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

GCAP-BAT	0.16 47	0.11 82	0.36 137	0.18 12	0.13 163	0.21 100	0.16 59	0.23 16	0.18 11	0.26 119	0.28 115	0.20 84	0.11 18	0.24 89	0.17 124	0.07 22	0.06 83	0.07 21	0.06 33	0.05 1	0.06 28

testlalala	0.15 36	0.10 36	0.36 137	0.19 36	0.12 96	0.23 143	0.16 59	0.26 30	0.19 16	0.24 100	0.19 42	0.14 33	0.11 18	0.16 10	0.13 35	0.07 22	0.05 7	0.07 21	0.06 33	0.05 1	0.05 1

LoS_RVC	0.13 6	0.10 36	0.19 3	0.18 12	0.16 275	0.20 77	0.18 121	0.20 4	0.17 8	0.13 7	0.19 42	0.12 8	0.15 81	0.17 17	0.13 35	0.06 1	0.05 7	0.06 1	0.04 1	0.05 1	0.12 300

DCANet-4	0.19 120	0.10 36	0.52 297	0.19 36	0.09 10	0.19 53	0.18 121	0.36 158	0.39 247	0.29 165	0.30 138	0.17 55	0.22 186	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

fff	0.19 120	0.13 164	0.40 184	0.18 12	0.09 10	0.19 53	0.18 121	0.35 140	0.43 284	0.29 165	0.30 138	0.18 63	0.28 273	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

csc	0.19 120	0.13 164	0.40 184	0.18 12	0.09 10	0.19 53	0.18 121	0.35 140	0.43 284	0.29 165	0.30 138	0.18 63	0.28 273	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

cscssc	0.19 120	0.13 164	0.40 184	0.18 12	0.09 10	0.19 53	0.18 121	0.35 140	0.43 284	0.29 165	0.30 138	0.18 63	0.28 273	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

UGAM-zero	0.23 196	0.10 36	0.54 304	0.19 36	0.13 163	0.21 100	0.14 21	0.44 233	0.22 48	0.28 138	0.28 115	0.51 361	0.33 321	0.65 342	0.14 59	0.07 22	0.06 83	0.07 21	0.08 136	0.06 8	0.07 85

IGEV-Stereo++	0.11 1	0.08 3	0.15 1	0.19 36	0.11 53	0.14 4	0.10 1	0.22 8	0.18 11	0.10 1	0.13 10	0.10 2	0.11 18	0.14 2	0.11 1	0.06 1	0.05 7	0.06 1	0.05 11	0.06 8	0.05 1

Pointernet	0.13 6	0.07 1	0.27 40	0.19 36	0.11 53	0.20 77	0.12 5	0.31 89	0.24 75	0.15 22	0.15 22	0.13 17	0.11 18	0.17 17	0.13 35	0.08 119	0.05 7	0.06 1	0.05 11	0.06 8	0.05 1

AIO-Stereo	0.13 6	0.10 36	0.22 13	0.20 79	0.09 10	0.16 14	0.15 37	0.27 40	0.16 4	0.13 7	0.15 22	0.13 17	0.08 1	0.18 30	0.11 1	0.06 1	0.05 7	0.07 21	0.07 67	0.06 8	0.06 28

WCG-NET（raft）	0.14 17	0.09 15	0.23 16	0.17 6	0.08 3	0.19 53	0.16 59	0.23 16	0.26 95	0.18 61	0.19 42	0.20 84	0.12 30	0.21 64	0.12 11	0.06 1	0.06 83	0.06 1	0.05 11	0.06 8	0.05 1

RSM	0.12 2	0.09 15	0.20 6	0.20 79	0.09 10	0.16 14	0.15 37	0.23 16	0.18 11	0.13 7	0.13 10	0.15 41	0.09 4	0.21 64	0.12 11	0.06 1	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

RAFT-Stereo-weight	0.15 36	0.09 15	0.26 32	0.20 79	0.10 28	0.19 53	0.17 86	0.36 158	0.29 137	0.24 100	0.20 58	0.19 77	0.10 10	0.18 30	0.15 75	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.05 1

gcap-zeroshot	0.17 61	0.11 82	0.36 137	0.20 79	0.12 96	0.26 193	0.16 59	0.30 81	0.22 48	0.26 119	0.20 58	0.30 213	0.14 69	0.20 48	0.13 35	0.07 22	0.06 83	0.07 21	0.07 67	0.06 8	0.06 28

trnet	0.13 6	0.08 3	0.21 8	0.15 2	0.07 1	0.21 100	0.12 5	0.24 26	0.24 75	0.16 39	0.21 69	0.15 41	0.13 54	0.18 30	0.13 35	0.08 119	0.05 7	0.06 1	0.04 1	0.06 8	0.05 1

testlalala2	0.18 82	0.10 36	0.50 282	0.36 410	0.25 395	0.23 143	0.14 21	0.34 119	0.24 75	0.25 108	0.25 97	0.21 95	0.12 30	0.16 10	0.16 96	0.07 22	0.06 83	0.07 21	0.07 67	0.06 8	0.06 28

MoCha-V2	0.13 6	0.08 3	0.26 32	0.23 215	0.09 10	0.16 14	0.15 37	0.26 30	0.16 4	0.15 22	0.15 22	0.13 17	0.14 69	0.20 48	0.11 1	0.06 1	0.07 183	0.06 1	0.06 33	0.06 8	0.05 1

MSKI-zero shot	0.17 61	0.09 15	0.43 226	0.20 79	0.11 53	0.21 100	0.15 37	0.32 98	0.21 39	0.23 86	0.24 90	0.23 124	0.10 10	0.31 190	0.13 35	0.07 22	0.06 83	0.07 21	0.06 33	0.06 8	0.06 28

SPstereo	0.14 17	0.14 203	0.33 100	0.20 79	0.09 10	0.21 100	0.10 1	0.26 30	0.20 28	0.18 61	0.19 42	0.15 41	0.13 54	0.17 17	0.13 35	0.07 22	0.06 83	0.07 21	0.05 11	0.06 8	0.06 28

RAFT-Test	0.17 61	0.10 36	0.38 164	0.19 36	0.12 96	0.25 175	0.17 86	0.33 112	0.23 63	0.23 86	0.29 126	0.27 173	0.14 69	0.20 48	0.14 59	0.07 22	0.06 83	0.07 21	0.07 67	0.06 8	0.06 28

CAS	0.15 36	0.07 1	0.21 8	0.41 423	0.16 275	0.20 77	0.18 121	0.22 8	0.19 16	0.15 22	0.19 42	0.11 6	0.09 4	0.14 2	0.13 35	0.29 425	0.04 1	0.06 1	0.04 1	0.06 8	0.14 332

LoS	0.14 17	0.08 3	0.27 40	0.16 4	0.09 10	0.22 124	0.14 21	0.26 30	0.26 95	0.15 22	0.18 37	0.18 63	0.13 54	0.22 74	0.14 59	0.08 119	0.06 83	0.06 1	0.04 1	0.06 8	0.06 28
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
Selective-IGEV	0.12 2	0.09 15	0.22 13	0.19 36	0.10 28	0.15 6	0.14 21	0.27 40	0.15 2	0.13 7	0.14 20	0.13 17	0.08 1	0.21 64	0.12 11	0.06 1	0.05 7	0.07 21	0.06 33	0.06 8	0.05 1

EGLCR-Stereo	0.13 6	0.08 3	0.20 6	0.18 12	0.09 10	0.21 100	0.13 9	0.27 40	0.21 39	0.13 7	0.10 2	0.15 41	0.09 4	0.20 48	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.06 28

MC-Stereo	0.14 17	0.09 15	0.25 27	0.21 118	0.09 10	0.18 30	0.16 59	0.23 16	0.19 16	0.18 61	0.23 79	0.16 50	0.13 54	0.22 74	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

RCA-Stereo	0.16 47	0.09 15	0.25 27	0.20 79	0.10 28	0.19 53	0.17 86	0.36 158	0.35 203	0.20 69	0.25 97	0.17 55	0.17 120	0.18 30	0.14 59	0.07 22	0.05 7	0.07 21	0.06 33	0.06 8	0.05 1

ADStereo(finetuned)	0.19 120	0.13 164	0.49 272	0.19 36	0.09 10	0.19 53	0.18 121	0.34 119	0.39 247	0.29 165	0.31 152	0.18 63	0.31 311	0.21 64	0.19 168	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.07 85

test-3	0.16 47	0.09 15	0.31 80	0.21 118	0.11 53	0.18 30	0.16 59	0.30 81	0.27 105	0.26 119	0.16 27	0.22 104	0.12 30	0.26 129	0.18 143	0.06 1	0.04 1	0.08 88	0.08 136	0.06 8	0.06 28

test_1	0.16 47	0.09 15	0.31 80	0.21 118	0.11 53	0.18 30	0.16 59	0.30 81	0.27 105	0.25 108	0.16 27	0.22 104	0.12 30	0.26 129	0.18 143	0.06 1	0.04 1	0.08 88	0.08 136	0.06 8	0.06 28

TRStereo	0.19 120	0.17 272	0.47 259	0.23 215	0.19 334	0.19 53	0.16 59	0.52 317	0.28 119	0.20 69	0.19 42	0.21 95	0.13 54	0.24 89	0.13 35	0.09 191	0.06 83	0.09 151	0.11 292	0.06 8	0.06 28

STrans-v2	0.24 222	0.13 164	0.54 304	0.21 118	0.12 96	0.23 143	0.21 230	0.47 260	0.28 119	0.31 211	0.42 275	0.36 266	0.35 333	0.62 329	0.23 239	0.07 22	0.05 7	0.08 88	0.07 67	0.06 8	0.06 28

TransformOpticalFlow	0.24 222	0.13 164	0.56 314	0.23 215	0.11 53	0.21 100	0.19 159	0.40 191	0.32 168	0.30 194	0.43 287	0.36 266	0.31 311	0.61 321	0.20 181	0.07 22	0.05 7	0.08 88	0.07 67	0.06 8	0.07 85

ASMatch	0.23 196	0.11 82	0.51 293	0.24 259	0.14 204	0.19 53	0.17 86	0.31 89	0.28 119	0.28 138	0.68 398	0.27 173	0.26 241	0.50 265	0.22 221	0.07 22	0.06 83	0.08 88	0.07 67	0.06 8	0.11 278

DEmStereo	0.26 264	0.09 15	0.47 259	0.19 36	0.12 96	0.30 254	0.25 313	0.28 54	0.36 215	0.36 294	0.58 371	0.25 143	0.48 393	0.53 282	0.44 360	0.07 22	0.06 83	0.08 88	0.08 136	0.06 8	0.07 85

RAFT-RH_RVC	0.25 249	0.11 82	0.45 244	0.21 118	0.12 96	0.25 175	0.14 21	0.27 40	0.27 105	0.38 310	1.15 436	0.23 124	0.17 120	0.57 303	0.24 250	0.07 22	0.05 7	0.10 220	0.07 67	0.06 8	0.07 85

RAFT-345	0.21 151	0.10 36	0.46 251	0.22 172	0.11 53	0.20 77	0.16 59	0.26 30	0.25 86	0.27 128	0.66 393	0.21 95	0.16 95	0.55 290	0.21 203	0.07 22	0.06 83	0.08 88	0.07 67	0.06 8	0.06 28

AnonymousM	0.17 61	0.19 302	0.24 21	0.18 12	0.10 28	0.18 30	0.17 86	0.30 81	0.23 63	0.26 119	0.20 58	0.18 63	0.14 69	0.19 41	0.14 59	0.09 191	0.06 83	0.38 430	0.15 369	0.06 8	0.05 1

cross-raft	0.17 61	0.12 106	0.41 207	0.23 215	0.10 28	0.20 77	0.24 298	0.33 112	0.23 63	0.23 86	0.28 115	0.29 197	0.15 81	0.17 17	0.15 75	0.06 1	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

test-1	0.17 61	0.11 82	0.40 184	0.23 215	0.13 163	0.22 124	0.23 276	0.34 119	0.26 95	0.20 69	0.24 90	0.22 104	0.14 69	0.16 10	0.20 181	0.07 22	0.06 83	0.08 88	0.07 67	0.06 8	0.08 142

CREStereo++_RVC	0.15 36	0.08 3	0.26 32	0.17 6	0.11 53	0.18 30	0.13 9	0.22 8	0.30 148	0.21 78	0.30 138	0.13 17	0.11 18	0.16 10	0.15 75	0.07 22	0.04 1	0.06 1	0.15 369	0.06 8	0.05 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
s12784h	0.17 61	0.09 15	0.26 32	0.18 12	0.07 1	0.32 277	0.19 159	0.37 167	0.32 168	0.23 86	0.25 97	0.18 63	0.17 120	0.25 114	0.16 96	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.05 1

TANstereo	0.15 36	0.09 15	0.28 51	0.16 4	0.08 3	0.25 175	0.14 21	0.23 16	0.28 119	0.24 100	0.30 138	0.16 50	0.12 30	0.17 17	0.13 35	0.08 119	0.07 183	0.06 1	0.05 11	0.06 8	0.07 85

raftrobust	0.16 47	0.13 164	0.29 61	0.22 172	0.15 250	0.19 53	0.13 9	0.32 98	0.26 95	0.26 119	0.20 58	0.19 77	0.17 120	0.21 64	0.15 75	0.08 119	0.06 83	0.07 21	0.06 33	0.06 8	0.07 85

DCANet	0.18 82	0.13 164	0.40 184	0.19 36	0.09 10	0.19 53	0.18 121	0.34 119	0.39 247	0.29 165	0.31 152	0.18 63	0.23 197	0.20 48	0.19 168	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.07 85

EAI-Stereo	0.21 151	0.10 36	0.33 100	0.21 118	0.12 96	0.30 254	0.46 416	0.46 253	0.20 28	0.25 108	0.50 335	0.17 55	0.16 95	0.24 89	0.23 239	0.07 22	0.06 83	0.07 21	0.10 255	0.06 8	0.07 85

CFNet-RSSM	0.17 61	0.10 36	0.40 184	0.20 79	0.11 53	0.20 77	0.15 37	0.36 158	0.30 148	0.23 86	0.21 69	0.26 164	0.15 81	0.20 48	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

Gwc-CoAtRS	0.17 61	0.10 36	0.37 145	0.20 79	0.12 96	0.19 53	0.15 37	0.32 98	0.28 119	0.23 86	0.23 79	0.27 173	0.15 81	0.20 48	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.06 28

R-Stereo Train	0.18 82	0.09 15	0.32 86	0.22 172	0.12 96	0.22 124	0.19 159	0.42 217	0.19 16	0.31 211	0.45 310	0.20 84	0.14 69	0.18 30	0.15 75	0.08 119	0.06 83	0.07 21	0.06 33	0.06 8	0.06 28

RAFT-Stereo	0.18 82	0.09 15	0.32 86	0.22 172	0.12 96	0.22 124	0.19 159	0.42 217	0.19 16	0.31 211	0.45 310	0.20 84	0.14 69	0.18 30	0.15 75	0.08 119	0.06 83	0.07 21	0.06 33	0.06 8	0.06 28
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
model_zeroshot	0.17 61	0.11 82	0.39 177	0.20 79	0.12 96	0.24 162	0.15 37	0.34 119	0.22 48	0.30 194	0.20 58	0.22 104	0.12 30	0.24 89	0.14 59	0.08 119	0.07 183	0.07 21	0.07 67	0.07 51	0.07 85

RAStereo	0.13 6	0.12 106	0.27 40	0.22 172	0.11 53	0.15 6	0.18 121	0.23 16	0.23 63	0.13 7	0.17 30	0.11 6	0.09 4	0.15 5	0.13 35	0.08 119	0.06 83	0.08 88	0.06 33	0.07 51	0.05 1

Occ-G	0.13 6	0.08 3	0.21 8	0.17 6	0.10 28	0.15 6	0.19 159	0.22 8	0.19 16	0.13 7	0.19 42	0.21 95	0.11 18	0.17 17	0.14 59	0.07 22	0.06 83	0.07 21	0.06 33	0.07 51	0.06 28

U	1.00 444	0.09 15	0.21 8	0.21 118	3.68 471	6.12 474	0.14 21	0.21 6	0.21 39	0.11 3	0.11 3	0.10 2	0.09 4	0.12 1	0.11 1	0.07 22	0.05 7	5.42 476	2.90 474	0.07 51	0.06 28

RSM++	0.12 2	0.09 15	0.19 3	0.20 79	0.09 10	0.17 22	0.15 37	0.21 6	0.19 16	0.12 4	0.12 4	0.14 33	0.09 4	0.20 48	0.12 11	0.06 1	0.05 7	0.07 21	0.07 67	0.07 51	0.05 1

IGEV++	0.13 6	0.10 36	0.23 16	0.21 118	0.10 28	0.15 6	0.15 37	0.29 65	0.16 4	0.12 4	0.15 22	0.12 8	0.12 30	0.17 17	0.14 59	0.07 22	0.06 83	0.07 21	0.05 11	0.07 51	0.07 85

AE-Stereo	0.17 61	0.11 82	0.31 80	0.24 259	0.14 204	0.23 143	0.18 121	0.34 119	0.29 137	0.15 22	0.25 97	0.21 95	0.13 54	0.20 48	0.14 59	0.07 22	0.08 260	0.09 151	0.10 255	0.07 51	0.06 28

ff7	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

IGEVStereo-DCA	0.14 17	0.11 82	0.27 40	0.19 36	0.12 96	0.20 77	0.18 121	0.27 40	0.20 28	0.15 22	0.12 4	0.14 33	0.12 30	0.28 157	0.14 59	0.07 22	0.06 83	0.08 88	0.07 67	0.07 51	0.07 85

ffff	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

rrr	0.17 61	0.11 82	0.57 317	0.19 36	0.12 96	0.20 77	0.18 121	0.35 140	0.22 48	0.15 22	0.12 4	0.14 33	0.12 30	0.28 157	0.14 59	0.07 22	0.06 83	0.08 88	0.07 67	0.07 51	0.07 85

11t	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

MaDis-Stereo	0.14 17	0.13 164	0.26 32	0.19 36	0.14 204	0.16 14	0.13 9	0.25 27	0.21 39	0.13 7	0.14 20	0.14 33	0.11 18	0.17 17	0.17 124	0.08 119	0.07 183	0.08 88	0.06 33	0.07 51	0.06 28

IGEV_Zeroshot_test	0.18 82	0.10 36	0.65 348	0.20 79	0.12 96	0.19 53	0.15 37	0.34 119	0.19 16	0.28 138	0.22 76	0.27 173	0.13 54	0.23 83	0.18 143	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.06 28

AEACV	0.13 6	0.09 15	0.23 16	0.18 12	0.19 334	0.19 53	0.16 59	0.23 16	0.14 1	0.13 7	0.17 30	0.13 17	0.16 95	0.16 10	0.12 11	0.07 22	0.05 7	0.07 21	0.08 136	0.07 51	0.06 28

Any-RAFT	0.17 61	0.08 3	0.31 80	0.19 36	0.10 28	0.29 237	0.16 59	0.42 217	0.30 148	0.24 100	0.27 111	0.27 173	0.16 95	0.21 64	0.12 11	0.08 119	0.05 7	0.06 1	0.05 11	0.07 51	0.06 28

HH	0.18 82	0.12 106	0.55 310	0.22 172	0.12 96	0.18 30	0.18 121	0.34 119	0.19 16	0.20 69	0.24 90	0.34 247	0.18 143	0.29 172	0.12 11	0.07 22	0.05 7	0.07 21	0.07 67	0.07 51	0.06 28

HanStereo	0.18 82	0.12 106	0.55 310	0.22 172	0.12 96	0.18 30	0.18 121	0.34 119	0.19 16	0.20 69	0.24 90	0.34 247	0.18 143	0.29 172	0.12 11	0.07 22	0.05 7	0.07 21	0.07 67	0.07 51	0.06 28

DCRE	0.20 134	0.13 164	0.40 184	0.21 118	0.15 250	0.20 77	0.19 159	0.30 81	0.27 105	0.22 83	0.80 415	0.23 124	0.16 95	0.23 83	0.15 75	0.07 22	0.07 183	0.07 21	0.08 136	0.07 51	0.06 28

anonymousa	0.23 196	0.11 82	0.50 282	0.21 118	0.16 275	0.31 269	0.20 201	0.36 158	0.35 203	0.32 233	0.50 335	0.39 290	0.26 241	0.22 74	0.20 181	0.08 119	0.06 83	0.09 151	0.11 292	0.07 51	0.08 142

ProNet	0.14 17	0.12 106	0.25 27	0.19 36	0.11 53	0.19 53	0.19 159	0.27 40	0.20 28	0.14 18	0.13 10	0.13 17	0.12 30	0.24 89	0.12 11	0.06 1	0.05 7	0.07 21	0.06 33	0.07 51	0.07 85

ccc-4	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

DisPM	0.19 120	0.10 36	0.35 117	0.23 215	0.13 163	0.18 30	0.20 201	0.29 65	0.29 137	0.33 244	0.34 188	0.23 124	0.16 95	0.33 202	0.16 96	0.09 191	0.06 83	0.09 151	0.08 136	0.07 51	0.11 278

test_4	0.18 82	0.12 106	0.34 107	0.23 215	0.12 96	0.18 30	0.22 253	0.26 30	0.24 75	0.24 100	0.47 326	0.22 104	0.13 54	0.24 89	0.16 96	0.06 1	0.05 7	0.09 151	0.09 219	0.07 51	0.05 1

GLC_STEREO	0.15 36	0.10 36	0.24 21	0.21 118	0.09 10	0.17 22	0.15 37	0.23 16	0.27 105	0.17 48	0.20 58	0.17 55	0.11 18	0.23 83	0.16 96	0.07 22	0.09 293	0.09 151	0.08 136	0.07 51	0.06 28

IPLG	0.21 151	0.15 233	0.53 301	0.21 118	0.12 96	0.28 217	0.17 86	0.42 217	0.30 148	0.33 244	0.32 159	0.15 41	0.17 120	0.50 265	0.21 203	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.06 28

MIPNet	0.21 151	0.15 233	0.52 297	0.21 118	0.12 96	0.27 202	0.20 201	0.45 243	0.37 224	0.30 194	0.23 79	0.19 77	0.24 215	0.27 145	0.19 168	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.06 28

IPLGR	0.21 151	0.13 164	0.61 331	0.21 118	0.11 53	0.25 175	0.18 121	0.41 203	0.37 224	0.28 138	0.27 111	0.21 95	0.19 157	0.37 224	0.18 143	0.07 22	0.06 83	0.08 88	0.07 67	0.07 51	0.06 28

test_3	0.18 82	0.11 82	0.32 86	0.24 259	0.11 53	0.22 124	0.25 313	0.31 89	0.31 160	0.25 108	0.18 37	0.23 124	0.13 54	0.25 114	0.19 168	0.06 1	0.05 7	0.09 151	0.10 255	0.07 51	0.06 28

CrosDoStereo	0.31 317	0.10 36	0.49 272	0.18 12	0.12 96	0.22 124	1.11 466	0.34 119	0.37 224	0.38 310	0.61 384	0.28 188	0.46 384	0.61 321	0.57 386	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.07 85

OMP-Stereo	0.23 196	0.14 203	0.35 117	0.29 372	0.13 163	0.21 100	0.16 59	0.37 167	0.33 180	0.34 263	0.30 138	0.34 247	0.19 157	0.70 357	0.24 250	0.07 22	0.06 83	0.09 151	0.07 67	0.07 51	0.06 28

IIG-Stereo	0.23 196	0.13 164	0.35 117	0.29 372	0.12 96	0.23 143	0.14 21	0.38 172	0.31 160	0.34 263	0.37 218	0.33 240	0.21 173	0.70 357	0.26 272	0.08 119	0.06 83	0.09 151	0.07 67	0.07 51	0.06 28

FTStereo	0.28 290	0.10 36	0.43 226	0.23 215	0.13 163	0.21 100	0.53 431	0.34 119	0.26 95	0.38 310	0.95 427	0.30 213	0.56 405	0.32 196	0.18 143	0.08 119	0.06 83	0.09 151	0.08 136	0.07 51	0.19 382

DeepStereo_LL	0.31 317	0.10 36	0.49 272	0.18 12	0.12 96	0.22 124	1.11 466	0.34 119	0.37 224	0.38 310	0.61 384	0.28 188	0.46 384	0.61 321	0.57 386	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.07 85

THIR-Stereo	0.29 301	0.12 106	0.41 207	0.19 36	0.11 53	0.28 217	0.72 444	0.32 98	0.35 203	0.37 299	0.65 391	0.34 247	0.50 395	0.57 303	0.45 363	0.07 22	0.06 83	0.08 88	0.09 219	0.07 51	0.07 85

DRaft	0.24 222	0.10 36	0.34 107	0.18 12	0.12 96	0.28 217	0.23 276	0.33 112	0.39 247	0.38 310	0.61 384	0.21 95	0.41 361	0.48 257	0.42 355	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.08 142

GrayStereo	0.25 249	0.09 15	0.32 86	0.26 328	0.13 163	0.23 143	0.47 420	0.34 119	0.30 148	0.39 325	0.47 326	0.30 213	0.79 429	0.29 172	0.16 96	0.07 22	0.06 83	0.08 88	0.09 219	0.07 51	0.13 314

CroCo-Stereo	0.14 17	0.13 164	0.24 21	0.25 296	0.11 53	0.11 2	0.18 121	0.32 98	0.23 63	0.12 4	0.12 4	0.18 63	0.12 30	0.14 2	0.13 35	0.08 119	0.06 83	0.07 21	0.05 11	0.07 51	0.06 28
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
raft+_RVC	0.18 82	0.14 203	0.32 86	0.21 118	0.15 250	0.21 100	0.16 59	0.38 172	0.34 189	0.21 78	0.28 115	0.20 84	0.15 81	0.24 89	0.19 168	0.08 119	0.06 83	0.08 88	0.07 67	0.07 51	0.08 142

XX-TBD	0.15 36	0.18 286	0.28 51	0.22 172	0.10 28	0.22 124	0.15 37	0.22 8	0.27 105	0.22 83	0.26 105	0.14 33	0.12 30	0.16 10	0.13 35	0.08 119	0.05 7	0.06 1	0.04 1	0.07 51	0.06 28

XX-Stereo	0.21 151	0.10 36	0.83 389	0.26 328	0.17 295	0.23 143	0.13 9	0.40 191	0.18 11	0.20 69	0.41 259	0.31 224	0.10 10	0.32 196	0.12 11	0.08 119	0.06 83	0.08 88	0.08 136	0.07 51	0.05 1

111	0.20 134	0.17 272	0.40 184	0.18 12	0.09 10	0.24 162	0.17 86	0.41 203	0.45 309	0.23 86	0.29 126	0.29 197	0.21 173	0.24 89	0.18 143	0.07 22	0.05 7	0.07 21	0.06 33	0.07 51	0.08 142

test_xeample3	0.16 47	0.11 82	0.56 314	0.19 36	0.12 96	0.20 77	0.18 121	0.35 140	0.20 28	0.16 39	0.12 4	0.13 17	0.12 30	0.24 89	0.15 75	0.07 22	0.06 83	0.07 21	0.08 136	0.07 51	0.07 85

RAFT-Stereo + iAFF	0.17 61	0.14 203	0.32 86	0.20 79	0.09 10	0.19 53	0.17 86	0.32 98	0.30 148	0.25 108	0.33 179	0.20 84	0.17 120	0.19 41	0.15 75	0.06 1	0.05 7	0.07 21	0.07 67	0.07 51	0.05 1

AFF-stereo	0.18 82	0.15 233	0.32 86	0.21 118	0.10 28	0.18 30	0.18 121	0.33 112	0.27 105	0.25 108	0.37 218	0.25 143	0.17 120	0.24 89	0.15 75	0.06 1	0.05 7	0.08 88	0.08 136	0.07 51	0.05 1

CREStereo	0.13 6	0.08 3	0.21 8	0.14 1	0.08 3	0.22 124	0.15 37	0.25 27	0.24 75	0.16 39	0.21 69	0.14 33	0.13 54	0.18 30	0.13 35	0.09 191	0.05 7	0.06 1	0.04 1	0.07 51	0.06 28
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	0.15 36	0.08 3	0.23 16	0.15 2	0.09 10	0.23 143	0.16 59	0.25 27	0.23 63	0.17 48	0.21 69	0.16 50	0.14 69	0.22 74	0.13 35	0.29 425	0.05 7	0.06 1	0.04 1	0.07 51	0.06 28

DIP-Stereo	0.18 82	0.12 106	0.33 100	0.20 79	0.13 163	0.28 217	0.12 5	0.42 217	0.25 86	0.27 128	0.32 159	0.21 95	0.17 120	0.25 114	0.20 181	0.07 22	0.06 83	0.08 88	0.06 33	0.07 51	0.08 142
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.28 290	0.14 203	0.44 234	0.22 172	0.18 316	0.32 277	0.19 159	0.48 271	0.38 238	0.29 165	0.43 287	0.47 339	0.37 345	0.79 390	0.36 328	0.09 191	0.07 183	0.07 21	0.09 219	0.07 51	0.07 85

MLCV	0.22 179	0.16 256	0.44 234	0.21 118	0.08 3	0.29 237	0.19 159	0.38 172	0.37 224	0.38 310	0.44 298	0.31 224	0.21 173	0.41 237	0.24 250	0.07 22	0.05 7	0.06 1	0.05 11	0.07 51	0.06 28

WCG-NET	0.14 17	0.09 15	0.23 16	0.19 36	0.11 53	0.21 100	0.13 9	0.28 54	0.21 39	0.18 61	0.19 42	0.18 63	0.12 30	0.22 74	0.12 11	0.08 119	0.05 7	0.07 21	0.06 33	0.08 101	0.06 28

DispNO	0.27 271	0.18 286	0.62 339	0.23 215	0.17 295	0.25 175	0.22 253	0.45 243	0.41 272	0.32 233	0.39 243	0.38 278	0.27 259	0.77 386	0.27 276	0.09 191	0.07 183	0.10 220	0.10 255	0.08 101	0.08 142

tta	0.24 222	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.28 280	0.10 235	0.07 183	0.08 88	0.08 136	0.08 101	0.07 85

qqq1	0.24 222	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.16 96	0.10 235	0.07 183	0.07 21	0.06 33	0.08 101	0.07 85

fff1	0.24 222	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.16 96	0.10 235	0.07 183	0.07 21	0.06 33	0.08 101	0.07 85

MyStereo07	0.16 47	0.12 106	0.26 32	0.22 172	0.14 204	0.25 175	0.23 276	0.29 65	0.21 39	0.15 22	0.13 10	0.12 8	0.13 54	0.25 114	0.13 35	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

MyStereo06	0.20 134	0.12 106	0.57 317	0.21 118	0.14 204	0.25 175	0.23 276	0.40 191	0.21 39	0.30 194	0.24 90	0.31 224	0.18 143	0.22 74	0.18 143	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

MyStereo05	0.23 196	0.12 106	0.57 317	0.21 118	0.14 204	0.25 175	0.23 276	0.48 271	0.52 364	0.31 211	0.23 79	0.25 143	0.22 186	0.30 184	0.21 203	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

MyStereo04	0.23 196	0.12 106	0.55 310	0.22 172	0.14 204	0.25 175	0.23 276	0.49 279	0.52 364	0.28 138	0.23 79	0.27 173	0.23 197	0.30 184	0.22 221	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

CoDeX	0.23 196	0.12 106	0.46 251	0.21 118	0.14 204	0.29 237	0.21 230	0.53 328	0.41 272	0.29 165	0.35 199	0.29 197	0.22 186	0.48 257	0.19 168	0.09 191	0.06 83	0.08 88	0.07 67	0.08 101	0.07 85

cc1	0.18 82	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.35 140	0.47 328	0.17 48	0.19 42	0.13 17	0.18 143	0.28 157	0.11 1	0.08 119	0.05 7	0.08 88	0.06 33	0.08 101	0.08 142

ffm	0.22 179	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.35 140	0.44 298	0.30 194	0.42 275	0.34 247	0.23 197	0.27 145	0.11 1	0.08 119	0.05 7	0.11 272	0.10 255	0.08 101	0.08 142

ff1	0.29 301	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.35 140	0.44 298	0.30 194	0.42 275	0.34 247	0.23 197	0.81 397	1.08 430	0.08 119	0.05 7	0.11 272	0.10 255	0.08 101	0.08 142

tt1	0.18 82	0.14 203	0.35 117	0.23 215	0.11 53	0.30 254	0.19 159	0.35 140	0.44 298	0.17 48	0.19 42	0.13 17	0.16 95	0.27 145	0.11 1	0.08 119	0.05 7	0.08 88	0.06 33	0.08 101	0.08 142

UniTT-Stereo	0.14 17	0.10 36	0.30 67	0.21 118	0.13 163	0.17 22	0.13 9	0.19 3	0.18 11	0.15 22	0.20 58	0.10 2	0.11 18	0.18 30	0.16 96	0.08 119	0.06 83	0.07 21	0.06 33	0.08 101	0.06 28

MIM_Stereo	0.18 82	0.12 106	0.38 164	0.20 79	0.11 53	0.17 22	0.14 21	0.35 140	0.25 86	0.27 128	0.35 199	0.23 124	0.13 54	0.27 145	0.16 96	0.06 1	0.07 183	0.08 88	0.08 136	0.08 101	0.06 28

CASnet	0.14 17	0.12 106	0.22 13	0.22 172	0.08 3	0.16 14	0.15 37	0.27 40	0.25 86	0.22 83	0.20 58	0.15 41	0.11 18	0.17 17	0.13 35	0.07 22	0.05 7	0.11 272	0.09 219	0.08 101	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.18 82	0.18 286	0.39 177	0.22 172	0.12 96	0.24 162	0.13 9	0.31 89	0.23 63	0.24 100	0.20 58	0.24 136	0.12 30	0.26 129	0.15 75	0.06 1	0.06 83	0.12 308	0.09 219	0.08 101	0.07 85

4D-IteraStereo	0.17 61	0.16 256	0.50 282	0.21 118	0.14 204	0.19 53	0.17 86	0.28 54	0.28 119	0.23 86	0.20 58	0.20 84	0.11 18	0.19 41	0.14 59	0.06 1	0.04 1	0.10 220	0.08 136	0.08 101	0.06 28

anonymousdsp2	0.17 61	0.10 36	0.28 51	0.20 79	0.11 53	0.25 175	0.17 86	0.41 203	0.31 160	0.23 86	0.23 79	0.22 104	0.15 81	0.25 114	0.15 75	0.07 22	0.05 7	0.07 21	0.05 11	0.08 101	0.07 85

anonymousdsp	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.28 54	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.08 101	0.07 85

CES	0.14 17	0.08 3	0.19 3	0.17 6	0.22 371	0.18 30	0.16 59	0.23 16	0.19 16	0.14 18	0.17 30	0.14 33	0.10 10	0.18 30	0.12 11	0.07 22	0.05 7	0.06 1	0.04 1	0.08 101	0.18 374

Selective-RAFT	0.17 61	0.12 106	0.30 67	0.24 259	0.10 28	0.29 237	0.15 37	0.32 98	0.31 160	0.17 48	0.17 30	0.21 95	0.18 143	0.28 157	0.17 124	0.07 22	0.06 83	0.07 21	0.07 67	0.08 101	0.06 28

CroCo-Stereo Lap2	0.15 36	0.15 233	0.28 51	0.25 296	0.18 316	0.11 2	0.19 159	0.28 54	0.21 39	0.13 7	0.16 27	0.15 41	0.12 30	0.17 17	0.14 59	0.07 22	0.07 183	0.08 88	0.06 33	0.08 101	0.07 85

TestStereo1	0.21 151	0.16 256	0.32 86	0.26 328	0.13 163	0.26 193	0.27 329	0.40 191	0.36 215	0.29 165	0.39 243	0.22 104	0.21 173	0.33 202	0.17 124	0.07 22	0.06 83	0.09 151	0.08 136	0.08 101	0.07 85

raft_robust	0.22 179	0.17 272	0.30 67	0.22 172	0.12 96	0.23 143	0.22 253	0.49 279	0.48 337	0.32 233	0.32 159	0.26 164	0.23 197	0.53 282	0.15 75	0.07 22	0.06 83	0.08 88	0.10 255	0.08 101	0.06 28

RAFT_CTSACE	0.21 151	0.16 256	0.41 207	0.25 296	0.15 250	0.22 124	0.24 298	0.32 98	0.28 119	0.33 244	0.51 341	0.29 197	0.17 120	0.32 196	0.13 35	0.06 1	0.07 183	0.09 151	0.08 136	0.08 101	0.06 28

SA-5K	0.21 151	0.16 256	0.32 86	0.26 328	0.13 163	0.26 193	0.27 329	0.40 191	0.36 215	0.29 165	0.39 243	0.22 104	0.21 173	0.33 202	0.17 124	0.07 22	0.06 83	0.09 151	0.08 136	0.08 101	0.07 85

Sa-1000	0.22 179	0.15 233	0.35 117	0.23 215	0.13 163	0.28 217	0.23 276	0.47 260	0.39 247	0.30 194	0.50 335	0.26 164	0.19 157	0.33 202	0.16 96	0.07 22	0.06 83	0.10 220	0.11 292	0.08 101	0.06 28

SA	0.22 179	0.16 256	0.36 137	0.23 215	0.13 163	0.24 162	0.23 276	0.45 243	0.40 262	0.27 128	0.44 298	0.23 124	0.23 197	0.33 202	0.17 124	0.07 22	0.06 83	0.10 220	0.11 292	0.08 101	0.06 28

IGEV-Stereo	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.28 54	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.08 101	0.07 85
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CIPLG	0.21 151	0.21 327	0.55 310	0.23 215	0.15 250	0.25 175	0.20 201	0.35 140	0.29 137	0.31 211	0.33 179	0.22 104	0.15 81	0.26 129	0.20 181	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142

iRaft-Stereo_20w	0.19 120	0.10 36	0.46 251	0.19 36	0.13 163	0.25 175	0.19 159	0.52 317	0.19 16	0.29 165	0.21 69	0.22 104	0.20 166	0.28 157	0.18 143	0.07 22	0.06 83	0.07 21	0.08 136	0.08 101	0.08 142

IPLGR_C	0.21 151	0.22 339	0.60 328	0.23 215	0.15 250	0.24 162	0.20 201	0.35 140	0.29 137	0.31 211	0.32 159	0.22 104	0.15 81	0.25 114	0.20 181	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142

GMOStereo	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

error version	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

test-v	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

ACRE	0.21 151	0.20 314	0.62 339	0.23 215	0.15 250	0.24 162	0.20 201	0.35 140	0.28 119	0.31 211	0.32 159	0.22 104	0.15 81	0.25 114	0.20 181	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142

PFNet+	0.20 134	0.10 36	0.37 145	0.21 118	0.12 96	0.17 22	0.19 159	0.29 65	0.34 189	0.33 244	0.32 159	0.24 136	0.16 95	0.32 196	0.17 124	0.10 235	0.07 183	0.11 272	0.10 255	0.08 101	0.12 300

HHNet	0.22 179	0.12 106	0.52 297	0.18 12	0.18 316	0.20 77	0.20 201	0.34 119	0.31 160	0.32 233	0.59 373	0.20 84	0.21 173	0.24 89	0.31 302	0.08 119	0.05 7	0.09 151	0.07 67	0.08 101	0.11 278

AAGNet	0.33 332	0.11 82	0.37 145	0.25 296	0.16 275	0.20 77	0.19 159	0.30 81	0.27 105	0.35 279	0.35 199	0.27 173	0.30 297	0.44 245	2.66 467	0.08 119	0.05 7	0.10 220	0.07 67	0.08 101	0.06 28

NF-Stereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

OCTAStereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

PSM-softLoss	0.21 151	0.10 36	0.39 177	0.24 259	0.12 96	0.20 77	0.18 121	0.38 172	0.26 95	0.29 165	0.32 159	0.24 136	0.16 95	0.52 276	0.20 181	0.09 191	0.06 83	0.10 220	0.09 219	0.08 101	0.12 300

KMStereo	0.21 151	0.10 36	0.39 177	0.24 259	0.12 96	0.20 77	0.18 121	0.38 172	0.26 95	0.29 165	0.32 159	0.24 136	0.16 95	0.52 276	0.20 181	0.09 191	0.06 83	0.10 220	0.09 219	0.08 101	0.12 300

PSM-AAD	0.25 249	0.10 36	0.30 67	0.24 259	0.12 96	0.26 193	0.38 395	0.34 119	0.28 119	0.35 279	0.39 243	0.28 188	0.79 429	0.30 184	0.16 96	0.07 22	0.06 83	0.12 308	0.11 292	0.08 101	0.21 399

KYRaft	0.22 179	0.10 36	0.30 67	0.23 215	0.12 96	0.23 143	0.23 276	0.35 140	0.24 75	0.35 279	0.54 357	0.34 247	0.26 241	0.29 172	0.15 75	0.07 22	0.05 7	0.09 151	0.10 255	0.08 101	0.31 426

RAFT_R40	0.21 151	0.10 36	0.37 145	0.24 259	0.13 163	0.18 30	0.18 121	0.31 89	0.29 137	0.33 244	0.33 179	0.30 213	0.24 215	0.55 290	0.18 143	0.08 119	0.05 7	0.10 220	0.08 136	0.08 101	0.07 85

PFNet	0.23 196	0.10 36	0.57 317	0.24 259	0.14 204	0.22 124	0.19 159	0.39 184	0.33 180	0.35 279	0.32 159	0.27 173	0.19 157	0.64 336	0.22 221	0.09 191	0.05 7	0.09 151	0.07 67	0.08 101	0.07 85

RE-Stereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

Pruner-Stereo	0.19 120	0.11 82	0.34 107	0.29 372	0.12 96	0.19 53	0.17 86	0.31 89	0.29 137	0.33 244	0.32 159	0.25 143	0.15 81	0.24 89	0.21 203	0.09 191	0.06 83	0.09 151	0.08 136	0.08 101	0.09 196

TVStereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

IRAFT_RVC	0.22 179	0.12 106	0.39 177	0.26 328	0.11 53	0.18 30	0.24 298	0.40 191	0.37 224	0.31 211	0.30 138	0.29 197	0.24 215	0.55 290	0.22 221	0.08 119	0.06 83	0.10 220	0.08 136	0.08 101	0.07 85

test-2	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

GMM-Stereo	0.21 151	0.10 36	0.43 226	0.23 215	0.13 163	0.24 162	0.25 313	0.37 167	0.27 105	0.30 194	0.45 310	0.27 173	0.21 173	0.31 190	0.17 124	0.07 22	0.05 7	0.10 220	0.09 219	0.08 101	0.19 382

Prome-Stereo	0.21 151	0.10 36	0.30 67	0.24 259	0.12 96	0.23 143	0.23 276	0.36 158	0.25 86	0.33 244	0.59 373	0.24 136	0.28 273	0.29 172	0.16 96	0.07 22	0.05 7	0.08 88	0.07 67	0.08 101	0.20 392

iRaftStereo_RVC	0.16 47	0.12 106	0.26 32	0.21 118	0.11 53	0.20 77	0.17 86	0.32 98	0.23 63	0.20 69	0.25 97	0.18 63	0.12 30	0.20 48	0.15 75	0.07 22	0.05 7	0.09 151	0.09 219	0.08 101	0.07 85

delet	0.27 271	0.14 203	0.40 184	0.23 215	0.19 334	0.41 346	0.29 347	0.49 279	0.48 337	0.33 244	0.41 259	0.37 270	0.30 297	0.48 257	0.34 318	0.09 191	0.09 293	0.11 272	0.12 327	0.08 101	0.08 142

cf-r	0.24 222	0.15 233	0.44 234	0.21 118	0.14 204	0.27 202	0.22 253	0.42 217	0.40 262	0.30 194	0.42 275	0.42 314	0.26 241	0.43 241	0.25 259	0.11 268	0.06 83	0.08 88	0.10 255	0.08 101	0.08 142

HSM-Net_RVC	0.27 271	0.11 82	0.42 215	0.19 36	0.11 53	0.34 300	0.20 201	0.62 401	0.43 284	0.40 333	0.43 287	0.50 357	0.26 241	0.76 380	0.22 221	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
HSM	0.28 290	0.16 256	0.35 117	0.20 79	0.15 250	0.33 288	0.19 159	0.53 328	0.37 224	0.36 294	0.38 230	0.67 409	0.31 311	0.89 410	0.23 239	0.08 119	0.06 83	0.08 88	0.07 67	0.08 101	0.08 142

iResNet	0.24 222	0.18 286	0.61 331	0.25 296	0.11 53	0.29 237	0.21 230	0.42 217	0.43 284	0.33 244	0.43 287	0.27 173	0.22 186	0.34 208	0.26 272	0.07 22	0.05 7	0.07 21	0.06 33	0.08 101	0.07 85

rvit_stereo_0083	0.16 47	0.12 106	0.26 32	0.21 118	0.13 163	0.17 22	0.17 86	0.22 8	0.34 189	0.16 39	0.21 69	0.19 77	0.16 95	0.21 64	0.16 96	0.11 268	0.10 315	0.10 220	0.08 136	0.09 163	0.07 85

rvit_stereo_0081_aga	0.16 47	0.14 203	0.28 51	0.21 118	0.13 163	0.19 53	0.17 86	0.23 16	0.24 75	0.17 48	0.21 69	0.19 77	0.13 54	0.19 41	0.14 59	0.11 268	0.08 260	0.09 151	0.08 136	0.09 163	0.07 85

rvit_stereo_0081	0.16 47	0.11 82	0.24 21	0.21 118	0.12 96	0.16 14	0.17 86	0.22 8	0.33 180	0.16 39	0.18 37	0.18 63	0.14 69	0.20 48	0.16 96	0.11 268	0.08 260	0.09 151	0.08 136	0.09 163	0.07 85

rvit_stereo_0082	0.16 47	0.11 82	0.24 21	0.21 118	0.12 96	0.16 14	0.17 86	0.22 8	0.33 180	0.16 39	0.18 37	0.18 63	0.14 69	0.20 48	0.16 96	0.11 268	0.08 260	0.09 151	0.08 136	0.09 163	0.07 85

rvit_stereo_ft	0.17 61	0.14 203	0.30 67	0.25 296	0.14 204	0.17 22	0.21 230	0.28 54	0.26 95	0.16 39	0.19 42	0.20 84	0.16 95	0.22 74	0.17 124	0.11 268	0.07 183	0.09 151	0.09 219	0.09 163	0.07 85

test_sample2	0.21 151	0.10 36	0.28 51	0.19 36	0.11 53	0.27 202	0.21 230	0.43 228	0.29 137	0.26 119	0.31 152	0.30 213	0.24 215	0.45 248	0.18 143	0.09 191	0.07 183	0.08 88	0.07 67	0.09 163	0.09 196

test_sample1	0.20 134	0.10 36	0.28 51	0.19 36	0.12 96	0.28 217	0.19 159	0.41 203	0.25 86	0.26 119	0.31 152	0.29 197	0.26 241	0.44 245	0.21 203	0.09 191	0.07 183	0.08 88	0.07 67	0.09 163	0.09 196

H2IRNET	0.18 82	0.13 164	0.35 117	0.21 118	0.12 96	0.20 77	0.15 37	0.27 40	0.30 148	0.17 48	0.31 152	0.25 143	0.20 166	0.24 89	0.18 143	0.07 22	0.06 83	0.09 151	0.10 255	0.09 163	0.06 28

Former-RAFT_DAM_RVC	0.17 61	0.13 164	0.24 21	0.19 36	0.13 163	0.24 162	0.17 86	0.30 81	0.37 224	0.43 357	0.17 30	0.13 17	0.12 30	0.19 41	0.15 75	0.08 119	0.07 183	0.09 151	0.07 67	0.09 163	0.08 142

SMFormer	0.25 249	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.28 280	0.10 235	0.07 183	0.08 88	0.08 136	0.09 163	0.09 196

ACVNet-DCA	0.18 82	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.41 203	0.27 105	0.17 48	0.19 42	0.13 17	0.18 143	0.28 157	0.11 1	0.08 119	0.05 7	0.08 88	0.06 33	0.09 163	0.09 196

xx1	0.20 134	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.35 140	0.47 328	0.17 48	0.19 42	0.28 188	0.24 215	0.28 157	0.11 1	0.08 119	0.05 7	0.10 220	0.09 219	0.09 163	0.09 196

1test111	0.19 120	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.41 203	0.27 105	0.17 48	0.19 42	0.13 17	0.18 143	0.34 208	0.22 221	0.08 119	0.05 7	0.08 88	0.06 33	0.09 163	0.09 196

11t1	0.18 82	0.10 36	0.30 67	0.20 79	0.11 53	0.27 202	0.17 86	0.35 140	0.23 63	0.25 108	0.23 79	0.23 124	0.23 197	0.25 114	0.18 143	0.09 191	0.07 183	0.07 21	0.06 33	0.09 163	0.09 196

1111x	0.32 326	0.11 82	0.40 184	0.22 172	0.11 53	0.32 277	0.26 324	0.59 380	0.43 284	0.31 211	0.41 259	0.39 290	0.28 273	0.76 380	1.37 446	0.09 191	0.08 260	0.09 151	0.10 255	0.09 163	0.08 142

MIF-Stereo (partial)	0.16 47	0.10 36	0.34 107	0.21 118	0.15 250	0.15 6	0.13 9	0.28 54	0.25 86	0.17 48	0.26 105	0.15 41	0.16 95	0.25 114	0.17 124	0.09 191	0.06 83	0.10 220	0.08 136	0.09 163	0.08 142

EKT-Stereo	0.38 363	0.12 106	0.38 164	0.42 424	3.88 473	0.21 100	0.17 86	0.35 140	0.28 119	0.20 69	0.20 58	0.23 124	0.15 81	0.28 157	0.16 96	0.09 191	0.07 183	0.09 151	0.07 67	0.09 163	0.09 196

LL-Strereo	0.29 301	0.25 353	0.58 322	0.25 296	0.21 355	0.23 143	0.24 298	0.55 345	0.42 279	0.34 263	0.32 159	0.41 306	0.40 357	0.94 419	0.23 239	0.08 119	0.07 183	0.11 272	0.09 219	0.09 163	0.09 196

CBFPSM	0.27 271	0.16 256	0.67 352	0.20 79	0.14 204	0.38 330	0.25 313	0.40 191	0.36 215	0.33 244	0.36 209	0.56 375	0.38 349	0.32 196	0.38 331	0.08 119	0.08 260	0.07 21	0.08 136	0.09 163	0.11 278

gwcnet-sp	0.24 222	0.13 164	0.63 342	0.22 172	0.14 204	0.34 300	0.22 253	0.44 233	0.39 247	0.35 279	0.34 188	0.27 173	0.27 259	0.35 217	0.25 259	0.09 191	0.08 260	0.09 151	0.09 219	0.09 163	0.09 196

scenet	0.24 222	0.13 164	0.63 342	0.22 172	0.14 204	0.34 300	0.22 253	0.44 233	0.39 247	0.35 279	0.34 188	0.27 173	0.27 259	0.35 217	0.25 259	0.09 191	0.08 260	0.09 151	0.09 219	0.09 163	0.09 196

knoymous	0.17 61	0.09 15	0.32 86	0.17 6	0.11 53	0.21 100	0.17 86	0.32 98	0.23 63	0.23 86	0.28 115	0.27 173	0.16 95	0.23 83	0.16 96	0.09 191	0.06 83	0.09 151	0.06 33	0.09 163	0.09 196

ssnet	0.24 222	0.13 164	0.63 342	0.22 172	0.14 204	0.34 300	0.22 253	0.44 233	0.39 247	0.35 279	0.34 188	0.27 173	0.27 259	0.35 217	0.25 259	0.09 191	0.08 260	0.09 151	0.09 219	0.09 163	0.09 196

qqq	0.20 134	0.12 106	0.31 80	0.20 79	0.11 53	0.23 143	0.19 159	0.41 203	0.27 105	0.24 100	0.28 115	0.28 188	0.24 215	0.34 208	0.22 221	0.08 119	0.07 183	0.10 220	0.09 219	0.09 163	0.09 196

x	0.19 120	0.11 82	0.29 61	0.20 79	0.11 53	0.26 193	0.18 121	0.41 203	0.29 137	0.25 108	0.29 126	0.28 188	0.24 215	0.26 129	0.23 239	0.09 191	0.07 183	0.08 88	0.07 67	0.09 163	0.08 142

BUS	0.23 196	0.12 106	0.28 51	0.25 296	0.14 204	0.43 361	0.17 86	0.56 360	0.34 189	0.34 263	0.35 199	0.32 233	0.20 166	0.26 129	0.21 203	0.10 235	0.07 183	0.11 272	0.10 255	0.09 163	0.09 196

IER	0.23 196	0.12 106	0.39 177	0.20 79	0.14 204	0.31 269	0.19 159	0.42 217	0.36 215	0.33 244	0.40 251	0.32 233	0.33 321	0.29 172	0.22 221	0.09 191	0.07 183	0.08 88	0.08 136	0.09 163	0.08 142

RAFT+CT+SA	0.21 151	0.18 286	0.33 100	0.25 296	0.18 316	0.23 143	0.29 347	0.40 191	0.36 215	0.24 100	0.38 230	0.18 63	0.16 95	0.32 196	0.16 96	0.07 22	0.05 7	0.09 151	0.12 327	0.09 163	0.09 196

BSDual-CNN	0.23 196	0.12 106	0.28 51	0.25 296	0.14 204	0.35 313	0.21 230	0.56 360	0.34 189	0.34 263	0.35 199	0.38 278	0.24 215	0.26 129	0.21 203	0.10 235	0.07 183	0.11 272	0.10 255	0.09 163	0.09 196

hknet	0.25 249	0.14 203	0.40 184	0.25 296	0.15 250	0.35 313	0.21 230	0.56 360	0.37 224	0.34 263	0.35 199	0.43 317	0.27 259	0.37 224	0.21 203	0.09 191	0.07 183	0.11 272	0.10 255	0.09 163	0.09 196

iRaft-Stereo_5w	0.23 196	0.18 286	0.44 234	0.22 172	0.13 163	0.19 53	0.19 159	0.37 167	0.32 168	0.28 138	0.37 218	0.34 247	0.23 197	0.65 342	0.27 276	0.06 1	0.06 83	0.08 88	0.07 67	0.09 163	0.08 142

psmg	0.23 196	0.12 106	0.28 51	0.21 118	0.14 204	0.35 313	0.23 276	0.51 302	0.34 189	0.35 279	0.38 230	0.38 278	0.24 215	0.26 129	0.21 203	0.10 235	0.08 260	0.10 220	0.10 255	0.09 163	0.08 142

DAS	0.27 271	0.12 106	0.42 215	0.24 259	0.18 316	0.29 237	0.24 298	0.45 243	0.45 309	0.41 342	0.44 298	0.34 247	0.29 287	0.75 375	0.21 203	0.09 191	0.07 183	0.09 151	0.07 67	0.09 163	0.09 196

SepStereo	0.26 264	0.12 106	0.42 215	0.24 259	0.18 316	0.29 237	0.24 298	0.45 243	0.45 309	0.41 342	0.44 298	0.34 247	0.29 287	0.64 336	0.21 203	0.09 191	0.07 183	0.09 151	0.07 67	0.09 163	0.09 196

GwcNet-ADL	0.22 179	0.14 203	0.58 322	0.24 259	0.13 163	0.22 124	0.23 276	0.49 279	0.40 262	0.27 128	0.29 126	0.30 213	0.20 166	0.26 129	0.23 239	0.09 191	0.07 183	0.07 21	0.07 67	0.09 163	0.09 196

GANet-ADL	0.21 151	0.12 106	0.45 244	0.23 215	0.14 204	0.29 237	0.19 159	0.46 253	0.35 203	0.25 108	0.32 159	0.32 233	0.19 157	0.24 89	0.20 181	0.10 235	0.07 183	0.07 21	0.06 33	0.09 163	0.10 246

NRIStereo	0.18 82	0.11 82	0.35 117	0.23 215	0.11 53	0.24 162	0.20 201	0.29 65	0.26 95	0.26 119	0.25 97	0.25 143	0.18 143	0.34 208	0.18 143	0.07 22	0.06 83	0.09 151	0.07 67	0.09 163	0.08 142

SST-Stereo	0.21 151	0.10 36	0.37 145	0.24 259	0.13 163	0.19 53	0.17 86	0.31 89	0.24 75	0.34 263	0.33 179	0.29 197	0.25 232	0.56 300	0.17 124	0.08 119	0.05 7	0.10 220	0.08 136	0.09 163	0.07 85

DeepStereo_RVC	0.18 82	0.11 82	0.40 184	0.21 118	0.11 53	0.19 53	0.16 59	0.28 54	0.22 48	0.27 128	0.27 111	0.23 124	0.28 273	0.24 89	0.18 143	0.08 119	0.06 83	0.09 151	0.07 67	0.09 163	0.10 246

ICVP	0.23 196	0.13 164	0.44 234	0.26 328	0.14 204	0.29 237	0.25 313	0.45 243	0.33 180	0.29 165	0.43 287	0.35 261	0.25 232	0.26 129	0.23 239	0.12 304	0.09 293	0.09 151	0.08 136	0.09 163	0.10 246
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
rafts_anoy	0.18 82	0.15 233	0.35 117	0.22 172	0.14 204	0.19 53	0.17 86	0.32 98	0.30 148	0.23 86	0.25 97	0.20 84	0.16 95	0.22 74	0.19 168	0.08 119	0.07 183	0.10 220	0.12 327	0.09 163	0.08 142

RALCasStereoNet	0.18 82	0.15 233	0.33 100	0.21 118	0.14 204	0.21 100	0.18 121	0.31 89	0.25 86	0.21 78	0.29 126	0.22 104	0.15 81	0.27 145	0.17 124	0.08 119	0.10 315	0.07 21	0.06 33	0.09 163	0.09 196

RALAANet	0.19 120	0.18 286	0.37 145	0.23 215	0.14 204	0.23 143	0.13 9	0.37 167	0.29 137	0.28 138	0.26 105	0.25 143	0.15 81	0.26 129	0.18 143	0.08 119	0.06 83	0.09 151	0.08 136	0.09 163	0.06 28

sCroCo_RVC	0.18 82	0.14 203	0.49 272	0.27 352	0.18 316	0.22 124	0.17 86	0.27 40	0.23 63	0.14 18	0.22 76	0.17 55	0.14 69	0.21 64	0.15 75	0.10 235	0.11 336	0.09 151	0.09 219	0.09 163	0.09 196

222	0.41 376	0.10 36	0.29 61	0.19 36	0.11 53	0.36 318	0.20 201	0.57 368	0.39 247	0.35 279	0.44 298	0.30 213	0.27 259	0.55 290	3.56 470	0.11 268	0.07 183	0.08 88	0.08 136	0.09 163	0.09 196

xxxx	0.34 339	0.10 36	0.29 61	0.19 36	0.11 53	0.37 323	0.20 201	0.58 375	0.38 238	0.29 165	0.42 275	0.38 278	0.24 215	0.46 251	2.20 463	0.11 268	0.07 183	0.09 151	0.08 136	0.09 163	0.09 196

test_xeample	0.34 339	0.10 36	0.29 61	0.19 36	0.11 53	0.33 288	0.23 276	0.55 345	0.38 238	0.32 233	0.45 310	0.29 197	0.26 241	0.57 303	2.24 465	0.10 235	0.07 183	0.09 151	0.08 136	0.09 163	0.09 196

ARAFT	0.24 222	0.21 327	0.78 374	0.22 172	0.12 96	0.29 237	0.24 298	0.43 228	0.32 168	0.33 244	0.28 115	0.28 188	0.19 157	0.49 262	0.18 143	0.07 22	0.06 83	0.12 308	0.11 292	0.09 163	0.06 28

SFCPSM	0.22 179	0.10 36	0.51 293	0.21 118	0.14 204	0.34 300	0.22 253	0.55 345	0.39 247	0.29 165	0.32 159	0.23 124	0.21 173	0.27 145	0.19 168	0.09 191	0.07 183	0.09 151	0.09 219	0.09 163	0.08 142

FENet	0.21 151	0.11 82	0.45 244	0.21 118	0.12 96	0.26 193	0.17 86	0.41 203	0.35 203	0.30 194	0.31 152	0.29 197	0.23 197	0.26 129	0.23 239	0.09 191	0.06 83	0.09 151	0.09 219	0.09 163	0.09 196

ac_64	0.27 271	0.13 164	0.41 207	0.24 259	0.17 295	0.36 318	0.22 253	0.46 253	0.33 180	0.35 279	0.36 209	0.52 365	0.30 297	0.62 329	0.32 307	0.11 268	0.09 293	0.10 220	0.10 255	0.09 163	0.08 142

GwcNet-RSSM	0.26 264	0.17 272	0.46 251	0.21 118	0.13 163	0.28 217	0.23 276	0.44 233	0.42 279	0.31 211	0.45 310	0.40 303	0.26 241	0.55 290	0.28 280	0.11 268	0.07 183	0.09 151	0.10 255	0.09 163	0.08 142

AANet_RVC	0.31 317	0.22 339	0.50 282	0.23 215	0.14 204	0.30 254	0.24 298	0.47 260	0.54 372	0.38 310	0.60 378	0.43 317	0.29 287	0.87 406	0.40 346	0.11 268	0.07 183	0.07 21	0.07 67	0.09 163	0.09 196

HITNet	0.20 134	0.17 272	0.43 226	0.19 36	0.08 3	0.27 202	0.14 21	0.42 217	0.30 148	0.29 165	0.32 159	0.27 173	0.21 173	0.28 157	0.25 259	0.07 22	0.05 7	0.07 21	0.06 33	0.09 163	0.06 28
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
iResNet_ROB	0.25 249	0.19 302	0.40 184	0.20 79	0.12 96	0.30 254	0.16 59	0.55 345	0.53 368	0.38 310	0.43 287	0.37 270	0.26 241	0.38 228	0.22 221	0.08 119	0.06 83	0.06 1	0.04 1	0.09 163	0.09 196

rvit_0105_5	0.21 151	0.15 233	0.38 164	0.23 215	0.13 163	0.22 124	0.24 298	0.36 158	0.39 247	0.21 78	0.23 79	0.26 164	0.19 157	0.26 129	0.19 168	0.15 356	0.13 364	0.12 308	0.12 327	0.10 218	0.09 196

rvit_0105_3	0.23 196	0.17 272	0.40 184	0.25 296	0.15 250	0.24 162	0.28 342	0.38 172	0.41 272	0.25 108	0.25 97	0.28 188	0.21 173	0.28 157	0.20 181	0.15 356	0.13 364	0.14 350	0.15 369	0.10 218	0.09 196

UGAM	0.26 264	0.14 203	0.45 244	0.25 296	0.12 96	0.23 143	0.25 313	0.32 98	0.41 272	0.31 211	0.42 275	0.41 306	0.22 186	0.92 415	0.22 221	0.08 119	0.06 83	0.14 350	0.12 327	0.10 218	0.07 85

ACV-stereo	0.29 301	0.18 286	0.79 380	0.23 215	0.16 275	0.47 376	0.19 159	0.36 158	0.34 189	0.29 165	0.33 179	0.67 409	0.42 369	0.54 288	0.30 296	0.10 235	0.09 293	0.09 151	0.09 219	0.10 218	0.11 278

rvit_stereo_0080	0.15 36	0.13 164	0.25 27	0.19 36	0.13 163	0.15 6	0.20 201	0.28 54	0.24 75	0.15 22	0.17 30	0.19 77	0.13 54	0.19 41	0.15 75	0.11 268	0.08 260	0.08 88	0.08 136	0.10 218	0.07 85

test_sample3	0.23 196	0.12 106	0.43 226	0.19 36	0.12 96	0.32 277	0.20 201	0.50 287	0.34 189	0.31 211	0.33 179	0.29 197	0.22 186	0.53 282	0.22 221	0.10 235	0.07 183	0.09 151	0.08 136	0.10 218	0.10 246

CAS++	0.16 47	0.12 106	0.27 40	0.18 12	0.12 96	0.17 22	0.15 37	0.42 217	0.24 75	0.19 66	0.18 37	0.13 17	0.10 10	0.21 64	0.12 11	0.12 304	0.10 315	0.11 272	0.08 136	0.10 218	0.09 196
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MGS-Stereo	0.14 17	0.11 82	0.32 86	0.19 36	0.11 53	0.18 30	0.17 86	0.20 4	0.22 48	0.14 18	0.24 90	0.15 41	0.10 10	0.18 30	0.12 11	0.07 22	0.06 83	0.07 21	0.06 33	0.10 218	0.06 28

MyStereo8	0.22 179	0.15 233	0.63 342	0.21 118	0.17 295	0.31 269	0.16 59	0.36 158	0.32 168	0.28 138	0.36 209	0.25 143	0.18 143	0.25 114	0.28 280	0.08 119	0.07 183	0.08 88	0.07 67	0.10 218	0.12 300

mmm	0.21 151	0.12 106	0.31 80	0.22 172	0.12 96	0.28 217	0.21 230	0.41 203	0.27 105	0.29 165	0.38 230	0.29 197	0.24 215	0.29 172	0.22 221	0.09 191	0.07 183	0.11 272	0.09 219	0.10 218	0.09 196

whm_eth	0.15 36	0.13 164	0.25 27	0.19 36	0.13 163	0.15 6	0.20 201	0.28 54	0.24 75	0.15 22	0.17 30	0.19 77	0.13 54	0.19 41	0.15 75	0.11 268	0.08 260	0.08 88	0.08 136	0.10 218	0.07 85

plain	0.17 61	0.13 164	0.43 226	0.21 118	0.13 163	0.16 14	0.17 86	0.27 40	0.22 48	0.16 39	0.26 105	0.13 17	0.16 95	0.27 145	0.16 96	0.08 119	0.06 83	0.10 220	0.07 67	0.10 218	0.07 85

StereoVision	0.22 179	0.18 286	0.37 145	0.27 352	0.17 295	0.23 143	0.22 253	0.38 172	0.31 160	0.20 69	0.51 341	0.22 104	0.16 95	0.28 157	0.18 143	0.11 268	0.12 353	0.13 328	0.13 350	0.10 218	0.07 85

riskmin	0.18 82	0.09 15	0.34 107	0.18 12	0.12 96	0.24 162	0.16 59	0.34 119	0.28 119	0.21 78	0.23 79	0.33 240	0.24 215	0.23 83	0.17 124	0.09 191	0.06 83	0.09 151	0.06 33	0.10 218	0.10 246

CRFU-Net	0.28 290	0.14 203	0.45 244	0.25 296	0.15 250	0.45 368	0.23 276	0.50 287	0.30 148	0.43 357	0.41 259	0.48 346	0.46 384	0.43 241	0.29 290	0.11 268	0.10 315	0.09 151	0.08 136	0.10 218	0.10 246

test_5	0.23 196	0.19 302	0.38 164	0.26 328	0.18 316	0.25 175	0.29 347	0.40 191	0.37 224	0.29 165	0.40 251	0.25 143	0.22 186	0.34 208	0.18 143	0.07 22	0.05 7	0.09 151	0.09 219	0.10 218	0.10 246

CSP-Net	0.27 271	0.15 233	0.30 67	0.21 118	0.14 204	0.44 363	0.24 298	0.50 287	0.40 262	0.41 342	0.43 287	0.42 314	0.26 241	0.66 347	0.28 280	0.12 304	0.08 260	0.08 88	0.08 136	0.10 218	0.09 196

PSMNet-ADL	0.25 249	0.15 233	0.32 86	0.26 328	0.14 204	0.31 269	0.22 253	0.44 233	0.36 215	0.27 128	0.33 179	0.41 306	0.28 273	0.61 321	0.29 290	0.11 268	0.09 293	0.09 151	0.11 292	0.10 218	0.10 246

Patchmatch Stereo++	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.26 129	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.16 59	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.18 143	0.24 89	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

ROB_FTStereo_v2	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.16 59	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.24 89	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

ROB_FTStereo	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.28 115	0.25 143	0.17 120	0.24 89	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

HUI-Stereo	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.28 115	0.25 143	0.17 120	0.22 74	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

iGMRVC	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.15 37	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.27 145	0.17 124	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

iRAFT	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.26 129	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

CRE-IMP	0.18 82	0.12 106	0.37 145	0.22 172	0.11 53	0.24 162	0.17 86	0.29 65	0.21 39	0.27 128	0.26 105	0.24 136	0.17 120	0.23 83	0.18 143	0.08 119	0.05 7	0.10 220	0.07 67	0.10 218	0.10 246

RAFT	0.21 151	0.17 272	0.32 86	0.24 259	0.12 96	0.25 175	0.27 329	0.35 140	0.28 119	0.33 244	0.33 179	0.38 278	0.22 186	0.29 172	0.17 124	0.08 119	0.08 260	0.11 272	0.10 255	0.10 218	0.06 28

RAFT-IKP	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.15 37	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.18 143	0.25 114	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

GES	0.22 179	0.12 106	0.42 215	0.20 79	0.14 204	0.27 202	0.19 159	0.49 279	0.33 180	0.30 194	0.36 209	0.25 143	0.23 197	0.29 172	0.22 221	0.10 235	0.08 260	0.08 88	0.07 67	0.10 218	0.11 278

HCRNet	0.24 222	0.25 353	0.33 100	0.34 400	0.16 275	0.27 202	0.18 121	0.43 228	0.35 203	0.30 194	0.35 199	0.32 233	0.22 186	0.44 245	0.20 181	0.13 321	0.08 260	0.13 328	0.11 292	0.10 218	0.09 196

GMStereo	0.19 120	0.25 353	0.40 184	0.21 118	0.12 96	0.22 124	0.19 159	0.29 65	0.40 262	0.25 108	0.23 79	0.16 50	0.15 81	0.25 114	0.19 168	0.09 191	0.06 83	0.08 88	0.08 136	0.10 218	0.08 142
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MMNet	0.27 271	0.14 203	0.49 272	0.24 259	0.17 295	0.47 376	0.22 253	0.45 243	0.51 357	0.39 325	0.41 259	0.36 266	0.33 321	0.39 230	0.34 318	0.08 119	0.07 183	0.09 151	0.09 219	0.10 218	0.08 142

psm_up	0.29 301	0.16 256	0.41 207	0.26 328	0.17 295	0.32 277	0.26 324	0.55 345	0.43 284	0.36 294	0.40 251	0.45 331	0.37 345	0.58 309	0.30 296	0.11 268	0.12 353	0.13 328	0.12 327	0.10 218	0.10 246

UNet	0.28 290	0.14 203	0.69 358	0.23 215	0.20 348	0.44 363	0.22 253	0.50 287	0.40 262	0.34 263	0.39 243	0.43 317	0.33 321	0.40 235	0.31 302	0.09 191	0.07 183	0.10 220	0.08 136	0.10 218	0.08 142

UPFNet	0.25 249	0.12 106	0.38 164	0.24 259	0.19 334	0.37 323	0.28 342	0.48 271	0.38 238	0.34 263	0.37 218	0.37 270	0.28 273	0.39 230	0.33 314	0.10 235	0.09 293	0.10 220	0.10 255	0.10 218	0.08 142

ACVNet	0.23 196	0.13 164	0.35 117	0.18 12	0.15 250	0.27 202	0.23 276	0.39 184	0.44 298	0.28 138	0.41 259	0.38 278	0.26 241	0.27 145	0.32 307	0.08 119	0.07 183	0.08 88	0.07 67	0.10 218	0.07 85

HGLStereo	0.27 271	0.14 203	0.46 251	0.24 259	0.21 355	0.33 288	0.23 276	0.50 287	0.42 279	0.35 279	0.48 332	0.41 306	0.33 321	0.45 248	0.33 314	0.11 268	0.10 315	0.09 151	0.09 219	0.10 218	0.12 300

GANet-RSSM	0.24 222	0.14 203	0.36 137	0.21 118	0.14 204	0.27 202	0.21 230	0.45 243	0.33 180	0.29 165	0.39 243	0.39 290	0.28 273	0.58 309	0.23 239	0.11 268	0.07 183	0.09 151	0.09 219	0.10 218	0.09 196

PSMNet-RSSM	0.24 222	0.15 233	0.36 137	0.21 118	0.14 204	0.25 175	0.20 201	0.48 271	0.37 224	0.30 194	0.44 298	0.38 278	0.26 241	0.52 276	0.22 221	0.12 304	0.07 183	0.11 272	0.13 350	0.10 218	0.09 196

DMCA	0.22 179	0.14 203	0.36 137	0.22 172	0.14 204	0.27 202	0.20 201	0.43 228	0.38 238	0.31 211	0.32 159	0.33 240	0.24 215	0.24 89	0.28 280	0.11 268	0.08 260	0.10 220	0.08 136	0.10 218	0.11 278

BEATNet_4x	0.22 179	0.18 286	0.47 259	0.22 172	0.10 28	0.28 217	0.14 21	0.46 253	0.32 168	0.31 211	0.34 188	0.31 224	0.25 232	0.31 190	0.29 290	0.08 119	0.06 83	0.08 88	0.06 33	0.10 218	0.08 142

NLCA_NET_v2_RVC	0.27 271	0.21 327	0.59 326	0.25 296	0.18 316	0.29 237	0.22 253	0.50 287	0.40 262	0.38 310	0.41 259	0.43 317	0.27 259	0.43 241	0.29 290	0.11 268	0.08 260	0.10 220	0.10 255	0.10 218	0.11 278
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.27 271	0.17 272	0.35 117	0.25 296	0.14 204	0.37 323	0.21 230	0.47 260	0.41 272	0.44 363	0.51 341	0.41 306	0.28 273	0.45 248	0.37 329	0.09 191	0.06 83	0.11 272	0.11 292	0.10 218	0.10 246
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
DLCB_ROB	0.28 290	0.16 256	0.34 107	0.27 352	0.16 275	0.38 330	0.25 313	0.48 271	0.43 284	0.46 370	0.46 319	0.51 361	0.33 321	0.53 282	0.33 314	0.10 235	0.10 315	0.11 272	0.11 292	0.10 218	0.09 196

pmcnn	0.50 402	0.20 314	0.78 374	0.24 259	0.26 400	0.39 338	0.30 357	0.51 302	0.50 354	0.54 400	1.23 439	2.52 463	0.37 345	0.77 386	0.95 424	0.08 119	0.06 83	0.06 1	0.05 11	0.10 218	0.08 142

rvit_0105_6	0.19 120	0.14 203	0.34 107	0.23 215	0.14 204	0.18 30	0.20 201	0.29 65	0.37 224	0.18 61	0.22 76	0.23 124	0.17 120	0.26 129	0.17 124	0.15 356	0.13 364	0.13 328	0.11 292	0.11 263	0.08 142

rvit_0105_4	0.20 134	0.15 233	0.38 164	0.23 215	0.14 204	0.20 77	0.22 253	0.33 112	0.39 247	0.19 66	0.24 90	0.25 143	0.19 157	0.27 145	0.17 124	0.16 371	0.13 364	0.13 328	0.11 292	0.11 263	0.08 142

rvit_105_1	0.27 271	0.19 302	0.46 251	0.27 352	0.19 334	0.30 254	0.35 381	0.44 233	0.51 357	0.31 211	0.31 152	0.31 224	0.26 241	0.35 217	0.25 259	0.15 356	0.14 372	0.15 364	0.17 389	0.11 263	0.10 246

ITSA-stereo	0.25 249	0.15 233	0.33 100	0.23 215	0.11 53	0.27 202	0.18 121	0.56 360	0.59 386	0.31 211	0.32 159	0.33 240	0.28 273	0.49 262	0.30 296	0.11 268	0.08 260	0.11 272	0.10 255	0.11 263	0.13 314

AIO-Stereo-zeroshot	0.23 196	0.13 164	0.83 389	0.20 79	0.21 355	0.23 143	0.17 86	0.48 271	0.27 105	0.23 86	0.29 126	0.39 290	0.23 197	0.25 114	0.15 75	0.08 119	0.06 83	0.08 88	0.11 292	0.11 263	0.10 246

IGEV-BASED-STEREO-	0.20 134	0.72 441	0.70 364	0.17 6	0.08 3	0.15 6	0.15 37	0.18 2	0.16 4	0.13 7	0.12 4	0.09 1	0.08 1	0.16 10	0.13 35	0.35 432	0.04 1	0.08 88	0.07 67	0.11 263	0.23 410

test_sample6	0.25 249	0.13 164	0.41 207	0.21 118	0.11 53	0.30 254	0.22 253	0.51 302	0.35 203	0.33 244	0.43 287	0.30 213	0.24 215	0.57 303	0.22 221	0.10 235	0.07 183	0.10 220	0.10 255	0.11 263	0.10 246

test_sample5	0.24 222	0.13 164	0.42 215	0.21 118	0.12 96	0.30 254	0.21 230	0.50 287	0.34 189	0.32 233	0.41 259	0.29 197	0.23 197	0.55 290	0.21 203	0.10 235	0.07 183	0.10 220	0.09 219	0.11 263	0.10 246

test_sample4	0.24 222	0.13 164	0.43 226	0.20 79	0.12 96	0.32 277	0.21 230	0.51 302	0.34 189	0.31 211	0.37 218	0.28 188	0.23 197	0.53 282	0.21 203	0.10 235	0.07 183	0.10 220	0.09 219	0.11 263	0.10 246

DualNet	0.24 222	0.13 164	0.42 215	0.21 118	0.12 96	0.30 254	0.21 230	0.50 287	0.34 189	0.33 244	0.43 287	0.29 197	0.23 197	0.55 290	0.21 203	0.10 235	0.07 183	0.10 220	0.09 219	0.11 263	0.10 246

mmx	0.31 317	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.55 345	0.45 309	0.30 194	0.42 275	0.34 247	0.23 197	0.81 397	1.08 430	0.10 235	0.07 183	0.11 272	0.10 255	0.11 263	0.10 246

ttt	0.29 301	0.12 106	0.34 107	0.21 118	0.13 163	0.29 237	0.20 201	0.56 360	0.47 328	0.31 211	0.44 298	0.30 213	0.22 186	0.65 342	0.85 418	0.13 321	0.10 315	0.10 220	0.10 255	0.11 263	0.11 278

xxx	0.31 317	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.55 345	0.45 309	0.30 194	0.42 275	0.34 247	0.23 197	0.81 397	1.08 430	0.10 235	0.07 183	0.11 272	0.10 255	0.11 263	0.10 246

PCWNet_CMD	0.23 196	0.13 164	0.48 267	0.20 79	0.13 163	0.28 217	0.16 59	0.46 253	0.46 323	0.29 165	0.36 209	0.37 270	0.24 215	0.28 157	0.20 181	0.09 191	0.06 83	0.10 220	0.08 136	0.11 263	0.09 196

CASS	0.21 151	0.15 233	0.32 86	0.26 328	0.11 53	0.28 217	0.19 159	0.39 184	0.30 148	0.32 233	0.34 188	0.25 143	0.24 215	0.25 114	0.20 181	0.13 321	0.08 260	0.11 272	0.09 219	0.11 263	0.11 278
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ToySt	0.24 222	0.16 256	0.48 267	0.21 118	0.13 163	0.29 237	0.29 347	0.39 184	0.39 247	0.27 128	0.35 199	0.39 290	0.31 311	0.31 190	0.29 290	0.08 119	0.09 293	0.10 220	0.11 292	0.11 263	0.10 246

ssnet_v2	0.28 290	0.16 256	0.44 234	0.22 172	0.15 250	0.40 343	0.30 357	0.57 368	0.46 323	0.38 310	0.36 209	0.47 339	0.29 287	0.38 228	0.39 339	0.13 321	0.11 336	0.11 272	0.11 292	0.11 263	0.11 278

Wz-Net-LNSev-Ref	0.30 310	0.20 314	0.70 364	0.21 118	0.17 295	0.46 370	0.27 329	0.50 287	0.49 346	0.42 351	0.55 361	0.43 317	0.30 297	0.46 251	0.38 331	0.09 191	0.06 83	0.07 21	0.06 33	0.11 263	0.10 246

NINENet	0.25 249	0.15 233	0.37 145	0.23 215	0.16 275	0.43 361	0.17 86	0.60 388	0.46 323	0.32 233	0.37 218	0.32 233	0.20 166	0.42 239	0.21 203	0.10 235	0.10 315	0.12 308	0.08 136	0.11 263	0.10 246

dd	0.22 179	0.26 364	0.40 184	0.22 172	0.12 96	0.25 175	0.21 230	0.32 98	0.44 298	0.29 165	0.28 115	0.25 143	0.16 95	0.30 184	0.25 259	0.12 304	0.07 183	0.10 220	0.08 136	0.11 263	0.09 196

GEStereo_RVC	0.27 271	0.20 314	0.44 234	0.27 352	0.16 275	0.33 288	0.25 313	0.56 360	0.54 372	0.34 263	0.38 230	0.34 247	0.25 232	0.51 270	0.28 280	0.12 304	0.08 260	0.09 151	0.08 136	0.11 263	0.11 278

Anonymous3	0.23 196	0.18 286	0.63 342	0.27 352	0.18 316	0.41 346	0.23 276	0.43 228	0.35 203	0.23 86	0.27 111	0.20 84	0.18 143	0.27 145	0.18 143	0.12 304	0.11 336	0.10 220	0.10 255	0.11 263	0.12 300

TestStereo	0.21 151	0.19 302	0.40 184	0.25 296	0.10 28	0.22 124	0.21 230	0.31 89	0.31 160	0.23 86	0.34 188	0.22 104	0.18 143	0.62 329	0.18 143	0.08 119	0.06 83	0.10 220	0.07 67	0.11 263	0.06 28

CFNet_pseudo	0.23 196	0.13 164	0.47 259	0.19 36	0.13 163	0.26 193	0.16 59	0.44 233	0.44 298	0.29 165	0.37 218	0.38 278	0.23 197	0.29 172	0.21 203	0.09 191	0.06 83	0.11 272	0.08 136	0.11 263	0.09 196

ADLNet	0.28 290	0.15 233	0.42 215	0.23 215	0.19 334	0.34 300	0.23 276	0.53 328	0.43 284	0.42 351	0.41 259	0.44 327	0.27 259	0.55 290	0.35 322	0.11 268	0.08 260	0.11 272	0.11 292	0.11 263	0.12 300

RAFT + AFF	0.27 271	0.23 346	0.50 282	0.25 296	0.17 295	0.30 254	0.33 376	0.52 317	0.40 262	0.28 138	0.30 138	0.30 213	0.31 311	0.62 329	0.24 250	0.09 191	0.10 315	0.11 272	0.10 255	0.11 263	0.11 278

acv_ft	0.25 249	0.13 164	0.40 184	0.23 215	0.19 334	0.34 300	0.21 230	0.45 243	0.44 298	0.38 310	0.41 259	0.38 278	0.27 259	0.27 145	0.35 322	0.08 119	0.07 183	0.08 88	0.07 67	0.11 263	0.07 85

DSFCA	0.27 271	0.13 164	0.36 137	0.20 79	0.17 295	0.38 330	0.31 361	0.47 260	0.43 284	0.43 357	0.37 218	0.39 290	0.29 287	0.52 276	0.32 307	0.12 304	0.10 315	0.10 220	0.11 292	0.11 263	0.10 246

ADCRef	0.38 363	0.24 349	0.88 401	0.26 328	0.21 355	0.49 384	0.27 329	0.52 317	0.48 337	0.50 382	0.58 371	0.35 261	0.47 387	0.48 257	1.29 445	0.09 191	0.08 260	0.12 308	0.12 327	0.11 263	0.11 278

MSMDNet	0.23 196	0.13 164	0.48 267	0.20 79	0.13 163	0.28 217	0.16 59	0.46 253	0.46 323	0.29 165	0.36 209	0.37 270	0.24 215	0.28 157	0.20 181	0.09 191	0.06 83	0.09 151	0.08 136	0.11 263	0.09 196

CFNet	0.27 271	0.20 314	0.44 234	0.22 172	0.14 204	0.33 288	0.14 21	0.51 302	0.45 309	0.30 194	0.40 251	0.38 278	0.27 259	0.76 380	0.25 259	0.09 191	0.07 183	0.11 272	0.11 292	0.11 263	0.08 142

ccs_rob	0.23 196	0.13 164	0.47 259	0.20 79	0.13 163	0.26 193	0.17 86	0.44 233	0.44 298	0.29 165	0.37 218	0.38 278	0.23 197	0.29 172	0.21 203	0.09 191	0.06 83	0.11 272	0.08 136	0.11 263	0.09 196

AdaStereo	0.24 222	0.16 256	0.37 145	0.24 259	0.12 96	0.32 277	0.17 86	0.54 335	0.42 279	0.33 244	0.38 230	0.35 261	0.21 173	0.30 184	0.22 221	0.14 344	0.06 83	0.13 328	0.08 136	0.11 263	0.08 142
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.
NaN_ROB	0.41 376	0.28 374	0.62 339	0.30 380	0.19 334	0.51 389	0.47 420	0.58 375	0.59 386	0.56 402	0.47 326	0.49 351	0.41 361	1.21 441	0.64 401	0.12 304	0.18 404	0.12 308	0.13 350	0.11 263	0.14 332

LE_ROB	1.76 462	0.20 314	2.68 463	0.48 431	0.52 438	0.78 429	0.96 459	0.84 441	6.61 475	7.40 477	2.08 463	2.08 455	4.83 471	1.27 445	3.79 471	0.10 235	0.08 260	0.12 308	0.11 292	0.11 263	0.10 246

DN-CSS_ROB	0.22 179	0.25 353	0.47 259	0.24 259	0.14 204	0.25 175	0.12 5	0.40 191	0.33 180	0.29 165	0.42 275	0.22 104	0.20 166	0.33 202	0.19 168	0.07 22	0.06 83	0.11 272	0.11 292	0.11 263	0.07 85

DCVSM-stereo	0.24 222	0.13 164	0.52 297	0.20 79	0.14 204	0.26 193	0.13 9	0.34 119	0.34 189	0.41 342	0.33 179	0.47 339	0.29 287	0.30 184	0.22 221	0.10 235	0.10 315	0.11 272	0.10 255	0.12 299	0.15 342

AIO-Stereo-zeroshot1	0.25 249	0.14 203	0.95 413	0.21 118	0.27 402	0.20 77	0.19 159	0.48 271	0.25 86	0.26 119	0.55 361	0.34 247	0.18 143	0.25 114	0.17 124	0.07 22	0.06 83	0.08 88	0.12 327	0.12 299	0.12 300

CFNet_ucs	0.24 222	0.13 164	0.50 282	0.20 79	0.15 250	0.28 217	0.17 86	0.49 279	0.45 309	0.32 233	0.42 275	0.39 290	0.22 186	0.31 190	0.21 203	0.11 268	0.08 260	0.12 308	0.09 219	0.12 299	0.11 278

fast-acv-ft	0.31 317	0.20 314	0.81 385	0.24 259	0.18 316	0.46 370	0.27 329	0.41 203	0.49 346	0.39 325	0.55 361	0.49 351	0.35 333	0.37 224	0.38 331	0.11 268	0.11 336	0.11 272	0.12 327	0.12 299	0.09 196

ADLNet2	0.30 310	0.17 272	0.72 368	0.23 215	0.17 295	0.36 318	0.24 298	0.52 317	0.51 357	0.32 233	0.38 230	0.45 331	0.30 297	0.69 354	0.35 322	0.10 235	0.08 260	0.09 151	0.09 219	0.12 299	0.10 246

CFNet-ft	0.24 222	0.15 233	0.35 117	0.18 12	0.15 250	0.30 254	0.21 230	0.39 184	0.36 215	0.28 138	0.40 251	0.43 317	0.25 232	0.47 255	0.24 250	0.12 304	0.07 183	0.12 308	0.11 292	0.12 299	0.09 196

STTStereo	0.28 290	0.20 314	0.61 331	0.25 296	0.17 295	0.29 237	0.24 298	0.47 260	0.39 247	0.39 325	0.41 259	0.44 327	0.28 273	0.40 235	0.28 280	0.13 321	0.12 353	0.13 328	0.16 381	0.12 299	0.11 278

PA-Net	0.37 357	0.28 374	0.83 389	0.31 386	0.28 407	0.39 338	0.42 408	0.51 302	0.55 377	0.34 263	0.42 275	0.41 306	0.36 337	0.79 390	0.49 374	0.12 304	0.23 423	0.16 373	0.23 413	0.12 299	0.18 374
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TDLM	0.30 310	0.21 327	0.38 164	0.28 369	0.15 250	0.33 288	0.32 366	0.52 317	0.47 328	0.38 310	0.43 287	0.39 290	0.29 287	0.91 414	0.28 280	0.14 344	0.08 260	0.13 328	0.11 292	0.12 299	0.10 246

CFNet_RVC	0.24 222	0.15 233	0.35 117	0.18 12	0.15 250	0.30 254	0.21 230	0.39 184	0.36 215	0.28 138	0.40 251	0.43 317	0.25 232	0.47 255	0.24 250	0.12 304	0.07 183	0.12 308	0.11 292	0.12 299	0.09 196

iResNetv2_ROB	0.27 271	0.26 364	0.72 368	0.23 215	0.13 163	0.29 237	0.18 121	0.52 317	0.49 346	0.37 299	0.45 310	0.39 290	0.25 232	0.34 208	0.20 181	0.08 119	0.06 83	0.07 21	0.05 11	0.12 299	0.09 196

DRN-Test	0.33 332	0.17 272	0.61 331	0.27 352	0.19 334	0.46 370	0.29 347	0.65 409	0.51 357	0.47 378	0.46 319	0.44 327	0.34 329	0.62 329	0.41 352	0.12 304	0.08 260	0.13 328	0.12 327	0.12 299	0.10 246

StereoDRNet	0.32 326	0.22 339	0.61 331	0.27 352	0.21 355	0.42 353	0.30 357	0.61 392	0.48 337	0.46 370	0.39 243	0.48 346	0.30 297	0.57 303	0.40 346	0.11 268	0.09 293	0.12 308	0.11 292	0.12 299	0.10 246

DISCO	0.32 326	0.13 164	0.51 293	0.25 296	0.16 275	0.48 381	0.25 313	0.50 287	0.57 383	0.37 299	0.45 310	0.62 393	0.36 337	0.64 336	0.49 374	0.09 191	0.07 183	0.09 151	0.08 136	0.12 299	0.11 278

MDST_ROB	0.48 397	0.14 203	0.95 413	0.30 380	0.21 355	1.33 456	0.32 366	0.77 432	0.56 380	1.06 442	0.71 403	0.49 351	0.35 333	1.26 444	0.38 331	0.13 321	0.11 336	0.16 373	0.13 350	0.12 299	0.12 300

DDVS	0.25 249	0.15 233	0.39 177	0.24 259	0.17 295	0.34 300	0.21 230	0.41 203	0.30 148	0.33 244	0.41 259	0.48 346	0.21 173	0.52 276	0.27 276	0.11 268	0.09 293	0.11 272	0.09 219	0.13 314	0.14 332

rvit_stereo_0075_2	0.24 222	0.17 272	0.50 282	0.26 328	0.22 371	0.22 124	0.15 37	0.40 191	0.35 203	0.27 128	0.37 218	0.29 197	0.20 166	0.28 157	0.19 168	0.17 382	0.12 353	0.19 393	0.12 327	0.13 314	0.13 314

test_sample7	0.25 249	0.15 233	0.35 117	0.20 79	0.14 204	0.28 217	0.21 230	0.51 302	0.38 238	0.37 299	0.34 188	0.37 270	0.30 297	0.39 230	0.23 239	0.14 344	0.09 293	0.13 328	0.12 327	0.13 314	0.12 300

iinet-f	0.30 310	0.18 286	1.03 424	0.20 79	0.15 250	0.44 363	0.22 253	0.45 243	0.37 224	0.35 279	0.44 298	0.41 306	0.34 329	0.34 208	0.40 346	0.10 235	0.09 293	0.08 88	0.08 136	0.13 314	0.11 278

AASNet	0.27 271	0.19 302	0.49 272	0.26 328	0.17 295	0.34 300	0.20 201	0.62 401	0.48 337	0.35 279	0.40 251	0.32 233	0.25 232	0.28 157	0.34 318	0.11 268	0.09 293	0.10 220	0.08 136	0.13 314	0.11 278

AACVNet	0.26 264	0.16 256	0.37 145	0.22 172	0.14 204	0.29 237	0.19 159	0.41 203	0.31 160	0.38 310	0.42 275	0.43 317	0.28 273	0.73 367	0.25 259	0.11 268	0.08 260	0.11 272	0.09 219	0.13 314	0.11 278

LCNet	0.21 151	0.11 82	0.29 61	0.25 296	0.12 96	0.23 143	0.19 159	0.34 119	0.26 95	0.28 138	0.35 199	0.26 164	0.30 297	0.35 217	0.17 124	0.07 22	0.05 7	0.09 151	0.10 255	0.13 314	0.22 404

LMCR-Stereo	0.26 264	0.18 286	0.49 272	0.28 369	0.14 204	0.36 318	0.23 276	0.54 335	0.34 189	0.39 325	0.40 251	0.29 197	0.29 287	0.37 224	0.27 276	0.11 268	0.07 183	0.09 151	0.07 67	0.13 314	0.09 196

Syn2CoEx	0.36 348	0.31 393	0.78 374	0.34 400	0.21 355	0.41 346	0.28 342	0.61 392	0.49 346	0.42 351	0.56 367	0.45 331	0.44 375	0.69 354	0.38 331	0.17 382	0.14 372	0.15 364	0.12 327	0.13 314	0.12 300

GwcNet	0.35 344	0.23 346	0.88 401	0.25 296	0.24 388	0.48 381	0.27 329	0.55 345	0.57 383	0.38 310	0.52 349	0.51 361	0.32 318	0.60 316	0.41 352	0.13 321	0.11 336	0.12 308	0.11 292	0.13 314	0.14 332

DMCA-RVC	0.27 271	0.21 327	0.61 331	0.28 369	0.17 295	0.29 237	0.21 230	0.42 217	0.35 203	0.40 333	0.37 218	0.39 290	0.36 337	0.43 241	0.30 296	0.13 321	0.10 315	0.15 364	0.11 292	0.13 314	0.10 246

FADNet-RVC-Resample	0.29 301	0.25 353	0.93 410	0.26 328	0.16 275	0.32 277	0.21 230	0.47 260	0.39 247	0.35 279	0.38 230	0.33 240	0.27 259	0.53 282	0.24 250	0.10 235	0.10 315	0.14 350	0.13 350	0.13 314	0.16 350

UCFNet_RVC	0.24 222	0.16 256	0.34 107	0.18 12	0.15 250	0.33 288	0.16 59	0.46 253	0.35 203	0.29 165	0.35 199	0.39 290	0.25 232	0.34 208	0.22 221	0.13 321	0.08 260	0.13 328	0.14 361	0.13 314	0.12 300

PSMNet_ROB	0.33 332	0.24 349	0.54 304	0.31 386	0.21 355	0.42 353	0.43 410	0.59 380	0.47 328	0.37 299	0.44 298	0.49 351	0.31 311	0.64 336	0.43 356	0.14 344	0.10 315	0.15 364	0.14 361	0.13 314	0.11 278

CBMV	0.33 332	0.21 327	0.54 304	0.23 215	0.13 163	0.42 353	0.33 376	0.53 328	0.48 337	0.52 393	0.49 333	0.50 357	0.41 361	0.56 300	0.31 302	0.15 356	0.16 393	0.18 386	0.16 381	0.13 314	0.13 314
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
Wz-Net-LNSev	0.34 339	0.29 381	0.91 406	0.26 328	0.21 355	0.47 376	0.31 361	0.54 335	0.54 372	0.44 363	0.52 349	0.50 357	0.35 333	0.39 230	0.39 339	0.11 268	0.11 336	0.10 220	0.09 219	0.14 329	0.13 314

UDGNet	0.23 196	0.31 393	0.38 164	0.24 259	0.14 204	0.24 162	0.18 121	0.32 98	0.43 284	0.29 165	0.28 115	0.24 136	0.19 157	0.29 172	0.20 181	0.15 356	0.07 183	0.21 400	0.11 292	0.14 329	0.10 246

dad	0.28 290	0.31 393	0.44 234	0.21 118	0.14 204	0.30 254	0.20 201	0.33 112	0.49 346	0.44 363	0.44 298	0.45 331	0.21 173	0.41 237	0.26 272	0.20 401	0.11 336	0.20 397	0.11 292	0.14 329	0.10 246

pcwnet_v2	0.32 326	0.15 233	1.26 438	0.23 215	0.18 316	0.32 277	0.18 121	0.59 380	0.60 390	0.36 294	0.45 310	0.35 261	0.29 287	0.36 222	0.25 259	0.14 344	0.11 336	0.12 308	0.11 292	0.14 329	0.15 342

FAT-Stereo	0.36 348	0.18 286	0.73 371	0.26 328	0.18 316	0.33 288	0.29 347	0.60 388	0.59 386	0.46 370	0.60 378	0.60 387	0.50 395	0.61 321	0.34 318	0.13 321	0.14 372	0.13 328	0.12 327	0.14 329	0.18 374

Nwc_Net	0.37 357	0.25 353	0.68 357	0.31 386	0.24 388	0.44 363	0.30 357	0.65 409	0.50 354	0.37 299	0.69 402	0.58 382	0.45 378	0.60 316	0.40 346	0.15 356	0.12 353	0.19 393	0.21 404	0.14 329	0.13 314

ADCL	0.47 394	0.22 339	1.00 419	0.27 352	0.19 334	0.74 423	0.64 439	0.54 335	0.69 409	0.56 402	0.71 403	0.55 373	0.60 410	0.60 316	1.43 447	0.11 268	0.09 293	0.13 328	0.13 350	0.14 329	0.14 332

ADCP+	0.45 391	0.24 349	1.15 432	0.25 296	0.22 371	0.56 401	0.39 400	0.54 335	0.51 357	0.44 363	0.51 341	0.46 337	0.52 400	0.56 300	1.89 458	0.10 235	0.08 260	0.11 272	0.10 255	0.14 329	0.13 314

GANet	0.36 348	0.22 339	0.49 272	0.29 372	0.17 295	0.41 346	0.38 395	0.57 368	0.45 309	0.46 370	0.75 409	0.55 373	0.40 357	0.94 419	0.41 352	0.13 321	0.13 364	0.13 328	0.11 292	0.14 329	0.11 278

CVANet_RVC	0.30 310	0.19 302	0.41 207	0.26 328	0.16 275	0.33 288	0.26 324	0.52 317	0.47 328	0.40 333	0.46 319	0.43 317	0.31 311	0.89 410	0.26 272	0.14 344	0.09 293	0.14 350	0.13 350	0.14 329	0.10 246

DeepPruner_ROB	0.26 264	0.19 302	0.44 234	0.21 118	0.16 275	0.30 254	0.21 230	0.52 317	0.32 168	0.35 279	0.38 230	0.39 290	0.26 241	0.42 239	0.24 250	0.15 356	0.11 336	0.11 272	0.11 292	0.14 329	0.13 314

CBMV_ROB	0.33 332	0.18 286	0.53 301	0.21 118	0.14 204	0.33 288	0.20 201	0.51 302	0.45 309	0.51 387	0.55 361	0.45 331	0.42 369	0.71 360	0.32 307	0.18 393	0.19 408	0.23 407	0.21 404	0.14 329	0.15 342

Wz-Net-MNSev	0.36 348	0.26 364	0.79 380	0.26 328	0.21 355	0.59 406	0.38 395	0.55 345	0.56 380	0.48 381	0.54 357	0.53 369	0.36 337	0.60 316	0.44 360	0.11 268	0.09 293	0.11 272	0.11 292	0.15 341	0.13 314

hitnet-ft	0.29 301	0.17 272	0.40 184	0.19 36	0.14 204	0.39 338	0.23 276	0.44 233	0.41 272	0.36 294	0.46 319	0.53 369	0.34 329	0.76 380	0.32 307	0.14 344	0.10 315	0.13 328	0.10 255	0.15 341	0.13 314

AF-Net	0.37 357	0.26 364	0.56 314	0.32 392	0.23 383	0.41 346	0.29 347	0.61 392	0.64 399	0.42 351	0.68 398	0.65 404	0.49 394	0.57 303	0.44 360	0.15 356	0.11 336	0.19 393	0.14 361	0.15 341	0.13 314

SGM-ForestM	1.36 453	0.28 374	0.79 380	0.26 328	0.16 275	2.26 467	1.00 461	1.42 455	1.46 454	2.38 467	2.05 462	5.95 476	2.66 468	2.95 468	2.46 466	0.17 382	0.18 404	0.18 386	0.18 395	0.15 341	0.18 374

PS-NSSS	0.32 326	0.30 387	0.46 251	0.23 215	0.17 295	0.33 288	0.24 298	0.57 368	0.41 272	0.37 299	0.52 349	0.35 261	0.30 297	0.80 394	0.30 296	0.17 382	0.14 372	0.21 400	0.15 369	0.15 341	0.13 314

XPNet_ROB	0.33 332	0.20 314	0.43 226	0.27 352	0.18 316	0.37 323	0.31 361	0.55 345	0.50 354	0.51 387	0.53 354	0.58 382	0.37 345	0.63 334	0.45 363	0.17 382	0.12 353	0.13 328	0.12 327	0.15 341	0.14 332

SGM-Forest	0.36 348	0.17 272	0.47 259	0.23 215	0.16 275	0.45 368	0.41 405	0.55 345	0.48 337	0.52 393	0.60 378	0.52 365	0.41 361	0.85 403	0.50 379	0.17 382	0.17 398	0.17 379	0.15 369	0.15 341	0.15 342
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
IGEV-Stereo+	0.12 2	0.08 3	0.17 2	0.18 12	0.13 163	0.09 1	0.11 3	0.16 1	0.15 2	0.10 1	0.08 1	0.10 2	0.10 10	0.21 64	0.11 1	0.07 22	0.05 7	0.06 1	0.05 11	0.16 348	0.24 415

GMStereo_Zeroshot	0.24 222	0.21 327	0.45 244	0.26 328	0.13 163	0.28 217	0.15 37	0.39 184	0.35 203	0.37 299	0.43 287	0.40 303	0.17 120	0.34 208	0.20 181	0.12 304	0.07 183	0.13 328	0.07 67	0.16 348	0.09 196

HBP-ISP	0.33 332	0.30 387	0.72 368	0.22 172	0.16 275	0.32 277	0.22 253	0.54 335	0.44 298	0.41 342	0.49 333	0.33 240	0.38 349	0.73 367	0.25 259	0.18 393	0.19 408	0.24 409	0.20 401	0.16 348	0.13 314

Wz-Net-SNSev	0.43 384	0.41 418	1.27 439	0.30 380	0.21 355	0.44 363	0.41 405	0.61 392	0.65 400	0.46 370	0.65 391	0.62 393	0.39 354	0.74 374	0.59 392	0.12 304	0.11 336	0.12 308	0.13 350	0.16 348	0.14 332

SACVNet	0.30 310	0.20 314	0.41 207	0.25 296	0.18 316	0.34 300	0.25 313	0.52 317	0.40 262	0.41 342	0.44 298	0.46 337	0.32 318	0.71 360	0.25 259	0.13 321	0.10 315	0.12 308	0.12 327	0.16 348	0.17 361

APVNet	0.36 348	0.20 314	0.70 364	0.26 328	0.22 371	0.52 398	0.35 381	0.61 392	0.44 298	0.38 310	0.52 349	0.48 346	0.38 349	0.84 402	0.46 369	0.13 321	0.14 372	0.15 364	0.16 381	0.16 348	0.15 342

psmorigin	0.50 402	0.25 353	3.03 464	0.24 259	0.19 334	0.38 330	0.22 253	0.50 287	0.44 298	0.64 412	0.68 398	0.71 418	0.51 398	0.85 403	0.45 363	0.14 344	0.17 398	0.13 328	0.14 361	0.16 348	0.21 399

aanetorigin	0.39 368	0.29 381	1.09 427	0.24 259	0.19 334	0.28 217	0.37 389	0.33 112	0.47 328	0.94 434	0.82 417	0.52 365	0.54 401	0.49 262	0.50 379	0.11 268	0.09 293	0.10 220	0.10 255	0.16 348	0.15 342

S-Stereo	0.38 363	0.20 314	1.05 425	0.27 352	0.22 371	0.38 330	0.32 366	0.55 345	0.66 401	0.39 325	0.59 373	0.49 351	0.41 361	0.75 375	0.40 346	0.12 304	0.15 386	0.13 328	0.13 350	0.16 348	0.21 399

NCC-stereo	0.39 368	0.25 353	0.69 358	0.32 392	0.28 407	0.46 370	0.36 385	0.65 409	0.52 364	0.40 333	0.57 369	0.56 375	0.47 387	0.73 367	0.45 363	0.17 382	0.14 372	0.18 386	0.25 418	0.16 348	0.16 350

edge stereo	0.39 368	0.22 339	0.81 385	0.27 352	0.22 371	0.37 323	0.24 298	0.56 360	0.54 372	0.53 398	0.60 378	0.71 418	0.50 395	0.78 388	0.40 346	0.16 371	0.14 372	0.19 393	0.14 361	0.16 348	0.17 361

Abc-Net	0.39 368	0.25 353	0.69 358	0.32 392	0.28 407	0.46 370	0.36 385	0.65 409	0.52 364	0.40 333	0.57 369	0.56 375	0.47 387	0.73 367	0.45 363	0.17 382	0.14 372	0.18 386	0.25 418	0.16 348	0.16 350
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCCL2	0.35 344	0.26 364	0.49 272	0.36 410	0.22 371	0.41 346	0.41 405	0.53 328	0.42 279	0.47 378	0.46 319	0.61 391	0.39 354	0.55 290	0.37 329	0.16 371	0.13 364	0.21 400	0.21 404	0.16 348	0.16 350

ETE_ROB	0.34 339	0.26 364	0.45 244	0.29 372	0.18 316	0.40 343	0.37 389	0.57 368	0.47 328	0.50 382	0.50 335	0.62 393	0.36 337	0.55 290	0.38 331	0.13 321	0.10 315	0.14 350	0.12 327	0.16 348	0.16 350

SGM_RVC	0.50 402	0.19 302	0.50 282	0.25 296	0.15 250	0.69 417	0.39 400	0.68 423	0.82 425	0.95 436	0.84 419	1.13 434	0.76 427	1.16 437	0.60 394	0.16 371	0.16 393	0.16 373	0.16 381	0.16 348	0.17 361
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SDNR	0.42 379	0.21 327	0.82 388	0.21 118	0.18 316	1.27 453	0.17 86	0.50 287	0.49 346	0.42 351	0.81 416	0.38 278	0.27 259	1.19 438	0.38 331	0.23 405	0.24 425	0.17 379	0.13 350	0.17 363	0.20 392

RP	0.35 344	0.22 339	0.51 293	0.31 386	0.24 388	0.37 323	0.28 342	0.50 287	0.58 385	0.40 333	0.63 389	0.61 391	0.47 387	0.61 321	0.39 339	0.16 371	0.15 386	0.17 379	0.15 369	0.17 363	0.17 361

RTSC	0.39 368	0.28 374	0.78 374	0.27 352	0.18 316	0.49 384	0.22 253	0.59 380	0.84 430	0.55 401	0.53 354	0.49 351	0.36 337	0.67 351	0.82 414	0.13 321	0.10 315	0.11 272	0.12 327	0.17 363	0.17 361

DeepPrunerF	0.44 390	0.29 381	1.29 441	0.33 398	0.30 415	0.35 313	0.36 385	0.62 401	1.15 448	0.40 333	0.44 298	0.39 290	0.41 361	0.80 394	0.52 382	0.18 393	0.14 372	0.23 407	0.21 404	0.17 363	0.17 361

DANet	0.35 344	0.23 346	0.60 328	0.36 410	0.22 371	0.39 338	0.25 313	0.48 271	0.43 284	0.52 393	0.50 335	0.59 384	0.41 361	0.76 380	0.49 374	0.13 321	0.11 336	0.14 350	0.12 327	0.17 363	0.15 342
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FBW_ROB	0.43 384	0.26 364	0.54 304	0.31 386	0.20 348	0.51 389	0.32 366	0.70 425	0.60 390	0.59 405	0.55 361	0.65 404	0.41 361	1.40 449	0.51 381	0.13 321	0.17 398	0.21 400	0.16 381	0.17 363	0.18 374

SANet	0.53 411	0.28 374	0.96 415	0.26 328	0.15 250	0.69 417	0.44 413	0.67 420	1.34 450	0.67 415	0.98 429	0.94 429	0.71 425	0.89 410	0.76 407	0.14 344	0.12 353	0.12 308	0.11 292	0.17 363	0.16 350

NOSS_ROB	0.31 317	0.20 314	0.35 117	0.24 259	0.16 275	0.32 277	0.19 159	0.52 317	0.48 337	0.33 244	0.36 209	0.42 314	0.28 273	0.93 417	0.24 250	0.19 398	0.20 413	0.24 409	0.22 411	0.17 363	0.17 361

LALA_ROB	0.36 348	0.25 353	0.46 251	0.30 380	0.21 355	0.47 376	0.39 400	0.61 392	0.51 357	0.52 393	0.51 341	0.69 415	0.36 337	0.50 265	0.43 356	0.17 382	0.11 336	0.16 373	0.14 361	0.17 363	0.15 342

PWC_ROB	0.38 363	0.29 381	0.69 358	0.25 296	0.20 348	0.38 330	0.19 159	0.58 375	0.67 404	0.57 404	0.85 420	0.51 361	0.40 357	0.71 360	0.52 382	0.13 321	0.09 293	0.14 350	0.10 255	0.17 363	0.14 332

MeshStereo	0.58 417	0.27 371	0.67 352	0.22 172	0.17 295	0.66 415	0.37 389	0.78 433	0.61 393	1.47 463	1.30 441	1.65 449	0.79 429	1.12 435	0.59 392	0.17 382	0.17 398	0.17 379	0.14 361	0.17 363	0.14 332
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
DualNet (step1)	0.28 290	0.19 302	0.50 282	0.18 12	0.16 275	0.34 300	0.20 201	0.51 302	0.38 238	0.37 299	0.34 188	0.37 270	0.30 297	0.39 230	0.23 239	0.23 405	0.09 293	0.28 418	0.24 415	0.18 374	0.16 350

test_sample9	0.42 379	0.19 302	0.50 282	0.18 12	0.16 275	0.34 300	0.20 201	0.51 302	0.38 238	0.37 299	0.34 188	0.37 270	0.30 297	0.66 347	0.91 421	0.23 405	1.82 469	0.28 418	0.24 415	0.18 374	0.16 350

test_sample8	0.49 399	0.19 302	0.50 282	0.18 12	0.16 275	0.34 300	0.20 201	0.55 345	0.34 189	0.62 408	0.38 230	1.15 437	0.67 421	0.66 347	0.91 421	0.23 405	1.82 469	0.28 418	0.24 415	0.18 374	0.16 350

FINET	0.34 339	0.27 371	0.80 383	0.24 259	0.24 388	0.36 318	0.34 378	0.54 335	0.72 414	0.39 325	0.47 326	0.32 233	0.30 297	0.51 270	0.32 307	0.19 398	0.17 398	0.13 328	0.12 327	0.18 374	0.16 350

RGC	0.39 368	0.32 398	0.64 347	0.34 400	0.27 402	0.40 343	0.29 347	0.57 368	0.53 368	0.45 367	0.64 390	0.62 393	0.45 378	0.72 365	0.39 339	0.15 356	0.15 386	0.21 400	0.20 401	0.18 374	0.19 382

RYNet	0.37 357	0.18 286	0.59 326	0.25 296	0.28 407	0.61 410	0.32 366	0.59 380	0.59 386	0.41 342	0.38 230	0.57 379	0.39 354	0.87 406	0.53 384	0.11 268	0.08 260	0.12 308	0.11 292	0.18 374	0.18 374

CSAN	0.50 402	0.35 403	0.78 374	0.36 410	0.23 383	0.56 401	0.59 436	0.61 392	0.70 411	0.64 412	0.78 413	0.65 404	0.60 410	1.38 448	0.62 397	0.21 402	0.17 398	0.20 397	0.20 401	0.18 374	0.18 374

WZ-Net	0.52 410	0.38 413	1.90 453	0.30 380	0.24 388	0.57 404	0.48 424	0.62 401	0.78 422	0.50 382	0.71 403	0.68 413	0.54 401	0.98 425	0.84 415	0.13 321	0.10 315	0.11 272	0.12 327	0.19 381	0.20 392

EDNetEfficient	0.63 423	0.37 411	2.40 459	0.26 328	0.25 395	0.38 330	0.49 426	0.41 203	1.06 443	1.38 452	0.87 424	0.62 393	0.95 440	0.65 342	1.65 451	0.11 268	0.09 293	0.10 220	0.11 292	0.19 381	0.17 361

FADNet-RVC	0.31 317	0.35 403	0.78 374	0.25 296	0.20 348	0.33 288	0.20 201	0.49 279	0.40 262	0.34 263	0.39 243	0.41 306	0.29 287	0.63 334	0.31 302	0.13 321	0.14 372	0.14 350	0.15 369	0.19 381	0.19 382

stereogan	0.37 357	0.17 272	0.65 348	0.27 352	0.22 371	0.62 411	0.26 324	0.59 380	0.63 398	0.43 357	0.60 378	0.67 409	0.42 369	0.68 352	0.35 322	0.13 321	0.14 372	0.14 350	0.12 327	0.19 381	0.17 361

ADCPNet	0.48 397	0.29 381	1.60 449	0.27 352	0.23 383	0.70 420	0.38 395	0.53 328	0.51 357	0.51 387	0.59 373	0.67 409	0.56 405	0.60 316	1.14 435	0.15 356	0.18 404	0.14 350	0.23 413	0.19 381	0.19 382

NVstereo2D	0.31 317	0.16 256	0.54 304	0.24 259	0.22 371	0.42 353	0.28 342	0.58 375	0.56 380	0.28 138	0.38 230	0.40 303	0.30 297	0.71 360	0.28 280	0.13 321	0.08 260	0.13 328	0.10 255	0.19 381	0.16 350

PWCDC_ROB	0.38 363	0.30 387	0.60 328	0.33 398	0.20 348	0.42 353	0.19 159	0.58 375	0.89 432	0.42 351	1.26 440	0.36 266	0.34 329	0.50 265	0.38 331	0.18 393	0.11 336	0.11 272	0.09 219	0.19 381	0.13 314

WCMA_ROB	0.51 406	0.21 327	0.65 348	0.25 296	0.21 355	0.58 405	0.32 366	0.54 335	0.55 377	0.95 436	1.40 444	1.28 442	0.81 432	0.73 367	0.62 397	0.18 393	0.15 386	0.15 364	0.15 369	0.19 381	0.19 382

SHD	0.42 379	0.27 371	0.81 385	0.31 386	0.25 395	0.42 353	0.22 253	0.66 415	0.94 439	0.63 410	0.60 378	0.59 384	0.47 387	0.59 315	0.58 391	0.15 356	0.13 364	0.16 373	0.16 381	0.20 389	0.22 404

ADCMid	0.49 399	0.34 401	1.13 431	0.26 328	0.21 355	0.51 389	0.37 389	0.57 368	0.54 372	0.75 424	0.66 393	0.62 393	0.64 420	0.64 336	1.68 452	0.13 321	0.12 353	0.17 379	0.17 389	0.20 389	0.17 361

AnyNet_C32	0.51 406	0.40 415	1.10 430	0.29 372	0.28 407	0.59 406	0.58 434	0.54 335	0.60 390	0.62 408	0.66 393	0.54 371	0.54 401	0.78 388	1.74 455	0.15 356	0.14 372	0.15 364	0.17 389	0.20 389	0.20 392

coex-ft	3.44 469	0.73 442	48.55 491	0.24 259	0.19 334	0.50 388	0.43 410	0.47 260	2.40 462	7.03 476	1.20 437	0.97 432	2.23 465	0.73 367	1.92 459	0.12 304	0.15 386	0.14 350	0.12 327	0.21 392	0.43 437

Wz-Net-TNSev	0.51 406	0.58 433	1.61 451	0.25 296	0.21 355	0.65 413	0.45 414	0.63 407	0.69 409	0.51 387	0.54 357	0.71 418	0.60 410	1.00 426	0.77 410	0.15 356	0.15 386	0.13 328	0.15 369	0.21 392	0.20 392

EDNetEfficientorigin	7.51 475	0.52 431	140.47 493	0.25 296	0.17 295	0.42 353	0.29 347	0.47 260	1.03 440	1.28 449	1.02 430	0.83 424	0.84 435	0.75 375	0.99 426	0.10 235	0.09 293	0.12 308	0.10 255	0.21 392	0.22 404

FADNet_RVC	0.30 310	0.28 374	0.83 389	0.23 215	0.15 250	0.30 254	0.17 86	0.49 279	0.37 224	0.30 194	0.38 230	0.30 213	0.27 259	0.52 276	0.31 302	0.14 344	0.14 372	0.14 350	0.16 381	0.21 392	0.23 410

RTS	0.78 438	0.48 423	4.68 467	0.34 400	0.28 407	1.12 446	0.46 416	0.62 401	1.03 440	0.73 420	0.89 425	0.60 387	0.59 408	1.61 452	1.16 438	0.14 344	0.11 336	0.15 364	0.15 369	0.21 392	0.19 382

RTSA	0.78 438	0.48 423	4.68 467	0.34 400	0.28 407	1.12 446	0.46 416	0.62 401	1.03 440	0.73 420	0.89 425	0.60 387	0.59 408	1.61 452	1.16 438	0.14 344	0.11 336	0.15 364	0.15 369	0.21 392	0.19 382

GASNet	0.36 348	0.46 419	0.88 401	0.34 400	0.23 383	0.35 313	0.22 253	0.60 388	0.53 368	0.40 333	0.37 218	0.45 331	0.30 297	0.79 390	0.35 322	0.15 356	0.10 315	0.14 350	0.14 361	0.22 398	0.12 300

G-Net	0.46 393	0.25 353	0.86 398	0.34 400	0.28 407	0.90 438	0.35 381	0.47 260	0.45 309	0.68 416	1.22 438	0.64 403	0.60 410	0.61 321	0.57 386	0.16 371	0.14 372	0.17 379	0.13 350	0.22 398	0.19 382

ADCS	0.58 417	0.40 415	1.35 444	0.29 372	0.24 388	0.55 400	0.45 414	0.67 420	0.83 428	0.76 426	0.71 403	0.68 413	0.60 410	0.76 380	2.23 464	0.16 371	0.16 393	0.16 373	0.17 389	0.22 398	0.22 404

sAnonymous2	0.20 134	0.21 327	0.58 322	0.24 259	0.17 295	0.22 124	0.19 159	0.34 119	0.28 119	0.17 48	0.19 42	0.17 55	0.16 95	0.17 17	0.14 59	0.10 235	0.07 183	0.09 151	0.08 136	0.23 401	0.17 361

CroCo_RVC	0.20 134	0.21 327	0.58 322	0.24 259	0.17 295	0.22 124	0.19 159	0.34 119	0.28 119	0.17 48	0.19 42	0.17 55	0.16 95	0.17 17	0.14 59	0.10 235	0.07 183	0.09 151	0.08 136	0.23 401	0.17 361

AnyNet_C01	0.65 425	0.58 433	2.60 462	0.32 392	0.26 400	0.88 436	0.61 437	0.63 407	0.62 395	0.68 416	0.96 428	0.76 421	0.60 410	0.96 422	1.43 447	0.16 371	0.16 393	0.17 379	0.17 389	0.23 401	0.23 410

FADNet	0.32 326	0.36 406	0.74 372	0.23 215	0.22 371	0.37 323	0.19 159	0.53 328	0.48 337	0.32 233	0.36 209	0.43 317	0.32 318	0.64 336	0.25 259	0.16 371	0.16 393	0.14 350	0.16 381	0.24 404	0.19 382

MFN_U_SF_DS_RVC	0.51 406	0.50 428	0.86 398	0.39 420	0.24 388	0.84 433	0.55 432	0.56 360	0.62 395	0.60 406	0.68 398	0.62 393	0.42 369	1.13 436	0.43 356	0.23 405	0.27 429	0.27 412	0.35 432	0.25 405	0.29 423

XQC	0.43 384	0.37 411	0.96 415	0.34 400	0.25 395	0.53 399	0.34 378	0.60 388	0.73 417	0.51 387	0.46 319	0.57 379	0.47 387	0.70 357	0.72 406	0.17 382	0.12 353	0.18 386	0.15 369	0.25 405	0.23 410

STTRV1_RVC	0.42 379	0.32 398	0.89 404	0.29 372	0.36 423	0.49 384	0.31 361	0.61 392	0.53 368	0.46 370	0.56 367	0.47 339	0.43 373	1.00 426	0.39 339	0.27 419	0.21 414	0.20 397	0.18 395	0.25 405	0.17 361

LSM	1.64 461	0.40 415	2.56 461	2.02 471	17.61 483	0.51 389	0.52 429	0.61 392	0.76 419	0.82 428	1.11 434	0.63 401	0.54 401	0.75 375	0.49 374	0.16 371	0.24 425	0.18 386	0.21 404	0.25 405	2.42 474

DPSNet	0.47 394	0.24 349	0.93 410	0.27 352	0.20 348	0.75 425	0.57 433	0.84 441	0.79 423	0.47 378	0.51 341	0.60 387	0.69 423	0.87 406	0.71 405	0.16 371	0.13 364	0.12 308	0.10 255	0.25 405	0.21 399

PDISCO_ROB	0.43 384	0.30 387	0.67 352	0.43 425	0.36 423	0.67 416	0.32 366	0.72 428	0.76 419	0.43 357	0.53 354	0.63 401	0.40 357	0.66 347	0.47 371	0.21 402	0.12 353	0.21 400	0.19 400	0.25 405	0.20 392

MSMD_ROB	0.60 421	0.33 400	0.61 331	0.30 380	0.25 395	0.86 435	0.35 381	0.55 345	0.67 404	1.10 444	1.49 449	1.76 452	0.97 443	0.88 409	0.49 374	0.23 405	0.21 414	0.27 412	0.27 425	0.25 405	0.24 415

FC-DCNN v2	0.71 431	0.30 387	0.67 352	0.32 392	0.27 402	0.84 433	0.39 400	0.84 441	0.85 431	1.44 459	1.64 455	2.09 456	1.28 454	1.06 431	0.80 413	0.24 411	0.22 419	0.27 412	0.26 422	0.26 412	0.25 417

ccnet	0.42 379	0.31 393	0.48 267	0.27 352	0.32 418	0.60 409	0.32 366	0.65 409	0.46 323	0.53 398	0.66 393	0.56 375	0.45 378	0.72 365	0.61 395	0.26 414	0.19 408	0.24 409	0.21 404	0.26 412	0.22 404

MaskLacGwcNet_RVC	0.36 348	0.36 406	0.53 301	0.34 400	0.19 334	0.51 389	0.24 298	0.55 345	0.38 238	0.41 342	0.47 326	0.47 339	0.27 259	0.73 367	0.30 296	0.36 433	0.19 408	0.27 412	0.17 389	0.26 412	0.23 410

FC-DCNN	0.70 430	0.30 387	0.69 358	0.32 392	0.27 402	0.81 432	0.39 400	0.79 436	0.82 425	1.41 455	1.58 454	1.98 454	1.26 452	1.02 429	0.77 410	0.24 411	0.22 419	0.27 412	0.26 422	0.26 412	0.26 419

FCDSN-DC	0.63 423	0.31 393	0.61 331	0.36 410	0.30 415	0.65 413	0.37 389	0.66 415	0.68 407	1.14 446	1.54 452	1.71 451	1.26 452	0.92 415	0.64 401	0.24 411	0.22 419	0.27 412	0.26 422	0.27 416	0.27 422
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
PVD	0.58 417	0.34 401	0.84 394	0.39 420	0.31 417	0.59 406	0.47 420	0.80 437	1.25 449	0.92 433	1.09 432	0.79 422	0.82 433	0.85 403	0.76 407	0.21 402	0.18 404	0.22 406	0.18 395	0.27 416	0.35 431

SAMSARA	0.56 413	0.39 414	0.80 383	0.60 439	0.46 431	1.00 442	1.23 469	0.67 420	0.68 407	0.71 419	0.54 357	0.89 428	0.57 407	0.81 397	0.62 397	0.19 398	0.22 419	0.18 386	0.18 395	0.27 416	0.25 417

GANetREF_RVC	0.43 384	0.47 421	0.69 358	0.38 418	0.20 348	0.51 389	0.48 424	0.66 415	0.66 401	0.46 370	0.46 319	0.50 357	0.44 375	0.90 413	0.39 339	0.27 419	0.21 414	0.32 426	0.18 395	0.27 416	0.22 404
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
MANE	1.41 454	0.36 406	0.74 372	0.43 425	0.41 428	2.16 466	0.80 451	2.39 471	3.38 465	2.22 466	3.06 468	3.54 469	2.73 470	2.15 464	1.94 460	0.28 423	0.27 429	0.30 424	0.46 440	0.28 420	0.34 430

PASM	0.45 391	0.35 403	0.90 405	0.35 409	0.33 419	0.39 338	0.38 395	0.50 287	0.61 393	0.52 393	0.51 341	0.62 393	0.45 378	0.93 417	0.48 372	0.26 414	0.29 433	0.29 422	0.33 430	0.29 421	0.26 419

ELAS_RVC	0.74 436	0.36 406	1.00 419	0.37 416	0.33 419	0.88 436	0.93 458	0.83 440	1.08 444	1.35 451	1.33 443	1.24 440	1.33 456	1.06 431	0.95 424	0.27 419	0.25 427	0.29 422	0.27 425	0.30 422	0.30 424
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.43 384	0.47 421	0.65 348	0.37 416	0.23 383	0.51 389	0.29 347	0.66 415	0.49 346	0.46 370	0.51 341	0.48 346	0.38 349	0.96 422	0.35 322	0.34 431	0.23 423	0.55 440	0.25 418	0.31 423	0.20 392

ELAS	0.74 436	0.36 406	0.85 397	0.36 410	0.33 419	1.36 457	0.77 449	0.93 445	0.92 436	1.41 455	1.53 451	1.16 438	1.17 448	0.95 421	1.03 428	0.26 414	0.25 427	0.28 418	0.28 428	0.31 423	0.30 424
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MFN_U_SF_RVC	0.56 413	0.51 430	1.19 433	0.38 418	0.22 371	0.69 417	0.27 329	0.80 437	0.67 404	0.73 420	0.74 408	0.87 425	0.61 419	0.81 397	0.76 407	0.29 425	0.27 429	0.32 426	0.37 436	0.32 425	0.31 426

Anonymous_2	0.37 357	0.21 327	0.47 259	0.20 79	0.21 355	0.42 353	0.26 324	0.38 172	0.29 137	0.33 244	0.30 138	0.44 327	0.38 349	0.36 222	0.29 290	0.26 414	0.29 433	0.44 434	1.41 469	0.34 426	0.21 399

UDG	0.40 374	0.46 419	0.49 272	0.40 422	0.35 422	0.47 376	0.27 329	0.54 335	0.47 328	0.39 325	0.45 310	0.59 384	0.44 375	0.46 251	0.39 339	0.26 414	0.19 408	0.48 436	0.22 411	0.34 426	0.26 419

NVStereoNet_ROB	0.67 427	0.49 427	0.83 389	0.48 431	0.40 427	0.51 389	0.46 416	0.70 425	0.77 421	0.84 429	1.72 456	1.02 433	0.83 434	1.23 442	0.79 412	0.32 429	0.38 440	0.40 432	0.46 440	0.36 428	0.41 436
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
DDUNet	0.41 376	0.50 428	0.48 267	0.44 427	0.39 425	0.46 370	0.32 366	0.50 287	0.43 284	0.45 367	0.52 349	0.57 379	0.36 337	0.48 257	0.33 314	0.33 430	0.21 414	0.55 440	0.25 418	0.37 429	0.32 429

MSC_U_SF_DS_RVC	0.68 428	0.64 438	1.06 426	0.45 428	0.27 402	1.40 459	0.58 434	0.78 433	0.92 436	0.84 429	0.86 421	0.88 427	0.68 422	1.33 447	0.68 404	0.37 435	0.29 433	0.34 428	0.36 435	0.43 430	0.37 432

MADNet+	1.01 446	1.16 463	4.72 469	0.70 444	0.47 432	1.24 452	0.96 459	0.97 446	0.89 432	0.65 414	0.77 412	0.87 425	0.85 437	2.09 462	1.68 452	0.38 436	0.39 441	0.31 425	0.27 425	0.43 430	0.39 434

SQANet	0.40 374	0.48 423	0.67 352	0.48 431	0.39 425	0.48 381	0.22 253	0.51 302	0.43 284	0.40 333	0.47 326	0.47 339	0.33 321	0.54 288	0.32 307	0.36 433	0.15 386	0.40 432	0.21 404	0.45 432	0.31 426

testlalala_base	0.20 134	0.13 164	0.35 117	0.25 296	0.15 250	0.25 175	0.16 59	0.34 119	0.17 8	0.19 66	0.26 105	0.17 55	0.14 69	0.18 30	0.16 96	0.39 437	0.09 293	0.07 21	0.05 11	0.45 432	0.08 142

FADE	4.32 470	1.06 459	4.35 466	0.71 445	0.76 452	0.73 421	0.50 427	1.85 466	1.52 455	0.75 424	0.66 393	1.17 439	2.69 469	2.83 467	1.96 462	24.23 490	4.70 476	17.35 485	17.61 484	0.49 434	0.44 438

anonymity	0.56 413	0.54 432	0.70 364	0.47 430	0.61 443	0.56 401	0.43 410	0.69 424	0.49 346	0.63 410	0.55 361	0.54 371	0.60 410	0.61 321	0.57 386	0.55 443	0.53 450	0.50 437	0.54 448	0.51 435	0.56 447

Consistency-Raft	0.55 412	0.48 423	1.02 422	0.45 428	0.49 434	0.49 384	0.47 420	0.72 428	0.72 414	0.45 367	0.82 417	0.47 339	0.60 410	0.50 265	0.63 400	0.39 437	0.39 441	0.44 434	0.51 445	0.52 436	0.37 432

SGM+DAISY	0.87 440	0.66 440	1.30 442	0.51 434	0.60 442	1.03 443	0.84 455	0.76 431	0.73 417	1.39 453	1.51 450	1.31 443	1.22 450	1.11 433	1.08 430	0.57 445	0.53 450	0.51 439	0.51 445	0.54 437	0.61 454

SPS-STEREO	0.69 429	0.61 436	0.98 417	0.52 436	0.57 441	0.74 423	0.50 427	0.78 433	0.62 395	0.95 436	0.86 421	0.94 429	0.70 424	1.01 428	0.87 419	0.58 446	0.51 447	0.50 437	0.50 444	0.55 438	0.58 449
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
BEATNet-Init1	4.73 473	2.61 472	13.29 483	0.58 437	0.53 439	10.12 478	3.33 474	4.83 474	5.01 473	8.75 478	8.51 476	14.08 485	7.60 477	7.70 478	5.34 474	0.28 423	0.28 432	0.34 428	0.37 436	0.57 439	0.45 439

JetBlue	1.14 451	0.76 443	2.36 457	0.59 438	0.75 449	3.04 470	1.78 471	1.11 448	0.90 434	0.94 434	1.10 433	1.66 450	1.28 454	2.09 462	1.72 454	0.43 439	0.36 439	0.38 430	0.38 438	0.58 440	0.56 447

otaku	0.57 416	0.62 437	0.87 400	0.63 441	0.44 430	0.73 421	0.37 389	0.65 409	0.66 401	0.51 387	0.75 409	0.66 408	0.45 378	0.69 354	0.46 369	0.53 440	0.34 438	0.55 440	0.35 432	0.60 441	0.45 439

GCST	0.47 394	0.60 435	0.57 317	1.04 459	0.48 433	0.38 330	0.11 3	0.40 191	0.32 168	0.41 342	0.34 188	0.29 197	0.17 120	0.46 251	0.19 168	0.69 450	0.42 443	0.79 452	0.62 454	0.62 442	0.46 442

Ntro	0.58 417	0.64 438	0.92 408	0.66 442	0.50 436	0.77 426	0.36 385	0.66 415	0.70 411	0.50 382	0.59 373	0.65 404	0.51 398	0.75 375	0.45 363	0.56 444	0.32 437	0.56 443	0.34 431	0.63 443	0.46 442

DGSMNet	0.61 422	0.29 381	0.91 406	0.51 434	0.70 447	0.62 411	1.38 470	0.59 380	0.55 377	0.37 299	0.61 384	0.52 365	0.33 321	0.65 342	0.43 356	0.53 440	0.60 457	0.67 445	0.61 453	0.63 443	0.61 454

ACVNet_1	0.72 432	0.81 445	1.37 445	0.72 446	0.53 439	0.77 426	0.42 408	0.85 444	0.90 434	0.74 423	0.75 409	1.32 444	0.72 426	1.02 429	0.55 385	0.54 442	0.31 436	0.71 447	0.35 432	0.64 445	0.45 439

ACVNet-4b	0.72 432	0.81 445	1.33 443	0.72 446	0.50 436	0.80 431	0.31 361	0.71 427	0.80 424	0.50 382	0.72 407	0.95 431	0.43 373	0.96 422	1.20 442	1.13 467	0.21 414	0.76 449	0.45 439	0.65 446	0.46 442

DispFullNet	0.66 426	0.89 450	1.59 448	0.77 448	1.21 465	0.51 389	0.23 276	0.59 380	0.72 414	0.69 418	0.61 384	0.69 415	0.91 439	0.79 390	0.48 372	0.27 419	0.12 353	0.73 448	0.30 429	0.65 446	0.40 435

WAO-7	1.01 446	0.89 450	0.93 410	0.83 451	0.66 446	1.18 448	0.81 453	1.40 454	1.57 456	1.11 445	1.76 458	1.45 446	1.19 449	1.50 451	1.14 435	0.61 447	0.62 460	0.70 446	0.68 456	0.66 448	0.60 451

MFMNet_re	0.72 432	0.76 443	0.99 418	0.62 440	0.70 447	0.77 426	0.67 440	0.75 430	0.83 428	0.78 427	0.86 421	0.69 415	0.78 428	0.71 360	0.61 395	0.66 449	0.59 456	0.61 444	0.58 452	0.68 449	0.71 458

ACVNet_2	0.89 441	0.87 449	1.25 437	0.82 449	0.62 444	0.97 441	0.62 438	1.14 449	1.42 452	1.00 439	1.40 444	1.47 447	0.84 435	1.11 433	0.66 403	0.61 447	0.43 444	0.78 450	0.49 442	0.75 450	0.52 445

RainbowNet	0.72 432	0.89 450	1.02 422	0.82 449	0.63 445	0.78 429	0.52 429	0.81 439	0.93 438	0.60 406	0.79 414	0.80 423	0.60 410	0.80 394	0.57 386	0.78 454	0.55 453	0.78 450	0.49 442	0.76 451	0.58 449

WAO-6	1.07 449	0.93 454	0.92 408	0.96 453	0.78 453	1.28 454	0.75 446	1.34 452	2.00 460	1.02 441	1.54 452	1.59 448	1.22 450	1.31 446	1.14 435	0.78 454	0.55 453	1.02 459	0.75 460	0.83 452	0.69 457

IMH-64-1	0.91 442	0.86 447	0.84 394	0.97 454	0.75 449	0.92 439	0.71 442	1.27 450	1.10 445	0.89 431	1.45 446	1.14 435	0.96 441	1.19 438	0.84 415	0.74 451	0.51 447	0.97 455	0.55 449	0.84 453	0.60 451

IMH-64	0.91 442	0.86 447	0.84 394	0.97 454	0.75 449	0.92 439	0.71 442	1.27 450	1.10 445	0.89 431	1.45 446	1.14 435	0.96 441	1.19 438	0.84 415	0.74 451	0.51 447	0.97 455	0.55 449	0.84 453	0.60 451

test_for_model	0.29 301	0.89 450	0.34 107	0.69 443	0.49 434	0.20 77	0.16 59	0.30 81	0.23 63	0.28 138	0.15 22	0.13 17	0.11 18	0.17 17	0.13 35	0.29 425	0.10 315	0.06 1	0.04 1	0.86 455	0.18 374

IMH	1.05 448	0.95 455	1.00 419	1.01 456	0.78 453	1.11 445	0.68 441	1.38 453	1.43 453	1.00 439	1.72 456	1.43 445	1.14 445	1.73 457	0.89 420	1.09 464	0.55 453	0.99 457	0.57 451	0.87 456	0.62 456

LVE	1.13 450	1.02 456	1.28 440	1.01 456	0.80 456	1.29 455	0.81 453	1.47 457	1.96 458	1.07 443	1.90 459	1.90 453	1.01 444	1.48 450	0.91 421	0.93 461	0.61 459	0.94 454	0.69 457	0.87 456	0.75 462

WAO-8	1.46 457	1.10 461	1.09 427	1.10 460	0.84 457	2.06 463	0.75 446	1.84 463	3.83 468	1.44 459	2.21 464	2.15 457	1.43 458	3.17 469	1.19 440	0.91 459	0.65 462	1.09 460	0.79 461	0.90 458	0.71 458

Venus	1.46 457	1.10 461	1.09 427	1.10 460	0.84 457	2.06 463	0.75 446	1.84 463	3.83 468	1.44 459	2.21 464	2.15 457	1.43 458	3.17 469	1.19 440	0.91 459	0.65 462	1.09 460	0.79 461	0.90 458	0.71 458

Dean	1.17 452	1.04 458	1.49 447	1.03 458	0.78 453	1.20 451	0.77 449	1.48 458	1.96 458	1.28 449	1.99 461	2.15 457	1.14 445	1.25 443	1.00 427	0.81 456	0.60 457	1.01 458	0.69 457	0.92 460	0.74 461

PWCK	1.00 444	1.17 464	1.70 452	0.91 452	0.41 428	1.19 450	0.92 457	1.10 447	1.14 447	1.16 447	1.14 435	1.25 441	0.88 438	1.75 458	1.04 429	0.87 458	0.50 445	0.87 453	0.53 447	0.96 461	0.52 445

SuperB	0.49 399	0.28 374	2.23 455	0.23 215	0.15 250	0.41 346	0.32 366	0.47 260	0.82 425	0.43 357	0.50 335	0.33 240	0.45 378	0.68 352	1.08 430	0.10 235	0.07 183	0.09 151	0.08 136	0.98 462	0.14 332

UNDER WATER-64	1.55 459	1.19 465	2.52 460	1.31 465	0.95 461	2.12 465	1.21 468	1.45 456	3.19 464	1.43 458	1.32 442	2.64 464	2.04 464	1.63 454	1.83 456	1.11 465	0.67 464	1.28 465	0.92 464	1.19 463	1.02 467

UNDER WATER	1.59 460	1.22 466	2.36 457	1.38 466	1.03 462	1.67 462	1.10 465	1.54 461	3.63 466	1.44 459	1.47 448	2.85 466	2.25 466	1.67 455	1.94 460	1.06 463	0.62 460	1.31 466	0.93 465	1.21 464	1.02 467

TorneroNet-64	1.43 455	1.03 457	1.20 434	1.10 460	0.86 459	2.26 467	0.73 445	1.84 463	3.84 470	1.25 448	2.25 466	2.69 465	1.42 457	1.76 459	1.43 447	0.76 453	0.50 445	1.09 460	0.66 455	1.23 465	0.76 463

TorneroNet	2.22 465	1.08 460	1.24 436	1.14 464	0.90 460	5.58 472	0.80 451	2.12 469	8.69 477	2.58 468	5.42 473	3.88 470	1.97 463	1.78 461	1.87 457	0.86 457	0.54 452	1.15 464	0.74 459	1.23 465	0.85 464

notaker	1.45 456	1.34 467	1.48 446	1.40 467	1.07 463	1.18 448	0.85 456	1.48 458	1.40 451	1.51 464	3.46 469	2.40 462	1.81 462	1.76 459	1.45 450	1.11 465	0.69 465	1.38 467	0.87 463	1.31 467	0.97 466

ktn	1.77 463	1.36 468	1.22 435	1.43 468	1.14 464	1.52 460	1.08 464	1.51 460	3.96 471	2.77 470	4.69 471	3.35 468	1.46 460	1.69 456	1.25 444	1.43 469	0.77 466	1.45 468	0.99 466	1.32 468	0.96 465

KSHMR	1.89 464	1.36 468	1.60 449	1.47 469	1.22 466	1.38 458	1.06 463	1.79 462	5.97 474	1.42 457	5.65 475	2.98 467	1.14 445	2.23 465	1.20 442	1.27 468	1.12 467	1.46 469	1.10 468	1.32 468	1.15 469

JetRed	2.30 467	2.64 473	6.12 470	1.12 463	1.38 468	5.85 473	3.29 473	1.99 467	1.67 457	1.98 465	1.95 460	2.16 460	1.60 461	2.48 466	4.10 472	1.05 462	1.60 468	1.09 460	1.01 467	1.67 470	1.28 470

MADNet++	2.26 466	1.80 471	2.06 454	2.13 473	1.97 470	2.61 469	1.79 472	2.38 470	2.16 461	2.75 469	2.65 467	2.38 461	2.43 467	3.17 469	3.21 468	2.17 470	1.95 471	1.94 471	1.63 470	2.06 471	2.01 473

HanzoNet	2.97 468	1.69 470	2.29 456	1.74 470	1.33 467	1.53 461	1.03 462	1.99 467	2.64 463	5.51 473	5.16 472	5.90 475	6.82 476	4.32 474	3.29 469	3.16 472	2.02 473	1.92 470	2.87 473	2.24 472	1.89 472

tt	4.71 472	0.10 36	3.94 465	2.06 472	1.53 469	10.14 479	16.88 479	9.27 480	4.98 472	1.39 453	1.02 430	4.68 471	4.90 472	3.35 472	5.86 475	5.76 477	9.15 483	2.24 472	2.53 472	3.10 473	1.32 471

DPSimNet_ROB	4.34 471	4.23 474	6.89 472	3.67 474	3.68 471	4.75 471	5.21 475	2.67 472	3.68 467	5.82 474	3.95 470	5.57 472	6.72 475	3.46 473	4.48 473	4.05 475	2.88 474	4.68 475	3.12 475	3.69 474	3.62 476

DGTPSM_ROB	8.34 476	5.10 475	10.37 481	5.31 477	10.18 477	8.33 475	23.60 484	6.06 476	13.41 483	4.90 471	10.87 481	5.65 473	10.44 478	6.17 475	12.59 479	3.74 473	7.55 478	3.69 473	7.26 479	4.14 475	7.46 478

DPSMNet_ROB	8.40 477	5.11 476	10.49 482	5.58 478	10.25 478	8.34 476	23.62 485	6.07 477	13.45 484	4.93 472	10.88 482	5.66 474	10.44 478	6.24 476	12.64 480	3.98 474	7.61 479	3.76 474	7.30 480	4.20 476	7.51 479

ASD4	7.23 474	6.65 477	7.69 473	5.24 476	5.62 474	11.85 480	20.36 480	7.57 478	7.14 476	6.55 475	5.47 474	5.99 477	5.78 473	7.22 477	9.24 478	4.85 476	4.44 475	6.40 480	5.19 476	6.53 477	4.89 477

DPSM_ROB	11.49 480	9.87 482	10.35 479	11.13 480	11.31 479	19.11 487	27.51 487	13.37 485	14.21 486	10.31 482	11.06 483	10.96 483	11.27 484	11.96 485	13.59 482	6.78 479	8.19 481	6.03 477	7.09 477	7.93 478	7.73 481

DPSM	11.49 480	9.87 482	10.35 479	11.13 480	11.31 479	19.11 487	27.51 487	13.37 485	14.21 486	10.31 482	11.06 483	10.96 483	11.27 484	11.96 485	13.59 482	6.78 479	8.19 481	6.03 477	7.09 477	7.93 478	7.73 481

PML	16.10 485	12.82 485	6.78 471	5.23 475	7.76 475	33.92 489	66.56 492	5.30 475	10.28 478	26.12 491	68.59 492	20.51 487	13.49 486	10.06 480	6.78 477	5.96 478	2.00 472	6.04 479	2.18 471	8.96 480	2.60 475

xxxxx1	15.27 482	9.54 479	10.31 476	20.13 485	18.88 484	17.08 482	23.03 481	10.36 481	10.99 479	9.21 479	9.62 477	10.74 480	10.61 481	10.72 481	13.89 484	7.97 481	9.20 484	31.85 490	44.72 490	12.84 481	13.69 483

tt_ll	15.27 482	9.54 479	10.31 476	20.13 485	18.88 484	17.08 482	23.03 481	10.36 481	10.99 479	9.21 479	9.62 477	10.74 480	10.61 481	10.72 481	13.89 484	7.97 481	9.20 484	31.85 490	44.72 490	12.84 481	13.69 483

ff	15.27 482	9.54 479	10.31 476	20.13 485	18.88 484	17.08 482	23.03 481	10.36 481	10.99 479	9.21 479	9.62 477	10.74 480	10.61 481	10.72 481	13.89 484	7.97 481	9.20 484	31.85 490	44.72 490	12.84 481	13.69 483

LRCNet_RVC	10.90 479	14.34 486	9.35 474	15.35 482	8.04 476	1.08 444	0.34 378	8.78 479	0.70 411	12.63 485	16.05 485	9.85 478	6.54 474	8.57 479	6.34 476	20.27 488	5.40 477	23.70 487	21.88 486	14.87 484	13.83 486

CasAABBNet	23.10 489	19.86 487	20.64 486	22.47 488	22.73 488	38.41 490	55.50 491	26.89 490	28.70 491	20.61 488	22.15 489	22.08 489	22.75 489	23.99 489	27.36 491	13.59 484	16.48 488	12.14 481	14.27 482	15.95 485	15.53 487

Selective-RAFT-Error	23.16 490	19.93 488	20.87 487	22.54 489	22.81 489	38.52 492	55.47 490	27.01 492	28.83 492	20.66 489	22.25 490	22.09 490	22.80 491	24.09 490	27.36 491	13.61 485	16.48 488	12.15 482	14.28 483	15.99 486	15.57 488

LSM0	24.24 491	19.98 489	22.32 488	24.22 490	40.14 492	38.48 491	55.20 489	26.95 491	28.57 490	20.49 487	21.83 487	22.26 491	22.75 489	24.22 491	27.30 490	13.66 486	16.32 487	12.19 483	14.15 481	16.10 487	17.66 489

HaxPig	17.72 487	20.22 490	19.73 484	16.53 483	16.51 482	9.27 477	9.33 476	14.34 487	13.27 482	18.65 486	18.70 486	17.35 486	16.77 487	17.04 487	16.45 487	22.05 489	20.89 490	22.27 486	21.53 485	21.29 488	22.13 490

MEDIAN_ROB	21.21 488	24.62 491	23.47 489	19.58 484	19.65 487	13.22 481	10.96 477	17.88 488	17.00 488	22.14 490	22.02 488	20.86 488	20.36 488	21.06 488	19.71 488	25.63 491	24.13 491	26.21 488	25.20 487	25.17 489	25.38 491

AVERAGE_ROB	25.43 492	29.06 492	27.24 490	24.63 491	24.20 491	17.73 485	12.61 478	22.29 489	21.39 489	26.79 492	26.16 491	25.20 492	24.64 492	25.07 492	23.53 489	29.96 492	28.40 492	30.60 489	29.58 488	29.72 490	29.84 492

DLNR_Zeroshot_test	10.44 478	12.10 484	19.93 485	106.08 493	23.66 490	0.14 4	0.13 9	3.22 473	0.17 8	0.16 39	0.23 79	0.16 50	0.10 10	0.31 190	0.15 75	2.36 471	0.06 83	0.07 21	0.07 67	39.70 491	0.06 28

Anonymous_1	16.62 486	9.35 478	9.84 475	10.66 479	14.64 481	18.66 486	27.12 486	12.64 484	13.51 485	10.76 484	10.30 480	10.13 479	10.60 480	11.06 484	12.74 481	15.87 487	7.74 480	16.92 484	43.48 489	58.66 492	7.68 480

test_example2	101.33 493	108.28 493	68.15 492	98.43 492	106.93 493	89.75 493	102.43 493	36.80 493	97.65 493	129.04 493	130.15 493	65.26 493	66.62 493	92.11 493	80.24 493	144.10 493	199.48 493	81.81 493	103.01 493	125.01 493	101.27 493

Low-res two-view benchmark