.19 528	0.26 533	0.25 536	0.23 531	0.22 535

MFN_U_SF_RVC	0.32 524	0.21 514	0.55 533	0.30 531	0.15 487	0.34 517	0.17 324	0.52 545	0.46 502	0.46 537	0.55 528	0.59 543	0.39 527	0.35 516	0.37 534	0.15 500	0.14 509	0.18 520	0.21 527	0.16 511	0.15 503

PASM	0.32 524	0.24 522	0.48 526	0.28 522	0.27 541	0.29 502	0.30 532	0.34 470	0.49 510	0.35 507	0.39 484	0.46 529	0.34 518	0.34 510	0.35 529	0.23 542	0.25 545	0.26 533	0.28 542	0.23 531	0.21 533

SGM-ForestM	0.32 524	0.12 420	0.16 355	0.16 148	0.11 395	0.39 531	0.19 408	0.41 521	0.50 513	0.52 540	0.54 526	1.32 570	0.42 538	0.40 537	0.27 499	0.14 496	0.16 518	0.16 508	0.16 512	0.12 458	0.12 459

FC-DCNN v2	0.33 527	0.27 530	0.28 476	0.26 507	0.23 531	0.37 527	0.28 516	0.40 515	0.43 490	0.45 534	0.56 533	0.51 536	0.40 530	0.37 527	0.29 509	0.21 534	0.20 531	0.27 536	0.26 537	0.25 539	0.24 538

FCDSN-DC	0.33 527	0.28 534	0.28 476	0.30 531	0.24 533	0.39 531	0.28 516	0.42 526	0.42 485	0.43 531	0.53 524	0.51 536	0.41 535	0.36 522	0.30 514	0.21 534	0.20 531	0.27 536	0.26 537	0.25 539	0.24 538
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 527	0.27 530	0.28 476	0.26 507	0.23 531	0.37 527	0.28 516	0.40 515	0.43 490	0.45 534	0.55 528	0.51 536	0.40 530	0.37 527	0.30 514	0.21 534	0.20 531	0.27 536	0.26 537	0.25 539	0.24 538

LSM	0.33 527	0.20 508	0.58 539	0.26 507	0.60 565	0.34 517	0.25 495	0.42 526	0.48 504	0.45 534	0.58 538	0.42 517	0.36 522	0.35 516	0.25 479	0.12 460	0.20 531	0.14 490	0.16 512	0.19 525	0.33 552

AnyNet_C01	0.36 531	0.25 527	1.37 570	0.22 461	0.17 512	0.48 538	0.27 510	0.35 486	0.39 469	0.39 518	0.74 551	0.46 529	0.38 525	0.45 541	0.47 550	0.13 483	0.13 500	0.13 478	0.14 492	0.14 489	0.15 503

GCST	0.37 532	0.42 550	0.26 464	1.02 574	0.39 549	0.18 380	0.08 8	0.20 235	0.17 211	0.28 476	0.25 371	0.15 272	0.12 261	0.16 322	0.14 320	0.64 567	0.43 556	0.75 564	0.65 567	0.63 561	0.46 560

otaku	0.39 533	0.37 546	0.52 529	0.44 548	0.28 542	0.58 544	0.24 479	0.41 521	0.62 538	0.40 521	0.49 518	0.46 529	0.33 514	0.40 537	0.32 522	0.30 547	0.30 549	0.39 549	0.33 548	0.29 545	0.28 546

ACVNet-4b	0.39 533	0.53 553	0.55 533	0.45 549	0.24 533	0.47 536	0.18 369	0.49 541	0.64 542	0.42 528	0.45 513	0.60 544	0.27 483	0.34 510	0.24 470	0.33 550	0.14 509	0.48 553	0.42 553	0.30 546	0.26 545

PVD	0.39 533	0.20 508	0.39 511	0.31 535	0.22 529	0.29 502	0.43 553	0.52 545	0.96 563	0.55 543	0.79 555	0.53 540	0.59 553	0.52 547	0.38 536	0.19 528	0.14 509	0.17 511	0.14 492	0.24 538	0.31 550

Ntro	0.40 536	0.40 548	0.53 530	0.46 552	0.30 546	0.65 550	0.24 479	0.46 537	0.68 547	0.41 525	0.49 518	0.48 534	0.42 538	0.39 533	0.31 521	0.32 549	0.28 547	0.37 548	0.30 545	0.32 550	0.29 547

SAMSARA	0.40 536	0.28 534	0.33 495	0.55 555	0.39 549	0.82 564	1.23 578	0.47 538	0.51 520	0.36 510	0.35 461	0.55 542	0.39 527	0.38 529	0.39 538	0.15 500	0.20 531	0.15 502	0.14 492	0.23 531	0.20 531

ELAS_RVC	0.41 538	0.29 537	0.33 495	0.28 522	0.24 533	0.54 542	0.36 543	0.49 541	0.59 532	0.72 553	0.74 551	0.65 549	0.54 547	0.54 551	0.40 541	0.22 538	0.20 531	0.27 536	0.26 537	0.26 543	0.25 543
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 538	0.29 537	0.33 495	0.27 519	0.24 533	0.60 547	0.36 543	0.50 543	0.50 513	0.71 551	0.79 555	0.67 551	0.54 547	0.51 545	0.42 545	0.22 538	0.20 531	0.27 536	0.26 537	0.26 543	0.25 543
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 540	0.39 547	0.54 531	0.40 544	0.20 524	0.64 549	0.32 540	0.53 547	0.72 550	0.71 551	0.72 548	0.61 545	0.54 547	0.51 545	0.46 549	0.20 530	0.19 528	0.29 543	0.30 545	0.23 531	0.18 525

ACVNet_1	0.44 541	0.49 552	0.60 540	0.45 549	0.28 542	0.49 539	0.27 510	0.57 552	0.72 550	0.62 546	0.58 538	0.74 555	0.49 544	0.50 544	0.35 529	0.26 545	0.24 544	0.39 549	0.29 543	0.31 549	0.24 538

Consistency-Raft	0.44 541	0.40 548	0.45 520	0.37 543	0.43 553	0.46 534	0.41 548	0.57 552	0.55 523	0.32 500	0.73 549	0.33 481	0.48 543	0.42 540	0.49 552	0.39 552	0.35 553	0.45 552	0.51 560	0.42 552	0.29 547

RTS	0.45 543	0.19 504	3.26 577	0.24 491	0.15 487	0.74 557	0.20 429	0.36 493	0.76 556	0.42 528	0.43 510	0.31 468	0.41 535	0.53 549	0.35 529	0.10 406	0.08 411	0.13 478	0.12 479	0.15 504	0.15 503

RTSA	0.45 543	0.19 504	3.26 577	0.24 491	0.15 487	0.74 557	0.20 429	0.36 493	0.76 556	0.42 528	0.43 510	0.31 468	0.41 535	0.53 549	0.35 529	0.10 406	0.08 411	0.13 478	0.12 479	0.15 504	0.15 503

MANE	0.45 543	0.27 530	0.27 471	0.27 519	0.24 533	0.47 536	0.31 538	0.55 549	0.59 532	0.72 553	1.13 571	1.15 564	0.61 554	0.52 547	0.37 534	0.21 534	0.20 531	0.27 536	0.31 547	0.25 539	0.24 538

NVStereoNet_ROB	0.46 546	0.36 545	0.46 524	0.41 546	0.28 542	0.34 517	0.34 541	0.48 539	0.60 535	0.72 553	0.93 560	0.70 554	0.66 557	0.47 542	0.60 559	0.22 538	0.33 552	0.34 547	0.34 550	0.30 546	0.30 549
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	0.50 547	0.07 145	0.14 270	0.15 73	0.08 132	0.24 461	0.16 290	0.22 280	1.81 580	4.63 584	0.67 543	0.47 532	0.44 540	0.20 415	0.29 509	0.07 245	0.06 313	0.06 107	0.06 191	0.08 326	0.06 204

BEATNet-Init1	0.52 548	0.27 530	0.62 542	0.30 531	0.21 527	0.76 561	0.29 525	0.54 548	0.65 544	0.86 562	0.95 562	2.07 580	0.62 556	0.56 553	0.42 545	0.18 523	0.18 525	0.23 530	0.22 530	0.22 530	0.21 533

anonymity	0.53 549	0.58 555	0.65 544	0.41 546	0.61 566	0.53 541	0.41 548	0.56 550	0.41 478	0.55 543	0.50 522	0.49 535	0.55 550	0.58 554	0.50 555	0.58 563	0.50 566	0.51 555	0.51 560	0.51 554	0.57 562

RainbowNet	0.54 550	0.61 557	0.70 556	0.57 556	0.43 553	0.65 550	0.37 546	0.60 554	0.87 560	0.50 539	0.66 542	0.64 547	0.47 542	0.49 543	0.43 548	0.47 558	0.48 562	0.52 557	0.41 552	0.52 555	0.40 557

SGM+DAISY	0.56 551	0.57 554	0.65 544	0.40 544	0.54 558	0.66 552	0.49 555	0.56 550	0.45 501	0.66 547	0.69 545	0.67 551	0.56 551	0.63 556	0.56 557	0.59 564	0.48 562	0.50 554	0.50 559	0.52 555	0.58 563

SPS-STEREO	0.57 552	0.58 555	0.65 544	0.45 549	0.55 560	0.62 548	0.44 554	0.62 555	0.50 513	0.68 549	0.64 540	0.66 550	0.57 552	0.61 555	0.60 559	0.62 566	0.47 561	0.51 555	0.49 557	0.55 559	0.58 563
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 553	0.66 561	0.65 544	0.51 553	0.69 570	0.69 553	0.57 561	0.64 556	0.73 554	0.60 545	0.73 549	0.62 546	0.67 558	0.65 557	0.60 559	0.66 568	0.58 575	0.63 559	0.59 563	0.68 566	0.69 572

IMH-64-1	0.65 554	0.61 557	0.68 552	0.71 559	0.51 556	0.59 545	0.49 555	0.91 564	0.85 558	0.74 557	1.02 564	0.81 556	0.78 562	0.79 561	0.49 552	0.42 554	0.46 557	0.71 561	0.47 555	0.52 555	0.39 555

IMH-64	0.65 554	0.61 557	0.68 552	0.71 559	0.51 556	0.59 545	0.49 555	0.91 564	0.85 558	0.74 557	1.02 564	0.81 556	0.78 562	0.79 561	0.49 552	0.42 554	0.46 557	0.71 561	0.47 555	0.52 555	0.39 555

ACVNet_2	0.66 556	0.66 561	0.68 552	0.63 557	0.41 551	0.71 555	0.49 555	0.96 568	1.39 573	0.89 563	1.09 567	1.04 560	0.73 560	0.54 551	0.47 550	0.43 556	0.40 555	0.53 558	0.44 554	0.47 553	0.35 554

JetBlue	0.71 557	0.45 551	1.14 568	0.51 553	0.47 555	2.02 579	0.64 565	0.75 559	0.70 548	0.69 550	0.77 554	1.22 566	0.83 564	1.03 576	1.01 575	0.40 553	0.28 547	0.33 546	0.33 548	0.30 546	0.34 553

IMH	0.71 557	0.64 560	0.68 552	0.76 561	0.54 558	0.69 553	0.54 559	0.98 570	1.10 566	0.82 561	1.09 567	0.89 558	0.88 567	0.87 569	0.52 556	0.44 557	0.50 566	0.75 564	0.51 560	0.56 560	0.41 558

PWCK	0.71 557	0.94 572	0.95 565	0.76 561	0.31 547	0.74 557	0.36 543	0.90 563	0.90 561	0.96 566	0.75 553	0.95 559	0.61 554	0.87 569	0.66 562	0.72 569	0.46 557	0.75 564	0.49 557	0.69 568	0.44 559

MADNet+	0.75 560	0.71 563	3.70 580	0.66 558	0.41 551	0.98 569	0.97 576	0.69 558	0.73 554	0.52 540	0.57 536	0.64 547	0.68 559	0.86 568	1.01 575	0.34 551	0.36 554	0.28 542	0.23 534	0.36 551	0.31 550

TorneroNet-64	0.76 561	0.72 564	0.74 557	0.78 563	0.58 564	0.91 568	0.56 560	0.84 562	1.29 570	0.66 547	0.90 558	1.40 572	0.75 561	0.85 567	0.67 565	0.49 559	0.46 557	0.72 563	0.59 563	0.67 565	0.53 561

WAO-7	0.79 562	0.78 566	0.54 531	0.85 567	0.67 569	0.74 557	0.68 569	1.05 573	1.32 571	0.90 564	1.20 574	1.04 560	0.92 568	0.69 558	0.66 562	0.60 565	0.62 576	0.67 560	0.68 569	0.64 562	0.58 563

WAO-6	0.81 563	0.80 567	0.62 542	0.86 568	0.63 567	0.76 561	0.58 562	0.98 570	1.54 578	0.90 564	0.96 563	1.07 562	1.03 572	0.70 559	0.66 562	0.72 569	0.49 564	0.90 572	0.71 570	0.68 566	0.58 563

TorneroNet	0.82 564	0.74 565	0.81 562	0.84 566	0.63 567	0.99 570	0.63 563	0.96 568	1.16 567	0.80 560	1.11 569	1.36 571	0.86 566	0.93 572	0.80 570	0.56 561	0.49 564	0.78 569	0.66 568	0.73 571	0.63 571

LVE	0.83 565	0.85 570	0.85 563	0.80 564	0.56 561	1.04 574	0.65 566	1.05 573	1.47 576	0.96 566	1.22 575	1.10 563	0.85 565	0.83 564	0.71 567	0.49 559	0.55 572	0.76 567	0.60 565	0.65 563	0.59 568

Dean	0.87 566	0.86 571	0.79 560	0.81 565	0.56 561	0.90 565	0.63 563	1.15 579	1.73 579	1.15 574	1.15 572	1.31 569	0.99 571	0.81 563	0.81 571	0.57 562	0.56 573	0.77 568	0.64 566	0.66 564	0.58 563

WAO-8	0.91 567	0.81 568	0.65 544	0.94 571	0.69 570	0.90 565	0.67 567	1.07 576	1.83 581	1.06 571	1.45 577	1.30 567	1.07 573	0.84 565	0.78 568	0.74 571	0.53 569	0.86 570	0.75 571	0.69 568	0.62 569

Venus	0.91 567	0.81 568	0.65 544	0.94 571	0.69 570	0.90 565	0.67 567	1.07 576	1.83 581	1.06 571	1.45 577	1.30 567	1.07 573	0.84 565	0.78 568	0.74 571	0.53 569	0.86 570	0.75 571	0.69 568	0.62 569

UNDER WATER-64	0.95 569	0.94 572	1.43 572	0.87 569	0.56 561	1.18 577	0.87 573	0.77 560	0.94 562	1.04 569	0.85 557	1.58 577	1.21 578	0.94 573	0.96 573	0.87 575	0.57 574	1.03 575	0.88 576	0.78 572	0.73 573

UNDER WATER	0.97 570	0.97 574	1.42 571	0.99 573	0.70 573	1.12 576	0.84 572	0.80 561	1.08 565	1.01 568	0.90 558	1.55 576	1.22 579	1.03 576	1.00 574	0.78 573	0.53 569	1.02 574	0.87 575	0.80 573	0.74 574

notaker	0.97 570	1.11 575	0.98 566	1.13 576	0.81 574	0.73 556	0.68 569	0.93 566	1.16 567	1.18 576	1.18 573	1.41 573	1.16 577	1.08 578	0.69 566	0.81 574	0.64 577	1.17 577	0.79 573	0.98 575	0.80 576

ktn	1.01 572	1.21 577	0.80 561	1.23 578	0.86 576	1.01 572	0.87 573	0.94 567	1.39 573	1.04 569	1.12 570	1.15 564	1.07 573	0.94 573	0.59 558	1.28 581	0.71 578	1.38 581	0.83 574	1.02 577	0.75 575

KSHMR	1.09 573	1.17 576	0.88 564	1.25 579	1.00 578	0.99 570	0.96 575	1.13 578	1.37 572	1.16 575	1.29 576	1.41 573	0.96 570	1.01 575	0.92 572	1.03 578	1.08 580	1.20 578	1.03 579	1.01 576	0.97 578

DPSimNet_ROB	1.11 574	1.23 578	0.78 558	1.13 576	0.88 577	1.10 575	1.13 577	1.16 580	1.23 569	1.43 578	1.02 564	1.41 573	1.10 576	0.90 571	1.60 577	1.46 582	0.51 568	1.21 579	1.03 579	0.90 574	1.01 580

HanzoNet	1.29 575	1.26 579	1.19 569	1.12 575	0.85 575	1.02 573	0.83 571	1.03 572	1.48 577	1.64 579	1.61 579	2.50 582	1.72 580	1.61 580	1.61 578	1.26 580	0.80 579	1.31 580	1.01 578	1.02 577	0.86 577

JetRed	1.62 576	1.46 580	2.98 575	0.92 570	1.21 579	4.99 582	1.53 581	1.27 581	1.39 573	1.83 580	1.74 580	1.60 578	0.95 569	1.41 579	2.45 582	0.90 577	1.60 582	0.93 573	0.90 577	1.35 579	0.99 579

MADNet++	1.95 577	1.75 581	1.59 573	1.82 581	1.69 581	2.33 580	1.40 580	2.35 583	2.09 583	2.57 583	2.36 582	2.24 581	2.17 581	2.28 581	2.34 580	1.87 583	1.66 583	1.54 582	1.34 582	1.92 581	1.77 583

coex-ft	3.30 578	0.34 543	59.09 601	0.18 304	0.13 449	0.26 481	0.22 456	0.27 377	0.72 550	1.90 581	0.70 547	0.44 523	0.45 541	0.29 493	0.41 544	0.09 365	0.09 440	0.12 463	0.09 389	0.14 489	0.13 479

ASD4	3.54 579	3.38 584	2.05 574	1.72 580	2.51 583	9.03 586	17.71 587	2.25 582	5.51 585	2.46 582	2.81 583	2.03 579	3.36 582	2.73 582	5.06 583	1.22 579	1.34 581	1.13 576	1.33 581	1.68 580	1.49 582

TCMNet-wrong-test	3.67 580	5.48 590	3.89 581	12.18 593	11.75 594	4.65 581	3.88 582	1.06 575	0.72 550	1.09 573	2.15 581	6.30 587	0.53 546	3.43 584	2.36 581	0.89 576	0.20 531	1.87 584	1.69 583	5.57 589	3.62 589

tt	4.67 581	0.06 61	3.55 579	2.02 582	1.55 580	10.25 587	16.71 586	8.91 592	5.03 584	1.31 577	0.94 561	4.71 583	4.76 583	3.33 583	5.87 585	6.06 591	10.30 595	1.88 585	2.11 585	2.75 583	1.21 581

USTest	6.22 582	2.73 583	3.00 576	6.57 589	7.29 588	14.37 589	21.57 588	7.00 591	9.56 590	5.34 587	6.10 584	5.72 586	7.64 586	6.41 588	6.96 586	1.97 584	3.42 589	1.64 583	2.15 586	2.66 582	2.36 584

xxxxx1	7.79 583	5.02 587	7.31 584	3.12 583	3.85 584	16.35 591	22.88 589	5.86 588	8.69 587	7.97 588	8.54 585	9.12 590	8.27 587	10.18 590	10.92 587	2.42 585	2.45 585	3.56 588	12.37 592	3.77 584	3.06 586

tt_ll	7.79 583	5.02 587	7.31 584	3.12 583	3.85 584	16.35 591	22.88 589	5.86 588	8.69 587	7.97 588	8.54 585	9.12 590	8.27 587	10.18 590	10.92 587	2.42 585	2.45 585	3.56 588	12.37 592	3.77 584	3.06 586

ff	7.79 583	5.02 587	7.31 584	3.12 583	3.85 584	16.35 591	22.88 589	5.86 588	8.69 587	7.97 588	8.54 585	9.12 590	8.27 587	10.18 590	10.92 587	2.42 585	2.45 585	3.56 588	12.37 592	3.77 584	3.06 586

EDNetEfficientorigin	7.91 586	0.31 539	153.02 602	0.19 361	0.09 244	0.21 435	0.16 290	0.22 280	0.59 532	0.72 553	0.67 543	0.42 517	0.50 545	0.24 465	0.39 538	0.08 306	0.07 385	0.08 284	0.07 278	0.12 458	0.10 420

DPSMNet_ROB	8.06 587	4.48 585	8.63 590	5.37 588	10.74 591	8.32 584	22.98 593	5.46 585	13.36 593	5.12 585	9.92 588	5.08 584	10.40 590	5.53 587	12.58 590	3.80 589	8.00 590	3.50 586	7.02 589	3.83 587	7.14 591

DGTPSM_ROB	8.06 587	4.48 585	8.63 590	5.35 586	10.72 590	8.32 584	22.97 592	5.46 585	13.35 592	5.12 585	9.92 588	5.08 584	10.40 590	5.52 586	12.58 590	3.79 588	8.00 590	3.50 586	7.02 589	3.83 587	7.14 591

PML	8.91 589	9.34 594	6.13 582	5.35 586	6.41 587	14.99 590	23.38 594	5.27 584	6.83 586	18.04 596	28.19 601	7.67 588	6.83 585	7.85 589	5.75 584	5.35 590	1.83 584	5.95 594	1.93 584	8.64 592	2.52 585

DLNR_Zeroshot_test	10.40 590	1.82 582	19.49 597	120.77 603	13.11 595	0.06 10	0.13 109	0.23 300	0.10 37	0.07 35	0.10 123	0.09 129	0.06 36	0.10 66	0.09 54	0.13 483	0.04 22	0.06 107	0.04 38	51.54 602	0.04 41

LRCNet_RVC	10.62 591	13.42 595	7.30 583	18.92 595	2.07 582	0.33 514	0.30 532	5.59 587	0.48 504	13.03 594	17.94 594	8.87 589	5.65 584	4.79 585	1.89 579	23.51 600	2.73 588	27.55 601	25.71 601	16.07 598	16.33 599

Anonymous_1	10.96 592	7.92 591	7.46 587	10.33 590	10.06 589	18.65 595	26.34 595	11.06 593	13.44 594	9.40 591	10.05 590	9.67 593	11.23 592	10.73 593	12.72 592	6.42 592	8.38 592	5.77 591	10.61 591	12.12 593	6.77 590

DPSM_ROB	11.15 593	8.58 592	8.00 588	10.88 591	11.58 592	19.10 596	26.71 596	12.05 594	14.07 595	10.36 592	10.84 591	10.33 594	11.86 593	11.70 594	13.54 593	6.99 593	8.79 593	5.89 592	6.95 587	7.29 590	7.42 593

DPSM	11.15 593	8.58 592	8.00 588	10.88 591	11.58 592	19.10 596	26.71 596	12.05 594	14.07 595	10.36 592	10.84 591	10.33 594	11.86 593	11.70 594	13.54 593	6.99 593	8.79 593	5.89 592	6.95 587	7.29 590	7.42 593

HaxPig	15.71 595	18.52 600	19.18 596	16.89 594	15.89 596	7.73 583	7.60 583	13.31 596	10.82 591	15.42 595	14.91 593	15.98 596	14.92 595	15.58 596	15.98 595	18.95 599	16.73 596	19.46 599	18.08 599	19.26 599	19.05 600

MEDIAN_ROB	20.38 596	24.04 601	23.31 598	21.23 596	21.71 597	10.40 588	7.92 584	17.64 597	15.50 597	20.12 597	19.70 595	20.34 597	20.32 596	21.19 597	21.13 596	23.81 601	21.81 601	24.98 600	23.76 600	24.71 600	23.93 601

CasAABBNet	22.42 597	17.33 597	16.01 592	22.01 597	23.28 599	38.32 598	53.80 600	24.14 599	28.41 600	20.60 598	21.77 597	20.89 600	23.91 599	23.43 598	27.36 599	14.07 596	17.69 598	11.83 597	14.01 596	14.67 595	14.95 597

FlowAnything	22.44 598	17.35 598	16.14 594	22.07 599	23.23 598	38.39 599	53.77 599	24.25 600	28.44 601	20.96 601	21.82 598	20.70 598	23.84 597	23.49 599	27.14 598	14.04 595	17.79 600	11.75 595	14.15 598	14.65 594	14.89 595

Selective-RAFT-Error	22.47 599	17.37 599	16.09 593	22.06 598	23.34 600	38.39 599	53.83 601	24.29 602	28.47 602	20.74 599	21.83 599	20.81 599	23.90 598	23.54 601	27.53 601	14.08 597	17.69 598	11.82 596	14.00 595	14.69 596	15.00 598

LSM0	22.87 600	17.28 596	18.96 595	22.19 600	29.04 602	38.42 601	53.71 598	24.28 601	28.31 599	20.78 600	21.00 596	21.43 601	24.16 600	23.50 600	27.39 600	14.09 598	17.38 597	11.84 598	14.04 597	14.73 597	14.89 595

AVERAGE_ROB	24.90 601	29.20 602	28.14 599	24.89 601	24.64 601	17.75 594	11.12 585	21.45 598	19.93 598	25.12 602	24.46 600	25.12 602	25.46 601	24.69 602	22.83 597	29.76 602	27.13 602	28.97 602	27.95 602	29.91 601	29.47 602

test_example2	98.32 602	94.13 603	45.89 600	96.35 602	109.85 603	88.61 602	95.45 602	25.75 603	94.37 603	130.00 604	126.06 603	58.17 603	74.63 602	88.51 603	79.96 602	150.23 603	221.02 603	77.62 603	99.10 603	113.75 603	96.94 603

ccccc	245.47 603	285.66 604	306.18 603	368.85 604	370.60 604	123.16 603	145.33 603	115.05 604	110.08 604	126.68 603	110.87 602	122.83 604	165.88 603	252.94 604	276.56 603	384.56 604	353.86 604	254.69 604	223.00 604	425.87 604	386.83 604

FADE		0.33 541		0.33 536	0.25 539			0.64 556	1.07 564	0.43 531		0.42 517		0.70 559		0.30 547	0.21 542	0.41 551	0.38 551	0.23 531	0.22 535

Low-res two-view benchmark