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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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
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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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	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

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

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

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

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

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

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)
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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.
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

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

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

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

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

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

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

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

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
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

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

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

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

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
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
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

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	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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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
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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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
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

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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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