Low-res two-view results

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

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

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

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

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

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

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 117	0.06 2	0.08 23	0.12 21	0.13 11	0.07 1	0.08 6	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

IGEV+	0.08 2	0.06 19	0.10 45	0.16 69	0.06 2	0.09 35	0.13 43	0.12 4	0.14 59	0.09 16	0.09 23	0.06 3	0.05 2	0.12 103	0.09 19	0.06 56	0.04 2	0.05 2	0.04 8	0.06 101	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 304	0.14 157	0.13 43	0.14 17	0.09 2	0.07 2	0.09 23	0.07 18	0.08 51	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 19	0.08 23	0.15 116	0.11 1	0.10 7	0.08 6	0.09 23	0.06 3	0.09 69	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 48	0.10 58	0.13 43	0.12 4	0.09 2	0.09 16	0.10 39	0.08 26	0.06 7	0.09 10	0.08 11	0.08 194	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 19	0.09 35	0.14 70	0.11 1	0.09 2	0.08 6	0.09 23	0.11 77	0.06 7	0.12 103	0.08 11	0.06 56	0.04 2	0.05 2	0.03 1	0.05 40	0.05 52

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 58	0.12 21	0.11 1	0.16 89	0.06 1	0.05 1	0.07 18	0.05 2	0.10 18	0.11 88	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 117	0.06 2	0.10 58	0.14 70	0.12 4	0.10 7	0.09 16	0.12 64	0.09 39	0.06 7	0.11 47	0.10 51	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

test-3	0.08 2	0.06 19	0.09 28	0.17 117	0.07 19	0.07 16	0.14 70	0.12 4	0.15 71	0.09 16	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 117	0.07 19	0.07 16	0.14 70	0.12 4	0.15 71	0.09 16	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 19	0.09 35	0.12 21	0.14 17	0.14 59	0.10 42	0.14 83	0.08 26	0.07 33	0.09 10	0.11 88	0.06 56	0.04 2	0.05 2	0.05 32	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
MGS-Stereo	0.09 12	0.07 70	0.12 92	0.15 38	0.08 48	0.09 35	0.15 116	0.12 4	0.12 25	0.07 2	0.10 39	0.08 26	0.06 7	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

ff7	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

IGEVStereo-DCA	0.09 12	0.06 19	0.11 72	0.15 38	0.10 219	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.08 11	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

ffff	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

rrr	0.09 12	0.06 19	0.12 92	0.15 38	0.10 219	0.11 84	0.16 173	0.16 45	0.15 71	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.08 11	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

11t	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

StereoIM	0.09 12	0.09 193	0.08 11	0.17 117	0.09 133	0.13 133	0.10 6	0.16 45	0.16 89	0.09 16	0.11 56	0.06 3	0.06 7	0.09 10	0.13 160	0.07 144	0.06 193	0.07 100	0.05 32	0.05 40	0.04 7

IGEV_Zeroshot_test	0.09 12	0.05 6	0.12 92	0.13 6	0.08 48	0.12 107	0.13 43	0.17 75	0.11 17	0.10 42	0.06 2	0.09 39	0.06 7	0.11 47	0.09 19	0.06 56	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

MSKI-zero shot	0.09 12	0.05 6	0.09 28	0.15 38	0.07 19	0.10 58	0.13 43	0.14 17	0.13 42	0.09 16	0.09 23	0.09 39	0.06 7	0.12 103	0.10 51	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

MIF-Stereo	0.09 12	0.07 70	0.08 11	0.18 184	0.08 48	0.13 133	0.11 11	0.12 4	0.11 17	0.10 42	0.12 64	0.05 1	0.07 33	0.09 10	0.09 19	0.07 144	0.05 109	0.05 2	0.05 32	0.05 40	0.05 52

MIM_Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.07 19	0.06 2	0.12 21	0.20 126	0.14 59	0.13 107	0.13 74	0.09 39	0.05 2	0.12 103	0.08 11	0.05 2	0.06 193	0.07 100	0.06 88	0.06 101	0.05 52

CASnet	0.09 12	0.09 193	0.09 28	0.19 230	0.06 2	0.07 16	0.11 11	0.18 99	0.14 59	0.11 62	0.10 39	0.09 39	0.07 33	0.10 18	0.10 51	0.06 56	0.04 2	0.10 271	0.08 213	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
RAFT-Test	0.09 12	0.06 19	0.10 45	0.15 38	0.07 19	0.11 84	0.15 116	0.16 45	0.13 42	0.09 16	0.10 39	0.10 60	0.09 69	0.12 103	0.09 19	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

HH	0.09 12	0.06 19	0.13 131	0.17 117	0.08 48	0.10 58	0.16 173	0.14 17	0.10 7	0.08 6	0.09 23	0.08 26	0.07 33	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

HanStereo	0.09 12	0.06 19	0.13 131	0.17 117	0.08 48	0.10 58	0.16 173	0.14 17	0.10 7	0.08 6	0.09 23	0.08 26	0.07 33	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

4D-IteraStereo	0.09 12	0.07 70	0.10 45	0.18 184	0.07 19	0.09 35	0.15 116	0.17 75	0.15 71	0.10 42	0.11 56	0.10 60	0.07 33	0.11 47	0.09 19	0.05 2	0.03 1	0.08 164	0.07 163	0.06 101	0.05 52

anonymousdsp	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.09 16	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

LoS	0.09 12	0.05 6	0.11 72	0.13 6	0.07 19	0.14 157	0.11 11	0.15 29	0.15 71	0.09 16	0.09 23	0.12 92	0.09 69	0.15 169	0.10 51	0.07 144	0.05 109	0.05 2	0.03 1	0.05 40	0.05 52

ProNet	0.09 12	0.07 70	0.10 45	0.17 117	0.08 48	0.10 58	0.15 116	0.15 29	0.12 25	0.09 16	0.06 2	0.07 18	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.06 101

RCA-Stereo	0.09 12	0.06 19	0.09 28	0.16 69	0.06 2	0.09 35	0.13 43	0.18 99	0.14 59	0.09 16	0.10 39	0.08 26	0.07 33	0.12 103	0.11 88	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

CroCo-Stereo Lap2	0.09 12	0.09 193	0.08 11	0.22 309	0.09 133	0.09 35	0.19 265	0.16 45	0.12 25	0.09 16	0.10 39	0.05 1	0.05 2	0.08 6	0.08 11	0.06 56	0.06 193	0.07 100	0.05 32	0.05 40	0.05 52

ccc-4	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

IGEV-Stereo	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.09 16	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 12	0.05 6	0.13 131	0.14 13	0.08 48	0.12 107	0.15 116	0.18 99	0.10 7	0.11 62	0.08 17	0.08 26	0.05 2	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

TRStereo	0.09 12	0.05 6	0.12 92	0.15 38	0.12 286	0.10 58	0.13 43	0.18 99	0.18 118	0.09 16	0.09 23	0.09 39	0.06 7	0.10 18	0.08 11	0.07 144	0.05 109	0.07 100	0.07 163	0.04 1	0.04 7

AnonymousM	0.09 12	0.05 6	0.10 45	0.14 13	0.06 2	0.09 35	0.13 43	0.19 119	0.14 59	0.13 107	0.11 56	0.09 39	0.08 51	0.13 136	0.10 51	0.08 194	0.05 109	0.08 164	0.05 32	0.05 40	0.05 52

CroCo-Stereo	0.09 12	0.08 142	0.08 11	0.22 309	0.09 133	0.09 35	0.19 265	0.15 29	0.12 25	0.07 2	0.07 14	0.08 26	0.06 7	0.08 6	0.07 1	0.07 144	0.05 109	0.06 32	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
s12784h	0.09 12	0.06 19	0.07 2	0.15 38	0.05 1	0.16 203	0.18 234	0.15 29	0.15 71	0.10 42	0.11 56	0.11 77	0.11 112	0.10 18	0.12 130	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

TANstereo	0.09 12	0.04 1	0.08 11	0.13 6	0.06 2	0.11 84	0.14 70	0.15 29	0.19 130	0.11 62	0.15 97	0.10 60	0.06 7	0.12 103	0.09 19	0.07 144	0.05 109	0.05 2	0.04 8	0.06 101	0.05 52

XX-TBD	0.09 12	0.06 19	0.07 2	0.14 13	0.07 19	0.12 107	0.16 173	0.14 17	0.13 42	0.11 62	0.12 64	0.09 39	0.08 51	0.10 18	0.10 51	0.06 56	0.04 2	0.05 2	0.03 1	0.06 101	0.05 52

raftrobust	0.09 12	0.06 19	0.10 45	0.17 117	0.08 48	0.09 35	0.10 6	0.18 99	0.16 89	0.10 42	0.09 23	0.12 92	0.07 33	0.12 103	0.10 51	0.08 194	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

XX-Stereo	0.09 12	0.05 6	0.08 11	0.17 117	0.09 133	0.15 179	0.12 21	0.20 126	0.10 7	0.10 42	0.14 83	0.07 18	0.06 7	0.12 103	0.08 11	0.06 56	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

test_xeample3	0.09 12	0.06 19	0.12 92	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.13 42	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

RAFT-Stereo + iAFF	0.09 12	0.06 19	0.10 45	0.17 117	0.06 2	0.10 58	0.16 173	0.17 75	0.14 59	0.09 16	0.10 39	0.08 26	0.09 69	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.03 1

AFF-stereo	0.09 12	0.06 19	0.10 45	0.17 117	0.07 19	0.10 58	0.16 173	0.17 75	0.09 2	0.10 42	0.12 64	0.09 39	0.09 69	0.12 103	0.09 19	0.05 2	0.04 2	0.07 100	0.07 163	0.04 1	0.03 1

EAI-Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.06 2	0.10 58	0.15 116	0.16 45	0.09 2	0.08 6	0.09 23	0.08 26	0.07 33	0.09 10	0.11 88	0.05 2	0.04 2	0.05 2	0.05 32	0.05 40	0.04 7

CFNet-RSSM	0.09 12	0.07 70	0.09 28	0.16 69	0.07 19	0.09 35	0.15 116	0.16 45	0.17 101	0.08 6	0.12 64	0.10 60	0.09 69	0.11 47	0.09 19	0.06 56	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

Gwc-CoAtRS	0.09 12	0.06 19	0.10 45	0.16 69	0.07 19	0.10 58	0.14 70	0.17 75	0.17 101	0.08 6	0.10 39	0.12 92	0.09 69	0.12 103	0.09 19	0.06 56	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

CREStereo	0.09 12	0.04 1	0.08 11	0.11 1	0.06 2	0.13 133	0.14 70	0.14 17	0.10 7	0.08 6	0.13 74	0.09 39	0.08 51	0.11 47	0.10 51	0.08 194	0.04 2	0.05 2	0.03 1	0.06 101	0.06 101
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 12	0.05 6	0.09 28	0.12 3	0.06 2	0.12 107	0.14 70	0.15 29	0.11 17	0.09 16	0.13 74	0.10 60	0.07 33	0.13 136	0.10 51	0.15 349	0.04 2	0.05 2	0.03 1	0.07 158	0.06 101

H2IRNET	0.10 52	0.09 193	0.09 28	0.18 184	0.09 133	0.12 107	0.15 116	0.14 17	0.21 164	0.10 42	0.10 39	0.10 60	0.10 90	0.10 18	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.06 101	0.05 52

Former-RAFT_DAM_RVC	0.10 52	0.08 142	0.12 92	0.16 69	0.08 48	0.15 179	0.16 173	0.18 99	0.18 118	0.10 42	0.09 23	0.09 39	0.08 51	0.11 47	0.12 130	0.07 144	0.05 109	0.08 164	0.06 88	0.07 158	0.06 101

MyStereo07	0.10 52	0.07 70	0.10 45	0.17 117	0.09 133	0.14 157	0.18 234	0.15 29	0.15 71	0.09 16	0.06 2	0.06 3	0.07 33	0.12 103	0.09 19	0.06 56	0.05 109	0.08 164	0.07 163	0.06 101	0.06 101

MyStereo06	0.10 52	0.07 70	0.12 92	0.17 117	0.09 133	0.13 133	0.18 234	0.19 119	0.12 25	0.12 86	0.08 17	0.07 18	0.07 33	0.11 47	0.09 19	0.06 56	0.05 109	0.07 100	0.07 163	0.06 101	0.06 101

AE-Stereo	0.10 52	0.08 142	0.10 45	0.18 184	0.09 133	0.10 58	0.15 116	0.14 17	0.19 130	0.09 16	0.14 83	0.12 92	0.08 51	0.11 47	0.10 51	0.05 2	0.06 193	0.07 100	0.06 88	0.05 40	0.04 7

ACVNet-DCA	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.23 176	0.16 89	0.09 16	0.09 23	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.07 158	0.07 161

cc1	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.16 45	0.18 118	0.09 16	0.09 23	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.06 101

tt1	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.12 107	0.16 173	0.15 29	0.19 130	0.09 16	0.08 17	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.06 101

test croco	0.10 52	0.08 142	0.10 45	0.19 230	0.09 133	0.10 58	0.15 116	0.14 17	0.13 42	0.13 107	0.15 97	0.09 39	0.12 141	0.13 136	0.12 130	0.07 144	0.05 109	0.09 230	0.06 88	0.06 101	0.06 101

Any-RAFT	0.10 52	0.05 6	0.09 28	0.14 13	0.07 19	0.13 133	0.14 70	0.21 143	0.15 71	0.11 62	0.12 64	0.12 92	0.09 69	0.12 103	0.09 19	0.07 144	0.04 2	0.05 2	0.04 8	0.06 101	0.05 52

LL-Strereo2	0.10 52	0.10 241	0.15 194	0.18 184	0.08 48	0.15 179	0.09 3	0.17 75	0.14 59	0.14 127	0.10 39	0.09 39	0.07 33	0.16 201	0.10 51	0.05 2	0.05 109	0.10 271	0.07 163	0.06 101	0.05 52

DCANet-4	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.18 99	0.19 130	0.13 107	0.16 105	0.09 39	0.14 196	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

fff	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

ADStereo(finetuned)	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.12 141	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

test_4	0.10 52	0.10 241	0.08 11	0.19 230	0.09 133	0.08 23	0.22 306	0.15 29	0.17 101	0.12 86	0.18 145	0.12 92	0.09 69	0.08 6	0.11 88	0.04 1	0.04 2	0.08 164	0.08 213	0.04 1	0.03 1

IPLG	0.10 52	0.07 70	0.15 194	0.17 117	0.08 48	0.11 84	0.14 70	0.20 126	0.15 71	0.12 86	0.17 123	0.07 18	0.07 33	0.14 151	0.13 160	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

test_3	0.10 52	0.09 193	0.10 45	0.20 272	0.08 48	0.13 133	0.26 345	0.14 17	0.21 164	0.10 42	0.10 39	0.09 39	0.09 69	0.08 6	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.04 1	0.04 7

STrans-v2	0.10 52	0.07 70	0.12 92	0.18 184	0.07 19	0.10 58	0.14 70	0.21 143	0.11 17	0.11 62	0.15 97	0.12 92	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.04 7

TransformOpticalFlow	0.10 52	0.08 142	0.13 131	0.18 184	0.07 19	0.09 35	0.15 116	0.19 119	0.15 71	0.12 86	0.17 123	0.11 77	0.11 112	0.11 47	0.10 51	0.05 2	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

SST-Stereo	0.10 52	0.07 70	0.15 194	0.18 184	0.09 133	0.06 2	0.12 21	0.17 75	0.11 17	0.15 151	0.17 123	0.13 115	0.12 141	0.10 18	0.11 88	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

cross-raft	0.10 52	0.09 193	0.09 28	0.19 230	0.07 19	0.11 84	0.25 339	0.13 11	0.15 71	0.08 6	0.11 56	0.12 92	0.10 90	0.09 10	0.11 88	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

test-1	0.10 52	0.07 70	0.16 224	0.19 230	0.08 48	0.11 84	0.24 325	0.14 17	0.18 118	0.09 16	0.07 14	0.09 39	0.08 51	0.07 1	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

iRaftStereo_RVC	0.10 52	0.07 70	0.09 28	0.17 117	0.09 133	0.11 84	0.17 194	0.18 99	0.12 25	0.09 16	0.12 64	0.10 60	0.07 33	0.11 47	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.04 1	0.04 7

RALCasStereoNet	0.10 52	0.06 19	0.09 28	0.16 69	0.08 48	0.12 107	0.14 70	0.17 75	0.11 17	0.12 86	0.17 123	0.14 130	0.10 90	0.12 103	0.11 88	0.07 144	0.06 193	0.06 32	0.05 32	0.08 202	0.07 161

DCANet	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

cscssc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

111	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.10 58	0.14 70	0.21 143	0.23 185	0.11 62	0.12 64	0.14 130	0.11 112	0.13 136	0.10 51	0.06 56	0.04 2	0.06 32	0.04 8	0.05 40	0.05 52

R-Stereo Train	0.10 52	0.06 19	0.10 45	0.17 117	0.08 48	0.11 84	0.14 70	0.23 176	0.11 17	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

RAFT-Stereo	0.10 52	0.06 19	0.10 45	0.17 117	0.08 48	0.11 84	0.14 70	0.23 176	0.11 17	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 52	0.06 19	0.12 92	0.14 13	0.06 2	0.11 84	0.10 6	0.18 99	0.18 118	0.13 107	0.16 105	0.14 130	0.11 112	0.15 169	0.13 160	0.06 56	0.04 2	0.04 1	0.04 8	0.06 101	0.05 52
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
xx1	0.11 83	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.16 45	0.18 118	0.09 16	0.09 23	0.16 165	0.16 229	0.10 18	0.07 1	0.06 56	0.04 2	0.08 164	0.08 213	0.07 158	0.07 161

1test111	0.11 83	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.23 176	0.16 89	0.09 16	0.09 23	0.06 3	0.06 7	0.15 169	0.16 226	0.06 56	0.04 2	0.06 32	0.05 32	0.07 158	0.07 161

MIF-Stereo (partial)	0.11 83	0.06 19	0.10 45	0.19 230	0.10 219	0.10 58	0.11 11	0.17 75	0.18 118	0.14 127	0.16 105	0.09 39	0.11 112	0.12 103	0.12 130	0.08 194	0.05 109	0.08 164	0.07 163	0.06 101	0.07 161

EKT-Stereo	0.11 83	0.07 70	0.14 157	0.15 38	0.10 219	0.13 133	0.14 70	0.18 99	0.21 164	0.11 62	0.08 17	0.12 92	0.09 69	0.11 47	0.12 130	0.08 194	0.06 193	0.07 100	0.06 88	0.08 202	0.07 161

anonymousdsp2	0.11 83	0.07 70	0.10 45	0.16 69	0.09 133	0.13 133	0.14 70	0.18 99	0.22 176	0.13 107	0.14 83	0.12 92	0.09 69	0.14 151	0.11 88	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 52

DCRE	0.11 83	0.07 70	0.13 131	0.16 69	0.11 257	0.11 84	0.17 194	0.18 99	0.17 101	0.11 62	0.18 145	0.10 60	0.10 90	0.15 169	0.11 88	0.06 56	0.05 109	0.06 32	0.06 88	0.05 40	0.04 7

knoymous	0.11 83	0.05 6	0.12 92	0.13 6	0.07 19	0.15 179	0.14 70	0.19 119	0.13 42	0.11 62	0.17 123	0.13 115	0.09 69	0.13 136	0.11 88	0.08 194	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

riskmin	0.11 83	0.06 19	0.13 131	0.14 13	0.08 48	0.14 157	0.14 70	0.18 99	0.14 59	0.11 62	0.14 83	0.16 165	0.11 112	0.14 151	0.12 130	0.09 239	0.05 109	0.07 100	0.05 32	0.08 202	0.08 221

Selective-RAFT	0.11 83	0.10 241	0.11 72	0.21 296	0.08 48	0.16 203	0.13 43	0.20 126	0.22 176	0.10 42	0.10 39	0.11 77	0.10 90	0.15 169	0.11 88	0.05 2	0.05 109	0.06 32	0.05 32	0.06 101	0.05 52

DisPM	0.11 83	0.07 70	0.12 92	0.16 69	0.09 133	0.06 2	0.13 43	0.17 75	0.17 101	0.14 127	0.20 162	0.12 92	0.10 90	0.11 47	0.10 51	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.11 296

CIPLG	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.15 71	0.14 127	0.11 56	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

GLC_STEREO	0.11 83	0.07 70	0.11 72	0.17 117	0.07 19	0.09 35	0.13 43	0.15 29	0.24 195	0.12 86	0.13 74	0.12 92	0.08 51	0.18 234	0.11 88	0.06 56	0.08 272	0.08 164	0.06 88	0.05 40	0.05 52

IPLGR_C	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.15 71	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

MIPNet	0.11 83	0.08 142	0.14 157	0.17 117	0.09 133	0.12 107	0.14 70	0.20 126	0.24 195	0.11 62	0.10 39	0.09 39	0.07 33	0.13 136	0.12 130	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

IPLGR	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.12 107	0.17 194	0.21 143	0.24 195	0.11 62	0.12 64	0.11 77	0.08 51	0.12 103	0.12 130	0.06 56	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

GMOStereo	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

error version	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test-v	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

ACRE	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.14 59	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

PFNet+	0.11 83	0.06 19	0.13 131	0.16 69	0.09 133	0.05 1	0.12 21	0.17 75	0.21 164	0.16 176	0.19 151	0.14 130	0.10 90	0.11 47	0.11 88	0.08 194	0.05 109	0.09 230	0.08 213	0.06 101	0.11 296

LCNet	0.11 83	0.07 70	0.09 28	0.19 230	0.09 133	0.08 23	0.15 116	0.21 143	0.15 71	0.11 62	0.15 97	0.16 165	0.11 112	0.12 103	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.06 101	0.15 346

HHNet	0.11 83	0.06 19	0.16 224	0.15 38	0.14 321	0.07 16	0.13 43	0.20 126	0.17 101	0.14 127	0.25 229	0.11 77	0.08 51	0.13 136	0.10 51	0.05 2	0.04 2	0.08 164	0.06 88	0.05 40	0.09 254

Patchmatch Stereo++	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
AAGNet	0.11 83	0.07 70	0.16 224	0.19 230	0.09 133	0.08 23	0.13 43	0.18 99	0.13 42	0.16 176	0.21 176	0.13 115	0.14 196	0.11 47	0.14 188	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

OMP-Stereo	0.11 83	0.06 19	0.14 157	0.18 184	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.13 107	0.14 83	0.11 77	0.12 141	0.11 47	0.13 160	0.06 56	0.04 2	0.07 100	0.06 88	0.05 40	0.04 7

IIG-Stereo	0.11 83	0.06 19	0.13 131	0.17 117	0.08 48	0.11 84	0.12 21	0.22 159	0.17 101	0.14 127	0.17 123	0.11 77	0.12 141	0.12 103	0.12 130	0.06 56	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

NF-Stereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

OCTAStereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

NRIStereo	0.11 83	0.08 142	0.14 157	0.18 184	0.08 48	0.10 58	0.14 70	0.16 45	0.15 71	0.12 86	0.14 83	0.13 115	0.12 141	0.13 136	0.10 51	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.07 161

PSM-adaLoss	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

PSM-AAD	0.11 83	0.07 70	0.10 45	0.19 230	0.09 133	0.10 58	0.15 116	0.20 126	0.13 42	0.12 86	0.14 83	0.18 195	0.11 112	0.11 47	0.10 51	0.05 2	0.05 109	0.09 230	0.08 213	0.06 101	0.14 338

ROB_FTStereo_v2	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

ROB_FTStereo	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

KYRaft	0.11 83	0.07 70	0.10 45	0.19 230	0.09 133	0.08 23	0.15 116	0.22 159	0.12 25	0.13 107	0.16 105	0.20 214	0.10 90	0.12 103	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.06 101	0.16 357

HUI-Stereo	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

ASMatch	0.11 83	0.06 19	0.13 131	0.16 69	0.10 219	0.07 16	0.14 70	0.17 75	0.17 101	0.12 86	0.16 105	0.16 165	0.10 90	0.13 136	0.10 51	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.08 221

RAFT_R40	0.11 83	0.07 70	0.14 157	0.18 184	0.09 133	0.06 2	0.13 43	0.17 75	0.16 89	0.14 127	0.18 145	0.15 154	0.12 141	0.10 18	0.11 88	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

GrayStereo	0.11 83	0.06 19	0.11 72	0.19 230	0.09 133	0.09 35	0.16 173	0.18 99	0.17 101	0.14 127	0.17 123	0.17 184	0.11 112	0.12 103	0.11 88	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.10 273

RE-Stereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

Pruner-Stereo	0.11 83	0.07 70	0.12 92	0.17 117	0.09 133	0.06 2	0.12 21	0.17 75	0.17 101	0.13 107	0.19 151	0.13 115	0.09 69	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.08 221

TVStereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

DeepStereo_RVC	0.11 83	0.08 142	0.16 224	0.18 184	0.08 48	0.08 23	0.12 21	0.17 75	0.12 25	0.13 107	0.14 83	0.12 92	0.12 141	0.12 103	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.07 158	0.08 221

iGMRVC	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

RAFT-RH_RVC	0.11 83	0.06 19	0.14 157	0.16 69	0.09 133	0.12 107	0.12 21	0.17 75	0.12 25	0.13 107	0.41 345	0.11 77	0.10 90	0.13 136	0.12 130	0.05 2	0.04 2	0.08 164	0.05 32	0.04 1	0.06 101

RAFT-345	0.11 83	0.07 70	0.15 194	0.16 69	0.08 48	0.08 23	0.12 21	0.15 29	0.10 7	0.11 62	0.36 311	0.09 39	0.09 69	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.06 88	0.04 1	0.05 52

iRAFT	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

CRE-IMP	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.10 58	0.12 21	0.18 99	0.10 7	0.14 127	0.13 74	0.13 115	0.12 141	0.12 103	0.11 88	0.07 144	0.04 2	0.08 164	0.06 88	0.08 202	0.08 221

test-2	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 357	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

GMM-Stereo	0.11 83	0.07 70	0.10 45	0.18 184	0.09 133	0.08 23	0.15 116	0.23 176	0.16 89	0.11 62	0.15 97	0.13 115	0.11 112	0.11 47	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.06 101	0.09 254

RAFT-IKP	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

Prome-Stereo	0.11 83	0.06 19	0.10 45	0.18 184	0.08 48	0.12 107	0.15 116	0.22 159	0.13 42	0.12 86	0.17 123	0.13 115	0.08 51	0.12 103	0.10 51	0.05 2	0.04 2	0.07 100	0.06 88	0.06 101	0.09 254

rafts_anoy	0.11 83	0.06 19	0.10 45	0.17 117	0.08 48	0.10 58	0.14 70	0.17 75	0.14 59	0.13 107	0.13 74	0.12 92	0.10 90	0.11 47	0.12 130	0.07 144	0.04 2	0.09 230	0.11 309	0.07 158	0.06 101

raft+_RVC	0.11 83	0.07 70	0.09 28	0.16 69	0.07 19	0.10 58	0.11 11	0.24 194	0.20 151	0.12 86	0.15 97	0.12 92	0.08 51	0.12 103	0.13 160	0.07 144	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

RALAANet	0.11 83	0.08 142	0.10 45	0.17 117	0.09 133	0.14 157	0.10 6	0.20 126	0.15 71	0.14 127	0.13 74	0.16 165	0.09 69	0.12 103	0.11 88	0.06 56	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

DIP-Stereo	0.11 83	0.07 70	0.14 157	0.17 117	0.09 133	0.13 133	0.09 3	0.16 45	0.16 89	0.11 62	0.16 105	0.14 130	0.12 141	0.15 169	0.13 160	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MyStereo8	0.12 138	0.07 70	0.15 194	0.15 38	0.09 133	0.18 237	0.14 70	0.19 119	0.22 176	0.12 86	0.18 145	0.11 77	0.10 90	0.16 201	0.18 251	0.07 144	0.05 109	0.07 100	0.05 32	0.08 202	0.09 254

CoDeX	0.12 138	0.07 70	0.12 92	0.17 117	0.08 48	0.12 107	0.15 116	0.23 176	0.27 234	0.13 107	0.17 123	0.16 165	0.11 112	0.14 151	0.11 88	0.07 144	0.05 109	0.07 100	0.06 88	0.06 101	0.05 52

11t1	0.12 138	0.06 19	0.13 131	0.14 13	0.08 48	0.17 222	0.15 116	0.18 99	0.15 71	0.15 151	0.15 97	0.16 165	0.16 229	0.15 169	0.13 160	0.08 194	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

ffm	0.12 138	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.10 18	0.07 1	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

RAFT_CTSACE	0.12 138	0.09 193	0.10 45	0.22 309	0.08 48	0.12 107	0.24 325	0.18 99	0.16 89	0.20 245	0.27 251	0.13 115	0.07 33	0.13 136	0.09 19	0.05 2	0.06 193	0.08 164	0.07 163	0.04 1	0.04 7

Sa-1000	0.12 138	0.08 142	0.08 11	0.18 184	0.08 48	0.14 157	0.22 306	0.22 159	0.18 118	0.15 151	0.20 162	0.17 184	0.11 112	0.10 18	0.10 51	0.06 56	0.05 109	0.09 230	0.09 254	0.05 40	0.05 52

SA	0.12 138	0.09 193	0.08 11	0.18 184	0.08 48	0.12 107	0.24 325	0.23 176	0.18 118	0.17 188	0.27 251	0.14 130	0.11 112	0.11 47	0.11 88	0.05 2	0.05 109	0.09 230	0.08 213	0.05 40	0.04 7

iRaft-Stereo_5w	0.12 138	0.09 193	0.12 92	0.19 230	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.19 228	0.14 83	0.11 77	0.09 69	0.20 264	0.16 226	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.06 101

CrosDoStereo	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 107	0.15 116	0.17 75	0.22 176	0.19 228	0.24 200	0.15 154	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

PSM-softLoss	0.12 138	0.07 70	0.15 194	0.17 117	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 164	0.07 163	0.06 101	0.12 307

KMStereo	0.12 138	0.07 70	0.15 194	0.17 117	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 164	0.07 163	0.06 101	0.12 307

FTStereo	0.12 138	0.06 19	0.14 157	0.18 184	0.09 133	0.07 16	0.15 116	0.21 143	0.18 118	0.12 86	0.24 200	0.12 92	0.12 141	0.13 136	0.13 160	0.05 2	0.05 109	0.07 100	0.06 88	0.06 101	0.10 273

DeepStereo_LL	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 107	0.15 116	0.17 75	0.22 176	0.19 228	0.24 200	0.15 154	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

DEmStereo	0.12 138	0.06 19	0.14 157	0.14 13	0.10 219	0.16 203	0.15 116	0.16 45	0.24 195	0.17 188	0.24 200	0.13 115	0.14 196	0.12 103	0.13 160	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

THIR-Stereo	0.12 138	0.07 70	0.11 72	0.15 38	0.08 48	0.14 157	0.16 173	0.17 75	0.25 214	0.16 176	0.24 200	0.14 130	0.12 141	0.12 103	0.14 188	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

DRaft	0.12 138	0.06 19	0.11 72	0.14 13	0.09 133	0.14 157	0.17 194	0.21 143	0.30 260	0.17 188	0.28 260	0.10 60	0.15 209	0.10 18	0.12 130	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

PFNet	0.12 138	0.06 19	0.17 249	0.17 117	0.08 48	0.09 35	0.15 116	0.26 219	0.20 151	0.16 176	0.16 105	0.14 130	0.11 112	0.12 103	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

IRAFT_RVC	0.12 138	0.08 142	0.16 224	0.19 230	0.08 48	0.07 16	0.15 116	0.24 194	0.23 185	0.14 127	0.14 83	0.15 154	0.12 141	0.12 103	0.10 51	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.06 101

sCroCo_RVC	0.12 138	0.09 193	0.23 303	0.24 333	0.11 257	0.19 257	0.14 70	0.17 75	0.14 59	0.10 42	0.13 74	0.12 92	0.07 33	0.14 151	0.11 88	0.08 194	0.08 272	0.08 164	0.08 213	0.05 40	0.07 161

ARAFT	0.12 138	0.08 142	0.17 249	0.19 230	0.09 133	0.14 157	0.18 234	0.20 126	0.12 25	0.12 86	0.13 74	0.14 130	0.11 112	0.15 169	0.12 130	0.06 56	0.05 109	0.10 271	0.09 254	0.05 40	0.04 7

BEATNet_4x	0.12 138	0.08 142	0.14 157	0.18 184	0.07 19	0.15 179	0.07 1	0.22 159	0.18 118	0.16 176	0.19 151	0.18 195	0.14 196	0.16 201	0.15 211	0.07 144	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

MLCV	0.12 138	0.07 70	0.16 224	0.18 184	0.06 2	0.15 179	0.17 194	0.19 119	0.21 164	0.18 215	0.25 229	0.17 184	0.13 173	0.14 151	0.13 160	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

qqq1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 194	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

fff1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 194	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

MyStereo05	0.13 160	0.07 70	0.10 45	0.17 117	0.09 133	0.13 133	0.18 234	0.27 237	0.35 296	0.17 188	0.14 83	0.15 154	0.11 112	0.15 169	0.13 160	0.06 56	0.05 109	0.07 100	0.07 163	0.06 101	0.06 101

MyStereo04	0.13 160	0.07 70	0.10 45	0.17 117	0.09 133	0.14 157	0.18 234	0.29 261	0.38 312	0.17 188	0.14 83	0.16 165	0.10 90	0.15 169	0.13 160	0.06 56	0.05 109	0.08 164	0.07 163	0.06 101	0.06 101

DualNet	0.13 160	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.10 18	0.20 266	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

ff1	0.13 160	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

StereoVision	0.13 160	0.12 275	0.09 28	0.24 333	0.10 219	0.15 179	0.21 296	0.21 143	0.20 151	0.12 86	0.24 200	0.10 60	0.10 90	0.16 201	0.10 51	0.09 239	0.11 323	0.12 313	0.12 327	0.06 101	0.05 52

LL-Strereo	0.13 160	0.09 193	0.11 72	0.20 272	0.10 219	0.11 84	0.18 234	0.32 290	0.24 195	0.15 151	0.15 97	0.14 130	0.13 173	0.19 245	0.11 88	0.06 56	0.04 2	0.09 230	0.08 213	0.04 1	0.05 52

CASS	0.13 160	0.12 275	0.11 72	0.23 328	0.09 133	0.15 179	0.17 194	0.18 99	0.19 130	0.17 188	0.18 145	0.15 154	0.15 209	0.14 151	0.14 188	0.09 239	0.06 193	0.10 271	0.08 213	0.09 250	0.07 161
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 160	0.07 70	0.13 131	0.18 184	0.09 133	0.13 133	0.17 194	0.19 119	0.29 252	0.15 151	0.24 200	0.15 154	0.14 196	0.14 151	0.14 188	0.07 144	0.05 109	0.07 100	0.09 254	0.05 40	0.06 101

TestStereo1	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 365	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 56	0.06 193	0.08 164	0.06 88	0.05 40	0.05 52

qqq	0.13 160	0.09 193	0.15 194	0.16 69	0.08 48	0.13 133	0.15 116	0.23 176	0.16 89	0.15 151	0.19 151	0.16 165	0.16 229	0.15 169	0.16 226	0.07 144	0.06 193	0.08 164	0.08 213	0.07 158	0.07 161

x	0.13 160	0.07 70	0.14 157	0.14 13	0.08 48	0.18 237	0.14 70	0.22 159	0.20 151	0.15 151	0.19 151	0.19 204	0.17 248	0.18 234	0.18 251	0.07 144	0.05 109	0.06 32	0.06 88	0.07 158	0.07 161

raft_robust	0.13 160	0.10 241	0.07 2	0.18 184	0.08 48	0.13 133	0.24 325	0.28 251	0.33 278	0.20 245	0.19 151	0.14 130	0.10 90	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.07 163	0.05 40	0.04 7

RAFT+CT+SA	0.13 160	0.11 261	0.09 28	0.19 230	0.09 133	0.15 179	0.28 357	0.22 159	0.22 176	0.15 151	0.26 244	0.10 60	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.07 100	0.08 213	0.07 158	0.06 101

SA-5K	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 365	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 56	0.06 193	0.08 164	0.06 88	0.05 40	0.05 52

GwcNet-ADL	0.13 160	0.08 142	0.14 157	0.20 272	0.09 133	0.11 84	0.20 280	0.30 275	0.24 195	0.13 107	0.14 83	0.18 195	0.14 196	0.13 136	0.14 188	0.07 144	0.05 109	0.06 32	0.05 32	0.07 158	0.06 101

GANet-ADL	0.13 160	0.07 70	0.15 194	0.17 117	0.10 219	0.18 237	0.15 116	0.30 275	0.20 151	0.13 107	0.18 145	0.19 204	0.12 141	0.16 201	0.13 160	0.08 194	0.06 193	0.06 32	0.05 32	0.07 158	0.08 221

RAFT	0.13 160	0.09 193	0.11 72	0.18 184	0.08 48	0.15 179	0.24 325	0.20 126	0.19 130	0.21 253	0.21 176	0.17 184	0.12 141	0.16 201	0.09 19	0.06 56	0.07 250	0.10 271	0.09 254	0.05 40	0.05 52

TestStereo	0.13 160	0.14 308	0.11 72	0.23 328	0.08 48	0.15 179	0.21 296	0.20 126	0.23 185	0.14 127	0.24 200	0.16 165	0.12 141	0.16 201	0.14 188	0.05 2	0.06 193	0.08 164	0.06 88	0.09 250	0.05 52

sAnonymous2	0.13 160	0.12 275	0.24 306	0.20 272	0.12 286	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 239	0.05 109	0.08 164	0.06 88	0.15 346	0.10 273

CroCo_RVC	0.13 160	0.12 275	0.24 306	0.20 272	0.12 286	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 239	0.05 109	0.08 164	0.06 88	0.15 346	0.10 273

RAFT + AFF	0.13 160	0.07 70	0.20 284	0.20 272	0.10 219	0.14 157	0.24 325	0.26 219	0.20 151	0.11 62	0.10 39	0.12 92	0.10 90	0.15 169	0.12 130	0.07 144	0.06 193	0.09 230	0.08 213	0.06 101	0.08 221

GMStereo	0.13 160	0.14 308	0.14 157	0.18 184	0.09 133	0.15 179	0.16 173	0.20 126	0.24 195	0.16 176	0.17 123	0.10 60	0.10 90	0.16 201	0.13 160	0.07 144	0.06 193	0.06 32	0.06 88	0.07 158	0.06 101
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 160	0.07 70	0.14 157	0.17 117	0.09 133	0.15 179	0.16 173	0.28 251	0.27 234	0.14 127	0.17 123	0.12 92	0.13 173	0.14 151	0.11 88	0.08 194	0.05 109	0.07 100	0.07 163	0.07 158	0.06 101

FENet	0.13 160	0.08 142	0.12 92	0.16 69	0.08 48	0.14 157	0.15 116	0.22 159	0.23 185	0.17 188	0.23 191	0.16 165	0.12 141	0.14 151	0.15 211	0.08 194	0.05 109	0.08 164	0.08 213	0.07 158	0.07 161

cf-r	0.13 160	0.07 70	0.12 92	0.16 69	0.08 48	0.14 157	0.19 265	0.20 126	0.25 214	0.17 188	0.25 229	0.21 220	0.16 229	0.14 151	0.14 188	0.10 270	0.05 109	0.06 32	0.08 213	0.06 101	0.06 101

iResNet	0.13 160	0.10 241	0.18 267	0.19 230	0.08 48	0.13 133	0.18 234	0.20 126	0.26 227	0.15 151	0.23 191	0.15 154	0.13 173	0.14 151	0.14 188	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

DN-CSS_ROB	0.13 160	0.13 296	0.16 224	0.18 184	0.10 219	0.16 203	0.08 2	0.22 159	0.18 118	0.17 188	0.22 185	0.13 115	0.13 173	0.12 103	0.13 160	0.05 2	0.05 109	0.10 271	0.10 286	0.08 202	0.06 101

DispNO	0.14 189	0.08 142	0.17 249	0.19 230	0.12 286	0.11 84	0.21 296	0.23 176	0.29 252	0.17 188	0.23 191	0.18 195	0.17 248	0.15 169	0.15 211	0.07 144	0.05 109	0.08 164	0.08 213	0.07 158	0.06 101

SMFormer	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 194	0.05 109	0.07 100	0.06 88	0.07 158	0.06 101

tta	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 194	0.05 109	0.07 100	0.06 88	0.06 101	0.06 101

mmm	0.14 189	0.08 142	0.17 249	0.17 117	0.09 133	0.17 222	0.18 234	0.21 143	0.15 71	0.15 151	0.23 191	0.21 220	0.16 229	0.16 201	0.17 237	0.08 194	0.05 109	0.08 164	0.07 163	0.07 158	0.07 161

mmx	0.14 189	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.08 194	0.06 193	0.09 230	0.08 213	0.08 202	0.08 221

ttt	0.14 189	0.08 142	0.14 157	0.15 38	0.08 48	0.15 179	0.18 234	0.27 237	0.29 252	0.16 176	0.24 200	0.17 184	0.13 173	0.13 136	0.14 188	0.11 291	0.08 272	0.09 230	0.08 213	0.09 250	0.08 221

whm_eth	0.14 189	0.09 193	0.20 284	0.20 272	0.12 286	0.12 107	0.15 116	0.18 99	0.28 245	0.17 188	0.32 287	0.09 39	0.12 141	0.18 234	0.14 188	0.07 144	0.07 250	0.08 164	0.07 163	0.07 158	0.07 161

xxx	0.14 189	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.08 194	0.06 193	0.09 230	0.08 213	0.08 202	0.08 221

PCWNet_CMD	0.14 189	0.08 142	0.15 194	0.17 117	0.09 133	0.14 157	0.14 70	0.29 261	0.36 301	0.14 127	0.20 162	0.21 220	0.12 141	0.17 223	0.13 160	0.07 144	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

CBFPSM	0.14 189	0.06 19	0.26 313	0.17 117	0.09 133	0.13 133	0.15 116	0.22 159	0.23 185	0.20 245	0.27 251	0.24 255	0.16 229	0.16 201	0.18 251	0.06 56	0.06 193	0.06 32	0.07 163	0.07 158	0.07 161

gwcnet-sp	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

scenet	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

ssnet	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

BUS	0.14 189	0.09 193	0.14 157	0.22 309	0.10 219	0.19 257	0.14 70	0.34 317	0.19 130	0.17 188	0.22 185	0.16 165	0.13 173	0.15 169	0.13 160	0.08 194	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

IER	0.14 189	0.07 70	0.13 131	0.17 117	0.09 133	0.14 157	0.16 173	0.25 207	0.26 227	0.18 215	0.25 229	0.17 184	0.20 281	0.16 201	0.14 188	0.08 194	0.05 109	0.07 100	0.06 88	0.08 202	0.07 161

test_5	0.14 189	0.12 275	0.08 11	0.20 272	0.10 219	0.14 157	0.29 365	0.21 143	0.24 195	0.18 215	0.28 260	0.11 77	0.15 209	0.12 103	0.13 160	0.06 56	0.05 109	0.07 100	0.08 213	0.08 202	0.07 161

psmg	0.14 189	0.09 193	0.14 157	0.17 117	0.10 219	0.15 179	0.17 194	0.29 261	0.19 130	0.17 188	0.21 176	0.25 265	0.16 229	0.15 169	0.14 188	0.08 194	0.06 193	0.08 164	0.08 213	0.07 158	0.06 101

UDGNet	0.14 189	0.13 296	0.16 224	0.17 117	0.10 219	0.12 107	0.16 173	0.21 143	0.27 234	0.20 245	0.20 162	0.16 165	0.13 173	0.16 201	0.13 160	0.10 270	0.06 193	0.09 230	0.07 163	0.06 101	0.07 161

CFNet_pseudo	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.13 133	0.14 70	0.27 237	0.34 289	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 164	0.06 88	0.07 158	0.07 161

Anonymous	0.14 189	0.10 241	0.24 306	0.22 309	0.13 304	0.18 237	0.22 306	0.20 126	0.19 130	0.14 127	0.12 64	0.11 77	0.13 173	0.16 201	0.13 160	0.08 194	0.07 250	0.08 164	0.08 213	0.12 306	0.10 273

GES	0.14 189	0.08 142	0.16 224	0.15 38	0.10 219	0.13 133	0.13 43	0.28 251	0.25 214	0.16 176	0.23 191	0.18 195	0.13 173	0.16 201	0.13 160	0.08 194	0.07 250	0.07 100	0.06 88	0.08 202	0.09 254

GANet-RSSM	0.14 189	0.07 70	0.13 131	0.13 6	0.08 48	0.14 157	0.17 194	0.22 159	0.21 164	0.17 188	0.24 200	0.23 249	0.15 209	0.16 201	0.15 211	0.10 270	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

PSMNet-RSSM	0.14 189	0.07 70	0.13 131	0.15 38	0.08 48	0.13 133	0.16 173	0.24 194	0.24 195	0.16 176	0.28 260	0.22 237	0.14 196	0.15 169	0.13 160	0.11 291	0.06 193	0.09 230	0.12 327	0.08 202	0.07 161

GwcNet-RSSM	0.14 189	0.07 70	0.12 92	0.15 38	0.08 48	0.15 179	0.20 280	0.21 143	0.27 234	0.18 215	0.27 251	0.22 237	0.16 229	0.14 151	0.15 211	0.10 270	0.05 109	0.07 100	0.09 254	0.07 158	0.07 161

CFNet-ft	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 244	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 193	0.08 164	0.09 254	0.09 250	0.08 221

DMCA	0.14 189	0.09 193	0.16 224	0.19 230	0.09 133	0.15 179	0.17 194	0.23 176	0.27 234	0.14 127	0.19 151	0.17 184	0.18 258	0.15 169	0.17 237	0.10 270	0.06 193	0.08 164	0.06 88	0.09 250	0.10 273

RASNet	0.14 189	0.07 70	0.14 157	0.16 69	0.08 48	0.18 237	0.14 70	0.29 261	0.20 151	0.17 188	0.25 229	0.21 220	0.18 258	0.20 264	0.19 260	0.07 144	0.06 193	0.06 32	0.08 213	0.06 101	0.06 101

MSMDNet	0.14 189	0.08 142	0.15 194	0.17 117	0.09 133	0.14 157	0.14 70	0.29 261	0.36 301	0.14 127	0.21 176	0.21 220	0.12 141	0.17 223	0.14 188	0.07 144	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

HSM-Net_RVC	0.14 189	0.08 142	0.11 72	0.15 38	0.08 48	0.15 179	0.15 116	0.27 237	0.29 252	0.19 228	0.21 176	0.29 294	0.14 196	0.17 223	0.13 160	0.06 56	0.06 193	0.06 32	0.06 88	0.07 158	0.06 101
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 244	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 193	0.08 164	0.09 254	0.09 250	0.08 221

ccs_rob	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.12 107	0.14 70	0.27 237	0.34 289	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 164	0.07 163	0.07 158	0.07 161

UCFNet_RVC	0.14 189	0.08 142	0.13 131	0.11 1	0.10 219	0.20 269	0.10 6	0.24 194	0.22 176	0.17 188	0.20 162	0.23 249	0.15 209	0.17 223	0.15 211	0.12 315	0.07 250	0.10 271	0.13 336	0.11 292	0.10 273

iResNetv2_ROB	0.14 189	0.08 142	0.15 194	0.16 69	0.08 48	0.16 203	0.12 21	0.25 207	0.35 296	0.21 253	0.29 271	0.24 255	0.13 173	0.14 151	0.14 188	0.06 56	0.05 109	0.06 32	0.04 8	0.09 250	0.08 221

iResNet_ROB	0.14 189	0.07 70	0.13 131	0.14 13	0.07 19	0.18 237	0.14 70	0.26 219	0.31 266	0.22 266	0.25 229	0.23 249	0.15 209	0.15 169	0.13 160	0.07 144	0.05 109	0.05 2	0.04 8	0.08 202	0.08 221

1111x	0.15 223	0.08 142	0.12 92	0.18 184	0.07 19	0.18 237	0.25 339	0.31 281	0.24 195	0.17 188	0.24 200	0.26 273	0.15 209	0.13 136	0.23 304	0.07 144	0.07 250	0.08 164	0.09 254	0.07 158	0.06 101

CFNet_ucs	0.15 223	0.08 142	0.16 224	0.16 69	0.11 257	0.14 157	0.14 70	0.30 275	0.34 289	0.16 176	0.24 200	0.23 249	0.14 196	0.18 234	0.15 211	0.09 239	0.06 193	0.08 164	0.07 163	0.09 250	0.09 254

BSDual-CNN	0.15 223	0.09 193	0.14 157	0.22 309	0.10 219	0.14 157	0.15 116	0.34 317	0.19 130	0.17 188	0.22 185	0.25 265	0.16 229	0.15 169	0.14 188	0.08 194	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

hknet	0.15 223	0.11 261	0.13 131	0.22 309	0.11 257	0.14 157	0.15 116	0.34 317	0.25 214	0.17 188	0.22 185	0.22 237	0.18 258	0.17 223	0.12 130	0.07 144	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

dd	0.15 223	0.16 321	0.16 224	0.19 230	0.09 133	0.15 179	0.18 234	0.21 143	0.25 214	0.23 278	0.20 162	0.21 220	0.09 69	0.21 280	0.16 226	0.10 270	0.06 193	0.08 164	0.06 88	0.08 202	0.06 101

DAS	0.15 223	0.08 142	0.18 267	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 215	0.25 229	0.21 220	0.15 209	0.16 201	0.12 130	0.08 194	0.06 193	0.06 32	0.06 88	0.07 158	0.07 161

SepStereo	0.15 223	0.08 142	0.18 267	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 215	0.25 229	0.21 220	0.15 209	0.25 315	0.12 130	0.08 194	0.06 193	0.06 32	0.06 88	0.07 158	0.07 161

PSMNet-ADL	0.15 223	0.12 275	0.13 131	0.22 309	0.09 133	0.13 133	0.20 280	0.26 219	0.23 185	0.18 215	0.20 162	0.24 255	0.16 229	0.18 234	0.17 237	0.08 194	0.08 272	0.08 164	0.11 309	0.08 202	0.07 161

LMCR-Stereo	0.15 223	0.08 142	0.13 131	0.21 296	0.09 133	0.17 222	0.20 280	0.27 237	0.19 130	0.24 286	0.24 200	0.23 249	0.17 248	0.20 264	0.17 237	0.07 144	0.06 193	0.08 164	0.06 88	0.10 277	0.08 221

ICVP	0.15 223	0.09 193	0.12 92	0.22 309	0.09 133	0.17 222	0.21 296	0.25 207	0.23 185	0.18 215	0.30 275	0.26 273	0.18 258	0.17 223	0.14 188	0.09 239	0.07 250	0.08 164	0.07 163	0.07 158	0.07 161
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
xxxx	0.15 223	0.07 70	0.14 157	0.14 13	0.08 48	0.23 304	0.18 234	0.31 281	0.19 130	0.14 127	0.28 260	0.22 237	0.14 196	0.15 169	0.26 333	0.09 239	0.05 109	0.07 100	0.07 163	0.08 202	0.07 161

test_xeample	0.15 223	0.06 19	0.13 131	0.14 13	0.08 48	0.21 283	0.20 280	0.28 251	0.20 151	0.16 176	0.29 271	0.19 204	0.16 229	0.15 169	0.26 333	0.09 239	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

ACVNet	0.15 223	0.09 193	0.15 194	0.13 6	0.12 286	0.14 157	0.20 280	0.22 159	0.33 278	0.17 188	0.26 244	0.21 220	0.16 229	0.17 223	0.21 285	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

acv_ft	0.15 223	0.09 193	0.15 194	0.19 230	0.10 219	0.16 203	0.17 194	0.25 207	0.33 278	0.19 228	0.26 244	0.21 220	0.17 248	0.17 223	0.18 251	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

CFNet	0.15 223	0.10 241	0.17 249	0.17 117	0.08 48	0.18 237	0.09 3	0.28 251	0.25 214	0.19 228	0.24 200	0.24 255	0.17 248	0.17 223	0.14 188	0.08 194	0.06 193	0.09 230	0.10 286	0.07 158	0.06 101

AdaStereo	0.15 223	0.11 261	0.15 194	0.18 184	0.09 133	0.20 269	0.11 11	0.32 290	0.28 245	0.20 245	0.23 191	0.20 214	0.13 173	0.19 245	0.14 188	0.12 315	0.05 109	0.10 271	0.07 163	0.09 250	0.07 161
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
HSM	0.15 223	0.08 142	0.14 157	0.16 69	0.09 133	0.16 203	0.14 70	0.28 251	0.25 214	0.19 228	0.23 191	0.37 340	0.16 229	0.20 264	0.15 211	0.07 144	0.05 109	0.07 100	0.06 88	0.07 158	0.06 101

pmcnn	0.15 223	0.07 70	0.19 276	0.15 38	0.07 19	0.20 269	0.15 116	0.24 194	0.26 227	0.21 253	0.34 304	0.28 287	0.18 258	0.18 234	0.17 237	0.07 144	0.05 109	0.05 2	0.04 8	0.07 158	0.06 101

GMStereo_Zeroshot	0.16 241	0.13 296	0.24 306	0.20 272	0.10 219	0.17 222	0.13 43	0.29 261	0.25 214	0.23 278	0.32 287	0.25 265	0.11 112	0.19 245	0.14 188	0.09 239	0.06 193	0.11 298	0.06 88	0.12 306	0.08 221

iinet-f	0.16 241	0.06 19	0.45 362	0.14 13	0.10 219	0.21 283	0.14 70	0.27 237	0.23 185	0.21 253	0.24 200	0.21 220	0.15 209	0.18 234	0.21 285	0.09 239	0.07 250	0.07 100	0.06 88	0.09 250	0.10 273

CRFU-Net	0.16 241	0.08 142	0.14 157	0.17 117	0.09 133	0.19 257	0.14 70	0.26 219	0.20 151	0.28 321	0.27 251	0.29 294	0.17 248	0.19 245	0.17 237	0.09 239	0.09 295	0.07 100	0.07 163	0.08 202	0.08 221

NINENet	0.16 241	0.10 241	0.15 194	0.17 117	0.11 257	0.19 257	0.14 70	0.40 356	0.36 301	0.18 215	0.21 176	0.16 165	0.13 173	0.15 169	0.13 160	0.08 194	0.08 272	0.10 271	0.07 163	0.10 277	0.09 254

CSP-Net	0.16 241	0.09 193	0.14 157	0.16 69	0.09 133	0.19 257	0.17 194	0.25 207	0.32 272	0.25 299	0.30 275	0.24 255	0.15 209	0.21 280	0.18 251	0.09 239	0.06 193	0.07 100	0.07 163	0.08 202	0.07 161

AASNet	0.16 241	0.08 142	0.12 92	0.19 230	0.09 133	0.18 237	0.15 116	0.37 341	0.37 307	0.19 228	0.23 191	0.20 214	0.16 229	0.17 223	0.20 266	0.10 270	0.08 272	0.08 164	0.07 163	0.09 250	0.09 254

AACVNet	0.16 241	0.08 142	0.14 157	0.15 38	0.10 219	0.18 237	0.15 116	0.23 176	0.24 195	0.27 310	0.27 251	0.28 287	0.17 248	0.19 245	0.16 226	0.09 239	0.07 250	0.09 230	0.07 163	0.10 277	0.09 254

ADLNet2	0.16 241	0.09 193	0.13 131	0.16 69	0.09 133	0.20 269	0.16 173	0.31 281	0.39 315	0.16 176	0.20 162	0.20 214	0.18 258	0.21 280	0.22 294	0.08 194	0.06 193	0.07 100	0.07 163	0.09 250	0.07 161

Anonymous3	0.16 241	0.13 296	0.33 340	0.26 349	0.14 321	0.27 334	0.17 194	0.28 251	0.28 245	0.15 151	0.17 123	0.14 130	0.10 90	0.15 169	0.12 130	0.08 194	0.08 272	0.08 164	0.08 213	0.08 202	0.11 296

ADLNet	0.16 241	0.08 142	0.15 194	0.16 69	0.10 219	0.16 203	0.17 194	0.32 290	0.27 234	0.22 266	0.27 251	0.24 255	0.16 229	0.18 234	0.21 285	0.10 270	0.06 193	0.10 271	0.10 286	0.08 202	0.09 254

HCRNet	0.16 241	0.24 364	0.12 92	0.35 380	0.11 257	0.15 179	0.17 194	0.26 219	0.22 176	0.19 228	0.24 200	0.21 220	0.14 196	0.15 169	0.13 160	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

222	0.16 241	0.07 70	0.14 157	0.14 13	0.08 48	0.24 309	0.18 234	0.30 275	0.20 151	0.17 188	0.28 260	0.17 184	0.16 229	0.15 169	0.40 380	0.10 270	0.05 109	0.07 100	0.06 88	0.07 158	0.08 221

UPFNet	0.16 241	0.08 142	0.12 92	0.20 272	0.12 286	0.20 269	0.23 316	0.28 251	0.26 227	0.17 188	0.24 200	0.22 237	0.19 273	0.19 245	0.21 285	0.09 239	0.07 250	0.08 164	0.09 254	0.08 202	0.06 101

ac_64	0.16 241	0.08 142	0.15 194	0.18 184	0.10 219	0.22 291	0.18 234	0.24 194	0.21 164	0.18 215	0.24 200	0.29 294	0.18 258	0.19 245	0.22 294	0.09 239	0.07 250	0.08 164	0.09 254	0.07 158	0.06 101

DSFCA	0.16 241	0.09 193	0.14 157	0.16 69	0.10 219	0.20 269	0.19 265	0.28 251	0.31 266	0.23 278	0.24 200	0.22 237	0.15 209	0.19 245	0.20 266	0.10 270	0.07 250	0.09 230	0.09 254	0.08 202	0.08 221

FADNet-RVC-Resample	0.16 241	0.11 261	0.31 335	0.22 309	0.11 257	0.19 257	0.14 70	0.25 207	0.24 195	0.24 286	0.27 251	0.20 214	0.15 209	0.16 201	0.15 211	0.07 144	0.08 272	0.12 313	0.10 286	0.09 250	0.10 273

FADNet_RVC	0.16 241	0.14 308	0.40 357	0.20 272	0.11 257	0.13 133	0.13 43	0.26 219	0.22 176	0.21 253	0.23 191	0.20 214	0.17 248	0.14 151	0.16 226	0.08 194	0.08 272	0.12 313	0.09 254	0.11 292	0.10 273

AANet_RVC	0.16 241	0.10 241	0.10 45	0.18 184	0.09 133	0.18 237	0.19 265	0.26 219	0.31 266	0.22 266	0.35 308	0.21 220	0.21 285	0.22 291	0.16 226	0.06 56	0.05 109	0.06 32	0.06 88	0.07 158	0.06 101

DeepPruner_ROB	0.16 241	0.11 261	0.15 194	0.17 117	0.10 219	0.17 222	0.15 116	0.32 290	0.21 164	0.19 228	0.21 176	0.22 237	0.18 258	0.20 264	0.15 211	0.13 335	0.09 295	0.09 230	0.09 254	0.11 292	0.10 273

ToySt	0.17 260	0.11 261	0.18 267	0.17 117	0.11 257	0.16 203	0.25 339	0.24 194	0.33 278	0.19 228	0.24 200	0.26 273	0.24 306	0.19 245	0.20 266	0.07 144	0.08 272	0.09 230	0.10 286	0.09 250	0.08 221

ssnet_v2	0.17 260	0.10 241	0.17 249	0.17 117	0.11 257	0.21 283	0.21 296	0.33 307	0.25 214	0.22 266	0.22 185	0.27 280	0.18 258	0.22 291	0.20 266	0.11 291	0.09 295	0.09 230	0.09 254	0.08 202	0.08 221

dad	0.17 260	0.20 350	0.20 284	0.16 69	0.11 257	0.20 269	0.18 234	0.21 143	0.28 245	0.30 330	0.24 200	0.29 294	0.13 173	0.19 245	0.16 226	0.18 366	0.09 295	0.11 298	0.09 254	0.11 292	0.07 161

GEStereo_RVC	0.17 260	0.12 275	0.15 194	0.22 309	0.11 257	0.19 257	0.17 194	0.32 290	0.48 349	0.20 245	0.25 229	0.17 184	0.13 173	0.21 280	0.16 226	0.10 270	0.06 193	0.08 164	0.07 163	0.09 250	0.08 221

MMNet	0.17 260	0.09 193	0.16 224	0.20 272	0.11 257	0.27 334	0.20 280	0.25 207	0.41 324	0.22 266	0.30 275	0.21 220	0.20 281	0.17 223	0.20 266	0.06 56	0.06 193	0.07 100	0.07 163	0.08 202	0.07 161

delet	0.17 260	0.08 142	0.17 249	0.19 230	0.11 257	0.20 269	0.21 296	0.30 275	0.37 307	0.17 188	0.26 244	0.19 204	0.19 273	0.19 245	0.21 285	0.08 194	0.08 272	0.09 230	0.11 309	0.06 101	0.06 101

UNet	0.17 260	0.09 193	0.18 267	0.19 230	0.12 286	0.27 334	0.19 265	0.33 307	0.29 252	0.21 253	0.24 200	0.23 249	0.19 273	0.19 245	0.18 251	0.07 144	0.06 193	0.08 164	0.07 163	0.08 202	0.06 101

HGLStereo	0.17 260	0.08 142	0.19 276	0.17 117	0.12 286	0.18 237	0.18 234	0.31 281	0.32 272	0.21 253	0.32 287	0.25 265	0.18 258	0.19 245	0.20 266	0.09 239	0.09 295	0.07 100	0.07 163	0.09 250	0.10 273

DMCA-RVC	0.17 260	0.10 241	0.15 194	0.24 333	0.11 257	0.18 237	0.18 234	0.25 207	0.24 195	0.21 253	0.26 244	0.25 265	0.27 325	0.18 234	0.20 266	0.12 315	0.08 272	0.13 327	0.10 286	0.10 277	0.08 221

TDLM	0.17 260	0.12 275	0.13 131	0.24 333	0.10 219	0.18 237	0.18 234	0.36 336	0.30 260	0.21 253	0.28 260	0.28 287	0.18 258	0.23 302	0.18 251	0.11 291	0.07 250	0.10 271	0.10 286	0.08 202	0.08 221

NLCA_NET_v2_RVC	0.17 260	0.10 241	0.22 294	0.20 272	0.10 219	0.15 179	0.18 234	0.31 281	0.25 214	0.21 253	0.30 275	0.25 265	0.17 248	0.21 280	0.20 266	0.09 239	0.06 193	0.08 164	0.08 213	0.07 158	0.08 221
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 260	0.12 275	0.15 194	0.20 272	0.09 133	0.18 237	0.18 234	0.26 219	0.23 185	0.26 304	0.40 335	0.22 237	0.17 248	0.21 280	0.20 266	0.08 194	0.05 109	0.09 230	0.10 286	0.07 158	0.07 161
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
fast-acv-ft	0.18 272	0.11 261	0.19 276	0.19 230	0.12 286	0.24 309	0.21 296	0.25 207	0.34 289	0.22 266	0.34 304	0.27 280	0.20 281	0.21 280	0.23 304	0.09 239	0.09 295	0.08 164	0.10 286	0.08 202	0.07 161

HBP-ISP	0.18 272	0.13 296	0.16 224	0.15 38	0.11 257	0.08 23	0.13 43	0.28 251	0.29 252	0.22 266	0.33 300	0.21 220	0.25 314	0.23 302	0.17 237	0.14 346	0.16 361	0.21 367	0.17 360	0.10 277	0.08 221

Wz-Net-LNSev-Ref	0.18 272	0.09 193	0.29 330	0.15 38	0.10 219	0.22 291	0.20 280	0.26 219	0.39 315	0.25 299	0.42 351	0.24 255	0.15 209	0.20 264	0.19 260	0.07 144	0.05 109	0.06 32	0.05 32	0.10 277	0.09 254

SACVNet	0.18 272	0.12 275	0.14 157	0.17 117	0.13 304	0.22 291	0.18 234	0.31 281	0.30 260	0.23 278	0.31 283	0.30 302	0.22 294	0.22 291	0.17 237	0.11 291	0.08 272	0.10 271	0.10 286	0.12 306	0.14 338

psm_up	0.18 272	0.10 241	0.18 267	0.20 272	0.11 257	0.17 222	0.19 265	0.37 341	0.34 289	0.21 253	0.28 260	0.29 294	0.24 306	0.20 264	0.22 294	0.09 239	0.10 313	0.11 298	0.11 309	0.08 202	0.08 221

hitnet-ft	0.18 272	0.09 193	0.17 249	0.14 13	0.09 133	0.26 327	0.20 280	0.25 207	0.26 227	0.24 286	0.32 287	0.31 312	0.22 294	0.24 310	0.21 285	0.12 315	0.07 250	0.10 271	0.08 213	0.12 306	0.11 296

STTStereo	0.18 272	0.12 275	0.27 319	0.20 272	0.11 257	0.16 203	0.21 296	0.29 261	0.23 185	0.21 253	0.30 275	0.29 294	0.18 258	0.20 264	0.19 260	0.12 315	0.11 323	0.11 298	0.14 340	0.09 250	0.08 221

CVANet_RVC	0.18 272	0.10 241	0.14 157	0.21 296	0.10 219	0.18 237	0.17 194	0.34 317	0.33 278	0.22 266	0.31 283	0.28 287	0.18 258	0.23 302	0.17 237	0.12 315	0.08 272	0.12 313	0.11 309	0.09 250	0.07 161

StereoDRNet	0.18 272	0.11 261	0.17 249	0.22 309	0.11 257	0.21 283	0.22 306	0.37 341	0.33 278	0.24 286	0.28 260	0.30 302	0.19 273	0.20 264	0.20 266	0.09 239	0.08 272	0.11 298	0.09 254	0.09 250	0.07 161

DLCB_ROB	0.18 272	0.10 241	0.15 194	0.23 328	0.11 257	0.24 309	0.18 234	0.29 261	0.28 245	0.27 310	0.28 260	0.28 287	0.24 306	0.19 245	0.20 266	0.08 194	0.08 272	0.09 230	0.09 254	0.07 158	0.07 161

SDNR	0.19 282	0.08 142	0.19 276	0.16 69	0.12 286	0.77 404	0.14 70	0.25 207	0.32 272	0.19 228	0.24 200	0.19 204	0.13 173	0.19 245	0.15 211	0.16 360	0.18 368	0.14 337	0.11 309	0.08 202	0.11 296

pcwnet_v2	0.19 282	0.10 241	0.26 313	0.17 117	0.14 321	0.18 237	0.15 116	0.37 341	0.46 347	0.19 228	0.24 200	0.21 220	0.19 273	0.20 264	0.19 260	0.13 335	0.10 313	0.10 271	0.10 286	0.11 292	0.13 321

ADCRef	0.19 282	0.12 275	0.41 359	0.20 272	0.12 286	0.22 291	0.18 234	0.32 290	0.36 301	0.26 304	0.32 287	0.17 184	0.23 300	0.24 310	0.24 314	0.07 144	0.06 193	0.09 230	0.09 254	0.08 202	0.08 221

NVstereo2D	0.19 282	0.10 241	0.15 194	0.17 117	0.15 332	0.28 340	0.23 316	0.44 371	0.42 330	0.15 151	0.27 251	0.25 265	0.19 273	0.22 291	0.17 237	0.09 239	0.06 193	0.10 271	0.08 213	0.15 346	0.09 254

DRN-Test	0.19 282	0.11 261	0.20 284	0.22 309	0.10 219	0.22 291	0.22 306	0.39 352	0.37 307	0.24 286	0.32 287	0.26 273	0.21 285	0.22 291	0.24 314	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

DISCO	0.19 282	0.09 193	0.22 294	0.17 117	0.10 219	0.25 319	0.18 234	0.27 237	0.44 339	0.22 266	0.31 283	0.33 324	0.26 317	0.28 331	0.28 348	0.08 194	0.06 193	0.07 100	0.07 163	0.09 250	0.09 254

CBMV_ROB	0.19 282	0.13 296	0.17 249	0.16 69	0.11 257	0.15 179	0.13 43	0.26 219	0.28 245	0.27 310	0.30 275	0.27 280	0.24 306	0.23 302	0.16 226	0.15 349	0.17 366	0.22 371	0.20 366	0.10 277	0.11 296

NOSS_ROB	0.19 282	0.12 275	0.18 267	0.16 69	0.12 286	0.15 179	0.12 21	0.30 275	0.32 272	0.20 245	0.22 185	0.27 280	0.23 300	0.21 280	0.16 226	0.16 360	0.18 368	0.23 372	0.21 368	0.12 306	0.13 321

CBMV	0.19 282	0.14 308	0.17 249	0.18 184	0.10 219	0.20 269	0.11 11	0.29 261	0.30 260	0.29 327	0.30 275	0.30 302	0.23 300	0.27 320	0.19 260	0.13 335	0.15 358	0.17 354	0.16 353	0.10 277	0.10 273
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
GwcNet	0.20 291	0.13 296	0.19 276	0.18 184	0.12 286	0.24 309	0.19 265	0.35 330	0.43 335	0.20 245	0.32 287	0.33 324	0.20 281	0.22 291	0.24 314	0.11 291	0.09 295	0.09 230	0.09 254	0.09 250	0.10 273

FAT-Stereo	0.20 291	0.12 275	0.22 294	0.21 296	0.12 286	0.17 222	0.18 234	0.34 317	0.39 315	0.27 310	0.37 317	0.34 330	0.32 353	0.21 280	0.20 266	0.09 239	0.11 323	0.10 271	0.09 254	0.11 292	0.14 338

FADNet-RVC	0.20 291	0.20 350	0.38 353	0.21 296	0.16 342	0.20 269	0.15 116	0.26 219	0.26 227	0.26 304	0.32 287	0.26 273	0.21 285	0.22 291	0.19 260	0.12 315	0.13 345	0.12 313	0.14 340	0.13 323	0.18 366

S-Stereo	0.20 291	0.12 275	0.25 312	0.21 296	0.13 304	0.20 269	0.18 234	0.32 290	0.43 335	0.23 278	0.36 311	0.28 287	0.30 345	0.19 245	0.22 294	0.09 239	0.12 332	0.10 271	0.10 286	0.13 323	0.13 321

SuperB	0.20 291	0.10 241	0.56 376	0.16 69	0.09 133	0.18 237	0.18 234	0.24 194	0.50 356	0.26 304	0.39 330	0.17 184	0.21 285	0.22 291	0.21 285	0.08 194	0.06 193	0.06 32	0.06 88	0.12 306	0.10 273

ADCP+	0.20 291	0.10 241	0.33 340	0.20 272	0.12 286	0.22 291	0.26 345	0.31 281	0.34 289	0.26 304	0.37 317	0.22 237	0.22 294	0.27 320	0.27 340	0.09 239	0.06 193	0.08 164	0.08 213	0.09 250	0.10 273

PS-NSSS	0.20 291	0.21 356	0.23 303	0.20 272	0.10 219	0.19 257	0.17 194	0.36 336	0.25 214	0.27 310	0.33 300	0.27 280	0.24 306	0.20 264	0.20 266	0.15 349	0.12 332	0.17 354	0.14 340	0.10 277	0.08 221

PWCDC_ROB	0.20 291	0.13 296	0.22 294	0.24 333	0.11 257	0.19 257	0.15 116	0.33 307	0.54 365	0.29 327	0.50 366	0.21 220	0.15 209	0.27 320	0.20 266	0.11 291	0.09 295	0.10 271	0.08 213	0.11 292	0.09 254

SGM-Forest	0.20 291	0.14 308	0.18 267	0.19 230	0.13 304	0.20 269	0.22 306	0.33 307	0.30 260	0.24 286	0.29 271	0.28 287	0.19 273	0.23 302	0.17 237	0.15 349	0.16 361	0.15 345	0.14 340	0.12 306	0.12 307
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
UDG	0.21 300	0.17 332	0.19 276	0.23 328	0.15 332	0.30 346	0.20 280	0.33 307	0.35 296	0.23 278	0.28 260	0.31 312	0.27 325	0.20 264	0.22 294	0.15 349	0.12 332	0.13 327	0.09 254	0.14 335	0.14 338

FINET	0.21 300	0.18 342	0.26 313	0.18 184	0.16 342	0.23 304	0.23 316	0.32 290	0.48 349	0.25 299	0.32 287	0.22 237	0.22 294	0.22 291	0.17 237	0.18 366	0.16 361	0.11 298	0.10 286	0.15 346	0.13 321

Syn2CoEx	0.21 300	0.16 321	0.27 319	0.29 370	0.14 321	0.26 327	0.20 280	0.33 307	0.31 266	0.28 321	0.36 311	0.27 280	0.25 314	0.19 245	0.24 314	0.16 360	0.12 332	0.14 337	0.11 309	0.09 250	0.08 221

FADNet	0.21 300	0.22 360	0.36 349	0.18 184	0.17 355	0.24 309	0.13 43	0.31 281	0.31 266	0.23 278	0.25 229	0.27 280	0.21 285	0.19 245	0.15 211	0.13 335	0.15 358	0.12 313	0.15 351	0.16 353	0.18 366

RP	0.21 300	0.13 296	0.21 289	0.23 328	0.11 257	0.21 283	0.20 280	0.25 207	0.44 339	0.21 253	0.38 322	0.36 336	0.24 306	0.27 320	0.25 323	0.11 291	0.12 332	0.13 327	0.12 327	0.12 306	0.14 338

DANet	0.21 300	0.15 314	0.28 324	0.25 344	0.13 304	0.22 291	0.19 265	0.27 237	0.27 234	0.28 321	0.32 287	0.35 334	0.31 349	0.31 342	0.23 304	0.11 291	0.09 295	0.11 298	0.10 286	0.13 323	0.11 296
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.21 300	0.12 275	0.21 289	0.24 333	0.13 304	0.22 291	0.22 306	0.41 361	0.26 227	0.31 336	0.42 351	0.37 340	0.28 333	0.23 302	0.22 294	0.10 270	0.12 332	0.10 271	0.09 254	0.10 277	0.08 221

PWC_ROB	0.21 300	0.16 321	0.26 313	0.18 184	0.11 257	0.22 291	0.13 43	0.32 290	0.49 354	0.30 330	0.40 335	0.32 321	0.24 306	0.31 342	0.22 294	0.10 270	0.07 250	0.11 298	0.08 213	0.11 292	0.10 273

PSMNet_ROB	0.21 300	0.11 261	0.15 194	0.27 360	0.15 332	0.24 309	0.35 383	0.43 369	0.37 307	0.27 310	0.32 287	0.32 321	0.22 294	0.21 280	0.26 333	0.12 315	0.08 272	0.13 327	0.11 309	0.09 250	0.09 254

GASNet	0.22 309	0.23 361	0.33 340	0.26 349	0.17 355	0.26 327	0.16 173	0.44 371	0.42 330	0.27 310	0.24 200	0.30 302	0.15 209	0.27 320	0.18 251	0.12 315	0.08 272	0.12 313	0.11 309	0.16 353	0.07 161

Anonymous_2	0.22 309	0.17 332	0.28 324	0.15 38	0.16 342	0.32 349	0.22 306	0.22 159	0.17 101	0.23 278	0.24 200	0.26 273	0.27 325	0.27 320	0.23 304	0.22 378	0.25 386	0.17 354	0.17 360	0.17 360	0.17 364

Wz-Net-LNSev	0.22 309	0.16 321	0.38 353	0.21 296	0.13 304	0.25 319	0.23 316	0.32 290	0.43 335	0.30 330	0.41 345	0.31 312	0.18 258	0.22 291	0.25 323	0.10 270	0.09 295	0.08 164	0.08 213	0.12 306	0.11 296

Wz-Net-MNSev	0.22 309	0.13 296	0.31 335	0.20 272	0.14 321	0.36 368	0.24 325	0.33 307	0.44 339	0.28 321	0.40 335	0.38 344	0.19 273	0.24 310	0.25 323	0.09 239	0.07 250	0.09 230	0.09 254	0.12 306	0.10 273

DDUNet	0.22 309	0.17 332	0.21 289	0.22 309	0.15 332	0.25 319	0.24 325	0.29 261	0.30 260	0.31 336	0.36 311	0.33 324	0.25 314	0.24 310	0.20 266	0.18 366	0.13 345	0.17 354	0.11 309	0.16 353	0.16 357

APVNet	0.22 309	0.12 275	0.19 276	0.18 184	0.14 321	0.32 349	0.31 379	0.39 352	0.32 272	0.27 310	0.40 335	0.30 302	0.29 341	0.26 317	0.25 323	0.11 291	0.12 332	0.11 298	0.14 340	0.12 306	0.12 307

aanetorigin	0.22 309	0.17 332	0.56 376	0.17 117	0.10 219	0.15 179	0.19 265	0.20 126	0.33 278	0.49 377	0.48 361	0.29 294	0.27 325	0.20 264	0.23 304	0.08 194	0.07 250	0.08 164	0.07 163	0.10 277	0.09 254

MaskLacGwcNet_RVC	0.22 309	0.21 356	0.24 306	0.26 349	0.11 257	0.23 304	0.14 70	0.39 352	0.24 195	0.32 342	0.36 311	0.30 302	0.21 285	0.19 245	0.21 285	0.17 364	0.14 352	0.21 367	0.16 353	0.12 306	0.12 307

AF-Net	0.22 309	0.17 332	0.17 249	0.26 349	0.13 304	0.25 319	0.24 325	0.32 290	0.50 356	0.25 299	0.33 300	0.38 344	0.26 317	0.28 331	0.25 323	0.11 291	0.10 313	0.16 351	0.11 309	0.11 292	0.10 273

stereogan	0.22 309	0.11 261	0.21 289	0.20 272	0.12 286	0.31 348	0.19 265	0.35 330	0.44 339	0.22 266	0.39 330	0.35 334	0.27 325	0.33 350	0.22 294	0.10 270	0.12 332	0.10 271	0.10 286	0.14 335	0.13 321

edge stereo	0.22 309	0.13 296	0.20 284	0.21 296	0.13 304	0.23 304	0.16 173	0.32 290	0.42 330	0.32 342	0.40 335	0.38 344	0.35 360	0.25 315	0.24 314	0.13 335	0.11 323	0.14 337	0.11 309	0.12 306	0.13 321

RYNet	0.22 309	0.12 275	0.22 294	0.19 230	0.17 355	0.46 375	0.26 345	0.38 348	0.48 349	0.24 286	0.28 260	0.34 330	0.23 300	0.20 264	0.30 355	0.10 270	0.06 193	0.09 230	0.09 254	0.13 323	0.15 346

NaN_ROB	0.22 309	0.19 345	0.24 306	0.25 344	0.13 304	0.29 343	0.26 345	0.33 307	0.41 324	0.31 336	0.31 283	0.32 321	0.23 300	0.30 341	0.21 285	0.11 291	0.17 366	0.10 271	0.10 286	0.08 202	0.09 254

MDST_ROB	0.22 309	0.10 241	0.17 249	0.18 184	0.11 257	0.37 369	0.19 265	0.43 369	0.41 324	0.39 358	0.39 330	0.29 294	0.21 285	0.26 317	0.18 251	0.11 291	0.10 313	0.14 337	0.11 309	0.10 277	0.08 221

XPNet_ROB	0.22 309	0.11 261	0.19 276	0.22 309	0.13 304	0.22 291	0.19 265	0.34 317	0.40 321	0.30 330	0.39 330	0.39 352	0.26 317	0.26 317	0.28 348	0.15 349	0.10 313	0.10 271	0.10 286	0.13 323	0.12 307

SQANet	0.23 324	0.23 361	0.30 333	0.30 372	0.19 364	0.27 334	0.13 43	0.29 261	0.33 278	0.24 286	0.37 317	0.31 312	0.22 294	0.27 320	0.23 304	0.15 349	0.10 313	0.21 367	0.16 353	0.21 369	0.15 346

Nwc_Net	0.23 324	0.16 321	0.21 289	0.25 344	0.14 321	0.24 309	0.26 345	0.37 341	0.38 312	0.22 266	0.41 345	0.30 302	0.28 333	0.28 331	0.25 323	0.11 291	0.10 313	0.17 354	0.20 366	0.10 277	0.10 273

RTSC	0.23 324	0.12 275	0.28 324	0.21 296	0.13 304	0.28 340	0.16 173	0.35 330	0.66 384	0.27 310	0.33 300	0.30 302	0.21 285	0.31 342	0.29 351	0.10 270	0.08 272	0.09 230	0.10 286	0.13 323	0.13 321

PA-Net	0.23 324	0.18 342	0.33 340	0.28 363	0.22 371	0.21 283	0.38 388	0.29 261	0.39 315	0.22 266	0.32 287	0.25 265	0.26 317	0.20 264	0.25 323	0.09 239	0.23 384	0.15 345	0.22 371	0.09 250	0.13 321
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.23 324	0.19 345	0.50 368	0.24 333	0.17 355	0.21 283	0.21 296	0.33 307	0.44 339	0.25 299	0.34 304	0.26 273	0.18 258	0.31 342	0.27 340	0.13 335	0.12 332	0.12 313	0.13 336	0.11 292	0.14 338

NCCL2	0.23 324	0.15 314	0.17 249	0.34 378	0.18 362	0.24 309	0.23 316	0.34 317	0.28 245	0.31 336	0.38 322	0.38 344	0.28 333	0.23 302	0.24 314	0.15 349	0.12 332	0.18 362	0.21 368	0.13 323	0.13 321

ETE_ROB	0.23 324	0.17 332	0.22 294	0.25 344	0.13 304	0.26 327	0.29 365	0.31 281	0.36 301	0.28 321	0.36 311	0.45 366	0.26 317	0.27 320	0.26 333	0.11 291	0.08 272	0.12 313	0.09 254	0.14 335	0.13 321

SGM_RVC	0.23 324	0.12 275	0.15 194	0.15 38	0.09 133	0.33 355	0.18 234	0.34 317	0.31 266	0.44 373	0.37 317	0.53 379	0.35 360	0.35 359	0.24 314	0.13 335	0.13 345	0.13 327	0.13 336	0.10 277	0.11 296
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.24 332	0.19 345	0.33 340	0.21 296	0.24 374	0.24 309	0.20 280	0.35 330	0.41 324	0.24 286	0.32 287	0.38 344	0.21 285	0.29 338	0.23 304	0.12 315	0.11 323	0.14 337	0.16 353	0.23 372	0.23 378

G-Net	0.24 332	0.16 321	0.36 349	0.22 309	0.16 342	0.51 381	0.23 316	0.29 261	0.34 289	0.36 350	0.38 322	0.31 312	0.29 341	0.27 320	0.26 333	0.11 291	0.09 295	0.12 313	0.09 254	0.16 353	0.13 321

NCC-stereo	0.24 332	0.15 314	0.31 335	0.26 349	0.16 342	0.20 269	0.30 373	0.40 356	0.40 321	0.24 286	0.38 322	0.33 324	0.28 333	0.36 364	0.27 340	0.12 315	0.11 323	0.15 345	0.22 371	0.13 323	0.13 321

Abc-Net	0.24 332	0.15 314	0.31 335	0.26 349	0.16 342	0.20 269	0.30 373	0.40 356	0.40 321	0.24 286	0.38 322	0.33 324	0.28 333	0.36 364	0.27 340	0.12 315	0.11 323	0.15 345	0.22 371	0.13 323	0.13 321
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 332	0.11 261	0.47 366	0.22 309	0.12 286	0.34 358	0.29 365	0.29 261	0.56 368	0.24 286	0.46 358	0.30 302	0.30 345	0.29 338	0.29 351	0.08 194	0.07 250	0.09 230	0.09 254	0.10 277	0.10 273

DeepPrunerF	0.24 332	0.17 332	0.42 360	0.26 349	0.16 342	0.22 291	0.28 357	0.37 341	0.50 356	0.26 304	0.29 271	0.24 255	0.28 333	0.21 280	0.22 294	0.15 349	0.11 323	0.20 366	0.18 364	0.12 306	0.13 321

FBW_ROB	0.24 332	0.17 332	0.22 294	0.26 349	0.14 321	0.25 319	0.22 306	0.41 361	0.41 324	0.41 365	0.41 345	0.42 358	0.27 325	0.31 342	0.23 304	0.09 239	0.14 352	0.14 337	0.12 327	0.11 292	0.09 254

SANet	0.24 332	0.14 308	0.28 324	0.21 296	0.11 257	0.27 334	0.24 325	0.38 348	0.64 381	0.36 350	0.40 335	0.43 362	0.26 317	0.27 320	0.24 314	0.12 315	0.09 295	0.10 271	0.09 254	0.13 323	0.11 296

WCMA_ROB	0.24 332	0.11 261	0.22 294	0.17 117	0.14 321	0.32 349	0.15 116	0.32 290	0.32 272	0.38 356	0.53 368	0.40 355	0.34 358	0.34 353	0.25 323	0.11 291	0.12 332	0.12 313	0.10 286	0.14 335	0.14 338

Wz-Net-SNSev	0.25 341	0.17 332	0.44 361	0.25 344	0.14 321	0.26 327	0.23 316	0.38 348	0.56 368	0.30 330	0.55 371	0.39 352	0.26 317	0.23 302	0.30 355	0.10 270	0.09 295	0.09 230	0.10 286	0.11 292	0.11 296

psmorigin	0.25 341	0.15 314	0.34 348	0.17 117	0.13 304	0.23 304	0.14 70	0.34 317	0.33 278	0.41 365	0.55 371	0.41 357	0.37 364	0.34 353	0.27 340	0.11 291	0.15 358	0.11 298	0.11 309	0.12 306	0.16 357

RGC	0.25 341	0.20 350	0.29 330	0.28 363	0.16 342	0.22 291	0.23 316	0.32 290	0.44 339	0.27 310	0.40 335	0.38 344	0.27 325	0.36 364	0.22 294	0.11 291	0.13 345	0.17 354	0.17 360	0.14 335	0.16 357

ADCMid	0.25 341	0.15 314	0.40 357	0.20 272	0.14 321	0.25 319	0.26 345	0.34 317	0.38 312	0.36 350	0.44 356	0.34 330	0.40 370	0.35 359	0.33 366	0.10 270	0.09 295	0.11 298	0.11 309	0.13 323	0.12 307

ADCPNet	0.25 341	0.16 321	0.61 380	0.21 296	0.15 332	0.35 366	0.25 339	0.32 290	0.35 296	0.30 330	0.40 335	0.36 336	0.28 333	0.28 331	0.32 363	0.12 315	0.10 313	0.11 298	0.12 327	0.14 335	0.13 321

STTRV1_RVC	0.25 341	0.26 370	0.39 355	0.19 230	0.26 381	0.30 346	0.24 325	0.34 317	0.35 296	0.36 350	0.34 304	0.31 312	0.31 349	0.28 331	0.25 323	0.17 364	0.10 313	0.16 351	0.14 340	0.17 360	0.12 307

LALA_ROB	0.25 341	0.16 321	0.22 294	0.26 349	0.17 355	0.27 334	0.27 352	0.42 366	0.37 307	0.33 346	0.38 322	0.51 376	0.26 317	0.28 331	0.27 340	0.16 360	0.09 295	0.12 313	0.11 309	0.13 323	0.12 307

SHD	0.26 348	0.15 314	0.30 333	0.24 333	0.18 362	0.22 291	0.15 116	0.38 348	0.71 388	0.32 342	0.41 345	0.36 336	0.28 333	0.32 348	0.29 351	0.12 315	0.11 323	0.14 337	0.13 336	0.16 353	0.20 372

AnyNet_C32	0.26 348	0.16 321	0.36 349	0.20 272	0.16 342	0.25 319	0.30 373	0.32 290	0.44 339	0.31 336	0.49 362	0.30 302	0.33 354	0.40 376	0.33 366	0.12 315	0.12 332	0.12 313	0.14 340	0.14 335	0.15 346

PDISCO_ROB	0.27 350	0.16 321	0.26 313	0.28 363	0.20 367	0.32 349	0.26 345	0.44 371	0.57 370	0.28 321	0.40 335	0.45 366	0.29 341	0.33 350	0.34 368	0.12 315	0.09 295	0.17 354	0.16 353	0.17 360	0.13 321

DispFullNet	0.27 350	0.21 356	0.65 383	0.28 363	0.16 342	0.26 327	0.17 194	0.33 307	0.58 373	0.27 310	0.38 322	0.43 362	0.23 300	0.38 369	0.23 304	0.12 315	0.06 193	0.19 364	0.11 309	0.21 369	0.15 346

MeshStereo	0.27 350	0.13 296	0.18 267	0.15 38	0.11 257	0.32 349	0.24 325	0.40 356	0.36 301	0.52 379	0.57 377	0.67 390	0.40 370	0.35 359	0.26 333	0.14 346	0.13 345	0.13 327	0.11 309	0.11 292	0.10 273
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
WZ-Net	0.28 353	0.17 332	0.78 397	0.22 309	0.16 342	0.34 358	0.29 365	0.39 352	0.57 370	0.24 286	0.55 371	0.37 340	0.24 306	0.33 350	0.35 369	0.09 239	0.08 272	0.09 230	0.10 286	0.14 335	0.16 357

XQC	0.28 353	0.23 361	0.51 369	0.28 363	0.19 364	0.34 358	0.27 352	0.36 336	0.57 370	0.31 336	0.30 275	0.37 340	0.30 345	0.38 369	0.38 376	0.13 335	0.09 295	0.15 345	0.12 327	0.17 360	0.18 366

CC-Net-ROB	0.28 353	0.31 380	0.36 349	0.29 370	0.15 332	0.25 319	0.19 265	0.45 374	0.33 278	0.39 358	0.37 317	0.39 352	0.31 349	0.27 320	0.26 333	0.24 384	0.19 371	0.30 385	0.23 375	0.18 364	0.15 346

DPSNet	0.28 353	0.16 321	0.31 335	0.18 184	0.13 304	0.54 383	0.42 392	0.51 383	0.67 385	0.29 327	0.38 322	0.38 344	0.29 341	0.31 342	0.23 304	0.11 291	0.10 313	0.11 298	0.08 213	0.20 368	0.16 357

Wz-Net-TNSev	0.29 357	0.20 350	0.65 383	0.19 230	0.15 332	0.38 371	0.27 352	0.35 330	0.55 366	0.34 347	0.42 351	0.45 366	0.38 365	0.32 348	0.30 355	0.12 315	0.13 345	0.10 271	0.12 327	0.15 346	0.14 338

ccnet	0.29 357	0.28 375	0.23 303	0.20 272	0.28 383	0.41 374	0.21 296	0.45 374	0.33 278	0.36 350	0.46 358	0.36 336	0.30 345	0.39 372	0.42 384	0.23 382	0.14 352	0.21 367	0.17 360	0.23 372	0.18 366

EDNetEfficient	0.29 357	0.24 364	1.13 407	0.18 184	0.10 219	0.19 257	0.20 280	0.20 126	0.60 377	0.74 396	0.56 376	0.31 312	0.39 367	0.22 291	0.30 355	0.09 239	0.07 250	0.08 164	0.07 163	0.11 292	0.09 254

ADCS	0.29 357	0.18 342	0.45 362	0.21 296	0.17 355	0.28 340	0.23 316	0.41 361	0.63 380	0.40 361	0.49 362	0.40 355	0.36 362	0.39 372	0.40 380	0.13 335	0.12 332	0.13 327	0.14 340	0.16 353	0.16 357

CSAN	0.29 357	0.24 364	0.27 319	0.34 378	0.19 364	0.33 355	0.42 392	0.37 341	0.50 356	0.38 356	0.40 335	0.44 364	0.33 354	0.28 331	0.30 355	0.20 372	0.16 361	0.19 364	0.19 365	0.14 335	0.15 346

MFN_U_SF_DS_RVC	0.30 362	0.24 364	0.29 330	0.36 382	0.16 342	0.34 358	0.30 373	0.32 290	0.42 330	0.40 361	0.46 358	0.38 344	0.31 349	0.34 353	0.28 348	0.19 370	0.20 374	0.26 374	0.29 383	0.18 364	0.19 371

GANetREF_RVC	0.31 363	0.34 383	0.27 319	0.35 380	0.16 342	0.32 349	0.41 389	0.48 378	0.51 363	0.35 348	0.35 308	0.34 330	0.33 354	0.39 372	0.32 363	0.27 386	0.20 374	0.29 383	0.15 351	0.18 364	0.17 364
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.31 363	0.26 370	0.26 313	0.24 333	0.21 369	0.34 358	0.25 339	0.34 317	0.39 315	0.40 361	0.69 385	0.45 366	0.40 370	0.34 353	0.27 340	0.20 372	0.19 371	0.26 374	0.25 377	0.23 372	0.22 376

MFN_U_SF_RVC	0.32 365	0.21 356	0.55 374	0.30 372	0.15 332	0.34 358	0.17 194	0.52 384	0.46 347	0.46 376	0.55 371	0.59 382	0.39 367	0.35 359	0.37 374	0.15 349	0.14 352	0.18 362	0.21 368	0.16 353	0.15 346

PASM	0.32 365	0.24 364	0.48 367	0.28 363	0.27 382	0.29 343	0.30 373	0.34 317	0.49 354	0.35 348	0.39 330	0.46 370	0.34 358	0.34 353	0.35 369	0.23 382	0.25 386	0.26 374	0.28 382	0.23 372	0.21 374

SGM-ForestM	0.32 365	0.12 275	0.16 224	0.16 69	0.11 257	0.39 372	0.19 265	0.41 361	0.50 356	0.52 379	0.54 370	1.32 409	0.42 377	0.40 376	0.27 340	0.14 346	0.16 361	0.16 351	0.16 353	0.12 306	0.12 307

FCDSN-DC	0.33 368	0.28 375	0.28 324	0.30 372	0.24 374	0.39 372	0.28 357	0.42 366	0.42 330	0.43 371	0.53 368	0.51 376	0.41 374	0.36 364	0.30 355	0.21 375	0.20 374	0.27 377	0.26 378	0.25 380	0.24 379
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 368	0.27 372	0.28 324	0.26 349	0.23 373	0.37 369	0.28 357	0.40 356	0.43 335	0.45 374	0.55 371	0.51 376	0.40 370	0.37 368	0.30 355	0.21 375	0.20 374	0.27 377	0.26 378	0.25 380	0.24 379

LSM	0.33 368	0.20 350	0.58 378	0.26 349	0.60 404	0.34 358	0.25 339	0.42 366	0.48 349	0.45 374	0.58 379	0.42 358	0.36 362	0.35 359	0.25 323	0.12 315	0.20 374	0.14 337	0.16 353	0.19 367	0.33 392

AnyNet_C01	0.36 371	0.25 369	1.37 410	0.22 309	0.17 355	0.48 379	0.27 352	0.35 330	0.39 315	0.39 358	0.74 391	0.46 370	0.38 365	0.45 380	0.47 389	0.13 335	0.13 345	0.13 327	0.14 340	0.14 335	0.15 346

otaku	0.39 372	0.37 386	0.52 370	0.44 388	0.28 383	0.58 385	0.24 325	0.41 361	0.62 379	0.40 361	0.49 362	0.46 370	0.33 354	0.40 376	0.32 363	0.30 387	0.30 390	0.39 389	0.33 388	0.29 385	0.28 386

ACVNet-4b	0.39 372	0.53 392	0.55 374	0.45 389	0.24 374	0.47 377	0.18 234	0.49 380	0.64 381	0.42 368	0.45 357	0.60 383	0.27 325	0.34 353	0.24 314	0.33 390	0.14 352	0.48 393	0.42 393	0.30 386	0.26 385

PVD	0.39 372	0.20 350	0.39 355	0.31 376	0.22 371	0.29 343	0.43 394	0.52 384	0.96 401	0.55 382	0.79 395	0.53 379	0.59 392	0.52 386	0.38 376	0.19 370	0.14 352	0.17 354	0.14 340	0.24 379	0.31 390

Ntro	0.40 375	0.40 388	0.53 371	0.46 392	0.30 387	0.65 391	0.24 325	0.46 376	0.68 386	0.41 365	0.49 362	0.48 374	0.42 377	0.39 372	0.31 362	0.32 389	0.28 388	0.37 388	0.30 385	0.32 390	0.29 387

SAMSARA	0.40 375	0.28 375	0.33 340	0.55 395	0.39 389	0.82 405	1.23 419	0.47 377	0.51 363	0.36 350	0.35 308	0.55 381	0.39 367	0.38 369	0.39 378	0.15 349	0.20 374	0.15 345	0.14 340	0.23 372	0.20 372

ELAS_RVC	0.41 377	0.29 378	0.33 340	0.28 363	0.24 374	0.54 383	0.36 384	0.49 380	0.59 374	0.72 392	0.74 391	0.65 388	0.54 386	0.54 390	0.40 380	0.22 378	0.20 374	0.27 377	0.26 378	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 377	0.29 378	0.33 340	0.27 360	0.24 374	0.60 388	0.36 384	0.50 382	0.50 356	0.71 390	0.79 395	0.67 390	0.54 386	0.51 384	0.42 384	0.22 378	0.20 374	0.27 377	0.26 378	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MSC_U_SF_DS_RVC	0.43 379	0.39 387	0.54 372	0.40 384	0.20 367	0.64 390	0.32 381	0.53 386	0.72 389	0.71 390	0.72 388	0.61 384	0.54 386	0.51 384	0.46 388	0.20 372	0.19 371	0.29 383	0.30 385	0.23 372	0.18 366

ACVNet_1	0.44 380	0.49 391	0.60 379	0.45 389	0.28 383	0.49 380	0.27 352	0.57 391	0.72 389	0.62 385	0.58 379	0.74 394	0.49 383	0.50 383	0.35 369	0.26 385	0.24 385	0.39 389	0.29 383	0.31 389	0.24 379

Consistency-Raft	0.44 380	0.40 388	0.45 362	0.37 383	0.43 392	0.46 375	0.41 389	0.57 391	0.55 366	0.32 342	0.73 389	0.33 324	0.48 382	0.42 379	0.49 391	0.39 392	0.35 392	0.45 392	0.51 400	0.42 392	0.29 387

RTS	0.45 382	0.19 345	3.26 417	0.24 333	0.15 332	0.74 398	0.20 280	0.36 336	0.76 394	0.42 368	0.43 354	0.31 312	0.41 374	0.53 388	0.35 369	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 346

RTSA	0.45 382	0.19 345	3.26 417	0.24 333	0.15 332	0.74 398	0.20 280	0.36 336	0.76 394	0.42 368	0.43 354	0.31 312	0.41 374	0.53 388	0.35 369	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 346

MANE	0.45 382	0.27 372	0.27 319	0.27 360	0.24 374	0.47 377	0.31 379	0.55 388	0.59 374	0.72 392	1.13 411	1.15 403	0.61 393	0.52 386	0.37 374	0.21 375	0.20 374	0.27 377	0.31 387	0.25 380	0.24 379

FADE	0.45 382	0.33 382	1.03 406	0.33 377	0.25 380	0.35 366	0.29 365	0.64 395	1.07 402	0.43 371	0.41 345	0.42 358	0.53 385	0.70 398	0.51 395	0.30 387	0.21 383	0.41 391	0.38 391	0.23 372	0.22 376

NVStereoNet_ROB	0.46 386	0.36 385	0.46 365	0.41 386	0.28 383	0.34 358	0.34 382	0.48 378	0.60 377	0.72 392	0.93 400	0.70 393	0.66 396	0.47 381	0.60 399	0.22 378	0.33 391	0.34 387	0.34 390	0.30 386	0.30 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 387	0.07 70	0.14 157	0.15 38	0.08 48	0.24 309	0.16 173	0.22 159	1.81 418	4.63 422	0.67 383	0.47 373	0.44 379	0.20 264	0.29 351	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

BEATNet-Init1	0.52 388	0.27 372	0.62 381	0.30 372	0.21 369	0.76 402	0.29 365	0.54 387	0.65 383	0.86 401	0.95 402	2.07 419	0.62 395	0.56 392	0.42 384	0.18 366	0.18 368	0.23 372	0.22 371	0.22 371	0.21 374

anonymity	0.53 389	0.58 394	0.65 383	0.41 386	0.61 405	0.53 382	0.41 389	0.56 389	0.41 324	0.55 382	0.50 366	0.49 375	0.55 389	0.58 393	0.50 394	0.58 403	0.50 404	0.51 395	0.51 400	0.51 394	0.57 401

RainbowNet	0.54 390	0.61 396	0.70 395	0.57 396	0.43 392	0.65 391	0.37 387	0.60 393	0.87 398	0.50 378	0.66 382	0.64 386	0.47 381	0.49 382	0.43 387	0.47 398	0.48 400	0.52 397	0.41 392	0.52 395	0.40 397

SGM+DAISY	0.56 391	0.57 393	0.65 383	0.40 384	0.54 397	0.66 393	0.49 396	0.56 389	0.45 346	0.66 386	0.69 385	0.67 390	0.56 390	0.63 395	0.56 397	0.59 404	0.48 400	0.50 394	0.50 399	0.52 395	0.58 402

SPS-STEREO	0.57 392	0.58 394	0.65 383	0.45 389	0.55 399	0.62 389	0.44 395	0.62 394	0.50 356	0.68 388	0.64 381	0.66 389	0.57 391	0.61 394	0.60 399	0.62 406	0.47 399	0.51 395	0.49 397	0.55 399	0.58 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 393	0.66 400	0.65 383	0.51 393	0.69 409	0.69 394	0.57 402	0.64 395	0.73 392	0.60 384	0.73 389	0.62 385	0.67 397	0.65 396	0.60 399	0.66 407	0.58 413	0.63 399	0.59 403	0.68 405	0.69 411

IMH-64-1	0.65 394	0.61 396	0.68 391	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 396	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 391	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

IMH-64	0.65 394	0.61 396	0.68 391	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 396	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 391	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

ACVNet_2	0.66 396	0.66 400	0.68 391	0.63 397	0.41 390	0.71 396	0.49 396	0.96 407	1.39 411	0.89 402	1.09 407	1.04 399	0.73 399	0.54 390	0.47 389	0.43 396	0.40 394	0.53 398	0.44 394	0.47 393	0.35 394

JetBlue	0.71 397	0.45 390	1.14 408	0.51 393	0.47 394	2.02 419	0.64 406	0.75 398	0.70 387	0.69 389	0.77 394	1.22 405	0.83 403	1.03 415	1.01 415	0.40 393	0.28 388	0.33 386	0.33 388	0.30 386	0.34 393

IMH	0.71 397	0.64 399	0.68 391	0.76 401	0.54 397	0.69 394	0.54 400	0.98 409	1.10 404	0.82 400	1.09 407	0.89 397	0.88 406	0.87 408	0.52 396	0.44 397	0.50 404	0.75 404	0.51 400	0.56 400	0.41 398

PWCK	0.71 397	0.94 412	0.95 404	0.76 401	0.31 388	0.74 398	0.36 384	0.90 402	0.90 399	0.96 405	0.75 393	0.95 398	0.61 393	0.87 408	0.66 402	0.72 408	0.46 395	0.75 404	0.49 397	0.69 407	0.44 399

MADNet+	0.75 400	0.71 402	3.70 420	0.66 398	0.41 390	0.98 410	0.97 417	0.69 397	0.73 392	0.52 379	0.57 377	0.64 386	0.68 398	0.86 407	1.01 415	0.34 391	0.36 393	0.28 382	0.23 375	0.36 391	0.31 390

TorneroNet-64	0.76 401	0.72 403	0.74 396	0.78 403	0.58 403	0.91 409	0.56 401	0.84 401	1.29 408	0.66 386	0.90 398	1.40 411	0.75 400	0.85 406	0.67 405	0.49 399	0.46 395	0.72 403	0.59 403	0.67 404	0.53 400

WAO-7	0.79 402	0.78 405	0.54 372	0.85 407	0.67 408	0.74 398	0.68 410	1.05 412	1.32 409	0.90 403	1.20 414	1.04 399	0.92 407	0.69 397	0.66 402	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.58 402

WAO-6	0.81 403	0.80 406	0.62 381	0.86 408	0.63 406	0.76 402	0.58 403	0.98 409	1.54 416	0.90 403	0.96 403	1.07 401	1.03 411	0.70 398	0.66 402	0.72 408	0.49 402	0.90 411	0.71 409	0.68 405	0.58 402

TorneroNet	0.82 404	0.74 404	0.81 401	0.84 406	0.63 406	0.99 411	0.63 404	0.96 407	1.16 405	0.80 399	1.11 409	1.36 410	0.86 405	0.93 411	0.80 410	0.56 401	0.49 402	0.78 408	0.66 407	0.73 410	0.63 410

LVE	0.83 405	0.85 409	0.85 402	0.80 404	0.56 400	1.04 415	0.65 407	1.05 412	1.47 414	0.96 405	1.22 415	1.10 402	0.85 404	0.83 403	0.71 407	0.49 399	0.55 410	0.76 406	0.60 405	0.65 402	0.59 407

Dean	0.87 406	0.86 410	0.79 399	0.81 405	0.56 400	0.90 406	0.63 404	1.15 417	1.73 417	1.15 412	1.15 412	1.31 408	0.99 410	0.81 402	0.81 411	0.57 402	0.56 411	0.77 407	0.64 406	0.66 403	0.58 402

WAO-8	0.91 407	0.81 407	0.65 383	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

Venus	0.91 407	0.81 407	0.65 383	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

UNDER WATER-64	0.95 409	0.94 412	1.43 412	0.87 409	0.56 400	1.18 418	0.87 414	0.77 399	0.94 400	1.04 408	0.85 397	1.58 416	1.21 417	0.94 412	0.96 413	0.87 414	0.57 412	1.03 414	0.88 415	0.78 412	0.73 412

UNDER WATER	0.97 410	0.97 414	1.42 411	0.99 413	0.70 412	1.12 417	0.84 413	0.80 400	1.08 403	1.01 407	0.90 398	1.55 415	1.22 418	1.03 415	1.00 414	0.78 412	0.53 407	1.02 413	0.87 414	0.80 413	0.74 413

notaker	0.97 410	1.11 415	0.98 405	1.13 415	0.81 413	0.73 397	0.68 410	0.93 405	1.16 405	1.18 414	1.18 413	1.41 412	1.16 416	1.08 417	0.69 406	0.81 413	0.64 415	1.17 416	0.79 412	0.98 415	0.80 416

ktn	1.01 412	1.21 417	0.80 400	1.23 418	0.86 415	1.01 413	0.87 414	0.94 406	1.39 411	1.04 408	1.12 410	1.15 403	1.07 412	0.94 412	0.59 398	1.28 420	0.71 417	1.38 420	0.83 413	1.02 417	0.75 414

KSHMR	1.09 413	1.17 416	0.88 403	1.25 419	1.00 418	0.99 411	0.96 416	1.13 416	1.37 410	1.16 413	1.29 416	1.41 412	0.96 409	1.01 414	0.92 412	1.03 417	1.08 419	1.20 417	1.03 418	1.01 416	0.97 418

DPSimNet_ROB	1.11 414	1.23 418	0.78 397	1.13 415	0.88 416	1.10 416	1.13 418	1.16 418	1.23 407	1.43 416	1.02 404	1.41 412	1.10 415	0.90 410	1.60 417	1.46 421	0.51 406	1.21 418	1.03 418	0.90 414	1.01 420

HanzoNet	1.29 415	1.26 419	1.19 409	1.12 414	0.85 414	1.02 414	0.83 412	1.03 411	1.48 415	1.64 417	1.61 419	2.50 421	1.72 419	1.61 419	1.61 418	1.26 419	0.80 418	1.31 419	1.01 417	1.02 417	0.86 417

JetRed	1.62 416	1.46 420	2.98 416	0.92 410	1.21 419	4.99 421	1.53 421	1.27 419	1.39 411	1.83 418	1.74 420	1.60 417	0.95 408	1.41 418	2.45 421	0.90 416	1.60 421	0.93 412	0.90 416	1.35 419	0.99 419

MADNet++	1.95 417	1.75 421	1.59 414	1.82 421	1.69 421	2.33 420	1.40 420	2.35 421	2.09 421	2.57 421	2.36 421	2.24 420	2.17 420	2.28 420	2.34 420	1.87 422	1.66 422	1.54 421	1.34 421	1.92 421	1.77 423

coex-ft	3.30 418	0.34 383	59.09 442	0.18 184	0.13 304	0.26 327	0.22 306	0.27 237	0.72 389	1.90 419	0.70 387	0.44 364	0.45 380	0.29 338	0.41 383	0.09 239	0.09 295	0.12 313	0.09 254	0.14 335	0.13 321

ASD4	3.54 419	3.38 423	2.05 415	1.72 420	2.51 423	9.03 425	17.71 426	2.25 420	5.51 423	2.46 420	2.81 422	2.03 418	3.36 421	2.73 421	5.06 422	1.22 418	1.34 420	1.13 415	1.33 420	1.68 420	1.49 422

tt	4.67 420	0.06 19	3.55 419	2.02 422	1.55 420	10.25 426	16.71 425	8.91 429	5.03 422	1.31 415	0.94 401	4.71 422	4.76 422	3.33 422	5.87 424	6.06 429	10.30 433	1.88 423	2.11 424	2.75 422	1.21 421

xxxxx1	7.79 421	5.02 426	7.31 423	3.12 423	3.85 424	16.35 429	22.88 427	5.86 426	8.69 425	7.97 425	8.54 423	9.12 427	8.27 425	10.18 427	10.92 425	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

tt_ll	7.79 421	5.02 426	7.31 423	3.12 423	3.85 424	16.35 429	22.88 427	5.86 426	8.69 425	7.97 425	8.54 423	9.12 427	8.27 425	10.18 427	10.92 425	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

ff	7.79 421	5.02 426	7.31 423	3.12 423	3.85 424	16.35 429	22.88 427	5.86 426	8.69 425	7.97 425	8.54 423	9.12 427	8.27 425	10.18 427	10.92 425	2.42 423	2.45 424	3.56 426	12.37 430	3.77 423	3.06 425

EDNetEfficientorigin	7.91 424	0.31 380	153.02 443	0.19 230	0.09 133	0.21 283	0.16 173	0.22 159	0.59 374	0.72 392	0.67 383	0.42 358	0.50 384	0.24 310	0.39 378	0.08 194	0.07 250	0.08 164	0.07 163	0.12 306	0.10 273

DPSMNet_ROB	8.06 425	4.48 424	8.63 429	5.37 428	10.74 430	8.32 423	22.98 431	5.46 423	13.36 430	5.12 423	9.92 426	5.08 423	10.40 428	5.53 425	12.58 428	3.80 427	8.00 428	3.50 424	7.02 427	3.83 426	7.14 429

DGTPSM_ROB	8.06 425	4.48 424	8.63 429	5.35 426	10.72 429	8.32 423	22.97 430	5.46 423	13.35 429	5.12 423	9.92 426	5.08 423	10.40 428	5.52 424	12.58 428	3.79 426	8.00 428	3.50 424	7.02 427	3.83 426	7.14 429

PML	8.91 427	9.34 432	6.13 421	5.35 426	6.41 427	14.99 428	23.38 432	5.27 422	6.83 424	18.04 433	28.19 442	7.67 425	6.83 424	7.85 426	5.75 423	5.35 428	1.83 423	5.95 432	1.93 423	8.64 430	2.52 424

DLNR_Zeroshot_test	10.40 428	1.82 422	19.49 438	120.77 443	13.11 433	0.06 2	0.13 43	0.23 176	0.10 7	0.07 2	0.10 39	0.09 39	0.06 7	0.10 18	0.09 19	0.13 335	0.04 2	0.06 32	0.04 8	51.54 442	0.04 7

LRCNet_RVC	10.62 429	13.42 433	7.30 422	18.92 433	2.07 422	0.33 355	0.30 373	5.59 425	0.48 349	13.03 431	17.94 432	8.87 426	5.65 423	4.79 423	1.89 419	23.51 440	2.73 427	27.55 441	25.71 441	16.07 438	16.33 439

Anonymous_1	10.96 430	7.92 429	7.46 426	10.33 429	10.06 428	18.65 433	26.34 433	11.06 430	13.44 431	9.40 428	10.05 428	9.67 430	11.23 430	10.73 430	12.72 430	6.42 430	8.38 430	5.77 429	10.61 429	12.12 431	6.77 428

DPSM_ROB	11.15 431	8.58 430	8.00 427	10.88 430	11.58 431	19.10 434	26.71 434	12.05 431	14.07 432	10.36 429	10.84 429	10.33 431	11.86 431	11.70 431	13.54 431	6.99 431	8.79 431	5.89 430	6.95 425	7.29 428	7.42 431

DPSM	11.15 431	8.58 430	8.00 427	10.88 430	11.58 431	19.10 434	26.71 434	12.05 431	14.07 432	10.36 429	10.84 429	10.33 431	11.86 431	11.70 431	13.54 431	6.99 431	8.79 431	5.89 430	6.95 425	7.29 428	7.42 431

SPstereo	13.84 433	0.93 411	1.50 413	1.22 417	0.88 416	28.82 436	48.26 436	26.77 443	29.54 442	22.37 441	22.60 440	23.23 441	24.68 441	24.53 441	15.06 433	0.88 415	0.69 416	1.83 422	1.60 422	0.74 411	0.77 415

HaxPig	15.71 434	18.52 440	19.18 437	16.89 432	15.89 434	7.73 422	7.60 422	13.31 433	10.82 428	15.42 432	14.91 431	15.98 433	14.92 433	15.58 433	15.98 434	18.95 439	16.73 434	19.46 439	18.08 439	19.26 439	19.05 440

MEDIAN_ROB	20.38 435	24.04 441	23.31 439	21.23 434	21.71 435	10.40 427	7.92 423	17.64 434	15.50 434	20.12 434	19.70 433	20.34 434	20.32 434	21.19 434	21.13 435	23.81 441	21.81 441	24.98 440	23.76 440	24.71 440	23.93 441

CasAABBNet	22.42 436	17.33 435	16.01 431	22.01 438	23.28 439	38.32 437	53.80 441	24.14 436	28.41 437	20.60 435	21.77 435	20.89 439	23.91 439	23.43 435	27.36 437	14.07 433	17.69 436	11.83 437	14.01 434	14.67 435	14.95 437

MyStereo03	22.45 437	17.33 435	16.21 433	21.95 435	23.27 436	38.32 437	53.79 438	24.21 437	28.46 438	20.87 438	21.85 437	20.80 435	23.87 435	23.46 436	27.40 439	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

MyStereo02	22.45 437	17.33 435	16.21 433	21.95 435	23.27 436	38.32 437	53.79 438	24.21 437	28.46 438	20.87 438	21.85 437	20.80 435	23.87 435	23.46 436	27.40 439	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

MyStereo	22.45 437	17.33 435	16.21 433	21.95 435	23.27 436	38.32 437	53.79 438	24.21 437	28.46 438	20.87 438	21.85 437	20.80 435	23.87 435	23.46 436	27.40 439	14.08 434	17.71 438	11.82 433	14.03 435	14.65 432	14.89 433

Selective-RAFT-Error	22.47 440	17.37 439	16.09 432	22.06 439	23.34 440	38.39 441	53.83 442	24.29 441	28.47 441	20.74 436	21.83 436	20.81 438	23.90 438	23.54 440	27.53 442	14.08 434	17.69 436	11.82 433	14.00 433	14.69 436	15.00 438

LSM0	22.87 441	17.28 434	18.96 436	22.19 440	29.04 442	38.42 442	53.71 437	24.28 440	28.31 436	20.78 437	21.00 434	21.43 440	24.16 440	23.50 439	27.39 438	14.09 438	17.38 435	11.84 438	14.04 438	14.73 437	14.89 433

AVERAGE_ROB	24.90 442	29.20 442	28.14 440	24.89 441	24.64 441	17.75 432	11.12 424	21.45 435	19.93 435	25.12 442	24.46 441	25.12 442	25.46 442	24.69 442	22.83 436	29.76 442	27.13 442	28.97 442	27.95 442	29.91 441	29.47 442

test_example2	98.32 443	94.13 443	45.89 441	96.35 442	109.85 443	88.61 443	95.45 443	25.75 442	94.37 443	130.00 443	126.06 443	58.17 443	74.63 443	88.51 443	79.96 443	150.23 443	221.02 443	77.62 443	99.10 443	113.75 443	96.94 443

Low-res two-view benchmark