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 19	0.09 25	0.17 111	0.06 3	0.08 22	0.12 24	0.13 12	0.08 1	0.08 6	0.07 13	0.06 3	0.04 1	0.10 16	0.09 17	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

panet	0.08 2	0.05 5	0.07 1	0.12 3	0.05 1	0.12 106	0.10 5	0.13 12	0.10 7	0.08 6	0.13 76	0.09 40	0.08 52	0.11 43	0.10 47	0.08 194	0.05 82	0.05 2	0.03 1	0.06 94	0.05 44

MoCha-V2	0.08 2	0.05 5	0.11 65	0.20 267	0.07 15	0.10 57	0.14 77	0.12 4	0.08 1	0.07 2	0.08 17	0.07 18	0.06 7	0.09 10	0.08 9	0.05 2	0.05 82	0.05 2	0.04 8	0.04 1	0.04 4

LargeStereo	0.08 2	0.06 19	0.09 25	0.18 178	0.07 15	0.10 57	0.13 46	0.10 1	0.10 7	0.08 6	0.08 17	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 4

LoS_RVC	0.08 2	0.05 5	0.07 1	0.15 37	0.07 15	0.08 22	0.15 124	0.12 4	0.11 18	0.08 6	0.09 25	0.06 3	0.09 70	0.10 16	0.09 17	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.04 4

CAS	0.08 2	0.04 1	0.07 1	0.17 111	0.08 48	0.10 57	0.13 46	0.12 4	0.09 3	0.09 18	0.10 39	0.08 25	0.06 7	0.09 10	0.09 17	0.08 194	0.04 2	0.05 2	0.03 1	0.05 37	0.04 4

CES	0.08 2	0.04 1	0.08 7	0.14 12	0.07 15	0.09 36	0.14 77	0.11 2	0.09 3	0.08 6	0.09 25	0.11 75	0.07 31	0.12 95	0.08 9	0.06 53	0.04 2	0.05 2	0.03 1	0.05 37	0.05 44

EGLCR-Stereo	0.08 2	0.05 5	0.08 7	0.14 12	0.07 15	0.11 80	0.12 24	0.11 2	0.16 87	0.06 1	0.05 1	0.07 18	0.05 2	0.10 16	0.11 75	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

CREStereo++_RVC	0.08 2	0.04 1	0.07 1	0.13 7	0.07 15	0.09 36	0.12 24	0.14 19	0.14 58	0.10 37	0.14 84	0.08 25	0.07 31	0.10 16	0.11 75	0.06 53	0.04 2	0.05 2	0.05 34	0.04 1	0.04 4
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
MGS-Stereo	0.09 10	0.07 54	0.12 90	0.16 62	0.08 48	0.09 36	0.15 124	0.12 4	0.12 28	0.07 2	0.10 39	0.08 25	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

ff7	0.09 10	0.07 54	0.11 65	0.16 62	0.09 125	0.11 80	0.15 124	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	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 65	0.16 62	0.10 219	0.11 80	0.15 124	0.16 40	0.12 28	0.10 37	0.06 2	0.08 25	0.06 7	0.10 16	0.09 17	0.06 53	0.05 82	0.06 33	0.05 34	0.05 37	0.06 100

ffff	0.09 10	0.07 54	0.11 65	0.16 62	0.09 125	0.11 80	0.15 124	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	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	0.13 114	0.16 62	0.10 219	0.11 80	0.15 124	0.16 40	0.15 71	0.10 37	0.06 2	0.08 25	0.06 7	0.10 16	0.09 17	0.06 53	0.05 82	0.06 33	0.05 34	0.05 37	0.06 100

11t	0.09 10	0.07 54	0.11 65	0.16 62	0.09 125	0.11 80	0.15 124	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

StereoIM	0.09 10	0.09 185	0.08 7	0.17 111	0.09 125	0.14 157	0.11 11	0.16 40	0.16 87	0.09 18	0.11 55	0.06 3	0.06 7	0.09 10	0.13 152	0.07 144	0.06 192	0.08 162	0.05 34	0.05 37	0.04 4

IGEV_Zeroshot_test	0.09 10	0.05 5	0.13 114	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 7	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 62	0.07 15	0.10 57	0.13 46	0.15 26	0.14 58	0.09 18	0.09 25	0.09 40	0.06 7	0.12 95	0.11 75	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	0.18 178	0.08 48	0.13 127	0.11 11	0.12 4	0.11 18	0.10 37	0.12 65	0.05 1	0.06 7	0.09 10	0.10 47	0.07 144	0.06 192	0.05 2	0.05 34	0.06 94	0.05 44

CASnet	0.09 10	0.09 185	0.09 25	0.19 225	0.06 3	0.07 15	0.11 11	0.18 91	0.14 58	0.11 64	0.10 39	0.09 40	0.07 31	0.10 16	0.10 47	0.06 53	0.04 2	0.10 273	0.08 215	0.06 94	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
AEACV	0.09 10	0.05 5	0.08 7	0.14 12	0.13 307	0.14 157	0.13 46	0.15 26	0.09 3	0.07 2	0.09 25	0.07 18	0.08 52	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 4

RAFT-Test	0.09 10	0.06 19	0.10 40	0.16 62	0.07 15	0.11 80	0.15 124	0.16 40	0.13 44	0.09 18	0.10 39	0.11 75	0.09 70	0.12 95	0.09 17	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

HH	0.09 10	0.06 19	0.13 114	0.17 111	0.08 48	0.11 80	0.16 175	0.15 26	0.10 7	0.08 6	0.10 39	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 4

HanStereo	0.09 10	0.06 19	0.13 114	0.17 111	0.08 48	0.11 80	0.16 175	0.15 26	0.10 7	0.08 6	0.10 39	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 4

anonymousdsp	0.09 10	0.07 54	0.11 65	0.17 111	0.09 125	0.11 80	0.15 124	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

LoS	0.09 10	0.05 5	0.11 65	0.13 7	0.07 15	0.14 157	0.11 11	0.15 26	0.15 71	0.09 18	0.09 25	0.12 95	0.09 70	0.15 165	0.10 47	0.07 144	0.05 82	0.05 2	0.03 1	0.05 37	0.05 44

ProNet	0.09 10	0.07 54	0.11 65	0.17 111	0.08 48	0.11 80	0.15 124	0.15 26	0.12 28	0.10 37	0.06 2	0.07 18	0.06 7	0.11 43	0.09 17	0.05 2	0.05 82	0.06 33	0.05 34	0.04 1	0.06 100

MC-Stereo	0.09 10	0.07 54	0.09 25	0.17 111	0.06 3	0.10 57	0.14 77	0.12 4	0.11 18	0.09 18	0.12 65	0.09 40	0.06 7	0.11 43	0.10 47	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

RCA-Stereo	0.09 10	0.06 19	0.09 25	0.16 62	0.06 3	0.09 36	0.13 46	0.18 91	0.14 58	0.10 37	0.11 55	0.08 25	0.07 31	0.12 95	0.11 75	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.04 4

CroCo-Stereo Lap2	0.09 10	0.09 185	0.08 7	0.22 310	0.09 125	0.09 36	0.18 233	0.16 40	0.12 28	0.09 18	0.10 39	0.05 1	0.05 2	0.08 5	0.08 9	0.06 53	0.06 192	0.07 102	0.05 34	0.06 94	0.05 44

ccc-4	0.09 10	0.07 54	0.11 65	0.16 62	0.09 125	0.11 80	0.15 124	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	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 65	0.17 111	0.09 125	0.11 80	0.15 124	0.16 40	0.12 28	0.10 37	0.06 2	0.06 3	0.06 7	0.11 43	0.09 17	0.05 2	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
iRaft-Stereo_20w	0.09 10	0.05 5	0.13 114	0.14 12	0.09 125	0.12 106	0.15 124	0.19 115	0.11 18	0.11 64	0.08 17	0.08 25	0.05 2	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

test-3	0.09 10	0.06 19	0.10 40	0.18 178	0.07 15	0.07 15	0.14 77	0.12 4	0.16 87	0.10 37	0.08 17	0.08 25	0.08 52	0.11 43	0.10 47	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 4

test_1	0.09 10	0.06 19	0.10 40	0.18 178	0.07 15	0.07 15	0.14 77	0.12 4	0.16 87	0.10 37	0.08 17	0.08 25	0.08 52	0.11 43	0.10 47	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 4

CroCo-Stereo	0.09 10	0.08 138	0.08 7	0.22 310	0.09 125	0.09 36	0.18 233	0.16 40	0.12 28	0.07 2	0.07 13	0.08 25	0.06 7	0.08 5	0.07 1	0.07 144	0.05 82	0.06 33	0.04 8	0.05 37	0.04 4
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 10	0.04 1	0.08 7	0.13 7	0.06 3	0.11 80	0.13 46	0.15 26	0.19 126	0.11 64	0.15 95	0.10 60	0.07 31	0.12 95	0.09 17	0.07 144	0.05 82	0.05 2	0.04 8	0.06 94	0.05 44

XX-TBD	0.09 10	0.06 19	0.07 1	0.14 12	0.07 15	0.13 127	0.16 175	0.14 19	0.14 58	0.11 64	0.12 65	0.09 40	0.08 52	0.10 16	0.10 47	0.06 53	0.04 2	0.05 2	0.04 8	0.06 94	0.05 44

raftrobust	0.09 10	0.06 19	0.11 65	0.17 111	0.08 48	0.09 36	0.10 5	0.18 91	0.16 87	0.10 37	0.09 25	0.12 95	0.08 52	0.12 95	0.10 47	0.08 194	0.05 82	0.06 33	0.05 34	0.05 37	0.06 100

XX-Stereo	0.09 10	0.05 5	0.09 25	0.17 111	0.09 125	0.15 177	0.12 24	0.21 137	0.10 7	0.10 37	0.14 84	0.07 18	0.06 7	0.13 132	0.08 9	0.06 53	0.05 82	0.06 33	0.06 85	0.04 1	0.04 4

test_xeample3	0.09 10	0.07 54	0.12 90	0.16 62	0.09 125	0.11 80	0.15 124	0.16 40	0.14 58	0.10 37	0.07 13	0.08 25	0.06 7	0.10 16	0.09 17	0.06 53	0.04 2	0.06 33	0.05 34	0.05 37	0.06 100

RAFT-Stereo + iAFF	0.09 10	0.06 19	0.10 40	0.17 111	0.07 15	0.10 57	0.15 124	0.17 67	0.15 71	0.10 37	0.10 39	0.08 25	0.09 70	0.12 95	0.10 47	0.05 2	0.04 2	0.06 33	0.06 85	0.04 1	0.03 1

AFF-stereo	0.09 10	0.07 54	0.10 40	0.17 111	0.07 15	0.10 57	0.15 124	0.18 91	0.10 7	0.10 37	0.11 55	0.09 40	0.10 83	0.12 95	0.10 47	0.05 2	0.04 2	0.07 102	0.07 162	0.04 1	0.04 4

EAI-Stereo	0.09 10	0.07 54	0.11 65	0.16 62	0.07 15	0.10 57	0.15 124	0.16 40	0.09 3	0.08 6	0.09 25	0.08 25	0.07 31	0.09 10	0.11 75	0.05 2	0.05 82	0.05 2	0.05 34	0.05 37	0.04 4

CFNet-RSSM	0.09 10	0.07 54	0.10 40	0.16 62	0.07 15	0.09 36	0.15 124	0.17 67	0.18 112	0.08 6	0.12 65	0.11 75	0.09 70	0.12 95	0.10 47	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.04 4

Gwc-CoAtRS	0.09 10	0.07 54	0.10 40	0.16 62	0.07 15	0.10 57	0.15 124	0.18 91	0.17 102	0.08 6	0.10 39	0.12 95	0.09 70	0.12 95	0.09 17	0.06 53	0.04 2	0.06 33	0.04 8	0.04 1	0.05 44

CREStereo	0.09 10	0.05 5	0.08 7	0.11 1	0.06 3	0.14 157	0.14 77	0.14 19	0.10 7	0.09 18	0.13 76	0.09 40	0.08 52	0.12 95	0.10 47	0.08 194	0.04 2	0.05 2	0.03 1	0.06 94	0.06 100
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
PMTNet	0.09 10	0.05 5	0.09 25	0.12 3	0.06 3	0.13 127	0.14 77	0.16 40	0.11 18	0.09 18	0.13 76	0.10 60	0.07 31	0.14 150	0.10 47	0.15 351	0.04 2	0.05 2	0.03 1	0.07 152	0.06 100

H2IRNET	0.10 49	0.09 185	0.10 40	0.18 178	0.09 125	0.12 106	0.15 124	0.14 19	0.21 157	0.10 37	0.10 39	0.10 60	0.11 107	0.10 16	0.10 47	0.06 53	0.04 2	0.08 162	0.08 215	0.06 94	0.05 44

MyStereo07	0.10 49	0.07 54	0.10 40	0.17 111	0.09 125	0.14 157	0.17 195	0.15 26	0.15 71	0.09 18	0.06 2	0.06 3	0.07 31	0.12 95	0.09 17	0.06 53	0.05 82	0.08 162	0.07 162	0.06 94	0.06 100

MyStereo06	0.10 49	0.07 54	0.12 90	0.17 111	0.09 125	0.13 127	0.18 233	0.19 115	0.12 28	0.13 107	0.08 17	0.07 18	0.07 31	0.11 43	0.09 17	0.06 53	0.05 82	0.08 162	0.07 162	0.06 94	0.06 100

AE-Stereo	0.10 49	0.08 138	0.11 65	0.19 225	0.09 125	0.10 57	0.15 124	0.14 19	0.20 144	0.09 18	0.15 95	0.12 95	0.08 52	0.11 43	0.10 47	0.05 2	0.06 192	0.07 102	0.06 85	0.05 37	0.04 4

ACVNet-DCA	0.10 49	0.08 138	0.13 114	0.17 111	0.09 125	0.13 127	0.15 124	0.24 188	0.16 87	0.09 18	0.09 25	0.06 3	0.06 7	0.10 16	0.07 1	0.06 53	0.05 82	0.06 33	0.05 34	0.07 152	0.07 153

cc1	0.10 49	0.08 138	0.13 114	0.17 111	0.09 125	0.13 127	0.15 124	0.16 40	0.18 112	0.09 18	0.09 25	0.06 3	0.06 7	0.10 16	0.07 1	0.06 53	0.05 82	0.06 33	0.05 34	0.06 94	0.06 100

tt1	0.10 49	0.08 138	0.13 114	0.17 111	0.09 125	0.13 127	0.15 124	0.15 26	0.19 126	0.09 18	0.08 17	0.06 3	0.06 7	0.10 16	0.08 9	0.06 53	0.05 82	0.06 33	0.05 34	0.06 94	0.06 100

MIM_Stereo	0.10 49	0.07 54	0.11 65	0.15 37	0.07 15	0.07 15	0.12 24	0.20 126	0.14 58	0.13 107	0.14 84	0.09 40	0.05 2	0.12 95	0.08 9	0.05 2	0.06 192	0.07 102	0.06 85	0.06 94	0.05 44

Any-RAFT	0.10 49	0.05 5	0.10 40	0.15 37	0.07 15	0.13 127	0.14 77	0.21 137	0.15 71	0.11 64	0.12 65	0.13 117	0.10 83	0.13 132	0.10 47	0.07 144	0.04 2	0.05 2	0.04 8	0.06 94	0.05 44

4D-IteraStereo	0.10 49	0.07 54	0.10 40	0.18 178	0.07 15	0.09 36	0.15 124	0.18 91	0.15 71	0.10 37	0.11 55	0.10 60	0.07 31	0.12 95	0.09 17	0.05 2	0.03 1	0.08 162	0.07 162	0.06 94	0.05 44

fff	0.10 49	0.06 19	0.12 90	0.15 37	0.07 15	0.09 36	0.17 195	0.16 40	0.21 157	0.13 107	0.17 123	0.10 60	0.11 107	0.12 95	0.13 152	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

ADStereo(finetuned)	0.10 49	0.06 19	0.13 114	0.16 62	0.06 3	0.09 36	0.17 195	0.16 40	0.20 144	0.13 107	0.18 143	0.10 60	0.12 136	0.12 95	0.12 125	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

TRStereo	0.10 49	0.05 5	0.12 90	0.16 62	0.12 286	0.10 57	0.13 46	0.18 91	0.19 126	0.09 18	0.09 25	0.09 40	0.07 31	0.10 16	0.08 9	0.07 144	0.05 82	0.07 102	0.07 162	0.04 1	0.04 4

STrans-v2	0.10 49	0.07 54	0.13 114	0.18 178	0.08 48	0.10 57	0.14 77	0.22 156	0.11 18	0.11 64	0.15 95	0.12 95	0.10 83	0.11 43	0.12 125	0.05 2	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

TransformOpticalFlow	0.10 49	0.08 138	0.13 114	0.18 178	0.07 15	0.09 36	0.15 124	0.19 115	0.16 87	0.12 83	0.16 107	0.11 75	0.11 107	0.11 43	0.11 75	0.05 2	0.04 2	0.06 33	0.06 85	0.05 37	0.05 44

AnonymousM	0.10 49	0.06 19	0.10 40	0.14 12	0.07 15	0.09 36	0.13 46	0.19 115	0.14 58	0.13 107	0.12 65	0.09 40	0.08 52	0.13 132	0.10 47	0.08 194	0.05 82	0.08 162	0.05 34	0.05 37	0.05 44

cross-raft	0.10 49	0.09 185	0.09 25	0.19 225	0.07 15	0.11 80	0.24 325	0.13 12	0.15 71	0.08 6	0.10 39	0.12 95	0.10 83	0.09 10	0.11 75	0.05 2	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

test-1	0.10 49	0.07 54	0.17 230	0.19 225	0.08 48	0.11 80	0.24 325	0.15 26	0.18 112	0.09 18	0.07 13	0.10 60	0.08 52	0.08 5	0.09 17	0.06 53	0.04 2	0.06 33	0.06 85	0.04 1	0.05 44

iRaftStereo_RVC	0.10 49	0.07 54	0.10 40	0.17 111	0.09 125	0.11 80	0.17 195	0.18 91	0.12 28	0.09 18	0.11 55	0.10 60	0.07 31	0.11 43	0.10 47	0.05 2	0.04 2	0.08 162	0.08 215	0.04 1	0.04 4

s12784h	0.10 49	0.06 19	0.08 7	0.15 37	0.05 1	0.16 199	0.18 233	0.16 40	0.15 71	0.10 37	0.11 55	0.11 75	0.11 107	0.11 43	0.12 125	0.05 2	0.04 2	0.06 33	0.04 8	0.04 1	0.04 4

DCANet	0.10 49	0.06 19	0.12 90	0.16 62	0.06 3	0.09 36	0.17 195	0.16 40	0.20 144	0.13 107	0.18 143	0.10 60	0.11 107	0.11 43	0.12 125	0.06 53	0.04 2	0.05 2	0.04 8	0.05 37	0.05 44

csc	0.10 49	0.06 19	0.12 90	0.15 37	0.07 15	0.09 36	0.17 195	0.16 40	0.21 157	0.13 107	0.17 123	0.10 60	0.11 107	0.12 95	0.13 152	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

cscssc	0.10 49	0.06 19	0.12 90	0.15 37	0.07 15	0.09 36	0.17 195	0.16 40	0.21 157	0.13 107	0.17 123	0.10 60	0.11 107	0.12 95	0.13 152	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

R-Stereo Train	0.10 49	0.06 19	0.11 65	0.17 111	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 83	0.19 154	0.11 75	0.08 52	0.10 16	0.11 75	0.07 144	0.05 82	0.06 33	0.05 34	0.05 37	0.05 44

RAFT-Stereo	0.10 49	0.06 19	0.11 65	0.17 111	0.08 48	0.11 80	0.14 77	0.24 188	0.11 18	0.12 83	0.19 154	0.11 75	0.08 52	0.10 16	0.11 75	0.07 144	0.05 82	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
CAS++	0.11 74	0.07 54	0.11 65	0.14 12	0.10 219	0.13 127	0.14 77	0.24 188	0.14 58	0.11 64	0.09 25	0.11 75	0.07 31	0.14 150	0.09 17	0.11 293	0.09 293	0.09 231	0.07 162	0.07 152	0.08 216
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
Former-RAFT_DAM_RVC	0.11 74	0.08 138	0.13 114	0.16 62	0.08 48	0.15 177	0.16 175	0.18 91	0.19 126	0.10 37	0.09 25	0.09 40	0.08 52	0.11 43	0.12 125	0.07 144	0.05 82	0.08 162	0.06 85	0.07 152	0.06 100

xx1	0.11 74	0.08 138	0.13 114	0.17 111	0.09 125	0.13 127	0.15 124	0.16 40	0.18 112	0.09 18	0.09 25	0.16 168	0.16 223	0.10 16	0.07 1	0.06 53	0.05 82	0.08 162	0.08 215	0.07 152	0.07 153

1test111	0.11 74	0.08 138	0.13 114	0.17 111	0.09 125	0.13 127	0.15 124	0.24 188	0.16 87	0.09 18	0.09 25	0.06 3	0.06 7	0.15 165	0.16 223	0.06 53	0.05 82	0.06 33	0.05 34	0.07 152	0.07 153

test croco	0.11 74	0.09 185	0.10 40	0.19 225	0.09 125	0.11 80	0.14 77	0.14 19	0.13 44	0.13 107	0.15 95	0.09 40	0.12 136	0.13 132	0.12 125	0.07 144	0.05 82	0.09 231	0.06 85	0.06 94	0.06 100

MIF-Stereo (partial)	0.11 74	0.06 19	0.10 40	0.19 225	0.10 219	0.10 57	0.12 24	0.17 67	0.19 126	0.14 128	0.16 107	0.10 60	0.11 107	0.12 95	0.12 125	0.08 194	0.05 82	0.08 162	0.07 162	0.06 94	0.07 153

EKT-Stereo	0.11 74	0.07 54	0.14 150	0.16 62	0.10 219	0.13 127	0.14 77	0.19 115	0.21 157	0.11 64	0.08 17	0.13 117	0.10 83	0.11 43	0.12 125	0.08 194	0.06 192	0.07 102	0.06 85	0.08 201	0.07 153

LL-Strereo2	0.11 74	0.10 241	0.16 211	0.18 178	0.08 48	0.15 177	0.09 3	0.17 67	0.14 58	0.14 128	0.11 55	0.09 40	0.07 31	0.16 190	0.10 47	0.05 2	0.05 82	0.11 299	0.07 162	0.06 94	0.05 44

anonymousdsp2	0.11 74	0.07 54	0.11 65	0.16 62	0.09 125	0.13 127	0.14 77	0.19 115	0.23 185	0.13 107	0.14 84	0.12 95	0.09 70	0.14 150	0.11 75	0.05 2	0.05 82	0.05 2	0.04 8	0.06 94	0.06 100

DCRE	0.11 74	0.07 54	0.13 114	0.16 62	0.11 258	0.11 80	0.17 195	0.18 91	0.17 102	0.11 64	0.18 143	0.11 75	0.10 83	0.15 165	0.11 75	0.06 53	0.05 82	0.06 33	0.06 85	0.05 37	0.05 44

knoymous	0.11 74	0.06 19	0.12 90	0.14 12	0.07 15	0.15 177	0.13 46	0.20 126	0.14 58	0.11 64	0.17 123	0.13 117	0.09 70	0.14 150	0.11 75	0.09 237	0.05 82	0.06 33	0.05 34	0.07 152	0.07 153

riskmin	0.11 74	0.06 19	0.13 114	0.14 12	0.08 48	0.14 157	0.14 77	0.18 91	0.15 71	0.12 83	0.15 95	0.17 184	0.11 107	0.14 150	0.12 125	0.09 237	0.05 82	0.07 102	0.05 34	0.08 201	0.08 216

Selective-RAFT	0.11 74	0.11 259	0.12 90	0.21 294	0.08 48	0.16 199	0.13 46	0.21 137	0.23 185	0.10 37	0.10 39	0.11 75	0.10 83	0.15 165	0.11 75	0.05 2	0.05 82	0.06 33	0.05 34	0.06 94	0.05 44

DCANet-4	0.11 74	0.07 54	0.13 114	0.16 62	0.06 3	0.09 36	0.17 195	0.18 91	0.20 144	0.13 107	0.17 123	0.09 40	0.14 194	0.12 95	0.13 152	0.06 53	0.04 2	0.05 2	0.04 8	0.04 1	0.05 44

DisPM	0.11 74	0.07 54	0.13 114	0.16 62	0.09 125	0.06 2	0.13 46	0.18 91	0.17 102	0.14 128	0.19 154	0.12 95	0.10 83	0.12 95	0.11 75	0.07 144	0.05 82	0.07 102	0.06 85	0.06 94	0.11 292

test_4	0.11 74	0.10 241	0.08 7	0.19 225	0.09 125	0.08 22	0.21 295	0.15 26	0.18 112	0.12 83	0.18 143	0.12 95	0.09 70	0.08 5	0.11 75	0.04 1	0.04 2	0.08 162	0.08 215	0.04 1	0.04 4

CIPLG	0.11 74	0.08 138	0.15 176	0.17 111	0.08 48	0.13 127	0.15 124	0.17 67	0.16 87	0.14 128	0.11 55	0.16 168	0.10 83	0.17 220	0.12 125	0.07 144	0.05 82	0.06 33	0.06 85	0.05 37	0.06 100

GLC_STEREO	0.11 74	0.07 54	0.11 65	0.18 178	0.07 15	0.08 22	0.13 46	0.16 40	0.24 195	0.12 83	0.13 76	0.12 95	0.08 52	0.18 229	0.12 125	0.06 53	0.08 272	0.08 162	0.06 85	0.05 37	0.05 44

IPLG	0.11 74	0.08 138	0.15 176	0.17 111	0.08 48	0.11 80	0.14 77	0.20 126	0.15 71	0.13 107	0.18 143	0.07 18	0.07 31	0.14 150	0.14 176	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

IPLGR_C	0.11 74	0.08 138	0.15 176	0.17 111	0.08 48	0.12 106	0.15 124	0.17 67	0.15 71	0.14 128	0.11 55	0.16 168	0.10 83	0.16 190	0.12 125	0.07 144	0.05 82	0.06 33	0.06 85	0.05 37	0.06 100

MIPNet	0.11 74	0.08 138	0.15 176	0.17 111	0.09 125	0.12 106	0.14 77	0.21 137	0.25 211	0.12 83	0.10 39	0.09 40	0.07 31	0.13 132	0.13 152	0.06 53	0.04 2	0.06 33	0.05 34	0.04 1	0.04 4

IPLGR	0.11 74	0.09 185	0.17 230	0.18 178	0.08 48	0.13 127	0.16 175	0.21 137	0.24 195	0.12 83	0.12 65	0.11 75	0.09 70	0.13 132	0.12 125	0.06 53	0.05 82	0.06 33	0.06 85	0.05 37	0.04 4

GMOStereo	0.11 74	0.09 185	0.08 7	0.19 225	0.08 48	0.12 106	0.28 356	0.13 12	0.18 112	0.11 64	0.17 123	0.14 133	0.12 136	0.07 1	0.07 1	0.05 2	0.05 82	0.09 231	0.07 162	0.04 1	0.04 4

error version	0.11 74	0.09 185	0.08 7	0.19 225	0.08 48	0.12 106	0.28 356	0.13 12	0.18 112	0.11 64	0.17 123	0.14 133	0.12 136	0.07 1	0.07 1	0.05 2	0.05 82	0.09 231	0.07 162	0.04 1	0.04 4

test-v	0.11 74	0.09 185	0.08 7	0.19 225	0.08 48	0.12 106	0.28 356	0.13 12	0.18 112	0.11 64	0.17 123	0.14 133	0.12 136	0.07 1	0.07 1	0.05 2	0.05 82	0.09 231	0.07 162	0.04 1	0.04 4

ACRE	0.11 74	0.08 138	0.15 176	0.17 111	0.08 48	0.13 127	0.15 124	0.17 67	0.14 58	0.14 128	0.11 55	0.16 168	0.10 83	0.16 190	0.12 125	0.07 144	0.05 82	0.06 33	0.06 85	0.05 37	0.06 100

test_3	0.11 74	0.09 185	0.10 40	0.21 294	0.08 48	0.13 127	0.25 340	0.14 19	0.21 157	0.10 37	0.10 39	0.09 40	0.10 83	0.08 5	0.11 75	0.05 2	0.04 2	0.08 162	0.07 162	0.04 1	0.04 4

LCNet	0.11 74	0.07 54	0.09 25	0.19 225	0.09 125	0.08 22	0.14 77	0.21 137	0.15 71	0.12 83	0.15 95	0.16 168	0.11 107	0.12 95	0.11 75	0.05 2	0.04 2	0.08 162	0.07 162	0.06 94	0.14 332

HHNet	0.11 74	0.06 19	0.16 211	0.15 37	0.14 322	0.07 15	0.13 46	0.20 126	0.18 112	0.15 149	0.25 225	0.11 75	0.09 70	0.13 132	0.10 47	0.06 53	0.04 2	0.08 162	0.06 85	0.05 37	0.09 249

Patchmatch Stereo++	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	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	0.14 150	0.18 178	0.08 48	0.09 36	0.12 24	0.21 137	0.21 157	0.13 107	0.14 84	0.11 75	0.12 136	0.11 43	0.13 152	0.06 53	0.05 82	0.07 102	0.06 85	0.05 37	0.04 4

IIG-Stereo	0.11 74	0.06 19	0.13 114	0.17 111	0.08 48	0.11 80	0.12 24	0.22 156	0.18 112	0.14 128	0.17 123	0.12 95	0.13 165	0.12 95	0.13 152	0.06 53	0.05 82	0.07 102	0.06 85	0.06 94	0.05 44

NF-Stereo	0.11 74	0.07 54	0.13 114	0.17 111	0.09 125	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 123	0.12 95	0.12 136	0.11 43	0.11 75	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.12 310

OCTAStereo	0.11 74	0.07 54	0.14 150	0.17 111	0.09 125	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 123	0.12 95	0.12 136	0.11 43	0.11 75	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 292

NRIStereo	0.11 74	0.08 138	0.15 176	0.18 178	0.08 48	0.10 57	0.13 46	0.17 67	0.15 71	0.12 83	0.15 95	0.13 117	0.13 165	0.13 132	0.10 47	0.06 53	0.04 2	0.07 102	0.06 85	0.06 94	0.07 153

PSM-adaLoss	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	0.07 153

PSM-AAD	0.11 74	0.07 54	0.10 40	0.20 267	0.09 125	0.10 57	0.14 77	0.21 137	0.13 44	0.12 83	0.14 84	0.18 196	0.11 107	0.11 43	0.10 47	0.05 2	0.05 82	0.09 231	0.08 215	0.06 94	0.14 332

ROB_FTStereo_v2	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	0.07 153

ROB_FTStereo	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	0.07 153

HUI-Stereo	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	0.07 153

ASMatch	0.11 74	0.06 19	0.13 114	0.17 111	0.10 219	0.08 22	0.14 77	0.18 91	0.16 87	0.12 83	0.16 107	0.16 168	0.11 107	0.13 132	0.11 75	0.05 2	0.04 2	0.06 33	0.06 85	0.04 1	0.09 249

SST-Stereo	0.11 74	0.07 54	0.16 211	0.18 178	0.09 125	0.06 2	0.12 24	0.18 91	0.10 7	0.15 149	0.18 143	0.13 117	0.12 136	0.10 16	0.11 75	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	0.15 176	0.18 178	0.09 125	0.06 2	0.13 46	0.17 67	0.15 71	0.14 128	0.18 143	0.15 154	0.12 136	0.10 16	0.11 75	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.05 44

GrayStereo	0.11 74	0.06 19	0.11 65	0.19 225	0.09 125	0.09 36	0.16 175	0.18 91	0.17 102	0.14 128	0.17 123	0.17 184	0.11 107	0.12 95	0.11 75	0.05 2	0.05 82	0.07 102	0.06 85	0.06 94	0.10 271

RE-Stereo	0.11 74	0.07 54	0.13 114	0.17 111	0.09 125	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 123	0.12 95	0.12 136	0.11 43	0.11 75	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 292

Pruner-Stereo	0.11 74	0.07 54	0.12 90	0.17 111	0.09 125	0.06 2	0.12 24	0.18 91	0.17 102	0.14 128	0.19 154	0.13 117	0.10 83	0.11 43	0.11 75	0.06 53	0.04 2	0.07 102	0.06 85	0.06 94	0.08 216

TVStereo	0.11 74	0.07 54	0.13 114	0.17 111	0.09 125	0.10 57	0.13 46	0.23 170	0.19 126	0.12 83	0.17 123	0.12 95	0.12 136	0.11 43	0.11 75	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.11 292

DeepStereo_RVC	0.11 74	0.08 138	0.17 230	0.18 178	0.08 48	0.08 22	0.11 11	0.17 67	0.12 28	0.13 107	0.15 95	0.12 95	0.12 136	0.12 95	0.11 75	0.06 53	0.04 2	0.07 102	0.06 85	0.07 152	0.08 216

iGMRVC	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.12 24	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	0.07 153

RAFT-345	0.11 74	0.07 54	0.16 211	0.17 111	0.08 48	0.08 22	0.12 24	0.16 40	0.10 7	0.11 64	0.34 306	0.09 40	0.10 83	0.11 43	0.12 125	0.05 2	0.05 82	0.07 102	0.06 85	0.04 1	0.05 44

iRAFT	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	0.07 153

CRE-IMP	0.11 74	0.09 185	0.16 211	0.19 225	0.09 125	0.10 57	0.12 24	0.18 91	0.10 7	0.14 128	0.14 84	0.14 133	0.13 165	0.12 95	0.12 125	0.07 144	0.04 2	0.08 162	0.06 85	0.08 201	0.08 216

test-2	0.11 74	0.09 185	0.08 7	0.19 225	0.08 48	0.12 106	0.28 356	0.13 12	0.18 112	0.11 64	0.17 123	0.14 133	0.12 136	0.07 1	0.07 1	0.05 2	0.05 82	0.09 231	0.07 162	0.04 1	0.04 4

GMM-Stereo	0.11 74	0.07 54	0.10 40	0.18 178	0.09 125	0.08 22	0.14 77	0.24 188	0.16 87	0.11 64	0.15 95	0.13 117	0.11 107	0.11 43	0.11 75	0.05 2	0.04 2	0.08 162	0.07 162	0.06 94	0.09 249

RAFT-IKP	0.11 74	0.09 185	0.17 230	0.19 225	0.08 48	0.06 2	0.11 11	0.17 67	0.13 44	0.15 149	0.16 107	0.14 133	0.12 136	0.11 43	0.11 75	0.06 53	0.05 82	0.08 162	0.06 85	0.08 201	0.07 153

Prome-Stereo	0.11 74	0.07 54	0.11 65	0.18 178	0.09 125	0.12 106	0.14 77	0.23 170	0.13 44	0.13 107	0.16 107	0.13 117	0.08 52	0.12 95	0.10 47	0.05 2	0.05 82	0.07 102	0.06 85	0.06 94	0.10 271

rafts_anoy	0.11 74	0.06 19	0.10 40	0.17 111	0.08 48	0.10 57	0.14 77	0.18 91	0.14 58	0.13 107	0.13 76	0.12 95	0.11 107	0.11 43	0.13 152	0.07 144	0.05 82	0.09 231	0.11 309	0.07 152	0.06 100

raft+_RVC	0.11 74	0.07 54	0.09 25	0.16 62	0.07 15	0.10 57	0.11 11	0.24 188	0.20 144	0.12 83	0.15 95	0.12 95	0.08 52	0.12 95	0.13 152	0.07 144	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

RALCasStereoNet	0.11 74	0.07 54	0.09 25	0.16 62	0.08 48	0.13 127	0.14 77	0.17 67	0.11 18	0.12 83	0.17 123	0.14 133	0.10 83	0.12 95	0.11 75	0.07 144	0.06 192	0.06 33	0.05 34	0.08 201	0.07 153

RALAANet	0.11 74	0.08 138	0.10 40	0.17 111	0.09 125	0.14 157	0.10 5	0.20 126	0.16 87	0.14 128	0.13 76	0.16 168	0.09 70	0.12 95	0.12 125	0.06 53	0.05 82	0.08 162	0.07 162	0.06 94	0.04 4

111	0.11 74	0.06 19	0.12 90	0.15 37	0.07 15	0.10 57	0.14 77	0.21 137	0.24 195	0.11 64	0.12 65	0.14 133	0.12 136	0.13 132	0.10 47	0.06 53	0.04 2	0.06 33	0.04 8	0.06 94	0.05 44

DIP-Stereo	0.11 74	0.08 138	0.15 176	0.17 111	0.09 125	0.13 127	0.09 3	0.16 40	0.16 87	0.12 83	0.16 107	0.14 133	0.12 136	0.16 190	0.14 176	0.06 53	0.05 82	0.06 33	0.05 34	0.05 37	0.07 153
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.11 74	0.06 19	0.12 90	0.14 12	0.06 3	0.12 106	0.10 5	0.18 91	0.18 112	0.13 107	0.17 123	0.15 154	0.11 107	0.15 165	0.14 176	0.06 53	0.04 2	0.04 1	0.04 8	0.06 94	0.05 44
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
MyStereo8	0.12 137	0.07 54	0.15 176	0.15 37	0.09 125	0.18 235	0.14 77	0.19 115	0.22 176	0.12 83	0.18 143	0.11 75	0.10 83	0.16 190	0.18 247	0.07 144	0.05 82	0.07 102	0.05 34	0.08 201	0.09 249

CoDeX	0.12 137	0.07 54	0.13 114	0.17 111	0.08 48	0.12 106	0.16 175	0.23 170	0.27 233	0.13 107	0.17 123	0.15 154	0.12 136	0.14 150	0.11 75	0.07 144	0.05 82	0.07 102	0.06 85	0.06 94	0.05 44

11t1	0.12 137	0.07 54	0.14 150	0.14 12	0.08 48	0.17 219	0.15 124	0.19 115	0.15 71	0.15 149	0.15 95	0.17 184	0.16 223	0.15 165	0.13 152	0.08 194	0.05 82	0.06 33	0.05 34	0.08 201	0.07 153

ffm	0.12 137	0.09 185	0.15 176	0.16 62	0.09 125	0.17 219	0.17 195	0.15 26	0.19 126	0.15 149	0.26 237	0.19 200	0.13 165	0.10 16	0.08 9	0.06 53	0.05 82	0.09 231	0.08 215	0.06 94	0.06 100

RAFT_CTSACE	0.12 137	0.09 185	0.10 40	0.22 310	0.08 48	0.12 106	0.24 325	0.18 91	0.17 102	0.21 254	0.27 252	0.13 117	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 4

Sa-1000	0.12 137	0.08 138	0.09 25	0.18 178	0.08 48	0.15 177	0.22 306	0.22 156	0.19 126	0.15 149	0.20 163	0.17 184	0.11 107	0.10 16	0.10 47	0.06 53	0.05 82	0.09 231	0.09 255	0.05 37	0.05 44

iRaft-Stereo_5w	0.12 137	0.09 185	0.12 90	0.20 267	0.08 48	0.09 36	0.12 24	0.22 156	0.22 176	0.19 225	0.14 84	0.11 75	0.09 70	0.20 261	0.16 223	0.05 2	0.05 82	0.07 102	0.06 85	0.05 37	0.06 100

CrosDoStereo	0.12 137	0.07 54	0.12 90	0.14 12	0.09 125	0.12 106	0.15 124	0.17 67	0.22 176	0.19 225	0.24 199	0.15 154	0.11 107	0.11 43	0.12 125	0.06 53	0.05 82	0.07 102	0.07 162	0.05 37	0.05 44

PFNet+	0.12 137	0.06 19	0.14 150	0.16 62	0.09 125	0.05 1	0.12 24	0.18 91	0.21 157	0.16 176	0.19 154	0.14 133	0.10 83	0.11 43	0.11 75	0.08 194	0.05 82	0.09 231	0.08 215	0.06 94	0.11 292

AAGNet	0.12 137	0.08 138	0.17 230	0.19 225	0.09 125	0.08 22	0.13 46	0.19 115	0.13 44	0.16 176	0.21 179	0.13 117	0.14 194	0.11 43	0.14 176	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.05 44

PSM-softLoss	0.12 137	0.07 54	0.15 176	0.17 111	0.09 125	0.08 22	0.12 24	0.24 188	0.17 102	0.15 149	0.19 154	0.13 117	0.11 107	0.11 43	0.11 75	0.07 144	0.05 82	0.08 162	0.07 162	0.07 152	0.12 310

KMStereo	0.12 137	0.07 54	0.15 176	0.17 111	0.09 125	0.08 22	0.12 24	0.24 188	0.17 102	0.15 149	0.19 154	0.13 117	0.11 107	0.11 43	0.11 75	0.07 144	0.05 82	0.08 162	0.07 162	0.07 152	0.12 310

FTStereo	0.12 137	0.07 54	0.14 150	0.18 178	0.09 125	0.07 15	0.15 124	0.22 156	0.18 112	0.12 83	0.24 199	0.11 75	0.13 165	0.13 132	0.14 176	0.05 2	0.05 82	0.07 102	0.07 162	0.06 94	0.10 271

KYRaft	0.12 137	0.07 54	0.10 40	0.19 225	0.09 125	0.08 22	0.15 124	0.23 170	0.12 28	0.13 107	0.16 107	0.20 216	0.10 83	0.12 95	0.11 75	0.06 53	0.04 2	0.08 162	0.08 215	0.06 94	0.15 347

DeepStereo_LL	0.12 137	0.07 54	0.12 90	0.14 12	0.09 125	0.12 106	0.15 124	0.17 67	0.22 176	0.19 225	0.24 199	0.15 154	0.11 107	0.11 43	0.12 125	0.06 53	0.05 82	0.07 102	0.07 162	0.05 37	0.05 44

DEmStereo	0.12 137	0.06 19	0.14 150	0.14 12	0.10 219	0.16 199	0.15 124	0.16 40	0.24 195	0.17 186	0.23 189	0.12 95	0.14 194	0.12 95	0.14 176	0.05 2	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

THIR-Stereo	0.12 137	0.07 54	0.11 65	0.15 37	0.08 48	0.14 157	0.16 175	0.18 91	0.25 211	0.17 186	0.24 199	0.13 117	0.13 165	0.12 95	0.14 176	0.06 53	0.05 82	0.07 102	0.07 162	0.05 37	0.05 44

DRaft	0.12 137	0.06 19	0.12 90	0.14 12	0.09 125	0.14 157	0.17 195	0.21 137	0.30 258	0.18 214	0.27 252	0.10 60	0.16 223	0.11 43	0.12 125	0.05 2	0.04 2	0.07 102	0.07 162	0.05 37	0.05 44

PFNet	0.12 137	0.06 19	0.17 230	0.18 178	0.08 48	0.09 36	0.15 124	0.26 214	0.20 144	0.16 176	0.16 107	0.14 133	0.12 136	0.13 132	0.11 75	0.06 53	0.04 2	0.07 102	0.06 85	0.05 37	0.05 44

RAFT-RH_RVC	0.12 137	0.06 19	0.14 150	0.16 62	0.09 125	0.12 106	0.12 24	0.17 67	0.12 28	0.13 107	0.40 334	0.11 75	0.10 83	0.13 132	0.12 125	0.05 2	0.04 2	0.08 162	0.05 34	0.05 37	0.06 100

IRAFT_RVC	0.12 137	0.08 138	0.17 230	0.19 225	0.08 48	0.07 15	0.14 77	0.25 206	0.23 185	0.14 128	0.15 95	0.15 154	0.12 136	0.12 95	0.11 75	0.06 53	0.04 2	0.09 231	0.06 85	0.06 94	0.06 100

sCroCo_RVC	0.12 137	0.09 185	0.24 306	0.24 335	0.11 258	0.19 250	0.14 77	0.17 67	0.15 71	0.10 37	0.13 76	0.12 95	0.07 31	0.14 150	0.11 75	0.08 194	0.08 272	0.08 162	0.08 215	0.05 37	0.07 153

ARAFT	0.12 137	0.08 138	0.18 256	0.19 225	0.09 125	0.15 177	0.17 195	0.20 126	0.13 44	0.12 83	0.13 76	0.14 133	0.12 136	0.15 165	0.13 152	0.06 53	0.05 82	0.10 273	0.09 255	0.06 94	0.04 4

BEATNet_4x	0.12 137	0.09 185	0.15 176	0.18 178	0.07 15	0.15 177	0.07 1	0.23 170	0.19 126	0.16 176	0.19 154	0.19 200	0.14 194	0.17 220	0.15 206	0.07 144	0.05 82	0.05 2	0.05 34	0.06 94	0.07 153

MyStereo05	0.13 161	0.07 54	0.10 40	0.17 111	0.09 125	0.13 127	0.18 233	0.28 247	0.35 296	0.17 186	0.14 84	0.15 154	0.11 107	0.15 165	0.13 152	0.06 53	0.05 82	0.08 162	0.07 162	0.06 94	0.06 100

MyStereo04	0.13 161	0.07 54	0.10 40	0.17 111	0.09 125	0.14 157	0.17 195	0.29 261	0.38 311	0.17 186	0.14 84	0.16 168	0.11 107	0.15 165	0.13 152	0.06 53	0.05 82	0.08 162	0.07 162	0.06 94	0.06 100

DualNet	0.13 161	0.09 185	0.15 176	0.16 62	0.09 125	0.17 219	0.17 195	0.15 26	0.19 126	0.15 149	0.26 237	0.19 200	0.13 165	0.10 16	0.22 289	0.06 53	0.05 82	0.09 231	0.08 215	0.06 94	0.06 100

ff1	0.13 161	0.09 185	0.15 176	0.16 62	0.09 125	0.17 219	0.17 195	0.15 26	0.19 126	0.15 149	0.26 237	0.19 200	0.13 165	0.15 165	0.22 289	0.06 53	0.05 82	0.09 231	0.08 215	0.06 94	0.06 100

LL-Strereo	0.13 161	0.10 241	0.12 90	0.20 267	0.10 219	0.11 80	0.18 233	0.33 298	0.25 211	0.16 176	0.16 107	0.14 133	0.14 194	0.19 248	0.11 75	0.06 53	0.05 82	0.09 231	0.08 215	0.04 1	0.05 44

anonymousa	0.13 161	0.07 54	0.14 150	0.18 178	0.09 125	0.13 127	0.17 195	0.20 126	0.29 252	0.15 149	0.24 199	0.16 168	0.14 194	0.14 150	0.14 176	0.07 144	0.05 82	0.07 102	0.09 255	0.05 37	0.07 153

TestStereo1	0.13 161	0.08 138	0.08 7	0.20 267	0.08 48	0.18 235	0.29 366	0.23 170	0.17 102	0.17 186	0.20 163	0.16 168	0.11 107	0.12 95	0.13 152	0.06 53	0.06 192	0.08 162	0.06 85	0.05 37	0.05 44

qqq	0.13 161	0.09 185	0.15 176	0.16 62	0.08 48	0.13 127	0.15 124	0.24 188	0.16 87	0.15 149	0.19 154	0.16 168	0.16 223	0.15 165	0.16 223	0.07 144	0.06 192	0.08 162	0.08 215	0.07 152	0.07 153

x	0.13 161	0.08 138	0.15 176	0.14 12	0.08 48	0.19 250	0.14 77	0.22 156	0.21 157	0.15 149	0.20 163	0.20 216	0.18 255	0.18 229	0.18 247	0.07 144	0.05 82	0.06 33	0.06 85	0.07 152	0.07 153

raft_robust	0.13 161	0.10 241	0.07 1	0.18 178	0.08 48	0.13 127	0.24 325	0.29 261	0.34 285	0.20 245	0.20 163	0.15 154	0.10 83	0.11 43	0.12 125	0.05 2	0.05 82	0.07 102	0.07 162	0.05 37	0.04 4

RAFT+CT+SA	0.13 161	0.11 259	0.09 25	0.19 225	0.09 125	0.15 177	0.28 356	0.22 156	0.22 176	0.15 149	0.26 237	0.10 60	0.10 83	0.11 43	0.12 125	0.05 2	0.04 2	0.07 102	0.08 215	0.07 152	0.06 100

SA-5K	0.13 161	0.08 138	0.08 7	0.20 267	0.08 48	0.18 235	0.29 366	0.23 170	0.17 102	0.17 186	0.20 163	0.16 168	0.11 107	0.12 95	0.13 152	0.06 53	0.06 192	0.08 162	0.06 85	0.05 37	0.05 44

SA	0.13 161	0.09 185	0.09 25	0.18 178	0.08 48	0.12 106	0.24 325	0.23 170	0.19 126	0.17 186	0.27 252	0.15 154	0.11 107	0.11 43	0.11 75	0.05 2	0.05 82	0.09 231	0.08 215	0.05 37	0.05 44

GwcNet-ADL	0.13 161	0.08 138	0.14 150	0.20 267	0.09 125	0.12 106	0.20 282	0.30 271	0.25 211	0.14 128	0.14 84	0.18 196	0.14 194	0.13 132	0.15 206	0.07 144	0.05 82	0.06 33	0.05 34	0.07 152	0.06 100

GANet-ADL	0.13 161	0.07 54	0.15 176	0.17 111	0.10 219	0.19 250	0.15 124	0.30 271	0.21 157	0.13 107	0.18 143	0.19 200	0.13 165	0.16 190	0.14 176	0.08 194	0.06 192	0.06 33	0.05 34	0.07 152	0.08 216

RAFT	0.13 161	0.09 185	0.11 65	0.18 178	0.08 48	0.15 177	0.23 317	0.21 137	0.20 144	0.21 254	0.21 179	0.18 196	0.13 165	0.17 220	0.10 47	0.06 53	0.07 246	0.10 273	0.09 255	0.06 94	0.05 44

sAnonymous2	0.13 161	0.12 274	0.25 310	0.20 267	0.12 286	0.18 235	0.14 77	0.27 226	0.21 157	0.11 64	0.12 65	0.13 117	0.08 52	0.11 43	0.11 75	0.09 237	0.05 82	0.08 162	0.06 85	0.15 348	0.10 271

CroCo_RVC	0.13 161	0.12 274	0.25 310	0.20 267	0.12 286	0.18 235	0.14 77	0.27 226	0.21 157	0.11 64	0.12 65	0.13 117	0.08 52	0.11 43	0.11 75	0.09 237	0.05 82	0.08 162	0.06 85	0.15 348	0.10 271

RAFT + AFF	0.13 161	0.08 138	0.21 287	0.20 267	0.10 219	0.14 157	0.23 317	0.27 226	0.21 157	0.12 83	0.10 39	0.12 95	0.10 83	0.16 190	0.12 125	0.08 194	0.07 246	0.09 231	0.09 255	0.06 94	0.09 249

GMStereo	0.13 161	0.15 314	0.14 150	0.18 178	0.09 125	0.16 199	0.16 175	0.20 126	0.25 211	0.17 186	0.17 123	0.11 75	0.11 107	0.16 190	0.13 152	0.07 144	0.06 192	0.06 33	0.06 85	0.07 152	0.06 100
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
SFCPSM	0.13 161	0.07 54	0.15 176	0.17 111	0.09 125	0.15 177	0.16 175	0.28 247	0.27 233	0.14 128	0.18 143	0.12 95	0.13 165	0.14 150	0.11 75	0.08 194	0.05 82	0.07 102	0.07 162	0.07 152	0.06 100

FENet	0.13 161	0.08 138	0.13 114	0.16 62	0.08 48	0.15 177	0.16 175	0.23 170	0.23 185	0.17 186	0.24 199	0.16 168	0.13 165	0.14 150	0.15 206	0.08 194	0.05 82	0.08 162	0.08 215	0.08 201	0.08 216

MLCV	0.13 161	0.08 138	0.17 230	0.18 178	0.06 3	0.16 199	0.17 195	0.19 115	0.22 176	0.19 225	0.25 225	0.17 184	0.13 165	0.15 165	0.14 176	0.05 2	0.04 2	0.05 2	0.04 8	0.05 37	0.04 4

iResNet	0.13 161	0.10 241	0.18 256	0.19 225	0.08 48	0.14 157	0.18 233	0.21 137	0.27 233	0.16 176	0.24 199	0.15 154	0.13 165	0.14 150	0.15 206	0.06 53	0.04 2	0.06 33	0.05 34	0.06 94	0.05 44

DN-CSS_ROB	0.13 161	0.13 293	0.17 230	0.18 178	0.10 219	0.16 199	0.08 2	0.22 156	0.19 126	0.17 186	0.23 189	0.13 117	0.13 165	0.13 132	0.14 176	0.05 2	0.05 82	0.10 273	0.10 286	0.08 201	0.06 100

SMFormer	0.14 186	0.07 54	0.18 256	0.14 12	0.08 48	0.17 219	0.17 195	0.27 226	0.27 233	0.19 225	0.20 163	0.19 200	0.15 212	0.15 165	0.17 235	0.08 194	0.05 82	0.07 102	0.06 85	0.08 201	0.07 153

tta	0.14 186	0.07 54	0.18 256	0.14 12	0.08 48	0.17 219	0.17 195	0.27 226	0.27 233	0.19 225	0.20 163	0.19 200	0.15 212	0.15 165	0.17 235	0.08 194	0.05 82	0.07 102	0.06 85	0.06 94	0.06 100

qqq1	0.14 186	0.07 54	0.18 256	0.14 12	0.08 48	0.17 219	0.17 195	0.27 226	0.27 233	0.19 225	0.20 163	0.19 200	0.15 212	0.15 165	0.12 125	0.08 194	0.05 82	0.05 2	0.05 34	0.06 94	0.06 100

fff1	0.14 186	0.07 54	0.18 256	0.14 12	0.08 48	0.17 219	0.17 195	0.27 226	0.27 233	0.19 225	0.20 163	0.19 200	0.15 212	0.15 165	0.12 125	0.08 194	0.05 82	0.05 2	0.05 34	0.06 94	0.06 100

mmm	0.14 186	0.08 138	0.18 256	0.17 111	0.09 125	0.17 219	0.18 233	0.21 137	0.16 87	0.16 176	0.23 189	0.21 222	0.16 223	0.16 190	0.17 235	0.08 194	0.05 82	0.08 162	0.08 215	0.08 201	0.07 153

ttt	0.14 186	0.08 138	0.14 150	0.15 37	0.08 48	0.15 177	0.18 233	0.27 226	0.30 258	0.16 176	0.24 199	0.17 184	0.14 194	0.13 132	0.14 176	0.11 293	0.08 272	0.09 231	0.08 215	0.09 253	0.09 249

whm_eth	0.14 186	0.09 185	0.21 287	0.21 294	0.12 286	0.12 106	0.16 175	0.18 91	0.29 252	0.17 186	0.32 289	0.09 40	0.13 165	0.18 229	0.14 176	0.07 144	0.07 246	0.08 162	0.07 162	0.07 152	0.07 153

StereoVision	0.14 186	0.13 293	0.10 40	0.24 335	0.10 219	0.16 199	0.21 295	0.21 137	0.20 144	0.12 83	0.25 225	0.10 60	0.10 83	0.16 190	0.10 47	0.09 237	0.10 315	0.12 316	0.12 327	0.06 94	0.05 44

PCWNet_CMD	0.14 186	0.08 138	0.15 176	0.17 111	0.09 125	0.14 157	0.14 77	0.29 261	0.36 301	0.14 128	0.20 163	0.21 222	0.13 165	0.17 220	0.14 176	0.07 144	0.05 82	0.07 102	0.07 162	0.07 152	0.07 153

gwcnet-sp	0.14 186	0.07 54	0.13 114	0.18 178	0.09 125	0.16 199	0.18 233	0.24 188	0.24 195	0.19 225	0.24 199	0.15 154	0.16 223	0.16 190	0.15 206	0.08 194	0.07 246	0.07 102	0.08 215	0.08 201	0.07 153

scenet	0.14 186	0.07 54	0.13 114	0.18 178	0.09 125	0.16 199	0.18 233	0.24 188	0.24 195	0.19 225	0.24 199	0.15 154	0.16 223	0.16 190	0.15 206	0.08 194	0.07 246	0.07 102	0.08 215	0.08 201	0.07 153

CASS	0.14 186	0.12 274	0.12 90	0.23 327	0.09 125	0.15 177	0.17 195	0.19 115	0.20 144	0.17 186	0.18 143	0.15 154	0.15 212	0.15 165	0.14 176	0.09 237	0.06 192	0.10 273	0.08 215	0.09 253	0.07 153
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ssnet	0.14 186	0.07 54	0.13 114	0.18 178	0.09 125	0.16 199	0.18 233	0.24 188	0.24 195	0.19 225	0.24 199	0.15 154	0.16 223	0.16 190	0.15 206	0.08 194	0.07 246	0.07 102	0.08 215	0.08 201	0.07 153

IER	0.14 186	0.08 138	0.13 114	0.17 111	0.09 125	0.14 157	0.16 175	0.26 214	0.27 233	0.18 214	0.26 237	0.17 184	0.20 282	0.17 220	0.14 176	0.08 194	0.05 82	0.07 102	0.06 85	0.08 201	0.07 153

test_5	0.14 186	0.12 274	0.08 7	0.20 267	0.10 219	0.14 157	0.28 356	0.21 137	0.24 195	0.19 225	0.28 261	0.11 75	0.15 212	0.12 95	0.13 152	0.06 53	0.05 82	0.07 102	0.08 215	0.08 201	0.07 153

psmg	0.14 186	0.09 185	0.14 150	0.17 111	0.10 219	0.15 177	0.17 195	0.29 261	0.20 144	0.17 186	0.21 179	0.25 267	0.16 223	0.16 190	0.14 176	0.08 194	0.07 246	0.08 162	0.08 215	0.07 152	0.07 153

UDGNet	0.14 186	0.13 293	0.17 230	0.18 178	0.10 219	0.12 106	0.16 175	0.21 137	0.27 233	0.20 245	0.20 163	0.17 184	0.13 165	0.16 190	0.14 176	0.10 268	0.06 192	0.09 231	0.07 162	0.07 152	0.07 153

TestStereo	0.14 186	0.15 314	0.11 65	0.23 327	0.08 48	0.15 177	0.21 295	0.20 126	0.23 185	0.14 128	0.25 225	0.16 168	0.13 165	0.16 190	0.14 176	0.06 53	0.06 192	0.08 162	0.06 85	0.09 253	0.05 44

CFNet_pseudo	0.14 186	0.08 138	0.16 211	0.16 62	0.09 125	0.13 127	0.14 77	0.27 226	0.34 285	0.15 149	0.21 179	0.22 238	0.13 165	0.18 229	0.14 176	0.07 144	0.05 82	0.08 162	0.06 85	0.07 152	0.07 153

Anonymous	0.14 186	0.10 241	0.24 306	0.23 327	0.13 307	0.18 235	0.23 317	0.20 126	0.19 126	0.14 128	0.12 65	0.11 75	0.13 165	0.17 220	0.13 152	0.08 194	0.07 246	0.08 162	0.08 215	0.12 307	0.10 271

GES	0.14 186	0.08 138	0.16 211	0.15 37	0.10 219	0.13 127	0.13 46	0.28 247	0.26 223	0.17 186	0.24 199	0.19 200	0.14 194	0.16 190	0.14 176	0.08 194	0.08 272	0.07 102	0.06 85	0.08 201	0.09 249

cf-r	0.14 186	0.07 54	0.13 114	0.16 62	0.08 48	0.14 157	0.19 268	0.21 137	0.25 211	0.17 186	0.26 237	0.22 238	0.17 244	0.14 150	0.15 206	0.10 268	0.05 82	0.06 33	0.08 215	0.06 94	0.06 100

GANet-RSSM	0.14 186	0.07 54	0.13 114	0.13 7	0.08 48	0.14 157	0.18 233	0.23 170	0.21 157	0.17 186	0.25 225	0.24 258	0.16 223	0.16 190	0.16 223	0.10 268	0.06 192	0.07 102	0.08 215	0.08 201	0.07 153

PSMNet-RSSM	0.14 186	0.07 54	0.14 150	0.15 37	0.08 48	0.13 127	0.16 175	0.25 206	0.24 195	0.17 186	0.28 261	0.23 249	0.14 194	0.16 190	0.14 176	0.11 293	0.06 192	0.09 231	0.12 327	0.08 201	0.07 153

GwcNet-RSSM	0.14 186	0.07 54	0.12 90	0.16 62	0.08 48	0.15 177	0.20 282	0.22 156	0.28 246	0.18 214	0.28 261	0.23 249	0.17 244	0.15 165	0.16 223	0.10 268	0.06 192	0.07 102	0.09 255	0.07 152	0.07 153

CFNet-ft	0.14 186	0.07 54	0.15 176	0.12 3	0.09 125	0.17 219	0.18 233	0.22 156	0.24 195	0.17 186	0.26 237	0.24 258	0.14 194	0.16 190	0.15 206	0.11 293	0.06 192	0.08 162	0.09 255	0.09 253	0.08 216

DMCA	0.14 186	0.09 185	0.17 230	0.19 225	0.09 125	0.15 177	0.17 195	0.23 170	0.28 246	0.14 128	0.20 163	0.17 184	0.18 255	0.15 165	0.17 235	0.10 268	0.06 192	0.08 162	0.06 85	0.09 253	0.10 271

MSMDNet	0.14 186	0.08 138	0.15 176	0.17 111	0.09 125	0.14 157	0.14 77	0.29 261	0.36 301	0.14 128	0.20 163	0.21 222	0.13 165	0.18 229	0.14 176	0.07 144	0.05 82	0.07 102	0.07 162	0.07 152	0.07 153

HSM-Net_RVC	0.14 186	0.08 138	0.12 90	0.15 37	0.08 48	0.16 199	0.15 124	0.27 226	0.29 252	0.20 245	0.21 179	0.29 296	0.14 194	0.18 229	0.13 152	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	0.14 186	0.07 54	0.15 176	0.12 3	0.09 125	0.17 219	0.18 233	0.22 156	0.24 195	0.17 186	0.26 237	0.24 258	0.14 194	0.16 190	0.15 206	0.11 293	0.06 192	0.08 162	0.09 255	0.09 253	0.08 216

ccs_rob	0.14 186	0.09 185	0.16 211	0.16 62	0.09 125	0.13 127	0.14 77	0.27 226	0.34 285	0.15 149	0.21 179	0.22 238	0.13 165	0.18 229	0.14 176	0.07 144	0.05 82	0.08 162	0.07 162	0.07 152	0.07 153

iResNet_ROB	0.14 186	0.07 54	0.13 114	0.15 37	0.07 15	0.19 250	0.14 77	0.26 214	0.32 270	0.23 276	0.26 237	0.23 249	0.16 223	0.15 165	0.14 176	0.07 144	0.05 82	0.05 2	0.04 8	0.08 201	0.08 216

DispNO	0.15 218	0.09 185	0.18 256	0.19 225	0.12 286	0.11 80	0.21 295	0.23 170	0.29 252	0.18 214	0.23 189	0.19 200	0.17 244	0.16 190	0.16 223	0.07 144	0.05 82	0.08 162	0.08 215	0.07 152	0.06 100

mmx	0.15 218	0.09 185	0.15 176	0.16 62	0.09 125	0.17 219	0.17 195	0.27 226	0.26 223	0.15 149	0.26 237	0.19 200	0.13 165	0.15 165	0.22 289	0.08 194	0.06 192	0.09 231	0.08 215	0.08 201	0.08 216

xxx	0.15 218	0.09 185	0.15 176	0.16 62	0.09 125	0.17 219	0.17 195	0.27 226	0.26 223	0.15 149	0.26 237	0.19 200	0.13 165	0.15 165	0.22 289	0.08 194	0.06 192	0.09 231	0.08 215	0.08 201	0.08 216

CFNet_ucs	0.15 218	0.09 185	0.17 230	0.16 62	0.11 258	0.14 157	0.14 77	0.30 271	0.34 285	0.16 176	0.24 199	0.23 249	0.14 194	0.18 229	0.15 206	0.09 237	0.06 192	0.08 162	0.07 162	0.09 253	0.09 249

CBFPSM	0.15 218	0.07 54	0.27 318	0.17 111	0.09 125	0.13 127	0.15 124	0.22 156	0.23 185	0.20 245	0.27 252	0.23 249	0.16 223	0.16 190	0.19 257	0.06 53	0.06 192	0.06 33	0.07 162	0.07 152	0.07 153

BUS	0.15 218	0.09 185	0.14 150	0.22 310	0.10 219	0.20 267	0.14 77	0.34 312	0.20 144	0.17 186	0.23 189	0.16 168	0.14 194	0.16 190	0.14 176	0.08 194	0.06 192	0.10 273	0.09 255	0.07 152	0.07 153

BSDual-CNN	0.15 218	0.09 185	0.14 150	0.22 310	0.10 219	0.15 177	0.15 124	0.34 312	0.20 144	0.17 186	0.23 189	0.25 267	0.16 223	0.16 190	0.14 176	0.08 194	0.06 192	0.10 273	0.09 255	0.07 152	0.07 153

hknet	0.15 218	0.11 259	0.14 150	0.22 310	0.11 258	0.15 177	0.15 124	0.34 312	0.26 223	0.17 186	0.23 189	0.22 238	0.18 255	0.17 220	0.13 152	0.07 144	0.06 192	0.10 273	0.09 255	0.07 152	0.07 153

dd	0.15 218	0.17 331	0.17 230	0.19 225	0.09 125	0.15 177	0.18 233	0.22 156	0.26 223	0.23 276	0.20 163	0.21 222	0.10 83	0.21 276	0.17 235	0.10 268	0.06 192	0.08 162	0.06 85	0.08 201	0.07 153

DAS	0.15 218	0.08 138	0.18 256	0.19 225	0.10 219	0.19 250	0.17 195	0.28 247	0.30 258	0.18 214	0.26 237	0.21 222	0.16 223	0.16 190	0.13 152	0.08 194	0.06 192	0.06 33	0.06 85	0.07 152	0.07 153

SepStereo	0.15 218	0.08 138	0.18 256	0.19 225	0.10 219	0.19 250	0.17 195	0.28 247	0.30 258	0.18 214	0.26 237	0.21 222	0.16 223	0.26 319	0.13 152	0.08 194	0.06 192	0.06 33	0.06 85	0.07 152	0.07 153

PSMNet-ADL	0.15 218	0.12 274	0.13 114	0.22 310	0.09 125	0.13 127	0.20 282	0.26 214	0.23 185	0.18 214	0.20 163	0.23 249	0.17 244	0.18 229	0.18 247	0.09 237	0.08 272	0.08 162	0.11 309	0.08 201	0.07 153

LMCR-Stereo	0.15 218	0.08 138	0.14 150	0.21 294	0.09 125	0.18 235	0.19 268	0.28 247	0.19 126	0.24 287	0.24 199	0.23 249	0.17 244	0.20 261	0.17 235	0.07 144	0.06 192	0.08 162	0.06 85	0.10 278	0.09 249

xxxx	0.15 218	0.07 54	0.14 150	0.14 12	0.08 48	0.24 307	0.18 233	0.32 288	0.20 144	0.14 128	0.28 261	0.22 238	0.14 194	0.15 165	0.29 347	0.09 237	0.05 82	0.07 102	0.07 162	0.08 201	0.08 216

test_xeample	0.15 218	0.07 54	0.14 150	0.15 37	0.08 48	0.22 290	0.20 282	0.29 261	0.21 157	0.16 176	0.29 271	0.19 200	0.17 244	0.16 190	0.28 340	0.09 237	0.05 82	0.07 102	0.07 162	0.07 152	0.07 153

ACVNet	0.15 218	0.09 185	0.15 176	0.13 7	0.12 286	0.14 157	0.20 282	0.22 156	0.34 285	0.17 186	0.26 237	0.21 222	0.17 244	0.18 229	0.21 276	0.07 144	0.06 192	0.06 33	0.06 85	0.08 201	0.06 100

acv_ft	0.15 218	0.09 185	0.16 211	0.19 225	0.10 219	0.16 199	0.17 195	0.25 206	0.34 285	0.19 225	0.26 237	0.21 222	0.17 244	0.18 229	0.19 257	0.07 144	0.06 192	0.06 33	0.06 85	0.08 201	0.06 100

RASNet	0.15 218	0.07 54	0.15 176	0.16 62	0.08 48	0.19 250	0.14 77	0.30 271	0.21 157	0.17 186	0.25 225	0.21 222	0.19 269	0.20 261	0.20 265	0.07 144	0.06 192	0.06 33	0.08 215	0.06 94	0.06 100

CFNet	0.15 218	0.11 259	0.17 230	0.17 111	0.08 48	0.19 250	0.10 5	0.29 261	0.26 223	0.19 225	0.24 199	0.24 258	0.18 255	0.18 229	0.15 206	0.08 194	0.06 192	0.09 231	0.10 286	0.08 201	0.07 153

UCFNet_RVC	0.15 218	0.08 138	0.13 114	0.11 1	0.10 219	0.20 267	0.10 5	0.24 188	0.23 185	0.17 186	0.21 179	0.24 258	0.15 212	0.18 229	0.15 206	0.12 317	0.07 246	0.11 299	0.13 337	0.11 294	0.10 271

AdaStereo	0.15 218	0.11 259	0.16 211	0.19 225	0.09 125	0.21 277	0.11 11	0.33 298	0.28 246	0.21 254	0.23 189	0.21 222	0.13 165	0.19 248	0.15 206	0.13 331	0.05 82	0.10 273	0.07 162	0.09 253	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	0.15 218	0.08 138	0.16 211	0.16 62	0.08 48	0.16 199	0.13 46	0.26 214	0.36 301	0.21 254	0.29 271	0.24 258	0.13 165	0.14 150	0.14 176	0.06 53	0.06 192	0.06 33	0.04 8	0.09 253	0.08 216

HSM	0.15 218	0.09 185	0.15 176	0.16 62	0.09 125	0.16 199	0.14 77	0.28 247	0.25 211	0.20 245	0.24 199	0.37 340	0.17 244	0.20 261	0.15 206	0.07 144	0.05 82	0.07 102	0.06 85	0.07 152	0.06 100

pmcnn	0.15 218	0.07 54	0.20 281	0.15 37	0.07 15	0.21 277	0.16 175	0.25 206	0.26 223	0.21 254	0.33 296	0.29 296	0.19 269	0.18 229	0.17 235	0.07 144	0.05 82	0.05 2	0.04 8	0.07 152	0.06 100

1111x	0.16 242	0.09 185	0.13 114	0.18 178	0.08 48	0.18 235	0.25 340	0.32 288	0.25 211	0.17 186	0.24 199	0.27 281	0.15 212	0.14 150	0.24 310	0.07 144	0.07 246	0.08 162	0.09 255	0.07 152	0.07 153

GMStereo_Zeroshot	0.16 242	0.13 293	0.25 310	0.20 267	0.10 219	0.17 219	0.13 46	0.30 271	0.25 211	0.23 276	0.32 289	0.25 267	0.11 107	0.19 248	0.14 176	0.09 237	0.06 192	0.11 299	0.06 85	0.12 307	0.08 216

CRFU-Net	0.16 242	0.08 138	0.15 176	0.17 111	0.09 125	0.20 267	0.14 77	0.27 226	0.21 157	0.28 323	0.28 261	0.29 296	0.18 255	0.19 248	0.18 247	0.09 237	0.09 293	0.07 102	0.07 162	0.08 201	0.09 249

NINENet	0.16 242	0.10 241	0.16 211	0.17 111	0.11 258	0.20 267	0.14 77	0.41 359	0.37 305	0.18 214	0.21 179	0.16 168	0.14 194	0.16 190	0.14 176	0.08 194	0.08 272	0.10 273	0.07 162	0.10 278	0.09 249

CSP-Net	0.16 242	0.09 185	0.14 150	0.17 111	0.09 125	0.19 250	0.18 233	0.25 206	0.33 275	0.26 304	0.31 280	0.25 267	0.16 223	0.21 276	0.19 257	0.09 237	0.06 192	0.07 102	0.07 162	0.08 201	0.08 216

AASNet	0.16 242	0.08 138	0.13 114	0.19 225	0.09 125	0.19 250	0.15 124	0.38 346	0.37 305	0.20 245	0.24 199	0.20 216	0.17 244	0.17 220	0.21 276	0.10 268	0.08 272	0.08 162	0.07 162	0.09 253	0.09 249

AACVNet	0.16 242	0.08 138	0.15 176	0.15 37	0.10 219	0.18 235	0.15 124	0.24 188	0.25 211	0.27 311	0.27 252	0.28 289	0.18 255	0.19 248	0.17 235	0.09 237	0.07 246	0.09 231	0.07 162	0.10 278	0.09 249

ADLNet2	0.16 242	0.09 185	0.14 150	0.17 111	0.09 125	0.20 267	0.16 175	0.32 288	0.39 315	0.17 186	0.20 163	0.20 216	0.19 269	0.21 276	0.23 299	0.08 194	0.07 246	0.07 102	0.07 162	0.09 253	0.07 153

ICVP	0.16 242	0.09 185	0.12 90	0.22 310	0.09 125	0.18 235	0.21 295	0.26 214	0.24 195	0.18 214	0.30 277	0.27 281	0.18 255	0.18 229	0.15 206	0.10 268	0.07 246	0.08 162	0.07 162	0.07 152	0.08 216
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
Anonymous3	0.16 242	0.14 308	0.34 344	0.26 351	0.14 322	0.27 333	0.18 233	0.28 247	0.28 246	0.15 149	0.17 123	0.14 133	0.11 107	0.16 190	0.12 125	0.08 194	0.08 272	0.08 162	0.08 215	0.08 201	0.11 292

ADLNet	0.16 242	0.08 138	0.15 176	0.16 62	0.10 219	0.16 199	0.17 195	0.33 298	0.27 233	0.23 276	0.27 252	0.24 258	0.16 223	0.18 229	0.21 276	0.10 268	0.06 192	0.10 273	0.10 286	0.08 201	0.09 249

HCRNet	0.16 242	0.23 363	0.12 90	0.35 381	0.11 258	0.15 177	0.17 195	0.26 214	0.22 176	0.19 225	0.24 199	0.21 222	0.14 194	0.15 165	0.13 152	0.11 293	0.07 246	0.11 299	0.10 286	0.09 253	0.07 153

222	0.16 242	0.07 54	0.15 176	0.14 12	0.08 48	0.25 315	0.18 233	0.30 271	0.21 157	0.18 214	0.29 271	0.17 184	0.16 223	0.16 190	0.44 386	0.10 268	0.05 82	0.07 102	0.06 85	0.08 201	0.08 216

UPFNet	0.16 242	0.08 138	0.12 90	0.20 267	0.12 286	0.20 267	0.23 317	0.28 247	0.26 223	0.18 214	0.24 199	0.22 238	0.20 282	0.19 248	0.22 289	0.09 237	0.07 246	0.08 162	0.09 255	0.08 201	0.06 100

ac_64	0.16 242	0.09 185	0.15 176	0.18 178	0.10 219	0.22 290	0.17 195	0.24 188	0.22 176	0.19 225	0.24 199	0.29 296	0.18 255	0.19 248	0.22 289	0.09 237	0.08 272	0.08 162	0.09 255	0.07 152	0.06 100

DSFCA	0.16 242	0.09 185	0.14 150	0.16 62	0.10 219	0.21 277	0.19 268	0.28 247	0.31 265	0.23 276	0.25 225	0.22 238	0.16 223	0.20 261	0.20 265	0.10 268	0.07 246	0.09 231	0.09 255	0.08 201	0.08 216

AANet_RVC	0.16 242	0.10 241	0.11 65	0.18 178	0.09 125	0.19 250	0.18 233	0.27 226	0.32 270	0.22 263	0.35 310	0.21 222	0.22 293	0.22 293	0.17 235	0.06 53	0.05 82	0.06 33	0.06 85	0.07 152	0.06 100

DeepPruner_ROB	0.16 242	0.11 259	0.16 211	0.17 111	0.10 219	0.17 219	0.15 124	0.32 288	0.21 157	0.19 225	0.21 179	0.22 238	0.19 269	0.21 276	0.16 223	0.13 331	0.09 293	0.09 231	0.10 286	0.11 294	0.11 292

iinet-f	0.17 260	0.07 54	0.46 363	0.14 12	0.10 219	0.21 277	0.14 77	0.27 226	0.23 185	0.22 263	0.25 225	0.21 222	0.16 223	0.18 229	0.22 289	0.09 237	0.07 246	0.07 102	0.06 85	0.09 253	0.10 271

ToySt	0.17 260	0.11 259	0.19 278	0.17 111	0.11 258	0.16 199	0.26 346	0.24 188	0.33 275	0.19 225	0.24 199	0.26 276	0.24 306	0.19 248	0.21 276	0.07 144	0.08 272	0.09 231	0.10 286	0.09 253	0.08 216

ssnet_v2	0.17 260	0.10 241	0.18 256	0.17 111	0.11 258	0.21 277	0.22 306	0.34 312	0.25 211	0.23 276	0.23 189	0.27 281	0.19 269	0.22 293	0.21 276	0.11 293	0.10 315	0.09 231	0.09 255	0.08 201	0.08 216

GEStereo_RVC	0.17 260	0.12 274	0.16 211	0.22 310	0.11 258	0.19 250	0.18 233	0.32 288	0.49 352	0.20 245	0.25 225	0.17 184	0.13 165	0.21 276	0.16 223	0.10 268	0.06 192	0.08 162	0.07 162	0.09 253	0.08 216

MMNet	0.17 260	0.10 241	0.17 230	0.20 267	0.11 258	0.27 333	0.20 282	0.26 214	0.42 328	0.22 263	0.30 277	0.22 238	0.20 282	0.18 229	0.20 265	0.06 53	0.06 192	0.07 102	0.07 162	0.08 201	0.07 153

delet	0.17 260	0.09 185	0.18 256	0.19 225	0.11 258	0.21 277	0.22 306	0.30 271	0.38 311	0.17 186	0.27 252	0.19 200	0.19 269	0.19 248	0.21 276	0.08 194	0.08 272	0.09 231	0.11 309	0.06 94	0.07 153

UNet	0.17 260	0.09 185	0.18 256	0.19 225	0.12 286	0.28 341	0.19 268	0.33 298	0.30 258	0.21 254	0.25 225	0.23 249	0.19 269	0.20 261	0.19 257	0.07 144	0.06 192	0.08 162	0.07 162	0.08 201	0.07 153

HGLStereo	0.17 260	0.09 185	0.19 278	0.17 111	0.12 286	0.18 235	0.18 233	0.31 284	0.33 275	0.22 263	0.33 296	0.24 258	0.18 255	0.20 261	0.21 276	0.10 268	0.09 293	0.07 102	0.07 162	0.09 253	0.10 271

DMCA-RVC	0.17 260	0.10 241	0.16 211	0.24 335	0.11 258	0.19 250	0.18 233	0.26 214	0.24 195	0.21 254	0.27 252	0.25 267	0.27 324	0.18 229	0.21 276	0.12 317	0.08 272	0.13 329	0.10 286	0.10 278	0.08 216

FADNet-RVC-Resample	0.17 260	0.12 274	0.32 340	0.22 310	0.12 286	0.19 250	0.14 77	0.25 206	0.24 195	0.24 287	0.27 252	0.20 216	0.15 212	0.17 220	0.16 223	0.07 144	0.08 272	0.12 316	0.10 286	0.09 253	0.11 292

FADNet_RVC	0.17 260	0.14 308	0.41 358	0.20 267	0.11 258	0.13 127	0.13 46	0.27 226	0.22 176	0.21 254	0.23 189	0.20 216	0.18 255	0.15 165	0.17 235	0.08 194	0.08 272	0.12 316	0.09 255	0.11 294	0.10 271

NLCA_NET_v2_RVC	0.17 260	0.10 241	0.23 300	0.20 267	0.10 219	0.15 177	0.18 233	0.31 284	0.25 211	0.21 254	0.31 280	0.25 267	0.17 244	0.21 276	0.20 265	0.09 237	0.06 192	0.08 162	0.09 255	0.07 152	0.08 216
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 260	0.12 274	0.16 211	0.20 267	0.10 219	0.18 235	0.18 233	0.27 226	0.24 195	0.26 304	0.41 344	0.23 249	0.18 255	0.21 276	0.21 276	0.09 237	0.05 82	0.09 231	0.10 286	0.07 152	0.07 153
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
fast-acv-ft	0.18 273	0.11 259	0.20 281	0.19 225	0.12 286	0.26 325	0.21 295	0.26 214	0.35 296	0.22 263	0.34 306	0.27 281	0.21 286	0.21 276	0.23 299	0.09 237	0.09 293	0.08 162	0.10 286	0.08 201	0.07 153

HBP-ISP	0.18 273	0.13 293	0.17 230	0.15 37	0.11 258	0.08 22	0.13 46	0.28 247	0.30 258	0.22 263	0.33 296	0.21 222	0.25 312	0.23 300	0.18 247	0.15 351	0.17 367	0.21 369	0.17 362	0.10 278	0.09 249

Wz-Net-LNSev-Ref	0.18 273	0.09 185	0.30 333	0.15 37	0.11 258	0.23 301	0.20 282	0.27 226	0.40 319	0.26 304	0.43 353	0.25 267	0.15 212	0.21 276	0.20 265	0.07 144	0.05 82	0.06 33	0.05 34	0.10 278	0.09 249

dad	0.18 273	0.20 352	0.21 287	0.17 111	0.11 258	0.20 267	0.19 268	0.21 137	0.28 246	0.30 333	0.24 199	0.30 303	0.13 165	0.19 248	0.17 235	0.18 368	0.09 293	0.11 299	0.09 255	0.11 294	0.07 153

hitnet-ft	0.18 273	0.10 241	0.17 230	0.14 12	0.09 125	0.27 333	0.20 282	0.25 206	0.26 223	0.24 287	0.32 289	0.32 321	0.23 299	0.24 310	0.21 276	0.12 317	0.07 246	0.10 273	0.08 215	0.12 307	0.11 292

STTStereo	0.18 273	0.13 293	0.28 320	0.20 267	0.11 258	0.16 199	0.21 295	0.29 261	0.23 185	0.22 263	0.30 277	0.29 296	0.18 255	0.20 261	0.20 265	0.12 317	0.11 326	0.11 299	0.14 343	0.09 253	0.08 216

TDLM	0.18 273	0.12 274	0.14 150	0.24 335	0.10 219	0.18 235	0.18 233	0.37 339	0.30 258	0.22 263	0.28 261	0.28 289	0.18 255	0.23 300	0.19 257	0.11 293	0.07 246	0.10 273	0.10 286	0.08 201	0.08 216

CVANet_RVC	0.18 273	0.11 259	0.14 150	0.21 294	0.11 258	0.19 250	0.18 233	0.34 312	0.34 285	0.22 263	0.31 280	0.28 289	0.18 255	0.24 310	0.18 247	0.12 317	0.08 272	0.12 316	0.12 327	0.09 253	0.08 216

DLCB_ROB	0.18 273	0.10 241	0.16 211	0.23 327	0.11 258	0.24 307	0.18 233	0.30 271	0.28 246	0.27 311	0.29 271	0.28 289	0.25 312	0.20 261	0.20 265	0.08 194	0.08 272	0.09 231	0.09 255	0.07 152	0.07 153

SACVNet	0.19 282	0.12 274	0.15 176	0.17 111	0.13 307	0.22 290	0.18 233	0.31 284	0.31 265	0.24 287	0.31 280	0.30 303	0.23 299	0.23 300	0.17 235	0.11 293	0.08 272	0.10 273	0.10 286	0.12 307	0.14 332

pcwnet_v2	0.19 282	0.11 259	0.26 316	0.18 178	0.14 322	0.18 235	0.15 124	0.37 339	0.46 348	0.19 225	0.24 199	0.21 222	0.19 269	0.21 276	0.20 265	0.13 331	0.10 315	0.10 273	0.10 286	0.11 294	0.13 319

psm_up	0.19 282	0.10 241	0.18 256	0.21 294	0.11 258	0.17 219	0.19 268	0.38 346	0.34 285	0.22 263	0.28 261	0.29 296	0.25 312	0.20 261	0.22 289	0.09 237	0.10 315	0.11 299	0.11 309	0.08 201	0.08 216

NVstereo2D	0.19 282	0.11 259	0.16 211	0.17 111	0.16 344	0.28 341	0.23 317	0.44 372	0.42 328	0.15 149	0.28 261	0.25 267	0.19 269	0.23 300	0.18 247	0.09 237	0.06 192	0.10 273	0.08 215	0.15 348	0.10 271

StereoDRNet	0.19 282	0.11 259	0.18 256	0.22 310	0.11 258	0.22 290	0.22 306	0.37 339	0.34 285	0.24 287	0.28 261	0.30 303	0.19 269	0.20 261	0.21 276	0.10 268	0.08 272	0.11 299	0.09 255	0.09 253	0.07 153

CBMV_ROB	0.19 282	0.13 293	0.18 256	0.16 62	0.11 258	0.16 199	0.12 24	0.27 226	0.29 252	0.27 311	0.31 280	0.27 281	0.24 306	0.24 310	0.16 223	0.15 351	0.18 369	0.22 373	0.20 368	0.10 278	0.12 310

NOSS_ROB	0.19 282	0.13 293	0.18 256	0.16 62	0.12 286	0.16 199	0.12 24	0.30 271	0.33 275	0.20 245	0.22 188	0.27 281	0.24 306	0.21 276	0.16 223	0.16 363	0.18 369	0.23 374	0.21 370	0.13 322	0.13 319

SDNR	0.20 289	0.09 185	0.19 278	0.16 62	0.12 286	0.79 402	0.13 46	0.26 214	0.33 275	0.19 225	0.25 225	0.19 200	0.12 136	0.19 248	0.15 206	0.16 363	0.18 369	0.14 340	0.11 309	0.08 201	0.12 310

GwcNet	0.20 289	0.14 308	0.20 281	0.18 178	0.12 286	0.25 315	0.20 282	0.36 332	0.45 340	0.20 245	0.33 296	0.33 327	0.21 286	0.22 293	0.25 317	0.11 293	0.09 293	0.09 231	0.09 255	0.09 253	0.10 271

SuperB	0.20 289	0.10 241	0.57 376	0.16 62	0.09 125	0.19 250	0.18 233	0.25 206	0.51 357	0.27 311	0.39 331	0.17 184	0.22 293	0.22 293	0.21 276	0.08 194	0.06 192	0.06 33	0.06 85	0.12 307	0.11 292

ADCRef	0.20 289	0.12 274	0.43 361	0.20 267	0.12 286	0.23 301	0.18 233	0.32 288	0.37 305	0.26 304	0.33 296	0.18 196	0.23 299	0.25 315	0.26 328	0.07 144	0.06 192	0.09 231	0.09 255	0.08 201	0.09 249

ADCP+	0.20 289	0.10 241	0.35 350	0.21 294	0.12 286	0.22 290	0.27 350	0.31 284	0.35 296	0.26 304	0.37 317	0.22 238	0.22 293	0.27 321	0.28 340	0.09 237	0.06 192	0.08 162	0.08 215	0.10 278	0.10 271

PS-NSSS	0.20 289	0.21 357	0.23 300	0.20 267	0.10 219	0.19 250	0.17 195	0.36 332	0.26 223	0.27 311	0.34 306	0.27 281	0.24 306	0.20 261	0.20 265	0.15 351	0.12 334	0.17 356	0.14 343	0.10 278	0.09 249

DRN-Test	0.20 289	0.11 259	0.21 287	0.22 310	0.10 219	0.22 290	0.22 306	0.40 354	0.38 311	0.24 287	0.33 296	0.26 276	0.22 293	0.22 293	0.25 317	0.11 293	0.07 246	0.11 299	0.10 286	0.09 253	0.08 216

DISCO	0.20 289	0.09 185	0.22 294	0.17 111	0.10 219	0.25 315	0.18 233	0.28 247	0.45 340	0.23 276	0.32 289	0.34 331	0.26 319	0.29 336	0.29 347	0.08 194	0.06 192	0.07 102	0.07 162	0.09 253	0.10 271

SGM-Forest	0.20 289	0.14 308	0.18 256	0.20 267	0.13 307	0.21 277	0.22 306	0.33 298	0.31 265	0.24 287	0.29 271	0.28 289	0.20 282	0.23 300	0.18 247	0.15 351	0.16 363	0.15 347	0.14 343	0.13 322	0.12 310
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.20 289	0.15 314	0.18 256	0.18 178	0.10 219	0.20 267	0.11 11	0.30 271	0.31 265	0.29 328	0.31 280	0.31 315	0.23 299	0.28 329	0.19 257	0.13 331	0.15 358	0.17 356	0.16 355	0.10 278	0.10 271
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
UDG	0.21 299	0.17 331	0.20 281	0.23 327	0.15 332	0.31 348	0.20 282	0.33 298	0.35 296	0.24 287	0.28 261	0.31 315	0.29 336	0.21 276	0.23 299	0.15 351	0.12 334	0.13 329	0.09 255	0.14 337	0.15 347

FAT-Stereo	0.21 299	0.13 293	0.22 294	0.21 294	0.12 286	0.18 235	0.18 233	0.35 327	0.40 319	0.28 323	0.37 317	0.33 327	0.33 356	0.21 276	0.20 265	0.09 237	0.11 326	0.10 273	0.09 255	0.11 294	0.14 332

FADNet-RVC	0.21 299	0.20 352	0.40 356	0.21 294	0.16 344	0.21 277	0.15 124	0.27 226	0.27 233	0.26 304	0.32 289	0.26 276	0.21 286	0.22 293	0.19 257	0.12 317	0.13 346	0.12 316	0.14 343	0.13 322	0.18 366

FADNet	0.21 299	0.23 363	0.37 353	0.18 178	0.17 354	0.25 315	0.13 46	0.32 288	0.32 270	0.23 276	0.25 225	0.27 281	0.21 286	0.19 248	0.16 223	0.13 331	0.15 358	0.12 316	0.15 353	0.17 363	0.18 366

S-Stereo	0.21 299	0.12 274	0.25 310	0.21 294	0.13 307	0.21 277	0.19 268	0.33 298	0.45 340	0.23 276	0.36 314	0.28 289	0.29 336	0.20 261	0.23 299	0.09 237	0.12 334	0.10 273	0.10 286	0.13 322	0.14 332

DANet	0.21 299	0.16 322	0.29 328	0.25 341	0.13 307	0.23 301	0.19 268	0.28 247	0.27 233	0.28 323	0.32 289	0.35 336	0.32 354	0.31 343	0.24 310	0.11 293	0.09 293	0.11 299	0.10 286	0.13 322	0.11 292
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
PWC_ROB	0.21 299	0.16 322	0.27 318	0.18 178	0.11 258	0.22 290	0.13 46	0.33 298	0.49 352	0.30 333	0.40 334	0.32 321	0.25 312	0.31 343	0.23 299	0.10 268	0.07 246	0.11 299	0.08 215	0.11 294	0.10 271

PWCDC_ROB	0.21 299	0.13 293	0.23 300	0.25 341	0.12 286	0.20 267	0.15 124	0.34 312	0.55 367	0.29 328	0.49 363	0.21 222	0.15 212	0.28 329	0.20 265	0.11 293	0.09 293	0.10 273	0.08 215	0.11 294	0.09 249

GASNet	0.22 307	0.24 366	0.34 344	0.26 351	0.17 354	0.27 333	0.16 175	0.45 374	0.42 328	0.27 311	0.24 199	0.30 303	0.16 223	0.27 321	0.18 247	0.12 317	0.09 293	0.12 316	0.11 309	0.16 356	0.08 216

Anonymous_2	0.22 307	0.17 331	0.28 320	0.15 37	0.16 344	0.33 352	0.22 306	0.23 170	0.18 112	0.23 276	0.24 199	0.26 276	0.27 324	0.27 321	0.24 310	0.22 379	0.26 387	0.17 356	0.17 362	0.16 356	0.18 366

Wz-Net-LNSev	0.22 307	0.16 322	0.41 358	0.22 310	0.13 307	0.25 315	0.24 325	0.33 298	0.44 337	0.30 333	0.42 350	0.32 321	0.19 269	0.23 300	0.27 333	0.10 268	0.09 293	0.08 162	0.08 215	0.12 307	0.11 292

FINET	0.22 307	0.18 344	0.28 320	0.19 225	0.16 344	0.24 307	0.24 325	0.33 298	0.49 352	0.26 304	0.33 296	0.22 238	0.23 299	0.23 300	0.18 247	0.18 368	0.16 363	0.11 299	0.10 286	0.15 348	0.14 332

Syn2CoEx	0.22 307	0.16 322	0.29 328	0.29 371	0.15 332	0.26 325	0.21 295	0.34 312	0.32 270	0.29 328	0.36 314	0.28 289	0.25 312	0.20 261	0.25 317	0.16 363	0.12 334	0.14 340	0.11 309	0.09 253	0.08 216

aanetorigin	0.22 307	0.17 331	0.57 376	0.18 178	0.10 219	0.16 199	0.19 268	0.20 126	0.33 275	0.49 378	0.48 362	0.30 303	0.28 333	0.21 276	0.24 310	0.08 194	0.07 246	0.08 162	0.07 162	0.10 278	0.09 249

MaskLacGwcNet_RVC	0.22 307	0.21 357	0.25 310	0.26 351	0.11 258	0.24 307	0.14 77	0.39 351	0.24 195	0.32 345	0.36 314	0.30 303	0.21 286	0.19 248	0.22 289	0.17 367	0.14 354	0.21 369	0.16 355	0.13 322	0.12 310

RP	0.22 307	0.13 293	0.22 294	0.23 327	0.12 286	0.21 277	0.20 282	0.26 214	0.45 340	0.22 263	0.38 324	0.37 340	0.25 312	0.28 329	0.25 317	0.11 293	0.12 334	0.13 329	0.12 327	0.13 322	0.14 332

stereogan	0.22 307	0.11 259	0.21 287	0.20 267	0.12 286	0.32 350	0.19 268	0.36 332	0.45 340	0.23 276	0.39 331	0.35 336	0.27 324	0.33 350	0.23 299	0.10 268	0.12 334	0.10 273	0.10 286	0.14 337	0.14 332

GANet	0.22 307	0.13 293	0.21 287	0.25 341	0.14 322	0.23 301	0.22 306	0.42 363	0.27 233	0.31 338	0.43 353	0.37 340	0.29 336	0.23 300	0.23 299	0.10 268	0.12 334	0.10 273	0.09 255	0.10 278	0.08 216

MDST_ROB	0.22 307	0.10 241	0.18 256	0.18 178	0.11 258	0.40 373	0.19 268	0.44 372	0.42 328	0.40 362	0.40 334	0.29 296	0.21 286	0.27 321	0.19 257	0.11 293	0.10 315	0.14 340	0.11 309	0.10 278	0.08 216

XPNet_ROB	0.22 307	0.12 274	0.20 281	0.22 310	0.13 307	0.22 290	0.19 268	0.35 327	0.40 319	0.30 333	0.40 334	0.38 346	0.27 324	0.26 319	0.29 347	0.15 351	0.10 315	0.10 273	0.10 286	0.13 322	0.12 310

PSMNet_ROB	0.22 307	0.12 274	0.15 176	0.27 358	0.15 332	0.25 315	0.36 384	0.43 368	0.37 305	0.27 311	0.33 296	0.32 321	0.23 299	0.21 276	0.27 333	0.12 317	0.08 272	0.13 329	0.11 309	0.10 278	0.09 249

Wz-Net-MNSev	0.23 320	0.13 293	0.33 341	0.20 267	0.15 332	0.36 364	0.25 340	0.34 312	0.45 340	0.29 328	0.41 344	0.39 351	0.19 269	0.25 315	0.27 333	0.09 237	0.07 246	0.09 231	0.09 255	0.12 307	0.10 271

DDUNet	0.23 320	0.18 344	0.22 294	0.22 310	0.15 332	0.25 315	0.24 325	0.30 271	0.31 265	0.31 338	0.37 317	0.34 331	0.26 319	0.25 315	0.21 276	0.18 368	0.13 346	0.17 356	0.11 309	0.16 356	0.17 364

APVNet	0.23 320	0.12 274	0.20 281	0.18 178	0.14 322	0.32 350	0.31 373	0.40 354	0.33 275	0.27 311	0.40 334	0.30 303	0.29 336	0.27 321	0.25 317	0.11 293	0.12 334	0.11 299	0.14 343	0.12 307	0.13 319

AF-Net	0.23 320	0.17 331	0.17 230	0.27 358	0.13 307	0.26 325	0.24 325	0.33 298	0.51 357	0.25 300	0.33 296	0.39 351	0.27 324	0.28 329	0.26 328	0.11 293	0.10 315	0.16 354	0.12 327	0.11 294	0.11 292

edge stereo	0.23 320	0.14 308	0.21 287	0.21 294	0.13 307	0.24 307	0.16 175	0.32 288	0.42 328	0.32 345	0.40 334	0.39 351	0.35 360	0.25 315	0.25 317	0.13 331	0.11 326	0.14 340	0.11 309	0.12 307	0.14 332

Nwc_Net	0.23 320	0.17 331	0.22 294	0.25 341	0.15 332	0.25 315	0.27 350	0.38 346	0.39 315	0.22 263	0.41 344	0.30 303	0.29 336	0.28 329	0.25 317	0.11 293	0.10 315	0.17 356	0.20 368	0.10 278	0.11 292

RTSC	0.23 320	0.13 293	0.30 333	0.21 294	0.13 307	0.29 343	0.17 195	0.36 332	0.68 385	0.27 311	0.34 306	0.30 303	0.22 293	0.32 347	0.31 357	0.10 268	0.08 272	0.09 231	0.10 286	0.13 322	0.14 332

RYNet	0.23 320	0.12 274	0.22 294	0.19 225	0.17 354	0.47 378	0.26 346	0.39 351	0.49 352	0.24 287	0.29 271	0.34 331	0.24 306	0.20 261	0.31 357	0.10 268	0.06 192	0.09 231	0.09 255	0.14 337	0.15 347

NaN_ROB	0.23 320	0.20 352	0.25 310	0.25 341	0.13 307	0.31 348	0.27 350	0.34 312	0.41 326	0.31 338	0.31 280	0.32 321	0.23 299	0.31 343	0.22 289	0.11 293	0.17 367	0.10 273	0.11 309	0.08 201	0.09 249

ETE_ROB	0.23 320	0.17 331	0.23 300	0.25 341	0.14 322	0.26 325	0.29 366	0.32 288	0.37 305	0.28 323	0.37 317	0.45 367	0.27 324	0.28 329	0.27 333	0.11 293	0.09 293	0.12 316	0.10 286	0.14 337	0.13 319

SQANet	0.24 330	0.24 366	0.31 336	0.31 375	0.19 367	0.27 333	0.13 46	0.30 271	0.33 275	0.25 300	0.37 317	0.31 315	0.22 293	0.27 321	0.23 299	0.15 351	0.10 315	0.21 369	0.16 355	0.22 371	0.16 356

DeepPrunerF	0.24 330	0.17 331	0.45 362	0.26 351	0.16 344	0.23 301	0.29 366	0.37 339	0.51 357	0.27 311	0.31 280	0.24 258	0.28 333	0.22 293	0.23 299	0.15 351	0.11 326	0.20 368	0.18 366	0.12 307	0.14 332

PA-Net	0.24 330	0.18 344	0.34 344	0.28 364	0.22 374	0.22 290	0.39 389	0.29 261	0.39 315	0.22 263	0.33 296	0.25 267	0.26 319	0.21 276	0.25 317	0.10 268	0.23 385	0.15 347	0.22 373	0.09 253	0.13 319
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
Anonymous Stereo	0.24 330	0.19 347	0.52 370	0.25 341	0.18 363	0.21 277	0.22 306	0.34 312	0.45 340	0.25 300	0.35 310	0.26 276	0.19 269	0.31 343	0.29 347	0.13 331	0.12 334	0.12 316	0.13 337	0.12 307	0.14 332

NCCL2	0.24 330	0.15 314	0.18 256	0.34 379	0.18 363	0.24 307	0.24 325	0.34 312	0.29 252	0.31 338	0.38 324	0.38 346	0.29 336	0.23 300	0.25 317	0.15 351	0.12 334	0.18 364	0.21 370	0.13 322	0.13 319

WCMA_ROB	0.24 330	0.11 259	0.24 306	0.17 111	0.14 322	0.34 356	0.16 175	0.33 298	0.33 275	0.39 359	0.54 370	0.40 357	0.35 360	0.35 358	0.26 328	0.12 317	0.12 334	0.12 316	0.11 309	0.14 337	0.14 332

SGM_RVC	0.24 330	0.12 274	0.16 211	0.15 37	0.09 125	0.34 356	0.19 268	0.35 327	0.32 270	0.44 373	0.38 324	0.53 380	0.36 363	0.36 362	0.26 328	0.13 331	0.13 346	0.13 329	0.13 337	0.11 294	0.11 292
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DGSMNet	0.25 337	0.19 347	0.34 344	0.21 294	0.24 377	0.24 307	0.21 295	0.36 332	0.42 328	0.25 300	0.32 289	0.38 346	0.21 286	0.29 336	0.24 310	0.13 331	0.11 326	0.14 340	0.16 355	0.23 373	0.23 379

psmorigin	0.25 337	0.16 322	0.35 350	0.17 111	0.13 307	0.24 307	0.14 77	0.34 312	0.34 285	0.41 366	0.55 371	0.41 359	0.38 366	0.35 358	0.28 340	0.11 293	0.15 358	0.11 299	0.11 309	0.12 307	0.17 364

RGC	0.25 337	0.20 352	0.29 328	0.28 364	0.16 344	0.22 290	0.23 317	0.33 298	0.44 337	0.27 311	0.40 334	0.38 346	0.28 333	0.37 366	0.23 299	0.11 293	0.13 346	0.17 356	0.17 362	0.15 348	0.16 356

G-Net	0.25 337	0.17 331	0.38 354	0.23 327	0.16 344	0.51 381	0.23 317	0.29 261	0.35 296	0.36 352	0.38 324	0.31 315	0.29 336	0.28 329	0.27 333	0.11 293	0.09 293	0.12 316	0.10 286	0.16 356	0.14 332

NCC-stereo	0.25 337	0.15 314	0.31 336	0.26 351	0.17 354	0.21 277	0.31 373	0.41 359	0.40 319	0.24 287	0.38 324	0.33 327	0.29 336	0.37 366	0.28 340	0.13 331	0.11 326	0.15 347	0.22 373	0.13 322	0.13 319

Abc-Net	0.25 337	0.15 314	0.31 336	0.26 351	0.17 354	0.21 277	0.31 373	0.41 359	0.40 319	0.24 287	0.38 324	0.33 327	0.29 336	0.37 366	0.28 340	0.13 331	0.11 326	0.15 347	0.22 373	0.13 322	0.13 319
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
ADCL	0.25 337	0.12 274	0.49 368	0.22 310	0.12 286	0.36 364	0.29 366	0.30 271	0.57 370	0.24 287	0.47 361	0.30 303	0.31 352	0.30 342	0.30 353	0.09 237	0.07 246	0.09 231	0.09 255	0.10 278	0.10 271

FBW_ROB	0.25 337	0.17 331	0.23 300	0.27 358	0.14 322	0.26 325	0.22 306	0.42 363	0.43 335	0.42 368	0.41 344	0.43 363	0.27 324	0.32 347	0.24 310	0.09 237	0.15 358	0.15 347	0.12 327	0.12 307	0.10 271

SANet	0.25 337	0.14 308	0.29 328	0.21 294	0.11 258	0.29 343	0.25 340	0.40 354	0.65 384	0.36 352	0.40 334	0.42 361	0.27 324	0.27 321	0.25 317	0.12 317	0.09 293	0.10 273	0.09 255	0.13 322	0.12 310

LALA_ROB	0.25 337	0.16 322	0.23 300	0.27 358	0.17 354	0.27 333	0.27 350	0.42 363	0.38 311	0.33 349	0.39 331	0.51 377	0.26 319	0.29 336	0.28 340	0.16 363	0.09 293	0.13 329	0.12 327	0.13 322	0.13 319

Wz-Net-SNSev	0.26 347	0.17 331	0.46 363	0.25 341	0.14 322	0.26 325	0.24 325	0.38 346	0.57 370	0.30 333	0.56 372	0.39 351	0.26 319	0.24 310	0.32 362	0.10 268	0.09 293	0.10 273	0.11 309	0.11 294	0.11 292

SHD	0.26 347	0.15 314	0.31 336	0.24 335	0.18 363	0.23 301	0.15 124	0.39 351	0.72 390	0.32 345	0.42 350	0.36 338	0.29 336	0.33 350	0.30 353	0.13 331	0.11 326	0.14 340	0.13 337	0.16 356	0.20 374

ADCMid	0.26 347	0.15 314	0.42 360	0.20 267	0.14 322	0.25 315	0.26 346	0.35 327	0.40 319	0.37 356	0.45 357	0.34 331	0.42 375	0.36 362	0.36 369	0.10 268	0.09 293	0.11 299	0.11 309	0.13 322	0.13 319

AnyNet_C32	0.26 347	0.16 322	0.39 355	0.20 267	0.17 354	0.26 325	0.31 373	0.32 288	0.45 340	0.31 338	0.50 365	0.30 303	0.34 357	0.41 379	0.36 369	0.12 317	0.12 334	0.12 316	0.14 343	0.14 337	0.15 347

ADCPNet	0.26 347	0.17 331	0.62 381	0.21 294	0.15 332	0.36 364	0.25 340	0.33 298	0.37 305	0.31 338	0.41 344	0.36 338	0.29 336	0.29 336	0.34 367	0.12 317	0.10 315	0.11 299	0.12 327	0.14 337	0.13 319

DispFullNet	0.27 352	0.22 361	0.66 384	0.28 364	0.17 354	0.27 333	0.17 195	0.34 312	0.57 370	0.27 311	0.37 317	0.43 363	0.24 306	0.39 371	0.25 317	0.12 317	0.06 192	0.19 366	0.11 309	0.23 373	0.16 356

MeshStereo	0.27 352	0.13 293	0.18 256	0.15 37	0.11 258	0.33 352	0.24 325	0.41 359	0.36 301	0.53 381	0.58 378	0.67 390	0.41 372	0.36 362	0.27 333	0.14 349	0.13 346	0.13 329	0.11 309	0.11 294	0.11 292
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
CC-Net-ROB	0.28 354	0.31 382	0.36 352	0.30 373	0.15 332	0.25 315	0.19 268	0.45 374	0.34 285	0.39 359	0.37 317	0.39 351	0.31 352	0.27 321	0.27 333	0.24 386	0.18 369	0.30 387	0.23 377	0.19 368	0.15 347

DPSNet	0.28 354	0.16 322	0.33 341	0.18 178	0.13 307	0.55 384	0.42 392	0.52 384	0.68 385	0.29 328	0.38 324	0.39 351	0.30 347	0.32 347	0.23 299	0.11 293	0.10 315	0.11 299	0.08 215	0.20 370	0.16 356

PDISCO_ROB	0.28 354	0.16 322	0.28 320	0.28 364	0.20 370	0.33 352	0.27 350	0.45 374	0.58 373	0.28 323	0.41 344	0.45 367	0.30 347	0.34 353	0.35 368	0.12 317	0.09 293	0.17 356	0.16 355	0.17 363	0.13 319

Wz-Net-TNSev	0.29 357	0.20 352	0.69 392	0.19 225	0.15 332	0.38 370	0.27 350	0.36 332	0.56 369	0.35 350	0.42 350	0.45 367	0.39 367	0.33 350	0.31 357	0.13 331	0.13 346	0.10 273	0.12 327	0.15 348	0.15 347

WZ-Net	0.29 357	0.17 331	0.82 400	0.23 327	0.16 344	0.35 360	0.29 366	0.40 354	0.59 375	0.24 287	0.57 376	0.37 340	0.25 312	0.34 353	0.37 373	0.09 237	0.08 272	0.09 231	0.10 286	0.14 337	0.16 356

XQC	0.29 357	0.23 363	0.53 371	0.29 371	0.19 367	0.36 364	0.28 356	0.37 339	0.58 373	0.31 338	0.31 280	0.37 340	0.30 347	0.39 371	0.39 377	0.13 331	0.09 293	0.15 347	0.12 327	0.18 365	0.18 366

ccnet	0.30 360	0.28 374	0.24 306	0.20 267	0.28 384	0.41 374	0.22 306	0.46 377	0.33 275	0.37 356	0.46 359	0.37 340	0.30 347	0.40 374	0.43 383	0.23 384	0.14 354	0.21 369	0.17 362	0.23 373	0.19 371

EDNetEfficient	0.30 360	0.24 366	1.18 408	0.18 178	0.10 219	0.20 267	0.20 282	0.21 137	0.61 377	0.74 395	0.56 372	0.30 303	0.40 371	0.23 300	0.32 362	0.09 237	0.07 246	0.08 162	0.07 162	0.11 294	0.10 271

MFN_U_SF_DS_RVC	0.30 360	0.24 366	0.30 333	0.36 383	0.16 344	0.36 364	0.31 373	0.34 312	0.43 335	0.41 366	0.46 359	0.38 346	0.30 347	0.35 358	0.29 347	0.19 371	0.20 375	0.26 376	0.29 385	0.18 365	0.19 371

ADCS	0.30 360	0.19 347	0.48 367	0.21 294	0.18 363	0.29 343	0.24 325	0.42 363	0.64 382	0.40 362	0.50 365	0.40 357	0.37 364	0.40 374	0.43 383	0.13 331	0.13 346	0.13 329	0.14 343	0.16 356	0.16 356

CSAN	0.30 360	0.24 366	0.28 320	0.34 379	0.19 367	0.34 356	0.42 392	0.38 346	0.51 357	0.38 358	0.40 334	0.44 366	0.34 357	0.29 336	0.31 357	0.19 371	0.16 363	0.19 366	0.19 367	0.14 337	0.15 347

GANetREF_RVC	0.31 365	0.34 384	0.29 328	0.35 381	0.16 344	0.33 352	0.42 392	0.48 379	0.52 363	0.35 350	0.35 310	0.34 331	0.32 354	0.40 374	0.33 365	0.27 388	0.20 375	0.29 385	0.15 353	0.19 368	0.18 366
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.31 365	0.26 372	0.26 316	0.24 335	0.21 372	0.34 356	0.25 340	0.34 312	0.39 315	0.40 362	0.69 386	0.45 367	0.41 372	0.34 353	0.28 340	0.20 375	0.20 375	0.26 376	0.25 379	0.23 373	0.22 378

FCDSN-DC	0.33 367	0.28 374	0.28 320	0.30 373	0.24 377	0.39 372	0.28 356	0.43 368	0.42 328	0.44 373	0.53 369	0.51 377	0.42 375	0.37 366	0.30 353	0.21 377	0.20 375	0.27 379	0.26 380	0.25 381	0.25 381
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MFN_U_SF_RVC	0.33 367	0.22 361	0.58 379	0.31 375	0.15 332	0.36 364	0.17 195	0.54 387	0.46 348	0.47 377	0.56 372	0.58 383	0.39 367	0.36 362	0.38 376	0.15 351	0.15 358	0.18 364	0.21 370	0.16 356	0.16 356

FC-DCNN	0.33 367	0.28 374	0.28 320	0.26 351	0.23 375	0.38 370	0.29 366	0.40 354	0.44 337	0.46 376	0.56 372	0.51 377	0.41 372	0.38 370	0.31 357	0.21 377	0.20 375	0.27 379	0.26 380	0.25 381	0.24 380

PASM	0.33 367	0.25 371	0.51 369	0.28 364	0.27 383	0.30 346	0.31 373	0.35 327	0.51 357	0.36 352	0.40 334	0.47 374	0.35 360	0.34 353	0.36 369	0.23 384	0.26 387	0.26 376	0.28 384	0.23 373	0.21 375

SGM-ForestM	0.33 367	0.12 274	0.17 230	0.16 62	0.11 258	0.42 375	0.20 282	0.43 368	0.53 366	0.53 381	0.57 376	1.41 412	0.44 380	0.42 380	0.29 347	0.14 349	0.16 363	0.16 354	0.16 355	0.12 307	0.13 319

LSM	0.34 372	0.21 357	0.62 381	0.27 358	0.62 406	0.35 360	0.26 346	0.43 368	0.49 352	0.45 375	0.60 381	0.42 361	0.37 364	0.35 358	0.26 328	0.13 331	0.21 382	0.14 340	0.16 355	0.18 365	0.34 393

AnyNet_C01	0.37 373	0.26 372	1.41 411	0.22 310	0.17 354	0.51 381	0.28 356	0.36 332	0.40 319	0.39 359	0.75 392	0.46 371	0.39 367	0.46 382	0.50 393	0.13 331	0.13 346	0.13 329	0.14 343	0.14 337	0.16 356

otaku	0.39 374	0.38 387	0.53 371	0.44 389	0.28 384	0.57 386	0.24 325	0.42 363	0.62 380	0.40 362	0.50 365	0.46 371	0.34 357	0.40 374	0.33 365	0.30 389	0.30 391	0.39 391	0.33 390	0.30 386	0.29 387

ACVNet-4b	0.39 374	0.53 393	0.56 374	0.45 390	0.24 377	0.46 377	0.18 233	0.50 381	0.64 382	0.42 368	0.45 357	0.60 384	0.27 324	0.34 353	0.24 310	0.33 391	0.14 354	0.48 394	0.42 394	0.31 389	0.27 386

PVD	0.40 376	0.21 357	0.40 356	0.32 378	0.23 375	0.30 346	0.45 396	0.53 386	0.97 403	0.55 383	0.80 396	0.54 381	0.60 393	0.53 388	0.40 379	0.19 371	0.14 354	0.17 356	0.14 343	0.24 379	0.32 391

Ntro	0.41 377	0.40 389	0.54 373	0.46 393	0.30 388	0.64 390	0.24 325	0.47 378	0.68 385	0.42 368	0.49 363	0.47 374	0.42 375	0.40 374	0.32 362	0.32 390	0.28 389	0.37 390	0.31 388	0.33 391	0.29 387

SAMSARA	0.41 377	0.28 374	0.34 344	0.55 396	0.39 390	0.85 405	1.25 420	0.49 380	0.52 363	0.36 352	0.35 310	0.56 382	0.39 367	0.39 371	0.41 380	0.15 351	0.20 375	0.15 347	0.14 343	0.23 373	0.21 375

ELAS_RVC	0.42 379	0.29 380	0.33 341	0.28 364	0.24 377	0.56 385	0.38 387	0.50 381	0.61 377	0.74 395	0.76 393	0.67 390	0.56 389	0.55 390	0.42 382	0.22 379	0.21 382	0.27 379	0.26 380	0.27 385	0.26 384
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.42 379	0.29 380	0.34 344	0.28 364	0.24 377	0.63 389	0.37 385	0.52 384	0.52 363	0.72 392	0.82 397	0.68 392	0.56 389	0.52 386	0.45 389	0.22 379	0.21 382	0.27 379	0.26 380	0.26 383	0.26 384
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
Consistency-Raft	0.44 381	0.40 389	0.46 363	0.37 384	0.43 393	0.42 375	0.41 390	0.57 389	0.55 367	0.32 345	0.73 390	0.32 321	0.50 384	0.42 380	0.49 392	0.39 393	0.36 393	0.45 393	0.52 403	0.42 393	0.30 389

MSC_U_SF_DS_RVC	0.44 381	0.39 388	0.56 374	0.40 385	0.20 370	0.66 392	0.33 382	0.54 387	0.72 390	0.71 391	0.72 389	0.62 385	0.55 387	0.52 386	0.47 390	0.20 375	0.19 374	0.29 385	0.30 387	0.24 379	0.19 371

ACVNet_1	0.45 383	0.51 392	0.61 380	0.45 390	0.28 384	0.50 379	0.28 356	0.58 394	0.71 389	0.63 386	0.59 380	0.74 395	0.50 384	0.50 384	0.36 369	0.26 387	0.25 386	0.39 391	0.29 385	0.32 390	0.25 381

RTS	0.46 384	0.19 347	3.33 417	0.25 341	0.15 332	0.72 397	0.21 295	0.37 339	0.78 396	0.42 368	0.44 355	0.31 315	0.43 378	0.55 390	0.37 373	0.10 268	0.09 293	0.13 329	0.13 337	0.15 348	0.15 347

RTSA	0.46 384	0.19 347	3.33 417	0.25 341	0.15 332	0.72 397	0.21 295	0.37 339	0.78 396	0.42 368	0.44 355	0.31 315	0.43 378	0.55 390	0.37 373	0.10 268	0.09 293	0.13 329	0.13 337	0.15 348	0.15 347

MANE	0.47 386	0.28 374	0.28 320	0.27 358	0.24 377	0.50 379	0.32 381	0.57 389	0.62 380	0.74 395	1.20 414	1.21 405	0.64 395	0.54 389	0.39 377	0.22 379	0.20 375	0.27 379	0.31 388	0.26 383	0.25 381

NVStereoNet_ROB	0.47 386	0.37 386	0.47 366	0.42 388	0.29 387	0.35 360	0.35 383	0.50 381	0.61 377	0.73 393	0.94 401	0.70 394	0.68 397	0.48 383	0.62 400	0.22 379	0.33 392	0.34 389	0.34 392	0.30 386	0.31 390
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
LE_ROB	0.50 388	0.07 54	0.14 150	0.15 37	0.08 48	0.26 325	0.17 195	0.23 170	1.71 418	4.68 422	0.67 383	0.46 371	0.47 381	0.21 276	0.30 353	0.07 144	0.06 192	0.06 33	0.06 85	0.08 201	0.06 100

anonymity	0.53 389	0.58 394	0.66 384	0.41 386	0.61 405	0.54 383	0.41 390	0.57 389	0.41 326	0.56 384	0.50 365	0.50 376	0.55 387	0.59 395	0.50 393	0.58 404	0.50 405	0.51 396	0.51 401	0.52 395	0.58 402

RainbowNet	0.54 390	0.61 397	0.71 397	0.57 397	0.43 393	0.66 392	0.37 385	0.60 395	0.87 400	0.51 379	0.67 383	0.63 386	0.47 381	0.50 384	0.44 386	0.47 399	0.48 401	0.53 398	0.41 393	0.53 397	0.41 398

BEATNet-Init1	0.54 390	0.28 374	0.68 391	0.31 375	0.21 372	0.85 405	0.31 373	0.57 389	0.69 388	0.89 402	1.00 404	2.17 419	0.66 396	0.58 394	0.44 386	0.19 371	0.18 369	0.23 374	0.22 373	0.22 371	0.21 375

SGM+DAISY	0.57 392	0.58 394	0.67 388	0.41 386	0.55 399	0.68 394	0.51 398	0.57 389	0.46 348	0.67 387	0.70 387	0.69 393	0.57 391	0.64 397	0.58 398	0.59 405	0.49 402	0.50 395	0.50 400	0.52 395	0.59 405

SPS-STEREO	0.58 393	0.59 396	0.66 384	0.45 390	0.55 399	0.65 391	0.44 395	0.63 396	0.51 357	0.69 389	0.65 382	0.66 389	0.58 392	0.62 396	0.62 400	0.62 407	0.47 400	0.51 396	0.49 398	0.55 398	0.58 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.65 394	0.66 401	0.66 384	0.51 394	0.69 410	0.70 395	0.58 402	0.65 397	0.75 394	0.61 385	0.73 390	0.63 386	0.68 397	0.65 398	0.60 399	0.66 408	0.58 414	0.63 400	0.59 404	0.68 405	0.69 412

IMH-64-1	0.66 395	0.62 398	0.69 392	0.72 400	0.51 396	0.60 387	0.51 398	0.92 403	0.84 398	0.75 398	1.02 405	0.81 396	0.78 402	0.80 401	0.50 393	0.43 395	0.46 396	0.72 402	0.48 396	0.55 398	0.40 396

IMH-64	0.66 395	0.62 398	0.69 392	0.72 400	0.51 396	0.60 387	0.51 398	0.92 403	0.84 398	0.75 398	1.02 405	0.81 396	0.78 402	0.80 401	0.50 393	0.43 395	0.46 396	0.72 402	0.48 396	0.55 398	0.40 396

ACVNet_2	0.67 397	0.68 402	0.70 395	0.64 398	0.41 391	0.75 400	0.50 397	0.98 409	1.38 413	0.90 403	1.09 408	1.04 400	0.74 400	0.55 390	0.48 391	0.43 395	0.40 395	0.53 398	0.45 395	0.48 394	0.36 395

IMH	0.72 398	0.65 400	0.70 395	0.77 402	0.54 398	0.71 396	0.56 401	0.99 411	1.08 404	0.82 401	1.09 408	0.89 398	0.88 406	0.88 409	0.53 397	0.44 398	0.50 405	0.75 405	0.51 401	0.58 401	0.42 399

PWCK	0.72 398	0.95 412	0.99 406	0.77 402	0.32 389	0.79 402	0.38 387	0.92 403	0.90 401	0.96 406	0.76 393	0.97 399	0.62 394	0.87 407	0.68 403	0.73 410	0.46 396	0.76 406	0.49 398	0.71 408	0.44 400

JetBlue	0.73 400	0.46 391	1.21 409	0.52 395	0.47 395	2.16 420	0.67 408	0.78 399	0.72 390	0.70 390	0.79 395	1.21 405	0.84 404	1.06 416	1.04 416	0.40 394	0.28 389	0.33 388	0.33 390	0.30 386	0.34 393

TorneroNet-64	0.76 401	0.73 404	0.77 398	0.78 404	0.58 404	0.94 410	0.58 402	0.85 402	1.26 408	0.67 387	0.88 399	1.41 412	0.76 401	0.87 407	0.68 403	0.49 400	0.46 396	0.73 404	0.59 404	0.68 405	0.54 401

MADNet+	0.76 401	0.72 403	3.76 420	0.67 399	0.41 391	0.99 411	0.97 418	0.72 398	0.75 394	0.52 380	0.58 378	0.64 388	0.68 397	0.89 410	1.04 416	0.35 392	0.36 393	0.28 384	0.23 377	0.38 392	0.33 392

WAO-7	0.80 403	0.78 406	0.57 376	0.85 407	0.67 409	0.76 401	0.69 411	1.07 413	1.30 410	0.90 403	1.20 414	1.05 401	0.93 408	0.71 399	0.68 403	0.60 406	0.62 415	0.67 401	0.68 409	0.64 402	0.59 405

WAO-6	0.82 404	0.81 407	0.63 383	0.87 409	0.63 407	0.79 402	0.60 404	0.98 409	1.52 417	0.91 405	0.97 403	1.08 402	1.04 412	0.72 400	0.70 406	0.72 409	0.49 402	0.91 412	0.71 410	0.70 407	0.59 405

TorneroNet	0.83 405	0.75 405	0.83 402	0.85 407	0.63 407	1.03 414	0.65 406	0.96 407	1.14 406	0.80 400	1.10 410	1.36 410	0.88 406	0.95 412	0.82 411	0.57 402	0.49 402	0.79 409	0.66 408	0.74 411	0.64 411

LVE	0.84 406	0.87 410	0.86 403	0.81 405	0.56 401	1.09 416	0.66 407	1.07 413	1.45 415	0.97 407	1.23 416	1.11 403	0.86 405	0.84 404	0.72 407	0.49 400	0.56 411	0.76 406	0.60 406	0.66 403	0.60 408

Dean	0.88 407	0.88 411	0.81 399	0.82 406	0.57 402	0.91 407	0.62 405	1.17 418	1.71 418	1.15 413	1.16 412	1.31 409	1.00 411	0.82 403	0.83 412	0.57 402	0.56 411	0.78 408	0.65 407	0.67 404	0.58 402

WAO-8	0.92 408	0.83 408	0.67 388	0.94 412	0.70 411	0.92 408	0.68 409	1.08 415	1.80 420	1.06 411	1.42 418	1.29 407	1.08 414	0.86 405	0.80 409	0.74 411	0.54 408	0.86 410	0.75 411	0.71 408	0.63 409

Venus	0.92 408	0.83 408	0.67 388	0.94 412	0.70 411	0.92 408	0.68 409	1.08 415	1.80 420	1.06 411	1.42 418	1.29 407	1.08 414	0.86 405	0.80 409	0.74 411	0.54 408	0.86 410	0.75 411	0.71 408	0.63 409

UNDER WATER-64	0.97 410	0.96 414	1.48 413	0.88 410	0.57 402	1.24 419	0.90 416	0.78 399	0.96 402	1.05 409	0.85 398	1.56 417	1.26 418	0.97 414	0.99 414	0.88 415	0.57 413	1.04 415	0.88 415	0.81 413	0.75 413

notaker	0.98 411	1.13 416	1.02 407	1.14 416	0.81 414	0.73 399	0.69 411	0.94 406	1.15 407	1.19 415	1.19 413	1.41 412	1.17 417	1.10 418	0.74 408	0.82 414	0.64 416	1.18 416	0.79 413	1.02 416	0.82 417

UNDER WATER	0.99 412	1.00 415	1.47 412	1.00 414	0.71 413	1.18 418	0.86 414	0.81 401	1.09 405	1.02 408	0.90 400	1.53 416	1.26 418	1.06 416	1.02 415	0.79 413	0.54 408	1.02 414	0.88 415	0.83 414	0.75 413

ktn	1.02 413	1.23 418	0.82 400	1.24 418	0.86 416	1.00 413	0.86 414	0.96 407	1.37 412	1.05 409	1.12 411	1.16 404	1.06 413	0.95 412	0.62 400	1.28 420	0.71 417	1.39 420	0.83 414	1.06 418	0.77 415

KSHMR	1.10 414	1.19 417	0.90 405	1.26 420	1.00 419	0.99 411	0.96 417	1.13 417	1.35 411	1.16 414	1.28 417	1.40 411	0.97 410	1.03 415	0.93 413	1.03 418	1.08 420	1.20 417	1.03 419	1.03 417	0.98 419

DPSimNet_ROB	1.14 415	1.25 419	0.87 404	1.15 417	0.90 417	1.15 417	1.18 419	1.20 419	1.26 408	1.45 417	1.05 407	1.44 415	1.13 416	0.92 411	1.70 419	1.47 421	0.52 407	1.22 418	1.04 420	0.92 415	1.03 420

HanzoNet	1.31 416	1.29 420	1.22 410	1.13 415	0.85 415	1.05 415	0.84 413	1.06 412	1.47 416	1.66 418	1.63 420	2.48 421	1.78 420	1.63 420	1.69 418	1.27 419	0.80 419	1.32 419	1.02 418	1.07 419	0.90 418

JetRed	1.66 417	1.51 421	3.09 416	0.93 411	1.21 420	5.28 422	1.61 422	1.29 420	1.42 414	1.84 419	1.77 421	1.59 418	0.95 409	1.43 419	2.51 422	0.91 416	1.61 421	0.93 413	0.91 417	1.36 420	1.03 420

MADNet++	1.97 418	1.75 422	1.66 415	1.83 421	1.69 422	2.38 421	1.45 421	2.36 421	2.11 422	2.58 421	2.37 422	2.25 420	2.21 421	2.28 421	2.36 421	1.87 422	1.67 422	1.53 421	1.34 421	1.87 421	1.78 423

coex-ft	3.24 419	0.35 385	57.83 442	0.18 178	0.13 307	0.27 333	0.23 317	0.28 247	0.72 390	1.89 420	0.70 387	0.43 363	0.47 381	0.29 336	0.43 383	0.09 237	0.09 293	0.12 316	0.09 255	0.14 337	0.14 332

tt	4.65 420	0.07 54	3.54 419	2.01 422	1.55 421	10.25 426	16.66 426	8.90 429	5.03 423	1.33 416	0.96 402	4.71 422	4.74 422	3.33 422	5.86 424	6.06 429	10.30 433	1.87 423	2.09 424	2.61 422	1.19 422

xxxxx1	7.75 421	5.06 426	7.26 422	3.15 423	3.91 424	16.37 429	22.88 430	5.87 426	8.68 425	7.99 425	8.55 423	9.13 427	8.46 425	10.05 427	10.47 425	2.43 423	2.48 424	3.56 426	12.26 430	3.48 423	3.02 425

tt_ll	7.75 421	5.06 426	7.26 422	3.15 423	3.91 424	16.37 429	22.88 430	5.87 426	8.68 425	7.99 425	8.55 423	9.13 427	8.46 425	10.05 427	10.47 425	2.43 423	2.48 424	3.56 426	12.26 430	3.48 423	3.02 425

ff	7.75 421	5.06 426	7.26 422	3.15 423	3.91 424	16.37 429	22.88 430	5.87 426	8.68 425	7.99 425	8.55 423	9.13 427	8.46 425	10.05 427	10.47 425	2.43 423	2.48 424	3.56 426	12.26 430	3.48 423	3.02 425

EDNetEfficientorigin	7.92 424	0.32 383	152.98 443	0.20 267	0.10 219	0.22 290	0.17 195	0.23 170	0.60 376	0.73 393	0.67 383	0.41 359	0.51 386	0.24 310	0.41 380	0.08 194	0.07 246	0.09 231	0.07 162	0.12 307	0.11 292

DPSMNet_ROB	8.06 425	4.50 424	8.69 429	5.36 428	10.74 430	8.32 424	22.71 428	5.47 424	13.38 429	5.13 423	9.98 426	5.10 423	10.47 428	5.53 424	12.77 429	3.80 427	8.00 428	3.49 424	6.95 427	3.75 427	7.09 429

DGTPSM_ROB	8.06 425	4.50 424	8.69 429	5.34 426	10.73 429	8.32 424	22.71 428	5.47 424	13.38 429	5.13 423	9.98 426	5.10 423	10.47 428	5.53 424	12.77 429	3.79 426	8.00 428	3.49 424	6.95 427	3.74 426	7.09 429

PML	8.57 427	9.39 432	6.24 421	5.34 426	6.36 427	13.21 428	20.99 427	5.35 423	6.68 424	17.75 433	26.46 442	7.58 425	6.08 424	7.89 426	5.76 423	5.33 428	1.83 423	5.95 432	1.93 423	8.75 430	2.53 424

DLNR_Zeroshot_test	10.48 428	2.27 423	19.78 438	120.28 443	13.29 433	0.06 2	0.13 46	0.24 188	0.10 7	0.08 6	0.10 39	0.09 40	0.07 31	0.10 16	0.09 17	0.13 331	0.04 2	0.06 33	0.04 8	52.68 442	0.04 4

LRCNet_RVC	10.76 429	13.97 433	7.97 428	19.07 433	2.04 423	0.35 360	0.31 373	5.29 422	0.48 351	13.02 431	17.65 432	8.69 426	5.73 423	4.78 423	2.22 420	23.53 440	2.69 427	27.60 441	25.75 441	17.60 438	16.54 439

Anonymous_1	10.87 430	7.82 429	7.41 425	10.29 429	10.08 428	18.64 433	26.11 433	11.02 430	13.45 431	9.43 428	10.10 428	9.73 430	11.31 430	10.69 430	12.47 428	6.42 430	8.38 430	5.70 429	10.22 429	11.41 431	6.65 428

DPSM_ROB	11.10 431	8.47 430	7.95 426	10.84 430	11.58 431	19.10 434	26.50 434	12.02 431	14.09 432	10.38 429	10.91 429	10.39 431	11.92 431	11.67 431	13.39 431	6.99 431	8.79 431	5.82 430	6.92 425	6.97 428	7.31 431

DPSM	11.10 431	8.47 430	7.95 426	10.84 430	11.58 431	19.10 434	26.50 434	12.02 431	14.09 432	10.38 429	10.91 429	10.39 431	11.92 431	11.67 431	13.39 431	6.99 431	8.79 431	5.82 430	6.92 425	6.97 428	7.31 431

SPstereo	13.84 433	0.95 412	1.53 414	1.24 418	0.90 417	29.09 436	47.98 436	26.78 443	29.57 442	22.38 441	22.47 440	23.18 441	24.63 441	24.46 441	15.07 433	0.91 416	0.71 417	1.85 422	1.62 422	0.74 411	0.79 416

HaxPig	15.73 434	18.55 440	19.19 437	16.92 432	15.89 434	7.80 423	7.57 423	13.37 433	10.80 428	15.40 432	14.87 431	15.95 433	14.81 433	15.67 433	15.97 434	18.96 439	16.72 434	19.47 439	18.10 439	19.45 439	19.06 440

MEDIAN_ROB	20.38 435	24.05 441	23.36 439	21.18 434	21.62 435	10.51 427	8.17 424	17.68 434	15.46 434	20.04 434	19.65 433	20.30 434	20.16 434	21.17 434	21.03 435	23.81 441	21.77 441	24.98 440	23.75 440	25.01 440	23.94 441

CasAABBNet	22.33 436	17.11 434	15.84 431	21.94 438	23.28 439	38.30 437	53.40 442	24.05 436	28.44 437	20.66 435	21.86 435	21.03 439	24.04 439	23.35 435	27.03 438	14.06 433	17.69 436	11.70 433	13.94 434	14.04 435	14.76 437

MyStereo03	22.37 437	17.11 434	16.16 433	21.87 435	23.27 436	38.30 437	53.36 438	24.10 437	28.51 438	20.93 438	21.96 437	20.94 435	24.00 435	23.43 437	27.22 439	14.07 434	17.72 438	11.70 433	13.96 435	14.00 432	14.72 434

MyStereo02	22.37 437	17.11 434	16.16 433	21.87 435	23.27 436	38.30 437	53.36 438	24.10 437	28.51 438	20.93 438	21.96 437	20.94 435	24.00 435	23.43 437	27.22 439	14.07 434	17.72 438	11.70 433	13.96 435	14.00 432	14.72 434

MyStereo	22.37 437	17.11 434	16.16 433	21.87 435	23.27 436	38.30 437	53.36 438	24.10 437	28.51 438	20.93 438	21.96 437	20.94 435	24.00 435	23.43 437	27.22 439	14.07 434	17.72 438	11.70 433	13.96 435	14.00 432	14.72 434

Selective-RAFT-Error	22.39 440	17.14 438	16.01 432	22.00 439	23.34 440	38.37 441	53.36 438	24.24 441	28.53 441	20.80 436	21.94 436	20.94 435	24.02 438	23.48 440	27.33 442	14.07 434	17.70 437	11.70 433	13.93 433	14.05 436	14.83 438

LSM0	22.80 441	17.22 439	19.17 436	22.12 440	28.90 442	38.38 442	53.27 437	24.21 440	28.36 436	20.84 437	21.11 434	21.63 440	24.25 440	23.42 436	26.98 437	14.08 438	17.39 435	11.72 438	13.98 438	14.22 437	14.66 433

AVERAGE_ROB	24.89 442	29.12 442	27.98 440	24.83 441	24.59 441	17.82 432	11.61 425	21.45 435	19.91 435	25.04 442	24.38 441	25.06 442	25.31 442	24.69 442	22.86 436	29.74 442	27.09 442	28.97 442	27.94 442	30.07 441	29.35 442

test_example2	97.69 443	92.93 443	45.57 441	96.02 442	109.84 443	88.44 443	93.70 443	25.54 442	94.63 443	130.46 443	126.87 443	58.93 443	75.48 443	87.99 443	77.94 443	150.16 443	221.11 443	76.29 443	98.21 443	108.42 443	95.33 443

Low-res two-view benchmark