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-	0.09 23	0.10 283	0.31 389	0.15 48	0.06 3	0.08 27	0.14 94	0.10 1	0.10 12	0.07 4	0.07 16	0.06 4	0.04 1	0.11 58	0.07 1	0.12 357	0.04 2	0.07 124	0.05 50	0.05 49	0.05 64

Selective-IGEV	0.07 1	0.06 31	0.08 13	0.17 149	0.06 3	0.08 27	0.12 30	0.13 20	0.07 1	0.08 14	0.07 16	0.06 4	0.04 1	0.10 26	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.03 1

Occ-G	0.08 4	0.05 9	0.06 1	0.14 18	0.07 26	0.08 27	0.14 94	0.13 20	0.15 90	0.07 4	0.11 75	0.07 26	0.05 3	0.09 12	0.10 70	0.06 64	0.05 120	0.05 2	0.04 12	0.05 49	0.05 64

U	0.08 4	0.07 88	0.09 34	0.19 273	0.10 256	0.10 73	0.13 58	0.12 11	0.17 129	0.07 4	0.07 16	0.06 4	0.05 3	0.07 2	0.08 12	0.06 64	0.04 2	0.06 45	0.04 12	0.06 118	0.05 64

AIO-Stereo	0.08 4	0.06 31	0.09 34	0.18 221	0.06 3	0.08 27	0.12 30	0.15 47	0.09 3	0.08 14	0.08 26	0.07 26	0.05 3	0.11 58	0.08 12	0.05 4	0.05 120	0.05 2	0.04 12	0.04 1	0.04 9

RSM++	0.08 4	0.06 31	0.09 34	0.17 149	0.07 26	0.09 44	0.12 30	0.11 4	0.11 28	0.08 14	0.06 2	0.07 26	0.05 3	0.10 26	0.09 27	0.04 1	0.04 2	0.06 45	0.05 50	0.05 49	0.03 1

RSM	0.08 4	0.06 31	0.09 34	0.17 149	0.06 3	0.08 27	0.12 30	0.12 11	0.10 12	0.08 14	0.07 16	0.06 4	0.05 3	0.11 58	0.09 27	0.04 1	0.04 2	0.05 2	0.04 12	0.04 1	0.03 1

MIM_Stereo	0.09 23	0.07 88	0.11 88	0.15 48	0.07 26	0.06 4	0.12 30	0.20 157	0.14 78	0.13 141	0.13 97	0.09 59	0.05 3	0.12 125	0.08 12	0.05 4	0.06 222	0.07 124	0.06 112	0.06 118	0.05 64

EGLCR-Stereo	0.08 4	0.05 9	0.08 13	0.14 18	0.06 3	0.10 73	0.12 30	0.11 4	0.16 112	0.06 1	0.05 1	0.07 26	0.05 3	0.10 26	0.11 115	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

CroCo-Stereo Lap2	0.09 23	0.09 229	0.08 13	0.22 359	0.09 160	0.09 44	0.19 314	0.16 67	0.12 38	0.09 30	0.10 52	0.05 1	0.05 3	0.08 8	0.08 12	0.06 64	0.06 222	0.07 124	0.05 50	0.05 49	0.05 64

iRaft-Stereo_20w	0.09 23	0.05 9	0.13 152	0.14 18	0.08 62	0.12 133	0.15 152	0.18 127	0.10 12	0.11 82	0.08 26	0.08 43	0.05 3	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

WCG-NET	0.09 23	0.05 9	0.10 57	0.15 48	0.07 26	0.11 106	0.11 18	0.16 67	0.09 3	0.09 30	0.11 75	0.08 43	0.06 12	0.14 181	0.09 27	0.07 162	0.04 2	0.06 45	0.04 12	0.06 118	0.05 64

IGEV-Stereo++	0.07 1	0.06 31	0.08 13	0.18 221	0.06 3	0.04 1	0.10 10	0.11 4	0.11 28	0.06 1	0.07 16	0.07 26	0.06 12	0.09 12	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

RAStereo	0.10 72	0.09 229	0.08 13	0.20 318	0.08 62	0.13 165	0.18 278	0.15 47	0.17 129	0.10 58	0.12 85	0.05 1	0.06 12	0.09 12	0.08 12	0.07 162	0.05 120	0.07 124	0.05 50	0.05 49	0.04 9

Pointernet	0.09 23	0.04 1	0.09 34	0.16 91	0.08 62	0.13 165	0.10 10	0.15 47	0.17 129	0.09 30	0.07 16	0.06 4	0.06 12	0.11 58	0.09 27	0.08 217	0.04 2	0.05 2	0.03 1	0.06 118	0.05 64

IGEV-Stereo+	0.07 1	0.04 1	0.08 13	0.15 48	0.06 3	0.04 1	0.09 5	0.10 1	0.09 3	0.06 1	0.06 2	0.06 4	0.06 12	0.06 1	0.08 12	0.06 64	0.04 2	0.05 2	0.04 12	0.06 118	0.06 129

WCG-NET（raft）	0.08 4	0.05 9	0.10 57	0.15 48	0.06 3	0.11 106	0.13 58	0.15 47	0.12 38	0.08 14	0.07 16	0.06 4	0.06 12	0.13 163	0.08 12	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

RAFT-Stereo-weight	0.09 23	0.06 31	0.10 57	0.16 91	0.07 26	0.09 44	0.14 94	0.19 146	0.16 112	0.11 82	0.10 52	0.08 43	0.06 12	0.10 26	0.11 115	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

test_for_model	0.09 23	0.12 323	0.14 182	0.23 378	0.11 300	0.08 27	0.13 58	0.12 11	0.12 38	0.10 58	0.07 16	0.07 26	0.06 12	0.11 58	0.10 70	0.06 64	0.05 120	0.05 2	0.03 1	0.07 180	0.04 9

MGS-Stereo	0.09 23	0.07 88	0.12 112	0.15 48	0.08 62	0.09 44	0.15 152	0.12 11	0.12 38	0.07 4	0.10 52	0.08 43	0.06 12	0.10 26	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

MoCha-V2	0.08 4	0.05 9	0.10 57	0.20 318	0.07 26	0.09 44	0.14 94	0.11 4	0.08 2	0.07 4	0.08 26	0.07 26	0.06 12	0.09 12	0.08 12	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

IGEV++	0.08 4	0.06 31	0.08 13	0.18 221	0.07 26	0.09 44	0.13 58	0.10 1	0.09 3	0.08 14	0.08 26	0.06 4	0.06 12	0.13 163	0.09 27	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

ACVNet-DCA	0.10 72	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.23 211	0.16 112	0.09 30	0.09 35	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.07 180	0.07 196

1test111	0.11 109	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.23 211	0.16 112	0.09 30	0.09 35	0.06 4	0.06 12	0.15 202	0.16 274	0.06 64	0.04 2	0.06 45	0.05 50	0.07 180	0.07 196

cc1	0.10 72	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.16 67	0.18 155	0.09 30	0.09 35	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.06 129

ff7	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

IGEVStereo-DCA	0.09 23	0.06 31	0.11 88	0.15 48	0.10 256	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.08 12	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

ffff	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

rrr	0.09 23	0.06 31	0.12 112	0.15 48	0.10 256	0.11 106	0.16 211	0.16 67	0.15 90	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.08 12	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

11t	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

tt1	0.10 72	0.08 168	0.12 112	0.17 149	0.09 160	0.12 133	0.16 211	0.15 47	0.19 168	0.09 30	0.08 26	0.06 4	0.06 12	0.10 26	0.07 1	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.06 129

MaDis-Stereo	0.09 23	0.09 229	0.08 13	0.17 149	0.09 160	0.13 165	0.10 10	0.16 67	0.16 112	0.09 30	0.11 75	0.06 4	0.06 12	0.09 12	0.13 195	0.07 162	0.06 222	0.07 124	0.05 50	0.05 49	0.04 9

IGEV_Zeroshot_test	0.09 23	0.05 9	0.12 112	0.13 10	0.08 62	0.12 133	0.13 58	0.17 101	0.11 28	0.10 58	0.06 2	0.09 59	0.06 12	0.11 58	0.09 27	0.06 64	0.04 2	0.06 45	0.06 112	0.05 49	0.05 64

MSKI-zero shot	0.09 23	0.05 9	0.09 34	0.15 48	0.07 26	0.10 73	0.13 58	0.14 30	0.13 60	0.09 30	0.09 35	0.09 59	0.06 12	0.12 125	0.10 70	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

DLNR_Zeroshot_test	10.40 479	1.82 473	19.49 485	120.77 490	13.11 483	0.06 4	0.13 58	0.23 211	0.10 12	0.07 4	0.10 52	0.09 59	0.06 12	0.10 26	0.09 27	0.13 380	0.04 2	0.06 45	0.04 12	51.54 489	0.04 9

testlalala	0.08 4	0.07 88	0.17 292	0.16 91	0.08 62	0.09 44	0.12 30	0.15 47	0.10 12	0.07 4	0.09 35	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

CAS	0.08 4	0.04 1	0.07 3	0.17 149	0.08 62	0.10 73	0.13 58	0.12 11	0.09 3	0.09 30	0.10 52	0.08 43	0.06 12	0.09 12	0.08 12	0.08 217	0.04 2	0.05 2	0.03 1	0.05 49	0.04 9

anonymousdsp	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.09 30	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

CES	0.08 4	0.04 1	0.08 13	0.14 18	0.07 26	0.09 44	0.14 94	0.11 4	0.09 3	0.08 14	0.09 35	0.11 101	0.06 12	0.12 125	0.08 12	0.06 64	0.04 2	0.05 2	0.03 1	0.05 49	0.05 64

ProNet	0.09 23	0.07 88	0.10 57	0.17 149	0.08 62	0.10 73	0.15 152	0.15 47	0.12 38	0.09 30	0.06 2	0.07 26	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.06 129

MC-Stereo	0.08 4	0.06 31	0.09 34	0.17 149	0.06 3	0.10 73	0.14 94	0.12 11	0.10 12	0.09 30	0.12 85	0.09 59	0.06 12	0.11 58	0.10 70	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

ccc-4	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.10 58	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

IGEV-Stereo	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.09 30	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 23	0.05 9	0.12 112	0.15 48	0.12 331	0.10 73	0.13 58	0.18 127	0.18 155	0.09 30	0.09 35	0.09 59	0.06 12	0.10 26	0.08 12	0.07 162	0.05 120	0.07 124	0.07 194	0.04 1	0.04 9

CroCo-Stereo	0.09 23	0.08 168	0.08 13	0.22 359	0.09 160	0.09 44	0.19 314	0.15 47	0.12 38	0.07 4	0.07 16	0.08 43	0.06 12	0.08 8	0.07 1	0.07 162	0.05 120	0.06 45	0.04 12	0.05 49	0.04 9
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 23	0.04 1	0.08 13	0.13 10	0.06 3	0.11 106	0.14 94	0.15 47	0.19 168	0.11 82	0.15 127	0.10 82	0.06 12	0.12 125	0.09 27	0.07 162	0.05 120	0.05 2	0.04 12	0.06 118	0.05 64

XX-Stereo	0.09 23	0.05 9	0.08 13	0.17 149	0.09 160	0.15 219	0.12 30	0.20 157	0.10 12	0.10 58	0.14 111	0.07 26	0.06 12	0.12 125	0.08 12	0.06 64	0.05 120	0.06 45	0.06 112	0.04 1	0.04 9

test_xeample3	0.09 23	0.06 31	0.12 112	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.13 60	0.10 58	0.06 2	0.08 43	0.06 12	0.10 26	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129

UGAM-zero	0.09 23	0.05 9	0.15 231	0.15 48	0.08 62	0.09 44	0.13 58	0.19 146	0.15 90	0.11 82	0.15 127	0.07 26	0.07 49	0.09 12	0.09 27	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

model_zeroshot	0.10 72	0.04 1	0.11 88	0.15 48	0.09 160	0.12 133	0.14 94	0.20 157	0.13 60	0.11 82	0.10 52	0.12 116	0.07 49	0.12 125	0.10 70	0.07 162	0.06 222	0.06 45	0.05 50	0.06 118	0.06 129

GCAP-BAT	0.09 23	0.07 88	0.14 182	0.15 48	0.08 62	0.10 73	0.13 58	0.14 30	0.10 12	0.11 82	0.10 52	0.08 43	0.07 49	0.12 125	0.10 70	0.06 64	0.05 120	0.06 45	0.04 12	0.04 1	0.04 9

AIO-Stereo-zeroshot1	0.11 109	0.05 9	0.14 182	0.15 48	0.20 418	0.09 44	0.17 236	0.21 176	0.15 90	0.11 82	0.14 111	0.10 82	0.07 49	0.10 26	0.08 12	0.06 64	0.05 120	0.07 124	0.07 194	0.07 180	0.09 300

AIO-Stereo-zeroshot	0.11 109	0.05 9	0.11 88	0.15 48	0.13 351	0.13 165	0.16 211	0.23 211	0.17 129	0.10 58	0.12 85	0.10 82	0.07 49	0.11 58	0.09 27	0.06 64	0.05 120	0.06 45	0.06 112	0.07 180	0.08 259

CAS++	0.11 109	0.07 88	0.11 88	0.14 18	0.09 160	0.12 133	0.14 94	0.24 232	0.14 78	0.11 82	0.09 35	0.11 101	0.07 49	0.14 181	0.09 27	0.11 332	0.09 339	0.09 269	0.07 194	0.07 180	0.08 259
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 72	0.06 31	0.11 88	0.20 318	0.10 256	0.10 73	0.12 30	0.17 101	0.12 38	0.12 117	0.13 97	0.09 59	0.07 49	0.11 58	0.13 195	0.06 64	0.05 120	0.05 2	0.04 12	0.05 49	0.05 64

MyStereo07	0.10 72	0.07 88	0.10 57	0.17 149	0.09 160	0.14 195	0.18 278	0.15 47	0.15 90	0.09 30	0.06 2	0.06 4	0.07 49	0.12 125	0.09 27	0.06 64	0.05 120	0.08 196	0.07 194	0.06 118	0.06 129

MyStereo06	0.10 72	0.07 88	0.12 112	0.17 149	0.09 160	0.13 165	0.18 278	0.19 146	0.12 38	0.12 117	0.08 26	0.07 26	0.07 49	0.11 58	0.09 27	0.06 64	0.05 120	0.07 124	0.07 194	0.06 118	0.06 129

UniTT-Stereo	0.09 23	0.07 88	0.08 13	0.18 221	0.08 62	0.13 165	0.11 18	0.12 11	0.11 28	0.10 58	0.12 85	0.05 1	0.07 49	0.09 12	0.09 27	0.07 162	0.05 120	0.05 2	0.05 50	0.05 49	0.05 64

CASnet	0.09 23	0.09 229	0.09 34	0.19 273	0.06 3	0.07 18	0.11 18	0.18 127	0.14 78	0.11 82	0.10 52	0.09 59	0.07 49	0.10 26	0.10 70	0.06 64	0.04 2	0.10 313	0.08 255	0.05 49	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 23	0.06 31	0.13 152	0.17 149	0.08 62	0.10 73	0.16 211	0.14 30	0.10 12	0.08 14	0.09 35	0.08 43	0.07 49	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

HanStereo	0.09 23	0.06 31	0.13 152	0.17 149	0.08 62	0.10 73	0.16 211	0.14 30	0.10 12	0.08 14	0.09 35	0.08 43	0.07 49	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

LL-Strereo2	0.10 72	0.10 283	0.15 231	0.18 221	0.08 62	0.15 219	0.09 5	0.17 101	0.14 78	0.14 162	0.10 52	0.09 59	0.07 49	0.16 236	0.10 70	0.05 4	0.05 120	0.10 313	0.07 194	0.06 118	0.05 64

4D-IteraStereo	0.09 23	0.07 88	0.10 57	0.18 221	0.07 26	0.09 44	0.15 152	0.17 101	0.15 90	0.10 58	0.11 75	0.10 82	0.07 49	0.11 58	0.09 27	0.05 4	0.03 1	0.08 196	0.07 194	0.06 118	0.05 64

RCA-Stereo	0.09 23	0.06 31	0.09 34	0.16 91	0.06 3	0.09 44	0.13 58	0.18 127	0.14 78	0.09 30	0.10 52	0.08 43	0.07 49	0.12 125	0.11 115	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

RAFT_CTSACE	0.12 170	0.09 229	0.10 57	0.22 359	0.08 62	0.12 133	0.24 376	0.18 127	0.16 112	0.20 291	0.27 301	0.13 140	0.07 49	0.13 163	0.09 27	0.05 4	0.06 222	0.08 196	0.07 194	0.04 1	0.04 9

IPLG	0.10 72	0.07 88	0.15 231	0.17 149	0.08 62	0.11 106	0.14 94	0.20 157	0.15 90	0.12 117	0.17 157	0.07 26	0.07 49	0.14 181	0.13 195	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

MIPNet	0.11 109	0.08 168	0.14 182	0.17 149	0.09 160	0.12 133	0.14 94	0.20 157	0.24 240	0.11 82	0.10 52	0.09 59	0.07 49	0.13 163	0.12 158	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

iRaftStereo_RVC	0.10 72	0.07 88	0.09 34	0.17 149	0.09 160	0.11 106	0.17 236	0.18 127	0.12 38	0.09 30	0.12 85	0.10 82	0.07 49	0.11 58	0.10 70	0.05 4	0.04 2	0.08 196	0.08 255	0.04 1	0.04 9

CREStereo++_RVC	0.08 4	0.04 1	0.06 1	0.13 10	0.07 26	0.09 44	0.12 30	0.14 30	0.14 78	0.10 58	0.14 111	0.08 43	0.07 49	0.09 12	0.11 115	0.06 64	0.04 2	0.05 2	0.05 50	0.04 1	0.04 9
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
raftrobust	0.09 23	0.06 31	0.10 57	0.17 149	0.08 62	0.09 44	0.10 10	0.18 127	0.16 112	0.10 58	0.09 35	0.12 116	0.07 49	0.12 125	0.10 70	0.08 217	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

sCroCo_RVC	0.12 170	0.09 229	0.23 353	0.24 385	0.11 300	0.19 307	0.14 94	0.17 101	0.14 78	0.10 58	0.13 97	0.12 116	0.07 49	0.14 181	0.11 115	0.08 217	0.08 315	0.08 196	0.08 255	0.05 49	0.07 196

EAI-Stereo	0.09 23	0.07 88	0.11 88	0.15 48	0.06 3	0.10 73	0.15 152	0.16 67	0.09 3	0.08 14	0.09 35	0.08 43	0.07 49	0.09 12	0.11 115	0.05 4	0.04 2	0.05 2	0.05 50	0.05 49	0.04 9

PMTNet	0.09 23	0.05 9	0.09 34	0.12 3	0.06 3	0.12 133	0.14 94	0.15 47	0.11 28	0.09 30	0.13 97	0.10 82	0.07 49	0.13 163	0.10 70	0.15 395	0.04 2	0.05 2	0.03 1	0.07 180	0.06 129

rvit_stereo_0080	0.10 72	0.08 168	0.14 182	0.15 48	0.09 160	0.07 18	0.15 152	0.16 67	0.16 112	0.11 82	0.10 52	0.14 159	0.08 74	0.12 125	0.10 70	0.09 270	0.07 290	0.07 124	0.06 112	0.07 180	0.05 64

gcap-zeroshot	0.09 23	0.05 9	0.10 57	0.16 91	0.07 26	0.13 165	0.13 58	0.11 4	0.12 38	0.13 141	0.12 85	0.09 59	0.08 74	0.09 12	0.09 27	0.06 64	0.05 120	0.06 45	0.05 50	0.04 1	0.04 9

trnet	0.08 4	0.05 9	0.07 3	0.12 3	0.05 1	0.12 133	0.11 18	0.13 20	0.10 12	0.08 14	0.13 97	0.09 59	0.08 74	0.11 58	0.10 70	0.08 217	0.05 120	0.05 2	0.03 1	0.06 118	0.05 64

Former-RAFT_DAM_RVC	0.10 72	0.08 168	0.12 112	0.16 91	0.08 62	0.15 219	0.16 211	0.18 127	0.18 155	0.10 58	0.09 35	0.09 59	0.08 74	0.11 58	0.12 158	0.07 162	0.05 120	0.08 196	0.06 112	0.07 180	0.06 129

AE-Stereo	0.10 72	0.08 168	0.10 57	0.18 221	0.09 160	0.10 73	0.15 152	0.14 30	0.19 168	0.09 30	0.14 111	0.12 116	0.08 74	0.11 58	0.10 70	0.05 4	0.06 222	0.07 124	0.06 112	0.05 49	0.04 9

whm_eth	0.10 72	0.08 168	0.14 182	0.15 48	0.09 160	0.07 18	0.15 152	0.16 67	0.16 112	0.11 82	0.10 52	0.14 159	0.08 74	0.12 125	0.10 70	0.09 270	0.07 290	0.07 124	0.06 112	0.07 180	0.05 64

testlalala_base	0.10 72	0.09 229	0.14 182	0.21 344	0.08 62	0.10 73	0.14 94	0.13 20	0.10 12	0.07 4	0.15 127	0.07 26	0.08 74	0.10 26	0.12 158	0.08 217	0.05 120	0.05 2	0.03 1	0.06 118	0.05 64

AEACV	0.08 4	0.05 9	0.08 13	0.14 18	0.13 351	0.14 195	0.13 58	0.14 30	0.09 3	0.07 4	0.09 35	0.07 26	0.08 74	0.10 26	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.05 49	0.04 9

GLC_STEREO	0.11 109	0.07 88	0.11 88	0.17 149	0.07 26	0.09 44	0.13 58	0.15 47	0.24 240	0.12 117	0.13 97	0.12 116	0.08 74	0.18 280	0.11 115	0.06 64	0.08 315	0.08 196	0.06 112	0.05 49	0.05 64

IPLGR	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.12 133	0.17 236	0.21 176	0.24 240	0.11 82	0.12 85	0.11 101	0.08 74	0.12 125	0.12 158	0.06 64	0.05 120	0.06 45	0.06 112	0.04 1	0.04 9

test-3	0.08 4	0.06 31	0.09 34	0.17 149	0.07 26	0.07 18	0.14 94	0.12 11	0.15 90	0.09 30	0.08 26	0.07 26	0.08 74	0.11 58	0.10 70	0.05 4	0.04 2	0.07 124	0.05 50	0.04 1	0.04 9

test_1	0.08 4	0.06 31	0.09 34	0.17 149	0.07 26	0.07 18	0.14 94	0.12 11	0.15 90	0.09 30	0.08 26	0.07 26	0.08 74	0.11 58	0.10 70	0.05 4	0.04 2	0.07 124	0.05 50	0.04 1	0.04 9

HHNet	0.11 109	0.06 31	0.16 265	0.15 48	0.14 368	0.07 18	0.13 58	0.20 157	0.17 129	0.14 162	0.25 278	0.11 101	0.08 74	0.13 163	0.10 70	0.05 4	0.04 2	0.08 196	0.06 112	0.05 49	0.09 300

AnonymousM	0.09 23	0.05 9	0.10 57	0.14 18	0.06 3	0.09 44	0.13 58	0.19 146	0.14 78	0.13 141	0.11 75	0.09 59	0.08 74	0.13 163	0.10 70	0.08 217	0.05 120	0.08 196	0.05 50	0.05 49	0.05 64

test-1	0.10 72	0.07 88	0.16 265	0.19 273	0.08 62	0.11 106	0.24 376	0.14 30	0.18 155	0.09 30	0.07 16	0.09 59	0.08 74	0.07 2	0.09 27	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

Prome-Stereo	0.11 109	0.06 31	0.10 57	0.18 221	0.08 62	0.12 133	0.15 152	0.22 194	0.13 60	0.12 117	0.17 157	0.13 140	0.08 74	0.12 125	0.10 70	0.05 4	0.04 2	0.07 124	0.06 112	0.06 118	0.09 300

raft+_RVC	0.11 109	0.07 88	0.09 34	0.16 91	0.07 26	0.10 73	0.11 18	0.24 232	0.20 189	0.12 117	0.15 127	0.12 116	0.08 74	0.12 125	0.13 195	0.07 162	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

XX-TBD	0.09 23	0.06 31	0.07 3	0.14 18	0.07 26	0.12 133	0.16 211	0.14 30	0.13 60	0.11 82	0.12 85	0.09 59	0.08 74	0.10 26	0.10 70	0.06 64	0.04 2	0.05 2	0.03 1	0.06 118	0.05 64

sAnonymous2	0.13 195	0.12 323	0.24 356	0.20 318	0.12 331	0.17 267	0.13 58	0.26 264	0.21 202	0.11 82	0.11 75	0.13 140	0.08 74	0.10 26	0.10 70	0.09 270	0.05 120	0.08 196	0.06 112	0.15 398	0.10 321

CroCo_RVC	0.13 195	0.12 323	0.24 356	0.20 318	0.12 331	0.17 267	0.13 58	0.26 264	0.21 202	0.11 82	0.11 75	0.13 140	0.08 74	0.10 26	0.10 70	0.09 270	0.05 120	0.08 196	0.06 112	0.15 398	0.10 321

CREStereo	0.09 23	0.04 1	0.08 13	0.11 1	0.06 3	0.13 165	0.14 94	0.14 30	0.10 12	0.08 14	0.13 97	0.09 59	0.08 74	0.11 58	0.10 70	0.08 217	0.04 2	0.05 2	0.03 1	0.06 118	0.06 129
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
R-Stereo Train	0.10 72	0.06 31	0.10 57	0.17 149	0.08 62	0.11 106	0.14 94	0.23 211	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

RAFT-Stereo	0.10 72	0.06 31	0.10 57	0.17 149	0.08 62	0.11 106	0.14 94	0.23 211	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
rvit_stereo_0081_aga	0.11 109	0.09 229	0.14 182	0.18 221	0.09 160	0.13 165	0.14 94	0.14 30	0.19 168	0.10 58	0.18 180	0.16 198	0.09 97	0.12 125	0.09 27	0.10 306	0.06 222	0.08 196	0.07 194	0.07 180	0.06 129

rvit_stereo_0081	0.11 109	0.08 168	0.15 231	0.16 91	0.09 160	0.10 73	0.14 94	0.14 30	0.24 240	0.11 82	0.13 97	0.13 140	0.09 97	0.11 58	0.12 158	0.10 306	0.07 290	0.08 196	0.07 194	0.07 180	0.05 64

rvit_stereo_0082	0.11 109	0.08 168	0.15 231	0.16 91	0.09 160	0.10 73	0.14 94	0.14 30	0.24 240	0.11 82	0.13 97	0.13 140	0.09 97	0.11 58	0.12 158	0.10 306	0.07 290	0.08 196	0.07 194	0.07 180	0.05 64

EKT-Stereo	0.11 109	0.07 88	0.14 182	0.15 48	0.10 256	0.13 165	0.14 94	0.18 127	0.21 202	0.11 82	0.08 26	0.12 116	0.09 97	0.11 58	0.12 158	0.08 217	0.06 222	0.07 124	0.06 112	0.08 237	0.07 196

SPstereo	0.09 23	0.07 88	0.13 152	0.18 221	0.06 3	0.11 106	0.07 1	0.13 20	0.12 38	0.09 30	0.10 52	0.07 26	0.09 97	0.13 163	0.10 70	0.06 64	0.05 120	0.05 2	0.04 12	0.04 1	0.05 64

Any-RAFT	0.10 72	0.05 9	0.09 34	0.14 18	0.07 26	0.13 165	0.14 94	0.21 176	0.15 90	0.11 82	0.12 85	0.12 116	0.09 97	0.12 125	0.09 27	0.07 162	0.04 2	0.05 2	0.04 12	0.06 118	0.05 64

RAFT-Test	0.09 23	0.06 31	0.10 57	0.15 48	0.07 26	0.11 106	0.15 152	0.16 67	0.13 60	0.09 30	0.10 52	0.10 82	0.09 97	0.12 125	0.09 27	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

LoS_RVC	0.08 4	0.05 9	0.07 3	0.15 48	0.07 26	0.08 27	0.15 152	0.11 4	0.10 12	0.08 14	0.09 35	0.06 4	0.09 97	0.10 26	0.09 27	0.05 4	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 109	0.07 88	0.10 57	0.16 91	0.09 160	0.13 165	0.14 94	0.18 127	0.22 216	0.13 141	0.14 111	0.12 116	0.09 97	0.14 181	0.11 115	0.05 4	0.04 2	0.05 2	0.04 12	0.06 118	0.05 64

LoS	0.09 23	0.05 9	0.11 88	0.13 10	0.07 26	0.14 195	0.11 18	0.15 47	0.15 90	0.09 30	0.09 35	0.12 116	0.09 97	0.15 202	0.10 70	0.07 162	0.05 120	0.05 2	0.03 1	0.05 49	0.05 64
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 109	0.05 9	0.12 112	0.13 10	0.07 26	0.15 219	0.14 94	0.19 146	0.13 60	0.11 82	0.17 157	0.13 140	0.09 97	0.13 163	0.11 115	0.08 217	0.05 120	0.06 45	0.05 50	0.08 237	0.07 196

test_4	0.10 72	0.10 283	0.08 13	0.19 273	0.09 160	0.08 27	0.22 357	0.15 47	0.17 129	0.12 117	0.18 180	0.12 116	0.09 97	0.08 8	0.11 115	0.04 1	0.04 2	0.08 196	0.08 255	0.04 1	0.03 1

iRaft-Stereo_5w	0.12 170	0.09 229	0.12 112	0.19 273	0.08 62	0.09 44	0.12 30	0.21 176	0.21 202	0.19 272	0.14 111	0.11 101	0.09 97	0.20 317	0.16 274	0.05 4	0.05 120	0.07 124	0.06 112	0.05 49	0.06 129

CIPLG	0.11 109	0.08 168	0.14 182	0.17 149	0.08 62	0.12 133	0.15 152	0.17 101	0.15 90	0.14 162	0.11 75	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

dd	0.15 266	0.16 374	0.16 265	0.19 273	0.09 160	0.15 219	0.18 278	0.21 176	0.25 261	0.23 330	0.20 200	0.21 264	0.09 97	0.21 333	0.16 274	0.10 306	0.06 222	0.08 196	0.06 112	0.08 237	0.06 129

IPLGR_C	0.11 109	0.08 168	0.14 182	0.17 149	0.08 62	0.12 133	0.15 152	0.17 101	0.15 90	0.14 162	0.10 52	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

ACRE	0.11 109	0.08 168	0.14 182	0.17 149	0.08 62	0.12 133	0.15 152	0.17 101	0.14 78	0.14 162	0.10 52	0.16 198	0.09 97	0.16 236	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

test_3	0.10 72	0.09 229	0.10 57	0.20 318	0.08 62	0.13 165	0.26 396	0.14 30	0.21 202	0.10 58	0.10 52	0.09 59	0.09 97	0.08 8	0.11 115	0.05 4	0.04 2	0.08 196	0.07 194	0.04 1	0.04 9

Pruner-Stereo	0.11 109	0.07 88	0.12 112	0.17 149	0.09 160	0.06 4	0.12 30	0.17 101	0.17 129	0.13 141	0.19 188	0.13 140	0.09 97	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.08 259

RAFT-345	0.11 109	0.07 88	0.15 231	0.16 91	0.08 62	0.08 27	0.12 30	0.15 47	0.10 12	0.11 82	0.36 363	0.09 59	0.09 97	0.11 58	0.12 158	0.05 4	0.05 120	0.07 124	0.06 112	0.04 1	0.05 64

RALAANet	0.11 109	0.08 168	0.10 57	0.17 149	0.09 160	0.14 195	0.10 10	0.20 157	0.15 90	0.14 162	0.13 97	0.16 198	0.09 97	0.12 125	0.11 115	0.06 64	0.05 120	0.07 124	0.06 112	0.05 49	0.04 9

RAFT-Stereo + iAFF	0.09 23	0.06 31	0.10 57	0.17 149	0.06 3	0.10 73	0.16 211	0.17 101	0.14 78	0.09 30	0.10 52	0.08 43	0.09 97	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.06 112	0.04 1	0.03 1

AFF-stereo	0.09 23	0.06 31	0.10 57	0.17 149	0.07 26	0.10 73	0.16 211	0.17 101	0.09 3	0.10 58	0.12 85	0.09 59	0.09 97	0.12 125	0.09 27	0.05 4	0.04 2	0.07 124	0.07 194	0.04 1	0.03 1

CFNet-RSSM	0.09 23	0.07 88	0.09 34	0.16 91	0.07 26	0.09 44	0.15 152	0.16 67	0.17 129	0.08 14	0.12 85	0.10 82	0.09 97	0.11 58	0.09 27	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

Gwc-CoAtRS	0.09 23	0.06 31	0.10 57	0.16 91	0.07 26	0.10 73	0.14 94	0.17 101	0.17 129	0.08 14	0.10 52	0.12 116	0.09 97	0.12 125	0.09 27	0.06 64	0.04 2	0.06 45	0.04 12	0.04 1	0.04 9

rvit_stereo_0083	0.12 170	0.08 168	0.17 292	0.16 91	0.09 160	0.11 106	0.15 152	0.14 30	0.26 274	0.11 82	0.14 111	0.13 140	0.10 122	0.12 125	0.12 158	0.10 306	0.08 315	0.09 269	0.07 194	0.07 180	0.05 64

rvit_stereo_ft	0.12 170	0.07 88	0.13 152	0.19 273	0.10 256	0.12 133	0.17 236	0.16 67	0.16 112	0.12 117	0.13 97	0.15 185	0.10 122	0.14 181	0.13 195	0.09 270	0.06 222	0.08 196	0.07 194	0.07 180	0.05 64

H2IRNET	0.10 72	0.09 229	0.09 34	0.18 221	0.09 160	0.12 133	0.15 152	0.14 30	0.21 202	0.10 58	0.10 52	0.10 82	0.10 122	0.10 26	0.10 70	0.05 4	0.04 2	0.08 196	0.08 255	0.06 118	0.05 64

MyStereo8	0.12 170	0.07 88	0.15 231	0.15 48	0.09 160	0.18 285	0.14 94	0.19 146	0.22 216	0.12 117	0.18 180	0.11 101	0.10 122	0.16 236	0.18 306	0.07 162	0.05 120	0.07 124	0.05 50	0.08 237	0.09 300

MyStereo04	0.13 195	0.07 88	0.10 57	0.17 149	0.09 160	0.14 195	0.18 278	0.29 311	0.38 363	0.17 228	0.14 111	0.16 198	0.10 122	0.15 202	0.13 195	0.06 64	0.05 120	0.08 196	0.07 194	0.06 118	0.06 129

StereoVision	0.13 195	0.12 323	0.09 34	0.24 385	0.10 256	0.15 219	0.21 348	0.21 176	0.20 189	0.12 117	0.24 249	0.10 82	0.10 122	0.16 236	0.10 70	0.09 270	0.11 368	0.12 358	0.12 375	0.06 118	0.05 64

DCRE	0.11 109	0.07 88	0.13 152	0.16 91	0.11 300	0.11 106	0.17 236	0.18 127	0.17 129	0.11 82	0.18 180	0.10 82	0.10 122	0.15 202	0.11 115	0.06 64	0.05 120	0.06 45	0.06 112	0.05 49	0.04 9

Selective-RAFT	0.11 109	0.10 283	0.11 88	0.21 344	0.08 62	0.16 246	0.13 58	0.20 157	0.22 216	0.10 58	0.10 52	0.11 101	0.10 122	0.15 202	0.11 115	0.05 4	0.05 120	0.06 45	0.05 50	0.06 118	0.05 64

TestStereo1	0.13 195	0.08 168	0.08 13	0.19 273	0.08 62	0.18 285	0.29 418	0.23 211	0.16 112	0.17 228	0.20 200	0.16 198	0.10 122	0.12 125	0.13 195	0.06 64	0.06 222	0.08 196	0.06 112	0.05 49	0.05 64

DisPM	0.11 109	0.07 88	0.12 112	0.16 91	0.09 160	0.06 4	0.13 58	0.17 101	0.17 129	0.14 162	0.20 200	0.12 116	0.10 122	0.11 58	0.10 70	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.11 344

raft_robust	0.13 195	0.10 283	0.07 3	0.18 221	0.08 62	0.13 165	0.24 376	0.28 301	0.33 330	0.20 291	0.19 188	0.14 159	0.10 122	0.11 58	0.12 158	0.05 4	0.05 120	0.07 124	0.07 194	0.05 49	0.04 9

RAFT+CT+SA	0.13 195	0.11 308	0.09 34	0.19 273	0.09 160	0.15 219	0.28 409	0.22 194	0.22 216	0.15 189	0.26 294	0.10 82	0.10 122	0.11 58	0.12 158	0.05 4	0.04 2	0.07 124	0.08 255	0.07 180	0.06 129

SA-5K	0.13 195	0.08 168	0.08 13	0.19 273	0.08 62	0.18 285	0.29 418	0.23 211	0.16 112	0.17 228	0.20 200	0.16 198	0.10 122	0.12 125	0.13 195	0.06 64	0.06 222	0.08 196	0.06 112	0.05 49	0.05 64

PFNet+	0.11 109	0.06 31	0.13 152	0.16 91	0.09 160	0.05 3	0.12 30	0.17 101	0.21 202	0.16 214	0.19 188	0.14 159	0.10 122	0.11 58	0.11 115	0.08 217	0.05 120	0.09 269	0.08 255	0.06 118	0.11 344

STrans-v2	0.10 72	0.07 88	0.12 112	0.18 221	0.07 26	0.10 73	0.14 94	0.21 176	0.11 28	0.11 82	0.15 127	0.12 116	0.10 122	0.11 58	0.12 158	0.05 4	0.04 2	0.06 45	0.06 112	0.04 1	0.04 9

KYRaft	0.11 109	0.07 88	0.10 57	0.19 273	0.09 160	0.08 27	0.15 152	0.22 194	0.12 38	0.13 141	0.16 138	0.20 257	0.10 122	0.12 125	0.10 70	0.05 4	0.04 2	0.08 196	0.08 255	0.06 118	0.16 408

ASMatch	0.11 109	0.06 31	0.13 152	0.16 91	0.10 256	0.07 18	0.14 94	0.17 101	0.17 129	0.12 117	0.16 138	0.16 198	0.10 122	0.13 163	0.10 70	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.08 259

RAFT-RH_RVC	0.11 109	0.06 31	0.14 182	0.16 91	0.09 160	0.12 133	0.12 30	0.17 101	0.12 38	0.13 141	0.41 397	0.11 101	0.10 122	0.13 163	0.12 158	0.05 4	0.04 2	0.08 196	0.05 50	0.04 1	0.06 129

cross-raft	0.10 72	0.09 229	0.09 34	0.19 273	0.07 26	0.11 106	0.25 389	0.13 20	0.15 90	0.08 14	0.11 75	0.12 116	0.10 122	0.09 12	0.11 115	0.05 4	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

rafts_anoy	0.11 109	0.06 31	0.10 57	0.17 149	0.08 62	0.10 73	0.14 94	0.17 101	0.14 78	0.13 141	0.13 97	0.12 116	0.10 122	0.11 58	0.12 158	0.07 162	0.04 2	0.09 269	0.11 356	0.07 180	0.06 129

Anonymous3	0.16 289	0.13 349	0.33 395	0.26 400	0.14 368	0.27 387	0.17 236	0.28 301	0.28 297	0.15 189	0.17 157	0.14 159	0.10 122	0.15 202	0.12 158	0.08 217	0.08 315	0.08 196	0.08 255	0.08 237	0.11 344

RALCasStereoNet	0.10 72	0.06 31	0.09 34	0.16 91	0.08 62	0.12 133	0.14 94	0.17 101	0.11 28	0.12 117	0.17 157	0.14 159	0.10 122	0.12 125	0.11 115	0.07 162	0.06 222	0.06 45	0.05 50	0.08 237	0.07 196

RAFT + AFF	0.13 195	0.07 88	0.20 331	0.20 318	0.10 256	0.14 195	0.24 376	0.26 264	0.20 189	0.11 82	0.10 52	0.12 116	0.10 122	0.15 202	0.12 158	0.07 162	0.06 222	0.09 269	0.08 255	0.06 118	0.08 259

GMStereo	0.13 195	0.14 361	0.14 182	0.18 221	0.09 160	0.15 219	0.16 211	0.20 157	0.24 240	0.16 214	0.17 157	0.10 82	0.10 122	0.16 236	0.13 195	0.07 162	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo05	0.13 195	0.07 88	0.10 57	0.17 149	0.09 160	0.13 165	0.18 278	0.27 284	0.35 348	0.17 228	0.14 111	0.15 185	0.11 146	0.15 202	0.13 195	0.06 64	0.05 120	0.07 124	0.07 194	0.06 118	0.06 129

CoDeX	0.12 170	0.07 88	0.12 112	0.17 149	0.08 62	0.12 133	0.15 152	0.23 211	0.27 283	0.13 141	0.17 157	0.16 198	0.11 146	0.14 181	0.11 115	0.07 162	0.05 120	0.07 124	0.06 112	0.06 118	0.05 64

GMStereo_Zeroshot	0.16 289	0.13 349	0.24 356	0.20 318	0.10 256	0.17 267	0.13 58	0.29 311	0.25 261	0.23 330	0.32 342	0.25 316	0.11 146	0.19 293	0.14 231	0.09 270	0.06 222	0.11 342	0.06 112	0.12 356	0.08 259

MIF-Stereo (partial)	0.11 109	0.06 31	0.10 57	0.19 273	0.10 256	0.10 73	0.11 18	0.17 101	0.18 155	0.14 162	0.16 138	0.09 59	0.11 146	0.12 125	0.12 158	0.08 217	0.05 120	0.08 196	0.07 194	0.06 118	0.07 196

riskmin	0.11 109	0.06 31	0.13 152	0.14 18	0.08 62	0.14 195	0.14 94	0.18 127	0.14 78	0.11 82	0.14 111	0.16 198	0.11 146	0.14 181	0.12 158	0.09 270	0.05 120	0.07 124	0.05 50	0.08 237	0.08 259

fff	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 236	0.16 67	0.20 189	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

Sa-1000	0.12 170	0.08 168	0.08 13	0.18 221	0.08 62	0.14 195	0.22 357	0.22 194	0.18 155	0.15 189	0.20 200	0.17 218	0.11 146	0.10 26	0.10 70	0.06 64	0.05 120	0.09 269	0.09 296	0.05 49	0.05 64

SA	0.12 170	0.09 229	0.08 13	0.18 221	0.08 62	0.12 133	0.24 376	0.23 211	0.18 155	0.17 228	0.27 301	0.14 159	0.11 146	0.11 58	0.11 115	0.05 4	0.05 120	0.09 269	0.08 255	0.05 49	0.04 9

CrosDoStereo	0.12 170	0.06 31	0.12 112	0.14 18	0.08 62	0.12 133	0.15 152	0.17 101	0.22 216	0.19 272	0.24 249	0.15 185	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

LCNet	0.11 109	0.07 88	0.09 34	0.19 273	0.09 160	0.08 27	0.15 152	0.21 176	0.15 90	0.11 82	0.15 127	0.16 198	0.11 146	0.12 125	0.11 115	0.05 4	0.04 2	0.08 196	0.07 194	0.06 118	0.15 397

TransformOpticalFlow	0.10 72	0.08 168	0.13 152	0.18 221	0.07 26	0.09 44	0.15 152	0.19 146	0.15 90	0.12 117	0.17 157	0.11 101	0.11 146	0.11 58	0.10 70	0.05 4	0.04 2	0.06 45	0.06 112	0.05 49	0.05 64

NF-Stereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

OCTAStereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

PSM-softLoss	0.12 170	0.07 88	0.15 231	0.17 149	0.09 160	0.08 27	0.13 58	0.24 232	0.17 129	0.14 162	0.19 188	0.13 140	0.11 146	0.11 58	0.11 115	0.07 162	0.05 120	0.08 196	0.07 194	0.06 118	0.12 356

KMStereo	0.12 170	0.07 88	0.15 231	0.17 149	0.09 160	0.08 27	0.13 58	0.24 232	0.17 129	0.14 162	0.19 188	0.13 140	0.11 146	0.11 58	0.11 115	0.07 162	0.05 120	0.08 196	0.07 194	0.06 118	0.12 356

PSM-AAD	0.11 109	0.07 88	0.10 57	0.19 273	0.09 160	0.10 73	0.15 152	0.20 157	0.13 60	0.12 117	0.14 111	0.18 231	0.11 146	0.11 58	0.10 70	0.05 4	0.05 120	0.09 269	0.08 255	0.06 118	0.14 390

DeepStereo_LL	0.12 170	0.06 31	0.12 112	0.14 18	0.08 62	0.12 133	0.15 152	0.17 101	0.22 216	0.19 272	0.24 249	0.15 185	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

PFNet	0.12 170	0.06 31	0.17 292	0.17 149	0.08 62	0.09 44	0.15 152	0.26 264	0.20 189	0.16 214	0.16 138	0.14 159	0.11 146	0.12 125	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

GrayStereo	0.11 109	0.06 31	0.11 88	0.19 273	0.09 160	0.09 44	0.16 211	0.18 127	0.17 129	0.14 162	0.17 157	0.17 218	0.11 146	0.12 125	0.11 115	0.05 4	0.05 120	0.07 124	0.06 112	0.05 49	0.10 321

RE-Stereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

TVStereo	0.11 109	0.07 88	0.13 152	0.17 149	0.09 160	0.10 73	0.14 94	0.23 211	0.19 168	0.12 117	0.17 157	0.12 116	0.11 146	0.11 58	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.12 356

GMM-Stereo	0.11 109	0.07 88	0.10 57	0.18 221	0.09 160	0.08 27	0.15 152	0.23 211	0.16 112	0.11 82	0.15 127	0.13 140	0.11 146	0.11 58	0.11 115	0.05 4	0.04 2	0.08 196	0.07 194	0.06 118	0.09 300

s12784h	0.09 23	0.06 31	0.07 3	0.15 48	0.05 1	0.16 246	0.18 278	0.15 47	0.15 90	0.10 58	0.11 75	0.11 101	0.11 146	0.10 26	0.12 158	0.05 4	0.04 2	0.05 2	0.04 12	0.04 1	0.04 9

DCANet	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 236	0.15 47	0.19 168	0.13 141	0.17 157	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

csc	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 236	0.16 67	0.20 189	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

cscssc	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.09 44	0.17 236	0.16 67	0.20 189	0.13 141	0.16 138	0.10 82	0.11 146	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

111	0.10 72	0.06 31	0.12 112	0.15 48	0.07 26	0.10 73	0.14 94	0.21 176	0.23 225	0.11 82	0.12 85	0.14 159	0.11 146	0.13 163	0.10 70	0.06 64	0.04 2	0.06 45	0.04 12	0.05 49	0.05 64

ARAFT	0.12 170	0.08 168	0.17 292	0.19 273	0.09 160	0.14 195	0.18 278	0.20 157	0.12 38	0.12 117	0.13 97	0.14 159	0.11 146	0.15 202	0.12 158	0.06 64	0.05 120	0.10 313	0.09 296	0.05 49	0.04 9

HITNet	0.10 72	0.06 31	0.12 112	0.14 18	0.06 3	0.11 106	0.10 10	0.18 127	0.18 155	0.13 141	0.16 138	0.14 159	0.11 146	0.15 202	0.13 195	0.06 64	0.04 2	0.04 1	0.04 12	0.06 118	0.05 64
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
DDVS	0.15 266	0.10 283	0.21 338	0.16 91	0.12 331	0.15 219	0.14 94	0.25 247	0.19 168	0.18 258	0.29 325	0.27 331	0.12 175	0.19 293	0.15 258	0.09 270	0.06 222	0.09 269	0.07 194	0.11 342	0.11 344

rvit_0105_6	0.14 225	0.09 229	0.18 313	0.17 149	0.10 256	0.10 73	0.16 211	0.19 146	0.26 274	0.12 117	0.18 180	0.17 218	0.12 175	0.18 280	0.12 158	0.15 395	0.11 368	0.12 358	0.10 329	0.09 294	0.06 129

rvit_0105_5	0.14 225	0.09 229	0.13 152	0.17 149	0.09 160	0.14 195	0.23 366	0.24 232	0.27 283	0.14 162	0.15 127	0.18 231	0.12 175	0.17 263	0.14 231	0.14 391	0.11 368	0.10 313	0.10 329	0.08 237	0.06 129

GCST	0.37 424	0.42 441	0.26 364	1.02 465	0.39 440	0.18 285	0.08 3	0.20 157	0.17 129	0.28 373	0.25 278	0.15 185	0.12 175	0.16 236	0.14 231	0.64 458	0.43 446	0.75 455	0.65 458	0.63 452	0.46 451

plain	0.10 72	0.08 168	0.10 57	0.19 273	0.09 160	0.10 73	0.15 152	0.14 30	0.13 60	0.13 141	0.15 127	0.09 59	0.12 175	0.13 163	0.12 158	0.07 162	0.05 120	0.09 269	0.06 112	0.06 118	0.06 129

PCWNet_CMD	0.14 225	0.08 168	0.15 231	0.17 149	0.09 160	0.14 195	0.14 94	0.29 311	0.36 352	0.14 162	0.20 200	0.21 264	0.12 175	0.17 263	0.13 195	0.07 162	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

ADStereo(finetuned)	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 236	0.15 47	0.19 168	0.13 141	0.17 157	0.10 82	0.12 175	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

GMOStereo	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 409	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

error version	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 409	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

test-v	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 409	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

GANet-ADL	0.13 195	0.07 88	0.15 231	0.17 149	0.10 256	0.18 285	0.15 152	0.30 325	0.20 189	0.13 141	0.18 180	0.19 245	0.12 175	0.16 236	0.13 195	0.08 217	0.06 222	0.06 45	0.05 50	0.07 180	0.08 259

Patchmatch Stereo++	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.11 18	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 109	0.06 31	0.14 182	0.18 221	0.08 62	0.09 44	0.12 30	0.21 176	0.21 202	0.13 141	0.14 111	0.11 101	0.12 175	0.11 58	0.13 195	0.06 64	0.04 2	0.07 124	0.06 112	0.05 49	0.04 9

IIG-Stereo	0.11 109	0.06 31	0.13 152	0.17 149	0.08 62	0.11 106	0.12 30	0.22 194	0.17 129	0.14 162	0.17 157	0.11 101	0.12 175	0.12 125	0.12 158	0.06 64	0.05 120	0.07 124	0.06 112	0.05 49	0.04 9

NRIStereo	0.11 109	0.08 168	0.14 182	0.18 221	0.08 62	0.10 73	0.14 94	0.16 67	0.15 90	0.12 117	0.14 111	0.13 140	0.12 175	0.13 163	0.10 70	0.06 64	0.04 2	0.07 124	0.06 112	0.06 118	0.07 196

PSM-adaLoss	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

FTStereo	0.12 170	0.06 31	0.14 182	0.18 221	0.09 160	0.07 18	0.15 152	0.21 176	0.18 155	0.12 117	0.24 249	0.12 116	0.12 175	0.13 163	0.13 195	0.05 4	0.05 120	0.07 124	0.06 112	0.06 118	0.10 321

ROB_FTStereo_v2	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

ROB_FTStereo	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.11 18	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

HUI-Stereo	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

SST-Stereo	0.10 72	0.07 88	0.15 231	0.18 221	0.09 160	0.06 4	0.12 30	0.17 101	0.11 28	0.15 189	0.17 157	0.13 140	0.12 175	0.10 26	0.11 115	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.05 64

THIR-Stereo	0.12 170	0.07 88	0.11 88	0.15 48	0.08 62	0.14 195	0.16 211	0.17 101	0.25 261	0.16 214	0.24 249	0.14 159	0.12 175	0.12 125	0.14 231	0.06 64	0.04 2	0.07 124	0.07 194	0.05 49	0.05 64

RAFT_R40	0.11 109	0.07 88	0.14 182	0.18 221	0.09 160	0.06 4	0.13 58	0.17 101	0.16 112	0.14 162	0.18 180	0.15 185	0.12 175	0.10 26	0.11 115	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.05 64

DeepStereo_RVC	0.11 109	0.08 168	0.16 265	0.18 221	0.08 62	0.08 27	0.12 30	0.17 101	0.12 38	0.13 141	0.14 111	0.12 116	0.12 175	0.12 125	0.11 115	0.06 64	0.04 2	0.07 124	0.06 112	0.07 180	0.08 259

iGMRVC	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

IRAFT_RVC	0.12 170	0.08 168	0.16 265	0.19 273	0.08 62	0.07 18	0.15 152	0.24 232	0.23 225	0.14 162	0.14 111	0.15 185	0.12 175	0.12 125	0.10 70	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.06 129

iRAFT	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.11 18	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

CRE-IMP	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.10 73	0.12 30	0.18 127	0.10 12	0.14 162	0.13 97	0.13 140	0.12 175	0.12 125	0.11 115	0.07 162	0.04 2	0.08 196	0.06 112	0.08 237	0.08 259

test-2	0.11 109	0.09 229	0.07 3	0.19 273	0.08 62	0.12 133	0.28 409	0.13 20	0.17 129	0.11 82	0.17 157	0.14 159	0.12 175	0.07 2	0.07 1	0.05 4	0.05 120	0.09 269	0.07 194	0.04 1	0.04 9

RAFT	0.13 195	0.09 229	0.11 88	0.18 221	0.08 62	0.15 219	0.24 376	0.20 157	0.19 168	0.21 304	0.21 220	0.17 218	0.12 175	0.16 236	0.09 27	0.06 64	0.07 290	0.10 313	0.09 296	0.05 49	0.05 64

RAFT-IKP	0.11 109	0.09 229	0.16 265	0.19 273	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

TestStereo	0.13 195	0.14 361	0.11 88	0.23 378	0.08 62	0.15 219	0.21 348	0.20 157	0.23 225	0.14 162	0.24 249	0.16 198	0.12 175	0.16 236	0.14 231	0.05 4	0.06 222	0.08 196	0.06 112	0.09 294	0.05 64

FENet	0.13 195	0.08 168	0.12 112	0.16 91	0.08 62	0.14 195	0.15 152	0.22 194	0.23 225	0.17 228	0.23 238	0.16 198	0.12 175	0.14 181	0.15 258	0.08 217	0.05 120	0.08 196	0.08 255	0.07 180	0.07 196

DIP-Stereo	0.11 109	0.07 88	0.14 182	0.17 149	0.09 160	0.13 165	0.09 5	0.16 67	0.16 112	0.11 82	0.16 138	0.14 159	0.12 175	0.15 202	0.13 195	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 225	0.08 168	0.15 231	0.17 149	0.09 160	0.14 195	0.14 94	0.29 311	0.36 352	0.14 162	0.21 220	0.21 264	0.12 175	0.17 263	0.14 231	0.07 162	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

rvit_0105_4	0.14 225	0.09 229	0.17 292	0.17 149	0.10 256	0.12 133	0.19 314	0.23 211	0.27 283	0.14 162	0.20 200	0.17 218	0.13 210	0.17 263	0.13 195	0.15 395	0.11 368	0.11 342	0.10 329	0.09 294	0.06 129

rvit_0105_3	0.15 266	0.09 229	0.14 182	0.19 273	0.12 331	0.15 219	0.25 389	0.25 247	0.29 303	0.15 189	0.17 157	0.20 257	0.13 210	0.17 263	0.14 231	0.13 380	0.11 368	0.12 358	0.14 387	0.07 180	0.06 129

UGAM	0.13 195	0.10 283	0.09 34	0.22 359	0.08 62	0.12 133	0.20 331	0.17 101	0.23 225	0.21 304	0.16 138	0.13 140	0.13 210	0.19 293	0.12 158	0.07 162	0.05 120	0.13 373	0.11 356	0.07 180	0.05 64

ffm	0.12 170	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.15 47	0.19 168	0.15 189	0.25 278	0.19 245	0.13 210	0.10 26	0.07 1	0.06 64	0.04 2	0.09 269	0.08 255	0.06 118	0.06 129

ff1	0.13 195	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.15 47	0.19 168	0.15 189	0.25 278	0.19 245	0.13 210	0.14 181	0.20 321	0.06 64	0.04 2	0.09 269	0.08 255	0.06 118	0.06 129

mmx	0.14 225	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.27 284	0.25 261	0.15 189	0.25 278	0.19 245	0.13 210	0.14 181	0.20 321	0.08 217	0.06 222	0.09 269	0.08 255	0.08 237	0.08 259

ttt	0.14 225	0.08 168	0.14 182	0.15 48	0.08 62	0.15 219	0.18 278	0.27 284	0.29 303	0.16 214	0.24 249	0.17 218	0.13 210	0.13 163	0.14 231	0.11 332	0.08 315	0.09 269	0.08 255	0.09 294	0.08 259

xxx	0.14 225	0.09 229	0.14 182	0.16 91	0.08 62	0.17 267	0.17 236	0.27 284	0.25 261	0.15 189	0.25 278	0.19 245	0.13 210	0.14 181	0.20 321	0.08 217	0.06 222	0.09 269	0.08 255	0.08 237	0.08 259

LL-Strereo	0.13 195	0.09 229	0.11 88	0.20 318	0.10 256	0.11 106	0.18 278	0.32 344	0.24 240	0.15 189	0.15 127	0.14 159	0.13 210	0.19 293	0.11 115	0.06 64	0.04 2	0.09 269	0.08 255	0.04 1	0.05 64

SDNR	0.19 333	0.08 168	0.19 323	0.16 91	0.12 331	0.77 456	0.14 94	0.25 247	0.32 324	0.19 272	0.24 249	0.19 245	0.13 210	0.19 293	0.15 258	0.16 411	0.18 417	0.14 385	0.11 356	0.08 237	0.11 344

BUS	0.14 225	0.09 229	0.14 182	0.22 359	0.10 256	0.19 307	0.14 94	0.34 370	0.19 168	0.17 228	0.22 229	0.16 198	0.13 210	0.15 202	0.13 195	0.08 217	0.06 222	0.10 313	0.09 296	0.07 180	0.07 196

NINENet	0.16 289	0.10 283	0.15 231	0.17 149	0.11 300	0.19 307	0.14 94	0.40 408	0.36 352	0.18 258	0.21 220	0.16 198	0.13 210	0.15 202	0.13 195	0.08 217	0.08 315	0.10 313	0.07 194	0.10 324	0.09 300

UDGNet	0.14 225	0.13 349	0.16 265	0.17 149	0.10 256	0.12 133	0.16 211	0.21 176	0.27 283	0.20 291	0.20 200	0.16 198	0.13 210	0.16 236	0.13 195	0.10 306	0.06 222	0.09 269	0.07 194	0.06 118	0.07 196

dad	0.17 309	0.20 402	0.20 331	0.16 91	0.11 300	0.20 322	0.18 278	0.21 176	0.28 297	0.30 383	0.24 249	0.29 346	0.13 210	0.19 293	0.16 274	0.18 417	0.09 339	0.11 342	0.09 296	0.11 342	0.07 196

GEStereo_RVC	0.17 309	0.12 323	0.15 231	0.22 359	0.11 300	0.19 307	0.17 236	0.32 344	0.48 401	0.20 291	0.25 278	0.17 218	0.13 210	0.21 333	0.16 274	0.10 306	0.06 222	0.08 196	0.07 194	0.09 294	0.08 259

CFNet_pseudo	0.14 225	0.08 168	0.15 231	0.16 91	0.09 160	0.13 165	0.14 94	0.27 284	0.34 341	0.14 162	0.21 220	0.22 281	0.13 210	0.18 280	0.14 231	0.07 162	0.05 120	0.08 196	0.06 112	0.07 180	0.07 196

GES	0.14 225	0.08 168	0.16 265	0.15 48	0.10 256	0.13 165	0.13 58	0.28 301	0.25 261	0.16 214	0.23 238	0.18 231	0.13 210	0.16 236	0.13 195	0.08 217	0.07 290	0.07 124	0.06 112	0.08 237	0.09 300

SFCPSM	0.13 195	0.07 88	0.14 182	0.17 149	0.09 160	0.15 219	0.16 211	0.28 301	0.27 283	0.14 162	0.17 157	0.12 116	0.13 210	0.14 181	0.11 115	0.08 217	0.05 120	0.07 124	0.07 194	0.07 180	0.06 129

ccs_rob	0.14 225	0.08 168	0.15 231	0.16 91	0.09 160	0.12 133	0.14 94	0.27 284	0.34 341	0.14 162	0.21 220	0.22 281	0.13 210	0.18 280	0.14 231	0.07 162	0.05 120	0.08 196	0.07 194	0.07 180	0.07 196

AdaStereo	0.15 266	0.11 308	0.15 231	0.18 221	0.09 160	0.20 322	0.11 18	0.32 344	0.28 297	0.20 291	0.23 238	0.20 257	0.13 210	0.19 293	0.14 231	0.12 357	0.05 120	0.10 313	0.07 194	0.09 294	0.07 196
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 225	0.08 168	0.15 231	0.16 91	0.08 62	0.16 246	0.12 30	0.25 247	0.35 348	0.21 304	0.29 325	0.24 303	0.13 210	0.14 181	0.14 231	0.06 64	0.05 120	0.06 45	0.04 12	0.09 294	0.08 259

MLCV	0.12 170	0.07 88	0.16 265	0.18 221	0.06 3	0.15 219	0.17 236	0.19 146	0.21 202	0.18 258	0.25 278	0.17 218	0.13 210	0.14 181	0.13 195	0.05 4	0.04 2	0.05 2	0.04 12	0.05 49	0.04 9

iResNet	0.13 195	0.10 283	0.18 313	0.19 273	0.08 62	0.13 165	0.18 278	0.20 157	0.26 274	0.15 189	0.23 238	0.15 185	0.13 210	0.14 181	0.14 231	0.06 64	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

DN-CSS_ROB	0.13 195	0.13 349	0.16 265	0.18 221	0.10 256	0.16 246	0.08 3	0.22 194	0.18 155	0.17 228	0.22 229	0.13 140	0.13 210	0.12 125	0.13 195	0.05 4	0.05 120	0.10 313	0.10 329	0.08 237	0.06 129

test_sample6	0.14 225	0.08 168	0.13 152	0.16 91	0.08 62	0.17 267	0.19 314	0.25 247	0.17 129	0.17 228	0.27 301	0.19 245	0.14 234	0.15 202	0.13 195	0.08 217	0.05 120	0.08 196	0.07 194	0.08 237	0.08 259

test_sample5	0.14 225	0.08 168	0.14 182	0.16 91	0.08 62	0.18 285	0.18 278	0.25 247	0.17 129	0.17 228	0.27 301	0.18 231	0.14 234	0.16 236	0.13 195	0.08 217	0.05 120	0.08 196	0.07 194	0.08 237	0.08 259

test_sample4	0.14 225	0.08 168	0.14 182	0.15 48	0.08 62	0.19 307	0.18 278	0.26 264	0.17 129	0.16 214	0.25 278	0.18 231	0.14 234	0.16 236	0.13 195	0.08 217	0.06 222	0.08 196	0.06 112	0.08 237	0.08 259

DualNet	0.14 225	0.08 168	0.14 182	0.16 91	0.08 62	0.18 285	0.18 278	0.25 247	0.17 129	0.17 228	0.27 301	0.18 231	0.14 234	0.16 236	0.13 195	0.08 217	0.05 120	0.08 196	0.07 194	0.08 237	0.08 259

CFNet_ucs	0.15 266	0.08 168	0.16 265	0.16 91	0.11 300	0.14 195	0.14 94	0.30 325	0.34 341	0.16 214	0.24 249	0.23 297	0.14 234	0.18 280	0.15 258	0.09 270	0.06 222	0.08 196	0.07 194	0.09 294	0.09 300

anonymousa	0.13 195	0.07 88	0.13 152	0.18 221	0.09 160	0.13 165	0.17 236	0.19 146	0.29 303	0.15 189	0.24 249	0.15 185	0.14 234	0.14 181	0.14 231	0.07 162	0.05 120	0.07 124	0.09 296	0.05 49	0.06 129

DCANet-4	0.10 72	0.06 31	0.12 112	0.16 91	0.06 3	0.09 44	0.17 236	0.18 127	0.19 168	0.13 141	0.16 138	0.09 59	0.14 234	0.11 58	0.12 158	0.06 64	0.04 2	0.05 2	0.04 12	0.04 1	0.05 64

GwcNet-ADL	0.13 195	0.08 168	0.14 182	0.20 318	0.09 160	0.11 106	0.20 331	0.30 325	0.24 240	0.13 141	0.14 111	0.18 231	0.14 234	0.13 163	0.14 231	0.07 162	0.05 120	0.06 45	0.05 50	0.07 180	0.06 129

AAGNet	0.11 109	0.07 88	0.16 265	0.19 273	0.09 160	0.08 27	0.13 58	0.18 127	0.13 60	0.16 214	0.21 220	0.13 140	0.14 234	0.11 58	0.14 231	0.06 64	0.04 2	0.09 269	0.06 112	0.06 118	0.05 64

DEmStereo	0.12 170	0.06 31	0.14 182	0.14 18	0.10 256	0.16 246	0.15 152	0.16 67	0.24 240	0.17 228	0.24 249	0.13 140	0.14 234	0.12 125	0.13 195	0.05 4	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

HCRNet	0.16 289	0.24 416	0.12 112	0.35 431	0.11 300	0.15 219	0.17 236	0.26 264	0.22 216	0.19 272	0.24 249	0.21 264	0.14 234	0.15 202	0.13 195	0.11 332	0.07 290	0.11 342	0.10 329	0.09 294	0.07 196

xxxx	0.15 266	0.07 88	0.14 182	0.14 18	0.08 62	0.23 357	0.18 278	0.31 333	0.19 168	0.14 162	0.28 313	0.22 281	0.14 234	0.15 202	0.26 386	0.09 270	0.05 120	0.07 124	0.07 194	0.08 237	0.07 196

PSMNet-RSSM	0.14 225	0.07 88	0.13 152	0.15 48	0.08 62	0.13 165	0.16 211	0.24 232	0.24 240	0.16 214	0.28 313	0.22 281	0.14 234	0.15 202	0.13 195	0.11 332	0.06 222	0.09 269	0.12 375	0.08 237	0.07 196

CFNet-ft	0.14 225	0.07 88	0.15 231	0.12 3	0.09 160	0.16 246	0.18 278	0.22 194	0.24 240	0.17 228	0.26 294	0.24 303	0.14 234	0.16 236	0.14 231	0.11 332	0.06 222	0.08 196	0.09 296	0.09 294	0.08 259

BEATNet_4x	0.12 170	0.08 168	0.14 182	0.18 221	0.07 26	0.15 219	0.07 1	0.22 194	0.18 155	0.16 214	0.19 188	0.18 231	0.14 234	0.16 236	0.15 258	0.07 162	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

HSM-Net_RVC	0.14 225	0.08 168	0.11 88	0.15 48	0.08 62	0.15 219	0.15 152	0.27 284	0.29 303	0.19 272	0.21 220	0.29 346	0.14 234	0.17 263	0.13 195	0.06 64	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 225	0.07 88	0.15 231	0.12 3	0.09 160	0.16 246	0.18 278	0.22 194	0.24 240	0.17 228	0.26 294	0.24 303	0.14 234	0.16 236	0.14 231	0.11 332	0.06 222	0.08 196	0.09 296	0.09 294	0.08 259

DCVSM-stereo	0.14 225	0.09 229	0.16 265	0.16 91	0.10 256	0.15 219	0.09 5	0.19 146	0.23 225	0.20 291	0.23 238	0.26 324	0.15 251	0.18 280	0.14 231	0.09 270	0.07 290	0.09 269	0.08 255	0.10 324	0.12 356

ACV-stereo	0.15 266	0.10 283	0.28 376	0.18 221	0.12 331	0.14 195	0.12 30	0.23 211	0.21 202	0.19 272	0.23 238	0.22 281	0.15 251	0.23 355	0.17 288	0.07 162	0.06 222	0.07 124	0.07 194	0.07 180	0.07 196

ITSA-stereo	0.15 266	0.10 283	0.14 182	0.19 273	0.08 62	0.12 133	0.14 94	0.30 325	0.49 406	0.17 228	0.19 188	0.22 281	0.15 251	0.17 263	0.16 274	0.10 306	0.06 222	0.08 196	0.08 255	0.08 237	0.08 259

rvit_stereo_0075_2	0.17 309	0.12 323	0.25 361	0.23 378	0.16 392	0.13 165	0.10 10	0.30 325	0.27 283	0.20 291	0.28 313	0.22 281	0.15 251	0.18 280	0.13 195	0.16 411	0.10 358	0.17 404	0.10 329	0.10 324	0.09 300

test_sample3	0.14 225	0.08 168	0.15 231	0.14 18	0.09 160	0.19 307	0.17 236	0.26 264	0.18 155	0.16 214	0.22 229	0.19 245	0.15 251	0.17 263	0.13 195	0.08 217	0.06 222	0.07 124	0.06 112	0.09 294	0.08 259

test_sample2	0.12 170	0.07 88	0.12 112	0.14 18	0.08 62	0.16 246	0.18 278	0.21 176	0.16 112	0.14 162	0.20 200	0.19 245	0.15 251	0.15 202	0.12 158	0.08 217	0.05 120	0.07 124	0.06 112	0.08 237	0.07 196

SMFormer	0.14 225	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.17 288	0.08 217	0.05 120	0.07 124	0.06 112	0.07 180	0.06 129

tta	0.14 225	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.17 288	0.08 217	0.05 120	0.07 124	0.06 112	0.06 118	0.06 129

qqq1	0.13 195	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.11 115	0.08 217	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

fff1	0.13 195	0.07 88	0.17 292	0.14 18	0.08 62	0.16 246	0.17 236	0.26 264	0.27 283	0.19 272	0.20 200	0.18 231	0.15 251	0.15 202	0.11 115	0.08 217	0.05 120	0.05 2	0.05 50	0.06 118	0.06 129

1111x	0.15 266	0.08 168	0.12 112	0.18 221	0.07 26	0.18 285	0.25 389	0.31 333	0.24 240	0.17 228	0.24 249	0.26 324	0.15 251	0.13 163	0.23 358	0.07 162	0.07 290	0.08 196	0.09 296	0.07 180	0.06 129

iinet-f	0.16 289	0.06 31	0.45 416	0.14 18	0.10 256	0.21 336	0.14 94	0.27 284	0.23 225	0.21 304	0.24 249	0.21 264	0.15 251	0.18 280	0.21 339	0.09 270	0.07 290	0.07 124	0.06 112	0.09 294	0.10 321

GASNet	0.22 362	0.23 413	0.33 395	0.26 400	0.17 407	0.26 380	0.16 211	0.44 424	0.42 382	0.27 361	0.24 249	0.30 354	0.15 251	0.27 374	0.18 306	0.12 357	0.08 315	0.12 358	0.11 356	0.16 405	0.07 196

CASS	0.13 195	0.12 323	0.11 88	0.23 378	0.09 160	0.15 219	0.17 236	0.18 127	0.19 168	0.17 228	0.18 180	0.15 185	0.15 251	0.14 181	0.14 231	0.09 270	0.06 222	0.10 313	0.08 255	0.09 294	0.07 196
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 322	0.09 229	0.29 384	0.15 48	0.10 256	0.22 344	0.20 331	0.26 264	0.39 366	0.25 351	0.42 402	0.24 303	0.15 251	0.20 317	0.19 315	0.07 162	0.05 120	0.06 45	0.05 50	0.10 324	0.09 300

test_5	0.14 225	0.12 323	0.08 13	0.20 318	0.10 256	0.14 195	0.29 418	0.21 176	0.24 240	0.18 258	0.28 313	0.11 101	0.15 251	0.12 125	0.13 195	0.06 64	0.05 120	0.07 124	0.08 255	0.08 237	0.07 196

CSP-Net	0.16 289	0.09 229	0.14 182	0.16 91	0.09 160	0.19 307	0.17 236	0.25 247	0.32 324	0.25 351	0.30 330	0.24 303	0.15 251	0.21 333	0.18 306	0.09 270	0.06 222	0.07 124	0.07 194	0.08 237	0.07 196

DAS	0.15 266	0.08 168	0.18 313	0.19 273	0.10 256	0.19 307	0.17 236	0.27 284	0.29 303	0.18 258	0.25 278	0.21 264	0.15 251	0.16 236	0.12 158	0.08 217	0.06 222	0.06 45	0.06 112	0.07 180	0.07 196

SepStereo	0.15 266	0.08 168	0.18 313	0.19 273	0.10 256	0.19 307	0.17 236	0.27 284	0.29 303	0.18 258	0.25 278	0.21 264	0.15 251	0.25 369	0.12 158	0.08 217	0.06 222	0.06 45	0.06 112	0.07 180	0.07 196

DRaft	0.12 170	0.06 31	0.11 88	0.14 18	0.09 160	0.14 195	0.17 236	0.21 176	0.30 312	0.17 228	0.28 313	0.10 82	0.15 251	0.10 26	0.12 158	0.05 4	0.04 2	0.07 124	0.06 112	0.05 49	0.05 64

GANet-RSSM	0.14 225	0.07 88	0.13 152	0.13 10	0.08 62	0.14 195	0.17 236	0.22 194	0.21 202	0.17 228	0.24 249	0.23 297	0.15 251	0.16 236	0.15 258	0.10 306	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

DSFCA	0.16 289	0.09 229	0.14 182	0.16 91	0.10 256	0.20 322	0.19 314	0.28 301	0.31 318	0.23 330	0.24 249	0.22 281	0.15 251	0.19 293	0.20 321	0.10 306	0.07 290	0.09 269	0.09 296	0.08 237	0.08 259

FADNet-RVC-Resample	0.16 289	0.11 308	0.31 389	0.22 359	0.11 300	0.19 307	0.14 94	0.25 247	0.24 240	0.24 338	0.27 301	0.20 257	0.15 251	0.16 236	0.15 258	0.07 162	0.08 315	0.12 358	0.10 329	0.09 294	0.10 321

UCFNet_RVC	0.14 225	0.08 168	0.13 152	0.11 1	0.10 256	0.20 322	0.10 10	0.24 232	0.22 216	0.17 228	0.20 200	0.23 297	0.15 251	0.17 263	0.15 258	0.12 357	0.07 290	0.10 313	0.13 384	0.11 342	0.10 321

iResNet_ROB	0.14 225	0.07 88	0.13 152	0.14 18	0.07 26	0.18 285	0.14 94	0.26 264	0.31 318	0.22 318	0.25 278	0.23 297	0.15 251	0.15 202	0.13 195	0.07 162	0.05 120	0.05 2	0.04 12	0.08 237	0.08 259

PWCDC_ROB	0.20 344	0.13 349	0.22 344	0.24 385	0.11 300	0.19 307	0.15 152	0.33 361	0.54 418	0.29 380	0.50 417	0.21 264	0.15 251	0.27 374	0.20 321	0.11 332	0.09 339	0.10 313	0.08 255	0.11 342	0.09 300

test_sample1	0.13 195	0.07 88	0.14 182	0.13 10	0.08 62	0.19 307	0.16 211	0.20 157	0.15 90	0.14 162	0.22 229	0.18 231	0.16 277	0.17 263	0.14 231	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.07 196

xx1	0.11 109	0.08 168	0.12 112	0.17 149	0.09 160	0.13 165	0.15 152	0.16 67	0.18 155	0.09 30	0.09 35	0.16 198	0.16 277	0.10 26	0.07 1	0.06 64	0.04 2	0.08 196	0.08 255	0.07 180	0.07 196

mmm	0.14 225	0.08 168	0.17 292	0.17 149	0.09 160	0.17 267	0.18 278	0.21 176	0.15 90	0.15 189	0.23 238	0.21 264	0.16 277	0.16 236	0.17 288	0.08 217	0.05 120	0.08 196	0.07 194	0.07 180	0.07 196

11t1	0.12 170	0.06 31	0.13 152	0.14 18	0.08 62	0.17 267	0.15 152	0.18 127	0.15 90	0.15 189	0.15 127	0.16 198	0.16 277	0.15 202	0.13 195	0.08 217	0.05 120	0.06 45	0.05 50	0.08 237	0.07 196

CBFPSM	0.14 225	0.06 31	0.26 364	0.17 149	0.09 160	0.13 165	0.15 152	0.22 194	0.23 225	0.20 291	0.27 301	0.24 303	0.16 277	0.16 236	0.18 306	0.06 64	0.06 222	0.06 45	0.07 194	0.07 180	0.07 196

gwcnet-sp	0.14 225	0.07 88	0.12 112	0.18 221	0.09 160	0.16 246	0.17 236	0.24 232	0.24 240	0.18 258	0.24 249	0.15 185	0.16 277	0.15 202	0.15 258	0.08 217	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

scenet	0.14 225	0.07 88	0.12 112	0.18 221	0.09 160	0.16 246	0.17 236	0.24 232	0.24 240	0.18 258	0.24 249	0.15 185	0.16 277	0.15 202	0.15 258	0.08 217	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

ssnet	0.14 225	0.07 88	0.12 112	0.18 221	0.09 160	0.16 246	0.17 236	0.24 232	0.24 240	0.18 258	0.24 249	0.15 185	0.16 277	0.15 202	0.15 258	0.08 217	0.06 222	0.07 124	0.08 255	0.08 237	0.07 196

qqq	0.13 195	0.09 229	0.15 231	0.16 91	0.08 62	0.13 165	0.15 152	0.23 211	0.16 112	0.15 189	0.19 188	0.16 198	0.16 277	0.15 202	0.16 274	0.07 162	0.06 222	0.08 196	0.08 255	0.07 180	0.07 196

BSDual-CNN	0.15 266	0.09 229	0.14 182	0.22 359	0.10 256	0.14 195	0.15 152	0.34 370	0.19 168	0.17 228	0.22 229	0.25 316	0.16 277	0.15 202	0.14 231	0.08 217	0.06 222	0.10 313	0.09 296	0.07 180	0.07 196

psmg	0.14 225	0.09 229	0.14 182	0.17 149	0.10 256	0.15 219	0.17 236	0.29 311	0.19 168	0.17 228	0.21 220	0.25 316	0.16 277	0.15 202	0.14 231	0.08 217	0.06 222	0.08 196	0.08 255	0.07 180	0.06 129

AASNet	0.16 289	0.08 168	0.12 112	0.19 273	0.09 160	0.18 285	0.15 152	0.37 393	0.37 358	0.19 272	0.23 238	0.20 257	0.16 277	0.17 263	0.20 321	0.10 306	0.08 315	0.08 196	0.07 194	0.09 294	0.09 300

PSMNet-ADL	0.15 266	0.12 323	0.13 152	0.22 359	0.09 160	0.13 165	0.20 331	0.26 264	0.23 225	0.18 258	0.20 200	0.24 303	0.16 277	0.18 280	0.17 288	0.08 217	0.08 315	0.08 196	0.11 356	0.08 237	0.07 196

ADLNet	0.16 289	0.08 168	0.15 231	0.16 91	0.10 256	0.16 246	0.17 236	0.32 344	0.27 283	0.22 318	0.27 301	0.24 303	0.16 277	0.18 280	0.21 339	0.10 306	0.06 222	0.10 313	0.10 329	0.08 237	0.09 300

222	0.16 289	0.07 88	0.14 182	0.14 18	0.08 62	0.24 362	0.18 278	0.30 325	0.20 189	0.17 228	0.28 313	0.17 218	0.16 277	0.15 202	0.40 433	0.10 306	0.05 120	0.07 124	0.06 112	0.07 180	0.08 259

test_xeample	0.15 266	0.06 31	0.13 152	0.14 18	0.08 62	0.21 336	0.20 331	0.28 301	0.20 189	0.16 214	0.29 325	0.19 245	0.16 277	0.15 202	0.26 386	0.09 270	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

ACVNet	0.15 266	0.09 229	0.15 231	0.13 10	0.12 331	0.14 195	0.20 331	0.22 194	0.33 330	0.17 228	0.26 294	0.21 264	0.16 277	0.17 263	0.21 339	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.06 129

cf-r	0.13 195	0.07 88	0.12 112	0.16 91	0.08 62	0.14 195	0.19 314	0.20 157	0.25 261	0.17 228	0.25 278	0.21 264	0.16 277	0.14 181	0.14 231	0.10 306	0.05 120	0.06 45	0.08 255	0.06 118	0.06 129

GwcNet-RSSM	0.14 225	0.07 88	0.12 112	0.15 48	0.08 62	0.15 219	0.20 331	0.21 176	0.27 283	0.18 258	0.27 301	0.22 281	0.16 277	0.14 181	0.15 258	0.10 306	0.05 120	0.07 124	0.09 296	0.07 180	0.07 196

HSM	0.15 266	0.08 168	0.14 182	0.16 91	0.09 160	0.16 246	0.14 94	0.28 301	0.25 261	0.19 272	0.23 238	0.37 392	0.16 277	0.20 317	0.15 258	0.07 162	0.05 120	0.07 124	0.06 112	0.07 180	0.06 129

rvit_105_1	0.19 333	0.11 308	0.25 361	0.21 344	0.16 392	0.21 336	0.27 403	0.31 333	0.41 375	0.19 272	0.20 200	0.22 281	0.17 297	0.19 293	0.17 288	0.12 357	0.12 381	0.13 373	0.15 401	0.08 237	0.07 196

DispNO	0.14 225	0.08 168	0.17 292	0.19 273	0.12 331	0.11 106	0.21 348	0.23 211	0.29 303	0.17 228	0.23 238	0.18 231	0.17 297	0.15 202	0.15 258	0.07 162	0.05 120	0.08 196	0.08 255	0.07 180	0.06 129

x	0.13 195	0.07 88	0.14 182	0.14 18	0.08 62	0.18 285	0.14 94	0.22 194	0.20 189	0.15 189	0.19 188	0.19 245	0.17 297	0.18 280	0.18 306	0.07 162	0.05 120	0.06 45	0.06 112	0.07 180	0.07 196

CRFU-Net	0.16 289	0.08 168	0.14 182	0.17 149	0.09 160	0.19 307	0.14 94	0.26 264	0.20 189	0.28 373	0.27 301	0.29 346	0.17 297	0.19 293	0.17 288	0.09 270	0.09 339	0.07 124	0.07 194	0.08 237	0.08 259

AACVNet	0.16 289	0.08 168	0.14 182	0.15 48	0.10 256	0.18 285	0.15 152	0.23 211	0.24 240	0.27 361	0.27 301	0.28 339	0.17 297	0.19 293	0.16 274	0.09 270	0.07 290	0.09 269	0.07 194	0.10 324	0.09 300

LMCR-Stereo	0.15 266	0.08 168	0.13 152	0.21 344	0.09 160	0.17 267	0.20 331	0.27 284	0.19 168	0.24 338	0.24 249	0.23 297	0.17 297	0.20 317	0.17 288	0.07 162	0.06 222	0.08 196	0.06 112	0.10 324	0.08 259

acv_ft	0.15 266	0.09 229	0.15 231	0.19 273	0.10 256	0.16 246	0.17 236	0.25 247	0.33 330	0.19 272	0.26 294	0.21 264	0.17 297	0.17 263	0.18 306	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.06 129

FADNet_RVC	0.16 289	0.14 361	0.40 411	0.20 318	0.11 300	0.13 165	0.13 58	0.26 264	0.22 216	0.21 304	0.23 238	0.20 257	0.17 297	0.14 181	0.16 274	0.08 217	0.08 315	0.12 358	0.09 296	0.11 342	0.10 321

CFNet	0.15 266	0.10 283	0.17 292	0.17 149	0.08 62	0.18 285	0.09 5	0.28 301	0.25 261	0.19 272	0.24 249	0.24 303	0.17 297	0.17 263	0.14 231	0.08 217	0.06 222	0.09 269	0.10 329	0.07 180	0.06 129

NLCA_NET_v2_RVC	0.17 309	0.10 283	0.22 344	0.20 318	0.10 256	0.15 219	0.18 278	0.31 333	0.25 261	0.21 304	0.30 330	0.25 316	0.17 297	0.21 333	0.20 321	0.09 270	0.06 222	0.08 196	0.08 255	0.07 180	0.08 259
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 309	0.12 323	0.15 231	0.20 318	0.09 160	0.18 285	0.18 278	0.26 264	0.23 225	0.26 355	0.40 387	0.22 281	0.17 297	0.21 333	0.20 321	0.08 217	0.05 120	0.09 269	0.10 329	0.07 180	0.07 196
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 309	0.10 283	0.17 292	0.17 149	0.11 300	0.21 336	0.21 348	0.33 361	0.25 261	0.22 318	0.22 229	0.27 331	0.18 308	0.22 344	0.20 321	0.11 332	0.09 339	0.09 269	0.09 296	0.08 237	0.08 259

Wz-Net-LNSev	0.22 362	0.16 374	0.38 408	0.21 344	0.13 351	0.25 372	0.23 366	0.32 344	0.43 387	0.30 383	0.41 397	0.31 364	0.18 308	0.22 344	0.25 377	0.10 306	0.09 339	0.08 196	0.08 255	0.12 356	0.11 344

hknet	0.15 266	0.11 308	0.13 152	0.22 359	0.11 300	0.14 195	0.15 152	0.34 370	0.25 261	0.17 228	0.22 229	0.22 281	0.18 308	0.17 263	0.12 158	0.07 162	0.06 222	0.10 313	0.09 296	0.07 180	0.07 196

ADLNet2	0.16 289	0.09 229	0.13 152	0.16 91	0.09 160	0.20 322	0.16 211	0.31 333	0.39 366	0.16 214	0.20 200	0.20 257	0.18 308	0.21 333	0.22 348	0.08 217	0.06 222	0.07 124	0.07 194	0.09 294	0.07 196

ICVP	0.15 266	0.09 229	0.12 112	0.22 359	0.09 160	0.17 267	0.21 348	0.25 247	0.23 225	0.18 258	0.30 330	0.26 324	0.18 308	0.17 263	0.14 231	0.09 270	0.07 290	0.08 196	0.07 194	0.07 180	0.07 196
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 289	0.08 168	0.15 231	0.18 221	0.10 256	0.22 344	0.18 278	0.24 232	0.21 202	0.18 258	0.24 249	0.29 346	0.18 308	0.19 293	0.22 348	0.09 270	0.07 290	0.08 196	0.09 296	0.07 180	0.06 129

HGLStereo	0.17 309	0.08 168	0.19 323	0.17 149	0.12 331	0.18 285	0.18 278	0.31 333	0.32 324	0.21 304	0.32 342	0.25 316	0.18 308	0.19 293	0.20 321	0.09 270	0.09 339	0.07 124	0.07 194	0.09 294	0.10 321

DMCA	0.14 225	0.09 229	0.16 265	0.19 273	0.09 160	0.15 219	0.17 236	0.23 211	0.27 283	0.14 162	0.19 188	0.17 218	0.18 308	0.15 202	0.17 288	0.10 306	0.06 222	0.08 196	0.06 112	0.09 294	0.10 321

STTStereo	0.18 322	0.12 323	0.27 371	0.20 318	0.11 300	0.16 246	0.21 348	0.29 311	0.23 225	0.21 304	0.30 330	0.29 346	0.18 308	0.20 317	0.19 315	0.12 357	0.11 368	0.11 342	0.14 387	0.09 294	0.08 259

RASNet	0.14 225	0.07 88	0.14 182	0.16 91	0.08 62	0.18 285	0.14 94	0.29 311	0.20 189	0.17 228	0.25 278	0.21 264	0.18 308	0.20 317	0.19 315	0.07 162	0.06 222	0.06 45	0.08 255	0.06 118	0.06 129

TDLM	0.17 309	0.12 323	0.13 152	0.24 385	0.10 256	0.18 285	0.18 278	0.36 388	0.30 312	0.21 304	0.28 313	0.28 339	0.18 308	0.23 355	0.18 306	0.11 332	0.07 290	0.10 313	0.10 329	0.08 237	0.08 259

CVANet_RVC	0.18 322	0.10 283	0.14 182	0.21 344	0.10 256	0.18 285	0.17 236	0.34 370	0.33 330	0.22 318	0.31 338	0.28 339	0.18 308	0.23 355	0.17 288	0.12 357	0.08 315	0.12 358	0.11 356	0.09 294	0.07 196

DeepPruner_ROB	0.16 289	0.11 308	0.15 231	0.17 149	0.10 256	0.17 267	0.15 152	0.32 344	0.21 202	0.19 272	0.21 220	0.22 281	0.18 308	0.20 317	0.15 258	0.13 380	0.09 339	0.09 269	0.09 296	0.11 342	0.10 321

pmcnn	0.15 266	0.07 88	0.19 323	0.15 48	0.07 26	0.20 322	0.15 152	0.24 232	0.26 274	0.21 304	0.34 358	0.28 339	0.18 308	0.18 280	0.17 288	0.07 162	0.05 120	0.05 2	0.04 12	0.07 180	0.06 129

DualNet (step1)	0.16 289	0.12 323	0.20 331	0.12 3	0.14 368	0.17 267	0.13 58	0.27 284	0.23 225	0.20 291	0.20 200	0.24 303	0.19 322	0.16 236	0.16 274	0.15 395	0.06 222	0.14 385	0.14 387	0.14 384	0.12 356

test_sample9	0.18 322	0.12 323	0.20 331	0.12 3	0.14 368	0.17 267	0.13 58	0.27 284	0.23 225	0.20 291	0.20 200	0.24 303	0.19 322	0.19 293	0.17 288	0.15 395	0.30 439	0.14 385	0.14 387	0.14 384	0.12 356

test_sample7	0.15 266	0.10 283	0.16 265	0.14 18	0.11 300	0.16 246	0.16 211	0.27 284	0.23 225	0.20 291	0.20 200	0.24 303	0.19 322	0.16 236	0.16 274	0.12 357	0.06 222	0.10 313	0.09 296	0.10 324	0.10 321

Wz-Net-MNSev	0.22 362	0.13 349	0.31 389	0.20 318	0.14 368	0.36 419	0.24 376	0.33 361	0.44 392	0.28 373	0.40 387	0.38 396	0.19 322	0.24 364	0.25 377	0.09 270	0.07 290	0.09 269	0.09 296	0.12 356	0.10 321

pcwnet_v2	0.19 333	0.10 283	0.26 364	0.17 149	0.14 368	0.18 285	0.15 152	0.37 393	0.46 399	0.19 272	0.24 249	0.21 264	0.19 322	0.20 317	0.19 315	0.13 380	0.10 358	0.10 313	0.10 329	0.11 342	0.13 373

delet	0.17 309	0.08 168	0.17 292	0.19 273	0.11 300	0.20 322	0.21 348	0.30 325	0.37 358	0.17 228	0.26 294	0.19 245	0.19 322	0.19 293	0.21 339	0.08 217	0.08 315	0.09 269	0.11 356	0.06 118	0.06 129

UNet	0.17 309	0.09 229	0.18 313	0.19 273	0.12 331	0.27 387	0.19 314	0.33 361	0.29 303	0.21 304	0.24 249	0.23 297	0.19 322	0.19 293	0.18 306	0.07 162	0.06 222	0.08 196	0.07 194	0.08 237	0.06 129

UPFNet	0.16 289	0.08 168	0.12 112	0.20 318	0.12 331	0.20 322	0.23 366	0.28 301	0.26 274	0.17 228	0.24 249	0.22 281	0.19 322	0.19 293	0.21 339	0.09 270	0.07 290	0.08 196	0.09 296	0.08 237	0.06 129

NVstereo2D	0.19 333	0.10 283	0.15 231	0.17 149	0.15 382	0.28 393	0.23 366	0.44 424	0.42 382	0.15 189	0.27 301	0.25 316	0.19 322	0.22 344	0.17 288	0.09 270	0.06 222	0.10 313	0.08 255	0.15 398	0.09 300

StereoDRNet	0.18 322	0.11 308	0.17 292	0.22 359	0.11 300	0.21 336	0.22 357	0.37 393	0.33 330	0.24 338	0.28 313	0.30 354	0.19 322	0.20 317	0.20 321	0.09 270	0.08 315	0.11 342	0.09 296	0.09 294	0.07 196

SGM-Forest	0.20 344	0.14 361	0.18 313	0.19 273	0.13 351	0.20 322	0.22 357	0.33 361	0.30 312	0.24 338	0.29 325	0.28 339	0.19 322	0.23 355	0.17 288	0.15 395	0.16 410	0.15 396	0.14 387	0.12 356	0.12 356
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 322	0.11 308	0.19 323	0.19 273	0.12 331	0.24 362	0.21 348	0.25 247	0.34 341	0.22 318	0.34 358	0.27 331	0.20 333	0.21 333	0.23 358	0.09 270	0.09 339	0.08 196	0.10 329	0.08 237	0.07 196

IER	0.14 225	0.07 88	0.13 152	0.17 149	0.09 160	0.14 195	0.16 211	0.25 247	0.26 274	0.18 258	0.25 278	0.17 218	0.20 333	0.16 236	0.14 231	0.08 217	0.05 120	0.07 124	0.06 112	0.08 237	0.07 196

MMNet	0.17 309	0.09 229	0.16 265	0.20 318	0.11 300	0.27 387	0.20 331	0.25 247	0.41 375	0.22 318	0.30 330	0.21 264	0.20 333	0.17 263	0.20 321	0.06 64	0.06 222	0.07 124	0.07 194	0.08 237	0.07 196

GwcNet	0.20 344	0.13 349	0.19 323	0.18 221	0.12 331	0.24 362	0.19 314	0.35 382	0.43 387	0.20 291	0.32 342	0.33 375	0.20 333	0.22 344	0.24 368	0.11 332	0.09 339	0.09 269	0.09 296	0.09 294	0.10 321

DGSMNet	0.24 384	0.19 398	0.33 395	0.21 344	0.24 427	0.24 362	0.20 331	0.35 382	0.41 375	0.24 338	0.32 342	0.38 396	0.21 337	0.29 391	0.23 358	0.12 357	0.11 368	0.14 385	0.16 404	0.23 423	0.23 428

FADNet-RVC	0.20 344	0.20 402	0.38 408	0.21 344	0.16 392	0.20 322	0.15 152	0.26 264	0.26 274	0.26 355	0.32 342	0.26 324	0.21 337	0.22 344	0.19 315	0.12 357	0.13 394	0.12 358	0.14 387	0.13 372	0.18 417

FADNet	0.21 353	0.22 412	0.36 404	0.18 221	0.17 407	0.24 362	0.13 58	0.31 333	0.31 318	0.23 330	0.25 278	0.27 331	0.21 337	0.19 293	0.15 258	0.13 380	0.15 407	0.12 358	0.15 401	0.16 405	0.18 417

MaskLacGwcNet_RVC	0.22 362	0.21 408	0.24 356	0.26 400	0.11 300	0.23 357	0.14 94	0.39 404	0.24 240	0.32 395	0.36 363	0.30 354	0.21 337	0.19 293	0.21 339	0.17 416	0.14 401	0.21 418	0.16 404	0.12 356	0.12 356

SuperB	0.20 344	0.10 283	0.56 429	0.16 91	0.09 160	0.18 285	0.18 278	0.24 232	0.50 409	0.26 355	0.39 382	0.17 218	0.21 337	0.22 344	0.21 339	0.08 217	0.06 222	0.06 45	0.06 112	0.12 356	0.10 321

RTSC	0.23 377	0.12 323	0.28 376	0.21 344	0.13 351	0.28 393	0.16 211	0.35 382	0.66 437	0.27 361	0.33 354	0.30 354	0.21 337	0.31 395	0.29 403	0.10 306	0.08 315	0.09 269	0.10 329	0.13 372	0.13 373

AANet_RVC	0.16 289	0.10 283	0.10 57	0.18 221	0.09 160	0.18 285	0.19 314	0.26 264	0.31 318	0.22 318	0.35 360	0.21 264	0.21 337	0.22 344	0.16 274	0.06 64	0.05 120	0.06 45	0.06 112	0.07 180	0.06 129

DRN-Test	0.19 333	0.11 308	0.20 331	0.22 359	0.10 256	0.22 344	0.22 357	0.39 404	0.37 358	0.24 338	0.32 342	0.26 324	0.21 337	0.22 344	0.24 368	0.11 332	0.07 290	0.11 342	0.10 329	0.09 294	0.07 196

MDST_ROB	0.22 362	0.10 283	0.17 292	0.18 221	0.11 300	0.37 420	0.19 314	0.43 422	0.41 375	0.39 410	0.39 382	0.29 346	0.21 337	0.26 371	0.18 306	0.11 332	0.10 358	0.14 385	0.11 356	0.10 324	0.08 259

SQANet	0.23 377	0.23 413	0.30 387	0.30 424	0.19 415	0.27 387	0.13 58	0.29 311	0.33 330	0.24 338	0.37 369	0.31 364	0.22 346	0.27 374	0.23 358	0.15 395	0.10 358	0.21 418	0.16 404	0.21 420	0.15 397

SACVNet	0.18 322	0.12 323	0.14 182	0.17 149	0.13 351	0.22 344	0.18 278	0.31 333	0.30 312	0.23 330	0.31 338	0.30 354	0.22 346	0.22 344	0.17 288	0.11 332	0.08 315	0.10 313	0.10 329	0.12 356	0.14 390

FINET	0.21 353	0.18 395	0.26 364	0.18 221	0.16 392	0.23 357	0.23 366	0.32 344	0.48 401	0.25 351	0.32 342	0.22 281	0.22 346	0.22 344	0.17 288	0.18 417	0.16 410	0.11 342	0.10 329	0.15 398	0.13 373

hitnet-ft	0.18 322	0.09 229	0.17 292	0.14 18	0.09 160	0.26 380	0.20 331	0.25 247	0.26 274	0.24 338	0.32 342	0.31 364	0.22 346	0.24 364	0.21 339	0.12 357	0.07 290	0.10 313	0.08 255	0.12 356	0.11 344

ADCP+	0.20 344	0.10 283	0.33 395	0.20 318	0.12 331	0.22 344	0.26 396	0.31 333	0.34 341	0.26 355	0.37 369	0.22 281	0.22 346	0.27 374	0.27 393	0.09 270	0.06 222	0.08 196	0.08 255	0.09 294	0.10 321

PSMNet_ROB	0.21 353	0.11 308	0.15 231	0.27 412	0.15 382	0.24 362	0.35 435	0.43 422	0.37 358	0.27 361	0.32 342	0.32 372	0.22 346	0.21 333	0.26 386	0.12 357	0.08 315	0.13 373	0.11 356	0.09 294	0.09 300

ADCRef	0.19 333	0.12 323	0.41 413	0.20 318	0.12 331	0.22 344	0.18 278	0.32 344	0.36 352	0.26 355	0.32 342	0.17 218	0.23 352	0.24 364	0.24 368	0.07 162	0.06 222	0.09 269	0.09 296	0.08 237	0.08 259

RYNet	0.22 362	0.12 323	0.22 344	0.19 273	0.17 407	0.46 427	0.26 396	0.38 400	0.48 401	0.24 338	0.28 313	0.34 381	0.23 352	0.20 317	0.30 408	0.10 306	0.06 222	0.09 269	0.09 296	0.13 372	0.15 397

NaN_ROB	0.22 362	0.19 398	0.24 356	0.25 395	0.13 351	0.29 396	0.26 396	0.33 361	0.41 375	0.31 389	0.31 338	0.32 372	0.23 352	0.30 394	0.21 339	0.11 332	0.17 415	0.10 313	0.10 329	0.08 237	0.09 300

NOSS_ROB	0.19 333	0.12 323	0.18 313	0.16 91	0.12 331	0.15 219	0.12 30	0.30 325	0.32 324	0.20 291	0.22 229	0.27 331	0.23 352	0.21 333	0.16 274	0.16 411	0.18 417	0.23 423	0.21 419	0.12 356	0.13 373

DispFullNet	0.27 401	0.21 408	0.65 436	0.28 415	0.16 392	0.26 380	0.17 236	0.33 361	0.58 426	0.27 361	0.38 374	0.43 413	0.23 352	0.38 422	0.23 358	0.12 357	0.06 222	0.19 415	0.11 356	0.21 420	0.15 397

CBMV	0.19 333	0.14 361	0.17 292	0.18 221	0.10 256	0.20 322	0.11 18	0.29 311	0.30 312	0.29 380	0.30 330	0.30 354	0.23 352	0.27 374	0.19 315	0.13 380	0.15 407	0.17 404	0.16 404	0.10 324	0.10 321
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 309	0.11 308	0.18 313	0.17 149	0.11 300	0.16 246	0.25 389	0.24 232	0.33 330	0.19 272	0.24 249	0.26 324	0.24 358	0.19 293	0.20 321	0.07 162	0.08 315	0.09 269	0.10 329	0.09 294	0.08 259

WZ-Net	0.28 404	0.17 385	0.78 450	0.22 359	0.16 392	0.34 410	0.29 418	0.39 404	0.57 423	0.24 338	0.55 422	0.37 392	0.24 358	0.33 402	0.35 422	0.09 270	0.08 315	0.09 269	0.10 329	0.14 384	0.16 408

psm_up	0.18 322	0.10 283	0.18 313	0.20 318	0.11 300	0.17 267	0.19 314	0.37 393	0.34 341	0.21 304	0.28 313	0.29 346	0.24 358	0.20 317	0.22 348	0.09 270	0.10 358	0.11 342	0.11 356	0.08 237	0.08 259

RP	0.21 353	0.13 349	0.21 338	0.23 378	0.11 300	0.21 336	0.20 331	0.25 247	0.44 392	0.21 304	0.38 374	0.36 387	0.24 358	0.27 374	0.25 377	0.11 332	0.12 381	0.13 373	0.12 375	0.12 356	0.14 390

PS-NSSS	0.20 344	0.21 408	0.23 353	0.20 318	0.10 256	0.19 307	0.17 236	0.36 388	0.25 261	0.27 361	0.33 354	0.27 331	0.24 358	0.20 317	0.20 321	0.15 395	0.12 381	0.17 404	0.14 387	0.10 324	0.08 259

CBMV_ROB	0.19 333	0.13 349	0.17 292	0.16 91	0.11 300	0.15 219	0.13 58	0.26 264	0.28 297	0.27 361	0.30 330	0.27 331	0.24 358	0.23 355	0.16 274	0.15 395	0.17 415	0.22 422	0.20 417	0.10 324	0.11 344

DLCB_ROB	0.18 322	0.10 283	0.15 231	0.23 378	0.11 300	0.24 362	0.18 278	0.29 311	0.28 297	0.27 361	0.28 313	0.28 339	0.24 358	0.19 293	0.20 321	0.08 217	0.08 315	0.09 269	0.09 296	0.07 180	0.07 196

PWC_ROB	0.21 353	0.16 374	0.26 364	0.18 221	0.11 300	0.22 344	0.13 58	0.32 344	0.49 406	0.30 383	0.40 387	0.32 372	0.24 358	0.31 395	0.22 348	0.10 306	0.07 290	0.11 342	0.08 255	0.11 342	0.10 321

test_sample8	0.19 333	0.12 323	0.20 331	0.12 3	0.14 368	0.17 267	0.13 58	0.31 333	0.21 202	0.27 361	0.22 229	0.36 387	0.25 366	0.19 293	0.17 288	0.15 395	0.30 439	0.14 385	0.14 387	0.14 384	0.12 356

HBP-ISP	0.18 322	0.13 349	0.16 265	0.15 48	0.11 300	0.08 27	0.13 58	0.28 301	0.29 303	0.22 318	0.33 354	0.21 264	0.25 366	0.23 355	0.17 288	0.14 391	0.16 410	0.21 418	0.17 411	0.10 324	0.08 259

DDUNet	0.22 362	0.17 385	0.21 338	0.22 359	0.15 382	0.25 372	0.24 376	0.29 311	0.30 312	0.31 389	0.36 363	0.33 375	0.25 366	0.24 364	0.20 321	0.18 417	0.13 394	0.17 404	0.11 356	0.16 405	0.16 408

Syn2CoEx	0.21 353	0.16 374	0.27 371	0.29 422	0.14 368	0.26 380	0.20 331	0.33 361	0.31 318	0.28 373	0.36 363	0.27 331	0.25 366	0.19 293	0.24 368	0.16 411	0.12 381	0.14 385	0.11 356	0.09 294	0.08 259

Wz-Net-SNSev	0.25 393	0.17 385	0.44 415	0.25 395	0.14 368	0.26 380	0.23 366	0.38 400	0.56 421	0.30 383	0.55 422	0.39 404	0.26 370	0.23 355	0.30 408	0.10 306	0.09 339	0.09 269	0.10 329	0.11 342	0.11 344

AF-Net	0.22 362	0.17 385	0.17 292	0.26 400	0.13 351	0.25 372	0.24 376	0.32 344	0.50 409	0.25 351	0.33 354	0.38 396	0.26 370	0.28 385	0.25 377	0.11 332	0.10 358	0.16 402	0.11 356	0.11 342	0.10 321

PA-Net	0.23 377	0.18 395	0.33 395	0.28 415	0.22 423	0.21 336	0.38 440	0.29 311	0.39 366	0.22 318	0.32 342	0.25 316	0.26 370	0.20 317	0.25 377	0.09 270	0.23 433	0.15 396	0.22 422	0.09 294	0.13 373
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 333	0.09 229	0.22 344	0.17 149	0.10 256	0.25 372	0.18 278	0.27 284	0.44 392	0.22 318	0.31 338	0.33 375	0.26 370	0.28 385	0.28 400	0.08 217	0.06 222	0.07 124	0.07 194	0.09 294	0.09 300

SANet	0.24 384	0.14 361	0.28 376	0.21 344	0.11 300	0.27 387	0.24 376	0.38 400	0.64 434	0.36 403	0.40 387	0.43 413	0.26 370	0.27 374	0.24 368	0.12 357	0.09 339	0.10 313	0.09 296	0.13 372	0.11 344

XPNet_ROB	0.22 362	0.11 308	0.19 323	0.22 359	0.13 351	0.22 344	0.19 314	0.34 370	0.40 372	0.30 383	0.39 382	0.39 404	0.26 370	0.26 371	0.28 400	0.15 395	0.10 358	0.10 313	0.10 329	0.13 372	0.12 356

ETE_ROB	0.23 377	0.17 385	0.22 344	0.25 395	0.13 351	0.26 380	0.29 418	0.31 333	0.36 352	0.28 373	0.36 363	0.45 417	0.26 370	0.27 374	0.26 386	0.11 332	0.08 315	0.12 358	0.09 296	0.14 384	0.13 373

LALA_ROB	0.25 393	0.16 374	0.22 344	0.26 400	0.17 407	0.27 387	0.27 403	0.42 419	0.37 358	0.33 399	0.38 374	0.51 427	0.26 370	0.28 385	0.27 393	0.16 411	0.09 339	0.12 358	0.11 356	0.13 372	0.12 356

ACVNet-4b	0.39 425	0.53 444	0.55 427	0.45 440	0.24 427	0.47 429	0.18 278	0.49 433	0.64 434	0.42 420	0.45 408	0.60 435	0.27 378	0.34 405	0.24 368	0.33 441	0.14 401	0.48 444	0.42 444	0.30 437	0.26 436

Anonymous_2	0.22 362	0.17 385	0.28 376	0.15 48	0.16 392	0.32 401	0.22 357	0.22 194	0.17 129	0.23 330	0.24 249	0.26 324	0.27 378	0.27 374	0.23 358	0.22 430	0.25 435	0.17 404	0.17 411	0.17 412	0.17 415

UDG	0.21 353	0.17 385	0.19 323	0.23 378	0.15 382	0.30 399	0.20 331	0.33 361	0.35 348	0.23 330	0.28 313	0.31 364	0.27 378	0.20 317	0.22 348	0.15 395	0.12 381	0.13 373	0.09 296	0.14 384	0.14 390

aanetorigin	0.22 362	0.17 385	0.56 429	0.17 149	0.10 256	0.15 219	0.19 314	0.20 157	0.33 330	0.49 429	0.48 412	0.29 346	0.27 378	0.20 317	0.23 358	0.08 217	0.07 290	0.08 196	0.07 194	0.10 324	0.09 300

DMCA-RVC	0.17 309	0.10 283	0.15 231	0.24 385	0.11 300	0.18 285	0.18 278	0.25 247	0.24 240	0.21 304	0.26 294	0.25 316	0.27 378	0.18 280	0.20 321	0.12 357	0.08 315	0.13 373	0.10 329	0.10 324	0.08 259

RGC	0.25 393	0.20 402	0.29 384	0.28 415	0.16 392	0.22 344	0.23 366	0.32 344	0.44 392	0.27 361	0.40 387	0.38 396	0.27 378	0.36 416	0.22 348	0.11 332	0.13 394	0.17 404	0.17 411	0.14 384	0.16 408

stereogan	0.22 362	0.11 308	0.21 338	0.20 318	0.12 331	0.31 400	0.19 314	0.35 382	0.44 392	0.22 318	0.39 382	0.35 385	0.27 378	0.33 402	0.22 348	0.10 306	0.12 381	0.10 313	0.10 329	0.14 384	0.13 373

FBW_ROB	0.24 384	0.17 385	0.22 344	0.26 400	0.14 368	0.25 372	0.22 357	0.41 414	0.41 375	0.41 417	0.41 397	0.42 410	0.27 378	0.31 395	0.23 358	0.09 270	0.14 401	0.14 385	0.12 375	0.11 342	0.09 300

NCC-stereo	0.24 384	0.15 367	0.31 389	0.26 400	0.16 392	0.20 322	0.30 425	0.40 408	0.40 372	0.24 338	0.38 374	0.33 375	0.28 386	0.36 416	0.27 393	0.12 357	0.11 368	0.15 396	0.22 422	0.13 372	0.13 373

Nwc_Net	0.23 377	0.16 374	0.21 338	0.25 395	0.14 368	0.24 362	0.26 396	0.37 393	0.38 363	0.22 318	0.41 397	0.30 354	0.28 386	0.28 385	0.25 377	0.11 332	0.10 358	0.17 404	0.20 417	0.10 324	0.10 321

Abc-Net	0.24 384	0.15 367	0.31 389	0.26 400	0.16 392	0.20 322	0.30 425	0.40 408	0.40 372	0.24 338	0.38 374	0.33 375	0.28 386	0.36 416	0.27 393	0.12 357	0.11 368	0.15 396	0.22 422	0.13 372	0.13 373
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 399	0.15 367	0.30 387	0.24 385	0.18 413	0.22 344	0.15 152	0.38 400	0.71 441	0.32 395	0.41 397	0.36 387	0.28 386	0.32 400	0.29 403	0.12 357	0.11 368	0.14 385	0.13 384	0.16 405	0.20 423

DeepPrunerF	0.24 384	0.17 385	0.42 414	0.26 400	0.16 392	0.22 344	0.28 409	0.37 393	0.50 409	0.26 355	0.29 325	0.24 303	0.28 386	0.21 333	0.22 348	0.15 395	0.11 368	0.20 417	0.18 415	0.12 356	0.13 373

ADCPNet	0.25 393	0.16 374	0.61 433	0.21 344	0.15 382	0.35 418	0.25 389	0.32 344	0.35 348	0.30 383	0.40 387	0.36 387	0.28 386	0.28 385	0.32 416	0.12 357	0.10 358	0.11 342	0.12 375	0.14 384	0.13 373

GANet	0.21 353	0.12 323	0.21 338	0.24 385	0.13 351	0.22 344	0.22 357	0.41 414	0.26 274	0.31 389	0.42 402	0.37 392	0.28 386	0.23 355	0.22 348	0.10 306	0.12 381	0.10 313	0.09 296	0.10 324	0.08 259

NCCL2	0.23 377	0.15 367	0.17 292	0.34 429	0.18 413	0.24 362	0.23 366	0.34 370	0.28 297	0.31 389	0.38 374	0.38 396	0.28 386	0.23 355	0.24 368	0.15 395	0.12 381	0.18 413	0.21 419	0.13 372	0.13 373

APVNet	0.22 362	0.12 323	0.19 323	0.18 221	0.14 368	0.32 401	0.31 431	0.39 404	0.32 324	0.27 361	0.40 387	0.30 354	0.29 394	0.26 371	0.25 377	0.11 332	0.12 381	0.11 342	0.14 387	0.12 356	0.12 356

G-Net	0.24 384	0.16 374	0.36 404	0.22 359	0.16 392	0.51 433	0.23 366	0.29 311	0.34 341	0.36 403	0.38 374	0.31 364	0.29 394	0.27 374	0.26 386	0.11 332	0.09 339	0.12 358	0.09 296	0.16 405	0.13 373

DPSNet	0.28 404	0.16 374	0.31 389	0.18 221	0.13 351	0.54 435	0.42 444	0.51 436	0.67 438	0.29 380	0.38 374	0.38 396	0.29 394	0.31 395	0.23 358	0.11 332	0.10 358	0.11 342	0.08 255	0.20 419	0.16 408

PDISCO_ROB	0.27 401	0.16 374	0.26 364	0.28 415	0.20 418	0.32 401	0.26 396	0.44 424	0.57 423	0.28 373	0.40 387	0.45 417	0.29 394	0.33 402	0.34 421	0.12 357	0.09 339	0.17 404	0.16 404	0.17 412	0.13 373

ccnet	0.29 408	0.28 427	0.23 353	0.20 318	0.28 434	0.41 426	0.21 348	0.45 427	0.33 330	0.36 403	0.46 409	0.36 387	0.30 398	0.39 425	0.42 437	0.23 434	0.14 401	0.21 418	0.17 411	0.23 423	0.18 417

S-Stereo	0.20 344	0.12 323	0.25 361	0.21 344	0.13 351	0.20 322	0.18 278	0.32 344	0.43 387	0.23 330	0.36 363	0.28 339	0.30 398	0.19 293	0.22 348	0.09 270	0.12 381	0.10 313	0.10 329	0.13 372	0.13 373

XQC	0.28 404	0.23 413	0.51 422	0.28 415	0.19 415	0.34 410	0.27 403	0.36 388	0.57 423	0.31 389	0.30 330	0.37 392	0.30 398	0.38 422	0.38 429	0.13 380	0.09 339	0.15 396	0.12 375	0.17 412	0.18 417

ADCL	0.24 384	0.11 308	0.47 420	0.22 359	0.12 331	0.34 410	0.29 418	0.29 311	0.56 421	0.24 338	0.46 409	0.30 354	0.30 398	0.29 391	0.29 403	0.08 217	0.07 290	0.09 269	0.09 296	0.10 324	0.10 321

MFN_U_SF_DS_RVC	0.30 413	0.24 416	0.29 384	0.36 433	0.16 392	0.34 410	0.30 425	0.32 344	0.42 382	0.40 413	0.46 409	0.38 396	0.31 402	0.34 405	0.28 400	0.19 421	0.20 423	0.26 425	0.29 435	0.18 415	0.19 422

CC-Net-ROB	0.28 404	0.31 432	0.36 404	0.29 422	0.15 382	0.25 372	0.19 314	0.45 427	0.33 330	0.39 410	0.37 369	0.39 404	0.31 402	0.27 374	0.26 386	0.24 436	0.19 420	0.30 437	0.23 426	0.18 415	0.15 397

DANet	0.21 353	0.15 367	0.28 376	0.25 395	0.13 351	0.22 344	0.19 314	0.27 284	0.27 283	0.28 373	0.32 342	0.35 385	0.31 402	0.31 395	0.23 358	0.11 332	0.09 339	0.11 342	0.10 329	0.13 372	0.11 344
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 344	0.12 323	0.22 344	0.21 344	0.12 331	0.17 267	0.18 278	0.34 370	0.39 366	0.27 361	0.37 369	0.34 381	0.32 405	0.21 333	0.20 321	0.09 270	0.11 368	0.10 313	0.09 296	0.11 342	0.14 390

otaku	0.39 425	0.37 437	0.52 423	0.44 439	0.28 434	0.58 437	0.24 376	0.41 414	0.62 432	0.40 413	0.49 413	0.46 421	0.33 406	0.40 429	0.32 416	0.30 439	0.30 439	0.39 441	0.33 440	0.29 436	0.28 437

AnyNet_C32	0.26 399	0.16 374	0.36 404	0.20 318	0.16 392	0.25 372	0.30 425	0.32 344	0.44 392	0.31 389	0.49 413	0.30 354	0.33 406	0.40 429	0.33 419	0.12 357	0.12 381	0.12 358	0.14 387	0.14 384	0.15 397

GANetREF_RVC	0.31 414	0.34 434	0.27 371	0.35 431	0.16 392	0.32 401	0.41 441	0.48 431	0.51 416	0.35 401	0.35 360	0.34 381	0.33 406	0.39 425	0.32 416	0.27 438	0.20 423	0.29 435	0.15 401	0.18 415	0.17 415
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
CSAN	0.29 408	0.24 416	0.27 371	0.34 429	0.19 415	0.33 407	0.42 444	0.37 393	0.50 409	0.38 408	0.40 387	0.44 415	0.33 406	0.28 385	0.30 408	0.20 423	0.16 410	0.19 415	0.19 416	0.14 384	0.15 397

PASM	0.32 416	0.24 416	0.48 421	0.28 415	0.27 433	0.29 396	0.30 425	0.34 370	0.49 406	0.35 401	0.39 382	0.46 421	0.34 410	0.34 405	0.35 422	0.23 434	0.25 435	0.26 425	0.28 434	0.23 423	0.21 425

WCMA_ROB	0.24 384	0.11 308	0.22 344	0.17 149	0.14 368	0.32 401	0.15 152	0.32 344	0.32 324	0.38 408	0.53 419	0.40 407	0.34 410	0.34 405	0.25 377	0.11 332	0.12 381	0.12 358	0.10 329	0.14 384	0.14 390

edge stereo	0.22 362	0.13 349	0.20 331	0.21 344	0.13 351	0.23 357	0.16 211	0.32 344	0.42 382	0.32 395	0.40 387	0.38 396	0.35 412	0.25 369	0.24 368	0.13 380	0.11 368	0.14 385	0.11 356	0.12 356	0.13 373

SGM_RVC	0.23 377	0.12 323	0.15 231	0.15 48	0.09 160	0.33 407	0.18 278	0.34 370	0.31 318	0.44 424	0.37 369	0.53 431	0.35 412	0.35 411	0.24 368	0.13 380	0.13 394	0.13 373	0.13 384	0.10 324	0.11 344
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 408	0.18 395	0.45 416	0.21 344	0.17 407	0.28 393	0.23 366	0.41 414	0.63 433	0.40 413	0.49 413	0.40 407	0.36 414	0.39 425	0.40 433	0.13 380	0.12 381	0.13 373	0.14 387	0.16 405	0.16 408

LSM	0.33 419	0.20 402	0.58 431	0.26 400	0.60 456	0.34 410	0.25 389	0.42 419	0.48 401	0.45 425	0.58 431	0.42 410	0.36 414	0.35 411	0.25 377	0.12 357	0.20 423	0.14 385	0.16 404	0.19 418	0.33 443

psmorigin	0.25 393	0.15 367	0.34 403	0.17 149	0.13 351	0.23 357	0.14 94	0.34 370	0.33 330	0.41 417	0.55 422	0.41 409	0.37 416	0.34 405	0.27 393	0.11 332	0.15 407	0.11 342	0.11 356	0.12 356	0.16 408

Wz-Net-TNSev	0.29 408	0.20 402	0.65 436	0.19 273	0.15 382	0.38 423	0.27 403	0.35 382	0.55 419	0.34 400	0.42 402	0.45 417	0.38 417	0.32 400	0.30 408	0.12 357	0.13 394	0.10 313	0.12 375	0.15 398	0.14 390

AnyNet_C01	0.36 423	0.25 421	1.37 462	0.22 359	0.17 407	0.48 431	0.27 403	0.35 382	0.39 366	0.39 410	0.74 443	0.46 421	0.38 417	0.45 433	0.47 442	0.13 380	0.13 394	0.13 373	0.14 387	0.14 384	0.15 397

EDNetEfficient	0.29 408	0.24 416	1.13 459	0.18 221	0.10 256	0.19 307	0.20 331	0.20 157	0.60 430	0.74 448	0.56 427	0.31 364	0.39 419	0.22 344	0.30 408	0.09 270	0.07 290	0.08 196	0.07 194	0.11 342	0.09 300

MFN_U_SF_RVC	0.32 416	0.21 408	0.55 427	0.30 424	0.15 382	0.34 410	0.17 236	0.52 437	0.46 399	0.46 428	0.55 422	0.59 434	0.39 419	0.35 411	0.37 427	0.15 395	0.14 401	0.18 413	0.21 419	0.16 405	0.15 397

SAMSARA	0.40 428	0.28 427	0.33 395	0.55 446	0.39 440	0.82 457	1.23 471	0.47 430	0.51 416	0.36 403	0.35 360	0.55 433	0.39 419	0.38 422	0.39 431	0.15 395	0.20 423	0.15 396	0.14 387	0.23 423	0.20 423

FC-DCNN v2	0.33 419	0.27 423	0.28 376	0.26 400	0.23 425	0.37 420	0.28 409	0.40 408	0.43 387	0.45 425	0.56 427	0.51 427	0.40 422	0.37 420	0.29 403	0.21 426	0.20 423	0.27 428	0.26 429	0.25 430	0.24 429

ADCMid	0.25 393	0.15 367	0.40 411	0.20 318	0.14 368	0.25 372	0.26 396	0.34 370	0.38 363	0.36 403	0.44 407	0.34 381	0.40 422	0.35 411	0.33 419	0.10 306	0.09 339	0.11 342	0.11 356	0.13 372	0.12 356

FC-DCNN	0.33 419	0.27 423	0.28 376	0.26 400	0.23 425	0.37 420	0.28 409	0.40 408	0.43 387	0.45 425	0.55 422	0.51 427	0.40 422	0.37 420	0.30 408	0.21 426	0.20 423	0.27 428	0.26 429	0.25 430	0.24 429

MSMD_ROB	0.31 414	0.26 422	0.26 364	0.24 385	0.21 421	0.34 410	0.25 389	0.34 370	0.39 366	0.40 413	0.69 437	0.45 417	0.40 422	0.34 405	0.27 393	0.20 423	0.19 420	0.26 425	0.25 428	0.23 423	0.22 427

MeshStereo	0.27 401	0.13 349	0.18 313	0.15 48	0.11 300	0.32 401	0.24 376	0.40 408	0.36 352	0.52 431	0.57 429	0.67 442	0.40 422	0.35 411	0.26 386	0.14 391	0.13 394	0.13 373	0.11 356	0.11 342	0.10 321
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
FCDSN-DC	0.33 419	0.28 427	0.28 376	0.30 424	0.24 427	0.39 424	0.28 409	0.42 419	0.42 382	0.43 423	0.53 419	0.51 427	0.41 427	0.36 416	0.30 408	0.21 426	0.20 423	0.27 428	0.26 429	0.25 430	0.24 429
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 435	0.19 398	3.26 467	0.24 385	0.15 382	0.74 450	0.20 331	0.36 388	0.76 447	0.42 420	0.43 405	0.31 364	0.41 427	0.53 441	0.35 422	0.10 306	0.08 315	0.13 373	0.12 375	0.15 398	0.15 397

RTSA	0.45 435	0.19 398	3.26 467	0.24 385	0.15 382	0.74 450	0.20 331	0.36 388	0.76 447	0.42 420	0.43 405	0.31 364	0.41 427	0.53 441	0.35 422	0.10 306	0.08 315	0.13 373	0.12 375	0.15 398	0.15 397

Ntro	0.40 428	0.40 439	0.53 424	0.46 443	0.30 438	0.65 443	0.24 376	0.46 429	0.68 439	0.41 417	0.49 413	0.48 425	0.42 430	0.39 425	0.31 415	0.32 440	0.28 437	0.37 440	0.30 437	0.32 441	0.29 438

SGM-ForestM	0.32 416	0.12 323	0.16 265	0.16 91	0.11 300	0.39 424	0.19 314	0.41 414	0.50 409	0.52 431	0.54 421	1.32 461	0.42 430	0.40 429	0.27 393	0.14 391	0.16 410	0.16 402	0.16 404	0.12 356	0.12 356

LE_ROB	0.50 439	0.07 88	0.14 182	0.15 48	0.08 62	0.24 362	0.16 211	0.22 194	1.81 470	4.63 473	0.67 435	0.47 424	0.44 432	0.20 317	0.29 403	0.07 162	0.06 222	0.06 45	0.06 112	0.08 237	0.06 129

coex-ft	3.30 470	0.34 434	59.09 489	0.18 221	0.13 351	0.26 380	0.22 357	0.27 284	0.72 442	1.90 471	0.70 439	0.44 415	0.45 433	0.29 391	0.41 436	0.09 270	0.09 339	0.12 358	0.09 296	0.14 384	0.13 373

RainbowNet	0.54 442	0.61 448	0.70 448	0.57 447	0.43 444	0.65 443	0.37 439	0.60 446	0.87 451	0.50 430	0.66 434	0.64 438	0.47 434	0.49 435	0.43 440	0.47 449	0.48 452	0.52 448	0.41 443	0.52 446	0.40 448

Consistency-Raft	0.44 433	0.40 439	0.45 416	0.37 434	0.43 444	0.46 427	0.41 441	0.57 444	0.55 419	0.32 395	0.73 441	0.33 375	0.48 435	0.42 432	0.49 444	0.39 443	0.35 443	0.45 443	0.51 451	0.42 443	0.29 438

ACVNet_1	0.44 433	0.49 443	0.60 432	0.45 440	0.28 434	0.49 432	0.27 403	0.57 444	0.72 442	0.62 437	0.58 431	0.74 446	0.49 436	0.50 436	0.35 422	0.26 437	0.24 434	0.39 441	0.29 435	0.31 440	0.24 429

EDNetEfficientorigin	7.91 475	0.31 432	153.02 490	0.19 273	0.09 160	0.21 336	0.16 211	0.22 194	0.59 427	0.72 444	0.67 435	0.42 410	0.50 437	0.24 364	0.39 431	0.08 217	0.07 290	0.08 196	0.07 194	0.12 356	0.10 321

MSC_U_SF_DS_RVC	0.43 432	0.39 438	0.54 425	0.40 435	0.20 418	0.64 442	0.32 433	0.53 439	0.72 442	0.71 442	0.72 440	0.61 436	0.54 438	0.51 437	0.46 441	0.20 423	0.19 420	0.29 435	0.30 437	0.23 423	0.18 417

ELAS_RVC	0.41 430	0.29 430	0.33 395	0.28 415	0.24 427	0.54 435	0.36 436	0.49 433	0.59 427	0.72 444	0.74 443	0.65 440	0.54 438	0.54 443	0.40 433	0.22 430	0.20 423	0.27 428	0.26 429	0.26 434	0.25 434
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 430	0.29 430	0.33 395	0.27 412	0.24 427	0.60 440	0.36 436	0.50 435	0.50 409	0.71 442	0.79 447	0.67 442	0.54 438	0.51 437	0.42 437	0.22 430	0.20 423	0.27 428	0.26 429	0.26 434	0.25 434
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 441	0.58 446	0.65 436	0.41 437	0.61 457	0.53 434	0.41 441	0.56 442	0.41 375	0.55 434	0.50 417	0.49 426	0.55 441	0.58 446	0.50 447	0.58 454	0.50 456	0.51 446	0.51 451	0.51 445	0.57 453

SGM+DAISY	0.56 443	0.57 445	0.65 436	0.40 435	0.54 449	0.66 445	0.49 448	0.56 442	0.45 398	0.66 438	0.69 437	0.67 442	0.56 442	0.63 448	0.56 449	0.59 455	0.48 452	0.50 445	0.50 450	0.52 446	0.58 454

SPS-STEREO	0.57 444	0.58 446	0.65 436	0.45 440	0.55 451	0.62 441	0.44 447	0.62 447	0.50 409	0.68 440	0.64 433	0.66 441	0.57 443	0.61 447	0.60 451	0.62 457	0.47 451	0.51 446	0.49 448	0.55 450	0.58 454
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 425	0.20 402	0.39 410	0.31 428	0.22 423	0.29 396	0.43 446	0.52 437	0.96 454	0.55 434	0.79 447	0.53 431	0.59 444	0.52 439	0.38 429	0.19 421	0.14 401	0.17 404	0.14 387	0.24 429	0.31 441

MANE	0.45 435	0.27 423	0.27 371	0.27 412	0.24 427	0.47 429	0.31 431	0.55 441	0.59 427	0.72 444	1.13 463	1.15 455	0.61 445	0.52 439	0.37 427	0.21 426	0.20 423	0.27 428	0.31 439	0.25 430	0.24 429

PWCK	0.71 449	0.94 463	0.95 457	0.76 452	0.31 439	0.74 450	0.36 436	0.90 454	0.90 452	0.96 457	0.75 445	0.95 450	0.61 445	0.87 460	0.66 454	0.72 460	0.46 447	0.75 455	0.49 448	0.69 459	0.44 450

BEATNet-Init1	0.52 440	0.27 423	0.62 434	0.30 424	0.21 421	0.76 454	0.29 418	0.54 440	0.65 436	0.86 453	0.95 454	2.07 470	0.62 447	0.56 445	0.42 437	0.18 417	0.18 417	0.23 423	0.22 422	0.22 422	0.21 425

NVStereoNet_ROB	0.46 438	0.36 436	0.46 419	0.41 437	0.28 434	0.34 410	0.34 434	0.48 431	0.60 430	0.72 444	0.93 452	0.70 445	0.66 448	0.47 434	0.60 451	0.22 430	0.33 442	0.34 439	0.34 442	0.30 437	0.30 440
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 445	0.66 452	0.65 436	0.51 444	0.69 461	0.69 446	0.57 454	0.64 448	0.73 445	0.60 436	0.73 441	0.62 437	0.67 449	0.65 449	0.60 451	0.66 459	0.58 465	0.63 450	0.59 454	0.68 457	0.69 463

MADNet+	0.75 452	0.71 454	3.70 470	0.66 449	0.41 442	0.98 462	0.97 469	0.69 449	0.73 445	0.52 431	0.57 429	0.64 438	0.68 450	0.86 459	1.01 467	0.34 442	0.36 444	0.28 434	0.23 426	0.36 442	0.31 441

ACVNet_2	0.66 448	0.66 452	0.68 444	0.63 448	0.41 442	0.71 448	0.49 448	0.96 459	1.39 463	0.89 454	1.09 459	1.04 451	0.73 451	0.54 443	0.47 442	0.43 447	0.40 445	0.53 449	0.44 445	0.47 444	0.35 445

TorneroNet-64	0.76 453	0.72 455	0.74 449	0.78 454	0.58 455	0.91 461	0.56 453	0.84 453	1.29 460	0.66 438	0.90 450	1.40 463	0.75 452	0.85 458	0.67 457	0.49 450	0.46 447	0.72 454	0.59 454	0.67 456	0.53 452

IMH-64-1	0.65 446	0.61 448	0.68 444	0.71 450	0.51 447	0.59 438	0.49 448	0.91 455	0.85 449	0.74 448	1.02 456	0.81 447	0.78 453	0.79 452	0.49 444	0.42 445	0.46 447	0.71 452	0.47 446	0.52 446	0.39 446

IMH-64	0.65 446	0.61 448	0.68 444	0.71 450	0.51 447	0.59 438	0.49 448	0.91 455	0.85 449	0.74 448	1.02 456	0.81 447	0.78 453	0.79 452	0.49 444	0.42 445	0.46 447	0.71 452	0.47 446	0.52 446	0.39 446

JetBlue	0.71 449	0.45 442	1.14 460	0.51 444	0.47 446	2.02 471	0.64 458	0.75 450	0.70 440	0.69 441	0.77 446	1.22 457	0.83 455	1.03 467	1.01 467	0.40 444	0.28 437	0.33 438	0.33 440	0.30 437	0.34 444

LVE	0.83 457	0.85 461	0.85 455	0.80 455	0.56 452	1.04 467	0.65 459	1.05 464	1.47 466	0.96 457	1.22 467	1.10 454	0.85 456	0.83 455	0.71 459	0.49 450	0.55 462	0.76 458	0.60 456	0.65 454	0.59 459

TorneroNet	0.82 456	0.74 456	0.81 454	0.84 457	0.63 458	0.99 463	0.63 456	0.96 459	1.16 457	0.80 451	1.11 461	1.36 462	0.86 457	0.93 463	0.80 462	0.56 452	0.49 454	0.78 460	0.66 459	0.73 462	0.63 462

IMH	0.71 449	0.64 451	0.68 444	0.76 452	0.54 449	0.69 446	0.54 452	0.98 461	1.10 456	0.82 452	1.09 459	0.89 449	0.88 458	0.87 460	0.52 448	0.44 448	0.50 456	0.75 455	0.51 451	0.56 451	0.41 449

WAO-7	0.79 454	0.78 457	0.54 425	0.85 458	0.67 460	0.74 450	0.68 462	1.05 464	1.32 461	0.90 455	1.20 466	1.04 451	0.92 459	0.69 450	0.66 454	0.60 456	0.62 466	0.67 451	0.68 460	0.64 453	0.58 454

JetRed	1.62 468	1.46 471	2.98 466	0.92 461	1.21 470	4.99 473	1.53 473	1.27 471	1.39 463	1.83 470	1.74 472	1.60 469	0.95 460	1.41 470	2.45 473	0.90 467	1.60 471	0.93 464	0.90 468	1.35 470	0.99 470

KSHMR	1.09 465	1.17 467	0.88 456	1.25 470	1.00 469	0.99 463	0.96 468	1.13 468	1.37 462	1.16 465	1.29 468	1.41 464	0.96 461	1.01 466	0.92 464	1.03 468	1.08 470	1.20 468	1.03 470	1.01 467	0.97 469

Dean	0.87 458	0.86 462	0.79 452	0.81 456	0.56 452	0.90 458	0.63 456	1.15 469	1.73 469	1.15 464	1.15 464	1.31 460	0.99 462	0.81 454	0.81 463	0.57 453	0.56 463	0.77 459	0.64 457	0.66 455	0.58 454

WAO-6	0.81 455	0.80 458	0.62 434	0.86 459	0.63 458	0.76 454	0.58 455	0.98 461	1.54 468	0.90 455	0.96 455	1.07 453	1.03 463	0.70 451	0.66 454	0.72 460	0.49 454	0.90 463	0.71 461	0.68 457	0.58 454

WAO-8	0.91 459	0.81 459	0.65 436	0.94 462	0.69 461	0.90 458	0.67 460	1.07 466	1.83 471	1.06 462	1.45 469	1.30 458	1.07 464	0.84 456	0.78 460	0.74 462	0.53 459	0.86 461	0.75 462	0.69 459	0.62 460

ktn	1.01 464	1.21 468	0.80 453	1.23 469	0.86 467	1.01 465	0.87 466	0.94 458	1.39 463	1.04 460	1.12 462	1.15 455	1.07 464	0.94 464	0.59 450	1.28 470	0.71 468	1.38 471	0.83 465	1.02 468	0.75 466

Venus	0.91 459	0.81 459	0.65 436	0.94 462	0.69 461	0.90 458	0.67 460	1.07 466	1.83 471	1.06 462	1.45 469	1.30 458	1.07 464	0.84 456	0.78 460	0.74 462	0.53 459	0.86 461	0.75 462	0.69 459	0.62 460

DPSimNet_ROB	1.11 466	1.23 469	0.78 450	1.13 467	0.88 468	1.10 468	1.13 470	1.16 470	1.23 459	1.43 468	1.02 456	1.41 464	1.10 467	0.90 462	1.60 469	1.46 471	0.51 458	1.21 469	1.03 470	0.90 465	1.01 471

notaker	0.97 462	1.11 466	0.98 458	1.13 467	0.81 465	0.73 449	0.68 462	0.93 457	1.16 457	1.18 466	1.18 465	1.41 464	1.16 468	1.08 469	0.69 458	0.81 465	0.64 467	1.17 467	0.79 464	0.98 466	0.80 467

UNDER WATER-64	0.95 461	0.94 463	1.43 464	0.87 460	0.56 452	1.18 470	0.87 466	0.77 451	0.94 453	1.04 460	0.85 449	1.58 468	1.21 469	0.94 464	0.96 465	0.87 466	0.57 464	1.03 466	0.88 467	0.78 463	0.73 464

UNDER WATER	0.97 462	0.97 465	1.42 463	0.99 464	0.70 464	1.12 469	0.84 465	0.80 452	1.08 455	1.01 459	0.90 450	1.55 467	1.22 470	1.03 467	1.00 466	0.78 464	0.53 459	1.02 465	0.87 466	0.80 464	0.74 465

HanzoNet	1.29 467	1.26 470	1.19 461	1.12 466	0.85 466	1.02 466	0.83 464	1.03 463	1.48 467	1.64 469	1.61 471	2.50 472	1.72 471	1.61 471	1.61 470	1.26 469	0.80 469	1.31 470	1.01 469	1.02 468	0.86 468

MADNet++	1.95 469	1.75 472	1.59 465	1.82 471	1.69 472	2.33 472	1.40 472	2.35 472	2.09 473	2.57 472	2.36 473	2.24 471	2.17 472	2.28 472	2.34 472	1.87 472	1.66 472	1.54 472	1.34 472	1.92 471	1.77 473

tt	4.67 471	0.06 31	3.55 469	2.02 472	1.55 471	10.25 477	16.71 477	8.91 480	5.03 474	1.31 467	0.94 453	4.71 473	4.76 473	3.33 473	5.87 475	6.06 479	10.30 483	1.88 473	2.11 474	2.75 472	1.21 472

LRCNet_RVC	10.62 480	13.42 484	7.30 472	18.92 483	2.07 473	0.33 407	0.30 425	5.59 476	0.48 401	13.03 482	17.94 483	8.87 477	5.65 474	4.79 474	1.89 471	23.51 487	2.73 477	27.55 488	25.71 488	16.07 485	16.33 486

PML	8.91 478	9.34 483	6.13 471	5.35 476	6.41 477	14.99 479	23.38 483	5.27 473	6.83 475	18.04 484	28.19 489	7.67 476	6.83 475	7.85 477	5.75 474	5.35 478	1.83 473	5.95 482	1.93 473	8.64 480	2.52 474

xxxxx1	7.79 472	5.02 477	7.31 473	3.12 473	3.85 474	16.35 480	22.88 478	5.86 477	8.69 476	7.97 476	8.54 474	9.12 478	8.27 476	10.18 478	10.92 476	2.42 473	2.45 474	3.56 476	12.37 480	3.77 473	3.06 475

tt_ll	7.79 472	5.02 477	7.31 473	3.12 473	3.85 474	16.35 480	22.88 478	5.86 477	8.69 476	7.97 476	8.54 474	9.12 478	8.27 476	10.18 478	10.92 476	2.42 473	2.45 474	3.56 476	12.37 480	3.77 473	3.06 475

ff	7.79 472	5.02 477	7.31 473	3.12 473	3.85 474	16.35 480	22.88 478	5.86 477	8.69 476	7.97 476	8.54 474	9.12 478	8.27 476	10.18 478	10.92 476	2.42 473	2.45 474	3.56 476	12.37 480	3.77 473	3.06 475

DPSMNet_ROB	8.06 476	4.48 475	8.63 479	5.37 478	10.74 480	8.32 475	22.98 482	5.46 474	13.36 481	5.12 474	9.92 477	5.08 474	10.40 479	5.53 476	12.58 479	3.80 477	8.00 478	3.50 474	7.02 477	3.83 476	7.14 479

DGTPSM_ROB	8.06 476	4.48 475	8.63 479	5.35 476	10.72 479	8.32 475	22.97 481	5.46 474	13.35 480	5.12 474	9.92 477	5.08 474	10.40 479	5.52 475	12.58 479	3.79 476	8.00 478	3.50 474	7.02 477	3.83 476	7.14 479

Anonymous_1	10.96 481	7.92 480	7.46 476	10.33 479	10.06 478	18.65 484	26.34 484	11.06 481	13.44 482	9.40 479	10.05 479	9.67 481	11.23 481	10.73 481	12.72 481	6.42 480	8.38 480	5.77 479	10.61 479	12.12 481	6.77 478

DPSM_ROB	11.15 482	8.58 481	8.00 477	10.88 480	11.58 481	19.10 485	26.71 485	12.05 482	14.07 483	10.36 480	10.84 480	10.33 482	11.86 482	11.70 482	13.54 482	6.99 481	8.79 481	5.89 480	6.95 475	7.29 478	7.42 481

DPSM	11.15 482	8.58 481	8.00 477	10.88 480	11.58 481	19.10 485	26.71 485	12.05 482	14.07 483	10.36 480	10.84 480	10.33 482	11.86 482	11.70 482	13.54 482	6.99 481	8.79 481	5.89 480	6.95 475	7.29 478	7.42 481

HaxPig	15.71 484	18.52 488	19.18 484	16.89 482	15.89 484	7.73 474	7.60 474	13.31 484	10.82 479	15.42 483	14.91 482	15.98 484	14.92 484	15.58 484	15.98 484	18.95 486	16.73 484	19.46 486	18.08 486	19.26 486	19.05 487

MEDIAN_ROB	20.38 485	24.04 489	23.31 486	21.23 484	21.71 485	10.40 478	7.92 475	17.64 485	15.50 485	20.12 485	19.70 484	20.34 485	20.32 485	21.19 485	21.13 485	23.81 488	21.81 488	24.98 487	23.76 487	24.71 487	23.93 488

Selective-RAFT-Error	22.47 487	17.37 487	16.09 482	22.06 486	23.34 487	38.39 488	53.83 489	24.29 489	28.47 489	20.74 487	21.83 487	20.81 486	23.90 486	23.54 488	27.53 489	14.08 484	17.69 486	11.82 483	14.00 483	14.69 483	15.00 485

CasAABBNet	22.42 486	17.33 486	16.01 481	22.01 485	23.28 486	38.32 487	53.80 488	24.14 487	28.41 488	20.60 486	21.77 486	20.89 487	23.91 487	23.43 486	27.36 487	14.07 483	17.69 486	11.83 484	14.01 484	14.67 482	14.95 484

LSM0	22.87 488	17.28 485	18.96 483	22.19 487	29.04 489	38.42 489	53.71 487	24.28 488	28.31 487	20.78 488	21.00 485	21.43 488	24.16 488	23.50 487	27.39 488	14.09 485	17.38 485	11.84 485	14.04 485	14.73 484	14.89 483

AVERAGE_ROB	24.90 489	29.20 490	28.14 487	24.89 488	24.64 488	17.75 483	11.12 476	21.45 486	19.93 486	25.12 489	24.46 488	25.12 489	25.46 489	24.69 489	22.83 486	29.76 489	27.13 489	28.97 489	27.95 489	29.91 488	29.47 489

test_example2	98.32 490	94.13 491	45.89 488	96.35 489	109.85 490	88.61 490	95.45 490	25.75 490	94.37 490	130.00 490	126.06 490	58.17 490	74.63 490	88.51 490	79.96 490	150.23 490	221.02 490	77.62 490	99.10 490	113.75 490	96.94 490

ASD4		3.38 474

Low-res two-view benchmark