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

FoundationStereo	0.06 1	0.04 1	0.08 12	0.13 8	0.05 1	0.09 54	0.13 72	0.06 1	0.09 8	0.05 1	0.05 2	0.06 8	0.04 1	0.07 2	0.07 1	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

IGEV-Stereo+	0.07 2	0.04 1	0.08 12	0.15 56	0.06 8	0.04 1	0.09 6	0.10 6	0.09 8	0.06 4	0.06 4	0.06 8	0.06 27	0.06 1	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.06 143	0.06 152

CAS	0.08 14	0.04 1	0.07 2	0.17 171	0.08 87	0.10 90	0.13 72	0.12 27	0.09 8	0.09 55	0.10 79	0.08 59	0.06 27	0.09 19	0.09 35	0.08 256	0.04 3	0.05 3	0.03 1	0.05 62	0.04 10

CES	0.08 14	0.04 1	0.08 12	0.14 21	0.07 35	0.09 54	0.14 118	0.11 14	0.09 8	0.08 33	0.09 57	0.11 133	0.07 71	0.12 144	0.08 14	0.06 80	0.04 3	0.05 3	0.03 1	0.05 62	0.05 80

CREStereo++_RVC	0.08 14	0.04 1	0.07 2	0.13 8	0.07 35	0.09 54	0.12 40	0.14 54	0.14 101	0.10 84	0.14 147	0.08 59	0.07 71	0.10 34	0.11 133	0.06 80	0.04 3	0.05 3	0.05 72	0.04 2	0.04 10
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
TANstereo	0.09 41	0.04 1	0.08 12	0.13 8	0.06 8	0.11 126	0.13 72	0.15 68	0.19 198	0.11 117	0.15 159	0.10 113	0.07 71	0.12 144	0.09 35	0.07 199	0.05 120	0.05 3	0.04 15	0.06 143	0.05 80

LGtest1	0.07 2	0.05 7	0.11 103	0.15 56	0.06 8	0.07 20	0.09 6	0.08 3	0.06 1	0.06 4	0.04 1	0.06 8	0.07 71	0.10 34	0.09 35	0.07 199	0.04 3	0.05 3	0.04 15	0.06 143	0.06 152

SGD-Stereo	0.08 14	0.05 7	0.10 66	0.14 21	0.06 8	0.12 163	0.12 40	0.11 14	0.12 55	0.07 14	0.09 57	0.09 86	0.09 128	0.08 11	0.08 14	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

Reg-Stereo(zero)	0.09 41	0.05 7	0.08 12	0.16 105	0.06 8	0.12 163	0.11 21	0.15 68	0.11 34	0.12 147	0.09 57	0.10 113	0.08 103	0.11 73	0.09 35	0.06 80	0.05 120	0.05 3	0.04 15	0.04 2	0.05 80

HUF	0.08 14	0.05 7	0.08 12	0.14 21	0.06 8	0.09 54	0.13 72	0.13 41	0.13 82	0.07 14	0.07 21	0.09 86	0.06 27	0.10 34	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

DEFOM-Stereo	0.07 2	0.05 7	0.07 2	0.14 21	0.06 8	0.09 54	0.13 72	0.07 2	0.13 82	0.06 4	0.07 21	0.06 8	0.05 7	0.10 34	0.09 35	0.05 5	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

dual_stereo	0.07 2	0.05 7	0.08 12	0.15 56	0.05 1	0.05 3	0.13 72	0.12 27	0.08 2	0.07 14	0.06 4	0.05 1	0.05 7	0.07 2	0.09 35	0.06 80	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

UGAM-zero	0.10 97	0.05 7	0.15 247	0.15 56	0.08 87	0.10 90	0.13 72	0.20 186	0.15 118	0.11 117	0.15 159	0.07 39	0.08 103	0.09 19	0.10 89	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

WCG-NET	0.08 14	0.05 7	0.10 66	0.15 56	0.06 8	0.11 126	0.14 118	0.13 41	0.14 101	0.07 14	0.09 57	0.07 39	0.06 27	0.13 191	0.08 14	0.05 5	0.04 3	0.06 64	0.04 15	0.04 2	0.03 1

model_zeroshot	0.10 97	0.05 7	0.12 137	0.15 56	0.09 185	0.13 191	0.14 118	0.20 186	0.14 101	0.11 117	0.10 79	0.12 154	0.07 71	0.12 144	0.11 133	0.07 199	0.06 258	0.06 64	0.05 72	0.06 143	0.06 152

Occ-G	0.08 14	0.05 7	0.07 2	0.14 21	0.07 35	0.09 54	0.14 118	0.14 54	0.15 118	0.07 14	0.12 120	0.07 39	0.05 7	0.09 19	0.10 89	0.06 80	0.05 120	0.05 3	0.04 15	0.05 62	0.06 152

Pointernet	0.09 41	0.05 7	0.10 66	0.16 105	0.08 87	0.13 191	0.10 11	0.15 68	0.18 177	0.09 55	0.07 21	0.06 8	0.06 27	0.11 73	0.10 89	0.08 256	0.04 3	0.05 3	0.03 1	0.06 143	0.05 80

AIO-Stereo-zeroshot1	0.11 136	0.05 7	0.14 211	0.16 105	0.21 469	0.09 54	0.17 271	0.21 202	0.16 140	0.11 117	0.15 159	0.10 113	0.07 71	0.10 34	0.08 14	0.06 80	0.05 120	0.07 155	0.07 227	0.07 210	0.09 336

AIO-Stereo-zeroshot	0.11 136	0.05 7	0.12 137	0.15 56	0.13 396	0.14 230	0.16 245	0.23 243	0.18 177	0.10 84	0.13 134	0.10 113	0.07 71	0.12 144	0.09 35	0.06 80	0.05 120	0.06 64	0.06 138	0.07 210	0.08 292

WCG-NET（raft）	0.08 14	0.05 7	0.10 66	0.15 56	0.06 8	0.11 126	0.13 72	0.15 68	0.12 55	0.08 33	0.07 21	0.06 8	0.06 27	0.13 191	0.08 14	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

trnet	0.08 14	0.05 7	0.07 2	0.12 4	0.05 1	0.12 163	0.10 11	0.13 41	0.10 16	0.08 33	0.13 134	0.09 86	0.08 103	0.11 73	0.10 89	0.08 256	0.05 120	0.05 3	0.03 1	0.06 143	0.05 80

MoCha-V2	0.08 14	0.05 7	0.11 103	0.20 354	0.07 35	0.10 90	0.14 118	0.12 27	0.08 2	0.07 14	0.08 42	0.07 39	0.06 27	0.09 19	0.08 14	0.05 5	0.05 120	0.05 3	0.04 15	0.04 2	0.04 10

IGEV_Zeroshot_test	0.09 41	0.05 7	0.13 170	0.14 21	0.08 87	0.12 163	0.13 72	0.17 124	0.11 34	0.10 84	0.06 4	0.09 86	0.06 27	0.11 73	0.09 35	0.06 80	0.04 3	0.06 64	0.06 138	0.05 62	0.05 80

MSKI-zero shot	0.09 41	0.05 7	0.09 42	0.16 105	0.07 35	0.10 90	0.13 72	0.15 68	0.14 101	0.09 55	0.09 57	0.09 86	0.06 27	0.12 144	0.11 133	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

AEACV	0.09 41	0.05 7	0.08 12	0.14 21	0.13 396	0.14 230	0.13 72	0.15 68	0.09 8	0.07 14	0.09 57	0.07 39	0.08 103	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

Any-RAFT	0.10 97	0.05 7	0.10 66	0.15 56	0.07 35	0.13 191	0.14 118	0.21 202	0.15 118	0.11 117	0.12 120	0.13 177	0.10 150	0.13 191	0.10 89	0.07 199	0.04 3	0.05 3	0.04 15	0.06 143	0.05 80

LoS_RVC	0.08 14	0.05 7	0.07 2	0.15 56	0.07 35	0.08 32	0.15 187	0.12 27	0.11 34	0.08 33	0.09 57	0.06 8	0.09 128	0.10 34	0.09 35	0.05 5	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

LoS	0.09 41	0.05 7	0.11 103	0.13 8	0.07 35	0.14 230	0.11 21	0.15 68	0.15 118	0.09 55	0.09 57	0.12 154	0.09 128	0.15 233	0.10 89	0.07 199	0.05 120	0.05 3	0.03 1	0.05 62	0.05 80
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
EGLCR-Stereo	0.08 14	0.05 7	0.08 12	0.14 21	0.07 35	0.11 126	0.12 40	0.11 14	0.16 140	0.06 4	0.05 2	0.07 39	0.05 7	0.10 34	0.11 133	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

iRaft-Stereo_20w	0.09 41	0.05 7	0.13 170	0.14 21	0.09 185	0.12 163	0.15 187	0.19 173	0.11 34	0.11 117	0.08 42	0.08 59	0.05 7	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.06 143	0.05 80

TRStereo	0.10 97	0.05 7	0.12 137	0.16 105	0.12 371	0.10 90	0.13 72	0.18 149	0.19 198	0.09 55	0.09 57	0.09 86	0.07 71	0.10 34	0.08 14	0.07 199	0.05 120	0.07 155	0.07 227	0.04 2	0.04 10

XX-Stereo	0.09 41	0.05 7	0.09 42	0.17 171	0.09 185	0.15 255	0.12 40	0.21 202	0.10 16	0.10 84	0.14 147	0.07 39	0.06 27	0.13 191	0.08 14	0.06 80	0.05 120	0.06 64	0.06 138	0.04 2	0.04 10

CREStereo	0.09 41	0.05 7	0.08 12	0.11 1	0.06 8	0.14 230	0.14 118	0.14 54	0.10 16	0.09 55	0.13 134	0.09 86	0.08 103	0.12 144	0.10 89	0.08 256	0.04 3	0.05 3	0.03 1	0.06 143	0.06 152
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 41	0.05 7	0.09 42	0.12 4	0.06 8	0.13 191	0.14 118	0.16 92	0.11 34	0.09 55	0.13 134	0.10 113	0.07 71	0.14 215	0.10 89	0.15 442	0.04 3	0.05 3	0.03 1	0.07 210	0.06 152

G2L-Stereo_aug	0.15 300	0.06 35	0.12 137	0.14 21	0.07 35	0.19 343	0.19 358	0.20 186	0.39 413	0.22 356	0.27 344	0.27 374	0.15 289	0.18 315	0.19 352	0.07 199	0.05 120	0.05 3	0.04 15	0.06 143	0.07 223

LG-Stereo_Zeroshot	0.07 2	0.06 35	0.10 66	0.16 105	0.07 35	0.04 1	0.13 72	0.10 6	0.10 16	0.05 1	0.11 107	0.07 39	0.05 7	0.07 2	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

GREAT-IGEV	0.07 2	0.06 35	0.09 42	0.13 8	0.07 35	0.07 20	0.14 118	0.10 6	0.09 8	0.06 4	0.08 42	0.06 8	0.05 7	0.10 34	0.07 1	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

HI	0.11 136	0.06 35	0.12 137	0.13 8	0.09 185	0.09 54	0.14 118	0.22 225	0.11 34	0.20 329	0.17 194	0.14 196	0.10 150	0.16 260	0.09 35	0.05 5	0.04 3	0.07 155	0.08 293	0.07 210	0.06 152

CoSv	0.11 136	0.06 35	0.12 137	0.13 8	0.09 185	0.09 54	0.14 118	0.22 225	0.11 34	0.20 329	0.17 194	0.14 196	0.10 150	0.16 260	0.09 35	0.05 5	0.04 3	0.07 155	0.08 293	0.07 210	0.06 152

AIO_rvc	0.07 2	0.06 35	0.08 12	0.15 56	0.06 8	0.08 32	0.14 118	0.09 5	0.08 2	0.07 14	0.08 42	0.07 39	0.04 1	0.10 34	0.08 14	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

AIO_test	0.07 2	0.06 35	0.07 2	0.15 56	0.07 35	0.07 20	0.14 118	0.10 6	0.10 16	0.07 14	0.07 21	0.06 8	0.05 7	0.08 11	0.10 89	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

castereo++	0.08 14	0.06 35	0.08 12	0.15 56	0.05 1	0.14 230	0.11 21	0.11 14	0.15 118	0.07 14	0.07 21	0.08 59	0.06 27	0.08 11	0.08 14	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

IGEV-RUCA	0.08 14	0.06 35	0.11 103	0.14 21	0.09 185	0.10 90	0.12 40	0.10 6	0.12 55	0.06 4	0.07 21	0.08 59	0.06 27	0.09 19	0.08 14	0.06 80	0.05 120	0.05 3	0.04 15	0.05 62	0.06 152

castereo	0.09 41	0.06 35	0.11 103	0.15 56	0.06 8	0.11 126	0.14 118	0.14 54	0.18 177	0.08 33	0.10 79	0.11 133	0.08 103	0.09 19	0.10 89	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.04 10

MonSter	0.07 2	0.06 35	0.06 1	0.15 56	0.05 1	0.08 32	0.10 11	0.15 68	0.15 118	0.05 1	0.06 4	0.05 1	0.06 27	0.07 2	0.09 35	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

GIP-stereo	0.08 14	0.06 35	0.11 103	0.15 56	0.07 35	0.09 54	0.13 72	0.15 68	0.11 34	0.07 14	0.08 42	0.05 1	0.04 1	0.10 34	0.07 1	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

fffft	0.09 41	0.06 35	0.12 137	0.16 105	0.07 35	0.09 54	0.16 245	0.12 27	0.11 34	0.09 55	0.07 21	0.09 86	0.06 27	0.11 73	0.12 187	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.05 80
1: 1. 1
SMoEStereo_RVC	0.08 14	0.06 35	0.12 137	0.16 105	0.07 35	0.09 54	0.13 72	0.11 14	0.14 101	0.09 55	0.07 21	0.07 39	0.07 71	0.12 144	0.10 89	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

tt45	0.09 41	0.06 35	0.11 103	0.15 56	0.07 35	0.12 163	0.15 187	0.13 41	0.12 55	0.09 55	0.06 4	0.08 59	0.06 27	0.13 191	0.10 89	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

999	0.09 41	0.06 35	0.13 170	0.15 56	0.08 87	0.10 90	0.14 118	0.15 68	0.12 55	0.10 84	0.08 42	0.08 59	0.08 103	0.16 260	0.10 89	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.06 152

tg	0.10 97	0.06 35	0.10 66	0.18 248	0.08 87	0.11 126	0.16 245	0.20 186	0.12 55	0.08 33	0.11 107	0.11 133	0.07 71	0.11 73	0.10 89	0.05 5	0.04 3	0.08 230	0.08 293	0.04 2	0.04 10

PAM_32	0.10 97	0.06 35	0.17 311	0.15 56	0.08 87	0.10 90	0.15 187	0.14 54	0.16 140	0.09 55	0.08 42	0.10 113	0.07 71	0.14 215	0.09 35	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

PAM	0.10 97	0.06 35	0.17 311	0.15 56	0.09 185	0.10 90	0.16 245	0.15 68	0.16 140	0.12 147	0.09 57	0.10 113	0.07 71	0.13 191	0.09 35	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

IGEV-Stereo++	0.07 2	0.06 35	0.08 12	0.18 248	0.06 8	0.05 3	0.10 11	0.11 14	0.11 34	0.06 4	0.07 21	0.07 39	0.06 27	0.09 19	0.09 35	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

AIO-Stereo	0.08 14	0.06 35	0.10 66	0.18 248	0.06 8	0.09 54	0.11 21	0.16 92	0.09 8	0.09 55	0.08 42	0.07 39	0.05 7	0.11 73	0.08 14	0.05 5	0.05 120	0.05 3	0.04 15	0.04 2	0.04 10

RSM++	0.08 14	0.06 35	0.09 42	0.17 171	0.07 35	0.09 54	0.12 40	0.11 14	0.11 34	0.08 33	0.06 4	0.07 39	0.05 7	0.10 34	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.03 1

RSM	0.08 14	0.06 35	0.09 42	0.17 171	0.07 35	0.08 32	0.12 40	0.12 27	0.10 16	0.08 33	0.07 21	0.06 8	0.05 7	0.11 73	0.09 35	0.04 1	0.04 3	0.05 3	0.04 15	0.04 2	0.04 10

RAFT-Stereo-weight	0.09 41	0.06 35	0.11 103	0.16 105	0.07 35	0.09 54	0.14 118	0.19 173	0.16 140	0.11 117	0.10 79	0.08 59	0.06 27	0.10 34	0.11 133	0.06 80	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

gcap-zeroshot	0.09 41	0.06 35	0.10 66	0.16 105	0.07 35	0.14 230	0.13 72	0.11 14	0.12 55	0.13 175	0.12 120	0.09 86	0.08 103	0.09 19	0.09 35	0.06 80	0.05 120	0.06 64	0.05 72	0.04 2	0.04 10

testlalala2	0.10 97	0.06 35	0.11 103	0.20 354	0.10 290	0.10 90	0.11 21	0.17 124	0.13 82	0.12 147	0.13 134	0.09 86	0.08 103	0.11 73	0.13 220	0.06 80	0.05 120	0.05 3	0.04 15	0.05 62	0.05 80

IGEV++	0.08 14	0.06 35	0.09 42	0.18 248	0.07 35	0.10 90	0.13 72	0.10 6	0.10 16	0.08 33	0.08 42	0.06 8	0.05 7	0.13 191	0.09 35	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

MIF-Stereo (partial)	0.11 136	0.06 35	0.10 66	0.19 306	0.10 290	0.10 90	0.12 40	0.17 124	0.19 198	0.14 198	0.16 175	0.10 113	0.11 178	0.12 144	0.12 187	0.08 256	0.05 120	0.08 230	0.07 227	0.06 143	0.07 223

RAFT-Test	0.09 41	0.06 35	0.10 66	0.16 105	0.07 35	0.11 126	0.15 187	0.16 92	0.13 82	0.09 55	0.10 79	0.11 133	0.09 128	0.12 144	0.09 35	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.05 80

HH	0.09 41	0.06 35	0.13 170	0.17 171	0.08 87	0.11 126	0.16 245	0.15 68	0.10 16	0.08 33	0.10 79	0.08 59	0.07 71	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

HanStereo	0.09 41	0.06 35	0.13 170	0.17 171	0.08 87	0.11 126	0.16 245	0.15 68	0.10 16	0.08 33	0.10 79	0.08 59	0.07 71	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

Selective-IGEV	0.07 2	0.06 35	0.09 42	0.17 171	0.06 8	0.08 32	0.12 40	0.13 41	0.08 2	0.08 33	0.07 21	0.06 8	0.04 1	0.10 34	0.09 35	0.05 5	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

knoymous	0.11 136	0.06 35	0.12 137	0.14 21	0.07 35	0.15 255	0.13 72	0.20 186	0.14 101	0.11 117	0.17 194	0.13 177	0.09 128	0.14 215	0.11 133	0.09 308	0.05 120	0.06 64	0.05 72	0.07 210	0.07 223

riskmin	0.11 136	0.06 35	0.13 170	0.14 21	0.08 87	0.14 230	0.14 118	0.18 149	0.15 118	0.12 147	0.15 159	0.17 257	0.11 178	0.14 215	0.12 187	0.09 308	0.05 120	0.07 155	0.05 72	0.08 273	0.08 292

RCA-Stereo	0.09 41	0.06 35	0.09 42	0.16 105	0.06 8	0.09 54	0.13 72	0.18 149	0.14 101	0.10 84	0.11 107	0.08 59	0.07 71	0.12 144	0.11 133	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.04 10

fff	0.10 97	0.06 35	0.12 137	0.15 56	0.07 35	0.09 54	0.17 271	0.16 92	0.21 231	0.13 175	0.17 194	0.10 113	0.11 178	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

ADStereo(finetuned)	0.10 97	0.06 35	0.13 170	0.16 105	0.06 8	0.09 54	0.17 271	0.16 92	0.20 217	0.13 175	0.18 217	0.10 113	0.12 207	0.12 144	0.12 187	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.05 80

test-3	0.09 41	0.06 35	0.10 66	0.18 248	0.07 35	0.07 20	0.14 118	0.12 27	0.16 140	0.10 84	0.08 42	0.08 59	0.08 103	0.11 73	0.10 89	0.05 5	0.04 3	0.07 155	0.05 72	0.04 2	0.04 10

test_1	0.09 41	0.06 35	0.10 66	0.18 248	0.07 35	0.07 20	0.14 118	0.12 27	0.16 140	0.10 84	0.08 42	0.08 59	0.08 103	0.11 73	0.10 89	0.05 5	0.04 3	0.07 155	0.05 72	0.04 2	0.04 10

PFNet+	0.12 205	0.06 35	0.14 211	0.16 105	0.09 185	0.05 3	0.12 40	0.18 149	0.21 231	0.16 249	0.19 231	0.14 196	0.10 150	0.11 73	0.11 133	0.08 256	0.05 120	0.09 312	0.08 293	0.06 143	0.11 384

HHNet	0.11 136	0.06 35	0.16 288	0.15 56	0.14 412	0.07 20	0.13 72	0.20 186	0.18 177	0.15 222	0.25 314	0.11 133	0.09 128	0.13 191	0.10 89	0.06 80	0.04 3	0.08 230	0.06 138	0.05 62	0.09 336

IIG-Stereo	0.11 136	0.06 35	0.13 170	0.17 171	0.08 87	0.11 126	0.12 40	0.22 225	0.18 177	0.14 198	0.17 194	0.12 154	0.13 238	0.12 144	0.13 220	0.06 80	0.05 120	0.07 155	0.06 138	0.06 143	0.05 80

ASMatch	0.11 136	0.06 35	0.13 170	0.17 171	0.10 290	0.08 32	0.14 118	0.18 149	0.16 140	0.12 147	0.16 175	0.16 240	0.11 178	0.13 191	0.11 133	0.05 5	0.04 3	0.06 64	0.06 138	0.04 2	0.09 336

DEmStereo	0.12 205	0.06 35	0.14 211	0.14 21	0.10 290	0.16 283	0.15 187	0.16 92	0.24 273	0.17 261	0.23 276	0.12 154	0.14 269	0.12 144	0.14 256	0.05 5	0.04 3	0.07 155	0.06 138	0.05 62	0.05 80

DRaft	0.12 205	0.06 35	0.12 137	0.14 21	0.09 185	0.14 230	0.17 271	0.21 202	0.30 350	0.18 293	0.27 344	0.10 113	0.16 311	0.11 73	0.12 187	0.05 5	0.04 3	0.07 155	0.07 227	0.05 62	0.05 80

PFNet	0.12 205	0.06 35	0.17 311	0.18 248	0.08 87	0.09 54	0.15 187	0.26 298	0.20 217	0.16 249	0.16 175	0.14 196	0.12 207	0.13 191	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.05 62	0.05 80

GrayStereo	0.11 136	0.06 35	0.11 103	0.19 306	0.09 185	0.09 54	0.16 245	0.18 149	0.17 163	0.14 198	0.17 194	0.17 257	0.11 178	0.12 144	0.11 133	0.05 5	0.05 120	0.07 155	0.06 138	0.06 143	0.10 362

RAFT-RH_RVC	0.12 205	0.06 35	0.14 211	0.16 105	0.09 185	0.12 163	0.12 40	0.17 124	0.12 55	0.13 175	0.40 433	0.11 133	0.10 150	0.13 191	0.12 187	0.05 5	0.04 3	0.08 230	0.05 72	0.05 62	0.06 152

AnonymousM	0.10 97	0.06 35	0.10 66	0.14 21	0.07 35	0.09 54	0.13 72	0.19 173	0.14 101	0.13 175	0.12 120	0.09 86	0.08 103	0.13 191	0.10 89	0.08 256	0.05 120	0.08 230	0.05 72	0.05 62	0.05 80

rafts_anoy	0.11 136	0.06 35	0.10 66	0.17 171	0.08 87	0.10 90	0.14 118	0.18 149	0.14 101	0.13 175	0.13 134	0.12 154	0.11 178	0.11 73	0.13 220	0.07 199	0.05 120	0.09 312	0.11 399	0.07 210	0.06 152

s12784h	0.10 97	0.06 35	0.08 12	0.15 56	0.05 1	0.16 283	0.18 316	0.16 92	0.15 118	0.10 84	0.11 107	0.11 133	0.11 178	0.11 73	0.12 187	0.05 5	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

XX-TBD	0.09 41	0.06 35	0.07 2	0.14 21	0.07 35	0.13 191	0.16 245	0.14 54	0.14 101	0.11 117	0.12 120	0.09 86	0.08 103	0.10 34	0.10 89	0.06 80	0.04 3	0.05 3	0.04 15	0.06 143	0.05 80

raftrobust	0.09 41	0.06 35	0.11 103	0.17 171	0.08 87	0.09 54	0.10 11	0.18 149	0.16 140	0.10 84	0.09 57	0.12 154	0.08 103	0.12 144	0.10 89	0.08 256	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

DCANet	0.10 97	0.06 35	0.12 137	0.16 105	0.06 8	0.09 54	0.17 271	0.16 92	0.20 217	0.13 175	0.18 217	0.10 113	0.11 178	0.11 73	0.12 187	0.06 80	0.04 3	0.05 3	0.04 15	0.05 62	0.05 80

csc	0.10 97	0.06 35	0.12 137	0.15 56	0.07 35	0.09 54	0.17 271	0.16 92	0.21 231	0.13 175	0.17 194	0.10 113	0.11 178	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

cscssc	0.10 97	0.06 35	0.12 137	0.15 56	0.07 35	0.09 54	0.17 271	0.16 92	0.21 231	0.13 175	0.17 194	0.10 113	0.11 178	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

111	0.11 136	0.06 35	0.12 137	0.15 56	0.07 35	0.10 90	0.14 118	0.21 202	0.24 273	0.11 117	0.12 120	0.14 196	0.12 207	0.13 191	0.10 89	0.06 80	0.04 3	0.06 64	0.04 15	0.06 143	0.05 80

RAFT-Stereo + iAFF	0.09 41	0.06 35	0.10 66	0.17 171	0.07 35	0.10 90	0.15 187	0.17 124	0.15 118	0.10 84	0.10 79	0.08 59	0.09 128	0.12 144	0.10 89	0.05 5	0.04 3	0.06 64	0.06 138	0.04 2	0.03 1

R-Stereo Train	0.10 97	0.06 35	0.11 103	0.17 171	0.08 87	0.11 126	0.14 118	0.24 266	0.11 34	0.12 147	0.19 231	0.11 133	0.08 103	0.10 34	0.11 133	0.07 199	0.05 120	0.06 64	0.05 72	0.05 62	0.05 80

RAFT-Stereo	0.10 97	0.06 35	0.11 103	0.17 171	0.08 87	0.11 126	0.14 118	0.24 266	0.11 34	0.12 147	0.19 231	0.11 133	0.08 103	0.10 34	0.11 133	0.07 199	0.05 120	0.06 64	0.05 72	0.05 62	0.05 80
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.11 136	0.06 35	0.12 137	0.14 21	0.06 8	0.12 163	0.10 11	0.18 149	0.18 177	0.13 175	0.17 194	0.15 221	0.11 178	0.15 233	0.14 256	0.06 80	0.04 3	0.04 1	0.04 15	0.06 143	0.05 80
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
coex_refinement	0.14 261	0.07 96	0.12 137	0.17 171	0.10 290	0.16 283	0.15 187	0.27 312	0.29 344	0.18 293	0.21 257	0.22 322	0.17 334	0.16 260	0.19 352	0.08 256	0.05 120	0.06 64	0.06 138	0.09 333	0.08 292

G2L-Stereo	0.14 261	0.07 96	0.13 170	0.17 171	0.09 185	0.13 191	0.12 40	0.27 312	0.22 253	0.17 261	0.27 344	0.21 304	0.13 238	0.18 315	0.18 338	0.09 308	0.08 357	0.08 230	0.07 227	0.07 210	0.07 223

MM-Stereo_test3	0.10 97	0.07 96	0.07 2	0.18 248	0.07 35	0.12 163	0.19 358	0.24 266	0.19 198	0.06 4	0.10 79	0.08 59	0.06 27	0.11 73	0.09 35	0.06 80	0.06 258	0.07 155	0.05 72	0.05 62	0.04 10

MM-Stereo_test2	0.09 41	0.07 96	0.09 42	0.19 306	0.08 87	0.12 163	0.18 316	0.15 68	0.14 101	0.07 14	0.10 79	0.07 39	0.06 27	0.12 144	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.06 143	0.04 10

MM-Stereo_test1	0.10 97	0.07 96	0.09 42	0.18 248	0.07 35	0.12 163	0.18 316	0.21 202	0.20 217	0.09 55	0.11 107	0.08 59	0.06 27	0.10 34	0.10 89	0.06 80	0.05 120	0.07 155	0.06 138	0.05 62	0.04 10

HART	0.08 14	0.07 96	0.09 42	0.18 248	0.07 35	0.10 90	0.16 245	0.13 41	0.11 34	0.09 55	0.10 79	0.08 59	0.05 7	0.10 34	0.08 14	0.05 5	0.04 3	0.06 64	0.04 15	0.05 62	0.04 10

SCV_C0	0.08 14	0.07 96	0.08 12	0.16 105	0.10 290	0.08 32	0.14 118	0.11 14	0.13 82	0.08 33	0.07 21	0.06 8	0.05 7	0.11 73	0.07 1	0.05 5	0.05 120	0.05 3	0.04 15	0.06 143	0.05 80

DEFOM-Stereo_RVC	0.08 14	0.07 96	0.09 42	0.22 404	0.06 8	0.08 32	0.12 40	0.10 6	0.10 16	0.07 14	0.07 21	0.06 8	0.05 7	0.11 73	0.09 35	0.06 80	0.04 3	0.05 3	0.03 1	0.06 143	0.04 10

AIO-test1	0.10 97	0.07 96	0.11 103	0.24 433	0.07 35	0.09 54	0.13 72	0.22 225	0.15 118	0.11 117	0.12 120	0.09 86	0.07 71	0.11 73	0.09 35	0.06 80	0.05 120	0.09 312	0.10 370	0.04 2	0.07 223

mms	0.09 41	0.07 96	0.08 12	0.17 171	0.08 87	0.11 126	0.15 187	0.12 27	0.11 34	0.09 55	0.09 57	0.08 59	0.06 27	0.11 73	0.12 187	0.05 5	0.04 3	0.07 155	0.05 72	0.04 2	0.04 10

ours_stereo	0.09 41	0.07 96	0.09 42	0.17 171	0.08 87	0.11 126	0.16 245	0.11 14	0.12 55	0.08 33	0.10 79	0.08 59	0.06 27	0.12 144	0.12 187	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

GCAP-BAT	0.09 41	0.07 96	0.14 211	0.15 56	0.08 87	0.10 90	0.12 40	0.15 68	0.11 34	0.11 117	0.10 79	0.09 86	0.07 71	0.12 144	0.10 89	0.06 80	0.05 120	0.06 64	0.04 15	0.04 2	0.04 10

U	0.08 14	0.07 96	0.10 66	0.19 306	0.10 290	0.10 90	0.13 72	0.12 27	0.17 163	0.07 14	0.07 21	0.06 8	0.05 7	0.07 2	0.09 35	0.06 80	0.04 3	0.06 64	0.04 15	0.06 143	0.05 80

rvit_stereo_ft	0.12 205	0.07 96	0.13 170	0.19 306	0.10 290	0.12 163	0.17 271	0.16 92	0.16 140	0.13 175	0.13 134	0.15 221	0.10 150	0.14 215	0.13 220	0.10 345	0.06 258	0.08 230	0.07 227	0.07 210	0.06 152

test_sample2	0.13 232	0.07 96	0.12 137	0.14 21	0.08 87	0.16 283	0.18 316	0.21 202	0.16 140	0.14 198	0.21 257	0.20 297	0.15 289	0.15 233	0.13 220	0.08 256	0.06 258	0.07 155	0.06 138	0.08 273	0.08 292

test_sample1	0.13 232	0.07 96	0.14 211	0.14 21	0.08 87	0.19 343	0.17 271	0.20 186	0.15 118	0.14 198	0.22 272	0.18 271	0.16 311	0.17 299	0.15 290	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.08 292

CAS++	0.11 136	0.07 96	0.11 103	0.14 21	0.10 290	0.13 191	0.14 118	0.24 266	0.14 101	0.11 117	0.09 57	0.11 133	0.07 71	0.14 215	0.09 35	0.11 376	0.09 381	0.09 312	0.07 227	0.07 210	0.08 292
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MGS-Stereo	0.09 41	0.07 96	0.12 137	0.16 105	0.08 87	0.09 54	0.15 187	0.12 27	0.12 55	0.07 14	0.10 79	0.08 59	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.06 143	0.05 80

MyStereo8	0.12 205	0.07 96	0.15 247	0.15 56	0.09 185	0.18 322	0.14 118	0.19 173	0.22 253	0.12 147	0.18 217	0.11 133	0.10 150	0.16 260	0.18 338	0.07 199	0.05 120	0.07 155	0.05 72	0.08 273	0.09 336

SMFormer	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.17 325	0.08 256	0.05 120	0.07 155	0.06 138	0.08 273	0.07 223

tta	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.17 325	0.08 256	0.05 120	0.07 155	0.06 138	0.06 143	0.06 152

qqq1	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.12 187	0.08 256	0.05 120	0.05 3	0.05 72	0.06 143	0.06 152

fff1	0.14 261	0.07 96	0.18 343	0.14 21	0.08 87	0.17 306	0.17 271	0.27 312	0.27 322	0.19 308	0.20 240	0.19 280	0.15 289	0.15 233	0.12 187	0.08 256	0.05 120	0.05 3	0.05 72	0.06 143	0.06 152

MyStereo07	0.10 97	0.07 96	0.10 66	0.17 171	0.09 185	0.14 230	0.17 271	0.15 68	0.15 118	0.09 55	0.06 4	0.06 8	0.07 71	0.12 144	0.09 35	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

MyStereo06	0.10 97	0.07 96	0.12 137	0.17 171	0.09 185	0.13 191	0.18 316	0.19 173	0.12 55	0.13 175	0.08 42	0.07 39	0.07 71	0.11 73	0.09 35	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

MyStereo05	0.13 232	0.07 96	0.10 66	0.17 171	0.09 185	0.13 191	0.18 316	0.28 336	0.35 393	0.17 261	0.14 147	0.15 221	0.11 178	0.15 233	0.13 220	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

MyStereo04	0.13 232	0.07 96	0.10 66	0.17 171	0.09 185	0.14 230	0.17 271	0.29 354	0.38 409	0.17 261	0.14 147	0.16 240	0.11 178	0.15 233	0.13 220	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.06 152

CoDeX	0.12 205	0.07 96	0.13 170	0.17 171	0.08 87	0.12 163	0.16 245	0.23 243	0.27 322	0.13 175	0.17 194	0.15 221	0.12 207	0.14 215	0.11 133	0.07 199	0.05 120	0.07 155	0.06 138	0.06 143	0.05 80

11t1	0.12 205	0.07 96	0.14 211	0.14 21	0.08 87	0.17 306	0.15 187	0.19 173	0.15 118	0.15 222	0.15 159	0.17 257	0.16 311	0.15 233	0.13 220	0.08 256	0.05 120	0.06 64	0.05 72	0.08 273	0.07 223

ff7	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

IGEVStereo-DCA	0.09 41	0.07 96	0.11 103	0.16 105	0.10 290	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.08 59	0.06 27	0.10 34	0.09 35	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

ffff	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

rrr	0.09 41	0.07 96	0.13 170	0.16 105	0.10 290	0.11 126	0.15 187	0.16 92	0.15 118	0.10 84	0.06 4	0.08 59	0.06 27	0.10 34	0.09 35	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.06 152

11t	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

UniTT-Stereo	0.09 41	0.07 96	0.08 12	0.18 248	0.08 87	0.13 191	0.11 21	0.12 27	0.11 34	0.10 84	0.12 120	0.05 1	0.06 27	0.09 19	0.10 89	0.07 199	0.06 258	0.05 3	0.05 72	0.06 143	0.05 80

EKT-Stereo	0.11 136	0.07 96	0.14 211	0.16 105	0.10 290	0.13 191	0.14 118	0.19 173	0.21 231	0.11 117	0.08 42	0.13 177	0.10 150	0.11 73	0.12 187	0.08 256	0.06 258	0.07 155	0.06 138	0.08 273	0.07 223

MIM_Stereo	0.10 97	0.07 96	0.11 103	0.15 56	0.07 35	0.07 20	0.12 40	0.20 186	0.14 101	0.13 175	0.14 147	0.09 86	0.05 7	0.12 144	0.08 14	0.05 5	0.06 258	0.07 155	0.06 138	0.06 143	0.05 80

testlalala	0.08 14	0.07 96	0.17 311	0.16 105	0.08 87	0.09 54	0.12 40	0.15 68	0.10 16	0.07 14	0.09 57	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

GCAP-Stereo	0.09 41	0.07 96	0.13 170	0.18 248	0.06 8	0.11 126	0.07 2	0.14 54	0.12 55	0.09 55	0.10 79	0.07 39	0.09 128	0.13 191	0.10 89	0.06 80	0.05 120	0.05 3	0.04 15	0.04 2	0.05 80

4D-IteraStereo	0.10 97	0.07 96	0.10 66	0.18 248	0.07 35	0.09 54	0.15 187	0.18 149	0.15 118	0.10 84	0.11 107	0.10 113	0.07 71	0.12 144	0.09 35	0.05 5	0.03 1	0.08 230	0.07 227	0.06 143	0.05 80

anonymousdsp2	0.11 136	0.07 96	0.11 103	0.16 105	0.09 185	0.13 191	0.14 118	0.19 173	0.23 263	0.13 175	0.14 147	0.12 154	0.09 128	0.14 215	0.11 133	0.05 5	0.05 120	0.05 3	0.04 15	0.06 143	0.06 152

anonymousdsp	0.09 41	0.07 96	0.11 103	0.17 171	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

CBFPSM	0.15 300	0.07 96	0.27 415	0.17 171	0.09 185	0.13 191	0.15 187	0.22 225	0.23 263	0.20 329	0.27 344	0.23 338	0.16 311	0.16 260	0.19 352	0.06 80	0.06 258	0.06 64	0.07 227	0.07 210	0.07 223

iinet-f	0.17 350	0.07 96	0.46 465	0.14 21	0.10 290	0.21 374	0.14 118	0.27 312	0.23 263	0.22 356	0.25 314	0.21 304	0.16 311	0.18 315	0.22 388	0.09 308	0.07 326	0.07 155	0.06 138	0.09 333	0.10 362

gwcnet-sp	0.14 261	0.07 96	0.13 170	0.18 248	0.09 185	0.16 283	0.18 316	0.24 266	0.24 273	0.19 308	0.24 287	0.15 221	0.16 311	0.16 260	0.15 290	0.08 256	0.07 326	0.07 155	0.08 293	0.08 273	0.07 223

scenet	0.14 261	0.07 96	0.13 170	0.18 248	0.09 185	0.16 283	0.18 316	0.24 266	0.24 273	0.19 308	0.24 287	0.15 221	0.16 311	0.16 260	0.15 290	0.08 256	0.07 326	0.07 155	0.08 293	0.08 273	0.07 223

DCRE	0.11 136	0.07 96	0.13 170	0.16 105	0.11 342	0.11 126	0.17 271	0.18 149	0.17 163	0.11 117	0.18 217	0.11 133	0.10 150	0.15 233	0.11 133	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.05 80

anonymousa	0.13 232	0.07 96	0.14 211	0.18 248	0.09 185	0.13 191	0.17 271	0.20 186	0.29 344	0.15 222	0.24 287	0.16 240	0.14 269	0.14 215	0.14 256	0.07 199	0.05 120	0.07 155	0.09 336	0.05 62	0.07 223

ProNet	0.09 41	0.07 96	0.11 103	0.17 171	0.08 87	0.11 126	0.15 187	0.15 68	0.12 55	0.10 84	0.06 4	0.07 39	0.06 27	0.11 73	0.09 35	0.05 5	0.05 120	0.06 64	0.05 72	0.04 2	0.06 152

MC-Stereo	0.09 41	0.07 96	0.09 42	0.17 171	0.06 8	0.10 90	0.14 118	0.12 27	0.11 34	0.09 55	0.12 120	0.09 86	0.06 27	0.11 73	0.10 89	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

ssnet	0.14 261	0.07 96	0.13 170	0.18 248	0.09 185	0.16 283	0.18 316	0.24 266	0.24 273	0.19 308	0.24 287	0.15 221	0.16 311	0.16 260	0.15 290	0.08 256	0.07 326	0.07 155	0.08 293	0.08 273	0.07 223

DCANet-4	0.11 136	0.07 96	0.13 170	0.16 105	0.06 8	0.09 54	0.17 271	0.18 149	0.20 217	0.13 175	0.17 194	0.09 86	0.14 269	0.12 144	0.13 220	0.06 80	0.04 3	0.05 3	0.04 15	0.04 2	0.05 80

ccc-4	0.09 41	0.07 96	0.11 103	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

tt	4.65 522	0.07 96	3.54 519	2.01 522	1.55 521	10.25 528	16.66 528	8.90 531	5.03 525	1.33 518	0.96 503	4.71 523	4.74 524	3.33 523	5.86 526	6.06 530	10.30 534	1.87 524	2.09 525	2.61 522	1.19 522

DisPM	0.11 136	0.07 96	0.13 170	0.16 105	0.09 185	0.06 6	0.13 72	0.18 149	0.17 163	0.14 198	0.19 231	0.12 154	0.10 150	0.12 144	0.11 133	0.07 199	0.05 120	0.07 155	0.06 138	0.06 143	0.11 384

IGEV-Stereo	0.09 41	0.07 96	0.11 103	0.17 171	0.09 185	0.11 126	0.15 187	0.16 92	0.12 55	0.10 84	0.06 4	0.06 8	0.06 27	0.11 73	0.09 35	0.05 5	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 136	0.07 96	0.11 103	0.18 248	0.07 35	0.08 32	0.13 72	0.16 92	0.24 273	0.12 147	0.13 134	0.12 154	0.08 103	0.18 315	0.12 187	0.06 80	0.08 357	0.08 230	0.06 138	0.05 62	0.05 80

GANet-ADL	0.13 232	0.07 96	0.15 247	0.17 171	0.10 290	0.19 343	0.15 187	0.30 364	0.21 231	0.13 175	0.18 217	0.19 280	0.13 238	0.16 260	0.14 256	0.08 256	0.06 258	0.06 64	0.05 72	0.07 210	0.08 292

CrosDoStereo	0.12 205	0.07 96	0.12 137	0.14 21	0.09 185	0.12 163	0.15 187	0.17 124	0.22 253	0.19 308	0.24 287	0.15 221	0.11 178	0.11 73	0.12 187	0.06 80	0.05 120	0.07 155	0.07 227	0.05 62	0.05 80

LCNet	0.11 136	0.07 96	0.09 42	0.19 306	0.09 185	0.08 32	0.14 118	0.21 202	0.15 118	0.12 147	0.15 159	0.16 240	0.11 178	0.12 144	0.11 133	0.05 5	0.04 3	0.08 230	0.07 227	0.06 143	0.14 430

STrans-v2	0.10 97	0.07 96	0.13 170	0.18 248	0.08 87	0.10 90	0.14 118	0.22 225	0.11 34	0.11 117	0.15 159	0.12 154	0.10 150	0.11 73	0.12 187	0.05 5	0.04 3	0.06 64	0.06 138	0.05 62	0.05 80

OMP-Stereo	0.11 136	0.07 96	0.14 211	0.18 248	0.08 87	0.09 54	0.12 40	0.21 202	0.21 231	0.13 175	0.14 147	0.11 133	0.12 207	0.11 73	0.13 220	0.06 80	0.05 120	0.07 155	0.06 138	0.05 62	0.04 10

NF-Stereo	0.11 136	0.07 96	0.13 170	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.12 403

OCTAStereo	0.11 136	0.07 96	0.14 211	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.11 384

PSM-softLoss	0.12 205	0.07 96	0.15 247	0.17 171	0.09 185	0.08 32	0.12 40	0.24 266	0.17 163	0.15 222	0.19 231	0.13 177	0.11 178	0.11 73	0.11 133	0.07 199	0.05 120	0.08 230	0.07 227	0.07 210	0.12 403

KMStereo	0.12 205	0.07 96	0.15 247	0.17 171	0.09 185	0.08 32	0.12 40	0.24 266	0.17 163	0.15 222	0.19 231	0.13 177	0.11 178	0.11 73	0.11 133	0.07 199	0.05 120	0.08 230	0.07 227	0.07 210	0.12 403

PSM-AAD	0.11 136	0.07 96	0.10 66	0.20 354	0.09 185	0.10 90	0.14 118	0.21 202	0.13 82	0.12 147	0.14 147	0.18 271	0.11 178	0.11 73	0.10 89	0.05 5	0.05 120	0.09 312	0.08 293	0.06 143	0.14 430

FTStereo	0.12 205	0.07 96	0.14 211	0.18 248	0.09 185	0.07 20	0.15 187	0.22 225	0.18 177	0.12 147	0.24 287	0.11 133	0.13 238	0.13 191	0.14 256	0.05 5	0.05 120	0.07 155	0.07 227	0.06 143	0.10 362

KYRaft	0.12 205	0.07 96	0.10 66	0.19 306	0.09 185	0.08 32	0.15 187	0.23 243	0.12 55	0.13 175	0.16 175	0.20 297	0.10 150	0.12 144	0.11 133	0.06 80	0.04 3	0.08 230	0.08 293	0.06 143	0.15 444

DeepStereo_LL	0.12 205	0.07 96	0.12 137	0.14 21	0.09 185	0.12 163	0.15 187	0.17 124	0.22 253	0.19 308	0.24 287	0.15 221	0.11 178	0.11 73	0.12 187	0.06 80	0.05 120	0.07 155	0.07 227	0.05 62	0.05 80

SST-Stereo	0.11 136	0.07 96	0.16 288	0.18 248	0.09 185	0.06 6	0.12 40	0.18 149	0.10 16	0.15 222	0.18 217	0.13 177	0.12 207	0.10 34	0.11 133	0.06 80	0.04 3	0.09 312	0.06 138	0.07 210	0.06 152

THIR-Stereo	0.12 205	0.07 96	0.11 103	0.15 56	0.08 87	0.14 230	0.16 245	0.18 149	0.25 297	0.17 261	0.24 287	0.13 177	0.13 238	0.12 144	0.14 256	0.06 80	0.05 120	0.07 155	0.07 227	0.05 62	0.05 80

RAFT_R40	0.11 136	0.07 96	0.15 247	0.18 248	0.09 185	0.06 6	0.13 72	0.17 124	0.15 118	0.14 198	0.18 217	0.15 221	0.12 207	0.10 34	0.11 133	0.06 80	0.04 3	0.09 312	0.06 138	0.06 143	0.05 80

RE-Stereo	0.11 136	0.07 96	0.13 170	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.11 384

Pruner-Stereo	0.11 136	0.07 96	0.12 137	0.17 171	0.09 185	0.06 6	0.12 40	0.18 149	0.17 163	0.14 198	0.19 231	0.13 177	0.10 150	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.06 143	0.08 292

TVStereo	0.11 136	0.07 96	0.13 170	0.17 171	0.09 185	0.10 90	0.13 72	0.23 243	0.19 198	0.12 147	0.17 194	0.12 154	0.12 207	0.11 73	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.11 384

RAFT-345	0.11 136	0.07 96	0.16 288	0.17 171	0.08 87	0.08 32	0.12 40	0.16 92	0.10 16	0.11 117	0.34 404	0.09 86	0.10 150	0.11 73	0.12 187	0.05 5	0.05 120	0.07 155	0.06 138	0.04 2	0.05 80

test-1	0.10 97	0.07 96	0.17 311	0.19 306	0.08 87	0.11 126	0.24 422	0.15 68	0.18 177	0.09 55	0.07 21	0.10 113	0.08 103	0.08 11	0.09 35	0.06 80	0.04 3	0.06 64	0.06 138	0.04 2	0.05 80

GMM-Stereo	0.11 136	0.07 96	0.10 66	0.18 248	0.09 185	0.08 32	0.14 118	0.24 266	0.16 140	0.11 117	0.15 159	0.13 177	0.11 178	0.11 73	0.11 133	0.05 5	0.04 3	0.08 230	0.07 227	0.06 143	0.09 336

Prome-Stereo	0.11 136	0.07 96	0.11 103	0.18 248	0.09 185	0.12 163	0.14 118	0.23 243	0.13 82	0.13 175	0.16 175	0.13 177	0.08 103	0.12 144	0.10 89	0.05 5	0.05 120	0.07 155	0.06 138	0.06 143	0.10 362

iRaftStereo_RVC	0.10 97	0.07 96	0.10 66	0.17 171	0.09 185	0.11 126	0.17 271	0.18 149	0.12 55	0.09 55	0.11 107	0.10 113	0.07 71	0.11 73	0.10 89	0.05 5	0.04 3	0.08 230	0.08 293	0.04 2	0.04 10

raft+_RVC	0.11 136	0.07 96	0.09 42	0.16 105	0.07 35	0.10 90	0.11 21	0.24 266	0.20 217	0.12 147	0.15 159	0.12 154	0.08 103	0.12 144	0.13 220	0.07 199	0.04 3	0.07 155	0.06 138	0.05 62	0.05 80

RALCasStereoNet	0.11 136	0.07 96	0.09 42	0.16 105	0.08 87	0.13 191	0.14 118	0.17 124	0.11 34	0.12 147	0.17 194	0.14 196	0.10 150	0.12 144	0.11 133	0.07 199	0.06 258	0.06 64	0.05 72	0.08 273	0.07 223

222	0.16 328	0.07 96	0.15 247	0.14 21	0.08 87	0.25 413	0.18 316	0.30 364	0.21 231	0.18 293	0.29 369	0.17 257	0.16 311	0.16 260	0.44 487	0.10 345	0.05 120	0.07 155	0.06 138	0.08 273	0.08 292

test_xeample3	0.09 41	0.07 96	0.12 137	0.16 105	0.09 185	0.11 126	0.15 187	0.16 92	0.14 101	0.10 84	0.07 21	0.08 59	0.06 27	0.10 34	0.09 35	0.06 80	0.04 3	0.06 64	0.05 72	0.05 62	0.06 152

xxxx	0.15 300	0.07 96	0.14 211	0.14 21	0.08 87	0.24 405	0.18 316	0.32 384	0.20 217	0.14 198	0.28 355	0.22 322	0.14 269	0.15 233	0.29 448	0.09 308	0.05 120	0.07 155	0.07 227	0.08 273	0.08 292

test_xeample	0.15 300	0.07 96	0.14 211	0.15 56	0.08 87	0.22 387	0.20 375	0.29 354	0.21 231	0.16 249	0.29 369	0.19 280	0.17 334	0.16 260	0.28 441	0.09 308	0.05 120	0.07 155	0.07 227	0.07 210	0.07 223

AFF-stereo	0.09 41	0.07 96	0.10 66	0.17 171	0.07 35	0.10 90	0.15 187	0.18 149	0.10 16	0.10 84	0.11 107	0.09 86	0.10 150	0.12 144	0.10 89	0.05 5	0.04 3	0.07 155	0.07 227	0.04 2	0.04 10

EAI-Stereo	0.09 41	0.07 96	0.11 103	0.16 105	0.07 35	0.10 90	0.15 187	0.16 92	0.09 8	0.08 33	0.09 57	0.08 59	0.07 71	0.09 19	0.11 133	0.05 5	0.05 120	0.05 3	0.05 72	0.05 62	0.04 10

CFNet-RSSM	0.09 41	0.07 96	0.10 66	0.16 105	0.07 35	0.09 54	0.15 187	0.17 124	0.18 177	0.08 33	0.12 120	0.11 133	0.09 128	0.12 144	0.10 89	0.06 80	0.04 3	0.06 64	0.04 15	0.04 2	0.04 10

SFCPSM	0.13 232	0.07 96	0.15 247	0.17 171	0.09 185	0.15 255	0.16 245	0.28 336	0.27 322	0.14 198	0.18 217	0.12 154	0.13 238	0.14 215	0.11 133	0.08 256	0.05 120	0.07 155	0.07 227	0.07 210	0.06 152

Gwc-CoAtRS	0.09 41	0.07 96	0.10 66	0.16 105	0.07 35	0.10 90	0.15 187	0.18 149	0.17 163	0.08 33	0.10 79	0.12 154	0.09 128	0.12 144	0.09 35	0.06 80	0.04 3	0.06 64	0.04 15	0.04 2	0.05 80

cf-r	0.14 261	0.07 96	0.13 170	0.16 105	0.08 87	0.14 230	0.19 358	0.21 202	0.25 297	0.17 261	0.26 327	0.22 322	0.17 334	0.14 215	0.15 290	0.10 345	0.05 120	0.06 64	0.08 293	0.06 143	0.06 152

GANet-RSSM	0.14 261	0.07 96	0.13 170	0.13 8	0.08 87	0.14 230	0.18 316	0.23 243	0.21 231	0.17 261	0.25 314	0.24 347	0.16 311	0.16 260	0.16 309	0.10 345	0.06 258	0.07 155	0.08 293	0.08 273	0.07 223

PSMNet-RSSM	0.14 261	0.07 96	0.14 211	0.15 56	0.08 87	0.13 191	0.16 245	0.25 286	0.24 273	0.17 261	0.28 355	0.23 338	0.14 269	0.16 260	0.14 256	0.11 376	0.06 258	0.09 312	0.12 419	0.08 273	0.07 223

GwcNet-RSSM	0.14 261	0.07 96	0.12 137	0.16 105	0.08 87	0.15 255	0.20 375	0.22 225	0.28 338	0.18 293	0.28 355	0.23 338	0.17 334	0.15 233	0.16 309	0.10 345	0.06 258	0.07 155	0.09 336	0.07 210	0.07 223

CFNet-ft	0.14 261	0.07 96	0.15 247	0.12 4	0.09 185	0.17 306	0.18 316	0.22 225	0.24 273	0.17 261	0.26 327	0.24 347	0.14 269	0.16 260	0.15 290	0.11 376	0.06 258	0.08 230	0.09 336	0.09 333	0.08 292

RASNet	0.15 300	0.07 96	0.15 247	0.16 105	0.08 87	0.19 343	0.14 118	0.30 364	0.21 231	0.17 261	0.25 314	0.21 304	0.19 364	0.20 358	0.20 362	0.07 199	0.06 258	0.06 64	0.08 293	0.06 143	0.06 152

CFNet_RVC	0.14 261	0.07 96	0.15 247	0.12 4	0.09 185	0.17 306	0.18 316	0.22 225	0.24 273	0.17 261	0.26 327	0.24 347	0.14 269	0.16 260	0.15 290	0.11 376	0.06 258	0.08 230	0.09 336	0.09 333	0.08 292

iResNet_ROB	0.14 261	0.07 96	0.13 170	0.15 56	0.07 35	0.19 343	0.14 118	0.26 298	0.32 364	0.23 371	0.26 327	0.23 338	0.16 311	0.15 233	0.14 256	0.07 199	0.05 120	0.05 3	0.04 15	0.08 273	0.08 292

LE_ROB	0.50 489	0.07 96	0.14 211	0.15 56	0.08 87	0.26 423	0.17 271	0.23 243	1.71 520	4.68 524	0.67 484	0.46 471	0.47 482	0.21 375	0.30 453	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.06 152

pmcnn	0.15 300	0.07 96	0.20 370	0.15 56	0.07 35	0.21 374	0.16 245	0.25 286	0.26 310	0.21 343	0.33 394	0.29 392	0.19 364	0.18 315	0.17 325	0.07 199	0.05 120	0.05 3	0.04 15	0.07 210	0.06 152

LG-Stereo	0.08 14	0.08 198	0.10 66	0.18 248	0.07 35	0.10 90	0.17 271	0.11 14	0.08 2	0.06 4	0.08 42	0.06 8	0.07 71	0.09 19	0.09 35	0.04 1	0.05 120	0.07 155	0.07 227	0.04 2	0.04 10

S2M2	0.09 41	0.08 198	0.11 103	0.13 8	0.10 290	0.08 32	0.06 1	0.10 6	0.10 16	0.10 84	0.10 79	0.09 86	0.09 128	0.11 73	0.11 133	0.13 419	0.07 326	0.08 230	0.09 336	0.10 367	0.08 292

ISRNet	0.18 365	0.08 198	0.20 370	0.19 306	0.13 396	0.15 255	0.12 40	0.30 364	0.33 369	0.21 343	0.26 327	0.27 374	0.18 346	0.17 299	0.20 362	0.20 473	0.08 357	0.14 433	0.14 435	0.14 431	0.17 462

AIO-test2	0.10 97	0.08 198	0.10 66	0.23 423	0.09 185	0.11 126	0.11 21	0.23 243	0.24 273	0.08 33	0.09 57	0.08 59	0.05 7	0.10 34	0.08 14	0.06 80	0.05 120	0.08 230	0.09 336	0.05 62	0.05 80

fffy	0.09 41	0.08 198	0.10 66	0.16 105	0.07 35	0.13 191	0.17 271	0.13 41	0.12 55	0.08 33	0.09 57	0.08 59	0.09 128	0.13 191	0.11 133	0.05 5	0.05 120	0.07 155	0.05 72	0.04 2	0.05 80

rvit_stereo_0083	0.12 205	0.08 198	0.17 311	0.16 105	0.09 185	0.11 126	0.15 187	0.15 68	0.26 310	0.11 117	0.14 147	0.13 177	0.10 150	0.12 144	0.13 220	0.10 345	0.08 357	0.09 312	0.07 227	0.07 210	0.06 152

rvit_stereo_0081	0.11 136	0.08 198	0.16 288	0.16 105	0.09 185	0.11 126	0.14 118	0.14 54	0.24 273	0.11 117	0.13 134	0.14 196	0.09 128	0.11 73	0.12 187	0.10 345	0.07 326	0.08 230	0.07 227	0.07 210	0.06 152

rvit_stereo_0082	0.11 136	0.08 198	0.16 288	0.16 105	0.09 185	0.11 126	0.14 118	0.14 54	0.24 273	0.11 117	0.13 134	0.14 196	0.09 128	0.11 73	0.12 187	0.10 345	0.07 326	0.08 230	0.07 227	0.07 210	0.06 152

rvit_stereo_0080	0.10 97	0.08 198	0.15 247	0.15 56	0.10 290	0.07 20	0.15 187	0.16 92	0.16 140	0.11 117	0.10 79	0.15 221	0.09 128	0.12 144	0.10 89	0.09 308	0.07 326	0.07 155	0.06 138	0.07 210	0.05 80

test_sample5	0.14 261	0.08 198	0.14 211	0.16 105	0.08 87	0.18 322	0.18 316	0.25 286	0.17 163	0.17 261	0.28 355	0.18 271	0.15 289	0.16 260	0.13 220	0.08 256	0.06 258	0.08 230	0.07 227	0.09 333	0.08 292

test_sample4	0.14 261	0.08 198	0.15 247	0.15 56	0.08 87	0.19 343	0.18 316	0.26 298	0.18 177	0.17 261	0.26 327	0.18 271	0.15 289	0.17 299	0.13 220	0.08 256	0.06 258	0.08 230	0.06 138	0.09 333	0.08 292

test_sample3	0.14 261	0.08 198	0.15 247	0.14 21	0.09 185	0.20 363	0.17 271	0.27 312	0.18 177	0.17 261	0.22 272	0.19 280	0.15 289	0.17 299	0.14 256	0.09 308	0.06 258	0.07 155	0.06 138	0.09 333	0.08 292

Former-RAFT_DAM_RVC	0.11 136	0.08 198	0.13 170	0.16 105	0.08 87	0.15 255	0.16 245	0.18 149	0.19 198	0.10 84	0.09 57	0.09 86	0.08 103	0.11 73	0.12 187	0.07 199	0.05 120	0.08 230	0.06 138	0.07 210	0.06 152

AE-Stereo	0.10 97	0.08 198	0.11 103	0.19 306	0.09 185	0.10 90	0.15 187	0.14 54	0.20 217	0.09 55	0.15 159	0.12 154	0.08 103	0.11 73	0.10 89	0.05 5	0.06 258	0.07 155	0.06 138	0.05 62	0.04 10

ACVNet-DCA	0.10 97	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.24 266	0.16 140	0.09 55	0.09 57	0.06 8	0.06 27	0.10 34	0.07 1	0.06 80	0.05 120	0.06 64	0.05 72	0.07 210	0.07 223

xx1	0.11 136	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.16 92	0.18 177	0.09 55	0.09 57	0.16 240	0.16 311	0.10 34	0.07 1	0.06 80	0.05 120	0.08 230	0.08 293	0.07 210	0.07 223

1test111	0.11 136	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.24 266	0.16 140	0.09 55	0.09 57	0.06 8	0.06 27	0.15 233	0.16 309	0.06 80	0.05 120	0.06 64	0.05 72	0.07 210	0.07 223

cc1	0.10 97	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.16 92	0.18 177	0.09 55	0.09 57	0.06 8	0.06 27	0.10 34	0.07 1	0.06 80	0.05 120	0.06 64	0.05 72	0.06 143	0.06 152

mmm	0.14 261	0.08 198	0.18 343	0.17 171	0.09 185	0.17 306	0.18 316	0.21 202	0.16 140	0.16 249	0.23 276	0.21 304	0.16 311	0.16 260	0.17 325	0.08 256	0.05 120	0.08 230	0.08 293	0.08 273	0.07 223

DualNet	0.14 261	0.08 198	0.14 211	0.16 105	0.08 87	0.18 322	0.18 316	0.25 286	0.17 163	0.18 293	0.28 355	0.18 271	0.15 289	0.16 260	0.13 220	0.08 256	0.06 258	0.08 230	0.07 227	0.09 333	0.08 292

tt1	0.10 97	0.08 198	0.13 170	0.17 171	0.09 185	0.13 191	0.15 187	0.15 68	0.19 198	0.09 55	0.08 42	0.06 8	0.06 27	0.10 34	0.08 14	0.06 80	0.05 120	0.06 64	0.05 72	0.06 143	0.06 152

ttt	0.14 261	0.08 198	0.14 211	0.15 56	0.08 87	0.15 255	0.18 316	0.27 312	0.30 350	0.16 249	0.24 287	0.17 257	0.14 269	0.13 191	0.14 256	0.11 376	0.08 357	0.09 312	0.08 293	0.09 333	0.09 336

whm_eth	0.10 97	0.08 198	0.15 247	0.15 56	0.10 290	0.07 20	0.15 187	0.16 92	0.16 140	0.11 117	0.10 79	0.15 221	0.09 128	0.12 144	0.10 89	0.09 308	0.07 326	0.07 155	0.06 138	0.07 210	0.05 80

PCWNet_CMD	0.14 261	0.08 198	0.15 247	0.17 171	0.09 185	0.14 230	0.14 118	0.29 354	0.36 398	0.14 198	0.20 240	0.21 304	0.13 238	0.17 299	0.14 256	0.07 199	0.05 120	0.07 155	0.07 227	0.07 210	0.07 223

TestStereo1	0.13 232	0.08 198	0.08 12	0.20 354	0.08 87	0.18 322	0.29 466	0.23 243	0.17 163	0.17 261	0.20 240	0.16 240	0.11 178	0.12 144	0.13 220	0.06 80	0.06 258	0.08 230	0.06 138	0.05 62	0.05 80

x	0.13 232	0.08 198	0.15 247	0.14 21	0.08 87	0.19 343	0.14 118	0.22 225	0.21 231	0.15 222	0.20 240	0.20 297	0.18 346	0.18 315	0.18 338	0.07 199	0.05 120	0.06 64	0.06 138	0.07 210	0.07 223

IER	0.14 261	0.08 198	0.13 170	0.17 171	0.09 185	0.14 230	0.16 245	0.26 298	0.27 322	0.18 293	0.26 327	0.17 257	0.20 376	0.17 299	0.14 256	0.08 256	0.05 120	0.07 155	0.06 138	0.08 273	0.07 223

CRFU-Net	0.16 328	0.08 198	0.15 247	0.17 171	0.09 185	0.20 363	0.14 118	0.27 312	0.21 231	0.28 418	0.28 355	0.29 392	0.18 346	0.19 340	0.18 338	0.09 308	0.09 381	0.07 155	0.07 227	0.08 273	0.09 336

SA-5K	0.13 232	0.08 198	0.08 12	0.20 354	0.08 87	0.18 322	0.29 466	0.23 243	0.17 163	0.17 261	0.20 240	0.16 240	0.11 178	0.12 144	0.13 220	0.06 80	0.06 258	0.08 230	0.06 138	0.05 62	0.05 80

Sa-1000	0.12 205	0.08 198	0.09 42	0.18 248	0.08 87	0.15 255	0.22 402	0.22 225	0.19 198	0.15 222	0.20 240	0.17 257	0.11 178	0.10 34	0.10 89	0.06 80	0.05 120	0.09 312	0.09 336	0.05 62	0.05 80

CIPLG	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.13 191	0.15 187	0.17 124	0.16 140	0.14 198	0.11 107	0.16 240	0.10 150	0.17 299	0.12 187	0.07 199	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

DAS	0.15 300	0.08 198	0.18 343	0.19 306	0.10 290	0.19 343	0.17 271	0.28 336	0.30 350	0.18 293	0.26 327	0.21 304	0.16 311	0.16 260	0.13 220	0.08 256	0.06 258	0.06 64	0.06 138	0.07 210	0.07 223

SepStereo	0.15 300	0.08 198	0.18 343	0.19 306	0.10 290	0.19 343	0.17 271	0.28 336	0.30 350	0.18 293	0.26 327	0.21 304	0.16 311	0.26 419	0.13 220	0.08 256	0.06 258	0.06 64	0.06 138	0.07 210	0.07 223

IPLG	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.11 126	0.14 118	0.20 186	0.15 118	0.13 175	0.18 217	0.07 39	0.07 71	0.14 215	0.14 256	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

IPLGR_C	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.12 163	0.15 187	0.17 124	0.15 118	0.14 198	0.11 107	0.16 240	0.10 150	0.16 260	0.12 187	0.07 199	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

MIPNet	0.11 136	0.08 198	0.15 247	0.17 171	0.09 185	0.12 163	0.14 118	0.21 202	0.25 297	0.12 147	0.10 79	0.09 86	0.07 71	0.13 191	0.13 220	0.06 80	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

AASNet	0.16 328	0.08 198	0.13 170	0.19 306	0.09 185	0.19 343	0.15 187	0.38 445	0.37 403	0.20 329	0.24 287	0.20 297	0.17 334	0.17 299	0.21 375	0.10 345	0.08 357	0.08 230	0.07 227	0.09 333	0.09 336

ACRE	0.11 136	0.08 198	0.15 247	0.17 171	0.08 87	0.13 191	0.15 187	0.17 124	0.14 101	0.14 198	0.11 107	0.16 240	0.10 150	0.16 260	0.12 187	0.07 199	0.05 120	0.06 64	0.06 138	0.05 62	0.06 152

AACVNet	0.16 328	0.08 198	0.15 247	0.15 56	0.10 290	0.18 322	0.15 187	0.24 266	0.25 297	0.27 406	0.27 344	0.28 385	0.18 346	0.19 340	0.17 325	0.09 308	0.07 326	0.09 312	0.07 227	0.10 367	0.09 336

GwcNet-ADL	0.13 232	0.08 198	0.14 211	0.20 354	0.09 185	0.12 163	0.20 375	0.30 364	0.25 297	0.14 198	0.14 147	0.18 271	0.14 269	0.13 191	0.15 290	0.07 199	0.05 120	0.06 64	0.05 72	0.07 210	0.06 152

AAGNet	0.12 205	0.08 198	0.17 311	0.19 306	0.09 185	0.08 32	0.13 72	0.19 173	0.13 82	0.16 249	0.21 257	0.13 177	0.14 269	0.11 73	0.14 256	0.06 80	0.04 3	0.09 312	0.06 138	0.06 143	0.05 80

TransformOpticalFlow	0.10 97	0.08 198	0.13 170	0.18 248	0.07 35	0.09 54	0.15 187	0.19 173	0.16 140	0.12 147	0.16 175	0.11 133	0.11 178	0.11 73	0.11 133	0.05 5	0.04 3	0.06 64	0.06 138	0.05 62	0.05 80

NRIStereo	0.11 136	0.08 198	0.15 247	0.18 248	0.08 87	0.10 90	0.13 72	0.17 124	0.15 118	0.12 147	0.15 159	0.13 177	0.13 238	0.13 191	0.10 89	0.06 80	0.04 3	0.07 155	0.06 138	0.06 143	0.07 223

DeepStereo_RVC	0.11 136	0.08 198	0.17 311	0.18 248	0.08 87	0.08 32	0.11 21	0.17 124	0.12 55	0.13 175	0.15 159	0.12 154	0.12 207	0.12 144	0.11 133	0.06 80	0.04 3	0.07 155	0.06 138	0.07 210	0.08 292

IRAFT_RVC	0.12 205	0.08 198	0.17 311	0.19 306	0.08 87	0.07 20	0.14 118	0.25 286	0.23 263	0.14 198	0.15 159	0.15 221	0.12 207	0.12 144	0.11 133	0.06 80	0.04 3	0.09 312	0.06 138	0.06 143	0.06 152

CroCo-Stereo	0.09 41	0.08 198	0.08 12	0.22 404	0.09 185	0.09 54	0.18 316	0.16 92	0.12 55	0.07 14	0.07 21	0.08 59	0.06 27	0.08 11	0.07 1	0.07 199	0.05 120	0.06 64	0.04 15	0.05 62	0.04 10
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
LMCR-Stereo	0.15 300	0.08 198	0.14 211	0.21 384	0.09 185	0.18 322	0.19 358	0.28 336	0.19 198	0.24 383	0.24 287	0.23 338	0.17 334	0.20 358	0.17 325	0.07 199	0.06 258	0.08 230	0.06 138	0.10 367	0.09 336

CFNet_pseudo	0.14 261	0.08 198	0.16 288	0.16 105	0.09 185	0.13 191	0.14 118	0.27 312	0.34 380	0.15 222	0.21 257	0.22 322	0.13 238	0.18 315	0.14 256	0.07 199	0.05 120	0.08 230	0.06 138	0.07 210	0.07 223

RALAANet	0.11 136	0.08 198	0.10 66	0.17 171	0.09 185	0.14 230	0.10 11	0.20 186	0.16 140	0.14 198	0.13 134	0.16 240	0.09 128	0.12 144	0.12 187	0.06 80	0.05 120	0.08 230	0.07 227	0.06 143	0.04 10

ADLNet	0.16 328	0.08 198	0.15 247	0.16 105	0.10 290	0.16 283	0.17 271	0.33 398	0.27 322	0.23 371	0.27 344	0.24 347	0.16 311	0.18 315	0.21 375	0.10 345	0.06 258	0.10 357	0.10 370	0.08 273	0.09 336

GES	0.14 261	0.08 198	0.16 288	0.15 56	0.10 290	0.13 191	0.13 72	0.28 336	0.26 310	0.17 261	0.24 287	0.19 280	0.14 269	0.16 260	0.14 256	0.08 256	0.08 357	0.07 155	0.06 138	0.08 273	0.09 336

ARAFT	0.12 205	0.08 198	0.18 343	0.19 306	0.09 185	0.15 255	0.17 271	0.20 186	0.13 82	0.12 147	0.13 134	0.14 196	0.12 207	0.15 233	0.13 220	0.06 80	0.05 120	0.10 357	0.09 336	0.06 143	0.04 10

RAFT + AFF	0.13 232	0.08 198	0.21 380	0.20 354	0.10 290	0.14 230	0.23 412	0.27 312	0.21 231	0.12 147	0.10 79	0.12 154	0.10 150	0.16 260	0.12 187	0.08 256	0.07 326	0.09 312	0.09 336	0.06 143	0.09 336

UPFNet	0.16 328	0.08 198	0.12 137	0.20 354	0.12 371	0.20 363	0.23 412	0.28 336	0.26 310	0.18 293	0.24 287	0.22 322	0.20 376	0.19 340	0.22 388	0.09 308	0.07 326	0.08 230	0.09 336	0.08 273	0.06 152

FENet	0.13 232	0.08 198	0.13 170	0.16 105	0.08 87	0.15 255	0.16 245	0.23 243	0.23 263	0.17 261	0.24 287	0.16 240	0.13 238	0.14 215	0.15 290	0.08 256	0.05 120	0.08 230	0.08 293	0.08 273	0.08 292

DIP-Stereo	0.11 136	0.08 198	0.15 247	0.17 171	0.09 185	0.13 191	0.09 6	0.16 92	0.16 140	0.12 147	0.16 175	0.14 196	0.12 207	0.16 260	0.14 256	0.06 80	0.05 120	0.06 64	0.05 72	0.05 62	0.07 223
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 261	0.08 198	0.15 247	0.17 171	0.09 185	0.14 230	0.14 118	0.29 354	0.36 398	0.14 198	0.20 240	0.21 304	0.13 238	0.18 315	0.14 256	0.07 199	0.05 120	0.07 155	0.07 227	0.07 210	0.07 223

HSM-Net_RVC	0.14 261	0.08 198	0.12 137	0.15 56	0.08 87	0.16 283	0.15 187	0.27 312	0.29 344	0.20 329	0.21 257	0.29 392	0.14 269	0.18 315	0.13 220	0.06 80	0.06 258	0.06 64	0.06 138	0.07 210	0.06 152
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
UCFNet_RVC	0.15 300	0.08 198	0.13 170	0.11 1	0.10 290	0.20 363	0.10 11	0.24 266	0.23 263	0.17 261	0.21 257	0.24 347	0.15 289	0.18 315	0.15 290	0.12 402	0.07 326	0.11 387	0.13 430	0.11 387	0.10 362

iResNetv2_ROB	0.15 300	0.08 198	0.16 288	0.16 105	0.08 87	0.16 283	0.13 72	0.26 298	0.36 398	0.21 343	0.29 369	0.24 347	0.13 238	0.14 215	0.14 256	0.06 80	0.06 258	0.06 64	0.04 15	0.09 333	0.08 292

MLCV	0.13 232	0.08 198	0.17 311	0.18 248	0.06 8	0.16 283	0.17 271	0.19 173	0.22 253	0.19 308	0.25 314	0.17 257	0.13 238	0.15 233	0.14 256	0.05 5	0.04 3	0.05 3	0.04 15	0.05 62	0.04 10

SCV	0.08 14	0.09 259	0.08 12	0.15 56	0.08 87	0.10 90	0.12 40	0.11 14	0.12 55	0.07 14	0.07 21	0.06 8	0.04 1	0.10 34	0.08 14	0.05 5	0.05 120	0.06 64	0.04 15	0.06 143	0.04 10

rvit_0105_6	0.14 261	0.09 259	0.18 343	0.17 171	0.10 290	0.10 90	0.17 271	0.19 173	0.26 310	0.12 147	0.18 217	0.17 257	0.13 238	0.18 315	0.13 220	0.15 442	0.11 415	0.12 406	0.10 370	0.09 333	0.06 152

rvit_0105_4	0.15 300	0.09 259	0.17 311	0.17 171	0.10 290	0.12 163	0.20 375	0.23 243	0.27 322	0.14 198	0.20 240	0.17 257	0.14 269	0.17 299	0.13 220	0.15 442	0.11 415	0.11 387	0.10 370	0.09 333	0.06 152

rvit_stereo_0081_aga	0.12 205	0.09 259	0.15 247	0.18 248	0.10 290	0.14 230	0.14 118	0.14 54	0.19 198	0.10 84	0.18 217	0.16 240	0.09 128	0.12 144	0.10 89	0.10 345	0.06 258	0.08 230	0.07 227	0.07 210	0.06 152

DCVSM-stereo	0.15 300	0.09 259	0.16 288	0.16 105	0.10 290	0.15 255	0.09 6	0.20 186	0.24 273	0.20 329	0.24 287	0.26 369	0.15 289	0.19 340	0.14 256	0.09 308	0.07 326	0.09 312	0.08 293	0.10 367	0.12 403

RAStereo	0.10 97	0.09 259	0.08 12	0.20 354	0.08 87	0.13 191	0.18 316	0.16 92	0.17 163	0.10 84	0.12 120	0.05 1	0.06 27	0.09 19	0.08 14	0.07 199	0.05 120	0.07 155	0.05 72	0.05 62	0.04 10

test_sample6	0.14 261	0.09 259	0.14 211	0.17 171	0.08 87	0.17 306	0.19 358	0.26 298	0.18 177	0.18 293	0.28 355	0.19 280	0.15 289	0.15 233	0.13 220	0.08 256	0.05 120	0.08 230	0.07 227	0.08 273	0.08 292

H2IRNET	0.10 97	0.09 259	0.10 66	0.18 248	0.09 185	0.12 163	0.15 187	0.14 54	0.21 231	0.10 84	0.10 79	0.10 113	0.11 178	0.10 34	0.10 89	0.06 80	0.04 3	0.08 230	0.08 293	0.06 143	0.05 80

DispNO	0.15 300	0.09 259	0.18 343	0.19 306	0.12 371	0.11 126	0.21 391	0.23 243	0.29 344	0.18 293	0.23 276	0.19 280	0.17 334	0.16 260	0.16 309	0.07 199	0.05 120	0.08 230	0.08 293	0.07 210	0.06 152

ffm	0.12 205	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.15 68	0.19 198	0.15 222	0.26 327	0.19 280	0.13 238	0.10 34	0.08 14	0.06 80	0.05 120	0.09 312	0.08 293	0.06 143	0.06 152

ff1	0.13 232	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.15 68	0.19 198	0.15 222	0.26 327	0.19 280	0.13 238	0.15 233	0.22 388	0.06 80	0.05 120	0.09 312	0.08 293	0.06 143	0.06 152

mmx	0.15 300	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.27 312	0.26 310	0.15 222	0.26 327	0.19 280	0.13 238	0.15 233	0.22 388	0.08 256	0.06 258	0.09 312	0.08 293	0.08 273	0.08 292

1111x	0.16 328	0.09 259	0.13 170	0.18 248	0.08 87	0.18 322	0.25 438	0.32 384	0.25 297	0.17 261	0.24 287	0.27 374	0.15 289	0.14 215	0.24 411	0.07 199	0.07 326	0.08 230	0.09 336	0.07 210	0.07 223

xxx	0.15 300	0.09 259	0.15 247	0.16 105	0.09 185	0.17 306	0.17 271	0.27 312	0.26 310	0.15 222	0.26 327	0.19 280	0.13 238	0.15 233	0.22 388	0.08 256	0.06 258	0.09 312	0.08 293	0.08 273	0.08 292

plain	0.11 136	0.09 259	0.10 66	0.19 306	0.09 185	0.11 126	0.14 118	0.14 54	0.13 82	0.13 175	0.15 159	0.09 86	0.12 207	0.13 191	0.12 187	0.07 199	0.05 120	0.09 312	0.06 138	0.06 143	0.06 152

MaDis-Stereo	0.09 41	0.09 259	0.08 12	0.17 171	0.09 185	0.14 230	0.11 21	0.16 92	0.16 140	0.09 55	0.11 107	0.06 8	0.06 27	0.09 19	0.13 220	0.07 199	0.06 258	0.08 230	0.05 72	0.05 62	0.04 10

CASnet	0.09 41	0.09 259	0.09 42	0.19 306	0.06 8	0.07 20	0.11 21	0.18 149	0.14 101	0.11 117	0.10 79	0.09 86	0.07 71	0.10 34	0.10 89	0.06 80	0.04 3	0.10 357	0.08 293	0.06 143	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
CFNet_ucs	0.15 300	0.09 259	0.17 311	0.16 105	0.11 342	0.14 230	0.14 118	0.30 364	0.34 380	0.16 249	0.24 287	0.23 338	0.14 269	0.18 315	0.15 290	0.09 308	0.06 258	0.08 230	0.07 227	0.09 333	0.09 336

testlalala_base	0.10 97	0.09 259	0.14 211	0.21 384	0.08 87	0.10 90	0.14 118	0.13 41	0.11 34	0.08 33	0.15 159	0.07 39	0.08 103	0.11 73	0.12 187	0.08 256	0.05 120	0.05 3	0.03 1	0.07 210	0.05 80

SDNR	0.20 385	0.09 259	0.19 366	0.16 105	0.12 371	0.79 503	0.13 72	0.26 298	0.33 369	0.19 308	0.25 314	0.19 280	0.12 207	0.19 340	0.15 290	0.16 459	0.18 466	0.14 433	0.11 399	0.08 273	0.12 403

CroCo-Stereo Lap2	0.09 41	0.09 259	0.08 12	0.22 404	0.09 185	0.09 54	0.18 316	0.16 92	0.12 55	0.09 55	0.10 79	0.05 1	0.05 7	0.08 11	0.08 14	0.06 80	0.06 258	0.07 155	0.05 72	0.06 143	0.05 80

qqq	0.13 232	0.09 259	0.15 247	0.16 105	0.08 87	0.13 191	0.15 187	0.24 266	0.16 140	0.15 222	0.19 231	0.16 240	0.16 311	0.15 233	0.16 309	0.07 199	0.06 258	0.08 230	0.08 293	0.07 210	0.07 223

Wz-Net-LNSev-Ref	0.18 365	0.09 259	0.30 433	0.15 56	0.11 342	0.23 399	0.20 375	0.27 312	0.40 418	0.26 399	0.43 453	0.25 359	0.15 289	0.21 375	0.20 362	0.07 199	0.05 120	0.06 64	0.05 72	0.10 367	0.09 336

BUS	0.15 300	0.09 259	0.14 211	0.22 404	0.10 290	0.20 363	0.14 118	0.34 412	0.20 217	0.17 261	0.23 276	0.16 240	0.14 269	0.16 260	0.14 256	0.08 256	0.06 258	0.10 357	0.09 336	0.07 210	0.07 223

RAFT_CTSACE	0.12 205	0.09 259	0.10 66	0.22 404	0.08 87	0.12 163	0.24 422	0.18 149	0.17 163	0.21 343	0.27 344	0.13 177	0.07 71	0.13 191	0.09 35	0.05 5	0.06 258	0.08 230	0.07 227	0.04 2	0.04 10

BSDual-CNN	0.15 300	0.09 259	0.14 211	0.22 404	0.10 290	0.15 255	0.15 187	0.34 412	0.20 217	0.17 261	0.23 276	0.25 359	0.16 311	0.16 260	0.14 256	0.08 256	0.06 258	0.10 357	0.09 336	0.07 210	0.07 223

SA	0.13 232	0.09 259	0.09 42	0.18 248	0.08 87	0.12 163	0.24 422	0.23 243	0.19 198	0.17 261	0.27 344	0.15 221	0.11 178	0.11 73	0.11 133	0.05 5	0.05 120	0.09 312	0.08 293	0.05 62	0.05 80

iRaft-Stereo_5w	0.12 205	0.09 259	0.12 137	0.20 354	0.08 87	0.09 54	0.12 40	0.22 225	0.22 253	0.19 308	0.14 147	0.11 133	0.09 128	0.20 358	0.16 309	0.05 5	0.05 120	0.07 155	0.06 138	0.05 62	0.06 152

psmg	0.14 261	0.09 259	0.14 211	0.17 171	0.10 290	0.15 255	0.17 271	0.29 354	0.20 217	0.17 261	0.21 257	0.25 359	0.16 311	0.16 260	0.14 256	0.08 256	0.07 326	0.08 230	0.08 293	0.07 210	0.07 223

CSP-Net	0.16 328	0.09 259	0.14 211	0.17 171	0.09 185	0.19 343	0.18 316	0.25 286	0.33 369	0.26 399	0.31 379	0.25 359	0.16 311	0.21 375	0.19 352	0.09 308	0.06 258	0.07 155	0.07 227	0.08 273	0.08 292

IPLGR	0.11 136	0.09 259	0.17 311	0.18 248	0.08 87	0.13 191	0.16 245	0.21 202	0.24 273	0.12 147	0.12 120	0.11 133	0.09 128	0.13 191	0.12 187	0.06 80	0.05 120	0.06 64	0.06 138	0.05 62	0.04 10

GMOStereo	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 455	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

error version	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 455	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

test-v	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 455	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

test_3	0.11 136	0.09 259	0.10 66	0.21 384	0.08 87	0.13 191	0.25 438	0.14 54	0.21 231	0.10 84	0.10 79	0.09 86	0.10 150	0.08 11	0.11 133	0.05 5	0.04 3	0.08 230	0.07 227	0.04 2	0.04 10

ADLNet2	0.16 328	0.09 259	0.14 211	0.17 171	0.09 185	0.20 363	0.16 245	0.32 384	0.39 413	0.17 261	0.20 240	0.20 297	0.19 364	0.21 375	0.23 399	0.08 256	0.07 326	0.07 155	0.07 227	0.09 333	0.07 223

Patchmatch Stereo++	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223
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	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.12 40	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

ROB_FTStereo_v2	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.12 40	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

ROB_FTStereo	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

HUI-Stereo	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

iGMRVC	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.12 40	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

iRAFT	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

CRE-IMP	0.11 136	0.09 259	0.16 288	0.19 306	0.09 185	0.10 90	0.12 40	0.18 149	0.10 16	0.14 198	0.14 147	0.14 196	0.13 238	0.12 144	0.12 187	0.07 199	0.04 3	0.08 230	0.06 138	0.08 273	0.08 292

test-2	0.11 136	0.09 259	0.08 12	0.19 306	0.08 87	0.12 163	0.28 455	0.13 41	0.18 177	0.11 117	0.17 194	0.14 196	0.12 207	0.07 2	0.07 1	0.05 5	0.05 120	0.09 312	0.07 227	0.04 2	0.04 10

cross-raft	0.10 97	0.09 259	0.09 42	0.19 306	0.07 35	0.11 126	0.24 422	0.13 41	0.15 118	0.08 33	0.10 79	0.12 154	0.10 150	0.09 19	0.11 133	0.05 5	0.04 3	0.06 64	0.05 72	0.04 2	0.04 10

RAFT	0.13 232	0.09 259	0.11 103	0.18 248	0.08 87	0.15 255	0.23 412	0.21 202	0.20 217	0.21 343	0.21 257	0.18 271	0.13 238	0.17 299	0.10 89	0.06 80	0.07 326	0.10 357	0.09 336	0.06 143	0.05 80

RAFT-IKP	0.11 136	0.09 259	0.17 311	0.19 306	0.08 87	0.06 6	0.11 21	0.17 124	0.13 82	0.15 222	0.16 175	0.14 196	0.12 207	0.11 73	0.11 133	0.06 80	0.05 120	0.08 230	0.06 138	0.08 273	0.07 223

ICVP	0.16 328	0.09 259	0.12 137	0.22 404	0.09 185	0.18 322	0.21 391	0.26 298	0.24 273	0.18 293	0.30 375	0.27 374	0.18 346	0.18 315	0.15 290	0.10 345	0.07 326	0.08 230	0.07 227	0.07 210	0.08 292
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 205	0.09 259	0.24 402	0.24 433	0.11 342	0.19 343	0.14 118	0.17 124	0.15 118	0.10 84	0.13 134	0.12 154	0.07 71	0.14 215	0.11 133	0.08 256	0.08 357	0.08 230	0.08 293	0.05 62	0.07 223

delet	0.17 350	0.09 259	0.18 343	0.19 306	0.11 342	0.21 374	0.22 402	0.30 364	0.38 409	0.17 261	0.27 344	0.19 280	0.19 364	0.19 340	0.21 375	0.08 256	0.08 357	0.09 312	0.11 399	0.06 143	0.07 223

UNet	0.17 350	0.09 259	0.18 343	0.19 306	0.12 371	0.28 441	0.19 358	0.33 398	0.30 350	0.21 343	0.25 314	0.23 338	0.19 364	0.20 358	0.19 352	0.07 199	0.06 258	0.08 230	0.07 227	0.08 273	0.07 223

ac_64	0.16 328	0.09 259	0.15 247	0.18 248	0.10 290	0.22 387	0.17 271	0.24 266	0.22 253	0.19 308	0.24 287	0.29 392	0.18 346	0.19 340	0.22 388	0.09 308	0.08 357	0.08 230	0.09 336	0.07 210	0.06 152

ACVNet	0.15 300	0.09 259	0.15 247	0.13 8	0.12 371	0.14 230	0.20 375	0.22 225	0.34 380	0.17 261	0.26 327	0.21 304	0.17 334	0.18 315	0.21 375	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.06 152

acv_ft	0.15 300	0.09 259	0.16 288	0.19 306	0.10 290	0.16 283	0.17 271	0.25 286	0.34 380	0.19 308	0.26 327	0.21 304	0.17 334	0.18 315	0.19 352	0.07 199	0.06 258	0.06 64	0.06 138	0.08 273	0.06 152

HGLStereo	0.17 350	0.09 259	0.19 366	0.17 171	0.12 371	0.18 322	0.18 316	0.31 380	0.33 369	0.22 356	0.33 394	0.24 347	0.18 346	0.20 358	0.21 375	0.10 345	0.09 381	0.07 155	0.07 227	0.09 333	0.10 362

DSFCA	0.16 328	0.09 259	0.14 211	0.16 105	0.10 290	0.21 374	0.19 358	0.28 336	0.31 359	0.23 371	0.25 314	0.22 322	0.16 311	0.20 358	0.20 362	0.10 345	0.07 326	0.09 312	0.09 336	0.08 273	0.08 292

DMCA	0.14 261	0.09 259	0.17 311	0.19 306	0.09 185	0.15 255	0.17 271	0.23 243	0.28 338	0.14 198	0.20 240	0.17 257	0.18 346	0.15 233	0.17 325	0.10 345	0.06 258	0.08 230	0.06 138	0.09 333	0.10 362

BEATNet_4x	0.12 205	0.09 259	0.15 247	0.18 248	0.07 35	0.15 255	0.07 2	0.23 243	0.19 198	0.16 249	0.19 231	0.19 280	0.14 269	0.17 299	0.15 290	0.07 199	0.05 120	0.05 3	0.05 72	0.06 143	0.07 223

ccs_rob	0.14 261	0.09 259	0.16 288	0.16 105	0.09 185	0.13 191	0.14 118	0.27 312	0.34 380	0.15 222	0.21 257	0.22 322	0.13 238	0.18 315	0.14 256	0.07 199	0.05 120	0.08 230	0.07 227	0.07 210	0.07 223

HSM	0.15 300	0.09 259	0.15 247	0.16 105	0.09 185	0.16 283	0.14 118	0.28 336	0.25 297	0.20 329	0.24 287	0.37 439	0.17 334	0.20 358	0.15 290	0.07 199	0.05 120	0.07 155	0.06 138	0.07 210	0.06 152

DISCO	0.20 385	0.09 259	0.22 389	0.17 171	0.10 290	0.25 413	0.18 316	0.28 336	0.45 441	0.23 371	0.32 388	0.34 429	0.26 418	0.29 436	0.29 448	0.08 256	0.06 258	0.07 155	0.07 227	0.09 333	0.10 362

DDVS	0.16 328	0.10 321	0.22 389	0.16 105	0.12 371	0.15 255	0.14 118	0.25 286	0.19 198	0.18 293	0.30 375	0.27 374	0.13 238	0.20 358	0.16 309	0.09 308	0.06 258	0.09 312	0.07 227	0.11 387	0.11 384

rvit_0105_5	0.14 261	0.10 321	0.14 211	0.17 171	0.09 185	0.14 230	0.23 412	0.24 266	0.27 322	0.14 198	0.15 159	0.18 271	0.13 238	0.17 299	0.14 256	0.14 438	0.11 415	0.10 357	0.11 399	0.08 273	0.07 223

rvit_0105_3	0.16 328	0.10 321	0.15 247	0.20 354	0.12 371	0.15 255	0.26 444	0.25 286	0.30 350	0.15 222	0.17 194	0.21 304	0.14 269	0.18 315	0.14 256	0.14 438	0.11 415	0.12 406	0.14 435	0.07 210	0.07 223

UGAM	0.13 232	0.10 321	0.09 42	0.22 404	0.08 87	0.13 191	0.20 375	0.18 149	0.24 273	0.22 356	0.16 175	0.13 177	0.13 238	0.19 340	0.13 220	0.07 199	0.05 120	0.13 420	0.11 399	0.07 210	0.05 80

ACV-stereo	0.15 300	0.10 321	0.29 427	0.18 248	0.12 371	0.15 255	0.13 72	0.23 243	0.21 231	0.19 308	0.23 276	0.22 322	0.15 289	0.23 399	0.17 325	0.08 256	0.07 326	0.07 155	0.07 227	0.08 273	0.07 223

IGEV-BASED-STEREO-	0.09 41	0.10 321	0.32 440	0.15 56	0.06 8	0.08 32	0.14 118	0.11 14	0.10 16	0.07 14	0.07 21	0.06 8	0.04 1	0.11 73	0.07 1	0.12 402	0.04 3	0.07 155	0.05 72	0.05 62	0.05 80

test_sample7	0.16 328	0.10 321	0.16 288	0.14 21	0.12 371	0.16 283	0.17 271	0.28 336	0.24 273	0.21 343	0.21 257	0.24 347	0.20 376	0.16 260	0.16 309	0.12 402	0.06 258	0.10 357	0.09 336	0.11 387	0.10 362

LL-Strereo2	0.11 136	0.10 321	0.16 288	0.18 248	0.08 87	0.15 255	0.09 6	0.17 124	0.14 101	0.14 198	0.11 107	0.09 86	0.07 71	0.16 260	0.10 89	0.05 5	0.05 120	0.11 387	0.07 227	0.06 143	0.05 80

LL-Strereo	0.13 232	0.10 321	0.12 137	0.20 354	0.10 290	0.11 126	0.18 316	0.33 398	0.25 297	0.16 249	0.16 175	0.14 196	0.14 269	0.19 340	0.11 133	0.06 80	0.05 120	0.09 312	0.08 293	0.04 2	0.05 80

ssnet_v2	0.17 350	0.10 321	0.18 343	0.17 171	0.11 342	0.21 374	0.22 402	0.34 412	0.25 297	0.23 371	0.23 276	0.27 374	0.19 364	0.22 392	0.21 375	0.11 376	0.10 403	0.09 312	0.09 336	0.08 273	0.08 292

raft_robust	0.13 232	0.10 321	0.07 2	0.18 248	0.08 87	0.13 191	0.24 422	0.29 354	0.34 380	0.20 329	0.20 240	0.15 221	0.10 150	0.11 73	0.12 187	0.05 5	0.05 120	0.07 155	0.07 227	0.05 62	0.04 10

NINENet	0.16 328	0.10 321	0.16 288	0.17 171	0.11 342	0.20 363	0.14 118	0.41 458	0.37 403	0.18 293	0.21 257	0.16 240	0.14 269	0.16 260	0.14 256	0.08 256	0.08 357	0.10 357	0.07 227	0.10 367	0.09 336

test_4	0.11 136	0.10 321	0.08 12	0.19 306	0.09 185	0.08 32	0.21 391	0.15 68	0.18 177	0.12 147	0.18 217	0.12 154	0.09 128	0.08 11	0.11 133	0.04 1	0.04 3	0.08 230	0.08 293	0.04 2	0.04 10

MMNet	0.17 350	0.10 321	0.17 311	0.20 354	0.11 342	0.27 431	0.20 375	0.26 298	0.42 427	0.22 356	0.30 375	0.22 322	0.20 376	0.18 315	0.20 362	0.06 80	0.06 258	0.07 155	0.07 227	0.08 273	0.07 223

psm_up	0.19 376	0.10 321	0.18 343	0.21 384	0.11 342	0.17 306	0.19 358	0.38 445	0.34 380	0.22 356	0.28 355	0.29 392	0.25 411	0.20 358	0.22 388	0.09 308	0.10 403	0.11 387	0.11 399	0.08 273	0.08 292

hitnet-ft	0.18 365	0.10 321	0.17 311	0.14 21	0.09 185	0.27 431	0.20 375	0.25 286	0.26 310	0.24 383	0.32 388	0.32 419	0.23 397	0.24 410	0.21 375	0.12 402	0.07 326	0.10 357	0.08 293	0.12 402	0.11 384

DMCA-RVC	0.17 350	0.10 321	0.16 288	0.24 433	0.11 342	0.19 343	0.18 316	0.26 298	0.24 273	0.21 343	0.27 344	0.25 359	0.27 424	0.18 315	0.21 375	0.12 402	0.08 357	0.13 420	0.10 370	0.10 367	0.08 292

SuperB	0.20 385	0.10 321	0.57 477	0.16 105	0.09 185	0.19 343	0.18 316	0.25 286	0.51 458	0.27 406	0.39 430	0.17 257	0.22 391	0.22 392	0.21 375	0.08 256	0.06 258	0.06 64	0.06 138	0.12 402	0.11 384

ADCP+	0.20 385	0.10 321	0.35 451	0.21 384	0.12 371	0.22 387	0.27 449	0.31 380	0.35 393	0.26 399	0.37 416	0.22 322	0.22 391	0.27 421	0.28 441	0.09 308	0.06 258	0.08 230	0.08 293	0.10 367	0.10 362

NLCA_NET_v2_RVC	0.17 350	0.10 321	0.23 396	0.20 354	0.10 290	0.15 255	0.18 316	0.31 380	0.25 297	0.21 343	0.31 379	0.25 359	0.17 334	0.21 375	0.20 362	0.09 308	0.06 258	0.08 230	0.09 336	0.07 210	0.08 292
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 328	0.10 321	0.11 103	0.18 248	0.09 185	0.19 343	0.18 316	0.27 312	0.32 364	0.22 356	0.35 408	0.21 304	0.22 391	0.22 392	0.17 325	0.06 80	0.05 120	0.06 64	0.06 138	0.07 210	0.06 152

iResNet	0.13 232	0.10 321	0.18 343	0.19 306	0.08 87	0.14 230	0.18 316	0.21 202	0.27 322	0.16 249	0.24 287	0.15 221	0.13 238	0.14 215	0.15 290	0.06 80	0.04 3	0.06 64	0.05 72	0.06 143	0.05 80

MDST_ROB	0.22 406	0.10 321	0.18 343	0.18 248	0.11 342	0.40 474	0.19 358	0.44 473	0.42 427	0.40 462	0.40 433	0.29 392	0.21 384	0.27 421	0.19 352	0.11 376	0.10 403	0.14 433	0.11 399	0.10 367	0.08 292

DLCB_ROB	0.18 365	0.10 321	0.16 288	0.23 423	0.11 342	0.24 405	0.18 316	0.30 364	0.28 338	0.27 406	0.29 369	0.28 385	0.25 411	0.20 358	0.20 362	0.08 256	0.08 357	0.09 312	0.09 336	0.07 210	0.07 223

DFGA-Net	0.13 232	0.11 345	0.19 366	0.18 248	0.10 290	0.13 191	0.13 72	0.23 243	0.25 297	0.16 249	0.16 175	0.13 177	0.12 207	0.17 299	0.15 290	0.07 199	0.05 120	0.08 230	0.07 227	0.05 62	0.05 80

FACV-RUCA	0.13 232	0.11 345	0.13 170	0.19 306	0.12 371	0.15 255	0.16 245	0.22 225	0.21 231	0.16 249	0.16 175	0.15 221	0.16 311	0.14 215	0.13 220	0.07 199	0.05 120	0.08 230	0.06 138	0.10 367	0.08 292

ITSA-stereo	0.16 328	0.11 345	0.14 211	0.19 306	0.08 87	0.13 191	0.14 118	0.30 364	0.49 452	0.17 261	0.18 217	0.22 322	0.15 289	0.17 299	0.16 309	0.10 345	0.06 258	0.08 230	0.08 293	0.08 273	0.09 336

fast-acv-ft	0.18 365	0.11 345	0.20 370	0.19 306	0.12 371	0.26 423	0.21 391	0.26 298	0.35 393	0.22 356	0.34 404	0.27 374	0.21 384	0.21 375	0.23 399	0.09 308	0.09 381	0.08 230	0.10 370	0.08 273	0.07 223

ToySt	0.17 350	0.11 345	0.19 366	0.17 171	0.11 342	0.16 283	0.26 444	0.24 266	0.33 369	0.19 308	0.24 287	0.26 369	0.24 404	0.19 340	0.21 375	0.07 199	0.08 357	0.09 312	0.10 370	0.09 333	0.08 292

Selective-RAFT	0.11 136	0.11 345	0.12 137	0.21 384	0.08 87	0.16 283	0.13 72	0.21 202	0.23 263	0.10 84	0.10 79	0.11 133	0.10 150	0.15 233	0.11 133	0.05 5	0.05 120	0.06 64	0.05 72	0.06 143	0.05 80

RAFT+CT+SA	0.13 232	0.11 345	0.09 42	0.19 306	0.09 185	0.15 255	0.28 455	0.22 225	0.22 253	0.15 222	0.26 327	0.10 113	0.10 150	0.11 73	0.12 187	0.05 5	0.04 3	0.07 155	0.08 293	0.07 210	0.06 152

hknet	0.15 300	0.11 345	0.14 211	0.22 404	0.11 342	0.15 255	0.15 187	0.34 412	0.26 310	0.17 261	0.23 276	0.22 322	0.18 346	0.17 299	0.13 220	0.07 199	0.06 258	0.10 357	0.09 336	0.07 210	0.07 223

pcwnet_v2	0.19 376	0.11 345	0.26 413	0.18 248	0.14 412	0.18 322	0.15 187	0.37 438	0.46 448	0.19 308	0.24 287	0.21 304	0.19 364	0.21 375	0.20 362	0.13 419	0.10 403	0.10 357	0.10 370	0.11 387	0.13 414

stereogan	0.22 406	0.11 345	0.21 380	0.20 354	0.12 371	0.32 450	0.19 358	0.36 431	0.45 441	0.23 371	0.39 430	0.35 434	0.27 424	0.33 450	0.23 399	0.10 345	0.12 429	0.10 357	0.10 370	0.14 431	0.14 430

CFNet	0.15 300	0.11 345	0.17 311	0.17 171	0.08 87	0.19 343	0.10 11	0.29 354	0.26 310	0.19 308	0.24 287	0.24 347	0.18 346	0.18 315	0.15 290	0.08 256	0.06 258	0.09 312	0.10 370	0.08 273	0.07 223

CVANet_RVC	0.18 365	0.11 345	0.14 211	0.21 384	0.11 342	0.19 343	0.18 316	0.34 412	0.34 380	0.22 356	0.31 379	0.28 385	0.18 346	0.24 410	0.18 338	0.12 402	0.08 357	0.12 406	0.12 419	0.09 333	0.08 292

AdaStereo	0.15 300	0.11 345	0.16 288	0.19 306	0.09 185	0.21 374	0.11 21	0.33 398	0.28 338	0.21 343	0.23 276	0.21 304	0.13 238	0.19 340	0.15 290	0.13 419	0.05 120	0.10 357	0.07 227	0.09 333	0.07 223
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.
NVstereo2D	0.19 376	0.11 345	0.16 288	0.17 171	0.16 439	0.28 441	0.23 412	0.44 473	0.42 427	0.15 222	0.28 355	0.25 359	0.19 364	0.23 399	0.18 338	0.09 308	0.06 258	0.10 357	0.08 293	0.15 443	0.10 362

DeepPruner_ROB	0.16 328	0.11 345	0.16 288	0.17 171	0.10 290	0.17 306	0.15 187	0.32 384	0.21 231	0.19 308	0.21 257	0.22 322	0.19 364	0.21 375	0.16 309	0.13 419	0.09 381	0.09 312	0.10 370	0.11 387	0.11 384

DRN-Test	0.20 385	0.11 345	0.21 380	0.22 404	0.10 290	0.22 387	0.22 402	0.40 453	0.38 409	0.24 383	0.33 394	0.26 369	0.22 391	0.22 392	0.25 418	0.11 376	0.07 326	0.11 387	0.10 370	0.09 333	0.08 292

StereoDRNet	0.19 376	0.11 345	0.18 343	0.22 404	0.11 342	0.22 387	0.22 402	0.37 438	0.34 380	0.24 383	0.28 355	0.30 399	0.19 364	0.20 358	0.21 375	0.10 345	0.08 357	0.11 387	0.09 336	0.09 333	0.07 223

WCMA_ROB	0.24 429	0.11 345	0.24 402	0.17 171	0.14 412	0.34 456	0.16 245	0.33 398	0.33 369	0.39 459	0.54 470	0.40 456	0.35 460	0.35 458	0.26 429	0.12 402	0.12 429	0.12 406	0.11 399	0.14 431	0.14 430

TCMNet	0.19 376	0.12 363	0.20 370	0.21 384	0.18 460	0.21 374	0.24 422	0.28 336	0.36 398	0.23 371	0.26 327	0.25 359	0.20 376	0.20 358	0.23 399	0.13 419	0.11 415	0.11 387	0.12 419	0.13 415	0.12 403

YMNet	0.20 385	0.12 363	0.20 370	0.21 384	0.14 412	0.27 431	0.23 412	0.32 384	0.34 380	0.28 418	0.35 408	0.30 399	0.18 346	0.18 315	0.22 388	0.11 376	0.13 441	0.10 357	0.10 370	0.09 333	0.09 336

YMNet_1	0.20 385	0.12 363	0.20 370	0.21 384	0.14 412	0.27 431	0.23 412	0.32 384	0.34 380	0.28 418	0.35 408	0.30 399	0.18 346	0.18 315	0.22 388	0.11 376	0.13 441	0.10 357	0.10 370	0.09 333	0.09 336

rvit_105_1	0.19 376	0.12 363	0.25 405	0.21 384	0.16 439	0.22 387	0.28 455	0.32 384	0.42 427	0.20 329	0.21 257	0.22 322	0.18 346	0.19 340	0.18 338	0.12 402	0.12 429	0.13 420	0.15 450	0.08 273	0.07 223

rvit_stereo_0075_2	0.17 350	0.12 363	0.25 405	0.23 423	0.16 439	0.13 191	0.10 11	0.30 364	0.27 322	0.20 329	0.28 355	0.22 322	0.15 289	0.18 315	0.13 220	0.16 459	0.10 403	0.17 453	0.10 370	0.10 367	0.10 362

DualNet (step1)	0.17 350	0.12 363	0.21 380	0.13 8	0.14 412	0.18 322	0.14 118	0.28 336	0.24 273	0.21 343	0.21 257	0.24 347	0.20 376	0.16 260	0.16 309	0.15 442	0.06 258	0.14 433	0.14 435	0.15 443	0.13 414

test_sample9	0.18 365	0.12 363	0.21 380	0.13 8	0.14 412	0.18 322	0.14 118	0.28 336	0.24 273	0.21 343	0.21 257	0.24 347	0.20 376	0.19 340	0.18 338	0.15 442	0.30 490	0.14 433	0.14 435	0.15 443	0.13 414

test_sample8	0.20 385	0.12 363	0.21 380	0.13 8	0.14 412	0.18 322	0.14 118	0.32 384	0.21 231	0.28 418	0.22 272	0.36 436	0.26 418	0.19 340	0.18 338	0.15 442	0.30 490	0.14 433	0.14 435	0.15 443	0.13 414

test_for_model	0.09 41	0.12 363	0.14 211	0.23 423	0.11 342	0.08 32	0.13 72	0.12 27	0.13 82	0.10 84	0.07 21	0.07 39	0.06 27	0.11 73	0.10 89	0.06 80	0.05 120	0.05 3	0.04 15	0.08 273	0.05 80

CASS	0.14 261	0.12 363	0.12 137	0.23 423	0.09 185	0.15 255	0.17 271	0.19 173	0.20 217	0.17 261	0.18 217	0.15 221	0.15 289	0.15 233	0.14 256	0.09 308	0.06 258	0.10 357	0.08 293	0.09 333	0.07 223
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 261	0.12 363	0.08 12	0.20 354	0.10 290	0.14 230	0.28 455	0.21 202	0.24 273	0.19 308	0.28 355	0.11 133	0.15 289	0.12 144	0.13 220	0.06 80	0.05 120	0.07 155	0.08 293	0.08 273	0.07 223

SACVNet	0.19 376	0.12 363	0.15 247	0.17 171	0.13 396	0.22 387	0.18 316	0.31 380	0.31 359	0.24 383	0.31 379	0.30 399	0.23 397	0.23 399	0.17 325	0.11 376	0.08 357	0.10 357	0.10 370	0.12 402	0.14 430

PSMNet-ADL	0.15 300	0.12 363	0.13 170	0.22 404	0.09 185	0.13 191	0.20 375	0.26 298	0.23 263	0.18 293	0.20 240	0.23 338	0.17 334	0.18 315	0.18 338	0.09 308	0.08 357	0.08 230	0.11 399	0.08 273	0.07 223

GEStereo_RVC	0.17 350	0.12 363	0.16 288	0.22 404	0.11 342	0.19 343	0.18 316	0.32 384	0.49 452	0.20 329	0.25 314	0.17 257	0.13 238	0.21 375	0.16 309	0.10 345	0.06 258	0.08 230	0.07 227	0.09 333	0.08 292

sAnonymous2	0.13 232	0.12 363	0.25 405	0.20 354	0.12 371	0.18 322	0.14 118	0.27 312	0.21 231	0.11 117	0.12 120	0.13 177	0.08 103	0.11 73	0.11 133	0.09 308	0.05 120	0.08 230	0.06 138	0.15 443	0.10 362

CroCo_RVC	0.13 232	0.12 363	0.25 405	0.20 354	0.12 371	0.18 322	0.14 118	0.27 312	0.21 231	0.11 117	0.12 120	0.13 177	0.08 103	0.11 73	0.11 133	0.09 308	0.05 120	0.08 230	0.06 138	0.15 443	0.10 362

APVNet	0.23 419	0.12 363	0.20 370	0.18 248	0.14 412	0.32 450	0.31 474	0.40 453	0.33 369	0.27 406	0.40 433	0.30 399	0.29 436	0.27 421	0.25 418	0.11 376	0.12 429	0.11 387	0.14 435	0.12 402	0.13 414

FADNet-RVC-Resample	0.17 350	0.12 363	0.32 440	0.22 404	0.12 371	0.19 343	0.14 118	0.25 286	0.24 273	0.24 383	0.27 344	0.20 297	0.15 289	0.17 299	0.16 309	0.07 199	0.08 357	0.12 406	0.10 370	0.09 333	0.11 384

S-Stereo	0.21 398	0.12 363	0.25 405	0.21 384	0.13 396	0.21 374	0.19 358	0.33 398	0.45 441	0.23 371	0.36 413	0.28 385	0.29 436	0.20 358	0.23 399	0.09 308	0.12 429	0.10 357	0.10 370	0.13 415	0.14 430

ADCL	0.25 435	0.12 363	0.49 470	0.22 404	0.12 371	0.36 464	0.29 466	0.30 364	0.57 471	0.24 383	0.47 461	0.30 399	0.31 452	0.30 442	0.30 453	0.09 308	0.07 326	0.09 312	0.09 336	0.10 367	0.10 362

ADCRef	0.20 385	0.12 363	0.43 463	0.20 354	0.12 371	0.23 399	0.18 316	0.32 384	0.37 403	0.26 399	0.33 394	0.18 271	0.23 397	0.25 415	0.26 429	0.07 199	0.06 258	0.09 312	0.09 336	0.08 273	0.09 336

RYNet	0.23 419	0.12 363	0.22 389	0.19 306	0.17 451	0.47 479	0.26 444	0.39 450	0.49 452	0.24 383	0.29 369	0.34 429	0.24 404	0.20 358	0.31 458	0.10 345	0.06 258	0.09 312	0.09 336	0.14 431	0.15 444

TDLM	0.18 365	0.12 363	0.14 211	0.24 433	0.10 290	0.18 322	0.18 316	0.37 438	0.30 350	0.22 356	0.28 355	0.28 385	0.18 346	0.23 399	0.19 352	0.11 376	0.07 326	0.10 357	0.10 370	0.08 273	0.08 292

SGM-ForestM	0.33 466	0.12 363	0.17 311	0.16 105	0.11 342	0.42 476	0.20 375	0.43 469	0.53 467	0.53 482	0.57 476	1.41 513	0.44 481	0.42 481	0.29 448	0.14 438	0.16 460	0.16 451	0.16 454	0.12 402	0.13 414

StereoDRNet-Refined	0.17 350	0.12 363	0.16 288	0.20 354	0.10 290	0.18 322	0.18 316	0.27 312	0.24 273	0.26 399	0.41 443	0.23 338	0.18 346	0.21 375	0.21 375	0.09 308	0.05 120	0.09 312	0.10 370	0.07 210	0.07 223
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
XPNet_ROB	0.22 406	0.12 363	0.20 370	0.22 404	0.13 396	0.22 387	0.19 358	0.35 426	0.40 418	0.30 432	0.40 433	0.38 445	0.27 424	0.26 419	0.29 448	0.15 442	0.10 403	0.10 357	0.10 370	0.13 415	0.12 403

PSMNet_ROB	0.22 406	0.12 363	0.15 247	0.27 457	0.15 427	0.25 413	0.36 485	0.43 469	0.37 403	0.27 406	0.33 394	0.32 419	0.23 397	0.21 375	0.27 434	0.12 402	0.08 357	0.13 420	0.11 399	0.10 367	0.09 336

SGM_RVC	0.24 429	0.12 363	0.16 288	0.15 56	0.09 185	0.34 456	0.19 358	0.35 426	0.32 364	0.44 473	0.38 423	0.53 481	0.36 463	0.36 462	0.26 429	0.13 419	0.13 441	0.13 420	0.13 430	0.11 387	0.11 384
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 328	0.13 391	0.25 405	0.20 354	0.10 290	0.17 306	0.13 72	0.30 364	0.25 297	0.23 371	0.32 388	0.25 359	0.11 178	0.19 340	0.14 256	0.09 308	0.06 258	0.11 387	0.06 138	0.12 402	0.08 292

StereoVision	0.14 261	0.13 391	0.10 66	0.24 433	0.10 290	0.16 283	0.21 391	0.21 202	0.20 217	0.12 147	0.25 314	0.10 113	0.10 150	0.16 260	0.10 89	0.09 308	0.10 403	0.12 406	0.12 419	0.06 143	0.05 80

HBP-ISP	0.18 365	0.13 391	0.17 311	0.15 56	0.11 342	0.08 32	0.13 72	0.28 336	0.30 350	0.22 356	0.33 394	0.21 304	0.25 411	0.23 399	0.18 338	0.15 442	0.17 464	0.21 467	0.17 461	0.10 367	0.09 336

Wz-Net-MNSev	0.23 419	0.13 391	0.33 442	0.20 354	0.15 427	0.36 464	0.25 438	0.34 412	0.45 441	0.29 427	0.41 443	0.39 450	0.19 364	0.25 415	0.27 434	0.09 308	0.07 326	0.09 312	0.09 336	0.12 402	0.10 362

UDGNet	0.14 261	0.13 391	0.17 311	0.18 248	0.10 290	0.12 163	0.16 245	0.21 202	0.27 322	0.20 329	0.20 240	0.17 257	0.13 238	0.16 260	0.14 256	0.10 345	0.06 258	0.09 312	0.07 227	0.07 210	0.07 223

FAT-Stereo	0.21 398	0.13 391	0.22 389	0.21 384	0.12 371	0.18 322	0.18 316	0.35 426	0.40 418	0.28 418	0.37 416	0.33 425	0.33 456	0.21 375	0.20 362	0.09 308	0.11 415	0.10 357	0.09 336	0.11 387	0.14 430

STTStereo	0.18 365	0.13 391	0.28 418	0.20 354	0.11 342	0.16 283	0.21 391	0.29 354	0.23 263	0.22 356	0.30 375	0.29 392	0.18 346	0.20 358	0.20 362	0.12 402	0.11 415	0.11 387	0.14 435	0.09 333	0.08 292

RP	0.22 406	0.13 391	0.22 389	0.23 423	0.12 371	0.21 374	0.20 375	0.26 298	0.45 441	0.22 356	0.38 423	0.37 439	0.25 411	0.28 429	0.25 418	0.11 376	0.12 429	0.13 420	0.12 419	0.13 415	0.14 430

RTSC	0.23 419	0.13 391	0.30 433	0.21 384	0.13 396	0.29 443	0.17 271	0.36 431	0.68 486	0.27 406	0.34 404	0.30 399	0.22 391	0.32 447	0.31 458	0.10 345	0.08 357	0.09 312	0.10 370	0.13 415	0.14 430

GANet	0.22 406	0.13 391	0.21 380	0.25 440	0.14 412	0.23 399	0.22 402	0.42 463	0.27 322	0.31 437	0.43 453	0.37 439	0.29 436	0.23 399	0.23 399	0.10 345	0.12 429	0.10 357	0.09 336	0.10 367	0.08 292

CBMV_ROB	0.19 376	0.13 391	0.18 343	0.16 105	0.11 342	0.16 283	0.12 40	0.27 312	0.29 344	0.27 406	0.31 379	0.27 374	0.24 404	0.24 410	0.16 309	0.15 442	0.18 466	0.22 471	0.20 467	0.10 367	0.12 403

NOSS_ROB	0.19 376	0.13 391	0.18 343	0.16 105	0.12 371	0.16 283	0.12 40	0.30 364	0.33 369	0.20 329	0.22 272	0.27 374	0.24 404	0.21 375	0.16 309	0.16 459	0.18 466	0.23 472	0.21 469	0.13 415	0.13 414

DN-CSS_ROB	0.13 232	0.13 391	0.17 311	0.18 248	0.10 290	0.16 283	0.08 4	0.22 225	0.19 198	0.17 261	0.23 276	0.13 177	0.13 238	0.13 191	0.14 256	0.05 5	0.05 120	0.10 357	0.10 370	0.08 273	0.06 152

PWCDC_ROB	0.21 398	0.13 391	0.23 396	0.25 440	0.12 371	0.20 363	0.15 187	0.34 412	0.55 468	0.29 427	0.49 463	0.21 304	0.15 289	0.28 429	0.20 362	0.11 376	0.09 381	0.10 357	0.08 293	0.11 387	0.09 336

MeshStereo	0.27 450	0.13 391	0.18 343	0.15 56	0.11 342	0.33 452	0.24 422	0.41 458	0.36 398	0.53 482	0.58 479	0.67 491	0.41 472	0.36 462	0.27 434	0.14 438	0.13 441	0.13 420	0.11 399	0.11 387	0.11 384
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
Anonymous3	0.16 328	0.14 406	0.34 445	0.26 449	0.14 412	0.27 431	0.18 316	0.28 336	0.28 338	0.15 222	0.17 194	0.14 196	0.11 178	0.16 260	0.12 187	0.08 256	0.08 357	0.08 230	0.08 293	0.08 273	0.11 384

GwcNet	0.20 385	0.14 406	0.20 370	0.18 248	0.12 371	0.25 413	0.20 375	0.36 431	0.45 441	0.20 329	0.33 394	0.33 425	0.21 384	0.22 392	0.25 418	0.11 376	0.09 381	0.09 312	0.09 336	0.09 333	0.10 362

FADNet_RVC	0.17 350	0.14 406	0.41 459	0.20 354	0.11 342	0.13 191	0.13 72	0.27 312	0.22 253	0.21 343	0.23 276	0.20 297	0.18 346	0.15 233	0.17 325	0.08 256	0.08 357	0.12 406	0.09 336	0.11 387	0.10 362

edge stereo	0.23 419	0.14 406	0.21 380	0.21 384	0.13 396	0.24 405	0.16 245	0.32 384	0.42 427	0.32 444	0.40 433	0.39 450	0.35 460	0.25 415	0.25 418	0.13 419	0.11 415	0.14 433	0.11 399	0.12 402	0.14 430

SANet	0.25 435	0.14 406	0.29 427	0.21 384	0.11 342	0.29 443	0.25 438	0.40 453	0.65 485	0.36 452	0.40 433	0.42 461	0.27 424	0.27 421	0.25 418	0.12 402	0.09 381	0.10 357	0.09 336	0.13 415	0.12 403

SGM-Forest	0.20 385	0.14 406	0.18 343	0.20 354	0.13 396	0.21 374	0.22 402	0.33 398	0.31 359	0.24 383	0.29 369	0.28 385	0.20 376	0.23 399	0.18 338	0.15 442	0.16 460	0.15 444	0.14 435	0.13 415	0.12 403
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
TestStereo	0.14 261	0.15 412	0.11 103	0.23 423	0.08 87	0.15 255	0.21 391	0.20 186	0.23 263	0.14 198	0.25 314	0.16 240	0.13 238	0.16 260	0.14 256	0.06 80	0.06 258	0.08 230	0.06 138	0.09 333	0.05 80

GMStereo	0.13 232	0.15 412	0.14 211	0.18 248	0.09 185	0.16 283	0.16 245	0.20 186	0.25 297	0.17 261	0.17 194	0.11 133	0.11 178	0.16 260	0.13 220	0.07 199	0.06 258	0.06 64	0.06 138	0.07 210	0.06 152
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
NCC-stereo	0.25 435	0.15 412	0.31 436	0.26 449	0.17 451	0.21 374	0.31 474	0.41 458	0.40 418	0.24 383	0.38 423	0.33 425	0.29 436	0.37 466	0.28 441	0.13 419	0.11 415	0.15 444	0.22 472	0.13 415	0.13 414

Abc-Net	0.25 435	0.15 412	0.31 436	0.26 449	0.17 451	0.21 374	0.31 474	0.41 458	0.40 418	0.24 383	0.38 423	0.33 425	0.29 436	0.37 466	0.28 441	0.13 419	0.11 415	0.15 444	0.22 472	0.13 415	0.13 414
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 445	0.15 412	0.31 436	0.24 433	0.18 460	0.23 399	0.15 187	0.39 450	0.72 491	0.32 444	0.42 450	0.36 436	0.29 436	0.33 450	0.30 453	0.13 419	0.11 415	0.14 433	0.13 430	0.16 454	0.20 473

ADCMid	0.26 445	0.15 412	0.42 461	0.20 354	0.14 412	0.25 413	0.26 444	0.35 426	0.40 418	0.37 456	0.45 457	0.34 429	0.42 476	0.36 462	0.36 470	0.10 345	0.09 381	0.11 387	0.11 399	0.13 415	0.13 414

NCCL2	0.24 429	0.15 412	0.18 343	0.34 478	0.18 460	0.24 405	0.24 422	0.34 412	0.29 344	0.31 437	0.38 423	0.38 445	0.29 436	0.23 399	0.25 418	0.15 442	0.12 429	0.18 462	0.21 469	0.13 415	0.13 414

CBMV	0.20 385	0.15 412	0.18 343	0.18 248	0.10 290	0.20 363	0.11 21	0.30 364	0.31 359	0.29 427	0.31 379	0.31 413	0.23 397	0.28 429	0.19 352	0.13 419	0.15 455	0.17 453	0.16 454	0.10 367	0.10 362
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
StereoAnything_RVC	0.07 2	0.16 420	0.17 311	0.11 1	0.05 1	0.06 6	0.11 21	0.08 3	0.08 2	0.06 4	0.06 4	0.05 1	0.05 7	0.09 19	0.08 14	0.08 256	0.04 3	0.05 3	0.03 1	0.05 62	0.04 10

Wz-Net-LNSev	0.22 406	0.16 420	0.41 459	0.22 404	0.13 396	0.25 413	0.24 422	0.33 398	0.44 437	0.30 432	0.42 450	0.32 419	0.19 364	0.23 399	0.27 434	0.10 345	0.09 381	0.08 230	0.08 293	0.12 402	0.11 384

Syn2CoEx	0.22 406	0.16 420	0.29 427	0.29 470	0.15 427	0.26 423	0.21 391	0.34 412	0.32 364	0.29 427	0.36 413	0.28 385	0.25 411	0.20 358	0.25 418	0.16 459	0.12 429	0.14 433	0.11 399	0.09 333	0.08 292

psmorigin	0.25 435	0.16 420	0.35 451	0.17 171	0.13 396	0.24 405	0.14 118	0.34 412	0.34 380	0.41 466	0.55 471	0.41 459	0.38 466	0.35 458	0.28 441	0.11 376	0.15 455	0.11 387	0.11 399	0.12 402	0.17 462

AnyNet_C32	0.26 445	0.16 420	0.39 456	0.20 354	0.17 451	0.26 423	0.31 474	0.32 384	0.45 441	0.31 437	0.50 465	0.30 399	0.34 457	0.41 480	0.36 470	0.12 402	0.12 429	0.12 406	0.14 435	0.14 431	0.15 444

DANet	0.21 398	0.16 420	0.29 427	0.25 440	0.13 396	0.23 399	0.19 358	0.28 336	0.27 322	0.28 418	0.32 388	0.35 434	0.32 454	0.31 443	0.24 411	0.11 376	0.09 381	0.11 387	0.10 370	0.13 415	0.11 384
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
DPSNet	0.28 452	0.16 420	0.33 442	0.18 248	0.13 396	0.55 485	0.42 493	0.52 485	0.68 486	0.29 427	0.38 423	0.39 450	0.30 447	0.32 447	0.23 399	0.11 376	0.10 403	0.11 387	0.08 293	0.20 468	0.16 453

PDISCO_ROB	0.28 452	0.16 420	0.28 418	0.28 463	0.20 467	0.33 452	0.27 449	0.45 475	0.58 474	0.28 418	0.41 443	0.45 467	0.30 447	0.34 453	0.35 469	0.12 402	0.09 381	0.17 453	0.16 454	0.17 461	0.13 414

LALA_ROB	0.25 435	0.16 420	0.23 396	0.27 457	0.17 451	0.27 431	0.27 449	0.42 463	0.38 409	0.33 448	0.39 430	0.51 477	0.26 418	0.29 436	0.28 441	0.16 459	0.09 381	0.13 420	0.12 419	0.13 415	0.13 414

PWC_ROB	0.21 398	0.16 420	0.27 415	0.18 248	0.11 342	0.22 387	0.13 72	0.33 398	0.49 452	0.30 432	0.40 433	0.32 419	0.25 411	0.31 443	0.23 399	0.10 345	0.07 326	0.11 387	0.08 293	0.11 387	0.10 362

Anonymous_2	0.22 406	0.17 430	0.28 418	0.15 56	0.16 439	0.33 452	0.22 402	0.23 243	0.18 177	0.23 371	0.24 287	0.26 369	0.27 424	0.27 421	0.24 411	0.22 479	0.26 486	0.17 453	0.17 461	0.16 454	0.18 465

Wz-Net-SNSev	0.26 445	0.17 430	0.46 465	0.25 440	0.14 412	0.26 423	0.24 422	0.38 445	0.57 471	0.30 432	0.56 472	0.39 450	0.26 418	0.24 410	0.32 463	0.10 345	0.09 381	0.10 357	0.11 399	0.11 387	0.11 384

WZ-Net	0.29 456	0.17 430	0.82 501	0.23 423	0.16 439	0.35 460	0.29 466	0.40 453	0.59 476	0.24 383	0.57 476	0.37 439	0.25 411	0.34 453	0.37 474	0.09 308	0.08 357	0.09 312	0.10 370	0.14 431	0.16 453

dd	0.15 300	0.17 430	0.17 311	0.19 306	0.09 185	0.15 255	0.18 316	0.22 225	0.26 310	0.23 371	0.20 240	0.21 304	0.10 150	0.21 375	0.17 325	0.10 345	0.06 258	0.08 230	0.06 138	0.08 273	0.07 223

UDG	0.21 398	0.17 430	0.20 370	0.23 423	0.15 427	0.31 448	0.20 375	0.33 398	0.35 393	0.24 383	0.28 355	0.31 413	0.29 436	0.21 375	0.23 399	0.15 442	0.12 429	0.13 420	0.09 336	0.14 431	0.15 444

aanetorigin	0.22 406	0.17 430	0.57 477	0.18 248	0.10 290	0.16 283	0.19 358	0.20 186	0.33 369	0.49 479	0.48 462	0.30 399	0.28 433	0.21 375	0.24 411	0.08 256	0.07 326	0.08 230	0.07 227	0.10 367	0.09 336

AF-Net	0.23 419	0.17 430	0.17 311	0.27 457	0.13 396	0.26 423	0.24 422	0.33 398	0.51 458	0.25 396	0.33 394	0.39 450	0.27 424	0.28 429	0.26 429	0.11 376	0.10 403	0.16 451	0.12 419	0.11 387	0.11 384

G-Net	0.25 435	0.17 430	0.38 455	0.23 423	0.16 439	0.51 482	0.23 412	0.29 354	0.35 393	0.36 452	0.38 423	0.31 413	0.29 436	0.28 429	0.27 434	0.11 376	0.09 381	0.12 406	0.10 370	0.16 454	0.14 430

Nwc_Net	0.23 419	0.17 430	0.22 389	0.25 440	0.15 427	0.25 413	0.27 449	0.38 445	0.39 413	0.22 356	0.41 443	0.30 399	0.29 436	0.28 429	0.25 418	0.11 376	0.10 403	0.17 453	0.20 467	0.10 367	0.11 384

DeepPrunerF	0.24 429	0.17 430	0.45 464	0.26 449	0.16 439	0.23 399	0.29 466	0.37 438	0.51 458	0.27 406	0.31 379	0.24 347	0.28 433	0.22 392	0.23 399	0.15 442	0.11 415	0.20 466	0.18 465	0.12 402	0.14 430

ADCPNet	0.26 445	0.17 430	0.62 482	0.21 384	0.15 427	0.36 464	0.25 438	0.33 398	0.37 403	0.31 437	0.41 443	0.36 436	0.29 436	0.29 436	0.34 468	0.12 402	0.10 403	0.11 387	0.12 419	0.14 431	0.13 414

FBW_ROB	0.25 435	0.17 430	0.23 396	0.27 457	0.14 412	0.26 423	0.22 402	0.42 463	0.43 435	0.42 468	0.41 443	0.43 463	0.27 424	0.32 447	0.24 411	0.09 308	0.15 455	0.15 444	0.12 419	0.12 402	0.10 362

ETE_ROB	0.23 419	0.17 430	0.23 396	0.25 440	0.14 412	0.26 423	0.29 466	0.32 384	0.37 403	0.28 418	0.37 416	0.45 467	0.27 424	0.28 429	0.27 434	0.11 376	0.09 381	0.12 406	0.10 370	0.14 431	0.13 414

DDUNet	0.23 419	0.18 443	0.22 389	0.22 404	0.15 427	0.25 413	0.24 422	0.30 364	0.31 359	0.31 437	0.37 416	0.34 429	0.26 418	0.25 415	0.21 375	0.18 465	0.13 441	0.17 453	0.11 399	0.16 454	0.17 462

FINET	0.22 406	0.18 443	0.28 418	0.19 306	0.16 439	0.24 405	0.24 422	0.33 398	0.49 452	0.26 399	0.33 394	0.22 322	0.23 397	0.23 399	0.18 338	0.18 465	0.16 460	0.11 387	0.10 370	0.15 443	0.14 430

PA-Net	0.24 429	0.18 443	0.34 445	0.28 463	0.22 472	0.22 387	0.39 490	0.29 354	0.39 413	0.22 356	0.33 394	0.25 359	0.26 418	0.21 375	0.25 418	0.10 345	0.23 484	0.15 444	0.22 472	0.09 333	0.13 414
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.25 435	0.19 446	0.34 445	0.21 384	0.24 476	0.24 405	0.21 391	0.36 431	0.42 427	0.25 396	0.32 388	0.38 445	0.21 384	0.29 436	0.24 411	0.13 419	0.11 415	0.14 433	0.16 454	0.23 472	0.23 478

RTS	0.46 485	0.19 446	3.33 517	0.25 440	0.15 427	0.72 498	0.21 391	0.37 438	0.78 498	0.42 468	0.44 455	0.31 413	0.43 479	0.55 491	0.37 474	0.10 345	0.09 381	0.13 420	0.13 430	0.15 443	0.15 444

RTSA	0.46 485	0.19 446	3.33 517	0.25 440	0.15 427	0.72 498	0.21 391	0.37 438	0.78 498	0.42 468	0.44 455	0.31 413	0.43 479	0.55 491	0.37 474	0.10 345	0.09 381	0.13 420	0.13 430	0.15 443	0.15 444

ADCS	0.30 459	0.19 446	0.48 469	0.21 384	0.18 460	0.29 443	0.24 422	0.42 463	0.64 483	0.40 462	0.50 465	0.40 456	0.37 464	0.40 475	0.43 484	0.13 419	0.13 441	0.13 420	0.14 435	0.16 454	0.16 453

Wz-Net-TNSev	0.29 456	0.20 450	0.69 493	0.19 306	0.15 427	0.38 470	0.27 449	0.36 431	0.56 470	0.35 450	0.42 450	0.45 467	0.39 467	0.33 450	0.31 458	0.13 419	0.13 441	0.10 357	0.12 419	0.15 443	0.15 444

dad	0.18 365	0.20 450	0.21 380	0.17 171	0.11 342	0.20 363	0.19 358	0.21 202	0.28 338	0.30 432	0.24 287	0.30 399	0.13 238	0.19 340	0.17 325	0.18 465	0.09 381	0.11 387	0.09 336	0.11 387	0.07 223

FADNet-RVC	0.21 398	0.20 450	0.40 457	0.21 384	0.16 439	0.21 374	0.15 187	0.27 312	0.27 322	0.26 399	0.32 388	0.26 369	0.21 384	0.22 392	0.19 352	0.12 402	0.13 441	0.12 406	0.14 435	0.13 415	0.18 465

RGC	0.25 435	0.20 450	0.29 427	0.28 463	0.16 439	0.22 387	0.23 412	0.33 398	0.44 437	0.27 406	0.40 433	0.38 445	0.28 433	0.37 466	0.23 399	0.11 376	0.13 441	0.17 453	0.17 461	0.15 443	0.16 453

NaN_ROB	0.23 419	0.20 450	0.25 405	0.25 440	0.13 396	0.31 448	0.27 449	0.34 412	0.41 425	0.31 437	0.31 379	0.32 419	0.23 397	0.31 443	0.22 388	0.11 376	0.17 464	0.10 357	0.11 399	0.08 273	0.09 336

MaskLacGwcNet_RVC	0.22 406	0.21 455	0.25 405	0.26 449	0.11 342	0.24 405	0.14 118	0.39 450	0.24 273	0.32 444	0.36 413	0.30 399	0.21 384	0.19 340	0.22 388	0.17 464	0.14 451	0.21 467	0.16 454	0.13 415	0.12 403

PVD	0.40 477	0.21 455	0.40 457	0.32 477	0.23 473	0.30 446	0.45 497	0.53 487	0.97 505	0.55 484	0.80 497	0.54 482	0.60 495	0.53 489	0.40 480	0.19 468	0.14 451	0.17 453	0.14 435	0.24 478	0.32 491

LSM	0.34 472	0.21 455	0.62 482	0.27 457	0.62 507	0.35 460	0.26 444	0.43 469	0.49 452	0.45 475	0.60 482	0.42 461	0.37 464	0.35 458	0.26 429	0.13 419	0.21 481	0.14 433	0.16 454	0.18 463	0.34 493

PS-NSSS	0.20 385	0.21 455	0.23 396	0.20 354	0.10 290	0.19 343	0.17 271	0.36 431	0.26 310	0.27 406	0.34 404	0.27 374	0.24 404	0.20 358	0.20 362	0.15 442	0.12 429	0.17 453	0.14 435	0.10 367	0.09 336

MFN_U_SF_RVC	0.33 466	0.22 459	0.58 480	0.31 474	0.15 427	0.36 464	0.17 271	0.54 488	0.46 448	0.47 478	0.56 472	0.58 484	0.39 467	0.36 462	0.38 477	0.15 442	0.15 455	0.18 462	0.21 469	0.16 454	0.16 453

DispFullNet	0.27 450	0.22 459	0.66 485	0.28 463	0.17 451	0.27 431	0.17 271	0.34 412	0.57 471	0.27 406	0.37 416	0.43 463	0.24 404	0.39 472	0.25 418	0.12 402	0.06 258	0.19 464	0.11 399	0.23 472	0.16 453

HCRNet	0.16 328	0.23 461	0.12 137	0.35 480	0.11 342	0.15 255	0.17 271	0.26 298	0.22 253	0.19 308	0.24 287	0.21 304	0.14 269	0.15 233	0.13 220	0.11 376	0.07 326	0.11 387	0.10 370	0.09 333	0.07 223

FADNet	0.21 398	0.23 461	0.37 454	0.18 248	0.17 451	0.25 413	0.13 72	0.32 384	0.32 364	0.23 371	0.25 314	0.27 374	0.21 384	0.19 340	0.16 309	0.13 419	0.15 455	0.12 406	0.15 450	0.17 461	0.18 465

XQC	0.29 456	0.23 461	0.53 472	0.29 470	0.19 464	0.36 464	0.28 455	0.37 438	0.58 474	0.31 437	0.31 379	0.37 439	0.30 447	0.39 472	0.39 478	0.13 419	0.09 381	0.15 444	0.12 419	0.18 463	0.18 465

SQANet	0.24 429	0.24 464	0.31 436	0.31 474	0.19 464	0.27 431	0.13 72	0.30 364	0.33 369	0.25 396	0.37 416	0.31 413	0.22 391	0.27 421	0.23 399	0.15 442	0.10 403	0.21 467	0.16 454	0.22 469	0.16 453

GASNet	0.22 406	0.24 464	0.34 445	0.26 449	0.17 451	0.27 431	0.16 245	0.45 475	0.42 427	0.27 406	0.24 287	0.30 399	0.16 311	0.27 421	0.18 338	0.12 402	0.09 381	0.12 406	0.11 399	0.16 454	0.08 292

EDNetEfficient	0.30 459	0.24 464	1.18 509	0.18 248	0.10 290	0.20 363	0.20 375	0.21 202	0.61 478	0.74 496	0.56 472	0.30 399	0.40 471	0.23 399	0.32 463	0.09 308	0.07 326	0.08 230	0.07 227	0.11 387	0.10 362

MFN_U_SF_DS_RVC	0.30 459	0.24 464	0.30 433	0.36 482	0.16 439	0.36 464	0.31 474	0.34 412	0.43 435	0.41 466	0.46 459	0.38 445	0.30 447	0.35 458	0.29 448	0.19 468	0.20 472	0.26 475	0.29 485	0.18 463	0.19 470

CSAN	0.30 459	0.24 464	0.28 418	0.34 478	0.19 464	0.34 456	0.42 493	0.38 445	0.51 458	0.38 458	0.40 433	0.44 466	0.34 457	0.29 436	0.31 458	0.19 468	0.16 460	0.19 464	0.19 466	0.14 431	0.15 444

PASM	0.33 466	0.25 469	0.51 471	0.28 463	0.27 482	0.30 446	0.31 474	0.35 426	0.51 458	0.36 452	0.40 433	0.47 474	0.35 460	0.34 453	0.36 470	0.23 484	0.26 486	0.26 475	0.28 484	0.23 472	0.21 474

AnyNet_C01	0.37 473	0.26 470	1.41 512	0.22 404	0.17 451	0.51 482	0.28 455	0.36 431	0.40 418	0.39 459	0.75 493	0.46 471	0.39 467	0.46 483	0.50 494	0.13 419	0.13 441	0.13 420	0.14 435	0.14 431	0.16 453

MSMD_ROB	0.31 464	0.26 470	0.26 413	0.24 433	0.21 469	0.34 456	0.25 438	0.34 412	0.39 413	0.40 462	0.69 487	0.45 467	0.41 472	0.34 453	0.28 441	0.20 473	0.20 472	0.26 475	0.25 478	0.23 472	0.22 477

FC-DCNN v2	0.33 466	0.28 472	0.28 418	0.26 449	0.23 473	0.39 472	0.29 466	0.41 458	0.44 437	0.46 476	0.57 476	0.51 477	0.41 472	0.38 470	0.30 453	0.21 476	0.20 472	0.27 478	0.26 479	0.25 480	0.24 479

ccnet	0.30 459	0.28 472	0.24 402	0.20 354	0.28 483	0.41 475	0.22 402	0.46 478	0.33 369	0.37 456	0.46 459	0.37 439	0.30 447	0.40 475	0.43 484	0.23 484	0.14 451	0.21 467	0.17 461	0.23 472	0.19 470

FCDSN-DC	0.33 466	0.28 472	0.28 418	0.30 472	0.24 476	0.39 472	0.28 455	0.43 469	0.42 427	0.44 473	0.53 469	0.51 477	0.42 476	0.37 466	0.30 453	0.21 476	0.20 472	0.27 478	0.26 479	0.25 480	0.25 481
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
BEATNet-Init1	0.54 491	0.28 472	0.68 492	0.31 474	0.21 469	0.85 506	0.31 474	0.57 490	0.69 489	0.89 503	1.00 505	2.17 520	0.66 498	0.58 495	0.44 487	0.19 468	0.18 466	0.23 472	0.22 472	0.22 469	0.21 474

SAMSARA	0.41 478	0.28 472	0.34 445	0.55 496	0.39 490	0.85 506	1.25 521	0.49 481	0.52 464	0.36 452	0.35 408	0.56 483	0.39 467	0.39 472	0.41 481	0.15 442	0.20 472	0.15 444	0.14 435	0.23 472	0.21 474

MANE	0.47 487	0.28 472	0.28 418	0.27 457	0.24 476	0.50 480	0.32 482	0.57 490	0.62 481	0.74 496	1.20 515	1.21 506	0.64 497	0.54 490	0.39 478	0.22 479	0.20 472	0.27 478	0.31 488	0.26 483	0.25 481

FC-DCNN	0.33 466	0.28 472	0.28 418	0.26 449	0.23 473	0.38 470	0.29 466	0.40 453	0.44 437	0.46 476	0.56 472	0.51 477	0.41 472	0.38 470	0.31 458	0.21 476	0.20 472	0.27 478	0.26 479	0.25 480	0.24 479

ELAS_RVC	0.42 480	0.29 479	0.33 442	0.28 463	0.24 476	0.56 486	0.38 488	0.50 482	0.61 478	0.74 496	0.76 494	0.67 491	0.56 491	0.55 491	0.42 483	0.22 479	0.21 481	0.27 478	0.26 479	0.27 485	0.26 484
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 480	0.29 479	0.34 445	0.28 463	0.24 476	0.63 490	0.37 486	0.52 485	0.52 464	0.72 493	0.82 498	0.68 493	0.56 491	0.52 487	0.45 490	0.22 479	0.21 481	0.27 478	0.26 479	0.26 483	0.26 484
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
CC-Net-ROB	0.28 452	0.31 481	0.36 453	0.30 472	0.15 427	0.25 413	0.19 358	0.45 475	0.34 380	0.39 459	0.37 416	0.39 450	0.31 452	0.27 421	0.27 434	0.24 486	0.18 466	0.30 487	0.23 476	0.19 466	0.15 444

EDNetEfficientorigin	7.92 526	0.32 482	152.98 541	0.20 354	0.10 290	0.22 387	0.17 271	0.23 243	0.60 477	0.73 494	0.67 484	0.41 459	0.51 487	0.24 410	0.41 481	0.08 256	0.07 326	0.09 312	0.07 227	0.12 402	0.11 384

PSMNet-RUCA	0.28 452	0.33 483	0.42 461	0.36 482	0.32 488	0.18 322	0.20 375	0.42 463	0.30 350	0.33 448	0.41 443	0.40 456	0.24 404	0.31 443	0.20 362	0.19 468	0.11 415	0.25 474	0.15 450	0.22 469	0.16 453

GANetREF_RVC	0.31 464	0.34 484	0.29 427	0.35 480	0.16 439	0.33 452	0.42 493	0.48 480	0.52 464	0.35 450	0.35 408	0.34 429	0.32 454	0.40 475	0.33 466	0.27 488	0.20 472	0.29 485	0.15 450	0.19 466	0.18 465
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
coex-ft	3.24 520	0.35 485	57.83 540	0.18 248	0.13 396	0.27 431	0.23 412	0.28 336	0.72 491	1.89 522	0.70 488	0.43 463	0.47 482	0.29 436	0.43 484	0.09 308	0.09 381	0.12 406	0.09 336	0.14 431	0.14 430

NVStereoNet_ROB	0.47 487	0.37 486	0.47 468	0.42 488	0.29 486	0.35 460	0.35 484	0.50 482	0.61 478	0.73 494	0.94 502	0.70 495	0.68 499	0.48 484	0.62 501	0.22 479	0.33 493	0.34 489	0.34 492	0.30 486	0.31 490
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 475	0.38 487	0.53 472	0.44 489	0.28 483	0.57 487	0.24 422	0.42 463	0.62 481	0.40 462	0.50 465	0.46 471	0.34 457	0.40 475	0.33 466	0.30 489	0.30 490	0.39 491	0.33 490	0.30 486	0.29 487

MSC_U_SF_DS_RVC	0.44 482	0.39 488	0.56 475	0.40 485	0.20 467	0.66 493	0.33 483	0.54 488	0.72 491	0.71 492	0.72 490	0.62 486	0.55 489	0.52 487	0.47 491	0.20 473	0.19 471	0.29 485	0.30 487	0.24 478	0.19 470

Ntro	0.41 478	0.40 489	0.54 474	0.46 493	0.30 487	0.64 491	0.24 422	0.47 479	0.68 486	0.42 468	0.49 463	0.47 474	0.42 476	0.40 475	0.32 463	0.32 490	0.28 488	0.37 490	0.31 488	0.33 491	0.29 487

Consistency-Raft	0.44 482	0.40 489	0.46 465	0.37 484	0.43 494	0.42 476	0.41 491	0.57 490	0.55 468	0.32 444	0.73 491	0.32 419	0.50 485	0.42 481	0.49 493	0.39 493	0.36 494	0.45 493	0.52 503	0.42 493	0.30 489

GCST	0.37 473	0.42 491	0.27 415	1.03 515	0.39 490	0.18 322	0.08 4	0.21 202	0.18 177	0.28 418	0.25 314	0.15 221	0.12 207	0.16 260	0.14 256	0.64 508	0.43 497	0.75 505	0.65 507	0.64 502	0.46 501

JetBlue	0.73 501	0.46 492	1.21 510	0.52 495	0.47 496	2.16 521	0.67 509	0.78 500	0.72 491	0.70 491	0.79 496	1.21 506	0.84 506	1.06 517	1.04 517	0.40 494	0.28 488	0.33 488	0.33 490	0.30 486	0.34 493

ACVNet_1	0.45 484	0.51 493	0.61 481	0.45 490	0.28 483	0.50 480	0.28 455	0.58 495	0.71 490	0.63 487	0.59 481	0.74 496	0.50 485	0.50 485	0.36 470	0.26 487	0.25 485	0.39 491	0.29 485	0.32 490	0.25 481

ACVNet-4b	0.39 475	0.53 494	0.56 475	0.45 490	0.24 476	0.46 478	0.18 316	0.50 482	0.64 483	0.42 468	0.45 457	0.60 485	0.27 424	0.34 453	0.24 411	0.33 491	0.14 451	0.48 494	0.42 494	0.31 489	0.27 486

anonymity	0.53 490	0.58 495	0.66 485	0.41 486	0.61 506	0.54 484	0.41 491	0.57 490	0.41 425	0.56 485	0.50 465	0.50 476	0.55 489	0.59 496	0.50 494	0.58 504	0.50 507	0.51 496	0.51 501	0.52 495	0.58 503

SGM+DAISY	0.57 493	0.58 495	0.67 489	0.41 486	0.55 500	0.68 495	0.51 499	0.57 490	0.46 448	0.67 488	0.70 488	0.69 494	0.57 493	0.64 498	0.58 499	0.59 505	0.49 504	0.50 495	0.50 500	0.52 495	0.59 506

SPS-STEREO	0.58 494	0.59 497	0.66 485	0.45 490	0.55 500	0.65 492	0.44 496	0.63 497	0.51 458	0.69 490	0.65 483	0.66 490	0.58 494	0.62 497	0.62 501	0.62 507	0.47 502	0.51 496	0.49 498	0.55 498	0.58 503
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 491	0.61 498	0.71 498	0.57 497	0.43 494	0.66 493	0.37 486	0.60 496	0.87 502	0.51 480	0.67 484	0.63 487	0.47 482	0.50 485	0.44 487	0.47 499	0.48 503	0.53 498	0.41 493	0.53 497	0.41 498

IMH-64-1	0.66 496	0.62 499	0.69 493	0.72 500	0.51 497	0.60 488	0.51 499	0.92 504	0.84 500	0.75 499	1.02 506	0.81 497	0.78 504	0.80 502	0.50 494	0.43 495	0.46 498	0.72 502	0.48 496	0.55 498	0.40 496

IMH-64	0.66 496	0.62 499	0.69 493	0.72 500	0.51 497	0.60 488	0.51 499	0.92 504	0.84 500	0.75 499	1.02 506	0.81 497	0.78 504	0.80 502	0.50 494	0.43 495	0.46 498	0.72 502	0.48 496	0.55 498	0.40 496

IMH	0.72 499	0.65 501	0.70 496	0.77 502	0.54 499	0.71 497	0.56 502	0.99 512	1.08 506	0.82 502	1.09 509	0.89 499	0.88 508	0.88 510	0.53 498	0.44 498	0.50 507	0.75 505	0.51 501	0.58 501	0.42 499

MFMNet_re	0.65 495	0.66 502	0.66 485	0.51 494	0.69 511	0.70 496	0.58 503	0.65 498	0.75 496	0.61 486	0.73 491	0.63 487	0.68 499	0.65 499	0.60 500	0.66 509	0.58 516	0.63 500	0.59 504	0.68 506	0.69 513

ACVNet_2	0.67 498	0.68 503	0.70 496	0.64 498	0.41 492	0.75 501	0.50 498	0.98 510	1.38 515	0.90 504	1.09 509	1.04 501	0.74 502	0.55 491	0.48 492	0.43 495	0.40 496	0.53 498	0.45 495	0.48 494	0.36 495

MADNet+	0.76 502	0.72 504	3.76 520	0.67 499	0.41 492	0.99 512	0.97 519	0.72 499	0.75 496	0.52 481	0.58 479	0.64 489	0.68 499	0.89 511	1.04 517	0.35 492	0.36 494	0.28 484	0.23 476	0.38 492	0.33 492

TorneroNet-64	0.76 502	0.73 505	0.77 499	0.78 504	0.58 505	0.94 511	0.58 503	0.85 503	1.26 510	0.67 488	0.88 500	1.41 513	0.76 503	0.87 508	0.68 504	0.49 500	0.46 498	0.73 504	0.59 504	0.68 506	0.54 502

TorneroNet	0.83 506	0.75 506	0.83 503	0.85 507	0.63 508	1.03 515	0.65 507	0.96 508	1.14 508	0.80 501	1.10 511	1.36 511	0.88 508	0.95 513	0.82 512	0.57 502	0.49 504	0.79 510	0.66 509	0.74 512	0.64 512

WAO-7	0.80 504	0.78 507	0.57 477	0.85 507	0.67 510	0.76 502	0.69 512	1.07 514	1.30 512	0.90 504	1.20 515	1.05 502	0.93 510	0.71 500	0.68 504	0.60 506	0.62 517	0.67 501	0.68 510	0.64 502	0.59 506

WAO-6	0.82 505	0.81 508	0.63 484	0.87 509	0.63 508	0.79 503	0.60 505	0.98 510	1.52 519	0.91 506	0.97 504	1.08 503	1.04 514	0.72 501	0.70 507	0.72 510	0.49 504	0.91 513	0.71 511	0.70 508	0.59 506

WAO-8	0.92 509	0.83 509	0.67 489	0.94 512	0.70 512	0.92 509	0.68 510	1.08 516	1.80 522	1.06 512	1.42 519	1.29 508	1.08 516	0.86 506	0.80 510	0.74 512	0.54 510	0.86 511	0.75 512	0.71 509	0.63 510

Venus	0.92 509	0.83 509	0.67 489	0.94 512	0.70 512	0.92 509	0.68 510	1.08 516	1.80 522	1.06 512	1.42 519	1.29 508	1.08 516	0.86 506	0.80 510	0.74 512	0.54 510	0.86 511	0.75 512	0.71 509	0.63 510

LVE	0.84 507	0.87 511	0.86 504	0.81 505	0.56 502	1.09 517	0.66 508	1.07 514	1.45 517	0.97 508	1.23 517	1.11 504	0.86 507	0.84 505	0.72 508	0.49 500	0.56 513	0.76 507	0.60 506	0.66 504	0.60 509

Dean	0.88 508	0.88 512	0.81 500	0.82 506	0.57 503	0.91 508	0.62 506	1.17 520	1.71 520	1.15 515	1.16 513	1.31 510	1.00 513	0.82 504	0.83 513	0.57 502	0.56 513	0.78 509	0.65 507	0.67 505	0.58 503

PWCK	0.72 499	0.95 513	0.99 507	0.77 502	0.32 488	0.79 503	0.38 488	0.92 504	0.90 503	0.96 507	0.76 494	0.97 500	0.62 496	0.87 508	0.68 504	0.73 511	0.46 498	0.76 507	0.49 498	0.71 509	0.44 500

UNDER WATER-64	0.97 511	0.96 514	1.48 514	0.88 510	0.57 503	1.24 520	0.90 517	0.78 500	0.96 504	1.05 510	0.85 499	1.56 518	1.26 520	0.97 515	0.99 515	0.88 516	0.57 515	1.04 516	0.88 516	0.81 513	0.75 514

UNDER WATER	0.99 513	1.00 515	1.47 513	1.00 514	0.71 514	1.18 519	0.86 515	0.81 502	1.09 507	1.02 509	0.90 501	1.53 517	1.26 520	1.06 517	1.02 516	0.79 514	0.54 510	1.02 515	0.88 516	0.83 514	0.75 514

notaker	0.98 512	1.13 516	1.02 508	1.14 517	0.81 515	0.73 500	0.69 512	0.94 507	1.15 509	1.19 517	1.19 514	1.41 513	1.17 519	1.10 519	0.74 509	0.82 515	0.64 518	1.18 517	0.79 514	1.02 516	0.82 517

KSHMR	1.10 515	1.19 517	0.90 506	1.26 520	1.00 519	0.99 512	0.96 518	1.13 519	1.35 513	1.16 516	1.28 518	1.40 512	0.97 512	1.03 516	0.93 514	1.03 519	1.08 521	1.20 518	1.03 520	1.03 517	0.98 519

ktn	1.02 514	1.23 518	0.82 501	1.24 519	0.86 517	1.00 514	0.86 515	0.96 508	1.37 514	1.05 510	1.12 512	1.16 505	1.06 515	0.95 513	0.62 501	1.28 521	0.71 519	1.39 521	0.83 515	1.06 518	0.77 516

DPSimNet_ROB	1.14 516	1.25 519	0.87 505	1.15 518	0.90 518	1.15 518	1.18 520	1.20 521	1.26 510	1.45 519	1.05 508	1.44 516	1.13 518	0.92 512	1.70 520	1.47 522	0.52 509	1.22 519	1.04 521	0.92 515	1.03 520

HanzoNet	1.31 517	1.29 520	1.22 511	1.13 516	0.85 516	1.05 516	0.84 514	1.06 513	1.47 518	1.66 520	1.63 521	2.48 522	1.78 522	1.63 521	1.69 519	1.27 520	0.80 520	1.32 520	1.02 519	1.07 519	0.90 518

JetRed	1.66 518	1.51 521	3.09 516	0.93 511	1.21 520	5.28 524	1.61 523	1.29 522	1.42 516	1.84 521	1.77 522	1.59 519	0.95 511	1.43 520	2.51 524	0.91 518	1.61 522	0.93 514	0.91 518	1.36 520	1.03 520

MADNet++	1.97 519	1.75 522	1.66 515	1.83 521	1.69 522	2.38 522	1.45 522	2.36 523	2.11 524	2.58 523	2.37 524	2.25 521	2.21 523	2.28 522	2.36 523	1.87 523	1.67 523	1.53 522	1.34 522	1.87 521	1.78 523

DLNR_Zeroshot_test	10.48 530	2.27 523	19.78 536	120.28 541	13.29 534	0.06 6	0.13 72	0.24 266	0.10 16	0.08 33	0.10 79	0.09 86	0.07 71	0.10 34	0.09 35	0.13 419	0.04 3	0.06 64	0.04 15	52.68 540	0.04 10

DPSMNet_ROB	8.06 527	4.50 524	8.69 530	5.36 528	10.74 530	8.32 526	22.71 530	5.47 526	13.38 531	5.13 525	9.98 528	5.10 524	10.47 530	5.53 526	12.77 531	3.80 528	8.00 529	3.49 525	6.95 528	3.75 527	7.09 530

DGTPSM_ROB	8.06 527	4.50 524	8.69 530	5.34 526	10.73 529	8.32 526	22.71 530	5.47 526	13.38 531	5.13 525	9.98 528	5.10 524	10.47 530	5.53 526	12.77 531	3.79 527	8.00 529	3.49 525	6.95 528	3.74 526	7.09 530

xxxxx1	7.75 523	5.06 526	7.26 523	3.15 523	3.91 524	16.37 531	22.88 532	5.87 528	8.68 527	7.99 527	8.55 525	9.13 529	8.46 527	10.05 529	10.47 527	2.43 524	2.48 525	3.56 527	12.26 531	3.48 523	3.02 525

tt_ll	7.75 523	5.06 526	7.26 523	3.15 523	3.91 524	16.37 531	22.88 532	5.87 528	8.68 527	7.99 527	8.55 525	9.13 529	8.46 527	10.05 529	10.47 527	2.43 524	2.48 525	3.56 527	12.26 531	3.48 523	3.02 525

ff	7.75 523	5.06 526	7.26 523	3.15 523	3.91 524	16.37 531	22.88 532	5.87 528	8.68 527	7.99 527	8.55 525	9.13 529	8.46 527	10.05 529	10.47 527	2.43 524	2.48 525	3.56 527	12.26 531	3.48 523	3.02 525

TCMNet-wrong-test	3.69 521	5.54 529	3.91 521	12.22 532	11.75 533	4.77 523	3.86 524	1.08 516	0.74 495	1.13 514	2.21 523	6.16 526	0.53 488	3.43 524	2.33 522	0.90 517	0.20 472	1.85 523	1.69 523	5.71 528	3.79 528

Anonymous_1	10.87 532	7.82 530	7.41 526	10.29 529	10.08 528	18.64 535	26.11 535	11.02 532	13.45 533	9.43 530	10.10 530	9.73 532	11.31 532	10.69 532	12.47 530	6.42 531	8.38 531	5.70 530	10.22 530	11.41 532	6.65 529

DPSM_ROB	11.10 533	8.47 531	7.95 527	10.84 530	11.58 531	19.10 536	26.50 536	12.02 533	14.09 534	10.38 531	10.91 531	10.39 533	11.92 533	11.67 533	13.39 533	6.99 532	8.79 532	5.82 531	6.92 526	6.97 529	7.31 532

DPSM	11.10 533	8.47 531	7.95 527	10.84 530	11.58 531	19.10 536	26.50 536	12.02 533	14.09 534	10.38 531	10.91 531	10.39 533	11.92 533	11.67 533	13.39 533	6.99 532	8.79 532	5.82 531	6.92 526	6.97 529	7.31 532

PML	8.57 529	9.39 533	6.24 522	5.34 526	6.36 527	13.21 530	20.99 529	5.35 525	6.68 526	17.75 535	26.46 540	7.58 527	6.08 526	7.89 528	5.76 525	5.33 529	1.83 524	5.95 533	1.93 524	8.75 531	2.53 524

LRCNet_RVC	10.76 531	13.97 534	7.97 529	19.07 534	2.04 523	0.35 460	0.31 474	5.29 524	0.48 451	13.02 533	17.65 534	8.69 528	5.73 525	4.78 525	2.22 521	23.53 538	2.69 528	27.60 539	25.75 539	17.60 536	16.54 537

CasAABBNet	22.33 537	17.11 535	15.84 532	21.94 536	23.28 537	38.30 538	53.40 540	24.05 538	28.44 539	20.66 537	21.86 537	21.03 538	24.04 538	23.35 537	27.03 539	14.06 534	17.69 537	11.70 534	13.94 535	14.04 533	14.76 535

Selective-RAFT-Error	22.39 538	17.14 536	16.01 533	22.00 537	23.34 538	38.37 539	53.36 539	24.24 540	28.53 540	20.80 538	21.94 538	20.94 537	24.02 537	23.48 539	27.33 540	14.07 535	17.70 538	11.70 534	13.93 534	14.05 534	14.83 536

LSM0	22.80 539	17.22 537	19.17 534	22.12 538	28.90 540	38.38 540	53.27 538	24.21 539	28.36 538	20.84 539	21.11 536	21.63 539	24.25 539	23.42 538	26.98 538	14.08 536	17.39 536	11.72 536	13.98 536	14.22 535	14.66 534

HaxPig	15.73 535	18.55 538	19.19 535	16.92 533	15.89 535	7.80 525	7.57 525	13.37 535	10.80 530	15.40 534	14.87 533	15.95 535	14.81 535	15.67 535	15.97 535	18.96 537	16.72 535	19.47 537	18.10 537	19.45 537	19.06 538

MEDIAN_ROB	20.38 536	24.05 539	23.36 537	21.18 535	21.62 536	10.51 529	8.17 526	17.68 536	15.46 536	20.04 536	19.65 535	20.30 536	20.16 536	21.17 536	21.03 536	23.81 539	21.77 539	24.98 538	23.75 538	25.01 538	23.94 539

AVERAGE_ROB	24.89 540	29.12 540	27.98 538	24.83 539	24.59 539	17.82 534	11.61 527	21.45 537	19.91 537	25.04 540	24.38 539	25.06 540	25.31 540	24.69 540	22.86 537	29.74 540	27.09 540	28.97 540	27.94 540	30.07 539	29.35 540

test_example2	97.69 541	92.93 541	45.57 539	96.02 540	109.84 541	88.44 541	93.70 541	25.54 541	94.63 541	130.46 542	126.87 541	58.93 541	75.48 541	87.99 541	77.94 541	150.16 541	221.11 541	76.29 541	98.21 541	108.42 541	95.33 541

ccccc		285.89 542		366.70 542	366.78 542	118.88 542		113.97 542		125.77 541		120.54 542		252.62 542		382.79 542	352.84 542	254.30 542	222.62 542	426.61 542

Low-res two-view benchmark