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

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

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

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

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

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

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

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
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

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

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

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

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-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

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

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

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

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
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

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

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

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

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
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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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-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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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	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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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

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

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
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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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
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.
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

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

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

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.
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

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
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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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