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

IGEV-Stereo+	0.07 2	0.04 1	0.08 12	0.15 53	0.06 8	0.04 1	0.09 5	0.10 5	0.09 6	0.06 3	0.06 3	0.06 8	0.06 26	0.06 1	0.09 34	0.06 79	0.04 3	0.05 3	0.04 15	0.06 139	0.06 148

dual_stereo	0.07 2	0.05 7	0.08 12	0.15 53	0.05 1	0.05 2	0.13 68	0.12 22	0.08 1	0.07 11	0.06 3	0.05 1	0.05 7	0.07 2	0.09 34	0.06 79	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

IGEV-Stereo++	0.07 2	0.06 33	0.08 12	0.18 241	0.06 8	0.05 2	0.10 9	0.11 11	0.11 30	0.06 3	0.07 20	0.07 37	0.06 26	0.09 17	0.09 34	0.05 4	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

PFNet+	0.12 200	0.06 33	0.14 203	0.16 101	0.09 180	0.05 2	0.12 38	0.18 144	0.21 226	0.16 244	0.19 225	0.14 190	0.10 145	0.11 69	0.11 129	0.08 250	0.05 117	0.09 303	0.08 285	0.06 139	0.11 373

StereoAnything_RVC	0.07 2	0.16 408	0.17 303	0.11 1	0.05 1	0.06 5	0.11 19	0.08 3	0.08 1	0.06 3	0.06 3	0.05 1	0.05 7	0.09 17	0.08 14	0.08 250	0.04 3	0.05 3	0.03 1	0.05 61	0.04 10

DLNR_Zeroshot_test	10.48 517	2.27 511	19.78 523	120.28 528	13.29 521	0.06 5	0.13 68	0.24 259	0.10 14	0.08 29	0.10 76	0.09 83	0.07 70	0.10 31	0.09 34	0.13 409	0.04 3	0.06 60	0.04 15	52.68 527	0.04 10

DisPM	0.11 131	0.07 92	0.13 163	0.16 101	0.09 180	0.06 5	0.13 68	0.18 144	0.17 158	0.14 193	0.19 225	0.12 149	0.10 145	0.12 139	0.11 129	0.07 196	0.05 117	0.07 150	0.06 134	0.06 139	0.11 373

Patchmatch Stereo++	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.11 19	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218
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	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.12 38	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218

ROB_FTStereo_v2	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.12 38	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218

ROB_FTStereo	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.11 19	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218

HUI-Stereo	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.11 19	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218

SST-Stereo	0.11 131	0.07 92	0.16 280	0.18 241	0.09 180	0.06 5	0.12 38	0.18 144	0.10 14	0.15 217	0.18 211	0.13 172	0.12 202	0.10 31	0.11 129	0.06 79	0.04 3	0.09 303	0.06 134	0.07 204	0.06 148

RAFT_R40	0.11 131	0.07 92	0.15 239	0.18 241	0.09 180	0.06 5	0.13 68	0.17 119	0.15 113	0.14 193	0.18 211	0.15 215	0.12 202	0.10 31	0.11 129	0.06 79	0.04 3	0.09 303	0.06 134	0.06 139	0.05 77

Pruner-Stereo	0.11 131	0.07 92	0.12 132	0.17 166	0.09 180	0.06 5	0.12 38	0.18 144	0.17 158	0.14 193	0.19 225	0.13 172	0.10 145	0.11 69	0.11 129	0.06 79	0.04 3	0.07 150	0.06 134	0.06 139	0.08 285

iGMRVC	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.12 38	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218

iRAFT	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.11 19	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218

RAFT-IKP	0.11 131	0.09 251	0.17 303	0.19 297	0.08 82	0.06 5	0.11 19	0.17 119	0.13 77	0.15 217	0.16 170	0.14 190	0.12 202	0.11 69	0.11 129	0.06 79	0.05 117	0.08 224	0.06 134	0.08 266	0.07 218

GREAT-IGEV	0.07 2	0.06 33	0.09 42	0.13 8	0.07 33	0.07 19	0.14 112	0.10 5	0.09 6	0.06 3	0.08 41	0.06 8	0.05 7	0.10 31	0.07 1	0.05 4	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

AIO_test	0.07 2	0.06 33	0.07 2	0.15 53	0.07 33	0.07 19	0.14 112	0.10 5	0.10 14	0.07 11	0.07 20	0.06 8	0.05 7	0.08 10	0.10 85	0.05 4	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

rvit_stereo_0080	0.10 92	0.08 192	0.15 239	0.15 53	0.10 284	0.07 19	0.15 181	0.16 87	0.16 135	0.11 112	0.10 76	0.15 215	0.09 125	0.12 139	0.10 85	0.09 301	0.07 319	0.07 150	0.06 134	0.07 204	0.05 77

whm_eth	0.10 92	0.08 192	0.15 239	0.15 53	0.10 284	0.07 19	0.15 181	0.16 87	0.16 135	0.11 112	0.10 76	0.15 215	0.09 125	0.12 139	0.10 85	0.09 301	0.07 319	0.07 150	0.06 134	0.07 204	0.05 77

MIM_Stereo	0.10 92	0.07 92	0.11 100	0.15 53	0.07 33	0.07 19	0.12 38	0.20 181	0.14 96	0.13 170	0.14 142	0.09 83	0.05 7	0.12 139	0.08 14	0.05 4	0.06 251	0.07 150	0.06 134	0.06 139	0.05 77

CASnet	0.09 37	0.09 251	0.09 42	0.19 297	0.06 8	0.07 19	0.11 19	0.18 144	0.14 96	0.11 112	0.10 76	0.09 83	0.07 70	0.10 31	0.10 85	0.06 79	0.04 3	0.10 348	0.08 285	0.06 139	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
test-3	0.09 37	0.06 33	0.10 66	0.18 241	0.07 33	0.07 19	0.14 112	0.12 22	0.16 135	0.10 80	0.08 41	0.08 56	0.08 100	0.11 69	0.10 85	0.05 4	0.04 3	0.07 150	0.05 68	0.04 2	0.04 10

test_1	0.09 37	0.06 33	0.10 66	0.18 241	0.07 33	0.07 19	0.14 112	0.12 22	0.16 135	0.10 80	0.08 41	0.08 56	0.08 100	0.11 69	0.10 85	0.05 4	0.04 3	0.07 150	0.05 68	0.04 2	0.04 10

HHNet	0.11 131	0.06 33	0.16 280	0.15 53	0.14 403	0.07 19	0.13 68	0.20 181	0.18 172	0.15 217	0.25 307	0.11 128	0.09 125	0.13 186	0.10 85	0.06 79	0.04 3	0.08 224	0.06 134	0.05 61	0.09 327

FTStereo	0.12 200	0.07 92	0.14 203	0.18 241	0.09 180	0.07 19	0.15 181	0.22 219	0.18 172	0.12 142	0.24 280	0.11 128	0.13 232	0.13 186	0.14 251	0.05 4	0.05 117	0.07 150	0.07 222	0.06 139	0.10 351

IRAFT_RVC	0.12 200	0.08 192	0.17 303	0.19 297	0.08 82	0.07 19	0.14 112	0.25 279	0.23 257	0.14 193	0.15 154	0.15 215	0.12 202	0.12 139	0.11 129	0.06 79	0.04 3	0.09 303	0.06 134	0.06 139	0.06 148

SCV_C0	0.08 12	0.07 92	0.08 12	0.16 101	0.10 284	0.08 30	0.14 112	0.11 11	0.13 77	0.08 29	0.07 20	0.06 8	0.05 7	0.11 69	0.07 1	0.05 4	0.05 117	0.05 3	0.04 15	0.06 139	0.05 77

DEFOM-Stereo_RVC	0.08 12	0.07 92	0.09 42	0.22 392	0.06 8	0.08 30	0.12 38	0.10 5	0.10 14	0.07 11	0.07 20	0.06 8	0.05 7	0.11 69	0.09 34	0.06 79	0.04 3	0.05 3	0.03 1	0.06 139	0.04 10

AIO_rvc	0.07 2	0.06 33	0.08 12	0.15 53	0.06 8	0.08 30	0.14 112	0.09 4	0.08 1	0.07 11	0.08 41	0.07 37	0.04 1	0.10 31	0.08 14	0.05 4	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

MonSter	0.07 2	0.06 33	0.06 1	0.15 53	0.05 1	0.08 30	0.10 9	0.15 63	0.15 113	0.05 1	0.06 3	0.05 1	0.06 26	0.07 2	0.09 34	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

IGEV-BASED-STEREO-	0.09 37	0.10 313	0.32 428	0.15 53	0.06 8	0.08 30	0.14 112	0.11 11	0.10 14	0.07 11	0.07 20	0.06 8	0.04 1	0.11 69	0.07 1	0.12 392	0.04 3	0.07 150	0.05 68	0.05 61	0.05 77

RSM	0.08 12	0.06 33	0.09 42	0.17 166	0.07 33	0.08 30	0.12 38	0.12 22	0.10 14	0.08 29	0.07 20	0.06 8	0.05 7	0.11 69	0.09 34	0.04 1	0.04 3	0.05 3	0.04 15	0.04 2	0.04 10

test_for_model	0.09 37	0.12 354	0.14 203	0.23 411	0.11 333	0.08 30	0.13 68	0.12 22	0.13 77	0.10 80	0.07 20	0.07 37	0.06 26	0.11 69	0.10 85	0.06 79	0.05 117	0.05 3	0.04 15	0.08 266	0.05 77

LoS_RVC	0.08 12	0.05 7	0.07 2	0.15 53	0.07 33	0.08 30	0.15 181	0.12 22	0.11 30	0.08 29	0.09 55	0.06 8	0.09 125	0.10 31	0.09 34	0.05 4	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

Selective-IGEV	0.07 2	0.06 33	0.09 42	0.17 166	0.06 8	0.08 30	0.12 38	0.13 36	0.08 1	0.08 29	0.07 20	0.06 8	0.04 1	0.10 31	0.09 34	0.05 4	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

HBP-ISP	0.18 356	0.13 379	0.17 303	0.15 53	0.11 333	0.08 30	0.13 68	0.28 327	0.30 342	0.22 348	0.33 384	0.21 298	0.25 399	0.23 387	0.18 332	0.15 430	0.17 452	0.21 455	0.17 449	0.10 357	0.09 327

test_4	0.11 131	0.10 313	0.08 12	0.19 297	0.09 180	0.08 30	0.21 382	0.15 63	0.18 172	0.12 142	0.18 211	0.12 149	0.09 125	0.08 10	0.11 129	0.04 1	0.04 3	0.08 224	0.08 285	0.04 2	0.04 10

GLC_STEREO	0.11 131	0.07 92	0.11 100	0.18 241	0.07 33	0.08 30	0.13 68	0.16 87	0.24 267	0.12 142	0.13 129	0.12 149	0.08 100	0.18 308	0.12 182	0.06 79	0.08 349	0.08 224	0.06 134	0.05 61	0.05 77

LCNet	0.11 131	0.07 92	0.09 42	0.19 297	0.09 180	0.08 30	0.14 112	0.21 196	0.15 113	0.12 142	0.15 154	0.16 234	0.11 173	0.12 139	0.11 129	0.05 4	0.04 3	0.08 224	0.07 222	0.06 139	0.14 418

AAGNet	0.12 200	0.08 192	0.17 303	0.19 297	0.09 180	0.08 30	0.13 68	0.19 168	0.13 77	0.16 244	0.21 251	0.13 172	0.14 262	0.11 69	0.14 251	0.06 79	0.04 3	0.09 303	0.06 134	0.06 139	0.05 77

PSM-softLoss	0.12 200	0.07 92	0.15 239	0.17 166	0.09 180	0.08 30	0.12 38	0.24 259	0.17 158	0.15 217	0.19 225	0.13 172	0.11 173	0.11 69	0.11 129	0.07 196	0.05 117	0.08 224	0.07 222	0.07 204	0.12 392

KMStereo	0.12 200	0.07 92	0.15 239	0.17 166	0.09 180	0.08 30	0.12 38	0.24 259	0.17 158	0.15 217	0.19 225	0.13 172	0.11 173	0.11 69	0.11 129	0.07 196	0.05 117	0.08 224	0.07 222	0.07 204	0.12 392

KYRaft	0.12 200	0.07 92	0.10 66	0.19 297	0.09 180	0.08 30	0.15 181	0.23 237	0.12 51	0.13 170	0.16 170	0.20 291	0.10 145	0.12 139	0.11 129	0.06 79	0.04 3	0.08 224	0.08 285	0.06 139	0.15 432

ASMatch	0.11 131	0.06 33	0.13 163	0.17 166	0.10 284	0.08 30	0.14 112	0.18 144	0.16 135	0.12 142	0.16 170	0.16 234	0.11 173	0.13 186	0.11 129	0.05 4	0.04 3	0.06 60	0.06 134	0.04 2	0.09 327

DeepStereo_RVC	0.11 131	0.08 192	0.17 303	0.18 241	0.08 82	0.08 30	0.11 19	0.17 119	0.12 51	0.13 170	0.15 154	0.12 149	0.12 202	0.12 139	0.11 129	0.06 79	0.04 3	0.07 150	0.06 134	0.07 204	0.08 285

RAFT-345	0.11 131	0.07 92	0.16 280	0.17 166	0.08 82	0.08 30	0.12 38	0.16 87	0.10 14	0.11 112	0.34 394	0.09 83	0.10 145	0.11 69	0.12 182	0.05 4	0.05 117	0.07 150	0.06 134	0.04 2	0.05 77

GMM-Stereo	0.11 131	0.07 92	0.10 66	0.18 241	0.09 180	0.08 30	0.14 112	0.24 259	0.16 135	0.11 112	0.15 154	0.13 172	0.11 173	0.11 69	0.11 129	0.05 4	0.04 3	0.08 224	0.07 222	0.06 139	0.09 327

HI	0.11 131	0.06 33	0.12 132	0.13 8	0.09 180	0.09 51	0.14 112	0.22 219	0.11 30	0.20 321	0.17 188	0.14 190	0.10 145	0.16 255	0.09 34	0.05 4	0.04 3	0.07 150	0.08 285	0.07 204	0.06 148

CoSv	0.11 131	0.06 33	0.12 132	0.13 8	0.09 180	0.09 51	0.14 112	0.22 219	0.11 30	0.20 321	0.17 188	0.14 190	0.10 145	0.16 255	0.09 34	0.05 4	0.04 3	0.07 150	0.08 285	0.07 204	0.06 148

FoundationStereo	0.06 1	0.04 1	0.08 12	0.13 8	0.05 1	0.09 51	0.13 68	0.06 1	0.09 6	0.05 1	0.05 1	0.06 8	0.04 1	0.07 2	0.07 1	0.06 79	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

HUF	0.08 12	0.05 7	0.08 12	0.14 20	0.06 8	0.09 51	0.13 68	0.13 36	0.13 77	0.07 11	0.07 20	0.09 83	0.06 26	0.10 31	0.09 34	0.06 79	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

AIO-test1	0.10 92	0.07 92	0.11 100	0.24 421	0.07 33	0.09 51	0.13 68	0.22 219	0.15 113	0.11 112	0.12 115	0.09 83	0.07 70	0.11 69	0.09 34	0.06 79	0.05 117	0.09 303	0.10 361	0.04 2	0.07 218

GIP-stereo	0.08 12	0.06 33	0.11 100	0.15 53	0.07 33	0.09 51	0.13 68	0.15 63	0.11 30	0.07 11	0.08 41	0.05 1	0.04 1	0.10 31	0.07 1	0.05 4	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

fffft	0.09 37	0.06 33	0.12 132	0.16 101	0.07 33	0.09 51	0.16 238	0.12 22	0.11 30	0.09 51	0.07 20	0.09 83	0.06 26	0.11 69	0.12 182	0.05 4	0.04 3	0.06 60	0.05 68	0.04 2	0.05 77
1: 1. 1
DEFOM-Stereo	0.07 2	0.05 7	0.07 2	0.14 20	0.06 8	0.09 51	0.13 68	0.07 2	0.13 77	0.06 3	0.07 20	0.06 8	0.05 7	0.10 31	0.09 34	0.05 4	0.04 3	0.05 3	0.03 1	0.04 2	0.04 10

SMoEStereo_RVC	0.08 12	0.06 33	0.12 132	0.16 101	0.07 33	0.09 51	0.13 68	0.11 11	0.14 96	0.09 51	0.07 20	0.07 37	0.07 70	0.12 139	0.10 85	0.05 4	0.04 3	0.06 60	0.05 68	0.04 2	0.04 10

Occ-G	0.08 12	0.05 7	0.07 2	0.14 20	0.07 33	0.09 51	0.14 112	0.14 49	0.15 113	0.07 11	0.12 115	0.07 37	0.05 7	0.09 17	0.10 85	0.06 79	0.05 117	0.05 3	0.04 15	0.05 61	0.06 148

AIO-Stereo-zeroshot1	0.11 131	0.05 7	0.14 203	0.16 101	0.21 457	0.09 51	0.17 264	0.21 196	0.16 135	0.11 112	0.15 154	0.10 108	0.07 70	0.10 31	0.08 14	0.06 79	0.05 117	0.07 150	0.07 222	0.07 204	0.09 327

AIO-Stereo	0.08 12	0.06 33	0.10 66	0.18 241	0.06 8	0.09 51	0.11 19	0.16 87	0.09 6	0.09 51	0.08 41	0.07 37	0.05 7	0.11 69	0.08 14	0.05 4	0.05 117	0.05 3	0.04 15	0.04 2	0.04 10

RSM++	0.08 12	0.06 33	0.09 42	0.17 166	0.07 33	0.09 51	0.12 38	0.11 11	0.11 30	0.08 29	0.06 3	0.07 37	0.05 7	0.10 31	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.05 61	0.03 1

RAFT-Stereo-weight	0.09 37	0.06 33	0.11 100	0.16 101	0.07 33	0.09 51	0.14 112	0.19 168	0.16 135	0.11 112	0.10 76	0.08 56	0.06 26	0.10 31	0.11 129	0.06 79	0.04 3	0.06 60	0.04 15	0.04 2	0.04 10

MGS-Stereo	0.09 37	0.07 92	0.12 132	0.16 101	0.08 82	0.09 51	0.15 181	0.12 22	0.12 51	0.07 11	0.10 76	0.08 56	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.06 139	0.05 77

testlalala	0.08 12	0.07 92	0.17 303	0.16 101	0.08 82	0.09 51	0.12 38	0.15 63	0.10 14	0.07 11	0.09 55	0.06 8	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.04 15	0.04 2	0.04 10

4D-IteraStereo	0.10 92	0.07 92	0.10 66	0.18 241	0.07 33	0.09 51	0.15 181	0.18 144	0.15 113	0.10 80	0.11 103	0.10 108	0.07 70	0.12 139	0.09 34	0.05 4	0.03 1	0.08 224	0.07 222	0.06 139	0.05 77

CES	0.08 12	0.04 1	0.08 12	0.14 20	0.07 33	0.09 51	0.14 112	0.11 11	0.09 6	0.08 29	0.09 55	0.11 128	0.07 70	0.12 139	0.08 14	0.06 79	0.04 3	0.05 3	0.03 1	0.05 61	0.05 77

RCA-Stereo	0.09 37	0.06 33	0.09 42	0.16 101	0.06 8	0.09 51	0.13 68	0.18 144	0.14 96	0.10 80	0.11 103	0.08 56	0.07 70	0.12 139	0.11 129	0.06 79	0.04 3	0.06 60	0.05 68	0.05 61	0.04 10

CroCo-Stereo Lap2	0.09 37	0.09 251	0.08 12	0.22 392	0.09 180	0.09 51	0.18 308	0.16 87	0.12 51	0.09 51	0.10 76	0.05 1	0.05 7	0.08 10	0.08 14	0.06 79	0.06 251	0.07 150	0.05 68	0.06 139	0.05 77

DCANet-4	0.11 131	0.07 92	0.13 163	0.16 101	0.06 8	0.09 51	0.17 264	0.18 144	0.20 212	0.13 170	0.17 188	0.09 83	0.14 262	0.12 139	0.13 215	0.06 79	0.04 3	0.05 3	0.04 15	0.04 2	0.05 77

fff	0.10 92	0.06 33	0.12 132	0.15 53	0.07 33	0.09 51	0.17 264	0.16 87	0.21 226	0.13 170	0.17 188	0.10 108	0.11 173	0.12 139	0.13 215	0.06 79	0.04 3	0.05 3	0.04 15	0.04 2	0.05 77

ADStereo(finetuned)	0.10 92	0.06 33	0.13 163	0.16 101	0.06 8	0.09 51	0.17 264	0.16 87	0.20 212	0.13 170	0.18 211	0.10 108	0.12 202	0.12 139	0.12 182	0.06 79	0.04 3	0.05 3	0.04 15	0.05 61	0.05 77

iRaft-Stereo_5w	0.12 200	0.09 251	0.12 132	0.20 345	0.08 82	0.09 51	0.12 38	0.22 219	0.22 248	0.19 300	0.14 142	0.11 128	0.09 125	0.20 347	0.16 303	0.05 4	0.05 117	0.07 150	0.06 134	0.05 61	0.06 148

TransformOpticalFlow	0.10 92	0.08 192	0.13 163	0.18 241	0.07 33	0.09 51	0.15 181	0.19 168	0.16 135	0.12 142	0.16 170	0.11 128	0.11 173	0.11 69	0.11 129	0.05 4	0.04 3	0.06 60	0.06 134	0.05 61	0.05 77

OMP-Stereo	0.11 131	0.07 92	0.14 203	0.18 241	0.08 82	0.09 51	0.12 38	0.21 196	0.21 226	0.13 170	0.14 142	0.11 128	0.12 202	0.11 69	0.13 215	0.06 79	0.05 117	0.07 150	0.06 134	0.05 61	0.04 10

PFNet	0.12 200	0.06 33	0.17 303	0.18 241	0.08 82	0.09 51	0.15 181	0.26 291	0.20 212	0.16 244	0.16 170	0.14 190	0.12 202	0.13 186	0.11 129	0.06 79	0.04 3	0.07 150	0.06 134	0.05 61	0.05 77

GrayStereo	0.11 131	0.06 33	0.11 100	0.19 297	0.09 180	0.09 51	0.16 238	0.18 144	0.17 158	0.14 193	0.17 188	0.17 251	0.11 173	0.12 139	0.11 129	0.05 4	0.05 117	0.07 150	0.06 134	0.06 139	0.10 351

AnonymousM	0.10 92	0.06 33	0.10 66	0.14 20	0.07 33	0.09 51	0.13 68	0.19 168	0.14 96	0.13 170	0.12 115	0.09 83	0.08 100	0.13 186	0.10 85	0.08 250	0.05 117	0.08 224	0.05 68	0.05 61	0.05 77

CroCo-Stereo	0.09 37	0.08 192	0.08 12	0.22 392	0.09 180	0.09 51	0.18 308	0.16 87	0.12 51	0.07 11	0.07 20	0.08 56	0.06 26	0.08 10	0.07 1	0.07 196	0.05 117	0.06 60	0.04 15	0.05 61	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
CREStereo++_RVC	0.08 12	0.04 1	0.07 2	0.13 8	0.07 33	0.09 51	0.12 38	0.14 49	0.14 96	0.10 80	0.14 142	0.08 56	0.07 70	0.10 31	0.11 129	0.06 79	0.04 3	0.05 3	0.05 68	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
raftrobust	0.09 37	0.06 33	0.11 100	0.17 166	0.08 82	0.09 51	0.10 9	0.18 144	0.16 135	0.10 80	0.09 55	0.12 149	0.08 100	0.12 139	0.10 85	0.08 250	0.05 117	0.06 60	0.05 68	0.05 61	0.06 148

DCANet	0.10 92	0.06 33	0.12 132	0.16 101	0.06 8	0.09 51	0.17 264	0.16 87	0.20 212	0.13 170	0.18 211	0.10 108	0.11 173	0.11 69	0.12 182	0.06 79	0.04 3	0.05 3	0.04 15	0.05 61	0.05 77

csc	0.10 92	0.06 33	0.12 132	0.15 53	0.07 33	0.09 51	0.17 264	0.16 87	0.21 226	0.13 170	0.17 188	0.10 108	0.11 173	0.12 139	0.13 215	0.06 79	0.04 3	0.05 3	0.04 15	0.04 2	0.05 77

cscssc	0.10 92	0.06 33	0.12 132	0.15 53	0.07 33	0.09 51	0.17 264	0.16 87	0.21 226	0.13 170	0.17 188	0.10 108	0.11 173	0.12 139	0.13 215	0.06 79	0.04 3	0.05 3	0.04 15	0.04 2	0.05 77

CFNet-RSSM	0.09 37	0.07 92	0.10 66	0.16 101	0.07 33	0.09 51	0.15 181	0.17 119	0.18 172	0.08 29	0.12 115	0.11 128	0.09 125	0.12 139	0.10 85	0.06 79	0.04 3	0.06 60	0.04 15	0.04 2	0.04 10

HART	0.08 12	0.07 92	0.09 42	0.18 241	0.07 33	0.10 87	0.16 238	0.13 36	0.11 30	0.09 51	0.10 76	0.08 56	0.05 7	0.10 31	0.08 14	0.05 4	0.04 3	0.06 60	0.04 15	0.05 61	0.04 10

SCV	0.08 12	0.09 251	0.08 12	0.15 53	0.08 82	0.10 87	0.12 38	0.11 11	0.12 51	0.07 11	0.07 20	0.06 8	0.04 1	0.10 31	0.08 14	0.05 4	0.05 117	0.06 60	0.04 15	0.06 139	0.04 10

IGEV-RUCA	0.08 12	0.06 33	0.11 100	0.14 20	0.09 180	0.10 87	0.12 38	0.10 5	0.12 51	0.06 3	0.07 20	0.08 56	0.06 26	0.09 17	0.08 14	0.06 79	0.05 117	0.05 3	0.04 15	0.05 61	0.06 148

999	0.09 37	0.06 33	0.13 163	0.15 53	0.08 82	0.10 87	0.14 112	0.15 63	0.12 51	0.10 80	0.08 41	0.08 56	0.08 100	0.16 255	0.10 85	0.06 79	0.04 3	0.06 60	0.05 68	0.04 2	0.06 148

PAM_32	0.10 92	0.06 33	0.17 303	0.15 53	0.08 82	0.10 87	0.15 181	0.14 49	0.16 135	0.09 51	0.08 41	0.10 108	0.07 70	0.14 210	0.09 34	0.06 79	0.05 117	0.06 60	0.06 134	0.05 61	0.06 148

PAM	0.10 92	0.06 33	0.17 303	0.15 53	0.09 180	0.10 87	0.16 238	0.15 63	0.16 135	0.12 142	0.09 55	0.10 108	0.07 70	0.13 186	0.09 34	0.06 79	0.05 117	0.06 60	0.06 134	0.05 61	0.06 148

rvit_0105_6	0.14 255	0.09 251	0.18 335	0.17 166	0.10 284	0.10 87	0.17 264	0.19 168	0.26 303	0.12 142	0.18 211	0.17 251	0.13 232	0.18 308	0.13 215	0.15 430	0.11 406	0.12 394	0.10 361	0.09 326	0.06 148

UGAM-zero	0.10 92	0.05 7	0.15 239	0.15 53	0.08 82	0.10 87	0.13 68	0.20 181	0.15 113	0.11 112	0.15 154	0.07 37	0.08 100	0.09 17	0.10 85	0.06 79	0.05 117	0.06 60	0.05 68	0.05 61	0.06 148

GCAP-BAT	0.09 37	0.07 92	0.14 203	0.15 53	0.08 82	0.10 87	0.12 38	0.15 63	0.11 30	0.11 112	0.10 76	0.09 83	0.07 70	0.12 139	0.10 85	0.06 79	0.05 117	0.06 60	0.04 15	0.04 2	0.04 10

U	0.08 12	0.07 92	0.10 66	0.19 297	0.10 284	0.10 87	0.13 68	0.12 22	0.17 158	0.07 11	0.07 20	0.06 8	0.05 7	0.07 2	0.09 34	0.06 79	0.04 3	0.06 60	0.04 15	0.06 139	0.05 77

testlalala2	0.10 92	0.06 33	0.11 100	0.20 345	0.10 284	0.10 87	0.11 19	0.17 119	0.13 77	0.12 142	0.13 129	0.09 83	0.08 100	0.11 69	0.13 215	0.06 79	0.05 117	0.05 3	0.04 15	0.05 61	0.05 77

MoCha-V2	0.08 12	0.05 7	0.11 100	0.20 345	0.07 33	0.10 87	0.14 112	0.12 22	0.08 1	0.07 11	0.08 41	0.07 37	0.06 26	0.09 17	0.08 14	0.05 4	0.05 117	0.05 3	0.04 15	0.04 2	0.04 10

IGEV++	0.08 12	0.06 33	0.09 42	0.18 241	0.07 33	0.10 87	0.13 68	0.10 5	0.10 14	0.08 29	0.08 41	0.06 8	0.05 7	0.13 186	0.09 34	0.05 4	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

AE-Stereo	0.10 92	0.08 192	0.11 100	0.19 297	0.09 180	0.10 87	0.15 181	0.14 49	0.20 212	0.09 51	0.15 154	0.12 149	0.08 100	0.11 69	0.10 85	0.05 4	0.06 251	0.07 150	0.06 134	0.05 61	0.04 10

MSKI-zero shot	0.09 37	0.05 7	0.09 42	0.16 101	0.07 33	0.10 87	0.13 68	0.15 63	0.14 96	0.09 51	0.09 55	0.09 83	0.06 26	0.12 139	0.11 129	0.06 79	0.04 3	0.05 3	0.04 15	0.04 2	0.05 77

MIF-Stereo (partial)	0.11 131	0.06 33	0.10 66	0.19 297	0.10 284	0.10 87	0.12 38	0.17 119	0.19 193	0.14 193	0.16 170	0.10 108	0.11 173	0.12 139	0.12 182	0.08 250	0.05 117	0.08 224	0.07 222	0.06 139	0.07 218

testlalala_base	0.10 92	0.09 251	0.14 203	0.21 375	0.08 82	0.10 87	0.14 112	0.13 36	0.11 30	0.08 29	0.15 154	0.07 37	0.08 100	0.11 69	0.12 182	0.08 250	0.05 117	0.05 3	0.03 1	0.07 204	0.05 77

CAS	0.08 12	0.04 1	0.07 2	0.17 166	0.08 82	0.10 87	0.13 68	0.12 22	0.09 6	0.09 51	0.10 76	0.08 56	0.06 26	0.09 17	0.09 34	0.08 250	0.04 3	0.05 3	0.03 1	0.05 61	0.04 10

MC-Stereo	0.09 37	0.07 92	0.09 42	0.17 166	0.06 8	0.10 87	0.14 112	0.12 22	0.11 30	0.09 51	0.12 115	0.09 83	0.06 26	0.11 69	0.10 85	0.06 79	0.04 3	0.06 60	0.05 68	0.04 2	0.04 10

TRStereo	0.10 92	0.05 7	0.12 132	0.16 101	0.12 362	0.10 87	0.13 68	0.18 144	0.19 193	0.09 51	0.09 55	0.09 83	0.07 70	0.10 31	0.08 14	0.07 196	0.05 117	0.07 150	0.07 222	0.04 2	0.04 10

STrans-v2	0.10 92	0.07 92	0.13 163	0.18 241	0.08 82	0.10 87	0.14 112	0.22 219	0.11 30	0.11 112	0.15 154	0.12 149	0.10 145	0.11 69	0.12 182	0.05 4	0.04 3	0.06 60	0.06 134	0.05 61	0.05 77

NF-Stereo	0.11 131	0.07 92	0.13 163	0.17 166	0.09 180	0.10 87	0.13 68	0.23 237	0.19 193	0.12 142	0.17 188	0.12 149	0.12 202	0.11 69	0.11 129	0.06 79	0.04 3	0.07 150	0.06 134	0.07 204	0.12 392

OCTAStereo	0.11 131	0.07 92	0.14 203	0.17 166	0.09 180	0.10 87	0.13 68	0.23 237	0.19 193	0.12 142	0.17 188	0.12 149	0.12 202	0.11 69	0.11 129	0.06 79	0.04 3	0.07 150	0.06 134	0.07 204	0.11 373

NRIStereo	0.11 131	0.08 192	0.15 239	0.18 241	0.08 82	0.10 87	0.13 68	0.17 119	0.15 113	0.12 142	0.15 154	0.13 172	0.13 232	0.13 186	0.10 85	0.06 79	0.04 3	0.07 150	0.06 134	0.06 139	0.07 218

PSM-AAD	0.11 131	0.07 92	0.10 66	0.20 345	0.09 180	0.10 87	0.14 112	0.21 196	0.13 77	0.12 142	0.14 142	0.18 265	0.11 173	0.11 69	0.10 85	0.05 4	0.05 117	0.09 303	0.08 285	0.06 139	0.14 418

RE-Stereo	0.11 131	0.07 92	0.13 163	0.17 166	0.09 180	0.10 87	0.13 68	0.23 237	0.19 193	0.12 142	0.17 188	0.12 149	0.12 202	0.11 69	0.11 129	0.06 79	0.04 3	0.07 150	0.06 134	0.07 204	0.11 373

TVStereo	0.11 131	0.07 92	0.13 163	0.17 166	0.09 180	0.10 87	0.13 68	0.23 237	0.19 193	0.12 142	0.17 188	0.12 149	0.12 202	0.11 69	0.11 129	0.06 79	0.04 3	0.07 150	0.06 134	0.07 204	0.11 373

CRE-IMP	0.11 131	0.09 251	0.16 280	0.19 297	0.09 180	0.10 87	0.12 38	0.18 144	0.10 14	0.14 193	0.14 142	0.14 190	0.13 232	0.12 139	0.12 182	0.07 196	0.04 3	0.08 224	0.06 134	0.08 266	0.08 285

rafts_anoy	0.11 131	0.06 33	0.10 66	0.17 166	0.08 82	0.10 87	0.14 112	0.18 144	0.14 96	0.13 170	0.13 129	0.12 149	0.11 173	0.11 69	0.13 215	0.07 196	0.05 117	0.09 303	0.11 388	0.07 204	0.06 148

raft+_RVC	0.11 131	0.07 92	0.09 42	0.16 101	0.07 33	0.10 87	0.11 19	0.24 259	0.20 212	0.12 142	0.15 154	0.12 149	0.08 100	0.12 139	0.13 215	0.07 196	0.04 3	0.07 150	0.06 134	0.05 61	0.05 77

111	0.11 131	0.06 33	0.12 132	0.15 53	0.07 33	0.10 87	0.14 112	0.21 196	0.24 267	0.11 112	0.12 115	0.14 190	0.12 202	0.13 186	0.10 85	0.06 79	0.04 3	0.06 60	0.04 15	0.06 139	0.05 77

RAFT-Stereo + iAFF	0.09 37	0.06 33	0.10 66	0.17 166	0.07 33	0.10 87	0.15 181	0.17 119	0.15 113	0.10 80	0.10 76	0.08 56	0.09 125	0.12 139	0.10 85	0.05 4	0.04 3	0.06 60	0.06 134	0.04 2	0.03 1

AFF-stereo	0.09 37	0.07 92	0.10 66	0.17 166	0.07 33	0.10 87	0.15 181	0.18 144	0.10 14	0.10 80	0.11 103	0.09 83	0.10 145	0.12 139	0.10 85	0.05 4	0.04 3	0.07 150	0.07 222	0.04 2	0.04 10

EAI-Stereo	0.09 37	0.07 92	0.11 100	0.16 101	0.07 33	0.10 87	0.15 181	0.16 87	0.09 6	0.08 29	0.09 55	0.08 56	0.07 70	0.09 17	0.11 129	0.05 4	0.05 117	0.05 3	0.05 68	0.05 61	0.04 10

Gwc-CoAtRS	0.09 37	0.07 92	0.10 66	0.16 101	0.07 33	0.10 87	0.15 181	0.18 144	0.17 158	0.08 29	0.10 76	0.12 149	0.09 125	0.12 139	0.09 34	0.06 79	0.04 3	0.06 60	0.04 15	0.04 2	0.05 77

AIO-test2	0.10 92	0.08 192	0.10 66	0.23 411	0.09 180	0.11 122	0.11 19	0.23 237	0.24 267	0.08 29	0.09 55	0.08 56	0.05 7	0.10 31	0.08 14	0.06 79	0.05 117	0.08 224	0.09 328	0.05 61	0.05 77

castereo	0.09 37	0.06 33	0.11 100	0.15 53	0.06 8	0.11 122	0.14 112	0.14 49	0.18 172	0.08 29	0.10 76	0.11 128	0.08 100	0.09 17	0.10 85	0.05 4	0.04 3	0.05 3	0.04 15	0.04 2	0.04 10

mms	0.09 37	0.07 92	0.08 12	0.17 166	0.08 82	0.11 122	0.15 181	0.12 22	0.11 30	0.09 51	0.09 55	0.08 56	0.06 26	0.11 69	0.12 182	0.05 4	0.04 3	0.07 150	0.05 68	0.04 2	0.04 10

ours_stereo	0.09 37	0.07 92	0.09 42	0.17 166	0.08 82	0.11 122	0.16 238	0.11 11	0.12 51	0.08 29	0.10 76	0.08 56	0.06 26	0.12 139	0.12 182	0.05 4	0.04 3	0.06 60	0.05 68	0.04 2	0.04 10

tg	0.10 92	0.06 33	0.10 66	0.18 241	0.08 82	0.11 122	0.16 238	0.20 181	0.12 51	0.08 29	0.11 103	0.11 128	0.07 70	0.11 69	0.10 85	0.05 4	0.04 3	0.08 224	0.08 285	0.04 2	0.04 10

rvit_stereo_0083	0.12 200	0.08 192	0.17 303	0.16 101	0.09 180	0.11 122	0.15 181	0.15 63	0.26 303	0.11 112	0.14 142	0.13 172	0.10 145	0.12 139	0.13 215	0.10 337	0.08 349	0.09 303	0.07 222	0.07 204	0.06 148

WCG-NET	0.08 12	0.05 7	0.10 66	0.15 53	0.06 8	0.11 122	0.14 112	0.13 36	0.14 96	0.07 11	0.09 55	0.07 37	0.06 26	0.13 186	0.08 14	0.05 4	0.04 3	0.06 60	0.04 15	0.04 2	0.03 1

rvit_stereo_0081	0.11 131	0.08 192	0.16 280	0.16 101	0.09 180	0.11 122	0.14 112	0.14 49	0.24 267	0.11 112	0.13 129	0.14 190	0.09 125	0.11 69	0.12 182	0.10 337	0.07 319	0.08 224	0.07 222	0.07 204	0.06 148

rvit_stereo_0082	0.11 131	0.08 192	0.16 280	0.16 101	0.09 180	0.11 122	0.14 112	0.14 49	0.24 267	0.11 112	0.13 129	0.14 190	0.09 125	0.11 69	0.12 182	0.10 337	0.07 319	0.08 224	0.07 222	0.07 204	0.06 148

WCG-NET（raft）	0.08 12	0.05 7	0.10 66	0.15 53	0.06 8	0.11 122	0.13 68	0.15 63	0.12 51	0.08 29	0.07 20	0.06 8	0.06 26	0.13 186	0.08 14	0.05 4	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

DispNO	0.15 292	0.09 251	0.18 335	0.19 297	0.12 362	0.11 122	0.21 382	0.23 237	0.29 337	0.18 286	0.23 269	0.19 274	0.17 326	0.16 255	0.16 303	0.07 196	0.05 117	0.08 224	0.08 285	0.07 204	0.06 148

ff7	0.09 37	0.07 92	0.11 100	0.16 101	0.09 180	0.11 122	0.15 181	0.16 87	0.12 51	0.10 80	0.06 3	0.06 8	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148

IGEVStereo-DCA	0.09 37	0.07 92	0.11 100	0.16 101	0.10 284	0.11 122	0.15 181	0.16 87	0.12 51	0.10 80	0.06 3	0.08 56	0.06 26	0.10 31	0.09 34	0.06 79	0.05 117	0.06 60	0.05 68	0.05 61	0.06 148

ffff	0.09 37	0.07 92	0.11 100	0.16 101	0.09 180	0.11 122	0.15 181	0.16 87	0.12 51	0.10 80	0.06 3	0.06 8	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148

rrr	0.09 37	0.07 92	0.13 163	0.16 101	0.10 284	0.11 122	0.15 181	0.16 87	0.15 113	0.10 80	0.06 3	0.08 56	0.06 26	0.10 31	0.09 34	0.06 79	0.05 117	0.06 60	0.05 68	0.05 61	0.06 148

11t	0.09 37	0.07 92	0.11 100	0.16 101	0.09 180	0.11 122	0.15 181	0.16 87	0.12 51	0.10 80	0.06 3	0.06 8	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148

plain	0.11 131	0.09 251	0.10 66	0.19 297	0.09 180	0.11 122	0.14 112	0.14 49	0.13 77	0.13 170	0.15 154	0.09 83	0.12 202	0.13 186	0.12 182	0.07 196	0.05 117	0.09 303	0.06 134	0.06 139	0.06 148

GCAP-Stereo	0.09 37	0.07 92	0.13 163	0.18 241	0.06 8	0.11 122	0.07 1	0.14 49	0.12 51	0.09 51	0.10 76	0.07 37	0.09 125	0.13 186	0.10 85	0.06 79	0.05 117	0.05 3	0.04 15	0.04 2	0.05 77

RAFT-Test	0.09 37	0.06 33	0.10 66	0.16 101	0.07 33	0.11 122	0.15 181	0.16 87	0.13 77	0.09 51	0.10 76	0.11 128	0.09 125	0.12 139	0.09 34	0.06 79	0.04 3	0.05 3	0.04 15	0.05 61	0.05 77

HH	0.09 37	0.06 33	0.13 163	0.17 166	0.08 82	0.11 122	0.16 238	0.15 63	0.10 14	0.08 29	0.10 76	0.08 56	0.07 70	0.10 31	0.09 34	0.06 79	0.04 3	0.06 60	0.05 68	0.05 61	0.04 10

HanStereo	0.09 37	0.06 33	0.13 163	0.17 166	0.08 82	0.11 122	0.16 238	0.15 63	0.10 14	0.08 29	0.10 76	0.08 56	0.07 70	0.10 31	0.09 34	0.06 79	0.04 3	0.06 60	0.05 68	0.05 61	0.04 10

LL-Strereo	0.13 227	0.10 313	0.12 132	0.20 345	0.10 284	0.11 122	0.18 308	0.33 386	0.25 291	0.16 244	0.16 170	0.14 190	0.14 262	0.19 329	0.11 129	0.06 79	0.05 117	0.09 303	0.08 285	0.04 2	0.05 77

anonymousdsp	0.09 37	0.07 92	0.11 100	0.17 166	0.09 180	0.11 122	0.15 181	0.16 87	0.12 51	0.10 80	0.06 3	0.06 8	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148

EGLCR-Stereo	0.08 12	0.05 7	0.08 12	0.14 20	0.07 33	0.11 122	0.12 38	0.11 11	0.16 135	0.06 3	0.05 1	0.07 37	0.05 7	0.10 31	0.11 129	0.06 79	0.04 3	0.06 60	0.05 68	0.04 2	0.04 10

DCRE	0.11 131	0.07 92	0.13 163	0.16 101	0.11 333	0.11 122	0.17 264	0.18 144	0.17 158	0.11 112	0.18 211	0.11 128	0.10 145	0.15 228	0.11 129	0.06 79	0.05 117	0.06 60	0.06 134	0.05 61	0.05 77

ProNet	0.09 37	0.07 92	0.11 100	0.17 166	0.08 82	0.11 122	0.15 181	0.15 63	0.12 51	0.10 80	0.06 3	0.07 37	0.06 26	0.11 69	0.09 34	0.05 4	0.05 117	0.06 60	0.05 68	0.04 2	0.06 148

ccc-4	0.09 37	0.07 92	0.11 100	0.16 101	0.09 180	0.11 122	0.15 181	0.16 87	0.12 51	0.10 80	0.06 3	0.06 8	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148

IGEV-Stereo	0.09 37	0.07 92	0.11 100	0.17 166	0.09 180	0.11 122	0.15 181	0.16 87	0.12 51	0.10 80	0.06 3	0.06 8	0.06 26	0.11 69	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
IPLG	0.11 131	0.08 192	0.15 239	0.17 166	0.08 82	0.11 122	0.14 112	0.20 181	0.15 113	0.13 170	0.18 211	0.07 37	0.07 70	0.14 210	0.14 251	0.06 79	0.04 3	0.06 60	0.05 68	0.04 2	0.04 10

IIG-Stereo	0.11 131	0.06 33	0.13 163	0.17 166	0.08 82	0.11 122	0.12 38	0.22 219	0.18 172	0.14 193	0.17 188	0.12 149	0.13 232	0.12 139	0.13 215	0.06 79	0.05 117	0.07 150	0.06 134	0.06 139	0.05 77

cross-raft	0.10 92	0.09 251	0.09 42	0.19 297	0.07 33	0.11 122	0.24 411	0.13 36	0.15 113	0.08 29	0.10 76	0.12 149	0.10 145	0.09 17	0.11 129	0.05 4	0.04 3	0.06 60	0.05 68	0.04 2	0.04 10

test-1	0.10 92	0.07 92	0.17 303	0.19 297	0.08 82	0.11 122	0.24 411	0.15 63	0.18 172	0.09 51	0.07 20	0.10 108	0.08 100	0.08 10	0.09 34	0.06 79	0.04 3	0.06 60	0.06 134	0.04 2	0.05 77

iRaftStereo_RVC	0.10 92	0.07 92	0.10 66	0.17 166	0.09 180	0.11 122	0.17 264	0.18 144	0.12 51	0.09 51	0.11 103	0.10 108	0.07 70	0.11 69	0.10 85	0.05 4	0.04 3	0.08 224	0.08 285	0.04 2	0.04 10

TANstereo	0.09 37	0.04 1	0.08 12	0.13 8	0.06 8	0.11 122	0.13 68	0.15 63	0.19 193	0.11 112	0.15 154	0.10 108	0.07 70	0.12 139	0.09 34	0.07 196	0.05 117	0.05 3	0.04 15	0.06 139	0.05 77

test_xeample3	0.09 37	0.07 92	0.12 132	0.16 101	0.09 180	0.11 122	0.15 181	0.16 87	0.14 96	0.10 80	0.07 20	0.08 56	0.06 26	0.10 31	0.09 34	0.06 79	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148

R-Stereo Train	0.10 92	0.06 33	0.11 100	0.17 166	0.08 82	0.11 122	0.14 112	0.24 259	0.11 30	0.12 142	0.19 225	0.11 128	0.08 100	0.10 31	0.11 129	0.07 196	0.05 117	0.06 60	0.05 68	0.05 61	0.05 77

RAFT-Stereo	0.10 92	0.06 33	0.11 100	0.17 166	0.08 82	0.11 122	0.14 112	0.24 259	0.11 30	0.12 142	0.19 225	0.11 128	0.08 100	0.10 31	0.11 129	0.07 196	0.05 117	0.06 60	0.05 68	0.05 61	0.05 77
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MM-Stereo_test3	0.10 92	0.07 92	0.07 2	0.18 241	0.07 33	0.12 159	0.19 350	0.24 259	0.19 193	0.06 3	0.10 76	0.08 56	0.06 26	0.11 69	0.09 34	0.06 79	0.06 251	0.07 150	0.05 68	0.05 61	0.04 10

MM-Stereo_test2	0.09 37	0.07 92	0.09 42	0.19 297	0.08 82	0.12 159	0.18 308	0.15 63	0.14 96	0.07 11	0.10 76	0.07 37	0.06 26	0.12 139	0.09 34	0.05 4	0.04 3	0.06 60	0.05 68	0.06 139	0.04 10

MM-Stereo_test1	0.10 92	0.07 92	0.09 42	0.18 241	0.07 33	0.12 159	0.18 308	0.21 196	0.20 212	0.09 51	0.11 103	0.08 56	0.06 26	0.10 31	0.10 85	0.06 79	0.05 117	0.07 150	0.06 134	0.05 61	0.04 10

Reg-Stereo(zero)	0.09 37	0.05 7	0.08 12	0.16 101	0.06 8	0.12 159	0.11 19	0.15 63	0.11 30	0.12 142	0.09 55	0.10 108	0.08 100	0.11 69	0.09 34	0.06 79	0.05 117	0.05 3	0.04 15	0.04 2	0.05 77

tt45	0.09 37	0.06 33	0.11 100	0.15 53	0.07 33	0.12 159	0.15 181	0.13 36	0.12 51	0.09 51	0.06 3	0.08 56	0.06 26	0.13 186	0.10 85	0.06 79	0.04 3	0.06 60	0.05 68	0.05 61	0.06 148

rvit_0105_4	0.15 292	0.09 251	0.17 303	0.17 166	0.10 284	0.12 159	0.20 366	0.23 237	0.27 315	0.14 193	0.20 234	0.17 251	0.14 262	0.17 293	0.13 215	0.15 430	0.11 406	0.11 376	0.10 361	0.09 326	0.06 148

rvit_stereo_ft	0.12 200	0.07 92	0.13 163	0.19 297	0.10 284	0.12 159	0.17 264	0.16 87	0.16 135	0.13 170	0.13 129	0.15 215	0.10 145	0.14 210	0.13 215	0.10 337	0.06 251	0.08 224	0.07 222	0.07 204	0.06 148

trnet	0.08 12	0.05 7	0.07 2	0.12 4	0.05 1	0.12 159	0.10 9	0.13 36	0.10 14	0.08 29	0.13 129	0.09 83	0.08 100	0.11 69	0.10 85	0.08 250	0.05 117	0.05 3	0.03 1	0.06 139	0.05 77

H2IRNET	0.10 92	0.09 251	0.10 66	0.18 241	0.09 180	0.12 159	0.15 181	0.14 49	0.21 226	0.10 80	0.10 76	0.10 108	0.11 173	0.10 31	0.10 85	0.06 79	0.04 3	0.08 224	0.08 285	0.06 139	0.05 77

CoDeX	0.12 200	0.07 92	0.13 163	0.17 166	0.08 82	0.12 159	0.16 238	0.23 237	0.27 315	0.13 170	0.17 188	0.15 215	0.12 202	0.14 210	0.11 129	0.07 196	0.05 117	0.07 150	0.06 134	0.06 139	0.05 77

IGEV_Zeroshot_test	0.09 37	0.05 7	0.13 163	0.14 20	0.08 82	0.12 159	0.13 68	0.17 119	0.11 30	0.10 80	0.06 3	0.09 83	0.06 26	0.11 69	0.09 34	0.06 79	0.04 3	0.06 60	0.06 134	0.05 61	0.05 77

RAFT_CTSACE	0.12 200	0.09 251	0.10 66	0.22 392	0.08 82	0.12 159	0.24 411	0.18 144	0.17 158	0.21 335	0.27 336	0.13 172	0.07 70	0.13 186	0.09 34	0.05 4	0.06 251	0.08 224	0.07 222	0.04 2	0.04 10

SA	0.13 227	0.09 251	0.09 42	0.18 241	0.08 82	0.12 159	0.24 411	0.23 237	0.19 193	0.17 255	0.27 336	0.15 215	0.11 173	0.11 69	0.11 129	0.05 4	0.05 117	0.09 303	0.08 285	0.05 61	0.05 77

iRaft-Stereo_20w	0.09 37	0.05 7	0.13 163	0.14 20	0.09 180	0.12 159	0.15 181	0.19 168	0.11 30	0.11 112	0.08 41	0.08 56	0.05 7	0.10 31	0.09 34	0.06 79	0.04 3	0.06 60	0.05 68	0.06 139	0.05 77

UDGNet	0.14 255	0.13 379	0.17 303	0.18 241	0.10 284	0.12 159	0.16 238	0.21 196	0.27 315	0.20 321	0.20 234	0.17 251	0.13 232	0.16 255	0.14 251	0.10 337	0.06 251	0.09 303	0.07 222	0.07 204	0.07 218

IPLGR_C	0.11 131	0.08 192	0.15 239	0.17 166	0.08 82	0.12 159	0.15 181	0.17 119	0.15 113	0.14 193	0.11 103	0.16 234	0.10 145	0.16 255	0.12 182	0.07 196	0.05 117	0.06 60	0.06 134	0.05 61	0.06 148

MIPNet	0.11 131	0.08 192	0.15 239	0.17 166	0.09 180	0.12 159	0.14 112	0.21 196	0.25 291	0.12 142	0.10 76	0.09 83	0.07 70	0.13 186	0.13 215	0.06 79	0.04 3	0.06 60	0.05 68	0.04 2	0.04 10

GMOStereo	0.11 131	0.09 251	0.08 12	0.19 297	0.08 82	0.12 159	0.28 443	0.13 36	0.18 172	0.11 112	0.17 188	0.14 190	0.12 202	0.07 2	0.07 1	0.05 4	0.05 117	0.09 303	0.07 222	0.04 2	0.04 10

error version	0.11 131	0.09 251	0.08 12	0.19 297	0.08 82	0.12 159	0.28 443	0.13 36	0.18 172	0.11 112	0.17 188	0.14 190	0.12 202	0.07 2	0.07 1	0.05 4	0.05 117	0.09 303	0.07 222	0.04 2	0.04 10

test-v	0.11 131	0.09 251	0.08 12	0.19 297	0.08 82	0.12 159	0.28 443	0.13 36	0.18 172	0.11 112	0.17 188	0.14 190	0.12 202	0.07 2	0.07 1	0.05 4	0.05 117	0.09 303	0.07 222	0.04 2	0.04 10

GwcNet-ADL	0.13 227	0.08 192	0.14 203	0.20 345	0.09 180	0.12 159	0.20 366	0.30 354	0.25 291	0.14 193	0.14 142	0.18 265	0.14 262	0.13 186	0.15 285	0.07 196	0.05 117	0.06 60	0.05 68	0.07 204	0.06 148

CrosDoStereo	0.12 200	0.07 92	0.12 132	0.14 20	0.09 180	0.12 159	0.15 181	0.17 119	0.22 248	0.19 300	0.24 280	0.15 215	0.11 173	0.11 69	0.12 182	0.06 79	0.05 117	0.07 150	0.07 222	0.05 61	0.05 77

DeepStereo_LL	0.12 200	0.07 92	0.12 132	0.14 20	0.09 180	0.12 159	0.15 181	0.17 119	0.22 248	0.19 300	0.24 280	0.15 215	0.11 173	0.11 69	0.12 182	0.06 79	0.05 117	0.07 150	0.07 222	0.05 61	0.05 77

RAFT-RH_RVC	0.12 200	0.06 33	0.14 203	0.16 101	0.09 180	0.12 159	0.12 38	0.17 119	0.12 51	0.13 170	0.40 421	0.11 128	0.10 145	0.13 186	0.12 182	0.05 4	0.04 3	0.08 224	0.05 68	0.05 61	0.06 148

test-2	0.11 131	0.09 251	0.08 12	0.19 297	0.08 82	0.12 159	0.28 443	0.13 36	0.18 172	0.11 112	0.17 188	0.14 190	0.12 202	0.07 2	0.07 1	0.05 4	0.05 117	0.09 303	0.07 222	0.04 2	0.04 10

Prome-Stereo	0.11 131	0.07 92	0.11 100	0.18 241	0.09 180	0.12 159	0.14 112	0.23 237	0.13 77	0.13 170	0.16 170	0.13 172	0.08 100	0.12 139	0.10 85	0.05 4	0.05 117	0.07 150	0.06 134	0.06 139	0.10 351

HITNet	0.11 131	0.06 33	0.12 132	0.14 20	0.06 8	0.12 159	0.10 9	0.18 144	0.18 172	0.13 170	0.17 188	0.15 215	0.11 173	0.15 228	0.14 251	0.06 79	0.04 3	0.04 1	0.04 15	0.06 139	0.05 77
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
fffy	0.09 37	0.08 192	0.10 66	0.16 101	0.07 33	0.13 186	0.17 264	0.13 36	0.12 51	0.08 29	0.09 55	0.08 56	0.09 125	0.13 186	0.11 129	0.05 4	0.05 117	0.07 150	0.05 68	0.04 2	0.05 77

UGAM	0.13 227	0.10 313	0.09 42	0.22 392	0.08 82	0.13 186	0.20 366	0.18 144	0.24 267	0.22 348	0.16 170	0.13 172	0.13 232	0.19 329	0.13 215	0.07 196	0.05 117	0.13 408	0.11 388	0.07 204	0.05 77

model_zeroshot	0.10 92	0.05 7	0.12 132	0.15 53	0.09 180	0.13 186	0.14 112	0.20 181	0.14 96	0.11 112	0.10 76	0.12 149	0.07 70	0.12 139	0.11 129	0.07 196	0.06 251	0.06 60	0.05 68	0.06 139	0.06 148

ITSA-stereo	0.16 319	0.11 337	0.14 203	0.19 297	0.08 82	0.13 186	0.14 112	0.30 354	0.49 440	0.17 255	0.18 211	0.22 315	0.15 282	0.17 293	0.16 303	0.10 337	0.06 251	0.08 224	0.08 285	0.08 266	0.09 327

rvit_stereo_0075_2	0.17 341	0.12 354	0.25 393	0.23 411	0.16 428	0.13 186	0.10 9	0.30 354	0.27 315	0.20 321	0.28 345	0.22 315	0.15 282	0.18 308	0.13 215	0.16 447	0.10 394	0.17 441	0.10 361	0.10 357	0.10 351

RAStereo	0.10 92	0.09 251	0.08 12	0.20 345	0.08 82	0.13 186	0.18 308	0.16 87	0.17 158	0.10 80	0.12 115	0.05 1	0.06 26	0.09 17	0.08 14	0.07 196	0.05 117	0.07 150	0.05 68	0.05 61	0.04 10

Pointernet	0.09 37	0.05 7	0.10 66	0.16 101	0.08 82	0.13 186	0.10 9	0.15 63	0.18 172	0.09 51	0.07 20	0.06 8	0.06 26	0.11 69	0.10 85	0.08 250	0.04 3	0.05 3	0.03 1	0.06 139	0.05 77

CAS++	0.11 131	0.07 92	0.11 100	0.14 20	0.10 284	0.13 186	0.14 112	0.24 259	0.14 96	0.11 112	0.09 55	0.11 128	0.07 70	0.14 210	0.09 34	0.11 368	0.09 372	0.09 303	0.07 222	0.07 204	0.08 285
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MyStereo06	0.10 92	0.07 92	0.12 132	0.17 166	0.09 180	0.13 186	0.18 308	0.19 168	0.12 51	0.13 170	0.08 41	0.07 37	0.07 70	0.11 69	0.09 34	0.06 79	0.05 117	0.08 224	0.07 222	0.06 139	0.06 148

MyStereo05	0.13 227	0.07 92	0.10 66	0.17 166	0.09 180	0.13 186	0.18 308	0.28 327	0.35 383	0.17 255	0.14 142	0.15 215	0.11 173	0.15 228	0.13 215	0.06 79	0.05 117	0.08 224	0.07 222	0.06 139	0.06 148

ACVNet-DCA	0.10 92	0.08 192	0.13 163	0.17 166	0.09 180	0.13 186	0.15 181	0.24 259	0.16 135	0.09 51	0.09 55	0.06 8	0.06 26	0.10 31	0.07 1	0.06 79	0.05 117	0.06 60	0.05 68	0.07 204	0.07 218

xx1	0.11 131	0.08 192	0.13 163	0.17 166	0.09 180	0.13 186	0.15 181	0.16 87	0.18 172	0.09 51	0.09 55	0.16 234	0.16 303	0.10 31	0.07 1	0.06 79	0.05 117	0.08 224	0.08 285	0.07 204	0.07 218

1test111	0.11 131	0.08 192	0.13 163	0.17 166	0.09 180	0.13 186	0.15 181	0.24 259	0.16 135	0.09 51	0.09 55	0.06 8	0.06 26	0.15 228	0.16 303	0.06 79	0.05 117	0.06 60	0.05 68	0.07 204	0.07 218

cc1	0.10 92	0.08 192	0.13 163	0.17 166	0.09 180	0.13 186	0.15 181	0.16 87	0.18 172	0.09 51	0.09 55	0.06 8	0.06 26	0.10 31	0.07 1	0.06 79	0.05 117	0.06 60	0.05 68	0.06 139	0.06 148

tt1	0.10 92	0.08 192	0.13 163	0.17 166	0.09 180	0.13 186	0.15 181	0.15 63	0.19 193	0.09 51	0.08 41	0.06 8	0.06 26	0.10 31	0.08 14	0.06 79	0.05 117	0.06 60	0.05 68	0.06 139	0.06 148

UniTT-Stereo	0.09 37	0.07 92	0.08 12	0.18 241	0.08 82	0.13 186	0.11 19	0.12 22	0.11 30	0.10 80	0.12 115	0.05 1	0.06 26	0.09 17	0.10 85	0.07 196	0.06 251	0.05 3	0.05 68	0.06 139	0.05 77

EKT-Stereo	0.11 131	0.07 92	0.14 203	0.16 101	0.10 284	0.13 186	0.14 112	0.19 168	0.21 226	0.11 112	0.08 41	0.13 172	0.10 145	0.11 69	0.12 182	0.08 250	0.06 251	0.07 150	0.06 134	0.08 266	0.07 218

Any-RAFT	0.10 92	0.05 7	0.10 66	0.15 53	0.07 33	0.13 186	0.14 112	0.21 196	0.15 113	0.11 112	0.12 115	0.13 172	0.10 145	0.13 186	0.10 85	0.07 196	0.04 3	0.05 3	0.04 15	0.06 139	0.05 77

anonymousdsp2	0.11 131	0.07 92	0.11 100	0.16 101	0.09 180	0.13 186	0.14 112	0.19 168	0.23 257	0.13 170	0.14 142	0.12 149	0.09 125	0.14 210	0.11 129	0.05 4	0.05 117	0.05 3	0.04 15	0.06 139	0.06 148

CBFPSM	0.15 292	0.07 92	0.27 403	0.17 166	0.09 180	0.13 186	0.15 181	0.22 219	0.23 257	0.20 321	0.27 336	0.23 330	0.16 303	0.16 255	0.19 345	0.06 79	0.06 251	0.06 60	0.07 222	0.07 204	0.07 218

anonymousa	0.13 227	0.07 92	0.14 203	0.18 241	0.09 180	0.13 186	0.17 264	0.20 181	0.29 337	0.15 217	0.24 280	0.16 234	0.14 262	0.14 210	0.14 251	0.07 196	0.05 117	0.07 150	0.09 328	0.05 61	0.07 218

qqq	0.13 227	0.09 251	0.15 239	0.16 101	0.08 82	0.13 186	0.15 181	0.24 259	0.16 135	0.15 217	0.19 225	0.16 234	0.16 303	0.15 228	0.16 303	0.07 196	0.06 251	0.08 224	0.08 285	0.07 204	0.07 218

raft_robust	0.13 227	0.10 313	0.07 2	0.18 241	0.08 82	0.13 186	0.24 411	0.29 344	0.34 372	0.20 321	0.20 234	0.15 215	0.10 145	0.11 69	0.12 182	0.05 4	0.05 117	0.07 150	0.07 222	0.05 61	0.04 10

CIPLG	0.11 131	0.08 192	0.15 239	0.17 166	0.08 82	0.13 186	0.15 181	0.17 119	0.16 135	0.14 193	0.11 103	0.16 234	0.10 145	0.17 293	0.12 182	0.07 196	0.05 117	0.06 60	0.06 134	0.05 61	0.06 148

IPLGR	0.11 131	0.09 251	0.17 303	0.18 241	0.08 82	0.13 186	0.16 238	0.21 196	0.24 267	0.12 142	0.12 115	0.11 128	0.09 125	0.13 186	0.12 182	0.06 79	0.05 117	0.06 60	0.06 134	0.05 61	0.04 10

ACRE	0.11 131	0.08 192	0.15 239	0.17 166	0.08 82	0.13 186	0.15 181	0.17 119	0.14 96	0.14 193	0.11 103	0.16 234	0.10 145	0.16 255	0.12 182	0.07 196	0.05 117	0.06 60	0.06 134	0.05 61	0.06 148

test_3	0.11 131	0.09 251	0.10 66	0.21 375	0.08 82	0.13 186	0.25 426	0.14 49	0.21 226	0.10 80	0.10 76	0.09 83	0.10 145	0.08 10	0.11 129	0.05 4	0.04 3	0.08 224	0.07 222	0.04 2	0.04 10

PSMNet-ADL	0.15 292	0.12 354	0.13 163	0.22 392	0.09 180	0.13 186	0.20 366	0.26 291	0.23 257	0.18 286	0.20 234	0.23 330	0.17 326	0.18 308	0.18 332	0.09 301	0.08 349	0.08 224	0.11 388	0.08 266	0.07 218

XX-TBD	0.09 37	0.06 33	0.07 2	0.14 20	0.07 33	0.13 186	0.16 238	0.14 49	0.14 96	0.11 112	0.12 115	0.09 83	0.08 100	0.10 31	0.10 85	0.06 79	0.04 3	0.05 3	0.04 15	0.06 139	0.05 77

CFNet_pseudo	0.14 255	0.08 192	0.16 280	0.16 101	0.09 180	0.13 186	0.14 112	0.27 305	0.34 372	0.15 217	0.21 251	0.22 315	0.13 232	0.18 308	0.14 251	0.07 196	0.05 117	0.08 224	0.06 134	0.07 204	0.07 218

RALCasStereoNet	0.11 131	0.07 92	0.09 42	0.16 101	0.08 82	0.13 186	0.14 112	0.17 119	0.11 30	0.12 142	0.17 188	0.14 190	0.10 145	0.12 139	0.11 129	0.07 196	0.06 251	0.06 60	0.05 68	0.08 266	0.07 218

GES	0.14 255	0.08 192	0.16 280	0.15 53	0.10 284	0.13 186	0.13 68	0.28 327	0.26 303	0.17 255	0.24 280	0.19 274	0.14 262	0.16 255	0.14 251	0.08 250	0.08 349	0.07 150	0.06 134	0.08 266	0.09 327

PSMNet-RSSM	0.14 255	0.07 92	0.14 203	0.15 53	0.08 82	0.13 186	0.16 238	0.25 279	0.24 267	0.17 255	0.28 345	0.23 330	0.14 262	0.16 255	0.14 251	0.11 368	0.06 251	0.09 303	0.12 408	0.08 266	0.07 218

PMTNet	0.09 37	0.05 7	0.09 42	0.12 4	0.06 8	0.13 186	0.14 112	0.16 87	0.11 30	0.09 51	0.13 129	0.10 108	0.07 70	0.14 210	0.10 85	0.15 430	0.04 3	0.05 3	0.03 1	0.07 204	0.06 148

FADNet_RVC	0.17 341	0.14 394	0.41 447	0.20 345	0.11 333	0.13 186	0.13 68	0.27 305	0.22 248	0.21 335	0.23 269	0.20 291	0.18 337	0.15 228	0.17 319	0.08 250	0.08 349	0.12 394	0.09 328	0.11 376	0.10 351

DIP-Stereo	0.11 131	0.08 192	0.15 239	0.17 166	0.09 180	0.13 186	0.09 5	0.16 87	0.16 135	0.12 142	0.16 170	0.14 190	0.12 202	0.16 255	0.14 251	0.06 79	0.05 117	0.06 60	0.05 68	0.05 61	0.07 218
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
ccs_rob	0.14 255	0.09 251	0.16 280	0.16 101	0.09 180	0.13 186	0.14 112	0.27 305	0.34 372	0.15 217	0.21 251	0.22 315	0.13 232	0.18 308	0.14 251	0.07 196	0.05 117	0.08 224	0.07 222	0.07 204	0.07 218

castereo++	0.08 12	0.06 33	0.08 12	0.15 53	0.05 1	0.14 223	0.11 19	0.11 11	0.15 113	0.07 11	0.07 20	0.08 56	0.06 26	0.08 10	0.08 14	0.06 79	0.04 3	0.05 3	0.04 15	0.04 2	0.03 1

rvit_0105_5	0.14 255	0.10 313	0.14 203	0.17 166	0.09 180	0.14 223	0.23 403	0.24 259	0.27 315	0.14 193	0.15 154	0.18 265	0.13 232	0.17 293	0.14 251	0.14 426	0.11 406	0.10 348	0.11 388	0.08 266	0.07 218

rvit_stereo_0081_aga	0.12 200	0.09 251	0.15 239	0.18 241	0.10 284	0.14 223	0.14 112	0.14 49	0.19 193	0.10 80	0.18 211	0.16 234	0.09 125	0.12 139	0.10 85	0.10 337	0.06 251	0.08 224	0.07 222	0.07 204	0.06 148

AIO-Stereo-zeroshot	0.11 131	0.05 7	0.12 132	0.15 53	0.13 387	0.14 223	0.16 238	0.23 237	0.18 172	0.10 80	0.13 129	0.10 108	0.07 70	0.12 139	0.09 34	0.06 79	0.05 117	0.06 60	0.06 134	0.07 204	0.08 285

gcap-zeroshot	0.09 37	0.06 33	0.10 66	0.16 101	0.07 33	0.14 223	0.13 68	0.11 11	0.12 51	0.13 170	0.12 115	0.09 83	0.08 100	0.09 17	0.09 34	0.06 79	0.05 117	0.06 60	0.05 68	0.04 2	0.04 10

MyStereo07	0.10 92	0.07 92	0.10 66	0.17 166	0.09 180	0.14 223	0.17 264	0.15 63	0.15 113	0.09 51	0.06 3	0.06 8	0.07 70	0.12 139	0.09 34	0.06 79	0.05 117	0.08 224	0.07 222	0.06 139	0.06 148

MyStereo04	0.13 227	0.07 92	0.10 66	0.17 166	0.09 180	0.14 223	0.17 264	0.29 344	0.38 398	0.17 255	0.14 142	0.16 234	0.11 173	0.15 228	0.13 215	0.06 79	0.05 117	0.08 224	0.07 222	0.06 139	0.06 148

MaDis-Stereo	0.09 37	0.09 251	0.08 12	0.17 166	0.09 180	0.14 223	0.11 19	0.16 87	0.16 135	0.09 51	0.11 103	0.06 8	0.06 26	0.09 17	0.13 215	0.07 196	0.06 251	0.08 224	0.05 68	0.05 61	0.04 10

PCWNet_CMD	0.14 255	0.08 192	0.15 239	0.17 166	0.09 180	0.14 223	0.14 112	0.29 344	0.36 388	0.14 193	0.20 234	0.21 298	0.13 232	0.17 293	0.14 251	0.07 196	0.05 117	0.07 150	0.07 222	0.07 204	0.07 218

CFNet_ucs	0.15 292	0.09 251	0.17 303	0.16 101	0.11 333	0.14 223	0.14 112	0.30 354	0.34 372	0.16 244	0.24 280	0.23 330	0.14 262	0.18 308	0.15 285	0.09 301	0.06 251	0.08 224	0.07 222	0.09 326	0.09 327

AEACV	0.09 37	0.05 7	0.08 12	0.14 20	0.13 387	0.14 223	0.13 68	0.15 63	0.09 6	0.07 11	0.09 55	0.07 37	0.08 100	0.10 31	0.09 34	0.06 79	0.04 3	0.06 60	0.05 68	0.05 61	0.04 10

LoS	0.09 37	0.05 7	0.11 100	0.13 8	0.07 33	0.14 223	0.11 19	0.15 63	0.15 113	0.09 51	0.09 55	0.12 149	0.09 125	0.15 228	0.10 85	0.07 196	0.05 117	0.05 3	0.03 1	0.05 61	0.05 77
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
riskmin	0.11 131	0.06 33	0.13 163	0.14 20	0.08 82	0.14 223	0.14 112	0.18 144	0.15 113	0.12 142	0.15 154	0.17 251	0.11 173	0.14 210	0.12 182	0.09 301	0.05 117	0.07 150	0.05 68	0.08 266	0.08 285

IER	0.14 255	0.08 192	0.13 163	0.17 166	0.09 180	0.14 223	0.16 238	0.26 291	0.27 315	0.18 286	0.26 320	0.17 251	0.20 365	0.17 293	0.14 251	0.08 250	0.05 117	0.07 150	0.06 134	0.08 266	0.07 218

test_5	0.14 255	0.12 354	0.08 12	0.20 345	0.10 284	0.14 223	0.28 443	0.21 196	0.24 267	0.19 300	0.28 345	0.11 128	0.15 282	0.12 139	0.13 215	0.06 79	0.05 117	0.07 150	0.08 285	0.08 266	0.07 218

THIR-Stereo	0.12 200	0.07 92	0.11 100	0.15 53	0.08 82	0.14 223	0.16 238	0.18 144	0.25 291	0.17 255	0.24 280	0.13 172	0.13 232	0.12 139	0.14 251	0.06 79	0.05 117	0.07 150	0.07 222	0.05 61	0.05 77

DRaft	0.12 200	0.06 33	0.12 132	0.14 20	0.09 180	0.14 223	0.17 264	0.21 196	0.30 342	0.18 286	0.27 336	0.10 108	0.16 303	0.11 69	0.12 182	0.05 4	0.04 3	0.07 150	0.07 222	0.05 61	0.05 77

RALAANet	0.11 131	0.08 192	0.10 66	0.17 166	0.09 180	0.14 223	0.10 9	0.20 181	0.16 135	0.14 193	0.13 129	0.16 234	0.09 125	0.12 139	0.12 182	0.06 79	0.05 117	0.08 224	0.07 222	0.06 139	0.04 10

RAFT + AFF	0.13 227	0.08 192	0.21 368	0.20 345	0.10 284	0.14 223	0.23 403	0.27 305	0.21 226	0.12 142	0.10 76	0.12 149	0.10 145	0.16 255	0.12 182	0.08 250	0.07 319	0.09 303	0.09 328	0.06 139	0.09 327

CREStereo	0.09 37	0.05 7	0.08 12	0.11 1	0.06 8	0.14 223	0.14 112	0.14 49	0.10 14	0.09 51	0.13 129	0.09 83	0.08 100	0.12 139	0.10 85	0.08 250	0.04 3	0.05 3	0.03 1	0.06 139	0.06 148
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
ACVNet	0.15 292	0.09 251	0.15 239	0.13 8	0.12 362	0.14 223	0.20 366	0.22 219	0.34 372	0.17 255	0.26 320	0.21 298	0.17 326	0.18 308	0.21 366	0.07 196	0.06 251	0.06 60	0.06 134	0.08 266	0.06 148

cf-r	0.14 255	0.07 92	0.13 163	0.16 101	0.08 82	0.14 223	0.19 350	0.21 196	0.25 291	0.17 255	0.26 320	0.22 315	0.17 326	0.14 210	0.15 285	0.10 337	0.05 117	0.06 60	0.08 285	0.06 139	0.06 148

GANet-RSSM	0.14 255	0.07 92	0.13 163	0.13 8	0.08 82	0.14 223	0.18 308	0.23 237	0.21 226	0.17 255	0.25 307	0.24 339	0.16 303	0.16 255	0.16 303	0.10 337	0.06 251	0.07 150	0.08 285	0.08 266	0.07 218

MSMDNet	0.14 255	0.08 192	0.15 239	0.17 166	0.09 180	0.14 223	0.14 112	0.29 344	0.36 388	0.14 193	0.20 234	0.21 298	0.13 232	0.18 308	0.14 251	0.07 196	0.05 117	0.07 150	0.07 222	0.07 204	0.07 218

iResNet	0.13 227	0.10 313	0.18 335	0.19 297	0.08 82	0.14 223	0.18 308	0.21 196	0.27 315	0.16 244	0.24 280	0.15 215	0.13 232	0.14 210	0.15 285	0.06 79	0.04 3	0.06 60	0.05 68	0.06 139	0.05 77

ISRNet	0.18 356	0.08 192	0.20 361	0.19 297	0.13 387	0.15 248	0.12 38	0.30 354	0.33 361	0.21 335	0.26 320	0.27 365	0.18 337	0.17 293	0.20 353	0.20 461	0.08 349	0.14 421	0.14 423	0.14 419	0.17 450

FACV-RUCA	0.13 227	0.11 337	0.13 163	0.19 297	0.12 362	0.15 248	0.16 238	0.22 219	0.21 226	0.16 244	0.16 170	0.15 215	0.16 303	0.14 210	0.13 215	0.07 196	0.05 117	0.08 224	0.06 134	0.10 357	0.08 285

DDVS	0.16 319	0.10 313	0.22 377	0.16 101	0.12 362	0.15 248	0.14 112	0.25 279	0.19 193	0.18 286	0.30 365	0.27 365	0.13 232	0.20 347	0.16 303	0.09 301	0.06 251	0.09 303	0.07 222	0.11 376	0.11 373

rvit_0105_3	0.16 319	0.10 313	0.15 239	0.20 345	0.12 362	0.15 248	0.26 432	0.25 279	0.30 342	0.15 217	0.17 188	0.21 298	0.14 262	0.18 308	0.14 251	0.14 426	0.11 406	0.12 394	0.14 423	0.07 204	0.07 218

DCVSM-stereo	0.15 292	0.09 251	0.16 280	0.16 101	0.10 284	0.15 248	0.09 5	0.20 181	0.24 267	0.20 321	0.24 280	0.26 360	0.15 282	0.19 329	0.14 251	0.09 301	0.07 319	0.09 303	0.08 285	0.10 357	0.12 392

ACV-stereo	0.15 292	0.10 313	0.29 415	0.18 241	0.12 362	0.15 248	0.13 68	0.23 237	0.21 226	0.19 300	0.23 269	0.22 315	0.15 282	0.23 387	0.17 319	0.08 250	0.07 319	0.07 150	0.07 222	0.08 266	0.07 218

Former-RAFT_DAM_RVC	0.11 131	0.08 192	0.13 163	0.16 101	0.08 82	0.15 248	0.16 238	0.18 144	0.19 193	0.10 80	0.09 55	0.09 83	0.08 100	0.11 69	0.12 182	0.07 196	0.05 117	0.08 224	0.06 134	0.07 204	0.06 148

ttt	0.14 255	0.08 192	0.14 203	0.15 53	0.08 82	0.15 248	0.18 308	0.27 305	0.30 342	0.16 244	0.24 280	0.17 251	0.14 262	0.13 186	0.14 251	0.11 368	0.08 349	0.09 303	0.08 285	0.09 326	0.09 327

LL-Strereo2	0.11 131	0.10 313	0.16 280	0.18 241	0.08 82	0.15 248	0.09 5	0.17 119	0.14 96	0.14 193	0.11 103	0.09 83	0.07 70	0.16 255	0.10 85	0.05 4	0.05 117	0.11 376	0.07 222	0.06 139	0.05 77

CASS	0.14 255	0.12 354	0.12 132	0.23 411	0.09 180	0.15 248	0.17 264	0.19 168	0.20 212	0.17 255	0.18 211	0.15 215	0.15 282	0.15 228	0.14 251	0.09 301	0.06 251	0.10 348	0.08 285	0.09 326	0.07 218
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
knoymous	0.11 131	0.06 33	0.12 132	0.14 20	0.07 33	0.15 248	0.13 68	0.20 181	0.14 96	0.11 112	0.17 188	0.13 172	0.09 125	0.14 210	0.11 129	0.09 301	0.05 117	0.06 60	0.05 68	0.07 204	0.07 218

RAFT+CT+SA	0.13 227	0.11 337	0.09 42	0.19 297	0.09 180	0.15 248	0.28 443	0.22 219	0.22 248	0.15 217	0.26 320	0.10 108	0.10 145	0.11 69	0.12 182	0.05 4	0.04 3	0.07 150	0.08 285	0.07 204	0.06 148

BSDual-CNN	0.15 292	0.09 251	0.14 203	0.22 392	0.10 284	0.15 248	0.15 181	0.34 400	0.20 212	0.17 255	0.23 269	0.25 351	0.16 303	0.16 255	0.14 251	0.08 250	0.06 251	0.10 348	0.09 328	0.07 204	0.07 218

hknet	0.15 292	0.11 337	0.14 203	0.22 392	0.11 333	0.15 248	0.15 181	0.34 400	0.26 303	0.17 255	0.23 269	0.22 315	0.18 337	0.17 293	0.13 215	0.07 196	0.06 251	0.10 348	0.09 328	0.07 204	0.07 218

Sa-1000	0.12 200	0.08 192	0.09 42	0.18 241	0.08 82	0.15 248	0.22 393	0.22 219	0.19 193	0.15 217	0.20 234	0.17 251	0.11 173	0.10 31	0.10 85	0.06 79	0.05 117	0.09 303	0.09 328	0.05 61	0.05 77

psmg	0.14 255	0.09 251	0.14 203	0.17 166	0.10 284	0.15 248	0.17 264	0.29 344	0.20 212	0.17 255	0.21 251	0.25 351	0.16 303	0.16 255	0.14 251	0.08 250	0.07 319	0.08 224	0.08 285	0.07 204	0.07 218

dd	0.15 292	0.17 418	0.17 303	0.19 297	0.09 180	0.15 248	0.18 308	0.22 219	0.26 303	0.23 362	0.20 234	0.21 298	0.10 145	0.21 363	0.17 319	0.10 337	0.06 251	0.08 224	0.06 134	0.08 266	0.07 218

RAFT	0.13 227	0.09 251	0.11 100	0.18 241	0.08 82	0.15 248	0.23 403	0.21 196	0.20 212	0.21 335	0.21 251	0.18 265	0.13 232	0.17 293	0.10 85	0.06 79	0.07 319	0.10 348	0.09 328	0.06 139	0.05 77

TestStereo	0.14 255	0.15 400	0.11 100	0.23 411	0.08 82	0.15 248	0.21 382	0.20 181	0.23 257	0.14 193	0.25 307	0.16 234	0.13 232	0.16 255	0.14 251	0.06 79	0.06 251	0.08 224	0.06 134	0.09 326	0.05 77

XX-Stereo	0.09 37	0.05 7	0.09 42	0.17 166	0.09 180	0.15 248	0.12 38	0.21 196	0.10 14	0.10 80	0.14 142	0.07 37	0.06 26	0.13 186	0.08 14	0.06 79	0.05 117	0.06 60	0.06 134	0.04 2	0.04 10

HCRNet	0.16 319	0.23 449	0.12 132	0.35 468	0.11 333	0.15 248	0.17 264	0.26 291	0.22 248	0.19 300	0.24 280	0.21 298	0.14 262	0.15 228	0.13 215	0.11 368	0.07 319	0.11 376	0.10 361	0.09 326	0.07 218

ARAFT	0.12 200	0.08 192	0.18 335	0.19 297	0.09 180	0.15 248	0.17 264	0.20 181	0.13 77	0.12 142	0.13 129	0.14 190	0.12 202	0.15 228	0.13 215	0.06 79	0.05 117	0.10 348	0.09 328	0.06 139	0.04 10

SFCPSM	0.13 227	0.07 92	0.15 239	0.17 166	0.09 180	0.15 248	0.16 238	0.28 327	0.27 315	0.14 193	0.18 211	0.12 149	0.13 232	0.14 210	0.11 129	0.08 250	0.05 117	0.07 150	0.07 222	0.07 204	0.06 148

FENet	0.13 227	0.08 192	0.13 163	0.16 101	0.08 82	0.15 248	0.16 238	0.23 237	0.23 257	0.17 255	0.24 280	0.16 234	0.13 232	0.14 210	0.15 285	0.08 250	0.05 117	0.08 224	0.08 285	0.08 266	0.08 285

GwcNet-RSSM	0.14 255	0.07 92	0.12 132	0.16 101	0.08 82	0.15 248	0.20 366	0.22 219	0.28 331	0.18 286	0.28 345	0.23 330	0.17 326	0.15 228	0.16 303	0.10 337	0.06 251	0.07 150	0.09 328	0.07 204	0.07 218

DMCA	0.14 255	0.09 251	0.17 303	0.19 297	0.09 180	0.15 248	0.17 264	0.23 237	0.28 331	0.14 193	0.20 234	0.17 251	0.18 337	0.15 228	0.17 319	0.10 337	0.06 251	0.08 224	0.06 134	0.09 326	0.10 351

BEATNet_4x	0.12 200	0.09 251	0.15 239	0.18 241	0.07 33	0.15 248	0.07 1	0.23 237	0.19 193	0.16 244	0.19 225	0.19 274	0.14 262	0.17 293	0.15 285	0.07 196	0.05 117	0.05 3	0.05 68	0.06 139	0.07 218

NLCA_NET_v2_RVC	0.17 341	0.10 313	0.23 384	0.20 345	0.10 284	0.15 248	0.18 308	0.31 370	0.25 291	0.21 335	0.31 369	0.25 351	0.17 326	0.21 363	0.20 353	0.09 301	0.06 251	0.08 224	0.09 328	0.07 204	0.08 285
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
test_sample7	0.16 319	0.10 313	0.16 280	0.14 20	0.12 362	0.16 276	0.17 264	0.28 327	0.24 267	0.21 335	0.21 251	0.24 339	0.20 365	0.16 255	0.16 303	0.12 392	0.06 251	0.10 348	0.09 328	0.11 376	0.10 351

test_sample2	0.13 227	0.07 92	0.12 132	0.14 20	0.08 82	0.16 276	0.18 308	0.21 196	0.16 135	0.14 193	0.21 251	0.20 291	0.15 282	0.15 228	0.13 215	0.08 250	0.06 251	0.07 150	0.06 134	0.08 266	0.08 285

StereoVision	0.14 255	0.13 379	0.10 66	0.24 421	0.10 284	0.16 276	0.21 382	0.21 196	0.20 212	0.12 142	0.25 307	0.10 108	0.10 145	0.16 255	0.10 85	0.09 301	0.10 394	0.12 394	0.12 408	0.06 139	0.05 77

gwcnet-sp	0.14 255	0.07 92	0.13 163	0.18 241	0.09 180	0.16 276	0.18 308	0.24 259	0.24 267	0.19 300	0.24 280	0.15 215	0.16 303	0.16 255	0.15 285	0.08 250	0.07 319	0.07 150	0.08 285	0.08 266	0.07 218

scenet	0.14 255	0.07 92	0.13 163	0.18 241	0.09 180	0.16 276	0.18 308	0.24 259	0.24 267	0.19 300	0.24 280	0.15 215	0.16 303	0.16 255	0.15 285	0.08 250	0.07 319	0.07 150	0.08 285	0.08 266	0.07 218

ToySt	0.17 341	0.11 337	0.19 358	0.17 166	0.11 333	0.16 276	0.26 432	0.24 259	0.33 361	0.19 300	0.24 280	0.26 360	0.24 392	0.19 329	0.21 366	0.07 196	0.08 349	0.09 303	0.10 361	0.09 326	0.08 285

Selective-RAFT	0.11 131	0.11 337	0.12 132	0.21 375	0.08 82	0.16 276	0.13 68	0.21 196	0.23 257	0.10 80	0.10 76	0.11 128	0.10 145	0.15 228	0.11 129	0.05 4	0.05 117	0.06 60	0.05 68	0.06 139	0.05 77

ssnet	0.14 255	0.07 92	0.13 163	0.18 241	0.09 180	0.16 276	0.18 308	0.24 259	0.24 267	0.19 300	0.24 280	0.15 215	0.16 303	0.16 255	0.15 285	0.08 250	0.07 319	0.07 150	0.08 285	0.08 266	0.07 218

DEmStereo	0.12 200	0.06 33	0.14 203	0.14 20	0.10 284	0.16 276	0.15 181	0.16 87	0.24 267	0.17 255	0.23 269	0.12 149	0.14 262	0.12 139	0.14 251	0.05 4	0.04 3	0.07 150	0.06 134	0.05 61	0.05 77

s12784h	0.10 92	0.06 33	0.08 12	0.15 53	0.05 1	0.16 276	0.18 308	0.16 87	0.15 113	0.10 80	0.11 103	0.11 128	0.11 173	0.11 69	0.12 182	0.05 4	0.04 3	0.06 60	0.04 15	0.04 2	0.04 10

ADLNet	0.16 319	0.08 192	0.15 239	0.16 101	0.10 284	0.16 276	0.17 264	0.33 386	0.27 315	0.23 362	0.27 336	0.24 339	0.16 303	0.18 308	0.21 366	0.10 337	0.06 251	0.10 348	0.10 361	0.08 266	0.09 327

GMStereo	0.13 227	0.15 400	0.14 203	0.18 241	0.09 180	0.16 276	0.16 238	0.20 181	0.25 291	0.17 255	0.17 188	0.11 128	0.11 173	0.16 255	0.13 215	0.07 196	0.06 251	0.06 60	0.06 134	0.07 204	0.06 148
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
aanetorigin	0.22 394	0.17 418	0.57 465	0.18 241	0.10 284	0.16 276	0.19 350	0.20 181	0.33 361	0.49 467	0.48 450	0.30 389	0.28 421	0.21 363	0.24 399	0.08 250	0.07 319	0.08 224	0.07 222	0.10 357	0.09 327

acv_ft	0.15 292	0.09 251	0.16 280	0.19 297	0.10 284	0.16 276	0.17 264	0.25 279	0.34 372	0.19 300	0.26 320	0.21 298	0.17 326	0.18 308	0.19 345	0.07 196	0.06 251	0.06 60	0.06 134	0.08 266	0.06 148

STTStereo	0.18 356	0.13 379	0.28 406	0.20 345	0.11 333	0.16 276	0.21 382	0.29 344	0.23 257	0.22 348	0.30 365	0.29 382	0.18 337	0.20 347	0.20 353	0.12 392	0.11 406	0.11 376	0.14 423	0.09 326	0.08 285

HSM-Net_RVC	0.14 255	0.08 192	0.12 132	0.15 53	0.08 82	0.16 276	0.15 181	0.27 305	0.29 337	0.20 321	0.21 251	0.29 382	0.14 262	0.18 308	0.13 215	0.06 79	0.06 251	0.06 60	0.06 134	0.07 204	0.06 148
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
iResNetv2_ROB	0.15 292	0.08 192	0.16 280	0.16 101	0.08 82	0.16 276	0.13 68	0.26 291	0.36 388	0.21 335	0.29 359	0.24 339	0.13 232	0.14 210	0.14 251	0.06 79	0.06 251	0.06 60	0.04 15	0.09 326	0.08 285

MLCV	0.13 227	0.08 192	0.17 303	0.18 241	0.06 8	0.16 276	0.17 264	0.19 168	0.22 248	0.19 300	0.25 307	0.17 251	0.13 232	0.15 228	0.14 251	0.05 4	0.04 3	0.05 3	0.04 15	0.05 61	0.04 10

HSM	0.15 292	0.09 251	0.15 239	0.16 101	0.09 180	0.16 276	0.14 112	0.28 327	0.25 291	0.20 321	0.24 280	0.37 427	0.17 326	0.20 347	0.15 285	0.07 196	0.05 117	0.07 150	0.06 134	0.07 204	0.06 148

CBMV_ROB	0.19 367	0.13 379	0.18 335	0.16 101	0.11 333	0.16 276	0.12 38	0.27 305	0.29 337	0.27 396	0.31 369	0.27 365	0.24 392	0.24 398	0.16 303	0.15 430	0.18 454	0.22 459	0.20 455	0.10 357	0.12 392

NOSS_ROB	0.19 367	0.13 379	0.18 335	0.16 101	0.12 362	0.16 276	0.12 38	0.30 354	0.33 361	0.20 321	0.22 265	0.27 365	0.24 392	0.21 363	0.16 303	0.16 447	0.18 454	0.23 460	0.21 457	0.13 404	0.13 402

DN-CSS_ROB	0.13 227	0.13 379	0.17 303	0.18 241	0.10 284	0.16 276	0.08 3	0.22 219	0.19 193	0.17 255	0.23 269	0.13 172	0.13 232	0.13 186	0.14 251	0.05 4	0.05 117	0.10 348	0.10 361	0.08 266	0.06 148

test_sample6	0.14 255	0.09 251	0.14 203	0.17 166	0.08 82	0.17 298	0.19 350	0.26 291	0.18 172	0.18 286	0.28 345	0.19 274	0.15 282	0.15 228	0.13 215	0.08 250	0.05 117	0.08 224	0.07 222	0.08 266	0.08 285

SMFormer	0.14 255	0.07 92	0.18 335	0.14 20	0.08 82	0.17 298	0.17 264	0.27 305	0.27 315	0.19 300	0.20 234	0.19 274	0.15 282	0.15 228	0.17 319	0.08 250	0.05 117	0.07 150	0.06 134	0.08 266	0.07 218

tta	0.14 255	0.07 92	0.18 335	0.14 20	0.08 82	0.17 298	0.17 264	0.27 305	0.27 315	0.19 300	0.20 234	0.19 274	0.15 282	0.15 228	0.17 319	0.08 250	0.05 117	0.07 150	0.06 134	0.06 139	0.06 148

qqq1	0.14 255	0.07 92	0.18 335	0.14 20	0.08 82	0.17 298	0.17 264	0.27 305	0.27 315	0.19 300	0.20 234	0.19 274	0.15 282	0.15 228	0.12 182	0.08 250	0.05 117	0.05 3	0.05 68	0.06 139	0.06 148

fff1	0.14 255	0.07 92	0.18 335	0.14 20	0.08 82	0.17 298	0.17 264	0.27 305	0.27 315	0.19 300	0.20 234	0.19 274	0.15 282	0.15 228	0.12 182	0.08 250	0.05 117	0.05 3	0.05 68	0.06 139	0.06 148

mmm	0.14 255	0.08 192	0.18 335	0.17 166	0.09 180	0.17 298	0.18 308	0.21 196	0.16 135	0.16 244	0.23 269	0.21 298	0.16 303	0.16 255	0.17 319	0.08 250	0.05 117	0.08 224	0.08 285	0.08 266	0.07 218

11t1	0.12 200	0.07 92	0.14 203	0.14 20	0.08 82	0.17 298	0.15 181	0.19 168	0.15 113	0.15 217	0.15 154	0.17 251	0.16 303	0.15 228	0.13 215	0.08 250	0.05 117	0.06 60	0.05 68	0.08 266	0.07 218

ffm	0.12 200	0.09 251	0.15 239	0.16 101	0.09 180	0.17 298	0.17 264	0.15 63	0.19 193	0.15 217	0.26 320	0.19 274	0.13 232	0.10 31	0.08 14	0.06 79	0.05 117	0.09 303	0.08 285	0.06 139	0.06 148

ff1	0.13 227	0.09 251	0.15 239	0.16 101	0.09 180	0.17 298	0.17 264	0.15 63	0.19 193	0.15 217	0.26 320	0.19 274	0.13 232	0.15 228	0.22 379	0.06 79	0.05 117	0.09 303	0.08 285	0.06 139	0.06 148

mmx	0.15 292	0.09 251	0.15 239	0.16 101	0.09 180	0.17 298	0.17 264	0.27 305	0.26 303	0.15 217	0.26 320	0.19 274	0.13 232	0.15 228	0.22 379	0.08 250	0.06 251	0.09 303	0.08 285	0.08 266	0.08 285

xxx	0.15 292	0.09 251	0.15 239	0.16 101	0.09 180	0.17 298	0.17 264	0.27 305	0.26 303	0.15 217	0.26 320	0.19 274	0.13 232	0.15 228	0.22 379	0.08 250	0.06 251	0.09 303	0.08 285	0.08 266	0.08 285

GMStereo_Zeroshot	0.16 319	0.13 379	0.25 393	0.20 345	0.10 284	0.17 298	0.13 68	0.30 354	0.25 291	0.23 362	0.32 378	0.25 351	0.11 173	0.19 329	0.14 251	0.09 301	0.06 251	0.11 376	0.06 134	0.12 391	0.08 285

psm_up	0.19 367	0.10 313	0.18 335	0.21 375	0.11 333	0.17 298	0.19 350	0.38 433	0.34 372	0.22 348	0.28 345	0.29 382	0.25 399	0.20 347	0.22 379	0.09 301	0.10 394	0.11 376	0.11 388	0.08 266	0.08 285

CFNet-ft	0.14 255	0.07 92	0.15 239	0.12 4	0.09 180	0.17 298	0.18 308	0.22 219	0.24 267	0.17 255	0.26 320	0.24 339	0.14 262	0.16 255	0.15 285	0.11 368	0.06 251	0.08 224	0.09 328	0.09 326	0.08 285

CFNet_RVC	0.14 255	0.07 92	0.15 239	0.12 4	0.09 180	0.17 298	0.18 308	0.22 219	0.24 267	0.17 255	0.26 320	0.24 339	0.14 262	0.16 255	0.15 285	0.11 368	0.06 251	0.08 224	0.09 328	0.09 326	0.08 285

DeepPruner_ROB	0.16 319	0.11 337	0.16 280	0.17 166	0.10 284	0.17 298	0.15 181	0.32 374	0.21 226	0.19 300	0.21 251	0.22 315	0.19 353	0.21 363	0.16 303	0.13 409	0.09 372	0.09 303	0.10 361	0.11 376	0.11 373

PSMNet-RUCA	0.28 440	0.33 471	0.42 449	0.36 470	0.32 476	0.18 314	0.20 366	0.42 451	0.30 342	0.33 436	0.41 431	0.40 444	0.24 392	0.31 431	0.20 353	0.19 456	0.11 406	0.25 462	0.15 438	0.22 457	0.16 441

GCST	0.37 461	0.42 479	0.27 403	1.03 503	0.39 478	0.18 314	0.08 3	0.21 196	0.18 172	0.28 408	0.25 307	0.15 215	0.12 202	0.16 255	0.14 251	0.64 496	0.43 484	0.75 493	0.65 495	0.64 490	0.46 489

DualNet (step1)	0.17 341	0.12 354	0.21 368	0.13 8	0.14 403	0.18 314	0.14 112	0.28 327	0.24 267	0.21 335	0.21 251	0.24 339	0.20 365	0.16 255	0.16 303	0.15 430	0.06 251	0.14 421	0.14 423	0.15 431	0.13 402

test_sample9	0.18 356	0.12 354	0.21 368	0.13 8	0.14 403	0.18 314	0.14 112	0.28 327	0.24 267	0.21 335	0.21 251	0.24 339	0.20 365	0.19 329	0.18 332	0.15 430	0.30 477	0.14 421	0.14 423	0.15 431	0.13 402

test_sample8	0.20 375	0.12 354	0.21 368	0.13 8	0.14 403	0.18 314	0.14 112	0.32 374	0.21 226	0.28 408	0.22 265	0.36 424	0.26 406	0.19 329	0.18 332	0.15 430	0.30 477	0.14 421	0.14 423	0.15 431	0.13 402

test_sample5	0.14 255	0.08 192	0.14 203	0.16 101	0.08 82	0.18 314	0.18 308	0.25 279	0.17 158	0.17 255	0.28 345	0.18 265	0.15 282	0.16 255	0.13 215	0.08 250	0.06 251	0.08 224	0.07 222	0.09 326	0.08 285

MyStereo8	0.12 200	0.07 92	0.15 239	0.15 53	0.09 180	0.18 314	0.14 112	0.19 168	0.22 248	0.12 142	0.18 211	0.11 128	0.10 145	0.16 255	0.18 332	0.07 196	0.05 117	0.07 150	0.05 68	0.08 266	0.09 327

DualNet	0.14 255	0.08 192	0.14 203	0.16 101	0.08 82	0.18 314	0.18 308	0.25 279	0.17 158	0.18 286	0.28 345	0.18 265	0.15 282	0.16 255	0.13 215	0.08 250	0.06 251	0.08 224	0.07 222	0.09 326	0.08 285

1111x	0.16 319	0.09 251	0.13 163	0.18 241	0.08 82	0.18 314	0.25 426	0.32 374	0.25 291	0.17 255	0.24 280	0.27 365	0.15 282	0.14 210	0.24 399	0.07 196	0.07 319	0.08 224	0.09 328	0.07 204	0.07 218

TestStereo1	0.13 227	0.08 192	0.08 12	0.20 345	0.08 82	0.18 314	0.29 454	0.23 237	0.17 158	0.17 255	0.20 234	0.16 234	0.11 173	0.12 139	0.13 215	0.06 79	0.06 251	0.08 224	0.06 134	0.05 61	0.05 77

SA-5K	0.13 227	0.08 192	0.08 12	0.20 345	0.08 82	0.18 314	0.29 454	0.23 237	0.17 158	0.17 255	0.20 234	0.16 234	0.11 173	0.12 139	0.13 215	0.06 79	0.06 251	0.08 224	0.06 134	0.05 61	0.05 77

AACVNet	0.16 319	0.08 192	0.15 239	0.15 53	0.10 284	0.18 314	0.15 181	0.24 259	0.25 291	0.27 396	0.27 336	0.28 375	0.18 337	0.19 329	0.17 319	0.09 301	0.07 319	0.09 303	0.07 222	0.10 357	0.09 327

LMCR-Stereo	0.15 292	0.08 192	0.14 203	0.21 375	0.09 180	0.18 314	0.19 350	0.28 327	0.19 193	0.24 373	0.24 280	0.23 330	0.17 326	0.20 347	0.17 319	0.07 196	0.06 251	0.08 224	0.06 134	0.10 357	0.09 327

ICVP	0.16 319	0.09 251	0.12 132	0.22 392	0.09 180	0.18 314	0.21 382	0.26 291	0.24 267	0.18 286	0.30 365	0.27 365	0.18 337	0.18 308	0.15 285	0.10 337	0.07 319	0.08 224	0.07 222	0.07 204	0.08 285
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sAnonymous2	0.13 227	0.12 354	0.25 393	0.20 345	0.12 362	0.18 314	0.14 112	0.27 305	0.21 226	0.11 112	0.12 115	0.13 172	0.08 100	0.11 69	0.11 129	0.09 301	0.05 117	0.08 224	0.06 134	0.15 431	0.10 351

CroCo_RVC	0.13 227	0.12 354	0.25 393	0.20 345	0.12 362	0.18 314	0.14 112	0.27 305	0.21 226	0.11 112	0.12 115	0.13 172	0.08 100	0.11 69	0.11 129	0.09 301	0.05 117	0.08 224	0.06 134	0.15 431	0.10 351

pcwnet_v2	0.19 367	0.11 337	0.26 401	0.18 241	0.14 403	0.18 314	0.15 181	0.37 426	0.46 436	0.19 300	0.24 280	0.21 298	0.19 353	0.21 363	0.20 353	0.13 409	0.10 394	0.10 348	0.10 361	0.11 376	0.13 402

HGLStereo	0.17 341	0.09 251	0.19 358	0.17 166	0.12 362	0.18 314	0.18 308	0.31 370	0.33 361	0.22 348	0.33 384	0.24 339	0.18 337	0.20 347	0.21 366	0.10 337	0.09 372	0.07 150	0.07 222	0.09 326	0.10 351

FAT-Stereo	0.21 386	0.13 379	0.22 377	0.21 375	0.12 362	0.18 314	0.18 308	0.35 414	0.40 406	0.28 408	0.37 404	0.33 413	0.33 444	0.21 363	0.20 353	0.09 301	0.11 406	0.10 348	0.09 328	0.11 376	0.14 418

TDLM	0.18 356	0.12 354	0.14 203	0.24 421	0.10 284	0.18 314	0.18 308	0.37 426	0.30 342	0.22 348	0.28 345	0.28 375	0.18 337	0.23 387	0.19 345	0.11 368	0.07 319	0.10 348	0.10 361	0.08 266	0.08 285

StereoDRNet-Refined	0.17 341	0.12 354	0.16 280	0.20 345	0.10 284	0.18 314	0.18 308	0.27 305	0.24 267	0.26 389	0.41 431	0.23 330	0.18 337	0.21 363	0.21 366	0.09 301	0.05 117	0.09 303	0.10 361	0.07 204	0.07 218
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
test_sample4	0.14 255	0.08 192	0.15 239	0.15 53	0.08 82	0.19 335	0.18 308	0.26 291	0.18 172	0.17 255	0.26 320	0.18 265	0.15 282	0.17 293	0.13 215	0.08 250	0.06 251	0.08 224	0.06 134	0.09 326	0.08 285

test_sample1	0.13 227	0.07 92	0.14 203	0.14 20	0.08 82	0.19 335	0.17 264	0.20 181	0.15 113	0.14 193	0.22 265	0.18 265	0.16 303	0.17 293	0.15 285	0.07 196	0.06 251	0.06 60	0.06 134	0.08 266	0.08 285

x	0.13 227	0.08 192	0.15 239	0.14 20	0.08 82	0.19 335	0.14 112	0.22 219	0.21 226	0.15 217	0.20 234	0.20 291	0.18 337	0.18 308	0.18 332	0.07 196	0.05 117	0.06 60	0.06 134	0.07 204	0.07 218

CSP-Net	0.16 319	0.09 251	0.14 203	0.17 166	0.09 180	0.19 335	0.18 308	0.25 279	0.33 361	0.26 389	0.31 369	0.25 351	0.16 303	0.21 363	0.19 345	0.09 301	0.06 251	0.07 150	0.07 222	0.08 266	0.08 285

DAS	0.15 292	0.08 192	0.18 335	0.19 297	0.10 284	0.19 335	0.17 264	0.28 327	0.30 342	0.18 286	0.26 320	0.21 298	0.16 303	0.16 255	0.13 215	0.08 250	0.06 251	0.06 60	0.06 134	0.07 204	0.07 218

SepStereo	0.15 292	0.08 192	0.18 335	0.19 297	0.10 284	0.19 335	0.17 264	0.28 327	0.30 342	0.18 286	0.26 320	0.21 298	0.16 303	0.26 407	0.13 215	0.08 250	0.06 251	0.06 60	0.06 134	0.07 204	0.07 218

AASNet	0.16 319	0.08 192	0.13 163	0.19 297	0.09 180	0.19 335	0.15 181	0.38 433	0.37 392	0.20 321	0.24 280	0.20 291	0.17 326	0.17 293	0.21 366	0.10 337	0.08 349	0.08 224	0.07 222	0.09 326	0.09 327

GANet-ADL	0.13 227	0.07 92	0.15 239	0.17 166	0.10 284	0.19 335	0.15 181	0.30 354	0.21 226	0.13 170	0.18 211	0.19 274	0.13 232	0.16 255	0.14 251	0.08 250	0.06 251	0.06 60	0.05 68	0.07 204	0.08 285

GEStereo_RVC	0.17 341	0.12 354	0.16 280	0.22 392	0.11 333	0.19 335	0.18 308	0.32 374	0.49 440	0.20 321	0.25 307	0.17 251	0.13 232	0.21 363	0.16 303	0.10 337	0.06 251	0.08 224	0.07 222	0.09 326	0.08 285

sCroCo_RVC	0.12 200	0.09 251	0.24 390	0.24 421	0.11 333	0.19 335	0.14 112	0.17 119	0.15 113	0.10 80	0.13 129	0.12 149	0.07 70	0.14 210	0.11 129	0.08 250	0.08 349	0.08 224	0.08 285	0.05 61	0.07 218

DMCA-RVC	0.17 341	0.10 313	0.16 280	0.24 421	0.11 333	0.19 335	0.18 308	0.26 291	0.24 267	0.21 335	0.27 336	0.25 351	0.27 412	0.18 308	0.21 366	0.12 392	0.08 349	0.13 408	0.10 361	0.10 357	0.08 285

FADNet-RVC-Resample	0.17 341	0.12 354	0.32 428	0.22 392	0.12 362	0.19 335	0.14 112	0.25 279	0.24 267	0.24 373	0.27 336	0.20 291	0.15 282	0.17 293	0.16 303	0.07 196	0.08 349	0.12 394	0.10 361	0.09 326	0.11 373

SuperB	0.20 375	0.10 313	0.57 465	0.16 101	0.09 180	0.19 335	0.18 308	0.25 279	0.51 446	0.27 396	0.39 418	0.17 251	0.22 379	0.22 380	0.21 366	0.08 250	0.06 251	0.06 60	0.06 134	0.12 391	0.11 373

RASNet	0.15 292	0.07 92	0.15 239	0.16 101	0.08 82	0.19 335	0.14 112	0.30 354	0.21 226	0.17 255	0.25 307	0.21 298	0.19 353	0.20 347	0.20 353	0.07 196	0.06 251	0.06 60	0.08 285	0.06 139	0.06 148

CFNet	0.15 292	0.11 337	0.17 303	0.17 166	0.08 82	0.19 335	0.10 9	0.29 344	0.26 303	0.19 300	0.24 280	0.24 339	0.18 337	0.18 308	0.15 285	0.08 250	0.06 251	0.09 303	0.10 361	0.08 266	0.07 218

CVANet_RVC	0.18 356	0.11 337	0.14 203	0.21 375	0.11 333	0.19 335	0.18 308	0.34 400	0.34 372	0.22 348	0.31 369	0.28 375	0.18 337	0.24 398	0.18 332	0.12 392	0.08 349	0.12 394	0.12 408	0.09 326	0.08 285

AANet_RVC	0.16 319	0.10 313	0.11 100	0.18 241	0.09 180	0.19 335	0.18 308	0.27 305	0.32 356	0.22 348	0.35 398	0.21 298	0.22 379	0.22 380	0.17 319	0.06 79	0.05 117	0.06 60	0.06 134	0.07 204	0.06 148

PS-NSSS	0.20 375	0.21 443	0.23 384	0.20 345	0.10 284	0.19 335	0.17 264	0.36 419	0.26 303	0.27 396	0.34 394	0.27 365	0.24 392	0.20 347	0.20 353	0.15 430	0.12 419	0.17 441	0.14 423	0.10 357	0.09 327

iResNet_ROB	0.14 255	0.07 92	0.13 163	0.15 53	0.07 33	0.19 335	0.14 112	0.26 291	0.32 356	0.23 362	0.26 320	0.23 330	0.16 303	0.15 228	0.14 251	0.07 196	0.05 117	0.05 3	0.04 15	0.08 266	0.08 285

test_sample3	0.14 255	0.08 192	0.15 239	0.14 20	0.09 180	0.20 354	0.17 264	0.27 305	0.18 172	0.17 255	0.22 265	0.19 274	0.15 282	0.17 293	0.14 251	0.09 301	0.06 251	0.07 150	0.06 134	0.09 326	0.08 285

BUS	0.15 292	0.09 251	0.14 203	0.22 392	0.10 284	0.20 354	0.14 112	0.34 400	0.20 212	0.17 255	0.23 269	0.16 234	0.14 262	0.16 255	0.14 251	0.08 250	0.06 251	0.10 348	0.09 328	0.07 204	0.07 218

CRFU-Net	0.16 319	0.08 192	0.15 239	0.17 166	0.09 180	0.20 354	0.14 112	0.27 305	0.21 226	0.28 408	0.28 345	0.29 382	0.18 337	0.19 329	0.18 332	0.09 301	0.09 372	0.07 150	0.07 222	0.08 266	0.09 327

NINENet	0.16 319	0.10 313	0.16 280	0.17 166	0.11 333	0.20 354	0.14 112	0.41 446	0.37 392	0.18 286	0.21 251	0.16 234	0.14 262	0.16 255	0.14 251	0.08 250	0.08 349	0.10 348	0.07 222	0.10 357	0.09 327

dad	0.18 356	0.20 438	0.21 368	0.17 166	0.11 333	0.20 354	0.19 350	0.21 196	0.28 331	0.30 420	0.24 280	0.30 389	0.13 232	0.19 329	0.17 319	0.18 453	0.09 372	0.11 376	0.09 328	0.11 376	0.07 218

ADLNet2	0.16 319	0.09 251	0.14 203	0.17 166	0.09 180	0.20 354	0.16 238	0.32 374	0.39 402	0.17 255	0.20 234	0.20 291	0.19 353	0.21 363	0.23 388	0.08 250	0.07 319	0.07 150	0.07 222	0.09 326	0.07 218

UPFNet	0.16 319	0.08 192	0.12 132	0.20 345	0.12 362	0.20 354	0.23 403	0.28 327	0.26 303	0.18 286	0.24 280	0.22 315	0.20 365	0.19 329	0.22 379	0.09 301	0.07 319	0.08 224	0.09 328	0.08 266	0.06 148

EDNetEfficient	0.30 447	0.24 452	1.18 497	0.18 241	0.10 284	0.20 354	0.20 366	0.21 196	0.61 466	0.74 484	0.56 460	0.30 389	0.40 459	0.23 387	0.32 451	0.09 301	0.07 319	0.08 224	0.07 222	0.11 376	0.10 351

UCFNet_RVC	0.15 292	0.08 192	0.13 163	0.11 1	0.10 284	0.20 354	0.10 9	0.24 259	0.23 257	0.17 255	0.21 251	0.24 339	0.15 282	0.18 308	0.15 285	0.12 392	0.07 319	0.11 376	0.13 418	0.11 376	0.10 351

PWCDC_ROB	0.21 386	0.13 379	0.23 384	0.25 428	0.12 362	0.20 354	0.15 181	0.34 400	0.55 456	0.29 415	0.49 451	0.21 298	0.15 282	0.28 417	0.20 353	0.11 368	0.09 372	0.10 348	0.08 285	0.11 376	0.09 327

CBMV	0.20 375	0.15 400	0.18 335	0.18 241	0.10 284	0.20 354	0.11 19	0.30 354	0.31 351	0.29 415	0.31 369	0.31 401	0.23 385	0.28 417	0.19 345	0.13 409	0.15 443	0.17 441	0.16 442	0.10 357	0.10 351
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
iinet-f	0.17 341	0.07 92	0.46 453	0.14 20	0.10 284	0.21 365	0.14 112	0.27 305	0.23 257	0.22 348	0.25 307	0.21 298	0.16 303	0.18 308	0.22 379	0.09 301	0.07 319	0.07 150	0.06 134	0.09 326	0.10 351

ssnet_v2	0.17 341	0.10 313	0.18 335	0.17 166	0.11 333	0.21 365	0.22 393	0.34 400	0.25 291	0.23 362	0.23 269	0.27 365	0.19 353	0.22 380	0.21 366	0.11 368	0.10 394	0.09 303	0.09 328	0.08 266	0.08 285

delet	0.17 341	0.09 251	0.18 335	0.19 297	0.11 333	0.21 365	0.22 393	0.30 354	0.38 398	0.17 255	0.27 336	0.19 274	0.19 353	0.19 329	0.21 366	0.08 250	0.08 349	0.09 303	0.11 388	0.06 139	0.07 218

DSFCA	0.16 319	0.09 251	0.14 203	0.16 101	0.10 284	0.21 365	0.19 350	0.28 327	0.31 351	0.23 362	0.25 307	0.22 315	0.16 303	0.20 347	0.20 353	0.10 337	0.07 319	0.09 303	0.09 328	0.08 266	0.08 285

FADNet-RVC	0.21 386	0.20 438	0.40 445	0.21 375	0.16 428	0.21 365	0.15 181	0.27 305	0.27 315	0.26 389	0.32 378	0.26 360	0.21 372	0.22 380	0.19 345	0.12 392	0.13 431	0.12 394	0.14 423	0.13 404	0.18 453

S-Stereo	0.21 386	0.12 354	0.25 393	0.21 375	0.13 387	0.21 365	0.19 350	0.33 386	0.45 429	0.23 362	0.36 401	0.28 375	0.29 424	0.20 347	0.23 388	0.09 301	0.12 419	0.10 348	0.10 361	0.13 404	0.14 418

RP	0.22 394	0.13 379	0.22 377	0.23 411	0.12 362	0.21 365	0.20 366	0.26 291	0.45 429	0.22 348	0.38 411	0.37 427	0.25 399	0.28 417	0.25 406	0.11 368	0.12 419	0.13 408	0.12 408	0.13 404	0.14 418

NCC-stereo	0.25 423	0.15 400	0.31 424	0.26 437	0.17 440	0.21 365	0.31 462	0.41 446	0.40 406	0.24 373	0.38 411	0.33 413	0.29 424	0.37 454	0.28 429	0.13 409	0.11 406	0.15 432	0.22 460	0.13 404	0.13 402

Abc-Net	0.25 423	0.15 400	0.31 424	0.26 437	0.17 440	0.21 365	0.31 462	0.41 446	0.40 406	0.24 373	0.38 411	0.33 413	0.29 424	0.37 454	0.28 429	0.13 409	0.11 406	0.15 432	0.22 460	0.13 404	0.13 402
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
AdaStereo	0.15 292	0.11 337	0.16 280	0.19 297	0.09 180	0.21 365	0.11 19	0.33 386	0.28 331	0.21 335	0.23 269	0.21 298	0.13 232	0.19 329	0.15 285	0.13 409	0.05 117	0.10 348	0.07 222	0.09 326	0.07 218
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.
SGM-Forest	0.20 375	0.14 394	0.18 335	0.20 345	0.13 387	0.21 365	0.22 393	0.33 386	0.31 351	0.24 373	0.29 359	0.28 375	0.20 365	0.23 387	0.18 332	0.15 430	0.16 448	0.15 432	0.14 423	0.13 404	0.12 392
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
pmcnn	0.15 292	0.07 92	0.20 361	0.15 53	0.07 33	0.21 365	0.16 238	0.25 279	0.26 303	0.21 335	0.33 384	0.29 382	0.19 353	0.18 308	0.17 319	0.07 196	0.05 117	0.05 3	0.04 15	0.07 204	0.06 148

rvit_105_1	0.19 367	0.12 354	0.25 393	0.21 375	0.16 428	0.22 377	0.28 443	0.32 374	0.42 415	0.20 321	0.21 251	0.22 315	0.18 337	0.19 329	0.18 332	0.12 392	0.12 419	0.13 408	0.15 438	0.08 266	0.07 218

SACVNet	0.19 367	0.12 354	0.15 239	0.17 166	0.13 387	0.22 377	0.18 308	0.31 370	0.31 351	0.24 373	0.31 369	0.30 389	0.23 385	0.23 387	0.17 319	0.11 368	0.08 349	0.10 348	0.10 361	0.12 391	0.14 418

test_xeample	0.15 292	0.07 92	0.14 203	0.15 53	0.08 82	0.22 377	0.20 366	0.29 344	0.21 226	0.16 244	0.29 359	0.19 274	0.17 326	0.16 255	0.28 429	0.09 301	0.05 117	0.07 150	0.07 222	0.07 204	0.07 218

EDNetEfficientorigin	7.92 513	0.32 470	152.98 528	0.20 345	0.10 284	0.22 377	0.17 264	0.23 237	0.60 465	0.73 482	0.67 472	0.41 447	0.51 475	0.24 398	0.41 469	0.08 250	0.07 319	0.09 303	0.07 222	0.12 391	0.11 373

ac_64	0.16 319	0.09 251	0.15 239	0.18 241	0.10 284	0.22 377	0.17 264	0.24 259	0.22 248	0.19 300	0.24 280	0.29 382	0.18 337	0.19 329	0.22 379	0.09 301	0.08 349	0.08 224	0.09 328	0.07 204	0.06 148

RGC	0.25 423	0.20 438	0.29 415	0.28 451	0.16 428	0.22 377	0.23 403	0.33 386	0.44 425	0.27 396	0.40 421	0.38 433	0.28 421	0.37 454	0.23 388	0.11 368	0.13 431	0.17 441	0.17 449	0.15 431	0.16 441

ADCP+	0.20 375	0.10 313	0.35 439	0.21 375	0.12 362	0.22 377	0.27 437	0.31 370	0.35 383	0.26 389	0.37 404	0.22 315	0.22 379	0.27 409	0.28 429	0.09 301	0.06 251	0.08 224	0.08 285	0.10 357	0.10 351

PA-Net	0.24 417	0.18 431	0.34 433	0.28 451	0.22 460	0.22 377	0.39 478	0.29 344	0.39 402	0.22 348	0.33 384	0.25 351	0.26 406	0.21 363	0.25 406	0.10 337	0.23 471	0.15 432	0.22 460	0.09 326	0.13 402
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DRN-Test	0.20 375	0.11 337	0.21 368	0.22 392	0.10 284	0.22 377	0.22 393	0.40 441	0.38 398	0.24 373	0.33 384	0.26 360	0.22 379	0.22 380	0.25 406	0.11 368	0.07 319	0.11 376	0.10 361	0.09 326	0.08 285

StereoDRNet	0.19 367	0.11 337	0.18 335	0.22 392	0.11 333	0.22 377	0.22 393	0.37 426	0.34 372	0.24 373	0.28 345	0.30 389	0.19 353	0.20 347	0.21 366	0.10 337	0.08 349	0.11 376	0.09 328	0.09 326	0.07 218

XPNet_ROB	0.22 394	0.12 354	0.20 361	0.22 392	0.13 387	0.22 377	0.19 350	0.35 414	0.40 406	0.30 420	0.40 421	0.38 433	0.27 412	0.26 407	0.29 436	0.15 430	0.10 394	0.10 348	0.10 361	0.13 404	0.12 392

PWC_ROB	0.21 386	0.16 408	0.27 403	0.18 241	0.11 333	0.22 377	0.13 68	0.33 386	0.49 440	0.30 420	0.40 421	0.32 407	0.25 399	0.31 431	0.23 388	0.10 337	0.07 319	0.11 376	0.08 285	0.11 376	0.10 351

Wz-Net-LNSev-Ref	0.18 356	0.09 251	0.30 421	0.15 53	0.11 333	0.23 389	0.20 366	0.27 305	0.40 406	0.26 389	0.43 441	0.25 351	0.15 282	0.21 363	0.20 353	0.07 196	0.05 117	0.06 60	0.05 68	0.10 357	0.09 327

SHD	0.26 433	0.15 400	0.31 424	0.24 421	0.18 449	0.23 389	0.15 181	0.39 438	0.72 479	0.32 432	0.42 438	0.36 424	0.29 424	0.33 438	0.30 441	0.13 409	0.11 406	0.14 421	0.13 418	0.16 442	0.20 461

ADCRef	0.20 375	0.12 354	0.43 451	0.20 345	0.12 362	0.23 389	0.18 308	0.32 374	0.37 392	0.26 389	0.33 384	0.18 265	0.23 385	0.25 403	0.26 417	0.07 196	0.06 251	0.09 303	0.09 328	0.08 266	0.09 327

DeepPrunerF	0.24 417	0.17 418	0.45 452	0.26 437	0.16 428	0.23 389	0.29 454	0.37 426	0.51 446	0.27 396	0.31 369	0.24 339	0.28 421	0.22 380	0.23 388	0.15 430	0.11 406	0.20 454	0.18 453	0.12 391	0.14 418

DANet	0.21 386	0.16 408	0.29 415	0.25 428	0.13 387	0.23 389	0.19 350	0.28 327	0.27 315	0.28 408	0.32 378	0.35 422	0.32 442	0.31 431	0.24 399	0.11 368	0.09 372	0.11 376	0.10 361	0.13 404	0.11 373
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANet	0.22 394	0.13 379	0.21 368	0.25 428	0.14 403	0.23 389	0.22 393	0.42 451	0.27 315	0.31 425	0.43 441	0.37 427	0.29 424	0.23 387	0.23 388	0.10 337	0.12 419	0.10 348	0.09 328	0.10 357	0.08 285

DGSMNet	0.25 423	0.19 434	0.34 433	0.21 375	0.24 464	0.24 395	0.21 382	0.36 419	0.42 415	0.25 386	0.32 378	0.38 433	0.21 372	0.29 424	0.24 399	0.13 409	0.11 406	0.14 421	0.16 442	0.23 460	0.23 466

xxxx	0.15 292	0.07 92	0.14 203	0.14 20	0.08 82	0.24 395	0.18 308	0.32 374	0.20 212	0.14 193	0.28 345	0.22 315	0.14 262	0.15 228	0.29 436	0.09 301	0.05 117	0.07 150	0.07 222	0.08 266	0.08 285

FINET	0.22 394	0.18 431	0.28 406	0.19 297	0.16 428	0.24 395	0.24 411	0.33 386	0.49 440	0.26 389	0.33 384	0.22 315	0.23 385	0.23 387	0.18 332	0.18 453	0.16 448	0.11 376	0.10 361	0.15 431	0.14 418

psmorigin	0.25 423	0.16 408	0.35 439	0.17 166	0.13 387	0.24 395	0.14 112	0.34 400	0.34 372	0.41 454	0.55 459	0.41 447	0.38 454	0.35 446	0.28 429	0.11 368	0.15 443	0.11 376	0.11 388	0.12 391	0.17 450

MaskLacGwcNet_RVC	0.22 394	0.21 443	0.25 393	0.26 437	0.11 333	0.24 395	0.14 112	0.39 438	0.24 267	0.32 432	0.36 401	0.30 389	0.21 372	0.19 329	0.22 379	0.17 452	0.14 439	0.21 455	0.16 442	0.13 404	0.12 392

edge stereo	0.23 407	0.14 394	0.21 368	0.21 375	0.13 387	0.24 395	0.16 238	0.32 374	0.42 415	0.32 432	0.40 421	0.39 438	0.35 448	0.25 403	0.25 406	0.13 409	0.11 406	0.14 421	0.11 388	0.12 391	0.14 418

NCCL2	0.24 417	0.15 400	0.18 335	0.34 466	0.18 449	0.24 395	0.24 411	0.34 400	0.29 337	0.31 425	0.38 411	0.38 433	0.29 424	0.23 387	0.25 406	0.15 430	0.12 419	0.18 450	0.21 457	0.13 404	0.13 402

DLCB_ROB	0.18 356	0.10 313	0.16 280	0.23 411	0.11 333	0.24 395	0.18 308	0.30 354	0.28 331	0.27 396	0.29 359	0.28 375	0.25 399	0.20 347	0.20 353	0.08 250	0.08 349	0.09 303	0.09 328	0.07 204	0.07 218

Wz-Net-LNSev	0.22 394	0.16 408	0.41 447	0.22 392	0.13 387	0.25 403	0.24 411	0.33 386	0.44 425	0.30 420	0.42 438	0.32 407	0.19 353	0.23 387	0.27 422	0.10 337	0.09 372	0.08 224	0.08 285	0.12 391	0.11 373

DDUNet	0.23 407	0.18 431	0.22 377	0.22 392	0.15 416	0.25 403	0.24 411	0.30 354	0.31 351	0.31 425	0.37 404	0.34 417	0.26 406	0.25 403	0.21 366	0.18 453	0.13 431	0.17 441	0.11 388	0.16 442	0.17 450

222	0.16 319	0.07 92	0.15 239	0.14 20	0.08 82	0.25 403	0.18 308	0.30 354	0.21 226	0.18 286	0.29 359	0.17 251	0.16 303	0.16 255	0.44 475	0.10 337	0.05 117	0.07 150	0.06 134	0.08 266	0.08 285

GwcNet	0.20 375	0.14 394	0.20 361	0.18 241	0.12 362	0.25 403	0.20 366	0.36 419	0.45 429	0.20 321	0.33 384	0.33 413	0.21 372	0.22 380	0.25 406	0.11 368	0.09 372	0.09 303	0.09 328	0.09 326	0.10 351

FADNet	0.21 386	0.23 449	0.37 442	0.18 241	0.17 440	0.25 403	0.13 68	0.32 374	0.32 356	0.23 362	0.25 307	0.27 365	0.21 372	0.19 329	0.16 303	0.13 409	0.15 443	0.12 394	0.15 438	0.17 449	0.18 453

Nwc_Net	0.23 407	0.17 418	0.22 377	0.25 428	0.15 416	0.25 403	0.27 437	0.38 433	0.39 402	0.22 348	0.41 431	0.30 389	0.29 424	0.28 417	0.25 406	0.11 368	0.10 394	0.17 441	0.20 455	0.10 357	0.11 373

ADCMid	0.26 433	0.15 400	0.42 449	0.20 345	0.14 403	0.25 403	0.26 432	0.35 414	0.40 406	0.37 444	0.45 445	0.34 417	0.42 464	0.36 450	0.36 458	0.10 337	0.09 372	0.11 376	0.11 388	0.13 404	0.13 402

CC-Net-ROB	0.28 440	0.31 469	0.36 441	0.30 460	0.15 416	0.25 403	0.19 350	0.45 463	0.34 372	0.39 447	0.37 404	0.39 438	0.31 440	0.27 409	0.27 422	0.24 474	0.18 454	0.30 475	0.23 464	0.19 454	0.15 432

DISCO	0.20 375	0.09 251	0.22 377	0.17 166	0.10 284	0.25 403	0.18 308	0.28 327	0.45 429	0.23 362	0.32 378	0.34 417	0.26 406	0.29 424	0.29 436	0.08 250	0.06 251	0.07 150	0.07 222	0.09 326	0.10 351

PSMNet_ROB	0.22 394	0.12 354	0.15 239	0.27 445	0.15 416	0.25 403	0.36 473	0.43 457	0.37 392	0.27 396	0.33 384	0.32 407	0.23 385	0.21 363	0.27 422	0.12 392	0.08 349	0.13 408	0.11 388	0.10 357	0.09 327

fast-acv-ft	0.18 356	0.11 337	0.20 361	0.19 297	0.12 362	0.26 413	0.21 382	0.26 291	0.35 383	0.22 348	0.34 394	0.27 365	0.21 372	0.21 363	0.23 388	0.09 301	0.09 372	0.08 224	0.10 361	0.08 266	0.07 218

Wz-Net-SNSev	0.26 433	0.17 418	0.46 453	0.25 428	0.14 403	0.26 413	0.24 411	0.38 433	0.57 459	0.30 420	0.56 460	0.39 438	0.26 406	0.24 398	0.32 451	0.10 337	0.09 372	0.10 348	0.11 388	0.11 376	0.11 373

Syn2CoEx	0.22 394	0.16 408	0.29 415	0.29 458	0.15 416	0.26 413	0.21 382	0.34 400	0.32 356	0.29 415	0.36 401	0.28 375	0.25 399	0.20 347	0.25 406	0.16 447	0.12 419	0.14 421	0.11 388	0.09 326	0.08 285

AF-Net	0.23 407	0.17 418	0.17 303	0.27 445	0.13 387	0.26 413	0.24 411	0.33 386	0.51 446	0.25 386	0.33 384	0.39 438	0.27 412	0.28 417	0.26 417	0.11 368	0.10 394	0.16 439	0.12 408	0.11 376	0.11 373

AnyNet_C32	0.26 433	0.16 408	0.39 444	0.20 345	0.17 440	0.26 413	0.31 462	0.32 374	0.45 429	0.31 425	0.50 453	0.30 389	0.34 445	0.41 468	0.36 458	0.12 392	0.12 419	0.12 394	0.14 423	0.14 419	0.15 432

FBW_ROB	0.25 423	0.17 418	0.23 384	0.27 445	0.14 403	0.26 413	0.22 393	0.42 451	0.43 423	0.42 456	0.41 431	0.43 451	0.27 412	0.32 435	0.24 399	0.09 301	0.15 443	0.15 432	0.12 408	0.12 391	0.10 351

LE_ROB	0.50 477	0.07 92	0.14 203	0.15 53	0.08 82	0.26 413	0.17 264	0.23 237	1.71 507	4.68 511	0.67 472	0.46 459	0.47 470	0.21 363	0.30 441	0.07 196	0.06 251	0.06 60	0.06 134	0.08 266	0.06 148

ETE_ROB	0.23 407	0.17 418	0.23 384	0.25 428	0.14 403	0.26 413	0.29 454	0.32 374	0.37 392	0.28 408	0.37 404	0.45 455	0.27 412	0.28 417	0.27 422	0.11 368	0.09 372	0.12 394	0.10 361	0.14 419	0.13 402

SQANet	0.24 417	0.24 452	0.31 424	0.31 462	0.19 452	0.27 421	0.13 68	0.30 354	0.33 361	0.25 386	0.37 404	0.31 401	0.22 379	0.27 409	0.23 388	0.15 430	0.10 394	0.21 455	0.16 442	0.22 457	0.16 441

coex-ft	3.24 508	0.35 473	57.83 527	0.18 241	0.13 387	0.27 421	0.23 403	0.28 327	0.72 479	1.89 509	0.70 476	0.43 451	0.47 470	0.29 424	0.43 472	0.09 301	0.09 372	0.12 394	0.09 328	0.14 419	0.14 418

GASNet	0.22 394	0.24 452	0.34 433	0.26 437	0.17 440	0.27 421	0.16 238	0.45 463	0.42 415	0.27 396	0.24 280	0.30 389	0.16 303	0.27 409	0.18 332	0.12 392	0.09 372	0.12 394	0.11 388	0.16 442	0.08 285

Anonymous3	0.16 319	0.14 394	0.34 433	0.26 437	0.14 403	0.27 421	0.18 308	0.28 327	0.28 331	0.15 217	0.17 188	0.14 190	0.11 173	0.16 255	0.12 182	0.08 250	0.08 349	0.08 224	0.08 285	0.08 266	0.11 373

MMNet	0.17 341	0.10 313	0.17 303	0.20 345	0.11 333	0.27 421	0.20 366	0.26 291	0.42 415	0.22 348	0.30 365	0.22 315	0.20 365	0.18 308	0.20 353	0.06 79	0.06 251	0.07 150	0.07 222	0.08 266	0.07 218

hitnet-ft	0.18 356	0.10 313	0.17 303	0.14 20	0.09 180	0.27 421	0.20 366	0.25 279	0.26 303	0.24 373	0.32 378	0.32 407	0.23 385	0.24 398	0.21 366	0.12 392	0.07 319	0.10 348	0.08 285	0.12 391	0.11 373

DispFullNet	0.27 438	0.22 447	0.66 473	0.28 451	0.17 440	0.27 421	0.17 264	0.34 400	0.57 459	0.27 396	0.37 404	0.43 451	0.24 392	0.39 460	0.25 406	0.12 392	0.06 251	0.19 452	0.11 388	0.23 460	0.16 441

LALA_ROB	0.25 423	0.16 408	0.23 384	0.27 445	0.17 440	0.27 421	0.27 437	0.42 451	0.38 398	0.33 436	0.39 418	0.51 465	0.26 406	0.29 424	0.28 429	0.16 447	0.09 372	0.13 408	0.12 408	0.13 404	0.13 402

UNet	0.17 341	0.09 251	0.18 335	0.19 297	0.12 362	0.28 429	0.19 350	0.33 386	0.30 342	0.21 335	0.25 307	0.23 330	0.19 353	0.20 347	0.19 345	0.07 196	0.06 251	0.08 224	0.07 222	0.08 266	0.07 218

NVstereo2D	0.19 367	0.11 337	0.16 280	0.17 166	0.16 428	0.28 429	0.23 403	0.44 461	0.42 415	0.15 217	0.28 345	0.25 351	0.19 353	0.23 387	0.18 332	0.09 301	0.06 251	0.10 348	0.08 285	0.15 431	0.10 351

RTSC	0.23 407	0.13 379	0.30 421	0.21 375	0.13 387	0.29 431	0.17 264	0.36 419	0.68 474	0.27 396	0.34 394	0.30 389	0.22 379	0.32 435	0.31 446	0.10 337	0.08 349	0.09 303	0.10 361	0.13 404	0.14 418

ADCS	0.30 447	0.19 434	0.48 457	0.21 375	0.18 449	0.29 431	0.24 411	0.42 451	0.64 471	0.40 450	0.50 453	0.40 444	0.37 452	0.40 463	0.43 472	0.13 409	0.13 431	0.13 408	0.14 423	0.16 442	0.16 441

SANet	0.25 423	0.14 394	0.29 415	0.21 375	0.11 333	0.29 431	0.25 426	0.40 441	0.65 473	0.36 440	0.40 421	0.42 449	0.27 412	0.27 409	0.25 406	0.12 392	0.09 372	0.10 348	0.09 328	0.13 404	0.12 392

PVD	0.40 465	0.21 443	0.40 445	0.32 465	0.23 461	0.30 434	0.45 485	0.53 475	0.97 492	0.55 472	0.80 485	0.54 470	0.60 482	0.53 477	0.40 468	0.19 456	0.14 439	0.17 441	0.14 423	0.24 466	0.32 479

PASM	0.33 454	0.25 457	0.51 459	0.28 451	0.27 470	0.30 434	0.31 462	0.35 414	0.51 446	0.36 440	0.40 421	0.47 462	0.35 448	0.34 441	0.36 458	0.23 472	0.26 473	0.26 463	0.28 472	0.23 460	0.21 462

UDG	0.21 386	0.17 418	0.20 361	0.23 411	0.15 416	0.31 436	0.20 366	0.33 386	0.35 383	0.24 373	0.28 345	0.31 401	0.29 424	0.21 363	0.23 388	0.15 430	0.12 419	0.13 408	0.09 328	0.14 419	0.15 432

NaN_ROB	0.23 407	0.20 438	0.25 393	0.25 428	0.13 387	0.31 436	0.27 437	0.34 400	0.41 413	0.31 425	0.31 369	0.32 407	0.23 385	0.31 431	0.22 379	0.11 368	0.17 452	0.10 348	0.11 388	0.08 266	0.09 327

APVNet	0.23 407	0.12 354	0.20 361	0.18 241	0.14 403	0.32 438	0.31 462	0.40 441	0.33 361	0.27 396	0.40 421	0.30 389	0.29 424	0.27 409	0.25 406	0.11 368	0.12 419	0.11 376	0.14 423	0.12 391	0.13 402

stereogan	0.22 394	0.11 337	0.21 368	0.20 345	0.12 362	0.32 438	0.19 350	0.36 419	0.45 429	0.23 362	0.39 418	0.35 422	0.27 412	0.33 438	0.23 388	0.10 337	0.12 419	0.10 348	0.10 361	0.14 419	0.14 418

Anonymous_2	0.22 394	0.17 418	0.28 406	0.15 53	0.16 428	0.33 440	0.22 393	0.23 237	0.18 172	0.23 362	0.24 280	0.26 360	0.27 412	0.27 409	0.24 399	0.22 467	0.26 473	0.17 441	0.17 449	0.16 442	0.18 453

GANetREF_RVC	0.31 452	0.34 472	0.29 415	0.35 468	0.16 428	0.33 440	0.42 481	0.48 468	0.52 452	0.35 438	0.35 398	0.34 417	0.32 442	0.40 463	0.33 454	0.27 476	0.20 460	0.29 473	0.15 438	0.19 454	0.18 453
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
PDISCO_ROB	0.28 440	0.16 408	0.28 406	0.28 451	0.20 455	0.33 440	0.27 437	0.45 463	0.58 462	0.28 408	0.41 431	0.45 455	0.30 435	0.34 441	0.35 457	0.12 392	0.09 372	0.17 441	0.16 442	0.17 449	0.13 402

MeshStereo	0.27 438	0.13 379	0.18 335	0.15 53	0.11 333	0.33 440	0.24 411	0.41 446	0.36 388	0.53 470	0.58 467	0.67 479	0.41 460	0.36 450	0.27 422	0.14 426	0.13 431	0.13 408	0.11 388	0.11 376	0.11 373
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
CSAN	0.30 447	0.24 452	0.28 406	0.34 466	0.19 452	0.34 444	0.42 481	0.38 433	0.51 446	0.38 446	0.40 421	0.44 454	0.34 445	0.29 424	0.31 446	0.19 456	0.16 448	0.19 452	0.19 454	0.14 419	0.15 432

MSMD_ROB	0.31 452	0.26 458	0.26 401	0.24 421	0.21 457	0.34 444	0.25 426	0.34 400	0.39 402	0.40 450	0.69 475	0.45 455	0.41 460	0.34 441	0.28 429	0.20 461	0.20 460	0.26 463	0.25 466	0.23 460	0.22 465

WCMA_ROB	0.24 417	0.11 337	0.24 390	0.17 166	0.14 403	0.34 444	0.16 238	0.33 386	0.33 361	0.39 447	0.54 458	0.40 444	0.35 448	0.35 446	0.26 417	0.12 392	0.12 419	0.12 394	0.11 388	0.14 419	0.14 418

SGM_RVC	0.24 417	0.12 354	0.16 280	0.15 53	0.09 180	0.34 444	0.19 350	0.35 414	0.32 356	0.44 461	0.38 411	0.53 469	0.36 451	0.36 450	0.26 417	0.13 409	0.13 431	0.13 408	0.13 418	0.11 376	0.11 373
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
WZ-Net	0.29 444	0.17 418	0.82 489	0.23 411	0.16 428	0.35 448	0.29 454	0.40 441	0.59 464	0.24 373	0.57 464	0.37 427	0.25 399	0.34 441	0.37 462	0.09 301	0.08 349	0.09 303	0.10 361	0.14 419	0.16 441

LRCNet_RVC	10.76 518	13.97 521	7.97 516	19.07 521	2.04 511	0.35 448	0.31 462	5.29 511	0.48 439	13.02 520	17.65 521	8.69 515	5.73 512	4.78 512	2.22 509	23.53 525	2.69 515	27.60 526	25.75 526	17.60 523	16.54 524

LSM	0.34 460	0.21 443	0.62 470	0.27 445	0.62 495	0.35 448	0.26 432	0.43 457	0.49 440	0.45 463	0.60 470	0.42 449	0.37 452	0.35 446	0.26 417	0.13 409	0.21 468	0.14 421	0.16 442	0.18 451	0.34 481

NVStereoNet_ROB	0.47 475	0.37 474	0.47 456	0.42 476	0.29 474	0.35 448	0.35 472	0.50 470	0.61 466	0.73 482	0.94 490	0.70 483	0.68 486	0.48 472	0.62 489	0.22 467	0.33 480	0.34 477	0.34 480	0.30 474	0.31 478
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
Wz-Net-MNSev	0.23 407	0.13 379	0.33 430	0.20 345	0.15 416	0.36 452	0.25 426	0.34 400	0.45 429	0.29 415	0.41 431	0.39 438	0.19 353	0.25 403	0.27 422	0.09 301	0.07 319	0.09 303	0.09 328	0.12 391	0.10 351

MFN_U_SF_RVC	0.33 454	0.22 447	0.58 468	0.31 462	0.15 416	0.36 452	0.17 264	0.54 476	0.46 436	0.47 466	0.56 460	0.58 472	0.39 455	0.36 450	0.38 465	0.15 430	0.15 443	0.18 450	0.21 457	0.16 442	0.16 441

MFN_U_SF_DS_RVC	0.30 447	0.24 452	0.30 421	0.36 470	0.16 428	0.36 452	0.31 462	0.34 400	0.43 423	0.41 454	0.46 447	0.38 433	0.30 435	0.35 446	0.29 436	0.19 456	0.20 460	0.26 463	0.29 473	0.18 451	0.19 458

XQC	0.29 444	0.23 449	0.53 460	0.29 458	0.19 452	0.36 452	0.28 443	0.37 426	0.58 462	0.31 425	0.31 369	0.37 427	0.30 435	0.39 460	0.39 466	0.13 409	0.09 372	0.15 432	0.12 408	0.18 451	0.18 453

ADCL	0.25 423	0.12 354	0.49 458	0.22 392	0.12 362	0.36 452	0.29 454	0.30 354	0.57 459	0.24 373	0.47 449	0.30 389	0.31 440	0.30 430	0.30 441	0.09 301	0.07 319	0.09 303	0.09 328	0.10 357	0.10 351

ADCPNet	0.26 433	0.17 418	0.62 470	0.21 375	0.15 416	0.36 452	0.25 426	0.33 386	0.37 392	0.31 425	0.41 431	0.36 424	0.29 424	0.29 424	0.34 456	0.12 392	0.10 394	0.11 376	0.12 408	0.14 419	0.13 402

Wz-Net-TNSev	0.29 444	0.20 438	0.69 481	0.19 297	0.15 416	0.38 458	0.27 437	0.36 419	0.56 458	0.35 438	0.42 438	0.45 455	0.39 455	0.33 438	0.31 446	0.13 409	0.13 431	0.10 348	0.12 408	0.15 431	0.15 432

FC-DCNN	0.33 454	0.28 460	0.28 406	0.26 437	0.23 461	0.38 458	0.29 454	0.40 441	0.44 425	0.46 464	0.56 460	0.51 465	0.41 460	0.38 458	0.31 446	0.21 464	0.20 460	0.27 466	0.26 467	0.25 468	0.24 467

FC-DCNN v2	0.33 454	0.28 460	0.28 406	0.26 437	0.23 461	0.39 460	0.29 454	0.41 446	0.44 425	0.46 464	0.57 464	0.51 465	0.41 460	0.38 458	0.30 441	0.21 464	0.20 460	0.27 466	0.26 467	0.25 468	0.24 467

FCDSN-DC	0.33 454	0.28 460	0.28 406	0.30 460	0.24 464	0.39 460	0.28 443	0.43 457	0.42 415	0.44 461	0.53 457	0.51 465	0.42 464	0.37 454	0.30 441	0.21 464	0.20 460	0.27 466	0.26 467	0.25 468	0.25 469
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MDST_ROB	0.22 394	0.10 313	0.18 335	0.18 241	0.11 333	0.40 462	0.19 350	0.44 461	0.42 415	0.40 450	0.40 421	0.29 382	0.21 372	0.27 409	0.19 345	0.11 368	0.10 394	0.14 421	0.11 388	0.10 357	0.08 285

ccnet	0.30 447	0.28 460	0.24 390	0.20 345	0.28 471	0.41 463	0.22 393	0.46 466	0.33 361	0.37 444	0.46 447	0.37 427	0.30 435	0.40 463	0.43 472	0.23 472	0.14 439	0.21 455	0.17 449	0.23 460	0.19 458

Consistency-Raft	0.44 470	0.40 477	0.46 453	0.37 472	0.43 482	0.42 464	0.41 479	0.57 478	0.55 456	0.32 432	0.73 479	0.32 407	0.50 473	0.42 469	0.49 481	0.39 481	0.36 481	0.45 481	0.52 491	0.42 481	0.30 477

SGM-ForestM	0.33 454	0.12 354	0.17 303	0.16 101	0.11 333	0.42 464	0.20 366	0.43 457	0.53 455	0.53 470	0.57 464	1.41 501	0.44 469	0.42 469	0.29 436	0.14 426	0.16 448	0.16 439	0.16 442	0.12 391	0.13 402

ACVNet-4b	0.39 463	0.53 482	0.56 463	0.45 478	0.24 464	0.46 466	0.18 308	0.50 470	0.64 471	0.42 456	0.45 445	0.60 473	0.27 412	0.34 441	0.24 399	0.33 479	0.14 439	0.48 482	0.42 482	0.31 477	0.27 474

RYNet	0.23 407	0.12 354	0.22 377	0.19 297	0.17 440	0.47 467	0.26 432	0.39 438	0.49 440	0.24 373	0.29 359	0.34 417	0.24 392	0.20 347	0.31 446	0.10 337	0.06 251	0.09 303	0.09 328	0.14 419	0.15 432

ACVNet_1	0.45 472	0.51 481	0.61 469	0.45 478	0.28 471	0.50 468	0.28 443	0.58 483	0.71 478	0.63 475	0.59 469	0.74 484	0.50 473	0.50 473	0.36 458	0.26 475	0.25 472	0.39 479	0.29 473	0.32 478	0.25 469

MANE	0.47 475	0.28 460	0.28 406	0.27 445	0.24 464	0.50 468	0.32 470	0.57 478	0.62 469	0.74 484	1.20 503	1.21 494	0.64 484	0.54 478	0.39 466	0.22 467	0.20 460	0.27 466	0.31 476	0.26 471	0.25 469

G-Net	0.25 423	0.17 418	0.38 443	0.23 411	0.16 428	0.51 470	0.23 403	0.29 344	0.35 383	0.36 440	0.38 411	0.31 401	0.29 424	0.28 417	0.27 422	0.11 368	0.09 372	0.12 394	0.10 361	0.16 442	0.14 418

AnyNet_C01	0.37 461	0.26 458	1.41 500	0.22 392	0.17 440	0.51 470	0.28 443	0.36 419	0.40 406	0.39 447	0.75 481	0.46 459	0.39 455	0.46 471	0.50 482	0.13 409	0.13 431	0.13 408	0.14 423	0.14 419	0.16 441

anonymity	0.53 478	0.58 483	0.66 473	0.41 474	0.61 494	0.54 472	0.41 479	0.57 478	0.41 413	0.56 473	0.50 453	0.50 464	0.55 476	0.59 484	0.50 482	0.58 492	0.50 494	0.51 484	0.51 489	0.52 483	0.58 491

DPSNet	0.28 440	0.16 408	0.33 430	0.18 241	0.13 387	0.55 473	0.42 481	0.52 473	0.68 474	0.29 415	0.38 411	0.39 438	0.30 435	0.32 435	0.23 388	0.11 368	0.10 394	0.11 376	0.08 285	0.20 456	0.16 441

ELAS_RVC	0.42 468	0.29 467	0.33 430	0.28 451	0.24 464	0.56 474	0.38 476	0.50 470	0.61 466	0.74 484	0.76 482	0.67 479	0.56 478	0.55 479	0.42 471	0.22 467	0.21 468	0.27 466	0.26 467	0.27 473	0.26 472
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
otaku	0.39 463	0.38 475	0.53 460	0.44 477	0.28 471	0.57 475	0.24 411	0.42 451	0.62 469	0.40 450	0.50 453	0.46 459	0.34 445	0.40 463	0.33 454	0.30 477	0.30 477	0.39 479	0.33 478	0.30 474	0.29 475

IMH-64-1	0.66 484	0.62 487	0.69 481	0.72 488	0.51 485	0.60 476	0.51 487	0.92 492	0.84 487	0.75 487	1.02 494	0.81 485	0.78 491	0.80 490	0.50 482	0.43 483	0.46 485	0.72 490	0.48 484	0.55 486	0.40 484

IMH-64	0.66 484	0.62 487	0.69 481	0.72 488	0.51 485	0.60 476	0.51 487	0.92 492	0.84 487	0.75 487	1.02 494	0.81 485	0.78 491	0.80 490	0.50 482	0.43 483	0.46 485	0.72 490	0.48 484	0.55 486	0.40 484

ELAS	0.42 468	0.29 467	0.34 433	0.28 451	0.24 464	0.63 478	0.37 474	0.52 473	0.52 452	0.72 481	0.82 486	0.68 481	0.56 478	0.52 475	0.45 478	0.22 467	0.21 468	0.27 466	0.26 467	0.26 471	0.26 472
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Ntro	0.41 466	0.40 477	0.54 462	0.46 481	0.30 475	0.64 479	0.24 411	0.47 467	0.68 474	0.42 456	0.49 451	0.47 462	0.42 464	0.40 463	0.32 451	0.32 478	0.28 475	0.37 478	0.31 476	0.33 479	0.29 475

SPS-STEREO	0.58 482	0.59 485	0.66 473	0.45 478	0.55 488	0.65 480	0.44 484	0.63 485	0.51 446	0.69 478	0.65 471	0.66 478	0.58 481	0.62 485	0.62 489	0.62 495	0.47 489	0.51 484	0.49 486	0.55 486	0.58 491
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
RainbowNet	0.54 479	0.61 486	0.71 486	0.57 485	0.43 482	0.66 481	0.37 474	0.60 484	0.87 489	0.51 468	0.67 472	0.63 475	0.47 470	0.50 473	0.44 475	0.47 487	0.48 490	0.53 486	0.41 481	0.53 485	0.41 486

MSC_U_SF_DS_RVC	0.44 470	0.39 476	0.56 463	0.40 473	0.20 455	0.66 481	0.33 471	0.54 476	0.72 479	0.71 480	0.72 478	0.62 474	0.55 476	0.52 475	0.47 479	0.20 461	0.19 459	0.29 473	0.30 475	0.24 466	0.19 458

SGM+DAISY	0.57 481	0.58 483	0.67 477	0.41 474	0.55 488	0.68 483	0.51 487	0.57 478	0.46 436	0.67 476	0.70 476	0.69 482	0.57 480	0.64 486	0.58 487	0.59 493	0.49 491	0.50 483	0.50 488	0.52 483	0.59 494

MFMNet_re	0.65 483	0.66 490	0.66 473	0.51 482	0.69 499	0.70 484	0.58 491	0.65 486	0.75 483	0.61 474	0.73 479	0.63 475	0.68 486	0.65 487	0.60 488	0.66 497	0.58 503	0.63 488	0.59 492	0.68 494	0.69 501

IMH	0.72 487	0.65 489	0.70 484	0.77 490	0.54 487	0.71 485	0.56 490	0.99 500	1.08 493	0.82 490	1.09 497	0.89 487	0.88 495	0.88 498	0.53 486	0.44 486	0.50 494	0.75 493	0.51 489	0.58 489	0.42 487

RTS	0.46 473	0.19 434	3.33 505	0.25 428	0.15 416	0.72 486	0.21 382	0.37 426	0.78 485	0.42 456	0.44 443	0.31 401	0.43 467	0.55 479	0.37 462	0.10 337	0.09 372	0.13 408	0.13 418	0.15 431	0.15 432

RTSA	0.46 473	0.19 434	3.33 505	0.25 428	0.15 416	0.72 486	0.21 382	0.37 426	0.78 485	0.42 456	0.44 443	0.31 401	0.43 467	0.55 479	0.37 462	0.10 337	0.09 372	0.13 408	0.13 418	0.15 431	0.15 432

notaker	0.98 500	1.13 504	1.02 496	1.14 505	0.81 503	0.73 488	0.69 500	0.94 495	1.15 496	1.19 504	1.19 502	1.41 501	1.17 506	1.10 507	0.74 497	0.82 503	0.64 505	1.18 505	0.79 502	1.02 504	0.82 505

ACVNet_2	0.67 486	0.68 491	0.70 484	0.64 486	0.41 480	0.75 489	0.50 486	0.98 498	1.38 502	0.90 492	1.09 497	1.04 489	0.74 489	0.55 479	0.48 480	0.43 483	0.40 483	0.53 486	0.45 483	0.48 482	0.36 483

WAO-7	0.80 492	0.78 495	0.57 465	0.85 495	0.67 498	0.76 490	0.69 500	1.07 502	1.30 499	0.90 492	1.20 503	1.05 490	0.93 497	0.71 488	0.68 492	0.60 494	0.62 504	0.67 489	0.68 498	0.64 490	0.59 494

WAO-6	0.82 493	0.81 496	0.63 472	0.87 497	0.63 496	0.79 491	0.60 493	0.98 498	1.52 506	0.91 494	0.97 492	1.08 491	1.04 501	0.72 489	0.70 495	0.72 498	0.49 491	0.91 501	0.71 499	0.70 496	0.59 494

SDNR	0.20 375	0.09 251	0.19 358	0.16 101	0.12 362	0.79 491	0.13 68	0.26 291	0.33 361	0.19 300	0.25 307	0.19 274	0.12 202	0.19 329	0.15 285	0.16 447	0.18 454	0.14 421	0.11 388	0.08 266	0.12 392

PWCK	0.72 487	0.95 501	0.99 495	0.77 490	0.32 476	0.79 491	0.38 476	0.92 492	0.90 490	0.96 495	0.76 482	0.97 488	0.62 483	0.87 496	0.68 492	0.73 499	0.46 485	0.76 495	0.49 486	0.71 497	0.44 488

BEATNet-Init1	0.54 479	0.28 460	0.68 480	0.31 462	0.21 457	0.85 494	0.31 462	0.57 478	0.69 477	0.89 491	1.00 493	2.17 508	0.66 485	0.58 483	0.44 475	0.19 456	0.18 454	0.23 460	0.22 460	0.22 457	0.21 462

SAMSARA	0.41 466	0.28 460	0.34 433	0.55 484	0.39 478	0.85 494	1.25 509	0.49 469	0.52 452	0.36 440	0.35 398	0.56 471	0.39 455	0.39 460	0.41 469	0.15 430	0.20 460	0.15 432	0.14 423	0.23 460	0.21 462

Dean	0.88 496	0.88 500	0.81 488	0.82 494	0.57 491	0.91 496	0.62 494	1.17 507	1.71 507	1.15 502	1.16 501	1.31 498	1.00 500	0.82 492	0.83 501	0.57 490	0.56 500	0.78 497	0.65 495	0.67 493	0.58 491

WAO-8	0.92 497	0.83 497	0.67 477	0.94 500	0.70 500	0.92 497	0.68 498	1.08 504	1.80 509	1.06 500	1.42 507	1.29 496	1.08 503	0.86 494	0.80 498	0.74 500	0.54 497	0.86 499	0.75 500	0.71 497	0.63 498

Venus	0.92 497	0.83 497	0.67 477	0.94 500	0.70 500	0.92 497	0.68 498	1.08 504	1.80 509	1.06 500	1.42 507	1.29 496	1.08 503	0.86 494	0.80 498	0.74 500	0.54 497	0.86 499	0.75 500	0.71 497	0.63 498

TorneroNet-64	0.76 490	0.73 493	0.77 487	0.78 492	0.58 493	0.94 499	0.58 491	0.85 491	1.26 497	0.67 476	0.88 488	1.41 501	0.76 490	0.87 496	0.68 492	0.49 488	0.46 485	0.73 492	0.59 492	0.68 494	0.54 490

KSHMR	1.10 503	1.19 505	0.90 494	1.26 508	1.00 507	0.99 500	0.96 506	1.13 506	1.35 500	1.16 503	1.28 506	1.40 500	0.97 499	1.03 504	0.93 502	1.03 506	1.08 508	1.20 506	1.03 508	1.03 505	0.98 507

MADNet+	0.76 490	0.72 492	3.76 508	0.67 487	0.41 480	0.99 500	0.97 507	0.72 487	0.75 483	0.52 469	0.58 467	0.64 477	0.68 486	0.89 499	1.04 505	0.35 480	0.36 481	0.28 472	0.23 464	0.38 480	0.33 480

ktn	1.02 502	1.23 506	0.82 489	1.24 507	0.86 505	1.00 502	0.86 503	0.96 496	1.37 501	1.05 498	1.12 500	1.16 493	1.06 502	0.95 501	0.62 489	1.28 508	0.71 506	1.39 509	0.83 503	1.06 506	0.77 504

TorneroNet	0.83 494	0.75 494	0.83 491	0.85 495	0.63 496	1.03 503	0.65 495	0.96 496	1.14 495	0.80 489	1.10 499	1.36 499	0.88 495	0.95 501	0.82 500	0.57 490	0.49 491	0.79 498	0.66 497	0.74 500	0.64 500

HanzoNet	1.31 505	1.29 508	1.22 499	1.13 504	0.85 504	1.05 504	0.84 502	1.06 501	1.47 505	1.66 507	1.63 509	2.48 510	1.78 509	1.63 509	1.69 507	1.27 507	0.80 507	1.32 508	1.02 507	1.07 507	0.90 506

LVE	0.84 495	0.87 499	0.86 492	0.81 493	0.56 490	1.09 505	0.66 496	1.07 502	1.45 504	0.97 496	1.23 505	1.11 492	0.86 494	0.84 493	0.72 496	0.49 488	0.56 500	0.76 495	0.60 494	0.66 492	0.60 497

DPSimNet_ROB	1.14 504	1.25 507	0.87 493	1.15 506	0.90 506	1.15 506	1.18 508	1.20 508	1.26 497	1.45 506	1.05 496	1.44 504	1.13 505	0.92 500	1.70 508	1.47 509	0.52 496	1.22 507	1.04 509	0.92 503	1.03 508

UNDER WATER	0.99 501	1.00 503	1.47 501	1.00 502	0.71 502	1.18 507	0.86 503	0.81 490	1.09 494	1.02 497	0.90 489	1.53 505	1.26 507	1.06 505	1.02 504	0.79 502	0.54 497	1.02 503	0.88 504	0.83 502	0.75 502

UNDER WATER-64	0.97 499	0.96 502	1.48 502	0.88 498	0.57 491	1.24 508	0.90 505	0.78 488	0.96 491	1.05 498	0.85 487	1.56 506	1.26 507	0.97 503	0.99 503	0.88 504	0.57 502	1.04 504	0.88 504	0.81 501	0.75 502

JetBlue	0.73 489	0.46 480	1.21 498	0.52 483	0.47 484	2.16 509	0.67 497	0.78 488	0.72 479	0.70 479	0.79 484	1.21 494	0.84 493	1.06 505	1.04 505	0.40 482	0.28 475	0.33 476	0.33 478	0.30 474	0.34 481

MADNet++	1.97 507	1.75 510	1.66 503	1.83 509	1.69 510	2.38 510	1.45 510	2.36 510	2.11 511	2.58 510	2.37 511	2.25 509	2.21 510	2.28 510	2.36 510	1.87 510	1.67 510	1.53 510	1.34 510	1.87 509	1.78 511

JetRed	1.66 506	1.51 509	3.09 504	0.93 499	1.21 508	5.28 511	1.61 511	1.29 509	1.42 503	1.84 508	1.77 510	1.59 507	0.95 498	1.43 508	2.51 511	0.91 505	1.61 509	0.93 502	0.91 506	1.36 508	1.03 508

HaxPig	15.73 522	18.55 525	19.19 522	16.92 520	15.89 522	7.80 512	7.57 512	13.37 522	10.80 517	15.40 521	14.87 520	15.95 522	14.81 522	15.67 522	15.97 522	18.96 524	16.72 522	19.47 524	18.10 524	19.45 524	19.06 525

DPSMNet_ROB	8.06 514	4.50 512	8.69 517	5.36 516	10.74 518	8.32 513	22.71 517	5.47 513	13.38 518	5.13 512	9.98 515	5.10 512	10.47 517	5.53 513	12.77 518	3.80 515	8.00 516	3.49 512	6.95 515	3.75 515	7.09 517

DGTPSM_ROB	8.06 514	4.50 512	8.69 517	5.34 514	10.73 517	8.32 513	22.71 517	5.47 513	13.38 518	5.13 512	9.98 515	5.10 512	10.47 517	5.53 513	12.77 518	3.79 514	8.00 516	3.49 512	6.95 515	3.74 514	7.09 517

tt	4.65 509	0.07 92	3.54 507	2.01 510	1.55 509	10.25 515	16.66 515	8.90 518	5.03 512	1.33 505	0.96 491	4.71 511	4.74 511	3.33 511	5.86 513	6.06 517	10.30 521	1.87 511	2.09 512	2.61 510	1.19 510

MEDIAN_ROB	20.38 523	24.05 526	23.36 524	21.18 522	21.62 523	10.51 516	8.17 513	17.68 523	15.46 523	20.04 523	19.65 522	20.30 523	20.16 523	21.17 523	21.03 523	23.81 526	21.77 526	24.98 525	23.75 525	25.01 525	23.94 526

PML	8.57 516	9.39 520	6.24 509	5.34 514	6.36 515	13.21 517	20.99 516	5.35 512	6.68 513	17.75 522	26.46 527	7.58 514	6.08 513	7.89 515	5.76 512	5.33 516	1.83 511	5.95 520	1.93 511	8.75 518	2.53 512

xxxxx1	7.75 510	5.06 514	7.26 510	3.15 511	3.91 512	16.37 518	22.88 519	5.87 515	8.68 514	7.99 514	8.55 512	9.13 516	8.46 514	10.05 516	10.47 514	2.43 511	2.48 512	3.56 514	12.26 518	3.48 511	3.02 513

tt_ll	7.75 510	5.06 514	7.26 510	3.15 511	3.91 512	16.37 518	22.88 519	5.87 515	8.68 514	7.99 514	8.55 512	9.13 516	8.46 514	10.05 516	10.47 514	2.43 511	2.48 512	3.56 514	12.26 518	3.48 511	3.02 513

ff	7.75 510	5.06 514	7.26 510	3.15 511	3.91 512	16.37 518	22.88 519	5.87 515	8.68 514	7.99 514	8.55 512	9.13 516	8.46 514	10.05 516	10.47 514	2.43 511	2.48 512	3.56 514	12.26 518	3.48 511	3.02 513

AVERAGE_ROB	24.89 527	29.12 527	27.98 525	24.83 526	24.59 526	17.82 521	11.61 514	21.45 524	19.91 524	25.04 527	24.38 526	25.06 527	25.31 527	24.69 527	22.86 524	29.74 527	27.09 527	28.97 527	27.94 527	30.07 526	29.35 527

Anonymous_1	10.87 519	7.82 517	7.41 513	10.29 517	10.08 516	18.64 522	26.11 522	11.02 519	13.45 520	9.43 517	10.10 517	9.73 519	11.31 519	10.69 519	12.47 517	6.42 518	8.38 518	5.70 517	10.22 517	11.41 519	6.65 516

DPSM_ROB	11.10 520	8.47 518	7.95 514	10.84 518	11.58 519	19.10 523	26.50 523	12.02 520	14.09 521	10.38 518	10.91 518	10.39 520	11.92 520	11.67 520	13.39 520	6.99 519	8.79 519	5.82 518	6.92 513	6.97 516	7.31 519

DPSM	11.10 520	8.47 518	7.95 514	10.84 518	11.58 519	19.10 523	26.50 523	12.02 520	14.09 521	10.38 518	10.91 518	10.39 520	11.92 520	11.67 520	13.39 520	6.99 519	8.79 519	5.82 518	6.92 513	6.97 516	7.31 519

CasAABBNet	22.33 524	17.11 522	15.84 519	21.94 523	23.28 524	38.30 525	53.40 527	24.05 525	28.44 526	20.66 524	21.86 524	21.03 525	24.04 525	23.35 524	27.03 526	14.06 521	17.69 524	11.70 521	13.94 522	14.04 520	14.76 522

Selective-RAFT-Error	22.39 525	17.14 523	16.01 520	22.00 524	23.34 525	38.37 526	53.36 526	24.24 527	28.53 527	20.80 525	21.94 525	20.94 524	24.02 524	23.48 526	27.33 527	14.07 522	17.70 525	11.70 521	13.93 521	14.05 521	14.83 523

LSM0	22.80 526	17.22 524	19.17 521	22.12 525	28.90 527	38.38 527	53.27 525	24.21 526	28.36 525	20.84 526	21.11 523	21.63 526	24.25 526	23.42 525	26.98 525	14.08 523	17.39 523	11.72 523	13.98 523	14.22 522	14.66 521

test_example2	97.69 528	92.93 528	45.57 526	96.02 527	109.84 528	88.44 528	93.70 528	25.54 528	94.63 528	130.46 529	126.87 528	58.93 528	75.48 528	87.99 528	77.94 528	150.16 528	221.11 528	76.29 528	98.21 528	108.42 528	95.33 528

ccccc		285.89 529		366.70 529	366.78 529	118.88 529		113.97 529		125.77 528		120.54 529		252.62 529		382.79 529	352.84 529	254.30 529	222.62 529	426.61 529

Low-res two-view benchmark