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

Selective-IGEV	0.07 1	0.06 20	0.08 12	0.17 117	0.06 3	0.08 24	0.12 22	0.13 12	0.07 1	0.08 7	0.07 14	0.06 3	0.04 1	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

panet	0.08 2	0.05 6	0.07 2	0.12 3	0.05 1	0.12 108	0.11 11	0.13 12	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.05 110	0.05 2	0.03 1	0.06 103	0.05 53

MoCha-V2	0.08 2	0.06 20	0.08 12	0.35 381	0.06 3	0.06 2	0.15 117	0.11 2	0.08 2	0.07 2	0.07 14	0.07 18	0.05 2	0.09 10	0.08 11	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

LargeStereo	0.08 2	0.06 20	0.08 12	0.18 184	0.07 20	0.09 36	0.13 44	0.10 1	0.09 3	0.08 7	0.08 18	0.06 3	0.06 7	0.13 137	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

AEACV	0.08 2	0.05 6	0.08 12	0.14 14	0.13 306	0.14 159	0.13 44	0.14 19	0.09 3	0.07 2	0.09 25	0.07 18	0.08 52	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 39	0.07 20	0.08 24	0.15 117	0.11 2	0.10 9	0.08 7	0.09 25	0.06 3	0.09 71	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 50	0.10 59	0.13 44	0.12 6	0.09 3	0.09 19	0.10 40	0.08 27	0.06 7	0.09 10	0.08 11	0.08 195	0.04 2	0.05 2	0.03 1	0.05 41	0.04 8

CES	0.08 2	0.04 1	0.08 12	0.14 14	0.07 20	0.09 36	0.14 71	0.11 2	0.09 3	0.08 7	0.09 25	0.11 79	0.06 7	0.12 105	0.08 11	0.06 58	0.04 2	0.05 2	0.03 1	0.05 41	0.05 53

EGLCR-Stereo	0.08 2	0.05 6	0.08 12	0.14 14	0.06 3	0.10 59	0.12 22	0.11 2	0.16 91	0.06 1	0.05 1	0.07 18	0.05 2	0.10 19	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

MC-Stereo	0.08 2	0.06 20	0.09 31	0.17 117	0.06 3	0.10 59	0.14 71	0.12 6	0.10 9	0.09 19	0.12 65	0.09 40	0.06 7	0.11 48	0.10 52	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

test-3	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

test_1	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 7	0.07 20	0.09 36	0.12 22	0.14 19	0.14 62	0.10 44	0.14 85	0.08 27	0.07 34	0.09 10	0.11 90	0.06 58	0.04 2	0.05 2	0.05 34	0.04 1	0.04 8
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
MGS-Stereo	0.09 14	0.07 72	0.12 94	0.15 39	0.08 50	0.09 36	0.15 117	0.12 6	0.12 28	0.07 2	0.10 40	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

ff7	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEVStereo-DCA	0.09 14	0.06 20	0.11 74	0.15 39	0.10 221	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ffff	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

rrr	0.09 14	0.06 20	0.12 94	0.15 39	0.10 221	0.11 85	0.16 175	0.16 47	0.15 73	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

11t	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

StereoIM	0.09 14	0.09 195	0.08 12	0.17 117	0.09 135	0.13 135	0.10 6	0.16 47	0.16 91	0.09 19	0.11 57	0.06 3	0.06 7	0.09 10	0.13 162	0.07 145	0.06 195	0.07 102	0.05 34	0.05 41	0.04 8

IGEV_Zeroshot_test	0.09 14	0.05 6	0.12 94	0.13 7	0.08 50	0.12 108	0.13 44	0.17 77	0.11 20	0.10 44	0.06 2	0.09 40	0.06 7	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

MSKI-zero shot	0.09 14	0.05 6	0.09 31	0.15 39	0.07 20	0.10 59	0.13 44	0.14 19	0.13 45	0.09 19	0.09 25	0.09 40	0.06 7	0.12 105	0.10 52	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

MIF-Stereo	0.09 14	0.07 72	0.08 12	0.18 184	0.08 50	0.13 135	0.11 11	0.12 6	0.11 20	0.10 44	0.12 65	0.05 1	0.07 34	0.09 10	0.09 20	0.07 145	0.05 110	0.05 2	0.05 34	0.05 41	0.05 53

MIM_Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.07 20	0.06 2	0.12 22	0.20 128	0.14 62	0.13 109	0.13 75	0.09 40	0.05 2	0.12 105	0.08 11	0.05 2	0.06 195	0.07 102	0.06 90	0.06 103	0.05 53

CASnet	0.09 14	0.09 195	0.09 31	0.19 231	0.06 3	0.07 17	0.11 11	0.18 101	0.14 62	0.11 64	0.10 40	0.09 40	0.07 34	0.10 19	0.10 52	0.06 58	0.04 2	0.10 273	0.08 215	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
RAFT-Test	0.09 14	0.06 20	0.10 48	0.15 39	0.07 20	0.11 85	0.15 117	0.16 47	0.13 45	0.09 19	0.10 40	0.10 62	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

HH	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

HanStereo	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

4D-IteraStereo	0.09 14	0.07 72	0.10 48	0.18 184	0.07 20	0.09 36	0.15 117	0.17 77	0.15 73	0.10 44	0.11 57	0.10 62	0.07 34	0.11 48	0.09 20	0.05 2	0.03 1	0.08 166	0.07 165	0.06 103	0.05 53

anonymousdsp	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

LoS	0.09 14	0.05 6	0.11 74	0.13 7	0.07 20	0.14 159	0.11 11	0.15 31	0.15 73	0.09 19	0.09 25	0.12 94	0.09 71	0.15 171	0.10 52	0.07 145	0.05 110	0.05 2	0.03 1	0.05 41	0.05 53

ProNet	0.09 14	0.07 72	0.10 48	0.17 117	0.08 50	0.10 59	0.15 117	0.15 31	0.12 28	0.09 19	0.06 2	0.07 18	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.06 103

RCA-Stereo	0.09 14	0.06 20	0.09 31	0.16 70	0.06 3	0.09 36	0.13 44	0.18 101	0.14 62	0.09 19	0.10 40	0.08 27	0.07 34	0.12 105	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

CroCo-Stereo Lap2	0.09 14	0.09 195	0.08 12	0.22 310	0.09 135	0.09 36	0.19 267	0.16 47	0.12 28	0.09 19	0.10 40	0.05 1	0.05 2	0.08 6	0.08 11	0.06 58	0.06 195	0.07 102	0.05 34	0.05 41	0.05 53

ccc-4	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEV-Stereo	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 14	0.05 6	0.13 133	0.14 14	0.08 50	0.12 108	0.15 117	0.18 101	0.10 9	0.11 64	0.08 18	0.08 27	0.05 2	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

TRStereo	0.09 14	0.05 6	0.12 94	0.15 39	0.12 288	0.10 59	0.13 44	0.18 101	0.18 120	0.09 19	0.09 25	0.09 40	0.06 7	0.10 19	0.08 11	0.07 145	0.05 110	0.07 102	0.07 165	0.04 1	0.04 8

AnonymousM	0.09 14	0.05 6	0.10 48	0.14 14	0.06 3	0.09 36	0.13 44	0.19 121	0.14 62	0.13 109	0.11 57	0.09 40	0.08 52	0.13 137	0.10 52	0.08 195	0.05 110	0.08 166	0.05 34	0.05 41	0.05 53

CroCo-Stereo	0.09 14	0.08 144	0.08 12	0.22 310	0.09 135	0.09 36	0.19 267	0.15 31	0.12 28	0.07 2	0.07 14	0.08 27	0.06 7	0.08 6	0.07 1	0.07 145	0.05 110	0.06 34	0.04 9	0.05 41	0.04 8
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 14	0.06 20	0.07 2	0.15 39	0.05 1	0.16 205	0.18 236	0.15 31	0.15 73	0.10 44	0.11 57	0.11 79	0.11 114	0.10 19	0.12 132	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

TANstereo	0.09 14	0.04 1	0.08 12	0.13 7	0.06 3	0.11 85	0.14 71	0.15 31	0.19 132	0.11 64	0.15 99	0.10 62	0.06 7	0.12 105	0.09 20	0.07 145	0.05 110	0.05 2	0.04 9	0.06 103	0.05 53

XX-TBD	0.09 14	0.06 20	0.07 2	0.14 14	0.07 20	0.12 108	0.16 175	0.14 19	0.13 45	0.11 64	0.12 65	0.09 40	0.08 52	0.10 19	0.10 52	0.06 58	0.04 2	0.05 2	0.03 1	0.06 103	0.05 53

raftrobust	0.09 14	0.06 20	0.10 48	0.17 117	0.08 50	0.09 36	0.10 6	0.18 101	0.16 91	0.10 44	0.09 25	0.12 94	0.07 34	0.12 105	0.10 52	0.08 195	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

XX-Stereo	0.09 14	0.05 6	0.08 12	0.17 117	0.09 135	0.15 181	0.12 22	0.20 128	0.10 9	0.10 44	0.14 85	0.07 18	0.06 7	0.12 105	0.08 11	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

test_xeample3	0.09 14	0.06 20	0.12 94	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.13 45	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

RAFT-Stereo + iAFF	0.09 14	0.06 20	0.10 48	0.17 117	0.06 3	0.10 59	0.16 175	0.17 77	0.14 62	0.09 19	0.10 40	0.08 27	0.09 71	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.03 1

AFF-stereo	0.09 14	0.06 20	0.10 48	0.17 117	0.07 20	0.10 59	0.16 175	0.17 77	0.09 3	0.10 44	0.12 65	0.09 40	0.09 71	0.12 105	0.09 20	0.05 2	0.04 2	0.07 102	0.07 165	0.04 1	0.03 1

EAI-Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.06 3	0.10 59	0.15 117	0.16 47	0.09 3	0.08 7	0.09 25	0.08 27	0.07 34	0.09 10	0.11 90	0.05 2	0.04 2	0.05 2	0.05 34	0.05 41	0.04 8

CFNet-RSSM	0.09 14	0.07 72	0.09 31	0.16 70	0.07 20	0.09 36	0.15 117	0.16 47	0.17 103	0.08 7	0.12 65	0.10 62	0.09 71	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

Gwc-CoAtRS	0.09 14	0.06 20	0.10 48	0.16 70	0.07 20	0.10 59	0.14 71	0.17 77	0.17 103	0.08 7	0.10 40	0.12 94	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

CREStereo	0.09 14	0.04 1	0.08 12	0.11 1	0.06 3	0.13 135	0.14 71	0.14 19	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.04 2	0.05 2	0.03 1	0.06 103	0.06 103
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 14	0.05 6	0.09 31	0.12 3	0.06 3	0.12 108	0.14 71	0.15 31	0.11 20	0.09 19	0.13 75	0.10 62	0.07 34	0.13 137	0.10 52	0.15 351	0.04 2	0.05 2	0.03 1	0.07 160	0.06 103

H2IRNET	0.10 54	0.09 195	0.09 31	0.18 184	0.09 135	0.12 108	0.15 117	0.14 19	0.21 166	0.10 44	0.10 40	0.10 62	0.10 92	0.10 19	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.05 53

Former-RAFT_DAM_RVC	0.10 54	0.08 144	0.12 94	0.16 70	0.08 50	0.15 181	0.16 175	0.18 101	0.18 120	0.10 44	0.09 25	0.09 40	0.08 52	0.11 48	0.12 132	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.06 103

MyStereo07	0.10 54	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.15 31	0.15 73	0.09 19	0.06 2	0.06 3	0.07 34	0.12 105	0.09 20	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

MyStereo06	0.10 54	0.07 72	0.12 94	0.17 117	0.09 135	0.13 135	0.18 236	0.19 121	0.12 28	0.12 88	0.08 18	0.07 18	0.07 34	0.11 48	0.09 20	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

AE-Stereo	0.10 54	0.08 144	0.10 48	0.18 184	0.09 135	0.10 59	0.15 117	0.14 19	0.19 132	0.09 19	0.14 85	0.12 94	0.08 52	0.11 48	0.10 52	0.05 2	0.06 195	0.07 102	0.06 90	0.05 41	0.04 8

ACVNet-DCA	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

cc1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

tt1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.12 108	0.16 175	0.15 31	0.19 132	0.09 19	0.08 18	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

test croco	0.10 54	0.08 144	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.14 19	0.13 45	0.13 109	0.15 99	0.09 40	0.12 143	0.13 137	0.12 132	0.07 145	0.05 110	0.09 232	0.06 90	0.06 103	0.06 103

Any-RAFT	0.10 54	0.05 6	0.09 31	0.14 14	0.07 20	0.13 135	0.14 71	0.21 145	0.15 73	0.11 64	0.12 65	0.12 94	0.09 71	0.12 105	0.09 20	0.07 145	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

LL-Strereo2	0.10 54	0.10 243	0.15 196	0.18 184	0.08 50	0.15 181	0.09 3	0.17 77	0.14 62	0.14 129	0.10 40	0.09 40	0.07 34	0.16 203	0.10 52	0.05 2	0.05 110	0.10 273	0.07 165	0.06 103	0.05 53

DCANet-4	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.18 101	0.19 132	0.13 109	0.16 107	0.09 40	0.14 198	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

fff	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

ADStereo(finetuned)	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.12 143	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

test_4	0.10 54	0.10 243	0.08 12	0.19 231	0.09 135	0.08 24	0.22 308	0.15 31	0.17 103	0.12 88	0.18 147	0.12 94	0.09 71	0.08 6	0.11 90	0.04 1	0.04 2	0.08 166	0.08 215	0.04 1	0.03 1

IPLG	0.10 54	0.07 72	0.15 196	0.17 117	0.08 50	0.11 85	0.14 71	0.20 128	0.15 73	0.12 88	0.17 125	0.07 18	0.07 34	0.14 153	0.13 162	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

test_3	0.10 54	0.09 195	0.10 48	0.20 273	0.08 50	0.13 135	0.26 347	0.14 19	0.21 166	0.10 44	0.10 40	0.09 40	0.09 71	0.08 6	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.04 1	0.04 8

STrans-v2	0.10 54	0.07 72	0.12 94	0.18 184	0.07 20	0.10 59	0.14 71	0.21 145	0.11 20	0.11 64	0.15 99	0.12 94	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.04 8

TransformOpticalFlow	0.10 54	0.08 144	0.13 133	0.18 184	0.07 20	0.09 36	0.15 117	0.19 121	0.15 73	0.12 88	0.17 125	0.11 79	0.11 114	0.11 48	0.10 52	0.05 2	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

SST-Stereo	0.10 54	0.07 72	0.15 196	0.18 184	0.09 135	0.06 2	0.12 22	0.17 77	0.11 20	0.15 153	0.17 125	0.13 117	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

cross-raft	0.10 54	0.09 195	0.09 31	0.19 231	0.07 20	0.11 85	0.25 341	0.13 12	0.15 73	0.08 7	0.11 57	0.12 94	0.10 92	0.09 10	0.11 90	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

test-1	0.10 54	0.07 72	0.16 226	0.19 231	0.08 50	0.11 85	0.24 327	0.14 19	0.18 120	0.09 19	0.07 14	0.09 40	0.08 52	0.07 1	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

iRaftStereo_RVC	0.10 54	0.07 72	0.09 31	0.17 117	0.09 135	0.11 85	0.17 196	0.18 101	0.12 28	0.09 19	0.12 65	0.10 62	0.07 34	0.11 48	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.04 1	0.04 8

RALCasStereoNet	0.10 54	0.06 20	0.09 31	0.16 70	0.08 50	0.12 108	0.14 71	0.17 77	0.11 20	0.12 88	0.17 125	0.14 132	0.10 92	0.12 105	0.11 90	0.07 145	0.06 195	0.06 34	0.05 34	0.08 204	0.07 163

DCANet	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

csc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

cscssc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

111	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.10 59	0.14 71	0.21 145	0.23 187	0.11 64	0.12 65	0.14 132	0.11 114	0.13 137	0.10 52	0.06 58	0.04 2	0.06 34	0.04 9	0.05 41	0.05 53

R-Stereo Train	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

RAFT-Stereo	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 54	0.06 20	0.12 94	0.14 14	0.06 3	0.11 85	0.10 6	0.18 101	0.18 120	0.13 109	0.16 107	0.14 132	0.11 114	0.15 171	0.13 162	0.06 58	0.04 2	0.04 1	0.04 9	0.06 103	0.05 53
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
xx1	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.16 167	0.16 231	0.10 19	0.07 1	0.06 58	0.04 2	0.08 166	0.08 215	0.07 160	0.07 163

1test111	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.15 171	0.16 228	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

MIF-Stereo (partial)	0.11 85	0.06 20	0.10 48	0.19 231	0.10 221	0.10 59	0.11 11	0.17 77	0.18 120	0.14 129	0.16 107	0.09 40	0.11 114	0.12 105	0.12 132	0.08 195	0.05 110	0.08 166	0.07 165	0.06 103	0.07 163

EKT-Stereo	0.11 85	0.07 72	0.14 159	0.15 39	0.10 221	0.13 135	0.14 71	0.18 101	0.21 166	0.11 64	0.08 18	0.12 94	0.09 71	0.11 48	0.12 132	0.08 195	0.06 195	0.07 102	0.06 90	0.08 204	0.07 163

anonymousdsp2	0.11 85	0.07 72	0.10 48	0.16 70	0.09 135	0.13 135	0.14 71	0.18 101	0.22 178	0.13 109	0.14 85	0.12 94	0.09 71	0.14 153	0.11 90	0.05 2	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

DCRE	0.11 85	0.07 72	0.13 133	0.16 70	0.11 259	0.11 85	0.17 196	0.18 101	0.17 103	0.11 64	0.18 147	0.10 62	0.10 92	0.15 171	0.11 90	0.06 58	0.05 110	0.06 34	0.06 90	0.05 41	0.04 8

knoymous	0.11 85	0.05 6	0.12 94	0.13 7	0.07 20	0.15 181	0.14 71	0.19 121	0.13 45	0.11 64	0.17 125	0.13 117	0.09 71	0.13 137	0.11 90	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

riskmin	0.11 85	0.06 20	0.13 133	0.14 14	0.08 50	0.14 159	0.14 71	0.18 101	0.14 62	0.11 64	0.14 85	0.16 167	0.11 114	0.14 153	0.12 132	0.09 241	0.05 110	0.07 102	0.05 34	0.08 204	0.08 223

Selective-RAFT	0.11 85	0.10 243	0.11 74	0.21 297	0.08 50	0.16 205	0.13 44	0.20 128	0.22 178	0.10 44	0.10 40	0.11 79	0.10 92	0.15 171	0.11 90	0.05 2	0.05 110	0.06 34	0.05 34	0.06 103	0.05 53

DisPM	0.11 85	0.07 72	0.12 94	0.16 70	0.09 135	0.06 2	0.13 44	0.17 77	0.17 103	0.14 129	0.20 164	0.12 94	0.10 92	0.11 48	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.11 298

CIPLG	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.11 57	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

GLC_STEREO	0.11 85	0.07 72	0.11 74	0.17 117	0.07 20	0.09 36	0.13 44	0.15 31	0.24 197	0.12 88	0.13 75	0.12 94	0.08 52	0.18 236	0.11 90	0.06 58	0.08 274	0.08 166	0.06 90	0.05 41	0.05 53

IPLGR_C	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

MIPNet	0.11 85	0.08 144	0.14 159	0.17 117	0.09 135	0.12 108	0.14 71	0.20 128	0.24 197	0.11 64	0.10 40	0.09 40	0.07 34	0.13 137	0.12 132	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

IPLGR	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.12 108	0.17 196	0.21 145	0.24 197	0.11 64	0.12 65	0.11 79	0.08 52	0.12 105	0.12 132	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

GMOStereo	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 359	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

error version	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 359	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

test-v	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 359	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

ACRE	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.14 62	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

PFNet+	0.11 85	0.06 20	0.13 133	0.16 70	0.09 135	0.05 1	0.12 22	0.17 77	0.21 166	0.16 178	0.19 153	0.14 132	0.10 92	0.11 48	0.11 90	0.08 195	0.05 110	0.09 232	0.08 215	0.06 103	0.11 298

LCNet	0.11 85	0.07 72	0.09 31	0.19 231	0.09 135	0.08 24	0.15 117	0.21 145	0.15 73	0.11 64	0.15 99	0.16 167	0.11 114	0.12 105	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.15 348

HHNet	0.11 85	0.06 20	0.16 226	0.15 39	0.14 323	0.07 17	0.13 44	0.20 128	0.17 103	0.14 129	0.25 231	0.11 79	0.08 52	0.13 137	0.10 52	0.05 2	0.04 2	0.08 166	0.06 90	0.05 41	0.09 256

Patchmatch Stereo++	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 85	0.07 72	0.16 226	0.19 231	0.09 135	0.08 24	0.13 44	0.18 101	0.13 45	0.16 178	0.21 178	0.13 117	0.14 198	0.11 48	0.14 190	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

OMP-Stereo	0.11 85	0.06 20	0.14 159	0.18 184	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.13 109	0.14 85	0.11 79	0.12 143	0.11 48	0.13 162	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.04 8

IIG-Stereo	0.11 85	0.06 20	0.13 133	0.17 117	0.08 50	0.11 85	0.12 22	0.22 161	0.17 103	0.14 129	0.17 125	0.11 79	0.12 143	0.12 105	0.12 132	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

NF-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

OCTAStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

NRIStereo	0.11 85	0.08 144	0.14 159	0.18 184	0.08 50	0.10 59	0.14 71	0.16 47	0.15 73	0.12 88	0.14 85	0.13 117	0.12 143	0.13 137	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.07 163

PSM-adaLoss	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

PSM-AAD	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.20 128	0.13 45	0.12 88	0.14 85	0.18 197	0.11 114	0.11 48	0.10 52	0.05 2	0.05 110	0.09 232	0.08 215	0.06 103	0.14 340

ROB_FTStereo_v2	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

ROB_FTStereo	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

KYRaft	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.08 24	0.15 117	0.22 161	0.12 28	0.13 109	0.16 107	0.20 216	0.10 92	0.12 105	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.16 359

HUI-Stereo	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

ASMatch	0.11 85	0.06 20	0.13 133	0.16 70	0.10 221	0.07 17	0.14 71	0.17 77	0.17 103	0.12 88	0.16 107	0.16 167	0.10 92	0.13 137	0.10 52	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.08 223

RAFT_R40	0.11 85	0.07 72	0.14 159	0.18 184	0.09 135	0.06 2	0.13 44	0.17 77	0.16 91	0.14 129	0.18 147	0.15 156	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

GrayStereo	0.11 85	0.06 20	0.11 74	0.19 231	0.09 135	0.09 36	0.16 175	0.18 101	0.17 103	0.14 129	0.17 125	0.17 186	0.11 114	0.12 105	0.11 90	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.10 275

RE-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

Pruner-Stereo	0.11 85	0.07 72	0.12 94	0.17 117	0.09 135	0.06 2	0.12 22	0.17 77	0.17 103	0.13 109	0.19 153	0.13 117	0.09 71	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.08 223

TVStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

DeepStereo_RVC	0.11 85	0.08 144	0.16 226	0.18 184	0.08 50	0.08 24	0.12 22	0.17 77	0.12 28	0.13 109	0.14 85	0.12 94	0.12 143	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.07 160	0.08 223

iGMRVC	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

RAFT-RH_RVC	0.11 85	0.06 20	0.14 159	0.16 70	0.09 135	0.12 108	0.12 22	0.17 77	0.12 28	0.13 109	0.41 347	0.11 79	0.10 92	0.13 137	0.12 132	0.05 2	0.04 2	0.08 166	0.05 34	0.04 1	0.06 103

RAFT-345	0.11 85	0.07 72	0.15 196	0.16 70	0.08 50	0.08 24	0.12 22	0.15 31	0.10 9	0.11 64	0.36 313	0.09 40	0.09 71	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.06 90	0.04 1	0.05 53

iRAFT	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

CRE-IMP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.10 59	0.12 22	0.18 101	0.10 9	0.14 129	0.13 75	0.13 117	0.12 143	0.12 105	0.11 90	0.07 145	0.04 2	0.08 166	0.06 90	0.08 204	0.08 223

test-2	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 359	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

GMM-Stereo	0.11 85	0.07 72	0.10 48	0.18 184	0.09 135	0.08 24	0.15 117	0.23 178	0.16 91	0.11 64	0.15 99	0.13 117	0.11 114	0.11 48	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.09 256

RAFT-IKP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

Prome-Stereo	0.11 85	0.06 20	0.10 48	0.18 184	0.08 50	0.12 108	0.15 117	0.22 161	0.13 45	0.12 88	0.17 125	0.13 117	0.08 52	0.12 105	0.10 52	0.05 2	0.04 2	0.07 102	0.06 90	0.06 103	0.09 256

rafts_anoy	0.11 85	0.06 20	0.10 48	0.17 117	0.08 50	0.10 59	0.14 71	0.17 77	0.14 62	0.13 109	0.13 75	0.12 94	0.10 92	0.11 48	0.12 132	0.07 145	0.04 2	0.09 232	0.11 311	0.07 160	0.06 103

raft+_RVC	0.11 85	0.07 72	0.09 31	0.16 70	0.07 20	0.10 59	0.11 11	0.24 196	0.20 153	0.12 88	0.15 99	0.12 94	0.08 52	0.12 105	0.13 162	0.07 145	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

RALAANet	0.11 85	0.08 144	0.10 48	0.17 117	0.09 135	0.14 159	0.10 6	0.20 128	0.15 73	0.14 129	0.13 75	0.16 167	0.09 71	0.12 105	0.11 90	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

DIP-Stereo	0.11 85	0.07 72	0.14 159	0.17 117	0.09 135	0.13 135	0.09 3	0.16 47	0.16 91	0.11 64	0.16 107	0.14 132	0.12 143	0.15 171	0.13 162	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MyStereo8	0.12 140	0.07 72	0.15 196	0.15 39	0.09 135	0.18 239	0.14 71	0.19 121	0.22 178	0.12 88	0.18 147	0.11 79	0.10 92	0.16 203	0.18 253	0.07 145	0.05 110	0.07 102	0.05 34	0.08 204	0.09 256

CoDeX	0.12 140	0.07 72	0.12 94	0.17 117	0.08 50	0.12 108	0.15 117	0.23 178	0.27 236	0.13 109	0.17 125	0.16 167	0.11 114	0.14 153	0.11 90	0.07 145	0.05 110	0.07 102	0.06 90	0.06 103	0.05 53

11t1	0.12 140	0.06 20	0.13 133	0.14 14	0.08 50	0.17 224	0.15 117	0.18 101	0.15 73	0.15 153	0.15 99	0.16 167	0.16 231	0.15 171	0.13 162	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

ffm	0.12 140	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.07 1	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

RAFT_CTSACE	0.12 140	0.09 195	0.10 48	0.22 310	0.08 50	0.12 108	0.24 327	0.18 101	0.16 91	0.20 247	0.27 253	0.13 117	0.07 34	0.13 137	0.09 20	0.05 2	0.06 195	0.08 166	0.07 165	0.04 1	0.04 8

Sa-1000	0.12 140	0.08 144	0.08 12	0.18 184	0.08 50	0.14 159	0.22 308	0.22 161	0.18 120	0.15 153	0.20 164	0.17 186	0.11 114	0.10 19	0.10 52	0.06 58	0.05 110	0.09 232	0.09 256	0.05 41	0.05 53

SA	0.12 140	0.09 195	0.08 12	0.18 184	0.08 50	0.12 108	0.24 327	0.23 178	0.18 120	0.17 190	0.27 253	0.14 132	0.11 114	0.11 48	0.11 90	0.05 2	0.05 110	0.09 232	0.08 215	0.05 41	0.04 8

iRaft-Stereo_5w	0.12 140	0.09 195	0.12 94	0.19 231	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.19 230	0.14 85	0.11 79	0.09 71	0.20 266	0.16 228	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.06 103

CrosDoStereo	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

PSM-softLoss	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

KMStereo	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

FTStereo	0.12 140	0.06 20	0.14 159	0.18 184	0.09 135	0.07 17	0.15 117	0.21 145	0.18 120	0.12 88	0.24 202	0.12 94	0.12 143	0.13 137	0.13 162	0.05 2	0.05 110	0.07 102	0.06 90	0.06 103	0.10 275

DeepStereo_LL	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

DEmStereo	0.12 140	0.06 20	0.14 159	0.14 14	0.10 221	0.16 205	0.15 117	0.16 47	0.24 197	0.17 190	0.24 202	0.13 117	0.14 198	0.12 105	0.13 162	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

THIR-Stereo	0.12 140	0.07 72	0.11 74	0.15 39	0.08 50	0.14 159	0.16 175	0.17 77	0.25 216	0.16 178	0.24 202	0.14 132	0.12 143	0.12 105	0.14 190	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

DRaft	0.12 140	0.06 20	0.11 74	0.14 14	0.09 135	0.14 159	0.17 196	0.21 145	0.30 262	0.17 190	0.28 262	0.10 62	0.15 211	0.10 19	0.12 132	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

PFNet	0.12 140	0.06 20	0.17 251	0.17 117	0.08 50	0.09 36	0.15 117	0.26 221	0.20 153	0.16 178	0.16 107	0.14 132	0.11 114	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

IRAFT_RVC	0.12 140	0.08 144	0.16 226	0.19 231	0.08 50	0.07 17	0.15 117	0.24 196	0.23 187	0.14 129	0.14 85	0.15 156	0.12 143	0.12 105	0.10 52	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.06 103

sCroCo_RVC	0.12 140	0.09 195	0.23 305	0.24 334	0.11 259	0.19 259	0.14 71	0.17 77	0.14 62	0.10 44	0.13 75	0.12 94	0.07 34	0.14 153	0.11 90	0.08 195	0.08 274	0.08 166	0.08 215	0.05 41	0.07 163

ARAFT	0.12 140	0.08 144	0.17 251	0.19 231	0.09 135	0.14 159	0.18 236	0.20 128	0.12 28	0.12 88	0.13 75	0.14 132	0.11 114	0.15 171	0.12 132	0.06 58	0.05 110	0.10 273	0.09 256	0.05 41	0.04 8

BEATNet_4x	0.12 140	0.08 144	0.14 159	0.18 184	0.07 20	0.15 181	0.07 1	0.22 161	0.18 120	0.16 178	0.19 153	0.18 197	0.14 198	0.16 203	0.15 213	0.07 145	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

MLCV	0.12 140	0.07 72	0.16 226	0.18 184	0.06 3	0.15 181	0.17 196	0.19 121	0.21 166	0.18 217	0.25 231	0.17 186	0.13 175	0.14 153	0.13 162	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

qqq1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

fff1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

MyStereo05	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.13 135	0.18 236	0.27 239	0.35 298	0.17 190	0.14 85	0.15 156	0.11 114	0.15 171	0.13 162	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

MyStereo04	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.29 263	0.38 314	0.17 190	0.14 85	0.16 167	0.10 92	0.15 171	0.13 162	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

DualNet	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

ff1	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

StereoVision	0.13 162	0.12 277	0.09 31	0.24 334	0.10 221	0.15 181	0.21 298	0.21 145	0.20 153	0.12 88	0.24 202	0.10 62	0.10 92	0.16 203	0.10 52	0.09 241	0.11 325	0.12 315	0.12 329	0.06 103	0.05 53

LL-Strereo	0.13 162	0.09 195	0.11 74	0.20 273	0.10 221	0.11 85	0.18 236	0.32 292	0.24 197	0.15 153	0.15 99	0.14 132	0.13 175	0.19 247	0.11 90	0.06 58	0.04 2	0.09 232	0.08 215	0.04 1	0.05 53

CASS	0.13 162	0.12 277	0.11 74	0.23 329	0.09 135	0.15 181	0.17 196	0.18 101	0.19 132	0.17 190	0.18 147	0.15 156	0.15 211	0.14 153	0.14 190	0.09 241	0.06 195	0.10 273	0.08 215	0.09 252	0.07 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 162	0.07 72	0.13 133	0.18 184	0.09 135	0.13 135	0.17 196	0.19 121	0.29 254	0.15 153	0.24 202	0.15 156	0.14 198	0.14 153	0.14 190	0.07 145	0.05 110	0.07 102	0.09 256	0.05 41	0.06 103

TestStereo1	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 367	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

qqq	0.13 162	0.09 195	0.15 196	0.16 70	0.08 50	0.13 135	0.15 117	0.23 178	0.16 91	0.15 153	0.19 153	0.16 167	0.16 231	0.15 171	0.16 228	0.07 145	0.06 195	0.08 166	0.08 215	0.07 160	0.07 163

x	0.13 162	0.07 72	0.14 159	0.14 14	0.08 50	0.18 239	0.14 71	0.22 161	0.20 153	0.15 153	0.19 153	0.19 206	0.17 250	0.18 236	0.18 253	0.07 145	0.05 110	0.06 34	0.06 90	0.07 160	0.07 163

raft_robust	0.13 162	0.10 243	0.07 2	0.18 184	0.08 50	0.13 135	0.24 327	0.28 253	0.33 280	0.20 247	0.19 153	0.14 132	0.10 92	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.07 165	0.05 41	0.04 8

RAFT+CT+SA	0.13 162	0.11 263	0.09 31	0.19 231	0.09 135	0.15 181	0.28 359	0.22 161	0.22 178	0.15 153	0.26 246	0.10 62	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.07 102	0.08 215	0.07 160	0.06 103

SA-5K	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 367	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

GwcNet-ADL	0.13 162	0.08 144	0.14 159	0.20 273	0.09 135	0.11 85	0.20 282	0.30 277	0.24 197	0.13 109	0.14 85	0.18 197	0.14 198	0.13 137	0.14 190	0.07 145	0.05 110	0.06 34	0.05 34	0.07 160	0.06 103

GANet-ADL	0.13 162	0.07 72	0.15 196	0.17 117	0.10 221	0.18 239	0.15 117	0.30 277	0.20 153	0.13 109	0.18 147	0.19 206	0.12 143	0.16 203	0.13 162	0.08 195	0.06 195	0.06 34	0.05 34	0.07 160	0.08 223

RAFT	0.13 162	0.09 195	0.11 74	0.18 184	0.08 50	0.15 181	0.24 327	0.20 128	0.19 132	0.21 255	0.21 178	0.17 186	0.12 143	0.16 203	0.09 20	0.06 58	0.07 252	0.10 273	0.09 256	0.05 41	0.05 53

TestStereo	0.13 162	0.14 310	0.11 74	0.23 329	0.08 50	0.15 181	0.21 298	0.20 128	0.23 187	0.14 129	0.24 202	0.16 167	0.12 143	0.16 203	0.14 190	0.05 2	0.06 195	0.08 166	0.06 90	0.09 252	0.05 53

sAnonymous2	0.13 162	0.12 277	0.24 308	0.20 273	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

CroCo_RVC	0.13 162	0.12 277	0.24 308	0.20 273	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

RAFT + AFF	0.13 162	0.07 72	0.20 286	0.20 273	0.10 221	0.14 159	0.24 327	0.26 221	0.20 153	0.11 64	0.10 40	0.12 94	0.10 92	0.15 171	0.12 132	0.07 145	0.06 195	0.09 232	0.08 215	0.06 103	0.08 223

GMStereo	0.13 162	0.14 310	0.14 159	0.18 184	0.09 135	0.15 181	0.16 175	0.20 128	0.24 197	0.16 178	0.17 125	0.10 62	0.10 92	0.16 203	0.13 162	0.07 145	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 162	0.07 72	0.14 159	0.17 117	0.09 135	0.15 181	0.16 175	0.28 253	0.27 236	0.14 129	0.17 125	0.12 94	0.13 175	0.14 153	0.11 90	0.08 195	0.05 110	0.07 102	0.07 165	0.07 160	0.06 103

FENet	0.13 162	0.08 144	0.12 94	0.16 70	0.08 50	0.14 159	0.15 117	0.22 161	0.23 187	0.17 190	0.23 193	0.16 167	0.12 143	0.14 153	0.15 213	0.08 195	0.05 110	0.08 166	0.08 215	0.07 160	0.07 163

cf-r	0.13 162	0.07 72	0.12 94	0.16 70	0.08 50	0.14 159	0.19 267	0.20 128	0.25 216	0.17 190	0.25 231	0.21 222	0.16 231	0.14 153	0.14 190	0.10 272	0.05 110	0.06 34	0.08 215	0.06 103	0.06 103

iResNet	0.13 162	0.10 243	0.18 269	0.19 231	0.08 50	0.13 135	0.18 236	0.20 128	0.26 229	0.15 153	0.23 193	0.15 156	0.13 175	0.14 153	0.14 190	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

DN-CSS_ROB	0.13 162	0.13 298	0.16 226	0.18 184	0.10 221	0.16 205	0.08 2	0.22 161	0.18 120	0.17 190	0.22 187	0.13 117	0.13 175	0.12 105	0.13 162	0.05 2	0.05 110	0.10 273	0.10 288	0.08 204	0.06 103

DispNO	0.14 191	0.08 144	0.17 251	0.19 231	0.12 288	0.11 85	0.21 298	0.23 178	0.29 254	0.17 190	0.23 193	0.18 197	0.17 250	0.15 171	0.15 213	0.07 145	0.05 110	0.08 166	0.08 215	0.07 160	0.06 103

SMFormer	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

tta	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.06 103	0.06 103

mmm	0.14 191	0.08 144	0.17 251	0.17 117	0.09 135	0.17 224	0.18 236	0.21 145	0.15 73	0.15 153	0.23 193	0.21 222	0.16 231	0.16 203	0.17 239	0.08 195	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

mmx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

ttt	0.14 191	0.08 144	0.14 159	0.15 39	0.08 50	0.15 181	0.18 236	0.27 239	0.29 254	0.16 178	0.24 202	0.17 186	0.13 175	0.13 137	0.14 190	0.11 293	0.08 274	0.09 232	0.08 215	0.09 252	0.08 223

whm_eth	0.14 191	0.09 195	0.20 286	0.20 273	0.12 288	0.12 108	0.15 117	0.18 101	0.28 247	0.17 190	0.32 289	0.09 40	0.12 143	0.18 236	0.14 190	0.07 145	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163

xxx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

PCWNet_CMD	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 303	0.14 129	0.20 164	0.21 222	0.12 143	0.17 225	0.13 162	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

CBFPSM	0.14 191	0.06 20	0.26 315	0.17 117	0.09 135	0.13 135	0.15 117	0.22 161	0.23 187	0.20 247	0.27 253	0.24 257	0.16 231	0.16 203	0.18 253	0.06 58	0.06 195	0.06 34	0.07 165	0.07 160	0.07 163

gwcnet-sp	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

scenet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

ssnet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

BUS	0.14 191	0.09 195	0.14 159	0.22 310	0.10 221	0.19 259	0.14 71	0.34 319	0.19 132	0.17 190	0.22 187	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

IER	0.14 191	0.07 72	0.13 133	0.17 117	0.09 135	0.14 159	0.16 175	0.25 209	0.26 229	0.18 217	0.25 231	0.17 186	0.20 283	0.16 203	0.14 190	0.08 195	0.05 110	0.07 102	0.06 90	0.08 204	0.07 163

test_5	0.14 191	0.12 277	0.08 12	0.20 273	0.10 221	0.14 159	0.29 367	0.21 145	0.24 197	0.18 217	0.28 262	0.11 79	0.15 211	0.12 105	0.13 162	0.06 58	0.05 110	0.07 102	0.08 215	0.08 204	0.07 163

psmg	0.14 191	0.09 195	0.14 159	0.17 117	0.10 221	0.15 181	0.17 196	0.29 263	0.19 132	0.17 190	0.21 178	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.08 166	0.08 215	0.07 160	0.06 103

UDGNet	0.14 191	0.13 298	0.16 226	0.17 117	0.10 221	0.12 108	0.16 175	0.21 145	0.27 236	0.20 247	0.20 164	0.16 167	0.13 175	0.16 203	0.13 162	0.10 272	0.06 195	0.09 232	0.07 165	0.06 103	0.07 163

CFNet_pseudo	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.13 135	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.07 163

Anonymous	0.14 191	0.10 243	0.24 308	0.22 310	0.13 306	0.18 239	0.22 308	0.20 128	0.19 132	0.14 129	0.12 65	0.11 79	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.08 166	0.08 215	0.12 308	0.10 275

GES	0.14 191	0.08 144	0.16 226	0.15 39	0.10 221	0.13 135	0.13 44	0.28 253	0.25 216	0.16 178	0.23 193	0.18 197	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.07 102	0.06 90	0.08 204	0.09 256

GANet-RSSM	0.14 191	0.07 72	0.13 133	0.13 7	0.08 50	0.14 159	0.17 196	0.22 161	0.21 166	0.17 190	0.24 202	0.23 251	0.15 211	0.16 203	0.15 213	0.10 272	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

PSMNet-RSSM	0.14 191	0.07 72	0.13 133	0.15 39	0.08 50	0.13 135	0.16 175	0.24 196	0.24 197	0.16 178	0.28 262	0.22 239	0.14 198	0.15 171	0.13 162	0.11 293	0.06 195	0.09 232	0.12 329	0.08 204	0.07 163

GwcNet-RSSM	0.14 191	0.07 72	0.12 94	0.15 39	0.08 50	0.15 181	0.20 282	0.21 145	0.27 236	0.18 217	0.27 253	0.22 239	0.16 231	0.14 153	0.15 213	0.10 272	0.05 110	0.07 102	0.09 256	0.07 160	0.07 163

CFNet-ft	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

DMCA	0.14 191	0.09 195	0.16 226	0.19 231	0.09 135	0.15 181	0.17 196	0.23 178	0.27 236	0.14 129	0.19 153	0.17 186	0.18 260	0.15 171	0.17 239	0.10 272	0.06 195	0.08 166	0.06 90	0.09 252	0.10 275

RASNet	0.14 191	0.07 72	0.14 159	0.16 70	0.08 50	0.18 239	0.14 71	0.29 263	0.20 153	0.17 190	0.25 231	0.21 222	0.18 260	0.20 266	0.19 262	0.07 145	0.06 195	0.06 34	0.08 215	0.06 103	0.06 103

MSMDNet	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 303	0.14 129	0.21 178	0.21 222	0.12 143	0.17 225	0.14 190	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

HSM-Net_RVC	0.14 191	0.08 144	0.11 74	0.15 39	0.08 50	0.15 181	0.15 117	0.27 239	0.29 254	0.19 230	0.21 178	0.29 296	0.14 198	0.17 225	0.13 162	0.06 58	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

ccs_rob	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.12 108	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

UCFNet_RVC	0.14 191	0.08 144	0.13 133	0.11 1	0.10 221	0.20 271	0.10 6	0.24 196	0.22 178	0.17 190	0.20 164	0.23 251	0.15 211	0.17 225	0.15 213	0.12 317	0.07 252	0.10 273	0.13 338	0.11 294	0.10 275

iResNetv2_ROB	0.14 191	0.08 144	0.15 196	0.16 70	0.08 50	0.16 205	0.12 22	0.25 209	0.35 298	0.21 255	0.29 273	0.24 257	0.13 175	0.14 153	0.14 190	0.06 58	0.05 110	0.06 34	0.04 9	0.09 252	0.08 223

iResNet_ROB	0.14 191	0.07 72	0.13 133	0.14 14	0.07 20	0.18 239	0.14 71	0.26 221	0.31 268	0.22 268	0.25 231	0.23 251	0.15 211	0.15 171	0.13 162	0.07 145	0.05 110	0.05 2	0.04 9	0.08 204	0.08 223

1111x	0.15 225	0.08 144	0.12 94	0.18 184	0.07 20	0.18 239	0.25 341	0.31 283	0.24 197	0.17 190	0.24 202	0.26 275	0.15 211	0.13 137	0.23 306	0.07 145	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

CFNet_ucs	0.15 225	0.08 144	0.16 226	0.16 70	0.11 259	0.14 159	0.14 71	0.30 277	0.34 291	0.16 178	0.24 202	0.23 251	0.14 198	0.18 236	0.15 213	0.09 241	0.06 195	0.08 166	0.07 165	0.09 252	0.09 256

BSDual-CNN	0.15 225	0.09 195	0.14 159	0.22 310	0.10 221	0.14 159	0.15 117	0.34 319	0.19 132	0.17 190	0.22 187	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

hknet	0.15 225	0.11 263	0.13 133	0.22 310	0.11 259	0.14 159	0.15 117	0.34 319	0.25 216	0.17 190	0.22 187	0.22 239	0.18 260	0.17 225	0.12 132	0.07 145	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

dd	0.15 225	0.16 323	0.16 226	0.19 231	0.09 135	0.15 181	0.18 236	0.21 145	0.25 216	0.23 280	0.20 164	0.21 222	0.09 71	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.06 90	0.08 204	0.06 103

DAS	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.16 203	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

SepStereo	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.25 317	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

PSMNet-ADL	0.15 225	0.12 277	0.13 133	0.22 310	0.09 135	0.13 135	0.20 282	0.26 221	0.23 187	0.18 217	0.20 164	0.24 257	0.16 231	0.18 236	0.17 239	0.08 195	0.08 274	0.08 166	0.11 311	0.08 204	0.07 163

LMCR-Stereo	0.15 225	0.08 144	0.13 133	0.21 297	0.09 135	0.17 224	0.20 282	0.27 239	0.19 132	0.24 288	0.24 202	0.23 251	0.17 250	0.20 266	0.17 239	0.07 145	0.06 195	0.08 166	0.06 90	0.10 279	0.08 223

ICVP	0.15 225	0.09 195	0.12 94	0.22 310	0.09 135	0.17 224	0.21 298	0.25 209	0.23 187	0.18 217	0.30 277	0.26 275	0.18 260	0.17 225	0.14 190	0.09 241	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 225	0.07 72	0.14 159	0.14 14	0.08 50	0.23 306	0.18 236	0.31 283	0.19 132	0.14 129	0.28 262	0.22 239	0.14 198	0.15 171	0.26 335	0.09 241	0.05 110	0.07 102	0.07 165	0.08 204	0.07 163

test_xeample	0.15 225	0.06 20	0.13 133	0.14 14	0.08 50	0.21 285	0.20 282	0.28 253	0.20 153	0.16 178	0.29 273	0.19 206	0.16 231	0.15 171	0.26 335	0.09 241	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

ACVNet	0.15 225	0.09 195	0.15 196	0.13 7	0.12 288	0.14 159	0.20 282	0.22 161	0.33 280	0.17 190	0.26 246	0.21 222	0.16 231	0.17 225	0.21 287	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

acv_ft	0.15 225	0.09 195	0.15 196	0.19 231	0.10 221	0.16 205	0.17 196	0.25 209	0.33 280	0.19 230	0.26 246	0.21 222	0.17 250	0.17 225	0.18 253	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

CFNet	0.15 225	0.10 243	0.17 251	0.17 117	0.08 50	0.18 239	0.09 3	0.28 253	0.25 216	0.19 230	0.24 202	0.24 257	0.17 250	0.17 225	0.14 190	0.08 195	0.06 195	0.09 232	0.10 288	0.07 160	0.06 103

AdaStereo	0.15 225	0.11 263	0.15 196	0.18 184	0.09 135	0.20 271	0.11 11	0.32 292	0.28 247	0.20 247	0.23 193	0.20 216	0.13 175	0.19 247	0.14 190	0.12 317	0.05 110	0.10 273	0.07 165	0.09 252	0.07 163
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
HSM	0.15 225	0.08 144	0.14 159	0.16 70	0.09 135	0.16 205	0.14 71	0.28 253	0.25 216	0.19 230	0.23 193	0.37 342	0.16 231	0.20 266	0.15 213	0.07 145	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

pmcnn	0.15 225	0.07 72	0.19 278	0.15 39	0.07 20	0.20 271	0.15 117	0.24 196	0.26 229	0.21 255	0.34 306	0.28 289	0.18 260	0.18 236	0.17 239	0.07 145	0.05 110	0.05 2	0.04 9	0.07 160	0.06 103

GMStereo_Zeroshot	0.16 243	0.13 298	0.24 308	0.20 273	0.10 221	0.17 224	0.13 44	0.29 263	0.25 216	0.23 280	0.32 289	0.25 267	0.11 114	0.19 247	0.14 190	0.09 241	0.06 195	0.11 300	0.06 90	0.12 308	0.08 223

iinet-f	0.16 243	0.06 20	0.45 364	0.14 14	0.10 221	0.21 285	0.14 71	0.27 239	0.23 187	0.21 255	0.24 202	0.21 222	0.15 211	0.18 236	0.21 287	0.09 241	0.07 252	0.07 102	0.06 90	0.09 252	0.10 275

CRFU-Net	0.16 243	0.08 144	0.14 159	0.17 117	0.09 135	0.19 259	0.14 71	0.26 221	0.20 153	0.28 323	0.27 253	0.29 296	0.17 250	0.19 247	0.17 239	0.09 241	0.09 297	0.07 102	0.07 165	0.08 204	0.08 223

NINENet	0.16 243	0.10 243	0.15 196	0.17 117	0.11 259	0.19 259	0.14 71	0.40 358	0.36 303	0.18 217	0.21 178	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.08 274	0.10 273	0.07 165	0.10 279	0.09 256

CSP-Net	0.16 243	0.09 195	0.14 159	0.16 70	0.09 135	0.19 259	0.17 196	0.25 209	0.32 274	0.25 301	0.30 277	0.24 257	0.15 211	0.21 282	0.18 253	0.09 241	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

AASNet	0.16 243	0.08 144	0.12 94	0.19 231	0.09 135	0.18 239	0.15 117	0.37 343	0.37 309	0.19 230	0.23 193	0.20 216	0.16 231	0.17 225	0.20 268	0.10 272	0.08 274	0.08 166	0.07 165	0.09 252	0.09 256

AACVNet	0.16 243	0.08 144	0.14 159	0.15 39	0.10 221	0.18 239	0.15 117	0.23 178	0.24 197	0.27 312	0.27 253	0.28 289	0.17 250	0.19 247	0.16 228	0.09 241	0.07 252	0.09 232	0.07 165	0.10 279	0.09 256

ADLNet2	0.16 243	0.09 195	0.13 133	0.16 70	0.09 135	0.20 271	0.16 175	0.31 283	0.39 317	0.16 178	0.20 164	0.20 216	0.18 260	0.21 282	0.22 296	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.07 163

Anonymous3	0.16 243	0.13 298	0.33 342	0.26 350	0.14 323	0.27 336	0.17 196	0.28 253	0.28 247	0.15 153	0.17 125	0.14 132	0.10 92	0.15 171	0.12 132	0.08 195	0.08 274	0.08 166	0.08 215	0.08 204	0.11 298

ADLNet	0.16 243	0.08 144	0.15 196	0.16 70	0.10 221	0.16 205	0.17 196	0.32 292	0.27 236	0.22 268	0.27 253	0.24 257	0.16 231	0.18 236	0.21 287	0.10 272	0.06 195	0.10 273	0.10 288	0.08 204	0.09 256

HCRNet	0.16 243	0.24 366	0.12 94	0.35 381	0.11 259	0.15 181	0.17 196	0.26 221	0.22 178	0.19 230	0.24 202	0.21 222	0.14 198	0.15 171	0.13 162	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

222	0.16 243	0.07 72	0.14 159	0.14 14	0.08 50	0.24 311	0.18 236	0.30 277	0.20 153	0.17 190	0.28 262	0.17 186	0.16 231	0.15 171	0.40 382	0.10 272	0.05 110	0.07 102	0.06 90	0.07 160	0.08 223

UPFNet	0.16 243	0.08 144	0.12 94	0.20 273	0.12 288	0.20 271	0.23 318	0.28 253	0.26 229	0.17 190	0.24 202	0.22 239	0.19 275	0.19 247	0.21 287	0.09 241	0.07 252	0.08 166	0.09 256	0.08 204	0.06 103

ac_64	0.16 243	0.08 144	0.15 196	0.18 184	0.10 221	0.22 293	0.18 236	0.24 196	0.21 166	0.18 217	0.24 202	0.29 296	0.18 260	0.19 247	0.22 296	0.09 241	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

DSFCA	0.16 243	0.09 195	0.14 159	0.16 70	0.10 221	0.20 271	0.19 267	0.28 253	0.31 268	0.23 280	0.24 202	0.22 239	0.15 211	0.19 247	0.20 268	0.10 272	0.07 252	0.09 232	0.09 256	0.08 204	0.08 223

FADNet-RVC-Resample	0.16 243	0.11 263	0.31 337	0.22 310	0.11 259	0.19 259	0.14 71	0.25 209	0.24 197	0.24 288	0.27 253	0.20 216	0.15 211	0.16 203	0.15 213	0.07 145	0.08 274	0.12 315	0.10 288	0.09 252	0.10 275

FADNet_RVC	0.16 243	0.14 310	0.40 359	0.20 273	0.11 259	0.13 135	0.13 44	0.26 221	0.22 178	0.21 255	0.23 193	0.20 216	0.17 250	0.14 153	0.16 228	0.08 195	0.08 274	0.12 315	0.09 256	0.11 294	0.10 275

AANet_RVC	0.16 243	0.10 243	0.10 48	0.18 184	0.09 135	0.18 239	0.19 267	0.26 221	0.31 268	0.22 268	0.35 310	0.21 222	0.21 287	0.22 293	0.16 228	0.06 58	0.05 110	0.06 34	0.06 90	0.07 160	0.06 103

DeepPruner_ROB	0.16 243	0.11 263	0.15 196	0.17 117	0.10 221	0.17 224	0.15 117	0.32 292	0.21 166	0.19 230	0.21 178	0.22 239	0.18 260	0.20 266	0.15 213	0.13 337	0.09 297	0.09 232	0.09 256	0.11 294	0.10 275

ToySt	0.17 262	0.11 263	0.18 269	0.17 117	0.11 259	0.16 205	0.25 341	0.24 196	0.33 280	0.19 230	0.24 202	0.26 275	0.24 308	0.19 247	0.20 268	0.07 145	0.08 274	0.09 232	0.10 288	0.09 252	0.08 223

ssnet_v2	0.17 262	0.10 243	0.17 251	0.17 117	0.11 259	0.21 285	0.21 298	0.33 309	0.25 216	0.22 268	0.22 187	0.27 282	0.18 260	0.22 293	0.20 268	0.11 293	0.09 297	0.09 232	0.09 256	0.08 204	0.08 223

dad	0.17 262	0.20 352	0.20 286	0.16 70	0.11 259	0.20 271	0.18 236	0.21 145	0.28 247	0.30 332	0.24 202	0.29 296	0.13 175	0.19 247	0.16 228	0.18 368	0.09 297	0.11 300	0.09 256	0.11 294	0.07 163

GEStereo_RVC	0.17 262	0.12 277	0.15 196	0.22 310	0.11 259	0.19 259	0.17 196	0.32 292	0.48 351	0.20 247	0.25 231	0.17 186	0.13 175	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.07 165	0.09 252	0.08 223

MMNet	0.17 262	0.09 195	0.16 226	0.20 273	0.11 259	0.27 336	0.20 282	0.25 209	0.41 326	0.22 268	0.30 277	0.21 222	0.20 283	0.17 225	0.20 268	0.06 58	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

delet	0.17 262	0.08 144	0.17 251	0.19 231	0.11 259	0.20 271	0.21 298	0.30 277	0.37 309	0.17 190	0.26 246	0.19 206	0.19 275	0.19 247	0.21 287	0.08 195	0.08 274	0.09 232	0.11 311	0.06 103	0.06 103

UNet	0.17 262	0.09 195	0.18 269	0.19 231	0.12 288	0.27 336	0.19 267	0.33 309	0.29 254	0.21 255	0.24 202	0.23 251	0.19 275	0.19 247	0.18 253	0.07 145	0.06 195	0.08 166	0.07 165	0.08 204	0.06 103

HGLStereo	0.17 262	0.08 144	0.19 278	0.17 117	0.12 288	0.18 239	0.18 236	0.31 283	0.32 274	0.21 255	0.32 289	0.25 267	0.18 260	0.19 247	0.20 268	0.09 241	0.09 297	0.07 102	0.07 165	0.09 252	0.10 275

DMCA-RVC	0.17 262	0.10 243	0.15 196	0.24 334	0.11 259	0.18 239	0.18 236	0.25 209	0.24 197	0.21 255	0.26 246	0.25 267	0.27 327	0.18 236	0.20 268	0.12 317	0.08 274	0.13 329	0.10 288	0.10 279	0.08 223

TDLM	0.17 262	0.12 277	0.13 133	0.24 334	0.10 221	0.18 239	0.18 236	0.36 338	0.30 262	0.21 255	0.28 262	0.28 289	0.18 260	0.23 304	0.18 253	0.11 293	0.07 252	0.10 273	0.10 288	0.08 204	0.08 223

NLCA_NET_v2_RVC	0.17 262	0.10 243	0.22 296	0.20 273	0.10 221	0.15 181	0.18 236	0.31 283	0.25 216	0.21 255	0.30 277	0.25 267	0.17 250	0.21 282	0.20 268	0.09 241	0.06 195	0.08 166	0.08 215	0.07 160	0.08 223
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 262	0.12 277	0.15 196	0.20 273	0.09 135	0.18 239	0.18 236	0.26 221	0.23 187	0.26 306	0.40 337	0.22 239	0.17 250	0.21 282	0.20 268	0.08 195	0.05 110	0.09 232	0.10 288	0.07 160	0.07 163
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
fast-acv-ft	0.18 274	0.11 263	0.19 278	0.19 231	0.12 288	0.24 311	0.21 298	0.25 209	0.34 291	0.22 268	0.34 306	0.27 282	0.20 283	0.21 282	0.23 306	0.09 241	0.09 297	0.08 166	0.10 288	0.08 204	0.07 163

HBP-ISP	0.18 274	0.13 298	0.16 226	0.15 39	0.11 259	0.08 24	0.13 44	0.28 253	0.29 254	0.22 268	0.33 302	0.21 222	0.25 316	0.23 304	0.17 239	0.14 348	0.16 363	0.21 369	0.17 362	0.10 279	0.08 223

Wz-Net-LNSev-Ref	0.18 274	0.09 195	0.29 332	0.15 39	0.10 221	0.22 293	0.20 282	0.26 221	0.39 317	0.25 301	0.42 353	0.24 257	0.15 211	0.20 266	0.19 262	0.07 145	0.05 110	0.06 34	0.05 34	0.10 279	0.09 256

SACVNet	0.18 274	0.12 277	0.14 159	0.17 117	0.13 306	0.22 293	0.18 236	0.31 283	0.30 262	0.23 280	0.31 285	0.30 304	0.22 296	0.22 293	0.17 239	0.11 293	0.08 274	0.10 273	0.10 288	0.12 308	0.14 340

psm_up	0.18 274	0.10 243	0.18 269	0.20 273	0.11 259	0.17 224	0.19 267	0.37 343	0.34 291	0.21 255	0.28 262	0.29 296	0.24 308	0.20 266	0.22 296	0.09 241	0.10 315	0.11 300	0.11 311	0.08 204	0.08 223

hitnet-ft	0.18 274	0.09 195	0.17 251	0.14 14	0.09 135	0.26 329	0.20 282	0.25 209	0.26 229	0.24 288	0.32 289	0.31 314	0.22 296	0.24 312	0.21 287	0.12 317	0.07 252	0.10 273	0.08 215	0.12 308	0.11 298

STTStereo	0.18 274	0.12 277	0.27 321	0.20 273	0.11 259	0.16 205	0.21 298	0.29 263	0.23 187	0.21 255	0.30 277	0.29 296	0.18 260	0.20 266	0.19 262	0.12 317	0.11 325	0.11 300	0.14 342	0.09 252	0.08 223

CVANet_RVC	0.18 274	0.10 243	0.14 159	0.21 297	0.10 221	0.18 239	0.17 196	0.34 319	0.33 280	0.22 268	0.31 285	0.28 289	0.18 260	0.23 304	0.17 239	0.12 317	0.08 274	0.12 315	0.11 311	0.09 252	0.07 163

StereoDRNet	0.18 274	0.11 263	0.17 251	0.22 310	0.11 259	0.21 285	0.22 308	0.37 343	0.33 280	0.24 288	0.28 262	0.30 304	0.19 275	0.20 266	0.20 268	0.09 241	0.08 274	0.11 300	0.09 256	0.09 252	0.07 163

DLCB_ROB	0.18 274	0.10 243	0.15 196	0.23 329	0.11 259	0.24 311	0.18 236	0.29 263	0.28 247	0.27 312	0.28 262	0.28 289	0.24 308	0.19 247	0.20 268	0.08 195	0.08 274	0.09 232	0.09 256	0.07 160	0.07 163

SDNR	0.19 284	0.08 144	0.19 278	0.16 70	0.12 288	0.77 406	0.14 71	0.25 209	0.32 274	0.19 230	0.24 202	0.19 206	0.13 175	0.19 247	0.15 213	0.16 362	0.18 370	0.14 339	0.11 311	0.08 204	0.11 298

pcwnet_v2	0.19 284	0.10 243	0.26 315	0.17 117	0.14 323	0.18 239	0.15 117	0.37 343	0.46 349	0.19 230	0.24 202	0.21 222	0.19 275	0.20 266	0.19 262	0.13 337	0.10 315	0.10 273	0.10 288	0.11 294	0.13 323

ADCRef	0.19 284	0.12 277	0.41 361	0.20 273	0.12 288	0.22 293	0.18 236	0.32 292	0.36 303	0.26 306	0.32 289	0.17 186	0.23 302	0.24 312	0.24 316	0.07 145	0.06 195	0.09 232	0.09 256	0.08 204	0.08 223

NVstereo2D	0.19 284	0.10 243	0.15 196	0.17 117	0.15 334	0.28 342	0.23 318	0.44 373	0.42 332	0.15 153	0.27 253	0.25 267	0.19 275	0.22 293	0.17 239	0.09 241	0.06 195	0.10 273	0.08 215	0.15 348	0.09 256

DRN-Test	0.19 284	0.11 263	0.20 286	0.22 310	0.10 221	0.22 293	0.22 308	0.39 354	0.37 309	0.24 288	0.32 289	0.26 275	0.21 287	0.22 293	0.24 316	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

DISCO	0.19 284	0.09 195	0.22 296	0.17 117	0.10 221	0.25 321	0.18 236	0.27 239	0.44 341	0.22 268	0.31 285	0.33 326	0.26 319	0.28 333	0.28 350	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.09 256

CBMV_ROB	0.19 284	0.13 298	0.17 251	0.16 70	0.11 259	0.15 181	0.13 44	0.26 221	0.28 247	0.27 312	0.30 277	0.27 282	0.24 308	0.23 304	0.16 228	0.15 351	0.17 368	0.22 373	0.20 368	0.10 279	0.11 298

NOSS_ROB	0.19 284	0.12 277	0.18 269	0.16 70	0.12 288	0.15 181	0.12 22	0.30 277	0.32 274	0.20 247	0.22 187	0.27 282	0.23 302	0.21 282	0.16 228	0.16 362	0.18 370	0.23 374	0.21 370	0.12 308	0.13 323

CBMV	0.19 284	0.14 310	0.17 251	0.18 184	0.10 221	0.20 271	0.11 11	0.29 263	0.30 262	0.29 329	0.30 277	0.30 304	0.23 302	0.27 322	0.19 262	0.13 337	0.15 360	0.17 356	0.16 355	0.10 279	0.10 275
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
GwcNet	0.20 293	0.13 298	0.19 278	0.18 184	0.12 288	0.24 311	0.19 267	0.35 332	0.43 337	0.20 247	0.32 289	0.33 326	0.20 283	0.22 293	0.24 316	0.11 293	0.09 297	0.09 232	0.09 256	0.09 252	0.10 275

FAT-Stereo	0.20 293	0.12 277	0.22 296	0.21 297	0.12 288	0.17 224	0.18 236	0.34 319	0.39 317	0.27 312	0.37 319	0.34 332	0.32 355	0.21 282	0.20 268	0.09 241	0.11 325	0.10 273	0.09 256	0.11 294	0.14 340

FADNet-RVC	0.20 293	0.20 352	0.38 355	0.21 297	0.16 344	0.20 271	0.15 117	0.26 221	0.26 229	0.26 306	0.32 289	0.26 275	0.21 287	0.22 293	0.19 262	0.12 317	0.13 347	0.12 315	0.14 342	0.13 325	0.18 368

S-Stereo	0.20 293	0.12 277	0.25 314	0.21 297	0.13 306	0.20 271	0.18 236	0.32 292	0.43 337	0.23 280	0.36 313	0.28 289	0.30 347	0.19 247	0.22 296	0.09 241	0.12 334	0.10 273	0.10 288	0.13 325	0.13 323

SuperB	0.20 293	0.10 243	0.56 378	0.16 70	0.09 135	0.18 239	0.18 236	0.24 196	0.50 358	0.26 306	0.39 332	0.17 186	0.21 287	0.22 293	0.21 287	0.08 195	0.06 195	0.06 34	0.06 90	0.12 308	0.10 275

ADCP+	0.20 293	0.10 243	0.33 342	0.20 273	0.12 288	0.22 293	0.26 347	0.31 283	0.34 291	0.26 306	0.37 319	0.22 239	0.22 296	0.27 322	0.27 342	0.09 241	0.06 195	0.08 166	0.08 215	0.09 252	0.10 275

PS-NSSS	0.20 293	0.21 358	0.23 305	0.20 273	0.10 221	0.19 259	0.17 196	0.36 338	0.25 216	0.27 312	0.33 302	0.27 282	0.24 308	0.20 266	0.20 268	0.15 351	0.12 334	0.17 356	0.14 342	0.10 279	0.08 223

PWCDC_ROB	0.20 293	0.13 298	0.22 296	0.24 334	0.11 259	0.19 259	0.15 117	0.33 309	0.54 367	0.29 329	0.50 368	0.21 222	0.15 211	0.27 322	0.20 268	0.11 293	0.09 297	0.10 273	0.08 215	0.11 294	0.09 256

SGM-Forest	0.20 293	0.14 310	0.18 269	0.19 231	0.13 306	0.20 271	0.22 308	0.33 309	0.30 262	0.24 288	0.29 273	0.28 289	0.19 275	0.23 304	0.17 239	0.15 351	0.16 363	0.15 347	0.14 342	0.12 308	0.12 309
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 302	0.17 334	0.19 278	0.23 329	0.15 334	0.30 348	0.20 282	0.33 309	0.35 298	0.23 280	0.28 262	0.31 314	0.27 327	0.20 266	0.22 296	0.15 351	0.12 334	0.13 329	0.09 256	0.14 337	0.14 340

FINET	0.21 302	0.18 344	0.26 315	0.18 184	0.16 344	0.23 306	0.23 318	0.32 292	0.48 351	0.25 301	0.32 289	0.22 239	0.22 296	0.22 293	0.17 239	0.18 368	0.16 363	0.11 300	0.10 288	0.15 348	0.13 323

Syn2CoEx	0.21 302	0.16 323	0.27 321	0.29 371	0.14 323	0.26 329	0.20 282	0.33 309	0.31 268	0.28 323	0.36 313	0.27 282	0.25 316	0.19 247	0.24 316	0.16 362	0.12 334	0.14 339	0.11 311	0.09 252	0.08 223

FADNet	0.21 302	0.22 362	0.36 351	0.18 184	0.17 357	0.24 311	0.13 44	0.31 283	0.31 268	0.23 280	0.25 231	0.27 282	0.21 287	0.19 247	0.15 213	0.13 337	0.15 360	0.12 315	0.15 353	0.16 355	0.18 368

RP	0.21 302	0.13 298	0.21 291	0.23 329	0.11 259	0.21 285	0.20 282	0.25 209	0.44 341	0.21 255	0.38 324	0.36 338	0.24 308	0.27 322	0.25 325	0.11 293	0.12 334	0.13 329	0.12 329	0.12 308	0.14 340

DANet	0.21 302	0.15 316	0.28 326	0.25 345	0.13 306	0.22 293	0.19 267	0.27 239	0.27 236	0.28 323	0.32 289	0.35 336	0.31 351	0.31 344	0.23 306	0.11 293	0.09 297	0.11 300	0.10 288	0.13 325	0.11 298
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 302	0.12 277	0.21 291	0.24 334	0.13 306	0.22 293	0.22 308	0.41 363	0.26 229	0.31 338	0.42 353	0.37 342	0.28 335	0.23 304	0.22 296	0.10 272	0.12 334	0.10 273	0.09 256	0.10 279	0.08 223

PWC_ROB	0.21 302	0.16 323	0.26 315	0.18 184	0.11 259	0.22 293	0.13 44	0.32 292	0.49 356	0.30 332	0.40 337	0.32 323	0.24 308	0.31 344	0.22 296	0.10 272	0.07 252	0.11 300	0.08 215	0.11 294	0.10 275

PSMNet_ROB	0.21 302	0.11 263	0.15 196	0.27 361	0.15 334	0.24 311	0.35 385	0.43 371	0.37 309	0.27 312	0.32 289	0.32 323	0.22 296	0.21 282	0.26 335	0.12 317	0.08 274	0.13 329	0.11 311	0.09 252	0.09 256

GASNet	0.22 311	0.23 363	0.33 342	0.26 350	0.17 357	0.26 329	0.16 175	0.44 373	0.42 332	0.27 312	0.24 202	0.30 304	0.15 211	0.27 322	0.18 253	0.12 317	0.08 274	0.12 315	0.11 311	0.16 355	0.07 163

Anonymous_2	0.22 311	0.17 334	0.28 326	0.15 39	0.16 344	0.32 351	0.22 308	0.22 161	0.17 103	0.23 280	0.24 202	0.26 275	0.27 327	0.27 322	0.23 306	0.22 380	0.25 388	0.17 356	0.17 362	0.17 362	0.17 366

Wz-Net-LNSev	0.22 311	0.16 323	0.38 355	0.21 297	0.13 306	0.25 321	0.23 318	0.32 292	0.43 337	0.30 332	0.41 347	0.31 314	0.18 260	0.22 293	0.25 325	0.10 272	0.09 297	0.08 166	0.08 215	0.12 308	0.11 298

Wz-Net-MNSev	0.22 311	0.13 298	0.31 337	0.20 273	0.14 323	0.36 370	0.24 327	0.33 309	0.44 341	0.28 323	0.40 337	0.38 346	0.19 275	0.24 312	0.25 325	0.09 241	0.07 252	0.09 232	0.09 256	0.12 308	0.10 275

DDUNet	0.22 311	0.17 334	0.21 291	0.22 310	0.15 334	0.25 321	0.24 327	0.29 263	0.30 262	0.31 338	0.36 313	0.33 326	0.25 316	0.24 312	0.20 268	0.18 368	0.13 347	0.17 356	0.11 311	0.16 355	0.16 359

APVNet	0.22 311	0.12 277	0.19 278	0.18 184	0.14 323	0.32 351	0.31 381	0.39 354	0.32 274	0.27 312	0.40 337	0.30 304	0.29 343	0.26 319	0.25 325	0.11 293	0.12 334	0.11 300	0.14 342	0.12 308	0.12 309

aanetorigin	0.22 311	0.17 334	0.56 378	0.17 117	0.10 221	0.15 181	0.19 267	0.20 128	0.33 280	0.49 379	0.48 363	0.29 296	0.27 327	0.20 266	0.23 306	0.08 195	0.07 252	0.08 166	0.07 165	0.10 279	0.09 256

MaskLacGwcNet_RVC	0.22 311	0.21 358	0.24 308	0.26 350	0.11 259	0.23 306	0.14 71	0.39 354	0.24 197	0.32 344	0.36 313	0.30 304	0.21 287	0.19 247	0.21 287	0.17 366	0.14 354	0.21 369	0.16 355	0.12 308	0.12 309

AF-Net	0.22 311	0.17 334	0.17 251	0.26 350	0.13 306	0.25 321	0.24 327	0.32 292	0.50 358	0.25 301	0.33 302	0.38 346	0.26 319	0.28 333	0.25 325	0.11 293	0.10 315	0.16 353	0.11 311	0.11 294	0.10 275

stereogan	0.22 311	0.11 263	0.21 291	0.20 273	0.12 288	0.31 350	0.19 267	0.35 332	0.44 341	0.22 268	0.39 332	0.35 336	0.27 327	0.33 352	0.22 296	0.10 272	0.12 334	0.10 273	0.10 288	0.14 337	0.13 323

edge stereo	0.22 311	0.13 298	0.20 286	0.21 297	0.13 306	0.23 306	0.16 175	0.32 292	0.42 332	0.32 344	0.40 337	0.38 346	0.35 362	0.25 317	0.24 316	0.13 337	0.11 325	0.14 339	0.11 311	0.12 308	0.13 323

RYNet	0.22 311	0.12 277	0.22 296	0.19 231	0.17 357	0.46 377	0.26 347	0.38 350	0.48 351	0.24 288	0.28 262	0.34 332	0.23 302	0.20 266	0.30 357	0.10 272	0.06 195	0.09 232	0.09 256	0.13 325	0.15 348

NaN_ROB	0.22 311	0.19 347	0.24 308	0.25 345	0.13 306	0.29 345	0.26 347	0.33 309	0.41 326	0.31 338	0.31 285	0.32 323	0.23 302	0.30 343	0.21 287	0.11 293	0.17 368	0.10 273	0.10 288	0.08 204	0.09 256

MDST_ROB	0.22 311	0.10 243	0.17 251	0.18 184	0.11 259	0.37 371	0.19 267	0.43 371	0.41 326	0.39 360	0.39 332	0.29 296	0.21 287	0.26 319	0.18 253	0.11 293	0.10 315	0.14 339	0.11 311	0.10 279	0.08 223

XPNet_ROB	0.22 311	0.11 263	0.19 278	0.22 310	0.13 306	0.22 293	0.19 267	0.34 319	0.40 323	0.30 332	0.39 332	0.39 354	0.26 319	0.26 319	0.28 350	0.15 351	0.10 315	0.10 273	0.10 288	0.13 325	0.12 309

SQANet	0.23 326	0.23 363	0.30 335	0.30 373	0.19 366	0.27 336	0.13 44	0.29 263	0.33 280	0.24 288	0.37 319	0.31 314	0.22 296	0.27 322	0.23 306	0.15 351	0.10 315	0.21 369	0.16 355	0.21 371	0.15 348

Nwc_Net	0.23 326	0.16 323	0.21 291	0.25 345	0.14 323	0.24 311	0.26 347	0.37 343	0.38 314	0.22 268	0.41 347	0.30 304	0.28 335	0.28 333	0.25 325	0.11 293	0.10 315	0.17 356	0.20 368	0.10 279	0.10 275

RTSC	0.23 326	0.12 277	0.28 326	0.21 297	0.13 306	0.28 342	0.16 175	0.35 332	0.66 386	0.27 312	0.33 302	0.30 304	0.21 287	0.31 344	0.29 353	0.10 272	0.08 274	0.09 232	0.10 288	0.13 325	0.13 323

PA-Net	0.23 326	0.18 344	0.33 342	0.28 364	0.22 373	0.21 285	0.38 390	0.29 263	0.39 317	0.22 268	0.32 289	0.25 267	0.26 319	0.20 266	0.25 325	0.09 241	0.23 386	0.15 347	0.22 373	0.09 252	0.13 323
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.23 326	0.19 347	0.50 370	0.24 334	0.17 357	0.21 285	0.21 298	0.33 309	0.44 341	0.25 301	0.34 306	0.26 275	0.18 260	0.31 344	0.27 342	0.13 337	0.12 334	0.12 315	0.13 338	0.11 294	0.14 340

NCCL2	0.23 326	0.15 316	0.17 251	0.34 379	0.18 364	0.24 311	0.23 318	0.34 319	0.28 247	0.31 338	0.38 324	0.38 346	0.28 335	0.23 304	0.24 316	0.15 351	0.12 334	0.18 364	0.21 370	0.13 325	0.13 323

ETE_ROB	0.23 326	0.17 334	0.22 296	0.25 345	0.13 306	0.26 329	0.29 367	0.31 283	0.36 303	0.28 323	0.36 313	0.45 368	0.26 319	0.27 322	0.26 335	0.11 293	0.08 274	0.12 315	0.09 256	0.14 337	0.13 323

SGM_RVC	0.23 326	0.12 277	0.15 196	0.15 39	0.09 135	0.33 357	0.18 236	0.34 319	0.31 268	0.44 375	0.37 319	0.53 381	0.35 362	0.35 361	0.24 316	0.13 337	0.13 347	0.13 329	0.13 338	0.10 279	0.11 298
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.24 334	0.19 347	0.33 342	0.21 297	0.24 376	0.24 311	0.20 282	0.35 332	0.41 326	0.24 288	0.32 289	0.38 346	0.21 287	0.29 340	0.23 306	0.12 317	0.11 325	0.14 339	0.16 355	0.23 374	0.23 380

G-Net	0.24 334	0.16 323	0.36 351	0.22 310	0.16 344	0.51 383	0.23 318	0.29 263	0.34 291	0.36 352	0.38 324	0.31 314	0.29 343	0.27 322	0.26 335	0.11 293	0.09 297	0.12 315	0.09 256	0.16 355	0.13 323

NCC-stereo	0.24 334	0.15 316	0.31 337	0.26 350	0.16 344	0.20 271	0.30 375	0.40 358	0.40 323	0.24 288	0.38 324	0.33 326	0.28 335	0.36 366	0.27 342	0.12 317	0.11 325	0.15 347	0.22 373	0.13 325	0.13 323

Abc-Net	0.24 334	0.15 316	0.31 337	0.26 350	0.16 344	0.20 271	0.30 375	0.40 358	0.40 323	0.24 288	0.38 324	0.33 326	0.28 335	0.36 366	0.27 342	0.12 317	0.11 325	0.15 347	0.22 373	0.13 325	0.13 323
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 334	0.11 263	0.47 368	0.22 310	0.12 288	0.34 360	0.29 367	0.29 263	0.56 370	0.24 288	0.46 360	0.30 304	0.30 347	0.29 340	0.29 353	0.08 195	0.07 252	0.09 232	0.09 256	0.10 279	0.10 275

DeepPrunerF	0.24 334	0.17 334	0.42 362	0.26 350	0.16 344	0.22 293	0.28 359	0.37 343	0.50 358	0.26 306	0.29 273	0.24 257	0.28 335	0.21 282	0.22 296	0.15 351	0.11 325	0.20 368	0.18 366	0.12 308	0.13 323

FBW_ROB	0.24 334	0.17 334	0.22 296	0.26 350	0.14 323	0.25 321	0.22 308	0.41 363	0.41 326	0.41 367	0.41 347	0.42 360	0.27 327	0.31 344	0.23 306	0.09 241	0.14 354	0.14 339	0.12 329	0.11 294	0.09 256

SANet	0.24 334	0.14 310	0.28 326	0.21 297	0.11 259	0.27 336	0.24 327	0.38 350	0.64 383	0.36 352	0.40 337	0.43 364	0.26 319	0.27 322	0.24 316	0.12 317	0.09 297	0.10 273	0.09 256	0.13 325	0.11 298

WCMA_ROB	0.24 334	0.11 263	0.22 296	0.17 117	0.14 323	0.32 351	0.15 117	0.32 292	0.32 274	0.38 358	0.53 370	0.40 357	0.34 360	0.34 355	0.25 325	0.11 293	0.12 334	0.12 315	0.10 288	0.14 337	0.14 340

Wz-Net-SNSev	0.25 343	0.17 334	0.44 363	0.25 345	0.14 323	0.26 329	0.23 318	0.38 350	0.56 370	0.30 332	0.55 373	0.39 354	0.26 319	0.23 304	0.30 357	0.10 272	0.09 297	0.09 232	0.10 288	0.11 294	0.11 298

psmorigin	0.25 343	0.15 316	0.34 350	0.17 117	0.13 306	0.23 306	0.14 71	0.34 319	0.33 280	0.41 367	0.55 373	0.41 359	0.37 366	0.34 355	0.27 342	0.11 293	0.15 360	0.11 300	0.11 311	0.12 308	0.16 359

RGC	0.25 343	0.20 352	0.29 332	0.28 364	0.16 344	0.22 293	0.23 318	0.32 292	0.44 341	0.27 312	0.40 337	0.38 346	0.27 327	0.36 366	0.22 296	0.11 293	0.13 347	0.17 356	0.17 362	0.14 337	0.16 359

ADCMid	0.25 343	0.15 316	0.40 359	0.20 273	0.14 323	0.25 321	0.26 347	0.34 319	0.38 314	0.36 352	0.44 358	0.34 332	0.40 372	0.35 361	0.33 368	0.10 272	0.09 297	0.11 300	0.11 311	0.13 325	0.12 309

ADCPNet	0.25 343	0.16 323	0.61 382	0.21 297	0.15 334	0.35 368	0.25 341	0.32 292	0.35 298	0.30 332	0.40 337	0.36 338	0.28 335	0.28 333	0.32 365	0.12 317	0.10 315	0.11 300	0.12 329	0.14 337	0.13 323

STTRV1_RVC	0.25 343	0.26 372	0.39 357	0.19 231	0.26 383	0.30 348	0.24 327	0.34 319	0.35 298	0.36 352	0.34 306	0.31 314	0.31 351	0.28 333	0.25 325	0.17 366	0.10 315	0.16 353	0.14 342	0.17 362	0.12 309

LALA_ROB	0.25 343	0.16 323	0.22 296	0.26 350	0.17 357	0.27 336	0.27 354	0.42 368	0.37 309	0.33 348	0.38 324	0.51 378	0.26 319	0.28 333	0.27 342	0.16 362	0.09 297	0.12 315	0.11 311	0.13 325	0.12 309

SHD	0.26 350	0.15 316	0.30 335	0.24 334	0.18 364	0.22 293	0.15 117	0.38 350	0.71 390	0.32 344	0.41 347	0.36 338	0.28 335	0.32 350	0.29 353	0.12 317	0.11 325	0.14 339	0.13 338	0.16 355	0.20 374

AnyNet_C32	0.26 350	0.16 323	0.36 351	0.20 273	0.16 344	0.25 321	0.30 375	0.32 292	0.44 341	0.31 338	0.49 364	0.30 304	0.33 356	0.40 378	0.33 368	0.12 317	0.12 334	0.12 315	0.14 342	0.14 337	0.15 348

PDISCO_ROB	0.27 352	0.16 323	0.26 315	0.28 364	0.20 369	0.32 351	0.26 347	0.44 373	0.57 372	0.28 323	0.40 337	0.45 368	0.29 343	0.33 352	0.34 370	0.12 317	0.09 297	0.17 356	0.16 355	0.17 362	0.13 323

DispFullNet	0.27 352	0.21 358	0.65 385	0.28 364	0.16 344	0.26 329	0.17 196	0.33 309	0.58 375	0.27 312	0.38 324	0.43 364	0.23 302	0.38 371	0.23 306	0.12 317	0.06 195	0.19 366	0.11 311	0.21 371	0.15 348

MeshStereo	0.27 352	0.13 298	0.18 269	0.15 39	0.11 259	0.32 351	0.24 327	0.40 358	0.36 303	0.52 381	0.57 379	0.67 392	0.40 372	0.35 361	0.26 335	0.14 348	0.13 347	0.13 329	0.11 311	0.11 294	0.10 275
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
WZ-Net	0.28 355	0.17 334	0.78 399	0.22 310	0.16 344	0.34 360	0.29 367	0.39 354	0.57 372	0.24 288	0.55 373	0.37 342	0.24 308	0.33 352	0.35 371	0.09 241	0.08 274	0.09 232	0.10 288	0.14 337	0.16 359

XQC	0.28 355	0.23 363	0.51 371	0.28 364	0.19 366	0.34 360	0.27 354	0.36 338	0.57 372	0.31 338	0.30 277	0.37 342	0.30 347	0.38 371	0.38 378	0.13 337	0.09 297	0.15 347	0.12 329	0.17 362	0.18 368

CC-Net-ROB	0.28 355	0.31 382	0.36 351	0.29 371	0.15 334	0.25 321	0.19 267	0.45 376	0.33 280	0.39 360	0.37 319	0.39 354	0.31 351	0.27 322	0.26 335	0.24 386	0.19 373	0.30 387	0.23 377	0.18 366	0.15 348

DPSNet	0.28 355	0.16 323	0.31 337	0.18 184	0.13 306	0.54 385	0.42 394	0.51 385	0.67 387	0.29 329	0.38 324	0.38 346	0.29 343	0.31 344	0.23 306	0.11 293	0.10 315	0.11 300	0.08 215	0.20 370	0.16 359

Wz-Net-TNSev	0.29 359	0.20 352	0.65 385	0.19 231	0.15 334	0.38 373	0.27 354	0.35 332	0.55 368	0.34 349	0.42 353	0.45 368	0.38 367	0.32 350	0.30 357	0.12 317	0.13 347	0.10 273	0.12 329	0.15 348	0.14 340

ccnet	0.29 359	0.28 377	0.23 305	0.20 273	0.28 385	0.41 376	0.21 298	0.45 376	0.33 280	0.36 352	0.46 360	0.36 338	0.30 347	0.39 374	0.42 386	0.23 384	0.14 354	0.21 369	0.17 362	0.23 374	0.18 368

EDNetEfficient	0.29 359	0.24 366	1.13 409	0.18 184	0.10 221	0.19 259	0.20 282	0.20 128	0.60 379	0.74 398	0.56 378	0.31 314	0.39 369	0.22 293	0.30 357	0.09 241	0.07 252	0.08 166	0.07 165	0.11 294	0.09 256

ADCS	0.29 359	0.18 344	0.45 364	0.21 297	0.17 357	0.28 342	0.23 318	0.41 363	0.63 382	0.40 363	0.49 364	0.40 357	0.36 364	0.39 374	0.40 382	0.13 337	0.12 334	0.13 329	0.14 342	0.16 355	0.16 359

CSAN	0.29 359	0.24 366	0.27 321	0.34 379	0.19 366	0.33 357	0.42 394	0.37 343	0.50 358	0.38 358	0.40 337	0.44 366	0.33 356	0.28 333	0.30 357	0.20 374	0.16 363	0.19 366	0.19 367	0.14 337	0.15 348

MFN_U_SF_DS_RVC	0.30 364	0.24 366	0.29 332	0.36 384	0.16 344	0.34 360	0.30 375	0.32 292	0.42 332	0.40 363	0.46 360	0.38 346	0.31 351	0.34 355	0.28 350	0.19 372	0.20 376	0.26 376	0.29 385	0.18 366	0.19 373

GANetREF_RVC	0.31 365	0.34 385	0.27 321	0.35 381	0.16 344	0.32 351	0.41 391	0.48 380	0.51 365	0.35 350	0.35 310	0.34 332	0.33 356	0.39 374	0.32 365	0.27 388	0.20 376	0.29 385	0.15 353	0.18 366	0.17 366
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.31 365	0.26 372	0.26 315	0.24 334	0.21 371	0.34 360	0.25 341	0.34 319	0.39 317	0.40 363	0.69 387	0.45 368	0.40 372	0.34 355	0.27 342	0.20 374	0.19 373	0.26 376	0.25 379	0.23 374	0.22 378

MFN_U_SF_RVC	0.32 367	0.21 358	0.55 376	0.30 373	0.15 334	0.34 360	0.17 196	0.52 386	0.46 349	0.46 378	0.55 373	0.59 384	0.39 369	0.35 361	0.37 376	0.15 351	0.14 354	0.18 364	0.21 370	0.16 355	0.15 348

PASM	0.32 367	0.24 366	0.48 369	0.28 364	0.27 384	0.29 345	0.30 375	0.34 319	0.49 356	0.35 350	0.39 332	0.46 372	0.34 360	0.34 355	0.35 371	0.23 384	0.25 388	0.26 376	0.28 384	0.23 374	0.21 376

SGM-ForestM	0.32 367	0.12 277	0.16 226	0.16 70	0.11 259	0.39 374	0.19 267	0.41 363	0.50 358	0.52 381	0.54 372	1.32 411	0.42 379	0.40 378	0.27 342	0.14 348	0.16 363	0.16 353	0.16 355	0.12 308	0.12 309

FCDSN-DC	0.33 370	0.28 377	0.28 326	0.30 373	0.24 376	0.39 374	0.28 359	0.42 368	0.42 332	0.43 373	0.53 370	0.51 378	0.41 376	0.36 366	0.30 357	0.21 377	0.20 376	0.27 379	0.26 380	0.25 382	0.24 381
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 370	0.27 374	0.28 326	0.26 350	0.23 375	0.37 371	0.28 359	0.40 358	0.43 337	0.45 376	0.55 373	0.51 378	0.40 372	0.37 370	0.30 357	0.21 377	0.20 376	0.27 379	0.26 380	0.25 382	0.24 381

LSM	0.33 370	0.20 352	0.58 380	0.26 350	0.60 406	0.34 360	0.25 341	0.42 368	0.48 351	0.45 376	0.58 381	0.42 360	0.36 364	0.35 361	0.25 325	0.12 317	0.20 376	0.14 339	0.16 355	0.19 369	0.33 394

AnyNet_C01	0.36 373	0.25 371	1.37 412	0.22 310	0.17 357	0.48 381	0.27 354	0.35 332	0.39 317	0.39 360	0.74 393	0.46 372	0.38 367	0.45 382	0.47 391	0.13 337	0.13 347	0.13 329	0.14 342	0.14 337	0.15 348

otaku	0.39 374	0.37 388	0.52 372	0.44 390	0.28 385	0.58 387	0.24 327	0.41 363	0.62 381	0.40 363	0.49 364	0.46 372	0.33 356	0.40 378	0.32 365	0.30 389	0.30 392	0.39 391	0.33 390	0.29 387	0.28 388

ACVNet-4b	0.39 374	0.53 394	0.55 376	0.45 391	0.24 376	0.47 379	0.18 236	0.49 382	0.64 383	0.42 370	0.45 359	0.60 385	0.27 327	0.34 355	0.24 316	0.33 392	0.14 354	0.48 395	0.42 395	0.30 388	0.26 387

PVD	0.39 374	0.20 352	0.39 357	0.31 377	0.22 373	0.29 345	0.43 396	0.52 386	0.96 403	0.55 384	0.79 397	0.53 381	0.59 394	0.52 388	0.38 378	0.19 372	0.14 354	0.17 356	0.14 342	0.24 381	0.31 392

Ntro	0.40 377	0.40 390	0.53 373	0.46 394	0.30 389	0.65 393	0.24 327	0.46 378	0.68 388	0.41 367	0.49 364	0.48 376	0.42 379	0.39 374	0.31 364	0.32 391	0.28 390	0.37 390	0.30 387	0.32 392	0.29 389

SAMSARA	0.40 377	0.28 377	0.33 342	0.55 397	0.39 391	0.82 407	1.23 421	0.47 379	0.51 365	0.36 352	0.35 310	0.55 383	0.39 369	0.38 371	0.39 380	0.15 351	0.20 376	0.15 347	0.14 342	0.23 374	0.20 374

ELAS_RVC	0.41 379	0.29 380	0.33 342	0.28 364	0.24 376	0.54 385	0.36 386	0.49 382	0.59 376	0.72 394	0.74 393	0.65 390	0.54 388	0.54 392	0.40 382	0.22 380	0.20 376	0.27 379	0.26 380	0.26 385	0.25 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 379	0.29 380	0.33 342	0.27 361	0.24 376	0.60 390	0.36 386	0.50 384	0.50 358	0.71 392	0.79 397	0.67 392	0.54 388	0.51 386	0.42 386	0.22 380	0.20 376	0.27 379	0.26 380	0.26 385	0.25 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 381	0.39 389	0.54 374	0.40 386	0.20 369	0.64 392	0.32 383	0.53 388	0.72 391	0.71 392	0.72 390	0.61 386	0.54 388	0.51 386	0.46 390	0.20 374	0.19 373	0.29 385	0.30 387	0.23 374	0.18 368

ACVNet_1	0.44 382	0.49 393	0.60 381	0.45 391	0.28 385	0.49 382	0.27 354	0.57 393	0.72 391	0.62 387	0.58 381	0.74 396	0.49 385	0.50 385	0.35 371	0.26 387	0.24 387	0.39 391	0.29 385	0.31 391	0.24 381

Consistency-Raft	0.44 382	0.40 390	0.45 364	0.37 385	0.43 394	0.46 377	0.41 391	0.57 393	0.55 368	0.32 344	0.73 391	0.33 326	0.48 384	0.42 381	0.49 393	0.39 394	0.35 394	0.45 394	0.51 402	0.42 394	0.29 389

RTS	0.45 384	0.19 347	3.26 419	0.24 334	0.15 334	0.74 400	0.20 282	0.36 338	0.76 396	0.42 370	0.43 356	0.31 314	0.41 376	0.53 390	0.35 371	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 348

RTSA	0.45 384	0.19 347	3.26 419	0.24 334	0.15 334	0.74 400	0.20 282	0.36 338	0.76 396	0.42 370	0.43 356	0.31 314	0.41 376	0.53 390	0.35 371	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 348

MANE	0.45 384	0.27 374	0.27 321	0.27 361	0.24 376	0.47 379	0.31 381	0.55 390	0.59 376	0.72 394	1.13 413	1.15 405	0.61 395	0.52 388	0.37 376	0.21 377	0.20 376	0.27 379	0.31 389	0.25 382	0.24 381

FADE	0.45 384	0.33 384	1.03 408	0.33 378	0.25 382	0.35 368	0.29 367	0.64 397	1.07 404	0.43 373	0.41 347	0.42 360	0.53 387	0.70 400	0.51 397	0.30 389	0.21 385	0.41 393	0.38 393	0.23 374	0.22 378

NVStereoNet_ROB	0.46 388	0.36 387	0.46 367	0.41 388	0.28 385	0.34 360	0.34 384	0.48 380	0.60 379	0.72 394	0.93 402	0.70 395	0.66 398	0.47 383	0.60 401	0.22 380	0.33 393	0.34 389	0.34 392	0.30 388	0.30 391
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 389	0.07 72	0.14 159	0.15 39	0.08 50	0.24 311	0.16 175	0.22 161	1.81 420	4.63 424	0.67 385	0.47 375	0.44 381	0.20 266	0.29 353	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

BEATNet-Init1	0.52 390	0.27 374	0.62 383	0.30 373	0.21 371	0.76 404	0.29 367	0.54 389	0.65 385	0.86 403	0.95 404	2.07 421	0.62 397	0.56 394	0.42 386	0.18 368	0.18 370	0.23 374	0.22 373	0.22 373	0.21 376

anonymity	0.53 391	0.58 396	0.65 385	0.41 388	0.61 407	0.53 384	0.41 391	0.56 391	0.41 326	0.55 384	0.50 368	0.49 377	0.55 391	0.58 395	0.50 396	0.58 405	0.50 406	0.51 397	0.51 402	0.51 396	0.57 403

RainbowNet	0.54 392	0.61 398	0.70 397	0.57 398	0.43 394	0.65 393	0.37 389	0.60 395	0.87 400	0.50 380	0.66 384	0.64 388	0.47 383	0.49 384	0.43 389	0.47 400	0.48 402	0.52 399	0.41 394	0.52 397	0.40 399

SGM+DAISY	0.56 393	0.57 395	0.65 385	0.40 386	0.54 399	0.66 395	0.49 398	0.56 391	0.45 348	0.66 388	0.69 387	0.67 392	0.56 392	0.63 397	0.56 399	0.59 406	0.48 402	0.50 396	0.50 401	0.52 397	0.58 404

SPS-STEREO	0.57 394	0.58 396	0.65 385	0.45 391	0.55 401	0.62 391	0.44 397	0.62 396	0.50 358	0.68 390	0.64 383	0.66 391	0.57 393	0.61 396	0.60 401	0.62 408	0.47 401	0.51 397	0.49 399	0.55 401	0.58 404
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 395	0.66 402	0.65 385	0.51 395	0.69 411	0.69 396	0.57 404	0.64 397	0.73 394	0.60 386	0.73 391	0.62 387	0.67 399	0.65 398	0.60 401	0.66 409	0.58 415	0.63 401	0.59 405	0.68 407	0.69 413

IMH-64-1	0.65 396	0.61 398	0.68 393	0.71 401	0.51 397	0.59 388	0.49 398	0.91 405	0.85 398	0.74 398	1.02 406	0.81 397	0.78 403	0.79 402	0.49 393	0.42 396	0.46 397	0.71 403	0.47 397	0.52 397	0.39 397

IMH-64	0.65 396	0.61 398	0.68 393	0.71 401	0.51 397	0.59 388	0.49 398	0.91 405	0.85 398	0.74 398	1.02 406	0.81 397	0.78 403	0.79 402	0.49 393	0.42 396	0.46 397	0.71 403	0.47 397	0.52 397	0.39 397

ACVNet_2	0.66 398	0.66 402	0.68 393	0.63 399	0.41 392	0.71 398	0.49 398	0.96 409	1.39 413	0.89 404	1.09 409	1.04 401	0.73 401	0.54 392	0.47 391	0.43 398	0.40 396	0.53 400	0.44 396	0.47 395	0.35 396

JetBlue	0.71 399	0.45 392	1.14 410	0.51 395	0.47 396	2.02 421	0.64 408	0.75 400	0.70 389	0.69 391	0.77 396	1.22 407	0.83 405	1.03 417	1.01 417	0.40 395	0.28 390	0.33 388	0.33 390	0.30 388	0.34 395

IMH	0.71 399	0.64 401	0.68 393	0.76 403	0.54 399	0.69 396	0.54 402	0.98 411	1.10 406	0.82 402	1.09 409	0.89 399	0.88 408	0.87 410	0.52 398	0.44 399	0.50 406	0.75 406	0.51 402	0.56 402	0.41 400

PWCK	0.71 399	0.94 414	0.95 406	0.76 403	0.31 390	0.74 400	0.36 386	0.90 404	0.90 401	0.96 407	0.75 395	0.95 400	0.61 395	0.87 410	0.66 404	0.72 410	0.46 397	0.75 406	0.49 399	0.69 409	0.44 401

MADNet+	0.75 402	0.71 404	3.70 422	0.66 400	0.41 392	0.98 412	0.97 419	0.69 399	0.73 394	0.52 381	0.57 379	0.64 388	0.68 400	0.86 409	1.01 417	0.34 393	0.36 395	0.28 384	0.23 377	0.36 393	0.31 392

TorneroNet-64	0.76 403	0.72 405	0.74 398	0.78 405	0.58 405	0.91 411	0.56 403	0.84 403	1.29 410	0.66 388	0.90 400	1.40 413	0.75 402	0.85 408	0.67 407	0.49 401	0.46 397	0.72 405	0.59 405	0.67 406	0.53 402

WAO-7	0.79 404	0.78 407	0.54 374	0.85 409	0.67 410	0.74 400	0.68 412	1.05 414	1.32 411	0.90 405	1.20 416	1.04 401	0.92 409	0.69 399	0.66 404	0.60 407	0.62 416	0.67 402	0.68 410	0.64 403	0.58 404

WAO-6	0.81 405	0.80 408	0.62 383	0.86 410	0.63 408	0.76 404	0.58 405	0.98 411	1.54 418	0.90 405	0.96 405	1.07 403	1.03 413	0.70 400	0.66 404	0.72 410	0.49 404	0.90 413	0.71 411	0.68 407	0.58 404

TorneroNet	0.82 406	0.74 406	0.81 403	0.84 408	0.63 408	0.99 413	0.63 406	0.96 409	1.16 407	0.80 401	1.11 411	1.36 412	0.86 407	0.93 413	0.80 412	0.56 403	0.49 404	0.78 410	0.66 409	0.73 412	0.63 412

LVE	0.83 407	0.85 411	0.85 404	0.80 406	0.56 402	1.04 417	0.65 409	1.05 414	1.47 416	0.96 407	1.22 417	1.10 404	0.85 406	0.83 405	0.71 409	0.49 401	0.55 412	0.76 408	0.60 407	0.65 404	0.59 409

Dean	0.87 408	0.86 412	0.79 401	0.81 407	0.56 402	0.90 408	0.63 406	1.15 419	1.73 419	1.15 414	1.15 414	1.31 410	0.99 412	0.81 404	0.81 413	0.57 404	0.56 413	0.77 409	0.64 408	0.66 405	0.58 404

WAO-8	0.91 409	0.81 409	0.65 385	0.94 413	0.69 411	0.90 408	0.67 410	1.07 416	1.83 421	1.06 412	1.45 419	1.30 408	1.07 414	0.84 406	0.78 410	0.74 412	0.53 409	0.86 411	0.75 412	0.69 409	0.62 410

Venus	0.91 409	0.81 409	0.65 385	0.94 413	0.69 411	0.90 408	0.67 410	1.07 416	1.83 421	1.06 412	1.45 419	1.30 408	1.07 414	0.84 406	0.78 410	0.74 412	0.53 409	0.86 411	0.75 412	0.69 409	0.62 410

UNDER WATER-64	0.95 411	0.94 414	1.43 414	0.87 411	0.56 402	1.18 420	0.87 416	0.77 401	0.94 402	1.04 410	0.85 399	1.58 418	1.21 419	0.94 414	0.96 415	0.87 416	0.57 414	1.03 416	0.88 417	0.78 414	0.73 414

UNDER WATER	0.97 412	0.97 416	1.42 413	0.99 415	0.70 414	1.12 419	0.84 415	0.80 402	1.08 405	1.01 409	0.90 400	1.55 417	1.22 420	1.03 417	1.00 416	0.78 414	0.53 409	1.02 415	0.87 416	0.80 415	0.74 415

notaker	0.97 412	1.11 417	0.98 407	1.13 417	0.81 415	0.73 399	0.68 412	0.93 407	1.16 407	1.18 416	1.18 415	1.41 414	1.16 418	1.08 419	0.69 408	0.81 415	0.64 417	1.17 418	0.79 414	0.98 417	0.80 418

ktn	1.01 414	1.21 419	0.80 402	1.23 420	0.86 417	1.01 415	0.87 416	0.94 408	1.39 413	1.04 410	1.12 412	1.15 405	1.07 414	0.94 414	0.59 400	1.28 422	0.71 419	1.38 422	0.83 415	1.02 419	0.75 416

KSHMR	1.09 415	1.17 418	0.88 405	1.25 421	1.00 420	0.99 413	0.96 418	1.13 418	1.37 412	1.16 415	1.29 418	1.41 414	0.96 411	1.01 416	0.92 414	1.03 419	1.08 421	1.20 419	1.03 420	1.01 418	0.97 420

DPSimNet_ROB	1.11 416	1.23 420	0.78 399	1.13 417	0.88 418	1.10 418	1.13 420	1.16 420	1.23 409	1.43 418	1.02 406	1.41 414	1.10 417	0.90 412	1.60 419	1.46 423	0.51 408	1.21 420	1.03 420	0.90 416	1.01 422

HanzoNet	1.29 417	1.26 421	1.19 411	1.12 416	0.85 416	1.02 416	0.83 414	1.03 413	1.48 417	1.64 419	1.61 421	2.50 423	1.72 421	1.61 421	1.61 420	1.26 421	0.80 420	1.31 421	1.01 419	1.02 419	0.86 419

JetRed	1.62 418	1.46 422	2.98 418	0.92 412	1.21 421	4.99 423	1.53 423	1.27 421	1.39 413	1.83 420	1.74 422	1.60 419	0.95 410	1.41 420	2.45 423	0.90 418	1.60 423	0.93 414	0.90 418	1.35 421	0.99 421

MADNet++	1.95 419	1.75 423	1.59 416	1.82 423	1.69 423	2.33 422	1.40 422	2.35 423	2.09 423	2.57 423	2.36 423	2.24 422	2.17 422	2.28 422	2.34 422	1.87 424	1.66 424	1.54 423	1.34 423	1.92 423	1.77 425

coex-ft	3.30 420	0.34 385	59.09 444	0.18 184	0.13 306	0.26 329	0.22 308	0.27 239	0.72 391	1.90 421	0.70 389	0.44 366	0.45 382	0.29 340	0.41 385	0.09 241	0.09 297	0.12 315	0.09 256	0.14 337	0.13 323

ASD4	3.54 421	3.38 425	2.05 417	1.72 422	2.51 425	9.03 427	17.71 428	2.25 422	5.51 425	2.46 422	2.81 424	2.03 420	3.36 423	2.73 423	5.06 424	1.22 420	1.34 422	1.13 417	1.33 422	1.68 422	1.49 424

tt	4.67 422	0.06 20	3.55 421	2.02 424	1.55 422	10.25 428	16.71 427	8.91 431	5.03 424	1.31 417	0.94 403	4.71 424	4.76 424	3.33 424	5.87 426	6.06 431	10.30 435	1.88 425	2.11 426	2.75 424	1.21 423

xxxxx1	7.79 423	5.02 428	7.31 425	3.12 425	3.85 426	16.35 431	22.88 429	5.86 428	8.69 427	7.97 427	8.54 425	9.12 429	8.27 427	10.18 429	10.92 427	2.42 425	2.45 426	3.56 428	12.37 432	3.77 425	3.06 427

tt_ll	7.79 423	5.02 428	7.31 425	3.12 425	3.85 426	16.35 431	22.88 429	5.86 428	8.69 427	7.97 427	8.54 425	9.12 429	8.27 427	10.18 429	10.92 427	2.42 425	2.45 426	3.56 428	12.37 432	3.77 425	3.06 427

ff	7.79 423	5.02 428	7.31 425	3.12 425	3.85 426	16.35 431	22.88 429	5.86 428	8.69 427	7.97 427	8.54 425	9.12 429	8.27 427	10.18 429	10.92 427	2.42 425	2.45 426	3.56 428	12.37 432	3.77 425	3.06 427

EDNetEfficientorigin	7.91 426	0.31 382	153.02 445	0.19 231	0.09 135	0.21 285	0.16 175	0.22 161	0.59 376	0.72 394	0.67 385	0.42 360	0.50 386	0.24 312	0.39 380	0.08 195	0.07 252	0.08 166	0.07 165	0.12 308	0.10 275

DPSMNet_ROB	8.06 427	4.48 426	8.63 431	5.37 430	10.74 432	8.32 425	22.98 433	5.46 425	13.36 432	5.12 425	9.92 428	5.08 425	10.40 430	5.53 427	12.58 430	3.80 429	8.00 430	3.50 426	7.02 429	3.83 428	7.14 431

DGTPSM_ROB	8.06 427	4.48 426	8.63 431	5.35 428	10.72 431	8.32 425	22.97 432	5.46 425	13.35 431	5.12 425	9.92 428	5.08 425	10.40 430	5.52 426	12.58 430	3.79 428	8.00 430	3.50 426	7.02 429	3.83 428	7.14 431

PML	8.91 429	9.34 434	6.13 423	5.35 428	6.41 429	14.99 430	23.38 434	5.27 424	6.83 426	18.04 435	28.19 444	7.67 427	6.83 426	7.85 428	5.75 425	5.35 430	1.83 425	5.95 434	1.93 425	8.64 432	2.52 426

DLNR_Zeroshot_test	10.40 430	1.82 424	19.49 440	120.77 445	13.11 435	0.06 2	0.13 44	0.23 178	0.10 9	0.07 2	0.10 40	0.09 40	0.06 7	0.10 19	0.09 20	0.13 337	0.04 2	0.06 34	0.04 9	51.54 444	0.04 8

LRCNet_RVC	10.62 431	13.42 435	7.30 424	18.92 435	2.07 424	0.33 357	0.30 375	5.59 427	0.48 351	13.03 433	17.94 434	8.87 428	5.65 425	4.79 425	1.89 421	23.51 442	2.73 429	27.55 443	25.71 443	16.07 440	16.33 441

Anonymous_1	10.96 432	7.92 431	7.46 428	10.33 431	10.06 430	18.65 435	26.34 435	11.06 432	13.44 433	9.40 430	10.05 430	9.67 432	11.23 432	10.73 432	12.72 432	6.42 432	8.38 432	5.77 431	10.61 431	12.12 433	6.77 430

DPSM_ROB	11.15 433	8.58 432	8.00 429	10.88 432	11.58 433	19.10 436	26.71 436	12.05 433	14.07 434	10.36 431	10.84 431	10.33 433	11.86 433	11.70 433	13.54 433	6.99 433	8.79 433	5.89 432	6.95 427	7.29 430	7.42 433

DPSM	11.15 433	8.58 432	8.00 429	10.88 432	11.58 433	19.10 436	26.71 436	12.05 433	14.07 434	10.36 431	10.84 431	10.33 433	11.86 433	11.70 433	13.54 433	6.99 433	8.79 433	5.89 432	6.95 427	7.29 430	7.42 433

SPstereo	13.84 435	0.93 413	1.50 415	1.22 419	0.88 418	28.82 438	48.26 438	26.77 445	29.54 444	22.37 443	22.60 442	23.23 443	24.68 443	24.53 443	15.06 435	0.88 417	0.69 418	1.83 424	1.60 424	0.74 413	0.77 417

HaxPig	15.71 436	18.52 442	19.18 439	16.89 434	15.89 436	7.73 424	7.60 424	13.31 435	10.82 430	15.42 434	14.91 433	15.98 435	14.92 435	15.58 435	15.98 436	18.95 441	16.73 436	19.46 441	18.08 441	19.26 441	19.05 442

MEDIAN_ROB	20.38 437	24.04 443	23.31 441	21.23 436	21.71 437	10.40 429	7.92 425	17.64 436	15.50 436	20.12 436	19.70 435	20.34 436	20.32 436	21.19 436	21.13 437	23.81 443	21.81 443	24.98 442	23.76 442	24.71 442	23.93 443

CasAABBNet	22.42 438	17.33 437	16.01 433	22.01 440	23.28 441	38.32 439	53.80 443	24.14 438	28.41 439	20.60 437	21.77 437	20.89 441	23.91 441	23.43 437	27.36 439	14.07 435	17.69 438	11.83 439	14.01 436	14.67 437	14.95 439

MyStereo03	22.45 439	17.33 437	16.21 435	21.95 437	23.27 438	38.32 439	53.79 440	24.21 439	28.46 440	20.87 440	21.85 439	20.80 437	23.87 437	23.46 438	27.40 441	14.08 436	17.71 440	11.82 435	14.03 437	14.65 434	14.89 435

MyStereo02	22.45 439	17.33 437	16.21 435	21.95 437	23.27 438	38.32 439	53.79 440	24.21 439	28.46 440	20.87 440	21.85 439	20.80 437	23.87 437	23.46 438	27.40 441	14.08 436	17.71 440	11.82 435	14.03 437	14.65 434	14.89 435

MyStereo	22.45 439	17.33 437	16.21 435	21.95 437	23.27 438	38.32 439	53.79 440	24.21 439	28.46 440	20.87 440	21.85 439	20.80 437	23.87 437	23.46 438	27.40 441	14.08 436	17.71 440	11.82 435	14.03 437	14.65 434	14.89 435

Selective-RAFT-Error	22.47 442	17.37 441	16.09 434	22.06 441	23.34 442	38.39 443	53.83 444	24.29 443	28.47 443	20.74 438	21.83 438	20.81 440	23.90 440	23.54 442	27.53 444	14.08 436	17.69 438	11.82 435	14.00 435	14.69 438	15.00 440

LSM0	22.87 443	17.28 436	18.96 438	22.19 442	29.04 444	38.42 444	53.71 439	24.28 442	28.31 438	20.78 439	21.00 436	21.43 442	24.16 442	23.50 441	27.39 440	14.09 440	17.38 437	11.84 440	14.04 440	14.73 439	14.89 435

AVERAGE_ROB	24.90 444	29.20 444	28.14 442	24.89 443	24.64 443	17.75 434	11.12 426	21.45 437	19.93 437	25.12 444	24.46 443	25.12 444	25.46 444	24.69 444	22.83 438	29.76 444	27.13 444	28.97 444	27.95 444	29.91 443	29.47 444

test_example2	98.32 445	94.13 445	45.89 443	96.35 444	109.85 445	88.61 445	95.45 445	25.75 444	94.37 445	130.00 445	126.06 445	58.17 445	74.63 445	88.51 445	79.96 445	150.23 445	221.02 445	77.62 445	99.10 445	113.75 445	96.94 445

Low-res two-view benchmark