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

GASTEREO	0.08 53	0.05 23	0.09 83	0.19 376	0.07 82	0.07 32	0.12 71	0.14 93	0.11 71	0.10 148	0.09 104	0.07 76	0.04 1	0.12 213	0.08 17	0.06 122	0.05 203	0.05 33	0.04 45	0.04 20	0.05 135

MSCF	0.08 53	0.05 23	0.08 38	0.19 376	0.08 140	0.06 10	0.12 71	0.14 93	0.11 71	0.10 148	0.09 104	0.07 76	0.04 1	0.11 125	0.08 17	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.05 135

LG-Stereo_L1	0.07 4	0.05 23	0.11 169	0.14 40	0.06 15	0.07 32	0.13 118	0.09 11	0.07 10	0.05 2	0.04 1	0.05 1	0.04 1	0.08 17	0.07 1	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

MLG-Stereo_test2	0.06 1	0.04 1	0.10 125	0.15 82	0.05 1	0.07 32	0.11 51	0.09 11	0.04 2	0.06 13	0.05 7	0.06 21	0.04 1	0.08 17	0.09 61	0.06 122	0.04 24	0.05 33	0.03 1	0.05 111	0.05 135

SCV	0.08 53	0.09 335	0.08 38	0.15 82	0.08 140	0.10 145	0.13 118	0.10 20	0.12 101	0.07 42	0.07 45	0.06 21	0.04 1	0.09 37	0.08 17	0.05 31	0.04 24	0.06 119	0.04 45	0.06 212	0.04 47

FoundationStereo	0.06 1	0.04 1	0.08 38	0.12 4	0.05 1	0.09 93	0.13 118	0.06 1	0.09 28	0.05 2	0.05 7	0.06 21	0.04 1	0.06 1	0.07 1	0.06 122	0.04 24	0.05 33	0.03 1	0.05 111	0.04 47

AIO_rvc	0.07 4	0.06 71	0.08 38	0.15 82	0.06 15	0.08 57	0.14 171	0.09 11	0.08 15	0.07 42	0.08 83	0.07 76	0.04 1	0.10 75	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

GIP-stereo	0.08 53	0.06 71	0.11 169	0.14 40	0.06 15	0.09 93	0.13 118	0.14 93	0.11 71	0.07 42	0.08 83	0.05 1	0.04 1	0.10 75	0.07 1	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

IGEV-BASED-STEREO-	0.09 101	0.10 393	0.31 508	0.15 82	0.06 15	0.08 57	0.14 171	0.10 20	0.10 43	0.07 42	0.07 45	0.06 21	0.04 1	0.11 125	0.07 1	0.12 479	0.04 24	0.07 218	0.05 129	0.05 111	0.05 135

Selective-IGEV	0.07 4	0.06 71	0.08 38	0.17 236	0.06 15	0.08 57	0.12 71	0.13 72	0.07 10	0.08 78	0.07 45	0.06 21	0.04 1	0.10 75	0.09 61	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

VIP-Stereo	0.07 4	0.07 158	0.07 8	0.15 82	0.06 15	0.12 227	0.10 29	0.11 35	0.11 71	0.06 13	0.07 45	0.06 21	0.05 11	0.10 75	0.08 17	0.05 31	0.04 24	0.05 33	0.03 1	0.03 1	0.02 1

GEAStereo	0.08 53	0.05 23	0.08 38	0.13 13	0.08 140	0.08 57	0.14 171	0.10 20	0.09 28	0.08 78	0.10 134	0.06 21	0.05 11	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

GSStereo	0.08 53	0.05 23	0.08 38	0.13 13	0.08 140	0.08 57	0.14 171	0.11 35	0.12 101	0.08 78	0.10 134	0.05 1	0.05 11	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

GS-Stereo							0.14 171	0.11 35	0.12 101	0.08 78	0.10 134	0.05 1	0.05 11	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

gasm-f	0.08 53	0.05 23	0.07 8	0.13 13	0.08 140	0.08 57	0.14 171	0.10 20	0.09 28	0.08 78	0.10 134	0.06 21	0.05 11	0.10 75	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.06 212	0.05 135

252Zero-FE	0.08 53	0.04 1	0.09 83	0.13 13	0.07 82	0.12 227	0.11 51	0.13 72	0.14 161	0.06 13	0.05 7	0.06 21	0.05 11	0.09 37	0.10 139	0.06 122	0.04 24	0.04 1	0.03 1	0.05 111	0.06 222

asda	0.07 4	0.08 259	0.08 38	0.16 160	0.06 15	0.06 10	0.10 29	0.16 153	0.10 43	0.06 13	0.06 14	0.05 1	0.05 11	0.10 75	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

IGEV	0.07 4	0.04 1	0.08 38	0.13 13	0.06 15	0.09 93	0.12 71	0.14 93	0.10 43	0.06 13	0.09 104	0.07 76	0.05 11	0.09 37	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

111111	0.07 4	0.04 1	0.09 83	0.17 236	0.06 15	0.05 4	0.10 29	0.11 35	0.09 28	0.06 13	0.06 14	0.07 76	0.05 11	0.09 37	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.07 280	0.06 222

LG-Stereo_L2	0.07 4	0.05 23	0.10 125	0.14 40	0.06 15	0.07 32	0.12 71	0.09 11	0.09 28	0.06 13	0.04 1	0.05 1	0.05 11	0.08 17	0.08 17	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.03 2

MLG-Stereo_test1	0.06 1	0.05 23	0.08 38	0.17 236	0.05 1	0.06 10	0.11 51	0.08 4	0.03 1	0.05 2	0.04 1	0.06 21	0.05 11	0.09 37	0.09 61	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

MLG-Stereo	0.07 4	0.05 23	0.08 38	0.17 236	0.05 1	0.07 32	0.11 51	0.08 4	0.04 2	0.05 2	0.04 1	0.06 21	0.05 11	0.10 75	0.09 61	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

LG-Stereo_Zeroshot	0.07 4	0.06 71	0.10 125	0.16 160	0.07 82	0.04 1	0.13 118	0.10 20	0.10 43	0.05 2	0.11 171	0.07 76	0.05 11	0.07 4	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

HART	0.08 53	0.07 158	0.09 83	0.17 236	0.07 82	0.10 145	0.16 309	0.13 72	0.11 71	0.08 78	0.10 134	0.07 76	0.05 11	0.10 75	0.08 17	0.05 31	0.04 24	0.06 119	0.04 45	0.05 111	0.04 47

GREAT-IGEV	0.07 4	0.06 71	0.08 38	0.13 13	0.07 82	0.07 32	0.14 171	0.09 11	0.09 28	0.06 13	0.07 45	0.06 21	0.05 11	0.10 75	0.07 1	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

SCV_C0	0.08 53	0.07 158	0.07 8	0.16 160	0.09 258	0.08 57	0.15 243	0.11 35	0.12 101	0.08 78	0.07 45	0.06 21	0.05 11	0.11 125	0.07 1	0.05 31	0.05 203	0.05 33	0.04 45	0.06 212	0.05 135

DEFOM-Stereo_RVC	0.08 53	0.06 71	0.09 83	0.22 479	0.06 15	0.08 57	0.12 71	0.10 20	0.10 43	0.07 42	0.07 45	0.06 21	0.05 11	0.11 125	0.09 61	0.06 122	0.04 24	0.05 33	0.03 1	0.06 212	0.04 47

StereoAnything_RVC	0.07 4	0.15 488	0.17 399	0.11 1	0.05 1	0.05 4	0.11 51	0.08 4	0.08 15	0.06 13	0.06 14	0.05 1	0.05 11	0.09 37	0.08 17	0.08 324	0.04 24	0.05 33	0.03 1	0.05 111	0.04 47

AIO_test	0.07 4	0.05 23	0.07 8	0.15 82	0.07 82	0.06 10	0.14 171	0.10 20	0.10 43	0.07 42	0.07 45	0.06 21	0.05 11	0.08 17	0.10 139	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

AIO-test2	0.10 164	0.08 259	0.10 125	0.23 500	0.08 140	0.11 191	0.10 29	0.23 318	0.23 333	0.08 78	0.09 104	0.08 117	0.05 11	0.10 75	0.08 17	0.06 122	0.05 203	0.08 303	0.09 408	0.05 111	0.05 135

DEFOM-Stereo	0.07 4	0.05 23	0.07 8	0.14 40	0.06 15	0.10 145	0.13 118	0.07 2	0.13 136	0.06 13	0.07 45	0.06 21	0.05 11	0.10 75	0.09 61	0.04 11	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

dual_stereo	0.07 4	0.04 1	0.08 38	0.15 82	0.05 1	0.05 4	0.13 118	0.12 55	0.08 15	0.07 42	0.06 14	0.05 1	0.05 11	0.07 4	0.09 61	0.06 122	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

Occ-G	0.08 53	0.05 23	0.06 4	0.14 40	0.07 82	0.08 57	0.14 171	0.13 72	0.15 180	0.07 42	0.11 171	0.07 76	0.05 11	0.09 37	0.10 139	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.05 135

U	0.08 53	0.07 158	0.09 83	0.19 376	0.10 361	0.10 145	0.13 118	0.12 55	0.17 229	0.07 42	0.07 45	0.06 21	0.05 11	0.07 4	0.08 17	0.06 122	0.04 24	0.06 119	0.04 45	0.06 212	0.05 135

AIO-Stereo	0.08 53	0.06 71	0.09 83	0.18 318	0.06 15	0.08 57	0.12 71	0.15 124	0.09 28	0.08 78	0.08 83	0.07 76	0.05 11	0.11 125	0.08 17	0.05 31	0.05 203	0.05 33	0.04 45	0.04 20	0.04 47

RSM++	0.08 53	0.06 71	0.09 83	0.17 236	0.07 82	0.09 93	0.12 71	0.11 35	0.11 71	0.08 78	0.06 14	0.07 76	0.05 11	0.10 75	0.09 61	0.04 11	0.04 24	0.06 119	0.05 129	0.05 111	0.03 2

RSM	0.08 53	0.06 71	0.09 83	0.17 236	0.06 15	0.08 57	0.12 71	0.12 55	0.10 43	0.08 78	0.07 45	0.06 21	0.05 11	0.11 125	0.09 61	0.04 11	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

MIM_Stereo	0.09 101	0.07 158	0.11 169	0.15 82	0.07 82	0.06 10	0.12 71	0.20 252	0.14 161	0.13 244	0.13 199	0.09 142	0.05 11	0.12 213	0.08 17	0.05 31	0.06 332	0.07 218	0.06 207	0.06 212	0.05 135

EGLCR-Stereo	0.08 53	0.05 23	0.08 38	0.14 40	0.06 15	0.10 145	0.12 71	0.11 35	0.16 209	0.06 13	0.05 7	0.07 76	0.05 11	0.10 75	0.11 210	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

CroCo-Stereo Lap2	0.09 101	0.09 335	0.08 38	0.22 479	0.09 258	0.09 93	0.19 429	0.16 153	0.12 101	0.09 114	0.10 134	0.05 1	0.05 11	0.08 17	0.08 17	0.06 122	0.06 332	0.07 218	0.05 129	0.05 111	0.05 135

iRaft-Stereo_20w	0.09 101	0.05 23	0.13 250	0.14 40	0.08 140	0.12 227	0.15 243	0.18 219	0.10 43	0.11 179	0.08 83	0.08 117	0.05 11	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.05 135

DLNR-FE	10.43 611	1.83 603	19.53 622	120.75 627	13.06 615	0.06 10	0.13 118	0.23 318	0.10 43	0.07 42	0.10 134	0.09 142	0.06 42	0.10 75	0.09 61	0.13 502	0.04 24	0.06 119	0.04 45	52.01 628	0.04 47

Select-FE	0.11 207	0.06 71	0.20 445	0.15 82	0.11 411	0.11 191	0.13 118	0.21 275	0.18 255	0.09 114	0.11 171	0.10 175	0.06 42	0.12 213	0.09 61	0.07 262	0.05 203	0.07 218	0.08 361	0.06 212	0.08 367

IGEV-FE	0.09 101	0.05 23	0.12 204	0.13 13	0.08 140	0.12 227	0.13 118	0.17 189	0.11 71	0.10 148	0.06 14	0.09 142	0.06 42	0.11 125	0.09 61	0.06 122	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

DDF-Stereo	0.08 53	0.04 1	0.09 83	0.15 82	0.10 361	0.06 10	0.13 118	0.09 11	0.14 161	0.06 13	0.06 14	0.07 76	0.06 42	0.09 37	0.10 139	0.06 122	0.04 24	0.06 119	0.04 45	0.08 343	0.05 135

Zero-FE251	0.07 4	0.05 23	0.09 83	0.13 13	0.06 15	0.12 227	0.12 71	0.11 35	0.10 43	0.07 42	0.08 83	0.06 21	0.06 42	0.09 37	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

MonStereo	0.07 4	0.06 71	0.05 1	0.15 82	0.05 1	0.08 57	0.10 29	0.15 124	0.15 180	0.05 2	0.06 14	0.05 1	0.06 42	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-eth3d	0.07 4	0.06 71	0.05 1	0.15 82	0.05 1	0.08 57	0.10 29	0.15 124	0.15 180	0.05 2	0.06 14	0.05 1	0.06 42	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

Monster-pub-mixall	0.07 4	0.04 1	0.09 83	0.13 13	0.06 15	0.05 4	0.09 18	0.11 35	0.07 10	0.06 13	0.06 14	0.05 1	0.06 42	0.09 37	0.09 61	0.06 122	0.04 24	0.04 1	0.03 1	0.05 111	0.05 135

Replicate-Monster	0.07 4	0.05 23	0.09 83	0.14 40	0.06 15	0.08 57	0.09 18	0.13 72	0.13 136	0.05 2	0.07 45	0.06 21	0.06 42	0.08 17	0.10 139	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.04 47

zero-FE	0.08 53	0.04 1	0.09 83	0.15 82	0.10 361	0.05 4	0.14 171	0.09 11	0.14 161	0.07 42	0.06 14	0.07 76	0.06 42	0.09 37	0.10 139	0.06 122	0.04 24	0.06 119	0.04 45	0.08 343	0.05 135

AdaDepth	0.07 4	0.06 71	0.07 8	0.18 318	0.06 15	0.11 191	0.12 71	0.09 11	0.07 10	0.06 13	0.05 7	0.07 76	0.06 42	0.09 37	0.10 139	0.04 11	0.05 203	0.05 33	0.04 45	0.04 20	0.04 47

S2M2_XL	0.08 53	0.06 71	0.12 204	0.12 4	0.08 140	0.09 93	0.09 18	0.07 2	0.07 10	0.08 78	0.07 45	0.07 76	0.06 42	0.09 37	0.09 61	0.08 324	0.06 332	0.07 218	0.05 129	0.08 343	0.06 222
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
asd	0.07 4	0.08 259	0.07 8	0.16 160	0.07 82	0.08 57	0.08 7	0.11 35	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.10 75	0.09 61	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

qwe	0.07 4	0.08 259	0.07 8	0.15 82	0.06 15	0.07 32	0.10 29	0.18 219	0.11 71	0.07 42	0.07 45	0.06 21	0.06 42	0.10 75	0.09 61	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

2.25w	0.07 4	0.06 71	0.07 8	0.14 40	0.06 15	0.08 57	0.08 7	0.10 20	0.15 180	0.08 78	0.10 134	0.07 76	0.06 42	0.08 17	0.10 139	0.05 31	0.03 1	0.04 1	0.04 45	0.03 1	0.04 47

4.25_new	0.07 4	0.08 259	0.09 83	0.15 82	0.06 15	0.09 93	0.08 7	0.14 93	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.12 213	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

4.5w_new	0.07 4	0.08 259	0.09 83	0.15 82	0.06 15	0.09 93	0.08 7	0.14 93	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.12 213	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

4.5_new	0.07 4	0.09 335	0.08 38	0.15 82	0.07 82	0.06 10	0.10 29	0.14 93	0.11 71	0.06 13	0.08 83	0.06 21	0.06 42	0.08 17	0.10 139	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

4.5w-stereo	0.07 4	0.09 335	0.08 38	0.15 82	0.07 82	0.06 10	0.10 29	0.14 93	0.11 71	0.06 13	0.08 83	0.06 21	0.06 42	0.08 17	0.10 139	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

4.25w-stereo	0.07 4	0.08 259	0.09 83	0.15 82	0.06 15	0.09 93	0.08 7	0.14 93	0.08 15	0.07 42	0.07 45	0.06 21	0.06 42	0.12 213	0.10 139	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

4w-stereo	0.07 4	0.08 259	0.08 38	0.16 160	0.06 15	0.07 32	0.08 7	0.12 55	0.08 15	0.07 42	0.07 45	0.05 1	0.06 42	0.09 37	0.10 139	0.03 1	0.03 1	0.04 1	0.04 45	0.04 20	0.03 2

2.5w	0.07 4	0.07 158	0.07 8	0.16 160	0.06 15	0.08 57	0.12 71	0.10 20	0.10 43	0.07 42	0.06 14	0.09 142	0.06 42	0.08 17	0.09 61	0.04 11	0.03 1	0.04 1	0.04 45	0.03 1	0.03 2

2.75w_new	0.07 4	0.07 158	0.07 8	0.13 13	0.06 15	0.08 57	0.08 7	0.18 219	0.12 101	0.07 42	0.08 83	0.06 21	0.06 42	0.09 37	0.11 210	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.04 47

3.25w_new	0.07 4	0.06 71	0.07 8	0.15 82	0.06 15	0.10 145	0.07 3	0.12 55	0.11 71	0.08 78	0.06 14	0.07 76	0.06 42	0.11 125	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.25w	0.07 4	0.06 71	0.07 8	0.15 82	0.06 15	0.10 145	0.07 3	0.12 55	0.11 71	0.08 78	0.06 14	0.07 76	0.06 42	0.11 125	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3.75w	0.07 4	0.07 158	0.08 38	0.16 160	0.07 82	0.07 32	0.09 18	0.16 153	0.09 28	0.07 42	0.06 14	0.05 1	0.06 42	0.09 37	0.10 139	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

3w_stereo	0.08 53	0.09 335	0.10 125	0.17 236	0.07 82	0.08 57	0.10 29	0.20 252	0.13 136	0.06 13	0.07 45	0.05 1	0.06 42	0.08 17	0.09 61	0.03 1	0.03 1	0.04 1	0.03 1	0.04 20	0.03 2

2w_stereo	0.08 53	0.08 259	0.09 83	0.16 160	0.06 15	0.08 57	0.10 29	0.20 252	0.15 180	0.08 78	0.07 45	0.06 21	0.06 42	0.06 1	0.09 61	0.04 11	0.03 1	0.04 1	0.04 45	0.03 1	0.03 2

1w_stereo	0.07 4	0.06 71	0.07 8	0.16 160	0.06 15	0.07 32	0.10 29	0.14 93	0.14 161	0.07 42	0.08 83	0.05 1	0.06 42	0.09 37	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 47

monsters	0.07 4	0.06 71	0.06 4	0.15 82	0.06 15	0.08 57	0.09 18	0.12 55	0.08 15	0.09 114	0.07 45	0.06 21	0.06 42	0.08 17	0.08 17	0.05 31	0.04 24	0.04 1	0.04 45	0.03 1	0.03 2

MLG-Stereo_test3	0.07 4	0.05 23	0.10 125	0.14 40	0.06 15	0.07 32	0.11 51	0.08 4	0.06 4	0.06 13	0.04 1	0.06 21	0.06 42	0.07 4	0.10 139	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.06 222

LGtest1	0.07 4	0.04 1	0.10 125	0.15 82	0.06 15	0.07 32	0.09 18	0.08 4	0.06 4	0.05 2	0.04 1	0.06 21	0.06 42	0.10 75	0.09 61	0.07 262	0.04 24	0.05 33	0.04 45	0.06 212	0.06 222

MM-Stereo_test3	0.10 164	0.07 158	0.07 8	0.18 318	0.07 82	0.12 227	0.19 429	0.24 341	0.19 271	0.06 13	0.10 134	0.08 117	0.06 42	0.11 125	0.08 17	0.06 122	0.06 332	0.07 218	0.05 129	0.05 111	0.04 47

MM-Stereo_test2	0.09 101	0.06 71	0.09 83	0.19 376	0.08 140	0.12 227	0.18 389	0.15 124	0.14 161	0.07 42	0.10 134	0.07 76	0.06 42	0.12 213	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.03 2

MM-Stereo_test1	0.10 164	0.07 158	0.08 38	0.18 318	0.07 82	0.12 227	0.18 389	0.21 275	0.20 294	0.09 114	0.11 171	0.08 117	0.06 42	0.10 75	0.10 139	0.06 122	0.05 203	0.07 218	0.06 207	0.05 111	0.04 47

HUF	0.08 53	0.05 23	0.08 38	0.14 40	0.06 15	0.09 93	0.13 118	0.13 72	0.13 136	0.07 42	0.07 45	0.08 117	0.06 42	0.10 75	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

castereo++	0.08 53	0.05 23	0.08 38	0.15 82	0.05 1	0.14 302	0.12 71	0.11 35	0.15 180	0.07 42	0.07 45	0.07 76	0.06 42	0.08 17	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

IGEV-RUCA	0.08 53	0.06 71	0.11 169	0.14 40	0.09 258	0.10 145	0.12 71	0.10 20	0.12 101	0.06 13	0.07 45	0.07 76	0.06 42	0.09 37	0.08 17	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.06 222

MonSter	0.07 4	0.06 71	0.05 1	0.15 82	0.05 1	0.07 32	0.10 29	0.15 124	0.15 180	0.05 2	0.06 14	0.05 1	0.06 42	0.07 4	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

fffft	0.09 101	0.06 71	0.12 204	0.16 160	0.07 82	0.09 93	0.17 343	0.12 55	0.11 71	0.08 78	0.07 45	0.09 142	0.06 42	0.11 125	0.12 261	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.05 135
1: 1. 1
tt45	0.09 101	0.06 71	0.11 169	0.15 82	0.07 82	0.11 191	0.16 309	0.13 72	0.11 71	0.09 114	0.06 14	0.08 117	0.06 42	0.13 259	0.10 139	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

mms	0.09 101	0.07 158	0.08 38	0.16 160	0.08 140	0.10 145	0.16 309	0.12 55	0.11 71	0.08 78	0.09 104	0.08 117	0.06 42	0.11 125	0.12 261	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.03 2

ours_stereo	0.09 101	0.07 158	0.09 83	0.17 236	0.08 140	0.11 191	0.16 309	0.11 35	0.12 101	0.08 78	0.10 134	0.08 117	0.06 42	0.12 213	0.12 261	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.03 2

WCG-NET	0.08 53	0.05 23	0.09 83	0.15 82	0.06 15	0.11 191	0.14 171	0.13 72	0.13 136	0.06 13	0.09 104	0.07 76	0.06 42	0.13 259	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

IGEV-Stereo++	0.07 4	0.06 71	0.08 38	0.18 318	0.06 15	0.04 1	0.10 29	0.11 35	0.11 71	0.06 13	0.07 45	0.07 76	0.06 42	0.09 37	0.09 61	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

RAStereo	0.10 164	0.09 335	0.08 38	0.20 434	0.08 140	0.13 270	0.18 389	0.15 124	0.17 229	0.10 148	0.12 185	0.05 1	0.06 42	0.09 37	0.08 17	0.07 262	0.05 203	0.07 218	0.05 129	0.05 111	0.04 47

Pointernet	0.09 101	0.04 1	0.09 83	0.16 160	0.08 140	0.13 270	0.10 29	0.15 124	0.17 229	0.09 114	0.07 45	0.06 21	0.06 42	0.11 125	0.09 61	0.08 324	0.04 24	0.05 33	0.03 1	0.06 212	0.05 135

IGEV-Stereo+	0.07 4	0.04 1	0.08 38	0.15 82	0.06 15	0.04 1	0.09 18	0.10 20	0.09 28	0.06 13	0.06 14	0.06 21	0.06 42	0.06 1	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.06 212	0.06 222

WCG-NET（raft）	0.08 53	0.05 23	0.10 125	0.15 82	0.06 15	0.11 191	0.13 118	0.15 124	0.12 101	0.08 78	0.07 45	0.06 21	0.06 42	0.13 259	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

RAFT-Stereo-weight	0.09 101	0.06 71	0.10 125	0.16 160	0.07 82	0.09 93	0.14 171	0.19 241	0.16 209	0.11 179	0.10 134	0.08 117	0.06 42	0.10 75	0.11 210	0.06 122	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

test_for_model	0.09 101	0.12 437	0.14 285	0.23 500	0.11 411	0.08 57	0.13 118	0.12 55	0.12 101	0.10 148	0.07 45	0.07 76	0.06 42	0.11 125	0.10 139	0.06 122	0.05 203	0.05 33	0.03 1	0.07 280	0.04 47

MGS-Stereo	0.09 101	0.07 158	0.12 204	0.15 82	0.08 140	0.09 93	0.15 243	0.12 55	0.12 101	0.07 42	0.10 134	0.08 117	0.06 42	0.10 75	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.06 212	0.05 135

MoCha-V2	0.08 53	0.05 23	0.10 125	0.20 434	0.07 82	0.09 93	0.14 171	0.11 35	0.08 15	0.07 42	0.08 83	0.07 76	0.06 42	0.09 37	0.08 17	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

IGEV++	0.08 53	0.06 71	0.08 38	0.18 318	0.07 82	0.09 93	0.13 118	0.10 20	0.09 28	0.08 78	0.08 83	0.06 21	0.06 42	0.13 259	0.09 61	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

ACVNet-DCA	0.10 164	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.23 318	0.16 209	0.09 114	0.09 104	0.06 21	0.06 42	0.10 75	0.07 1	0.06 122	0.04 24	0.06 119	0.05 129	0.07 280	0.07 303

1test111	0.11 207	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.23 318	0.16 209	0.09 114	0.09 104	0.06 21	0.06 42	0.15 307	0.16 383	0.06 122	0.04 24	0.06 119	0.05 129	0.07 280	0.07 303

cc1	0.10 164	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.16 153	0.18 255	0.09 114	0.09 104	0.06 21	0.06 42	0.10 75	0.07 1	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.06 222

ff7	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

IGEVStereo-DCA	0.09 101	0.06 71	0.11 169	0.15 82	0.10 361	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.08 117	0.06 42	0.10 75	0.08 17	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

ffff	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

rrr	0.09 101	0.06 71	0.12 204	0.15 82	0.10 361	0.11 191	0.16 309	0.16 153	0.15 180	0.10 148	0.06 14	0.08 117	0.06 42	0.10 75	0.08 17	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

11t	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

tt1	0.10 164	0.08 259	0.12 204	0.17 236	0.09 258	0.12 227	0.16 309	0.15 124	0.19 271	0.09 114	0.08 83	0.06 21	0.06 42	0.10 75	0.07 1	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.06 222

MaDis-Stereo	0.09 101	0.09 335	0.08 38	0.17 236	0.09 258	0.13 270	0.10 29	0.16 153	0.16 209	0.09 114	0.11 171	0.06 21	0.06 42	0.09 37	0.13 302	0.07 262	0.06 332	0.07 218	0.05 129	0.05 111	0.04 47

IGEV_Zeroshot_test	0.09 101	0.05 23	0.12 204	0.13 13	0.08 140	0.12 227	0.13 118	0.17 189	0.11 71	0.10 148	0.06 14	0.09 142	0.06 42	0.11 125	0.09 61	0.06 122	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

MSKI-zero shot	0.09 101	0.05 23	0.09 83	0.15 82	0.07 82	0.10 145	0.13 118	0.14 93	0.13 136	0.09 114	0.09 104	0.09 142	0.06 42	0.12 213	0.10 139	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

DLNR_Zeroshot_test	10.40 610	1.82 602	19.49 621	120.77 628	13.11 616	0.06 10	0.13 118	0.23 318	0.10 43	0.07 42	0.10 134	0.09 142	0.06 42	0.10 75	0.09 61	0.13 502	0.04 24	0.06 119	0.04 45	51.54 627	0.04 47

testlalala	0.08 53	0.07 158	0.17 399	0.16 160	0.08 140	0.09 93	0.12 71	0.15 124	0.10 43	0.07 42	0.09 104	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

CAS	0.08 53	0.04 1	0.07 8	0.17 236	0.08 140	0.10 145	0.13 118	0.12 55	0.09 28	0.09 114	0.10 134	0.08 117	0.06 42	0.09 37	0.08 17	0.08 324	0.04 24	0.05 33	0.03 1	0.05 111	0.04 47

anonymousdsp	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.09 114	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

CES	0.08 53	0.04 1	0.08 38	0.14 40	0.07 82	0.09 93	0.14 171	0.11 35	0.09 28	0.08 78	0.09 104	0.11 200	0.06 42	0.12 213	0.08 17	0.06 122	0.04 24	0.05 33	0.03 1	0.05 111	0.05 135

ProNet	0.09 101	0.07 158	0.10 125	0.17 236	0.08 140	0.10 145	0.15 243	0.15 124	0.12 101	0.09 114	0.06 14	0.07 76	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.06 222

MC-Stereo	0.08 53	0.06 71	0.09 83	0.17 236	0.06 15	0.10 145	0.14 171	0.12 55	0.10 43	0.09 114	0.12 185	0.09 142	0.06 42	0.11 125	0.10 139	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

ccc-4	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.10 148	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

IGEV-Stereo	0.09 101	0.07 158	0.11 169	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.12 101	0.09 114	0.06 14	0.06 21	0.06 42	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 101	0.05 23	0.12 204	0.15 82	0.12 443	0.10 145	0.13 118	0.18 219	0.18 255	0.09 114	0.09 104	0.09 142	0.06 42	0.10 75	0.08 17	0.07 262	0.05 203	0.07 218	0.07 296	0.04 20	0.04 47

CroCo-Stereo	0.09 101	0.08 259	0.08 38	0.22 479	0.09 258	0.09 93	0.19 429	0.15 124	0.12 101	0.07 42	0.07 45	0.08 117	0.06 42	0.08 17	0.07 1	0.07 262	0.05 203	0.06 119	0.04 45	0.05 111	0.04 47
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 101	0.04 1	0.08 38	0.13 13	0.06 15	0.11 191	0.14 171	0.15 124	0.19 271	0.11 179	0.15 230	0.10 175	0.06 42	0.12 213	0.09 61	0.07 262	0.05 203	0.05 33	0.04 45	0.06 212	0.05 135

XX-Stereo	0.09 101	0.05 23	0.08 38	0.17 236	0.09 258	0.15 328	0.12 71	0.20 252	0.10 43	0.10 148	0.14 213	0.07 76	0.06 42	0.12 213	0.08 17	0.06 122	0.05 203	0.06 119	0.06 207	0.04 20	0.04 47

test_xeample3	0.09 101	0.06 71	0.12 204	0.16 160	0.09 258	0.11 191	0.15 243	0.16 153	0.13 136	0.10 148	0.06 14	0.08 117	0.06 42	0.10 75	0.09 61	0.05 31	0.04 24	0.06 119	0.05 129	0.05 111	0.06 222

HiDET	0.08 53	0.04 1	0.10 125	0.13 13	0.06 15	0.08 57	0.12 71	0.12 55	0.11 71	0.06 13	0.07 45	0.07 76	0.07 122	0.11 125	0.11 210	0.06 122	0.04 24	0.04 1	0.03 1	0.04 20	0.04 47

LCMNet	0.08 53	0.05 23	0.10 125	0.13 13	0.07 82	0.09 93	0.12 71	0.10 20	0.11 71	0.06 13	0.08 83	0.06 21	0.07 122	0.11 125	0.10 139	0.06 122	0.05 203	0.04 1	0.03 1	0.04 20	0.04 47

FE-Mocha	0.09 101	0.06 71	0.14 285	0.16 160	0.09 258	0.10 145	0.15 243	0.18 219	0.16 209	0.10 148	0.09 104	0.07 76	0.07 122	0.09 37	0.09 61	0.06 122	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

Wavelet-MonSter	0.07 4	0.05 23	0.07 8	0.16 160	0.06 15	0.07 32	0.11 51	0.10 20	0.08 15	0.06 13	0.06 14	0.07 76	0.07 122	0.09 37	0.09 61	0.04 11	0.04 24	0.04 1	0.03 1	0.03 1	0.03 2

3.5w_stereo	0.07 4	0.07 158	0.07 8	0.15 82	0.07 82	0.09 93	0.06 1	0.13 72	0.11 71	0.07 42	0.07 45	0.06 21	0.07 122	0.10 75	0.09 61	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 2

monsterstereo	0.07 4	0.06 71	0.06 4	0.16 160	0.06 15	0.08 57	0.10 29	0.16 153	0.11 71	0.07 42	0.08 83	0.06 21	0.07 122	0.08 17	0.09 61	0.04 11	0.04 24	0.05 33	0.04 45	0.03 1	0.03 2

LG-G_1	0.07 4	0.04 1	0.11 169	0.15 82	0.06 15	0.09 93	0.08 7	0.08 4	0.06 4	0.06 13	0.05 7	0.07 76	0.07 122	0.11 125	0.08 17	0.07 262	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

LG-G	0.07 4	0.04 1	0.11 169	0.15 82	0.06 15	0.09 93	0.08 7	0.08 4	0.06 4	0.06 13	0.05 7	0.07 76	0.07 122	0.11 125	0.08 17	0.07 262	0.04 24	0.05 33	0.04 45	0.05 111	0.05 135

LG-Stereo	0.08 53	0.07 158	0.10 125	0.18 318	0.07 82	0.10 145	0.17 343	0.11 35	0.08 15	0.05 2	0.07 45	0.05 1	0.07 122	0.09 37	0.09 61	0.04 11	0.05 203	0.07 218	0.07 296	0.04 20	0.04 47

AIO-test1	0.10 164	0.07 158	0.10 125	0.23 500	0.07 82	0.09 93	0.13 118	0.21 275	0.14 161	0.11 179	0.12 185	0.09 142	0.07 122	0.11 125	0.09 61	0.06 122	0.05 203	0.09 384	0.10 447	0.03 1	0.06 222

SMoEStereo_RVC	0.08 53	0.06 71	0.12 204	0.16 160	0.07 82	0.09 93	0.14 171	0.11 35	0.13 136	0.09 114	0.07 45	0.07 76	0.07 122	0.12 213	0.10 139	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

tg	0.10 164	0.06 71	0.10 125	0.18 318	0.08 140	0.11 191	0.16 309	0.20 252	0.12 101	0.08 78	0.11 171	0.11 200	0.07 122	0.11 125	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.04 20	0.04 47

PAM_32	0.09 101	0.05 23	0.17 399	0.15 82	0.08 140	0.10 145	0.15 243	0.14 93	0.15 180	0.09 114	0.08 83	0.09 142	0.07 122	0.14 285	0.08 17	0.06 122	0.05 203	0.06 119	0.06 207	0.05 111	0.06 222

PAM	0.10 164	0.05 23	0.16 371	0.15 82	0.08 140	0.09 93	0.16 309	0.15 124	0.16 209	0.12 217	0.09 104	0.09 142	0.07 122	0.13 259	0.08 17	0.06 122	0.05 203	0.06 119	0.06 207	0.05 111	0.06 222

UGAM-zero	0.09 101	0.05 23	0.15 337	0.15 82	0.08 140	0.09 93	0.13 118	0.19 241	0.15 180	0.11 179	0.15 230	0.07 76	0.07 122	0.09 37	0.09 61	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

model_zeroshot	0.10 164	0.04 1	0.11 169	0.15 82	0.09 258	0.12 227	0.14 171	0.20 252	0.13 136	0.11 179	0.10 134	0.12 217	0.07 122	0.12 213	0.10 139	0.07 262	0.06 332	0.06 119	0.05 129	0.06 212	0.06 222

GCAP-BAT	0.09 101	0.07 158	0.14 285	0.15 82	0.08 140	0.10 145	0.13 118	0.14 93	0.10 43	0.11 179	0.10 134	0.08 117	0.07 122	0.12 213	0.10 139	0.06 122	0.05 203	0.06 119	0.04 45	0.04 20	0.04 47

AIO-Stereo-zeroshot1	0.11 207	0.05 23	0.14 285	0.15 82	0.20 541	0.09 93	0.17 343	0.21 275	0.15 180	0.11 179	0.14 213	0.10 175	0.07 122	0.10 75	0.08 17	0.06 122	0.05 203	0.07 218	0.07 296	0.07 280	0.09 412

AIO-Stereo-zeroshot	0.11 207	0.05 23	0.11 169	0.15 82	0.13 466	0.13 270	0.16 309	0.23 318	0.17 229	0.10 148	0.12 185	0.10 175	0.07 122	0.11 125	0.09 61	0.06 122	0.05 203	0.06 119	0.06 207	0.07 280	0.08 367

CAS++	0.11 207	0.07 158	0.11 169	0.14 40	0.09 258	0.12 227	0.14 171	0.24 341	0.14 161	0.11 179	0.09 104	0.11 200	0.07 122	0.14 285	0.09 61	0.11 454	0.09 459	0.09 384	0.07 296	0.07 280	0.08 367
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 164	0.06 71	0.11 169	0.20 434	0.10 361	0.10 145	0.12 71	0.17 189	0.12 101	0.12 217	0.13 199	0.09 142	0.07 122	0.11 125	0.13 302	0.06 122	0.05 203	0.05 33	0.04 45	0.05 111	0.05 135

MyStereo07	0.10 164	0.07 158	0.10 125	0.17 236	0.09 258	0.14 302	0.18 389	0.15 124	0.15 180	0.09 114	0.06 14	0.06 21	0.07 122	0.12 213	0.09 61	0.06 122	0.05 203	0.08 303	0.07 296	0.06 212	0.06 222

MyStereo06	0.10 164	0.07 158	0.12 204	0.17 236	0.09 258	0.13 270	0.18 389	0.19 241	0.12 101	0.12 217	0.08 83	0.07 76	0.07 122	0.11 125	0.09 61	0.06 122	0.05 203	0.07 218	0.07 296	0.06 212	0.06 222

UniTT-Stereo	0.09 101	0.07 158	0.08 38	0.18 318	0.08 140	0.13 270	0.11 51	0.12 55	0.11 71	0.10 148	0.12 185	0.05 1	0.07 122	0.09 37	0.09 61	0.07 262	0.05 203	0.05 33	0.05 129	0.05 111	0.05 135

CASnet	0.09 101	0.09 335	0.09 83	0.19 376	0.06 15	0.07 32	0.11 51	0.18 219	0.14 161	0.11 179	0.10 134	0.09 142	0.07 122	0.10 75	0.10 139	0.06 122	0.04 24	0.10 432	0.08 361	0.05 111	0.03 2
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 101	0.06 71	0.13 250	0.17 236	0.08 140	0.10 145	0.16 309	0.14 93	0.10 43	0.08 78	0.09 104	0.08 117	0.07 122	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

HanStereo	0.09 101	0.06 71	0.13 250	0.17 236	0.08 140	0.10 145	0.16 309	0.14 93	0.10 43	0.08 78	0.09 104	0.08 117	0.07 122	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

LL-Strereo2	0.10 164	0.10 393	0.15 337	0.18 318	0.08 140	0.15 328	0.09 18	0.17 189	0.14 161	0.14 265	0.10 134	0.09 142	0.07 122	0.16 341	0.10 139	0.05 31	0.05 203	0.10 432	0.07 296	0.06 212	0.05 135

4D-IteraStereo	0.09 101	0.07 158	0.10 125	0.18 318	0.07 82	0.09 93	0.15 243	0.17 189	0.15 180	0.10 148	0.11 171	0.10 175	0.07 122	0.11 125	0.09 61	0.05 31	0.03 1	0.08 303	0.07 296	0.06 212	0.05 135

RCA-Stereo	0.09 101	0.06 71	0.09 83	0.16 160	0.06 15	0.09 93	0.13 118	0.18 219	0.14 161	0.09 114	0.10 134	0.08 117	0.07 122	0.12 213	0.11 210	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

RAFT_CTSACE	0.12 274	0.09 335	0.10 125	0.22 479	0.08 140	0.12 227	0.24 500	0.18 219	0.16 209	0.20 405	0.27 417	0.13 242	0.07 122	0.13 259	0.09 61	0.05 31	0.06 332	0.08 303	0.07 296	0.04 20	0.04 47

IPLG	0.10 164	0.07 158	0.15 337	0.17 236	0.08 140	0.11 191	0.14 171	0.20 252	0.15 180	0.12 217	0.17 263	0.07 76	0.07 122	0.14 285	0.13 302	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

MIPNet	0.11 207	0.08 259	0.14 285	0.17 236	0.09 258	0.12 227	0.14 171	0.20 252	0.24 349	0.11 179	0.10 134	0.09 142	0.07 122	0.13 259	0.12 261	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

iRaftStereo_RVC	0.10 164	0.07 158	0.09 83	0.17 236	0.09 258	0.11 191	0.17 343	0.18 219	0.12 101	0.09 114	0.12 185	0.10 175	0.07 122	0.11 125	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.04 20	0.04 47

CREStereo++_RVC	0.08 53	0.04 1	0.06 4	0.13 13	0.07 82	0.09 93	0.12 71	0.14 93	0.14 161	0.10 148	0.14 213	0.08 117	0.07 122	0.09 37	0.11 210	0.06 122	0.04 24	0.05 33	0.05 129	0.04 20	0.04 47
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
raftrobust	0.09 101	0.06 71	0.10 125	0.17 236	0.08 140	0.09 93	0.10 29	0.18 219	0.16 209	0.10 148	0.09 104	0.12 217	0.07 122	0.12 213	0.10 139	0.08 324	0.05 203	0.06 119	0.05 129	0.05 111	0.05 135

sCroCo_RVC	0.12 274	0.09 335	0.23 470	0.24 509	0.11 411	0.19 421	0.14 171	0.17 189	0.14 161	0.10 148	0.13 199	0.12 217	0.07 122	0.14 285	0.11 210	0.08 324	0.08 430	0.08 303	0.08 361	0.05 111	0.07 303

EAI-Stereo	0.09 101	0.07 158	0.11 169	0.15 82	0.06 15	0.10 145	0.15 243	0.16 153	0.09 28	0.08 78	0.09 104	0.08 117	0.07 122	0.09 37	0.11 210	0.05 31	0.04 24	0.05 33	0.05 129	0.05 111	0.04 47

PMTNet	0.09 101	0.05 23	0.09 83	0.12 4	0.06 15	0.12 227	0.14 171	0.15 124	0.11 71	0.09 114	0.13 199	0.10 175	0.07 122	0.13 259	0.10 139	0.15 520	0.04 24	0.05 33	0.03 1	0.07 280	0.06 222

MS-F	0.08 53	0.04 1	0.10 125	0.13 13	0.06 15	0.09 93	0.12 71	0.13 72	0.08 15	0.06 13	0.07 45	0.06 21	0.08 161	0.10 75	0.11 210	0.06 122	0.05 203	0.04 1	0.03 1	0.04 20	0.04 47

CSFM-Stereo	0.07 4	0.05 23	0.07 8	0.14 40	0.06 15	0.09 93	0.13 118	0.15 124	0.06 4	0.07 42	0.08 83	0.06 21	0.08 161	0.09 37	0.09 61	0.06 122	0.05 203	0.04 1	0.03 1	0.04 20	0.04 47

DA	0.08 53	0.07 158	0.07 8	0.19 376	0.08 140	0.09 93	0.12 71	0.13 72	0.12 101	0.08 78	0.10 134	0.10 175	0.08 161	0.09 37	0.10 139	0.05 31	0.04 24	0.06 119	0.04 45	0.05 111	0.03 2

GGEV	0.08 53	0.07 158	0.07 8	0.19 376	0.08 140	0.09 93	0.12 71	0.13 72	0.12 101	0.08 78	0.10 134	0.10 175	0.08 161	0.09 37	0.10 139	0.05 31	0.04 24	0.06 119	0.04 45	0.05 111	0.03 2

Reg-Stereo(zero)	0.08 53	0.05 23	0.08 38	0.16 160	0.06 15	0.12 227	0.11 51	0.15 124	0.10 43	0.12 217	0.09 104	0.10 175	0.08 161	0.11 125	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

castereo	0.09 101	0.06 71	0.11 169	0.15 82	0.06 15	0.11 191	0.15 243	0.14 93	0.18 255	0.08 78	0.10 134	0.11 200	0.08 161	0.09 37	0.10 139	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.03 2

999	0.09 101	0.05 23	0.13 250	0.15 82	0.08 140	0.10 145	0.14 171	0.15 124	0.11 71	0.10 148	0.08 83	0.08 117	0.08 161	0.16 341	0.10 139	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.05 135

rvit_stereo_0080	0.10 164	0.08 259	0.14 285	0.15 82	0.09 258	0.07 32	0.15 243	0.16 153	0.16 209	0.11 179	0.10 134	0.14 262	0.08 161	0.12 213	0.10 139	0.09 383	0.07 404	0.07 218	0.06 207	0.07 280	0.05 135

gcap-zeroshot	0.09 101	0.05 23	0.10 125	0.16 160	0.07 82	0.13 270	0.13 118	0.11 35	0.12 101	0.13 244	0.12 185	0.09 142	0.08 161	0.09 37	0.09 61	0.06 122	0.05 203	0.06 119	0.05 129	0.04 20	0.04 47

trnet	0.08 53	0.05 23	0.07 8	0.12 4	0.05 1	0.12 227	0.11 51	0.13 72	0.10 43	0.08 78	0.13 199	0.09 142	0.08 161	0.11 125	0.10 139	0.08 324	0.05 203	0.05 33	0.03 1	0.06 212	0.05 135

Former-RAFT_DAM_RVC	0.10 164	0.08 259	0.12 204	0.16 160	0.08 140	0.15 328	0.16 309	0.18 219	0.18 255	0.10 148	0.09 104	0.09 142	0.08 161	0.11 125	0.12 261	0.07 262	0.05 203	0.08 303	0.06 207	0.07 280	0.06 222

AE-Stereo	0.10 164	0.08 259	0.10 125	0.18 318	0.09 258	0.10 145	0.15 243	0.14 93	0.19 271	0.09 114	0.14 213	0.12 217	0.08 161	0.11 125	0.10 139	0.05 31	0.06 332	0.07 218	0.06 207	0.05 111	0.04 47

whm_eth	0.10 164	0.08 259	0.14 285	0.15 82	0.09 258	0.07 32	0.15 243	0.16 153	0.16 209	0.11 179	0.10 134	0.14 262	0.08 161	0.12 213	0.10 139	0.09 383	0.07 404	0.07 218	0.06 207	0.07 280	0.05 135

testlalala_base	0.10 164	0.09 335	0.14 285	0.21 463	0.08 140	0.10 145	0.14 171	0.13 72	0.10 43	0.07 42	0.15 230	0.07 76	0.08 161	0.10 75	0.12 261	0.08 324	0.05 203	0.05 33	0.03 1	0.06 212	0.05 135

AEACV	0.08 53	0.05 23	0.08 38	0.14 40	0.13 466	0.14 302	0.13 118	0.14 93	0.09 28	0.07 42	0.09 104	0.07 76	0.08 161	0.10 75	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.05 111	0.04 47

GLC_STEREO	0.11 207	0.07 158	0.11 169	0.17 236	0.07 82	0.09 93	0.13 118	0.15 124	0.24 349	0.12 217	0.13 199	0.12 217	0.08 161	0.18 394	0.11 210	0.06 122	0.08 430	0.08 303	0.06 207	0.05 111	0.05 135

IPLGR	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.12 227	0.17 343	0.21 275	0.24 349	0.11 179	0.12 185	0.11 200	0.08 161	0.12 213	0.12 261	0.06 122	0.05 203	0.06 119	0.06 207	0.04 20	0.04 47

test-3	0.08 53	0.06 71	0.09 83	0.17 236	0.07 82	0.07 32	0.14 171	0.12 55	0.15 180	0.09 114	0.08 83	0.07 76	0.08 161	0.11 125	0.10 139	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.04 47

test_1	0.08 53	0.06 71	0.09 83	0.17 236	0.07 82	0.07 32	0.14 171	0.12 55	0.15 180	0.09 114	0.08 83	0.07 76	0.08 161	0.11 125	0.10 139	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.04 47

HHNet	0.11 207	0.06 71	0.16 371	0.15 82	0.14 486	0.07 32	0.13 118	0.20 252	0.17 229	0.14 265	0.25 391	0.11 200	0.08 161	0.13 259	0.10 139	0.05 31	0.04 24	0.08 303	0.06 207	0.05 111	0.09 412

AnonymousM	0.09 101	0.05 23	0.10 125	0.14 40	0.06 15	0.09 93	0.13 118	0.19 241	0.14 161	0.13 244	0.11 171	0.09 142	0.08 161	0.13 259	0.10 139	0.08 324	0.05 203	0.08 303	0.05 129	0.05 111	0.05 135

test-1	0.10 164	0.07 158	0.16 371	0.19 376	0.08 140	0.11 191	0.24 500	0.14 93	0.18 255	0.09 114	0.07 45	0.09 142	0.08 161	0.07 4	0.09 61	0.06 122	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

Prome-Stereo	0.11 207	0.06 71	0.10 125	0.18 318	0.08 140	0.12 227	0.15 243	0.22 298	0.13 136	0.12 217	0.17 263	0.13 242	0.08 161	0.12 213	0.10 139	0.05 31	0.04 24	0.07 218	0.06 207	0.06 212	0.09 412

raft+_RVC	0.11 207	0.07 158	0.09 83	0.16 160	0.07 82	0.10 145	0.11 51	0.24 341	0.20 294	0.12 217	0.15 230	0.12 217	0.08 161	0.12 213	0.13 302	0.07 262	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

XX-TBD	0.09 101	0.06 71	0.07 8	0.14 40	0.07 82	0.12 227	0.16 309	0.14 93	0.13 136	0.11 179	0.12 185	0.09 142	0.08 161	0.10 75	0.10 139	0.06 122	0.04 24	0.05 33	0.03 1	0.06 212	0.05 135

sAnonymous2	0.13 299	0.12 437	0.24 474	0.20 434	0.12 443	0.17 379	0.13 118	0.26 375	0.21 309	0.11 179	0.11 171	0.13 242	0.08 161	0.10 75	0.10 139	0.09 383	0.05 203	0.08 303	0.06 207	0.15 523	0.10 439

CroCo_RVC	0.13 299	0.12 437	0.24 474	0.20 434	0.12 443	0.17 379	0.13 118	0.26 375	0.21 309	0.11 179	0.11 171	0.13 242	0.08 161	0.10 75	0.10 139	0.09 383	0.05 203	0.08 303	0.06 207	0.15 523	0.10 439

CREStereo	0.09 101	0.04 1	0.08 38	0.11 1	0.06 15	0.13 270	0.14 171	0.14 93	0.10 43	0.08 78	0.13 199	0.09 142	0.08 161	0.11 125	0.10 139	0.08 324	0.04 24	0.05 33	0.03 1	0.06 212	0.06 222
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
R-Stereo Train	0.10 164	0.06 71	0.10 125	0.17 236	0.08 140	0.11 191	0.14 171	0.23 318	0.11 71	0.12 217	0.19 297	0.11 200	0.08 161	0.09 37	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.05 135

RAFT-Stereo	0.10 164	0.06 71	0.10 125	0.17 236	0.08 140	0.11 191	0.14 171	0.23 318	0.11 71	0.12 217	0.19 297	0.11 200	0.08 161	0.09 37	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.05 135
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
OmniDepth	0.07 4	0.07 158	0.08 38	0.18 318	0.06 15	0.07 32	0.11 51	0.09 11	0.06 4	0.04 1	0.07 45	0.10 175	0.09 191	0.08 17	0.08 17	0.04 11	0.03 1	0.04 1	0.04 45	0.03 1	0.03 2
Tongfan Guan, Jiaxin Guo, Chen Wang, Yun-Hui Liu: OmniDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment. ICCV 2025 Highlight
water-stereo	0.09 101	0.06 71	0.08 38	0.16 160	0.07 82	0.09 93	0.13 118	0.15 124	0.13 136	0.11 179	0.12 185	0.08 117	0.09 191	0.07 4	0.08 17	0.06 122	0.05 203	0.05 33	0.05 129	0.04 20	0.04 47

DilatedVolume-Stereo	0.09 101	0.05 23	0.08 38	0.15 82	0.06 15	0.11 191	0.12 71	0.14 93	0.16 209	0.11 179	0.11 171	0.09 142	0.09 191	0.11 125	0.10 139	0.06 122	0.05 203	0.05 33	0.04 45	0.03 1	0.03 2

S2M2_L	0.09 101	0.08 259	0.11 169	0.13 13	0.10 361	0.08 57	0.06 1	0.10 20	0.10 43	0.10 148	0.09 104	0.10 175	0.09 191	0.11 125	0.11 210	0.13 502	0.07 404	0.08 303	0.09 408	0.10 438	0.08 367
Junhong Min, Youngpil Jeon, Jimin Kim, Minyong Choi: S^2M^2 : Scalable Stereo Matching Model for Reliable Depth Estimation. ICCV 2025
SGD-Stereo	0.08 53	0.05 23	0.10 125	0.14 40	0.05 1	0.12 227	0.12 71	0.11 35	0.12 101	0.07 42	0.09 104	0.09 142	0.09 191	0.08 17	0.08 17	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.03 2

HI	0.11 207	0.06 71	0.11 169	0.13 13	0.09 258	0.09 93	0.14 171	0.21 275	0.10 43	0.19 382	0.17 263	0.14 262	0.09 191	0.16 341	0.08 17	0.05 31	0.04 24	0.07 218	0.08 361	0.07 280	0.06 222

CoSv	0.11 207	0.06 71	0.11 169	0.13 13	0.09 258	0.09 93	0.14 171	0.21 275	0.10 43	0.19 382	0.17 263	0.14 262	0.09 191	0.16 341	0.08 17	0.05 31	0.04 24	0.07 218	0.08 361	0.07 280	0.06 222

fffy	0.09 101	0.08 259	0.09 83	0.16 160	0.07 82	0.13 270	0.17 343	0.13 72	0.12 101	0.08 78	0.09 104	0.08 117	0.09 191	0.13 259	0.11 210	0.05 31	0.05 203	0.07 218	0.05 129	0.04 20	0.05 135

rvit_stereo_0081_aga	0.11 207	0.09 335	0.14 285	0.18 318	0.09 258	0.13 270	0.14 171	0.14 93	0.19 271	0.10 148	0.18 288	0.16 305	0.09 191	0.12 213	0.09 61	0.10 425	0.06 332	0.08 303	0.07 296	0.07 280	0.06 222

rvit_stereo_0081	0.11 207	0.08 259	0.15 337	0.16 160	0.09 258	0.10 145	0.14 171	0.14 93	0.24 349	0.11 179	0.13 199	0.13 242	0.09 191	0.11 125	0.12 261	0.10 425	0.07 404	0.08 303	0.07 296	0.07 280	0.05 135

rvit_stereo_0082	0.11 207	0.08 259	0.15 337	0.16 160	0.09 258	0.10 145	0.14 171	0.14 93	0.24 349	0.11 179	0.13 199	0.13 242	0.09 191	0.11 125	0.12 261	0.10 425	0.07 404	0.08 303	0.07 296	0.07 280	0.05 135

EKT-Stereo	0.11 207	0.07 158	0.14 285	0.15 82	0.10 361	0.13 270	0.14 171	0.18 219	0.21 309	0.11 179	0.08 83	0.12 217	0.09 191	0.11 125	0.12 261	0.08 324	0.06 332	0.07 218	0.06 207	0.08 343	0.07 303

GCAP-Stereo	0.09 101	0.07 158	0.13 250	0.18 318	0.06 15	0.11 191	0.07 3	0.13 72	0.12 101	0.09 114	0.10 134	0.07 76	0.09 191	0.13 259	0.10 139	0.06 122	0.05 203	0.05 33	0.04 45	0.04 20	0.05 135

Any-RAFT	0.10 164	0.05 23	0.09 83	0.14 40	0.07 82	0.13 270	0.14 171	0.21 275	0.15 180	0.11 179	0.12 185	0.12 217	0.09 191	0.12 213	0.09 61	0.07 262	0.04 24	0.05 33	0.04 45	0.06 212	0.05 135

RAFT-Test	0.09 101	0.06 71	0.10 125	0.15 82	0.07 82	0.11 191	0.15 243	0.16 153	0.13 136	0.09 114	0.10 134	0.10 175	0.09 191	0.12 213	0.09 61	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

LoS_RVC	0.08 53	0.05 23	0.07 8	0.15 82	0.07 82	0.08 57	0.15 243	0.11 35	0.10 43	0.08 78	0.09 104	0.06 21	0.09 191	0.10 75	0.09 61	0.05 31	0.04 24	0.05 33	0.03 1	0.04 20	0.03 2

anonymousdsp2	0.11 207	0.07 158	0.10 125	0.16 160	0.09 258	0.13 270	0.14 171	0.18 219	0.22 323	0.13 244	0.14 213	0.12 217	0.09 191	0.14 285	0.11 210	0.05 31	0.04 24	0.05 33	0.04 45	0.06 212	0.05 135

LoS	0.09 101	0.05 23	0.11 169	0.13 13	0.07 82	0.14 302	0.11 51	0.15 124	0.15 180	0.09 114	0.09 104	0.12 217	0.09 191	0.15 307	0.10 139	0.07 262	0.05 203	0.05 33	0.03 1	0.05 111	0.05 135
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 207	0.05 23	0.12 204	0.13 13	0.07 82	0.15 328	0.14 171	0.19 241	0.13 136	0.11 179	0.17 263	0.13 242	0.09 191	0.13 259	0.11 210	0.08 324	0.05 203	0.06 119	0.05 129	0.08 343	0.07 303

test_4	0.10 164	0.10 393	0.08 38	0.19 376	0.09 258	0.08 57	0.22 477	0.15 124	0.17 229	0.12 217	0.18 288	0.12 217	0.09 191	0.08 17	0.11 210	0.04 11	0.04 24	0.08 303	0.08 361	0.04 20	0.03 2

iRaft-Stereo_5w	0.12 274	0.09 335	0.12 204	0.19 376	0.08 140	0.09 93	0.12 71	0.21 275	0.21 309	0.19 382	0.14 213	0.11 200	0.09 191	0.20 434	0.16 383	0.05 31	0.05 203	0.07 218	0.06 207	0.05 111	0.06 222

CIPLG	0.11 207	0.08 259	0.14 285	0.17 236	0.08 140	0.12 227	0.15 243	0.17 189	0.15 180	0.14 265	0.11 171	0.16 305	0.09 191	0.16 341	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

dd	0.15 377	0.16 496	0.16 371	0.19 376	0.09 258	0.15 328	0.18 389	0.21 275	0.25 370	0.23 447	0.20 309	0.21 374	0.09 191	0.21 451	0.16 383	0.10 425	0.06 332	0.08 303	0.06 207	0.08 343	0.06 222

IPLGR_C	0.11 207	0.08 259	0.14 285	0.17 236	0.08 140	0.12 227	0.15 243	0.17 189	0.15 180	0.14 265	0.10 134	0.16 305	0.09 191	0.16 341	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

ACRE	0.11 207	0.08 259	0.14 285	0.17 236	0.08 140	0.12 227	0.15 243	0.17 189	0.14 161	0.14 265	0.10 134	0.16 305	0.09 191	0.16 341	0.11 210	0.07 262	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222

test_3	0.10 164	0.09 335	0.10 125	0.20 434	0.08 140	0.13 270	0.26 525	0.14 93	0.21 309	0.10 148	0.10 134	0.09 142	0.09 191	0.08 17	0.11 210	0.05 31	0.04 24	0.08 303	0.07 296	0.04 20	0.04 47

Pruner-Stereo	0.11 207	0.07 158	0.12 204	0.17 236	0.09 258	0.06 10	0.12 71	0.17 189	0.17 229	0.13 244	0.19 297	0.13 242	0.09 191	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.08 367

RAFT-345	0.11 207	0.07 158	0.15 337	0.16 160	0.08 140	0.08 57	0.12 71	0.15 124	0.10 43	0.11 179	0.36 485	0.09 142	0.09 191	0.11 125	0.12 261	0.05 31	0.05 203	0.07 218	0.06 207	0.04 20	0.05 135

RALAANet	0.11 207	0.08 259	0.10 125	0.17 236	0.09 258	0.14 302	0.10 29	0.20 252	0.15 180	0.14 265	0.13 199	0.16 305	0.09 191	0.12 213	0.11 210	0.06 122	0.05 203	0.07 218	0.06 207	0.05 111	0.04 47

RAFT-Stereo + iAFF	0.09 101	0.06 71	0.10 125	0.17 236	0.06 15	0.10 145	0.16 309	0.17 189	0.14 161	0.09 114	0.10 134	0.08 117	0.09 191	0.11 125	0.09 61	0.05 31	0.04 24	0.06 119	0.06 207	0.04 20	0.03 2

AFF-stereo	0.09 101	0.06 71	0.10 125	0.17 236	0.07 82	0.10 145	0.16 309	0.17 189	0.09 28	0.10 148	0.12 185	0.09 142	0.09 191	0.12 213	0.09 61	0.05 31	0.04 24	0.07 218	0.07 296	0.04 20	0.03 2

CFNet-RSSM	0.09 101	0.07 158	0.09 83	0.16 160	0.07 82	0.09 93	0.15 243	0.16 153	0.17 229	0.08 78	0.12 185	0.10 175	0.09 191	0.11 125	0.09 61	0.06 122	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

Gwc-CoAtRS	0.09 101	0.06 71	0.10 125	0.16 160	0.07 82	0.10 145	0.14 171	0.17 189	0.17 229	0.08 78	0.10 134	0.12 217	0.09 191	0.12 213	0.09 61	0.06 122	0.04 24	0.06 119	0.04 45	0.04 20	0.04 47

xyz-stereo-finetune	0.11 207	0.08 259	0.13 250	0.14 40	0.06 15	0.10 145	0.19 429	0.17 189	0.19 271	0.12 217	0.14 213	0.15 291	0.10 224	0.13 259	0.11 210	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.05 135

rvit_stereo_0083	0.12 274	0.08 259	0.17 399	0.16 160	0.09 258	0.11 191	0.15 243	0.14 93	0.26 384	0.11 179	0.14 213	0.13 242	0.10 224	0.12 213	0.12 261	0.10 425	0.08 430	0.09 384	0.07 296	0.07 280	0.05 135

rvit_stereo_ft	0.12 274	0.07 158	0.13 250	0.19 376	0.10 361	0.12 227	0.17 343	0.16 153	0.16 209	0.12 217	0.13 199	0.15 291	0.10 224	0.14 285	0.13 302	0.09 383	0.06 332	0.08 303	0.07 296	0.07 280	0.05 135

H2IRNET	0.10 164	0.09 335	0.09 83	0.18 318	0.09 258	0.12 227	0.15 243	0.14 93	0.21 309	0.10 148	0.10 134	0.10 175	0.10 224	0.10 75	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.06 212	0.05 135

MyStereo8	0.12 274	0.07 158	0.15 337	0.15 82	0.09 258	0.18 398	0.14 171	0.19 241	0.22 323	0.12 217	0.18 288	0.11 200	0.10 224	0.16 341	0.18 416	0.07 262	0.05 203	0.07 218	0.05 129	0.08 343	0.09 412

MyStereo04	0.13 299	0.07 158	0.10 125	0.17 236	0.09 258	0.14 302	0.18 389	0.29 427	0.38 487	0.17 336	0.14 213	0.16 305	0.10 224	0.15 307	0.13 302	0.06 122	0.05 203	0.08 303	0.07 296	0.06 212	0.06 222

StereoVision	0.13 299	0.12 437	0.09 83	0.24 509	0.10 361	0.15 328	0.21 467	0.21 275	0.20 294	0.12 217	0.24 361	0.10 175	0.10 224	0.16 341	0.10 139	0.09 383	0.11 492	0.12 483	0.12 498	0.06 212	0.05 135

DCRE	0.11 207	0.07 158	0.13 250	0.16 160	0.11 411	0.11 191	0.17 343	0.18 219	0.17 229	0.11 179	0.18 288	0.10 175	0.10 224	0.15 307	0.11 210	0.06 122	0.05 203	0.06 119	0.06 207	0.05 111	0.04 47

Selective-RAFT	0.11 207	0.10 393	0.11 169	0.21 463	0.08 140	0.16 358	0.13 118	0.20 252	0.22 323	0.10 148	0.10 134	0.11 200	0.10 224	0.15 307	0.11 210	0.05 31	0.05 203	0.06 119	0.05 129	0.06 212	0.05 135

TestStereo1	0.13 299	0.08 259	0.08 38	0.19 376	0.08 140	0.18 398	0.29 547	0.23 318	0.16 209	0.17 336	0.20 309	0.16 305	0.10 224	0.12 213	0.13 302	0.06 122	0.06 332	0.08 303	0.06 207	0.05 111	0.05 135

DisPM	0.11 207	0.07 158	0.12 204	0.16 160	0.09 258	0.06 10	0.13 118	0.17 189	0.17 229	0.14 265	0.20 309	0.12 217	0.10 224	0.11 125	0.10 139	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.11 465

raft_robust	0.13 299	0.10 393	0.07 8	0.18 318	0.08 140	0.13 270	0.24 500	0.28 416	0.33 447	0.20 405	0.19 297	0.14 262	0.10 224	0.11 125	0.12 261	0.05 31	0.05 203	0.07 218	0.07 296	0.05 111	0.04 47

RAFT+CT+SA	0.13 299	0.11 419	0.09 83	0.19 376	0.09 258	0.15 328	0.28 538	0.22 298	0.22 323	0.15 292	0.26 408	0.10 175	0.10 224	0.11 125	0.12 261	0.05 31	0.04 24	0.07 218	0.08 361	0.07 280	0.06 222

SA-5K	0.13 299	0.08 259	0.08 38	0.19 376	0.08 140	0.18 398	0.29 547	0.23 318	0.16 209	0.17 336	0.20 309	0.16 305	0.10 224	0.12 213	0.13 302	0.06 122	0.06 332	0.08 303	0.06 207	0.05 111	0.05 135

PFNet+	0.11 207	0.06 71	0.13 250	0.16 160	0.09 258	0.05 4	0.12 71	0.17 189	0.21 309	0.16 320	0.19 297	0.14 262	0.10 224	0.11 125	0.11 210	0.08 324	0.05 203	0.09 384	0.08 361	0.06 212	0.11 465

STrans-v2	0.10 164	0.07 158	0.12 204	0.18 318	0.07 82	0.10 145	0.14 171	0.21 275	0.11 71	0.11 179	0.15 230	0.12 217	0.10 224	0.11 125	0.12 261	0.05 31	0.04 24	0.06 119	0.06 207	0.04 20	0.04 47

KYRaft	0.11 207	0.07 158	0.10 125	0.19 376	0.09 258	0.08 57	0.15 243	0.22 298	0.12 101	0.13 244	0.16 242	0.20 365	0.10 224	0.12 213	0.10 139	0.05 31	0.04 24	0.08 303	0.08 361	0.06 212	0.16 534

ASMatch	0.11 207	0.06 71	0.13 250	0.16 160	0.10 361	0.07 32	0.14 171	0.17 189	0.17 229	0.12 217	0.16 242	0.16 305	0.10 224	0.13 259	0.10 139	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.08 367

RAFT-RH_RVC	0.11 207	0.06 71	0.14 285	0.16 160	0.09 258	0.12 227	0.12 71	0.17 189	0.12 101	0.13 244	0.41 522	0.11 200	0.10 224	0.13 259	0.12 261	0.05 31	0.04 24	0.08 303	0.05 129	0.04 20	0.06 222

cross-raft	0.10 164	0.09 335	0.09 83	0.19 376	0.07 82	0.11 191	0.25 516	0.13 72	0.15 180	0.08 78	0.11 171	0.12 217	0.10 224	0.09 37	0.11 210	0.05 31	0.04 24	0.06 119	0.05 129	0.04 20	0.04 47

rafts_anoy	0.11 207	0.06 71	0.10 125	0.17 236	0.08 140	0.10 145	0.14 171	0.17 189	0.14 161	0.13 244	0.13 199	0.12 217	0.10 224	0.11 125	0.12 261	0.07 262	0.04 24	0.09 384	0.11 479	0.07 280	0.06 222

Anonymous3	0.16 400	0.13 466	0.33 514	0.26 526	0.14 486	0.27 510	0.17 343	0.28 416	0.28 408	0.15 292	0.17 263	0.14 262	0.10 224	0.15 307	0.12 261	0.08 324	0.08 430	0.08 303	0.08 361	0.08 343	0.11 465

RALCasStereoNet	0.10 164	0.06 71	0.09 83	0.16 160	0.08 140	0.12 227	0.14 171	0.17 189	0.11 71	0.12 217	0.17 263	0.14 262	0.10 224	0.12 213	0.11 210	0.07 262	0.06 332	0.06 119	0.05 129	0.08 343	0.07 303

RAFT + AFF	0.13 299	0.07 158	0.20 445	0.20 434	0.10 361	0.14 302	0.24 500	0.26 375	0.20 294	0.11 179	0.10 134	0.12 217	0.10 224	0.15 307	0.12 261	0.07 262	0.06 332	0.09 384	0.08 361	0.06 212	0.08 367

GMStereo	0.13 299	0.14 478	0.14 285	0.18 318	0.09 258	0.15 328	0.16 309	0.20 252	0.24 349	0.16 320	0.17 263	0.10 175	0.10 224	0.16 341	0.13 302	0.07 262	0.06 332	0.06 119	0.06 207	0.07 280	0.06 222
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MultiAttention	0.29 534	0.08 259	0.14 285	0.19 376	0.12 443	1.45 599	1.33 601	0.36 513	0.37 480	0.19 382	0.21 330	0.24 416	0.11 249	0.38 549	0.18 416	0.06 122	0.05 203	0.08 303	0.08 361	0.10 438	0.09 412

depthmonostereo	0.09 101	0.06 71	0.09 83	0.15 82	0.06 15	0.10 145	0.13 118	0.14 93	0.14 161	0.10 148	0.10 134	0.09 142	0.11 249	0.08 17	0.09 61	0.06 122	0.05 203	0.06 119	0.04 45	0.04 20	0.03 2

MyStereo05	0.13 299	0.07 158	0.10 125	0.17 236	0.09 258	0.13 270	0.18 389	0.27 396	0.35 468	0.17 336	0.14 213	0.15 291	0.11 249	0.15 307	0.13 302	0.06 122	0.05 203	0.07 218	0.07 296	0.06 212	0.06 222

CoDeX	0.12 274	0.07 158	0.12 204	0.17 236	0.08 140	0.12 227	0.15 243	0.23 318	0.27 394	0.13 244	0.17 263	0.16 305	0.11 249	0.14 285	0.11 210	0.07 262	0.05 203	0.07 218	0.06 207	0.06 212	0.05 135

GMStereo_Zeroshot	0.16 400	0.13 466	0.24 474	0.20 434	0.10 361	0.17 379	0.13 118	0.29 427	0.25 370	0.23 447	0.32 461	0.25 430	0.11 249	0.19 409	0.14 339	0.09 383	0.06 332	0.11 463	0.06 207	0.12 477	0.08 367

MIF-Stereo (partial)	0.11 207	0.06 71	0.10 125	0.19 376	0.10 361	0.10 145	0.11 51	0.17 189	0.18 255	0.14 265	0.16 242	0.09 142	0.11 249	0.12 213	0.12 261	0.08 324	0.05 203	0.08 303	0.07 296	0.06 212	0.07 303

riskmin	0.11 207	0.06 71	0.13 250	0.14 40	0.08 140	0.14 302	0.14 171	0.18 219	0.14 161	0.11 179	0.14 213	0.16 305	0.11 249	0.14 285	0.12 261	0.09 383	0.05 203	0.07 218	0.05 129	0.08 343	0.08 367

fff	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.09 93	0.17 343	0.16 153	0.20 294	0.13 244	0.16 242	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

Sa-1000	0.12 274	0.08 259	0.08 38	0.18 318	0.08 140	0.14 302	0.22 477	0.22 298	0.18 255	0.15 292	0.20 309	0.17 325	0.11 249	0.10 75	0.10 139	0.06 122	0.05 203	0.09 384	0.09 408	0.05 111	0.05 135

SA	0.12 274	0.09 335	0.08 38	0.18 318	0.08 140	0.12 227	0.24 500	0.23 318	0.18 255	0.17 336	0.27 417	0.14 262	0.11 249	0.11 125	0.11 210	0.05 31	0.05 203	0.09 384	0.08 361	0.05 111	0.04 47

CrosDoStereo	0.12 274	0.06 71	0.12 204	0.14 40	0.08 140	0.12 227	0.15 243	0.17 189	0.22 323	0.19 382	0.24 361	0.15 291	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.07 218	0.07 296	0.05 111	0.05 135

LCNet	0.11 207	0.07 158	0.09 83	0.19 376	0.09 258	0.08 57	0.15 243	0.21 275	0.15 180	0.11 179	0.15 230	0.16 305	0.11 249	0.12 213	0.11 210	0.05 31	0.04 24	0.08 303	0.07 296	0.06 212	0.15 523

TransformOpticalFlow	0.10 164	0.08 259	0.13 250	0.18 318	0.07 82	0.09 93	0.15 243	0.19 241	0.15 180	0.12 217	0.17 263	0.11 200	0.11 249	0.11 125	0.10 139	0.05 31	0.04 24	0.06 119	0.06 207	0.05 111	0.05 135

NF-Stereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

OCTAStereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

PSM-softLoss	0.12 274	0.07 158	0.15 337	0.17 236	0.09 258	0.08 57	0.13 118	0.24 341	0.17 229	0.14 265	0.19 297	0.13 242	0.11 249	0.11 125	0.11 210	0.07 262	0.05 203	0.08 303	0.07 296	0.06 212	0.12 478

KMStereo	0.12 274	0.07 158	0.15 337	0.17 236	0.09 258	0.08 57	0.13 118	0.24 341	0.17 229	0.14 265	0.19 297	0.13 242	0.11 249	0.11 125	0.11 210	0.07 262	0.05 203	0.08 303	0.07 296	0.06 212	0.12 478

PSM-AAD	0.11 207	0.07 158	0.10 125	0.19 376	0.09 258	0.10 145	0.15 243	0.20 252	0.13 136	0.12 217	0.14 213	0.18 339	0.11 249	0.11 125	0.10 139	0.05 31	0.05 203	0.09 384	0.08 361	0.06 212	0.14 516

DeepStereo_LL	0.12 274	0.06 71	0.12 204	0.14 40	0.08 140	0.12 227	0.15 243	0.17 189	0.22 323	0.19 382	0.24 361	0.15 291	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.07 218	0.07 296	0.05 111	0.05 135

PFNet	0.12 274	0.06 71	0.17 399	0.17 236	0.08 140	0.09 93	0.15 243	0.26 375	0.20 294	0.16 320	0.16 242	0.14 262	0.11 249	0.12 213	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

GrayStereo	0.11 207	0.06 71	0.11 169	0.19 376	0.09 258	0.09 93	0.16 309	0.18 219	0.17 229	0.14 265	0.17 263	0.17 325	0.11 249	0.12 213	0.11 210	0.05 31	0.05 203	0.07 218	0.06 207	0.05 111	0.10 439

RE-Stereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

TVStereo	0.11 207	0.07 158	0.13 250	0.17 236	0.09 258	0.10 145	0.14 171	0.23 318	0.19 271	0.12 217	0.17 263	0.12 217	0.11 249	0.11 125	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.12 478

GMM-Stereo	0.11 207	0.07 158	0.10 125	0.18 318	0.09 258	0.08 57	0.15 243	0.23 318	0.16 209	0.11 179	0.15 230	0.13 242	0.11 249	0.11 125	0.11 210	0.05 31	0.04 24	0.08 303	0.07 296	0.06 212	0.09 412

s12784h	0.09 101	0.06 71	0.07 8	0.15 82	0.05 1	0.16 358	0.18 389	0.15 124	0.15 180	0.10 148	0.11 171	0.11 200	0.11 249	0.10 75	0.12 261	0.05 31	0.04 24	0.05 33	0.04 45	0.04 20	0.04 47

DCANet	0.10 164	0.06 71	0.12 204	0.16 160	0.06 15	0.09 93	0.17 343	0.15 124	0.19 271	0.13 244	0.17 263	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

csc	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.09 93	0.17 343	0.16 153	0.20 294	0.13 244	0.16 242	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

cscssc	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.09 93	0.17 343	0.16 153	0.20 294	0.13 244	0.16 242	0.10 175	0.11 249	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

111	0.10 164	0.06 71	0.12 204	0.15 82	0.07 82	0.10 145	0.14 171	0.21 275	0.23 333	0.11 179	0.12 185	0.14 262	0.11 249	0.13 259	0.10 139	0.06 122	0.04 24	0.06 119	0.04 45	0.05 111	0.05 135

ARAFT	0.12 274	0.08 259	0.17 399	0.19 376	0.09 258	0.14 302	0.18 389	0.20 252	0.12 101	0.12 217	0.13 199	0.14 262	0.11 249	0.15 307	0.12 261	0.06 122	0.05 203	0.10 432	0.09 408	0.05 111	0.04 47

HITNet	0.10 164	0.06 71	0.12 204	0.14 40	0.06 15	0.11 191	0.10 29	0.18 219	0.18 255	0.13 244	0.16 242	0.14 262	0.11 249	0.15 307	0.13 302	0.06 122	0.04 24	0.04 1	0.04 45	0.06 212	0.05 135
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
FlowAnything_test	0.11 207	0.08 259	0.14 285	0.15 82	0.09 258	0.07 32	0.14 171	0.20 252	0.11 71	0.09 114	0.09 104	0.12 217	0.12 280	0.13 259	0.11 210	0.09 383	0.06 332	0.09 384	0.09 408	0.06 212	0.09 412

xyz-stereo-finetune2	0.11 207	0.07 158	0.13 250	0.13 13	0.07 82	0.11 191	0.19 429	0.17 189	0.12 101	0.15 292	0.15 230	0.17 325	0.12 280	0.13 259	0.11 210	0.05 31	0.04 24	0.07 218	0.05 129	0.04 20	0.06 222

DFGA-Net	0.13 299	0.11 419	0.18 422	0.17 236	0.10 361	0.12 227	0.13 118	0.22 298	0.25 370	0.16 320	0.16 242	0.13 242	0.12 280	0.16 341	0.14 339	0.07 262	0.05 203	0.08 303	0.07 296	0.05 111	0.05 135

DDVS	0.15 377	0.10 393	0.21 454	0.16 160	0.12 443	0.15 328	0.14 171	0.25 357	0.19 271	0.18 366	0.29 443	0.27 448	0.12 280	0.19 409	0.15 367	0.09 383	0.06 332	0.09 384	0.07 296	0.11 461	0.11 465

rvit_0105_6	0.14 333	0.09 335	0.18 422	0.17 236	0.10 361	0.10 145	0.16 309	0.19 241	0.26 384	0.12 217	0.18 288	0.17 325	0.12 280	0.18 394	0.12 261	0.15 520	0.11 492	0.12 483	0.10 447	0.09 406	0.06 222

rvit_0105_5	0.14 333	0.09 335	0.13 250	0.17 236	0.09 258	0.14 302	0.23 488	0.24 341	0.27 394	0.14 265	0.15 230	0.18 339	0.12 280	0.17 373	0.14 339	0.14 516	0.11 492	0.10 432	0.10 447	0.08 343	0.06 222

GCST	0.37 551	0.42 570	0.26 482	1.02 594	0.39 569	0.18 398	0.08 7	0.20 252	0.17 229	0.28 497	0.25 391	0.15 291	0.12 280	0.16 341	0.14 339	0.64 589	0.43 578	0.75 586	0.65 589	0.63 582	0.46 582

plain	0.10 164	0.08 259	0.10 125	0.19 376	0.09 258	0.10 145	0.15 243	0.14 93	0.13 136	0.13 244	0.15 230	0.09 142	0.12 280	0.13 259	0.12 261	0.07 262	0.05 203	0.09 384	0.06 207	0.06 212	0.06 222

PCWNet_CMD	0.14 333	0.08 259	0.15 337	0.17 236	0.09 258	0.14 302	0.14 171	0.29 427	0.36 473	0.14 265	0.20 309	0.21 374	0.12 280	0.17 373	0.13 302	0.07 262	0.05 203	0.07 218	0.07 296	0.07 280	0.07 303

ADStereo(finetuned)	0.10 164	0.06 71	0.12 204	0.16 160	0.06 15	0.09 93	0.17 343	0.15 124	0.19 271	0.13 244	0.17 263	0.10 175	0.12 280	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

GMOStereo	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 538	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

error version	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 538	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

test-v	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 538	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

GANet-ADL	0.13 299	0.07 158	0.15 337	0.17 236	0.10 361	0.18 398	0.15 243	0.30 441	0.20 294	0.13 244	0.18 288	0.19 353	0.12 280	0.16 341	0.13 302	0.08 324	0.06 332	0.06 119	0.05 129	0.07 280	0.08 367

Patchmatch Stereo++	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.11 51	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303
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	0.11 207	0.06 71	0.14 285	0.18 318	0.08 140	0.09 93	0.12 71	0.21 275	0.21 309	0.13 244	0.14 213	0.11 200	0.12 280	0.11 125	0.13 302	0.06 122	0.04 24	0.07 218	0.06 207	0.05 111	0.04 47

IIG-Stereo	0.11 207	0.06 71	0.13 250	0.17 236	0.08 140	0.11 191	0.12 71	0.22 298	0.17 229	0.14 265	0.17 263	0.11 200	0.12 280	0.12 213	0.12 261	0.06 122	0.05 203	0.07 218	0.06 207	0.05 111	0.04 47

NRIStereo	0.11 207	0.08 259	0.14 285	0.18 318	0.08 140	0.10 145	0.14 171	0.16 153	0.15 180	0.12 217	0.14 213	0.13 242	0.12 280	0.13 259	0.10 139	0.06 122	0.04 24	0.07 218	0.06 207	0.06 212	0.07 303

PSM-adaLoss	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

FTStereo	0.12 274	0.06 71	0.14 285	0.18 318	0.09 258	0.07 32	0.15 243	0.21 275	0.18 255	0.12 217	0.24 361	0.12 217	0.12 280	0.13 259	0.13 302	0.05 31	0.05 203	0.07 218	0.06 207	0.06 212	0.10 439

ROB_FTStereo_v2	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

ROB_FTStereo	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.11 51	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

HUI-Stereo	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

SST-Stereo	0.10 164	0.07 158	0.15 337	0.18 318	0.09 258	0.06 10	0.12 71	0.17 189	0.11 71	0.15 292	0.17 263	0.13 242	0.12 280	0.10 75	0.11 210	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.05 135

THIR-Stereo	0.12 274	0.07 158	0.11 169	0.15 82	0.08 140	0.14 302	0.16 309	0.17 189	0.25 370	0.16 320	0.24 361	0.14 262	0.12 280	0.12 213	0.14 339	0.06 122	0.04 24	0.07 218	0.07 296	0.05 111	0.05 135

RAFT_R40	0.11 207	0.07 158	0.14 285	0.18 318	0.09 258	0.06 10	0.13 118	0.17 189	0.16 209	0.14 265	0.18 288	0.15 291	0.12 280	0.10 75	0.11 210	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.05 135

DeepStereo_RVC	0.11 207	0.08 259	0.16 371	0.18 318	0.08 140	0.08 57	0.12 71	0.17 189	0.12 101	0.13 244	0.14 213	0.12 217	0.12 280	0.12 213	0.11 210	0.06 122	0.04 24	0.07 218	0.06 207	0.07 280	0.08 367

iGMRVC	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

IRAFT_RVC	0.12 274	0.08 259	0.16 371	0.19 376	0.08 140	0.07 32	0.15 243	0.24 341	0.23 333	0.14 265	0.14 213	0.15 291	0.12 280	0.12 213	0.10 139	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.06 222

iRAFT	0.11 207	0.09 335	0.16 371	0.18 318	0.08 140	0.06 10	0.11 51	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

CRE-IMP	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.10 145	0.12 71	0.18 219	0.10 43	0.14 265	0.13 199	0.13 242	0.12 280	0.12 213	0.11 210	0.07 262	0.04 24	0.08 303	0.06 207	0.08 343	0.08 367

test-2	0.11 207	0.09 335	0.07 8	0.19 376	0.08 140	0.12 227	0.28 538	0.13 72	0.17 229	0.11 179	0.17 263	0.14 262	0.12 280	0.07 4	0.07 1	0.05 31	0.05 203	0.09 384	0.07 296	0.04 20	0.04 47

RAFT	0.13 299	0.09 335	0.11 169	0.18 318	0.08 140	0.15 328	0.24 500	0.20 252	0.19 271	0.21 419	0.21 330	0.17 325	0.12 280	0.16 341	0.09 61	0.06 122	0.07 404	0.10 432	0.09 408	0.05 111	0.05 135

RAFT-IKP	0.11 207	0.09 335	0.16 371	0.19 376	0.08 140	0.06 10	0.12 71	0.16 153	0.13 136	0.15 292	0.16 242	0.14 262	0.12 280	0.11 125	0.10 139	0.06 122	0.04 24	0.08 303	0.06 207	0.08 343	0.07 303

TestStereo	0.13 299	0.14 478	0.11 169	0.23 500	0.08 140	0.15 328	0.21 467	0.20 252	0.23 333	0.14 265	0.24 361	0.16 305	0.12 280	0.16 341	0.14 339	0.05 31	0.06 332	0.08 303	0.06 207	0.09 406	0.05 135

FENet	0.13 299	0.08 259	0.12 204	0.16 160	0.08 140	0.14 302	0.15 243	0.22 298	0.23 333	0.17 336	0.23 349	0.16 305	0.12 280	0.14 285	0.15 367	0.08 324	0.05 203	0.08 303	0.08 361	0.07 280	0.07 303

DIP-Stereo	0.11 207	0.07 158	0.14 285	0.17 236	0.09 258	0.13 270	0.09 18	0.16 153	0.16 209	0.11 179	0.16 242	0.14 262	0.12 280	0.15 307	0.13 302	0.06 122	0.05 203	0.06 119	0.05 129	0.05 111	0.06 222
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 333	0.08 259	0.15 337	0.17 236	0.09 258	0.14 302	0.14 171	0.29 427	0.36 473	0.14 265	0.21 330	0.21 374	0.12 280	0.17 373	0.14 339	0.07 262	0.05 203	0.07 218	0.07 296	0.07 280	0.07 303

G2L-Stereo	0.14 333	0.07 158	0.13 250	0.17 236	0.09 258	0.13 270	0.12 71	0.27 396	0.22 323	0.16 320	0.27 417	0.21 374	0.13 318	0.17 373	0.18 416	0.09 383	0.08 430	0.08 303	0.07 296	0.07 280	0.07 303

rvit_0105_4	0.14 333	0.09 335	0.17 399	0.17 236	0.10 361	0.12 227	0.19 429	0.23 318	0.27 394	0.14 265	0.20 309	0.17 325	0.13 318	0.17 373	0.13 302	0.15 520	0.11 492	0.11 463	0.10 447	0.09 406	0.06 222

rvit_0105_3	0.15 377	0.09 335	0.14 285	0.19 376	0.12 443	0.15 328	0.25 516	0.25 357	0.29 415	0.15 292	0.17 263	0.20 365	0.13 318	0.17 373	0.14 339	0.13 502	0.11 492	0.12 483	0.14 511	0.07 280	0.06 222

UGAM	0.13 299	0.10 393	0.09 83	0.22 479	0.08 140	0.12 227	0.20 450	0.17 189	0.23 333	0.21 419	0.16 242	0.13 242	0.13 318	0.19 409	0.12 261	0.07 262	0.05 203	0.13 498	0.11 479	0.07 280	0.05 135

ffm	0.12 274	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.15 124	0.19 271	0.15 292	0.25 391	0.19 353	0.13 318	0.10 75	0.07 1	0.06 122	0.04 24	0.09 384	0.08 361	0.06 212	0.06 222

ff1	0.13 299	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.15 124	0.19 271	0.15 292	0.25 391	0.19 353	0.13 318	0.14 285	0.20 435	0.06 122	0.04 24	0.09 384	0.08 361	0.06 212	0.06 222

mmx	0.14 333	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.27 396	0.25 370	0.15 292	0.25 391	0.19 353	0.13 318	0.14 285	0.20 435	0.08 324	0.06 332	0.09 384	0.08 361	0.08 343	0.08 367

ttt	0.14 333	0.08 259	0.14 285	0.15 82	0.08 140	0.15 328	0.18 389	0.27 396	0.29 415	0.16 320	0.24 361	0.17 325	0.13 318	0.13 259	0.14 339	0.11 454	0.08 430	0.09 384	0.08 361	0.09 406	0.08 367

xxx	0.14 333	0.09 335	0.14 285	0.16 160	0.08 140	0.17 379	0.17 343	0.27 396	0.25 370	0.15 292	0.25 391	0.19 353	0.13 318	0.14 285	0.20 435	0.08 324	0.06 332	0.09 384	0.08 361	0.08 343	0.08 367

LL-Strereo	0.13 299	0.09 335	0.11 169	0.20 434	0.10 361	0.11 191	0.18 389	0.32 462	0.24 349	0.15 292	0.15 230	0.14 262	0.13 318	0.19 409	0.11 210	0.06 122	0.04 24	0.09 384	0.08 361	0.04 20	0.05 135

SDNR	0.19 446	0.08 259	0.19 433	0.16 160	0.12 443	0.77 584	0.14 171	0.25 357	0.32 440	0.19 382	0.24 361	0.19 353	0.13 318	0.19 409	0.15 367	0.16 536	0.18 545	0.14 510	0.11 479	0.08 343	0.11 465

BUS	0.14 333	0.09 335	0.14 285	0.22 479	0.10 361	0.19 421	0.14 171	0.34 490	0.19 271	0.17 336	0.22 340	0.16 305	0.13 318	0.15 307	0.13 302	0.08 324	0.06 332	0.10 432	0.09 408	0.07 280	0.07 303

NINENet	0.16 400	0.10 393	0.15 337	0.17 236	0.11 411	0.19 421	0.14 171	0.40 535	0.36 473	0.18 366	0.21 330	0.16 305	0.13 318	0.15 307	0.13 302	0.08 324	0.08 430	0.10 432	0.07 296	0.10 438	0.09 412

UDGNet	0.14 333	0.13 466	0.16 371	0.17 236	0.10 361	0.12 227	0.16 309	0.21 275	0.27 394	0.20 405	0.20 309	0.16 305	0.13 318	0.16 341	0.13 302	0.10 425	0.06 332	0.09 384	0.07 296	0.06 212	0.07 303

dad	0.17 420	0.20 526	0.20 445	0.16 160	0.11 411	0.20 436	0.18 389	0.21 275	0.28 408	0.30 509	0.24 361	0.29 466	0.13 318	0.19 409	0.16 383	0.18 543	0.09 459	0.11 463	0.09 408	0.11 461	0.07 303

GEStereo_RVC	0.17 420	0.12 437	0.15 337	0.22 479	0.11 411	0.19 421	0.17 343	0.32 462	0.48 525	0.20 405	0.25 391	0.17 325	0.13 318	0.21 451	0.16 383	0.10 425	0.06 332	0.08 303	0.07 296	0.09 406	0.08 367

CFNet_pseudo	0.14 333	0.08 259	0.15 337	0.16 160	0.09 258	0.13 270	0.14 171	0.27 396	0.34 459	0.14 265	0.21 330	0.22 392	0.13 318	0.18 394	0.14 339	0.07 262	0.05 203	0.08 303	0.06 207	0.07 280	0.07 303

GES	0.14 333	0.08 259	0.16 371	0.15 82	0.10 361	0.13 270	0.13 118	0.28 416	0.25 370	0.16 320	0.23 349	0.18 339	0.13 318	0.16 341	0.13 302	0.08 324	0.07 404	0.07 218	0.06 207	0.08 343	0.09 412

SFCPSM	0.13 299	0.07 158	0.14 285	0.17 236	0.09 258	0.15 328	0.16 309	0.28 416	0.27 394	0.14 265	0.17 263	0.12 217	0.13 318	0.14 285	0.11 210	0.08 324	0.05 203	0.07 218	0.07 296	0.07 280	0.06 222

ccs_rob	0.14 333	0.08 259	0.15 337	0.16 160	0.09 258	0.12 227	0.14 171	0.27 396	0.34 459	0.14 265	0.21 330	0.22 392	0.13 318	0.18 394	0.14 339	0.07 262	0.05 203	0.08 303	0.07 296	0.07 280	0.07 303

AdaStereo	0.15 377	0.11 419	0.15 337	0.18 318	0.09 258	0.20 436	0.11 51	0.32 462	0.28 408	0.20 405	0.23 349	0.20 365	0.13 318	0.19 409	0.14 339	0.12 479	0.05 203	0.10 432	0.07 296	0.09 406	0.07 303
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 333	0.08 259	0.15 337	0.16 160	0.08 140	0.16 358	0.12 71	0.25 357	0.35 468	0.21 419	0.29 443	0.24 416	0.13 318	0.14 285	0.14 339	0.06 122	0.05 203	0.06 119	0.04 45	0.09 406	0.08 367

MLCV	0.12 274	0.07 158	0.16 371	0.18 318	0.06 15	0.15 328	0.17 343	0.19 241	0.21 309	0.18 366	0.25 391	0.17 325	0.13 318	0.14 285	0.13 302	0.05 31	0.04 24	0.05 33	0.04 45	0.05 111	0.04 47

iResNet	0.13 299	0.10 393	0.18 422	0.19 376	0.08 140	0.13 270	0.18 389	0.20 252	0.26 384	0.15 292	0.23 349	0.15 291	0.13 318	0.14 285	0.14 339	0.06 122	0.04 24	0.06 119	0.05 129	0.06 212	0.05 135

DN-CSS_ROB	0.13 299	0.13 466	0.16 371	0.18 318	0.10 361	0.16 358	0.08 7	0.22 298	0.18 255	0.17 336	0.22 340	0.13 242	0.13 318	0.12 213	0.13 302	0.05 31	0.05 203	0.10 432	0.10 447	0.08 343	0.06 222

G2L-ROB	0.13 299	0.06 71	0.13 250	0.13 13	0.08 140	0.14 302	0.16 309	0.25 357	0.18 255	0.19 382	0.18 288	0.20 365	0.14 343	0.17 373	0.16 383	0.08 324	0.05 203	0.06 119	0.05 129	0.08 343	0.09 412

test_sample6	0.14 333	0.08 259	0.13 250	0.16 160	0.08 140	0.17 379	0.19 429	0.25 357	0.17 229	0.17 336	0.27 417	0.19 353	0.14 343	0.15 307	0.13 302	0.08 324	0.05 203	0.08 303	0.07 296	0.08 343	0.08 367

test_sample5	0.14 333	0.08 259	0.14 285	0.16 160	0.08 140	0.18 398	0.18 389	0.25 357	0.17 229	0.17 336	0.27 417	0.18 339	0.14 343	0.16 341	0.13 302	0.08 324	0.05 203	0.08 303	0.07 296	0.08 343	0.08 367

test_sample4	0.14 333	0.08 259	0.14 285	0.15 82	0.08 140	0.19 421	0.18 389	0.26 375	0.17 229	0.16 320	0.25 391	0.18 339	0.14 343	0.16 341	0.13 302	0.08 324	0.06 332	0.08 303	0.06 207	0.08 343	0.08 367

DualNet	0.14 333	0.08 259	0.14 285	0.16 160	0.08 140	0.18 398	0.18 389	0.25 357	0.17 229	0.17 336	0.27 417	0.18 339	0.14 343	0.16 341	0.13 302	0.08 324	0.05 203	0.08 303	0.07 296	0.08 343	0.08 367

CFNet_ucs	0.15 377	0.08 259	0.16 371	0.16 160	0.11 411	0.14 302	0.14 171	0.30 441	0.34 459	0.16 320	0.24 361	0.23 410	0.14 343	0.18 394	0.15 367	0.09 383	0.06 332	0.08 303	0.07 296	0.09 406	0.09 412

anonymousa	0.13 299	0.07 158	0.13 250	0.18 318	0.09 258	0.13 270	0.17 343	0.19 241	0.29 415	0.15 292	0.24 361	0.15 291	0.14 343	0.14 285	0.14 339	0.07 262	0.05 203	0.07 218	0.09 408	0.05 111	0.06 222

DCANet-4	0.10 164	0.06 71	0.12 204	0.16 160	0.06 15	0.09 93	0.17 343	0.18 219	0.19 271	0.13 244	0.16 242	0.09 142	0.14 343	0.11 125	0.12 261	0.06 122	0.04 24	0.05 33	0.04 45	0.04 20	0.05 135

GwcNet-ADL	0.13 299	0.08 259	0.14 285	0.20 434	0.09 258	0.11 191	0.20 450	0.30 441	0.24 349	0.13 244	0.14 213	0.18 339	0.14 343	0.13 259	0.14 339	0.07 262	0.05 203	0.06 119	0.05 129	0.07 280	0.06 222

AAGNet	0.11 207	0.07 158	0.16 371	0.19 376	0.09 258	0.08 57	0.13 118	0.18 219	0.13 136	0.16 320	0.21 330	0.13 242	0.14 343	0.11 125	0.14 339	0.06 122	0.04 24	0.09 384	0.06 207	0.06 212	0.05 135

DEmStereo	0.12 274	0.06 71	0.14 285	0.14 40	0.10 361	0.16 358	0.15 243	0.16 153	0.24 349	0.17 336	0.24 361	0.13 242	0.14 343	0.12 213	0.13 302	0.05 31	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

HCRNet	0.16 400	0.24 540	0.12 204	0.35 559	0.11 411	0.15 328	0.17 343	0.26 375	0.22 323	0.19 382	0.24 361	0.21 374	0.14 343	0.15 307	0.13 302	0.11 454	0.07 404	0.11 463	0.10 447	0.09 406	0.07 303

xxxx	0.15 377	0.07 158	0.14 285	0.14 40	0.08 140	0.23 474	0.18 389	0.31 451	0.19 271	0.14 265	0.28 431	0.22 392	0.14 343	0.15 307	0.26 511	0.09 383	0.05 203	0.07 218	0.07 296	0.08 343	0.07 303

PSMNet-RSSM	0.14 333	0.07 158	0.13 250	0.15 82	0.08 140	0.13 270	0.16 309	0.24 341	0.24 349	0.16 320	0.28 431	0.22 392	0.14 343	0.15 307	0.13 302	0.11 454	0.06 332	0.09 384	0.12 498	0.08 343	0.07 303

CFNet-ft	0.14 333	0.07 158	0.15 337	0.12 4	0.09 258	0.16 358	0.18 389	0.22 298	0.24 349	0.17 336	0.26 408	0.24 416	0.14 343	0.16 341	0.14 339	0.11 454	0.06 332	0.08 303	0.09 408	0.09 406	0.08 367

BEATNet_4x	0.12 274	0.08 259	0.14 285	0.18 318	0.07 82	0.15 328	0.07 3	0.22 298	0.18 255	0.16 320	0.19 297	0.18 339	0.14 343	0.16 341	0.15 367	0.07 262	0.05 203	0.05 33	0.05 129	0.06 212	0.06 222

HSM-Net_RVC	0.14 333	0.08 259	0.11 169	0.15 82	0.08 140	0.15 328	0.15 243	0.27 396	0.29 415	0.19 382	0.21 330	0.29 466	0.14 343	0.17 373	0.13 302	0.06 122	0.06 332	0.06 119	0.06 207	0.07 280	0.06 222
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 333	0.07 158	0.15 337	0.12 4	0.09 258	0.16 358	0.18 389	0.22 298	0.24 349	0.17 336	0.26 408	0.24 416	0.14 343	0.16 341	0.14 339	0.11 454	0.06 332	0.08 303	0.09 408	0.09 406	0.08 367

DCVSM-stereo	0.14 333	0.09 335	0.16 371	0.16 160	0.10 361	0.15 328	0.09 18	0.19 241	0.23 333	0.20 405	0.23 349	0.26 440	0.15 361	0.18 394	0.14 339	0.09 383	0.07 404	0.09 384	0.08 361	0.10 438	0.12 478

ACV-stereo	0.15 377	0.10 393	0.28 495	0.18 318	0.12 443	0.14 302	0.12 71	0.23 318	0.21 309	0.19 382	0.23 349	0.22 392	0.15 361	0.23 475	0.17 398	0.07 262	0.06 332	0.07 218	0.07 296	0.07 280	0.07 303

ITSA-stereo	0.15 377	0.10 393	0.14 285	0.19 376	0.08 140	0.12 227	0.14 171	0.30 441	0.49 531	0.17 336	0.19 297	0.22 392	0.15 361	0.17 373	0.16 383	0.10 425	0.06 332	0.08 303	0.08 361	0.08 343	0.08 367

rvit_stereo_0075_2	0.17 420	0.12 437	0.25 479	0.23 500	0.16 514	0.13 270	0.10 29	0.30 441	0.27 394	0.20 405	0.28 431	0.22 392	0.15 361	0.18 394	0.13 302	0.16 536	0.10 479	0.17 531	0.10 447	0.10 438	0.09 412

test_sample3	0.14 333	0.08 259	0.15 337	0.14 40	0.09 258	0.19 421	0.17 343	0.26 375	0.18 255	0.16 320	0.22 340	0.19 353	0.15 361	0.17 373	0.13 302	0.08 324	0.06 332	0.07 218	0.06 207	0.09 406	0.08 367

test_sample2	0.12 274	0.07 158	0.12 204	0.14 40	0.08 140	0.16 358	0.18 389	0.21 275	0.16 209	0.14 265	0.20 309	0.19 353	0.15 361	0.15 307	0.12 261	0.08 324	0.05 203	0.07 218	0.06 207	0.08 343	0.07 303

SMFormer	0.14 333	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.17 398	0.08 324	0.05 203	0.07 218	0.06 207	0.07 280	0.06 222

tta	0.14 333	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.17 398	0.08 324	0.05 203	0.07 218	0.06 207	0.06 212	0.06 222

qqq1	0.13 299	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.11 210	0.08 324	0.05 203	0.05 33	0.05 129	0.06 212	0.06 222

fff1	0.13 299	0.07 158	0.17 399	0.14 40	0.08 140	0.16 358	0.17 343	0.26 375	0.27 394	0.19 382	0.20 309	0.18 339	0.15 361	0.15 307	0.11 210	0.08 324	0.05 203	0.05 33	0.05 129	0.06 212	0.06 222

1111x	0.15 377	0.08 259	0.12 204	0.18 318	0.07 82	0.18 398	0.25 516	0.31 451	0.24 349	0.17 336	0.24 361	0.26 440	0.15 361	0.13 259	0.23 476	0.07 262	0.07 404	0.08 303	0.09 408	0.07 280	0.06 222

iinet-f	0.16 400	0.06 71	0.45 539	0.14 40	0.10 361	0.21 453	0.14 171	0.27 396	0.23 333	0.21 419	0.24 361	0.21 374	0.15 361	0.18 394	0.21 455	0.09 383	0.07 404	0.07 218	0.06 207	0.09 406	0.10 439

GASNet	0.22 479	0.23 537	0.33 514	0.26 526	0.17 529	0.26 500	0.16 309	0.44 552	0.42 506	0.27 481	0.24 361	0.30 475	0.15 361	0.27 494	0.18 416	0.12 479	0.08 430	0.12 483	0.11 479	0.16 530	0.07 303

CASS	0.13 299	0.12 437	0.11 169	0.23 500	0.09 258	0.15 328	0.17 343	0.18 219	0.19 271	0.17 336	0.18 288	0.15 291	0.15 361	0.14 285	0.14 339	0.09 383	0.06 332	0.10 432	0.08 361	0.09 406	0.07 303
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 434	0.09 335	0.29 503	0.15 82	0.10 361	0.22 461	0.20 450	0.26 375	0.39 490	0.25 469	0.42 528	0.24 416	0.15 361	0.20 434	0.19 429	0.07 262	0.05 203	0.06 119	0.05 129	0.10 438	0.09 412

test_5	0.14 333	0.12 437	0.08 38	0.20 434	0.10 361	0.14 302	0.29 547	0.21 275	0.24 349	0.18 366	0.28 431	0.11 200	0.15 361	0.12 213	0.13 302	0.06 122	0.05 203	0.07 218	0.08 361	0.08 343	0.07 303

CSP-Net	0.16 400	0.09 335	0.14 285	0.16 160	0.09 258	0.19 421	0.17 343	0.25 357	0.32 440	0.25 469	0.30 449	0.24 416	0.15 361	0.21 451	0.18 416	0.09 383	0.06 332	0.07 218	0.07 296	0.08 343	0.07 303

DAS	0.15 377	0.08 259	0.18 422	0.19 376	0.10 361	0.19 421	0.17 343	0.27 396	0.29 415	0.18 366	0.25 391	0.21 374	0.15 361	0.16 341	0.12 261	0.08 324	0.06 332	0.06 119	0.06 207	0.07 280	0.07 303

SepStereo	0.15 377	0.08 259	0.18 422	0.19 376	0.10 361	0.19 421	0.17 343	0.27 396	0.29 415	0.18 366	0.25 391	0.21 374	0.15 361	0.25 489	0.12 261	0.08 324	0.06 332	0.06 119	0.06 207	0.07 280	0.07 303

DRaft	0.12 274	0.06 71	0.11 169	0.14 40	0.09 258	0.14 302	0.17 343	0.21 275	0.30 426	0.17 336	0.28 431	0.10 175	0.15 361	0.10 75	0.12 261	0.05 31	0.04 24	0.07 218	0.06 207	0.05 111	0.05 135

GANet-RSSM	0.14 333	0.07 158	0.13 250	0.13 13	0.08 140	0.14 302	0.17 343	0.22 298	0.21 309	0.17 336	0.24 361	0.23 410	0.15 361	0.16 341	0.15 367	0.10 425	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

DSFCA	0.16 400	0.09 335	0.14 285	0.16 160	0.10 361	0.20 436	0.19 429	0.28 416	0.31 433	0.23 447	0.24 361	0.22 392	0.15 361	0.19 409	0.20 435	0.10 425	0.07 404	0.09 384	0.09 408	0.08 343	0.08 367

FADNet-RVC-Resample	0.16 400	0.11 419	0.31 508	0.22 479	0.11 411	0.19 421	0.14 171	0.25 357	0.24 349	0.24 456	0.27 417	0.20 365	0.15 361	0.16 341	0.15 367	0.07 262	0.08 430	0.12 483	0.10 447	0.09 406	0.10 439

UCFNet_RVC	0.14 333	0.08 259	0.13 250	0.11 1	0.10 361	0.20 436	0.10 29	0.24 341	0.22 323	0.17 336	0.20 309	0.23 410	0.15 361	0.17 373	0.15 367	0.12 479	0.07 404	0.10 432	0.13 508	0.11 461	0.10 439

iResNet_ROB	0.14 333	0.07 158	0.13 250	0.14 40	0.07 82	0.18 398	0.14 171	0.26 375	0.31 433	0.22 435	0.25 391	0.23 410	0.15 361	0.15 307	0.13 302	0.07 262	0.05 203	0.05 33	0.04 45	0.08 343	0.08 367

PWCDC_ROB	0.20 458	0.13 466	0.22 461	0.24 509	0.11 411	0.19 421	0.15 243	0.33 481	0.54 543	0.29 505	0.50 543	0.21 374	0.15 361	0.27 494	0.20 435	0.11 454	0.09 459	0.10 432	0.08 361	0.11 461	0.09 412

xyz-stereo	0.13 299	0.07 158	0.20 445	0.15 82	0.05 1	0.20 436	0.15 243	0.17 189	0.31 433	0.15 292	0.29 443	0.26 440	0.16 387	0.13 259	0.12 261	0.05 31	0.05 203	0.06 119	0.05 129	0.04 20	0.04 47

G2L-Stereo_test	0.14 333	0.07 158	0.11 169	0.13 13	0.08 140	0.12 227	0.16 309	0.30 441	0.28 408	0.20 405	0.23 349	0.20 365	0.16 387	0.17 373	0.18 416	0.07 262	0.05 203	0.05 33	0.05 129	0.07 280	0.06 222

FACV-RUCA	0.13 299	0.11 419	0.12 204	0.19 376	0.12 443	0.15 328	0.15 243	0.22 298	0.20 294	0.15 292	0.16 242	0.14 262	0.16 387	0.14 285	0.13 302	0.07 262	0.05 203	0.08 303	0.06 207	0.10 438	0.08 367

test_sample1	0.13 299	0.07 158	0.14 285	0.13 13	0.08 140	0.19 421	0.16 309	0.20 252	0.15 180	0.14 265	0.22 340	0.18 339	0.16 387	0.17 373	0.14 339	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.07 303

xx1	0.11 207	0.08 259	0.12 204	0.17 236	0.09 258	0.13 270	0.15 243	0.16 153	0.18 255	0.09 114	0.09 104	0.16 305	0.16 387	0.10 75	0.07 1	0.06 122	0.04 24	0.08 303	0.08 361	0.07 280	0.07 303

mmm	0.14 333	0.08 259	0.17 399	0.17 236	0.09 258	0.17 379	0.18 389	0.21 275	0.15 180	0.15 292	0.23 349	0.21 374	0.16 387	0.16 341	0.17 398	0.08 324	0.05 203	0.08 303	0.07 296	0.07 280	0.07 303

11t1	0.12 274	0.06 71	0.13 250	0.14 40	0.08 140	0.17 379	0.15 243	0.18 219	0.15 180	0.15 292	0.15 230	0.16 305	0.16 387	0.15 307	0.13 302	0.08 324	0.05 203	0.06 119	0.05 129	0.08 343	0.07 303

CBFPSM	0.14 333	0.06 71	0.26 482	0.17 236	0.09 258	0.13 270	0.15 243	0.22 298	0.23 333	0.20 405	0.27 417	0.24 416	0.16 387	0.16 341	0.18 416	0.06 122	0.06 332	0.06 119	0.07 296	0.07 280	0.07 303

gwcnet-sp	0.14 333	0.07 158	0.12 204	0.18 318	0.09 258	0.16 358	0.17 343	0.24 341	0.24 349	0.18 366	0.24 361	0.15 291	0.16 387	0.15 307	0.15 367	0.08 324	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

scenet	0.14 333	0.07 158	0.12 204	0.18 318	0.09 258	0.16 358	0.17 343	0.24 341	0.24 349	0.18 366	0.24 361	0.15 291	0.16 387	0.15 307	0.15 367	0.08 324	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

ssnet	0.14 333	0.07 158	0.12 204	0.18 318	0.09 258	0.16 358	0.17 343	0.24 341	0.24 349	0.18 366	0.24 361	0.15 291	0.16 387	0.15 307	0.15 367	0.08 324	0.06 332	0.07 218	0.08 361	0.08 343	0.07 303

qqq	0.13 299	0.09 335	0.15 337	0.16 160	0.08 140	0.13 270	0.15 243	0.23 318	0.16 209	0.15 292	0.19 297	0.16 305	0.16 387	0.15 307	0.16 383	0.07 262	0.06 332	0.08 303	0.08 361	0.07 280	0.07 303

BSDual-CNN	0.15 377	0.09 335	0.14 285	0.22 479	0.10 361	0.14 302	0.15 243	0.34 490	0.19 271	0.17 336	0.22 340	0.25 430	0.16 387	0.15 307	0.14 339	0.08 324	0.06 332	0.10 432	0.09 408	0.07 280	0.07 303

psmg	0.14 333	0.09 335	0.14 285	0.17 236	0.10 361	0.15 328	0.17 343	0.29 427	0.19 271	0.17 336	0.21 330	0.25 430	0.16 387	0.15 307	0.14 339	0.08 324	0.06 332	0.08 303	0.08 361	0.07 280	0.06 222

AASNet	0.16 400	0.08 259	0.12 204	0.19 376	0.09 258	0.18 398	0.15 243	0.37 519	0.37 480	0.19 382	0.23 349	0.20 365	0.16 387	0.17 373	0.20 435	0.10 425	0.08 430	0.08 303	0.07 296	0.09 406	0.09 412

PSMNet-ADL	0.15 377	0.12 437	0.13 250	0.22 479	0.09 258	0.13 270	0.20 450	0.26 375	0.23 333	0.18 366	0.20 309	0.24 416	0.16 387	0.18 394	0.17 398	0.08 324	0.08 430	0.08 303	0.11 479	0.08 343	0.07 303

ADLNet	0.16 400	0.08 259	0.15 337	0.16 160	0.10 361	0.16 358	0.17 343	0.32 462	0.27 394	0.22 435	0.27 417	0.24 416	0.16 387	0.18 394	0.21 455	0.10 425	0.06 332	0.10 432	0.10 447	0.08 343	0.09 412

222	0.16 400	0.07 158	0.14 285	0.14 40	0.08 140	0.24 479	0.18 389	0.30 441	0.20 294	0.17 336	0.28 431	0.17 325	0.16 387	0.15 307	0.40 561	0.10 425	0.05 203	0.07 218	0.06 207	0.07 280	0.08 367

test_xeample	0.15 377	0.06 71	0.13 250	0.14 40	0.08 140	0.21 453	0.20 450	0.28 416	0.20 294	0.16 320	0.29 443	0.19 353	0.16 387	0.15 307	0.26 511	0.09 383	0.05 203	0.07 218	0.07 296	0.07 280	0.07 303

ACVNet	0.15 377	0.09 335	0.15 337	0.13 13	0.12 443	0.14 302	0.20 450	0.22 298	0.33 447	0.17 336	0.26 408	0.21 374	0.16 387	0.17 373	0.21 455	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.06 222

cf-r	0.13 299	0.07 158	0.12 204	0.16 160	0.08 140	0.14 302	0.19 429	0.20 252	0.25 370	0.17 336	0.25 391	0.21 374	0.16 387	0.14 285	0.14 339	0.10 425	0.05 203	0.06 119	0.08 361	0.06 212	0.06 222

GwcNet-RSSM	0.14 333	0.07 158	0.12 204	0.15 82	0.08 140	0.15 328	0.20 450	0.21 275	0.27 394	0.18 366	0.27 417	0.22 392	0.16 387	0.14 285	0.15 367	0.10 425	0.05 203	0.07 218	0.09 408	0.07 280	0.07 303

HSM	0.15 377	0.08 259	0.14 285	0.16 160	0.09 258	0.16 358	0.14 171	0.28 416	0.25 370	0.19 382	0.23 349	0.37 518	0.16 387	0.20 434	0.15 367	0.07 262	0.05 203	0.07 218	0.06 207	0.07 280	0.06 222

z-ln-s-r	0.17 420	0.10 393	0.40 532	0.19 376	0.08 140	0.17 379	0.18 389	0.22 298	0.33 447	0.18 366	0.40 511	0.22 392	0.17 410	0.20 434	0.23 476	0.07 262	0.05 203	0.07 218	0.07 296	0.07 280	0.05 135

coex_refinement	0.14 333	0.07 158	0.12 204	0.17 236	0.10 361	0.15 328	0.15 243	0.26 375	0.29 415	0.18 366	0.20 309	0.22 392	0.17 410	0.16 341	0.18 416	0.08 324	0.05 203	0.06 119	0.06 207	0.09 406	0.08 367

ISRNet	0.18 434	0.08 259	0.19 433	0.19 376	0.13 466	0.15 328	0.12 71	0.30 441	0.32 440	0.21 419	0.25 391	0.27 448	0.17 410	0.17 373	0.20 435	0.20 550	0.08 430	0.14 510	0.14 511	0.14 508	0.17 542

rvit_105_1	0.19 446	0.11 419	0.25 479	0.21 463	0.16 514	0.21 453	0.27 532	0.31 451	0.41 499	0.19 382	0.20 309	0.22 392	0.17 410	0.19 409	0.17 398	0.12 479	0.12 507	0.13 498	0.15 527	0.08 343	0.07 303

DispNO	0.14 333	0.08 259	0.17 399	0.19 376	0.12 443	0.11 191	0.21 467	0.23 318	0.29 415	0.17 336	0.23 349	0.18 339	0.17 410	0.15 307	0.15 367	0.07 262	0.05 203	0.08 303	0.08 361	0.07 280	0.06 222

x	0.13 299	0.07 158	0.14 285	0.14 40	0.08 140	0.18 398	0.14 171	0.22 298	0.20 294	0.15 292	0.19 297	0.19 353	0.17 410	0.18 394	0.18 416	0.07 262	0.05 203	0.06 119	0.06 207	0.07 280	0.07 303

CRFU-Net	0.16 400	0.08 259	0.14 285	0.17 236	0.09 258	0.19 421	0.14 171	0.26 375	0.20 294	0.28 497	0.27 417	0.29 466	0.17 410	0.19 409	0.17 398	0.09 383	0.09 459	0.07 218	0.07 296	0.08 343	0.08 367

AACVNet	0.16 400	0.08 259	0.14 285	0.15 82	0.10 361	0.18 398	0.15 243	0.23 318	0.24 349	0.27 481	0.27 417	0.28 458	0.17 410	0.19 409	0.16 383	0.09 383	0.07 404	0.09 384	0.07 296	0.10 438	0.09 412

LMCR-Stereo	0.15 377	0.08 259	0.13 250	0.21 463	0.09 258	0.17 379	0.20 450	0.27 396	0.19 271	0.24 456	0.24 361	0.23 410	0.17 410	0.20 434	0.17 398	0.07 262	0.06 332	0.08 303	0.06 207	0.10 438	0.08 367

acv_ft	0.15 377	0.09 335	0.15 337	0.19 376	0.10 361	0.16 358	0.17 343	0.25 357	0.33 447	0.19 382	0.26 408	0.21 374	0.17 410	0.17 373	0.18 416	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.06 222

FADNet_RVC	0.16 400	0.14 478	0.40 532	0.20 434	0.11 411	0.13 270	0.13 118	0.26 375	0.22 323	0.21 419	0.23 349	0.20 365	0.17 410	0.14 285	0.16 383	0.08 324	0.08 430	0.12 483	0.09 408	0.11 461	0.10 439

CFNet	0.15 377	0.10 393	0.17 399	0.17 236	0.08 140	0.18 398	0.09 18	0.28 416	0.25 370	0.19 382	0.24 361	0.24 416	0.17 410	0.17 373	0.14 339	0.08 324	0.06 332	0.09 384	0.10 447	0.07 280	0.06 222

NLCA_NET_v2_RVC	0.17 420	0.10 393	0.22 461	0.20 434	0.10 361	0.15 328	0.18 389	0.31 451	0.25 370	0.21 419	0.30 449	0.25 430	0.17 410	0.21 451	0.20 435	0.09 383	0.06 332	0.08 303	0.08 361	0.07 280	0.08 367
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 420	0.12 437	0.15 337	0.20 434	0.09 258	0.18 398	0.18 389	0.26 375	0.23 333	0.26 475	0.40 511	0.22 392	0.17 410	0.21 451	0.20 435	0.08 324	0.05 203	0.09 384	0.10 447	0.07 280	0.07 303
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 458	0.12 437	0.19 433	0.20 434	0.14 486	0.26 500	0.23 488	0.32 462	0.34 459	0.27 481	0.34 477	0.30 475	0.18 424	0.18 394	0.22 464	0.10 425	0.13 520	0.10 432	0.10 447	0.08 343	0.09 412

YMNet_1	0.20 458	0.12 437	0.19 433	0.20 434	0.14 486	0.26 500	0.23 488	0.32 462	0.34 459	0.27 481	0.34 477	0.30 475	0.18 424	0.18 394	0.22 464	0.10 425	0.13 520	0.10 432	0.10 447	0.08 343	0.09 412

ssnet_v2	0.17 420	0.10 393	0.17 399	0.17 236	0.11 411	0.21 453	0.21 467	0.33 481	0.25 370	0.22 435	0.22 340	0.27 448	0.18 424	0.22 464	0.20 435	0.11 454	0.09 459	0.09 384	0.09 408	0.08 343	0.08 367

Wz-Net-LNSev	0.22 479	0.16 496	0.38 528	0.21 463	0.13 466	0.25 490	0.23 488	0.32 462	0.43 511	0.30 509	0.41 522	0.31 488	0.18 424	0.22 464	0.25 499	0.10 425	0.09 459	0.08 303	0.08 361	0.12 477	0.11 465

hknet	0.15 377	0.11 419	0.13 250	0.22 479	0.11 411	0.14 302	0.15 243	0.34 490	0.25 370	0.17 336	0.22 340	0.22 392	0.18 424	0.17 373	0.12 261	0.07 262	0.06 332	0.10 432	0.09 408	0.07 280	0.07 303

ADLNet2	0.16 400	0.09 335	0.13 250	0.16 160	0.09 258	0.20 436	0.16 309	0.31 451	0.39 490	0.16 320	0.20 309	0.20 365	0.18 424	0.21 451	0.22 464	0.08 324	0.06 332	0.07 218	0.07 296	0.09 406	0.07 303

ICVP	0.15 377	0.09 335	0.12 204	0.22 479	0.09 258	0.17 379	0.21 467	0.25 357	0.23 333	0.18 366	0.30 449	0.26 440	0.18 424	0.17 373	0.14 339	0.09 383	0.07 404	0.08 303	0.07 296	0.07 280	0.07 303
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 400	0.08 259	0.15 337	0.18 318	0.10 361	0.22 461	0.18 389	0.24 341	0.21 309	0.18 366	0.24 361	0.29 466	0.18 424	0.19 409	0.22 464	0.09 383	0.07 404	0.08 303	0.09 408	0.07 280	0.06 222

HGLStereo	0.17 420	0.08 259	0.19 433	0.17 236	0.12 443	0.18 398	0.18 389	0.31 451	0.32 440	0.21 419	0.32 461	0.25 430	0.18 424	0.19 409	0.20 435	0.09 383	0.09 459	0.07 218	0.07 296	0.09 406	0.10 439

DMCA	0.14 333	0.09 335	0.16 371	0.19 376	0.09 258	0.15 328	0.17 343	0.23 318	0.27 394	0.14 265	0.19 297	0.17 325	0.18 424	0.15 307	0.17 398	0.10 425	0.06 332	0.08 303	0.06 207	0.09 406	0.10 439

STTStereo	0.18 434	0.12 437	0.27 490	0.20 434	0.11 411	0.16 358	0.21 467	0.29 427	0.23 333	0.21 419	0.30 449	0.29 466	0.18 424	0.20 434	0.19 429	0.12 479	0.11 492	0.11 463	0.14 511	0.09 406	0.08 367

RASNet	0.14 333	0.07 158	0.14 285	0.16 160	0.08 140	0.18 398	0.14 171	0.29 427	0.20 294	0.17 336	0.25 391	0.21 374	0.18 424	0.20 434	0.19 429	0.07 262	0.06 332	0.06 119	0.08 361	0.06 212	0.06 222

TDLM	0.17 420	0.12 437	0.13 250	0.24 509	0.10 361	0.18 398	0.18 389	0.36 513	0.30 426	0.21 419	0.28 431	0.28 458	0.18 424	0.23 475	0.18 416	0.11 454	0.07 404	0.10 432	0.10 447	0.08 343	0.08 367

CVANet_RVC	0.18 434	0.10 393	0.14 285	0.21 463	0.10 361	0.18 398	0.17 343	0.34 490	0.33 447	0.22 435	0.31 457	0.28 458	0.18 424	0.23 475	0.17 398	0.12 479	0.08 430	0.12 483	0.11 479	0.09 406	0.07 303

DeepPruner_ROB	0.16 400	0.11 419	0.15 337	0.17 236	0.10 361	0.17 379	0.15 243	0.32 462	0.21 309	0.19 382	0.21 330	0.22 392	0.18 424	0.20 434	0.15 367	0.13 502	0.09 459	0.09 384	0.09 408	0.11 461	0.10 439

pmcnn	0.15 377	0.07 158	0.19 433	0.15 82	0.07 82	0.20 436	0.15 243	0.24 341	0.26 384	0.21 419	0.34 477	0.28 458	0.18 424	0.18 394	0.17 398	0.07 262	0.05 203	0.05 33	0.04 45	0.07 280	0.06 222

TCMNet	0.19 446	0.12 437	0.19 433	0.20 434	0.18 535	0.20 436	0.24 500	0.27 396	0.36 473	0.23 447	0.26 408	0.25 430	0.19 440	0.19 409	0.23 476	0.13 502	0.11 492	0.11 463	0.12 498	0.13 495	0.12 478

DualNet (step1)	0.16 400	0.12 437	0.20 445	0.12 4	0.14 486	0.17 379	0.13 118	0.27 396	0.23 333	0.20 405	0.20 309	0.24 416	0.19 440	0.16 341	0.16 383	0.15 520	0.06 332	0.14 510	0.14 511	0.14 508	0.12 478

test_sample9	0.18 434	0.12 437	0.20 445	0.12 4	0.14 486	0.17 379	0.13 118	0.27 396	0.23 333	0.20 405	0.20 309	0.24 416	0.19 440	0.19 409	0.17 398	0.15 520	0.30 570	0.14 510	0.14 511	0.14 508	0.12 478

test_sample7	0.15 377	0.10 393	0.16 371	0.14 40	0.11 411	0.16 358	0.16 309	0.27 396	0.23 333	0.20 405	0.20 309	0.24 416	0.19 440	0.16 341	0.16 383	0.12 479	0.06 332	0.10 432	0.09 408	0.10 438	0.10 439

Wz-Net-MNSev	0.22 479	0.13 466	0.31 508	0.20 434	0.14 486	0.36 546	0.24 500	0.33 481	0.44 516	0.28 497	0.40 511	0.38 522	0.19 440	0.24 484	0.25 499	0.09 383	0.07 404	0.09 384	0.09 408	0.12 477	0.10 439

pcwnet_v2	0.19 446	0.10 393	0.26 482	0.17 236	0.14 486	0.18 398	0.15 243	0.37 519	0.46 523	0.19 382	0.24 361	0.21 374	0.19 440	0.20 434	0.19 429	0.13 502	0.10 479	0.10 432	0.10 447	0.11 461	0.13 499

delet	0.17 420	0.08 259	0.17 399	0.19 376	0.11 411	0.20 436	0.21 467	0.30 441	0.37 480	0.17 336	0.26 408	0.19 353	0.19 440	0.19 409	0.21 455	0.08 324	0.08 430	0.09 384	0.11 479	0.06 212	0.06 222

UNet	0.17 420	0.09 335	0.18 422	0.19 376	0.12 443	0.27 510	0.19 429	0.33 481	0.29 415	0.21 419	0.24 361	0.23 410	0.19 440	0.19 409	0.18 416	0.07 262	0.06 332	0.08 303	0.07 296	0.08 343	0.06 222

UPFNet	0.16 400	0.08 259	0.12 204	0.20 434	0.12 443	0.20 436	0.23 488	0.28 416	0.26 384	0.17 336	0.24 361	0.22 392	0.19 440	0.19 409	0.21 455	0.09 383	0.07 404	0.08 303	0.09 408	0.08 343	0.06 222

NVstereo2D	0.19 446	0.10 393	0.15 337	0.17 236	0.15 504	0.28 518	0.23 488	0.44 552	0.42 506	0.15 292	0.27 417	0.25 430	0.19 440	0.22 464	0.17 398	0.09 383	0.06 332	0.10 432	0.08 361	0.15 523	0.09 412

StereoDRNet	0.18 434	0.11 419	0.17 399	0.22 479	0.11 411	0.21 453	0.22 477	0.37 519	0.33 447	0.24 456	0.28 431	0.30 475	0.19 440	0.20 434	0.20 435	0.09 383	0.08 430	0.11 463	0.09 408	0.09 406	0.07 303

SGM-Forest	0.20 458	0.14 478	0.18 422	0.19 376	0.13 466	0.20 436	0.22 477	0.33 481	0.30 426	0.24 456	0.29 443	0.28 458	0.19 440	0.23 475	0.17 398	0.15 520	0.16 538	0.15 522	0.14 511	0.12 477	0.12 478
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 434	0.11 419	0.19 433	0.19 376	0.12 443	0.24 479	0.21 467	0.25 357	0.34 459	0.22 435	0.34 477	0.27 448	0.20 452	0.21 451	0.23 476	0.09 383	0.09 459	0.08 303	0.10 447	0.08 343	0.07 303

IER	0.14 333	0.07 158	0.13 250	0.17 236	0.09 258	0.14 302	0.16 309	0.25 357	0.26 384	0.18 366	0.25 391	0.17 325	0.20 452	0.16 341	0.14 339	0.08 324	0.05 203	0.07 218	0.06 207	0.08 343	0.07 303

MMNet	0.17 420	0.09 335	0.16 371	0.20 434	0.11 411	0.27 510	0.20 450	0.25 357	0.41 499	0.22 435	0.30 449	0.21 374	0.20 452	0.17 373	0.20 435	0.06 122	0.06 332	0.07 218	0.07 296	0.08 343	0.07 303

GwcNet	0.20 458	0.13 466	0.19 433	0.18 318	0.12 443	0.24 479	0.19 429	0.35 506	0.43 511	0.20 405	0.32 461	0.33 501	0.20 452	0.22 464	0.24 489	0.11 454	0.09 459	0.09 384	0.09 408	0.09 406	0.10 439

DGSMNet	0.24 502	0.19 522	0.33 514	0.21 463	0.24 553	0.24 479	0.20 450	0.35 506	0.41 499	0.24 456	0.32 461	0.38 522	0.21 456	0.29 513	0.23 476	0.12 479	0.11 492	0.14 510	0.16 531	0.23 550	0.23 557

FADNet-RVC	0.20 458	0.20 526	0.38 528	0.21 463	0.16 514	0.20 436	0.15 243	0.26 375	0.26 384	0.26 475	0.32 461	0.26 440	0.21 456	0.22 464	0.19 429	0.12 479	0.13 520	0.12 483	0.14 511	0.13 495	0.18 545

FADNet	0.21 470	0.22 536	0.36 523	0.18 318	0.17 529	0.24 479	0.13 118	0.31 451	0.31 433	0.23 447	0.25 391	0.27 448	0.21 456	0.19 409	0.15 367	0.13 502	0.15 535	0.12 483	0.15 527	0.16 530	0.18 545

MaskLacGwcNet_RVC	0.22 479	0.21 532	0.24 474	0.26 526	0.11 411	0.23 474	0.14 171	0.39 531	0.24 349	0.32 521	0.36 485	0.30 475	0.21 456	0.19 409	0.21 455	0.17 541	0.14 529	0.21 545	0.16 531	0.12 477	0.12 478

SuperB	0.20 458	0.10 393	0.56 555	0.16 160	0.09 258	0.18 398	0.18 389	0.24 341	0.50 534	0.26 475	0.39 505	0.17 325	0.21 456	0.22 464	0.21 455	0.08 324	0.06 332	0.06 119	0.06 207	0.12 477	0.10 439

RTSC	0.23 495	0.12 437	0.28 495	0.21 463	0.13 466	0.28 518	0.16 309	0.35 506	0.66 567	0.27 481	0.33 473	0.30 475	0.21 456	0.31 517	0.29 529	0.10 425	0.08 430	0.09 384	0.10 447	0.13 495	0.13 499

AANet_RVC	0.16 400	0.10 393	0.10 125	0.18 318	0.09 258	0.18 398	0.19 429	0.26 375	0.31 433	0.22 435	0.35 482	0.21 374	0.21 456	0.22 464	0.16 383	0.06 122	0.05 203	0.06 119	0.06 207	0.07 280	0.06 222

DRN-Test	0.19 446	0.11 419	0.20 445	0.22 479	0.10 361	0.22 461	0.22 477	0.39 531	0.37 480	0.24 456	0.32 461	0.26 440	0.21 456	0.22 464	0.24 489	0.11 454	0.07 404	0.11 463	0.10 447	0.09 406	0.07 303

MDST_ROB	0.22 479	0.10 393	0.17 399	0.18 318	0.11 411	0.37 547	0.19 429	0.43 550	0.41 499	0.39 539	0.39 505	0.29 466	0.21 456	0.26 491	0.18 416	0.11 454	0.10 479	0.14 510	0.11 479	0.10 438	0.08 367

w-ln-seven-2	0.20 458	0.14 478	0.37 527	0.22 479	0.12 443	0.20 436	0.21 467	0.28 416	0.37 480	0.25 469	0.37 491	0.27 448	0.22 465	0.21 451	0.23 476	0.08 324	0.08 430	0.09 384	0.09 408	0.10 438	0.09 412

w-ln-seven	0.24 502	0.14 478	0.55 552	0.19 376	0.14 486	0.26 500	0.22 477	0.35 506	0.60 556	0.29 505	0.39 505	0.30 475	0.22 465	0.21 451	0.26 511	0.09 383	0.09 459	0.11 463	0.10 447	0.11 461	0.10 439

SQANet	0.23 495	0.23 537	0.30 506	0.30 551	0.19 538	0.27 510	0.13 118	0.29 427	0.33 447	0.24 456	0.37 491	0.31 488	0.22 465	0.27 494	0.23 476	0.15 520	0.10 479	0.21 545	0.16 531	0.21 546	0.15 523

SACVNet	0.18 434	0.12 437	0.14 285	0.17 236	0.13 466	0.22 461	0.18 389	0.31 451	0.30 426	0.23 447	0.31 457	0.30 475	0.22 465	0.22 464	0.17 398	0.11 454	0.08 430	0.10 432	0.10 447	0.12 477	0.14 516

FINET	0.21 470	0.18 519	0.26 482	0.18 318	0.16 514	0.23 474	0.23 488	0.32 462	0.48 525	0.25 469	0.32 461	0.22 392	0.22 465	0.22 464	0.17 398	0.18 543	0.16 538	0.11 463	0.10 447	0.15 523	0.13 499

hitnet-ft	0.18 434	0.09 335	0.17 399	0.14 40	0.09 258	0.26 500	0.20 450	0.25 357	0.26 384	0.24 456	0.32 461	0.31 488	0.22 465	0.24 484	0.21 455	0.12 479	0.07 404	0.10 432	0.08 361	0.12 477	0.11 465

ADCP+	0.20 458	0.10 393	0.33 514	0.20 434	0.12 443	0.22 461	0.26 525	0.31 451	0.34 459	0.26 475	0.37 491	0.22 392	0.22 465	0.27 494	0.27 519	0.09 383	0.06 332	0.08 303	0.08 361	0.09 406	0.10 439

PSMNet_ROB	0.21 470	0.11 419	0.15 337	0.27 538	0.15 504	0.24 479	0.35 564	0.43 550	0.37 480	0.27 481	0.32 461	0.32 498	0.22 465	0.21 451	0.26 511	0.12 479	0.08 430	0.13 498	0.11 479	0.09 406	0.09 412

ADCRef	0.19 446	0.12 437	0.41 535	0.20 434	0.12 443	0.22 461	0.18 389	0.32 462	0.36 473	0.26 475	0.32 461	0.17 325	0.23 473	0.24 484	0.24 489	0.07 262	0.06 332	0.09 384	0.09 408	0.08 343	0.08 367

RYNet	0.22 479	0.12 437	0.22 461	0.19 376	0.17 529	0.46 555	0.26 525	0.38 527	0.48 525	0.24 456	0.28 431	0.34 507	0.23 473	0.20 434	0.30 534	0.10 425	0.06 332	0.09 384	0.09 408	0.13 495	0.15 523

NaN_ROB	0.22 479	0.19 522	0.24 474	0.25 521	0.13 466	0.29 522	0.26 525	0.33 481	0.41 499	0.31 515	0.31 457	0.32 498	0.23 473	0.30 516	0.21 455	0.11 454	0.17 543	0.10 432	0.10 447	0.08 343	0.09 412

NOSS_ROB	0.19 446	0.12 437	0.18 422	0.16 160	0.12 443	0.15 328	0.12 71	0.30 441	0.32 440	0.20 405	0.22 340	0.27 448	0.23 473	0.21 451	0.16 383	0.16 536	0.18 545	0.23 550	0.21 547	0.12 477	0.13 499

DispFullNet	0.27 526	0.21 532	0.65 564	0.28 541	0.16 514	0.26 500	0.17 343	0.33 481	0.58 552	0.27 481	0.38 497	0.43 542	0.23 473	0.38 549	0.23 476	0.12 479	0.06 332	0.19 542	0.11 479	0.21 546	0.15 523

CBMV	0.19 446	0.14 478	0.17 399	0.18 318	0.10 361	0.20 436	0.11 51	0.29 427	0.30 426	0.29 505	0.30 449	0.30 475	0.23 473	0.27 494	0.19 429	0.13 502	0.15 535	0.17 531	0.16 531	0.10 438	0.10 439
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.24 502	0.14 478	0.45 539	0.19 376	0.13 466	0.28 518	0.25 516	0.34 490	0.62 559	0.27 481	0.56 554	0.29 466	0.24 479	0.32 524	0.25 499	0.08 324	0.08 430	0.08 303	0.08 361	0.10 438	0.10 439

ToySt	0.17 420	0.11 419	0.18 422	0.17 236	0.11 411	0.16 358	0.25 516	0.24 341	0.33 447	0.19 382	0.24 361	0.26 440	0.24 479	0.19 409	0.20 435	0.07 262	0.08 430	0.09 384	0.10 447	0.09 406	0.08 367

WZ-Net	0.28 530	0.17 507	0.78 580	0.22 479	0.16 514	0.34 537	0.29 547	0.39 531	0.57 549	0.24 456	0.55 549	0.37 518	0.24 479	0.33 527	0.35 549	0.09 383	0.08 430	0.09 384	0.10 447	0.14 508	0.16 534

psm_up	0.18 434	0.10 393	0.18 422	0.20 434	0.11 411	0.17 379	0.19 429	0.37 519	0.34 459	0.21 419	0.28 431	0.29 466	0.24 479	0.20 434	0.22 464	0.09 383	0.10 479	0.11 463	0.11 479	0.08 343	0.08 367

RP	0.21 470	0.13 466	0.21 454	0.23 500	0.11 411	0.21 453	0.20 450	0.25 357	0.44 516	0.21 419	0.38 497	0.36 513	0.24 479	0.27 494	0.25 499	0.11 454	0.12 507	0.13 498	0.12 498	0.12 477	0.14 516

PS-NSSS	0.20 458	0.21 532	0.23 470	0.20 434	0.10 361	0.19 421	0.17 343	0.36 513	0.25 370	0.27 481	0.33 473	0.27 448	0.24 479	0.20 434	0.20 435	0.15 520	0.12 507	0.17 531	0.14 511	0.10 438	0.08 367

CBMV_ROB	0.19 446	0.13 466	0.17 399	0.16 160	0.11 411	0.15 328	0.13 118	0.26 375	0.28 408	0.27 481	0.30 449	0.27 448	0.24 479	0.23 475	0.16 383	0.15 520	0.17 543	0.22 549	0.20 545	0.10 438	0.11 465

DLCB_ROB	0.18 434	0.10 393	0.15 337	0.23 500	0.11 411	0.24 479	0.18 389	0.29 427	0.28 408	0.27 481	0.28 431	0.28 458	0.24 479	0.19 409	0.20 435	0.08 324	0.08 430	0.09 384	0.09 408	0.07 280	0.07 303

PWC_ROB	0.21 470	0.16 496	0.26 482	0.18 318	0.11 411	0.22 461	0.13 118	0.32 462	0.49 531	0.30 509	0.40 511	0.32 498	0.24 479	0.31 517	0.22 464	0.10 425	0.07 404	0.11 463	0.08 361	0.11 461	0.10 439

zh-mn7	0.25 514	0.14 478	0.56 555	0.19 376	0.14 486	0.24 479	0.22 477	0.34 490	0.62 559	0.35 528	0.65 562	0.31 488	0.25 488	0.31 517	0.25 499	0.09 383	0.08 430	0.09 384	0.09 408	0.09 406	0.11 465

PSMNet-RUCA	0.27 526	0.33 561	0.41 535	0.36 561	0.32 568	0.18 398	0.19 429	0.42 546	0.30 426	0.33 525	0.41 522	0.39 530	0.25 488	0.31 517	0.20 435	0.18 543	0.10 479	0.25 552	0.15 527	0.21 546	0.16 534

test_sample8	0.19 446	0.12 437	0.20 445	0.12 4	0.14 486	0.17 379	0.13 118	0.31 451	0.21 309	0.27 481	0.22 340	0.36 513	0.25 488	0.19 409	0.17 398	0.15 520	0.30 570	0.14 510	0.14 511	0.14 508	0.12 478

HBP-ISP	0.18 434	0.13 466	0.16 371	0.15 82	0.11 411	0.08 57	0.13 118	0.28 416	0.29 415	0.22 435	0.33 473	0.21 374	0.25 488	0.23 475	0.17 398	0.14 516	0.16 538	0.21 545	0.17 539	0.10 438	0.08 367

DDUNet	0.22 479	0.17 507	0.21 454	0.22 479	0.15 504	0.25 490	0.24 500	0.29 427	0.30 426	0.31 515	0.36 485	0.33 501	0.25 488	0.24 484	0.20 435	0.18 543	0.13 520	0.17 531	0.11 479	0.16 530	0.16 534

Syn2CoEx	0.21 470	0.16 496	0.27 490	0.29 549	0.14 486	0.26 500	0.20 450	0.33 481	0.31 433	0.28 497	0.36 485	0.27 448	0.25 488	0.19 409	0.24 489	0.16 536	0.12 507	0.14 510	0.11 479	0.09 406	0.08 367

Wz-Net-SNSev	0.25 514	0.17 507	0.44 538	0.25 521	0.14 486	0.26 500	0.23 488	0.38 527	0.56 547	0.30 509	0.55 549	0.39 530	0.26 494	0.23 475	0.30 534	0.10 425	0.09 459	0.09 384	0.10 447	0.11 461	0.11 465

AF-Net	0.22 479	0.17 507	0.17 399	0.26 526	0.13 466	0.25 490	0.24 500	0.32 462	0.50 534	0.25 469	0.33 473	0.38 522	0.26 494	0.28 506	0.25 499	0.11 454	0.10 479	0.16 528	0.11 479	0.11 461	0.10 439

PA-Net	0.23 495	0.18 519	0.33 514	0.28 541	0.22 547	0.21 453	0.38 569	0.29 427	0.39 490	0.22 435	0.32 461	0.25 430	0.26 494	0.20 434	0.25 499	0.09 383	0.23 564	0.15 522	0.22 550	0.09 406	0.13 499
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 446	0.09 335	0.22 461	0.17 236	0.10 361	0.25 490	0.18 389	0.27 396	0.44 516	0.22 435	0.31 457	0.33 501	0.26 494	0.28 506	0.28 526	0.08 324	0.06 332	0.07 218	0.07 296	0.09 406	0.09 412

SANet	0.24 502	0.14 478	0.28 495	0.21 463	0.11 411	0.27 510	0.24 500	0.38 527	0.64 563	0.36 531	0.40 511	0.43 542	0.26 494	0.27 494	0.24 489	0.12 479	0.09 459	0.10 432	0.09 408	0.13 495	0.11 465

XPNet_ROB	0.22 479	0.11 419	0.19 433	0.22 479	0.13 466	0.22 461	0.19 429	0.34 490	0.40 496	0.30 509	0.39 505	0.39 530	0.26 494	0.26 491	0.28 526	0.15 520	0.10 479	0.10 432	0.10 447	0.13 495	0.12 478

ETE_ROB	0.23 495	0.17 507	0.22 461	0.25 521	0.13 466	0.26 500	0.29 547	0.31 451	0.36 473	0.28 497	0.36 485	0.45 546	0.26 494	0.27 494	0.26 511	0.11 454	0.08 430	0.12 483	0.09 408	0.14 508	0.13 499

LALA_ROB	0.25 514	0.16 496	0.22 461	0.26 526	0.17 529	0.27 510	0.27 532	0.42 546	0.37 480	0.33 525	0.38 497	0.51 557	0.26 494	0.28 506	0.27 519	0.16 536	0.09 459	0.12 483	0.11 479	0.13 495	0.12 478

FSD	0.25 514	0.27 549	0.26 482	0.24 509	0.22 547	0.25 490	0.25 516	0.27 396	0.26 384	0.25 469	0.26 408	0.25 430	0.27 502	0.27 494	0.24 489	0.21 554	0.20 551	0.27 556	0.26 557	0.25 558	0.24 558

MSAF-DinoV2	0.22 479	0.11 419	0.23 470	0.17 236	0.10 361	0.27 510	0.16 309	0.37 519	0.55 544	0.21 419	0.27 417	0.47 553	0.27 502	0.35 536	0.39 558	0.09 383	0.06 332	0.07 218	0.09 408	0.12 477	0.10 439

ACVNet-4b	0.39 552	0.53 573	0.55 552	0.45 569	0.24 553	0.47 557	0.18 389	0.49 562	0.64 563	0.42 549	0.45 534	0.60 565	0.27 502	0.34 530	0.24 489	0.33 571	0.14 529	0.48 574	0.42 575	0.30 566	0.26 566

Anonymous_2	0.22 479	0.17 507	0.28 495	0.15 82	0.16 514	0.32 528	0.22 477	0.22 298	0.17 229	0.23 447	0.24 361	0.26 440	0.27 502	0.27 494	0.23 476	0.22 559	0.25 566	0.17 531	0.17 539	0.17 537	0.17 542

UDG	0.21 470	0.17 507	0.19 433	0.23 500	0.15 504	0.30 525	0.20 450	0.33 481	0.35 468	0.23 447	0.28 431	0.31 488	0.27 502	0.20 434	0.22 464	0.15 520	0.12 507	0.13 498	0.09 408	0.14 508	0.14 516

aanetorigin	0.22 479	0.17 507	0.56 555	0.17 236	0.10 361	0.15 328	0.19 429	0.20 252	0.33 447	0.49 559	0.48 538	0.29 466	0.27 502	0.20 434	0.23 476	0.08 324	0.07 404	0.08 303	0.07 296	0.10 438	0.09 412

DMCA-RVC	0.17 420	0.10 393	0.15 337	0.24 509	0.11 411	0.18 398	0.18 389	0.25 357	0.24 349	0.21 419	0.26 408	0.25 430	0.27 502	0.18 394	0.20 435	0.12 479	0.08 430	0.13 498	0.10 447	0.10 438	0.08 367

RGC	0.25 514	0.20 526	0.29 503	0.28 541	0.16 514	0.22 461	0.23 488	0.32 462	0.44 516	0.27 481	0.40 511	0.38 522	0.27 502	0.36 542	0.22 464	0.11 454	0.13 520	0.17 531	0.17 539	0.14 508	0.16 534

stereogan	0.22 479	0.11 419	0.21 454	0.20 434	0.12 443	0.31 527	0.19 429	0.35 506	0.44 516	0.22 435	0.39 505	0.35 511	0.27 502	0.33 527	0.22 464	0.10 425	0.12 507	0.10 432	0.10 447	0.14 508	0.13 499

FBW_ROB	0.24 502	0.17 507	0.22 461	0.26 526	0.14 486	0.25 490	0.22 477	0.41 541	0.41 499	0.41 546	0.41 522	0.42 538	0.27 502	0.31 517	0.23 476	0.09 383	0.14 529	0.14 510	0.12 498	0.11 461	0.09 412

NCC-stereo	0.24 502	0.15 488	0.31 508	0.26 526	0.16 514	0.20 436	0.30 554	0.40 535	0.40 496	0.24 456	0.38 497	0.33 501	0.28 512	0.36 542	0.27 519	0.12 479	0.11 492	0.15 522	0.22 550	0.13 495	0.13 499

Nwc_Net	0.23 495	0.16 496	0.21 454	0.25 521	0.14 486	0.24 479	0.26 525	0.37 519	0.38 487	0.22 435	0.41 522	0.30 475	0.28 512	0.28 506	0.25 499	0.11 454	0.10 479	0.17 531	0.20 545	0.10 438	0.10 439

Abc-Net	0.24 502	0.15 488	0.31 508	0.26 526	0.16 514	0.20 436	0.30 554	0.40 535	0.40 496	0.24 456	0.38 497	0.33 501	0.28 512	0.36 542	0.27 519	0.12 479	0.11 492	0.15 522	0.22 550	0.13 495	0.13 499
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 524	0.15 488	0.30 506	0.24 509	0.18 535	0.22 461	0.15 243	0.38 527	0.71 571	0.32 521	0.41 522	0.36 513	0.28 512	0.32 524	0.29 529	0.12 479	0.11 492	0.14 510	0.13 508	0.16 530	0.20 551

DeepPrunerF	0.24 502	0.17 507	0.42 537	0.26 526	0.16 514	0.22 461	0.28 538	0.37 519	0.50 534	0.26 475	0.29 443	0.24 416	0.28 512	0.21 451	0.22 464	0.15 520	0.11 492	0.20 544	0.18 543	0.12 477	0.13 499

ADCPNet	0.25 514	0.16 496	0.61 561	0.21 463	0.15 504	0.35 545	0.25 516	0.32 462	0.35 468	0.30 509	0.40 511	0.36 513	0.28 512	0.28 506	0.32 542	0.12 479	0.10 479	0.11 463	0.12 498	0.14 508	0.13 499

GANet	0.21 470	0.12 437	0.21 454	0.24 509	0.13 466	0.22 461	0.22 477	0.41 541	0.26 384	0.31 515	0.42 528	0.37 518	0.28 512	0.23 475	0.22 464	0.10 425	0.12 507	0.10 432	0.09 408	0.10 438	0.08 367

NCCL2	0.23 495	0.15 488	0.17 399	0.34 557	0.18 535	0.24 479	0.23 488	0.34 490	0.28 408	0.31 515	0.38 497	0.38 522	0.28 512	0.23 475	0.24 489	0.15 520	0.12 507	0.18 540	0.21 547	0.13 495	0.13 499

APVNet	0.22 479	0.12 437	0.19 433	0.18 318	0.14 486	0.32 528	0.31 560	0.39 531	0.32 440	0.27 481	0.40 511	0.30 475	0.29 520	0.26 491	0.25 499	0.11 454	0.12 507	0.11 463	0.14 511	0.12 477	0.12 478

G-Net	0.24 502	0.16 496	0.36 523	0.22 479	0.16 514	0.51 561	0.23 488	0.29 427	0.34 459	0.36 531	0.38 497	0.31 488	0.29 520	0.27 494	0.26 511	0.11 454	0.09 459	0.12 483	0.09 408	0.16 530	0.13 499

DPSNet	0.28 530	0.16 496	0.31 508	0.18 318	0.13 466	0.54 563	0.42 573	0.51 566	0.67 568	0.29 505	0.38 497	0.38 522	0.29 520	0.31 517	0.23 476	0.11 454	0.10 479	0.11 463	0.08 361	0.20 545	0.16 534

PDISCO_ROB	0.27 526	0.16 496	0.26 482	0.28 541	0.20 541	0.32 528	0.26 525	0.44 552	0.57 549	0.28 497	0.40 511	0.45 546	0.29 520	0.33 527	0.34 548	0.12 479	0.09 459	0.17 531	0.16 531	0.17 537	0.13 499

ccnet	0.29 534	0.28 554	0.23 470	0.20 434	0.28 562	0.41 554	0.21 467	0.45 555	0.33 447	0.36 531	0.46 535	0.36 513	0.30 524	0.39 553	0.42 565	0.23 563	0.14 529	0.21 545	0.17 539	0.23 550	0.18 545

S-Stereo	0.20 458	0.12 437	0.25 479	0.21 463	0.13 466	0.20 436	0.18 389	0.32 462	0.43 511	0.23 447	0.36 485	0.28 458	0.30 524	0.19 409	0.22 464	0.09 383	0.12 507	0.10 432	0.10 447	0.13 495	0.13 499

XQC	0.28 530	0.23 537	0.51 547	0.28 541	0.19 538	0.34 537	0.27 532	0.36 513	0.57 549	0.31 515	0.30 449	0.37 518	0.30 524	0.38 549	0.38 556	0.13 502	0.09 459	0.15 522	0.12 498	0.17 537	0.18 545

ADCL	0.24 502	0.11 419	0.47 544	0.22 479	0.12 443	0.34 537	0.29 547	0.29 427	0.56 547	0.24 456	0.46 535	0.30 475	0.30 524	0.29 513	0.29 529	0.08 324	0.07 404	0.09 384	0.09 408	0.10 438	0.10 439

zh-sn7	0.25 514	0.17 507	0.50 546	0.24 509	0.13 466	0.25 490	0.24 500	0.34 490	0.48 525	0.28 497	0.54 547	0.28 458	0.31 528	0.36 542	0.32 542	0.10 425	0.10 479	0.11 463	0.10 447	0.12 477	0.12 478

MFN_U_SF_DS_RVC	0.30 540	0.24 540	0.29 503	0.36 561	0.16 514	0.34 537	0.30 554	0.32 462	0.42 506	0.40 542	0.46 535	0.38 522	0.31 528	0.34 530	0.28 526	0.19 548	0.20 551	0.26 553	0.29 564	0.18 541	0.19 550

STTRV1_RVC	0.25 514	0.26 546	0.39 530	0.19 376	0.26 560	0.30 525	0.24 500	0.34 490	0.35 468	0.36 531	0.34 477	0.31 488	0.31 528	0.28 506	0.25 499	0.17 541	0.10 479	0.16 528	0.14 511	0.17 537	0.12 478

CC-Net-ROB	0.28 530	0.31 559	0.36 523	0.29 549	0.15 504	0.25 490	0.19 429	0.45 555	0.33 447	0.39 539	0.37 491	0.39 530	0.31 528	0.27 494	0.26 511	0.24 565	0.19 548	0.30 566	0.23 554	0.18 541	0.15 523

DANet	0.21 470	0.15 488	0.28 495	0.25 521	0.13 466	0.22 461	0.19 429	0.27 396	0.27 394	0.28 497	0.32 461	0.35 511	0.31 528	0.31 517	0.23 476	0.11 454	0.09 459	0.11 463	0.10 447	0.13 495	0.11 465
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 458	0.12 437	0.22 461	0.21 463	0.12 443	0.17 379	0.18 389	0.34 490	0.39 490	0.27 481	0.37 491	0.34 507	0.32 533	0.21 451	0.20 435	0.09 383	0.11 492	0.10 432	0.09 408	0.11 461	0.14 516

otaku	0.39 552	0.37 566	0.52 548	0.44 568	0.28 562	0.58 565	0.24 500	0.41 541	0.62 559	0.40 542	0.49 539	0.46 550	0.33 534	0.40 557	0.32 542	0.30 568	0.30 570	0.39 570	0.33 569	0.29 565	0.28 567

AnyNet_C32	0.26 524	0.16 496	0.36 523	0.20 434	0.16 514	0.25 490	0.30 554	0.32 462	0.44 516	0.31 515	0.49 539	0.30 475	0.33 534	0.40 557	0.33 546	0.12 479	0.12 507	0.12 483	0.14 511	0.14 508	0.15 523

GANetREF_RVC	0.31 541	0.34 563	0.27 490	0.35 559	0.16 514	0.32 528	0.41 570	0.48 560	0.51 541	0.35 528	0.35 482	0.34 507	0.33 534	0.39 553	0.32 542	0.27 567	0.20 551	0.29 564	0.15 527	0.18 541	0.17 542
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
CSAN	0.29 534	0.24 540	0.27 490	0.34 557	0.19 538	0.33 534	0.42 573	0.37 519	0.50 534	0.38 537	0.40 511	0.44 544	0.33 534	0.28 506	0.30 534	0.20 550	0.16 538	0.19 542	0.19 544	0.14 508	0.15 523

PASM	0.32 543	0.24 540	0.48 545	0.28 541	0.27 561	0.29 522	0.30 554	0.34 490	0.49 531	0.35 528	0.39 505	0.46 550	0.34 538	0.34 530	0.35 549	0.23 563	0.25 566	0.26 553	0.28 563	0.23 550	0.21 553

WCMA_ROB	0.24 502	0.11 419	0.22 461	0.17 236	0.14 486	0.32 528	0.15 243	0.32 462	0.32 440	0.38 537	0.53 545	0.40 535	0.34 538	0.34 530	0.25 499	0.11 454	0.12 507	0.12 483	0.10 447	0.14 508	0.14 516

NLCSM	0.24 502	0.17 507	0.21 454	0.21 463	0.23 550	0.27 510	0.17 343	0.45 555	0.29 415	0.27 481	0.24 361	0.39 530	0.35 540	0.46 562	0.48 572	0.09 383	0.11 492	0.11 463	0.16 531	0.11 461	0.12 478

edge stereo	0.22 479	0.13 466	0.20 445	0.21 463	0.13 466	0.23 474	0.16 309	0.32 462	0.42 506	0.32 521	0.40 511	0.38 522	0.35 540	0.25 489	0.24 489	0.13 502	0.11 492	0.14 510	0.11 479	0.12 477	0.13 499

SGM_RVC	0.23 495	0.12 437	0.15 337	0.15 82	0.09 258	0.33 534	0.18 389	0.34 490	0.31 433	0.44 554	0.37 491	0.53 561	0.35 540	0.35 536	0.24 489	0.13 502	0.13 520	0.13 498	0.13 508	0.10 438	0.11 465
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 534	0.18 519	0.45 539	0.21 463	0.17 529	0.28 518	0.23 488	0.41 541	0.63 562	0.40 542	0.49 539	0.40 535	0.36 543	0.39 553	0.40 561	0.13 502	0.12 507	0.13 498	0.14 511	0.16 530	0.16 534

LSM	0.33 546	0.20 526	0.58 558	0.26 526	0.60 585	0.34 537	0.25 516	0.42 546	0.48 525	0.45 555	0.58 559	0.42 538	0.36 543	0.35 536	0.25 499	0.12 479	0.20 551	0.14 510	0.16 531	0.19 544	0.33 573

psmorigin	0.25 514	0.15 488	0.34 522	0.17 236	0.13 466	0.23 474	0.14 171	0.34 490	0.33 447	0.41 546	0.55 549	0.41 537	0.37 545	0.34 530	0.27 519	0.11 454	0.15 535	0.11 463	0.11 479	0.12 477	0.16 534

Wz-Net-TNSev	0.29 534	0.20 526	0.65 564	0.19 376	0.15 504	0.38 550	0.27 532	0.35 506	0.55 544	0.34 527	0.42 528	0.45 546	0.38 546	0.32 524	0.30 534	0.12 479	0.13 520	0.10 432	0.12 498	0.15 523	0.14 516

AnyNet_C01	0.36 550	0.25 545	1.37 592	0.22 479	0.17 529	0.48 559	0.27 532	0.35 506	0.39 490	0.39 539	0.74 572	0.46 550	0.38 546	0.45 561	0.47 570	0.13 502	0.13 520	0.13 498	0.14 511	0.14 508	0.15 523

EDNetEfficient	0.29 534	0.24 540	1.13 589	0.18 318	0.10 361	0.19 421	0.20 450	0.20 252	0.60 556	0.74 579	0.56 554	0.31 488	0.39 548	0.22 464	0.30 534	0.09 383	0.07 404	0.08 303	0.07 296	0.11 461	0.09 412

MFN_U_SF_RVC	0.32 543	0.21 532	0.55 552	0.30 551	0.15 504	0.34 537	0.17 343	0.52 567	0.46 523	0.46 558	0.55 549	0.59 564	0.39 548	0.35 536	0.37 554	0.15 520	0.14 529	0.18 540	0.21 547	0.16 530	0.15 523

SAMSARA	0.40 555	0.28 554	0.33 514	0.55 575	0.39 569	0.82 585	1.23 600	0.47 559	0.51 541	0.36 531	0.35 482	0.55 563	0.39 548	0.38 549	0.39 558	0.15 520	0.20 551	0.15 522	0.14 511	0.23 550	0.20 551

FC-DCNN v2	0.33 546	0.27 549	0.28 495	0.26 526	0.23 550	0.37 547	0.28 538	0.40 535	0.43 511	0.45 555	0.56 554	0.51 557	0.40 551	0.37 547	0.29 529	0.21 554	0.20 551	0.27 556	0.26 557	0.25 558	0.24 558

ADCMid	0.25 514	0.15 488	0.40 532	0.20 434	0.14 486	0.25 490	0.26 525	0.34 490	0.38 487	0.36 531	0.44 533	0.34 507	0.40 551	0.35 536	0.33 546	0.10 425	0.09 459	0.11 463	0.11 479	0.13 495	0.12 478

FC-DCNN	0.33 546	0.27 549	0.28 495	0.26 526	0.23 550	0.37 547	0.28 538	0.40 535	0.43 511	0.45 555	0.55 549	0.51 557	0.40 551	0.37 547	0.30 534	0.21 554	0.20 551	0.27 556	0.26 557	0.25 558	0.24 558

MSMD_ROB	0.31 541	0.26 546	0.26 482	0.24 509	0.21 545	0.34 537	0.25 516	0.34 490	0.39 490	0.40 542	0.69 566	0.45 546	0.40 551	0.34 530	0.27 519	0.20 550	0.19 548	0.26 553	0.25 556	0.23 550	0.22 555

MeshStereo	0.27 526	0.13 466	0.18 422	0.15 82	0.11 411	0.32 528	0.24 500	0.40 535	0.36 473	0.52 561	0.57 557	0.67 572	0.40 551	0.35 536	0.26 511	0.14 516	0.13 520	0.13 498	0.11 479	0.11 461	0.10 439
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
FCDSN-DC	0.33 546	0.28 554	0.28 495	0.30 551	0.24 553	0.39 551	0.28 538	0.42 546	0.42 506	0.43 552	0.53 545	0.51 557	0.41 556	0.36 542	0.30 534	0.21 554	0.20 551	0.27 556	0.26 557	0.25 558	0.24 558
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 562	0.19 522	3.26 599	0.24 509	0.15 504	0.74 578	0.20 450	0.36 513	0.76 578	0.42 549	0.43 531	0.31 488	0.41 556	0.53 571	0.35 549	0.10 425	0.08 430	0.13 498	0.12 498	0.15 523	0.15 523

RTSA	0.45 562	0.19 522	3.26 599	0.24 509	0.15 504	0.74 578	0.20 450	0.36 513	0.76 578	0.42 549	0.43 531	0.31 488	0.41 556	0.53 571	0.35 549	0.10 425	0.08 430	0.13 498	0.12 498	0.15 523	0.15 523

Ntro	0.40 555	0.40 568	0.53 549	0.46 572	0.30 566	0.65 571	0.24 500	0.46 558	0.68 569	0.41 546	0.49 539	0.48 555	0.42 559	0.39 553	0.31 541	0.32 570	0.28 568	0.37 569	0.30 566	0.32 570	0.29 568

SGM-ForestM	0.32 543	0.12 437	0.16 371	0.16 160	0.11 411	0.39 551	0.19 429	0.41 541	0.50 534	0.52 561	0.54 547	1.32 592	0.42 559	0.40 557	0.27 519	0.14 516	0.16 538	0.16 528	0.16 531	0.12 477	0.12 478

LE_ROB	0.50 567	0.07 158	0.14 285	0.15 82	0.08 140	0.24 479	0.16 309	0.22 298	1.81 602	4.63 606	0.67 564	0.47 553	0.44 561	0.20 434	0.29 529	0.07 262	0.06 332	0.06 119	0.06 207	0.08 343	0.06 222

coex-ft	3.30 598	0.34 563	59.09 626	0.18 318	0.13 466	0.26 500	0.22 477	0.27 396	0.72 572	1.90 603	0.70 568	0.44 544	0.45 562	0.29 513	0.41 564	0.09 383	0.09 459	0.12 483	0.09 408	0.14 508	0.13 499

RainbowNet	0.54 570	0.61 577	0.70 578	0.57 576	0.43 573	0.65 571	0.37 568	0.60 576	0.87 582	0.50 560	0.66 563	0.64 568	0.47 563	0.49 564	0.43 568	0.47 579	0.48 584	0.52 578	0.41 574	0.52 576	0.40 579

Consistency-Raft	0.44 560	0.40 568	0.45 539	0.37 563	0.43 573	0.46 555	0.41 570	0.57 574	0.55 544	0.32 521	0.73 570	0.33 501	0.48 564	0.42 560	0.49 573	0.39 573	0.35 575	0.45 573	0.51 582	0.42 573	0.29 568

ACVNet_1	0.44 560	0.49 572	0.60 560	0.45 569	0.28 562	0.49 560	0.27 532	0.57 574	0.72 572	0.62 568	0.58 559	0.74 576	0.49 565	0.50 565	0.35 549	0.26 566	0.24 565	0.39 570	0.29 564	0.31 569	0.24 558

EDNetEfficientorigin	7.91 606	0.31 559	153.02 627	0.19 376	0.09 258	0.21 453	0.16 309	0.22 298	0.59 553	0.72 575	0.67 564	0.42 538	0.50 566	0.24 484	0.39 558	0.08 324	0.07 404	0.08 303	0.07 296	0.12 477	0.10 439

TCMNet-wrong-test	3.67 600	5.48 613	3.89 603	12.18 613	11.75 614	4.65 602	3.88 604	1.06 597	0.72 572	1.09 595	2.15 603	6.30 609	0.53 567	3.43 606	2.36 603	0.89 598	0.20 551	1.87 606	1.69 605	5.57 610	3.62 611

MSC_U_SF_DS_RVC	0.43 559	0.39 567	0.54 550	0.40 564	0.20 541	0.64 570	0.32 562	0.53 569	0.72 572	0.71 573	0.72 569	0.61 566	0.54 568	0.51 567	0.46 569	0.20 550	0.19 548	0.29 564	0.30 566	0.23 550	0.18 545

ELAS_RVC	0.41 557	0.29 557	0.33 514	0.28 541	0.24 553	0.54 563	0.36 565	0.49 562	0.59 553	0.72 575	0.74 572	0.65 570	0.54 568	0.54 573	0.40 561	0.22 559	0.20 551	0.27 556	0.26 557	0.26 563	0.25 564
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 557	0.29 557	0.33 514	0.27 538	0.24 553	0.60 568	0.36 565	0.50 565	0.50 534	0.71 573	0.79 576	0.67 572	0.54 568	0.51 567	0.42 565	0.22 559	0.20 551	0.27 556	0.26 557	0.26 563	0.25 564
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 569	0.58 575	0.65 564	0.41 566	0.61 586	0.53 562	0.41 570	0.56 572	0.41 499	0.55 565	0.50 543	0.49 556	0.55 571	0.58 576	0.50 576	0.58 585	0.50 588	0.51 576	0.51 582	0.51 575	0.57 584

SGM+DAISY	0.56 571	0.57 574	0.65 564	0.40 564	0.54 578	0.66 573	0.49 577	0.56 572	0.45 522	0.66 569	0.69 566	0.67 572	0.56 572	0.63 578	0.56 578	0.59 586	0.48 584	0.50 575	0.50 581	0.52 576	0.58 585

MonStereo1	0.47 566	0.26 546	0.58 558	0.28 541	0.20 541	0.39 551	0.18 389	0.49 562	0.64 563	0.52 561	0.87 579	1.01 581	0.57 573	0.50 565	0.56 578	0.53 582	0.31 573	0.54 580	0.40 573	0.33 571	0.34 574

SPS-STEREO	0.57 572	0.58 575	0.65 564	0.45 569	0.55 580	0.62 569	0.44 576	0.62 577	0.50 534	0.68 571	0.64 561	0.66 571	0.57 573	0.61 577	0.60 581	0.62 588	0.47 583	0.51 576	0.49 579	0.55 580	0.58 585
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 552	0.20 526	0.39 530	0.31 555	0.22 547	0.29 522	0.43 575	0.52 567	0.96 585	0.55 565	0.79 576	0.53 561	0.59 575	0.52 569	0.38 556	0.19 548	0.14 529	0.17 531	0.14 511	0.24 557	0.31 571

MANE	0.45 562	0.27 549	0.27 490	0.27 538	0.24 553	0.47 557	0.31 560	0.55 571	0.59 553	0.72 575	1.13 593	1.15 586	0.61 576	0.52 569	0.37 554	0.21 554	0.20 551	0.27 556	0.31 568	0.25 558	0.24 558

PWCK	0.71 577	0.94 592	0.95 587	0.76 581	0.31 567	0.74 578	0.36 565	0.90 585	0.90 583	0.96 588	0.75 574	0.95 580	0.61 576	0.87 591	0.66 584	0.72 591	0.46 579	0.75 586	0.49 579	0.69 589	0.44 581

BEATNet-Init1	0.52 568	0.27 549	0.62 562	0.30 551	0.21 545	0.76 582	0.29 547	0.54 570	0.65 566	0.86 584	0.95 584	2.07 602	0.62 578	0.56 575	0.42 565	0.18 543	0.18 545	0.23 550	0.22 550	0.22 549	0.21 553

NVStereoNet_ROB	0.46 565	0.36 565	0.46 543	0.41 566	0.28 562	0.34 537	0.34 563	0.48 560	0.60 556	0.72 575	0.93 582	0.70 575	0.66 579	0.47 563	0.60 581	0.22 559	0.33 574	0.34 568	0.34 571	0.30 566	0.30 570
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 573	0.66 581	0.65 564	0.51 573	0.69 590	0.69 574	0.57 583	0.64 578	0.73 576	0.60 567	0.73 570	0.62 567	0.67 580	0.65 579	0.60 581	0.66 590	0.58 597	0.63 581	0.59 585	0.68 587	0.69 594

MADNet+	0.75 580	0.71 583	3.70 602	0.66 578	0.41 571	0.98 590	0.97 598	0.69 580	0.73 576	0.52 561	0.57 557	0.64 568	0.68 581	0.86 590	1.01 597	0.34 572	0.36 576	0.28 563	0.23 554	0.36 572	0.31 571

ACVNet_2	0.66 576	0.66 581	0.68 572	0.63 577	0.41 571	0.71 576	0.49 577	0.96 590	1.39 595	0.89 585	1.09 589	1.04 582	0.73 582	0.54 573	0.47 570	0.43 577	0.40 577	0.53 579	0.44 576	0.47 574	0.35 576

TorneroNet-64	0.76 581	0.72 584	0.74 579	0.78 583	0.58 584	0.91 589	0.56 582	0.84 584	1.29 592	0.66 569	0.90 580	1.40 594	0.75 583	0.85 589	0.67 587	0.49 580	0.46 579	0.72 585	0.59 585	0.67 586	0.53 583

IMH-64-1	0.65 574	0.61 577	0.68 572	0.71 579	0.51 576	0.59 566	0.49 577	0.91 586	0.85 580	0.74 579	1.02 586	0.81 577	0.78 584	0.79 583	0.49 573	0.42 575	0.46 579	0.71 583	0.47 577	0.52 576	0.39 577

IMH-64	0.65 574	0.61 577	0.68 572	0.71 579	0.51 576	0.59 566	0.49 577	0.91 586	0.85 580	0.74 579	1.02 586	0.81 577	0.78 584	0.79 583	0.49 573	0.42 575	0.46 579	0.71 583	0.47 577	0.52 576	0.39 577

JetBlue	0.71 577	0.45 571	1.14 590	0.51 573	0.47 575	2.02 600	0.64 587	0.75 581	0.70 570	0.69 572	0.77 575	1.22 588	0.83 586	1.03 598	1.01 597	0.40 574	0.28 568	0.33 567	0.33 569	0.30 566	0.34 574

LVE	0.83 585	0.85 590	0.85 585	0.80 584	0.56 581	1.04 595	0.65 588	1.05 595	1.47 598	0.96 588	1.22 597	1.10 585	0.85 587	0.83 586	0.71 589	0.49 580	0.55 594	0.76 589	0.60 587	0.65 584	0.59 590

TorneroNet	0.82 584	0.74 585	0.81 584	0.84 586	0.63 587	0.99 591	0.63 585	0.96 590	1.16 589	0.80 582	1.11 591	1.36 593	0.86 588	0.93 594	0.80 592	0.56 583	0.49 586	0.78 591	0.66 590	0.73 592	0.63 593

IMH	0.71 577	0.64 580	0.68 572	0.76 581	0.54 578	0.69 574	0.54 581	0.98 592	1.10 588	0.82 583	1.09 589	0.89 579	0.88 589	0.87 591	0.52 577	0.44 578	0.50 588	0.75 586	0.51 582	0.56 581	0.41 580

WAO-7	0.79 582	0.78 586	0.54 550	0.85 587	0.67 589	0.74 578	0.68 591	1.05 595	1.32 593	0.90 586	1.20 596	1.04 582	0.92 590	0.69 580	0.66 584	0.60 587	0.62 598	0.67 582	0.68 591	0.64 583	0.58 585

JetRed	1.62 596	1.46 600	2.98 597	0.92 590	1.21 599	4.99 603	1.53 603	1.27 603	1.39 595	1.83 602	1.74 602	1.60 600	0.95 591	1.41 601	2.45 604	0.90 599	1.60 604	0.93 595	0.90 599	1.35 600	0.99 601

KSHMR	1.09 593	1.17 596	0.88 586	1.25 599	1.00 598	0.99 591	0.96 597	1.13 600	1.37 594	1.16 597	1.29 598	1.41 595	0.96 592	1.01 597	0.92 594	1.03 600	1.08 602	1.20 600	1.03 601	1.01 597	0.97 600

Dean	0.87 586	0.86 591	0.79 582	0.81 585	0.56 581	0.90 586	0.63 585	1.15 601	1.73 601	1.15 596	1.15 594	1.31 591	0.99 593	0.81 585	0.81 593	0.57 584	0.56 595	0.77 590	0.64 588	0.66 585	0.58 585

WAO-6	0.81 583	0.80 587	0.62 562	0.86 588	0.63 587	0.76 582	0.58 584	0.98 592	1.54 600	0.90 586	0.96 585	1.07 584	1.03 594	0.70 581	0.66 584	0.72 591	0.49 586	0.90 594	0.71 592	0.68 587	0.58 585

WAO-8	0.91 587	0.81 588	0.65 564	0.94 591	0.69 590	0.90 586	0.67 589	1.07 598	1.83 603	1.06 593	1.45 599	1.30 589	1.07 595	0.84 587	0.78 590	0.74 593	0.53 591	0.86 592	0.75 593	0.69 589	0.62 591

ktn	1.01 592	1.21 597	0.80 583	1.23 598	0.86 596	1.01 593	0.87 595	0.94 589	1.39 595	1.04 591	1.12 592	1.15 586	1.07 595	0.94 595	0.59 580	1.28 603	0.71 600	1.38 603	0.83 596	1.02 598	0.75 597

Venus	0.91 587	0.81 588	0.65 564	0.94 591	0.69 590	0.90 586	0.67 589	1.07 598	1.83 603	1.06 593	1.45 599	1.30 589	1.07 595	0.84 587	0.78 590	0.74 593	0.53 591	0.86 592	0.75 593	0.69 589	0.62 591

DPSimNet_ROB	1.11 594	1.23 598	0.78 580	1.13 596	0.88 597	1.10 596	1.13 599	1.16 602	1.23 591	1.43 600	1.02 586	1.41 595	1.10 598	0.90 593	1.60 599	1.46 604	0.51 590	1.21 601	1.03 601	0.90 595	1.01 602

notaker	0.97 590	1.11 595	0.98 588	1.13 596	0.81 594	0.73 577	0.68 591	0.93 588	1.16 589	1.18 598	1.18 595	1.41 595	1.16 599	1.08 600	0.69 588	0.81 596	0.64 599	1.17 599	0.79 595	0.98 596	0.80 598

UNDER WATER-64	0.95 589	0.94 592	1.43 594	0.87 589	0.56 581	1.18 598	0.87 595	0.77 582	0.94 584	1.04 591	0.85 578	1.58 599	1.21 600	0.94 595	0.96 595	0.87 597	0.57 596	1.03 597	0.88 598	0.78 593	0.73 595

UNDER WATER	0.97 590	0.97 594	1.42 593	0.99 593	0.70 593	1.12 597	0.84 594	0.80 583	1.08 587	1.01 590	0.90 580	1.55 598	1.22 601	1.03 598	1.00 596	0.78 595	0.53 591	1.02 596	0.87 597	0.80 594	0.74 596

HanzoNet	1.29 595	1.26 599	1.19 591	1.12 595	0.85 595	1.02 594	0.83 593	1.03 594	1.48 599	1.64 601	1.61 601	2.50 604	1.72 602	1.61 602	1.61 600	1.26 602	0.80 601	1.31 602	1.01 600	1.02 598	0.86 599

MADNet++	1.95 597	1.75 601	1.59 595	1.82 601	1.69 601	2.33 601	1.40 602	2.35 605	2.09 605	2.57 605	2.36 604	2.24 603	2.17 603	2.28 603	2.34 602	1.87 605	1.66 605	1.54 604	1.34 604	1.92 602	1.77 605

ASD4	3.54 599	3.38 605	2.05 596	1.72 600	2.51 603	9.03 607	17.71 609	2.25 604	5.51 607	2.46 604	2.81 605	2.03 601	3.36 604	2.73 604	5.06 605	1.22 601	1.34 603	1.13 598	1.33 603	1.68 601	1.49 604

tt	4.67 601	0.06 71	3.55 601	2.02 602	1.55 600	10.25 608	16.71 608	8.91 614	5.03 606	1.31 599	0.94 583	4.71 605	4.76 605	3.33 605	5.87 607	6.06 613	10.30 617	1.88 607	2.11 607	2.75 604	1.21 603

LRCNet_RVC	10.62 612	13.42 618	7.30 605	18.92 617	2.07 602	0.33 534	0.30 554	5.59 609	0.48 525	13.03 616	17.94 616	8.87 611	5.65 606	4.79 607	1.89 601	23.51 624	2.73 610	27.55 627	25.71 627	16.07 621	16.33 623

PML	8.91 609	9.34 617	6.13 604	5.35 606	6.41 607	14.99 611	23.38 616	5.27 606	6.83 608	18.04 620	28.19 627	7.67 610	6.83 607	7.85 611	5.75 606	5.35 612	1.83 606	5.95 616	1.93 606	8.64 613	2.52 607

USTest	6.22 602	2.73 604	3.00 598	6.57 609	7.29 608	14.37 610	21.57 610	7.00 613	9.56 612	5.34 609	6.10 606	5.72 608	7.64 608	6.41 610	6.96 608	1.97 606	3.42 611	1.64 605	2.15 608	2.66 603	2.36 606

xxxxx1	7.79 603	5.02 610	7.31 606	3.12 603	3.85 604	16.35 612	22.88 611	5.86 610	8.69 609	7.97 610	8.54 607	9.12 612	8.27 609	10.18 612	10.92 609	2.42 607	2.45 607	3.56 610	12.37 614	3.77 605	3.06 608

tt_ll	7.79 603	5.02 610	7.31 606	3.12 603	3.85 604	16.35 612	22.88 611	5.86 610	8.69 609	7.97 610	8.54 607	9.12 612	8.27 609	10.18 612	10.92 609	2.42 607	2.45 607	3.56 610	12.37 614	3.77 605	3.06 608

ff	7.79 603	5.02 610	7.31 606	3.12 603	3.85 604	16.35 612	22.88 611	5.86 610	8.69 609	7.97 610	8.54 607	9.12 612	8.27 609	10.18 612	10.92 609	2.42 607	2.45 607	3.56 610	12.37 614	3.77 605	3.06 608

DPSMNet_ROB	8.06 607	4.48 606	8.63 612	5.37 608	10.74 611	8.32 605	22.98 615	5.46 607	13.36 615	5.12 607	9.92 610	5.08 606	10.40 612	5.53 609	12.58 612	3.80 611	8.00 612	3.50 608	7.02 611	3.83 608	7.14 613

DGTPSM_ROB	8.06 607	4.48 606	8.63 612	5.35 606	10.72 610	8.32 605	22.97 614	5.46 607	13.35 614	5.12 607	9.92 610	5.08 606	10.40 612	5.52 608	12.58 612	3.79 610	8.00 612	3.50 608	7.02 611	3.83 608	7.14 613

Anonymous_1	10.96 613	7.92 614	7.46 609	10.33 610	10.06 609	18.65 616	26.34 617	11.06 617	13.44 616	9.40 613	10.05 612	9.67 615	11.23 614	10.73 615	12.72 614	6.42 614	8.38 614	5.77 613	10.61 613	12.12 614	6.77 612

DPSM_ROB	11.15 614	8.58 615	8.00 610	10.88 611	11.58 612	19.10 617	26.71 618	12.05 618	14.07 619	10.36 614	10.84 613	10.33 616	11.86 615	11.70 616	13.54 615	6.99 615	8.79 615	5.89 614	6.95 609	7.29 611	7.42 615

DPSM	11.15 614	8.58 615	8.00 610	10.88 611	11.58 612	19.10 617	26.71 618	12.05 618	14.07 619	10.36 614	10.84 613	10.33 616	11.86 615	11.70 616	13.54 615	6.99 615	8.79 615	5.89 614	6.95 609	7.29 611	7.42 615

HaxPig	15.71 616	18.52 625	19.18 620	16.89 616	15.89 617	7.73 604	7.60 605	13.31 620	10.82 613	15.42 617	14.91 615	15.98 618	14.92 617	15.58 618	15.98 617	18.95 623	16.73 618	19.46 623	18.08 623	19.26 622	19.05 626

MEDIAN_ROB	20.38 619	24.04 626	23.31 623	21.23 618	21.71 620	10.40 609	7.92 606	17.64 621	15.50 621	20.12 621	19.70 617	20.34 619	20.32 618	21.19 619	21.13 620	23.81 625	21.81 625	24.98 626	23.76 626	24.71 625	23.93 627

RSGM-EC	20.36 617	4.73 608	0.68 572	16.76 614	16.92 618	21.28 619	27.18 620	10.46 615	14.04 617	18.00 618	21.31 619	22.24 626	21.82 619	22.57 620	17.63 618	62.81 627	33.79 627	20.14 624	18.10 624	20.18 623	16.45 624

acva	20.36 617	4.73 608	0.68 572	16.76 614	16.92 618	21.28 619	27.18 620	10.46 615	14.04 617	18.00 618	21.31 619	22.24 626	21.82 619	22.57 620	17.63 618	62.81 627	33.79 627	20.14 624	18.10 624	20.18 623	16.45 624

FlowAnything	22.44 623	17.35 623	16.14 618	22.07 623	23.23 621	38.39 624	53.77 623	24.25 626	28.44 627	20.96 627	21.82 624	20.70 620	23.84 621	23.49 625	27.14 622	14.04 617	17.79 624	11.75 617	14.15 622	14.65 615	14.89 617

Selective-RAFT-Error	22.47 624	17.37 624	16.09 617	22.06 622	23.34 625	38.39 624	53.83 627	24.29 628	28.47 628	20.74 625	21.83 625	20.81 621	23.90 622	23.54 627	27.53 627	14.08 621	17.69 620	11.82 618	14.00 617	14.69 617	15.00 622

CasAABBNet	22.42 620	17.33 620	16.01 616	22.01 619	23.28 622	38.32 621	53.80 624	24.14 625	28.41 626	20.60 622	21.77 623	20.89 624	23.91 623	23.43 624	27.36 623	14.07 618	17.69 620	11.83 619	14.01 618	14.67 616	14.95 619

RAFT-FEzeroshot	22.43 621	17.33 620	15.98 614	22.02 620	23.31 623	38.34 622	53.82 625	24.05 623	28.39 624	20.61 623	21.76 621	20.88 622	23.92 624	23.41 622	27.42 625	14.07 618	17.69 620	11.83 619	14.02 619	14.69 617	14.97 620

RAFT-FE	22.43 621	17.33 620	15.98 614	22.02 620	23.31 623	38.34 622	53.82 625	24.05 623	28.39 624	20.61 623	21.76 621	20.88 622	23.92 624	23.41 622	27.42 625	14.07 618	17.69 620	11.83 619	14.02 619	14.69 617	14.97 620

LSM0	22.87 625	17.28 619	18.96 619	22.19 624	29.04 627	38.42 626	53.71 622	24.28 627	28.31 623	20.78 626	21.00 618	21.43 625	24.16 626	23.50 626	27.39 624	14.09 622	17.38 619	11.84 622	14.04 621	14.73 620	14.89 617

AVERAGE_ROB	24.90 626	29.20 627	28.14 624	24.89 625	24.64 626	17.75 615	11.12 607	21.45 622	19.93 622	25.12 628	24.46 626	25.12 628	25.46 627	24.69 628	22.83 621	29.76 626	27.13 626	28.97 628	27.95 628	29.91 626	29.47 628

test_example2	98.32 627	94.13 628	45.89 625	96.35 626	109.85 628	88.61 627	95.45 628	25.75 629	94.37 629	130.00 630	126.06 629	58.17 629	74.63 628	88.51 629	79.96 628	150.23 629	221.02 629	77.62 629	99.10 629	113.75 629	96.94 629

ccccc	245.47 628	285.66 629	306.18 628	368.85 629	370.60 629	123.16 628	145.33 629	115.05 630	110.08 630	126.68 629	110.87 628	122.83 630	165.88 629	252.94 630	276.56 629	384.56 630	353.86 630	254.69 630	223.00 630	425.87 630	386.83 630

FADE		0.33 561		0.33 556	0.25 559			0.64 578	1.07 586	0.43 552		0.42 538		0.70 581		0.30 568	0.21 563	0.41 572	0.38 572	0.23 550	0.22 555

Low-res two-view benchmark