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

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

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

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

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

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

CREStereo++_RVC	0.08 4	0.04 1	0.06 1	0.13 10	0.07 26	0.09 44	0.12 30	0.14 30	0.14 78	0.10 58	0.14 111	0.08 43	0.07 49	0.09 12	0.11 115	0.06 64	0.04 2	0.05 2	0.05 50	0.04 1	0.04 9
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
TANstereo	0.09 23	0.04 1	0.08 13	0.13 10	0.06 3	0.11 106	0.14 94	0.15 47	0.19 168	0.11 82	0.15 127	0.10 82	0.06 12	0.12 125	0.09 27	0.07 162	0.05 120	0.05 2	0.04 12	0.06 118	0.05 64

CREStereo	0.09 23	0.04 1	0.08 13	0.11 1	0.06 3	0.13 165	0.14 94	0.14 30	0.10 12	0.08 14	0.13 97	0.09 59	0.08 74	0.11 58	0.10 70	0.08 217	0.04 2	0.05 2	0.03 1	0.06 118	0.06 129
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
UGAM-zero	0.09 23	0.05 9	0.15 231	0.15 48	0.08 62	0.09 44	0.13 58	0.19 146	0.15 90	0.11 82	0.15 127	0.07 26	0.07 49	0.09 12	0.09 27	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129

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

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

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

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

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

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

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

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

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

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

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

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

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

LoS	0.09 23	0.05 9	0.11 88	0.13 10	0.07 26	0.14 195	0.11 18	0.15 47	0.15 90	0.09 30	0.09 35	0.12 116	0.09 97	0.15 202	0.10 70	0.07 162	0.05 120	0.05 2	0.03 1	0.05 49	0.05 64
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
EGLCR-Stereo	0.08 4	0.05 9	0.08 13	0.14 18	0.06 3	0.10 73	0.12 30	0.11 4	0.16 112	0.06 1	0.05 1	0.07 26	0.05 3	0.10 26	0.11 115	0.06 64	0.04 2	0.06 45	0.05 50	0.04 1	0.04 9

knoymous	0.11 109	0.05 9	0.12 112	0.13 10	0.07 26	0.15 219	0.14 94	0.19 146	0.13 60	0.11 82	0.17 157	0.13 140	0.09 97	0.13 163	0.11 115	0.08 217	0.05 120	0.06 45	0.05 50	0.08 237	0.07 196

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

TRStereo	0.09 23	0.05 9	0.12 112	0.15 48	0.12 331	0.10 73	0.13 58	0.18 127	0.18 155	0.09 30	0.09 35	0.09 59	0.06 12	0.10 26	0.08 12	0.07 162	0.05 120	0.07 124	0.07 194	0.04 1	0.04 9

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

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

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

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

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

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

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

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

testlalala2	0.10 72	0.06 31	0.11 88	0.20 318	0.10 256	0.10 73	0.12 30	0.17 101	0.12 38	0.12 117	0.13 97	0.09 59	0.07 49	0.11 58	0.13 195	0.06 64	0.05 120	0.05 2	0.04 12	0.05 49	0.05 64

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

OMP-Stereo	0.11 109	0.06 31	0.14 182	0.18 221	0.08 62	0.09 44	0.12 30	0.21 176	0.21 202	0.13 141	0.14 111	0.11 101	0.12 175	0.11 58	0.13 195	0.06 64	0.04 2	0.07 124	0.06 112	0.05 49	0.04 9

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

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

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

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

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

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

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

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

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

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

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

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

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

raftrobust	0.09 23	0.06 31	0.10 57	0.17 149	0.08 62	0.09 44	0.10 10	0.18 127	0.16 112	0.10 58	0.09 35	0.12 116	0.07 49	0.12 125	0.10 70	0.08 217	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

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

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

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

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

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

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

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

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

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

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

R-Stereo Train	0.10 72	0.06 31	0.10 57	0.17 149	0.08 62	0.11 106	0.14 94	0.23 211	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64

RAFT-Stereo	0.10 72	0.06 31	0.10 57	0.17 149	0.08 62	0.11 106	0.14 94	0.23 211	0.11 28	0.12 117	0.19 188	0.11 101	0.08 74	0.09 12	0.11 115	0.07 162	0.05 120	0.06 45	0.05 50	0.05 49	0.05 64
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
HITNet	0.10 72	0.06 31	0.12 112	0.14 18	0.06 3	0.11 106	0.10 10	0.18 127	0.18 155	0.13 141	0.16 138	0.14 159	0.11 146	0.15 202	0.13 195	0.06 64	0.04 2	0.04 1	0.04 12	0.06 118	0.05 64
Vladimir Tankovich, Christian HÃ¤ne, Yinda Zhang, Adarsh Kowdle, Sean Fanello, Sofien Bouaziz: HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching. CVPR 2021
GCAP-BAT	0.09 23	0.07 88	0.14 182	0.15 48	0.08 62	0.10 73	0.13 58	0.14 30	0.10 12	0.11 82	0.10 52	0.08 43	0.07 49	0.12 125	0.10 70	0.06 64	0.05 120	0.06 45	0.04 12	0.04 1	0.04 9

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

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

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

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

CAS++	0.11 109	0.07 88	0.11 88	0.14 18	0.09 160	0.12 133	0.14 94	0.24 232	0.14 78	0.11 82	0.09 35	0.11 101	0.07 49	0.14 181	0.09 27	0.11 332	0.09 339	0.09 269	0.07 194	0.07 180	0.08 259
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MGS-Stereo	0.09 23	0.07 88	0.12 112	0.15 48	0.08 62	0.09 44	0.15 152	0.12 11	0.12 38	0.07 4	0.10 52	0.08 43	0.06 12	0.10 26	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.06 118	0.05 64

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

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

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

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

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

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

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

MyStereo05	0.13 195	0.07 88	0.10 57	0.17 149	0.09 160	0.13 165	0.18 278	0.27 284	0.35 348	0.17 228	0.14 111	0.15 185	0.11 146	0.15 202	0.13 195	0.06 64	0.05 120	0.07 124	0.07 194	0.06 118	0.06 129

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

IGEV-Stereo	0.09 23	0.07 88	0.11 88	0.16 91	0.09 160	0.11 106	0.15 152	0.16 67	0.12 38	0.09 30	0.06 2	0.06 4	0.06 12	0.11 58	0.09 27	0.05 4	0.04 2	0.06 45	0.05 50	0.05 49	0.06 129
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
GLC_STEREO	0.11 109	0.07 88	0.11 88	0.17 149	0.07 26	0.09 44	0.13 58	0.15 47	0.24 240	0.12 117	0.13 97	0.12 116	0.08 74	0.18 280	0.11 115	0.06 64	0.08 315	0.08 196	0.06 112	0.05 49	0.05 64

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DIP-Stereo	0.11 109	0.07 88	0.14 182	0.17 149	0.09 160	0.13 165	0.09 5	0.16 67	0.16 112	0.11 82	0.16 138	0.14 159	0.12 175	0.15 202	0.13 195	0.06 64	0.05 120	0.06 45	0.05 50	0.05 49	0.06 129
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
RASNet	0.14 225	0.07 88	0.14 182	0.16 91	0.08 62	0.18 285	0.14 94	0.29 311	0.20 189	0.17 228	0.25 278	0.21 264	0.18 308	0.20 317	0.19 315	0.07 162	0.06 222	0.06 45	0.08 255	0.06 118	0.06 129

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CroCo-Stereo	0.09 23	0.08 168	0.08 13	0.22 359	0.09 160	0.09 44	0.19 314	0.15 47	0.12 38	0.07 4	0.07 16	0.08 43	0.06 12	0.08 8	0.07 1	0.07 162	0.05 120	0.06 45	0.04 12	0.05 49	0.04 9
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
LMCR-Stereo	0.15 266	0.08 168	0.13 152	0.21 344	0.09 160	0.17 267	0.20 331	0.27 284	0.19 168	0.24 338	0.24 249	0.23 297	0.17 297	0.20 317	0.17 288	0.07 162	0.06 222	0.08 196	0.06 112	0.10 324	0.08 259

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

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

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

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

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

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

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

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

ac_64	0.16 289	0.08 168	0.15 231	0.18 221	0.10 256	0.22 344	0.18 278	0.24 232	0.21 202	0.18 258	0.24 249	0.29 346	0.18 308	0.19 293	0.22 348	0.09 270	0.07 290	0.08 196	0.09 296	0.07 180	0.06 129

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

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

MSMDNet	0.14 225	0.08 168	0.15 231	0.17 149	0.09 160	0.14 195	0.14 94	0.29 311	0.36 352	0.14 162	0.21 220	0.21 264	0.12 175	0.17 263	0.14 231	0.07 162	0.05 120	0.07 124	0.07 194	0.07 180	0.07 196

HSM-Net_RVC	0.14 225	0.08 168	0.11 88	0.15 48	0.08 62	0.15 219	0.15 152	0.27 284	0.29 303	0.19 272	0.21 220	0.29 346	0.14 234	0.17 263	0.13 195	0.06 64	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
ccs_rob	0.14 225	0.08 168	0.15 231	0.16 91	0.09 160	0.12 133	0.14 94	0.27 284	0.34 341	0.14 162	0.21 220	0.22 281	0.13 210	0.18 280	0.14 231	0.07 162	0.05 120	0.08 196	0.07 194	0.07 180	0.07 196

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

iResNetv2_ROB	0.14 225	0.08 168	0.15 231	0.16 91	0.08 62	0.16 246	0.12 30	0.25 247	0.35 348	0.21 304	0.29 325	0.24 303	0.13 210	0.14 181	0.14 231	0.06 64	0.05 120	0.06 45	0.04 12	0.09 294	0.08 259

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

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

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

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

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

rvit_stereo_0081_aga	0.11 109	0.09 229	0.14 182	0.18 221	0.09 160	0.13 165	0.14 94	0.14 30	0.19 168	0.10 58	0.18 180	0.16 198	0.09 97	0.12 125	0.09 27	0.10 306	0.06 222	0.08 196	0.07 194	0.07 180	0.06 129

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

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

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

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

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

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

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

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

CASnet	0.09 23	0.09 229	0.09 34	0.19 273	0.06 3	0.07 18	0.11 18	0.18 127	0.14 78	0.11 82	0.10 52	0.09 59	0.07 49	0.10 26	0.10 70	0.06 64	0.04 2	0.10 313	0.08 255	0.05 49	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
testlalala_base	0.10 72	0.09 229	0.14 182	0.21 344	0.08 62	0.10 73	0.14 94	0.13 20	0.10 12	0.07 4	0.15 127	0.07 26	0.08 74	0.10 26	0.12 158	0.08 217	0.05 120	0.05 2	0.03 1	0.06 118	0.05 64

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

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

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

Wz-Net-LNSev-Ref	0.18 322	0.09 229	0.29 384	0.15 48	0.10 256	0.22 344	0.20 331	0.26 264	0.39 366	0.25 351	0.42 402	0.24 303	0.15 251	0.20 317	0.19 315	0.07 162	0.05 120	0.06 45	0.05 50	0.10 324	0.09 300

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

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

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

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

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

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

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

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

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

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

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

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

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

Patchmatch Stereo++	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.11 18	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
PSM-adaLoss	0.11 109	0.09 229	0.16 265	0.18 221	0.08 62	0.06 4	0.12 30	0.16 67	0.13 60	0.15 189	0.16 138	0.14 159	0.12 175	0.11 58	0.10 70	0.06 64	0.04 2	0.08 196	0.06 112	0.08 237	0.07 196

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

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

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

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

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

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

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

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

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

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

ICVP	0.15 266	0.09 229	0.12 112	0.22 359	0.09 160	0.17 267	0.21 348	0.25 247	0.23 225	0.18 258	0.30 330	0.26 324	0.18 308	0.17 263	0.14 231	0.09 270	0.07 290	0.08 196	0.07 194	0.07 180	0.07 196
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
sCroCo_RVC	0.12 170	0.09 229	0.23 353	0.24 385	0.11 300	0.19 307	0.14 94	0.17 101	0.14 78	0.10 58	0.13 97	0.12 116	0.07 49	0.14 181	0.11 115	0.08 217	0.08 315	0.08 196	0.08 255	0.05 49	0.07 196

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

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

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

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

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

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

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

DISCO	0.19 333	0.09 229	0.22 344	0.17 149	0.10 256	0.25 372	0.18 278	0.27 284	0.44 392	0.22 318	0.31 338	0.33 375	0.26 370	0.28 385	0.28 400	0.08 217	0.06 222	0.07 124	0.07 194	0.09 294	0.09 300

DDVS	0.15 266	0.10 283	0.21 338	0.16 91	0.12 331	0.15 219	0.14 94	0.25 247	0.19 168	0.18 258	0.29 325	0.27 331	0.12 175	0.19 293	0.15 258	0.09 270	0.06 222	0.09 269	0.07 194	0.11 342	0.11 344

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

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

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

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

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

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

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

ssnet_v2	0.17 309	0.10 283	0.17 292	0.17 149	0.11 300	0.21 336	0.21 348	0.33 361	0.25 261	0.22 318	0.22 229	0.27 331	0.18 308	0.22 344	0.20 321	0.11 332	0.09 339	0.09 269	0.09 296	0.08 237	0.08 259

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

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

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

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

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

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

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

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

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

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

NLCA_NET_v2_RVC	0.17 309	0.10 283	0.22 344	0.20 318	0.10 256	0.15 219	0.18 278	0.31 333	0.25 261	0.21 304	0.30 330	0.25 316	0.17 297	0.21 333	0.20 321	0.09 270	0.06 222	0.08 196	0.08 255	0.07 180	0.08 259
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
AANet_RVC	0.16 289	0.10 283	0.10 57	0.18 221	0.09 160	0.18 285	0.19 314	0.26 264	0.31 318	0.22 318	0.35 360	0.21 264	0.21 337	0.22 344	0.16 274	0.06 64	0.05 120	0.06 45	0.06 112	0.07 180	0.06 129

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

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

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

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

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

fast-acv-ft	0.18 322	0.11 308	0.19 323	0.19 273	0.12 331	0.24 362	0.21 348	0.25 247	0.34 341	0.22 318	0.34 358	0.27 331	0.20 333	0.21 333	0.23 358	0.09 270	0.09 339	0.08 196	0.10 329	0.08 237	0.07 196

ToySt	0.17 309	0.11 308	0.18 313	0.17 149	0.11 300	0.16 246	0.25 389	0.24 232	0.33 330	0.19 272	0.24 249	0.26 324	0.24 358	0.19 293	0.20 321	0.07 162	0.08 315	0.09 269	0.10 329	0.09 294	0.08 259

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

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

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

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

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

AdaStereo	0.15 266	0.11 308	0.15 231	0.18 221	0.09 160	0.20 322	0.11 18	0.32 344	0.28 297	0.20 291	0.23 238	0.20 257	0.13 210	0.19 293	0.14 231	0.12 357	0.05 120	0.10 313	0.07 194	0.09 294	0.07 196
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
DeepPruner_ROB	0.16 289	0.11 308	0.15 231	0.17 149	0.10 256	0.17 267	0.15 152	0.32 344	0.21 202	0.19 272	0.21 220	0.22 281	0.18 308	0.20 317	0.15 258	0.13 380	0.09 339	0.09 269	0.09 296	0.11 342	0.10 321

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

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

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

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

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

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

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

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

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

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

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

CASS	0.13 195	0.12 323	0.11 88	0.23 378	0.09 160	0.15 219	0.17 236	0.18 127	0.19 168	0.17 228	0.18 180	0.15 185	0.15 251	0.14 181	0.14 231	0.09 270	0.06 222	0.10 313	0.08 255	0.09 294	0.07 196
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
test_5	0.14 225	0.12 323	0.08 13	0.20 318	0.10 256	0.14 195	0.29 418	0.21 176	0.24 240	0.18 258	0.28 313	0.11 101	0.15 251	0.12 125	0.13 195	0.06 64	0.05 120	0.07 124	0.08 255	0.08 237	0.07 196

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

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

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

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

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

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

FAT-Stereo	0.20 344	0.12 323	0.22 344	0.21 344	0.12 331	0.17 267	0.18 278	0.34 370	0.39 366	0.27 361	0.37 369	0.34 381	0.32 405	0.21 333	0.20 321	0.09 270	0.11 368	0.10 313	0.09 296	0.11 342	0.14 390

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

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

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

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

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

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

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

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

StereoDRNet-Refined	0.17 309	0.12 323	0.15 231	0.20 318	0.09 160	0.18 285	0.18 278	0.26 264	0.23 225	0.26 355	0.40 387	0.22 281	0.17 297	0.21 333	0.20 321	0.08 217	0.05 120	0.09 269	0.10 329	0.07 180	0.07 196
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
NOSS_ROB	0.19 333	0.12 323	0.18 313	0.16 91	0.12 331	0.15 219	0.12 30	0.30 325	0.32 324	0.20 291	0.22 229	0.27 331	0.23 352	0.21 333	0.16 274	0.16 411	0.18 417	0.23 423	0.21 419	0.12 356	0.13 373

SGM_RVC	0.23 377	0.12 323	0.15 231	0.15 48	0.09 160	0.33 407	0.18 278	0.34 370	0.31 318	0.44 424	0.37 369	0.53 431	0.35 412	0.35 411	0.24 368	0.13 380	0.13 394	0.13 373	0.13 384	0.10 324	0.11 344
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
GMStereo_Zeroshot	0.16 289	0.13 349	0.24 356	0.20 318	0.10 256	0.17 267	0.13 58	0.29 311	0.25 261	0.23 330	0.32 342	0.25 316	0.11 146	0.19 293	0.14 231	0.09 270	0.06 222	0.11 342	0.06 112	0.12 356	0.08 259

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

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

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

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

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

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

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

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

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

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

MeshStereo	0.27 401	0.13 349	0.18 313	0.15 48	0.11 300	0.32 401	0.24 376	0.40 408	0.36 352	0.52 431	0.57 429	0.67 442	0.40 422	0.35 411	0.26 386	0.14 391	0.13 394	0.13 373	0.11 356	0.11 342	0.10 321
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
TestStereo	0.13 195	0.14 361	0.11 88	0.23 378	0.08 62	0.15 219	0.21 348	0.20 157	0.23 225	0.14 162	0.24 249	0.16 198	0.12 175	0.16 236	0.14 231	0.05 4	0.06 222	0.08 196	0.06 112	0.09 294	0.05 64

GMStereo	0.13 195	0.14 361	0.14 182	0.18 221	0.09 160	0.15 219	0.16 211	0.20 157	0.24 240	0.16 214	0.17 157	0.10 82	0.10 122	0.16 236	0.13 195	0.07 162	0.06 222	0.06 45	0.06 112	0.07 180	0.06 129
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
FADNet_RVC	0.16 289	0.14 361	0.40 411	0.20 318	0.11 300	0.13 165	0.13 58	0.26 264	0.22 216	0.21 304	0.23 238	0.20 257	0.17 297	0.14 181	0.16 274	0.08 217	0.08 315	0.12 358	0.09 296	0.11 342	0.10 321

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

SGM-Forest	0.20 344	0.14 361	0.18 313	0.19 273	0.13 351	0.20 322	0.22 357	0.33 361	0.30 312	0.24 338	0.29 325	0.28 339	0.19 322	0.23 355	0.17 288	0.15 395	0.16 410	0.15 396	0.14 387	0.12 356	0.12 356
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
CBMV	0.19 333	0.14 361	0.17 292	0.18 221	0.10 256	0.20 322	0.11 18	0.29 311	0.30 312	0.29 380	0.30 330	0.30 354	0.23 352	0.27 374	0.19 315	0.13 380	0.15 407	0.17 404	0.16 404	0.10 324	0.10 321
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
psmorigin	0.25 393	0.15 367	0.34 403	0.17 149	0.13 351	0.23 357	0.14 94	0.34 370	0.33 330	0.41 417	0.55 422	0.41 409	0.37 416	0.34 405	0.27 393	0.11 332	0.15 407	0.11 342	0.11 356	0.12 356	0.16 408

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

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

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

DANet	0.21 353	0.15 367	0.28 376	0.25 395	0.13 351	0.22 344	0.19 314	0.27 284	0.27 283	0.28 373	0.32 342	0.35 385	0.31 402	0.31 395	0.23 358	0.11 332	0.09 339	0.11 342	0.10 329	0.13 372	0.11 344
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
NCCL2	0.23 377	0.15 367	0.17 292	0.34 429	0.18 413	0.24 362	0.23 366	0.34 370	0.28 297	0.31 389	0.38 374	0.38 396	0.28 386	0.23 355	0.24 368	0.15 395	0.12 381	0.18 413	0.21 419	0.13 372	0.13 373

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ADCS	0.29 408	0.18 395	0.45 416	0.21 344	0.17 407	0.28 393	0.23 366	0.41 414	0.63 433	0.40 413	0.49 413	0.40 407	0.36 414	0.39 425	0.40 433	0.13 380	0.12 381	0.13 373	0.14 387	0.16 405	0.16 408

PA-Net	0.23 377	0.18 395	0.33 395	0.28 415	0.22 423	0.21 336	0.38 440	0.29 311	0.39 366	0.22 318	0.32 342	0.25 316	0.26 370	0.20 317	0.25 377	0.09 270	0.23 433	0.15 396	0.22 422	0.09 294	0.13 373
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DGSMNet	0.24 384	0.19 398	0.33 395	0.21 344	0.24 427	0.24 362	0.20 331	0.35 382	0.41 375	0.24 338	0.32 342	0.38 396	0.21 337	0.29 391	0.23 358	0.12 357	0.11 368	0.14 385	0.16 404	0.23 423	0.23 428

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

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

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

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

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

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

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

PVD	0.39 425	0.20 402	0.39 410	0.31 428	0.22 423	0.29 396	0.43 446	0.52 437	0.96 454	0.55 434	0.79 447	0.53 431	0.59 444	0.52 439	0.38 429	0.19 421	0.14 401	0.17 404	0.14 387	0.24 429	0.31 441

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

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

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

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

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

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

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

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

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

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

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

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

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

CSAN	0.29 408	0.24 416	0.27 371	0.34 429	0.19 415	0.33 407	0.42 444	0.37 393	0.50 409	0.38 408	0.40 387	0.44 415	0.33 406	0.28 385	0.30 408	0.20 423	0.16 410	0.19 415	0.19 416	0.14 384	0.15 397

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

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

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

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

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

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

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

FCDSN-DC	0.33 419	0.28 427	0.28 376	0.30 424	0.24 427	0.39 424	0.28 409	0.42 419	0.42 382	0.43 423	0.53 419	0.51 427	0.41 427	0.36 416	0.30 408	0.21 426	0.20 423	0.27 428	0.26 429	0.25 430	0.24 429
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
SAMSARA	0.40 428	0.28 427	0.33 395	0.55 446	0.39 440	0.82 457	1.23 471	0.47 430	0.51 416	0.36 403	0.35 360	0.55 433	0.39 419	0.38 422	0.39 431	0.15 395	0.20 423	0.15 396	0.14 387	0.23 423	0.20 423

ELAS_RVC	0.41 430	0.29 430	0.33 395	0.28 415	0.24 427	0.54 435	0.36 436	0.49 433	0.59 427	0.72 444	0.74 443	0.65 440	0.54 438	0.54 443	0.40 433	0.22 430	0.20 423	0.27 428	0.26 429	0.26 434	0.25 434
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 430	0.29 430	0.33 395	0.27 412	0.24 427	0.60 440	0.36 436	0.50 435	0.50 409	0.71 442	0.79 447	0.67 442	0.54 438	0.51 437	0.42 437	0.22 430	0.20 423	0.27 428	0.26 429	0.26 434	0.25 434
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
EDNetEfficientorigin	7.91 475	0.31 432	153.02 490	0.19 273	0.09 160	0.21 336	0.16 211	0.22 194	0.59 427	0.72 444	0.67 435	0.42 410	0.50 437	0.24 364	0.39 431	0.08 217	0.07 290	0.08 196	0.07 194	0.12 356	0.10 321

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

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

GANetREF_RVC	0.31 414	0.34 434	0.27 371	0.35 431	0.16 392	0.32 401	0.41 441	0.48 431	0.51 416	0.35 401	0.35 360	0.34 381	0.33 406	0.39 425	0.32 416	0.27 438	0.20 423	0.29 435	0.15 401	0.18 415	0.17 415
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
NVStereoNet_ROB	0.46 438	0.36 436	0.46 419	0.41 437	0.28 434	0.34 410	0.34 434	0.48 431	0.60 430	0.72 444	0.93 452	0.70 445	0.66 448	0.47 434	0.60 451	0.22 430	0.33 442	0.34 439	0.34 442	0.30 437	0.30 440
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
otaku	0.39 425	0.37 437	0.52 423	0.44 439	0.28 434	0.58 437	0.24 376	0.41 414	0.62 432	0.40 413	0.49 413	0.46 421	0.33 406	0.40 429	0.32 416	0.30 439	0.30 439	0.39 441	0.33 440	0.29 436	0.28 437

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

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

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

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

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

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

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

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

anonymity	0.53 441	0.58 446	0.65 436	0.41 437	0.61 457	0.53 434	0.41 441	0.56 442	0.41 375	0.55 434	0.50 417	0.49 426	0.55 441	0.58 446	0.50 447	0.58 454	0.50 456	0.51 446	0.51 451	0.51 445	0.57 453

SPS-STEREO	0.57 444	0.58 446	0.65 436	0.45 440	0.55 451	0.62 441	0.44 447	0.62 447	0.50 409	0.68 440	0.64 433	0.66 441	0.57 443	0.61 447	0.60 451	0.62 457	0.47 451	0.51 446	0.49 448	0.55 450	0.58 454
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
IMH-64-1	0.65 446	0.61 448	0.68 444	0.71 450	0.51 447	0.59 438	0.49 448	0.91 455	0.85 449	0.74 448	1.02 456	0.81 447	0.78 453	0.79 452	0.49 444	0.42 445	0.46 447	0.71 452	0.47 446	0.52 446	0.39 446

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

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

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

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

MFMNet_re	0.64 445	0.66 452	0.65 436	0.51 444	0.69 461	0.69 446	0.57 454	0.64 448	0.73 445	0.60 436	0.73 441	0.62 437	0.67 449	0.65 449	0.60 451	0.66 459	0.58 465	0.63 450	0.59 454	0.68 457	0.69 463

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ASD4		3.38 474

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Low-res two-view benchmark