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

IGEV-BASED-STEREO-	0.20 134	0.72 440	0.70 364	0.17 6	0.08 3	0.15 6	0.15 37	0.18 2	0.16 4	0.13 7	0.12 4	0.09 1	0.08 1	0.16 10	0.13 35	0.35 431	0.04 1	0.08 88	0.07 67	0.11 263	0.23 409

4D-IteraStereo	0.17 61	0.16 256	0.50 282	0.21 118	0.14 204	0.19 53	0.17 86	0.28 54	0.28 119	0.23 86	0.20 58	0.20 84	0.11 18	0.19 41	0.14 59	0.06 1	0.04 1	0.10 220	0.08 136	0.08 101	0.06 28

CAS	0.15 36	0.07 1	0.21 8	0.41 422	0.16 275	0.20 77	0.18 121	0.22 8	0.19 16	0.15 22	0.19 42	0.11 6	0.09 4	0.14 2	0.13 35	0.29 424	0.04 1	0.06 1	0.04 1	0.06 8	0.14 332

test-3	0.16 47	0.09 15	0.31 80	0.21 118	0.11 53	0.18 30	0.16 59	0.30 81	0.27 105	0.26 119	0.16 27	0.22 104	0.12 30	0.26 129	0.18 143	0.06 1	0.04 1	0.08 88	0.08 136	0.06 8	0.06 28

test_1	0.16 47	0.09 15	0.31 80	0.21 118	0.11 53	0.18 30	0.16 59	0.30 81	0.27 105	0.25 108	0.16 27	0.22 104	0.12 30	0.26 129	0.18 143	0.06 1	0.04 1	0.08 88	0.08 136	0.06 8	0.06 28

CREStereo++_RVC	0.15 36	0.08 3	0.26 32	0.17 6	0.11 53	0.18 30	0.13 9	0.22 8	0.30 148	0.21 78	0.30 138	0.13 17	0.11 18	0.16 10	0.15 75	0.07 22	0.04 1	0.06 1	0.15 369	0.06 8	0.05 1
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
WCG-NET	0.14 17	0.09 15	0.23 16	0.19 36	0.11 53	0.21 100	0.13 9	0.28 54	0.21 39	0.18 61	0.19 42	0.18 63	0.12 30	0.22 74	0.12 11	0.08 119	0.05 7	0.07 21	0.06 33	0.08 101	0.06 28

IGEV-Stereo++	0.11 1	0.08 3	0.15 1	0.19 36	0.11 53	0.14 4	0.10 1	0.22 8	0.18 11	0.10 1	0.13 10	0.10 2	0.11 18	0.14 2	0.11 1	0.06 1	0.05 7	0.06 1	0.05 11	0.06 8	0.05 1

Pointernet	0.13 6	0.07 1	0.27 40	0.19 36	0.11 53	0.20 77	0.12 5	0.31 89	0.24 75	0.15 22	0.15 22	0.13 17	0.11 18	0.17 17	0.13 35	0.08 119	0.05 7	0.06 1	0.05 11	0.06 8	0.05 1

U	1.00 443	0.09 15	0.21 8	0.21 118	3.68 469	6.12 472	0.14 21	0.21 6	0.21 39	0.11 3	0.11 3	0.10 2	0.09 4	0.12 1	0.11 1	0.07 22	0.05 7	5.42 475	2.90 473	0.07 51	0.06 28

IGEV-Stereo+	0.12 2	0.08 3	0.17 2	0.18 12	0.13 163	0.09 1	0.11 3	0.16 1	0.15 2	0.10 1	0.08 1	0.10 2	0.10 10	0.21 64	0.11 1	0.07 22	0.05 7	0.06 1	0.05 11	0.16 348	0.24 414

AIO-Stereo	0.13 6	0.10 36	0.22 13	0.20 79	0.09 10	0.16 14	0.15 37	0.27 40	0.16 4	0.13 7	0.15 22	0.13 17	0.08 1	0.18 30	0.11 1	0.06 1	0.05 7	0.07 21	0.07 67	0.06 8	0.06 28

RSM++	0.12 2	0.09 15	0.19 3	0.20 79	0.09 10	0.17 22	0.15 37	0.21 6	0.19 16	0.12 4	0.12 4	0.14 33	0.09 4	0.20 48	0.12 11	0.06 1	0.05 7	0.07 21	0.07 67	0.07 51	0.05 1

RSM	0.12 2	0.09 15	0.20 6	0.20 79	0.09 10	0.16 14	0.15 37	0.23 16	0.18 11	0.13 7	0.13 10	0.15 41	0.09 4	0.21 64	0.12 11	0.06 1	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

RAFT-Stereo-weight	0.15 36	0.09 15	0.26 32	0.20 79	0.10 28	0.19 53	0.17 86	0.36 158	0.29 137	0.24 100	0.20 58	0.19 77	0.10 10	0.18 30	0.15 75	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.05 1

trnet	0.13 6	0.08 3	0.21 8	0.15 2	0.07 1	0.21 100	0.12 5	0.24 26	0.24 75	0.16 39	0.21 69	0.15 41	0.13 54	0.18 30	0.13 35	0.08 119	0.05 7	0.06 1	0.04 1	0.06 8	0.05 1

ACVNet-DCA	0.18 82	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.41 203	0.27 105	0.17 48	0.19 42	0.13 17	0.18 143	0.28 157	0.11 1	0.08 119	0.05 7	0.08 88	0.06 33	0.09 163	0.09 196

xx1	0.20 134	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.35 140	0.47 328	0.17 48	0.19 42	0.28 188	0.24 215	0.28 157	0.11 1	0.08 119	0.05 7	0.10 220	0.09 219	0.09 163	0.09 196

1test111	0.19 120	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.41 203	0.27 105	0.17 48	0.19 42	0.13 17	0.18 143	0.34 208	0.22 221	0.08 119	0.05 7	0.08 88	0.06 33	0.09 163	0.09 196

cc1	0.18 82	0.14 203	0.38 164	0.23 215	0.11 53	0.31 269	0.19 159	0.35 140	0.47 328	0.17 48	0.19 42	0.13 17	0.18 143	0.28 157	0.11 1	0.08 119	0.05 7	0.08 88	0.06 33	0.08 101	0.08 142

ff7	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

ffff	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

ffm	0.22 179	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.35 140	0.44 298	0.30 194	0.42 275	0.34 247	0.23 197	0.27 145	0.11 1	0.08 119	0.05 7	0.11 272	0.10 255	0.08 101	0.08 142

ff1	0.29 301	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.35 140	0.44 298	0.30 194	0.42 275	0.34 247	0.23 197	0.81 397	1.08 429	0.08 119	0.05 7	0.11 272	0.10 255	0.08 101	0.08 142

11t	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

tt1	0.18 82	0.14 203	0.35 117	0.23 215	0.11 53	0.30 254	0.19 159	0.35 140	0.44 298	0.17 48	0.19 42	0.13 17	0.16 95	0.27 145	0.11 1	0.08 119	0.05 7	0.08 88	0.06 33	0.08 101	0.08 142

CASnet	0.14 17	0.12 106	0.22 13	0.22 172	0.08 3	0.16 14	0.15 37	0.27 40	0.25 86	0.22 83	0.20 58	0.15 41	0.11 18	0.17 17	0.13 35	0.07 22	0.05 7	0.11 272	0.09 219	0.08 101	0.05 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
testlalala	0.15 36	0.10 36	0.36 137	0.19 36	0.12 96	0.23 143	0.16 59	0.26 30	0.19 16	0.24 100	0.19 42	0.14 33	0.11 18	0.16 10	0.13 35	0.07 22	0.05 7	0.07 21	0.06 33	0.05 1	0.05 1

AEACV	0.13 6	0.09 15	0.23 16	0.18 12	0.19 334	0.19 53	0.16 59	0.23 16	0.14 1	0.13 7	0.17 30	0.13 17	0.16 95	0.16 10	0.12 11	0.07 22	0.05 7	0.07 21	0.08 136	0.07 51	0.06 28

Any-RAFT	0.17 61	0.08 3	0.31 80	0.19 36	0.10 28	0.29 237	0.16 59	0.42 217	0.30 148	0.24 100	0.27 111	0.27 173	0.16 95	0.21 64	0.12 11	0.08 119	0.05 7	0.06 1	0.05 11	0.07 51	0.06 28

HH	0.18 82	0.12 106	0.55 310	0.22 172	0.12 96	0.18 30	0.18 121	0.34 119	0.19 16	0.20 69	0.24 90	0.34 247	0.18 143	0.29 172	0.12 11	0.07 22	0.05 7	0.07 21	0.07 67	0.07 51	0.06 28

HanStereo	0.18 82	0.12 106	0.55 310	0.22 172	0.12 96	0.18 30	0.18 121	0.34 119	0.19 16	0.20 69	0.24 90	0.34 247	0.18 143	0.29 172	0.12 11	0.07 22	0.05 7	0.07 21	0.07 67	0.07 51	0.06 28

LoS_RVC	0.13 6	0.10 36	0.19 3	0.18 12	0.16 275	0.20 77	0.18 121	0.20 4	0.17 8	0.13 7	0.19 42	0.12 8	0.15 81	0.17 17	0.13 35	0.06 1	0.05 7	0.06 1	0.04 1	0.05 1	0.12 300

anonymousdsp2	0.17 61	0.10 36	0.28 51	0.20 79	0.11 53	0.25 175	0.17 86	0.41 203	0.31 160	0.23 86	0.23 79	0.22 104	0.15 81	0.25 114	0.15 75	0.07 22	0.05 7	0.07 21	0.05 11	0.08 101	0.07 85

anonymousdsp	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.28 54	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.08 101	0.07 85

CES	0.14 17	0.08 3	0.19 3	0.17 6	0.22 371	0.18 30	0.16 59	0.23 16	0.19 16	0.14 18	0.17 30	0.14 33	0.10 10	0.18 30	0.12 11	0.07 22	0.05 7	0.06 1	0.04 1	0.08 101	0.18 373

Selective-IGEV	0.12 2	0.09 15	0.22 13	0.19 36	0.10 28	0.15 6	0.14 21	0.27 40	0.15 2	0.13 7	0.14 20	0.13 17	0.08 1	0.21 64	0.12 11	0.06 1	0.05 7	0.07 21	0.06 33	0.06 8	0.05 1

EGLCR-Stereo	0.13 6	0.08 3	0.20 6	0.18 12	0.09 10	0.21 100	0.13 9	0.27 40	0.21 39	0.13 7	0.10 2	0.15 41	0.09 4	0.20 48	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.06 28

ProNet	0.14 17	0.12 106	0.25 27	0.19 36	0.11 53	0.19 53	0.19 159	0.27 40	0.20 28	0.14 18	0.13 10	0.13 17	0.12 30	0.24 89	0.12 11	0.06 1	0.05 7	0.07 21	0.06 33	0.07 51	0.07 85

MC-Stereo	0.14 17	0.09 15	0.25 27	0.21 118	0.09 10	0.18 30	0.16 59	0.23 16	0.19 16	0.18 61	0.23 79	0.16 50	0.13 54	0.22 74	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

RCA-Stereo	0.16 47	0.09 15	0.25 27	0.20 79	0.10 28	0.19 53	0.17 86	0.36 158	0.35 203	0.20 69	0.25 97	0.17 55	0.17 120	0.18 30	0.14 59	0.07 22	0.05 7	0.07 21	0.06 33	0.06 8	0.05 1

DCANet-4	0.19 120	0.10 36	0.52 297	0.19 36	0.09 10	0.19 53	0.18 121	0.36 158	0.39 247	0.29 165	0.30 138	0.17 55	0.22 186	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

ccc-4	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.27 40	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.07 85

fff	0.19 120	0.13 164	0.40 184	0.18 12	0.09 10	0.19 53	0.18 121	0.35 140	0.43 284	0.29 165	0.30 138	0.18 63	0.28 273	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

ADStereo(finetuned)	0.19 120	0.13 164	0.49 272	0.19 36	0.09 10	0.19 53	0.18 121	0.34 119	0.39 247	0.29 165	0.31 152	0.18 63	0.31 311	0.21 64	0.19 168	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.07 85

RAFT+CT+SA	0.21 151	0.18 286	0.33 100	0.25 296	0.18 316	0.23 143	0.29 347	0.40 191	0.36 215	0.24 100	0.38 230	0.18 63	0.16 95	0.32 196	0.16 96	0.07 22	0.05 7	0.09 151	0.12 327	0.09 163	0.09 196

test_5	0.23 196	0.19 302	0.38 164	0.26 328	0.18 316	0.25 175	0.29 347	0.40 191	0.37 224	0.29 165	0.40 251	0.25 143	0.22 186	0.34 208	0.18 143	0.07 22	0.05 7	0.09 151	0.09 219	0.10 218	0.10 246

test_4	0.18 82	0.12 106	0.34 107	0.23 215	0.12 96	0.18 30	0.22 253	0.26 30	0.24 75	0.24 100	0.47 326	0.22 104	0.13 54	0.24 89	0.16 96	0.06 1	0.05 7	0.09 151	0.09 219	0.07 51	0.05 1

IGEV-Stereo	0.14 17	0.12 106	0.27 40	0.19 36	0.12 96	0.21 100	0.18 121	0.28 54	0.20 28	0.15 22	0.13 10	0.12 8	0.12 30	0.24 89	0.12 11	0.07 22	0.05 7	0.08 88	0.07 67	0.08 101	0.07 85
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
IPLG	0.21 151	0.15 233	0.53 301	0.21 118	0.12 96	0.28 217	0.17 86	0.42 217	0.30 148	0.33 244	0.32 159	0.15 41	0.17 120	0.50 265	0.21 203	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.06 28

MIPNet	0.21 151	0.15 233	0.52 297	0.21 118	0.12 96	0.27 202	0.20 201	0.45 243	0.37 224	0.30 194	0.23 79	0.19 77	0.24 215	0.27 145	0.19 168	0.07 22	0.05 7	0.08 88	0.07 67	0.07 51	0.06 28

test_3	0.18 82	0.11 82	0.32 86	0.24 259	0.11 53	0.22 124	0.25 313	0.31 89	0.31 160	0.25 108	0.18 37	0.23 124	0.13 54	0.25 114	0.19 168	0.06 1	0.05 7	0.09 151	0.10 255	0.07 51	0.06 28

LCNet	0.21 151	0.11 82	0.29 61	0.25 296	0.12 96	0.23 143	0.19 159	0.34 119	0.26 95	0.28 138	0.35 199	0.26 164	0.30 297	0.35 217	0.17 124	0.07 22	0.05 7	0.09 151	0.10 255	0.13 314	0.22 403

HHNet	0.22 179	0.12 106	0.52 297	0.18 12	0.18 316	0.20 77	0.20 201	0.34 119	0.31 160	0.32 233	0.59 372	0.20 84	0.21 173	0.24 89	0.31 302	0.08 119	0.05 7	0.09 151	0.07 67	0.08 101	0.11 278

AAGNet	0.33 332	0.11 82	0.37 145	0.25 296	0.16 275	0.20 77	0.19 159	0.30 81	0.27 105	0.35 279	0.35 199	0.27 173	0.30 297	0.44 245	2.66 465	0.08 119	0.05 7	0.10 220	0.07 67	0.08 101	0.06 28

STrans-v2	0.24 222	0.13 164	0.54 304	0.21 118	0.12 96	0.23 143	0.21 230	0.47 260	0.28 119	0.31 211	0.42 275	0.36 266	0.35 333	0.62 329	0.23 239	0.07 22	0.05 7	0.08 88	0.07 67	0.06 8	0.06 28

TransformOpticalFlow	0.24 222	0.13 164	0.56 314	0.23 215	0.11 53	0.21 100	0.19 159	0.40 191	0.32 168	0.30 194	0.43 287	0.36 266	0.31 311	0.61 321	0.20 181	0.07 22	0.05 7	0.08 88	0.07 67	0.06 8	0.07 85

KYRaft	0.22 179	0.10 36	0.30 67	0.23 215	0.12 96	0.23 143	0.23 276	0.35 140	0.24 75	0.35 279	0.54 357	0.34 247	0.26 241	0.29 172	0.15 75	0.07 22	0.05 7	0.09 151	0.10 255	0.08 101	0.31 425

SST-Stereo	0.21 151	0.10 36	0.37 145	0.24 259	0.13 163	0.19 53	0.17 86	0.31 89	0.24 75	0.34 263	0.33 179	0.29 197	0.25 232	0.56 300	0.17 124	0.08 119	0.05 7	0.10 220	0.08 136	0.09 163	0.07 85

RAFT_R40	0.21 151	0.10 36	0.37 145	0.24 259	0.13 163	0.18 30	0.18 121	0.31 89	0.29 137	0.33 244	0.33 179	0.30 213	0.24 215	0.55 290	0.18 143	0.08 119	0.05 7	0.10 220	0.08 136	0.08 101	0.07 85

PFNet	0.23 196	0.10 36	0.57 317	0.24 259	0.14 204	0.22 124	0.19 159	0.39 184	0.33 180	0.35 279	0.32 159	0.27 173	0.19 157	0.64 336	0.22 221	0.09 191	0.05 7	0.09 151	0.07 67	0.08 101	0.07 85

RAFT-RH_RVC	0.25 249	0.11 82	0.45 244	0.21 118	0.12 96	0.25 175	0.14 21	0.27 40	0.27 105	0.38 310	1.15 434	0.23 124	0.17 120	0.57 303	0.24 250	0.07 22	0.05 7	0.10 220	0.07 67	0.06 8	0.07 85

CRE-IMP	0.18 82	0.12 106	0.37 145	0.22 172	0.11 53	0.24 162	0.17 86	0.29 65	0.21 39	0.27 128	0.26 105	0.24 136	0.17 120	0.23 83	0.18 143	0.08 119	0.05 7	0.10 220	0.07 67	0.10 218	0.10 246

cross-raft	0.17 61	0.12 106	0.41 207	0.23 215	0.10 28	0.20 77	0.24 298	0.33 112	0.23 63	0.23 86	0.28 115	0.29 197	0.15 81	0.17 17	0.15 75	0.06 1	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

GMM-Stereo	0.21 151	0.10 36	0.43 226	0.23 215	0.13 163	0.24 162	0.25 313	0.37 167	0.27 105	0.30 194	0.45 310	0.27 173	0.21 173	0.31 190	0.17 124	0.07 22	0.05 7	0.10 220	0.09 219	0.08 101	0.19 381

Prome-Stereo	0.21 151	0.10 36	0.30 67	0.24 259	0.12 96	0.23 143	0.23 276	0.36 158	0.25 86	0.33 244	0.59 372	0.24 136	0.28 273	0.29 172	0.16 96	0.07 22	0.05 7	0.08 88	0.07 67	0.08 101	0.20 391

iRaftStereo_RVC	0.16 47	0.12 106	0.26 32	0.21 118	0.11 53	0.20 77	0.17 86	0.32 98	0.23 63	0.20 69	0.25 97	0.18 63	0.12 30	0.20 48	0.15 75	0.07 22	0.05 7	0.09 151	0.09 219	0.08 101	0.07 85

s12784h	0.17 61	0.09 15	0.26 32	0.18 12	0.07 1	0.32 277	0.19 159	0.37 167	0.32 168	0.23 86	0.25 97	0.18 63	0.17 120	0.25 114	0.16 96	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.05 1

XX-TBD	0.15 36	0.18 286	0.28 51	0.22 172	0.10 28	0.22 124	0.15 37	0.22 8	0.27 105	0.22 83	0.26 105	0.14 33	0.12 30	0.16 10	0.13 35	0.08 119	0.05 7	0.06 1	0.04 1	0.07 51	0.06 28

DCANet	0.18 82	0.13 164	0.40 184	0.19 36	0.09 10	0.19 53	0.18 121	0.34 119	0.39 247	0.29 165	0.31 152	0.18 63	0.23 197	0.20 48	0.19 168	0.07 22	0.05 7	0.07 21	0.05 11	0.06 8	0.07 85

csc	0.19 120	0.13 164	0.40 184	0.18 12	0.09 10	0.19 53	0.18 121	0.35 140	0.43 284	0.29 165	0.30 138	0.18 63	0.28 273	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

cscssc	0.19 120	0.13 164	0.40 184	0.18 12	0.09 10	0.19 53	0.18 121	0.35 140	0.43 284	0.29 165	0.30 138	0.18 63	0.28 273	0.20 48	0.18 143	0.07 22	0.05 7	0.07 21	0.05 11	0.05 1	0.07 85

111	0.20 134	0.17 272	0.40 184	0.18 12	0.09 10	0.24 162	0.17 86	0.41 203	0.45 309	0.23 86	0.29 126	0.29 197	0.21 173	0.24 89	0.18 143	0.07 22	0.05 7	0.07 21	0.06 33	0.07 51	0.08 142

RAFT-Stereo + iAFF	0.17 61	0.14 203	0.32 86	0.20 79	0.09 10	0.19 53	0.17 86	0.32 98	0.30 148	0.25 108	0.33 179	0.20 84	0.17 120	0.19 41	0.15 75	0.06 1	0.05 7	0.07 21	0.07 67	0.07 51	0.05 1

AFF-stereo	0.18 82	0.15 233	0.32 86	0.21 118	0.10 28	0.18 30	0.18 121	0.33 112	0.27 105	0.25 108	0.37 218	0.25 143	0.17 120	0.24 89	0.15 75	0.06 1	0.05 7	0.08 88	0.08 136	0.07 51	0.05 1

CFNet-RSSM	0.17 61	0.10 36	0.40 184	0.20 79	0.11 53	0.20 77	0.15 37	0.36 158	0.30 148	0.23 86	0.21 69	0.26 164	0.15 81	0.20 48	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.05 1

Gwc-CoAtRS	0.17 61	0.10 36	0.37 145	0.20 79	0.12 96	0.19 53	0.15 37	0.32 98	0.28 119	0.23 86	0.23 79	0.27 173	0.15 81	0.20 48	0.13 35	0.07 22	0.05 7	0.07 21	0.07 67	0.06 8	0.06 28

CREStereo	0.13 6	0.08 3	0.21 8	0.14 1	0.08 3	0.22 124	0.15 37	0.25 27	0.24 75	0.16 39	0.21 69	0.14 33	0.13 54	0.18 30	0.13 35	0.09 191	0.05 7	0.06 1	0.04 1	0.07 51	0.06 28
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	0.15 36	0.08 3	0.23 16	0.15 2	0.09 10	0.23 143	0.16 59	0.25 27	0.23 63	0.17 48	0.21 69	0.16 50	0.14 69	0.22 74	0.13 35	0.29 424	0.05 7	0.06 1	0.04 1	0.07 51	0.06 28

HITNet	0.20 134	0.17 272	0.43 226	0.19 36	0.08 3	0.27 202	0.14 21	0.42 217	0.30 148	0.29 165	0.32 159	0.27 173	0.21 173	0.28 157	0.25 259	0.07 22	0.05 7	0.07 21	0.06 33	0.09 163	0.06 28
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	0.22 179	0.16 256	0.44 234	0.21 118	0.08 3	0.29 237	0.19 159	0.38 172	0.37 224	0.38 310	0.44 298	0.31 224	0.21 173	0.41 237	0.24 250	0.07 22	0.05 7	0.06 1	0.05 11	0.07 51	0.06 28

iResNet	0.24 222	0.18 286	0.61 331	0.25 296	0.11 53	0.29 237	0.21 230	0.42 217	0.43 284	0.33 244	0.43 287	0.27 173	0.22 186	0.34 208	0.26 272	0.07 22	0.05 7	0.07 21	0.06 33	0.08 101	0.07 85

UGAM-zero	0.23 196	0.10 36	0.54 304	0.19 36	0.13 163	0.21 100	0.14 21	0.44 233	0.22 48	0.28 138	0.28 115	0.51 360	0.33 321	0.65 342	0.14 59	0.07 22	0.06 83	0.07 21	0.08 136	0.06 8	0.07 85

UGAM	0.26 264	0.14 203	0.45 244	0.25 296	0.12 96	0.23 143	0.25 313	0.32 98	0.41 272	0.31 211	0.42 275	0.41 306	0.22 186	0.92 415	0.22 221	0.08 119	0.06 83	0.14 350	0.12 327	0.10 218	0.07 85

GCAP-BAT	0.16 47	0.11 82	0.36 137	0.18 12	0.13 163	0.21 100	0.16 59	0.23 16	0.18 11	0.26 119	0.28 115	0.20 84	0.11 18	0.24 89	0.17 124	0.07 22	0.06 83	0.07 21	0.06 33	0.05 1	0.06 28

RAStereo	0.13 6	0.12 106	0.27 40	0.22 172	0.11 53	0.15 6	0.18 121	0.23 16	0.23 63	0.13 7	0.17 30	0.11 6	0.09 4	0.15 5	0.13 35	0.08 119	0.06 83	0.08 88	0.06 33	0.07 51	0.05 1

Occ-G	0.13 6	0.08 3	0.21 8	0.17 6	0.10 28	0.15 6	0.19 159	0.22 8	0.19 16	0.13 7	0.19 42	0.21 95	0.11 18	0.17 17	0.14 59	0.07 22	0.06 83	0.07 21	0.06 33	0.07 51	0.06 28

AIO-Stereo-zeroshot1	0.25 249	0.14 203	0.95 412	0.21 118	0.27 402	0.20 77	0.19 159	0.48 271	0.25 86	0.26 119	0.55 361	0.34 247	0.18 143	0.25 114	0.17 124	0.07 22	0.06 83	0.08 88	0.12 327	0.12 299	0.12 300

AIO-Stereo-zeroshot	0.23 196	0.13 164	0.83 389	0.20 79	0.21 355	0.23 143	0.17 86	0.48 271	0.27 105	0.23 86	0.29 126	0.39 290	0.23 197	0.25 114	0.15 75	0.08 119	0.06 83	0.08 88	0.11 292	0.11 263	0.10 246

WCG-NET（raft）	0.14 17	0.09 15	0.23 16	0.17 6	0.08 3	0.19 53	0.16 59	0.23 16	0.26 95	0.18 61	0.19 42	0.20 84	0.12 30	0.21 64	0.12 11	0.06 1	0.06 83	0.06 1	0.05 11	0.06 8	0.05 1

gcap-zeroshot	0.17 61	0.11 82	0.36 137	0.20 79	0.12 96	0.26 193	0.16 59	0.30 81	0.22 48	0.26 119	0.20 58	0.30 213	0.14 69	0.20 48	0.13 35	0.07 22	0.06 83	0.07 21	0.07 67	0.06 8	0.06 28

testlalala2	0.18 82	0.10 36	0.50 282	0.36 409	0.25 395	0.23 143	0.14 21	0.34 119	0.24 75	0.25 108	0.25 97	0.21 95	0.12 30	0.16 10	0.16 96	0.07 22	0.06 83	0.07 21	0.07 67	0.06 8	0.06 28

H2IRNET	0.18 82	0.13 164	0.35 117	0.21 118	0.12 96	0.20 77	0.15 37	0.27 40	0.30 148	0.17 48	0.31 152	0.25 143	0.20 166	0.24 89	0.18 143	0.07 22	0.06 83	0.09 151	0.10 255	0.09 163	0.06 28

MGS-Stereo	0.14 17	0.11 82	0.32 86	0.19 36	0.11 53	0.18 30	0.17 86	0.20 4	0.22 48	0.14 18	0.24 90	0.15 41	0.10 10	0.18 30	0.12 11	0.07 22	0.06 83	0.07 21	0.06 33	0.10 218	0.06 28

IGEV++	0.13 6	0.10 36	0.23 16	0.21 118	0.10 28	0.15 6	0.15 37	0.29 65	0.16 4	0.12 4	0.15 22	0.12 8	0.12 30	0.17 17	0.14 59	0.07 22	0.06 83	0.07 21	0.05 11	0.07 51	0.07 85

CoDeX	0.23 196	0.12 106	0.46 251	0.21 118	0.14 204	0.29 237	0.21 230	0.53 328	0.41 272	0.29 165	0.35 199	0.29 197	0.22 186	0.48 257	0.19 168	0.09 191	0.06 83	0.08 88	0.07 67	0.08 101	0.07 85

IGEVStereo-DCA	0.14 17	0.11 82	0.27 40	0.19 36	0.12 96	0.20 77	0.18 121	0.27 40	0.20 28	0.15 22	0.12 4	0.14 33	0.12 30	0.28 157	0.14 59	0.07 22	0.06 83	0.08 88	0.07 67	0.07 51	0.07 85

rrr	0.17 61	0.11 82	0.57 317	0.19 36	0.12 96	0.20 77	0.18 121	0.35 140	0.22 48	0.15 22	0.12 4	0.14 33	0.12 30	0.28 157	0.14 59	0.07 22	0.06 83	0.08 88	0.07 67	0.07 51	0.07 85

plain	0.17 61	0.13 164	0.43 226	0.21 118	0.13 163	0.16 14	0.17 86	0.27 40	0.22 48	0.16 39	0.26 105	0.13 17	0.16 95	0.27 145	0.16 96	0.08 119	0.06 83	0.10 220	0.07 67	0.10 218	0.07 85

IGEV_Zeroshot_test	0.18 82	0.10 36	0.65 348	0.20 79	0.12 96	0.19 53	0.15 37	0.34 119	0.19 16	0.28 138	0.22 76	0.27 173	0.13 54	0.23 83	0.18 143	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.06 28

MSKI-zero shot	0.17 61	0.09 15	0.43 226	0.20 79	0.11 53	0.21 100	0.15 37	0.32 98	0.21 39	0.23 86	0.24 90	0.23 124	0.10 10	0.31 190	0.13 35	0.07 22	0.06 83	0.07 21	0.06 33	0.06 8	0.06 28

MIF-Stereo (partial)	0.16 47	0.10 36	0.34 107	0.21 118	0.15 250	0.15 6	0.13 9	0.28 54	0.25 86	0.17 48	0.26 105	0.15 41	0.16 95	0.25 114	0.17 124	0.09 191	0.06 83	0.10 220	0.08 136	0.09 163	0.08 142

UniTT-Stereo	0.14 17	0.10 36	0.30 67	0.21 118	0.13 163	0.17 22	0.13 9	0.19 3	0.18 11	0.15 22	0.20 58	0.10 2	0.11 18	0.18 30	0.16 96	0.08 119	0.06 83	0.07 21	0.06 33	0.08 101	0.06 28

DLNR_Zeroshot_test	10.44 475	12.10 482	19.93 482	106.08 490	23.66 487	0.14 4	0.13 9	3.22 471	0.17 8	0.16 39	0.23 79	0.16 50	0.10 10	0.31 190	0.15 75	2.36 470	0.06 83	0.07 21	0.07 67	39.70 488	0.06 28

PCWNet_CMD	0.23 196	0.13 164	0.48 267	0.20 79	0.13 163	0.28 217	0.16 59	0.46 253	0.46 323	0.29 165	0.36 209	0.37 270	0.24 215	0.28 157	0.20 181	0.09 191	0.06 83	0.10 220	0.08 136	0.11 263	0.09 196

SPstereo	0.14 17	0.14 203	0.33 100	0.20 79	0.09 10	0.21 100	0.10 1	0.26 30	0.20 28	0.18 61	0.19 42	0.15 41	0.13 54	0.17 17	0.13 35	0.07 22	0.06 83	0.07 21	0.05 11	0.06 8	0.06 28

RAFT-Test	0.17 61	0.10 36	0.38 164	0.19 36	0.12 96	0.25 175	0.17 86	0.33 112	0.23 63	0.23 86	0.29 126	0.27 173	0.14 69	0.20 48	0.14 59	0.07 22	0.06 83	0.07 21	0.07 67	0.06 8	0.06 28

LL-Strereo2	0.18 82	0.18 286	0.39 177	0.22 172	0.12 96	0.24 162	0.13 9	0.31 89	0.23 63	0.24 100	0.20 58	0.24 136	0.12 30	0.26 129	0.15 75	0.06 1	0.06 83	0.12 308	0.09 219	0.08 101	0.07 85

LoS	0.14 17	0.08 3	0.27 40	0.16 4	0.09 10	0.22 124	0.14 21	0.26 30	0.26 95	0.15 22	0.18 37	0.18 63	0.13 54	0.22 74	0.14 59	0.08 119	0.06 83	0.06 1	0.04 1	0.06 8	0.06 28
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.17 61	0.09 15	0.32 86	0.17 6	0.11 53	0.21 100	0.17 86	0.32 98	0.23 63	0.23 86	0.28 115	0.27 173	0.16 95	0.23 83	0.16 96	0.09 191	0.06 83	0.09 151	0.06 33	0.09 163	0.09 196

anonymousa	0.23 196	0.11 82	0.50 282	0.21 118	0.16 275	0.31 269	0.20 201	0.36 158	0.35 203	0.32 233	0.50 335	0.39 290	0.26 241	0.22 74	0.20 181	0.08 119	0.06 83	0.09 151	0.11 292	0.07 51	0.08 142

riskmin	0.18 82	0.09 15	0.34 107	0.18 12	0.12 96	0.24 162	0.16 59	0.34 119	0.28 119	0.21 78	0.23 79	0.33 240	0.24 215	0.23 83	0.17 124	0.09 191	0.06 83	0.09 151	0.06 33	0.10 218	0.10 246

Selective-RAFT	0.17 61	0.12 106	0.30 67	0.24 259	0.10 28	0.29 237	0.15 37	0.32 98	0.31 160	0.17 48	0.17 30	0.21 95	0.18 143	0.28 157	0.17 124	0.07 22	0.06 83	0.07 21	0.07 67	0.08 101	0.06 28

TestStereo1	0.21 151	0.16 256	0.32 86	0.26 328	0.13 163	0.26 193	0.27 329	0.40 191	0.36 215	0.29 165	0.39 243	0.22 104	0.21 173	0.33 202	0.17 124	0.07 22	0.06 83	0.09 151	0.08 136	0.08 101	0.07 85

DisPM	0.19 120	0.10 36	0.35 117	0.23 215	0.13 163	0.18 30	0.20 201	0.29 65	0.29 137	0.33 244	0.34 188	0.23 124	0.16 95	0.33 202	0.16 96	0.09 191	0.06 83	0.09 151	0.08 136	0.07 51	0.11 278

Wz-Net-LNSev-Ref	0.30 310	0.20 314	0.70 364	0.21 118	0.17 295	0.46 370	0.27 329	0.50 287	0.49 346	0.42 351	0.55 361	0.43 317	0.30 297	0.46 251	0.38 331	0.09 191	0.06 83	0.07 21	0.06 33	0.11 263	0.10 246

raft_robust	0.22 179	0.17 272	0.30 67	0.22 172	0.12 96	0.23 143	0.22 253	0.49 279	0.48 337	0.32 233	0.32 159	0.26 164	0.23 197	0.53 282	0.15 75	0.07 22	0.06 83	0.08 88	0.10 255	0.08 101	0.06 28

SA-5K	0.21 151	0.16 256	0.32 86	0.26 328	0.13 163	0.26 193	0.27 329	0.40 191	0.36 215	0.29 165	0.39 243	0.22 104	0.21 173	0.33 202	0.17 124	0.07 22	0.06 83	0.09 151	0.08 136	0.08 101	0.07 85

Sa-1000	0.22 179	0.15 233	0.35 117	0.23 215	0.13 163	0.28 217	0.23 276	0.47 260	0.39 247	0.30 194	0.50 335	0.26 164	0.19 157	0.33 202	0.16 96	0.07 22	0.06 83	0.10 220	0.11 292	0.08 101	0.06 28

SA	0.22 179	0.16 256	0.36 137	0.23 215	0.13 163	0.24 162	0.23 276	0.45 243	0.40 262	0.27 128	0.44 298	0.23 124	0.23 197	0.33 202	0.17 124	0.07 22	0.06 83	0.10 220	0.11 292	0.08 101	0.06 28

iRaft-Stereo_5w	0.23 196	0.18 286	0.44 234	0.22 172	0.13 163	0.19 53	0.19 159	0.37 167	0.32 168	0.28 138	0.37 218	0.34 247	0.23 197	0.65 342	0.27 276	0.06 1	0.06 83	0.08 88	0.07 67	0.09 163	0.08 142

iRaft-Stereo_20w	0.19 120	0.10 36	0.46 251	0.19 36	0.13 163	0.25 175	0.19 159	0.52 317	0.19 16	0.29 165	0.21 69	0.22 104	0.20 166	0.28 157	0.18 143	0.07 22	0.06 83	0.07 21	0.08 136	0.08 101	0.08 142

IPLGR	0.21 151	0.13 164	0.61 331	0.21 118	0.11 53	0.25 175	0.18 121	0.41 203	0.37 224	0.28 138	0.27 111	0.21 95	0.19 157	0.37 224	0.18 143	0.07 22	0.06 83	0.08 88	0.07 67	0.07 51	0.06 28

CrosDoStereo	0.31 317	0.10 36	0.49 272	0.18 12	0.12 96	0.22 124	1.11 464	0.34 119	0.37 224	0.38 310	0.61 383	0.28 188	0.46 383	0.61 321	0.57 385	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.07 85

TRStereo	0.19 120	0.17 272	0.47 259	0.23 215	0.19 334	0.19 53	0.16 59	0.52 317	0.28 119	0.20 69	0.19 42	0.21 95	0.13 54	0.24 89	0.13 35	0.09 191	0.06 83	0.09 151	0.11 292	0.06 8	0.06 28

Patchmatch Stereo++	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.26 129	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.23 196	0.14 203	0.35 117	0.29 372	0.13 163	0.21 100	0.16 59	0.37 167	0.33 180	0.34 263	0.30 138	0.34 247	0.19 157	0.70 357	0.24 250	0.07 22	0.06 83	0.09 151	0.07 67	0.07 51	0.06 28

IIG-Stereo	0.23 196	0.13 164	0.35 117	0.29 372	0.12 96	0.23 143	0.14 21	0.38 172	0.31 160	0.34 263	0.37 218	0.33 240	0.21 173	0.70 357	0.26 272	0.08 119	0.06 83	0.09 151	0.07 67	0.07 51	0.06 28

NF-Stereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

OCTAStereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

PSM-softLoss	0.21 151	0.10 36	0.39 177	0.24 259	0.12 96	0.20 77	0.18 121	0.38 172	0.26 95	0.29 165	0.32 159	0.24 136	0.16 95	0.52 276	0.20 181	0.09 191	0.06 83	0.10 220	0.09 219	0.08 101	0.12 300

KMStereo	0.21 151	0.10 36	0.39 177	0.24 259	0.12 96	0.20 77	0.18 121	0.38 172	0.26 95	0.29 165	0.32 159	0.24 136	0.16 95	0.52 276	0.20 181	0.09 191	0.06 83	0.10 220	0.09 219	0.08 101	0.12 300

NRIStereo	0.18 82	0.11 82	0.35 117	0.23 215	0.11 53	0.24 162	0.20 201	0.29 65	0.26 95	0.26 119	0.25 97	0.25 143	0.18 143	0.34 208	0.18 143	0.07 22	0.06 83	0.09 151	0.07 67	0.09 163	0.08 142

PSM-adaLoss	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.16 59	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.18 143	0.24 89	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

PSM-AAD	0.25 249	0.10 36	0.30 67	0.24 259	0.12 96	0.26 193	0.38 394	0.34 119	0.28 119	0.35 279	0.39 243	0.28 188	0.79 428	0.30 184	0.16 96	0.07 22	0.06 83	0.12 308	0.11 292	0.08 101	0.21 398

FTStereo	0.28 290	0.10 36	0.43 226	0.23 215	0.13 163	0.21 100	0.53 429	0.34 119	0.26 95	0.38 310	0.95 425	0.30 213	0.56 404	0.32 196	0.18 143	0.08 119	0.06 83	0.09 151	0.08 136	0.07 51	0.19 381

ROB_FTStereo_v2	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.16 59	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.24 89	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

ROB_FTStereo	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.28 115	0.25 143	0.17 120	0.24 89	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

HUI-Stereo	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.28 115	0.25 143	0.17 120	0.22 74	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

ASMatch	0.23 196	0.11 82	0.51 293	0.24 259	0.14 204	0.19 53	0.17 86	0.31 89	0.28 119	0.28 138	0.68 396	0.27 173	0.26 241	0.50 265	0.22 221	0.07 22	0.06 83	0.08 88	0.07 67	0.06 8	0.11 278

DeepStereo_LL	0.31 317	0.10 36	0.49 272	0.18 12	0.12 96	0.22 124	1.11 464	0.34 119	0.37 224	0.38 310	0.61 383	0.28 188	0.46 383	0.61 321	0.57 385	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.07 85

DEmStereo	0.26 264	0.09 15	0.47 259	0.19 36	0.12 96	0.30 254	0.25 313	0.28 54	0.36 215	0.36 294	0.58 370	0.25 143	0.48 392	0.53 282	0.44 359	0.07 22	0.06 83	0.08 88	0.08 136	0.06 8	0.07 85

THIR-Stereo	0.29 301	0.12 106	0.41 207	0.19 36	0.11 53	0.28 217	0.72 442	0.32 98	0.35 203	0.37 299	0.65 390	0.34 247	0.50 394	0.57 303	0.45 362	0.07 22	0.06 83	0.08 88	0.09 219	0.07 51	0.07 85

DRaft	0.24 222	0.10 36	0.34 107	0.18 12	0.12 96	0.28 217	0.23 276	0.33 112	0.39 247	0.38 310	0.61 383	0.21 95	0.41 361	0.48 257	0.42 354	0.07 22	0.06 83	0.08 88	0.08 136	0.07 51	0.08 142

GrayStereo	0.25 249	0.09 15	0.32 86	0.26 328	0.13 163	0.23 143	0.47 419	0.34 119	0.30 148	0.39 325	0.47 326	0.30 213	0.79 428	0.29 172	0.16 96	0.07 22	0.06 83	0.08 88	0.09 219	0.07 51	0.13 314

RE-Stereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

Pruner-Stereo	0.19 120	0.11 82	0.34 107	0.29 372	0.12 96	0.19 53	0.17 86	0.31 89	0.29 137	0.33 244	0.32 159	0.25 143	0.15 81	0.24 89	0.21 203	0.09 191	0.06 83	0.09 151	0.08 136	0.08 101	0.09 196

TVStereo	0.20 134	0.10 36	0.35 117	0.24 259	0.12 96	0.21 100	0.18 121	0.38 172	0.32 168	0.28 138	0.30 138	0.22 104	0.16 95	0.51 270	0.20 181	0.08 119	0.06 83	0.09 151	0.08 136	0.08 101	0.13 314

DeepStereo_RVC	0.18 82	0.11 82	0.40 184	0.21 118	0.11 53	0.19 53	0.16 59	0.28 54	0.22 48	0.27 128	0.27 111	0.23 124	0.28 273	0.24 89	0.18 143	0.08 119	0.06 83	0.09 151	0.07 67	0.09 163	0.10 246

iGMRVC	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.15 37	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.27 145	0.17 124	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

IRAFT_RVC	0.22 179	0.12 106	0.39 177	0.26 328	0.11 53	0.18 30	0.24 298	0.40 191	0.37 224	0.31 211	0.30 138	0.29 197	0.24 215	0.55 290	0.22 221	0.08 119	0.06 83	0.10 220	0.08 136	0.08 101	0.07 85

RAFT-345	0.21 151	0.10 36	0.46 251	0.22 172	0.11 53	0.20 77	0.16 59	0.26 30	0.25 86	0.27 128	0.66 392	0.21 95	0.16 95	0.55 290	0.21 203	0.07 22	0.06 83	0.08 88	0.07 67	0.06 8	0.06 28

iRAFT	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.14 21	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.17 120	0.26 129	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

AnonymousM	0.17 61	0.19 302	0.24 21	0.18 12	0.10 28	0.18 30	0.17 86	0.30 81	0.23 63	0.26 119	0.20 58	0.18 63	0.14 69	0.19 41	0.14 59	0.09 191	0.06 83	0.38 429	0.15 369	0.06 8	0.05 1

CroCo-Stereo	0.14 17	0.13 164	0.24 21	0.25 296	0.11 53	0.11 2	0.18 121	0.32 98	0.23 63	0.12 4	0.12 4	0.18 63	0.12 30	0.14 2	0.13 35	0.08 119	0.06 83	0.07 21	0.05 11	0.07 51	0.06 28
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-1	0.17 61	0.11 82	0.40 184	0.23 215	0.13 163	0.22 124	0.23 276	0.34 119	0.26 95	0.20 69	0.24 90	0.22 104	0.14 69	0.16 10	0.20 181	0.07 22	0.06 83	0.08 88	0.07 67	0.06 8	0.08 142

RAFT-IKP	0.18 82	0.12 106	0.37 145	0.22 172	0.10 28	0.18 30	0.15 37	0.29 65	0.22 48	0.28 138	0.29 126	0.25 143	0.18 143	0.25 114	0.16 96	0.08 119	0.06 83	0.10 220	0.08 136	0.10 218	0.08 142

TestStereo	0.21 151	0.19 302	0.40 184	0.25 296	0.10 28	0.22 124	0.21 230	0.31 89	0.31 160	0.23 86	0.34 188	0.22 104	0.18 143	0.62 329	0.18 143	0.08 119	0.06 83	0.10 220	0.07 67	0.11 263	0.06 28

raft+_RVC	0.18 82	0.14 203	0.32 86	0.21 118	0.15 250	0.21 100	0.16 59	0.38 172	0.34 189	0.21 78	0.28 115	0.20 84	0.15 81	0.24 89	0.19 168	0.08 119	0.06 83	0.08 88	0.07 67	0.07 51	0.08 142

raftrobust	0.16 47	0.13 164	0.29 61	0.22 172	0.15 250	0.19 53	0.13 9	0.32 98	0.26 95	0.26 119	0.20 58	0.19 77	0.17 120	0.21 64	0.15 75	0.08 119	0.06 83	0.07 21	0.06 33	0.06 8	0.07 85

CFNet_pseudo	0.23 196	0.13 164	0.47 259	0.19 36	0.13 163	0.26 193	0.16 59	0.44 233	0.44 298	0.29 165	0.37 218	0.38 278	0.23 197	0.29 172	0.21 203	0.09 191	0.06 83	0.11 272	0.08 136	0.11 263	0.09 196

RALAANet	0.19 120	0.18 286	0.37 145	0.23 215	0.14 204	0.23 143	0.13 9	0.37 167	0.29 137	0.28 138	0.26 105	0.25 143	0.15 81	0.26 129	0.18 143	0.08 119	0.06 83	0.09 151	0.08 136	0.09 163	0.06 28

XX-Stereo	0.21 151	0.10 36	0.83 389	0.26 328	0.17 295	0.23 143	0.13 9	0.40 191	0.18 11	0.20 69	0.41 259	0.31 224	0.10 10	0.32 196	0.12 11	0.08 119	0.06 83	0.08 88	0.08 136	0.07 51	0.05 1

test_xeample3	0.16 47	0.11 82	0.56 314	0.19 36	0.12 96	0.20 77	0.18 121	0.35 140	0.20 28	0.16 39	0.12 4	0.13 17	0.12 30	0.24 89	0.15 75	0.07 22	0.06 83	0.07 21	0.08 136	0.07 51	0.07 85

ARAFT	0.24 222	0.21 327	0.78 374	0.22 172	0.12 96	0.29 237	0.24 298	0.43 228	0.32 168	0.33 244	0.28 115	0.28 188	0.19 157	0.49 262	0.18 143	0.07 22	0.06 83	0.12 308	0.11 292	0.09 163	0.06 28

GMStereo	0.19 120	0.25 353	0.40 184	0.21 118	0.12 96	0.22 124	0.19 159	0.29 65	0.40 262	0.25 108	0.23 79	0.16 50	0.15 81	0.25 114	0.19 168	0.09 191	0.06 83	0.08 88	0.08 136	0.10 218	0.08 142
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
EAI-Stereo	0.21 151	0.10 36	0.33 100	0.21 118	0.12 96	0.30 254	0.46 415	0.46 253	0.20 28	0.25 108	0.50 335	0.17 55	0.16 95	0.24 89	0.23 239	0.07 22	0.06 83	0.07 21	0.10 255	0.06 8	0.07 85

FENet	0.21 151	0.11 82	0.45 244	0.21 118	0.12 96	0.26 193	0.17 86	0.41 203	0.35 203	0.30 194	0.31 152	0.29 197	0.23 197	0.26 129	0.23 239	0.09 191	0.06 83	0.09 151	0.09 219	0.09 163	0.09 196

cf-r	0.24 222	0.15 233	0.44 234	0.21 118	0.14 204	0.27 202	0.22 253	0.42 217	0.40 262	0.30 194	0.42 275	0.42 314	0.26 241	0.43 241	0.25 259	0.11 268	0.06 83	0.08 88	0.10 255	0.08 101	0.08 142

DIP-Stereo	0.18 82	0.12 106	0.33 100	0.20 79	0.13 163	0.28 217	0.12 5	0.42 217	0.25 86	0.27 128	0.32 159	0.21 95	0.17 120	0.25 114	0.20 181	0.07 22	0.06 83	0.08 88	0.06 33	0.07 51	0.08 142
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	0.22 179	0.18 286	0.47 259	0.22 172	0.10 28	0.28 217	0.14 21	0.46 253	0.32 168	0.31 211	0.34 188	0.31 224	0.25 232	0.31 190	0.29 290	0.08 119	0.06 83	0.08 88	0.06 33	0.10 218	0.08 142

R-Stereo Train	0.18 82	0.09 15	0.32 86	0.22 172	0.12 96	0.22 124	0.19 159	0.42 217	0.19 16	0.31 211	0.45 310	0.20 84	0.14 69	0.18 30	0.15 75	0.08 119	0.06 83	0.07 21	0.06 33	0.06 8	0.06 28

RAFT-Stereo	0.18 82	0.09 15	0.32 86	0.22 172	0.12 96	0.22 124	0.19 159	0.42 217	0.19 16	0.31 211	0.45 310	0.20 84	0.14 69	0.18 30	0.15 75	0.08 119	0.06 83	0.07 21	0.06 33	0.06 8	0.06 28
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
MSMDNet	0.23 196	0.13 164	0.48 267	0.20 79	0.13 163	0.28 217	0.16 59	0.46 253	0.46 323	0.29 165	0.36 209	0.37 270	0.24 215	0.28 157	0.20 181	0.09 191	0.06 83	0.09 151	0.08 136	0.11 263	0.09 196

ccs_rob	0.23 196	0.13 164	0.47 259	0.20 79	0.13 163	0.26 193	0.17 86	0.44 233	0.44 298	0.29 165	0.37 218	0.38 278	0.23 197	0.29 172	0.21 203	0.09 191	0.06 83	0.11 272	0.08 136	0.11 263	0.09 196

AdaStereo	0.24 222	0.16 256	0.37 145	0.24 259	0.12 96	0.32 277	0.17 86	0.54 335	0.42 279	0.33 244	0.38 230	0.35 261	0.21 173	0.30 184	0.22 221	0.14 344	0.06 83	0.13 328	0.08 136	0.11 263	0.08 142
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	0.27 271	0.26 364	0.72 368	0.23 215	0.13 163	0.29 237	0.18 121	0.52 317	0.49 346	0.37 299	0.45 310	0.39 290	0.25 232	0.34 208	0.20 181	0.08 119	0.06 83	0.07 21	0.05 11	0.12 299	0.09 196

HSM	0.28 290	0.16 256	0.35 117	0.20 79	0.15 250	0.33 288	0.19 159	0.53 328	0.37 224	0.36 294	0.38 230	0.67 408	0.31 311	0.89 410	0.23 239	0.08 119	0.06 83	0.08 88	0.07 67	0.08 101	0.08 142

StereoDRNet-Refined	0.27 271	0.17 272	0.35 117	0.25 296	0.14 204	0.37 323	0.21 230	0.47 260	0.41 272	0.44 363	0.51 341	0.41 306	0.28 273	0.45 248	0.37 329	0.09 191	0.06 83	0.11 272	0.11 292	0.10 218	0.10 246
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
iResNet_ROB	0.25 249	0.19 302	0.40 184	0.20 79	0.12 96	0.30 254	0.16 59	0.55 345	0.53 368	0.38 310	0.43 287	0.37 270	0.26 241	0.38 228	0.22 221	0.08 119	0.06 83	0.06 1	0.04 1	0.09 163	0.09 196

DN-CSS_ROB	0.22 179	0.25 353	0.47 259	0.24 259	0.14 204	0.25 175	0.12 5	0.40 191	0.33 180	0.29 165	0.42 275	0.22 104	0.20 166	0.33 202	0.19 168	0.07 22	0.06 83	0.11 272	0.11 292	0.11 263	0.07 85

pmcnn	0.50 401	0.20 314	0.78 374	0.24 259	0.26 400	0.39 338	0.30 357	0.51 302	0.50 354	0.54 399	1.23 437	2.52 461	0.37 345	0.77 386	0.95 423	0.08 119	0.06 83	0.06 1	0.05 11	0.10 218	0.08 142

model_zeroshot	0.17 61	0.11 82	0.39 177	0.20 79	0.12 96	0.24 162	0.15 37	0.34 119	0.22 48	0.30 194	0.20 58	0.22 104	0.12 30	0.24 89	0.14 59	0.08 119	0.07 183	0.07 21	0.07 67	0.07 51	0.07 85

rvit_stereo_ft	0.17 61	0.14 203	0.30 67	0.25 296	0.14 204	0.17 22	0.21 230	0.28 54	0.26 95	0.16 39	0.19 42	0.20 84	0.16 95	0.22 74	0.17 124	0.11 268	0.07 183	0.09 151	0.09 219	0.09 163	0.07 85

test_sample6	0.25 249	0.13 164	0.41 207	0.21 118	0.11 53	0.30 254	0.22 253	0.51 302	0.35 203	0.33 244	0.43 287	0.30 213	0.24 215	0.57 303	0.22 221	0.10 235	0.07 183	0.10 220	0.10 255	0.11 263	0.10 246

test_sample5	0.24 222	0.13 164	0.42 215	0.21 118	0.12 96	0.30 254	0.21 230	0.50 287	0.34 189	0.32 233	0.41 259	0.29 197	0.23 197	0.55 290	0.21 203	0.10 235	0.07 183	0.10 220	0.09 219	0.11 263	0.10 246

test_sample4	0.24 222	0.13 164	0.43 226	0.20 79	0.12 96	0.32 277	0.21 230	0.51 302	0.34 189	0.31 211	0.37 218	0.28 188	0.23 197	0.53 282	0.21 203	0.10 235	0.07 183	0.10 220	0.09 219	0.11 263	0.10 246

test_sample3	0.23 196	0.12 106	0.43 226	0.19 36	0.12 96	0.32 277	0.20 201	0.50 287	0.34 189	0.31 211	0.33 179	0.29 197	0.22 186	0.53 282	0.22 221	0.10 235	0.07 183	0.09 151	0.08 136	0.10 218	0.10 246

test_sample2	0.21 151	0.10 36	0.28 51	0.19 36	0.11 53	0.27 202	0.21 230	0.43 228	0.29 137	0.26 119	0.31 152	0.30 213	0.24 215	0.45 248	0.18 143	0.09 191	0.07 183	0.08 88	0.07 67	0.09 163	0.09 196

test_sample1	0.20 134	0.10 36	0.28 51	0.19 36	0.12 96	0.28 217	0.19 159	0.41 203	0.25 86	0.26 119	0.31 152	0.29 197	0.26 241	0.44 245	0.21 203	0.09 191	0.07 183	0.08 88	0.07 67	0.09 163	0.09 196

MoCha-V2	0.13 6	0.08 3	0.26 32	0.23 215	0.09 10	0.16 14	0.15 37	0.26 30	0.16 4	0.15 22	0.15 22	0.13 17	0.14 69	0.20 48	0.11 1	0.06 1	0.07 183	0.06 1	0.06 33	0.06 8	0.05 1

DispNO	0.27 271	0.18 286	0.62 339	0.23 215	0.17 295	0.25 175	0.22 253	0.45 243	0.41 272	0.32 233	0.39 243	0.38 278	0.27 259	0.77 386	0.27 276	0.09 191	0.07 183	0.10 220	0.10 255	0.08 101	0.08 142

Former-RAFT_DAM_RVC	0.17 61	0.13 164	0.24 21	0.19 36	0.13 163	0.24 162	0.17 86	0.30 81	0.37 224	0.43 357	0.17 30	0.13 17	0.12 30	0.19 41	0.15 75	0.08 119	0.07 183	0.09 151	0.07 67	0.09 163	0.08 142

MyStereo8	0.22 179	0.15 233	0.63 342	0.21 118	0.17 295	0.31 269	0.16 59	0.36 158	0.32 168	0.28 138	0.36 209	0.25 143	0.18 143	0.25 114	0.28 280	0.08 119	0.07 183	0.08 88	0.07 67	0.10 218	0.12 300

SMFormer	0.25 249	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.28 280	0.10 235	0.07 183	0.08 88	0.08 136	0.09 163	0.09 196

tta	0.24 222	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.28 280	0.10 235	0.07 183	0.08 88	0.08 136	0.08 101	0.07 85

qqq1	0.24 222	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.16 96	0.10 235	0.07 183	0.07 21	0.06 33	0.08 101	0.07 85

fff1	0.24 222	0.12 106	0.40 184	0.19 36	0.10 28	0.27 202	0.19 159	0.51 302	0.45 309	0.34 263	0.41 259	0.31 224	0.26 241	0.58 309	0.16 96	0.10 235	0.07 183	0.07 21	0.06 33	0.08 101	0.07 85

MyStereo07	0.16 47	0.12 106	0.26 32	0.22 172	0.14 204	0.25 175	0.23 276	0.29 65	0.21 39	0.15 22	0.13 10	0.12 8	0.13 54	0.25 114	0.13 35	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

MyStereo06	0.20 134	0.12 106	0.57 317	0.21 118	0.14 204	0.25 175	0.23 276	0.40 191	0.21 39	0.30 194	0.24 90	0.31 224	0.18 143	0.22 74	0.18 143	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

MyStereo05	0.23 196	0.12 106	0.57 317	0.21 118	0.14 204	0.25 175	0.23 276	0.48 271	0.52 364	0.31 211	0.23 79	0.25 143	0.22 186	0.30 184	0.21 203	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

MyStereo04	0.23 196	0.12 106	0.55 310	0.22 172	0.14 204	0.25 175	0.23 276	0.49 279	0.52 364	0.28 138	0.23 79	0.27 173	0.23 197	0.30 184	0.22 221	0.07 22	0.07 183	0.09 151	0.08 136	0.08 101	0.08 142

mmm	0.21 151	0.12 106	0.31 80	0.22 172	0.12 96	0.28 217	0.21 230	0.41 203	0.27 105	0.29 165	0.38 230	0.29 197	0.24 215	0.29 172	0.22 221	0.09 191	0.07 183	0.11 272	0.09 219	0.10 218	0.09 196

11t1	0.18 82	0.10 36	0.30 67	0.20 79	0.11 53	0.27 202	0.17 86	0.35 140	0.23 63	0.25 108	0.23 79	0.23 124	0.23 197	0.25 114	0.18 143	0.09 191	0.07 183	0.07 21	0.06 33	0.09 163	0.09 196

DualNet	0.24 222	0.13 164	0.42 215	0.21 118	0.12 96	0.30 254	0.21 230	0.50 287	0.34 189	0.33 244	0.43 287	0.29 197	0.23 197	0.55 290	0.21 203	0.10 235	0.07 183	0.10 220	0.09 219	0.11 263	0.10 246

mmx	0.31 317	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.55 345	0.45 309	0.30 194	0.42 275	0.34 247	0.23 197	0.81 397	1.08 429	0.10 235	0.07 183	0.11 272	0.10 255	0.11 263	0.10 246

xxx	0.31 317	0.12 106	0.42 215	0.20 79	0.13 163	0.28 217	0.20 201	0.55 345	0.45 309	0.30 194	0.42 275	0.34 247	0.23 197	0.81 397	1.08 429	0.10 235	0.07 183	0.11 272	0.10 255	0.11 263	0.10 246

GMStereo_Zeroshot	0.24 222	0.21 327	0.45 244	0.26 328	0.13 163	0.28 217	0.15 37	0.39 184	0.35 203	0.37 299	0.43 287	0.40 303	0.17 120	0.34 208	0.20 181	0.12 304	0.07 183	0.13 328	0.07 67	0.16 348	0.09 196

MaDis-Stereo	0.14 17	0.13 164	0.26 32	0.19 36	0.14 204	0.16 14	0.13 9	0.25 27	0.21 39	0.13 7	0.14 20	0.14 33	0.11 18	0.17 17	0.17 124	0.08 119	0.07 183	0.08 88	0.06 33	0.07 51	0.06 28

EKT-Stereo	0.38 363	0.12 106	0.38 164	0.42 423	3.88 471	0.21 100	0.17 86	0.35 140	0.28 119	0.20 69	0.20 58	0.23 124	0.15 81	0.28 157	0.16 96	0.09 191	0.07 183	0.09 151	0.07 67	0.09 163	0.09 196

MIM_Stereo	0.18 82	0.12 106	0.38 164	0.20 79	0.11 53	0.17 22	0.14 21	0.35 140	0.25 86	0.27 128	0.35 199	0.23 124	0.13 54	0.27 145	0.16 96	0.06 1	0.07 183	0.08 88	0.08 136	0.08 101	0.06 28

LL-Strereo	0.29 301	0.25 353	0.58 322	0.25 296	0.21 355	0.23 143	0.24 298	0.55 345	0.42 279	0.34 263	0.32 159	0.41 306	0.40 357	0.94 419	0.23 239	0.08 119	0.07 183	0.11 272	0.09 219	0.09 163	0.09 196

DCRE	0.20 134	0.13 164	0.40 184	0.21 118	0.15 250	0.20 77	0.19 159	0.30 81	0.27 105	0.22 83	0.80 413	0.23 124	0.16 95	0.23 83	0.15 75	0.07 22	0.07 183	0.07 21	0.08 136	0.07 51	0.06 28

CroCo-Stereo Lap2	0.15 36	0.15 233	0.28 51	0.25 296	0.18 316	0.11 2	0.19 159	0.28 54	0.21 39	0.13 7	0.16 27	0.15 41	0.12 30	0.17 17	0.14 59	0.07 22	0.07 183	0.08 88	0.06 33	0.08 101	0.07 85

qqq	0.20 134	0.12 106	0.31 80	0.20 79	0.11 53	0.23 143	0.19 159	0.41 203	0.27 105	0.24 100	0.28 115	0.28 188	0.24 215	0.34 208	0.22 221	0.08 119	0.07 183	0.10 220	0.09 219	0.09 163	0.09 196

x	0.19 120	0.11 82	0.29 61	0.20 79	0.11 53	0.26 193	0.18 121	0.41 203	0.29 137	0.25 108	0.29 126	0.28 188	0.24 215	0.26 129	0.23 239	0.09 191	0.07 183	0.08 88	0.07 67	0.09 163	0.08 142

BUS	0.23 196	0.12 106	0.28 51	0.25 296	0.14 204	0.43 361	0.17 86	0.56 360	0.34 189	0.34 263	0.35 199	0.32 233	0.20 166	0.26 129	0.21 203	0.10 235	0.07 183	0.11 272	0.10 255	0.09 163	0.09 196

IER	0.23 196	0.12 106	0.39 177	0.20 79	0.14 204	0.31 269	0.19 159	0.42 217	0.36 215	0.33 244	0.40 251	0.32 233	0.33 321	0.29 172	0.22 221	0.09 191	0.07 183	0.08 88	0.08 136	0.09 163	0.08 142

RAFT_CTSACE	0.21 151	0.16 256	0.41 207	0.25 296	0.15 250	0.22 124	0.24 298	0.32 98	0.28 119	0.33 244	0.51 341	0.29 197	0.17 120	0.32 196	0.13 35	0.06 1	0.07 183	0.09 151	0.08 136	0.08 101	0.06 28

BSDual-CNN	0.23 196	0.12 106	0.28 51	0.25 296	0.14 204	0.35 313	0.21 230	0.56 360	0.34 189	0.34 263	0.35 199	0.38 278	0.24 215	0.26 129	0.21 203	0.10 235	0.07 183	0.11 272	0.10 255	0.09 163	0.09 196

hknet	0.25 249	0.14 203	0.40 184	0.25 296	0.15 250	0.35 313	0.21 230	0.56 360	0.37 224	0.34 263	0.35 199	0.43 317	0.27 259	0.37 224	0.21 203	0.09 191	0.07 183	0.11 272	0.10 255	0.09 163	0.09 196

CIPLG	0.21 151	0.21 327	0.55 310	0.23 215	0.15 250	0.25 175	0.20 201	0.35 140	0.29 137	0.31 211	0.33 179	0.22 104	0.15 81	0.26 129	0.20 181	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142

UDGNet	0.23 196	0.31 393	0.38 164	0.24 259	0.14 204	0.24 162	0.18 121	0.32 98	0.43 284	0.29 165	0.28 115	0.24 136	0.19 157	0.29 172	0.20 181	0.15 356	0.07 183	0.21 399	0.11 292	0.14 329	0.10 246

dd	0.22 179	0.26 364	0.40 184	0.22 172	0.12 96	0.25 175	0.21 230	0.32 98	0.44 298	0.29 165	0.28 115	0.25 143	0.16 95	0.30 184	0.25 259	0.12 304	0.07 183	0.10 220	0.08 136	0.11 263	0.09 196

DAS	0.27 271	0.12 106	0.42 215	0.24 259	0.18 316	0.29 237	0.24 298	0.45 243	0.45 309	0.41 342	0.44 298	0.34 247	0.29 287	0.75 375	0.21 203	0.09 191	0.07 183	0.09 151	0.07 67	0.09 163	0.09 196

SepStereo	0.26 264	0.12 106	0.42 215	0.24 259	0.18 316	0.29 237	0.24 298	0.45 243	0.45 309	0.41 342	0.44 298	0.34 247	0.29 287	0.64 336	0.21 203	0.09 191	0.07 183	0.09 151	0.07 67	0.09 163	0.09 196

IPLGR_C	0.21 151	0.22 339	0.60 328	0.23 215	0.15 250	0.24 162	0.20 201	0.35 140	0.29 137	0.31 211	0.32 159	0.22 104	0.15 81	0.25 114	0.20 181	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142

GMOStereo	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

error version	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

test-v	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

ACRE	0.21 151	0.20 314	0.62 339	0.23 215	0.15 250	0.24 162	0.20 201	0.35 140	0.28 119	0.31 211	0.32 159	0.22 104	0.15 81	0.25 114	0.20 181	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142

GwcNet-ADL	0.22 179	0.14 203	0.58 322	0.24 259	0.13 163	0.22 124	0.23 276	0.49 279	0.40 262	0.27 128	0.29 126	0.30 213	0.20 166	0.26 129	0.23 239	0.09 191	0.07 183	0.07 21	0.07 67	0.09 163	0.09 196

GANet-ADL	0.21 151	0.12 106	0.45 244	0.23 215	0.14 204	0.29 237	0.19 159	0.46 253	0.35 203	0.25 108	0.32 159	0.32 233	0.19 157	0.24 89	0.20 181	0.10 235	0.07 183	0.07 21	0.06 33	0.09 163	0.10 246

PFNet+	0.20 134	0.10 36	0.37 145	0.21 118	0.12 96	0.17 22	0.19 159	0.29 65	0.34 189	0.33 244	0.32 159	0.24 136	0.16 95	0.32 196	0.17 124	0.10 235	0.07 183	0.11 272	0.10 255	0.08 101	0.12 300

test-2	0.18 82	0.14 203	0.30 67	0.22 172	0.12 96	0.20 77	0.27 329	0.26 30	0.28 119	0.31 211	0.32 159	0.26 164	0.17 120	0.15 5	0.12 11	0.07 22	0.07 183	0.10 220	0.08 136	0.08 101	0.05 1

LMCR-Stereo	0.26 264	0.18 286	0.49 272	0.28 369	0.14 204	0.36 318	0.23 276	0.54 335	0.34 189	0.39 325	0.40 251	0.29 197	0.29 287	0.37 224	0.27 276	0.11 268	0.07 183	0.09 151	0.07 67	0.13 314	0.09 196

rafts_anoy	0.18 82	0.15 233	0.35 117	0.22 172	0.14 204	0.19 53	0.17 86	0.32 98	0.30 148	0.23 86	0.25 97	0.20 84	0.16 95	0.22 74	0.19 168	0.08 119	0.07 183	0.10 220	0.12 327	0.09 163	0.08 142

TANstereo	0.15 36	0.09 15	0.28 51	0.16 4	0.08 3	0.25 175	0.14 21	0.23 16	0.28 119	0.24 100	0.30 138	0.16 50	0.12 30	0.17 17	0.13 35	0.08 119	0.07 183	0.06 1	0.05 11	0.06 8	0.07 85

sAnonymous2	0.20 134	0.21 327	0.58 322	0.24 259	0.17 295	0.22 124	0.19 159	0.34 119	0.28 119	0.17 48	0.19 42	0.17 55	0.16 95	0.17 17	0.14 59	0.10 235	0.07 183	0.09 151	0.08 136	0.23 401	0.17 361

CroCo_RVC	0.20 134	0.21 327	0.58 322	0.24 259	0.17 295	0.22 124	0.19 159	0.34 119	0.28 119	0.17 48	0.19 42	0.17 55	0.16 95	0.17 17	0.14 59	0.10 235	0.07 183	0.09 151	0.08 136	0.23 401	0.17 361

222	0.41 376	0.10 36	0.29 61	0.19 36	0.11 53	0.36 318	0.20 201	0.57 368	0.39 247	0.35 279	0.44 298	0.30 213	0.27 259	0.55 290	3.56 468	0.11 268	0.07 183	0.08 88	0.08 136	0.09 163	0.09 196

xxxx	0.34 339	0.10 36	0.29 61	0.19 36	0.11 53	0.37 323	0.20 201	0.58 375	0.38 238	0.29 165	0.42 275	0.38 278	0.24 215	0.46 251	2.20 461	0.11 268	0.07 183	0.09 151	0.08 136	0.09 163	0.09 196

test_xeample	0.34 339	0.10 36	0.29 61	0.19 36	0.11 53	0.33 288	0.23 276	0.55 345	0.38 238	0.32 233	0.45 310	0.29 197	0.26 241	0.57 303	2.24 463	0.10 235	0.07 183	0.09 151	0.08 136	0.09 163	0.09 196

SFCPSM	0.22 179	0.10 36	0.51 293	0.21 118	0.14 204	0.34 300	0.22 253	0.55 345	0.39 247	0.29 165	0.32 159	0.23 124	0.21 173	0.27 145	0.19 168	0.09 191	0.07 183	0.09 151	0.09 219	0.09 163	0.08 142

MMNet	0.27 271	0.14 203	0.49 272	0.24 259	0.17 295	0.47 376	0.22 253	0.45 243	0.51 357	0.39 325	0.41 259	0.36 266	0.33 321	0.39 230	0.34 318	0.08 119	0.07 183	0.09 151	0.09 219	0.10 218	0.08 142

UNet	0.28 290	0.14 203	0.69 358	0.23 215	0.20 348	0.44 363	0.22 253	0.50 287	0.40 262	0.34 263	0.39 243	0.43 317	0.33 321	0.40 235	0.31 302	0.09 191	0.07 183	0.10 220	0.08 136	0.10 218	0.08 142

ACVNet	0.23 196	0.13 164	0.35 117	0.18 12	0.15 250	0.27 202	0.23 276	0.39 184	0.44 298	0.28 138	0.41 259	0.38 278	0.26 241	0.27 145	0.32 307	0.08 119	0.07 183	0.08 88	0.07 67	0.10 218	0.07 85

acv_ft	0.25 249	0.13 164	0.40 184	0.23 215	0.19 334	0.34 300	0.21 230	0.45 243	0.44 298	0.38 310	0.41 259	0.38 278	0.27 259	0.27 145	0.35 322	0.08 119	0.07 183	0.08 88	0.07 67	0.11 263	0.07 85

GANet-RSSM	0.24 222	0.14 203	0.36 137	0.21 118	0.14 204	0.27 202	0.21 230	0.45 243	0.33 180	0.29 165	0.39 243	0.39 290	0.28 273	0.58 309	0.23 239	0.11 268	0.07 183	0.09 151	0.09 219	0.10 218	0.09 196

PSMNet-RSSM	0.24 222	0.15 233	0.36 137	0.21 118	0.14 204	0.25 175	0.20 201	0.48 271	0.37 224	0.30 194	0.44 298	0.38 278	0.26 241	0.52 276	0.22 221	0.12 304	0.07 183	0.11 272	0.13 350	0.10 218	0.09 196

GwcNet-RSSM	0.26 264	0.17 272	0.46 251	0.21 118	0.13 163	0.28 217	0.23 276	0.44 233	0.42 279	0.31 211	0.45 310	0.40 303	0.26 241	0.55 290	0.28 280	0.11 268	0.07 183	0.09 151	0.10 255	0.09 163	0.08 142

CFNet-ft	0.24 222	0.15 233	0.35 117	0.18 12	0.15 250	0.30 254	0.21 230	0.39 184	0.36 215	0.28 138	0.40 251	0.43 317	0.25 232	0.47 255	0.24 250	0.12 304	0.07 183	0.12 308	0.11 292	0.12 299	0.09 196

SuperB	0.49 398	0.28 374	2.23 454	0.23 215	0.15 250	0.41 346	0.32 365	0.47 260	0.82 424	0.43 357	0.50 335	0.33 240	0.45 377	0.68 352	1.08 429	0.10 235	0.07 183	0.09 151	0.08 136	0.98 460	0.14 332

RASNet	0.28 290	0.14 203	0.44 234	0.22 172	0.18 316	0.32 277	0.19 159	0.48 271	0.38 238	0.29 165	0.43 287	0.47 339	0.37 345	0.79 390	0.36 328	0.09 191	0.07 183	0.07 21	0.09 219	0.07 51	0.07 85

HSM-Net_RVC	0.27 271	0.11 82	0.42 215	0.19 36	0.11 53	0.34 300	0.20 201	0.62 400	0.43 284	0.40 333	0.43 287	0.50 356	0.26 241	0.76 380	0.22 221	0.08 119	0.07 183	0.07 21	0.07 67	0.08 101	0.08 142
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet	0.27 271	0.20 314	0.44 234	0.22 172	0.14 204	0.33 288	0.14 21	0.51 302	0.45 309	0.30 194	0.40 251	0.38 278	0.27 259	0.76 380	0.25 259	0.09 191	0.07 183	0.11 272	0.11 292	0.11 263	0.08 142

CFNet_RVC	0.24 222	0.15 233	0.35 117	0.18 12	0.15 250	0.30 254	0.21 230	0.39 184	0.36 215	0.28 138	0.40 251	0.43 317	0.25 232	0.47 255	0.24 250	0.12 304	0.07 183	0.12 308	0.11 292	0.12 299	0.09 196

AANet_RVC	0.31 317	0.22 339	0.50 282	0.23 215	0.14 204	0.30 254	0.24 298	0.47 260	0.54 371	0.38 310	0.60 377	0.43 317	0.29 287	0.87 406	0.40 345	0.11 268	0.07 183	0.07 21	0.07 67	0.09 163	0.09 196

DISCO	0.32 326	0.13 164	0.51 293	0.25 296	0.16 275	0.48 381	0.25 313	0.50 287	0.57 382	0.37 299	0.45 310	0.62 392	0.36 337	0.64 336	0.49 373	0.09 191	0.07 183	0.09 151	0.08 136	0.12 299	0.11 278

rvit_stereo_0081_aga	0.16 47	0.14 203	0.28 51	0.21 118	0.13 163	0.19 53	0.17 86	0.23 16	0.24 75	0.17 48	0.21 69	0.19 77	0.13 54	0.19 41	0.14 59	0.11 268	0.08 260	0.09 151	0.08 136	0.09 163	0.07 85

rvit_stereo_0081	0.16 47	0.11 82	0.24 21	0.21 118	0.12 96	0.16 14	0.17 86	0.22 8	0.33 180	0.16 39	0.18 37	0.18 63	0.14 69	0.20 48	0.16 96	0.11 268	0.08 260	0.09 151	0.08 136	0.09 163	0.07 85

ITSA-stereo	0.25 249	0.15 233	0.33 100	0.23 215	0.11 53	0.27 202	0.18 121	0.56 360	0.59 385	0.31 211	0.32 159	0.33 240	0.28 273	0.49 262	0.30 296	0.11 268	0.08 260	0.11 272	0.10 255	0.11 263	0.13 314

rvit_stereo_0082	0.16 47	0.11 82	0.24 21	0.21 118	0.12 96	0.16 14	0.17 86	0.22 8	0.33 180	0.16 39	0.18 37	0.18 63	0.14 69	0.20 48	0.16 96	0.11 268	0.08 260	0.09 151	0.08 136	0.09 163	0.07 85

rvit_stereo_0080	0.15 36	0.13 164	0.25 27	0.19 36	0.13 163	0.15 6	0.20 201	0.28 54	0.24 75	0.15 22	0.17 30	0.19 77	0.13 54	0.19 41	0.15 75	0.11 268	0.08 260	0.08 88	0.08 136	0.10 218	0.07 85

AE-Stereo	0.17 61	0.11 82	0.31 80	0.24 259	0.14 204	0.23 143	0.18 121	0.34 119	0.29 137	0.15 22	0.25 97	0.21 95	0.13 54	0.20 48	0.14 59	0.07 22	0.08 260	0.09 151	0.10 255	0.07 51	0.06 28

1111x	0.32 326	0.11 82	0.40 184	0.22 172	0.11 53	0.32 277	0.26 324	0.59 380	0.43 284	0.31 211	0.41 259	0.39 290	0.28 273	0.76 380	1.37 445	0.09 191	0.08 260	0.09 151	0.10 255	0.09 163	0.08 142

whm_eth	0.15 36	0.13 164	0.25 27	0.19 36	0.13 163	0.15 6	0.20 201	0.28 54	0.24 75	0.15 22	0.17 30	0.19 77	0.13 54	0.19 41	0.15 75	0.11 268	0.08 260	0.08 88	0.08 136	0.10 218	0.07 85

CFNet_ucs	0.24 222	0.13 164	0.50 282	0.20 79	0.15 250	0.28 217	0.17 86	0.49 279	0.45 309	0.32 233	0.42 275	0.39 290	0.22 186	0.31 190	0.21 203	0.11 268	0.08 260	0.12 308	0.09 219	0.12 299	0.11 278

CBFPSM	0.27 271	0.16 256	0.67 352	0.20 79	0.14 204	0.38 330	0.25 313	0.40 191	0.36 215	0.33 244	0.36 209	0.56 374	0.38 349	0.32 196	0.38 331	0.08 119	0.08 260	0.07 21	0.08 136	0.09 163	0.11 278

gwcnet-sp	0.24 222	0.13 164	0.63 342	0.22 172	0.14 204	0.34 300	0.22 253	0.44 233	0.39 247	0.35 279	0.34 188	0.27 173	0.27 259	0.35 217	0.25 259	0.09 191	0.08 260	0.09 151	0.09 219	0.09 163	0.09 196

scenet	0.24 222	0.13 164	0.63 342	0.22 172	0.14 204	0.34 300	0.22 253	0.44 233	0.39 247	0.35 279	0.34 188	0.27 173	0.27 259	0.35 217	0.25 259	0.09 191	0.08 260	0.09 151	0.09 219	0.09 163	0.09 196

CASS	0.21 151	0.15 233	0.32 86	0.26 328	0.11 53	0.28 217	0.19 159	0.39 184	0.30 148	0.32 233	0.34 188	0.25 143	0.24 215	0.25 114	0.20 181	0.13 321	0.08 260	0.11 272	0.09 219	0.11 263	0.11 278
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
ssnet	0.24 222	0.13 164	0.63 342	0.22 172	0.14 204	0.34 300	0.22 253	0.44 233	0.39 247	0.35 279	0.34 188	0.27 173	0.27 259	0.35 217	0.25 259	0.09 191	0.08 260	0.09 151	0.09 219	0.09 163	0.09 196

psmg	0.23 196	0.12 106	0.28 51	0.21 118	0.14 204	0.35 313	0.23 276	0.51 302	0.34 189	0.35 279	0.38 230	0.38 278	0.24 215	0.26 129	0.21 203	0.10 235	0.08 260	0.10 220	0.10 255	0.09 163	0.08 142

CSP-Net	0.27 271	0.15 233	0.30 67	0.21 118	0.14 204	0.44 363	0.24 298	0.50 287	0.40 262	0.41 342	0.43 287	0.42 314	0.26 241	0.66 347	0.28 280	0.12 304	0.08 260	0.08 88	0.08 136	0.10 218	0.09 196

AACVNet	0.26 264	0.16 256	0.37 145	0.22 172	0.14 204	0.29 237	0.19 159	0.41 203	0.31 160	0.38 310	0.42 275	0.43 317	0.28 273	0.73 367	0.25 259	0.11 268	0.08 260	0.11 272	0.09 219	0.13 314	0.11 278

ADLNet2	0.30 310	0.17 272	0.72 368	0.23 215	0.17 295	0.36 318	0.24 298	0.52 317	0.51 357	0.32 233	0.38 230	0.45 331	0.30 297	0.69 354	0.35 322	0.10 235	0.08 260	0.09 151	0.09 219	0.12 299	0.10 246

RAFT	0.21 151	0.17 272	0.32 86	0.24 259	0.12 96	0.25 175	0.27 329	0.35 140	0.28 119	0.33 244	0.33 179	0.38 278	0.22 186	0.29 172	0.17 124	0.08 119	0.08 260	0.11 272	0.10 255	0.10 218	0.06 28

GEStereo_RVC	0.27 271	0.20 314	0.44 234	0.27 352	0.16 275	0.33 288	0.25 313	0.56 360	0.54 371	0.34 263	0.38 230	0.34 247	0.25 232	0.51 270	0.28 280	0.12 304	0.08 260	0.09 151	0.08 136	0.11 263	0.11 278

ADLNet	0.28 290	0.15 233	0.42 215	0.23 215	0.19 334	0.34 300	0.23 276	0.53 328	0.43 284	0.42 351	0.41 259	0.44 327	0.27 259	0.55 290	0.35 322	0.11 268	0.08 260	0.11 272	0.11 292	0.11 263	0.12 300

GES	0.22 179	0.12 106	0.42 215	0.20 79	0.14 204	0.27 202	0.19 159	0.49 279	0.33 180	0.30 194	0.36 209	0.25 143	0.23 197	0.29 172	0.22 221	0.10 235	0.08 260	0.08 88	0.07 67	0.10 218	0.11 278

HCRNet	0.24 222	0.25 353	0.33 100	0.34 399	0.16 275	0.27 202	0.18 121	0.43 228	0.35 203	0.30 194	0.35 199	0.32 233	0.22 186	0.44 245	0.20 181	0.13 321	0.08 260	0.13 328	0.11 292	0.10 218	0.09 196

DMCA	0.22 179	0.14 203	0.36 137	0.22 172	0.14 204	0.27 202	0.20 201	0.43 228	0.38 238	0.31 211	0.32 159	0.33 240	0.24 215	0.24 89	0.28 280	0.11 268	0.08 260	0.10 220	0.08 136	0.10 218	0.11 278

ADCRef	0.38 363	0.24 349	0.88 401	0.26 328	0.21 355	0.49 384	0.27 329	0.52 317	0.48 337	0.50 381	0.58 370	0.35 261	0.47 386	0.48 257	1.29 444	0.09 191	0.08 260	0.12 308	0.12 327	0.11 263	0.11 278

ADCP+	0.45 390	0.24 349	1.15 431	0.25 296	0.22 371	0.56 400	0.39 399	0.54 335	0.51 357	0.44 363	0.51 341	0.46 337	0.52 399	0.56 300	1.89 457	0.10 235	0.08 260	0.11 272	0.10 255	0.14 329	0.13 314

RYNet	0.37 357	0.18 286	0.59 326	0.25 296	0.28 407	0.61 409	0.32 365	0.59 380	0.59 385	0.41 342	0.38 230	0.57 378	0.39 354	0.87 406	0.53 383	0.11 268	0.08 260	0.12 308	0.11 292	0.18 374	0.18 373

TDLM	0.30 310	0.21 327	0.38 164	0.28 369	0.15 250	0.33 288	0.32 365	0.52 317	0.47 328	0.38 310	0.43 287	0.39 290	0.29 287	0.91 414	0.28 280	0.14 344	0.08 260	0.13 328	0.11 292	0.12 299	0.10 246

NLCA_NET_v2_RVC	0.27 271	0.21 327	0.59 326	0.25 296	0.18 316	0.29 237	0.22 253	0.50 287	0.40 262	0.38 310	0.41 259	0.43 317	0.27 259	0.43 241	0.29 290	0.11 268	0.08 260	0.10 220	0.10 255	0.10 218	0.11 278
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
UCFNet_RVC	0.24 222	0.16 256	0.34 107	0.18 12	0.15 250	0.33 288	0.16 59	0.46 253	0.35 203	0.29 165	0.35 199	0.39 290	0.25 232	0.34 208	0.22 221	0.13 321	0.08 260	0.13 328	0.14 361	0.13 314	0.12 300

NVstereo2D	0.31 317	0.16 256	0.54 304	0.24 259	0.22 371	0.42 353	0.28 342	0.58 375	0.56 379	0.28 138	0.38 230	0.40 303	0.30 297	0.71 360	0.28 280	0.13 321	0.08 260	0.13 328	0.10 255	0.19 381	0.16 350

DRN-Test	0.33 332	0.17 272	0.61 331	0.27 352	0.19 334	0.46 370	0.29 347	0.65 408	0.51 357	0.47 377	0.46 319	0.44 327	0.34 329	0.62 329	0.41 351	0.12 304	0.08 260	0.13 328	0.12 327	0.12 299	0.10 246

LE_ROB	1.76 461	0.20 314	2.68 462	0.48 430	0.52 437	0.78 427	0.96 457	0.84 440	6.61 473	7.40 474	2.08 461	2.08 453	4.83 469	1.27 444	3.79 469	0.10 235	0.08 260	0.12 308	0.11 292	0.11 263	0.10 246

DDVS	0.25 249	0.15 233	0.39 177	0.24 259	0.17 295	0.34 300	0.21 230	0.41 203	0.30 148	0.33 244	0.41 259	0.48 345	0.21 173	0.52 276	0.27 276	0.11 268	0.09 293	0.11 272	0.09 219	0.13 314	0.14 332

ACV-stereo	0.29 301	0.18 286	0.79 380	0.23 215	0.16 275	0.47 376	0.19 159	0.36 158	0.34 189	0.29 165	0.33 179	0.67 408	0.42 369	0.54 288	0.30 296	0.10 235	0.09 293	0.09 151	0.09 219	0.10 218	0.11 278

DualNet (step1)	0.28 290	0.19 302	0.50 282	0.18 12	0.16 275	0.34 300	0.20 201	0.51 302	0.38 238	0.37 299	0.34 188	0.37 270	0.30 297	0.39 230	0.23 239	0.23 405	0.09 293	0.28 417	0.24 414	0.18 374	0.16 350

test_sample7	0.25 249	0.15 233	0.35 117	0.20 79	0.14 204	0.28 217	0.21 230	0.51 302	0.38 238	0.37 299	0.34 188	0.37 270	0.30 297	0.39 230	0.23 239	0.14 344	0.09 293	0.13 328	0.12 327	0.13 314	0.12 300

testlalala_base	0.20 134	0.13 164	0.35 117	0.25 296	0.15 250	0.25 175	0.16 59	0.34 119	0.17 8	0.19 66	0.26 105	0.17 55	0.14 69	0.18 30	0.16 96	0.39 436	0.09 293	0.07 21	0.05 11	0.45 431	0.08 142

iinet-f	0.30 310	0.18 286	1.03 423	0.20 79	0.15 250	0.44 363	0.22 253	0.45 243	0.37 224	0.35 279	0.44 298	0.41 306	0.34 329	0.34 208	0.40 345	0.10 235	0.09 293	0.08 88	0.08 136	0.13 314	0.11 278

ToySt	0.24 222	0.16 256	0.48 267	0.21 118	0.13 163	0.29 237	0.29 347	0.39 184	0.39 247	0.27 128	0.35 199	0.39 290	0.31 311	0.31 190	0.29 290	0.08 119	0.09 293	0.10 220	0.11 292	0.11 263	0.10 246

Wz-Net-MNSev	0.36 348	0.26 364	0.79 380	0.26 328	0.21 355	0.59 405	0.38 394	0.55 345	0.56 379	0.48 380	0.54 357	0.53 368	0.36 337	0.60 316	0.44 359	0.11 268	0.09 293	0.11 272	0.11 292	0.15 341	0.13 314

GLC_STEREO	0.15 36	0.10 36	0.24 21	0.21 118	0.09 10	0.17 22	0.15 37	0.23 16	0.27 105	0.17 48	0.20 58	0.17 55	0.11 18	0.23 83	0.16 96	0.07 22	0.09 293	0.09 151	0.08 136	0.07 51	0.06 28

AASNet	0.27 271	0.19 302	0.49 272	0.26 328	0.17 295	0.34 300	0.20 201	0.62 400	0.48 337	0.35 279	0.40 251	0.32 233	0.25 232	0.28 157	0.34 318	0.11 268	0.09 293	0.10 220	0.08 136	0.13 314	0.11 278

PSMNet-ADL	0.25 249	0.15 233	0.32 86	0.26 328	0.14 204	0.31 269	0.22 253	0.44 233	0.36 215	0.27 128	0.33 179	0.41 306	0.28 273	0.61 321	0.29 290	0.11 268	0.09 293	0.09 151	0.11 292	0.10 218	0.10 246

ICVP	0.23 196	0.13 164	0.44 234	0.26 328	0.14 204	0.29 237	0.25 313	0.45 243	0.33 180	0.29 165	0.43 287	0.35 261	0.25 232	0.26 129	0.23 239	0.12 304	0.09 293	0.09 151	0.08 136	0.09 163	0.10 246
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
delet	0.27 271	0.14 203	0.40 184	0.23 215	0.19 334	0.41 346	0.29 347	0.49 279	0.48 337	0.33 244	0.41 259	0.37 270	0.30 297	0.48 257	0.34 318	0.09 191	0.09 293	0.11 272	0.12 327	0.08 101	0.08 142

UPFNet	0.25 249	0.12 106	0.38 164	0.24 259	0.19 334	0.37 323	0.28 342	0.48 271	0.38 238	0.34 263	0.37 218	0.37 270	0.28 273	0.39 230	0.33 314	0.10 235	0.09 293	0.10 220	0.10 255	0.10 218	0.08 142

aanetorigin	0.39 368	0.29 381	1.09 426	0.24 259	0.19 334	0.28 217	0.37 388	0.33 112	0.47 328	0.94 432	0.82 415	0.52 364	0.54 400	0.49 262	0.50 378	0.11 268	0.09 293	0.10 220	0.10 255	0.16 348	0.15 342

EDNetEfficientorigin	7.51 472	0.52 430	140.47 490	0.25 296	0.17 295	0.42 353	0.29 347	0.47 260	1.03 439	1.28 447	1.02 428	0.83 423	0.84 434	0.75 375	0.99 425	0.10 235	0.09 293	0.12 308	0.10 255	0.21 392	0.22 403

EDNetEfficient	0.63 422	0.37 410	2.40 458	0.26 328	0.25 395	0.38 330	0.49 425	0.41 203	1.06 442	1.38 450	0.87 422	0.62 392	0.95 439	0.65 342	1.65 450	0.11 268	0.09 293	0.10 220	0.11 292	0.19 381	0.17 361

ac_64	0.27 271	0.13 164	0.41 207	0.24 259	0.17 295	0.36 318	0.22 253	0.46 253	0.33 180	0.35 279	0.36 209	0.52 364	0.30 297	0.62 329	0.32 307	0.11 268	0.09 293	0.10 220	0.10 255	0.09 163	0.08 142

ADCL	0.47 393	0.22 339	1.00 418	0.27 352	0.19 334	0.74 421	0.64 437	0.54 335	0.69 408	0.56 401	0.71 401	0.55 372	0.60 409	0.60 316	1.43 446	0.11 268	0.09 293	0.13 328	0.13 350	0.14 329	0.14 332

CVANet_RVC	0.30 310	0.19 302	0.41 207	0.26 328	0.16 275	0.33 288	0.26 324	0.52 317	0.47 328	0.40 333	0.46 319	0.43 317	0.31 311	0.89 410	0.26 272	0.14 344	0.09 293	0.14 350	0.13 350	0.14 329	0.10 246

StereoDRNet	0.32 326	0.22 339	0.61 331	0.27 352	0.21 355	0.42 353	0.30 357	0.61 392	0.48 337	0.46 370	0.39 243	0.48 345	0.30 297	0.57 303	0.40 345	0.11 268	0.09 293	0.12 308	0.11 292	0.12 299	0.10 246

PWC_ROB	0.38 363	0.29 381	0.69 358	0.25 296	0.20 348	0.38 330	0.19 159	0.58 375	0.67 403	0.57 403	0.85 418	0.51 360	0.40 357	0.71 360	0.52 381	0.13 321	0.09 293	0.14 350	0.10 255	0.17 363	0.14 332

rvit_stereo_0083	0.16 47	0.12 106	0.26 32	0.21 118	0.13 163	0.17 22	0.17 86	0.22 8	0.34 189	0.16 39	0.21 69	0.19 77	0.16 95	0.21 64	0.16 96	0.11 268	0.10 315	0.10 220	0.08 136	0.09 163	0.07 85

DCVSM-stereo	0.24 222	0.13 164	0.52 297	0.20 79	0.14 204	0.26 193	0.13 9	0.34 119	0.34 189	0.41 342	0.33 179	0.47 339	0.29 287	0.30 184	0.22 221	0.10 235	0.10 315	0.11 272	0.10 255	0.12 299	0.15 342

CAS++	0.16 47	0.12 106	0.27 40	0.18 12	0.12 96	0.17 22	0.15 37	0.42 217	0.24 75	0.19 66	0.18 37	0.13 17	0.10 10	0.21 64	0.12 11	0.12 304	0.10 315	0.11 272	0.08 136	0.10 218	0.09 196
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
test_for_model	0.29 301	0.89 449	0.34 107	0.69 442	0.49 433	0.20 77	0.16 59	0.30 81	0.23 63	0.28 138	0.15 22	0.13 17	0.11 18	0.17 17	0.13 35	0.29 424	0.10 315	0.06 1	0.04 1	0.86 453	0.18 373

ttt	0.29 301	0.12 106	0.34 107	0.21 118	0.13 163	0.29 237	0.20 201	0.56 360	0.47 328	0.31 211	0.44 298	0.30 213	0.22 186	0.65 342	0.85 417	0.13 321	0.10 315	0.10 220	0.10 255	0.11 263	0.11 278

GASNet	0.36 348	0.46 418	0.88 401	0.34 399	0.23 383	0.35 313	0.22 253	0.60 388	0.53 368	0.40 333	0.37 218	0.45 331	0.30 297	0.79 390	0.35 322	0.15 356	0.10 315	0.14 350	0.14 361	0.22 398	0.12 300

CRFU-Net	0.28 290	0.14 203	0.45 244	0.25 296	0.15 250	0.45 368	0.23 276	0.50 287	0.30 148	0.43 357	0.41 259	0.48 345	0.46 383	0.43 241	0.29 290	0.11 268	0.10 315	0.09 151	0.08 136	0.10 218	0.10 246

NINENet	0.25 249	0.15 233	0.37 145	0.23 215	0.16 275	0.43 361	0.17 86	0.60 388	0.46 323	0.32 233	0.37 218	0.32 233	0.20 166	0.42 239	0.21 203	0.10 235	0.10 315	0.12 308	0.08 136	0.11 263	0.10 246

WZ-Net	0.52 409	0.38 412	1.90 452	0.30 379	0.24 388	0.57 403	0.48 423	0.62 400	0.78 421	0.50 381	0.71 401	0.68 412	0.54 400	0.98 425	0.84 414	0.13 321	0.10 315	0.11 272	0.12 327	0.19 381	0.20 391

SACVNet	0.30 310	0.20 314	0.41 207	0.25 296	0.18 316	0.34 300	0.25 313	0.52 317	0.40 262	0.41 342	0.44 298	0.46 337	0.32 318	0.71 360	0.25 259	0.13 321	0.10 315	0.12 308	0.12 327	0.16 348	0.17 361

RALCasStereoNet	0.18 82	0.15 233	0.33 100	0.21 118	0.14 204	0.21 100	0.18 121	0.31 89	0.25 86	0.21 78	0.29 126	0.22 104	0.15 81	0.27 145	0.17 124	0.08 119	0.10 315	0.07 21	0.06 33	0.09 163	0.09 196

RAFT + AFF	0.27 271	0.23 346	0.50 282	0.25 296	0.17 295	0.30 254	0.33 375	0.52 317	0.40 262	0.28 138	0.30 138	0.30 213	0.31 311	0.62 329	0.24 250	0.09 191	0.10 315	0.11 272	0.10 255	0.11 263	0.11 278

HGLStereo	0.27 271	0.14 203	0.46 251	0.24 259	0.21 355	0.33 288	0.23 276	0.50 287	0.42 279	0.35 279	0.48 332	0.41 306	0.33 321	0.45 248	0.33 314	0.11 268	0.10 315	0.09 151	0.09 219	0.10 218	0.12 300

hitnet-ft	0.29 301	0.17 272	0.40 184	0.19 36	0.14 204	0.39 338	0.23 276	0.44 233	0.41 272	0.36 294	0.46 319	0.53 368	0.34 329	0.76 380	0.32 307	0.14 344	0.10 315	0.13 328	0.10 255	0.15 341	0.13 314

DSFCA	0.27 271	0.13 164	0.36 137	0.20 79	0.17 295	0.38 330	0.31 361	0.47 260	0.43 284	0.43 357	0.37 218	0.39 290	0.29 287	0.52 276	0.32 307	0.12 304	0.10 315	0.10 220	0.11 292	0.11 263	0.10 246

DMCA-RVC	0.27 271	0.21 327	0.61 331	0.28 369	0.17 295	0.29 237	0.21 230	0.42 217	0.35 203	0.40 333	0.37 218	0.39 290	0.36 337	0.43 241	0.30 296	0.13 321	0.10 315	0.15 364	0.11 292	0.13 314	0.10 246

FADNet-RVC-Resample	0.29 301	0.25 353	0.93 409	0.26 328	0.16 275	0.32 277	0.21 230	0.47 260	0.39 247	0.35 279	0.38 230	0.33 240	0.27 259	0.53 282	0.24 250	0.10 235	0.10 315	0.14 350	0.13 350	0.13 314	0.16 350

RTSC	0.39 368	0.28 374	0.78 374	0.27 352	0.18 316	0.49 384	0.22 253	0.59 380	0.84 429	0.55 400	0.53 354	0.49 350	0.36 337	0.67 351	0.82 413	0.13 321	0.10 315	0.11 272	0.12 327	0.17 363	0.17 361

DLCB_ROB	0.28 290	0.16 256	0.34 107	0.27 352	0.16 275	0.38 330	0.25 313	0.48 271	0.43 284	0.46 370	0.46 319	0.51 360	0.33 321	0.53 282	0.33 314	0.10 235	0.10 315	0.11 272	0.11 292	0.10 218	0.09 196

ETE_ROB	0.34 339	0.26 364	0.45 244	0.29 372	0.18 316	0.40 343	0.37 388	0.57 368	0.47 328	0.50 381	0.50 335	0.62 392	0.36 337	0.55 290	0.38 331	0.13 321	0.10 315	0.14 350	0.12 327	0.16 348	0.16 350

PSMNet_ROB	0.33 332	0.24 349	0.54 304	0.31 385	0.21 355	0.42 353	0.43 409	0.59 380	0.47 328	0.37 299	0.44 298	0.49 350	0.31 311	0.64 336	0.43 355	0.14 344	0.10 315	0.15 364	0.14 361	0.13 314	0.11 278

fast-acv-ft	0.31 317	0.20 314	0.81 385	0.24 259	0.18 316	0.46 370	0.27 329	0.41 203	0.49 346	0.39 325	0.55 361	0.49 350	0.35 333	0.37 224	0.38 331	0.11 268	0.11 336	0.11 272	0.12 327	0.12 299	0.09 196

ssnet_v2	0.28 290	0.16 256	0.44 234	0.22 172	0.15 250	0.40 343	0.30 357	0.57 368	0.46 323	0.38 310	0.36 209	0.47 339	0.29 287	0.38 228	0.39 339	0.13 321	0.11 336	0.11 272	0.11 292	0.11 263	0.11 278

Wz-Net-SNSev	0.43 383	0.41 417	1.27 438	0.30 379	0.21 355	0.44 363	0.41 404	0.61 392	0.65 399	0.46 370	0.65 390	0.62 392	0.39 354	0.74 374	0.59 391	0.12 304	0.11 336	0.12 308	0.13 350	0.16 348	0.14 332

Wz-Net-LNSev	0.34 339	0.29 381	0.91 405	0.26 328	0.21 355	0.47 376	0.31 361	0.54 335	0.54 371	0.44 363	0.52 349	0.50 356	0.35 333	0.39 230	0.39 339	0.11 268	0.11 336	0.10 220	0.09 219	0.14 329	0.13 314

dad	0.28 290	0.31 393	0.44 234	0.21 118	0.14 204	0.30 254	0.20 201	0.33 112	0.49 346	0.44 363	0.44 298	0.45 331	0.21 173	0.41 237	0.26 272	0.20 401	0.11 336	0.20 397	0.11 292	0.14 329	0.10 246

Anonymous3	0.23 196	0.18 286	0.63 342	0.27 352	0.18 316	0.41 346	0.23 276	0.43 228	0.35 203	0.23 86	0.27 111	0.20 84	0.18 143	0.27 145	0.18 143	0.12 304	0.11 336	0.10 220	0.10 255	0.11 263	0.12 300

pcwnet_v2	0.32 326	0.15 233	1.26 437	0.23 215	0.18 316	0.32 277	0.18 121	0.59 380	0.60 389	0.36 294	0.45 310	0.35 261	0.29 287	0.36 222	0.25 259	0.14 344	0.11 336	0.12 308	0.11 292	0.14 329	0.15 342

sCroCo_RVC	0.18 82	0.14 203	0.49 272	0.27 352	0.18 316	0.22 124	0.17 86	0.27 40	0.23 63	0.14 18	0.22 76	0.17 55	0.14 69	0.21 64	0.15 75	0.10 235	0.11 336	0.09 151	0.09 219	0.09 163	0.09 196

GwcNet	0.35 344	0.23 346	0.88 401	0.25 296	0.24 388	0.48 381	0.27 329	0.55 345	0.57 382	0.38 310	0.52 349	0.51 360	0.32 318	0.60 316	0.41 351	0.13 321	0.11 336	0.12 308	0.11 292	0.13 314	0.14 332

AF-Net	0.37 357	0.26 364	0.56 314	0.32 391	0.23 383	0.41 346	0.29 347	0.61 392	0.64 398	0.42 351	0.68 396	0.65 403	0.49 393	0.57 303	0.44 359	0.15 356	0.11 336	0.19 393	0.14 361	0.15 341	0.13 314

RTS	0.78 437	0.48 422	4.68 465	0.34 399	0.28 407	1.12 444	0.46 415	0.62 400	1.03 439	0.73 419	0.89 423	0.60 386	0.59 407	1.61 451	1.16 437	0.14 344	0.11 336	0.15 364	0.15 369	0.21 392	0.19 381

RTSA	0.78 437	0.48 422	4.68 465	0.34 399	0.28 407	1.12 444	0.46 415	0.62 400	1.03 439	0.73 419	0.89 423	0.60 386	0.59 407	1.61 451	1.16 437	0.14 344	0.11 336	0.15 364	0.15 369	0.21 392	0.19 381

DANet	0.35 344	0.23 346	0.60 328	0.36 409	0.22 371	0.39 338	0.25 313	0.48 271	0.43 284	0.52 392	0.50 335	0.59 383	0.41 361	0.76 380	0.49 373	0.13 321	0.11 336	0.14 350	0.12 327	0.17 363	0.15 342
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	0.26 264	0.19 302	0.44 234	0.21 118	0.16 275	0.30 254	0.21 230	0.52 317	0.32 168	0.35 279	0.38 230	0.39 290	0.26 241	0.42 239	0.24 250	0.15 356	0.11 336	0.11 272	0.11 292	0.14 329	0.13 314

MDST_ROB	0.48 396	0.14 203	0.95 412	0.30 379	0.21 355	1.33 454	0.32 365	0.77 431	0.56 379	1.06 440	0.71 401	0.49 350	0.35 333	1.26 443	0.38 331	0.13 321	0.11 336	0.16 373	0.13 350	0.12 299	0.12 300

LALA_ROB	0.36 348	0.25 353	0.46 251	0.30 379	0.21 355	0.47 376	0.39 399	0.61 392	0.51 357	0.52 392	0.51 341	0.69 414	0.36 337	0.50 265	0.43 355	0.17 382	0.11 336	0.16 373	0.14 361	0.17 363	0.15 342

PWCDC_ROB	0.38 363	0.30 387	0.60 328	0.33 397	0.20 348	0.42 353	0.19 159	0.58 375	0.89 431	0.42 351	1.26 438	0.36 266	0.34 329	0.50 265	0.38 331	0.18 393	0.11 336	0.11 272	0.09 219	0.19 381	0.13 314

rvit_stereo_0075_2	0.24 222	0.17 272	0.50 282	0.26 328	0.22 371	0.22 124	0.15 37	0.40 191	0.35 203	0.27 128	0.37 218	0.29 197	0.20 166	0.28 157	0.19 168	0.17 382	0.12 353	0.19 393	0.12 327	0.13 314	0.13 314

StereoVision	0.22 179	0.18 286	0.37 145	0.27 352	0.17 295	0.23 143	0.22 253	0.38 172	0.31 160	0.20 69	0.51 341	0.22 104	0.16 95	0.28 157	0.18 143	0.11 268	0.12 353	0.13 328	0.13 350	0.10 218	0.07 85

psm_up	0.29 301	0.16 256	0.41 207	0.26 328	0.17 295	0.32 277	0.26 324	0.55 345	0.43 284	0.36 294	0.40 251	0.45 331	0.37 345	0.58 309	0.30 296	0.11 268	0.12 353	0.13 328	0.12 327	0.10 218	0.10 246

STTStereo	0.28 290	0.20 314	0.61 331	0.25 296	0.17 295	0.29 237	0.24 298	0.47 260	0.39 247	0.39 325	0.41 259	0.44 327	0.28 273	0.40 235	0.28 280	0.13 321	0.12 353	0.13 328	0.16 381	0.12 299	0.11 278

Nwc_Net	0.37 357	0.25 353	0.68 357	0.31 385	0.24 388	0.44 363	0.30 357	0.65 408	0.50 354	0.37 299	0.69 400	0.58 381	0.45 377	0.60 316	0.40 345	0.15 356	0.12 353	0.19 393	0.21 403	0.14 329	0.13 314

XQC	0.43 383	0.37 410	0.96 414	0.34 399	0.25 395	0.53 398	0.34 377	0.60 388	0.73 416	0.51 386	0.46 319	0.57 378	0.47 386	0.70 357	0.72 405	0.17 382	0.12 353	0.18 386	0.15 369	0.25 405	0.23 409

ADCMid	0.49 398	0.34 400	1.13 430	0.26 328	0.21 355	0.51 388	0.37 388	0.57 368	0.54 371	0.75 423	0.66 392	0.62 392	0.64 419	0.64 336	1.68 451	0.13 321	0.12 353	0.17 379	0.17 389	0.20 389	0.17 361

SANet	0.53 410	0.28 374	0.96 414	0.26 328	0.15 250	0.69 416	0.44 412	0.67 419	1.34 449	0.67 414	0.98 427	0.94 428	0.71 424	0.89 410	0.76 406	0.14 344	0.12 353	0.12 308	0.11 292	0.17 363	0.16 350

XPNet_ROB	0.33 332	0.20 314	0.43 226	0.27 352	0.18 316	0.37 323	0.31 361	0.55 345	0.50 354	0.51 386	0.53 354	0.58 381	0.37 345	0.63 334	0.45 362	0.17 382	0.12 353	0.13 328	0.12 327	0.15 341	0.14 332

PDISCO_ROB	0.43 383	0.30 387	0.67 352	0.43 424	0.36 423	0.67 415	0.32 365	0.72 427	0.76 418	0.43 357	0.53 354	0.63 400	0.40 357	0.66 347	0.47 370	0.21 402	0.12 353	0.21 399	0.19 399	0.25 405	0.20 391

DispFullNet	0.66 425	0.89 449	1.59 447	0.77 446	1.21 463	0.51 388	0.23 276	0.59 380	0.72 413	0.69 417	0.61 383	0.69 414	0.91 438	0.79 390	0.48 371	0.27 419	0.12 353	0.73 447	0.30 428	0.65 444	0.40 434

rvit_0105_6	0.19 120	0.14 203	0.34 107	0.23 215	0.14 204	0.18 30	0.20 201	0.29 65	0.37 224	0.18 61	0.22 76	0.23 124	0.17 120	0.26 129	0.17 124	0.15 356	0.13 364	0.13 328	0.11 292	0.11 263	0.08 142

rvit_0105_5	0.21 151	0.15 233	0.38 164	0.23 215	0.13 163	0.22 124	0.24 298	0.36 158	0.39 247	0.21 78	0.23 79	0.26 164	0.19 157	0.26 129	0.19 168	0.15 356	0.13 364	0.12 308	0.12 327	0.10 218	0.09 196

rvit_0105_4	0.20 134	0.15 233	0.38 164	0.23 215	0.14 204	0.20 77	0.22 253	0.33 112	0.39 247	0.19 66	0.24 90	0.25 143	0.19 157	0.27 145	0.17 124	0.16 371	0.13 364	0.13 328	0.11 292	0.11 263	0.08 142

rvit_0105_3	0.23 196	0.17 272	0.40 184	0.25 296	0.15 250	0.24 162	0.28 342	0.38 172	0.41 272	0.25 108	0.25 97	0.28 188	0.21 173	0.28 157	0.20 181	0.15 356	0.13 364	0.14 350	0.15 369	0.10 218	0.09 196

SHD	0.42 379	0.27 371	0.81 385	0.31 385	0.25 395	0.42 353	0.22 253	0.66 414	0.94 438	0.63 409	0.60 377	0.59 383	0.47 386	0.59 315	0.58 390	0.15 356	0.13 364	0.16 373	0.16 381	0.20 389	0.22 403

GANet	0.36 348	0.22 339	0.49 272	0.29 372	0.17 295	0.41 346	0.38 394	0.57 368	0.45 309	0.46 370	0.75 407	0.55 372	0.40 357	0.94 419	0.41 351	0.13 321	0.13 364	0.13 328	0.11 292	0.14 329	0.11 278

DPSNet	0.47 393	0.24 349	0.93 409	0.27 352	0.20 348	0.75 423	0.57 431	0.84 440	0.79 422	0.47 377	0.51 341	0.60 386	0.69 422	0.87 406	0.71 404	0.16 371	0.13 364	0.12 308	0.10 255	0.25 405	0.21 398

NCCL2	0.35 344	0.26 364	0.49 272	0.36 409	0.22 371	0.41 346	0.41 404	0.53 328	0.42 279	0.47 377	0.46 319	0.61 390	0.39 354	0.55 290	0.37 329	0.16 371	0.13 364	0.21 399	0.21 403	0.16 348	0.16 350

rvit_105_1	0.27 271	0.19 302	0.46 251	0.27 352	0.19 334	0.30 254	0.35 380	0.44 233	0.51 357	0.31 211	0.31 152	0.31 224	0.26 241	0.35 217	0.25 259	0.15 356	0.14 372	0.15 364	0.17 389	0.11 263	0.10 246

APVNet	0.36 348	0.20 314	0.70 364	0.26 328	0.22 371	0.52 397	0.35 380	0.61 392	0.44 298	0.38 310	0.52 349	0.48 345	0.38 349	0.84 402	0.46 368	0.13 321	0.14 372	0.15 364	0.16 381	0.16 348	0.15 342

Syn2CoEx	0.36 348	0.31 393	0.78 374	0.34 399	0.21 355	0.41 346	0.28 342	0.61 392	0.49 346	0.42 351	0.56 367	0.45 331	0.44 374	0.69 354	0.38 331	0.17 382	0.14 372	0.15 364	0.12 327	0.13 314	0.12 300

FAT-Stereo	0.36 348	0.18 286	0.73 371	0.26 328	0.18 316	0.33 288	0.29 347	0.60 388	0.59 385	0.46 370	0.60 377	0.60 386	0.50 394	0.61 321	0.34 318	0.13 321	0.14 372	0.13 328	0.12 327	0.14 329	0.18 373

FADNet_RVC	0.30 310	0.28 374	0.83 389	0.23 215	0.15 250	0.30 254	0.17 86	0.49 279	0.37 224	0.30 194	0.38 230	0.30 213	0.27 259	0.52 276	0.31 302	0.14 344	0.14 372	0.14 350	0.16 381	0.21 392	0.23 409

FADNet-RVC	0.31 317	0.35 402	0.78 374	0.25 296	0.20 348	0.33 288	0.20 201	0.49 279	0.40 262	0.34 263	0.39 243	0.41 306	0.29 287	0.63 334	0.31 302	0.13 321	0.14 372	0.14 350	0.15 369	0.19 381	0.19 381

G-Net	0.46 392	0.25 353	0.86 398	0.34 399	0.28 407	0.90 436	0.35 380	0.47 260	0.45 309	0.68 415	1.22 436	0.64 402	0.60 409	0.61 321	0.57 385	0.16 371	0.14 372	0.17 379	0.13 350	0.22 398	0.19 381

NCC-stereo	0.39 368	0.25 353	0.69 358	0.32 391	0.28 407	0.46 370	0.36 384	0.65 408	0.52 364	0.40 333	0.57 368	0.56 374	0.47 386	0.73 367	0.45 362	0.17 382	0.14 372	0.18 386	0.25 417	0.16 348	0.16 350

stereogan	0.37 357	0.17 272	0.65 348	0.27 352	0.22 371	0.62 410	0.26 324	0.59 380	0.63 397	0.43 357	0.60 377	0.67 408	0.42 369	0.68 352	0.35 322	0.13 321	0.14 372	0.14 350	0.12 327	0.19 381	0.17 361

edge stereo	0.39 368	0.22 339	0.81 385	0.27 352	0.22 371	0.37 323	0.24 298	0.56 360	0.54 371	0.53 397	0.60 377	0.71 417	0.50 394	0.78 388	0.40 345	0.16 371	0.14 372	0.19 393	0.14 361	0.16 348	0.17 361

Abc-Net	0.39 368	0.25 353	0.69 358	0.32 391	0.28 407	0.46 370	0.36 384	0.65 408	0.52 364	0.40 333	0.57 368	0.56 374	0.47 386	0.73 367	0.45 362	0.17 382	0.14 372	0.18 386	0.25 417	0.16 348	0.16 350
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DeepPrunerF	0.44 389	0.29 381	1.29 440	0.33 397	0.30 415	0.35 313	0.36 384	0.62 400	1.15 447	0.40 333	0.44 298	0.39 290	0.41 361	0.80 394	0.52 381	0.18 393	0.14 372	0.23 406	0.21 403	0.17 363	0.17 361

AnyNet_C32	0.51 405	0.40 414	1.10 429	0.29 372	0.28 407	0.59 405	0.58 432	0.54 335	0.60 389	0.62 407	0.66 392	0.54 370	0.54 400	0.78 388	1.74 454	0.15 356	0.14 372	0.15 364	0.17 389	0.20 389	0.20 391

PS-NSSS	0.32 326	0.30 387	0.46 251	0.23 215	0.17 295	0.33 288	0.24 298	0.57 368	0.41 272	0.37 299	0.52 349	0.35 261	0.30 297	0.80 394	0.30 296	0.17 382	0.14 372	0.21 399	0.15 369	0.15 341	0.13 314

SQANet	0.40 374	0.48 422	0.67 352	0.48 430	0.39 424	0.48 381	0.22 253	0.51 302	0.43 284	0.40 333	0.47 326	0.47 339	0.33 321	0.54 288	0.32 307	0.36 432	0.15 386	0.40 431	0.21 403	0.45 431	0.31 425

coex-ft	3.44 468	0.73 441	48.55 488	0.24 259	0.19 334	0.50 387	0.43 409	0.47 260	2.40 460	7.03 473	1.20 435	0.97 431	2.23 464	0.73 367	1.92 458	0.12 304	0.15 386	0.14 350	0.12 327	0.21 392	0.43 436

Wz-Net-TNSev	0.51 405	0.58 432	1.61 450	0.25 296	0.21 355	0.65 412	0.45 413	0.63 406	0.69 408	0.51 386	0.54 357	0.71 417	0.60 409	1.00 426	0.77 409	0.15 356	0.15 386	0.13 328	0.15 369	0.21 392	0.20 391

S-Stereo	0.38 363	0.20 314	1.05 424	0.27 352	0.22 371	0.38 330	0.32 365	0.55 345	0.66 400	0.39 325	0.59 372	0.49 350	0.41 361	0.75 375	0.40 345	0.12 304	0.15 386	0.13 328	0.13 350	0.16 348	0.21 398

RP	0.35 344	0.22 339	0.51 293	0.31 385	0.24 388	0.37 323	0.28 342	0.50 287	0.58 384	0.40 333	0.63 388	0.61 390	0.47 386	0.61 321	0.39 339	0.16 371	0.15 386	0.17 379	0.15 369	0.17 363	0.17 361

RGC	0.39 368	0.32 398	0.64 347	0.34 399	0.27 402	0.40 343	0.29 347	0.57 368	0.53 368	0.45 367	0.64 389	0.62 392	0.45 377	0.72 365	0.39 339	0.15 356	0.15 386	0.21 399	0.20 400	0.18 374	0.19 381

WCMA_ROB	0.51 405	0.21 327	0.65 348	0.25 296	0.21 355	0.58 404	0.32 365	0.54 335	0.55 376	0.95 434	1.40 442	1.28 440	0.81 431	0.73 367	0.62 396	0.18 393	0.15 386	0.15 364	0.15 369	0.19 381	0.19 381

FADNet	0.32 326	0.36 405	0.74 372	0.23 215	0.22 371	0.37 323	0.19 159	0.53 328	0.48 337	0.32 233	0.36 209	0.43 317	0.32 318	0.64 336	0.25 259	0.16 371	0.16 393	0.14 350	0.16 381	0.24 404	0.19 381

ADCS	0.58 416	0.40 414	1.35 443	0.29 372	0.24 388	0.55 399	0.45 413	0.67 419	0.83 427	0.76 424	0.71 401	0.68 412	0.60 409	0.76 380	2.23 462	0.16 371	0.16 393	0.16 373	0.17 389	0.22 398	0.22 403

AnyNet_C01	0.65 424	0.58 432	2.60 461	0.32 391	0.26 400	0.88 434	0.61 435	0.63 406	0.62 394	0.68 415	0.96 426	0.76 420	0.60 409	0.96 422	1.43 446	0.16 371	0.16 393	0.17 379	0.17 389	0.23 401	0.23 409

SGM_RVC	0.50 401	0.19 302	0.50 282	0.25 296	0.15 250	0.69 416	0.39 399	0.68 422	0.82 424	0.95 434	0.84 417	1.13 433	0.76 426	1.16 436	0.60 393	0.16 371	0.16 393	0.16 373	0.16 381	0.16 348	0.17 361
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
CBMV	0.33 332	0.21 327	0.54 304	0.23 215	0.13 163	0.42 353	0.33 375	0.53 328	0.48 337	0.52 392	0.49 333	0.50 356	0.41 361	0.56 300	0.31 302	0.15 356	0.16 393	0.18 386	0.16 381	0.13 314	0.13 314
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
FINET	0.34 339	0.27 371	0.80 383	0.24 259	0.24 388	0.36 318	0.34 377	0.54 335	0.72 413	0.39 325	0.47 326	0.32 233	0.30 297	0.51 270	0.32 307	0.19 398	0.17 398	0.13 328	0.12 327	0.18 374	0.16 350

psmorigin	0.50 401	0.25 353	3.03 463	0.24 259	0.19 334	0.38 330	0.22 253	0.50 287	0.44 298	0.64 411	0.68 396	0.71 417	0.51 397	0.85 403	0.45 362	0.14 344	0.17 398	0.13 328	0.14 361	0.16 348	0.21 398

FBW_ROB	0.43 383	0.26 364	0.54 304	0.31 385	0.20 348	0.51 388	0.32 365	0.70 424	0.60 389	0.59 404	0.55 361	0.65 403	0.41 361	1.40 448	0.51 380	0.13 321	0.17 398	0.21 399	0.16 381	0.17 363	0.18 373

CSAN	0.50 401	0.35 402	0.78 374	0.36 409	0.23 383	0.56 400	0.59 434	0.61 392	0.70 410	0.64 411	0.78 411	0.65 403	0.60 409	1.38 447	0.62 396	0.21 402	0.17 398	0.20 397	0.20 400	0.18 374	0.18 373

SGM-Forest	0.36 348	0.17 272	0.47 259	0.23 215	0.16 275	0.45 368	0.41 404	0.55 345	0.48 337	0.52 392	0.60 377	0.52 364	0.41 361	0.85 403	0.50 378	0.17 382	0.17 398	0.17 379	0.15 369	0.15 341	0.15 342
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MeshStereo	0.58 416	0.27 371	0.67 352	0.22 172	0.17 295	0.66 414	0.37 388	0.78 432	0.61 392	1.47 461	1.30 439	1.65 447	0.79 428	1.12 434	0.59 391	0.17 382	0.17 398	0.17 379	0.14 361	0.17 363	0.14 332
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
PVD	0.58 416	0.34 400	0.84 394	0.39 419	0.31 417	0.59 405	0.47 419	0.80 436	1.25 448	0.92 431	1.09 430	0.79 421	0.82 432	0.85 403	0.76 406	0.21 402	0.18 404	0.22 405	0.18 395	0.27 415	0.35 430

ADCPNet	0.48 396	0.29 381	1.60 448	0.27 352	0.23 383	0.70 419	0.38 394	0.53 328	0.51 357	0.51 386	0.59 372	0.67 408	0.56 404	0.60 316	1.14 434	0.15 356	0.18 404	0.14 350	0.23 412	0.19 381	0.19 381

SGM-ForestM	1.36 452	0.28 374	0.79 380	0.26 328	0.16 275	2.26 465	1.00 459	1.42 454	1.46 453	2.38 465	2.05 460	5.95 474	2.66 467	2.95 466	2.46 464	0.17 382	0.18 404	0.18 386	0.18 395	0.15 341	0.18 373

NaN_ROB	0.41 376	0.28 374	0.62 339	0.30 379	0.19 334	0.51 388	0.47 419	0.58 375	0.59 385	0.56 401	0.47 326	0.49 350	0.41 361	1.21 440	0.64 400	0.12 304	0.18 404	0.12 308	0.13 350	0.11 263	0.14 332

HBP-ISP	0.33 332	0.30 387	0.72 368	0.22 172	0.16 275	0.32 277	0.22 253	0.54 335	0.44 298	0.41 342	0.49 333	0.33 240	0.38 349	0.73 367	0.25 259	0.18 393	0.19 408	0.24 408	0.20 400	0.16 348	0.13 314

UDG	0.40 374	0.46 418	0.49 272	0.40 421	0.35 422	0.47 376	0.27 329	0.54 335	0.47 328	0.39 325	0.45 310	0.59 383	0.44 374	0.46 251	0.39 339	0.26 414	0.19 408	0.48 435	0.22 410	0.34 425	0.26 418

ccnet	0.42 379	0.31 393	0.48 267	0.27 352	0.32 418	0.60 408	0.32 365	0.65 408	0.46 323	0.53 397	0.66 392	0.56 374	0.45 377	0.72 365	0.61 394	0.26 414	0.19 408	0.24 408	0.21 403	0.26 411	0.22 403

MaskLacGwcNet_RVC	0.36 348	0.36 405	0.53 301	0.34 399	0.19 334	0.51 388	0.24 298	0.55 345	0.38 238	0.41 342	0.47 326	0.47 339	0.27 259	0.73 367	0.30 296	0.36 432	0.19 408	0.27 411	0.17 389	0.26 411	0.23 409

CBMV_ROB	0.33 332	0.18 286	0.53 301	0.21 118	0.14 204	0.33 288	0.20 201	0.51 302	0.45 309	0.51 386	0.55 361	0.45 331	0.42 369	0.71 360	0.32 307	0.18 393	0.19 408	0.23 406	0.21 403	0.14 329	0.15 342

NOSS_ROB	0.31 317	0.20 314	0.35 117	0.24 259	0.16 275	0.32 277	0.19 159	0.52 317	0.48 337	0.33 244	0.36 209	0.42 314	0.28 273	0.93 417	0.24 250	0.19 398	0.20 413	0.24 408	0.22 410	0.17 363	0.17 361

ACVNet-4b	0.72 431	0.81 444	1.33 442	0.72 444	0.50 435	0.80 429	0.31 361	0.71 426	0.80 423	0.50 381	0.72 405	0.95 430	0.43 373	0.96 422	1.20 441	1.13 466	0.21 414	0.76 448	0.45 438	0.65 444	0.46 440

DDUNet	0.41 376	0.50 427	0.48 267	0.44 426	0.39 424	0.46 370	0.32 365	0.50 287	0.43 284	0.45 367	0.52 349	0.57 378	0.36 337	0.48 257	0.33 314	0.33 429	0.21 414	0.55 439	0.25 417	0.37 428	0.32 428

GANetREF_RVC	0.43 383	0.47 420	0.69 358	0.38 417	0.20 348	0.51 388	0.48 423	0.66 414	0.66 400	0.46 370	0.46 319	0.50 356	0.44 374	0.90 413	0.39 339	0.27 419	0.21 414	0.32 425	0.18 395	0.27 415	0.22 403
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
MSMD_ROB	0.60 420	0.33 399	0.61 331	0.30 379	0.25 395	0.86 433	0.35 380	0.55 345	0.67 403	1.10 442	1.49 447	1.76 450	0.97 442	0.88 409	0.49 373	0.23 405	0.21 414	0.27 411	0.27 424	0.25 405	0.24 414

FC-DCNN v2	0.71 430	0.30 387	0.67 352	0.32 391	0.27 402	0.84 431	0.39 399	0.84 440	0.85 430	1.44 457	1.64 453	2.09 454	1.28 453	1.06 430	0.80 412	0.24 411	0.22 418	0.27 411	0.26 421	0.26 411	0.25 416

FCDSN-DC	0.63 422	0.31 393	0.61 331	0.36 409	0.30 415	0.65 412	0.37 388	0.66 414	0.68 406	1.14 444	1.54 450	1.71 449	1.26 451	0.92 415	0.64 400	0.24 411	0.22 418	0.27 411	0.26 421	0.27 415	0.27 421
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SAMSARA	0.56 412	0.39 413	0.80 383	0.60 438	0.46 430	1.00 440	1.23 467	0.67 419	0.68 406	0.71 418	0.54 357	0.89 427	0.57 406	0.81 397	0.62 396	0.19 398	0.22 418	0.18 386	0.18 395	0.27 415	0.25 416

FC-DCNN	0.70 429	0.30 387	0.69 358	0.32 391	0.27 402	0.81 430	0.39 399	0.79 435	0.82 424	1.41 453	1.58 452	1.98 452	1.26 451	1.02 428	0.77 409	0.24 411	0.22 418	0.27 411	0.26 421	0.26 411	0.26 418

PA-Net	0.37 357	0.28 374	0.83 389	0.31 385	0.28 407	0.39 338	0.42 407	0.51 302	0.55 376	0.34 263	0.42 275	0.41 306	0.36 337	0.79 390	0.49 373	0.12 304	0.23 422	0.16 373	0.23 412	0.12 299	0.18 373
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
CC-Net-ROB	0.43 383	0.47 420	0.65 348	0.37 415	0.23 383	0.51 388	0.29 347	0.66 414	0.49 346	0.46 370	0.51 341	0.48 345	0.38 349	0.96 422	0.35 322	0.34 430	0.23 422	0.55 439	0.25 417	0.31 422	0.20 391

SDNR	0.42 379	0.21 327	0.82 388	0.21 118	0.18 316	1.27 451	0.17 86	0.50 287	0.49 346	0.42 351	0.81 414	0.38 278	0.27 259	1.19 437	0.38 331	0.23 405	0.24 424	0.17 379	0.13 350	0.17 363	0.20 391

LSM	1.64 460	0.40 414	2.56 460	2.02 469	17.61 480	0.51 388	0.52 427	0.61 392	0.76 418	0.82 426	1.11 432	0.63 400	0.54 400	0.75 375	0.49 373	0.16 371	0.24 424	0.18 386	0.21 403	0.25 405	2.42 472

ELAS_RVC	0.74 435	0.36 405	1.00 418	0.37 415	0.33 419	0.88 434	0.93 456	0.83 439	1.08 443	1.35 449	1.33 441	1.24 438	1.33 455	1.06 430	0.95 423	0.27 419	0.25 426	0.29 421	0.27 424	0.30 421	0.30 423
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.74 435	0.36 405	0.85 397	0.36 409	0.33 419	1.36 455	0.77 447	0.93 444	0.92 435	1.41 453	1.53 449	1.16 437	1.17 447	0.95 421	1.03 427	0.26 414	0.25 426	0.28 417	0.28 427	0.31 422	0.30 423
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MFN_U_SF_RVC	0.56 412	0.51 429	1.19 432	0.38 417	0.22 371	0.69 416	0.27 329	0.80 436	0.67 403	0.73 419	0.74 406	0.87 424	0.61 418	0.81 397	0.76 406	0.29 424	0.27 428	0.32 425	0.37 435	0.32 424	0.31 425

MFN_U_SF_DS_RVC	0.51 405	0.50 427	0.86 398	0.39 419	0.24 388	0.84 431	0.55 430	0.56 360	0.62 394	0.60 405	0.68 396	0.62 392	0.42 369	1.13 435	0.43 355	0.23 405	0.27 428	0.27 411	0.35 431	0.25 405	0.29 422

MANE	1.41 453	0.36 405	0.74 372	0.43 424	0.41 427	2.16 464	0.80 449	2.39 469	3.38 463	2.22 464	3.06 466	3.54 467	2.73 468	2.15 463	1.94 459	0.28 422	0.27 428	0.30 423	0.46 439	0.28 419	0.34 429

BEATNet-Init1	4.73 471	2.61 470	13.29 480	0.58 436	0.53 438	10.12 476	3.33 472	4.83 472	5.01 471	8.75 475	8.51 473	14.08 482	7.60 474	7.70 475	5.34 472	0.28 422	0.28 431	0.34 427	0.37 435	0.57 437	0.45 437

Anonymous_2	0.37 357	0.21 327	0.47 259	0.20 79	0.21 355	0.42 353	0.26 324	0.38 172	0.29 137	0.33 244	0.30 138	0.44 327	0.38 349	0.36 222	0.29 290	0.26 414	0.29 432	0.44 433	1.41 468	0.34 425	0.21 398

MSC_U_SF_DS_RVC	0.68 427	0.64 437	1.06 425	0.45 427	0.27 402	1.40 457	0.58 432	0.78 432	0.92 435	0.84 427	0.86 419	0.88 426	0.68 421	1.33 446	0.68 403	0.37 434	0.29 432	0.34 427	0.36 434	0.43 429	0.37 431

PASM	0.45 390	0.35 402	0.90 404	0.35 408	0.33 419	0.39 338	0.38 394	0.50 287	0.61 392	0.52 392	0.51 341	0.62 392	0.45 377	0.93 417	0.48 371	0.26 414	0.29 432	0.29 421	0.33 429	0.29 420	0.26 418

ACVNet_1	0.72 431	0.81 444	1.37 444	0.72 444	0.53 438	0.77 424	0.42 407	0.85 443	0.90 433	0.74 422	0.75 407	1.32 442	0.72 425	1.02 428	0.55 384	0.54 441	0.31 435	0.71 446	0.35 431	0.64 443	0.45 437

Ntro	0.58 416	0.64 437	0.92 407	0.66 441	0.50 435	0.77 424	0.36 384	0.66 414	0.70 410	0.50 381	0.59 372	0.65 403	0.51 397	0.75 375	0.45 362	0.56 443	0.32 436	0.56 442	0.34 430	0.63 441	0.46 440

otaku	0.57 415	0.62 436	0.87 400	0.63 440	0.44 429	0.73 420	0.37 388	0.65 408	0.66 400	0.51 386	0.75 407	0.66 407	0.45 377	0.69 354	0.46 368	0.53 439	0.34 437	0.55 439	0.35 431	0.60 439	0.45 437

JetBlue	1.14 450	0.76 442	2.36 456	0.59 437	0.75 448	3.04 468	1.78 469	1.11 447	0.90 433	0.94 432	1.10 431	1.66 448	1.28 453	2.09 461	1.72 453	0.43 438	0.36 438	0.38 429	0.38 437	0.58 438	0.56 445

NVStereoNet_ROB	0.67 426	0.49 426	0.83 389	0.48 430	0.40 426	0.51 388	0.46 415	0.70 424	0.77 420	0.84 427	1.72 454	1.02 432	0.83 433	1.23 441	0.79 411	0.32 428	0.38 439	0.40 431	0.46 439	0.36 427	0.41 435
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	0.55 411	0.48 422	1.02 421	0.45 427	0.49 433	0.49 384	0.47 419	0.72 427	0.72 413	0.45 367	0.82 415	0.47 339	0.60 409	0.50 265	0.63 399	0.39 436	0.39 440	0.44 433	0.51 444	0.52 434	0.37 431

MADNet+	1.01 445	1.16 461	4.72 467	0.70 443	0.47 431	1.24 450	0.96 457	0.97 445	0.89 431	0.65 413	0.77 410	0.87 424	0.85 436	2.09 461	1.68 451	0.38 435	0.39 440	0.31 424	0.27 424	0.43 429	0.39 433

GCST	0.47 393	0.60 434	0.57 317	1.04 457	0.48 432	0.38 330	0.11 3	0.40 191	0.32 168	0.41 342	0.34 188	0.29 197	0.17 120	0.46 251	0.19 168	0.69 449	0.42 442	0.79 451	0.62 453	0.62 440	0.46 440

ACVNet_2	0.89 440	0.87 448	1.25 436	0.82 447	0.62 443	0.97 439	0.62 436	1.14 448	1.42 451	1.00 437	1.40 442	1.47 445	0.84 434	1.11 432	0.66 402	0.61 446	0.43 443	0.78 449	0.49 441	0.75 448	0.52 443

TorneroNet-64	1.43 454	1.03 456	1.20 433	1.10 458	0.86 457	2.26 465	0.73 443	1.84 462	3.84 468	1.25 446	2.25 464	2.69 463	1.42 456	1.76 458	1.43 446	0.76 452	0.50 444	1.09 459	0.66 454	1.23 463	0.76 461

PWCK	1.00 443	1.17 462	1.70 451	0.91 450	0.41 427	1.19 448	0.92 455	1.10 446	1.14 446	1.16 445	1.14 433	1.25 439	0.88 437	1.75 457	1.04 428	0.87 457	0.50 444	0.87 452	0.53 446	0.96 459	0.52 443

IMH-64-1	0.91 441	0.86 446	0.84 394	0.97 452	0.75 448	0.92 437	0.71 440	1.27 449	1.10 444	0.89 429	1.45 444	1.14 434	0.96 440	1.19 437	0.84 414	0.74 450	0.51 446	0.97 454	0.55 448	0.84 451	0.60 449

IMH-64	0.91 441	0.86 446	0.84 394	0.97 452	0.75 448	0.92 437	0.71 440	1.27 449	1.10 444	0.89 429	1.45 444	1.14 434	0.96 440	1.19 437	0.84 414	0.74 450	0.51 446	0.97 454	0.55 448	0.84 451	0.60 449

SPS-STEREO	0.69 428	0.61 435	0.98 416	0.52 435	0.57 440	0.74 421	0.50 426	0.78 432	0.62 394	0.95 434	0.86 419	0.94 428	0.70 423	1.01 427	0.87 418	0.58 445	0.51 446	0.50 436	0.50 443	0.55 436	0.58 447
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
anonymity	0.56 412	0.54 431	0.70 364	0.47 429	0.61 442	0.56 400	0.43 409	0.69 423	0.49 346	0.63 409	0.55 361	0.54 370	0.60 409	0.61 321	0.57 385	0.55 442	0.53 449	0.50 436	0.54 447	0.51 433	0.56 445

SGM+DAISY	0.87 439	0.66 439	1.30 441	0.51 433	0.60 441	1.03 441	0.84 453	0.76 430	0.73 416	1.39 451	1.51 448	1.31 441	1.22 449	1.11 432	1.08 429	0.57 444	0.53 449	0.51 438	0.51 444	0.54 435	0.61 452

TorneroNet	2.22 464	1.08 458	1.24 435	1.14 462	0.90 458	5.58 470	0.80 449	2.12 467	8.69 474	2.58 466	5.42 471	3.88 468	1.97 462	1.78 460	1.87 456	0.86 456	0.54 451	1.15 463	0.74 458	1.23 463	0.85 462

WAO-6	1.07 448	0.93 453	0.92 407	0.96 451	0.78 451	1.28 452	0.75 444	1.34 451	2.00 458	1.02 439	1.54 450	1.59 446	1.22 449	1.31 445	1.14 434	0.78 453	0.55 452	1.02 458	0.75 459	0.83 450	0.69 455

IMH	1.05 447	0.95 454	1.00 418	1.01 454	0.78 451	1.11 443	0.68 439	1.38 452	1.43 452	1.00 437	1.72 454	1.43 443	1.14 444	1.73 456	0.89 419	1.09 463	0.55 452	0.99 456	0.57 450	0.87 454	0.62 454

RainbowNet	0.72 431	0.89 449	1.02 421	0.82 447	0.63 444	0.78 427	0.52 427	0.81 438	0.93 437	0.60 405	0.79 412	0.80 422	0.60 409	0.80 394	0.57 385	0.78 453	0.55 452	0.78 449	0.49 441	0.76 449	0.58 447

MFMNet_re	0.72 431	0.76 442	0.99 417	0.62 439	0.70 446	0.77 424	0.67 438	0.75 429	0.83 427	0.78 425	0.86 419	0.69 414	0.78 427	0.71 360	0.61 394	0.66 448	0.59 455	0.61 443	0.58 451	0.68 447	0.71 456

Dean	1.17 451	1.04 457	1.49 446	1.03 456	0.78 451	1.20 449	0.77 447	1.48 457	1.96 456	1.28 447	1.99 459	2.15 455	1.14 444	1.25 442	1.00 426	0.81 455	0.60 456	1.01 457	0.69 456	0.92 458	0.74 459

DGSMNet	0.61 421	0.29 381	0.91 405	0.51 433	0.70 446	0.62 410	1.38 468	0.59 380	0.55 376	0.37 299	0.61 383	0.52 364	0.33 321	0.65 342	0.43 355	0.53 439	0.60 456	0.67 444	0.61 452	0.63 441	0.61 452

LVE	1.13 449	1.02 455	1.28 439	1.01 454	0.80 454	1.29 453	0.81 451	1.47 456	1.96 456	1.07 441	1.90 457	1.90 451	1.01 443	1.48 449	0.91 420	0.93 460	0.61 458	0.94 453	0.69 456	0.87 454	0.75 460

WAO-7	1.01 445	0.89 449	0.93 409	0.83 449	0.66 445	1.18 446	0.81 451	1.40 453	1.57 454	1.11 443	1.76 456	1.45 444	1.19 448	1.50 450	1.14 434	0.61 446	0.62 459	0.70 445	0.68 455	0.66 446	0.60 449

UNDER WATER	1.59 459	1.22 464	2.36 456	1.38 464	1.03 460	1.67 460	1.10 463	1.54 460	3.63 464	1.44 457	1.47 446	2.85 464	2.25 465	1.67 454	1.94 459	1.06 462	0.62 459	1.31 465	0.93 464	1.21 462	1.02 465

WAO-8	1.46 456	1.10 459	1.09 426	1.10 458	0.84 455	2.06 461	0.75 444	1.84 462	3.83 466	1.44 457	2.21 462	2.15 455	1.43 457	3.17 467	1.19 439	0.91 458	0.65 461	1.09 459	0.79 460	0.90 456	0.71 456

Venus	1.46 456	1.10 459	1.09 426	1.10 458	0.84 455	2.06 461	0.75 444	1.84 462	3.83 466	1.44 457	2.21 462	2.15 455	1.43 457	3.17 467	1.19 439	0.91 458	0.65 461	1.09 459	0.79 460	0.90 456	0.71 456

UNDER WATER-64	1.55 458	1.19 463	2.52 459	1.31 463	0.95 459	2.12 463	1.21 466	1.45 455	3.19 462	1.43 456	1.32 440	2.64 462	2.04 463	1.63 453	1.83 455	1.11 464	0.67 463	1.28 464	0.92 463	1.19 461	1.02 465

notaker	1.45 455	1.34 465	1.48 445	1.40 465	1.07 461	1.18 446	0.85 454	1.48 457	1.40 450	1.51 462	3.46 467	2.40 460	1.81 461	1.76 458	1.45 449	1.11 464	0.69 464	1.38 466	0.87 462	1.31 465	0.97 464

ktn	1.77 462	1.36 466	1.22 434	1.43 466	1.14 462	1.52 458	1.08 462	1.51 459	3.96 469	2.77 468	4.69 469	3.35 466	1.46 459	1.69 455	1.25 443	1.43 468	0.77 465	1.45 467	0.99 465	1.32 466	0.96 463

KSHMR	1.89 463	1.36 466	1.60 448	1.47 467	1.22 464	1.38 456	1.06 461	1.79 461	5.97 472	1.42 455	5.65 472	2.98 465	1.14 444	2.23 464	1.20 441	1.27 467	1.12 466	1.46 468	1.10 467	1.32 466	1.15 467

JetRed	2.30 466	2.64 471	6.12 468	1.12 461	1.38 466	5.85 471	3.29 471	1.99 465	1.67 455	1.98 463	1.95 458	2.16 458	1.60 460	2.48 465	4.10 470	1.05 461	1.60 467	1.09 459	1.01 466	1.67 468	1.28 468

test_sample9	0.42 379	0.19 302	0.50 282	0.18 12	0.16 275	0.34 300	0.20 201	0.51 302	0.38 238	0.37 299	0.34 188	0.37 270	0.30 297	0.66 347	0.91 420	0.23 405	1.82 468	0.28 417	0.24 414	0.18 374	0.16 350

test_sample8	0.49 398	0.19 302	0.50 282	0.18 12	0.16 275	0.34 300	0.20 201	0.55 345	0.34 189	0.62 407	0.38 230	1.15 436	0.67 420	0.66 347	0.91 420	0.23 405	1.82 468	0.28 417	0.24 414	0.18 374	0.16 350

MADNet++	2.26 465	1.80 469	2.06 453	2.13 471	1.97 468	2.61 467	1.79 470	2.38 468	2.16 459	2.75 467	2.65 465	2.38 459	2.43 466	3.17 467	3.21 466	2.17 469	1.95 470	1.94 470	1.63 469	2.06 469	2.01 471

PML	16.10 482	12.82 483	6.78 469	5.23 473	7.76 472	33.92 486	66.56 489	5.30 473	10.28 475	26.12 488	68.59 489	20.51 484	13.49 483	10.06 477	6.78 475	5.96 476	2.00 471	6.04 478	2.18 470	8.96 477	2.60 473

HanzoNet	2.97 467	1.69 468	2.29 455	1.74 468	1.33 465	1.53 459	1.03 460	1.99 465	2.64 461	5.51 471	5.16 470	5.90 473	6.82 473	4.32 472	3.29 467	3.16 471	2.02 472	1.92 469	2.87 472	2.24 470	1.89 470

DPSimNet_ROB	4.34 469	4.23 472	6.89 470	3.67 472	3.68 469	4.75 469	5.21 473	2.67 470	3.68 465	5.82 472	3.95 468	5.57 470	6.72 472	3.46 471	4.48 471	4.05 474	2.88 473	4.68 474	3.12 474	3.69 472	3.62 474

LRCNet_RVC	10.90 476	14.34 484	9.35 471	15.35 479	8.04 473	1.08 442	0.34 377	8.78 476	0.70 410	12.63 482	16.05 482	9.85 475	6.54 471	8.57 476	6.34 474	20.27 486	5.40 474	23.70 484	21.88 483	14.87 481	13.83 483

DGTPSM_ROB	8.34 473	5.10 473	10.37 478	5.31 474	10.18 474	8.33 473	23.60 481	6.06 474	13.41 480	4.90 469	10.87 478	5.65 471	10.44 475	6.17 473	12.59 476	3.74 472	7.55 475	3.69 472	7.26 477	4.14 473	7.46 475

DPSMNet_ROB	8.40 474	5.11 474	10.49 479	5.58 475	10.25 475	8.34 474	23.62 482	6.07 475	13.45 481	4.93 470	10.88 479	5.66 472	10.44 475	6.24 474	12.64 477	3.98 473	7.61 476	3.76 473	7.30 478	4.20 474	7.51 476

Anonymous_1	16.62 483	9.35 476	9.84 472	10.66 476	14.64 478	18.66 483	27.12 483	12.64 481	13.51 482	10.76 481	10.30 477	10.13 476	10.60 477	11.06 481	12.74 478	15.87 485	7.74 477	16.92 482	43.48 486	58.66 489	7.68 477

DPSM_ROB	11.49 477	9.87 480	10.35 476	11.13 477	11.31 476	19.11 484	27.51 484	13.37 482	14.21 483	10.31 479	11.06 480	10.96 480	11.27 481	11.96 482	13.59 479	6.78 477	8.19 478	6.03 476	7.09 475	7.93 475	7.73 478

DPSM	11.49 477	9.87 480	10.35 476	11.13 477	11.31 476	19.11 484	27.51 484	13.37 482	14.21 483	10.31 479	11.06 480	10.96 480	11.27 481	11.96 482	13.59 479	6.78 477	8.19 478	6.03 476	7.09 475	7.93 475	7.73 478

tt	4.71 470	0.10 36	3.94 464	2.06 470	1.53 467	10.14 477	16.88 477	9.27 477	4.98 470	1.39 451	1.02 428	4.68 469	4.90 470	3.35 470	5.86 473	5.76 475	9.15 480	2.24 471	2.53 471	3.10 471	1.32 469

xxxxx1	15.27 479	9.54 477	10.31 473	20.13 482	18.88 481	17.08 479	23.03 478	10.36 478	10.99 476	9.21 476	9.62 474	10.74 477	10.61 478	10.72 478	13.89 481	7.97 479	9.20 481	31.85 487	44.72 487	12.84 478	13.69 480

tt_ll	15.27 479	9.54 477	10.31 473	20.13 482	18.88 481	17.08 479	23.03 478	10.36 478	10.99 476	9.21 476	9.62 474	10.74 477	10.61 478	10.72 478	13.89 481	7.97 479	9.20 481	31.85 487	44.72 487	12.84 478	13.69 480

ff	15.27 479	9.54 477	10.31 473	20.13 482	18.88 481	17.08 479	23.03 478	10.36 478	10.99 476	9.21 476	9.62 474	10.74 477	10.61 478	10.72 478	13.89 481	7.97 479	9.20 481	31.85 487	44.72 487	12.84 478	13.69 480

LSM0	24.24 488	19.98 487	22.32 485	24.22 487	40.14 489	38.48 488	55.20 486	26.95 488	28.57 487	20.49 484	21.83 484	22.26 488	22.75 486	24.22 488	27.30 487	13.66 484	16.32 484	12.19 481	14.15 479	16.10 484	17.66 486

Selective-RAFT-Error	23.16 487	19.93 486	20.87 484	22.54 486	22.81 486	38.52 489	55.47 487	27.01 489	28.83 489	20.66 486	22.25 487	22.09 487	22.80 488	24.09 487	27.36 488	13.61 483	16.48 485	12.15 480	14.28 481	15.99 483	15.57 485

CasAABBNet	23.10 486	19.86 485	20.64 483	22.47 485	22.73 485	38.41 487	55.50 488	26.89 487	28.70 488	20.61 485	22.15 486	22.08 486	22.75 486	23.99 486	27.36 488	13.59 482	16.48 485	12.14 479	14.27 480	15.95 482	15.53 484

HaxPig	17.72 484	20.22 488	19.73 481	16.53 480	16.51 479	9.27 475	9.33 474	14.34 484	13.27 479	18.65 483	18.70 483	17.35 483	16.77 484	17.04 484	16.45 484	22.05 487	20.89 487	22.27 483	21.53 482	21.29 485	22.13 487

MEDIAN_ROB	21.21 485	24.62 489	23.47 486	19.58 481	19.65 484	13.22 478	10.96 475	17.88 485	17.00 485	22.14 487	22.02 485	20.86 485	20.36 485	21.06 485	19.71 485	25.63 488	24.13 488	26.21 485	25.20 484	25.17 486	25.38 488

AVERAGE_ROB	25.43 489	29.06 490	27.24 487	24.63 488	24.20 488	17.73 482	12.61 476	22.29 486	21.39 486	26.79 489	26.16 488	25.20 489	24.64 489	25.07 489	23.53 486	29.96 489	28.40 489	30.60 486	29.58 485	29.72 487	29.84 489

test_example2	101.33 490	108.28 491	68.15 489	98.43 489	106.93 490	89.75 490	102.43 490	36.80 490	97.65 490	129.04 490	130.15 490	65.26 490	66.62 490	92.11 490	80.24 490	144.10 490	199.48 490	81.81 490	103.01 490	125.01 490	101.27 490

ASD4		6.65 475

Low-res two-view benchmark