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

LoS_RVC	0.27 7	0.16 10	0.27 9	0.32 9	0.30 230	0.44 132	0.34 124	0.41 5	0.33 10	0.31 9	0.51 41	0.29 5	0.32 65	0.36 6	0.28 47	0.11 1	0.10 9	0.11 1	0.08 1	0.11 1	0.19 211

RAFT-Stereo + iAFF	0.36 70	0.17 21	0.41 87	0.35 30	0.19 11	0.33 71	0.29 62	0.65 77	0.73 143	0.68 130	1.01 226	0.56 101	0.40 114	0.42 23	0.30 64	0.11 1	0.09 2	0.15 45	0.14 76	0.13 21	0.10 3

AFF-stereo	0.38 100	0.19 52	0.39 75	0.37 47	0.21 31	0.27 26	0.31 92	0.65 77	0.66 117	0.64 105	1.13 273	0.76 215	0.39 109	0.55 77	0.33 91	0.11 1	0.09 2	0.16 64	0.16 127	0.13 21	0.11 10

MoCha-V2	0.25 3	0.15 4	0.29 11	0.40 114	0.18 8	0.27 26	0.26 41	0.49 14	0.27 3	0.36 19	0.27 4	0.33 20	0.35 81	0.49 53	0.22 1	0.12 4	0.10 9	0.12 2	0.10 11	0.13 21	0.11 10

Selective-IGEV	0.24 1	0.18 37	0.35 33	0.35 30	0.19 11	0.27 26	0.25 35	0.55 31	0.23 1	0.27 2	0.25 2	0.34 24	0.19 2	0.58 112	0.22 1	0.12 4	0.10 9	0.14 19	0.11 18	0.12 9	0.10 3

RAFT_CTSACE	0.45 165	0.20 74	0.44 125	0.45 230	0.27 178	0.34 77	0.39 211	0.60 51	0.73 143	0.76 179	1.44 334	0.83 235	0.38 97	1.08 322	0.26 28	0.12 4	0.13 156	0.18 123	0.16 127	0.15 81	0.11 10

test_4	0.36 70	0.18 37	0.31 15	0.44 209	0.25 116	0.20 1	0.34 124	0.56 32	0.41 44	0.59 79	1.45 337	0.43 60	0.25 14	0.63 155	0.28 47	0.12 4	0.10 9	0.17 89	0.19 215	0.15 81	0.11 10

test-3	0.34 40	0.16 10	0.43 115	0.39 90	0.21 31	0.43 128	0.22 8	0.63 66	0.78 170	0.71 147	0.45 23	0.64 151	0.27 27	0.43 26	0.31 71	0.12 4	0.09 2	0.17 89	0.13 53	0.12 9	0.10 3

test_1	0.34 40	0.16 10	0.43 115	0.39 90	0.21 31	0.43 128	0.23 19	0.63 66	0.78 170	0.68 130	0.45 23	0.64 151	0.27 27	0.43 26	0.31 71	0.12 4	0.09 2	0.17 89	0.13 53	0.12 9	0.10 3

test_3	0.36 70	0.19 52	0.44 125	0.44 209	0.23 72	0.48 143	0.36 159	0.66 86	0.82 185	0.64 105	0.45 23	0.68 172	0.25 14	0.41 21	0.31 71	0.12 4	0.10 9	0.18 123	0.16 127	0.15 81	0.11 10

cross-raft	0.34 40	0.20 74	0.37 49	0.44 209	0.23 72	0.32 67	0.35 141	0.74 146	0.40 41	0.60 83	0.77 110	0.57 106	0.27 27	0.43 26	0.28 47	0.12 4	0.10 9	0.15 45	0.13 53	0.15 81	0.11 10

s12784h	0.36 70	0.15 4	0.24 4	0.34 12	0.15 1	0.77 263	0.29 62	0.80 171	0.83 190	0.56 74	0.57 59	0.43 60	0.40 114	0.57 95	0.33 91	0.12 4	0.10 9	0.14 19	0.09 7	0.14 48	0.09 1

AE-Stereo	0.34 40	0.21 106	0.42 106	0.48 263	0.31 247	0.48 143	0.35 141	0.61 57	0.62 92	0.32 14	0.55 56	0.52 88	0.27 27	0.47 47	0.29 59	0.13 13	0.13 156	0.18 123	0.16 127	0.15 81	0.12 35

MIM_Stereo	0.38 100	0.17 21	0.53 218	0.37 47	0.24 90	0.27 26	0.24 28	0.70 128	0.54 77	0.72 158	1.00 223	0.63 144	0.29 46	0.64 162	0.38 152	0.13 13	0.14 183	0.17 89	0.16 127	0.14 48	0.11 10

CES	0.28 11	0.14 2	0.23 1	0.30 5	0.70 377	0.37 90	0.27 48	0.48 12	0.46 59	0.34 16	0.48 33	0.27 3	0.22 7	0.39 15	0.23 5	0.13 13	0.11 59	0.12 2	0.08 1	0.13 21	0.17 168

Selective-RAFT	0.35 52	0.23 150	0.51 207	0.44 209	0.21 31	0.64 229	0.27 48	0.59 41	0.63 102	0.40 35	0.38 20	0.55 99	0.40 114	0.57 95	0.35 116	0.13 13	0.11 59	0.14 19	0.12 32	0.16 112	0.13 60

ProNet	0.29 16	0.21 106	0.38 58	0.35 30	0.24 90	0.32 67	0.43 237	0.57 35	0.37 33	0.33 15	0.30 7	0.32 12	0.28 36	0.57 95	0.26 28	0.13 13	0.11 59	0.16 64	0.13 53	0.13 21	0.13 60

MC-Stereo	0.28 11	0.17 21	0.32 20	0.38 69	0.20 22	0.26 18	0.26 41	0.49 14	0.37 33	0.37 20	0.61 68	0.41 48	0.31 61	0.55 77	0.25 11	0.13 13	0.09 2	0.14 19	0.12 32	0.12 9	0.11 10

RCA-Stereo	0.35 52	0.17 21	0.34 30	0.38 69	0.22 44	0.31 57	0.34 124	0.68 105	1.24 339	0.45 49	0.65 75	0.47 74	0.43 128	0.38 13	0.27 37	0.13 13	0.10 9	0.14 19	0.11 18	0.11 1	0.11 10

raft_robust	0.41 137	0.23 150	0.36 38	0.42 176	0.21 31	0.40 108	0.33 117	0.79 167	0.98 265	0.79 189	0.87 165	0.39 42	0.33 73	0.84 259	0.29 59	0.13 13	0.12 101	0.16 64	0.17 167	0.15 81	0.12 35

iRaft-Stereo_5w	0.45 165	0.21 106	0.48 178	0.42 176	0.28 197	0.31 57	0.54 293	0.63 66	0.62 92	0.62 89	0.89 176	1.01 284	0.69 259	0.75 224	0.66 261	0.13 13	0.12 101	0.17 89	0.15 98	0.14 48	0.15 111

IPLG	0.39 114	0.20 74	0.59 240	0.40 114	0.24 90	0.54 165	0.27 48	0.75 152	0.63 102	0.84 227	0.81 136	0.32 12	0.32 65	0.60 132	0.45 194	0.13 13	0.11 59	0.16 64	0.13 53	0.13 21	0.12 35

IPLGR	0.39 114	0.21 106	0.63 258	0.39 90	0.22 44	0.49 147	0.29 62	0.76 157	0.74 148	0.78 187	0.77 110	0.44 65	0.42 121	0.47 47	0.38 152	0.13 13	0.12 101	0.16 64	0.14 76	0.15 81	0.13 60

GMOStereo	0.37 85	0.19 52	0.38 58	0.43 194	0.24 90	0.37 90	0.38 191	0.52 22	0.62 92	0.87 240	0.84 149	0.64 151	0.35 81	0.37 9	0.28 47	0.13 13	0.11 59	0.20 184	0.18 190	0.15 81	0.11 10

error version	0.37 85	0.19 52	0.38 58	0.43 194	0.24 90	0.37 90	0.38 191	0.52 22	0.62 92	0.87 240	0.84 149	0.64 151	0.35 81	0.37 9	0.28 47	0.13 13	0.11 59	0.20 184	0.18 190	0.15 81	0.11 10

test-v	0.37 85	0.19 52	0.38 58	0.43 194	0.24 90	0.37 90	0.38 191	0.52 22	0.62 92	0.87 240	0.84 149	0.64 151	0.35 81	0.37 9	0.28 47	0.13 13	0.11 59	0.20 184	0.18 190	0.15 81	0.11 10

DRaft	0.49 205	0.17 21	0.47 162	0.37 47	0.25 116	0.58 191	0.40 217	0.65 77	0.85 200	1.02 308	1.75 361	0.50 83	0.82 304	0.63 155	0.40 163	0.13 13	0.11 59	0.16 64	0.16 127	0.14 48	0.15 111

RAFT-RH_RVC	0.56 259	0.17 21	0.41 87	0.37 47	0.23 72	0.57 189	0.24 28	0.60 51	0.70 125	1.19 341	3.94 408	0.56 101	0.38 97	0.65 169	0.36 132	0.13 13	0.11 59	0.20 184	0.14 76	0.12 9	0.13 60

test-2	0.37 85	0.19 52	0.38 58	0.43 194	0.24 90	0.37 90	0.38 191	0.52 22	0.62 92	0.87 240	0.84 149	0.64 151	0.35 81	0.37 9	0.28 47	0.13 13	0.11 59	0.20 184	0.18 190	0.15 81	0.11 10

CREStereo++_RVC	0.32 32	0.15 4	0.23 1	0.31 7	0.24 90	0.27 26	0.22 8	0.46 9	0.88 218	0.46 51	0.80 129	0.30 6	0.26 20	0.36 6	0.33 91	0.13 13	0.09 2	0.13 11	0.51 381	0.13 21	0.09 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
CFNet-RSSM	0.34 40	0.17 21	0.45 136	0.39 90	0.22 44	0.35 82	0.23 19	0.73 144	0.84 193	0.65 112	0.54 51	0.57 106	0.28 36	0.46 40	0.26 28	0.13 13	0.10 9	0.14 19	0.12 32	0.13 21	0.11 10

MLCV	0.47 181	0.24 186	0.61 247	0.37 47	0.17 4	0.61 207	0.33 117	0.80 171	0.87 214	0.94 276	1.13 273	0.72 192	0.43 128	0.89 277	0.51 223	0.13 13	0.10 9	0.13 11	0.11 18	0.14 48	0.12 35

LargeStereo	0.24 1	0.17 21	0.31 15	0.38 69	0.22 44	0.24 7	0.22 8	0.50 18	0.23 1	0.28 4	0.35 18	0.30 6	0.22 7	0.31 3	0.28 47	0.14 33	0.10 9	0.13 11	0.10 11	0.13 21	0.13 60

MyStereo07	0.32 32	0.22 133	0.34 30	0.42 176	0.28 197	0.40 108	0.50 269	0.72 137	0.37 33	0.37 20	0.34 17	0.32 12	0.31 61	0.59 126	0.27 37	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.16 150

MyStereo06	0.38 100	0.21 106	0.61 247	0.41 139	0.28 197	0.41 121	0.50 269	0.95 221	0.35 18	0.62 89	0.54 51	0.76 215	0.27 27	0.50 57	0.29 59	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.15 111

MyStereo05	0.44 155	0.21 106	0.45 136	0.41 139	0.28 197	0.41 121	0.50 269	0.93 211	1.09 316	0.76 179	0.61 68	0.51 86	0.57 192	0.73 213	0.42 170	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.15 111

MyStereo04	0.44 155	0.22 133	0.44 125	0.42 176	0.28 197	0.40 108	0.50 269	1.00 235	1.08 314	0.62 89	0.58 63	0.55 99	0.57 192	0.71 203	0.44 188	0.14 33	0.13 156	0.18 123	0.17 167	0.17 145	0.16 150

ff7	0.29 16	0.21 106	0.38 58	0.36 38	0.26 153	0.31 57	0.35 141	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 112	0.25 11	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

ffff	0.29 16	0.21 106	0.38 58	0.36 38	0.26 153	0.31 57	0.35 141	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 112	0.25 11	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

11t	0.29 16	0.21 106	0.38 58	0.36 38	0.26 153	0.31 57	0.35 141	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 112	0.25 11	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

IGEV_Zeroshot_test	0.34 40	0.18 37	0.67 277	0.39 90	0.28 197	0.30 47	0.25 35	0.74 146	0.31 7	0.62 89	0.57 59	0.54 96	0.25 14	0.53 72	0.27 37	0.14 33	0.10 9	0.15 45	0.14 76	0.14 48	0.12 35

MSKI-zero shot	0.32 32	0.17 21	0.34 30	0.39 90	0.21 31	0.32 67	0.22 8	0.61 57	0.43 50	0.52 65	0.64 73	0.61 137	0.20 4	0.74 220	0.25 11	0.14 33	0.10 9	0.14 19	0.10 11	0.12 9	0.12 35

CASnet	0.30 28	0.20 74	0.33 23	0.41 139	0.16 3	0.26 18	0.24 28	0.52 22	0.53 73	0.52 65	0.54 51	0.39 42	0.24 12	0.40 18	0.26 28	0.14 33	0.10 9	0.22 236	0.18 190	0.18 163	0.11 10
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.27 7	0.17 21	0.31 15	0.34 12	0.45 336	0.26 18	0.28 55	0.37 1	0.32 9	0.30 8	0.46 27	0.31 10	0.37 94	0.36 6	0.24 7	0.14 33	0.10 9	0.15 45	0.12 32	0.13 21	0.11 10

RAFT-Test	0.34 40	0.18 37	0.37 49	0.38 69	0.23 72	0.50 148	0.23 19	0.69 114	0.40 41	0.60 83	0.85 158	0.61 137	0.28 36	0.46 40	0.27 37	0.14 33	0.11 59	0.14 19	0.11 18	0.13 21	0.12 35

LL-Strereo2	0.35 52	0.24 186	0.48 178	0.41 139	0.26 153	0.35 82	0.24 28	0.67 96	0.44 54	0.54 70	0.51 41	0.66 166	0.25 14	0.66 174	0.30 64	0.14 33	0.12 101	0.23 251	0.20 237	0.18 163	0.13 60

4D-IteraStereo	0.33 39	0.18 37	0.40 82	0.40 114	0.24 90	0.32 67	0.27 48	0.58 39	0.72 136	0.65 112	0.54 51	0.42 54	0.23 9	0.45 33	0.28 47	0.14 33	0.09 2	0.19 160	0.16 127	0.16 112	0.11 10

anonymousdsp2	0.35 52	0.20 74	0.43 115	0.37 47	0.24 90	0.48 143	0.31 92	0.86 185	0.65 114	0.55 72	0.50 36	0.50 83	0.34 79	0.56 85	0.31 71	0.14 33	0.10 9	0.14 19	0.10 11	0.16 112	0.14 92

anonymousdsp	0.29 16	0.21 106	0.38 58	0.37 47	0.25 116	0.30 47	0.35 141	0.63 66	0.35 18	0.39 32	0.33 11	0.33 20	0.28 36	0.59 126	0.25 11	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

EGLCR-Stereo	0.25 3	0.16 10	0.33 23	0.34 12	0.20 22	0.35 82	0.20 1	0.52 22	0.36 23	0.28 4	0.27 4	0.41 48	0.18 1	0.45 33	0.26 28	0.14 33	0.10 9	0.16 64	0.14 76	0.13 21	0.11 10

DCRE	0.37 85	0.18 37	0.46 152	0.45 230	0.32 260	0.42 126	0.37 171	0.63 66	0.51 67	0.47 54	0.94 190	0.56 101	0.36 91	0.52 66	0.32 79	0.14 33	0.13 156	0.15 45	0.14 76	0.14 48	0.13 60

CroCo-Stereo Lap2	0.28 11	0.24 186	0.39 75	0.50 292	0.29 220	0.20 1	0.31 92	0.49 14	0.38 37	0.24 1	0.27 4	0.46 72	0.31 61	0.39 15	0.30 64	0.14 33	0.15 208	0.16 64	0.13 53	0.16 112	0.15 111

DCANet-4	0.36 70	0.20 74	0.48 178	0.34 12	0.19 11	0.29 40	0.30 75	0.66 86	0.92 240	0.69 135	0.78 118	0.40 45	0.47 146	0.45 33	0.34 101	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

ccc-4	0.29 16	0.21 106	0.38 58	0.36 38	0.26 153	0.31 57	0.35 141	0.62 61	0.34 11	0.38 24	0.33 11	0.32 12	0.29 46	0.58 112	0.25 11	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111

fff	0.37 85	0.16 10	0.41 87	0.34 12	0.19 11	0.29 40	0.30 75	0.69 114	1.06 305	0.69 135	0.78 118	0.42 54	0.63 225	0.46 40	0.34 101	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

ADStereo(finetuned)	0.37 85	0.16 10	0.49 188	0.34 12	0.19 11	0.30 47	0.30 75	0.68 105	0.91 235	0.70 141	0.77 110	0.43 60	0.69 259	0.45 33	0.33 91	0.14 33	0.10 9	0.14 19	0.11 18	0.13 21	0.12 35

RAFT+CT+SA	0.39 114	0.23 150	0.36 38	0.51 304	0.27 178	0.29 40	0.46 248	0.75 152	0.80 178	0.51 62	0.89 176	0.41 48	0.40 114	0.78 238	0.32 79	0.14 33	0.11 59	0.18 123	0.18 190	0.15 81	0.14 92

test_5	0.43 149	0.24 186	0.43 115	0.52 315	0.28 197	0.28 35	0.42 236	0.72 137	0.82 185	0.62 89	0.91 182	0.72 192	0.55 185	0.79 241	0.35 116	0.14 33	0.11 59	0.18 123	0.18 190	0.18 163	0.16 150

IGEV-Stereo	0.29 16	0.21 106	0.38 58	0.37 47	0.25 116	0.30 47	0.35 141	0.63 66	0.35 18	0.39 32	0.33 11	0.33 20	0.28 36	0.59 126	0.25 11	0.14 33	0.10 9	0.17 89	0.12 32	0.14 48	0.15 111
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.39 114	0.19 52	0.57 235	0.37 47	0.27 178	0.31 57	0.24 28	1.44 364	0.29 4	0.69 135	0.53 49	0.60 133	0.42 121	0.83 254	0.27 37	0.14 33	0.11 59	0.14 19	0.13 53	0.15 81	0.13 60

GLC_STEREO	0.29 16	0.19 52	0.27 9	0.44 209	0.19 11	0.31 57	0.26 41	0.47 10	0.43 50	0.37 20	0.47 32	0.41 48	0.23 9	0.50 57	0.34 101	0.14 33	0.18 260	0.19 160	0.16 127	0.16 112	0.13 60

MIPNet	0.37 85	0.21 106	0.59 240	0.39 90	0.25 116	0.50 148	0.28 55	0.77 160	0.70 125	0.65 112	0.60 65	0.40 45	0.49 153	0.44 32	0.37 144	0.14 33	0.11 59	0.16 64	0.13 53	0.14 48	0.13 60

LCNet	0.41 137	0.20 74	0.32 20	0.44 209	0.24 90	0.47 141	0.29 62	0.67 96	0.53 73	0.72 158	1.03 238	0.66 166	0.60 209	0.58 112	0.34 101	0.14 33	0.10 9	0.19 160	0.19 215	0.21 228	0.36 332

STrans-v2	0.46 171	0.20 74	0.48 178	0.40 114	0.24 90	0.55 170	0.50 269	1.07 261	0.73 143	0.65 112	1.05 246	0.72 192	0.69 259	0.72 208	0.33 91	0.14 33	0.10 9	0.17 89	0.14 76	0.13 21	0.12 35

FTStereo	0.56 259	0.20 74	0.37 49	0.41 139	0.25 116	0.40 108	0.79 351	0.66 86	0.43 50	1.09 330	3.27 397	0.70 178	0.73 278	0.55 77	0.33 91	0.14 33	0.13 156	0.19 160	0.17 167	0.15 81	0.30 307

ASMatch	0.48 189	0.19 52	0.45 136	0.39 90	0.28 197	0.37 90	0.26 41	0.74 146	0.68 120	0.76 179	2.34 377	0.61 137	0.52 168	0.62 145	0.37 144	0.14 33	0.12 101	0.17 89	0.15 98	0.14 48	0.21 244

DEmStereo	0.48 189	0.17 21	0.50 200	0.38 69	0.25 116	0.59 200	0.34 124	0.63 66	0.74 148	0.89 252	1.66 353	0.58 114	1.06 345	0.60 132	0.42 170	0.14 33	0.11 59	0.16 64	0.16 127	0.14 48	0.15 111

GrayStereo	0.49 205	0.19 52	0.42 106	0.46 249	0.28 197	0.53 161	0.67 324	0.69 114	0.63 102	1.02 308	1.47 340	0.78 222	0.76 285	0.56 85	0.33 91	0.14 33	0.12 101	0.17 89	0.17 167	0.15 81	0.29 300

RAFT-345	0.40 126	0.18 37	0.40 82	0.38 69	0.22 44	0.33 71	0.26 41	0.61 57	0.51 67	0.74 171	1.79 362	0.45 66	0.33 73	0.66 174	0.36 132	0.14 33	0.11 59	0.18 123	0.14 76	0.13 21	0.13 60

test-1	0.36 70	0.19 52	0.71 293	0.46 249	0.26 153	0.44 132	0.36 159	0.60 51	0.59 88	0.48 56	0.67 83	0.53 92	0.36 91	0.40 18	0.29 59	0.14 33	0.11 59	0.16 64	0.14 76	0.15 81	0.16 150

Prome-Stereo	0.46 171	0.19 52	0.35 33	0.44 209	0.26 153	0.40 108	0.45 245	0.68 105	0.44 54	0.96 284	1.84 364	0.59 128	0.67 249	0.61 139	0.32 79	0.14 33	0.11 59	0.16 64	0.14 76	0.16 112	0.29 300

iRaftStereo_RVC	0.32 32	0.19 52	0.37 49	0.39 90	0.22 44	0.31 57	0.29 62	0.68 105	0.51 67	0.49 57	0.66 79	0.37 37	0.23 9	0.45 33	0.33 91	0.14 33	0.10 9	0.18 123	0.17 167	0.15 81	0.12 35

DCANet	0.36 70	0.16 10	0.41 87	0.34 12	0.19 11	0.30 47	0.30 75	0.68 105	0.91 235	0.70 141	0.77 110	0.43 60	0.57 192	0.45 33	0.34 101	0.14 33	0.10 9	0.14 19	0.11 18	0.13 21	0.12 35

csc	0.37 85	0.16 10	0.41 87	0.34 12	0.19 11	0.29 40	0.30 75	0.69 114	1.06 305	0.69 135	0.78 118	0.42 54	0.63 225	0.46 40	0.34 101	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

cscssc	0.37 85	0.16 10	0.41 87	0.34 12	0.19 11	0.29 40	0.30 75	0.69 114	1.06 305	0.69 135	0.78 118	0.42 54	0.63 225	0.46 40	0.34 101	0.14 33	0.10 9	0.14 19	0.11 18	0.11 1	0.13 60

111	0.40 126	0.17 21	0.41 87	0.34 12	0.19 11	0.52 155	0.28 55	0.74 146	1.16 326	0.50 60	0.91 182	0.63 144	0.48 150	0.61 139	0.35 116	0.14 33	0.10 9	0.14 19	0.12 32	0.13 21	0.13 60

test_xeample3	0.29 16	0.21 106	0.41 87	0.35 30	0.26 153	0.35 82	0.32 108	0.56 32	0.36 23	0.43 44	0.32 10	0.34 24	0.28 36	0.54 75	0.23 5	0.14 33	0.11 59	0.16 64	0.12 32	0.14 48	0.13 60

EAI-Stereo	0.34 40	0.19 52	0.44 125	0.39 90	0.21 31	0.31 57	0.30 75	1.15 289	0.30 5	0.49 57	0.75 104	0.36 35	0.28 36	0.62 145	0.27 37	0.14 33	0.11 59	0.14 19	0.13 53	0.13 21	0.12 35

Gwc-CoAtRS	0.34 40	0.17 21	0.44 125	0.39 90	0.23 72	0.34 77	0.22 8	0.70 128	0.75 150	0.60 83	0.59 64	0.58 114	0.29 46	0.45 33	0.26 28	0.14 33	0.11 59	0.14 19	0.12 32	0.12 9	0.12 35

HITNet	0.41 137	0.26 219	0.45 136	0.33 11	0.17 4	0.63 223	0.30 75	0.93 211	0.64 109	0.71 147	0.82 139	0.64 151	0.52 168	0.59 126	0.43 175	0.14 33	0.10 9	0.15 45	0.13 53	0.19 197	0.12 35
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
panet	0.27 7	0.14 2	0.23 1	0.28 2	0.15 1	0.37 90	0.23 19	0.52 22	0.72 136	0.42 41	0.51 41	0.34 24	0.26 20	0.39 15	0.25 11	0.15 81	0.11 59	0.12 2	0.08 1	0.11 1	0.10 3

H2IRNET	0.37 85	0.20 74	0.33 23	0.38 69	0.25 116	0.27 26	0.23 19	0.59 41	0.72 136	0.39 32	0.90 179	0.74 207	0.55 185	0.52 66	0.43 175	0.15 81	0.13 156	0.18 123	0.20 237	0.16 112	0.13 60

MGS-Stereo	0.28 11	0.19 52	0.40 82	0.36 38	0.23 72	0.37 90	0.30 75	0.39 2	0.44 54	0.31 9	0.51 41	0.40 45	0.24 12	0.43 26	0.26 28	0.15 81	0.12 101	0.15 45	0.13 53	0.14 48	0.13 60

MyStereo8	0.40 126	0.20 74	0.54 221	0.41 139	0.29 220	0.53 161	0.29 62	0.65 77	0.49 64	0.71 147	0.98 216	0.58 114	0.43 128	0.50 57	0.51 223	0.15 81	0.12 101	0.16 64	0.14 76	0.19 197	0.19 211

IGEVStereo-DCA	0.29 16	0.22 133	0.38 58	0.35 30	0.27 178	0.37 90	0.35 141	0.62 61	0.34 11	0.38 24	0.30 7	0.35 30	0.27 27	0.51 61	0.22 1	0.15 81	0.12 101	0.16 64	0.12 32	0.13 21	0.15 111

rrr	0.29 16	0.22 133	0.41 87	0.35 30	0.27 178	0.37 90	0.32 108	0.52 22	0.42 48	0.38 24	0.30 7	0.35 30	0.27 27	0.51 61	0.22 1	0.15 81	0.12 101	0.16 64	0.13 53	0.13 21	0.14 92

Any-RAFT	0.35 52	0.16 10	0.30 13	0.34 12	0.21 31	0.52 155	0.22 8	0.88 197	0.73 143	0.53 68	0.73 94	0.64 151	0.28 36	0.46 40	0.24 7	0.15 81	0.10 9	0.13 11	0.10 11	0.13 21	0.12 35

HH	0.35 52	0.20 74	0.47 162	0.40 114	0.25 116	0.33 71	0.31 92	0.76 157	0.38 37	0.43 44	0.57 59	0.79 223	0.44 136	0.71 203	0.25 11	0.15 81	0.11 59	0.15 45	0.14 76	0.14 48	0.12 35

HanStereo	0.35 52	0.20 74	0.47 162	0.40 114	0.25 116	0.33 71	0.31 92	0.76 157	0.38 37	0.43 44	0.57 59	0.79 223	0.44 136	0.71 203	0.25 11	0.15 81	0.11 59	0.15 45	0.14 76	0.14 48	0.12 35

LoS	0.29 16	0.15 4	0.30 13	0.29 3	0.18 8	0.33 71	0.29 62	0.51 19	0.72 136	0.34 16	0.52 47	0.41 48	0.28 36	0.47 47	0.28 47	0.15 81	0.11 59	0.13 11	0.09 7	0.11 1	0.11 10

Sa-1000	0.48 189	0.24 186	0.41 87	0.45 230	0.25 116	0.59 200	0.34 124	0.81 174	0.93 245	0.82 208	1.50 341	0.53 92	0.45 140	0.92 289	0.30 64	0.15 81	0.12 101	0.21 224	0.19 215	0.15 81	0.13 60

CrosDoStereo	0.50 218	0.18 37	0.45 136	0.38 69	0.24 90	0.40 108	1.18 382	0.67 96	0.86 205	0.94 276	1.37 320	0.63 144	0.77 289	0.65 169	0.45 194	0.15 81	0.12 101	0.17 89	0.18 190	0.14 48	0.14 92

HHNet	0.41 137	0.17 21	0.41 87	0.34 12	0.37 289	0.33 71	0.34 124	0.69 114	0.75 150	0.86 233	1.30 310	0.52 88	0.32 65	0.52 66	0.35 116	0.15 81	0.11 59	0.19 160	0.15 98	0.15 81	0.24 270

TransformOpticalFlow	0.44 155	0.20 74	0.47 162	0.41 139	0.23 72	0.37 90	0.47 253	0.94 215	0.76 156	0.65 112	1.14 275	0.73 202	0.56 191	0.76 227	0.32 79	0.15 81	0.10 9	0.17 89	0.15 98	0.14 48	0.13 60

OMP-Stereo	0.42 143	0.22 133	0.46 152	0.52 315	0.24 90	0.36 88	0.25 35	0.71 133	0.78 170	0.77 184	0.64 73	0.89 257	0.39 109	0.91 286	0.35 116	0.15 81	0.12 101	0.20 184	0.15 98	0.15 81	0.12 35

IIG-Stereo	0.43 149	0.21 106	0.44 125	0.50 292	0.25 116	0.44 132	0.21 4	0.71 133	0.76 156	0.83 220	0.95 197	0.83 235	0.43 128	0.90 279	0.35 116	0.15 81	0.12 101	0.19 160	0.14 76	0.15 81	0.11 10

NRIStereo	0.36 70	0.20 74	0.45 136	0.41 139	0.23 72	0.34 77	0.26 41	0.65 77	0.55 81	0.64 105	0.63 70	0.56 101	0.37 94	0.65 169	0.37 144	0.15 81	0.11 59	0.18 123	0.15 98	0.17 145	0.14 92

PSM-AAD	0.48 189	0.20 74	0.37 49	0.43 194	0.23 72	0.56 185	0.50 269	0.65 77	0.70 125	1.07 325	1.12 267	0.58 114	0.92 325	0.61 139	0.32 79	0.15 81	0.11 59	0.25 276	0.26 313	0.18 163	0.43 359

DeepStereo_LL	0.50 218	0.18 37	0.45 136	0.38 69	0.24 90	0.40 108	1.18 382	0.67 96	0.86 205	0.94 276	1.37 320	0.63 144	0.77 289	0.65 169	0.45 194	0.15 81	0.12 101	0.17 89	0.18 190	0.14 48	0.14 92

THIR-Stereo	0.50 218	0.18 37	0.45 136	0.38 69	0.23 72	0.75 260	0.67 324	0.66 86	0.87 214	1.02 308	1.40 326	0.72 192	0.76 285	0.62 145	0.42 170	0.15 81	0.11 59	0.17 89	0.18 190	0.14 48	0.15 111

AnonymousM	0.41 137	0.81 374	0.29 11	0.34 12	0.22 44	0.28 35	0.38 191	0.53 30	0.41 44	0.70 141	0.49 35	0.47 74	0.27 27	0.41 21	0.31 71	0.15 81	0.12 101	1.51 394	0.26 313	0.12 9	0.10 3

CroCo-Stereo	0.26 5	0.22 133	0.36 38	0.48 263	0.22 44	0.20 1	0.29 62	0.51 19	0.44 54	0.28 4	0.23 1	0.42 54	0.26 20	0.29 1	0.26 28	0.15 81	0.13 156	0.13 11	0.11 18	0.16 112	0.12 35
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
GMM-Stereo	0.44 155	0.19 52	0.36 38	0.42 176	0.25 116	0.51 152	0.47 253	0.71 133	0.53 73	0.76 179	1.37 320	0.76 215	0.38 97	0.60 132	0.33 91	0.15 81	0.10 9	0.20 184	0.19 215	0.16 112	0.27 287

raft+_RVC	0.38 100	0.19 52	0.35 33	0.37 47	0.25 116	0.45 137	0.37 171	0.78 165	0.89 228	0.51 62	0.78 118	0.50 83	0.29 46	0.53 72	0.40 163	0.15 81	0.12 101	0.17 89	0.15 98	0.14 48	0.12 35

TANstereo	0.30 28	0.15 4	0.31 15	0.30 5	0.17 4	0.55 170	0.23 19	0.44 7	0.55 81	0.59 79	0.68 85	0.37 37	0.26 20	0.35 5	0.27 37	0.15 81	0.16 235	0.12 2	0.10 11	0.13 21	0.14 92

RALAANet	0.38 100	0.23 150	0.48 178	0.42 176	0.29 220	0.35 82	0.25 35	0.86 185	0.64 109	0.67 124	0.65 75	0.60 133	0.29 46	0.60 132	0.34 101	0.15 81	0.12 101	0.17 89	0.15 98	0.21 228	0.13 60

ARAFT	0.47 181	0.24 186	0.79 314	0.42 176	0.25 116	0.55 170	0.55 297	0.75 152	0.81 184	0.89 252	0.75 104	0.73 202	0.47 146	0.88 272	0.37 144	0.15 81	0.12 101	0.23 251	0.22 270	0.14 48	0.13 60

MMNet	0.55 248	0.25 205	0.61 247	0.43 194	0.34 276	1.07 328	0.39 211	0.87 192	0.91 235	0.91 264	0.93 189	0.86 243	0.76 285	0.81 245	0.76 283	0.15 81	0.14 183	0.18 123	0.19 215	0.20 210	0.16 150

DIP-Stereo	0.39 114	0.21 106	0.50 200	0.41 139	0.28 197	0.62 214	0.27 48	0.77 160	0.40 41	0.64 105	0.86 161	0.52 88	0.33 73	0.66 174	0.42 170	0.15 81	0.13 156	0.17 89	0.14 76	0.15 81	0.15 111
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
R-Stereo Train	0.39 114	0.18 37	0.42 106	0.42 176	0.26 153	0.40 108	0.32 108	0.72 137	0.34 11	0.89 252	1.28 306	0.57 106	0.35 81	0.42 23	0.32 79	0.15 81	0.12 101	0.14 19	0.12 32	0.14 48	0.13 60

RAFT-Stereo	0.39 114	0.18 37	0.42 106	0.42 176	0.26 153	0.40 108	0.32 108	0.72 137	0.34 11	0.89 252	1.28 306	0.57 106	0.35 81	0.42 23	0.32 79	0.15 81	0.12 101	0.14 19	0.12 32	0.14 48	0.13 60
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
iResNet	0.49 205	0.29 255	0.79 314	0.42 176	0.21 31	0.61 207	0.40 217	0.82 175	0.99 270	0.87 240	1.12 267	0.69 176	0.53 171	0.78 238	0.51 223	0.15 81	0.11 59	0.14 19	0.12 32	0.17 145	0.15 111

DN-CSS_ROB	0.43 149	0.26 219	0.62 250	0.40 114	0.29 220	0.44 132	0.27 48	0.77 160	0.75 150	0.72 158	1.09 262	0.48 78	0.43 128	0.69 195	0.37 144	0.15 81	0.12 101	0.21 224	0.19 215	0.18 163	0.16 150

pmcnn	1.23 370	0.29 255	0.96 332	0.40 114	0.23 72	0.95 306	0.69 333	1.16 292	1.28 347	1.67 373	2.33 376	11.15 424	0.86 313	0.93 294	0.88 309	0.15 81	0.12 101	0.12 2	0.10 11	0.15 81	0.15 111

Former-RAFT_DAM_RVC	0.34 40	0.27 233	0.45 136	0.36 38	0.25 116	0.48 143	0.30 75	0.58 39	0.90 230	0.42 41	0.36 19	0.30 6	0.29 46	0.49 53	0.30 64	0.16 115	0.14 183	0.18 123	0.15 98	0.18 163	0.15 111

ACVNet-DCA	0.35 52	0.23 150	0.33 23	0.41 139	0.22 44	0.55 170	0.38 191	0.85 182	0.54 77	0.41 36	0.50 36	0.34 24	0.49 153	0.57 95	0.25 11	0.16 115	0.10 9	0.19 160	0.13 53	0.18 163	0.17 168

xx1	0.39 114	0.23 150	0.33 23	0.41 139	0.22 44	0.55 170	0.38 191	0.67 96	1.06 305	0.41 36	0.50 36	0.65 161	0.53 171	0.57 95	0.25 11	0.16 115	0.10 9	0.20 184	0.19 215	0.18 163	0.17 168

1test111	0.36 70	0.23 150	0.33 23	0.41 139	0.22 44	0.55 170	0.38 191	0.85 182	0.54 77	0.41 36	0.50 36	0.34 24	0.49 153	0.55 77	0.45 194	0.16 115	0.10 9	0.19 160	0.13 53	0.18 163	0.17 168

cc1	0.37 85	0.23 150	0.33 23	0.41 139	0.22 44	0.55 170	0.38 191	0.67 96	1.06 305	0.41 36	0.50 36	0.34 24	0.49 153	0.57 95	0.25 11	0.16 115	0.10 9	0.19 160	0.13 53	0.16 112	0.15 111

DualNet	0.47 181	0.26 219	0.49 188	0.37 47	0.25 116	0.55 170	0.37 171	0.68 105	1.04 293	0.73 165	0.96 201	0.71 182	0.53 171	0.57 95	0.88 309	0.16 115	0.10 9	0.25 276	0.21 255	0.16 112	0.16 150

ffm	0.44 155	0.26 219	0.49 188	0.37 47	0.25 116	0.55 170	0.37 171	0.68 105	1.04 293	0.73 165	0.96 201	0.71 182	0.53 171	0.57 95	0.25 11	0.16 115	0.10 9	0.25 276	0.21 255	0.16 112	0.16 150

ff1	0.49 205	0.26 219	0.49 188	0.37 47	0.25 116	0.55 170	0.37 171	0.68 105	1.04 293	0.73 165	0.96 201	0.71 182	0.53 171	1.01 307	0.88 309	0.16 115	0.10 9	0.25 276	0.21 255	0.16 112	0.16 150

tt1	0.36 70	0.24 186	0.32 20	0.41 139	0.22 44	0.54 165	0.38 191	0.68 105	1.04 293	0.41 36	0.46 27	0.35 30	0.45 140	0.57 95	0.25 11	0.16 115	0.10 9	0.19 160	0.13 53	0.16 112	0.16 150

StereoIM	0.26 5	0.18 37	0.36 38	0.36 38	0.26 153	0.27 26	0.27 48	0.43 6	0.35 18	0.27 2	0.26 3	0.41 48	0.28 36	0.40 18	0.28 47	0.16 115	0.14 183	0.16 64	0.13 53	0.14 48	0.12 35

CBFPSM	0.59 277	0.22 133	1.31 366	0.38 69	0.27 178	1.12 337	0.65 321	0.79 167	0.82 185	0.80 191	0.81 136	1.35 345	0.87 316	0.67 184	0.76 283	0.16 115	0.15 208	0.15 45	0.16 127	0.17 145	0.22 257

ToySt	0.49 205	0.27 233	0.75 304	0.40 114	0.27 178	0.64 229	0.49 265	0.84 179	0.77 163	0.60 83	0.83 144	0.88 253	0.66 246	0.70 198	0.56 242	0.16 115	0.17 249	0.21 224	0.20 237	0.21 228	0.19 211

anonymousa	0.49 205	0.20 74	0.42 106	0.38 69	0.23 72	0.91 298	0.35 141	0.75 152	0.62 92	0.85 228	1.54 345	1.06 298	0.66 246	0.51 61	0.43 175	0.16 115	0.13 156	0.19 160	0.21 255	0.16 112	0.14 92

TestStereo1	0.43 149	0.23 150	0.41 87	0.51 304	0.24 90	0.34 77	0.40 217	0.77 160	0.90 230	0.68 130	0.96 201	0.48 78	0.46 143	0.91 286	0.32 79	0.16 115	0.13 156	0.18 123	0.15 98	0.14 48	0.13 60

SA-5K	0.43 149	0.23 150	0.41 87	0.51 304	0.24 90	0.34 77	0.40 217	0.77 160	0.90 230	0.68 130	0.96 201	0.48 78	0.46 143	0.91 286	0.32 79	0.16 115	0.13 156	0.18 123	0.15 98	0.14 48	0.13 60

SA	0.44 155	0.25 205	0.46 152	0.46 249	0.24 90	0.43 128	0.36 159	0.75 152	0.96 258	0.59 79	1.03 238	0.48 78	0.52 168	0.94 301	0.32 79	0.16 115	0.12 101	0.21 224	0.19 215	0.15 81	0.13 60

CIPLG	0.41 137	0.21 106	0.63 258	0.45 230	0.33 269	0.52 155	0.33 117	0.65 77	0.60 90	0.82 208	0.96 201	0.46 72	0.32 65	0.55 77	0.44 188	0.16 115	0.12 101	0.15 45	0.14 76	0.13 21	0.14 92

ACRE	0.40 126	0.21 106	0.65 268	0.45 230	0.33 269	0.51 152	0.33 117	0.66 86	0.63 102	0.80 191	0.92 186	0.45 66	0.32 65	0.52 66	0.45 194	0.16 115	0.12 101	0.15 45	0.14 76	0.13 21	0.14 92

AAGNet	1.43 380	0.20 74	0.48 178	0.44 209	0.25 116	0.29 40	0.31 92	0.65 77	0.68 120	0.97 289	0.86 161	0.67 171	0.62 219	0.64 162	20.63 427	0.16 115	0.11 59	0.19 160	0.15 98	0.19 197	0.12 35

KYRaft	0.48 189	0.20 74	0.38 58	0.44 209	0.23 72	0.44 132	0.37 171	0.66 86	0.41 44	0.94 276	1.73 357	0.79 223	0.41 120	0.63 155	0.31 71	0.16 115	0.11 59	0.18 123	0.22 270	0.16 112	0.78 387

SST-Stereo	0.40 126	0.19 52	0.45 136	0.42 176	0.25 116	0.25 16	0.21 4	0.66 86	0.47 62	1.08 328	0.79 127	0.72 192	0.43 128	0.77 234	0.35 116	0.16 115	0.11 59	0.20 184	0.16 127	0.19 197	0.15 111

RAFT_R40	0.40 126	0.19 52	0.44 125	0.43 194	0.25 116	0.23 5	0.26 41	0.67 96	0.67 119	0.98 293	0.78 118	0.72 192	0.43 128	0.76 227	0.35 116	0.16 115	0.11 59	0.20 184	0.16 127	0.18 163	0.14 92

PFNet	0.42 143	0.18 37	0.58 239	0.43 194	0.24 90	0.43 128	0.32 108	0.74 146	0.78 170	1.00 301	0.74 103	0.68 172	0.39 109	0.72 208	0.37 144	0.16 115	0.10 9	0.20 184	0.15 98	0.16 112	0.13 60

DeepStereo_RVC	0.36 70	0.21 106	0.47 162	0.40 114	0.24 90	0.26 18	0.22 8	0.60 51	0.38 37	0.69 135	0.67 83	0.57 106	0.51 166	0.56 85	0.39 158	0.16 115	0.12 101	0.18 123	0.15 98	0.19 197	0.18 183

rafts_anoy	0.37 85	0.21 106	0.36 38	0.41 139	0.26 153	0.30 47	0.33 117	0.67 96	0.90 230	0.58 77	0.66 79	0.45 66	0.33 73	0.47 47	0.39 158	0.16 115	0.11 59	0.21 224	0.23 281	0.17 145	0.14 92

XX-TBD	0.32 32	0.53 347	0.26 8	0.51 304	0.20 22	0.37 90	0.24 28	0.40 4	0.73 143	0.54 70	0.69 86	0.31 10	0.25 14	0.32 4	0.27 37	0.16 115	0.10 9	0.12 2	0.09 7	0.13 21	0.11 10

raftrobust	0.34 40	0.19 52	0.36 38	0.41 139	0.27 178	0.30 47	0.25 35	0.71 133	0.63 102	0.58 77	0.55 56	0.45 66	0.46 143	0.51 61	0.29 59	0.16 115	0.12 101	0.14 19	0.12 32	0.12 9	0.13 60

RALCasStereoNet	0.36 70	0.21 106	0.37 49	0.42 176	0.26 153	0.35 82	0.38 191	0.63 66	0.64 109	0.50 60	0.72 90	0.51 86	0.29 46	0.59 126	0.36 132	0.16 115	0.14 183	0.15 45	0.13 53	0.17 145	0.16 150

XX-Stereo	0.37 85	0.17 21	0.45 136	0.55 329	0.36 284	0.38 104	0.20 1	0.60 51	0.30 5	0.46 51	1.30 310	0.73 202	0.26 20	0.56 85	0.26 28	0.16 115	0.11 59	0.17 89	0.16 127	0.14 48	0.10 3

CREStereo	0.28 11	0.15 4	0.24 4	0.27 1	0.17 4	0.37 90	0.25 35	0.51 19	0.72 136	0.42 41	0.51 41	0.32 12	0.26 20	0.38 13	0.25 11	0.16 115	0.11 59	0.12 2	0.08 1	0.12 9	0.11 10
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
BEATNet_4x	0.46 171	0.32 268	0.56 232	0.37 47	0.19 11	0.63 223	0.35 141	1.01 242	0.72 136	0.77 184	0.83 144	0.70 178	0.59 205	0.68 192	0.53 233	0.16 115	0.12 101	0.16 64	0.14 76	0.24 264	0.16 150

RASNet	0.53 237	0.22 133	0.52 212	0.38 69	0.22 44	0.68 243	0.38 191	0.97 227	0.88 218	0.73 165	1.04 242	1.03 291	0.92 325	0.90 279	0.86 302	0.16 115	0.14 183	0.14 19	0.17 167	0.15 81	0.13 60

iResNet_ROB	0.52 234	0.21 106	0.53 218	0.37 47	0.21 31	0.61 207	0.29 62	1.51 373	1.32 351	0.90 259	1.02 234	0.80 231	0.62 219	0.76 227	0.43 175	0.16 115	0.12 101	0.13 11	0.09 7	0.15 81	0.18 183

CoDeX	0.47 181	0.20 74	0.49 188	0.42 176	0.25 116	0.75 260	0.36 159	1.27 333	0.80 178	0.82 208	0.96 201	0.62 143	0.57 192	0.60 132	0.36 132	0.17 148	0.12 101	0.17 89	0.15 98	0.16 112	0.14 92

test croco	0.31 30	0.20 74	0.50 200	0.39 90	0.29 220	0.27 26	0.30 75	0.44 7	0.35 18	0.31 9	0.66 79	0.30 6	0.31 61	0.65 169	0.31 71	0.17 148	0.13 156	0.20 184	0.15 98	0.17 145	0.12 35

MIF-Stereo (partial)	0.31 30	0.18 37	0.37 49	0.41 139	0.31 247	0.28 35	0.23 19	0.47 10	0.42 48	0.31 9	0.63 70	0.36 35	0.35 81	0.57 95	0.31 71	0.17 148	0.13 156	0.19 160	0.17 167	0.18 163	0.14 92

MIF-Stereo	0.27 7	0.17 21	0.37 49	0.40 114	0.27 178	0.30 47	0.28 55	0.39 2	0.31 7	0.29 7	0.46 27	0.27 3	0.25 14	0.47 47	0.34 101	0.17 148	0.13 156	0.13 11	0.12 32	0.14 48	0.12 35

PCWNet_CMD	0.48 189	0.24 186	0.52 212	0.39 90	0.27 178	0.63 223	0.30 75	0.95 221	0.96 258	0.86 233	1.07 255	0.79 223	0.44 136	0.57 95	0.43 175	0.17 148	0.12 101	0.21 224	0.16 127	0.24 264	0.19 211

LL-Strereo	0.57 264	0.27 233	0.68 280	0.48 263	0.34 276	0.39 107	0.48 259	0.94 215	0.97 261	0.83 220	0.78 118	1.10 309	1.18 357	1.33 352	0.49 214	0.17 148	0.14 183	0.22 236	0.19 215	0.16 112	0.17 168

knoymous	0.36 70	0.20 74	0.31 15	0.31 7	0.22 44	0.36 88	0.29 62	0.61 57	0.64 109	0.67 124	0.70 88	0.60 133	0.40 114	0.58 112	0.34 101	0.17 148	0.11 59	0.20 184	0.11 18	0.17 145	0.18 183

riskmin	0.38 100	0.20 74	0.39 75	0.32 9	0.23 72	0.53 161	0.30 75	0.63 66	0.80 178	0.49 57	0.56 58	0.73 202	0.58 199	0.55 77	0.36 132	0.17 148	0.11 59	0.19 160	0.13 53	0.19 197	0.20 231

qqq	0.40 126	0.26 219	0.44 125	0.36 38	0.22 44	0.46 139	0.36 159	0.85 182	0.54 77	0.56 74	0.69 86	0.65 161	0.53 171	0.55 77	0.45 194	0.17 148	0.16 235	0.20 184	0.19 215	0.18 163	0.17 168

x	0.39 114	0.24 186	0.41 87	0.34 12	0.23 72	0.52 155	0.32 108	0.86 185	0.52 70	0.57 76	0.70 88	0.59 128	0.50 163	0.49 53	0.46 204	0.17 148	0.15 208	0.17 89	0.15 98	0.17 145	0.16 150

IER	0.46 171	0.23 150	0.50 200	0.38 69	0.28 197	0.69 245	0.35 141	0.80 171	0.66 117	0.83 220	0.94 190	0.75 209	0.77 289	0.60 132	0.42 170	0.17 148	0.14 183	0.17 89	0.17 167	0.17 145	0.15 111

DAS	0.51 225	0.25 205	0.60 245	0.48 263	0.31 247	0.58 191	0.41 229	0.83 176	0.97 261	0.89 252	1.12 267	0.70 178	0.75 282	0.82 247	0.43 175	0.17 148	0.13 156	0.18 123	0.15 98	0.20 210	0.18 183

SepStereo	0.51 225	0.25 205	0.60 245	0.48 263	0.31 247	0.58 191	0.41 229	0.83 176	0.97 261	0.89 252	1.12 267	0.70 178	0.75 282	0.93 294	0.43 175	0.17 148	0.13 156	0.18 123	0.15 98	0.20 210	0.18 183

IPLGR_C	0.40 126	0.21 106	0.64 263	0.45 230	0.33 269	0.52 155	0.34 124	0.66 86	0.62 92	0.82 208	0.92 186	0.45 66	0.32 65	0.52 66	0.46 204	0.17 148	0.12 101	0.15 45	0.14 76	0.13 21	0.14 92

TRStereo	0.37 85	0.27 233	0.59 240	0.47 258	0.41 314	0.29 40	0.30 75	0.84 179	0.59 88	0.52 65	0.41 21	0.52 88	0.26 20	0.73 213	0.27 37	0.17 148	0.12 101	0.19 160	0.19 215	0.13 21	0.11 10

IRAFT_RVC	0.42 143	0.20 74	0.48 178	0.44 209	0.24 90	0.27 26	0.54 293	0.74 146	0.77 163	0.76 179	0.80 129	0.73 202	0.51 166	0.70 198	0.36 132	0.17 148	0.10 9	0.21 224	0.16 127	0.16 112	0.14 92

CRE-IMP	0.36 70	0.23 150	0.49 188	0.42 176	0.24 90	0.41 121	0.21 4	0.57 35	0.41 44	0.65 112	0.72 90	0.53 92	0.37 94	0.61 139	0.38 152	0.17 148	0.11 59	0.19 160	0.15 98	0.21 228	0.18 183

RAFT	0.45 165	0.22 133	0.45 136	0.47 258	0.26 153	0.54 165	0.47 253	0.66 86	0.58 87	0.80 191	0.82 139	0.94 268	0.57 192	0.75 224	0.34 101	0.17 148	0.15 208	0.22 236	0.20 237	0.16 112	0.12 35

CFNet_pseudo	0.46 171	0.24 186	0.52 212	0.37 47	0.27 178	0.58 191	0.30 75	0.86 185	0.88 218	0.82 208	1.03 238	0.75 209	0.47 146	0.58 112	0.44 188	0.17 148	0.12 101	0.24 265	0.16 127	0.24 264	0.19 211

RAFT + AFF	0.53 237	0.29 255	0.75 304	0.51 304	0.32 260	0.63 223	0.60 310	1.00 235	0.91 235	0.78 187	0.87 165	0.83 235	0.58 199	0.80 242	0.47 209	0.17 148	0.20 283	0.23 251	0.22 270	0.18 163	0.18 183

ACVNet	0.46 171	0.23 150	0.36 38	0.39 90	0.28 197	0.58 191	0.40 217	0.87 192	0.80 178	0.64 105	0.96 201	0.79 223	0.60 209	0.63 155	0.67 264	0.17 148	0.15 208	0.16 64	0.15 98	0.18 163	0.15 111

acv_ft	0.51 225	0.23 150	0.56 232	0.44 209	0.28 197	0.86 295	0.39 211	0.91 208	0.80 178	0.97 289	0.96 201	0.79 223	0.59 205	0.63 155	0.87 306	0.17 148	0.15 208	0.16 64	0.15 98	0.17 145	0.15 111

MSMDNet	0.48 189	0.24 186	0.52 212	0.39 90	0.27 178	0.63 223	0.30 75	0.96 223	0.96 258	0.86 233	1.07 255	0.79 223	0.44 136	0.57 95	0.43 175	0.17 148	0.12 101	0.20 184	0.16 127	0.23 254	0.19 211

HSM-Net_RVC	0.53 237	0.22 133	0.35 33	0.37 47	0.21 31	0.85 292	0.37 171	1.23 320	0.93 245	0.90 259	1.15 280	1.26 325	0.63 225	0.72 208	0.48 212	0.17 148	0.13 156	0.16 64	0.15 98	0.17 145	0.15 111
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.46 171	0.24 186	0.52 212	0.37 47	0.27 178	0.58 191	0.31 92	0.86 185	0.88 218	0.82 208	1.02 234	0.75 209	0.47 146	0.58 112	0.44 188	0.17 148	0.12 101	0.24 265	0.16 127	0.24 264	0.19 211

HSM	0.51 225	0.24 186	0.41 87	0.39 90	0.24 90	0.75 260	0.40 217	1.22 316	0.75 150	0.81 199	0.91 182	1.21 321	0.69 259	0.87 269	0.46 204	0.17 148	0.13 156	0.17 89	0.14 76	0.17 145	0.17 168

StereoDRNet-Refined	0.58 270	0.32 268	0.54 221	0.46 249	0.30 230	0.96 309	0.40 217	1.00 235	0.94 252	1.12 334	1.08 258	0.96 272	0.67 249	0.90 279	0.89 320	0.17 148	0.13 156	0.22 236	0.21 255	0.20 210	0.19 211
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
LE_ROB	4.42 414	0.24 186	2.75 398	0.42 176	0.23 72	1.57 373	0.90 364	1.71 387	17.88 430	16.56 432	4.88 416	5.17 412	18.85 432	1.63 373	14.62 423	0.17 148	0.14 183	0.16 64	0.16 127	0.19 197	0.17 168

mmm	0.44 155	0.27 233	0.46 152	0.38 69	0.24 90	0.61 207	0.35 141	0.94 215	0.53 73	0.72 158	1.05 246	0.63 144	0.50 163	0.57 95	0.45 194	0.18 176	0.15 208	0.23 251	0.20 237	0.20 210	0.18 183

11t1	0.36 70	0.21 106	0.42 106	0.35 30	0.22 44	0.62 214	0.29 62	0.69 114	0.43 50	0.60 83	0.53 49	0.53 92	0.48 150	0.56 85	0.40 163	0.18 176	0.14 183	0.16 64	0.13 53	0.17 145	0.17 168

1111x	0.55 248	0.22 133	0.46 152	0.38 69	0.20 22	0.66 237	0.43 237	1.23 320	0.99 270	0.71 147	0.99 221	0.95 270	0.69 259	0.90 279	1.08 346	0.18 176	0.17 249	0.18 123	0.19 215	0.20 210	0.18 183

whm_eth	0.48 189	0.30 261	0.74 301	0.46 249	0.38 297	0.37 90	0.37 171	0.79 167	0.78 170	0.82 208	1.74 359	0.37 37	0.38 97	0.60 132	0.38 152	0.18 176	0.16 235	0.20 184	0.20 237	0.19 197	0.22 257

EKT-Stereo	0.35 52	0.23 150	0.39 75	0.43 194	0.29 220	0.38 104	0.31 92	0.69 114	0.64 109	0.45 49	0.63 70	0.49 82	0.27 27	0.56 85	0.33 91	0.18 176	0.14 183	0.18 123	0.15 98	0.16 112	0.16 150

gwcnet-sp	0.48 189	0.23 150	0.70 290	0.40 114	0.26 153	0.81 278	0.41 229	0.89 199	0.84 193	0.91 264	0.76 106	0.66 166	0.61 214	0.66 174	0.50 215	0.18 176	0.17 249	0.18 123	0.18 190	0.18 163	0.18 183

scenet	0.48 189	0.23 150	0.70 290	0.40 114	0.26 153	0.81 278	0.41 229	0.89 199	0.84 193	0.91 264	0.76 106	0.66 166	0.61 214	0.66 174	0.50 215	0.18 176	0.17 249	0.18 123	0.18 190	0.18 163	0.18 183

ssnet	0.48 189	0.23 150	0.70 290	0.40 114	0.26 153	0.81 278	0.41 229	0.89 199	0.84 193	0.91 264	0.76 106	0.66 166	0.61 214	0.66 174	0.50 215	0.18 176	0.17 249	0.18 123	0.18 190	0.18 163	0.18 183

DisPM	0.39 114	0.19 52	0.44 125	0.41 139	0.27 178	0.24 7	0.31 92	0.65 77	0.57 86	0.87 240	0.87 165	0.60 133	0.32 65	0.76 227	0.32 79	0.18 176	0.12 101	0.19 160	0.17 167	0.15 81	0.20 231

hknet	0.49 205	0.25 205	0.51 207	0.45 230	0.29 220	0.77 263	0.40 217	0.94 215	0.83 190	0.75 173	0.80 129	0.97 274	0.61 214	0.73 213	0.45 194	0.18 176	0.14 183	0.22 236	0.19 215	0.18 163	0.18 183

Patchmatch Stereo++	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.24 7	0.22 8	0.59 41	0.36 23	0.63 96	0.73 94	0.58 114	0.38 97	0.58 112	0.36 132	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111
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
NF-Stereo	0.38 100	0.20 74	0.45 136	0.41 139	0.25 116	0.26 18	0.31 92	0.69 114	0.70 125	0.65 112	0.77 110	0.57 106	0.30 57	0.67 184	0.35 116	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 287

OCTAStereo	0.38 100	0.20 74	0.46 152	0.41 139	0.25 116	0.26 18	0.31 92	0.69 114	0.70 125	0.65 112	0.77 110	0.58 114	0.30 57	0.67 184	0.35 116	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 287

PSM-adaLoss	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.24 7	0.31 92	0.59 41	0.36 23	0.63 96	0.73 94	0.58 114	0.38 97	0.56 85	0.35 116	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

ROB_FTStereo_v2	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.24 7	0.31 92	0.59 41	0.36 23	0.63 96	0.73 94	0.57 106	0.38 97	0.57 95	0.36 132	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

ROB_FTStereo	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.25 16	0.21 4	0.59 41	0.36 23	0.63 96	0.73 94	0.58 114	0.38 97	0.57 95	0.35 116	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

HUI-Stereo	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.24 7	0.22 8	0.60 51	0.36 23	0.63 96	0.73 94	0.58 114	0.38 97	0.50 57	0.35 116	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

RE-Stereo	0.38 100	0.20 74	0.46 152	0.41 139	0.25 116	0.26 18	0.31 92	0.69 114	0.70 125	0.65 112	0.77 110	0.58 114	0.30 57	0.67 184	0.35 116	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 287

Pruner-Stereo	0.38 100	0.20 74	0.45 136	0.40 114	0.25 116	0.22 4	0.24 28	0.67 96	0.55 81	0.89 252	0.76 106	0.68 172	0.29 46	0.62 145	0.35 116	0.18 176	0.12 101	0.20 184	0.17 167	0.17 145	0.18 183

TVStereo	0.38 100	0.20 74	0.46 152	0.41 139	0.25 116	0.26 18	0.31 92	0.69 114	0.70 125	0.65 112	0.77 110	0.58 114	0.30 57	0.67 184	0.35 116	0.18 176	0.12 101	0.20 184	0.16 127	0.16 112	0.27 287

iGMRVC	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.24 7	0.30 75	0.59 41	0.36 23	0.63 96	0.73 94	0.58 114	0.38 97	0.58 112	0.36 132	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

iRAFT	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.24 7	0.22 8	0.59 41	0.36 23	0.63 96	0.73 94	0.58 114	0.38 97	0.58 112	0.36 132	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

RAFT-IKP	0.35 52	0.23 150	0.47 162	0.41 139	0.22 44	0.24 7	0.28 55	0.59 41	0.36 23	0.63 96	0.73 94	0.57 106	0.38 97	0.58 112	0.36 132	0.18 176	0.12 101	0.20 184	0.16 127	0.20 210	0.15 111

TestStereo	0.38 100	0.31 266	0.40 82	0.45 230	0.20 22	0.40 108	0.37 171	0.66 86	0.65 114	0.53 68	0.78 118	0.47 74	0.40 114	0.55 77	0.37 144	0.18 176	0.13 156	0.20 184	0.15 98	0.22 245	0.13 60

SFCPSM	0.47 181	0.21 106	0.55 226	0.40 114	0.27 178	0.87 296	0.37 171	1.33 344	0.77 163	0.80 191	0.84 149	0.54 96	0.49 153	0.57 95	0.37 144	0.18 176	0.13 156	0.18 123	0.20 237	0.16 112	0.15 111

delet	0.55 248	0.24 186	0.55 226	0.44 209	0.33 269	1.07 328	0.50 269	1.00 235	0.86 205	0.85 228	0.96 201	0.90 261	0.63 225	0.83 254	0.74 281	0.18 176	0.18 260	0.20 184	0.21 255	0.16 112	0.15 111

FADNet-RVC-Resample	0.56 259	0.33 276	1.16 349	0.49 278	0.34 276	0.71 252	0.43 237	1.01 242	0.93 245	0.82 208	0.87 165	0.74 207	0.67 249	0.73 213	0.45 194	0.18 176	0.18 260	0.26 290	0.27 318	0.26 276	0.27 287

ADCRef	0.80 319	0.43 317	1.32 368	0.50 292	0.45 336	1.07 328	0.51 283	1.07 261	0.98 265	1.17 339	1.42 329	0.87 248	0.91 322	0.85 266	3.19 395	0.18 176	0.16 235	0.23 251	0.23 281	0.22 245	0.21 244

AANet_RVC	0.57 264	0.32 268	0.54 221	0.45 230	0.27 178	0.57 189	0.48 259	1.00 235	1.28 347	0.86 233	1.33 314	0.87 248	0.58 199	1.07 320	0.75 282	0.18 176	0.12 101	0.15 45	0.13 53	0.18 163	0.18 183

DispNO	0.47 181	0.23 150	0.71 293	0.39 90	0.31 247	0.60 205	0.38 191	0.89 199	0.77 163	0.75 173	0.84 149	0.72 192	0.54 182	0.73 213	0.46 204	0.19 205	0.14 183	0.20 184	0.18 190	0.16 112	0.17 168

SMFormer	0.51 225	0.23 150	0.62 250	0.34 12	0.20 22	0.62 214	0.34 124	1.21 308	1.02 284	0.81 199	1.01 226	0.71 182	0.65 241	0.84 259	0.55 240	0.19 205	0.15 208	0.18 123	0.16 127	0.18 163	0.18 183

tta	0.51 225	0.23 150	0.62 250	0.34 12	0.20 22	0.62 214	0.34 124	1.21 308	1.02 284	0.81 199	1.01 226	0.71 182	0.65 241	0.84 259	0.55 240	0.19 205	0.15 208	0.18 123	0.16 127	0.15 81	0.14 92

qqq1	0.49 205	0.23 150	0.62 250	0.34 12	0.20 22	0.62 214	0.34 124	1.21 308	1.02 284	0.81 199	1.01 226	0.71 182	0.65 241	0.84 259	0.34 101	0.19 205	0.15 208	0.14 19	0.12 32	0.15 81	0.14 92

fff1	0.49 205	0.23 150	0.62 250	0.34 12	0.20 22	0.62 214	0.34 124	1.21 308	1.02 284	0.81 199	1.01 226	0.71 182	0.65 241	0.84 259	0.34 101	0.19 205	0.15 208	0.14 19	0.12 32	0.15 81	0.14 92

Wz-Net-LNSev-Ref	0.63 284	0.28 247	0.99 335	0.40 114	0.30 230	1.03 322	0.56 302	1.10 270	0.99 270	0.97 289	1.22 295	1.06 298	0.69 259	1.07 320	0.95 329	0.19 205	0.11 59	0.16 64	0.13 53	0.22 245	0.21 244

GwcNet-ADL	0.44 155	0.22 133	0.48 178	0.45 230	0.30 230	0.40 108	0.37 171	0.92 209	0.97 261	0.71 147	0.78 118	0.61 137	0.42 121	0.62 145	0.50 215	0.19 205	0.14 183	0.15 45	0.14 76	0.18 163	0.18 183

PFNet+	0.40 126	0.19 52	0.49 188	0.39 90	0.25 116	0.28 35	0.23 19	0.64 76	0.70 125	0.85 228	0.79 127	0.64 151	0.35 81	0.72 208	0.34 101	0.19 205	0.14 183	0.23 251	0.20 237	0.16 112	0.20 231

PSM-softLoss	0.38 100	0.20 74	0.48 178	0.41 139	0.26 153	0.30 47	0.35 141	0.69 114	0.46 59	0.62 89	0.82 139	0.59 128	0.33 73	0.70 198	0.39 158	0.19 205	0.12 101	0.20 184	0.18 190	0.16 112	0.22 257

KMStereo	0.38 100	0.20 74	0.48 178	0.41 139	0.26 153	0.30 47	0.35 141	0.69 114	0.46 59	0.62 89	0.82 139	0.59 128	0.33 73	0.70 198	0.39 158	0.19 205	0.12 101	0.20 184	0.18 190	0.16 112	0.22 257

LMCR-Stereo	0.53 237	0.30 261	0.53 218	0.58 339	0.30 230	0.83 288	0.36 159	1.19 302	0.76 156	0.88 248	1.04 242	0.56 101	0.62 219	0.82 247	0.67 264	0.19 205	0.15 208	0.19 160	0.14 76	0.23 254	0.17 168

sAnonymous2	0.40 126	0.39 306	0.85 319	0.48 263	0.37 289	0.40 108	0.46 248	0.57 35	0.52 70	0.38 24	0.46 27	0.35 30	0.42 121	0.43 26	0.30 64	0.19 205	0.14 183	0.18 123	0.17 167	0.57 375	0.44 360

CroCo_RVC	0.40 126	0.39 306	0.85 319	0.48 263	0.37 289	0.40 108	0.46 248	0.57 35	0.52 70	0.38 24	0.46 27	0.35 30	0.42 121	0.43 26	0.30 64	0.19 205	0.14 183	0.18 123	0.17 167	0.57 375	0.44 360

test_xeample	1.01 348	0.21 106	0.42 106	0.35 30	0.21 31	0.71 252	0.39 211	1.23 320	0.86 205	0.81 199	1.04 242	0.69 176	0.61 214	0.69 195	10.93 419	0.19 205	0.15 208	0.18 123	0.17 167	0.18 163	0.17 168

GMStereo	0.39 114	0.37 293	0.54 221	0.40 114	0.26 153	0.42 126	0.36 159	0.59 41	1.04 293	0.55 72	0.51 41	0.37 37	0.35 81	0.54 75	0.41 166	0.19 205	0.13 156	0.16 64	0.17 167	0.24 264	0.18 183
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
UNet	0.54 247	0.26 219	0.66 273	0.44 209	0.40 307	0.99 315	0.41 229	0.98 230	0.75 150	0.83 220	0.89 176	1.04 293	0.72 277	0.73 213	0.62 253	0.19 205	0.14 183	0.20 184	0.17 167	0.20 210	0.17 168

FENet	0.42 143	0.22 133	0.38 58	0.39 90	0.24 90	0.55 170	0.32 108	0.79 167	0.70 125	0.71 147	0.72 90	0.63 144	0.57 192	0.62 145	0.44 188	0.19 205	0.13 156	0.19 160	0.17 167	0.18 163	0.19 211

SuperB	1.04 353	0.37 293	4.81 409	0.43 194	0.31 247	0.99 315	0.46 248	1.02 245	2.09 386	1.09 330	1.09 262	0.75 209	0.81 300	1.06 317	1.76 374	0.19 205	0.15 208	0.17 89	0.15 98	2.82 417	0.26 280

ADCP+	1.06 356	0.35 285	1.51 381	0.49 278	0.51 350	1.45 366	0.55 297	1.25 330	1.03 289	1.16 338	1.15 280	1.10 309	1.07 347	1.56 367	6.75 415	0.19 205	0.16 235	0.23 251	0.21 255	0.28 288	0.21 244

CFNet	0.51 225	0.29 255	0.46 152	0.41 139	0.27 178	0.70 247	0.32 108	1.13 280	1.00 277	0.72 158	1.07 255	0.85 241	0.60 209	0.76 227	0.52 230	0.19 205	0.14 183	0.23 251	0.23 281	0.21 228	0.16 150

iResNetv2_ROB	0.52 234	0.27 233	0.69 286	0.38 69	0.25 116	0.62 214	0.35 141	1.17 297	1.01 281	0.99 296	1.06 252	0.88 253	0.67 249	0.66 174	0.39 158	0.19 205	0.13 156	0.15 45	0.11 18	0.18 163	0.16 150

DISCO	0.70 297	0.26 219	0.68 280	0.44 209	0.31 247	1.14 339	0.51 283	1.23 320	1.23 337	0.81 199	1.05 246	1.50 359	0.85 311	1.82 382	1.03 340	0.19 205	0.15 208	0.18 123	0.16 127	0.24 264	0.23 264

mmx	0.53 237	0.26 219	0.49 188	0.37 47	0.25 116	0.55 170	0.37 171	1.16 292	1.03 289	0.73 165	0.96 201	0.71 182	0.53 171	1.01 307	0.88 309	0.20 227	0.15 208	0.25 276	0.21 255	0.22 245	0.20 231

xxx	0.53 237	0.26 219	0.49 188	0.37 47	0.25 116	0.55 170	0.37 171	1.16 292	1.03 289	0.73 165	0.96 201	0.71 182	0.53 171	1.01 307	0.88 309	0.20 227	0.15 208	0.25 276	0.21 255	0.22 245	0.20 231

iinet-f	0.67 290	0.26 219	2.15 394	0.39 90	0.31 247	1.19 347	0.56 302	0.84 179	0.84 193	0.80 191	1.17 287	1.05 297	0.84 310	0.71 203	1.21 356	0.20 227	0.18 260	0.17 89	0.15 98	0.20 210	0.20 231

BUS	0.45 165	0.25 205	0.43 115	0.45 230	0.28 197	0.70 247	0.34 124	0.94 215	0.76 156	0.75 173	0.80 129	0.65 161	0.49 153	0.64 162	0.51 223	0.20 227	0.14 183	0.22 236	0.19 215	0.18 163	0.18 183

BSDual-CNN	0.46 171	0.25 205	0.43 115	0.45 230	0.28 197	0.77 263	0.40 217	0.94 215	0.76 156	0.75 173	0.80 129	0.76 215	0.54 182	0.64 162	0.43 175	0.20 227	0.14 183	0.22 236	0.19 215	0.18 163	0.18 183

psmg	0.49 205	0.25 205	0.43 115	0.41 139	0.28 197	0.85 292	0.43 237	0.99 232	0.76 156	0.91 264	0.94 190	0.76 215	0.54 182	0.64 162	0.43 175	0.20 227	0.15 208	0.20 184	0.20 237	0.18 163	0.18 183

ADLNet2	0.55 248	0.25 205	0.65 268	0.47 258	0.30 230	0.83 288	0.50 269	1.05 257	0.95 257	0.80 191	0.98 216	0.99 278	0.69 259	0.77 234	0.73 278	0.20 227	0.16 235	0.17 89	0.18 190	0.21 228	0.21 244

Anonymous	0.39 114	0.27 233	0.66 273	0.53 320	0.43 325	0.55 170	0.49 265	0.63 66	0.50 65	0.37 20	0.42 22	0.33 20	0.42 121	0.56 85	0.38 152	0.20 227	0.19 274	0.17 89	0.18 190	0.30 300	0.24 270

222	1.18 367	0.22 133	0.44 125	0.37 47	0.22 44	0.79 270	0.37 171	1.31 341	0.89 228	0.92 272	1.08 258	0.72 192	0.71 273	0.66 174	13.89 422	0.20 227	0.15 208	0.17 89	0.16 127	0.18 163	0.19 211

xxxx	1.01 348	0.22 133	0.43 115	0.36 38	0.21 31	0.82 286	0.36 159	1.32 342	0.88 218	0.71 147	0.94 190	0.97 274	0.63 225	0.64 162	10.58 418	0.20 227	0.16 235	0.18 123	0.17 167	0.19 197	0.19 211

UPFNet	0.53 237	0.24 186	0.51 207	0.45 230	0.38 297	0.84 291	0.49 265	0.99 232	0.75 150	0.87 240	0.88 172	0.86 243	0.64 235	0.80 242	0.71 275	0.20 227	0.20 283	0.20 184	0.20 237	0.19 197	0.15 111

aanetorigin	0.83 329	0.56 351	1.87 389	0.49 278	0.38 297	0.56 185	0.66 322	0.70 128	1.00 277	2.42 395	2.02 371	1.31 332	1.18 357	0.93 294	1.13 352	0.20 227	0.18 260	0.20 184	0.19 215	0.27 286	0.30 307

EDNetEfficientorigin	9.93 422	1.15 392	175.16 445	0.48 263	0.36 284	1.04 326	0.68 329	1.24 327	2.69 397	3.17 409	2.50 382	2.30 383	2.07 396	1.76 379	2.21 385	0.20 227	0.18 260	0.24 265	0.19 215	0.51 364	0.50 375

DLCB_ROB	0.58 270	0.28 247	0.47 162	0.49 278	0.32 260	0.77 263	0.50 269	0.99 232	0.92 240	1.04 317	1.14 275	1.21 321	0.69 259	0.88 272	0.69 268	0.20 227	0.20 283	0.22 236	0.22 270	0.21 228	0.18 183

StereoVision	0.42 143	0.28 247	0.45 136	0.49 278	0.28 197	0.38 104	0.38 191	0.72 137	0.62 92	0.44 47	1.14 275	0.54 96	0.39 109	0.56 85	0.34 101	0.21 241	0.24 313	0.25 276	0.24 294	0.26 276	0.16 150

CFNet_ucs	0.50 218	0.24 186	0.55 226	0.38 69	0.31 247	0.58 191	0.33 117	0.98 230	0.93 245	0.88 248	1.19 293	0.80 231	0.49 153	0.63 155	0.43 175	0.21 241	0.15 208	0.26 290	0.18 190	0.26 276	0.22 257

fast-acv-ft	0.64 285	0.30 261	0.73 297	0.45 230	0.34 276	1.17 344	0.49 265	0.86 185	0.98 265	1.02 308	1.36 317	1.29 329	0.85 311	0.76 227	0.81 293	0.21 241	0.23 306	0.23 251	0.23 281	0.21 228	0.20 231

CRFU-Net	0.57 264	0.27 233	0.57 235	0.46 249	0.30 230	1.20 348	0.52 286	1.10 270	0.56 85	1.00 301	0.98 216	1.06 298	0.79 296	0.81 245	0.71 275	0.21 241	0.19 274	0.18 123	0.16 127	0.18 163	0.19 211

AACVNet	0.50 218	0.23 150	0.49 188	0.46 249	0.29 220	0.52 155	0.38 191	0.90 204	0.55 81	0.81 199	1.03 238	1.00 281	0.70 269	0.83 254	0.54 236	0.21 241	0.18 260	0.24 265	0.18 190	0.23 254	0.20 231

GANet-ADL	0.42 143	0.25 205	0.45 136	0.43 194	0.29 220	0.54 165	0.35 141	0.89 199	0.86 205	0.63 96	0.72 90	0.68 172	0.42 121	0.52 66	0.41 166	0.21 241	0.14 183	0.15 45	0.13 53	0.18 163	0.19 211

sCroCo_RVC	0.35 52	0.28 247	0.69 286	0.51 304	0.39 302	0.41 121	0.31 92	0.49 14	0.45 58	0.31 9	0.48 33	0.38 41	0.32 65	0.46 40	0.32 79	0.21 241	0.22 296	0.19 160	0.19 215	0.21 228	0.20 231

psm_up	0.55 248	0.26 219	0.47 162	0.49 278	0.32 260	0.65 234	0.56 302	1.04 252	0.82 185	0.82 208	0.88 172	1.01 284	0.94 331	0.74 220	0.61 251	0.21 241	0.25 321	0.26 290	0.23 281	0.21 228	0.20 231

EDNetEfficient	1.46 381	0.80 373	6.12 411	0.47 258	0.39 302	0.69 245	0.83 354	0.90 204	2.77 398	3.50 412	1.96 369	1.66 369	2.03 395	1.26 343	4.18 405	0.21 241	0.18 260	0.21 224	0.20 237	0.41 345	0.39 346

ac_64	0.52 234	0.22 133	0.50 200	0.45 230	0.28 197	0.80 273	0.45 245	1.02 245	0.61 91	0.91 264	0.83 144	1.07 303	0.68 255	0.74 220	0.70 271	0.21 241	0.18 260	0.20 184	0.19 215	0.18 163	0.15 111

HGLStereo	0.56 259	0.28 247	0.57 235	0.50 292	0.37 289	0.80 273	0.45 245	1.02 245	0.78 170	0.86 233	1.14 275	0.89 257	0.82 304	0.76 227	0.73 278	0.21 241	0.20 283	0.19 160	0.18 190	0.19 197	0.21 244

cf-r	0.47 181	0.23 150	0.41 87	0.39 90	0.23 72	0.59 200	0.37 171	0.88 197	0.85 200	0.72 158	1.05 246	0.94 268	0.62 219	0.56 85	0.54 236	0.21 241	0.14 183	0.17 89	0.19 215	0.15 81	0.15 111

GANet-RSSM	0.47 181	0.21 106	0.37 49	0.38 69	0.25 116	0.58 191	0.36 159	1.07 261	0.78 170	0.68 130	1.01 226	0.86 243	0.67 249	0.62 145	0.44 188	0.21 241	0.15 208	0.18 123	0.18 190	0.18 163	0.17 168

GwcNet-RSSM	0.49 205	0.24 186	0.42 106	0.40 114	0.23 72	0.55 170	0.38 191	0.93 211	0.93 245	0.71 147	1.16 285	0.86 243	0.60 209	0.62 145	0.66 261	0.21 241	0.14 183	0.19 160	0.20 237	0.16 112	0.15 111

DMCA	0.45 165	0.26 219	0.50 200	0.38 69	0.28 197	0.51 152	0.34 124	0.93 211	0.68 120	0.75 173	0.83 144	0.79 223	0.53 171	0.51 61	0.54 236	0.21 241	0.16 235	0.21 224	0.16 127	0.19 197	0.21 244

FADNet_RVC	0.55 248	0.37 293	1.17 354	0.44 209	0.31 247	0.56 185	0.34 124	1.06 260	0.88 218	0.67 124	0.90 179	0.61 137	0.65 241	0.93 294	0.70 271	0.21 241	0.18 260	0.26 290	0.23 281	0.31 305	0.28 294

ADCL	1.04 353	0.38 302	1.35 370	0.50 292	0.39 302	1.61 375	0.89 362	1.29 336	1.39 357	1.29 352	1.50 341	1.24 324	1.24 362	1.37 360	4.87 408	0.21 241	0.19 274	0.25 276	0.25 303	0.29 291	0.27 287

NLCA_NET_v2_RVC	0.53 237	0.32 268	0.64 263	0.44 209	0.30 230	0.66 237	0.44 243	1.04 252	0.88 218	0.91 264	0.91 182	0.99 278	0.60 209	0.68 192	0.60 250	0.21 241	0.17 249	0.22 236	0.22 270	0.21 228	0.21 244
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
Wz-Net-MNSev	0.76 311	0.40 310	1.34 369	0.50 292	0.40 307	1.44 365	0.83 354	1.15 289	1.16 326	1.25 350	1.20 294	1.13 316	0.81 300	1.16 331	1.00 339	0.22 259	0.19 274	0.24 265	0.23 281	0.28 288	0.26 280

NINENet	0.50 218	0.29 255	0.51 207	0.45 230	0.32 260	0.70 247	0.34 124	1.10 270	0.88 218	0.80 191	0.94 190	0.65 161	0.49 153	0.73 213	0.51 223	0.22 259	0.20 283	0.25 276	0.18 190	0.22 245	0.21 244

ADLNet	0.55 248	0.27 233	0.51 207	0.44 209	0.35 282	0.78 267	0.46 248	1.08 265	0.86 205	0.99 296	0.98 216	0.92 265	0.63 225	0.69 195	0.81 293	0.22 259	0.16 235	0.22 236	0.22 270	0.21 228	0.21 244

GES	0.44 155	0.23 150	0.57 235	0.40 114	0.30 230	0.59 200	0.36 159	0.96 223	0.68 120	0.74 171	0.83 144	0.47 74	0.48 150	0.67 184	0.43 175	0.22 259	0.16 235	0.17 89	0.16 127	0.18 163	0.23 264

RYNet	0.72 305	0.35 285	0.64 263	0.53 320	0.67 373	1.31 356	0.67 324	1.20 306	1.18 329	1.05 319	0.87 165	1.27 326	0.93 330	0.93 294	1.27 362	0.22 259	0.16 235	0.26 290	0.23 281	0.40 339	0.39 346

CAS++	0.32 32	0.24 186	0.36 38	0.37 47	0.26 153	0.28 35	0.23 19	0.87 192	0.50 65	0.47 54	0.45 23	0.26 2	0.21 5	0.49 53	0.24 7	0.23 264	0.19 274	0.22 236	0.17 167	0.21 228	0.16 150
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
AASNet	0.53 237	0.25 205	0.52 212	0.49 278	0.32 260	0.74 257	0.40 217	1.50 370	0.86 205	0.86 233	0.92 186	0.64 151	0.59 205	0.59 126	0.79 288	0.23 264	0.19 274	0.20 184	0.16 127	0.21 228	0.19 211

PSMNet-ADL	0.48 189	0.27 233	0.40 82	0.48 263	0.30 230	0.68 243	0.37 171	0.90 204	0.80 178	0.61 88	0.80 129	0.92 265	0.62 219	0.72 208	0.63 256	0.23 264	0.18 260	0.18 123	0.20 237	0.22 245	0.20 231

ICVP	0.46 171	0.25 205	0.38 58	0.48 263	0.28 197	0.58 191	0.43 237	1.00 235	0.70 125	0.67 124	0.95 197	0.75 209	0.55 185	0.53 72	0.54 236	0.23 264	0.17 249	0.19 160	0.17 167	0.19 197	0.20 231
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
PSMNet-RSSM	0.48 189	0.22 133	0.38 58	0.42 176	0.25 116	0.50 148	0.37 171	1.10 270	0.77 163	0.70 141	1.06 252	0.84 239	0.64 235	0.62 145	0.47 209	0.23 264	0.15 208	0.23 251	0.25 303	0.20 210	0.19 211

CFNet-ft	0.48 189	0.23 150	0.36 38	0.40 114	0.26 153	0.64 229	0.37 171	0.87 192	0.85 200	0.64 105	1.00 223	1.01 284	0.64 235	0.61 139	0.53 233	0.23 264	0.15 208	0.24 265	0.21 255	0.23 254	0.18 183

DMCA-RVC	0.51 225	0.30 261	0.59 240	0.50 292	0.32 260	0.54 165	0.38 191	0.86 185	0.68 120	0.94 276	0.86 161	0.91 263	0.68 255	0.70 198	0.59 247	0.23 264	0.18 260	0.31 325	0.23 281	0.26 276	0.19 211

CFNet_RVC	0.48 189	0.23 150	0.36 38	0.40 114	0.26 153	0.64 229	0.37 171	0.87 192	0.85 200	0.64 105	1.00 223	1.01 284	0.64 235	0.61 139	0.53 233	0.23 264	0.15 208	0.24 265	0.21 255	0.23 254	0.18 183

DRN-Test	0.66 289	0.32 268	0.66 273	0.50 292	0.39 302	1.15 341	0.61 315	1.49 369	1.01 281	1.12 334	1.08 258	1.06 298	0.69 259	0.77 234	0.94 326	0.23 264	0.17 249	0.26 290	0.25 303	0.25 272	0.21 244

StereoDRNet	0.64 285	0.33 276	0.68 280	0.51 304	0.43 325	1.03 322	0.53 289	1.47 366	0.99 270	1.10 332	0.87 165	1.07 303	0.71 273	0.82 247	0.88 309	0.23 264	0.19 274	0.25 276	0.23 281	0.27 286	0.19 211

ttt	0.51 225	0.25 205	0.43 115	0.38 69	0.24 90	0.65 234	0.38 191	1.18 300	1.05 298	0.72 158	1.08 258	0.63 144	0.49 153	0.84 259	0.59 247	0.24 274	0.21 290	0.22 236	0.20 237	0.24 264	0.24 270

coex-ft	6.43 420	1.51 402	87.33 444	0.49 278	0.38 297	1.34 357	1.21 386	1.16 292	8.09 416	12.12 424	2.79 390	2.77 392	3.31 410	1.16 331	3.15 394	0.24 274	0.23 306	0.27 302	0.24 294	0.45 354	0.37 338

Wz-Net-LNSev	0.71 301	0.51 338	1.36 374	0.50 292	0.41 314	1.15 341	0.69 333	1.21 308	1.07 311	1.02 308	1.12 267	1.08 305	0.87 316	0.89 277	0.89 320	0.24 274	0.22 296	0.21 224	0.19 215	0.26 276	0.26 280

dd	0.43 149	0.38 302	0.55 226	0.44 209	0.25 116	0.47 141	0.38 191	0.70 128	1.05 298	0.59 79	0.65 75	0.42 54	0.39 109	0.66 174	0.50 215	0.24 274	0.15 208	0.21 224	0.15 98	0.22 245	0.18 183

GEStereo_RVC	0.55 248	0.29 255	0.63 258	0.49 278	0.31 247	0.70 247	0.54 293	1.22 316	0.92 240	0.82 208	0.85 158	0.85 241	0.63 225	0.90 279	0.65 259	0.24 274	0.16 235	0.19 160	0.16 127	0.21 228	0.22 257

Anonymous3	0.46 171	0.34 281	0.86 324	0.50 292	0.37 289	0.81 278	0.50 269	0.72 137	0.65 114	0.51 62	0.65 75	0.45 66	0.45 140	0.64 162	0.38 152	0.24 274	0.24 313	0.22 236	0.21 255	0.23 254	0.23 264

HCRNet	0.44 155	0.34 281	0.41 87	0.53 320	0.26 153	0.53 161	0.29 62	0.83 176	0.63 102	0.71 147	0.81 136	0.77 221	0.50 163	0.66 174	0.36 132	0.24 274	0.16 235	0.24 265	0.20 237	0.21 228	0.18 183

PA-Net	0.67 290	0.43 317	0.83 317	0.50 292	0.53 354	0.94 303	0.68 329	1.10 270	1.14 324	0.80 191	0.88 172	0.87 248	0.77 289	1.02 312	0.88 309	0.24 274	0.41 376	0.29 317	0.44 368	0.26 276	0.34 325
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
UCFNet_RVC	0.49 205	0.26 219	0.35 33	0.39 90	0.26 153	0.64 229	0.36 159	1.15 289	0.84 193	0.67 124	0.88 172	0.88 253	0.59 205	0.58 112	0.45 194	0.24 274	0.17 249	0.27 302	0.27 318	0.25 272	0.23 264

NaN_ROB	0.69 295	0.44 321	0.69 286	0.51 304	0.33 269	0.97 310	1.06 376	1.22 316	1.19 331	1.24 349	0.96 201	1.08 305	0.78 294	1.20 336	0.67 264	0.24 274	0.30 341	0.23 251	0.24 294	0.23 254	0.25 276

ssnet_v2	0.58 270	0.28 247	0.56 232	0.43 194	0.29 220	0.95 306	0.59 308	1.13 280	0.99 270	0.93 273	0.80 129	0.99 278	0.64 235	0.82 247	0.94 326	0.25 284	0.22 296	0.23 251	0.24 294	0.20 210	0.19 211

Wz-Net-SNSev	0.91 340	0.73 368	2.13 393	0.56 332	0.45 336	0.95 306	1.13 381	1.34 346	1.24 339	1.02 308	1.30 310	1.46 353	0.86 313	1.81 381	1.50 368	0.25 284	0.23 306	0.25 276	0.26 313	0.32 310	0.29 300

GwcNet	0.69 295	0.36 290	1.10 343	0.51 304	0.42 320	1.08 332	0.50 269	1.21 308	1.16 326	1.00 301	1.37 320	1.06 298	0.79 296	0.92 289	0.94 326	0.25 284	0.24 313	0.24 265	0.22 270	0.23 254	0.26 280

DSFCA	0.55 248	0.25 205	0.62 250	0.40 114	0.36 284	0.74 257	0.52 286	1.04 252	0.82 185	1.06 322	0.84 149	0.89 257	0.63 225	0.99 304	0.58 243	0.25 284	0.21 290	0.21 224	0.21 255	0.21 228	0.19 211

STTStereo	0.55 248	0.37 293	0.76 309	0.44 209	0.31 247	0.60 205	0.44 243	0.96 223	0.86 205	0.99 296	0.90 179	0.96 272	0.58 199	0.71 203	0.61 251	0.25 284	0.23 306	0.26 290	0.32 342	0.24 264	0.23 264

RTSC	0.87 332	0.48 328	1.23 360	0.52 315	0.37 289	1.13 338	0.50 269	1.34 346	1.79 380	1.51 361	1.24 300	1.12 313	0.81 300	1.62 371	2.16 384	0.25 284	0.19 274	0.23 251	0.24 294	0.30 300	0.31 313

GANet	0.70 297	0.37 293	0.55 226	0.51 304	0.34 276	0.94 303	0.96 369	1.08 265	0.94 252	1.04 317	1.98 370	1.13 316	0.88 319	1.12 328	0.66 261	0.25 284	0.26 327	0.27 302	0.22 270	0.31 305	0.22 257

MDST_ROB	0.91 340	0.27 233	0.85 319	0.63 353	0.41 314	2.53 393	0.71 342	1.60 380	1.13 322	2.83 402	1.73 357	0.97 274	0.69 259	1.61 370	0.73 278	0.25 284	0.22 296	0.32 330	0.28 323	0.25 272	0.24 270

FBW_ROB	0.88 334	0.50 335	0.85 319	0.55 329	0.40 307	1.17 344	0.78 350	1.50 370	1.37 354	1.33 355	1.27 304	1.48 357	1.00 341	2.57 401	0.98 335	0.25 284	0.32 354	0.45 361	0.30 329	0.34 322	0.28 294

PWC_ROB	0.87 332	0.52 344	1.28 363	0.50 292	0.32 260	0.91 298	0.37 171	1.36 352	1.46 364	1.61 367	2.59 386	1.16 320	1.01 342	1.34 354	1.40 367	0.25 284	0.18 260	0.28 309	0.20 237	0.29 291	0.28 294

GMStereo_Zeroshot	0.49 205	0.44 321	0.74 301	0.49 278	0.27 178	0.56 185	0.29 62	0.73 144	0.76 156	0.86 233	0.94 190	0.91 263	0.36 91	0.74 220	0.43 175	0.26 294	0.14 183	0.26 290	0.15 98	0.36 330	0.18 183

CSP-Net	0.56 259	0.27 233	0.49 188	0.41 139	0.28 197	1.22 349	0.50 269	1.23 320	0.72 136	0.95 283	0.95 197	0.89 257	0.62 219	0.83 254	0.62 253	0.26 294	0.17 249	0.17 89	0.17 167	0.18 163	0.17 168

APVNet	0.71 301	0.37 293	0.89 327	0.56 332	0.45 336	1.18 346	0.68 329	1.41 360	0.85 200	0.81 199	1.15 280	1.04 293	0.81 300	1.10 325	1.17 353	0.26 294	0.28 333	0.32 330	0.31 336	0.29 291	0.30 307

FADNet-RVC	0.60 280	0.53 347	1.14 348	0.46 249	0.39 302	0.61 207	0.39 211	1.12 279	0.87 214	0.70 141	0.84 149	1.04 293	0.55 185	0.94 301	0.69 268	0.26 294	0.25 321	0.28 309	0.28 323	0.31 305	0.31 313

S-Stereo	0.74 308	0.35 285	0.96 332	0.56 332	0.45 336	0.82 286	0.60 310	1.24 327	1.60 375	0.96 284	1.41 328	1.12 313	0.94 331	0.80 242	1.04 343	0.26 294	0.31 351	0.28 309	0.25 303	0.32 310	0.47 369

ADCMid	1.14 362	0.52 344	2.23 395	0.53 320	0.43 325	1.07 328	0.75 346	1.23 320	1.05 298	2.15 389	1.44 334	1.50 359	1.43 373	1.56 367	5.01 409	0.26 294	0.24 313	0.29 317	0.31 336	0.37 332	0.33 321

ETE_ROB	0.70 297	0.49 331	0.73 297	0.56 332	0.36 284	0.79 270	0.87 361	1.14 286	0.93 245	1.19 341	1.18 289	1.39 348	0.82 304	0.99 304	0.80 290	0.26 294	0.21 290	0.31 325	0.26 313	0.33 315	0.34 325

WZ-Net	1.19 368	0.59 355	4.07 406	0.62 352	0.51 350	1.34 357	1.31 395	1.32 342	1.74 379	1.53 363	1.65 351	1.74 371	1.28 366	2.25 395	2.01 381	0.27 301	0.21 290	0.23 251	0.25 303	0.40 339	0.39 346

SACVNet	0.58 270	0.34 281	0.55 226	0.55 329	0.36 284	0.63 223	0.48 259	1.13 280	0.77 163	1.02 308	1.06 252	1.02 289	0.74 280	0.90 279	0.51 223	0.27 301	0.21 290	0.25 276	0.24 294	0.29 291	0.36 332

pcwnet_v2	0.58 270	0.28 247	0.84 318	0.45 230	0.35 282	0.61 207	0.35 141	1.27 333	1.21 334	0.99 296	1.27 304	0.72 192	0.58 199	0.67 184	0.48 212	0.27 301	0.21 290	0.24 265	0.23 281	0.29 291	0.29 300

DANet	0.71 301	0.45 325	0.91 328	0.59 342	0.40 307	0.81 278	0.40 217	0.97 227	0.84 193	1.20 344	1.22 295	1.33 339	0.88 319	1.16 331	1.24 358	0.27 301	0.23 306	0.31 325	0.25 303	0.35 326	0.32 317
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
AdaStereo	0.50 218	0.32 268	0.47 162	0.48 263	0.25 116	0.67 241	0.32 108	1.17 297	0.88 218	0.75 173	0.99 221	0.75 209	0.49 153	0.67 184	0.46 204	0.27 301	0.12 101	0.28 309	0.18 190	0.23 254	0.18 183
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.
SGM_RVC	0.97 345	0.28 247	0.41 87	0.39 90	0.22 44	1.55 371	0.73 344	1.51 373	1.25 343	2.25 392	1.92 367	2.58 389	1.56 378	2.02 389	1.19 355	0.27 301	0.27 331	0.27 302	0.25 303	0.25 272	0.25 276
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
hitnet-ft	0.55 248	0.27 233	0.39 75	0.41 139	0.28 197	0.78 267	0.40 217	0.92 209	0.90 230	0.82 208	1.01 226	1.13 316	0.70 269	0.78 238	0.67 264	0.28 307	0.20 283	0.28 309	0.22 270	0.29 291	0.26 280

FAT-Stereo	0.73 307	0.33 276	0.75 304	0.49 278	0.37 289	0.71 252	0.59 308	1.36 352	1.30 349	1.03 316	1.40 326	1.59 368	1.15 353	0.87 269	0.86 302	0.28 307	0.28 333	0.28 309	0.23 281	0.28 288	0.38 344

stereogan	0.80 319	0.31 266	0.71 293	0.59 342	0.50 347	1.72 381	0.48 259	1.35 349	1.37 354	1.00 301	1.46 339	1.56 365	0.95 334	1.29 348	0.84 297	0.28 307	0.29 338	0.29 317	0.25 303	0.38 336	0.38 344

TDLM	0.57 264	0.33 276	0.49 188	0.51 304	0.30 230	0.66 237	0.73 344	1.03 249	1.01 281	0.82 208	1.10 264	0.84 239	0.70 269	0.86 268	0.58 243	0.28 307	0.17 249	0.25 276	0.22 270	0.26 276	0.19 211

SANet	1.07 358	0.41 313	1.06 340	0.48 263	0.30 230	1.41 362	0.94 367	1.42 361	3.36 405	1.58 364	2.43 380	2.33 385	1.70 384	1.34 354	1.07 345	0.28 307	0.24 313	0.26 290	0.23 281	0.34 322	0.30 307

CBMV	0.64 285	0.35 285	0.41 87	0.42 176	0.25 116	1.01 317	0.77 348	1.13 280	1.09 316	1.17 339	1.22 295	1.04 293	0.75 282	0.88 272	0.63 256	0.28 307	0.30 341	0.34 337	0.30 329	0.26 276	0.26 280
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CASS	0.45 165	0.27 233	0.42 106	0.48 263	0.22 44	0.61 207	0.34 124	0.97 227	0.62 92	0.71 147	0.85 158	0.61 137	0.55 185	0.57 95	0.41 166	0.29 313	0.16 235	0.22 236	0.18 190	0.22 245	0.28 294
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
FADNet	0.61 282	0.51 338	1.10 343	0.45 230	0.44 332	0.65 234	0.41 229	1.19 302	1.05 298	0.70 141	0.84 149	0.98 277	0.66 246	0.82 247	0.50 215	0.29 313	0.30 341	0.27 302	0.30 329	0.46 357	0.35 330

AnyNet_C32	1.16 366	0.62 362	2.40 396	0.57 337	0.55 358	1.41 362	1.34 396	1.18 300	1.24 339	1.49 360	1.42 329	1.39 348	1.20 361	1.55 365	4.82 407	0.29 313	0.28 333	0.29 317	0.34 347	0.38 336	0.42 354

CVANet_RVC	0.57 264	0.33 276	0.44 125	0.47 258	0.32 260	0.67 241	0.61 315	1.05 257	0.93 245	0.85 228	1.04 242	1.01 284	0.73 278	0.83 254	0.52 230	0.29 313	0.19 274	0.27 302	0.25 303	0.31 305	0.21 244

DeepPruner_ROB	0.53 237	0.34 281	0.59 240	0.41 139	0.30 230	0.50 148	0.43 237	1.19 302	0.70 125	0.85 228	1.05 246	0.86 243	0.55 185	0.84 259	0.51 223	0.29 313	0.23 306	0.22 236	0.22 270	0.26 276	0.25 276

PSMNet_ROB	0.64 285	0.37 293	0.65 268	0.56 332	0.42 320	0.97 310	0.83 354	1.21 308	0.92 240	0.79 189	1.02 234	1.08 305	0.63 225	0.82 247	0.91 324	0.29 313	0.20 283	0.31 325	0.31 336	0.26 276	0.23 264

Syn2CoEx	0.71 301	0.51 338	0.95 330	0.64 354	0.45 336	0.91 298	0.53 289	1.48 367	1.13 322	0.93 273	1.35 316	1.02 289	0.99 339	0.92 289	0.80 290	0.30 319	0.27 331	0.28 309	0.24 294	0.23 254	0.24 270

Nwc_Net	0.78 315	0.38 302	0.73 297	0.60 347	0.55 358	1.05 327	0.55 297	1.67 385	1.05 298	0.88 248	1.86 366	1.40 350	1.09 348	1.10 325	0.87 306	0.30 319	0.25 321	0.36 342	0.38 354	0.29 291	0.29 300

ADCPNet	1.03 352	0.48 328	2.70 397	0.54 326	0.42 320	1.40 360	0.75 346	1.13 280	1.07 311	1.22 346	1.42 329	1.68 370	1.09 348	1.36 359	3.45 399	0.30 319	0.28 333	0.29 317	0.32 342	0.37 332	0.35 330

GASNet	0.67 290	0.72 367	0.96 332	0.70 372	0.48 344	0.62 214	0.47 253	1.08 265	1.03 289	0.94 276	0.82 139	0.93 267	0.83 308	1.33 352	0.80 290	0.31 322	0.22 296	0.29 317	0.28 323	0.44 350	0.24 270

psmorigin	0.82 323	0.51 338	2.09 392	0.49 278	0.41 314	0.85 292	0.50 269	1.04 252	0.88 218	1.45 359	1.43 332	1.50 359	1.06 345	1.22 339	0.97 332	0.31 322	0.32 354	0.27 302	0.27 318	0.33 315	0.42 354

NCC-stereo	0.78 315	0.40 310	0.76 309	0.61 349	0.67 373	0.81 278	0.69 333	1.54 377	1.11 318	0.90 259	1.36 317	1.33 339	1.16 354	1.19 334	0.88 309	0.31 322	0.30 341	0.37 346	0.48 374	0.33 315	0.33 321

Abc-Net	0.78 315	0.40 310	0.76 309	0.61 349	0.67 373	0.81 278	0.69 333	1.54 377	1.11 318	0.90 259	1.36 317	1.33 339	1.16 354	1.19 334	0.88 309	0.31 322	0.30 341	0.37 346	0.48 374	0.33 315	0.33 321
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.93 343	0.50 335	1.18 355	0.59 342	0.46 343	0.97 310	0.48 259	1.70 386	2.15 387	1.58 364	1.37 320	1.42 351	1.19 359	1.31 350	1.60 369	0.31 322	0.26 327	0.32 330	0.33 345	0.40 339	0.42 354

RTS	1.98 394	0.96 385	11.36 418	0.65 359	0.57 365	2.77 399	1.40 399	1.39 356	2.26 388	1.89 380	2.56 383	1.32 337	1.25 363	5.20 414	4.05 403	0.31 322	0.22 296	0.29 317	0.29 327	0.40 339	0.37 338

RTSA	1.98 394	0.96 385	11.36 418	0.65 359	0.57 365	2.77 399	1.40 399	1.39 356	2.26 388	1.89 380	2.56 383	1.32 337	1.25 363	5.20 414	4.05 403	0.31 322	0.22 296	0.29 317	0.29 327	0.40 339	0.37 338

Anonymous Stereo	0.75 310	0.54 349	1.78 387	0.57 337	0.56 361	0.62 214	1.25 390	0.96 223	0.99 270	0.96 284	0.95 197	0.83 235	0.58 199	1.27 346	1.21 356	0.31 322	0.30 341	0.31 325	0.33 345	0.33 315	0.36 332

SGM-ForestM	4.04 412	0.32 268	0.46 152	0.43 194	0.27 178	7.50 420	1.45 403	3.84 412	4.24 411	8.19 423	6.76 420	19.00 430	9.08 420	10.74 424	6.62 414	0.31 322	0.33 360	0.32 330	0.32 342	0.29 291	0.29 300

PS-NSSS	0.58 270	0.44 321	0.62 250	0.42 176	0.33 269	0.66 237	0.58 306	1.02 245	0.86 205	0.77 184	1.28 306	0.72 192	0.64 235	0.82 247	0.59 247	0.31 322	0.26 327	0.40 354	0.27 318	0.33 315	0.26 280

NCCL2	0.72 305	0.41 313	0.65 268	0.64 354	0.44 332	0.98 314	1.20 384	1.11 275	1.00 277	0.98 293	0.96 201	1.49 358	0.87 316	0.90 279	0.79 288	0.31 322	0.26 327	0.39 351	0.39 358	0.32 310	0.32 317

SGM-Forest	0.62 283	0.32 268	0.39 75	0.43 194	0.30 230	1.02 319	0.55 297	1.09 269	1.05 298	1.06 322	1.18 289	1.10 309	0.67 249	0.88 272	0.62 253	0.31 322	0.33 360	0.33 335	0.30 329	0.30 300	0.28 294
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-TNSev	1.14 362	1.06 391	4.32 408	0.49 278	0.42 320	1.51 369	1.11 380	1.48 367	1.40 359	1.22 346	1.26 303	1.58 367	1.43 373	1.76 379	1.70 371	0.32 334	0.31 351	0.26 290	0.30 329	0.41 345	0.41 353

UDGNet	0.48 189	0.77 371	0.50 200	0.48 263	0.31 247	0.41 121	0.34 124	0.70 128	0.92 240	0.65 112	0.60 65	0.58 114	0.43 128	0.63 155	0.41 166	0.32 334	0.15 208	0.66 382	0.19 215	0.36 330	0.21 244

AF-Net	0.81 322	0.39 306	0.68 280	0.64 354	0.54 356	0.91 298	0.51 283	1.61 381	1.31 350	0.96 284	2.02 371	1.46 353	1.26 365	1.11 327	0.99 336	0.32 334	0.24 313	0.39 351	0.27 318	0.30 300	0.25 276

RGC	0.79 318	0.59 355	0.71 293	0.65 359	0.65 372	0.92 302	0.58 306	1.29 336	1.05 298	1.07 325	1.45 337	1.47 356	1.03 343	1.21 338	0.88 309	0.32 334	0.30 341	0.48 368	0.40 361	0.37 332	0.37 338

NVstereo2D	0.60 280	0.30 261	0.75 304	0.48 263	0.43 325	0.89 297	0.48 259	1.05 257	1.15 325	0.66 123	0.86 161	0.88 253	0.70 269	0.99 304	0.65 259	0.32 334	0.15 208	0.28 309	0.20 237	0.40 339	0.36 332

XPNet_ROB	0.70 297	0.35 285	0.68 280	0.52 315	0.40 307	0.79 270	0.85 360	1.16 292	0.94 252	1.33 355	1.15 280	1.38 347	0.83 308	1.03 314	0.90 322	0.32 334	0.25 321	0.26 290	0.24 294	0.31 305	0.28 294

RP	0.76 311	0.36 290	0.63 258	0.66 362	0.58 367	0.80 273	0.55 297	1.14 286	1.22 336	0.97 289	1.65 351	1.43 352	1.32 367	1.01 307	0.84 297	0.33 340	0.30 341	0.36 342	0.30 329	0.34 322	0.34 325

edge stereo	0.76 311	0.38 302	0.74 301	0.52 315	0.43 325	0.80 273	0.53 289	1.28 335	1.06 305	1.28 351	1.38 325	1.81 372	1.11 350	1.08 322	0.85 301	0.33 340	0.32 354	0.41 355	0.28 323	0.32 310	0.36 332

ADCS	1.51 383	0.61 359	3.42 401	0.59 342	0.51 350	1.27 354	1.08 379	1.59 379	1.81 381	1.91 383	1.66 353	1.51 362	1.42 372	1.94 387	8.60 417	0.33 340	0.32 354	0.33 335	0.36 350	0.44 350	0.42 354

AnyNet_C01	1.56 384	1.05 390	7.45 414	0.64 354	0.54 356	1.99 386	1.38 398	1.43 363	1.36 352	1.63 370	1.92 367	1.84 373	1.33 368	2.40 397	4.03 402	0.33 340	0.32 354	0.32 330	0.34 347	0.44 350	0.45 364

LSM	4.74 416	0.77 371	10.16 416	0.70 372	56.56 440	1.02 319	1.00 374	1.24 327	1.62 376	2.04 385	2.34 377	1.33 339	1.17 356	1.38 361	1.09 347	0.33 340	0.49 387	0.39 351	0.46 369	0.51 364	10.09 427

LALA_ROB	0.74 308	0.43 317	0.69 286	0.54 326	0.40 307	1.01 317	0.95 368	1.21 308	1.07 311	1.22 346	1.12 267	1.56 365	0.79 296	1.04 316	0.86 302	0.33 340	0.22 296	0.35 339	0.30 329	0.35 326	0.31 313

DGSMNet	0.76 311	0.55 350	1.29 365	0.58 339	0.62 370	0.94 303	0.70 338	1.26 331	1.11 318	0.83 220	1.24 300	1.00 281	0.71 273	1.03 314	0.81 293	0.34 346	0.29 338	0.41 355	0.40 361	0.57 375	0.55 380

DeepPrunerF	0.89 336	0.52 344	3.43 402	0.68 369	0.81 378	0.72 255	0.72 343	1.22 316	1.99 385	0.93 273	1.01 226	0.87 248	0.86 313	1.08 322	0.95 329	0.34 346	0.28 333	0.43 357	0.39 358	0.30 300	0.32 317

DPSNet	0.99 347	0.42 315	1.88 390	0.53 320	0.41 314	1.59 374	1.26 391	2.21 395	1.43 360	1.10 332	1.11 265	1.46 353	1.95 393	1.34 354	1.26 360	0.34 346	0.25 321	0.25 276	0.21 255	0.46 357	0.37 338

PWCDC_ROB	0.89 336	0.49 331	0.80 316	0.74 376	0.40 307	1.03 322	0.39 211	1.33 344	2.35 393	1.02 308	3.77 403	0.81 233	0.92 325	1.20 336	0.90 322	0.34 346	0.22 296	0.24 265	0.20 237	0.34 322	0.29 300

HBP-ISP	0.59 277	0.45 325	0.43 115	0.45 230	0.33 269	0.70 247	0.28 55	1.11 275	1.00 277	0.83 220	1.18 289	0.65 161	0.68 255	0.88 272	0.52 230	0.35 350	0.38 369	0.47 365	0.41 366	0.38 336	0.31 313

dad	0.58 270	0.50 335	0.64 263	0.43 194	0.30 230	0.59 200	0.36 159	0.78 165	1.25 343	1.01 306	1.17 287	1.15 319	0.53 171	0.68 192	0.50 215	0.35 350	0.23 306	0.37 346	0.21 255	0.29 291	0.20 231

MeshStereo	1.34 374	0.43 317	0.54 221	0.44 209	0.34 276	1.66 377	0.60 310	1.94 389	1.37 354	4.47 416	3.25 395	4.71 407	1.94 392	1.92 385	1.17 353	0.35 350	0.35 364	0.37 346	0.31 336	0.32 310	0.32 317
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
FINET	0.67 290	0.42 315	1.00 336	0.46 249	0.43 325	0.83 288	0.89 362	1.08 265	1.50 366	0.87 240	1.14 275	0.71 182	0.68 255	0.92 289	0.70 271	0.36 353	0.30 341	0.26 290	0.24 294	0.35 326	0.33 321

G-Net	0.95 344	0.46 327	1.04 338	0.64 354	0.48 344	2.12 389	0.64 320	1.01 242	0.87 214	1.75 375	2.82 393	1.30 331	1.64 383	1.06 317	0.96 331	0.36 353	0.29 338	0.35 339	0.25 303	0.45 354	0.42 354

CBMV_ROB	0.59 277	0.37 293	0.38 58	0.39 90	0.28 197	0.74 257	0.28 55	1.00 235	0.98 265	0.94 276	1.25 302	0.81 233	0.78 294	0.87 269	0.50 215	0.36 353	0.37 367	0.43 357	0.40 361	0.33 315	0.30 307

MFN_U_SF_DS_RVC	1.02 351	0.57 353	1.51 381	0.67 365	0.50 347	2.57 394	1.66 406	1.20 306	1.43 360	1.38 357	1.57 347	1.33 339	0.92 325	1.64 374	0.88 309	0.37 356	0.39 373	0.46 364	0.60 386	0.41 345	0.40 349

XQC	0.89 336	0.65 364	1.31 366	0.67 365	0.52 353	1.22 349	0.68 329	1.26 331	1.52 367	1.14 337	1.11 265	1.28 328	1.04 344	1.40 362	1.77 375	0.38 357	0.24 313	0.37 346	0.31 336	0.53 369	0.47 369

NOSS_ROB	0.57 264	0.39 306	0.39 75	0.44 209	0.30 230	0.73 256	0.54 293	1.03 249	1.08 314	0.67 124	0.87 165	0.76 215	0.57 192	0.77 234	0.47 209	0.38 357	0.38 369	0.44 360	0.42 367	0.37 332	0.34 325

MaskLacGwcNet_RVC	0.67 290	0.81 374	0.73 297	0.53 320	0.37 289	1.40 360	0.53 289	1.04 252	0.79 177	0.88 248	0.94 190	0.95 270	0.53 171	0.93 294	0.58 243	0.39 359	0.30 341	0.57 378	0.31 336	0.53 369	0.30 307

PVD	1.28 373	0.67 366	1.28 363	0.74 376	0.62 370	1.50 368	0.84 357	1.99 391	2.96 399	2.18 390	2.36 379	1.85 375	1.95 393	1.92 385	1.94 379	0.39 359	0.36 366	0.49 371	0.37 351	0.51 364	0.64 382

SAMSARA	1.07 358	0.65 364	1.19 356	1.06 389	0.90 381	1.76 382	1.76 410	1.46 365	1.44 362	1.51 361	1.16 285	2.00 379	1.14 352	1.48 363	1.31 364	0.39 359	0.44 383	0.35 339	0.38 354	0.49 361	0.49 374

CSAN	0.83 329	0.49 331	0.77 313	0.60 347	0.41 314	1.14 339	1.06 376	1.19 302	1.46 364	1.32 353	1.43 332	1.37 346	1.19 359	1.27 346	0.86 302	0.39 359	0.31 351	0.36 342	0.37 351	0.35 326	0.34 325

MFN_U_SF_RVC	1.09 360	0.59 355	1.97 391	0.67 365	0.44 332	1.93 385	0.60 310	1.85 388	1.36 352	1.61 367	1.54 345	1.95 378	1.37 369	1.64 374	1.73 372	0.40 363	0.37 367	0.45 361	0.48 374	0.44 350	0.44 360

BEATNet-Init1	15.13 426	0.82 377	50.86 443	0.72 375	0.53 354	38.10 437	7.03 423	11.83 427	14.25 424	29.78 441	30.17 441	48.21 444	22.64 434	26.78 435	18.11 425	0.42 364	0.38 369	0.47 365	0.46 369	0.51 364	0.48 371

WCMA_ROB	1.14 362	0.36 290	0.76 309	0.49 278	0.44 332	1.23 351	0.67 324	1.11 275	1.23 337	2.84 403	3.95 409	3.28 399	1.83 389	1.25 342	0.99 336	0.44 365	0.34 362	0.34 337	0.37 351	0.41 345	0.40 349

MSMD_ROB	1.21 369	0.49 331	0.62 250	0.59 342	0.50 347	1.62 376	0.67 324	1.23 320	1.24 339	2.45 396	3.77 403	3.09 396	2.98 408	1.32 351	0.81 293	0.45 366	0.41 376	0.49 371	0.51 381	0.47 359	0.44 360

FCDSN-DC	1.39 379	0.56 351	0.65 268	0.74 376	0.59 368	1.38 359	0.63 317	1.35 349	1.39 357	3.26 410	4.50 414	4.61 405	2.63 403	1.58 369	1.03 340	0.46 367	0.42 378	0.48 368	0.47 372	0.50 363	0.50 375
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
CC-Net-ROB	0.82 323	0.96 385	0.85 319	0.58 339	0.45 336	1.27 354	0.70 338	1.17 297	1.02 284	0.83 220	1.23 299	0.90 261	0.77 289	1.06 317	0.69 268	0.46 367	0.34 362	1.71 396	0.38 354	0.59 379	0.36 332

FC-DCNN	1.59 385	0.51 338	0.66 273	0.61 349	0.49 346	1.56 372	0.70 338	1.66 384	1.53 368	4.64 417	4.62 415	5.85 414	3.34 411	1.84 383	1.11 348	0.46 367	0.42 378	0.47 365	0.46 369	0.48 360	0.46 365

MSC_U_SF_DS_RVC	1.34 374	0.87 379	1.76 386	0.86 380	0.56 361	4.29 413	1.79 411	1.50 370	1.98 384	1.61 367	1.85 365	1.84 373	1.41 371	1.89 384	1.36 365	0.48 370	0.40 375	0.56 377	0.57 384	0.69 382	0.48 371

GANetREF_RVC	0.80 319	0.75 370	0.86 324	0.66 362	0.42 320	1.15 341	0.98 370	1.14 286	1.19 331	1.01 306	1.02 234	1.10 309	0.90 321	1.15 330	0.76 283	0.48 370	0.39 373	0.57 378	0.38 354	0.63 381	0.46 365
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
ccnet	0.82 323	0.57 353	0.75 304	0.54 326	0.59 368	1.09 333	0.66 322	1.38 355	0.94 252	1.12 334	1.44 334	1.29 329	0.92 325	0.95 303	1.24 358	0.49 372	0.42 378	0.50 373	0.47 372	0.51 364	0.46 365

MANE	4.13 413	0.51 338	0.64 263	0.66 362	0.56 361	6.89 419	0.99 372	7.55 421	12.04 419	6.68 421	8.57 423	10.69 423	9.45 421	7.59 421	6.39 413	0.49 372	0.43 381	0.48 368	0.98 401	0.49 361	0.48 371

PDISCO_ROB	0.91 340	0.48 328	1.06 340	0.99 384	0.97 386	1.67 379	0.63 317	1.64 383	1.59 372	1.06 322	1.18 289	1.31 332	0.79 296	1.55 365	0.97 332	0.49 372	0.22 296	0.45 361	0.40 361	0.45 354	0.37 338

SDNR	0.86 331	0.37 293	1.47 379	0.40 114	0.38 297	3.38 409	0.33 117	0.90 204	0.98 265	0.99 296	2.09 374	0.59 128	0.71 273	1.29 348	0.70 271	0.51 375	0.56 390	0.36 342	0.26 313	0.43 349	0.46 365

Anonymous_2	0.82 323	0.44 321	0.63 258	0.40 114	0.43 325	0.80 273	0.52 286	0.72 137	0.77 163	0.71 147	0.60 65	0.87 248	0.76 285	0.75 224	0.58 243	0.52 376	0.54 389	0.54 376	4.82 425	0.56 373	0.40 349

PASM	0.90 339	0.64 363	1.69 383	0.69 371	0.69 376	0.78 267	0.84 357	1.03 249	1.26 346	1.19 341	1.15 280	1.31 332	0.98 338	1.24 341	1.03 340	0.52 376	0.56 390	0.59 381	0.66 388	0.56 373	0.54 379

ELAS_RVC	1.60 386	0.61 359	1.01 337	0.70 372	0.56 361	2.00 387	1.89 413	1.96 390	2.65 396	3.33 411	3.26 396	3.03 393	3.41 412	2.49 399	2.09 383	0.52 376	0.45 384	0.50 373	0.48 374	0.54 371	0.52 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	1.63 388	0.61 359	0.95 330	0.68 369	0.55 358	3.01 407	1.55 404	2.39 397	2.33 392	3.64 413	3.89 407	2.75 391	2.90 407	2.15 393	2.27 390	0.52 376	0.45 384	0.50 373	0.48 374	0.54 371	0.52 377
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
UDG	0.88 334	0.82 377	0.67 277	1.00 386	0.96 385	1.02 319	0.57 305	1.13 280	0.99 270	0.90 259	0.97 215	1.31 332	0.99 339	0.85 266	0.84 297	0.54 380	0.32 354	1.77 397	0.40 361	0.94 387	0.66 384

STTRV1_RVC	0.82 323	0.59 355	1.16 349	0.67 365	0.81 378	1.11 334	0.63 317	1.30 339	1.11 318	0.98 293	1.33 314	1.08 305	0.95 334	1.26 343	0.87 306	0.55 381	0.25 321	0.43 357	0.39 358	0.58 378	0.40 349

DispFullNet	1.60 386	2.63 421	2.75 398	2.56 414	1.79 406	1.24 352	0.47 253	1.37 354	1.45 363	1.87 379	1.50 341	1.55 364	2.46 399	2.04 390	1.04 343	0.59 382	0.18 260	2.32 409	0.68 390	2.29 410	1.14 403

SQANet	0.82 323	0.74 369	0.67 277	1.13 390	0.98 388	1.11 334	0.47 253	1.07 261	0.83 190	0.91 264	1.05 246	1.03 291	0.74 280	1.01 307	0.64 258	0.61 383	0.24 313	1.03 390	0.35 349	1.18 394	0.58 381

Consistency-Raft	1.01 348	0.81 374	1.24 361	0.84 379	0.97 386	0.81 278	0.84 357	1.30 339	1.59 372	1.05 319	1.68 356	1.12 313	0.91 322	0.92 289	1.11 348	0.65 384	0.74 397	0.79 385	0.90 397	1.06 392	0.79 389

MADNet+	2.23 400	2.43 417	10.85 417	1.22 393	0.91 382	2.76 398	1.40 399	2.12 394	1.67 378	1.32 353	1.74 359	1.86 376	1.74 385	6.25 417	4.41 406	0.65 384	0.64 393	0.58 380	0.54 383	0.80 384	0.76 386

CAS	0.34 40	0.13 1	0.25 7	1.28 395	0.30 230	0.46 139	0.38 191	0.48 12	0.47 62	0.34 16	0.52 47	0.24 1	0.19 2	0.29 1	0.27 37	0.69 386	0.08 1	0.12 2	0.08 1	0.12 9	0.15 111

otaku	1.04 353	0.93 382	0.88 326	1.33 396	1.05 393	1.66 377	0.70 338	1.40 359	1.18 329	1.08 328	1.32 313	1.33 339	0.91 322	1.23 340	0.76 283	0.72 387	0.46 386	1.24 392	0.50 379	1.40 395	0.75 385

PMTNet	0.32 32	0.16 10	0.24 4	0.29 3	0.18 8	0.45 137	0.22 8	0.56 32	0.63 102	0.46 51	0.54 51	0.39 42	0.34 79	0.48 52	0.24 7	0.75 388	0.10 9	0.12 2	0.08 1	0.12 9	0.11 10

NVStereoNet_ROB	1.24 371	0.90 381	1.13 347	0.86 380	0.88 380	1.11 334	0.99 372	1.42 361	1.53 368	1.59 366	2.48 381	2.24 382	1.53 375	1.96 388	1.30 363	0.76 389	0.70 394	0.78 384	1.00 402	0.71 383	0.88 392
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
JetBlue	2.78 403	1.26 394	7.04 413	1.16 391	1.48 398	8.00 421	6.02 422	2.60 398	1.92 383	2.12 388	2.64 387	3.34 400	3.05 409	6.49 418	3.39 397	0.78 390	0.76 402	0.75 383	0.76 393	0.97 390	1.18 408

Ntro	1.09 360	0.97 388	0.91 328	1.44 397	1.19 395	1.69 380	0.80 352	1.35 349	1.25 343	1.00 301	1.29 309	1.31 332	0.97 337	1.26 343	0.84 297	0.84 391	0.43 381	1.36 393	0.50 379	1.56 396	0.78 387

DDUNet	1.06 356	2.56 420	0.68 280	1.21 392	1.26 396	1.03 322	0.69 333	1.11 275	0.94 252	0.96 284	1.22 295	1.27 326	0.82 304	0.93 294	0.72 277	0.84 391	0.38 369	1.99 400	0.60 386	1.10 393	0.85 391

MFMNet_re	1.14 362	0.97 388	1.19 356	0.99 384	0.95 384	1.25 353	1.22 387	1.39 356	1.55 370	1.69 374	1.67 355	1.21 321	1.53 375	1.12 328	0.99 336	0.87 393	0.75 401	0.79 385	0.75 392	0.90 385	0.94 394

anonymity	0.97 345	0.89 380	1.05 339	0.92 382	1.03 391	0.97 310	0.81 353	1.29 336	0.91 235	1.07 325	0.98 216	1.00 281	0.95 334	1.02 312	0.92 325	0.96 394	0.95 412	0.90 387	0.91 400	0.92 386	0.94 394

SPS-STEREO	1.25 372	0.93 382	1.06 340	1.04 388	1.03 391	1.41 362	0.91 365	1.51 373	1.19 331	2.09 387	1.83 363	1.94 377	1.39 370	1.62 371	1.39 366	0.97 395	0.94 411	0.90 387	0.89 396	0.96 389	0.96 397
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	1.35 376	0.94 384	1.25 362	0.96 383	1.00 390	1.52 370	1.02 375	1.34 346	1.21 334	2.64 398	2.65 388	2.44 386	1.56 378	1.64 374	1.26 360	0.97 395	0.95 412	0.90 387	0.90 397	0.94 387	0.96 397

WAO-7	1.90 392	1.20 393	1.35 370	1.27 394	1.06 394	2.84 401	1.56 405	3.23 405	3.06 403	2.23 391	3.33 400	3.17 397	2.28 398	3.12 402	2.21 385	1.02 397	0.91 407	1.06 391	1.03 405	1.04 391	0.97 400

ACVNet_2	1.65 389	1.27 395	1.41 377	1.75 400	1.62 400	2.22 390	1.20 384	2.30 396	2.62 395	1.78 377	2.56 383	3.03 393	1.61 380	1.54 364	1.12 351	1.06 398	0.58 392	1.82 398	0.70 391	1.82 400	0.96 397

WAO-8	2.92 404	1.55 403	1.35 370	1.79 401	1.63 402	5.23 415	1.22 387	4.58 416	12.56 421	2.84 403	4.07 411	4.83 408	2.72 405	3.49 406	2.25 388	1.27 399	0.91 407	1.99 400	1.15 410	1.86 401	1.15 404

Venus	2.92 404	1.55 403	1.35 370	1.79 401	1.63 402	5.23 415	1.22 387	4.58 416	12.56 421	2.84 403	4.06 410	4.83 408	2.72 405	3.49 406	2.25 388	1.27 399	0.91 407	1.99 400	1.15 410	1.86 401	1.15 404

Dean	1.98 394	1.36 398	1.36 374	2.12 407	1.81 407	2.74 396	1.36 397	3.37 409	3.80 409	2.08 386	3.32 399	3.21 398	1.82 387	1.71 378	1.67 370	1.27 399	0.77 403	1.99 400	0.90 397	1.86 401	1.03 401

ACVNet_1	1.46 381	1.33 397	1.12 346	1.91 405	1.62 400	1.83 383	0.98 370	2.00 392	1.85 382	1.39 358	1.53 344	2.32 384	1.53 375	1.34 354	1.11 348	1.30 402	0.50 388	2.06 406	0.58 385	1.93 406	0.95 396

ACVNet-4b	1.35 376	1.31 396	1.10 343	1.90 404	1.59 399	1.92 384	0.77 348	1.52 376	1.62 376	1.05 319	1.60 349	2.11 380	0.94 331	1.64 374	0.77 287	1.30 402	0.35 364	2.03 404	0.67 389	1.88 404	0.84 390

WAO-6	2.04 397	1.50 401	1.16 349	1.70 399	1.67 404	2.69 395	1.44 402	3.06 402	3.63 408	1.98 384	3.27 397	3.54 403	2.07 396	2.36 396	2.22 387	1.31 404	0.91 407	2.04 405	1.22 412	1.73 399	1.27 410

RainbowNet	1.35 376	1.49 400	1.19 356	1.88 403	1.45 397	1.48 367	1.07 378	1.61 381	1.55 370	1.20 344	1.59 348	1.54 363	1.13 351	1.34 354	0.97 332	1.36 405	0.70 394	1.82 398	0.79 394	1.71 398	1.07 402

IMH-64-1	1.86 390	1.62 405	1.16 349	2.20 408	1.89 408	2.33 391	1.30 392	2.89 400	2.29 390	1.66 371	2.80 391	2.49 387	1.61 380	2.10 391	1.78 376	1.60 406	0.74 397	2.43 410	1.02 403	2.12 407	1.17 406

IMH-64	1.86 390	1.62 405	1.16 349	2.20 408	1.89 408	2.33 391	1.30 392	2.89 400	2.29 390	1.66 371	2.80 391	2.49 387	1.61 380	2.10 391	1.78 376	1.60 406	0.74 397	2.43 410	1.02 403	2.12 407	1.17 406

PWCK	1.92 393	1.66 408	3.12 400	1.65 398	0.91 382	2.84 401	2.26 416	2.10 393	2.41 394	2.36 394	2.31 375	2.22 381	1.82 387	3.43 405	2.03 382	1.61 408	0.71 396	1.51 394	0.82 395	1.69 397	0.91 393

IMH	2.04 397	1.62 405	1.20 359	2.20 408	1.89 408	2.91 406	1.30 392	3.11 403	3.03 401	1.81 378	3.35 401	3.03 393	1.90 390	2.48 398	1.80 378	1.66 409	0.77 403	2.45 412	1.04 406	2.15 409	1.19 409

LVE	2.12 399	1.44 399	1.36 374	1.99 406	1.78 405	2.75 397	1.79 411	2.82 399	3.95 410	1.90 382	4.33 413	3.52 402	1.81 386	2.24 394	1.74 373	1.74 410	0.87 406	2.06 406	1.13 408	1.91 405	1.35 411

TorneroNet-64	3.44 407	1.86 409	1.42 378	2.58 415	2.28 413	6.87 418	1.68 407	4.70 418	12.03 418	2.31 393	5.59 419	8.25 419	2.55 402	3.97 411	2.73 392	1.81 411	0.74 397	2.57 414	1.07 407	2.35 411	1.44 412

TorneroNet	4.53 415	1.89 410	1.48 380	2.55 413	2.27 412	13.78 426	1.69 408	4.84 420	23.73 435	2.89 406	7.70 422	7.06 418	2.69 404	4.26 413	3.42 398	1.84 412	0.77 403	2.68 416	1.13 408	2.42 412	1.47 413

UNDER WATER-64	3.53 409	2.01 412	3.94 405	3.22 421	2.49 417	5.41 417	2.60 419	3.43 410	12.41 420	3.03 408	2.68 389	6.07 416	4.04 414	3.79 410	3.33 396	2.02 413	1.24 416	2.63 415	1.46 414	2.78 416	2.08 418

UNDER WATER	3.46 408	2.07 414	3.64 404	3.09 419	2.48 416	3.75 411	2.42 418	3.31 408	13.77 423	2.90 407	2.95 394	5.84 413	3.69 413	3.69 408	3.48 400	2.07 414	1.11 414	2.70 417	1.40 413	2.84 418	1.98 416

KSHMR	2.57 401	1.93 411	1.69 383	2.63 416	2.42 415	2.86 403	2.07 414	3.27 407	6.50 414	2.49 397	3.36 402	3.41 401	1.92 391	2.49 399	1.94 379	2.13 415	1.40 417	2.79 419	1.50 415	2.73 415	1.77 414

JetRed	5.27 418	5.84 424	12.81 421	2.36 411	2.83 420	12.23 425	10.50 424	4.46 415	3.60 406	3.86 414	3.83 405	4.85 410	4.18 415	6.78 419	11.96 420	2.17 416	2.96 423	2.18 408	1.97 417	3.38 422	2.68 421

notaker	2.76 402	2.29 416	1.80 388	2.96 418	2.58 419	2.90 405	1.75 409	3.24 406	3.05 402	2.78 401	4.24 412	6.15 417	2.51 401	3.34 404	2.75 393	2.31 417	1.18 415	3.00 420	1.65 416	2.84 418	1.97 415

DPSimNet_ROB	3.58 410	2.45 418	8.57 415	2.53 412	2.37 414	2.88 404	3.77 421	3.14 404	3.23 404	4.71 418	3.86 406	4.68 406	4.87 417	4.07 412	5.62 410	2.33 418	2.33 421	2.47 413	2.52 419	2.51 414	2.64 420

ktn	2.98 406	2.25 415	1.73 385	2.84 417	2.53 418	3.76 412	2.15 415	3.70 411	5.47 413	2.75 400	5.17 418	5.94 415	2.48 400	3.23 403	2.46 391	2.34 419	1.44 418	2.78 418	2.03 418	2.45 413	2.01 417

MADNet++	4.03 411	2.70 422	3.44 403	3.72 423	3.44 422	4.44 414	3.52 420	3.95 414	3.61 407	4.46 415	4.98 417	4.10 404	4.58 416	7.00 420	5.89 411	3.74 420	3.67 424	3.27 422	2.71 421	3.70 423	3.66 424

SPstereo	24.26 431	4.19 423	6.66 412	4.29 424	3.79 423	45.68 438	78.09 444	63.52 445	33.36 444	27.50 440	26.65 433	39.53 443	33.55 443	42.77 445	51.02 439	3.90 421	3.72 425	5.95 427	4.66 423	3.15 420	3.30 423

ASD4	9.96 423	8.86 427	17.78 423	7.17 425	9.80 424	16.08 427	28.92 429	9.77 425	8.20 417	7.02 422	7.08 421	8.47 420	9.57 422	11.17 425	20.26 426	4.12 422	4.14 426	5.57 426	4.74 424	5.53 424	4.90 426

HanzoNet	6.76 421	2.45 418	4.22 407	3.19 420	2.94 421	3.62 410	2.28 417	4.79 419	7.20 415	14.00 428	13.19 427	17.49 428	22.30 433	13.25 426	6.19 412	4.20 423	1.93 420	3.10 421	2.56 420	3.35 421	2.88 422

DGTPSM_ROB	12.07 424	8.00 425	20.99 424	8.93 427	16.78 426	10.67 422	30.87 430	9.01 423	15.16 425	6.50 419	15.41 431	9.04 421	14.85 424	9.25 422	21.67 428	4.57 424	8.57 427	5.08 424	9.28 427	5.90 426	10.95 428

DPSMNet_ROB	12.08 425	8.00 425	21.00 425	8.97 428	16.79 427	10.67 422	30.89 431	9.02 424	15.17 426	6.51 420	15.41 431	9.04 421	14.85 424	9.27 423	21.67 428	4.58 425	8.57 427	5.09 425	9.29 428	5.90 426	10.95 428

DLNR_Zeroshot_test	20.09 429	36.28 436	38.04 434	169.85 445	61.80 441	0.23 5	0.20 1	13.88 428	0.37 33	0.44 47	0.66 79	0.43 60	0.21 5	0.62 145	0.28 47	5.46 426	0.10 9	0.15 45	0.11 18	72.60 444	0.11 10

tt	6.20 419	0.20 74	5.89 410	3.55 422	2.07 411	11.26 424	19.21 425	11.74 426	5.46 412	2.69 399	2.04 373	4.87 411	6.25 418	3.70 409	7.09 416	8.32 427	11.17 432	4.93 423	5.41 426	5.74 425	2.37 419

PML	40.80 445	29.24 434	11.87 420	7.20 426	14.47 425	92.13 445	213.69 446	7.63 422	23.35 434	74.72 445	190.14 446	50.17 445	26.15 435	21.39 430	12.70 421	8.76 428	2.92 422	8.45 428	3.25 422	13.26 428	4.42 425

DPSM_ROB	17.78 427	18.63 429	24.31 431	20.90 430	19.47 428	25.97 430	36.21 433	21.23 434	16.24 428	13.38 426	14.06 429	19.18 431	16.30 427	20.78 428	25.67 431	9.38 429	9.23 430	9.49 429	9.82 429	13.51 429	11.91 431

DPSM	17.78 427	18.63 429	24.31 431	20.90 430	19.47 428	25.97 430	36.21 433	21.23 434	16.24 428	13.38 426	14.06 429	19.18 431	16.30 427	20.78 428	25.67 431	9.38 429	9.23 430	9.49 429	9.82 429	13.51 429	11.91 431

FADE	5.17 417	2.05 413	13.14 422	1.03 387	0.99 389	2.09 388	0.91 365	3.91 413	3.00 400	1.76 376	1.60 349	2.73 390	6.73 419	5.95 416	3.95 401	11.57 431	1.70 419	23.09 437	15.86 431	0.62 380	0.65 383

xxxxx1	36.64 439	19.51 431	24.21 428	61.66 442	64.63 442	27.28 433	40.10 435	20.25 429	18.63 431	14.07 429	12.97 424	17.26 425	17.36 429	21.70 431	27.93 433	13.18 432	18.50 435	111.26 443	133.37 443	29.24 437	39.73 440

tt_ll	36.64 439	19.51 431	24.21 428	61.66 442	64.63 442	27.28 433	40.10 435	20.25 429	18.63 431	14.07 429	12.97 424	17.26 425	17.36 429	21.70 431	27.93 433	13.18 432	18.50 435	111.26 443	133.37 443	29.24 437	39.73 440

ff	36.64 439	19.51 431	24.21 428	61.66 442	64.63 442	27.28 433	40.10 435	20.25 429	18.63 431	14.07 429	12.97 424	17.26 425	17.36 429	21.70 431	27.93 433	13.18 432	18.50 435	111.26 443	133.37 443	29.24 437	39.73 440

Anonymous_1	33.25 433	18.26 428	23.92 427	20.54 429	21.28 430	25.59 429	35.94 432	22.01 436	15.57 427	13.33 425	13.49 428	18.08 429	15.29 426	20.36 427	24.60 430	16.28 435	8.84 429	66.59 442	118.00 442	155.73 445	11.23 430

CasAABBNet	35.74 434	37.43 438	48.72 438	42.22 439	39.20 438	52.24 439	73.12 440	42.61 442	32.62 441	26.78 434	27.95 434	38.58 440	32.60 437	41.67 442	51.65 444	18.74 436	18.57 438	19.15 435	19.77 433	27.20 434	23.98 436

MyStereo03	35.77 435	37.55 440	48.75 439	42.19 436	39.18 435	52.27 440	73.13 441	42.32 439	32.61 437	27.03 437	28.40 438	38.50 437	32.89 438	41.62 439	51.63 441	18.78 437	18.59 440	19.11 431	19.80 434	27.18 431	23.95 433

MyStereo02	35.77 435	37.55 440	48.75 439	42.19 436	39.18 435	52.27 440	73.13 441	42.32 439	32.61 437	27.03 437	28.40 438	38.50 437	32.89 438	41.62 439	51.63 441	18.78 437	18.59 440	19.11 431	19.80 434	27.18 431	23.95 433

MyStereo	35.77 435	37.55 440	48.75 439	42.19 436	39.18 435	52.27 440	73.13 441	42.32 439	32.61 437	27.03 437	28.40 438	38.50 437	32.89 438	41.62 439	51.63 441	18.78 437	18.59 440	19.11 431	19.80 434	27.18 431	23.95 433

Selective-RAFT-Error	35.84 438	37.49 439	48.83 442	42.26 440	39.24 439	52.30 443	73.09 439	42.66 443	32.61 437	26.80 435	28.30 437	38.84 442	33.51 442	41.68 443	51.59 440	18.82 440	18.58 439	19.17 436	19.80 434	27.28 435	24.05 437

LSM0	38.95 444	37.60 443	48.58 437	43.57 441	91.06 445	52.57 444	72.57 438	43.17 444	32.63 442	26.97 436	27.97 435	38.65 441	32.94 441	41.86 444	51.78 445	18.89 441	18.41 434	19.13 434	19.63 432	27.29 436	33.77 439

LRCNet_RVC	21.24 430	31.15 435	21.41 426	28.98 433	23.82 431	3.13 408	0.60 310	20.96 433	1.59 372	25.58 433	28.15 436	21.99 433	14.79 423	21.94 434	16.41 424	28.89 442	14.87 433	33.53 438	31.28 438	29.51 440	26.16 438

HaxPig	31.96 432	37.24 437	34.27 433	24.37 432	24.88 432	18.26 428	19.86 426	20.64 432	28.52 436	35.97 442	38.75 442	25.57 434	28.72 436	33.88 436	34.39 436	35.94 443	38.87 443	37.80 439	40.48 439	39.68 441	41.15 443

AVERAGE_ROB	37.58 443	40.13 444	40.15 435	34.81 435	33.82 434	28.55 436	25.10 428	32.02 438	34.06 445	41.28 443	40.66 443	34.46 436	34.81 445	39.18 437	37.57 438	42.78 444	43.44 444	43.82 440	43.03 440	40.47 442	41.51 444

MEDIAN_ROB	37.38 442	40.85 445	40.60 436	32.31 434	31.85 433	27.20 432	24.55 427	29.10 437	33.19 443	42.09 444	41.76 444	33.35 435	34.39 444	39.78 438	37.07 437	43.64 445	44.10 445	44.12 441	43.40 441	41.51 443	42.76 445

test_example2	176.61 446	205.14 446	198.86 446	188.60 446	190.98 446	152.67 446	170.61 445	94.86 446	123.55 446	178.88 446	179.48 445	158.94 446	141.34 446	192.61 446	198.96 446	203.76 446	236.37 446	164.13 446	173.55 446	218.58 446	160.41 446

Low-res two-view benchmark