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

LargeStereo	0.08 2	0.06 20	0.08 12	0.18 184	0.07 20	0.09 36	0.13 44	0.10 1	0.09 3	0.08 7	0.08 18	0.06 3	0.06 7	0.13 137	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

MoCha-V2	0.08 2	0.06 20	0.08 12	0.35 379	0.06 3	0.06 2	0.15 117	0.11 2	0.08 2	0.07 2	0.07 14	0.07 18	0.05 2	0.09 10	0.08 11	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 39	0.07 20	0.08 24	0.15 117	0.11 2	0.10 9	0.08 7	0.09 25	0.06 3	0.09 71	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

CES	0.08 2	0.04 1	0.08 12	0.14 14	0.07 20	0.09 36	0.14 71	0.11 2	0.09 3	0.08 7	0.09 25	0.11 79	0.06 7	0.12 105	0.08 11	0.06 58	0.04 2	0.05 2	0.03 1	0.05 41	0.05 53

EGLCR-Stereo	0.08 2	0.05 6	0.08 12	0.14 14	0.06 3	0.10 59	0.12 22	0.11 2	0.16 91	0.06 1	0.05 1	0.07 18	0.05 2	0.10 19	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

MGS-Stereo	0.09 14	0.07 72	0.12 94	0.15 39	0.08 50	0.09 36	0.15 117	0.12 6	0.12 28	0.07 2	0.10 40	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

MIF-Stereo	0.09 14	0.07 72	0.08 12	0.18 184	0.08 50	0.13 135	0.11 11	0.12 6	0.11 20	0.10 44	0.12 65	0.05 1	0.07 34	0.09 10	0.09 20	0.07 145	0.05 110	0.05 2	0.05 34	0.05 41	0.05 53

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 50	0.10 59	0.13 44	0.12 6	0.09 3	0.09 19	0.10 40	0.08 27	0.06 7	0.09 10	0.08 11	0.08 195	0.04 2	0.05 2	0.03 1	0.05 41	0.04 8

MC-Stereo	0.08 2	0.06 20	0.09 31	0.17 117	0.06 3	0.10 59	0.14 71	0.12 6	0.10 9	0.09 19	0.12 65	0.09 40	0.06 7	0.11 48	0.10 52	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

test-3	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

test_1	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

panet	0.08 2	0.05 6	0.07 2	0.12 3	0.05 1	0.12 108	0.11 11	0.13 12	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.05 110	0.05 2	0.03 1	0.06 103	0.05 53

Selective-IGEV	0.07 1	0.06 20	0.08 12	0.17 117	0.06 3	0.08 24	0.12 22	0.13 12	0.07 1	0.08 7	0.07 14	0.06 3	0.04 1	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

GMOStereo	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

error version	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

test-v	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

test-2	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

cross-raft	0.10 54	0.09 195	0.09 31	0.19 231	0.07 20	0.11 85	0.25 340	0.13 12	0.15 73	0.08 7	0.11 57	0.12 94	0.10 92	0.09 10	0.11 90	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

H2IRNET	0.10 54	0.09 195	0.09 31	0.18 184	0.09 135	0.12 108	0.15 117	0.14 19	0.21 166	0.10 44	0.10 40	0.10 62	0.10 92	0.10 19	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.05 53

AE-Stereo	0.10 54	0.08 144	0.10 48	0.18 184	0.09 135	0.10 59	0.15 117	0.14 19	0.19 132	0.09 19	0.14 85	0.12 94	0.08 52	0.11 48	0.10 52	0.05 2	0.06 195	0.07 102	0.06 90	0.05 41	0.04 8

test croco	0.10 54	0.08 144	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.14 19	0.13 45	0.13 109	0.15 99	0.09 40	0.12 143	0.13 137	0.12 132	0.07 145	0.05 110	0.09 232	0.06 90	0.06 103	0.06 103

MSKI-zero shot	0.09 14	0.05 6	0.09 31	0.15 39	0.07 20	0.10 59	0.13 44	0.14 19	0.13 45	0.09 19	0.09 25	0.09 40	0.06 7	0.12 105	0.10 52	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

AEACV	0.08 2	0.05 6	0.08 12	0.14 14	0.13 306	0.14 159	0.13 44	0.14 19	0.09 3	0.07 2	0.09 25	0.07 18	0.08 52	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

HH	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

HanStereo	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

test_3	0.10 54	0.09 195	0.10 48	0.20 272	0.08 50	0.13 135	0.26 346	0.14 19	0.21 166	0.10 44	0.10 40	0.09 40	0.09 71	0.08 6	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.04 1	0.04 8

test-1	0.10 54	0.07 72	0.16 226	0.19 231	0.08 50	0.11 85	0.24 327	0.14 19	0.18 120	0.09 19	0.07 14	0.09 40	0.08 52	0.07 1	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 7	0.07 20	0.09 36	0.12 22	0.14 19	0.14 62	0.10 44	0.14 85	0.08 27	0.07 34	0.09 10	0.11 90	0.06 58	0.04 2	0.05 2	0.05 34	0.04 1	0.04 8
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
XX-TBD	0.09 14	0.06 20	0.07 2	0.14 14	0.07 20	0.12 108	0.16 175	0.14 19	0.13 45	0.11 64	0.12 65	0.09 40	0.08 52	0.10 19	0.10 52	0.06 58	0.04 2	0.05 2	0.03 1	0.06 103	0.05 53

CREStereo	0.09 14	0.04 1	0.08 12	0.11 1	0.06 3	0.13 135	0.14 71	0.14 19	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.04 2	0.05 2	0.03 1	0.06 103	0.06 103
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
MyStereo07	0.10 54	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.15 31	0.15 73	0.09 19	0.06 2	0.06 3	0.07 34	0.12 105	0.09 20	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

DualNet	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

ffm	0.12 140	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.07 1	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

ff1	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

tt1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.12 108	0.16 175	0.15 31	0.19 132	0.09 19	0.08 18	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

LoS	0.09 14	0.05 6	0.11 74	0.13 7	0.07 20	0.14 159	0.11 11	0.15 31	0.15 73	0.09 19	0.09 25	0.12 94	0.09 71	0.15 171	0.10 52	0.07 145	0.05 110	0.05 2	0.03 1	0.05 41	0.05 53

ProNet	0.09 14	0.07 72	0.10 48	0.17 117	0.08 50	0.10 59	0.15 117	0.15 31	0.12 28	0.09 19	0.06 2	0.07 18	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.06 103

ADStereo(finetuned)	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.12 143	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

test_4	0.10 54	0.10 243	0.08 12	0.19 231	0.09 135	0.08 24	0.22 308	0.15 31	0.17 103	0.12 88	0.18 147	0.12 94	0.09 71	0.08 6	0.11 90	0.04 1	0.04 2	0.08 166	0.08 215	0.04 1	0.03 1

GLC_STEREO	0.11 85	0.07 72	0.11 74	0.17 117	0.07 20	0.09 36	0.13 44	0.15 31	0.24 197	0.12 88	0.13 75	0.12 94	0.08 52	0.18 236	0.11 90	0.06 58	0.08 274	0.08 166	0.06 90	0.05 41	0.05 53

RAFT-345	0.11 85	0.07 72	0.15 196	0.16 70	0.08 50	0.08 24	0.12 22	0.15 31	0.10 9	0.11 64	0.36 312	0.09 40	0.09 71	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.06 90	0.04 1	0.05 53

CroCo-Stereo	0.09 14	0.08 144	0.08 12	0.22 309	0.09 135	0.09 36	0.19 267	0.15 31	0.12 28	0.07 2	0.07 14	0.08 27	0.06 7	0.08 6	0.07 1	0.07 145	0.05 110	0.06 34	0.04 9	0.05 41	0.04 8
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
s12784h	0.09 14	0.06 20	0.07 2	0.15 39	0.05 1	0.16 205	0.18 236	0.15 31	0.15 73	0.10 44	0.11 57	0.11 79	0.11 114	0.10 19	0.12 132	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

TANstereo	0.09 14	0.04 1	0.08 12	0.13 7	0.06 3	0.11 85	0.14 71	0.15 31	0.19 132	0.11 64	0.15 99	0.10 62	0.06 7	0.12 105	0.09 20	0.07 145	0.05 110	0.05 2	0.04 9	0.06 103	0.05 53

DCANet	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

PMTNet	0.09 14	0.05 6	0.09 31	0.12 3	0.06 3	0.12 108	0.14 71	0.15 31	0.11 20	0.09 19	0.13 75	0.10 62	0.07 34	0.13 137	0.10 52	0.15 351	0.04 2	0.05 2	0.03 1	0.07 160	0.06 103

xx1	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.16 167	0.16 231	0.10 19	0.07 1	0.06 58	0.04 2	0.08 166	0.08 215	0.07 160	0.07 163

cc1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

ff7	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEVStereo-DCA	0.09 14	0.06 20	0.11 74	0.15 39	0.10 221	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ffff	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

rrr	0.09 14	0.06 20	0.12 94	0.15 39	0.10 221	0.11 85	0.16 175	0.16 47	0.15 73	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

11t	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

StereoIM	0.09 14	0.09 195	0.08 12	0.17 117	0.09 135	0.13 135	0.10 6	0.16 47	0.16 91	0.09 19	0.11 57	0.06 3	0.06 7	0.09 10	0.13 162	0.07 145	0.06 195	0.07 102	0.05 34	0.05 41	0.04 8

RAFT-Test	0.09 14	0.06 20	0.10 48	0.15 39	0.07 20	0.11 85	0.15 117	0.16 47	0.13 45	0.09 19	0.10 40	0.10 62	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

anonymousdsp	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

CroCo-Stereo Lap2	0.09 14	0.09 195	0.08 12	0.22 309	0.09 135	0.09 36	0.19 267	0.16 47	0.12 28	0.09 19	0.10 40	0.05 1	0.05 2	0.08 6	0.08 11	0.06 58	0.06 195	0.07 102	0.05 34	0.05 41	0.05 53

ccc-4	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

fff	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

IGEV-Stereo	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
Patchmatch Stereo++	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163
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
NRIStereo	0.11 85	0.08 144	0.14 159	0.18 184	0.08 50	0.10 59	0.14 71	0.16 47	0.15 73	0.12 88	0.14 85	0.13 117	0.12 143	0.13 137	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.07 163

PSM-adaLoss	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

ROB_FTStereo_v2	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

ROB_FTStereo	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

HUI-Stereo	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

DEmStereo	0.12 140	0.06 20	0.14 159	0.14 14	0.10 221	0.16 205	0.15 117	0.16 47	0.24 197	0.17 190	0.24 202	0.13 117	0.14 198	0.12 105	0.13 162	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

iGMRVC	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

iRAFT	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

RAFT-IKP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

csc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

cscssc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

test_xeample3	0.09 14	0.06 20	0.12 94	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.13 45	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

EAI-Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.06 3	0.10 59	0.15 117	0.16 47	0.09 3	0.08 7	0.09 25	0.08 27	0.07 34	0.09 10	0.11 90	0.05 2	0.04 2	0.05 2	0.05 34	0.05 41	0.04 8

CFNet-RSSM	0.09 14	0.07 72	0.09 31	0.16 70	0.07 20	0.09 36	0.15 117	0.16 47	0.17 103	0.08 7	0.12 65	0.10 62	0.09 71	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

DIP-Stereo	0.11 85	0.07 72	0.14 159	0.17 117	0.09 135	0.13 135	0.09 3	0.16 47	0.16 91	0.11 64	0.16 107	0.14 132	0.12 143	0.15 171	0.13 162	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
IGEV_Zeroshot_test	0.09 14	0.05 6	0.12 94	0.13 7	0.08 50	0.12 108	0.13 44	0.17 77	0.11 20	0.10 44	0.06 2	0.09 40	0.06 7	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

MIF-Stereo (partial)	0.11 85	0.06 20	0.10 48	0.19 231	0.10 221	0.10 59	0.11 11	0.17 77	0.18 120	0.14 129	0.16 107	0.09 40	0.11 114	0.12 105	0.12 132	0.08 195	0.05 110	0.08 166	0.07 165	0.06 103	0.07 163

LL-Strereo2	0.10 54	0.10 243	0.15 196	0.18 184	0.08 50	0.15 181	0.09 3	0.17 77	0.14 62	0.14 129	0.10 40	0.09 40	0.07 34	0.16 203	0.10 52	0.05 2	0.05 110	0.10 273	0.07 165	0.06 103	0.05 53

4D-IteraStereo	0.09 14	0.07 72	0.10 48	0.18 184	0.07 20	0.09 36	0.15 117	0.17 77	0.15 73	0.10 44	0.11 57	0.10 62	0.07 34	0.11 48	0.09 20	0.05 2	0.03 1	0.08 166	0.07 165	0.06 103	0.05 53

DisPM	0.11 85	0.07 72	0.12 94	0.16 70	0.09 135	0.06 2	0.13 44	0.17 77	0.17 103	0.14 129	0.20 164	0.12 94	0.10 92	0.11 48	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.11 298

CIPLG	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.11 57	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

IPLGR_C	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ACRE	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.14 62	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

CrosDoStereo	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

PFNet+	0.11 85	0.06 20	0.13 133	0.16 70	0.09 135	0.05 1	0.12 22	0.17 77	0.21 166	0.16 178	0.19 153	0.14 132	0.10 92	0.11 48	0.11 90	0.08 195	0.05 110	0.09 232	0.08 215	0.06 103	0.11 298

ASMatch	0.11 85	0.06 20	0.13 133	0.16 70	0.10 221	0.07 17	0.14 71	0.17 77	0.17 103	0.12 88	0.16 107	0.16 167	0.10 92	0.13 137	0.10 52	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.08 223

DeepStereo_LL	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

SST-Stereo	0.10 54	0.07 72	0.15 196	0.18 184	0.09 135	0.06 2	0.12 22	0.17 77	0.11 20	0.15 153	0.17 125	0.13 117	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

THIR-Stereo	0.12 140	0.07 72	0.11 74	0.15 39	0.08 50	0.14 159	0.16 175	0.17 77	0.25 216	0.16 178	0.24 202	0.14 132	0.12 143	0.12 105	0.14 190	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

RAFT_R40	0.11 85	0.07 72	0.14 159	0.18 184	0.09 135	0.06 2	0.13 44	0.17 77	0.16 91	0.14 129	0.18 147	0.15 156	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

Pruner-Stereo	0.11 85	0.07 72	0.12 94	0.17 117	0.09 135	0.06 2	0.12 22	0.17 77	0.17 103	0.13 109	0.19 153	0.13 117	0.09 71	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.08 223

DeepStereo_RVC	0.11 85	0.08 144	0.16 226	0.18 184	0.08 50	0.08 24	0.12 22	0.17 77	0.12 28	0.13 109	0.14 85	0.12 94	0.12 143	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.07 160	0.08 223

RAFT-RH_RVC	0.11 85	0.06 20	0.14 159	0.16 70	0.09 135	0.12 108	0.12 22	0.17 77	0.12 28	0.13 109	0.41 346	0.11 79	0.10 92	0.13 137	0.12 132	0.05 2	0.04 2	0.08 166	0.05 34	0.04 1	0.06 103

rafts_anoy	0.11 85	0.06 20	0.10 48	0.17 117	0.08 50	0.10 59	0.14 71	0.17 77	0.14 62	0.13 109	0.13 75	0.12 94	0.10 92	0.11 48	0.12 132	0.07 145	0.04 2	0.09 232	0.11 311	0.07 160	0.06 103

RALCasStereoNet	0.10 54	0.06 20	0.09 31	0.16 70	0.08 50	0.12 108	0.14 71	0.17 77	0.11 20	0.12 88	0.17 125	0.14 132	0.10 92	0.12 105	0.11 90	0.07 145	0.06 195	0.06 34	0.05 34	0.08 204	0.07 163

sCroCo_RVC	0.12 140	0.09 195	0.23 305	0.24 333	0.11 259	0.19 259	0.14 71	0.17 77	0.14 62	0.10 44	0.13 75	0.12 94	0.07 34	0.14 153	0.11 90	0.08 195	0.08 274	0.08 166	0.08 215	0.05 41	0.07 163

RAFT-Stereo + iAFF	0.09 14	0.06 20	0.10 48	0.17 117	0.06 3	0.10 59	0.16 175	0.17 77	0.14 62	0.09 19	0.10 40	0.08 27	0.09 71	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.03 1

AFF-stereo	0.09 14	0.06 20	0.10 48	0.17 117	0.07 20	0.10 59	0.16 175	0.17 77	0.09 3	0.10 44	0.12 65	0.09 40	0.09 71	0.12 105	0.09 20	0.05 2	0.04 2	0.07 102	0.07 165	0.04 1	0.03 1

Gwc-CoAtRS	0.09 14	0.06 20	0.10 48	0.16 70	0.07 20	0.10 59	0.14 71	0.17 77	0.17 103	0.08 7	0.10 40	0.12 94	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

Former-RAFT_DAM_RVC	0.10 54	0.08 144	0.12 94	0.16 70	0.08 50	0.15 181	0.16 175	0.18 101	0.18 120	0.10 44	0.09 25	0.09 40	0.08 52	0.11 48	0.12 132	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.06 103

11t1	0.12 140	0.06 20	0.13 133	0.14 14	0.08 50	0.17 224	0.15 117	0.18 101	0.15 73	0.15 153	0.15 99	0.16 167	0.16 231	0.15 171	0.13 162	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

whm_eth	0.14 191	0.09 195	0.20 286	0.20 272	0.12 288	0.12 108	0.15 117	0.18 101	0.28 247	0.17 190	0.32 289	0.09 40	0.12 143	0.18 236	0.14 190	0.07 145	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163

EKT-Stereo	0.11 85	0.07 72	0.14 159	0.15 39	0.10 221	0.13 135	0.14 71	0.18 101	0.21 166	0.11 64	0.08 18	0.12 94	0.09 71	0.11 48	0.12 132	0.08 195	0.06 195	0.07 102	0.06 90	0.08 204	0.07 163

CASnet	0.09 14	0.09 195	0.09 31	0.19 231	0.06 3	0.07 17	0.11 11	0.18 101	0.14 62	0.11 64	0.10 40	0.09 40	0.07 34	0.10 19	0.10 52	0.06 58	0.04 2	0.10 273	0.08 215	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
anonymousdsp2	0.11 85	0.07 72	0.10 48	0.16 70	0.09 135	0.13 135	0.14 71	0.18 101	0.22 178	0.13 109	0.14 85	0.12 94	0.09 71	0.14 153	0.11 90	0.05 2	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

CASS	0.13 162	0.12 277	0.11 74	0.23 328	0.09 135	0.15 181	0.17 196	0.18 101	0.19 132	0.17 190	0.18 147	0.15 156	0.15 211	0.14 153	0.14 190	0.09 241	0.06 195	0.10 273	0.08 215	0.09 252	0.07 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
DCRE	0.11 85	0.07 72	0.13 133	0.16 70	0.11 259	0.11 85	0.17 196	0.18 101	0.17 103	0.11 64	0.18 147	0.10 62	0.10 92	0.15 171	0.11 90	0.06 58	0.05 110	0.06 34	0.06 90	0.05 41	0.04 8

riskmin	0.11 85	0.06 20	0.13 133	0.14 14	0.08 50	0.14 159	0.14 71	0.18 101	0.14 62	0.11 64	0.14 85	0.16 167	0.11 114	0.14 153	0.12 132	0.09 241	0.05 110	0.07 102	0.05 34	0.08 204	0.08 223

RCA-Stereo	0.09 14	0.06 20	0.09 31	0.16 70	0.06 3	0.09 36	0.13 44	0.18 101	0.14 62	0.09 19	0.10 40	0.08 27	0.07 34	0.12 105	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

DCANet-4	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.18 101	0.19 132	0.13 109	0.16 107	0.09 40	0.14 198	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

RAFT_CTSACE	0.12 140	0.09 195	0.10 48	0.22 309	0.08 50	0.12 108	0.24 327	0.18 101	0.16 91	0.20 247	0.27 253	0.13 117	0.07 34	0.13 137	0.09 20	0.05 2	0.06 195	0.08 166	0.07 165	0.04 1	0.04 8

iRaft-Stereo_20w	0.09 14	0.05 6	0.13 133	0.14 14	0.08 50	0.12 108	0.15 117	0.18 101	0.10 9	0.11 64	0.08 18	0.08 27	0.05 2	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

TRStereo	0.09 14	0.05 6	0.12 94	0.15 39	0.12 288	0.10 59	0.13 44	0.18 101	0.18 120	0.09 19	0.09 25	0.09 40	0.06 7	0.10 19	0.08 11	0.07 145	0.05 110	0.07 102	0.07 165	0.04 1	0.04 8

AAGNet	0.11 85	0.07 72	0.16 226	0.19 231	0.09 135	0.08 24	0.13 44	0.18 101	0.13 45	0.16 178	0.21 178	0.13 117	0.14 198	0.11 48	0.14 190	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

GrayStereo	0.11 85	0.06 20	0.11 74	0.19 231	0.09 135	0.09 36	0.16 175	0.18 101	0.17 103	0.14 129	0.17 125	0.17 186	0.11 114	0.12 105	0.11 90	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.10 275

CRE-IMP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.10 59	0.12 22	0.18 101	0.10 9	0.14 129	0.13 75	0.13 117	0.12 143	0.12 105	0.11 90	0.07 145	0.04 2	0.08 166	0.06 90	0.08 204	0.08 223

iRaftStereo_RVC	0.10 54	0.07 72	0.09 31	0.17 117	0.09 135	0.11 85	0.17 196	0.18 101	0.12 28	0.09 19	0.12 65	0.10 62	0.07 34	0.11 48	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.04 1	0.04 8

raftrobust	0.09 14	0.06 20	0.10 48	0.17 117	0.08 50	0.09 36	0.10 6	0.18 101	0.16 91	0.10 44	0.09 25	0.12 94	0.07 34	0.12 105	0.10 52	0.08 195	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

HITNet	0.10 54	0.06 20	0.12 94	0.14 14	0.06 3	0.11 85	0.10 6	0.18 101	0.18 120	0.13 109	0.16 107	0.14 132	0.11 114	0.15 171	0.13 162	0.06 58	0.04 2	0.04 1	0.04 9	0.06 103	0.05 53
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	0.12 140	0.07 72	0.15 196	0.15 39	0.09 135	0.18 239	0.14 71	0.19 121	0.22 178	0.12 88	0.18 147	0.11 79	0.10 92	0.16 203	0.18 253	0.07 145	0.05 110	0.07 102	0.05 34	0.08 204	0.09 256

MyStereo06	0.10 54	0.07 72	0.12 94	0.17 117	0.09 135	0.13 135	0.18 236	0.19 121	0.12 28	0.12 88	0.08 18	0.07 18	0.07 34	0.11 48	0.09 20	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

knoymous	0.11 85	0.05 6	0.12 94	0.13 7	0.07 20	0.15 181	0.14 71	0.19 121	0.13 45	0.11 64	0.17 125	0.13 117	0.09 71	0.13 137	0.11 90	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

anonymousa	0.13 162	0.07 72	0.13 133	0.18 184	0.09 135	0.13 135	0.17 196	0.19 121	0.29 254	0.15 153	0.24 202	0.15 156	0.14 198	0.14 153	0.14 190	0.07 145	0.05 110	0.07 102	0.09 256	0.05 41	0.06 103

TransformOpticalFlow	0.10 54	0.08 144	0.13 133	0.18 184	0.07 20	0.09 36	0.15 117	0.19 121	0.15 73	0.12 88	0.17 125	0.11 79	0.11 114	0.11 48	0.10 52	0.05 2	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

AnonymousM	0.09 14	0.05 6	0.10 48	0.14 14	0.06 3	0.09 36	0.13 44	0.19 121	0.14 62	0.13 109	0.11 57	0.09 40	0.08 52	0.13 137	0.10 52	0.08 195	0.05 110	0.08 166	0.05 34	0.05 41	0.05 53

MLCV	0.12 140	0.07 72	0.16 226	0.18 184	0.06 3	0.15 181	0.17 196	0.19 121	0.21 166	0.18 217	0.25 231	0.17 186	0.13 175	0.14 153	0.13 162	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

MIM_Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.07 20	0.06 2	0.12 22	0.20 128	0.14 62	0.13 109	0.13 75	0.09 40	0.05 2	0.12 105	0.08 11	0.05 2	0.06 195	0.07 102	0.06 90	0.06 103	0.05 53

Selective-RAFT	0.11 85	0.10 243	0.11 74	0.21 296	0.08 50	0.16 205	0.13 44	0.20 128	0.22 178	0.10 44	0.10 40	0.11 79	0.10 92	0.15 171	0.11 90	0.05 2	0.05 110	0.06 34	0.05 34	0.06 103	0.05 53

IPLG	0.10 54	0.07 72	0.15 196	0.17 117	0.08 50	0.11 85	0.14 71	0.20 128	0.15 73	0.12 88	0.17 125	0.07 18	0.07 34	0.14 153	0.13 162	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

MIPNet	0.11 85	0.08 144	0.14 159	0.17 117	0.09 135	0.12 108	0.14 71	0.20 128	0.24 197	0.11 64	0.10 40	0.09 40	0.07 34	0.13 137	0.12 132	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

HHNet	0.11 85	0.06 20	0.16 226	0.15 39	0.14 323	0.07 17	0.13 44	0.20 128	0.17 103	0.14 129	0.25 231	0.11 79	0.08 52	0.13 137	0.10 52	0.05 2	0.04 2	0.08 166	0.06 90	0.05 41	0.09 256

PSM-AAD	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.20 128	0.13 45	0.12 88	0.14 85	0.18 197	0.11 114	0.11 48	0.10 52	0.05 2	0.05 110	0.09 232	0.08 215	0.06 103	0.14 339

RAFT	0.13 162	0.09 195	0.11 74	0.18 184	0.08 50	0.15 181	0.24 327	0.20 128	0.19 132	0.21 255	0.21 178	0.17 186	0.12 143	0.16 203	0.09 20	0.06 58	0.07 252	0.10 273	0.09 256	0.05 41	0.05 53

TestStereo	0.13 162	0.14 310	0.11 74	0.23 328	0.08 50	0.15 181	0.21 298	0.20 128	0.23 187	0.14 129	0.24 202	0.16 167	0.12 143	0.16 203	0.14 190	0.05 2	0.06 195	0.08 166	0.06 90	0.09 252	0.05 53

RALAANet	0.11 85	0.08 144	0.10 48	0.17 117	0.09 135	0.14 159	0.10 6	0.20 128	0.15 73	0.14 129	0.13 75	0.16 167	0.09 71	0.12 105	0.11 90	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

XX-Stereo	0.09 14	0.05 6	0.08 12	0.17 117	0.09 135	0.15 181	0.12 22	0.20 128	0.10 9	0.10 44	0.14 85	0.07 18	0.06 7	0.12 105	0.08 11	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

Anonymous	0.14 191	0.10 243	0.24 308	0.22 309	0.13 306	0.18 239	0.22 308	0.20 128	0.19 132	0.14 129	0.12 65	0.11 79	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.08 166	0.08 215	0.12 308	0.10 275

ARAFT	0.12 140	0.08 144	0.17 251	0.19 231	0.09 135	0.14 159	0.18 236	0.20 128	0.12 28	0.12 88	0.13 75	0.14 132	0.11 114	0.15 171	0.12 132	0.06 58	0.05 110	0.10 273	0.09 256	0.05 41	0.04 8

GMStereo	0.13 162	0.14 310	0.14 159	0.18 184	0.09 135	0.15 181	0.16 175	0.20 128	0.24 197	0.16 178	0.17 125	0.10 62	0.10 92	0.16 203	0.13 162	0.07 145	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
aanetorigin	0.22 311	0.17 334	0.56 377	0.17 117	0.10 221	0.15 181	0.19 267	0.20 128	0.33 280	0.49 377	0.48 361	0.29 296	0.27 327	0.20 266	0.23 306	0.08 195	0.07 252	0.08 166	0.07 165	0.10 279	0.09 256

EDNetEfficient	0.29 358	0.24 366	1.13 407	0.18 184	0.10 221	0.19 259	0.20 282	0.20 128	0.60 378	0.74 396	0.56 376	0.31 314	0.39 368	0.22 293	0.30 356	0.09 241	0.07 252	0.08 166	0.07 165	0.11 294	0.09 256

cf-r	0.13 162	0.07 72	0.12 94	0.16 70	0.08 50	0.14 159	0.19 267	0.20 128	0.25 216	0.17 190	0.25 231	0.21 222	0.16 231	0.14 153	0.14 190	0.10 272	0.05 110	0.06 34	0.08 215	0.06 103	0.06 103

iResNet	0.13 162	0.10 243	0.18 269	0.19 231	0.08 50	0.13 135	0.18 236	0.20 128	0.26 229	0.15 153	0.23 193	0.15 156	0.13 175	0.14 153	0.14 190	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

mmm	0.14 191	0.08 144	0.17 251	0.17 117	0.09 135	0.17 224	0.18 236	0.21 145	0.15 73	0.15 153	0.23 193	0.21 222	0.16 231	0.16 203	0.17 239	0.08 195	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

StereoVision	0.13 162	0.12 277	0.09 31	0.24 333	0.10 221	0.15 181	0.21 298	0.21 145	0.20 153	0.12 88	0.24 202	0.10 62	0.10 92	0.16 203	0.10 52	0.09 241	0.11 324	0.12 315	0.12 329	0.06 103	0.05 53

Any-RAFT	0.10 54	0.05 6	0.09 31	0.14 14	0.07 20	0.13 135	0.14 71	0.21 145	0.15 73	0.11 64	0.12 65	0.12 94	0.09 71	0.12 105	0.09 20	0.07 145	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

test_5	0.14 191	0.12 277	0.08 12	0.20 272	0.10 221	0.14 159	0.29 366	0.21 145	0.24 197	0.18 217	0.28 262	0.11 79	0.15 211	0.12 105	0.13 162	0.06 58	0.05 110	0.07 102	0.08 215	0.08 204	0.07 163

iRaft-Stereo_5w	0.12 140	0.09 195	0.12 94	0.19 231	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.19 230	0.14 85	0.11 79	0.09 71	0.20 266	0.16 228	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.06 103

UDGNet	0.14 191	0.13 298	0.16 226	0.17 117	0.10 221	0.12 108	0.16 175	0.21 145	0.27 236	0.20 247	0.20 164	0.16 167	0.13 175	0.16 203	0.13 162	0.10 272	0.06 195	0.09 232	0.07 165	0.06 103	0.07 163

dd	0.15 225	0.16 323	0.16 226	0.19 231	0.09 135	0.15 181	0.18 236	0.21 145	0.25 216	0.23 280	0.20 164	0.21 222	0.09 71	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.06 90	0.08 204	0.06 103

dad	0.17 262	0.20 352	0.20 286	0.16 70	0.11 259	0.20 271	0.18 236	0.21 145	0.28 247	0.30 332	0.24 202	0.29 296	0.13 175	0.19 247	0.16 228	0.18 367	0.09 297	0.11 300	0.09 256	0.11 294	0.07 163

IPLGR	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.12 108	0.17 196	0.21 145	0.24 197	0.11 64	0.12 65	0.11 79	0.08 52	0.12 105	0.12 132	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

LCNet	0.11 85	0.07 72	0.09 31	0.19 231	0.09 135	0.08 24	0.15 117	0.21 145	0.15 73	0.11 64	0.15 99	0.16 167	0.11 114	0.12 105	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.15 347

STrans-v2	0.10 54	0.07 72	0.12 94	0.18 184	0.07 20	0.10 59	0.14 71	0.21 145	0.11 20	0.11 64	0.15 99	0.12 94	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.04 8

OMP-Stereo	0.11 85	0.06 20	0.14 159	0.18 184	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.13 109	0.14 85	0.11 79	0.12 143	0.11 48	0.13 162	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.04 8

FTStereo	0.12 140	0.06 20	0.14 159	0.18 184	0.09 135	0.07 17	0.15 117	0.21 145	0.18 120	0.12 88	0.24 202	0.12 94	0.12 143	0.13 137	0.13 162	0.05 2	0.05 110	0.07 102	0.06 90	0.06 103	0.10 275

DRaft	0.12 140	0.06 20	0.11 74	0.14 14	0.09 135	0.14 159	0.17 196	0.21 145	0.30 262	0.17 190	0.28 262	0.10 62	0.15 211	0.10 19	0.12 132	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

111	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.10 59	0.14 71	0.21 145	0.23 187	0.11 64	0.12 65	0.14 132	0.11 114	0.13 137	0.10 52	0.06 58	0.04 2	0.06 34	0.04 9	0.05 41	0.05 53

GwcNet-RSSM	0.14 191	0.07 72	0.12 94	0.15 39	0.08 50	0.15 181	0.20 282	0.21 145	0.27 236	0.18 217	0.27 253	0.22 239	0.16 231	0.14 153	0.15 213	0.10 272	0.05 110	0.07 102	0.09 256	0.07 160	0.07 163

CBFPSM	0.14 191	0.06 20	0.26 315	0.17 117	0.09 135	0.13 135	0.15 117	0.22 161	0.23 187	0.20 247	0.27 253	0.24 257	0.16 231	0.16 203	0.18 253	0.06 58	0.06 195	0.06 34	0.07 165	0.07 160	0.07 163

Anonymous_2	0.22 311	0.17 334	0.28 326	0.15 39	0.16 344	0.32 350	0.22 308	0.22 161	0.17 103	0.23 280	0.24 202	0.26 275	0.27 327	0.27 322	0.23 306	0.22 379	0.25 386	0.17 355	0.17 361	0.17 362	0.17 365

x	0.13 162	0.07 72	0.14 159	0.14 14	0.08 50	0.18 239	0.14 71	0.22 161	0.20 153	0.15 153	0.19 153	0.19 206	0.17 250	0.18 236	0.18 253	0.07 145	0.05 110	0.06 34	0.06 90	0.07 160	0.07 163

RAFT+CT+SA	0.13 162	0.11 263	0.09 31	0.19 231	0.09 135	0.15 181	0.28 358	0.22 161	0.22 178	0.15 153	0.26 246	0.10 62	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.07 102	0.08 215	0.07 160	0.06 103

Sa-1000	0.12 140	0.08 144	0.08 12	0.18 184	0.08 50	0.14 159	0.22 308	0.22 161	0.18 120	0.15 153	0.20 164	0.17 186	0.11 114	0.10 19	0.10 52	0.06 58	0.05 110	0.09 232	0.09 256	0.05 41	0.05 53

IIG-Stereo	0.11 85	0.06 20	0.13 133	0.17 117	0.08 50	0.11 85	0.12 22	0.22 161	0.17 103	0.14 129	0.17 125	0.11 79	0.12 143	0.12 105	0.12 132	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

KYRaft	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.08 24	0.15 117	0.22 161	0.12 28	0.13 109	0.16 107	0.20 216	0.10 92	0.12 105	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.16 358

Prome-Stereo	0.11 85	0.06 20	0.10 48	0.18 184	0.08 50	0.12 108	0.15 117	0.22 161	0.13 45	0.12 88	0.17 125	0.13 117	0.08 52	0.12 105	0.10 52	0.05 2	0.04 2	0.07 102	0.06 90	0.06 103	0.09 256

EDNetEfficientorigin	7.91 423	0.31 381	153.02 442	0.19 231	0.09 135	0.21 285	0.16 175	0.22 161	0.59 375	0.72 392	0.67 383	0.42 359	0.50 385	0.24 312	0.39 379	0.08 195	0.07 252	0.08 166	0.07 165	0.12 308	0.10 275

FENet	0.13 162	0.08 144	0.12 94	0.16 70	0.08 50	0.14 159	0.15 117	0.22 161	0.23 187	0.17 190	0.23 193	0.16 167	0.12 143	0.14 153	0.15 213	0.08 195	0.05 110	0.08 166	0.08 215	0.07 160	0.07 163

ACVNet	0.15 225	0.09 195	0.15 196	0.13 7	0.12 288	0.14 159	0.20 282	0.22 161	0.33 280	0.17 190	0.26 246	0.21 222	0.16 231	0.17 225	0.21 287	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

GANet-RSSM	0.14 191	0.07 72	0.13 133	0.13 7	0.08 50	0.14 159	0.17 196	0.22 161	0.21 166	0.17 190	0.24 202	0.23 251	0.15 211	0.16 203	0.15 213	0.10 272	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

CFNet-ft	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

BEATNet_4x	0.12 140	0.08 144	0.14 159	0.18 184	0.07 20	0.15 181	0.07 1	0.22 161	0.18 120	0.16 178	0.19 153	0.18 197	0.14 198	0.16 203	0.15 213	0.07 145	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

CFNet_RVC	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

LE_ROB	0.50 387	0.07 72	0.14 159	0.15 39	0.08 50	0.24 311	0.16 175	0.22 161	1.81 418	4.63 421	0.67 383	0.47 373	0.44 380	0.20 266	0.29 352	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

DN-CSS_ROB	0.13 162	0.13 298	0.16 226	0.18 184	0.10 221	0.16 205	0.08 2	0.22 161	0.18 120	0.17 190	0.22 187	0.13 117	0.13 175	0.12 105	0.13 162	0.05 2	0.05 110	0.10 273	0.10 288	0.08 204	0.06 103

DispNO	0.14 191	0.08 144	0.17 251	0.19 231	0.12 288	0.11 85	0.21 298	0.23 178	0.29 254	0.17 190	0.23 193	0.18 197	0.17 250	0.15 171	0.15 213	0.07 145	0.05 110	0.08 166	0.08 215	0.07 160	0.06 103

CoDeX	0.12 140	0.07 72	0.12 94	0.17 117	0.08 50	0.12 108	0.15 117	0.23 178	0.27 236	0.13 109	0.17 125	0.16 167	0.11 114	0.14 153	0.11 90	0.07 145	0.05 110	0.07 102	0.06 90	0.06 103	0.05 53

ACVNet-DCA	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

1test111	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.15 171	0.16 228	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

DLNR_Zeroshot_test	10.40 427	1.82 422	19.49 437	120.77 442	13.11 432	0.06 2	0.13 44	0.23 178	0.10 9	0.07 2	0.10 40	0.09 40	0.06 7	0.10 19	0.09 20	0.13 337	0.04 2	0.06 34	0.04 9	51.54 441	0.04 8

TestStereo1	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 366	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

qqq	0.13 162	0.09 195	0.15 196	0.16 70	0.08 50	0.13 135	0.15 117	0.23 178	0.16 91	0.15 153	0.19 153	0.16 167	0.16 231	0.15 171	0.16 228	0.07 145	0.06 195	0.08 166	0.08 215	0.07 160	0.07 163

SA-5K	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 366	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

SA	0.12 140	0.09 195	0.08 12	0.18 184	0.08 50	0.12 108	0.24 327	0.23 178	0.18 120	0.17 190	0.27 253	0.14 132	0.11 114	0.11 48	0.11 90	0.05 2	0.05 110	0.09 232	0.08 215	0.05 41	0.04 8

AACVNet	0.16 243	0.08 144	0.14 159	0.15 39	0.10 221	0.18 239	0.15 117	0.23 178	0.24 197	0.27 312	0.27 253	0.28 289	0.17 250	0.19 247	0.16 228	0.09 241	0.07 252	0.09 232	0.07 165	0.10 279	0.09 256

NF-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

OCTAStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

RE-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

TVStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

GMM-Stereo	0.11 85	0.07 72	0.10 48	0.18 184	0.09 135	0.08 24	0.15 117	0.23 178	0.16 91	0.11 64	0.15 99	0.13 117	0.11 114	0.11 48	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.09 256

DMCA	0.14 191	0.09 195	0.16 226	0.19 231	0.09 135	0.15 181	0.17 196	0.23 178	0.27 236	0.14 129	0.19 153	0.17 186	0.18 260	0.15 171	0.17 239	0.10 272	0.06 195	0.08 166	0.06 90	0.09 252	0.10 275

R-Stereo Train	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

RAFT-Stereo	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
gwcnet-sp	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

scenet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

ToySt	0.17 262	0.11 263	0.18 269	0.17 117	0.11 259	0.16 205	0.25 340	0.24 196	0.33 280	0.19 230	0.24 202	0.26 275	0.24 308	0.19 247	0.20 268	0.07 145	0.08 274	0.09 232	0.10 288	0.09 252	0.08 223

ssnet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

PSM-softLoss	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

KMStereo	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

IRAFT_RVC	0.12 140	0.08 144	0.16 226	0.19 231	0.08 50	0.07 17	0.15 117	0.24 196	0.23 187	0.14 129	0.14 85	0.15 156	0.12 143	0.12 105	0.10 52	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.06 103

raft+_RVC	0.11 85	0.07 72	0.09 31	0.16 70	0.07 20	0.10 59	0.11 11	0.24 196	0.20 153	0.12 88	0.15 99	0.12 94	0.08 52	0.12 105	0.13 162	0.07 145	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

ac_64	0.16 243	0.08 144	0.15 196	0.18 184	0.10 221	0.22 293	0.18 236	0.24 196	0.21 166	0.18 217	0.24 202	0.29 296	0.18 260	0.19 247	0.22 296	0.09 241	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

PSMNet-RSSM	0.14 191	0.07 72	0.13 133	0.15 39	0.08 50	0.13 135	0.16 175	0.24 196	0.24 197	0.16 178	0.28 262	0.22 239	0.14 198	0.15 171	0.13 162	0.11 293	0.06 195	0.09 232	0.12 329	0.08 204	0.07 163

SuperB	0.20 293	0.10 243	0.56 377	0.16 70	0.09 135	0.18 239	0.18 236	0.24 196	0.50 357	0.26 306	0.39 331	0.17 186	0.21 287	0.22 293	0.21 287	0.08 195	0.06 195	0.06 34	0.06 90	0.12 308	0.10 275

UCFNet_RVC	0.14 191	0.08 144	0.13 133	0.11 1	0.10 221	0.20 271	0.10 6	0.24 196	0.22 178	0.17 190	0.20 164	0.23 251	0.15 211	0.17 225	0.15 213	0.12 317	0.07 252	0.10 273	0.13 338	0.11 294	0.10 275

pmcnn	0.15 225	0.07 72	0.19 278	0.15 39	0.07 20	0.20 271	0.15 117	0.24 196	0.26 229	0.21 255	0.34 306	0.28 289	0.18 260	0.18 236	0.17 239	0.07 145	0.05 110	0.05 2	0.04 9	0.07 160	0.06 103

SDNR	0.19 284	0.08 144	0.19 278	0.16 70	0.12 288	0.77 404	0.14 71	0.25 209	0.32 274	0.19 230	0.24 202	0.19 206	0.13 175	0.19 247	0.15 213	0.16 362	0.18 369	0.14 339	0.11 311	0.08 204	0.11 298

fast-acv-ft	0.18 274	0.11 263	0.19 278	0.19 231	0.12 288	0.24 311	0.21 298	0.25 209	0.34 291	0.22 268	0.34 306	0.27 282	0.20 283	0.21 282	0.23 306	0.09 241	0.09 297	0.08 166	0.10 288	0.08 204	0.07 163

IER	0.14 191	0.07 72	0.13 133	0.17 117	0.09 135	0.14 159	0.16 175	0.25 209	0.26 229	0.18 217	0.25 231	0.17 186	0.20 283	0.16 203	0.14 190	0.08 195	0.05 110	0.07 102	0.06 90	0.08 204	0.07 163

CSP-Net	0.16 243	0.09 195	0.14 159	0.16 70	0.09 135	0.19 259	0.17 196	0.25 209	0.32 274	0.25 301	0.30 277	0.24 257	0.15 211	0.21 282	0.18 253	0.09 241	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

ICVP	0.15 225	0.09 195	0.12 94	0.22 309	0.09 135	0.17 224	0.21 298	0.25 209	0.23 187	0.18 217	0.30 277	0.26 275	0.18 260	0.17 225	0.14 190	0.09 241	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
MMNet	0.17 262	0.09 195	0.16 226	0.20 272	0.11 259	0.27 336	0.20 282	0.25 209	0.41 325	0.22 268	0.30 277	0.21 222	0.20 283	0.17 225	0.20 268	0.06 58	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

acv_ft	0.15 225	0.09 195	0.15 196	0.19 231	0.10 221	0.16 205	0.17 196	0.25 209	0.33 280	0.19 230	0.26 246	0.21 222	0.17 250	0.17 225	0.18 253	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

hitnet-ft	0.18 274	0.09 195	0.17 251	0.14 14	0.09 135	0.26 329	0.20 282	0.25 209	0.26 229	0.24 288	0.32 289	0.31 314	0.22 296	0.24 312	0.21 287	0.12 317	0.07 252	0.10 273	0.08 215	0.12 308	0.11 298

DMCA-RVC	0.17 262	0.10 243	0.15 196	0.24 333	0.11 259	0.18 239	0.18 236	0.25 209	0.24 197	0.21 255	0.26 246	0.25 267	0.27 327	0.18 236	0.20 268	0.12 317	0.08 274	0.13 329	0.10 288	0.10 279	0.08 223

FADNet-RVC-Resample	0.16 243	0.11 263	0.31 337	0.22 309	0.11 259	0.19 259	0.14 71	0.25 209	0.24 197	0.24 288	0.27 253	0.20 216	0.15 211	0.16 203	0.15 213	0.07 145	0.08 274	0.12 315	0.10 288	0.09 252	0.10 275

RP	0.21 302	0.13 298	0.21 291	0.23 328	0.11 259	0.21 285	0.20 282	0.25 209	0.44 340	0.21 255	0.38 323	0.36 337	0.24 308	0.27 322	0.25 325	0.11 293	0.12 333	0.13 329	0.12 329	0.12 308	0.14 339

iResNetv2_ROB	0.14 191	0.08 144	0.15 196	0.16 70	0.08 50	0.16 205	0.12 22	0.25 209	0.35 298	0.21 255	0.29 273	0.24 257	0.13 175	0.14 153	0.14 190	0.06 58	0.05 110	0.06 34	0.04 9	0.09 252	0.08 223

SMFormer	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

tta	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.06 103	0.06 103

qqq1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

fff1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

Wz-Net-LNSev-Ref	0.18 274	0.09 195	0.29 332	0.15 39	0.10 221	0.22 293	0.20 282	0.26 221	0.39 316	0.25 301	0.42 351	0.24 257	0.15 211	0.20 266	0.19 262	0.07 145	0.05 110	0.06 34	0.05 34	0.10 279	0.09 256

CRFU-Net	0.16 243	0.08 144	0.14 159	0.17 117	0.09 135	0.19 259	0.14 71	0.26 221	0.20 153	0.28 323	0.27 253	0.29 296	0.17 250	0.19 247	0.17 239	0.09 241	0.09 297	0.07 102	0.07 165	0.08 204	0.08 223

PSMNet-ADL	0.15 225	0.12 277	0.13 133	0.22 309	0.09 135	0.13 135	0.20 282	0.26 221	0.23 187	0.18 217	0.20 164	0.24 257	0.16 231	0.18 236	0.17 239	0.08 195	0.08 274	0.08 166	0.11 311	0.08 204	0.07 163

PFNet	0.12 140	0.06 20	0.17 251	0.17 117	0.08 50	0.09 36	0.15 117	0.26 221	0.20 153	0.16 178	0.16 107	0.14 132	0.11 114	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

sAnonymous2	0.13 162	0.12 277	0.24 308	0.20 272	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

CroCo_RVC	0.13 162	0.12 277	0.24 308	0.20 272	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

HCRNet	0.16 243	0.24 366	0.12 94	0.35 379	0.11 259	0.15 181	0.17 196	0.26 221	0.22 178	0.19 230	0.24 202	0.21 222	0.14 198	0.15 171	0.13 162	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

RAFT + AFF	0.13 162	0.07 72	0.20 286	0.20 272	0.10 221	0.14 159	0.24 327	0.26 221	0.20 153	0.11 64	0.10 40	0.12 94	0.10 92	0.15 171	0.12 132	0.07 145	0.06 195	0.09 232	0.08 215	0.06 103	0.08 223

FADNet_RVC	0.16 243	0.14 310	0.40 358	0.20 272	0.11 259	0.13 135	0.13 44	0.26 221	0.22 178	0.21 255	0.23 193	0.20 216	0.17 250	0.14 153	0.16 228	0.08 195	0.08 274	0.12 315	0.09 256	0.11 294	0.10 275

FADNet-RVC	0.20 293	0.20 352	0.38 355	0.21 296	0.16 344	0.20 271	0.15 117	0.26 221	0.26 229	0.26 306	0.32 289	0.26 275	0.21 287	0.22 293	0.19 262	0.12 317	0.13 346	0.12 315	0.14 342	0.13 325	0.18 367

AANet_RVC	0.16 243	0.10 243	0.10 48	0.18 184	0.09 135	0.18 239	0.19 267	0.26 221	0.31 268	0.22 268	0.35 309	0.21 222	0.21 287	0.22 293	0.16 228	0.06 58	0.05 110	0.06 34	0.06 90	0.07 160	0.06 103

StereoDRNet-Refined	0.17 262	0.12 277	0.15 196	0.20 272	0.09 135	0.18 239	0.18 236	0.26 221	0.23 187	0.26 306	0.40 336	0.22 239	0.17 250	0.21 282	0.20 268	0.08 195	0.05 110	0.09 232	0.10 288	0.07 160	0.07 163
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
CBMV_ROB	0.19 284	0.13 298	0.17 251	0.16 70	0.11 259	0.15 181	0.13 44	0.26 221	0.28 247	0.27 312	0.30 277	0.27 282	0.24 308	0.23 304	0.16 228	0.15 351	0.17 367	0.22 372	0.20 367	0.10 279	0.11 298

iResNet_ROB	0.14 191	0.07 72	0.13 133	0.14 14	0.07 20	0.18 239	0.14 71	0.26 221	0.31 268	0.22 268	0.25 231	0.23 251	0.15 211	0.15 171	0.13 162	0.07 145	0.05 110	0.05 2	0.04 9	0.08 204	0.08 223

MyStereo05	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.13 135	0.18 236	0.27 239	0.35 298	0.17 190	0.14 85	0.15 156	0.11 114	0.15 171	0.13 162	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

mmx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

ttt	0.14 191	0.08 144	0.14 159	0.15 39	0.08 50	0.15 181	0.18 236	0.27 239	0.29 254	0.16 178	0.24 202	0.17 186	0.13 175	0.13 137	0.14 190	0.11 293	0.08 274	0.09 232	0.08 215	0.09 252	0.08 223

xxx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

coex-ft	3.30 418	0.34 383	59.09 441	0.18 184	0.13 306	0.26 329	0.22 308	0.27 239	0.72 390	1.90 419	0.70 387	0.44 364	0.45 381	0.29 339	0.41 384	0.09 241	0.09 297	0.12 315	0.09 256	0.14 337	0.13 322

iinet-f	0.16 243	0.06 20	0.45 363	0.14 14	0.10 221	0.21 285	0.14 71	0.27 239	0.23 187	0.21 255	0.24 202	0.21 222	0.15 211	0.18 236	0.21 287	0.09 241	0.07 252	0.07 102	0.06 90	0.09 252	0.10 275

DAS	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.16 203	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

SepStereo	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.25 317	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

LMCR-Stereo	0.15 225	0.08 144	0.13 133	0.21 296	0.09 135	0.17 224	0.20 282	0.27 239	0.19 132	0.24 288	0.24 202	0.23 251	0.17 250	0.20 266	0.17 239	0.07 145	0.06 195	0.08 166	0.06 90	0.10 279	0.08 223

CFNet_pseudo	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.13 135	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.07 163

HSM-Net_RVC	0.14 191	0.08 144	0.11 74	0.15 39	0.08 50	0.15 181	0.15 117	0.27 239	0.29 254	0.19 230	0.21 178	0.29 296	0.14 198	0.17 225	0.13 162	0.06 58	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
DANet	0.21 302	0.15 316	0.28 326	0.25 344	0.13 306	0.22 293	0.19 267	0.27 239	0.27 236	0.28 323	0.32 289	0.35 335	0.31 351	0.31 343	0.23 306	0.11 293	0.09 297	0.11 300	0.10 288	0.13 325	0.11 298
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
ccs_rob	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.12 108	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

DISCO	0.19 284	0.09 195	0.22 296	0.17 117	0.10 221	0.25 321	0.18 236	0.27 239	0.44 340	0.22 268	0.31 285	0.33 325	0.26 319	0.28 333	0.28 349	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.09 256

HBP-ISP	0.18 274	0.13 298	0.16 226	0.15 39	0.11 259	0.08 24	0.13 44	0.28 253	0.29 254	0.22 268	0.33 302	0.21 222	0.25 316	0.23 304	0.17 239	0.14 348	0.16 362	0.21 368	0.17 361	0.10 279	0.08 223

raft_robust	0.13 162	0.10 243	0.07 2	0.18 184	0.08 50	0.13 135	0.24 327	0.28 253	0.33 280	0.20 247	0.19 153	0.14 132	0.10 92	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.07 165	0.05 41	0.04 8

Anonymous3	0.16 243	0.13 298	0.33 342	0.26 349	0.14 323	0.27 336	0.17 196	0.28 253	0.28 247	0.15 153	0.17 125	0.14 132	0.10 92	0.15 171	0.12 132	0.08 195	0.08 274	0.08 166	0.08 215	0.08 204	0.11 298

GES	0.14 191	0.08 144	0.16 226	0.15 39	0.10 221	0.13 135	0.13 44	0.28 253	0.25 216	0.16 178	0.23 193	0.18 197	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.07 102	0.06 90	0.08 204	0.09 256

test_xeample	0.15 225	0.06 20	0.13 133	0.14 14	0.08 50	0.21 285	0.20 282	0.28 253	0.20 153	0.16 178	0.29 273	0.19 206	0.16 231	0.15 171	0.26 334	0.09 241	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

SFCPSM	0.13 162	0.07 72	0.14 159	0.17 117	0.09 135	0.15 181	0.16 175	0.28 253	0.27 236	0.14 129	0.17 125	0.12 94	0.13 175	0.14 153	0.11 90	0.08 195	0.05 110	0.07 102	0.07 165	0.07 160	0.06 103

UPFNet	0.16 243	0.08 144	0.12 94	0.20 272	0.12 288	0.20 271	0.23 318	0.28 253	0.26 229	0.17 190	0.24 202	0.22 239	0.19 275	0.19 247	0.21 287	0.09 241	0.07 252	0.08 166	0.09 256	0.08 204	0.06 103

DSFCA	0.16 243	0.09 195	0.14 159	0.16 70	0.10 221	0.20 271	0.19 267	0.28 253	0.31 268	0.23 280	0.24 202	0.22 239	0.15 211	0.19 247	0.20 268	0.10 272	0.07 252	0.09 232	0.09 256	0.08 204	0.08 223

CFNet	0.15 225	0.10 243	0.17 251	0.17 117	0.08 50	0.18 239	0.09 3	0.28 253	0.25 216	0.19 230	0.24 202	0.24 257	0.17 250	0.17 225	0.14 190	0.08 195	0.06 195	0.09 232	0.10 288	0.07 160	0.06 103

HSM	0.15 225	0.08 144	0.14 159	0.16 70	0.09 135	0.16 205	0.14 71	0.28 253	0.25 216	0.19 230	0.23 193	0.37 341	0.16 231	0.20 266	0.15 213	0.07 145	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

MyStereo04	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.29 263	0.38 313	0.17 190	0.14 85	0.16 167	0.10 92	0.15 171	0.13 162	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

GMStereo_Zeroshot	0.16 243	0.13 298	0.24 308	0.20 272	0.10 221	0.17 224	0.13 44	0.29 263	0.25 216	0.23 280	0.32 289	0.25 267	0.11 114	0.19 247	0.14 190	0.09 241	0.06 195	0.11 300	0.06 90	0.12 308	0.08 223

SQANet	0.23 326	0.23 363	0.30 335	0.30 372	0.19 366	0.27 336	0.13 44	0.29 263	0.33 280	0.24 288	0.37 318	0.31 314	0.22 296	0.27 322	0.23 306	0.15 351	0.10 315	0.21 368	0.16 354	0.21 370	0.15 347

PCWNet_CMD	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 302	0.14 129	0.20 164	0.21 222	0.12 143	0.17 225	0.13 162	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

psmg	0.14 191	0.09 195	0.14 159	0.17 117	0.10 221	0.15 181	0.17 196	0.29 263	0.19 132	0.17 190	0.21 178	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.08 166	0.08 215	0.07 160	0.06 103

DDUNet	0.22 311	0.17 334	0.21 291	0.22 309	0.15 334	0.25 321	0.24 327	0.29 263	0.30 262	0.31 338	0.36 312	0.33 325	0.25 316	0.24 312	0.20 268	0.18 367	0.13 346	0.17 355	0.11 311	0.16 355	0.16 358

STTStereo	0.18 274	0.12 277	0.27 321	0.20 272	0.11 259	0.16 205	0.21 298	0.29 263	0.23 187	0.21 255	0.30 277	0.29 296	0.18 260	0.20 266	0.19 262	0.12 317	0.11 324	0.11 300	0.14 342	0.09 252	0.08 223

G-Net	0.24 334	0.16 323	0.36 351	0.22 309	0.16 344	0.51 381	0.23 318	0.29 263	0.34 291	0.36 352	0.38 323	0.31 314	0.29 343	0.27 322	0.26 334	0.11 293	0.09 297	0.12 315	0.09 256	0.16 355	0.13 322

ADCL	0.24 334	0.11 263	0.47 367	0.22 309	0.12 288	0.34 359	0.29 366	0.29 263	0.56 369	0.24 288	0.46 358	0.30 304	0.30 347	0.29 339	0.29 352	0.08 195	0.07 252	0.09 232	0.09 256	0.10 279	0.10 275

RASNet	0.14 191	0.07 72	0.14 159	0.16 70	0.08 50	0.18 239	0.14 71	0.29 263	0.20 153	0.17 190	0.25 231	0.21 222	0.18 260	0.20 266	0.19 262	0.07 145	0.06 195	0.06 34	0.08 215	0.06 103	0.06 103

MSMDNet	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 302	0.14 129	0.21 178	0.21 222	0.12 143	0.17 225	0.14 190	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

PA-Net	0.23 326	0.18 344	0.33 342	0.28 363	0.22 373	0.21 285	0.38 388	0.29 263	0.39 316	0.22 268	0.32 289	0.25 267	0.26 319	0.20 266	0.25 325	0.09 241	0.23 384	0.15 347	0.22 372	0.09 252	0.13 322
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DLCB_ROB	0.18 274	0.10 243	0.15 196	0.23 328	0.11 259	0.24 311	0.18 236	0.29 263	0.28 247	0.27 312	0.28 262	0.28 289	0.24 308	0.19 247	0.20 268	0.08 195	0.08 274	0.09 232	0.09 256	0.07 160	0.07 163

CBMV	0.19 284	0.14 310	0.17 251	0.18 184	0.10 221	0.20 271	0.11 11	0.29 263	0.30 262	0.29 329	0.30 277	0.30 304	0.23 302	0.27 322	0.19 262	0.13 337	0.15 359	0.17 355	0.16 354	0.10 279	0.10 275
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
CFNet_ucs	0.15 225	0.08 144	0.16 226	0.16 70	0.11 259	0.14 159	0.14 71	0.30 277	0.34 291	0.16 178	0.24 202	0.23 251	0.14 198	0.18 236	0.15 213	0.09 241	0.06 195	0.08 166	0.07 165	0.09 252	0.09 256

GwcNet-ADL	0.13 162	0.08 144	0.14 159	0.20 272	0.09 135	0.11 85	0.20 282	0.30 277	0.24 197	0.13 109	0.14 85	0.18 197	0.14 198	0.13 137	0.14 190	0.07 145	0.05 110	0.06 34	0.05 34	0.07 160	0.06 103

GANet-ADL	0.13 162	0.07 72	0.15 196	0.17 117	0.10 221	0.18 239	0.15 117	0.30 277	0.20 153	0.13 109	0.18 147	0.19 206	0.12 143	0.16 203	0.13 162	0.08 195	0.06 195	0.06 34	0.05 34	0.07 160	0.08 223

222	0.16 243	0.07 72	0.14 159	0.14 14	0.08 50	0.24 311	0.18 236	0.30 277	0.20 153	0.17 190	0.28 262	0.17 186	0.16 231	0.15 171	0.40 381	0.10 272	0.05 110	0.07 102	0.06 90	0.07 160	0.08 223

delet	0.17 262	0.08 144	0.17 251	0.19 231	0.11 259	0.20 271	0.21 298	0.30 277	0.37 308	0.17 190	0.26 246	0.19 206	0.19 275	0.19 247	0.21 287	0.08 195	0.08 274	0.09 232	0.11 311	0.06 103	0.06 103

NOSS_ROB	0.19 284	0.12 277	0.18 269	0.16 70	0.12 288	0.15 181	0.12 22	0.30 277	0.32 274	0.20 247	0.22 187	0.27 282	0.23 302	0.21 282	0.16 228	0.16 362	0.18 369	0.23 373	0.21 369	0.12 308	0.13 322

1111x	0.15 225	0.08 144	0.12 94	0.18 184	0.07 20	0.18 239	0.25 340	0.31 283	0.24 197	0.17 190	0.24 202	0.26 275	0.15 211	0.13 137	0.23 306	0.07 145	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

SACVNet	0.18 274	0.12 277	0.14 159	0.17 117	0.13 306	0.22 293	0.18 236	0.31 283	0.30 262	0.23 280	0.31 285	0.30 304	0.22 296	0.22 293	0.17 239	0.11 293	0.08 274	0.10 273	0.10 288	0.12 308	0.14 339

ADLNet2	0.16 243	0.09 195	0.13 133	0.16 70	0.09 135	0.20 271	0.16 175	0.31 283	0.39 316	0.16 178	0.20 164	0.20 216	0.18 260	0.21 282	0.22 296	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.07 163

xxxx	0.15 225	0.07 72	0.14 159	0.14 14	0.08 50	0.23 306	0.18 236	0.31 283	0.19 132	0.14 129	0.28 262	0.22 239	0.14 198	0.15 171	0.26 334	0.09 241	0.05 110	0.07 102	0.07 165	0.08 204	0.07 163

HGLStereo	0.17 262	0.08 144	0.19 278	0.17 117	0.12 288	0.18 239	0.18 236	0.31 283	0.32 274	0.21 255	0.32 289	0.25 267	0.18 260	0.19 247	0.20 268	0.09 241	0.09 297	0.07 102	0.07 165	0.09 252	0.10 275

FADNet	0.21 302	0.22 362	0.36 351	0.18 184	0.17 357	0.24 311	0.13 44	0.31 283	0.31 268	0.23 280	0.25 231	0.27 282	0.21 287	0.19 247	0.15 213	0.13 337	0.15 359	0.12 315	0.15 352	0.16 355	0.18 367

ADCP+	0.20 293	0.10 243	0.33 342	0.20 272	0.12 288	0.22 293	0.26 346	0.31 283	0.34 291	0.26 306	0.37 318	0.22 239	0.22 296	0.27 322	0.27 341	0.09 241	0.06 195	0.08 166	0.08 215	0.09 252	0.10 275

NLCA_NET_v2_RVC	0.17 262	0.10 243	0.22 296	0.20 272	0.10 221	0.15 181	0.18 236	0.31 283	0.25 216	0.21 255	0.30 277	0.25 267	0.17 250	0.21 282	0.20 268	0.09 241	0.06 195	0.08 166	0.08 215	0.07 160	0.08 223
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
ETE_ROB	0.23 326	0.17 334	0.22 296	0.25 344	0.13 306	0.26 329	0.29 366	0.31 283	0.36 302	0.28 323	0.36 312	0.45 366	0.26 319	0.27 322	0.26 334	0.11 293	0.08 274	0.12 315	0.09 256	0.14 337	0.13 322

LL-Strereo	0.13 162	0.09 195	0.11 74	0.20 272	0.10 221	0.11 85	0.18 236	0.32 292	0.24 197	0.15 153	0.15 99	0.14 132	0.13 175	0.19 247	0.11 90	0.06 58	0.04 2	0.09 232	0.08 215	0.04 1	0.05 53

Wz-Net-LNSev	0.22 311	0.16 323	0.38 355	0.21 296	0.13 306	0.25 321	0.23 318	0.32 292	0.43 336	0.30 332	0.41 346	0.31 314	0.18 260	0.22 293	0.25 325	0.10 272	0.09 297	0.08 166	0.08 215	0.12 308	0.11 298

GEStereo_RVC	0.17 262	0.12 277	0.15 196	0.22 309	0.11 259	0.19 259	0.17 196	0.32 292	0.48 350	0.20 247	0.25 231	0.17 186	0.13 175	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.07 165	0.09 252	0.08 223

ADLNet	0.16 243	0.08 144	0.15 196	0.16 70	0.10 221	0.16 205	0.17 196	0.32 292	0.27 236	0.22 268	0.27 253	0.24 257	0.16 231	0.18 236	0.21 287	0.10 272	0.06 195	0.10 273	0.10 288	0.08 204	0.09 256

FINET	0.21 302	0.18 344	0.26 315	0.18 184	0.16 344	0.23 306	0.23 318	0.32 292	0.48 350	0.25 301	0.32 289	0.22 239	0.22 296	0.22 293	0.17 239	0.18 367	0.16 362	0.11 300	0.10 288	0.15 348	0.13 322

MFN_U_SF_DS_RVC	0.30 363	0.24 366	0.29 332	0.36 382	0.16 344	0.34 359	0.30 373	0.32 292	0.42 331	0.40 362	0.46 358	0.38 345	0.31 351	0.34 354	0.28 349	0.19 371	0.20 375	0.26 375	0.29 384	0.18 365	0.19 372

S-Stereo	0.20 293	0.12 277	0.25 314	0.21 296	0.13 306	0.20 271	0.18 236	0.32 292	0.43 336	0.23 280	0.36 312	0.28 289	0.30 347	0.19 247	0.22 296	0.09 241	0.12 333	0.10 273	0.10 288	0.13 325	0.13 322

AF-Net	0.22 311	0.17 334	0.17 251	0.26 349	0.13 306	0.25 321	0.24 327	0.32 292	0.50 357	0.25 301	0.33 302	0.38 345	0.26 319	0.28 333	0.25 325	0.11 293	0.10 315	0.16 353	0.11 311	0.11 294	0.10 275

RGC	0.25 343	0.20 352	0.29 332	0.28 363	0.16 344	0.22 293	0.23 318	0.32 292	0.44 340	0.27 312	0.40 336	0.38 345	0.27 327	0.36 365	0.22 296	0.11 293	0.13 346	0.17 355	0.17 361	0.14 337	0.16 358

edge stereo	0.22 311	0.13 298	0.20 286	0.21 296	0.13 306	0.23 306	0.16 175	0.32 292	0.42 331	0.32 344	0.40 336	0.38 345	0.35 361	0.25 317	0.24 316	0.13 337	0.11 324	0.14 339	0.11 311	0.12 308	0.13 322

ADCRef	0.19 284	0.12 277	0.41 360	0.20 272	0.12 288	0.22 293	0.18 236	0.32 292	0.36 302	0.26 306	0.32 289	0.17 186	0.23 302	0.24 312	0.24 316	0.07 145	0.06 195	0.09 232	0.09 256	0.08 204	0.08 223

AnyNet_C32	0.26 349	0.16 323	0.36 351	0.20 272	0.16 344	0.25 321	0.30 373	0.32 292	0.44 340	0.31 338	0.49 362	0.30 304	0.33 355	0.40 377	0.33 367	0.12 317	0.12 333	0.12 315	0.14 342	0.14 337	0.15 347

ADCPNet	0.25 343	0.16 323	0.61 381	0.21 296	0.15 334	0.35 367	0.25 340	0.32 292	0.35 298	0.30 332	0.40 336	0.36 337	0.28 335	0.28 333	0.32 364	0.12 317	0.10 315	0.11 300	0.12 329	0.14 337	0.13 322

AdaStereo	0.15 225	0.11 263	0.15 196	0.18 184	0.09 135	0.20 271	0.11 11	0.32 292	0.28 247	0.20 247	0.23 193	0.20 216	0.13 175	0.19 247	0.14 190	0.12 317	0.05 110	0.10 273	0.07 165	0.09 252	0.07 163
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.
DeepPruner_ROB	0.16 243	0.11 263	0.15 196	0.17 117	0.10 221	0.17 224	0.15 117	0.32 292	0.21 166	0.19 230	0.21 178	0.22 239	0.18 260	0.20 266	0.15 213	0.13 337	0.09 297	0.09 232	0.09 256	0.11 294	0.10 275

PWC_ROB	0.21 302	0.16 323	0.26 315	0.18 184	0.11 259	0.22 293	0.13 44	0.32 292	0.49 355	0.30 332	0.40 336	0.32 322	0.24 308	0.31 343	0.22 296	0.10 272	0.07 252	0.11 300	0.08 215	0.11 294	0.10 275

WCMA_ROB	0.24 334	0.11 263	0.22 296	0.17 117	0.14 323	0.32 350	0.15 117	0.32 292	0.32 274	0.38 357	0.53 368	0.40 356	0.34 359	0.34 354	0.25 325	0.11 293	0.12 333	0.12 315	0.10 288	0.14 337	0.14 339

ssnet_v2	0.17 262	0.10 243	0.17 251	0.17 117	0.11 259	0.21 285	0.21 298	0.33 309	0.25 216	0.22 268	0.22 187	0.27 282	0.18 260	0.22 293	0.20 268	0.11 293	0.09 297	0.09 232	0.09 256	0.08 204	0.08 223

Wz-Net-MNSev	0.22 311	0.13 298	0.31 337	0.20 272	0.14 323	0.36 368	0.24 327	0.33 309	0.44 340	0.28 323	0.40 336	0.38 345	0.19 275	0.24 312	0.25 325	0.09 241	0.07 252	0.09 232	0.09 256	0.12 308	0.10 275

UDG	0.21 302	0.17 334	0.19 278	0.23 328	0.15 334	0.30 348	0.20 282	0.33 309	0.35 298	0.23 280	0.28 262	0.31 314	0.27 327	0.20 266	0.22 296	0.15 351	0.12 333	0.13 329	0.09 256	0.14 337	0.14 339

Syn2CoEx	0.21 302	0.16 323	0.27 321	0.29 370	0.14 323	0.26 329	0.20 282	0.33 309	0.31 268	0.28 323	0.36 312	0.27 282	0.25 316	0.19 247	0.24 316	0.16 362	0.12 333	0.14 339	0.11 311	0.09 252	0.08 223

UNet	0.17 262	0.09 195	0.18 269	0.19 231	0.12 288	0.27 336	0.19 267	0.33 309	0.29 254	0.21 255	0.24 202	0.23 251	0.19 275	0.19 247	0.18 253	0.07 145	0.06 195	0.08 166	0.07 165	0.08 204	0.06 103

Anonymous Stereo	0.23 326	0.19 347	0.50 369	0.24 333	0.17 357	0.21 285	0.21 298	0.33 309	0.44 340	0.25 301	0.34 306	0.26 275	0.18 260	0.31 343	0.27 341	0.13 337	0.12 333	0.12 315	0.13 338	0.11 294	0.14 339

NaN_ROB	0.22 311	0.19 347	0.24 308	0.25 344	0.13 306	0.29 345	0.26 346	0.33 309	0.41 325	0.31 338	0.31 285	0.32 322	0.23 302	0.30 342	0.21 287	0.11 293	0.17 367	0.10 273	0.10 288	0.08 204	0.09 256

DispFullNet	0.27 351	0.21 358	0.65 384	0.28 363	0.16 344	0.26 329	0.17 196	0.33 309	0.58 374	0.27 312	0.38 323	0.43 362	0.23 302	0.38 370	0.23 306	0.12 317	0.06 195	0.19 365	0.11 311	0.21 370	0.15 347

PWCDC_ROB	0.20 293	0.13 298	0.22 296	0.24 333	0.11 259	0.19 259	0.15 117	0.33 309	0.54 366	0.29 329	0.50 366	0.21 222	0.15 211	0.27 322	0.20 268	0.11 293	0.09 297	0.10 273	0.08 215	0.11 294	0.09 256

SGM-Forest	0.20 293	0.14 310	0.18 269	0.19 231	0.13 306	0.20 271	0.22 308	0.33 309	0.30 262	0.24 288	0.29 273	0.28 289	0.19 275	0.23 304	0.17 239	0.15 351	0.16 362	0.15 347	0.14 342	0.12 308	0.12 309
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
BUS	0.14 191	0.09 195	0.14 159	0.22 309	0.10 221	0.19 259	0.14 71	0.34 319	0.19 132	0.17 190	0.22 187	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

BSDual-CNN	0.15 225	0.09 195	0.14 159	0.22 309	0.10 221	0.14 159	0.15 117	0.34 319	0.19 132	0.17 190	0.22 187	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

hknet	0.15 225	0.11 263	0.13 133	0.22 309	0.11 259	0.14 159	0.15 117	0.34 319	0.25 216	0.17 190	0.22 187	0.22 239	0.18 260	0.17 225	0.12 132	0.07 145	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

psmorigin	0.25 343	0.15 316	0.34 350	0.17 117	0.13 306	0.23 306	0.14 71	0.34 319	0.33 280	0.41 366	0.55 371	0.41 358	0.37 365	0.34 354	0.27 341	0.11 293	0.15 359	0.11 300	0.11 311	0.12 308	0.16 358

FAT-Stereo	0.20 293	0.12 277	0.22 296	0.21 296	0.12 288	0.17 224	0.18 236	0.34 319	0.39 316	0.27 312	0.37 318	0.34 331	0.32 354	0.21 282	0.20 268	0.09 241	0.11 324	0.10 273	0.09 256	0.11 294	0.14 339

ADCMid	0.25 343	0.15 316	0.40 358	0.20 272	0.14 323	0.25 321	0.26 346	0.34 319	0.38 313	0.36 352	0.44 356	0.34 331	0.40 371	0.35 360	0.33 367	0.10 272	0.09 297	0.11 300	0.11 311	0.13 325	0.12 309

CVANet_RVC	0.18 274	0.10 243	0.14 159	0.21 296	0.10 221	0.18 239	0.17 196	0.34 319	0.33 280	0.22 268	0.31 285	0.28 289	0.18 260	0.23 304	0.17 239	0.12 317	0.08 274	0.12 315	0.11 311	0.09 252	0.07 163

PASM	0.32 366	0.24 366	0.48 368	0.28 363	0.27 382	0.29 345	0.30 373	0.34 319	0.49 355	0.35 350	0.39 331	0.46 370	0.34 359	0.34 354	0.35 370	0.23 383	0.25 386	0.26 375	0.28 383	0.23 373	0.21 375

NCCL2	0.23 326	0.15 316	0.17 251	0.34 377	0.18 364	0.24 311	0.23 318	0.34 319	0.28 247	0.31 338	0.38 323	0.38 345	0.28 335	0.23 304	0.24 316	0.15 351	0.12 333	0.18 363	0.21 369	0.13 325	0.13 322

XPNet_ROB	0.22 311	0.11 263	0.19 278	0.22 309	0.13 306	0.22 293	0.19 267	0.34 319	0.40 322	0.30 332	0.39 331	0.39 353	0.26 319	0.26 319	0.28 349	0.15 351	0.10 315	0.10 273	0.10 288	0.13 325	0.12 309

MSMD_ROB	0.31 364	0.26 372	0.26 315	0.24 333	0.21 371	0.34 359	0.25 340	0.34 319	0.39 316	0.40 362	0.69 385	0.45 366	0.40 371	0.34 354	0.27 341	0.20 373	0.19 372	0.26 375	0.25 378	0.23 373	0.22 377

SGM_RVC	0.23 326	0.12 277	0.15 196	0.15 39	0.09 135	0.33 356	0.18 236	0.34 319	0.31 268	0.44 373	0.37 318	0.53 379	0.35 361	0.35 360	0.24 316	0.13 337	0.13 346	0.13 329	0.13 338	0.10 279	0.11 298
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
Wz-Net-TNSev	0.29 358	0.20 352	0.65 384	0.19 231	0.15 334	0.38 371	0.27 353	0.35 331	0.55 367	0.34 349	0.42 351	0.45 366	0.38 366	0.32 349	0.30 356	0.12 317	0.13 346	0.10 273	0.12 329	0.15 348	0.14 339

DGSMNet	0.24 334	0.19 347	0.33 342	0.21 296	0.24 376	0.24 311	0.20 282	0.35 331	0.41 325	0.24 288	0.32 289	0.38 345	0.21 287	0.29 339	0.23 306	0.12 317	0.11 324	0.14 339	0.16 354	0.23 373	0.23 378

GwcNet	0.20 293	0.13 298	0.19 278	0.18 184	0.12 288	0.24 311	0.19 267	0.35 331	0.43 336	0.20 247	0.32 289	0.33 325	0.20 283	0.22 293	0.24 316	0.11 293	0.09 297	0.09 232	0.09 256	0.09 252	0.10 275

stereogan	0.22 311	0.11 263	0.21 291	0.20 272	0.12 288	0.31 349	0.19 267	0.35 331	0.44 340	0.22 268	0.39 331	0.35 335	0.27 327	0.33 351	0.22 296	0.10 272	0.12 333	0.10 273	0.10 288	0.14 337	0.13 322

RTSC	0.23 326	0.12 277	0.28 326	0.21 296	0.13 306	0.28 342	0.16 175	0.35 331	0.66 385	0.27 312	0.33 302	0.30 304	0.21 287	0.31 343	0.29 352	0.10 272	0.08 274	0.09 232	0.10 288	0.13 325	0.13 322

AnyNet_C01	0.36 372	0.25 371	1.37 410	0.22 309	0.17 357	0.48 379	0.27 353	0.35 331	0.39 316	0.39 359	0.74 391	0.46 370	0.38 366	0.45 381	0.47 390	0.13 337	0.13 346	0.13 329	0.14 342	0.14 337	0.15 347

XQC	0.28 354	0.23 363	0.51 370	0.28 363	0.19 366	0.34 359	0.27 353	0.36 337	0.57 371	0.31 338	0.30 277	0.37 341	0.30 347	0.38 370	0.38 377	0.13 337	0.09 297	0.15 347	0.12 329	0.17 362	0.18 367

RTS	0.45 383	0.19 347	3.26 416	0.24 333	0.15 334	0.74 398	0.20 282	0.36 337	0.76 395	0.42 369	0.43 354	0.31 314	0.41 375	0.53 389	0.35 370	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 347

RTSA	0.45 383	0.19 347	3.26 416	0.24 333	0.15 334	0.74 398	0.20 282	0.36 337	0.76 395	0.42 369	0.43 354	0.31 314	0.41 375	0.53 389	0.35 370	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 347

TDLM	0.17 262	0.12 277	0.13 133	0.24 333	0.10 221	0.18 239	0.18 236	0.36 337	0.30 262	0.21 255	0.28 262	0.28 289	0.18 260	0.23 304	0.18 253	0.11 293	0.07 252	0.10 273	0.10 288	0.08 204	0.08 223

PS-NSSS	0.20 293	0.21 358	0.23 305	0.20 272	0.10 221	0.19 259	0.17 196	0.36 337	0.25 216	0.27 312	0.33 302	0.27 282	0.24 308	0.20 266	0.20 268	0.15 351	0.12 333	0.17 355	0.14 342	0.10 279	0.08 223

AASNet	0.16 243	0.08 144	0.12 94	0.19 231	0.09 135	0.18 239	0.15 117	0.37 342	0.37 308	0.19 230	0.23 193	0.20 216	0.16 231	0.17 225	0.20 268	0.10 272	0.08 274	0.08 166	0.07 165	0.09 252	0.09 256

pcwnet_v2	0.19 284	0.10 243	0.26 315	0.17 117	0.14 323	0.18 239	0.15 117	0.37 342	0.46 348	0.19 230	0.24 202	0.21 222	0.19 275	0.20 266	0.19 262	0.13 337	0.10 315	0.10 273	0.10 288	0.11 294	0.13 322

psm_up	0.18 274	0.10 243	0.18 269	0.20 272	0.11 259	0.17 224	0.19 267	0.37 342	0.34 291	0.21 255	0.28 262	0.29 296	0.24 308	0.20 266	0.22 296	0.09 241	0.10 315	0.11 300	0.11 311	0.08 204	0.08 223

Nwc_Net	0.23 326	0.16 323	0.21 291	0.25 344	0.14 323	0.24 311	0.26 346	0.37 342	0.38 313	0.22 268	0.41 346	0.30 304	0.28 335	0.28 333	0.25 325	0.11 293	0.10 315	0.17 355	0.20 367	0.10 279	0.10 275

DeepPrunerF	0.24 334	0.17 334	0.42 361	0.26 349	0.16 344	0.22 293	0.28 358	0.37 342	0.50 357	0.26 306	0.29 273	0.24 257	0.28 335	0.21 282	0.22 296	0.15 351	0.11 324	0.20 367	0.18 365	0.12 308	0.13 322

StereoDRNet	0.18 274	0.11 263	0.17 251	0.22 309	0.11 259	0.21 285	0.22 308	0.37 342	0.33 280	0.24 288	0.28 262	0.30 304	0.19 275	0.20 266	0.20 268	0.09 241	0.08 274	0.11 300	0.09 256	0.09 252	0.07 163

CSAN	0.29 358	0.24 366	0.27 321	0.34 377	0.19 366	0.33 356	0.42 392	0.37 342	0.50 357	0.38 357	0.40 336	0.44 364	0.33 355	0.28 333	0.30 356	0.20 373	0.16 362	0.19 365	0.19 366	0.14 337	0.15 347

Wz-Net-SNSev	0.25 343	0.17 334	0.44 362	0.25 344	0.14 323	0.26 329	0.23 318	0.38 349	0.56 369	0.30 332	0.55 371	0.39 353	0.26 319	0.23 304	0.30 356	0.10 272	0.09 297	0.09 232	0.10 288	0.11 294	0.11 298

SHD	0.26 349	0.15 316	0.30 335	0.24 333	0.18 364	0.22 293	0.15 117	0.38 349	0.71 389	0.32 344	0.41 346	0.36 337	0.28 335	0.32 349	0.29 352	0.12 317	0.11 324	0.14 339	0.13 338	0.16 355	0.20 373

RYNet	0.22 311	0.12 277	0.22 296	0.19 231	0.17 357	0.46 375	0.26 346	0.38 349	0.48 350	0.24 288	0.28 262	0.34 331	0.23 302	0.20 266	0.30 356	0.10 272	0.06 195	0.09 232	0.09 256	0.13 325	0.15 347

SANet	0.24 334	0.14 310	0.28 326	0.21 296	0.11 259	0.27 336	0.24 327	0.38 349	0.64 382	0.36 352	0.40 336	0.43 362	0.26 319	0.27 322	0.24 316	0.12 317	0.09 297	0.10 273	0.09 256	0.13 325	0.11 298

WZ-Net	0.28 354	0.17 334	0.78 398	0.22 309	0.16 344	0.34 359	0.29 366	0.39 353	0.57 371	0.24 288	0.55 371	0.37 341	0.24 308	0.33 351	0.35 370	0.09 241	0.08 274	0.09 232	0.10 288	0.14 337	0.16 358

APVNet	0.22 311	0.12 277	0.19 278	0.18 184	0.14 323	0.32 350	0.31 379	0.39 353	0.32 274	0.27 312	0.40 336	0.30 304	0.29 343	0.26 319	0.25 325	0.11 293	0.12 333	0.11 300	0.14 342	0.12 308	0.12 309

MaskLacGwcNet_RVC	0.22 311	0.21 358	0.24 308	0.26 349	0.11 259	0.23 306	0.14 71	0.39 353	0.24 197	0.32 344	0.36 312	0.30 304	0.21 287	0.19 247	0.21 287	0.17 366	0.14 353	0.21 368	0.16 354	0.12 308	0.12 309

DRN-Test	0.19 284	0.11 263	0.20 286	0.22 309	0.10 221	0.22 293	0.22 308	0.39 353	0.37 308	0.24 288	0.32 289	0.26 275	0.21 287	0.22 293	0.24 316	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

NINENet	0.16 243	0.10 243	0.15 196	0.17 117	0.11 259	0.19 259	0.14 71	0.40 357	0.36 302	0.18 217	0.21 178	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.08 274	0.10 273	0.07 165	0.10 279	0.09 256

NCC-stereo	0.24 334	0.15 316	0.31 337	0.26 349	0.16 344	0.20 271	0.30 373	0.40 357	0.40 322	0.24 288	0.38 323	0.33 325	0.28 335	0.36 365	0.27 341	0.12 317	0.11 324	0.15 347	0.22 372	0.13 325	0.13 322

Abc-Net	0.24 334	0.15 316	0.31 337	0.26 349	0.16 344	0.20 271	0.30 373	0.40 357	0.40 322	0.24 288	0.38 323	0.33 325	0.28 335	0.36 365	0.27 341	0.12 317	0.11 324	0.15 347	0.22 372	0.13 325	0.13 322
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
FC-DCNN	0.33 369	0.27 373	0.28 326	0.26 349	0.23 375	0.37 369	0.28 358	0.40 357	0.43 336	0.45 374	0.55 371	0.51 376	0.40 371	0.37 369	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 380	0.24 379

MeshStereo	0.27 351	0.13 298	0.18 269	0.15 39	0.11 259	0.32 350	0.24 327	0.40 357	0.36 302	0.52 379	0.57 377	0.67 390	0.40 371	0.35 360	0.26 334	0.14 348	0.13 346	0.13 329	0.11 311	0.11 294	0.10 275
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
otaku	0.39 373	0.37 386	0.52 371	0.44 388	0.28 383	0.58 385	0.24 327	0.41 362	0.62 380	0.40 362	0.49 362	0.46 370	0.33 355	0.40 377	0.32 364	0.30 388	0.30 390	0.39 390	0.33 389	0.29 385	0.28 386

ADCS	0.29 358	0.18 344	0.45 363	0.21 296	0.17 357	0.28 342	0.23 318	0.41 362	0.63 381	0.40 362	0.49 362	0.40 356	0.36 363	0.39 373	0.40 381	0.13 337	0.12 333	0.13 329	0.14 342	0.16 355	0.16 358

GANet	0.21 302	0.12 277	0.21 291	0.24 333	0.13 306	0.22 293	0.22 308	0.41 362	0.26 229	0.31 338	0.42 351	0.37 341	0.28 335	0.23 304	0.22 296	0.10 272	0.12 333	0.10 273	0.09 256	0.10 279	0.08 223

SGM-ForestM	0.32 366	0.12 277	0.16 226	0.16 70	0.11 259	0.39 372	0.19 267	0.41 362	0.50 357	0.52 379	0.54 370	1.32 409	0.42 378	0.40 377	0.27 341	0.14 348	0.16 362	0.16 353	0.16 354	0.12 308	0.12 309

FBW_ROB	0.24 334	0.17 334	0.22 296	0.26 349	0.14 323	0.25 321	0.22 308	0.41 362	0.41 325	0.41 366	0.41 346	0.42 359	0.27 327	0.31 343	0.23 306	0.09 241	0.14 353	0.14 339	0.12 329	0.11 294	0.09 256

FCDSN-DC	0.33 369	0.28 376	0.28 326	0.30 372	0.24 376	0.39 372	0.28 358	0.42 367	0.42 331	0.43 372	0.53 368	0.51 376	0.41 375	0.36 365	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 380	0.24 379
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
LSM	0.33 369	0.20 352	0.58 379	0.26 349	0.60 404	0.34 359	0.25 340	0.42 367	0.48 350	0.45 374	0.58 379	0.42 359	0.36 363	0.35 360	0.25 325	0.12 317	0.20 375	0.14 339	0.16 354	0.19 368	0.33 392

LALA_ROB	0.25 343	0.16 323	0.22 296	0.26 349	0.17 357	0.27 336	0.27 353	0.42 367	0.37 308	0.33 348	0.38 323	0.51 376	0.26 319	0.28 333	0.27 341	0.16 362	0.09 297	0.12 315	0.11 311	0.13 325	0.12 309

MDST_ROB	0.22 311	0.10 243	0.17 251	0.18 184	0.11 259	0.37 369	0.19 267	0.43 370	0.41 325	0.39 359	0.39 331	0.29 296	0.21 287	0.26 319	0.18 253	0.11 293	0.10 315	0.14 339	0.11 311	0.10 279	0.08 223

PSMNet_ROB	0.21 302	0.11 263	0.15 196	0.27 360	0.15 334	0.24 311	0.35 383	0.43 370	0.37 308	0.27 312	0.32 289	0.32 322	0.22 296	0.21 282	0.26 334	0.12 317	0.08 274	0.13 329	0.11 311	0.09 252	0.09 256

GASNet	0.22 311	0.23 363	0.33 342	0.26 349	0.17 357	0.26 329	0.16 175	0.44 372	0.42 331	0.27 312	0.24 202	0.30 304	0.15 211	0.27 322	0.18 253	0.12 317	0.08 274	0.12 315	0.11 311	0.16 355	0.07 163

NVstereo2D	0.19 284	0.10 243	0.15 196	0.17 117	0.15 334	0.28 342	0.23 318	0.44 372	0.42 331	0.15 153	0.27 253	0.25 267	0.19 275	0.22 293	0.17 239	0.09 241	0.06 195	0.10 273	0.08 215	0.15 348	0.09 256

PDISCO_ROB	0.27 351	0.16 323	0.26 315	0.28 363	0.20 369	0.32 350	0.26 346	0.44 372	0.57 371	0.28 323	0.40 336	0.45 366	0.29 343	0.33 351	0.34 369	0.12 317	0.09 297	0.17 355	0.16 354	0.17 362	0.13 322

ccnet	0.29 358	0.28 376	0.23 305	0.20 272	0.28 383	0.41 374	0.21 298	0.45 375	0.33 280	0.36 352	0.46 358	0.36 337	0.30 347	0.39 373	0.42 385	0.23 383	0.14 353	0.21 368	0.17 361	0.23 373	0.18 367

CC-Net-ROB	0.28 354	0.31 381	0.36 351	0.29 370	0.15 334	0.25 321	0.19 267	0.45 375	0.33 280	0.39 359	0.37 318	0.39 353	0.31 351	0.27 322	0.26 334	0.24 385	0.19 372	0.30 386	0.23 376	0.18 365	0.15 347

Ntro	0.40 376	0.40 388	0.53 372	0.46 392	0.30 387	0.65 391	0.24 327	0.46 377	0.68 387	0.41 366	0.49 362	0.48 374	0.42 378	0.39 373	0.31 363	0.32 389	0.28 388	0.37 389	0.30 386	0.32 390	0.29 387

SAMSARA	0.40 376	0.28 376	0.33 342	0.55 395	0.39 389	0.82 405	1.23 419	0.47 378	0.51 364	0.36 352	0.35 309	0.55 381	0.39 368	0.38 370	0.39 379	0.15 351	0.20 375	0.15 347	0.14 342	0.23 373	0.20 373

GANetREF_RVC	0.31 364	0.34 383	0.27 321	0.35 379	0.16 344	0.32 350	0.41 389	0.48 379	0.51 364	0.35 350	0.35 309	0.34 331	0.33 355	0.39 373	0.32 364	0.27 387	0.20 375	0.29 384	0.15 352	0.18 365	0.17 365
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
NVStereoNet_ROB	0.46 386	0.36 385	0.46 366	0.41 386	0.28 383	0.34 359	0.34 382	0.48 379	0.60 378	0.72 392	0.93 400	0.70 393	0.66 396	0.47 382	0.60 399	0.22 379	0.33 391	0.34 388	0.34 391	0.30 386	0.30 389
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet-4b	0.39 373	0.53 392	0.55 375	0.45 389	0.24 376	0.47 377	0.18 236	0.49 381	0.64 382	0.42 369	0.45 357	0.60 383	0.27 327	0.34 354	0.24 316	0.33 390	0.14 353	0.48 393	0.42 393	0.30 386	0.26 385

ELAS_RVC	0.41 378	0.29 379	0.33 342	0.28 363	0.24 376	0.54 383	0.36 384	0.49 381	0.59 375	0.72 392	0.74 391	0.65 388	0.54 386	0.54 391	0.40 381	0.22 379	0.20 375	0.27 378	0.26 379	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 378	0.29 379	0.33 342	0.27 360	0.24 376	0.60 388	0.36 384	0.50 383	0.50 357	0.71 390	0.79 395	0.67 390	0.54 386	0.51 385	0.42 385	0.22 379	0.20 375	0.27 378	0.26 379	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
DPSNet	0.28 354	0.16 323	0.31 337	0.18 184	0.13 306	0.54 383	0.42 392	0.51 384	0.67 386	0.29 329	0.38 323	0.38 345	0.29 343	0.31 343	0.23 306	0.11 293	0.10 315	0.11 300	0.08 215	0.20 369	0.16 358

MFN_U_SF_RVC	0.32 366	0.21 358	0.55 375	0.30 372	0.15 334	0.34 359	0.17 196	0.52 385	0.46 348	0.46 376	0.55 371	0.59 382	0.39 368	0.35 360	0.37 375	0.15 351	0.14 353	0.18 363	0.21 369	0.16 355	0.15 347

PVD	0.39 373	0.20 352	0.39 357	0.31 376	0.22 373	0.29 345	0.43 394	0.52 385	0.96 402	0.55 382	0.79 395	0.53 379	0.59 392	0.52 387	0.38 377	0.19 371	0.14 353	0.17 355	0.14 342	0.24 379	0.31 390

MSC_U_SF_DS_RVC	0.43 380	0.39 387	0.54 373	0.40 384	0.20 369	0.64 390	0.32 381	0.53 387	0.72 390	0.71 390	0.72 388	0.61 384	0.54 386	0.51 385	0.46 389	0.20 373	0.19 372	0.29 384	0.30 386	0.23 373	0.18 367

BEATNet-Init1	0.52 388	0.27 373	0.62 382	0.30 372	0.21 371	0.76 402	0.29 366	0.54 388	0.65 384	0.86 401	0.95 402	2.07 418	0.62 395	0.56 393	0.42 385	0.18 367	0.18 369	0.23 373	0.22 372	0.22 372	0.21 375

MANE	0.45 383	0.27 373	0.27 321	0.27 360	0.24 376	0.47 377	0.31 379	0.55 389	0.59 375	0.72 392	1.13 411	1.15 403	0.61 393	0.52 387	0.37 375	0.21 376	0.20 375	0.27 378	0.31 388	0.25 380	0.24 379

anonymity	0.53 389	0.58 394	0.65 384	0.41 386	0.61 405	0.53 382	0.41 389	0.56 390	0.41 325	0.55 382	0.50 366	0.49 375	0.55 389	0.58 394	0.50 395	0.58 403	0.50 404	0.51 395	0.51 400	0.51 394	0.57 401

SGM+DAISY	0.56 391	0.57 393	0.65 384	0.40 384	0.54 397	0.66 393	0.49 396	0.56 390	0.45 347	0.66 386	0.69 385	0.67 390	0.56 390	0.63 396	0.56 397	0.59 404	0.48 400	0.50 394	0.50 399	0.52 395	0.58 402

ACVNet_1	0.44 381	0.49 391	0.60 380	0.45 389	0.28 383	0.49 380	0.27 353	0.57 392	0.72 390	0.62 385	0.58 379	0.74 394	0.49 384	0.50 384	0.35 370	0.26 386	0.24 385	0.39 390	0.29 384	0.31 389	0.24 379

Consistency-Raft	0.44 381	0.40 388	0.45 363	0.37 383	0.43 392	0.46 375	0.41 389	0.57 392	0.55 367	0.32 344	0.73 389	0.33 325	0.48 383	0.42 380	0.49 392	0.39 392	0.35 392	0.45 392	0.51 400	0.42 392	0.29 387

RainbowNet	0.54 390	0.61 396	0.70 396	0.57 396	0.43 392	0.65 391	0.37 387	0.60 394	0.87 399	0.50 378	0.66 382	0.64 386	0.47 382	0.49 383	0.43 388	0.47 398	0.48 400	0.52 397	0.41 392	0.52 395	0.40 397

SPS-STEREO	0.57 392	0.58 394	0.65 384	0.45 389	0.55 399	0.62 389	0.44 395	0.62 395	0.50 357	0.68 388	0.64 381	0.66 389	0.57 391	0.61 395	0.60 399	0.62 406	0.47 399	0.51 395	0.49 397	0.55 399	0.58 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
MFMNet_re	0.64 393	0.66 400	0.65 384	0.51 393	0.69 409	0.69 394	0.57 402	0.64 396	0.73 393	0.60 384	0.73 389	0.62 385	0.67 397	0.65 397	0.60 399	0.66 407	0.58 413	0.63 399	0.59 403	0.68 405	0.69 411

MADNet+	0.75 400	0.71 402	3.70 419	0.66 398	0.41 390	0.98 410	0.97 417	0.69 397	0.73 393	0.52 379	0.57 377	0.64 386	0.68 398	0.86 407	1.01 415	0.34 391	0.36 393	0.28 383	0.23 376	0.36 391	0.31 390

JetBlue	0.71 397	0.45 390	1.14 408	0.51 393	0.47 394	2.02 419	0.64 406	0.75 398	0.70 388	0.69 389	0.77 394	1.22 405	0.83 403	1.03 415	1.01 415	0.40 393	0.28 388	0.33 387	0.33 389	0.30 386	0.34 393

UNDER WATER-64	0.95 409	0.94 412	1.43 412	0.87 409	0.56 400	1.18 418	0.87 414	0.77 399	0.94 401	1.04 408	0.85 397	1.58 416	1.21 417	0.94 412	0.96 413	0.87 414	0.57 412	1.03 414	0.88 415	0.78 412	0.73 412

UNDER WATER	0.97 410	0.97 414	1.42 411	0.99 413	0.70 412	1.12 417	0.84 413	0.80 400	1.08 403	1.01 407	0.90 398	1.55 415	1.22 418	1.03 415	1.00 414	0.78 412	0.53 407	1.02 413	0.87 414	0.80 413	0.74 413

TorneroNet-64	0.76 401	0.72 403	0.74 397	0.78 403	0.58 403	0.91 409	0.56 401	0.84 401	1.29 408	0.66 386	0.90 398	1.40 411	0.75 400	0.85 406	0.67 405	0.49 399	0.46 395	0.72 403	0.59 403	0.67 404	0.53 400

PWCK	0.71 397	0.94 412	0.95 405	0.76 401	0.31 388	0.74 398	0.36 384	0.90 402	0.90 400	0.96 405	0.75 393	0.95 398	0.61 393	0.87 408	0.66 402	0.72 408	0.46 395	0.75 404	0.49 397	0.69 407	0.44 399

IMH-64-1	0.65 394	0.61 396	0.68 392	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 397	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 392	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

IMH-64	0.65 394	0.61 396	0.68 392	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 397	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 392	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

notaker	0.97 410	1.11 415	0.98 406	1.13 415	0.81 413	0.73 397	0.68 410	0.93 405	1.16 405	1.18 414	1.18 413	1.41 412	1.16 416	1.08 417	0.69 406	0.81 413	0.64 415	1.17 415	0.79 412	0.98 415	0.80 416

ktn	1.01 412	1.21 417	0.80 401	1.23 418	0.86 415	1.01 413	0.87 414	0.94 406	1.39 411	1.04 408	1.12 410	1.15 403	1.07 412	0.94 412	0.59 398	1.28 419	0.71 417	1.38 419	0.83 413	1.02 417	0.75 414

TorneroNet	0.82 404	0.74 404	0.81 402	0.84 406	0.63 406	0.99 411	0.63 404	0.96 407	1.16 405	0.80 399	1.11 409	1.36 410	0.86 405	0.93 411	0.80 410	0.56 401	0.49 402	0.78 408	0.66 407	0.73 410	0.63 410

ACVNet_2	0.66 396	0.66 400	0.68 392	0.63 397	0.41 390	0.71 396	0.49 396	0.96 407	1.39 411	0.89 402	1.09 407	1.04 399	0.73 399	0.54 391	0.47 390	0.43 396	0.40 394	0.53 398	0.44 394	0.47 393	0.35 394

WAO-6	0.81 403	0.80 406	0.62 382	0.86 408	0.63 406	0.76 402	0.58 403	0.98 409	1.54 416	0.90 403	0.96 403	1.07 401	1.03 411	0.70 399	0.66 402	0.72 408	0.49 402	0.90 411	0.71 409	0.68 405	0.58 402

IMH	0.71 397	0.64 399	0.68 392	0.76 401	0.54 397	0.69 394	0.54 400	0.98 409	1.10 404	0.82 400	1.09 407	0.89 397	0.88 406	0.87 408	0.52 396	0.44 397	0.50 404	0.75 404	0.51 400	0.56 400	0.41 398

HanzoNet	1.29 415	1.26 419	1.19 409	1.12 414	0.85 414	1.02 414	0.83 412	1.03 411	1.48 415	1.64 417	1.61 419	2.50 420	1.72 419	1.61 419	1.61 418	1.26 418	0.80 418	1.31 418	1.01 417	1.02 417	0.86 417

WAO-7	0.79 402	0.78 405	0.54 373	0.85 407	0.67 408	0.74 398	0.68 410	1.05 412	1.32 409	0.90 403	1.20 414	1.04 399	0.92 407	0.69 398	0.66 402	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.58 402

LVE	0.83 405	0.85 409	0.85 403	0.80 404	0.56 400	1.04 415	0.65 407	1.05 412	1.47 414	0.96 405	1.22 415	1.10 402	0.85 404	0.83 403	0.71 407	0.49 399	0.55 410	0.76 406	0.60 405	0.65 402	0.59 407

WAO-8	0.91 407	0.81 407	0.65 384	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

Venus	0.91 407	0.81 407	0.65 384	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

KSHMR	1.09 413	1.17 416	0.88 404	1.25 419	1.00 418	0.99 411	0.96 416	1.13 416	1.37 410	1.16 413	1.29 416	1.41 412	0.96 409	1.01 414	0.92 412	1.03 417	1.08 419	1.20 416	1.03 418	1.01 416	0.97 418

Dean	0.87 406	0.86 410	0.79 400	0.81 405	0.56 400	0.90 406	0.63 404	1.15 417	1.73 417	1.15 412	1.15 412	1.31 408	0.99 410	0.81 402	0.81 411	0.57 402	0.56 411	0.77 407	0.64 406	0.66 403	0.58 402

DPSimNet_ROB	1.11 414	1.23 418	0.78 398	1.13 415	0.88 416	1.10 416	1.13 418	1.16 418	1.23 407	1.43 416	1.02 404	1.41 412	1.10 415	0.90 410	1.60 417	1.46 420	0.51 406	1.21 417	1.03 418	0.90 414	1.01 420

JetRed	1.62 416	1.46 420	2.98 415	0.92 410	1.21 419	4.99 421	1.53 421	1.27 419	1.39 411	1.83 418	1.74 420	1.60 417	0.95 408	1.41 418	2.45 421	0.90 416	1.60 420	0.93 412	0.90 416	1.35 419	0.99 419

MADNet++	1.95 417	1.75 421	1.59 414	1.82 420	1.69 421	2.33 420	1.40 420	2.35 420	2.09 421	2.57 420	2.36 421	2.24 419	2.17 420	2.28 420	2.34 420	1.87 421	1.66 421	1.54 420	1.34 420	1.92 420	1.77 422

PML	8.91 426	9.34 432	6.13 420	5.35 425	6.41 426	14.99 427	23.38 431	5.27 421	6.83 423	18.04 432	28.19 441	7.67 424	6.83 423	7.85 425	5.75 422	5.35 427	1.83 422	5.95 431	1.93 422	8.64 429	2.52 423

DPSMNet_ROB	8.06 424	4.48 424	8.63 428	5.37 427	10.74 429	8.32 423	22.98 430	5.46 422	13.36 429	5.12 422	9.92 425	5.08 422	10.40 427	5.53 424	12.58 427	3.80 426	8.00 427	3.50 423	7.02 426	3.83 425	7.14 428

DGTPSM_ROB	8.06 424	4.48 424	8.63 428	5.35 425	10.72 428	8.32 423	22.97 429	5.46 422	13.35 428	5.12 422	9.92 425	5.08 422	10.40 427	5.52 423	12.58 427	3.79 425	8.00 427	3.50 423	7.02 426	3.83 425	7.14 428

LRCNet_RVC	10.62 428	13.42 433	7.30 421	18.92 432	2.07 422	0.33 356	0.30 373	5.59 424	0.48 350	13.03 430	17.94 431	8.87 425	5.65 422	4.79 422	1.89 419	23.51 439	2.73 426	27.55 440	25.71 440	16.07 437	16.33 438

xxxxx1	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

tt_ll	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

ff	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

tt	4.67 419	0.06 20	3.55 418	2.02 421	1.55 420	10.25 425	16.71 425	8.91 428	5.03 422	1.31 415	0.94 401	4.71 421	4.76 421	3.33 421	5.87 423	6.06 428	10.30 432	1.88 422	2.11 423	2.75 421	1.21 421

Anonymous_1	10.96 429	7.92 429	7.46 425	10.33 428	10.06 427	18.65 432	26.34 432	11.06 429	13.44 430	9.40 427	10.05 427	9.67 429	11.23 429	10.73 429	12.72 429	6.42 429	8.38 429	5.77 428	10.61 428	12.12 430	6.77 427

DPSM_ROB	11.15 430	8.58 430	8.00 426	10.88 429	11.58 430	19.10 433	26.71 433	12.05 430	14.07 431	10.36 428	10.84 428	10.33 430	11.86 430	11.70 430	13.54 430	6.99 430	8.79 430	5.89 429	6.95 424	7.29 427	7.42 430

DPSM	11.15 430	8.58 430	8.00 426	10.88 429	11.58 430	19.10 433	26.71 433	12.05 430	14.07 431	10.36 428	10.84 428	10.33 430	11.86 430	11.70 430	13.54 430	6.99 430	8.79 430	5.89 429	6.95 424	7.29 427	7.42 430

HaxPig	15.71 433	18.52 440	19.18 436	16.89 431	15.89 433	7.73 422	7.60 422	13.31 432	10.82 427	15.42 431	14.91 430	15.98 432	14.92 432	15.58 432	15.98 433	18.95 438	16.73 433	19.46 438	18.08 438	19.26 438	19.05 439

MEDIAN_ROB	20.38 434	24.04 441	23.31 438	21.23 433	21.71 434	10.40 426	7.92 423	17.64 433	15.50 433	20.12 433	19.70 432	20.34 433	20.32 433	21.19 433	21.13 434	23.81 440	21.81 440	24.98 439	23.76 439	24.71 439	23.93 440

AVERAGE_ROB	24.90 441	29.20 442	28.14 439	24.89 440	24.64 440	17.75 431	11.12 424	21.45 434	19.93 434	25.12 441	24.46 440	25.12 441	25.46 441	24.69 441	22.83 435	29.76 441	27.13 441	28.97 441	27.95 441	29.91 440	29.47 441

CasAABBNet	22.42 435	17.33 435	16.01 430	22.01 437	23.28 438	38.32 436	53.80 440	24.14 435	28.41 436	20.60 434	21.77 434	20.89 438	23.91 438	23.43 434	27.36 436	14.07 432	17.69 435	11.83 436	14.01 433	14.67 434	14.95 436

MyStereo03	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

MyStereo02	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

MyStereo	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

LSM0	22.87 440	17.28 434	18.96 435	22.19 439	29.04 441	38.42 441	53.71 436	24.28 439	28.31 435	20.78 436	21.00 433	21.43 439	24.16 439	23.50 438	27.39 437	14.09 437	17.38 434	11.84 437	14.04 437	14.73 436	14.89 432

Selective-RAFT-Error	22.47 439	17.37 439	16.09 431	22.06 438	23.34 439	38.39 440	53.83 441	24.29 440	28.47 440	20.74 435	21.83 435	20.81 437	23.90 437	23.54 439	27.53 441	14.08 433	17.69 435	11.82 432	14.00 432	14.69 435	15.00 437

test_example2	98.32 442	94.13 443	45.89 440	96.35 441	109.85 442	88.61 442	95.45 442	25.75 441	94.37 442	130.00 442	126.06 442	58.17 442	74.63 442	88.51 442	79.96 442	150.23 442	221.02 442	77.62 442	99.10 442	113.75 442	96.94 442

SPstereo	13.84 432	0.93 411	1.50 413	1.22 417	0.88 416	28.82 435	48.26 435	26.77 442	29.54 441	22.37 440	22.60 439	23.23 440	24.68 440	24.53 440	15.06 432	0.88 415	0.69 416	1.83 421	1.60 421	0.74 411	0.77 415

ASD4		3.38 423

Low-res two-view benchmark