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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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
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

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

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

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.
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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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.
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

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

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

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

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

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

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

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

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

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

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)
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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_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

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

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

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

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

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

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

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

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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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
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
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

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

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

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

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

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

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

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

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
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

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

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

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

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
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

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

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

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

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

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

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

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

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.
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

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

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

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
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

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

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
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.
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

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

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

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

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

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

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
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

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

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

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

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

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
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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ASD4		3.38 423

Low-res two-view benchmark