Low-res two-view results

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

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

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

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

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

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

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

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

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

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

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

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

iRaft-Stereo_20w	0.09 10	0.05 5	0.13 113	0.14 12	0.09 125	0.12 106	0.15 123	0.19 115	0.11 18	0.11 64	0.08 18	0.08 25	0.05 2	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

MGS-Stereo	0.09 10	0.07 54	0.12 89	0.16 61	0.08 48	0.09 37	0.15 123	0.12 5	0.12 28	0.07 2	0.10 38	0.08 25	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

IGEV-Stereo	0.09 10	0.07 54	0.11 66	0.17 110	0.09 125	0.11 80	0.15 123	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 8	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
CroCo-Stereo	0.09 10	0.08 137	0.08 7	0.22 308	0.09 125	0.09 37	0.18 232	0.16 40	0.12 28	0.07 2	0.07 13	0.08 25	0.06 8	0.08 5	0.07 1	0.07 144	0.05 83	0.06 33	0.04 8	0.05 37	0.04 5
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
XX-Stereo	0.09 10	0.05 5	0.09 25	0.17 110	0.09 125	0.15 176	0.12 24	0.21 137	0.10 7	0.10 37	0.14 83	0.07 18	0.06 8	0.13 132	0.08 9	0.06 53	0.05 83	0.06 33	0.06 85	0.04 1	0.04 5

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

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

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

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

CASnet	0.09 10	0.09 184	0.09 25	0.19 224	0.06 3	0.07 16	0.11 11	0.18 91	0.14 58	0.11 64	0.10 38	0.09 40	0.07 31	0.10 16	0.10 46	0.06 53	0.04 2	0.10 272	0.08 214	0.06 94	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 10	0.06 18	0.13 113	0.17 110	0.08 48	0.11 80	0.16 174	0.15 26	0.10 7	0.08 6	0.10 38	0.08 25	0.07 31	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

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

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

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

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

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

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

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

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

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

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

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 7	0.07 16	0.09 37	0.12 24	0.14 19	0.14 58	0.10 37	0.14 83	0.08 25	0.07 31	0.10 16	0.11 74	0.06 53	0.04 2	0.05 2	0.05 34	0.04 1	0.04 5
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
TANstereo	0.09 10	0.04 1	0.08 7	0.13 7	0.06 3	0.11 80	0.13 46	0.15 26	0.19 125	0.11 64	0.15 94	0.10 60	0.07 31	0.12 95	0.09 17	0.07 144	0.05 83	0.05 2	0.04 8	0.06 94	0.05 44

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

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

PMTNet	0.09 10	0.05 5	0.09 25	0.12 3	0.06 3	0.13 127	0.14 77	0.16 40	0.11 18	0.09 18	0.13 75	0.10 60	0.07 31	0.14 150	0.10 46	0.15 350	0.04 2	0.05 2	0.03 1	0.07 152	0.06 100

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

Former-RAFT_DAM_RVC	0.11 74	0.08 137	0.13 113	0.16 61	0.08 48	0.15 176	0.16 174	0.18 91	0.19 125	0.10 37	0.09 25	0.09 40	0.08 51	0.11 43	0.12 124	0.07 144	0.05 83	0.08 162	0.06 85	0.07 152	0.06 100

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

AEACV	0.09 10	0.05 5	0.08 7	0.14 12	0.13 306	0.14 156	0.13 46	0.15 26	0.09 3	0.07 2	0.09 25	0.07 18	0.08 51	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 5

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

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

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

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

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

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

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

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

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

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

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

CREStereo	0.09 10	0.05 5	0.08 7	0.11 1	0.06 3	0.14 156	0.14 77	0.14 19	0.10 7	0.09 18	0.13 75	0.09 40	0.08 51	0.12 95	0.10 46	0.08 194	0.04 2	0.05 2	0.03 1	0.06 94	0.06 100
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 49	0.06 18	0.11 66	0.17 110	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 82	0.19 153	0.11 75	0.08 51	0.10 16	0.11 74	0.07 144	0.05 83	0.06 33	0.05 34	0.05 37	0.05 44

RAFT-Stereo	0.10 49	0.06 18	0.11 66	0.17 110	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 82	0.19 153	0.11 75	0.08 51	0.10 16	0.11 74	0.07 144	0.05 83	0.06 33	0.05 34	0.05 37	0.05 44
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
RAFT-Test	0.09 10	0.06 18	0.10 41	0.16 61	0.07 16	0.11 80	0.15 123	0.16 40	0.13 44	0.09 18	0.10 38	0.11 75	0.09 69	0.12 95	0.09 17	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

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

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

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

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

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

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

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

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

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

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

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

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

MyStereo8	0.12 136	0.07 54	0.15 175	0.15 36	0.09 125	0.18 234	0.14 77	0.19 115	0.22 175	0.12 82	0.18 142	0.11 75	0.10 82	0.16 189	0.18 246	0.07 144	0.05 83	0.07 102	0.05 34	0.08 200	0.09 248

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Anonymous3	0.16 241	0.14 307	0.34 343	0.26 349	0.14 321	0.27 332	0.18 232	0.28 246	0.28 245	0.15 148	0.17 122	0.14 132	0.11 106	0.16 189	0.12 124	0.08 194	0.08 272	0.08 162	0.08 214	0.08 200	0.11 291

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

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

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

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

GMStereo	0.13 160	0.15 313	0.14 149	0.18 177	0.09 125	0.16 198	0.16 174	0.20 126	0.25 210	0.17 185	0.17 122	0.11 75	0.11 106	0.16 189	0.13 151	0.07 144	0.06 192	0.06 33	0.06 85	0.07 152	0.06 100
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
HITNet	0.11 74	0.06 18	0.12 89	0.14 12	0.06 3	0.12 106	0.10 5	0.18 91	0.18 111	0.13 106	0.17 122	0.15 153	0.11 106	0.15 164	0.14 175	0.06 53	0.04 2	0.04 1	0.04 8	0.06 94	0.05 44
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
CoDeX	0.12 136	0.07 54	0.13 113	0.17 110	0.08 48	0.12 106	0.16 174	0.23 170	0.27 232	0.13 106	0.17 122	0.15 153	0.12 135	0.14 150	0.11 74	0.07 144	0.05 83	0.07 102	0.06 85	0.06 94	0.05 44

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DIP-Stereo	0.11 74	0.08 137	0.15 175	0.17 110	0.09 125	0.13 127	0.09 3	0.16 40	0.16 86	0.12 82	0.16 106	0.14 132	0.12 135	0.16 189	0.14 175	0.06 53	0.05 83	0.06 33	0.05 34	0.05 37	0.07 153
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
DualNet	0.13 160	0.09 184	0.15 175	0.16 61	0.09 125	0.17 218	0.17 194	0.15 26	0.19 125	0.15 148	0.26 236	0.19 199	0.13 164	0.10 16	0.22 288	0.06 53	0.05 83	0.09 231	0.08 214	0.06 94	0.06 100

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

SFCPSM	0.13 160	0.07 54	0.15 175	0.17 110	0.09 125	0.15 176	0.16 174	0.28 246	0.27 232	0.14 127	0.18 142	0.12 94	0.13 164	0.14 150	0.11 74	0.08 194	0.05 83	0.07 102	0.07 162	0.07 152	0.06 100

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CASS	0.14 185	0.12 273	0.12 89	0.23 325	0.09 125	0.15 176	0.17 194	0.19 115	0.20 143	0.17 185	0.18 142	0.15 153	0.15 211	0.15 164	0.14 175	0.09 237	0.06 192	0.10 272	0.08 214	0.09 252	0.07 153
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 272	0.09 184	0.30 332	0.15 36	0.11 257	0.23 300	0.20 281	0.27 225	0.40 318	0.26 303	0.43 352	0.25 266	0.15 211	0.21 275	0.20 264	0.07 144	0.05 83	0.06 33	0.05 34	0.10 277	0.09 248

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

NLCA_NET_v2_RVC	0.17 259	0.10 240	0.23 299	0.20 266	0.10 219	0.15 176	0.18 232	0.31 283	0.25 210	0.21 253	0.31 279	0.25 266	0.17 243	0.21 275	0.20 264	0.09 237	0.06 192	0.08 162	0.09 254	0.07 152	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
HSM	0.15 217	0.09 184	0.15 175	0.16 61	0.09 125	0.16 198	0.14 77	0.28 246	0.25 210	0.20 244	0.24 198	0.37 339	0.17 243	0.20 260	0.15 205	0.07 144	0.05 83	0.07 102	0.06 85	0.07 152	0.06 100

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

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

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

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

ICVP	0.16 241	0.09 184	0.12 89	0.22 308	0.09 125	0.18 234	0.21 294	0.26 213	0.24 194	0.18 213	0.30 276	0.27 280	0.18 254	0.18 228	0.15 205	0.10 268	0.07 246	0.08 162	0.07 162	0.07 152	0.08 216
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 241	0.09 184	0.15 175	0.18 177	0.10 219	0.22 289	0.17 194	0.24 188	0.22 175	0.19 224	0.24 198	0.29 295	0.18 254	0.19 247	0.22 288	0.09 237	0.08 272	0.08 162	0.09 254	0.07 152	0.06 100

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

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

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

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

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

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

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

StereoDRNet-Refined	0.17 259	0.12 273	0.16 210	0.20 266	0.10 219	0.18 234	0.18 232	0.27 225	0.24 194	0.26 303	0.41 343	0.23 248	0.18 254	0.21 275	0.21 275	0.09 237	0.05 83	0.09 231	0.10 285	0.07 152	0.07 153
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 259	0.10 240	0.18 255	0.17 110	0.11 257	0.21 276	0.22 305	0.34 311	0.25 210	0.23 275	0.23 188	0.27 280	0.19 268	0.22 292	0.21 275	0.11 293	0.10 314	0.09 231	0.09 254	0.08 200	0.08 216

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

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

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

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

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

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

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

Anonymous Stereo	0.24 329	0.19 346	0.52 369	0.25 339	0.18 362	0.21 276	0.22 305	0.34 311	0.45 339	0.25 299	0.35 309	0.26 275	0.19 268	0.31 342	0.29 346	0.13 330	0.12 333	0.12 315	0.13 336	0.12 306	0.14 331

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

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

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

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

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

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

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

SGM-Forest	0.20 288	0.14 307	0.18 255	0.20 266	0.13 306	0.21 276	0.22 305	0.33 297	0.31 264	0.24 286	0.29 270	0.28 288	0.20 281	0.23 299	0.18 246	0.15 350	0.16 362	0.15 346	0.14 342	0.13 321	0.12 309
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 272	0.11 258	0.20 280	0.19 224	0.12 285	0.26 324	0.21 294	0.26 213	0.35 295	0.22 262	0.34 305	0.27 280	0.21 285	0.21 275	0.23 298	0.09 237	0.09 293	0.08 162	0.10 285	0.08 200	0.07 153

DGSMNet	0.25 336	0.19 346	0.34 343	0.21 292	0.24 376	0.24 306	0.21 294	0.36 331	0.42 327	0.25 299	0.32 288	0.38 345	0.21 285	0.29 335	0.24 309	0.13 330	0.11 325	0.14 339	0.16 354	0.23 372	0.23 378

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CBMV	0.20 288	0.15 313	0.18 255	0.18 177	0.10 219	0.20 266	0.11 11	0.30 270	0.31 264	0.29 327	0.31 279	0.31 314	0.23 298	0.28 328	0.19 256	0.13 330	0.15 357	0.17 355	0.16 354	0.10 277	0.10 270
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 259	0.11 258	0.19 277	0.17 110	0.11 257	0.16 198	0.26 345	0.24 188	0.33 274	0.19 224	0.24 198	0.26 275	0.24 305	0.19 247	0.21 275	0.07 144	0.08 272	0.09 231	0.10 285	0.09 252	0.08 216

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

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

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

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

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

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

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

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

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

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

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

PWC_ROB	0.21 298	0.16 321	0.27 317	0.18 177	0.11 257	0.22 289	0.13 46	0.33 297	0.49 351	0.30 332	0.40 333	0.32 320	0.25 311	0.31 342	0.23 298	0.10 268	0.07 246	0.11 298	0.08 214	0.11 293	0.10 270

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

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

PA-Net	0.24 329	0.18 343	0.34 343	0.28 362	0.22 373	0.22 289	0.39 388	0.29 260	0.39 314	0.22 262	0.33 295	0.25 266	0.26 318	0.21 275	0.25 316	0.10 268	0.23 384	0.15 346	0.22 372	0.09 252	0.13 318
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.20 288	0.09 184	0.22 293	0.17 110	0.10 219	0.25 314	0.18 232	0.28 246	0.45 339	0.23 275	0.32 288	0.34 330	0.26 318	0.29 335	0.29 346	0.08 194	0.06 192	0.07 102	0.07 162	0.09 252	0.10 270

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

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

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

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

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

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

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

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

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

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

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

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

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

UDG	0.21 298	0.17 330	0.20 280	0.23 325	0.15 331	0.31 347	0.20 281	0.33 297	0.35 295	0.24 286	0.28 260	0.31 314	0.29 335	0.21 275	0.23 298	0.15 350	0.12 333	0.13 328	0.09 254	0.14 336	0.15 346

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

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

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

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

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

Abc-Net	0.25 336	0.15 313	0.31 335	0.26 349	0.17 353	0.21 276	0.31 372	0.41 358	0.40 318	0.24 286	0.38 323	0.33 326	0.29 335	0.37 365	0.28 339	0.13 330	0.11 325	0.15 346	0.22 372	0.13 321	0.13 318
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 346	0.15 313	0.31 335	0.24 333	0.18 362	0.23 300	0.15 123	0.39 350	0.72 389	0.32 344	0.42 349	0.36 337	0.29 335	0.33 349	0.30 352	0.13 330	0.11 325	0.14 339	0.13 336	0.16 355	0.20 373

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

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

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

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

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

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

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

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

ADCL	0.25 336	0.12 273	0.49 367	0.22 308	0.12 285	0.36 363	0.29 365	0.30 270	0.57 369	0.24 286	0.47 360	0.30 302	0.31 351	0.30 341	0.30 352	0.09 237	0.07 246	0.09 231	0.09 254	0.10 277	0.10 270

CC-Net-ROB	0.28 353	0.31 381	0.36 351	0.30 371	0.15 331	0.25 314	0.19 267	0.45 373	0.34 284	0.39 358	0.37 316	0.39 350	0.31 351	0.27 320	0.27 332	0.24 385	0.18 368	0.30 386	0.23 376	0.19 367	0.15 346

DANet	0.21 298	0.16 321	0.29 327	0.25 339	0.13 306	0.23 300	0.19 267	0.28 246	0.27 232	0.28 322	0.32 288	0.35 335	0.32 353	0.31 342	0.24 309	0.11 293	0.09 293	0.11 298	0.10 285	0.13 321	0.11 291
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
GANetREF_RVC	0.31 364	0.34 383	0.29 327	0.35 379	0.16 343	0.33 351	0.42 391	0.48 378	0.52 362	0.35 349	0.35 309	0.34 330	0.32 353	0.40 373	0.33 364	0.27 387	0.20 374	0.29 384	0.15 352	0.19 367	0.18 365
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
FAT-Stereo	0.21 298	0.13 292	0.22 293	0.21 292	0.12 285	0.18 234	0.18 232	0.35 326	0.40 318	0.28 322	0.37 316	0.33 326	0.33 355	0.21 275	0.20 264	0.09 237	0.11 325	0.10 272	0.09 254	0.11 293	0.14 331

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

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

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

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

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

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

SGM_RVC	0.24 329	0.12 273	0.16 210	0.15 36	0.09 125	0.34 355	0.19 267	0.35 326	0.32 269	0.44 372	0.38 323	0.53 379	0.36 362	0.36 361	0.26 327	0.13 330	0.13 345	0.13 328	0.13 336	0.11 293	0.11 291
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.30 359	0.19 346	0.48 366	0.21 292	0.18 362	0.29 342	0.24 324	0.42 362	0.64 381	0.40 361	0.50 364	0.40 356	0.37 363	0.40 373	0.43 382	0.13 330	0.13 345	0.13 328	0.14 342	0.16 355	0.16 355

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

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

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

MFN_U_SF_RVC	0.33 366	0.22 360	0.58 378	0.31 373	0.15 331	0.36 363	0.17 194	0.54 386	0.46 347	0.47 376	0.56 371	0.58 382	0.39 366	0.36 361	0.38 375	0.15 350	0.15 357	0.18 363	0.21 369	0.16 355	0.16 355

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

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

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

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

MSMD_ROB	0.31 364	0.26 371	0.26 315	0.24 333	0.21 371	0.34 355	0.25 339	0.34 311	0.39 314	0.40 361	0.69 385	0.45 366	0.41 371	0.34 352	0.28 339	0.20 374	0.20 374	0.26 375	0.25 378	0.23 372	0.22 377

MeshStereo	0.27 351	0.13 292	0.18 255	0.15 36	0.11 257	0.33 351	0.24 324	0.41 358	0.36 300	0.53 380	0.58 377	0.67 389	0.41 371	0.36 361	0.27 332	0.14 348	0.13 345	0.13 328	0.11 308	0.11 293	0.11 291
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
Ntro	0.41 376	0.40 388	0.54 372	0.46 392	0.30 387	0.64 389	0.24 324	0.47 377	0.68 384	0.42 367	0.49 362	0.47 373	0.42 374	0.40 373	0.32 361	0.32 389	0.28 388	0.37 389	0.31 387	0.33 390	0.29 386

FCDSN-DC	0.33 366	0.28 373	0.28 319	0.30 371	0.24 376	0.39 371	0.28 355	0.43 367	0.42 327	0.44 372	0.53 368	0.51 376	0.42 374	0.37 365	0.30 352	0.21 376	0.20 374	0.27 378	0.26 379	0.25 380	0.25 380
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
ADCMid	0.26 346	0.15 313	0.42 359	0.20 266	0.14 321	0.25 314	0.26 345	0.35 326	0.40 318	0.37 355	0.45 356	0.34 330	0.42 374	0.36 361	0.36 368	0.10 268	0.09 293	0.11 298	0.11 308	0.13 321	0.13 318

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

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

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

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

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

LE_ROB	0.50 387	0.07 54	0.14 149	0.15 36	0.08 48	0.26 324	0.17 194	0.23 170	1.71 417	4.68 421	0.67 382	0.46 370	0.47 380	0.21 275	0.30 352	0.07 144	0.06 192	0.06 33	0.06 85	0.08 200	0.06 100

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

Consistency-Raft	0.44 380	0.40 388	0.46 362	0.37 383	0.43 392	0.42 374	0.41 389	0.57 388	0.55 366	0.32 344	0.73 389	0.32 320	0.50 383	0.42 379	0.49 391	0.39 392	0.36 392	0.45 392	0.52 402	0.42 392	0.30 388

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

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

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

ELAS_RVC	0.42 378	0.29 379	0.33 340	0.28 362	0.24 376	0.56 384	0.38 386	0.50 380	0.61 376	0.74 394	0.76 392	0.67 389	0.56 388	0.55 389	0.42 381	0.22 378	0.21 381	0.27 378	0.26 379	0.27 384	0.26 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 378	0.29 379	0.34 343	0.28 362	0.24 376	0.63 388	0.37 384	0.52 383	0.52 362	0.72 391	0.82 396	0.68 391	0.56 388	0.52 385	0.45 388	0.22 378	0.21 381	0.27 378	0.26 379	0.26 382	0.26 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM+DAISY	0.57 391	0.58 393	0.67 387	0.41 385	0.55 398	0.68 393	0.51 397	0.57 388	0.46 347	0.67 386	0.70 386	0.69 392	0.57 390	0.64 396	0.58 397	0.59 404	0.49 401	0.50 394	0.50 399	0.52 394	0.59 404

SPS-STEREO	0.58 392	0.59 395	0.66 383	0.45 389	0.55 398	0.65 390	0.44 394	0.63 395	0.51 356	0.69 388	0.65 381	0.66 388	0.58 391	0.62 395	0.62 399	0.62 406	0.47 399	0.51 395	0.49 397	0.55 397	0.58 401
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.40 375	0.21 356	0.40 355	0.32 376	0.23 374	0.30 345	0.45 395	0.53 385	0.97 402	0.55 382	0.80 395	0.54 380	0.60 392	0.53 387	0.40 378	0.19 370	0.14 353	0.17 355	0.14 342	0.24 378	0.32 390

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

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

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

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

MFMNet_re	0.65 393	0.66 400	0.66 383	0.51 393	0.69 409	0.70 394	0.58 401	0.65 396	0.75 393	0.61 384	0.73 389	0.63 385	0.68 396	0.65 397	0.60 398	0.66 407	0.58 413	0.63 399	0.59 403	0.68 404	0.69 411

NVStereoNet_ROB	0.47 385	0.37 385	0.47 365	0.42 387	0.29 386	0.35 359	0.35 382	0.50 380	0.61 376	0.73 392	0.94 400	0.70 393	0.68 396	0.48 382	0.62 399	0.22 378	0.33 391	0.34 388	0.34 391	0.30 385	0.31 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet_2	0.67 396	0.68 401	0.70 394	0.64 397	0.41 390	0.75 399	0.50 396	0.98 408	1.38 412	0.90 402	1.09 407	1.04 399	0.74 399	0.55 389	0.48 390	0.43 394	0.40 394	0.53 397	0.45 394	0.48 393	0.36 394

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Low-res two-view benchmark