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

CroCo-Stereo Lap2	0.16 13	0.18 188	0.39 31	0.26 234	0.18 237	0.11 1	0.19 129	0.30 41	0.22 14	0.13 1	0.16 16	0.15 30	0.11 10	0.17 8	0.15 40	0.07 14	0.07 95	0.08 63	0.06 24	0.08 67	0.07 12

CroCo-Stereo	0.15 5	0.16 148	0.34 14	0.25 202	0.12 50	0.11 1	0.18 97	0.35 86	0.24 27	0.13 1	0.13 5	0.18 51	0.12 17	0.15 1	0.13 7	0.08 90	0.06 35	0.07 15	0.05 9	0.07 31	0.06 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
MoCha-V2	0.16 13	0.10 12	0.36 20	0.39 360	0.14 111	0.13 3	0.16 42	0.27 15	0.17 1	0.13 1	0.16 16	0.12 3	0.12 17	0.23 42	0.13 7	0.06 1	0.23 341	0.06 1	0.07 47	0.07 31	0.18 245

DLNR_Zeroshot_test	10.53 423	12.28 430	20.32 431	105.84 442	23.88 439	0.14 4	0.13 3	3.20 418	0.20 7	0.16 14	0.23 53	0.16 35	0.10 3	0.32 143	0.16 50	2.54 419	0.32 381	0.07 15	0.07 47	40.17 440	0.28 335

LargeStereo	0.19 40	0.13 76	0.38 27	0.30 309	0.19 260	0.15 5	0.15 26	0.32 60	0.18 2	0.13 1	0.16 16	0.12 3	0.11 10	0.24 49	0.15 40	0.07 14	0.32 381	0.07 15	0.05 9	0.07 31	0.42 373

CASnet	0.15 5	0.13 76	0.30 6	0.22 88	0.08 3	0.15 5	0.14 13	0.28 20	0.26 51	0.23 59	0.20 32	0.15 30	0.11 10	0.18 12	0.13 7	0.07 14	0.05 3	0.11 234	0.09 169	0.08 67	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
test croco	0.18 24	0.16 148	0.59 216	0.21 56	0.13 83	0.16 7	0.17 58	0.29 32	0.23 17	0.16 14	0.26 70	0.13 13	0.17 81	0.27 85	0.17 63	0.09 147	0.06 35	0.10 187	0.07 47	0.10 182	0.07 12

StereoIM	0.15 5	0.17 171	0.39 31	0.19 14	0.15 162	0.16 7	0.13 3	0.26 12	0.22 14	0.13 1	0.15 15	0.14 24	0.11 10	0.17 8	0.17 63	0.08 90	0.07 95	0.08 63	0.06 24	0.07 31	0.06 4

MIF-Stereo (partial)	0.18 24	0.13 76	0.50 124	0.22 88	0.15 162	0.16 7	0.13 3	0.29 32	0.26 51	0.17 19	0.26 70	0.16 35	0.17 81	0.25 59	0.18 82	0.09 147	0.06 35	0.10 187	0.08 108	0.09 134	0.08 39

Selective-IGEV	0.15 5	0.10 12	0.34 14	0.32 325	0.19 260	0.16 7	0.14 13	0.29 32	0.20 7	0.13 1	0.14 14	0.13 13	0.08 1	0.23 42	0.14 26	0.06 1	0.13 247	0.07 15	0.06 24	0.06 2	0.11 132

MIF-Stereo	0.15 5	0.12 59	0.45 60	0.21 56	0.14 111	0.17 11	0.13 3	0.20 1	0.19 5	0.16 14	0.20 32	0.10 1	0.11 10	0.18 12	0.17 63	0.08 90	0.06 35	0.07 15	0.06 24	0.08 67	0.07 12

MIM_Stereo	0.20 62	0.17 171	0.55 179	0.20 36	0.21 291	0.17 11	0.14 13	0.37 103	0.27 61	0.28 96	0.35 149	0.23 90	0.13 34	0.28 103	0.16 50	0.06 1	0.08 143	0.09 123	0.08 108	0.08 67	0.15 221

GLC_STEREO	0.15 5	0.11 29	0.31 8	0.22 88	0.09 6	0.17 11	0.15 26	0.24 8	0.28 69	0.17 19	0.20 32	0.17 43	0.11 10	0.24 49	0.17 63	0.07 14	0.09 172	0.09 123	0.08 108	0.07 31	0.07 12

PFNet+	0.21 85	0.11 29	0.54 173	0.22 88	0.12 50	0.17 11	0.18 97	0.31 55	0.36 154	0.33 189	0.32 119	0.24 105	0.16 66	0.33 152	0.18 82	0.10 204	0.07 95	0.11 234	0.10 213	0.08 67	0.12 167

MGS-Stereo	0.15 5	0.12 59	0.38 27	0.19 14	0.11 26	0.18 15	0.17 58	0.21 2	0.23 17	0.14 7	0.24 58	0.16 35	0.10 3	0.19 21	0.13 7	0.07 14	0.06 35	0.07 15	0.06 24	0.10 182	0.07 12

CES	0.14 1	0.08 2	0.24 1	0.17 5	0.23 315	0.18 15	0.15 26	0.24 8	0.20 7	0.14 7	0.18 24	0.14 24	0.10 3	0.19 21	0.12 1	0.07 14	0.05 3	0.06 1	0.04 1	0.08 67	0.20 272

MC-Stereo	0.18 24	0.10 12	0.36 20	0.28 290	0.14 111	0.18 15	0.15 26	0.24 8	0.20 7	0.21 36	0.24 58	0.16 35	0.13 34	0.25 59	0.14 26	0.07 14	0.17 304	0.07 15	0.07 47	0.06 2	0.30 341

DisPM	0.20 62	0.11 29	0.52 153	0.24 170	0.13 83	0.18 15	0.19 129	0.30 41	0.31 103	0.33 189	0.34 143	0.23 90	0.16 66	0.34 166	0.17 63	0.09 147	0.06 35	0.09 123	0.08 108	0.08 67	0.12 167

test-3	0.18 24	0.10 12	0.48 89	0.23 132	0.14 111	0.18 15	0.16 42	0.32 60	0.29 82	0.26 81	0.17 19	0.22 77	0.13 34	0.26 76	0.19 103	0.06 1	0.14 256	0.08 63	0.08 108	0.06 2	0.10 103

test_1	0.18 24	0.10 12	0.48 89	0.23 132	0.14 111	0.18 15	0.16 42	0.32 60	0.29 82	0.26 81	0.17 19	0.22 77	0.13 34	0.26 76	0.19 103	0.06 1	0.14 256	0.08 63	0.08 108	0.06 2	0.10 103

RAFT_R40	0.22 98	0.11 29	0.52 153	0.25 202	0.13 83	0.18 15	0.18 97	0.32 60	0.31 103	0.33 189	0.33 135	0.30 171	0.23 152	0.55 240	0.19 103	0.08 90	0.05 3	0.10 187	0.08 108	0.09 134	0.07 12

RAFT-IKP	0.19 40	0.13 76	0.51 137	0.22 88	0.11 26	0.18 15	0.15 26	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.26 76	0.18 82	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61

CREStereo++_RVC	0.16 13	0.09 3	0.42 45	0.17 5	0.11 26	0.18 15	0.13 3	0.23 4	0.31 103	0.21 36	0.31 110	0.13 13	0.11 10	0.17 8	0.16 50	0.07 14	0.04 1	0.06 1	0.15 323	0.06 2	0.05 1
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
AFF-stereo	0.20 62	0.24 253	0.49 106	0.22 88	0.11 26	0.18 15	0.18 97	0.35 86	0.29 82	0.25 76	0.36 162	0.25 116	0.17 81	0.25 59	0.17 63	0.06 1	0.09 172	0.08 63	0.08 108	0.08 67	0.11 132

4D-IteraStereo	0.20 62	0.21 216	0.62 232	0.21 56	0.14 111	0.19 25	0.17 58	0.29 32	0.28 69	0.24 65	0.20 32	0.20 64	0.10 3	0.22 38	0.18 82	0.07 14	0.07 95	0.10 187	0.08 108	0.08 67	0.33 349

RCA-Stereo	0.17 21	0.10 12	0.33 12	0.20 36	0.11 26	0.19 25	0.17 58	0.39 128	0.36 154	0.21 36	0.25 63	0.17 43	0.17 81	0.18 12	0.15 40	0.07 14	0.14 256	0.07 15	0.06 24	0.06 2	0.08 39

DCANet-4	0.20 62	0.11 29	0.58 209	0.19 14	0.09 6	0.19 25	0.18 97	0.39 128	0.42 211	0.29 119	0.31 110	0.17 43	0.22 143	0.21 27	0.20 120	0.07 14	0.05 3	0.07 15	0.05 9	0.06 2	0.09 61

fff	0.20 62	0.15 127	0.57 196	0.19 14	0.09 6	0.19 25	0.18 97	0.38 112	0.46 249	0.29 119	0.31 110	0.18 51	0.28 218	0.21 27	0.20 120	0.07 14	0.05 3	0.07 15	0.05 9	0.06 2	0.09 61

ADStereo(finetuned)	0.21 85	0.15 127	0.59 216	0.19 14	0.09 6	0.19 25	0.18 97	0.37 103	0.41 199	0.30 140	0.31 110	0.19 57	0.31 255	0.21 27	0.20 120	0.07 14	0.05 3	0.07 15	0.05 9	0.07 31	0.10 103

test_4	0.19 40	0.16 148	0.39 31	0.24 170	0.13 83	0.19 25	0.21 179	0.27 15	0.24 27	0.24 65	0.47 269	0.22 77	0.13 34	0.27 85	0.18 82	0.06 1	0.06 35	0.09 123	0.09 169	0.07 31	0.06 4

iRaft-Stereo_5w	0.25 177	0.24 253	0.50 124	0.23 132	0.18 237	0.19 25	0.19 129	0.39 128	0.35 141	0.28 96	0.36 162	0.34 203	0.23 152	0.66 292	0.28 206	0.07 14	0.07 95	0.08 63	0.07 47	0.09 134	0.14 210

Patchmatch Stereo++	0.19 40	0.13 76	0.51 137	0.22 88	0.11 26	0.19 25	0.14 13	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.27 85	0.18 82	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.19 40	0.13 76	0.51 137	0.22 88	0.11 26	0.19 25	0.15 26	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.25 59	0.17 63	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61

ROB_FTStereo_v2	0.19 40	0.13 76	0.51 137	0.22 88	0.11 26	0.19 25	0.15 26	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.25 59	0.18 82	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61

ROB_FTStereo	0.19 40	0.13 76	0.51 137	0.22 88	0.11 26	0.19 25	0.13 3	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.25 59	0.17 63	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61

HUI-Stereo	0.19 40	0.13 76	0.52 153	0.22 88	0.11 26	0.19 25	0.14 13	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.23 42	0.17 63	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61

ASMatch	0.23 127	0.11 29	0.55 179	0.25 202	0.14 111	0.19 25	0.16 42	0.32 60	0.30 96	0.28 96	0.68 344	0.28 149	0.26 193	0.50 219	0.22 152	0.07 14	0.06 35	0.08 63	0.07 47	0.06 2	0.11 132

SST-Stereo	0.22 98	0.11 29	0.52 153	0.25 202	0.14 111	0.19 25	0.17 58	0.32 60	0.26 51	0.34 204	0.33 135	0.29 161	0.25 181	0.56 245	0.18 82	0.08 90	0.05 3	0.10 187	0.08 108	0.09 134	0.07 12

Pruner-Stereo	0.20 62	0.12 59	0.49 106	0.29 303	0.12 50	0.19 25	0.17 58	0.32 60	0.31 103	0.33 189	0.32 119	0.25 116	0.15 54	0.25 59	0.22 152	0.09 147	0.06 35	0.09 123	0.08 108	0.08 67	0.10 103

DeepStereo_RVC	0.19 40	0.12 59	0.47 77	0.22 88	0.11 26	0.19 25	0.16 42	0.29 32	0.24 27	0.28 96	0.27 79	0.23 90	0.28 218	0.24 49	0.19 103	0.08 90	0.06 35	0.09 123	0.07 47	0.09 134	0.10 103

iGMRVC	0.19 40	0.13 76	0.51 137	0.22 88	0.11 26	0.19 25	0.15 26	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.27 85	0.18 82	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61

IRAFT_RVC	0.23 127	0.15 127	0.54 173	0.26 234	0.12 50	0.19 25	0.23 225	0.41 155	0.39 186	0.31 155	0.30 100	0.29 161	0.24 170	0.55 240	0.23 167	0.08 90	0.06 35	0.10 187	0.08 108	0.08 67	0.08 39

iRAFT	0.19 40	0.13 76	0.51 137	0.22 88	0.11 26	0.19 25	0.14 13	0.30 41	0.24 27	0.28 96	0.29 89	0.25 116	0.18 107	0.27 85	0.18 82	0.09 147	0.06 35	0.10 187	0.08 108	0.10 182	0.09 61

AnonymousM	0.19 40	0.20 209	0.30 6	0.18 9	0.10 18	0.19 25	0.17 58	0.32 60	0.27 61	0.27 90	0.21 44	0.18 51	0.14 45	0.21 27	0.16 50	0.09 147	0.08 143	0.38 379	0.15 323	0.06 2	0.08 39

rafts_anoy	0.21 85	0.22 230	0.49 106	0.25 202	0.24 326	0.19 25	0.17 58	0.34 77	0.32 112	0.24 65	0.25 63	0.20 64	0.16 66	0.25 59	0.21 137	0.08 90	0.19 315	0.11 234	0.12 276	0.09 134	0.09 61

raftrobust	0.19 40	0.19 197	0.42 45	0.23 132	0.24 326	0.19 25	0.13 3	0.33 73	0.28 69	0.26 81	0.20 32	0.19 57	0.17 81	0.23 42	0.17 63	0.08 90	0.10 197	0.07 15	0.06 24	0.07 31	0.09 61

DCANet	0.20 62	0.15 127	0.57 196	0.19 14	0.09 6	0.19 25	0.18 97	0.37 103	0.41 199	0.30 140	0.31 110	0.19 57	0.23 152	0.21 27	0.20 120	0.07 14	0.05 3	0.07 15	0.05 9	0.07 31	0.10 103

csc	0.20 62	0.15 127	0.57 196	0.19 14	0.09 6	0.19 25	0.18 97	0.38 112	0.46 249	0.29 119	0.31 110	0.18 51	0.28 218	0.21 27	0.20 120	0.07 14	0.05 3	0.07 15	0.05 9	0.06 2	0.09 61

cscssc	0.20 62	0.15 127	0.57 196	0.19 14	0.09 6	0.19 25	0.18 97	0.38 112	0.46 249	0.29 119	0.31 110	0.18 51	0.28 218	0.21 27	0.20 120	0.07 14	0.05 3	0.07 15	0.05 9	0.06 2	0.09 61

RAFT-Stereo + iAFF	0.20 62	0.23 243	0.49 106	0.21 56	0.16 191	0.19 25	0.17 58	0.35 86	0.32 112	0.26 81	0.33 135	0.20 64	0.17 81	0.21 27	0.17 63	0.06 1	0.10 197	0.07 15	0.07 47	0.07 31	0.11 132

H2IRNET	0.19 40	0.18 188	0.50 124	0.22 88	0.12 50	0.20 51	0.16 42	0.28 20	0.31 103	0.17 19	0.32 119	0.25 116	0.20 130	0.24 49	0.19 103	0.08 90	0.06 35	0.09 123	0.10 213	0.10 182	0.08 39

IGEVStereo-DCA	0.20 62	0.17 171	0.41 37	0.22 88	0.15 162	0.20 51	0.17 58	0.28 20	0.23 17	0.19 28	0.12 2	0.14 24	0.12 17	0.38 187	0.31 230	0.07 14	0.16 286	0.08 63	0.07 47	0.08 67	0.36 355

rrr	0.22 98	0.17 171	0.79 289	0.22 88	0.15 162	0.20 51	0.18 97	0.40 137	0.27 61	0.19 28	0.12 2	0.14 24	0.12 17	0.38 187	0.31 230	0.07 14	0.16 286	0.08 63	0.07 47	0.08 67	0.28 335

IGEV_Zeroshot_test	0.23 127	0.11 29	0.82 296	0.21 56	0.23 315	0.20 51	0.19 129	0.38 112	0.23 17	0.34 204	0.22 51	0.29 161	0.14 45	0.24 49	0.20 120	0.07 14	0.09 172	0.08 63	0.08 108	0.08 67	0.35 354

LoS_RVC	0.14 1	0.11 29	0.32 10	0.18 9	0.16 191	0.20 51	0.18 97	0.21 2	0.18 2	0.14 7	0.20 32	0.12 3	0.17 81	0.17 8	0.14 26	0.06 1	0.05 3	0.06 1	0.04 1	0.05 1	0.14 210

CAS	0.16 13	0.07 1	0.29 5	0.42 371	0.17 216	0.20 51	0.18 97	0.23 4	0.20 7	0.15 12	0.19 27	0.11 2	0.10 3	0.15 1	0.14 26	0.31 376	0.04 1	0.06 1	0.04 1	0.06 2	0.16 231

ProNet	0.16 13	0.13 76	0.36 20	0.21 56	0.15 162	0.20 51	0.19 129	0.29 32	0.23 17	0.14 7	0.13 5	0.13 13	0.12 17	0.25 59	0.13 7	0.06 1	0.09 172	0.07 15	0.06 24	0.07 31	0.22 289

HHNet	0.23 127	0.12 59	0.66 247	0.19 14	0.18 237	0.20 51	0.20 160	0.36 91	0.32 112	0.33 189	0.59 319	0.19 57	0.21 138	0.24 49	0.31 230	0.08 90	0.06 35	0.09 123	0.07 47	0.08 67	0.12 167

AAGNet	0.34 276	0.12 59	0.53 163	0.26 234	0.16 191	0.20 51	0.19 129	0.31 55	0.29 82	0.35 219	0.35 149	0.27 137	0.30 242	0.44 202	2.56 412	0.08 90	0.05 3	0.10 187	0.07 47	0.09 134	0.07 12

PSM-softLoss	0.22 98	0.11 29	0.53 163	0.25 202	0.12 50	0.20 51	0.17 58	0.39 128	0.29 82	0.29 119	0.32 119	0.24 105	0.16 66	0.53 232	0.21 137	0.09 147	0.06 35	0.10 187	0.09 169	0.08 67	0.12 167

KMStereo	0.22 98	0.11 29	0.53 163	0.25 202	0.12 50	0.20 51	0.17 58	0.39 128	0.29 82	0.29 119	0.32 119	0.24 105	0.16 66	0.53 232	0.21 137	0.09 147	0.06 35	0.10 187	0.09 169	0.08 67	0.12 167

RAFT-345	0.22 98	0.11 29	0.55 179	0.22 88	0.12 50	0.20 51	0.16 42	0.27 15	0.28 69	0.27 90	0.65 338	0.20 64	0.17 81	0.55 240	0.22 152	0.07 14	0.06 35	0.08 63	0.07 47	0.06 2	0.07 12

cross-raft	0.18 24	0.12 59	0.40 35	0.27 266	0.16 191	0.20 51	0.24 247	0.34 77	0.24 27	0.23 59	0.28 83	0.29 161	0.15 54	0.19 21	0.16 50	0.06 1	0.05 3	0.08 63	0.07 47	0.07 31	0.07 12

iRaftStereo_RVC	0.17 21	0.16 148	0.35 18	0.21 56	0.11 26	0.20 51	0.17 58	0.34 77	0.25 45	0.20 32	0.25 63	0.19 57	0.12 17	0.21 27	0.16 50	0.07 14	0.12 233	0.10 187	0.09 169	0.09 134	0.14 210

test_xeample3	0.22 98	0.17 171	0.81 293	0.21 56	0.15 162	0.20 51	0.18 97	0.40 137	0.25 45	0.19 28	0.12 2	0.13 13	0.12 17	0.34 166	0.33 244	0.07 14	0.20 323	0.07 15	0.08 108	0.08 67	0.34 352

CFNet-RSSM	0.18 24	0.10 12	0.45 60	0.20 36	0.12 50	0.20 51	0.16 42	0.40 137	0.31 103	0.23 59	0.21 44	0.26 133	0.15 54	0.21 27	0.14 26	0.07 14	0.05 3	0.07 15	0.07 47	0.06 2	0.06 4

Gwc-CoAtRS	0.17 21	0.10 12	0.41 37	0.20 36	0.12 50	0.20 51	0.15 26	0.34 77	0.29 82	0.23 59	0.23 53	0.27 137	0.15 54	0.21 27	0.14 26	0.07 14	0.06 35	0.07 15	0.07 47	0.06 2	0.07 12

panet	0.14 1	0.09 3	0.26 2	0.15 2	0.07 1	0.21 68	0.12 1	0.25 11	0.26 51	0.16 14	0.21 44	0.15 30	0.13 34	0.19 21	0.14 26	0.09 147	0.05 3	0.06 1	0.04 1	0.06 2	0.06 4

ff7	0.18 24	0.13 76	0.41 37	0.21 56	0.15 162	0.21 68	0.17 58	0.28 20	0.23 17	0.21 36	0.13 5	0.12 3	0.12 17	0.27 85	0.13 7	0.07 14	0.25 351	0.08 63	0.07 47	0.08 67	0.36 355

ffff	0.18 24	0.13 76	0.41 37	0.21 56	0.15 162	0.21 68	0.17 58	0.28 20	0.23 17	0.21 36	0.13 5	0.12 3	0.12 17	0.27 85	0.13 7	0.07 14	0.25 351	0.08 63	0.07 47	0.08 67	0.36 355

11t	0.18 24	0.13 76	0.41 37	0.21 56	0.15 162	0.21 68	0.17 58	0.28 20	0.23 17	0.21 36	0.13 5	0.12 3	0.12 17	0.27 85	0.13 7	0.07 14	0.25 351	0.08 63	0.07 47	0.08 67	0.36 355

whm_eth	0.24 153	0.21 216	0.72 269	0.24 170	0.19 260	0.21 68	0.19 129	0.40 137	0.43 222	0.31 155	0.60 323	0.15 30	0.18 107	0.26 76	0.19 103	0.09 147	0.08 143	0.10 187	0.09 169	0.09 134	0.13 187

MSKI-zero shot	0.19 40	0.10 12	0.47 77	0.30 309	0.14 111	0.21 68	0.14 13	0.33 73	0.22 14	0.24 65	0.25 63	0.22 77	0.10 3	0.32 143	0.14 26	0.07 14	0.30 376	0.07 15	0.07 47	0.06 2	0.09 61

AEACV	0.20 62	0.09 3	0.32 10	0.39 360	0.34 362	0.21 68	0.16 42	0.30 41	0.18 2	0.17 19	0.17 19	0.13 13	0.16 66	0.27 85	0.13 7	0.07 14	0.29 375	0.07 15	0.09 169	0.07 31	0.37 363

anonymousdsp	0.20 62	0.13 76	0.49 106	0.28 290	0.20 278	0.21 68	0.17 58	0.29 32	0.24 27	0.22 52	0.13 5	0.12 3	0.12 17	0.32 143	0.13 7	0.07 14	0.26 357	0.08 63	0.07 47	0.08 67	0.48 383

knoymous	0.18 24	0.10 12	0.35 18	0.17 5	0.11 26	0.21 68	0.17 58	0.33 73	0.24 27	0.24 65	0.28 83	0.27 137	0.16 66	0.24 49	0.17 63	0.09 147	0.06 35	0.09 123	0.06 24	0.09 134	0.10 103

ccc-4	0.18 24	0.13 76	0.41 37	0.21 56	0.15 162	0.21 68	0.17 58	0.28 20	0.23 17	0.21 36	0.13 5	0.12 3	0.12 17	0.27 85	0.13 7	0.07 14	0.25 351	0.08 63	0.07 47	0.08 67	0.36 355

IGEV-Stereo	0.20 62	0.13 76	0.49 106	0.28 290	0.20 278	0.21 68	0.17 58	0.29 32	0.24 27	0.22 52	0.13 5	0.12 3	0.12 17	0.32 143	0.13 7	0.07 14	0.26 357	0.08 63	0.07 47	0.08 67	0.48 383
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GMOStereo	0.20 62	0.17 171	0.45 60	0.23 132	0.18 237	0.21 68	0.27 275	0.28 20	0.28 69	0.31 155	0.32 119	0.28 149	0.17 81	0.16 3	0.13 7	0.07 14	0.23 341	0.10 187	0.08 108	0.08 67	0.07 12

error version	0.20 62	0.17 171	0.45 60	0.23 132	0.18 237	0.21 68	0.27 275	0.28 20	0.28 69	0.31 155	0.32 119	0.28 149	0.17 81	0.16 3	0.13 7	0.07 14	0.23 341	0.10 187	0.08 108	0.08 67	0.07 12

test-v	0.20 62	0.17 171	0.45 60	0.23 132	0.18 237	0.21 68	0.27 275	0.28 20	0.28 69	0.31 155	0.32 119	0.28 149	0.17 81	0.16 3	0.13 7	0.07 14	0.23 341	0.10 187	0.08 108	0.08 67	0.07 12

TransformOpticalFlow	0.24 153	0.14 111	0.57 196	0.24 170	0.11 26	0.21 68	0.19 129	0.43 161	0.34 134	0.30 140	0.43 228	0.36 222	0.31 255	0.61 266	0.20 120	0.07 14	0.05 3	0.08 63	0.07 47	0.06 2	0.08 39

OMP-Stereo	0.24 153	0.16 148	0.48 89	0.30 309	0.13 83	0.21 68	0.16 42	0.38 112	0.35 141	0.34 204	0.30 100	0.33 196	0.20 130	0.70 302	0.24 172	0.08 90	0.06 35	0.09 123	0.07 47	0.08 67	0.07 12

NF-Stereo	0.22 98	0.11 29	0.52 153	0.25 202	0.12 50	0.21 68	0.18 97	0.40 137	0.35 141	0.28 96	0.30 100	0.22 77	0.17 81	0.52 230	0.21 137	0.09 147	0.06 35	0.09 123	0.08 108	0.08 67	0.13 187

OCTAStereo	0.22 98	0.11 29	0.52 153	0.25 202	0.12 50	0.21 68	0.18 97	0.40 137	0.35 141	0.28 96	0.30 100	0.22 77	0.17 81	0.51 224	0.21 137	0.09 147	0.06 35	0.09 123	0.08 108	0.08 67	0.13 187

FTStereo	0.28 219	0.11 29	0.56 189	0.24 170	0.13 83	0.21 68	0.52 371	0.36 91	0.28 69	0.38 253	0.94 374	0.30 171	0.56 350	0.33 152	0.18 82	0.08 90	0.06 35	0.09 123	0.08 108	0.08 67	0.19 260

RE-Stereo	0.22 98	0.11 29	0.52 153	0.25 202	0.12 50	0.21 68	0.18 97	0.40 137	0.35 141	0.28 96	0.30 100	0.22 77	0.17 81	0.51 224	0.21 137	0.09 147	0.06 35	0.09 123	0.08 108	0.08 67	0.13 187

TVStereo	0.22 98	0.11 29	0.52 153	0.25 202	0.12 50	0.21 68	0.18 97	0.40 137	0.35 141	0.28 96	0.30 100	0.22 77	0.17 81	0.51 224	0.21 137	0.09 147	0.06 35	0.09 123	0.08 108	0.08 67	0.13 187

test-2	0.20 62	0.17 171	0.45 60	0.23 132	0.18 237	0.21 68	0.27 275	0.28 20	0.28 69	0.31 155	0.32 119	0.28 149	0.17 81	0.16 3	0.13 7	0.07 14	0.23 341	0.10 187	0.08 108	0.08 67	0.07 12

raft+_RVC	0.21 85	0.21 216	0.46 72	0.22 88	0.35 365	0.21 68	0.16 42	0.39 128	0.35 141	0.22 52	0.28 83	0.20 64	0.15 54	0.25 59	0.20 120	0.08 90	0.16 286	0.08 63	0.07 47	0.07 31	0.12 167

EKT-Stereo	0.39 301	0.13 76	0.53 163	0.42 371	3.94 419	0.22 91	0.17 58	0.38 112	0.30 96	0.21 36	0.20 32	0.23 90	0.15 54	0.30 129	0.18 82	0.10 204	0.08 143	0.09 123	0.08 108	0.09 134	0.12 167

LL-Strereo	0.32 261	0.33 313	0.77 284	0.26 234	0.24 326	0.22 91	0.23 225	0.58 300	0.44 229	0.35 219	0.32 119	0.41 253	0.40 303	0.93 363	0.25 184	0.08 90	0.13 247	0.11 234	0.09 169	0.09 134	0.22 289

LoS	0.15 5	0.09 3	0.34 14	0.17 5	0.09 6	0.22 91	0.14 13	0.27 15	0.27 61	0.15 12	0.18 24	0.19 57	0.14 45	0.23 42	0.14 26	0.08 90	0.06 35	0.06 1	0.04 1	0.06 2	0.06 4

RAFT_CTSACE	0.23 127	0.21 216	0.57 196	0.26 234	0.15 162	0.22 91	0.23 225	0.34 77	0.30 96	0.34 204	0.51 285	0.31 180	0.17 81	0.33 152	0.15 40	0.06 1	0.09 172	0.09 123	0.08 108	0.08 67	0.07 12

test_3	0.20 62	0.12 59	0.49 106	0.26 234	0.14 111	0.22 91	0.25 260	0.34 77	0.33 126	0.25 76	0.18 24	0.23 90	0.13 34	0.25 59	0.20 120	0.06 1	0.14 256	0.09 123	0.10 213	0.07 31	0.10 103

CrosDoStereo	0.32 261	0.11 29	0.53 163	0.19 14	0.12 50	0.22 91	1.07 404	0.36 91	0.38 175	0.38 253	0.60 323	0.28 149	0.45 319	0.61 266	0.56 323	0.08 90	0.06 35	0.08 63	0.09 169	0.08 67	0.09 61

TRStereo	0.22 98	0.21 216	0.62 232	0.40 365	0.19 260	0.22 91	0.16 42	0.58 300	0.30 96	0.21 36	0.21 44	0.22 77	0.13 34	0.27 85	0.14 26	0.09 147	0.09 172	0.09 123	0.11 239	0.06 2	0.19 260

DeepStereo_LL	0.32 261	0.11 29	0.53 163	0.19 14	0.12 50	0.22 91	1.07 404	0.36 91	0.38 175	0.38 253	0.60 323	0.28 149	0.45 319	0.61 266	0.56 323	0.08 90	0.06 35	0.08 63	0.09 169	0.08 67	0.09 61

PFNet	0.24 153	0.11 29	0.63 237	0.25 202	0.14 111	0.22 91	0.19 129	0.40 137	0.35 141	0.36 230	0.32 119	0.27 137	0.20 130	0.63 277	0.23 167	0.09 147	0.05 3	0.09 123	0.08 108	0.08 67	0.08 39

test-1	0.20 62	0.12 59	0.49 106	0.23 132	0.23 315	0.22 91	0.23 225	0.36 91	0.29 82	0.21 36	0.25 63	0.24 105	0.14 45	0.18 12	0.22 152	0.07 14	0.14 256	0.08 63	0.07 47	0.06 2	0.14 210

TestStereo	0.22 98	0.24 253	0.48 89	0.25 202	0.11 26	0.22 91	0.22 201	0.32 60	0.31 103	0.24 65	0.34 143	0.23 90	0.19 124	0.62 274	0.19 103	0.08 90	0.07 95	0.10 187	0.07 47	0.11 225	0.07 12

sAnonymous2	0.21 85	0.24 253	0.79 289	0.24 170	0.17 216	0.22 91	0.20 160	0.36 91	0.29 82	0.17 19	0.19 27	0.17 43	0.16 66	0.18 12	0.15 40	0.10 204	0.07 95	0.09 123	0.08 108	0.23 351	0.18 245

CroCo_RVC	0.21 85	0.24 253	0.79 289	0.24 170	0.17 216	0.22 91	0.20 160	0.36 91	0.29 82	0.17 19	0.19 27	0.17 43	0.16 66	0.18 12	0.15 40	0.10 204	0.07 95	0.09 123	0.08 108	0.23 351	0.18 245

RALCasStereoNet	0.22 98	0.22 230	0.48 89	0.23 132	0.23 315	0.22 91	0.18 97	0.32 60	0.27 61	0.22 52	0.30 100	0.22 77	0.15 54	0.29 120	0.20 120	0.08 90	0.22 333	0.07 15	0.06 24	0.10 182	0.25 317

RALAANet	0.21 85	0.24 253	0.53 163	0.23 132	0.14 111	0.22 91	0.13 3	0.38 112	0.30 96	0.29 119	0.26 70	0.25 116	0.15 54	0.28 103	0.20 120	0.08 90	0.08 143	0.09 123	0.08 108	0.10 182	0.07 12

CREStereo	0.14 1	0.09 3	0.27 3	0.14 1	0.08 3	0.22 91	0.15 26	0.26 12	0.26 51	0.16 14	0.21 44	0.14 24	0.13 34	0.19 21	0.14 26	0.09 147	0.05 3	0.06 1	0.04 1	0.07 31	0.06 4
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
StereoVision	0.23 127	0.23 243	0.55 179	0.27 266	0.17 216	0.23 107	0.22 201	0.40 137	0.32 112	0.21 36	0.51 285	0.22 77	0.16 66	0.29 120	0.19 103	0.11 235	0.12 233	0.13 287	0.13 300	0.10 182	0.08 39

DCRE	0.24 153	0.15 127	0.45 60	0.26 234	0.26 339	0.23 107	0.21 179	0.37 103	0.29 82	0.23 59	0.81 362	0.23 90	0.16 66	0.24 49	0.18 82	0.07 14	0.14 256	0.07 15	0.08 108	0.07 31	0.25 317

qqq	0.24 153	0.16 148	0.46 72	0.20 36	0.15 162	0.23 107	0.20 160	0.43 161	0.32 112	0.26 81	0.31 110	0.28 149	0.25 181	0.36 177	0.28 206	0.08 90	0.22 333	0.10 187	0.11 239	0.09 134	0.23 296

raft_robust	0.25 177	0.23 243	0.44 57	0.22 88	0.13 83	0.23 107	0.22 201	0.52 241	0.50 286	0.33 189	0.32 119	0.33 196	0.23 152	0.55 240	0.18 82	0.07 14	0.11 217	0.08 63	0.10 213	0.08 67	0.07 12

RAFT+CT+SA	0.23 127	0.24 253	0.48 89	0.25 202	0.18 237	0.23 107	0.29 293	0.42 156	0.38 175	0.24 65	0.39 190	0.20 64	0.17 81	0.34 166	0.17 63	0.07 14	0.07 95	0.09 123	0.12 276	0.09 134	0.13 187

GwcNet-ADL	0.23 127	0.15 127	0.58 209	0.24 170	0.13 83	0.23 107	0.24 247	0.51 236	0.41 199	0.28 96	0.29 89	0.30 171	0.20 130	0.27 85	0.28 206	0.09 147	0.07 95	0.07 15	0.07 47	0.09 134	0.11 132

LCNet	0.22 98	0.12 59	0.42 45	0.26 234	0.12 50	0.23 107	0.19 129	0.36 91	0.28 69	0.28 96	0.35 149	0.26 133	0.30 242	0.35 173	0.17 63	0.07 14	0.05 3	0.09 123	0.10 213	0.13 262	0.22 289

STrans-v2	0.25 177	0.14 111	0.56 189	0.21 56	0.12 50	0.23 107	0.20 160	0.50 226	0.31 103	0.31 155	0.42 216	0.35 217	0.35 278	0.62 274	0.24 172	0.07 14	0.05 3	0.08 63	0.07 47	0.06 2	0.08 39

IIG-Stereo	0.24 153	0.16 148	0.47 77	0.29 303	0.12 50	0.23 107	0.14 13	0.40 137	0.33 126	0.35 219	0.37 170	0.33 196	0.22 143	0.70 302	0.26 193	0.08 90	0.06 35	0.09 123	0.07 47	0.08 67	0.07 12

KYRaft	0.23 127	0.11 29	0.43 50	0.23 132	0.12 50	0.23 107	0.23 225	0.37 103	0.26 51	0.35 219	0.53 298	0.34 203	0.26 193	0.29 120	0.16 50	0.07 14	0.05 3	0.09 123	0.10 213	0.08 67	0.30 341

GrayStereo	0.26 196	0.10 12	0.45 60	0.27 266	0.14 111	0.23 107	0.46 358	0.36 91	0.33 126	0.40 273	0.47 269	0.30 171	0.78 373	0.29 120	0.17 63	0.07 14	0.06 35	0.08 63	0.09 169	0.07 31	0.15 221

Prome-Stereo	0.22 98	0.10 12	0.43 50	0.24 170	0.13 83	0.23 107	0.23 225	0.37 103	0.27 61	0.33 189	0.58 315	0.24 105	0.28 218	0.30 129	0.16 50	0.07 14	0.05 3	0.08 63	0.07 47	0.08 67	0.20 272

XX-TBD	0.16 13	0.21 216	0.43 50	0.22 88	0.10 18	0.23 107	0.15 26	0.23 4	0.28 69	0.22 52	0.26 70	0.14 24	0.12 17	0.16 3	0.14 26	0.08 90	0.05 3	0.06 1	0.04 1	0.07 31	0.06 4

sCroCo_RVC	0.19 40	0.15 127	0.60 223	0.27 266	0.18 237	0.23 107	0.16 42	0.28 20	0.24 27	0.14 7	0.22 51	0.17 43	0.14 45	0.22 38	0.16 50	0.11 235	0.11 217	0.09 123	0.09 169	0.09 134	0.10 103

XX-Stereo	0.25 177	0.11 29	1.09 348	0.35 345	0.38 373	0.23 107	0.13 3	0.43 161	0.19 5	0.20 32	0.40 198	0.31 180	0.10 3	0.33 152	0.13 7	0.08 90	0.11 217	0.08 63	0.09 169	0.07 31	0.10 103

PMTNet	0.16 13	0.09 3	0.31 8	0.15 2	0.09 6	0.23 107	0.15 26	0.26 12	0.24 27	0.17 19	0.21 44	0.16 35	0.14 45	0.23 42	0.14 26	0.29 372	0.05 3	0.06 1	0.04 1	0.07 31	0.07 12

R-Stereo Train	0.19 40	0.10 12	0.49 106	0.22 88	0.12 50	0.23 107	0.18 97	0.43 161	0.20 7	0.31 155	0.45 250	0.20 64	0.14 45	0.18 12	0.18 82	0.08 90	0.06 35	0.07 15	0.06 24	0.06 2	0.07 12

RAFT-Stereo	0.19 40	0.10 12	0.49 106	0.22 88	0.12 50	0.23 107	0.18 97	0.43 161	0.20 7	0.31 155	0.45 250	0.20 64	0.14 45	0.18 12	0.18 82	0.08 90	0.06 35	0.07 15	0.06 24	0.06 2	0.07 12
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
Former-RAFT_DAM_RVC	0.18 24	0.15 127	0.27 3	0.20 36	0.13 83	0.24 125	0.17 58	0.31 55	0.37 167	0.43 296	0.17 19	0.13 13	0.12 17	0.20 26	0.16 50	0.08 90	0.07 95	0.09 123	0.07 47	0.09 134	0.08 39

AE-Stereo	0.21 85	0.12 59	0.50 124	0.25 202	0.15 162	0.24 125	0.18 97	0.40 137	0.34 134	0.19 28	0.26 70	0.21 74	0.13 34	0.22 38	0.16 50	0.07 14	0.26 357	0.09 123	0.10 213	0.07 31	0.31 344

UDGNet	0.24 153	0.37 333	0.53 163	0.25 202	0.14 111	0.24 125	0.18 97	0.32 60	0.44 229	0.29 119	0.28 83	0.24 105	0.20 130	0.30 129	0.21 137	0.16 321	0.07 95	0.21 353	0.11 239	0.16 298	0.11 132

IPLGR_C	0.23 127	0.29 293	0.81 293	0.24 170	0.16 191	0.24 125	0.20 160	0.38 112	0.33 126	0.32 180	0.33 135	0.23 90	0.15 54	0.26 76	0.22 152	0.09 147	0.07 95	0.08 63	0.07 47	0.08 67	0.09 61

ACRE	0.23 127	0.27 283	0.83 298	0.24 170	0.15 162	0.24 125	0.20 160	0.38 112	0.32 112	0.32 180	0.33 135	0.23 90	0.15 54	0.26 76	0.22 152	0.09 147	0.07 95	0.08 63	0.07 47	0.08 67	0.09 61

NRIStereo	0.20 62	0.12 59	0.50 124	0.23 132	0.11 26	0.24 125	0.19 129	0.30 41	0.28 69	0.26 81	0.26 70	0.25 116	0.18 107	0.34 166	0.19 103	0.08 90	0.06 35	0.09 123	0.07 47	0.09 134	0.09 61

CRE-IMP	0.19 40	0.13 76	0.51 137	0.23 132	0.11 26	0.24 125	0.17 58	0.31 55	0.24 27	0.27 90	0.26 70	0.24 105	0.17 81	0.24 49	0.19 103	0.09 147	0.05 3	0.10 187	0.07 47	0.10 182	0.10 103

GMM-Stereo	0.22 98	0.10 12	0.56 189	0.23 132	0.13 83	0.24 125	0.24 247	0.38 112	0.29 82	0.31 155	0.44 237	0.27 137	0.21 138	0.31 138	0.17 63	0.07 14	0.05 3	0.10 187	0.09 169	0.08 67	0.19 260

111	0.22 98	0.22 230	0.57 196	0.19 14	0.09 6	0.24 125	0.17 58	0.44 179	0.46 249	0.24 65	0.30 100	0.29 161	0.22 143	0.25 59	0.19 103	0.08 90	0.05 3	0.07 15	0.06 24	0.07 31	0.15 221

GMStereo	0.21 85	0.30 299	0.57 196	0.21 56	0.12 50	0.24 125	0.18 97	0.30 41	0.41 199	0.26 81	0.24 58	0.17 43	0.16 66	0.25 59	0.19 103	0.10 204	0.07 95	0.08 63	0.08 108	0.11 225	0.09 61
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
DispNO	0.29 233	0.24 253	0.83 298	0.23 132	0.17 216	0.25 135	0.22 201	0.47 201	0.42 211	0.33 189	0.39 190	0.38 232	0.28 218	0.78 328	0.35 254	0.09 147	0.07 95	0.10 187	0.10 213	0.09 134	0.09 61

MyStereo07	0.18 24	0.15 127	0.44 57	0.22 88	0.16 191	0.25 135	0.22 201	0.31 55	0.26 51	0.22 52	0.13 5	0.12 3	0.13 34	0.33 152	0.14 26	0.07 14	0.13 247	0.09 123	0.09 169	0.09 134	0.11 132

MyStereo06	0.23 127	0.15 127	0.74 271	0.22 88	0.14 111	0.25 135	0.22 201	0.43 161	0.25 45	0.36 230	0.24 58	0.34 203	0.18 107	0.24 49	0.20 120	0.07 14	0.12 233	0.09 123	0.09 169	0.09 134	0.11 132

MyStereo05	0.24 153	0.15 127	0.58 209	0.22 88	0.14 111	0.25 135	0.22 201	0.50 226	0.54 308	0.32 180	0.23 53	0.26 133	0.23 152	0.32 143	0.25 184	0.07 14	0.12 233	0.09 123	0.09 169	0.09 134	0.11 132

MyStereo04	0.24 153	0.15 127	0.58 209	0.22 88	0.16 191	0.25 135	0.22 201	0.51 236	0.54 308	0.29 119	0.23 53	0.27 137	0.23 152	0.32 143	0.25 184	0.07 14	0.13 247	0.09 123	0.09 169	0.09 134	0.11 132

LL-Strereo2	0.21 85	0.25 267	0.53 163	0.32 325	0.20 278	0.25 135	0.14 13	0.32 60	0.25 45	0.25 76	0.20 32	0.24 105	0.12 17	0.28 103	0.18 82	0.07 14	0.07 95	0.12 264	0.09 169	0.09 134	0.16 231

anonymousdsp2	0.23 127	0.11 29	0.42 45	0.26 234	0.24 326	0.25 135	0.17 58	0.43 161	0.37 167	0.30 140	0.23 53	0.24 105	0.15 54	0.32 143	0.17 63	0.07 14	0.28 364	0.07 15	0.05 9	0.08 67	0.44 377

test_5	0.25 177	0.25 267	0.57 196	0.27 266	0.18 237	0.25 135	0.29 293	0.42 156	0.39 186	0.29 119	0.40 198	0.27 137	0.23 152	0.35 173	0.19 103	0.07 14	0.07 95	0.09 123	0.09 169	0.10 182	0.14 210

SA	0.24 153	0.22 230	0.55 179	0.23 132	0.14 111	0.25 135	0.23 225	0.48 211	0.42 211	0.28 96	0.44 237	0.23 90	0.23 152	0.34 166	0.17 63	0.07 14	0.09 172	0.11 234	0.11 239	0.08 67	0.09 61

CIPLG	0.23 127	0.28 290	0.75 274	0.24 170	0.16 191	0.25 135	0.20 160	0.38 112	0.33 126	0.32 180	0.34 143	0.23 90	0.15 54	0.27 85	0.22 152	0.09 147	0.07 95	0.08 63	0.07 47	0.08 67	0.09 61

IPLGR	0.22 98	0.14 111	0.75 274	0.21 56	0.11 26	0.25 135	0.18 97	0.44 179	0.38 175	0.29 119	0.28 83	0.21 74	0.19 124	0.37 185	0.19 103	0.07 14	0.06 35	0.08 63	0.07 47	0.07 31	0.07 12

RAFT-RH_RVC	0.26 196	0.13 76	0.57 196	0.22 88	0.12 50	0.25 135	0.14 13	0.27 15	0.29 82	0.38 253	1.14 382	0.23 90	0.18 107	0.58 249	0.24 172	0.07 14	0.06 35	0.10 187	0.07 47	0.06 2	0.08 39

TANstereo	0.16 13	0.11 29	0.43 50	0.16 4	0.08 3	0.25 135	0.14 13	0.23 4	0.29 82	0.25 76	0.30 100	0.16 35	0.12 17	0.18 12	0.13 7	0.08 90	0.07 95	0.06 1	0.05 9	0.07 31	0.08 39

PSMNet-RSSM	0.26 196	0.21 216	0.50 124	0.21 56	0.14 111	0.25 135	0.21 179	0.50 226	0.38 175	0.31 155	0.45 250	0.40 246	0.27 199	0.53 232	0.24 172	0.12 263	0.08 143	0.11 234	0.13 300	0.10 182	0.10 103

RAFT-Test	0.19 40	0.11 29	0.41 37	0.26 234	0.21 291	0.26 149	0.17 58	0.37 103	0.26 51	0.24 65	0.29 89	0.32 190	0.14 45	0.22 38	0.15 40	0.07 14	0.08 143	0.07 15	0.07 47	0.06 2	0.07 12

TestStereo1	0.23 127	0.22 230	0.50 124	0.27 266	0.14 111	0.26 149	0.27 275	0.43 161	0.38 175	0.29 119	0.39 190	0.23 90	0.21 138	0.33 152	0.18 82	0.08 90	0.08 143	0.09 123	0.08 108	0.08 67	0.10 103

SA-5K	0.23 127	0.22 230	0.50 124	0.27 266	0.14 111	0.26 149	0.27 275	0.43 161	0.38 175	0.29 119	0.39 190	0.23 90	0.21 138	0.33 152	0.18 82	0.08 90	0.08 143	0.09 123	0.08 108	0.08 67	0.10 103

RAFT	0.24 153	0.24 253	0.46 72	0.27 266	0.15 162	0.26 149	0.26 270	0.37 103	0.31 103	0.34 204	0.34 143	0.41 253	0.22 143	0.30 129	0.18 82	0.08 90	0.15 277	0.11 234	0.10 213	0.11 225	0.13 187

Anonymous	0.21 85	0.15 127	0.63 237	0.27 266	0.20 278	0.26 149	0.27 275	0.34 77	0.27 61	0.18 27	0.19 27	0.15 30	0.19 124	0.25 59	0.19 103	0.10 204	0.09 172	0.09 123	0.09 169	0.15 289	0.13 187

DN-CSS_ROB	0.24 153	0.33 313	0.69 256	0.25 202	0.14 111	0.26 149	0.13 3	0.42 156	0.35 141	0.30 140	0.42 216	0.22 77	0.20 130	0.34 166	0.22 152	0.07 14	0.06 35	0.11 234	0.11 239	0.11 225	0.09 61

11t1	0.21 85	0.12 59	0.45 60	0.20 36	0.15 162	0.27 155	0.17 58	0.37 103	0.28 69	0.27 90	0.25 63	0.24 105	0.23 152	0.28 103	0.25 184	0.09 147	0.19 315	0.07 15	0.07 47	0.09 134	0.23 296

HH	0.22 98	0.12 59	0.55 179	0.32 325	0.16 191	0.27 155	0.18 97	0.36 91	0.25 45	0.20 32	0.26 70	0.34 203	0.18 107	0.33 152	0.15 40	0.07 14	0.16 286	0.07 15	0.07 47	0.07 31	0.31 344

HanStereo	0.22 98	0.12 59	0.55 179	0.32 325	0.16 191	0.27 155	0.18 97	0.36 91	0.25 45	0.20 32	0.26 70	0.34 203	0.18 107	0.33 152	0.15 40	0.07 14	0.16 286	0.07 15	0.07 47	0.07 31	0.31 344

x	0.23 127	0.15 127	0.45 60	0.20 36	0.15 162	0.27 155	0.17 58	0.43 161	0.35 141	0.26 81	0.31 110	0.29 161	0.25 181	0.29 120	0.30 221	0.09 147	0.22 333	0.08 63	0.09 169	0.09 134	0.24 308

dd	0.23 127	0.32 309	0.55 179	0.23 132	0.12 50	0.27 155	0.21 179	0.32 60	0.45 240	0.30 140	0.29 89	0.25 116	0.17 81	0.31 138	0.26 193	0.13 280	0.07 95	0.10 187	0.08 108	0.12 250	0.09 61

PSM-AAD	0.26 196	0.11 29	0.43 50	0.24 170	0.12 50	0.27 155	0.37 331	0.36 91	0.30 96	0.36 230	0.39 190	0.28 149	0.77 372	0.30 129	0.16 50	0.07 14	0.06 35	0.12 264	0.11 239	0.09 134	0.21 281

CFNet_pseudo	0.23 127	0.14 111	0.48 89	0.20 36	0.13 83	0.27 155	0.17 58	0.46 192	0.45 240	0.30 140	0.37 170	0.38 232	0.23 152	0.30 129	0.22 152	0.09 147	0.06 35	0.11 234	0.08 108	0.11 225	0.11 132

HCRNet	0.25 177	0.27 283	0.42 45	0.34 340	0.17 216	0.27 155	0.18 97	0.45 186	0.37 167	0.31 155	0.35 149	0.32 190	0.23 152	0.44 202	0.21 137	0.13 280	0.08 143	0.13 287	0.11 239	0.11 225	0.09 61

FENet	0.22 98	0.13 76	0.48 89	0.22 88	0.12 50	0.27 155	0.18 97	0.43 161	0.37 167	0.31 155	0.32 119	0.29 161	0.23 152	0.27 85	0.24 172	0.10 204	0.07 95	0.09 123	0.09 169	0.09 134	0.11 132

ACVNet	0.24 153	0.18 188	0.51 137	0.18 9	0.15 162	0.27 155	0.23 225	0.40 137	0.45 240	0.29 119	0.41 209	0.38 232	0.28 218	0.28 103	0.35 254	0.09 147	0.07 95	0.08 63	0.07 47	0.10 182	0.09 61

GANet-RSSM	0.26 196	0.19 197	0.54 173	0.21 56	0.14 111	0.27 155	0.22 201	0.47 201	0.34 134	0.30 140	0.40 198	0.41 253	0.30 242	0.59 255	0.25 184	0.11 235	0.08 143	0.09 123	0.09 169	0.10 182	0.10 103

DMCA	0.24 153	0.18 188	0.51 137	0.23 132	0.14 111	0.27 155	0.20 160	0.45 186	0.40 194	0.32 180	0.33 135	0.33 196	0.25 181	0.27 85	0.30 221	0.11 235	0.08 143	0.10 187	0.08 108	0.11 225	0.12 167

ccs_rob	0.23 127	0.14 111	0.48 89	0.20 36	0.13 83	0.27 155	0.17 58	0.46 192	0.45 240	0.30 140	0.37 170	0.38 232	0.23 152	0.30 129	0.22 152	0.09 147	0.06 35	0.11 234	0.08 108	0.12 250	0.11 132

HITNet	0.22 98	0.23 243	0.60 223	0.20 36	0.09 6	0.27 155	0.15 26	0.45 186	0.33 126	0.29 119	0.33 135	0.27 137	0.22 143	0.29 120	0.27 200	0.07 14	0.05 3	0.07 15	0.06 24	0.09 134	0.11 132
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
SMFormer	0.27 212	0.13 76	0.47 77	0.20 36	0.10 18	0.28 169	0.19 129	0.54 258	0.48 268	0.35 219	0.42 216	0.31 180	0.27 199	0.60 260	0.34 248	0.10 204	0.16 286	0.08 63	0.09 169	0.10 182	0.16 231

tta	0.27 212	0.13 76	0.47 77	0.20 36	0.10 18	0.28 169	0.19 129	0.54 258	0.48 268	0.35 219	0.42 216	0.31 180	0.27 199	0.60 260	0.34 248	0.10 204	0.16 286	0.08 63	0.09 169	0.08 67	0.13 187

qqq1	0.26 196	0.13 76	0.47 77	0.20 36	0.10 18	0.28 169	0.19 129	0.54 258	0.48 268	0.35 219	0.42 216	0.31 180	0.27 199	0.60 260	0.21 137	0.10 204	0.16 286	0.07 15	0.07 47	0.08 67	0.13 187

fff1	0.26 196	0.13 76	0.47 77	0.20 36	0.10 18	0.28 169	0.19 129	0.54 258	0.48 268	0.35 219	0.42 216	0.31 180	0.27 199	0.60 260	0.21 137	0.10 204	0.16 286	0.07 15	0.07 47	0.08 67	0.13 187

mmm	0.25 177	0.15 127	0.44 57	0.23 132	0.20 278	0.28 169	0.21 179	0.43 161	0.32 112	0.31 155	0.40 198	0.30 171	0.24 170	0.31 138	0.28 206	0.09 147	0.21 328	0.11 234	0.12 276	0.10 182	0.26 326

GMStereo_Zeroshot	0.25 177	0.22 230	0.51 137	0.27 266	0.14 111	0.28 169	0.15 26	0.40 137	0.36 154	0.37 245	0.43 228	0.40 246	0.17 81	0.35 173	0.21 137	0.12 263	0.07 95	0.13 287	0.07 47	0.17 310	0.10 103

PCWNet_CMD	0.23 127	0.14 111	0.48 89	0.21 56	0.13 83	0.28 169	0.17 58	0.47 201	0.47 262	0.30 140	0.36 162	0.37 226	0.24 170	0.29 120	0.21 137	0.09 147	0.06 35	0.10 187	0.08 108	0.11 225	0.11 132

EGLCR-Stereo	0.19 40	0.09 3	0.34 14	0.29 303	0.17 216	0.28 169	0.16 42	0.30 41	0.23 17	0.22 52	0.11 1	0.16 35	0.09 2	0.28 103	0.15 40	0.07 14	0.25 351	0.07 15	0.07 47	0.06 2	0.37 363

IPLG	0.23 127	0.19 197	0.65 244	0.21 56	0.12 50	0.28 169	0.17 58	0.45 186	0.32 112	0.33 189	0.32 119	0.16 35	0.17 81	0.50 219	0.23 167	0.07 14	0.06 35	0.08 63	0.07 47	0.07 31	0.08 39

MIPNet	0.22 98	0.19 197	0.64 241	0.22 88	0.12 50	0.28 169	0.20 160	0.48 211	0.39 186	0.31 155	0.24 58	0.19 57	0.24 170	0.28 103	0.20 120	0.07 14	0.05 3	0.08 63	0.07 47	0.07 31	0.08 39

THIR-Stereo	0.30 246	0.15 127	0.46 72	0.19 14	0.11 26	0.28 169	0.70 385	0.33 73	0.36 154	0.37 245	0.64 336	0.33 196	0.49 336	0.58 249	0.44 289	0.08 90	0.06 35	0.08 63	0.09 169	0.07 31	0.08 39

DRaft	0.25 177	0.11 29	0.47 77	0.18 9	0.12 50	0.28 169	0.23 225	0.34 77	0.40 194	0.38 253	0.60 323	0.20 64	0.41 308	0.48 213	0.41 276	0.07 14	0.06 35	0.08 63	0.08 108	0.07 31	0.08 39

GES	0.23 127	0.14 111	0.54 173	0.21 56	0.14 111	0.28 169	0.19 129	0.51 236	0.35 141	0.31 155	0.36 162	0.25 116	0.24 170	0.30 129	0.23 167	0.11 235	0.09 172	0.08 63	0.08 108	0.10 182	0.12 167

cf-r	0.26 196	0.22 230	0.66 247	0.22 88	0.14 111	0.28 169	0.22 201	0.44 179	0.42 211	0.32 180	0.42 216	0.43 269	0.27 199	0.44 202	0.27 200	0.11 235	0.07 95	0.08 63	0.10 213	0.08 67	0.09 61

GwcNet-RSSM	0.28 219	0.25 267	0.61 229	0.22 88	0.14 111	0.28 169	0.24 247	0.46 192	0.44 229	0.33 189	0.46 262	0.41 253	0.28 218	0.55 240	0.31 230	0.11 235	0.07 95	0.09 123	0.10 213	0.10 182	0.09 61

DIP-Stereo	0.20 62	0.13 76	0.48 89	0.20 36	0.13 83	0.28 169	0.12 1	0.43 161	0.26 51	0.27 90	0.32 119	0.21 74	0.17 81	0.26 76	0.20 120	0.08 90	0.06 35	0.08 63	0.06 24	0.07 31	0.10 103
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.23 127	0.14 111	0.49 106	0.20 36	0.13 83	0.28 169	0.17 58	0.47 201	0.47 262	0.30 140	0.36 162	0.37 226	0.24 170	0.29 120	0.21 137	0.09 147	0.07 95	0.09 123	0.08 108	0.11 225	0.11 132

CoDeX	0.24 153	0.13 76	0.48 89	0.22 88	0.14 111	0.29 186	0.21 179	0.55 269	0.42 211	0.29 119	0.36 162	0.28 149	0.23 152	0.48 213	0.20 120	0.09 147	0.06 35	0.08 63	0.07 47	0.08 67	0.08 39

DualNet	0.33 268	0.17 171	0.84 302	0.21 56	0.13 83	0.29 186	0.21 179	0.38 112	0.46 249	0.31 155	0.44 237	0.34 203	0.24 170	0.28 103	1.30 381	0.08 90	0.28 364	0.12 264	0.11 239	0.08 67	0.37 363

ffm	0.27 212	0.17 171	0.84 302	0.21 56	0.13 83	0.29 186	0.21 179	0.38 112	0.46 249	0.31 155	0.44 237	0.34 203	0.24 170	0.28 103	0.12 1	0.08 90	0.28 364	0.12 264	0.11 239	0.08 67	0.37 363

ff1	0.36 284	0.17 171	0.84 302	0.21 56	0.13 83	0.29 186	0.21 179	0.38 112	0.46 249	0.31 155	0.44 237	0.34 203	0.24 170	0.91 357	1.30 381	0.08 90	0.28 364	0.12 264	0.11 239	0.08 67	0.37 363

mmx	0.37 291	0.17 171	0.84 302	0.21 56	0.13 83	0.29 186	0.21 179	0.57 288	0.48 268	0.31 155	0.44 237	0.34 203	0.24 170	0.91 357	1.30 381	0.10 204	0.20 323	0.12 264	0.11 239	0.11 225	0.23 296

xxx	0.37 291	0.17 171	0.84 302	0.21 56	0.13 83	0.29 186	0.21 179	0.57 288	0.48 268	0.31 155	0.44 237	0.34 203	0.24 170	0.91 357	1.30 381	0.10 204	0.20 323	0.12 264	0.11 239	0.11 225	0.23 296

CFNet_ucs	0.25 177	0.14 111	0.51 137	0.20 36	0.15 162	0.29 186	0.18 97	0.51 236	0.46 249	0.32 180	0.42 216	0.38 232	0.23 152	0.31 138	0.22 152	0.11 235	0.08 143	0.12 264	0.09 169	0.13 262	0.13 187

Any-RAFT	0.18 24	0.09 3	0.33 12	0.19 14	0.10 18	0.29 186	0.16 42	0.44 179	0.32 112	0.25 76	0.27 79	0.29 161	0.16 66	0.23 42	0.13 7	0.08 90	0.07 95	0.06 1	0.05 9	0.07 31	0.07 12

CASS	0.22 98	0.16 148	0.40 35	0.26 234	0.12 50	0.29 186	0.19 129	0.40 137	0.32 112	0.34 204	0.35 149	0.25 116	0.25 181	0.26 76	0.21 137	0.13 280	0.08 143	0.11 234	0.09 169	0.11 225	0.12 167
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
GANet-ADL	0.22 98	0.14 111	0.51 137	0.23 132	0.14 111	0.29 186	0.19 129	0.48 211	0.36 154	0.26 81	0.33 135	0.32 190	0.20 130	0.26 76	0.22 152	0.11 235	0.07 95	0.07 15	0.06 24	0.09 134	0.11 132

BEATNet_4x	0.25 177	0.25 267	0.66 247	0.23 132	0.10 18	0.29 186	0.14 13	0.49 218	0.34 134	0.31 155	0.35 149	0.32 190	0.26 193	0.34 166	0.33 244	0.08 90	0.06 35	0.08 63	0.07 47	0.11 225	0.13 187

ttt	0.33 268	0.14 111	0.54 173	0.22 88	0.14 111	0.30 197	0.22 201	0.59 308	0.51 292	0.31 155	0.46 262	0.30 171	0.23 152	0.71 305	1.07 370	0.13 280	0.22 333	0.10 187	0.11 239	0.12 250	0.24 308

Selective-RAFT	0.19 40	0.14 111	0.37 26	0.24 170	0.11 26	0.30 197	0.15 26	0.35 86	0.34 134	0.17 19	0.17 19	0.22 77	0.18 107	0.29 120	0.18 82	0.07 14	0.16 286	0.07 15	0.07 47	0.08 67	0.08 39

Sa-1000	0.24 153	0.20 209	0.53 163	0.23 132	0.14 111	0.30 197	0.23 225	0.50 226	0.41 199	0.30 140	0.50 282	0.26 133	0.19 124	0.33 152	0.16 50	0.08 90	0.10 197	0.10 187	0.11 239	0.08 67	0.08 39

DAS	0.28 219	0.13 76	0.49 106	0.24 170	0.18 237	0.30 197	0.24 247	0.48 211	0.48 268	0.42 287	0.45 250	0.34 203	0.31 255	0.76 324	0.24 172	0.09 147	0.07 95	0.09 123	0.07 47	0.10 182	0.11 132

SepStereo	0.27 212	0.13 76	0.49 106	0.24 170	0.18 237	0.30 197	0.24 247	0.48 211	0.48 268	0.42 287	0.45 250	0.34 203	0.31 255	0.64 282	0.24 172	0.09 147	0.07 95	0.09 123	0.07 47	0.10 182	0.11 132

AACVNet	0.28 219	0.22 230	0.55 179	0.23 132	0.14 111	0.30 197	0.19 129	0.43 161	0.33 126	0.39 264	0.42 216	0.44 275	0.29 235	0.73 309	0.28 206	0.11 235	0.09 172	0.11 234	0.09 169	0.13 262	0.12 167

ICVP	0.24 153	0.13 76	0.45 60	0.26 234	0.14 111	0.30 197	0.25 260	0.47 201	0.35 141	0.29 119	0.43 228	0.35 217	0.25 181	0.28 103	0.25 184	0.12 263	0.09 172	0.09 123	0.09 169	0.09 134	0.11 132
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ARAFT	0.26 196	0.30 299	0.87 311	0.22 88	0.12 50	0.30 197	0.24 247	0.46 192	0.34 134	0.33 189	0.28 83	0.29 161	0.20 130	0.49 215	0.19 103	0.08 90	0.06 35	0.12 264	0.11 239	0.09 134	0.09 61

RAFT + AFF	0.30 246	0.33 313	0.76 278	0.25 202	0.17 216	0.30 197	0.33 318	0.55 269	0.42 211	0.28 96	0.30 100	0.31 180	0.31 255	0.64 282	0.32 236	0.09 147	0.11 217	0.11 234	0.10 213	0.12 250	0.16 231

aanetorigin	0.40 311	0.33 313	1.14 353	0.25 202	0.19 260	0.30 197	0.37 331	0.34 77	0.47 262	0.95 381	0.82 363	0.52 314	0.56 350	0.50 219	0.52 311	0.11 235	0.09 172	0.10 187	0.10 213	0.16 298	0.19 260

DMCA-RVC	0.30 246	0.27 283	0.93 327	0.28 290	0.17 216	0.30 197	0.21 179	0.43 161	0.36 154	0.40 273	0.38 176	0.39 243	0.36 283	0.44 202	0.34 248	0.13 280	0.10 197	0.16 325	0.12 276	0.13 262	0.11 132

FADNet_RVC	0.31 256	0.35 324	0.98 334	0.24 170	0.16 191	0.30 197	0.17 58	0.52 241	0.39 186	0.30 140	0.38 176	0.30 171	0.29 235	0.54 237	0.33 244	0.14 301	0.14 256	0.14 305	0.16 332	0.21 342	0.24 308

STTStereo	0.30 246	0.24 253	0.83 298	0.25 202	0.17 216	0.30 197	0.24 247	0.49 218	0.39 186	0.39 264	0.41 209	0.44 275	0.28 218	0.41 194	0.30 221	0.13 280	0.13 247	0.13 287	0.16 332	0.12 250	0.12 167

NLCA_NET_v2_RVC	0.29 233	0.24 253	0.81 293	0.26 234	0.18 237	0.30 197	0.22 201	0.52 241	0.41 199	0.38 253	0.42 216	0.42 263	0.28 218	0.46 209	0.31 230	0.11 235	0.08 143	0.10 187	0.11 239	0.10 182	0.12 167
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.33 268	0.31 302	0.69 256	0.23 132	0.14 111	0.30 197	0.23 225	0.49 218	0.55 315	0.39 264	0.60 323	0.43 269	0.30 242	0.88 350	0.54 319	0.11 235	0.08 143	0.07 15	0.07 47	0.10 182	0.12 167

DeepPruner_ROB	0.28 219	0.25 267	0.64 241	0.22 88	0.16 191	0.30 197	0.21 179	0.54 258	0.33 126	0.36 230	0.38 176	0.38 232	0.26 193	0.45 208	0.28 206	0.15 313	0.11 217	0.11 234	0.11 239	0.14 282	0.14 210

iResNetv2_ROB	0.29 233	0.37 333	0.92 323	0.24 170	0.13 83	0.30 197	0.19 129	0.55 269	0.51 292	0.39 264	0.46 262	0.39 243	0.27 199	0.36 177	0.30 221	0.09 147	0.06 35	0.07 15	0.05 9	0.13 262	0.11 132

MLCV	0.25 177	0.23 243	0.59 216	0.22 88	0.09 6	0.30 197	0.18 97	0.40 137	0.38 175	0.38 253	0.44 237	0.31 180	0.22 143	0.44 202	0.32 236	0.07 14	0.05 3	0.07 15	0.06 24	0.07 31	0.08 39

MyStereo8	0.25 177	0.20 209	0.69 256	0.24 170	0.17 216	0.31 215	0.16 42	0.50 226	0.32 112	0.29 119	0.38 176	0.25 116	0.19 124	0.33 152	0.29 219	0.08 90	0.20 323	0.08 63	0.08 108	0.10 182	0.16 231

ACVNet-DCA	0.21 85	0.16 148	0.50 124	0.27 266	0.13 83	0.31 215	0.19 129	0.43 161	0.32 112	0.21 36	0.20 32	0.13 13	0.17 81	0.28 103	0.12 1	0.08 90	0.28 364	0.08 63	0.06 24	0.09 134	0.23 296

xx1	0.23 127	0.16 148	0.50 124	0.27 266	0.13 83	0.31 215	0.19 129	0.39 128	0.48 268	0.21 36	0.20 32	0.28 149	0.25 181	0.28 103	0.12 1	0.08 90	0.28 364	0.10 187	0.11 239	0.09 134	0.23 296

1test111	0.22 98	0.16 148	0.50 124	0.27 266	0.13 83	0.31 215	0.19 129	0.43 161	0.32 112	0.21 36	0.20 32	0.13 13	0.17 81	0.36 177	0.28 206	0.08 90	0.28 364	0.08 63	0.06 24	0.09 134	0.23 296

cc1	0.22 98	0.16 148	0.50 124	0.27 266	0.13 83	0.31 215	0.19 129	0.39 128	0.48 268	0.21 36	0.20 32	0.13 13	0.17 81	0.28 103	0.12 1	0.08 90	0.28 364	0.08 63	0.06 24	0.08 67	0.37 363

tt1	0.22 98	0.16 148	0.49 106	0.26 234	0.15 162	0.31 215	0.19 129	0.38 112	0.46 249	0.21 36	0.19 27	0.13 13	0.16 66	0.28 103	0.12 1	0.08 90	0.28 364	0.08 63	0.06 24	0.08 67	0.37 363

ToySt	0.28 219	0.19 197	0.68 255	0.22 88	0.19 260	0.31 215	0.31 308	0.43 161	0.43 222	0.28 96	0.38 176	0.42 263	0.32 266	0.33 152	0.32 236	0.08 90	0.14 256	0.10 187	0.12 276	0.11 225	0.24 308

anonymousa	0.26 196	0.13 76	0.56 189	0.29 303	0.30 356	0.31 215	0.20 160	0.38 112	0.36 154	0.33 189	0.51 285	0.41 253	0.27 199	0.25 59	0.24 172	0.08 90	0.18 311	0.09 123	0.18 347	0.08 67	0.17 243

IER	0.24 153	0.15 127	0.50 124	0.21 56	0.15 162	0.31 215	0.20 160	0.44 179	0.38 175	0.34 204	0.41 209	0.32 190	0.34 271	0.31 138	0.23 167	0.09 147	0.07 95	0.08 63	0.08 108	0.09 134	0.09 61

DEmStereo	0.26 196	0.10 12	0.52 153	0.19 14	0.13 83	0.31 215	0.25 260	0.29 32	0.38 175	0.36 230	0.57 312	0.24 105	0.48 332	0.53 232	0.44 289	0.07 14	0.06 35	0.08 63	0.08 108	0.07 31	0.08 39

CFNet-ft	0.26 196	0.21 216	0.51 137	0.19 14	0.16 191	0.31 215	0.21 179	0.40 137	0.37 167	0.29 119	0.40 198	0.46 286	0.27 199	0.49 215	0.28 206	0.12 263	0.07 95	0.12 264	0.11 239	0.12 250	0.11 132

CFNet_RVC	0.26 196	0.21 216	0.51 137	0.19 14	0.16 191	0.31 215	0.21 179	0.40 137	0.37 167	0.29 119	0.40 198	0.46 286	0.27 199	0.49 215	0.28 206	0.12 263	0.07 95	0.12 264	0.11 239	0.12 250	0.11 132

iResNet	0.25 177	0.22 230	0.62 232	0.26 234	0.11 26	0.31 215	0.23 225	0.46 192	0.45 240	0.34 204	0.43 228	0.27 137	0.23 152	0.36 177	0.37 264	0.08 90	0.05 3	0.07 15	0.06 24	0.08 67	0.10 103

iRaft-Stereo_20w	0.29 233	0.11 29	0.86 309	0.33 336	0.24 326	0.32 228	0.26 270	0.60 317	0.26 51	0.41 283	0.21 44	0.28 149	0.19 124	0.32 143	0.24 172	0.07 14	0.31 380	0.07 15	0.09 169	0.08 67	0.47 381

dad	0.30 246	0.38 339	0.60 223	0.22 88	0.14 111	0.32 228	0.21 179	0.35 86	0.51 292	0.45 310	0.45 250	0.46 286	0.23 152	0.41 194	0.27 200	0.21 355	0.11 217	0.20 351	0.11 239	0.15 289	0.11 132

PSMNet-ADL	0.26 196	0.16 148	0.39 31	0.27 266	0.14 111	0.32 228	0.22 201	0.45 186	0.37 167	0.28 96	0.34 143	0.41 253	0.28 218	0.61 266	0.32 236	0.11 235	0.10 197	0.09 123	0.11 239	0.10 182	0.13 187

pcwnet_v2	0.32 261	0.16 148	1.22 367	0.23 132	0.19 260	0.32 228	0.19 129	0.61 324	0.61 334	0.37 245	0.45 250	0.35 217	0.29 235	0.37 185	0.26 193	0.14 301	0.11 217	0.12 264	0.11 239	0.14 282	0.18 245

psm_up	0.30 246	0.21 216	0.58 209	0.26 234	0.18 237	0.32 228	0.27 275	0.57 288	0.45 240	0.38 253	0.41 209	0.45 280	0.40 303	0.59 255	0.32 236	0.11 235	0.12 233	0.13 287	0.12 276	0.11 225	0.11 132

iResNet_ROB	0.27 212	0.27 283	0.48 89	0.21 56	0.12 50	0.32 228	0.17 58	0.57 288	0.55 315	0.39 264	0.44 237	0.37 226	0.28 218	0.43 199	0.28 206	0.08 90	0.06 35	0.06 1	0.05 9	0.09 134	0.11 132

1111x	0.39 301	0.17 171	0.80 292	0.23 132	0.15 162	0.33 234	0.27 275	0.62 332	0.48 268	0.32 180	0.43 228	0.40 246	0.29 235	0.86 347	1.60 397	0.09 147	0.23 341	0.09 123	0.12 276	0.10 182	0.23 296

riskmin	0.24 153	0.10 12	0.43 50	0.32 325	0.26 339	0.33 234	0.19 129	0.44 179	0.30 96	0.24 65	0.27 79	0.37 226	0.25 181	0.30 129	0.22 152	0.09 147	0.18 311	0.09 123	0.13 300	0.10 182	0.27 329

HBP-ISP	0.34 276	0.35 324	0.76 278	0.23 132	0.17 216	0.33 234	0.22 201	0.56 279	0.47 262	0.42 287	0.49 280	0.33 196	0.41 308	0.73 309	0.27 200	0.18 343	0.19 315	0.24 362	0.20 353	0.16 298	0.16 231

GEStereo_RVC	0.29 233	0.24 253	0.60 223	0.27 266	0.16 191	0.33 234	0.25 260	0.58 300	0.56 319	0.35 219	0.38 176	0.34 203	0.25 181	0.51 224	0.29 219	0.12 263	0.08 143	0.09 123	0.08 108	0.11 225	0.13 187

s12784h	0.18 24	0.09 3	0.38 27	0.18 9	0.07 1	0.33 234	0.19 129	0.39 128	0.34 134	0.24 65	0.25 63	0.18 51	0.18 107	0.25 59	0.17 63	0.07 14	0.05 3	0.07 15	0.05 9	0.06 2	0.05 1

EAI-Stereo	0.29 233	0.11 29	0.38 27	0.22 88	0.18 237	0.33 234	1.66 414	0.53 251	0.27 61	0.27 90	0.50 282	0.17 43	0.16 66	0.25 59	0.25 184	0.07 14	0.07 95	0.07 15	0.11 239	0.07 31	0.10 103

HGLStereo	0.29 233	0.19 197	0.60 223	0.24 170	0.21 291	0.33 234	0.23 225	0.52 241	0.44 229	0.36 230	0.49 280	0.41 253	0.35 278	0.46 209	0.34 248	0.11 235	0.11 217	0.09 123	0.09 169	0.11 225	0.12 167

FADNet-RVC-Resample	0.31 256	0.32 309	1.16 356	0.27 266	0.17 216	0.33 234	0.21 179	0.49 218	0.40 194	0.36 230	0.38 176	0.34 203	0.27 199	0.54 237	0.27 200	0.10 204	0.10 197	0.14 305	0.13 300	0.13 262	0.18 245

FADNet-RVC	0.34 276	0.43 352	0.97 332	0.25 202	0.20 278	0.33 234	0.20 160	0.51 236	0.42 211	0.34 204	0.40 198	0.41 253	0.29 235	0.65 286	0.36 258	0.14 301	0.14 256	0.14 305	0.15 323	0.19 329	0.20 272

RASNet	0.30 246	0.19 197	0.59 216	0.23 132	0.19 260	0.33 234	0.20 160	0.50 226	0.41 199	0.31 155	0.44 237	0.47 293	0.38 293	0.79 332	0.40 272	0.09 147	0.07 95	0.07 15	0.09 169	0.08 67	0.10 103

TDLM	0.32 261	0.27 283	0.52 153	0.30 309	0.15 162	0.33 234	0.32 313	0.54 258	0.50 286	0.44 303	0.43 228	0.39 243	0.30 242	0.92 362	0.30 221	0.14 301	0.09 172	0.13 287	0.12 276	0.13 262	0.14 210

AdaStereo	0.25 177	0.17 171	0.47 77	0.25 202	0.13 83	0.33 234	0.17 58	0.57 288	0.43 222	0.34 204	0.38 176	0.35 217	0.21 138	0.32 143	0.24 172	0.14 301	0.06 35	0.13 287	0.09 169	0.11 225	0.09 61
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.
PS-NSSS	0.33 268	0.36 330	0.61 229	0.24 170	0.18 237	0.33 234	0.24 247	0.59 308	0.42 211	0.38 253	0.52 291	0.36 222	0.31 255	0.80 335	0.32 236	0.18 343	0.14 256	0.21 353	0.15 323	0.17 310	0.14 210

HSM	0.29 233	0.18 188	0.48 89	0.21 56	0.15 162	0.33 234	0.20 160	0.55 269	0.39 186	0.36 230	0.39 190	0.67 360	0.32 266	0.88 350	0.24 172	0.09 147	0.07 95	0.08 63	0.07 47	0.09 134	0.10 103

gwcnet-sp	0.25 177	0.16 148	0.70 259	0.23 132	0.14 111	0.34 248	0.22 201	0.46 192	0.41 199	0.37 245	0.35 149	0.27 137	0.27 199	0.36 177	0.26 193	0.09 147	0.08 143	0.09 123	0.09 169	0.10 182	0.10 103

scenet	0.25 177	0.16 148	0.70 259	0.23 132	0.14 111	0.34 248	0.22 201	0.46 192	0.41 199	0.37 245	0.35 149	0.27 137	0.27 199	0.36 177	0.26 193	0.09 147	0.08 143	0.09 123	0.09 169	0.10 182	0.10 103

ssnet	0.25 177	0.16 148	0.70 259	0.23 132	0.14 111	0.34 248	0.22 201	0.46 192	0.41 199	0.37 245	0.35 149	0.27 137	0.27 199	0.36 177	0.26 193	0.09 147	0.08 143	0.09 123	0.09 169	0.10 182	0.10 103

AASNet	0.29 233	0.27 283	0.67 250	0.26 234	0.18 237	0.34 248	0.21 179	0.64 341	0.49 281	0.36 230	0.41 209	0.32 190	0.26 193	0.33 152	0.39 270	0.12 263	0.09 172	0.10 187	0.08 108	0.14 282	0.12 167

ADLNet	0.30 246	0.19 197	0.59 216	0.23 132	0.19 260	0.34 248	0.23 225	0.56 279	0.44 229	0.43 296	0.41 209	0.43 269	0.28 218	0.56 245	0.36 258	0.11 235	0.08 143	0.11 234	0.11 239	0.11 225	0.15 221

test_xeample	0.39 301	0.14 111	0.46 72	0.19 14	0.16 191	0.34 248	0.22 201	0.59 308	0.43 222	0.33 189	0.47 269	0.30 171	0.27 199	0.60 260	2.44 411	0.10 204	0.21 328	0.09 123	0.09 169	0.09 134	0.25 317

SFCPSM	0.23 127	0.12 59	0.51 137	0.21 56	0.14 111	0.34 248	0.22 201	0.57 288	0.41 199	0.29 119	0.32 119	0.23 90	0.22 143	0.28 103	0.20 120	0.10 204	0.07 95	0.09 123	0.10 213	0.09 134	0.09 61

acv_ft	0.26 196	0.18 188	0.56 189	0.24 170	0.19 260	0.34 248	0.21 179	0.47 201	0.45 240	0.39 264	0.41 209	0.38 232	0.28 218	0.28 103	0.36 258	0.09 147	0.07 95	0.08 63	0.07 47	0.11 225	0.09 61

FAT-Stereo	0.36 284	0.19 197	0.75 274	0.26 234	0.18 237	0.34 248	0.30 299	0.62 332	0.61 334	0.47 321	0.61 332	0.59 332	0.50 337	0.61 266	0.36 258	0.13 280	0.14 256	0.13 287	0.12 276	0.14 282	0.20 272

CFNet	0.29 233	0.29 293	0.57 196	0.23 132	0.14 111	0.34 248	0.15 26	0.53 251	0.46 249	0.31 155	0.40 198	0.38 232	0.27 199	0.76 324	0.28 206	0.10 204	0.07 95	0.11 234	0.11 239	0.11 225	0.09 61

CVANet_RVC	0.34 276	0.25 267	0.77 284	0.27 266	0.17 216	0.34 248	0.28 289	0.55 269	0.50 286	0.43 296	0.46 262	0.44 275	0.31 255	0.90 355	0.27 200	0.15 313	0.10 197	0.14 305	0.14 314	0.15 289	0.15 221

UCFNet_RVC	0.25 177	0.21 216	0.49 106	0.19 14	0.15 162	0.34 248	0.18 97	0.47 201	0.36 154	0.30 140	0.35 149	0.40 246	0.26 193	0.35 173	0.24 172	0.13 280	0.08 143	0.13 287	0.14 314	0.13 262	0.13 187

NOSS_ROB	0.33 268	0.24 253	0.49 106	0.27 266	0.16 191	0.34 248	0.19 129	0.55 269	0.50 286	0.34 204	0.37 170	0.42 263	0.30 242	0.93 363	0.25 184	0.19 352	0.20 323	0.24 362	0.22 362	0.17 310	0.25 317

GASNet	0.39 301	0.58 377	1.27 369	0.35 345	0.23 315	0.35 261	0.23 225	0.63 336	0.56 319	0.41 283	0.38 176	0.45 280	0.30 242	0.81 338	0.42 279	0.16 321	0.11 217	0.14 305	0.14 314	0.23 351	0.12 167

BSDual-CNN	0.24 153	0.13 76	0.36 20	0.25 202	0.14 111	0.35 261	0.22 201	0.59 308	0.36 154	0.34 204	0.35 149	0.38 232	0.25 181	0.27 85	0.28 206	0.10 204	0.07 95	0.11 234	0.10 213	0.09 134	0.10 103

hknet	0.26 196	0.15 127	0.49 106	0.25 202	0.16 191	0.35 261	0.22 201	0.59 308	0.40 194	0.34 204	0.35 149	0.43 269	0.28 218	0.38 187	0.26 193	0.09 147	0.07 95	0.11 234	0.10 213	0.09 134	0.10 103

psmg	0.24 153	0.13 76	0.36 20	0.21 56	0.14 111	0.35 261	0.23 225	0.54 258	0.36 154	0.36 230	0.38 176	0.38 232	0.25 181	0.27 85	0.28 206	0.10 204	0.08 143	0.10 187	0.10 213	0.09 134	0.09 61

SACVNet	0.32 261	0.25 267	0.59 216	0.26 234	0.19 260	0.35 261	0.25 260	0.54 258	0.41 199	0.43 296	0.45 250	0.46 286	0.34 271	0.71 305	0.30 221	0.14 301	0.10 197	0.12 264	0.12 276	0.16 298	0.20 272

HSM-Net_RVC	0.28 219	0.12 59	0.48 89	0.19 14	0.11 26	0.35 261	0.21 179	0.64 341	0.44 229	0.40 273	0.43 228	0.50 306	0.27 199	0.75 318	0.25 184	0.08 90	0.07 95	0.08 63	0.07 47	0.08 67	0.09 61
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
Anonymous Stereo	0.42 320	0.43 352	1.38 375	0.32 325	0.26 339	0.35 261	0.48 362	0.55 269	0.58 323	0.43 296	0.48 278	0.40 246	0.29 235	0.93 363	0.56 323	0.16 321	0.16 286	0.15 319	0.16 332	0.16 298	0.20 272

CBMV_ROB	0.36 284	0.21 216	0.57 196	0.22 88	0.14 111	0.35 261	0.20 160	0.55 269	0.47 262	0.52 336	0.58 315	0.45 280	0.53 346	0.75 318	0.50 307	0.18 343	0.19 315	0.23 360	0.21 355	0.15 289	0.20 272

ADLNet2	0.31 256	0.23 243	0.77 284	0.23 132	0.18 237	0.36 269	0.24 247	0.55 269	0.54 308	0.33 189	0.38 176	0.45 280	0.31 255	0.70 302	0.36 258	0.10 204	0.08 143	0.09 123	0.09 169	0.12 250	0.11 132

222	0.45 330	0.14 111	0.43 50	0.19 14	0.15 162	0.36 269	0.20 160	0.60 317	0.43 222	0.37 245	0.45 250	0.30 171	0.28 218	0.59 255	3.72 416	0.11 235	0.19 315	0.08 63	0.09 169	0.09 134	0.27 329

ac_64	0.28 219	0.16 148	0.62 232	0.25 202	0.17 216	0.36 269	0.22 201	0.48 211	0.35 141	0.36 230	0.37 170	0.51 309	0.30 242	0.62 274	0.34 248	0.11 235	0.09 172	0.10 187	0.10 213	0.09 134	0.09 61

DeepPrunerF	0.46 336	0.37 333	1.50 383	0.34 340	0.30 356	0.36 269	0.37 331	0.64 341	1.15 395	0.41 283	0.45 250	0.40 246	0.41 308	0.82 339	0.53 315	0.18 343	0.14 256	0.23 360	0.21 355	0.17 310	0.18 245

StereoDRNet-Refined	0.28 219	0.19 197	0.47 77	0.25 202	0.14 111	0.36 269	0.21 179	0.49 218	0.43 222	0.46 315	0.52 291	0.42 263	0.30 242	0.46 209	0.38 266	0.10 204	0.07 95	0.11 234	0.11 239	0.10 182	0.11 132
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
LMCR-Stereo	0.28 219	0.22 230	0.56 189	0.29 303	0.14 111	0.37 274	0.23 225	0.57 288	0.36 154	0.40 273	0.40 198	0.29 161	0.30 242	0.41 194	0.38 266	0.11 235	0.07 95	0.09 123	0.07 47	0.13 262	0.10 103

UPFNet	0.27 212	0.15 127	0.47 77	0.25 202	0.20 278	0.37 274	0.27 275	0.50 226	0.40 194	0.36 230	0.38 176	0.37 226	0.29 235	0.40 191	0.34 248	0.10 204	0.10 197	0.10 187	0.10 213	0.10 182	0.08 39

FADNet	0.34 276	0.43 352	0.88 317	0.24 170	0.22 306	0.37 274	0.19 129	0.56 279	0.49 281	0.32 180	0.36 162	0.43 269	0.32 266	0.65 286	0.30 221	0.17 333	0.16 286	0.14 305	0.16 332	0.25 356	0.21 281

RP	0.38 296	0.26 277	0.67 250	0.31 320	0.24 326	0.37 274	0.29 293	0.53 251	0.61 334	0.42 287	0.65 338	0.62 342	0.51 339	0.63 277	0.43 282	0.17 333	0.15 277	0.17 334	0.15 323	0.17 310	0.19 260

DLCB_ROB	0.30 246	0.20 209	0.45 60	0.28 290	0.17 216	0.37 274	0.25 260	0.50 226	0.45 240	0.46 315	0.47 269	0.51 309	0.34 271	0.56 245	0.38 266	0.10 204	0.10 197	0.11 234	0.11 239	0.10 182	0.11 132

XPNet_ROB	0.35 282	0.26 277	0.58 209	0.28 290	0.19 260	0.37 274	0.31 308	0.57 288	0.51 292	0.52 336	0.54 301	0.57 326	0.38 293	0.65 286	0.48 300	0.17 333	0.12 233	0.13 287	0.12 276	0.16 298	0.17 243

CBFPSM	0.28 219	0.23 243	0.76 278	0.21 56	0.14 111	0.38 280	0.26 270	0.42 156	0.37 167	0.34 204	0.36 162	0.55 321	0.38 293	0.33 152	0.40 272	0.08 90	0.08 143	0.07 15	0.08 108	0.09 134	0.12 167

xxxx	0.39 301	0.14 111	0.47 77	0.20 36	0.16 191	0.38 280	0.20 160	0.61 324	0.43 222	0.30 140	0.44 237	0.38 232	0.25 181	0.50 219	2.41 410	0.11 235	0.21 328	0.09 123	0.10 213	0.10 182	0.26 326

edge stereo	0.40 311	0.22 230	0.87 311	0.27 266	0.22 306	0.38 280	0.26 270	0.59 308	0.56 319	0.53 342	0.60 323	0.71 368	0.50 337	0.78 328	0.43 282	0.16 321	0.15 277	0.19 347	0.14 314	0.17 310	0.19 260

psmorigin	0.52 349	0.29 293	3.10 411	0.24 170	0.19 260	0.39 283	0.24 247	0.52 241	0.45 240	0.66 361	0.68 344	0.70 367	0.52 341	0.86 347	0.49 306	0.15 313	0.17 304	0.13 287	0.14 314	0.16 298	0.23 296

EDNetEfficient	0.64 372	0.39 343	2.52 403	0.26 234	0.26 339	0.39 283	0.49 366	0.42 156	1.06 387	1.38 398	0.86 367	0.61 339	0.97 387	0.66 292	1.62 398	0.11 235	0.10 197	0.10 187	0.12 276	0.20 336	0.19 260

DSFCA	0.29 233	0.18 188	0.48 89	0.21 56	0.17 216	0.39 283	0.32 313	0.49 218	0.44 229	0.44 303	0.38 176	0.40 246	0.30 242	0.53 232	0.38 266	0.12 263	0.10 197	0.10 187	0.11 239	0.11 225	0.11 132

S-Stereo	0.39 301	0.20 209	1.04 339	0.28 290	0.22 306	0.39 283	0.31 308	0.58 300	0.69 353	0.40 273	0.59 319	0.48 296	0.41 308	0.75 318	0.42 279	0.12 263	0.15 277	0.13 287	0.13 300	0.16 298	0.25 317

PA-Net	0.40 311	0.35 324	1.05 340	0.32 325	0.28 345	0.39 283	0.43 352	0.53 251	0.56 319	0.35 219	0.43 228	0.41 253	0.36 283	0.83 343	0.61 333	0.12 263	0.23 341	0.16 325	0.23 366	0.13 262	0.20 272
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
PWC_ROB	0.41 316	0.38 339	0.92 323	0.26 234	0.20 278	0.39 283	0.19 129	0.61 324	0.69 353	0.58 353	0.84 365	0.52 314	0.44 317	0.74 313	0.62 334	0.13 280	0.09 172	0.14 305	0.10 213	0.17 310	0.18 245

ssnet_v2	0.30 246	0.21 216	0.63 237	0.23 132	0.15 162	0.40 289	0.30 299	0.59 308	0.48 268	0.40 273	0.37 170	0.46 286	0.30 242	0.41 194	0.44 289	0.13 280	0.11 217	0.11 234	0.11 239	0.12 250	0.11 132

hitnet-ft	0.31 256	0.21 216	0.56 189	0.19 14	0.14 111	0.40 289	0.23 225	0.46 192	0.42 211	0.37 245	0.46 262	0.53 318	0.35 278	0.76 324	0.35 254	0.14 301	0.10 197	0.14 305	0.10 213	0.15 289	0.14 210

ETE_ROB	0.36 284	0.32 309	0.64 241	0.30 309	0.18 237	0.40 289	0.38 339	0.59 308	0.49 281	0.50 330	0.52 291	0.62 342	0.37 288	0.58 249	0.43 282	0.13 280	0.10 197	0.14 305	0.12 276	0.17 310	0.18 245

pmcnn	0.54 352	0.24 253	1.06 342	0.25 202	0.26 339	0.40 289	0.31 308	0.55 269	0.55 315	0.56 349	1.22 386	2.53 409	0.39 300	0.84 344	1.08 372	0.09 147	0.06 35	0.06 1	0.05 9	0.10 182	0.14 210

Anonymous3	0.24 153	0.19 197	0.76 278	0.27 266	0.18 237	0.41 293	0.24 247	0.45 186	0.36 154	0.23 59	0.27 79	0.20 64	0.18 107	0.28 103	0.19 103	0.12 263	0.11 217	0.10 187	0.10 213	0.11 225	0.13 187

Syn2CoEx	0.39 301	0.39 343	1.08 347	0.35 345	0.21 291	0.41 293	0.29 293	0.63 336	0.51 292	0.43 296	0.56 310	0.45 280	0.45 319	0.69 299	0.39 270	0.17 333	0.14 256	0.16 325	0.12 276	0.13 262	0.16 231

delet	0.29 233	0.18 188	0.58 209	0.24 170	0.19 260	0.41 293	0.30 299	0.52 241	0.51 292	0.35 219	0.42 216	0.37 226	0.31 255	0.49 215	0.36 258	0.10 204	0.09 172	0.11 234	0.12 276	0.09 134	0.09 61

SuperB	0.50 344	0.37 333	2.16 401	0.23 132	0.15 162	0.41 293	0.32 313	0.50 226	0.83 370	0.44 303	0.51 285	0.33 196	0.45 319	0.69 299	1.07 370	0.10 204	0.08 143	0.09 123	0.08 108	0.95 406	0.18 245

RGC	0.41 316	0.35 324	0.76 278	0.35 345	0.28 345	0.41 293	0.29 293	0.60 317	0.55 315	0.47 321	0.64 336	0.63 346	0.47 328	0.74 313	0.46 295	0.16 321	0.15 277	0.21 353	0.21 355	0.19 329	0.21 281

DANet	0.37 291	0.25 267	0.67 250	0.37 350	0.22 306	0.42 298	0.25 260	0.50 226	0.44 229	0.52 336	0.50 282	0.59 332	0.42 312	0.78 328	0.53 315	0.13 280	0.12 233	0.14 305	0.12 276	0.17 310	0.21 281
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
PASM	0.49 343	0.41 348	1.15 354	0.37 350	0.35 365	0.42 298	0.42 350	0.54 258	0.65 343	0.54 345	0.54 301	0.63 346	0.48 332	0.94 366	0.51 310	0.27 369	0.30 376	0.30 370	0.33 379	0.29 369	0.29 339

NCCL2	0.37 291	0.33 313	0.59 216	0.37 350	0.23 315	0.42 298	0.41 349	0.56 279	0.44 229	0.47 321	0.47 269	0.61 339	0.39 300	0.58 249	0.41 276	0.16 321	0.13 247	0.21 353	0.22 362	0.16 298	0.18 245

CBMV	0.36 284	0.25 267	0.61 229	0.24 170	0.14 111	0.42 298	0.33 318	0.56 279	0.52 303	0.54 345	0.52 291	0.51 309	0.58 353	0.63 277	0.43 282	0.15 313	0.16 286	0.18 341	0.16 332	0.13 262	0.19 260
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
AF-Net	0.40 311	0.31 302	0.74 271	0.33 336	0.24 326	0.43 302	0.30 299	0.64 341	0.67 347	0.44 303	0.69 347	0.65 353	0.52 341	0.59 255	0.48 300	0.16 321	0.12 233	0.19 347	0.14 314	0.16 298	0.14 210

GANet	0.40 311	0.28 290	0.67 250	0.31 320	0.18 237	0.43 302	0.39 342	0.60 317	0.46 249	0.48 326	0.78 358	0.55 321	0.45 319	0.96 367	0.55 322	0.13 280	0.14 256	0.13 287	0.12 276	0.15 289	0.16 231

NVstereo2D	0.32 261	0.18 188	0.63 237	0.24 170	0.23 315	0.43 302	0.28 289	0.60 317	0.58 323	0.28 96	0.39 190	0.42 263	0.30 242	0.71 305	0.30 221	0.13 280	0.09 172	0.13 287	0.10 213	0.20 336	0.18 245

StereoDRNet	0.34 276	0.28 290	0.70 259	0.28 290	0.21 291	0.43 302	0.30 299	0.63 336	0.51 292	0.47 321	0.40 198	0.48 296	0.31 255	0.58 249	0.44 289	0.12 263	0.10 197	0.12 264	0.11 239	0.13 262	0.13 187

PWCDC_ROB	0.41 316	0.41 348	0.77 284	0.34 340	0.21 291	0.43 302	0.20 160	0.60 317	0.90 376	0.44 303	1.24 387	0.36 222	0.38 293	0.56 245	0.48 300	0.18 343	0.11 217	0.11 234	0.10 213	0.20 336	0.16 231

iinet-f	0.31 256	0.23 243	1.16 356	0.20 36	0.16 191	0.44 307	0.23 225	0.47 201	0.38 175	0.36 230	0.44 237	0.41 253	0.35 278	0.36 177	0.43 282	0.10 204	0.09 172	0.08 63	0.08 108	0.13 262	0.12 167

Wz-Net-SNSev	0.45 330	0.53 367	1.42 379	0.31 320	0.21 291	0.44 307	0.45 355	0.64 341	0.68 351	0.46 315	0.66 340	0.62 342	0.40 303	0.78 328	0.65 338	0.12 263	0.11 217	0.12 264	0.13 300	0.17 310	0.19 260

BUS	0.24 153	0.13 76	0.36 20	0.25 202	0.14 111	0.44 307	0.17 58	0.59 308	0.36 154	0.34 204	0.35 149	0.31 180	0.22 143	0.27 85	0.22 152	0.10 204	0.07 95	0.11 234	0.10 213	0.09 134	0.10 103

NINENet	0.27 212	0.16 148	0.49 106	0.23 132	0.16 191	0.44 307	0.17 58	0.63 336	0.49 281	0.33 189	0.38 176	0.31 180	0.22 143	0.43 199	0.22 152	0.11 235	0.10 197	0.12 264	0.08 108	0.12 250	0.11 132

CSP-Net	0.28 219	0.17 171	0.41 37	0.22 88	0.14 111	0.44 307	0.24 247	0.52 241	0.42 211	0.42 287	0.44 237	0.42 263	0.27 199	0.66 292	0.30 221	0.12 263	0.09 172	0.08 63	0.08 108	0.10 182	0.10 103

UNet	0.28 219	0.16 148	0.70 259	0.24 170	0.20 278	0.44 307	0.21 179	0.52 241	0.42 211	0.36 230	0.40 198	0.43 269	0.33 270	0.41 194	0.32 236	0.09 147	0.07 95	0.10 187	0.09 169	0.10 182	0.09 61

EDNetEfficientorigin	7.48 420	0.57 375	139.59 442	0.25 202	0.17 216	0.44 307	0.30 299	0.48 211	1.04 385	1.29 395	1.02 377	0.82 373	0.87 382	0.76 324	1.02 366	0.10 204	0.09 172	0.12 264	0.11 239	0.22 346	0.25 317

PSMNet_ROB	0.36 284	0.31 302	0.71 265	0.31 320	0.21 291	0.44 307	0.44 354	0.61 324	0.49 281	0.39 264	0.45 250	0.49 302	0.32 266	0.66 292	0.53 315	0.14 301	0.10 197	0.15 319	0.14 314	0.13 262	0.13 187

Nwc_Net	0.39 301	0.29 293	0.84 302	0.32 325	0.24 326	0.45 315	0.30 299	0.67 353	0.51 292	0.39 264	0.70 348	0.59 332	0.48 332	0.61 266	0.45 294	0.16 321	0.12 233	0.19 347	0.21 355	0.14 282	0.15 221

SGM-Forest	0.42 320	0.44 356	0.92 323	0.24 170	0.16 191	0.45 315	0.40 346	0.58 300	0.50 286	0.54 345	0.63 335	0.52 314	0.51 339	0.91 357	0.66 340	0.17 333	0.17 304	0.17 334	0.15 323	0.15 289	0.21 281
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
Wz-Net-LNSev-Ref	0.33 268	0.25 267	0.82 296	0.22 88	0.17 216	0.46 317	0.28 289	0.53 251	0.53 304	0.43 296	0.57 312	0.44 275	0.31 255	0.50 219	0.48 300	0.10 204	0.06 35	0.08 63	0.06 24	0.11 225	0.12 167

CRFU-Net	0.29 233	0.14 111	0.48 89	0.26 234	0.15 162	0.46 317	0.22 201	0.52 241	0.32 112	0.44 303	0.42 216	0.48 296	0.47 328	0.44 202	0.31 230	0.12 263	0.10 197	0.09 123	0.08 108	0.10 182	0.11 132

DDUNet	0.45 330	0.60 380	0.71 265	0.45 375	0.39 374	0.46 317	0.32 313	0.53 251	0.44 229	0.46 315	0.53 298	0.57 326	0.38 293	0.51 224	0.43 282	0.34 378	0.21 328	0.56 389	0.25 368	0.41 379	0.36 355

SHD	0.45 330	0.34 320	0.89 319	0.37 350	0.28 345	0.46 317	0.23 225	0.72 369	0.96 383	0.65 359	0.61 332	0.61 339	0.48 332	0.64 282	0.69 343	0.16 321	0.16 286	0.16 325	0.16 332	0.21 342	0.25 317

DRN-Test	0.35 282	0.20 209	0.75 274	0.28 290	0.19 260	0.46 317	0.29 293	0.68 358	0.54 308	0.49 327	0.47 269	0.44 275	0.35 278	0.63 277	0.44 289	0.13 280	0.09 172	0.13 287	0.12 276	0.13 262	0.13 187

LALA_ROB	0.38 296	0.31 302	0.65 244	0.30 309	0.21 291	0.46 317	0.39 342	0.63 336	0.54 308	0.53 342	0.52 291	0.69 364	0.36 283	0.52 230	0.48 300	0.18 343	0.11 217	0.16 325	0.14 314	0.17 310	0.16 231

SQANet	0.44 327	0.57 375	0.89 319	0.49 379	0.39 374	0.47 323	0.23 225	0.53 251	0.44 229	0.41 283	0.48 278	0.47 293	0.34 271	0.58 249	0.43 282	0.38 383	0.15 277	0.40 381	0.21 355	0.50 382	0.34 352

Wz-Net-LNSev	0.36 284	0.35 324	1.06 342	0.26 234	0.21 291	0.47 323	0.33 318	0.56 279	0.58 323	0.45 310	0.54 301	0.50 306	0.37 288	0.40 191	0.42 279	0.12 263	0.11 217	0.10 187	0.09 169	0.14 282	0.15 221

UDG	0.42 320	0.54 368	0.67 250	0.41 369	0.35 365	0.47 323	0.27 275	0.57 288	0.48 268	0.40 273	0.46 262	0.59 332	0.45 319	0.47 212	0.46 295	0.26 365	0.19 315	0.49 385	0.22 362	0.37 377	0.30 341

MMNet	0.28 219	0.19 197	0.54 173	0.24 170	0.17 216	0.47 323	0.22 201	0.47 201	0.53 304	0.40 273	0.43 228	0.36 222	0.34 271	0.40 191	0.35 254	0.08 90	0.08 143	0.09 123	0.09 169	0.10 182	0.09 61

NCC-stereo	0.42 320	0.31 302	0.87 311	0.32 325	0.29 354	0.47 323	0.37 331	0.68 358	0.53 304	0.42 287	0.58 315	0.57 326	0.52 341	0.75 318	0.54 319	0.18 343	0.14 256	0.18 341	0.25 368	0.17 310	0.18 245

Abc-Net	0.42 320	0.31 302	0.87 311	0.32 325	0.29 354	0.47 323	0.37 331	0.68 358	0.53 304	0.42 287	0.58 315	0.57 326	0.52 341	0.75 318	0.54 319	0.18 343	0.14 256	0.18 341	0.25 368	0.17 310	0.18 245
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
Consistency-Raft	0.56 357	0.52 365	1.12 350	0.45 375	0.49 380	0.48 329	0.45 355	0.73 370	0.74 363	0.45 310	0.82 363	0.46 286	0.60 356	0.51 224	0.63 337	0.39 385	0.40 388	0.44 383	0.51 394	0.53 384	0.38 371

GwcNet	0.37 291	0.29 293	1.12 350	0.25 202	0.24 326	0.48 329	0.27 275	0.58 300	0.60 332	0.39 264	0.54 301	0.51 309	0.34 271	0.60 260	0.46 295	0.13 280	0.12 233	0.12 264	0.11 239	0.13 262	0.15 221

DISCO	0.33 268	0.16 148	0.55 179	0.26 234	0.16 191	0.48 329	0.25 260	0.52 241	0.58 323	0.38 253	0.45 250	0.63 346	0.37 288	0.65 286	0.50 307	0.10 204	0.07 95	0.09 123	0.08 108	0.13 262	0.13 187

fast-acv-ft	0.33 268	0.26 277	0.88 317	0.25 202	0.18 237	0.49 332	0.27 275	0.44 179	0.50 286	0.40 273	0.55 306	0.49 302	0.36 283	0.39 190	0.41 276	0.11 235	0.11 217	0.11 234	0.12 276	0.13 262	0.11 132

ADCRef	0.41 316	0.33 313	1.05 340	0.26 234	0.21 291	0.49 332	0.27 275	0.54 258	0.51 292	0.51 333	0.59 319	0.35 217	0.47 328	0.54 237	1.35 388	0.09 147	0.08 143	0.12 264	0.12 276	0.12 250	0.13 187

RTSC	0.43 325	0.37 333	0.95 331	0.30 309	0.20 278	0.50 334	0.23 225	0.65 347	0.86 373	0.56 349	0.54 301	0.51 309	0.36 283	0.71 305	0.92 358	0.13 280	0.14 256	0.11 234	0.13 300	0.18 325	0.19 260

MaskLacGwcNet_RVC	0.38 296	0.43 352	0.72 269	0.35 345	0.19 260	0.51 335	0.25 260	0.56 279	0.39 186	0.42 287	0.47 269	0.47 293	0.27 199	0.74 313	0.32 236	0.38 383	0.19 315	0.27 365	0.17 343	0.29 369	0.27 329

ADCMid	0.53 350	0.45 357	1.46 380	0.27 266	0.22 306	0.51 335	0.38 339	0.61 324	0.58 323	0.75 368	0.67 342	0.62 342	0.66 369	0.66 292	1.75 399	0.13 280	0.12 233	0.17 334	0.17 343	0.20 336	0.21 281

CC-Net-ROB	0.46 336	0.55 369	0.86 309	0.38 358	0.23 315	0.51 335	0.30 299	0.69 364	0.51 292	0.46 315	0.51 285	0.48 296	0.38 293	0.96 367	0.40 272	0.36 380	0.23 341	0.56 389	0.25 368	0.34 376	0.22 289

GANetREF_RVC	0.45 330	0.52 365	0.87 311	0.39 360	0.20 278	0.51 335	0.50 368	0.68 358	0.67 347	0.47 321	0.46 262	0.50 306	0.43 315	0.91 357	0.40 272	0.28 371	0.21 328	0.32 374	0.19 349	0.28 367	0.23 296
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
FBW_ROB	0.46 336	0.34 320	0.71 265	0.32 325	0.20 278	0.51 335	0.32 313	0.73 370	0.63 340	0.60 354	0.57 312	0.65 353	0.44 317	1.42 396	0.62 334	0.14 301	0.17 304	0.22 358	0.16 332	0.17 310	0.23 296

APVNet	0.38 296	0.26 277	0.87 311	0.26 234	0.22 306	0.52 340	0.35 324	0.64 341	0.46 249	0.40 273	0.52 291	0.48 296	0.39 300	0.84 344	0.48 300	0.13 280	0.14 256	0.15 319	0.16 332	0.16 298	0.16 231

LSM	1.68 408	0.48 361	2.91 408	2.28 420	17.60 429	0.52 340	0.55 375	0.65 347	0.78 365	0.84 375	1.11 380	0.63 346	0.55 348	0.79 332	0.53 315	0.16 321	0.25 351	0.18 341	0.21 355	0.25 356	2.37 421

NaN_ROB	0.44 327	0.38 339	0.94 330	0.30 309	0.20 278	0.52 340	0.49 366	0.61 324	0.60 332	0.56 349	0.47 269	0.49 302	0.42 312	1.24 385	0.76 348	0.12 263	0.18 311	0.12 264	0.13 300	0.12 250	0.18 245

coex-ft	3.48 416	0.81 389	48.53 440	0.24 170	0.19 260	0.53 343	0.47 361	0.49 218	2.36 408	7.18 421	1.20 384	0.96 381	2.53 413	0.75 318	2.14 407	0.13 280	0.15 277	0.14 305	0.12 276	0.22 346	0.47 381

Anonymous_2	0.44 327	0.23 243	0.57 196	0.34 340	0.34 362	0.53 343	0.28 289	0.49 218	0.39 186	0.36 230	0.34 143	0.48 296	0.38 293	0.43 199	0.33 244	0.26 365	0.41 390	0.44 383	1.45 417	0.33 375	0.37 363

DispFullNet	0.67 373	0.94 395	1.63 388	0.77 395	1.19 412	0.53 343	0.25 260	0.61 324	0.72 359	0.70 365	0.60 323	0.69 364	0.90 383	0.80 335	0.52 311	0.27 369	0.13 247	0.74 397	0.31 378	0.68 392	0.44 377

NVStereoNet_ROB	0.74 378	0.64 382	1.20 366	0.55 383	0.43 378	0.54 346	0.48 362	0.75 373	0.87 375	0.88 377	1.72 402	1.06 382	1.03 390	1.29 389	0.98 364	0.35 379	0.42 391	0.41 382	0.48 389	0.38 378	0.43 375
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
anonymity	0.57 359	0.55 369	0.74 271	0.48 378	0.63 389	0.56 347	0.43 352	0.71 366	0.51 292	0.64 358	0.55 306	0.57 326	0.61 360	0.65 286	0.57 326	0.55 389	0.55 400	0.50 386	0.54 395	0.51 383	0.61 391

ADCS	0.62 367	0.56 371	1.54 386	0.30 309	0.25 336	0.56 347	0.46 358	0.71 366	0.86 373	0.77 372	0.72 350	0.68 362	0.62 364	0.82 339	2.33 409	0.17 333	0.16 286	0.16 325	0.17 343	0.23 351	0.27 329

ADCP+	0.48 342	0.36 330	1.47 381	0.26 234	0.22 306	0.57 349	0.40 346	0.56 279	0.54 308	0.46 315	0.52 291	0.46 286	0.53 346	0.59 255	1.93 403	0.10 204	0.08 143	0.11 234	0.11 239	0.14 282	0.15 221

CSAN	0.55 353	0.47 359	1.19 364	0.37 350	0.23 315	0.57 349	0.61 379	0.65 347	0.72 359	0.65 359	0.78 358	0.66 357	0.65 368	1.41 395	0.77 349	0.21 355	0.17 304	0.20 351	0.21 355	0.18 325	0.21 281

WZ-Net	0.56 357	0.49 363	2.14 400	0.30 309	0.24 326	0.58 351	0.48 362	0.65 347	0.80 367	0.51 333	0.72 350	0.68 362	0.60 356	1.06 376	1.01 365	0.13 280	0.10 197	0.11 234	0.12 276	0.19 329	0.23 296

XQC	0.47 339	0.45 357	1.07 344	0.40 365	0.28 345	0.58 351	0.38 339	0.67 353	0.76 364	0.53 342	0.47 269	0.59 332	0.47 328	0.74 313	0.80 352	0.18 343	0.14 256	0.18 341	0.16 332	0.26 360	0.24 308

Wz-Net-MNSev	0.39 301	0.35 324	0.99 336	0.26 234	0.21 291	0.59 353	0.39 342	0.58 300	0.61 334	0.49 327	0.56 310	0.53 318	0.37 288	0.61 266	0.47 298	0.11 235	0.09 172	0.11 234	0.11 239	0.15 289	0.15 221

ccnet	0.43 325	0.34 320	0.62 232	0.28 290	0.33 361	0.60 354	0.34 322	0.68 358	0.47 262	0.54 345	0.66 340	0.56 325	0.46 326	0.73 309	0.66 340	0.26 365	0.19 315	0.24 362	0.22 362	0.27 364	0.25 317

AnyNet_C32	0.55 353	0.51 364	1.34 373	0.29 303	0.28 345	0.61 355	0.62 380	0.57 288	0.62 338	0.63 357	0.68 344	0.54 320	0.55 348	0.82 339	1.81 400	0.15 313	0.15 277	0.15 319	0.18 347	0.21 342	0.25 317

DGSMNet	0.63 370	0.32 309	1.01 337	0.54 382	0.73 395	0.62 356	1.36 412	0.62 332	0.58 323	0.38 253	0.62 334	0.52 314	0.34 271	0.65 286	0.47 298	0.54 388	0.61 405	0.67 394	0.61 402	0.65 389	0.69 400

RYNet	0.38 296	0.23 243	0.65 244	0.26 234	0.28 345	0.62 356	0.33 318	0.61 324	0.62 338	0.42 287	0.39 190	0.58 331	0.40 303	0.89 352	0.57 326	0.11 235	0.09 172	0.12 264	0.11 239	0.19 329	0.22 289

WCMA_ROB	0.55 353	0.27 283	0.76 278	0.26 234	0.22 306	0.62 356	0.36 329	0.57 288	0.58 323	0.97 383	1.40 392	1.28 389	0.94 386	0.80 335	0.80 352	0.20 354	0.17 304	0.16 325	0.16 332	0.19 329	0.29 339

PVD	0.62 367	0.41 348	0.93 327	0.44 373	0.39 374	0.63 359	0.51 370	0.86 386	1.27 396	0.93 380	1.09 379	0.81 372	0.85 379	0.89 352	0.89 357	0.21 355	0.23 341	0.22 358	0.19 349	0.28 367	0.41 372

Wz-Net-TNSev	0.55 353	0.72 384	1.90 396	0.26 234	0.21 291	0.64 360	0.45 355	0.66 351	0.71 357	0.52 336	0.55 306	0.71 368	0.63 366	1.04 374	0.94 361	0.16 321	0.15 277	0.13 287	0.15 323	0.21 342	0.24 308

stereogan	0.39 301	0.20 209	0.78 288	0.28 290	0.22 306	0.65 361	0.26 270	0.62 332	0.65 343	0.45 310	0.60 323	0.67 360	0.45 319	0.69 299	0.37 264	0.14 301	0.14 256	0.14 305	0.12 276	0.20 336	0.19 260

FCDSN-DC	0.67 373	0.38 339	0.83 298	0.37 350	0.30 356	0.66 362	0.37 331	0.69 364	0.70 355	1.15 393	1.53 397	1.70 398	1.38 400	1.00 370	0.83 354	0.24 361	0.22 333	0.27 365	0.26 372	0.27 364	0.32 347
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
MeshStereo	0.60 364	0.31 302	0.71 265	0.22 88	0.17 216	0.66 362	0.36 329	0.81 380	0.63 340	1.48 408	1.32 389	1.65 396	0.83 378	1.18 382	0.74 346	0.17 333	0.17 304	0.17 334	0.14 314	0.17 310	0.19 260
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
PDISCO_ROB	0.45 330	0.37 333	0.89 319	0.44 373	0.37 370	0.70 364	0.35 324	0.75 373	0.78 365	0.45 310	0.53 298	0.65 353	0.40 303	0.68 298	0.52 311	0.22 358	0.12 233	0.21 353	0.19 349	0.26 360	0.22 289

ADCPNet	0.51 346	0.36 330	1.82 395	0.27 266	0.23 315	0.71 365	0.39 342	0.56 279	0.54 308	0.52 336	0.60 323	0.66 357	0.57 352	0.64 282	1.23 377	0.15 313	0.18 311	0.14 305	0.23 366	0.19 329	0.22 289

MFN_U_SF_RVC	0.58 361	0.58 377	1.31 372	0.39 360	0.23 315	0.72 366	0.30 299	0.83 383	0.68 351	0.74 367	0.74 354	0.86 374	0.60 356	0.84 344	0.83 354	0.29 372	0.27 360	0.32 374	0.37 385	0.31 371	0.33 349

SANet	0.58 361	0.41 348	1.38 375	0.27 266	0.16 191	0.72 366	0.48 362	0.71 366	1.34 397	0.69 364	0.97 375	0.94 378	0.78 373	0.97 369	0.93 359	0.14 301	0.12 233	0.12 264	0.12 276	0.18 325	0.20 272

otaku	0.60 364	0.73 386	1.13 352	0.64 386	0.45 379	0.73 368	0.37 331	0.67 353	0.67 347	0.52 336	0.75 356	0.66 357	0.46 326	0.74 313	0.59 329	0.55 389	0.34 385	0.56 389	0.36 383	0.65 389	0.49 385

Ntro	0.61 366	0.75 388	1.16 356	0.67 388	0.50 381	0.76 369	0.37 331	0.68 358	0.71 357	0.50 330	0.59 319	0.65 353	0.52 341	0.79 332	0.58 328	0.58 392	0.32 381	0.57 392	0.34 380	0.69 394	0.50 386

DPSNet	0.51 346	0.26 277	1.16 356	0.28 290	0.21 291	0.76 369	0.56 376	0.89 389	0.82 369	0.49 327	0.51 285	0.64 351	0.81 377	0.89 352	0.85 356	0.17 333	0.16 286	0.13 287	0.13 300	0.26 360	0.27 329

SPS-STEREO	0.74 378	0.72 384	1.18 363	0.52 381	0.57 387	0.76 369	0.50 368	0.80 378	0.66 346	0.97 383	0.88 370	0.94 378	0.74 371	1.08 377	1.04 368	0.58 392	0.51 394	0.50 386	0.50 393	0.56 385	0.72 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
ADCL	0.50 344	0.30 299	1.15 354	0.28 290	0.19 260	0.77 372	0.64 381	0.57 288	0.73 362	0.57 352	0.73 353	0.55 321	0.60 356	0.66 292	1.53 394	0.11 235	0.10 197	0.13 287	0.13 300	0.15 289	0.16 231

ACVNet_1	0.77 383	0.92 394	1.79 394	0.73 392	0.53 385	0.78 373	0.42 350	0.88 388	0.90 376	0.75 368	0.76 357	1.32 390	0.80 375	1.04 374	0.70 344	0.57 391	0.32 381	0.72 396	0.35 381	0.70 395	0.50 386

RainbowNet	0.76 381	1.00 399	1.29 370	0.82 396	0.63 389	0.79 374	0.52 371	0.83 383	0.93 379	0.61 356	0.79 361	0.79 371	0.62 364	0.82 339	0.67 342	0.80 402	0.55 400	0.79 400	0.49 390	0.81 398	0.62 392

MFMNet_re	0.74 378	0.84 390	1.16 356	0.64 386	0.70 394	0.79 374	0.71 386	0.77 376	0.85 372	0.79 374	0.86 367	0.69 364	0.80 375	0.73 309	0.65 338	0.66 396	0.59 404	0.61 393	0.58 400	0.68 392	0.71 401

LE_ROB	1.82 410	0.39 343	3.15 412	0.50 380	0.55 386	0.79 374	1.00 400	0.89 389	6.48 420	7.40 422	2.07 408	2.07 402	5.08 418	1.33 393	3.96 417	0.11 235	0.09 172	0.12 264	0.11 239	0.11 225	0.13 187

ACVNet-4b	0.76 381	0.90 393	1.67 390	0.73 392	0.51 384	0.80 377	0.31 308	0.74 372	0.81 368	0.51 333	0.72 350	0.94 378	0.43 315	1.01 371	1.32 386	1.18 414	0.22 333	0.77 398	0.45 388	0.70 395	0.50 386

FC-DCNN	0.73 377	0.33 313	0.84 302	0.33 336	0.28 345	0.82 378	0.40 346	0.82 381	0.83 370	1.43 401	1.60 400	1.97 401	1.38 400	1.10 378	0.93 359	0.24 361	0.22 333	0.27 365	0.26 372	0.26 360	0.32 347

MFN_U_SF_DS_RVC	0.53 350	0.60 380	0.98 334	0.40 365	0.25 336	0.87 379	0.57 377	0.60 317	0.64 342	0.60 354	0.67 342	0.63 346	0.42 312	1.13 379	0.50 307	0.23 359	0.28 364	0.27 365	0.35 381	0.25 356	0.33 349

MSMD_ROB	0.63 370	0.34 320	0.70 259	0.30 309	0.25 336	0.88 380	0.35 324	0.58 300	0.67 347	1.13 391	1.52 396	1.75 399	1.05 391	0.90 355	0.60 330	0.24 361	0.22 333	0.27 365	0.27 374	0.25 356	0.27 329

G-Net	0.47 339	0.26 277	1.02 338	0.34 340	0.28 345	0.89 381	0.35 324	0.47 201	0.46 249	0.68 363	1.20 384	0.64 351	0.59 355	0.61 266	0.60 330	0.16 321	0.14 256	0.17 334	0.13 300	0.22 346	0.21 281

IMH-64-1	0.94 388	0.95 396	1.07 344	0.98 401	0.76 396	0.93 382	0.72 387	1.30 397	1.11 391	0.91 378	1.45 393	1.14 383	1.00 388	1.25 387	0.97 362	0.77 398	0.51 394	0.97 403	0.55 398	0.90 400	0.66 397

IMH-64	0.94 388	0.95 396	1.07 344	0.98 401	0.76 396	0.93 382	0.72 387	1.30 397	1.11 391	0.91 378	1.45 393	1.14 383	1.00 388	1.25 387	0.97 362	0.77 398	0.51 394	0.97 403	0.55 398	0.90 400	0.66 397

AnyNet_C01	0.68 375	0.69 383	2.64 405	0.33 336	0.27 344	0.93 382	0.64 381	0.66 351	0.65 343	0.70 365	0.97 375	0.75 370	0.63 366	1.01 371	1.52 393	0.17 333	0.16 286	0.17 334	0.17 343	0.24 355	0.28 335

ELAS_RVC	0.80 384	0.40 346	1.10 349	0.40 365	0.35 365	0.93 382	1.10 407	0.87 387	1.12 393	1.40 399	1.39 390	1.27 388	1.55 407	1.13 379	1.13 373	0.29 372	0.27 360	0.30 370	0.28 375	0.31 371	0.36 355
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
FINET	0.58 361	0.48 361	1.35 374	0.38 358	0.37 370	0.96 386	1.13 408	0.84 385	1.05 386	0.50 330	0.70 348	0.45 280	0.61 360	0.63 277	0.62 334	0.26 365	0.28 364	0.14 305	0.13 300	0.20 336	0.44 377

SGM_RVC	0.57 359	0.22 230	0.60 223	0.26 234	0.16 191	0.97 387	0.46 358	0.76 375	0.90 376	1.03 387	0.92 373	1.16 385	0.93 385	1.21 384	0.72 345	0.17 333	0.16 286	0.16 325	0.16 332	0.16 298	0.24 308
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ACVNet_2	0.94 388	0.98 398	1.71 392	0.83 397	0.63 389	1.02 388	0.64 381	1.16 395	1.43 400	1.02 385	1.39 390	1.47 393	0.86 381	1.16 381	0.79 351	0.63 395	0.43 393	0.78 399	0.49 390	0.80 397	0.57 389

LRCNet_RVC	10.94 424	14.45 432	9.66 420	15.38 428	8.02 422	1.08 389	0.35 324	8.72 424	0.72 359	12.63 430	15.84 430	9.73 423	6.52 419	8.58 424	6.38 422	20.33 438	5.39 423	23.79 436	21.95 435	15.35 430	13.96 432

IMH	1.09 394	1.04 402	1.29 370	1.03 403	0.79 399	1.11 390	0.69 384	1.40 400	1.42 399	1.02 385	1.71 401	1.42 391	1.19 395	1.78 405	1.03 367	1.14 412	0.56 403	1.00 405	0.58 400	0.93 403	0.68 399

RTS	0.81 386	0.56 371	4.76 414	0.37 350	0.30 356	1.11 390	0.52 371	0.67 353	1.07 388	0.76 370	0.91 371	0.60 337	0.61 360	1.64 399	1.24 378	0.15 313	0.13 247	0.15 319	0.15 323	0.22 346	0.24 308

RTSA	0.81 386	0.56 371	4.76 414	0.37 350	0.30 356	1.11 390	0.52 371	0.67 353	1.07 388	0.76 370	0.91 371	0.60 337	0.61 360	1.64 399	1.24 378	0.15 313	0.13 247	0.15 319	0.15 323	0.22 346	0.24 308

SAMSARA	0.62 367	0.47 359	0.93 327	0.70 391	0.50 381	1.15 393	1.29 411	0.79 377	0.70 355	0.77 372	0.55 306	0.92 377	0.58 353	0.87 349	0.77 349	0.19 352	0.27 360	0.18 341	0.19 349	0.27 364	0.28 335

notaker	1.49 401	1.44 413	1.77 393	1.42 413	1.08 410	1.19 394	0.87 398	1.51 404	1.40 398	1.53 409	3.41 415	2.40 407	1.94 409	1.83 407	1.57 396	1.14 412	0.69 414	1.38 415	0.88 411	1.39 415	1.03 412

Dean	1.22 399	1.17 405	1.97 397	1.04 404	0.79 399	1.21 395	0.76 389	1.51 404	1.96 405	1.30 397	1.98 407	2.14 403	1.18 394	1.30 390	1.15 374	0.83 403	0.61 405	1.01 406	0.69 405	0.97 407	0.77 406

WAO-7	1.05 391	1.00 399	1.19 364	0.83 397	0.67 393	1.22 396	0.84 396	1.43 401	1.56 401	1.13 391	1.75 403	1.46 392	1.25 396	1.56 398	1.28 380	0.61 394	0.62 408	0.70 395	0.68 404	0.66 391	0.62 392

MADNet+	1.05 391	1.26 409	4.77 416	0.73 392	0.50 381	1.25 397	0.97 399	1.05 392	0.93 379	0.67 362	0.78 358	0.87 375	0.85 379	2.14 409	1.83 401	0.40 386	0.42 391	0.32 374	0.28 375	0.45 381	0.43 375

SDNR	0.47 339	0.29 293	0.92 323	0.24 170	0.37 370	1.27 398	0.17 58	0.54 258	0.58 323	0.44 303	0.85 366	0.55 321	0.28 218	1.19 383	0.52 311	0.23 359	0.24 350	0.17 334	0.13 300	0.19 329	0.26 326

PWCK	1.05 391	1.29 410	2.12 399	0.92 399	0.42 377	1.27 398	1.01 401	1.14 394	1.14 394	1.16 394	1.14 382	1.25 387	0.90 383	1.77 404	1.15 374	0.89 405	0.51 394	0.87 401	0.54 395	1.02 408	0.57 389

WAO-6	1.11 395	1.01 401	1.17 362	0.96 400	0.79 399	1.30 400	0.78 391	1.36 399	1.99 406	1.04 388	1.54 398	1.59 395	1.27 397	1.37 394	1.30 381	0.78 400	0.55 400	1.03 407	0.75 408	0.87 399	0.72 402

LVE	1.18 397	1.16 404	1.67 390	1.04 404	0.81 403	1.32 401	0.82 395	1.49 403	1.94 404	1.08 389	1.90 405	1.89 400	1.07 392	1.51 397	1.04 368	0.96 408	0.61 405	0.94 402	0.69 405	0.92 402	0.79 407

MDST_ROB	0.51 346	0.16 148	0.97 332	0.31 320	0.21 291	1.35 402	0.34 322	0.80 378	0.59 331	1.09 390	0.74 354	0.49 302	0.37 288	1.31 391	0.60 330	0.14 301	0.12 233	0.16 325	0.13 300	0.13 262	0.18 245

KSHMR	1.92 411	1.47 415	1.97 397	1.48 415	1.22 413	1.39 403	1.06 403	1.81 409	5.83 419	1.43 401	5.56 419	2.95 413	1.17 393	2.24 411	1.33 387	1.29 415	1.13 416	1.47 417	1.11 416	1.37 414	1.21 415

MSC_U_SF_DS_RVC	0.70 376	0.73 386	1.26 368	0.47 377	0.28 345	1.42 404	0.60 378	0.82 381	0.94 382	0.85 376	0.86 367	0.88 376	0.70 370	1.32 392	0.75 347	0.37 381	0.30 376	0.34 377	0.36 383	0.44 380	0.42 373

ktn	1.80 409	1.46 414	1.49 382	1.44 414	1.14 411	1.50 405	1.07 404	1.53 406	3.90 416	2.77 415	4.62 416	3.42 414	1.49 403	1.74 402	1.40 391	1.45 416	0.77 415	1.46 416	0.99 414	1.41 416	1.00 411

ELAS	0.80 384	0.40 346	0.91 322	0.39 360	0.35 365	1.52 406	0.81 394	0.97 391	0.98 384	1.47 407	1.58 399	1.19 386	1.33 399	1.01 371	1.21 376	0.29 372	0.27 360	0.30 370	0.29 377	0.32 374	0.36 355
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
HanzoNet	3.08 415	1.87 418	2.70 406	1.81 416	1.34 414	1.60 407	1.05 402	2.06 413	2.62 409	5.63 419	5.12 417	5.96 420	7.09 420	4.39 420	3.43 415	3.29 420	2.06 421	1.98 419	2.94 422	2.47 419	2.15 420

SGM+DAISY	1.12 396	0.86 391	1.64 389	0.68 389	0.80 402	1.68 408	1.68 416	1.08 393	1.10 390	1.53 409	1.76 404	1.47 393	1.53 406	1.24 385	1.42 392	0.66 396	0.65 410	0.52 388	0.54 395	0.57 386	0.91 409

UNDER WATER	1.64 407	1.34 412	2.72 407	1.40 412	1.04 409	1.70 409	1.14 409	1.57 407	3.58 411	1.46 403	1.46 395	2.82 412	2.43 412	1.74 402	2.04 406	1.08 410	0.63 409	1.31 414	0.94 412	1.29 410	1.10 414

WAO-8	1.50 402	1.22 407	1.39 377	1.10 406	0.85 404	2.15 410	0.78 391	1.84 410	3.76 413	1.46 403	2.18 409	2.15 404	1.50 404	3.20 416	1.35 388	0.92 406	0.66 411	1.10 408	0.79 409	0.94 404	0.74 404

Venus	1.50 402	1.22 407	1.39 377	1.10 406	0.85 404	2.15 410	0.78 391	1.84 410	3.76 413	1.46 403	2.18 409	2.15 404	1.50 404	3.20 416	1.35 388	0.92 406	0.66 411	1.10 408	0.79 409	0.94 404	0.74 404

UNDER WATER-64	1.61 405	1.30 411	2.93 409	1.33 411	0.96 408	2.20 412	1.25 410	1.47 402	3.15 410	1.46 403	1.31 388	2.61 410	2.22 411	1.69 401	1.93 403	1.13 411	0.67 413	1.29 413	0.94 412	1.26 409	1.09 413

TorneroNet-64	1.47 400	1.15 403	1.51 384	1.11 408	0.86 406	2.27 413	0.76 389	1.84 410	3.76 413	1.29 395	2.22 411	2.68 411	1.46 402	1.81 406	1.55 395	0.79 401	0.51 394	1.10 408	0.67 403	1.31 411	0.81 408

MANE	1.63 406	0.58 377	1.16 356	0.59 384	0.60 388	2.71 414	1.53 413	2.63 417	3.62 412	2.33 412	3.26 414	3.66 415	2.98 416	2.26 412	2.26 408	0.37 381	0.40 388	0.31 373	0.49 390	0.31 371	0.63 394

SGM-ForestM	1.59 404	0.56 371	1.52 385	0.41 369	0.34 362	2.77 415	1.67 415	1.69 408	1.73 403	2.48 413	2.27 412	6.02 421	2.90 415	3.08 414	2.83 413	0.25 364	0.30 376	0.19 347	0.20 353	0.18 325	0.45 380

MADNet++	2.34 413	1.81 416	2.24 402	2.15 419	1.97 418	2.79 416	2.19 418	2.42 416	2.26 407	2.79 416	2.70 413	2.43 408	2.60 414	3.18 415	3.32 414	2.19 418	1.97 419	1.93 418	1.62 418	2.02 418	2.10 419

JetBlue	1.20 398	0.89 392	2.53 404	0.59 384	0.76 396	3.16 417	2.09 417	1.16 395	0.93 379	0.95 381	1.12 381	1.65 396	1.27 397	2.15 410	1.87 402	0.43 387	0.37 387	0.38 379	0.39 387	0.62 387	0.63 394

TorneroNet	2.26 412	1.20 406	1.55 387	1.15 410	0.91 407	5.84 418	0.84 396	2.12 414	8.45 422	2.59 414	5.32 418	3.84 416	2.15 410	1.84 408	1.98 405	0.88 404	0.54 399	1.16 412	0.74 407	1.31 411	0.91 409

JetRed	2.35 414	2.70 419	6.11 417	1.14 409	1.38 415	6.03 419	3.61 419	2.12 414	1.72 402	1.99 411	1.97 406	2.15 404	1.59 408	2.49 413	4.19 418	1.05 409	1.60 418	1.10 408	1.02 415	1.72 417	1.41 417

DPSimNet_ROB	6.21 419	5.16 421	9.50 419	5.59 423	5.56 420	7.64 420	10.02 422	4.07 419	7.33 421	6.84 420	6.26 420	7.17 422	10.55 422	4.07 419	5.68 419	5.50 423	4.29 422	5.24 424	3.66 423	4.05 421	5.96 423

DPSMNet_ROB	8.44 422	5.25 423	10.87 428	5.59 423	10.27 424	8.34 421	23.51 430	6.12 423	13.47 429	4.96 418	10.94 427	5.65 419	10.55 422	6.25 422	12.77 426	4.01 422	7.62 425	3.75 423	7.27 427	4.16 423	7.54 425

DGTPSM_ROB	8.38 421	5.24 422	10.71 427	5.32 422	10.19 423	8.34 421	23.49 429	6.11 422	13.43 428	4.93 417	10.93 426	5.64 418	10.55 422	6.17 421	12.73 425	3.74 421	7.56 424	3.68 422	7.24 426	4.09 422	7.49 424

HaxPig	17.72 433	20.23 439	19.76 430	16.55 429	16.52 428	9.46 423	9.42 421	14.48 432	13.31 427	18.59 431	18.67 431	17.39 431	16.68 432	17.07 432	16.43 432	21.99 439	20.86 439	22.28 435	21.55 434	21.30 437	21.88 439

tt	4.71 417	0.11 29	3.94 413	2.06 418	1.54 416	10.14 424	16.85 425	9.28 425	4.99 417	1.41 400	1.05 378	4.68 417	4.89 417	3.36 418	5.86 421	5.73 424	9.15 429	2.23 420	2.51 421	3.02 420	1.34 416

BEATNet-Init1	4.91 418	3.27 420	14.39 429	0.69 390	0.65 392	10.19 425	3.83 420	5.04 420	5.11 418	8.73 423	8.52 421	13.95 430	7.66 421	7.79 423	5.79 420	0.32 377	0.34 385	0.34 377	0.38 386	0.64 388	0.64 396

MEDIAN_ROB	21.20 434	24.56 440	23.42 438	19.57 430	19.62 433	13.29 426	11.21 423	18.04 433	17.02 433	22.07 439	21.92 433	20.84 433	20.24 433	21.02 433	19.68 434	25.59 440	24.08 440	26.20 437	25.19 436	25.31 438	25.19 440

xxxxx1	15.30 428	9.78 425	10.23 424	20.34 431	19.47 430	17.10 427	23.00 426	10.36 426	11.04 424	9.25 424	9.66 422	10.74 425	10.66 425	10.60 426	13.72 429	8.14 428	9.35 430	31.88 439	44.61 439	12.63 427	13.46 429

tt_ll	15.30 428	9.78 425	10.23 424	20.34 431	19.47 430	17.10 427	23.00 426	10.36 426	11.04 424	9.25 424	9.66 422	10.74 425	10.66 425	10.60 426	13.72 429	8.14 428	9.35 430	31.88 439	44.61 439	12.63 427	13.46 429

ff	15.30 428	9.78 425	10.23 424	20.34 431	19.47 430	17.10 427	23.00 426	10.36 426	11.04 424	9.25 424	9.66 422	10.74 425	10.66 425	10.60 426	13.72 429	8.14 428	9.35 430	31.88 439	44.61 439	12.63 427	13.46 429

AVERAGE_ROB	25.43 441	29.01 441	27.22 439	24.60 440	24.16 440	17.78 430	12.87 424	22.39 434	21.40 434	26.72 441	26.08 440	25.18 440	24.52 441	25.07 440	23.57 435	29.94 441	28.36 441	30.60 438	29.57 437	29.83 439	29.66 441

Anonymous_1	16.44 432	9.26 424	9.67 421	10.63 425	14.54 427	18.62 431	26.98 431	12.68 429	13.53 430	10.78 429	10.37 425	10.15 424	10.66 425	10.99 429	12.64 424	15.61 437	7.73 426	16.87 434	43.01 438	56.14 441	7.86 428

DPSM_ROB	11.46 425	9.79 428	10.18 422	11.11 426	11.31 425	19.08 432	27.38 432	13.42 430	14.23 431	10.34 427	11.13 428	10.97 428	11.33 429	11.89 430	13.49 427	6.74 426	8.19 427	6.00 425	7.05 424	7.74 424	7.76 426

DPSM	11.46 425	9.79 428	10.18 422	11.11 426	11.31 425	19.08 432	27.38 432	13.42 430	14.23 431	10.34 427	11.13 428	10.97 428	11.33 429	11.89 430	13.49 427	6.74 426	8.19 427	6.00 425	7.05 424	7.74 424	7.76 426

SPstereo	14.29 427	1.85 417	2.95 410	1.89 417	1.68 417	23.50 434	43.36 434	35.81 441	29.54 441	20.90 435	20.49 432	26.26 441	21.86 434	25.13 441	19.49 433	1.60 417	1.44 417	2.99 421	2.21 420	1.34 413	1.43 418

PML	15.86 431	13.12 431	7.07 418	5.22 421	7.66 421	32.93 435	64.30 441	5.37 421	10.12 423	25.87 440	67.29 441	20.25 432	13.20 431	10.09 425	6.81 423	5.94 425	2.00 420	6.03 427	2.18 419	9.13 426	2.62 422

CasAABBNet	23.04 435	19.69 433	20.32 431	22.42 434	22.73 434	38.35 436	55.23 437	26.99 438	28.74 436	20.67 433	22.28 435	22.11 437	22.86 438	23.84 437	27.17 437	13.52 431	16.47 434	12.08 428	14.21 429	15.57 431	15.60 433

MyStereo03	23.12 437	19.74 434	20.70 434	22.51 436	22.82 436	38.36 437	55.25 438	26.92 435	28.81 437	20.90 435	22.38 436	22.06 434	22.80 435	23.83 434	27.20 439	13.55 433	16.70 436	12.09 429	14.22 431	15.58 432	16.03 435

MyStereo02	23.12 437	19.74 434	20.70 434	22.51 436	22.82 436	38.36 437	55.25 438	26.92 435	28.81 437	20.90 435	22.38 436	22.06 434	22.80 435	23.83 434	27.20 439	13.55 433	16.70 436	12.09 429	14.22 431	15.58 432	16.03 435

MyStereo	23.12 437	19.74 434	20.70 434	22.51 436	22.82 436	38.36 437	55.25 438	26.92 435	28.81 437	20.90 435	22.38 436	22.06 434	22.80 435	23.83 434	27.20 439	13.55 433	16.70 436	12.09 429	14.22 431	15.58 432	16.03 435

LSM0	24.21 440	19.88 438	22.33 437	24.42 439	40.13 441	38.41 440	54.99 435	27.05 439	28.61 435	20.59 432	22.00 434	22.29 439	22.86 438	24.12 439	27.16 436	13.59 436	16.33 433	12.13 433	14.08 428	15.72 436	17.53 438

Selective-RAFT-Error	23.11 436	19.77 437	20.60 433	22.49 435	22.80 435	38.46 441	55.19 436	27.13 440	28.90 440	20.73 434	22.38 436	22.11 437	22.91 440	23.94 438	27.18 438	13.54 432	16.57 435	12.09 429	14.21 429	15.61 435	15.65 434

test_example2	100.95 442	107.33 442	67.16 441	98.17 441	106.88 442	89.44 442	101.34 442	37.23 442	97.88 442	129.56 442	131.26 442	65.41 442	67.34 442	91.22 442	79.29 442	143.32 442	199.32 442	81.12 442	102.17 442	121.89 442	101.70 442

Low-res two-view benchmark