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

MonSter	0.07 4	0.06 57	0.05 1	0.15 70	0.05 1	0.07 29	0.10 27	0.15 107	0.15 160	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

monsterstereo	0.07 4	0.06 57	0.06 2	0.16 143	0.06 13	0.08 52	0.10 27	0.16 133	0.11 62	0.07 30	0.08 71	0.06 16	0.07 107	0.08 15	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.03 1	0.03 1

monsters	0.07 4	0.06 57	0.06 2	0.15 70	0.06 13	0.08 52	0.09 18	0.12 44	0.08 12	0.09 93	0.07 38	0.06 16	0.06 36	0.08 15	0.08 17	0.05 27	0.04 21	0.04 1	0.04 34	0.03 1	0.03 1

Occ-G	0.08 44	0.05 18	0.06 2	0.14 30	0.07 71	0.08 52	0.14 152	0.13 60	0.15 160	0.07 30	0.11 148	0.07 62	0.05 11	0.09 33	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

CREStereo++_RVC	0.08 44	0.04 1	0.06 2	0.13 13	0.07 71	0.09 81	0.12 63	0.14 76	0.14 143	0.10 126	0.14 189	0.08 99	0.07 107	0.09 33	0.11 188	0.06 114	0.04 21	0.05 23	0.05 108	0.04 15	0.04 40
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
AdaDepth	0.07 4	0.06 57	0.07 6	0.18 299	0.06 13	0.11 173	0.12 63	0.09 11	0.07 8	0.06 9	0.05 7	0.07 62	0.06 36	0.09 33	0.10 123	0.04 11	0.05 183	0.05 23	0.04 34	0.04 15	0.04 40

asd	0.07 4	0.08 237	0.07 6	0.16 143	0.07 71	0.08 52	0.08 7	0.11 29	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.10 62	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

qwe	0.07 4	0.08 237	0.07 6	0.15 70	0.06 13	0.07 29	0.10 27	0.18 198	0.11 62	0.07 30	0.07 38	0.06 16	0.06 36	0.10 62	0.09 54	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

2.25w	0.07 4	0.06 57	0.07 6	0.14 30	0.06 13	0.08 52	0.08 7	0.10 18	0.15 160	0.08 63	0.10 118	0.07 62	0.06 36	0.08 15	0.10 123	0.05 27	0.03 1	0.04 1	0.04 34	0.03 1	0.04 40

2.5w	0.07 4	0.07 140	0.07 6	0.16 143	0.06 13	0.08 52	0.12 63	0.10 18	0.10 36	0.07 30	0.06 13	0.09 124	0.06 36	0.08 15	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 140	0.07 6	0.13 13	0.06 13	0.08 52	0.08 7	0.18 198	0.12 88	0.07 30	0.08 71	0.06 16	0.06 36	0.09 33	0.11 188	0.04 11	0.04 21	0.04 1	0.03 1	0.03 1	0.04 40

3.25w_new	0.07 4	0.06 57	0.07 6	0.15 70	0.06 13	0.10 128	0.07 3	0.12 44	0.11 62	0.08 63	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 57	0.07 6	0.15 70	0.06 13	0.10 128	0.07 3	0.12 44	0.11 62	0.08 63	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.5w_stereo	0.07 4	0.07 140	0.07 6	0.15 70	0.07 71	0.09 81	0.06 1	0.13 60	0.11 62	0.07 30	0.07 38	0.06 16	0.07 107	0.10 62	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 57	0.07 6	0.16 143	0.06 13	0.07 29	0.10 27	0.14 76	0.14 143	0.07 30	0.08 71	0.05 1	0.06 36	0.09 33	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 40

MM-Stereo_test3	0.10 143	0.07 140	0.07 6	0.18 299	0.07 71	0.12 208	0.19 403	0.24 317	0.19 247	0.06 9	0.10 118	0.08 99	0.06 36	0.11 108	0.08 17	0.06 114	0.06 308	0.07 195	0.05 108	0.05 100	0.04 40

SCV_C0	0.08 44	0.07 140	0.07 6	0.16 143	0.09 239	0.08 52	0.15 220	0.11 29	0.12 88	0.08 63	0.07 38	0.06 16	0.05 11	0.11 108	0.07 1	0.05 27	0.05 183	0.05 23	0.04 34	0.06 192	0.05 121

AIO_test	0.07 4	0.05 18	0.07 6	0.15 70	0.07 71	0.06 9	0.14 152	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.05 11	0.08 15	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

DEFOM-Stereo	0.07 4	0.05 18	0.07 6	0.14 30	0.06 13	0.10 128	0.13 104	0.07 2	0.13 119	0.06 9	0.07 38	0.06 16	0.05 11	0.10 62	0.09 54	0.04 11	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

trnet	0.08 44	0.05 18	0.07 6	0.12 4	0.05 1	0.12 208	0.11 46	0.13 60	0.10 36	0.08 63	0.13 175	0.09 124	0.08 142	0.11 108	0.10 123	0.08 301	0.05 183	0.05 23	0.03 1	0.06 192	0.05 121

LoS_RVC	0.08 44	0.05 18	0.07 6	0.15 70	0.07 71	0.08 52	0.15 220	0.11 29	0.10 36	0.08 63	0.09 89	0.06 16	0.09 168	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

CAS	0.08 44	0.04 1	0.07 6	0.17 217	0.08 127	0.10 128	0.13 104	0.12 44	0.09 23	0.09 93	0.10 118	0.08 99	0.06 36	0.09 33	0.08 17	0.08 301	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

raft_robust	0.13 277	0.10 371	0.07 6	0.18 299	0.08 127	0.13 247	0.24 474	0.28 391	0.33 421	0.20 381	0.19 273	0.14 238	0.10 200	0.11 108	0.12 237	0.05 27	0.05 183	0.07 195	0.07 273	0.05 100	0.04 40

GMOStereo	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

error version	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

test-v	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

test-2	0.11 186	0.09 313	0.07 6	0.19 356	0.08 127	0.12 208	0.28 511	0.13 60	0.17 206	0.11 155	0.17 239	0.14 238	0.12 256	0.07 4	0.07 1	0.05 27	0.05 183	0.09 360	0.07 273	0.04 15	0.04 40

s12784h	0.09 82	0.06 57	0.07 6	0.15 70	0.05 1	0.16 335	0.18 364	0.15 107	0.15 160	0.10 126	0.11 148	0.11 176	0.11 225	0.10 62	0.12 237	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

XX-TBD	0.09 82	0.06 57	0.07 6	0.14 30	0.07 71	0.12 208	0.16 285	0.14 76	0.13 119	0.11 155	0.12 161	0.09 124	0.08 142	0.10 62	0.10 123	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

MSCF	0.08 44	0.05 18	0.08 30	0.19 356	0.08 127	0.06 9	0.12 63	0.14 76	0.11 62	0.10 126	0.09 89	0.07 62	0.04 1	0.11 108	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

water-stereo	0.09 82	0.06 57	0.08 30	0.16 143	0.07 71	0.09 81	0.13 104	0.15 107	0.13 119	0.11 155	0.12 161	0.08 99	0.09 168	0.07 4	0.08 17	0.06 114	0.05 183	0.05 23	0.05 108	0.04 15	0.04 40

asda	0.07 4	0.08 237	0.08 30	0.16 143	0.06 13	0.06 9	0.10 27	0.16 133	0.10 36	0.06 9	0.06 13	0.05 1	0.05 11	0.10 62	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

DilatedVolume-Stereo	0.09 82	0.05 18	0.08 30	0.15 70	0.06 13	0.11 173	0.12 63	0.14 76	0.16 187	0.11 155	0.11 148	0.09 124	0.09 168	0.11 108	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.03 1	0.03 1

4.5_new	0.07 4	0.09 313	0.08 30	0.15 70	0.07 71	0.06 9	0.10 27	0.14 76	0.11 62	0.06 9	0.08 71	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4.5w-stereo	0.07 4	0.09 313	0.08 30	0.15 70	0.07 71	0.06 9	0.10 27	0.14 76	0.11 62	0.06 9	0.08 71	0.06 16	0.06 36	0.08 15	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

4w-stereo	0.07 4	0.08 237	0.08 30	0.16 143	0.06 13	0.07 29	0.08 7	0.12 44	0.08 12	0.07 30	0.07 38	0.05 1	0.06 36	0.09 33	0.10 123	0.03 1	0.03 1	0.04 1	0.04 34	0.04 15	0.03 1

3.75w	0.07 4	0.07 140	0.08 30	0.16 143	0.07 71	0.07 29	0.09 18	0.16 133	0.09 23	0.07 30	0.06 13	0.05 1	0.06 36	0.09 33	0.10 123	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

IGEV	0.07 4	0.04 1	0.08 30	0.13 13	0.06 13	0.09 81	0.12 63	0.14 76	0.10 36	0.06 9	0.09 89	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

MLG-Stereo_test1	0.06 1	0.05 18	0.08 30	0.17 217	0.05 1	0.06 9	0.11 46	0.08 4	0.03 1	0.05 1	0.04 1	0.06 16	0.05 11	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MLG-Stereo	0.07 4	0.05 18	0.08 30	0.17 217	0.05 1	0.07 29	0.11 46	0.08 4	0.04 2	0.05 1	0.04 1	0.06 16	0.05 11	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

MM-Stereo_test1	0.10 143	0.07 140	0.08 30	0.18 299	0.07 71	0.12 208	0.18 364	0.21 253	0.20 270	0.09 93	0.11 148	0.08 99	0.06 36	0.10 62	0.10 123	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

GREAT-IGEV	0.07 4	0.06 57	0.08 30	0.13 13	0.07 71	0.07 29	0.14 152	0.09 11	0.09 23	0.06 9	0.07 38	0.06 16	0.05 11	0.10 62	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

Reg-Stereo(zero)	0.08 44	0.05 18	0.08 30	0.16 143	0.06 13	0.12 208	0.11 46	0.15 107	0.10 36	0.12 193	0.09 89	0.10 155	0.08 142	0.11 108	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

SCV	0.08 44	0.09 313	0.08 30	0.15 70	0.08 127	0.10 128	0.13 104	0.10 18	0.12 88	0.07 30	0.07 38	0.06 16	0.04 1	0.09 33	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.06 192	0.04 40

FoundationStereo	0.06 1	0.04 1	0.08 30	0.12 4	0.05 1	0.09 81	0.13 104	0.06 1	0.09 23	0.05 1	0.05 7	0.06 16	0.04 1	0.06 1	0.07 1	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

AIO_rvc	0.07 4	0.06 57	0.08 30	0.15 70	0.06 13	0.08 52	0.14 152	0.09 11	0.08 12	0.07 30	0.08 71	0.07 62	0.04 1	0.10 62	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

HUF	0.08 44	0.05 18	0.08 30	0.14 30	0.06 13	0.09 81	0.13 104	0.13 60	0.13 119	0.07 30	0.07 38	0.08 99	0.06 36	0.10 62	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

castereo++	0.08 44	0.05 18	0.08 30	0.15 70	0.05 1	0.14 279	0.12 63	0.11 29	0.15 160	0.07 30	0.07 38	0.07 62	0.06 36	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

mms	0.09 82	0.07 140	0.08 30	0.16 143	0.08 127	0.10 128	0.16 285	0.12 44	0.11 62	0.08 63	0.09 89	0.08 99	0.06 36	0.11 108	0.12 237	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.03 1

dual_stereo	0.07 4	0.04 1	0.08 30	0.15 70	0.05 1	0.05 4	0.13 104	0.12 44	0.08 12	0.07 30	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

IGEV-Stereo++	0.07 4	0.06 57	0.08 30	0.18 299	0.06 13	0.04 1	0.10 27	0.11 29	0.11 62	0.06 9	0.07 38	0.07 62	0.06 36	0.09 33	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

RAStereo	0.10 143	0.09 313	0.08 30	0.20 412	0.08 127	0.13 247	0.18 364	0.15 107	0.17 206	0.10 126	0.12 161	0.05 1	0.06 36	0.09 33	0.08 17	0.07 240	0.05 183	0.07 195	0.05 108	0.05 100	0.04 40

IGEV-Stereo+	0.07 4	0.04 1	0.08 30	0.15 70	0.06 13	0.04 1	0.09 18	0.10 18	0.09 23	0.06 9	0.06 13	0.06 16	0.06 36	0.06 1	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.06 192	0.06 200

IGEV++	0.08 44	0.06 57	0.08 30	0.18 299	0.07 71	0.09 81	0.13 104	0.10 18	0.09 23	0.08 63	0.08 71	0.06 16	0.06 36	0.13 235	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

MaDis-Stereo	0.09 82	0.09 313	0.08 30	0.17 217	0.09 239	0.13 247	0.10 27	0.16 133	0.16 187	0.09 93	0.11 148	0.06 16	0.06 36	0.09 33	0.13 278	0.07 240	0.06 308	0.07 195	0.05 108	0.05 100	0.04 40

UniTT-Stereo	0.09 82	0.07 140	0.08 30	0.18 299	0.08 127	0.13 247	0.11 46	0.12 44	0.11 62	0.10 126	0.12 161	0.05 1	0.07 107	0.09 33	0.09 54	0.07 240	0.05 183	0.05 23	0.05 108	0.05 100	0.05 121

AEACV	0.08 44	0.05 18	0.08 30	0.14 30	0.13 444	0.14 279	0.13 104	0.14 76	0.09 23	0.07 30	0.09 89	0.07 62	0.08 142	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

CES	0.08 44	0.04 1	0.08 30	0.14 30	0.07 71	0.09 81	0.14 152	0.11 29	0.09 23	0.08 63	0.09 89	0.11 176	0.06 36	0.12 190	0.08 17	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

Selective-IGEV	0.07 4	0.06 57	0.08 30	0.17 217	0.06 13	0.08 52	0.12 63	0.13 60	0.07 8	0.08 63	0.07 38	0.06 16	0.04 1	0.10 62	0.09 54	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

EGLCR-Stereo	0.08 44	0.05 18	0.08 30	0.14 30	0.06 13	0.10 128	0.12 63	0.11 29	0.16 187	0.06 9	0.05 7	0.07 62	0.05 11	0.10 62	0.11 188	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

CroCo-Stereo Lap2	0.09 82	0.09 313	0.08 30	0.22 456	0.09 239	0.09 81	0.19 403	0.16 133	0.12 88	0.09 93	0.10 118	0.05 1	0.05 11	0.08 15	0.08 17	0.06 114	0.06 308	0.07 195	0.05 108	0.05 100	0.05 121

TestStereo1	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 520	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

test_5	0.14 311	0.12 415	0.08 30	0.20 412	0.10 341	0.14 279	0.29 520	0.21 253	0.24 325	0.18 342	0.28 405	0.11 176	0.15 337	0.12 190	0.13 278	0.06 114	0.05 183	0.07 195	0.08 338	0.08 321	0.07 280

SA-5K	0.13 277	0.08 237	0.08 30	0.19 356	0.08 127	0.18 375	0.29 520	0.23 295	0.16 187	0.17 312	0.20 285	0.16 281	0.10 200	0.12 190	0.13 278	0.06 114	0.06 308	0.08 279	0.06 186	0.05 100	0.05 121

Sa-1000	0.12 252	0.08 237	0.08 30	0.18 299	0.08 127	0.14 279	0.22 451	0.22 275	0.18 232	0.15 268	0.20 285	0.17 301	0.11 225	0.10 62	0.10 123	0.06 114	0.05 183	0.09 360	0.09 384	0.05 100	0.05 121

SA	0.12 252	0.09 313	0.08 30	0.18 299	0.08 127	0.12 208	0.24 474	0.23 295	0.18 232	0.17 312	0.27 391	0.14 238	0.11 225	0.11 108	0.11 188	0.05 27	0.05 183	0.09 360	0.08 338	0.05 100	0.04 40

test_4	0.10 143	0.10 371	0.08 30	0.19 356	0.09 239	0.08 52	0.22 451	0.15 107	0.17 206	0.12 193	0.18 264	0.12 193	0.09 168	0.08 15	0.11 188	0.04 11	0.04 21	0.08 279	0.08 338	0.04 15	0.03 1

CroCo-Stereo	0.09 82	0.08 237	0.08 30	0.22 456	0.09 239	0.09 81	0.19 403	0.15 107	0.12 88	0.07 30	0.07 38	0.08 99	0.06 36	0.08 15	0.07 1	0.07 240	0.05 183	0.06 102	0.04 34	0.05 100	0.04 40
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
TANstereo	0.09 82	0.04 1	0.08 30	0.13 13	0.06 13	0.11 173	0.14 152	0.15 107	0.19 247	0.11 155	0.15 206	0.10 155	0.06 36	0.12 190	0.09 54	0.07 240	0.05 183	0.05 23	0.04 34	0.06 192	0.05 121

XX-Stereo	0.09 82	0.05 18	0.08 30	0.17 217	0.09 239	0.15 305	0.12 63	0.20 230	0.10 36	0.10 126	0.14 189	0.07 62	0.06 36	0.12 190	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.04 15	0.04 40

CREStereo	0.09 82	0.04 1	0.08 30	0.11 1	0.06 13	0.13 247	0.14 152	0.14 76	0.10 36	0.08 63	0.13 175	0.09 124	0.08 142	0.11 108	0.10 123	0.08 301	0.04 21	0.05 23	0.03 1	0.06 192	0.06 200
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
zero-FE	0.08 44	0.04 1	0.09 72	0.15 70	0.10 341	0.05 4	0.14 152	0.09 11	0.14 143	0.07 30	0.06 13	0.07 62	0.06 36	0.09 33	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.08 321	0.05 121

GASTEREO	0.08 44	0.05 18	0.09 72	0.19 356	0.07 71	0.07 29	0.12 63	0.14 76	0.11 62	0.10 126	0.09 89	0.07 62	0.04 1	0.12 190	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.04 15	0.05 121

depthmonostereo	0.09 82	0.06 57	0.09 72	0.15 70	0.06 13	0.10 128	0.13 104	0.14 76	0.14 143	0.10 126	0.10 118	0.09 124	0.11 225	0.08 15	0.09 54	0.06 114	0.05 183	0.06 102	0.04 34	0.04 15	0.03 1

4.25_new	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.5w_new	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

4.25w-stereo	0.07 4	0.08 237	0.09 72	0.15 70	0.06 13	0.09 81	0.08 7	0.14 76	0.08 12	0.07 30	0.07 38	0.06 16	0.06 36	0.12 190	0.10 123	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

2w_stereo	0.08 44	0.08 237	0.09 72	0.16 143	0.06 13	0.08 52	0.10 27	0.20 230	0.15 160	0.08 63	0.07 38	0.06 16	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 34	0.03 1	0.03 1

111111	0.07 4	0.04 1	0.09 72	0.17 217	0.06 13	0.05 4	0.10 27	0.11 29	0.09 23	0.06 9	0.06 13	0.07 62	0.05 11	0.09 33	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.07 258	0.06 200

MM-Stereo_test2	0.09 82	0.06 57	0.09 72	0.19 356	0.08 127	0.12 208	0.18 364	0.15 107	0.14 143	0.07 30	0.10 118	0.07 62	0.06 36	0.12 190	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.03 1

HART	0.08 44	0.07 140	0.09 72	0.17 217	0.07 71	0.10 128	0.16 285	0.13 60	0.11 62	0.08 63	0.10 118	0.07 62	0.05 11	0.10 62	0.08 17	0.05 27	0.04 21	0.06 102	0.04 34	0.05 100	0.04 40

DEFOM-Stereo_RVC	0.08 44	0.06 57	0.09 72	0.22 456	0.06 13	0.08 52	0.12 63	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.05 11	0.11 108	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.06 192	0.04 40

ours_stereo	0.09 82	0.07 140	0.09 72	0.17 217	0.08 127	0.11 173	0.16 285	0.11 29	0.12 88	0.08 63	0.10 118	0.08 99	0.06 36	0.12 190	0.12 237	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.03 1

fffy	0.09 82	0.08 237	0.09 72	0.16 143	0.07 71	0.13 247	0.17 319	0.13 60	0.12 88	0.08 63	0.09 89	0.08 99	0.09 168	0.13 235	0.11 188	0.05 27	0.05 183	0.07 195	0.05 108	0.04 15	0.05 121

UGAM	0.13 277	0.10 371	0.09 72	0.22 456	0.08 127	0.12 208	0.20 424	0.17 169	0.23 309	0.21 395	0.16 218	0.13 218	0.13 294	0.19 385	0.12 237	0.07 240	0.05 183	0.13 473	0.11 455	0.07 258	0.05 121

WCG-NET	0.08 44	0.05 18	0.09 72	0.15 70	0.06 13	0.11 173	0.14 152	0.13 60	0.13 119	0.06 9	0.09 89	0.07 62	0.06 36	0.13 235	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

Pointernet	0.09 82	0.04 1	0.09 72	0.16 143	0.08 127	0.13 247	0.10 27	0.15 107	0.17 206	0.09 93	0.07 38	0.06 16	0.06 36	0.11 108	0.09 54	0.08 301	0.04 21	0.05 23	0.03 1	0.06 192	0.05 121

U	0.08 44	0.07 140	0.09 72	0.19 356	0.10 341	0.10 128	0.13 104	0.12 44	0.17 206	0.07 30	0.07 38	0.06 16	0.05 11	0.07 4	0.08 17	0.06 114	0.04 21	0.06 102	0.04 34	0.06 192	0.05 121

AIO-Stereo	0.08 44	0.06 57	0.09 72	0.18 299	0.06 13	0.08 52	0.12 63	0.15 107	0.09 23	0.08 63	0.08 71	0.07 62	0.05 11	0.11 108	0.08 17	0.05 27	0.05 183	0.05 23	0.04 34	0.04 15	0.04 40

RSM++	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.09 81	0.12 63	0.11 29	0.11 62	0.08 63	0.06 13	0.07 62	0.05 11	0.10 62	0.09 54	0.04 11	0.04 21	0.06 102	0.05 108	0.05 100	0.03 1

RSM	0.08 44	0.06 57	0.09 72	0.17 217	0.06 13	0.08 52	0.12 63	0.12 44	0.10 36	0.08 63	0.07 38	0.06 16	0.05 11	0.11 108	0.09 54	0.04 11	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

H2IRNET	0.10 143	0.09 313	0.09 72	0.18 299	0.09 239	0.12 208	0.15 220	0.14 76	0.21 285	0.10 126	0.10 118	0.10 155	0.10 200	0.10 62	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.06 192	0.05 121

MSKI-zero shot	0.09 82	0.05 18	0.09 72	0.15 70	0.07 71	0.10 128	0.13 104	0.14 76	0.13 119	0.09 93	0.09 89	0.09 124	0.06 36	0.12 190	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

StereoVision	0.13 277	0.12 415	0.09 72	0.24 486	0.10 341	0.15 305	0.21 441	0.21 253	0.20 270	0.12 193	0.24 337	0.10 155	0.10 200	0.16 317	0.10 123	0.09 360	0.11 468	0.12 458	0.12 474	0.06 192	0.05 121

CASnet	0.09 82	0.09 313	0.09 72	0.19 356	0.06 13	0.07 29	0.11 46	0.18 198	0.14 143	0.11 155	0.10 118	0.09 124	0.07 107	0.10 62	0.10 123	0.06 114	0.04 21	0.10 408	0.08 338	0.05 100	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Any-RAFT	0.10 143	0.05 18	0.09 72	0.14 30	0.07 71	0.13 247	0.14 152	0.21 253	0.15 160	0.11 155	0.12 161	0.12 193	0.09 168	0.12 190	0.09 54	0.07 240	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

MC-Stereo	0.08 44	0.06 57	0.09 72	0.17 217	0.06 13	0.10 128	0.14 152	0.12 44	0.10 36	0.09 93	0.12 161	0.09 124	0.06 36	0.11 108	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

RCA-Stereo	0.09 82	0.06 57	0.09 72	0.16 143	0.06 13	0.09 81	0.13 104	0.18 198	0.14 143	0.09 93	0.10 118	0.08 99	0.07 107	0.12 190	0.11 188	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

RAFT+CT+SA	0.13 277	0.11 397	0.09 72	0.19 356	0.09 239	0.15 305	0.28 511	0.22 275	0.22 299	0.15 268	0.26 383	0.10 155	0.10 200	0.11 108	0.12 237	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

test-3	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.07 29	0.14 152	0.12 44	0.15 160	0.09 93	0.08 71	0.07 62	0.08 142	0.11 108	0.10 123	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.04 40

test_1	0.08 44	0.06 57	0.09 72	0.17 217	0.07 71	0.07 29	0.14 152	0.12 44	0.15 160	0.09 93	0.08 71	0.07 62	0.08 142	0.11 108	0.10 123	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.04 40

LCNet	0.11 186	0.07 140	0.09 72	0.19 356	0.09 239	0.08 52	0.15 220	0.21 253	0.15 160	0.11 155	0.15 206	0.16 281	0.11 225	0.12 190	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.06 192	0.15 498

cross-raft	0.10 143	0.09 313	0.09 72	0.19 356	0.07 71	0.11 173	0.25 490	0.13 60	0.15 160	0.08 63	0.11 148	0.12 193	0.10 200	0.09 33	0.11 188	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

iRaftStereo_RVC	0.10 143	0.07 140	0.09 72	0.17 217	0.09 239	0.11 173	0.17 319	0.18 198	0.12 88	0.09 93	0.12 161	0.10 155	0.07 107	0.11 108	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.04 15	0.04 40

raft+_RVC	0.11 186	0.07 140	0.09 72	0.16 143	0.07 71	0.10 128	0.11 46	0.24 317	0.20 270	0.12 193	0.15 206	0.12 193	0.08 142	0.12 190	0.13 278	0.07 240	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

RALCasStereoNet	0.10 143	0.06 57	0.09 72	0.16 143	0.08 127	0.12 208	0.14 152	0.17 169	0.11 62	0.12 193	0.17 239	0.14 238	0.10 200	0.12 190	0.11 188	0.07 240	0.06 308	0.06 102	0.05 108	0.08 321	0.07 280

CFNet-RSSM	0.09 82	0.07 140	0.09 72	0.16 143	0.07 71	0.09 81	0.15 220	0.16 133	0.17 206	0.08 63	0.12 161	0.10 155	0.09 168	0.11 108	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

PMTNet	0.09 82	0.05 18	0.09 72	0.12 4	0.06 13	0.12 208	0.14 152	0.15 107	0.11 62	0.09 93	0.13 175	0.10 155	0.07 107	0.13 235	0.10 123	0.15 495	0.04 21	0.05 23	0.03 1	0.07 258	0.06 200

3w_stereo	0.08 44	0.09 313	0.10 109	0.17 217	0.07 71	0.08 52	0.10 27	0.20 230	0.13 119	0.06 9	0.07 38	0.05 1	0.06 36	0.08 15	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 15	0.03 1

LG-Stereo_L2	0.07 4	0.05 18	0.10 109	0.14 30	0.06 13	0.07 29	0.12 63	0.09 11	0.09 23	0.06 9	0.04 1	0.05 1	0.05 11	0.08 15	0.08 17	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.03 1

MLG-Stereo_test3	0.07 4	0.05 18	0.10 109	0.14 30	0.06 13	0.07 29	0.11 46	0.08 4	0.06 4	0.06 9	0.04 1	0.06 16	0.06 36	0.07 4	0.10 123	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.06 200

MLG-Stereo_test2	0.06 1	0.04 1	0.10 109	0.15 70	0.05 1	0.07 29	0.11 46	0.09 11	0.04 2	0.06 9	0.05 7	0.06 16	0.04 1	0.08 15	0.09 54	0.06 114	0.04 21	0.05 23	0.03 1	0.05 100	0.05 121

LGtest1	0.07 4	0.04 1	0.10 109	0.15 70	0.06 13	0.07 29	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 16	0.06 36	0.10 62	0.09 54	0.07 240	0.04 21	0.05 23	0.04 34	0.06 192	0.06 200

LG-Stereo_Zeroshot	0.07 4	0.06 57	0.10 109	0.16 143	0.07 71	0.04 1	0.13 104	0.10 18	0.10 36	0.05 1	0.11 148	0.07 62	0.05 11	0.07 4	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

LG-Stereo	0.08 44	0.07 140	0.10 109	0.18 299	0.07 71	0.10 128	0.17 319	0.11 29	0.08 12	0.05 1	0.07 38	0.05 1	0.07 107	0.09 33	0.09 54	0.04 11	0.05 183	0.07 195	0.07 273	0.04 15	0.04 40

SGD-Stereo	0.08 44	0.05 18	0.10 109	0.14 30	0.05 1	0.12 208	0.12 63	0.11 29	0.12 88	0.07 30	0.09 89	0.09 124	0.09 168	0.08 15	0.08 17	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.03 1

AIO-test2	0.10 143	0.08 237	0.10 109	0.23 477	0.08 127	0.11 173	0.10 27	0.23 295	0.23 309	0.08 63	0.09 89	0.08 99	0.05 11	0.10 62	0.08 17	0.06 114	0.05 183	0.08 279	0.09 384	0.05 100	0.05 121

AIO-test1	0.10 143	0.07 140	0.10 109	0.23 477	0.07 71	0.09 81	0.13 104	0.21 253	0.14 143	0.11 155	0.12 161	0.09 124	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.09 360	0.10 423	0.03 1	0.06 200

tg	0.10 143	0.06 57	0.10 109	0.18 299	0.08 127	0.11 173	0.16 285	0.20 230	0.12 88	0.08 63	0.11 148	0.11 176	0.07 107	0.11 108	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.04 15	0.04 40

WCG-NET（raft）	0.08 44	0.05 18	0.10 109	0.15 70	0.06 13	0.11 173	0.13 104	0.15 107	0.12 88	0.08 63	0.07 38	0.06 16	0.06 36	0.13 235	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

RAFT-Stereo-weight	0.09 82	0.06 57	0.10 109	0.16 143	0.07 71	0.09 81	0.14 152	0.19 219	0.16 187	0.11 155	0.10 118	0.08 99	0.06 36	0.10 62	0.11 188	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

gcap-zeroshot	0.09 82	0.05 18	0.10 109	0.16 143	0.07 71	0.13 247	0.13 104	0.11 29	0.12 88	0.13 220	0.12 161	0.09 124	0.08 142	0.09 33	0.09 54	0.06 114	0.05 183	0.06 102	0.05 108	0.04 15	0.04 40

MoCha-V2	0.08 44	0.05 18	0.10 109	0.20 412	0.07 71	0.09 81	0.14 152	0.11 29	0.08 12	0.07 30	0.08 71	0.07 62	0.06 36	0.09 33	0.08 17	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.04 40

MyStereo07	0.10 143	0.07 140	0.10 109	0.17 217	0.09 239	0.14 279	0.18 364	0.15 107	0.15 160	0.09 93	0.06 13	0.06 16	0.07 107	0.12 190	0.09 54	0.06 114	0.05 183	0.08 279	0.07 273	0.06 192	0.06 200

MyStereo05	0.13 277	0.07 140	0.10 109	0.17 217	0.09 239	0.13 247	0.18 364	0.27 372	0.35 442	0.17 312	0.14 189	0.15 267	0.11 225	0.15 283	0.13 278	0.06 114	0.05 183	0.07 195	0.07 273	0.06 192	0.06 200

MyStereo04	0.13 277	0.07 140	0.10 109	0.17 217	0.09 239	0.14 279	0.18 364	0.29 402	0.38 461	0.17 312	0.14 189	0.16 281	0.10 200	0.15 283	0.13 278	0.06 114	0.05 183	0.08 279	0.07 273	0.06 192	0.06 200

AE-Stereo	0.10 143	0.08 237	0.10 109	0.18 299	0.09 239	0.10 128	0.15 220	0.14 76	0.19 247	0.09 93	0.14 189	0.12 193	0.08 142	0.11 108	0.10 123	0.05 27	0.06 308	0.07 195	0.06 186	0.05 100	0.04 40

plain	0.10 143	0.08 237	0.10 109	0.19 356	0.09 239	0.10 128	0.15 220	0.14 76	0.13 119	0.13 220	0.15 206	0.09 124	0.12 256	0.13 235	0.12 237	0.07 240	0.05 183	0.09 360	0.06 186	0.06 192	0.06 200

MIF-Stereo (partial)	0.11 186	0.06 57	0.10 109	0.19 356	0.10 341	0.10 128	0.11 46	0.17 169	0.18 232	0.14 241	0.16 218	0.09 124	0.11 225	0.12 190	0.12 237	0.08 301	0.05 183	0.08 279	0.07 273	0.06 192	0.07 280

RAFT-Test	0.09 82	0.06 57	0.10 109	0.15 70	0.07 71	0.11 173	0.15 220	0.16 133	0.13 119	0.09 93	0.10 118	0.10 155	0.09 168	0.12 190	0.09 54	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

4D-IteraStereo	0.09 82	0.07 140	0.10 109	0.18 299	0.07 71	0.09 81	0.15 220	0.17 169	0.15 160	0.10 126	0.11 148	0.10 155	0.07 107	0.11 108	0.09 54	0.05 27	0.03 1	0.08 279	0.07 273	0.06 192	0.05 121

anonymousdsp2	0.11 186	0.07 140	0.10 109	0.16 143	0.09 239	0.13 247	0.14 152	0.18 198	0.22 299	0.13 220	0.14 189	0.12 193	0.09 168	0.14 261	0.11 188	0.05 27	0.04 21	0.05 23	0.04 34	0.06 192	0.05 121

ProNet	0.09 82	0.07 140	0.10 109	0.17 217	0.08 127	0.10 128	0.15 220	0.15 107	0.12 88	0.09 93	0.06 13	0.07 62	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.06 200

RAFT_CTSACE	0.12 252	0.09 313	0.10 109	0.22 456	0.08 127	0.12 208	0.24 474	0.18 198	0.16 187	0.20 381	0.27 391	0.13 218	0.07 107	0.13 235	0.09 54	0.05 27	0.06 308	0.08 279	0.07 273	0.04 15	0.04 40

test_3	0.10 143	0.09 313	0.10 109	0.20 412	0.08 127	0.13 247	0.26 498	0.14 76	0.21 285	0.10 126	0.10 118	0.09 124	0.09 168	0.08 15	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.04 15	0.04 40

PSM-AAD	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.10 128	0.15 220	0.20 230	0.13 119	0.12 193	0.14 189	0.18 315	0.11 225	0.11 108	0.10 123	0.05 27	0.05 183	0.09 360	0.08 338	0.06 192	0.14 491

KYRaft	0.11 186	0.07 140	0.10 109	0.19 356	0.09 239	0.08 52	0.15 220	0.22 275	0.12 88	0.13 220	0.16 218	0.20 341	0.10 200	0.12 190	0.10 123	0.05 27	0.04 21	0.08 279	0.08 338	0.06 192	0.16 509

AnonymousM	0.09 82	0.05 18	0.10 109	0.14 30	0.06 13	0.09 81	0.13 104	0.19 219	0.14 143	0.13 220	0.11 148	0.09 124	0.08 142	0.13 235	0.10 123	0.08 301	0.05 183	0.08 279	0.05 108	0.05 100	0.05 121

GMM-Stereo	0.11 186	0.07 140	0.10 109	0.18 299	0.09 239	0.08 52	0.15 220	0.23 295	0.16 187	0.11 155	0.15 206	0.13 218	0.11 225	0.11 108	0.11 188	0.05 27	0.04 21	0.08 279	0.07 273	0.06 192	0.09 388

Prome-Stereo	0.11 186	0.06 57	0.10 109	0.18 299	0.08 127	0.12 208	0.15 220	0.22 275	0.13 119	0.12 193	0.17 239	0.13 218	0.08 142	0.12 190	0.10 123	0.05 27	0.04 21	0.07 195	0.06 186	0.06 192	0.09 388

rafts_anoy	0.11 186	0.06 57	0.10 109	0.17 217	0.08 127	0.10 128	0.14 152	0.17 169	0.14 143	0.13 220	0.13 175	0.12 193	0.10 200	0.11 108	0.12 237	0.07 240	0.04 21	0.09 360	0.11 455	0.07 258	0.06 200

raftrobust	0.09 82	0.06 57	0.10 109	0.17 217	0.08 127	0.09 81	0.10 27	0.18 198	0.16 187	0.10 126	0.09 89	0.12 193	0.07 107	0.12 190	0.10 123	0.08 301	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

RALAANet	0.11 186	0.08 237	0.10 109	0.17 217	0.09 239	0.14 279	0.10 27	0.20 230	0.15 160	0.14 241	0.13 175	0.16 281	0.09 168	0.12 190	0.11 188	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

RAFT-Stereo + iAFF	0.09 82	0.06 57	0.10 109	0.17 217	0.06 13	0.10 128	0.16 285	0.17 169	0.14 143	0.09 93	0.10 118	0.08 99	0.09 168	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.06 186	0.04 15	0.03 1

AFF-stereo	0.09 82	0.06 57	0.10 109	0.17 217	0.07 71	0.10 128	0.16 285	0.17 169	0.09 23	0.10 126	0.12 161	0.09 124	0.09 168	0.12 190	0.09 54	0.05 27	0.04 21	0.07 195	0.07 273	0.04 15	0.03 1

Gwc-CoAtRS	0.09 82	0.06 57	0.10 109	0.16 143	0.07 71	0.10 128	0.14 152	0.17 169	0.17 206	0.08 63	0.10 118	0.12 193	0.09 168	0.12 190	0.09 54	0.06 114	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

R-Stereo Train	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121

RAFT-Stereo	0.10 143	0.06 57	0.10 109	0.17 217	0.08 127	0.11 173	0.14 152	0.23 295	0.11 62	0.12 193	0.19 273	0.11 176	0.08 142	0.09 33	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.05 121
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
AANet_RVC	0.16 378	0.10 371	0.10 109	0.18 299	0.09 239	0.18 375	0.19 403	0.26 351	0.31 407	0.22 411	0.35 456	0.21 350	0.21 432	0.22 440	0.16 359	0.06 114	0.05 183	0.06 102	0.06 186	0.07 258	0.06 200

LG-Stereo_L1	0.07 4	0.05 18	0.11 150	0.14 30	0.06 13	0.07 29	0.13 104	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 15	0.07 1	0.05 27	0.04 21	0.05 23	0.03 1	0.04 15	0.04 40

LG-G_1	0.07 4	0.04 1	0.11 150	0.15 70	0.06 13	0.09 81	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 107	0.11 108	0.08 17	0.07 240	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

LG-G	0.07 4	0.04 1	0.11 150	0.15 70	0.06 13	0.09 81	0.08 7	0.08 4	0.06 4	0.06 9	0.05 7	0.07 62	0.07 107	0.11 108	0.08 17	0.07 240	0.04 21	0.05 23	0.04 34	0.05 100	0.05 121

G2L-Stereo_test	0.14 311	0.07 140	0.11 150	0.13 13	0.08 127	0.12 208	0.16 285	0.30 416	0.28 383	0.20 381	0.23 325	0.20 341	0.16 363	0.17 349	0.18 392	0.07 240	0.05 183	0.05 23	0.05 108	0.07 258	0.06 200

S2M2	0.09 82	0.08 237	0.11 150	0.13 13	0.10 341	0.08 52	0.06 1	0.10 18	0.10 36	0.10 126	0.09 89	0.10 155	0.09 168	0.11 108	0.11 188	0.13 478	0.07 380	0.08 279	0.09 384	0.10 415	0.08 344

HI	0.11 186	0.06 57	0.11 150	0.13 13	0.09 239	0.09 81	0.14 152	0.21 253	0.10 36	0.19 358	0.17 239	0.14 238	0.09 168	0.16 317	0.08 17	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

CoSv	0.11 186	0.06 57	0.11 150	0.13 13	0.09 239	0.09 81	0.14 152	0.21 253	0.10 36	0.19 358	0.17 239	0.14 238	0.09 168	0.16 317	0.08 17	0.05 27	0.04 21	0.07 195	0.08 338	0.07 258	0.06 200

IGEV-RUCA	0.08 44	0.06 57	0.11 150	0.14 30	0.09 239	0.10 128	0.12 63	0.10 18	0.12 88	0.06 9	0.07 38	0.07 62	0.06 36	0.09 33	0.08 17	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.06 200

castereo	0.09 82	0.06 57	0.11 150	0.15 70	0.06 13	0.11 173	0.15 220	0.14 76	0.18 232	0.08 63	0.10 118	0.11 176	0.08 142	0.09 33	0.10 123	0.05 27	0.04 21	0.05 23	0.04 34	0.04 15	0.03 1

GIP-stereo	0.08 44	0.06 57	0.11 150	0.14 30	0.06 13	0.09 81	0.13 104	0.14 76	0.11 62	0.07 30	0.08 71	0.05 1	0.04 1	0.10 62	0.07 1	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

tt45	0.09 82	0.06 57	0.11 150	0.15 70	0.07 71	0.11 173	0.16 285	0.13 60	0.11 62	0.09 93	0.06 13	0.08 99	0.06 36	0.13 235	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

model_zeroshot	0.10 143	0.04 1	0.11 150	0.15 70	0.09 239	0.12 208	0.14 152	0.20 230	0.13 119	0.11 155	0.10 118	0.12 193	0.07 107	0.12 190	0.10 123	0.07 240	0.06 308	0.06 102	0.05 108	0.06 192	0.06 200

AIO-Stereo-zeroshot	0.11 186	0.05 18	0.11 150	0.15 70	0.13 444	0.13 247	0.16 285	0.23 295	0.17 206	0.10 126	0.12 161	0.10 155	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.06 102	0.06 186	0.07 258	0.08 344

CAS++	0.11 186	0.07 140	0.11 150	0.14 30	0.09 239	0.12 208	0.14 152	0.24 317	0.14 143	0.11 155	0.09 89	0.11 176	0.07 107	0.14 261	0.09 54	0.11 430	0.09 435	0.09 360	0.07 273	0.07 258	0.08 344
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 143	0.06 57	0.11 150	0.20 412	0.10 341	0.10 128	0.12 63	0.17 169	0.12 88	0.12 193	0.13 175	0.09 124	0.07 107	0.11 108	0.13 278	0.06 114	0.05 183	0.05 23	0.04 34	0.05 100	0.05 121

ff7	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

IGEVStereo-DCA	0.09 82	0.06 57	0.11 150	0.15 70	0.10 341	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.08 17	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

ffff	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

11t	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

MIM_Stereo	0.09 82	0.07 140	0.11 150	0.15 70	0.07 71	0.06 9	0.12 63	0.20 230	0.14 143	0.13 220	0.13 175	0.09 124	0.05 11	0.12 190	0.08 17	0.05 27	0.06 308	0.07 195	0.06 186	0.06 192	0.05 121

LL-Strereo	0.13 277	0.09 313	0.11 150	0.20 412	0.10 341	0.11 173	0.18 364	0.32 437	0.24 325	0.15 268	0.15 206	0.14 238	0.13 294	0.19 385	0.11 188	0.06 114	0.04 21	0.09 360	0.08 338	0.04 15	0.05 121

anonymousdsp	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.09 93	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

LoS	0.09 82	0.05 18	0.11 150	0.13 13	0.07 71	0.14 279	0.11 46	0.15 107	0.15 160	0.09 93	0.09 89	0.12 193	0.09 168	0.15 283	0.10 123	0.07 240	0.05 183	0.05 23	0.03 1	0.05 100	0.05 121
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
CASS	0.13 277	0.12 415	0.11 150	0.23 477	0.09 239	0.15 305	0.17 319	0.18 198	0.19 247	0.17 312	0.18 264	0.15 267	0.15 337	0.14 261	0.14 315	0.09 360	0.06 308	0.10 408	0.08 338	0.09 383	0.07 280
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Selective-RAFT	0.11 186	0.10 371	0.11 150	0.21 441	0.08 127	0.16 335	0.13 104	0.20 230	0.22 299	0.10 126	0.10 118	0.11 176	0.10 200	0.15 283	0.11 188	0.05 27	0.05 183	0.06 102	0.05 108	0.06 192	0.05 121

ccc-4	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.10 126	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

IGEV-Stereo	0.09 82	0.07 140	0.11 150	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.12 88	0.09 93	0.06 13	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 186	0.07 140	0.11 150	0.17 217	0.07 71	0.09 81	0.13 104	0.15 107	0.24 325	0.12 193	0.13 175	0.12 193	0.08 142	0.18 370	0.11 188	0.06 114	0.08 406	0.08 279	0.06 186	0.05 100	0.05 121

THIR-Stereo	0.12 252	0.07 140	0.11 150	0.15 70	0.08 127	0.14 279	0.16 285	0.17 169	0.25 346	0.16 296	0.24 337	0.14 238	0.12 256	0.12 190	0.14 315	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

DRaft	0.12 252	0.06 57	0.11 150	0.14 30	0.09 239	0.14 279	0.17 319	0.21 253	0.30 400	0.17 312	0.28 405	0.10 155	0.15 337	0.10 62	0.12 237	0.05 27	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

GrayStereo	0.11 186	0.06 57	0.11 150	0.19 356	0.09 239	0.09 81	0.16 285	0.18 198	0.17 206	0.14 241	0.17 239	0.17 301	0.11 225	0.12 190	0.11 188	0.05 27	0.05 183	0.07 195	0.06 186	0.05 100	0.10 415

RAFT	0.13 277	0.09 313	0.11 150	0.18 299	0.08 127	0.15 305	0.24 474	0.20 230	0.19 247	0.21 395	0.21 306	0.17 301	0.12 256	0.16 317	0.09 54	0.06 114	0.07 380	0.10 408	0.09 384	0.05 100	0.05 121

TestStereo	0.13 277	0.14 456	0.11 150	0.23 477	0.08 127	0.15 305	0.21 441	0.20 230	0.23 309	0.14 241	0.24 337	0.16 281	0.12 256	0.16 317	0.14 315	0.05 27	0.06 308	0.08 279	0.06 186	0.09 383	0.05 121

EAI-Stereo	0.09 82	0.07 140	0.11 150	0.15 70	0.06 13	0.10 128	0.15 220	0.16 133	0.09 23	0.08 63	0.09 89	0.08 99	0.07 107	0.09 33	0.11 188	0.05 27	0.04 21	0.05 23	0.05 108	0.05 100	0.04 40

HSM-Net_RVC	0.14 311	0.08 237	0.11 150	0.15 70	0.08 127	0.15 305	0.15 220	0.27 372	0.29 390	0.19 358	0.21 306	0.29 441	0.14 319	0.17 349	0.13 278	0.06 114	0.06 308	0.06 102	0.06 186	0.07 258	0.06 200
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
S2M2_XL	0.08 44	0.06 57	0.12 185	0.12 4	0.08 127	0.09 81	0.09 18	0.07 2	0.07 8	0.08 63	0.07 38	0.07 62	0.06 36	0.09 33	0.09 54	0.08 301	0.06 308	0.07 195	0.05 108	0.08 321	0.06 200

coex_refinement	0.14 311	0.07 140	0.12 185	0.17 217	0.10 341	0.15 305	0.15 220	0.26 351	0.29 390	0.18 342	0.20 285	0.22 368	0.17 386	0.16 317	0.18 392	0.08 301	0.05 183	0.06 102	0.06 186	0.09 383	0.08 344

FACV-RUCA	0.13 277	0.11 397	0.12 185	0.19 356	0.12 421	0.15 305	0.15 220	0.22 275	0.20 270	0.15 268	0.16 218	0.14 238	0.16 363	0.14 261	0.13 278	0.07 240	0.05 183	0.08 279	0.06 186	0.10 415	0.08 344

fffft	0.09 82	0.06 57	0.12 185	0.16 143	0.07 71	0.09 81	0.17 319	0.12 44	0.11 62	0.08 63	0.07 38	0.09 124	0.06 36	0.11 108	0.12 237	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.05 121
1: 1. 1
SMoEStereo_RVC	0.08 44	0.06 57	0.12 185	0.16 143	0.07 71	0.09 81	0.14 152	0.11 29	0.13 119	0.09 93	0.07 38	0.07 62	0.07 107	0.12 190	0.10 123	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

test_sample2	0.12 252	0.07 140	0.12 185	0.14 30	0.08 127	0.16 335	0.18 364	0.21 253	0.16 187	0.14 241	0.20 285	0.19 329	0.15 337	0.15 283	0.12 237	0.08 301	0.05 183	0.07 195	0.06 186	0.08 321	0.07 280

MGS-Stereo	0.09 82	0.07 140	0.12 185	0.15 70	0.08 127	0.09 81	0.15 220	0.12 44	0.12 88	0.07 30	0.10 118	0.08 99	0.06 36	0.10 62	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

Former-RAFT_DAM_RVC	0.10 143	0.08 237	0.12 185	0.16 143	0.08 127	0.15 305	0.16 285	0.18 198	0.18 232	0.10 126	0.09 89	0.09 124	0.08 142	0.11 108	0.12 237	0.07 240	0.05 183	0.08 279	0.06 186	0.07 258	0.06 200

MyStereo06	0.10 143	0.07 140	0.12 185	0.17 217	0.09 239	0.13 247	0.18 364	0.19 219	0.12 88	0.12 193	0.08 71	0.07 62	0.07 107	0.11 108	0.09 54	0.06 114	0.05 183	0.07 195	0.07 273	0.06 192	0.06 200

CoDeX	0.12 252	0.07 140	0.12 185	0.17 217	0.08 127	0.12 208	0.15 220	0.23 295	0.27 369	0.13 220	0.17 239	0.16 281	0.11 225	0.14 261	0.11 188	0.07 240	0.05 183	0.07 195	0.06 186	0.06 192	0.05 121

ACVNet-DCA	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.23 295	0.16 187	0.09 93	0.09 89	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.07 258	0.07 280

xx1	0.11 186	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.16 133	0.18 232	0.09 93	0.09 89	0.16 281	0.16 363	0.10 62	0.07 1	0.06 114	0.04 21	0.08 279	0.08 338	0.07 258	0.07 280

1test111	0.11 186	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.23 295	0.16 187	0.09 93	0.09 89	0.06 16	0.06 36	0.15 283	0.16 359	0.06 114	0.04 21	0.06 102	0.05 108	0.07 258	0.07 280

cc1	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.13 247	0.15 220	0.16 133	0.18 232	0.09 93	0.09 89	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.06 200

rrr	0.09 82	0.06 57	0.12 185	0.15 70	0.10 341	0.11 173	0.16 285	0.16 133	0.15 160	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.08 17	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

tt1	0.10 143	0.08 237	0.12 185	0.17 217	0.09 239	0.12 208	0.16 285	0.15 107	0.19 247	0.09 93	0.08 71	0.06 16	0.06 36	0.10 62	0.07 1	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.06 200

1111x	0.15 355	0.08 237	0.12 185	0.18 299	0.07 71	0.18 375	0.25 490	0.31 426	0.24 325	0.17 312	0.24 337	0.26 415	0.15 337	0.13 235	0.23 452	0.07 240	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

IGEV_Zeroshot_test	0.09 82	0.05 18	0.12 185	0.13 13	0.08 127	0.12 208	0.13 104	0.17 169	0.11 62	0.10 126	0.06 13	0.09 124	0.06 36	0.11 108	0.09 54	0.06 114	0.04 21	0.06 102	0.06 186	0.05 100	0.05 121

gwcnet-sp	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

scenet	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

knoymous	0.11 186	0.05 18	0.12 185	0.13 13	0.07 71	0.15 305	0.14 152	0.19 219	0.13 119	0.11 155	0.17 239	0.13 218	0.09 168	0.13 235	0.11 188	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.07 280

ssnet	0.14 311	0.07 140	0.12 185	0.18 299	0.09 239	0.16 335	0.17 319	0.24 317	0.24 325	0.18 342	0.24 337	0.15 267	0.16 363	0.15 283	0.15 343	0.08 301	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

DCANet-4	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.18 198	0.19 247	0.13 220	0.16 218	0.09 124	0.14 319	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

fff	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

ADStereo(finetuned)	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.15 107	0.19 247	0.13 220	0.17 239	0.10 155	0.12 256	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

DisPM	0.11 186	0.07 140	0.12 185	0.16 143	0.09 239	0.06 9	0.13 104	0.17 169	0.17 206	0.14 241	0.20 285	0.12 193	0.10 200	0.11 108	0.10 123	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.11 441

iRaft-Stereo_5w	0.12 252	0.09 313	0.12 185	0.19 356	0.08 127	0.09 81	0.12 63	0.21 253	0.21 285	0.19 358	0.14 189	0.11 176	0.09 168	0.20 410	0.16 359	0.05 27	0.05 183	0.07 195	0.06 186	0.05 100	0.06 200

AASNet	0.16 378	0.08 237	0.12 185	0.19 356	0.09 239	0.18 375	0.15 220	0.37 494	0.37 454	0.19 358	0.23 325	0.20 341	0.16 363	0.17 349	0.20 411	0.10 401	0.08 406	0.08 279	0.07 273	0.09 383	0.09 388

CrosDoStereo	0.12 252	0.06 57	0.12 185	0.14 30	0.08 127	0.12 208	0.15 220	0.17 169	0.22 299	0.19 358	0.24 337	0.15 267	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

TRStereo	0.09 82	0.05 18	0.12 185	0.15 70	0.12 421	0.10 128	0.13 104	0.18 198	0.18 232	0.09 93	0.09 89	0.09 124	0.06 36	0.10 62	0.08 17	0.07 240	0.05 183	0.07 195	0.07 273	0.04 15	0.04 40

STrans-v2	0.10 143	0.07 140	0.12 185	0.18 299	0.07 71	0.10 128	0.14 152	0.21 253	0.11 62	0.11 155	0.15 206	0.12 193	0.10 200	0.11 108	0.12 237	0.05 27	0.04 21	0.06 102	0.06 186	0.04 15	0.04 40

DeepStereo_LL	0.12 252	0.06 57	0.12 185	0.14 30	0.08 127	0.12 208	0.15 220	0.17 169	0.22 299	0.19 358	0.24 337	0.15 267	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.07 195	0.07 273	0.05 100	0.05 121

Pruner-Stereo	0.11 186	0.07 140	0.12 185	0.17 217	0.09 239	0.06 9	0.12 63	0.17 169	0.17 206	0.13 220	0.19 273	0.13 218	0.09 168	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.08 344

ICVP	0.15 355	0.09 313	0.12 185	0.22 456	0.09 239	0.17 356	0.21 441	0.25 333	0.23 309	0.18 342	0.30 423	0.26 415	0.18 400	0.17 349	0.14 315	0.09 360	0.07 380	0.08 279	0.07 273	0.07 258	0.07 280
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
HCRNet	0.16 378	0.24 517	0.12 185	0.35 534	0.11 390	0.15 305	0.17 319	0.26 351	0.22 299	0.19 358	0.24 337	0.21 350	0.14 319	0.15 283	0.13 278	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

DCANet	0.10 143	0.06 57	0.12 185	0.16 143	0.06 13	0.09 81	0.17 319	0.15 107	0.19 247	0.13 220	0.17 239	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

csc	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

cscssc	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.09 81	0.17 319	0.16 133	0.20 270	0.13 220	0.16 218	0.10 155	0.11 225	0.11 108	0.12 237	0.06 114	0.04 21	0.05 23	0.04 34	0.04 15	0.05 121

111	0.10 143	0.06 57	0.12 185	0.15 70	0.07 71	0.10 128	0.14 152	0.21 253	0.23 309	0.11 155	0.12 161	0.14 238	0.11 225	0.13 235	0.10 123	0.06 114	0.04 21	0.06 102	0.04 34	0.05 100	0.05 121

test_xeample3	0.09 82	0.06 57	0.12 185	0.16 143	0.09 239	0.11 173	0.15 220	0.16 133	0.13 119	0.10 126	0.06 13	0.08 99	0.06 36	0.10 62	0.09 54	0.05 27	0.04 21	0.06 102	0.05 108	0.05 100	0.06 200

UPFNet	0.16 378	0.08 237	0.12 185	0.20 412	0.12 421	0.20 413	0.23 462	0.28 391	0.26 360	0.17 312	0.24 337	0.22 368	0.19 416	0.19 385	0.21 431	0.09 360	0.07 380	0.08 279	0.09 384	0.08 321	0.06 200

FENet	0.13 277	0.08 237	0.12 185	0.16 143	0.08 127	0.14 279	0.15 220	0.22 275	0.23 309	0.17 312	0.23 325	0.16 281	0.12 256	0.14 261	0.15 343	0.08 301	0.05 183	0.08 279	0.08 338	0.07 258	0.07 280

cf-r	0.13 277	0.07 140	0.12 185	0.16 143	0.08 127	0.14 279	0.19 403	0.20 230	0.25 346	0.17 312	0.25 366	0.21 350	0.16 363	0.14 261	0.14 315	0.10 401	0.05 183	0.06 102	0.08 338	0.06 192	0.06 200

GwcNet-RSSM	0.14 311	0.07 140	0.12 185	0.15 70	0.08 127	0.15 305	0.20 424	0.21 253	0.27 369	0.18 342	0.27 391	0.22 368	0.16 363	0.14 261	0.15 343	0.10 401	0.05 183	0.07 195	0.09 384	0.07 258	0.07 280

HITNet	0.10 143	0.06 57	0.12 185	0.14 30	0.06 13	0.11 173	0.10 27	0.18 198	0.18 232	0.13 220	0.16 218	0.14 238	0.11 225	0.15 283	0.13 278	0.06 114	0.04 21	0.04 1	0.04 34	0.06 192	0.05 121
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
G2L-ROB	0.13 277	0.06 57	0.13 230	0.13 13	0.08 127	0.14 279	0.16 285	0.25 333	0.18 232	0.19 358	0.18 264	0.20 341	0.14 319	0.17 349	0.16 359	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.09 388

xyz-stereo-finetune2	0.11 186	0.07 140	0.13 230	0.13 13	0.07 71	0.11 173	0.19 403	0.17 169	0.12 88	0.15 268	0.15 206	0.17 301	0.12 256	0.13 235	0.11 188	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.06 200

xyz-stereo-finetune	0.11 186	0.08 237	0.13 230	0.14 30	0.06 13	0.10 128	0.19 403	0.17 169	0.19 247	0.12 193	0.14 189	0.15 267	0.10 200	0.13 235	0.11 188	0.05 27	0.04 21	0.07 195	0.05 108	0.04 15	0.05 121

G2L-Stereo	0.14 311	0.07 140	0.13 230	0.17 217	0.09 239	0.13 247	0.12 63	0.27 372	0.22 299	0.16 296	0.27 391	0.21 350	0.13 294	0.17 349	0.18 392	0.09 360	0.08 406	0.08 279	0.07 273	0.07 258	0.07 280

999	0.09 82	0.05 18	0.13 230	0.15 70	0.08 127	0.10 128	0.14 152	0.15 107	0.11 62	0.10 126	0.08 71	0.08 99	0.08 142	0.16 317	0.10 123	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.05 121

rvit_0105_5	0.14 311	0.09 313	0.13 230	0.17 217	0.09 239	0.14 279	0.23 462	0.24 317	0.27 369	0.14 241	0.15 206	0.18 315	0.12 256	0.17 349	0.14 315	0.14 491	0.11 468	0.10 408	0.10 423	0.08 321	0.06 200

rvit_stereo_ft	0.12 252	0.07 140	0.13 230	0.19 356	0.10 341	0.12 208	0.17 319	0.16 133	0.16 187	0.12 193	0.13 175	0.15 267	0.10 200	0.14 261	0.13 278	0.09 360	0.06 308	0.08 279	0.07 273	0.07 258	0.05 121

test_sample6	0.14 311	0.08 237	0.13 230	0.16 143	0.08 127	0.17 356	0.19 403	0.25 333	0.17 206	0.17 312	0.27 391	0.19 329	0.14 319	0.15 283	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

11t1	0.12 252	0.06 57	0.13 230	0.14 30	0.08 127	0.17 356	0.15 220	0.18 198	0.15 160	0.15 268	0.15 206	0.16 281	0.16 363	0.15 283	0.13 278	0.08 301	0.05 183	0.06 102	0.05 108	0.08 321	0.07 280

GCAP-Stereo	0.09 82	0.07 140	0.13 230	0.18 299	0.06 13	0.11 173	0.07 3	0.13 60	0.12 88	0.09 93	0.10 118	0.07 62	0.09 168	0.13 235	0.10 123	0.06 114	0.05 183	0.05 23	0.04 34	0.04 15	0.05 121

HH	0.09 82	0.06 57	0.13 230	0.17 217	0.08 127	0.10 128	0.16 285	0.14 76	0.10 36	0.08 63	0.09 89	0.08 99	0.07 107	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

HanStereo	0.09 82	0.06 57	0.13 230	0.17 217	0.08 127	0.10 128	0.16 285	0.14 76	0.10 36	0.08 63	0.09 89	0.08 99	0.07 107	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.05 100	0.04 40

DCRE	0.11 186	0.07 140	0.13 230	0.16 143	0.11 390	0.11 173	0.17 319	0.18 198	0.17 206	0.11 155	0.18 264	0.10 155	0.10 200	0.15 283	0.11 188	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.04 40

anonymousa	0.13 277	0.07 140	0.13 230	0.18 299	0.09 239	0.13 247	0.17 319	0.19 219	0.29 390	0.15 268	0.24 337	0.15 267	0.14 319	0.14 261	0.14 315	0.07 240	0.05 183	0.07 195	0.09 384	0.05 100	0.06 200

riskmin	0.11 186	0.06 57	0.13 230	0.14 30	0.08 127	0.14 279	0.14 152	0.18 198	0.14 143	0.11 155	0.14 189	0.16 281	0.11 225	0.14 261	0.12 237	0.09 360	0.05 183	0.07 195	0.05 108	0.08 321	0.08 344

IER	0.14 311	0.07 140	0.13 230	0.17 217	0.09 239	0.14 279	0.16 285	0.25 333	0.26 360	0.18 342	0.25 366	0.17 301	0.20 428	0.16 317	0.14 315	0.08 301	0.05 183	0.07 195	0.06 186	0.08 321	0.07 280

hknet	0.15 355	0.11 397	0.13 230	0.22 456	0.11 390	0.14 279	0.15 220	0.34 465	0.25 346	0.17 312	0.22 316	0.22 368	0.18 400	0.17 349	0.12 237	0.07 240	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

iRaft-Stereo_20w	0.09 82	0.05 18	0.13 230	0.14 30	0.08 127	0.12 208	0.15 220	0.18 198	0.10 36	0.11 155	0.08 71	0.08 99	0.05 11	0.10 62	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

PSMNet-ADL	0.15 355	0.12 415	0.13 230	0.22 456	0.09 239	0.13 247	0.20 424	0.26 351	0.23 309	0.18 342	0.20 285	0.24 392	0.16 363	0.18 370	0.17 374	0.08 301	0.08 406	0.08 279	0.11 455	0.08 321	0.07 280

ADLNet2	0.16 378	0.09 313	0.13 230	0.16 143	0.09 239	0.20 413	0.16 285	0.31 426	0.39 464	0.16 296	0.20 285	0.20 341	0.18 400	0.21 427	0.22 440	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.07 280

PFNet+	0.11 186	0.06 57	0.13 230	0.16 143	0.09 239	0.05 4	0.12 63	0.17 169	0.21 285	0.16 296	0.19 273	0.14 238	0.10 200	0.11 108	0.11 188	0.08 301	0.05 183	0.09 360	0.08 338	0.06 192	0.11 441

TransformOpticalFlow	0.10 143	0.08 237	0.13 230	0.18 299	0.07 71	0.09 81	0.15 220	0.19 219	0.15 160	0.12 193	0.17 239	0.11 176	0.11 225	0.11 108	0.10 123	0.05 27	0.04 21	0.06 102	0.06 186	0.05 100	0.05 121

IIG-Stereo	0.11 186	0.06 57	0.13 230	0.17 217	0.08 127	0.11 173	0.12 63	0.22 275	0.17 206	0.14 241	0.17 239	0.11 176	0.12 256	0.12 190	0.12 237	0.06 114	0.05 183	0.07 195	0.06 186	0.05 100	0.04 40

NF-Stereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

OCTAStereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

ASMatch	0.11 186	0.06 57	0.13 230	0.16 143	0.10 341	0.07 29	0.14 152	0.17 169	0.17 206	0.12 193	0.16 218	0.16 281	0.10 200	0.13 235	0.10 123	0.05 27	0.04 21	0.06 102	0.05 108	0.04 15	0.08 344

RE-Stereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

TVStereo	0.11 186	0.07 140	0.13 230	0.17 217	0.09 239	0.10 128	0.14 152	0.23 295	0.19 247	0.12 193	0.17 239	0.12 193	0.11 225	0.11 108	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.12 454

LMCR-Stereo	0.15 355	0.08 237	0.13 230	0.21 441	0.09 239	0.17 356	0.20 424	0.27 372	0.19 247	0.24 432	0.24 337	0.23 386	0.17 386	0.20 410	0.17 374	0.07 240	0.06 308	0.08 279	0.06 186	0.10 415	0.08 344

test_xeample	0.15 355	0.06 57	0.13 230	0.14 30	0.08 127	0.21 430	0.20 424	0.28 391	0.20 270	0.16 296	0.29 417	0.19 329	0.16 363	0.15 283	0.26 486	0.09 360	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

GANet-RSSM	0.14 311	0.07 140	0.13 230	0.13 13	0.08 127	0.14 279	0.17 319	0.22 275	0.21 285	0.17 312	0.24 337	0.23 386	0.15 337	0.16 317	0.15 343	0.10 401	0.06 308	0.07 195	0.08 338	0.08 321	0.07 280

PSMNet-RSSM	0.14 311	0.07 140	0.13 230	0.15 70	0.08 127	0.13 247	0.16 285	0.24 317	0.24 325	0.16 296	0.28 405	0.22 368	0.14 319	0.15 283	0.13 278	0.11 430	0.06 308	0.09 360	0.12 474	0.08 321	0.07 280

TDLM	0.17 398	0.12 415	0.13 230	0.24 486	0.10 341	0.18 375	0.18 364	0.36 488	0.30 400	0.21 395	0.28 405	0.28 433	0.18 400	0.23 451	0.18 392	0.11 430	0.07 380	0.10 408	0.10 423	0.08 321	0.08 344

UCFNet_RVC	0.14 311	0.08 237	0.13 230	0.11 1	0.10 341	0.20 413	0.10 27	0.24 317	0.22 299	0.17 312	0.20 285	0.23 386	0.15 337	0.17 349	0.15 343	0.12 455	0.07 380	0.10 408	0.13 484	0.11 438	0.10 415

iResNet_ROB	0.14 311	0.07 140	0.13 230	0.14 30	0.07 71	0.18 375	0.14 152	0.26 351	0.31 407	0.22 411	0.25 366	0.23 386	0.15 337	0.15 283	0.13 278	0.07 240	0.05 183	0.05 23	0.04 34	0.08 321	0.08 344

MultiAttention	0.29 510	0.08 237	0.14 265	0.19 356	0.12 421	1.45 574	1.33 575	0.36 488	0.37 454	0.19 358	0.21 306	0.24 392	0.11 225	0.38 524	0.18 392	0.06 114	0.05 183	0.08 279	0.08 338	0.10 415	0.09 388

FlowAnything_test	0.11 186	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.14 152	0.20 230	0.11 62	0.09 93	0.09 89	0.12 193	0.12 256	0.13 235	0.11 188	0.09 360	0.06 308	0.09 360	0.09 384	0.06 192	0.09 388

rvit_0105_3	0.15 355	0.09 313	0.14 265	0.19 356	0.12 421	0.15 305	0.25 490	0.25 333	0.29 390	0.15 268	0.17 239	0.20 341	0.13 294	0.17 349	0.14 315	0.13 478	0.11 468	0.12 458	0.14 487	0.07 258	0.06 200

rvit_stereo_0081_aga	0.11 186	0.09 313	0.14 265	0.18 299	0.09 239	0.13 247	0.14 152	0.14 76	0.19 247	0.10 126	0.18 264	0.16 281	0.09 168	0.12 190	0.09 54	0.10 401	0.06 308	0.08 279	0.07 273	0.07 258	0.06 200

GCAP-BAT	0.09 82	0.07 140	0.14 265	0.15 70	0.08 127	0.10 128	0.13 104	0.14 76	0.10 36	0.11 155	0.10 118	0.08 99	0.07 107	0.12 190	0.10 123	0.06 114	0.05 183	0.06 102	0.04 34	0.04 15	0.04 40

ITSA-stereo	0.15 355	0.10 371	0.14 265	0.19 356	0.08 127	0.12 208	0.14 152	0.30 416	0.49 505	0.17 312	0.19 273	0.22 368	0.15 337	0.17 349	0.16 359	0.10 401	0.06 308	0.08 279	0.08 338	0.08 321	0.08 344

AIO-Stereo-zeroshot1	0.11 186	0.05 18	0.14 265	0.15 70	0.20 519	0.09 81	0.17 319	0.21 253	0.15 160	0.11 155	0.14 189	0.10 155	0.07 107	0.10 62	0.08 17	0.06 114	0.05 183	0.07 195	0.07 273	0.07 258	0.09 388

rvit_stereo_0080	0.10 143	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.15 220	0.16 133	0.16 187	0.11 155	0.10 118	0.14 238	0.08 142	0.12 190	0.10 123	0.09 360	0.07 380	0.07 195	0.06 186	0.07 258	0.05 121

test_sample5	0.14 311	0.08 237	0.14 265	0.16 143	0.08 127	0.18 375	0.18 364	0.25 333	0.17 206	0.17 312	0.27 391	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

test_sample4	0.14 311	0.08 237	0.14 265	0.15 70	0.08 127	0.19 398	0.18 364	0.26 351	0.17 206	0.16 296	0.25 366	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.06 308	0.08 279	0.06 186	0.08 321	0.08 344

test_sample1	0.13 277	0.07 140	0.14 265	0.13 13	0.08 127	0.19 398	0.16 285	0.20 230	0.15 160	0.14 241	0.22 316	0.18 315	0.16 363	0.17 349	0.14 315	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.07 280

test_for_model	0.09 82	0.12 415	0.14 265	0.23 477	0.11 390	0.08 52	0.13 104	0.12 44	0.12 88	0.10 126	0.07 38	0.07 62	0.06 36	0.11 108	0.10 123	0.06 114	0.05 183	0.05 23	0.03 1	0.07 258	0.04 40

DualNet	0.14 311	0.08 237	0.14 265	0.16 143	0.08 127	0.18 375	0.18 364	0.25 333	0.17 206	0.17 312	0.27 391	0.18 315	0.14 319	0.16 317	0.13 278	0.08 301	0.05 183	0.08 279	0.07 273	0.08 321	0.08 344

ffm	0.12 252	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.15 107	0.19 247	0.15 268	0.25 366	0.19 329	0.13 294	0.10 62	0.07 1	0.06 114	0.04 21	0.09 360	0.08 338	0.06 192	0.06 200

ff1	0.13 277	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.15 107	0.19 247	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.06 114	0.04 21	0.09 360	0.08 338	0.06 192	0.06 200

mmx	0.14 311	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.27 372	0.25 346	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.08 301	0.06 308	0.09 360	0.08 338	0.08 321	0.08 344

ttt	0.14 311	0.08 237	0.14 265	0.15 70	0.08 127	0.15 305	0.18 364	0.27 372	0.29 390	0.16 296	0.24 337	0.17 301	0.13 294	0.13 235	0.14 315	0.11 430	0.08 406	0.09 360	0.08 338	0.09 383	0.08 344

whm_eth	0.10 143	0.08 237	0.14 265	0.15 70	0.09 239	0.07 29	0.15 220	0.16 133	0.16 187	0.11 155	0.10 118	0.14 238	0.08 142	0.12 190	0.10 123	0.09 360	0.07 380	0.07 195	0.06 186	0.07 258	0.05 121

xxx	0.14 311	0.09 313	0.14 265	0.16 143	0.08 127	0.17 356	0.17 319	0.27 372	0.25 346	0.15 268	0.25 366	0.19 329	0.13 294	0.14 261	0.20 411	0.08 301	0.06 308	0.09 360	0.08 338	0.08 321	0.08 344

EKT-Stereo	0.11 186	0.07 140	0.14 265	0.15 70	0.10 341	0.13 247	0.14 152	0.18 198	0.21 285	0.11 155	0.08 71	0.12 193	0.09 168	0.11 108	0.12 237	0.08 301	0.06 308	0.07 195	0.06 186	0.08 321	0.07 280

testlalala_base	0.10 143	0.09 313	0.14 265	0.21 441	0.08 127	0.10 128	0.14 152	0.13 60	0.10 36	0.07 30	0.15 206	0.07 62	0.08 142	0.10 62	0.12 237	0.08 301	0.05 183	0.05 23	0.03 1	0.06 192	0.05 121

x	0.13 277	0.07 140	0.14 265	0.14 30	0.08 127	0.18 375	0.14 152	0.22 275	0.20 270	0.15 268	0.19 273	0.19 329	0.17 386	0.18 370	0.18 392	0.07 240	0.05 183	0.06 102	0.06 186	0.07 258	0.07 280

BUS	0.14 311	0.09 313	0.14 265	0.22 456	0.10 341	0.19 398	0.14 152	0.34 465	0.19 247	0.17 312	0.22 316	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

CRFU-Net	0.16 378	0.08 237	0.14 265	0.17 217	0.09 239	0.19 398	0.14 152	0.26 351	0.20 270	0.28 471	0.27 391	0.29 441	0.17 386	0.19 385	0.17 374	0.09 360	0.09 435	0.07 195	0.07 273	0.08 321	0.08 344

BSDual-CNN	0.15 355	0.09 313	0.14 265	0.22 456	0.10 341	0.14 279	0.15 220	0.34 465	0.19 247	0.17 312	0.22 316	0.25 406	0.16 363	0.15 283	0.14 315	0.08 301	0.06 308	0.10 408	0.09 384	0.07 258	0.07 280

psmg	0.14 311	0.09 313	0.14 265	0.17 217	0.10 341	0.15 305	0.17 319	0.29 402	0.19 247	0.17 312	0.21 306	0.25 406	0.16 363	0.15 283	0.14 315	0.08 301	0.06 308	0.08 279	0.08 338	0.07 258	0.06 200

CSP-Net	0.16 378	0.09 313	0.14 265	0.16 143	0.09 239	0.19 398	0.17 319	0.25 333	0.32 414	0.25 445	0.30 423	0.24 392	0.15 337	0.21 427	0.18 392	0.09 360	0.06 308	0.07 195	0.07 273	0.08 321	0.07 280

CIPLG	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.15 160	0.14 241	0.11 148	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

IPLGR_C	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.15 160	0.14 241	0.10 118	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

MIPNet	0.11 186	0.08 237	0.14 265	0.17 217	0.09 239	0.12 208	0.14 152	0.20 230	0.24 325	0.11 155	0.10 118	0.09 124	0.07 107	0.13 235	0.12 237	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

ACRE	0.11 186	0.08 237	0.14 265	0.17 217	0.08 127	0.12 208	0.15 220	0.17 169	0.14 143	0.14 241	0.10 118	0.16 281	0.09 168	0.16 317	0.11 188	0.07 240	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

SACVNet	0.18 412	0.12 415	0.14 265	0.17 217	0.13 444	0.22 438	0.18 364	0.31 426	0.30 400	0.23 423	0.31 431	0.30 450	0.22 441	0.22 440	0.17 374	0.11 430	0.08 406	0.10 408	0.10 423	0.12 453	0.14 491

AACVNet	0.16 378	0.08 237	0.14 265	0.15 70	0.10 341	0.18 375	0.15 220	0.23 295	0.24 325	0.27 456	0.27 391	0.28 433	0.17 386	0.19 385	0.16 359	0.09 360	0.07 380	0.09 360	0.07 273	0.10 415	0.09 388

GwcNet-ADL	0.13 277	0.08 237	0.14 265	0.20 412	0.09 239	0.11 173	0.20 424	0.30 416	0.24 325	0.13 220	0.14 189	0.18 315	0.14 319	0.13 235	0.14 315	0.07 240	0.05 183	0.06 102	0.05 108	0.07 258	0.06 200

OMP-Stereo	0.11 186	0.06 57	0.14 265	0.18 299	0.08 127	0.09 81	0.12 63	0.21 253	0.21 285	0.13 220	0.14 189	0.11 176	0.12 256	0.11 108	0.13 278	0.06 114	0.04 21	0.07 195	0.06 186	0.05 100	0.04 40

NRIStereo	0.11 186	0.08 237	0.14 265	0.18 299	0.08 127	0.10 128	0.14 152	0.16 133	0.15 160	0.12 193	0.14 189	0.13 218	0.12 256	0.13 235	0.10 123	0.06 114	0.04 21	0.07 195	0.06 186	0.06 192	0.07 280

FTStereo	0.12 252	0.06 57	0.14 265	0.18 299	0.09 239	0.07 29	0.15 220	0.21 253	0.18 232	0.12 193	0.24 337	0.12 193	0.12 256	0.13 235	0.13 278	0.05 27	0.05 183	0.07 195	0.06 186	0.06 192	0.10 415

DEmStereo	0.12 252	0.06 57	0.14 265	0.14 30	0.10 341	0.16 335	0.15 220	0.16 133	0.24 325	0.17 312	0.24 337	0.13 218	0.14 319	0.12 190	0.13 278	0.05 27	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

RAFT_R40	0.11 186	0.07 140	0.14 265	0.18 299	0.09 239	0.06 9	0.13 104	0.17 169	0.16 187	0.14 241	0.18 264	0.15 267	0.12 256	0.10 62	0.11 188	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

RAFT-RH_RVC	0.11 186	0.06 57	0.14 265	0.16 143	0.09 239	0.12 208	0.12 63	0.17 169	0.12 88	0.13 220	0.41 496	0.11 176	0.10 200	0.13 235	0.12 237	0.05 27	0.04 21	0.08 279	0.05 108	0.04 15	0.06 200

222	0.16 378	0.07 140	0.14 265	0.14 30	0.08 127	0.24 456	0.18 364	0.30 416	0.20 270	0.17 312	0.28 405	0.17 301	0.16 363	0.15 283	0.40 536	0.10 401	0.05 183	0.07 195	0.06 186	0.07 258	0.08 344

xxxx	0.15 355	0.07 140	0.14 265	0.14 30	0.08 127	0.23 451	0.18 364	0.31 426	0.19 247	0.14 241	0.28 405	0.22 368	0.14 319	0.15 283	0.26 486	0.09 360	0.05 183	0.07 195	0.07 273	0.08 321	0.07 280

GMStereo	0.13 277	0.14 456	0.14 265	0.18 299	0.09 239	0.15 305	0.16 285	0.20 230	0.24 325	0.16 296	0.17 239	0.10 155	0.10 200	0.16 317	0.13 278	0.07 240	0.06 308	0.06 102	0.06 186	0.07 258	0.06 200
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 277	0.07 140	0.14 265	0.17 217	0.09 239	0.15 305	0.16 285	0.28 391	0.27 369	0.14 241	0.17 239	0.12 193	0.13 294	0.14 261	0.11 188	0.08 301	0.05 183	0.07 195	0.07 273	0.07 258	0.06 200

DSFCA	0.16 378	0.09 313	0.14 265	0.16 143	0.10 341	0.20 413	0.19 403	0.28 391	0.31 407	0.23 423	0.24 337	0.22 368	0.15 337	0.19 385	0.20 411	0.10 401	0.07 380	0.09 360	0.09 384	0.08 321	0.08 344

DIP-Stereo	0.11 186	0.07 140	0.14 265	0.17 217	0.09 239	0.13 247	0.09 18	0.16 133	0.16 187	0.11 155	0.16 218	0.14 238	0.12 256	0.15 283	0.13 278	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
BEATNet_4x	0.12 252	0.08 237	0.14 265	0.18 299	0.07 71	0.15 305	0.07 3	0.22 275	0.18 232	0.16 296	0.19 273	0.18 315	0.14 319	0.16 317	0.15 343	0.07 240	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

RASNet	0.14 311	0.07 140	0.14 265	0.16 143	0.08 127	0.18 375	0.14 152	0.29 402	0.20 270	0.17 312	0.25 366	0.21 350	0.18 400	0.20 410	0.19 405	0.07 240	0.06 308	0.06 102	0.08 338	0.06 192	0.06 200

CVANet_RVC	0.18 412	0.10 371	0.14 265	0.21 441	0.10 341	0.18 375	0.17 319	0.34 465	0.33 421	0.22 411	0.31 431	0.28 433	0.18 400	0.23 451	0.17 374	0.12 455	0.08 406	0.12 458	0.11 455	0.09 383	0.07 280

HSM	0.15 355	0.08 237	0.14 265	0.16 143	0.09 239	0.16 335	0.14 152	0.28 391	0.25 346	0.19 358	0.23 325	0.37 493	0.16 363	0.20 410	0.15 343	0.07 240	0.05 183	0.07 195	0.06 186	0.07 258	0.06 200

LE_ROB	0.50 543	0.07 140	0.14 265	0.15 70	0.08 127	0.24 456	0.16 285	0.22 275	1.81 575	4.63 579	0.67 539	0.47 527	0.44 535	0.20 410	0.29 504	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

UGAM-zero	0.09 82	0.05 18	0.15 316	0.15 70	0.08 127	0.09 81	0.13 104	0.19 219	0.15 160	0.11 155	0.15 206	0.07 62	0.07 107	0.09 33	0.09 54	0.06 114	0.05 183	0.06 102	0.05 108	0.05 100	0.06 200

rvit_stereo_0081	0.11 186	0.08 237	0.15 316	0.16 143	0.09 239	0.10 128	0.14 152	0.14 76	0.24 325	0.11 155	0.13 175	0.13 218	0.09 168	0.11 108	0.12 237	0.10 401	0.07 380	0.08 279	0.07 273	0.07 258	0.05 121

rvit_stereo_0082	0.11 186	0.08 237	0.15 316	0.16 143	0.09 239	0.10 128	0.14 152	0.14 76	0.24 325	0.11 155	0.13 175	0.13 218	0.09 168	0.11 108	0.12 237	0.10 401	0.07 380	0.08 279	0.07 273	0.07 258	0.05 121

test_sample3	0.14 311	0.08 237	0.15 316	0.14 30	0.09 239	0.19 398	0.17 319	0.26 351	0.18 232	0.16 296	0.22 316	0.19 329	0.15 337	0.17 349	0.13 278	0.08 301	0.06 308	0.07 195	0.06 186	0.09 383	0.08 344

MyStereo8	0.12 252	0.07 140	0.15 316	0.15 70	0.09 239	0.18 375	0.14 152	0.19 219	0.22 299	0.12 193	0.18 264	0.11 176	0.10 200	0.16 317	0.18 392	0.07 240	0.05 183	0.07 195	0.05 108	0.08 321	0.09 388

PCWNet_CMD	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 447	0.14 241	0.20 285	0.21 350	0.12 256	0.17 349	0.13 278	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

LL-Strereo2	0.10 143	0.10 371	0.15 316	0.18 299	0.08 127	0.15 305	0.09 18	0.17 169	0.14 143	0.14 241	0.10 118	0.09 124	0.07 107	0.16 317	0.10 123	0.05 27	0.05 183	0.10 408	0.07 273	0.06 192	0.05 121

qqq	0.13 277	0.09 313	0.15 316	0.16 143	0.08 127	0.13 247	0.15 220	0.23 295	0.16 187	0.15 268	0.19 273	0.16 281	0.16 363	0.15 283	0.16 359	0.07 240	0.06 308	0.08 279	0.08 338	0.07 258	0.07 280

NINENet	0.16 378	0.10 371	0.15 316	0.17 217	0.11 390	0.19 398	0.14 152	0.40 510	0.36 447	0.18 342	0.21 306	0.16 281	0.13 294	0.15 283	0.13 278	0.08 301	0.08 406	0.10 408	0.07 273	0.10 415	0.09 388

IPLG	0.10 143	0.07 140	0.15 316	0.17 217	0.08 127	0.11 173	0.14 152	0.20 230	0.15 160	0.12 193	0.17 239	0.07 62	0.07 107	0.14 261	0.13 278	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

GANet-ADL	0.13 277	0.07 140	0.15 316	0.17 217	0.10 341	0.18 375	0.15 220	0.30 416	0.20 270	0.13 220	0.18 264	0.19 329	0.12 256	0.16 317	0.13 278	0.08 301	0.06 308	0.06 102	0.05 108	0.07 258	0.08 344

PSM-softLoss	0.12 252	0.07 140	0.15 316	0.17 217	0.09 239	0.08 52	0.13 104	0.24 317	0.17 206	0.14 241	0.19 273	0.13 218	0.11 225	0.11 108	0.11 188	0.07 240	0.05 183	0.08 279	0.07 273	0.06 192	0.12 454

KMStereo	0.12 252	0.07 140	0.15 316	0.17 217	0.09 239	0.08 52	0.13 104	0.24 317	0.17 206	0.14 241	0.19 273	0.13 218	0.11 225	0.11 108	0.11 188	0.07 240	0.05 183	0.08 279	0.07 273	0.06 192	0.12 454

SST-Stereo	0.10 143	0.07 140	0.15 316	0.18 299	0.09 239	0.06 9	0.12 63	0.17 169	0.11 62	0.15 268	0.17 239	0.13 218	0.12 256	0.10 62	0.11 188	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

RAFT-345	0.11 186	0.07 140	0.15 316	0.16 143	0.08 127	0.08 52	0.12 63	0.15 107	0.10 36	0.11 155	0.36 459	0.09 124	0.09 168	0.11 108	0.12 237	0.05 27	0.05 183	0.07 195	0.06 186	0.04 15	0.05 121

GEStereo_RVC	0.17 398	0.12 415	0.15 316	0.22 456	0.11 390	0.19 398	0.17 319	0.32 437	0.48 499	0.20 381	0.25 366	0.17 301	0.13 294	0.21 427	0.16 359	0.10 401	0.06 308	0.08 279	0.07 273	0.09 383	0.08 344

CFNet_pseudo	0.14 311	0.08 237	0.15 316	0.16 143	0.09 239	0.13 247	0.14 152	0.27 372	0.34 433	0.14 241	0.21 306	0.22 368	0.13 294	0.18 370	0.14 315	0.07 240	0.05 183	0.08 279	0.06 186	0.07 258	0.07 280

ADLNet	0.16 378	0.08 237	0.15 316	0.16 143	0.10 341	0.16 335	0.17 319	0.32 437	0.27 369	0.22 411	0.27 391	0.24 392	0.16 363	0.18 370	0.21 431	0.10 401	0.06 308	0.10 408	0.10 423	0.08 321	0.09 388

ac_64	0.16 378	0.08 237	0.15 316	0.18 299	0.10 341	0.22 438	0.18 364	0.24 317	0.21 285	0.18 342	0.24 337	0.29 441	0.18 400	0.19 385	0.22 440	0.09 360	0.07 380	0.08 279	0.09 384	0.07 258	0.06 200

ACVNet	0.15 355	0.09 313	0.15 316	0.13 13	0.12 421	0.14 279	0.20 424	0.22 275	0.33 421	0.17 312	0.26 383	0.21 350	0.16 363	0.17 349	0.21 431	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

acv_ft	0.15 355	0.09 313	0.15 316	0.19 356	0.10 341	0.16 335	0.17 319	0.25 333	0.33 421	0.19 358	0.26 383	0.21 350	0.17 386	0.17 349	0.18 392	0.07 240	0.06 308	0.06 102	0.06 186	0.08 321	0.06 200

CFNet-ft	0.14 311	0.07 140	0.15 316	0.12 4	0.09 239	0.16 335	0.18 364	0.22 275	0.24 325	0.17 312	0.26 383	0.24 392	0.14 319	0.16 317	0.14 315	0.11 430	0.06 308	0.08 279	0.09 384	0.09 383	0.08 344

DMCA-RVC	0.17 398	0.10 371	0.15 316	0.24 486	0.11 390	0.18 375	0.18 364	0.25 333	0.24 325	0.21 395	0.26 383	0.25 406	0.27 478	0.18 370	0.20 411	0.12 455	0.08 406	0.13 473	0.10 423	0.10 415	0.08 344

MSMDNet	0.14 311	0.08 237	0.15 316	0.17 217	0.09 239	0.14 279	0.14 152	0.29 402	0.36 447	0.14 241	0.21 306	0.21 350	0.12 256	0.17 349	0.14 315	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.07 280

CFNet_RVC	0.14 311	0.07 140	0.15 316	0.12 4	0.09 239	0.16 335	0.18 364	0.22 275	0.24 325	0.17 312	0.26 383	0.24 392	0.14 319	0.16 317	0.14 315	0.11 430	0.06 308	0.08 279	0.09 384	0.09 383	0.08 344

ccs_rob	0.14 311	0.08 237	0.15 316	0.16 143	0.09 239	0.12 208	0.14 152	0.27 372	0.34 433	0.14 241	0.21 306	0.22 368	0.13 294	0.18 370	0.14 315	0.07 240	0.05 183	0.08 279	0.07 273	0.07 258	0.07 280

AdaStereo	0.15 355	0.11 397	0.15 316	0.18 299	0.09 239	0.20 413	0.11 46	0.32 437	0.28 383	0.20 381	0.23 325	0.20 341	0.13 294	0.19 385	0.14 315	0.12 455	0.05 183	0.10 408	0.07 273	0.09 383	0.07 280
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.
NVstereo2D	0.19 424	0.10 371	0.15 316	0.17 217	0.15 482	0.28 493	0.23 462	0.44 527	0.42 480	0.15 268	0.27 391	0.25 406	0.19 416	0.22 440	0.17 374	0.09 360	0.06 308	0.10 408	0.08 338	0.15 499	0.09 388

DeepPruner_ROB	0.16 378	0.11 397	0.15 316	0.17 217	0.10 341	0.17 356	0.15 220	0.32 437	0.21 285	0.19 358	0.21 306	0.22 368	0.18 400	0.20 410	0.15 343	0.13 478	0.09 435	0.09 360	0.09 384	0.11 438	0.10 415

iResNetv2_ROB	0.14 311	0.08 237	0.15 316	0.16 143	0.08 127	0.16 335	0.12 63	0.25 333	0.35 442	0.21 395	0.29 417	0.24 392	0.13 294	0.14 261	0.14 315	0.06 114	0.05 183	0.06 102	0.04 34	0.09 383	0.08 344

StereoDRNet-Refined	0.17 398	0.12 415	0.15 316	0.20 412	0.09 239	0.18 375	0.18 364	0.26 351	0.23 309	0.26 450	0.40 485	0.22 368	0.17 386	0.21 427	0.20 411	0.08 301	0.05 183	0.09 360	0.10 423	0.07 258	0.07 280
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.18 412	0.10 371	0.15 316	0.23 477	0.11 390	0.24 456	0.18 364	0.29 402	0.28 383	0.27 456	0.28 405	0.28 433	0.24 455	0.19 385	0.20 411	0.08 301	0.08 406	0.09 360	0.09 384	0.07 258	0.07 280

PSMNet_ROB	0.21 448	0.11 397	0.15 316	0.27 514	0.15 482	0.24 456	0.35 538	0.43 525	0.37 454	0.27 456	0.32 435	0.32 473	0.22 441	0.21 427	0.26 486	0.12 455	0.08 406	0.13 473	0.11 455	0.09 383	0.09 388

SGM_RVC	0.23 473	0.12 415	0.15 316	0.15 70	0.09 239	0.33 509	0.18 364	0.34 465	0.31 407	0.44 528	0.37 465	0.53 535	0.35 515	0.35 511	0.24 465	0.13 478	0.13 495	0.13 473	0.13 484	0.10 415	0.11 441
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
PAM	0.10 143	0.05 18	0.16 350	0.15 70	0.08 127	0.09 81	0.16 285	0.15 107	0.16 187	0.12 193	0.09 89	0.09 124	0.07 107	0.13 235	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.06 200

DCVSM-stereo	0.14 311	0.09 313	0.16 350	0.16 143	0.10 341	0.15 305	0.09 18	0.19 219	0.23 309	0.20 381	0.23 325	0.26 415	0.15 337	0.18 370	0.14 315	0.09 360	0.07 380	0.09 360	0.08 338	0.10 415	0.12 454

test_sample7	0.15 355	0.10 371	0.16 350	0.14 30	0.11 390	0.16 335	0.16 285	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.16 317	0.16 359	0.12 455	0.06 308	0.10 408	0.09 384	0.10 415	0.10 415

CFNet_ucs	0.15 355	0.08 237	0.16 350	0.16 143	0.11 390	0.14 279	0.14 152	0.30 416	0.34 433	0.16 296	0.24 337	0.23 386	0.14 319	0.18 370	0.15 343	0.09 360	0.06 308	0.08 279	0.07 273	0.09 383	0.09 388

HBP-ISP	0.18 412	0.13 444	0.16 350	0.15 70	0.11 390	0.08 52	0.13 104	0.28 391	0.29 390	0.22 411	0.33 447	0.21 350	0.25 464	0.23 451	0.17 374	0.14 491	0.16 513	0.21 520	0.17 514	0.10 415	0.08 344

UDGNet	0.14 311	0.13 444	0.16 350	0.17 217	0.10 341	0.12 208	0.16 285	0.21 253	0.27 369	0.20 381	0.20 285	0.16 281	0.13 294	0.16 317	0.13 278	0.10 401	0.06 308	0.09 360	0.07 273	0.06 192	0.07 280

dd	0.15 355	0.16 474	0.16 350	0.19 356	0.09 239	0.15 305	0.18 364	0.21 253	0.25 346	0.23 423	0.20 285	0.21 350	0.09 168	0.21 427	0.16 359	0.10 401	0.06 308	0.08 279	0.06 186	0.08 321	0.06 200

IPLGR	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.12 208	0.17 319	0.21 253	0.24 325	0.11 155	0.12 161	0.11 176	0.08 142	0.12 190	0.12 237	0.06 114	0.05 183	0.06 102	0.06 186	0.04 15	0.04 40

HHNet	0.11 186	0.06 57	0.16 350	0.15 70	0.14 464	0.07 29	0.13 104	0.20 230	0.17 206	0.14 241	0.25 366	0.11 176	0.08 142	0.13 235	0.10 123	0.05 27	0.04 21	0.08 279	0.06 186	0.05 100	0.09 388

Patchmatch Stereo++	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280
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	0.11 186	0.07 140	0.16 350	0.19 356	0.09 239	0.08 52	0.13 104	0.18 198	0.13 119	0.16 296	0.21 306	0.13 218	0.14 319	0.11 108	0.14 315	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.05 121

PSM-adaLoss	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

ROB_FTStereo_v2	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

ROB_FTStereo	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

HUI-Stereo	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

DeepStereo_RVC	0.11 186	0.08 237	0.16 350	0.18 299	0.08 127	0.08 52	0.12 63	0.17 169	0.12 88	0.13 220	0.14 189	0.12 193	0.12 256	0.12 190	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.07 258	0.08 344

iGMRVC	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

IRAFT_RVC	0.12 252	0.08 237	0.16 350	0.19 356	0.08 127	0.07 29	0.15 220	0.24 317	0.23 309	0.14 241	0.14 189	0.15 267	0.12 256	0.12 190	0.10 123	0.06 114	0.04 21	0.09 360	0.06 186	0.06 192	0.06 200

iRAFT	0.11 186	0.09 313	0.16 350	0.18 299	0.08 127	0.06 9	0.11 46	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

CRE-IMP	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.10 128	0.12 63	0.18 198	0.10 36	0.14 241	0.13 175	0.13 218	0.12 256	0.12 190	0.11 188	0.07 240	0.04 21	0.08 279	0.06 186	0.08 321	0.08 344

test-1	0.10 143	0.07 140	0.16 350	0.19 356	0.08 127	0.11 173	0.24 474	0.14 76	0.18 232	0.09 93	0.07 38	0.09 124	0.08 142	0.07 4	0.09 54	0.06 114	0.04 21	0.06 102	0.05 108	0.04 15	0.04 40

RAFT-IKP	0.11 186	0.09 313	0.16 350	0.19 356	0.08 127	0.06 9	0.12 63	0.16 133	0.13 119	0.15 268	0.16 218	0.14 238	0.12 256	0.11 108	0.10 123	0.06 114	0.04 21	0.08 279	0.06 186	0.08 321	0.07 280

GES	0.14 311	0.08 237	0.16 350	0.15 70	0.10 341	0.13 247	0.13 104	0.28 391	0.25 346	0.16 296	0.23 325	0.18 315	0.13 294	0.16 317	0.13 278	0.08 301	0.07 380	0.07 195	0.06 186	0.08 321	0.09 388

MMNet	0.17 398	0.09 313	0.16 350	0.20 412	0.11 390	0.27 486	0.20 424	0.25 333	0.41 473	0.22 411	0.30 423	0.21 350	0.20 428	0.17 349	0.20 411	0.06 114	0.06 308	0.07 195	0.07 273	0.08 321	0.07 280

DMCA	0.14 311	0.09 313	0.16 350	0.19 356	0.09 239	0.15 305	0.17 319	0.23 295	0.27 369	0.14 241	0.19 273	0.17 301	0.18 400	0.15 283	0.17 374	0.10 401	0.06 308	0.08 279	0.06 186	0.09 383	0.10 415

SGM-ForestM	0.32 519	0.12 415	0.16 350	0.16 143	0.11 390	0.39 527	0.19 403	0.41 516	0.50 508	0.52 535	0.54 522	1.32 565	0.42 533	0.40 532	0.27 494	0.14 491	0.16 513	0.16 503	0.16 507	0.12 453	0.12 454

MLCV	0.12 252	0.07 140	0.16 350	0.18 299	0.06 13	0.15 305	0.17 319	0.19 219	0.21 285	0.18 342	0.25 366	0.17 301	0.13 294	0.14 261	0.13 278	0.05 27	0.04 21	0.05 23	0.04 34	0.05 100	0.04 40

DN-CSS_ROB	0.13 277	0.13 444	0.16 350	0.18 299	0.10 341	0.16 335	0.08 7	0.22 275	0.18 232	0.17 312	0.22 316	0.13 218	0.13 294	0.12 190	0.13 278	0.05 27	0.05 183	0.10 408	0.10 423	0.08 321	0.06 200

StereoAnything_RVC	0.07 4	0.15 466	0.17 378	0.11 1	0.05 1	0.05 4	0.11 46	0.08 4	0.08 12	0.06 9	0.06 13	0.05 1	0.05 11	0.09 33	0.08 17	0.08 301	0.04 21	0.05 23	0.03 1	0.05 100	0.04 40

PAM_32	0.09 82	0.05 18	0.17 378	0.15 70	0.08 127	0.10 128	0.15 220	0.14 76	0.15 160	0.09 93	0.08 71	0.09 124	0.07 107	0.14 261	0.08 17	0.06 114	0.05 183	0.06 102	0.06 186	0.05 100	0.06 200

rvit_0105_4	0.14 311	0.09 313	0.17 378	0.17 217	0.10 341	0.12 208	0.19 403	0.23 295	0.27 369	0.14 241	0.20 285	0.17 301	0.13 294	0.17 349	0.13 278	0.15 495	0.11 468	0.11 439	0.10 423	0.09 383	0.06 200

rvit_stereo_0083	0.12 252	0.08 237	0.17 378	0.16 143	0.09 239	0.11 173	0.15 220	0.14 76	0.26 360	0.11 155	0.14 189	0.13 218	0.10 200	0.12 190	0.12 237	0.10 401	0.08 406	0.09 360	0.07 273	0.07 258	0.05 121

DispNO	0.14 311	0.08 237	0.17 378	0.19 356	0.12 421	0.11 173	0.21 441	0.23 295	0.29 390	0.17 312	0.23 325	0.18 315	0.17 386	0.15 283	0.15 343	0.07 240	0.05 183	0.08 279	0.08 338	0.07 258	0.06 200

SMFormer	0.14 311	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.17 374	0.08 301	0.05 183	0.07 195	0.06 186	0.07 258	0.06 200

tta	0.14 311	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.17 374	0.08 301	0.05 183	0.07 195	0.06 186	0.06 192	0.06 200

qqq1	0.13 277	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.11 188	0.08 301	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

fff1	0.13 277	0.07 140	0.17 378	0.14 30	0.08 127	0.16 335	0.17 319	0.26 351	0.27 369	0.19 358	0.20 285	0.18 315	0.15 337	0.15 283	0.11 188	0.08 301	0.05 183	0.05 23	0.05 108	0.06 192	0.06 200

mmm	0.14 311	0.08 237	0.17 378	0.17 217	0.09 239	0.17 356	0.18 364	0.21 253	0.15 160	0.15 268	0.23 325	0.21 350	0.16 363	0.16 317	0.17 374	0.08 301	0.05 183	0.08 279	0.07 273	0.07 258	0.07 280

testlalala	0.08 44	0.07 140	0.17 378	0.16 143	0.08 127	0.09 81	0.12 63	0.15 107	0.10 36	0.07 30	0.09 89	0.06 16	0.06 36	0.11 108	0.09 54	0.05 27	0.04 21	0.06 102	0.04 34	0.04 15	0.04 40

ssnet_v2	0.17 398	0.10 371	0.17 378	0.17 217	0.11 390	0.21 430	0.21 441	0.33 456	0.25 346	0.22 411	0.22 316	0.27 423	0.18 400	0.22 440	0.20 411	0.11 430	0.09 435	0.09 360	0.09 384	0.08 321	0.08 344

PFNet	0.12 252	0.06 57	0.17 378	0.17 217	0.08 127	0.09 81	0.15 220	0.26 351	0.20 270	0.16 296	0.16 218	0.14 238	0.11 225	0.12 190	0.11 188	0.06 114	0.04 21	0.07 195	0.06 186	0.05 100	0.05 121

ARAFT	0.12 252	0.08 237	0.17 378	0.19 356	0.09 239	0.14 279	0.18 364	0.20 230	0.12 88	0.12 193	0.13 175	0.14 238	0.11 225	0.15 283	0.12 237	0.06 114	0.05 183	0.10 408	0.09 384	0.05 100	0.04 40

delet	0.17 398	0.08 237	0.17 378	0.19 356	0.11 390	0.20 413	0.21 441	0.30 416	0.37 454	0.17 312	0.26 383	0.19 329	0.19 416	0.19 385	0.21 431	0.08 301	0.08 406	0.09 360	0.11 455	0.06 192	0.06 200

hitnet-ft	0.18 412	0.09 313	0.17 378	0.14 30	0.09 239	0.26 476	0.20 424	0.25 333	0.26 360	0.24 432	0.32 435	0.31 463	0.22 441	0.24 460	0.21 431	0.12 455	0.07 380	0.10 408	0.08 338	0.12 453	0.11 441

AF-Net	0.22 457	0.17 485	0.17 378	0.26 502	0.13 444	0.25 467	0.24 474	0.32 437	0.50 508	0.25 445	0.33 447	0.38 497	0.26 470	0.28 481	0.25 474	0.11 430	0.10 455	0.16 503	0.11 455	0.11 438	0.10 415

CFNet	0.15 355	0.10 371	0.17 378	0.17 217	0.08 127	0.18 375	0.09 18	0.28 391	0.25 346	0.19 358	0.24 337	0.24 392	0.17 386	0.17 349	0.14 315	0.08 301	0.06 308	0.09 360	0.10 423	0.07 258	0.06 200

StereoDRNet	0.18 412	0.11 397	0.17 378	0.22 456	0.11 390	0.21 430	0.22 451	0.37 494	0.33 421	0.24 432	0.28 405	0.30 450	0.19 416	0.20 410	0.20 411	0.09 360	0.08 406	0.11 439	0.09 384	0.09 383	0.07 280

NCCL2	0.23 473	0.15 466	0.17 378	0.34 532	0.18 513	0.24 456	0.23 462	0.34 465	0.28 383	0.31 489	0.38 471	0.38 497	0.28 487	0.23 451	0.24 465	0.15 495	0.12 482	0.18 515	0.21 522	0.13 471	0.13 474

MDST_ROB	0.22 457	0.10 371	0.17 378	0.18 299	0.11 390	0.37 523	0.19 403	0.43 525	0.41 473	0.39 513	0.39 479	0.29 441	0.21 432	0.26 467	0.18 392	0.11 430	0.10 455	0.14 485	0.11 455	0.10 415	0.08 344

CBMV_ROB	0.19 424	0.13 444	0.17 378	0.16 143	0.11 390	0.15 305	0.13 104	0.26 351	0.28 383	0.27 456	0.30 423	0.27 423	0.24 455	0.23 451	0.16 359	0.15 495	0.17 518	0.22 524	0.20 520	0.10 415	0.11 441

CBMV	0.19 424	0.14 456	0.17 378	0.18 299	0.10 341	0.20 413	0.11 46	0.29 402	0.30 400	0.29 479	0.30 423	0.30 450	0.23 449	0.27 470	0.19 405	0.13 478	0.15 510	0.17 506	0.16 507	0.10 415	0.10 415
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
DFGA-Net	0.13 277	0.11 397	0.18 401	0.17 217	0.10 341	0.12 208	0.13 104	0.22 275	0.25 346	0.16 296	0.16 218	0.13 218	0.12 256	0.16 317	0.14 315	0.07 240	0.05 183	0.08 279	0.07 273	0.05 100	0.05 121

rvit_0105_6	0.14 311	0.09 313	0.18 401	0.17 217	0.10 341	0.10 128	0.16 285	0.19 219	0.26 360	0.12 193	0.18 264	0.17 301	0.12 256	0.18 370	0.12 237	0.15 495	0.11 468	0.12 458	0.10 423	0.09 383	0.06 200

ToySt	0.17 398	0.11 397	0.18 401	0.17 217	0.11 390	0.16 335	0.25 490	0.24 317	0.33 421	0.19 358	0.24 337	0.26 415	0.24 455	0.19 385	0.20 411	0.07 240	0.08 406	0.09 360	0.10 423	0.09 383	0.08 344

DAS	0.15 355	0.08 237	0.18 401	0.19 356	0.10 341	0.19 398	0.17 319	0.27 372	0.29 390	0.18 342	0.25 366	0.21 350	0.15 337	0.16 317	0.12 237	0.08 301	0.06 308	0.06 102	0.06 186	0.07 258	0.07 280

SepStereo	0.15 355	0.08 237	0.18 401	0.19 356	0.10 341	0.19 398	0.17 319	0.27 372	0.29 390	0.18 342	0.25 366	0.21 350	0.15 337	0.25 465	0.12 237	0.08 301	0.06 308	0.06 102	0.06 186	0.07 258	0.07 280

psm_up	0.18 412	0.10 371	0.18 401	0.20 412	0.11 390	0.17 356	0.19 403	0.37 494	0.34 433	0.21 395	0.28 405	0.29 441	0.24 455	0.20 410	0.22 440	0.09 360	0.10 455	0.11 439	0.11 455	0.08 321	0.08 344

UNet	0.17 398	0.09 313	0.18 401	0.19 356	0.12 421	0.27 486	0.19 403	0.33 456	0.29 390	0.21 395	0.24 337	0.23 386	0.19 416	0.19 385	0.18 392	0.07 240	0.06 308	0.08 279	0.07 273	0.08 321	0.06 200

iResNet	0.13 277	0.10 371	0.18 401	0.19 356	0.08 127	0.13 247	0.18 364	0.20 230	0.26 360	0.15 268	0.23 325	0.15 267	0.13 294	0.14 261	0.14 315	0.06 114	0.04 21	0.06 102	0.05 108	0.06 192	0.05 121

NOSS_ROB	0.19 424	0.12 415	0.18 401	0.16 143	0.12 421	0.15 305	0.12 63	0.30 416	0.32 414	0.20 381	0.22 316	0.27 423	0.23 449	0.21 427	0.16 359	0.16 511	0.18 520	0.23 525	0.21 522	0.12 453	0.13 474

SGM-Forest	0.20 436	0.14 456	0.18 401	0.19 356	0.13 444	0.20 413	0.22 451	0.33 456	0.30 400	0.24 432	0.29 417	0.28 433	0.19 416	0.23 451	0.17 374	0.15 495	0.16 513	0.15 497	0.14 487	0.12 453	0.12 454
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MeshStereo	0.27 502	0.13 444	0.18 401	0.15 70	0.11 390	0.32 503	0.24 474	0.40 510	0.36 447	0.52 535	0.57 532	0.67 546	0.40 525	0.35 511	0.26 486	0.14 491	0.13 495	0.13 473	0.11 455	0.11 438	0.10 415
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
TCMNet	0.19 424	0.12 415	0.19 412	0.20 412	0.18 513	0.20 413	0.24 474	0.27 372	0.36 447	0.23 423	0.26 383	0.25 406	0.19 416	0.19 385	0.23 452	0.13 478	0.11 468	0.11 439	0.12 474	0.13 471	0.12 454

YMNet	0.20 436	0.12 415	0.19 412	0.20 412	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 495	0.10 408	0.10 423	0.08 321	0.09 388

YMNet_1	0.20 436	0.12 415	0.19 412	0.20 412	0.14 464	0.26 476	0.23 462	0.32 437	0.34 433	0.27 456	0.34 451	0.30 450	0.18 400	0.18 370	0.22 440	0.10 401	0.13 495	0.10 408	0.10 423	0.08 321	0.09 388

ISRNet	0.18 412	0.08 237	0.19 412	0.19 356	0.13 444	0.15 305	0.12 63	0.30 416	0.32 414	0.21 395	0.25 366	0.27 423	0.17 386	0.17 349	0.20 411	0.20 525	0.08 406	0.14 485	0.14 487	0.14 484	0.17 517

SDNR	0.19 424	0.08 237	0.19 412	0.16 143	0.12 421	0.77 559	0.14 152	0.25 333	0.32 414	0.19 358	0.24 337	0.19 329	0.13 294	0.19 385	0.15 343	0.16 511	0.18 520	0.14 485	0.11 455	0.08 321	0.11 441

fast-acv-ft	0.18 412	0.11 397	0.19 412	0.19 356	0.12 421	0.24 456	0.21 441	0.25 333	0.34 433	0.22 411	0.34 451	0.27 423	0.20 428	0.21 427	0.23 452	0.09 360	0.09 435	0.08 279	0.10 423	0.08 321	0.07 280

UDG	0.21 448	0.17 485	0.19 412	0.23 477	0.15 482	0.30 500	0.20 424	0.33 456	0.35 442	0.23 423	0.28 405	0.31 463	0.27 478	0.20 410	0.22 440	0.15 495	0.12 482	0.13 473	0.09 384	0.14 484	0.14 491

APVNet	0.22 457	0.12 415	0.19 412	0.18 299	0.14 464	0.32 503	0.31 534	0.39 506	0.32 414	0.27 456	0.40 485	0.30 450	0.29 495	0.26 467	0.25 474	0.11 430	0.12 482	0.11 439	0.14 487	0.12 453	0.12 454

GwcNet	0.20 436	0.13 444	0.19 412	0.18 299	0.12 421	0.24 456	0.19 403	0.35 481	0.43 485	0.20 381	0.32 435	0.33 476	0.20 428	0.22 440	0.24 465	0.11 430	0.09 435	0.09 360	0.09 384	0.09 383	0.10 415

HGLStereo	0.17 398	0.08 237	0.19 412	0.17 217	0.12 421	0.18 375	0.18 364	0.31 426	0.32 414	0.21 395	0.32 435	0.25 406	0.18 400	0.19 385	0.20 411	0.09 360	0.09 435	0.07 195	0.07 273	0.09 383	0.10 415

XPNet_ROB	0.22 457	0.11 397	0.19 412	0.22 456	0.13 444	0.22 438	0.19 403	0.34 465	0.40 470	0.30 483	0.39 479	0.39 505	0.26 470	0.26 467	0.28 501	0.15 495	0.10 455	0.10 408	0.10 423	0.13 471	0.12 454

pmcnn	0.15 355	0.07 140	0.19 412	0.15 70	0.07 71	0.20 413	0.15 220	0.24 317	0.26 360	0.21 395	0.34 451	0.28 433	0.18 400	0.18 370	0.17 374	0.07 240	0.05 183	0.05 23	0.04 34	0.07 258	0.06 200

xyz-stereo	0.13 277	0.07 140	0.20 424	0.15 70	0.05 1	0.20 413	0.15 220	0.17 169	0.31 407	0.15 268	0.29 417	0.26 415	0.16 363	0.13 235	0.12 237	0.05 27	0.05 183	0.06 102	0.05 108	0.04 15	0.04 40

DualNet (step1)	0.16 378	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.16 317	0.16 359	0.15 495	0.06 308	0.14 485	0.14 487	0.14 484	0.12 454

test_sample9	0.18 412	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.27 372	0.23 309	0.20 381	0.20 285	0.24 392	0.19 416	0.19 385	0.17 374	0.15 495	0.30 544	0.14 485	0.14 487	0.14 484	0.12 454

test_sample8	0.19 424	0.12 415	0.20 424	0.12 4	0.14 464	0.17 356	0.13 104	0.31 426	0.21 285	0.27 456	0.22 316	0.36 488	0.25 464	0.19 385	0.17 374	0.15 495	0.30 544	0.14 485	0.14 487	0.14 484	0.12 454

dad	0.17 398	0.20 503	0.20 424	0.16 143	0.11 390	0.20 413	0.18 364	0.21 253	0.28 383	0.30 483	0.24 337	0.29 441	0.13 294	0.19 385	0.16 359	0.18 518	0.09 435	0.11 439	0.09 384	0.11 438	0.07 280

RAFT + AFF	0.13 277	0.07 140	0.20 424	0.20 412	0.10 341	0.14 279	0.24 474	0.26 351	0.20 270	0.11 155	0.10 118	0.12 193	0.10 200	0.15 283	0.12 237	0.07 240	0.06 308	0.09 360	0.08 338	0.06 192	0.08 344

edge stereo	0.22 457	0.13 444	0.20 424	0.21 441	0.13 444	0.23 451	0.16 285	0.32 437	0.42 480	0.32 495	0.40 485	0.38 497	0.35 515	0.25 465	0.24 465	0.13 478	0.11 468	0.14 485	0.11 455	0.12 453	0.13 474

DRN-Test	0.19 424	0.11 397	0.20 424	0.22 456	0.10 341	0.22 438	0.22 451	0.39 506	0.37 454	0.24 432	0.32 435	0.26 415	0.21 432	0.22 440	0.24 465	0.11 430	0.07 380	0.11 439	0.10 423	0.09 383	0.07 280

DDVS	0.15 355	0.10 371	0.21 432	0.16 143	0.12 421	0.15 305	0.14 152	0.25 333	0.19 247	0.18 342	0.29 417	0.27 423	0.12 256	0.19 385	0.15 343	0.09 360	0.06 308	0.09 360	0.07 273	0.11 438	0.11 441

DDUNet	0.22 457	0.17 485	0.21 432	0.22 456	0.15 482	0.25 467	0.24 474	0.29 402	0.30 400	0.31 489	0.36 459	0.33 476	0.25 464	0.24 460	0.20 411	0.18 518	0.13 495	0.17 506	0.11 455	0.16 506	0.16 509

RP	0.21 448	0.13 444	0.21 432	0.23 477	0.11 390	0.21 430	0.20 424	0.25 333	0.44 490	0.21 395	0.38 471	0.36 488	0.24 455	0.27 470	0.25 474	0.11 430	0.12 482	0.13 473	0.12 474	0.12 453	0.14 491

stereogan	0.22 457	0.11 397	0.21 432	0.20 412	0.12 421	0.31 502	0.19 403	0.35 481	0.44 490	0.22 411	0.39 479	0.35 486	0.27 478	0.33 502	0.22 440	0.10 401	0.12 482	0.10 408	0.10 423	0.14 484	0.13 474

Nwc_Net	0.23 473	0.16 474	0.21 432	0.25 497	0.14 464	0.24 456	0.26 498	0.37 494	0.38 461	0.22 411	0.41 496	0.30 450	0.28 487	0.28 481	0.25 474	0.11 430	0.10 455	0.17 506	0.20 520	0.10 415	0.10 415

GANet	0.21 448	0.12 415	0.21 432	0.24 486	0.13 444	0.22 438	0.22 451	0.41 516	0.26 360	0.31 489	0.42 503	0.37 493	0.28 487	0.23 451	0.22 440	0.10 401	0.12 482	0.10 408	0.09 384	0.10 415	0.08 344

FAT-Stereo	0.20 436	0.12 415	0.22 438	0.21 441	0.12 421	0.17 356	0.18 364	0.34 465	0.39 464	0.27 456	0.37 465	0.34 482	0.32 508	0.21 427	0.20 411	0.09 360	0.11 468	0.10 408	0.09 384	0.11 438	0.14 491

RYNet	0.22 457	0.12 415	0.22 438	0.19 356	0.17 507	0.46 530	0.26 498	0.38 502	0.48 499	0.24 432	0.28 405	0.34 482	0.23 449	0.20 410	0.30 509	0.10 401	0.06 308	0.09 360	0.09 384	0.13 471	0.15 498

NLCA_NET_v2_RVC	0.17 398	0.10 371	0.22 438	0.20 412	0.10 341	0.15 305	0.18 364	0.31 426	0.25 346	0.21 395	0.30 423	0.25 406	0.17 386	0.21 427	0.20 411	0.09 360	0.06 308	0.08 279	0.08 338	0.07 258	0.08 344
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
DISCO	0.19 424	0.09 313	0.22 438	0.17 217	0.10 341	0.25 467	0.18 364	0.27 372	0.44 490	0.22 411	0.31 431	0.33 476	0.26 470	0.28 481	0.28 501	0.08 301	0.06 308	0.07 195	0.07 273	0.09 383	0.09 388

FBW_ROB	0.24 480	0.17 485	0.22 438	0.26 502	0.14 464	0.25 467	0.22 451	0.41 516	0.41 473	0.41 520	0.41 496	0.42 512	0.27 478	0.31 492	0.23 452	0.09 360	0.14 504	0.14 485	0.12 474	0.11 438	0.09 388

ETE_ROB	0.23 473	0.17 485	0.22 438	0.25 497	0.13 444	0.26 476	0.29 520	0.31 426	0.36 447	0.28 471	0.36 459	0.45 520	0.26 470	0.27 470	0.26 486	0.11 430	0.08 406	0.12 458	0.09 384	0.14 484	0.13 474

LALA_ROB	0.25 491	0.16 474	0.22 438	0.26 502	0.17 507	0.27 486	0.27 505	0.42 521	0.37 454	0.33 499	0.38 471	0.51 531	0.26 470	0.28 481	0.27 494	0.16 511	0.09 435	0.12 458	0.11 455	0.13 471	0.12 454

PWCDC_ROB	0.20 436	0.13 444	0.22 438	0.24 486	0.11 390	0.19 398	0.15 220	0.33 456	0.54 517	0.29 479	0.50 518	0.21 350	0.15 337	0.27 470	0.20 411	0.11 430	0.09 435	0.10 408	0.08 338	0.11 438	0.09 388

WCMA_ROB	0.24 480	0.11 397	0.22 438	0.17 217	0.14 464	0.32 503	0.15 220	0.32 437	0.32 414	0.38 511	0.53 520	0.40 509	0.34 513	0.34 505	0.25 474	0.11 430	0.12 482	0.12 458	0.10 423	0.14 484	0.14 491

MSAF-DinoV2	0.22 457	0.11 397	0.23 447	0.17 217	0.10 341	0.27 486	0.16 285	0.37 494	0.55 518	0.21 395	0.27 391	0.47 527	0.27 478	0.35 511	0.39 533	0.09 360	0.06 308	0.07 195	0.09 384	0.12 453	0.10 415

sCroCo_RVC	0.12 252	0.09 313	0.23 447	0.24 486	0.11 390	0.19 398	0.14 152	0.17 169	0.14 143	0.10 126	0.13 175	0.12 193	0.07 107	0.14 261	0.11 188	0.08 301	0.08 406	0.08 279	0.08 338	0.05 100	0.07 280

ccnet	0.29 510	0.28 529	0.23 447	0.20 412	0.28 537	0.41 529	0.21 441	0.45 530	0.33 421	0.36 505	0.46 510	0.36 488	0.30 499	0.39 528	0.42 540	0.23 537	0.14 504	0.21 520	0.17 514	0.23 526	0.18 520

PS-NSSS	0.20 436	0.21 509	0.23 447	0.20 412	0.10 341	0.19 398	0.17 319	0.36 488	0.25 346	0.27 456	0.33 447	0.27 423	0.24 455	0.20 410	0.20 411	0.15 495	0.12 482	0.17 506	0.14 487	0.10 415	0.08 344

GMStereo_Zeroshot	0.16 378	0.13 444	0.24 451	0.20 412	0.10 341	0.17 356	0.13 104	0.29 402	0.25 346	0.23 423	0.32 435	0.25 406	0.11 225	0.19 385	0.14 315	0.09 360	0.06 308	0.11 439	0.06 186	0.12 453	0.08 344

sAnonymous2	0.13 277	0.12 415	0.24 451	0.20 412	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

CroCo_RVC	0.13 277	0.12 415	0.24 451	0.20 412	0.12 421	0.17 356	0.13 104	0.26 351	0.21 285	0.11 155	0.11 148	0.13 218	0.08 142	0.10 62	0.10 123	0.09 360	0.05 183	0.08 279	0.06 186	0.15 499	0.10 415

MaskLacGwcNet_RVC	0.22 457	0.21 509	0.24 451	0.26 502	0.11 390	0.23 451	0.14 152	0.39 506	0.24 325	0.32 495	0.36 459	0.30 450	0.21 432	0.19 385	0.21 431	0.17 516	0.14 504	0.21 520	0.16 507	0.12 453	0.12 454

NaN_ROB	0.22 457	0.19 499	0.24 451	0.25 497	0.13 444	0.29 497	0.26 498	0.33 456	0.41 473	0.31 489	0.31 431	0.32 473	0.23 449	0.30 491	0.21 431	0.11 430	0.17 518	0.10 408	0.10 423	0.08 321	0.09 388

rvit_105_1	0.19 424	0.11 397	0.25 456	0.21 441	0.16 492	0.21 430	0.27 505	0.31 426	0.41 473	0.19 358	0.20 285	0.22 368	0.17 386	0.19 385	0.17 374	0.12 455	0.12 482	0.13 473	0.15 503	0.08 321	0.07 280

rvit_stereo_0075_2	0.17 398	0.12 415	0.25 456	0.23 477	0.16 492	0.13 247	0.10 27	0.30 416	0.27 369	0.20 381	0.28 405	0.22 368	0.15 337	0.18 370	0.13 278	0.16 511	0.10 455	0.17 506	0.10 423	0.10 415	0.09 388

S-Stereo	0.20 436	0.12 415	0.25 456	0.21 441	0.13 444	0.20 413	0.18 364	0.32 437	0.43 485	0.23 423	0.36 459	0.28 433	0.30 499	0.19 385	0.22 440	0.09 360	0.12 482	0.10 408	0.10 423	0.13 471	0.13 474

GCST	0.37 527	0.42 545	0.26 459	1.02 569	0.39 544	0.18 375	0.08 7	0.20 230	0.17 206	0.28 471	0.25 366	0.15 267	0.12 256	0.16 317	0.14 315	0.64 562	0.43 551	0.75 559	0.65 562	0.63 556	0.46 555

CBFPSM	0.14 311	0.06 57	0.26 459	0.17 217	0.09 239	0.13 247	0.15 220	0.22 275	0.23 309	0.20 381	0.27 391	0.24 392	0.16 363	0.16 317	0.18 392	0.06 114	0.06 308	0.06 102	0.07 273	0.07 258	0.07 280

pcwnet_v2	0.19 424	0.10 371	0.26 459	0.17 217	0.14 464	0.18 375	0.15 220	0.37 494	0.46 497	0.19 358	0.24 337	0.21 350	0.19 416	0.20 410	0.19 405	0.13 478	0.10 455	0.10 408	0.10 423	0.11 438	0.13 474

FINET	0.21 448	0.18 496	0.26 459	0.18 299	0.16 492	0.23 451	0.23 462	0.32 437	0.48 499	0.25 445	0.32 435	0.22 368	0.22 441	0.22 440	0.17 374	0.18 518	0.16 513	0.11 439	0.10 423	0.15 499	0.13 474

PDISCO_ROB	0.27 502	0.16 474	0.26 459	0.28 517	0.20 519	0.32 503	0.26 498	0.44 527	0.57 523	0.28 471	0.40 485	0.45 520	0.29 495	0.33 502	0.34 523	0.12 455	0.09 435	0.17 506	0.16 507	0.17 513	0.13 474

MSMD_ROB	0.31 517	0.26 523	0.26 459	0.24 486	0.21 522	0.34 512	0.25 490	0.34 465	0.39 464	0.40 516	0.69 541	0.45 520	0.40 525	0.34 505	0.27 494	0.20 525	0.19 523	0.26 528	0.25 531	0.23 526	0.22 530

PWC_ROB	0.21 448	0.16 474	0.26 459	0.18 299	0.11 390	0.22 438	0.13 104	0.32 437	0.49 505	0.30 483	0.40 485	0.32 473	0.24 455	0.31 492	0.22 440	0.10 401	0.07 380	0.11 439	0.08 338	0.11 438	0.10 415

Syn2CoEx	0.21 448	0.16 474	0.27 466	0.29 524	0.14 464	0.26 476	0.20 424	0.33 456	0.31 407	0.28 471	0.36 459	0.27 423	0.25 464	0.19 385	0.24 465	0.16 511	0.12 482	0.14 485	0.11 455	0.09 383	0.08 344

STTStereo	0.18 412	0.12 415	0.27 466	0.20 412	0.11 390	0.16 335	0.21 441	0.29 402	0.23 309	0.21 395	0.30 423	0.29 441	0.18 400	0.20 410	0.19 405	0.12 455	0.11 468	0.11 439	0.14 487	0.09 383	0.08 344

MANE	0.45 538	0.27 525	0.27 466	0.27 514	0.24 528	0.47 532	0.31 534	0.55 544	0.59 527	0.72 548	1.13 567	1.15 559	0.61 550	0.52 542	0.37 529	0.21 529	0.20 526	0.27 531	0.31 542	0.25 534	0.24 533

GANetREF_RVC	0.31 517	0.34 538	0.27 466	0.35 534	0.16 492	0.32 503	0.41 544	0.48 534	0.51 515	0.35 502	0.35 456	0.34 482	0.33 509	0.39 528	0.32 517	0.27 541	0.20 526	0.29 538	0.15 503	0.18 517	0.17 517
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
CSAN	0.29 510	0.24 517	0.27 466	0.34 532	0.19 516	0.33 509	0.42 547	0.37 494	0.50 508	0.38 511	0.40 485	0.44 518	0.33 509	0.28 481	0.30 509	0.20 525	0.16 513	0.19 517	0.19 519	0.14 484	0.15 498

FC-DCNN v2	0.33 522	0.27 525	0.28 471	0.26 502	0.23 526	0.37 523	0.28 511	0.40 510	0.43 485	0.45 529	0.56 529	0.51 531	0.40 525	0.37 522	0.29 504	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 533

ACV-stereo	0.15 355	0.10 371	0.28 471	0.18 299	0.12 421	0.14 279	0.12 63	0.23 295	0.21 285	0.19 358	0.23 325	0.22 368	0.15 337	0.23 451	0.17 374	0.07 240	0.06 308	0.07 195	0.07 273	0.07 258	0.07 280

Anonymous_2	0.22 457	0.17 485	0.28 471	0.15 70	0.16 492	0.32 503	0.22 451	0.22 275	0.17 206	0.23 423	0.24 337	0.26 415	0.27 478	0.27 470	0.23 452	0.22 533	0.25 540	0.17 506	0.17 514	0.17 513	0.17 517

FCDSN-DC	0.33 522	0.28 529	0.28 471	0.30 526	0.24 528	0.39 527	0.28 511	0.42 521	0.42 480	0.43 526	0.53 520	0.51 531	0.41 530	0.36 517	0.30 509	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 533
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTSC	0.23 473	0.12 415	0.28 471	0.21 441	0.13 444	0.28 493	0.16 285	0.35 481	0.66 540	0.27 456	0.33 447	0.30 450	0.21 432	0.31 492	0.29 504	0.10 401	0.08 406	0.09 360	0.10 423	0.13 471	0.13 474

DANet	0.21 448	0.15 466	0.28 471	0.25 497	0.13 444	0.22 438	0.19 403	0.27 372	0.27 369	0.28 471	0.32 435	0.35 486	0.31 503	0.31 492	0.23 452	0.11 430	0.09 435	0.11 439	0.10 423	0.13 471	0.11 441
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FC-DCNN	0.33 522	0.27 525	0.28 471	0.26 502	0.23 526	0.37 523	0.28 511	0.40 510	0.43 485	0.45 529	0.55 524	0.51 531	0.40 525	0.37 522	0.30 509	0.21 529	0.20 526	0.27 531	0.26 532	0.25 534	0.24 533

SANet	0.24 480	0.14 456	0.28 471	0.21 441	0.11 390	0.27 486	0.24 474	0.38 502	0.64 537	0.36 505	0.40 485	0.43 516	0.26 470	0.27 470	0.24 465	0.12 455	0.09 435	0.10 408	0.09 384	0.13 471	0.11 441

Wz-Net-LNSev-Ref	0.18 412	0.09 313	0.29 479	0.15 70	0.10 341	0.22 438	0.20 424	0.26 351	0.39 464	0.25 445	0.42 503	0.24 392	0.15 337	0.20 410	0.19 405	0.07 240	0.05 183	0.06 102	0.05 108	0.10 415	0.09 388

MFN_U_SF_DS_RVC	0.30 516	0.24 517	0.29 479	0.36 536	0.16 492	0.34 512	0.30 528	0.32 437	0.42 480	0.40 516	0.46 510	0.38 497	0.31 503	0.34 505	0.28 501	0.19 523	0.20 526	0.26 528	0.29 538	0.18 517	0.19 525

RGC	0.25 491	0.20 503	0.29 479	0.28 517	0.16 492	0.22 438	0.23 462	0.32 437	0.44 490	0.27 456	0.40 485	0.38 497	0.27 478	0.36 517	0.22 440	0.11 430	0.13 495	0.17 506	0.17 514	0.14 484	0.16 509

SQANet	0.23 473	0.23 514	0.30 482	0.30 526	0.19 516	0.27 486	0.13 104	0.29 402	0.33 421	0.24 432	0.37 465	0.31 463	0.22 441	0.27 470	0.23 452	0.15 495	0.10 455	0.21 520	0.16 507	0.21 522	0.15 498

SHD	0.26 500	0.15 466	0.30 482	0.24 486	0.18 513	0.22 438	0.15 220	0.38 502	0.71 544	0.32 495	0.41 496	0.36 488	0.28 487	0.32 499	0.29 504	0.12 455	0.11 468	0.14 485	0.13 484	0.16 506	0.20 526

IGEV-BASED-STEREO-	0.09 82	0.10 371	0.31 484	0.15 70	0.06 13	0.08 52	0.14 152	0.10 18	0.10 36	0.07 30	0.07 38	0.06 16	0.04 1	0.11 108	0.07 1	0.12 455	0.04 21	0.07 195	0.05 108	0.05 100	0.05 121

Wz-Net-MNSev	0.22 457	0.13 444	0.31 484	0.20 412	0.14 464	0.36 522	0.24 474	0.33 456	0.44 490	0.28 471	0.40 485	0.38 497	0.19 416	0.24 460	0.25 474	0.09 360	0.07 380	0.09 360	0.09 384	0.12 453	0.10 415

FADNet-RVC-Resample	0.16 378	0.11 397	0.31 484	0.22 456	0.11 390	0.19 398	0.14 152	0.25 333	0.24 325	0.24 432	0.27 391	0.20 341	0.15 337	0.16 317	0.15 343	0.07 240	0.08 406	0.12 458	0.10 423	0.09 383	0.10 415

NCC-stereo	0.24 480	0.15 466	0.31 484	0.26 502	0.16 492	0.20 413	0.30 528	0.40 510	0.40 470	0.24 432	0.38 471	0.33 476	0.28 487	0.36 517	0.27 494	0.12 455	0.11 468	0.15 497	0.22 525	0.13 471	0.13 474

Abc-Net	0.24 480	0.15 466	0.31 484	0.26 502	0.16 492	0.20 413	0.30 528	0.40 510	0.40 470	0.24 432	0.38 471	0.33 476	0.28 487	0.36 517	0.27 494	0.12 455	0.11 468	0.15 497	0.22 525	0.13 471	0.13 474
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DPSNet	0.28 506	0.16 474	0.31 484	0.18 299	0.13 444	0.54 538	0.42 547	0.51 539	0.67 541	0.29 479	0.38 471	0.38 497	0.29 495	0.31 492	0.23 452	0.11 430	0.10 455	0.11 439	0.08 338	0.20 521	0.16 509

GASNet	0.22 457	0.23 514	0.33 490	0.26 502	0.17 507	0.26 476	0.16 285	0.44 527	0.42 480	0.27 456	0.24 337	0.30 450	0.15 337	0.27 470	0.18 392	0.12 455	0.08 406	0.12 458	0.11 455	0.16 506	0.07 280

Anonymous3	0.16 378	0.13 444	0.33 490	0.26 502	0.14 464	0.27 486	0.17 319	0.28 391	0.28 383	0.15 268	0.17 239	0.14 238	0.10 200	0.15 283	0.12 237	0.08 301	0.08 406	0.08 279	0.08 338	0.08 321	0.11 441

DGSMNet	0.24 480	0.19 499	0.33 490	0.21 441	0.24 528	0.24 456	0.20 424	0.35 481	0.41 473	0.24 432	0.32 435	0.38 497	0.21 432	0.29 488	0.23 452	0.12 455	0.11 468	0.14 485	0.16 507	0.23 526	0.23 532

SAMSARA	0.40 531	0.28 529	0.33 490	0.55 550	0.39 544	0.82 560	1.23 574	0.47 533	0.51 515	0.36 505	0.35 456	0.55 537	0.39 522	0.38 524	0.39 533	0.15 495	0.20 526	0.15 497	0.14 487	0.23 526	0.20 526

ADCP+	0.20 436	0.10 371	0.33 490	0.20 412	0.12 421	0.22 438	0.26 498	0.31 426	0.34 433	0.26 450	0.37 465	0.22 368	0.22 441	0.27 470	0.27 494	0.09 360	0.06 308	0.08 279	0.08 338	0.09 383	0.10 415

PA-Net	0.23 473	0.18 496	0.33 490	0.28 517	0.22 524	0.21 430	0.38 543	0.29 402	0.39 464	0.22 411	0.32 435	0.25 406	0.26 470	0.20 410	0.25 474	0.09 360	0.23 538	0.15 497	0.22 525	0.09 383	0.13 474
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
ELAS_RVC	0.41 533	0.29 532	0.33 490	0.28 517	0.24 528	0.54 538	0.36 539	0.49 536	0.59 527	0.72 548	0.74 547	0.65 544	0.54 543	0.54 546	0.40 536	0.22 533	0.20 526	0.27 531	0.26 532	0.26 538	0.25 538
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 533	0.29 532	0.33 490	0.27 514	0.24 528	0.60 543	0.36 539	0.50 538	0.50 508	0.71 546	0.79 551	0.67 546	0.54 543	0.51 540	0.42 540	0.22 533	0.20 526	0.27 531	0.26 532	0.26 538	0.25 538
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
psmorigin	0.25 491	0.15 466	0.34 498	0.17 217	0.13 444	0.23 451	0.14 152	0.34 465	0.33 421	0.41 520	0.55 524	0.41 511	0.37 519	0.34 505	0.27 494	0.11 430	0.15 510	0.11 439	0.11 455	0.12 453	0.16 509

FADNet	0.21 448	0.22 513	0.36 499	0.18 299	0.17 507	0.24 456	0.13 104	0.31 426	0.31 407	0.23 423	0.25 366	0.27 423	0.21 432	0.19 385	0.15 343	0.13 478	0.15 510	0.12 458	0.15 503	0.16 506	0.18 520

G-Net	0.24 480	0.16 474	0.36 499	0.22 456	0.16 492	0.51 536	0.23 462	0.29 402	0.34 433	0.36 505	0.38 471	0.31 463	0.29 495	0.27 470	0.26 486	0.11 430	0.09 435	0.12 458	0.09 384	0.16 506	0.13 474

AnyNet_C32	0.26 500	0.16 474	0.36 499	0.20 412	0.16 492	0.25 467	0.30 528	0.32 437	0.44 490	0.31 489	0.49 514	0.30 450	0.33 509	0.40 532	0.33 521	0.12 455	0.12 482	0.12 458	0.14 487	0.14 484	0.15 498

CC-Net-ROB	0.28 506	0.31 534	0.36 499	0.29 524	0.15 482	0.25 467	0.19 403	0.45 530	0.33 421	0.39 513	0.37 465	0.39 505	0.31 503	0.27 470	0.26 486	0.24 539	0.19 523	0.30 540	0.23 529	0.18 517	0.15 498

w-ln-seven-2	0.20 436	0.14 456	0.37 503	0.22 456	0.12 421	0.20 413	0.21 441	0.28 391	0.37 454	0.25 445	0.37 465	0.27 423	0.22 441	0.21 427	0.23 452	0.08 301	0.08 406	0.09 360	0.09 384	0.10 415	0.09 388

Wz-Net-LNSev	0.22 457	0.16 474	0.38 504	0.21 441	0.13 444	0.25 467	0.23 462	0.32 437	0.43 485	0.30 483	0.41 496	0.31 463	0.18 400	0.22 440	0.25 474	0.10 401	0.09 435	0.08 279	0.08 338	0.12 453	0.11 441

FADNet-RVC	0.20 436	0.20 503	0.38 504	0.21 441	0.16 492	0.20 413	0.15 220	0.26 351	0.26 360	0.26 450	0.32 435	0.26 415	0.21 432	0.22 440	0.19 405	0.12 455	0.13 495	0.12 458	0.14 487	0.13 471	0.18 520

PVD	0.39 528	0.20 503	0.39 506	0.31 530	0.22 524	0.29 497	0.43 549	0.52 540	0.96 558	0.55 538	0.79 551	0.53 535	0.59 549	0.52 542	0.38 531	0.19 523	0.14 504	0.17 506	0.14 487	0.24 533	0.31 545

STTRV1_RVC	0.25 491	0.26 523	0.39 506	0.19 356	0.26 535	0.30 500	0.24 474	0.34 465	0.35 442	0.36 505	0.34 451	0.31 463	0.31 503	0.28 481	0.25 474	0.17 516	0.10 455	0.16 503	0.14 487	0.17 513	0.12 454

z-ln-s-r	0.17 398	0.10 371	0.40 508	0.19 356	0.08 127	0.17 356	0.18 364	0.22 275	0.33 421	0.18 342	0.40 485	0.22 368	0.17 386	0.20 410	0.23 452	0.07 240	0.05 183	0.07 195	0.07 273	0.07 258	0.05 121

FADNet_RVC	0.16 378	0.14 456	0.40 508	0.20 412	0.11 390	0.13 247	0.13 104	0.26 351	0.22 299	0.21 395	0.23 325	0.20 341	0.17 386	0.14 261	0.16 359	0.08 301	0.08 406	0.12 458	0.09 384	0.11 438	0.10 415

ADCMid	0.25 491	0.15 466	0.40 508	0.20 412	0.14 464	0.25 467	0.26 498	0.34 465	0.38 461	0.36 505	0.44 508	0.34 482	0.40 525	0.35 511	0.33 521	0.10 401	0.09 435	0.11 439	0.11 455	0.13 471	0.12 454

PSMNet-RUCA	0.27 502	0.33 536	0.41 511	0.36 536	0.32 543	0.18 375	0.19 403	0.42 521	0.30 400	0.33 499	0.41 496	0.39 505	0.25 464	0.31 492	0.20 411	0.18 518	0.10 455	0.25 527	0.15 503	0.21 522	0.16 509

ADCRef	0.19 424	0.12 415	0.41 511	0.20 412	0.12 421	0.22 438	0.18 364	0.32 437	0.36 447	0.26 450	0.32 435	0.17 301	0.23 449	0.24 460	0.24 465	0.07 240	0.06 308	0.09 360	0.09 384	0.08 321	0.08 344

DeepPrunerF	0.24 480	0.17 485	0.42 513	0.26 502	0.16 492	0.22 438	0.28 511	0.37 494	0.50 508	0.26 450	0.29 417	0.24 392	0.28 487	0.21 427	0.22 440	0.15 495	0.11 468	0.20 519	0.18 518	0.12 453	0.13 474

Wz-Net-SNSev	0.25 491	0.17 485	0.44 514	0.25 497	0.14 464	0.26 476	0.23 462	0.38 502	0.56 521	0.30 483	0.55 524	0.39 505	0.26 470	0.23 451	0.30 509	0.10 401	0.09 435	0.09 360	0.10 423	0.11 438	0.11 441

z-mn7	0.24 480	0.14 456	0.45 515	0.19 356	0.13 444	0.28 493	0.25 490	0.34 465	0.62 533	0.27 456	0.56 529	0.29 441	0.24 455	0.32 499	0.25 474	0.08 301	0.08 406	0.08 279	0.08 338	0.10 415	0.10 415

iinet-f	0.16 378	0.06 57	0.45 515	0.14 30	0.10 341	0.21 430	0.14 152	0.27 372	0.23 309	0.21 395	0.24 337	0.21 350	0.15 337	0.18 370	0.21 431	0.09 360	0.07 380	0.07 195	0.06 186	0.09 383	0.10 415

Consistency-Raft	0.44 536	0.40 543	0.45 515	0.37 538	0.43 548	0.46 530	0.41 544	0.57 547	0.55 518	0.32 495	0.73 545	0.33 476	0.48 538	0.42 535	0.49 547	0.39 547	0.35 548	0.45 547	0.51 555	0.42 547	0.29 542

ADCS	0.29 510	0.18 496	0.45 515	0.21 441	0.17 507	0.28 493	0.23 462	0.41 516	0.63 536	0.40 516	0.49 514	0.40 509	0.36 517	0.39 528	0.40 536	0.13 478	0.12 482	0.13 473	0.14 487	0.16 506	0.16 509

NVStereoNet_ROB	0.46 542	0.36 540	0.46 519	0.41 541	0.28 537	0.34 512	0.34 537	0.48 534	0.60 530	0.72 548	0.93 556	0.70 549	0.66 553	0.47 537	0.60 555	0.22 533	0.33 547	0.34 542	0.34 545	0.30 541	0.30 544
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ADCL	0.24 480	0.11 397	0.47 520	0.22 456	0.12 421	0.34 512	0.29 520	0.29 402	0.56 521	0.24 432	0.46 510	0.30 450	0.30 499	0.29 488	0.29 504	0.08 301	0.07 380	0.09 360	0.09 384	0.10 415	0.10 415

PASM	0.32 519	0.24 517	0.48 521	0.28 517	0.27 536	0.29 497	0.30 528	0.34 465	0.49 505	0.35 502	0.39 479	0.46 524	0.34 513	0.34 505	0.35 524	0.23 537	0.25 540	0.26 528	0.28 537	0.23 526	0.21 528

zh-sn7	0.25 491	0.17 485	0.50 522	0.24 486	0.13 444	0.25 467	0.24 474	0.34 465	0.48 499	0.28 471	0.54 522	0.28 433	0.31 503	0.36 517	0.32 517	0.10 401	0.10 455	0.11 439	0.10 423	0.12 453	0.12 454

XQC	0.28 506	0.23 514	0.51 523	0.28 517	0.19 516	0.34 512	0.27 505	0.36 488	0.57 523	0.31 489	0.30 423	0.37 493	0.30 499	0.38 524	0.38 531	0.13 478	0.09 435	0.15 497	0.12 474	0.17 513	0.18 520

otaku	0.39 528	0.37 541	0.52 524	0.44 543	0.28 537	0.58 540	0.24 474	0.41 516	0.62 533	0.40 516	0.49 514	0.46 524	0.33 509	0.40 532	0.32 517	0.30 542	0.30 544	0.39 544	0.33 543	0.29 540	0.28 541

Ntro	0.40 531	0.40 543	0.53 525	0.46 547	0.30 541	0.65 546	0.24 474	0.46 532	0.68 542	0.41 520	0.49 514	0.48 529	0.42 533	0.39 528	0.31 516	0.32 544	0.28 542	0.37 543	0.30 540	0.32 545	0.29 542

WAO-7	0.79 558	0.78 561	0.54 526	0.85 562	0.67 564	0.74 553	0.68 565	1.05 568	1.32 566	0.90 559	1.20 570	1.04 555	0.92 564	0.69 553	0.66 558	0.60 560	0.62 571	0.67 555	0.68 564	0.64 557	0.58 558

MSC_U_SF_DS_RVC	0.43 535	0.39 542	0.54 526	0.40 539	0.20 519	0.64 545	0.32 536	0.53 542	0.72 545	0.71 546	0.72 544	0.61 540	0.54 543	0.51 540	0.46 544	0.20 525	0.19 523	0.29 538	0.30 540	0.23 526	0.18 520

w-ln-seven	0.24 480	0.14 456	0.55 528	0.19 356	0.14 464	0.26 476	0.22 451	0.35 481	0.60 530	0.29 479	0.39 479	0.30 450	0.22 441	0.21 427	0.26 486	0.09 360	0.09 435	0.11 439	0.10 423	0.11 438	0.10 415

ACVNet-4b	0.39 528	0.53 548	0.55 528	0.45 544	0.24 528	0.47 532	0.18 364	0.49 536	0.64 537	0.42 523	0.45 509	0.60 539	0.27 478	0.34 505	0.24 465	0.33 545	0.14 504	0.48 548	0.42 548	0.30 541	0.26 540

MFN_U_SF_RVC	0.32 519	0.21 509	0.55 528	0.30 526	0.15 482	0.34 512	0.17 319	0.52 540	0.46 497	0.46 532	0.55 524	0.59 538	0.39 522	0.35 511	0.37 529	0.15 495	0.14 504	0.18 515	0.21 522	0.16 506	0.15 498

zh-mn7	0.25 491	0.14 456	0.56 531	0.19 356	0.14 464	0.24 456	0.22 451	0.34 465	0.62 533	0.35 502	0.65 537	0.31 463	0.25 464	0.31 492	0.25 474	0.09 360	0.08 406	0.09 360	0.09 384	0.09 383	0.11 441

aanetorigin	0.22 457	0.17 485	0.56 531	0.17 217	0.10 341	0.15 305	0.19 403	0.20 230	0.33 421	0.49 533	0.48 513	0.29 441	0.27 478	0.20 410	0.23 452	0.08 301	0.07 380	0.08 279	0.07 273	0.10 415	0.09 388

SuperB	0.20 436	0.10 371	0.56 531	0.16 143	0.09 239	0.18 375	0.18 364	0.24 317	0.50 508	0.26 450	0.39 479	0.17 301	0.21 432	0.22 440	0.21 431	0.08 301	0.06 308	0.06 102	0.06 186	0.12 453	0.10 415

LSM	0.33 522	0.20 503	0.58 534	0.26 502	0.60 560	0.34 512	0.25 490	0.42 521	0.48 499	0.45 529	0.58 534	0.42 512	0.36 517	0.35 511	0.25 474	0.12 455	0.20 526	0.14 485	0.16 507	0.19 520	0.33 547

ACVNet_1	0.44 536	0.49 547	0.60 535	0.45 544	0.28 537	0.49 535	0.27 505	0.57 547	0.72 545	0.62 541	0.58 534	0.74 550	0.49 539	0.50 539	0.35 524	0.26 540	0.24 539	0.39 544	0.29 538	0.31 544	0.24 533

ADCPNet	0.25 491	0.16 474	0.61 536	0.21 441	0.15 482	0.35 520	0.25 490	0.32 437	0.35 442	0.30 483	0.40 485	0.36 488	0.28 487	0.28 481	0.32 517	0.12 455	0.10 455	0.11 439	0.12 474	0.14 484	0.13 474

WAO-6	0.81 559	0.80 562	0.62 537	0.86 563	0.63 562	0.76 557	0.58 558	0.98 565	1.54 573	0.90 559	0.96 559	1.07 557	1.03 568	0.70 554	0.66 558	0.72 564	0.49 559	0.90 567	0.71 565	0.68 561	0.58 558

BEATNet-Init1	0.52 544	0.27 525	0.62 537	0.30 526	0.21 522	0.76 557	0.29 520	0.54 543	0.65 539	0.86 557	0.95 558	2.07 575	0.62 552	0.56 548	0.42 540	0.18 518	0.18 520	0.23 525	0.22 525	0.22 525	0.21 528

WAO-8	0.91 563	0.81 563	0.65 539	0.94 566	0.69 565	0.90 561	0.67 563	1.07 571	1.83 576	1.06 566	1.45 573	1.30 562	1.07 569	0.84 560	0.78 564	0.74 566	0.53 564	0.86 565	0.75 566	0.69 563	0.62 564

Venus	0.91 563	0.81 563	0.65 539	0.94 566	0.69 565	0.90 561	0.67 563	1.07 571	1.83 576	1.06 566	1.45 573	1.30 562	1.07 569	0.84 560	0.78 564	0.74 566	0.53 564	0.86 565	0.75 566	0.69 563	0.62 564

Wz-Net-TNSev	0.29 510	0.20 503	0.65 539	0.19 356	0.15 482	0.38 526	0.27 505	0.35 481	0.55 518	0.34 501	0.42 503	0.45 520	0.38 520	0.32 499	0.30 509	0.12 455	0.13 495	0.10 408	0.12 474	0.15 499	0.14 491

anonymity	0.53 545	0.58 550	0.65 539	0.41 541	0.61 561	0.53 537	0.41 544	0.56 545	0.41 473	0.55 538	0.50 518	0.49 530	0.55 546	0.58 549	0.50 550	0.58 558	0.50 561	0.51 550	0.51 555	0.51 549	0.57 557

MFMNet_re	0.64 549	0.66 556	0.65 539	0.51 548	0.69 565	0.69 549	0.57 557	0.64 551	0.73 549	0.60 540	0.73 545	0.62 541	0.67 554	0.65 552	0.60 555	0.66 563	0.58 570	0.63 554	0.59 558	0.68 561	0.69 567

DispFullNet	0.27 502	0.21 509	0.65 539	0.28 517	0.16 492	0.26 476	0.17 319	0.33 456	0.58 526	0.27 456	0.38 471	0.43 516	0.23 449	0.38 524	0.23 452	0.12 455	0.06 308	0.19 517	0.11 455	0.21 522	0.15 498

SPS-STEREO	0.57 548	0.58 550	0.65 539	0.45 544	0.55 555	0.62 544	0.44 550	0.62 550	0.50 508	0.68 544	0.64 536	0.66 545	0.57 548	0.61 550	0.60 555	0.62 561	0.47 556	0.51 550	0.49 552	0.55 554	0.58 558
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 547	0.57 549	0.65 539	0.40 539	0.54 553	0.66 548	0.49 551	0.56 545	0.45 496	0.66 542	0.69 541	0.67 546	0.56 547	0.63 551	0.56 553	0.59 559	0.48 557	0.50 549	0.50 554	0.52 550	0.58 558

IMH-64-1	0.65 550	0.61 552	0.68 547	0.71 554	0.51 551	0.59 541	0.49 551	0.91 559	0.85 553	0.74 552	1.02 560	0.81 551	0.78 558	0.79 556	0.49 547	0.42 549	0.46 552	0.71 556	0.47 550	0.52 550	0.39 550

IMH-64	0.65 550	0.61 552	0.68 547	0.71 554	0.51 551	0.59 541	0.49 551	0.91 559	0.85 553	0.74 552	1.02 560	0.81 551	0.78 558	0.79 556	0.49 547	0.42 549	0.46 552	0.71 556	0.47 550	0.52 550	0.39 550

IMH	0.71 553	0.64 555	0.68 547	0.76 556	0.54 553	0.69 549	0.54 555	0.98 565	1.10 561	0.82 556	1.09 563	0.89 553	0.88 563	0.87 564	0.52 552	0.44 552	0.50 561	0.75 559	0.51 555	0.56 555	0.41 553

ACVNet_2	0.66 552	0.66 556	0.68 547	0.63 552	0.41 546	0.71 551	0.49 551	0.96 563	1.39 568	0.89 558	1.09 563	1.04 555	0.73 556	0.54 546	0.47 545	0.43 551	0.40 550	0.53 553	0.44 549	0.47 548	0.35 549

RainbowNet	0.54 546	0.61 552	0.70 551	0.57 551	0.43 548	0.65 546	0.37 542	0.60 549	0.87 555	0.50 534	0.66 538	0.64 542	0.47 537	0.49 538	0.43 543	0.47 553	0.48 557	0.52 552	0.41 547	0.52 550	0.40 552

TorneroNet-64	0.76 557	0.72 559	0.74 552	0.78 558	0.58 559	0.91 564	0.56 556	0.84 557	1.29 565	0.66 542	0.90 554	1.40 567	0.75 557	0.85 562	0.67 561	0.49 554	0.46 552	0.72 558	0.59 558	0.67 560	0.53 556

WZ-Net	0.28 506	0.17 485	0.78 553	0.22 456	0.16 492	0.34 512	0.29 520	0.39 506	0.57 523	0.24 432	0.55 524	0.37 493	0.24 455	0.33 502	0.35 524	0.09 360	0.08 406	0.09 360	0.10 423	0.14 484	0.16 509

DPSimNet_ROB	1.11 570	1.23 573	0.78 553	1.13 571	0.88 572	1.10 571	1.13 573	1.16 575	1.23 564	1.43 573	1.02 560	1.41 568	1.10 572	0.90 566	1.60 573	1.46 577	0.51 563	1.21 574	1.03 574	0.90 569	1.01 575

Dean	0.87 562	0.86 566	0.79 555	0.81 560	0.56 556	0.90 561	0.63 559	1.15 574	1.73 574	1.15 569	1.15 568	1.31 564	0.99 567	0.81 558	0.81 567	0.57 557	0.56 568	0.77 563	0.64 561	0.66 559	0.58 558

ktn	1.01 568	1.21 572	0.80 556	1.23 573	0.86 571	1.01 568	0.87 569	0.94 562	1.39 568	1.04 564	1.12 566	1.15 559	1.07 569	0.94 568	0.59 554	1.28 576	0.71 573	1.38 576	0.83 569	1.02 572	0.75 570

TorneroNet	0.82 560	0.74 560	0.81 557	0.84 561	0.63 562	0.99 566	0.63 559	0.96 563	1.16 562	0.80 555	1.11 565	1.36 566	0.86 562	0.93 567	0.80 566	0.56 556	0.49 559	0.78 564	0.66 563	0.73 566	0.63 566

LVE	0.83 561	0.85 565	0.85 558	0.80 559	0.56 556	1.04 570	0.65 562	1.05 568	1.47 571	0.96 561	1.22 571	1.10 558	0.85 561	0.83 559	0.71 563	0.49 554	0.55 567	0.76 562	0.60 560	0.65 558	0.59 563

KSHMR	1.09 569	1.17 571	0.88 559	1.25 574	1.00 573	0.99 566	0.96 571	1.13 573	1.37 567	1.16 570	1.29 572	1.41 568	0.96 566	1.01 570	0.92 568	1.03 573	1.08 575	1.20 573	1.03 574	1.01 571	0.97 573

PWCK	0.71 553	0.94 567	0.95 560	0.76 556	0.31 542	0.74 553	0.36 539	0.90 558	0.90 556	0.96 561	0.75 549	0.95 554	0.61 550	0.87 564	0.66 558	0.72 564	0.46 552	0.75 559	0.49 552	0.69 563	0.44 554

notaker	0.97 566	1.11 570	0.98 561	1.13 571	0.81 569	0.73 552	0.68 565	0.93 561	1.16 562	1.18 571	1.18 569	1.41 568	1.16 573	1.08 573	0.69 562	0.81 569	0.64 572	1.17 572	0.79 568	0.98 570	0.80 571

FADE	0.45 538	0.33 536	1.03 562	0.33 531	0.25 534	0.35 520	0.29 520	0.64 551	1.07 559	0.43 526	0.41 496	0.42 512	0.53 541	0.70 554	0.51 551	0.30 542	0.21 537	0.41 546	0.38 546	0.23 526	0.22 530

EDNetEfficient	0.29 510	0.24 517	1.13 563	0.18 299	0.10 341	0.19 398	0.20 424	0.20 230	0.60 530	0.74 552	0.56 529	0.31 463	0.39 522	0.22 440	0.30 509	0.09 360	0.07 380	0.08 279	0.07 273	0.11 438	0.09 388

JetBlue	0.71 553	0.45 546	1.14 564	0.51 548	0.47 550	2.02 575	0.64 561	0.75 554	0.70 543	0.69 545	0.77 550	1.22 561	0.83 560	1.03 571	1.01 571	0.40 548	0.28 542	0.33 541	0.33 543	0.30 541	0.34 548

HanzoNet	1.29 571	1.26 574	1.19 565	1.12 570	0.85 570	1.02 569	0.83 567	1.03 567	1.48 572	1.64 574	1.61 575	2.50 577	1.72 576	1.61 575	1.61 574	1.26 575	0.80 574	1.31 575	1.01 573	1.02 572	0.86 572

AnyNet_C01	0.36 526	0.25 522	1.37 566	0.22 456	0.17 507	0.48 534	0.27 505	0.35 481	0.39 464	0.39 513	0.74 547	0.46 524	0.38 520	0.45 536	0.47 545	0.13 478	0.13 495	0.13 473	0.14 487	0.14 484	0.15 498

UNDER WATER	0.97 566	0.97 569	1.42 567	0.99 568	0.70 568	1.12 572	0.84 568	0.80 556	1.08 560	1.01 563	0.90 554	1.55 571	1.22 575	1.03 571	1.00 570	0.78 568	0.53 564	1.02 569	0.87 570	0.80 568	0.74 569

UNDER WATER-64	0.95 565	0.94 567	1.43 568	0.87 564	0.56 556	1.18 573	0.87 569	0.77 555	0.94 557	1.04 564	0.85 553	1.58 572	1.21 574	0.94 568	0.96 569	0.87 570	0.57 569	1.03 570	0.88 571	0.78 567	0.73 568

MADNet++	1.95 573	1.75 576	1.59 569	1.82 576	1.69 576	2.33 576	1.40 576	2.35 578	2.09 578	2.57 578	2.36 578	2.24 576	2.17 577	2.28 576	2.34 576	1.87 578	1.66 578	1.54 577	1.34 577	1.92 576	1.77 578

ASD4	3.54 575	3.38 579	2.05 570	1.72 575	2.51 578	9.03 582	17.71 583	2.25 577	5.51 580	2.46 577	2.81 579	2.03 574	3.36 578	2.73 577	5.06 579	1.22 574	1.34 576	1.13 571	1.33 576	1.68 575	1.49 577

JetRed	1.62 572	1.46 575	2.98 571	0.92 565	1.21 574	4.99 578	1.53 577	1.27 576	1.39 568	1.83 575	1.74 576	1.60 573	0.95 565	1.41 574	2.45 578	0.90 572	1.60 577	0.93 568	0.90 572	1.35 574	0.99 574

USTest	6.22 578	2.73 578	3.00 572	6.57 584	7.29 583	14.37 585	21.57 584	7.00 586	9.56 585	5.34 582	6.10 580	5.72 581	7.64 582	6.41 583	6.96 582	1.97 579	3.42 584	1.64 578	2.15 581	2.66 577	2.36 579

RTS	0.45 538	0.19 499	3.26 573	0.24 486	0.15 482	0.74 553	0.20 424	0.36 488	0.76 551	0.42 523	0.43 506	0.31 463	0.41 530	0.53 544	0.35 524	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 498

RTSA	0.45 538	0.19 499	3.26 573	0.24 486	0.15 482	0.74 553	0.20 424	0.36 488	0.76 551	0.42 523	0.43 506	0.31 463	0.41 530	0.53 544	0.35 524	0.10 401	0.08 406	0.13 473	0.12 474	0.15 499	0.15 498

tt	4.67 577	0.06 57	3.55 575	2.02 577	1.55 575	10.25 583	16.71 582	8.91 587	5.03 579	1.31 572	0.94 557	4.71 578	4.76 579	3.33 578	5.87 581	6.06 586	10.30 590	1.88 580	2.11 580	2.75 578	1.21 576

MADNet+	0.75 556	0.71 558	3.70 576	0.66 553	0.41 546	0.98 565	0.97 572	0.69 553	0.73 549	0.52 535	0.57 532	0.64 542	0.68 555	0.86 563	1.01 571	0.34 546	0.36 549	0.28 537	0.23 529	0.36 546	0.31 545

TCMNet-wrong-test	3.67 576	5.48 585	3.89 577	12.18 588	11.75 589	4.65 577	3.88 578	1.06 570	0.72 545	1.09 568	2.15 577	6.30 582	0.53 541	3.43 579	2.36 577	0.89 571	0.20 526	1.87 579	1.69 578	5.57 584	3.62 584

PML	8.91 585	9.34 589	6.13 578	5.35 581	6.41 582	14.99 586	23.38 590	5.27 579	6.83 581	18.04 591	28.19 597	7.67 583	6.83 581	7.85 584	5.75 580	5.35 585	1.83 579	5.95 589	1.93 579	8.64 587	2.52 580

LRCNet_RVC	10.62 587	13.42 590	7.30 579	18.92 590	2.07 577	0.33 509	0.30 528	5.59 582	0.48 499	13.03 589	17.94 590	8.87 584	5.65 580	4.79 580	1.89 575	23.51 595	2.73 583	27.55 596	25.71 596	16.07 593	16.33 594

xxxxx1	7.79 579	5.02 582	7.31 580	3.12 578	3.85 579	16.35 587	22.88 585	5.86 583	8.69 582	7.97 583	8.54 581	9.12 585	8.27 583	10.18 585	10.92 583	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

tt_ll	7.79 579	5.02 582	7.31 580	3.12 578	3.85 579	16.35 587	22.88 585	5.86 583	8.69 582	7.97 583	8.54 581	9.12 585	8.27 583	10.18 585	10.92 583	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

ff	7.79 579	5.02 582	7.31 580	3.12 578	3.85 579	16.35 587	22.88 585	5.86 583	8.69 582	7.97 583	8.54 581	9.12 585	8.27 583	10.18 585	10.92 583	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

Anonymous_1	10.96 588	7.92 586	7.46 583	10.33 585	10.06 584	18.65 591	26.34 591	11.06 588	13.44 589	9.40 586	10.05 586	9.67 588	11.23 588	10.73 588	12.72 588	6.42 587	8.38 587	5.77 586	10.61 586	12.12 588	6.77 585

DPSM_ROB	11.15 589	8.58 587	8.00 584	10.88 586	11.58 587	19.10 592	26.71 592	12.05 589	14.07 590	10.36 587	10.84 587	10.33 589	11.86 589	11.70 589	13.54 589	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 588

DPSM	11.15 589	8.58 587	8.00 584	10.88 586	11.58 587	19.10 592	26.71 592	12.05 589	14.07 590	10.36 587	10.84 587	10.33 589	11.86 589	11.70 589	13.54 589	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 588

DPSMNet_ROB	8.06 583	4.48 580	8.63 586	5.37 583	10.74 586	8.32 580	22.98 589	5.46 580	13.36 588	5.12 580	9.92 584	5.08 579	10.40 586	5.53 582	12.58 586	3.80 584	8.00 585	3.50 581	7.02 584	3.83 582	7.14 586

DGTPSM_ROB	8.06 583	4.48 580	8.63 586	5.35 581	10.72 585	8.32 580	22.97 588	5.46 580	13.35 587	5.12 580	9.92 584	5.08 579	10.40 586	5.52 581	12.58 586	3.79 583	8.00 585	3.50 581	7.02 584	3.83 582	7.14 586

CasAABBNet	22.42 593	17.33 592	16.01 588	22.01 592	23.28 594	38.32 594	53.80 596	24.14 594	28.41 595	20.60 593	21.77 593	20.89 595	23.91 595	23.43 593	27.36 595	14.07 591	17.69 593	11.83 592	14.01 591	14.67 590	14.95 592

Selective-RAFT-Error	22.47 595	17.37 594	16.09 589	22.06 593	23.34 595	38.39 595	53.83 597	24.29 597	28.47 597	20.74 594	21.83 595	20.81 594	23.90 594	23.54 596	27.53 597	14.08 592	17.69 593	11.82 591	14.00 590	14.69 591	15.00 593

FlowAnything	22.44 594	17.35 593	16.14 590	22.07 594	23.23 593	38.39 595	53.77 595	24.25 595	28.44 596	20.96 596	21.82 594	20.70 593	23.84 593	23.49 594	27.14 594	14.04 590	17.79 595	11.75 590	14.15 593	14.65 589	14.89 590

LSM0	22.87 596	17.28 591	18.96 591	22.19 595	29.04 597	38.42 597	53.71 594	24.28 596	28.31 594	20.78 595	21.00 592	21.43 596	24.16 596	23.50 595	27.39 596	14.09 593	17.38 592	11.84 593	14.04 592	14.73 592	14.89 590

HaxPig	15.71 591	18.52 595	19.18 592	16.89 589	15.89 591	7.73 579	7.60 579	13.31 591	10.82 586	15.42 590	14.91 589	15.98 591	14.92 591	15.58 591	15.98 591	18.95 594	16.73 591	19.46 594	18.08 594	19.26 594	19.05 595

DLNR_Zeroshot_test	10.40 586	1.82 577	19.49 593	120.77 598	13.11 590	0.06 9	0.13 104	0.23 295	0.10 36	0.07 30	0.10 118	0.09 124	0.06 36	0.10 62	0.09 54	0.13 478	0.04 21	0.06 102	0.04 34	51.54 597	0.04 40

MEDIAN_ROB	20.38 592	24.04 596	23.31 594	21.23 591	21.71 592	10.40 584	7.92 580	17.64 592	15.50 592	20.12 592	19.70 591	20.34 592	20.32 592	21.19 592	21.13 592	23.81 596	21.81 596	24.98 595	23.76 595	24.71 595	23.93 596

AVERAGE_ROB	24.90 597	29.20 597	28.14 595	24.89 596	24.64 596	17.75 590	11.12 581	21.45 593	19.93 593	25.12 597	24.46 596	25.12 597	25.46 597	24.69 597	22.83 593	29.76 597	27.13 597	28.97 597	27.95 597	29.91 596	29.47 597

test_example2	98.32 598	94.13 598	45.89 596	96.35 597	109.85 598	88.61 598	95.45 598	25.75 598	94.37 598	130.00 599	126.06 599	58.17 598	74.63 598	88.51 598	79.96 598	150.23 598	221.02 598	77.62 598	99.10 598	113.75 598	96.94 598

coex-ft	3.30 574	0.34 538	59.09 597	0.18 299	0.13 444	0.26 476	0.22 451	0.27 372	0.72 545	1.90 576	0.70 543	0.44 518	0.45 536	0.29 488	0.41 539	0.09 360	0.09 435	0.12 458	0.09 384	0.14 484	0.13 474

EDNetEfficientorigin	7.91 582	0.31 534	153.02 598	0.19 356	0.09 239	0.21 430	0.16 285	0.22 275	0.59 527	0.72 548	0.67 539	0.42 512	0.50 540	0.24 460	0.39 533	0.08 301	0.07 380	0.08 279	0.07 273	0.12 453	0.10 415

ccccc	245.47 599	285.66 599	306.18 599	368.85 599	370.60 599	123.16 599	145.33 599	115.05 599	110.08 599	126.68 598	110.87 598	122.83 599	165.88 599	252.94 599	276.56 599	384.56 599	353.86 599	254.69 599	223.00 599	425.87 599	386.83 599

Low-res two-view benchmark