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

GASTEREO	0.08 47	0.05 19	0.09 73	0.19 359	0.07 74	0.07 30	0.12 66	0.14 78	0.11 63	0.10 129	0.09 92	0.07 65	0.04 1	0.12 193	0.08 17	0.06 116	0.05 186	0.05 25	0.04 37	0.04 16	0.05 123

MSCF	0.08 47	0.05 19	0.08 31	0.19 359	0.08 130	0.06 10	0.12 66	0.14 78	0.11 63	0.10 129	0.09 92	0.07 65	0.04 1	0.11 111	0.08 17	0.06 116	0.05 186	0.05 25	0.04 37	0.05 102	0.05 123

LG-Stereo_L1	0.07 4	0.05 19	0.11 153	0.14 31	0.06 14	0.07 30	0.13 107	0.09 11	0.07 8	0.05 1	0.04 1	0.05 1	0.04 1	0.08 16	0.07 1	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 41

MLG-Stereo_test2	0.06 1	0.04 1	0.10 112	0.15 72	0.05 1	0.07 30	0.11 49	0.09 11	0.04 2	0.06 11	0.05 7	0.06 18	0.04 1	0.08 16	0.09 54	0.06 116	0.04 22	0.05 25	0.03 1	0.05 102	0.05 123

SCV	0.08 47	0.09 316	0.08 31	0.15 72	0.08 130	0.10 131	0.13 107	0.10 18	0.12 89	0.07 33	0.07 40	0.06 18	0.04 1	0.09 35	0.08 17	0.05 28	0.04 22	0.06 105	0.04 37	0.06 195	0.04 41

FoundationStereo	0.06 1	0.04 1	0.08 31	0.12 4	0.05 1	0.09 84	0.13 107	0.06 1	0.09 24	0.05 1	0.05 7	0.06 18	0.04 1	0.06 1	0.07 1	0.06 116	0.04 22	0.05 25	0.03 1	0.05 102	0.04 41

AIO_rvc	0.07 4	0.06 59	0.08 31	0.15 72	0.06 14	0.08 53	0.14 155	0.09 11	0.08 13	0.07 33	0.08 74	0.07 65	0.04 1	0.10 65	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

GIP-stereo	0.08 47	0.06 59	0.11 153	0.14 31	0.06 14	0.09 84	0.13 107	0.14 78	0.11 63	0.07 33	0.08 74	0.05 1	0.04 1	0.10 65	0.07 1	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

IGEV-BASED-STEREO-	0.09 85	0.10 374	0.31 487	0.15 72	0.06 14	0.08 53	0.14 155	0.10 18	0.10 37	0.07 33	0.07 40	0.06 18	0.04 1	0.11 111	0.07 1	0.12 458	0.04 22	0.07 198	0.05 111	0.05 102	0.05 123

Selective-IGEV	0.07 4	0.06 59	0.08 31	0.17 220	0.06 14	0.08 53	0.12 66	0.13 61	0.07 8	0.08 66	0.07 40	0.06 18	0.04 1	0.10 65	0.09 54	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

asda	0.07 4	0.08 240	0.08 31	0.16 146	0.06 14	0.06 10	0.10 29	0.16 136	0.10 37	0.06 11	0.06 13	0.05 1	0.05 11	0.10 65	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

IGEV	0.07 4	0.04 1	0.08 31	0.13 13	0.06 14	0.09 84	0.12 66	0.14 78	0.10 37	0.06 11	0.09 92	0.07 65	0.05 11	0.09 35	0.09 54	0.06 116	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

111111	0.07 4	0.04 1	0.09 73	0.17 220	0.06 14	0.05 4	0.10 29	0.11 29	0.09 24	0.06 11	0.06 13	0.07 65	0.05 11	0.09 35	0.09 54	0.06 116	0.04 22	0.05 25	0.04 37	0.07 261	0.06 203

LG-Stereo_L2	0.07 4	0.05 19	0.10 112	0.14 31	0.06 14	0.07 30	0.12 66	0.09 11	0.09 24	0.06 11	0.04 1	0.05 1	0.05 11	0.08 16	0.08 17	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.03 1

MLG-Stereo_test1	0.06 1	0.05 19	0.08 31	0.17 220	0.05 1	0.06 10	0.11 49	0.08 4	0.03 1	0.05 1	0.04 1	0.06 18	0.05 11	0.09 35	0.09 54	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 41

MLG-Stereo	0.07 4	0.05 19	0.08 31	0.17 220	0.05 1	0.07 30	0.11 49	0.08 4	0.04 2	0.05 1	0.04 1	0.06 18	0.05 11	0.10 65	0.09 54	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 41

LG-Stereo_Zeroshot	0.07 4	0.06 59	0.10 112	0.16 146	0.07 74	0.04 1	0.13 107	0.10 18	0.10 37	0.05 1	0.11 151	0.07 65	0.05 11	0.07 4	0.09 54	0.06 116	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

HART	0.08 47	0.07 143	0.09 73	0.17 220	0.07 74	0.10 131	0.16 288	0.13 61	0.11 63	0.08 66	0.10 121	0.07 65	0.05 11	0.10 65	0.08 17	0.05 28	0.04 22	0.06 105	0.04 37	0.05 102	0.04 41

GREAT-IGEV	0.07 4	0.06 59	0.08 31	0.13 13	0.07 74	0.07 30	0.14 155	0.09 11	0.09 24	0.06 11	0.07 40	0.06 18	0.05 11	0.10 65	0.07 1	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

SCV_C0	0.08 47	0.07 143	0.07 7	0.16 146	0.09 242	0.08 53	0.15 223	0.11 29	0.12 89	0.08 66	0.07 40	0.06 18	0.05 11	0.11 111	0.07 1	0.05 28	0.05 186	0.05 25	0.04 37	0.06 195	0.05 123

DEFOM-Stereo_RVC	0.08 47	0.06 59	0.09 73	0.22 458	0.06 14	0.08 53	0.12 66	0.10 18	0.10 37	0.07 33	0.07 40	0.06 18	0.05 11	0.11 111	0.09 54	0.06 116	0.04 22	0.05 25	0.03 1	0.06 195	0.04 41

StereoAnything_RVC	0.07 4	0.15 469	0.17 381	0.11 1	0.05 1	0.05 4	0.11 49	0.08 4	0.08 13	0.06 11	0.06 13	0.05 1	0.05 11	0.09 35	0.08 17	0.08 304	0.04 22	0.05 25	0.03 1	0.05 102	0.04 41

AIO_test	0.07 4	0.05 19	0.07 7	0.15 72	0.07 74	0.06 10	0.14 155	0.10 18	0.10 37	0.07 33	0.07 40	0.06 18	0.05 11	0.08 16	0.10 125	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

AIO-test2	0.10 146	0.08 240	0.10 112	0.23 479	0.08 130	0.11 176	0.10 29	0.23 298	0.23 312	0.08 66	0.09 92	0.08 102	0.05 11	0.10 65	0.08 17	0.06 116	0.05 186	0.08 282	0.09 387	0.05 102	0.05 123

DEFOM-Stereo	0.07 4	0.05 19	0.07 7	0.14 31	0.06 14	0.10 131	0.13 107	0.07 2	0.13 120	0.06 11	0.07 40	0.06 18	0.05 11	0.10 65	0.09 54	0.04 11	0.04 22	0.05 25	0.03 1	0.04 16	0.04 41

dual_stereo	0.07 4	0.04 1	0.08 31	0.15 72	0.05 1	0.05 4	0.13 107	0.12 45	0.08 13	0.07 33	0.06 13	0.05 1	0.05 11	0.07 4	0.09 54	0.06 116	0.04 22	0.05 25	0.03 1	0.04 16	0.04 41

Occ-G	0.08 47	0.05 19	0.06 3	0.14 31	0.07 74	0.08 53	0.14 155	0.13 61	0.15 162	0.07 33	0.11 151	0.07 65	0.05 11	0.09 35	0.10 125	0.06 116	0.05 186	0.05 25	0.04 37	0.05 102	0.05 123

U	0.08 47	0.07 143	0.09 73	0.19 359	0.10 344	0.10 131	0.13 107	0.12 45	0.17 209	0.07 33	0.07 40	0.06 18	0.05 11	0.07 4	0.08 17	0.06 116	0.04 22	0.06 105	0.04 37	0.06 195	0.05 123

AIO-Stereo	0.08 47	0.06 59	0.09 73	0.18 302	0.06 14	0.08 53	0.12 66	0.15 109	0.09 24	0.08 66	0.08 74	0.07 65	0.05 11	0.11 111	0.08 17	0.05 28	0.05 186	0.05 25	0.04 37	0.04 16	0.04 41

RSM++	0.08 47	0.06 59	0.09 73	0.17 220	0.07 74	0.09 84	0.12 66	0.11 29	0.11 63	0.08 66	0.06 13	0.07 65	0.05 11	0.10 65	0.09 54	0.04 11	0.04 22	0.06 105	0.05 111	0.05 102	0.03 1

RSM	0.08 47	0.06 59	0.09 73	0.17 220	0.06 14	0.08 53	0.12 66	0.12 45	0.10 37	0.08 66	0.07 40	0.06 18	0.05 11	0.11 111	0.09 54	0.04 11	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

MIM_Stereo	0.09 85	0.07 143	0.11 153	0.15 72	0.07 74	0.06 10	0.12 66	0.20 233	0.14 145	0.13 223	0.13 178	0.09 127	0.05 11	0.12 193	0.08 17	0.05 28	0.06 311	0.07 198	0.06 189	0.06 195	0.05 123

EGLCR-Stereo	0.08 47	0.05 19	0.08 31	0.14 31	0.06 14	0.10 131	0.12 66	0.11 29	0.16 190	0.06 11	0.05 7	0.07 65	0.05 11	0.10 65	0.11 191	0.06 116	0.04 22	0.06 105	0.05 111	0.04 16	0.04 41

CroCo-Stereo Lap2	0.09 85	0.09 316	0.08 31	0.22 458	0.09 242	0.09 84	0.19 406	0.16 136	0.12 89	0.09 96	0.10 121	0.05 1	0.05 11	0.08 16	0.08 17	0.06 116	0.06 311	0.07 198	0.05 111	0.05 102	0.05 123

iRaft-Stereo_20w	0.09 85	0.05 19	0.13 233	0.14 31	0.08 130	0.12 211	0.15 223	0.18 201	0.10 37	0.11 158	0.08 74	0.08 102	0.05 11	0.10 65	0.09 54	0.06 116	0.04 22	0.06 105	0.05 111	0.06 195	0.05 123

Monster-pub-eth3d	0.07 4	0.06 59	0.05 1	0.15 72	0.05 1	0.08 53	0.10 29	0.15 109	0.15 162	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

Monster-pub-mixall	0.07 4	0.04 1	0.09 73	0.13 13	0.06 14	0.05 4	0.09 18	0.11 29	0.07 8	0.06 11	0.06 13	0.05 1	0.06 36	0.09 35	0.09 54	0.06 116	0.04 22	0.04 1	0.03 1	0.05 102	0.05 123

Replicate-Monster	0.07 4	0.05 19	0.09 73	0.14 31	0.06 14	0.08 53	0.09 18	0.13 61	0.13 120	0.05 1	0.07 40	0.06 18	0.06 36	0.08 16	0.10 125	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.04 41

zero-FE	0.08 47	0.04 1	0.09 73	0.15 72	0.10 344	0.05 4	0.14 155	0.09 11	0.14 145	0.07 33	0.06 13	0.07 65	0.06 36	0.09 35	0.10 125	0.06 116	0.04 22	0.06 105	0.04 37	0.08 324	0.05 123

AdaDepth	0.07 4	0.06 59	0.07 7	0.18 302	0.06 14	0.11 176	0.12 66	0.09 11	0.07 8	0.06 11	0.05 7	0.07 65	0.06 36	0.09 35	0.10 125	0.04 11	0.05 186	0.05 25	0.04 37	0.04 16	0.04 41

S2M2_XL	0.08 47	0.06 59	0.12 188	0.12 4	0.08 130	0.09 84	0.09 18	0.07 2	0.07 8	0.08 66	0.07 40	0.07 65	0.06 36	0.09 35	0.09 54	0.08 304	0.06 311	0.07 198	0.05 111	0.08 324	0.06 203

asd	0.07 4	0.08 240	0.07 7	0.16 146	0.07 74	0.08 53	0.08 7	0.11 29	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.10 65	0.09 54	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

qwe	0.07 4	0.08 240	0.07 7	0.15 72	0.06 14	0.07 30	0.10 29	0.18 201	0.11 63	0.07 33	0.07 40	0.06 18	0.06 36	0.10 65	0.09 54	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

2.25w	0.07 4	0.06 59	0.07 7	0.14 31	0.06 14	0.08 53	0.08 7	0.10 18	0.15 162	0.08 66	0.10 121	0.07 65	0.06 36	0.08 16	0.10 125	0.05 28	0.03 1	0.04 1	0.04 37	0.03 1	0.04 41

4.25_new	0.07 4	0.08 240	0.09 73	0.15 72	0.06 14	0.09 84	0.08 7	0.14 78	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.12 193	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4.5w_new	0.07 4	0.08 240	0.09 73	0.15 72	0.06 14	0.09 84	0.08 7	0.14 78	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.12 193	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4.5_new	0.07 4	0.09 316	0.08 31	0.15 72	0.07 74	0.06 10	0.10 29	0.14 78	0.11 63	0.06 11	0.08 74	0.06 18	0.06 36	0.08 16	0.10 125	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

4.5w-stereo	0.07 4	0.09 316	0.08 31	0.15 72	0.07 74	0.06 10	0.10 29	0.14 78	0.11 63	0.06 11	0.08 74	0.06 18	0.06 36	0.08 16	0.10 125	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

4.25w-stereo	0.07 4	0.08 240	0.09 73	0.15 72	0.06 14	0.09 84	0.08 7	0.14 78	0.08 13	0.07 33	0.07 40	0.06 18	0.06 36	0.12 193	0.10 125	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

4w-stereo	0.07 4	0.08 240	0.08 31	0.16 146	0.06 14	0.07 30	0.08 7	0.12 45	0.08 13	0.07 33	0.07 40	0.05 1	0.06 36	0.09 35	0.10 125	0.03 1	0.03 1	0.04 1	0.04 37	0.04 16	0.03 1

2.5w	0.07 4	0.07 143	0.07 7	0.16 146	0.06 14	0.08 53	0.12 66	0.10 18	0.10 37	0.07 33	0.06 13	0.09 127	0.06 36	0.08 16	0.09 54	0.04 11	0.03 1	0.04 1	0.04 37	0.03 1	0.03 1

2.75w_new	0.07 4	0.07 143	0.07 7	0.13 13	0.06 14	0.08 53	0.08 7	0.18 201	0.12 89	0.07 33	0.08 74	0.06 18	0.06 36	0.09 35	0.11 191	0.04 11	0.04 22	0.04 1	0.03 1	0.03 1	0.04 41

3.25w_new	0.07 4	0.06 59	0.07 7	0.15 72	0.06 14	0.10 131	0.07 3	0.12 45	0.11 63	0.08 66	0.06 13	0.07 65	0.06 36	0.11 111	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.25w	0.07 4	0.06 59	0.07 7	0.15 72	0.06 14	0.10 131	0.07 3	0.12 45	0.11 63	0.08 66	0.06 13	0.07 65	0.06 36	0.11 111	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3.75w	0.07 4	0.07 143	0.08 31	0.16 146	0.07 74	0.07 30	0.09 18	0.16 136	0.09 24	0.07 33	0.06 13	0.05 1	0.06 36	0.09 35	0.10 125	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

3w_stereo	0.08 47	0.09 316	0.10 112	0.17 220	0.07 74	0.08 53	0.10 29	0.20 233	0.13 120	0.06 11	0.07 40	0.05 1	0.06 36	0.08 16	0.09 54	0.03 1	0.03 1	0.04 1	0.03 1	0.04 16	0.03 1

2w_stereo	0.08 47	0.08 240	0.09 73	0.16 146	0.06 14	0.08 53	0.10 29	0.20 233	0.15 162	0.08 66	0.07 40	0.06 18	0.06 36	0.06 1	0.09 54	0.04 11	0.03 1	0.04 1	0.04 37	0.03 1	0.03 1

1w_stereo	0.07 4	0.06 59	0.07 7	0.16 146	0.06 14	0.07 30	0.10 29	0.14 78	0.14 145	0.07 33	0.08 74	0.05 1	0.06 36	0.09 35	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.04 41

monsters	0.07 4	0.06 59	0.06 3	0.15 72	0.06 14	0.08 53	0.09 18	0.12 45	0.08 13	0.09 96	0.07 40	0.06 18	0.06 36	0.08 16	0.08 17	0.05 28	0.04 22	0.04 1	0.04 37	0.03 1	0.03 1

MLG-Stereo_test3	0.07 4	0.05 19	0.10 112	0.14 31	0.06 14	0.07 30	0.11 49	0.08 4	0.06 4	0.06 11	0.04 1	0.06 18	0.06 36	0.07 4	0.10 125	0.06 116	0.04 22	0.05 25	0.04 37	0.05 102	0.06 203

LGtest1	0.07 4	0.04 1	0.10 112	0.15 72	0.06 14	0.07 30	0.09 18	0.08 4	0.06 4	0.05 1	0.04 1	0.06 18	0.06 36	0.10 65	0.09 54	0.07 243	0.04 22	0.05 25	0.04 37	0.06 195	0.06 203

MM-Stereo_test3	0.10 146	0.07 143	0.07 7	0.18 302	0.07 74	0.12 211	0.19 406	0.24 320	0.19 250	0.06 11	0.10 121	0.08 102	0.06 36	0.11 111	0.08 17	0.06 116	0.06 311	0.07 198	0.05 111	0.05 102	0.04 41

MM-Stereo_test2	0.09 85	0.06 59	0.09 73	0.19 359	0.08 130	0.12 211	0.18 367	0.15 109	0.14 145	0.07 33	0.10 121	0.07 65	0.06 36	0.12 193	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.03 1

MM-Stereo_test1	0.10 146	0.07 143	0.08 31	0.18 302	0.07 74	0.12 211	0.18 367	0.21 256	0.20 273	0.09 96	0.11 151	0.08 102	0.06 36	0.10 65	0.10 125	0.06 116	0.05 186	0.07 198	0.06 189	0.05 102	0.04 41

HUF	0.08 47	0.05 19	0.08 31	0.14 31	0.06 14	0.09 84	0.13 107	0.13 61	0.13 120	0.07 33	0.07 40	0.08 102	0.06 36	0.10 65	0.09 54	0.06 116	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

castereo++	0.08 47	0.05 19	0.08 31	0.15 72	0.05 1	0.14 282	0.12 66	0.11 29	0.15 162	0.07 33	0.07 40	0.07 65	0.06 36	0.08 16	0.08 17	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

IGEV-RUCA	0.08 47	0.06 59	0.11 153	0.14 31	0.09 242	0.10 131	0.12 66	0.10 18	0.12 89	0.06 11	0.07 40	0.07 65	0.06 36	0.09 35	0.08 17	0.06 116	0.05 186	0.05 25	0.04 37	0.05 102	0.06 203

MonSter	0.07 4	0.06 59	0.05 1	0.15 72	0.05 1	0.07 30	0.10 29	0.15 109	0.15 162	0.05 1	0.06 13	0.05 1	0.06 36	0.07 4	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

fffft	0.09 85	0.06 59	0.12 188	0.16 146	0.07 74	0.09 84	0.17 322	0.12 45	0.11 63	0.08 66	0.07 40	0.09 127	0.06 36	0.11 111	0.12 240	0.05 28	0.04 22	0.06 105	0.05 111	0.04 16	0.05 123
1: 1. 1
tt45	0.09 85	0.06 59	0.11 153	0.15 72	0.07 74	0.11 176	0.16 288	0.13 61	0.11 63	0.09 96	0.06 13	0.08 102	0.06 36	0.13 238	0.10 125	0.06 116	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203

mms	0.09 85	0.07 143	0.08 31	0.16 146	0.08 130	0.10 131	0.16 288	0.12 45	0.11 63	0.08 66	0.09 92	0.08 102	0.06 36	0.11 111	0.12 240	0.05 28	0.04 22	0.07 198	0.05 111	0.04 16	0.03 1

ours_stereo	0.09 85	0.07 143	0.09 73	0.17 220	0.08 130	0.11 176	0.16 288	0.11 29	0.12 89	0.08 66	0.10 121	0.08 102	0.06 36	0.12 193	0.12 240	0.05 28	0.04 22	0.06 105	0.05 111	0.04 16	0.03 1

WCG-NET	0.08 47	0.05 19	0.09 73	0.15 72	0.06 14	0.11 176	0.14 155	0.13 61	0.13 120	0.06 11	0.09 92	0.07 65	0.06 36	0.13 238	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

IGEV-Stereo++	0.07 4	0.06 59	0.08 31	0.18 302	0.06 14	0.04 1	0.10 29	0.11 29	0.11 63	0.06 11	0.07 40	0.07 65	0.06 36	0.09 35	0.09 54	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

RAStereo	0.10 146	0.09 316	0.08 31	0.20 414	0.08 130	0.13 250	0.18 367	0.15 109	0.17 209	0.10 129	0.12 164	0.05 1	0.06 36	0.09 35	0.08 17	0.07 243	0.05 186	0.07 198	0.05 111	0.05 102	0.04 41

Pointernet	0.09 85	0.04 1	0.09 73	0.16 146	0.08 130	0.13 250	0.10 29	0.15 109	0.17 209	0.09 96	0.07 40	0.06 18	0.06 36	0.11 111	0.09 54	0.08 304	0.04 22	0.05 25	0.03 1	0.06 195	0.05 123

IGEV-Stereo+	0.07 4	0.04 1	0.08 31	0.15 72	0.06 14	0.04 1	0.09 18	0.10 18	0.09 24	0.06 11	0.06 13	0.06 18	0.06 36	0.06 1	0.08 17	0.06 116	0.04 22	0.05 25	0.04 37	0.06 195	0.06 203

WCG-NET（raft）	0.08 47	0.05 19	0.10 112	0.15 72	0.06 14	0.11 176	0.13 107	0.15 109	0.12 89	0.08 66	0.07 40	0.06 18	0.06 36	0.13 238	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.04 41

RAFT-Stereo-weight	0.09 85	0.06 59	0.10 112	0.16 146	0.07 74	0.09 84	0.14 155	0.19 222	0.16 190	0.11 158	0.10 121	0.08 102	0.06 36	0.10 65	0.11 191	0.06 116	0.04 22	0.06 105	0.04 37	0.04 16	0.04 41

test_for_model	0.09 85	0.12 418	0.14 268	0.23 479	0.11 393	0.08 53	0.13 107	0.12 45	0.12 89	0.10 129	0.07 40	0.07 65	0.06 36	0.11 111	0.10 125	0.06 116	0.05 186	0.05 25	0.03 1	0.07 261	0.04 41

MGS-Stereo	0.09 85	0.07 143	0.12 188	0.15 72	0.08 130	0.09 84	0.15 223	0.12 45	0.12 89	0.07 33	0.10 121	0.08 102	0.06 36	0.10 65	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.06 195	0.05 123

MoCha-V2	0.08 47	0.05 19	0.10 112	0.20 414	0.07 74	0.09 84	0.14 155	0.11 29	0.08 13	0.07 33	0.08 74	0.07 65	0.06 36	0.09 35	0.08 17	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.04 41

IGEV++	0.08 47	0.06 59	0.08 31	0.18 302	0.07 74	0.09 84	0.13 107	0.10 18	0.09 24	0.08 66	0.08 74	0.06 18	0.06 36	0.13 238	0.09 54	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

ACVNet-DCA	0.10 146	0.08 240	0.12 188	0.17 220	0.09 242	0.13 250	0.15 223	0.23 298	0.16 190	0.09 96	0.09 92	0.06 18	0.06 36	0.10 65	0.07 1	0.06 116	0.04 22	0.06 105	0.05 111	0.07 261	0.07 283

1test111	0.11 189	0.08 240	0.12 188	0.17 220	0.09 242	0.13 250	0.15 223	0.23 298	0.16 190	0.09 96	0.09 92	0.06 18	0.06 36	0.15 286	0.16 362	0.06 116	0.04 22	0.06 105	0.05 111	0.07 261	0.07 283

cc1	0.10 146	0.08 240	0.12 188	0.17 220	0.09 242	0.13 250	0.15 223	0.16 136	0.18 235	0.09 96	0.09 92	0.06 18	0.06 36	0.10 65	0.07 1	0.06 116	0.04 22	0.06 105	0.05 111	0.06 195	0.06 203

ff7	0.09 85	0.07 143	0.11 153	0.16 146	0.09 242	0.11 176	0.15 223	0.16 136	0.12 89	0.10 129	0.06 13	0.06 18	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203

IGEVStereo-DCA	0.09 85	0.06 59	0.11 153	0.15 72	0.10 344	0.11 176	0.15 223	0.16 136	0.12 89	0.10 129	0.06 13	0.08 102	0.06 36	0.10 65	0.08 17	0.06 116	0.05 186	0.06 105	0.05 111	0.05 102	0.06 203

ffff	0.09 85	0.07 143	0.11 153	0.16 146	0.09 242	0.11 176	0.15 223	0.16 136	0.12 89	0.10 129	0.06 13	0.06 18	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203

rrr	0.09 85	0.06 59	0.12 188	0.15 72	0.10 344	0.11 176	0.16 288	0.16 136	0.15 162	0.10 129	0.06 13	0.08 102	0.06 36	0.10 65	0.08 17	0.06 116	0.05 186	0.06 105	0.05 111	0.05 102	0.06 203

11t	0.09 85	0.07 143	0.11 153	0.16 146	0.09 242	0.11 176	0.15 223	0.16 136	0.12 89	0.10 129	0.06 13	0.06 18	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203

tt1	0.10 146	0.08 240	0.12 188	0.17 220	0.09 242	0.12 211	0.16 288	0.15 109	0.19 250	0.09 96	0.08 74	0.06 18	0.06 36	0.10 65	0.07 1	0.06 116	0.04 22	0.06 105	0.05 111	0.06 195	0.06 203

MaDis-Stereo	0.09 85	0.09 316	0.08 31	0.17 220	0.09 242	0.13 250	0.10 29	0.16 136	0.16 190	0.09 96	0.11 151	0.06 18	0.06 36	0.09 35	0.13 281	0.07 243	0.06 311	0.07 198	0.05 111	0.05 102	0.04 41

IGEV_Zeroshot_test	0.09 85	0.05 19	0.12 188	0.13 13	0.08 130	0.12 211	0.13 107	0.17 172	0.11 63	0.10 129	0.06 13	0.09 127	0.06 36	0.11 111	0.09 54	0.06 116	0.04 22	0.06 105	0.06 189	0.05 102	0.05 123

MSKI-zero shot	0.09 85	0.05 19	0.09 73	0.15 72	0.07 74	0.10 131	0.13 107	0.14 78	0.13 120	0.09 96	0.09 92	0.09 127	0.06 36	0.12 193	0.10 125	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.04 41

DLNR_Zeroshot_test	10.40 586	1.82 578	19.49 593	120.77 598	13.11 590	0.06 10	0.13 107	0.23 298	0.10 37	0.07 33	0.10 121	0.09 127	0.06 36	0.10 65	0.09 54	0.13 481	0.04 22	0.06 105	0.04 37	51.54 597	0.04 41

testlalala	0.08 47	0.07 143	0.17 381	0.16 146	0.08 130	0.09 84	0.12 66	0.15 109	0.10 37	0.07 33	0.09 92	0.06 18	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.04 37	0.04 16	0.04 41

CAS	0.08 47	0.04 1	0.07 7	0.17 220	0.08 130	0.10 131	0.13 107	0.12 45	0.09 24	0.09 96	0.10 121	0.08 102	0.06 36	0.09 35	0.08 17	0.08 304	0.04 22	0.05 25	0.03 1	0.05 102	0.04 41

anonymousdsp	0.09 85	0.07 143	0.11 153	0.16 146	0.09 242	0.11 176	0.15 223	0.16 136	0.12 89	0.09 96	0.06 13	0.06 18	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203

CES	0.08 47	0.04 1	0.08 31	0.14 31	0.07 74	0.09 84	0.14 155	0.11 29	0.09 24	0.08 66	0.09 92	0.11 179	0.06 36	0.12 193	0.08 17	0.06 116	0.04 22	0.05 25	0.03 1	0.05 102	0.05 123

ProNet	0.09 85	0.07 143	0.10 112	0.17 220	0.08 130	0.10 131	0.15 223	0.15 109	0.12 89	0.09 96	0.06 13	0.07 65	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.04 16	0.06 203

MC-Stereo	0.08 47	0.06 59	0.09 73	0.17 220	0.06 14	0.10 131	0.14 155	0.12 45	0.10 37	0.09 96	0.12 164	0.09 127	0.06 36	0.11 111	0.10 125	0.06 116	0.04 22	0.06 105	0.05 111	0.04 16	0.04 41

ccc-4	0.09 85	0.07 143	0.11 153	0.16 146	0.09 242	0.11 176	0.15 223	0.16 136	0.12 89	0.10 129	0.06 13	0.06 18	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203

IGEV-Stereo	0.09 85	0.07 143	0.11 153	0.16 146	0.09 242	0.11 176	0.15 223	0.16 136	0.12 89	0.09 96	0.06 13	0.06 18	0.06 36	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 85	0.05 19	0.12 188	0.15 72	0.12 424	0.10 131	0.13 107	0.18 201	0.18 235	0.09 96	0.09 92	0.09 127	0.06 36	0.10 65	0.08 17	0.07 243	0.05 186	0.07 198	0.07 276	0.04 16	0.04 41

CroCo-Stereo	0.09 85	0.08 240	0.08 31	0.22 458	0.09 242	0.09 84	0.19 406	0.15 109	0.12 89	0.07 33	0.07 40	0.08 102	0.06 36	0.08 16	0.07 1	0.07 243	0.05 186	0.06 105	0.04 37	0.05 102	0.04 41
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 85	0.04 1	0.08 31	0.13 13	0.06 14	0.11 176	0.14 155	0.15 109	0.19 250	0.11 158	0.15 209	0.10 158	0.06 36	0.12 193	0.09 54	0.07 243	0.05 186	0.05 25	0.04 37	0.06 195	0.05 123

XX-Stereo	0.09 85	0.05 19	0.08 31	0.17 220	0.09 242	0.15 308	0.12 66	0.20 233	0.10 37	0.10 129	0.14 192	0.07 65	0.06 36	0.12 193	0.08 17	0.06 116	0.05 186	0.06 105	0.06 189	0.04 16	0.04 41

test_xeample3	0.09 85	0.06 59	0.12 188	0.16 146	0.09 242	0.11 176	0.15 223	0.16 136	0.13 120	0.10 129	0.06 13	0.08 102	0.06 36	0.10 65	0.09 54	0.05 28	0.04 22	0.06 105	0.05 111	0.05 102	0.06 203

3.5w_stereo	0.07 4	0.07 143	0.07 7	0.15 72	0.07 74	0.09 84	0.06 1	0.13 61	0.11 63	0.07 33	0.07 40	0.06 18	0.07 110	0.10 65	0.09 54	0.04 11	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

monsterstereo	0.07 4	0.06 59	0.06 3	0.16 146	0.06 14	0.08 53	0.10 29	0.16 136	0.11 63	0.07 33	0.08 74	0.06 18	0.07 110	0.08 16	0.09 54	0.04 11	0.04 22	0.05 25	0.04 37	0.03 1	0.03 1

LG-G_1	0.07 4	0.04 1	0.11 153	0.15 72	0.06 14	0.09 84	0.08 7	0.08 4	0.06 4	0.06 11	0.05 7	0.07 65	0.07 110	0.11 111	0.08 17	0.07 243	0.04 22	0.05 25	0.04 37	0.05 102	0.05 123

LG-G	0.07 4	0.04 1	0.11 153	0.15 72	0.06 14	0.09 84	0.08 7	0.08 4	0.06 4	0.06 11	0.05 7	0.07 65	0.07 110	0.11 111	0.08 17	0.07 243	0.04 22	0.05 25	0.04 37	0.05 102	0.05 123

LG-Stereo	0.08 47	0.07 143	0.10 112	0.18 302	0.07 74	0.10 131	0.17 322	0.11 29	0.08 13	0.05 1	0.07 40	0.05 1	0.07 110	0.09 35	0.09 54	0.04 11	0.05 186	0.07 198	0.07 276	0.04 16	0.04 41

AIO-test1	0.10 146	0.07 143	0.10 112	0.23 479	0.07 74	0.09 84	0.13 107	0.21 256	0.14 145	0.11 158	0.12 164	0.09 127	0.07 110	0.11 111	0.09 54	0.06 116	0.05 186	0.09 363	0.10 426	0.03 1	0.06 203

SMoEStereo_RVC	0.08 47	0.06 59	0.12 188	0.16 146	0.07 74	0.09 84	0.14 155	0.11 29	0.13 120	0.09 96	0.07 40	0.07 65	0.07 110	0.12 193	0.10 125	0.05 28	0.04 22	0.06 105	0.05 111	0.04 16	0.04 41

tg	0.10 146	0.06 59	0.10 112	0.18 302	0.08 130	0.11 176	0.16 288	0.20 233	0.12 89	0.08 66	0.11 151	0.11 179	0.07 110	0.11 111	0.10 125	0.05 28	0.04 22	0.08 282	0.08 341	0.04 16	0.04 41

PAM_32	0.09 85	0.05 19	0.17 381	0.15 72	0.08 130	0.10 131	0.15 223	0.14 78	0.15 162	0.09 96	0.08 74	0.09 127	0.07 110	0.14 264	0.08 17	0.06 116	0.05 186	0.06 105	0.06 189	0.05 102	0.06 203

PAM	0.10 146	0.05 19	0.16 353	0.15 72	0.08 130	0.09 84	0.16 288	0.15 109	0.16 190	0.12 196	0.09 92	0.09 127	0.07 110	0.13 238	0.08 17	0.06 116	0.05 186	0.06 105	0.06 189	0.05 102	0.06 203

UGAM-zero	0.09 85	0.05 19	0.15 319	0.15 72	0.08 130	0.09 84	0.13 107	0.19 222	0.15 162	0.11 158	0.15 209	0.07 65	0.07 110	0.09 35	0.09 54	0.06 116	0.05 186	0.06 105	0.05 111	0.05 102	0.06 203

model_zeroshot	0.10 146	0.04 1	0.11 153	0.15 72	0.09 242	0.12 211	0.14 155	0.20 233	0.13 120	0.11 158	0.10 121	0.12 196	0.07 110	0.12 193	0.10 125	0.07 243	0.06 311	0.06 105	0.05 111	0.06 195	0.06 203

GCAP-BAT	0.09 85	0.07 143	0.14 268	0.15 72	0.08 130	0.10 131	0.13 107	0.14 78	0.10 37	0.11 158	0.10 121	0.08 102	0.07 110	0.12 193	0.10 125	0.06 116	0.05 186	0.06 105	0.04 37	0.04 16	0.04 41

AIO-Stereo-zeroshot1	0.11 189	0.05 19	0.14 268	0.15 72	0.20 522	0.09 84	0.17 322	0.21 256	0.15 162	0.11 158	0.14 192	0.10 158	0.07 110	0.10 65	0.08 17	0.06 116	0.05 186	0.07 198	0.07 276	0.07 261	0.09 391

AIO-Stereo-zeroshot	0.11 189	0.05 19	0.11 153	0.15 72	0.13 447	0.13 250	0.16 288	0.23 298	0.17 209	0.10 129	0.12 164	0.10 158	0.07 110	0.11 111	0.09 54	0.06 116	0.05 186	0.06 105	0.06 189	0.07 261	0.08 347

CAS++	0.11 189	0.07 143	0.11 153	0.14 31	0.09 242	0.12 211	0.14 155	0.24 320	0.14 145	0.11 158	0.09 92	0.11 179	0.07 110	0.14 264	0.09 54	0.11 433	0.09 438	0.09 363	0.07 276	0.07 261	0.08 347
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
testlalala2	0.10 146	0.06 59	0.11 153	0.20 414	0.10 344	0.10 131	0.12 66	0.17 172	0.12 89	0.12 196	0.13 178	0.09 127	0.07 110	0.11 111	0.13 281	0.06 116	0.05 186	0.05 25	0.04 37	0.05 102	0.05 123

MyStereo07	0.10 146	0.07 143	0.10 112	0.17 220	0.09 242	0.14 282	0.18 367	0.15 109	0.15 162	0.09 96	0.06 13	0.06 18	0.07 110	0.12 193	0.09 54	0.06 116	0.05 186	0.08 282	0.07 276	0.06 195	0.06 203

MyStereo06	0.10 146	0.07 143	0.12 188	0.17 220	0.09 242	0.13 250	0.18 367	0.19 222	0.12 89	0.12 196	0.08 74	0.07 65	0.07 110	0.11 111	0.09 54	0.06 116	0.05 186	0.07 198	0.07 276	0.06 195	0.06 203

UniTT-Stereo	0.09 85	0.07 143	0.08 31	0.18 302	0.08 130	0.13 250	0.11 49	0.12 45	0.11 63	0.10 129	0.12 164	0.05 1	0.07 110	0.09 35	0.09 54	0.07 243	0.05 186	0.05 25	0.05 111	0.05 102	0.05 123

CASnet	0.09 85	0.09 316	0.09 73	0.19 359	0.06 14	0.07 30	0.11 49	0.18 201	0.14 145	0.11 158	0.10 121	0.09 127	0.07 110	0.10 65	0.10 125	0.06 116	0.04 22	0.10 411	0.08 341	0.05 102	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 85	0.06 59	0.13 233	0.17 220	0.08 130	0.10 131	0.16 288	0.14 78	0.10 37	0.08 66	0.09 92	0.08 102	0.07 110	0.10 65	0.09 54	0.06 116	0.04 22	0.06 105	0.05 111	0.05 102	0.04 41

HanStereo	0.09 85	0.06 59	0.13 233	0.17 220	0.08 130	0.10 131	0.16 288	0.14 78	0.10 37	0.08 66	0.09 92	0.08 102	0.07 110	0.10 65	0.09 54	0.06 116	0.04 22	0.06 105	0.05 111	0.05 102	0.04 41

LL-Strereo2	0.10 146	0.10 374	0.15 319	0.18 302	0.08 130	0.15 308	0.09 18	0.17 172	0.14 145	0.14 244	0.10 121	0.09 127	0.07 110	0.16 320	0.10 125	0.05 28	0.05 186	0.10 411	0.07 276	0.06 195	0.05 123

4D-IteraStereo	0.09 85	0.07 143	0.10 112	0.18 302	0.07 74	0.09 84	0.15 223	0.17 172	0.15 162	0.10 129	0.11 151	0.10 158	0.07 110	0.11 111	0.09 54	0.05 28	0.03 1	0.08 282	0.07 276	0.06 195	0.05 123

RCA-Stereo	0.09 85	0.06 59	0.09 73	0.16 146	0.06 14	0.09 84	0.13 107	0.18 201	0.14 145	0.09 96	0.10 121	0.08 102	0.07 110	0.12 193	0.11 191	0.06 116	0.04 22	0.06 105	0.05 111	0.05 102	0.04 41

RAFT_CTSACE	0.12 255	0.09 316	0.10 112	0.22 458	0.08 130	0.12 211	0.24 477	0.18 201	0.16 190	0.20 384	0.27 394	0.13 221	0.07 110	0.13 238	0.09 54	0.05 28	0.06 311	0.08 282	0.07 276	0.04 16	0.04 41

IPLG	0.10 146	0.07 143	0.15 319	0.17 220	0.08 130	0.11 176	0.14 155	0.20 233	0.15 162	0.12 196	0.17 242	0.07 65	0.07 110	0.14 264	0.13 281	0.06 116	0.04 22	0.06 105	0.05 111	0.04 16	0.04 41

MIPNet	0.11 189	0.08 240	0.14 268	0.17 220	0.09 242	0.12 211	0.14 155	0.20 233	0.24 328	0.11 158	0.10 121	0.09 127	0.07 110	0.13 238	0.12 240	0.06 116	0.04 22	0.06 105	0.05 111	0.04 16	0.04 41

iRaftStereo_RVC	0.10 146	0.07 143	0.09 73	0.17 220	0.09 242	0.11 176	0.17 322	0.18 201	0.12 89	0.09 96	0.12 164	0.10 158	0.07 110	0.11 111	0.10 125	0.05 28	0.04 22	0.08 282	0.08 341	0.04 16	0.04 41

CREStereo++_RVC	0.08 47	0.04 1	0.06 3	0.13 13	0.07 74	0.09 84	0.12 66	0.14 78	0.14 145	0.10 129	0.14 192	0.08 102	0.07 110	0.09 35	0.11 191	0.06 116	0.04 22	0.05 25	0.05 111	0.04 16	0.04 41
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 85	0.06 59	0.10 112	0.17 220	0.08 130	0.09 84	0.10 29	0.18 201	0.16 190	0.10 129	0.09 92	0.12 196	0.07 110	0.12 193	0.10 125	0.08 304	0.05 186	0.06 105	0.05 111	0.05 102	0.05 123

sCroCo_RVC	0.12 255	0.09 316	0.23 450	0.24 488	0.11 393	0.19 401	0.14 155	0.17 172	0.14 145	0.10 129	0.13 178	0.12 196	0.07 110	0.14 264	0.11 191	0.08 304	0.08 409	0.08 282	0.08 341	0.05 102	0.07 283

EAI-Stereo	0.09 85	0.07 143	0.11 153	0.15 72	0.06 14	0.10 131	0.15 223	0.16 136	0.09 24	0.08 66	0.09 92	0.08 102	0.07 110	0.09 35	0.11 191	0.05 28	0.04 22	0.05 25	0.05 111	0.05 102	0.04 41

PMTNet	0.09 85	0.05 19	0.09 73	0.12 4	0.06 14	0.12 211	0.14 155	0.15 109	0.11 63	0.09 96	0.13 178	0.10 158	0.07 110	0.13 238	0.10 125	0.15 498	0.04 22	0.05 25	0.03 1	0.07 261	0.06 203

Reg-Stereo(zero)	0.08 47	0.05 19	0.08 31	0.16 146	0.06 14	0.12 211	0.11 49	0.15 109	0.10 37	0.12 196	0.09 92	0.10 158	0.08 145	0.11 111	0.08 17	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.05 123

castereo	0.09 85	0.06 59	0.11 153	0.15 72	0.06 14	0.11 176	0.15 223	0.14 78	0.18 235	0.08 66	0.10 121	0.11 179	0.08 145	0.09 35	0.10 125	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.03 1

999	0.09 85	0.05 19	0.13 233	0.15 72	0.08 130	0.10 131	0.14 155	0.15 109	0.11 63	0.10 129	0.08 74	0.08 102	0.08 145	0.16 320	0.10 125	0.06 116	0.04 22	0.06 105	0.05 111	0.04 16	0.05 123

rvit_stereo_0080	0.10 146	0.08 240	0.14 268	0.15 72	0.09 242	0.07 30	0.15 223	0.16 136	0.16 190	0.11 158	0.10 121	0.14 241	0.08 145	0.12 193	0.10 125	0.09 363	0.07 383	0.07 198	0.06 189	0.07 261	0.05 123

gcap-zeroshot	0.09 85	0.05 19	0.10 112	0.16 146	0.07 74	0.13 250	0.13 107	0.11 29	0.12 89	0.13 223	0.12 164	0.09 127	0.08 145	0.09 35	0.09 54	0.06 116	0.05 186	0.06 105	0.05 111	0.04 16	0.04 41

trnet	0.08 47	0.05 19	0.07 7	0.12 4	0.05 1	0.12 211	0.11 49	0.13 61	0.10 37	0.08 66	0.13 178	0.09 127	0.08 145	0.11 111	0.10 125	0.08 304	0.05 186	0.05 25	0.03 1	0.06 195	0.05 123

Former-RAFT_DAM_RVC	0.10 146	0.08 240	0.12 188	0.16 146	0.08 130	0.15 308	0.16 288	0.18 201	0.18 235	0.10 129	0.09 92	0.09 127	0.08 145	0.11 111	0.12 240	0.07 243	0.05 186	0.08 282	0.06 189	0.07 261	0.06 203

AE-Stereo	0.10 146	0.08 240	0.10 112	0.18 302	0.09 242	0.10 131	0.15 223	0.14 78	0.19 250	0.09 96	0.14 192	0.12 196	0.08 145	0.11 111	0.10 125	0.05 28	0.06 311	0.07 198	0.06 189	0.05 102	0.04 41

whm_eth	0.10 146	0.08 240	0.14 268	0.15 72	0.09 242	0.07 30	0.15 223	0.16 136	0.16 190	0.11 158	0.10 121	0.14 241	0.08 145	0.12 193	0.10 125	0.09 363	0.07 383	0.07 198	0.06 189	0.07 261	0.05 123

testlalala_base	0.10 146	0.09 316	0.14 268	0.21 443	0.08 130	0.10 131	0.14 155	0.13 61	0.10 37	0.07 33	0.15 209	0.07 65	0.08 145	0.10 65	0.12 240	0.08 304	0.05 186	0.05 25	0.03 1	0.06 195	0.05 123

AEACV	0.08 47	0.05 19	0.08 31	0.14 31	0.13 447	0.14 282	0.13 107	0.14 78	0.09 24	0.07 33	0.09 92	0.07 65	0.08 145	0.10 65	0.09 54	0.06 116	0.04 22	0.06 105	0.05 111	0.05 102	0.04 41

GLC_STEREO	0.11 189	0.07 143	0.11 153	0.17 220	0.07 74	0.09 84	0.13 107	0.15 109	0.24 328	0.12 196	0.13 178	0.12 196	0.08 145	0.18 373	0.11 191	0.06 116	0.08 409	0.08 282	0.06 189	0.05 102	0.05 123

IPLGR	0.11 189	0.09 316	0.16 353	0.18 302	0.08 130	0.12 211	0.17 322	0.21 256	0.24 328	0.11 158	0.12 164	0.11 179	0.08 145	0.12 193	0.12 240	0.06 116	0.05 186	0.06 105	0.06 189	0.04 16	0.04 41

test-3	0.08 47	0.06 59	0.09 73	0.17 220	0.07 74	0.07 30	0.14 155	0.12 45	0.15 162	0.09 96	0.08 74	0.07 65	0.08 145	0.11 111	0.10 125	0.05 28	0.04 22	0.07 198	0.05 111	0.04 16	0.04 41

test_1	0.08 47	0.06 59	0.09 73	0.17 220	0.07 74	0.07 30	0.14 155	0.12 45	0.15 162	0.09 96	0.08 74	0.07 65	0.08 145	0.11 111	0.10 125	0.05 28	0.04 22	0.07 198	0.05 111	0.04 16	0.04 41

HHNet	0.11 189	0.06 59	0.16 353	0.15 72	0.14 467	0.07 30	0.13 107	0.20 233	0.17 209	0.14 244	0.25 369	0.11 179	0.08 145	0.13 238	0.10 125	0.05 28	0.04 22	0.08 282	0.06 189	0.05 102	0.09 391

AnonymousM	0.09 85	0.05 19	0.10 112	0.14 31	0.06 14	0.09 84	0.13 107	0.19 222	0.14 145	0.13 223	0.11 151	0.09 127	0.08 145	0.13 238	0.10 125	0.08 304	0.05 186	0.08 282	0.05 111	0.05 102	0.05 123

test-1	0.10 146	0.07 143	0.16 353	0.19 359	0.08 130	0.11 176	0.24 477	0.14 78	0.18 235	0.09 96	0.07 40	0.09 127	0.08 145	0.07 4	0.09 54	0.06 116	0.04 22	0.06 105	0.05 111	0.04 16	0.04 41

Prome-Stereo	0.11 189	0.06 59	0.10 112	0.18 302	0.08 130	0.12 211	0.15 223	0.22 278	0.13 120	0.12 196	0.17 242	0.13 221	0.08 145	0.12 193	0.10 125	0.05 28	0.04 22	0.07 198	0.06 189	0.06 195	0.09 391

raft+_RVC	0.11 189	0.07 143	0.09 73	0.16 146	0.07 74	0.10 131	0.11 49	0.24 320	0.20 273	0.12 196	0.15 209	0.12 196	0.08 145	0.12 193	0.13 281	0.07 243	0.04 22	0.07 198	0.06 189	0.05 102	0.05 123

XX-TBD	0.09 85	0.06 59	0.07 7	0.14 31	0.07 74	0.12 211	0.16 288	0.14 78	0.13 120	0.11 158	0.12 164	0.09 127	0.08 145	0.10 65	0.10 125	0.06 116	0.04 22	0.05 25	0.03 1	0.06 195	0.05 123

sAnonymous2	0.13 280	0.12 418	0.24 454	0.20 414	0.12 424	0.17 359	0.13 107	0.26 354	0.21 288	0.11 158	0.11 151	0.13 221	0.08 145	0.10 65	0.10 125	0.09 363	0.05 186	0.08 282	0.06 189	0.15 502	0.10 418

CroCo_RVC	0.13 280	0.12 418	0.24 454	0.20 414	0.12 424	0.17 359	0.13 107	0.26 354	0.21 288	0.11 158	0.11 151	0.13 221	0.08 145	0.10 65	0.10 125	0.09 363	0.05 186	0.08 282	0.06 189	0.15 502	0.10 418

CREStereo	0.09 85	0.04 1	0.08 31	0.11 1	0.06 14	0.13 250	0.14 155	0.14 78	0.10 37	0.08 66	0.13 178	0.09 127	0.08 145	0.11 111	0.10 125	0.08 304	0.04 22	0.05 25	0.03 1	0.06 195	0.06 203
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	0.10 146	0.06 59	0.10 112	0.17 220	0.08 130	0.11 176	0.14 155	0.23 298	0.11 63	0.12 196	0.19 276	0.11 179	0.08 145	0.09 35	0.11 191	0.07 243	0.05 186	0.06 105	0.05 111	0.05 102	0.05 123

RAFT-Stereo	0.10 146	0.06 59	0.10 112	0.17 220	0.08 130	0.11 176	0.14 155	0.23 298	0.11 63	0.12 196	0.19 276	0.11 179	0.08 145	0.09 35	0.11 191	0.07 243	0.05 186	0.06 105	0.05 111	0.05 102	0.05 123
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
water-stereo	0.09 85	0.06 59	0.08 31	0.16 146	0.07 74	0.09 84	0.13 107	0.15 109	0.13 120	0.11 158	0.12 164	0.08 102	0.09 171	0.07 4	0.08 17	0.06 116	0.05 186	0.05 25	0.05 111	0.04 16	0.04 41

DilatedVolume-Stereo	0.09 85	0.05 19	0.08 31	0.15 72	0.06 14	0.11 176	0.12 66	0.14 78	0.16 190	0.11 158	0.11 151	0.09 127	0.09 171	0.11 111	0.10 125	0.06 116	0.05 186	0.05 25	0.04 37	0.03 1	0.03 1

S2M2	0.09 85	0.08 240	0.11 153	0.13 13	0.10 344	0.08 53	0.06 1	0.10 18	0.10 37	0.10 129	0.09 92	0.10 158	0.09 171	0.11 111	0.11 191	0.13 481	0.07 383	0.08 282	0.09 387	0.10 418	0.08 347

SGD-Stereo	0.08 47	0.05 19	0.10 112	0.14 31	0.05 1	0.12 211	0.12 66	0.11 29	0.12 89	0.07 33	0.09 92	0.09 127	0.09 171	0.08 16	0.08 17	0.06 116	0.04 22	0.05 25	0.04 37	0.05 102	0.03 1

HI	0.11 189	0.06 59	0.11 153	0.13 13	0.09 242	0.09 84	0.14 155	0.21 256	0.10 37	0.19 361	0.17 242	0.14 241	0.09 171	0.16 320	0.08 17	0.05 28	0.04 22	0.07 198	0.08 341	0.07 261	0.06 203

CoSv	0.11 189	0.06 59	0.11 153	0.13 13	0.09 242	0.09 84	0.14 155	0.21 256	0.10 37	0.19 361	0.17 242	0.14 241	0.09 171	0.16 320	0.08 17	0.05 28	0.04 22	0.07 198	0.08 341	0.07 261	0.06 203

fffy	0.09 85	0.08 240	0.09 73	0.16 146	0.07 74	0.13 250	0.17 322	0.13 61	0.12 89	0.08 66	0.09 92	0.08 102	0.09 171	0.13 238	0.11 191	0.05 28	0.05 186	0.07 198	0.05 111	0.04 16	0.05 123

rvit_stereo_0081_aga	0.11 189	0.09 316	0.14 268	0.18 302	0.09 242	0.13 250	0.14 155	0.14 78	0.19 250	0.10 129	0.18 267	0.16 284	0.09 171	0.12 193	0.09 54	0.10 404	0.06 311	0.08 282	0.07 276	0.07 261	0.06 203

rvit_stereo_0081	0.11 189	0.08 240	0.15 319	0.16 146	0.09 242	0.10 131	0.14 155	0.14 78	0.24 328	0.11 158	0.13 178	0.13 221	0.09 171	0.11 111	0.12 240	0.10 404	0.07 383	0.08 282	0.07 276	0.07 261	0.05 123

rvit_stereo_0082	0.11 189	0.08 240	0.15 319	0.16 146	0.09 242	0.10 131	0.14 155	0.14 78	0.24 328	0.11 158	0.13 178	0.13 221	0.09 171	0.11 111	0.12 240	0.10 404	0.07 383	0.08 282	0.07 276	0.07 261	0.05 123

EKT-Stereo	0.11 189	0.07 143	0.14 268	0.15 72	0.10 344	0.13 250	0.14 155	0.18 201	0.21 288	0.11 158	0.08 74	0.12 196	0.09 171	0.11 111	0.12 240	0.08 304	0.06 311	0.07 198	0.06 189	0.08 324	0.07 283

GCAP-Stereo	0.09 85	0.07 143	0.13 233	0.18 302	0.06 14	0.11 176	0.07 3	0.13 61	0.12 89	0.09 96	0.10 121	0.07 65	0.09 171	0.13 238	0.10 125	0.06 116	0.05 186	0.05 25	0.04 37	0.04 16	0.05 123

Any-RAFT	0.10 146	0.05 19	0.09 73	0.14 31	0.07 74	0.13 250	0.14 155	0.21 256	0.15 162	0.11 158	0.12 164	0.12 196	0.09 171	0.12 193	0.09 54	0.07 243	0.04 22	0.05 25	0.04 37	0.06 195	0.05 123

RAFT-Test	0.09 85	0.06 59	0.10 112	0.15 72	0.07 74	0.11 176	0.15 223	0.16 136	0.13 120	0.09 96	0.10 121	0.10 158	0.09 171	0.12 193	0.09 54	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.05 123

LoS_RVC	0.08 47	0.05 19	0.07 7	0.15 72	0.07 74	0.08 53	0.15 223	0.11 29	0.10 37	0.08 66	0.09 92	0.06 18	0.09 171	0.10 65	0.09 54	0.05 28	0.04 22	0.05 25	0.03 1	0.04 16	0.03 1

anonymousdsp2	0.11 189	0.07 143	0.10 112	0.16 146	0.09 242	0.13 250	0.14 155	0.18 201	0.22 302	0.13 223	0.14 192	0.12 196	0.09 171	0.14 264	0.11 191	0.05 28	0.04 22	0.05 25	0.04 37	0.06 195	0.05 123

LoS	0.09 85	0.05 19	0.11 153	0.13 13	0.07 74	0.14 282	0.11 49	0.15 109	0.15 162	0.09 96	0.09 92	0.12 196	0.09 171	0.15 286	0.10 125	0.07 243	0.05 186	0.05 25	0.03 1	0.05 102	0.05 123
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
knoymous	0.11 189	0.05 19	0.12 188	0.13 13	0.07 74	0.15 308	0.14 155	0.19 222	0.13 120	0.11 158	0.17 242	0.13 221	0.09 171	0.13 238	0.11 191	0.08 304	0.05 186	0.06 105	0.05 111	0.08 324	0.07 283

test_4	0.10 146	0.10 374	0.08 31	0.19 359	0.09 242	0.08 53	0.22 454	0.15 109	0.17 209	0.12 196	0.18 267	0.12 196	0.09 171	0.08 16	0.11 191	0.04 11	0.04 22	0.08 282	0.08 341	0.04 16	0.03 1

iRaft-Stereo_5w	0.12 255	0.09 316	0.12 188	0.19 359	0.08 130	0.09 84	0.12 66	0.21 256	0.21 288	0.19 361	0.14 192	0.11 179	0.09 171	0.20 413	0.16 362	0.05 28	0.05 186	0.07 198	0.06 189	0.05 102	0.06 203

CIPLG	0.11 189	0.08 240	0.14 268	0.17 220	0.08 130	0.12 211	0.15 223	0.17 172	0.15 162	0.14 244	0.11 151	0.16 284	0.09 171	0.16 320	0.11 191	0.07 243	0.05 186	0.06 105	0.05 111	0.05 102	0.06 203

dd	0.15 358	0.16 477	0.16 353	0.19 359	0.09 242	0.15 308	0.18 367	0.21 256	0.25 349	0.23 426	0.20 288	0.21 353	0.09 171	0.21 430	0.16 362	0.10 404	0.06 311	0.08 282	0.06 189	0.08 324	0.06 203

IPLGR_C	0.11 189	0.08 240	0.14 268	0.17 220	0.08 130	0.12 211	0.15 223	0.17 172	0.15 162	0.14 244	0.10 121	0.16 284	0.09 171	0.16 320	0.11 191	0.07 243	0.05 186	0.06 105	0.05 111	0.05 102	0.06 203

ACRE	0.11 189	0.08 240	0.14 268	0.17 220	0.08 130	0.12 211	0.15 223	0.17 172	0.14 145	0.14 244	0.10 121	0.16 284	0.09 171	0.16 320	0.11 191	0.07 243	0.05 186	0.06 105	0.05 111	0.05 102	0.06 203

test_3	0.10 146	0.09 316	0.10 112	0.20 414	0.08 130	0.13 250	0.26 500	0.14 78	0.21 288	0.10 129	0.10 121	0.09 127	0.09 171	0.08 16	0.11 191	0.05 28	0.04 22	0.08 282	0.07 276	0.04 16	0.04 41

Pruner-Stereo	0.11 189	0.07 143	0.12 188	0.17 220	0.09 242	0.06 10	0.12 66	0.17 172	0.17 209	0.13 223	0.19 276	0.13 221	0.09 171	0.11 111	0.11 191	0.06 116	0.04 22	0.07 198	0.06 189	0.06 195	0.08 347

RAFT-345	0.11 189	0.07 143	0.15 319	0.16 146	0.08 130	0.08 53	0.12 66	0.15 109	0.10 37	0.11 158	0.36 461	0.09 127	0.09 171	0.11 111	0.12 240	0.05 28	0.05 186	0.07 198	0.06 189	0.04 16	0.05 123

RALAANet	0.11 189	0.08 240	0.10 112	0.17 220	0.09 242	0.14 282	0.10 29	0.20 233	0.15 162	0.14 244	0.13 178	0.16 284	0.09 171	0.12 193	0.11 191	0.06 116	0.05 186	0.07 198	0.06 189	0.05 102	0.04 41

RAFT-Stereo + iAFF	0.09 85	0.06 59	0.10 112	0.17 220	0.06 14	0.10 131	0.16 288	0.17 172	0.14 145	0.09 96	0.10 121	0.08 102	0.09 171	0.11 111	0.09 54	0.05 28	0.04 22	0.06 105	0.06 189	0.04 16	0.03 1

AFF-stereo	0.09 85	0.06 59	0.10 112	0.17 220	0.07 74	0.10 131	0.16 288	0.17 172	0.09 24	0.10 129	0.12 164	0.09 127	0.09 171	0.12 193	0.09 54	0.05 28	0.04 22	0.07 198	0.07 276	0.04 16	0.03 1

CFNet-RSSM	0.09 85	0.07 143	0.09 73	0.16 146	0.07 74	0.09 84	0.15 223	0.16 136	0.17 209	0.08 66	0.12 164	0.10 158	0.09 171	0.11 111	0.09 54	0.06 116	0.04 22	0.06 105	0.04 37	0.04 16	0.04 41

Gwc-CoAtRS	0.09 85	0.06 59	0.10 112	0.16 146	0.07 74	0.10 131	0.14 155	0.17 172	0.17 209	0.08 66	0.10 121	0.12 196	0.09 171	0.12 193	0.09 54	0.06 116	0.04 22	0.06 105	0.04 37	0.04 16	0.04 41

xyz-stereo-finetune	0.11 189	0.08 240	0.13 233	0.14 31	0.06 14	0.10 131	0.19 406	0.17 172	0.19 250	0.12 196	0.14 192	0.15 270	0.10 203	0.13 238	0.11 191	0.05 28	0.04 22	0.07 198	0.05 111	0.04 16	0.05 123

rvit_stereo_0083	0.12 255	0.08 240	0.17 381	0.16 146	0.09 242	0.11 176	0.15 223	0.14 78	0.26 363	0.11 158	0.14 192	0.13 221	0.10 203	0.12 193	0.12 240	0.10 404	0.08 409	0.09 363	0.07 276	0.07 261	0.05 123

rvit_stereo_ft	0.12 255	0.07 143	0.13 233	0.19 359	0.10 344	0.12 211	0.17 322	0.16 136	0.16 190	0.12 196	0.13 178	0.15 270	0.10 203	0.14 264	0.13 281	0.09 363	0.06 311	0.08 282	0.07 276	0.07 261	0.05 123

H2IRNET	0.10 146	0.09 316	0.09 73	0.18 302	0.09 242	0.12 211	0.15 223	0.14 78	0.21 288	0.10 129	0.10 121	0.10 158	0.10 203	0.10 65	0.10 125	0.05 28	0.04 22	0.08 282	0.08 341	0.06 195	0.05 123

MyStereo8	0.12 255	0.07 143	0.15 319	0.15 72	0.09 242	0.18 378	0.14 155	0.19 222	0.22 302	0.12 196	0.18 267	0.11 179	0.10 203	0.16 320	0.18 395	0.07 243	0.05 186	0.07 198	0.05 111	0.08 324	0.09 391

MyStereo04	0.13 280	0.07 143	0.10 112	0.17 220	0.09 242	0.14 282	0.18 367	0.29 405	0.38 463	0.17 315	0.14 192	0.16 284	0.10 203	0.15 286	0.13 281	0.06 116	0.05 186	0.08 282	0.07 276	0.06 195	0.06 203

StereoVision	0.13 280	0.12 418	0.09 73	0.24 488	0.10 344	0.15 308	0.21 444	0.21 256	0.20 273	0.12 196	0.24 340	0.10 158	0.10 203	0.16 320	0.10 125	0.09 363	0.11 470	0.12 461	0.12 477	0.06 195	0.05 123

DCRE	0.11 189	0.07 143	0.13 233	0.16 146	0.11 393	0.11 176	0.17 322	0.18 201	0.17 209	0.11 158	0.18 267	0.10 158	0.10 203	0.15 286	0.11 191	0.06 116	0.05 186	0.06 105	0.06 189	0.05 102	0.04 41

Selective-RAFT	0.11 189	0.10 374	0.11 153	0.21 443	0.08 130	0.16 338	0.13 107	0.20 233	0.22 302	0.10 129	0.10 121	0.11 179	0.10 203	0.15 286	0.11 191	0.05 28	0.05 186	0.06 105	0.05 111	0.06 195	0.05 123

TestStereo1	0.13 280	0.08 240	0.08 31	0.19 359	0.08 130	0.18 378	0.29 522	0.23 298	0.16 190	0.17 315	0.20 288	0.16 284	0.10 203	0.12 193	0.13 281	0.06 116	0.06 311	0.08 282	0.06 189	0.05 102	0.05 123

DisPM	0.11 189	0.07 143	0.12 188	0.16 146	0.09 242	0.06 10	0.13 107	0.17 172	0.17 209	0.14 244	0.20 288	0.12 196	0.10 203	0.11 111	0.10 125	0.06 116	0.04 22	0.07 198	0.06 189	0.06 195	0.11 444

raft_robust	0.13 280	0.10 374	0.07 7	0.18 302	0.08 130	0.13 250	0.24 477	0.28 394	0.33 424	0.20 384	0.19 276	0.14 241	0.10 203	0.11 111	0.12 240	0.05 28	0.05 186	0.07 198	0.07 276	0.05 102	0.04 41

RAFT+CT+SA	0.13 280	0.11 400	0.09 73	0.19 359	0.09 242	0.15 308	0.28 513	0.22 278	0.22 302	0.15 271	0.26 386	0.10 158	0.10 203	0.11 111	0.12 240	0.05 28	0.04 22	0.07 198	0.08 341	0.07 261	0.06 203

SA-5K	0.13 280	0.08 240	0.08 31	0.19 359	0.08 130	0.18 378	0.29 522	0.23 298	0.16 190	0.17 315	0.20 288	0.16 284	0.10 203	0.12 193	0.13 281	0.06 116	0.06 311	0.08 282	0.06 189	0.05 102	0.05 123

PFNet+	0.11 189	0.06 59	0.13 233	0.16 146	0.09 242	0.05 4	0.12 66	0.17 172	0.21 288	0.16 299	0.19 276	0.14 241	0.10 203	0.11 111	0.11 191	0.08 304	0.05 186	0.09 363	0.08 341	0.06 195	0.11 444

STrans-v2	0.10 146	0.07 143	0.12 188	0.18 302	0.07 74	0.10 131	0.14 155	0.21 256	0.11 63	0.11 158	0.15 209	0.12 196	0.10 203	0.11 111	0.12 240	0.05 28	0.04 22	0.06 105	0.06 189	0.04 16	0.04 41

KYRaft	0.11 189	0.07 143	0.10 112	0.19 359	0.09 242	0.08 53	0.15 223	0.22 278	0.12 89	0.13 223	0.16 221	0.20 344	0.10 203	0.12 193	0.10 125	0.05 28	0.04 22	0.08 282	0.08 341	0.06 195	0.16 511

ASMatch	0.11 189	0.06 59	0.13 233	0.16 146	0.10 344	0.07 30	0.14 155	0.17 172	0.17 209	0.12 196	0.16 221	0.16 284	0.10 203	0.13 238	0.10 125	0.05 28	0.04 22	0.06 105	0.05 111	0.04 16	0.08 347

RAFT-RH_RVC	0.11 189	0.06 59	0.14 268	0.16 146	0.09 242	0.12 211	0.12 66	0.17 172	0.12 89	0.13 223	0.41 498	0.11 179	0.10 203	0.13 238	0.12 240	0.05 28	0.04 22	0.08 282	0.05 111	0.04 16	0.06 203

cross-raft	0.10 146	0.09 316	0.09 73	0.19 359	0.07 74	0.11 176	0.25 492	0.13 61	0.15 162	0.08 66	0.11 151	0.12 196	0.10 203	0.09 35	0.11 191	0.05 28	0.04 22	0.06 105	0.05 111	0.04 16	0.04 41

rafts_anoy	0.11 189	0.06 59	0.10 112	0.17 220	0.08 130	0.10 131	0.14 155	0.17 172	0.14 145	0.13 223	0.13 178	0.12 196	0.10 203	0.11 111	0.12 240	0.07 243	0.04 22	0.09 363	0.11 458	0.07 261	0.06 203

Anonymous3	0.16 381	0.13 447	0.33 493	0.26 504	0.14 467	0.27 489	0.17 322	0.28 394	0.28 386	0.15 271	0.17 242	0.14 241	0.10 203	0.15 286	0.12 240	0.08 304	0.08 409	0.08 282	0.08 341	0.08 324	0.11 444

RALCasStereoNet	0.10 146	0.06 59	0.09 73	0.16 146	0.08 130	0.12 211	0.14 155	0.17 172	0.11 63	0.12 196	0.17 242	0.14 241	0.10 203	0.12 193	0.11 191	0.07 243	0.06 311	0.06 105	0.05 111	0.08 324	0.07 283

RAFT + AFF	0.13 280	0.07 143	0.20 427	0.20 414	0.10 344	0.14 282	0.24 477	0.26 354	0.20 273	0.11 158	0.10 121	0.12 196	0.10 203	0.15 286	0.12 240	0.07 243	0.06 311	0.09 363	0.08 341	0.06 195	0.08 347

GMStereo	0.13 280	0.14 459	0.14 268	0.18 302	0.09 242	0.15 308	0.16 288	0.20 233	0.24 328	0.16 299	0.17 242	0.10 158	0.10 203	0.16 320	0.13 281	0.07 243	0.06 311	0.06 105	0.06 189	0.07 261	0.06 203
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MultiAttention	0.29 512	0.08 240	0.14 268	0.19 359	0.12 424	1.45 575	1.33 576	0.36 490	0.37 456	0.19 361	0.21 309	0.24 395	0.11 228	0.38 526	0.18 395	0.06 116	0.05 186	0.08 282	0.08 341	0.10 418	0.09 391

depthmonostereo	0.09 85	0.06 59	0.09 73	0.15 72	0.06 14	0.10 131	0.13 107	0.14 78	0.14 145	0.10 129	0.10 121	0.09 127	0.11 228	0.08 16	0.09 54	0.06 116	0.05 186	0.06 105	0.04 37	0.04 16	0.03 1

MyStereo05	0.13 280	0.07 143	0.10 112	0.17 220	0.09 242	0.13 250	0.18 367	0.27 375	0.35 445	0.17 315	0.14 192	0.15 270	0.11 228	0.15 286	0.13 281	0.06 116	0.05 186	0.07 198	0.07 276	0.06 195	0.06 203

CoDeX	0.12 255	0.07 143	0.12 188	0.17 220	0.08 130	0.12 211	0.15 223	0.23 298	0.27 372	0.13 223	0.17 242	0.16 284	0.11 228	0.14 264	0.11 191	0.07 243	0.05 186	0.07 198	0.06 189	0.06 195	0.05 123

GMStereo_Zeroshot	0.16 381	0.13 447	0.24 454	0.20 414	0.10 344	0.17 359	0.13 107	0.29 405	0.25 349	0.23 426	0.32 438	0.25 409	0.11 228	0.19 388	0.14 318	0.09 363	0.06 311	0.11 442	0.06 189	0.12 456	0.08 347

MIF-Stereo (partial)	0.11 189	0.06 59	0.10 112	0.19 359	0.10 344	0.10 131	0.11 49	0.17 172	0.18 235	0.14 244	0.16 221	0.09 127	0.11 228	0.12 193	0.12 240	0.08 304	0.05 186	0.08 282	0.07 276	0.06 195	0.07 283

riskmin	0.11 189	0.06 59	0.13 233	0.14 31	0.08 130	0.14 282	0.14 155	0.18 201	0.14 145	0.11 158	0.14 192	0.16 284	0.11 228	0.14 264	0.12 240	0.09 363	0.05 186	0.07 198	0.05 111	0.08 324	0.08 347

fff	0.10 146	0.06 59	0.12 188	0.15 72	0.07 74	0.09 84	0.17 322	0.16 136	0.20 273	0.13 223	0.16 221	0.10 158	0.11 228	0.11 111	0.12 240	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.05 123

Sa-1000	0.12 255	0.08 240	0.08 31	0.18 302	0.08 130	0.14 282	0.22 454	0.22 278	0.18 235	0.15 271	0.20 288	0.17 304	0.11 228	0.10 65	0.10 125	0.06 116	0.05 186	0.09 363	0.09 387	0.05 102	0.05 123

SA	0.12 255	0.09 316	0.08 31	0.18 302	0.08 130	0.12 211	0.24 477	0.23 298	0.18 235	0.17 315	0.27 394	0.14 241	0.11 228	0.11 111	0.11 191	0.05 28	0.05 186	0.09 363	0.08 341	0.05 102	0.04 41

CrosDoStereo	0.12 255	0.06 59	0.12 188	0.14 31	0.08 130	0.12 211	0.15 223	0.17 172	0.22 302	0.19 361	0.24 340	0.15 270	0.11 228	0.11 111	0.12 240	0.06 116	0.04 22	0.07 198	0.07 276	0.05 102	0.05 123

LCNet	0.11 189	0.07 143	0.09 73	0.19 359	0.09 242	0.08 53	0.15 223	0.21 256	0.15 162	0.11 158	0.15 209	0.16 284	0.11 228	0.12 193	0.11 191	0.05 28	0.04 22	0.08 282	0.07 276	0.06 195	0.15 500

TransformOpticalFlow	0.10 146	0.08 240	0.13 233	0.18 302	0.07 74	0.09 84	0.15 223	0.19 222	0.15 162	0.12 196	0.17 242	0.11 179	0.11 228	0.11 111	0.10 125	0.05 28	0.04 22	0.06 105	0.06 189	0.05 102	0.05 123

NF-Stereo	0.11 189	0.07 143	0.13 233	0.17 220	0.09 242	0.10 131	0.14 155	0.23 298	0.19 250	0.12 196	0.17 242	0.12 196	0.11 228	0.11 111	0.11 191	0.06 116	0.04 22	0.07 198	0.06 189	0.06 195	0.12 457

OCTAStereo	0.11 189	0.07 143	0.13 233	0.17 220	0.09 242	0.10 131	0.14 155	0.23 298	0.19 250	0.12 196	0.17 242	0.12 196	0.11 228	0.11 111	0.11 191	0.06 116	0.04 22	0.07 198	0.06 189	0.06 195	0.12 457

PSM-softLoss	0.12 255	0.07 143	0.15 319	0.17 220	0.09 242	0.08 53	0.13 107	0.24 320	0.17 209	0.14 244	0.19 276	0.13 221	0.11 228	0.11 111	0.11 191	0.07 243	0.05 186	0.08 282	0.07 276	0.06 195	0.12 457

KMStereo	0.12 255	0.07 143	0.15 319	0.17 220	0.09 242	0.08 53	0.13 107	0.24 320	0.17 209	0.14 244	0.19 276	0.13 221	0.11 228	0.11 111	0.11 191	0.07 243	0.05 186	0.08 282	0.07 276	0.06 195	0.12 457

PSM-AAD	0.11 189	0.07 143	0.10 112	0.19 359	0.09 242	0.10 131	0.15 223	0.20 233	0.13 120	0.12 196	0.14 192	0.18 318	0.11 228	0.11 111	0.10 125	0.05 28	0.05 186	0.09 363	0.08 341	0.06 195	0.14 493

DeepStereo_LL	0.12 255	0.06 59	0.12 188	0.14 31	0.08 130	0.12 211	0.15 223	0.17 172	0.22 302	0.19 361	0.24 340	0.15 270	0.11 228	0.11 111	0.12 240	0.06 116	0.04 22	0.07 198	0.07 276	0.05 102	0.05 123

PFNet	0.12 255	0.06 59	0.17 381	0.17 220	0.08 130	0.09 84	0.15 223	0.26 354	0.20 273	0.16 299	0.16 221	0.14 241	0.11 228	0.12 193	0.11 191	0.06 116	0.04 22	0.07 198	0.06 189	0.05 102	0.05 123

GrayStereo	0.11 189	0.06 59	0.11 153	0.19 359	0.09 242	0.09 84	0.16 288	0.18 201	0.17 209	0.14 244	0.17 242	0.17 304	0.11 228	0.12 193	0.11 191	0.05 28	0.05 186	0.07 198	0.06 189	0.05 102	0.10 418

RE-Stereo	0.11 189	0.07 143	0.13 233	0.17 220	0.09 242	0.10 131	0.14 155	0.23 298	0.19 250	0.12 196	0.17 242	0.12 196	0.11 228	0.11 111	0.11 191	0.06 116	0.04 22	0.07 198	0.06 189	0.06 195	0.12 457

TVStereo	0.11 189	0.07 143	0.13 233	0.17 220	0.09 242	0.10 131	0.14 155	0.23 298	0.19 250	0.12 196	0.17 242	0.12 196	0.11 228	0.11 111	0.11 191	0.06 116	0.04 22	0.07 198	0.06 189	0.06 195	0.12 457

GMM-Stereo	0.11 189	0.07 143	0.10 112	0.18 302	0.09 242	0.08 53	0.15 223	0.23 298	0.16 190	0.11 158	0.15 209	0.13 221	0.11 228	0.11 111	0.11 191	0.05 28	0.04 22	0.08 282	0.07 276	0.06 195	0.09 391

s12784h	0.09 85	0.06 59	0.07 7	0.15 72	0.05 1	0.16 338	0.18 367	0.15 109	0.15 162	0.10 129	0.11 151	0.11 179	0.11 228	0.10 65	0.12 240	0.05 28	0.04 22	0.05 25	0.04 37	0.04 16	0.04 41

DCANet	0.10 146	0.06 59	0.12 188	0.16 146	0.06 14	0.09 84	0.17 322	0.15 109	0.19 250	0.13 223	0.17 242	0.10 158	0.11 228	0.11 111	0.12 240	0.06 116	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

csc	0.10 146	0.06 59	0.12 188	0.15 72	0.07 74	0.09 84	0.17 322	0.16 136	0.20 273	0.13 223	0.16 221	0.10 158	0.11 228	0.11 111	0.12 240	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.05 123

cscssc	0.10 146	0.06 59	0.12 188	0.15 72	0.07 74	0.09 84	0.17 322	0.16 136	0.20 273	0.13 223	0.16 221	0.10 158	0.11 228	0.11 111	0.12 240	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.05 123

111	0.10 146	0.06 59	0.12 188	0.15 72	0.07 74	0.10 131	0.14 155	0.21 256	0.23 312	0.11 158	0.12 164	0.14 241	0.11 228	0.13 238	0.10 125	0.06 116	0.04 22	0.06 105	0.04 37	0.05 102	0.05 123

ARAFT	0.12 255	0.08 240	0.17 381	0.19 359	0.09 242	0.14 282	0.18 367	0.20 233	0.12 89	0.12 196	0.13 178	0.14 241	0.11 228	0.15 286	0.12 240	0.06 116	0.05 186	0.10 411	0.09 387	0.05 102	0.04 41

HITNet	0.10 146	0.06 59	0.12 188	0.14 31	0.06 14	0.11 176	0.10 29	0.18 201	0.18 235	0.13 223	0.16 221	0.14 241	0.11 228	0.15 286	0.13 281	0.06 116	0.04 22	0.04 1	0.04 37	0.06 195	0.05 123
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
FlowAnything_test	0.11 189	0.08 240	0.14 268	0.15 72	0.09 242	0.07 30	0.14 155	0.20 233	0.11 63	0.09 96	0.09 92	0.12 196	0.12 259	0.13 238	0.11 191	0.09 363	0.06 311	0.09 363	0.09 387	0.06 195	0.09 391

xyz-stereo-finetune2	0.11 189	0.07 143	0.13 233	0.13 13	0.07 74	0.11 176	0.19 406	0.17 172	0.12 89	0.15 271	0.15 209	0.17 304	0.12 259	0.13 238	0.11 191	0.05 28	0.04 22	0.07 198	0.05 111	0.04 16	0.06 203

DFGA-Net	0.13 280	0.11 400	0.18 404	0.17 220	0.10 344	0.12 211	0.13 107	0.22 278	0.25 349	0.16 299	0.16 221	0.13 221	0.12 259	0.16 320	0.14 318	0.07 243	0.05 186	0.08 282	0.07 276	0.05 102	0.05 123

DDVS	0.15 358	0.10 374	0.21 435	0.16 146	0.12 424	0.15 308	0.14 155	0.25 336	0.19 250	0.18 345	0.29 420	0.27 426	0.12 259	0.19 388	0.15 346	0.09 363	0.06 311	0.09 363	0.07 276	0.11 441	0.11 444

rvit_0105_6	0.14 314	0.09 316	0.18 404	0.17 220	0.10 344	0.10 131	0.16 288	0.19 222	0.26 363	0.12 196	0.18 267	0.17 304	0.12 259	0.18 373	0.12 240	0.15 498	0.11 470	0.12 461	0.10 426	0.09 386	0.06 203

rvit_0105_5	0.14 314	0.09 316	0.13 233	0.17 220	0.09 242	0.14 282	0.23 465	0.24 320	0.27 372	0.14 244	0.15 209	0.18 318	0.12 259	0.17 352	0.14 318	0.14 494	0.11 470	0.10 411	0.10 426	0.08 324	0.06 203

GCST	0.37 529	0.42 546	0.26 462	1.02 570	0.39 545	0.18 378	0.08 7	0.20 233	0.17 209	0.28 474	0.25 369	0.15 270	0.12 259	0.16 320	0.14 318	0.64 563	0.43 552	0.75 560	0.65 563	0.63 557	0.46 556

plain	0.10 146	0.08 240	0.10 112	0.19 359	0.09 242	0.10 131	0.15 223	0.14 78	0.13 120	0.13 223	0.15 209	0.09 127	0.12 259	0.13 238	0.12 240	0.07 243	0.05 186	0.09 363	0.06 189	0.06 195	0.06 203

PCWNet_CMD	0.14 314	0.08 240	0.15 319	0.17 220	0.09 242	0.14 282	0.14 155	0.29 405	0.36 449	0.14 244	0.20 288	0.21 353	0.12 259	0.17 352	0.13 281	0.07 243	0.05 186	0.07 198	0.07 276	0.07 261	0.07 283

ADStereo(finetuned)	0.10 146	0.06 59	0.12 188	0.16 146	0.06 14	0.09 84	0.17 322	0.15 109	0.19 250	0.13 223	0.17 242	0.10 158	0.12 259	0.11 111	0.12 240	0.06 116	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

GMOStereo	0.11 189	0.09 316	0.07 7	0.19 359	0.08 130	0.12 211	0.28 513	0.13 61	0.17 209	0.11 158	0.17 242	0.14 241	0.12 259	0.07 4	0.07 1	0.05 28	0.05 186	0.09 363	0.07 276	0.04 16	0.04 41

error version	0.11 189	0.09 316	0.07 7	0.19 359	0.08 130	0.12 211	0.28 513	0.13 61	0.17 209	0.11 158	0.17 242	0.14 241	0.12 259	0.07 4	0.07 1	0.05 28	0.05 186	0.09 363	0.07 276	0.04 16	0.04 41

test-v	0.11 189	0.09 316	0.07 7	0.19 359	0.08 130	0.12 211	0.28 513	0.13 61	0.17 209	0.11 158	0.17 242	0.14 241	0.12 259	0.07 4	0.07 1	0.05 28	0.05 186	0.09 363	0.07 276	0.04 16	0.04 41

GANet-ADL	0.13 280	0.07 143	0.15 319	0.17 220	0.10 344	0.18 378	0.15 223	0.30 419	0.20 273	0.13 223	0.18 267	0.19 332	0.12 259	0.16 320	0.13 281	0.08 304	0.06 311	0.06 105	0.05 111	0.07 261	0.08 347

Patchmatch Stereo++	0.11 189	0.09 316	0.16 353	0.18 302	0.08 130	0.06 10	0.11 49	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283
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	0.11 189	0.06 59	0.14 268	0.18 302	0.08 130	0.09 84	0.12 66	0.21 256	0.21 288	0.13 223	0.14 192	0.11 179	0.12 259	0.11 111	0.13 281	0.06 116	0.04 22	0.07 198	0.06 189	0.05 102	0.04 41

IIG-Stereo	0.11 189	0.06 59	0.13 233	0.17 220	0.08 130	0.11 176	0.12 66	0.22 278	0.17 209	0.14 244	0.17 242	0.11 179	0.12 259	0.12 193	0.12 240	0.06 116	0.05 186	0.07 198	0.06 189	0.05 102	0.04 41

NRIStereo	0.11 189	0.08 240	0.14 268	0.18 302	0.08 130	0.10 131	0.14 155	0.16 136	0.15 162	0.12 196	0.14 192	0.13 221	0.12 259	0.13 238	0.10 125	0.06 116	0.04 22	0.07 198	0.06 189	0.06 195	0.07 283

PSM-adaLoss	0.11 189	0.09 316	0.16 353	0.18 302	0.08 130	0.06 10	0.12 66	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283

FTStereo	0.12 255	0.06 59	0.14 268	0.18 302	0.09 242	0.07 30	0.15 223	0.21 256	0.18 235	0.12 196	0.24 340	0.12 196	0.12 259	0.13 238	0.13 281	0.05 28	0.05 186	0.07 198	0.06 189	0.06 195	0.10 418

ROB_FTStereo_v2	0.11 189	0.09 316	0.16 353	0.19 359	0.08 130	0.06 10	0.12 66	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283

ROB_FTStereo	0.11 189	0.09 316	0.16 353	0.19 359	0.08 130	0.06 10	0.11 49	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283

HUI-Stereo	0.11 189	0.09 316	0.16 353	0.18 302	0.08 130	0.06 10	0.12 66	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283

SST-Stereo	0.10 146	0.07 143	0.15 319	0.18 302	0.09 242	0.06 10	0.12 66	0.17 172	0.11 63	0.15 271	0.17 242	0.13 221	0.12 259	0.10 65	0.11 191	0.06 116	0.04 22	0.09 363	0.06 189	0.06 195	0.05 123

THIR-Stereo	0.12 255	0.07 143	0.11 153	0.15 72	0.08 130	0.14 282	0.16 288	0.17 172	0.25 349	0.16 299	0.24 340	0.14 241	0.12 259	0.12 193	0.14 318	0.06 116	0.04 22	0.07 198	0.07 276	0.05 102	0.05 123

RAFT_R40	0.11 189	0.07 143	0.14 268	0.18 302	0.09 242	0.06 10	0.13 107	0.17 172	0.16 190	0.14 244	0.18 267	0.15 270	0.12 259	0.10 65	0.11 191	0.06 116	0.04 22	0.09 363	0.06 189	0.06 195	0.05 123

DeepStereo_RVC	0.11 189	0.08 240	0.16 353	0.18 302	0.08 130	0.08 53	0.12 66	0.17 172	0.12 89	0.13 223	0.14 192	0.12 196	0.12 259	0.12 193	0.11 191	0.06 116	0.04 22	0.07 198	0.06 189	0.07 261	0.08 347

iGMRVC	0.11 189	0.09 316	0.16 353	0.19 359	0.08 130	0.06 10	0.12 66	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283

IRAFT_RVC	0.12 255	0.08 240	0.16 353	0.19 359	0.08 130	0.07 30	0.15 223	0.24 320	0.23 312	0.14 244	0.14 192	0.15 270	0.12 259	0.12 193	0.10 125	0.06 116	0.04 22	0.09 363	0.06 189	0.06 195	0.06 203

iRAFT	0.11 189	0.09 316	0.16 353	0.18 302	0.08 130	0.06 10	0.11 49	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283

CRE-IMP	0.11 189	0.09 316	0.16 353	0.19 359	0.08 130	0.10 131	0.12 66	0.18 201	0.10 37	0.14 244	0.13 178	0.13 221	0.12 259	0.12 193	0.11 191	0.07 243	0.04 22	0.08 282	0.06 189	0.08 324	0.08 347

test-2	0.11 189	0.09 316	0.07 7	0.19 359	0.08 130	0.12 211	0.28 513	0.13 61	0.17 209	0.11 158	0.17 242	0.14 241	0.12 259	0.07 4	0.07 1	0.05 28	0.05 186	0.09 363	0.07 276	0.04 16	0.04 41

RAFT	0.13 280	0.09 316	0.11 153	0.18 302	0.08 130	0.15 308	0.24 477	0.20 233	0.19 250	0.21 398	0.21 309	0.17 304	0.12 259	0.16 320	0.09 54	0.06 116	0.07 383	0.10 411	0.09 387	0.05 102	0.05 123

RAFT-IKP	0.11 189	0.09 316	0.16 353	0.19 359	0.08 130	0.06 10	0.12 66	0.16 136	0.13 120	0.15 271	0.16 221	0.14 241	0.12 259	0.11 111	0.10 125	0.06 116	0.04 22	0.08 282	0.06 189	0.08 324	0.07 283

TestStereo	0.13 280	0.14 459	0.11 153	0.23 479	0.08 130	0.15 308	0.21 444	0.20 233	0.23 312	0.14 244	0.24 340	0.16 284	0.12 259	0.16 320	0.14 318	0.05 28	0.06 311	0.08 282	0.06 189	0.09 386	0.05 123

FENet	0.13 280	0.08 240	0.12 188	0.16 146	0.08 130	0.14 282	0.15 223	0.22 278	0.23 312	0.17 315	0.23 328	0.16 284	0.12 259	0.14 264	0.15 346	0.08 304	0.05 186	0.08 282	0.08 341	0.07 261	0.07 283

DIP-Stereo	0.11 189	0.07 143	0.14 268	0.17 220	0.09 242	0.13 250	0.09 18	0.16 136	0.16 190	0.11 158	0.16 221	0.14 241	0.12 259	0.15 286	0.13 281	0.06 116	0.05 186	0.06 105	0.05 111	0.05 102	0.06 203
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	0.14 314	0.08 240	0.15 319	0.17 220	0.09 242	0.14 282	0.14 155	0.29 405	0.36 449	0.14 244	0.21 309	0.21 353	0.12 259	0.17 352	0.14 318	0.07 243	0.05 186	0.07 198	0.07 276	0.07 261	0.07 283

G2L-Stereo	0.14 314	0.07 143	0.13 233	0.17 220	0.09 242	0.13 250	0.12 66	0.27 375	0.22 302	0.16 299	0.27 394	0.21 353	0.13 297	0.17 352	0.18 395	0.09 363	0.08 409	0.08 282	0.07 276	0.07 261	0.07 283

rvit_0105_4	0.14 314	0.09 316	0.17 381	0.17 220	0.10 344	0.12 211	0.19 406	0.23 298	0.27 372	0.14 244	0.20 288	0.17 304	0.13 297	0.17 352	0.13 281	0.15 498	0.11 470	0.11 442	0.10 426	0.09 386	0.06 203

rvit_0105_3	0.15 358	0.09 316	0.14 268	0.19 359	0.12 424	0.15 308	0.25 492	0.25 336	0.29 393	0.15 271	0.17 242	0.20 344	0.13 297	0.17 352	0.14 318	0.13 481	0.11 470	0.12 461	0.14 490	0.07 261	0.06 203

UGAM	0.13 280	0.10 374	0.09 73	0.22 458	0.08 130	0.12 211	0.20 427	0.17 172	0.23 312	0.21 398	0.16 221	0.13 221	0.13 297	0.19 388	0.12 240	0.07 243	0.05 186	0.13 476	0.11 458	0.07 261	0.05 123

ffm	0.12 255	0.09 316	0.14 268	0.16 146	0.08 130	0.17 359	0.17 322	0.15 109	0.19 250	0.15 271	0.25 369	0.19 332	0.13 297	0.10 65	0.07 1	0.06 116	0.04 22	0.09 363	0.08 341	0.06 195	0.06 203

ff1	0.13 280	0.09 316	0.14 268	0.16 146	0.08 130	0.17 359	0.17 322	0.15 109	0.19 250	0.15 271	0.25 369	0.19 332	0.13 297	0.14 264	0.20 414	0.06 116	0.04 22	0.09 363	0.08 341	0.06 195	0.06 203

mmx	0.14 314	0.09 316	0.14 268	0.16 146	0.08 130	0.17 359	0.17 322	0.27 375	0.25 349	0.15 271	0.25 369	0.19 332	0.13 297	0.14 264	0.20 414	0.08 304	0.06 311	0.09 363	0.08 341	0.08 324	0.08 347

ttt	0.14 314	0.08 240	0.14 268	0.15 72	0.08 130	0.15 308	0.18 367	0.27 375	0.29 393	0.16 299	0.24 340	0.17 304	0.13 297	0.13 238	0.14 318	0.11 433	0.08 409	0.09 363	0.08 341	0.09 386	0.08 347

xxx	0.14 314	0.09 316	0.14 268	0.16 146	0.08 130	0.17 359	0.17 322	0.27 375	0.25 349	0.15 271	0.25 369	0.19 332	0.13 297	0.14 264	0.20 414	0.08 304	0.06 311	0.09 363	0.08 341	0.08 324	0.08 347

LL-Strereo	0.13 280	0.09 316	0.11 153	0.20 414	0.10 344	0.11 176	0.18 367	0.32 440	0.24 328	0.15 271	0.15 209	0.14 241	0.13 297	0.19 388	0.11 191	0.06 116	0.04 22	0.09 363	0.08 341	0.04 16	0.05 123

SDNR	0.19 427	0.08 240	0.19 415	0.16 146	0.12 424	0.77 560	0.14 155	0.25 336	0.32 417	0.19 361	0.24 340	0.19 332	0.13 297	0.19 388	0.15 346	0.16 514	0.18 522	0.14 488	0.11 458	0.08 324	0.11 444

BUS	0.14 314	0.09 316	0.14 268	0.22 458	0.10 344	0.19 401	0.14 155	0.34 468	0.19 250	0.17 315	0.22 319	0.16 284	0.13 297	0.15 286	0.13 281	0.08 304	0.06 311	0.10 411	0.09 387	0.07 261	0.07 283

NINENet	0.16 381	0.10 374	0.15 319	0.17 220	0.11 393	0.19 401	0.14 155	0.40 512	0.36 449	0.18 345	0.21 309	0.16 284	0.13 297	0.15 286	0.13 281	0.08 304	0.08 409	0.10 411	0.07 276	0.10 418	0.09 391

UDGNet	0.14 314	0.13 447	0.16 353	0.17 220	0.10 344	0.12 211	0.16 288	0.21 256	0.27 372	0.20 384	0.20 288	0.16 284	0.13 297	0.16 320	0.13 281	0.10 404	0.06 311	0.09 363	0.07 276	0.06 195	0.07 283

dad	0.17 401	0.20 506	0.20 427	0.16 146	0.11 393	0.20 416	0.18 367	0.21 256	0.28 386	0.30 486	0.24 340	0.29 444	0.13 297	0.19 388	0.16 362	0.18 520	0.09 438	0.11 442	0.09 387	0.11 441	0.07 283

GEStereo_RVC	0.17 401	0.12 418	0.15 319	0.22 458	0.11 393	0.19 401	0.17 322	0.32 440	0.48 501	0.20 384	0.25 369	0.17 304	0.13 297	0.21 430	0.16 362	0.10 404	0.06 311	0.08 282	0.07 276	0.09 386	0.08 347

CFNet_pseudo	0.14 314	0.08 240	0.15 319	0.16 146	0.09 242	0.13 250	0.14 155	0.27 375	0.34 436	0.14 244	0.21 309	0.22 371	0.13 297	0.18 373	0.14 318	0.07 243	0.05 186	0.08 282	0.06 189	0.07 261	0.07 283

GES	0.14 314	0.08 240	0.16 353	0.15 72	0.10 344	0.13 250	0.13 107	0.28 394	0.25 349	0.16 299	0.23 328	0.18 318	0.13 297	0.16 320	0.13 281	0.08 304	0.07 383	0.07 198	0.06 189	0.08 324	0.09 391

SFCPSM	0.13 280	0.07 143	0.14 268	0.17 220	0.09 242	0.15 308	0.16 288	0.28 394	0.27 372	0.14 244	0.17 242	0.12 196	0.13 297	0.14 264	0.11 191	0.08 304	0.05 186	0.07 198	0.07 276	0.07 261	0.06 203

ccs_rob	0.14 314	0.08 240	0.15 319	0.16 146	0.09 242	0.12 211	0.14 155	0.27 375	0.34 436	0.14 244	0.21 309	0.22 371	0.13 297	0.18 373	0.14 318	0.07 243	0.05 186	0.08 282	0.07 276	0.07 261	0.07 283

AdaStereo	0.15 358	0.11 400	0.15 319	0.18 302	0.09 242	0.20 416	0.11 49	0.32 440	0.28 386	0.20 384	0.23 328	0.20 344	0.13 297	0.19 388	0.14 318	0.12 458	0.05 186	0.10 411	0.07 276	0.09 386	0.07 283
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	0.14 314	0.08 240	0.15 319	0.16 146	0.08 130	0.16 338	0.12 66	0.25 336	0.35 445	0.21 398	0.29 420	0.24 395	0.13 297	0.14 264	0.14 318	0.06 116	0.05 186	0.06 105	0.04 37	0.09 386	0.08 347

MLCV	0.12 255	0.07 143	0.16 353	0.18 302	0.06 14	0.15 308	0.17 322	0.19 222	0.21 288	0.18 345	0.25 369	0.17 304	0.13 297	0.14 264	0.13 281	0.05 28	0.04 22	0.05 25	0.04 37	0.05 102	0.04 41

iResNet	0.13 280	0.10 374	0.18 404	0.19 359	0.08 130	0.13 250	0.18 367	0.20 233	0.26 363	0.15 271	0.23 328	0.15 270	0.13 297	0.14 264	0.14 318	0.06 116	0.04 22	0.06 105	0.05 111	0.06 195	0.05 123

DN-CSS_ROB	0.13 280	0.13 447	0.16 353	0.18 302	0.10 344	0.16 338	0.08 7	0.22 278	0.18 235	0.17 315	0.22 319	0.13 221	0.13 297	0.12 193	0.13 281	0.05 28	0.05 186	0.10 411	0.10 426	0.08 324	0.06 203

G2L-ROB	0.13 280	0.06 59	0.13 233	0.13 13	0.08 130	0.14 282	0.16 288	0.25 336	0.18 235	0.19 361	0.18 267	0.20 344	0.14 322	0.17 352	0.16 362	0.08 304	0.05 186	0.06 105	0.05 111	0.08 324	0.09 391

test_sample6	0.14 314	0.08 240	0.13 233	0.16 146	0.08 130	0.17 359	0.19 406	0.25 336	0.17 209	0.17 315	0.27 394	0.19 332	0.14 322	0.15 286	0.13 281	0.08 304	0.05 186	0.08 282	0.07 276	0.08 324	0.08 347

test_sample5	0.14 314	0.08 240	0.14 268	0.16 146	0.08 130	0.18 378	0.18 367	0.25 336	0.17 209	0.17 315	0.27 394	0.18 318	0.14 322	0.16 320	0.13 281	0.08 304	0.05 186	0.08 282	0.07 276	0.08 324	0.08 347

test_sample4	0.14 314	0.08 240	0.14 268	0.15 72	0.08 130	0.19 401	0.18 367	0.26 354	0.17 209	0.16 299	0.25 369	0.18 318	0.14 322	0.16 320	0.13 281	0.08 304	0.06 311	0.08 282	0.06 189	0.08 324	0.08 347

DualNet	0.14 314	0.08 240	0.14 268	0.16 146	0.08 130	0.18 378	0.18 367	0.25 336	0.17 209	0.17 315	0.27 394	0.18 318	0.14 322	0.16 320	0.13 281	0.08 304	0.05 186	0.08 282	0.07 276	0.08 324	0.08 347

CFNet_ucs	0.15 358	0.08 240	0.16 353	0.16 146	0.11 393	0.14 282	0.14 155	0.30 419	0.34 436	0.16 299	0.24 340	0.23 389	0.14 322	0.18 373	0.15 346	0.09 363	0.06 311	0.08 282	0.07 276	0.09 386	0.09 391

anonymousa	0.13 280	0.07 143	0.13 233	0.18 302	0.09 242	0.13 250	0.17 322	0.19 222	0.29 393	0.15 271	0.24 340	0.15 270	0.14 322	0.14 264	0.14 318	0.07 243	0.05 186	0.07 198	0.09 387	0.05 102	0.06 203

DCANet-4	0.10 146	0.06 59	0.12 188	0.16 146	0.06 14	0.09 84	0.17 322	0.18 201	0.19 250	0.13 223	0.16 221	0.09 127	0.14 322	0.11 111	0.12 240	0.06 116	0.04 22	0.05 25	0.04 37	0.04 16	0.05 123

GwcNet-ADL	0.13 280	0.08 240	0.14 268	0.20 414	0.09 242	0.11 176	0.20 427	0.30 419	0.24 328	0.13 223	0.14 192	0.18 318	0.14 322	0.13 238	0.14 318	0.07 243	0.05 186	0.06 105	0.05 111	0.07 261	0.06 203

AAGNet	0.11 189	0.07 143	0.16 353	0.19 359	0.09 242	0.08 53	0.13 107	0.18 201	0.13 120	0.16 299	0.21 309	0.13 221	0.14 322	0.11 111	0.14 318	0.06 116	0.04 22	0.09 363	0.06 189	0.06 195	0.05 123

DEmStereo	0.12 255	0.06 59	0.14 268	0.14 31	0.10 344	0.16 338	0.15 223	0.16 136	0.24 328	0.17 315	0.24 340	0.13 221	0.14 322	0.12 193	0.13 281	0.05 28	0.04 22	0.07 198	0.06 189	0.05 102	0.05 123

HCRNet	0.16 381	0.24 520	0.12 188	0.35 535	0.11 393	0.15 308	0.17 322	0.26 354	0.22 302	0.19 361	0.24 340	0.21 353	0.14 322	0.15 286	0.13 281	0.11 433	0.07 383	0.11 442	0.10 426	0.09 386	0.07 283

xxxx	0.15 358	0.07 143	0.14 268	0.14 31	0.08 130	0.23 454	0.18 367	0.31 429	0.19 250	0.14 244	0.28 408	0.22 371	0.14 322	0.15 286	0.26 488	0.09 363	0.05 186	0.07 198	0.07 276	0.08 324	0.07 283

PSMNet-RSSM	0.14 314	0.07 143	0.13 233	0.15 72	0.08 130	0.13 250	0.16 288	0.24 320	0.24 328	0.16 299	0.28 408	0.22 371	0.14 322	0.15 286	0.13 281	0.11 433	0.06 311	0.09 363	0.12 477	0.08 324	0.07 283

CFNet-ft	0.14 314	0.07 143	0.15 319	0.12 4	0.09 242	0.16 338	0.18 367	0.22 278	0.24 328	0.17 315	0.26 386	0.24 395	0.14 322	0.16 320	0.14 318	0.11 433	0.06 311	0.08 282	0.09 387	0.09 386	0.08 347

BEATNet_4x	0.12 255	0.08 240	0.14 268	0.18 302	0.07 74	0.15 308	0.07 3	0.22 278	0.18 235	0.16 299	0.19 276	0.18 318	0.14 322	0.16 320	0.15 346	0.07 243	0.05 186	0.05 25	0.05 111	0.06 195	0.06 203

HSM-Net_RVC	0.14 314	0.08 240	0.11 153	0.15 72	0.08 130	0.15 308	0.15 223	0.27 375	0.29 393	0.19 361	0.21 309	0.29 444	0.14 322	0.17 352	0.13 281	0.06 116	0.06 311	0.06 105	0.06 189	0.07 261	0.06 203
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 314	0.07 143	0.15 319	0.12 4	0.09 242	0.16 338	0.18 367	0.22 278	0.24 328	0.17 315	0.26 386	0.24 395	0.14 322	0.16 320	0.14 318	0.11 433	0.06 311	0.08 282	0.09 387	0.09 386	0.08 347

DCVSM-stereo	0.14 314	0.09 316	0.16 353	0.16 146	0.10 344	0.15 308	0.09 18	0.19 222	0.23 312	0.20 384	0.23 328	0.26 418	0.15 340	0.18 373	0.14 318	0.09 363	0.07 383	0.09 363	0.08 341	0.10 418	0.12 457

ACV-stereo	0.15 358	0.10 374	0.28 474	0.18 302	0.12 424	0.14 282	0.12 66	0.23 298	0.21 288	0.19 361	0.23 328	0.22 371	0.15 340	0.23 454	0.17 377	0.07 243	0.06 311	0.07 198	0.07 276	0.07 261	0.07 283

ITSA-stereo	0.15 358	0.10 374	0.14 268	0.19 359	0.08 130	0.12 211	0.14 155	0.30 419	0.49 507	0.17 315	0.19 276	0.22 371	0.15 340	0.17 352	0.16 362	0.10 404	0.06 311	0.08 282	0.08 341	0.08 324	0.08 347

rvit_stereo_0075_2	0.17 401	0.12 418	0.25 459	0.23 479	0.16 495	0.13 250	0.10 29	0.30 419	0.27 372	0.20 384	0.28 408	0.22 371	0.15 340	0.18 373	0.13 281	0.16 514	0.10 458	0.17 508	0.10 426	0.10 418	0.09 391

test_sample3	0.14 314	0.08 240	0.15 319	0.14 31	0.09 242	0.19 401	0.17 322	0.26 354	0.18 235	0.16 299	0.22 319	0.19 332	0.15 340	0.17 352	0.13 281	0.08 304	0.06 311	0.07 198	0.06 189	0.09 386	0.08 347

test_sample2	0.12 255	0.07 143	0.12 188	0.14 31	0.08 130	0.16 338	0.18 367	0.21 256	0.16 190	0.14 244	0.20 288	0.19 332	0.15 340	0.15 286	0.12 240	0.08 304	0.05 186	0.07 198	0.06 189	0.08 324	0.07 283

SMFormer	0.14 314	0.07 143	0.17 381	0.14 31	0.08 130	0.16 338	0.17 322	0.26 354	0.27 372	0.19 361	0.20 288	0.18 318	0.15 340	0.15 286	0.17 377	0.08 304	0.05 186	0.07 198	0.06 189	0.07 261	0.06 203

tta	0.14 314	0.07 143	0.17 381	0.14 31	0.08 130	0.16 338	0.17 322	0.26 354	0.27 372	0.19 361	0.20 288	0.18 318	0.15 340	0.15 286	0.17 377	0.08 304	0.05 186	0.07 198	0.06 189	0.06 195	0.06 203

qqq1	0.13 280	0.07 143	0.17 381	0.14 31	0.08 130	0.16 338	0.17 322	0.26 354	0.27 372	0.19 361	0.20 288	0.18 318	0.15 340	0.15 286	0.11 191	0.08 304	0.05 186	0.05 25	0.05 111	0.06 195	0.06 203

fff1	0.13 280	0.07 143	0.17 381	0.14 31	0.08 130	0.16 338	0.17 322	0.26 354	0.27 372	0.19 361	0.20 288	0.18 318	0.15 340	0.15 286	0.11 191	0.08 304	0.05 186	0.05 25	0.05 111	0.06 195	0.06 203

1111x	0.15 358	0.08 240	0.12 188	0.18 302	0.07 74	0.18 378	0.25 492	0.31 429	0.24 328	0.17 315	0.24 340	0.26 418	0.15 340	0.13 238	0.23 455	0.07 243	0.07 383	0.08 282	0.09 387	0.07 261	0.06 203

iinet-f	0.16 381	0.06 59	0.45 517	0.14 31	0.10 344	0.21 433	0.14 155	0.27 375	0.23 312	0.21 398	0.24 340	0.21 353	0.15 340	0.18 373	0.21 434	0.09 363	0.07 383	0.07 198	0.06 189	0.09 386	0.10 418

GASNet	0.22 460	0.23 517	0.33 493	0.26 504	0.17 510	0.26 479	0.16 288	0.44 529	0.42 482	0.27 459	0.24 340	0.30 453	0.15 340	0.27 473	0.18 395	0.12 458	0.08 409	0.12 461	0.11 458	0.16 509	0.07 283

CASS	0.13 280	0.12 418	0.11 153	0.23 479	0.09 242	0.15 308	0.17 322	0.18 201	0.19 250	0.17 315	0.18 267	0.15 270	0.15 340	0.14 264	0.14 318	0.09 363	0.06 311	0.10 411	0.08 341	0.09 386	0.07 283
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 415	0.09 316	0.29 482	0.15 72	0.10 344	0.22 441	0.20 427	0.26 354	0.39 466	0.25 448	0.42 504	0.24 395	0.15 340	0.20 413	0.19 408	0.07 243	0.05 186	0.06 105	0.05 111	0.10 418	0.09 391

test_5	0.14 314	0.12 418	0.08 31	0.20 414	0.10 344	0.14 282	0.29 522	0.21 256	0.24 328	0.18 345	0.28 408	0.11 179	0.15 340	0.12 193	0.13 281	0.06 116	0.05 186	0.07 198	0.08 341	0.08 324	0.07 283

CSP-Net	0.16 381	0.09 316	0.14 268	0.16 146	0.09 242	0.19 401	0.17 322	0.25 336	0.32 417	0.25 448	0.30 426	0.24 395	0.15 340	0.21 430	0.18 395	0.09 363	0.06 311	0.07 198	0.07 276	0.08 324	0.07 283

DAS	0.15 358	0.08 240	0.18 404	0.19 359	0.10 344	0.19 401	0.17 322	0.27 375	0.29 393	0.18 345	0.25 369	0.21 353	0.15 340	0.16 320	0.12 240	0.08 304	0.06 311	0.06 105	0.06 189	0.07 261	0.07 283

SepStereo	0.15 358	0.08 240	0.18 404	0.19 359	0.10 344	0.19 401	0.17 322	0.27 375	0.29 393	0.18 345	0.25 369	0.21 353	0.15 340	0.25 468	0.12 240	0.08 304	0.06 311	0.06 105	0.06 189	0.07 261	0.07 283

DRaft	0.12 255	0.06 59	0.11 153	0.14 31	0.09 242	0.14 282	0.17 322	0.21 256	0.30 403	0.17 315	0.28 408	0.10 158	0.15 340	0.10 65	0.12 240	0.05 28	0.04 22	0.07 198	0.06 189	0.05 102	0.05 123

GANet-RSSM	0.14 314	0.07 143	0.13 233	0.13 13	0.08 130	0.14 282	0.17 322	0.22 278	0.21 288	0.17 315	0.24 340	0.23 389	0.15 340	0.16 320	0.15 346	0.10 404	0.06 311	0.07 198	0.08 341	0.08 324	0.07 283

DSFCA	0.16 381	0.09 316	0.14 268	0.16 146	0.10 344	0.20 416	0.19 406	0.28 394	0.31 410	0.23 426	0.24 340	0.22 371	0.15 340	0.19 388	0.20 414	0.10 404	0.07 383	0.09 363	0.09 387	0.08 324	0.08 347

FADNet-RVC-Resample	0.16 381	0.11 400	0.31 487	0.22 458	0.11 393	0.19 401	0.14 155	0.25 336	0.24 328	0.24 435	0.27 394	0.20 344	0.15 340	0.16 320	0.15 346	0.07 243	0.08 409	0.12 461	0.10 426	0.09 386	0.10 418

UCFNet_RVC	0.14 314	0.08 240	0.13 233	0.11 1	0.10 344	0.20 416	0.10 29	0.24 320	0.22 302	0.17 315	0.20 288	0.23 389	0.15 340	0.17 352	0.15 346	0.12 458	0.07 383	0.10 411	0.13 487	0.11 441	0.10 418

iResNet_ROB	0.14 314	0.07 143	0.13 233	0.14 31	0.07 74	0.18 378	0.14 155	0.26 354	0.31 410	0.22 414	0.25 369	0.23 389	0.15 340	0.15 286	0.13 281	0.07 243	0.05 186	0.05 25	0.04 37	0.08 324	0.08 347

PWCDC_ROB	0.20 439	0.13 447	0.22 441	0.24 488	0.11 393	0.19 401	0.15 223	0.33 459	0.54 519	0.29 482	0.50 519	0.21 353	0.15 340	0.27 473	0.20 414	0.11 433	0.09 438	0.10 411	0.08 341	0.11 441	0.09 391

xyz-stereo	0.13 280	0.07 143	0.20 427	0.15 72	0.05 1	0.20 416	0.15 223	0.17 172	0.31 410	0.15 271	0.29 420	0.26 418	0.16 366	0.13 238	0.12 240	0.05 28	0.05 186	0.06 105	0.05 111	0.04 16	0.04 41

G2L-Stereo_test	0.14 314	0.07 143	0.11 153	0.13 13	0.08 130	0.12 211	0.16 288	0.30 419	0.28 386	0.20 384	0.23 328	0.20 344	0.16 366	0.17 352	0.18 395	0.07 243	0.05 186	0.05 25	0.05 111	0.07 261	0.06 203

FACV-RUCA	0.13 280	0.11 400	0.12 188	0.19 359	0.12 424	0.15 308	0.15 223	0.22 278	0.20 273	0.15 271	0.16 221	0.14 241	0.16 366	0.14 264	0.13 281	0.07 243	0.05 186	0.08 282	0.06 189	0.10 418	0.08 347

test_sample1	0.13 280	0.07 143	0.14 268	0.13 13	0.08 130	0.19 401	0.16 288	0.20 233	0.15 162	0.14 244	0.22 319	0.18 318	0.16 366	0.17 352	0.14 318	0.07 243	0.06 311	0.06 105	0.06 189	0.08 324	0.07 283

xx1	0.11 189	0.08 240	0.12 188	0.17 220	0.09 242	0.13 250	0.15 223	0.16 136	0.18 235	0.09 96	0.09 92	0.16 284	0.16 366	0.10 65	0.07 1	0.06 116	0.04 22	0.08 282	0.08 341	0.07 261	0.07 283

mmm	0.14 314	0.08 240	0.17 381	0.17 220	0.09 242	0.17 359	0.18 367	0.21 256	0.15 162	0.15 271	0.23 328	0.21 353	0.16 366	0.16 320	0.17 377	0.08 304	0.05 186	0.08 282	0.07 276	0.07 261	0.07 283

11t1	0.12 255	0.06 59	0.13 233	0.14 31	0.08 130	0.17 359	0.15 223	0.18 201	0.15 162	0.15 271	0.15 209	0.16 284	0.16 366	0.15 286	0.13 281	0.08 304	0.05 186	0.06 105	0.05 111	0.08 324	0.07 283

CBFPSM	0.14 314	0.06 59	0.26 462	0.17 220	0.09 242	0.13 250	0.15 223	0.22 278	0.23 312	0.20 384	0.27 394	0.24 395	0.16 366	0.16 320	0.18 395	0.06 116	0.06 311	0.06 105	0.07 276	0.07 261	0.07 283

gwcnet-sp	0.14 314	0.07 143	0.12 188	0.18 302	0.09 242	0.16 338	0.17 322	0.24 320	0.24 328	0.18 345	0.24 340	0.15 270	0.16 366	0.15 286	0.15 346	0.08 304	0.06 311	0.07 198	0.08 341	0.08 324	0.07 283

scenet	0.14 314	0.07 143	0.12 188	0.18 302	0.09 242	0.16 338	0.17 322	0.24 320	0.24 328	0.18 345	0.24 340	0.15 270	0.16 366	0.15 286	0.15 346	0.08 304	0.06 311	0.07 198	0.08 341	0.08 324	0.07 283

ssnet	0.14 314	0.07 143	0.12 188	0.18 302	0.09 242	0.16 338	0.17 322	0.24 320	0.24 328	0.18 345	0.24 340	0.15 270	0.16 366	0.15 286	0.15 346	0.08 304	0.06 311	0.07 198	0.08 341	0.08 324	0.07 283

qqq	0.13 280	0.09 316	0.15 319	0.16 146	0.08 130	0.13 250	0.15 223	0.23 298	0.16 190	0.15 271	0.19 276	0.16 284	0.16 366	0.15 286	0.16 362	0.07 243	0.06 311	0.08 282	0.08 341	0.07 261	0.07 283

BSDual-CNN	0.15 358	0.09 316	0.14 268	0.22 458	0.10 344	0.14 282	0.15 223	0.34 468	0.19 250	0.17 315	0.22 319	0.25 409	0.16 366	0.15 286	0.14 318	0.08 304	0.06 311	0.10 411	0.09 387	0.07 261	0.07 283

psmg	0.14 314	0.09 316	0.14 268	0.17 220	0.10 344	0.15 308	0.17 322	0.29 405	0.19 250	0.17 315	0.21 309	0.25 409	0.16 366	0.15 286	0.14 318	0.08 304	0.06 311	0.08 282	0.08 341	0.07 261	0.06 203

AASNet	0.16 381	0.08 240	0.12 188	0.19 359	0.09 242	0.18 378	0.15 223	0.37 496	0.37 456	0.19 361	0.23 328	0.20 344	0.16 366	0.17 352	0.20 414	0.10 404	0.08 409	0.08 282	0.07 276	0.09 386	0.09 391

PSMNet-ADL	0.15 358	0.12 418	0.13 233	0.22 458	0.09 242	0.13 250	0.20 427	0.26 354	0.23 312	0.18 345	0.20 288	0.24 395	0.16 366	0.18 373	0.17 377	0.08 304	0.08 409	0.08 282	0.11 458	0.08 324	0.07 283

ADLNet	0.16 381	0.08 240	0.15 319	0.16 146	0.10 344	0.16 338	0.17 322	0.32 440	0.27 372	0.22 414	0.27 394	0.24 395	0.16 366	0.18 373	0.21 434	0.10 404	0.06 311	0.10 411	0.10 426	0.08 324	0.09 391

222	0.16 381	0.07 143	0.14 268	0.14 31	0.08 130	0.24 459	0.18 367	0.30 419	0.20 273	0.17 315	0.28 408	0.17 304	0.16 366	0.15 286	0.40 538	0.10 404	0.05 186	0.07 198	0.06 189	0.07 261	0.08 347

test_xeample	0.15 358	0.06 59	0.13 233	0.14 31	0.08 130	0.21 433	0.20 427	0.28 394	0.20 273	0.16 299	0.29 420	0.19 332	0.16 366	0.15 286	0.26 488	0.09 363	0.05 186	0.07 198	0.07 276	0.07 261	0.07 283

ACVNet	0.15 358	0.09 316	0.15 319	0.13 13	0.12 424	0.14 282	0.20 427	0.22 278	0.33 424	0.17 315	0.26 386	0.21 353	0.16 366	0.17 352	0.21 434	0.07 243	0.06 311	0.06 105	0.06 189	0.08 324	0.06 203

cf-r	0.13 280	0.07 143	0.12 188	0.16 146	0.08 130	0.14 282	0.19 406	0.20 233	0.25 349	0.17 315	0.25 369	0.21 353	0.16 366	0.14 264	0.14 318	0.10 404	0.05 186	0.06 105	0.08 341	0.06 195	0.06 203

GwcNet-RSSM	0.14 314	0.07 143	0.12 188	0.15 72	0.08 130	0.15 308	0.20 427	0.21 256	0.27 372	0.18 345	0.27 394	0.22 371	0.16 366	0.14 264	0.15 346	0.10 404	0.05 186	0.07 198	0.09 387	0.07 261	0.07 283

HSM	0.15 358	0.08 240	0.14 268	0.16 146	0.09 242	0.16 338	0.14 155	0.28 394	0.25 349	0.19 361	0.23 328	0.37 495	0.16 366	0.20 413	0.15 346	0.07 243	0.05 186	0.07 198	0.06 189	0.07 261	0.06 203

z-ln-s-r	0.17 401	0.10 374	0.40 510	0.19 359	0.08 130	0.17 359	0.18 367	0.22 278	0.33 424	0.18 345	0.40 487	0.22 371	0.17 389	0.20 413	0.23 455	0.07 243	0.05 186	0.07 198	0.07 276	0.07 261	0.05 123

coex_refinement	0.14 314	0.07 143	0.12 188	0.17 220	0.10 344	0.15 308	0.15 223	0.26 354	0.29 393	0.18 345	0.20 288	0.22 371	0.17 389	0.16 320	0.18 395	0.08 304	0.05 186	0.06 105	0.06 189	0.09 386	0.08 347

ISRNet	0.18 415	0.08 240	0.19 415	0.19 359	0.13 447	0.15 308	0.12 66	0.30 419	0.32 417	0.21 398	0.25 369	0.27 426	0.17 389	0.17 352	0.20 414	0.20 527	0.08 409	0.14 488	0.14 490	0.14 487	0.17 519

rvit_105_1	0.19 427	0.11 400	0.25 459	0.21 443	0.16 495	0.21 433	0.27 507	0.31 429	0.41 475	0.19 361	0.20 288	0.22 371	0.17 389	0.19 388	0.17 377	0.12 458	0.12 484	0.13 476	0.15 505	0.08 324	0.07 283

DispNO	0.14 314	0.08 240	0.17 381	0.19 359	0.12 424	0.11 176	0.21 444	0.23 298	0.29 393	0.17 315	0.23 328	0.18 318	0.17 389	0.15 286	0.15 346	0.07 243	0.05 186	0.08 282	0.08 341	0.07 261	0.06 203

x	0.13 280	0.07 143	0.14 268	0.14 31	0.08 130	0.18 378	0.14 155	0.22 278	0.20 273	0.15 271	0.19 276	0.19 332	0.17 389	0.18 373	0.18 395	0.07 243	0.05 186	0.06 105	0.06 189	0.07 261	0.07 283

CRFU-Net	0.16 381	0.08 240	0.14 268	0.17 220	0.09 242	0.19 401	0.14 155	0.26 354	0.20 273	0.28 474	0.27 394	0.29 444	0.17 389	0.19 388	0.17 377	0.09 363	0.09 438	0.07 198	0.07 276	0.08 324	0.08 347

AACVNet	0.16 381	0.08 240	0.14 268	0.15 72	0.10 344	0.18 378	0.15 223	0.23 298	0.24 328	0.27 459	0.27 394	0.28 436	0.17 389	0.19 388	0.16 362	0.09 363	0.07 383	0.09 363	0.07 276	0.10 418	0.09 391

LMCR-Stereo	0.15 358	0.08 240	0.13 233	0.21 443	0.09 242	0.17 359	0.20 427	0.27 375	0.19 250	0.24 435	0.24 340	0.23 389	0.17 389	0.20 413	0.17 377	0.07 243	0.06 311	0.08 282	0.06 189	0.10 418	0.08 347

acv_ft	0.15 358	0.09 316	0.15 319	0.19 359	0.10 344	0.16 338	0.17 322	0.25 336	0.33 424	0.19 361	0.26 386	0.21 353	0.17 389	0.17 352	0.18 395	0.07 243	0.06 311	0.06 105	0.06 189	0.08 324	0.06 203

FADNet_RVC	0.16 381	0.14 459	0.40 510	0.20 414	0.11 393	0.13 250	0.13 107	0.26 354	0.22 302	0.21 398	0.23 328	0.20 344	0.17 389	0.14 264	0.16 362	0.08 304	0.08 409	0.12 461	0.09 387	0.11 441	0.10 418

CFNet	0.15 358	0.10 374	0.17 381	0.17 220	0.08 130	0.18 378	0.09 18	0.28 394	0.25 349	0.19 361	0.24 340	0.24 395	0.17 389	0.17 352	0.14 318	0.08 304	0.06 311	0.09 363	0.10 426	0.07 261	0.06 203

NLCA_NET_v2_RVC	0.17 401	0.10 374	0.22 441	0.20 414	0.10 344	0.15 308	0.18 367	0.31 429	0.25 349	0.21 398	0.30 426	0.25 409	0.17 389	0.21 430	0.20 414	0.09 363	0.06 311	0.08 282	0.08 341	0.07 261	0.08 347
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	0.17 401	0.12 418	0.15 319	0.20 414	0.09 242	0.18 378	0.18 367	0.26 354	0.23 312	0.26 453	0.40 487	0.22 371	0.17 389	0.21 430	0.20 414	0.08 304	0.05 186	0.09 363	0.10 426	0.07 261	0.07 283
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
YMNet	0.20 439	0.12 418	0.19 415	0.20 414	0.14 467	0.26 479	0.23 465	0.32 440	0.34 436	0.27 459	0.34 454	0.30 453	0.18 403	0.18 373	0.22 443	0.10 404	0.13 497	0.10 411	0.10 426	0.08 324	0.09 391

YMNet_1	0.20 439	0.12 418	0.19 415	0.20 414	0.14 467	0.26 479	0.23 465	0.32 440	0.34 436	0.27 459	0.34 454	0.30 453	0.18 403	0.18 373	0.22 443	0.10 404	0.13 497	0.10 411	0.10 426	0.08 324	0.09 391

ssnet_v2	0.17 401	0.10 374	0.17 381	0.17 220	0.11 393	0.21 433	0.21 444	0.33 459	0.25 349	0.22 414	0.22 319	0.27 426	0.18 403	0.22 443	0.20 414	0.11 433	0.09 438	0.09 363	0.09 387	0.08 324	0.08 347

Wz-Net-LNSev	0.22 460	0.16 477	0.38 507	0.21 443	0.13 447	0.25 470	0.23 465	0.32 440	0.43 487	0.30 486	0.41 498	0.31 466	0.18 403	0.22 443	0.25 477	0.10 404	0.09 438	0.08 282	0.08 341	0.12 456	0.11 444

hknet	0.15 358	0.11 400	0.13 233	0.22 458	0.11 393	0.14 282	0.15 223	0.34 468	0.25 349	0.17 315	0.22 319	0.22 371	0.18 403	0.17 352	0.12 240	0.07 243	0.06 311	0.10 411	0.09 387	0.07 261	0.07 283

ADLNet2	0.16 381	0.09 316	0.13 233	0.16 146	0.09 242	0.20 416	0.16 288	0.31 429	0.39 466	0.16 299	0.20 288	0.20 344	0.18 403	0.21 430	0.22 443	0.08 304	0.06 311	0.07 198	0.07 276	0.09 386	0.07 283

ICVP	0.15 358	0.09 316	0.12 188	0.22 458	0.09 242	0.17 359	0.21 444	0.25 336	0.23 312	0.18 345	0.30 426	0.26 418	0.18 403	0.17 352	0.14 318	0.09 363	0.07 383	0.08 282	0.07 276	0.07 261	0.07 283
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 381	0.08 240	0.15 319	0.18 302	0.10 344	0.22 441	0.18 367	0.24 320	0.21 288	0.18 345	0.24 340	0.29 444	0.18 403	0.19 388	0.22 443	0.09 363	0.07 383	0.08 282	0.09 387	0.07 261	0.06 203

HGLStereo	0.17 401	0.08 240	0.19 415	0.17 220	0.12 424	0.18 378	0.18 367	0.31 429	0.32 417	0.21 398	0.32 438	0.25 409	0.18 403	0.19 388	0.20 414	0.09 363	0.09 438	0.07 198	0.07 276	0.09 386	0.10 418

DMCA	0.14 314	0.09 316	0.16 353	0.19 359	0.09 242	0.15 308	0.17 322	0.23 298	0.27 372	0.14 244	0.19 276	0.17 304	0.18 403	0.15 286	0.17 377	0.10 404	0.06 311	0.08 282	0.06 189	0.09 386	0.10 418

STTStereo	0.18 415	0.12 418	0.27 469	0.20 414	0.11 393	0.16 338	0.21 444	0.29 405	0.23 312	0.21 398	0.30 426	0.29 444	0.18 403	0.20 413	0.19 408	0.12 458	0.11 470	0.11 442	0.14 490	0.09 386	0.08 347

RASNet	0.14 314	0.07 143	0.14 268	0.16 146	0.08 130	0.18 378	0.14 155	0.29 405	0.20 273	0.17 315	0.25 369	0.21 353	0.18 403	0.20 413	0.19 408	0.07 243	0.06 311	0.06 105	0.08 341	0.06 195	0.06 203

TDLM	0.17 401	0.12 418	0.13 233	0.24 488	0.10 344	0.18 378	0.18 367	0.36 490	0.30 403	0.21 398	0.28 408	0.28 436	0.18 403	0.23 454	0.18 395	0.11 433	0.07 383	0.10 411	0.10 426	0.08 324	0.08 347

CVANet_RVC	0.18 415	0.10 374	0.14 268	0.21 443	0.10 344	0.18 378	0.17 322	0.34 468	0.33 424	0.22 414	0.31 434	0.28 436	0.18 403	0.23 454	0.17 377	0.12 458	0.08 409	0.12 461	0.11 458	0.09 386	0.07 283

DeepPruner_ROB	0.16 381	0.11 400	0.15 319	0.17 220	0.10 344	0.17 359	0.15 223	0.32 440	0.21 288	0.19 361	0.21 309	0.22 371	0.18 403	0.20 413	0.15 346	0.13 481	0.09 438	0.09 363	0.09 387	0.11 441	0.10 418

pmcnn	0.15 358	0.07 143	0.19 415	0.15 72	0.07 74	0.20 416	0.15 223	0.24 320	0.26 363	0.21 398	0.34 454	0.28 436	0.18 403	0.18 373	0.17 377	0.07 243	0.05 186	0.05 25	0.04 37	0.07 261	0.06 203

TCMNet	0.19 427	0.12 418	0.19 415	0.20 414	0.18 516	0.20 416	0.24 477	0.27 375	0.36 449	0.23 426	0.26 386	0.25 409	0.19 419	0.19 388	0.23 455	0.13 481	0.11 470	0.11 442	0.12 477	0.13 474	0.12 457

DualNet (step1)	0.16 381	0.12 418	0.20 427	0.12 4	0.14 467	0.17 359	0.13 107	0.27 375	0.23 312	0.20 384	0.20 288	0.24 395	0.19 419	0.16 320	0.16 362	0.15 498	0.06 311	0.14 488	0.14 490	0.14 487	0.12 457

test_sample9	0.18 415	0.12 418	0.20 427	0.12 4	0.14 467	0.17 359	0.13 107	0.27 375	0.23 312	0.20 384	0.20 288	0.24 395	0.19 419	0.19 388	0.17 377	0.15 498	0.30 545	0.14 488	0.14 490	0.14 487	0.12 457

test_sample7	0.15 358	0.10 374	0.16 353	0.14 31	0.11 393	0.16 338	0.16 288	0.27 375	0.23 312	0.20 384	0.20 288	0.24 395	0.19 419	0.16 320	0.16 362	0.12 458	0.06 311	0.10 411	0.09 387	0.10 418	0.10 418

Wz-Net-MNSev	0.22 460	0.13 447	0.31 487	0.20 414	0.14 467	0.36 523	0.24 477	0.33 459	0.44 492	0.28 474	0.40 487	0.38 499	0.19 419	0.24 463	0.25 477	0.09 363	0.07 383	0.09 363	0.09 387	0.12 456	0.10 418

pcwnet_v2	0.19 427	0.10 374	0.26 462	0.17 220	0.14 467	0.18 378	0.15 223	0.37 496	0.46 499	0.19 361	0.24 340	0.21 353	0.19 419	0.20 413	0.19 408	0.13 481	0.10 458	0.10 411	0.10 426	0.11 441	0.13 476

delet	0.17 401	0.08 240	0.17 381	0.19 359	0.11 393	0.20 416	0.21 444	0.30 419	0.37 456	0.17 315	0.26 386	0.19 332	0.19 419	0.19 388	0.21 434	0.08 304	0.08 409	0.09 363	0.11 458	0.06 195	0.06 203

UNet	0.17 401	0.09 316	0.18 404	0.19 359	0.12 424	0.27 489	0.19 406	0.33 459	0.29 393	0.21 398	0.24 340	0.23 389	0.19 419	0.19 388	0.18 395	0.07 243	0.06 311	0.08 282	0.07 276	0.08 324	0.06 203

UPFNet	0.16 381	0.08 240	0.12 188	0.20 414	0.12 424	0.20 416	0.23 465	0.28 394	0.26 363	0.17 315	0.24 340	0.22 371	0.19 419	0.19 388	0.21 434	0.09 363	0.07 383	0.08 282	0.09 387	0.08 324	0.06 203

NVstereo2D	0.19 427	0.10 374	0.15 319	0.17 220	0.15 485	0.28 496	0.23 465	0.44 529	0.42 482	0.15 271	0.27 394	0.25 409	0.19 419	0.22 443	0.17 377	0.09 363	0.06 311	0.10 411	0.08 341	0.15 502	0.09 391

StereoDRNet	0.18 415	0.11 400	0.17 381	0.22 458	0.11 393	0.21 433	0.22 454	0.37 496	0.33 424	0.24 435	0.28 408	0.30 453	0.19 419	0.20 413	0.20 414	0.09 363	0.08 409	0.11 442	0.09 387	0.09 386	0.07 283

SGM-Forest	0.20 439	0.14 459	0.18 404	0.19 359	0.13 447	0.20 416	0.22 454	0.33 459	0.30 403	0.24 435	0.29 420	0.28 436	0.19 419	0.23 454	0.17 377	0.15 498	0.16 515	0.15 500	0.14 490	0.12 456	0.12 457
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	0.18 415	0.11 400	0.19 415	0.19 359	0.12 424	0.24 459	0.21 444	0.25 336	0.34 436	0.22 414	0.34 454	0.27 426	0.20 431	0.21 430	0.23 455	0.09 363	0.09 438	0.08 282	0.10 426	0.08 324	0.07 283

IER	0.14 314	0.07 143	0.13 233	0.17 220	0.09 242	0.14 282	0.16 288	0.25 336	0.26 363	0.18 345	0.25 369	0.17 304	0.20 431	0.16 320	0.14 318	0.08 304	0.05 186	0.07 198	0.06 189	0.08 324	0.07 283

MMNet	0.17 401	0.09 316	0.16 353	0.20 414	0.11 393	0.27 489	0.20 427	0.25 336	0.41 475	0.22 414	0.30 426	0.21 353	0.20 431	0.17 352	0.20 414	0.06 116	0.06 311	0.07 198	0.07 276	0.08 324	0.07 283

GwcNet	0.20 439	0.13 447	0.19 415	0.18 302	0.12 424	0.24 459	0.19 406	0.35 483	0.43 487	0.20 384	0.32 438	0.33 478	0.20 431	0.22 443	0.24 468	0.11 433	0.09 438	0.09 363	0.09 387	0.09 386	0.10 418

DGSMNet	0.24 483	0.19 502	0.33 493	0.21 443	0.24 531	0.24 459	0.20 427	0.35 483	0.41 475	0.24 435	0.32 438	0.38 499	0.21 435	0.29 490	0.23 455	0.12 458	0.11 470	0.14 488	0.16 509	0.23 528	0.23 533

FADNet-RVC	0.20 439	0.20 506	0.38 507	0.21 443	0.16 495	0.20 416	0.15 223	0.26 354	0.26 363	0.26 453	0.32 438	0.26 418	0.21 435	0.22 443	0.19 408	0.12 458	0.13 497	0.12 461	0.14 490	0.13 474	0.18 522

FADNet	0.21 451	0.22 516	0.36 502	0.18 302	0.17 510	0.24 459	0.13 107	0.31 429	0.31 410	0.23 426	0.25 369	0.27 426	0.21 435	0.19 388	0.15 346	0.13 481	0.15 512	0.12 461	0.15 505	0.16 509	0.18 522

MaskLacGwcNet_RVC	0.22 460	0.21 512	0.24 454	0.26 504	0.11 393	0.23 454	0.14 155	0.39 508	0.24 328	0.32 498	0.36 461	0.30 453	0.21 435	0.19 388	0.21 434	0.17 519	0.14 506	0.21 522	0.16 509	0.12 456	0.12 457

SuperB	0.20 439	0.10 374	0.56 533	0.16 146	0.09 242	0.18 378	0.18 367	0.24 320	0.50 510	0.26 453	0.39 481	0.17 304	0.21 435	0.22 443	0.21 434	0.08 304	0.06 311	0.06 105	0.06 189	0.12 456	0.10 418

RTSC	0.23 476	0.12 418	0.28 474	0.21 443	0.13 447	0.28 496	0.16 288	0.35 483	0.66 542	0.27 459	0.33 450	0.30 453	0.21 435	0.31 494	0.29 506	0.10 404	0.08 409	0.09 363	0.10 426	0.13 474	0.13 476

AANet_RVC	0.16 381	0.10 374	0.10 112	0.18 302	0.09 242	0.18 378	0.19 406	0.26 354	0.31 410	0.22 414	0.35 458	0.21 353	0.21 435	0.22 443	0.16 362	0.06 116	0.05 186	0.06 105	0.06 189	0.07 261	0.06 203

DRN-Test	0.19 427	0.11 400	0.20 427	0.22 458	0.10 344	0.22 441	0.22 454	0.39 508	0.37 456	0.24 435	0.32 438	0.26 418	0.21 435	0.22 443	0.24 468	0.11 433	0.07 383	0.11 442	0.10 426	0.09 386	0.07 283

MDST_ROB	0.22 460	0.10 374	0.17 381	0.18 302	0.11 393	0.37 524	0.19 406	0.43 527	0.41 475	0.39 515	0.39 481	0.29 444	0.21 435	0.26 470	0.18 395	0.11 433	0.10 458	0.14 488	0.11 458	0.10 418	0.08 347

w-ln-seven-2	0.20 439	0.14 459	0.37 506	0.22 458	0.12 424	0.20 416	0.21 444	0.28 394	0.37 456	0.25 448	0.37 467	0.27 426	0.22 444	0.21 430	0.23 455	0.08 304	0.08 409	0.09 363	0.09 387	0.10 418	0.09 391

w-ln-seven	0.24 483	0.14 459	0.55 530	0.19 359	0.14 467	0.26 479	0.22 454	0.35 483	0.60 532	0.29 482	0.39 481	0.30 453	0.22 444	0.21 430	0.26 488	0.09 363	0.09 438	0.11 442	0.10 426	0.11 441	0.10 418

SQANet	0.23 476	0.23 517	0.30 485	0.30 528	0.19 519	0.27 489	0.13 107	0.29 405	0.33 424	0.24 435	0.37 467	0.31 466	0.22 444	0.27 473	0.23 455	0.15 498	0.10 458	0.21 522	0.16 509	0.21 524	0.15 500

SACVNet	0.18 415	0.12 418	0.14 268	0.17 220	0.13 447	0.22 441	0.18 367	0.31 429	0.30 403	0.23 426	0.31 434	0.30 453	0.22 444	0.22 443	0.17 377	0.11 433	0.08 409	0.10 411	0.10 426	0.12 456	0.14 493

FINET	0.21 451	0.18 499	0.26 462	0.18 302	0.16 495	0.23 454	0.23 465	0.32 440	0.48 501	0.25 448	0.32 438	0.22 371	0.22 444	0.22 443	0.17 377	0.18 520	0.16 515	0.11 442	0.10 426	0.15 502	0.13 476

hitnet-ft	0.18 415	0.09 316	0.17 381	0.14 31	0.09 242	0.26 479	0.20 427	0.25 336	0.26 363	0.24 435	0.32 438	0.31 466	0.22 444	0.24 463	0.21 434	0.12 458	0.07 383	0.10 411	0.08 341	0.12 456	0.11 444

ADCP+	0.20 439	0.10 374	0.33 493	0.20 414	0.12 424	0.22 441	0.26 500	0.31 429	0.34 436	0.26 453	0.37 467	0.22 371	0.22 444	0.27 473	0.27 496	0.09 363	0.06 311	0.08 282	0.08 341	0.09 386	0.10 418

PSMNet_ROB	0.21 451	0.11 400	0.15 319	0.27 516	0.15 485	0.24 459	0.35 539	0.43 527	0.37 456	0.27 459	0.32 438	0.32 475	0.22 444	0.21 430	0.26 488	0.12 458	0.08 409	0.13 476	0.11 458	0.09 386	0.09 391

ADCRef	0.19 427	0.12 418	0.41 513	0.20 414	0.12 424	0.22 441	0.18 367	0.32 440	0.36 449	0.26 453	0.32 438	0.17 304	0.23 452	0.24 463	0.24 468	0.07 243	0.06 311	0.09 363	0.09 387	0.08 324	0.08 347

RYNet	0.22 460	0.12 418	0.22 441	0.19 359	0.17 510	0.46 531	0.26 500	0.38 504	0.48 501	0.24 435	0.28 408	0.34 484	0.23 452	0.20 413	0.30 511	0.10 404	0.06 311	0.09 363	0.09 387	0.13 474	0.15 500

NaN_ROB	0.22 460	0.19 502	0.24 454	0.25 499	0.13 447	0.29 500	0.26 500	0.33 459	0.41 475	0.31 492	0.31 434	0.32 475	0.23 452	0.30 493	0.21 434	0.11 433	0.17 520	0.10 411	0.10 426	0.08 324	0.09 391

NOSS_ROB	0.19 427	0.12 418	0.18 404	0.16 146	0.12 424	0.15 308	0.12 66	0.30 419	0.32 417	0.20 384	0.22 319	0.27 426	0.23 452	0.21 430	0.16 362	0.16 514	0.18 522	0.23 527	0.21 524	0.12 456	0.13 476

DispFullNet	0.27 504	0.21 512	0.65 541	0.28 519	0.16 495	0.26 479	0.17 322	0.33 459	0.58 528	0.27 459	0.38 473	0.43 517	0.23 452	0.38 526	0.23 455	0.12 458	0.06 311	0.19 519	0.11 458	0.21 524	0.15 500

CBMV	0.19 427	0.14 459	0.17 381	0.18 302	0.10 344	0.20 416	0.11 49	0.29 405	0.30 403	0.29 482	0.30 426	0.30 453	0.23 452	0.27 473	0.19 408	0.13 481	0.15 512	0.17 508	0.16 509	0.10 418	0.10 418
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
z-mn7	0.24 483	0.14 459	0.45 517	0.19 359	0.13 447	0.28 496	0.25 492	0.34 468	0.62 535	0.27 459	0.56 530	0.29 444	0.24 458	0.32 501	0.25 477	0.08 304	0.08 409	0.08 282	0.08 341	0.10 418	0.10 418

ToySt	0.17 401	0.11 400	0.18 404	0.17 220	0.11 393	0.16 338	0.25 492	0.24 320	0.33 424	0.19 361	0.24 340	0.26 418	0.24 458	0.19 388	0.20 414	0.07 243	0.08 409	0.09 363	0.10 426	0.09 386	0.08 347

WZ-Net	0.28 508	0.17 488	0.78 555	0.22 458	0.16 495	0.34 514	0.29 522	0.39 508	0.57 525	0.24 435	0.55 525	0.37 495	0.24 458	0.33 504	0.35 526	0.09 363	0.08 409	0.09 363	0.10 426	0.14 487	0.16 511

psm_up	0.18 415	0.10 374	0.18 404	0.20 414	0.11 393	0.17 359	0.19 406	0.37 496	0.34 436	0.21 398	0.28 408	0.29 444	0.24 458	0.20 413	0.22 443	0.09 363	0.10 458	0.11 442	0.11 458	0.08 324	0.08 347

RP	0.21 451	0.13 447	0.21 435	0.23 479	0.11 393	0.21 433	0.20 427	0.25 336	0.44 492	0.21 398	0.38 473	0.36 490	0.24 458	0.27 473	0.25 477	0.11 433	0.12 484	0.13 476	0.12 477	0.12 456	0.14 493

PS-NSSS	0.20 439	0.21 512	0.23 450	0.20 414	0.10 344	0.19 401	0.17 322	0.36 490	0.25 349	0.27 459	0.33 450	0.27 426	0.24 458	0.20 413	0.20 414	0.15 498	0.12 484	0.17 508	0.14 490	0.10 418	0.08 347

CBMV_ROB	0.19 427	0.13 447	0.17 381	0.16 146	0.11 393	0.15 308	0.13 107	0.26 354	0.28 386	0.27 459	0.30 426	0.27 426	0.24 458	0.23 454	0.16 362	0.15 498	0.17 520	0.22 526	0.20 522	0.10 418	0.11 444

DLCB_ROB	0.18 415	0.10 374	0.15 319	0.23 479	0.11 393	0.24 459	0.18 367	0.29 405	0.28 386	0.27 459	0.28 408	0.28 436	0.24 458	0.19 388	0.20 414	0.08 304	0.08 409	0.09 363	0.09 387	0.07 261	0.07 283

PWC_ROB	0.21 451	0.16 477	0.26 462	0.18 302	0.11 393	0.22 441	0.13 107	0.32 440	0.49 507	0.30 486	0.40 487	0.32 475	0.24 458	0.31 494	0.22 443	0.10 404	0.07 383	0.11 442	0.08 341	0.11 441	0.10 418

zh-mn7	0.25 494	0.14 459	0.56 533	0.19 359	0.14 467	0.24 459	0.22 454	0.34 468	0.62 535	0.35 505	0.65 538	0.31 466	0.25 467	0.31 494	0.25 477	0.09 363	0.08 409	0.09 363	0.09 387	0.09 386	0.11 444

PSMNet-RUCA	0.27 504	0.33 538	0.41 513	0.36 537	0.32 544	0.18 378	0.19 406	0.42 523	0.30 403	0.33 502	0.41 498	0.39 507	0.25 467	0.31 494	0.20 414	0.18 520	0.10 458	0.25 529	0.15 505	0.21 524	0.16 511

test_sample8	0.19 427	0.12 418	0.20 427	0.12 4	0.14 467	0.17 359	0.13 107	0.31 429	0.21 288	0.27 459	0.22 319	0.36 490	0.25 467	0.19 388	0.17 377	0.15 498	0.30 545	0.14 488	0.14 490	0.14 487	0.12 457

HBP-ISP	0.18 415	0.13 447	0.16 353	0.15 72	0.11 393	0.08 53	0.13 107	0.28 394	0.29 393	0.22 414	0.33 450	0.21 353	0.25 467	0.23 454	0.17 377	0.14 494	0.16 515	0.21 522	0.17 516	0.10 418	0.08 347

DDUNet	0.22 460	0.17 488	0.21 435	0.22 458	0.15 485	0.25 470	0.24 477	0.29 405	0.30 403	0.31 492	0.36 461	0.33 478	0.25 467	0.24 463	0.20 414	0.18 520	0.13 497	0.17 508	0.11 458	0.16 509	0.16 511

Syn2CoEx	0.21 451	0.16 477	0.27 469	0.29 526	0.14 467	0.26 479	0.20 427	0.33 459	0.31 410	0.28 474	0.36 461	0.27 426	0.25 467	0.19 388	0.24 468	0.16 514	0.12 484	0.14 488	0.11 458	0.09 386	0.08 347

Wz-Net-SNSev	0.25 494	0.17 488	0.44 516	0.25 499	0.14 467	0.26 479	0.23 465	0.38 504	0.56 523	0.30 486	0.55 525	0.39 507	0.26 473	0.23 454	0.30 511	0.10 404	0.09 438	0.09 363	0.10 426	0.11 441	0.11 444

AF-Net	0.22 460	0.17 488	0.17 381	0.26 504	0.13 447	0.25 470	0.24 477	0.32 440	0.50 510	0.25 448	0.33 450	0.38 499	0.26 473	0.28 484	0.25 477	0.11 433	0.10 458	0.16 506	0.11 458	0.11 441	0.10 418

PA-Net	0.23 476	0.18 499	0.33 493	0.28 519	0.22 527	0.21 433	0.38 544	0.29 405	0.39 466	0.22 414	0.32 438	0.25 409	0.26 473	0.20 413	0.25 477	0.09 363	0.23 539	0.15 500	0.22 527	0.09 386	0.13 476
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 427	0.09 316	0.22 441	0.17 220	0.10 344	0.25 470	0.18 367	0.27 375	0.44 492	0.22 414	0.31 434	0.33 478	0.26 473	0.28 484	0.28 503	0.08 304	0.06 311	0.07 198	0.07 276	0.09 386	0.09 391

SANet	0.24 483	0.14 459	0.28 474	0.21 443	0.11 393	0.27 489	0.24 477	0.38 504	0.64 539	0.36 508	0.40 487	0.43 517	0.26 473	0.27 473	0.24 468	0.12 458	0.09 438	0.10 411	0.09 387	0.13 474	0.11 444

XPNet_ROB	0.22 460	0.11 400	0.19 415	0.22 458	0.13 447	0.22 441	0.19 406	0.34 468	0.40 472	0.30 486	0.39 481	0.39 507	0.26 473	0.26 470	0.28 503	0.15 498	0.10 458	0.10 411	0.10 426	0.13 474	0.12 457

ETE_ROB	0.23 476	0.17 488	0.22 441	0.25 499	0.13 447	0.26 479	0.29 522	0.31 429	0.36 449	0.28 474	0.36 461	0.45 521	0.26 473	0.27 473	0.26 488	0.11 433	0.08 409	0.12 461	0.09 387	0.14 487	0.13 476

LALA_ROB	0.25 494	0.16 477	0.22 441	0.26 504	0.17 510	0.27 489	0.27 507	0.42 523	0.37 456	0.33 502	0.38 473	0.51 532	0.26 473	0.28 484	0.27 496	0.16 514	0.09 438	0.12 461	0.11 458	0.13 474	0.12 457

MSAF-DinoV2	0.22 460	0.11 400	0.23 450	0.17 220	0.10 344	0.27 489	0.16 288	0.37 496	0.55 520	0.21 398	0.27 394	0.47 528	0.27 481	0.35 513	0.39 535	0.09 363	0.06 311	0.07 198	0.09 387	0.12 456	0.10 418

ACVNet-4b	0.39 530	0.53 549	0.55 530	0.45 545	0.24 531	0.47 533	0.18 367	0.49 538	0.64 539	0.42 525	0.45 510	0.60 540	0.27 481	0.34 507	0.24 468	0.33 546	0.14 506	0.48 549	0.42 549	0.30 542	0.26 541

Anonymous_2	0.22 460	0.17 488	0.28 474	0.15 72	0.16 495	0.32 505	0.22 454	0.22 278	0.17 209	0.23 426	0.24 340	0.26 418	0.27 481	0.27 473	0.23 455	0.22 535	0.25 541	0.17 508	0.17 516	0.17 516	0.17 519

UDG	0.21 451	0.17 488	0.19 415	0.23 479	0.15 485	0.30 503	0.20 427	0.33 459	0.35 445	0.23 426	0.28 408	0.31 466	0.27 481	0.20 413	0.22 443	0.15 498	0.12 484	0.13 476	0.09 387	0.14 487	0.14 493

aanetorigin	0.22 460	0.17 488	0.56 533	0.17 220	0.10 344	0.15 308	0.19 406	0.20 233	0.33 424	0.49 534	0.48 514	0.29 444	0.27 481	0.20 413	0.23 455	0.08 304	0.07 383	0.08 282	0.07 276	0.10 418	0.09 391

DMCA-RVC	0.17 401	0.10 374	0.15 319	0.24 488	0.11 393	0.18 378	0.18 367	0.25 336	0.24 328	0.21 398	0.26 386	0.25 409	0.27 481	0.18 373	0.20 414	0.12 458	0.08 409	0.13 476	0.10 426	0.10 418	0.08 347

RGC	0.25 494	0.20 506	0.29 482	0.28 519	0.16 495	0.22 441	0.23 465	0.32 440	0.44 492	0.27 459	0.40 487	0.38 499	0.27 481	0.36 519	0.22 443	0.11 433	0.13 497	0.17 508	0.17 516	0.14 487	0.16 511

stereogan	0.22 460	0.11 400	0.21 435	0.20 414	0.12 424	0.31 504	0.19 406	0.35 483	0.44 492	0.22 414	0.39 481	0.35 488	0.27 481	0.33 504	0.22 443	0.10 404	0.12 484	0.10 411	0.10 426	0.14 487	0.13 476

FBW_ROB	0.24 483	0.17 488	0.22 441	0.26 504	0.14 467	0.25 470	0.22 454	0.41 518	0.41 475	0.41 522	0.41 498	0.42 514	0.27 481	0.31 494	0.23 455	0.09 363	0.14 506	0.14 488	0.12 477	0.11 441	0.09 391

NCC-stereo	0.24 483	0.15 469	0.31 487	0.26 504	0.16 495	0.20 416	0.30 529	0.40 512	0.40 472	0.24 435	0.38 473	0.33 478	0.28 490	0.36 519	0.27 496	0.12 458	0.11 470	0.15 500	0.22 527	0.13 474	0.13 476

Nwc_Net	0.23 476	0.16 477	0.21 435	0.25 499	0.14 467	0.24 459	0.26 500	0.37 496	0.38 463	0.22 414	0.41 498	0.30 453	0.28 490	0.28 484	0.25 477	0.11 433	0.10 458	0.17 508	0.20 522	0.10 418	0.10 418

Abc-Net	0.24 483	0.15 469	0.31 487	0.26 504	0.16 495	0.20 416	0.30 529	0.40 512	0.40 472	0.24 435	0.38 473	0.33 478	0.28 490	0.36 519	0.27 496	0.12 458	0.11 470	0.15 500	0.22 527	0.13 474	0.13 476
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 502	0.15 469	0.30 485	0.24 488	0.18 516	0.22 441	0.15 223	0.38 504	0.71 546	0.32 498	0.41 498	0.36 490	0.28 490	0.32 501	0.29 506	0.12 458	0.11 470	0.14 488	0.13 487	0.16 509	0.20 528

DeepPrunerF	0.24 483	0.17 488	0.42 515	0.26 504	0.16 495	0.22 441	0.28 513	0.37 496	0.50 510	0.26 453	0.29 420	0.24 395	0.28 490	0.21 430	0.22 443	0.15 498	0.11 470	0.20 521	0.18 520	0.12 456	0.13 476

ADCPNet	0.25 494	0.16 477	0.61 538	0.21 443	0.15 485	0.35 522	0.25 492	0.32 440	0.35 445	0.30 486	0.40 487	0.36 490	0.28 490	0.28 484	0.32 519	0.12 458	0.10 458	0.11 442	0.12 477	0.14 487	0.13 476

GANet	0.21 451	0.12 418	0.21 435	0.24 488	0.13 447	0.22 441	0.22 454	0.41 518	0.26 363	0.31 492	0.42 504	0.37 495	0.28 490	0.23 454	0.22 443	0.10 404	0.12 484	0.10 411	0.09 387	0.10 418	0.08 347

NCCL2	0.23 476	0.15 469	0.17 381	0.34 533	0.18 516	0.24 459	0.23 465	0.34 468	0.28 386	0.31 492	0.38 473	0.38 499	0.28 490	0.23 454	0.24 468	0.15 498	0.12 484	0.18 517	0.21 524	0.13 474	0.13 476

APVNet	0.22 460	0.12 418	0.19 415	0.18 302	0.14 467	0.32 505	0.31 535	0.39 508	0.32 417	0.27 459	0.40 487	0.30 453	0.29 498	0.26 470	0.25 477	0.11 433	0.12 484	0.11 442	0.14 490	0.12 456	0.12 457

G-Net	0.24 483	0.16 477	0.36 502	0.22 458	0.16 495	0.51 537	0.23 465	0.29 405	0.34 436	0.36 508	0.38 473	0.31 466	0.29 498	0.27 473	0.26 488	0.11 433	0.09 438	0.12 461	0.09 387	0.16 509	0.13 476

DPSNet	0.28 508	0.16 477	0.31 487	0.18 302	0.13 447	0.54 539	0.42 548	0.51 541	0.67 543	0.29 482	0.38 473	0.38 499	0.29 498	0.31 494	0.23 455	0.11 433	0.10 458	0.11 442	0.08 341	0.20 523	0.16 511

PDISCO_ROB	0.27 504	0.16 477	0.26 462	0.28 519	0.20 522	0.32 505	0.26 500	0.44 529	0.57 525	0.28 474	0.40 487	0.45 521	0.29 498	0.33 504	0.34 525	0.12 458	0.09 438	0.17 508	0.16 509	0.17 516	0.13 476

ccnet	0.29 512	0.28 531	0.23 450	0.20 414	0.28 538	0.41 530	0.21 444	0.45 532	0.33 424	0.36 508	0.46 511	0.36 490	0.30 502	0.39 530	0.42 542	0.23 539	0.14 506	0.21 522	0.17 516	0.23 528	0.18 522

S-Stereo	0.20 439	0.12 418	0.25 459	0.21 443	0.13 447	0.20 416	0.18 367	0.32 440	0.43 487	0.23 426	0.36 461	0.28 436	0.30 502	0.19 388	0.22 443	0.09 363	0.12 484	0.10 411	0.10 426	0.13 474	0.13 476

XQC	0.28 508	0.23 517	0.51 525	0.28 519	0.19 519	0.34 514	0.27 507	0.36 490	0.57 525	0.31 492	0.30 426	0.37 495	0.30 502	0.38 526	0.38 533	0.13 481	0.09 438	0.15 500	0.12 477	0.17 516	0.18 522

ADCL	0.24 483	0.11 400	0.47 522	0.22 458	0.12 424	0.34 514	0.29 522	0.29 405	0.56 523	0.24 435	0.46 511	0.30 453	0.30 502	0.29 490	0.29 506	0.08 304	0.07 383	0.09 363	0.09 387	0.10 418	0.10 418

zh-sn7	0.25 494	0.17 488	0.50 524	0.24 488	0.13 447	0.25 470	0.24 477	0.34 468	0.48 501	0.28 474	0.54 523	0.28 436	0.31 506	0.36 519	0.32 519	0.10 404	0.10 458	0.11 442	0.10 426	0.12 456	0.12 457

MFN_U_SF_DS_RVC	0.30 518	0.24 520	0.29 482	0.36 537	0.16 495	0.34 514	0.30 529	0.32 440	0.42 482	0.40 518	0.46 511	0.38 499	0.31 506	0.34 507	0.28 503	0.19 525	0.20 528	0.26 530	0.29 540	0.18 519	0.19 527

CC-Net-ROB	0.28 508	0.31 536	0.36 502	0.29 526	0.15 485	0.25 470	0.19 406	0.45 532	0.33 424	0.39 515	0.37 467	0.39 507	0.31 506	0.27 473	0.26 488	0.24 541	0.19 525	0.30 542	0.23 531	0.18 519	0.15 500

DANet	0.21 451	0.15 469	0.28 474	0.25 499	0.13 447	0.22 441	0.19 406	0.27 375	0.27 372	0.28 474	0.32 438	0.35 488	0.31 506	0.31 494	0.23 455	0.11 433	0.09 438	0.11 442	0.10 426	0.13 474	0.11 444
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	0.20 439	0.12 418	0.22 441	0.21 443	0.12 424	0.17 359	0.18 367	0.34 468	0.39 466	0.27 459	0.37 467	0.34 484	0.32 510	0.21 430	0.20 414	0.09 363	0.11 470	0.10 411	0.09 387	0.11 441	0.14 493

otaku	0.39 530	0.37 542	0.52 526	0.44 544	0.28 538	0.58 541	0.24 477	0.41 518	0.62 535	0.40 518	0.49 515	0.46 525	0.33 511	0.40 534	0.32 519	0.30 544	0.30 545	0.39 546	0.33 545	0.29 541	0.28 542

AnyNet_C32	0.26 502	0.16 477	0.36 502	0.20 414	0.16 495	0.25 470	0.30 529	0.32 440	0.44 492	0.31 492	0.49 515	0.30 453	0.33 511	0.40 534	0.33 523	0.12 458	0.12 484	0.12 461	0.14 490	0.14 487	0.15 500

GANetREF_RVC	0.31 519	0.34 539	0.27 469	0.35 535	0.16 495	0.32 505	0.41 545	0.48 536	0.51 517	0.35 505	0.35 458	0.34 484	0.33 511	0.39 530	0.32 519	0.27 543	0.20 528	0.29 540	0.15 505	0.18 519	0.17 519
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	0.29 512	0.24 520	0.27 469	0.34 533	0.19 519	0.33 511	0.42 548	0.37 496	0.50 510	0.38 513	0.40 487	0.44 519	0.33 511	0.28 484	0.30 511	0.20 527	0.16 515	0.19 519	0.19 521	0.14 487	0.15 500

PASM	0.32 521	0.24 520	0.48 523	0.28 519	0.27 537	0.29 500	0.30 529	0.34 468	0.49 507	0.35 505	0.39 481	0.46 525	0.34 515	0.34 507	0.35 526	0.23 539	0.25 541	0.26 530	0.28 539	0.23 528	0.21 530

WCMA_ROB	0.24 483	0.11 400	0.22 441	0.17 220	0.14 467	0.32 505	0.15 223	0.32 440	0.32 417	0.38 513	0.53 521	0.40 511	0.34 515	0.34 507	0.25 477	0.11 433	0.12 484	0.12 461	0.10 426	0.14 487	0.14 493

edge stereo	0.22 460	0.13 447	0.20 427	0.21 443	0.13 447	0.23 454	0.16 288	0.32 440	0.42 482	0.32 498	0.40 487	0.38 499	0.35 517	0.25 468	0.24 468	0.13 481	0.11 470	0.14 488	0.11 458	0.12 456	0.13 476

SGM_RVC	0.23 476	0.12 418	0.15 319	0.15 72	0.09 242	0.33 511	0.18 367	0.34 468	0.31 410	0.44 529	0.37 467	0.53 536	0.35 517	0.35 513	0.24 468	0.13 481	0.13 497	0.13 476	0.13 487	0.10 418	0.11 444
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 512	0.18 499	0.45 517	0.21 443	0.17 510	0.28 496	0.23 465	0.41 518	0.63 538	0.40 518	0.49 515	0.40 511	0.36 519	0.39 530	0.40 538	0.13 481	0.12 484	0.13 476	0.14 490	0.16 509	0.16 511

LSM	0.33 524	0.20 506	0.58 536	0.26 504	0.60 561	0.34 514	0.25 492	0.42 523	0.48 501	0.45 530	0.58 535	0.42 514	0.36 519	0.35 513	0.25 477	0.12 458	0.20 528	0.14 488	0.16 509	0.19 522	0.33 548

psmorigin	0.25 494	0.15 469	0.34 501	0.17 220	0.13 447	0.23 454	0.14 155	0.34 468	0.33 424	0.41 522	0.55 525	0.41 513	0.37 521	0.34 507	0.27 496	0.11 433	0.15 512	0.11 442	0.11 458	0.12 456	0.16 511

Wz-Net-TNSev	0.29 512	0.20 506	0.65 541	0.19 359	0.15 485	0.38 527	0.27 507	0.35 483	0.55 520	0.34 504	0.42 504	0.45 521	0.38 522	0.32 501	0.30 511	0.12 458	0.13 497	0.10 411	0.12 477	0.15 502	0.14 493

AnyNet_C01	0.36 528	0.25 525	1.37 567	0.22 458	0.17 510	0.48 535	0.27 507	0.35 483	0.39 466	0.39 515	0.74 548	0.46 525	0.38 522	0.45 538	0.47 547	0.13 481	0.13 497	0.13 476	0.14 490	0.14 487	0.15 500

EDNetEfficient	0.29 512	0.24 520	1.13 564	0.18 302	0.10 344	0.19 401	0.20 427	0.20 233	0.60 532	0.74 553	0.56 530	0.31 466	0.39 524	0.22 443	0.30 511	0.09 363	0.07 383	0.08 282	0.07 276	0.11 441	0.09 391

MFN_U_SF_RVC	0.32 521	0.21 512	0.55 530	0.30 528	0.15 485	0.34 514	0.17 322	0.52 542	0.46 499	0.46 533	0.55 525	0.59 539	0.39 524	0.35 513	0.37 531	0.15 498	0.14 506	0.18 517	0.21 524	0.16 509	0.15 500

SAMSARA	0.40 533	0.28 531	0.33 493	0.55 551	0.39 545	0.82 561	1.23 575	0.47 535	0.51 517	0.36 508	0.35 458	0.55 538	0.39 524	0.38 526	0.39 535	0.15 498	0.20 528	0.15 500	0.14 490	0.23 528	0.20 528

FC-DCNN v2	0.33 524	0.27 527	0.28 474	0.26 504	0.23 529	0.37 524	0.28 513	0.40 512	0.43 487	0.45 530	0.56 530	0.51 532	0.40 527	0.37 524	0.29 506	0.21 531	0.20 528	0.27 533	0.26 534	0.25 535	0.24 534

ADCMid	0.25 494	0.15 469	0.40 510	0.20 414	0.14 467	0.25 470	0.26 500	0.34 468	0.38 463	0.36 508	0.44 509	0.34 484	0.40 527	0.35 513	0.33 523	0.10 404	0.09 438	0.11 442	0.11 458	0.13 474	0.12 457

FC-DCNN	0.33 524	0.27 527	0.28 474	0.26 504	0.23 529	0.37 524	0.28 513	0.40 512	0.43 487	0.45 530	0.55 525	0.51 532	0.40 527	0.37 524	0.30 511	0.21 531	0.20 528	0.27 533	0.26 534	0.25 535	0.24 534

MSMD_ROB	0.31 519	0.26 526	0.26 462	0.24 488	0.21 525	0.34 514	0.25 492	0.34 468	0.39 466	0.40 518	0.69 542	0.45 521	0.40 527	0.34 507	0.27 496	0.20 527	0.19 525	0.26 530	0.25 533	0.23 528	0.22 532

MeshStereo	0.27 504	0.13 447	0.18 404	0.15 72	0.11 393	0.32 505	0.24 477	0.40 512	0.36 449	0.52 536	0.57 533	0.67 547	0.40 527	0.35 513	0.26 488	0.14 494	0.13 497	0.13 476	0.11 458	0.11 441	0.10 418
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	0.33 524	0.28 531	0.28 474	0.30 528	0.24 531	0.39 528	0.28 513	0.42 523	0.42 482	0.43 528	0.53 521	0.51 532	0.41 532	0.36 519	0.30 511	0.21 531	0.20 528	0.27 533	0.26 534	0.25 535	0.24 534
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 540	0.19 502	3.26 573	0.24 488	0.15 485	0.74 554	0.20 427	0.36 490	0.76 553	0.42 525	0.43 507	0.31 466	0.41 532	0.53 546	0.35 526	0.10 404	0.08 409	0.13 476	0.12 477	0.15 502	0.15 500

RTSA	0.45 540	0.19 502	3.26 573	0.24 488	0.15 485	0.74 554	0.20 427	0.36 490	0.76 553	0.42 525	0.43 507	0.31 466	0.41 532	0.53 546	0.35 526	0.10 404	0.08 409	0.13 476	0.12 477	0.15 502	0.15 500

Ntro	0.40 533	0.40 544	0.53 527	0.46 548	0.30 542	0.65 547	0.24 477	0.46 534	0.68 544	0.41 522	0.49 515	0.48 530	0.42 535	0.39 530	0.31 518	0.32 545	0.28 543	0.37 545	0.30 542	0.32 546	0.29 543

SGM-ForestM	0.32 521	0.12 418	0.16 353	0.16 146	0.11 393	0.39 528	0.19 406	0.41 518	0.50 510	0.52 536	0.54 523	1.32 566	0.42 535	0.40 534	0.27 496	0.14 494	0.16 515	0.16 506	0.16 509	0.12 456	0.12 457

LE_ROB	0.50 544	0.07 143	0.14 268	0.15 72	0.08 130	0.24 459	0.16 288	0.22 278	1.81 576	4.63 579	0.67 540	0.47 528	0.44 537	0.20 413	0.29 506	0.07 243	0.06 311	0.06 105	0.06 189	0.08 324	0.06 203

coex-ft	3.30 575	0.34 539	59.09 597	0.18 302	0.13 447	0.26 479	0.22 454	0.27 375	0.72 547	1.90 577	0.70 544	0.44 519	0.45 538	0.29 490	0.41 541	0.09 363	0.09 438	0.12 461	0.09 387	0.14 487	0.13 476

RainbowNet	0.54 547	0.61 553	0.70 553	0.57 552	0.43 549	0.65 547	0.37 543	0.60 551	0.87 557	0.50 535	0.66 539	0.64 543	0.47 539	0.49 540	0.43 545	0.47 554	0.48 558	0.52 553	0.41 548	0.52 551	0.40 553

Consistency-Raft	0.44 538	0.40 544	0.45 517	0.37 539	0.43 549	0.46 531	0.41 545	0.57 549	0.55 520	0.32 498	0.73 546	0.33 478	0.48 540	0.42 537	0.49 549	0.39 548	0.35 549	0.45 548	0.51 556	0.42 548	0.29 543

ACVNet_1	0.44 538	0.49 548	0.60 537	0.45 545	0.28 538	0.49 536	0.27 507	0.57 549	0.72 547	0.62 542	0.58 535	0.74 551	0.49 541	0.50 541	0.35 526	0.26 542	0.24 540	0.39 546	0.29 540	0.31 545	0.24 534

EDNetEfficientorigin	7.91 582	0.31 536	153.02 598	0.19 359	0.09 242	0.21 433	0.16 288	0.22 278	0.59 529	0.72 549	0.67 540	0.42 514	0.50 542	0.24 463	0.39 535	0.08 304	0.07 383	0.08 282	0.07 276	0.12 456	0.10 418

TCMNet-wrong-test	3.67 576	5.48 586	3.89 577	12.18 588	11.75 589	4.65 578	3.88 579	1.06 571	0.72 547	1.09 569	2.15 578	6.30 582	0.53 543	3.43 579	2.36 578	0.89 572	0.20 528	1.87 579	1.69 578	5.57 584	3.62 584

MSC_U_SF_DS_RVC	0.43 537	0.39 543	0.54 528	0.40 540	0.20 522	0.64 546	0.32 537	0.53 544	0.72 547	0.71 547	0.72 545	0.61 541	0.54 544	0.51 542	0.46 546	0.20 527	0.19 525	0.29 540	0.30 542	0.23 528	0.18 522

ELAS_RVC	0.41 535	0.29 534	0.33 493	0.28 519	0.24 531	0.54 539	0.36 540	0.49 538	0.59 529	0.72 549	0.74 548	0.65 545	0.54 544	0.54 548	0.40 538	0.22 535	0.20 528	0.27 533	0.26 534	0.26 539	0.25 539
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 535	0.29 534	0.33 493	0.27 516	0.24 531	0.60 544	0.36 540	0.50 540	0.50 510	0.71 547	0.79 552	0.67 547	0.54 544	0.51 542	0.42 542	0.22 535	0.20 528	0.27 533	0.26 534	0.26 539	0.25 539
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 546	0.58 551	0.65 541	0.41 542	0.61 562	0.53 538	0.41 545	0.56 547	0.41 475	0.55 539	0.50 519	0.49 531	0.55 547	0.58 551	0.50 552	0.58 559	0.50 562	0.51 551	0.51 556	0.51 550	0.57 558

SGM+DAISY	0.56 548	0.57 550	0.65 541	0.40 540	0.54 554	0.66 549	0.49 552	0.56 547	0.45 498	0.66 543	0.69 542	0.67 547	0.56 548	0.63 553	0.56 554	0.59 560	0.48 558	0.50 550	0.50 555	0.52 551	0.58 559

SPS-STEREO	0.57 549	0.58 551	0.65 541	0.45 545	0.55 556	0.62 545	0.44 551	0.62 552	0.50 510	0.68 545	0.64 537	0.66 546	0.57 549	0.61 552	0.60 556	0.62 562	0.47 557	0.51 551	0.49 553	0.55 555	0.58 559
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 530	0.20 506	0.39 509	0.31 532	0.22 527	0.29 500	0.43 550	0.52 542	0.96 560	0.55 539	0.79 552	0.53 536	0.59 550	0.52 544	0.38 533	0.19 525	0.14 506	0.17 508	0.14 490	0.24 534	0.31 546

MANE	0.45 540	0.27 527	0.27 469	0.27 516	0.24 531	0.47 533	0.31 535	0.55 546	0.59 529	0.72 549	1.13 568	1.15 560	0.61 551	0.52 544	0.37 531	0.21 531	0.20 528	0.27 533	0.31 544	0.25 535	0.24 534

PWCK	0.71 554	0.94 568	0.95 562	0.76 557	0.31 543	0.74 554	0.36 540	0.90 559	0.90 558	0.96 562	0.75 550	0.95 555	0.61 551	0.87 565	0.66 559	0.72 565	0.46 553	0.75 560	0.49 553	0.69 564	0.44 555

BEATNet-Init1	0.52 545	0.27 527	0.62 539	0.30 528	0.21 525	0.76 558	0.29 522	0.54 545	0.65 541	0.86 558	0.95 559	2.07 575	0.62 553	0.56 550	0.42 542	0.18 520	0.18 522	0.23 527	0.22 527	0.22 527	0.21 530

NVStereoNet_ROB	0.46 543	0.36 541	0.46 521	0.41 542	0.28 538	0.34 514	0.34 538	0.48 536	0.60 532	0.72 549	0.93 557	0.70 550	0.66 554	0.47 539	0.60 556	0.22 535	0.33 548	0.34 544	0.34 547	0.30 542	0.30 545
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	0.64 550	0.66 557	0.65 541	0.51 549	0.69 566	0.69 550	0.57 558	0.64 553	0.73 551	0.60 541	0.73 546	0.62 542	0.67 555	0.65 554	0.60 556	0.66 564	0.58 571	0.63 555	0.59 559	0.68 562	0.69 568

MADNet+	0.75 557	0.71 559	3.70 576	0.66 554	0.41 547	0.98 566	0.97 573	0.69 554	0.73 551	0.52 536	0.57 533	0.64 543	0.68 556	0.86 564	1.01 572	0.34 547	0.36 550	0.28 539	0.23 531	0.36 547	0.31 546

ACVNet_2	0.66 553	0.66 557	0.68 549	0.63 553	0.41 547	0.71 552	0.49 552	0.96 564	1.39 569	0.89 559	1.09 564	1.04 556	0.73 557	0.54 548	0.47 547	0.43 552	0.40 551	0.53 554	0.44 550	0.47 549	0.35 550

TorneroNet-64	0.76 558	0.72 560	0.74 554	0.78 559	0.58 560	0.91 565	0.56 557	0.84 558	1.29 566	0.66 543	0.90 555	1.40 568	0.75 558	0.85 563	0.67 562	0.49 555	0.46 553	0.72 559	0.59 559	0.67 561	0.53 557

IMH-64-1	0.65 551	0.61 553	0.68 549	0.71 555	0.51 552	0.59 542	0.49 552	0.91 560	0.85 555	0.74 553	1.02 561	0.81 552	0.78 559	0.79 557	0.49 549	0.42 550	0.46 553	0.71 557	0.47 551	0.52 551	0.39 551

IMH-64	0.65 551	0.61 553	0.68 549	0.71 555	0.51 552	0.59 542	0.49 552	0.91 560	0.85 555	0.74 553	1.02 561	0.81 552	0.78 559	0.79 557	0.49 549	0.42 550	0.46 553	0.71 557	0.47 551	0.52 551	0.39 551

JetBlue	0.71 554	0.45 547	1.14 565	0.51 549	0.47 551	2.02 576	0.64 562	0.75 555	0.70 545	0.69 546	0.77 551	1.22 562	0.83 561	1.03 572	1.01 572	0.40 549	0.28 543	0.33 543	0.33 545	0.30 542	0.34 549

LVE	0.83 562	0.85 566	0.85 560	0.80 560	0.56 557	1.04 571	0.65 563	1.05 569	1.47 572	0.96 562	1.22 572	1.10 559	0.85 562	0.83 560	0.71 564	0.49 555	0.55 568	0.76 563	0.60 561	0.65 559	0.59 564

TorneroNet	0.82 561	0.74 561	0.81 559	0.84 562	0.63 563	0.99 567	0.63 560	0.96 564	1.16 563	0.80 556	1.11 566	1.36 567	0.86 563	0.93 568	0.80 567	0.56 557	0.49 560	0.78 565	0.66 564	0.73 567	0.63 567

IMH	0.71 554	0.64 556	0.68 549	0.76 557	0.54 554	0.69 550	0.54 556	0.98 566	1.10 562	0.82 557	1.09 564	0.89 554	0.88 564	0.87 565	0.52 553	0.44 553	0.50 562	0.75 560	0.51 556	0.56 556	0.41 554

WAO-7	0.79 559	0.78 562	0.54 528	0.85 563	0.67 565	0.74 554	0.68 566	1.05 569	1.32 567	0.90 560	1.20 571	1.04 556	0.92 565	0.69 555	0.66 559	0.60 561	0.62 572	0.67 556	0.68 565	0.64 558	0.58 559

JetRed	1.62 573	1.46 576	2.98 571	0.92 566	1.21 575	4.99 579	1.53 578	1.27 577	1.39 569	1.83 576	1.74 577	1.60 574	0.95 566	1.41 575	2.45 579	0.90 573	1.60 577	0.93 569	0.90 573	1.35 575	0.99 575

KSHMR	1.09 570	1.17 572	0.88 561	1.25 575	1.00 574	0.99 567	0.96 572	1.13 574	1.37 568	1.16 571	1.29 573	1.41 569	0.96 567	1.01 571	0.92 569	1.03 574	1.08 576	1.20 573	1.03 575	1.01 572	0.97 574

Dean	0.87 563	0.86 567	0.79 557	0.81 561	0.56 557	0.90 562	0.63 560	1.15 575	1.73 575	1.15 570	1.15 569	1.31 565	0.99 568	0.81 559	0.81 568	0.57 558	0.56 569	0.77 564	0.64 562	0.66 560	0.58 559

WAO-6	0.81 560	0.80 563	0.62 539	0.86 564	0.63 563	0.76 558	0.58 559	0.98 566	1.54 574	0.90 560	0.96 560	1.07 558	1.03 569	0.70 556	0.66 559	0.72 565	0.49 560	0.90 568	0.71 566	0.68 562	0.58 559

WAO-8	0.91 564	0.81 564	0.65 541	0.94 567	0.69 566	0.90 562	0.67 564	1.07 572	1.83 577	1.06 567	1.45 574	1.30 563	1.07 570	0.84 561	0.78 565	0.74 567	0.53 565	0.86 566	0.75 567	0.69 564	0.62 565

ktn	1.01 569	1.21 573	0.80 558	1.23 574	0.86 572	1.01 569	0.87 570	0.94 563	1.39 569	1.04 565	1.12 567	1.15 560	1.07 570	0.94 569	0.59 555	1.28 576	0.71 574	1.38 576	0.83 570	1.02 573	0.75 571

Venus	0.91 564	0.81 564	0.65 541	0.94 567	0.69 566	0.90 562	0.67 564	1.07 572	1.83 577	1.06 567	1.45 574	1.30 563	1.07 570	0.84 561	0.78 565	0.74 567	0.53 565	0.86 566	0.75 567	0.69 564	0.62 565

DPSimNet_ROB	1.11 571	1.23 574	0.78 555	1.13 572	0.88 573	1.10 572	1.13 574	1.16 576	1.23 565	1.43 574	1.02 561	1.41 569	1.10 573	0.90 567	1.60 574	1.46 577	0.51 564	1.21 574	1.03 575	0.90 570	1.01 576

notaker	0.97 567	1.11 571	0.98 563	1.13 572	0.81 570	0.73 553	0.68 566	0.93 562	1.16 563	1.18 572	1.18 570	1.41 569	1.16 574	1.08 574	0.69 563	0.81 570	0.64 573	1.17 572	0.79 569	0.98 571	0.80 572

UNDER WATER-64	0.95 566	0.94 568	1.43 569	0.87 565	0.56 557	1.18 574	0.87 570	0.77 556	0.94 559	1.04 565	0.85 554	1.58 573	1.21 575	0.94 569	0.96 570	0.87 571	0.57 570	1.03 571	0.88 572	0.78 568	0.73 569

UNDER WATER	0.97 567	0.97 570	1.42 568	0.99 569	0.70 569	1.12 573	0.84 569	0.80 557	1.08 561	1.01 564	0.90 555	1.55 572	1.22 576	1.03 572	1.00 571	0.78 569	0.53 565	1.02 570	0.87 571	0.80 569	0.74 570

HanzoNet	1.29 572	1.26 575	1.19 566	1.12 571	0.85 571	1.02 570	0.83 568	1.03 568	1.48 573	1.64 575	1.61 576	2.50 577	1.72 577	1.61 576	1.61 575	1.26 575	0.80 575	1.31 575	1.01 574	1.02 573	0.86 573

MADNet++	1.95 574	1.75 577	1.59 570	1.82 576	1.69 577	2.33 577	1.40 577	2.35 578	2.09 579	2.57 578	2.36 579	2.24 576	2.17 578	2.28 577	2.34 577	1.87 578	1.66 578	1.54 577	1.34 577	1.92 576	1.77 578

tt	4.67 577	0.06 59	3.55 575	2.02 577	1.55 576	10.25 583	16.71 583	8.91 587	5.03 580	1.31 573	0.94 558	4.71 578	4.76 579	3.33 578	5.87 581	6.06 586	10.30 590	1.88 580	2.11 580	2.75 578	1.21 577

LRCNet_RVC	10.62 587	13.42 591	7.30 579	18.92 590	2.07 578	0.33 511	0.30 529	5.59 582	0.48 501	13.03 589	17.94 590	8.87 584	5.65 580	4.79 580	1.89 576	23.51 595	2.73 583	27.55 596	25.71 596	16.07 593	16.33 594

PML	8.91 585	9.34 590	6.13 578	5.35 581	6.41 582	14.99 586	23.38 590	5.27 579	6.83 581	18.04 591	28.19 597	7.67 583	6.83 581	7.85 584	5.75 580	5.35 585	1.83 579	5.95 589	1.93 579	8.64 587	2.52 580

USTest	6.22 578	2.73 579	3.00 572	6.57 584	7.29 583	14.37 585	21.57 584	7.00 586	9.56 585	5.34 582	6.10 580	5.72 581	7.64 582	6.41 583	6.96 582	1.97 579	3.42 584	1.64 578	2.15 581	2.66 577	2.36 579

xxxxx1	7.79 579	5.02 583	7.31 580	3.12 578	3.85 579	16.35 587	22.88 585	5.86 583	8.69 582	7.97 583	8.54 581	9.12 585	8.27 583	10.18 585	10.92 583	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

tt_ll	7.79 579	5.02 583	7.31 580	3.12 578	3.85 579	16.35 587	22.88 585	5.86 583	8.69 582	7.97 583	8.54 581	9.12 585	8.27 583	10.18 585	10.92 583	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

ff	7.79 579	5.02 583	7.31 580	3.12 578	3.85 579	16.35 587	22.88 585	5.86 583	8.69 582	7.97 583	8.54 581	9.12 585	8.27 583	10.18 585	10.92 583	2.42 580	2.45 580	3.56 583	12.37 587	3.77 579	3.06 581

DPSMNet_ROB	8.06 583	4.48 581	8.63 586	5.37 583	10.74 586	8.32 581	22.98 589	5.46 580	13.36 588	5.12 580	9.92 584	5.08 579	10.40 586	5.53 582	12.58 586	3.80 584	8.00 585	3.50 581	7.02 584	3.83 582	7.14 586

DGTPSM_ROB	8.06 583	4.48 581	8.63 586	5.35 581	10.72 585	8.32 581	22.97 588	5.46 580	13.35 587	5.12 580	9.92 584	5.08 579	10.40 586	5.52 581	12.58 586	3.79 583	8.00 585	3.50 581	7.02 584	3.83 582	7.14 586

Anonymous_1	10.96 588	7.92 587	7.46 583	10.33 585	10.06 584	18.65 591	26.34 591	11.06 588	13.44 589	9.40 586	10.05 586	9.67 588	11.23 588	10.73 588	12.72 588	6.42 587	8.38 587	5.77 586	10.61 586	12.12 588	6.77 585

DPSM_ROB	11.15 589	8.58 588	8.00 584	10.88 586	11.58 587	19.10 592	26.71 592	12.05 589	14.07 590	10.36 587	10.84 587	10.33 589	11.86 589	11.70 589	13.54 589	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 588

DPSM	11.15 589	8.58 588	8.00 584	10.88 586	11.58 587	19.10 592	26.71 592	12.05 589	14.07 590	10.36 587	10.84 587	10.33 589	11.86 589	11.70 589	13.54 589	6.99 588	8.79 588	5.89 587	6.95 582	7.29 585	7.42 588

HaxPig	15.71 591	18.52 596	19.18 592	16.89 589	15.89 591	7.73 580	7.60 580	13.31 591	10.82 586	15.42 590	14.91 589	15.98 591	14.92 591	15.58 591	15.98 591	18.95 594	16.73 591	19.46 594	18.08 594	19.26 594	19.05 595

MEDIAN_ROB	20.38 592	24.04 597	23.31 594	21.23 591	21.71 592	10.40 584	7.92 581	17.64 592	15.50 592	20.12 592	19.70 591	20.34 592	20.32 592	21.19 592	21.13 592	23.81 596	21.81 596	24.98 595	23.76 595	24.71 595	23.93 596

FlowAnything	22.44 594	17.35 594	16.14 590	22.07 594	23.23 593	38.39 595	53.77 595	24.25 595	28.44 596	20.96 596	21.82 594	20.70 593	23.84 593	23.49 594	27.14 594	14.04 590	17.79 595	11.75 590	14.15 593	14.65 589	14.89 590

Selective-RAFT-Error	22.47 595	17.37 595	16.09 589	22.06 593	23.34 595	38.39 595	53.83 597	24.29 597	28.47 597	20.74 594	21.83 595	20.81 594	23.90 594	23.54 596	27.53 597	14.08 592	17.69 593	11.82 591	14.00 590	14.69 591	15.00 593

CasAABBNet	22.42 593	17.33 593	16.01 588	22.01 592	23.28 594	38.32 594	53.80 596	24.14 594	28.41 595	20.60 593	21.77 593	20.89 595	23.91 595	23.43 593	27.36 595	14.07 591	17.69 593	11.83 592	14.01 591	14.67 590	14.95 592

LSM0	22.87 596	17.28 592	18.96 591	22.19 595	29.04 597	38.42 597	53.71 594	24.28 596	28.31 594	20.78 595	21.00 592	21.43 596	24.16 596	23.50 595	27.39 596	14.09 593	17.38 592	11.84 593	14.04 592	14.73 592	14.89 590

AVERAGE_ROB	24.90 597	29.20 598	28.14 595	24.89 596	24.64 596	17.75 590	11.12 582	21.45 593	19.93 593	25.12 597	24.46 596	25.12 597	25.46 597	24.69 597	22.83 593	29.76 597	27.13 597	28.97 597	27.95 597	29.91 596	29.47 597

test_example2	98.32 598	94.13 599	45.89 596	96.35 597	109.85 598	88.61 598	95.45 598	25.75 598	94.37 598	130.00 599	126.06 598	58.17 598	74.63 598	88.51 598	79.96 598	150.23 598	221.02 598	77.62 598	99.10 598	113.75 598	96.94 598

ccccc		285.66 600		368.85 599	370.60 599	123.16 599		115.05 599		126.68 598		122.83 599		252.94 599		384.56 599	353.86 599	254.69 599	223.00 599	425.87 599

ASD4		3.38 580

Low-res two-view benchmark