Low-res two-view results

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

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

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

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

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

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

Selective-IGEV	0.07 1	0.06 18	0.09 25	0.17 110	0.06 3	0.08 23	0.12 24	0.13 12	0.08 1	0.08 6	0.07 13	0.06 3	0.04 1	0.10 16	0.09 17	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

panet	0.08 2	0.05 5	0.07 1	0.12 3	0.05 1	0.12 106	0.10 5	0.13 12	0.10 7	0.08 6	0.13 75	0.09 40	0.08 51	0.11 43	0.10 46	0.08 194	0.05 83	0.05 2	0.03 1	0.06 94	0.05 44

MoCha-V2	0.08 2	0.06 18	0.09 25	0.35 379	0.06 3	0.06 2	0.14 77	0.11 2	0.08 1	0.07 2	0.07 13	0.07 18	0.05 2	0.09 10	0.08 9	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

LargeStereo	0.08 2	0.06 18	0.09 25	0.18 177	0.07 16	0.10 58	0.13 46	0.10 1	0.10 7	0.08 6	0.08 18	0.06 3	0.05 2	0.13 132	0.09 17	0.05 2	0.04 2	0.05 2	0.04 8	0.05 37	0.04 5

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 36	0.07 16	0.08 23	0.15 123	0.12 5	0.11 18	0.08 6	0.09 25	0.06 3	0.09 69	0.10 16	0.09 17	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 5

CAS	0.08 2	0.04 1	0.07 1	0.17 110	0.08 48	0.10 58	0.13 46	0.12 5	0.09 3	0.09 18	0.10 38	0.08 25	0.06 8	0.09 10	0.09 17	0.08 194	0.04 2	0.05 2	0.03 1	0.05 37	0.04 5

CES	0.08 2	0.04 1	0.08 7	0.14 12	0.07 16	0.09 37	0.14 77	0.11 2	0.09 3	0.08 6	0.09 25	0.11 75	0.07 31	0.12 95	0.08 9	0.06 53	0.04 2	0.05 2	0.03 1	0.05 37	0.05 44

EGLCR-Stereo	0.08 2	0.05 5	0.08 7	0.14 12	0.07 16	0.11 80	0.12 24	0.11 2	0.16 86	0.06 1	0.05 1	0.07 18	0.05 2	0.10 16	0.11 74	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 7	0.07 16	0.09 37	0.12 24	0.14 19	0.14 58	0.10 37	0.14 83	0.08 25	0.07 31	0.10 16	0.11 74	0.06 53	0.04 2	0.05 2	0.05 34	0.04 1	0.04 5
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
MGS-Stereo	0.09 10	0.07 54	0.12 89	0.16 61	0.08 48	0.09 37	0.15 123	0.12 5	0.12 28	0.07 2	0.10 38	0.08 25	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

ff7	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

IGEVStereo-DCA	0.09 10	0.07 54	0.11 66	0.16 61	0.10 219	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.08 25	0.06 8	0.10 16	0.09 17	0.06 53	0.05 83	0.06 33	0.05 34	0.05 37	0.06 100

ffff	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

rrr	0.09 10	0.07 54	0.13 113	0.16 61	0.10 219	0.11 80	0.15 123	0.16 40	0.15 70	0.10 37	0.06 2	0.08 25	0.06 8	0.10 16	0.09 17	0.06 53	0.05 83	0.06 33	0.05 34	0.05 37	0.06 100

11t	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

StereoIM	0.09 10	0.09 184	0.08 7	0.17 110	0.09 125	0.14 156	0.11 11	0.16 40	0.16 86	0.09 18	0.11 54	0.06 3	0.06 8	0.09 10	0.13 151	0.07 144	0.06 192	0.08 162	0.05 34	0.05 37	0.04 5

IGEV_Zeroshot_test	0.09 10	0.05 5	0.13 113	0.14 12	0.08 48	0.12 106	0.13 46	0.17 67	0.11 18	0.10 37	0.06 2	0.09 40	0.06 8	0.11 43	0.09 17	0.06 53	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

MSKI-zero shot	0.09 10	0.05 5	0.09 25	0.16 61	0.07 16	0.10 58	0.13 46	0.15 26	0.14 58	0.09 18	0.09 25	0.09 40	0.06 8	0.12 95	0.11 74	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

MIF-Stereo	0.09 10	0.07 54	0.08 7	0.18 177	0.08 48	0.13 127	0.11 11	0.12 5	0.11 18	0.10 37	0.12 64	0.05 1	0.06 8	0.09 10	0.10 46	0.07 144	0.06 192	0.05 2	0.05 34	0.06 94	0.05 44

CASnet	0.09 10	0.09 184	0.09 25	0.19 224	0.06 3	0.07 16	0.11 11	0.18 91	0.14 58	0.11 64	0.10 38	0.09 40	0.07 31	0.10 16	0.10 46	0.06 53	0.04 2	0.10 272	0.08 214	0.06 94	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.09 10	0.05 5	0.08 7	0.14 12	0.13 306	0.14 156	0.13 46	0.15 26	0.09 3	0.07 2	0.09 25	0.07 18	0.08 51	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

RAFT-Test	0.09 10	0.06 18	0.10 41	0.16 61	0.07 16	0.11 80	0.15 123	0.16 40	0.13 44	0.09 18	0.10 38	0.11 75	0.09 69	0.12 95	0.09 17	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

HH	0.09 10	0.06 18	0.13 113	0.17 110	0.08 48	0.11 80	0.16 174	0.15 26	0.10 7	0.08 6	0.10 38	0.08 25	0.07 31	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

HanStereo	0.09 10	0.06 18	0.13 113	0.17 110	0.08 48	0.11 80	0.16 174	0.15 26	0.10 7	0.08 6	0.10 38	0.08 25	0.07 31	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

anonymousdsp	0.09 10	0.07 54	0.11 66	0.17 110	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

LoS	0.09 10	0.05 5	0.11 66	0.13 7	0.07 16	0.14 156	0.11 11	0.15 26	0.15 70	0.09 18	0.09 25	0.12 94	0.09 69	0.15 164	0.10 46	0.07 144	0.05 83	0.05 2	0.03 1	0.05 37	0.05 44

ProNet	0.09 10	0.07 54	0.11 66	0.17 110	0.08 48	0.11 80	0.15 123	0.15 26	0.12 28	0.10 37	0.06 2	0.07 18	0.06 8	0.11 43	0.09 17	0.05 2	0.05 83	0.06 33	0.05 34	0.04 1	0.06 100

MC-Stereo	0.09 10	0.07 54	0.09 25	0.17 110	0.06 3	0.10 58	0.14 77	0.12 5	0.11 18	0.09 18	0.12 64	0.09 40	0.06 8	0.11 43	0.10 46	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

RCA-Stereo	0.09 10	0.06 18	0.09 25	0.16 61	0.06 3	0.09 37	0.13 46	0.18 91	0.14 58	0.10 37	0.11 54	0.08 25	0.07 31	0.12 95	0.11 74	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

CroCo-Stereo Lap2	0.09 10	0.09 184	0.08 7	0.22 308	0.09 125	0.09 37	0.18 232	0.16 40	0.12 28	0.09 18	0.10 38	0.05 1	0.05 2	0.08 5	0.08 9	0.06 53	0.06 192	0.07 102	0.05 34	0.06 94	0.05 44

ccc-4	0.09 10	0.07 54	0.11 66	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

IGEV-Stereo	0.09 10	0.07 54	0.11 66	0.17 110	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 10	0.05 5	0.13 113	0.14 12	0.09 125	0.12 106	0.15 123	0.19 115	0.11 18	0.11 64	0.08 18	0.08 25	0.05 2	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

test-3	0.09 10	0.06 18	0.10 41	0.18 177	0.07 16	0.07 16	0.14 77	0.12 5	0.16 86	0.10 37	0.08 18	0.08 25	0.08 51	0.11 43	0.10 46	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 5

test_1	0.09 10	0.06 18	0.10 41	0.18 177	0.07 16	0.07 16	0.14 77	0.12 5	0.16 86	0.10 37	0.08 18	0.08 25	0.08 51	0.11 43	0.10 46	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 5

CroCo-Stereo	0.09 10	0.08 137	0.08 7	0.22 308	0.09 125	0.09 37	0.18 232	0.16 40	0.12 28	0.07 2	0.07 13	0.08 25	0.06 8	0.08 5	0.07 1	0.07 144	0.05 83	0.06 33	0.04 8	0.05 37	0.04 5
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 10	0.04 1	0.08 7	0.13 7	0.06 3	0.11 80	0.13 46	0.15 26	0.19 125	0.11 64	0.15 94	0.10 60	0.07 31	0.12 95	0.09 17	0.07 144	0.05 83	0.05 2	0.04 8	0.06 94	0.05 44

XX-TBD	0.09 10	0.06 18	0.07 1	0.14 12	0.07 16	0.13 127	0.16 174	0.14 19	0.14 58	0.11 64	0.12 64	0.09 40	0.08 51	0.10 16	0.10 46	0.06 53	0.04 2	0.05 2	0.04 8	0.06 94	0.05 44

raftrobust	0.09 10	0.06 18	0.11 66	0.17 110	0.08 48	0.09 37	0.10 5	0.18 91	0.16 86	0.10 37	0.09 25	0.12 94	0.08 51	0.12 95	0.10 46	0.08 194	0.05 83	0.06 33	0.05 34	0.05 37	0.06 100

XX-Stereo	0.09 10	0.05 5	0.09 25	0.17 110	0.09 125	0.15 176	0.12 24	0.21 137	0.10 7	0.10 37	0.14 83	0.07 18	0.06 8	0.13 132	0.08 9	0.06 53	0.05 83	0.06 33	0.06 85	0.04 1	0.04 5

test_xeample3	0.09 10	0.07 54	0.12 89	0.16 61	0.09 125	0.11 80	0.15 123	0.16 40	0.14 58	0.10 37	0.07 13	0.08 25	0.06 8	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

RAFT-Stereo + iAFF	0.09 10	0.06 18	0.10 41	0.17 110	0.07 16	0.10 58	0.15 123	0.17 67	0.15 70	0.10 37	0.10 38	0.08 25	0.09 69	0.12 95	0.10 46	0.05 2	0.04 2	0.06 33	0.06 85	0.04 1	0.03 1

AFF-stereo	0.09 10	0.07 54	0.10 41	0.17 110	0.07 16	0.10 58	0.15 123	0.18 91	0.10 7	0.10 37	0.11 54	0.09 40	0.10 82	0.12 95	0.10 46	0.05 2	0.04 2	0.07 102	0.07 162	0.04 1	0.04 5

EAI-Stereo	0.09 10	0.07 54	0.11 66	0.16 61	0.07 16	0.10 58	0.15 123	0.16 40	0.09 3	0.08 6	0.09 25	0.08 25	0.07 31	0.09 10	0.11 74	0.05 2	0.05 83	0.05 2	0.05 34	0.05 37	0.04 5

CFNet-RSSM	0.09 10	0.07 54	0.10 41	0.16 61	0.07 16	0.09 37	0.15 123	0.17 67	0.18 111	0.08 6	0.12 64	0.11 75	0.09 69	0.12 95	0.10 46	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.04 5

Gwc-CoAtRS	0.09 10	0.07 54	0.10 41	0.16 61	0.07 16	0.10 58	0.15 123	0.18 91	0.17 101	0.08 6	0.10 38	0.12 94	0.09 69	0.12 95	0.09 17	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.05 44

CREStereo	0.09 10	0.05 5	0.08 7	0.11 1	0.06 3	0.14 156	0.14 77	0.14 19	0.10 7	0.09 18	0.13 75	0.09 40	0.08 51	0.12 95	0.10 46	0.08 194	0.04 2	0.05 2	0.03 1	0.06 94	0.06 100
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 10	0.05 5	0.09 25	0.12 3	0.06 3	0.13 127	0.14 77	0.16 40	0.11 18	0.09 18	0.13 75	0.10 60	0.07 31	0.14 150	0.10 46	0.15 350	0.04 2	0.05 2	0.03 1	0.07 152	0.06 100

H2IRNET	0.10 49	0.09 184	0.10 41	0.18 177	0.09 125	0.12 106	0.15 123	0.14 19	0.21 156	0.10 37	0.10 38	0.10 60	0.11 106	0.10 16	0.10 46	0.06 53	0.04 2	0.08 162	0.08 214	0.06 94	0.05 44

MyStereo07	0.10 49	0.07 54	0.10 41	0.17 110	0.09 125	0.14 156	0.17 194	0.15 26	0.15 70	0.09 18	0.06 2	0.06 3	0.07 31	0.12 95	0.09 17	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

MyStereo06	0.10 49	0.07 54	0.12 89	0.17 110	0.09 125	0.13 127	0.18 232	0.19 115	0.12 28	0.13 106	0.08 18	0.07 18	0.07 31	0.11 43	0.09 17	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

AE-Stereo	0.10 49	0.08 137	0.11 66	0.19 224	0.09 125	0.10 58	0.15 123	0.14 19	0.20 143	0.09 18	0.15 94	0.12 94	0.08 51	0.11 43	0.10 46	0.05 2	0.06 192	0.07 102	0.06 85	0.05 37	0.04 5

ACVNet-DCA	0.10 49	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.24 188	0.16 86	0.09 18	0.09 25	0.06 3	0.06 8	0.10 16	0.07 1	0.06 53	0.05 83	0.06 33	0.05 34	0.07 152	0.07 153

cc1	0.10 49	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.16 40	0.18 111	0.09 18	0.09 25	0.06 3	0.06 8	0.10 16	0.07 1	0.06 53	0.05 83	0.06 33	0.05 34	0.06 94	0.06 100

tt1	0.10 49	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.15 26	0.19 125	0.09 18	0.08 18	0.06 3	0.06 8	0.10 16	0.08 9	0.06 53	0.05 83	0.06 33	0.05 34	0.06 94	0.06 100

MIM_Stereo	0.10 49	0.07 54	0.11 66	0.15 36	0.07 16	0.07 16	0.12 24	0.20 126	0.14 58	0.13 106	0.14 83	0.09 40	0.05 2	0.12 95	0.08 9	0.05 2	0.06 192	0.07 102	0.06 85	0.06 94	0.05 44

Any-RAFT	0.10 49	0.05 5	0.10 41	0.15 36	0.07 16	0.13 127	0.14 77	0.21 137	0.15 70	0.11 64	0.12 64	0.13 116	0.10 82	0.13 132	0.10 46	0.07 144	0.04 2	0.05 2	0.04 8	0.06 94	0.05 44

4D-IteraStereo	0.10 49	0.07 54	0.10 41	0.18 177	0.07 16	0.09 37	0.15 123	0.18 91	0.15 70	0.10 37	0.11 54	0.10 60	0.07 31	0.12 95	0.09 17	0.05 2	0.03 1	0.08 162	0.07 162	0.06 94	0.05 44

fff	0.10 49	0.06 18	0.12 89	0.15 36	0.07 16	0.09 37	0.17 194	0.16 40	0.21 156	0.13 106	0.17 122	0.10 60	0.11 106	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

ADStereo(finetuned)	0.10 49	0.06 18	0.13 113	0.16 61	0.06 3	0.09 37	0.17 194	0.16 40	0.20 143	0.13 106	0.18 142	0.10 60	0.12 135	0.12 95	0.12 124	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

TRStereo	0.10 49	0.05 5	0.12 89	0.16 61	0.12 285	0.10 58	0.13 46	0.18 91	0.19 125	0.09 18	0.09 25	0.09 40	0.07 31	0.10 16	0.08 9	0.07 144	0.05 83	0.07 102	0.07 162	0.04 1	0.04 5

STrans-v2	0.10 49	0.07 54	0.13 113	0.18 177	0.08 48	0.10 58	0.14 77	0.22 156	0.11 18	0.11 64	0.15 94	0.12 94	0.10 82	0.11 43	0.12 124	0.05 2	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

TransformOpticalFlow	0.10 49	0.08 137	0.13 113	0.18 177	0.07 16	0.09 37	0.15 123	0.19 115	0.16 86	0.12 82	0.16 106	0.11 75	0.11 106	0.11 43	0.11 74	0.05 2	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

AnonymousM	0.10 49	0.06 18	0.10 41	0.14 12	0.07 16	0.09 37	0.13 46	0.19 115	0.14 58	0.13 106	0.12 64	0.09 40	0.08 51	0.13 132	0.10 46	0.08 194	0.05 83	0.08 162	0.05 34	0.05 37	0.05 44

cross-raft	0.10 49	0.09 184	0.09 25	0.19 224	0.07 16	0.11 80	0.24 324	0.13 12	0.15 70	0.08 6	0.10 38	0.12 94	0.10 82	0.09 10	0.11 74	0.05 2	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

test-1	0.10 49	0.07 54	0.17 229	0.19 224	0.08 48	0.11 80	0.24 324	0.15 26	0.18 111	0.09 18	0.07 13	0.10 60	0.08 51	0.08 5	0.09 17	0.06 53	0.04 2	0.06 33	0.06 85	0.04 1	0.05 44

iRaftStereo_RVC	0.10 49	0.07 54	0.10 41	0.17 110	0.09 125	0.11 80	0.17 194	0.18 91	0.12 28	0.09 18	0.11 54	0.10 60	0.07 31	0.11 43	0.10 46	0.05 2	0.04 2	0.08 162	0.08 214	0.04 1	0.04 5

s12784h	0.10 49	0.06 18	0.08 7	0.15 36	0.05 1	0.16 198	0.18 232	0.16 40	0.15 70	0.10 37	0.11 54	0.11 75	0.11 106	0.11 43	0.12 124	0.05 2	0.04 2	0.06 33	0.04 8	0.04 1	0.04 5

DCANet	0.10 49	0.06 18	0.12 89	0.16 61	0.06 3	0.09 37	0.17 194	0.16 40	0.20 143	0.13 106	0.18 142	0.10 60	0.11 106	0.11 43	0.12 124	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

csc	0.10 49	0.06 18	0.12 89	0.15 36	0.07 16	0.09 37	0.17 194	0.16 40	0.21 156	0.13 106	0.17 122	0.10 60	0.11 106	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

cscssc	0.10 49	0.06 18	0.12 89	0.15 36	0.07 16	0.09 37	0.17 194	0.16 40	0.21 156	0.13 106	0.17 122	0.10 60	0.11 106	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

R-Stereo Train	0.10 49	0.06 18	0.11 66	0.17 110	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 82	0.19 153	0.11 75	0.08 51	0.10 16	0.11 74	0.07 144	0.05 83	0.06 33	0.05 34	0.05 37	0.05 44

RAFT-Stereo	0.10 49	0.06 18	0.11 66	0.17 110	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 82	0.19 153	0.11 75	0.08 51	0.10 16	0.11 74	0.07 144	0.05 83	0.06 33	0.05 34	0.05 37	0.05 44
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Former-RAFT_DAM_RVC	0.11 74	0.08 137	0.13 113	0.16 61	0.08 48	0.15 176	0.16 174	0.18 91	0.19 125	0.10 37	0.09 25	0.09 40	0.08 51	0.11 43	0.12 124	0.07 144	0.05 83	0.08 162	0.06 85	0.07 152	0.06 100

xx1	0.11 74	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.16 40	0.18 111	0.09 18	0.09 25	0.16 167	0.16 222	0.10 16	0.07 1	0.06 53	0.05 83	0.08 162	0.08 214	0.07 152	0.07 153

1test111	0.11 74	0.08 137	0.13 113	0.17 110	0.09 125	0.13 127	0.15 123	0.24 188	0.16 86	0.09 18	0.09 25	0.06 3	0.06 8	0.15 164	0.16 222	0.06 53	0.05 83	0.06 33	0.05 34	0.07 152	0.07 153

test croco	0.11 74	0.09 184	0.10 41	0.19 224	0.09 125	0.11 80	0.14 77	0.14 19	0.13 44	0.13 106	0.15 94	0.09 40	0.12 135	0.13 132	0.12 124	0.07 144	0.05 83	0.09 231	0.06 85	0.06 94	0.06 100

MIF-Stereo (partial)	0.11 74	0.06 18	0.10 41	0.19 224	0.10 219	0.10 58	0.12 24	0.17 67	0.19 125	0.14 127	0.16 106	0.10 60	0.11 106	0.12 95	0.12 124	0.08 194	0.05 83	0.08 162	0.07 162	0.06 94	0.07 153

EKT-Stereo	0.11 74	0.07 54	0.14 149	0.16 61	0.10 219	0.13 127	0.14 77	0.19 115	0.21 156	0.11 64	0.08 18	0.13 116	0.10 82	0.11 43	0.12 124	0.08 194	0.06 192	0.07 102	0.06 85	0.08 200	0.07 153

LL-Strereo2	0.11 74	0.10 240	0.16 210	0.18 177	0.08 48	0.15 176	0.09 3	0.17 67	0.14 58	0.14 127	0.11 54	0.09 40	0.07 31	0.16 189	0.10 46	0.05 2	0.05 83	0.11 298	0.07 162	0.06 94	0.05 44

anonymousdsp2	0.11 74	0.07 54	0.11 66	0.16 61	0.09 125	0.13 127	0.14 77	0.19 115	0.23 184	0.13 106	0.14 83	0.12 94	0.09 69	0.14 150	0.11 74	0.05 2	0.05 83	0.05 2	0.04 8	0.06 94	0.06 100

DCRE	0.11 74	0.07 54	0.13 113	0.16 61	0.11 257	0.11 80	0.17 194	0.18 91	0.17 101	0.11 64	0.18 142	0.11 75	0.10 82	0.15 164	0.11 74	0.06 53	0.05 83	0.06 33	0.06 85	0.05 37	0.05 44

knoymous	0.11 74	0.06 18	0.12 89	0.14 12	0.07 16	0.15 176	0.13 46	0.20 126	0.14 58	0.11 64	0.17 122	0.13 116	0.09 69	0.14 150	0.11 74	0.09 237	0.05 83	0.06 33	0.05 34	0.07 152	0.07 153

riskmin	0.11 74	0.06 18	0.13 113	0.14 12	0.08 48	0.14 156	0.14 77	0.18 91	0.15 70	0.12 82	0.15 94	0.17 183	0.11 106	0.14 150	0.12 124	0.09 237	0.05 83	0.07 102	0.05 34	0.08 200	0.08 216

Selective-RAFT	0.11 74	0.11 258	0.12 89	0.21 292	0.08 48	0.16 198	0.13 46	0.21 137	0.23 184	0.10 37	0.10 38	0.11 75	0.10 82	0.15 164	0.11 74	0.05 2	0.05 83	0.06 33	0.05 34	0.06 94	0.05 44

DCANet-4	0.11 74	0.07 54	0.13 113	0.16 61	0.06 3	0.09 37	0.17 194	0.18 91	0.20 143	0.13 106	0.17 122	0.09 40	0.14 193	0.12 95	0.13 151	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

DisPM	0.11 74	0.07 54	0.13 113	0.16 61	0.09 125	0.06 2	0.13 46	0.18 91	0.17 101	0.14 127	0.19 153	0.12 94	0.10 82	0.12 95	0.11 74	0.07 144	0.05 83	0.07 102	0.06 85	0.06 94	0.11 291

test_4	0.11 74	0.10 240	0.08 7	0.19 224	0.09 125	0.08 23	0.21 294	0.15 26	0.18 111	0.12 82	0.18 142	0.12 94	0.09 69	0.08 5	0.11 74	0.04 1	0.04 2	0.08 162	0.08 214	0.04 1	0.04 5

CIPLG	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.13 127	0.15 123	0.17 67	0.16 86	0.14 127	0.11 54	0.16 167	0.10 82	0.17 219	0.12 124	0.07 144	0.05 83	0.06 33	0.06 85	0.05 37	0.06 100

GLC_STEREO	0.11 74	0.07 54	0.11 66	0.18 177	0.07 16	0.08 23	0.13 46	0.16 40	0.24 194	0.12 82	0.13 75	0.12 94	0.08 51	0.18 228	0.12 124	0.06 53	0.08 272	0.08 162	0.06 85	0.05 37	0.05 44

IPLG	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.11 80	0.14 77	0.20 126	0.15 70	0.13 106	0.18 142	0.07 18	0.07 31	0.14 150	0.14 175	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

IPLGR_C	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.12 106	0.15 123	0.17 67	0.15 70	0.14 127	0.11 54	0.16 167	0.10 82	0.16 189	0.12 124	0.07 144	0.05 83	0.06 33	0.06 85	0.05 37	0.06 100

MIPNet	0.11 74	0.08 137	0.15 175	0.17 110	0.09 125	0.12 106	0.14 77	0.21 137	0.25 210	0.12 82	0.10 38	0.09 40	0.07 31	0.13 132	0.13 151	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 5

IPLGR	0.11 74	0.09 184	0.17 229	0.18 177	0.08 48	0.13 127	0.16 174	0.21 137	0.24 194	0.12 82	0.12 64	0.11 75	0.09 69	0.13 132	0.12 124	0.06 53	0.05 83	0.06 33	0.06 85	0.05 37	0.04 5

GMOStereo	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 355	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

error version	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 355	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

test-v	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 355	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

ACRE	0.11 74	0.08 137	0.15 175	0.17 110	0.08 48	0.13 127	0.15 123	0.17 67	0.14 58	0.14 127	0.11 54	0.16 167	0.10 82	0.16 189	0.12 124	0.07 144	0.05 83	0.06 33	0.06 85	0.05 37	0.06 100

test_3	0.11 74	0.09 184	0.10 41	0.21 292	0.08 48	0.13 127	0.25 339	0.14 19	0.21 156	0.10 37	0.10 38	0.09 40	0.10 82	0.08 5	0.11 74	0.05 2	0.04 2	0.08 162	0.07 162	0.04 1	0.04 5

LCNet	0.11 74	0.07 54	0.09 25	0.19 224	0.09 125	0.08 23	0.14 77	0.21 137	0.15 70	0.12 82	0.15 94	0.16 167	0.11 106	0.12 95	0.11 74	0.05 2	0.04 2	0.08 162	0.07 162	0.06 94	0.14 331

HHNet	0.11 74	0.06 18	0.16 210	0.15 36	0.14 321	0.07 16	0.13 46	0.20 126	0.18 111	0.15 148	0.25 224	0.11 75	0.09 69	0.13 132	0.10 46	0.06 53	0.04 2	0.08 162	0.06 85	0.05 37	0.09 248

Patchmatch Stereo++	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 74	0.07 54	0.14 149	0.18 177	0.08 48	0.09 37	0.12 24	0.21 137	0.21 156	0.13 106	0.14 83	0.11 75	0.12 135	0.11 43	0.13 151	0.06 53	0.05 83	0.07 102	0.06 85	0.05 37	0.04 5

IIG-Stereo	0.11 74	0.06 18	0.13 113	0.17 110	0.08 48	0.11 80	0.12 24	0.22 156	0.18 111	0.14 127	0.17 122	0.12 94	0.13 164	0.12 95	0.13 151	0.06 53	0.05 83	0.07 102	0.06 85	0.06 94	0.05 44

NF-Stereo	0.11 74	0.07 54	0.13 113	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.12 309

OCTAStereo	0.11 74	0.07 54	0.14 149	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 291

NRIStereo	0.11 74	0.08 137	0.15 175	0.18 177	0.08 48	0.10 58	0.13 46	0.17 67	0.15 70	0.12 82	0.15 94	0.13 116	0.13 164	0.13 132	0.10 46	0.06 53	0.04 2	0.07 102	0.06 85	0.06 94	0.07 153

PSM-adaLoss	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

PSM-AAD	0.11 74	0.07 54	0.10 41	0.20 266	0.09 125	0.10 58	0.14 77	0.21 137	0.13 44	0.12 82	0.14 83	0.18 195	0.11 106	0.11 43	0.10 46	0.05 2	0.05 83	0.09 231	0.08 214	0.06 94	0.14 331

ROB_FTStereo_v2	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

ROB_FTStereo	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

HUI-Stereo	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

ASMatch	0.11 74	0.06 18	0.13 113	0.17 110	0.10 219	0.08 23	0.14 77	0.18 91	0.16 86	0.12 82	0.16 106	0.16 167	0.11 106	0.13 132	0.11 74	0.05 2	0.04 2	0.06 33	0.06 85	0.04 1	0.09 248

SST-Stereo	0.11 74	0.07 54	0.16 210	0.18 177	0.09 125	0.06 2	0.12 24	0.18 91	0.10 7	0.15 148	0.18 142	0.13 116	0.12 135	0.10 16	0.11 74	0.06 53	0.04 2	0.09 231	0.06 85	0.07 152	0.06 100

RAFT_R40	0.11 74	0.07 54	0.15 175	0.18 177	0.09 125	0.06 2	0.13 46	0.17 67	0.15 70	0.14 127	0.18 142	0.15 153	0.12 135	0.10 16	0.11 74	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.05 44

GrayStereo	0.11 74	0.06 18	0.11 66	0.19 224	0.09 125	0.09 37	0.16 174	0.18 91	0.17 101	0.14 127	0.17 122	0.17 183	0.11 106	0.12 95	0.11 74	0.05 2	0.05 83	0.07 102	0.06 85	0.06 94	0.10 270

RE-Stereo	0.11 74	0.07 54	0.13 113	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 291

Pruner-Stereo	0.11 74	0.07 54	0.12 89	0.17 110	0.09 125	0.06 2	0.12 24	0.18 91	0.17 101	0.14 127	0.19 153	0.13 116	0.10 82	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.06 94	0.08 216

TVStereo	0.11 74	0.07 54	0.13 113	0.17 110	0.09 125	0.10 58	0.13 46	0.23 170	0.19 125	0.12 82	0.17 122	0.12 94	0.12 135	0.11 43	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 291

DeepStereo_RVC	0.11 74	0.08 137	0.17 229	0.18 177	0.08 48	0.08 23	0.11 11	0.17 67	0.12 28	0.13 106	0.15 94	0.12 94	0.12 135	0.12 95	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.08 216

iGMRVC	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

RAFT-345	0.11 74	0.07 54	0.16 210	0.17 110	0.08 48	0.08 23	0.12 24	0.16 40	0.10 7	0.11 64	0.34 305	0.09 40	0.10 82	0.11 43	0.12 124	0.05 2	0.05 83	0.07 102	0.06 85	0.04 1	0.05 44

iRAFT	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

CRE-IMP	0.11 74	0.09 184	0.16 210	0.19 224	0.09 125	0.10 58	0.12 24	0.18 91	0.10 7	0.14 127	0.14 83	0.14 132	0.13 164	0.12 95	0.12 124	0.07 144	0.04 2	0.08 162	0.06 85	0.08 200	0.08 216

test-2	0.11 74	0.09 184	0.08 7	0.19 224	0.08 48	0.12 106	0.28 355	0.13 12	0.18 111	0.11 64	0.17 122	0.14 132	0.12 135	0.07 1	0.07 1	0.05 2	0.05 83	0.09 231	0.07 162	0.04 1	0.04 5

GMM-Stereo	0.11 74	0.07 54	0.10 41	0.18 177	0.09 125	0.08 23	0.14 77	0.24 188	0.16 86	0.11 64	0.15 94	0.13 116	0.11 106	0.11 43	0.11 74	0.05 2	0.04 2	0.08 162	0.07 162	0.06 94	0.09 248

RAFT-IKP	0.11 74	0.09 184	0.17 229	0.19 224	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 148	0.16 106	0.14 132	0.12 135	0.11 43	0.11 74	0.06 53	0.05 83	0.08 162	0.06 85	0.08 200	0.07 153

Prome-Stereo	0.11 74	0.07 54	0.11 66	0.18 177	0.09 125	0.12 106	0.14 77	0.23 170	0.13 44	0.13 106	0.16 106	0.13 116	0.08 51	0.12 95	0.10 46	0.05 2	0.05 83	0.07 102	0.06 85	0.06 94	0.10 270

rafts_anoy	0.11 74	0.06 18	0.10 41	0.17 110	0.08 48	0.10 58	0.14 77	0.18 91	0.14 58	0.13 106	0.13 75	0.12 94	0.11 106	0.11 43	0.13 151	0.07 144	0.05 83	0.09 231	0.11 308	0.07 152	0.06 100

raft+_RVC	0.11 74	0.07 54	0.09 25	0.16 61	0.07 16	0.10 58	0.11 11	0.24 188	0.20 143	0.12 82	0.15 94	0.12 94	0.08 51	0.12 95	0.13 151	0.07 144	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

RALCasStereoNet	0.11 74	0.07 54	0.09 25	0.16 61	0.08 48	0.13 127	0.14 77	0.17 67	0.11 18	0.12 82	0.17 122	0.14 132	0.10 82	0.12 95	0.11 74	0.07 144	0.06 192	0.06 33	0.05 34	0.08 200	0.07 153

RALAANet	0.11 74	0.08 137	0.10 41	0.17 110	0.09 125	0.14 156	0.10 5	0.20 126	0.16 86	0.14 127	0.13 75	0.16 167	0.09 69	0.12 95	0.12 124	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.04 5

111	0.11 74	0.06 18	0.12 89	0.15 36	0.07 16	0.10 58	0.14 77	0.21 137	0.24 194	0.11 64	0.12 64	0.14 132	0.12 135	0.13 132	0.10 46	0.06 53	0.04 2	0.06 33	0.04 8	0.06 94	0.05 44

DIP-Stereo	0.11 74	0.08 137	0.15 175	0.17 110	0.09 125	0.13 127	0.09 3	0.16 40	0.16 86	0.12 82	0.16 106	0.14 132	0.12 135	0.16 189	0.14 175	0.06 53	0.05 83	0.06 33	0.05 34	0.05 37	0.07 153
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.11 74	0.06 18	0.12 89	0.14 12	0.06 3	0.12 106	0.10 5	0.18 91	0.18 111	0.13 106	0.17 122	0.15 153	0.11 106	0.15 164	0.14 175	0.06 53	0.04 2	0.04 1	0.04 8	0.06 94	0.05 44
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
MyStereo8	0.12 136	0.07 54	0.15 175	0.15 36	0.09 125	0.18 234	0.14 77	0.19 115	0.22 175	0.12 82	0.18 142	0.11 75	0.10 82	0.16 189	0.18 246	0.07 144	0.05 83	0.07 102	0.05 34	0.08 200	0.09 248

CoDeX	0.12 136	0.07 54	0.13 113	0.17 110	0.08 48	0.12 106	0.16 174	0.23 170	0.27 232	0.13 106	0.17 122	0.15 153	0.12 135	0.14 150	0.11 74	0.07 144	0.05 83	0.07 102	0.06 85	0.06 94	0.05 44

11t1	0.12 136	0.07 54	0.14 149	0.14 12	0.08 48	0.17 218	0.15 123	0.19 115	0.15 70	0.15 148	0.15 94	0.17 183	0.16 222	0.15 164	0.13 151	0.08 194	0.05 83	0.06 33	0.05 34	0.08 200	0.07 153

ffm	0.12 136	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.15 26	0.19 125	0.15 148	0.26 236	0.19 199	0.13 164	0.10 16	0.08 9	0.06 53	0.05 83	0.09 231	0.08 214	0.06 94	0.06 100

RAFT_CTSACE	0.12 136	0.09 184	0.10 41	0.22 308	0.08 48	0.12 106	0.24 324	0.18 91	0.17 101	0.21 253	0.27 251	0.13 116	0.07 31	0.13 132	0.09 17	0.05 2	0.06 192	0.08 162	0.07 162	0.04 1	0.04 5

Sa-1000	0.12 136	0.08 137	0.09 25	0.18 177	0.08 48	0.15 176	0.22 305	0.22 156	0.19 125	0.15 148	0.20 162	0.17 183	0.11 106	0.10 16	0.10 46	0.06 53	0.05 83	0.09 231	0.09 254	0.05 37	0.05 44

iRaft-Stereo_5w	0.12 136	0.09 184	0.12 89	0.20 266	0.08 48	0.09 37	0.12 24	0.22 156	0.22 175	0.19 224	0.14 83	0.11 75	0.09 69	0.20 260	0.16 222	0.05 2	0.05 83	0.07 102	0.06 85	0.05 37	0.06 100

CrosDoStereo	0.12 136	0.07 54	0.12 89	0.14 12	0.09 125	0.12 106	0.15 123	0.17 67	0.22 175	0.19 224	0.24 198	0.15 153	0.11 106	0.11 43	0.12 124	0.06 53	0.05 83	0.07 102	0.07 162	0.05 37	0.05 44

PFNet+	0.12 136	0.06 18	0.14 149	0.16 61	0.09 125	0.05 1	0.12 24	0.18 91	0.21 156	0.16 175	0.19 153	0.14 132	0.10 82	0.11 43	0.11 74	0.08 194	0.05 83	0.09 231	0.08 214	0.06 94	0.11 291

AAGNet	0.12 136	0.08 137	0.17 229	0.19 224	0.09 125	0.08 23	0.13 46	0.19 115	0.13 44	0.16 175	0.21 178	0.13 116	0.14 193	0.11 43	0.14 175	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.05 44

PSM-softLoss	0.12 136	0.07 54	0.15 175	0.17 110	0.09 125	0.08 23	0.12 24	0.24 188	0.17 101	0.15 148	0.19 153	0.13 116	0.11 106	0.11 43	0.11 74	0.07 144	0.05 83	0.08 162	0.07 162	0.07 152	0.12 309

KMStereo	0.12 136	0.07 54	0.15 175	0.17 110	0.09 125	0.08 23	0.12 24	0.24 188	0.17 101	0.15 148	0.19 153	0.13 116	0.11 106	0.11 43	0.11 74	0.07 144	0.05 83	0.08 162	0.07 162	0.07 152	0.12 309

FTStereo	0.12 136	0.07 54	0.14 149	0.18 177	0.09 125	0.07 16	0.15 123	0.22 156	0.18 111	0.12 82	0.24 198	0.11 75	0.13 164	0.13 132	0.14 175	0.05 2	0.05 83	0.07 102	0.07 162	0.06 94	0.10 270

KYRaft	0.12 136	0.07 54	0.10 41	0.19 224	0.09 125	0.08 23	0.15 123	0.23 170	0.12 28	0.13 106	0.16 106	0.20 215	0.10 82	0.12 95	0.11 74	0.06 53	0.04 2	0.08 162	0.08 214	0.06 94	0.15 346

DeepStereo_LL	0.12 136	0.07 54	0.12 89	0.14 12	0.09 125	0.12 106	0.15 123	0.17 67	0.22 175	0.19 224	0.24 198	0.15 153	0.11 106	0.11 43	0.12 124	0.06 53	0.05 83	0.07 102	0.07 162	0.05 37	0.05 44

DEmStereo	0.12 136	0.06 18	0.14 149	0.14 12	0.10 219	0.16 198	0.15 123	0.16 40	0.24 194	0.17 185	0.23 188	0.12 94	0.14 193	0.12 95	0.14 175	0.05 2	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

THIR-Stereo	0.12 136	0.07 54	0.11 66	0.15 36	0.08 48	0.14 156	0.16 174	0.18 91	0.25 210	0.17 185	0.24 198	0.13 116	0.13 164	0.12 95	0.14 175	0.06 53	0.05 83	0.07 102	0.07 162	0.05 37	0.05 44

DRaft	0.12 136	0.06 18	0.12 89	0.14 12	0.09 125	0.14 156	0.17 194	0.21 137	0.30 257	0.18 213	0.27 251	0.10 60	0.16 222	0.11 43	0.12 124	0.05 2	0.04 2	0.07 102	0.07 162	0.05 37	0.05 44

PFNet	0.12 136	0.06 18	0.17 229	0.18 177	0.08 48	0.09 37	0.15 123	0.26 213	0.20 143	0.16 175	0.16 106	0.14 132	0.12 135	0.13 132	0.11 74	0.06 53	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

RAFT-RH_RVC	0.12 136	0.06 18	0.14 149	0.16 61	0.09 125	0.12 106	0.12 24	0.17 67	0.12 28	0.13 106	0.40 333	0.11 75	0.10 82	0.13 132	0.12 124	0.05 2	0.04 2	0.08 162	0.05 34	0.05 37	0.06 100

IRAFT_RVC	0.12 136	0.08 137	0.17 229	0.19 224	0.08 48	0.07 16	0.14 77	0.25 205	0.23 184	0.14 127	0.15 94	0.15 153	0.12 135	0.12 95	0.11 74	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.06 100

sCroCo_RVC	0.12 136	0.09 184	0.24 305	0.24 333	0.11 257	0.19 249	0.14 77	0.17 67	0.15 70	0.10 37	0.13 75	0.12 94	0.07 31	0.14 150	0.11 74	0.08 194	0.08 272	0.08 162	0.08 214	0.05 37	0.07 153

ARAFT	0.12 136	0.08 137	0.18 255	0.19 224	0.09 125	0.15 176	0.17 194	0.20 126	0.13 44	0.12 82	0.13 75	0.14 132	0.12 135	0.15 164	0.13 151	0.06 53	0.05 83	0.10 272	0.09 254	0.06 94	0.04 5

BEATNet_4x	0.12 136	0.09 184	0.15 175	0.18 177	0.07 16	0.15 176	0.07 1	0.23 170	0.19 125	0.16 175	0.19 153	0.19 199	0.14 193	0.17 219	0.15 205	0.07 144	0.05 83	0.05 2	0.05 34	0.06 94	0.07 153

MyStereo05	0.13 160	0.07 54	0.10 41	0.17 110	0.09 125	0.13 127	0.18 232	0.28 246	0.35 295	0.17 185	0.14 83	0.15 153	0.11 106	0.15 164	0.13 151	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

MyStereo04	0.13 160	0.07 54	0.10 41	0.17 110	0.09 125	0.14 156	0.17 194	0.29 260	0.38 310	0.17 185	0.14 83	0.16 167	0.11 106	0.15 164	0.13 151	0.06 53	0.05 83	0.08 162	0.07 162	0.06 94	0.06 100

DualNet	0.13 160	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.15 26	0.19 125	0.15 148	0.26 236	0.19 199	0.13 164	0.10 16	0.22 288	0.06 53	0.05 83	0.09 231	0.08 214	0.06 94	0.06 100

ff1	0.13 160	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.15 26	0.19 125	0.15 148	0.26 236	0.19 199	0.13 164	0.15 164	0.22 288	0.06 53	0.05 83	0.09 231	0.08 214	0.06 94	0.06 100

LL-Strereo	0.13 160	0.10 240	0.12 89	0.20 266	0.10 219	0.11 80	0.18 232	0.33 297	0.25 210	0.16 175	0.16 106	0.14 132	0.14 193	0.19 247	0.11 74	0.06 53	0.05 83	0.09 231	0.08 214	0.04 1	0.05 44

anonymousa	0.13 160	0.07 54	0.14 149	0.18 177	0.09 125	0.13 127	0.17 194	0.20 126	0.29 251	0.15 148	0.24 198	0.16 167	0.14 193	0.14 150	0.14 175	0.07 144	0.05 83	0.07 102	0.09 254	0.05 37	0.07 153

TestStereo1	0.13 160	0.08 137	0.08 7	0.20 266	0.08 48	0.18 234	0.29 365	0.23 170	0.17 101	0.17 185	0.20 162	0.16 167	0.11 106	0.12 95	0.13 151	0.06 53	0.06 192	0.08 162	0.06 85	0.05 37	0.05 44

qqq	0.13 160	0.09 184	0.15 175	0.16 61	0.08 48	0.13 127	0.15 123	0.24 188	0.16 86	0.15 148	0.19 153	0.16 167	0.16 222	0.15 164	0.16 222	0.07 144	0.06 192	0.08 162	0.08 214	0.07 152	0.07 153

x	0.13 160	0.08 137	0.15 175	0.14 12	0.08 48	0.19 249	0.14 77	0.22 156	0.21 156	0.15 148	0.20 162	0.20 215	0.18 254	0.18 228	0.18 246	0.07 144	0.05 83	0.06 33	0.06 85	0.07 152	0.07 153

raft_robust	0.13 160	0.10 240	0.07 1	0.18 177	0.08 48	0.13 127	0.24 324	0.29 260	0.34 284	0.20 244	0.20 162	0.15 153	0.10 82	0.11 43	0.12 124	0.05 2	0.05 83	0.07 102	0.07 162	0.05 37	0.04 5

RAFT+CT+SA	0.13 160	0.11 258	0.09 25	0.19 224	0.09 125	0.15 176	0.28 355	0.22 156	0.22 175	0.15 148	0.26 236	0.10 60	0.10 82	0.11 43	0.12 124	0.05 2	0.04 2	0.07 102	0.08 214	0.07 152	0.06 100

SA-5K	0.13 160	0.08 137	0.08 7	0.20 266	0.08 48	0.18 234	0.29 365	0.23 170	0.17 101	0.17 185	0.20 162	0.16 167	0.11 106	0.12 95	0.13 151	0.06 53	0.06 192	0.08 162	0.06 85	0.05 37	0.05 44

SA	0.13 160	0.09 184	0.09 25	0.18 177	0.08 48	0.12 106	0.24 324	0.23 170	0.19 125	0.17 185	0.27 251	0.15 153	0.11 106	0.11 43	0.11 74	0.05 2	0.05 83	0.09 231	0.08 214	0.05 37	0.05 44

GwcNet-ADL	0.13 160	0.08 137	0.14 149	0.20 266	0.09 125	0.12 106	0.20 281	0.30 270	0.25 210	0.14 127	0.14 83	0.18 195	0.14 193	0.13 132	0.15 205	0.07 144	0.05 83	0.06 33	0.05 34	0.07 152	0.06 100

GANet-ADL	0.13 160	0.07 54	0.15 175	0.17 110	0.10 219	0.19 249	0.15 123	0.30 270	0.21 156	0.13 106	0.18 142	0.19 199	0.13 164	0.16 189	0.14 175	0.08 194	0.06 192	0.06 33	0.05 34	0.07 152	0.08 216

RAFT	0.13 160	0.09 184	0.11 66	0.18 177	0.08 48	0.15 176	0.23 316	0.21 137	0.20 143	0.21 253	0.21 178	0.18 195	0.13 164	0.17 219	0.10 46	0.06 53	0.07 246	0.10 272	0.09 254	0.06 94	0.05 44

sAnonymous2	0.13 160	0.12 273	0.25 309	0.20 266	0.12 285	0.18 234	0.14 77	0.27 225	0.21 156	0.11 64	0.12 64	0.13 116	0.08 51	0.11 43	0.11 74	0.09 237	0.05 83	0.08 162	0.06 85	0.15 347	0.10 270

CroCo_RVC	0.13 160	0.12 273	0.25 309	0.20 266	0.12 285	0.18 234	0.14 77	0.27 225	0.21 156	0.11 64	0.12 64	0.13 116	0.08 51	0.11 43	0.11 74	0.09 237	0.05 83	0.08 162	0.06 85	0.15 347	0.10 270

RAFT + AFF	0.13 160	0.08 137	0.21 286	0.20 266	0.10 219	0.14 156	0.23 316	0.27 225	0.21 156	0.12 82	0.10 38	0.12 94	0.10 82	0.16 189	0.12 124	0.08 194	0.07 246	0.09 231	0.09 254	0.06 94	0.09 248

GMStereo	0.13 160	0.15 313	0.14 149	0.18 177	0.09 125	0.16 198	0.16 174	0.20 126	0.25 210	0.17 185	0.17 122	0.11 75	0.11 106	0.16 189	0.13 151	0.07 144	0.06 192	0.06 33	0.06 85	0.07 152	0.06 100
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 160	0.07 54	0.15 175	0.17 110	0.09 125	0.15 176	0.16 174	0.28 246	0.27 232	0.14 127	0.18 142	0.12 94	0.13 164	0.14 150	0.11 74	0.08 194	0.05 83	0.07 102	0.07 162	0.07 152	0.06 100

FENet	0.13 160	0.08 137	0.13 113	0.16 61	0.08 48	0.15 176	0.16 174	0.23 170	0.23 184	0.17 185	0.24 198	0.16 167	0.13 164	0.14 150	0.15 205	0.08 194	0.05 83	0.08 162	0.08 214	0.08 200	0.08 216

MLCV	0.13 160	0.08 137	0.17 229	0.18 177	0.06 3	0.16 198	0.17 194	0.19 115	0.22 175	0.19 224	0.25 224	0.17 183	0.13 164	0.15 164	0.14 175	0.05 2	0.04 2	0.05 2	0.04 8	0.05 37	0.04 5

iResNet	0.13 160	0.10 240	0.18 255	0.19 224	0.08 48	0.14 156	0.18 232	0.21 137	0.27 232	0.16 175	0.24 198	0.15 153	0.13 164	0.14 150	0.15 205	0.06 53	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

DN-CSS_ROB	0.13 160	0.13 292	0.17 229	0.18 177	0.10 219	0.16 198	0.08 2	0.22 156	0.19 125	0.17 185	0.23 188	0.13 116	0.13 164	0.13 132	0.14 175	0.05 2	0.05 83	0.10 272	0.10 285	0.08 200	0.06 100

SMFormer	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.17 234	0.08 194	0.05 83	0.07 102	0.06 85	0.08 200	0.07 153

tta	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.17 234	0.08 194	0.05 83	0.07 102	0.06 85	0.06 94	0.06 100

qqq1	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.12 124	0.08 194	0.05 83	0.05 2	0.05 34	0.06 94	0.06 100

fff1	0.14 185	0.07 54	0.18 255	0.14 12	0.08 48	0.17 218	0.17 194	0.27 225	0.27 232	0.19 224	0.20 162	0.19 199	0.15 211	0.15 164	0.12 124	0.08 194	0.05 83	0.05 2	0.05 34	0.06 94	0.06 100

mmm	0.14 185	0.08 137	0.18 255	0.17 110	0.09 125	0.17 218	0.18 232	0.21 137	0.16 86	0.16 175	0.23 188	0.21 221	0.16 222	0.16 189	0.17 234	0.08 194	0.05 83	0.08 162	0.08 214	0.08 200	0.07 153

ttt	0.14 185	0.08 137	0.14 149	0.15 36	0.08 48	0.15 176	0.18 232	0.27 225	0.30 257	0.16 175	0.24 198	0.17 183	0.14 193	0.13 132	0.14 175	0.11 293	0.08 272	0.09 231	0.08 214	0.09 252	0.09 248

whm_eth	0.14 185	0.09 184	0.21 286	0.21 292	0.12 285	0.12 106	0.16 174	0.18 91	0.29 251	0.17 185	0.32 288	0.09 40	0.13 164	0.18 228	0.14 175	0.07 144	0.07 246	0.08 162	0.07 162	0.07 152	0.07 153

StereoVision	0.14 185	0.13 292	0.10 41	0.24 333	0.10 219	0.16 198	0.21 294	0.21 137	0.20 143	0.12 82	0.25 224	0.10 60	0.10 82	0.16 189	0.10 46	0.09 237	0.10 314	0.12 315	0.12 326	0.06 94	0.05 44

PCWNet_CMD	0.14 185	0.08 137	0.15 175	0.17 110	0.09 125	0.14 156	0.14 77	0.29 260	0.36 300	0.14 127	0.20 162	0.21 221	0.13 164	0.17 219	0.14 175	0.07 144	0.05 83	0.07 102	0.07 162	0.07 152	0.07 153

gwcnet-sp	0.14 185	0.07 54	0.13 113	0.18 177	0.09 125	0.16 198	0.18 232	0.24 188	0.24 194	0.19 224	0.24 198	0.15 153	0.16 222	0.16 189	0.15 205	0.08 194	0.07 246	0.07 102	0.08 214	0.08 200	0.07 153

scenet	0.14 185	0.07 54	0.13 113	0.18 177	0.09 125	0.16 198	0.18 232	0.24 188	0.24 194	0.19 224	0.24 198	0.15 153	0.16 222	0.16 189	0.15 205	0.08 194	0.07 246	0.07 102	0.08 214	0.08 200	0.07 153

CASS	0.14 185	0.12 273	0.12 89	0.23 325	0.09 125	0.15 176	0.17 194	0.19 115	0.20 143	0.17 185	0.18 142	0.15 153	0.15 211	0.15 164	0.14 175	0.09 237	0.06 192	0.10 272	0.08 214	0.09 252	0.07 153
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ssnet	0.14 185	0.07 54	0.13 113	0.18 177	0.09 125	0.16 198	0.18 232	0.24 188	0.24 194	0.19 224	0.24 198	0.15 153	0.16 222	0.16 189	0.15 205	0.08 194	0.07 246	0.07 102	0.08 214	0.08 200	0.07 153

IER	0.14 185	0.08 137	0.13 113	0.17 110	0.09 125	0.14 156	0.16 174	0.26 213	0.27 232	0.18 213	0.26 236	0.17 183	0.20 281	0.17 219	0.14 175	0.08 194	0.05 83	0.07 102	0.06 85	0.08 200	0.07 153

test_5	0.14 185	0.12 273	0.08 7	0.20 266	0.10 219	0.14 156	0.28 355	0.21 137	0.24 194	0.19 224	0.28 260	0.11 75	0.15 211	0.12 95	0.13 151	0.06 53	0.05 83	0.07 102	0.08 214	0.08 200	0.07 153

psmg	0.14 185	0.09 184	0.14 149	0.17 110	0.10 219	0.15 176	0.17 194	0.29 260	0.20 143	0.17 185	0.21 178	0.25 266	0.16 222	0.16 189	0.14 175	0.08 194	0.07 246	0.08 162	0.08 214	0.07 152	0.07 153

UDGNet	0.14 185	0.13 292	0.17 229	0.18 177	0.10 219	0.12 106	0.16 174	0.21 137	0.27 232	0.20 244	0.20 162	0.17 183	0.13 164	0.16 189	0.14 175	0.10 268	0.06 192	0.09 231	0.07 162	0.07 152	0.07 153

TestStereo	0.14 185	0.15 313	0.11 66	0.23 325	0.08 48	0.15 176	0.21 294	0.20 126	0.23 184	0.14 127	0.25 224	0.16 167	0.13 164	0.16 189	0.14 175	0.06 53	0.06 192	0.08 162	0.06 85	0.09 252	0.05 44

CFNet_pseudo	0.14 185	0.08 137	0.16 210	0.16 61	0.09 125	0.13 127	0.14 77	0.27 225	0.34 284	0.15 148	0.21 178	0.22 237	0.13 164	0.18 228	0.14 175	0.07 144	0.05 83	0.08 162	0.06 85	0.07 152	0.07 153

Anonymous	0.14 185	0.10 240	0.24 305	0.23 325	0.13 306	0.18 234	0.23 316	0.20 126	0.19 125	0.14 127	0.12 64	0.11 75	0.13 164	0.17 219	0.13 151	0.08 194	0.07 246	0.08 162	0.08 214	0.12 306	0.10 270

GES	0.14 185	0.08 137	0.16 210	0.15 36	0.10 219	0.13 127	0.13 46	0.28 246	0.26 222	0.17 185	0.24 198	0.19 199	0.14 193	0.16 189	0.14 175	0.08 194	0.08 272	0.07 102	0.06 85	0.08 200	0.09 248

cf-r	0.14 185	0.07 54	0.13 113	0.16 61	0.08 48	0.14 156	0.19 267	0.21 137	0.25 210	0.17 185	0.26 236	0.22 237	0.17 243	0.14 150	0.15 205	0.10 268	0.05 83	0.06 33	0.08 214	0.06 94	0.06 100

GANet-RSSM	0.14 185	0.07 54	0.13 113	0.13 7	0.08 48	0.14 156	0.18 232	0.23 170	0.21 156	0.17 185	0.25 224	0.24 257	0.16 222	0.16 189	0.16 222	0.10 268	0.06 192	0.07 102	0.08 214	0.08 200	0.07 153

PSMNet-RSSM	0.14 185	0.07 54	0.14 149	0.15 36	0.08 48	0.13 127	0.16 174	0.25 205	0.24 194	0.17 185	0.28 260	0.23 248	0.14 193	0.16 189	0.14 175	0.11 293	0.06 192	0.09 231	0.12 326	0.08 200	0.07 153

GwcNet-RSSM	0.14 185	0.07 54	0.12 89	0.16 61	0.08 48	0.15 176	0.20 281	0.22 156	0.28 245	0.18 213	0.28 260	0.23 248	0.17 243	0.15 164	0.16 222	0.10 268	0.06 192	0.07 102	0.09 254	0.07 152	0.07 153

CFNet-ft	0.14 185	0.07 54	0.15 175	0.12 3	0.09 125	0.17 218	0.18 232	0.22 156	0.24 194	0.17 185	0.26 236	0.24 257	0.14 193	0.16 189	0.15 205	0.11 293	0.06 192	0.08 162	0.09 254	0.09 252	0.08 216

DMCA	0.14 185	0.09 184	0.17 229	0.19 224	0.09 125	0.15 176	0.17 194	0.23 170	0.28 245	0.14 127	0.20 162	0.17 183	0.18 254	0.15 164	0.17 234	0.10 268	0.06 192	0.08 162	0.06 85	0.09 252	0.10 270

MSMDNet	0.14 185	0.08 137	0.15 175	0.17 110	0.09 125	0.14 156	0.14 77	0.29 260	0.36 300	0.14 127	0.20 162	0.21 221	0.13 164	0.18 228	0.14 175	0.07 144	0.05 83	0.07 102	0.07 162	0.07 152	0.07 153

HSM-Net_RVC	0.14 185	0.08 137	0.12 89	0.15 36	0.08 48	0.16 198	0.15 123	0.27 225	0.29 251	0.20 244	0.21 178	0.29 295	0.14 193	0.18 228	0.13 151	0.06 53	0.06 192	0.06 33	0.06 85	0.07 152	0.06 100
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 185	0.07 54	0.15 175	0.12 3	0.09 125	0.17 218	0.18 232	0.22 156	0.24 194	0.17 185	0.26 236	0.24 257	0.14 193	0.16 189	0.15 205	0.11 293	0.06 192	0.08 162	0.09 254	0.09 252	0.08 216

ccs_rob	0.14 185	0.09 184	0.16 210	0.16 61	0.09 125	0.13 127	0.14 77	0.27 225	0.34 284	0.15 148	0.21 178	0.22 237	0.13 164	0.18 228	0.14 175	0.07 144	0.05 83	0.08 162	0.07 162	0.07 152	0.07 153

iResNet_ROB	0.14 185	0.07 54	0.13 113	0.15 36	0.07 16	0.19 249	0.14 77	0.26 213	0.32 269	0.23 275	0.26 236	0.23 248	0.16 222	0.15 164	0.14 175	0.07 144	0.05 83	0.05 2	0.04 8	0.08 200	0.08 216

DispNO	0.15 217	0.09 184	0.18 255	0.19 224	0.12 285	0.11 80	0.21 294	0.23 170	0.29 251	0.18 213	0.23 188	0.19 199	0.17 243	0.16 189	0.16 222	0.07 144	0.05 83	0.08 162	0.08 214	0.07 152	0.06 100

mmx	0.15 217	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.27 225	0.26 222	0.15 148	0.26 236	0.19 199	0.13 164	0.15 164	0.22 288	0.08 194	0.06 192	0.09 231	0.08 214	0.08 200	0.08 216

xxx	0.15 217	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.27 225	0.26 222	0.15 148	0.26 236	0.19 199	0.13 164	0.15 164	0.22 288	0.08 194	0.06 192	0.09 231	0.08 214	0.08 200	0.08 216

CFNet_ucs	0.15 217	0.09 184	0.17 229	0.16 61	0.11 257	0.14 156	0.14 77	0.30 270	0.34 284	0.16 175	0.24 198	0.23 248	0.14 193	0.18 228	0.15 205	0.09 237	0.06 192	0.08 162	0.07 162	0.09 252	0.09 248

CBFPSM	0.15 217	0.07 54	0.27 317	0.17 110	0.09 125	0.13 127	0.15 123	0.22 156	0.23 184	0.20 244	0.27 251	0.23 248	0.16 222	0.16 189	0.19 256	0.06 53	0.06 192	0.06 33	0.07 162	0.07 152	0.07 153

BUS	0.15 217	0.09 184	0.14 149	0.22 308	0.10 219	0.20 266	0.14 77	0.34 311	0.20 143	0.17 185	0.23 188	0.16 167	0.14 193	0.16 189	0.14 175	0.08 194	0.06 192	0.10 272	0.09 254	0.07 152	0.07 153

BSDual-CNN	0.15 217	0.09 184	0.14 149	0.22 308	0.10 219	0.15 176	0.15 123	0.34 311	0.20 143	0.17 185	0.23 188	0.25 266	0.16 222	0.16 189	0.14 175	0.08 194	0.06 192	0.10 272	0.09 254	0.07 152	0.07 153

hknet	0.15 217	0.11 258	0.14 149	0.22 308	0.11 257	0.15 176	0.15 123	0.34 311	0.26 222	0.17 185	0.23 188	0.22 237	0.18 254	0.17 219	0.13 151	0.07 144	0.06 192	0.10 272	0.09 254	0.07 152	0.07 153

dd	0.15 217	0.17 330	0.17 229	0.19 224	0.09 125	0.15 176	0.18 232	0.22 156	0.26 222	0.23 275	0.20 162	0.21 221	0.10 82	0.21 275	0.17 234	0.10 268	0.06 192	0.08 162	0.06 85	0.08 200	0.07 153

DAS	0.15 217	0.08 137	0.18 255	0.19 224	0.10 219	0.19 249	0.17 194	0.28 246	0.30 257	0.18 213	0.26 236	0.21 221	0.16 222	0.16 189	0.13 151	0.08 194	0.06 192	0.06 33	0.06 85	0.07 152	0.07 153

SepStereo	0.15 217	0.08 137	0.18 255	0.19 224	0.10 219	0.19 249	0.17 194	0.28 246	0.30 257	0.18 213	0.26 236	0.21 221	0.16 222	0.26 318	0.13 151	0.08 194	0.06 192	0.06 33	0.06 85	0.07 152	0.07 153

PSMNet-ADL	0.15 217	0.12 273	0.13 113	0.22 308	0.09 125	0.13 127	0.20 281	0.26 213	0.23 184	0.18 213	0.20 162	0.23 248	0.17 243	0.18 228	0.18 246	0.09 237	0.08 272	0.08 162	0.11 308	0.08 200	0.07 153

LMCR-Stereo	0.15 217	0.08 137	0.14 149	0.21 292	0.09 125	0.18 234	0.19 267	0.28 246	0.19 125	0.24 286	0.24 198	0.23 248	0.17 243	0.20 260	0.17 234	0.07 144	0.06 192	0.08 162	0.06 85	0.10 277	0.09 248

xxxx	0.15 217	0.07 54	0.14 149	0.14 12	0.08 48	0.24 306	0.18 232	0.32 287	0.20 143	0.14 127	0.28 260	0.22 237	0.14 193	0.15 164	0.29 346	0.09 237	0.05 83	0.07 102	0.07 162	0.08 200	0.08 216

test_xeample	0.15 217	0.07 54	0.14 149	0.15 36	0.08 48	0.22 289	0.20 281	0.29 260	0.21 156	0.16 175	0.29 270	0.19 199	0.17 243	0.16 189	0.28 339	0.09 237	0.05 83	0.07 102	0.07 162	0.07 152	0.07 153

ACVNet	0.15 217	0.09 184	0.15 175	0.13 7	0.12 285	0.14 156	0.20 281	0.22 156	0.34 284	0.17 185	0.26 236	0.21 221	0.17 243	0.18 228	0.21 275	0.07 144	0.06 192	0.06 33	0.06 85	0.08 200	0.06 100

acv_ft	0.15 217	0.09 184	0.16 210	0.19 224	0.10 219	0.16 198	0.17 194	0.25 205	0.34 284	0.19 224	0.26 236	0.21 221	0.17 243	0.18 228	0.19 256	0.07 144	0.06 192	0.06 33	0.06 85	0.08 200	0.06 100

RASNet	0.15 217	0.07 54	0.15 175	0.16 61	0.08 48	0.19 249	0.14 77	0.30 270	0.21 156	0.17 185	0.25 224	0.21 221	0.19 268	0.20 260	0.20 264	0.07 144	0.06 192	0.06 33	0.08 214	0.06 94	0.06 100

CFNet	0.15 217	0.11 258	0.17 229	0.17 110	0.08 48	0.19 249	0.10 5	0.29 260	0.26 222	0.19 224	0.24 198	0.24 257	0.18 254	0.18 228	0.15 205	0.08 194	0.06 192	0.09 231	0.10 285	0.08 200	0.07 153

UCFNet_RVC	0.15 217	0.08 137	0.13 113	0.11 1	0.10 219	0.20 266	0.10 5	0.24 188	0.23 184	0.17 185	0.21 178	0.24 257	0.15 211	0.18 228	0.15 205	0.12 316	0.07 246	0.11 298	0.13 336	0.11 293	0.10 270

AdaStereo	0.15 217	0.11 258	0.16 210	0.19 224	0.09 125	0.21 276	0.11 11	0.33 297	0.28 245	0.21 253	0.23 188	0.21 221	0.13 164	0.19 247	0.15 205	0.13 330	0.05 83	0.10 272	0.07 162	0.09 252	0.07 153
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.15 217	0.08 137	0.16 210	0.16 61	0.08 48	0.16 198	0.13 46	0.26 213	0.36 300	0.21 253	0.29 270	0.24 257	0.13 164	0.14 150	0.14 175	0.06 53	0.06 192	0.06 33	0.04 8	0.09 252	0.08 216

HSM	0.15 217	0.09 184	0.15 175	0.16 61	0.09 125	0.16 198	0.14 77	0.28 246	0.25 210	0.20 244	0.24 198	0.37 339	0.17 243	0.20 260	0.15 205	0.07 144	0.05 83	0.07 102	0.06 85	0.07 152	0.06 100

pmcnn	0.15 217	0.07 54	0.20 280	0.15 36	0.07 16	0.21 276	0.16 174	0.25 205	0.26 222	0.21 253	0.33 295	0.29 295	0.19 268	0.18 228	0.17 234	0.07 144	0.05 83	0.05 2	0.04 8	0.07 152	0.06 100

1111x	0.16 241	0.09 184	0.13 113	0.18 177	0.08 48	0.18 234	0.25 339	0.32 287	0.25 210	0.17 185	0.24 198	0.27 280	0.15 211	0.14 150	0.24 309	0.07 144	0.07 246	0.08 162	0.09 254	0.07 152	0.07 153

GMStereo_Zeroshot	0.16 241	0.13 292	0.25 309	0.20 266	0.10 219	0.17 218	0.13 46	0.30 270	0.25 210	0.23 275	0.32 288	0.25 266	0.11 106	0.19 247	0.14 175	0.09 237	0.06 192	0.11 298	0.06 85	0.12 306	0.08 216

CRFU-Net	0.16 241	0.08 137	0.15 175	0.17 110	0.09 125	0.20 266	0.14 77	0.27 225	0.21 156	0.28 322	0.28 260	0.29 295	0.18 254	0.19 247	0.18 246	0.09 237	0.09 293	0.07 102	0.07 162	0.08 200	0.09 248

NINENet	0.16 241	0.10 240	0.16 210	0.17 110	0.11 257	0.20 266	0.14 77	0.41 358	0.37 304	0.18 213	0.21 178	0.16 167	0.14 193	0.16 189	0.14 175	0.08 194	0.08 272	0.10 272	0.07 162	0.10 277	0.09 248

CSP-Net	0.16 241	0.09 184	0.14 149	0.17 110	0.09 125	0.19 249	0.18 232	0.25 205	0.33 274	0.26 303	0.31 279	0.25 266	0.16 222	0.21 275	0.19 256	0.09 237	0.06 192	0.07 102	0.07 162	0.08 200	0.08 216

AASNet	0.16 241	0.08 137	0.13 113	0.19 224	0.09 125	0.19 249	0.15 123	0.38 345	0.37 304	0.20 244	0.24 198	0.20 215	0.17 243	0.17 219	0.21 275	0.10 268	0.08 272	0.08 162	0.07 162	0.09 252	0.09 248

AACVNet	0.16 241	0.08 137	0.15 175	0.15 36	0.10 219	0.18 234	0.15 123	0.24 188	0.25 210	0.27 310	0.27 251	0.28 288	0.18 254	0.19 247	0.17 234	0.09 237	0.07 246	0.09 231	0.07 162	0.10 277	0.09 248

ADLNet2	0.16 241	0.09 184	0.14 149	0.17 110	0.09 125	0.20 266	0.16 174	0.32 287	0.39 314	0.17 185	0.20 162	0.20 215	0.19 268	0.21 275	0.23 298	0.08 194	0.07 246	0.07 102	0.07 162	0.09 252	0.07 153

ICVP	0.16 241	0.09 184	0.12 89	0.22 308	0.09 125	0.18 234	0.21 294	0.26 213	0.24 194	0.18 213	0.30 276	0.27 280	0.18 254	0.18 228	0.15 205	0.10 268	0.07 246	0.08 162	0.07 162	0.07 152	0.08 216
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
Anonymous3	0.16 241	0.14 307	0.34 343	0.26 349	0.14 321	0.27 332	0.18 232	0.28 246	0.28 245	0.15 148	0.17 122	0.14 132	0.11 106	0.16 189	0.12 124	0.08 194	0.08 272	0.08 162	0.08 214	0.08 200	0.11 291

ADLNet	0.16 241	0.08 137	0.15 175	0.16 61	0.10 219	0.16 198	0.17 194	0.33 297	0.27 232	0.23 275	0.27 251	0.24 257	0.16 222	0.18 228	0.21 275	0.10 268	0.06 192	0.10 272	0.10 285	0.08 200	0.09 248

HCRNet	0.16 241	0.23 362	0.12 89	0.35 379	0.11 257	0.15 176	0.17 194	0.26 213	0.22 175	0.19 224	0.24 198	0.21 221	0.14 193	0.15 164	0.13 151	0.11 293	0.07 246	0.11 298	0.10 285	0.09 252	0.07 153

222	0.16 241	0.07 54	0.15 175	0.14 12	0.08 48	0.25 314	0.18 232	0.30 270	0.21 156	0.18 213	0.29 270	0.17 183	0.16 222	0.16 189	0.44 385	0.10 268	0.05 83	0.07 102	0.06 85	0.08 200	0.08 216

UPFNet	0.16 241	0.08 137	0.12 89	0.20 266	0.12 285	0.20 266	0.23 316	0.28 246	0.26 222	0.18 213	0.24 198	0.22 237	0.20 281	0.19 247	0.22 288	0.09 237	0.07 246	0.08 162	0.09 254	0.08 200	0.06 100

ac_64	0.16 241	0.09 184	0.15 175	0.18 177	0.10 219	0.22 289	0.17 194	0.24 188	0.22 175	0.19 224	0.24 198	0.29 295	0.18 254	0.19 247	0.22 288	0.09 237	0.08 272	0.08 162	0.09 254	0.07 152	0.06 100

DSFCA	0.16 241	0.09 184	0.14 149	0.16 61	0.10 219	0.21 276	0.19 267	0.28 246	0.31 264	0.23 275	0.25 224	0.22 237	0.16 222	0.20 260	0.20 264	0.10 268	0.07 246	0.09 231	0.09 254	0.08 200	0.08 216

AANet_RVC	0.16 241	0.10 240	0.11 66	0.18 177	0.09 125	0.19 249	0.18 232	0.27 225	0.32 269	0.22 262	0.35 309	0.21 221	0.22 292	0.22 292	0.17 234	0.06 53	0.05 83	0.06 33	0.06 85	0.07 152	0.06 100

DeepPruner_ROB	0.16 241	0.11 258	0.16 210	0.17 110	0.10 219	0.17 218	0.15 123	0.32 287	0.21 156	0.19 224	0.21 178	0.22 237	0.19 268	0.21 275	0.16 222	0.13 330	0.09 293	0.09 231	0.10 285	0.11 293	0.11 291

iinet-f	0.17 259	0.07 54	0.46 362	0.14 12	0.10 219	0.21 276	0.14 77	0.27 225	0.23 184	0.22 262	0.25 224	0.21 221	0.16 222	0.18 228	0.22 288	0.09 237	0.07 246	0.07 102	0.06 85	0.09 252	0.10 270

ToySt	0.17 259	0.11 258	0.19 277	0.17 110	0.11 257	0.16 198	0.26 345	0.24 188	0.33 274	0.19 224	0.24 198	0.26 275	0.24 305	0.19 247	0.21 275	0.07 144	0.08 272	0.09 231	0.10 285	0.09 252	0.08 216

ssnet_v2	0.17 259	0.10 240	0.18 255	0.17 110	0.11 257	0.21 276	0.22 305	0.34 311	0.25 210	0.23 275	0.23 188	0.27 280	0.19 268	0.22 292	0.21 275	0.11 293	0.10 314	0.09 231	0.09 254	0.08 200	0.08 216

GEStereo_RVC	0.17 259	0.12 273	0.16 210	0.22 308	0.11 257	0.19 249	0.18 232	0.32 287	0.49 351	0.20 244	0.25 224	0.17 183	0.13 164	0.21 275	0.16 222	0.10 268	0.06 192	0.08 162	0.07 162	0.09 252	0.08 216

MMNet	0.17 259	0.10 240	0.17 229	0.20 266	0.11 257	0.27 332	0.20 281	0.26 213	0.42 327	0.22 262	0.30 276	0.22 237	0.20 281	0.18 228	0.20 264	0.06 53	0.06 192	0.07 102	0.07 162	0.08 200	0.07 153

delet	0.17 259	0.09 184	0.18 255	0.19 224	0.11 257	0.21 276	0.22 305	0.30 270	0.38 310	0.17 185	0.27 251	0.19 199	0.19 268	0.19 247	0.21 275	0.08 194	0.08 272	0.09 231	0.11 308	0.06 94	0.07 153

UNet	0.17 259	0.09 184	0.18 255	0.19 224	0.12 285	0.28 340	0.19 267	0.33 297	0.30 257	0.21 253	0.25 224	0.23 248	0.19 268	0.20 260	0.19 256	0.07 144	0.06 192	0.08 162	0.07 162	0.08 200	0.07 153

HGLStereo	0.17 259	0.09 184	0.19 277	0.17 110	0.12 285	0.18 234	0.18 232	0.31 283	0.33 274	0.22 262	0.33 295	0.24 257	0.18 254	0.20 260	0.21 275	0.10 268	0.09 293	0.07 102	0.07 162	0.09 252	0.10 270

DMCA-RVC	0.17 259	0.10 240	0.16 210	0.24 333	0.11 257	0.19 249	0.18 232	0.26 213	0.24 194	0.21 253	0.27 251	0.25 266	0.27 323	0.18 228	0.21 275	0.12 316	0.08 272	0.13 328	0.10 285	0.10 277	0.08 216

FADNet-RVC-Resample	0.17 259	0.12 273	0.32 339	0.22 308	0.12 285	0.19 249	0.14 77	0.25 205	0.24 194	0.24 286	0.27 251	0.20 215	0.15 211	0.17 219	0.16 222	0.07 144	0.08 272	0.12 315	0.10 285	0.09 252	0.11 291

FADNet_RVC	0.17 259	0.14 307	0.41 357	0.20 266	0.11 257	0.13 127	0.13 46	0.27 225	0.22 175	0.21 253	0.23 188	0.20 215	0.18 254	0.15 164	0.17 234	0.08 194	0.08 272	0.12 315	0.09 254	0.11 293	0.10 270

NLCA_NET_v2_RVC	0.17 259	0.10 240	0.23 299	0.20 266	0.10 219	0.15 176	0.18 232	0.31 283	0.25 210	0.21 253	0.31 279	0.25 266	0.17 243	0.21 275	0.20 264	0.09 237	0.06 192	0.08 162	0.09 254	0.07 152	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 259	0.12 273	0.16 210	0.20 266	0.10 219	0.18 234	0.18 232	0.27 225	0.24 194	0.26 303	0.41 343	0.23 248	0.18 254	0.21 275	0.21 275	0.09 237	0.05 83	0.09 231	0.10 285	0.07 152	0.07 153
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
fast-acv-ft	0.18 272	0.11 258	0.20 280	0.19 224	0.12 285	0.26 324	0.21 294	0.26 213	0.35 295	0.22 262	0.34 305	0.27 280	0.21 285	0.21 275	0.23 298	0.09 237	0.09 293	0.08 162	0.10 285	0.08 200	0.07 153

HBP-ISP	0.18 272	0.13 292	0.17 229	0.15 36	0.11 257	0.08 23	0.13 46	0.28 246	0.30 257	0.22 262	0.33 295	0.21 221	0.25 311	0.23 299	0.18 246	0.15 350	0.17 366	0.21 368	0.17 361	0.10 277	0.09 248

Wz-Net-LNSev-Ref	0.18 272	0.09 184	0.30 332	0.15 36	0.11 257	0.23 300	0.20 281	0.27 225	0.40 318	0.26 303	0.43 352	0.25 266	0.15 211	0.21 275	0.20 264	0.07 144	0.05 83	0.06 33	0.05 34	0.10 277	0.09 248

dad	0.18 272	0.20 351	0.21 286	0.17 110	0.11 257	0.20 266	0.19 267	0.21 137	0.28 245	0.30 332	0.24 198	0.30 302	0.13 164	0.19 247	0.17 234	0.18 367	0.09 293	0.11 298	0.09 254	0.11 293	0.07 153

hitnet-ft	0.18 272	0.10 240	0.17 229	0.14 12	0.09 125	0.27 332	0.20 281	0.25 205	0.26 222	0.24 286	0.32 288	0.32 320	0.23 298	0.24 309	0.21 275	0.12 316	0.07 246	0.10 272	0.08 214	0.12 306	0.11 291

STTStereo	0.18 272	0.13 292	0.28 319	0.20 266	0.11 257	0.16 198	0.21 294	0.29 260	0.23 184	0.22 262	0.30 276	0.29 295	0.18 254	0.20 260	0.20 264	0.12 316	0.11 325	0.11 298	0.14 342	0.09 252	0.08 216

TDLM	0.18 272	0.12 273	0.14 149	0.24 333	0.10 219	0.18 234	0.18 232	0.37 338	0.30 257	0.22 262	0.28 260	0.28 288	0.18 254	0.23 299	0.19 256	0.11 293	0.07 246	0.10 272	0.10 285	0.08 200	0.08 216

CVANet_RVC	0.18 272	0.11 258	0.14 149	0.21 292	0.11 257	0.19 249	0.18 232	0.34 311	0.34 284	0.22 262	0.31 279	0.28 288	0.18 254	0.24 309	0.18 246	0.12 316	0.08 272	0.12 315	0.12 326	0.09 252	0.08 216

DLCB_ROB	0.18 272	0.10 240	0.16 210	0.23 325	0.11 257	0.24 306	0.18 232	0.30 270	0.28 245	0.27 310	0.29 270	0.28 288	0.25 311	0.20 260	0.20 264	0.08 194	0.08 272	0.09 231	0.09 254	0.07 152	0.07 153

SACVNet	0.19 281	0.12 273	0.15 175	0.17 110	0.13 306	0.22 289	0.18 232	0.31 283	0.31 264	0.24 286	0.31 279	0.30 302	0.23 298	0.23 299	0.17 234	0.11 293	0.08 272	0.10 272	0.10 285	0.12 306	0.14 331

pcwnet_v2	0.19 281	0.11 258	0.26 315	0.18 177	0.14 321	0.18 234	0.15 123	0.37 338	0.46 347	0.19 224	0.24 198	0.21 221	0.19 268	0.21 275	0.20 264	0.13 330	0.10 314	0.10 272	0.10 285	0.11 293	0.13 318

psm_up	0.19 281	0.10 240	0.18 255	0.21 292	0.11 257	0.17 218	0.19 267	0.38 345	0.34 284	0.22 262	0.28 260	0.29 295	0.25 311	0.20 260	0.22 288	0.09 237	0.10 314	0.11 298	0.11 308	0.08 200	0.08 216

NVstereo2D	0.19 281	0.11 258	0.16 210	0.17 110	0.16 343	0.28 340	0.23 316	0.44 371	0.42 327	0.15 148	0.28 260	0.25 266	0.19 268	0.23 299	0.18 246	0.09 237	0.06 192	0.10 272	0.08 214	0.15 347	0.10 270

StereoDRNet	0.19 281	0.11 258	0.18 255	0.22 308	0.11 257	0.22 289	0.22 305	0.37 338	0.34 284	0.24 286	0.28 260	0.30 302	0.19 268	0.20 260	0.21 275	0.10 268	0.08 272	0.11 298	0.09 254	0.09 252	0.07 153

CBMV_ROB	0.19 281	0.13 292	0.18 255	0.16 61	0.11 257	0.16 198	0.12 24	0.27 225	0.29 251	0.27 310	0.31 279	0.27 280	0.24 305	0.24 309	0.16 222	0.15 350	0.18 368	0.22 372	0.20 367	0.10 277	0.12 309

NOSS_ROB	0.19 281	0.13 292	0.18 255	0.16 61	0.12 285	0.16 198	0.12 24	0.30 270	0.33 274	0.20 244	0.22 187	0.27 280	0.24 305	0.21 275	0.16 222	0.16 362	0.18 368	0.23 373	0.21 369	0.13 321	0.13 318

SDNR	0.20 288	0.09 184	0.19 277	0.16 61	0.12 285	0.79 401	0.13 46	0.26 213	0.33 274	0.19 224	0.25 224	0.19 199	0.12 135	0.19 247	0.15 205	0.16 362	0.18 368	0.14 339	0.11 308	0.08 200	0.12 309

GwcNet	0.20 288	0.14 307	0.20 280	0.18 177	0.12 285	0.25 314	0.20 281	0.36 331	0.45 339	0.20 244	0.33 295	0.33 326	0.21 285	0.22 292	0.25 316	0.11 293	0.09 293	0.09 231	0.09 254	0.09 252	0.10 270

SuperB	0.20 288	0.10 240	0.57 375	0.16 61	0.09 125	0.19 249	0.18 232	0.25 205	0.51 356	0.27 310	0.39 330	0.17 183	0.22 292	0.22 292	0.21 275	0.08 194	0.06 192	0.06 33	0.06 85	0.12 306	0.11 291

ADCRef	0.20 288	0.12 273	0.43 360	0.20 266	0.12 285	0.23 300	0.18 232	0.32 287	0.37 304	0.26 303	0.33 295	0.18 195	0.23 298	0.25 314	0.26 327	0.07 144	0.06 192	0.09 231	0.09 254	0.08 200	0.09 248

ADCP+	0.20 288	0.10 240	0.35 349	0.21 292	0.12 285	0.22 289	0.27 349	0.31 283	0.35 295	0.26 303	0.37 316	0.22 237	0.22 292	0.27 320	0.28 339	0.09 237	0.06 192	0.08 162	0.08 214	0.10 277	0.10 270

PS-NSSS	0.20 288	0.21 356	0.23 299	0.20 266	0.10 219	0.19 249	0.17 194	0.36 331	0.26 222	0.27 310	0.34 305	0.27 280	0.24 305	0.20 260	0.20 264	0.15 350	0.12 333	0.17 355	0.14 342	0.10 277	0.09 248

DRN-Test	0.20 288	0.11 258	0.21 286	0.22 308	0.10 219	0.22 289	0.22 305	0.40 353	0.38 310	0.24 286	0.33 295	0.26 275	0.22 292	0.22 292	0.25 316	0.11 293	0.07 246	0.11 298	0.10 285	0.09 252	0.08 216

DISCO	0.20 288	0.09 184	0.22 293	0.17 110	0.10 219	0.25 314	0.18 232	0.28 246	0.45 339	0.23 275	0.32 288	0.34 330	0.26 318	0.29 335	0.29 346	0.08 194	0.06 192	0.07 102	0.07 162	0.09 252	0.10 270

SGM-Forest	0.20 288	0.14 307	0.18 255	0.20 266	0.13 306	0.21 276	0.22 305	0.33 297	0.31 264	0.24 286	0.29 270	0.28 288	0.20 281	0.23 299	0.18 246	0.15 350	0.16 362	0.15 346	0.14 342	0.13 321	0.12 309
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.20 288	0.15 313	0.18 255	0.18 177	0.10 219	0.20 266	0.11 11	0.30 270	0.31 264	0.29 327	0.31 279	0.31 314	0.23 298	0.28 328	0.19 256	0.13 330	0.15 357	0.17 355	0.16 354	0.10 277	0.10 270
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
UDG	0.21 298	0.17 330	0.20 280	0.23 325	0.15 331	0.31 347	0.20 281	0.33 297	0.35 295	0.24 286	0.28 260	0.31 314	0.29 335	0.21 275	0.23 298	0.15 350	0.12 333	0.13 328	0.09 254	0.14 336	0.15 346

FAT-Stereo	0.21 298	0.13 292	0.22 293	0.21 292	0.12 285	0.18 234	0.18 232	0.35 326	0.40 318	0.28 322	0.37 316	0.33 326	0.33 355	0.21 275	0.20 264	0.09 237	0.11 325	0.10 272	0.09 254	0.11 293	0.14 331

FADNet-RVC	0.21 298	0.20 351	0.40 355	0.21 292	0.16 343	0.21 276	0.15 123	0.27 225	0.27 232	0.26 303	0.32 288	0.26 275	0.21 285	0.22 292	0.19 256	0.12 316	0.13 345	0.12 315	0.14 342	0.13 321	0.18 365

FADNet	0.21 298	0.23 362	0.37 352	0.18 177	0.17 353	0.25 314	0.13 46	0.32 287	0.32 269	0.23 275	0.25 224	0.27 280	0.21 285	0.19 247	0.16 222	0.13 330	0.15 357	0.12 315	0.15 352	0.17 362	0.18 365

S-Stereo	0.21 298	0.12 273	0.25 309	0.21 292	0.13 306	0.21 276	0.19 267	0.33 297	0.45 339	0.23 275	0.36 313	0.28 288	0.29 335	0.20 260	0.23 298	0.09 237	0.12 333	0.10 272	0.10 285	0.13 321	0.14 331

DANet	0.21 298	0.16 321	0.29 327	0.25 339	0.13 306	0.23 300	0.19 267	0.28 246	0.27 232	0.28 322	0.32 288	0.35 335	0.32 353	0.31 342	0.24 309	0.11 293	0.09 293	0.11 298	0.10 285	0.13 321	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
PWC_ROB	0.21 298	0.16 321	0.27 317	0.18 177	0.11 257	0.22 289	0.13 46	0.33 297	0.49 351	0.30 332	0.40 333	0.32 320	0.25 311	0.31 342	0.23 298	0.10 268	0.07 246	0.11 298	0.08 214	0.11 293	0.10 270

PWCDC_ROB	0.21 298	0.13 292	0.23 299	0.25 339	0.12 285	0.20 266	0.15 123	0.34 311	0.55 366	0.29 327	0.49 362	0.21 221	0.15 211	0.28 328	0.20 264	0.11 293	0.09 293	0.10 272	0.08 214	0.11 293	0.09 248

GASNet	0.22 306	0.24 365	0.34 343	0.26 349	0.17 353	0.27 332	0.16 174	0.45 373	0.42 327	0.27 310	0.24 198	0.30 302	0.16 222	0.27 320	0.18 246	0.12 316	0.09 293	0.12 315	0.11 308	0.16 355	0.08 216

Anonymous_2	0.22 306	0.17 330	0.28 319	0.15 36	0.16 343	0.33 351	0.22 305	0.23 170	0.18 111	0.23 275	0.24 198	0.26 275	0.27 323	0.27 320	0.24 309	0.22 378	0.26 386	0.17 355	0.17 361	0.16 355	0.18 365

Wz-Net-LNSev	0.22 306	0.16 321	0.41 357	0.22 308	0.13 306	0.25 314	0.24 324	0.33 297	0.44 336	0.30 332	0.42 349	0.32 320	0.19 268	0.23 299	0.27 332	0.10 268	0.09 293	0.08 162	0.08 214	0.12 306	0.11 291

FINET	0.22 306	0.18 343	0.28 319	0.19 224	0.16 343	0.24 306	0.24 324	0.33 297	0.49 351	0.26 303	0.33 295	0.22 237	0.23 298	0.23 299	0.18 246	0.18 367	0.16 362	0.11 298	0.10 285	0.15 347	0.14 331

Syn2CoEx	0.22 306	0.16 321	0.29 327	0.29 369	0.15 331	0.26 324	0.21 294	0.34 311	0.32 269	0.29 327	0.36 313	0.28 288	0.25 311	0.20 260	0.25 316	0.16 362	0.12 333	0.14 339	0.11 308	0.09 252	0.08 216

aanetorigin	0.22 306	0.17 330	0.57 375	0.18 177	0.10 219	0.16 198	0.19 267	0.20 126	0.33 274	0.49 377	0.48 361	0.30 302	0.28 332	0.21 275	0.24 309	0.08 194	0.07 246	0.08 162	0.07 162	0.10 277	0.09 248

MaskLacGwcNet_RVC	0.22 306	0.21 356	0.25 309	0.26 349	0.11 257	0.24 306	0.14 77	0.39 350	0.24 194	0.32 344	0.36 313	0.30 302	0.21 285	0.19 247	0.22 288	0.17 366	0.14 353	0.21 368	0.16 354	0.13 321	0.12 309

RP	0.22 306	0.13 292	0.22 293	0.23 325	0.12 285	0.21 276	0.20 281	0.26 213	0.45 339	0.22 262	0.38 323	0.37 339	0.25 311	0.28 328	0.25 316	0.11 293	0.12 333	0.13 328	0.12 326	0.13 321	0.14 331

stereogan	0.22 306	0.11 258	0.21 286	0.20 266	0.12 285	0.32 349	0.19 267	0.36 331	0.45 339	0.23 275	0.39 330	0.35 335	0.27 323	0.33 349	0.23 298	0.10 268	0.12 333	0.10 272	0.10 285	0.14 336	0.14 331

GANet	0.22 306	0.13 292	0.21 286	0.25 339	0.14 321	0.23 300	0.22 305	0.42 362	0.27 232	0.31 337	0.43 352	0.37 339	0.29 335	0.23 299	0.23 298	0.10 268	0.12 333	0.10 272	0.09 254	0.10 277	0.08 216

MDST_ROB	0.22 306	0.10 240	0.18 255	0.18 177	0.11 257	0.40 372	0.19 267	0.44 371	0.42 327	0.40 361	0.40 333	0.29 295	0.21 285	0.27 320	0.19 256	0.11 293	0.10 314	0.14 339	0.11 308	0.10 277	0.08 216

XPNet_ROB	0.22 306	0.12 273	0.20 280	0.22 308	0.13 306	0.22 289	0.19 267	0.35 326	0.40 318	0.30 332	0.40 333	0.38 345	0.27 323	0.26 318	0.29 346	0.15 350	0.10 314	0.10 272	0.10 285	0.13 321	0.12 309

PSMNet_ROB	0.22 306	0.12 273	0.15 175	0.27 356	0.15 331	0.25 314	0.36 383	0.43 367	0.37 304	0.27 310	0.33 295	0.32 320	0.23 298	0.21 275	0.27 332	0.12 316	0.08 272	0.13 328	0.11 308	0.10 277	0.09 248

Wz-Net-MNSev	0.23 319	0.13 292	0.33 340	0.20 266	0.15 331	0.36 363	0.25 339	0.34 311	0.45 339	0.29 327	0.41 343	0.39 350	0.19 268	0.25 314	0.27 332	0.09 237	0.07 246	0.09 231	0.09 254	0.12 306	0.10 270

DDUNet	0.23 319	0.18 343	0.22 293	0.22 308	0.15 331	0.25 314	0.24 324	0.30 270	0.31 264	0.31 337	0.37 316	0.34 330	0.26 318	0.25 314	0.21 275	0.18 367	0.13 345	0.17 355	0.11 308	0.16 355	0.17 363

APVNet	0.23 319	0.12 273	0.20 280	0.18 177	0.14 321	0.32 349	0.31 372	0.40 353	0.33 274	0.27 310	0.40 333	0.30 302	0.29 335	0.27 320	0.25 316	0.11 293	0.12 333	0.11 298	0.14 342	0.12 306	0.13 318

AF-Net	0.23 319	0.17 330	0.17 229	0.27 356	0.13 306	0.26 324	0.24 324	0.33 297	0.51 356	0.25 299	0.33 295	0.39 350	0.27 323	0.28 328	0.26 327	0.11 293	0.10 314	0.16 353	0.12 326	0.11 293	0.11 291

edge stereo	0.23 319	0.14 307	0.21 286	0.21 292	0.13 306	0.24 306	0.16 174	0.32 287	0.42 327	0.32 344	0.40 333	0.39 350	0.35 359	0.25 314	0.25 316	0.13 330	0.11 325	0.14 339	0.11 308	0.12 306	0.14 331

Nwc_Net	0.23 319	0.17 330	0.22 293	0.25 339	0.15 331	0.25 314	0.27 349	0.38 345	0.39 314	0.22 262	0.41 343	0.30 302	0.29 335	0.28 328	0.25 316	0.11 293	0.10 314	0.17 355	0.20 367	0.10 277	0.11 291

RTSC	0.23 319	0.13 292	0.30 332	0.21 292	0.13 306	0.29 342	0.17 194	0.36 331	0.68 384	0.27 310	0.34 305	0.30 302	0.22 292	0.32 346	0.31 356	0.10 268	0.08 272	0.09 231	0.10 285	0.13 321	0.14 331

RYNet	0.23 319	0.12 273	0.22 293	0.19 224	0.17 353	0.47 377	0.26 345	0.39 350	0.49 351	0.24 286	0.29 270	0.34 330	0.24 305	0.20 260	0.31 356	0.10 268	0.06 192	0.09 231	0.09 254	0.14 336	0.15 346

NaN_ROB	0.23 319	0.20 351	0.25 309	0.25 339	0.13 306	0.31 347	0.27 349	0.34 311	0.41 325	0.31 337	0.31 279	0.32 320	0.23 298	0.31 342	0.22 288	0.11 293	0.17 366	0.10 272	0.11 308	0.08 200	0.09 248

ETE_ROB	0.23 319	0.17 330	0.23 299	0.25 339	0.14 321	0.26 324	0.29 365	0.32 287	0.37 304	0.28 322	0.37 316	0.45 366	0.27 323	0.28 328	0.27 332	0.11 293	0.09 293	0.12 315	0.10 285	0.14 336	0.13 318

SQANet	0.24 329	0.24 365	0.31 335	0.31 373	0.19 366	0.27 332	0.13 46	0.30 270	0.33 274	0.25 299	0.37 316	0.31 314	0.22 292	0.27 320	0.23 298	0.15 350	0.10 314	0.21 368	0.16 354	0.22 370	0.16 355

DeepPrunerF	0.24 329	0.17 330	0.45 361	0.26 349	0.16 343	0.23 300	0.29 365	0.37 338	0.51 356	0.27 310	0.31 279	0.24 257	0.28 332	0.22 292	0.23 298	0.15 350	0.11 325	0.20 367	0.18 365	0.12 306	0.14 331

PA-Net	0.24 329	0.18 343	0.34 343	0.28 362	0.22 373	0.22 289	0.39 388	0.29 260	0.39 314	0.22 262	0.33 295	0.25 266	0.26 318	0.21 275	0.25 316	0.10 268	0.23 384	0.15 346	0.22 372	0.09 252	0.13 318
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.24 329	0.19 346	0.52 369	0.25 339	0.18 362	0.21 276	0.22 305	0.34 311	0.45 339	0.25 299	0.35 309	0.26 275	0.19 268	0.31 342	0.29 346	0.13 330	0.12 333	0.12 315	0.13 336	0.12 306	0.14 331

NCCL2	0.24 329	0.15 313	0.18 255	0.34 377	0.18 362	0.24 306	0.24 324	0.34 311	0.29 251	0.31 337	0.38 323	0.38 345	0.29 335	0.23 299	0.25 316	0.15 350	0.12 333	0.18 363	0.21 369	0.13 321	0.13 318

WCMA_ROB	0.24 329	0.11 258	0.24 305	0.17 110	0.14 321	0.34 355	0.16 174	0.33 297	0.33 274	0.39 358	0.54 369	0.40 356	0.35 359	0.35 357	0.26 327	0.12 316	0.12 333	0.12 315	0.11 308	0.14 336	0.14 331

SGM_RVC	0.24 329	0.12 273	0.16 210	0.15 36	0.09 125	0.34 355	0.19 267	0.35 326	0.32 269	0.44 372	0.38 323	0.53 379	0.36 362	0.36 361	0.26 327	0.13 330	0.13 345	0.13 328	0.13 336	0.11 293	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.25 336	0.19 346	0.34 343	0.21 292	0.24 376	0.24 306	0.21 294	0.36 331	0.42 327	0.25 299	0.32 288	0.38 345	0.21 285	0.29 335	0.24 309	0.13 330	0.11 325	0.14 339	0.16 354	0.23 372	0.23 378

psmorigin	0.25 336	0.16 321	0.35 349	0.17 110	0.13 306	0.24 306	0.14 77	0.34 311	0.34 284	0.41 365	0.55 370	0.41 358	0.38 365	0.35 357	0.28 339	0.11 293	0.15 357	0.11 298	0.11 308	0.12 306	0.17 363

RGC	0.25 336	0.20 351	0.29 327	0.28 362	0.16 343	0.22 289	0.23 316	0.33 297	0.44 336	0.27 310	0.40 333	0.38 345	0.28 332	0.37 365	0.23 298	0.11 293	0.13 345	0.17 355	0.17 361	0.15 347	0.16 355

G-Net	0.25 336	0.17 330	0.38 353	0.23 325	0.16 343	0.51 380	0.23 316	0.29 260	0.35 295	0.36 351	0.38 323	0.31 314	0.29 335	0.28 328	0.27 332	0.11 293	0.09 293	0.12 315	0.10 285	0.16 355	0.14 331

NCC-stereo	0.25 336	0.15 313	0.31 335	0.26 349	0.17 353	0.21 276	0.31 372	0.41 358	0.40 318	0.24 286	0.38 323	0.33 326	0.29 335	0.37 365	0.28 339	0.13 330	0.11 325	0.15 346	0.22 372	0.13 321	0.13 318

Abc-Net	0.25 336	0.15 313	0.31 335	0.26 349	0.17 353	0.21 276	0.31 372	0.41 358	0.40 318	0.24 286	0.38 323	0.33 326	0.29 335	0.37 365	0.28 339	0.13 330	0.11 325	0.15 346	0.22 372	0.13 321	0.13 318
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.25 336	0.12 273	0.49 367	0.22 308	0.12 285	0.36 363	0.29 365	0.30 270	0.57 369	0.24 286	0.47 360	0.30 302	0.31 351	0.30 341	0.30 352	0.09 237	0.07 246	0.09 231	0.09 254	0.10 277	0.10 270

FBW_ROB	0.25 336	0.17 330	0.23 299	0.27 356	0.14 321	0.26 324	0.22 305	0.42 362	0.43 334	0.42 367	0.41 343	0.43 362	0.27 323	0.32 346	0.24 309	0.09 237	0.15 357	0.15 346	0.12 326	0.12 306	0.10 270

SANet	0.25 336	0.14 307	0.29 327	0.21 292	0.11 257	0.29 342	0.25 339	0.40 353	0.65 383	0.36 351	0.40 333	0.42 360	0.27 323	0.27 320	0.25 316	0.12 316	0.09 293	0.10 272	0.09 254	0.13 321	0.12 309

LALA_ROB	0.25 336	0.16 321	0.23 299	0.27 356	0.17 353	0.27 332	0.27 349	0.42 362	0.38 310	0.33 348	0.39 330	0.51 376	0.26 318	0.29 335	0.28 339	0.16 362	0.09 293	0.13 328	0.12 326	0.13 321	0.13 318

Wz-Net-SNSev	0.26 346	0.17 330	0.46 362	0.25 339	0.14 321	0.26 324	0.24 324	0.38 345	0.57 369	0.30 332	0.56 371	0.39 350	0.26 318	0.24 309	0.32 361	0.10 268	0.09 293	0.10 272	0.11 308	0.11 293	0.11 291

SHD	0.26 346	0.15 313	0.31 335	0.24 333	0.18 362	0.23 300	0.15 123	0.39 350	0.72 389	0.32 344	0.42 349	0.36 337	0.29 335	0.33 349	0.30 352	0.13 330	0.11 325	0.14 339	0.13 336	0.16 355	0.20 373

ADCMid	0.26 346	0.15 313	0.42 359	0.20 266	0.14 321	0.25 314	0.26 345	0.35 326	0.40 318	0.37 355	0.45 356	0.34 330	0.42 374	0.36 361	0.36 368	0.10 268	0.09 293	0.11 298	0.11 308	0.13 321	0.13 318

AnyNet_C32	0.26 346	0.16 321	0.39 354	0.20 266	0.17 353	0.26 324	0.31 372	0.32 287	0.45 339	0.31 337	0.50 364	0.30 302	0.34 356	0.41 378	0.36 368	0.12 316	0.12 333	0.12 315	0.14 342	0.14 336	0.15 346

ADCPNet	0.26 346	0.17 330	0.62 380	0.21 292	0.15 331	0.36 363	0.25 339	0.33 297	0.37 304	0.31 337	0.41 343	0.36 337	0.29 335	0.29 335	0.34 366	0.12 316	0.10 314	0.11 298	0.12 326	0.14 336	0.13 318

DispFullNet	0.27 351	0.22 360	0.66 383	0.28 362	0.17 353	0.27 332	0.17 194	0.34 311	0.57 369	0.27 310	0.37 316	0.43 362	0.24 305	0.39 370	0.25 316	0.12 316	0.06 192	0.19 365	0.11 308	0.23 372	0.16 355

MeshStereo	0.27 351	0.13 292	0.18 255	0.15 36	0.11 257	0.33 351	0.24 324	0.41 358	0.36 300	0.53 380	0.58 377	0.67 389	0.41 371	0.36 361	0.27 332	0.14 348	0.13 345	0.13 328	0.11 308	0.11 293	0.11 291
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
CC-Net-ROB	0.28 353	0.31 381	0.36 351	0.30 371	0.15 331	0.25 314	0.19 267	0.45 373	0.34 284	0.39 358	0.37 316	0.39 350	0.31 351	0.27 320	0.27 332	0.24 385	0.18 368	0.30 386	0.23 376	0.19 367	0.15 346

DPSNet	0.28 353	0.16 321	0.33 340	0.18 177	0.13 306	0.55 383	0.42 391	0.52 383	0.68 384	0.29 327	0.38 323	0.39 350	0.30 346	0.32 346	0.23 298	0.11 293	0.10 314	0.11 298	0.08 214	0.20 369	0.16 355

PDISCO_ROB	0.28 353	0.16 321	0.28 319	0.28 362	0.20 369	0.33 351	0.27 349	0.45 373	0.58 372	0.28 322	0.41 343	0.45 366	0.30 346	0.34 352	0.35 367	0.12 316	0.09 293	0.17 355	0.16 354	0.17 362	0.13 318

Wz-Net-TNSev	0.29 356	0.20 351	0.69 391	0.19 224	0.15 331	0.38 369	0.27 349	0.36 331	0.56 368	0.35 349	0.42 349	0.45 366	0.39 366	0.33 349	0.31 356	0.13 330	0.13 345	0.10 272	0.12 326	0.15 347	0.15 346

WZ-Net	0.29 356	0.17 330	0.82 399	0.23 325	0.16 343	0.35 359	0.29 365	0.40 353	0.59 374	0.24 286	0.57 375	0.37 339	0.25 311	0.34 352	0.37 372	0.09 237	0.08 272	0.09 231	0.10 285	0.14 336	0.16 355

XQC	0.29 356	0.23 362	0.53 370	0.29 369	0.19 366	0.36 363	0.28 355	0.37 338	0.58 372	0.31 337	0.31 279	0.37 339	0.30 346	0.39 370	0.39 376	0.13 330	0.09 293	0.15 346	0.12 326	0.18 364	0.18 365

ccnet	0.30 359	0.28 373	0.24 305	0.20 266	0.28 383	0.41 373	0.22 305	0.46 376	0.33 274	0.37 355	0.46 358	0.37 339	0.30 346	0.40 373	0.43 382	0.23 383	0.14 353	0.21 368	0.17 361	0.23 372	0.19 370

EDNetEfficient	0.30 359	0.24 365	1.18 407	0.18 177	0.10 219	0.20 266	0.20 281	0.21 137	0.61 376	0.74 394	0.56 371	0.30 302	0.40 370	0.23 299	0.32 361	0.09 237	0.07 246	0.08 162	0.07 162	0.11 293	0.10 270

MFN_U_SF_DS_RVC	0.30 359	0.24 365	0.30 332	0.36 382	0.16 343	0.36 363	0.31 372	0.34 311	0.43 334	0.41 365	0.46 358	0.38 345	0.30 346	0.35 357	0.29 346	0.19 370	0.20 374	0.26 375	0.29 384	0.18 364	0.19 370

ADCS	0.30 359	0.19 346	0.48 366	0.21 292	0.18 362	0.29 342	0.24 324	0.42 362	0.64 381	0.40 361	0.50 364	0.40 356	0.37 363	0.40 373	0.43 382	0.13 330	0.13 345	0.13 328	0.14 342	0.16 355	0.16 355

CSAN	0.30 359	0.24 365	0.28 319	0.34 377	0.19 366	0.34 355	0.42 391	0.38 345	0.51 356	0.38 357	0.40 333	0.44 365	0.34 356	0.29 335	0.31 356	0.19 370	0.16 362	0.19 365	0.19 366	0.14 336	0.15 346

GANetREF_RVC	0.31 364	0.34 383	0.29 327	0.35 379	0.16 343	0.33 351	0.42 391	0.48 378	0.52 362	0.35 349	0.35 309	0.34 330	0.32 353	0.40 373	0.33 364	0.27 387	0.20 374	0.29 384	0.15 352	0.19 367	0.18 365
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
MSMD_ROB	0.31 364	0.26 371	0.26 315	0.24 333	0.21 371	0.34 355	0.25 339	0.34 311	0.39 314	0.40 361	0.69 385	0.45 366	0.41 371	0.34 352	0.28 339	0.20 374	0.20 374	0.26 375	0.25 378	0.23 372	0.22 377

FCDSN-DC	0.33 366	0.28 373	0.28 319	0.30 371	0.24 376	0.39 371	0.28 355	0.43 367	0.42 327	0.44 372	0.53 368	0.51 376	0.42 374	0.37 365	0.30 352	0.21 376	0.20 374	0.27 378	0.26 379	0.25 380	0.25 380
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MFN_U_SF_RVC	0.33 366	0.22 360	0.58 378	0.31 373	0.15 331	0.36 363	0.17 194	0.54 386	0.46 347	0.47 376	0.56 371	0.58 382	0.39 366	0.36 361	0.38 375	0.15 350	0.15 357	0.18 363	0.21 369	0.16 355	0.16 355

FC-DCNN	0.33 366	0.28 373	0.28 319	0.26 349	0.23 374	0.38 369	0.29 365	0.40 353	0.44 336	0.46 375	0.56 371	0.51 376	0.41 371	0.38 369	0.31 356	0.21 376	0.20 374	0.27 378	0.26 379	0.25 380	0.24 379

PASM	0.33 366	0.25 370	0.51 368	0.28 362	0.27 382	0.30 345	0.31 372	0.35 326	0.51 356	0.36 351	0.40 333	0.47 373	0.35 359	0.34 352	0.36 368	0.23 383	0.26 386	0.26 375	0.28 383	0.23 372	0.21 374

SGM-ForestM	0.33 366	0.12 273	0.17 229	0.16 61	0.11 257	0.42 374	0.20 281	0.43 367	0.53 365	0.53 380	0.57 375	1.41 411	0.44 379	0.42 379	0.29 346	0.14 348	0.16 362	0.16 353	0.16 354	0.12 306	0.13 318

LSM	0.34 371	0.21 356	0.62 380	0.27 356	0.62 405	0.35 359	0.26 345	0.43 367	0.49 351	0.45 374	0.60 380	0.42 360	0.37 363	0.35 357	0.26 327	0.13 330	0.21 381	0.14 339	0.16 354	0.18 364	0.34 392

AnyNet_C01	0.37 372	0.26 371	1.41 410	0.22 308	0.17 353	0.51 380	0.28 355	0.36 331	0.40 318	0.39 358	0.75 391	0.46 370	0.39 366	0.46 381	0.50 392	0.13 330	0.13 345	0.13 328	0.14 342	0.14 336	0.16 355

otaku	0.39 373	0.38 386	0.53 370	0.44 388	0.28 383	0.57 385	0.24 324	0.42 362	0.62 379	0.40 361	0.50 364	0.46 370	0.34 356	0.40 373	0.33 364	0.30 388	0.30 390	0.39 390	0.33 389	0.30 385	0.29 386

ACVNet-4b	0.39 373	0.53 392	0.56 373	0.45 389	0.24 376	0.46 376	0.18 232	0.50 380	0.64 381	0.42 367	0.45 356	0.60 383	0.27 323	0.34 352	0.24 309	0.33 390	0.14 353	0.48 393	0.42 393	0.31 388	0.27 385

PVD	0.40 375	0.21 356	0.40 355	0.32 376	0.23 374	0.30 345	0.45 395	0.53 385	0.97 402	0.55 382	0.80 395	0.54 380	0.60 392	0.53 387	0.40 378	0.19 370	0.14 353	0.17 355	0.14 342	0.24 378	0.32 390

Ntro	0.41 376	0.40 388	0.54 372	0.46 392	0.30 387	0.64 389	0.24 324	0.47 377	0.68 384	0.42 367	0.49 362	0.47 373	0.42 374	0.40 373	0.32 361	0.32 389	0.28 388	0.37 389	0.31 387	0.33 390	0.29 386

SAMSARA	0.41 376	0.28 373	0.34 343	0.55 395	0.39 389	0.85 404	1.25 419	0.49 379	0.52 362	0.36 351	0.35 309	0.56 381	0.39 366	0.39 370	0.41 379	0.15 350	0.20 374	0.15 346	0.14 342	0.23 372	0.21 374

ELAS_RVC	0.42 378	0.29 379	0.33 340	0.28 362	0.24 376	0.56 384	0.38 386	0.50 380	0.61 376	0.74 394	0.76 392	0.67 389	0.56 388	0.55 389	0.42 381	0.22 378	0.21 381	0.27 378	0.26 379	0.27 384	0.26 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 378	0.29 379	0.34 343	0.28 362	0.24 376	0.63 388	0.37 384	0.52 383	0.52 362	0.72 391	0.82 396	0.68 391	0.56 388	0.52 385	0.45 388	0.22 378	0.21 381	0.27 378	0.26 379	0.26 382	0.26 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Consistency-Raft	0.44 380	0.40 388	0.46 362	0.37 383	0.43 392	0.42 374	0.41 389	0.57 388	0.55 366	0.32 344	0.73 389	0.32 320	0.50 383	0.42 379	0.49 391	0.39 392	0.36 392	0.45 392	0.52 402	0.42 392	0.30 388

MSC_U_SF_DS_RVC	0.44 380	0.39 387	0.56 373	0.40 384	0.20 369	0.66 391	0.33 381	0.54 386	0.72 389	0.71 390	0.72 388	0.62 384	0.55 386	0.52 385	0.47 389	0.20 374	0.19 373	0.29 384	0.30 386	0.24 378	0.19 370

ACVNet_1	0.45 382	0.51 391	0.61 379	0.45 389	0.28 383	0.50 378	0.28 355	0.58 393	0.71 388	0.63 385	0.59 379	0.74 394	0.50 383	0.50 383	0.36 368	0.26 386	0.25 385	0.39 390	0.29 384	0.32 389	0.25 380

RTS	0.46 383	0.19 346	3.33 416	0.25 339	0.15 331	0.72 396	0.21 294	0.37 338	0.78 395	0.42 367	0.44 354	0.31 314	0.43 377	0.55 389	0.37 372	0.10 268	0.09 293	0.13 328	0.13 336	0.15 347	0.15 346

RTSA	0.46 383	0.19 346	3.33 416	0.25 339	0.15 331	0.72 396	0.21 294	0.37 338	0.78 395	0.42 367	0.44 354	0.31 314	0.43 377	0.55 389	0.37 372	0.10 268	0.09 293	0.13 328	0.13 336	0.15 347	0.15 346

MANE	0.47 385	0.28 373	0.28 319	0.27 356	0.24 376	0.50 378	0.32 380	0.57 388	0.62 379	0.74 394	1.20 413	1.21 404	0.64 394	0.54 388	0.39 376	0.22 378	0.20 374	0.27 378	0.31 387	0.26 382	0.25 380

NVStereoNet_ROB	0.47 385	0.37 385	0.47 365	0.42 387	0.29 386	0.35 359	0.35 382	0.50 380	0.61 376	0.73 392	0.94 400	0.70 393	0.68 396	0.48 382	0.62 399	0.22 378	0.33 391	0.34 388	0.34 391	0.30 385	0.31 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 387	0.07 54	0.14 149	0.15 36	0.08 48	0.26 324	0.17 194	0.23 170	1.71 417	4.68 421	0.67 382	0.46 370	0.47 380	0.21 275	0.30 352	0.07 144	0.06 192	0.06 33	0.06 85	0.08 200	0.06 100

anonymity	0.53 388	0.58 393	0.66 383	0.41 385	0.61 404	0.54 382	0.41 389	0.57 388	0.41 325	0.56 383	0.50 364	0.50 375	0.55 386	0.59 394	0.50 392	0.58 403	0.50 404	0.51 395	0.51 400	0.52 394	0.58 401

RainbowNet	0.54 389	0.61 396	0.71 396	0.57 396	0.43 392	0.66 391	0.37 384	0.60 394	0.87 399	0.51 378	0.67 382	0.63 385	0.47 380	0.50 383	0.44 385	0.47 398	0.48 400	0.53 397	0.41 392	0.53 396	0.41 397

BEATNet-Init1	0.54 389	0.28 373	0.68 390	0.31 373	0.21 371	0.85 404	0.31 372	0.57 388	0.69 387	0.89 401	1.00 403	2.17 418	0.66 395	0.58 393	0.44 385	0.19 370	0.18 368	0.23 373	0.22 372	0.22 370	0.21 374

SGM+DAISY	0.57 391	0.58 393	0.67 387	0.41 385	0.55 398	0.68 393	0.51 397	0.57 388	0.46 347	0.67 386	0.70 386	0.69 392	0.57 390	0.64 396	0.58 397	0.59 404	0.49 401	0.50 394	0.50 399	0.52 394	0.59 404

SPS-STEREO	0.58 392	0.59 395	0.66 383	0.45 389	0.55 398	0.65 390	0.44 394	0.63 395	0.51 356	0.69 388	0.65 381	0.66 388	0.58 391	0.62 395	0.62 399	0.62 406	0.47 399	0.51 395	0.49 397	0.55 397	0.58 401
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.65 393	0.66 400	0.66 383	0.51 393	0.69 409	0.70 394	0.58 401	0.65 396	0.75 393	0.61 384	0.73 389	0.63 385	0.68 396	0.65 397	0.60 398	0.66 407	0.58 413	0.63 399	0.59 403	0.68 404	0.69 411

IMH-64-1	0.66 394	0.62 397	0.69 391	0.72 399	0.51 395	0.60 386	0.51 397	0.92 402	0.84 397	0.75 397	1.02 404	0.81 395	0.78 401	0.80 400	0.50 392	0.43 394	0.46 395	0.72 401	0.48 395	0.55 397	0.40 395

IMH-64	0.66 394	0.62 397	0.69 391	0.72 399	0.51 395	0.60 386	0.51 397	0.92 402	0.84 397	0.75 397	1.02 404	0.81 395	0.78 401	0.80 400	0.50 392	0.43 394	0.46 395	0.72 401	0.48 395	0.55 397	0.40 395

ACVNet_2	0.67 396	0.68 401	0.70 394	0.64 397	0.41 390	0.75 399	0.50 396	0.98 408	1.38 412	0.90 402	1.09 407	1.04 399	0.74 399	0.55 389	0.48 390	0.43 394	0.40 394	0.53 397	0.45 394	0.48 393	0.36 394

IMH	0.72 397	0.65 399	0.70 394	0.77 401	0.54 397	0.71 395	0.56 400	0.99 410	1.08 403	0.82 400	1.09 407	0.89 397	0.88 405	0.88 408	0.53 396	0.44 397	0.50 404	0.75 404	0.51 400	0.58 400	0.42 398

PWCK	0.72 397	0.95 411	0.99 405	0.77 401	0.32 388	0.79 401	0.38 386	0.92 402	0.90 400	0.96 405	0.76 392	0.97 398	0.62 393	0.87 406	0.68 402	0.73 409	0.46 395	0.76 405	0.49 397	0.71 407	0.44 399

JetBlue	0.73 399	0.46 390	1.21 408	0.52 394	0.47 394	2.16 419	0.67 407	0.78 398	0.72 389	0.70 389	0.79 394	1.21 404	0.84 403	1.06 415	1.04 415	0.40 393	0.28 388	0.33 387	0.33 389	0.30 385	0.34 392

TorneroNet-64	0.76 400	0.73 403	0.77 397	0.78 403	0.58 403	0.94 409	0.58 401	0.85 401	1.26 407	0.67 386	0.88 398	1.41 411	0.76 400	0.87 406	0.68 402	0.49 399	0.46 395	0.73 403	0.59 403	0.68 404	0.54 400

MADNet+	0.76 400	0.72 402	3.76 419	0.67 398	0.41 390	0.99 410	0.97 417	0.72 397	0.75 393	0.52 379	0.58 377	0.64 387	0.68 396	0.89 409	1.04 415	0.35 391	0.36 392	0.28 383	0.23 376	0.38 391	0.33 391

WAO-7	0.80 402	0.78 405	0.57 375	0.85 406	0.67 408	0.76 400	0.69 410	1.07 412	1.30 409	0.90 402	1.20 413	1.05 400	0.93 407	0.71 398	0.68 402	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.59 404

WAO-6	0.82 403	0.81 406	0.63 382	0.87 408	0.63 406	0.79 401	0.60 403	0.98 408	1.52 416	0.91 404	0.97 402	1.08 401	1.04 411	0.72 399	0.70 405	0.72 408	0.49 401	0.91 411	0.71 409	0.70 406	0.59 404

TorneroNet	0.83 404	0.75 404	0.83 401	0.85 406	0.63 406	1.03 413	0.65 405	0.96 406	1.14 405	0.80 399	1.10 409	1.36 409	0.88 405	0.95 411	0.82 410	0.57 401	0.49 401	0.79 408	0.66 407	0.74 410	0.64 410

LVE	0.84 405	0.87 409	0.86 402	0.81 404	0.56 400	1.09 415	0.66 406	1.07 412	1.45 414	0.97 406	1.23 415	1.11 402	0.86 404	0.84 403	0.72 406	0.49 399	0.56 410	0.76 405	0.60 405	0.66 402	0.60 407

Dean	0.88 406	0.88 410	0.81 398	0.82 405	0.57 401	0.91 406	0.62 404	1.17 417	1.71 417	1.15 412	1.16 411	1.31 408	1.00 410	0.82 402	0.83 411	0.57 401	0.56 410	0.78 407	0.65 406	0.67 403	0.58 401

WAO-8	0.92 407	0.83 407	0.67 387	0.94 411	0.70 410	0.92 407	0.68 408	1.08 414	1.80 419	1.06 410	1.42 417	1.29 406	1.08 413	0.86 404	0.80 408	0.74 410	0.54 407	0.86 409	0.75 410	0.71 407	0.63 408

Venus	0.92 407	0.83 407	0.67 387	0.94 411	0.70 410	0.92 407	0.68 408	1.08 414	1.80 419	1.06 410	1.42 417	1.29 406	1.08 413	0.86 404	0.80 408	0.74 410	0.54 407	0.86 409	0.75 410	0.71 407	0.63 408

UNDER WATER-64	0.97 409	0.96 413	1.48 412	0.88 409	0.57 401	1.24 418	0.90 415	0.78 398	0.96 401	1.05 408	0.85 397	1.56 416	1.26 417	0.97 413	0.99 413	0.88 414	0.57 412	1.04 414	0.88 414	0.81 412	0.75 412

notaker	0.98 410	1.13 415	1.02 406	1.14 415	0.81 413	0.73 398	0.69 410	0.94 405	1.15 406	1.19 414	1.19 412	1.41 411	1.17 416	1.10 417	0.74 407	0.82 413	0.64 415	1.18 415	0.79 412	1.02 415	0.82 416

UNDER WATER	0.99 411	1.00 414	1.47 411	1.00 413	0.71 412	1.18 417	0.86 413	0.81 400	1.09 404	1.02 407	0.90 399	1.53 415	1.26 417	1.06 415	1.02 414	0.79 412	0.54 407	1.02 413	0.88 414	0.83 413	0.75 412

ktn	1.02 412	1.23 417	0.82 399	1.24 417	0.86 415	1.00 412	0.86 413	0.96 406	1.37 411	1.05 408	1.12 410	1.16 403	1.06 412	0.95 411	0.62 399	1.28 419	0.71 416	1.39 419	0.83 413	1.06 417	0.77 414

KSHMR	1.10 413	1.19 416	0.90 404	1.26 419	1.00 418	0.99 410	0.96 416	1.13 416	1.35 410	1.16 413	1.28 416	1.40 410	0.97 409	1.03 414	0.93 412	1.03 417	1.08 419	1.20 416	1.03 418	1.03 416	0.98 418

DPSimNet_ROB	1.14 414	1.25 418	0.87 403	1.15 416	0.90 416	1.15 416	1.18 418	1.20 418	1.26 407	1.45 416	1.05 406	1.44 414	1.13 415	0.92 410	1.70 418	1.47 420	0.52 406	1.22 417	1.04 419	0.92 414	1.03 419

HanzoNet	1.31 415	1.29 419	1.22 409	1.13 414	0.85 414	1.05 414	0.84 412	1.06 411	1.47 415	1.66 417	1.63 419	2.48 420	1.78 419	1.63 419	1.69 417	1.27 418	0.80 418	1.32 418	1.02 417	1.07 418	0.90 417

JetRed	1.66 416	1.51 420	3.09 415	0.93 410	1.21 419	5.28 421	1.61 421	1.29 419	1.42 413	1.84 418	1.77 420	1.59 417	0.95 408	1.43 418	2.51 421	0.91 415	1.61 420	0.93 412	0.91 416	1.36 419	1.03 419

MADNet++	1.97 417	1.75 421	1.66 414	1.83 420	1.69 421	2.38 420	1.45 420	2.36 420	2.11 421	2.58 420	2.37 421	2.25 419	2.21 420	2.28 420	2.36 420	1.87 421	1.67 421	1.53 420	1.34 420	1.87 420	1.78 422

coex-ft	3.24 418	0.35 384	57.83 441	0.18 177	0.13 306	0.27 332	0.23 316	0.28 246	0.72 389	1.89 419	0.70 386	0.43 362	0.47 380	0.29 335	0.43 382	0.09 237	0.09 293	0.12 315	0.09 254	0.14 336	0.14 331

tt	4.65 419	0.07 54	3.54 418	2.01 421	1.55 420	10.25 425	16.66 425	8.90 428	5.03 422	1.33 415	0.96 401	4.71 421	4.74 421	3.33 421	5.86 423	6.06 428	10.30 432	1.87 422	2.09 423	2.61 421	1.19 421

xxxxx1	7.75 420	5.06 425	7.26 421	3.15 422	3.91 423	16.37 428	22.88 429	5.87 425	8.68 424	7.99 424	8.55 422	9.13 426	8.46 424	10.05 426	10.47 424	2.43 422	2.48 423	3.56 425	12.26 429	3.48 422	3.02 424

tt_ll	7.75 420	5.06 425	7.26 421	3.15 422	3.91 423	16.37 428	22.88 429	5.87 425	8.68 424	7.99 424	8.55 422	9.13 426	8.46 424	10.05 426	10.47 424	2.43 422	2.48 423	3.56 425	12.26 429	3.48 422	3.02 424

ff	7.75 420	5.06 425	7.26 421	3.15 422	3.91 423	16.37 428	22.88 429	5.87 425	8.68 424	7.99 424	8.55 422	9.13 426	8.46 424	10.05 426	10.47 424	2.43 422	2.48 423	3.56 425	12.26 429	3.48 422	3.02 424

EDNetEfficientorigin	7.92 423	0.32 382	152.98 442	0.20 266	0.10 219	0.22 289	0.17 194	0.23 170	0.60 375	0.73 392	0.67 382	0.41 358	0.51 385	0.24 309	0.41 379	0.08 194	0.07 246	0.09 231	0.07 162	0.12 306	0.11 291

DPSMNet_ROB	8.06 424	4.50 423	8.69 428	5.36 427	10.74 429	8.32 423	22.71 427	5.47 423	13.38 428	5.13 422	9.98 425	5.10 422	10.47 427	5.53 423	12.77 428	3.80 426	8.00 427	3.49 423	6.95 426	3.75 426	7.09 428

DGTPSM_ROB	8.06 424	4.50 423	8.69 428	5.34 425	10.73 428	8.32 423	22.71 427	5.47 423	13.38 428	5.13 422	9.98 425	5.10 422	10.47 427	5.53 423	12.77 428	3.79 425	8.00 427	3.49 423	6.95 426	3.74 425	7.09 428

PML	8.57 426	9.39 431	6.24 420	5.34 425	6.36 426	13.21 427	20.99 426	5.35 422	6.68 423	17.75 432	26.46 441	7.58 424	6.08 423	7.89 425	5.76 422	5.33 427	1.83 422	5.95 431	1.93 422	8.75 429	2.53 423

DLNR_Zeroshot_test	10.48 427	2.27 422	19.78 437	120.28 442	13.29 432	0.06 2	0.13 46	0.24 188	0.10 7	0.08 6	0.10 38	0.09 40	0.07 31	0.10 16	0.09 17	0.13 330	0.04 2	0.06 33	0.04 8	52.68 441	0.04 5

LRCNet_RVC	10.76 428	13.97 432	7.97 427	19.07 432	2.04 422	0.35 359	0.31 372	5.29 421	0.48 350	13.02 430	17.65 431	8.69 425	5.73 422	4.78 422	2.22 419	23.53 439	2.69 426	27.60 440	25.75 440	17.60 437	16.54 438

Anonymous_1	10.87 429	7.82 428	7.41 424	10.29 428	10.08 427	18.64 432	26.11 432	11.02 429	13.45 430	9.43 427	10.10 427	9.73 429	11.31 429	10.69 429	12.47 427	6.42 429	8.38 429	5.70 428	10.22 428	11.41 430	6.65 427

DPSM_ROB	11.10 430	8.47 429	7.95 425	10.84 429	11.58 430	19.10 433	26.50 433	12.02 430	14.09 431	10.38 428	10.91 428	10.39 430	11.92 430	11.67 430	13.39 430	6.99 430	8.79 430	5.82 429	6.92 424	6.97 427	7.31 430

DPSM	11.10 430	8.47 429	7.95 425	10.84 429	11.58 430	19.10 433	26.50 433	12.02 430	14.09 431	10.38 428	10.91 428	10.39 430	11.92 430	11.67 430	13.39 430	6.99 430	8.79 430	5.82 429	6.92 424	6.97 427	7.31 430

SPstereo	13.84 432	0.95 411	1.53 413	1.24 417	0.90 416	29.09 435	47.98 435	26.78 442	29.57 441	22.38 440	22.47 439	23.18 440	24.63 440	24.46 440	15.07 432	0.91 415	0.71 416	1.85 421	1.62 421	0.74 410	0.79 415

HaxPig	15.73 433	18.55 439	19.19 436	16.92 431	15.89 433	7.80 422	7.57 422	13.37 432	10.80 427	15.40 431	14.87 430	15.95 432	14.81 432	15.67 432	15.97 433	18.96 438	16.72 433	19.47 438	18.10 438	19.45 438	19.06 439

MEDIAN_ROB	20.38 434	24.05 440	23.36 438	21.18 433	21.62 434	10.51 426	8.17 423	17.68 433	15.46 433	20.04 433	19.65 432	20.30 433	20.16 433	21.17 433	21.03 434	23.81 440	21.77 440	24.98 439	23.75 439	25.01 439	23.94 440

CasAABBNet	22.33 435	17.11 433	15.84 430	21.94 437	23.28 438	38.30 436	53.40 441	24.05 435	28.44 436	20.66 434	21.86 434	21.03 438	24.04 438	23.35 434	27.03 437	14.06 432	17.69 435	11.70 432	13.94 433	14.04 434	14.76 436

MyStereo03	22.37 436	17.11 433	16.16 432	21.87 434	23.27 435	38.30 436	53.36 437	24.10 436	28.51 437	20.93 437	21.96 436	20.94 434	24.00 434	23.43 436	27.22 438	14.07 433	17.72 437	11.70 432	13.96 434	14.00 431	14.72 433

MyStereo02	22.37 436	17.11 433	16.16 432	21.87 434	23.27 435	38.30 436	53.36 437	24.10 436	28.51 437	20.93 437	21.96 436	20.94 434	24.00 434	23.43 436	27.22 438	14.07 433	17.72 437	11.70 432	13.96 434	14.00 431	14.72 433

MyStereo	22.37 436	17.11 433	16.16 432	21.87 434	23.27 435	38.30 436	53.36 437	24.10 436	28.51 437	20.93 437	21.96 436	20.94 434	24.00 434	23.43 436	27.22 438	14.07 433	17.72 437	11.70 432	13.96 434	14.00 431	14.72 433

Selective-RAFT-Error	22.39 439	17.14 437	16.01 431	22.00 438	23.34 439	38.37 440	53.36 437	24.24 440	28.53 440	20.80 435	21.94 435	20.94 434	24.02 437	23.48 439	27.33 441	14.07 433	17.70 436	11.70 432	13.93 432	14.05 435	14.83 437

LSM0	22.80 440	17.22 438	19.17 435	22.12 439	28.90 441	38.38 441	53.27 436	24.21 439	28.36 435	20.84 436	21.11 433	21.63 439	24.25 439	23.42 435	26.98 436	14.08 437	17.39 434	11.72 437	13.98 437	14.22 436	14.66 432

AVERAGE_ROB	24.89 441	29.12 441	27.98 439	24.83 440	24.59 440	17.82 431	11.61 424	21.45 434	19.91 434	25.04 441	24.38 440	25.06 441	25.31 441	24.69 441	22.86 435	29.74 441	27.09 441	28.97 441	27.94 441	30.07 440	29.35 441

test_example2	97.69 442	92.93 442	45.57 440	96.02 441	109.84 442	88.44 442	93.70 442	25.54 441	94.63 442	130.46 442	126.87 442	58.93 442	75.48 442	87.99 442	77.94 442	150.16 442	221.11 442	76.29 442	98.21 442	108.42 442	95.33 442

Low-res two-view benchmark