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

EGLCR-Stereo	0.08 2	0.05 6	0.08 12	0.14 14	0.06 3	0.10 59	0.12 22	0.11 2	0.16 92	0.06 1	0.05 1	0.07 18	0.05 2	0.10 19	0.11 91	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

MGS-Stereo	0.09 14	0.07 72	0.12 95	0.15 40	0.08 50	0.09 35	0.15 119	0.12 6	0.12 28	0.07 2	0.10 41	0.08 27	0.06 6	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

MoCha-V2	0.08 2	0.05 6	0.10 47	0.20 274	0.07 19	0.09 35	0.14 71	0.11 2	0.08 2	0.07 2	0.08 17	0.07 18	0.06 6	0.09 10	0.08 11	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 7

DLNR_Zeroshot_test	10.40 431	1.82 425	19.49 441	120.77 446	13.11 436	0.06 2	0.13 44	0.23 178	0.10 9	0.07 2	0.10 41	0.09 40	0.06 6	0.10 19	0.09 20	0.13 338	0.04 2	0.06 34	0.04 9	51.54 445	0.04 7

AEACV	0.08 2	0.05 6	0.08 12	0.14 14	0.13 307	0.14 160	0.13 44	0.14 19	0.09 3	0.07 2	0.09 25	0.07 18	0.08 53	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

CroCo-Stereo	0.09 14	0.08 145	0.08 12	0.22 312	0.09 135	0.09 35	0.19 268	0.15 31	0.12 28	0.07 2	0.07 14	0.08 27	0.06 6	0.08 6	0.07 1	0.07 145	0.05 110	0.06 34	0.04 9	0.05 41	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
panet	0.08 2	0.05 6	0.07 2	0.12 3	0.05 1	0.12 108	0.11 11	0.13 12	0.10 9	0.08 7	0.13 76	0.09 40	0.08 53	0.11 48	0.10 53	0.08 195	0.05 110	0.05 2	0.03 1	0.06 103	0.05 53

LargeStereo	0.08 2	0.06 21	0.08 12	0.18 185	0.07 19	0.09 35	0.13 44	0.10 1	0.09 3	0.08 7	0.08 17	0.06 3	0.06 6	0.13 137	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

HH	0.09 14	0.06 21	0.13 134	0.17 118	0.08 50	0.10 59	0.16 176	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

HanStereo	0.09 14	0.06 21	0.13 134	0.17 118	0.08 50	0.10 59	0.16 176	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 40	0.07 19	0.08 23	0.15 119	0.11 2	0.10 9	0.08 7	0.09 25	0.06 3	0.09 72	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CES	0.08 2	0.04 1	0.08 12	0.14 14	0.07 19	0.09 35	0.14 71	0.11 2	0.09 3	0.08 7	0.09 25	0.11 79	0.06 6	0.12 105	0.08 11	0.06 58	0.04 2	0.05 2	0.03 1	0.05 41	0.05 53

Selective-IGEV	0.07 1	0.06 21	0.08 12	0.17 118	0.06 3	0.08 23	0.12 22	0.13 12	0.07 1	0.08 7	0.07 14	0.06 3	0.04 1	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

cross-raft	0.10 54	0.09 196	0.09 30	0.19 232	0.07 19	0.11 85	0.25 342	0.13 12	0.15 74	0.08 7	0.11 58	0.12 95	0.10 93	0.09 10	0.11 91	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

EAI-Stereo	0.09 14	0.07 72	0.11 74	0.15 40	0.06 3	0.10 59	0.15 119	0.16 47	0.09 3	0.08 7	0.09 25	0.08 27	0.07 34	0.09 10	0.11 91	0.05 2	0.04 2	0.05 2	0.05 34	0.05 41	0.04 7

CFNet-RSSM	0.09 14	0.07 72	0.09 30	0.16 71	0.07 19	0.09 35	0.15 119	0.16 47	0.17 104	0.08 7	0.12 66	0.10 62	0.09 72	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 7

Gwc-CoAtRS	0.09 14	0.06 21	0.10 47	0.16 71	0.07 19	0.10 59	0.14 71	0.17 77	0.17 104	0.08 7	0.10 41	0.12 95	0.09 72	0.12 105	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 7

CREStereo	0.09 14	0.04 1	0.08 12	0.11 1	0.06 3	0.13 136	0.14 71	0.14 19	0.10 9	0.08 7	0.13 76	0.09 40	0.08 53	0.11 48	0.10 53	0.08 195	0.04 2	0.05 2	0.03 1	0.06 103	0.06 103
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
MyStereo07	0.10 54	0.07 72	0.10 47	0.17 118	0.09 135	0.14 160	0.18 237	0.15 31	0.15 74	0.09 19	0.06 2	0.06 3	0.07 34	0.12 105	0.09 20	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

AE-Stereo	0.10 54	0.08 145	0.10 47	0.18 185	0.09 135	0.10 59	0.15 119	0.14 19	0.19 133	0.09 19	0.14 86	0.12 95	0.08 53	0.11 48	0.10 53	0.05 2	0.06 195	0.07 102	0.06 90	0.05 41	0.04 7

ACVNet-DCA	0.10 54	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.23 178	0.16 92	0.09 19	0.09 25	0.06 3	0.06 6	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

xx1	0.11 85	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.16 47	0.18 121	0.09 19	0.09 25	0.16 168	0.16 232	0.10 19	0.07 1	0.06 58	0.04 2	0.08 166	0.08 216	0.07 160	0.07 163

1test111	0.11 85	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.23 178	0.16 92	0.09 19	0.09 25	0.06 3	0.06 6	0.15 172	0.16 229	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

cc1	0.10 54	0.08 145	0.12 95	0.17 118	0.09 135	0.13 136	0.15 119	0.16 47	0.18 121	0.09 19	0.09 25	0.06 3	0.06 6	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

tt1	0.10 54	0.08 145	0.12 95	0.17 118	0.09 135	0.12 108	0.16 176	0.15 31	0.19 133	0.09 19	0.08 17	0.06 3	0.06 6	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

StereoIM	0.09 14	0.09 196	0.08 12	0.17 118	0.09 135	0.13 136	0.10 6	0.16 47	0.16 92	0.09 19	0.11 58	0.06 3	0.06 6	0.09 10	0.13 163	0.07 145	0.06 195	0.07 102	0.05 34	0.05 41	0.04 7

MSKI-zero shot	0.09 14	0.05 6	0.09 30	0.15 40	0.07 19	0.10 59	0.13 44	0.14 19	0.13 45	0.09 19	0.09 25	0.09 40	0.06 6	0.12 105	0.10 53	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.04 7

RAFT-Test	0.09 14	0.06 21	0.10 47	0.15 40	0.07 19	0.11 85	0.15 119	0.16 47	0.13 45	0.09 19	0.10 41	0.10 62	0.09 72	0.12 105	0.09 20	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

CAS	0.08 2	0.04 1	0.07 2	0.17 118	0.08 50	0.10 59	0.13 44	0.12 6	0.09 3	0.09 19	0.10 41	0.08 27	0.06 6	0.09 10	0.08 11	0.08 195	0.04 2	0.05 2	0.03 1	0.05 41	0.04 7

anonymousdsp	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

LoS	0.09 14	0.05 6	0.11 74	0.13 7	0.07 19	0.14 160	0.11 11	0.15 31	0.15 74	0.09 19	0.09 25	0.12 95	0.09 72	0.15 172	0.10 53	0.07 145	0.05 110	0.05 2	0.03 1	0.05 41	0.05 53

ProNet	0.09 14	0.07 72	0.10 47	0.17 118	0.08 50	0.10 59	0.15 119	0.15 31	0.12 28	0.09 19	0.06 2	0.07 18	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.06 103

MC-Stereo	0.08 2	0.06 21	0.09 30	0.17 118	0.06 3	0.10 59	0.14 71	0.12 6	0.10 9	0.09 19	0.12 66	0.09 40	0.06 6	0.11 48	0.10 53	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

RCA-Stereo	0.09 14	0.06 21	0.09 30	0.16 71	0.06 3	0.09 35	0.13 44	0.18 101	0.14 62	0.09 19	0.10 41	0.08 27	0.07 34	0.12 105	0.11 91	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 7

CroCo-Stereo Lap2	0.09 14	0.09 196	0.08 12	0.22 312	0.09 135	0.09 35	0.19 268	0.16 47	0.12 28	0.09 19	0.10 41	0.05 1	0.05 2	0.08 6	0.08 11	0.06 58	0.06 195	0.07 102	0.05 34	0.05 41	0.05 53

IGEV-Stereo	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
test-3	0.08 2	0.06 21	0.09 30	0.17 118	0.07 19	0.07 16	0.14 71	0.12 6	0.15 74	0.09 19	0.08 17	0.07 18	0.08 53	0.11 48	0.10 53	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 7

test_1	0.08 2	0.06 21	0.09 30	0.17 118	0.07 19	0.07 16	0.14 71	0.12 6	0.15 74	0.09 19	0.08 17	0.07 18	0.08 53	0.11 48	0.10 53	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 7

TRStereo	0.09 14	0.05 6	0.12 95	0.15 40	0.12 289	0.10 59	0.13 44	0.18 101	0.18 121	0.09 19	0.09 25	0.09 40	0.06 6	0.10 19	0.08 11	0.07 145	0.05 110	0.07 102	0.07 165	0.04 1	0.04 7

test-1	0.10 54	0.07 72	0.16 227	0.19 232	0.08 50	0.11 85	0.24 328	0.14 19	0.18 121	0.09 19	0.07 14	0.09 40	0.08 53	0.07 1	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

iRaftStereo_RVC	0.10 54	0.07 72	0.09 30	0.17 118	0.09 135	0.11 85	0.17 197	0.18 101	0.12 28	0.09 19	0.12 66	0.10 62	0.07 34	0.11 48	0.10 53	0.05 2	0.04 2	0.08 166	0.08 216	0.04 1	0.04 7

RAFT-Stereo + iAFF	0.09 14	0.06 21	0.10 47	0.17 118	0.06 3	0.10 59	0.16 176	0.17 77	0.14 62	0.09 19	0.10 41	0.08 27	0.09 72	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.03 1

PMTNet	0.09 14	0.05 6	0.09 30	0.12 3	0.06 3	0.12 108	0.14 71	0.15 31	0.11 20	0.09 19	0.13 76	0.10 62	0.07 34	0.13 137	0.10 53	0.15 352	0.04 2	0.05 2	0.03 1	0.07 160	0.06 103

H2IRNET	0.10 54	0.09 196	0.09 30	0.18 185	0.09 135	0.12 108	0.15 119	0.14 19	0.21 167	0.10 44	0.10 41	0.10 62	0.10 93	0.10 19	0.10 53	0.05 2	0.04 2	0.08 166	0.08 216	0.06 103	0.05 53

Former-RAFT_DAM_RVC	0.10 54	0.08 145	0.12 95	0.16 71	0.08 50	0.15 182	0.16 176	0.18 101	0.18 121	0.10 44	0.09 25	0.09 40	0.08 53	0.11 48	0.12 133	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.06 103

ff7	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEVStereo-DCA	0.09 14	0.06 21	0.11 74	0.15 40	0.10 222	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.08 27	0.06 6	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ffff	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

rrr	0.09 14	0.06 21	0.12 95	0.15 40	0.10 222	0.11 85	0.16 176	0.16 47	0.15 74	0.10 44	0.06 2	0.08 27	0.06 6	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

11t	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEV_Zeroshot_test	0.09 14	0.05 6	0.12 95	0.13 7	0.08 50	0.12 108	0.13 44	0.17 77	0.11 20	0.10 44	0.06 2	0.09 40	0.06 6	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

MIF-Stereo	0.09 14	0.07 72	0.08 12	0.18 185	0.08 50	0.13 136	0.11 11	0.12 6	0.11 20	0.10 44	0.12 66	0.05 1	0.07 34	0.09 10	0.09 20	0.07 145	0.05 110	0.05 2	0.05 34	0.05 41	0.05 53

4D-IteraStereo	0.09 14	0.07 72	0.10 47	0.18 185	0.07 19	0.09 35	0.15 119	0.17 77	0.15 74	0.10 44	0.11 58	0.10 62	0.07 34	0.11 48	0.09 20	0.05 2	0.03 1	0.08 166	0.07 165	0.06 103	0.05 53

Selective-RAFT	0.11 85	0.10 244	0.11 74	0.21 299	0.08 50	0.16 206	0.13 44	0.20 128	0.22 179	0.10 44	0.10 41	0.11 79	0.10 93	0.15 172	0.11 91	0.05 2	0.05 110	0.06 34	0.05 34	0.06 103	0.05 53

ccc-4	0.09 14	0.07 72	0.11 74	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 6	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

test_3	0.10 54	0.09 196	0.10 47	0.20 274	0.08 50	0.13 136	0.26 348	0.14 19	0.21 167	0.10 44	0.10 41	0.09 40	0.09 72	0.08 6	0.11 91	0.05 2	0.04 2	0.08 166	0.07 165	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 7	0.07 19	0.09 35	0.12 22	0.14 19	0.14 62	0.10 44	0.14 86	0.08 27	0.07 34	0.09 10	0.11 91	0.06 58	0.04 2	0.05 2	0.05 34	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
s12784h	0.09 14	0.06 21	0.07 2	0.15 40	0.05 1	0.16 206	0.18 237	0.15 31	0.15 74	0.10 44	0.11 58	0.11 79	0.11 115	0.10 19	0.12 133	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 7

raftrobust	0.09 14	0.06 21	0.10 47	0.17 118	0.08 50	0.09 35	0.10 6	0.18 101	0.16 92	0.10 44	0.09 25	0.12 95	0.07 34	0.12 105	0.10 53	0.08 195	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

sCroCo_RVC	0.12 141	0.09 196	0.23 306	0.24 336	0.11 260	0.19 260	0.14 71	0.17 77	0.14 62	0.10 44	0.13 76	0.12 95	0.07 34	0.14 153	0.11 91	0.08 195	0.08 274	0.08 166	0.08 216	0.05 41	0.07 163

XX-Stereo	0.09 14	0.05 6	0.08 12	0.17 118	0.09 135	0.15 182	0.12 22	0.20 128	0.10 9	0.10 44	0.14 86	0.07 18	0.06 6	0.12 105	0.08 11	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 7

test_xeample3	0.09 14	0.06 21	0.12 95	0.16 71	0.09 135	0.11 85	0.15 119	0.16 47	0.13 45	0.10 44	0.06 2	0.08 27	0.06 6	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

AFF-stereo	0.09 14	0.06 21	0.10 47	0.17 118	0.07 19	0.10 59	0.16 176	0.17 77	0.09 3	0.10 44	0.12 66	0.09 40	0.09 72	0.12 105	0.09 20	0.05 2	0.04 2	0.07 102	0.07 165	0.04 1	0.03 1

CAS++	0.11 85	0.07 72	0.11 74	0.14 14	0.09 135	0.12 108	0.14 71	0.24 196	0.14 62	0.11 64	0.09 25	0.11 79	0.07 34	0.14 153	0.09 20	0.11 293	0.09 297	0.09 232	0.07 165	0.07 160	0.08 223
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
EKT-Stereo	0.11 85	0.07 72	0.14 160	0.15 40	0.10 222	0.13 136	0.14 71	0.18 101	0.21 167	0.11 64	0.08 17	0.12 95	0.09 72	0.11 48	0.12 133	0.08 195	0.06 195	0.07 102	0.06 90	0.08 205	0.07 163

CASnet	0.09 14	0.09 196	0.09 30	0.19 232	0.06 3	0.07 16	0.11 11	0.18 101	0.14 62	0.11 64	0.10 41	0.09 40	0.07 34	0.10 19	0.10 53	0.06 58	0.04 2	0.10 274	0.08 216	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.10 54	0.05 6	0.09 30	0.14 14	0.07 19	0.13 136	0.14 71	0.21 145	0.15 74	0.11 64	0.12 66	0.12 95	0.09 72	0.12 105	0.09 20	0.07 145	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

DCRE	0.11 85	0.07 72	0.13 134	0.16 71	0.11 260	0.11 85	0.17 197	0.18 101	0.17 104	0.11 64	0.18 148	0.10 62	0.10 93	0.15 172	0.11 91	0.06 58	0.05 110	0.06 34	0.06 90	0.05 41	0.04 7

knoymous	0.11 85	0.05 6	0.12 95	0.13 7	0.07 19	0.15 182	0.14 71	0.19 121	0.13 45	0.11 64	0.17 126	0.13 118	0.09 72	0.13 137	0.11 91	0.08 195	0.05 110	0.06 34	0.05 34	0.08 205	0.07 163

riskmin	0.11 85	0.06 21	0.13 134	0.14 14	0.08 50	0.14 160	0.14 71	0.18 101	0.14 62	0.11 64	0.14 86	0.16 168	0.11 115	0.14 153	0.12 133	0.09 241	0.05 110	0.07 102	0.05 34	0.08 205	0.08 223

iRaft-Stereo_20w	0.09 14	0.05 6	0.13 134	0.14 14	0.08 50	0.12 108	0.15 119	0.18 101	0.10 9	0.11 64	0.08 17	0.08 27	0.05 2	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

MIPNet	0.11 85	0.08 145	0.14 160	0.17 118	0.09 135	0.12 108	0.14 71	0.20 128	0.24 198	0.11 64	0.10 41	0.09 40	0.07 34	0.13 137	0.12 133	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

IPLGR	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.12 108	0.17 197	0.21 145	0.24 198	0.11 64	0.12 66	0.11 79	0.08 53	0.12 105	0.12 133	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 7

GMOStereo	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

error version	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

test-v	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

LCNet	0.11 85	0.07 72	0.09 30	0.19 232	0.09 135	0.08 23	0.15 119	0.21 145	0.15 74	0.11 64	0.15 100	0.16 168	0.11 115	0.12 105	0.11 91	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.15 349

STrans-v2	0.10 54	0.07 72	0.12 95	0.18 185	0.07 19	0.10 59	0.14 71	0.21 145	0.11 20	0.11 64	0.15 100	0.12 95	0.10 93	0.11 48	0.12 133	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.04 7

RAFT-345	0.11 85	0.07 72	0.15 197	0.16 71	0.08 50	0.08 23	0.12 22	0.15 31	0.10 9	0.11 64	0.36 314	0.09 40	0.09 72	0.11 48	0.12 133	0.05 2	0.05 110	0.07 102	0.06 90	0.04 1	0.05 53

test-2	0.11 85	0.09 196	0.07 2	0.19 232	0.08 50	0.12 108	0.28 360	0.13 12	0.17 104	0.11 64	0.17 126	0.14 133	0.12 144	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 7

GMM-Stereo	0.11 85	0.07 72	0.10 47	0.18 185	0.09 135	0.08 23	0.15 119	0.23 178	0.16 92	0.11 64	0.15 100	0.13 118	0.11 115	0.11 48	0.11 91	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.09 257

TANstereo	0.09 14	0.04 1	0.08 12	0.13 7	0.06 3	0.11 85	0.14 71	0.15 31	0.19 133	0.11 64	0.15 100	0.10 62	0.06 6	0.12 105	0.09 20	0.07 145	0.05 110	0.05 2	0.04 9	0.06 103	0.05 53

XX-TBD	0.09 14	0.06 21	0.07 2	0.14 14	0.07 19	0.12 108	0.16 176	0.14 19	0.13 45	0.11 64	0.12 66	0.09 40	0.08 53	0.10 19	0.10 53	0.06 58	0.04 2	0.05 2	0.03 1	0.06 103	0.05 53

sAnonymous2	0.13 163	0.12 278	0.24 309	0.20 274	0.12 289	0.17 225	0.13 44	0.26 222	0.21 167	0.11 64	0.11 58	0.13 118	0.08 53	0.10 19	0.10 53	0.09 241	0.05 110	0.08 166	0.06 90	0.15 349	0.10 276

CroCo_RVC	0.13 163	0.12 278	0.24 309	0.20 274	0.12 289	0.17 225	0.13 44	0.26 222	0.21 167	0.11 64	0.11 58	0.13 118	0.08 53	0.10 19	0.10 53	0.09 241	0.05 110	0.08 166	0.06 90	0.15 349	0.10 276

111	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.10 59	0.14 71	0.21 145	0.23 188	0.11 64	0.12 66	0.14 133	0.11 115	0.13 137	0.10 53	0.06 58	0.04 2	0.06 34	0.04 9	0.05 41	0.05 53

RAFT + AFF	0.13 163	0.07 72	0.20 287	0.20 274	0.10 222	0.14 160	0.24 328	0.26 222	0.20 154	0.11 64	0.10 41	0.12 95	0.10 93	0.15 172	0.12 133	0.07 145	0.06 195	0.09 232	0.08 216	0.06 103	0.08 223

DIP-Stereo	0.11 85	0.07 72	0.14 160	0.17 118	0.09 135	0.13 136	0.09 3	0.16 47	0.16 92	0.11 64	0.16 108	0.14 133	0.12 144	0.15 172	0.13 163	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MyStereo8	0.12 141	0.07 72	0.15 197	0.15 40	0.09 135	0.18 240	0.14 71	0.19 121	0.22 179	0.12 89	0.18 148	0.11 79	0.10 93	0.16 204	0.18 254	0.07 145	0.05 110	0.07 102	0.05 34	0.08 205	0.09 257

MyStereo06	0.10 54	0.07 72	0.12 95	0.17 118	0.09 135	0.13 136	0.18 237	0.19 121	0.12 28	0.12 89	0.08 17	0.07 18	0.07 34	0.11 48	0.09 20	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

StereoVision	0.13 163	0.12 278	0.09 30	0.24 336	0.10 222	0.15 182	0.21 299	0.21 145	0.20 154	0.12 89	0.24 203	0.10 62	0.10 93	0.16 204	0.10 53	0.09 241	0.11 326	0.12 316	0.12 330	0.06 103	0.05 53

test_4	0.10 54	0.10 244	0.08 12	0.19 232	0.09 135	0.08 23	0.22 309	0.15 31	0.17 104	0.12 89	0.18 148	0.12 95	0.09 72	0.08 6	0.11 91	0.04 1	0.04 2	0.08 166	0.08 216	0.04 1	0.03 1

GLC_STEREO	0.11 85	0.07 72	0.11 74	0.17 118	0.07 19	0.09 35	0.13 44	0.15 31	0.24 198	0.12 89	0.13 76	0.12 95	0.08 53	0.18 237	0.11 91	0.06 58	0.08 274	0.08 166	0.06 90	0.05 41	0.05 53

IPLG	0.10 54	0.07 72	0.15 197	0.17 118	0.08 50	0.11 85	0.14 71	0.20 128	0.15 74	0.12 89	0.17 126	0.07 18	0.07 34	0.14 153	0.13 163	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 7

TransformOpticalFlow	0.10 54	0.08 145	0.13 134	0.18 185	0.07 19	0.09 35	0.15 119	0.19 121	0.15 74	0.12 89	0.17 126	0.11 79	0.11 115	0.11 48	0.10 53	0.05 2	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

NF-Stereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

OCTAStereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

NRIStereo	0.11 85	0.08 145	0.14 160	0.18 185	0.08 50	0.10 59	0.14 71	0.16 47	0.15 74	0.12 89	0.14 86	0.13 118	0.12 144	0.13 137	0.10 53	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.07 163

PSM-AAD	0.11 85	0.07 72	0.10 47	0.19 232	0.09 135	0.10 59	0.15 119	0.20 128	0.13 45	0.12 89	0.14 86	0.18 198	0.11 115	0.11 48	0.10 53	0.05 2	0.05 110	0.09 232	0.08 216	0.06 103	0.14 341

FTStereo	0.12 141	0.06 21	0.14 160	0.18 185	0.09 135	0.07 16	0.15 119	0.21 145	0.18 121	0.12 89	0.24 203	0.12 95	0.12 144	0.13 137	0.13 163	0.05 2	0.05 110	0.07 102	0.06 90	0.06 103	0.10 276

ASMatch	0.11 85	0.06 21	0.13 134	0.16 71	0.10 222	0.07 16	0.14 71	0.17 77	0.17 104	0.12 89	0.16 108	0.16 168	0.10 93	0.13 137	0.10 53	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.08 223

RE-Stereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

TVStereo	0.11 85	0.07 72	0.13 134	0.17 118	0.09 135	0.10 59	0.14 71	0.23 178	0.19 133	0.12 89	0.17 126	0.12 95	0.11 115	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 310

Prome-Stereo	0.11 85	0.06 21	0.10 47	0.18 185	0.08 50	0.12 108	0.15 119	0.22 161	0.13 45	0.12 89	0.17 126	0.13 118	0.08 53	0.12 105	0.10 53	0.05 2	0.04 2	0.07 102	0.06 90	0.06 103	0.09 257

raft+_RVC	0.11 85	0.07 72	0.09 30	0.16 71	0.07 19	0.10 59	0.11 11	0.24 196	0.20 154	0.12 89	0.15 100	0.12 95	0.08 53	0.12 105	0.13 163	0.07 145	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

RALCasStereoNet	0.10 54	0.06 21	0.09 30	0.16 71	0.08 50	0.12 108	0.14 71	0.17 77	0.11 20	0.12 89	0.17 126	0.14 133	0.10 93	0.12 105	0.11 91	0.07 145	0.06 195	0.06 34	0.05 34	0.08 205	0.07 163

ARAFT	0.12 141	0.08 145	0.17 252	0.19 232	0.09 135	0.14 160	0.18 237	0.20 128	0.12 28	0.12 89	0.13 76	0.14 133	0.11 115	0.15 172	0.12 133	0.06 58	0.05 110	0.10 274	0.09 257	0.05 41	0.04 7

R-Stereo Train	0.10 54	0.06 21	0.10 47	0.17 118	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 89	0.19 154	0.11 79	0.08 53	0.09 10	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

RAFT-Stereo	0.10 54	0.06 21	0.10 47	0.17 118	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 89	0.19 154	0.11 79	0.08 53	0.09 10	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
CoDeX	0.12 141	0.07 72	0.12 95	0.17 118	0.08 50	0.12 108	0.15 119	0.23 178	0.27 237	0.13 110	0.17 126	0.16 168	0.11 115	0.14 153	0.11 91	0.07 145	0.05 110	0.07 102	0.06 90	0.06 103	0.05 53

test croco	0.10 54	0.08 145	0.10 47	0.19 232	0.09 135	0.10 59	0.15 119	0.14 19	0.13 45	0.13 110	0.15 100	0.09 40	0.12 144	0.13 137	0.12 133	0.07 145	0.05 110	0.09 232	0.06 90	0.06 103	0.06 103

MIM_Stereo	0.09 14	0.07 72	0.11 74	0.15 40	0.07 19	0.06 2	0.12 22	0.20 128	0.14 62	0.13 110	0.13 76	0.09 40	0.05 2	0.12 105	0.08 11	0.05 2	0.06 195	0.07 102	0.06 90	0.06 103	0.05 53

anonymousdsp2	0.11 85	0.07 72	0.10 47	0.16 71	0.09 135	0.13 136	0.14 71	0.18 101	0.22 179	0.13 110	0.14 86	0.12 95	0.09 72	0.14 153	0.11 91	0.05 2	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

DCANet-4	0.10 54	0.06 21	0.12 95	0.16 71	0.06 3	0.09 35	0.17 197	0.18 101	0.19 133	0.13 110	0.16 108	0.09 40	0.14 199	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

fff	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.09 35	0.17 197	0.16 47	0.20 154	0.13 110	0.16 108	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

ADStereo(finetuned)	0.10 54	0.06 21	0.12 95	0.16 71	0.06 3	0.09 35	0.17 197	0.15 31	0.19 133	0.13 110	0.17 126	0.10 62	0.12 144	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

GwcNet-ADL	0.13 163	0.08 145	0.14 160	0.20 274	0.09 135	0.11 85	0.20 283	0.30 278	0.24 198	0.13 110	0.14 86	0.18 198	0.14 199	0.13 137	0.14 191	0.07 145	0.05 110	0.06 34	0.05 34	0.07 160	0.06 103

GANet-ADL	0.13 163	0.07 72	0.15 197	0.17 118	0.10 222	0.18 240	0.15 119	0.30 278	0.20 154	0.13 110	0.18 148	0.19 207	0.12 144	0.16 204	0.13 163	0.08 195	0.06 195	0.06 34	0.05 34	0.07 160	0.08 223

OMP-Stereo	0.11 85	0.06 21	0.14 160	0.18 185	0.08 50	0.09 35	0.12 22	0.21 145	0.21 167	0.13 110	0.14 86	0.11 79	0.12 144	0.11 48	0.13 163	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.04 7

KYRaft	0.11 85	0.07 72	0.10 47	0.19 232	0.09 135	0.08 23	0.15 119	0.22 161	0.12 28	0.13 110	0.16 108	0.20 217	0.10 93	0.12 105	0.10 53	0.05 2	0.04 2	0.08 166	0.08 216	0.06 103	0.16 360

Pruner-Stereo	0.11 85	0.07 72	0.12 95	0.17 118	0.09 135	0.06 2	0.12 22	0.17 77	0.17 104	0.13 110	0.19 154	0.13 118	0.09 72	0.11 48	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.08 223

DeepStereo_RVC	0.11 85	0.08 145	0.16 227	0.18 185	0.08 50	0.08 23	0.12 22	0.17 77	0.12 28	0.13 110	0.14 86	0.12 95	0.12 144	0.12 105	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.07 160	0.08 223

RAFT-RH_RVC	0.11 85	0.06 21	0.14 160	0.16 71	0.09 135	0.12 108	0.12 22	0.17 77	0.12 28	0.13 110	0.41 348	0.11 79	0.10 93	0.13 137	0.12 133	0.05 2	0.04 2	0.08 166	0.05 34	0.04 1	0.06 103

AnonymousM	0.09 14	0.05 6	0.10 47	0.14 14	0.06 3	0.09 35	0.13 44	0.19 121	0.14 62	0.13 110	0.11 58	0.09 40	0.08 53	0.13 137	0.10 53	0.08 195	0.05 110	0.08 166	0.05 34	0.05 41	0.05 53

rafts_anoy	0.11 85	0.06 21	0.10 47	0.17 118	0.08 50	0.10 59	0.14 71	0.17 77	0.14 62	0.13 110	0.13 76	0.12 95	0.10 93	0.11 48	0.12 133	0.07 145	0.04 2	0.09 232	0.11 312	0.07 160	0.06 103

DCANet	0.10 54	0.06 21	0.12 95	0.16 71	0.06 3	0.09 35	0.17 197	0.15 31	0.19 133	0.13 110	0.17 126	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

csc	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.09 35	0.17 197	0.16 47	0.20 154	0.13 110	0.16 108	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

cscssc	0.10 54	0.06 21	0.12 95	0.15 40	0.07 19	0.09 35	0.17 197	0.16 47	0.20 154	0.13 110	0.16 108	0.10 62	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

HITNet	0.10 54	0.06 21	0.12 95	0.14 14	0.06 3	0.11 85	0.10 6	0.18 101	0.18 121	0.13 110	0.16 108	0.14 133	0.11 115	0.15 172	0.13 163	0.06 58	0.04 2	0.04 1	0.04 9	0.06 103	0.05 53
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MIF-Stereo (partial)	0.11 85	0.06 21	0.10 47	0.19 232	0.10 222	0.10 59	0.11 11	0.17 77	0.18 121	0.14 130	0.16 108	0.09 40	0.11 115	0.12 105	0.12 133	0.08 195	0.05 110	0.08 166	0.07 165	0.06 103	0.07 163

PCWNet_CMD	0.14 192	0.08 145	0.15 197	0.17 118	0.09 135	0.14 160	0.14 71	0.29 264	0.36 304	0.14 130	0.20 165	0.21 223	0.12 144	0.17 226	0.13 163	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

LL-Strereo2	0.10 54	0.10 244	0.15 197	0.18 185	0.08 50	0.15 182	0.09 3	0.17 77	0.14 62	0.14 130	0.10 41	0.09 40	0.07 34	0.16 204	0.10 53	0.05 2	0.05 110	0.10 274	0.07 165	0.06 103	0.05 53

DisPM	0.11 85	0.07 72	0.12 95	0.16 71	0.09 135	0.06 2	0.13 44	0.17 77	0.17 104	0.14 130	0.20 165	0.12 95	0.10 93	0.11 48	0.10 53	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.11 299

CIPLG	0.11 85	0.08 145	0.14 160	0.17 118	0.08 50	0.12 108	0.15 119	0.17 77	0.15 74	0.14 130	0.11 58	0.16 168	0.09 72	0.16 204	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

IPLGR_C	0.11 85	0.08 145	0.14 160	0.17 118	0.08 50	0.12 108	0.15 119	0.17 77	0.15 74	0.14 130	0.10 41	0.16 168	0.09 72	0.16 204	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ACRE	0.11 85	0.08 145	0.14 160	0.17 118	0.08 50	0.12 108	0.15 119	0.17 77	0.14 62	0.14 130	0.10 41	0.16 168	0.09 72	0.16 204	0.11 91	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

HHNet	0.11 85	0.06 21	0.16 227	0.15 40	0.14 324	0.07 16	0.13 44	0.20 128	0.17 104	0.14 130	0.25 232	0.11 79	0.08 53	0.13 137	0.10 53	0.05 2	0.04 2	0.08 166	0.06 90	0.05 41	0.09 257

IIG-Stereo	0.11 85	0.06 21	0.13 134	0.17 118	0.08 50	0.11 85	0.12 22	0.22 161	0.17 104	0.14 130	0.17 126	0.11 79	0.12 144	0.12 105	0.12 133	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 7

PSM-softLoss	0.12 141	0.07 72	0.15 197	0.17 118	0.09 135	0.08 23	0.13 44	0.24 196	0.17 104	0.14 130	0.19 154	0.13 118	0.11 115	0.11 48	0.11 91	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 310

KMStereo	0.12 141	0.07 72	0.15 197	0.17 118	0.09 135	0.08 23	0.13 44	0.24 196	0.17 104	0.14 130	0.19 154	0.13 118	0.11 115	0.11 48	0.11 91	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 310

RAFT_R40	0.11 85	0.07 72	0.14 160	0.18 185	0.09 135	0.06 2	0.13 44	0.17 77	0.16 92	0.14 130	0.18 148	0.15 157	0.12 144	0.10 19	0.11 91	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

GrayStereo	0.11 85	0.06 21	0.11 74	0.19 232	0.09 135	0.09 35	0.16 176	0.18 101	0.17 104	0.14 130	0.17 126	0.17 187	0.11 115	0.12 105	0.11 91	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.10 276

IRAFT_RVC	0.12 141	0.08 145	0.16 227	0.19 232	0.08 50	0.07 16	0.15 119	0.24 196	0.23 188	0.14 130	0.14 86	0.15 157	0.12 144	0.12 105	0.10 53	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.06 103

CRE-IMP	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.10 59	0.12 22	0.18 101	0.10 9	0.14 130	0.13 76	0.13 118	0.12 144	0.12 105	0.11 91	0.07 145	0.04 2	0.08 166	0.06 90	0.08 205	0.08 223

TestStereo	0.13 163	0.14 311	0.11 74	0.23 331	0.08 50	0.15 182	0.21 299	0.20 128	0.23 188	0.14 130	0.24 203	0.16 168	0.12 144	0.16 204	0.14 191	0.05 2	0.06 195	0.08 166	0.06 90	0.09 253	0.05 53

CFNet_pseudo	0.14 192	0.08 145	0.15 197	0.16 71	0.09 135	0.13 136	0.14 71	0.27 240	0.34 292	0.14 130	0.21 179	0.22 240	0.13 176	0.18 237	0.14 191	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.07 163

RALAANet	0.11 85	0.08 145	0.10 47	0.17 118	0.09 135	0.14 160	0.10 6	0.20 128	0.15 74	0.14 130	0.13 76	0.16 168	0.09 72	0.12 105	0.11 91	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 7

Anonymous	0.14 192	0.10 244	0.24 309	0.22 312	0.13 307	0.18 240	0.22 309	0.20 128	0.19 133	0.14 130	0.12 66	0.11 79	0.13 176	0.16 204	0.13 163	0.08 195	0.07 252	0.08 166	0.08 216	0.12 309	0.10 276

xxxx	0.15 226	0.07 72	0.14 160	0.14 14	0.08 50	0.23 307	0.18 237	0.31 284	0.19 133	0.14 130	0.28 263	0.22 240	0.14 199	0.15 172	0.26 336	0.09 241	0.05 110	0.07 102	0.07 165	0.08 205	0.07 163

SFCPSM	0.13 163	0.07 72	0.14 160	0.17 118	0.09 135	0.15 182	0.16 176	0.28 254	0.27 237	0.14 130	0.17 126	0.12 95	0.13 176	0.14 153	0.11 91	0.08 195	0.05 110	0.07 102	0.07 165	0.07 160	0.06 103

DMCA	0.14 192	0.09 196	0.16 227	0.19 232	0.09 135	0.15 182	0.17 197	0.23 178	0.27 237	0.14 130	0.19 154	0.17 187	0.18 261	0.15 172	0.17 240	0.10 272	0.06 195	0.08 166	0.06 90	0.09 253	0.10 276

MSMDNet	0.14 192	0.08 145	0.15 197	0.17 118	0.09 135	0.14 160	0.14 71	0.29 264	0.36 304	0.14 130	0.21 179	0.21 223	0.12 144	0.17 226	0.14 191	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

ccs_rob	0.14 192	0.08 145	0.15 197	0.16 71	0.09 135	0.12 108	0.14 71	0.27 240	0.34 292	0.14 130	0.21 179	0.22 240	0.13 176	0.18 237	0.14 191	0.07 145	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

mmm	0.14 192	0.08 145	0.17 252	0.17 118	0.09 135	0.17 225	0.18 237	0.21 145	0.15 74	0.15 154	0.23 194	0.21 223	0.16 232	0.16 204	0.17 240	0.08 195	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

11t1	0.12 141	0.06 21	0.13 134	0.14 14	0.08 50	0.17 225	0.15 119	0.18 101	0.15 74	0.15 154	0.15 100	0.16 168	0.16 232	0.15 172	0.13 163	0.08 195	0.05 110	0.06 34	0.05 34	0.08 205	0.07 163

DualNet	0.13 163	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.15 31	0.19 133	0.15 154	0.25 232	0.19 207	0.13 176	0.10 19	0.20 269	0.06 58	0.04 2	0.09 232	0.08 216	0.06 103	0.06 103

ffm	0.12 141	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.15 31	0.19 133	0.15 154	0.25 232	0.19 207	0.13 176	0.10 19	0.07 1	0.06 58	0.04 2	0.09 232	0.08 216	0.06 103	0.06 103

ff1	0.13 163	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.15 31	0.19 133	0.15 154	0.25 232	0.19 207	0.13 176	0.14 153	0.20 269	0.06 58	0.04 2	0.09 232	0.08 216	0.06 103	0.06 103

mmx	0.14 192	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.27 240	0.25 217	0.15 154	0.25 232	0.19 207	0.13 176	0.14 153	0.20 269	0.08 195	0.06 195	0.09 232	0.08 216	0.08 205	0.08 223

xxx	0.14 192	0.09 196	0.14 160	0.16 71	0.08 50	0.17 225	0.17 197	0.27 240	0.25 217	0.15 154	0.25 232	0.19 207	0.13 176	0.14 153	0.20 269	0.08 195	0.06 195	0.09 232	0.08 216	0.08 205	0.08 223

LL-Strereo	0.13 163	0.09 196	0.11 74	0.20 274	0.10 222	0.11 85	0.18 237	0.32 293	0.24 198	0.15 154	0.15 100	0.14 133	0.13 176	0.19 248	0.11 91	0.06 58	0.04 2	0.09 232	0.08 216	0.04 1	0.05 53

anonymousa	0.13 163	0.07 72	0.13 134	0.18 185	0.09 135	0.13 136	0.17 197	0.19 121	0.29 255	0.15 154	0.24 203	0.15 157	0.14 199	0.14 153	0.14 191	0.07 145	0.05 110	0.07 102	0.09 257	0.05 41	0.06 103

qqq	0.13 163	0.09 196	0.15 197	0.16 71	0.08 50	0.13 136	0.15 119	0.23 178	0.16 92	0.15 154	0.19 154	0.16 168	0.16 232	0.15 172	0.16 229	0.07 145	0.06 195	0.08 166	0.08 216	0.07 160	0.07 163

x	0.13 163	0.07 72	0.14 160	0.14 14	0.08 50	0.18 240	0.14 71	0.22 161	0.20 154	0.15 154	0.19 154	0.19 207	0.17 251	0.18 237	0.18 254	0.07 145	0.05 110	0.06 34	0.06 90	0.07 160	0.07 163

RAFT+CT+SA	0.13 163	0.11 264	0.09 30	0.19 232	0.09 135	0.15 182	0.28 360	0.22 161	0.22 179	0.15 154	0.26 247	0.10 62	0.10 93	0.11 48	0.12 133	0.05 2	0.04 2	0.07 102	0.08 216	0.07 160	0.06 103

Sa-1000	0.12 141	0.08 145	0.08 12	0.18 185	0.08 50	0.14 160	0.22 309	0.22 161	0.18 121	0.15 154	0.20 165	0.17 187	0.11 115	0.10 19	0.10 53	0.06 58	0.05 110	0.09 232	0.09 257	0.05 41	0.05 53

Patchmatch Stereo++	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

ROB_FTStereo_v2	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

ROB_FTStereo	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

HUI-Stereo	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

SST-Stereo	0.10 54	0.07 72	0.15 197	0.18 185	0.09 135	0.06 2	0.12 22	0.17 77	0.11 20	0.15 154	0.17 126	0.13 118	0.12 144	0.10 19	0.11 91	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

iGMRVC	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

iRAFT	0.11 85	0.09 196	0.16 227	0.18 185	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

RAFT-IKP	0.11 85	0.09 196	0.16 227	0.19 232	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 154	0.16 108	0.14 133	0.12 144	0.11 48	0.10 53	0.06 58	0.04 2	0.08 166	0.06 90	0.08 205	0.07 163

Anonymous3	0.16 244	0.13 299	0.33 343	0.26 352	0.14 324	0.27 337	0.17 197	0.28 254	0.28 248	0.15 154	0.17 126	0.14 133	0.10 93	0.15 172	0.12 133	0.08 195	0.08 274	0.08 166	0.08 216	0.08 205	0.11 299

NVstereo2D	0.19 285	0.10 244	0.15 197	0.17 118	0.15 335	0.28 343	0.23 319	0.44 374	0.42 333	0.15 154	0.27 254	0.25 268	0.19 276	0.22 294	0.17 240	0.09 241	0.06 195	0.10 274	0.08 216	0.15 349	0.09 257

iResNet	0.13 163	0.10 244	0.18 270	0.19 232	0.08 50	0.13 136	0.18 237	0.20 128	0.26 230	0.15 154	0.23 194	0.15 157	0.13 176	0.14 153	0.14 191	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

ttt	0.14 192	0.08 145	0.14 160	0.15 40	0.08 50	0.15 182	0.18 237	0.27 240	0.29 255	0.16 179	0.24 203	0.17 187	0.13 176	0.13 137	0.14 191	0.11 293	0.08 274	0.09 232	0.08 216	0.09 253	0.08 223

CFNet_ucs	0.15 226	0.08 145	0.16 227	0.16 71	0.11 260	0.14 160	0.14 71	0.30 278	0.34 292	0.16 179	0.24 203	0.23 252	0.14 199	0.18 237	0.15 214	0.09 241	0.06 195	0.08 166	0.07 165	0.09 253	0.09 257

ADLNet2	0.16 244	0.09 196	0.13 134	0.16 71	0.09 135	0.20 272	0.16 176	0.31 284	0.39 318	0.16 179	0.20 165	0.20 217	0.18 261	0.21 283	0.22 297	0.08 195	0.06 195	0.07 102	0.07 165	0.09 253	0.07 163

PFNet+	0.11 85	0.06 21	0.13 134	0.16 71	0.09 135	0.05 1	0.12 22	0.17 77	0.21 167	0.16 179	0.19 154	0.14 133	0.10 93	0.11 48	0.11 91	0.08 195	0.05 110	0.09 232	0.08 216	0.06 103	0.11 299

AAGNet	0.11 85	0.07 72	0.16 227	0.19 232	0.09 135	0.08 23	0.13 44	0.18 101	0.13 45	0.16 179	0.21 179	0.13 118	0.14 199	0.11 48	0.14 191	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

THIR-Stereo	0.12 141	0.07 72	0.11 74	0.15 40	0.08 50	0.14 160	0.16 176	0.17 77	0.25 217	0.16 179	0.24 203	0.14 133	0.12 144	0.12 105	0.14 191	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

PFNet	0.12 141	0.06 21	0.17 252	0.17 118	0.08 50	0.09 35	0.15 119	0.26 222	0.20 154	0.16 179	0.16 108	0.14 133	0.11 115	0.12 105	0.11 91	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

GES	0.14 192	0.08 145	0.16 227	0.15 40	0.10 222	0.13 136	0.13 44	0.28 254	0.25 217	0.16 179	0.23 194	0.18 198	0.13 176	0.16 204	0.13 163	0.08 195	0.07 252	0.07 102	0.06 90	0.08 205	0.09 257

test_xeample	0.15 226	0.06 21	0.13 134	0.14 14	0.08 50	0.21 286	0.20 283	0.28 254	0.20 154	0.16 179	0.29 274	0.19 207	0.16 232	0.15 172	0.26 336	0.09 241	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

GMStereo	0.13 163	0.14 311	0.14 160	0.18 185	0.09 135	0.15 182	0.16 176	0.20 128	0.24 198	0.16 179	0.17 126	0.10 62	0.10 93	0.16 204	0.13 163	0.07 145	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
PSMNet-RSSM	0.14 192	0.07 72	0.13 134	0.15 40	0.08 50	0.13 136	0.16 176	0.24 196	0.24 198	0.16 179	0.28 263	0.22 240	0.14 199	0.15 172	0.13 163	0.11 293	0.06 195	0.09 232	0.12 330	0.08 205	0.07 163

BEATNet_4x	0.12 141	0.08 145	0.14 160	0.18 185	0.07 19	0.15 182	0.07 1	0.22 161	0.18 121	0.16 179	0.19 154	0.18 198	0.14 199	0.16 204	0.15 214	0.07 145	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

DispNO	0.14 192	0.08 145	0.17 252	0.19 232	0.12 289	0.11 85	0.21 299	0.23 178	0.29 255	0.17 191	0.23 194	0.18 198	0.17 251	0.15 172	0.15 214	0.07 145	0.05 110	0.08 166	0.08 216	0.07 160	0.06 103

MyStereo05	0.13 163	0.07 72	0.10 47	0.17 118	0.09 135	0.13 136	0.18 237	0.27 240	0.35 299	0.17 191	0.14 86	0.15 157	0.11 115	0.15 172	0.13 163	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

MyStereo04	0.13 163	0.07 72	0.10 47	0.17 118	0.09 135	0.14 160	0.18 237	0.29 264	0.38 315	0.17 191	0.14 86	0.16 168	0.10 93	0.15 172	0.13 163	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

1111x	0.15 226	0.08 145	0.12 95	0.18 185	0.07 19	0.18 240	0.25 342	0.31 284	0.24 198	0.17 191	0.24 203	0.26 276	0.15 212	0.13 137	0.23 307	0.07 145	0.07 252	0.08 166	0.09 257	0.07 160	0.06 103

whm_eth	0.14 192	0.09 196	0.20 287	0.20 274	0.12 289	0.12 108	0.15 119	0.18 101	0.28 248	0.17 191	0.32 290	0.09 40	0.12 144	0.18 237	0.14 191	0.07 145	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163

CASS	0.13 163	0.12 278	0.11 74	0.23 331	0.09 135	0.15 182	0.17 197	0.18 101	0.19 133	0.17 191	0.18 148	0.15 157	0.15 212	0.14 153	0.14 191	0.09 241	0.06 195	0.10 274	0.08 216	0.09 253	0.07 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
TestStereo1	0.13 163	0.08 145	0.08 12	0.19 232	0.08 50	0.18 240	0.29 368	0.23 178	0.16 92	0.17 191	0.20 165	0.16 168	0.10 93	0.12 105	0.13 163	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

BUS	0.14 192	0.09 196	0.14 160	0.22 312	0.10 222	0.19 260	0.14 71	0.34 320	0.19 133	0.17 191	0.22 188	0.16 168	0.13 176	0.15 172	0.13 163	0.08 195	0.06 195	0.10 274	0.09 257	0.07 160	0.07 163

BSDual-CNN	0.15 226	0.09 196	0.14 160	0.22 312	0.10 222	0.14 160	0.15 119	0.34 320	0.19 133	0.17 191	0.22 188	0.25 268	0.16 232	0.15 172	0.14 191	0.08 195	0.06 195	0.10 274	0.09 257	0.07 160	0.07 163

hknet	0.15 226	0.11 264	0.13 134	0.22 312	0.11 260	0.14 160	0.15 119	0.34 320	0.25 217	0.17 191	0.22 188	0.22 240	0.18 261	0.17 226	0.12 133	0.07 145	0.06 195	0.10 274	0.09 257	0.07 160	0.07 163

SA-5K	0.13 163	0.08 145	0.08 12	0.19 232	0.08 50	0.18 240	0.29 368	0.23 178	0.16 92	0.17 191	0.20 165	0.16 168	0.10 93	0.12 105	0.13 163	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

SA	0.12 141	0.09 196	0.08 12	0.18 185	0.08 50	0.12 108	0.24 328	0.23 178	0.18 121	0.17 191	0.27 254	0.14 133	0.11 115	0.11 48	0.11 91	0.05 2	0.05 110	0.09 232	0.08 216	0.05 41	0.04 7

psmg	0.14 192	0.09 196	0.14 160	0.17 118	0.10 222	0.15 182	0.17 197	0.29 264	0.19 133	0.17 191	0.21 179	0.25 268	0.16 232	0.15 172	0.14 191	0.08 195	0.06 195	0.08 166	0.08 216	0.07 160	0.06 103

DEmStereo	0.12 141	0.06 21	0.14 160	0.14 14	0.10 222	0.16 206	0.15 119	0.16 47	0.24 198	0.17 191	0.24 203	0.13 118	0.14 199	0.12 105	0.13 163	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

DRaft	0.12 141	0.06 21	0.11 74	0.14 14	0.09 135	0.14 160	0.17 197	0.21 145	0.30 263	0.17 191	0.28 263	0.10 62	0.15 212	0.10 19	0.12 133	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

222	0.16 244	0.07 72	0.14 160	0.14 14	0.08 50	0.24 312	0.18 237	0.30 278	0.20 154	0.17 191	0.28 263	0.17 187	0.16 232	0.15 172	0.40 383	0.10 272	0.05 110	0.07 102	0.06 90	0.07 160	0.08 223

delet	0.17 263	0.08 145	0.17 252	0.19 232	0.11 260	0.20 272	0.21 299	0.30 278	0.37 310	0.17 191	0.26 247	0.19 207	0.19 276	0.19 248	0.21 288	0.08 195	0.08 274	0.09 232	0.11 312	0.06 103	0.06 103

UPFNet	0.16 244	0.08 145	0.12 95	0.20 274	0.12 289	0.20 272	0.23 319	0.28 254	0.26 230	0.17 191	0.24 203	0.22 240	0.19 276	0.19 248	0.21 288	0.09 241	0.07 252	0.08 166	0.09 257	0.08 205	0.06 103

FENet	0.13 163	0.08 145	0.12 95	0.16 71	0.08 50	0.14 160	0.15 119	0.22 161	0.23 188	0.17 191	0.23 194	0.16 168	0.12 144	0.14 153	0.15 214	0.08 195	0.05 110	0.08 166	0.08 216	0.07 160	0.07 163

ACVNet	0.15 226	0.09 196	0.15 197	0.13 7	0.12 289	0.14 160	0.20 283	0.22 161	0.33 281	0.17 191	0.26 247	0.21 223	0.16 232	0.17 226	0.21 288	0.07 145	0.06 195	0.06 34	0.06 90	0.08 205	0.06 103

cf-r	0.13 163	0.07 72	0.12 95	0.16 71	0.08 50	0.14 160	0.19 268	0.20 128	0.25 217	0.17 191	0.25 232	0.21 223	0.16 232	0.14 153	0.14 191	0.10 272	0.05 110	0.06 34	0.08 216	0.06 103	0.06 103

GANet-RSSM	0.14 192	0.07 72	0.13 134	0.13 7	0.08 50	0.14 160	0.17 197	0.22 161	0.21 167	0.17 191	0.24 203	0.23 252	0.15 212	0.16 204	0.15 214	0.10 272	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

CFNet-ft	0.14 192	0.07 72	0.15 197	0.12 3	0.09 135	0.16 206	0.18 237	0.22 161	0.24 198	0.17 191	0.26 247	0.24 258	0.14 199	0.16 204	0.14 191	0.11 293	0.06 195	0.08 166	0.09 257	0.09 253	0.08 223

RASNet	0.14 192	0.07 72	0.14 160	0.16 71	0.08 50	0.18 240	0.14 71	0.29 264	0.20 154	0.17 191	0.25 232	0.21 223	0.18 261	0.20 267	0.19 263	0.07 145	0.06 195	0.06 34	0.08 216	0.06 103	0.06 103

CFNet_RVC	0.14 192	0.07 72	0.15 197	0.12 3	0.09 135	0.16 206	0.18 237	0.22 161	0.24 198	0.17 191	0.26 247	0.24 258	0.14 199	0.16 204	0.14 191	0.11 293	0.06 195	0.08 166	0.09 257	0.09 253	0.08 223

UCFNet_RVC	0.14 192	0.08 145	0.13 134	0.11 1	0.10 222	0.20 272	0.10 6	0.24 196	0.22 179	0.17 191	0.20 165	0.23 252	0.15 212	0.17 226	0.15 214	0.12 318	0.07 252	0.10 274	0.13 339	0.11 295	0.10 276

DN-CSS_ROB	0.13 163	0.13 299	0.16 227	0.18 185	0.10 222	0.16 206	0.08 2	0.22 161	0.18 121	0.17 191	0.22 188	0.13 118	0.13 176	0.12 105	0.13 163	0.05 2	0.05 110	0.10 274	0.10 289	0.08 205	0.06 103

gwcnet-sp	0.14 192	0.07 72	0.12 95	0.18 185	0.09 135	0.16 206	0.17 197	0.24 196	0.24 198	0.18 218	0.24 203	0.15 157	0.16 232	0.15 172	0.15 214	0.08 195	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

scenet	0.14 192	0.07 72	0.12 95	0.18 185	0.09 135	0.16 206	0.17 197	0.24 196	0.24 198	0.18 218	0.24 203	0.15 157	0.16 232	0.15 172	0.15 214	0.08 195	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

ssnet	0.14 192	0.07 72	0.12 95	0.18 185	0.09 135	0.16 206	0.17 197	0.24 196	0.24 198	0.18 218	0.24 203	0.15 157	0.16 232	0.15 172	0.15 214	0.08 195	0.06 195	0.07 102	0.08 216	0.08 205	0.07 163

IER	0.14 192	0.07 72	0.13 134	0.17 118	0.09 135	0.14 160	0.16 176	0.25 210	0.26 230	0.18 218	0.25 232	0.17 187	0.20 284	0.16 204	0.14 191	0.08 195	0.05 110	0.07 102	0.06 90	0.08 205	0.07 163

test_5	0.14 192	0.12 278	0.08 12	0.20 274	0.10 222	0.14 160	0.29 368	0.21 145	0.24 198	0.18 218	0.28 263	0.11 79	0.15 212	0.12 105	0.13 163	0.06 58	0.05 110	0.07 102	0.08 216	0.08 205	0.07 163

NINENet	0.16 244	0.10 244	0.15 197	0.17 118	0.11 260	0.19 260	0.14 71	0.40 359	0.36 304	0.18 218	0.21 179	0.16 168	0.13 176	0.15 172	0.13 163	0.08 195	0.08 274	0.10 274	0.07 165	0.10 280	0.09 257

DAS	0.15 226	0.08 145	0.18 270	0.19 232	0.10 222	0.19 260	0.17 197	0.27 240	0.29 255	0.18 218	0.25 232	0.21 223	0.15 212	0.16 204	0.12 133	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

SepStereo	0.15 226	0.08 145	0.18 270	0.19 232	0.10 222	0.19 260	0.17 197	0.27 240	0.29 255	0.18 218	0.25 232	0.21 223	0.15 212	0.25 318	0.12 133	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

PSMNet-ADL	0.15 226	0.12 278	0.13 134	0.22 312	0.09 135	0.13 136	0.20 283	0.26 222	0.23 188	0.18 218	0.20 165	0.24 258	0.16 232	0.18 237	0.17 240	0.08 195	0.08 274	0.08 166	0.11 312	0.08 205	0.07 163

ICVP	0.15 226	0.09 196	0.12 95	0.22 312	0.09 135	0.17 225	0.21 299	0.25 210	0.23 188	0.18 218	0.30 278	0.26 276	0.18 261	0.17 226	0.14 191	0.09 241	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 244	0.08 145	0.15 197	0.18 185	0.10 222	0.22 294	0.18 237	0.24 196	0.21 167	0.18 218	0.24 203	0.29 297	0.18 261	0.19 248	0.22 297	0.09 241	0.07 252	0.08 166	0.09 257	0.07 160	0.06 103

GwcNet-RSSM	0.14 192	0.07 72	0.12 95	0.15 40	0.08 50	0.15 182	0.20 283	0.21 145	0.27 237	0.18 218	0.27 254	0.22 240	0.16 232	0.14 153	0.15 214	0.10 272	0.05 110	0.07 102	0.09 257	0.07 160	0.07 163

MLCV	0.12 141	0.07 72	0.16 227	0.18 185	0.06 3	0.15 182	0.17 197	0.19 121	0.21 167	0.18 218	0.25 232	0.17 187	0.13 176	0.14 153	0.13 163	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 7

SMFormer	0.14 192	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.17 240	0.08 195	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

tta	0.14 192	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.17 240	0.08 195	0.05 110	0.07 102	0.06 90	0.06 103	0.06 103

qqq1	0.13 163	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.11 91	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

fff1	0.13 163	0.07 72	0.17 252	0.14 14	0.08 50	0.16 206	0.17 197	0.26 222	0.27 237	0.19 231	0.20 165	0.18 198	0.15 212	0.15 172	0.11 91	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

SDNR	0.19 285	0.08 145	0.19 279	0.16 71	0.12 289	0.77 407	0.14 71	0.25 210	0.32 275	0.19 231	0.24 203	0.19 207	0.13 176	0.19 248	0.15 214	0.16 363	0.18 371	0.14 340	0.11 312	0.08 205	0.11 299

ToySt	0.17 263	0.11 264	0.18 270	0.17 118	0.11 260	0.16 206	0.25 342	0.24 196	0.33 281	0.19 231	0.24 203	0.26 276	0.24 309	0.19 248	0.20 269	0.07 145	0.08 274	0.09 232	0.10 289	0.09 253	0.08 223

iRaft-Stereo_5w	0.12 141	0.09 196	0.12 95	0.19 232	0.08 50	0.09 35	0.12 22	0.21 145	0.21 167	0.19 231	0.14 86	0.11 79	0.09 72	0.20 267	0.16 229	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.06 103

AASNet	0.16 244	0.08 145	0.12 95	0.19 232	0.09 135	0.18 240	0.15 119	0.37 344	0.37 310	0.19 231	0.23 194	0.20 217	0.16 232	0.17 226	0.20 269	0.10 272	0.08 274	0.08 166	0.07 165	0.09 253	0.09 257

CrosDoStereo	0.12 141	0.06 21	0.12 95	0.14 14	0.08 50	0.12 108	0.15 119	0.17 77	0.22 179	0.19 231	0.24 203	0.15 157	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

DeepStereo_LL	0.12 141	0.06 21	0.12 95	0.14 14	0.08 50	0.12 108	0.15 119	0.17 77	0.22 179	0.19 231	0.24 203	0.15 157	0.11 115	0.11 48	0.12 133	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

pcwnet_v2	0.19 285	0.10 244	0.26 316	0.17 118	0.14 324	0.18 240	0.15 119	0.37 344	0.46 350	0.19 231	0.24 203	0.21 223	0.19 276	0.20 267	0.19 263	0.13 338	0.10 316	0.10 274	0.10 289	0.11 295	0.13 324

HCRNet	0.16 244	0.24 367	0.12 95	0.35 383	0.11 260	0.15 182	0.17 197	0.26 222	0.22 179	0.19 231	0.24 203	0.21 223	0.14 199	0.15 172	0.13 163	0.11 293	0.07 252	0.11 301	0.10 289	0.09 253	0.07 163

acv_ft	0.15 226	0.09 196	0.15 197	0.19 232	0.10 222	0.16 206	0.17 197	0.25 210	0.33 281	0.19 231	0.26 247	0.21 223	0.17 251	0.17 226	0.18 254	0.07 145	0.06 195	0.06 34	0.06 90	0.08 205	0.06 103

HSM-Net_RVC	0.14 192	0.08 145	0.11 74	0.15 40	0.08 50	0.15 182	0.15 119	0.27 240	0.29 255	0.19 231	0.21 179	0.29 297	0.14 199	0.17 226	0.13 163	0.06 58	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.15 226	0.10 244	0.17 252	0.17 118	0.08 50	0.18 240	0.09 3	0.28 254	0.25 217	0.19 231	0.24 203	0.24 258	0.17 251	0.17 226	0.14 191	0.08 195	0.06 195	0.09 232	0.10 289	0.07 160	0.06 103

DeepPruner_ROB	0.16 244	0.11 264	0.15 197	0.17 118	0.10 222	0.17 225	0.15 119	0.32 293	0.21 167	0.19 231	0.21 179	0.22 240	0.18 261	0.20 267	0.15 214	0.13 338	0.09 297	0.09 232	0.09 257	0.11 295	0.10 276

HSM	0.15 226	0.08 145	0.14 160	0.16 71	0.09 135	0.16 206	0.14 71	0.28 254	0.25 217	0.19 231	0.23 194	0.37 343	0.16 232	0.20 267	0.15 214	0.07 145	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

CBFPSM	0.14 192	0.06 21	0.26 316	0.17 118	0.09 135	0.13 136	0.15 119	0.22 161	0.23 188	0.20 248	0.27 254	0.24 258	0.16 232	0.16 204	0.18 254	0.06 58	0.06 195	0.06 34	0.07 165	0.07 160	0.07 163

raft_robust	0.13 163	0.10 244	0.07 2	0.18 185	0.08 50	0.13 136	0.24 328	0.28 254	0.33 281	0.20 248	0.19 154	0.14 133	0.10 93	0.11 48	0.12 133	0.05 2	0.05 110	0.07 102	0.07 165	0.05 41	0.04 7

RAFT_CTSACE	0.12 141	0.09 196	0.10 47	0.22 312	0.08 50	0.12 108	0.24 328	0.18 101	0.16 92	0.20 248	0.27 254	0.13 118	0.07 34	0.13 137	0.09 20	0.05 2	0.06 195	0.08 166	0.07 165	0.04 1	0.04 7

UDGNet	0.14 192	0.13 299	0.16 227	0.17 118	0.10 222	0.12 108	0.16 176	0.21 145	0.27 237	0.20 248	0.20 165	0.16 168	0.13 176	0.16 204	0.13 163	0.10 272	0.06 195	0.09 232	0.07 165	0.06 103	0.07 163

GEStereo_RVC	0.17 263	0.12 278	0.15 197	0.22 312	0.11 260	0.19 260	0.17 197	0.32 293	0.48 352	0.20 248	0.25 232	0.17 187	0.13 176	0.21 283	0.16 229	0.10 272	0.06 195	0.08 166	0.07 165	0.09 253	0.08 223

GwcNet	0.20 294	0.13 299	0.19 279	0.18 185	0.12 289	0.24 312	0.19 268	0.35 333	0.43 338	0.20 248	0.32 290	0.33 327	0.20 284	0.22 294	0.24 317	0.11 293	0.09 297	0.09 232	0.09 257	0.09 253	0.10 276

AdaStereo	0.15 226	0.11 264	0.15 197	0.18 185	0.09 135	0.20 272	0.11 11	0.32 293	0.28 248	0.20 248	0.23 194	0.20 217	0.13 176	0.19 248	0.14 191	0.12 318	0.05 110	0.10 274	0.07 165	0.09 253	0.07 163
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
NOSS_ROB	0.19 285	0.12 278	0.18 270	0.16 71	0.12 289	0.15 182	0.12 22	0.30 278	0.32 275	0.20 248	0.22 188	0.27 283	0.23 303	0.21 283	0.16 229	0.16 363	0.18 371	0.23 375	0.21 371	0.12 309	0.13 324

iinet-f	0.16 244	0.06 21	0.45 365	0.14 14	0.10 222	0.21 286	0.14 71	0.27 240	0.23 188	0.21 256	0.24 203	0.21 223	0.15 212	0.18 237	0.21 288	0.09 241	0.07 252	0.07 102	0.06 90	0.09 253	0.10 276

RAFT	0.13 163	0.09 196	0.11 74	0.18 185	0.08 50	0.15 182	0.24 328	0.20 128	0.19 133	0.21 256	0.21 179	0.17 187	0.12 144	0.16 204	0.09 20	0.06 58	0.07 252	0.10 274	0.09 257	0.05 41	0.05 53

psm_up	0.18 275	0.10 244	0.18 270	0.20 274	0.11 260	0.17 225	0.19 268	0.37 344	0.34 292	0.21 256	0.28 263	0.29 297	0.24 309	0.20 267	0.22 297	0.09 241	0.10 316	0.11 301	0.11 312	0.08 205	0.08 223

UNet	0.17 263	0.09 196	0.18 270	0.19 232	0.12 289	0.27 337	0.19 268	0.33 310	0.29 255	0.21 256	0.24 203	0.23 252	0.19 276	0.19 248	0.18 254	0.07 145	0.06 195	0.08 166	0.07 165	0.08 205	0.06 103

HGLStereo	0.17 263	0.08 145	0.19 279	0.17 118	0.12 289	0.18 240	0.18 237	0.31 284	0.32 275	0.21 256	0.32 290	0.25 268	0.18 261	0.19 248	0.20 269	0.09 241	0.09 297	0.07 102	0.07 165	0.09 253	0.10 276

DMCA-RVC	0.17 263	0.10 244	0.15 197	0.24 336	0.11 260	0.18 240	0.18 237	0.25 210	0.24 198	0.21 256	0.26 247	0.25 268	0.27 328	0.18 237	0.20 269	0.12 318	0.08 274	0.13 330	0.10 289	0.10 280	0.08 223

FADNet_RVC	0.16 244	0.14 311	0.40 360	0.20 274	0.11 260	0.13 136	0.13 44	0.26 222	0.22 179	0.21 256	0.23 194	0.20 217	0.17 251	0.14 153	0.16 229	0.08 195	0.08 274	0.12 316	0.09 257	0.11 295	0.10 276

STTStereo	0.18 275	0.12 278	0.27 322	0.20 274	0.11 260	0.16 206	0.21 299	0.29 264	0.23 188	0.21 256	0.30 278	0.29 297	0.18 261	0.20 267	0.19 263	0.12 318	0.11 326	0.11 301	0.14 343	0.09 253	0.08 223

RP	0.21 303	0.13 299	0.21 292	0.23 331	0.11 260	0.21 286	0.20 283	0.25 210	0.44 342	0.21 256	0.38 325	0.36 339	0.24 309	0.27 323	0.25 326	0.11 293	0.12 335	0.13 330	0.12 330	0.12 309	0.14 341

TDLM	0.17 263	0.12 278	0.13 134	0.24 336	0.10 222	0.18 240	0.18 237	0.36 339	0.30 263	0.21 256	0.28 263	0.28 290	0.18 261	0.23 305	0.18 254	0.11 293	0.07 252	0.10 274	0.10 289	0.08 205	0.08 223

NLCA_NET_v2_RVC	0.17 263	0.10 244	0.22 297	0.20 274	0.10 222	0.15 182	0.18 237	0.31 284	0.25 217	0.21 256	0.30 278	0.25 268	0.17 251	0.21 283	0.20 269	0.09 241	0.06 195	0.08 166	0.08 216	0.07 160	0.08 223
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
iResNetv2_ROB	0.14 192	0.08 145	0.15 197	0.16 71	0.08 50	0.16 206	0.12 22	0.25 210	0.35 299	0.21 256	0.29 274	0.24 258	0.13 176	0.14 153	0.14 191	0.06 58	0.05 110	0.06 34	0.04 9	0.09 253	0.08 223

pmcnn	0.15 226	0.07 72	0.19 279	0.15 40	0.07 19	0.20 272	0.15 119	0.24 196	0.26 230	0.21 256	0.34 307	0.28 290	0.18 261	0.18 237	0.17 240	0.07 145	0.05 110	0.05 2	0.04 9	0.07 160	0.06 103

fast-acv-ft	0.18 275	0.11 264	0.19 279	0.19 232	0.12 289	0.24 312	0.21 299	0.25 210	0.34 292	0.22 269	0.34 307	0.27 283	0.20 284	0.21 283	0.23 307	0.09 241	0.09 297	0.08 166	0.10 289	0.08 205	0.07 163

ssnet_v2	0.17 263	0.10 244	0.17 252	0.17 118	0.11 260	0.21 286	0.21 299	0.33 310	0.25 217	0.22 269	0.22 188	0.27 283	0.18 261	0.22 294	0.20 269	0.11 293	0.09 297	0.09 232	0.09 257	0.08 205	0.08 223

HBP-ISP	0.18 275	0.13 299	0.16 227	0.15 40	0.11 260	0.08 23	0.13 44	0.28 254	0.29 255	0.22 269	0.33 303	0.21 223	0.25 317	0.23 305	0.17 240	0.14 349	0.16 364	0.21 370	0.17 363	0.10 280	0.08 223

ADLNet	0.16 244	0.08 145	0.15 197	0.16 71	0.10 222	0.16 206	0.17 197	0.32 293	0.27 237	0.22 269	0.27 254	0.24 258	0.16 232	0.18 237	0.21 288	0.10 272	0.06 195	0.10 274	0.10 289	0.08 205	0.09 257

MMNet	0.17 263	0.09 196	0.16 227	0.20 274	0.11 260	0.27 337	0.20 283	0.25 210	0.41 327	0.22 269	0.30 278	0.21 223	0.20 284	0.17 226	0.20 269	0.06 58	0.06 195	0.07 102	0.07 165	0.08 205	0.07 163

stereogan	0.22 312	0.11 264	0.21 292	0.20 274	0.12 289	0.31 351	0.19 268	0.35 333	0.44 342	0.22 269	0.39 333	0.35 337	0.27 328	0.33 353	0.22 297	0.10 272	0.12 335	0.10 274	0.10 289	0.14 338	0.13 324

Nwc_Net	0.23 327	0.16 324	0.21 292	0.25 347	0.14 324	0.24 312	0.26 348	0.37 344	0.38 315	0.22 269	0.41 348	0.30 305	0.28 336	0.28 334	0.25 326	0.11 293	0.10 316	0.17 357	0.20 369	0.10 280	0.10 276

PA-Net	0.23 327	0.18 345	0.33 343	0.28 366	0.22 374	0.21 286	0.38 391	0.29 264	0.39 318	0.22 269	0.32 290	0.25 268	0.26 320	0.20 267	0.25 326	0.09 241	0.23 387	0.15 348	0.22 374	0.09 253	0.13 324
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CVANet_RVC	0.18 275	0.10 244	0.14 160	0.21 299	0.10 222	0.18 240	0.17 197	0.34 320	0.33 281	0.22 269	0.31 286	0.28 290	0.18 261	0.23 305	0.17 240	0.12 318	0.08 274	0.12 316	0.11 312	0.09 253	0.07 163

AANet_RVC	0.16 244	0.10 244	0.10 47	0.18 185	0.09 135	0.18 240	0.19 268	0.26 222	0.31 269	0.22 269	0.35 311	0.21 223	0.21 288	0.22 294	0.16 229	0.06 58	0.05 110	0.06 34	0.06 90	0.07 160	0.06 103

DISCO	0.19 285	0.09 196	0.22 297	0.17 118	0.10 222	0.25 322	0.18 237	0.27 240	0.44 342	0.22 269	0.31 286	0.33 327	0.26 320	0.28 334	0.28 351	0.08 195	0.06 195	0.07 102	0.07 165	0.09 253	0.09 257

iResNet_ROB	0.14 192	0.07 72	0.13 134	0.14 14	0.07 19	0.18 240	0.14 71	0.26 222	0.31 269	0.22 269	0.25 232	0.23 252	0.15 212	0.15 172	0.13 163	0.07 145	0.05 110	0.05 2	0.04 9	0.08 205	0.08 223

GMStereo_Zeroshot	0.16 244	0.13 299	0.24 309	0.20 274	0.10 222	0.17 225	0.13 44	0.29 264	0.25 217	0.23 281	0.32 290	0.25 268	0.11 115	0.19 248	0.14 191	0.09 241	0.06 195	0.11 301	0.06 90	0.12 309	0.08 223

Anonymous_2	0.22 312	0.17 335	0.28 327	0.15 40	0.16 345	0.32 352	0.22 309	0.22 161	0.17 104	0.23 281	0.24 203	0.26 276	0.27 328	0.27 323	0.23 307	0.22 381	0.25 389	0.17 357	0.17 363	0.17 363	0.17 367

dd	0.15 226	0.16 324	0.16 227	0.19 232	0.09 135	0.15 182	0.18 237	0.21 145	0.25 217	0.23 281	0.20 165	0.21 223	0.09 72	0.21 283	0.16 229	0.10 272	0.06 195	0.08 166	0.06 90	0.08 205	0.06 103

UDG	0.21 303	0.17 335	0.19 279	0.23 331	0.15 335	0.30 349	0.20 283	0.33 310	0.35 299	0.23 281	0.28 263	0.31 315	0.27 328	0.20 267	0.22 297	0.15 352	0.12 335	0.13 330	0.09 257	0.14 338	0.14 341

SACVNet	0.18 275	0.12 278	0.14 160	0.17 118	0.13 307	0.22 294	0.18 237	0.31 284	0.30 263	0.23 281	0.31 286	0.30 305	0.22 297	0.22 294	0.17 240	0.11 293	0.08 274	0.10 274	0.10 289	0.12 309	0.14 341

DSFCA	0.16 244	0.09 196	0.14 160	0.16 71	0.10 222	0.20 272	0.19 268	0.28 254	0.31 269	0.23 281	0.24 203	0.22 240	0.15 212	0.19 248	0.20 269	0.10 272	0.07 252	0.09 232	0.09 257	0.08 205	0.08 223

FADNet	0.21 303	0.22 363	0.36 352	0.18 185	0.17 358	0.24 312	0.13 44	0.31 284	0.31 269	0.23 281	0.25 232	0.27 283	0.21 288	0.19 248	0.15 214	0.13 338	0.15 361	0.12 316	0.15 354	0.16 356	0.18 369

S-Stereo	0.20 294	0.12 278	0.25 315	0.21 299	0.13 307	0.20 272	0.18 237	0.32 293	0.43 338	0.23 281	0.36 314	0.28 290	0.30 348	0.19 248	0.22 297	0.09 241	0.12 335	0.10 274	0.10 289	0.13 326	0.13 324

SQANet	0.23 327	0.23 364	0.30 336	0.30 375	0.19 367	0.27 337	0.13 44	0.29 264	0.33 281	0.24 289	0.37 320	0.31 315	0.22 297	0.27 323	0.23 307	0.15 352	0.10 316	0.21 370	0.16 356	0.21 372	0.15 349

WZ-Net	0.28 356	0.17 335	0.78 400	0.22 312	0.16 345	0.34 361	0.29 368	0.39 355	0.57 373	0.24 289	0.55 374	0.37 343	0.24 309	0.33 353	0.35 372	0.09 241	0.08 274	0.09 232	0.10 289	0.14 338	0.16 360

LMCR-Stereo	0.15 226	0.08 145	0.13 134	0.21 299	0.09 135	0.17 225	0.20 283	0.27 240	0.19 133	0.24 289	0.24 203	0.23 252	0.17 251	0.20 267	0.17 240	0.07 145	0.06 195	0.08 166	0.06 90	0.10 280	0.08 223

DGSMNet	0.24 335	0.19 348	0.33 343	0.21 299	0.24 377	0.24 312	0.20 283	0.35 333	0.41 327	0.24 289	0.32 290	0.38 347	0.21 288	0.29 341	0.23 307	0.12 318	0.11 326	0.14 340	0.16 356	0.23 375	0.23 381

hitnet-ft	0.18 275	0.09 196	0.17 252	0.14 14	0.09 135	0.26 330	0.20 283	0.25 210	0.26 230	0.24 289	0.32 290	0.31 315	0.22 297	0.24 313	0.21 288	0.12 318	0.07 252	0.10 274	0.08 216	0.12 309	0.11 299

FADNet-RVC-Resample	0.16 244	0.11 264	0.31 338	0.22 312	0.11 260	0.19 260	0.14 71	0.25 210	0.24 198	0.24 289	0.27 254	0.20 217	0.15 212	0.16 204	0.15 214	0.07 145	0.08 274	0.12 316	0.10 289	0.09 253	0.10 276

NCC-stereo	0.24 335	0.15 317	0.31 338	0.26 352	0.16 345	0.20 272	0.30 376	0.40 359	0.40 324	0.24 289	0.38 325	0.33 327	0.28 336	0.36 367	0.27 343	0.12 318	0.11 326	0.15 348	0.22 374	0.13 326	0.13 324

Abc-Net	0.24 335	0.15 317	0.31 338	0.26 352	0.16 345	0.20 272	0.30 376	0.40 359	0.40 324	0.24 289	0.38 325	0.33 327	0.28 336	0.36 367	0.27 343	0.12 318	0.11 326	0.15 348	0.22 374	0.13 326	0.13 324
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.24 335	0.11 264	0.47 369	0.22 312	0.12 289	0.34 361	0.29 368	0.29 264	0.56 371	0.24 289	0.46 361	0.30 305	0.30 348	0.29 341	0.29 354	0.08 195	0.07 252	0.09 232	0.09 257	0.10 280	0.10 276

RYNet	0.22 312	0.12 278	0.22 297	0.19 232	0.17 358	0.46 378	0.26 348	0.38 351	0.48 352	0.24 289	0.28 263	0.34 333	0.23 303	0.20 267	0.30 358	0.10 272	0.06 195	0.09 232	0.09 257	0.13 326	0.15 349

DRN-Test	0.19 285	0.11 264	0.20 287	0.22 312	0.10 222	0.22 294	0.22 309	0.39 355	0.37 310	0.24 289	0.32 290	0.26 276	0.21 288	0.22 294	0.24 317	0.11 293	0.07 252	0.11 301	0.10 289	0.09 253	0.07 163

StereoDRNet	0.18 275	0.11 264	0.17 252	0.22 312	0.11 260	0.21 286	0.22 309	0.37 344	0.33 281	0.24 289	0.28 263	0.30 305	0.19 276	0.20 267	0.20 269	0.09 241	0.08 274	0.11 301	0.09 257	0.09 253	0.07 163

SGM-Forest	0.20 294	0.14 311	0.18 270	0.19 232	0.13 307	0.20 272	0.22 309	0.33 310	0.30 263	0.24 289	0.29 274	0.28 290	0.19 276	0.23 305	0.17 240	0.15 352	0.16 364	0.15 348	0.14 343	0.12 309	0.12 310
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-LNSev-Ref	0.18 275	0.09 196	0.29 333	0.15 40	0.10 222	0.22 294	0.20 283	0.26 222	0.39 318	0.25 302	0.42 354	0.24 258	0.15 212	0.20 267	0.19 263	0.07 145	0.05 110	0.06 34	0.05 34	0.10 280	0.09 257

CSP-Net	0.16 244	0.09 196	0.14 160	0.16 71	0.09 135	0.19 260	0.17 197	0.25 210	0.32 275	0.25 302	0.30 278	0.24 258	0.15 212	0.21 283	0.18 254	0.09 241	0.06 195	0.07 102	0.07 165	0.08 205	0.07 163

FINET	0.21 303	0.18 345	0.26 316	0.18 185	0.16 345	0.23 307	0.23 319	0.32 293	0.48 352	0.25 302	0.32 290	0.22 240	0.22 297	0.22 294	0.17 240	0.18 369	0.16 364	0.11 301	0.10 289	0.15 349	0.13 324

AF-Net	0.22 312	0.17 335	0.17 252	0.26 352	0.13 307	0.25 322	0.24 328	0.32 293	0.50 359	0.25 302	0.33 303	0.38 347	0.26 320	0.28 334	0.25 326	0.11 293	0.10 316	0.16 354	0.11 312	0.11 295	0.10 276

Anonymous Stereo	0.23 327	0.19 348	0.50 371	0.24 336	0.17 358	0.21 286	0.21 299	0.33 310	0.44 342	0.25 302	0.34 307	0.26 276	0.18 261	0.31 345	0.27 343	0.13 338	0.12 335	0.12 316	0.13 339	0.11 295	0.14 341

FADNet-RVC	0.20 294	0.20 353	0.38 356	0.21 299	0.16 345	0.20 272	0.15 119	0.26 222	0.26 230	0.26 307	0.32 290	0.26 276	0.21 288	0.22 294	0.19 263	0.12 318	0.13 348	0.12 316	0.14 343	0.13 326	0.18 369

SuperB	0.20 294	0.10 244	0.56 379	0.16 71	0.09 135	0.18 240	0.18 237	0.24 196	0.50 359	0.26 307	0.39 333	0.17 187	0.21 288	0.22 294	0.21 288	0.08 195	0.06 195	0.06 34	0.06 90	0.12 309	0.10 276

ADCRef	0.19 285	0.12 278	0.41 362	0.20 274	0.12 289	0.22 294	0.18 237	0.32 293	0.36 304	0.26 307	0.32 290	0.17 187	0.23 303	0.24 313	0.24 317	0.07 145	0.06 195	0.09 232	0.09 257	0.08 205	0.08 223

DeepPrunerF	0.24 335	0.17 335	0.42 363	0.26 352	0.16 345	0.22 294	0.28 360	0.37 344	0.50 359	0.26 307	0.29 274	0.24 258	0.28 336	0.21 283	0.22 297	0.15 352	0.11 326	0.20 369	0.18 367	0.12 309	0.13 324

ADCP+	0.20 294	0.10 244	0.33 343	0.20 274	0.12 289	0.22 294	0.26 348	0.31 284	0.34 292	0.26 307	0.37 320	0.22 240	0.22 297	0.27 323	0.27 343	0.09 241	0.06 195	0.08 166	0.08 216	0.09 253	0.10 276

StereoDRNet-Refined	0.17 263	0.12 278	0.15 197	0.20 274	0.09 135	0.18 240	0.18 237	0.26 222	0.23 188	0.26 307	0.40 338	0.22 240	0.17 251	0.21 283	0.20 269	0.08 195	0.05 110	0.09 232	0.10 289	0.07 160	0.07 163
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
GASNet	0.22 312	0.23 364	0.33 343	0.26 352	0.17 358	0.26 330	0.16 176	0.44 374	0.42 333	0.27 313	0.24 203	0.30 305	0.15 212	0.27 323	0.18 254	0.12 318	0.08 274	0.12 316	0.11 312	0.16 356	0.07 163

AACVNet	0.16 244	0.08 145	0.14 160	0.15 40	0.10 222	0.18 240	0.15 119	0.23 178	0.24 198	0.27 313	0.27 254	0.28 290	0.17 251	0.19 248	0.16 229	0.09 241	0.07 252	0.09 232	0.07 165	0.10 280	0.09 257

APVNet	0.22 312	0.12 278	0.19 279	0.18 185	0.14 324	0.32 352	0.31 382	0.39 355	0.32 275	0.27 313	0.40 338	0.30 305	0.29 344	0.26 320	0.25 326	0.11 293	0.12 335	0.11 301	0.14 343	0.12 309	0.12 310

FAT-Stereo	0.20 294	0.12 278	0.22 297	0.21 299	0.12 289	0.17 225	0.18 237	0.34 320	0.39 318	0.27 313	0.37 320	0.34 333	0.32 356	0.21 283	0.20 269	0.09 241	0.11 326	0.10 274	0.09 257	0.11 295	0.14 341

RGC	0.25 344	0.20 353	0.29 333	0.28 366	0.16 345	0.22 294	0.23 319	0.32 293	0.44 342	0.27 313	0.40 338	0.38 347	0.27 328	0.36 367	0.22 297	0.11 293	0.13 348	0.17 357	0.17 363	0.14 338	0.16 360

RTSC	0.23 327	0.12 278	0.28 327	0.21 299	0.13 307	0.28 343	0.16 176	0.35 333	0.66 387	0.27 313	0.33 303	0.30 305	0.21 288	0.31 345	0.29 354	0.10 272	0.08 274	0.09 232	0.10 289	0.13 326	0.13 324

PS-NSSS	0.20 294	0.21 359	0.23 306	0.20 274	0.10 222	0.19 260	0.17 197	0.36 339	0.25 217	0.27 313	0.33 303	0.27 283	0.24 309	0.20 267	0.20 269	0.15 352	0.12 335	0.17 357	0.14 343	0.10 280	0.08 223

CBMV_ROB	0.19 285	0.13 299	0.17 252	0.16 71	0.11 260	0.15 182	0.13 44	0.26 222	0.28 248	0.27 313	0.30 278	0.27 283	0.24 309	0.23 305	0.16 229	0.15 352	0.17 369	0.22 374	0.20 369	0.10 280	0.11 299

DLCB_ROB	0.18 275	0.10 244	0.15 197	0.23 331	0.11 260	0.24 312	0.18 237	0.29 264	0.28 248	0.27 313	0.28 263	0.28 290	0.24 309	0.19 248	0.20 269	0.08 195	0.08 274	0.09 232	0.09 257	0.07 160	0.07 163

DispFullNet	0.27 353	0.21 359	0.65 386	0.28 366	0.16 345	0.26 330	0.17 197	0.33 310	0.58 376	0.27 313	0.38 325	0.43 365	0.23 303	0.38 372	0.23 307	0.12 318	0.06 195	0.19 367	0.11 312	0.21 372	0.15 349

PSMNet_ROB	0.21 303	0.11 264	0.15 197	0.27 363	0.15 335	0.24 312	0.35 386	0.43 372	0.37 310	0.27 313	0.32 290	0.32 324	0.22 297	0.21 283	0.26 336	0.12 318	0.08 274	0.13 330	0.11 312	0.09 253	0.09 257

Wz-Net-MNSev	0.22 312	0.13 299	0.31 338	0.20 274	0.14 324	0.36 371	0.24 328	0.33 310	0.44 342	0.28 324	0.40 338	0.38 347	0.19 276	0.24 313	0.25 326	0.09 241	0.07 252	0.09 232	0.09 257	0.12 309	0.10 276

CRFU-Net	0.16 244	0.08 145	0.14 160	0.17 118	0.09 135	0.19 260	0.14 71	0.26 222	0.20 154	0.28 324	0.27 254	0.29 297	0.17 251	0.19 248	0.17 240	0.09 241	0.09 297	0.07 102	0.07 165	0.08 205	0.08 223

Syn2CoEx	0.21 303	0.16 324	0.27 322	0.29 373	0.14 324	0.26 330	0.20 283	0.33 310	0.31 269	0.28 324	0.36 314	0.27 283	0.25 317	0.19 248	0.24 317	0.16 363	0.12 335	0.14 340	0.11 312	0.09 253	0.08 223

DANet	0.21 303	0.15 317	0.28 327	0.25 347	0.13 307	0.22 294	0.19 268	0.27 240	0.27 237	0.28 324	0.32 290	0.35 337	0.31 352	0.31 345	0.23 307	0.11 293	0.09 297	0.11 301	0.10 289	0.13 326	0.11 299
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ETE_ROB	0.23 327	0.17 335	0.22 297	0.25 347	0.13 307	0.26 330	0.29 368	0.31 284	0.36 304	0.28 324	0.36 314	0.45 369	0.26 320	0.27 323	0.26 336	0.11 293	0.08 274	0.12 316	0.09 257	0.14 338	0.13 324

PDISCO_ROB	0.27 353	0.16 324	0.26 316	0.28 366	0.20 370	0.32 352	0.26 348	0.44 374	0.57 373	0.28 324	0.40 338	0.45 369	0.29 344	0.33 353	0.34 371	0.12 318	0.09 297	0.17 357	0.16 356	0.17 363	0.13 324

DPSNet	0.28 356	0.16 324	0.31 338	0.18 185	0.13 307	0.54 386	0.42 395	0.51 386	0.67 388	0.29 330	0.38 325	0.38 347	0.29 344	0.31 345	0.23 307	0.11 293	0.10 316	0.11 301	0.08 216	0.20 371	0.16 360

PWCDC_ROB	0.20 294	0.13 299	0.22 297	0.24 336	0.11 260	0.19 260	0.15 119	0.33 310	0.54 368	0.29 330	0.50 369	0.21 223	0.15 212	0.27 323	0.20 269	0.11 293	0.09 297	0.10 274	0.08 216	0.11 295	0.09 257

CBMV	0.19 285	0.14 311	0.17 252	0.18 185	0.10 222	0.20 272	0.11 11	0.29 264	0.30 263	0.29 330	0.30 278	0.30 305	0.23 303	0.27 323	0.19 263	0.13 338	0.15 361	0.17 357	0.16 356	0.10 280	0.10 276
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-SNSev	0.25 344	0.17 335	0.44 364	0.25 347	0.14 324	0.26 330	0.23 319	0.38 351	0.56 371	0.30 333	0.55 374	0.39 355	0.26 320	0.23 305	0.30 358	0.10 272	0.09 297	0.09 232	0.10 289	0.11 295	0.11 299

Wz-Net-LNSev	0.22 312	0.16 324	0.38 356	0.21 299	0.13 307	0.25 322	0.23 319	0.32 293	0.43 338	0.30 333	0.41 348	0.31 315	0.18 261	0.22 294	0.25 326	0.10 272	0.09 297	0.08 166	0.08 216	0.12 309	0.11 299

dad	0.17 263	0.20 353	0.20 287	0.16 71	0.11 260	0.20 272	0.18 237	0.21 145	0.28 248	0.30 333	0.24 203	0.29 297	0.13 176	0.19 248	0.16 229	0.18 369	0.09 297	0.11 301	0.09 257	0.11 295	0.07 163

ADCPNet	0.25 344	0.16 324	0.61 383	0.21 299	0.15 335	0.35 369	0.25 342	0.32 293	0.35 299	0.30 333	0.40 338	0.36 339	0.28 336	0.28 334	0.32 366	0.12 318	0.10 316	0.11 301	0.12 330	0.14 338	0.13 324

XPNet_ROB	0.22 312	0.11 264	0.19 279	0.22 312	0.13 307	0.22 294	0.19 268	0.34 320	0.40 324	0.30 333	0.39 333	0.39 355	0.26 320	0.26 320	0.28 351	0.15 352	0.10 316	0.10 274	0.10 289	0.13 326	0.12 310

PWC_ROB	0.21 303	0.16 324	0.26 316	0.18 185	0.11 260	0.22 294	0.13 44	0.32 293	0.49 357	0.30 333	0.40 338	0.32 324	0.24 309	0.31 345	0.22 297	0.10 272	0.07 252	0.11 301	0.08 216	0.11 295	0.10 276

DDUNet	0.22 312	0.17 335	0.21 292	0.22 312	0.15 335	0.25 322	0.24 328	0.29 264	0.30 263	0.31 339	0.36 314	0.33 327	0.25 317	0.24 313	0.20 269	0.18 369	0.13 348	0.17 357	0.11 312	0.16 356	0.16 360

XQC	0.28 356	0.23 364	0.51 372	0.28 366	0.19 367	0.34 361	0.27 355	0.36 339	0.57 373	0.31 339	0.30 278	0.37 343	0.30 348	0.38 372	0.38 379	0.13 338	0.09 297	0.15 348	0.12 330	0.17 363	0.18 369

AnyNet_C32	0.26 351	0.16 324	0.36 352	0.20 274	0.16 345	0.25 322	0.30 376	0.32 293	0.44 342	0.31 339	0.49 365	0.30 305	0.33 357	0.40 379	0.33 369	0.12 318	0.12 335	0.12 316	0.14 343	0.14 338	0.15 349

GANet	0.21 303	0.12 278	0.21 292	0.24 336	0.13 307	0.22 294	0.22 309	0.41 364	0.26 230	0.31 339	0.42 354	0.37 343	0.28 336	0.23 305	0.22 297	0.10 272	0.12 335	0.10 274	0.09 257	0.10 280	0.08 223

NCCL2	0.23 327	0.15 317	0.17 252	0.34 381	0.18 365	0.24 312	0.23 319	0.34 320	0.28 248	0.31 339	0.38 325	0.38 347	0.28 336	0.23 305	0.24 317	0.15 352	0.12 335	0.18 365	0.21 371	0.13 326	0.13 324

NaN_ROB	0.22 312	0.19 348	0.24 309	0.25 347	0.13 307	0.29 346	0.26 348	0.33 310	0.41 327	0.31 339	0.31 286	0.32 324	0.23 303	0.30 344	0.21 288	0.11 293	0.17 369	0.10 274	0.10 289	0.08 205	0.09 257

Consistency-Raft	0.44 383	0.40 391	0.45 365	0.37 386	0.43 395	0.46 378	0.41 392	0.57 394	0.55 369	0.32 345	0.73 392	0.33 327	0.48 385	0.42 382	0.49 394	0.39 395	0.35 395	0.45 395	0.51 403	0.42 395	0.29 390

MaskLacGwcNet_RVC	0.22 312	0.21 359	0.24 309	0.26 352	0.11 260	0.23 307	0.14 71	0.39 355	0.24 198	0.32 345	0.36 314	0.30 305	0.21 288	0.19 248	0.21 288	0.17 367	0.14 355	0.21 370	0.16 356	0.12 309	0.12 310

edge stereo	0.22 312	0.13 299	0.20 287	0.21 299	0.13 307	0.23 307	0.16 176	0.32 293	0.42 333	0.32 345	0.40 338	0.38 347	0.35 363	0.25 318	0.24 317	0.13 338	0.11 326	0.14 340	0.11 312	0.12 309	0.13 324

SHD	0.26 351	0.15 317	0.30 336	0.24 336	0.18 365	0.22 294	0.15 119	0.38 351	0.71 391	0.32 345	0.41 348	0.36 339	0.28 336	0.32 351	0.29 354	0.12 318	0.11 326	0.14 340	0.13 339	0.16 356	0.20 375

LALA_ROB	0.25 344	0.16 324	0.22 297	0.26 352	0.17 358	0.27 337	0.27 355	0.42 369	0.37 310	0.33 349	0.38 325	0.51 379	0.26 320	0.28 334	0.27 343	0.16 363	0.09 297	0.12 316	0.11 312	0.13 326	0.12 310

Wz-Net-TNSev	0.29 360	0.20 353	0.65 386	0.19 232	0.15 335	0.38 374	0.27 355	0.35 333	0.55 369	0.34 350	0.42 354	0.45 369	0.38 368	0.32 351	0.30 358	0.12 318	0.13 348	0.10 274	0.12 330	0.15 349	0.14 341

GANetREF_RVC	0.31 366	0.34 386	0.27 322	0.35 383	0.16 345	0.32 352	0.41 392	0.48 381	0.51 366	0.35 351	0.35 311	0.34 333	0.33 357	0.39 375	0.32 366	0.27 389	0.20 377	0.29 386	0.15 354	0.18 367	0.17 367
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
PASM	0.32 368	0.24 367	0.48 370	0.28 366	0.27 385	0.29 346	0.30 376	0.34 320	0.49 357	0.35 351	0.39 333	0.46 373	0.34 361	0.34 356	0.35 372	0.23 385	0.25 389	0.26 377	0.28 385	0.23 375	0.21 377

ccnet	0.29 360	0.28 378	0.23 306	0.20 274	0.28 386	0.41 377	0.21 299	0.45 377	0.33 281	0.36 353	0.46 361	0.36 339	0.30 348	0.39 375	0.42 387	0.23 385	0.14 355	0.21 370	0.17 363	0.23 375	0.18 369

G-Net	0.24 335	0.16 324	0.36 352	0.22 312	0.16 345	0.51 384	0.23 319	0.29 264	0.34 292	0.36 353	0.38 325	0.31 315	0.29 344	0.27 323	0.26 336	0.11 293	0.09 297	0.12 316	0.09 257	0.16 356	0.13 324

SAMSARA	0.40 378	0.28 378	0.33 343	0.55 398	0.39 392	0.82 408	1.23 422	0.47 380	0.51 366	0.36 353	0.35 311	0.55 384	0.39 370	0.38 372	0.39 381	0.15 352	0.20 377	0.15 348	0.14 343	0.23 375	0.20 375

ADCMid	0.25 344	0.15 317	0.40 360	0.20 274	0.14 324	0.25 322	0.26 348	0.34 320	0.38 315	0.36 353	0.44 359	0.34 333	0.40 373	0.35 362	0.33 369	0.10 272	0.09 297	0.11 301	0.11 312	0.13 326	0.12 310

STTRV1_RVC	0.25 344	0.26 373	0.39 358	0.19 232	0.26 384	0.30 349	0.24 328	0.34 320	0.35 299	0.36 353	0.34 307	0.31 315	0.31 352	0.28 334	0.25 326	0.17 367	0.10 316	0.16 354	0.14 343	0.17 363	0.12 310

SANet	0.24 335	0.14 311	0.28 327	0.21 299	0.11 260	0.27 337	0.24 328	0.38 351	0.64 384	0.36 353	0.40 338	0.43 365	0.26 320	0.27 323	0.24 317	0.12 318	0.09 297	0.10 274	0.09 257	0.13 326	0.11 299

CSAN	0.29 360	0.24 367	0.27 322	0.34 381	0.19 367	0.33 358	0.42 395	0.37 344	0.50 359	0.38 359	0.40 338	0.44 367	0.33 357	0.28 334	0.30 358	0.20 375	0.16 364	0.19 367	0.19 368	0.14 338	0.15 349

WCMA_ROB	0.24 335	0.11 264	0.22 297	0.17 118	0.14 324	0.32 352	0.15 119	0.32 293	0.32 275	0.38 359	0.53 371	0.40 358	0.34 361	0.34 356	0.25 326	0.11 293	0.12 335	0.12 316	0.10 289	0.14 338	0.14 341

AnyNet_C01	0.36 374	0.25 372	1.37 413	0.22 312	0.17 358	0.48 382	0.27 355	0.35 333	0.39 318	0.39 361	0.74 394	0.46 373	0.38 368	0.45 383	0.47 392	0.13 338	0.13 348	0.13 330	0.14 343	0.14 338	0.15 349

CC-Net-ROB	0.28 356	0.31 383	0.36 352	0.29 373	0.15 335	0.25 322	0.19 268	0.45 377	0.33 281	0.39 361	0.37 320	0.39 355	0.31 352	0.27 323	0.26 336	0.24 387	0.19 374	0.30 388	0.23 378	0.18 367	0.15 349

MDST_ROB	0.22 312	0.10 244	0.17 252	0.18 185	0.11 260	0.37 372	0.19 268	0.43 372	0.41 327	0.39 361	0.39 333	0.29 297	0.21 288	0.26 320	0.18 254	0.11 293	0.10 316	0.14 340	0.11 312	0.10 280	0.08 223

otaku	0.39 375	0.37 389	0.52 373	0.44 391	0.28 386	0.58 388	0.24 328	0.41 364	0.62 382	0.40 364	0.49 365	0.46 373	0.33 357	0.40 379	0.32 366	0.30 390	0.30 393	0.39 392	0.33 391	0.29 388	0.28 389

MFN_U_SF_DS_RVC	0.30 365	0.24 367	0.29 333	0.36 385	0.16 345	0.34 361	0.30 376	0.32 293	0.42 333	0.40 364	0.46 361	0.38 347	0.31 352	0.34 356	0.28 351	0.19 373	0.20 377	0.26 377	0.29 386	0.18 367	0.19 374

ADCS	0.29 360	0.18 345	0.45 365	0.21 299	0.17 358	0.28 343	0.23 319	0.41 364	0.63 383	0.40 364	0.49 365	0.40 358	0.36 365	0.39 375	0.40 383	0.13 338	0.12 335	0.13 330	0.14 343	0.16 356	0.16 360

MSMD_ROB	0.31 366	0.26 373	0.26 316	0.24 336	0.21 372	0.34 361	0.25 342	0.34 320	0.39 318	0.40 364	0.69 388	0.45 369	0.40 373	0.34 356	0.27 343	0.20 375	0.19 374	0.26 377	0.25 380	0.23 375	0.22 379

Ntro	0.40 378	0.40 391	0.53 374	0.46 395	0.30 390	0.65 394	0.24 328	0.46 379	0.68 389	0.41 368	0.49 365	0.48 377	0.42 380	0.39 375	0.31 365	0.32 392	0.28 391	0.37 391	0.30 388	0.32 393	0.29 390

psmorigin	0.25 344	0.15 317	0.34 351	0.17 118	0.13 307	0.23 307	0.14 71	0.34 320	0.33 281	0.41 368	0.55 374	0.41 360	0.37 367	0.34 356	0.27 343	0.11 293	0.15 361	0.11 301	0.11 312	0.12 309	0.16 360

FBW_ROB	0.24 335	0.17 335	0.22 297	0.26 352	0.14 324	0.25 322	0.22 309	0.41 364	0.41 327	0.41 368	0.41 348	0.42 361	0.27 328	0.31 345	0.23 307	0.09 241	0.14 355	0.14 340	0.12 330	0.11 295	0.09 257

ACVNet-4b	0.39 375	0.53 395	0.55 377	0.45 392	0.24 377	0.47 380	0.18 237	0.49 383	0.64 384	0.42 371	0.45 360	0.60 386	0.27 328	0.34 356	0.24 317	0.33 393	0.14 355	0.48 396	0.42 396	0.30 389	0.26 388

RTS	0.45 385	0.19 348	3.26 420	0.24 336	0.15 335	0.74 401	0.20 283	0.36 339	0.76 397	0.42 371	0.43 357	0.31 315	0.41 377	0.53 391	0.35 372	0.10 272	0.08 274	0.13 330	0.12 330	0.15 349	0.15 349

RTSA	0.45 385	0.19 348	3.26 420	0.24 336	0.15 335	0.74 401	0.20 283	0.36 339	0.76 397	0.42 371	0.43 357	0.31 315	0.41 377	0.53 391	0.35 372	0.10 272	0.08 274	0.13 330	0.12 330	0.15 349	0.15 349

FCDSN-DC	0.33 371	0.28 378	0.28 327	0.30 375	0.24 377	0.39 375	0.28 360	0.42 369	0.42 333	0.43 374	0.53 371	0.51 379	0.41 377	0.36 367	0.30 358	0.21 378	0.20 377	0.27 380	0.26 381	0.25 383	0.24 382
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FADE	0.45 385	0.33 385	1.03 409	0.33 380	0.25 383	0.35 369	0.29 368	0.64 398	1.07 405	0.43 374	0.41 348	0.42 361	0.53 388	0.70 401	0.51 398	0.30 390	0.21 386	0.41 394	0.38 394	0.23 375	0.22 379

SGM_RVC	0.23 327	0.12 278	0.15 197	0.15 40	0.09 135	0.33 358	0.18 237	0.34 320	0.31 269	0.44 376	0.37 320	0.53 382	0.35 363	0.35 362	0.24 317	0.13 338	0.13 348	0.13 330	0.13 339	0.10 280	0.11 299
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
FC-DCNN	0.33 371	0.27 375	0.28 327	0.26 352	0.23 376	0.37 372	0.28 360	0.40 359	0.43 338	0.45 377	0.55 374	0.51 379	0.40 373	0.37 371	0.30 358	0.21 378	0.20 377	0.27 380	0.26 381	0.25 383	0.24 382

LSM	0.33 371	0.20 353	0.58 381	0.26 352	0.60 407	0.34 361	0.25 342	0.42 369	0.48 352	0.45 377	0.58 382	0.42 361	0.36 365	0.35 362	0.25 326	0.12 318	0.20 377	0.14 340	0.16 356	0.19 370	0.33 395

MFN_U_SF_RVC	0.32 368	0.21 359	0.55 377	0.30 375	0.15 335	0.34 361	0.17 197	0.52 387	0.46 350	0.46 379	0.55 374	0.59 385	0.39 370	0.35 362	0.37 377	0.15 352	0.14 355	0.18 365	0.21 371	0.16 356	0.15 349

aanetorigin	0.22 312	0.17 335	0.56 379	0.17 118	0.10 222	0.15 182	0.19 268	0.20 128	0.33 281	0.49 380	0.48 364	0.29 297	0.27 328	0.20 267	0.23 307	0.08 195	0.07 252	0.08 166	0.07 165	0.10 280	0.09 257

RainbowNet	0.54 393	0.61 399	0.70 398	0.57 399	0.43 395	0.65 394	0.37 390	0.60 396	0.87 401	0.50 381	0.66 385	0.64 389	0.47 384	0.49 385	0.43 390	0.47 401	0.48 403	0.52 400	0.41 395	0.52 398	0.40 400

MADNet+	0.75 403	0.71 405	3.70 423	0.66 401	0.41 393	0.98 413	0.97 420	0.69 400	0.73 395	0.52 382	0.57 380	0.64 389	0.68 401	0.86 410	1.01 418	0.34 394	0.36 396	0.28 385	0.23 378	0.36 394	0.31 393

SGM-ForestM	0.32 368	0.12 278	0.16 227	0.16 71	0.11 260	0.39 375	0.19 268	0.41 364	0.50 359	0.52 382	0.54 373	1.32 412	0.42 380	0.40 379	0.27 343	0.14 349	0.16 364	0.16 354	0.16 356	0.12 309	0.12 310

MeshStereo	0.27 353	0.13 299	0.18 270	0.15 40	0.11 260	0.32 352	0.24 328	0.40 359	0.36 304	0.52 382	0.57 380	0.67 393	0.40 373	0.35 362	0.26 336	0.14 349	0.13 348	0.13 330	0.11 312	0.11 295	0.10 276
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
anonymity	0.53 392	0.58 397	0.65 386	0.41 389	0.61 408	0.53 385	0.41 392	0.56 392	0.41 327	0.55 385	0.50 369	0.49 378	0.55 392	0.58 396	0.50 397	0.58 406	0.50 407	0.51 398	0.51 403	0.51 397	0.57 404

PVD	0.39 375	0.20 353	0.39 358	0.31 379	0.22 374	0.29 346	0.43 397	0.52 387	0.96 404	0.55 385	0.79 398	0.53 382	0.59 395	0.52 389	0.38 379	0.19 373	0.14 355	0.17 357	0.14 343	0.24 382	0.31 393

MFMNet_re	0.64 396	0.66 403	0.65 386	0.51 396	0.69 412	0.69 397	0.57 405	0.64 398	0.73 395	0.60 387	0.73 392	0.62 388	0.67 400	0.65 399	0.60 402	0.66 410	0.58 416	0.63 402	0.59 406	0.68 408	0.69 414

ACVNet_1	0.44 383	0.49 394	0.60 382	0.45 392	0.28 386	0.49 383	0.27 355	0.57 394	0.72 392	0.62 388	0.58 382	0.74 397	0.49 386	0.50 386	0.35 372	0.26 388	0.24 388	0.39 392	0.29 386	0.31 392	0.24 382

TorneroNet-64	0.76 404	0.72 406	0.74 399	0.78 406	0.58 406	0.91 412	0.56 404	0.84 404	1.29 411	0.66 389	0.90 401	1.40 414	0.75 403	0.85 409	0.67 408	0.49 402	0.46 398	0.72 406	0.59 406	0.67 407	0.53 403

SGM+DAISY	0.56 394	0.57 396	0.65 386	0.40 387	0.54 400	0.66 396	0.49 399	0.56 392	0.45 349	0.66 389	0.69 388	0.67 393	0.56 393	0.63 398	0.56 400	0.59 407	0.48 403	0.50 397	0.50 402	0.52 398	0.58 405

SPS-STEREO	0.57 395	0.58 397	0.65 386	0.45 392	0.55 402	0.62 392	0.44 398	0.62 397	0.50 359	0.68 391	0.64 384	0.66 392	0.57 394	0.61 397	0.60 402	0.62 409	0.47 402	0.51 398	0.49 400	0.55 402	0.58 405
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
JetBlue	0.71 400	0.45 393	1.14 411	0.51 396	0.47 397	2.02 422	0.64 409	0.75 401	0.70 390	0.69 392	0.77 397	1.22 408	0.83 406	1.03 418	1.01 418	0.40 396	0.28 391	0.33 389	0.33 391	0.30 389	0.34 396

MSC_U_SF_DS_RVC	0.43 382	0.39 390	0.54 375	0.40 387	0.20 370	0.64 393	0.32 384	0.53 389	0.72 392	0.71 393	0.72 391	0.61 387	0.54 389	0.51 387	0.46 391	0.20 375	0.19 374	0.29 386	0.30 388	0.23 375	0.18 369

ELAS	0.41 380	0.29 381	0.33 343	0.27 363	0.24 377	0.60 391	0.36 387	0.50 385	0.50 359	0.71 393	0.79 398	0.67 393	0.54 389	0.51 387	0.42 387	0.22 381	0.20 377	0.27 380	0.26 381	0.26 386	0.25 386
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 427	0.31 383	153.02 446	0.19 232	0.09 135	0.21 286	0.16 176	0.22 161	0.59 377	0.72 395	0.67 386	0.42 361	0.50 387	0.24 313	0.39 381	0.08 195	0.07 252	0.08 166	0.07 165	0.12 309	0.10 276

MANE	0.45 385	0.27 375	0.27 322	0.27 363	0.24 377	0.47 380	0.31 382	0.55 391	0.59 377	0.72 395	1.13 414	1.15 406	0.61 396	0.52 389	0.37 377	0.21 378	0.20 377	0.27 380	0.31 390	0.25 383	0.24 382

NVStereoNet_ROB	0.46 389	0.36 388	0.46 368	0.41 389	0.28 386	0.34 361	0.34 385	0.48 381	0.60 380	0.72 395	0.93 403	0.70 396	0.66 399	0.47 384	0.60 402	0.22 381	0.33 394	0.34 390	0.34 393	0.30 389	0.30 392
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ELAS_RVC	0.41 380	0.29 381	0.33 343	0.28 366	0.24 377	0.54 386	0.36 387	0.49 383	0.59 377	0.72 395	0.74 394	0.65 391	0.54 389	0.54 393	0.40 383	0.22 381	0.20 377	0.27 380	0.26 381	0.26 386	0.25 386
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
IMH-64-1	0.65 397	0.61 399	0.68 394	0.71 402	0.51 398	0.59 389	0.49 399	0.91 406	0.85 399	0.74 399	1.02 407	0.81 398	0.78 404	0.79 403	0.49 394	0.42 397	0.46 398	0.71 404	0.47 398	0.52 398	0.39 398

IMH-64	0.65 397	0.61 399	0.68 394	0.71 402	0.51 398	0.59 389	0.49 399	0.91 406	0.85 399	0.74 399	1.02 407	0.81 398	0.78 404	0.79 403	0.49 394	0.42 397	0.46 398	0.71 404	0.47 398	0.52 398	0.39 398

EDNetEfficient	0.29 360	0.24 367	1.13 410	0.18 185	0.10 222	0.19 260	0.20 283	0.20 128	0.60 380	0.74 399	0.56 379	0.31 315	0.39 370	0.22 294	0.30 358	0.09 241	0.07 252	0.08 166	0.07 165	0.11 295	0.09 257

TorneroNet	0.82 407	0.74 407	0.81 404	0.84 409	0.63 409	0.99 414	0.63 407	0.96 410	1.16 408	0.80 402	1.11 412	1.36 413	0.86 408	0.93 414	0.80 413	0.56 404	0.49 405	0.78 411	0.66 410	0.73 413	0.63 413

IMH	0.71 400	0.64 402	0.68 394	0.76 404	0.54 400	0.69 397	0.54 403	0.98 412	1.10 407	0.82 403	1.09 410	0.89 400	0.88 409	0.87 411	0.52 399	0.44 400	0.50 407	0.75 407	0.51 403	0.56 403	0.41 401

BEATNet-Init1	0.52 391	0.27 375	0.62 384	0.30 375	0.21 372	0.76 405	0.29 368	0.54 390	0.65 386	0.86 404	0.95 405	2.07 422	0.62 398	0.56 395	0.42 387	0.18 369	0.18 371	0.23 375	0.22 374	0.22 374	0.21 377

ACVNet_2	0.66 399	0.66 403	0.68 394	0.63 400	0.41 393	0.71 399	0.49 399	0.96 410	1.39 414	0.89 405	1.09 410	1.04 402	0.73 402	0.54 393	0.47 392	0.43 399	0.40 397	0.53 401	0.44 397	0.47 396	0.35 397

WAO-7	0.79 405	0.78 408	0.54 375	0.85 410	0.67 411	0.74 401	0.68 413	1.05 415	1.32 412	0.90 406	1.20 417	1.04 402	0.92 410	0.69 400	0.66 405	0.60 408	0.62 417	0.67 403	0.68 411	0.64 404	0.58 405

WAO-6	0.81 406	0.80 409	0.62 384	0.86 411	0.63 409	0.76 405	0.58 406	0.98 412	1.54 419	0.90 406	0.96 406	1.07 404	1.03 414	0.70 401	0.66 405	0.72 411	0.49 405	0.90 414	0.71 412	0.68 408	0.58 405

LVE	0.83 408	0.85 412	0.85 405	0.80 407	0.56 403	1.04 418	0.65 410	1.05 415	1.47 417	0.96 408	1.22 418	1.10 405	0.85 407	0.83 406	0.71 410	0.49 402	0.55 413	0.76 409	0.60 408	0.65 405	0.59 410

PWCK	0.71 400	0.94 415	0.95 407	0.76 404	0.31 391	0.74 401	0.36 387	0.90 405	0.90 402	0.96 408	0.75 396	0.95 401	0.61 396	0.87 411	0.66 405	0.72 411	0.46 398	0.75 407	0.49 400	0.69 410	0.44 402

UNDER WATER	0.97 413	0.97 417	1.42 414	0.99 416	0.70 415	1.12 420	0.84 416	0.80 403	1.08 406	1.01 410	0.90 401	1.55 418	1.22 421	1.03 418	1.00 417	0.78 415	0.53 410	1.02 416	0.87 417	0.80 416	0.74 416

UNDER WATER-64	0.95 412	0.94 415	1.43 415	0.87 412	0.56 403	1.18 421	0.87 417	0.77 402	0.94 403	1.04 411	0.85 400	1.58 419	1.21 420	0.94 415	0.96 416	0.87 417	0.57 415	1.03 417	0.88 418	0.78 415	0.73 415

ktn	1.01 415	1.21 420	0.80 403	1.23 421	0.86 418	1.01 416	0.87 417	0.94 409	1.39 414	1.04 411	1.12 413	1.15 406	1.07 415	0.94 415	0.59 401	1.28 423	0.71 420	1.38 423	0.83 416	1.02 420	0.75 417

WAO-8	0.91 410	0.81 410	0.65 386	0.94 414	0.69 412	0.90 409	0.67 411	1.07 417	1.83 422	1.06 413	1.45 420	1.30 409	1.07 415	0.84 407	0.78 411	0.74 413	0.53 410	0.86 412	0.75 413	0.69 410	0.62 411

Venus	0.91 410	0.81 410	0.65 386	0.94 414	0.69 412	0.90 409	0.67 411	1.07 417	1.83 422	1.06 413	1.45 420	1.30 409	1.07 415	0.84 407	0.78 411	0.74 413	0.53 410	0.86 412	0.75 413	0.69 410	0.62 411

Dean	0.87 409	0.86 413	0.79 402	0.81 408	0.56 403	0.90 409	0.63 407	1.15 420	1.73 420	1.15 415	1.15 415	1.31 411	0.99 413	0.81 405	0.81 414	0.57 405	0.56 414	0.77 410	0.64 409	0.66 406	0.58 405

KSHMR	1.09 416	1.17 419	0.88 406	1.25 422	1.00 421	0.99 414	0.96 419	1.13 419	1.37 413	1.16 416	1.29 419	1.41 415	0.96 412	1.01 417	0.92 415	1.03 420	1.08 422	1.20 420	1.03 421	1.01 419	0.97 421

notaker	0.97 413	1.11 418	0.98 408	1.13 418	0.81 416	0.73 400	0.68 413	0.93 408	1.16 408	1.18 417	1.18 416	1.41 415	1.16 419	1.08 420	0.69 409	0.81 416	0.64 418	1.17 419	0.79 415	0.98 418	0.80 419

tt	4.67 423	0.06 21	3.55 422	2.02 425	1.55 423	10.25 429	16.71 428	8.91 432	5.03 425	1.31 418	0.94 404	4.71 425	4.76 425	3.33 425	5.87 427	6.06 432	10.30 436	1.88 426	2.11 427	2.75 425	1.21 424

DPSimNet_ROB	1.11 417	1.23 421	0.78 400	1.13 418	0.88 419	1.10 419	1.13 421	1.16 421	1.23 410	1.43 419	1.02 407	1.41 415	1.10 418	0.90 413	1.60 420	1.46 424	0.51 409	1.21 421	1.03 421	0.90 417	1.01 423

HanzoNet	1.29 418	1.26 422	1.19 412	1.12 417	0.85 417	1.02 417	0.83 415	1.03 414	1.48 418	1.64 420	1.61 422	2.50 424	1.72 422	1.61 422	1.61 421	1.26 422	0.80 421	1.31 422	1.01 420	1.02 420	0.86 420

JetRed	1.62 419	1.46 423	2.98 419	0.92 413	1.21 422	4.99 424	1.53 424	1.27 422	1.39 414	1.83 421	1.74 423	1.60 420	0.95 411	1.41 421	2.45 424	0.90 419	1.60 424	0.93 415	0.90 419	1.35 422	0.99 422

coex-ft	3.30 421	0.34 386	59.09 445	0.18 185	0.13 307	0.26 330	0.22 309	0.27 240	0.72 392	1.90 422	0.70 390	0.44 367	0.45 383	0.29 341	0.41 386	0.09 241	0.09 297	0.12 316	0.09 257	0.14 338	0.13 324

ASD4	3.54 422	3.38 426	2.05 418	1.72 423	2.51 426	9.03 428	17.71 429	2.25 423	5.51 426	2.46 423	2.81 425	2.03 421	3.36 424	2.73 424	5.06 425	1.22 421	1.34 423	1.13 418	1.33 423	1.68 423	1.49 425

MADNet++	1.95 420	1.75 424	1.59 417	1.82 424	1.69 424	2.33 423	1.40 423	2.35 424	2.09 424	2.57 424	2.36 424	2.24 423	2.17 423	2.28 423	2.34 423	1.87 425	1.66 425	1.54 424	1.34 424	1.92 424	1.77 426

LE_ROB	0.50 390	0.07 72	0.14 160	0.15 40	0.08 50	0.24 312	0.16 176	0.22 161	1.81 421	4.63 425	0.67 386	0.47 376	0.44 382	0.20 267	0.29 354	0.07 145	0.06 195	0.06 34	0.06 90	0.08 205	0.06 103

DPSMNet_ROB	8.06 428	4.48 427	8.63 432	5.37 431	10.74 433	8.32 426	22.98 434	5.46 426	13.36 433	5.12 426	9.92 429	5.08 426	10.40 431	5.53 428	12.58 431	3.80 430	8.00 431	3.50 427	7.02 430	3.83 429	7.14 432

DGTPSM_ROB	8.06 428	4.48 427	8.63 432	5.35 429	10.72 432	8.32 426	22.97 433	5.46 426	13.35 432	5.12 426	9.92 429	5.08 426	10.40 431	5.52 427	12.58 431	3.79 429	8.00 431	3.50 427	7.02 430	3.83 429	7.14 432

xxxxx1	7.79 424	5.02 429	7.31 426	3.12 426	3.85 427	16.35 432	22.88 430	5.86 429	8.69 428	7.97 428	8.54 426	9.12 430	8.27 428	10.18 430	10.92 428	2.42 426	2.45 427	3.56 429	12.37 433	3.77 426	3.06 428

tt_ll	7.79 424	5.02 429	7.31 426	3.12 426	3.85 427	16.35 432	22.88 430	5.86 429	8.69 428	7.97 428	8.54 426	9.12 430	8.27 428	10.18 430	10.92 428	2.42 426	2.45 427	3.56 429	12.37 433	3.77 426	3.06 428

ff	7.79 424	5.02 429	7.31 426	3.12 426	3.85 427	16.35 432	22.88 430	5.86 429	8.69 428	7.97 428	8.54 426	9.12 430	8.27 428	10.18 430	10.92 428	2.42 426	2.45 427	3.56 429	12.37 433	3.77 426	3.06 428

Anonymous_1	10.96 433	7.92 432	7.46 429	10.33 432	10.06 431	18.65 436	26.34 436	11.06 433	13.44 434	9.40 431	10.05 431	9.67 433	11.23 433	10.73 433	12.72 433	6.42 433	8.38 433	5.77 432	10.61 432	12.12 434	6.77 431

DPSM_ROB	11.15 434	8.58 433	8.00 430	10.88 433	11.58 434	19.10 437	26.71 437	12.05 434	14.07 435	10.36 432	10.84 432	10.33 434	11.86 434	11.70 434	13.54 434	6.99 434	8.79 434	5.89 433	6.95 428	7.29 431	7.42 434

DPSM	11.15 434	8.58 433	8.00 430	10.88 433	11.58 434	19.10 437	26.71 437	12.05 434	14.07 435	10.36 432	10.84 432	10.33 434	11.86 434	11.70 434	13.54 434	6.99 434	8.79 434	5.89 433	6.95 428	7.29 431	7.42 434

LRCNet_RVC	10.62 432	13.42 436	7.30 425	18.92 436	2.07 425	0.33 358	0.30 376	5.59 428	0.48 352	13.03 434	17.94 435	8.87 429	5.65 426	4.79 426	1.89 422	23.51 443	2.73 430	27.55 444	25.71 444	16.07 441	16.33 442

HaxPig	15.71 437	18.52 443	19.18 440	16.89 435	15.89 437	7.73 425	7.60 425	13.31 436	10.82 431	15.42 435	14.91 434	15.98 436	14.92 436	15.58 436	15.98 437	18.95 442	16.73 437	19.46 442	18.08 442	19.26 442	19.05 443

PML	8.91 430	9.34 435	6.13 424	5.35 429	6.41 430	14.99 431	23.38 435	5.27 425	6.83 427	18.04 436	28.19 445	7.67 428	6.83 427	7.85 429	5.75 426	5.35 431	1.83 426	5.95 435	1.93 426	8.64 433	2.52 427

MEDIAN_ROB	20.38 438	24.04 444	23.31 442	21.23 437	21.71 438	10.40 430	7.92 426	17.64 437	15.50 437	20.12 437	19.70 436	20.34 437	20.32 437	21.19 437	21.13 438	23.81 444	21.81 444	24.98 443	23.76 443	24.71 443	23.93 444

CasAABBNet	22.42 439	17.33 438	16.01 434	22.01 441	23.28 442	38.32 440	53.80 444	24.14 439	28.41 440	20.60 438	21.77 438	20.89 442	23.91 442	23.43 438	27.36 440	14.07 436	17.69 439	11.83 440	14.01 437	14.67 438	14.95 440

Selective-RAFT-Error	22.47 443	17.37 442	16.09 435	22.06 442	23.34 443	38.39 444	53.83 445	24.29 444	28.47 444	20.74 439	21.83 439	20.81 441	23.90 441	23.54 443	27.53 445	14.08 437	17.69 439	11.82 436	14.00 436	14.69 439	15.00 441

LSM0	22.87 444	17.28 437	18.96 439	22.19 443	29.04 445	38.42 445	53.71 440	24.28 443	28.31 439	20.78 440	21.00 437	21.43 443	24.16 443	23.50 442	27.39 441	14.09 441	17.38 438	11.84 441	14.04 441	14.73 440	14.89 436

MyStereo03	22.45 440	17.33 438	16.21 436	21.95 438	23.27 439	38.32 440	53.79 441	24.21 440	28.46 441	20.87 441	21.85 440	20.80 438	23.87 438	23.46 439	27.40 442	14.08 437	17.71 441	11.82 436	14.03 438	14.65 435	14.89 436

MyStereo02	22.45 440	17.33 438	16.21 436	21.95 438	23.27 439	38.32 440	53.79 441	24.21 440	28.46 441	20.87 441	21.85 440	20.80 438	23.87 438	23.46 439	27.40 442	14.08 437	17.71 441	11.82 436	14.03 438	14.65 435	14.89 436

MyStereo	22.45 440	17.33 438	16.21 436	21.95 438	23.27 439	38.32 440	53.79 441	24.21 440	28.46 441	20.87 441	21.85 440	20.80 438	23.87 438	23.46 439	27.40 442	14.08 437	17.71 441	11.82 436	14.03 438	14.65 435	14.89 436

SPstereo	13.84 436	0.93 414	1.50 416	1.22 420	0.88 419	28.82 439	48.26 439	26.77 446	29.54 445	22.37 444	22.60 443	23.23 444	24.68 444	24.53 444	15.06 436	0.88 418	0.69 419	1.83 425	1.60 425	0.74 414	0.77 418

AVERAGE_ROB	24.90 445	29.20 445	28.14 443	24.89 444	24.64 444	17.75 435	11.12 427	21.45 438	19.93 438	25.12 445	24.46 444	25.12 445	25.46 445	24.69 445	22.83 439	29.76 445	27.13 445	28.97 445	27.95 445	29.91 444	29.47 445

test_example2	98.32 446	94.13 446	45.89 444	96.35 445	109.85 446	88.61 446	95.45 446	25.75 445	94.37 446	130.00 446	126.06 446	58.17 446	74.63 446	88.51 446	79.96 446	150.23 446	221.02 446	77.62 446	99.10 446	113.75 446	96.94 446

Low-res two-view benchmark