Low-res two-view results

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

SMoEStereo_RVC	0.08 12	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.14 108	0.11 13	0.13 81	0.09 56	0.07 21	0.07 37	0.07 73	0.12 150	0.10 94	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

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

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

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

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

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

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

CES	0.08 12	0.04 1	0.08 18	0.14 23	0.07 39	0.09 52	0.14 108	0.11 13	0.09 6	0.08 31	0.09 55	0.11 132	0.06 25	0.12 150	0.08 16	0.06 84	0.04 3	0.05 3	0.03 1	0.05 66	0.05 87

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

fffft	0.09 42	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.17 268	0.12 24	0.11 37	0.08 31	0.07 21	0.09 85	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.05 87
1: 1. 1
mms	0.09 42	0.07 112	0.08 18	0.16 111	0.08 84	0.10 90	0.16 237	0.12 24	0.11 37	0.08 31	0.09 55	0.08 61	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.03 1

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GCAP-Stereo	0.09 42	0.07 112	0.13 184	0.18 249	0.06 8	0.11 130	0.07 1	0.13 36	0.12 53	0.09 56	0.10 78	0.07 37	0.09 129	0.13 191	0.10 94	0.06 84	0.05 146	0.05 3	0.04 18	0.04 3	0.05 87

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

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

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

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

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

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

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

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

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

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

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

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

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

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

H2IRNET	0.10 99	0.09 263	0.09 49	0.18 249	0.09 191	0.12 162	0.15 174	0.14 51	0.21 237	0.10 87	0.10 78	0.10 112	0.10 157	0.10 35	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.06 149	0.05 87

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

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

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

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

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

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

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

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

CREStereo++_RVC	0.08 12	0.04 1	0.06 2	0.13 12	0.07 39	0.09 52	0.12 33	0.14 51	0.14 103	0.10 87	0.14 144	0.08 61	0.07 73	0.09 17	0.11 146	0.06 84	0.04 3	0.05 3	0.05 68	0.04 3	0.04 18
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
XX-TBD	0.09 42	0.06 41	0.07 4	0.14 23	0.07 39	0.12 162	0.16 237	0.14 51	0.13 81	0.11 112	0.12 117	0.09 85	0.08 103	0.10 35	0.10 94	0.06 84	0.04 3	0.05 3	0.03 1	0.06 149	0.05 87

CREStereo	0.09 42	0.04 1	0.08 18	0.11 1	0.06 8	0.13 198	0.14 108	0.14 51	0.10 16	0.08 31	0.13 130	0.09 85	0.08 103	0.11 75	0.10 94	0.08 252	0.04 3	0.05 3	0.03 1	0.06 149	0.06 157
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
MM-Stereo_test2	0.09 42	0.06 41	0.09 49	0.19 304	0.08 84	0.12 162	0.18 312	0.15 71	0.14 103	0.07 12	0.10 78	0.07 37	0.06 25	0.12 150	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.03 1

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

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

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

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

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

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

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

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

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

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

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

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

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

LoS	0.09 42	0.05 11	0.11 111	0.13 12	0.07 39	0.14 229	0.11 20	0.15 71	0.15 117	0.09 56	0.09 55	0.12 149	0.09 129	0.15 235	0.10 94	0.07 197	0.05 146	0.05 3	0.03 1	0.05 66	0.05 87
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
ProNet	0.09 42	0.07 112	0.10 78	0.17 175	0.08 84	0.10 90	0.15 174	0.15 71	0.12 53	0.09 56	0.06 3	0.07 37	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.06 157

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

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

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

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

CroCo-Stereo	0.09 42	0.08 199	0.08 18	0.22 394	0.09 191	0.09 52	0.19 350	0.15 71	0.12 53	0.07 12	0.07 21	0.08 61	0.06 25	0.08 11	0.07 1	0.07 197	0.05 146	0.06 62	0.04 18	0.05 66	0.04 18
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 42	0.06 41	0.07 4	0.15 57	0.05 1	0.16 283	0.18 312	0.15 71	0.15 117	0.10 87	0.11 106	0.11 132	0.11 181	0.10 35	0.12 190	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

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

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

PMTNet	0.09 42	0.05 11	0.09 49	0.12 4	0.06 8	0.12 162	0.14 108	0.15 71	0.11 37	0.09 56	0.13 130	0.10 112	0.07 73	0.13 191	0.10 94	0.15 431	0.04 3	0.05 3	0.03 1	0.07 213	0.06 157

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

IGEV-Stereo	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.09 56	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
Patchmatch Stereo++	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
NRIStereo	0.11 142	0.08 199	0.14 215	0.18 249	0.08 84	0.10 90	0.14 108	0.16 96	0.15 117	0.12 148	0.14 144	0.13 173	0.12 210	0.13 191	0.10 94	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.07 231

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

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

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

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

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

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

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

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

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

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

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

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

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

DIP-Stereo	0.11 142	0.07 112	0.14 215	0.17 175	0.09 191	0.13 198	0.09 5	0.16 96	0.16 142	0.11 112	0.16 171	0.14 192	0.12 210	0.15 235	0.13 230	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
UGAM	0.13 230	0.10 318	0.09 49	0.22 394	0.08 84	0.12 162	0.20 369	0.17 129	0.23 260	0.21 340	0.16 171	0.13 173	0.13 245	0.19 330	0.12 190	0.07 197	0.05 146	0.13 409	0.11 392	0.07 213	0.05 87

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CASnet	0.09 42	0.09 263	0.09 49	0.19 304	0.06 8	0.07 21	0.11 20	0.18 155	0.14 103	0.11 112	0.10 78	0.09 85	0.07 73	0.10 35	0.10 94	0.06 84	0.04 3	0.10 349	0.08 286	0.05 66	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
anonymousdsp2	0.11 142	0.07 112	0.10 78	0.16 111	0.09 191	0.13 198	0.14 108	0.18 155	0.22 251	0.13 174	0.14 144	0.12 149	0.09 129	0.14 213	0.11 146	0.05 6	0.04 3	0.05 3	0.04 18	0.06 149	0.05 87

CASS	0.13 230	0.12 359	0.11 111	0.23 414	0.09 191	0.15 254	0.17 268	0.18 155	0.19 200	0.17 262	0.18 216	0.15 221	0.15 286	0.14 213	0.14 267	0.09 306	0.06 257	0.10 349	0.08 286	0.09 329	0.07 231
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 142	0.07 112	0.13 184	0.16 111	0.11 335	0.11 130	0.17 268	0.18 155	0.17 160	0.11 112	0.18 216	0.10 112	0.10 157	0.15 235	0.11 146	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.04 18

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

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

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

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

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

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

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

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

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

iRaftStereo_RVC	0.10 99	0.07 112	0.09 49	0.17 175	0.09 191	0.11 130	0.17 268	0.18 155	0.12 53	0.09 56	0.12 117	0.10 112	0.07 73	0.11 75	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.04 3	0.04 18

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

HITNet	0.10 99	0.06 41	0.12 141	0.14 23	0.06 8	0.11 130	0.10 10	0.18 155	0.18 186	0.13 174	0.16 171	0.14 192	0.11 181	0.15 235	0.13 230	0.06 84	0.04 3	0.04 1	0.04 18	0.06 149	0.05 87
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
rvit_0105_6	0.14 261	0.09 263	0.18 349	0.17 175	0.10 291	0.10 90	0.16 237	0.19 174	0.26 310	0.12 148	0.18 216	0.17 254	0.12 210	0.18 317	0.12 190	0.15 431	0.11 407	0.12 394	0.10 364	0.09 329	0.06 157

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

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

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

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

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

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

anonymousa	0.13 230	0.07 112	0.13 184	0.18 249	0.09 191	0.13 198	0.17 268	0.19 174	0.29 339	0.15 222	0.24 285	0.15 221	0.14 269	0.14 213	0.14 267	0.07 197	0.05 146	0.07 150	0.09 330	0.05 66	0.06 157

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

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

MLCV	0.12 205	0.07 112	0.16 298	0.18 249	0.06 8	0.15 254	0.17 268	0.19 174	0.21 237	0.18 292	0.25 314	0.17 254	0.13 245	0.14 213	0.13 230	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GMStereo	0.13 230	0.14 397	0.14 215	0.18 249	0.09 191	0.15 254	0.16 237	0.20 185	0.24 276	0.16 248	0.17 191	0.10 112	0.10 157	0.16 269	0.13 230	0.07 197	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
aanetorigin	0.22 399	0.17 422	0.56 468	0.17 175	0.10 291	0.15 254	0.19 350	0.20 185	0.33 368	0.49 469	0.48 451	0.29 383	0.27 416	0.20 354	0.23 396	0.08 252	0.07 326	0.08 228	0.07 225	0.10 359	0.09 336

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

OMP-Stereo	0.11 142	0.06 41	0.14 215	0.18 249	0.08 84	0.09 52	0.12 33	0.21 205	0.21 237	0.13 174	0.14 144	0.11 132	0.12 210	0.11 75	0.13 230	0.06 84	0.04 3	0.07 150	0.06 139	0.05 66	0.04 18

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

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

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

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

FACV-RUCA	0.13 230	0.11 343	0.12 141	0.19 304	0.12 366	0.15 254	0.15 174	0.22 227	0.20 222	0.15 222	0.16 171	0.14 192	0.16 312	0.14 213	0.13 230	0.07 197	0.05 146	0.08 228	0.06 139	0.10 359	0.08 294

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GMM-Stereo	0.11 142	0.07 112	0.10 78	0.18 249	0.09 191	0.08 32	0.15 174	0.23 245	0.16 142	0.11 112	0.15 160	0.13 173	0.11 181	0.11 75	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.06 149	0.09 336

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

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

RAFT-Stereo	0.10 99	0.06 41	0.10 78	0.17 175	0.08 84	0.11 130	0.14 108	0.23 245	0.11 37	0.12 148	0.19 224	0.11 132	0.08 103	0.09 17	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MM-Stereo_test3	0.10 99	0.07 112	0.07 4	0.18 249	0.07 39	0.12 162	0.19 350	0.24 267	0.19 200	0.06 3	0.10 78	0.08 61	0.06 25	0.11 75	0.08 16	0.06 84	0.06 257	0.07 150	0.05 68	0.05 66	0.04 18

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

CAS++	0.11 142	0.07 112	0.11 111	0.14 23	0.09 191	0.12 162	0.14 108	0.24 267	0.14 103	0.11 112	0.09 55	0.11 132	0.07 73	0.14 213	0.09 45	0.11 368	0.09 376	0.09 304	0.07 225	0.07 213	0.08 294
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
gwcnet-sp	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

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

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

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

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

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

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

raft+_RVC	0.11 142	0.07 112	0.09 49	0.16 111	0.07 39	0.10 90	0.11 20	0.24 267	0.20 222	0.12 148	0.15 160	0.12 149	0.08 103	0.12 150	0.13 230	0.07 197	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

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

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

SuperB	0.20 381	0.10 318	0.56 468	0.16 111	0.09 191	0.18 322	0.18 312	0.24 267	0.50 448	0.26 392	0.39 420	0.17 254	0.21 374	0.22 381	0.21 377	0.08 252	0.06 257	0.06 62	0.06 139	0.12 392	0.10 357

UCFNet_RVC	0.14 261	0.08 199	0.13 184	0.11 1	0.10 291	0.20 360	0.10 10	0.24 267	0.22 251	0.17 262	0.20 236	0.23 333	0.15 286	0.17 299	0.15 294	0.12 393	0.07 326	0.10 349	0.13 420	0.11 378	0.10 357

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

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

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

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

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

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

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

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

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

CSP-Net	0.16 325	0.09 263	0.14 215	0.16 111	0.09 191	0.19 345	0.17 268	0.25 283	0.32 361	0.25 388	0.30 367	0.24 339	0.15 286	0.21 370	0.18 342	0.09 306	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

ICVP	0.15 302	0.09 263	0.12 141	0.22 394	0.09 191	0.17 304	0.21 386	0.25 283	0.23 260	0.18 292	0.30 367	0.26 360	0.18 345	0.17 299	0.14 267	0.09 306	0.07 326	0.08 228	0.07 225	0.07 213	0.07 231
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 345	0.09 263	0.16 298	0.20 353	0.11 335	0.27 425	0.20 369	0.25 283	0.41 414	0.22 355	0.30 367	0.21 300	0.20 370	0.17 299	0.20 357	0.06 84	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

StereoDRNet-Refined	0.17 345	0.12 359	0.15 264	0.20 353	0.09 191	0.18 322	0.18 312	0.26 300	0.23 260	0.26 392	0.40 425	0.22 317	0.17 333	0.21 370	0.20 357	0.08 252	0.05 146	0.09 304	0.10 364	0.07 213	0.07 231
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
CBMV_ROB	0.19 370	0.13 385	0.17 326	0.16 111	0.11 335	0.15 254	0.13 65	0.26 300	0.28 333	0.27 398	0.30 367	0.27 367	0.24 395	0.23 392	0.16 310	0.15 431	0.17 454	0.22 460	0.20 456	0.10 359	0.11 380

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

DualNet (step1)	0.16 325	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.15 431	0.06 257	0.14 421	0.14 423	0.14 420	0.12 392

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

test_sample7	0.15 302	0.10 318	0.16 298	0.14 23	0.11 335	0.16 283	0.16 237	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.12 393	0.06 257	0.10 349	0.09 330	0.10 359	0.10 357

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

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

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

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

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

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

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

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

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

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

HSM-Net_RVC	0.14 261	0.08 199	0.11 111	0.15 57	0.08 84	0.15 254	0.15 174	0.27 320	0.29 339	0.19 306	0.21 256	0.29 383	0.14 269	0.17 299	0.13 230	0.06 84	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
DANet	0.21 390	0.15 403	0.28 413	0.25 433	0.13 387	0.22 382	0.19 350	0.27 320	0.27 319	0.28 410	0.32 379	0.35 423	0.31 440	0.31 433	0.23 396	0.11 368	0.09 376	0.11 378	0.10 364	0.13 408	0.11 380
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ccs_rob	0.14 261	0.08 199	0.15 264	0.16 111	0.09 191	0.12 162	0.14 108	0.27 320	0.34 379	0.14 195	0.21 256	0.22 317	0.13 245	0.18 317	0.14 267	0.07 197	0.05 146	0.08 228	0.07 225	0.07 213	0.07 231

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

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

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

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

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

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

SFCPSM	0.13 230	0.07 112	0.14 215	0.17 175	0.09 191	0.15 254	0.16 237	0.28 337	0.27 319	0.14 195	0.17 191	0.12 149	0.13 245	0.14 213	0.11 146	0.08 252	0.05 146	0.07 150	0.07 225	0.07 213	0.06 157

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

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

CFNet	0.15 302	0.10 318	0.17 326	0.17 175	0.08 84	0.18 322	0.09 5	0.28 337	0.25 297	0.19 306	0.24 285	0.24 339	0.17 333	0.17 299	0.14 267	0.08 252	0.06 257	0.09 304	0.10 364	0.07 213	0.06 157

HSM	0.15 302	0.08 199	0.14 215	0.16 111	0.09 191	0.16 283	0.14 108	0.28 337	0.25 297	0.19 306	0.23 274	0.37 430	0.16 312	0.20 354	0.15 294	0.07 197	0.05 146	0.07 150	0.06 139	0.07 213	0.06 157

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

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

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

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

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

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

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

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

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

RASNet	0.14 261	0.07 112	0.14 215	0.16 111	0.08 84	0.18 322	0.14 108	0.29 347	0.20 222	0.17 262	0.25 314	0.21 300	0.18 345	0.20 354	0.19 351	0.07 197	0.06 257	0.06 62	0.08 286	0.06 149	0.06 157

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

PA-Net	0.23 414	0.18 432	0.33 432	0.28 453	0.22 460	0.21 374	0.38 479	0.29 347	0.39 405	0.22 355	0.32 379	0.25 352	0.26 408	0.20 354	0.25 415	0.09 306	0.23 473	0.15 433	0.22 461	0.09 329	0.13 410
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DLCB_ROB	0.18 358	0.10 318	0.15 264	0.23 414	0.11 335	0.24 400	0.18 312	0.29 347	0.28 333	0.27 398	0.28 350	0.28 376	0.24 395	0.19 330	0.20 357	0.08 252	0.08 351	0.09 304	0.09 330	0.07 213	0.07 231

CBMV	0.19 370	0.14 397	0.17 326	0.18 249	0.10 291	0.20 360	0.11 20	0.29 347	0.30 348	0.29 417	0.30 367	0.30 391	0.23 389	0.27 411	0.19 351	0.13 416	0.15 446	0.17 442	0.16 443	0.10 359	0.10 357
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ISRNet	0.18 358	0.08 199	0.19 359	0.19 304	0.13 387	0.15 254	0.12 33	0.30 361	0.32 361	0.21 340	0.25 314	0.27 367	0.17 333	0.17 299	0.20 357	0.20 461	0.08 351	0.14 421	0.14 423	0.14 420	0.17 453

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

NLCA_NET_v2_RVC	0.17 345	0.10 318	0.22 381	0.20 353	0.10 291	0.15 254	0.18 312	0.31 370	0.25 297	0.21 340	0.30 367	0.25 352	0.17 333	0.21 370	0.20 357	0.09 306	0.06 257	0.08 228	0.08 286	0.07 213	0.08 294
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
ETE_ROB	0.23 414	0.17 422	0.22 381	0.25 433	0.13 387	0.26 418	0.29 457	0.31 370	0.36 391	0.28 410	0.36 401	0.45 457	0.26 408	0.27 411	0.26 425	0.11 368	0.08 351	0.12 394	0.09 330	0.14 420	0.13 410

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

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

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

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

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

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

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

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

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

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

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

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

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

AdaStereo	0.15 302	0.11 343	0.15 264	0.18 249	0.09 191	0.20 360	0.11 20	0.32 381	0.28 333	0.20 327	0.23 274	0.20 293	0.13 245	0.19 330	0.14 267	0.12 393	0.05 146	0.10 349	0.07 225	0.09 329	0.07 231
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
DeepPruner_ROB	0.16 325	0.11 343	0.15 264	0.17 175	0.10 291	0.17 304	0.15 174	0.32 381	0.21 237	0.19 306	0.21 256	0.22 317	0.18 345	0.20 354	0.15 294	0.13 416	0.09 376	0.09 304	0.09 330	0.11 378	0.10 357

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

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

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

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

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

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

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

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

DispFullNet	0.27 439	0.21 445	0.65 475	0.28 453	0.16 429	0.26 418	0.17 268	0.33 398	0.58 465	0.27 398	0.38 412	0.43 453	0.23 389	0.38 461	0.23 396	0.12 393	0.06 257	0.19 453	0.11 392	0.21 458	0.15 434

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

SGM-Forest	0.20 381	0.14 397	0.18 349	0.19 304	0.13 387	0.20 360	0.22 395	0.33 398	0.30 348	0.24 375	0.29 362	0.28 376	0.19 359	0.23 392	0.17 324	0.15 431	0.16 449	0.15 433	0.14 423	0.12 392	0.12 392
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
BUS	0.14 261	0.09 263	0.14 215	0.22 394	0.10 291	0.19 345	0.14 108	0.34 407	0.19 200	0.17 262	0.22 265	0.16 234	0.13 245	0.15 235	0.13 230	0.08 252	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

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

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

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

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

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

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

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

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

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

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

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

SGM_RVC	0.23 414	0.12 359	0.15 264	0.15 57	0.09 191	0.33 446	0.18 312	0.34 407	0.31 355	0.44 464	0.37 407	0.53 471	0.35 451	0.35 450	0.24 406	0.13 416	0.13 433	0.13 409	0.13 420	0.10 359	0.11 380
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Wz-Net-TNSev	0.29 447	0.20 439	0.65 475	0.19 304	0.15 419	0.38 462	0.27 442	0.35 420	0.55 458	0.34 438	0.42 441	0.45 457	0.38 456	0.32 439	0.30 447	0.12 393	0.13 433	0.10 349	0.12 411	0.15 435	0.14 427

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DeepPrunerF	0.24 421	0.17 422	0.42 453	0.26 438	0.16 429	0.22 382	0.28 448	0.37 431	0.50 448	0.26 392	0.29 362	0.24 339	0.28 424	0.21 370	0.22 386	0.15 431	0.11 407	0.20 455	0.18 454	0.12 392	0.13 410

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

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

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

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

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

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

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

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

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

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

FC-DCNN v2	0.33 458	0.27 461	0.28 413	0.26 438	0.23 462	0.37 459	0.28 448	0.40 446	0.43 426	0.45 465	0.56 466	0.51 467	0.40 461	0.37 459	0.29 442	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 469

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

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

Abc-Net	0.24 421	0.15 403	0.31 426	0.26 438	0.16 429	0.20 360	0.30 464	0.40 446	0.40 411	0.24 375	0.38 412	0.33 413	0.28 424	0.36 455	0.27 432	0.12 393	0.11 407	0.15 433	0.22 461	0.13 408	0.13 410
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FC-DCNN	0.33 458	0.27 461	0.28 413	0.26 438	0.23 462	0.37 459	0.28 448	0.40 446	0.43 426	0.45 465	0.55 461	0.51 467	0.40 461	0.37 459	0.30 447	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 469

MeshStereo	0.27 439	0.13 385	0.18 349	0.15 57	0.11 335	0.32 440	0.24 414	0.40 446	0.36 391	0.52 471	0.57 468	0.67 482	0.40 461	0.35 450	0.26 425	0.14 427	0.13 433	0.13 409	0.11 392	0.11 378	0.10 357
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
otaku	0.39 464	0.37 477	0.52 462	0.44 479	0.28 473	0.58 476	0.24 414	0.41 452	0.62 471	0.40 452	0.49 452	0.46 461	0.33 445	0.40 468	0.32 455	0.30 478	0.30 479	0.39 480	0.33 479	0.29 476	0.28 477

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

GANet	0.21 390	0.12 359	0.21 375	0.24 423	0.13 387	0.22 382	0.22 395	0.41 452	0.26 310	0.31 426	0.42 441	0.37 430	0.28 424	0.23 392	0.22 386	0.10 342	0.12 420	0.10 349	0.09 330	0.10 359	0.08 294

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

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

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

FCDSN-DC	0.33 458	0.28 465	0.28 413	0.30 462	0.24 464	0.39 463	0.28 448	0.42 457	0.42 421	0.43 462	0.53 458	0.51 467	0.41 466	0.36 455	0.30 447	0.21 465	0.20 462	0.27 467	0.26 468	0.25 470	0.24 469
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
LSM	0.33 458	0.20 439	0.58 470	0.26 438	0.60 496	0.34 449	0.25 428	0.42 457	0.48 440	0.45 465	0.58 470	0.42 449	0.36 453	0.35 450	0.25 415	0.12 393	0.20 462	0.14 421	0.16 443	0.19 456	0.33 483

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

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

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

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

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

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

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

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

Ntro	0.40 467	0.40 479	0.53 463	0.46 483	0.30 477	0.65 482	0.24 414	0.46 468	0.68 478	0.41 456	0.49 452	0.48 465	0.42 469	0.39 464	0.31 454	0.32 480	0.28 477	0.37 479	0.30 476	0.32 481	0.29 478

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

GANetREF_RVC	0.31 453	0.34 474	0.27 408	0.35 470	0.16 429	0.32 440	0.41 480	0.48 470	0.51 455	0.35 439	0.35 398	0.34 419	0.33 445	0.39 464	0.32 455	0.27 477	0.20 462	0.29 474	0.15 439	0.18 453	0.17 453
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
NVStereoNet_ROB	0.46 477	0.36 476	0.46 458	0.41 477	0.28 473	0.34 449	0.34 473	0.48 470	0.60 469	0.72 484	0.93 491	0.70 485	0.66 487	0.47 473	0.60 490	0.22 469	0.33 482	0.34 478	0.34 481	0.30 477	0.30 480
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet-4b	0.39 464	0.53 484	0.55 466	0.45 480	0.24 464	0.47 468	0.18 312	0.49 472	0.64 473	0.42 459	0.45 447	0.60 475	0.27 416	0.34 444	0.24 406	0.33 481	0.14 440	0.48 484	0.42 484	0.30 477	0.26 476

ELAS_RVC	0.41 469	0.29 468	0.33 432	0.28 453	0.24 464	0.54 474	0.36 475	0.49 472	0.59 466	0.72 484	0.74 482	0.65 480	0.54 477	0.54 482	0.40 472	0.22 469	0.20 462	0.27 467	0.26 468	0.26 474	0.25 474
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 469	0.29 468	0.33 432	0.27 450	0.24 464	0.60 479	0.36 475	0.50 474	0.50 448	0.71 482	0.79 486	0.67 482	0.54 477	0.51 476	0.42 476	0.22 469	0.20 462	0.27 467	0.26 468	0.26 474	0.25 474
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DPSNet	0.28 443	0.16 411	0.31 426	0.18 249	0.13 387	0.54 474	0.42 483	0.51 475	0.67 477	0.29 417	0.38 412	0.38 434	0.29 432	0.31 433	0.23 396	0.11 368	0.10 395	0.11 378	0.08 286	0.20 457	0.16 445

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

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

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

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

MANE	0.45 474	0.27 461	0.27 408	0.27 450	0.24 464	0.47 468	0.31 470	0.55 480	0.59 466	0.72 484	1.13 502	1.15 495	0.61 484	0.52 478	0.37 466	0.21 465	0.20 462	0.27 467	0.31 478	0.25 470	0.24 469

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

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

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

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

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

SPS-STEREO	0.57 483	0.58 486	0.65 475	0.45 480	0.55 491	0.62 480	0.44 486	0.62 486	0.50 448	0.68 480	0.64 472	0.66 481	0.57 482	0.61 486	0.60 490	0.62 497	0.47 491	0.51 486	0.49 488	0.55 490	0.58 494
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 484	0.66 492	0.65 475	0.51 484	0.69 501	0.69 485	0.57 493	0.64 487	0.73 484	0.60 476	0.73 480	0.62 477	0.67 488	0.65 488	0.60 490	0.66 499	0.58 505	0.63 490	0.59 494	0.68 497	0.69 503

FADE		0.33 472		0.33 467	0.25 470			0.64 487	1.07 494	0.43 462		0.42 449		0.70 490		0.30 478	0.21 472	0.41 482	0.38 482	0.23 462	0.22 466

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

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

UNDER WATER-64	0.95 500	0.94 503	1.43 503	0.87 500	0.56 492	1.18 509	0.87 505	0.77 491	0.94 492	1.04 500	0.85 488	1.58 508	1.21 508	0.94 504	0.96 504	0.87 506	0.57 504	1.03 506	0.88 507	0.78 503	0.73 504

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Low-res two-view benchmark