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	0.10 109	0.15 70	0.05 1	0.07 29	0.11 46	0.09 11	0.04 2	0.06 9	0.05 7	0.06 16	0.04 1	0.08 15	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

MLG-Stereo_test1	0.06 1	0.05 18	0.08 30	0.17 217	0.05 1	0.06 9	0.11 46	0.08 4	0.03 1	0.05 1	0.04 1	0.06 16	0.05 11	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

FoundationStereo	0.06 1	0.04 1	0.08 30	0.12 4	0.05 1	0.09 81	0.13 104	0.06 1	0.09 23	0.05 1	0.05 7	0.06 16	0.04 1	0.06 1	0.07 1	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AdaDepth	0.07 4	0.06 57	0.07 6	0.18 299	0.06 13	0.11 173	0.12 63	0.09 11	0.07 8	0.06 9	0.05 7	0.07 62	0.06 36	0.09 33	0.10 123	0.04 11	0.05 183	0.05 23	0.04 34	0.04 15	0.04 40

asda	0.07 4	0.08 237	0.08 30	0.16 143	0.06 13	0.06 9	0.10 27	0.16 133	0.10 36	0.06 9	0.06 13	0.05 1	0.05 11	0.10 62	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

asd	0.07 4	0.08 237	0.07 6	0.16 143	0.07 71	0.08 52	0.08 7	0.11 29	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.10 62	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

qwe	0.07 4	0.08 237	0.07 6	0.15 70	0.06 13	0.07 29	0.10 27	0.18 198	0.11 62	0.07 30	0.07 38	0.06 16	0.06 36	0.10 62	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.25w	0.07 4	0.06 57	0.07 6	0.14 30	0.06 13	0.08 52	0.08 7	0.10 18	0.15 160	0.08 63	0.10 118	0.07 62	0.06 36	0.08 15	0.10 123	0.05 27	0.03 1	0.04 1	0.04 34	0.03 1	0.04 40

4.25_new	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5w_new	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5_new	0.07 4	0.09 313	0.08 30	0.15 70	0.07 71	0.06 9	0.10 27	0.14 76	0.11 62	0.06 9	0.08 71	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.5w-stereo	0.07 4	0.09 313	0.08 30	0.15 70	0.07 71	0.06 9	0.10 27	0.14 76	0.11 62	0.06 9	0.08 71	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.25w-stereo	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4w-stereo	0.07 4	0.08 237	0.08 30	0.16 143	0.06 13	0.07 29	0.08 7	0.12 44	0.08 12	0.07 30	0.07 38	0.05 1	0.06 36	0.09 33	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.5w	0.07 4	0.07 140	0.07 6	0.16 143	0.06 13	0.08 52	0.12 63	0.10 18	0.10 36	0.07 30	0.06 13	0.09 124	0.06 36	0.08 15	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 140	0.07 6	0.13 13	0.06 13	0.08 52	0.08 7	0.18 198	0.12 88	0.07 30	0.08 71	0.06 16	0.06 36	0.09 33	0.11 188	0.04 11	0.04 21	0.04 1	0.03 1	0.03 1	0.04 40

3.25w_new	0.07 4	0.06 57	0.07 6	0.15 70	0.06 13	0.10 128	0.07 3	0.12 44	0.11 62	0.08 63	0.06 13	0.07 62	0.06 36	0.11 108	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 57	0.07 6	0.15 70	0.06 13	0.10 128	0.07 3	0.12 44	0.11 62	0.08 63	0.06 13	0.07 62	0.06 36	0.11 108	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	0.07 140	0.08 30	0.16 143	0.07 71	0.07 29	0.09 18	0.16 133	0.09 23	0.07 30	0.06 13	0.05 1	0.06 36	0.09 33	0.10 123	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 4	0.07 140	0.07 6	0.15 70	0.07 71	0.09 81	0.06 1	0.13 60	0.11 62	0.07 30	0.07 38	0.06 16	0.07 107	0.10 62	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 57	0.07 6	0.16 143	0.06 13	0.07 29	0.10 27	0.14 76	0.14 143	0.07 30	0.08 71	0.05 1	0.06 36	0.09 33	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 40

monsterstereo	0.07 4	0.06 57	0.06 2	0.16 143	0.06 13	0.08 52	0.10 27	0.16 133	0.11 62	0.07 30	0.08 71	0.06 16	0.07 107	0.08 15	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.03 1	0.03 1

monsters	0.07 4	0.06 57	0.06 2	0.15 70	0.06 13	0.08 52	0.09 18	0.12 44	0.08 12	0.09 93	0.07 38	0.06 16	0.06 36	0.08 15	0.08 17	0.05 27	0.04 21	0.04 1	0.04 34	0.03 1	0.03 1

IGEV	0.07 4	0.04 1	0.08 30	0.13 13	0.06 13	0.09 81	0.12 63	0.14 76	0.10 36	0.06 9	0.09 89	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

111111	0.07 4	0.04 1	0.09 72	0.17 217	0.06 13	0.05 4	0.10 27	0.11 29	0.09 23	0.06 9	0.06 13	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.07 258	0.06 200

LG-Stereo_L2	0.07 4	0.05 18	0.10 109	0.14 30	0.06 13	0.07 29	0.12 63	0.09 11	0.09 23	0.06 9	0.04 1	0.05 1	0.05 11	0.08 15	0.08 17	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

LG-Stereo_L1	0.07 4	0.05 18	0.11 150	0.14 30	0.06 13	0.07 29	0.13 104	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 15	0.07 1	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo_test3	0.07 4	0.05 18	0.10 109	0.14 30	0.06 13	0.07 29	0.11 46	0.08 4	0.06 4	0.06 9	0.04 1	0.06 16	0.06 36	0.07 4	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.06 200

MLG-Stereo	0.07 4	0.05 18	0.08 30	0.17 217	0.05 1	0.07 29	0.11 46	0.08 4	0.04 2	0.05 1	0.04 1	0.06 16	0.05 11	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

LG-G_1	0.07 4	0.04 1	0.11 150	0.15 70	0.06 13	0.09 81	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 107	0.11 108	0.08 17	0.07 240	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LG-G	0.07 4	0.04 1	0.11 150	0.15 70	0.06 13	0.09 81	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 107	0.11 108	0.08 17	0.07 240	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LGtest1	0.07 4	0.04 1	0.10 109	0.15 70	0.06 13	0.07 29	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 16	0.06 36	0.10 62	0.09 54	0.07 240	0.04 21	0.05 23	0.04 34	0.06 192	0.06 200

LG-Stereo_Zeroshot	0.07 4	0.06 57	0.10 109	0.16 143	0.07 71	0.04 1	0.13 104	0.10 18	0.10 36	0.05 1	0.11 148	0.07 62	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

GREAT-IGEV	0.07 4	0.06 57	0.08 30	0.13 13	0.07 71	0.07 29	0.14 152	0.09 11	0.09 23	0.06 9	0.07 38	0.06 16	0.05 11	0.10 62	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

StereoAnything_RVC	0.07 4	0.15 466	0.17 378	0.11 1	0.05 1	0.05 4	0.11 46	0.08 4	0.08 12	0.06 9	0.06 13	0.05 1	0.05 11	0.09 33	0.08 17	0.08 301	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AIO_rvc	0.07 4	0.06 57	0.08 30	0.15 70	0.06 13	0.08 52	0.14 152	0.09 11	0.08 12	0.07 30	0.08 71	0.07 62	0.04 1	0.10 62	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

AIO_test	0.07 4	0.05 18	0.07 6	0.15 70	0.07 71	0.06 9	0.14 152	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.05 11	0.08 15	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

MonSter	0.07 4	0.06 57	0.05 1	0.15 70	0.05 1	0.07 29	0.10 27	0.15 107	0.15 160	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 18	0.07 6	0.14 30	0.06 13	0.10 128	0.13 104	0.07 2	0.13 119	0.06 9	0.07 38	0.06 16	0.05 11	0.10 62	0.09 54	0.04 11	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

dual_stereo	0.07 4	0.04 1	0.08 30	0.15 70	0.05 1	0.05 4	0.13 104	0.12 44	0.08 12	0.07 30	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

IGEV-Stereo++	0.07 4	0.06 57	0.08 30	0.18 299	0.06 13	0.04 1	0.10 27	0.11 29	0.11 62	0.06 9	0.07 38	0.07 62	0.06 36	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

IGEV-Stereo+	0.07 4	0.04 1	0.08 30	0.15 70	0.06 13	0.04 1	0.09 18	0.10 18	0.09 23	0.06 9	0.06 13	0.06 16	0.06 36	0.06 1	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.06 192	0.06 200

Selective-IGEV	0.07 4	0.06 57	0.08 30	0.17 217	0.06 13	0.08 52	0.12 63	0.13 60	0.07 8	0.08 63	0.07 38	0.06 16	0.04 1	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

zero-FE	0.08 44	0.04 1	0.09 72	0.15 70	0.10 341	0.05 4	0.14 152	0.09 11	0.14 143	0.07 30	0.06 13	0.07 62	0.06 36	0.09 33	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.08 321	0.05 121

GASTEREO	0.08 44	0.05 18	0.09 72	0.19 356	0.07 71	0.07 29	0.12 63	0.14 76	0.11 62	0.10 126	0.09 89	0.07 62	0.04 1	0.12 190	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.04 15	0.05 121

MSCF	0.08 44	0.05 18	0.08 30	0.19 356	0.08 127	0.06 9	0.12 63	0.14 76	0.11 62	0.10 126	0.09 89	0.07 62	0.04 1	0.11 108	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

S2M2_XL	0.08 44	0.06 57	0.12 185	0.12 4	0.08 127	0.09 81	0.09 18	0.07 2	0.07 8	0.08 63	0.07 38	0.07 62	0.06 36	0.09 33	0.09 54	0.08 301	0.06 308	0.07 195	0.05 108	0.08 321	0.06 200

3w_stereo	0.08 44	0.09 313	0.10 109	0.17 217	0.07 71	0.08 52	0.10 27	0.20 230	0.13 119	0.06 9	0.07 38	0.05 1	0.06 36	0.08 15	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

2w_stereo	0.08 44	0.08 237	0.09 72	0.16 143	0.06 13	0.08 52	0.10 27	0.20 230	0.15 160	0.08 63	0.07 38	0.06 16	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

LG-Stereo	0.08 44	0.07 140	0.10 109	0.18 299	0.07 71	0.10 128	0.17 319	0.11 29	0.08 12	0.05 1	0.07 38	0.05 1	0.07 107	0.09 33	0.09 54	0.04 11	0.05 183	0.07 195	0.07 273	0.04 15	0.04 40

SGD-Stereo	0.08 44	0.05 18	0.10 109	0.14 30	0.05 1	0.12 208	0.12 63	0.11 29	0.12 88	0.07 30	0.09 89	0.09 124	0.09 168	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.03 1

HART	0.08 44	0.07 140	0.09 72	0.17 217	0.07 71	0.10 128	0.16 285	0.13 60	0.11 62	0.08 63	0.10 118	0.07 62	0.05 11	0.10 62	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.05 100	0.04 40

Reg-Stereo(zero)	0.08 44	0.05 18	0.08 30	0.16 143	0.06 13	0.12 208	0.11 46	0.15 107	0.10 36	0.12 193	0.09 89	0.10 155	0.08 142	0.11 108	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

SCV_C0	0.08 44	0.07 140	0.07 6	0.16 143	0.09 239	0.08 52	0.15 220	0.11 29	0.12 88	0.08 63	0.07 38	0.06 16	0.05 11	0.11 108	0.07 1	0.05 27	0.05 183	0.05 23	0.04 34	0.06 192	0.05 121

SCV	0.08 44	0.09 313	0.08 30	0.15 70	0.08 127	0.10 128	0.13 104	0.10 18	0.12 88	0.07 30	0.07 38	0.06 16	0.04 1	0.09 33	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.06 192	0.04 40

DEFOM-Stereo_RVC	0.08 44	0.06 57	0.09 72	0.22 456	0.06 13	0.08 52	0.12 63	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.05 11	0.11 108	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.04 40

HUF	0.08 44	0.05 18	0.08 30	0.14 30	0.06 13	0.09 81	0.13 104	0.13 60	0.13 119	0.07 30	0.07 38	0.08 99	0.06 36	0.10 62	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

castereo++	0.08 44	0.05 18	0.08 30	0.15 70	0.05 1	0.14 279	0.12 63	0.11 29	0.15 160	0.07 30	0.07 38	0.07 62	0.06 36	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

IGEV-RUCA	0.08 44	0.06 57	0.11 150	0.14 30	0.09 239	0.10 128	0.12 63	0.10 18	0.12 88	0.06 9	0.07 38	0.07 62	0.06 36	0.09 33	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.06 200

GIP-stereo	0.08 44	0.06 57	0.11 150	0.14 30	0.06 13	0.09 81	0.13 104	0.14 76	0.11 62	0.07 30	0.08 71	0.05 1	0.04 1	0.10 62	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

SMoEStereo_RVC	0.08 44	0.06 57	0.12 185	0.16 143	0.07 71	0.09 81	0.14 152	0.11 29	0.13 119	0.09 93	0.07 38	0.07 62	0.07 107	0.12 190	0.10 123	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

WCG-NET	0.08 44	0.05 18	0.09 72	0.15 70	0.06 13	0.11 173	0.14 152	0.13 60	0.13 119	0.06 9	0.09 89	0.07 62	0.06 36	0.13 235	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

Occ-G	0.08 44	0.05 18	0.06 2	0.14 30	0.07 71	0.08 52	0.14 152	0.13 60	0.15 160	0.07 30	0.11 148	0.07 62	0.05 11	0.09 33	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

U	0.08 44	0.07 140	0.09 72	0.19 356	0.10 341	0.10 128	0.13 104	0.12 44	0.17 206	0.07 30	0.07 38	0.06 16	0.05 11	0.07 4	0.08 17	0.06 114	0.04 21	0.06 102	0.04 34	0.06 192	0.05 121

AIO-Stereo	0.08 44	0.06 57	0.09 72	0.18 299	0.06 13	0.08 52	0.12 63	0.15 107	0.09 23	0.08 63	0.08 71	0.07 62	0.05 11	0.11 108	0.08 17	0.05 27	0.05 183	0.05 23	0.04 34	0.04 15	0.04 40

WCG-NET（raft）	0.08 44	0.05 18	0.10 109	0.15 70	0.06 13	0.11 173	0.13 104	0.15 107	0.12 88	0.08 63	0.07 38	0.06 16	0.06 36	0.13 235	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RSM++	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.09 81	0.12 63	0.11 29	0.11 62	0.08 63	0.06 13	0.07 62	0.05 11	0.10 62	0.09 54	0.04 11	0.04 21	0.06 102	0.05 108	0.05 100	0.03 1

RSM	0.08 44	0.06 57	0.09 72	0.17 217	0.06 13	0.08 52	0.12 63	0.12 44	0.10 36	0.08 63	0.07 38	0.06 16	0.05 11	0.11 108	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

trnet	0.08 44	0.05 18	0.07 6	0.12 4	0.05 1	0.12 208	0.11 46	0.13 60	0.10 36	0.08 63	0.13 175	0.09 124	0.08 142	0.11 108	0.10 123	0.08 301	0.05 183	0.05 23	0.03 1	0.06 192	0.05 121

MoCha-V2	0.08 44	0.05 18	0.10 109	0.20 412	0.07 71	0.09 81	0.14 152	0.11 29	0.08 12	0.07 30	0.08 71	0.07 62	0.06 36	0.09 33	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

IGEV++	0.08 44	0.06 57	0.08 30	0.18 299	0.07 71	0.09 81	0.13 104	0.10 18	0.09 23	0.08 63	0.08 71	0.06 16	0.06 36	0.13 235	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

testlalala	0.08 44	0.07 140	0.17 378	0.16 143	0.08 127	0.09 81	0.12 63	0.15 107	0.10 36	0.07 30	0.09 89	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

AEACV	0.08 44	0.05 18	0.08 30	0.14 30	0.13 444	0.14 279	0.13 104	0.14 76	0.09 23	0.07 30	0.09 89	0.07 62	0.08 142	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

LoS_RVC	0.08 44	0.05 18	0.07 6	0.15 70	0.07 71	0.08 52	0.15 220	0.11 29	0.10 36	0.08 63	0.09 89	0.06 16	0.09 168	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

CAS	0.08 44	0.04 1	0.07 6	0.17 217	0.08 127	0.10 128	0.13 104	0.12 44	0.09 23	0.09 93	0.10 118	0.08 99	0.06 36	0.09 33	0.08 17	0.08 301	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

CES	0.08 44	0.04 1	0.08 30	0.14 30	0.07 71	0.09 81	0.14 152	0.11 29	0.09 23	0.08 63	0.09 89	0.11 176	0.06 36	0.12 190	0.08 17	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

EGLCR-Stereo	0.08 44	0.05 18	0.08 30	0.14 30	0.06 13	0.10 128	0.12 63	0.11 29	0.16 187	0.06 9	0.05 7	0.07 62	0.05 11	0.10 62	0.11 188	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

MC-Stereo	0.08 44	0.06 57	0.09 72	0.17 217	0.06 13	0.10 128	0.14 152	0.12 44	0.10 36	0.09 93	0.12 161	0.09 124	0.06 36	0.11 108	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

test-3	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.07 29	0.14 152	0.12 44	0.15 160	0.09 93	0.08 71	0.07 62	0.08 142	0.11 108	0.10 123	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.04 40

test_1	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.07 29	0.14 152	0.12 44	0.15 160	0.09 93	0.08 71	0.07 62	0.08 142	0.11 108	0.10 123	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.04 40

CREStereo++_RVC	0.08 44	0.04 1	0.06 2	0.13 13	0.07 71	0.09 81	0.12 63	0.14 76	0.14 143	0.10 126	0.14 189	0.08 99	0.07 107	0.09 33	0.11 188	0.06 114	0.04 21	0.05 23	0.05 108	0.04 15	0.04 40
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 82	0.06 57	0.08 30	0.16 143	0.07 71	0.09 81	0.13 104	0.15 107	0.13 119	0.11 155	0.12 161	0.08 99	0.09 168	0.07 4	0.08 17	0.06 114	0.05 183	0.05 23	0.05 108	0.04 15	0.04 40

depthmonostereo	0.09 82	0.06 57	0.09 72	0.15 70	0.06 13	0.10 128	0.13 104	0.14 76	0.14 143	0.10 126	0.10 118	0.09 124	0.11 225	0.08 15	0.09 54	0.06 114	0.05 183	0.06 102	0.04 34	0.04 15	0.03 1

DilatedVolume-Stereo	0.09 82	0.05 18	0.08 30	0.15 70	0.06 13	0.11 173	0.12 63	0.14 76	0.16 187	0.11 155	0.11 148	0.09 124	0.09 168	0.11 108	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.03 1	0.03 1

S2M2	0.09 82	0.08 237	0.11 150	0.13 13	0.10 341	0.08 52	0.06 1	0.10 18	0.10 36	0.10 126	0.09 89	0.10 155	0.09 168	0.11 108	0.11 188	0.13 478	0.07 380	0.08 279	0.09 384	0.10 415	0.08 344

MM-Stereo_test2	0.09 82	0.06 57	0.09 72	0.19 356	0.08 127	0.12 208	0.18 364	0.15 107	0.14 143	0.07 30	0.10 118	0.07 62	0.06 36	0.12 190	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.03 1

castereo	0.09 82	0.06 57	0.11 150	0.15 70	0.06 13	0.11 173	0.15 220	0.14 76	0.18 232	0.08 63	0.10 118	0.11 176	0.08 142	0.09 33	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

fffft	0.09 82	0.06 57	0.12 185	0.16 143	0.07 71	0.09 81	0.17 319	0.12 44	0.11 62	0.08 63	0.07 38	0.09 124	0.06 36	0.11 108	0.12 237	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.05 121
1: 1. 1
tt45	0.09 82	0.06 57	0.11 150	0.15 70	0.07 71	0.11 173	0.16 285	0.13 60	0.11 62	0.09 93	0.06 13	0.08 99	0.06 36	0.13 235	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

999	0.09 82	0.05 18	0.13 230	0.15 70	0.08 127	0.10 128	0.14 152	0.15 107	0.11 62	0.10 126	0.08 71	0.08 99	0.08 142	0.16 317	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.05 121

mms	0.09 82	0.07 140	0.08 30	0.16 143	0.08 127	0.10 128	0.16 285	0.12 44	0.11 62	0.08 63	0.09 89	0.08 99	0.06 36	0.11 108	0.12 237	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.03 1

ours_stereo	0.09 82	0.07 140	0.09 72	0.17 217	0.08 127	0.11 173	0.16 285	0.11 29	0.12 88	0.08 63	0.10 118	0.08 99	0.06 36	0.12 190	0.12 237	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.03 1

fffy	0.09 82	0.08 237	0.09 72	0.16 143	0.07 71	0.13 247	0.17 319	0.13 60	0.12 88	0.08 63	0.09 89	0.08 99	0.09 168	0.13 235	0.11 188	0.05 27	0.05 183	0.07 195	0.05 108	0.04 15	0.05 121

PAM_32	0.09 82	0.05 18	0.17 378	0.15 70	0.08 127	0.10 128	0.15 220	0.14 76	0.15 160	0.09 93	0.08 71	0.09 124	0.07 107	0.14 261	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.06 200

UGAM-zero	0.09 82	0.05 18	0.15 316	0.15 70	0.08 127	0.09 81	0.13 104	0.19 219	0.15 160	0.11 155	0.15 206	0.07 62	0.07 107	0.09 33	0.09 54	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

GCAP-BAT	0.09 82	0.07 140	0.14 265	0.15 70	0.08 127	0.10 128	0.13 104	0.14 76	0.10 36	0.11 155	0.10 118	0.08 99	0.07 107	0.12 190	0.10 123	0.06 114	0.05 183	0.06 102	0.04 34	0.04 15	0.04 40

Pointernet	0.09 82	0.04 1	0.09 72	0.16 143	0.08 127	0.13 247	0.10 27	0.15 107	0.17 206	0.09 93	0.07 38	0.06 16	0.06 36	0.11 108	0.09 54	0.08 301	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

IGEV-BASED-STEREO-	0.09 82	0.10 371	0.31 484	0.15 70	0.06 13	0.08 52	0.14 152	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.04 1	0.11 108	0.07 1	0.12 455	0.04 21	0.07 195	0.05 108	0.05 100	0.05 121

RAFT-Stereo-weight	0.09 82	0.06 57	0.10 109	0.16 143	0.07 71	0.09 81	0.14 152	0.19 219	0.16 187	0.11 155	0.10 118	0.08 99	0.06 36	0.10 62	0.11 188	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

gcap-zeroshot	0.09 82	0.05 18	0.10 109	0.16 143	0.07 71	0.13 247	0.13 104	0.11 29	0.12 88	0.13 220	0.12 161	0.09 124	0.08 142	0.09 33	0.09 54	0.06 114	0.05 183	0.06 102	0.05 108	0.04 15	0.04 40

test_for_model	0.09 82	0.12 415	0.14 265	0.23 477	0.11 390	0.08 52	0.13 104	0.12 44	0.12 88	0.10 126	0.07 38	0.07 62	0.06 36	0.11 108	0.10 123	0.06 114	0.05 183	0.05 23	0.03 1	0.07 258	0.04 40

MGS-Stereo	0.09 82	0.07 140	0.12 185	0.15 70	0.08 127	0.09 81	0.15 220	0.12 44	0.12 88	0.07 30	0.10 118	0.08 99	0.06 36	0.10 62	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

ff7	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

IGEVStereo-DCA	0.09 82	0.06 57	0.11 150	0.15 70	0.10 341	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.08 17	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

ffff	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

rrr	0.09 82	0.06 57	0.12 185	0.15 70	0.10 341	0.11 173	0.16 285	0.16 133	0.15 160	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.08 17	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

11t	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

MaDis-Stereo	0.09 82	0.09 313	0.08 30	0.17 217	0.09 239	0.13 247	0.10 27	0.16 133	0.16 187	0.09 93	0.11 148	0.06 16	0.06 36	0.09 33	0.13 278	0.07 240	0.06 308	0.07 195	0.05 108	0.05 100	0.04 40

IGEV_Zeroshot_test	0.09 82	0.05 18	0.12 185	0.13 13	0.08 127	0.12 208	0.13 104	0.17 169	0.11 62	0.10 126	0.06 13	0.09 124	0.06 36	0.11 108	0.09 54	0.06 114	0.04 21	0.06 102	0.06 186	0.05 100	0.05 121

MSKI-zero shot	0.09 82	0.05 18	0.09 72	0.15 70	0.07 71	0.10 128	0.13 104	0.14 76	0.13 119	0.09 93	0.09 89	0.09 124	0.06 36	0.12 190	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

UniTT-Stereo	0.09 82	0.07 140	0.08 30	0.18 299	0.08 127	0.13 247	0.11 46	0.12 44	0.11 62	0.10 126	0.12 161	0.05 1	0.07 107	0.09 33	0.09 54	0.07 240	0.05 183	0.05 23	0.05 108	0.05 100	0.05 121

MIM_Stereo	0.09 82	0.07 140	0.11 150	0.15 70	0.07 71	0.06 9	0.12 63	0.20 230	0.14 143	0.13 220	0.13 175	0.09 124	0.05 11	0.12 190	0.08 17	0.05 27	0.06 308	0.07 195	0.06 186	0.06 192	0.05 121

CASnet	0.09 82	0.09 313	0.09 72	0.19 356	0.06 13	0.07 29	0.11 46	0.18 198	0.14 143	0.11 155	0.10 118	0.09 124	0.07 107	0.10 62	0.10 123	0.06 114	0.04 21	0.10 408	0.08 338	0.05 100	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 82	0.07 140	0.13 230	0.18 299	0.06 13	0.11 173	0.07 3	0.13 60	0.12 88	0.09 93	0.10 118	0.07 62	0.09 168	0.13 235	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.04 15	0.05 121

RAFT-Test	0.09 82	0.06 57	0.10 109	0.15 70	0.07 71	0.11 173	0.15 220	0.16 133	0.13 119	0.09 93	0.10 118	0.10 155	0.09 168	0.12 190	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

HH	0.09 82	0.06 57	0.13 230	0.17 217	0.08 127	0.10 128	0.16 285	0.14 76	0.10 36	0.08 63	0.09 89	0.08 99	0.07 107	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

HanStereo	0.09 82	0.06 57	0.13 230	0.17 217	0.08 127	0.10 128	0.16 285	0.14 76	0.10 36	0.08 63	0.09 89	0.08 99	0.07 107	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

4D-IteraStereo	0.09 82	0.07 140	0.10 109	0.18 299	0.07 71	0.09 81	0.15 220	0.17 169	0.15 160	0.10 126	0.11 148	0.10 155	0.07 107	0.11 108	0.09 54	0.05 27	0.03 1	0.08 279	0.07 273	0.06 192	0.05 121

anonymousdsp	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.09 93	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

LoS	0.09 82	0.05 18	0.11 150	0.13 13	0.07 71	0.14 279	0.11 46	0.15 107	0.15 160	0.09 93	0.09 89	0.12 193	0.09 168	0.15 283	0.10 123	0.07 240	0.05 183	0.05 23	0.03 1	0.05 100	0.05 121
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 82	0.07 140	0.10 109	0.17 217	0.08 127	0.10 128	0.15 220	0.15 107	0.12 88	0.09 93	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.06 200

RCA-Stereo	0.09 82	0.06 57	0.09 72	0.16 143	0.06 13	0.09 81	0.13 104	0.18 198	0.14 143	0.09 93	0.10 118	0.08 99	0.07 107	0.12 190	0.11 188	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

CroCo-Stereo Lap2	0.09 82	0.09 313	0.08 30	0.22 456	0.09 239	0.09 81	0.19 403	0.16 133	0.12 88	0.09 93	0.10 118	0.05 1	0.05 11	0.08 15	0.08 17	0.06 114	0.06 308	0.07 195	0.05 108	0.05 100	0.05 121

ccc-4	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

IGEV-Stereo	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.09 93	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 82	0.05 18	0.13 230	0.14 30	0.08 127	0.12 208	0.15 220	0.18 198	0.10 36	0.11 155	0.08 71	0.08 99	0.05 11	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

TRStereo	0.09 82	0.05 18	0.12 185	0.15 70	0.12 421	0.10 128	0.13 104	0.18 198	0.18 232	0.09 93	0.09 89	0.09 124	0.06 36	0.10 62	0.08 17	0.07 240	0.05 183	0.07 195	0.07 273	0.04 15	0.04 40

AnonymousM	0.09 82	0.05 18	0.10 109	0.14 30	0.06 13	0.09 81	0.13 104	0.19 219	0.14 143	0.13 220	0.11 148	0.09 124	0.08 142	0.13 235	0.10 123	0.08 301	0.05 183	0.08 279	0.05 108	0.05 100	0.05 121

CroCo-Stereo	0.09 82	0.08 237	0.08 30	0.22 456	0.09 239	0.09 81	0.19 403	0.15 107	0.12 88	0.07 30	0.07 38	0.08 99	0.06 36	0.08 15	0.07 1	0.07 240	0.05 183	0.06 102	0.04 34	0.05 100	0.04 40
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 82	0.06 57	0.07 6	0.15 70	0.05 1	0.16 335	0.18 364	0.15 107	0.15 160	0.10 126	0.11 148	0.11 176	0.11 225	0.10 62	0.12 237	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

TANstereo	0.09 82	0.04 1	0.08 30	0.13 13	0.06 13	0.11 173	0.14 152	0.15 107	0.19 247	0.11 155	0.15 206	0.10 155	0.06 36	0.12 190	0.09 54	0.07 240	0.05 183	0.05 23	0.04 34	0.06 192	0.05 121

XX-TBD	0.09 82	0.06 57	0.07 6	0.14 30	0.07 71	0.12 208	0.16 285	0.14 76	0.13 119	0.11 155	0.12 161	0.09 124	0.08 142	0.10 62	0.10 123	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

raftrobust	0.09 82	0.06 57	0.10 109	0.17 217	0.08 127	0.09 81	0.10 27	0.18 198	0.16 187	0.10 126	0.09 89	0.12 193	0.07 107	0.12 190	0.10 123	0.08 301	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

XX-Stereo	0.09 82	0.05 18	0.08 30	0.17 217	0.09 239	0.15 305	0.12 63	0.20 230	0.10 36	0.10 126	0.14 189	0.07 62	0.06 36	0.12 190	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.04 15	0.04 40

test_xeample3	0.09 82	0.06 57	0.12 185	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.13 119	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

RAFT-Stereo + iAFF	0.09 82	0.06 57	0.10 109	0.17 217	0.06 13	0.10 128	0.16 285	0.17 169	0.14 143	0.09 93	0.10 118	0.08 99	0.09 168	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.06 186	0.04 15	0.03 1

AFF-stereo	0.09 82	0.06 57	0.10 109	0.17 217	0.07 71	0.10 128	0.16 285	0.17 169	0.09 23	0.10 126	0.12 161	0.09 124	0.09 168	0.12 190	0.09 54	0.05 27	0.04 21	0.07 195	0.07 273	0.04 15	0.03 1

EAI-Stereo	0.09 82	0.07 140	0.11 150	0.15 70	0.06 13	0.10 128	0.15 220	0.16 133	0.09 23	0.08 63	0.09 89	0.08 99	0.07 107	0.09 33	0.11 188	0.05 27	0.04 21	0.05 23	0.05 108	0.05 100	0.04 40

CFNet-RSSM	0.09 82	0.07 140	0.09 72	0.16 143	0.07 71	0.09 81	0.15 220	0.16 133	0.17 206	0.08 63	0.12 161	0.10 155	0.09 168	0.11 108	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

Gwc-CoAtRS	0.09 82	0.06 57	0.10 109	0.16 143	0.07 71	0.10 128	0.14 152	0.17 169	0.17 206	0.08 63	0.10 118	0.12 193	0.09 168	0.12 190	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

CREStereo	0.09 82	0.04 1	0.08 30	0.11 1	0.06 13	0.13 247	0.14 152	0.14 76	0.10 36	0.08 63	0.13 175	0.09 124	0.08 142	0.11 108	0.10 123	0.08 301	0.04 21	0.05 23	0.03 1	0.06 192	0.06 200
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 82	0.05 18	0.09 72	0.12 4	0.06 13	0.12 208	0.14 152	0.15 107	0.11 62	0.09 93	0.13 175	0.10 155	0.07 107	0.13 235	0.10 123	0.15 495	0.04 21	0.05 23	0.03 1	0.07 258	0.06 200

MM-Stereo_test3	0.10 143	0.07 140	0.07 6	0.18 299	0.07 71	0.12 208	0.19 403	0.24 317	0.19 247	0.06 9	0.10 118	0.08 99	0.06 36	0.11 108	0.08 17	0.06 114	0.06 308	0.07 195	0.05 108	0.05 100	0.04 40

MM-Stereo_test1	0.10 143	0.07 140	0.08 30	0.18 299	0.07 71	0.12 208	0.18 364	0.21 253	0.20 270	0.09 93	0.11 148	0.08 99	0.06 36	0.10 62	0.10 123	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

AIO-test2	0.10 143	0.08 237	0.10 109	0.23 477	0.08 127	0.11 173	0.10 27	0.23 295	0.23 309	0.08 63	0.09 89	0.08 99	0.05 11	0.10 62	0.08 17	0.06 114	0.05 183	0.08 279	0.09 384	0.05 100	0.05 121

AIO-test1	0.10 143	0.07 140	0.10 109	0.23 477	0.07 71	0.09 81	0.13 104	0.21 253	0.14 143	0.11 155	0.12 161	0.09 124	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.09 360	0.10 423	0.03 1	0.06 200

tg	0.10 143	0.06 57	0.10 109	0.18 299	0.08 127	0.11 173	0.16 285	0.20 230	0.12 88	0.08 63	0.11 148	0.11 176	0.07 107	0.11 108	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.04 15	0.04 40

PAM	0.10 143	0.05 18	0.16 350	0.15 70	0.08 127	0.09 81	0.16 285	0.15 107	0.16 187	0.12 193	0.09 89	0.09 124	0.07 107	0.13 235	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.06 200

model_zeroshot	0.10 143	0.04 1	0.11 150	0.15 70	0.09 239	0.12 208	0.14 152	0.20 230	0.13 119	0.11 155	0.10 118	0.12 193	0.07 107	0.12 190	0.10 123	0.07 240	0.06 308	0.06 102	0.05 108	0.06 192	0.06 200

RAStereo	0.10 143	0.09 313	0.08 30	0.20 412	0.08 127	0.13 247	0.18 364	0.15 107	0.17 206	0.10 126	0.12 161	0.05 1	0.06 36	0.09 33	0.08 17	0.07 240	0.05 183	0.07 195	0.05 108	0.05 100	0.04 40

rvit_stereo_0080	0.10 143	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.15 220	0.16 133	0.16 187	0.11 155	0.10 118	0.14 238	0.08 142	0.12 190	0.10 123	0.09 360	0.07 380	0.07 195	0.06 186	0.07 258	0.05 121

testlalala2	0.10 143	0.06 57	0.11 150	0.20 412	0.10 341	0.10 128	0.12 63	0.17 169	0.12 88	0.12 193	0.13 175	0.09 124	0.07 107	0.11 108	0.13 278	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

H2IRNET	0.10 143	0.09 313	0.09 72	0.18 299	0.09 239	0.12 208	0.15 220	0.14 76	0.21 285	0.10 126	0.10 118	0.10 155	0.10 200	0.10 62	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.06 192	0.05 121

Former-RAFT_DAM_RVC	0.10 143	0.08 237	0.12 185	0.16 143	0.08 127	0.15 305	0.16 285	0.18 198	0.18 232	0.10 126	0.09 89	0.09 124	0.08 142	0.11 108	0.12 237	0.07 240	0.05 183	0.08 279	0.06 186	0.07 258	0.06 200

MyStereo07	0.10 143	0.07 140	0.10 109	0.17 217	0.09 239	0.14 279	0.18 364	0.15 107	0.15 160	0.09 93	0.06 13	0.06 16	0.07 107	0.12 190	0.09 54	0.06 114	0.05 183	0.08 279	0.07 273	0.06 192	0.06 200

MyStereo06	0.10 143	0.07 140	0.12 185	0.17 217	0.09 239	0.13 247	0.18 364	0.19 219	0.12 88	0.12 193	0.08 71	0.07 62	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.07 195	0.07 273	0.06 192	0.06 200

AE-Stereo	0.10 143	0.08 237	0.10 109	0.18 299	0.09 239	0.10 128	0.15 220	0.14 76	0.19 247	0.09 93	0.14 189	0.12 193	0.08 142	0.11 108	0.10 123	0.05 27	0.06 308	0.07 195	0.06 186	0.05 100	0.04 40

ACVNet-DCA	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.23 295	0.16 187	0.09 93	0.09 89	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.07 258	0.07 280

cc1	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.16 133	0.18 232	0.09 93	0.09 89	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.06 200

tt1	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.12 208	0.16 285	0.15 107	0.19 247	0.09 93	0.08 71	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.06 200

whm_eth	0.10 143	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.15 220	0.16 133	0.16 187	0.11 155	0.10 118	0.14 238	0.08 142	0.12 190	0.10 123	0.09 360	0.07 380	0.07 195	0.06 186	0.07 258	0.05 121

plain	0.10 143	0.08 237	0.10 109	0.19 356	0.09 239	0.10 128	0.15 220	0.14 76	0.13 119	0.13 220	0.15 206	0.09 124	0.12 256	0.13 235	0.12 237	0.07 240	0.05 183	0.09 360	0.06 186	0.06 192	0.06 200

testlalala_base	0.10 143	0.09 313	0.14 265	0.21 441	0.08 127	0.10 128	0.14 152	0.13 60	0.10 36	0.07 30	0.15 206	0.07 62	0.08 142	0.10 62	0.12 237	0.08 301	0.05 183	0.05 23	0.03 1	0.06 192	0.05 121

Any-RAFT	0.10 143	0.05 18	0.09 72	0.14 30	0.07 71	0.13 247	0.14 152	0.21 253	0.15 160	0.11 155	0.12 161	0.12 193	0.09 168	0.12 190	0.09 54	0.07 240	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

LL-Strereo2	0.10 143	0.10 371	0.15 316	0.18 299	0.08 127	0.15 305	0.09 18	0.17 169	0.14 143	0.14 241	0.10 118	0.09 124	0.07 107	0.16 317	0.10 123	0.05 27	0.05 183	0.10 408	0.07 273	0.06 192	0.05 121

DCANet-4	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.18 198	0.19 247	0.13 220	0.16 218	0.09 124	0.14 319	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

fff	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

ADStereo(finetuned)	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.15 107	0.19 247	0.13 220	0.17 239	0.10 155	0.12 256	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

test_4	0.10 143	0.10 371	0.08 30	0.19 356	0.09 239	0.08 52	0.22 451	0.15 107	0.17 206	0.12 193	0.18 264	0.12 193	0.09 168	0.08 15	0.11 188	0.04 11	0.04 21	0.08 279	0.08 338	0.04 15	0.03 1

IPLG	0.10 143	0.07 140	0.15 316	0.17 217	0.08 127	0.11 173	0.14 152	0.20 230	0.15 160	0.12 193	0.17 239	0.07 62	0.07 107	0.14 261	0.13 278	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

test_3	0.10 143	0.09 313	0.10 109	0.20 412	0.08 127	0.13 247	0.26 498	0.14 76	0.21 285	0.10 126	0.10 118	0.09 124	0.09 168	0.08 15	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.04 15	0.04 40

STrans-v2	0.10 143	0.07 140	0.12 185	0.18 299	0.07 71	0.10 128	0.14 152	0.21 253	0.11 62	0.11 155	0.15 206	0.12 193	0.10 200	0.11 108	0.12 237	0.05 27	0.04 21	0.06 102	0.06 186	0.04 15	0.04 40

TransformOpticalFlow	0.10 143	0.08 237	0.13 230	0.18 299	0.07 71	0.09 81	0.15 220	0.19 219	0.15 160	0.12 193	0.17 239	0.11 176	0.11 225	0.11 108	0.10 123	0.05 27	0.04 21	0.06 102	0.06 186	0.05 100	0.05 121

SST-Stereo	0.10 143	0.07 140	0.15 316	0.18 299	0.09 239	0.06 9	0.12 63	0.17 169	0.11 62	0.15 268	0.17 239	0.13 218	0.12 256	0.10 62	0.11 188	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

cross-raft	0.10 143	0.09 313	0.09 72	0.19 356	0.07 71	0.11 173	0.25 490	0.13 60	0.15 160	0.08 63	0.11 148	0.12 193	0.10 200	0.09 33	0.11 188	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

test-1	0.10 143	0.07 140	0.16 350	0.19 356	0.08 127	0.11 173	0.24 474	0.14 76	0.18 232	0.09 93	0.07 38	0.09 124	0.08 142	0.07 4	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

iRaftStereo_RVC	0.10 143	0.07 140	0.09 72	0.17 217	0.09 239	0.11 173	0.17 319	0.18 198	0.12 88	0.09 93	0.12 161	0.10 155	0.07 107	0.11 108	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.04 15	0.04 40

RALCasStereoNet	0.10 143	0.06 57	0.09 72	0.16 143	0.08 127	0.12 208	0.14 152	0.17 169	0.11 62	0.12 193	0.17 239	0.14 238	0.10 200	0.12 190	0.11 188	0.07 240	0.06 308	0.06 102	0.05 108	0.08 321	0.07 280

DCANet	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.15 107	0.19 247	0.13 220	0.17 239	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

csc	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

cscssc	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

111	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.10 128	0.14 152	0.21 253	0.23 309	0.11 155	0.12 161	0.14 238	0.11 225	0.13 235	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.05 100	0.05 121

R-Stereo Train	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

RAFT-Stereo	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 143	0.06 57	0.12 185	0.14 30	0.06 13	0.11 173	0.10 27	0.18 198	0.18 232	0.13 220	0.16 218	0.14 238	0.11 225	0.15 283	0.13 278	0.06 114	0.04 21	0.04 1	0.04 34	0.06 192	0.05 121
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	0.11 186	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.14 152	0.20 230	0.11 62	0.09 93	0.09 89	0.12 193	0.12 256	0.13 235	0.11 188	0.09 360	0.06 308	0.09 360	0.09 384	0.06 192	0.09 388

xyz-stereo-finetune2	0.11 186	0.07 140	0.13 230	0.13 13	0.07 71	0.11 173	0.19 403	0.17 169	0.12 88	0.15 268	0.15 206	0.17 301	0.12 256	0.13 235	0.11 188	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.06 200

xyz-stereo-finetune	0.11 186	0.08 237	0.13 230	0.14 30	0.06 13	0.10 128	0.19 403	0.17 169	0.19 247	0.12 193	0.14 189	0.15 267	0.10 200	0.13 235	0.11 188	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.05 121

HI	0.11 186	0.06 57	0.11 150	0.13 13	0.09 239	0.09 81	0.14 152	0.21 253	0.10 36	0.19 358	0.17 239	0.14 238	0.09 168	0.16 317	0.08 17	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

CoSv	0.11 186	0.06 57	0.11 150	0.13 13	0.09 239	0.09 81	0.14 152	0.21 253	0.10 36	0.19 358	0.17 239	0.14 238	0.09 168	0.16 317	0.08 17	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

rvit_stereo_0081_aga	0.11 186	0.09 313	0.14 265	0.18 299	0.09 239	0.13 247	0.14 152	0.14 76	0.19 247	0.10 126	0.18 264	0.16 281	0.09 168	0.12 190	0.09 54	0.10 401	0.06 308	0.08 279	0.07 273	0.07 258	0.06 200

rvit_stereo_0081	0.11 186	0.08 237	0.15 316	0.16 143	0.09 239	0.10 128	0.14 152	0.14 76	0.24 325	0.11 155	0.13 175	0.13 218	0.09 168	0.11 108	0.12 237	0.10 401	0.07 380	0.08 279	0.07 273	0.07 258	0.05 121

rvit_stereo_0082	0.11 186	0.08 237	0.15 316	0.16 143	0.09 239	0.10 128	0.14 152	0.14 76	0.24 325	0.11 155	0.13 175	0.13 218	0.09 168	0.11 108	0.12 237	0.10 401	0.07 380	0.08 279	0.07 273	0.07 258	0.05 121

AIO-Stereo-zeroshot1	0.11 186	0.05 18	0.14 265	0.15 70	0.20 519	0.09 81	0.17 319	0.21 253	0.15 160	0.11 155	0.14 189	0.10 155	0.07 107	0.10 62	0.08 17	0.06 114	0.05 183	0.07 195	0.07 273	0.07 258	0.09 388

AIO-Stereo-zeroshot	0.11 186	0.05 18	0.11 150	0.15 70	0.13 444	0.13 247	0.16 285	0.23 295	0.17 206	0.10 126	0.12 161	0.10 155	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.06 102	0.06 186	0.07 258	0.08 344

CAS++	0.11 186	0.07 140	0.11 150	0.14 30	0.09 239	0.12 208	0.14 152	0.24 317	0.14 143	0.11 155	0.09 89	0.11 176	0.07 107	0.14 261	0.09 54	0.11 430	0.09 435	0.09 360	0.07 273	0.07 258	0.08 344
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
xx1	0.11 186	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.16 133	0.18 232	0.09 93	0.09 89	0.16 281	0.16 363	0.10 62	0.07 1	0.06 114	0.04 21	0.08 279	0.08 338	0.07 258	0.07 280

1test111	0.11 186	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.23 295	0.16 187	0.09 93	0.09 89	0.06 16	0.06 36	0.15 283	0.16 359	0.06 114	0.04 21	0.06 102	0.05 108	0.07 258	0.07 280

MIF-Stereo (partial)	0.11 186	0.06 57	0.10 109	0.19 356	0.10 341	0.10 128	0.11 46	0.17 169	0.18 232	0.14 241	0.16 218	0.09 124	0.11 225	0.12 190	0.12 237	0.08 301	0.05 183	0.08 279	0.07 273	0.06 192	0.07 280

EKT-Stereo	0.11 186	0.07 140	0.14 265	0.15 70	0.10 341	0.13 247	0.14 152	0.18 198	0.21 285	0.11 155	0.08 71	0.12 193	0.09 168	0.11 108	0.12 237	0.08 301	0.06 308	0.07 195	0.06 186	0.08 321	0.07 280

anonymousdsp2	0.11 186	0.07 140	0.10 109	0.16 143	0.09 239	0.13 247	0.14 152	0.18 198	0.22 299	0.13 220	0.14 189	0.12 193	0.09 168	0.14 261	0.11 188	0.05 27	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

DCRE	0.11 186	0.07 140	0.13 230	0.16 143	0.11 390	0.11 173	0.17 319	0.18 198	0.17 206	0.11 155	0.18 264	0.10 155	0.10 200	0.15 283	0.11 188	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.04 40

knoymous	0.11 186	0.05 18	0.12 185	0.13 13	0.07 71	0.15 305	0.14 152	0.19 219	0.13 119	0.11 155	0.17 239	0.13 218	0.09 168	0.13 235	0.11 188	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.07 280

riskmin	0.11 186	0.06 57	0.13 230	0.14 30	0.08 127	0.14 279	0.14 152	0.18 198	0.14 143	0.11 155	0.14 189	0.16 281	0.11 225	0.14 261	0.12 237	0.09 360	0.05 183	0.07 195	0.05 108	0.08 321	0.08 344

Selective-RAFT	0.11 186	0.10 371	0.11 150	0.21 441	0.08 127	0.16 335	0.13 104	0.20 230	0.22 299	0.10 126	0.10 118	0.11 176	0.10 200	0.15 283	0.11 188	0.05 27	0.05 183	0.06 102	0.05 108	0.06 192	0.05 121

DisPM	0.11 186	0.07 140	0.12 185	0.16 143	0.09 239	0.06 9	0.13 104	0.17 169	0.17 206	0.14 241	0.20 285	0.12 193	0.10 200	0.11 108	0.10 123	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.11 441

CIPLG	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.15 160	0.14 241	0.11 148	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

GLC_STEREO	0.11 186	0.07 140	0.11 150	0.17 217	0.07 71	0.09 81	0.13 104	0.15 107	0.24 325	0.12 193	0.13 175	0.12 193	0.08 142	0.18 370	0.11 188	0.06 114	0.08 406	0.08 279	0.06 186	0.05 100	0.05 121

IPLGR_C	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.15 160	0.14 241	0.10 118	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

MIPNet	0.11 186	0.08 237	0.14 265	0.17 217	0.09 239	0.12 208	0.14 152	0.20 230	0.24 325	0.11 155	0.10 118	0.09 124	0.07 107	0.13 235	0.12 237	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

IPLGR	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.12 208	0.17 319	0.21 253	0.24 325	0.11 155	0.12 161	0.11 176	0.08 142	0.12 190	0.12 237	0.06 114	0.05 183	0.06 102	0.06 186	0.04 15	0.04 40

GMOStereo	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

error version	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

test-v	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

ACRE	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.14 143	0.14 241	0.10 118	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

PFNet+	0.11 186	0.06 57	0.13 230	0.16 143	0.09 239	0.05 4	0.12 63	0.17 169	0.21 285	0.16 296	0.19 273	0.14 238	0.10 200	0.11 108	0.11 188	0.08 301	0.05 183	0.09 360	0.08 338	0.06 192	0.11 441

LCNet	0.11 186	0.07 140	0.09 72	0.19 356	0.09 239	0.08 52	0.15 220	0.21 253	0.15 160	0.11 155	0.15 206	0.16 281	0.11 225	0.12 190	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.06 192	0.15 498

HHNet	0.11 186	0.06 57	0.16 350	0.15 70	0.14 464	0.07 29	0.13 104	0.20 230	0.17 206	0.14 241	0.25 366	0.11 176	0.08 142	0.13 235	0.10 123	0.05 27	0.04 21	0.08 279	0.06 186	0.05 100	0.09 388

Patchmatch Stereo++	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280
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	0.11 186	0.07 140	0.16 350	0.19 356	0.09 239	0.08 52	0.13 104	0.18 198	0.13 119	0.16 296	0.21 306	0.13 218	0.14 319	0.11 108	0.14 315	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

OMP-Stereo	0.11 186	0.06 57	0.14 265	0.18 299	0.08 127	0.09 81	0.12 63	0.21 253	0.21 285	0.13 220	0.14 189	0.11 176	0.12 256	0.11 108	0.13 278	0.06 114	0.04 21	0.07 195	0.06 186	0.05 100	0.04 40

IIG-Stereo	0.11 186	0.06 57	0.13 230	0.17 217	0.08 127	0.11 173	0.12 63	0.22 275	0.17 206	0.14 241	0.17 239	0.11 176	0.12 256	0.12 190	0.12 237	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

NF-Stereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

OCTAStereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

NRIStereo	0.11 186	0.08 237	0.14 265	0.18 299	0.08 127	0.10 128	0.14 152	0.16 133	0.15 160	0.12 193	0.14 189	0.13 218	0.12 256	0.13 235	0.10 123	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.07 280

PSM-adaLoss	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

PSM-AAD	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.10 128	0.15 220	0.20 230	0.13 119	0.12 193	0.14 189	0.18 315	0.11 225	0.11 108	0.10 123	0.05 27	0.05 183	0.09 360	0.08 338	0.06 192	0.14 491

ROB_FTStereo_v2	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

ROB_FTStereo	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

KYRaft	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.08 52	0.15 220	0.22 275	0.12 88	0.13 220	0.16 218	0.20 341	0.10 200	0.12 190	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.06 192	0.16 509

HUI-Stereo	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

ASMatch	0.11 186	0.06 57	0.13 230	0.16 143	0.10 341	0.07 29	0.14 152	0.17 169	0.17 206	0.12 193	0.16 218	0.16 281	0.10 200	0.13 235	0.10 123	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.08 344

RAFT_R40	0.11 186	0.07 140	0.14 265	0.18 299	0.09 239	0.06 9	0.13 104	0.17 169	0.16 187	0.14 241	0.18 264	0.15 267	0.12 256	0.10 62	0.11 188	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

GrayStereo	0.11 186	0.06 57	0.11 150	0.19 356	0.09 239	0.09 81	0.16 285	0.18 198	0.17 206	0.14 241	0.17 239	0.17 301	0.11 225	0.12 190	0.11 188	0.05 27	0.05 183	0.07 195	0.06 186	0.05 100	0.10 415

RE-Stereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

Pruner-Stereo	0.11 186	0.07 140	0.12 185	0.17 217	0.09 239	0.06 9	0.12 63	0.17 169	0.17 206	0.13 220	0.19 273	0.13 218	0.09 168	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.08 344

TVStereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

DeepStereo_RVC	0.11 186	0.08 237	0.16 350	0.18 299	0.08 127	0.08 52	0.12 63	0.17 169	0.12 88	0.13 220	0.14 189	0.12 193	0.12 256	0.12 190	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.07 258	0.08 344

iGMRVC	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

RAFT-RH_RVC	0.11 186	0.06 57	0.14 265	0.16 143	0.09 239	0.12 208	0.12 63	0.17 169	0.12 88	0.13 220	0.41 496	0.11 176	0.10 200	0.13 235	0.12 237	0.05 27	0.04 21	0.08 279	0.05 108	0.04 15	0.06 200

RAFT-345	0.11 186	0.07 140	0.15 316	0.16 143	0.08 127	0.08 52	0.12 63	0.15 107	0.10 36	0.11 155	0.36 459	0.09 124	0.09 168	0.11 108	0.12 237	0.05 27	0.05 183	0.07 195	0.06 186	0.04 15	0.05 121

iRAFT	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

CRE-IMP	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.10 128	0.12 63	0.18 198	0.10 36	0.14 241	0.13 175	0.13 218	0.12 256	0.12 190	0.11 188	0.07 240	0.04 21	0.08 279	0.06 186	0.08 321	0.08 344

test-2	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

GMM-Stereo	0.11 186	0.07 140	0.10 109	0.18 299	0.09 239	0.08 52	0.15 220	0.23 295	0.16 187	0.11 155	0.15 206	0.13 218	0.11 225	0.11 108	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.06 192	0.09 388

RAFT-IKP	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

Prome-Stereo	0.11 186	0.06 57	0.10 109	0.18 299	0.08 127	0.12 208	0.15 220	0.22 275	0.13 119	0.12 193	0.17 239	0.13 218	0.08 142	0.12 190	0.10 123	0.05 27	0.04 21	0.07 195	0.06 186	0.06 192	0.09 388

rafts_anoy	0.11 186	0.06 57	0.10 109	0.17 217	0.08 127	0.10 128	0.14 152	0.17 169	0.14 143	0.13 220	0.13 175	0.12 193	0.10 200	0.11 108	0.12 237	0.07 240	0.04 21	0.09 360	0.11 455	0.07 258	0.06 200

raft+_RVC	0.11 186	0.07 140	0.09 72	0.16 143	0.07 71	0.10 128	0.11 46	0.24 317	0.20 270	0.12 193	0.15 206	0.12 193	0.08 142	0.12 190	0.13 278	0.07 240	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

RALAANet	0.11 186	0.08 237	0.10 109	0.17 217	0.09 239	0.14 279	0.10 27	0.20 230	0.15 160	0.14 241	0.13 175	0.16 281	0.09 168	0.12 190	0.11 188	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

DIP-Stereo	0.11 186	0.07 140	0.14 265	0.17 217	0.09 239	0.13 247	0.09 18	0.16 133	0.16 187	0.11 155	0.16 218	0.14 238	0.12 256	0.15 283	0.13 278	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200
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	0.12 252	0.08 237	0.17 378	0.16 143	0.09 239	0.11 173	0.15 220	0.14 76	0.26 360	0.11 155	0.14 189	0.13 218	0.10 200	0.12 190	0.12 237	0.10 401	0.08 406	0.09 360	0.07 273	0.07 258	0.05 121

rvit_stereo_ft	0.12 252	0.07 140	0.13 230	0.19 356	0.10 341	0.12 208	0.17 319	0.16 133	0.16 187	0.12 193	0.13 175	0.15 267	0.10 200	0.14 261	0.13 278	0.09 360	0.06 308	0.08 279	0.07 273	0.07 258	0.05 121

test_sample2	0.12 252	0.07 140	0.12 185	0.14 30	0.08 127	0.16 335	0.18 364	0.21 253	0.16 187	0.14 241	0.20 285	0.19 329	0.15 337	0.15 283	0.12 237	0.08 301	0.05 183	0.07 195	0.06 186	0.08 321	0.07 280

MyStereo8	0.12 252	0.07 140	0.15 316	0.15 70	0.09 239	0.18 375	0.14 152	0.19 219	0.22 299	0.12 193	0.18 264	0.11 176	0.10 200	0.16 317	0.18 392	0.07 240	0.05 183	0.07 195	0.05 108	0.08 321	0.09 388

CoDeX	0.12 252	0.07 140	0.12 185	0.17 217	0.08 127	0.12 208	0.15 220	0.23 295	0.27 369	0.13 220	0.17 239	0.16 281	0.11 225	0.14 261	0.11 188	0.07 240	0.05 183	0.07 195	0.06 186	0.06 192	0.05 121

11t1	0.12 252	0.06 57	0.13 230	0.14 30	0.08 127	0.17 356	0.15 220	0.18 198	0.15 160	0.15 268	0.15 206	0.16 281	0.16 363	0.15 283	0.13 278	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.07 280

ffm	0.12 252	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.15 107	0.19 247	0.15 268	0.25 366	0.19 329	0.13 294	0.10 62	0.07 1	0.06 114	0.04 21	0.09 360	0.08 338	0.06 192	0.06 200

RAFT_CTSACE	0.12 252	0.09 313	0.10 109	0.22 456	0.08 127	0.12 208	0.24 474	0.18 198	0.16 187	0.20 381	0.27 391	0.13 218	0.07 107	0.13 235	0.09 54	0.05 27	0.06 308	0.08 279	0.07 273	0.04 15	0.04 40

Sa-1000	0.12 252	0.08 237	0.08 30	0.18 299	0.08 127	0.14 279	0.22 451	0.22 275	0.18 232	0.15 268	0.20 285	0.17 301	0.11 225	0.10 62	0.10 123	0.06 114	0.05 183	0.09 360	0.09 384	0.05 100	0.05 121

SA	0.12 252	0.09 313	0.08 30	0.18 299	0.08 127	0.12 208	0.24 474	0.23 295	0.18 232	0.17 312	0.27 391	0.14 238	0.11 225	0.11 108	0.11 188	0.05 27	0.05 183	0.09 360	0.08 338	0.05 100	0.04 40

iRaft-Stereo_5w	0.12 252	0.09 313	0.12 185	0.19 356	0.08 127	0.09 81	0.12 63	0.21 253	0.21 285	0.19 358	0.14 189	0.11 176	0.09 168	0.20 410	0.16 359	0.05 27	0.05 183	0.07 195	0.06 186	0.05 100	0.06 200

CrosDoStereo	0.12 252	0.06 57	0.12 185	0.14 30	0.08 127	0.12 208	0.15 220	0.17 169	0.22 299	0.19 358	0.24 337	0.15 267	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

PSM-softLoss	0.12 252	0.07 140	0.15 316	0.17 217	0.09 239	0.08 52	0.13 104	0.24 317	0.17 206	0.14 241	0.19 273	0.13 218	0.11 225	0.11 108	0.11 188	0.07 240	0.05 183	0.08 279	0.07 273	0.06 192	0.12 454

KMStereo	0.12 252	0.07 140	0.15 316	0.17 217	0.09 239	0.08 52	0.13 104	0.24 317	0.17 206	0.14 241	0.19 273	0.13 218	0.11 225	0.11 108	0.11 188	0.07 240	0.05 183	0.08 279	0.07 273	0.06 192	0.12 454

FTStereo	0.12 252	0.06 57	0.14 265	0.18 299	0.09 239	0.07 29	0.15 220	0.21 253	0.18 232	0.12 193	0.24 337	0.12 193	0.12 256	0.13 235	0.13 278	0.05 27	0.05 183	0.07 195	0.06 186	0.06 192	0.10 415

DeepStereo_LL	0.12 252	0.06 57	0.12 185	0.14 30	0.08 127	0.12 208	0.15 220	0.17 169	0.22 299	0.19 358	0.24 337	0.15 267	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

DEmStereo	0.12 252	0.06 57	0.14 265	0.14 30	0.10 341	0.16 335	0.15 220	0.16 133	0.24 325	0.17 312	0.24 337	0.13 218	0.14 319	0.12 190	0.13 278	0.05 27	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

THIR-Stereo	0.12 252	0.07 140	0.11 150	0.15 70	0.08 127	0.14 279	0.16 285	0.17 169	0.25 346	0.16 296	0.24 337	0.14 238	0.12 256	0.12 190	0.14 315	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

DRaft	0.12 252	0.06 57	0.11 150	0.14 30	0.09 239	0.14 279	0.17 319	0.21 253	0.30 400	0.17 312	0.28 405	0.10 155	0.15 337	0.10 62	0.12 237	0.05 27	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

PFNet	0.12 252	0.06 57	0.17 378	0.17 217	0.08 127	0.09 81	0.15 220	0.26 351	0.20 270	0.16 296	0.16 218	0.14 238	0.11 225	0.12 190	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

IRAFT_RVC	0.12 252	0.08 237	0.16 350	0.19 356	0.08 127	0.07 29	0.15 220	0.24 317	0.23 309	0.14 241	0.14 189	0.15 267	0.12 256	0.12 190	0.10 123	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.06 200

sCroCo_RVC	0.12 252	0.09 313	0.23 447	0.24 486	0.11 390	0.19 398	0.14 152	0.17 169	0.14 143	0.10 126	0.13 175	0.12 193	0.07 107	0.14 261	0.11 188	0.08 301	0.08 406	0.08 279	0.08 338	0.05 100	0.07 280

ARAFT	0.12 252	0.08 237	0.17 378	0.19 356	0.09 239	0.14 279	0.18 364	0.20 230	0.12 88	0.12 193	0.13 175	0.14 238	0.11 225	0.15 283	0.12 237	0.06 114	0.05 183	0.10 408	0.09 384	0.05 100	0.04 40

BEATNet_4x	0.12 252	0.08 237	0.14 265	0.18 299	0.07 71	0.15 305	0.07 3	0.22 275	0.18 232	0.16 296	0.19 273	0.18 315	0.14 319	0.16 317	0.15 343	0.07 240	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

MLCV	0.12 252	0.07 140	0.16 350	0.18 299	0.06 13	0.15 305	0.17 319	0.19 219	0.21 285	0.18 342	0.25 366	0.17 301	0.13 294	0.14 261	0.13 278	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

G2L-ROB	0.13 277	0.06 57	0.13 230	0.13 13	0.08 127	0.14 279	0.16 285	0.25 333	0.18 232	0.19 358	0.18 264	0.20 341	0.14 319	0.17 349	0.16 359	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.09 388

xyz-stereo	0.13 277	0.07 140	0.20 424	0.15 70	0.05 1	0.20 413	0.15 220	0.17 169	0.31 407	0.15 268	0.29 417	0.26 415	0.16 363	0.13 235	0.12 237	0.05 27	0.05 183	0.06 102	0.05 108	0.04 15	0.04 40

DFGA-Net	0.13 277	0.11 397	0.18 401	0.17 217	0.10 341	0.12 208	0.13 104	0.22 275	0.25 346	0.16 296	0.16 218	0.13 218	0.12 256	0.16 317	0.14 315	0.07 240	0.05 183	0.08 279	0.07 273	0.05 100	0.05 121

FACV-RUCA	0.13 277	0.11 397	0.12 185	0.19 356	0.12 421	0.15 305	0.15 220	0.22 275	0.20 270	0.15 268	0.16 218	0.14 238	0.16 363	0.14 261	0.13 278	0.07 240	0.05 183	0.08 279	0.06 186	0.10 415	0.08 344

UGAM	0.13 277	0.10 371	0.09 72	0.22 456	0.08 127	0.12 208	0.20 424	0.17 169	0.23 309	0.21 395	0.16 218	0.13 218	0.13 294	0.19 385	0.12 237	0.07 240	0.05 183	0.13 473	0.11 455	0.07 258	0.05 121

test_sample1	0.13 277	0.07 140	0.14 265	0.13 13	0.08 127	0.19 398	0.16 285	0.20 230	0.15 160	0.14 241	0.22 316	0.18 315	0.16 363	0.17 349	0.14 315	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.07 280

qqq1	0.13 277	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.11 188	0.08 301	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

fff1	0.13 277	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.11 188	0.08 301	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

MyStereo05	0.13 277	0.07 140	0.10 109	0.17 217	0.09 239	0.13 247	0.18 364	0.27 372	0.35 442	0.17 312	0.14 189	0.15 267	0.11 225	0.15 283	0.13 278	0.06 114	0.05 183	0.07 195	0.07 273	0.06 192	0.06 200

MyStereo04	0.13 277	0.07 140	0.10 109	0.17 217	0.09 239	0.14 279	0.18 364	0.29 402	0.38 461	0.17 312	0.14 189	0.16 281	0.10 200	0.15 283	0.13 278	0.06 114	0.05 183	0.08 279	0.07 273	0.06 192	0.06 200

ff1	0.13 277	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.15 107	0.19 247	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.06 114	0.04 21	0.09 360	0.08 338	0.06 192	0.06 200

StereoVision	0.13 277	0.12 415	0.09 72	0.24 486	0.10 341	0.15 305	0.21 441	0.21 253	0.20 270	0.12 193	0.24 337	0.10 155	0.10 200	0.16 317	0.10 123	0.09 360	0.11 468	0.12 458	0.12 474	0.06 192	0.05 121

LL-Strereo	0.13 277	0.09 313	0.11 150	0.20 412	0.10 341	0.11 173	0.18 364	0.32 437	0.24 325	0.15 268	0.15 206	0.14 238	0.13 294	0.19 385	0.11 188	0.06 114	0.04 21	0.09 360	0.08 338	0.04 15	0.05 121

CASS	0.13 277	0.12 415	0.11 150	0.23 477	0.09 239	0.15 305	0.17 319	0.18 198	0.19 247	0.17 312	0.18 264	0.15 267	0.15 337	0.14 261	0.14 315	0.09 360	0.06 308	0.10 408	0.08 338	0.09 383	0.07 280
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 277	0.07 140	0.13 230	0.18 299	0.09 239	0.13 247	0.17 319	0.19 219	0.29 390	0.15 268	0.24 337	0.15 267	0.14 319	0.14 261	0.14 315	0.07 240	0.05 183	0.07 195	0.09 384	0.05 100	0.06 200

TestStereo1	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 520	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

qqq	0.13 277	0.09 313	0.15 316	0.16 143	0.08 127	0.13 247	0.15 220	0.23 295	0.16 187	0.15 268	0.19 273	0.16 281	0.16 363	0.15 283	0.16 359	0.07 240	0.06 308	0.08 279	0.08 338	0.07 258	0.07 280

x	0.13 277	0.07 140	0.14 265	0.14 30	0.08 127	0.18 375	0.14 152	0.22 275	0.20 270	0.15 268	0.19 273	0.19 329	0.17 386	0.18 370	0.18 392	0.07 240	0.05 183	0.06 102	0.06 186	0.07 258	0.07 280

raft_robust	0.13 277	0.10 371	0.07 6	0.18 299	0.08 127	0.13 247	0.24 474	0.28 391	0.33 421	0.20 381	0.19 273	0.14 238	0.10 200	0.11 108	0.12 237	0.05 27	0.05 183	0.07 195	0.07 273	0.05 100	0.04 40

RAFT+CT+SA	0.13 277	0.11 397	0.09 72	0.19 356	0.09 239	0.15 305	0.28 511	0.22 275	0.22 299	0.15 268	0.26 383	0.10 155	0.10 200	0.11 108	0.12 237	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

SA-5K	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 520	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

GwcNet-ADL	0.13 277	0.08 237	0.14 265	0.20 412	0.09 239	0.11 173	0.20 424	0.30 416	0.24 325	0.13 220	0.14 189	0.18 315	0.14 319	0.13 235	0.14 315	0.07 240	0.05 183	0.06 102	0.05 108	0.07 258	0.06 200

GANet-ADL	0.13 277	0.07 140	0.15 316	0.17 217	0.10 341	0.18 375	0.15 220	0.30 416	0.20 270	0.13 220	0.18 264	0.19 329	0.12 256	0.16 317	0.13 278	0.08 301	0.06 308	0.06 102	0.05 108	0.07 258	0.08 344

RAFT	0.13 277	0.09 313	0.11 150	0.18 299	0.08 127	0.15 305	0.24 474	0.20 230	0.19 247	0.21 395	0.21 306	0.17 301	0.12 256	0.16 317	0.09 54	0.06 114	0.07 380	0.10 408	0.09 384	0.05 100	0.05 121

TestStereo	0.13 277	0.14 456	0.11 150	0.23 477	0.08 127	0.15 305	0.21 441	0.20 230	0.23 309	0.14 241	0.24 337	0.16 281	0.12 256	0.16 317	0.14 315	0.05 27	0.06 308	0.08 279	0.06 186	0.09 383	0.05 121

sAnonymous2	0.13 277	0.12 415	0.24 451	0.20 412	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

CroCo_RVC	0.13 277	0.12 415	0.24 451	0.20 412	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

RAFT + AFF	0.13 277	0.07 140	0.20 424	0.20 412	0.10 341	0.14 279	0.24 474	0.26 351	0.20 270	0.11 155	0.10 118	0.12 193	0.10 200	0.15 283	0.12 237	0.07 240	0.06 308	0.09 360	0.08 338	0.06 192	0.08 344

GMStereo	0.13 277	0.14 456	0.14 265	0.18 299	0.09 239	0.15 305	0.16 285	0.20 230	0.24 325	0.16 296	0.17 239	0.10 155	0.10 200	0.16 317	0.13 278	0.07 240	0.06 308	0.06 102	0.06 186	0.07 258	0.06 200
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 277	0.07 140	0.14 265	0.17 217	0.09 239	0.15 305	0.16 285	0.28 391	0.27 369	0.14 241	0.17 239	0.12 193	0.13 294	0.14 261	0.11 188	0.08 301	0.05 183	0.07 195	0.07 273	0.07 258	0.06 200

FENet	0.13 277	0.08 237	0.12 185	0.16 143	0.08 127	0.14 279	0.15 220	0.22 275	0.23 309	0.17 312	0.23 325	0.16 281	0.12 256	0.14 261	0.15 343	0.08 301	0.05 183	0.08 279	0.08 338	0.07 258	0.07 280

cf-r	0.13 277	0.07 140	0.12 185	0.16 143	0.08 127	0.14 279	0.19 403	0.20 230	0.25 346	0.17 312	0.25 366	0.21 350	0.16 363	0.14 261	0.14 315	0.10 401	0.05 183	0.06 102	0.08 338	0.06 192	0.06 200

iResNet	0.13 277	0.10 371	0.18 401	0.19 356	0.08 127	0.13 247	0.18 364	0.20 230	0.26 360	0.15 268	0.23 325	0.15 267	0.13 294	0.14 261	0.14 315	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

DN-CSS_ROB	0.13 277	0.13 444	0.16 350	0.18 299	0.10 341	0.16 335	0.08 7	0.22 275	0.18 232	0.17 312	0.22 316	0.13 218	0.13 294	0.12 190	0.13 278	0.05 27	0.05 183	0.10 408	0.10 423	0.08 321	0.06 200

G2L-Stereo_test	0.14 311	0.07 140	0.11 150	0.13 13	0.08 127	0.12 208	0.16 285	0.30 416	0.28 383	0.20 381	0.23 325	0.20 341	0.16 363	0.17 349	0.18 392	0.07 240	0.05 183	0.05 23	0.05 108	0.07 258	0.06 200

coex_refinement	0.14 311	0.07 140	0.12 185	0.17 217	0.10 341	0.15 305	0.15 220	0.26 351	0.29 390	0.18 342	0.20 285	0.22 368	0.17 386	0.16 317	0.18 392	0.08 301	0.05 183	0.06 102	0.06 186	0.09 383	0.08 344

G2L-Stereo	0.14 311	0.07 140	0.13 230	0.17 217	0.09 239	0.13 247	0.12 63	0.27 372	0.22 299	0.16 296	0.27 391	0.21 350	0.13 294	0.17 349	0.18 392	0.09 360	0.08 406	0.08 279	0.07 273	0.07 258	0.07 280

rvit_0105_6	0.14 311	0.09 313	0.18 401	0.17 217	0.10 341	0.10 128	0.16 285	0.19 219	0.26 360	0.12 193	0.18 264	0.17 301	0.12 256	0.18 370	0.12 237	0.15 495	0.11 468	0.12 458	0.10 423	0.09 383	0.06 200

rvit_0105_5	0.14 311	0.09 313	0.13 230	0.17 217	0.09 239	0.14 279	0.23 462	0.24 317	0.27 369	0.14 241	0.15 206	0.18 315	0.12 256	0.17 349	0.14 315	0.14 491	0.11 468	0.10 408	0.10 423	0.08 321	0.06 200

rvit_0105_4	0.14 311	0.09 313	0.17 378	0.17 217	0.10 341	0.12 208	0.19 403	0.23 295	0.27 369	0.14 241	0.20 285	0.17 301	0.13 294	0.17 349	0.13 278	0.15 495	0.11 468	0.11 439	0.10 423	0.09 383	0.06 200

DCVSM-stereo	0.14 311	0.09 313	0.16 350	0.16 143	0.10 341	0.15 305	0.09 18	0.19 219	0.23 309	0.20 381	0.23 325	0.26 415	0.15 337	0.18 370	0.14 315	0.09 360	0.07 380	0.09 360	0.08 338	0.10 415	0.12 454

test_sample6	0.14 311	0.08 237	0.13 230	0.16 143	0.08 127	0.17 356	0.19 403	0.25 333	0.17 206	0.17 312	0.27 391	0.19 329	0.14 319	0.15 283	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

test_sample5	0.14 311	0.08 237	0.14 265	0.16 143	0.08 127	0.18 375	0.18 364	0.25 333	0.17 206	0.17 312	0.27 391	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

test_sample4	0.14 311	0.08 237	0.14 265	0.15 70	0.08 127	0.19 398	0.18 364	0.26 351	0.17 206	0.16 296	0.25 366	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.06 308	0.08 279	0.06 186	0.08 321	0.08 344

test_sample3	0.14 311	0.08 237	0.15 316	0.14 30	0.09 239	0.19 398	0.17 319	0.26 351	0.18 232	0.16 296	0.22 316	0.19 329	0.15 337	0.17 349	0.13 278	0.08 301	0.06 308	0.07 195	0.06 186	0.09 383	0.08 344

DispNO	0.14 311	0.08 237	0.17 378	0.19 356	0.12 421	0.11 173	0.21 441	0.23 295	0.29 390	0.17 312	0.23 325	0.18 315	0.17 386	0.15 283	0.15 343	0.07 240	0.05 183	0.08 279	0.08 338	0.07 258	0.06 200

SMFormer	0.14 311	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.17 374	0.08 301	0.05 183	0.07 195	0.06 186	0.07 258	0.06 200

tta	0.14 311	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.17 374	0.08 301	0.05 183	0.07 195	0.06 186	0.06 192	0.06 200

mmm	0.14 311	0.08 237	0.17 378	0.17 217	0.09 239	0.17 356	0.18 364	0.21 253	0.15 160	0.15 268	0.23 325	0.21 350	0.16 363	0.16 317	0.17 374	0.08 301	0.05 183	0.08 279	0.07 273	0.07 258	0.07 280

DualNet	0.14 311	0.08 237	0.14 265	0.16 143	0.08 127	0.18 375	0.18 364	0.25 333	0.17 206	0.17 312	0.27 391	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

mmx	0.14 311	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.27 372	0.25 346	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.08 301	0.06 308	0.09 360	0.08 338	0.08 321	0.08 344

ttt	0.14 311	0.08 237	0.14 265	0.15 70	0.08 127	0.15 305	0.18 364	0.27 372	0.29 390	0.16 296	0.24 337	0.17 301	0.13 294	0.13 235	0.14 315	0.11 430	0.08 406	0.09 360	0.08 338	0.09 383	0.08 344

xxx	0.14 311	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.27 372	0.25 346	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.08 301	0.06 308	0.09 360	0.08 338	0.08 321	0.08 344

PCWNet_CMD	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 447	0.14 241	0.20 285	0.21 350	0.12 256	0.17 349	0.13 278	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

CBFPSM	0.14 311	0.06 57	0.26 459	0.17 217	0.09 239	0.13 247	0.15 220	0.22 275	0.23 309	0.20 381	0.27 391	0.24 392	0.16 363	0.16 317	0.18 392	0.06 114	0.06 308	0.06 102	0.07 273	0.07 258	0.07 280

gwcnet-sp	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

scenet	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

ssnet	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

BUS	0.14 311	0.09 313	0.14 265	0.22 456	0.10 341	0.19 398	0.14 152	0.34 465	0.19 247	0.17 312	0.22 316	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

IER	0.14 311	0.07 140	0.13 230	0.17 217	0.09 239	0.14 279	0.16 285	0.25 333	0.26 360	0.18 342	0.25 366	0.17 301	0.20 428	0.16 317	0.14 315	0.08 301	0.05 183	0.07 195	0.06 186	0.08 321	0.07 280

test_5	0.14 311	0.12 415	0.08 30	0.20 412	0.10 341	0.14 279	0.29 520	0.21 253	0.24 325	0.18 342	0.28 405	0.11 176	0.15 337	0.12 190	0.13 278	0.06 114	0.05 183	0.07 195	0.08 338	0.08 321	0.07 280

psmg	0.14 311	0.09 313	0.14 265	0.17 217	0.10 341	0.15 305	0.17 319	0.29 402	0.19 247	0.17 312	0.21 306	0.25 406	0.16 363	0.15 283	0.14 315	0.08 301	0.06 308	0.08 279	0.08 338	0.07 258	0.06 200

UDGNet	0.14 311	0.13 444	0.16 350	0.17 217	0.10 341	0.12 208	0.16 285	0.21 253	0.27 369	0.20 381	0.20 285	0.16 281	0.13 294	0.16 317	0.13 278	0.10 401	0.06 308	0.09 360	0.07 273	0.06 192	0.07 280

CFNet_pseudo	0.14 311	0.08 237	0.15 316	0.16 143	0.09 239	0.13 247	0.14 152	0.27 372	0.34 433	0.14 241	0.21 306	0.22 368	0.13 294	0.18 370	0.14 315	0.07 240	0.05 183	0.08 279	0.06 186	0.07 258	0.07 280

GES	0.14 311	0.08 237	0.16 350	0.15 70	0.10 341	0.13 247	0.13 104	0.28 391	0.25 346	0.16 296	0.23 325	0.18 315	0.13 294	0.16 317	0.13 278	0.08 301	0.07 380	0.07 195	0.06 186	0.08 321	0.09 388

GANet-RSSM	0.14 311	0.07 140	0.13 230	0.13 13	0.08 127	0.14 279	0.17 319	0.22 275	0.21 285	0.17 312	0.24 337	0.23 386	0.15 337	0.16 317	0.15 343	0.10 401	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

PSMNet-RSSM	0.14 311	0.07 140	0.13 230	0.15 70	0.08 127	0.13 247	0.16 285	0.24 317	0.24 325	0.16 296	0.28 405	0.22 368	0.14 319	0.15 283	0.13 278	0.11 430	0.06 308	0.09 360	0.12 474	0.08 321	0.07 280

GwcNet-RSSM	0.14 311	0.07 140	0.12 185	0.15 70	0.08 127	0.15 305	0.20 424	0.21 253	0.27 369	0.18 342	0.27 391	0.22 368	0.16 363	0.14 261	0.15 343	0.10 401	0.05 183	0.07 195	0.09 384	0.07 258	0.07 280

CFNet-ft	0.14 311	0.07 140	0.15 316	0.12 4	0.09 239	0.16 335	0.18 364	0.22 275	0.24 325	0.17 312	0.26 383	0.24 392	0.14 319	0.16 317	0.14 315	0.11 430	0.06 308	0.08 279	0.09 384	0.09 383	0.08 344

DMCA	0.14 311	0.09 313	0.16 350	0.19 356	0.09 239	0.15 305	0.17 319	0.23 295	0.27 369	0.14 241	0.19 273	0.17 301	0.18 400	0.15 283	0.17 374	0.10 401	0.06 308	0.08 279	0.06 186	0.09 383	0.10 415

RASNet	0.14 311	0.07 140	0.14 265	0.16 143	0.08 127	0.18 375	0.14 152	0.29 402	0.20 270	0.17 312	0.25 366	0.21 350	0.18 400	0.20 410	0.19 405	0.07 240	0.06 308	0.06 102	0.08 338	0.06 192	0.06 200

MSMDNet	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 447	0.14 241	0.21 306	0.21 350	0.12 256	0.17 349	0.14 315	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

HSM-Net_RVC	0.14 311	0.08 237	0.11 150	0.15 70	0.08 127	0.15 305	0.15 220	0.27 372	0.29 390	0.19 358	0.21 306	0.29 441	0.14 319	0.17 349	0.13 278	0.06 114	0.06 308	0.06 102	0.06 186	0.07 258	0.06 200
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 311	0.07 140	0.15 316	0.12 4	0.09 239	0.16 335	0.18 364	0.22 275	0.24 325	0.17 312	0.26 383	0.24 392	0.14 319	0.16 317	0.14 315	0.11 430	0.06 308	0.08 279	0.09 384	0.09 383	0.08 344

ccs_rob	0.14 311	0.08 237	0.15 316	0.16 143	0.09 239	0.12 208	0.14 152	0.27 372	0.34 433	0.14 241	0.21 306	0.22 368	0.13 294	0.18 370	0.14 315	0.07 240	0.05 183	0.08 279	0.07 273	0.07 258	0.07 280

UCFNet_RVC	0.14 311	0.08 237	0.13 230	0.11 1	0.10 341	0.20 413	0.10 27	0.24 317	0.22 299	0.17 312	0.20 285	0.23 386	0.15 337	0.17 349	0.15 343	0.12 455	0.07 380	0.10 408	0.13 484	0.11 438	0.10 415

iResNetv2_ROB	0.14 311	0.08 237	0.15 316	0.16 143	0.08 127	0.16 335	0.12 63	0.25 333	0.35 442	0.21 395	0.29 417	0.24 392	0.13 294	0.14 261	0.14 315	0.06 114	0.05 183	0.06 102	0.04 34	0.09 383	0.08 344

iResNet_ROB	0.14 311	0.07 140	0.13 230	0.14 30	0.07 71	0.18 375	0.14 152	0.26 351	0.31 407	0.22 411	0.25 366	0.23 386	0.15 337	0.15 283	0.13 278	0.07 240	0.05 183	0.05 23	0.04 34	0.08 321	0.08 344

DDVS	0.15 355	0.10 371	0.21 432	0.16 143	0.12 421	0.15 305	0.14 152	0.25 333	0.19 247	0.18 342	0.29 417	0.27 423	0.12 256	0.19 385	0.15 343	0.09 360	0.06 308	0.09 360	0.07 273	0.11 438	0.11 441

rvit_0105_3	0.15 355	0.09 313	0.14 265	0.19 356	0.12 421	0.15 305	0.25 490	0.25 333	0.29 390	0.15 268	0.17 239	0.20 341	0.13 294	0.17 349	0.14 315	0.13 478	0.11 468	0.12 458	0.14 487	0.07 258	0.06 200

ACV-stereo	0.15 355	0.10 371	0.28 471	0.18 299	0.12 421	0.14 279	0.12 63	0.23 295	0.21 285	0.19 358	0.23 325	0.22 368	0.15 337	0.23 451	0.17 374	0.07 240	0.06 308	0.07 195	0.07 273	0.07 258	0.07 280

ITSA-stereo	0.15 355	0.10 371	0.14 265	0.19 356	0.08 127	0.12 208	0.14 152	0.30 416	0.49 505	0.17 312	0.19 273	0.22 368	0.15 337	0.17 349	0.16 359	0.10 401	0.06 308	0.08 279	0.08 338	0.08 321	0.08 344

test_sample7	0.15 355	0.10 371	0.16 350	0.14 30	0.11 390	0.16 335	0.16 285	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.16 317	0.16 359	0.12 455	0.06 308	0.10 408	0.09 384	0.10 415	0.10 415

1111x	0.15 355	0.08 237	0.12 185	0.18 299	0.07 71	0.18 375	0.25 490	0.31 426	0.24 325	0.17 312	0.24 337	0.26 415	0.15 337	0.13 235	0.23 452	0.07 240	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

CFNet_ucs	0.15 355	0.08 237	0.16 350	0.16 143	0.11 390	0.14 279	0.14 152	0.30 416	0.34 433	0.16 296	0.24 337	0.23 386	0.14 319	0.18 370	0.15 343	0.09 360	0.06 308	0.08 279	0.07 273	0.09 383	0.09 388

BSDual-CNN	0.15 355	0.09 313	0.14 265	0.22 456	0.10 341	0.14 279	0.15 220	0.34 465	0.19 247	0.17 312	0.22 316	0.25 406	0.16 363	0.15 283	0.14 315	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

hknet	0.15 355	0.11 397	0.13 230	0.22 456	0.11 390	0.14 279	0.15 220	0.34 465	0.25 346	0.17 312	0.22 316	0.22 368	0.18 400	0.17 349	0.12 237	0.07 240	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

dd	0.15 355	0.16 474	0.16 350	0.19 356	0.09 239	0.15 305	0.18 364	0.21 253	0.25 346	0.23 423	0.20 285	0.21 350	0.09 168	0.21 427	0.16 359	0.10 401	0.06 308	0.08 279	0.06 186	0.08 321	0.06 200

DAS	0.15 355	0.08 237	0.18 401	0.19 356	0.10 341	0.19 398	0.17 319	0.27 372	0.29 390	0.18 342	0.25 366	0.21 350	0.15 337	0.16 317	0.12 237	0.08 301	0.06 308	0.06 102	0.06 186	0.07 258	0.07 280

SepStereo	0.15 355	0.08 237	0.18 401	0.19 356	0.10 341	0.19 398	0.17 319	0.27 372	0.29 390	0.18 342	0.25 366	0.21 350	0.15 337	0.25 465	0.12 237	0.08 301	0.06 308	0.06 102	0.06 186	0.07 258	0.07 280

PSMNet-ADL	0.15 355	0.12 415	0.13 230	0.22 456	0.09 239	0.13 247	0.20 424	0.26 351	0.23 309	0.18 342	0.20 285	0.24 392	0.16 363	0.18 370	0.17 374	0.08 301	0.08 406	0.08 279	0.11 455	0.08 321	0.07 280

LMCR-Stereo	0.15 355	0.08 237	0.13 230	0.21 441	0.09 239	0.17 356	0.20 424	0.27 372	0.19 247	0.24 432	0.24 337	0.23 386	0.17 386	0.20 410	0.17 374	0.07 240	0.06 308	0.08 279	0.06 186	0.10 415	0.08 344

ICVP	0.15 355	0.09 313	0.12 185	0.22 456	0.09 239	0.17 356	0.21 441	0.25 333	0.23 309	0.18 342	0.30 423	0.26 415	0.18 400	0.17 349	0.14 315	0.09 360	0.07 380	0.08 279	0.07 273	0.07 258	0.07 280
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 355	0.07 140	0.14 265	0.14 30	0.08 127	0.23 451	0.18 364	0.31 426	0.19 247	0.14 241	0.28 405	0.22 368	0.14 319	0.15 283	0.26 486	0.09 360	0.05 183	0.07 195	0.07 273	0.08 321	0.07 280

test_xeample	0.15 355	0.06 57	0.13 230	0.14 30	0.08 127	0.21 430	0.20 424	0.28 391	0.20 270	0.16 296	0.29 417	0.19 329	0.16 363	0.15 283	0.26 486	0.09 360	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

ACVNet	0.15 355	0.09 313	0.15 316	0.13 13	0.12 421	0.14 279	0.20 424	0.22 275	0.33 421	0.17 312	0.26 383	0.21 350	0.16 363	0.17 349	0.21 431	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

acv_ft	0.15 355	0.09 313	0.15 316	0.19 356	0.10 341	0.16 335	0.17 319	0.25 333	0.33 421	0.19 358	0.26 383	0.21 350	0.17 386	0.17 349	0.18 392	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

CFNet	0.15 355	0.10 371	0.17 378	0.17 217	0.08 127	0.18 375	0.09 18	0.28 391	0.25 346	0.19 358	0.24 337	0.24 392	0.17 386	0.17 349	0.14 315	0.08 301	0.06 308	0.09 360	0.10 423	0.07 258	0.06 200

AdaStereo	0.15 355	0.11 397	0.15 316	0.18 299	0.09 239	0.20 413	0.11 46	0.32 437	0.28 383	0.20 381	0.23 325	0.20 341	0.13 294	0.19 385	0.14 315	0.12 455	0.05 183	0.10 408	0.07 273	0.09 383	0.07 280
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	0.15 355	0.08 237	0.14 265	0.16 143	0.09 239	0.16 335	0.14 152	0.28 391	0.25 346	0.19 358	0.23 325	0.37 493	0.16 363	0.20 410	0.15 343	0.07 240	0.05 183	0.07 195	0.06 186	0.07 258	0.06 200

pmcnn	0.15 355	0.07 140	0.19 412	0.15 70	0.07 71	0.20 413	0.15 220	0.24 317	0.26 360	0.21 395	0.34 451	0.28 433	0.18 400	0.18 370	0.17 374	0.07 240	0.05 183	0.05 23	0.04 34	0.07 258	0.06 200

DualNet (step1)	0.16 378	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.16 317	0.16 359	0.15 495	0.06 308	0.14 485	0.14 487	0.14 484	0.12 454

GMStereo_Zeroshot	0.16 378	0.13 444	0.24 451	0.20 412	0.10 341	0.17 356	0.13 104	0.29 402	0.25 346	0.23 423	0.32 435	0.25 406	0.11 225	0.19 385	0.14 315	0.09 360	0.06 308	0.11 439	0.06 186	0.12 453	0.08 344

iinet-f	0.16 378	0.06 57	0.45 515	0.14 30	0.10 341	0.21 430	0.14 152	0.27 372	0.23 309	0.21 395	0.24 337	0.21 350	0.15 337	0.18 370	0.21 431	0.09 360	0.07 380	0.07 195	0.06 186	0.09 383	0.10 415

CRFU-Net	0.16 378	0.08 237	0.14 265	0.17 217	0.09 239	0.19 398	0.14 152	0.26 351	0.20 270	0.28 471	0.27 391	0.29 441	0.17 386	0.19 385	0.17 374	0.09 360	0.09 435	0.07 195	0.07 273	0.08 321	0.08 344

NINENet	0.16 378	0.10 371	0.15 316	0.17 217	0.11 390	0.19 398	0.14 152	0.40 510	0.36 447	0.18 342	0.21 306	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.08 406	0.10 408	0.07 273	0.10 415	0.09 388

CSP-Net	0.16 378	0.09 313	0.14 265	0.16 143	0.09 239	0.19 398	0.17 319	0.25 333	0.32 414	0.25 445	0.30 423	0.24 392	0.15 337	0.21 427	0.18 392	0.09 360	0.06 308	0.07 195	0.07 273	0.08 321	0.07 280

AASNet	0.16 378	0.08 237	0.12 185	0.19 356	0.09 239	0.18 375	0.15 220	0.37 494	0.37 454	0.19 358	0.23 325	0.20 341	0.16 363	0.17 349	0.20 411	0.10 401	0.08 406	0.08 279	0.07 273	0.09 383	0.09 388

AACVNet	0.16 378	0.08 237	0.14 265	0.15 70	0.10 341	0.18 375	0.15 220	0.23 295	0.24 325	0.27 456	0.27 391	0.28 433	0.17 386	0.19 385	0.16 359	0.09 360	0.07 380	0.09 360	0.07 273	0.10 415	0.09 388

ADLNet2	0.16 378	0.09 313	0.13 230	0.16 143	0.09 239	0.20 413	0.16 285	0.31 426	0.39 464	0.16 296	0.20 285	0.20 341	0.18 400	0.21 427	0.22 440	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.07 280

Anonymous3	0.16 378	0.13 444	0.33 490	0.26 502	0.14 464	0.27 486	0.17 319	0.28 391	0.28 383	0.15 268	0.17 239	0.14 238	0.10 200	0.15 283	0.12 237	0.08 301	0.08 406	0.08 279	0.08 338	0.08 321	0.11 441

ADLNet	0.16 378	0.08 237	0.15 316	0.16 143	0.10 341	0.16 335	0.17 319	0.32 437	0.27 369	0.22 411	0.27 391	0.24 392	0.16 363	0.18 370	0.21 431	0.10 401	0.06 308	0.10 408	0.10 423	0.08 321	0.09 388

HCRNet	0.16 378	0.24 517	0.12 185	0.35 534	0.11 390	0.15 305	0.17 319	0.26 351	0.22 299	0.19 358	0.24 337	0.21 350	0.14 319	0.15 283	0.13 278	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

222	0.16 378	0.07 140	0.14 265	0.14 30	0.08 127	0.24 456	0.18 364	0.30 416	0.20 270	0.17 312	0.28 405	0.17 301	0.16 363	0.15 283	0.40 536	0.10 401	0.05 183	0.07 195	0.06 186	0.07 258	0.08 344

UPFNet	0.16 378	0.08 237	0.12 185	0.20 412	0.12 421	0.20 413	0.23 462	0.28 391	0.26 360	0.17 312	0.24 337	0.22 368	0.19 416	0.19 385	0.21 431	0.09 360	0.07 380	0.08 279	0.09 384	0.08 321	0.06 200

ac_64	0.16 378	0.08 237	0.15 316	0.18 299	0.10 341	0.22 438	0.18 364	0.24 317	0.21 285	0.18 342	0.24 337	0.29 441	0.18 400	0.19 385	0.22 440	0.09 360	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

DSFCA	0.16 378	0.09 313	0.14 265	0.16 143	0.10 341	0.20 413	0.19 403	0.28 391	0.31 407	0.23 423	0.24 337	0.22 368	0.15 337	0.19 385	0.20 411	0.10 401	0.07 380	0.09 360	0.09 384	0.08 321	0.08 344

FADNet-RVC-Resample	0.16 378	0.11 397	0.31 484	0.22 456	0.11 390	0.19 398	0.14 152	0.25 333	0.24 325	0.24 432	0.27 391	0.20 341	0.15 337	0.16 317	0.15 343	0.07 240	0.08 406	0.12 458	0.10 423	0.09 383	0.10 415

FADNet_RVC	0.16 378	0.14 456	0.40 508	0.20 412	0.11 390	0.13 247	0.13 104	0.26 351	0.22 299	0.21 395	0.23 325	0.20 341	0.17 386	0.14 261	0.16 359	0.08 301	0.08 406	0.12 458	0.09 384	0.11 438	0.10 415

AANet_RVC	0.16 378	0.10 371	0.10 109	0.18 299	0.09 239	0.18 375	0.19 403	0.26 351	0.31 407	0.22 411	0.35 456	0.21 350	0.21 432	0.22 440	0.16 359	0.06 114	0.05 183	0.06 102	0.06 186	0.07 258	0.06 200

DeepPruner_ROB	0.16 378	0.11 397	0.15 316	0.17 217	0.10 341	0.17 356	0.15 220	0.32 437	0.21 285	0.19 358	0.21 306	0.22 368	0.18 400	0.20 410	0.15 343	0.13 478	0.09 435	0.09 360	0.09 384	0.11 438	0.10 415

z-ln-s-r	0.17 398	0.10 371	0.40 508	0.19 356	0.08 127	0.17 356	0.18 364	0.22 275	0.33 421	0.18 342	0.40 485	0.22 368	0.17 386	0.20 410	0.23 452	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.05 121

rvit_stereo_0075_2	0.17 398	0.12 415	0.25 456	0.23 477	0.16 492	0.13 247	0.10 27	0.30 416	0.27 369	0.20 381	0.28 405	0.22 368	0.15 337	0.18 370	0.13 278	0.16 511	0.10 455	0.17 506	0.10 423	0.10 415	0.09 388

ToySt	0.17 398	0.11 397	0.18 401	0.17 217	0.11 390	0.16 335	0.25 490	0.24 317	0.33 421	0.19 358	0.24 337	0.26 415	0.24 455	0.19 385	0.20 411	0.07 240	0.08 406	0.09 360	0.10 423	0.09 383	0.08 344

ssnet_v2	0.17 398	0.10 371	0.17 378	0.17 217	0.11 390	0.21 430	0.21 441	0.33 456	0.25 346	0.22 411	0.22 316	0.27 423	0.18 400	0.22 440	0.20 411	0.11 430	0.09 435	0.09 360	0.09 384	0.08 321	0.08 344

dad	0.17 398	0.20 503	0.20 424	0.16 143	0.11 390	0.20 413	0.18 364	0.21 253	0.28 383	0.30 483	0.24 337	0.29 441	0.13 294	0.19 385	0.16 359	0.18 518	0.09 435	0.11 439	0.09 384	0.11 438	0.07 280

GEStereo_RVC	0.17 398	0.12 415	0.15 316	0.22 456	0.11 390	0.19 398	0.17 319	0.32 437	0.48 499	0.20 381	0.25 366	0.17 301	0.13 294	0.21 427	0.16 359	0.10 401	0.06 308	0.08 279	0.07 273	0.09 383	0.08 344

MMNet	0.17 398	0.09 313	0.16 350	0.20 412	0.11 390	0.27 486	0.20 424	0.25 333	0.41 473	0.22 411	0.30 423	0.21 350	0.20 428	0.17 349	0.20 411	0.06 114	0.06 308	0.07 195	0.07 273	0.08 321	0.07 280

delet	0.17 398	0.08 237	0.17 378	0.19 356	0.11 390	0.20 413	0.21 441	0.30 416	0.37 454	0.17 312	0.26 383	0.19 329	0.19 416	0.19 385	0.21 431	0.08 301	0.08 406	0.09 360	0.11 455	0.06 192	0.06 200

UNet	0.17 398	0.09 313	0.18 401	0.19 356	0.12 421	0.27 486	0.19 403	0.33 456	0.29 390	0.21 395	0.24 337	0.23 386	0.19 416	0.19 385	0.18 392	0.07 240	0.06 308	0.08 279	0.07 273	0.08 321	0.06 200

HGLStereo	0.17 398	0.08 237	0.19 412	0.17 217	0.12 421	0.18 375	0.18 364	0.31 426	0.32 414	0.21 395	0.32 435	0.25 406	0.18 400	0.19 385	0.20 411	0.09 360	0.09 435	0.07 195	0.07 273	0.09 383	0.10 415

DMCA-RVC	0.17 398	0.10 371	0.15 316	0.24 486	0.11 390	0.18 375	0.18 364	0.25 333	0.24 325	0.21 395	0.26 383	0.25 406	0.27 478	0.18 370	0.20 411	0.12 455	0.08 406	0.13 473	0.10 423	0.10 415	0.08 344

TDLM	0.17 398	0.12 415	0.13 230	0.24 486	0.10 341	0.18 375	0.18 364	0.36 488	0.30 400	0.21 395	0.28 405	0.28 433	0.18 400	0.23 451	0.18 392	0.11 430	0.07 380	0.10 408	0.10 423	0.08 321	0.08 344

NLCA_NET_v2_RVC	0.17 398	0.10 371	0.22 438	0.20 412	0.10 341	0.15 305	0.18 364	0.31 426	0.25 346	0.21 395	0.30 423	0.25 406	0.17 386	0.21 427	0.20 411	0.09 360	0.06 308	0.08 279	0.08 338	0.07 258	0.08 344
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	0.17 398	0.12 415	0.15 316	0.20 412	0.09 239	0.18 375	0.18 364	0.26 351	0.23 309	0.26 450	0.40 485	0.22 368	0.17 386	0.21 427	0.20 411	0.08 301	0.05 183	0.09 360	0.10 423	0.07 258	0.07 280
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ISRNet	0.18 412	0.08 237	0.19 412	0.19 356	0.13 444	0.15 305	0.12 63	0.30 416	0.32 414	0.21 395	0.25 366	0.27 423	0.17 386	0.17 349	0.20 411	0.20 525	0.08 406	0.14 485	0.14 487	0.14 484	0.17 517

test_sample9	0.18 412	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.19 385	0.17 374	0.15 495	0.30 544	0.14 485	0.14 487	0.14 484	0.12 454

fast-acv-ft	0.18 412	0.11 397	0.19 412	0.19 356	0.12 421	0.24 456	0.21 441	0.25 333	0.34 433	0.22 411	0.34 451	0.27 423	0.20 428	0.21 427	0.23 452	0.09 360	0.09 435	0.08 279	0.10 423	0.08 321	0.07 280

HBP-ISP	0.18 412	0.13 444	0.16 350	0.15 70	0.11 390	0.08 52	0.13 104	0.28 391	0.29 390	0.22 411	0.33 447	0.21 350	0.25 464	0.23 451	0.17 374	0.14 491	0.16 513	0.21 520	0.17 514	0.10 415	0.08 344

Wz-Net-LNSev-Ref	0.18 412	0.09 313	0.29 479	0.15 70	0.10 341	0.22 438	0.20 424	0.26 351	0.39 464	0.25 445	0.42 502	0.24 392	0.15 337	0.20 410	0.19 405	0.07 240	0.05 183	0.06 102	0.05 108	0.10 415	0.09 388

SACVNet	0.18 412	0.12 415	0.14 265	0.17 217	0.13 444	0.22 438	0.18 364	0.31 426	0.30 400	0.23 423	0.31 431	0.30 450	0.22 441	0.22 440	0.17 374	0.11 430	0.08 406	0.10 408	0.10 423	0.12 453	0.14 491

psm_up	0.18 412	0.10 371	0.18 401	0.20 412	0.11 390	0.17 356	0.19 403	0.37 494	0.34 433	0.21 395	0.28 405	0.29 441	0.24 455	0.20 410	0.22 440	0.09 360	0.10 455	0.11 439	0.11 455	0.08 321	0.08 344

hitnet-ft	0.18 412	0.09 313	0.17 378	0.14 30	0.09 239	0.26 476	0.20 424	0.25 333	0.26 360	0.24 432	0.32 435	0.31 463	0.22 441	0.24 460	0.21 431	0.12 455	0.07 380	0.10 408	0.08 338	0.12 453	0.11 441

STTStereo	0.18 412	0.12 415	0.27 466	0.20 412	0.11 390	0.16 335	0.21 441	0.29 402	0.23 309	0.21 395	0.30 423	0.29 441	0.18 400	0.20 410	0.19 405	0.12 455	0.11 468	0.11 439	0.14 487	0.09 383	0.08 344

CVANet_RVC	0.18 412	0.10 371	0.14 265	0.21 441	0.10 341	0.18 375	0.17 319	0.34 465	0.33 421	0.22 411	0.31 431	0.28 433	0.18 400	0.23 451	0.17 374	0.12 455	0.08 406	0.12 458	0.11 455	0.09 383	0.07 280

StereoDRNet	0.18 412	0.11 397	0.17 378	0.22 456	0.11 390	0.21 430	0.22 451	0.37 494	0.33 421	0.24 432	0.28 405	0.30 450	0.19 416	0.20 410	0.20 411	0.09 360	0.08 406	0.11 439	0.09 384	0.09 383	0.07 280

DLCB_ROB	0.18 412	0.10 371	0.15 316	0.23 477	0.11 390	0.24 456	0.18 364	0.29 402	0.28 383	0.27 456	0.28 405	0.28 433	0.24 455	0.19 385	0.20 411	0.08 301	0.08 406	0.09 360	0.09 384	0.07 258	0.07 280

TCMNet	0.19 424	0.12 415	0.19 412	0.20 412	0.18 513	0.20 413	0.24 474	0.27 372	0.36 447	0.23 423	0.26 383	0.25 406	0.19 416	0.19 385	0.23 452	0.13 478	0.11 468	0.11 439	0.12 474	0.13 471	0.12 454

rvit_105_1	0.19 424	0.11 397	0.25 456	0.21 441	0.16 492	0.21 430	0.27 505	0.31 426	0.41 473	0.19 358	0.20 285	0.22 368	0.17 386	0.19 385	0.17 374	0.12 455	0.12 482	0.13 473	0.15 503	0.08 321	0.07 280

test_sample8	0.19 424	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.31 426	0.21 285	0.27 456	0.22 316	0.36 488	0.25 464	0.19 385	0.17 374	0.15 495	0.30 544	0.14 485	0.14 487	0.14 484	0.12 454

SDNR	0.19 424	0.08 237	0.19 412	0.16 143	0.12 421	0.77 558	0.14 152	0.25 333	0.32 414	0.19 358	0.24 337	0.19 329	0.13 294	0.19 385	0.15 343	0.16 511	0.18 520	0.14 485	0.11 455	0.08 321	0.11 441

pcwnet_v2	0.19 424	0.10 371	0.26 459	0.17 217	0.14 464	0.18 375	0.15 220	0.37 494	0.46 497	0.19 358	0.24 337	0.21 350	0.19 416	0.20 410	0.19 405	0.13 478	0.10 455	0.10 408	0.10 423	0.11 438	0.13 474

ADCRef	0.19 424	0.12 415	0.41 511	0.20 412	0.12 421	0.22 438	0.18 364	0.32 437	0.36 447	0.26 450	0.32 435	0.17 301	0.23 449	0.24 460	0.24 465	0.07 240	0.06 308	0.09 360	0.09 384	0.08 321	0.08 344

NVstereo2D	0.19 424	0.10 371	0.15 316	0.17 217	0.15 482	0.28 493	0.23 462	0.44 527	0.42 480	0.15 268	0.27 391	0.25 406	0.19 416	0.22 440	0.17 374	0.09 360	0.06 308	0.10 408	0.08 338	0.15 499	0.09 388

DRN-Test	0.19 424	0.11 397	0.20 424	0.22 456	0.10 341	0.22 438	0.22 451	0.39 506	0.37 454	0.24 432	0.32 435	0.26 415	0.21 432	0.22 440	0.24 465	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

DISCO	0.19 424	0.09 313	0.22 438	0.17 217	0.10 341	0.25 467	0.18 364	0.27 372	0.44 490	0.22 411	0.31 431	0.33 476	0.26 470	0.28 481	0.28 501	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.09 388

CBMV_ROB	0.19 424	0.13 444	0.17 378	0.16 143	0.11 390	0.15 305	0.13 104	0.26 351	0.28 383	0.27 456	0.30 423	0.27 423	0.24 455	0.23 451	0.16 359	0.15 495	0.17 518	0.22 524	0.20 520	0.10 415	0.11 441

NOSS_ROB	0.19 424	0.12 415	0.18 401	0.16 143	0.12 421	0.15 305	0.12 63	0.30 416	0.32 414	0.20 381	0.22 316	0.27 423	0.23 449	0.21 427	0.16 359	0.16 511	0.18 520	0.23 525	0.21 522	0.12 453	0.13 474

CBMV	0.19 424	0.14 456	0.17 378	0.18 299	0.10 341	0.20 413	0.11 46	0.29 402	0.30 400	0.29 479	0.30 423	0.30 450	0.23 449	0.27 470	0.19 405	0.13 478	0.15 510	0.17 506	0.16 507	0.10 415	0.10 415
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	0.20 436	0.14 456	0.37 503	0.22 456	0.12 421	0.20 413	0.21 441	0.28 391	0.37 454	0.25 445	0.37 465	0.27 423	0.22 441	0.21 427	0.23 452	0.08 301	0.08 406	0.09 360	0.09 384	0.10 415	0.09 388

YMNet	0.20 436	0.12 415	0.19 412	0.20 412	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 495	0.10 408	0.10 423	0.08 321	0.09 388

YMNet_1	0.20 436	0.12 415	0.19 412	0.20 412	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 495	0.10 408	0.10 423	0.08 321	0.09 388

GwcNet	0.20 436	0.13 444	0.19 412	0.18 299	0.12 421	0.24 456	0.19 403	0.35 481	0.43 485	0.20 381	0.32 435	0.33 476	0.20 428	0.22 440	0.24 465	0.11 430	0.09 435	0.09 360	0.09 384	0.09 383	0.10 415

FAT-Stereo	0.20 436	0.12 415	0.22 438	0.21 441	0.12 421	0.17 356	0.18 364	0.34 465	0.39 464	0.27 456	0.37 465	0.34 482	0.32 508	0.21 427	0.20 411	0.09 360	0.11 468	0.10 408	0.09 384	0.11 438	0.14 491

FADNet-RVC	0.20 436	0.20 503	0.38 504	0.21 441	0.16 492	0.20 413	0.15 220	0.26 351	0.26 360	0.26 450	0.32 435	0.26 415	0.21 432	0.22 440	0.19 405	0.12 455	0.13 495	0.12 458	0.14 487	0.13 471	0.18 520

S-Stereo	0.20 436	0.12 415	0.25 456	0.21 441	0.13 444	0.20 413	0.18 364	0.32 437	0.43 485	0.23 423	0.36 459	0.28 433	0.30 499	0.19 385	0.22 440	0.09 360	0.12 482	0.10 408	0.10 423	0.13 471	0.13 474

SuperB	0.20 436	0.10 371	0.56 531	0.16 143	0.09 239	0.18 375	0.18 364	0.24 317	0.50 508	0.26 450	0.39 479	0.17 301	0.21 432	0.22 440	0.21 431	0.08 301	0.06 308	0.06 102	0.06 186	0.12 453	0.10 415

ADCP+	0.20 436	0.10 371	0.33 490	0.20 412	0.12 421	0.22 438	0.26 498	0.31 426	0.34 433	0.26 450	0.37 465	0.22 368	0.22 441	0.27 470	0.27 494	0.09 360	0.06 308	0.08 279	0.08 338	0.09 383	0.10 415

PS-NSSS	0.20 436	0.21 509	0.23 447	0.20 412	0.10 341	0.19 398	0.17 319	0.36 488	0.25 346	0.27 456	0.33 447	0.27 423	0.24 455	0.20 410	0.20 411	0.15 495	0.12 482	0.17 506	0.14 487	0.10 415	0.08 344

PWCDC_ROB	0.20 436	0.13 444	0.22 438	0.24 486	0.11 390	0.19 398	0.15 220	0.33 456	0.54 517	0.29 479	0.50 517	0.21 350	0.15 337	0.27 470	0.20 411	0.11 430	0.09 435	0.10 408	0.08 338	0.11 438	0.09 388

SGM-Forest	0.20 436	0.14 456	0.18 401	0.19 356	0.13 444	0.20 413	0.22 451	0.33 456	0.30 400	0.24 432	0.29 417	0.28 433	0.19 416	0.23 451	0.17 374	0.15 495	0.16 513	0.15 497	0.14 487	0.12 453	0.12 454
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 448	0.17 485	0.19 412	0.23 477	0.15 482	0.30 500	0.20 424	0.33 456	0.35 442	0.23 423	0.28 405	0.31 463	0.27 478	0.20 410	0.22 440	0.15 495	0.12 482	0.13 473	0.09 384	0.14 484	0.14 491

FINET	0.21 448	0.18 496	0.26 459	0.18 299	0.16 492	0.23 451	0.23 462	0.32 437	0.48 499	0.25 445	0.32 435	0.22 368	0.22 441	0.22 440	0.17 374	0.18 518	0.16 513	0.11 439	0.10 423	0.15 499	0.13 474

Syn2CoEx	0.21 448	0.16 474	0.27 466	0.29 524	0.14 464	0.26 476	0.20 424	0.33 456	0.31 407	0.28 471	0.36 459	0.27 423	0.25 464	0.19 385	0.24 465	0.16 511	0.12 482	0.14 485	0.11 455	0.09 383	0.08 344

FADNet	0.21 448	0.22 513	0.36 499	0.18 299	0.17 507	0.24 456	0.13 104	0.31 426	0.31 407	0.23 423	0.25 366	0.27 423	0.21 432	0.19 385	0.15 343	0.13 478	0.15 510	0.12 458	0.15 503	0.16 506	0.18 520

RP	0.21 448	0.13 444	0.21 432	0.23 477	0.11 390	0.21 430	0.20 424	0.25 333	0.44 490	0.21 395	0.38 471	0.36 488	0.24 455	0.27 470	0.25 474	0.11 430	0.12 482	0.13 473	0.12 474	0.12 453	0.14 491

DANet	0.21 448	0.15 466	0.28 471	0.25 497	0.13 444	0.22 438	0.19 403	0.27 372	0.27 369	0.28 471	0.32 435	0.35 486	0.31 503	0.31 492	0.23 452	0.11 430	0.09 435	0.11 439	0.10 423	0.13 471	0.11 441
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 448	0.12 415	0.21 432	0.24 486	0.13 444	0.22 438	0.22 451	0.41 516	0.26 360	0.31 489	0.42 502	0.37 493	0.28 487	0.23 451	0.22 440	0.10 401	0.12 482	0.10 408	0.09 384	0.10 415	0.08 344

PWC_ROB	0.21 448	0.16 474	0.26 459	0.18 299	0.11 390	0.22 438	0.13 104	0.32 437	0.49 505	0.30 483	0.40 485	0.32 473	0.24 455	0.31 492	0.22 440	0.10 401	0.07 380	0.11 439	0.08 338	0.11 438	0.10 415

PSMNet_ROB	0.21 448	0.11 397	0.15 316	0.27 514	0.15 482	0.24 456	0.35 537	0.43 525	0.37 454	0.27 456	0.32 435	0.32 473	0.22 441	0.21 427	0.26 486	0.12 455	0.08 406	0.13 473	0.11 455	0.09 383	0.09 388

MSAF-DinoV2	0.22 457	0.11 397	0.23 447	0.17 217	0.10 341	0.27 486	0.16 285	0.37 494	0.55 518	0.21 395	0.27 391	0.47 527	0.27 478	0.35 511	0.39 533	0.09 360	0.06 308	0.07 195	0.09 384	0.12 453	0.10 415

GASNet	0.22 457	0.23 514	0.33 490	0.26 502	0.17 507	0.26 476	0.16 285	0.44 527	0.42 480	0.27 456	0.24 337	0.30 450	0.15 337	0.27 470	0.18 392	0.12 455	0.08 406	0.12 458	0.11 455	0.16 506	0.07 280

Anonymous_2	0.22 457	0.17 485	0.28 471	0.15 70	0.16 492	0.32 503	0.22 451	0.22 275	0.17 206	0.23 423	0.24 337	0.26 415	0.27 478	0.27 470	0.23 452	0.22 533	0.25 540	0.17 506	0.17 514	0.17 513	0.17 517

Wz-Net-LNSev	0.22 457	0.16 474	0.38 504	0.21 441	0.13 444	0.25 467	0.23 462	0.32 437	0.43 485	0.30 483	0.41 496	0.31 463	0.18 400	0.22 440	0.25 474	0.10 401	0.09 435	0.08 279	0.08 338	0.12 453	0.11 441

Wz-Net-MNSev	0.22 457	0.13 444	0.31 484	0.20 412	0.14 464	0.36 521	0.24 474	0.33 456	0.44 490	0.28 471	0.40 485	0.38 497	0.19 416	0.24 460	0.25 474	0.09 360	0.07 380	0.09 360	0.09 384	0.12 453	0.10 415

DDUNet	0.22 457	0.17 485	0.21 432	0.22 456	0.15 482	0.25 467	0.24 474	0.29 402	0.30 400	0.31 489	0.36 459	0.33 476	0.25 464	0.24 460	0.20 411	0.18 518	0.13 495	0.17 506	0.11 455	0.16 506	0.16 509

APVNet	0.22 457	0.12 415	0.19 412	0.18 299	0.14 464	0.32 503	0.31 533	0.39 506	0.32 414	0.27 456	0.40 485	0.30 450	0.29 495	0.26 467	0.25 474	0.11 430	0.12 482	0.11 439	0.14 487	0.12 453	0.12 454

aanetorigin	0.22 457	0.17 485	0.56 531	0.17 217	0.10 341	0.15 305	0.19 403	0.20 230	0.33 421	0.49 533	0.48 512	0.29 441	0.27 478	0.20 410	0.23 452	0.08 301	0.07 380	0.08 279	0.07 273	0.10 415	0.09 388

MaskLacGwcNet_RVC	0.22 457	0.21 509	0.24 451	0.26 502	0.11 390	0.23 451	0.14 152	0.39 506	0.24 325	0.32 495	0.36 459	0.30 450	0.21 432	0.19 385	0.21 431	0.17 516	0.14 504	0.21 520	0.16 507	0.12 453	0.12 454

AF-Net	0.22 457	0.17 485	0.17 378	0.26 502	0.13 444	0.25 467	0.24 474	0.32 437	0.50 508	0.25 445	0.33 447	0.38 497	0.26 470	0.28 481	0.25 474	0.11 430	0.10 455	0.16 503	0.11 455	0.11 438	0.10 415

stereogan	0.22 457	0.11 397	0.21 432	0.20 412	0.12 421	0.31 502	0.19 403	0.35 481	0.44 490	0.22 411	0.39 479	0.35 486	0.27 478	0.33 502	0.22 440	0.10 401	0.12 482	0.10 408	0.10 423	0.14 484	0.13 474

edge stereo	0.22 457	0.13 444	0.20 424	0.21 441	0.13 444	0.23 451	0.16 285	0.32 437	0.42 480	0.32 495	0.40 485	0.38 497	0.35 515	0.25 465	0.24 465	0.13 478	0.11 468	0.14 485	0.11 455	0.12 453	0.13 474

RYNet	0.22 457	0.12 415	0.22 438	0.19 356	0.17 507	0.46 529	0.26 498	0.38 502	0.48 499	0.24 432	0.28 405	0.34 482	0.23 449	0.20 410	0.30 509	0.10 401	0.06 308	0.09 360	0.09 384	0.13 471	0.15 498

NaN_ROB	0.22 457	0.19 499	0.24 451	0.25 497	0.13 444	0.29 497	0.26 498	0.33 456	0.41 473	0.31 489	0.31 431	0.32 473	0.23 449	0.30 491	0.21 431	0.11 430	0.17 518	0.10 408	0.10 423	0.08 321	0.09 388

MDST_ROB	0.22 457	0.10 371	0.17 378	0.18 299	0.11 390	0.37 522	0.19 403	0.43 525	0.41 473	0.39 513	0.39 479	0.29 441	0.21 432	0.26 467	0.18 392	0.11 430	0.10 455	0.14 485	0.11 455	0.10 415	0.08 344

XPNet_ROB	0.22 457	0.11 397	0.19 412	0.22 456	0.13 444	0.22 438	0.19 403	0.34 465	0.40 470	0.30 483	0.39 479	0.39 505	0.26 470	0.26 467	0.28 501	0.15 495	0.10 455	0.10 408	0.10 423	0.13 471	0.12 454

SQANet	0.23 473	0.23 514	0.30 482	0.30 526	0.19 516	0.27 486	0.13 104	0.29 402	0.33 421	0.24 432	0.37 465	0.31 463	0.22 441	0.27 470	0.23 452	0.15 495	0.10 455	0.21 520	0.16 507	0.21 522	0.15 498

Nwc_Net	0.23 473	0.16 474	0.21 432	0.25 497	0.14 464	0.24 456	0.26 498	0.37 494	0.38 461	0.22 411	0.41 496	0.30 450	0.28 487	0.28 481	0.25 474	0.11 430	0.10 455	0.17 506	0.20 520	0.10 415	0.10 415

RTSC	0.23 473	0.12 415	0.28 471	0.21 441	0.13 444	0.28 493	0.16 285	0.35 481	0.66 540	0.27 456	0.33 447	0.30 450	0.21 432	0.31 492	0.29 504	0.10 401	0.08 406	0.09 360	0.10 423	0.13 471	0.13 474

PA-Net	0.23 473	0.18 496	0.33 490	0.28 517	0.22 524	0.21 430	0.38 542	0.29 402	0.39 464	0.22 411	0.32 435	0.25 406	0.26 470	0.20 410	0.25 474	0.09 360	0.23 538	0.15 497	0.22 525	0.09 383	0.13 474
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NCCL2	0.23 473	0.15 466	0.17 378	0.34 532	0.18 513	0.24 456	0.23 462	0.34 465	0.28 383	0.31 489	0.38 471	0.38 497	0.28 487	0.23 451	0.24 465	0.15 495	0.12 482	0.18 515	0.21 522	0.13 471	0.13 474

ETE_ROB	0.23 473	0.17 485	0.22 438	0.25 497	0.13 444	0.26 476	0.29 520	0.31 426	0.36 447	0.28 471	0.36 459	0.45 520	0.26 470	0.27 470	0.26 486	0.11 430	0.08 406	0.12 458	0.09 384	0.14 484	0.13 474

SGM_RVC	0.23 473	0.12 415	0.15 316	0.15 70	0.09 239	0.33 509	0.18 364	0.34 465	0.31 407	0.44 528	0.37 465	0.53 535	0.35 515	0.35 511	0.24 465	0.13 478	0.13 495	0.13 473	0.13 484	0.10 415	0.11 441
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
z-mn7	0.24 480	0.14 456	0.45 515	0.19 356	0.13 444	0.28 493	0.25 490	0.34 465	0.62 533	0.27 456	0.56 528	0.29 441	0.24 455	0.32 499	0.25 474	0.08 301	0.08 406	0.08 279	0.08 338	0.10 415	0.10 415

w-ln-seven	0.24 480	0.14 456	0.55 528	0.19 356	0.14 464	0.26 476	0.22 451	0.35 481	0.60 530	0.29 479	0.39 479	0.30 450	0.22 441	0.21 427	0.26 486	0.09 360	0.09 435	0.11 439	0.10 423	0.11 438	0.10 415

DGSMNet	0.24 480	0.19 499	0.33 490	0.21 441	0.24 528	0.24 456	0.20 424	0.35 481	0.41 473	0.24 432	0.32 435	0.38 497	0.21 432	0.29 488	0.23 452	0.12 455	0.11 468	0.14 485	0.16 507	0.23 526	0.23 532

G-Net	0.24 480	0.16 474	0.36 499	0.22 456	0.16 492	0.51 535	0.23 462	0.29 402	0.34 433	0.36 505	0.38 471	0.31 463	0.29 495	0.27 470	0.26 486	0.11 430	0.09 435	0.12 458	0.09 384	0.16 506	0.13 474

NCC-stereo	0.24 480	0.15 466	0.31 484	0.26 502	0.16 492	0.20 413	0.30 527	0.40 510	0.40 470	0.24 432	0.38 471	0.33 476	0.28 487	0.36 517	0.27 494	0.12 455	0.11 468	0.15 497	0.22 525	0.13 471	0.13 474

Abc-Net	0.24 480	0.15 466	0.31 484	0.26 502	0.16 492	0.20 413	0.30 527	0.40 510	0.40 470	0.24 432	0.38 471	0.33 476	0.28 487	0.36 517	0.27 494	0.12 455	0.11 468	0.15 497	0.22 525	0.13 471	0.13 474
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 480	0.11 397	0.47 520	0.22 456	0.12 421	0.34 512	0.29 520	0.29 402	0.56 521	0.24 432	0.46 509	0.30 450	0.30 499	0.29 488	0.29 504	0.08 301	0.07 380	0.09 360	0.09 384	0.10 415	0.10 415

DeepPrunerF	0.24 480	0.17 485	0.42 513	0.26 502	0.16 492	0.22 438	0.28 511	0.37 494	0.50 508	0.26 450	0.29 417	0.24 392	0.28 487	0.21 427	0.22 440	0.15 495	0.11 468	0.20 519	0.18 518	0.12 453	0.13 474

FBW_ROB	0.24 480	0.17 485	0.22 438	0.26 502	0.14 464	0.25 467	0.22 451	0.41 516	0.41 473	0.41 520	0.41 496	0.42 512	0.27 478	0.31 492	0.23 452	0.09 360	0.14 504	0.14 485	0.12 474	0.11 438	0.09 388

SANet	0.24 480	0.14 456	0.28 471	0.21 441	0.11 390	0.27 486	0.24 474	0.38 502	0.64 537	0.36 505	0.40 485	0.43 516	0.26 470	0.27 470	0.24 465	0.12 455	0.09 435	0.10 408	0.09 384	0.13 471	0.11 441

WCMA_ROB	0.24 480	0.11 397	0.22 438	0.17 217	0.14 464	0.32 503	0.15 220	0.32 437	0.32 414	0.38 511	0.53 519	0.40 509	0.34 513	0.34 505	0.25 474	0.11 430	0.12 482	0.12 458	0.10 423	0.14 484	0.14 491

zh-sn7	0.25 491	0.17 485	0.50 522	0.24 486	0.13 444	0.25 467	0.24 474	0.34 465	0.48 499	0.28 471	0.54 521	0.28 433	0.31 503	0.36 517	0.32 517	0.10 401	0.10 455	0.11 439	0.10 423	0.12 453	0.12 454

zh-mn7	0.25 491	0.14 456	0.56 531	0.19 356	0.14 464	0.24 456	0.22 451	0.34 465	0.62 533	0.35 502	0.65 536	0.31 463	0.25 464	0.31 492	0.25 474	0.09 360	0.08 406	0.09 360	0.09 384	0.09 383	0.11 441

Wz-Net-SNSev	0.25 491	0.17 485	0.44 514	0.25 497	0.14 464	0.26 476	0.23 462	0.38 502	0.56 521	0.30 483	0.55 523	0.39 505	0.26 470	0.23 451	0.30 509	0.10 401	0.09 435	0.09 360	0.10 423	0.11 438	0.11 441

psmorigin	0.25 491	0.15 466	0.34 498	0.17 217	0.13 444	0.23 451	0.14 152	0.34 465	0.33 421	0.41 520	0.55 523	0.41 511	0.37 519	0.34 505	0.27 494	0.11 430	0.15 510	0.11 439	0.11 455	0.12 453	0.16 509

RGC	0.25 491	0.20 503	0.29 479	0.28 517	0.16 492	0.22 438	0.23 462	0.32 437	0.44 490	0.27 456	0.40 485	0.38 497	0.27 478	0.36 517	0.22 440	0.11 430	0.13 495	0.17 506	0.17 514	0.14 484	0.16 509

ADCMid	0.25 491	0.15 466	0.40 508	0.20 412	0.14 464	0.25 467	0.26 498	0.34 465	0.38 461	0.36 505	0.44 507	0.34 482	0.40 525	0.35 511	0.33 521	0.10 401	0.09 435	0.11 439	0.11 455	0.13 471	0.12 454

ADCPNet	0.25 491	0.16 474	0.61 536	0.21 441	0.15 482	0.35 520	0.25 490	0.32 437	0.35 442	0.30 483	0.40 485	0.36 488	0.28 487	0.28 481	0.32 517	0.12 455	0.10 455	0.11 439	0.12 474	0.14 484	0.13 474

STTRV1_RVC	0.25 491	0.26 523	0.39 506	0.19 356	0.26 535	0.30 500	0.24 474	0.34 465	0.35 442	0.36 505	0.34 451	0.31 463	0.31 503	0.28 481	0.25 474	0.17 516	0.10 455	0.16 503	0.14 487	0.17 513	0.12 454

LALA_ROB	0.25 491	0.16 474	0.22 438	0.26 502	0.17 507	0.27 486	0.27 505	0.42 521	0.37 454	0.33 499	0.38 471	0.51 531	0.26 470	0.28 481	0.27 494	0.16 511	0.09 435	0.12 458	0.11 455	0.13 471	0.12 454

SHD	0.26 500	0.15 466	0.30 482	0.24 486	0.18 513	0.22 438	0.15 220	0.38 502	0.71 544	0.32 495	0.41 496	0.36 488	0.28 487	0.32 499	0.29 504	0.12 455	0.11 468	0.14 485	0.13 484	0.16 506	0.20 526

AnyNet_C32	0.26 500	0.16 474	0.36 499	0.20 412	0.16 492	0.25 467	0.30 527	0.32 437	0.44 490	0.31 489	0.49 513	0.30 450	0.33 509	0.40 532	0.33 521	0.12 455	0.12 482	0.12 458	0.14 487	0.14 484	0.15 498

PSMNet-RUCA	0.27 502	0.33 536	0.41 511	0.36 536	0.32 543	0.18 375	0.19 403	0.42 521	0.30 400	0.33 499	0.41 496	0.39 505	0.25 464	0.31 492	0.20 411	0.18 518	0.10 455	0.25 527	0.15 503	0.21 522	0.16 509

PDISCO_ROB	0.27 502	0.16 474	0.26 459	0.28 517	0.20 519	0.32 503	0.26 498	0.44 527	0.57 523	0.28 471	0.40 485	0.45 520	0.29 495	0.33 502	0.34 523	0.12 455	0.09 435	0.17 506	0.16 507	0.17 513	0.13 474

DispFullNet	0.27 502	0.21 509	0.65 539	0.28 517	0.16 492	0.26 476	0.17 319	0.33 456	0.58 526	0.27 456	0.38 471	0.43 516	0.23 449	0.38 524	0.23 452	0.12 455	0.06 308	0.19 517	0.11 455	0.21 522	0.15 498

MeshStereo	0.27 502	0.13 444	0.18 401	0.15 70	0.11 390	0.32 503	0.24 474	0.40 510	0.36 447	0.52 535	0.57 531	0.67 546	0.40 525	0.35 511	0.26 486	0.14 491	0.13 495	0.13 473	0.11 455	0.11 438	0.10 415
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	0.28 506	0.17 485	0.78 553	0.22 456	0.16 492	0.34 512	0.29 520	0.39 506	0.57 523	0.24 432	0.55 523	0.37 493	0.24 455	0.33 502	0.35 524	0.09 360	0.08 406	0.09 360	0.10 423	0.14 484	0.16 509

XQC	0.28 506	0.23 514	0.51 523	0.28 517	0.19 516	0.34 512	0.27 505	0.36 488	0.57 523	0.31 489	0.30 423	0.37 493	0.30 499	0.38 524	0.38 531	0.13 478	0.09 435	0.15 497	0.12 474	0.17 513	0.18 520

CC-Net-ROB	0.28 506	0.31 534	0.36 499	0.29 524	0.15 482	0.25 467	0.19 403	0.45 530	0.33 421	0.39 513	0.37 465	0.39 505	0.31 503	0.27 470	0.26 486	0.24 539	0.19 523	0.30 540	0.23 529	0.18 517	0.15 498

DPSNet	0.28 506	0.16 474	0.31 484	0.18 299	0.13 444	0.54 537	0.42 546	0.51 539	0.67 541	0.29 479	0.38 471	0.38 497	0.29 495	0.31 492	0.23 452	0.11 430	0.10 455	0.11 439	0.08 338	0.20 521	0.16 509

MultiAttention	0.29 510	0.08 237	0.14 265	0.19 356	0.12 421	1.45 573	1.33 574	0.36 488	0.37 454	0.19 358	0.21 306	0.24 392	0.11 225	0.38 524	0.18 392	0.06 114	0.05 183	0.08 279	0.08 338	0.10 415	0.09 388

Wz-Net-TNSev	0.29 510	0.20 503	0.65 539	0.19 356	0.15 482	0.38 525	0.27 505	0.35 481	0.55 518	0.34 501	0.42 502	0.45 520	0.38 520	0.32 499	0.30 509	0.12 455	0.13 495	0.10 408	0.12 474	0.15 499	0.14 491

ccnet	0.29 510	0.28 529	0.23 447	0.20 412	0.28 537	0.41 528	0.21 441	0.45 530	0.33 421	0.36 505	0.46 509	0.36 488	0.30 499	0.39 528	0.42 540	0.23 537	0.14 504	0.21 520	0.17 514	0.23 526	0.18 520

EDNetEfficient	0.29 510	0.24 517	1.13 562	0.18 299	0.10 341	0.19 398	0.20 424	0.20 230	0.60 530	0.74 552	0.56 528	0.31 463	0.39 522	0.22 440	0.30 509	0.09 360	0.07 380	0.08 279	0.07 273	0.11 438	0.09 388

ADCS	0.29 510	0.18 496	0.45 515	0.21 441	0.17 507	0.28 493	0.23 462	0.41 516	0.63 536	0.40 516	0.49 513	0.40 509	0.36 517	0.39 528	0.40 536	0.13 478	0.12 482	0.13 473	0.14 487	0.16 506	0.16 509

CSAN	0.29 510	0.24 517	0.27 466	0.34 532	0.19 516	0.33 509	0.42 546	0.37 494	0.50 508	0.38 511	0.40 485	0.44 518	0.33 509	0.28 481	0.30 509	0.20 525	0.16 513	0.19 517	0.19 519	0.14 484	0.15 498

MFN_U_SF_DS_RVC	0.30 516	0.24 517	0.29 479	0.36 536	0.16 492	0.34 512	0.30 527	0.32 437	0.42 480	0.40 516	0.46 509	0.38 497	0.31 503	0.34 505	0.28 501	0.19 523	0.20 526	0.26 528	0.29 538	0.18 517	0.19 525

GANetREF_RVC	0.31 517	0.34 538	0.27 466	0.35 534	0.16 492	0.32 503	0.41 543	0.48 534	0.51 515	0.35 502	0.35 456	0.34 482	0.33 509	0.39 528	0.32 517	0.27 541	0.20 526	0.29 538	0.15 503	0.18 517	0.17 517
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	0.31 517	0.26 523	0.26 459	0.24 486	0.21 522	0.34 512	0.25 490	0.34 465	0.39 464	0.40 516	0.69 540	0.45 520	0.40 525	0.34 505	0.27 494	0.20 525	0.19 523	0.26 528	0.25 531	0.23 526	0.22 530

MFN_U_SF_RVC	0.32 519	0.21 509	0.55 528	0.30 526	0.15 482	0.34 512	0.17 319	0.52 540	0.46 497	0.46 532	0.55 523	0.59 538	0.39 522	0.35 511	0.37 529	0.15 495	0.14 504	0.18 515	0.21 522	0.16 506	0.15 498

PASM	0.32 519	0.24 517	0.48 521	0.28 517	0.27 536	0.29 497	0.30 527	0.34 465	0.49 505	0.35 502	0.39 479	0.46 524	0.34 513	0.34 505	0.35 524	0.23 537	0.25 540	0.26 528	0.28 537	0.23 526	0.21 528

SGM-ForestM	0.32 519	0.12 415	0.16 350	0.16 143	0.11 390	0.39 526	0.19 403	0.41 516	0.50 508	0.52 535	0.54 521	1.32 565	0.42 533	0.40 532	0.27 494	0.14 491	0.16 513	0.16 503	0.16 507	0.12 453	0.12 454

FC-DCNN v2	0.33 522	0.27 525	0.28 471	0.26 502	0.23 526	0.37 522	0.28 511	0.40 510	0.43 485	0.45 529	0.56 528	0.51 531	0.40 525	0.37 522	0.29 504	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 533

FCDSN-DC	0.33 522	0.28 529	0.28 471	0.30 526	0.24 528	0.39 526	0.28 511	0.42 521	0.42 480	0.43 526	0.53 519	0.51 531	0.41 530	0.36 517	0.30 509	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 533
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 522	0.27 525	0.28 471	0.26 502	0.23 526	0.37 522	0.28 511	0.40 510	0.43 485	0.45 529	0.55 523	0.51 531	0.40 525	0.37 522	0.30 509	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 533

LSM	0.33 522	0.20 503	0.58 534	0.26 502	0.60 560	0.34 512	0.25 490	0.42 521	0.48 499	0.45 529	0.58 533	0.42 512	0.36 517	0.35 511	0.25 474	0.12 455	0.20 526	0.14 485	0.16 507	0.19 520	0.33 547

AnyNet_C01	0.36 526	0.25 522	1.37 565	0.22 456	0.17 507	0.48 533	0.27 505	0.35 481	0.39 464	0.39 513	0.74 546	0.46 524	0.38 520	0.45 536	0.47 545	0.13 478	0.13 495	0.13 473	0.14 487	0.14 484	0.15 498

GCST	0.37 527	0.42 545	0.26 459	1.02 569	0.39 544	0.18 375	0.08 7	0.20 230	0.17 206	0.28 471	0.25 366	0.15 267	0.12 256	0.16 317	0.14 315	0.64 562	0.43 551	0.75 559	0.65 562	0.63 556	0.46 555

otaku	0.39 528	0.37 541	0.52 524	0.44 543	0.28 537	0.58 539	0.24 474	0.41 516	0.62 533	0.40 516	0.49 513	0.46 524	0.33 509	0.40 532	0.32 517	0.30 542	0.30 544	0.39 544	0.33 543	0.29 540	0.28 541

ACVNet-4b	0.39 528	0.53 548	0.55 528	0.45 544	0.24 528	0.47 531	0.18 364	0.49 536	0.64 537	0.42 523	0.45 508	0.60 539	0.27 478	0.34 505	0.24 465	0.33 545	0.14 504	0.48 548	0.42 548	0.30 541	0.26 540

PVD	0.39 528	0.20 503	0.39 506	0.31 530	0.22 524	0.29 497	0.43 548	0.52 540	0.96 558	0.55 538	0.79 550	0.53 535	0.59 548	0.52 542	0.38 531	0.19 523	0.14 504	0.17 506	0.14 487	0.24 533	0.31 545

Ntro	0.40 531	0.40 543	0.53 525	0.46 547	0.30 541	0.65 545	0.24 474	0.46 532	0.68 542	0.41 520	0.49 513	0.48 529	0.42 533	0.39 528	0.31 516	0.32 544	0.28 542	0.37 543	0.30 540	0.32 545	0.29 542

SAMSARA	0.40 531	0.28 529	0.33 490	0.55 550	0.39 544	0.82 559	1.23 573	0.47 533	0.51 515	0.36 505	0.35 456	0.55 537	0.39 522	0.38 524	0.39 533	0.15 495	0.20 526	0.15 497	0.14 487	0.23 526	0.20 526

ELAS_RVC	0.41 533	0.29 532	0.33 490	0.28 517	0.24 528	0.54 537	0.36 538	0.49 536	0.59 527	0.72 548	0.74 546	0.65 544	0.54 542	0.54 546	0.40 536	0.22 533	0.20 526	0.27 531	0.26 532	0.26 538	0.25 538
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 533	0.29 532	0.33 490	0.27 514	0.24 528	0.60 542	0.36 538	0.50 538	0.50 508	0.71 546	0.79 550	0.67 546	0.54 542	0.51 540	0.42 540	0.22 533	0.20 526	0.27 531	0.26 532	0.26 538	0.25 538
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 535	0.39 542	0.54 526	0.40 539	0.20 519	0.64 544	0.32 535	0.53 542	0.72 545	0.71 546	0.72 543	0.61 540	0.54 542	0.51 540	0.46 544	0.20 525	0.19 523	0.29 538	0.30 540	0.23 526	0.18 520

ACVNet_1	0.44 536	0.49 547	0.60 535	0.45 544	0.28 537	0.49 534	0.27 505	0.57 547	0.72 545	0.62 541	0.58 533	0.74 550	0.49 539	0.50 539	0.35 524	0.26 540	0.24 539	0.39 544	0.29 538	0.31 544	0.24 533

Consistency-Raft	0.44 536	0.40 543	0.45 515	0.37 538	0.43 548	0.46 529	0.41 543	0.57 547	0.55 518	0.32 495	0.73 544	0.33 476	0.48 538	0.42 535	0.49 547	0.39 547	0.35 548	0.45 547	0.51 555	0.42 547	0.29 542

RTS	0.45 538	0.19 499	3.26 572	0.24 486	0.15 482	0.74 552	0.20 424	0.36 488	0.76 551	0.42 523	0.43 505	0.31 463	0.41 530	0.53 544	0.35 524	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 498

RTSA	0.45 538	0.19 499	3.26 572	0.24 486	0.15 482	0.74 552	0.20 424	0.36 488	0.76 551	0.42 523	0.43 505	0.31 463	0.41 530	0.53 544	0.35 524	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 498

MANE	0.45 538	0.27 525	0.27 466	0.27 514	0.24 528	0.47 531	0.31 533	0.55 544	0.59 527	0.72 548	1.13 566	1.15 559	0.61 549	0.52 542	0.37 529	0.21 529	0.20 526	0.27 531	0.31 542	0.25 534	0.24 533

NVStereoNet_ROB	0.46 541	0.36 540	0.46 519	0.41 541	0.28 537	0.34 512	0.34 536	0.48 534	0.60 530	0.72 548	0.93 555	0.70 549	0.66 552	0.47 537	0.60 554	0.22 533	0.33 547	0.34 542	0.34 545	0.30 541	0.30 544
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	0.50 542	0.07 140	0.14 265	0.15 70	0.08 127	0.24 456	0.16 285	0.22 275	1.81 575	4.63 579	0.67 538	0.47 527	0.44 535	0.20 410	0.29 504	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

BEATNet-Init1	0.52 543	0.27 525	0.62 537	0.30 526	0.21 522	0.76 556	0.29 520	0.54 543	0.65 539	0.86 557	0.95 557	2.07 575	0.62 551	0.56 548	0.42 540	0.18 518	0.18 520	0.23 525	0.22 525	0.22 525	0.21 528

anonymity	0.53 544	0.58 550	0.65 539	0.41 541	0.61 561	0.53 536	0.41 543	0.56 545	0.41 473	0.55 538	0.50 517	0.49 530	0.55 545	0.58 549	0.50 550	0.58 558	0.50 561	0.51 550	0.51 555	0.51 549	0.57 557

RainbowNet	0.54 545	0.61 552	0.70 551	0.57 551	0.43 548	0.65 545	0.37 541	0.60 549	0.87 555	0.50 534	0.66 537	0.64 542	0.47 537	0.49 538	0.43 543	0.47 553	0.48 557	0.52 552	0.41 547	0.52 550	0.40 552

SGM+DAISY	0.56 546	0.57 549	0.65 539	0.40 539	0.54 553	0.66 547	0.49 550	0.56 545	0.45 496	0.66 542	0.69 540	0.67 546	0.56 546	0.63 551	0.56 552	0.59 559	0.48 557	0.50 549	0.50 554	0.52 550	0.58 558

SPS-STEREO	0.57 547	0.58 550	0.65 539	0.45 544	0.55 555	0.62 543	0.44 549	0.62 550	0.50 508	0.68 544	0.64 535	0.66 545	0.57 547	0.61 550	0.60 554	0.62 561	0.47 556	0.51 550	0.49 552	0.55 554	0.58 558
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 548	0.66 556	0.65 539	0.51 548	0.69 565	0.69 548	0.57 556	0.64 551	0.73 549	0.60 540	0.73 544	0.62 541	0.67 553	0.65 552	0.60 554	0.66 563	0.58 570	0.63 554	0.59 558	0.68 561	0.69 567

IMH-64-1	0.65 549	0.61 552	0.68 547	0.71 554	0.51 551	0.59 540	0.49 550	0.91 559	0.85 553	0.74 552	1.02 559	0.81 551	0.78 557	0.79 556	0.49 547	0.42 549	0.46 552	0.71 556	0.47 550	0.52 550	0.39 550

IMH-64	0.65 549	0.61 552	0.68 547	0.71 554	0.51 551	0.59 540	0.49 550	0.91 559	0.85 553	0.74 552	1.02 559	0.81 551	0.78 557	0.79 556	0.49 547	0.42 549	0.46 552	0.71 556	0.47 550	0.52 550	0.39 550

ACVNet_2	0.66 551	0.66 556	0.68 547	0.63 552	0.41 546	0.71 550	0.49 550	0.96 563	1.39 568	0.89 558	1.09 562	1.04 555	0.73 555	0.54 546	0.47 545	0.43 551	0.40 550	0.53 553	0.44 549	0.47 548	0.35 549

JetBlue	0.71 552	0.45 546	1.14 563	0.51 548	0.47 550	2.02 574	0.64 560	0.75 554	0.70 543	0.69 545	0.77 549	1.22 561	0.83 559	1.03 571	1.01 570	0.40 548	0.28 542	0.33 541	0.33 543	0.30 541	0.34 548

IMH	0.71 552	0.64 555	0.68 547	0.76 556	0.54 553	0.69 548	0.54 554	0.98 565	1.10 561	0.82 556	1.09 562	0.89 553	0.88 562	0.87 564	0.52 551	0.44 552	0.50 561	0.75 559	0.51 555	0.56 555	0.41 553

PWCK	0.71 552	0.94 567	0.95 560	0.76 556	0.31 542	0.74 552	0.36 538	0.90 558	0.90 556	0.96 561	0.75 548	0.95 554	0.61 549	0.87 564	0.66 557	0.72 564	0.46 552	0.75 559	0.49 552	0.69 563	0.44 554

MADNet+	0.75 555	0.71 558	3.70 575	0.66 553	0.41 546	0.98 564	0.97 571	0.69 553	0.73 549	0.52 535	0.57 531	0.64 542	0.68 554	0.86 563	1.01 570	0.34 546	0.36 549	0.28 537	0.23 529	0.36 546	0.31 545

TorneroNet-64	0.76 556	0.72 559	0.74 552	0.78 558	0.58 559	0.91 563	0.56 555	0.84 557	1.29 565	0.66 542	0.90 553	1.40 567	0.75 556	0.85 562	0.67 560	0.49 554	0.46 552	0.72 558	0.59 558	0.67 560	0.53 556

WAO-7	0.79 557	0.78 561	0.54 526	0.85 562	0.67 564	0.74 552	0.68 564	1.05 568	1.32 566	0.90 559	1.20 569	1.04 555	0.92 563	0.69 553	0.66 557	0.60 560	0.62 571	0.67 555	0.68 564	0.64 557	0.58 558

WAO-6	0.81 558	0.80 562	0.62 537	0.86 563	0.63 562	0.76 556	0.58 557	0.98 565	1.54 573	0.90 559	0.96 558	1.07 557	1.03 567	0.70 554	0.66 557	0.72 564	0.49 559	0.90 567	0.71 565	0.68 561	0.58 558

TorneroNet	0.82 559	0.74 560	0.81 557	0.84 561	0.63 562	0.99 565	0.63 558	0.96 563	1.16 562	0.80 555	1.11 564	1.36 566	0.86 561	0.93 567	0.80 565	0.56 556	0.49 559	0.78 564	0.66 563	0.73 566	0.63 566

LVE	0.83 560	0.85 565	0.85 558	0.80 559	0.56 556	1.04 569	0.65 561	1.05 568	1.47 571	0.96 561	1.22 570	1.10 558	0.85 560	0.83 559	0.71 562	0.49 554	0.55 567	0.76 562	0.60 560	0.65 558	0.59 563

Dean	0.87 561	0.86 566	0.79 555	0.81 560	0.56 556	0.90 560	0.63 558	1.15 574	1.73 574	1.15 569	1.15 567	1.31 564	0.99 566	0.81 558	0.81 566	0.57 557	0.56 568	0.77 563	0.64 561	0.66 559	0.58 558

WAO-8	0.91 562	0.81 563	0.65 539	0.94 566	0.69 565	0.90 560	0.67 562	1.07 571	1.83 576	1.06 566	1.45 572	1.30 562	1.07 568	0.84 560	0.78 563	0.74 566	0.53 564	0.86 565	0.75 566	0.69 563	0.62 564

Venus	0.91 562	0.81 563	0.65 539	0.94 566	0.69 565	0.90 560	0.67 562	1.07 571	1.83 576	1.06 566	1.45 572	1.30 562	1.07 568	0.84 560	0.78 563	0.74 566	0.53 564	0.86 565	0.75 566	0.69 563	0.62 564

UNDER WATER-64	0.95 564	0.94 567	1.43 567	0.87 564	0.56 556	1.18 572	0.87 568	0.77 555	0.94 557	1.04 564	0.85 552	1.58 572	1.21 573	0.94 568	0.96 568	0.87 570	0.57 569	1.03 570	0.88 571	0.78 567	0.73 568

UNDER WATER	0.97 565	0.97 569	1.42 566	0.99 568	0.70 568	1.12 571	0.84 567	0.80 556	1.08 560	1.01 563	0.90 553	1.55 571	1.22 574	1.03 571	1.00 569	0.78 568	0.53 564	1.02 569	0.87 570	0.80 568	0.74 569

notaker	0.97 565	1.11 570	0.98 561	1.13 571	0.81 569	0.73 551	0.68 564	0.93 561	1.16 562	1.18 571	1.18 568	1.41 568	1.16 572	1.08 573	0.69 561	0.81 569	0.64 572	1.17 572	0.79 568	0.98 570	0.80 571

ktn	1.01 567	1.21 572	0.80 556	1.23 573	0.86 571	1.01 567	0.87 568	0.94 562	1.39 568	1.04 564	1.12 565	1.15 559	1.07 568	0.94 568	0.59 553	1.28 576	0.71 573	1.38 576	0.83 569	1.02 572	0.75 570

KSHMR	1.09 568	1.17 571	0.88 559	1.25 574	1.00 573	0.99 565	0.96 570	1.13 573	1.37 567	1.16 570	1.29 571	1.41 568	0.96 565	1.01 570	0.92 567	1.03 573	1.08 575	1.20 573	1.03 574	1.01 571	0.97 573

DPSimNet_ROB	1.11 569	1.23 573	0.78 553	1.13 571	0.88 572	1.10 570	1.13 572	1.16 575	1.23 564	1.43 573	1.02 559	1.41 568	1.10 571	0.90 566	1.60 572	1.46 577	0.51 563	1.21 574	1.03 574	0.90 569	1.01 575

HanzoNet	1.29 570	1.26 574	1.19 564	1.12 570	0.85 570	1.02 568	0.83 566	1.03 567	1.48 572	1.64 574	1.61 574	2.50 577	1.72 575	1.61 575	1.61 573	1.26 575	0.80 574	1.31 575	1.01 573	1.02 572	0.86 572

JetRed	1.62 571	1.46 575	2.98 570	0.92 565	1.21 574	4.99 577	1.53 576	1.27 576	1.39 568	1.83 575	1.74 575	1.60 573	0.95 564	1.41 574	2.45 577	0.90 572	1.60 577	0.93 568	0.90 572	1.35 574	0.99 574

MADNet++	1.95 572	1.75 576	1.59 568	1.82 576	1.69 576	2.33 575	1.40 575	2.35 578	2.09 578	2.57 578	2.36 577	2.24 576	2.17 576	2.28 576	2.34 575	1.87 578	1.66 578	1.54 577	1.34 577	1.92 576	1.77 578

coex-ft	3.30 573	0.34 538	59.09 596	0.18 299	0.13 444	0.26 476	0.22 451	0.27 372	0.72 545	1.90 576	0.70 542	0.44 518	0.45 536	0.29 488	0.41 539	0.09 360	0.09 435	0.12 458	0.09 384	0.14 484	0.13 474

ASD4	3.54 574	3.38 579	2.05 569	1.72 575	2.51 578	9.03 581	17.71 582	2.25 577	5.51 580	2.46 577	2.81 578	2.03 574	3.36 577	2.73 577	5.06 578	1.22 574	1.34 576	1.13 571	1.33 576	1.68 575	1.49 577

TCMNet-wrong-test	3.67 575	5.48 585	3.89 576	12.18 588	11.75 589	4.65 576	3.88 577	1.06 570	0.72 545	1.09 568	2.15 576	6.30 582	0.53 541	3.43 579	2.36 576	0.89 571	0.20 526	1.87 579	1.69 578	5.57 584	3.62 584

tt	4.67 576	0.06 57	3.55 574	2.02 577	1.55 575	10.25 582	16.71 581	8.91 587	5.03 579	1.31 572	0.94 556	4.71 578	4.76 578	3.33 578	5.87 580	6.06 586	10.30 590	1.88 580	2.11 580	2.75 578	1.21 576

USTest	6.22 577	2.73 578	3.00 571	6.57 584	7.29 583	14.37 584	21.57 583	7.00 586	9.56 585	5.34 582	6.10 579	5.72 581	7.64 581	6.41 583	6.96 581	1.97 579	3.42 584	1.64 578	2.15 581	2.66 577	2.36 579

xxxxx1	7.79 578	5.02 582	7.31 579	3.12 578	3.85 579	16.35 586	22.88 584	5.86 583	8.69 582	7.97 583	8.54 580	9.12 585	8.27 582	10.18 585	10.92 582	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

tt_ll	7.79 578	5.02 582	7.31 579	3.12 578	3.85 579	16.35 586	22.88 584	5.86 583	8.69 582	7.97 583	8.54 580	9.12 585	8.27 582	10.18 585	10.92 582	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

ff	7.79 578	5.02 582	7.31 579	3.12 578	3.85 579	16.35 586	22.88 584	5.86 583	8.69 582	7.97 583	8.54 580	9.12 585	8.27 582	10.18 585	10.92 582	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

EDNetEfficientorigin	7.91 581	0.31 534	153.02 597	0.19 356	0.09 239	0.21 430	0.16 285	0.22 275	0.59 527	0.72 548	0.67 538	0.42 512	0.50 540	0.24 460	0.39 533	0.08 301	0.07 380	0.08 279	0.07 273	0.12 453	0.10 415

DPSMNet_ROB	8.06 582	4.48 580	8.63 585	5.37 583	10.74 586	8.32 579	22.98 588	5.46 580	13.36 588	5.12 580	9.92 583	5.08 579	10.40 585	5.53 582	12.58 585	3.80 584	8.00 585	3.50 581	7.02 584	3.83 582	7.14 586

DGTPSM_ROB	8.06 582	4.48 580	8.63 585	5.35 581	10.72 585	8.32 579	22.97 587	5.46 580	13.35 587	5.12 580	9.92 583	5.08 579	10.40 585	5.52 581	12.58 585	3.79 583	8.00 585	3.50 581	7.02 584	3.83 582	7.14 586

PML	8.91 584	9.34 589	6.13 577	5.35 581	6.41 582	14.99 585	23.38 589	5.27 579	6.83 581	18.04 591	28.19 596	7.67 583	6.83 580	7.85 584	5.75 579	5.35 585	1.83 579	5.95 589	1.93 579	8.64 587	2.52 580

DLNR_Zeroshot_test	10.40 585	1.82 577	19.49 592	120.77 598	13.11 590	0.06 9	0.13 104	0.23 295	0.10 36	0.07 30	0.10 118	0.09 124	0.06 36	0.10 62	0.09 54	0.13 478	0.04 21	0.06 102	0.04 34	51.54 597	0.04 40

LRCNet_RVC	10.62 586	13.42 590	7.30 578	18.92 590	2.07 577	0.33 509	0.30 527	5.59 582	0.48 499	13.03 589	17.94 589	8.87 584	5.65 579	4.79 580	1.89 574	23.51 595	2.73 583	27.55 596	25.71 596	16.07 593	16.33 594

Anonymous_1	10.96 587	7.92 586	7.46 582	10.33 585	10.06 584	18.65 590	26.34 590	11.06 588	13.44 589	9.40 586	10.05 585	9.67 588	11.23 587	10.73 588	12.72 587	6.42 587	8.38 587	5.77 586	10.61 586	12.12 588	6.77 585

DPSM_ROB	11.15 588	8.58 587	8.00 583	10.88 586	11.58 587	19.10 591	26.71 591	12.05 589	14.07 590	10.36 587	10.84 586	10.33 589	11.86 588	11.70 589	13.54 588	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 588

DPSM	11.15 588	8.58 587	8.00 583	10.88 586	11.58 587	19.10 591	26.71 591	12.05 589	14.07 590	10.36 587	10.84 586	10.33 589	11.86 588	11.70 589	13.54 588	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 588

HaxPig	15.71 590	18.52 595	19.18 591	16.89 589	15.89 591	7.73 578	7.60 578	13.31 591	10.82 586	15.42 590	14.91 588	15.98 591	14.92 590	15.58 591	15.98 590	18.95 594	16.73 591	19.46 594	18.08 594	19.26 594	19.05 595

MEDIAN_ROB	20.38 591	24.04 596	23.31 593	21.23 591	21.71 592	10.40 583	7.92 579	17.64 592	15.50 592	20.12 592	19.70 590	20.34 592	20.32 591	21.19 592	21.13 591	23.81 596	21.81 596	24.98 595	23.76 595	24.71 595	23.93 596

CasAABBNet	22.42 592	17.33 592	16.01 587	22.01 592	23.28 594	38.32 593	53.80 595	24.14 594	28.41 595	20.60 593	21.77 592	20.89 595	23.91 594	23.43 593	27.36 594	14.07 591	17.69 593	11.83 592	14.01 591	14.67 590	14.95 592

FlowAnything	22.44 593	17.35 593	16.14 589	22.07 594	23.23 593	38.39 594	53.77 594	24.25 595	28.44 596	20.96 596	21.82 593	20.70 593	23.84 592	23.49 594	27.14 593	14.04 590	17.79 595	11.75 590	14.15 593	14.65 589	14.89 590

Selective-RAFT-Error	22.47 594	17.37 594	16.09 588	22.06 593	23.34 595	38.39 594	53.83 596	24.29 597	28.47 597	20.74 594	21.83 594	20.81 594	23.90 593	23.54 596	27.53 596	14.08 592	17.69 593	11.82 591	14.00 590	14.69 591	15.00 593

LSM0	22.87 595	17.28 591	18.96 590	22.19 595	29.04 597	38.42 596	53.71 593	24.28 596	28.31 594	20.78 595	21.00 591	21.43 596	24.16 595	23.50 595	27.39 595	14.09 593	17.38 592	11.84 593	14.04 592	14.73 592	14.89 590

AVERAGE_ROB	24.90 596	29.20 597	28.14 594	24.89 596	24.64 596	17.75 589	11.12 580	21.45 593	19.93 593	25.12 597	24.46 595	25.12 597	25.46 596	24.69 597	22.83 592	29.76 597	27.13 597	28.97 597	27.95 597	29.91 596	29.47 597

test_example2	98.32 597	94.13 598	45.89 595	96.35 597	109.85 598	88.61 597	95.45 597	25.75 598	94.37 598	130.00 599	126.06 598	58.17 598	74.63 597	88.51 598	79.96 597	150.23 598	221.02 598	77.62 598	99.10 598	113.75 598	96.94 598

ccccc	245.47 598	285.66 599	306.18 598	368.85 599	370.60 599	123.16 598	145.33 598	115.05 599	110.08 599	126.68 598	110.87 597	122.83 599	165.88 598	252.94 599	276.56 598	384.56 599	353.86 599	254.69 599	223.00 599	425.87 599	386.83 599

FADE		0.33 536		0.33 531	0.25 534			0.64 551	1.07 559	0.43 526		0.42 512		0.70 554		0.30 542	0.21 537	0.41 546	0.38 546	0.23 526	0.22 530

Low-res two-view benchmark