Low-res two-view results

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

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

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

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

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

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

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

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

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

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

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

iRaft-Stereo_20w	0.09 14	0.05 6	0.13 133	0.14 14	0.08 50	0.12 108	0.15 117	0.18 101	0.10 9	0.11 64	0.08 18	0.08 27	0.05 2	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

MGS-Stereo	0.09 14	0.07 72	0.12 94	0.15 39	0.08 50	0.09 36	0.15 117	0.12 6	0.12 28	0.07 2	0.10 40	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

IGEV-Stereo	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 14	0.05 6	0.12 94	0.15 39	0.12 288	0.10 59	0.13 44	0.18 101	0.18 120	0.09 19	0.09 25	0.09 40	0.06 7	0.10 19	0.08 11	0.07 145	0.05 110	0.07 102	0.07 165	0.04 1	0.04 8

CroCo-Stereo	0.09 14	0.08 144	0.08 12	0.22 310	0.09 135	0.09 36	0.19 267	0.15 31	0.12 28	0.07 2	0.07 14	0.08 27	0.06 7	0.08 6	0.07 1	0.07 145	0.05 110	0.06 34	0.04 9	0.05 41	0.04 8
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 14	0.04 1	0.08 12	0.13 7	0.06 3	0.11 85	0.14 71	0.15 31	0.19 132	0.11 64	0.15 99	0.10 62	0.06 7	0.12 105	0.09 20	0.07 145	0.05 110	0.05 2	0.04 9	0.06 103	0.05 53

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

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

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

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

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

CASnet	0.09 14	0.09 195	0.09 31	0.19 231	0.06 3	0.07 17	0.11 11	0.18 101	0.14 62	0.11 64	0.10 40	0.09 40	0.07 34	0.10 19	0.10 52	0.06 58	0.04 2	0.10 273	0.08 215	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

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

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

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

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

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

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

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

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

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 7	0.07 20	0.09 36	0.12 22	0.14 19	0.14 62	0.10 44	0.14 85	0.08 27	0.07 34	0.09 10	0.11 90	0.06 58	0.04 2	0.05 2	0.05 34	0.04 1	0.04 8
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.09 14	0.06 20	0.10 48	0.17 117	0.08 50	0.09 36	0.10 6	0.18 101	0.16 91	0.10 44	0.09 25	0.12 94	0.07 34	0.12 105	0.10 52	0.08 195	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

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

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

PMTNet	0.09 14	0.05 6	0.09 31	0.12 3	0.06 3	0.12 108	0.14 71	0.15 31	0.11 20	0.09 19	0.13 75	0.10 62	0.07 34	0.13 137	0.10 52	0.15 351	0.04 2	0.05 2	0.03 1	0.07 160	0.06 103

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CREStereo	0.09 14	0.04 1	0.08 12	0.11 1	0.06 3	0.13 135	0.14 71	0.14 19	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.04 2	0.05 2	0.03 1	0.06 103	0.06 103
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

RAFT-Stereo	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
EKT-Stereo	0.11 85	0.07 72	0.14 159	0.15 39	0.10 221	0.13 135	0.14 71	0.18 101	0.21 166	0.11 64	0.08 18	0.12 94	0.09 71	0.11 48	0.12 132	0.08 195	0.06 195	0.07 102	0.06 90	0.08 204	0.07 163

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

RAFT-Test	0.09 14	0.06 20	0.10 48	0.15 39	0.07 20	0.11 85	0.15 117	0.16 47	0.13 45	0.09 19	0.10 40	0.10 62	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

MyStereo8	0.12 140	0.07 72	0.15 196	0.15 39	0.09 135	0.18 239	0.14 71	0.19 121	0.22 178	0.12 88	0.18 147	0.11 79	0.10 92	0.16 203	0.18 253	0.07 145	0.05 110	0.07 102	0.05 34	0.08 204	0.09 256

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GMStereo	0.13 162	0.14 310	0.14 159	0.18 184	0.09 135	0.15 181	0.16 175	0.20 128	0.24 197	0.16 178	0.17 125	0.10 62	0.10 92	0.16 203	0.13 162	0.07 145	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo05	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.13 135	0.18 236	0.27 239	0.35 298	0.17 190	0.14 85	0.15 156	0.11 114	0.15 171	0.13 162	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

s12784h	0.09 14	0.06 20	0.07 2	0.15 39	0.05 1	0.16 205	0.18 236	0.15 31	0.15 73	0.10 44	0.11 57	0.11 79	0.11 114	0.10 19	0.12 132	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

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

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

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

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

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

HITNet	0.10 54	0.06 20	0.12 94	0.14 14	0.06 3	0.11 85	0.10 6	0.18 101	0.18 120	0.13 109	0.16 107	0.14 132	0.11 114	0.15 171	0.13 162	0.06 58	0.04 2	0.04 1	0.04 9	0.06 103	0.05 53
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
whm_eth	0.14 191	0.09 195	0.20 286	0.20 273	0.12 288	0.12 108	0.15 117	0.18 101	0.28 247	0.17 190	0.32 289	0.09 40	0.12 143	0.18 236	0.14 190	0.07 145	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163

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

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

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

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

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

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

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

Patchmatch Stereo++	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 85	0.06 20	0.14 159	0.18 184	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.13 109	0.14 85	0.11 79	0.12 143	0.11 48	0.13 162	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.04 8

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DIP-Stereo	0.11 85	0.07 72	0.14 159	0.17 117	0.09 135	0.13 135	0.09 3	0.16 47	0.16 91	0.11 64	0.16 107	0.14 132	0.12 143	0.15 171	0.13 162	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 303	0.14 129	0.21 178	0.21 222	0.12 143	0.17 225	0.14 190	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

SFCPSM	0.13 162	0.07 72	0.14 159	0.17 117	0.09 135	0.15 181	0.16 175	0.28 253	0.27 236	0.14 129	0.17 125	0.12 94	0.13 175	0.14 153	0.11 90	0.08 195	0.05 110	0.07 102	0.07 165	0.07 160	0.06 103

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

AdaStereo	0.15 225	0.11 263	0.15 196	0.18 184	0.09 135	0.20 271	0.11 11	0.32 292	0.28 247	0.20 247	0.23 193	0.20 216	0.13 175	0.19 247	0.14 190	0.12 317	0.05 110	0.10 273	0.07 165	0.09 252	0.07 163
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 191	0.08 144	0.15 196	0.16 70	0.08 50	0.16 205	0.12 22	0.25 209	0.35 298	0.21 255	0.29 273	0.24 257	0.13 175	0.14 153	0.14 190	0.06 58	0.05 110	0.06 34	0.04 9	0.09 252	0.08 223

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

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

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

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

anonymousa	0.13 162	0.07 72	0.13 133	0.18 184	0.09 135	0.13 135	0.17 196	0.19 121	0.29 254	0.15 153	0.24 202	0.15 156	0.14 198	0.14 153	0.14 190	0.07 145	0.05 110	0.07 102	0.09 256	0.05 41	0.06 103

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

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

AAGNet	0.11 85	0.07 72	0.16 226	0.19 231	0.09 135	0.08 24	0.13 44	0.18 101	0.13 45	0.16 178	0.21 178	0.13 117	0.14 198	0.11 48	0.14 190	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

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

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

xxxx	0.15 225	0.07 72	0.14 159	0.14 14	0.08 50	0.23 306	0.18 236	0.31 283	0.19 132	0.14 129	0.28 262	0.22 239	0.14 198	0.15 171	0.26 335	0.09 241	0.05 110	0.07 102	0.07 165	0.08 204	0.07 163

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

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

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

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

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

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

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

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

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

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

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

CASS	0.13 162	0.12 277	0.11 74	0.23 329	0.09 135	0.15 181	0.17 196	0.18 101	0.19 132	0.17 190	0.18 147	0.15 156	0.15 211	0.14 153	0.14 190	0.09 241	0.06 195	0.10 273	0.08 215	0.09 252	0.07 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 274	0.09 195	0.29 332	0.15 39	0.10 221	0.22 293	0.20 282	0.26 221	0.39 317	0.25 301	0.42 353	0.24 257	0.15 211	0.20 266	0.19 262	0.07 145	0.05 110	0.06 34	0.05 34	0.10 279	0.09 256

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

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

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

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

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

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

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

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

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

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

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

xx1	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.16 167	0.16 231	0.10 19	0.07 1	0.06 58	0.04 2	0.08 166	0.08 215	0.07 160	0.07 163

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

HSM	0.15 225	0.08 144	0.14 159	0.16 70	0.09 135	0.16 205	0.14 71	0.28 253	0.25 216	0.19 230	0.23 193	0.37 342	0.16 231	0.20 266	0.15 213	0.07 145	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

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

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

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

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

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

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

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

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

NLCA_NET_v2_RVC	0.17 262	0.10 243	0.22 296	0.20 273	0.10 221	0.15 181	0.18 236	0.31 283	0.25 216	0.21 255	0.30 277	0.25 267	0.17 250	0.21 282	0.20 268	0.09 241	0.06 195	0.08 166	0.08 215	0.07 160	0.08 223
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 262	0.12 277	0.15 196	0.20 273	0.09 135	0.18 239	0.18 236	0.26 221	0.23 187	0.26 306	0.40 337	0.22 239	0.17 250	0.21 282	0.20 268	0.08 195	0.05 110	0.09 232	0.10 288	0.07 160	0.07 163
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 262	0.10 243	0.17 251	0.17 117	0.11 259	0.21 285	0.21 298	0.33 309	0.25 216	0.22 268	0.22 187	0.27 282	0.18 260	0.22 293	0.20 268	0.11 293	0.09 297	0.09 232	0.09 256	0.08 204	0.08 223

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

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

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

ICVP	0.15 225	0.09 195	0.12 94	0.22 310	0.09 135	0.17 224	0.21 298	0.25 209	0.23 187	0.18 217	0.30 277	0.26 275	0.18 260	0.17 225	0.14 190	0.09 241	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 243	0.08 144	0.15 196	0.18 184	0.10 221	0.22 293	0.18 236	0.24 196	0.21 166	0.18 217	0.24 202	0.29 296	0.18 260	0.19 247	0.22 296	0.09 241	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

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

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

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

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

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

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

Anonymous Stereo	0.23 326	0.19 347	0.50 370	0.24 334	0.17 357	0.21 285	0.21 298	0.33 309	0.44 341	0.25 301	0.34 306	0.26 275	0.18 260	0.31 344	0.27 342	0.13 337	0.12 334	0.12 315	0.13 338	0.11 294	0.14 340

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

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

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

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

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

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

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

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

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

SGM-Forest	0.20 293	0.14 310	0.18 269	0.19 231	0.13 306	0.20 271	0.22 308	0.33 309	0.30 262	0.24 288	0.29 273	0.28 289	0.19 275	0.23 304	0.17 239	0.15 351	0.16 363	0.15 347	0.14 342	0.12 308	0.12 309
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 274	0.11 263	0.19 278	0.19 231	0.12 288	0.24 311	0.21 298	0.25 209	0.34 291	0.22 268	0.34 306	0.27 282	0.20 283	0.21 282	0.23 306	0.09 241	0.09 297	0.08 166	0.10 288	0.08 204	0.07 163

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

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

GwcNet	0.20 293	0.13 298	0.19 278	0.18 184	0.12 288	0.24 311	0.19 267	0.35 332	0.43 337	0.20 247	0.32 289	0.33 326	0.20 283	0.22 293	0.24 316	0.11 293	0.09 297	0.09 232	0.09 256	0.09 252	0.10 275

DGSMNet	0.24 334	0.19 347	0.33 342	0.21 297	0.24 376	0.24 311	0.20 282	0.35 332	0.41 326	0.24 288	0.32 289	0.38 346	0.21 287	0.29 340	0.23 306	0.12 317	0.11 325	0.14 339	0.16 355	0.23 374	0.23 380

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CBMV	0.19 284	0.14 310	0.17 251	0.18 184	0.10 221	0.20 271	0.11 11	0.29 263	0.30 262	0.29 329	0.30 277	0.30 304	0.23 302	0.27 322	0.19 262	0.13 337	0.15 360	0.17 356	0.16 355	0.10 279	0.10 275
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 262	0.11 263	0.18 269	0.17 117	0.11 259	0.16 205	0.25 341	0.24 196	0.33 280	0.19 230	0.24 202	0.26 275	0.24 308	0.19 247	0.20 268	0.07 145	0.08 274	0.09 232	0.10 288	0.09 252	0.08 223

WZ-Net	0.28 355	0.17 334	0.78 399	0.22 310	0.16 344	0.34 360	0.29 367	0.39 354	0.57 372	0.24 288	0.55 373	0.37 342	0.24 308	0.33 352	0.35 371	0.09 241	0.08 274	0.09 232	0.10 288	0.14 337	0.16 359

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

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

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

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

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

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

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

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

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

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

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

PA-Net	0.23 326	0.18 344	0.33 342	0.28 364	0.22 373	0.21 285	0.38 390	0.29 263	0.39 317	0.22 268	0.32 289	0.25 267	0.26 319	0.20 266	0.25 325	0.09 241	0.23 386	0.15 347	0.22 373	0.09 252	0.13 323
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 284	0.09 195	0.22 296	0.17 117	0.10 221	0.25 321	0.18 236	0.27 239	0.44 341	0.22 268	0.31 285	0.33 326	0.26 319	0.28 333	0.28 350	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.09 256

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

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

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

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

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

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

UDG	0.21 302	0.17 334	0.19 278	0.23 329	0.15 334	0.30 348	0.20 282	0.33 309	0.35 298	0.23 280	0.28 262	0.31 314	0.27 327	0.20 266	0.22 296	0.15 351	0.12 334	0.13 329	0.09 256	0.14 337	0.14 340

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

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

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

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

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

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

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

Abc-Net	0.24 334	0.15 316	0.31 337	0.26 350	0.16 344	0.20 271	0.30 375	0.40 358	0.40 323	0.24 288	0.38 324	0.33 326	0.28 335	0.36 366	0.27 342	0.12 317	0.11 325	0.15 347	0.22 373	0.13 325	0.13 323
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 350	0.15 316	0.30 335	0.24 334	0.18 364	0.22 293	0.15 117	0.38 350	0.71 390	0.32 344	0.41 347	0.36 338	0.28 335	0.32 350	0.29 353	0.12 317	0.11 325	0.14 339	0.13 338	0.16 355	0.20 374

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

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

GANet	0.21 302	0.12 277	0.21 291	0.24 334	0.13 306	0.22 293	0.22 308	0.41 363	0.26 229	0.31 338	0.42 353	0.37 342	0.28 335	0.23 304	0.22 296	0.10 272	0.12 334	0.10 273	0.09 256	0.10 279	0.08 223

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

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

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

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

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

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

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

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

ADCL	0.24 334	0.11 263	0.47 368	0.22 310	0.12 288	0.34 360	0.29 367	0.29 263	0.56 370	0.24 288	0.46 360	0.30 304	0.30 347	0.29 340	0.29 353	0.08 195	0.07 252	0.09 232	0.09 256	0.10 279	0.10 275

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

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

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

DANet	0.21 302	0.15 316	0.28 326	0.25 345	0.13 306	0.22 293	0.19 267	0.27 239	0.27 236	0.28 323	0.32 289	0.35 336	0.31 351	0.31 344	0.23 306	0.11 293	0.09 297	0.11 300	0.10 288	0.13 325	0.11 298
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 293	0.12 277	0.22 296	0.21 297	0.12 288	0.17 224	0.18 236	0.34 319	0.39 317	0.27 312	0.37 319	0.34 332	0.32 355	0.21 282	0.20 268	0.09 241	0.11 325	0.10 273	0.09 256	0.11 294	0.14 340

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

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

GANetREF_RVC	0.31 365	0.34 385	0.27 321	0.35 381	0.16 344	0.32 351	0.41 391	0.48 380	0.51 365	0.35 350	0.35 310	0.34 332	0.33 356	0.39 374	0.32 365	0.27 388	0.20 376	0.29 385	0.15 353	0.18 366	0.17 366
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
CSAN	0.29 359	0.24 366	0.27 321	0.34 379	0.19 366	0.33 357	0.42 394	0.37 343	0.50 358	0.38 358	0.40 337	0.44 366	0.33 356	0.28 333	0.30 357	0.20 374	0.16 363	0.19 366	0.19 367	0.14 337	0.15 348

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

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

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

SGM_RVC	0.23 326	0.12 277	0.15 196	0.15 39	0.09 135	0.33 357	0.18 236	0.34 319	0.31 268	0.44 375	0.37 319	0.53 381	0.35 362	0.35 361	0.24 316	0.13 337	0.13 347	0.13 329	0.13 338	0.10 279	0.11 298
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 359	0.18 344	0.45 364	0.21 297	0.17 357	0.28 342	0.23 318	0.41 363	0.63 382	0.40 363	0.49 364	0.40 357	0.36 364	0.39 374	0.40 382	0.13 337	0.12 334	0.13 329	0.14 342	0.16 355	0.16 359

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

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

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

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

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

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

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

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

FC-DCNN	0.33 370	0.27 374	0.28 326	0.26 350	0.23 375	0.37 371	0.28 359	0.40 358	0.43 337	0.45 376	0.55 373	0.51 378	0.40 372	0.37 370	0.30 357	0.21 377	0.20 376	0.27 379	0.26 380	0.25 382	0.24 381

MSMD_ROB	0.31 365	0.26 372	0.26 315	0.24 334	0.21 371	0.34 360	0.25 341	0.34 319	0.39 317	0.40 363	0.69 387	0.45 368	0.40 372	0.34 355	0.27 342	0.20 374	0.19 373	0.26 376	0.25 379	0.23 374	0.22 378

MeshStereo	0.27 352	0.13 298	0.18 269	0.15 39	0.11 259	0.32 351	0.24 327	0.40 358	0.36 303	0.52 381	0.57 379	0.67 392	0.40 372	0.35 361	0.26 335	0.14 348	0.13 347	0.13 329	0.11 311	0.11 294	0.10 275
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	0.33 370	0.28 377	0.28 326	0.30 373	0.24 376	0.39 374	0.28 359	0.42 368	0.42 332	0.43 373	0.53 370	0.51 378	0.41 376	0.36 366	0.30 357	0.21 377	0.20 376	0.27 379	0.26 380	0.25 382	0.24 381
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 384	0.19 347	3.26 419	0.24 334	0.15 334	0.74 400	0.20 282	0.36 338	0.76 396	0.42 370	0.43 356	0.31 314	0.41 376	0.53 390	0.35 371	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 348

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

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

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

LE_ROB	0.50 389	0.07 72	0.14 159	0.15 39	0.08 50	0.24 311	0.16 175	0.22 161	1.81 420	4.63 424	0.67 385	0.47 375	0.44 381	0.20 266	0.29 353	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

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

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

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

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

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

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

MSC_U_SF_DS_RVC	0.43 381	0.39 389	0.54 374	0.40 386	0.20 369	0.64 392	0.32 383	0.53 388	0.72 391	0.71 392	0.72 390	0.61 386	0.54 388	0.51 386	0.46 390	0.20 374	0.19 373	0.29 385	0.30 387	0.23 374	0.18 368

ELAS_RVC	0.41 379	0.29 380	0.33 342	0.28 364	0.24 376	0.54 385	0.36 386	0.49 382	0.59 376	0.72 394	0.74 393	0.65 390	0.54 388	0.54 392	0.40 382	0.22 380	0.20 376	0.27 379	0.26 380	0.26 385	0.25 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 379	0.29 380	0.33 342	0.27 361	0.24 376	0.60 390	0.36 386	0.50 384	0.50 358	0.71 392	0.79 397	0.67 392	0.54 388	0.51 386	0.42 386	0.22 380	0.20 376	0.27 379	0.26 380	0.26 385	0.25 385
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 391	0.58 396	0.65 385	0.41 388	0.61 407	0.53 384	0.41 391	0.56 391	0.41 326	0.55 384	0.50 368	0.49 377	0.55 391	0.58 395	0.50 396	0.58 405	0.50 406	0.51 397	0.51 402	0.51 396	0.57 403

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

SPS-STEREO	0.57 394	0.58 396	0.65 385	0.45 391	0.55 401	0.62 391	0.44 397	0.62 396	0.50 358	0.68 390	0.64 383	0.66 391	0.57 393	0.61 396	0.60 401	0.62 408	0.47 401	0.51 397	0.49 399	0.55 401	0.58 404
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 374	0.20 352	0.39 357	0.31 377	0.22 373	0.29 345	0.43 396	0.52 386	0.96 403	0.55 384	0.79 397	0.53 381	0.59 394	0.52 388	0.38 378	0.19 372	0.14 354	0.17 356	0.14 342	0.24 381	0.31 392

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

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

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

NVStereoNet_ROB	0.46 388	0.36 387	0.46 367	0.41 388	0.28 385	0.34 360	0.34 384	0.48 380	0.60 379	0.72 394	0.93 402	0.70 395	0.66 398	0.47 383	0.60 401	0.22 380	0.33 393	0.34 389	0.34 392	0.30 388	0.30 391
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 395	0.66 402	0.65 385	0.51 395	0.69 411	0.69 396	0.57 404	0.64 397	0.73 394	0.60 386	0.73 391	0.62 387	0.67 399	0.65 398	0.60 401	0.66 409	0.58 415	0.63 401	0.59 405	0.68 407	0.69 413

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Low-res two-view benchmark