Low-res two-view results

This table lists the benchmark results for the low-res two-view scenario. This benchmark evaluates the Middlebury stereo metrics (for all metrics, smaller is better):

bad 0.5, 1.0, 2.0, 4.0 [%]: Fraction of pixels with errors larger than the given number of disparities.
Average error [px]: The per-pixel average disparity error.
Root mean square error [px]: The per-pixel root mean square disparity error.
50%, 90%, 95%, 99% error quantile [px]: The highest disparity error within the given percentage of best pixels (for 50%, this is the median error).
Time [s]: The runtime of the method.

The mask determines whether the metric is evaluated for all pixels with ground truth, or only for pixels which are visible in both images (non-occluded).
The coverage selector allows to limit the table to results for all pixels (dense), or a given minimum fraction of pixels.

Methods with suffix _ROB may participate in the Robust Vision Challenge.

Click one or more dataset result cells or column headers to show visualizations. Most visualizations are only available for training datasets. The visualizations may not work with mobile browsers.

Method	all	lakes. 1l	lakes. 1s	sand box 1l	sand box 1s	stora. room 1l	stora. room 1s	stora. room 2l	stora. room 2s	stora. room 2 1l	stora. room 2 1s	stora. room 2 2l	stora. room 2 2s	stora. room 3l	stora. room 3s	tunnel 1l	tunnel 1s	tunnel 2l	tunnel 2s	tunnel 3l	tunnel 3s

FoundationStereo	0.06 1	0.04 1	0.08 18	0.12 4	0.05 1	0.09 52	0.13 65	0.06 1	0.09 6	0.05 1	0.05 1	0.06 8	0.04 1	0.06 1	0.07 1	0.06 84	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

StereoAnything_RVC	0.07 2	0.15 403	0.17 326	0.11 1	0.05 1	0.05 3	0.11 20	0.08 3	0.08 2	0.06 3	0.06 3	0.05 1	0.05 7	0.09 17	0.08 16	0.08 252	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

castereo++	0.08 12	0.05 11	0.08 18	0.15 57	0.05 1	0.14 229	0.12 33	0.11 13	0.15 117	0.07 12	0.07 21	0.07 37	0.06 25	0.08 11	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

MonSter	0.07 2	0.06 41	0.05 1	0.15 57	0.05 1	0.07 21	0.10 10	0.15 71	0.15 117	0.05 1	0.06 3	0.05 1	0.06 25	0.07 3	0.09 45	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

dual_stereo	0.07 2	0.04 1	0.08 18	0.15 57	0.05 1	0.05 3	0.13 65	0.12 24	0.08 2	0.07 12	0.06 3	0.05 1	0.05 7	0.07 3	0.09 45	0.06 84	0.04 3	0.05 3	0.03 1	0.04 3	0.04 18

trnet	0.08 12	0.05 11	0.07 4	0.12 4	0.05 1	0.12 162	0.11 20	0.13 36	0.10 16	0.08 31	0.13 130	0.09 85	0.08 103	0.11 75	0.10 94	0.08 252	0.05 146	0.05 3	0.03 1	0.06 149	0.05 87

s12784h	0.09 42	0.06 41	0.07 4	0.15 57	0.05 1	0.16 283	0.18 312	0.15 71	0.15 117	0.10 87	0.11 106	0.11 132	0.11 181	0.10 35	0.12 190	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

Reg-Stereo(zero)	0.08 12	0.05 11	0.08 18	0.16 111	0.06 8	0.12 162	0.11 20	0.15 71	0.10 16	0.12 148	0.09 55	0.10 112	0.08 103	0.11 75	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

DEFOM-Stereo_RVC	0.08 12	0.06 41	0.09 49	0.22 394	0.06 8	0.08 32	0.12 33	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.05 7	0.11 75	0.09 45	0.06 84	0.04 3	0.05 3	0.03 1	0.06 149	0.04 18

AIO_rvc	0.07 2	0.06 41	0.08 18	0.15 57	0.06 8	0.08 32	0.14 108	0.09 4	0.08 2	0.07 12	0.08 42	0.07 37	0.04 1	0.10 35	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

HUF	0.08 12	0.05 11	0.08 18	0.14 23	0.06 8	0.09 52	0.13 65	0.13 36	0.13 81	0.07 12	0.07 21	0.08 61	0.06 25	0.10 35	0.09 45	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

castereo	0.09 42	0.06 41	0.11 111	0.15 57	0.06 8	0.11 130	0.15 174	0.14 51	0.18 186	0.08 31	0.10 78	0.11 132	0.08 103	0.09 17	0.10 94	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

GIP-stereo	0.08 12	0.06 41	0.11 111	0.14 23	0.06 8	0.09 52	0.13 65	0.14 51	0.11 37	0.07 12	0.08 42	0.05 1	0.04 1	0.10 35	0.07 1	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

DEFOM-Stereo	0.07 2	0.05 11	0.07 4	0.14 23	0.06 8	0.10 90	0.13 65	0.07 2	0.13 81	0.06 3	0.07 21	0.06 8	0.05 7	0.10 35	0.09 45	0.04 1	0.04 3	0.05 3	0.03 1	0.04 3	0.04 18

WCG-NET	0.08 12	0.05 11	0.09 49	0.15 57	0.06 8	0.11 130	0.14 108	0.13 36	0.13 81	0.06 3	0.09 55	0.07 37	0.06 25	0.13 191	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

IGEV-Stereo++	0.07 2	0.06 41	0.08 18	0.18 249	0.06 8	0.04 1	0.10 10	0.11 13	0.11 37	0.06 3	0.07 21	0.07 37	0.06 25	0.09 17	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

IGEV-BASED-STEREO-	0.09 42	0.10 318	0.31 426	0.15 57	0.06 8	0.08 32	0.14 108	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.04 1	0.11 75	0.07 1	0.12 393	0.04 3	0.07 150	0.05 68	0.05 66	0.05 87

IGEV-Stereo+	0.07 2	0.04 1	0.08 18	0.15 57	0.06 8	0.04 1	0.09 5	0.10 6	0.09 6	0.06 3	0.06 3	0.06 8	0.06 25	0.06 1	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.06 149	0.06 157

AIO-Stereo	0.08 12	0.06 41	0.09 49	0.18 249	0.06 8	0.08 32	0.12 33	0.15 71	0.09 6	0.08 31	0.08 42	0.07 37	0.05 7	0.11 75	0.08 16	0.05 6	0.05 146	0.05 3	0.04 18	0.04 3	0.04 18

WCG-NET（raft）	0.08 12	0.05 11	0.10 78	0.15 57	0.06 8	0.11 130	0.13 65	0.15 71	0.12 53	0.08 31	0.07 21	0.06 8	0.06 25	0.13 191	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

RSM	0.08 12	0.06 41	0.09 49	0.17 175	0.06 8	0.08 32	0.12 33	0.12 24	0.10 16	0.08 31	0.07 21	0.06 8	0.05 7	0.11 75	0.09 45	0.04 1	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

CASnet	0.09 42	0.09 263	0.09 49	0.19 304	0.06 8	0.07 21	0.11 20	0.18 155	0.14 103	0.11 112	0.10 78	0.09 85	0.07 73	0.10 35	0.10 94	0.06 84	0.04 3	0.10 349	0.08 286	0.05 66	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
GCAP-Stereo	0.09 42	0.07 112	0.13 184	0.18 249	0.06 8	0.11 130	0.07 1	0.13 36	0.12 53	0.09 56	0.10 78	0.07 37	0.09 129	0.13 191	0.10 94	0.06 84	0.05 146	0.05 3	0.04 18	0.04 3	0.05 87

Selective-IGEV	0.07 2	0.06 41	0.08 18	0.17 175	0.06 8	0.08 32	0.12 33	0.13 36	0.07 1	0.08 31	0.07 21	0.06 8	0.04 1	0.10 35	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

EGLCR-Stereo	0.08 12	0.05 11	0.08 18	0.14 23	0.06 8	0.10 90	0.12 33	0.11 13	0.16 142	0.06 3	0.05 1	0.07 37	0.05 7	0.10 35	0.11 146	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

MC-Stereo	0.08 12	0.06 41	0.09 49	0.17 175	0.06 8	0.10 90	0.14 108	0.12 24	0.10 16	0.09 56	0.12 117	0.09 85	0.06 25	0.11 75	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

RCA-Stereo	0.09 42	0.06 41	0.09 49	0.16 111	0.06 8	0.09 52	0.13 65	0.18 155	0.14 103	0.09 56	0.10 78	0.08 61	0.07 73	0.12 150	0.11 146	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

DCANet-4	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.18 155	0.19 200	0.13 174	0.16 171	0.09 85	0.14 269	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

ADStereo(finetuned)	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.15 71	0.19 200	0.13 174	0.17 191	0.10 112	0.12 210	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

AnonymousM	0.09 42	0.05 11	0.10 78	0.14 23	0.06 8	0.09 52	0.13 65	0.19 174	0.14 103	0.13 174	0.11 106	0.09 85	0.08 103	0.13 191	0.10 94	0.08 252	0.05 146	0.08 228	0.05 68	0.05 66	0.05 87

TANstereo	0.09 42	0.04 1	0.08 18	0.13 12	0.06 8	0.11 130	0.14 108	0.15 71	0.19 200	0.11 112	0.15 160	0.10 112	0.06 25	0.12 150	0.09 45	0.07 197	0.05 146	0.05 3	0.04 18	0.06 149	0.05 87

DCANet	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.15 71	0.19 200	0.13 174	0.17 191	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

RAFT-Stereo + iAFF	0.09 42	0.06 41	0.10 78	0.17 175	0.06 8	0.10 90	0.16 237	0.17 129	0.14 103	0.09 56	0.10 78	0.08 61	0.09 129	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.06 139	0.04 3	0.03 1

EAI-Stereo	0.09 42	0.07 112	0.11 111	0.15 57	0.06 8	0.10 90	0.15 174	0.16 96	0.09 6	0.08 31	0.09 55	0.08 61	0.07 73	0.09 17	0.11 146	0.05 6	0.04 3	0.05 3	0.05 68	0.05 66	0.04 18

CREStereo	0.09 42	0.04 1	0.08 18	0.11 1	0.06 8	0.13 198	0.14 108	0.14 51	0.10 16	0.08 31	0.13 130	0.09 85	0.08 103	0.11 75	0.10 94	0.08 252	0.04 3	0.05 3	0.03 1	0.06 149	0.06 157
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 42	0.05 11	0.09 49	0.12 4	0.06 8	0.12 162	0.14 108	0.15 71	0.11 37	0.09 56	0.13 130	0.10 112	0.07 73	0.13 191	0.10 94	0.15 431	0.04 3	0.05 3	0.03 1	0.07 213	0.06 157

HITNet	0.10 99	0.06 41	0.12 141	0.14 23	0.06 8	0.11 130	0.10 10	0.18 155	0.18 186	0.13 174	0.16 171	0.14 192	0.11 181	0.15 235	0.13 230	0.06 84	0.04 3	0.04 1	0.04 18	0.06 149	0.05 87
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MLCV	0.12 205	0.07 112	0.16 298	0.18 249	0.06 8	0.15 254	0.17 268	0.19 174	0.21 237	0.18 292	0.25 314	0.17 254	0.13 245	0.14 213	0.13 230	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

MM-Stereo_test3	0.10 99	0.07 112	0.07 4	0.18 249	0.07 39	0.12 162	0.19 350	0.24 267	0.19 200	0.06 3	0.10 78	0.08 61	0.06 25	0.11 75	0.08 16	0.06 84	0.06 257	0.07 150	0.05 68	0.05 66	0.04 18

MM-Stereo_test1	0.10 99	0.07 112	0.08 18	0.18 249	0.07 39	0.12 162	0.18 312	0.21 205	0.20 222	0.09 56	0.11 106	0.08 61	0.06 25	0.10 35	0.10 94	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

HART	0.08 12	0.07 112	0.09 49	0.17 175	0.07 39	0.10 90	0.16 237	0.13 36	0.11 37	0.08 31	0.10 78	0.07 37	0.05 7	0.10 35	0.08 16	0.05 6	0.04 3	0.06 62	0.04 18	0.05 66	0.04 18

GREAT-IGEV	0.07 2	0.06 41	0.08 18	0.13 12	0.07 39	0.07 21	0.14 108	0.09 4	0.09 6	0.06 3	0.07 21	0.06 8	0.05 7	0.10 35	0.07 1	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

AIO_test	0.07 2	0.05 11	0.07 4	0.15 57	0.07 39	0.06 6	0.14 108	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.05 7	0.08 11	0.10 94	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

AIO-test1	0.10 99	0.07 112	0.10 78	0.23 414	0.07 39	0.09 52	0.13 65	0.21 205	0.14 103	0.11 112	0.12 117	0.09 85	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.09 304	0.10 364	0.03 1	0.06 157

fffft	0.09 42	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.17 268	0.12 24	0.11 37	0.08 31	0.07 21	0.09 85	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.05 87
1: 1. 1
SMoEStereo_RVC	0.08 12	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.14 108	0.11 13	0.13 81	0.09 56	0.07 21	0.07 37	0.07 73	0.12 150	0.10 94	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

tt45	0.09 42	0.06 41	0.11 111	0.15 57	0.07 39	0.11 130	0.16 237	0.13 36	0.11 37	0.09 56	0.06 3	0.08 61	0.06 25	0.13 191	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

fffy	0.09 42	0.08 199	0.09 49	0.16 111	0.07 39	0.13 198	0.17 268	0.13 36	0.12 53	0.08 31	0.09 55	0.08 61	0.09 129	0.13 191	0.11 146	0.05 6	0.05 146	0.07 150	0.05 68	0.04 3	0.05 87

Occ-G	0.08 12	0.05 11	0.06 2	0.14 23	0.07 39	0.08 32	0.14 108	0.13 36	0.15 117	0.07 12	0.11 106	0.07 37	0.05 7	0.09 17	0.10 94	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.05 87

RSM++	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.09 52	0.12 33	0.11 13	0.11 37	0.08 31	0.06 3	0.07 37	0.05 7	0.10 35	0.09 45	0.04 1	0.04 3	0.06 62	0.05 68	0.05 66	0.03 1

RAFT-Stereo-weight	0.09 42	0.06 41	0.10 78	0.16 111	0.07 39	0.09 52	0.14 108	0.19 174	0.16 142	0.11 112	0.10 78	0.08 61	0.06 25	0.10 35	0.11 146	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

gcap-zeroshot	0.09 42	0.05 11	0.10 78	0.16 111	0.07 39	0.13 198	0.13 65	0.11 13	0.12 53	0.13 174	0.12 117	0.09 85	0.08 103	0.09 17	0.09 45	0.06 84	0.05 146	0.06 62	0.05 68	0.04 3	0.04 18

MoCha-V2	0.08 12	0.05 11	0.10 78	0.20 353	0.07 39	0.09 52	0.14 108	0.11 13	0.08 2	0.07 12	0.08 42	0.07 37	0.06 25	0.09 17	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

IGEV++	0.08 12	0.06 41	0.08 18	0.18 249	0.07 39	0.09 52	0.13 65	0.10 6	0.09 6	0.08 31	0.08 42	0.06 8	0.06 25	0.13 191	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

1111x	0.15 302	0.08 199	0.12 141	0.18 249	0.07 39	0.18 322	0.25 428	0.31 370	0.24 276	0.17 262	0.24 285	0.26 360	0.15 286	0.13 191	0.23 396	0.07 197	0.07 326	0.08 228	0.09 330	0.07 213	0.06 157

MSKI-zero shot	0.09 42	0.05 11	0.09 49	0.15 57	0.07 39	0.10 90	0.13 65	0.14 51	0.13 81	0.09 56	0.09 55	0.09 85	0.06 25	0.12 150	0.10 94	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

MIM_Stereo	0.09 42	0.07 112	0.11 111	0.15 57	0.07 39	0.06 6	0.12 33	0.20 185	0.14 103	0.13 174	0.13 130	0.09 85	0.05 7	0.12 150	0.08 16	0.05 6	0.06 257	0.07 150	0.06 139	0.06 149	0.05 87

Any-RAFT	0.10 99	0.05 11	0.09 49	0.14 23	0.07 39	0.13 198	0.14 108	0.21 205	0.15 117	0.11 112	0.12 117	0.12 149	0.09 129	0.12 150	0.09 45	0.07 197	0.04 3	0.05 3	0.04 18	0.06 149	0.05 87

RAFT-Test	0.09 42	0.06 41	0.10 78	0.15 57	0.07 39	0.11 130	0.15 174	0.16 96	0.13 81	0.09 56	0.10 78	0.10 112	0.09 129	0.12 150	0.09 45	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

4D-IteraStereo	0.09 42	0.07 112	0.10 78	0.18 249	0.07 39	0.09 52	0.15 174	0.17 129	0.15 117	0.10 87	0.11 106	0.10 112	0.07 73	0.11 75	0.09 45	0.05 6	0.03 1	0.08 228	0.07 225	0.06 149	0.05 87

LoS_RVC	0.08 12	0.05 11	0.07 4	0.15 57	0.07 39	0.08 32	0.15 174	0.11 13	0.10 16	0.08 31	0.09 55	0.06 8	0.09 129	0.10 35	0.09 45	0.05 6	0.04 3	0.05 3	0.03 1	0.04 3	0.03 1

LoS	0.09 42	0.05 11	0.11 111	0.13 12	0.07 39	0.14 229	0.11 20	0.15 71	0.15 117	0.09 56	0.09 55	0.12 149	0.09 129	0.15 235	0.10 94	0.07 197	0.05 146	0.05 3	0.03 1	0.05 66	0.05 87
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
CES	0.08 12	0.04 1	0.08 18	0.14 23	0.07 39	0.09 52	0.14 108	0.11 13	0.09 6	0.08 31	0.09 55	0.11 132	0.06 25	0.12 150	0.08 16	0.06 84	0.04 3	0.05 3	0.03 1	0.05 66	0.05 87

knoymous	0.11 142	0.05 11	0.12 141	0.13 12	0.07 39	0.15 254	0.14 108	0.19 174	0.13 81	0.11 112	0.17 191	0.13 173	0.09 129	0.13 191	0.11 146	0.08 252	0.05 146	0.06 62	0.05 68	0.08 272	0.07 231

fff	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

GLC_STEREO	0.11 142	0.07 112	0.11 111	0.17 175	0.07 39	0.09 52	0.13 65	0.15 71	0.24 276	0.12 148	0.13 130	0.12 149	0.08 103	0.18 317	0.11 146	0.06 84	0.08 351	0.08 228	0.06 139	0.05 66	0.05 87

test-3	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.07 21	0.14 108	0.12 24	0.15 117	0.09 56	0.08 42	0.07 37	0.08 103	0.11 75	0.10 94	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.04 18

test_1	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.07 21	0.14 108	0.12 24	0.15 117	0.09 56	0.08 42	0.07 37	0.08 103	0.11 75	0.10 94	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.04 18

STrans-v2	0.10 99	0.07 112	0.12 141	0.18 249	0.07 39	0.10 90	0.14 108	0.21 205	0.11 37	0.11 112	0.15 160	0.12 149	0.10 157	0.11 75	0.12 190	0.05 6	0.04 3	0.06 62	0.06 139	0.04 3	0.04 18

TransformOpticalFlow	0.10 99	0.08 199	0.13 184	0.18 249	0.07 39	0.09 52	0.15 174	0.19 174	0.15 117	0.12 148	0.17 191	0.11 132	0.11 181	0.11 75	0.10 94	0.05 6	0.04 3	0.06 62	0.06 139	0.05 66	0.05 87

cross-raft	0.10 99	0.09 263	0.09 49	0.19 304	0.07 39	0.11 130	0.25 428	0.13 36	0.15 117	0.08 31	0.11 106	0.12 149	0.10 157	0.09 17	0.11 146	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

CREStereo++_RVC	0.08 12	0.04 1	0.06 2	0.13 12	0.07 39	0.09 52	0.12 33	0.14 51	0.14 103	0.10 87	0.14 144	0.08 61	0.07 73	0.09 17	0.11 146	0.06 84	0.04 3	0.05 3	0.05 68	0.04 3	0.04 18
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
raft+_RVC	0.11 142	0.07 112	0.09 49	0.16 111	0.07 39	0.10 90	0.11 20	0.24 267	0.20 222	0.12 148	0.15 160	0.12 149	0.08 103	0.12 150	0.13 230	0.07 197	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

XX-TBD	0.09 42	0.06 41	0.07 4	0.14 23	0.07 39	0.12 162	0.16 237	0.14 51	0.13 81	0.11 112	0.12 117	0.09 85	0.08 103	0.10 35	0.10 94	0.06 84	0.04 3	0.05 3	0.03 1	0.06 149	0.05 87

csc	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

cscssc	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

111	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.10 90	0.14 108	0.21 205	0.23 260	0.11 112	0.12 117	0.14 192	0.11 181	0.13 191	0.10 94	0.06 84	0.04 3	0.06 62	0.04 18	0.05 66	0.05 87

AFF-stereo	0.09 42	0.06 41	0.10 78	0.17 175	0.07 39	0.10 90	0.16 237	0.17 129	0.09 6	0.10 87	0.12 117	0.09 85	0.09 129	0.12 150	0.09 45	0.05 6	0.04 3	0.07 150	0.07 225	0.04 3	0.03 1

CFNet-RSSM	0.09 42	0.07 112	0.09 49	0.16 111	0.07 39	0.09 52	0.15 174	0.16 96	0.17 160	0.08 31	0.12 117	0.10 112	0.09 129	0.11 75	0.09 45	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

Gwc-CoAtRS	0.09 42	0.06 41	0.10 78	0.16 111	0.07 39	0.10 90	0.14 108	0.17 129	0.17 160	0.08 31	0.10 78	0.12 149	0.09 129	0.12 150	0.09 45	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

BEATNet_4x	0.12 205	0.08 199	0.14 215	0.18 249	0.07 39	0.15 254	0.07 1	0.22 227	0.18 186	0.16 248	0.19 224	0.18 267	0.14 269	0.16 269	0.15 294	0.07 197	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

iResNet_ROB	0.14 261	0.07 112	0.13 184	0.14 23	0.07 39	0.18 322	0.14 108	0.26 300	0.31 355	0.22 355	0.25 314	0.23 333	0.15 286	0.15 235	0.13 230	0.07 197	0.05 146	0.05 3	0.04 18	0.08 272	0.08 294

pmcnn	0.15 302	0.07 112	0.19 359	0.15 57	0.07 39	0.20 360	0.15 174	0.24 267	0.26 310	0.21 340	0.34 395	0.28 376	0.18 345	0.18 317	0.17 324	0.07 197	0.05 146	0.05 3	0.04 18	0.07 213	0.06 157

MM-Stereo_test2	0.09 42	0.06 41	0.09 49	0.19 304	0.08 84	0.12 162	0.18 312	0.15 71	0.14 103	0.07 12	0.10 78	0.07 37	0.06 25	0.12 150	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.03 1

SCV	0.08 12	0.09 263	0.08 18	0.15 57	0.08 84	0.10 90	0.13 65	0.10 6	0.12 53	0.07 12	0.07 21	0.06 8	0.04 1	0.09 17	0.08 16	0.05 6	0.04 3	0.06 62	0.04 18	0.06 149	0.04 18

AIO-test2	0.10 99	0.08 199	0.10 78	0.23 414	0.08 84	0.11 130	0.10 10	0.23 245	0.23 260	0.08 31	0.09 55	0.08 61	0.05 7	0.10 35	0.08 16	0.06 84	0.05 146	0.08 228	0.09 330	0.05 66	0.05 87

999	0.09 42	0.05 11	0.13 184	0.15 57	0.08 84	0.10 90	0.14 108	0.15 71	0.11 37	0.10 87	0.08 42	0.08 61	0.08 103	0.16 269	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.05 87

mms	0.09 42	0.07 112	0.08 18	0.16 111	0.08 84	0.10 90	0.16 237	0.12 24	0.11 37	0.08 31	0.09 55	0.08 61	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.03 1

ours_stereo	0.09 42	0.07 112	0.09 49	0.17 175	0.08 84	0.11 130	0.16 237	0.11 13	0.12 53	0.08 31	0.10 78	0.08 61	0.06 25	0.12 150	0.12 190	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.03 1

tg	0.10 99	0.06 41	0.10 78	0.18 249	0.08 84	0.11 130	0.16 237	0.20 185	0.12 53	0.08 31	0.11 106	0.11 132	0.07 73	0.11 75	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.04 3	0.04 18

PAM_32	0.09 42	0.05 11	0.17 326	0.15 57	0.08 84	0.10 90	0.15 174	0.14 51	0.15 117	0.09 56	0.08 42	0.09 85	0.07 73	0.14 213	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.06 157

PAM	0.10 99	0.05 11	0.16 298	0.15 57	0.08 84	0.09 52	0.16 237	0.15 71	0.16 142	0.12 148	0.09 55	0.09 85	0.07 73	0.13 191	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.06 157

UGAM-zero	0.09 42	0.05 11	0.15 264	0.15 57	0.08 84	0.09 52	0.13 65	0.19 174	0.15 117	0.11 112	0.15 160	0.07 37	0.07 73	0.09 17	0.09 45	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

UGAM	0.13 230	0.10 318	0.09 49	0.22 394	0.08 84	0.12 162	0.20 369	0.17 129	0.23 260	0.21 340	0.16 171	0.13 173	0.13 245	0.19 330	0.12 190	0.07 197	0.05 146	0.13 409	0.11 392	0.07 213	0.05 87

GCAP-BAT	0.09 42	0.07 112	0.14 215	0.15 57	0.08 84	0.10 90	0.13 65	0.14 51	0.10 16	0.11 112	0.10 78	0.08 61	0.07 73	0.12 150	0.10 94	0.06 84	0.05 146	0.06 62	0.04 18	0.04 3	0.04 18

ITSA-stereo	0.15 302	0.10 318	0.14 215	0.19 304	0.08 84	0.12 162	0.14 108	0.30 361	0.49 445	0.17 262	0.19 224	0.22 317	0.15 286	0.17 299	0.16 310	0.10 342	0.06 257	0.08 228	0.08 286	0.08 272	0.08 294

RAStereo	0.10 99	0.09 263	0.08 18	0.20 353	0.08 84	0.13 198	0.18 312	0.15 71	0.17 160	0.10 87	0.12 117	0.05 1	0.06 25	0.09 17	0.08 16	0.07 197	0.05 146	0.07 150	0.05 68	0.05 66	0.04 18

Pointernet	0.09 42	0.04 1	0.09 49	0.16 111	0.08 84	0.13 198	0.10 10	0.15 71	0.17 160	0.09 56	0.07 21	0.06 8	0.06 25	0.11 75	0.09 45	0.08 252	0.04 3	0.05 3	0.03 1	0.06 149	0.05 87

test_sample6	0.14 261	0.08 199	0.13 184	0.16 111	0.08 84	0.17 304	0.19 350	0.25 283	0.17 160	0.17 262	0.27 338	0.19 281	0.14 269	0.15 235	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

test_sample5	0.14 261	0.08 199	0.14 215	0.16 111	0.08 84	0.18 322	0.18 312	0.25 283	0.17 160	0.17 262	0.27 338	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

test_sample4	0.14 261	0.08 199	0.14 215	0.15 57	0.08 84	0.19 345	0.18 312	0.26 300	0.17 160	0.16 248	0.25 314	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.06 257	0.08 228	0.06 139	0.08 272	0.08 294

test_sample2	0.12 205	0.07 112	0.12 141	0.14 23	0.08 84	0.16 283	0.18 312	0.21 205	0.16 142	0.14 195	0.20 236	0.19 281	0.15 286	0.15 235	0.12 190	0.08 252	0.05 146	0.07 150	0.06 139	0.08 272	0.07 231

test_sample1	0.13 230	0.07 112	0.14 215	0.13 12	0.08 84	0.19 345	0.16 237	0.20 185	0.15 117	0.14 195	0.22 265	0.18 267	0.16 312	0.17 299	0.14 267	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.07 231

MGS-Stereo	0.09 42	0.07 112	0.12 141	0.15 57	0.08 84	0.09 52	0.15 174	0.12 24	0.12 53	0.07 12	0.10 78	0.08 61	0.06 25	0.10 35	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

Former-RAFT_DAM_RVC	0.10 99	0.08 199	0.12 141	0.16 111	0.08 84	0.15 254	0.16 237	0.18 155	0.18 186	0.10 87	0.09 55	0.09 85	0.08 103	0.11 75	0.12 190	0.07 197	0.05 146	0.08 228	0.06 139	0.07 213	0.06 157

SMFormer	0.14 261	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.17 324	0.08 252	0.05 146	0.07 150	0.06 139	0.07 213	0.06 157

tta	0.14 261	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.17 324	0.08 252	0.05 146	0.07 150	0.06 139	0.06 149	0.06 157

qqq1	0.13 230	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.11 146	0.08 252	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

fff1	0.13 230	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.11 146	0.08 252	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

CoDeX	0.12 205	0.07 112	0.12 141	0.17 175	0.08 84	0.12 162	0.15 174	0.23 245	0.27 319	0.13 174	0.17 191	0.16 234	0.11 181	0.14 213	0.11 146	0.07 197	0.05 146	0.07 150	0.06 139	0.06 149	0.05 87

11t1	0.12 205	0.06 41	0.13 184	0.14 23	0.08 84	0.17 304	0.15 174	0.18 155	0.15 117	0.15 222	0.15 160	0.16 234	0.16 312	0.15 235	0.13 230	0.08 252	0.05 146	0.06 62	0.05 68	0.08 272	0.07 231

DualNet	0.14 261	0.08 199	0.14 215	0.16 111	0.08 84	0.18 322	0.18 312	0.25 283	0.17 160	0.17 262	0.27 338	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

ffm	0.12 205	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.15 71	0.19 200	0.15 222	0.25 314	0.19 281	0.13 245	0.10 35	0.07 1	0.06 84	0.04 3	0.09 304	0.08 286	0.06 149	0.06 157

ff1	0.13 230	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.15 71	0.19 200	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.06 84	0.04 3	0.09 304	0.08 286	0.06 149	0.06 157

mmx	0.14 261	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.27 320	0.25 297	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.08 252	0.06 257	0.09 304	0.08 286	0.08 272	0.08 294

ttt	0.14 261	0.08 199	0.14 215	0.15 57	0.08 84	0.15 254	0.18 312	0.27 320	0.29 339	0.16 248	0.24 285	0.17 254	0.13 245	0.13 191	0.14 267	0.11 368	0.08 351	0.09 304	0.08 286	0.09 329	0.08 294

xxx	0.14 261	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.27 320	0.25 297	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.08 252	0.06 257	0.09 304	0.08 286	0.08 272	0.08 294

IGEV_Zeroshot_test	0.09 42	0.05 11	0.12 141	0.13 12	0.08 84	0.12 162	0.13 65	0.17 129	0.11 37	0.10 87	0.06 3	0.09 85	0.06 25	0.11 75	0.09 45	0.06 84	0.04 3	0.06 62	0.06 139	0.05 66	0.05 87

UniTT-Stereo	0.09 42	0.07 112	0.08 18	0.18 249	0.08 84	0.13 198	0.11 20	0.12 24	0.11 37	0.10 87	0.12 117	0.05 1	0.07 73	0.09 17	0.09 45	0.07 197	0.05 146	0.05 3	0.05 68	0.05 66	0.05 87

testlalala	0.08 12	0.07 112	0.17 326	0.16 111	0.08 84	0.09 52	0.12 33	0.15 71	0.10 16	0.07 12	0.09 55	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

testlalala_base	0.10 99	0.09 263	0.14 215	0.21 379	0.08 84	0.10 90	0.14 108	0.13 36	0.10 16	0.07 12	0.15 160	0.07 37	0.08 103	0.10 35	0.12 190	0.08 252	0.05 146	0.05 3	0.03 1	0.06 149	0.05 87

HH	0.09 42	0.06 41	0.13 184	0.17 175	0.08 84	0.10 90	0.16 237	0.14 51	0.10 16	0.08 31	0.09 55	0.08 61	0.07 73	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

HanStereo	0.09 42	0.06 41	0.13 184	0.17 175	0.08 84	0.10 90	0.16 237	0.14 51	0.10 16	0.08 31	0.09 55	0.08 61	0.07 73	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

LL-Strereo2	0.10 99	0.10 318	0.15 264	0.18 249	0.08 84	0.15 254	0.09 5	0.17 129	0.14 103	0.14 195	0.10 78	0.09 85	0.07 73	0.16 269	0.10 94	0.05 6	0.05 146	0.10 349	0.07 225	0.06 149	0.05 87

CAS	0.08 12	0.04 1	0.07 4	0.17 175	0.08 84	0.10 90	0.13 65	0.12 24	0.09 6	0.09 56	0.10 78	0.08 61	0.06 25	0.09 17	0.08 16	0.08 252	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

riskmin	0.11 142	0.06 41	0.13 184	0.14 23	0.08 84	0.14 229	0.14 108	0.18 155	0.14 103	0.11 112	0.14 144	0.16 234	0.11 181	0.14 213	0.12 190	0.09 306	0.05 146	0.07 150	0.05 68	0.08 272	0.08 294

Selective-RAFT	0.11 142	0.10 318	0.11 111	0.21 379	0.08 84	0.16 283	0.13 65	0.20 185	0.22 251	0.10 87	0.10 78	0.11 132	0.10 157	0.15 235	0.11 146	0.05 6	0.05 146	0.06 62	0.05 68	0.06 149	0.05 87

ProNet	0.09 42	0.07 112	0.10 78	0.17 175	0.08 84	0.10 90	0.15 174	0.15 71	0.12 53	0.09 56	0.06 3	0.07 37	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.06 157

TestStereo1	0.13 230	0.08 199	0.08 18	0.19 304	0.08 84	0.18 322	0.29 457	0.23 245	0.16 142	0.17 262	0.20 236	0.16 234	0.10 157	0.12 150	0.13 230	0.06 84	0.06 257	0.08 228	0.06 139	0.05 66	0.05 87

qqq	0.13 230	0.09 263	0.15 264	0.16 111	0.08 84	0.13 198	0.15 174	0.23 245	0.16 142	0.15 222	0.19 224	0.16 234	0.16 312	0.15 235	0.16 310	0.07 197	0.06 257	0.08 228	0.08 286	0.07 213	0.07 231

x	0.13 230	0.07 112	0.14 215	0.14 23	0.08 84	0.18 322	0.14 108	0.22 227	0.20 222	0.15 222	0.19 224	0.19 281	0.17 333	0.18 317	0.18 342	0.07 197	0.05 146	0.06 62	0.06 139	0.07 213	0.07 231

raft_robust	0.13 230	0.10 318	0.07 4	0.18 249	0.08 84	0.13 198	0.24 414	0.28 337	0.33 368	0.20 327	0.19 224	0.14 192	0.10 157	0.11 75	0.12 190	0.05 6	0.05 146	0.07 150	0.07 225	0.05 66	0.04 18

RAFT_CTSACE	0.12 205	0.09 263	0.10 78	0.22 394	0.08 84	0.12 162	0.24 414	0.18 155	0.16 142	0.20 327	0.27 338	0.13 173	0.07 73	0.13 191	0.09 45	0.05 6	0.06 257	0.08 228	0.07 225	0.04 3	0.04 18

SA-5K	0.13 230	0.08 199	0.08 18	0.19 304	0.08 84	0.18 322	0.29 457	0.23 245	0.16 142	0.17 262	0.20 236	0.16 234	0.10 157	0.12 150	0.13 230	0.06 84	0.06 257	0.08 228	0.06 139	0.05 66	0.05 87

Sa-1000	0.12 205	0.08 199	0.08 18	0.18 249	0.08 84	0.14 229	0.22 395	0.22 227	0.18 186	0.15 222	0.20 236	0.17 254	0.11 181	0.10 35	0.10 94	0.06 84	0.05 146	0.09 304	0.09 330	0.05 66	0.05 87

SA	0.12 205	0.09 263	0.08 18	0.18 249	0.08 84	0.12 162	0.24 414	0.23 245	0.18 186	0.17 262	0.27 338	0.14 192	0.11 181	0.11 75	0.11 146	0.05 6	0.05 146	0.09 304	0.08 286	0.05 66	0.04 18

iRaft-Stereo_5w	0.12 205	0.09 263	0.12 141	0.19 304	0.08 84	0.09 52	0.12 33	0.21 205	0.21 237	0.19 306	0.14 144	0.11 132	0.09 129	0.20 354	0.16 310	0.05 6	0.05 146	0.07 150	0.06 139	0.05 66	0.06 157

CIPLG	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.15 117	0.14 195	0.11 106	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

iRaft-Stereo_20w	0.09 42	0.05 11	0.13 184	0.14 23	0.08 84	0.12 162	0.15 174	0.18 155	0.10 16	0.11 112	0.08 42	0.08 61	0.05 7	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

IPLG	0.10 99	0.07 112	0.15 264	0.17 175	0.08 84	0.11 130	0.14 108	0.20 185	0.15 117	0.12 148	0.17 191	0.07 37	0.07 73	0.14 213	0.13 230	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

IPLGR_C	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.15 117	0.14 195	0.10 78	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

IPLGR	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.12 162	0.17 268	0.21 205	0.24 276	0.11 112	0.12 117	0.11 132	0.08 103	0.12 150	0.12 190	0.06 84	0.05 146	0.06 62	0.06 139	0.04 3	0.04 18

GMOStereo	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

error version	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

test-v	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

ACRE	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.14 103	0.14 195	0.10 78	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

test_3	0.10 99	0.09 263	0.10 78	0.20 353	0.08 84	0.13 198	0.26 435	0.14 51	0.21 237	0.10 87	0.10 78	0.09 85	0.09 129	0.08 11	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.04 3	0.04 18

CrosDoStereo	0.12 205	0.06 41	0.12 141	0.14 23	0.08 84	0.12 162	0.15 174	0.17 129	0.22 251	0.19 306	0.24 285	0.15 221	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

Patchmatch Stereo++	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 142	0.06 41	0.14 215	0.18 249	0.08 84	0.09 52	0.12 33	0.21 205	0.21 237	0.13 174	0.14 144	0.11 132	0.12 210	0.11 75	0.13 230	0.06 84	0.04 3	0.07 150	0.06 139	0.05 66	0.04 18

IIG-Stereo	0.11 142	0.06 41	0.13 184	0.17 175	0.08 84	0.11 130	0.12 33	0.22 227	0.17 160	0.14 195	0.17 191	0.11 132	0.12 210	0.12 150	0.12 190	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

NRIStereo	0.11 142	0.08 199	0.14 215	0.18 249	0.08 84	0.10 90	0.14 108	0.16 96	0.15 117	0.12 148	0.14 144	0.13 173	0.12 210	0.13 191	0.10 94	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.07 231

PSM-adaLoss	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

ROB_FTStereo_v2	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

ROB_FTStereo	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

HUI-Stereo	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

DeepStereo_LL	0.12 205	0.06 41	0.12 141	0.14 23	0.08 84	0.12 162	0.15 174	0.17 129	0.22 251	0.19 306	0.24 285	0.15 221	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

THIR-Stereo	0.12 205	0.07 112	0.11 111	0.15 57	0.08 84	0.14 229	0.16 237	0.17 129	0.25 297	0.16 248	0.24 285	0.14 192	0.12 210	0.12 150	0.14 267	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

PFNet	0.12 205	0.06 41	0.17 326	0.17 175	0.08 84	0.09 52	0.15 174	0.26 300	0.20 222	0.16 248	0.16 171	0.14 192	0.11 181	0.12 150	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

DeepStereo_RVC	0.11 142	0.08 199	0.16 298	0.18 249	0.08 84	0.08 32	0.12 33	0.17 129	0.12 53	0.13 174	0.14 144	0.12 149	0.12 210	0.12 150	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.07 213	0.08 294

iGMRVC	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

IRAFT_RVC	0.12 205	0.08 199	0.16 298	0.19 304	0.08 84	0.07 21	0.15 174	0.24 267	0.23 260	0.14 195	0.14 144	0.15 221	0.12 210	0.12 150	0.10 94	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.06 157

RAFT-345	0.11 142	0.07 112	0.15 264	0.16 111	0.08 84	0.08 32	0.12 33	0.15 71	0.10 16	0.11 112	0.36 401	0.09 85	0.09 129	0.11 75	0.12 190	0.05 6	0.05 146	0.07 150	0.06 139	0.04 3	0.05 87

iRAFT	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

CRE-IMP	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.10 90	0.12 33	0.18 155	0.10 16	0.14 195	0.13 130	0.13 173	0.12 210	0.12 150	0.11 146	0.07 197	0.04 3	0.08 228	0.06 139	0.08 272	0.08 294

test-2	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 448	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

RAFT	0.13 230	0.09 263	0.11 111	0.18 249	0.08 84	0.15 254	0.24 414	0.20 185	0.19 200	0.21 340	0.21 256	0.17 254	0.12 210	0.16 269	0.09 45	0.06 84	0.07 326	0.10 349	0.09 330	0.05 66	0.05 87

test-1	0.10 99	0.07 112	0.16 298	0.19 304	0.08 84	0.11 130	0.24 414	0.14 51	0.18 186	0.09 56	0.07 21	0.09 85	0.08 103	0.07 3	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

RAFT-IKP	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

Prome-Stereo	0.11 142	0.06 41	0.10 78	0.18 249	0.08 84	0.12 162	0.15 174	0.22 227	0.13 81	0.12 148	0.17 191	0.13 173	0.08 103	0.12 150	0.10 94	0.05 6	0.04 3	0.07 150	0.06 139	0.06 149	0.09 336

rafts_anoy	0.11 142	0.06 41	0.10 78	0.17 175	0.08 84	0.10 90	0.14 108	0.17 129	0.14 103	0.13 174	0.13 130	0.12 149	0.10 157	0.11 75	0.12 190	0.07 197	0.04 3	0.09 304	0.11 392	0.07 213	0.06 157

TestStereo	0.13 230	0.14 397	0.11 111	0.23 414	0.08 84	0.15 254	0.21 386	0.20 185	0.23 260	0.14 195	0.24 285	0.16 234	0.12 210	0.16 269	0.14 267	0.05 6	0.06 257	0.08 228	0.06 139	0.09 329	0.05 87

raftrobust	0.09 42	0.06 41	0.10 78	0.17 175	0.08 84	0.09 52	0.10 10	0.18 155	0.16 142	0.10 87	0.09 55	0.12 149	0.07 73	0.12 150	0.10 94	0.08 252	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87

RALCasStereoNet	0.10 99	0.06 41	0.09 49	0.16 111	0.08 84	0.12 162	0.14 108	0.17 129	0.11 37	0.12 148	0.17 191	0.14 192	0.10 157	0.12 150	0.11 146	0.07 197	0.06 257	0.06 62	0.05 68	0.08 272	0.07 231

222	0.16 325	0.07 112	0.14 215	0.14 23	0.08 84	0.24 400	0.18 312	0.30 361	0.20 222	0.17 262	0.28 350	0.17 254	0.16 312	0.15 235	0.40 472	0.10 342	0.05 146	0.07 150	0.06 139	0.07 213	0.08 294

xxxx	0.15 302	0.07 112	0.14 215	0.14 23	0.08 84	0.23 395	0.18 312	0.31 370	0.19 200	0.14 195	0.28 350	0.22 317	0.14 269	0.15 235	0.26 425	0.09 306	0.05 146	0.07 150	0.07 225	0.08 272	0.07 231

test_xeample	0.15 302	0.06 41	0.13 184	0.14 23	0.08 84	0.21 374	0.20 369	0.28 337	0.20 222	0.16 248	0.29 362	0.19 281	0.16 312	0.15 235	0.26 425	0.09 306	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

FENet	0.13 230	0.08 199	0.12 141	0.16 111	0.08 84	0.14 229	0.15 174	0.22 227	0.23 260	0.17 262	0.23 274	0.16 234	0.12 210	0.14 213	0.15 294	0.08 252	0.05 146	0.08 228	0.08 286	0.07 213	0.07 231

cf-r	0.13 230	0.07 112	0.12 141	0.16 111	0.08 84	0.14 229	0.19 350	0.20 185	0.25 297	0.17 262	0.25 314	0.21 300	0.16 312	0.14 213	0.14 267	0.10 342	0.05 146	0.06 62	0.08 286	0.06 149	0.06 157

GANet-RSSM	0.14 261	0.07 112	0.13 184	0.13 12	0.08 84	0.14 229	0.17 268	0.22 227	0.21 237	0.17 262	0.24 285	0.23 333	0.15 286	0.16 269	0.15 294	0.10 342	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

PSMNet-RSSM	0.14 261	0.07 112	0.13 184	0.15 57	0.08 84	0.13 198	0.16 237	0.24 267	0.24 276	0.16 248	0.28 350	0.22 317	0.14 269	0.15 235	0.13 230	0.11 368	0.06 257	0.09 304	0.12 411	0.08 272	0.07 231

GwcNet-RSSM	0.14 261	0.07 112	0.12 141	0.15 57	0.08 84	0.15 254	0.20 369	0.21 205	0.27 319	0.18 292	0.27 338	0.22 317	0.16 312	0.14 213	0.15 294	0.10 342	0.05 146	0.07 150	0.09 330	0.07 213	0.07 231

R-Stereo Train	0.10 99	0.06 41	0.10 78	0.17 175	0.08 84	0.11 130	0.14 108	0.23 245	0.11 37	0.12 148	0.19 224	0.11 132	0.08 103	0.09 17	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87

RAFT-Stereo	0.10 99	0.06 41	0.10 78	0.17 175	0.08 84	0.11 130	0.14 108	0.23 245	0.11 37	0.12 148	0.19 224	0.11 132	0.08 103	0.09 17	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RASNet	0.14 261	0.07 112	0.14 215	0.16 111	0.08 84	0.18 322	0.14 108	0.29 347	0.20 222	0.17 262	0.25 314	0.21 300	0.18 345	0.20 354	0.19 351	0.07 197	0.06 257	0.06 62	0.08 286	0.06 149	0.06 157

HSM-Net_RVC	0.14 261	0.08 199	0.11 111	0.15 57	0.08 84	0.15 254	0.15 174	0.27 320	0.29 339	0.19 306	0.21 256	0.29 383	0.14 269	0.17 299	0.13 230	0.06 84	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 302	0.10 318	0.17 326	0.17 175	0.08 84	0.18 322	0.09 5	0.28 337	0.25 297	0.19 306	0.24 285	0.24 339	0.17 333	0.17 299	0.14 267	0.08 252	0.06 257	0.09 304	0.10 364	0.07 213	0.06 157

iResNetv2_ROB	0.14 261	0.08 199	0.15 264	0.16 111	0.08 84	0.16 283	0.12 33	0.25 283	0.35 386	0.21 340	0.29 362	0.24 339	0.13 245	0.14 213	0.14 267	0.06 84	0.05 146	0.06 62	0.04 18	0.09 329	0.08 294

iResNet	0.13 230	0.10 318	0.18 349	0.19 304	0.08 84	0.13 198	0.18 312	0.20 185	0.26 310	0.15 222	0.23 274	0.15 221	0.13 245	0.14 213	0.14 267	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

LE_ROB	0.50 478	0.07 112	0.14 215	0.15 57	0.08 84	0.24 400	0.16 237	0.22 227	1.81 510	4.63 514	0.67 474	0.47 464	0.44 471	0.20 354	0.29 442	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

HI	0.11 142	0.06 41	0.11 111	0.13 12	0.09 191	0.09 52	0.14 108	0.21 205	0.10 16	0.19 306	0.17 191	0.14 192	0.09 129	0.16 269	0.08 16	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

CoSv	0.11 142	0.06 41	0.11 111	0.13 12	0.09 191	0.09 52	0.14 108	0.21 205	0.10 16	0.19 306	0.17 191	0.14 192	0.09 129	0.16 269	0.08 16	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

SCV_C0	0.08 12	0.07 112	0.07 4	0.16 111	0.09 191	0.08 32	0.15 174	0.11 13	0.12 53	0.08 31	0.07 21	0.06 8	0.05 7	0.11 75	0.07 1	0.05 6	0.05 146	0.05 3	0.04 18	0.06 149	0.05 87

IGEV-RUCA	0.08 12	0.06 41	0.11 111	0.14 23	0.09 191	0.10 90	0.12 33	0.10 6	0.12 53	0.06 3	0.07 21	0.07 37	0.06 25	0.09 17	0.08 16	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.06 157

rvit_0105_5	0.14 261	0.09 263	0.13 184	0.17 175	0.09 191	0.14 229	0.23 404	0.24 267	0.27 319	0.14 195	0.15 160	0.18 267	0.12 210	0.17 299	0.14 267	0.14 427	0.11 407	0.10 349	0.10 364	0.08 272	0.06 157

rvit_stereo_0083	0.12 205	0.08 199	0.17 326	0.16 111	0.09 191	0.11 130	0.15 174	0.14 51	0.26 310	0.11 112	0.14 144	0.13 173	0.10 157	0.12 150	0.12 190	0.10 342	0.08 351	0.09 304	0.07 225	0.07 213	0.05 87

rvit_stereo_0081_aga	0.11 142	0.09 263	0.14 215	0.18 249	0.09 191	0.13 198	0.14 108	0.14 51	0.19 200	0.10 87	0.18 216	0.16 234	0.09 129	0.12 150	0.09 45	0.10 342	0.06 257	0.08 228	0.07 225	0.07 213	0.06 157

rvit_stereo_0081	0.11 142	0.08 199	0.15 264	0.16 111	0.09 191	0.10 90	0.14 108	0.14 51	0.24 276	0.11 112	0.13 130	0.13 173	0.09 129	0.11 75	0.12 190	0.10 342	0.07 326	0.08 228	0.07 225	0.07 213	0.05 87

model_zeroshot	0.10 99	0.04 1	0.11 111	0.15 57	0.09 191	0.12 162	0.14 108	0.20 185	0.13 81	0.11 112	0.10 78	0.12 149	0.07 73	0.12 150	0.10 94	0.07 197	0.06 257	0.06 62	0.05 68	0.06 149	0.06 157

rvit_stereo_0082	0.11 142	0.08 199	0.15 264	0.16 111	0.09 191	0.10 90	0.14 108	0.14 51	0.24 276	0.11 112	0.13 130	0.13 173	0.09 129	0.11 75	0.12 190	0.10 342	0.07 326	0.08 228	0.07 225	0.07 213	0.05 87

rvit_stereo_0080	0.10 99	0.08 199	0.14 215	0.15 57	0.09 191	0.07 21	0.15 174	0.16 96	0.16 142	0.11 112	0.10 78	0.14 192	0.08 103	0.12 150	0.10 94	0.09 306	0.07 326	0.07 150	0.06 139	0.07 213	0.05 87

test_sample3	0.14 261	0.08 199	0.15 264	0.14 23	0.09 191	0.19 345	0.17 268	0.26 300	0.18 186	0.16 248	0.22 265	0.19 281	0.15 286	0.17 299	0.13 230	0.08 252	0.06 257	0.07 150	0.06 139	0.09 329	0.08 294

CAS++	0.11 142	0.07 112	0.11 111	0.14 23	0.09 191	0.12 162	0.14 108	0.24 267	0.14 103	0.11 112	0.09 55	0.11 132	0.07 73	0.14 213	0.09 45	0.11 368	0.09 376	0.09 304	0.07 225	0.07 213	0.08 294
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
H2IRNET	0.10 99	0.09 263	0.09 49	0.18 249	0.09 191	0.12 162	0.15 174	0.14 51	0.21 237	0.10 87	0.10 78	0.10 112	0.10 157	0.10 35	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.06 149	0.05 87

MyStereo8	0.12 205	0.07 112	0.15 264	0.15 57	0.09 191	0.18 322	0.14 108	0.19 174	0.22 251	0.12 148	0.18 216	0.11 132	0.10 157	0.16 269	0.18 342	0.07 197	0.05 146	0.07 150	0.05 68	0.08 272	0.09 336

MyStereo07	0.10 99	0.07 112	0.10 78	0.17 175	0.09 191	0.14 229	0.18 312	0.15 71	0.15 117	0.09 56	0.06 3	0.06 8	0.07 73	0.12 150	0.09 45	0.06 84	0.05 146	0.08 228	0.07 225	0.06 149	0.06 157

MyStereo06	0.10 99	0.07 112	0.12 141	0.17 175	0.09 191	0.13 198	0.18 312	0.19 174	0.12 53	0.12 148	0.08 42	0.07 37	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.07 150	0.07 225	0.06 149	0.06 157

MyStereo05	0.13 230	0.07 112	0.10 78	0.17 175	0.09 191	0.13 198	0.18 312	0.27 320	0.35 386	0.17 262	0.14 144	0.15 221	0.11 181	0.15 235	0.13 230	0.06 84	0.05 146	0.07 150	0.07 225	0.06 149	0.06 157

MyStereo04	0.13 230	0.07 112	0.10 78	0.17 175	0.09 191	0.14 229	0.18 312	0.29 347	0.38 402	0.17 262	0.14 144	0.16 234	0.10 157	0.15 235	0.13 230	0.06 84	0.05 146	0.08 228	0.07 225	0.06 149	0.06 157

AE-Stereo	0.10 99	0.08 199	0.10 78	0.18 249	0.09 191	0.10 90	0.15 174	0.14 51	0.19 200	0.09 56	0.14 144	0.12 149	0.08 103	0.11 75	0.10 94	0.05 6	0.06 257	0.07 150	0.06 139	0.05 66	0.04 18

ACVNet-DCA	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.23 245	0.16 142	0.09 56	0.09 55	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.07 213	0.07 231

xx1	0.11 142	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.16 96	0.18 186	0.09 56	0.09 55	0.16 234	0.16 312	0.10 35	0.07 1	0.06 84	0.04 3	0.08 228	0.08 286	0.07 213	0.07 231

1test111	0.11 142	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.23 245	0.16 142	0.09 56	0.09 55	0.06 8	0.06 25	0.15 235	0.16 310	0.06 84	0.04 3	0.06 62	0.05 68	0.07 213	0.07 231

cc1	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.16 96	0.18 186	0.09 56	0.09 55	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.06 157

mmm	0.14 261	0.08 199	0.17 326	0.17 175	0.09 191	0.17 304	0.18 312	0.21 205	0.15 117	0.15 222	0.23 274	0.21 300	0.16 312	0.16 269	0.17 324	0.08 252	0.05 146	0.08 228	0.07 225	0.07 213	0.07 231

ff7	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

ffff	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

11t	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

tt1	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.12 162	0.16 237	0.15 71	0.19 200	0.09 56	0.08 42	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.06 157

whm_eth	0.10 99	0.08 199	0.14 215	0.15 57	0.09 191	0.07 21	0.15 174	0.16 96	0.16 142	0.11 112	0.10 78	0.14 192	0.08 103	0.12 150	0.10 94	0.09 306	0.07 326	0.07 150	0.06 139	0.07 213	0.05 87

plain	0.10 99	0.08 199	0.10 78	0.19 304	0.09 191	0.10 90	0.15 174	0.14 51	0.13 81	0.13 174	0.15 160	0.09 85	0.12 210	0.13 191	0.12 190	0.07 197	0.05 146	0.09 304	0.06 139	0.06 149	0.06 157

MaDis-Stereo	0.09 42	0.09 263	0.08 18	0.17 175	0.09 191	0.13 198	0.10 10	0.16 96	0.16 142	0.09 56	0.11 106	0.06 8	0.06 25	0.09 17	0.13 230	0.07 197	0.06 257	0.07 150	0.05 68	0.05 66	0.04 18

PCWNet_CMD	0.14 261	0.08 199	0.15 264	0.17 175	0.09 191	0.14 229	0.14 108	0.29 347	0.36 391	0.14 195	0.20 236	0.21 300	0.12 210	0.17 299	0.13 230	0.07 197	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

anonymousdsp2	0.11 142	0.07 112	0.10 78	0.16 111	0.09 191	0.13 198	0.14 108	0.18 155	0.22 251	0.13 174	0.14 144	0.12 149	0.09 129	0.14 213	0.11 146	0.05 6	0.04 3	0.05 3	0.04 18	0.06 149	0.05 87

anonymousdsp	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.09 56	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

CBFPSM	0.14 261	0.06 41	0.26 401	0.17 175	0.09 191	0.13 198	0.15 174	0.22 227	0.23 260	0.20 327	0.27 338	0.24 339	0.16 312	0.16 269	0.18 342	0.06 84	0.06 257	0.06 62	0.07 225	0.07 213	0.07 231

gwcnet-sp	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

scenet	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

CASS	0.13 230	0.12 359	0.11 111	0.23 414	0.09 191	0.15 254	0.17 268	0.18 155	0.19 200	0.17 262	0.18 216	0.15 221	0.15 286	0.14 213	0.14 267	0.09 306	0.06 257	0.10 349	0.08 286	0.09 329	0.07 231
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 230	0.07 112	0.13 184	0.18 249	0.09 191	0.13 198	0.17 268	0.19 174	0.29 339	0.15 222	0.24 285	0.15 221	0.14 269	0.14 213	0.14 267	0.07 197	0.05 146	0.07 150	0.09 330	0.05 66	0.06 157

ssnet	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

CroCo-Stereo Lap2	0.09 42	0.09 263	0.08 18	0.22 394	0.09 191	0.09 52	0.19 350	0.16 96	0.12 53	0.09 56	0.10 78	0.05 1	0.05 7	0.08 11	0.08 16	0.06 84	0.06 257	0.07 150	0.05 68	0.05 66	0.05 87

ccc-4	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

DisPM	0.11 142	0.07 112	0.12 141	0.16 111	0.09 191	0.06 6	0.13 65	0.17 129	0.17 160	0.14 195	0.20 236	0.12 149	0.10 157	0.11 75	0.10 94	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.11 380

IER	0.14 261	0.07 112	0.13 184	0.17 175	0.09 191	0.14 229	0.16 237	0.25 283	0.26 310	0.18 292	0.25 314	0.17 254	0.20 370	0.16 269	0.14 267	0.08 252	0.05 146	0.07 150	0.06 139	0.08 272	0.07 231

CRFU-Net	0.16 325	0.08 199	0.14 215	0.17 175	0.09 191	0.19 345	0.14 108	0.26 300	0.20 222	0.28 410	0.27 338	0.29 383	0.17 333	0.19 330	0.17 324	0.09 306	0.09 376	0.07 150	0.07 225	0.08 272	0.08 294

RAFT+CT+SA	0.13 230	0.11 343	0.09 49	0.19 304	0.09 191	0.15 254	0.28 448	0.22 227	0.22 251	0.15 222	0.26 331	0.10 112	0.10 157	0.11 75	0.12 190	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

test_4	0.10 99	0.10 318	0.08 18	0.19 304	0.09 191	0.08 32	0.22 395	0.15 71	0.17 160	0.12 148	0.18 216	0.12 149	0.09 129	0.08 11	0.11 146	0.04 1	0.04 3	0.08 228	0.08 286	0.04 3	0.03 1

IGEV-Stereo	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.09 56	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CSP-Net	0.16 325	0.09 263	0.14 215	0.16 111	0.09 191	0.19 345	0.17 268	0.25 283	0.32 361	0.25 388	0.30 367	0.24 339	0.15 286	0.21 370	0.18 342	0.09 306	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

dd	0.15 302	0.16 411	0.16 298	0.19 304	0.09 191	0.15 254	0.18 312	0.21 205	0.25 297	0.23 367	0.20 236	0.21 300	0.09 129	0.21 370	0.16 310	0.10 342	0.06 257	0.08 228	0.06 139	0.08 272	0.06 157

MIPNet	0.11 142	0.08 199	0.14 215	0.17 175	0.09 191	0.12 162	0.14 108	0.20 185	0.24 276	0.11 112	0.10 78	0.09 85	0.07 73	0.13 191	0.12 190	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

AASNet	0.16 325	0.08 199	0.12 141	0.19 304	0.09 191	0.18 322	0.15 174	0.37 431	0.37 397	0.19 306	0.23 274	0.20 293	0.16 312	0.17 299	0.20 357	0.10 342	0.08 351	0.08 228	0.07 225	0.09 329	0.09 336

GwcNet-ADL	0.13 230	0.08 199	0.14 215	0.20 353	0.09 191	0.11 130	0.20 369	0.30 361	0.24 276	0.13 174	0.14 144	0.18 267	0.14 269	0.13 191	0.14 267	0.07 197	0.05 146	0.06 62	0.05 68	0.07 213	0.06 157

PSMNet-ADL	0.15 302	0.12 359	0.13 184	0.22 394	0.09 191	0.13 198	0.20 369	0.26 300	0.23 260	0.18 292	0.20 236	0.24 339	0.16 312	0.18 317	0.17 324	0.08 252	0.08 351	0.08 228	0.11 392	0.08 272	0.07 231

ADLNet2	0.16 325	0.09 263	0.13 184	0.16 111	0.09 191	0.20 360	0.16 237	0.31 370	0.39 405	0.16 248	0.20 236	0.20 293	0.18 345	0.21 370	0.22 386	0.08 252	0.06 257	0.07 150	0.07 225	0.09 329	0.07 231

PFNet+	0.11 142	0.06 41	0.13 184	0.16 111	0.09 191	0.05 3	0.12 33	0.17 129	0.21 237	0.16 248	0.19 224	0.14 192	0.10 157	0.11 75	0.11 146	0.08 252	0.05 146	0.09 304	0.08 286	0.06 149	0.11 380

LCNet	0.11 142	0.07 112	0.09 49	0.19 304	0.09 191	0.08 32	0.15 174	0.21 205	0.15 117	0.11 112	0.15 160	0.16 234	0.11 181	0.12 150	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.06 149	0.15 434

AAGNet	0.11 142	0.07 112	0.16 298	0.19 304	0.09 191	0.08 32	0.13 65	0.18 155	0.13 81	0.16 248	0.21 256	0.13 173	0.14 269	0.11 75	0.14 267	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

NF-Stereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

OCTAStereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

PSM-softLoss	0.12 205	0.07 112	0.15 264	0.17 175	0.09 191	0.08 32	0.13 65	0.24 267	0.17 160	0.14 195	0.19 224	0.13 173	0.11 181	0.11 75	0.11 146	0.07 197	0.05 146	0.08 228	0.07 225	0.06 149	0.12 392

KMStereo	0.12 205	0.07 112	0.15 264	0.17 175	0.09 191	0.08 32	0.13 65	0.24 267	0.17 160	0.14 195	0.19 224	0.13 173	0.11 181	0.11 75	0.11 146	0.07 197	0.05 146	0.08 228	0.07 225	0.06 149	0.12 392

PSM-AAD	0.11 142	0.07 112	0.10 78	0.19 304	0.09 191	0.10 90	0.15 174	0.20 185	0.13 81	0.12 148	0.14 144	0.18 267	0.11 181	0.11 75	0.10 94	0.05 6	0.05 146	0.09 304	0.08 286	0.06 149	0.14 427

FTStereo	0.12 205	0.06 41	0.14 215	0.18 249	0.09 191	0.07 21	0.15 174	0.21 205	0.18 186	0.12 148	0.24 285	0.12 149	0.12 210	0.13 191	0.13 230	0.05 6	0.05 146	0.07 150	0.06 139	0.06 149	0.10 357

KYRaft	0.11 142	0.07 112	0.10 78	0.19 304	0.09 191	0.08 32	0.15 174	0.22 227	0.12 53	0.13 174	0.16 171	0.20 293	0.10 157	0.12 150	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.06 149	0.16 445

SST-Stereo	0.10 99	0.07 112	0.15 264	0.18 249	0.09 191	0.06 6	0.12 33	0.17 129	0.11 37	0.15 222	0.17 191	0.13 173	0.12 210	0.10 35	0.11 146	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

RAFT_R40	0.11 142	0.07 112	0.14 215	0.18 249	0.09 191	0.06 6	0.13 65	0.17 129	0.16 142	0.14 195	0.18 216	0.15 221	0.12 210	0.10 35	0.11 146	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

DRaft	0.12 205	0.06 41	0.11 111	0.14 23	0.09 191	0.14 229	0.17 268	0.21 205	0.30 348	0.17 262	0.28 350	0.10 112	0.15 286	0.10 35	0.12 190	0.05 6	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

GrayStereo	0.11 142	0.06 41	0.11 111	0.19 304	0.09 191	0.09 52	0.16 237	0.18 155	0.17 160	0.14 195	0.17 191	0.17 254	0.11 181	0.12 150	0.11 146	0.05 6	0.05 146	0.07 150	0.06 139	0.05 66	0.10 357

RE-Stereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

Pruner-Stereo	0.11 142	0.07 112	0.12 141	0.17 175	0.09 191	0.06 6	0.12 33	0.17 129	0.17 160	0.13 174	0.19 224	0.13 173	0.09 129	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.08 294

TVStereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

RAFT-RH_RVC	0.11 142	0.06 41	0.14 215	0.16 111	0.09 191	0.12 162	0.12 33	0.17 129	0.12 53	0.13 174	0.41 435	0.11 132	0.10 157	0.13 191	0.12 190	0.05 6	0.04 3	0.08 228	0.05 68	0.04 3	0.06 157

CroCo-Stereo	0.09 42	0.08 199	0.08 18	0.22 394	0.09 191	0.09 52	0.19 350	0.15 71	0.12 53	0.07 12	0.07 21	0.08 61	0.06 25	0.08 11	0.07 1	0.07 197	0.05 146	0.06 62	0.04 18	0.05 66	0.04 18
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
GMM-Stereo	0.11 142	0.07 112	0.10 78	0.18 249	0.09 191	0.08 32	0.15 174	0.23 245	0.16 142	0.11 112	0.15 160	0.13 173	0.11 181	0.11 75	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.06 149	0.09 336

LMCR-Stereo	0.15 302	0.08 199	0.13 184	0.21 379	0.09 191	0.17 304	0.20 369	0.27 320	0.19 200	0.24 375	0.24 285	0.23 333	0.17 333	0.20 354	0.17 324	0.07 197	0.06 257	0.08 228	0.06 139	0.10 359	0.08 294

ICVP	0.15 302	0.09 263	0.12 141	0.22 394	0.09 191	0.17 304	0.21 386	0.25 283	0.23 260	0.18 292	0.30 367	0.26 360	0.18 345	0.17 299	0.14 267	0.09 306	0.07 326	0.08 228	0.07 225	0.07 213	0.07 231
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
iRaftStereo_RVC	0.10 99	0.07 112	0.09 49	0.17 175	0.09 191	0.11 130	0.17 268	0.18 155	0.12 53	0.09 56	0.12 117	0.10 112	0.07 73	0.11 75	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.04 3	0.04 18

CFNet_pseudo	0.14 261	0.08 199	0.15 264	0.16 111	0.09 191	0.13 198	0.14 108	0.27 320	0.34 379	0.14 195	0.21 256	0.22 317	0.13 245	0.18 317	0.14 267	0.07 197	0.05 146	0.08 228	0.06 139	0.07 213	0.07 231

RALAANet	0.11 142	0.08 199	0.10 78	0.17 175	0.09 191	0.14 229	0.10 10	0.20 185	0.15 117	0.14 195	0.13 130	0.16 234	0.09 129	0.12 150	0.11 146	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

XX-Stereo	0.09 42	0.05 11	0.08 18	0.17 175	0.09 191	0.15 254	0.12 33	0.20 185	0.10 16	0.10 87	0.14 144	0.07 37	0.06 25	0.12 150	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.04 3	0.04 18

test_xeample3	0.09 42	0.06 41	0.12 141	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.13 81	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

ARAFT	0.12 205	0.08 199	0.17 326	0.19 304	0.09 191	0.14 229	0.18 312	0.20 185	0.12 53	0.12 148	0.13 130	0.14 192	0.11 181	0.15 235	0.12 190	0.06 84	0.05 146	0.10 349	0.09 330	0.05 66	0.04 18

GMStereo	0.13 230	0.14 397	0.14 215	0.18 249	0.09 191	0.15 254	0.16 237	0.20 185	0.24 276	0.16 248	0.17 191	0.10 112	0.10 157	0.16 269	0.13 230	0.07 197	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 230	0.07 112	0.14 215	0.17 175	0.09 191	0.15 254	0.16 237	0.28 337	0.27 319	0.14 195	0.17 191	0.12 149	0.13 245	0.14 213	0.11 146	0.08 252	0.05 146	0.07 150	0.07 225	0.07 213	0.06 157

EDNetEfficientorigin	7.91 515	0.31 470	153.02 530	0.19 304	0.09 191	0.21 374	0.16 237	0.22 227	0.59 466	0.72 484	0.67 474	0.42 449	0.50 476	0.24 401	0.39 470	0.08 252	0.07 326	0.08 228	0.07 225	0.12 392	0.10 357

hitnet-ft	0.18 358	0.09 263	0.17 326	0.14 23	0.09 191	0.26 418	0.20 369	0.25 283	0.26 310	0.24 375	0.32 379	0.31 401	0.22 383	0.24 401	0.21 377	0.12 393	0.07 326	0.10 349	0.08 286	0.12 392	0.11 380

CFNet-ft	0.14 261	0.07 112	0.15 264	0.12 4	0.09 191	0.16 283	0.18 312	0.22 227	0.24 276	0.17 262	0.26 331	0.24 339	0.14 269	0.16 269	0.14 267	0.11 368	0.06 257	0.08 228	0.09 330	0.09 329	0.08 294

DMCA	0.14 261	0.09 263	0.16 298	0.19 304	0.09 191	0.15 254	0.17 268	0.23 245	0.27 319	0.14 195	0.19 224	0.17 254	0.18 345	0.15 235	0.17 324	0.10 342	0.06 257	0.08 228	0.06 139	0.09 329	0.10 357

DIP-Stereo	0.11 142	0.07 112	0.14 215	0.17 175	0.09 191	0.13 198	0.09 5	0.16 96	0.16 142	0.11 112	0.16 171	0.14 192	0.12 210	0.15 235	0.13 230	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
SuperB	0.20 381	0.10 318	0.56 468	0.16 111	0.09 191	0.18 322	0.18 312	0.24 267	0.50 448	0.26 392	0.39 420	0.17 254	0.21 374	0.22 381	0.21 377	0.08 252	0.06 257	0.06 62	0.06 139	0.12 392	0.10 357

MSMDNet	0.14 261	0.08 199	0.15 264	0.17 175	0.09 191	0.14 229	0.14 108	0.29 347	0.36 391	0.14 195	0.21 256	0.21 300	0.12 210	0.17 299	0.14 267	0.07 197	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

CFNet_RVC	0.14 261	0.07 112	0.15 264	0.12 4	0.09 191	0.16 283	0.18 312	0.22 227	0.24 276	0.17 262	0.26 331	0.24 339	0.14 269	0.16 269	0.14 267	0.11 368	0.06 257	0.08 228	0.09 330	0.09 329	0.08 294

ccs_rob	0.14 261	0.08 199	0.15 264	0.16 111	0.09 191	0.12 162	0.14 108	0.27 320	0.34 379	0.14 195	0.21 256	0.22 317	0.13 245	0.18 317	0.14 267	0.07 197	0.05 146	0.08 228	0.07 225	0.07 213	0.07 231

AANet_RVC	0.16 325	0.10 318	0.10 78	0.18 249	0.09 191	0.18 322	0.19 350	0.26 300	0.31 355	0.22 355	0.35 398	0.21 300	0.21 374	0.22 381	0.16 310	0.06 84	0.05 146	0.06 62	0.06 139	0.07 213	0.06 157

AdaStereo	0.15 302	0.11 343	0.15 264	0.18 249	0.09 191	0.20 360	0.11 20	0.32 381	0.28 333	0.20 327	0.23 274	0.20 293	0.13 245	0.19 330	0.14 267	0.12 393	0.05 146	0.10 349	0.07 225	0.09 329	0.07 231
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	0.15 302	0.08 199	0.14 215	0.16 111	0.09 191	0.16 283	0.14 108	0.28 337	0.25 297	0.19 306	0.23 274	0.37 430	0.16 312	0.20 354	0.15 294	0.07 197	0.05 146	0.07 150	0.06 139	0.07 213	0.06 157

StereoDRNet-Refined	0.17 345	0.12 359	0.15 264	0.20 353	0.09 191	0.18 322	0.18 312	0.26 300	0.23 260	0.26 392	0.40 425	0.22 317	0.17 333	0.21 370	0.20 357	0.08 252	0.05 146	0.09 304	0.10 364	0.07 213	0.07 231
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
SGM_RVC	0.23 414	0.12 359	0.15 264	0.15 57	0.09 191	0.33 446	0.18 312	0.34 407	0.31 355	0.44 464	0.37 407	0.53 471	0.35 451	0.35 450	0.24 406	0.13 416	0.13 433	0.13 409	0.13 420	0.10 359	0.11 380
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
rvit_0105_6	0.14 261	0.09 263	0.18 349	0.17 175	0.10 291	0.10 90	0.16 237	0.19 174	0.26 310	0.12 148	0.18 216	0.17 254	0.12 210	0.18 317	0.12 190	0.15 431	0.11 407	0.12 394	0.10 364	0.09 329	0.06 157

rvit_0105_4	0.14 261	0.09 263	0.17 326	0.17 175	0.10 291	0.12 162	0.19 350	0.23 245	0.27 319	0.14 195	0.20 236	0.17 254	0.13 245	0.17 299	0.13 230	0.15 431	0.11 407	0.11 378	0.10 364	0.09 329	0.06 157

DCVSM-stereo	0.14 261	0.09 263	0.16 298	0.16 111	0.10 291	0.15 254	0.09 5	0.19 174	0.23 260	0.20 327	0.23 274	0.26 360	0.15 286	0.18 317	0.14 267	0.09 306	0.07 326	0.09 304	0.08 286	0.10 359	0.12 392

U	0.08 12	0.07 112	0.09 49	0.19 304	0.10 291	0.10 90	0.13 65	0.12 24	0.17 160	0.07 12	0.07 21	0.06 8	0.05 7	0.07 3	0.08 16	0.06 84	0.04 3	0.06 62	0.04 18	0.06 149	0.05 87

rvit_stereo_ft	0.12 205	0.07 112	0.13 184	0.19 304	0.10 291	0.12 162	0.17 268	0.16 96	0.16 142	0.12 148	0.13 130	0.15 221	0.10 157	0.14 213	0.13 230	0.09 306	0.06 257	0.08 228	0.07 225	0.07 213	0.05 87

testlalala2	0.10 99	0.06 41	0.11 111	0.20 353	0.10 291	0.10 90	0.12 33	0.17 129	0.12 53	0.12 148	0.13 130	0.09 85	0.07 73	0.11 75	0.13 230	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.05 87

IGEVStereo-DCA	0.09 42	0.06 41	0.11 111	0.15 57	0.10 291	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.08 16	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

rrr	0.09 42	0.06 41	0.12 141	0.15 57	0.10 291	0.11 130	0.16 237	0.16 96	0.15 117	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.08 16	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

GMStereo_Zeroshot	0.16 325	0.13 385	0.24 393	0.20 353	0.10 291	0.17 304	0.13 65	0.29 347	0.25 297	0.23 367	0.32 379	0.25 352	0.11 181	0.19 330	0.14 267	0.09 306	0.06 257	0.11 378	0.06 139	0.12 392	0.08 294

StereoVision	0.13 230	0.12 359	0.09 49	0.24 423	0.10 291	0.15 254	0.21 386	0.21 205	0.20 222	0.12 148	0.24 285	0.10 112	0.10 157	0.16 269	0.10 94	0.09 306	0.11 407	0.12 394	0.12 411	0.06 149	0.05 87

MIF-Stereo (partial)	0.11 142	0.06 41	0.10 78	0.19 304	0.10 291	0.10 90	0.11 20	0.17 129	0.18 186	0.14 195	0.16 171	0.09 85	0.11 181	0.12 150	0.12 190	0.08 252	0.05 146	0.08 228	0.07 225	0.06 149	0.07 231

EKT-Stereo	0.11 142	0.07 112	0.14 215	0.15 57	0.10 291	0.13 198	0.14 108	0.18 155	0.21 237	0.11 112	0.08 42	0.12 149	0.09 129	0.11 75	0.12 190	0.08 252	0.06 257	0.07 150	0.06 139	0.08 272	0.07 231

LL-Strereo	0.13 230	0.09 263	0.11 111	0.20 353	0.10 291	0.11 130	0.18 312	0.32 381	0.24 276	0.15 222	0.15 160	0.14 192	0.13 245	0.19 330	0.11 146	0.06 84	0.04 3	0.09 304	0.08 286	0.04 3	0.05 87

iinet-f	0.16 325	0.06 41	0.45 455	0.14 23	0.10 291	0.21 374	0.14 108	0.27 320	0.23 260	0.21 340	0.24 285	0.21 300	0.15 286	0.18 317	0.21 377	0.09 306	0.07 326	0.07 150	0.06 139	0.09 329	0.10 357

Wz-Net-LNSev-Ref	0.18 358	0.09 263	0.29 421	0.15 57	0.10 291	0.22 382	0.20 369	0.26 300	0.39 405	0.25 388	0.42 441	0.24 339	0.15 286	0.20 354	0.19 351	0.07 197	0.05 146	0.06 62	0.05 68	0.10 359	0.09 336

BUS	0.14 261	0.09 263	0.14 215	0.22 394	0.10 291	0.19 345	0.14 108	0.34 407	0.19 200	0.17 262	0.22 265	0.16 234	0.13 245	0.15 235	0.13 230	0.08 252	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

test_5	0.14 261	0.12 359	0.08 18	0.20 353	0.10 291	0.14 229	0.29 457	0.21 205	0.24 276	0.18 292	0.28 350	0.11 132	0.15 286	0.12 150	0.13 230	0.06 84	0.05 146	0.07 150	0.08 286	0.08 272	0.07 231

BSDual-CNN	0.15 302	0.09 263	0.14 215	0.22 394	0.10 291	0.14 229	0.15 174	0.34 407	0.19 200	0.17 262	0.22 265	0.25 352	0.16 312	0.15 235	0.14 267	0.08 252	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

psmg	0.14 261	0.09 263	0.14 215	0.17 175	0.10 291	0.15 254	0.17 268	0.29 347	0.19 200	0.17 262	0.21 256	0.25 352	0.16 312	0.15 235	0.14 267	0.08 252	0.06 257	0.08 228	0.08 286	0.07 213	0.06 157

UDGNet	0.14 261	0.13 385	0.16 298	0.17 175	0.10 291	0.12 162	0.16 237	0.21 205	0.27 319	0.20 327	0.20 236	0.16 234	0.13 245	0.16 269	0.13 230	0.10 342	0.06 257	0.09 304	0.07 225	0.06 149	0.07 231

DAS	0.15 302	0.08 199	0.18 349	0.19 304	0.10 291	0.19 345	0.17 268	0.27 320	0.29 339	0.18 292	0.25 314	0.21 300	0.15 286	0.16 269	0.12 190	0.08 252	0.06 257	0.06 62	0.06 139	0.07 213	0.07 231

SepStereo	0.15 302	0.08 199	0.18 349	0.19 304	0.10 291	0.19 345	0.17 268	0.27 320	0.29 339	0.18 292	0.25 314	0.21 300	0.15 286	0.25 406	0.12 190	0.08 252	0.06 257	0.06 62	0.06 139	0.07 213	0.07 231

AACVNet	0.16 325	0.08 199	0.14 215	0.15 57	0.10 291	0.18 322	0.15 174	0.23 245	0.24 276	0.27 398	0.27 338	0.28 376	0.17 333	0.19 330	0.16 310	0.09 306	0.07 326	0.09 304	0.07 225	0.10 359	0.09 336

GANet-ADL	0.13 230	0.07 112	0.15 264	0.17 175	0.10 291	0.18 322	0.15 174	0.30 361	0.20 222	0.13 174	0.18 216	0.19 281	0.12 210	0.16 269	0.13 230	0.08 252	0.06 257	0.06 62	0.05 68	0.07 213	0.08 294

ASMatch	0.11 142	0.06 41	0.13 184	0.16 111	0.10 291	0.07 21	0.14 108	0.17 129	0.17 160	0.12 148	0.16 171	0.16 234	0.10 157	0.13 191	0.10 94	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.08 294

DEmStereo	0.12 205	0.06 41	0.14 215	0.14 23	0.10 291	0.16 283	0.15 174	0.16 96	0.24 276	0.17 262	0.24 285	0.13 173	0.14 269	0.12 150	0.13 230	0.05 6	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

ADLNet	0.16 325	0.08 199	0.15 264	0.16 111	0.10 291	0.16 283	0.17 268	0.32 381	0.27 319	0.22 355	0.27 338	0.24 339	0.16 312	0.18 317	0.21 377	0.10 342	0.06 257	0.10 349	0.10 364	0.08 272	0.09 336

GES	0.14 261	0.08 199	0.16 298	0.15 57	0.10 291	0.13 198	0.13 65	0.28 337	0.25 297	0.16 248	0.23 274	0.18 267	0.13 245	0.16 269	0.13 230	0.08 252	0.07 326	0.07 150	0.06 139	0.08 272	0.09 336

RAFT + AFF	0.13 230	0.07 112	0.20 368	0.20 353	0.10 291	0.14 229	0.24 414	0.26 300	0.20 222	0.11 112	0.10 78	0.12 149	0.10 157	0.15 235	0.12 190	0.07 197	0.06 257	0.09 304	0.08 286	0.06 149	0.08 294

aanetorigin	0.22 399	0.17 422	0.56 468	0.17 175	0.10 291	0.15 254	0.19 350	0.20 185	0.33 368	0.49 469	0.48 451	0.29 383	0.27 416	0.20 354	0.23 396	0.08 252	0.07 326	0.08 228	0.07 225	0.10 359	0.09 336

EDNetEfficient	0.29 447	0.24 453	1.13 498	0.18 249	0.10 291	0.19 345	0.20 369	0.20 185	0.60 469	0.74 488	0.56 466	0.31 401	0.39 458	0.22 381	0.30 447	0.09 306	0.07 326	0.08 228	0.07 225	0.11 378	0.09 336

ac_64	0.16 325	0.08 199	0.15 264	0.18 249	0.10 291	0.22 382	0.18 312	0.24 267	0.21 237	0.18 292	0.24 285	0.29 383	0.18 345	0.19 330	0.22 386	0.09 306	0.07 326	0.08 228	0.09 330	0.07 213	0.06 157

acv_ft	0.15 302	0.09 263	0.15 264	0.19 304	0.10 291	0.16 283	0.17 268	0.25 283	0.33 368	0.19 306	0.26 331	0.21 300	0.17 333	0.17 299	0.18 342	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

DSFCA	0.16 325	0.09 263	0.14 215	0.16 111	0.10 291	0.20 360	0.19 350	0.28 337	0.31 355	0.23 367	0.24 285	0.22 317	0.15 286	0.19 330	0.20 357	0.10 342	0.07 326	0.09 304	0.09 330	0.08 272	0.08 294

TDLM	0.17 345	0.12 359	0.13 184	0.24 423	0.10 291	0.18 322	0.18 312	0.36 426	0.30 348	0.21 340	0.28 350	0.28 376	0.18 345	0.23 392	0.18 342	0.11 368	0.07 326	0.10 349	0.10 364	0.08 272	0.08 294

CVANet_RVC	0.18 358	0.10 318	0.14 215	0.21 379	0.10 291	0.18 322	0.17 268	0.34 407	0.33 368	0.22 355	0.31 375	0.28 376	0.18 345	0.23 392	0.17 324	0.12 393	0.08 351	0.12 394	0.11 392	0.09 329	0.07 231

NLCA_NET_v2_RVC	0.17 345	0.10 318	0.22 381	0.20 353	0.10 291	0.15 254	0.18 312	0.31 370	0.25 297	0.21 340	0.30 367	0.25 352	0.17 333	0.21 370	0.20 357	0.09 306	0.06 257	0.08 228	0.08 286	0.07 213	0.08 294
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
UCFNet_RVC	0.14 261	0.08 199	0.13 184	0.11 1	0.10 291	0.20 360	0.10 10	0.24 267	0.22 251	0.17 262	0.20 236	0.23 333	0.15 286	0.17 299	0.15 294	0.12 393	0.07 326	0.10 349	0.13 420	0.11 378	0.10 357

DeepPruner_ROB	0.16 325	0.11 343	0.15 264	0.17 175	0.10 291	0.17 304	0.15 174	0.32 381	0.21 237	0.19 306	0.21 256	0.22 317	0.18 345	0.20 354	0.15 294	0.13 416	0.09 376	0.09 304	0.09 330	0.11 378	0.10 357

PS-NSSS	0.20 381	0.21 445	0.23 390	0.20 353	0.10 291	0.19 345	0.17 268	0.36 426	0.25 297	0.27 398	0.33 391	0.27 367	0.24 395	0.20 354	0.20 357	0.15 431	0.12 420	0.17 442	0.14 423	0.10 359	0.08 294

DRN-Test	0.19 370	0.11 343	0.20 368	0.22 394	0.10 291	0.22 382	0.22 395	0.39 442	0.37 397	0.24 375	0.32 379	0.26 360	0.21 374	0.22 381	0.24 406	0.11 368	0.07 326	0.11 378	0.10 364	0.09 329	0.07 231

DISCO	0.19 370	0.09 263	0.22 381	0.17 175	0.10 291	0.25 410	0.18 312	0.27 320	0.44 431	0.22 355	0.31 375	0.33 413	0.26 408	0.28 422	0.28 439	0.08 252	0.06 257	0.07 150	0.07 225	0.09 329	0.09 336

DN-CSS_ROB	0.13 230	0.13 385	0.16 298	0.18 249	0.10 291	0.16 283	0.08 3	0.22 227	0.18 186	0.17 262	0.22 265	0.13 173	0.13 245	0.12 150	0.13 230	0.05 6	0.05 146	0.10 349	0.10 364	0.08 272	0.06 157

CBMV	0.19 370	0.14 397	0.17 326	0.18 249	0.10 291	0.20 360	0.11 20	0.29 347	0.30 348	0.29 417	0.30 367	0.30 391	0.23 389	0.27 411	0.19 351	0.13 416	0.15 446	0.17 442	0.16 443	0.10 359	0.10 357
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
test_sample7	0.15 302	0.10 318	0.16 298	0.14 23	0.11 335	0.16 283	0.16 237	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.12 393	0.06 257	0.10 349	0.09 330	0.10 359	0.10 357

test_for_model	0.09 42	0.12 359	0.14 215	0.23 414	0.11 335	0.08 32	0.13 65	0.12 24	0.12 53	0.10 87	0.07 21	0.07 37	0.06 25	0.11 75	0.10 94	0.06 84	0.05 146	0.05 3	0.03 1	0.07 213	0.04 18

CFNet_ucs	0.15 302	0.08 199	0.16 298	0.16 111	0.11 335	0.14 229	0.14 108	0.30 361	0.34 379	0.16 248	0.24 285	0.23 333	0.14 269	0.18 317	0.15 294	0.09 306	0.06 257	0.08 228	0.07 225	0.09 329	0.09 336

ToySt	0.17 345	0.11 343	0.18 349	0.17 175	0.11 335	0.16 283	0.25 428	0.24 267	0.33 368	0.19 306	0.24 285	0.26 360	0.24 395	0.19 330	0.20 357	0.07 197	0.08 351	0.09 304	0.10 364	0.09 329	0.08 294

DCRE	0.11 142	0.07 112	0.13 184	0.16 111	0.11 335	0.11 130	0.17 268	0.18 155	0.17 160	0.11 112	0.18 216	0.10 112	0.10 157	0.15 235	0.11 146	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.04 18

ssnet_v2	0.17 345	0.10 318	0.17 326	0.17 175	0.11 335	0.21 374	0.21 386	0.33 398	0.25 297	0.22 355	0.22 265	0.27 367	0.18 345	0.22 381	0.20 357	0.11 368	0.09 376	0.09 304	0.09 330	0.08 272	0.08 294

HBP-ISP	0.18 358	0.13 385	0.16 298	0.15 57	0.11 335	0.08 32	0.13 65	0.28 337	0.29 339	0.22 355	0.33 391	0.21 300	0.25 403	0.23 392	0.17 324	0.14 427	0.16 449	0.21 456	0.17 450	0.10 359	0.08 294

NINENet	0.16 325	0.10 318	0.15 264	0.17 175	0.11 335	0.19 345	0.14 108	0.40 446	0.36 391	0.18 292	0.21 256	0.16 234	0.13 245	0.15 235	0.13 230	0.08 252	0.08 351	0.10 349	0.07 225	0.10 359	0.09 336

hknet	0.15 302	0.11 343	0.13 184	0.22 394	0.11 335	0.14 229	0.15 174	0.34 407	0.25 297	0.17 262	0.22 265	0.22 317	0.18 345	0.17 299	0.12 190	0.07 197	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

dad	0.17 345	0.20 439	0.20 368	0.16 111	0.11 335	0.20 360	0.18 312	0.21 205	0.28 333	0.30 420	0.24 285	0.29 383	0.13 245	0.19 330	0.16 310	0.18 454	0.09 376	0.11 378	0.09 330	0.11 378	0.07 231

GEStereo_RVC	0.17 345	0.12 359	0.15 264	0.22 394	0.11 335	0.19 345	0.17 268	0.32 381	0.48 440	0.20 327	0.25 314	0.17 254	0.13 245	0.21 370	0.16 310	0.10 342	0.06 257	0.08 228	0.07 225	0.09 329	0.08 294

sCroCo_RVC	0.12 205	0.09 263	0.23 390	0.24 423	0.11 335	0.19 345	0.14 108	0.17 129	0.14 103	0.10 87	0.13 130	0.12 149	0.07 73	0.14 213	0.11 146	0.08 252	0.08 351	0.08 228	0.08 286	0.05 66	0.07 231

HCRNet	0.16 325	0.24 453	0.12 141	0.35 470	0.11 335	0.15 254	0.17 268	0.26 300	0.22 251	0.19 306	0.24 285	0.21 300	0.14 269	0.15 235	0.13 230	0.11 368	0.07 326	0.11 378	0.10 364	0.09 329	0.07 231

MMNet	0.17 345	0.09 263	0.16 298	0.20 353	0.11 335	0.27 425	0.20 369	0.25 283	0.41 414	0.22 355	0.30 367	0.21 300	0.20 370	0.17 299	0.20 357	0.06 84	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

delet	0.17 345	0.08 199	0.17 326	0.19 304	0.11 335	0.20 360	0.21 386	0.30 361	0.37 397	0.17 262	0.26 331	0.19 281	0.19 359	0.19 330	0.21 377	0.08 252	0.08 351	0.09 304	0.11 392	0.06 149	0.06 157

psm_up	0.18 358	0.10 318	0.18 349	0.20 353	0.11 335	0.17 304	0.19 350	0.37 431	0.34 379	0.21 340	0.28 350	0.29 383	0.24 395	0.20 354	0.22 386	0.09 306	0.10 395	0.11 378	0.11 392	0.08 272	0.08 294

DMCA-RVC	0.17 345	0.10 318	0.15 264	0.24 423	0.11 335	0.18 322	0.18 312	0.25 283	0.24 276	0.21 340	0.26 331	0.25 352	0.27 416	0.18 317	0.20 357	0.12 393	0.08 351	0.13 409	0.10 364	0.10 359	0.08 294

FADNet-RVC-Resample	0.16 325	0.11 343	0.31 426	0.22 394	0.11 335	0.19 345	0.14 108	0.25 283	0.24 276	0.24 375	0.27 338	0.20 293	0.15 286	0.16 269	0.15 294	0.07 197	0.08 351	0.12 394	0.10 364	0.09 329	0.10 357

FADNet_RVC	0.16 325	0.14 397	0.40 449	0.20 353	0.11 335	0.13 198	0.13 65	0.26 300	0.22 251	0.21 340	0.23 274	0.20 293	0.17 333	0.14 213	0.16 310	0.08 252	0.08 351	0.12 394	0.09 330	0.11 378	0.10 357

MaskLacGwcNet_RVC	0.22 399	0.21 445	0.24 393	0.26 438	0.11 335	0.23 395	0.14 108	0.39 442	0.24 276	0.32 432	0.36 401	0.30 391	0.21 374	0.19 330	0.21 377	0.17 452	0.14 440	0.21 456	0.16 443	0.12 392	0.12 392

STTStereo	0.18 358	0.12 359	0.27 408	0.20 353	0.11 335	0.16 283	0.21 386	0.29 347	0.23 260	0.21 340	0.30 367	0.29 383	0.18 345	0.20 354	0.19 351	0.12 393	0.11 407	0.11 378	0.14 423	0.09 329	0.08 294

RP	0.21 390	0.13 385	0.21 375	0.23 414	0.11 335	0.21 374	0.20 369	0.25 283	0.44 431	0.21 340	0.38 412	0.36 425	0.24 395	0.27 411	0.25 415	0.11 368	0.12 420	0.13 409	0.12 411	0.12 392	0.14 427

SGM-ForestM	0.32 455	0.12 359	0.16 298	0.16 111	0.11 335	0.39 463	0.19 350	0.41 452	0.50 448	0.52 471	0.54 460	1.32 501	0.42 469	0.40 468	0.27 432	0.14 427	0.16 449	0.16 439	0.16 443	0.12 392	0.12 392

StereoDRNet	0.18 358	0.11 343	0.17 326	0.22 394	0.11 335	0.21 374	0.22 395	0.37 431	0.33 368	0.24 375	0.28 350	0.30 391	0.19 359	0.20 354	0.20 357	0.09 306	0.08 351	0.11 378	0.09 330	0.09 329	0.07 231

MDST_ROB	0.22 399	0.10 318	0.17 326	0.18 249	0.11 335	0.37 459	0.19 350	0.43 461	0.41 414	0.39 449	0.39 420	0.29 383	0.21 374	0.26 408	0.18 342	0.11 368	0.10 395	0.14 421	0.11 392	0.10 359	0.08 294

CBMV_ROB	0.19 370	0.13 385	0.17 326	0.16 111	0.11 335	0.15 254	0.13 65	0.26 300	0.28 333	0.27 398	0.30 367	0.27 367	0.24 395	0.23 392	0.16 310	0.15 431	0.17 454	0.22 460	0.20 456	0.10 359	0.11 380

SANet	0.24 421	0.14 397	0.28 413	0.21 379	0.11 335	0.27 425	0.24 414	0.38 438	0.64 473	0.36 441	0.40 425	0.43 453	0.26 408	0.27 411	0.24 406	0.12 393	0.09 376	0.10 349	0.09 330	0.13 408	0.11 380

DLCB_ROB	0.18 358	0.10 318	0.15 264	0.23 414	0.11 335	0.24 400	0.18 312	0.29 347	0.28 333	0.27 398	0.28 350	0.28 376	0.24 395	0.19 330	0.20 357	0.08 252	0.08 351	0.09 304	0.09 330	0.07 213	0.07 231

PWC_ROB	0.21 390	0.16 411	0.26 401	0.18 249	0.11 335	0.22 382	0.13 65	0.32 381	0.49 445	0.30 420	0.40 425	0.32 410	0.24 395	0.31 433	0.22 386	0.10 342	0.07 326	0.11 378	0.08 286	0.11 378	0.10 357

PWCDC_ROB	0.20 381	0.13 385	0.22 381	0.24 423	0.11 335	0.19 345	0.15 174	0.33 398	0.54 457	0.29 417	0.50 456	0.21 300	0.15 286	0.27 411	0.20 357	0.11 368	0.09 376	0.10 349	0.08 286	0.11 378	0.09 336

MeshStereo	0.27 439	0.13 385	0.18 349	0.15 57	0.11 335	0.32 440	0.24 414	0.40 446	0.36 391	0.52 471	0.57 468	0.67 482	0.40 461	0.35 450	0.26 425	0.14 427	0.13 433	0.13 409	0.11 392	0.11 378	0.10 357
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
FACV-RUCA	0.13 230	0.11 343	0.12 141	0.19 304	0.12 366	0.15 254	0.15 174	0.22 227	0.20 222	0.15 222	0.16 171	0.14 192	0.16 312	0.14 213	0.13 230	0.07 197	0.05 146	0.08 228	0.06 139	0.10 359	0.08 294

DDVS	0.15 302	0.10 318	0.21 375	0.16 111	0.12 366	0.15 254	0.14 108	0.25 283	0.19 200	0.18 292	0.29 362	0.27 367	0.12 210	0.19 330	0.15 294	0.09 306	0.06 257	0.09 304	0.07 225	0.11 378	0.11 380

rvit_0105_3	0.15 302	0.09 263	0.14 215	0.19 304	0.12 366	0.15 254	0.25 428	0.25 283	0.29 339	0.15 222	0.17 191	0.20 293	0.13 245	0.17 299	0.14 267	0.13 416	0.11 407	0.12 394	0.14 423	0.07 213	0.06 157

ACV-stereo	0.15 302	0.10 318	0.28 413	0.18 249	0.12 366	0.14 229	0.12 33	0.23 245	0.21 237	0.19 306	0.23 274	0.22 317	0.15 286	0.23 392	0.17 324	0.07 197	0.06 257	0.07 150	0.07 225	0.07 213	0.07 231

DispNO	0.14 261	0.08 199	0.17 326	0.19 304	0.12 366	0.11 130	0.21 386	0.23 245	0.29 339	0.17 262	0.23 274	0.18 267	0.17 333	0.15 235	0.15 294	0.07 197	0.05 146	0.08 228	0.08 286	0.07 213	0.06 157

SDNR	0.19 370	0.08 199	0.19 359	0.16 111	0.12 366	0.77 495	0.14 108	0.25 283	0.32 361	0.19 306	0.24 285	0.19 281	0.13 245	0.19 330	0.15 294	0.16 447	0.18 456	0.14 421	0.11 392	0.08 272	0.11 380

fast-acv-ft	0.18 358	0.11 343	0.19 359	0.19 304	0.12 366	0.24 400	0.21 386	0.25 283	0.34 379	0.22 355	0.34 395	0.27 367	0.20 370	0.21 370	0.23 396	0.09 306	0.09 376	0.08 228	0.10 364	0.08 272	0.07 231

TRStereo	0.09 42	0.05 11	0.12 141	0.15 57	0.12 366	0.10 90	0.13 65	0.18 155	0.18 186	0.09 56	0.09 55	0.09 85	0.06 25	0.10 35	0.08 16	0.07 197	0.05 146	0.07 150	0.07 225	0.04 3	0.04 18

sAnonymous2	0.13 230	0.12 359	0.24 393	0.20 353	0.12 366	0.17 304	0.13 65	0.26 300	0.21 237	0.11 112	0.11 106	0.13 173	0.08 103	0.10 35	0.10 94	0.09 306	0.05 146	0.08 228	0.06 139	0.15 435	0.10 357

CroCo_RVC	0.13 230	0.12 359	0.24 393	0.20 353	0.12 366	0.17 304	0.13 65	0.26 300	0.21 237	0.11 112	0.11 106	0.13 173	0.08 103	0.10 35	0.10 94	0.09 306	0.05 146	0.08 228	0.06 139	0.15 435	0.10 357

UNet	0.17 345	0.09 263	0.18 349	0.19 304	0.12 366	0.27 425	0.19 350	0.33 398	0.29 339	0.21 340	0.24 285	0.23 333	0.19 359	0.19 330	0.18 342	0.07 197	0.06 257	0.08 228	0.07 225	0.08 272	0.06 157

UPFNet	0.16 325	0.08 199	0.12 141	0.20 353	0.12 366	0.20 360	0.23 404	0.28 337	0.26 310	0.17 262	0.24 285	0.22 317	0.19 359	0.19 330	0.21 377	0.09 306	0.07 326	0.08 228	0.09 330	0.08 272	0.06 157

GwcNet	0.20 381	0.13 385	0.19 359	0.18 249	0.12 366	0.24 400	0.19 350	0.35 420	0.43 426	0.20 327	0.32 379	0.33 413	0.20 370	0.22 381	0.24 406	0.11 368	0.09 376	0.09 304	0.09 330	0.09 329	0.10 357

ACVNet	0.15 302	0.09 263	0.15 264	0.13 12	0.12 366	0.14 229	0.20 369	0.22 227	0.33 368	0.17 262	0.26 331	0.21 300	0.16 312	0.17 299	0.21 377	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

HGLStereo	0.17 345	0.08 199	0.19 359	0.17 175	0.12 366	0.18 322	0.18 312	0.31 370	0.32 361	0.21 340	0.32 379	0.25 352	0.18 345	0.19 330	0.20 357	0.09 306	0.09 376	0.07 150	0.07 225	0.09 329	0.10 357

FAT-Stereo	0.20 381	0.12 359	0.22 381	0.21 379	0.12 366	0.17 304	0.18 312	0.34 407	0.39 405	0.27 398	0.37 407	0.34 419	0.32 444	0.21 370	0.20 357	0.09 306	0.11 407	0.10 349	0.09 330	0.11 378	0.14 427

stereogan	0.22 399	0.11 343	0.21 375	0.20 353	0.12 366	0.31 439	0.19 350	0.35 420	0.44 431	0.22 355	0.39 420	0.35 423	0.27 416	0.33 441	0.22 386	0.10 342	0.12 420	0.10 349	0.10 364	0.14 420	0.13 410

ADCL	0.24 421	0.11 343	0.47 459	0.22 394	0.12 366	0.34 449	0.29 457	0.29 347	0.56 460	0.24 375	0.46 448	0.30 391	0.30 436	0.29 429	0.29 442	0.08 252	0.07 326	0.09 304	0.09 330	0.10 359	0.10 357

ADCRef	0.19 370	0.12 359	0.41 451	0.20 353	0.12 366	0.22 382	0.18 312	0.32 381	0.36 391	0.26 392	0.32 379	0.17 254	0.23 389	0.24 401	0.24 406	0.07 197	0.06 257	0.09 304	0.09 330	0.08 272	0.08 294

ADCP+	0.20 381	0.10 318	0.33 432	0.20 353	0.12 366	0.22 382	0.26 435	0.31 370	0.34 379	0.26 392	0.37 407	0.22 317	0.22 383	0.27 411	0.27 432	0.09 306	0.06 257	0.08 228	0.08 286	0.09 329	0.10 357

NOSS_ROB	0.19 370	0.12 359	0.18 349	0.16 111	0.12 366	0.15 254	0.12 33	0.30 361	0.32 361	0.20 327	0.22 265	0.27 367	0.23 389	0.21 370	0.16 310	0.16 447	0.18 456	0.23 461	0.21 458	0.12 392	0.13 410

ISRNet	0.18 358	0.08 199	0.19 359	0.19 304	0.13 387	0.15 254	0.12 33	0.30 361	0.32 361	0.21 340	0.25 314	0.27 367	0.17 333	0.17 299	0.20 357	0.20 461	0.08 351	0.14 421	0.14 423	0.14 420	0.17 453

AIO-Stereo-zeroshot	0.11 142	0.05 11	0.11 111	0.15 57	0.13 387	0.13 198	0.16 237	0.23 245	0.17 160	0.10 87	0.12 117	0.10 112	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.06 62	0.06 139	0.07 213	0.08 294

AEACV	0.08 12	0.05 11	0.08 18	0.14 23	0.13 387	0.14 229	0.13 65	0.14 51	0.09 6	0.07 12	0.09 55	0.07 37	0.08 103	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

coex-ft	3.30 509	0.34 474	59.09 529	0.18 249	0.13 387	0.26 418	0.22 395	0.27 320	0.72 481	1.90 511	0.70 478	0.44 455	0.45 472	0.29 429	0.41 475	0.09 306	0.09 376	0.12 394	0.09 330	0.14 420	0.13 410

Wz-Net-LNSev	0.22 399	0.16 411	0.38 445	0.21 379	0.13 387	0.25 410	0.23 404	0.32 381	0.43 426	0.30 420	0.41 435	0.31 401	0.18 345	0.22 381	0.25 415	0.10 342	0.09 376	0.08 228	0.08 286	0.12 392	0.11 380

SACVNet	0.18 358	0.12 359	0.14 215	0.17 175	0.13 387	0.22 382	0.18 312	0.31 370	0.30 348	0.23 367	0.31 375	0.30 391	0.22 383	0.22 381	0.17 324	0.11 368	0.08 351	0.10 349	0.10 364	0.12 392	0.14 427

psmorigin	0.25 430	0.15 403	0.34 440	0.17 175	0.13 387	0.23 395	0.14 108	0.34 407	0.33 368	0.41 456	0.55 461	0.41 448	0.37 455	0.34 444	0.27 432	0.11 368	0.15 446	0.11 378	0.11 392	0.12 392	0.16 445

S-Stereo	0.20 381	0.12 359	0.25 398	0.21 379	0.13 387	0.20 360	0.18 312	0.32 381	0.43 426	0.23 367	0.36 401	0.28 376	0.30 436	0.19 330	0.22 386	0.09 306	0.12 420	0.10 349	0.10 364	0.13 408	0.13 410

AF-Net	0.22 399	0.17 422	0.17 326	0.26 438	0.13 387	0.25 410	0.24 414	0.32 381	0.50 448	0.25 388	0.33 391	0.38 434	0.26 408	0.28 422	0.25 415	0.11 368	0.10 395	0.16 439	0.11 392	0.11 378	0.10 357

edge stereo	0.22 399	0.13 385	0.20 368	0.21 379	0.13 387	0.23 395	0.16 237	0.32 381	0.42 421	0.32 432	0.40 425	0.38 434	0.35 451	0.25 406	0.24 406	0.13 416	0.11 407	0.14 421	0.11 392	0.12 392	0.13 410

RTSC	0.23 414	0.12 359	0.28 413	0.21 379	0.13 387	0.28 431	0.16 237	0.35 420	0.66 476	0.27 398	0.33 391	0.30 391	0.21 374	0.31 433	0.29 442	0.10 342	0.08 351	0.09 304	0.10 364	0.13 408	0.13 410

DANet	0.21 390	0.15 403	0.28 413	0.25 433	0.13 387	0.22 382	0.19 350	0.27 320	0.27 319	0.28 410	0.32 379	0.35 423	0.31 440	0.31 433	0.23 396	0.11 368	0.09 376	0.11 378	0.10 364	0.13 408	0.11 380
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 390	0.12 359	0.21 375	0.24 423	0.13 387	0.22 382	0.22 395	0.41 452	0.26 310	0.31 426	0.42 441	0.37 430	0.28 424	0.23 392	0.22 386	0.10 342	0.12 420	0.10 349	0.09 330	0.10 359	0.08 294

DPSNet	0.28 443	0.16 411	0.31 426	0.18 249	0.13 387	0.54 474	0.42 483	0.51 475	0.67 477	0.29 417	0.38 412	0.38 434	0.29 432	0.31 433	0.23 396	0.11 368	0.10 395	0.11 378	0.08 286	0.20 457	0.16 445

NaN_ROB	0.22 399	0.19 435	0.24 393	0.25 433	0.13 387	0.29 434	0.26 435	0.33 398	0.41 414	0.31 426	0.31 375	0.32 410	0.23 389	0.30 432	0.21 377	0.11 368	0.17 454	0.10 349	0.10 364	0.08 272	0.09 336

XPNet_ROB	0.22 399	0.11 343	0.19 359	0.22 394	0.13 387	0.22 382	0.19 350	0.34 407	0.40 411	0.30 420	0.39 420	0.39 442	0.26 408	0.26 408	0.28 439	0.15 431	0.10 395	0.10 349	0.10 364	0.13 408	0.12 392

ETE_ROB	0.23 414	0.17 422	0.22 381	0.25 433	0.13 387	0.26 418	0.29 457	0.31 370	0.36 391	0.28 410	0.36 401	0.45 457	0.26 408	0.27 411	0.26 425	0.11 368	0.08 351	0.12 394	0.09 330	0.14 420	0.13 410

SGM-Forest	0.20 381	0.14 397	0.18 349	0.19 304	0.13 387	0.20 360	0.22 395	0.33 398	0.30 348	0.24 375	0.29 362	0.28 376	0.19 359	0.23 392	0.17 324	0.15 431	0.16 449	0.15 433	0.14 423	0.12 392	0.12 392
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
DualNet (step1)	0.16 325	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.15 431	0.06 257	0.14 421	0.14 423	0.14 420	0.12 392

test_sample9	0.18 358	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.19 330	0.17 324	0.15 431	0.30 479	0.14 421	0.14 423	0.14 420	0.12 392

test_sample8	0.19 370	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.31 370	0.21 237	0.27 398	0.22 265	0.36 425	0.25 403	0.19 330	0.17 324	0.15 431	0.30 479	0.14 421	0.14 423	0.14 420	0.12 392

Wz-Net-SNSev	0.25 430	0.17 422	0.44 454	0.25 433	0.14 405	0.26 418	0.23 404	0.38 438	0.56 460	0.30 420	0.55 461	0.39 442	0.26 408	0.23 392	0.30 447	0.10 342	0.09 376	0.09 304	0.10 364	0.11 378	0.11 380

Wz-Net-MNSev	0.22 399	0.13 385	0.31 426	0.20 353	0.14 405	0.36 458	0.24 414	0.33 398	0.44 431	0.28 410	0.40 425	0.38 434	0.19 359	0.24 401	0.25 415	0.09 306	0.07 326	0.09 304	0.09 330	0.12 392	0.10 357

HHNet	0.11 142	0.06 41	0.16 298	0.15 57	0.14 405	0.07 21	0.13 65	0.20 185	0.17 160	0.14 195	0.25 314	0.11 132	0.08 103	0.13 191	0.10 94	0.05 6	0.04 3	0.08 228	0.06 139	0.05 66	0.09 336

Anonymous3	0.16 325	0.13 385	0.33 432	0.26 438	0.14 405	0.27 425	0.17 268	0.28 337	0.28 333	0.15 222	0.17 191	0.14 192	0.10 157	0.15 235	0.12 190	0.08 252	0.08 351	0.08 228	0.08 286	0.08 272	0.11 380

pcwnet_v2	0.19 370	0.10 318	0.26 401	0.17 175	0.14 405	0.18 322	0.15 174	0.37 431	0.46 438	0.19 306	0.24 285	0.21 300	0.19 359	0.20 354	0.19 351	0.13 416	0.10 395	0.10 349	0.10 364	0.11 378	0.13 410

APVNet	0.22 399	0.12 359	0.19 359	0.18 249	0.14 405	0.32 440	0.31 470	0.39 442	0.32 361	0.27 398	0.40 425	0.30 391	0.29 432	0.26 408	0.25 415	0.11 368	0.12 420	0.11 378	0.14 423	0.12 392	0.12 392

Syn2CoEx	0.21 390	0.16 411	0.27 408	0.29 460	0.14 405	0.26 418	0.20 369	0.33 398	0.31 355	0.28 410	0.36 401	0.27 367	0.25 403	0.19 330	0.24 406	0.16 447	0.12 420	0.14 421	0.11 392	0.09 329	0.08 294

Nwc_Net	0.23 414	0.16 411	0.21 375	0.25 433	0.14 405	0.24 400	0.26 435	0.37 431	0.38 402	0.22 355	0.41 435	0.30 391	0.28 424	0.28 422	0.25 415	0.11 368	0.10 395	0.17 442	0.20 456	0.10 359	0.10 357

ADCMid	0.25 430	0.15 403	0.40 449	0.20 353	0.14 405	0.25 410	0.26 435	0.34 407	0.38 402	0.36 441	0.44 446	0.34 419	0.40 461	0.35 450	0.33 458	0.10 342	0.09 376	0.11 378	0.11 392	0.13 408	0.12 392

FBW_ROB	0.24 421	0.17 422	0.22 381	0.26 438	0.14 405	0.25 410	0.22 395	0.41 452	0.41 414	0.41 456	0.41 435	0.42 449	0.27 416	0.31 433	0.23 396	0.09 306	0.14 440	0.14 421	0.12 411	0.11 378	0.09 336

WCMA_ROB	0.24 421	0.11 343	0.22 381	0.17 175	0.14 405	0.32 440	0.15 174	0.32 381	0.32 361	0.38 447	0.53 458	0.40 446	0.34 449	0.34 444	0.25 415	0.11 368	0.12 420	0.12 394	0.10 364	0.14 420	0.14 427

Wz-Net-TNSev	0.29 447	0.20 439	0.65 475	0.19 304	0.15 419	0.38 462	0.27 442	0.35 420	0.55 458	0.34 438	0.42 441	0.45 457	0.38 456	0.32 439	0.30 447	0.12 393	0.13 433	0.10 349	0.12 411	0.15 435	0.14 427

DDUNet	0.22 399	0.17 422	0.21 375	0.22 394	0.15 419	0.25 410	0.24 414	0.29 347	0.30 348	0.31 426	0.36 401	0.33 413	0.25 403	0.24 401	0.20 357	0.18 454	0.13 433	0.17 442	0.11 392	0.16 442	0.16 445

UDG	0.21 390	0.17 422	0.19 359	0.23 414	0.15 419	0.30 437	0.20 369	0.33 398	0.35 386	0.23 367	0.28 350	0.31 401	0.27 416	0.20 354	0.22 386	0.15 431	0.12 420	0.13 409	0.09 330	0.14 420	0.14 427

MFN_U_SF_RVC	0.32 455	0.21 445	0.55 466	0.30 462	0.15 419	0.34 449	0.17 268	0.52 476	0.46 438	0.46 468	0.55 461	0.59 474	0.39 458	0.35 450	0.37 466	0.15 431	0.14 440	0.18 451	0.21 458	0.16 442	0.15 434

RTS	0.45 474	0.19 435	3.26 507	0.24 423	0.15 419	0.74 489	0.20 369	0.36 426	0.76 486	0.42 459	0.43 444	0.31 401	0.41 466	0.53 480	0.35 461	0.10 342	0.08 351	0.13 409	0.12 411	0.15 435	0.15 434

RTSA	0.45 474	0.19 435	3.26 507	0.24 423	0.15 419	0.74 489	0.20 369	0.36 426	0.76 486	0.42 459	0.43 444	0.31 401	0.41 466	0.53 480	0.35 461	0.10 342	0.08 351	0.13 409	0.12 411	0.15 435	0.15 434

ADCPNet	0.25 430	0.16 411	0.61 472	0.21 379	0.15 419	0.35 457	0.25 428	0.32 381	0.35 386	0.30 420	0.40 425	0.36 425	0.28 424	0.28 422	0.32 455	0.12 393	0.10 395	0.11 378	0.12 411	0.14 420	0.13 410

CC-Net-ROB	0.28 443	0.31 470	0.36 441	0.29 460	0.15 419	0.25 410	0.19 350	0.45 466	0.33 368	0.39 449	0.37 407	0.39 442	0.31 440	0.27 411	0.26 425	0.24 475	0.19 459	0.30 476	0.23 465	0.18 453	0.15 434

NVstereo2D	0.19 370	0.10 318	0.15 264	0.17 175	0.15 419	0.28 431	0.23 404	0.44 463	0.42 421	0.15 222	0.27 338	0.25 352	0.19 359	0.22 381	0.17 324	0.09 306	0.06 257	0.10 349	0.08 286	0.15 435	0.09 336

PSMNet_ROB	0.21 390	0.11 343	0.15 264	0.27 450	0.15 419	0.24 400	0.35 474	0.43 461	0.37 397	0.27 398	0.32 379	0.32 410	0.22 383	0.21 370	0.26 425	0.12 393	0.08 351	0.13 409	0.11 392	0.09 329	0.09 336

rvit_105_1	0.19 370	0.11 343	0.25 398	0.21 379	0.16 429	0.21 374	0.27 442	0.31 370	0.41 414	0.19 306	0.20 236	0.22 317	0.17 333	0.19 330	0.17 324	0.12 393	0.12 420	0.13 409	0.15 439	0.08 272	0.07 231

rvit_stereo_0075_2	0.17 345	0.12 359	0.25 398	0.23 414	0.16 429	0.13 198	0.10 10	0.30 361	0.27 319	0.20 327	0.28 350	0.22 317	0.15 286	0.18 317	0.13 230	0.16 447	0.10 395	0.17 442	0.10 364	0.10 359	0.09 336

Anonymous_2	0.22 399	0.17 422	0.28 413	0.15 57	0.16 429	0.32 440	0.22 395	0.22 227	0.17 160	0.23 367	0.24 285	0.26 360	0.27 416	0.27 411	0.23 396	0.22 469	0.25 475	0.17 442	0.17 450	0.17 449	0.17 453

WZ-Net	0.28 443	0.17 422	0.78 489	0.22 394	0.16 429	0.34 449	0.29 457	0.39 442	0.57 462	0.24 375	0.55 461	0.37 430	0.24 395	0.33 441	0.35 461	0.09 306	0.08 351	0.09 304	0.10 364	0.14 420	0.16 445

FINET	0.21 390	0.18 432	0.26 401	0.18 249	0.16 429	0.23 395	0.23 404	0.32 381	0.48 440	0.25 388	0.32 379	0.22 317	0.22 383	0.22 381	0.17 324	0.18 454	0.16 449	0.11 378	0.10 364	0.15 435	0.13 410

MFN_U_SF_DS_RVC	0.30 452	0.24 453	0.29 421	0.36 472	0.16 429	0.34 449	0.30 464	0.32 381	0.42 421	0.40 452	0.46 448	0.38 434	0.31 440	0.34 444	0.28 439	0.19 459	0.20 462	0.26 464	0.29 474	0.18 453	0.19 461

FADNet-RVC	0.20 381	0.20 439	0.38 445	0.21 379	0.16 429	0.20 360	0.15 174	0.26 300	0.26 310	0.26 392	0.32 379	0.26 360	0.21 374	0.22 381	0.19 351	0.12 393	0.13 433	0.12 394	0.14 423	0.13 408	0.18 456

RGC	0.25 430	0.20 439	0.29 421	0.28 453	0.16 429	0.22 382	0.23 404	0.32 381	0.44 431	0.27 398	0.40 425	0.38 434	0.27 416	0.36 455	0.22 386	0.11 368	0.13 433	0.17 442	0.17 450	0.14 420	0.16 445

G-Net	0.24 421	0.16 411	0.36 441	0.22 394	0.16 429	0.51 472	0.23 404	0.29 347	0.34 379	0.36 441	0.38 412	0.31 401	0.29 432	0.27 411	0.26 425	0.11 368	0.09 376	0.12 394	0.09 330	0.16 442	0.13 410

NCC-stereo	0.24 421	0.15 403	0.31 426	0.26 438	0.16 429	0.20 360	0.30 464	0.40 446	0.40 411	0.24 375	0.38 412	0.33 413	0.28 424	0.36 455	0.27 432	0.12 393	0.11 407	0.15 433	0.22 461	0.13 408	0.13 410

Abc-Net	0.24 421	0.15 403	0.31 426	0.26 438	0.16 429	0.20 360	0.30 464	0.40 446	0.40 411	0.24 375	0.38 412	0.33 413	0.28 424	0.36 455	0.27 432	0.12 393	0.11 407	0.15 433	0.22 461	0.13 408	0.13 410
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DeepPrunerF	0.24 421	0.17 422	0.42 453	0.26 438	0.16 429	0.22 382	0.28 448	0.37 431	0.50 448	0.26 392	0.29 362	0.24 339	0.28 424	0.21 370	0.22 386	0.15 431	0.11 407	0.20 455	0.18 454	0.12 392	0.13 410

AnyNet_C32	0.26 437	0.16 411	0.36 441	0.20 353	0.16 429	0.25 410	0.30 464	0.32 381	0.44 431	0.31 426	0.49 452	0.30 391	0.33 445	0.40 468	0.33 458	0.12 393	0.12 420	0.12 394	0.14 423	0.14 420	0.15 434

GANetREF_RVC	0.31 453	0.34 474	0.27 408	0.35 470	0.16 429	0.32 440	0.41 480	0.48 470	0.51 455	0.35 439	0.35 398	0.34 419	0.33 445	0.39 464	0.32 455	0.27 477	0.20 462	0.29 474	0.15 439	0.18 453	0.17 453
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
DispFullNet	0.27 439	0.21 445	0.65 475	0.28 453	0.16 429	0.26 418	0.17 268	0.33 398	0.58 465	0.27 398	0.38 412	0.43 453	0.23 389	0.38 461	0.23 396	0.12 393	0.06 257	0.19 453	0.11 392	0.21 458	0.15 434

GASNet	0.22 399	0.23 450	0.33 432	0.26 438	0.17 444	0.26 418	0.16 237	0.44 463	0.42 421	0.27 398	0.24 285	0.30 391	0.15 286	0.27 411	0.18 342	0.12 393	0.08 351	0.12 394	0.11 392	0.16 442	0.07 231

FADNet	0.21 390	0.22 449	0.36 441	0.18 249	0.17 444	0.24 400	0.13 65	0.31 370	0.31 355	0.23 367	0.25 314	0.27 367	0.21 374	0.19 330	0.15 294	0.13 416	0.15 446	0.12 394	0.15 439	0.16 442	0.18 456

ADCS	0.29 447	0.18 432	0.45 455	0.21 379	0.17 444	0.28 431	0.23 404	0.41 452	0.63 472	0.40 452	0.49 452	0.40 446	0.36 453	0.39 464	0.40 472	0.13 416	0.12 420	0.13 409	0.14 423	0.16 442	0.16 445

AnyNet_C01	0.36 462	0.25 458	1.37 501	0.22 394	0.17 444	0.48 470	0.27 442	0.35 420	0.39 405	0.39 449	0.74 482	0.46 461	0.38 456	0.45 472	0.47 481	0.13 416	0.13 433	0.13 409	0.14 423	0.14 420	0.15 434

RYNet	0.22 399	0.12 359	0.22 381	0.19 304	0.17 444	0.46 466	0.26 435	0.38 438	0.48 440	0.24 375	0.28 350	0.34 419	0.23 389	0.20 354	0.30 447	0.10 342	0.06 257	0.09 304	0.09 330	0.13 408	0.15 434

LALA_ROB	0.25 430	0.16 411	0.22 381	0.26 438	0.17 444	0.27 425	0.27 442	0.42 457	0.37 397	0.33 436	0.38 412	0.51 467	0.26 408	0.28 422	0.27 432	0.16 447	0.09 376	0.12 394	0.11 392	0.13 408	0.12 392

SHD	0.26 437	0.15 403	0.30 424	0.24 423	0.18 450	0.22 382	0.15 174	0.38 438	0.71 480	0.32 432	0.41 435	0.36 425	0.28 424	0.32 439	0.29 442	0.12 393	0.11 407	0.14 421	0.13 420	0.16 442	0.20 462

NCCL2	0.23 414	0.15 403	0.17 326	0.34 468	0.18 450	0.24 400	0.23 404	0.34 407	0.28 333	0.31 426	0.38 412	0.38 434	0.28 424	0.23 392	0.24 406	0.15 431	0.12 420	0.18 451	0.21 458	0.13 408	0.13 410

SQANet	0.23 414	0.23 450	0.30 424	0.30 462	0.19 452	0.27 425	0.13 65	0.29 347	0.33 368	0.24 375	0.37 407	0.31 401	0.22 383	0.27 411	0.23 396	0.15 431	0.10 395	0.21 456	0.16 443	0.21 458	0.15 434

XQC	0.28 443	0.23 450	0.51 461	0.28 453	0.19 452	0.34 449	0.27 442	0.36 426	0.57 462	0.31 426	0.30 367	0.37 430	0.30 436	0.38 461	0.38 468	0.13 416	0.09 376	0.15 433	0.12 411	0.17 449	0.18 456

CSAN	0.29 447	0.24 453	0.27 408	0.34 468	0.19 452	0.33 446	0.42 483	0.37 431	0.50 448	0.38 447	0.40 425	0.44 455	0.33 445	0.28 422	0.30 447	0.20 461	0.16 449	0.19 453	0.19 455	0.14 420	0.15 434

AIO-Stereo-zeroshot1	0.11 142	0.05 11	0.14 215	0.15 57	0.20 455	0.09 52	0.17 268	0.21 205	0.15 117	0.11 112	0.14 144	0.10 112	0.07 73	0.10 35	0.08 16	0.06 84	0.05 146	0.07 150	0.07 225	0.07 213	0.09 336

MSC_U_SF_DS_RVC	0.43 471	0.39 478	0.54 464	0.40 475	0.20 455	0.64 481	0.32 472	0.53 478	0.72 481	0.71 482	0.72 479	0.61 476	0.54 477	0.51 476	0.46 480	0.20 461	0.19 459	0.29 474	0.30 476	0.23 462	0.18 456

PDISCO_ROB	0.27 439	0.16 411	0.26 401	0.28 453	0.20 455	0.32 440	0.26 435	0.44 463	0.57 462	0.28 410	0.40 425	0.45 457	0.29 432	0.33 441	0.34 460	0.12 393	0.09 376	0.17 442	0.16 443	0.17 449	0.13 410

BEATNet-Init1	0.52 479	0.27 461	0.62 473	0.30 462	0.21 458	0.76 493	0.29 457	0.54 479	0.65 475	0.86 493	0.95 493	2.07 511	0.62 486	0.56 484	0.42 476	0.18 454	0.18 456	0.23 461	0.22 461	0.22 461	0.21 464

MSMD_ROB	0.31 453	0.26 459	0.26 401	0.24 423	0.21 458	0.34 449	0.25 428	0.34 407	0.39 405	0.40 452	0.69 476	0.45 457	0.40 461	0.34 444	0.27 432	0.20 461	0.19 459	0.26 464	0.25 467	0.23 462	0.22 466

PVD	0.39 464	0.20 439	0.39 447	0.31 466	0.22 460	0.29 434	0.43 485	0.52 476	0.96 493	0.55 474	0.79 486	0.53 471	0.59 483	0.52 478	0.38 468	0.19 459	0.14 440	0.17 442	0.14 423	0.24 469	0.31 481

PA-Net	0.23 414	0.18 432	0.33 432	0.28 453	0.22 460	0.21 374	0.38 479	0.29 347	0.39 405	0.22 355	0.32 379	0.25 352	0.26 408	0.20 354	0.25 415	0.09 306	0.23 473	0.15 433	0.22 461	0.09 329	0.13 410
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
FC-DCNN v2	0.33 458	0.27 461	0.28 413	0.26 438	0.23 462	0.37 459	0.28 448	0.40 446	0.43 426	0.45 465	0.56 466	0.51 467	0.40 461	0.37 459	0.29 442	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 469

FC-DCNN	0.33 458	0.27 461	0.28 413	0.26 438	0.23 462	0.37 459	0.28 448	0.40 446	0.43 426	0.45 465	0.55 461	0.51 467	0.40 461	0.37 459	0.30 447	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 469

ACVNet-4b	0.39 464	0.53 484	0.55 466	0.45 480	0.24 464	0.47 468	0.18 312	0.49 472	0.64 473	0.42 459	0.45 447	0.60 475	0.27 416	0.34 444	0.24 406	0.33 481	0.14 440	0.48 484	0.42 484	0.30 477	0.26 476

DGSMNet	0.24 421	0.19 435	0.33 432	0.21 379	0.24 464	0.24 400	0.20 369	0.35 420	0.41 414	0.24 375	0.32 379	0.38 434	0.21 374	0.29 429	0.23 396	0.12 393	0.11 407	0.14 421	0.16 443	0.23 462	0.23 468

FCDSN-DC	0.33 458	0.28 465	0.28 413	0.30 462	0.24 464	0.39 463	0.28 448	0.42 457	0.42 421	0.43 462	0.53 458	0.51 467	0.41 466	0.36 455	0.30 447	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 469
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MANE	0.45 474	0.27 461	0.27 408	0.27 450	0.24 464	0.47 468	0.31 470	0.55 480	0.59 466	0.72 484	1.13 502	1.15 495	0.61 484	0.52 478	0.37 466	0.21 465	0.20 462	0.27 467	0.31 478	0.25 470	0.24 469

ELAS_RVC	0.41 469	0.29 468	0.33 432	0.28 453	0.24 464	0.54 474	0.36 475	0.49 472	0.59 466	0.72 484	0.74 482	0.65 480	0.54 477	0.54 482	0.40 472	0.22 469	0.20 462	0.27 467	0.26 468	0.26 474	0.25 474
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 469	0.29 468	0.33 432	0.27 450	0.24 464	0.60 479	0.36 475	0.50 474	0.50 448	0.71 482	0.79 486	0.67 482	0.54 477	0.51 476	0.42 476	0.22 469	0.20 462	0.27 467	0.26 468	0.26 474	0.25 474
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FADE		0.33 472		0.33 467	0.25 470			0.64 487	1.07 494	0.43 462		0.42 449		0.70 490		0.30 478	0.21 472	0.41 482	0.38 482	0.23 462	0.22 466

STTRV1_RVC	0.25 430	0.26 459	0.39 447	0.19 304	0.26 471	0.30 437	0.24 414	0.34 407	0.35 386	0.36 441	0.34 395	0.31 401	0.31 440	0.28 422	0.25 415	0.17 452	0.10 395	0.16 439	0.14 423	0.17 449	0.12 392

PASM	0.32 455	0.24 453	0.48 460	0.28 453	0.27 472	0.29 434	0.30 464	0.34 407	0.49 445	0.35 439	0.39 420	0.46 461	0.34 449	0.34 444	0.35 461	0.23 473	0.25 475	0.26 464	0.28 473	0.23 462	0.21 464

otaku	0.39 464	0.37 477	0.52 462	0.44 479	0.28 473	0.58 476	0.24 414	0.41 452	0.62 471	0.40 452	0.49 452	0.46 461	0.33 445	0.40 468	0.32 455	0.30 478	0.30 479	0.39 480	0.33 479	0.29 476	0.28 477

ACVNet_1	0.44 472	0.49 483	0.60 471	0.45 480	0.28 473	0.49 471	0.27 442	0.57 483	0.72 481	0.62 477	0.58 470	0.74 486	0.49 475	0.50 475	0.35 461	0.26 476	0.24 474	0.39 480	0.29 474	0.31 480	0.24 469

ccnet	0.29 447	0.28 465	0.23 390	0.20 353	0.28 473	0.41 465	0.21 386	0.45 466	0.33 368	0.36 441	0.46 448	0.36 425	0.30 436	0.39 464	0.42 476	0.23 473	0.14 440	0.21 456	0.17 450	0.23 462	0.18 456

NVStereoNet_ROB	0.46 477	0.36 476	0.46 458	0.41 477	0.28 473	0.34 449	0.34 473	0.48 470	0.60 469	0.72 484	0.93 491	0.70 485	0.66 487	0.47 473	0.60 490	0.22 469	0.33 482	0.34 478	0.34 481	0.30 477	0.30 480
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
Ntro	0.40 467	0.40 479	0.53 463	0.46 483	0.30 477	0.65 482	0.24 414	0.46 468	0.68 478	0.41 456	0.49 452	0.48 465	0.42 469	0.39 464	0.31 454	0.32 480	0.28 477	0.37 479	0.30 476	0.32 481	0.29 478

PWCK	0.71 488	0.94 503	0.95 496	0.76 492	0.31 478	0.74 489	0.36 475	0.90 494	0.90 491	0.96 497	0.75 484	0.95 490	0.61 484	0.87 500	0.66 493	0.72 500	0.46 487	0.75 495	0.49 488	0.69 499	0.44 490

PSMNet-RUCA	0.27 439	0.33 472	0.41 451	0.36 472	0.32 479	0.18 322	0.19 350	0.42 457	0.30 348	0.33 436	0.41 435	0.39 442	0.25 403	0.31 433	0.20 357	0.18 454	0.10 395	0.25 463	0.15 439	0.21 458	0.16 445

GCST	0.37 463	0.42 481	0.26 401	1.02 505	0.39 480	0.18 322	0.08 3	0.20 185	0.17 160	0.28 410	0.25 314	0.15 221	0.12 210	0.16 269	0.14 267	0.64 498	0.43 486	0.75 495	0.65 498	0.63 492	0.46 491

SAMSARA	0.40 467	0.28 465	0.33 432	0.55 486	0.39 480	0.82 496	1.23 510	0.47 469	0.51 455	0.36 441	0.35 398	0.55 473	0.39 458	0.38 461	0.39 470	0.15 431	0.20 462	0.15 433	0.14 423	0.23 462	0.20 462

ACVNet_2	0.66 487	0.66 492	0.68 483	0.63 488	0.41 482	0.71 487	0.49 487	0.96 499	1.39 503	0.89 494	1.09 498	1.04 491	0.73 490	0.54 482	0.47 481	0.43 487	0.40 485	0.53 489	0.44 485	0.47 484	0.35 485

MADNet+	0.75 491	0.71 494	3.70 510	0.66 489	0.41 482	0.98 501	0.97 508	0.69 489	0.73 484	0.52 471	0.57 468	0.64 478	0.68 489	0.86 499	1.01 506	0.34 482	0.36 484	0.28 473	0.23 465	0.36 482	0.31 481

RainbowNet	0.54 481	0.61 488	0.70 487	0.57 487	0.43 484	0.65 482	0.37 478	0.60 485	0.87 490	0.50 470	0.66 473	0.64 478	0.47 473	0.49 474	0.43 479	0.47 489	0.48 492	0.52 488	0.41 483	0.52 486	0.40 488

Consistency-Raft	0.44 472	0.40 479	0.45 455	0.37 474	0.43 484	0.46 466	0.41 480	0.57 483	0.55 458	0.32 432	0.73 480	0.33 413	0.48 474	0.42 471	0.49 483	0.39 483	0.35 483	0.45 483	0.51 491	0.42 483	0.29 478

JetBlue	0.71 488	0.45 482	1.14 499	0.51 484	0.47 486	2.02 510	0.64 497	0.75 490	0.70 479	0.69 481	0.77 485	1.22 497	0.83 494	1.03 507	1.01 506	0.40 484	0.28 477	0.33 477	0.33 479	0.30 477	0.34 484

IMH-64-1	0.65 485	0.61 488	0.68 483	0.71 490	0.51 487	0.59 477	0.49 487	0.91 495	0.85 488	0.74 488	1.02 495	0.81 487	0.78 492	0.79 492	0.49 483	0.42 485	0.46 487	0.71 492	0.47 486	0.52 486	0.39 486

IMH-64	0.65 485	0.61 488	0.68 483	0.71 490	0.51 487	0.59 477	0.49 487	0.91 495	0.85 488	0.74 488	1.02 495	0.81 487	0.78 492	0.79 492	0.49 483	0.42 485	0.46 487	0.71 492	0.47 486	0.52 486	0.39 486

IMH	0.71 488	0.64 491	0.68 483	0.76 492	0.54 489	0.69 485	0.54 491	0.98 501	1.10 496	0.82 492	1.09 498	0.89 489	0.88 497	0.87 500	0.52 487	0.44 488	0.50 496	0.75 495	0.51 491	0.56 491	0.41 489

SGM+DAISY	0.56 482	0.57 485	0.65 475	0.40 475	0.54 489	0.66 484	0.49 487	0.56 481	0.45 437	0.66 478	0.69 476	0.67 482	0.56 481	0.63 487	0.56 488	0.59 495	0.48 492	0.50 485	0.50 490	0.52 486	0.58 494

SPS-STEREO	0.57 483	0.58 486	0.65 475	0.45 480	0.55 491	0.62 480	0.44 486	0.62 486	0.50 448	0.68 480	0.64 472	0.66 481	0.57 482	0.61 486	0.60 490	0.62 497	0.47 491	0.51 486	0.49 488	0.55 490	0.58 494
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
UNDER WATER-64	0.95 500	0.94 503	1.43 503	0.87 500	0.56 492	1.18 509	0.87 505	0.77 491	0.94 492	1.04 500	0.85 488	1.58 508	1.21 508	0.94 504	0.96 504	0.87 506	0.57 504	1.03 506	0.88 507	0.78 503	0.73 504

LVE	0.83 496	0.85 501	0.85 494	0.80 495	0.56 492	1.04 506	0.65 498	1.05 504	1.47 506	0.96 497	1.22 506	1.10 494	0.85 495	0.83 495	0.71 498	0.49 490	0.55 502	0.76 498	0.60 496	0.65 494	0.59 499

Dean	0.87 497	0.86 502	0.79 491	0.81 496	0.56 492	0.90 497	0.63 495	1.15 509	1.73 509	1.15 504	1.15 503	1.31 500	0.99 501	0.81 494	0.81 502	0.57 493	0.56 503	0.77 499	0.64 497	0.66 495	0.58 494

TorneroNet-64	0.76 492	0.72 495	0.74 488	0.78 494	0.58 495	0.91 500	0.56 492	0.84 493	1.29 500	0.66 478	0.90 489	1.40 503	0.75 491	0.85 498	0.67 496	0.49 490	0.46 487	0.72 494	0.59 494	0.67 496	0.53 492

LSM	0.33 458	0.20 439	0.58 470	0.26 438	0.60 496	0.34 449	0.25 428	0.42 457	0.48 440	0.45 465	0.58 470	0.42 449	0.36 453	0.35 450	0.25 415	0.12 393	0.20 462	0.14 421	0.16 443	0.19 456	0.33 483

anonymity	0.53 480	0.58 486	0.65 475	0.41 477	0.61 497	0.53 473	0.41 480	0.56 481	0.41 414	0.55 474	0.50 456	0.49 466	0.55 480	0.58 485	0.50 486	0.58 494	0.50 496	0.51 486	0.51 491	0.51 485	0.57 493

WAO-6	0.81 494	0.80 498	0.62 473	0.86 499	0.63 498	0.76 493	0.58 494	0.98 501	1.54 508	0.90 495	0.96 494	1.07 493	1.03 502	0.70 490	0.66 493	0.72 500	0.49 494	0.90 503	0.71 501	0.68 497	0.58 494

TorneroNet	0.82 495	0.74 496	0.81 493	0.84 497	0.63 498	0.99 502	0.63 495	0.96 499	1.16 497	0.80 491	1.11 500	1.36 502	0.86 496	0.93 503	0.80 501	0.56 492	0.49 494	0.78 500	0.66 499	0.73 502	0.63 502

WAO-7	0.79 493	0.78 497	0.54 464	0.85 498	0.67 500	0.74 489	0.68 501	1.05 504	1.32 501	0.90 495	1.20 505	1.04 491	0.92 498	0.69 489	0.66 493	0.60 496	0.62 506	0.67 491	0.68 500	0.64 493	0.58 494

WAO-8	0.91 498	0.81 499	0.65 475	0.94 502	0.69 501	0.90 497	0.67 499	1.07 506	1.83 511	1.06 502	1.45 508	1.30 498	1.07 503	0.84 496	0.78 499	0.74 502	0.53 499	0.86 501	0.75 502	0.69 499	0.62 500

Venus	0.91 498	0.81 499	0.65 475	0.94 502	0.69 501	0.90 497	0.67 499	1.07 506	1.83 511	1.06 502	1.45 508	1.30 498	1.07 503	0.84 496	0.78 499	0.74 502	0.53 499	0.86 501	0.75 502	0.69 499	0.62 500

MFMNet_re	0.64 484	0.66 492	0.65 475	0.51 484	0.69 501	0.69 485	0.57 493	0.64 487	0.73 484	0.60 476	0.73 480	0.62 477	0.67 488	0.65 488	0.60 490	0.66 499	0.58 505	0.63 490	0.59 494	0.68 497	0.69 503

UNDER WATER	0.97 501	0.97 505	1.42 502	0.99 504	0.70 504	1.12 508	0.84 504	0.80 492	1.08 495	1.01 499	0.90 489	1.55 507	1.22 509	1.03 507	1.00 505	0.78 504	0.53 499	1.02 505	0.87 506	0.80 504	0.74 505

notaker	0.97 501	1.11 506	0.98 497	1.13 507	0.81 505	0.73 488	0.68 501	0.93 497	1.16 497	1.18 506	1.18 504	1.41 504	1.16 507	1.08 509	0.69 497	0.81 505	0.64 507	1.17 508	0.79 504	0.98 506	0.80 507

HanzoNet	1.29 506	1.26 510	1.19 500	1.12 506	0.85 506	1.02 505	0.83 503	1.03 503	1.48 507	1.64 509	1.61 510	2.50 513	1.72 510	1.61 511	1.61 509	1.26 510	0.80 509	1.31 511	1.01 509	1.02 508	0.86 508

ktn	1.01 503	1.21 508	0.80 492	1.23 509	0.86 507	1.01 504	0.87 505	0.94 498	1.39 503	1.04 500	1.12 501	1.15 495	1.07 503	0.94 504	0.59 489	1.28 511	0.71 508	1.38 512	0.83 505	1.02 508	0.75 506

DPSimNet_ROB	1.11 505	1.23 509	0.78 489	1.13 507	0.88 508	1.10 507	1.13 509	1.16 510	1.23 499	1.43 508	1.02 495	1.41 504	1.10 506	0.90 502	1.60 508	1.46 512	0.51 498	1.21 510	1.03 510	0.90 505	1.01 511

KSHMR	1.09 504	1.17 507	0.88 495	1.25 510	1.00 509	0.99 502	0.96 507	1.13 508	1.37 502	1.16 505	1.29 507	1.41 504	0.96 500	1.01 506	0.92 503	1.03 508	1.08 510	1.20 509	1.03 510	1.01 507	0.97 509

JetRed	1.62 507	1.46 511	2.98 506	0.92 501	1.21 510	4.99 512	1.53 512	1.27 511	1.39 503	1.83 510	1.74 511	1.60 509	0.95 499	1.41 510	2.45 512	0.90 507	1.60 512	0.93 504	0.90 508	1.35 510	0.99 510

tt	4.67 511	0.06 41	3.55 509	2.02 513	1.55 511	10.25 517	16.71 516	8.91 521	5.03 514	1.31 507	0.94 492	4.71 514	4.76 513	3.33 514	5.87 515	6.06 520	10.30 524	1.88 514	2.11 515	2.75 513	1.21 512

MADNet++	1.95 508	1.75 512	1.59 504	1.82 512	1.69 512	2.33 511	1.40 511	2.35 513	2.09 513	2.57 513	2.36 512	2.24 512	2.17 511	2.28 512	2.34 511	1.87 513	1.66 513	1.54 513	1.34 513	1.92 512	1.77 514

LRCNet_RVC	10.62 520	13.42 524	7.30 512	18.92 524	2.07 513	0.33 446	0.30 464	5.59 517	0.48 440	13.03 523	17.94 523	8.87 518	5.65 514	4.79 515	1.89 510	23.51 528	2.73 518	27.55 529	25.71 529	16.07 526	16.33 527

ASD4	3.54 510	3.38 514	2.05 505	1.72 511	2.51 514	9.03 516	17.71 517	2.25 512	5.51 515	2.46 512	2.81 513	2.03 510	3.36 512	2.73 513	5.06 513	1.22 509	1.34 511	1.13 507	1.33 512	1.68 511	1.49 513

xxxxx1	7.79 512	5.02 517	7.31 513	3.12 514	3.85 515	16.35 520	22.88 518	5.86 518	8.69 517	7.97 517	8.54 514	9.12 519	8.27 516	10.18 519	10.92 516	2.42 514	2.45 515	3.56 517	12.37 521	3.77 514	3.06 516

tt_ll	7.79 512	5.02 517	7.31 513	3.12 514	3.85 515	16.35 520	22.88 518	5.86 518	8.69 517	7.97 517	8.54 514	9.12 519	8.27 516	10.18 519	10.92 516	2.42 514	2.45 515	3.56 517	12.37 521	3.77 514	3.06 516

ff	7.79 512	5.02 517	7.31 513	3.12 514	3.85 515	16.35 520	22.88 518	5.86 518	8.69 517	7.97 517	8.54 514	9.12 519	8.27 516	10.18 519	10.92 516	2.42 514	2.45 515	3.56 517	12.37 521	3.77 514	3.06 516

PML	8.91 518	9.34 523	6.13 511	5.35 517	6.41 518	14.99 519	23.38 523	5.27 514	6.83 516	18.04 525	28.19 529	7.67 517	6.83 515	7.85 518	5.75 514	5.35 519	1.83 514	5.95 523	1.93 514	8.64 521	2.52 515

Anonymous_1	10.96 521	7.92 520	7.46 516	10.33 520	10.06 519	18.65 524	26.34 524	11.06 522	13.44 523	9.40 520	10.05 519	9.67 522	11.23 521	10.73 522	12.72 521	6.42 521	8.38 521	5.77 520	10.61 520	12.12 522	6.77 519

DGTPSM_ROB	8.06 516	4.48 515	8.63 519	5.35 517	10.72 520	8.32 514	22.97 521	5.46 515	13.35 521	5.12 515	9.92 517	5.08 515	10.40 519	5.52 516	12.58 519	3.79 517	8.00 519	3.50 515	7.02 518	3.83 517	7.14 520

DPSMNet_ROB	8.06 516	4.48 515	8.63 519	5.37 519	10.74 521	8.32 514	22.98 522	5.46 515	13.36 522	5.12 515	9.92 517	5.08 515	10.40 519	5.53 517	12.58 519	3.80 518	8.00 519	3.50 515	7.02 518	3.83 517	7.14 520

DPSM_ROB	11.15 522	8.58 521	8.00 517	10.88 521	11.58 522	19.10 525	26.71 525	12.05 523	14.07 524	10.36 521	10.84 520	10.33 523	11.86 522	11.70 523	13.54 522	6.99 522	8.79 522	5.89 521	6.95 516	7.29 519	7.42 522

DPSM	11.15 522	8.58 521	8.00 517	10.88 521	11.58 522	19.10 525	26.71 525	12.05 523	14.07 524	10.36 521	10.84 520	10.33 523	11.86 522	11.70 523	13.54 522	6.99 522	8.79 522	5.89 521	6.95 516	7.29 519	7.42 522

DLNR_Zeroshot_test	10.40 519	1.82 513	19.49 525	120.77 531	13.11 524	0.06 6	0.13 65	0.23 245	0.10 16	0.07 12	0.10 78	0.09 85	0.06 25	0.10 35	0.09 45	0.13 416	0.04 3	0.06 62	0.04 18	51.54 530	0.04 18

HaxPig	15.71 524	18.52 528	19.18 524	16.89 523	15.89 525	7.73 513	7.60 513	13.31 525	10.82 520	15.42 524	14.91 522	15.98 525	14.92 524	15.58 525	15.98 524	18.95 527	16.73 525	19.46 527	18.08 527	19.26 527	19.05 528

MEDIAN_ROB	20.38 525	24.04 529	23.31 526	21.23 525	21.71 526	10.40 518	7.92 514	17.64 526	15.50 526	20.12 526	19.70 524	20.34 526	20.32 525	21.19 526	21.13 525	23.81 529	21.81 529	24.98 528	23.76 528	24.71 528	23.93 529

CasAABBNet	22.42 526	17.33 526	16.01 521	22.01 526	23.28 527	38.32 527	53.80 528	24.14 528	28.41 529	20.60 527	21.77 526	20.89 528	23.91 527	23.43 527	27.36 527	14.07 524	17.69 527	11.83 525	14.01 525	14.67 523	14.95 525

Selective-RAFT-Error	22.47 527	17.37 527	16.09 522	22.06 527	23.34 528	38.39 528	53.83 529	24.29 530	28.47 530	20.74 528	21.83 527	20.81 527	23.90 526	23.54 529	27.53 529	14.08 525	17.69 527	11.82 524	14.00 524	14.69 524	15.00 526

AVERAGE_ROB	24.90 529	29.20 530	28.14 527	24.89 529	24.64 529	17.75 523	11.12 515	21.45 527	19.93 527	25.12 530	24.46 528	25.12 530	25.46 529	24.69 530	22.83 526	29.76 530	27.13 530	28.97 530	27.95 530	29.91 529	29.47 530

LSM0	22.87 528	17.28 525	18.96 523	22.19 528	29.04 530	38.42 529	53.71 527	24.28 529	28.31 528	20.78 529	21.00 525	21.43 529	24.16 528	23.50 528	27.39 528	14.09 526	17.38 526	11.84 526	14.04 526	14.73 525	14.89 524

test_example2	98.32 530	94.13 531	45.89 528	96.35 530	109.85 531	88.61 530	95.45 530	25.75 531	94.37 531	130.00 532	126.06 531	58.17 531	74.63 530	88.51 531	79.96 530	150.23 531	221.02 531	77.62 531	99.10 531	113.75 531	96.94 531

ccccc	245.47 531	285.66 532	306.18 531	368.85 532	370.60 532	123.16 531	145.33 531	115.05 532	110.08 532	126.68 531	110.87 530	122.83 532	165.88 531	252.94 532	276.56 531	384.56 532	353.86 532	254.69 532	223.00 532	425.87 532	386.83 532

Low-res two-view benchmark