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

U	1.02 443	0.10 15	0.26 4	0.22 116	3.66 471	6.41 473	0.13 8	0.22 6	0.21 19	0.11 1	0.11 2	0.10 1	0.09 4	0.12 1	0.11 1	0.07 19	0.05 3	5.35 476	2.86 473	0.07 40	0.06 5

IGEV-Stereo++	0.15 9	0.09 5	0.27 7	0.21 73	0.13 98	0.14 4	0.11 3	0.23 7	0.19 6	0.15 18	0.14 19	0.11 5	0.11 19	0.19 28	0.12 2	0.06 1	0.21 369	0.06 1	0.05 9	0.06 3	0.28 382

CAS++	0.17 33	0.13 91	0.35 30	0.18 10	0.13 98	0.17 20	0.16 59	0.42 189	0.25 60	0.19 45	0.18 36	0.13 17	0.10 9	0.22 57	0.12 2	0.12 299	0.10 213	0.11 270	0.08 125	0.10 202	0.09 74
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
ACVNet-DCA	0.21 111	0.16 179	0.50 157	0.27 309	0.13 98	0.31 255	0.19 160	0.43 196	0.32 141	0.21 59	0.20 48	0.13 17	0.17 108	0.28 130	0.12 2	0.08 105	0.28 414	0.08 82	0.06 29	0.09 151	0.23 339

xx1	0.23 155	0.16 179	0.50 157	0.27 309	0.13 98	0.31 255	0.19 160	0.39 159	0.48 318	0.21 59	0.20 48	0.28 178	0.25 218	0.28 130	0.12 2	0.08 105	0.28 414	0.10 219	0.11 276	0.09 151	0.23 339

cc1	0.22 125	0.16 179	0.50 157	0.27 309	0.13 98	0.31 255	0.19 160	0.39 159	0.48 318	0.21 59	0.20 48	0.13 17	0.17 108	0.28 130	0.12 2	0.08 105	0.28 414	0.08 82	0.06 29	0.08 83	0.37 416

ffm	0.27 253	0.17 206	0.84 354	0.21 73	0.13 98	0.29 222	0.21 215	0.38 141	0.46 300	0.31 192	0.44 288	0.34 244	0.24 207	0.28 130	0.12 2	0.08 105	0.28 414	0.12 303	0.11 276	0.08 83	0.37 416

tt1	0.22 125	0.16 179	0.49 136	0.26 275	0.15 191	0.31 255	0.19 160	0.38 141	0.46 300	0.21 59	0.19 40	0.13 17	0.16 93	0.28 130	0.12 2	0.08 105	0.28 414	0.08 82	0.06 29	0.08 83	0.37 416

CES	0.14 1	0.08 2	0.24 1	0.17 5	0.23 360	0.18 30	0.15 36	0.24 15	0.20 11	0.14 11	0.18 36	0.14 33	0.10 9	0.19 28	0.12 2	0.07 19	0.05 3	0.06 1	0.04 1	0.08 83	0.20 311

RAStereo	0.14 1	0.15 156	0.40 53	0.22 116	0.11 28	0.15 8	0.18 124	0.25 23	0.24 38	0.13 3	0.17 28	0.11 5	0.09 4	0.15 2	0.13 10	0.08 105	0.06 37	0.08 82	0.06 29	0.07 40	0.05 1

Pointernet	0.15 9	0.08 2	0.35 30	0.19 21	0.12 56	0.20 68	0.12 5	0.34 102	0.25 60	0.15 18	0.16 24	0.13 17	0.11 19	0.18 18	0.13 10	0.08 105	0.06 37	0.06 1	0.05 9	0.06 3	0.08 45

WCG-NET（raft）	0.16 19	0.14 131	0.32 21	0.18 10	0.09 7	0.19 41	0.16 59	0.24 15	0.27 84	0.19 45	0.19 40	0.20 83	0.12 31	0.22 57	0.13 10	0.06 1	0.17 342	0.06 1	0.05 9	0.07 40	0.07 14

RSM++	0.14 1	0.11 34	0.25 2	0.32 374	0.17 252	0.17 20	0.15 36	0.23 7	0.21 19	0.12 2	0.12 4	0.14 33	0.09 4	0.21 43	0.13 10	0.06 1	0.05 3	0.07 20	0.07 60	0.07 40	0.11 155

RSM	0.14 1	0.11 34	0.25 2	0.29 347	0.16 223	0.16 12	0.15 36	0.24 15	0.20 11	0.13 3	0.13 9	0.15 41	0.09 4	0.22 57	0.13 10	0.06 1	0.06 37	0.07 20	0.07 60	0.07 40	0.11 155

MGS-Stereo	0.15 9	0.12 69	0.38 42	0.19 21	0.11 28	0.18 30	0.17 80	0.21 4	0.23 28	0.14 11	0.24 85	0.16 46	0.10 9	0.19 28	0.13 10	0.07 19	0.06 37	0.07 20	0.06 29	0.10 202	0.07 14

MoCha-V2	0.18 41	0.12 69	0.40 53	0.30 356	0.24 371	0.16 12	0.15 36	0.28 32	0.19 6	0.16 23	0.16 24	0.13 17	0.13 52	0.30 160	0.13 10	0.06 1	0.28 414	0.06 1	0.06 29	0.06 3	0.25 362

ff7	0.18 41	0.13 91	0.41 59	0.21 73	0.15 191	0.21 90	0.17 80	0.28 32	0.23 28	0.21 59	0.13 9	0.12 8	0.12 31	0.27 111	0.13 10	0.07 19	0.25 399	0.08 82	0.07 60	0.08 83	0.36 408

ffff	0.18 41	0.13 91	0.41 59	0.21 73	0.15 191	0.21 90	0.17 80	0.28 32	0.23 28	0.21 59	0.13 9	0.12 8	0.12 31	0.27 111	0.13 10	0.07 19	0.25 399	0.08 82	0.07 60	0.08 83	0.36 408

11t	0.18 41	0.13 91	0.41 59	0.21 73	0.15 191	0.21 90	0.17 80	0.28 32	0.23 28	0.21 59	0.13 9	0.12 8	0.12 31	0.27 111	0.13 10	0.07 19	0.25 399	0.08 82	0.07 60	0.08 83	0.36 408

CASnet	0.15 9	0.13 91	0.30 13	0.22 116	0.08 3	0.15 8	0.14 20	0.28 32	0.26 69	0.23 83	0.20 48	0.15 41	0.11 19	0.18 18	0.13 10	0.07 19	0.05 3	0.11 270	0.09 198	0.08 83	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.20 85	0.09 5	0.32 21	0.39 412	0.34 411	0.21 90	0.16 59	0.30 59	0.18 2	0.17 32	0.17 28	0.13 17	0.16 93	0.27 111	0.13 10	0.07 19	0.29 425	0.07 20	0.09 198	0.07 40	0.37 416

Any-RAFT	0.18 41	0.09 5	0.33 24	0.19 21	0.10 20	0.29 222	0.16 59	0.44 216	0.32 141	0.25 100	0.27 109	0.29 191	0.16 93	0.23 68	0.13 10	0.08 105	0.07 100	0.06 1	0.05 9	0.07 40	0.07 14

anonymousdsp	0.20 85	0.13 91	0.49 136	0.28 334	0.20 322	0.21 90	0.17 80	0.29 47	0.24 38	0.22 76	0.13 9	0.12 8	0.12 31	0.32 177	0.13 10	0.07 19	0.26 406	0.08 82	0.07 60	0.08 83	0.48 437

ProNet	0.16 19	0.13 91	0.36 36	0.21 73	0.15 191	0.20 68	0.19 160	0.29 47	0.23 28	0.14 11	0.13 9	0.13 17	0.12 31	0.25 85	0.13 10	0.06 1	0.09 186	0.07 20	0.06 29	0.07 40	0.22 331

ccc-4	0.18 41	0.13 91	0.41 59	0.21 73	0.15 191	0.21 90	0.17 80	0.28 32	0.23 28	0.21 59	0.13 9	0.12 8	0.12 31	0.27 111	0.13 10	0.07 19	0.25 399	0.08 82	0.07 60	0.08 83	0.36 408

IGEV-Stereo	0.20 85	0.13 91	0.49 136	0.28 334	0.20 322	0.21 90	0.17 80	0.29 47	0.24 38	0.22 76	0.13 9	0.12 8	0.12 31	0.32 177	0.13 10	0.07 19	0.26 406	0.08 82	0.07 60	0.08 83	0.48 437
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GMOStereo	0.20 85	0.17 206	0.45 84	0.23 163	0.18 279	0.21 90	0.27 326	0.28 32	0.28 93	0.31 192	0.32 153	0.28 178	0.17 108	0.16 5	0.13 10	0.07 19	0.23 388	0.10 219	0.08 125	0.08 83	0.07 14

error version	0.20 85	0.17 206	0.45 84	0.23 163	0.18 279	0.21 90	0.27 326	0.28 32	0.28 93	0.31 192	0.32 153	0.28 178	0.17 108	0.16 5	0.13 10	0.07 19	0.23 388	0.10 219	0.08 125	0.08 83	0.07 14

test-v	0.20 85	0.17 206	0.45 84	0.23 163	0.18 279	0.21 90	0.27 326	0.28 32	0.28 93	0.31 192	0.32 153	0.28 178	0.17 108	0.16 5	0.13 10	0.07 19	0.23 388	0.10 219	0.08 125	0.08 83	0.07 14

CroCo-Stereo	0.15 9	0.16 179	0.34 26	0.25 239	0.12 56	0.11 2	0.18 124	0.35 111	0.24 38	0.13 3	0.13 9	0.18 63	0.12 31	0.15 2	0.13 10	0.08 105	0.06 37	0.07 20	0.05 9	0.07 40	0.06 5
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
test-2	0.20 85	0.17 206	0.45 84	0.23 163	0.18 279	0.21 90	0.27 326	0.28 32	0.28 93	0.31 192	0.32 153	0.28 178	0.17 108	0.16 5	0.13 10	0.07 19	0.23 388	0.10 219	0.08 125	0.08 83	0.07 14

TANstereo	0.16 19	0.11 34	0.43 73	0.16 4	0.08 3	0.25 165	0.14 20	0.23 7	0.29 109	0.25 100	0.30 133	0.16 46	0.12 31	0.18 18	0.13 10	0.08 105	0.07 100	0.06 1	0.05 9	0.07 40	0.08 45

XX-Stereo	0.25 208	0.11 34	1.09 402	0.35 396	0.38 423	0.23 132	0.13 8	0.43 196	0.19 6	0.20 53	0.40 246	0.31 218	0.10 9	0.33 186	0.13 10	0.08 105	0.11 239	0.08 82	0.09 198	0.07 40	0.10 121

WCG-NET	0.16 19	0.12 69	0.30 13	0.19 21	0.11 28	0.21 90	0.13 8	0.29 47	0.22 22	0.19 45	0.22 73	0.18 63	0.12 31	0.23 68	0.14 34	0.08 105	0.08 150	0.07 20	0.06 29	0.08 83	0.10 121

IGEV-BASED-STEREO-	0.20 85	0.74 439	0.71 314	0.17 5	0.08 3	0.15 8	0.15 36	0.19 2	0.18 2	0.13 3	0.12 4	0.10 1	0.08 1	0.16 5	0.14 34	0.34 428	0.12 255	0.08 82	0.07 60	0.11 254	0.24 351

IGEV-Stereo+	0.14 1	0.08 2	0.26 4	0.18 10	0.14 134	0.09 1	0.10 1	0.16 1	0.17 1	0.14 11	0.08 1	0.10 1	0.10 9	0.22 57	0.14 34	0.07 19	0.15 312	0.06 1	0.06 29	0.16 343	0.29 387

gcap-zeroshot	0.19 61	0.14 131	0.51 171	0.21 73	0.15 191	0.27 186	0.15 36	0.32 80	0.24 38	0.26 110	0.20 48	0.34 244	0.15 78	0.22 57	0.14 34	0.07 19	0.08 150	0.07 20	0.07 60	0.06 3	0.09 74

test_for_model	0.33 316	0.91 446	0.48 116	0.74 447	0.50 431	0.20 68	0.16 59	0.33 95	0.27 84	0.29 154	0.15 21	0.13 17	0.11 19	0.17 11	0.14 34	0.31 425	0.27 409	0.06 1	0.05 9	0.97 460	0.31 394

trnet	0.14 1	0.09 5	0.26 4	0.15 2	0.07 1	0.21 90	0.12 5	0.25 23	0.26 69	0.16 23	0.21 65	0.15 41	0.13 52	0.19 28	0.14 34	0.09 167	0.05 3	0.06 1	0.04 1	0.06 3	0.06 5

MyStereo07	0.18 41	0.15 156	0.44 81	0.22 116	0.16 223	0.25 165	0.22 246	0.31 74	0.26 69	0.22 76	0.13 9	0.12 8	0.13 52	0.33 186	0.14 34	0.07 19	0.13 271	0.09 149	0.09 198	0.09 151	0.11 155

MSKI-zero shot	0.19 61	0.10 15	0.47 102	0.30 356	0.14 134	0.21 90	0.14 20	0.33 95	0.22 22	0.24 89	0.25 91	0.22 101	0.10 9	0.32 177	0.14 34	0.07 19	0.30 426	0.07 20	0.07 60	0.06 3	0.09 74

testlalala	0.17 33	0.11 34	0.49 136	0.20 47	0.13 98	0.23 132	0.15 36	0.33 95	0.22 22	0.25 100	0.20 48	0.14 33	0.11 19	0.17 11	0.14 34	0.07 19	0.23 388	0.07 20	0.06 29	0.05 1	0.07 14

LoS_RVC	0.14 1	0.11 34	0.32 21	0.18 10	0.16 223	0.20 68	0.18 124	0.21 4	0.18 2	0.14 11	0.20 48	0.12 8	0.17 108	0.17 11	0.14 34	0.06 1	0.05 3	0.06 1	0.04 1	0.05 1	0.14 236

CAS	0.16 19	0.07 1	0.29 10	0.42 422	0.17 252	0.20 68	0.18 124	0.23 7	0.20 11	0.15 18	0.19 40	0.11 5	0.10 9	0.15 2	0.14 34	0.31 425	0.04 1	0.06 1	0.04 1	0.06 3	0.16 262

LoS	0.15 9	0.09 5	0.34 26	0.17 5	0.09 7	0.22 114	0.14 20	0.27 28	0.27 84	0.15 18	0.18 36	0.19 72	0.14 65	0.23 68	0.14 34	0.08 105	0.06 37	0.06 1	0.04 1	0.06 3	0.06 5
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
Selective-IGEV	0.15 9	0.10 15	0.34 26	0.32 374	0.19 304	0.16 12	0.14 20	0.29 47	0.20 11	0.13 3	0.14 19	0.13 17	0.08 1	0.23 68	0.14 34	0.06 1	0.13 271	0.07 20	0.06 29	0.06 3	0.11 155

MC-Stereo	0.18 41	0.10 15	0.36 36	0.28 334	0.14 134	0.18 30	0.15 36	0.24 15	0.20 11	0.21 59	0.24 85	0.16 46	0.13 52	0.25 85	0.14 34	0.07 19	0.17 342	0.07 20	0.07 60	0.06 3	0.30 390

TRStereo	0.22 125	0.21 260	0.62 277	0.40 416	0.19 304	0.22 114	0.16 59	0.58 350	0.30 123	0.21 59	0.21 65	0.22 101	0.13 52	0.27 111	0.14 34	0.09 167	0.09 186	0.09 149	0.11 276	0.06 3	0.19 297

XX-TBD	0.16 19	0.21 260	0.43 73	0.22 116	0.10 20	0.23 132	0.15 36	0.23 7	0.28 93	0.22 76	0.26 98	0.14 33	0.12 31	0.16 5	0.14 34	0.08 105	0.05 3	0.06 1	0.04 1	0.07 40	0.06 5

CFNet-RSSM	0.18 41	0.10 15	0.45 84	0.20 47	0.12 56	0.20 68	0.16 59	0.40 168	0.31 131	0.23 83	0.21 65	0.26 160	0.15 78	0.21 43	0.14 34	0.07 19	0.05 3	0.07 20	0.07 60	0.06 3	0.06 5

Gwc-CoAtRS	0.17 33	0.10 15	0.41 59	0.20 47	0.12 56	0.20 68	0.15 36	0.34 102	0.29 109	0.23 83	0.23 79	0.27 165	0.15 78	0.21 43	0.14 34	0.07 19	0.06 37	0.07 20	0.07 60	0.06 3	0.07 14

CREStereo	0.14 1	0.09 5	0.27 7	0.14 1	0.08 3	0.22 114	0.15 36	0.26 25	0.26 69	0.16 23	0.21 65	0.14 33	0.13 52	0.19 28	0.14 34	0.09 167	0.05 3	0.06 1	0.04 1	0.07 40	0.06 5
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.16 19	0.09 5	0.31 18	0.15 2	0.09 7	0.23 132	0.15 36	0.26 25	0.24 38	0.17 32	0.21 65	0.16 46	0.14 65	0.23 68	0.14 34	0.29 421	0.05 3	0.06 1	0.04 1	0.07 40	0.07 14

rvit_stereo_0081_aga	0.17 33	0.17 206	0.40 53	0.21 73	0.14 134	0.20 68	0.17 80	0.24 15	0.26 69	0.18 43	0.21 65	0.20 83	0.14 65	0.20 38	0.15 54	0.12 299	0.08 150	0.09 149	0.08 125	0.10 202	0.08 45

AIO-Stereo	0.16 19	0.12 69	0.29 10	0.30 356	0.20 322	0.16 12	0.14 20	0.28 32	0.22 22	0.14 11	0.15 21	0.13 17	0.08 1	0.20 38	0.15 54	0.06 1	0.16 323	0.07 20	0.08 125	0.06 3	0.24 351

IGEV++	0.19 61	0.13 91	0.38 42	0.30 356	0.19 304	0.15 8	0.15 36	0.32 80	0.18 2	0.13 3	0.16 24	0.12 8	0.11 19	0.24 75	0.15 54	0.07 19	0.32 431	0.07 20	0.05 9	0.07 40	0.42 425

RAFT-Test	0.19 61	0.11 34	0.41 59	0.26 275	0.21 335	0.26 180	0.17 80	0.37 130	0.26 69	0.24 89	0.29 121	0.32 229	0.14 65	0.22 57	0.15 54	0.07 19	0.08 150	0.07 20	0.07 60	0.06 3	0.07 14

HH	0.22 125	0.12 69	0.55 221	0.32 374	0.16 223	0.27 186	0.18 124	0.36 118	0.25 60	0.20 53	0.26 98	0.34 244	0.18 136	0.33 186	0.15 54	0.07 19	0.16 323	0.07 20	0.07 60	0.07 40	0.31 394

HanStereo	0.22 125	0.12 69	0.55 221	0.32 374	0.16 223	0.27 186	0.18 124	0.36 118	0.25 60	0.20 53	0.26 98	0.34 244	0.18 136	0.33 186	0.15 54	0.07 19	0.16 323	0.07 20	0.07 60	0.07 40	0.31 394

EGLCR-Stereo	0.19 61	0.09 5	0.34 26	0.29 347	0.17 252	0.28 202	0.16 59	0.30 59	0.23 28	0.22 76	0.11 2	0.16 46	0.09 4	0.28 130	0.15 54	0.07 19	0.25 399	0.07 20	0.07 60	0.06 3	0.37 416

RCA-Stereo	0.17 33	0.10 15	0.33 24	0.20 47	0.11 28	0.19 41	0.17 80	0.39 159	0.36 190	0.21 59	0.25 91	0.17 54	0.17 108	0.18 18	0.15 54	0.07 19	0.14 285	0.07 20	0.06 29	0.06 3	0.08 45

CroCo-Stereo Lap2	0.16 19	0.18 227	0.39 47	0.26 275	0.18 279	0.11 2	0.19 160	0.30 59	0.22 22	0.13 3	0.16 24	0.15 41	0.11 19	0.17 11	0.15 54	0.07 19	0.07 100	0.08 82	0.06 29	0.08 83	0.07 14

RAFT_CTSACE	0.23 155	0.21 260	0.57 239	0.26 275	0.15 191	0.22 114	0.23 273	0.34 102	0.30 123	0.34 247	0.51 336	0.31 218	0.17 108	0.33 186	0.15 54	0.06 1	0.09 186	0.09 149	0.08 125	0.08 83	0.07 14

sAnonymous2	0.21 111	0.24 301	0.79 338	0.24 207	0.17 252	0.22 114	0.20 191	0.36 118	0.29 109	0.17 32	0.19 40	0.17 54	0.16 93	0.18 18	0.15 54	0.10 226	0.07 100	0.09 149	0.08 125	0.23 399	0.18 282

CroCo_RVC	0.21 111	0.24 301	0.79 338	0.24 207	0.17 252	0.22 114	0.20 191	0.36 118	0.29 109	0.17 32	0.19 40	0.17 54	0.16 93	0.18 18	0.15 54	0.10 226	0.07 100	0.09 149	0.08 125	0.23 399	0.18 282

model_zeroshot	0.21 111	0.14 131	0.51 171	0.34 390	0.18 279	0.26 180	0.16 59	0.41 186	0.24 38	0.33 229	0.20 48	0.25 141	0.12 31	0.26 101	0.16 66	0.09 167	0.21 369	0.07 20	0.08 125	0.07 40	0.13 214

rvit_stereo_0080	0.16 19	0.17 206	0.35 30	0.19 21	0.13 98	0.14 4	0.20 191	0.29 47	0.26 69	0.16 23	0.17 28	0.19 72	0.14 65	0.19 28	0.16 66	0.11 261	0.08 150	0.08 82	0.08 125	0.10 202	0.08 45

RAFT-Stereo-weight	0.17 33	0.10 15	0.31 18	0.20 47	0.12 56	0.20 68	0.16 59	0.38 141	0.33 155	0.25 100	0.20 48	0.19 72	0.10 9	0.19 28	0.16 66	0.07 19	0.13 271	0.07 20	0.06 29	0.06 3	0.09 74

Former-RAFT_DAM_RVC	0.18 41	0.15 156	0.27 7	0.20 47	0.13 98	0.24 152	0.17 80	0.31 74	0.37 205	0.43 347	0.17 28	0.13 17	0.12 31	0.20 38	0.16 66	0.08 105	0.07 100	0.09 149	0.07 60	0.09 151	0.08 45

AE-Stereo	0.21 111	0.12 69	0.50 157	0.25 239	0.15 191	0.24 152	0.18 124	0.40 168	0.34 166	0.19 45	0.26 98	0.21 96	0.13 52	0.22 57	0.16 66	0.07 19	0.26 406	0.09 149	0.10 246	0.07 40	0.31 394

whm_eth	0.16 19	0.17 206	0.35 30	0.19 21	0.13 98	0.14 4	0.20 191	0.29 47	0.26 69	0.16 23	0.17 28	0.19 72	0.14 65	0.19 28	0.16 66	0.11 261	0.08 150	0.08 82	0.08 125	0.10 202	0.08 45

MIM_Stereo	0.20 85	0.17 206	0.55 221	0.20 47	0.21 335	0.17 20	0.14 20	0.37 130	0.27 84	0.28 130	0.35 189	0.23 114	0.13 52	0.28 130	0.16 66	0.06 1	0.08 150	0.09 149	0.08 125	0.08 83	0.15 249

DLNR_Zeroshot_test	10.53 478	12.28 484	20.32 485	105.84 493	23.88 490	0.14 4	0.13 8	3.20 472	0.20 11	0.16 23	0.23 79	0.16 46	0.10 9	0.32 177	0.16 66	2.54 471	0.32 431	0.07 20	0.07 60	40.17 491	0.28 382

SPstereo	0.18 41	0.21 260	0.47 102	0.23 163	0.18 279	0.21 90	0.10 1	0.28 32	0.24 38	0.20 53	0.22 73	0.15 41	0.13 52	0.21 43	0.16 66	0.07 19	0.19 355	0.07 20	0.05 9	0.06 3	0.09 74

Sa-1000	0.24 183	0.20 252	0.53 203	0.23 163	0.14 134	0.30 235	0.23 273	0.50 266	0.41 246	0.30 177	0.50 333	0.26 160	0.19 155	0.33 186	0.16 66	0.08 105	0.10 213	0.10 219	0.11 276	0.08 83	0.08 45

PSM-AAD	0.26 230	0.11 34	0.43 73	0.24 207	0.12 56	0.27 186	0.37 384	0.36 118	0.30 123	0.36 276	0.39 237	0.28 178	0.77 424	0.30 160	0.16 66	0.07 19	0.06 37	0.12 303	0.11 276	0.09 151	0.21 320

KYRaft	0.23 155	0.11 34	0.43 73	0.23 163	0.12 56	0.23 132	0.23 273	0.37 130	0.26 69	0.35 265	0.53 349	0.34 244	0.26 235	0.29 149	0.16 66	0.07 19	0.05 3	0.09 149	0.10 246	0.08 83	0.30 390

AnonymousM	0.19 61	0.20 252	0.30 13	0.18 10	0.10 20	0.19 41	0.17 80	0.32 80	0.27 84	0.27 120	0.21 65	0.18 63	0.14 65	0.21 43	0.16 66	0.09 167	0.08 150	0.38 430	0.15 368	0.06 3	0.08 45

cross-raft	0.18 41	0.12 69	0.40 53	0.27 309	0.16 223	0.20 68	0.24 296	0.34 102	0.24 38	0.23 83	0.28 114	0.29 191	0.15 78	0.19 28	0.16 66	0.06 1	0.05 3	0.08 82	0.07 60	0.07 40	0.07 14

Prome-Stereo	0.22 125	0.10 15	0.43 73	0.24 207	0.13 98	0.23 132	0.23 273	0.37 130	0.27 84	0.33 229	0.58 368	0.24 130	0.28 261	0.30 160	0.16 66	0.07 19	0.05 3	0.08 82	0.07 60	0.08 83	0.20 311

iRaftStereo_RVC	0.17 33	0.16 179	0.35 30	0.21 73	0.11 28	0.20 68	0.17 80	0.34 102	0.25 60	0.20 53	0.25 91	0.19 72	0.12 31	0.21 43	0.16 66	0.07 19	0.12 255	0.10 219	0.09 198	0.09 151	0.14 236

CREStereo++_RVC	0.16 19	0.09 5	0.42 68	0.17 5	0.11 28	0.18 30	0.13 8	0.23 7	0.31 131	0.21 59	0.31 144	0.13 17	0.11 19	0.17 11	0.16 66	0.07 19	0.04 1	0.06 1	0.15 368	0.06 3	0.05 1
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
sCroCo_RVC	0.19 61	0.15 156	0.60 268	0.27 309	0.18 279	0.23 132	0.16 59	0.28 32	0.24 38	0.14 11	0.22 73	0.17 54	0.14 65	0.22 57	0.16 66	0.11 261	0.11 239	0.09 149	0.09 198	0.09 151	0.10 121

UGAM-zero	0.26 230	0.11 34	0.56 231	0.20 47	0.16 223	0.28 202	0.18 124	0.48 250	0.25 60	0.31 192	0.28 114	0.56 374	0.32 311	0.66 340	0.17 84	0.07 19	0.10 213	0.07 20	0.09 198	0.07 40	0.31 394

rvit_stereo_0083	0.17 33	0.13 91	0.29 10	0.21 73	0.13 98	0.17 20	0.17 80	0.23 7	0.36 190	0.16 23	0.22 73	0.19 72	0.17 108	0.21 43	0.17 84	0.11 261	0.10 213	0.10 219	0.08 125	0.09 151	0.08 45

rvit_stereo_0081	0.16 19	0.13 91	0.30 13	0.21 73	0.12 56	0.17 20	0.17 80	0.24 15	0.34 166	0.17 32	0.19 40	0.18 63	0.15 78	0.20 38	0.17 84	0.11 261	0.08 150	0.09 149	0.08 125	0.09 151	0.07 14

rvit_stereo_0082	0.16 19	0.13 91	0.30 13	0.21 73	0.12 56	0.17 20	0.17 80	0.24 15	0.34 166	0.17 32	0.19 40	0.18 63	0.15 78	0.20 38	0.17 84	0.11 261	0.08 150	0.09 149	0.08 125	0.09 151	0.07 14

testlalala2	0.19 61	0.11 34	0.49 136	0.37 401	0.26 386	0.24 152	0.14 20	0.37 130	0.26 69	0.25 100	0.27 109	0.21 96	0.12 31	0.17 11	0.17 84	0.07 19	0.07 100	0.07 20	0.07 60	0.07 40	0.08 45

plain	0.18 41	0.16 179	0.59 261	0.21 73	0.13 98	0.16 12	0.17 80	0.29 47	0.23 28	0.16 23	0.26 98	0.13 17	0.17 108	0.27 111	0.17 84	0.09 167	0.06 37	0.10 219	0.07 60	0.10 202	0.07 14

MaDis-Stereo	0.15 9	0.17 206	0.39 47	0.19 21	0.15 191	0.16 12	0.13 8	0.26 25	0.22 22	0.13 3	0.15 21	0.14 33	0.11 19	0.17 11	0.17 84	0.08 105	0.07 100	0.08 82	0.06 29	0.07 40	0.06 5

UniTT-Stereo	0.15 9	0.12 69	0.45 84	0.21 73	0.14 134	0.17 20	0.13 8	0.20 3	0.19 6	0.16 23	0.20 48	0.10 1	0.11 19	0.18 18	0.17 84	0.08 105	0.06 37	0.07 20	0.06 29	0.08 83	0.07 14

anonymousdsp2	0.23 155	0.11 34	0.42 68	0.26 275	0.24 371	0.25 165	0.17 80	0.43 196	0.37 205	0.30 177	0.23 79	0.24 130	0.15 78	0.32 177	0.17 84	0.07 19	0.28 414	0.07 20	0.05 9	0.08 83	0.44 429

knoymous	0.18 41	0.10 15	0.35 30	0.17 5	0.11 28	0.21 90	0.17 80	0.33 95	0.24 38	0.24 89	0.28 114	0.27 165	0.16 93	0.24 75	0.17 84	0.09 167	0.06 37	0.09 149	0.06 29	0.09 151	0.10 121

DisPM	0.20 85	0.11 34	0.52 192	0.24 207	0.13 98	0.18 30	0.19 160	0.30 59	0.31 131	0.33 229	0.34 181	0.23 114	0.16 93	0.34 200	0.17 84	0.09 167	0.06 37	0.09 149	0.08 125	0.08 83	0.12 193

RAFT+CT+SA	0.23 155	0.24 301	0.48 116	0.25 239	0.18 279	0.23 132	0.29 344	0.42 189	0.38 213	0.24 89	0.39 237	0.20 83	0.17 108	0.34 200	0.17 84	0.07 19	0.07 100	0.09 149	0.12 315	0.09 151	0.13 214

SA	0.24 183	0.22 278	0.55 221	0.23 163	0.14 134	0.25 165	0.23 273	0.48 250	0.42 258	0.28 130	0.44 288	0.23 114	0.23 188	0.34 200	0.17 84	0.07 19	0.09 186	0.11 270	0.11 276	0.08 83	0.09 74

GLC_STEREO	0.15 9	0.11 34	0.31 18	0.22 116	0.09 7	0.17 20	0.15 36	0.24 15	0.28 93	0.17 32	0.20 48	0.17 54	0.11 19	0.24 75	0.17 84	0.07 19	0.09 186	0.09 149	0.08 125	0.07 40	0.07 14

LCNet	0.22 125	0.12 69	0.42 68	0.26 275	0.12 56	0.23 132	0.19 160	0.36 118	0.28 93	0.28 130	0.35 189	0.26 160	0.30 286	0.35 207	0.17 84	0.07 19	0.05 3	0.09 149	0.10 246	0.13 305	0.22 331

PSM-adaLoss	0.19 61	0.13 91	0.51 171	0.22 116	0.11 28	0.19 41	0.15 36	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.25 85	0.17 84	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74

ROB_FTStereo	0.19 61	0.13 91	0.51 171	0.22 116	0.11 28	0.19 41	0.13 8	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.25 85	0.17 84	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74

HUI-Stereo	0.19 61	0.13 91	0.52 192	0.22 116	0.11 28	0.19 41	0.14 20	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.23 68	0.17 84	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74

GrayStereo	0.26 230	0.10 15	0.45 84	0.27 309	0.14 134	0.23 132	0.46 412	0.36 118	0.33 155	0.40 322	0.47 321	0.30 208	0.78 425	0.29 149	0.17 84	0.07 19	0.06 37	0.08 82	0.09 198	0.07 40	0.15 249

GMM-Stereo	0.22 125	0.10 15	0.56 231	0.23 163	0.13 98	0.24 152	0.24 296	0.38 141	0.29 109	0.31 192	0.44 288	0.27 165	0.21 170	0.31 171	0.17 84	0.07 19	0.05 3	0.10 219	0.09 198	0.08 83	0.19 297

s12784h	0.18 41	0.09 5	0.38 42	0.18 10	0.07 1	0.33 278	0.19 160	0.39 159	0.34 166	0.24 89	0.25 91	0.18 63	0.18 136	0.25 85	0.17 84	0.07 19	0.05 3	0.07 20	0.05 9	0.06 3	0.05 1

raftrobust	0.19 61	0.19 239	0.42 68	0.23 163	0.24 371	0.19 41	0.13 8	0.33 95	0.28 93	0.26 110	0.20 48	0.19 72	0.17 108	0.23 68	0.17 84	0.08 105	0.10 213	0.07 20	0.06 29	0.07 40	0.09 74

RAFT-Stereo + iAFF	0.20 85	0.23 291	0.49 136	0.21 73	0.16 223	0.19 41	0.17 80	0.35 111	0.32 141	0.26 110	0.33 171	0.20 83	0.17 108	0.21 43	0.17 84	0.06 1	0.10 213	0.07 20	0.07 60	0.07 40	0.11 155

AFF-stereo	0.20 85	0.24 301	0.49 136	0.22 116	0.11 28	0.18 30	0.18 124	0.35 111	0.29 109	0.25 100	0.36 204	0.25 141	0.17 108	0.25 85	0.17 84	0.06 1	0.09 186	0.08 82	0.08 125	0.08 83	0.11 155

rvit_0105_6	0.20 85	0.16 179	0.41 59	0.23 163	0.14 134	0.18 30	0.20 191	0.31 74	0.39 229	0.18 43	0.22 73	0.23 114	0.18 136	0.26 101	0.18 108	0.16 362	0.13 271	0.13 328	0.11 276	0.11 254	0.09 74

rvit_0105_4	0.21 111	0.17 206	0.49 136	0.23 163	0.14 134	0.20 68	0.23 273	0.35 111	0.40 239	0.19 45	0.24 85	0.25 141	0.20 160	0.28 130	0.18 108	0.16 362	0.13 271	0.12 303	0.11 276	0.11 254	0.10 121

rvit_stereo_ft	0.18 41	0.19 239	0.43 73	0.25 239	0.14 134	0.17 20	0.21 215	0.30 59	0.28 93	0.17 32	0.19 40	0.20 83	0.17 108	0.22 57	0.18 108	0.11 261	0.07 100	0.09 149	0.09 198	0.10 202	0.08 45

MIF-Stereo (partial)	0.18 41	0.13 91	0.50 157	0.22 116	0.15 191	0.16 12	0.13 8	0.29 47	0.26 69	0.17 32	0.26 98	0.16 46	0.17 108	0.25 85	0.18 108	0.09 167	0.06 37	0.10 219	0.08 125	0.09 151	0.08 45

EKT-Stereo	0.39 349	0.13 91	0.53 203	0.42 422	3.94 472	0.22 114	0.17 80	0.38 141	0.30 123	0.21 59	0.20 48	0.23 114	0.15 78	0.30 160	0.18 108	0.10 226	0.08 150	0.09 149	0.08 125	0.09 151	0.12 193

testlalala_base	0.23 155	0.14 131	0.48 116	0.26 275	0.16 223	0.25 165	0.17 80	0.37 130	0.19 6	0.20 53	0.26 98	0.17 54	0.14 65	0.19 28	0.18 108	0.42 438	0.23 388	0.07 20	0.06 29	0.50 432	0.14 236

LL-Strereo2	0.21 111	0.25 316	0.53 203	0.32 374	0.20 322	0.25 165	0.14 20	0.32 80	0.25 60	0.25 100	0.20 48	0.24 130	0.12 31	0.28 130	0.18 108	0.07 19	0.07 100	0.12 303	0.09 198	0.09 151	0.16 262

4D-IteraStereo	0.20 85	0.21 260	0.62 277	0.21 73	0.14 134	0.19 41	0.17 80	0.29 47	0.28 93	0.24 89	0.20 48	0.20 83	0.10 9	0.22 57	0.18 108	0.07 19	0.07 100	0.10 219	0.08 125	0.08 83	0.33 402

DCRE	0.24 183	0.15 156	0.45 84	0.26 275	0.26 386	0.23 132	0.21 215	0.37 130	0.29 109	0.23 83	0.81 415	0.23 114	0.16 93	0.24 75	0.18 108	0.07 19	0.14 285	0.07 20	0.08 125	0.07 40	0.25 362

Selective-RAFT	0.19 61	0.14 131	0.37 41	0.24 207	0.11 28	0.30 235	0.15 36	0.35 111	0.34 166	0.17 32	0.17 28	0.22 101	0.18 136	0.29 149	0.18 108	0.07 19	0.16 323	0.07 20	0.07 60	0.08 83	0.08 45

TestStereo1	0.23 155	0.22 278	0.50 157	0.27 309	0.14 134	0.26 180	0.27 326	0.43 196	0.38 213	0.29 154	0.39 237	0.23 114	0.21 170	0.33 186	0.18 108	0.08 105	0.08 150	0.09 149	0.08 125	0.08 83	0.10 121

raft_robust	0.25 208	0.23 291	0.44 81	0.22 116	0.13 98	0.23 132	0.22 246	0.52 281	0.50 336	0.33 229	0.32 153	0.33 236	0.23 188	0.55 284	0.18 108	0.07 19	0.11 239	0.08 82	0.10 246	0.08 83	0.07 14

SA-5K	0.23 155	0.22 278	0.50 157	0.27 309	0.14 134	0.26 180	0.27 326	0.43 196	0.38 213	0.29 154	0.39 237	0.23 114	0.21 170	0.33 186	0.18 108	0.08 105	0.08 150	0.09 149	0.08 125	0.08 83	0.10 121

test_4	0.19 61	0.16 179	0.39 47	0.24 207	0.13 98	0.19 41	0.21 215	0.27 28	0.24 38	0.24 89	0.47 321	0.22 101	0.13 52	0.27 111	0.18 108	0.06 1	0.06 37	0.09 149	0.09 198	0.07 40	0.06 5

PFNet+	0.21 111	0.11 34	0.54 215	0.22 116	0.12 56	0.17 20	0.18 124	0.31 74	0.36 190	0.33 229	0.32 153	0.24 130	0.16 93	0.33 186	0.18 108	0.10 226	0.07 100	0.11 270	0.10 246	0.08 83	0.12 193

Patchmatch Stereo++	0.19 61	0.13 91	0.51 171	0.22 116	0.11 28	0.19 41	0.14 20	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.27 111	0.18 108	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74
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
FTStereo	0.28 261	0.11 34	0.56 231	0.24 207	0.13 98	0.21 90	0.52 425	0.36 118	0.28 93	0.38 299	0.94 427	0.30 208	0.56 401	0.33 186	0.18 108	0.08 105	0.06 37	0.09 149	0.08 125	0.08 83	0.19 297

ROB_FTStereo_v2	0.19 61	0.13 91	0.51 171	0.22 116	0.11 28	0.19 41	0.15 36	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.25 85	0.18 108	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74

SST-Stereo	0.22 125	0.11 34	0.52 192	0.25 239	0.14 134	0.19 41	0.17 80	0.32 80	0.26 69	0.34 247	0.33 171	0.29 191	0.25 218	0.56 290	0.18 108	0.08 105	0.05 3	0.10 219	0.08 125	0.09 151	0.07 14

iGMRVC	0.19 61	0.13 91	0.51 171	0.22 116	0.11 28	0.19 41	0.15 36	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.27 111	0.18 108	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74

iRAFT	0.19 61	0.13 91	0.51 171	0.22 116	0.11 28	0.19 41	0.14 20	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.27 111	0.18 108	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74

RAFT	0.24 183	0.24 301	0.46 97	0.27 309	0.15 191	0.26 180	0.26 320	0.37 130	0.31 131	0.34 247	0.34 181	0.41 296	0.22 177	0.30 160	0.18 108	0.08 105	0.15 312	0.11 270	0.10 246	0.11 254	0.13 214

RAFT-IKP	0.19 61	0.13 91	0.51 171	0.22 116	0.11 28	0.18 30	0.15 36	0.30 59	0.24 38	0.28 130	0.29 121	0.25 141	0.18 136	0.26 101	0.18 108	0.09 167	0.06 37	0.10 219	0.08 125	0.10 202	0.09 74

R-Stereo Train	0.19 61	0.10 15	0.49 136	0.22 116	0.12 56	0.23 132	0.18 124	0.43 196	0.20 11	0.31 192	0.45 302	0.20 83	0.14 65	0.18 18	0.18 108	0.08 105	0.06 37	0.07 20	0.06 29	0.06 3	0.07 14

RAFT-Stereo	0.19 61	0.10 15	0.49 136	0.22 116	0.12 56	0.23 132	0.18 124	0.43 196	0.20 11	0.31 192	0.45 302	0.20 83	0.14 65	0.18 18	0.18 108	0.08 105	0.06 37	0.07 20	0.06 29	0.06 3	0.07 14
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
GCAP-BAT	0.20 85	0.12 69	0.48 116	0.25 239	0.17 252	0.24 152	0.16 59	0.32 80	0.21 19	0.28 130	0.30 133	0.26 160	0.12 31	0.28 130	0.19 133	0.07 19	0.25 399	0.07 20	0.08 125	0.06 3	0.19 297

Occ-G	0.18 41	0.10 15	0.38 42	0.23 163	0.15 191	0.16 12	0.18 124	0.23 7	0.26 69	0.15 18	0.20 48	0.21 96	0.11 19	0.22 57	0.19 133	0.07 19	0.17 342	0.07 20	0.06 29	0.08 83	0.30 390

H2IRNET	0.19 61	0.18 227	0.50 157	0.22 116	0.12 56	0.20 68	0.16 59	0.28 32	0.31 131	0.17 32	0.32 153	0.25 141	0.20 160	0.24 75	0.19 133	0.08 105	0.06 37	0.09 149	0.10 246	0.10 202	0.08 45

StereoVision	0.23 155	0.23 291	0.55 221	0.27 309	0.17 252	0.23 132	0.22 246	0.40 168	0.32 141	0.21 59	0.51 336	0.22 101	0.16 93	0.29 149	0.19 133	0.11 261	0.12 255	0.13 328	0.13 343	0.10 202	0.08 45

test_5	0.25 208	0.25 316	0.57 239	0.27 309	0.18 279	0.25 165	0.29 344	0.42 189	0.39 229	0.29 154	0.40 246	0.27 165	0.23 188	0.35 207	0.19 133	0.07 19	0.07 100	0.09 149	0.09 198	0.10 202	0.14 236

IPLGR	0.22 125	0.14 131	0.75 323	0.21 73	0.11 28	0.25 165	0.18 124	0.44 216	0.38 213	0.29 154	0.28 114	0.21 96	0.19 155	0.37 220	0.19 133	0.07 19	0.06 37	0.08 82	0.07 60	0.07 40	0.07 14

test-3	0.18 41	0.10 15	0.48 116	0.23 163	0.14 134	0.18 30	0.16 59	0.32 80	0.29 109	0.26 110	0.17 28	0.22 101	0.13 52	0.26 101	0.19 133	0.06 1	0.14 285	0.08 82	0.08 125	0.06 3	0.10 121

test_1	0.18 41	0.10 15	0.48 116	0.23 163	0.14 134	0.18 30	0.16 59	0.32 80	0.29 109	0.26 110	0.17 28	0.22 101	0.13 52	0.26 101	0.19 133	0.06 1	0.14 285	0.08 82	0.08 125	0.06 3	0.10 121

NRIStereo	0.20 85	0.12 69	0.50 157	0.23 163	0.11 28	0.24 152	0.19 160	0.30 59	0.28 93	0.26 110	0.26 98	0.25 141	0.18 136	0.34 200	0.19 133	0.08 105	0.06 37	0.09 149	0.07 60	0.09 151	0.09 74

RAFT_R40	0.22 125	0.11 34	0.52 192	0.25 239	0.13 98	0.18 30	0.18 124	0.32 80	0.31 131	0.33 229	0.33 171	0.30 208	0.23 188	0.55 284	0.19 133	0.08 105	0.05 3	0.10 219	0.08 125	0.09 151	0.07 14

DeepStereo_RVC	0.19 61	0.12 69	0.47 102	0.22 116	0.11 28	0.19 41	0.16 59	0.29 47	0.24 38	0.28 130	0.27 109	0.23 114	0.28 261	0.24 75	0.19 133	0.08 105	0.06 37	0.09 149	0.07 60	0.09 151	0.10 121

CRE-IMP	0.19 61	0.13 91	0.51 171	0.23 163	0.11 28	0.24 152	0.17 80	0.31 74	0.24 38	0.27 120	0.26 98	0.24 130	0.17 108	0.24 75	0.19 133	0.09 167	0.05 3	0.10 219	0.07 60	0.10 202	0.10 121

Anonymous3	0.24 183	0.19 239	0.76 327	0.27 309	0.18 279	0.41 342	0.24 296	0.45 223	0.36 190	0.23 83	0.27 109	0.20 83	0.18 136	0.28 130	0.19 133	0.12 299	0.11 239	0.10 219	0.10 246	0.11 254	0.13 214

TestStereo	0.22 125	0.24 301	0.48 116	0.25 239	0.11 28	0.22 114	0.22 246	0.32 80	0.31 131	0.24 89	0.34 181	0.23 114	0.19 155	0.62 322	0.19 133	0.08 105	0.07 100	0.10 219	0.07 60	0.11 254	0.07 14

111	0.22 125	0.22 278	0.57 239	0.19 21	0.09 7	0.24 152	0.17 80	0.44 216	0.46 300	0.24 89	0.30 133	0.29 191	0.22 177	0.25 85	0.19 133	0.08 105	0.05 3	0.07 20	0.06 29	0.07 40	0.15 249

ARAFT	0.26 230	0.30 348	0.87 362	0.22 116	0.12 56	0.30 235	0.24 296	0.46 230	0.34 166	0.33 229	0.28 114	0.29 191	0.20 160	0.49 254	0.19 133	0.08 105	0.06 37	0.12 303	0.11 276	0.09 151	0.09 74

GMStereo	0.21 111	0.30 348	0.57 239	0.21 73	0.12 56	0.24 152	0.18 124	0.30 59	0.41 246	0.26 110	0.24 85	0.17 54	0.16 93	0.25 85	0.19 133	0.10 226	0.07 100	0.08 82	0.08 125	0.11 254	0.09 74
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
rvit_0105_5	0.22 125	0.18 227	0.51 171	0.23 163	0.13 98	0.22 114	0.25 309	0.38 141	0.40 239	0.21 59	0.23 79	0.27 165	0.20 160	0.27 111	0.20 150	0.15 352	0.13 271	0.12 303	0.12 315	0.10 202	0.10 121

rvit_stereo_0075_2	0.25 208	0.18 227	0.65 288	0.27 309	0.22 350	0.22 114	0.15 36	0.41 186	0.36 190	0.27 120	0.37 215	0.29 191	0.21 170	0.29 149	0.20 150	0.17 376	0.12 255	0.19 392	0.12 315	0.14 327	0.14 236

AIO-Stereo-zeroshot	0.26 230	0.15 156	0.96 384	0.21 73	0.25 382	0.30 235	0.21 215	0.54 303	0.28 93	0.25 100	0.29 121	0.46 331	0.23 188	0.28 130	0.20 150	0.08 105	0.10 213	0.08 82	0.12 315	0.11 254	0.17 279

MyStereo06	0.23 155	0.15 156	0.74 320	0.22 116	0.14 134	0.25 165	0.22 246	0.43 196	0.25 60	0.36 276	0.24 85	0.34 244	0.18 136	0.24 75	0.20 150	0.07 19	0.12 255	0.09 149	0.09 198	0.09 151	0.11 155

CoDeX	0.24 183	0.13 91	0.48 116	0.22 116	0.14 134	0.29 222	0.21 215	0.55 319	0.42 258	0.29 154	0.36 204	0.28 178	0.23 188	0.48 252	0.20 150	0.09 167	0.06 37	0.08 82	0.07 60	0.08 83	0.08 45

IGEV_Zeroshot_test	0.23 155	0.11 34	0.82 345	0.21 73	0.23 360	0.20 68	0.19 160	0.38 141	0.23 28	0.34 247	0.22 73	0.29 191	0.14 65	0.24 75	0.20 150	0.07 19	0.09 186	0.08 82	0.08 125	0.08 83	0.35 407

DCANet-4	0.20 85	0.11 34	0.58 254	0.19 21	0.09 7	0.19 41	0.18 124	0.39 159	0.42 258	0.29 154	0.31 144	0.17 54	0.22 177	0.21 43	0.20 150	0.07 19	0.05 3	0.07 20	0.05 9	0.06 3	0.09 74

fff	0.20 85	0.15 156	0.57 239	0.19 21	0.09 7	0.19 41	0.18 124	0.38 141	0.46 300	0.29 154	0.31 144	0.18 63	0.28 261	0.21 43	0.20 150	0.07 19	0.05 3	0.07 20	0.05 9	0.06 3	0.09 74

ADStereo(finetuned)	0.21 111	0.15 156	0.59 261	0.19 21	0.09 7	0.19 41	0.18 124	0.37 130	0.41 246	0.30 177	0.31 144	0.19 72	0.31 300	0.21 43	0.20 150	0.07 19	0.05 3	0.07 20	0.05 9	0.07 40	0.10 121

MIPNet	0.22 125	0.19 239	0.64 285	0.22 116	0.12 56	0.28 202	0.20 191	0.48 250	0.39 229	0.31 192	0.24 85	0.19 72	0.24 207	0.28 130	0.20 150	0.07 19	0.05 3	0.08 82	0.07 60	0.07 40	0.08 45

test_3	0.20 85	0.12 69	0.49 136	0.26 275	0.14 134	0.22 114	0.25 309	0.34 102	0.33 155	0.25 100	0.18 36	0.23 114	0.13 52	0.25 85	0.20 150	0.06 1	0.14 285	0.09 149	0.10 246	0.07 40	0.10 121

TransformOpticalFlow	0.24 183	0.14 131	0.57 239	0.24 207	0.11 28	0.21 90	0.19 160	0.43 196	0.34 166	0.30 177	0.43 278	0.36 263	0.31 300	0.61 314	0.20 150	0.07 19	0.05 3	0.08 82	0.07 60	0.06 3	0.08 45

raft+_RVC	0.21 111	0.21 260	0.46 97	0.22 116	0.35 414	0.21 90	0.16 59	0.39 159	0.35 176	0.22 76	0.28 114	0.20 83	0.15 78	0.25 85	0.20 150	0.08 105	0.16 323	0.08 82	0.07 60	0.07 40	0.12 193

RALCasStereoNet	0.22 125	0.22 278	0.48 116	0.23 163	0.23 360	0.22 114	0.18 124	0.32 80	0.27 84	0.22 76	0.30 133	0.22 101	0.15 78	0.29 149	0.20 150	0.08 105	0.22 379	0.07 20	0.06 29	0.10 202	0.25 362

RALAANet	0.21 111	0.24 301	0.53 203	0.23 163	0.14 134	0.22 114	0.13 8	0.38 141	0.30 123	0.29 154	0.26 98	0.25 141	0.15 78	0.28 130	0.20 150	0.08 105	0.08 150	0.09 149	0.08 125	0.10 202	0.07 14

DCANet	0.20 85	0.15 156	0.57 239	0.19 21	0.09 7	0.19 41	0.18 124	0.37 130	0.41 246	0.30 177	0.31 144	0.19 72	0.23 188	0.21 43	0.20 150	0.07 19	0.05 3	0.07 20	0.05 9	0.07 40	0.10 121

csc	0.20 85	0.15 156	0.57 239	0.19 21	0.09 7	0.19 41	0.18 124	0.38 141	0.46 300	0.29 154	0.31 144	0.18 63	0.28 261	0.21 43	0.20 150	0.07 19	0.05 3	0.07 20	0.05 9	0.06 3	0.09 74

cscssc	0.20 85	0.15 156	0.57 239	0.19 21	0.09 7	0.19 41	0.18 124	0.38 141	0.46 300	0.29 154	0.31 144	0.18 63	0.28 261	0.21 43	0.20 150	0.07 19	0.05 3	0.07 20	0.05 9	0.06 3	0.09 74

SFCPSM	0.23 155	0.12 69	0.51 171	0.21 73	0.14 134	0.34 293	0.22 246	0.57 337	0.41 246	0.29 154	0.32 153	0.23 114	0.22 177	0.28 130	0.20 150	0.10 226	0.07 100	0.09 149	0.10 246	0.09 151	0.09 74

DIP-Stereo	0.20 85	0.13 91	0.48 116	0.20 47	0.13 98	0.28 202	0.12 5	0.43 196	0.26 69	0.27 120	0.32 153	0.21 96	0.17 108	0.26 101	0.20 150	0.08 105	0.06 37	0.08 82	0.06 29	0.07 40	0.10 121
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
rvit_0105_3	0.24 183	0.21 260	0.57 239	0.25 239	0.15 191	0.24 152	0.28 339	0.40 168	0.43 269	0.25 100	0.26 98	0.29 191	0.22 177	0.29 149	0.21 170	0.15 352	0.13 271	0.14 348	0.15 368	0.10 202	0.10 121

qqq1	0.26 230	0.13 91	0.47 102	0.20 47	0.10 20	0.28 202	0.19 160	0.54 303	0.48 318	0.35 265	0.42 265	0.31 218	0.27 241	0.60 308	0.21 170	0.10 226	0.16 323	0.07 20	0.07 60	0.08 83	0.13 214

fff1	0.26 230	0.13 91	0.47 102	0.20 47	0.10 20	0.28 202	0.19 160	0.54 303	0.48 318	0.35 265	0.42 265	0.31 218	0.27 241	0.60 308	0.21 170	0.10 226	0.16 323	0.07 20	0.07 60	0.08 83	0.13 214

GMStereo_Zeroshot	0.25 208	0.22 278	0.51 171	0.27 309	0.14 134	0.28 202	0.15 36	0.40 168	0.36 190	0.37 291	0.43 278	0.40 290	0.17 108	0.35 207	0.21 170	0.12 299	0.07 100	0.13 328	0.07 60	0.17 355	0.10 121

PCWNet_CMD	0.23 155	0.14 131	0.48 116	0.21 73	0.13 98	0.28 202	0.17 80	0.47 240	0.47 312	0.30 177	0.36 204	0.37 267	0.24 207	0.29 149	0.21 170	0.09 167	0.06 37	0.10 219	0.08 125	0.11 254	0.11 155

CASS	0.22 125	0.16 179	0.40 53	0.26 275	0.12 56	0.29 222	0.19 160	0.40 168	0.32 141	0.34 247	0.35 189	0.25 141	0.25 218	0.26 101	0.21 170	0.13 318	0.08 150	0.11 270	0.09 198	0.11 254	0.12 193
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
UDGNet	0.24 183	0.37 384	0.53 203	0.25 239	0.14 134	0.24 152	0.18 124	0.32 80	0.44 279	0.29 154	0.28 114	0.24 130	0.20 160	0.30 160	0.21 170	0.16 362	0.07 100	0.21 400	0.11 276	0.16 343	0.11 155

NF-Stereo	0.22 125	0.11 34	0.52 192	0.25 239	0.12 56	0.21 90	0.18 124	0.40 168	0.35 176	0.28 130	0.30 133	0.22 101	0.17 108	0.52 271	0.21 170	0.09 167	0.06 37	0.09 149	0.08 125	0.08 83	0.13 214

OCTAStereo	0.22 125	0.11 34	0.52 192	0.25 239	0.12 56	0.21 90	0.18 124	0.40 168	0.35 176	0.28 130	0.30 133	0.22 101	0.17 108	0.51 264	0.21 170	0.09 167	0.06 37	0.09 149	0.08 125	0.08 83	0.13 214

PSM-softLoss	0.22 125	0.11 34	0.53 203	0.25 239	0.12 56	0.20 68	0.17 80	0.39 159	0.29 109	0.29 154	0.32 153	0.24 130	0.16 93	0.53 274	0.21 170	0.09 167	0.06 37	0.10 219	0.09 198	0.08 83	0.12 193

KMStereo	0.22 125	0.11 34	0.53 203	0.25 239	0.12 56	0.20 68	0.17 80	0.39 159	0.29 109	0.29 154	0.32 153	0.24 130	0.16 93	0.53 274	0.21 170	0.09 167	0.06 37	0.10 219	0.09 198	0.08 83	0.12 193

RE-Stereo	0.22 125	0.11 34	0.52 192	0.25 239	0.12 56	0.21 90	0.18 124	0.40 168	0.35 176	0.28 130	0.30 133	0.22 101	0.17 108	0.51 264	0.21 170	0.09 167	0.06 37	0.09 149	0.08 125	0.08 83	0.13 214

TVStereo	0.22 125	0.11 34	0.52 192	0.25 239	0.12 56	0.21 90	0.18 124	0.40 168	0.35 176	0.28 130	0.30 133	0.22 101	0.17 108	0.51 264	0.21 170	0.09 167	0.06 37	0.09 149	0.08 125	0.08 83	0.13 214

rafts_anoy	0.21 111	0.22 278	0.49 136	0.25 239	0.24 371	0.19 41	0.17 80	0.34 102	0.32 141	0.24 89	0.25 91	0.20 83	0.16 93	0.25 85	0.21 170	0.08 105	0.19 355	0.11 270	0.12 315	0.09 151	0.09 74

HCRNet	0.25 208	0.27 332	0.42 68	0.34 390	0.17 252	0.27 186	0.18 124	0.45 223	0.37 205	0.31 192	0.35 189	0.32 229	0.23 188	0.44 239	0.21 170	0.13 318	0.08 150	0.13 328	0.11 276	0.11 254	0.09 74

MSMDNet	0.23 155	0.14 131	0.49 136	0.20 47	0.13 98	0.28 202	0.17 80	0.47 240	0.47 312	0.30 177	0.36 204	0.37 267	0.24 207	0.29 149	0.21 170	0.09 167	0.07 100	0.09 149	0.08 125	0.11 254	0.11 155

AIO-Stereo-zeroshot1	0.28 261	0.17 206	0.96 384	0.29 347	0.31 409	0.29 222	0.21 215	0.53 291	0.28 93	0.27 120	0.55 357	0.41 296	0.18 136	0.30 160	0.22 186	0.08 105	0.10 213	0.08 82	0.13 343	0.12 291	0.20 311

CFNet_ucs	0.25 208	0.14 131	0.51 171	0.20 47	0.15 191	0.29 222	0.18 124	0.51 276	0.46 300	0.32 217	0.42 265	0.38 273	0.23 188	0.31 171	0.22 186	0.11 261	0.08 150	0.12 303	0.09 198	0.13 305	0.13 214

riskmin	0.24 183	0.10 15	0.43 73	0.32 374	0.26 386	0.33 278	0.19 160	0.44 216	0.30 123	0.24 89	0.27 109	0.37 267	0.25 218	0.30 160	0.22 186	0.09 167	0.18 351	0.09 149	0.13 343	0.10 202	0.27 376

BUS	0.24 183	0.13 91	0.36 36	0.25 239	0.14 134	0.44 356	0.17 80	0.59 359	0.36 190	0.34 247	0.35 189	0.31 218	0.22 177	0.27 111	0.22 186	0.10 226	0.07 100	0.11 270	0.10 246	0.09 151	0.10 121

NINENet	0.27 253	0.16 179	0.49 136	0.23 163	0.16 223	0.44 356	0.17 80	0.63 387	0.49 331	0.33 229	0.38 222	0.31 218	0.22 177	0.43 236	0.22 186	0.11 261	0.10 213	0.12 303	0.08 125	0.12 291	0.11 155

CIPLG	0.23 155	0.28 339	0.75 323	0.24 207	0.16 223	0.25 165	0.20 191	0.38 141	0.33 155	0.32 217	0.34 181	0.23 114	0.15 78	0.27 111	0.22 186	0.09 167	0.07 100	0.08 82	0.07 60	0.08 83	0.09 74

IPLGR_C	0.23 155	0.29 342	0.81 342	0.24 207	0.16 223	0.24 152	0.20 191	0.38 141	0.33 155	0.32 217	0.33 171	0.23 114	0.15 78	0.26 101	0.22 186	0.09 167	0.07 100	0.08 82	0.07 60	0.08 83	0.09 74

ACRE	0.23 155	0.27 332	0.83 350	0.24 207	0.15 191	0.24 152	0.20 191	0.38 141	0.32 141	0.32 217	0.33 171	0.23 114	0.15 78	0.26 101	0.22 186	0.09 167	0.07 100	0.08 82	0.07 60	0.08 83	0.09 74

GANet-ADL	0.22 125	0.14 131	0.51 171	0.23 163	0.14 134	0.29 222	0.19 160	0.48 250	0.36 190	0.26 110	0.33 171	0.32 229	0.20 160	0.26 101	0.22 186	0.11 261	0.07 100	0.07 20	0.06 29	0.09 151	0.11 155

ASMatch	0.23 155	0.11 34	0.55 221	0.25 239	0.14 134	0.19 41	0.16 59	0.32 80	0.30 123	0.28 130	0.68 397	0.28 178	0.26 235	0.50 258	0.22 186	0.07 19	0.06 37	0.08 82	0.07 60	0.06 3	0.11 155

Pruner-Stereo	0.20 85	0.12 69	0.49 136	0.29 347	0.12 56	0.19 41	0.17 80	0.32 80	0.31 131	0.33 229	0.32 153	0.25 141	0.15 78	0.25 85	0.22 186	0.09 167	0.06 37	0.09 149	0.08 125	0.08 83	0.10 121

RAFT-345	0.22 125	0.11 34	0.55 221	0.22 116	0.12 56	0.20 68	0.16 59	0.27 28	0.28 93	0.27 120	0.65 390	0.20 83	0.17 108	0.55 284	0.22 186	0.07 19	0.06 37	0.08 82	0.07 60	0.06 3	0.07 14

test-1	0.20 85	0.12 69	0.49 136	0.23 163	0.23 360	0.22 114	0.23 273	0.36 118	0.29 109	0.21 59	0.25 91	0.24 130	0.14 65	0.18 18	0.22 186	0.07 19	0.14 285	0.08 82	0.07 60	0.06 3	0.14 236

CFNet_pseudo	0.23 155	0.14 131	0.48 116	0.20 47	0.13 98	0.27 186	0.17 80	0.46 230	0.45 290	0.30 177	0.37 215	0.38 273	0.23 188	0.30 160	0.22 186	0.09 167	0.06 37	0.11 270	0.08 125	0.11 254	0.11 155

ccs_rob	0.23 155	0.14 131	0.48 116	0.20 47	0.13 98	0.27 186	0.17 80	0.46 230	0.45 290	0.30 177	0.37 215	0.38 273	0.23 188	0.30 160	0.22 186	0.09 167	0.06 37	0.11 270	0.08 125	0.12 291	0.11 155

DN-CSS_ROB	0.24 183	0.33 362	0.69 302	0.25 239	0.14 134	0.26 180	0.13 8	0.42 189	0.35 176	0.30 177	0.42 265	0.22 101	0.20 160	0.34 200	0.22 186	0.07 19	0.06 37	0.11 270	0.11 276	0.11 254	0.09 74

UGAM	0.28 261	0.18 227	0.57 239	0.26 275	0.13 98	0.23 132	0.26 320	0.33 95	0.45 290	0.32 217	0.42 265	0.45 324	0.22 177	0.92 413	0.23 202	0.08 105	0.09 186	0.14 348	0.13 343	0.10 202	0.10 121

GCST	0.50 393	0.67 433	0.82 345	1.04 457	0.55 437	0.38 328	0.11 3	0.42 189	0.33 155	0.42 336	0.35 189	0.29 191	0.18 136	0.50 258	0.23 202	0.70 450	0.42 441	0.79 451	0.62 454	0.63 440	0.47 434

test_sample2	0.23 155	0.12 69	0.39 47	0.20 47	0.11 28	0.28 202	0.22 246	0.45 223	0.33 155	0.27 120	0.34 181	0.30 208	0.25 218	0.46 247	0.23 202	0.09 167	0.15 312	0.09 149	0.08 125	0.10 202	0.19 297

IER	0.24 183	0.15 156	0.50 157	0.21 73	0.15 191	0.31 255	0.20 191	0.44 216	0.38 213	0.34 247	0.41 257	0.32 229	0.34 320	0.31 171	0.23 202	0.09 167	0.07 100	0.08 82	0.08 125	0.09 151	0.09 74

IPLG	0.23 155	0.19 239	0.65 288	0.21 73	0.12 56	0.28 202	0.17 80	0.45 223	0.32 141	0.33 229	0.32 153	0.16 46	0.17 108	0.50 258	0.23 202	0.07 19	0.06 37	0.08 82	0.07 60	0.07 40	0.08 45

PFNet	0.24 183	0.11 34	0.63 282	0.25 239	0.14 134	0.22 114	0.19 160	0.40 168	0.35 176	0.36 276	0.32 153	0.27 165	0.20 160	0.63 325	0.23 202	0.09 167	0.05 3	0.09 149	0.08 125	0.08 83	0.08 45

IRAFT_RVC	0.23 155	0.15 156	0.54 215	0.26 275	0.12 56	0.19 41	0.23 273	0.41 186	0.39 229	0.31 192	0.30 133	0.29 191	0.24 207	0.55 284	0.23 202	0.08 105	0.06 37	0.10 219	0.08 125	0.08 83	0.08 45

GES	0.23 155	0.14 131	0.54 215	0.21 73	0.14 134	0.28 202	0.19 160	0.51 276	0.35 176	0.31 192	0.36 204	0.25 141	0.24 207	0.30 160	0.23 202	0.11 261	0.09 186	0.08 82	0.08 125	0.10 202	0.12 193

test_sample5	0.26 230	0.14 131	0.51 171	0.21 73	0.12 56	0.31 255	0.21 215	0.53 291	0.38 213	0.33 229	0.43 278	0.29 191	0.25 218	0.56 290	0.24 210	0.10 226	0.14 285	0.10 219	0.10 246	0.11 254	0.16 262

DualNet	0.26 230	0.14 131	0.51 171	0.21 73	0.12 56	0.31 255	0.21 215	0.53 291	0.38 213	0.34 247	0.44 288	0.29 191	0.25 218	0.56 290	0.24 210	0.10 226	0.14 285	0.10 219	0.10 246	0.11 254	0.16 262

anonymousa	0.26 230	0.13 91	0.56 231	0.29 347	0.30 404	0.31 255	0.20 191	0.38 141	0.36 190	0.33 229	0.51 336	0.41 296	0.27 241	0.25 85	0.24 210	0.08 105	0.18 351	0.09 149	0.18 393	0.08 83	0.17 279

iRaft-Stereo_20w	0.29 279	0.11 34	0.86 360	0.33 385	0.24 371	0.32 271	0.26 320	0.60 368	0.26 69	0.41 332	0.21 65	0.28 178	0.19 155	0.32 177	0.24 210	0.07 19	0.31 430	0.07 20	0.09 198	0.08 83	0.47 434

DAS	0.28 261	0.13 91	0.49 136	0.24 207	0.18 279	0.30 235	0.24 296	0.48 250	0.48 318	0.42 336	0.45 302	0.34 244	0.31 300	0.76 375	0.24 210	0.09 167	0.07 100	0.09 149	0.07 60	0.10 202	0.11 155

SepStereo	0.27 253	0.13 91	0.49 136	0.24 207	0.18 279	0.30 235	0.24 296	0.48 250	0.48 318	0.42 336	0.45 302	0.34 244	0.31 300	0.64 330	0.24 210	0.09 167	0.07 100	0.09 149	0.07 60	0.10 202	0.11 155

STrans-v2	0.25 208	0.14 131	0.56 231	0.21 73	0.12 56	0.23 132	0.20 191	0.50 266	0.31 131	0.31 192	0.42 265	0.35 258	0.35 327	0.62 322	0.24 210	0.07 19	0.05 3	0.08 82	0.07 60	0.06 3	0.08 45

OMP-Stereo	0.24 183	0.16 179	0.48 116	0.30 356	0.13 98	0.21 90	0.16 59	0.38 141	0.35 176	0.34 247	0.30 133	0.33 236	0.20 160	0.70 351	0.24 210	0.08 105	0.06 37	0.09 149	0.07 60	0.08 83	0.07 14

RAFT-RH_RVC	0.26 230	0.13 91	0.57 239	0.22 116	0.12 56	0.25 165	0.14 20	0.27 28	0.29 109	0.38 299	1.14 435	0.23 114	0.18 136	0.58 296	0.24 210	0.07 19	0.06 37	0.10 219	0.07 60	0.06 3	0.08 45

FENet	0.22 125	0.13 91	0.48 116	0.22 116	0.12 56	0.27 186	0.18 124	0.43 196	0.37 205	0.31 192	0.32 153	0.29 191	0.23 188	0.27 111	0.24 210	0.10 226	0.07 100	0.09 149	0.09 198	0.09 151	0.11 155

PSMNet-RSSM	0.26 230	0.21 260	0.50 157	0.21 73	0.14 134	0.25 165	0.21 215	0.50 266	0.38 213	0.31 192	0.45 302	0.40 290	0.27 241	0.53 274	0.24 210	0.12 299	0.08 150	0.11 270	0.13 343	0.10 202	0.10 121

UCFNet_RVC	0.25 208	0.21 260	0.49 136	0.19 21	0.15 191	0.34 293	0.18 124	0.47 240	0.36 190	0.30 177	0.35 189	0.40 290	0.26 235	0.35 207	0.24 210	0.13 318	0.08 150	0.13 328	0.14 359	0.13 305	0.13 214

AdaStereo	0.25 208	0.17 206	0.47 102	0.25 239	0.13 98	0.33 278	0.17 80	0.57 337	0.43 269	0.34 247	0.38 222	0.35 258	0.21 170	0.32 177	0.24 210	0.14 339	0.06 37	0.13 328	0.09 198	0.11 254	0.09 74
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
HSM	0.29 279	0.18 227	0.48 116	0.21 73	0.15 191	0.33 278	0.20 191	0.55 319	0.39 229	0.36 276	0.39 237	0.67 411	0.32 311	0.88 401	0.24 210	0.09 167	0.07 100	0.08 82	0.07 60	0.09 151	0.10 121

test_sample4	0.26 230	0.14 131	0.53 203	0.21 73	0.12 56	0.32 271	0.21 215	0.53 291	0.38 213	0.33 229	0.38 222	0.28 178	0.25 218	0.54 279	0.25 224	0.10 226	0.14 285	0.10 219	0.09 198	0.11 254	0.16 262

test_sample3	0.25 208	0.14 131	0.52 192	0.20 47	0.12 56	0.33 278	0.20 191	0.53 291	0.38 213	0.32 217	0.35 189	0.29 191	0.24 207	0.54 279	0.25 224	0.10 226	0.14 285	0.09 149	0.09 198	0.11 254	0.15 249

MyStereo05	0.24 183	0.15 156	0.58 254	0.22 116	0.14 134	0.25 165	0.22 246	0.50 266	0.54 359	0.32 217	0.23 79	0.26 160	0.23 188	0.32 177	0.25 224	0.07 19	0.12 255	0.09 149	0.09 198	0.09 151	0.11 155

MyStereo04	0.24 183	0.15 156	0.58 254	0.22 116	0.16 223	0.25 165	0.22 246	0.51 276	0.54 359	0.29 154	0.23 79	0.27 165	0.23 188	0.32 177	0.25 224	0.07 19	0.13 271	0.09 149	0.09 198	0.09 151	0.11 155

11t1	0.21 111	0.12 69	0.45 84	0.20 47	0.15 191	0.27 186	0.17 80	0.37 130	0.28 93	0.27 120	0.25 91	0.24 130	0.23 188	0.28 130	0.25 224	0.09 167	0.19 355	0.07 20	0.07 60	0.09 151	0.23 339

LL-Strereo	0.32 309	0.33 362	0.77 333	0.26 275	0.24 371	0.22 114	0.23 273	0.58 350	0.44 279	0.35 265	0.32 153	0.41 296	0.40 352	0.93 415	0.25 224	0.08 105	0.13 271	0.11 270	0.09 198	0.09 151	0.22 331

ICVP	0.24 183	0.13 91	0.45 84	0.26 275	0.14 134	0.30 235	0.25 309	0.47 240	0.35 176	0.29 154	0.43 278	0.35 258	0.25 218	0.28 130	0.25 224	0.12 299	0.09 186	0.09 149	0.09 198	0.09 151	0.11 155
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
EAI-Stereo	0.29 279	0.11 34	0.38 42	0.22 116	0.18 279	0.33 278	1.66 468	0.53 291	0.27 84	0.27 120	0.50 333	0.17 54	0.16 93	0.25 85	0.25 224	0.07 19	0.07 100	0.07 20	0.11 276	0.07 40	0.10 121

GANet-RSSM	0.26 230	0.19 239	0.54 215	0.21 73	0.14 134	0.27 186	0.22 246	0.47 240	0.34 166	0.30 177	0.40 246	0.41 296	0.30 286	0.59 303	0.25 224	0.11 261	0.08 150	0.09 149	0.09 198	0.10 202	0.10 121

HSM-Net_RVC	0.28 261	0.12 69	0.48 116	0.19 21	0.11 28	0.35 307	0.21 215	0.64 393	0.44 279	0.40 322	0.43 278	0.50 355	0.27 241	0.75 369	0.25 224	0.08 105	0.07 100	0.08 82	0.07 60	0.08 83	0.09 74
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
NOSS_ROB	0.33 316	0.24 301	0.49 136	0.27 309	0.16 223	0.34 293	0.19 160	0.55 319	0.50 336	0.34 247	0.37 215	0.42 307	0.30 286	0.93 415	0.25 224	0.19 396	0.20 364	0.24 409	0.22 409	0.17 355	0.25 362

rvit_105_1	0.28 261	0.24 301	0.65 288	0.27 309	0.19 304	0.31 255	0.35 376	0.46 230	0.53 354	0.31 192	0.32 153	0.32 229	0.27 241	0.36 211	0.26 235	0.16 362	0.14 285	0.15 364	0.17 388	0.11 254	0.11 155

DualNet (step1)	0.31 303	0.21 260	0.69 302	0.18 10	0.17 252	0.36 314	0.21 215	0.54 303	0.43 269	0.38 299	0.36 204	0.38 273	0.32 311	0.41 229	0.26 235	0.24 405	0.21 369	0.28 418	0.24 415	0.18 370	0.21 320

test_sample7	0.28 261	0.16 179	0.47 102	0.21 73	0.14 134	0.29 222	0.22 246	0.54 303	0.43 269	0.38 299	0.36 204	0.38 273	0.32 311	0.41 229	0.26 235	0.14 339	0.21 369	0.13 328	0.12 315	0.13 305	0.25 362

test_sample6	0.27 253	0.15 156	0.50 157	0.22 116	0.12 56	0.30 235	0.22 246	0.54 303	0.39 229	0.34 247	0.44 288	0.29 191	0.25 218	0.58 296	0.26 235	0.11 261	0.14 285	0.10 219	0.10 246	0.11 254	0.16 262

gwcnet-sp	0.25 208	0.16 179	0.70 308	0.23 163	0.14 134	0.34 293	0.22 246	0.46 230	0.41 246	0.37 291	0.35 189	0.27 165	0.27 241	0.36 211	0.26 235	0.09 167	0.08 150	0.09 149	0.09 198	0.10 202	0.10 121

scenet	0.25 208	0.16 179	0.70 308	0.23 163	0.14 134	0.34 293	0.22 246	0.46 230	0.41 246	0.37 291	0.35 189	0.27 165	0.27 241	0.36 211	0.26 235	0.09 167	0.08 150	0.09 149	0.09 198	0.10 202	0.10 121

ssnet	0.25 208	0.16 179	0.70 308	0.23 163	0.14 134	0.34 293	0.22 246	0.46 230	0.41 246	0.37 291	0.35 189	0.27 165	0.27 241	0.36 211	0.26 235	0.09 167	0.08 150	0.09 149	0.09 198	0.10 202	0.10 121

hknet	0.26 230	0.15 156	0.49 136	0.25 239	0.16 223	0.35 307	0.22 246	0.59 359	0.40 239	0.34 247	0.35 189	0.43 313	0.28 261	0.38 222	0.26 235	0.09 167	0.07 100	0.11 270	0.10 246	0.09 151	0.10 121

dd	0.23 155	0.32 358	0.55 221	0.23 163	0.12 56	0.27 186	0.21 215	0.32 80	0.45 290	0.30 177	0.29 121	0.25 141	0.17 108	0.31 171	0.26 235	0.13 318	0.07 100	0.10 219	0.08 125	0.12 291	0.09 74

IIG-Stereo	0.24 183	0.16 179	0.47 102	0.29 347	0.12 56	0.23 132	0.14 20	0.40 168	0.33 155	0.35 265	0.37 215	0.33 236	0.22 177	0.70 351	0.26 235	0.08 105	0.06 37	0.09 149	0.07 60	0.08 83	0.07 14

pcwnet_v2	0.32 309	0.16 179	1.22 421	0.23 163	0.19 304	0.32 271	0.19 160	0.61 375	0.61 386	0.37 291	0.45 302	0.35 258	0.29 280	0.37 220	0.26 235	0.14 339	0.11 239	0.12 303	0.11 276	0.14 327	0.18 282

DCVSM-stereo	0.25 208	0.14 131	0.53 203	0.21 73	0.14 134	0.27 186	0.14 20	0.35 111	0.35 176	0.42 336	0.33 171	0.46 331	0.30 286	0.31 171	0.27 246	0.11 261	0.10 213	0.12 303	0.10 246	0.12 291	0.15 249

test_sample1	0.24 183	0.13 91	0.40 53	0.20 47	0.13 98	0.29 222	0.19 160	0.43 196	0.30 123	0.27 120	0.34 181	0.31 218	0.28 261	0.45 245	0.27 246	0.09 167	0.16 323	0.08 82	0.08 125	0.09 151	0.22 331

HBP-ISP	0.34 324	0.35 375	0.76 327	0.23 163	0.17 252	0.33 278	0.22 246	0.56 328	0.47 312	0.42 336	0.49 331	0.33 236	0.41 357	0.73 360	0.27 246	0.18 387	0.19 355	0.24 409	0.20 400	0.16 343	0.16 262

dad	0.30 292	0.38 390	0.60 268	0.22 116	0.14 134	0.32 271	0.21 215	0.35 111	0.51 342	0.45 360	0.45 302	0.46 331	0.23 188	0.41 229	0.27 246	0.21 399	0.11 239	0.20 397	0.11 276	0.15 335	0.11 155

cf-r	0.26 230	0.22 278	0.66 293	0.22 116	0.14 134	0.28 202	0.22 246	0.44 216	0.42 258	0.32 217	0.42 265	0.43 313	0.27 241	0.44 239	0.27 246	0.11 261	0.07 100	0.08 82	0.10 246	0.08 83	0.09 74

FADNet-RVC-Resample	0.31 303	0.32 358	1.16 410	0.27 309	0.17 252	0.33 278	0.21 215	0.49 258	0.40 239	0.36 276	0.38 222	0.34 244	0.27 241	0.54 279	0.27 246	0.10 226	0.10 213	0.14 348	0.13 343	0.13 305	0.18 282

CVANet_RVC	0.34 324	0.25 316	0.77 333	0.27 309	0.17 252	0.34 293	0.28 339	0.55 319	0.50 336	0.43 347	0.46 314	0.44 319	0.31 300	0.90 406	0.27 246	0.15 352	0.10 213	0.14 348	0.14 359	0.15 335	0.15 249

HITNet	0.22 125	0.23 291	0.60 268	0.20 47	0.09 7	0.27 186	0.15 36	0.45 223	0.33 155	0.29 154	0.33 171	0.27 165	0.22 177	0.29 149	0.27 246	0.07 19	0.05 3	0.07 20	0.06 29	0.09 151	0.11 155
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
1test111	0.22 125	0.16 179	0.50 157	0.27 309	0.13 98	0.31 255	0.19 160	0.43 196	0.32 141	0.21 59	0.20 48	0.13 17	0.17 108	0.36 211	0.28 254	0.08 105	0.28 414	0.08 82	0.06 29	0.09 151	0.23 339

mmm	0.25 208	0.15 156	0.44 81	0.23 163	0.20 322	0.28 202	0.21 215	0.43 196	0.32 141	0.31 192	0.40 246	0.30 208	0.24 207	0.31 171	0.28 254	0.09 167	0.21 369	0.11 270	0.12 315	0.10 202	0.26 373

qqq	0.24 183	0.16 179	0.46 97	0.20 47	0.15 191	0.23 132	0.20 191	0.43 196	0.32 141	0.26 110	0.31 144	0.28 178	0.25 218	0.36 211	0.28 254	0.08 105	0.22 379	0.10 219	0.11 276	0.09 151	0.23 339

BSDual-CNN	0.24 183	0.13 91	0.36 36	0.25 239	0.14 134	0.35 307	0.22 246	0.59 359	0.36 190	0.34 247	0.35 189	0.38 273	0.25 218	0.27 111	0.28 254	0.10 226	0.07 100	0.11 270	0.10 246	0.09 151	0.10 121

iRaft-Stereo_5w	0.25 208	0.24 301	0.50 157	0.23 163	0.18 279	0.19 41	0.19 160	0.39 159	0.35 176	0.28 130	0.36 204	0.34 244	0.23 188	0.66 340	0.28 254	0.07 19	0.07 100	0.08 82	0.07 60	0.09 151	0.14 236

psmg	0.24 183	0.13 91	0.36 36	0.21 73	0.14 134	0.35 307	0.23 273	0.54 303	0.36 190	0.36 276	0.38 222	0.38 273	0.25 218	0.27 111	0.28 254	0.10 226	0.08 150	0.10 219	0.10 246	0.09 151	0.09 74

AACVNet	0.28 261	0.22 278	0.55 221	0.23 163	0.14 134	0.30 235	0.19 160	0.43 196	0.33 155	0.39 313	0.42 265	0.44 319	0.29 280	0.73 360	0.28 254	0.11 261	0.09 186	0.11 270	0.09 198	0.13 305	0.12 193

GwcNet-ADL	0.23 155	0.15 156	0.58 254	0.24 207	0.13 98	0.23 132	0.24 296	0.51 276	0.41 246	0.28 130	0.29 121	0.30 208	0.20 160	0.27 111	0.28 254	0.09 167	0.07 100	0.07 20	0.07 60	0.09 151	0.11 155

CFNet-ft	0.26 230	0.21 260	0.51 171	0.19 21	0.16 223	0.31 255	0.21 215	0.40 168	0.37 205	0.29 154	0.40 246	0.46 331	0.27 241	0.49 254	0.28 254	0.12 299	0.07 100	0.12 303	0.11 276	0.12 291	0.11 155

CFNet	0.29 279	0.29 342	0.57 239	0.23 163	0.14 134	0.34 293	0.15 36	0.53 291	0.46 300	0.31 192	0.40 246	0.38 273	0.27 241	0.76 375	0.28 254	0.10 226	0.07 100	0.11 270	0.11 276	0.11 254	0.09 74

CFNet_RVC	0.26 230	0.21 260	0.51 171	0.19 21	0.16 223	0.31 255	0.21 215	0.40 168	0.37 205	0.29 154	0.40 246	0.46 331	0.27 241	0.49 254	0.28 254	0.12 299	0.07 100	0.12 303	0.11 276	0.12 291	0.11 155

DeepPruner_ROB	0.28 261	0.25 316	0.64 285	0.22 116	0.16 223	0.30 235	0.21 215	0.54 303	0.33 155	0.36 276	0.38 222	0.38 273	0.26 235	0.45 245	0.28 254	0.15 352	0.11 239	0.11 270	0.11 276	0.14 327	0.14 236

iResNet_ROB	0.27 253	0.27 332	0.48 116	0.21 73	0.12 56	0.32 271	0.17 80	0.57 337	0.55 367	0.39 313	0.44 288	0.37 267	0.28 261	0.43 236	0.28 254	0.08 105	0.06 37	0.06 1	0.05 9	0.09 151	0.11 155

DDVS	0.26 230	0.16 179	0.45 84	0.25 239	0.17 252	0.34 293	0.21 215	0.43 196	0.31 131	0.34 247	0.41 257	0.47 340	0.21 170	0.52 271	0.29 267	0.11 261	0.09 186	0.11 270	0.09 198	0.13 305	0.16 262

MyStereo8	0.25 208	0.20 252	0.69 302	0.24 207	0.17 252	0.31 255	0.16 59	0.50 266	0.32 141	0.29 154	0.38 222	0.25 141	0.19 155	0.33 186	0.29 267	0.08 105	0.20 364	0.08 82	0.08 125	0.10 202	0.16 262

GEStereo_RVC	0.29 279	0.24 301	0.60 268	0.27 309	0.16 223	0.33 278	0.25 309	0.58 350	0.56 371	0.35 265	0.38 222	0.34 244	0.25 218	0.51 264	0.29 267	0.12 299	0.08 150	0.09 149	0.08 125	0.11 254	0.13 214

x	0.23 155	0.15 156	0.45 84	0.20 47	0.15 191	0.27 186	0.17 80	0.43 196	0.35 176	0.26 110	0.31 144	0.29 191	0.25 218	0.29 149	0.30 270	0.09 167	0.22 379	0.08 82	0.09 198	0.09 151	0.24 351

CSP-Net	0.28 261	0.17 206	0.41 59	0.22 116	0.14 134	0.44 356	0.24 296	0.52 281	0.42 258	0.42 336	0.44 288	0.42 307	0.27 241	0.66 340	0.30 270	0.12 299	0.09 186	0.08 82	0.08 125	0.10 202	0.10 121

SACVNet	0.32 309	0.25 316	0.59 261	0.26 275	0.19 304	0.35 307	0.25 309	0.54 303	0.41 246	0.43 347	0.45 302	0.46 331	0.34 320	0.71 356	0.30 270	0.14 339	0.10 213	0.12 303	0.12 315	0.16 343	0.20 311

DMCA	0.24 183	0.18 227	0.51 171	0.23 163	0.14 134	0.27 186	0.20 191	0.45 223	0.40 239	0.32 217	0.33 171	0.33 236	0.25 218	0.27 111	0.30 270	0.11 261	0.08 150	0.10 219	0.08 125	0.11 254	0.12 193

FADNet	0.34 324	0.43 403	0.88 368	0.24 207	0.22 350	0.37 322	0.19 160	0.56 328	0.49 331	0.32 217	0.36 204	0.43 313	0.32 311	0.65 334	0.30 270	0.17 376	0.16 323	0.14 348	0.16 378	0.25 404	0.21 320

STTStereo	0.30 292	0.24 301	0.83 350	0.25 239	0.17 252	0.30 235	0.24 296	0.49 258	0.39 229	0.39 313	0.41 257	0.44 319	0.28 261	0.41 229	0.30 270	0.13 318	0.13 271	0.13 328	0.16 378	0.12 291	0.12 193

TDLM	0.32 309	0.27 332	0.52 192	0.30 356	0.15 191	0.33 278	0.32 365	0.54 303	0.50 336	0.44 353	0.43 278	0.39 287	0.30 286	0.92 413	0.30 270	0.14 339	0.09 186	0.13 328	0.12 315	0.13 305	0.14 236

NVstereo2D	0.32 309	0.18 227	0.63 282	0.24 207	0.23 360	0.43 351	0.28 339	0.60 368	0.58 375	0.28 130	0.39 237	0.42 307	0.30 286	0.71 356	0.30 270	0.13 318	0.09 186	0.13 328	0.10 246	0.20 384	0.18 282

iResNetv2_ROB	0.29 279	0.37 384	0.92 375	0.24 207	0.13 98	0.30 235	0.19 160	0.55 319	0.51 342	0.39 313	0.46 314	0.39 287	0.27 241	0.36 211	0.30 270	0.09 167	0.06 37	0.07 20	0.05 9	0.13 305	0.11 155

ACV-stereo	0.30 292	0.20 252	0.82 345	0.23 163	0.16 223	0.48 378	0.20 191	0.38 141	0.34 166	0.29 154	0.33 171	0.66 407	0.43 364	0.55 284	0.31 279	0.10 226	0.09 186	0.09 149	0.09 198	0.11 254	0.12 193

IGEVStereo-DCA	0.20 85	0.17 206	0.41 59	0.22 116	0.15 191	0.20 68	0.17 80	0.28 32	0.23 28	0.19 45	0.12 4	0.14 33	0.12 31	0.38 222	0.31 279	0.07 19	0.16 323	0.08 82	0.07 60	0.08 83	0.36 408

rrr	0.22 125	0.17 206	0.79 338	0.22 116	0.15 191	0.20 68	0.18 124	0.40 168	0.27 84	0.19 45	0.12 4	0.14 33	0.12 31	0.38 222	0.31 279	0.07 19	0.16 323	0.08 82	0.07 60	0.08 83	0.28 382

CRFU-Net	0.29 279	0.14 131	0.48 116	0.26 275	0.15 191	0.46 366	0.22 246	0.52 281	0.32 141	0.44 353	0.42 265	0.48 345	0.47 379	0.44 239	0.31 279	0.12 299	0.10 213	0.09 149	0.08 125	0.10 202	0.11 155

HHNet	0.23 155	0.12 69	0.66 293	0.19 21	0.18 279	0.20 68	0.20 191	0.36 118	0.32 141	0.33 229	0.59 372	0.19 72	0.21 170	0.24 75	0.31 279	0.08 105	0.06 37	0.09 149	0.07 60	0.08 83	0.12 193

GwcNet-RSSM	0.28 261	0.25 316	0.61 274	0.22 116	0.14 134	0.28 202	0.24 296	0.46 230	0.44 279	0.33 229	0.46 314	0.41 296	0.28 261	0.55 284	0.31 279	0.11 261	0.07 100	0.09 149	0.10 246	0.10 202	0.09 74

NLCA_NET_v2_RVC	0.29 279	0.24 301	0.81 342	0.26 275	0.18 279	0.30 235	0.22 246	0.52 281	0.41 246	0.38 299	0.42 265	0.42 307	0.28 261	0.46 247	0.31 279	0.11 261	0.08 150	0.10 219	0.11 276	0.10 202	0.12 193
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
ToySt	0.28 261	0.19 239	0.68 301	0.22 116	0.19 304	0.31 255	0.31 359	0.43 196	0.43 269	0.28 130	0.38 222	0.42 307	0.32 311	0.33 186	0.32 286	0.08 105	0.14 285	0.10 219	0.12 315	0.11 254	0.24 351

PSMNet-ADL	0.26 230	0.16 179	0.39 47	0.27 309	0.14 134	0.32 271	0.22 246	0.45 223	0.37 205	0.28 130	0.34 181	0.41 296	0.28 261	0.61 314	0.32 286	0.11 261	0.10 213	0.09 149	0.11 276	0.10 202	0.13 214

RAFT + AFF	0.30 292	0.33 362	0.76 327	0.25 239	0.17 252	0.30 235	0.33 370	0.55 319	0.42 258	0.28 130	0.30 133	0.31 218	0.31 300	0.64 330	0.32 286	0.09 167	0.11 239	0.11 270	0.10 246	0.12 291	0.16 262

psm_up	0.30 292	0.21 260	0.58 254	0.26 275	0.18 279	0.32 271	0.27 326	0.57 337	0.45 290	0.38 299	0.41 257	0.45 324	0.40 352	0.59 303	0.32 286	0.11 261	0.12 255	0.13 328	0.12 315	0.11 254	0.11 155

UNet	0.28 261	0.16 179	0.70 308	0.24 207	0.20 322	0.44 356	0.21 215	0.52 281	0.42 258	0.36 276	0.40 246	0.43 313	0.33 319	0.41 229	0.32 286	0.09 167	0.07 100	0.10 219	0.09 198	0.10 202	0.09 74

MaskLacGwcNet_RVC	0.38 344	0.43 403	0.72 319	0.35 396	0.19 304	0.51 386	0.25 309	0.56 328	0.39 229	0.42 336	0.47 321	0.47 340	0.27 241	0.74 364	0.32 286	0.38 434	0.19 355	0.27 412	0.17 388	0.29 419	0.27 376

PS-NSSS	0.33 316	0.36 381	0.61 274	0.24 207	0.18 279	0.33 278	0.24 296	0.59 359	0.42 258	0.38 299	0.52 342	0.36 263	0.31 300	0.80 386	0.32 286	0.18 387	0.14 285	0.21 400	0.15 368	0.17 355	0.14 236

MLCV	0.25 208	0.23 291	0.59 261	0.22 116	0.09 7	0.30 235	0.18 124	0.40 168	0.38 213	0.38 299	0.44 288	0.31 218	0.22 177	0.44 239	0.32 286	0.07 19	0.05 3	0.07 20	0.06 29	0.07 40	0.08 45

Anonymous_2	0.44 375	0.23 291	0.57 239	0.34 390	0.34 411	0.53 394	0.28 339	0.49 258	0.39 229	0.36 276	0.34 181	0.48 345	0.38 342	0.43 236	0.33 294	0.26 413	0.41 440	0.44 434	1.45 469	0.33 425	0.37 416

test_xeample3	0.22 125	0.17 206	0.81 342	0.21 73	0.15 191	0.20 68	0.18 124	0.40 168	0.25 60	0.19 45	0.12 4	0.13 17	0.12 31	0.34 200	0.33 294	0.07 19	0.20 364	0.07 20	0.08 125	0.08 83	0.34 405

FADNet_RVC	0.31 303	0.35 375	0.98 388	0.24 207	0.16 223	0.30 235	0.17 80	0.52 281	0.39 229	0.30 177	0.38 222	0.30 208	0.29 280	0.54 279	0.33 294	0.14 339	0.14 285	0.14 348	0.16 378	0.21 390	0.24 351

BEATNet_4x	0.25 208	0.25 316	0.66 293	0.23 163	0.10 20	0.29 222	0.14 20	0.49 258	0.34 166	0.31 192	0.35 189	0.32 229	0.26 235	0.34 200	0.33 294	0.08 105	0.06 37	0.08 82	0.07 60	0.11 254	0.13 214

ITSA-stereo	0.26 230	0.16 179	0.39 47	0.24 207	0.11 28	0.28 202	0.18 124	0.58 350	0.59 382	0.32 217	0.32 153	0.33 236	0.28 261	0.51 264	0.34 298	0.11 261	0.08 150	0.11 270	0.11 276	0.11 254	0.15 249

SMFormer	0.27 253	0.13 91	0.47 102	0.20 47	0.10 20	0.28 202	0.19 160	0.54 303	0.48 318	0.35 265	0.42 265	0.31 218	0.27 241	0.60 308	0.34 298	0.10 226	0.16 323	0.08 82	0.09 198	0.10 202	0.16 262

tta	0.27 253	0.13 91	0.47 102	0.20 47	0.10 20	0.28 202	0.19 160	0.54 303	0.48 318	0.35 265	0.42 265	0.31 218	0.27 241	0.60 308	0.34 298	0.10 226	0.16 323	0.08 82	0.09 198	0.08 83	0.13 214

UPFNet	0.27 253	0.15 156	0.47 102	0.25 239	0.20 322	0.37 322	0.27 326	0.50 266	0.40 239	0.36 276	0.38 222	0.37 267	0.29 280	0.40 226	0.34 298	0.10 226	0.10 213	0.10 219	0.10 246	0.10 202	0.08 45

ac_64	0.28 261	0.16 179	0.62 277	0.25 239	0.17 252	0.36 314	0.22 246	0.48 250	0.35 176	0.36 276	0.37 215	0.51 358	0.30 286	0.62 322	0.34 298	0.11 261	0.09 186	0.10 219	0.10 246	0.09 151	0.09 74

HGLStereo	0.29 279	0.19 239	0.60 268	0.24 207	0.21 335	0.33 278	0.23 273	0.52 281	0.44 279	0.36 276	0.49 331	0.41 296	0.35 327	0.46 247	0.34 298	0.11 261	0.11 239	0.09 149	0.09 198	0.11 254	0.12 193

DMCA-RVC	0.30 292	0.27 332	0.93 379	0.28 334	0.17 252	0.30 235	0.21 215	0.43 196	0.36 190	0.40 322	0.38 222	0.39 287	0.36 332	0.44 239	0.34 298	0.13 318	0.10 213	0.16 370	0.12 315	0.13 305	0.11 155

DispNO	0.29 279	0.24 301	0.83 350	0.23 163	0.17 252	0.25 165	0.22 246	0.47 240	0.42 258	0.33 229	0.39 237	0.38 273	0.28 261	0.78 379	0.35 305	0.09 167	0.07 100	0.10 219	0.10 246	0.09 151	0.09 74

MMNet	0.28 261	0.19 239	0.54 215	0.24 207	0.17 252	0.47 372	0.22 246	0.47 240	0.53 354	0.40 322	0.43 278	0.36 263	0.34 320	0.40 226	0.35 305	0.08 105	0.08 150	0.09 149	0.09 198	0.10 202	0.09 74

ACVNet	0.24 183	0.18 227	0.51 171	0.18 10	0.15 191	0.27 186	0.23 273	0.40 168	0.45 290	0.29 154	0.41 257	0.38 273	0.28 261	0.28 130	0.35 305	0.09 167	0.07 100	0.08 82	0.07 60	0.10 202	0.09 74

hitnet-ft	0.31 303	0.21 260	0.56 231	0.19 21	0.14 134	0.40 338	0.23 273	0.46 230	0.42 258	0.37 291	0.46 314	0.53 367	0.35 327	0.76 375	0.35 305	0.14 339	0.10 213	0.14 348	0.10 246	0.15 335	0.14 236

ADLNet2	0.31 303	0.23 291	0.77 333	0.23 163	0.18 279	0.36 314	0.24 296	0.55 319	0.54 359	0.33 229	0.38 222	0.45 324	0.31 300	0.70 351	0.36 309	0.10 226	0.08 150	0.09 149	0.09 198	0.12 291	0.11 155

ADLNet	0.30 292	0.19 239	0.59 261	0.23 163	0.19 304	0.34 293	0.23 273	0.56 328	0.44 279	0.43 347	0.41 257	0.43 313	0.28 261	0.56 290	0.36 309	0.11 261	0.08 150	0.11 270	0.11 276	0.11 254	0.15 249

delet	0.29 279	0.18 227	0.58 254	0.24 207	0.19 304	0.41 342	0.30 350	0.52 281	0.51 342	0.35 265	0.42 265	0.37 267	0.31 300	0.49 254	0.36 309	0.10 226	0.09 186	0.11 270	0.12 315	0.09 151	0.09 74

acv_ft	0.26 230	0.18 227	0.56 231	0.24 207	0.19 304	0.34 293	0.21 215	0.47 240	0.45 290	0.39 313	0.41 257	0.38 273	0.28 261	0.28 130	0.36 309	0.09 167	0.07 100	0.08 82	0.07 60	0.11 254	0.09 74

FAT-Stereo	0.36 332	0.19 239	0.75 323	0.26 275	0.18 279	0.34 293	0.30 350	0.62 383	0.61 386	0.47 371	0.61 384	0.59 382	0.50 388	0.61 314	0.36 309	0.13 318	0.14 285	0.13 328	0.12 315	0.14 327	0.20 311

FADNet-RVC	0.34 324	0.43 403	0.97 386	0.25 239	0.20 322	0.33 278	0.20 191	0.51 276	0.42 258	0.34 247	0.40 246	0.41 296	0.29 280	0.65 334	0.36 309	0.14 339	0.14 285	0.14 348	0.15 368	0.19 377	0.20 311

stereogan	0.39 349	0.20 252	0.78 337	0.28 334	0.22 350	0.65 412	0.26 320	0.62 383	0.65 395	0.45 360	0.60 376	0.67 411	0.45 370	0.69 348	0.37 315	0.14 339	0.14 285	0.14 348	0.12 315	0.20 384	0.19 297

iResNet	0.25 208	0.22 278	0.62 277	0.26 275	0.11 28	0.31 255	0.23 273	0.46 230	0.45 290	0.34 247	0.43 278	0.27 165	0.23 188	0.36 211	0.37 315	0.08 105	0.05 3	0.07 20	0.06 29	0.08 83	0.10 121

LMCR-Stereo	0.28 261	0.22 278	0.56 231	0.29 347	0.14 134	0.37 322	0.23 273	0.57 337	0.36 190	0.40 322	0.40 246	0.29 191	0.30 286	0.41 229	0.38 317	0.11 261	0.07 100	0.09 149	0.07 60	0.13 305	0.10 121

DSFCA	0.29 279	0.18 227	0.48 116	0.21 73	0.17 252	0.39 332	0.32 365	0.49 258	0.44 279	0.44 353	0.38 222	0.40 290	0.30 286	0.53 274	0.38 317	0.12 299	0.10 213	0.10 219	0.11 276	0.11 254	0.11 155

StereoDRNet-Refined	0.28 261	0.19 239	0.47 102	0.25 239	0.14 134	0.36 314	0.21 215	0.49 258	0.43 269	0.46 365	0.52 342	0.42 307	0.30 286	0.46 247	0.38 317	0.10 226	0.07 100	0.11 270	0.11 276	0.10 202	0.11 155
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.30 292	0.20 252	0.45 84	0.28 334	0.17 252	0.37 322	0.25 309	0.50 266	0.45 290	0.46 365	0.47 321	0.51 358	0.34 320	0.56 290	0.38 317	0.10 226	0.10 213	0.11 270	0.11 276	0.10 202	0.11 155

AASNet	0.29 279	0.27 332	0.67 296	0.26 275	0.18 279	0.34 293	0.21 215	0.64 393	0.49 331	0.36 276	0.41 257	0.32 229	0.26 235	0.33 186	0.39 321	0.12 299	0.09 186	0.10 219	0.08 125	0.14 327	0.12 193

Syn2CoEx	0.39 349	0.39 394	1.08 401	0.35 396	0.21 335	0.41 342	0.29 344	0.63 387	0.51 342	0.43 347	0.56 362	0.45 324	0.45 370	0.69 348	0.39 321	0.17 376	0.14 285	0.16 370	0.12 315	0.13 305	0.16 262

CBFPSM	0.28 261	0.23 291	0.76 327	0.21 73	0.14 134	0.38 328	0.26 320	0.42 189	0.37 205	0.34 247	0.36 204	0.55 370	0.38 342	0.33 186	0.40 323	0.08 105	0.08 150	0.07 20	0.08 125	0.09 151	0.12 193

RASNet	0.30 292	0.19 239	0.59 261	0.23 163	0.19 304	0.33 278	0.20 191	0.50 266	0.41 246	0.31 192	0.44 288	0.47 340	0.38 342	0.79 383	0.40 323	0.09 167	0.07 100	0.07 20	0.09 198	0.08 83	0.10 121

STTRV1_RVC	0.42 368	0.33 362	0.89 370	0.29 347	0.36 419	0.49 382	0.31 359	0.63 387	0.54 359	0.47 371	0.56 362	0.47 340	0.43 364	1.00 421	0.40 323	0.28 419	0.21 369	0.20 397	0.18 393	0.25 404	0.18 282

CC-Net-ROB	0.46 385	0.55 419	0.86 360	0.38 410	0.23 360	0.51 386	0.30 350	0.69 416	0.51 342	0.46 365	0.51 336	0.48 345	0.38 342	0.96 418	0.40 323	0.36 431	0.23 388	0.56 440	0.25 418	0.34 426	0.22 331

GANetREF_RVC	0.45 378	0.52 415	0.87 362	0.39 412	0.20 322	0.51 386	0.50 421	0.68 410	0.67 399	0.47 371	0.46 314	0.50 355	0.43 364	0.91 408	0.40 323	0.28 419	0.21 369	0.32 425	0.19 396	0.28 417	0.23 339
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
fast-acv-ft	0.33 316	0.26 326	0.88 368	0.25 239	0.18 279	0.49 382	0.27 326	0.44 216	0.50 336	0.40 322	0.55 357	0.49 351	0.36 332	0.39 225	0.41 328	0.11 261	0.11 239	0.11 270	0.12 315	0.13 305	0.11 155

DRaft	0.25 208	0.11 34	0.47 102	0.18 10	0.12 56	0.28 202	0.23 273	0.34 102	0.40 239	0.38 299	0.60 376	0.20 83	0.41 357	0.48 252	0.41 328	0.07 19	0.06 37	0.08 82	0.08 125	0.07 40	0.08 45

NCCL2	0.37 339	0.33 362	0.59 261	0.37 401	0.23 360	0.42 347	0.41 403	0.56 328	0.44 279	0.47 371	0.47 321	0.61 389	0.39 349	0.58 296	0.41 328	0.16 362	0.13 271	0.21 400	0.22 409	0.16 343	0.18 282

GASNet	0.39 349	0.58 427	1.27 423	0.35 396	0.23 360	0.35 307	0.23 273	0.63 387	0.56 371	0.41 332	0.38 222	0.45 324	0.30 286	0.81 389	0.42 331	0.16 362	0.11 239	0.14 348	0.14 359	0.23 399	0.12 193

Wz-Net-LNSev	0.36 332	0.35 375	1.06 396	0.26 275	0.21 335	0.47 372	0.33 370	0.56 328	0.58 375	0.45 360	0.54 352	0.50 355	0.37 337	0.40 226	0.42 331	0.12 299	0.11 239	0.10 219	0.09 198	0.14 327	0.15 249

S-Stereo	0.39 349	0.20 252	1.04 393	0.28 334	0.22 350	0.39 332	0.31 359	0.58 350	0.69 405	0.40 322	0.59 372	0.48 345	0.41 357	0.75 369	0.42 331	0.12 299	0.15 312	0.13 328	0.13 343	0.16 343	0.25 362

SQANet	0.44 375	0.57 425	0.89 370	0.49 430	0.39 424	0.47 372	0.23 273	0.53 291	0.44 279	0.41 332	0.48 330	0.47 340	0.34 320	0.58 296	0.43 334	0.38 434	0.15 312	0.40 432	0.21 402	0.50 432	0.34 405

iinet-f	0.31 303	0.23 291	1.16 410	0.20 47	0.16 223	0.44 356	0.23 273	0.47 240	0.38 213	0.36 276	0.44 288	0.41 296	0.35 327	0.36 211	0.43 334	0.10 226	0.09 186	0.08 82	0.08 125	0.13 305	0.12 193

DDUNet	0.45 378	0.60 430	0.71 314	0.45 426	0.39 424	0.46 366	0.32 365	0.53 291	0.44 279	0.46 365	0.53 349	0.57 376	0.38 342	0.51 264	0.43 334	0.34 428	0.21 369	0.56 440	0.25 418	0.41 429	0.36 408

RP	0.38 344	0.26 326	0.67 296	0.31 369	0.24 371	0.37 322	0.29 344	0.53 291	0.61 386	0.42 336	0.65 390	0.62 392	0.51 390	0.63 325	0.43 334	0.17 376	0.15 312	0.17 379	0.15 368	0.17 355	0.19 297

edge stereo	0.40 359	0.22 278	0.87 362	0.27 309	0.22 350	0.38 328	0.26 320	0.59 359	0.56 371	0.53 393	0.60 376	0.71 419	0.50 388	0.78 379	0.43 334	0.16 362	0.15 312	0.19 392	0.14 359	0.17 355	0.19 297

ETE_ROB	0.36 332	0.32 358	0.64 285	0.30 356	0.18 279	0.40 338	0.38 392	0.59 359	0.49 331	0.50 381	0.52 342	0.62 392	0.37 337	0.58 296	0.43 334	0.13 318	0.10 213	0.14 348	0.12 315	0.17 355	0.18 282

CBMV	0.36 332	0.25 316	0.61 274	0.24 207	0.14 134	0.42 347	0.33 370	0.56 328	0.52 353	0.54 396	0.52 342	0.51 358	0.58 404	0.63 325	0.43 334	0.15 352	0.16 323	0.18 386	0.16 378	0.13 305	0.19 297
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ssnet_v2	0.30 292	0.21 260	0.63 282	0.23 163	0.15 191	0.40 338	0.30 350	0.59 359	0.48 318	0.40 322	0.37 215	0.46 331	0.30 286	0.41 229	0.44 341	0.13 318	0.11 239	0.11 270	0.11 276	0.12 291	0.11 155

DEmStereo	0.26 230	0.10 15	0.52 192	0.19 21	0.13 98	0.31 255	0.25 309	0.29 47	0.38 213	0.36 276	0.57 365	0.24 130	0.48 383	0.53 274	0.44 341	0.07 19	0.06 37	0.08 82	0.08 125	0.07 40	0.08 45

THIR-Stereo	0.30 292	0.15 156	0.46 97	0.19 21	0.11 28	0.28 202	0.70 439	0.33 95	0.36 190	0.37 291	0.64 388	0.33 236	0.49 387	0.58 296	0.44 341	0.08 105	0.06 37	0.08 82	0.09 198	0.07 40	0.08 45

DRN-Test	0.35 330	0.20 252	0.75 323	0.28 334	0.19 304	0.46 366	0.29 344	0.68 410	0.54 359	0.49 378	0.47 321	0.44 319	0.35 327	0.63 325	0.44 341	0.13 318	0.09 186	0.13 328	0.12 315	0.13 305	0.13 214

StereoDRNet	0.34 324	0.28 339	0.70 308	0.28 334	0.21 335	0.43 351	0.30 350	0.63 387	0.51 342	0.47 371	0.40 246	0.48 345	0.31 300	0.58 296	0.44 341	0.12 299	0.10 213	0.12 303	0.11 276	0.13 305	0.13 214

Nwc_Net	0.39 349	0.29 342	0.84 354	0.32 374	0.24 371	0.45 364	0.30 350	0.67 405	0.51 342	0.39 313	0.70 401	0.59 382	0.48 383	0.61 314	0.45 346	0.16 362	0.12 255	0.19 392	0.21 402	0.14 327	0.15 249

UDG	0.42 368	0.54 418	0.67 296	0.41 420	0.35 414	0.47 372	0.27 326	0.57 337	0.48 318	0.40 322	0.46 314	0.59 382	0.45 370	0.47 251	0.46 347	0.26 413	0.19 355	0.49 436	0.22 409	0.37 427	0.30 390

GwcNet	0.37 339	0.29 342	1.12 404	0.25 239	0.24 371	0.48 378	0.27 326	0.58 350	0.60 384	0.39 313	0.54 352	0.51 358	0.34 320	0.60 308	0.46 347	0.13 318	0.12 255	0.12 303	0.11 276	0.13 305	0.15 249

RGC	0.41 364	0.35 375	0.76 327	0.35 396	0.28 392	0.41 342	0.29 344	0.60 368	0.55 367	0.47 371	0.64 388	0.63 396	0.47 379	0.74 364	0.46 347	0.16 362	0.15 312	0.21 400	0.21 402	0.19 377	0.21 320

Wz-Net-MNSev	0.39 349	0.35 375	0.99 390	0.26 275	0.21 335	0.59 404	0.39 395	0.58 350	0.61 386	0.49 378	0.56 362	0.53 367	0.37 337	0.61 314	0.47 350	0.11 261	0.09 186	0.11 270	0.11 276	0.15 335	0.15 249

DGSMNet	0.63 421	0.32 358	1.01 391	0.54 433	0.73 447	0.62 407	1.36 466	0.62 383	0.58 375	0.38 299	0.62 386	0.52 363	0.34 320	0.65 334	0.47 350	0.54 440	0.61 456	0.67 445	0.61 453	0.65 442	0.69 454

Wz-Net-LNSev-Ref	0.33 316	0.25 316	0.82 345	0.22 116	0.17 252	0.46 366	0.28 339	0.53 291	0.53 354	0.43 347	0.57 365	0.44 319	0.31 300	0.50 258	0.48 352	0.10 226	0.06 37	0.08 82	0.06 29	0.11 254	0.12 193

APVNet	0.38 344	0.26 326	0.87 362	0.26 275	0.22 350	0.52 391	0.35 376	0.64 393	0.46 300	0.40 322	0.52 342	0.48 345	0.39 349	0.84 395	0.48 352	0.13 318	0.14 285	0.15 364	0.16 378	0.16 343	0.16 262

AF-Net	0.40 359	0.31 351	0.74 320	0.33 385	0.24 371	0.43 351	0.30 350	0.64 393	0.67 399	0.44 353	0.69 400	0.65 403	0.52 392	0.59 303	0.48 352	0.16 362	0.12 255	0.19 392	0.14 359	0.16 343	0.14 236

XPNet_ROB	0.35 330	0.26 326	0.58 254	0.28 334	0.19 304	0.37 322	0.31 359	0.57 337	0.51 342	0.52 387	0.54 352	0.57 376	0.38 342	0.65 334	0.48 352	0.17 376	0.12 255	0.13 328	0.12 315	0.16 343	0.17 279

LALA_ROB	0.38 344	0.31 351	0.65 288	0.30 356	0.21 335	0.46 366	0.39 395	0.63 387	0.54 359	0.53 393	0.52 342	0.69 415	0.36 332	0.52 271	0.48 352	0.18 387	0.11 239	0.16 370	0.14 359	0.17 355	0.16 262

PWCDC_ROB	0.41 364	0.41 399	0.77 333	0.34 390	0.21 335	0.43 351	0.20 191	0.60 368	0.90 429	0.44 353	1.24 440	0.36 263	0.38 342	0.56 290	0.48 352	0.18 387	0.11 239	0.11 270	0.10 246	0.20 384	0.16 262

psmorigin	0.52 399	0.29 342	3.10 463	0.24 207	0.19 304	0.39 332	0.24 296	0.52 281	0.45 290	0.66 413	0.68 397	0.70 418	0.52 392	0.86 398	0.49 358	0.15 352	0.17 342	0.13 328	0.14 359	0.16 343	0.23 339

MFN_U_SF_DS_RVC	0.53 401	0.60 430	0.98 388	0.40 416	0.25 382	0.87 432	0.57 431	0.60 368	0.64 394	0.60 405	0.67 394	0.63 396	0.42 361	1.13 431	0.50 359	0.23 403	0.28 414	0.27 412	0.35 432	0.25 404	0.33 402

DISCO	0.33 316	0.16 179	0.55 221	0.26 275	0.16 223	0.48 378	0.25 309	0.52 281	0.58 375	0.38 299	0.45 302	0.63 396	0.37 337	0.65 334	0.50 359	0.10 226	0.07 100	0.09 149	0.08 125	0.13 305	0.13 214

CBMV_ROB	0.36 332	0.21 260	0.57 239	0.22 116	0.14 134	0.35 307	0.20 191	0.55 319	0.47 312	0.52 387	0.58 368	0.45 324	0.53 397	0.75 369	0.50 359	0.18 387	0.19 355	0.23 407	0.21 402	0.15 335	0.20 311

PASM	0.49 392	0.41 399	1.15 408	0.37 401	0.35 414	0.42 347	0.42 404	0.54 303	0.65 395	0.54 396	0.54 352	0.63 396	0.48 383	0.94 417	0.51 362	0.27 417	0.30 426	0.30 421	0.33 430	0.29 419	0.29 387

SDNR	0.47 388	0.29 342	0.92 375	0.24 207	0.37 420	1.27 451	0.17 80	0.54 303	0.58 375	0.44 353	0.85 419	0.55 370	0.28 261	1.19 436	0.52 363	0.23 403	0.24 398	0.17 379	0.13 343	0.19 377	0.26 373

aanetorigin	0.40 359	0.33 362	1.14 407	0.25 239	0.19 304	0.30 235	0.37 384	0.34 102	0.47 312	0.95 434	0.82 416	0.52 363	0.56 401	0.50 258	0.52 363	0.11 261	0.09 186	0.10 219	0.10 246	0.16 343	0.19 297

PDISCO_ROB	0.45 378	0.37 384	0.89 370	0.44 424	0.37 420	0.70 415	0.35 376	0.75 425	0.78 417	0.45 360	0.53 349	0.65 403	0.40 352	0.68 347	0.52 363	0.22 402	0.12 255	0.21 400	0.19 396	0.26 409	0.22 331

DispFullNet	0.67 424	0.94 448	1.63 441	0.77 448	1.19 465	0.53 394	0.25 309	0.61 375	0.72 411	0.70 417	0.60 376	0.69 415	0.90 435	0.80 386	0.52 363	0.27 417	0.13 271	0.74 448	0.31 429	0.68 445	0.44 429

DeepPrunerF	0.46 385	0.37 384	1.50 436	0.34 390	0.30 404	0.36 314	0.37 384	0.64 393	1.15 448	0.41 332	0.45 302	0.40 290	0.41 357	0.82 390	0.53 367	0.18 387	0.14 285	0.23 407	0.21 402	0.17 355	0.18 282

DANet	0.37 339	0.25 316	0.67 296	0.37 401	0.22 350	0.42 347	0.25 309	0.50 266	0.44 279	0.52 387	0.50 333	0.59 382	0.42 361	0.78 379	0.53 367	0.13 318	0.12 255	0.14 348	0.12 315	0.17 355	0.21 320
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
LSM	1.68 461	0.48 411	2.91 461	2.28 473	17.60 483	0.52 391	0.55 429	0.65 399	0.78 417	0.84 428	1.11 433	0.63 396	0.55 399	0.79 383	0.53 367	0.16 362	0.25 399	0.18 386	0.21 402	0.25 404	2.37 474

PSMNet_ROB	0.36 332	0.31 351	0.71 314	0.31 369	0.21 335	0.44 356	0.44 408	0.61 375	0.49 331	0.39 313	0.45 302	0.49 351	0.32 311	0.66 340	0.53 367	0.14 339	0.10 213	0.15 364	0.14 359	0.13 305	0.13 214

NCC-stereo	0.42 368	0.31 351	0.87 362	0.32 374	0.29 402	0.47 372	0.37 384	0.68 410	0.53 354	0.42 336	0.58 368	0.57 376	0.52 392	0.75 369	0.54 371	0.18 387	0.14 285	0.18 386	0.25 418	0.17 355	0.18 282

Abc-Net	0.42 368	0.31 351	0.87 362	0.32 374	0.29 402	0.47 372	0.37 384	0.68 410	0.53 354	0.42 336	0.58 368	0.57 376	0.52 392	0.75 369	0.54 371	0.18 387	0.14 285	0.18 386	0.25 418	0.17 355	0.18 282
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
AANet_RVC	0.33 316	0.31 351	0.69 302	0.23 163	0.14 134	0.30 235	0.23 273	0.49 258	0.55 367	0.39 313	0.60 376	0.43 313	0.30 286	0.88 401	0.54 371	0.11 261	0.08 150	0.07 20	0.07 60	0.10 202	0.12 193

GANet	0.40 359	0.28 339	0.67 296	0.31 369	0.18 279	0.43 351	0.39 395	0.60 368	0.46 300	0.48 377	0.78 411	0.55 370	0.45 370	0.96 418	0.55 374	0.13 318	0.14 285	0.13 328	0.12 315	0.15 335	0.16 262

CrosDoStereo	0.32 309	0.11 34	0.53 203	0.19 21	0.12 56	0.22 114	1.07 458	0.36 118	0.38 213	0.38 299	0.60 376	0.28 178	0.45 370	0.61 314	0.56 375	0.08 105	0.06 37	0.08 82	0.09 198	0.08 83	0.09 74

DeepStereo_LL	0.32 309	0.11 34	0.53 203	0.19 21	0.12 56	0.22 114	1.07 458	0.36 118	0.38 213	0.38 299	0.60 376	0.28 178	0.45 370	0.61 314	0.56 375	0.08 105	0.06 37	0.08 82	0.09 198	0.08 83	0.09 74

anonymity	0.57 410	0.55 419	0.74 320	0.48 429	0.63 441	0.56 398	0.43 406	0.71 418	0.51 342	0.64 410	0.55 357	0.57 376	0.61 411	0.65 334	0.57 377	0.55 441	0.55 451	0.50 437	0.54 446	0.51 434	0.61 445

RYNet	0.38 344	0.23 291	0.65 288	0.26 275	0.28 392	0.62 407	0.33 370	0.61 375	0.62 390	0.42 336	0.39 237	0.58 381	0.40 352	0.89 403	0.57 377	0.11 261	0.09 186	0.12 303	0.11 276	0.19 377	0.22 331

Ntro	0.61 417	0.75 440	1.16 410	0.67 439	0.50 431	0.76 421	0.37 384	0.68 410	0.71 409	0.50 381	0.59 372	0.65 403	0.52 392	0.79 383	0.58 379	0.58 444	0.32 431	0.57 443	0.34 431	0.69 447	0.50 440

otaku	0.60 415	0.73 437	1.13 406	0.64 437	0.45 429	0.73 419	0.37 384	0.67 405	0.67 399	0.52 387	0.75 409	0.66 407	0.46 377	0.74 364	0.59 380	0.55 441	0.34 435	0.56 440	0.36 434	0.65 442	0.49 439

G-Net	0.47 388	0.26 326	1.02 392	0.34 390	0.28 392	0.89 434	0.35 376	0.47 240	0.46 300	0.68 415	1.20 437	0.64 401	0.59 406	0.61 314	0.60 381	0.16 362	0.14 285	0.17 379	0.13 343	0.22 394	0.21 320

MDST_ROB	0.51 396	0.16 179	0.97 386	0.31 369	0.21 335	1.35 455	0.34 374	0.80 430	0.59 382	1.09 443	0.74 407	0.49 351	0.37 337	1.31 444	0.60 381	0.14 339	0.12 255	0.16 370	0.13 343	0.13 305	0.18 282

MSMD_ROB	0.63 421	0.34 371	0.70 308	0.30 356	0.25 382	0.88 433	0.35 376	0.58 350	0.67 399	1.13 444	1.52 449	1.75 452	1.05 443	0.90 406	0.60 381	0.24 405	0.22 379	0.27 412	0.27 425	0.25 404	0.27 376

PA-Net	0.40 359	0.35 375	1.05 394	0.32 374	0.28 392	0.39 332	0.43 406	0.53 291	0.56 371	0.35 265	0.43 278	0.41 296	0.36 332	0.83 394	0.61 384	0.12 299	0.23 388	0.16 370	0.23 413	0.13 305	0.20 311
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
FINET	0.58 412	0.48 411	1.35 428	0.38 410	0.37 420	0.96 439	1.13 462	0.84 437	1.05 439	0.50 381	0.70 401	0.45 324	0.61 411	0.63 325	0.62 385	0.26 413	0.28 414	0.14 348	0.13 343	0.20 384	0.44 429

FBW_ROB	0.46 385	0.34 371	0.71 314	0.32 374	0.20 322	0.51 386	0.32 365	0.73 422	0.63 392	0.60 405	0.57 365	0.65 403	0.44 368	1.42 449	0.62 385	0.14 339	0.17 342	0.22 405	0.16 378	0.17 355	0.23 339

PWC_ROB	0.41 364	0.38 390	0.92 375	0.26 275	0.20 322	0.39 332	0.19 160	0.61 375	0.69 405	0.58 404	0.84 418	0.52 363	0.44 368	0.74 364	0.62 385	0.13 318	0.09 186	0.14 348	0.10 246	0.17 355	0.18 282

Consistency-Raft	0.56 408	0.52 415	1.12 404	0.45 426	0.49 430	0.48 378	0.45 409	0.73 422	0.74 415	0.45 360	0.82 416	0.46 331	0.60 407	0.51 264	0.63 388	0.39 436	0.40 438	0.44 434	0.51 445	0.53 436	0.38 423

Wz-Net-SNSev	0.45 378	0.53 417	1.42 432	0.31 369	0.21 335	0.44 356	0.45 409	0.64 393	0.68 403	0.46 365	0.66 392	0.62 392	0.40 352	0.78 379	0.65 389	0.12 299	0.11 239	0.12 303	0.13 343	0.17 355	0.19 297

MFMNet_re	0.74 429	0.84 442	1.16 410	0.64 437	0.70 446	0.79 426	0.71 440	0.77 428	0.85 424	0.79 427	0.86 420	0.69 415	0.80 427	0.73 360	0.65 389	0.66 448	0.59 455	0.61 444	0.58 451	0.68 445	0.71 455

ccnet	0.43 373	0.34 371	0.62 277	0.28 334	0.33 410	0.60 405	0.34 374	0.68 410	0.47 312	0.54 396	0.66 392	0.56 374	0.46 377	0.73 360	0.66 391	0.26 413	0.19 355	0.24 409	0.22 409	0.27 414	0.25 362

SGM-Forest	0.42 368	0.44 406	0.92 375	0.24 207	0.16 223	0.45 364	0.40 399	0.58 350	0.50 336	0.54 396	0.63 387	0.52 363	0.51 390	0.91 408	0.66 391	0.17 376	0.17 342	0.17 379	0.15 368	0.15 335	0.21 320
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
RainbowNet	0.76 433	1.00 452	1.29 424	0.82 449	0.63 441	0.79 426	0.52 425	0.83 435	0.93 432	0.61 407	0.79 414	0.79 422	0.62 415	0.82 390	0.67 393	0.80 455	0.55 451	0.79 451	0.49 441	0.81 451	0.62 446

SHD	0.45 378	0.34 371	0.89 370	0.37 401	0.28 392	0.46 366	0.23 273	0.72 421	0.96 436	0.65 411	0.61 384	0.61 389	0.48 383	0.64 330	0.69 394	0.16 362	0.16 323	0.16 370	0.16 378	0.21 390	0.25 362

ACVNet_1	0.77 435	0.92 447	1.79 447	0.73 444	0.53 436	0.78 425	0.42 404	0.88 440	0.90 429	0.75 420	0.76 410	1.32 443	0.80 427	1.04 426	0.70 395	0.57 443	0.32 431	0.72 447	0.35 432	0.70 448	0.50 440

SGM_RVC	0.57 410	0.22 278	0.60 268	0.26 275	0.16 223	0.97 440	0.46 412	0.76 427	0.90 429	1.03 440	0.92 426	1.16 436	0.93 437	1.21 437	0.72 396	0.17 376	0.16 323	0.16 370	0.16 378	0.16 343	0.24 351
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
MeshStereo	0.60 415	0.31 351	0.71 314	0.22 116	0.17 252	0.66 413	0.36 382	0.81 432	0.63 392	1.48 462	1.32 442	1.65 449	0.83 430	1.18 435	0.74 397	0.17 376	0.17 342	0.17 379	0.14 359	0.17 355	0.19 297
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
MSC_U_SF_DS_RVC	0.70 427	0.73 437	1.26 422	0.47 428	0.28 392	1.42 457	0.60 432	0.82 433	0.94 435	0.85 429	0.86 420	0.88 427	0.70 422	1.32 445	0.75 398	0.37 432	0.30 426	0.34 428	0.36 434	0.44 430	0.42 425

NaN_ROB	0.44 375	0.38 390	0.94 382	0.30 356	0.20 322	0.52 391	0.49 419	0.61 375	0.60 384	0.56 400	0.47 321	0.49 351	0.42 361	1.24 438	0.76 399	0.12 299	0.18 351	0.12 303	0.13 343	0.12 291	0.18 282

SAMSARA	0.62 418	0.47 409	0.93 379	0.70 442	0.50 431	1.15 446	1.29 465	0.79 429	0.70 407	0.77 425	0.55 357	0.92 428	0.58 404	0.87 400	0.77 400	0.19 396	0.27 409	0.18 386	0.19 396	0.27 414	0.28 382

CSAN	0.55 404	0.47 409	1.19 418	0.37 401	0.23 360	0.57 400	0.61 433	0.65 399	0.72 411	0.65 411	0.78 411	0.66 407	0.65 419	1.41 448	0.77 400	0.21 399	0.17 342	0.20 397	0.21 402	0.18 370	0.21 320

ACVNet_2	0.94 440	0.98 451	1.71 445	0.83 450	0.63 441	1.02 441	0.64 435	1.16 448	1.43 453	1.02 438	1.39 443	1.47 446	0.86 433	1.16 434	0.79 402	0.63 447	0.43 444	0.78 450	0.49 441	0.80 450	0.57 443

XQC	0.47 388	0.45 407	1.07 398	0.40 416	0.28 392	0.58 402	0.38 392	0.67 405	0.76 416	0.53 393	0.47 321	0.59 382	0.47 379	0.74 364	0.80 403	0.18 387	0.14 285	0.18 386	0.16 378	0.26 409	0.24 351

WCMA_ROB	0.55 404	0.27 332	0.76 327	0.26 275	0.22 350	0.62 407	0.36 382	0.57 337	0.58 375	0.97 436	1.40 445	1.28 442	0.94 438	0.80 386	0.80 403	0.20 398	0.17 342	0.16 370	0.16 378	0.19 377	0.29 387

FCDSN-DC	0.67 424	0.38 390	0.83 350	0.37 401	0.30 404	0.66 413	0.37 384	0.69 416	0.70 407	1.15 446	1.53 450	1.70 451	1.38 452	1.00 421	0.83 405	0.24 405	0.22 379	0.27 412	0.26 422	0.27 414	0.32 399
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MFN_U_SF_RVC	0.58 412	0.58 427	1.31 426	0.39 412	0.23 360	0.72 417	0.30 350	0.83 435	0.68 403	0.74 419	0.74 407	0.86 425	0.60 407	0.84 395	0.83 405	0.29 421	0.27 409	0.32 425	0.37 436	0.31 421	0.33 402

DPSNet	0.51 396	0.26 326	1.16 410	0.28 334	0.21 335	0.76 421	0.56 430	0.89 442	0.82 421	0.49 378	0.51 336	0.64 401	0.81 429	0.89 403	0.85 407	0.17 376	0.16 323	0.13 328	0.13 343	0.26 409	0.27 376

PVD	0.62 418	0.41 399	0.93 379	0.44 424	0.39 424	0.63 410	0.51 424	0.86 438	1.27 449	0.93 433	1.09 432	0.81 423	0.85 431	0.89 403	0.89 408	0.21 399	0.23 388	0.22 405	0.19 396	0.28 417	0.41 424

RTSC	0.43 373	0.37 384	0.95 383	0.30 356	0.20 322	0.50 385	0.23 273	0.65 399	0.86 425	0.56 400	0.54 352	0.51 358	0.36 332	0.71 356	0.92 409	0.13 318	0.14 285	0.11 270	0.13 343	0.18 370	0.19 297

FC-DCNN	0.73 428	0.33 362	0.84 354	0.33 385	0.28 392	0.82 430	0.40 399	0.82 433	0.83 422	1.43 454	1.60 453	1.97 454	1.38 452	1.10 430	0.93 410	0.24 405	0.22 379	0.27 412	0.26 422	0.26 409	0.32 399

SANet	0.58 412	0.41 399	1.38 429	0.27 309	0.16 223	0.72 417	0.48 416	0.71 418	1.34 450	0.69 416	0.97 428	0.94 429	0.78 425	0.97 420	0.93 410	0.14 339	0.12 255	0.12 303	0.12 315	0.18 370	0.20 311

Wz-Net-TNSev	0.55 404	0.72 435	1.90 449	0.26 275	0.21 335	0.64 411	0.45 409	0.66 403	0.71 409	0.52 387	0.55 357	0.71 419	0.63 417	1.04 426	0.94 412	0.16 362	0.15 312	0.13 328	0.15 368	0.21 390	0.24 351

FC-DCNN v2	0.75 432	0.33 362	0.82 345	0.33 385	0.28 392	0.85 431	0.40 399	0.88 440	0.86 425	1.46 456	1.65 454	2.08 456	1.40 454	1.14 433	0.95 413	0.24 405	0.22 379	0.27 412	0.26 422	0.26 409	0.32 399

IMH-64-1	0.94 440	0.95 449	1.07 398	0.98 454	0.76 448	0.93 435	0.72 441	1.30 450	1.11 444	0.91 431	1.45 446	1.14 434	1.00 440	1.25 440	0.97 414	0.77 451	0.51 445	0.97 455	0.55 449	0.90 453	0.66 451

IMH-64	0.94 440	0.95 449	1.07 398	0.98 454	0.76 448	0.93 435	0.72 441	1.30 450	1.11 444	0.91 431	1.45 446	1.14 434	1.00 440	1.25 440	0.97 414	0.77 451	0.51 445	0.97 455	0.55 449	0.90 453	0.66 451

NVStereoNet_ROB	0.74 429	0.64 432	1.20 420	0.55 434	0.43 428	0.54 397	0.48 416	0.75 425	0.87 428	0.88 430	1.72 456	1.06 433	1.03 442	1.29 442	0.98 416	0.35 430	0.42 441	0.41 433	0.48 440	0.38 428	0.43 427
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
test_sample9	0.45 378	0.21 260	0.69 302	0.18 10	0.17 252	0.36 314	0.21 215	0.54 303	0.43 269	0.38 299	0.36 204	0.38 273	0.32 311	0.70 351	1.01 417	0.24 405	1.93 469	0.28 418	0.24 415	0.18 370	0.21 320

test_sample8	0.52 399	0.21 260	0.69 302	0.18 10	0.17 252	0.36 314	0.21 215	0.57 337	0.38 213	0.63 408	0.39 237	1.16 436	0.68 421	0.70 351	1.01 417	0.24 405	1.93 469	0.28 418	0.24 415	0.18 370	0.21 320

WZ-Net	0.56 408	0.49 413	2.14 453	0.30 356	0.24 371	0.58 402	0.48 416	0.65 399	0.80 419	0.51 384	0.72 403	0.68 413	0.60 407	1.06 428	1.01 417	0.13 318	0.10 213	0.11 270	0.12 315	0.19 377	0.23 339

EDNetEfficientorigin	7.48 474	0.57 425	139.59 493	0.25 239	0.17 252	0.44 356	0.30 350	0.48 250	1.04 438	1.29 448	1.02 430	0.82 424	0.87 434	0.76 375	1.02 420	0.10 226	0.09 186	0.12 303	0.11 276	0.22 394	0.25 362

IMH	1.09 447	1.04 455	1.29 424	1.03 456	0.79 452	1.11 443	0.69 438	1.40 453	1.42 452	1.02 438	1.71 455	1.42 444	1.19 447	1.78 458	1.03 421	1.14 465	0.56 454	1.00 457	0.58 451	0.93 456	0.68 453

LVE	1.18 450	1.16 457	1.67 443	1.04 457	0.81 456	1.32 454	0.82 449	1.49 456	1.94 458	1.08 442	1.90 459	1.89 453	1.07 444	1.51 450	1.04 422	0.96 461	0.61 456	0.94 454	0.69 457	0.92 455	0.79 461

SPS-STEREO	0.74 429	0.72 435	1.18 417	0.52 432	0.57 439	0.76 421	0.50 421	0.80 430	0.66 398	0.97 436	0.88 423	0.94 429	0.74 423	1.08 429	1.04 422	0.58 444	0.51 445	0.50 437	0.50 444	0.56 437	0.72 456
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
ttt	0.33 316	0.14 131	0.54 215	0.22 116	0.14 134	0.30 235	0.22 246	0.59 359	0.51 342	0.31 192	0.46 314	0.30 208	0.23 188	0.71 356	1.07 424	0.13 318	0.22 379	0.10 219	0.11 276	0.12 291	0.24 351

SuperB	0.50 393	0.37 384	2.16 454	0.23 163	0.15 191	0.41 342	0.32 365	0.50 266	0.83 422	0.44 353	0.51 336	0.33 236	0.45 370	0.69 348	1.07 424	0.10 226	0.08 150	0.09 149	0.08 125	0.95 459	0.18 282

pmcnn	0.54 403	0.24 301	1.06 396	0.25 239	0.26 386	0.40 338	0.31 359	0.55 319	0.55 367	0.56 400	1.22 439	2.53 463	0.39 349	0.84 395	1.08 426	0.09 167	0.06 37	0.06 1	0.05 9	0.10 202	0.14 236

ELAS_RVC	0.80 436	0.40 397	1.10 403	0.40 416	0.35 414	0.93 435	1.10 461	0.87 439	1.12 446	1.40 452	1.39 443	1.27 441	1.55 460	1.13 431	1.13 427	0.29 421	0.27 409	0.30 421	0.28 426	0.31 421	0.36 408
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Dean	1.22 452	1.17 458	1.97 450	1.04 457	0.79 452	1.21 448	0.76 443	1.51 457	1.96 459	1.30 450	1.98 461	2.14 457	1.18 446	1.30 443	1.15 428	0.83 456	0.61 456	1.01 458	0.69 457	0.97 460	0.77 460

PWCK	1.05 444	1.29 464	2.12 452	0.92 452	0.42 427	1.27 451	1.01 455	1.14 447	1.14 447	1.16 447	1.14 435	1.25 440	0.90 435	1.77 457	1.15 428	0.89 458	0.51 445	0.87 453	0.54 446	1.02 462	0.57 443

ELAS	0.80 436	0.40 397	0.91 374	0.39 412	0.35 414	1.52 459	0.81 448	0.97 444	0.98 437	1.47 461	1.58 452	1.19 439	1.33 451	1.01 423	1.21 430	0.29 421	0.27 409	0.30 421	0.29 428	0.32 424	0.36 408
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ADCPNet	0.51 396	0.36 381	1.82 448	0.27 309	0.23 360	0.71 416	0.39 395	0.56 328	0.54 359	0.52 387	0.60 376	0.66 407	0.57 403	0.64 330	1.23 431	0.15 352	0.18 351	0.14 348	0.23 413	0.19 377	0.22 331

RTS	0.81 438	0.56 421	4.76 467	0.37 401	0.30 404	1.11 443	0.52 425	0.67 405	1.07 441	0.76 423	0.91 424	0.60 387	0.61 411	1.64 452	1.24 432	0.15 352	0.13 271	0.15 364	0.15 368	0.22 394	0.24 351

RTSA	0.81 438	0.56 421	4.76 467	0.37 401	0.30 404	1.11 443	0.52 425	0.67 405	1.07 441	0.76 423	0.91 424	0.60 387	0.61 411	1.64 452	1.24 432	0.15 352	0.13 271	0.15 364	0.15 368	0.22 394	0.24 351

WAO-7	1.05 444	1.00 452	1.19 418	0.83 450	0.67 445	1.22 449	0.84 450	1.43 454	1.56 455	1.13 444	1.75 457	1.46 445	1.25 448	1.56 451	1.28 434	0.61 446	0.62 459	0.70 446	0.68 456	0.66 444	0.62 446

WAO-6	1.11 448	1.01 454	1.17 416	0.96 453	0.79 452	1.30 453	0.78 445	1.36 452	1.99 460	1.04 441	1.54 451	1.59 448	1.27 449	1.37 447	1.30 435	0.78 453	0.55 451	1.03 459	0.75 460	0.87 452	0.72 456

ff1	0.36 332	0.17 206	0.84 354	0.21 73	0.13 98	0.29 222	0.21 215	0.38 141	0.46 300	0.31 192	0.44 288	0.34 244	0.24 207	0.91 408	1.30 435	0.08 105	0.28 414	0.12 303	0.11 276	0.08 83	0.37 416

mmx	0.37 339	0.17 206	0.84 354	0.21 73	0.13 98	0.29 222	0.21 215	0.57 337	0.48 318	0.31 192	0.44 288	0.34 244	0.24 207	0.91 408	1.30 435	0.10 226	0.20 364	0.12 303	0.11 276	0.11 254	0.23 339

xxx	0.37 339	0.17 206	0.84 354	0.21 73	0.13 98	0.29 222	0.21 215	0.57 337	0.48 318	0.31 192	0.44 288	0.34 244	0.24 207	0.91 408	1.30 435	0.10 226	0.20 364	0.12 303	0.11 276	0.11 254	0.23 339

ACVNet-4b	0.76 433	0.90 445	1.67 443	0.73 444	0.51 435	0.80 429	0.31 359	0.74 424	0.81 420	0.51 384	0.72 403	0.94 429	0.43 364	1.01 423	1.32 439	1.18 467	0.22 379	0.77 449	0.45 439	0.70 448	0.50 440

KSHMR	1.92 464	1.47 469	1.97 450	1.48 469	1.22 466	1.39 456	1.06 457	1.81 462	5.83 473	1.43 454	5.56 473	2.95 467	1.17 445	2.24 464	1.33 440	1.29 468	1.13 467	1.47 469	1.11 468	1.37 467	1.21 469

WAO-8	1.50 455	1.22 461	1.39 430	1.10 460	0.85 457	2.15 463	0.78 445	1.84 463	3.76 467	1.46 456	2.18 463	2.15 458	1.50 457	3.20 470	1.35 441	0.92 459	0.66 462	1.10 460	0.79 461	0.94 457	0.74 458

Venus	1.50 455	1.22 461	1.39 430	1.10 460	0.85 457	2.15 463	0.78 445	1.84 463	3.76 467	1.46 456	2.18 463	2.15 458	1.50 457	3.20 470	1.35 441	0.92 459	0.66 462	1.10 460	0.79 461	0.94 457	0.74 458

ADCRef	0.41 364	0.33 362	1.05 394	0.26 275	0.21 335	0.49 382	0.27 326	0.54 303	0.51 342	0.51 384	0.59 372	0.35 258	0.47 379	0.54 279	1.35 441	0.09 167	0.08 150	0.12 303	0.12 315	0.12 291	0.13 214

ktn	1.80 462	1.46 468	1.49 435	1.44 468	1.14 464	1.50 458	1.07 458	1.53 459	3.90 470	2.77 469	4.62 470	3.42 468	1.49 456	1.74 455	1.40 444	1.45 469	0.77 466	1.46 468	0.99 466	1.41 469	1.00 465

SGM+DAISY	1.12 449	0.86 443	1.64 442	0.68 440	0.80 455	1.68 461	1.68 470	1.08 446	1.10 443	1.53 463	1.76 458	1.47 446	1.53 459	1.24 438	1.42 445	0.66 448	0.65 461	0.52 439	0.54 446	0.57 438	0.91 463

AnyNet_C01	0.68 426	0.69 434	2.64 458	0.33 385	0.27 391	0.93 435	0.64 435	0.66 403	0.65 395	0.70 417	0.97 428	0.75 421	0.63 417	1.01 423	1.52 446	0.17 376	0.16 323	0.17 379	0.17 388	0.24 403	0.28 382

ADCL	0.50 393	0.30 348	1.15 408	0.28 334	0.19 304	0.77 424	0.64 435	0.57 337	0.73 414	0.57 403	0.73 406	0.55 370	0.60 407	0.66 340	1.53 447	0.11 261	0.10 213	0.13 328	0.13 343	0.15 335	0.16 262

TorneroNet-64	1.47 453	1.15 456	1.51 437	1.11 462	0.86 459	2.27 466	0.76 443	1.84 463	3.76 467	1.29 448	2.22 465	2.68 465	1.46 455	1.81 459	1.55 448	0.79 454	0.51 445	1.10 460	0.67 455	1.31 465	0.81 462

notaker	1.49 454	1.44 467	1.77 446	1.42 467	1.08 463	1.19 447	0.87 452	1.51 457	1.40 451	1.53 463	3.41 469	2.40 461	1.94 462	1.83 460	1.57 449	1.14 465	0.69 465	1.38 467	0.88 463	1.39 468	1.03 466

1111x	0.39 349	0.17 206	0.80 341	0.23 163	0.15 191	0.33 278	0.27 326	0.62 383	0.48 318	0.32 217	0.43 278	0.40 290	0.29 280	0.86 398	1.60 450	0.09 167	0.23 388	0.09 149	0.12 315	0.10 202	0.23 339

EDNetEfficient	0.64 423	0.39 394	2.52 456	0.26 275	0.26 386	0.39 332	0.49 419	0.42 189	1.06 440	1.38 451	0.86 420	0.61 389	0.97 439	0.66 340	1.62 451	0.11 261	0.10 213	0.10 219	0.12 315	0.20 384	0.19 297

ADCMid	0.53 401	0.45 407	1.46 433	0.27 309	0.22 350	0.51 386	0.38 392	0.61 375	0.58 375	0.75 420	0.67 394	0.62 392	0.66 420	0.66 340	1.75 452	0.13 318	0.12 255	0.17 379	0.17 388	0.20 384	0.21 320

AnyNet_C32	0.55 404	0.51 414	1.34 427	0.29 347	0.28 392	0.61 406	0.62 434	0.57 337	0.62 390	0.63 408	0.68 397	0.54 369	0.55 399	0.82 390	1.81 453	0.15 352	0.15 312	0.15 364	0.18 393	0.21 390	0.25 362

MADNet+	1.05 444	1.26 463	4.77 469	0.73 444	0.50 431	1.25 450	0.97 453	1.05 445	0.93 432	0.67 414	0.78 411	0.87 426	0.85 431	2.14 462	1.83 454	0.40 437	0.42 441	0.32 425	0.28 426	0.45 431	0.43 427

JetBlue	1.20 451	0.89 444	2.53 457	0.59 435	0.76 448	3.16 470	2.09 471	1.16 448	0.93 432	0.95 434	1.12 434	1.65 449	1.27 449	2.15 463	1.87 455	0.43 439	0.37 437	0.38 430	0.39 438	0.62 439	0.63 448

UNDER WATER-64	1.61 458	1.30 465	2.93 462	1.33 465	0.96 461	2.20 465	1.25 464	1.47 455	3.15 464	1.46 456	1.31 441	2.61 464	2.22 464	1.69 454	1.93 456	1.13 464	0.67 464	1.29 465	0.94 464	1.26 463	1.09 467

ADCP+	0.48 391	0.36 381	1.47 434	0.26 275	0.22 350	0.57 400	0.40 399	0.56 328	0.54 359	0.46 365	0.52 342	0.46 331	0.53 397	0.59 303	1.93 456	0.10 226	0.08 150	0.11 270	0.11 276	0.14 327	0.15 249

TorneroNet	2.26 465	1.20 460	1.55 440	1.15 464	0.91 460	5.84 471	0.84 450	2.12 468	8.45 477	2.59 468	5.32 472	3.84 470	2.15 463	1.84 461	1.98 458	0.88 457	0.54 450	1.16 464	0.74 459	1.31 465	0.91 463

UNDER WATER	1.64 460	1.34 466	2.72 460	1.40 466	1.04 462	1.70 462	1.14 463	1.57 460	3.58 465	1.46 456	1.46 448	2.82 466	2.43 465	1.74 455	2.04 459	1.08 463	0.63 460	1.31 466	0.94 464	1.29 464	1.10 468

coex-ft	3.48 469	0.81 441	48.53 491	0.24 207	0.19 304	0.53 394	0.47 415	0.49 258	2.36 462	7.18 475	1.20 437	0.96 432	2.53 466	0.75 369	2.14 460	0.13 318	0.15 312	0.14 348	0.12 315	0.22 394	0.47 434

FADE	4.36 470	1.19 459	4.67 466	0.71 443	0.76 448	0.73 419	0.50 421	1.87 466	1.53 454	0.75 420	0.67 394	1.17 438	2.69 468	2.88 467	2.14 460	24.66 490	4.77 475	17.17 485	17.41 484	0.51 434	0.45 432

MANE	1.63 459	0.58 427	1.16 410	0.59 435	0.60 440	2.71 467	1.53 467	2.63 471	3.62 466	2.33 466	3.26 468	3.66 469	2.98 470	2.26 465	2.26 462	0.37 432	0.40 438	0.31 424	0.49 441	0.31 421	0.63 448

ADCS	0.62 418	0.56 421	1.54 439	0.30 356	0.25 382	0.56 398	0.46 412	0.71 418	0.86 425	0.77 425	0.72 403	0.68 413	0.62 415	0.82 390	2.33 463	0.17 376	0.16 323	0.16 370	0.17 388	0.23 399	0.27 376

xxxx	0.39 349	0.14 131	0.47 102	0.20 47	0.16 223	0.38 328	0.20 191	0.61 375	0.43 269	0.30 177	0.44 288	0.38 273	0.25 218	0.50 258	2.41 464	0.11 261	0.21 369	0.09 149	0.10 246	0.10 202	0.26 373

test_xeample	0.39 349	0.14 131	0.46 97	0.19 21	0.16 223	0.34 293	0.22 246	0.59 359	0.43 269	0.33 229	0.47 321	0.30 208	0.27 241	0.60 308	2.44 465	0.10 226	0.21 369	0.09 149	0.09 198	0.09 151	0.25 362

AAGNet	0.34 324	0.12 69	0.53 203	0.26 275	0.16 223	0.20 68	0.19 160	0.31 74	0.29 109	0.35 265	0.35 189	0.27 165	0.30 286	0.44 239	2.56 466	0.08 105	0.05 3	0.10 219	0.07 60	0.09 151	0.07 14

SGM-ForestM	1.59 457	0.56 421	1.52 438	0.41 420	0.34 411	2.77 468	1.67 469	1.69 461	1.73 457	2.48 467	2.27 466	6.02 475	2.90 469	3.08 468	2.83 467	0.25 412	0.30 426	0.19 392	0.20 400	0.18 370	0.45 432

MADNet++	2.34 466	1.81 470	2.24 455	2.15 472	1.97 470	2.79 469	2.19 472	2.42 470	2.26 461	2.79 470	2.70 467	2.43 462	2.60 467	3.18 469	3.32 468	2.19 470	1.97 471	1.93 470	1.62 470	2.02 471	2.10 472

HanzoNet	3.08 468	1.87 471	2.70 459	1.81 470	1.34 467	1.60 460	1.05 456	2.06 467	2.62 463	5.63 473	5.12 471	5.96 474	7.09 475	4.39 474	3.43 469	3.29 472	2.06 473	1.98 471	2.94 474	2.47 472	2.15 473

222	0.45 378	0.14 131	0.43 73	0.19 21	0.15 191	0.36 314	0.20 191	0.60 368	0.43 269	0.37 291	0.45 302	0.30 208	0.28 261	0.59 303	3.72 470	0.11 261	0.19 355	0.08 82	0.09 198	0.09 151	0.27 376

LE_ROB	1.82 463	0.39 394	3.15 464	0.50 431	0.55 437	0.79 426	1.00 454	0.89 442	6.48 474	7.40 476	2.07 462	2.07 455	5.08 472	1.33 446	3.96 471	0.11 261	0.09 186	0.12 303	0.11 276	0.11 254	0.13 214

JetRed	2.35 467	2.70 472	6.11 470	1.14 463	1.38 468	6.03 472	3.61 473	2.12 468	1.72 456	1.99 465	1.97 460	2.15 458	1.59 461	2.49 466	4.19 472	1.05 462	1.60 468	1.10 460	1.02 467	1.72 470	1.41 471

DPSimNet_ROB	6.21 473	5.16 474	9.50 473	5.59 476	5.56 473	7.64 474	10.02 476	4.07 473	7.33 475	6.84 474	6.26 474	7.17 476	10.55 477	4.07 473	5.68 473	5.50 475	4.29 474	5.24 475	3.66 475	4.05 474	5.96 477

BEATNet-Init1	4.91 472	3.27 473	14.39 483	0.69 441	0.65 444	10.19 479	3.83 474	5.04 474	5.11 472	8.73 478	8.52 476	13.95 485	7.66 476	7.79 477	5.79 474	0.32 427	0.34 435	0.34 428	0.38 437	0.64 441	0.64 450

tt	4.71 471	0.11 34	3.94 465	2.06 471	1.54 469	10.14 478	16.85 479	9.28 480	4.99 471	1.41 453	1.05 431	4.68 471	4.89 471	3.36 472	5.86 475	5.73 476	9.15 483	2.23 472	2.51 472	3.02 473	1.34 470

LRCNet_RVC	10.94 479	14.45 486	9.66 474	15.38 482	8.02 476	1.08 442	0.35 376	8.72 478	0.72 411	12.63 485	15.84 485	9.73 478	6.52 474	8.58 479	6.38 476	20.33 488	5.39 477	23.79 487	21.95 486	15.35 484	13.96 486

PML	15.86 485	13.12 485	7.07 471	5.22 474	7.66 475	32.93 489	64.30 492	5.37 475	10.12 478	25.87 491	67.29 492	20.25 487	13.20 486	10.09 480	6.81 477	5.94 478	2.00 472	6.03 479	2.18 471	9.13 480	2.62 475

ASD4	8.08 475	7.42 477	8.23 472	6.03 478	6.01 474	14.62 481	20.55 480	9.03 479	8.06 476	7.51 477	6.52 475	7.36 477	6.42 473	8.13 478	9.88 478	5.93 477	5.10 476	6.60 480	5.79 476	6.82 477	5.52 476

Anonymous_1	16.44 486	9.26 478	9.67 475	10.63 479	14.54 481	18.62 486	26.98 486	12.68 484	13.53 485	10.78 484	10.37 480	10.15 479	10.66 480	10.99 484	12.64 479	15.61 487	7.73 480	16.87 484	43.01 489	56.14 492	7.86 482

DGTPSM_ROB	8.38 476	5.24 475	10.71 481	5.32 475	10.19 477	8.34 475	23.49 484	6.11 476	13.43 483	4.93 471	10.93 481	5.64 472	10.55 477	6.17 475	12.73 480	3.74 473	7.56 478	3.68 473	7.24 479	4.09 475	7.49 478

DPSMNet_ROB	8.44 477	5.25 476	10.87 482	5.59 476	10.27 478	8.34 475	23.51 485	6.12 477	13.47 484	4.96 472	10.94 482	5.65 473	10.55 477	6.25 476	12.77 481	4.01 474	7.62 479	3.75 474	7.27 480	4.16 476	7.54 479

DPSM_ROB	11.46 480	9.79 482	10.18 476	11.11 480	11.31 479	19.08 487	27.38 487	13.42 485	14.23 486	10.34 482	11.13 483	10.97 483	11.33 484	11.89 485	13.49 482	6.74 479	8.19 481	6.00 477	7.05 477	7.74 478	7.76 480

DPSM	11.46 480	9.79 482	10.18 476	11.11 480	11.31 479	19.08 487	27.38 487	13.42 485	14.23 486	10.34 482	11.13 483	10.97 483	11.33 484	11.89 485	13.49 482	6.74 479	8.19 481	6.00 477	7.05 477	7.74 478	7.76 480

xxxxx1	15.30 482	9.78 479	10.23 478	20.34 485	19.47 484	17.10 482	23.00 481	10.36 481	11.04 479	9.25 479	9.66 477	10.74 480	10.66 480	10.60 481	13.72 484	8.14 481	9.35 484	31.88 490	44.61 490	12.63 481	13.46 483

tt_ll	15.30 482	9.78 479	10.23 478	20.34 485	19.47 484	17.10 482	23.00 481	10.36 481	11.04 479	9.25 479	9.66 477	10.74 480	10.66 480	10.60 481	13.72 484	8.14 481	9.35 484	31.88 490	44.61 490	12.63 481	13.46 483

ff	15.30 482	9.78 479	10.23 478	20.34 485	19.47 484	17.10 482	23.00 481	10.36 481	11.04 479	9.25 479	9.66 477	10.74 480	10.66 480	10.60 481	13.72 484	8.14 481	9.35 484	31.88 490	44.61 490	12.63 481	13.46 483

HaxPig	17.72 487	20.23 490	19.76 484	16.55 483	16.52 482	9.46 477	9.42 475	14.48 487	13.31 482	18.59 486	18.67 486	17.39 486	16.68 487	17.07 487	16.43 487	21.99 489	20.86 490	22.28 486	21.55 485	21.30 488	21.88 490

MEDIAN_ROB	21.20 488	24.56 491	23.42 489	19.57 484	19.62 487	13.29 480	11.21 477	18.04 488	17.02 488	22.07 490	21.92 487	20.84 488	20.24 488	21.02 488	19.68 488	25.59 491	24.08 491	26.20 488	25.19 487	25.31 489	25.19 491

AVERAGE_ROB	25.43 492	29.01 492	27.22 490	24.60 491	24.16 491	17.78 485	12.87 478	22.39 489	21.40 489	26.72 492	26.08 491	25.18 492	24.52 492	25.07 492	23.57 489	29.94 492	28.36 492	30.60 489	29.57 488	29.83 490	29.66 492

LSM0	24.21 491	19.88 489	22.33 488	24.42 490	40.13 492	38.41 491	54.99 489	27.05 491	28.61 490	20.59 487	22.00 488	22.29 491	22.86 489	24.12 491	27.16 490	13.59 486	16.33 487	12.13 483	14.08 481	15.72 487	17.53 489

CasAABBNet	23.04 489	19.69 487	20.32 485	22.42 488	22.73 488	38.35 490	55.23 491	26.99 490	28.74 491	20.67 488	22.28 489	22.11 489	22.86 489	23.84 489	27.17 491	13.52 484	16.47 488	12.08 481	14.21 482	15.57 485	15.60 487

Selective-RAFT-Error	23.11 490	19.77 488	20.60 487	22.49 489	22.80 489	38.46 492	55.19 490	27.13 492	28.90 492	20.73 489	22.38 490	22.11 489	22.91 491	23.94 490	27.18 492	13.54 485	16.57 489	12.09 482	14.21 482	15.61 486	15.65 488

test_example2	100.95 493	107.33 493	67.16 492	98.17 492	106.88 493	89.44 493	101.34 493	37.23 493	97.88 493	129.56 493	131.26 493	65.41 493	67.34 493	91.22 493	79.29 493	143.32 493	199.32 493	81.12 493	102.17 493	121.89 493	101.70 493

Low-res two-view benchmark