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

StereoAnything_RVC	0.07 2	0.15 403	0.17 326	0.11 1	0.05 1	0.05 3	0.11 20	0.08 3	0.08 2	0.06 3	0.06 3	0.05 1	0.05 7	0.09 17	0.08 16	0.08 252	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

MonSter	0.07 2	0.06 41	0.05 1	0.15 57	0.05 1	0.07 21	0.10 10	0.15 71	0.15 117	0.05 1	0.06 3	0.05 1	0.06 25	0.07 3	0.09 45	0.04 1	0.03 1	0.04 1	0.03 1	0.03 1	0.03 1

GIP-stereo	0.08 12	0.06 41	0.11 111	0.14 23	0.06 8	0.09 52	0.13 65	0.14 51	0.11 37	0.07 12	0.08 42	0.05 1	0.04 1	0.10 35	0.07 1	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

dual_stereo	0.07 2	0.04 1	0.08 18	0.15 57	0.05 1	0.05 3	0.13 65	0.12 24	0.08 2	0.07 12	0.06 3	0.05 1	0.05 7	0.07 3	0.09 45	0.06 84	0.04 3	0.05 3	0.03 1	0.04 3	0.04 18

RAStereo	0.10 99	0.09 263	0.08 18	0.20 352	0.08 84	0.13 198	0.18 312	0.15 71	0.17 160	0.10 87	0.12 117	0.05 1	0.06 25	0.09 17	0.08 16	0.07 197	0.05 146	0.07 150	0.05 68	0.05 66	0.04 18

UniTT-Stereo	0.09 42	0.07 112	0.08 18	0.18 249	0.08 84	0.13 198	0.11 20	0.12 24	0.11 37	0.10 87	0.12 117	0.05 1	0.07 73	0.09 17	0.09 45	0.07 197	0.05 146	0.05 3	0.05 68	0.05 66	0.05 87

CroCo-Stereo Lap2	0.09 42	0.09 263	0.08 18	0.22 393	0.09 191	0.09 52	0.19 350	0.16 96	0.12 53	0.09 56	0.10 78	0.05 1	0.05 7	0.08 11	0.08 16	0.06 84	0.06 257	0.07 150	0.05 68	0.05 66	0.05 87

GREAT-IGEV	0.07 2	0.06 41	0.08 18	0.13 12	0.07 39	0.07 21	0.14 108	0.09 4	0.09 6	0.06 3	0.07 21	0.06 8	0.05 7	0.10 35	0.07 1	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

SCV_C0	0.08 12	0.07 112	0.07 4	0.16 111	0.09 191	0.08 32	0.15 174	0.11 13	0.12 53	0.08 31	0.07 21	0.06 8	0.05 7	0.11 75	0.07 1	0.05 6	0.05 146	0.05 3	0.04 18	0.06 149	0.05 87

SCV	0.08 12	0.09 263	0.08 18	0.15 57	0.08 84	0.10 90	0.13 65	0.10 6	0.12 53	0.07 12	0.07 21	0.06 8	0.04 1	0.09 17	0.08 16	0.05 6	0.04 3	0.06 62	0.04 18	0.06 149	0.04 18

DEFOM-Stereo_RVC	0.08 12	0.06 41	0.09 49	0.22 393	0.06 8	0.08 32	0.12 33	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.05 7	0.11 75	0.09 45	0.06 84	0.04 3	0.05 3	0.03 1	0.06 149	0.04 18

FoundationStereo	0.06 1	0.04 1	0.08 18	0.12 4	0.05 1	0.09 52	0.13 65	0.06 1	0.09 6	0.05 1	0.05 1	0.06 8	0.04 1	0.06 1	0.07 1	0.06 84	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

AIO_test	0.07 2	0.05 11	0.07 4	0.15 57	0.07 39	0.06 6	0.14 108	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.05 7	0.08 11	0.10 94	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

DEFOM-Stereo	0.07 2	0.05 11	0.07 4	0.14 23	0.06 8	0.10 90	0.13 65	0.07 2	0.13 81	0.06 3	0.07 21	0.06 8	0.05 7	0.10 35	0.09 45	0.04 1	0.04 3	0.05 3	0.03 1	0.04 3	0.04 18

Pointernet	0.09 42	0.04 1	0.09 49	0.16 111	0.08 84	0.13 198	0.10 10	0.15 71	0.17 160	0.09 56	0.07 21	0.06 8	0.06 25	0.11 75	0.09 45	0.08 252	0.04 3	0.05 3	0.03 1	0.06 149	0.05 87

U	0.08 12	0.07 112	0.09 49	0.19 304	0.10 291	0.10 90	0.13 65	0.12 24	0.17 160	0.07 12	0.07 21	0.06 8	0.05 7	0.07 3	0.08 16	0.06 84	0.04 3	0.06 62	0.04 18	0.06 149	0.05 87

IGEV-BASED-STEREO-	0.09 42	0.10 318	0.31 426	0.15 57	0.06 8	0.08 32	0.14 108	0.10 6	0.10 16	0.07 12	0.07 21	0.06 8	0.04 1	0.11 75	0.07 1	0.12 393	0.04 3	0.07 150	0.05 68	0.05 66	0.05 87

IGEV-Stereo+	0.07 2	0.04 1	0.08 18	0.15 57	0.06 8	0.04 1	0.09 5	0.10 6	0.09 6	0.06 3	0.06 3	0.06 8	0.06 25	0.06 1	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.06 149	0.06 157

WCG-NET（raft）	0.08 12	0.05 11	0.10 78	0.15 57	0.06 8	0.11 130	0.13 65	0.15 71	0.12 53	0.08 31	0.07 21	0.06 8	0.06 25	0.13 191	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

RSM	0.08 12	0.06 41	0.09 49	0.17 175	0.06 8	0.08 32	0.12 33	0.12 24	0.10 16	0.08 31	0.07 21	0.06 8	0.05 7	0.11 75	0.09 45	0.04 1	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

IGEV++	0.08 12	0.06 41	0.08 18	0.18 249	0.07 39	0.09 52	0.13 65	0.10 6	0.09 6	0.08 31	0.08 42	0.06 8	0.06 25	0.13 191	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

MyStereo07	0.10 99	0.07 112	0.10 78	0.17 175	0.09 191	0.14 229	0.18 312	0.15 71	0.15 117	0.09 56	0.06 3	0.06 8	0.07 73	0.12 150	0.09 45	0.06 84	0.05 146	0.08 228	0.07 225	0.06 149	0.06 157

ACVNet-DCA	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.23 245	0.16 142	0.09 56	0.09 55	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.07 213	0.07 231

1test111	0.11 142	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.23 245	0.16 142	0.09 56	0.09 55	0.06 8	0.06 25	0.15 235	0.16 310	0.06 84	0.04 3	0.06 62	0.05 68	0.07 213	0.07 231

cc1	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.16 96	0.18 186	0.09 56	0.09 55	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.06 157

ff7	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

ffff	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

11t	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

tt1	0.10 99	0.08 199	0.12 141	0.17 175	0.09 191	0.12 162	0.16 237	0.15 71	0.19 200	0.09 56	0.08 42	0.06 8	0.06 25	0.10 35	0.07 1	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.06 157

MaDis-Stereo	0.09 42	0.09 263	0.08 18	0.17 175	0.09 191	0.13 198	0.10 10	0.16 96	0.16 142	0.09 56	0.11 106	0.06 8	0.06 25	0.09 17	0.13 230	0.07 197	0.06 257	0.07 150	0.05 68	0.05 66	0.04 18

testlalala	0.08 12	0.07 112	0.17 326	0.16 111	0.08 84	0.09 52	0.12 33	0.15 71	0.10 16	0.07 12	0.09 55	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

LoS_RVC	0.08 12	0.05 11	0.07 4	0.15 57	0.07 39	0.08 32	0.15 174	0.11 13	0.10 16	0.08 31	0.09 55	0.06 8	0.09 129	0.10 35	0.09 45	0.05 6	0.04 3	0.05 3	0.03 1	0.04 3	0.03 1

anonymousdsp	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.09 56	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

Selective-IGEV	0.07 2	0.06 41	0.08 18	0.17 175	0.06 8	0.08 32	0.12 33	0.13 36	0.07 1	0.08 31	0.07 21	0.06 8	0.04 1	0.10 35	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

ccc-4	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

IGEV-Stereo	0.09 42	0.07 112	0.11 111	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.12 53	0.09 56	0.06 3	0.06 8	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
MM-Stereo_test2	0.09 42	0.06 41	0.09 49	0.19 304	0.08 84	0.12 162	0.18 312	0.15 71	0.14 103	0.07 12	0.10 78	0.07 37	0.06 25	0.12 150	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.03 1

HART	0.08 12	0.07 112	0.09 49	0.17 175	0.07 39	0.10 90	0.16 237	0.13 36	0.11 37	0.08 31	0.10 78	0.07 37	0.05 7	0.10 35	0.08 16	0.05 6	0.04 3	0.06 62	0.04 18	0.05 66	0.04 18

AIO_rvc	0.07 2	0.06 41	0.08 18	0.15 57	0.06 8	0.08 32	0.14 108	0.09 4	0.08 2	0.07 12	0.08 42	0.07 37	0.04 1	0.10 35	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

castereo++	0.08 12	0.05 11	0.08 18	0.15 57	0.05 1	0.14 229	0.12 33	0.11 13	0.15 117	0.07 12	0.07 21	0.07 37	0.06 25	0.08 11	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

IGEV-RUCA	0.08 12	0.06 41	0.11 111	0.14 23	0.09 191	0.10 90	0.12 33	0.10 6	0.12 53	0.06 3	0.07 21	0.07 37	0.06 25	0.09 17	0.08 16	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.06 157

SMoEStereo_RVC	0.08 12	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.14 108	0.11 13	0.13 81	0.09 56	0.07 21	0.07 37	0.07 73	0.12 150	0.10 94	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

UGAM-zero	0.09 42	0.05 11	0.15 264	0.15 57	0.08 84	0.09 52	0.13 65	0.19 174	0.15 117	0.11 112	0.15 160	0.07 37	0.07 73	0.09 17	0.09 45	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

WCG-NET	0.08 12	0.05 11	0.09 49	0.15 57	0.06 8	0.11 130	0.14 108	0.13 36	0.13 81	0.06 3	0.09 55	0.07 37	0.06 25	0.13 191	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

IGEV-Stereo++	0.07 2	0.06 41	0.08 18	0.18 249	0.06 8	0.04 1	0.10 10	0.11 13	0.11 37	0.06 3	0.07 21	0.07 37	0.06 25	0.09 17	0.09 45	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

Occ-G	0.08 12	0.05 11	0.06 2	0.14 23	0.07 39	0.08 32	0.14 108	0.13 36	0.15 117	0.07 12	0.11 106	0.07 37	0.05 7	0.09 17	0.10 94	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.05 87

AIO-Stereo	0.08 12	0.06 41	0.09 49	0.18 249	0.06 8	0.08 32	0.12 33	0.15 71	0.09 6	0.08 31	0.08 42	0.07 37	0.05 7	0.11 75	0.08 16	0.05 6	0.05 146	0.05 3	0.04 18	0.04 3	0.04 18

RSM++	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.09 52	0.12 33	0.11 13	0.11 37	0.08 31	0.06 3	0.07 37	0.05 7	0.10 35	0.09 45	0.04 1	0.04 3	0.06 62	0.05 68	0.05 66	0.03 1

test_for_model	0.09 42	0.12 359	0.14 215	0.23 413	0.11 335	0.08 32	0.13 65	0.12 24	0.12 53	0.10 87	0.07 21	0.07 37	0.06 25	0.11 75	0.10 94	0.06 84	0.05 146	0.05 3	0.03 1	0.07 213	0.04 18

MoCha-V2	0.08 12	0.05 11	0.10 78	0.20 352	0.07 39	0.09 52	0.14 108	0.11 13	0.08 2	0.07 12	0.08 42	0.07 37	0.06 25	0.09 17	0.08 16	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

MyStereo06	0.10 99	0.07 112	0.12 141	0.17 175	0.09 191	0.13 198	0.18 312	0.19 174	0.12 53	0.12 148	0.08 42	0.07 37	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.07 150	0.07 225	0.06 149	0.06 157

testlalala_base	0.10 99	0.09 263	0.14 215	0.21 378	0.08 84	0.10 90	0.14 108	0.13 36	0.10 16	0.07 12	0.15 160	0.07 37	0.08 103	0.10 35	0.12 190	0.08 252	0.05 146	0.05 3	0.03 1	0.06 149	0.05 87

AEACV	0.08 12	0.05 11	0.08 18	0.14 23	0.13 387	0.14 229	0.13 65	0.14 51	0.09 6	0.07 12	0.09 55	0.07 37	0.08 103	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

GCAP-Stereo	0.09 42	0.07 112	0.13 184	0.18 249	0.06 8	0.11 130	0.07 1	0.13 36	0.12 53	0.09 56	0.10 78	0.07 37	0.09 129	0.13 191	0.10 94	0.06 84	0.05 146	0.05 3	0.04 18	0.04 3	0.05 87

EGLCR-Stereo	0.08 12	0.05 11	0.08 18	0.14 23	0.06 8	0.10 90	0.12 33	0.11 13	0.16 142	0.06 3	0.05 1	0.07 37	0.05 7	0.10 35	0.11 146	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

ProNet	0.09 42	0.07 112	0.10 78	0.17 175	0.08 84	0.10 90	0.15 174	0.15 71	0.12 53	0.09 56	0.06 3	0.07 37	0.06 25	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.06 157

IPLG	0.10 99	0.07 112	0.15 264	0.17 175	0.08 84	0.11 130	0.14 108	0.20 185	0.15 117	0.12 148	0.17 191	0.07 37	0.07 73	0.14 213	0.13 230	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

test-3	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.07 21	0.14 108	0.12 24	0.15 117	0.09 56	0.08 42	0.07 37	0.08 103	0.11 75	0.10 94	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.04 18

test_1	0.08 12	0.06 41	0.09 49	0.17 175	0.07 39	0.07 21	0.14 108	0.12 24	0.15 117	0.09 56	0.08 42	0.07 37	0.08 103	0.11 75	0.10 94	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.04 18

XX-Stereo	0.09 42	0.05 11	0.08 18	0.17 175	0.09 191	0.15 254	0.12 33	0.20 185	0.10 16	0.10 87	0.14 144	0.07 37	0.06 25	0.12 150	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.04 3	0.04 18

MM-Stereo_test3	0.10 99	0.07 112	0.07 4	0.18 249	0.07 39	0.12 162	0.19 350	0.24 267	0.19 200	0.06 3	0.10 78	0.08 61	0.06 25	0.11 75	0.08 16	0.06 84	0.06 257	0.07 150	0.05 68	0.05 66	0.04 18

MM-Stereo_test1	0.10 99	0.07 112	0.08 18	0.18 249	0.07 39	0.12 162	0.18 312	0.21 205	0.20 222	0.09 56	0.11 106	0.08 61	0.06 25	0.10 35	0.10 94	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

HUF	0.08 12	0.05 11	0.08 18	0.14 23	0.06 8	0.09 52	0.13 65	0.13 36	0.13 81	0.07 12	0.07 21	0.08 61	0.06 25	0.10 35	0.09 45	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

AIO-test2	0.10 99	0.08 199	0.10 78	0.23 413	0.08 84	0.11 130	0.10 10	0.23 245	0.23 260	0.08 31	0.09 55	0.08 61	0.05 7	0.10 35	0.08 16	0.06 84	0.05 146	0.08 228	0.09 330	0.05 66	0.05 87

tt45	0.09 42	0.06 41	0.11 111	0.15 57	0.07 39	0.11 130	0.16 237	0.13 36	0.11 37	0.09 56	0.06 3	0.08 61	0.06 25	0.13 191	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

999	0.09 42	0.05 11	0.13 184	0.15 57	0.08 84	0.10 90	0.14 108	0.15 71	0.11 37	0.10 87	0.08 42	0.08 61	0.08 103	0.16 269	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.05 87

mms	0.09 42	0.07 112	0.08 18	0.16 111	0.08 84	0.10 90	0.16 237	0.12 24	0.11 37	0.08 31	0.09 55	0.08 61	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.07 150	0.05 68	0.04 3	0.03 1

ours_stereo	0.09 42	0.07 112	0.09 49	0.17 175	0.08 84	0.11 130	0.16 237	0.11 13	0.12 53	0.08 31	0.10 78	0.08 61	0.06 25	0.12 150	0.12 190	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.03 1

fffy	0.09 42	0.08 199	0.09 49	0.16 111	0.07 39	0.13 198	0.17 268	0.13 36	0.12 53	0.08 31	0.09 55	0.08 61	0.09 129	0.13 191	0.11 146	0.05 6	0.05 146	0.07 150	0.05 68	0.04 3	0.05 87

GCAP-BAT	0.09 42	0.07 112	0.14 215	0.15 57	0.08 84	0.10 90	0.13 65	0.14 51	0.10 16	0.11 112	0.10 78	0.08 61	0.07 73	0.12 150	0.10 94	0.06 84	0.05 146	0.06 62	0.04 18	0.04 3	0.04 18

RAFT-Stereo-weight	0.09 42	0.06 41	0.10 78	0.16 111	0.07 39	0.09 52	0.14 108	0.19 174	0.16 142	0.11 112	0.10 78	0.08 61	0.06 25	0.10 35	0.11 146	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

MGS-Stereo	0.09 42	0.07 112	0.12 141	0.15 57	0.08 84	0.09 52	0.15 174	0.12 24	0.12 53	0.07 12	0.10 78	0.08 61	0.06 25	0.10 35	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

IGEVStereo-DCA	0.09 42	0.06 41	0.11 111	0.15 57	0.10 291	0.11 130	0.15 174	0.16 96	0.12 53	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.08 16	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

rrr	0.09 42	0.06 41	0.12 141	0.15 57	0.10 291	0.11 130	0.16 237	0.16 96	0.15 117	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.08 16	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

HH	0.09 42	0.06 41	0.13 184	0.17 175	0.08 84	0.10 90	0.16 237	0.14 51	0.10 16	0.08 31	0.09 55	0.08 61	0.07 73	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

HanStereo	0.09 42	0.06 41	0.13 184	0.17 175	0.08 84	0.10 90	0.16 237	0.14 51	0.10 16	0.08 31	0.09 55	0.08 61	0.07 73	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

CAS	0.08 12	0.04 1	0.07 4	0.17 175	0.08 84	0.10 90	0.13 65	0.12 24	0.09 6	0.09 56	0.10 78	0.08 61	0.06 25	0.09 17	0.08 16	0.08 252	0.04 3	0.05 3	0.03 1	0.05 66	0.04 18

RCA-Stereo	0.09 42	0.06 41	0.09 49	0.16 111	0.06 8	0.09 52	0.13 65	0.18 155	0.14 103	0.09 56	0.10 78	0.08 61	0.07 73	0.12 150	0.11 146	0.06 84	0.04 3	0.06 62	0.05 68	0.05 66	0.04 18

iRaft-Stereo_20w	0.09 42	0.05 11	0.13 184	0.14 23	0.08 84	0.12 162	0.15 174	0.18 155	0.10 16	0.11 112	0.08 42	0.08 61	0.05 7	0.10 35	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

CroCo-Stereo	0.09 42	0.08 199	0.08 18	0.22 393	0.09 191	0.09 52	0.19 350	0.15 71	0.12 53	0.07 12	0.07 21	0.08 61	0.06 25	0.08 11	0.07 1	0.07 197	0.05 146	0.06 62	0.04 18	0.05 66	0.04 18
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
CREStereo++_RVC	0.08 12	0.04 1	0.06 2	0.13 12	0.07 39	0.09 52	0.12 33	0.14 51	0.14 103	0.10 87	0.14 144	0.08 61	0.07 73	0.09 17	0.11 146	0.06 84	0.04 3	0.05 3	0.05 68	0.04 3	0.04 18
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
test_xeample3	0.09 42	0.06 41	0.12 141	0.16 111	0.09 191	0.11 130	0.15 174	0.16 96	0.13 81	0.10 87	0.06 3	0.08 61	0.06 25	0.10 35	0.09 45	0.05 6	0.04 3	0.06 62	0.05 68	0.05 66	0.06 157

RAFT-Stereo + iAFF	0.09 42	0.06 41	0.10 78	0.17 175	0.06 8	0.10 90	0.16 237	0.17 129	0.14 103	0.09 56	0.10 78	0.08 61	0.09 129	0.11 75	0.09 45	0.05 6	0.04 3	0.06 62	0.06 139	0.04 3	0.03 1

EAI-Stereo	0.09 42	0.07 112	0.11 111	0.15 57	0.06 8	0.10 90	0.15 174	0.16 96	0.09 6	0.08 31	0.09 55	0.08 61	0.07 73	0.09 17	0.11 146	0.05 6	0.04 3	0.05 3	0.05 68	0.05 66	0.04 18

AIO-test1	0.10 99	0.07 112	0.10 78	0.23 413	0.07 39	0.09 52	0.13 65	0.21 205	0.14 103	0.11 112	0.12 117	0.09 85	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.09 304	0.10 364	0.03 1	0.06 157

fffft	0.09 42	0.06 41	0.12 141	0.16 111	0.07 39	0.09 52	0.17 268	0.12 24	0.11 37	0.08 31	0.07 21	0.09 85	0.06 25	0.11 75	0.12 190	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.05 87
1: 1. 1
PAM_32	0.09 42	0.05 11	0.17 326	0.15 57	0.08 84	0.10 90	0.15 174	0.14 51	0.15 117	0.09 56	0.08 42	0.09 85	0.07 73	0.14 213	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.06 157

PAM	0.10 99	0.05 11	0.16 298	0.15 57	0.08 84	0.09 52	0.16 237	0.15 71	0.16 142	0.12 148	0.09 55	0.09 85	0.07 73	0.13 191	0.08 16	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.06 157

gcap-zeroshot	0.09 42	0.05 11	0.10 78	0.16 111	0.07 39	0.13 198	0.13 65	0.11 13	0.12 53	0.13 174	0.12 117	0.09 85	0.08 103	0.09 17	0.09 45	0.06 84	0.05 146	0.06 62	0.05 68	0.04 3	0.04 18

trnet	0.08 12	0.05 11	0.07 4	0.12 4	0.05 1	0.12 162	0.11 20	0.13 36	0.10 16	0.08 31	0.13 130	0.09 85	0.08 103	0.11 75	0.10 94	0.08 252	0.05 146	0.05 3	0.03 1	0.06 149	0.05 87

testlalala2	0.10 99	0.06 41	0.11 111	0.20 352	0.10 291	0.10 90	0.12 33	0.17 129	0.12 53	0.12 148	0.13 130	0.09 85	0.07 73	0.11 75	0.13 230	0.06 84	0.05 146	0.05 3	0.04 18	0.05 66	0.05 87

Former-RAFT_DAM_RVC	0.10 99	0.08 199	0.12 141	0.16 111	0.08 84	0.15 254	0.16 237	0.18 155	0.18 186	0.10 87	0.09 55	0.09 85	0.08 103	0.11 75	0.12 190	0.07 197	0.05 146	0.08 228	0.06 139	0.07 213	0.06 157

plain	0.10 99	0.08 199	0.10 78	0.19 304	0.09 191	0.10 90	0.15 174	0.14 51	0.13 81	0.13 174	0.15 160	0.09 85	0.12 210	0.13 191	0.12 190	0.07 197	0.05 146	0.09 304	0.06 139	0.06 149	0.06 157

IGEV_Zeroshot_test	0.09 42	0.05 11	0.12 141	0.13 12	0.08 84	0.12 162	0.13 65	0.17 129	0.11 37	0.10 87	0.06 3	0.09 85	0.06 25	0.11 75	0.09 45	0.06 84	0.04 3	0.06 62	0.06 139	0.05 66	0.05 87

MSKI-zero shot	0.09 42	0.05 11	0.09 49	0.15 57	0.07 39	0.10 90	0.13 65	0.14 51	0.13 81	0.09 56	0.09 55	0.09 85	0.06 25	0.12 150	0.10 94	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

MIF-Stereo (partial)	0.11 142	0.06 41	0.10 78	0.19 304	0.10 291	0.10 90	0.11 20	0.17 129	0.18 186	0.14 195	0.16 171	0.09 85	0.11 181	0.12 150	0.12 190	0.08 252	0.05 146	0.08 228	0.07 225	0.06 149	0.07 231

MIM_Stereo	0.09 42	0.07 112	0.11 111	0.15 57	0.07 39	0.06 6	0.12 33	0.20 185	0.14 103	0.13 174	0.13 130	0.09 85	0.05 7	0.12 150	0.08 16	0.05 6	0.06 257	0.07 150	0.06 139	0.06 149	0.05 87

DLNR_Zeroshot_test	10.40 517	1.82 511	19.49 523	120.77 528	13.11 521	0.06 6	0.13 65	0.23 245	0.10 16	0.07 12	0.10 78	0.09 85	0.06 25	0.10 35	0.09 45	0.13 416	0.04 3	0.06 62	0.04 18	51.54 527	0.04 18

CASnet	0.09 42	0.09 263	0.09 49	0.19 304	0.06 8	0.07 21	0.11 20	0.18 155	0.14 103	0.11 112	0.10 78	0.09 85	0.07 73	0.10 35	0.10 94	0.06 84	0.04 3	0.10 349	0.08 286	0.05 66	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
LL-Strereo2	0.10 99	0.10 318	0.15 264	0.18 249	0.08 84	0.15 254	0.09 5	0.17 129	0.14 103	0.14 195	0.10 78	0.09 85	0.07 73	0.16 269	0.10 94	0.05 6	0.05 146	0.10 349	0.07 225	0.06 149	0.05 87

MC-Stereo	0.08 12	0.06 41	0.09 49	0.17 175	0.06 8	0.10 90	0.14 108	0.12 24	0.10 16	0.09 56	0.12 117	0.09 85	0.06 25	0.11 75	0.10 94	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

DCANet-4	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.18 155	0.19 200	0.13 174	0.16 171	0.09 85	0.14 269	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

MIPNet	0.11 142	0.08 199	0.14 215	0.17 175	0.09 191	0.12 162	0.14 108	0.20 185	0.24 276	0.11 112	0.10 78	0.09 85	0.07 73	0.13 191	0.12 190	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

test_3	0.10 99	0.09 263	0.10 78	0.20 352	0.08 84	0.13 198	0.26 434	0.14 51	0.21 237	0.10 87	0.10 78	0.09 85	0.09 129	0.08 11	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.04 3	0.04 18

TRStereo	0.09 42	0.05 11	0.12 141	0.15 57	0.12 366	0.10 90	0.13 65	0.18 155	0.18 186	0.09 56	0.09 55	0.09 85	0.06 25	0.10 35	0.08 16	0.07 197	0.05 146	0.07 150	0.07 225	0.04 3	0.04 18

RAFT-345	0.11 142	0.07 112	0.15 264	0.16 111	0.08 84	0.08 32	0.12 33	0.15 71	0.10 16	0.11 112	0.36 400	0.09 85	0.09 129	0.11 75	0.12 190	0.05 6	0.05 146	0.07 150	0.06 139	0.04 3	0.05 87

AnonymousM	0.09 42	0.05 11	0.10 78	0.14 23	0.06 8	0.09 52	0.13 65	0.19 174	0.14 103	0.13 174	0.11 106	0.09 85	0.08 103	0.13 191	0.10 94	0.08 252	0.05 146	0.08 228	0.05 68	0.05 66	0.05 87

test-1	0.10 99	0.07 112	0.16 298	0.19 304	0.08 84	0.11 130	0.24 414	0.14 51	0.18 186	0.09 56	0.07 21	0.09 85	0.08 103	0.07 3	0.09 45	0.06 84	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

XX-TBD	0.09 42	0.06 41	0.07 4	0.14 23	0.07 39	0.12 162	0.16 237	0.14 51	0.13 81	0.11 112	0.12 117	0.09 85	0.08 103	0.10 35	0.10 94	0.06 84	0.04 3	0.05 3	0.03 1	0.06 149	0.05 87

AFF-stereo	0.09 42	0.06 41	0.10 78	0.17 175	0.07 39	0.10 90	0.16 237	0.17 129	0.09 6	0.10 87	0.12 117	0.09 85	0.09 129	0.12 150	0.09 45	0.05 6	0.04 3	0.07 150	0.07 225	0.04 3	0.03 1

CREStereo	0.09 42	0.04 1	0.08 18	0.11 1	0.06 8	0.13 198	0.14 108	0.14 51	0.10 16	0.08 31	0.13 130	0.09 85	0.08 103	0.11 75	0.10 94	0.08 252	0.04 3	0.05 3	0.03 1	0.06 149	0.06 157
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
Reg-Stereo(zero)	0.08 12	0.05 11	0.08 18	0.16 111	0.06 8	0.12 162	0.11 20	0.15 71	0.10 16	0.12 148	0.09 55	0.10 112	0.08 103	0.11 75	0.08 16	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

AIO-Stereo-zeroshot1	0.11 142	0.05 11	0.14 215	0.15 57	0.20 455	0.09 52	0.17 268	0.21 205	0.15 117	0.11 112	0.14 144	0.10 112	0.07 73	0.10 35	0.08 16	0.06 84	0.05 146	0.07 150	0.07 225	0.07 213	0.09 336

AIO-Stereo-zeroshot	0.11 142	0.05 11	0.11 111	0.15 57	0.13 387	0.13 198	0.16 237	0.23 245	0.17 160	0.10 87	0.12 117	0.10 112	0.07 73	0.11 75	0.09 45	0.06 84	0.05 146	0.06 62	0.06 139	0.07 213	0.08 294

H2IRNET	0.10 99	0.09 263	0.09 49	0.18 249	0.09 191	0.12 162	0.15 174	0.14 51	0.21 237	0.10 87	0.10 78	0.10 112	0.10 157	0.10 35	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.06 149	0.05 87

StereoVision	0.13 230	0.12 359	0.09 49	0.24 422	0.10 291	0.15 254	0.21 386	0.21 205	0.20 222	0.12 148	0.24 285	0.10 112	0.10 157	0.16 269	0.10 94	0.09 306	0.11 406	0.12 394	0.12 411	0.06 149	0.05 87

RAFT-Test	0.09 42	0.06 41	0.10 78	0.15 57	0.07 39	0.11 130	0.15 174	0.16 96	0.13 81	0.09 56	0.10 78	0.10 112	0.09 129	0.12 150	0.09 45	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

4D-IteraStereo	0.09 42	0.07 112	0.10 78	0.18 249	0.07 39	0.09 52	0.15 174	0.17 129	0.15 117	0.10 87	0.11 106	0.10 112	0.07 73	0.11 75	0.09 45	0.05 6	0.03 1	0.08 228	0.07 225	0.06 149	0.05 87

DCRE	0.11 142	0.07 112	0.13 184	0.16 111	0.11 335	0.11 130	0.17 268	0.18 155	0.17 160	0.11 112	0.18 216	0.10 112	0.10 157	0.15 235	0.11 146	0.06 84	0.05 146	0.06 62	0.06 139	0.05 66	0.04 18

fff	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

ADStereo(finetuned)	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.15 71	0.19 200	0.13 174	0.17 191	0.10 112	0.12 210	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

RAFT+CT+SA	0.13 230	0.11 343	0.09 49	0.19 304	0.09 191	0.15 254	0.28 447	0.22 227	0.22 251	0.15 222	0.26 331	0.10 112	0.10 157	0.11 75	0.12 190	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

DRaft	0.12 205	0.06 41	0.11 111	0.14 23	0.09 191	0.14 229	0.17 268	0.21 205	0.30 348	0.17 262	0.28 350	0.10 112	0.15 286	0.10 35	0.12 190	0.05 6	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

iRaftStereo_RVC	0.10 99	0.07 112	0.09 49	0.17 175	0.09 191	0.11 130	0.17 268	0.18 155	0.12 53	0.09 56	0.12 117	0.10 112	0.07 73	0.11 75	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.04 3	0.04 18

TANstereo	0.09 42	0.04 1	0.08 18	0.13 12	0.06 8	0.11 130	0.14 108	0.15 71	0.19 200	0.11 112	0.15 160	0.10 112	0.06 25	0.12 150	0.09 45	0.07 197	0.05 146	0.05 3	0.04 18	0.06 149	0.05 87

DCANet	0.10 99	0.06 41	0.12 141	0.16 111	0.06 8	0.09 52	0.17 268	0.15 71	0.19 200	0.13 174	0.17 191	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

csc	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

cscssc	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.09 52	0.17 268	0.16 96	0.20 222	0.13 174	0.16 171	0.10 112	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.05 3	0.04 18	0.04 3	0.05 87

GMStereo	0.13 230	0.14 397	0.14 215	0.18 249	0.09 191	0.15 254	0.16 237	0.20 185	0.24 276	0.16 248	0.17 191	0.10 112	0.10 157	0.16 269	0.13 230	0.07 197	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
CFNet-RSSM	0.09 42	0.07 112	0.09 49	0.16 111	0.07 39	0.09 52	0.15 174	0.16 96	0.17 160	0.08 31	0.12 117	0.10 112	0.09 129	0.11 75	0.09 45	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

PMTNet	0.09 42	0.05 11	0.09 49	0.12 4	0.06 8	0.12 162	0.14 108	0.15 71	0.11 37	0.09 56	0.13 130	0.10 112	0.07 73	0.13 191	0.10 94	0.15 431	0.04 3	0.05 3	0.03 1	0.07 213	0.06 157

castereo	0.09 42	0.06 41	0.11 111	0.15 57	0.06 8	0.11 130	0.15 174	0.14 51	0.18 186	0.08 31	0.10 78	0.11 132	0.08 103	0.09 17	0.10 94	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.03 1

tg	0.10 99	0.06 41	0.10 78	0.18 249	0.08 84	0.11 130	0.16 237	0.20 185	0.12 53	0.08 31	0.11 106	0.11 132	0.07 73	0.11 75	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.04 3	0.04 18

CAS++	0.11 142	0.07 112	0.11 111	0.14 23	0.09 191	0.12 162	0.14 108	0.24 267	0.14 103	0.11 112	0.09 55	0.11 132	0.07 73	0.14 213	0.09 45	0.11 368	0.09 376	0.09 304	0.07 225	0.07 213	0.08 294
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024
MyStereo8	0.12 205	0.07 112	0.15 264	0.15 57	0.09 191	0.18 322	0.14 108	0.19 174	0.22 251	0.12 148	0.18 216	0.11 132	0.10 157	0.16 269	0.18 342	0.07 197	0.05 146	0.07 150	0.05 68	0.08 272	0.09 336

CES	0.08 12	0.04 1	0.08 18	0.14 23	0.07 39	0.09 52	0.14 108	0.11 13	0.09 6	0.08 31	0.09 55	0.11 132	0.06 25	0.12 150	0.08 16	0.06 84	0.04 3	0.05 3	0.03 1	0.05 66	0.05 87

Selective-RAFT	0.11 142	0.10 318	0.11 111	0.21 378	0.08 84	0.16 283	0.13 65	0.20 185	0.22 251	0.10 87	0.10 78	0.11 132	0.10 157	0.15 235	0.11 146	0.05 6	0.05 146	0.06 62	0.05 68	0.06 149	0.05 87

test_5	0.14 261	0.12 359	0.08 18	0.20 352	0.10 291	0.14 229	0.29 456	0.21 205	0.24 276	0.18 292	0.28 350	0.11 132	0.15 286	0.12 150	0.13 230	0.06 84	0.05 146	0.07 150	0.08 286	0.08 272	0.07 231

iRaft-Stereo_5w	0.12 205	0.09 263	0.12 141	0.19 304	0.08 84	0.09 52	0.12 33	0.21 205	0.21 237	0.19 306	0.14 144	0.11 132	0.09 129	0.20 354	0.16 310	0.05 6	0.05 146	0.07 150	0.06 139	0.05 66	0.06 157

IPLGR	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.12 162	0.17 268	0.21 205	0.24 276	0.11 112	0.12 117	0.11 132	0.08 103	0.12 150	0.12 190	0.06 84	0.05 146	0.06 62	0.06 139	0.04 3	0.04 18

HHNet	0.11 142	0.06 41	0.16 298	0.15 57	0.14 405	0.07 21	0.13 65	0.20 185	0.17 160	0.14 195	0.25 314	0.11 132	0.08 103	0.13 191	0.10 94	0.05 6	0.04 3	0.08 228	0.06 139	0.05 66	0.09 336

TransformOpticalFlow	0.10 99	0.08 199	0.13 184	0.18 249	0.07 39	0.09 52	0.15 174	0.19 174	0.15 117	0.12 148	0.17 191	0.11 132	0.11 181	0.11 75	0.10 94	0.05 6	0.04 3	0.06 62	0.06 139	0.05 66	0.05 87

OMP-Stereo	0.11 142	0.06 41	0.14 215	0.18 249	0.08 84	0.09 52	0.12 33	0.21 205	0.21 237	0.13 174	0.14 144	0.11 132	0.12 210	0.11 75	0.13 230	0.06 84	0.04 3	0.07 150	0.06 139	0.05 66	0.04 18

IIG-Stereo	0.11 142	0.06 41	0.13 184	0.17 175	0.08 84	0.11 130	0.12 33	0.22 227	0.17 160	0.14 195	0.17 191	0.11 132	0.12 210	0.12 150	0.12 190	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

RAFT-RH_RVC	0.11 142	0.06 41	0.14 215	0.16 111	0.09 191	0.12 162	0.12 33	0.17 129	0.12 53	0.13 174	0.41 434	0.11 132	0.10 157	0.13 191	0.12 190	0.05 6	0.04 3	0.08 228	0.05 68	0.04 3	0.06 157

s12784h	0.09 42	0.06 41	0.07 4	0.15 57	0.05 1	0.16 283	0.18 312	0.15 71	0.15 117	0.10 87	0.11 106	0.11 132	0.11 181	0.10 35	0.12 190	0.05 6	0.04 3	0.05 3	0.04 18	0.04 3	0.04 18

R-Stereo Train	0.10 99	0.06 41	0.10 78	0.17 175	0.08 84	0.11 130	0.14 108	0.23 245	0.11 37	0.12 148	0.19 224	0.11 132	0.08 103	0.09 17	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87

RAFT-Stereo	0.10 99	0.06 41	0.10 78	0.17 175	0.08 84	0.11 130	0.14 108	0.23 245	0.11 37	0.12 148	0.19 224	0.11 132	0.08 103	0.09 17	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
model_zeroshot	0.10 99	0.04 1	0.11 111	0.15 57	0.09 191	0.12 162	0.14 108	0.20 185	0.13 81	0.11 112	0.10 78	0.12 149	0.07 73	0.12 150	0.10 94	0.07 197	0.06 257	0.06 62	0.05 68	0.06 149	0.06 157

AE-Stereo	0.10 99	0.08 199	0.10 78	0.18 249	0.09 191	0.10 90	0.15 174	0.14 51	0.19 200	0.09 56	0.14 144	0.12 149	0.08 103	0.11 75	0.10 94	0.05 6	0.06 257	0.07 150	0.06 139	0.05 66	0.04 18

EKT-Stereo	0.11 142	0.07 112	0.14 215	0.15 57	0.10 291	0.13 198	0.14 108	0.18 155	0.21 237	0.11 112	0.08 42	0.12 149	0.09 129	0.11 75	0.12 190	0.08 252	0.06 257	0.07 150	0.06 139	0.08 272	0.07 231

Any-RAFT	0.10 99	0.05 11	0.09 49	0.14 23	0.07 39	0.13 198	0.14 108	0.21 205	0.15 117	0.11 112	0.12 117	0.12 149	0.09 129	0.12 150	0.09 45	0.07 197	0.04 3	0.05 3	0.04 18	0.06 149	0.05 87

anonymousdsp2	0.11 142	0.07 112	0.10 78	0.16 111	0.09 191	0.13 198	0.14 108	0.18 155	0.22 251	0.13 174	0.14 144	0.12 149	0.09 129	0.14 213	0.11 146	0.05 6	0.04 3	0.05 3	0.04 18	0.06 149	0.05 87

LoS	0.09 42	0.05 11	0.11 111	0.13 12	0.07 39	0.14 229	0.11 20	0.15 71	0.15 117	0.09 56	0.09 55	0.12 149	0.09 129	0.15 235	0.10 94	0.07 197	0.05 146	0.05 3	0.03 1	0.05 66	0.05 87
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
DisPM	0.11 142	0.07 112	0.12 141	0.16 111	0.09 191	0.06 6	0.13 65	0.17 129	0.17 160	0.14 195	0.20 236	0.12 149	0.10 157	0.11 75	0.10 94	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.11 380

test_4	0.10 99	0.10 318	0.08 18	0.19 304	0.09 191	0.08 32	0.22 395	0.15 71	0.17 160	0.12 148	0.18 216	0.12 149	0.09 129	0.08 11	0.11 146	0.04 1	0.04 3	0.08 228	0.08 286	0.04 3	0.03 1

GLC_STEREO	0.11 142	0.07 112	0.11 111	0.17 175	0.07 39	0.09 52	0.13 65	0.15 71	0.24 276	0.12 148	0.13 130	0.12 149	0.08 103	0.18 317	0.11 146	0.06 84	0.08 351	0.08 228	0.06 139	0.05 66	0.05 87

STrans-v2	0.10 99	0.07 112	0.12 141	0.18 249	0.07 39	0.10 90	0.14 108	0.21 205	0.11 37	0.11 112	0.15 160	0.12 149	0.10 157	0.11 75	0.12 190	0.05 6	0.04 3	0.06 62	0.06 139	0.04 3	0.04 18

NF-Stereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

OCTAStereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

FTStereo	0.12 205	0.06 41	0.14 215	0.18 249	0.09 191	0.07 21	0.15 174	0.21 205	0.18 186	0.12 148	0.24 285	0.12 149	0.12 210	0.13 191	0.13 230	0.05 6	0.05 146	0.07 150	0.06 139	0.06 149	0.10 357

RE-Stereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

TVStereo	0.11 142	0.07 112	0.13 184	0.17 175	0.09 191	0.10 90	0.14 108	0.23 245	0.19 200	0.12 148	0.17 191	0.12 149	0.11 181	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.12 392

DeepStereo_RVC	0.11 142	0.08 199	0.16 298	0.18 249	0.08 84	0.08 32	0.12 33	0.17 129	0.12 53	0.13 174	0.14 144	0.12 149	0.12 210	0.12 150	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.07 213	0.08 294

cross-raft	0.10 99	0.09 263	0.09 49	0.19 304	0.07 39	0.11 130	0.25 427	0.13 36	0.15 117	0.08 31	0.11 106	0.12 149	0.10 157	0.09 17	0.11 146	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.04 18

rafts_anoy	0.11 142	0.06 41	0.10 78	0.17 175	0.08 84	0.10 90	0.14 108	0.17 129	0.14 103	0.13 174	0.13 130	0.12 149	0.10 157	0.11 75	0.12 190	0.07 197	0.04 3	0.09 304	0.11 392	0.07 213	0.06 157

raft+_RVC	0.11 142	0.07 112	0.09 49	0.16 111	0.07 39	0.10 90	0.11 20	0.24 267	0.20 222	0.12 148	0.15 160	0.12 149	0.08 103	0.12 150	0.13 230	0.07 197	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

raftrobust	0.09 42	0.06 41	0.10 78	0.17 175	0.08 84	0.09 52	0.10 10	0.18 155	0.16 142	0.10 87	0.09 55	0.12 149	0.07 73	0.12 150	0.10 94	0.08 252	0.05 146	0.06 62	0.05 68	0.05 66	0.05 87

sCroCo_RVC	0.12 205	0.09 263	0.23 390	0.24 422	0.11 335	0.19 345	0.14 108	0.17 129	0.14 103	0.10 87	0.13 130	0.12 149	0.07 73	0.14 213	0.11 146	0.08 252	0.08 351	0.08 228	0.08 286	0.05 66	0.07 231

RAFT + AFF	0.13 230	0.07 112	0.20 368	0.20 352	0.10 291	0.14 229	0.24 414	0.26 300	0.20 222	0.11 112	0.10 78	0.12 149	0.10 157	0.15 235	0.12 190	0.07 197	0.06 257	0.09 304	0.08 286	0.06 149	0.08 294

SFCPSM	0.13 230	0.07 112	0.14 215	0.17 175	0.09 191	0.15 254	0.16 237	0.28 337	0.27 319	0.14 195	0.17 191	0.12 149	0.13 245	0.14 213	0.11 146	0.08 252	0.05 146	0.07 150	0.07 225	0.07 213	0.06 157

Gwc-CoAtRS	0.09 42	0.06 41	0.10 78	0.16 111	0.07 39	0.10 90	0.14 108	0.17 129	0.17 160	0.08 31	0.10 78	0.12 149	0.09 129	0.12 150	0.09 45	0.06 84	0.04 3	0.06 62	0.04 18	0.04 3	0.04 18

UGAM	0.13 230	0.10 318	0.09 49	0.22 393	0.08 84	0.12 162	0.20 369	0.17 129	0.23 260	0.21 340	0.16 171	0.13 173	0.13 245	0.19 330	0.12 190	0.07 197	0.05 146	0.13 409	0.11 392	0.07 213	0.05 87

rvit_stereo_0083	0.12 205	0.08 199	0.17 326	0.16 111	0.09 191	0.11 130	0.15 174	0.14 51	0.26 310	0.11 112	0.14 144	0.13 173	0.10 157	0.12 150	0.12 190	0.10 342	0.08 351	0.09 304	0.07 225	0.07 213	0.05 87

rvit_stereo_0081	0.11 142	0.08 199	0.15 264	0.16 111	0.09 191	0.10 90	0.14 108	0.14 51	0.24 276	0.11 112	0.13 130	0.13 173	0.09 129	0.11 75	0.12 190	0.10 342	0.07 326	0.08 228	0.07 225	0.07 213	0.05 87

rvit_stereo_0082	0.11 142	0.08 199	0.15 264	0.16 111	0.09 191	0.10 90	0.14 108	0.14 51	0.24 276	0.11 112	0.13 130	0.13 173	0.09 129	0.11 75	0.12 190	0.10 342	0.07 326	0.08 228	0.07 225	0.07 213	0.05 87

knoymous	0.11 142	0.05 11	0.12 141	0.13 12	0.07 39	0.15 254	0.14 108	0.19 174	0.13 81	0.11 112	0.17 191	0.13 173	0.09 129	0.13 191	0.11 146	0.08 252	0.05 146	0.06 62	0.05 68	0.08 272	0.07 231

RAFT_CTSACE	0.12 205	0.09 263	0.10 78	0.22 393	0.08 84	0.12 162	0.24 414	0.18 155	0.16 142	0.20 327	0.27 338	0.13 173	0.07 73	0.13 191	0.09 45	0.05 6	0.06 257	0.08 228	0.07 225	0.04 3	0.04 18

AAGNet	0.11 142	0.07 112	0.16 298	0.19 304	0.09 191	0.08 32	0.13 65	0.18 155	0.13 81	0.16 248	0.21 256	0.13 173	0.14 269	0.11 75	0.14 267	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

PSM-softLoss	0.12 205	0.07 112	0.15 264	0.17 175	0.09 191	0.08 32	0.13 65	0.24 267	0.17 160	0.14 195	0.19 224	0.13 173	0.11 181	0.11 75	0.11 146	0.07 197	0.05 146	0.08 228	0.07 225	0.06 149	0.12 392

KMStereo	0.12 205	0.07 112	0.15 264	0.17 175	0.09 191	0.08 32	0.13 65	0.24 267	0.17 160	0.14 195	0.19 224	0.13 173	0.11 181	0.11 75	0.11 146	0.07 197	0.05 146	0.08 228	0.07 225	0.06 149	0.12 392

NRIStereo	0.11 142	0.08 199	0.14 215	0.18 249	0.08 84	0.10 90	0.14 108	0.16 96	0.15 117	0.12 148	0.14 144	0.13 173	0.12 210	0.13 191	0.10 94	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.07 231

DEmStereo	0.12 205	0.06 41	0.14 215	0.14 23	0.10 291	0.16 283	0.15 174	0.16 96	0.24 276	0.17 262	0.24 285	0.13 173	0.14 269	0.12 150	0.13 230	0.05 6	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

SST-Stereo	0.10 99	0.07 112	0.15 264	0.18 249	0.09 191	0.06 6	0.12 33	0.17 129	0.11 37	0.15 222	0.17 191	0.13 173	0.12 210	0.10 35	0.11 146	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

Pruner-Stereo	0.11 142	0.07 112	0.12 141	0.17 175	0.09 191	0.06 6	0.12 33	0.17 129	0.17 160	0.13 174	0.19 224	0.13 173	0.09 129	0.11 75	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.06 149	0.08 294

CRE-IMP	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.10 90	0.12 33	0.18 155	0.10 16	0.14 195	0.13 130	0.13 173	0.12 210	0.12 150	0.11 146	0.07 197	0.04 3	0.08 228	0.06 139	0.08 272	0.08 294

GMM-Stereo	0.11 142	0.07 112	0.10 78	0.18 249	0.09 191	0.08 32	0.15 174	0.23 245	0.16 142	0.11 112	0.15 160	0.13 173	0.11 181	0.11 75	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.06 149	0.09 336

Prome-Stereo	0.11 142	0.06 41	0.10 78	0.18 249	0.08 84	0.12 162	0.15 174	0.22 227	0.13 81	0.12 148	0.17 191	0.13 173	0.08 103	0.12 150	0.10 94	0.05 6	0.04 3	0.07 150	0.06 139	0.06 149	0.09 336

sAnonymous2	0.13 230	0.12 359	0.24 393	0.20 352	0.12 366	0.17 304	0.13 65	0.26 300	0.21 237	0.11 112	0.11 106	0.13 173	0.08 103	0.10 35	0.10 94	0.09 306	0.05 146	0.08 228	0.06 139	0.15 435	0.10 357

CroCo_RVC	0.13 230	0.12 359	0.24 393	0.20 352	0.12 366	0.17 304	0.13 65	0.26 300	0.21 237	0.11 112	0.11 106	0.13 173	0.08 103	0.10 35	0.10 94	0.09 306	0.05 146	0.08 228	0.06 139	0.15 435	0.10 357

DN-CSS_ROB	0.13 230	0.13 385	0.16 298	0.18 249	0.10 291	0.16 283	0.08 3	0.22 227	0.18 186	0.17 262	0.22 265	0.13 173	0.13 245	0.12 150	0.13 230	0.05 6	0.05 146	0.10 349	0.10 364	0.08 272	0.06 157

HI	0.11 142	0.06 41	0.11 111	0.13 12	0.09 191	0.09 52	0.14 108	0.21 205	0.10 16	0.19 306	0.17 191	0.14 192	0.09 129	0.16 269	0.08 16	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

CoSv	0.11 142	0.06 41	0.11 111	0.13 12	0.09 191	0.09 52	0.14 108	0.21 205	0.10 16	0.19 306	0.17 191	0.14 192	0.09 129	0.16 269	0.08 16	0.05 6	0.04 3	0.07 150	0.08 286	0.07 213	0.06 157

FACV-RUCA	0.13 230	0.11 343	0.12 141	0.19 304	0.12 366	0.15 254	0.15 174	0.22 227	0.20 222	0.15 222	0.16 171	0.14 192	0.16 312	0.14 213	0.13 230	0.07 197	0.05 146	0.08 228	0.06 139	0.10 359	0.08 294

rvit_stereo_0080	0.10 99	0.08 199	0.14 215	0.15 57	0.09 191	0.07 21	0.15 174	0.16 96	0.16 142	0.11 112	0.10 78	0.14 192	0.08 103	0.12 150	0.10 94	0.09 306	0.07 326	0.07 150	0.06 139	0.07 213	0.05 87

whm_eth	0.10 99	0.08 199	0.14 215	0.15 57	0.09 191	0.07 21	0.15 174	0.16 96	0.16 142	0.11 112	0.10 78	0.14 192	0.08 103	0.12 150	0.10 94	0.09 306	0.07 326	0.07 150	0.06 139	0.07 213	0.05 87

LL-Strereo	0.13 230	0.09 263	0.11 111	0.20 352	0.10 291	0.11 130	0.18 312	0.32 381	0.24 276	0.15 222	0.15 160	0.14 192	0.13 245	0.19 330	0.11 146	0.06 84	0.04 3	0.09 304	0.08 286	0.04 3	0.05 87

raft_robust	0.13 230	0.10 318	0.07 4	0.18 249	0.08 84	0.13 198	0.24 414	0.28 337	0.33 368	0.20 327	0.19 224	0.14 192	0.10 157	0.11 75	0.12 190	0.05 6	0.05 146	0.07 150	0.07 225	0.05 66	0.04 18

SA	0.12 205	0.09 263	0.08 18	0.18 249	0.08 84	0.12 162	0.24 414	0.23 245	0.18 186	0.17 262	0.27 338	0.14 192	0.11 181	0.11 75	0.11 146	0.05 6	0.05 146	0.09 304	0.08 286	0.05 66	0.04 18

GMOStereo	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 447	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

error version	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 447	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

test-v	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 447	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

PFNet+	0.11 142	0.06 41	0.13 184	0.16 111	0.09 191	0.05 3	0.12 33	0.17 129	0.21 237	0.16 248	0.19 224	0.14 192	0.10 157	0.11 75	0.11 146	0.08 252	0.05 146	0.09 304	0.08 286	0.06 149	0.11 380

Patchmatch Stereo++	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231
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	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

ROB_FTStereo_v2	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

ROB_FTStereo	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

HUI-Stereo	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

THIR-Stereo	0.12 205	0.07 112	0.11 111	0.15 57	0.08 84	0.14 229	0.16 237	0.17 129	0.25 297	0.16 248	0.24 285	0.14 192	0.12 210	0.12 150	0.14 267	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

PFNet	0.12 205	0.06 41	0.17 326	0.17 175	0.08 84	0.09 52	0.15 174	0.26 300	0.20 222	0.16 248	0.16 171	0.14 192	0.11 181	0.12 150	0.11 146	0.06 84	0.04 3	0.07 150	0.06 139	0.05 66	0.05 87

iGMRVC	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

iRAFT	0.11 142	0.09 263	0.16 298	0.18 249	0.08 84	0.06 6	0.11 20	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

test-2	0.11 142	0.09 263	0.07 4	0.19 304	0.08 84	0.12 162	0.28 447	0.13 36	0.17 160	0.11 112	0.17 191	0.14 192	0.12 210	0.07 3	0.07 1	0.05 6	0.05 146	0.09 304	0.07 225	0.04 3	0.04 18

RAFT-IKP	0.11 142	0.09 263	0.16 298	0.19 304	0.08 84	0.06 6	0.12 33	0.16 96	0.13 81	0.15 222	0.16 171	0.14 192	0.12 210	0.11 75	0.10 94	0.06 84	0.04 3	0.08 228	0.06 139	0.08 272	0.07 231

Anonymous3	0.16 325	0.13 385	0.33 432	0.26 437	0.14 405	0.27 425	0.17 268	0.28 337	0.28 333	0.15 222	0.17 191	0.14 192	0.10 157	0.15 235	0.12 190	0.08 252	0.08 351	0.08 228	0.08 286	0.08 272	0.11 380

RALCasStereoNet	0.10 99	0.06 41	0.09 49	0.16 111	0.08 84	0.12 162	0.14 108	0.17 129	0.11 37	0.12 148	0.17 191	0.14 192	0.10 157	0.12 150	0.11 146	0.07 197	0.06 257	0.06 62	0.05 68	0.08 272	0.07 231

111	0.10 99	0.06 41	0.12 141	0.15 57	0.07 39	0.10 90	0.14 108	0.21 205	0.23 260	0.11 112	0.12 117	0.14 192	0.11 181	0.13 191	0.10 94	0.06 84	0.04 3	0.06 62	0.04 18	0.05 66	0.05 87

ARAFT	0.12 205	0.08 199	0.17 326	0.19 304	0.09 191	0.14 229	0.18 312	0.20 185	0.12 53	0.12 148	0.13 130	0.14 192	0.11 181	0.15 235	0.12 190	0.06 84	0.05 146	0.10 349	0.09 330	0.05 66	0.04 18

DIP-Stereo	0.11 142	0.07 112	0.14 215	0.17 175	0.09 191	0.13 198	0.09 5	0.16 96	0.16 142	0.11 112	0.16 171	0.14 192	0.12 210	0.15 235	0.13 230	0.06 84	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
HITNet	0.10 99	0.06 41	0.12 141	0.14 23	0.06 8	0.11 130	0.10 10	0.18 155	0.18 186	0.13 174	0.16 171	0.14 192	0.11 181	0.15 235	0.13 230	0.06 84	0.04 3	0.04 1	0.04 18	0.06 149	0.05 87
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
rvit_stereo_ft	0.12 205	0.07 112	0.13 184	0.19 304	0.10 291	0.12 162	0.17 268	0.16 96	0.16 142	0.12 148	0.13 130	0.15 221	0.10 157	0.14 213	0.13 230	0.09 306	0.06 257	0.08 228	0.07 225	0.07 213	0.05 87

GCST	0.37 462	0.42 479	0.26 401	1.02 503	0.39 478	0.18 322	0.08 3	0.20 185	0.17 160	0.28 410	0.25 314	0.15 221	0.12 210	0.16 269	0.14 267	0.64 496	0.43 484	0.75 493	0.65 496	0.63 490	0.46 489

MyStereo05	0.13 230	0.07 112	0.10 78	0.17 175	0.09 191	0.13 198	0.18 312	0.27 320	0.35 386	0.17 262	0.14 144	0.15 221	0.11 181	0.15 235	0.13 230	0.06 84	0.05 146	0.07 150	0.07 225	0.06 149	0.06 157

gwcnet-sp	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

scenet	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

CASS	0.13 230	0.12 359	0.11 111	0.23 413	0.09 191	0.15 254	0.17 268	0.18 155	0.19 200	0.17 262	0.18 216	0.15 221	0.15 286	0.14 213	0.14 267	0.09 306	0.06 257	0.10 349	0.08 286	0.09 329	0.07 231
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
anonymousa	0.13 230	0.07 112	0.13 184	0.18 249	0.09 191	0.13 198	0.17 268	0.19 174	0.29 339	0.15 222	0.24 285	0.15 221	0.14 269	0.14 213	0.14 267	0.07 197	0.05 146	0.07 150	0.09 330	0.05 66	0.06 157

ssnet	0.14 261	0.07 112	0.12 141	0.18 249	0.09 191	0.16 283	0.17 268	0.24 267	0.24 276	0.18 292	0.24 285	0.15 221	0.16 312	0.15 235	0.15 294	0.08 252	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

CrosDoStereo	0.12 205	0.06 41	0.12 141	0.14 23	0.08 84	0.12 162	0.15 174	0.17 129	0.22 251	0.19 306	0.24 285	0.15 221	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

DeepStereo_LL	0.12 205	0.06 41	0.12 141	0.14 23	0.08 84	0.12 162	0.15 174	0.17 129	0.22 251	0.19 306	0.24 285	0.15 221	0.11 181	0.11 75	0.12 190	0.06 84	0.04 3	0.07 150	0.07 225	0.05 66	0.05 87

RAFT_R40	0.11 142	0.07 112	0.14 215	0.18 249	0.09 191	0.06 6	0.13 65	0.17 129	0.16 142	0.14 195	0.18 216	0.15 221	0.12 210	0.10 35	0.11 146	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.05 87

IRAFT_RVC	0.12 205	0.08 199	0.16 298	0.19 304	0.08 84	0.07 21	0.15 174	0.24 267	0.23 260	0.14 195	0.14 144	0.15 221	0.12 210	0.12 150	0.10 94	0.06 84	0.04 3	0.09 304	0.06 139	0.06 149	0.06 157

iResNet	0.13 230	0.10 318	0.18 349	0.19 304	0.08 84	0.13 198	0.18 312	0.20 185	0.26 310	0.15 222	0.23 274	0.15 221	0.13 245	0.14 213	0.14 267	0.06 84	0.04 3	0.06 62	0.05 68	0.06 149	0.05 87

rvit_stereo_0081_aga	0.11 142	0.09 263	0.14 215	0.18 249	0.09 191	0.13 198	0.14 108	0.14 51	0.19 200	0.10 87	0.18 216	0.16 234	0.09 129	0.12 150	0.09 45	0.10 342	0.06 257	0.08 228	0.07 225	0.07 213	0.06 157

MyStereo04	0.13 230	0.07 112	0.10 78	0.17 175	0.09 191	0.14 229	0.18 312	0.29 347	0.38 401	0.17 262	0.14 144	0.16 234	0.10 157	0.15 235	0.13 230	0.06 84	0.05 146	0.08 228	0.07 225	0.06 149	0.06 157

CoDeX	0.12 205	0.07 112	0.12 141	0.17 175	0.08 84	0.12 162	0.15 174	0.23 245	0.27 319	0.13 174	0.17 191	0.16 234	0.11 181	0.14 213	0.11 146	0.07 197	0.05 146	0.07 150	0.06 139	0.06 149	0.05 87

xx1	0.11 142	0.08 199	0.12 141	0.17 175	0.09 191	0.13 198	0.15 174	0.16 96	0.18 186	0.09 56	0.09 55	0.16 234	0.16 312	0.10 35	0.07 1	0.06 84	0.04 3	0.08 228	0.08 286	0.07 213	0.07 231

11t1	0.12 205	0.06 41	0.13 184	0.14 23	0.08 84	0.17 304	0.15 174	0.18 155	0.15 117	0.15 222	0.15 160	0.16 234	0.16 312	0.15 235	0.13 230	0.08 252	0.05 146	0.06 62	0.05 68	0.08 272	0.07 231

riskmin	0.11 142	0.06 41	0.13 184	0.14 23	0.08 84	0.14 229	0.14 108	0.18 155	0.14 103	0.11 112	0.14 144	0.16 234	0.11 181	0.14 213	0.12 190	0.09 306	0.05 146	0.07 150	0.05 68	0.08 272	0.08 294

TestStereo1	0.13 230	0.08 199	0.08 18	0.19 304	0.08 84	0.18 322	0.29 456	0.23 245	0.16 142	0.17 262	0.20 236	0.16 234	0.10 157	0.12 150	0.13 230	0.06 84	0.06 257	0.08 228	0.06 139	0.05 66	0.05 87

qqq	0.13 230	0.09 263	0.15 264	0.16 111	0.08 84	0.13 198	0.15 174	0.23 245	0.16 142	0.15 222	0.19 224	0.16 234	0.16 312	0.15 235	0.16 310	0.07 197	0.06 257	0.08 228	0.08 286	0.07 213	0.07 231

BUS	0.14 261	0.09 263	0.14 215	0.22 393	0.10 291	0.19 345	0.14 108	0.34 407	0.19 200	0.17 262	0.22 265	0.16 234	0.13 245	0.15 235	0.13 230	0.08 252	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

NINENet	0.16 325	0.10 318	0.15 264	0.17 175	0.11 335	0.19 345	0.14 108	0.40 445	0.36 390	0.18 292	0.21 256	0.16 234	0.13 245	0.15 235	0.13 230	0.08 252	0.08 351	0.10 349	0.07 225	0.10 359	0.09 336

SA-5K	0.13 230	0.08 199	0.08 18	0.19 304	0.08 84	0.18 322	0.29 456	0.23 245	0.16 142	0.17 262	0.20 236	0.16 234	0.10 157	0.12 150	0.13 230	0.06 84	0.06 257	0.08 228	0.06 139	0.05 66	0.05 87

CIPLG	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.15 117	0.14 195	0.11 106	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

UDGNet	0.14 261	0.13 385	0.16 298	0.17 175	0.10 291	0.12 162	0.16 237	0.21 205	0.27 319	0.20 327	0.20 236	0.16 234	0.13 245	0.16 269	0.13 230	0.10 342	0.06 257	0.09 304	0.07 225	0.06 149	0.07 231

IPLGR_C	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.15 117	0.14 195	0.10 78	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

ACRE	0.11 142	0.08 199	0.14 215	0.17 175	0.08 84	0.12 162	0.15 174	0.17 129	0.14 103	0.14 195	0.10 78	0.16 234	0.09 129	0.16 269	0.11 146	0.07 197	0.05 146	0.06 62	0.05 68	0.05 66	0.06 157

LCNet	0.11 142	0.07 112	0.09 49	0.19 304	0.09 191	0.08 32	0.15 174	0.21 205	0.15 117	0.11 112	0.15 160	0.16 234	0.11 181	0.12 150	0.11 146	0.05 6	0.04 3	0.08 228	0.07 225	0.06 149	0.15 433

ASMatch	0.11 142	0.06 41	0.13 184	0.16 111	0.10 291	0.07 21	0.14 108	0.17 129	0.17 160	0.12 148	0.16 171	0.16 234	0.10 157	0.13 191	0.10 94	0.05 6	0.04 3	0.06 62	0.05 68	0.04 3	0.08 294

TestStereo	0.13 230	0.14 397	0.11 111	0.23 413	0.08 84	0.15 254	0.21 386	0.20 185	0.23 260	0.14 195	0.24 285	0.16 234	0.12 210	0.16 269	0.14 267	0.05 6	0.06 257	0.08 228	0.06 139	0.09 329	0.05 87

RALAANet	0.11 142	0.08 199	0.10 78	0.17 175	0.09 191	0.14 229	0.10 10	0.20 185	0.15 117	0.14 195	0.13 130	0.16 234	0.09 129	0.12 150	0.11 146	0.06 84	0.05 146	0.07 150	0.06 139	0.05 66	0.04 18

FENet	0.13 230	0.08 199	0.12 141	0.16 111	0.08 84	0.14 229	0.15 174	0.22 227	0.23 260	0.17 262	0.23 274	0.16 234	0.12 210	0.14 213	0.15 294	0.08 252	0.05 146	0.08 228	0.08 286	0.07 213	0.07 231

rvit_0105_6	0.14 261	0.09 263	0.18 349	0.17 175	0.10 291	0.10 90	0.16 237	0.19 174	0.26 310	0.12 148	0.18 216	0.17 254	0.12 210	0.18 317	0.12 190	0.15 431	0.11 406	0.12 394	0.10 364	0.09 329	0.06 157

rvit_0105_4	0.14 261	0.09 263	0.17 326	0.17 175	0.10 291	0.12 162	0.19 350	0.23 245	0.27 319	0.14 195	0.20 236	0.17 254	0.13 245	0.17 299	0.13 230	0.15 431	0.11 406	0.11 378	0.10 364	0.09 329	0.06 157

ttt	0.14 261	0.08 199	0.14 215	0.15 57	0.08 84	0.15 254	0.18 312	0.27 320	0.29 339	0.16 248	0.24 285	0.17 254	0.13 245	0.13 191	0.14 267	0.11 368	0.08 351	0.09 304	0.08 286	0.09 329	0.08 294

IER	0.14 261	0.07 112	0.13 184	0.17 175	0.09 191	0.14 229	0.16 237	0.25 283	0.26 310	0.18 292	0.25 314	0.17 254	0.20 370	0.16 269	0.14 267	0.08 252	0.05 146	0.07 150	0.06 139	0.08 272	0.07 231

Sa-1000	0.12 205	0.08 199	0.08 18	0.18 249	0.08 84	0.14 229	0.22 395	0.22 227	0.18 186	0.15 222	0.20 236	0.17 254	0.11 181	0.10 35	0.10 94	0.06 84	0.05 146	0.09 304	0.09 330	0.05 66	0.05 87

GrayStereo	0.11 142	0.06 41	0.11 111	0.19 304	0.09 191	0.09 52	0.16 237	0.18 155	0.17 160	0.14 195	0.17 191	0.17 254	0.11 181	0.12 150	0.11 146	0.05 6	0.05 146	0.07 150	0.06 139	0.05 66	0.10 357

RAFT	0.13 230	0.09 263	0.11 111	0.18 249	0.08 84	0.15 254	0.24 414	0.20 185	0.19 200	0.21 340	0.21 256	0.17 254	0.12 210	0.16 269	0.09 45	0.06 84	0.07 326	0.10 349	0.09 330	0.05 66	0.05 87

GEStereo_RVC	0.17 345	0.12 359	0.15 264	0.22 393	0.11 335	0.19 345	0.17 268	0.32 381	0.48 439	0.20 327	0.25 314	0.17 254	0.13 245	0.21 370	0.16 310	0.10 342	0.06 257	0.08 228	0.07 225	0.09 329	0.08 294

222	0.16 325	0.07 112	0.14 215	0.14 23	0.08 84	0.24 400	0.18 312	0.30 361	0.20 222	0.17 262	0.28 350	0.17 254	0.16 312	0.15 235	0.40 471	0.10 342	0.05 146	0.07 150	0.06 139	0.07 213	0.08 294

DMCA	0.14 261	0.09 263	0.16 298	0.19 304	0.09 191	0.15 254	0.17 268	0.23 245	0.27 319	0.14 195	0.19 224	0.17 254	0.18 345	0.15 235	0.17 324	0.10 342	0.06 257	0.08 228	0.06 139	0.09 329	0.10 357

SuperB	0.20 381	0.10 318	0.56 467	0.16 111	0.09 191	0.18 322	0.18 312	0.24 267	0.50 447	0.26 392	0.39 419	0.17 254	0.21 374	0.22 381	0.21 377	0.08 252	0.06 257	0.06 62	0.06 139	0.12 392	0.10 357

ADCRef	0.19 370	0.12 359	0.41 450	0.20 352	0.12 366	0.22 382	0.18 312	0.32 381	0.36 390	0.26 392	0.32 379	0.17 254	0.23 389	0.24 401	0.24 406	0.07 197	0.06 257	0.09 304	0.09 330	0.08 272	0.08 294

MLCV	0.12 205	0.07 112	0.16 298	0.18 249	0.06 8	0.15 254	0.17 268	0.19 174	0.21 237	0.18 292	0.25 314	0.17 254	0.13 245	0.14 213	0.13 230	0.05 6	0.04 3	0.05 3	0.04 18	0.05 66	0.04 18

rvit_0105_5	0.14 261	0.09 263	0.13 184	0.17 175	0.09 191	0.14 229	0.23 404	0.24 267	0.27 319	0.14 195	0.15 160	0.18 267	0.12 210	0.17 299	0.14 267	0.14 427	0.11 406	0.10 349	0.10 364	0.08 272	0.06 157

test_sample5	0.14 261	0.08 199	0.14 215	0.16 111	0.08 84	0.18 322	0.18 312	0.25 283	0.17 160	0.17 262	0.27 338	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

test_sample4	0.14 261	0.08 199	0.14 215	0.15 57	0.08 84	0.19 345	0.18 312	0.26 300	0.17 160	0.16 248	0.25 314	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.06 257	0.08 228	0.06 139	0.08 272	0.08 294

test_sample1	0.13 230	0.07 112	0.14 215	0.13 12	0.08 84	0.19 345	0.16 237	0.20 185	0.15 117	0.14 195	0.22 265	0.18 267	0.16 312	0.17 299	0.14 267	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.07 231

DispNO	0.14 261	0.08 199	0.17 326	0.19 304	0.12 366	0.11 130	0.21 386	0.23 245	0.29 339	0.17 262	0.23 274	0.18 267	0.17 333	0.15 235	0.15 294	0.07 197	0.05 146	0.08 228	0.08 286	0.07 213	0.06 157

SMFormer	0.14 261	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.17 324	0.08 252	0.05 146	0.07 150	0.06 139	0.07 213	0.06 157

tta	0.14 261	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.17 324	0.08 252	0.05 146	0.07 150	0.06 139	0.06 149	0.06 157

qqq1	0.13 230	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.11 146	0.08 252	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

fff1	0.13 230	0.07 112	0.17 326	0.14 23	0.08 84	0.16 283	0.17 268	0.26 300	0.27 319	0.19 306	0.20 236	0.18 267	0.15 286	0.15 235	0.11 146	0.08 252	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

DualNet	0.14 261	0.08 199	0.14 215	0.16 111	0.08 84	0.18 322	0.18 312	0.25 283	0.17 160	0.17 262	0.27 338	0.18 267	0.14 269	0.16 269	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

GwcNet-ADL	0.13 230	0.08 199	0.14 215	0.20 352	0.09 191	0.11 130	0.20 369	0.30 361	0.24 276	0.13 174	0.14 144	0.18 267	0.14 269	0.13 191	0.14 267	0.07 197	0.05 146	0.06 62	0.05 68	0.07 213	0.06 157

PSM-AAD	0.11 142	0.07 112	0.10 78	0.19 304	0.09 191	0.10 90	0.15 174	0.20 185	0.13 81	0.12 148	0.14 144	0.18 267	0.11 181	0.11 75	0.10 94	0.05 6	0.05 146	0.09 304	0.08 286	0.06 149	0.14 426

GES	0.14 261	0.08 199	0.16 298	0.15 57	0.10 291	0.13 198	0.13 65	0.28 337	0.25 297	0.16 248	0.23 274	0.18 267	0.13 245	0.16 269	0.13 230	0.08 252	0.07 326	0.07 150	0.06 139	0.08 272	0.09 336

BEATNet_4x	0.12 205	0.08 199	0.14 215	0.18 249	0.07 39	0.15 254	0.07 1	0.22 227	0.18 186	0.16 248	0.19 224	0.18 267	0.14 269	0.16 269	0.15 294	0.07 197	0.05 146	0.05 3	0.05 68	0.06 149	0.06 157

test_sample6	0.14 261	0.08 199	0.13 184	0.16 111	0.08 84	0.17 304	0.19 350	0.25 283	0.17 160	0.17 262	0.27 338	0.19 281	0.14 269	0.15 235	0.13 230	0.08 252	0.05 146	0.08 228	0.07 225	0.08 272	0.08 294

test_sample3	0.14 261	0.08 199	0.15 264	0.14 23	0.09 191	0.19 345	0.17 268	0.26 300	0.18 186	0.16 248	0.22 265	0.19 281	0.15 286	0.17 299	0.13 230	0.08 252	0.06 257	0.07 150	0.06 139	0.09 329	0.08 294

test_sample2	0.12 205	0.07 112	0.12 141	0.14 23	0.08 84	0.16 283	0.18 312	0.21 205	0.16 142	0.14 195	0.20 236	0.19 281	0.15 286	0.15 235	0.12 190	0.08 252	0.05 146	0.07 150	0.06 139	0.08 272	0.07 231

ffm	0.12 205	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.15 71	0.19 200	0.15 222	0.25 314	0.19 281	0.13 245	0.10 35	0.07 1	0.06 84	0.04 3	0.09 304	0.08 286	0.06 149	0.06 157

ff1	0.13 230	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.15 71	0.19 200	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.06 84	0.04 3	0.09 304	0.08 286	0.06 149	0.06 157

mmx	0.14 261	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.27 320	0.25 297	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.08 252	0.06 257	0.09 304	0.08 286	0.08 272	0.08 294

xxx	0.14 261	0.09 263	0.14 215	0.16 111	0.08 84	0.17 304	0.17 268	0.27 320	0.25 297	0.15 222	0.25 314	0.19 281	0.13 245	0.14 213	0.20 357	0.08 252	0.06 257	0.09 304	0.08 286	0.08 272	0.08 294

SDNR	0.19 370	0.08 199	0.19 359	0.16 111	0.12 366	0.77 494	0.14 108	0.25 283	0.32 361	0.19 306	0.24 285	0.19 281	0.13 245	0.19 330	0.15 294	0.16 447	0.18 455	0.14 421	0.11 392	0.08 272	0.11 380

x	0.13 230	0.07 112	0.14 215	0.14 23	0.08 84	0.18 322	0.14 108	0.22 227	0.20 222	0.15 222	0.19 224	0.19 281	0.17 333	0.18 317	0.18 342	0.07 197	0.05 146	0.06 62	0.06 139	0.07 213	0.07 231

GANet-ADL	0.13 230	0.07 112	0.15 264	0.17 175	0.10 291	0.18 322	0.15 174	0.30 361	0.20 222	0.13 174	0.18 216	0.19 281	0.12 210	0.16 269	0.13 230	0.08 252	0.06 257	0.06 62	0.05 68	0.07 213	0.08 294

test_xeample	0.15 302	0.06 41	0.13 184	0.14 23	0.08 84	0.21 374	0.20 369	0.28 337	0.20 222	0.16 248	0.29 362	0.19 281	0.16 312	0.15 235	0.26 424	0.09 306	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

delet	0.17 345	0.08 199	0.17 326	0.19 304	0.11 335	0.20 360	0.21 386	0.30 361	0.37 396	0.17 262	0.26 331	0.19 281	0.19 359	0.19 330	0.21 377	0.08 252	0.08 351	0.09 304	0.11 392	0.06 149	0.06 157

rvit_0105_3	0.15 302	0.09 263	0.14 215	0.19 304	0.12 366	0.15 254	0.25 427	0.25 283	0.29 339	0.15 222	0.17 191	0.20 293	0.13 245	0.17 299	0.14 267	0.13 416	0.11 406	0.12 394	0.14 423	0.07 213	0.06 157

AASNet	0.16 325	0.08 199	0.12 141	0.19 304	0.09 191	0.18 322	0.15 174	0.37 430	0.37 396	0.19 306	0.23 274	0.20 293	0.16 312	0.17 299	0.20 357	0.10 342	0.08 351	0.08 228	0.07 225	0.09 329	0.09 336

ADLNet2	0.16 325	0.09 263	0.13 184	0.16 111	0.09 191	0.20 360	0.16 237	0.31 370	0.39 404	0.16 248	0.20 236	0.20 293	0.18 345	0.21 370	0.22 386	0.08 252	0.06 257	0.07 150	0.07 225	0.09 329	0.07 231

KYRaft	0.11 142	0.07 112	0.10 78	0.19 304	0.09 191	0.08 32	0.15 174	0.22 227	0.12 53	0.13 174	0.16 171	0.20 293	0.10 157	0.12 150	0.10 94	0.05 6	0.04 3	0.08 228	0.08 286	0.06 149	0.16 444

FADNet-RVC-Resample	0.16 325	0.11 343	0.31 426	0.22 393	0.11 335	0.19 345	0.14 108	0.25 283	0.24 276	0.24 375	0.27 338	0.20 293	0.15 286	0.16 269	0.15 294	0.07 197	0.08 351	0.12 394	0.10 364	0.09 329	0.10 357

FADNet_RVC	0.16 325	0.14 397	0.40 448	0.20 352	0.11 335	0.13 198	0.13 65	0.26 300	0.22 251	0.21 340	0.23 274	0.20 293	0.17 333	0.14 213	0.16 310	0.08 252	0.08 351	0.12 394	0.09 330	0.11 378	0.10 357

AdaStereo	0.15 302	0.11 343	0.15 264	0.18 249	0.09 191	0.20 360	0.11 20	0.32 381	0.28 333	0.20 327	0.23 274	0.20 293	0.13 245	0.19 330	0.14 267	0.12 393	0.05 146	0.10 349	0.07 225	0.09 329	0.07 231
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.
mmm	0.14 261	0.08 199	0.17 326	0.17 175	0.09 191	0.17 304	0.18 312	0.21 205	0.15 117	0.15 222	0.23 274	0.21 300	0.16 312	0.16 269	0.17 324	0.08 252	0.05 146	0.08 228	0.07 225	0.07 213	0.07 231

PCWNet_CMD	0.14 261	0.08 199	0.15 264	0.17 175	0.09 191	0.14 229	0.14 108	0.29 347	0.36 390	0.14 195	0.20 236	0.21 300	0.12 210	0.17 299	0.13 230	0.07 197	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

iinet-f	0.16 325	0.06 41	0.45 454	0.14 23	0.10 291	0.21 374	0.14 108	0.27 320	0.23 260	0.21 340	0.24 285	0.21 300	0.15 286	0.18 317	0.21 377	0.09 306	0.07 326	0.07 150	0.06 139	0.09 329	0.10 357

HBP-ISP	0.18 358	0.13 385	0.16 298	0.15 57	0.11 335	0.08 32	0.13 65	0.28 337	0.29 339	0.22 355	0.33 391	0.21 300	0.25 403	0.23 392	0.17 324	0.14 427	0.16 448	0.21 455	0.17 449	0.10 359	0.08 294

dd	0.15 302	0.16 411	0.16 298	0.19 304	0.09 191	0.15 254	0.18 312	0.21 205	0.25 297	0.23 367	0.20 236	0.21 300	0.09 129	0.21 370	0.16 310	0.10 342	0.06 257	0.08 228	0.06 139	0.08 272	0.06 157

DAS	0.15 302	0.08 199	0.18 349	0.19 304	0.10 291	0.19 345	0.17 268	0.27 320	0.29 339	0.18 292	0.25 314	0.21 300	0.15 286	0.16 269	0.12 190	0.08 252	0.06 257	0.06 62	0.06 139	0.07 213	0.07 231

SepStereo	0.15 302	0.08 199	0.18 349	0.19 304	0.10 291	0.19 345	0.17 268	0.27 320	0.29 339	0.18 292	0.25 314	0.21 300	0.15 286	0.25 406	0.12 190	0.08 252	0.06 257	0.06 62	0.06 139	0.07 213	0.07 231

pcwnet_v2	0.19 370	0.10 318	0.26 401	0.17 175	0.14 405	0.18 322	0.15 174	0.37 430	0.46 437	0.19 306	0.24 285	0.21 300	0.19 359	0.20 354	0.19 351	0.13 416	0.10 395	0.10 349	0.10 364	0.11 378	0.13 409

HCRNet	0.16 325	0.24 453	0.12 141	0.35 468	0.11 335	0.15 254	0.17 268	0.26 300	0.22 251	0.19 306	0.24 285	0.21 300	0.14 269	0.15 235	0.13 230	0.11 368	0.07 326	0.11 378	0.10 364	0.09 329	0.07 231

MMNet	0.17 345	0.09 263	0.16 298	0.20 352	0.11 335	0.27 425	0.20 369	0.25 283	0.41 413	0.22 355	0.30 367	0.21 300	0.20 370	0.17 299	0.20 357	0.06 84	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

ACVNet	0.15 302	0.09 263	0.15 264	0.13 12	0.12 366	0.14 229	0.20 369	0.22 227	0.33 368	0.17 262	0.26 331	0.21 300	0.16 312	0.17 299	0.21 377	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

acv_ft	0.15 302	0.09 263	0.15 264	0.19 304	0.10 291	0.16 283	0.17 268	0.25 283	0.33 368	0.19 306	0.26 331	0.21 300	0.17 333	0.17 299	0.18 342	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

cf-r	0.13 230	0.07 112	0.12 141	0.16 111	0.08 84	0.14 229	0.19 350	0.20 185	0.25 297	0.17 262	0.25 314	0.21 300	0.16 312	0.14 213	0.14 267	0.10 342	0.05 146	0.06 62	0.08 286	0.06 149	0.06 157

RASNet	0.14 261	0.07 112	0.14 215	0.16 111	0.08 84	0.18 322	0.14 108	0.29 347	0.20 222	0.17 262	0.25 314	0.21 300	0.18 345	0.20 354	0.19 351	0.07 197	0.06 257	0.06 62	0.08 286	0.06 149	0.06 157

MSMDNet	0.14 261	0.08 199	0.15 264	0.17 175	0.09 191	0.14 229	0.14 108	0.29 347	0.36 390	0.14 195	0.21 256	0.21 300	0.12 210	0.17 299	0.14 267	0.07 197	0.05 146	0.07 150	0.07 225	0.07 213	0.07 231

AANet_RVC	0.16 325	0.10 318	0.10 78	0.18 249	0.09 191	0.18 322	0.19 350	0.26 300	0.31 355	0.22 355	0.35 397	0.21 300	0.21 374	0.22 381	0.16 310	0.06 84	0.05 146	0.06 62	0.06 139	0.07 213	0.06 157

PWCDC_ROB	0.20 381	0.13 385	0.22 381	0.24 422	0.11 335	0.19 345	0.15 174	0.33 398	0.54 456	0.29 417	0.50 455	0.21 300	0.15 286	0.27 411	0.20 357	0.11 368	0.09 376	0.10 349	0.08 286	0.11 378	0.09 336

rvit_105_1	0.19 370	0.11 343	0.25 398	0.21 378	0.16 429	0.21 374	0.27 441	0.31 370	0.41 413	0.19 306	0.20 236	0.22 317	0.17 333	0.19 330	0.17 324	0.12 393	0.12 419	0.13 409	0.15 438	0.08 272	0.07 231

ACV-stereo	0.15 302	0.10 318	0.28 413	0.18 249	0.12 366	0.14 229	0.12 33	0.23 245	0.21 237	0.19 306	0.23 274	0.22 317	0.15 286	0.23 392	0.17 324	0.07 197	0.06 257	0.07 150	0.07 225	0.07 213	0.07 231

ITSA-stereo	0.15 302	0.10 318	0.14 215	0.19 304	0.08 84	0.12 162	0.14 108	0.30 361	0.49 444	0.17 262	0.19 224	0.22 317	0.15 286	0.17 299	0.16 310	0.10 342	0.06 257	0.08 228	0.08 286	0.08 272	0.08 294

rvit_stereo_0075_2	0.17 345	0.12 359	0.25 398	0.23 413	0.16 429	0.13 198	0.10 10	0.30 361	0.27 319	0.20 327	0.28 350	0.22 317	0.15 286	0.18 317	0.13 230	0.16 447	0.10 395	0.17 441	0.10 364	0.10 359	0.09 336

hknet	0.15 302	0.11 343	0.13 184	0.22 393	0.11 335	0.14 229	0.15 174	0.34 407	0.25 297	0.17 262	0.22 265	0.22 317	0.18 345	0.17 299	0.12 190	0.07 197	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

CFNet_pseudo	0.14 261	0.08 199	0.15 264	0.16 111	0.09 191	0.13 198	0.14 108	0.27 320	0.34 379	0.14 195	0.21 256	0.22 317	0.13 245	0.18 317	0.14 267	0.07 197	0.05 146	0.08 228	0.06 139	0.07 213	0.07 231

xxxx	0.15 302	0.07 112	0.14 215	0.14 23	0.08 84	0.23 395	0.18 312	0.31 370	0.19 200	0.14 195	0.28 350	0.22 317	0.14 269	0.15 235	0.26 424	0.09 306	0.05 146	0.07 150	0.07 225	0.08 272	0.07 231

FINET	0.21 390	0.18 432	0.26 401	0.18 249	0.16 429	0.23 395	0.23 404	0.32 381	0.48 439	0.25 388	0.32 379	0.22 317	0.22 383	0.22 381	0.17 324	0.18 453	0.16 448	0.11 378	0.10 364	0.15 435	0.13 409

UPFNet	0.16 325	0.08 199	0.12 141	0.20 352	0.12 366	0.20 360	0.23 404	0.28 337	0.26 310	0.17 262	0.24 285	0.22 317	0.19 359	0.19 330	0.21 377	0.09 306	0.07 326	0.08 228	0.09 330	0.08 272	0.06 157

PSMNet-RSSM	0.14 261	0.07 112	0.13 184	0.15 57	0.08 84	0.13 198	0.16 237	0.24 267	0.24 276	0.16 248	0.28 350	0.22 317	0.14 269	0.15 235	0.13 230	0.11 368	0.06 257	0.09 304	0.12 411	0.08 272	0.07 231

GwcNet-RSSM	0.14 261	0.07 112	0.12 141	0.15 57	0.08 84	0.15 254	0.20 369	0.21 205	0.27 319	0.18 292	0.27 338	0.22 317	0.16 312	0.14 213	0.15 294	0.10 342	0.05 146	0.07 150	0.09 330	0.07 213	0.07 231

DSFCA	0.16 325	0.09 263	0.14 215	0.16 111	0.10 291	0.20 360	0.19 350	0.28 337	0.31 355	0.23 367	0.24 285	0.22 317	0.15 286	0.19 330	0.20 357	0.10 342	0.07 326	0.09 304	0.09 330	0.08 272	0.08 294

ADCP+	0.20 381	0.10 318	0.33 432	0.20 352	0.12 366	0.22 382	0.26 434	0.31 370	0.34 379	0.26 392	0.37 406	0.22 317	0.22 383	0.27 411	0.27 431	0.09 306	0.06 257	0.08 228	0.08 286	0.09 329	0.10 357

ccs_rob	0.14 261	0.08 199	0.15 264	0.16 111	0.09 191	0.12 162	0.14 108	0.27 320	0.34 379	0.14 195	0.21 256	0.22 317	0.13 245	0.18 317	0.14 267	0.07 197	0.05 146	0.08 228	0.07 225	0.07 213	0.07 231

DeepPruner_ROB	0.16 325	0.11 343	0.15 264	0.17 175	0.10 291	0.17 304	0.15 174	0.32 381	0.21 237	0.19 306	0.21 256	0.22 317	0.18 345	0.20 354	0.15 294	0.13 416	0.09 376	0.09 304	0.09 330	0.11 378	0.10 357

StereoDRNet-Refined	0.17 345	0.12 359	0.15 264	0.20 352	0.09 191	0.18 322	0.18 312	0.26 300	0.23 260	0.26 392	0.40 424	0.22 317	0.17 333	0.21 370	0.20 357	0.08 252	0.05 146	0.09 304	0.10 364	0.07 213	0.07 231
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
CFNet_ucs	0.15 302	0.08 199	0.16 298	0.16 111	0.11 335	0.14 229	0.14 108	0.30 361	0.34 379	0.16 248	0.24 285	0.23 333	0.14 269	0.18 317	0.15 294	0.09 306	0.06 257	0.08 228	0.07 225	0.09 329	0.09 336

LMCR-Stereo	0.15 302	0.08 199	0.13 184	0.21 378	0.09 191	0.17 304	0.20 369	0.27 320	0.19 200	0.24 375	0.24 285	0.23 333	0.17 333	0.20 354	0.17 324	0.07 197	0.06 257	0.08 228	0.06 139	0.10 359	0.08 294

UNet	0.17 345	0.09 263	0.18 349	0.19 304	0.12 366	0.27 425	0.19 350	0.33 398	0.29 339	0.21 340	0.24 285	0.23 333	0.19 359	0.19 330	0.18 342	0.07 197	0.06 257	0.08 228	0.07 225	0.08 272	0.06 157

GANet-RSSM	0.14 261	0.07 112	0.13 184	0.13 12	0.08 84	0.14 229	0.17 268	0.22 227	0.21 237	0.17 262	0.24 285	0.23 333	0.15 286	0.16 269	0.15 294	0.10 342	0.06 257	0.07 150	0.08 286	0.08 272	0.07 231

UCFNet_RVC	0.14 261	0.08 199	0.13 184	0.11 1	0.10 291	0.20 360	0.10 10	0.24 267	0.22 251	0.17 262	0.20 236	0.23 333	0.15 286	0.17 299	0.15 294	0.12 393	0.07 326	0.10 349	0.13 420	0.11 378	0.10 357

iResNet_ROB	0.14 261	0.07 112	0.13 184	0.14 23	0.07 39	0.18 322	0.14 108	0.26 300	0.31 355	0.22 355	0.25 314	0.23 333	0.15 286	0.15 235	0.13 230	0.07 197	0.05 146	0.05 3	0.04 18	0.08 272	0.08 294

DualNet (step1)	0.16 325	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.15 431	0.06 257	0.14 421	0.14 423	0.14 420	0.12 392

test_sample9	0.18 358	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.19 330	0.17 324	0.15 431	0.30 477	0.14 421	0.14 423	0.14 420	0.12 392

test_sample7	0.15 302	0.10 318	0.16 298	0.14 23	0.11 335	0.16 283	0.16 237	0.27 320	0.23 260	0.20 327	0.20 236	0.24 339	0.19 359	0.16 269	0.16 310	0.12 393	0.06 257	0.10 349	0.09 330	0.10 359	0.10 357

CBFPSM	0.14 261	0.06 41	0.26 401	0.17 175	0.09 191	0.13 198	0.15 174	0.22 227	0.23 260	0.20 327	0.27 338	0.24 339	0.16 312	0.16 269	0.18 342	0.06 84	0.06 257	0.06 62	0.07 225	0.07 213	0.07 231

Wz-Net-LNSev-Ref	0.18 358	0.09 263	0.29 421	0.15 57	0.10 291	0.22 382	0.20 369	0.26 300	0.39 404	0.25 388	0.42 440	0.24 339	0.15 286	0.20 354	0.19 351	0.07 197	0.05 146	0.06 62	0.05 68	0.10 359	0.09 336

CSP-Net	0.16 325	0.09 263	0.14 215	0.16 111	0.09 191	0.19 345	0.17 268	0.25 283	0.32 361	0.25 388	0.30 367	0.24 339	0.15 286	0.21 370	0.18 342	0.09 306	0.06 257	0.07 150	0.07 225	0.08 272	0.07 231

PSMNet-ADL	0.15 302	0.12 359	0.13 184	0.22 393	0.09 191	0.13 198	0.20 369	0.26 300	0.23 260	0.18 292	0.20 236	0.24 339	0.16 312	0.18 317	0.17 324	0.08 252	0.08 351	0.08 228	0.11 392	0.08 272	0.07 231

ADLNet	0.16 325	0.08 199	0.15 264	0.16 111	0.10 291	0.16 283	0.17 268	0.32 381	0.27 319	0.22 355	0.27 338	0.24 339	0.16 312	0.18 317	0.21 377	0.10 342	0.06 257	0.10 349	0.10 364	0.08 272	0.09 336

CFNet-ft	0.14 261	0.07 112	0.15 264	0.12 4	0.09 191	0.16 283	0.18 312	0.22 227	0.24 276	0.17 262	0.26 331	0.24 339	0.14 269	0.16 269	0.14 267	0.11 368	0.06 257	0.08 228	0.09 330	0.09 329	0.08 294

DeepPrunerF	0.24 421	0.17 422	0.42 452	0.26 437	0.16 429	0.22 382	0.28 447	0.37 430	0.50 447	0.26 392	0.29 362	0.24 339	0.28 424	0.21 370	0.22 386	0.15 431	0.11 406	0.20 454	0.18 453	0.12 392	0.13 409

CFNet	0.15 302	0.10 318	0.17 326	0.17 175	0.08 84	0.18 322	0.09 5	0.28 337	0.25 297	0.19 306	0.24 285	0.24 339	0.17 333	0.17 299	0.14 267	0.08 252	0.06 257	0.09 304	0.10 364	0.07 213	0.06 157

CFNet_RVC	0.14 261	0.07 112	0.15 264	0.12 4	0.09 191	0.16 283	0.18 312	0.22 227	0.24 276	0.17 262	0.26 331	0.24 339	0.14 269	0.16 269	0.14 267	0.11 368	0.06 257	0.08 228	0.09 330	0.09 329	0.08 294

iResNetv2_ROB	0.14 261	0.08 199	0.15 264	0.16 111	0.08 84	0.16 283	0.12 33	0.25 283	0.35 386	0.21 340	0.29 362	0.24 339	0.13 245	0.14 213	0.14 267	0.06 84	0.05 146	0.06 62	0.04 18	0.09 329	0.08 294

GMStereo_Zeroshot	0.16 325	0.13 385	0.24 393	0.20 352	0.10 291	0.17 304	0.13 65	0.29 347	0.25 297	0.23 367	0.32 379	0.25 352	0.11 181	0.19 330	0.14 267	0.09 306	0.06 257	0.11 378	0.06 139	0.12 392	0.08 294

BSDual-CNN	0.15 302	0.09 263	0.14 215	0.22 393	0.10 291	0.14 229	0.15 174	0.34 407	0.19 200	0.17 262	0.22 265	0.25 352	0.16 312	0.15 235	0.14 267	0.08 252	0.06 257	0.10 349	0.09 330	0.07 213	0.07 231

psmg	0.14 261	0.09 263	0.14 215	0.17 175	0.10 291	0.15 254	0.17 268	0.29 347	0.19 200	0.17 262	0.21 256	0.25 352	0.16 312	0.15 235	0.14 267	0.08 252	0.06 257	0.08 228	0.08 286	0.07 213	0.06 157

HGLStereo	0.17 345	0.08 199	0.19 359	0.17 175	0.12 366	0.18 322	0.18 312	0.31 370	0.32 361	0.21 340	0.32 379	0.25 352	0.18 345	0.19 330	0.20 357	0.09 306	0.09 376	0.07 150	0.07 225	0.09 329	0.10 357

DMCA-RVC	0.17 345	0.10 318	0.15 264	0.24 422	0.11 335	0.18 322	0.18 312	0.25 283	0.24 276	0.21 340	0.26 331	0.25 352	0.27 416	0.18 317	0.20 357	0.12 393	0.08 351	0.13 409	0.10 364	0.10 359	0.08 294

PA-Net	0.23 414	0.18 432	0.33 432	0.28 452	0.22 460	0.21 374	0.38 478	0.29 347	0.39 404	0.22 355	0.32 379	0.25 352	0.26 408	0.20 354	0.25 415	0.09 306	0.23 471	0.15 433	0.22 460	0.09 329	0.13 409
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
NLCA_NET_v2_RVC	0.17 345	0.10 318	0.22 381	0.20 352	0.10 291	0.15 254	0.18 312	0.31 370	0.25 297	0.21 340	0.30 367	0.25 352	0.17 333	0.21 370	0.20 357	0.09 306	0.06 257	0.08 228	0.08 286	0.07 213	0.08 294
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
NVstereo2D	0.19 370	0.10 318	0.15 264	0.17 175	0.15 419	0.28 431	0.23 404	0.44 462	0.42 420	0.15 222	0.27 338	0.25 352	0.19 359	0.22 381	0.17 324	0.09 306	0.06 257	0.10 349	0.08 286	0.15 435	0.09 336

DCVSM-stereo	0.14 261	0.09 263	0.16 298	0.16 111	0.10 291	0.15 254	0.09 5	0.19 174	0.23 260	0.20 327	0.23 274	0.26 360	0.15 286	0.18 317	0.14 267	0.09 306	0.07 326	0.09 304	0.08 286	0.10 359	0.12 392

1111x	0.15 302	0.08 199	0.12 141	0.18 249	0.07 39	0.18 322	0.25 427	0.31 370	0.24 276	0.17 262	0.24 285	0.26 360	0.15 286	0.13 191	0.23 396	0.07 197	0.07 326	0.08 228	0.09 330	0.07 213	0.06 157

ToySt	0.17 345	0.11 343	0.18 349	0.17 175	0.11 335	0.16 283	0.25 427	0.24 267	0.33 368	0.19 306	0.24 285	0.26 360	0.24 395	0.19 330	0.20 357	0.07 197	0.08 351	0.09 304	0.10 364	0.09 329	0.08 294

Anonymous_2	0.22 399	0.17 422	0.28 413	0.15 57	0.16 429	0.32 439	0.22 395	0.22 227	0.17 160	0.23 367	0.24 285	0.26 360	0.27 416	0.27 411	0.23 396	0.22 468	0.25 473	0.17 441	0.17 449	0.17 449	0.17 452

ICVP	0.15 302	0.09 263	0.12 141	0.22 393	0.09 191	0.17 304	0.21 386	0.25 283	0.23 260	0.18 292	0.30 367	0.26 360	0.18 345	0.17 299	0.14 267	0.09 306	0.07 326	0.08 228	0.07 225	0.07 213	0.07 231
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
FADNet-RVC	0.20 381	0.20 439	0.38 445	0.21 378	0.16 429	0.20 360	0.15 174	0.26 300	0.26 310	0.26 392	0.32 379	0.26 360	0.21 374	0.22 381	0.19 351	0.12 393	0.13 432	0.12 394	0.14 423	0.13 408	0.18 455

DRN-Test	0.19 370	0.11 343	0.20 368	0.22 393	0.10 291	0.22 382	0.22 395	0.39 441	0.37 396	0.24 375	0.32 379	0.26 360	0.21 374	0.22 381	0.24 406	0.11 368	0.07 326	0.11 378	0.10 364	0.09 329	0.07 231

ISRNet	0.18 358	0.08 199	0.19 359	0.19 304	0.13 387	0.15 254	0.12 33	0.30 361	0.32 361	0.21 340	0.25 314	0.27 367	0.17 333	0.17 299	0.20 357	0.20 460	0.08 351	0.14 421	0.14 423	0.14 420	0.17 452

DDVS	0.15 302	0.10 318	0.21 375	0.16 111	0.12 366	0.15 254	0.14 108	0.25 283	0.19 200	0.18 292	0.29 362	0.27 367	0.12 210	0.19 330	0.15 294	0.09 306	0.06 257	0.09 304	0.07 225	0.11 378	0.11 380

fast-acv-ft	0.18 358	0.11 343	0.19 359	0.19 304	0.12 366	0.24 400	0.21 386	0.25 283	0.34 379	0.22 355	0.34 395	0.27 367	0.20 370	0.21 370	0.23 396	0.09 306	0.09 376	0.08 228	0.10 364	0.08 272	0.07 231

ssnet_v2	0.17 345	0.10 318	0.17 326	0.17 175	0.11 335	0.21 374	0.21 386	0.33 398	0.25 297	0.22 355	0.22 265	0.27 367	0.18 345	0.22 381	0.20 357	0.11 368	0.09 376	0.09 304	0.09 330	0.08 272	0.08 294

Syn2CoEx	0.21 390	0.16 411	0.27 408	0.29 459	0.14 405	0.26 418	0.20 369	0.33 398	0.31 355	0.28 410	0.36 400	0.27 367	0.25 403	0.19 330	0.24 406	0.16 447	0.12 419	0.14 421	0.11 392	0.09 329	0.08 294

FADNet	0.21 390	0.22 449	0.36 441	0.18 249	0.17 444	0.24 400	0.13 65	0.31 370	0.31 355	0.23 367	0.25 314	0.27 367	0.21 374	0.19 330	0.15 294	0.13 416	0.15 445	0.12 394	0.15 438	0.16 442	0.18 455

PS-NSSS	0.20 381	0.21 445	0.23 390	0.20 352	0.10 291	0.19 345	0.17 268	0.36 425	0.25 297	0.27 398	0.33 391	0.27 367	0.24 395	0.20 354	0.20 357	0.15 431	0.12 419	0.17 441	0.14 423	0.10 359	0.08 294

CBMV_ROB	0.19 370	0.13 385	0.17 326	0.16 111	0.11 335	0.15 254	0.13 65	0.26 300	0.28 333	0.27 398	0.30 367	0.27 367	0.24 395	0.23 392	0.16 310	0.15 431	0.17 453	0.22 459	0.20 455	0.10 359	0.11 380

NOSS_ROB	0.19 370	0.12 359	0.18 349	0.16 111	0.12 366	0.15 254	0.12 33	0.30 361	0.32 361	0.20 327	0.22 265	0.27 367	0.23 389	0.21 370	0.16 310	0.16 447	0.18 455	0.23 460	0.21 457	0.12 392	0.13 409

AACVNet	0.16 325	0.08 199	0.14 215	0.15 57	0.10 291	0.18 322	0.15 174	0.23 245	0.24 276	0.27 398	0.27 338	0.28 376	0.17 333	0.19 330	0.16 310	0.09 306	0.07 326	0.09 304	0.07 225	0.10 359	0.09 336

S-Stereo	0.20 381	0.12 359	0.25 398	0.21 378	0.13 387	0.20 360	0.18 312	0.32 381	0.43 425	0.23 367	0.36 400	0.28 376	0.30 436	0.19 330	0.22 386	0.09 306	0.12 419	0.10 349	0.10 364	0.13 408	0.13 409

TDLM	0.17 345	0.12 359	0.13 184	0.24 422	0.10 291	0.18 322	0.18 312	0.36 425	0.30 348	0.21 340	0.28 350	0.28 376	0.18 345	0.23 392	0.18 342	0.11 368	0.07 326	0.10 349	0.10 364	0.08 272	0.08 294

CVANet_RVC	0.18 358	0.10 318	0.14 215	0.21 378	0.10 291	0.18 322	0.17 268	0.34 407	0.33 368	0.22 355	0.31 375	0.28 376	0.18 345	0.23 392	0.17 324	0.12 393	0.08 351	0.12 394	0.11 392	0.09 329	0.07 231

DLCB_ROB	0.18 358	0.10 318	0.15 264	0.23 413	0.11 335	0.24 400	0.18 312	0.29 347	0.28 333	0.27 398	0.28 350	0.28 376	0.24 395	0.19 330	0.20 357	0.08 252	0.08 351	0.09 304	0.09 330	0.07 213	0.07 231

SGM-Forest	0.20 381	0.14 397	0.18 349	0.19 304	0.13 387	0.20 360	0.22 395	0.33 398	0.30 348	0.24 375	0.29 362	0.28 376	0.19 359	0.23 392	0.17 324	0.15 431	0.16 448	0.15 433	0.14 423	0.12 392	0.12 392
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
pmcnn	0.15 302	0.07 112	0.19 359	0.15 57	0.07 39	0.20 360	0.15 174	0.24 267	0.26 310	0.21 340	0.34 395	0.28 376	0.18 345	0.18 317	0.17 324	0.07 197	0.05 146	0.05 3	0.04 18	0.07 213	0.06 157

CRFU-Net	0.16 325	0.08 199	0.14 215	0.17 175	0.09 191	0.19 345	0.14 108	0.26 300	0.20 222	0.28 410	0.27 338	0.29 383	0.17 333	0.19 330	0.17 324	0.09 306	0.09 376	0.07 150	0.07 225	0.08 272	0.08 294

dad	0.17 345	0.20 439	0.20 368	0.16 111	0.11 335	0.20 360	0.18 312	0.21 205	0.28 333	0.30 420	0.24 285	0.29 383	0.13 245	0.19 330	0.16 310	0.18 453	0.09 376	0.11 378	0.09 330	0.11 378	0.07 231

psm_up	0.18 358	0.10 318	0.18 349	0.20 352	0.11 335	0.17 304	0.19 350	0.37 430	0.34 379	0.21 340	0.28 350	0.29 383	0.24 395	0.20 354	0.22 386	0.09 306	0.10 395	0.11 378	0.11 392	0.08 272	0.08 294

aanetorigin	0.22 399	0.17 422	0.56 467	0.17 175	0.10 291	0.15 254	0.19 350	0.20 185	0.33 368	0.49 467	0.48 450	0.29 383	0.27 416	0.20 354	0.23 396	0.08 252	0.07 326	0.08 228	0.07 225	0.10 359	0.09 336

ac_64	0.16 325	0.08 199	0.15 264	0.18 249	0.10 291	0.22 382	0.18 312	0.24 267	0.21 237	0.18 292	0.24 285	0.29 383	0.18 345	0.19 330	0.22 386	0.09 306	0.07 326	0.08 228	0.09 330	0.07 213	0.06 157

STTStereo	0.18 358	0.12 359	0.27 408	0.20 352	0.11 335	0.16 283	0.21 386	0.29 347	0.23 260	0.21 340	0.30 367	0.29 383	0.18 345	0.20 354	0.19 351	0.12 393	0.11 406	0.11 378	0.14 423	0.09 329	0.08 294

HSM-Net_RVC	0.14 261	0.08 199	0.11 111	0.15 57	0.08 84	0.15 254	0.15 174	0.27 320	0.29 339	0.19 306	0.21 256	0.29 383	0.14 269	0.17 299	0.13 230	0.06 84	0.06 257	0.06 62	0.06 139	0.07 213	0.06 157
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
MDST_ROB	0.22 399	0.10 318	0.17 326	0.18 249	0.11 335	0.37 458	0.19 350	0.43 460	0.41 413	0.39 448	0.39 419	0.29 383	0.21 374	0.26 408	0.18 342	0.11 368	0.10 395	0.14 421	0.11 392	0.10 359	0.08 294

GASNet	0.22 399	0.23 450	0.33 432	0.26 437	0.17 444	0.26 418	0.16 237	0.44 462	0.42 420	0.27 398	0.24 285	0.30 391	0.15 286	0.27 411	0.18 342	0.12 393	0.08 351	0.12 394	0.11 392	0.16 442	0.07 231

SACVNet	0.18 358	0.12 359	0.14 215	0.17 175	0.13 387	0.22 382	0.18 312	0.31 370	0.30 348	0.23 367	0.31 375	0.30 391	0.22 383	0.22 381	0.17 324	0.11 368	0.08 351	0.10 349	0.10 364	0.12 392	0.14 426

APVNet	0.22 399	0.12 359	0.19 359	0.18 249	0.14 405	0.32 439	0.31 469	0.39 441	0.32 361	0.27 398	0.40 424	0.30 391	0.29 432	0.26 408	0.25 415	0.11 368	0.12 419	0.11 378	0.14 423	0.12 392	0.12 392

MaskLacGwcNet_RVC	0.22 399	0.21 445	0.24 393	0.26 437	0.11 335	0.23 395	0.14 108	0.39 441	0.24 276	0.32 432	0.36 400	0.30 391	0.21 374	0.19 330	0.21 377	0.17 452	0.14 439	0.21 455	0.16 442	0.12 392	0.12 392

Nwc_Net	0.23 414	0.16 411	0.21 375	0.25 432	0.14 405	0.24 400	0.26 434	0.37 430	0.38 401	0.22 355	0.41 434	0.30 391	0.28 424	0.28 422	0.25 415	0.11 368	0.10 395	0.17 441	0.20 455	0.10 359	0.10 357

RTSC	0.23 414	0.12 359	0.28 413	0.21 378	0.13 387	0.28 431	0.16 237	0.35 419	0.66 475	0.27 398	0.33 391	0.30 391	0.21 374	0.31 432	0.29 441	0.10 342	0.08 351	0.09 304	0.10 364	0.13 408	0.13 409

ADCL	0.24 421	0.11 343	0.47 458	0.22 393	0.12 366	0.34 448	0.29 456	0.29 347	0.56 459	0.24 375	0.46 447	0.30 391	0.30 436	0.29 428	0.29 441	0.08 252	0.07 326	0.09 304	0.09 330	0.10 359	0.10 357

AnyNet_C32	0.26 436	0.16 411	0.36 441	0.20 352	0.16 429	0.25 410	0.30 463	0.32 381	0.44 430	0.31 426	0.49 451	0.30 391	0.33 444	0.40 467	0.33 457	0.12 393	0.12 419	0.12 394	0.14 423	0.14 420	0.15 433

StereoDRNet	0.18 358	0.11 343	0.17 326	0.22 393	0.11 335	0.21 374	0.22 395	0.37 430	0.33 368	0.24 375	0.28 350	0.30 391	0.19 359	0.20 354	0.20 357	0.09 306	0.08 351	0.11 378	0.09 330	0.09 329	0.07 231

CBMV	0.19 370	0.14 397	0.17 326	0.18 249	0.10 291	0.20 360	0.11 20	0.29 347	0.30 348	0.29 417	0.30 367	0.30 391	0.23 389	0.27 411	0.19 351	0.13 416	0.15 445	0.17 441	0.16 442	0.10 359	0.10 357
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
SQANet	0.23 414	0.23 450	0.30 424	0.30 461	0.19 452	0.27 425	0.13 65	0.29 347	0.33 368	0.24 375	0.37 406	0.31 401	0.22 383	0.27 411	0.23 396	0.15 431	0.10 395	0.21 455	0.16 442	0.21 457	0.15 433

Wz-Net-LNSev	0.22 399	0.16 411	0.38 445	0.21 378	0.13 387	0.25 410	0.23 404	0.32 381	0.43 425	0.30 420	0.41 434	0.31 401	0.18 345	0.22 381	0.25 415	0.10 342	0.09 376	0.08 228	0.08 286	0.12 392	0.11 380

UDG	0.21 390	0.17 422	0.19 359	0.23 413	0.15 419	0.30 437	0.20 369	0.33 398	0.35 386	0.23 367	0.28 350	0.31 401	0.27 416	0.20 354	0.22 386	0.15 431	0.12 419	0.13 409	0.09 330	0.14 420	0.14 426

EDNetEfficient	0.29 446	0.24 453	1.13 497	0.18 249	0.10 291	0.19 345	0.20 369	0.20 185	0.60 468	0.74 486	0.56 465	0.31 401	0.39 457	0.22 381	0.30 446	0.09 306	0.07 326	0.08 228	0.07 225	0.11 378	0.09 336

hitnet-ft	0.18 358	0.09 263	0.17 326	0.14 23	0.09 191	0.26 418	0.20 369	0.25 283	0.26 310	0.24 375	0.32 379	0.31 401	0.22 383	0.24 401	0.21 377	0.12 393	0.07 326	0.10 349	0.08 286	0.12 392	0.11 380

G-Net	0.24 421	0.16 411	0.36 441	0.22 393	0.16 429	0.51 471	0.23 404	0.29 347	0.34 379	0.36 441	0.38 411	0.31 401	0.29 432	0.27 411	0.26 424	0.11 368	0.09 376	0.12 394	0.09 330	0.16 442	0.13 409

RTS	0.45 473	0.19 435	3.26 505	0.24 422	0.15 419	0.74 488	0.20 369	0.36 425	0.76 485	0.42 458	0.43 443	0.31 401	0.41 465	0.53 479	0.35 460	0.10 342	0.08 351	0.13 409	0.12 411	0.15 435	0.15 433

RTSA	0.45 473	0.19 435	3.26 505	0.24 422	0.15 419	0.74 488	0.20 369	0.36 425	0.76 485	0.42 458	0.43 443	0.31 401	0.41 465	0.53 479	0.35 460	0.10 342	0.08 351	0.13 409	0.12 411	0.15 435	0.15 433

NaN_ROB	0.22 399	0.19 435	0.24 393	0.25 432	0.13 387	0.29 434	0.26 434	0.33 398	0.41 413	0.31 426	0.31 375	0.32 409	0.23 389	0.30 431	0.21 377	0.11 368	0.17 453	0.10 349	0.10 364	0.08 272	0.09 336

PWC_ROB	0.21 390	0.16 411	0.26 401	0.18 249	0.11 335	0.22 382	0.13 65	0.32 381	0.49 444	0.30 420	0.40 424	0.32 409	0.24 395	0.31 432	0.22 386	0.10 342	0.07 326	0.11 378	0.08 286	0.11 378	0.10 357

PSMNet_ROB	0.21 390	0.11 343	0.15 264	0.27 449	0.15 419	0.24 400	0.35 473	0.43 460	0.37 396	0.27 398	0.32 379	0.32 409	0.22 383	0.21 370	0.26 424	0.12 393	0.08 351	0.13 409	0.11 392	0.09 329	0.09 336

DDUNet	0.22 399	0.17 422	0.21 375	0.22 393	0.15 419	0.25 410	0.24 414	0.29 347	0.30 348	0.31 426	0.36 400	0.33 412	0.25 403	0.24 401	0.20 357	0.18 453	0.13 432	0.17 441	0.11 392	0.16 442	0.16 444

Consistency-Raft	0.44 471	0.40 477	0.45 454	0.37 472	0.43 482	0.46 465	0.41 479	0.57 482	0.55 457	0.32 432	0.73 479	0.33 412	0.48 473	0.42 470	0.49 482	0.39 481	0.35 481	0.45 481	0.51 489	0.42 481	0.29 476

GwcNet	0.20 381	0.13 385	0.19 359	0.18 249	0.12 366	0.24 400	0.19 350	0.35 419	0.43 425	0.20 327	0.32 379	0.33 412	0.20 370	0.22 381	0.24 406	0.11 368	0.09 376	0.09 304	0.09 330	0.09 329	0.10 357

NCC-stereo	0.24 421	0.15 403	0.31 426	0.26 437	0.16 429	0.20 360	0.30 463	0.40 445	0.40 410	0.24 375	0.38 411	0.33 412	0.28 424	0.36 454	0.27 431	0.12 393	0.11 406	0.15 433	0.22 460	0.13 408	0.13 409

Abc-Net	0.24 421	0.15 403	0.31 426	0.26 437	0.16 429	0.20 360	0.30 463	0.40 445	0.40 410	0.24 375	0.38 411	0.33 412	0.28 424	0.36 454	0.27 431	0.12 393	0.11 406	0.15 433	0.22 460	0.13 408	0.13 409
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
DISCO	0.19 370	0.09 263	0.22 381	0.17 175	0.10 291	0.25 410	0.18 312	0.27 320	0.44 430	0.22 355	0.31 375	0.33 412	0.26 408	0.28 422	0.28 438	0.08 252	0.06 257	0.07 150	0.07 225	0.09 329	0.09 336

FAT-Stereo	0.20 381	0.12 359	0.22 381	0.21 378	0.12 366	0.17 304	0.18 312	0.34 407	0.39 404	0.27 398	0.37 406	0.34 418	0.32 443	0.21 370	0.20 357	0.09 306	0.11 406	0.10 349	0.09 330	0.11 378	0.14 426

ADCMid	0.25 430	0.15 403	0.40 448	0.20 352	0.14 405	0.25 410	0.26 434	0.34 407	0.38 401	0.36 441	0.44 445	0.34 418	0.40 460	0.35 449	0.33 457	0.10 342	0.09 376	0.11 378	0.11 392	0.13 408	0.12 392

RYNet	0.22 399	0.12 359	0.22 381	0.19 304	0.17 444	0.46 465	0.26 434	0.38 437	0.48 439	0.24 375	0.28 350	0.34 418	0.23 389	0.20 354	0.30 446	0.10 342	0.06 257	0.09 304	0.09 330	0.13 408	0.15 433

GANetREF_RVC	0.31 452	0.34 472	0.27 408	0.35 468	0.16 429	0.32 439	0.41 479	0.48 469	0.51 454	0.35 439	0.35 397	0.34 418	0.33 444	0.39 463	0.32 454	0.27 476	0.20 461	0.29 473	0.15 438	0.18 452	0.17 452
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
stereogan	0.22 399	0.11 343	0.21 375	0.20 352	0.12 366	0.31 438	0.19 350	0.35 419	0.44 430	0.22 355	0.39 419	0.35 422	0.27 416	0.33 440	0.22 386	0.10 342	0.12 419	0.10 349	0.10 364	0.14 420	0.13 409

DANet	0.21 390	0.15 403	0.28 413	0.25 432	0.13 387	0.22 382	0.19 350	0.27 320	0.27 319	0.28 410	0.32 379	0.35 422	0.31 440	0.31 432	0.23 396	0.11 368	0.09 376	0.11 378	0.10 364	0.13 408	0.11 380
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
test_sample8	0.19 370	0.12 359	0.20 368	0.12 4	0.14 405	0.17 304	0.13 65	0.31 370	0.21 237	0.27 398	0.22 265	0.36 424	0.25 403	0.19 330	0.17 324	0.15 431	0.30 477	0.14 421	0.14 423	0.14 420	0.12 392

ccnet	0.29 446	0.28 464	0.23 390	0.20 352	0.28 471	0.41 464	0.21 386	0.45 465	0.33 368	0.36 441	0.46 447	0.36 424	0.30 436	0.39 463	0.42 475	0.23 472	0.14 439	0.21 455	0.17 449	0.23 461	0.18 455

RP	0.21 390	0.13 385	0.21 375	0.23 413	0.11 335	0.21 374	0.20 369	0.25 283	0.44 430	0.21 340	0.38 411	0.36 424	0.24 395	0.27 411	0.25 415	0.11 368	0.12 419	0.13 409	0.12 411	0.12 392	0.14 426

SHD	0.26 436	0.15 403	0.30 424	0.24 422	0.18 450	0.22 382	0.15 174	0.38 437	0.71 479	0.32 432	0.41 434	0.36 424	0.28 424	0.32 438	0.29 441	0.12 393	0.11 406	0.14 421	0.13 420	0.16 442	0.20 461

ADCPNet	0.25 430	0.16 411	0.61 471	0.21 378	0.15 419	0.35 456	0.25 427	0.32 381	0.35 386	0.30 420	0.40 424	0.36 424	0.28 424	0.28 422	0.32 454	0.12 393	0.10 395	0.11 378	0.12 411	0.14 420	0.13 409

WZ-Net	0.28 442	0.17 422	0.78 488	0.22 393	0.16 429	0.34 448	0.29 456	0.39 441	0.57 461	0.24 375	0.55 460	0.37 429	0.24 395	0.33 440	0.35 460	0.09 306	0.08 351	0.09 304	0.10 364	0.14 420	0.16 444

XQC	0.28 442	0.23 450	0.51 460	0.28 452	0.19 452	0.34 448	0.27 441	0.36 425	0.57 461	0.31 426	0.30 367	0.37 429	0.30 436	0.38 460	0.38 467	0.13 416	0.09 376	0.15 433	0.12 411	0.17 449	0.18 455

GANet	0.21 390	0.12 359	0.21 375	0.24 422	0.13 387	0.22 382	0.22 395	0.41 451	0.26 310	0.31 426	0.42 440	0.37 429	0.28 424	0.23 392	0.22 386	0.10 342	0.12 419	0.10 349	0.09 330	0.10 359	0.08 294

HSM	0.15 302	0.08 199	0.14 215	0.16 111	0.09 191	0.16 283	0.14 108	0.28 337	0.25 297	0.19 306	0.23 274	0.37 429	0.16 312	0.20 354	0.15 294	0.07 197	0.05 146	0.07 150	0.06 139	0.07 213	0.06 157

Wz-Net-MNSev	0.22 399	0.13 385	0.31 426	0.20 352	0.14 405	0.36 457	0.24 414	0.33 398	0.44 430	0.28 410	0.40 424	0.38 433	0.19 359	0.24 401	0.25 415	0.09 306	0.07 326	0.09 304	0.09 330	0.12 392	0.10 357

DGSMNet	0.24 421	0.19 435	0.33 432	0.21 378	0.24 464	0.24 400	0.20 369	0.35 419	0.41 413	0.24 375	0.32 379	0.38 433	0.21 374	0.29 428	0.23 396	0.12 393	0.11 406	0.14 421	0.16 442	0.23 461	0.23 466

MFN_U_SF_DS_RVC	0.30 451	0.24 453	0.29 421	0.36 470	0.16 429	0.34 448	0.30 463	0.32 381	0.42 420	0.40 451	0.46 447	0.38 433	0.31 440	0.34 443	0.28 438	0.19 458	0.20 461	0.26 463	0.29 473	0.18 452	0.19 460

AF-Net	0.22 399	0.17 422	0.17 326	0.26 437	0.13 387	0.25 410	0.24 414	0.32 381	0.50 447	0.25 388	0.33 391	0.38 433	0.26 408	0.28 422	0.25 415	0.11 368	0.10 395	0.16 439	0.11 392	0.11 378	0.10 357

RGC	0.25 430	0.20 439	0.29 421	0.28 452	0.16 429	0.22 382	0.23 404	0.32 381	0.44 430	0.27 398	0.40 424	0.38 433	0.27 416	0.36 454	0.22 386	0.11 368	0.13 432	0.17 441	0.17 449	0.14 420	0.16 444

edge stereo	0.22 399	0.13 385	0.20 368	0.21 378	0.13 387	0.23 395	0.16 237	0.32 381	0.42 420	0.32 432	0.40 424	0.38 433	0.35 450	0.25 406	0.24 406	0.13 416	0.11 406	0.14 421	0.11 392	0.12 392	0.13 409

DPSNet	0.28 442	0.16 411	0.31 426	0.18 249	0.13 387	0.54 473	0.42 482	0.51 474	0.67 476	0.29 417	0.38 411	0.38 433	0.29 432	0.31 432	0.23 396	0.11 368	0.10 395	0.11 378	0.08 286	0.20 456	0.16 444

NCCL2	0.23 414	0.15 403	0.17 326	0.34 466	0.18 450	0.24 400	0.23 404	0.34 407	0.28 333	0.31 426	0.38 411	0.38 433	0.28 424	0.23 392	0.24 406	0.15 431	0.12 419	0.18 450	0.21 457	0.13 408	0.13 409

PSMNet-RUCA	0.27 438	0.33 471	0.41 450	0.36 470	0.32 477	0.18 322	0.19 350	0.42 456	0.30 348	0.33 436	0.41 434	0.39 441	0.25 403	0.31 432	0.20 357	0.18 453	0.10 395	0.25 462	0.15 438	0.21 457	0.16 444

Wz-Net-SNSev	0.25 430	0.17 422	0.44 453	0.25 432	0.14 405	0.26 418	0.23 404	0.38 437	0.56 459	0.30 420	0.55 460	0.39 441	0.26 408	0.23 392	0.30 446	0.10 342	0.09 376	0.09 304	0.10 364	0.11 378	0.11 380

CC-Net-ROB	0.28 442	0.31 469	0.36 441	0.29 459	0.15 419	0.25 410	0.19 350	0.45 465	0.33 368	0.39 448	0.37 406	0.39 441	0.31 440	0.27 411	0.26 424	0.24 474	0.19 458	0.30 475	0.23 464	0.18 452	0.15 433

XPNet_ROB	0.22 399	0.11 343	0.19 359	0.22 393	0.13 387	0.22 382	0.19 350	0.34 407	0.40 410	0.30 420	0.39 419	0.39 441	0.26 408	0.26 408	0.28 438	0.15 431	0.10 395	0.10 349	0.10 364	0.13 408	0.12 392

ADCS	0.29 446	0.18 432	0.45 454	0.21 378	0.17 444	0.28 431	0.23 404	0.41 451	0.63 471	0.40 451	0.49 451	0.40 445	0.36 452	0.39 463	0.40 471	0.13 416	0.12 419	0.13 409	0.14 423	0.16 442	0.16 444

WCMA_ROB	0.24 421	0.11 343	0.22 381	0.17 175	0.14 405	0.32 439	0.15 174	0.32 381	0.32 361	0.38 446	0.53 457	0.40 445	0.34 448	0.34 443	0.25 415	0.11 368	0.12 419	0.12 394	0.10 364	0.14 420	0.14 426

psmorigin	0.25 430	0.15 403	0.34 440	0.17 175	0.13 387	0.23 395	0.14 108	0.34 407	0.33 368	0.41 455	0.55 460	0.41 447	0.37 454	0.34 443	0.27 431	0.11 368	0.15 445	0.11 378	0.11 392	0.12 392	0.16 444

EDNetEfficientorigin	7.91 513	0.31 469	153.02 528	0.19 304	0.09 191	0.21 374	0.16 237	0.22 227	0.59 465	0.72 482	0.67 473	0.42 448	0.50 475	0.24 401	0.39 469	0.08 252	0.07 326	0.08 228	0.07 225	0.12 392	0.10 357

LSM	0.33 457	0.20 439	0.58 469	0.26 437	0.60 494	0.34 448	0.25 427	0.42 456	0.48 439	0.45 463	0.58 469	0.42 448	0.36 452	0.35 449	0.25 415	0.12 393	0.20 461	0.14 421	0.16 442	0.19 455	0.33 481

FBW_ROB	0.24 421	0.17 422	0.22 381	0.26 437	0.14 405	0.25 410	0.22 395	0.41 451	0.41 413	0.41 455	0.41 434	0.42 448	0.27 416	0.31 432	0.23 396	0.09 306	0.14 439	0.14 421	0.12 411	0.11 378	0.09 336

SANet	0.24 421	0.14 397	0.28 413	0.21 378	0.11 335	0.27 425	0.24 414	0.38 437	0.64 472	0.36 441	0.40 424	0.43 451	0.26 408	0.27 411	0.24 406	0.12 393	0.09 376	0.10 349	0.09 330	0.13 408	0.11 380

DispFullNet	0.27 438	0.21 445	0.65 474	0.28 452	0.16 429	0.26 418	0.17 268	0.33 398	0.58 464	0.27 398	0.38 411	0.43 451	0.23 389	0.38 460	0.23 396	0.12 393	0.06 257	0.19 452	0.11 392	0.21 457	0.15 433

coex-ft	3.30 508	0.34 472	59.09 527	0.18 249	0.13 387	0.26 418	0.22 395	0.27 320	0.72 480	1.90 509	0.70 477	0.44 453	0.45 471	0.29 428	0.41 474	0.09 306	0.09 376	0.12 394	0.09 330	0.14 420	0.13 409

CSAN	0.29 446	0.24 453	0.27 408	0.34 466	0.19 452	0.33 445	0.42 482	0.37 430	0.50 447	0.38 446	0.40 424	0.44 453	0.33 444	0.28 422	0.30 446	0.20 460	0.16 448	0.19 452	0.19 454	0.14 420	0.15 433

Wz-Net-TNSev	0.29 446	0.20 439	0.65 474	0.19 304	0.15 419	0.38 461	0.27 441	0.35 419	0.55 457	0.34 438	0.42 440	0.45 455	0.38 455	0.32 438	0.30 446	0.12 393	0.13 432	0.10 349	0.12 411	0.15 435	0.14 426

ETE_ROB	0.23 414	0.17 422	0.22 381	0.25 432	0.13 387	0.26 418	0.29 456	0.31 370	0.36 390	0.28 410	0.36 400	0.45 455	0.26 408	0.27 411	0.26 424	0.11 368	0.08 351	0.12 394	0.09 330	0.14 420	0.13 409

PDISCO_ROB	0.27 438	0.16 411	0.26 401	0.28 452	0.20 455	0.32 439	0.26 434	0.44 462	0.57 461	0.28 410	0.40 424	0.45 455	0.29 432	0.33 440	0.34 459	0.12 393	0.09 376	0.17 441	0.16 442	0.17 449	0.13 409

MSMD_ROB	0.31 452	0.26 459	0.26 401	0.24 422	0.21 458	0.34 448	0.25 427	0.34 407	0.39 404	0.40 451	0.69 475	0.45 455	0.40 460	0.34 443	0.27 431	0.20 460	0.19 458	0.26 463	0.25 466	0.23 461	0.22 465

otaku	0.39 463	0.37 475	0.52 461	0.44 477	0.28 471	0.58 475	0.24 414	0.41 451	0.62 470	0.40 451	0.49 451	0.46 459	0.33 444	0.40 467	0.32 454	0.30 477	0.30 477	0.39 479	0.33 478	0.29 474	0.28 475

AnyNet_C01	0.36 461	0.25 458	1.37 500	0.22 393	0.17 444	0.48 469	0.27 441	0.35 419	0.39 404	0.39 448	0.74 481	0.46 459	0.38 455	0.45 471	0.47 480	0.13 416	0.13 432	0.13 409	0.14 423	0.14 420	0.15 433

PASM	0.32 454	0.24 453	0.48 459	0.28 452	0.27 470	0.29 434	0.30 463	0.34 407	0.49 444	0.35 439	0.39 419	0.46 459	0.34 448	0.34 443	0.35 460	0.23 472	0.25 473	0.26 463	0.28 472	0.23 461	0.21 463

LE_ROB	0.50 477	0.07 112	0.14 215	0.15 57	0.08 84	0.24 400	0.16 237	0.22 227	1.81 508	4.63 511	0.67 473	0.47 462	0.44 470	0.20 354	0.29 441	0.07 197	0.06 257	0.06 62	0.06 139	0.08 272	0.06 157

Ntro	0.40 466	0.40 477	0.53 462	0.46 481	0.30 475	0.65 481	0.24 414	0.46 467	0.68 477	0.41 455	0.49 451	0.48 463	0.42 468	0.39 463	0.31 453	0.32 478	0.28 475	0.37 478	0.30 475	0.32 479	0.29 476

anonymity	0.53 479	0.58 484	0.65 474	0.41 475	0.61 495	0.53 472	0.41 479	0.56 480	0.41 413	0.55 472	0.50 455	0.49 464	0.55 479	0.58 484	0.50 485	0.58 492	0.50 494	0.51 484	0.51 489	0.51 483	0.57 491

FC-DCNN v2	0.33 457	0.27 460	0.28 413	0.26 437	0.23 462	0.37 458	0.28 447	0.40 445	0.43 425	0.45 463	0.56 465	0.51 465	0.40 460	0.37 458	0.29 441	0.21 464	0.20 461	0.27 466	0.26 467	0.25 468	0.24 467

FCDSN-DC	0.33 457	0.28 464	0.28 413	0.30 461	0.24 464	0.39 462	0.28 447	0.42 456	0.42 420	0.43 461	0.53 457	0.51 465	0.41 465	0.36 454	0.30 446	0.21 464	0.20 461	0.27 466	0.26 467	0.25 468	0.24 467
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
FC-DCNN	0.33 457	0.27 460	0.28 413	0.26 437	0.23 462	0.37 458	0.28 447	0.40 445	0.43 425	0.45 463	0.55 460	0.51 465	0.40 460	0.37 458	0.30 446	0.21 464	0.20 461	0.27 466	0.26 467	0.25 468	0.24 467

LALA_ROB	0.25 430	0.16 411	0.22 381	0.26 437	0.17 444	0.27 425	0.27 441	0.42 456	0.37 396	0.33 436	0.38 411	0.51 465	0.26 408	0.28 422	0.27 431	0.16 447	0.09 376	0.12 394	0.11 392	0.13 408	0.12 392

PVD	0.39 463	0.20 439	0.39 447	0.31 465	0.22 460	0.29 434	0.43 484	0.52 475	0.96 492	0.55 472	0.79 485	0.53 469	0.59 482	0.52 477	0.38 467	0.19 458	0.14 439	0.17 441	0.14 423	0.24 467	0.31 479

SGM_RVC	0.23 414	0.12 359	0.15 264	0.15 57	0.09 191	0.33 445	0.18 312	0.34 407	0.31 355	0.44 462	0.37 406	0.53 469	0.35 450	0.35 449	0.24 406	0.13 416	0.13 432	0.13 409	0.13 420	0.10 359	0.11 380
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
SAMSARA	0.40 466	0.28 464	0.33 432	0.55 484	0.39 478	0.82 495	1.23 509	0.47 468	0.51 454	0.36 441	0.35 397	0.55 471	0.39 457	0.38 460	0.39 469	0.15 431	0.20 461	0.15 433	0.14 423	0.23 461	0.20 461

MFN_U_SF_RVC	0.32 454	0.21 445	0.55 465	0.30 461	0.15 419	0.34 448	0.17 268	0.52 475	0.46 437	0.46 466	0.55 460	0.59 472	0.39 457	0.35 449	0.37 465	0.15 431	0.14 439	0.18 450	0.21 457	0.16 442	0.15 433

ACVNet-4b	0.39 463	0.53 482	0.55 465	0.45 478	0.24 464	0.47 467	0.18 312	0.49 471	0.64 472	0.42 458	0.45 446	0.60 473	0.27 416	0.34 443	0.24 406	0.33 479	0.14 439	0.48 482	0.42 482	0.30 475	0.26 474

MSC_U_SF_DS_RVC	0.43 470	0.39 476	0.54 463	0.40 473	0.20 455	0.64 480	0.32 471	0.53 477	0.72 480	0.71 480	0.72 478	0.61 474	0.54 476	0.51 475	0.46 479	0.20 460	0.19 458	0.29 473	0.30 475	0.23 461	0.18 455

MFMNet_re	0.64 483	0.66 490	0.65 474	0.51 482	0.69 499	0.69 484	0.57 492	0.64 486	0.73 483	0.60 474	0.73 479	0.62 475	0.67 487	0.65 487	0.60 489	0.66 497	0.58 503	0.63 488	0.59 492	0.68 495	0.69 501

RainbowNet	0.54 480	0.61 486	0.70 486	0.57 485	0.43 482	0.65 481	0.37 477	0.60 484	0.87 489	0.50 468	0.66 472	0.64 476	0.47 472	0.49 473	0.43 478	0.47 487	0.48 490	0.52 486	0.41 481	0.52 484	0.40 486

MADNet+	0.75 490	0.71 492	3.70 508	0.66 487	0.41 480	0.98 500	0.97 507	0.69 487	0.73 483	0.52 469	0.57 467	0.64 476	0.68 488	0.86 497	1.01 505	0.34 480	0.36 482	0.28 472	0.23 464	0.36 480	0.31 479

ELAS_RVC	0.41 468	0.29 467	0.33 432	0.28 452	0.24 464	0.54 473	0.36 474	0.49 471	0.59 465	0.72 482	0.74 481	0.65 478	0.54 476	0.54 481	0.40 471	0.22 468	0.20 461	0.27 466	0.26 467	0.26 472	0.25 472
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SPS-STEREO	0.57 482	0.58 484	0.65 474	0.45 478	0.55 489	0.62 479	0.44 485	0.62 485	0.50 447	0.68 478	0.64 471	0.66 479	0.57 481	0.61 485	0.60 489	0.62 495	0.47 489	0.51 484	0.49 486	0.55 488	0.58 492
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
SGM+DAISY	0.56 481	0.57 483	0.65 474	0.40 473	0.54 487	0.66 483	0.49 486	0.56 480	0.45 436	0.66 476	0.69 475	0.67 480	0.56 480	0.63 486	0.56 487	0.59 493	0.48 490	0.50 483	0.50 488	0.52 484	0.58 492

MeshStereo	0.27 438	0.13 385	0.18 349	0.15 57	0.11 335	0.32 439	0.24 414	0.40 445	0.36 390	0.52 469	0.57 467	0.67 480	0.40 460	0.35 449	0.26 424	0.14 427	0.13 432	0.13 409	0.11 392	0.11 378	0.10 357
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
ELAS	0.41 468	0.29 467	0.33 432	0.27 449	0.24 464	0.60 478	0.36 474	0.50 473	0.50 447	0.71 480	0.79 485	0.67 480	0.54 476	0.51 475	0.42 475	0.22 468	0.20 461	0.27 466	0.26 467	0.26 472	0.25 472
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
NVStereoNet_ROB	0.46 476	0.36 474	0.46 457	0.41 475	0.28 471	0.34 448	0.34 472	0.48 469	0.60 468	0.72 482	0.93 490	0.70 483	0.66 486	0.47 472	0.60 489	0.22 468	0.33 480	0.34 477	0.34 480	0.30 475	0.30 478
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
ACVNet_1	0.44 471	0.49 481	0.60 470	0.45 478	0.28 471	0.49 470	0.27 441	0.57 482	0.72 480	0.62 475	0.58 469	0.74 484	0.49 474	0.50 474	0.35 460	0.26 475	0.24 472	0.39 479	0.29 473	0.31 478	0.24 467

IMH-64-1	0.65 484	0.61 486	0.68 482	0.71 488	0.51 485	0.59 476	0.49 486	0.91 493	0.85 487	0.74 486	1.02 494	0.81 485	0.78 491	0.79 490	0.49 482	0.42 483	0.46 485	0.71 490	0.47 484	0.52 484	0.39 484

IMH-64	0.65 484	0.61 486	0.68 482	0.71 488	0.51 485	0.59 476	0.49 486	0.91 493	0.85 487	0.74 486	1.02 494	0.81 485	0.78 491	0.79 490	0.49 482	0.42 483	0.46 485	0.71 490	0.47 484	0.52 484	0.39 484

IMH	0.71 487	0.64 489	0.68 482	0.76 490	0.54 487	0.69 484	0.54 490	0.98 499	1.10 494	0.82 490	1.09 497	0.89 487	0.88 496	0.87 498	0.52 486	0.44 486	0.50 494	0.75 493	0.51 489	0.56 489	0.41 487

PWCK	0.71 487	0.94 501	0.95 495	0.76 490	0.31 476	0.74 488	0.36 474	0.90 492	0.90 490	0.96 495	0.75 483	0.95 488	0.61 483	0.87 498	0.66 492	0.72 498	0.46 485	0.75 493	0.49 486	0.69 497	0.44 488

WAO-7	0.79 492	0.78 495	0.54 463	0.85 496	0.67 498	0.74 488	0.68 500	1.05 502	1.32 499	0.90 493	1.20 504	1.04 489	0.92 497	0.69 488	0.66 492	0.60 494	0.62 504	0.67 489	0.68 498	0.64 491	0.58 492

ACVNet_2	0.66 486	0.66 490	0.68 482	0.63 486	0.41 480	0.71 486	0.49 486	0.96 497	1.39 501	0.89 492	1.09 497	1.04 489	0.73 489	0.54 481	0.47 480	0.43 485	0.40 483	0.53 487	0.44 483	0.47 482	0.35 483

WAO-6	0.81 493	0.80 496	0.62 472	0.86 497	0.63 496	0.76 492	0.58 493	0.98 499	1.54 506	0.90 493	0.96 493	1.07 491	1.03 501	0.70 489	0.66 492	0.72 498	0.49 492	0.90 501	0.71 499	0.68 495	0.58 492

LVE	0.83 495	0.85 499	0.85 493	0.80 493	0.56 490	1.04 505	0.65 497	1.05 502	1.47 504	0.96 495	1.22 505	1.10 492	0.85 494	0.83 493	0.71 497	0.49 488	0.55 500	0.76 496	0.60 494	0.65 492	0.59 497

ktn	1.01 502	1.21 506	0.80 491	1.23 507	0.86 505	1.01 503	0.87 504	0.94 496	1.39 501	1.04 498	1.12 500	1.15 493	1.07 502	0.94 502	0.59 488	1.28 508	0.71 506	1.38 509	0.83 503	1.02 506	0.75 504

MANE	0.45 473	0.27 460	0.27 408	0.27 449	0.24 464	0.47 467	0.31 469	0.55 479	0.59 465	0.72 482	1.13 501	1.15 493	0.61 483	0.52 477	0.37 465	0.21 464	0.20 461	0.27 466	0.31 477	0.25 468	0.24 467

JetBlue	0.71 487	0.45 480	1.14 498	0.51 482	0.47 484	2.02 509	0.64 496	0.75 488	0.70 478	0.69 479	0.77 484	1.22 495	0.83 493	1.03 505	1.01 505	0.40 482	0.28 475	0.33 476	0.33 478	0.30 475	0.34 482

WAO-8	0.91 497	0.81 497	0.65 474	0.94 500	0.69 499	0.90 496	0.67 498	1.07 504	1.83 509	1.06 500	1.45 507	1.30 496	1.07 502	0.84 494	0.78 498	0.74 500	0.53 497	0.86 499	0.75 500	0.69 497	0.62 498

Venus	0.91 497	0.81 497	0.65 474	0.94 500	0.69 499	0.90 496	0.67 498	1.07 504	1.83 509	1.06 500	1.45 507	1.30 496	1.07 502	0.84 494	0.78 498	0.74 500	0.53 497	0.86 499	0.75 500	0.69 497	0.62 498

Dean	0.87 496	0.86 500	0.79 490	0.81 494	0.56 490	0.90 496	0.63 494	1.15 507	1.73 507	1.15 502	1.15 502	1.31 498	0.99 500	0.81 492	0.81 501	0.57 491	0.56 501	0.77 497	0.64 495	0.66 493	0.58 492

SGM-ForestM	0.32 454	0.12 359	0.16 298	0.16 111	0.11 335	0.39 462	0.19 350	0.41 451	0.50 447	0.52 469	0.54 459	1.32 499	0.42 468	0.40 467	0.27 431	0.14 427	0.16 448	0.16 439	0.16 442	0.12 392	0.12 392

TorneroNet	0.82 494	0.74 494	0.81 492	0.84 495	0.63 496	0.99 501	0.63 494	0.96 497	1.16 495	0.80 489	1.11 499	1.36 500	0.86 495	0.93 501	0.80 500	0.56 490	0.49 492	0.78 498	0.66 497	0.73 500	0.63 500

TorneroNet-64	0.76 491	0.72 493	0.74 487	0.78 492	0.58 493	0.91 499	0.56 491	0.84 491	1.29 498	0.66 476	0.90 488	1.40 501	0.75 490	0.85 496	0.67 495	0.49 488	0.46 485	0.72 492	0.59 492	0.67 494	0.53 490

KSHMR	1.09 503	1.17 505	0.88 494	1.25 508	1.00 507	0.99 501	0.96 506	1.13 506	1.37 500	1.16 503	1.29 506	1.41 502	0.96 499	1.01 504	0.92 502	1.03 506	1.08 508	1.20 506	1.03 508	1.01 505	0.97 507

notaker	0.97 500	1.11 504	0.98 496	1.13 505	0.81 503	0.73 487	0.68 500	0.93 495	1.16 495	1.18 504	1.18 503	1.41 502	1.16 506	1.08 507	0.69 496	0.81 503	0.64 505	1.17 505	0.79 502	0.98 504	0.80 505

DPSimNet_ROB	1.11 504	1.23 507	0.78 488	1.13 505	0.88 506	1.10 506	1.13 508	1.16 508	1.23 497	1.43 506	1.02 494	1.41 502	1.10 505	0.90 500	1.60 507	1.46 509	0.51 496	1.21 507	1.03 508	0.90 503	1.01 509

UNDER WATER	0.97 500	0.97 503	1.42 501	0.99 502	0.70 502	1.12 507	0.84 503	0.80 490	1.08 493	1.01 497	0.90 488	1.55 505	1.22 508	1.03 505	1.00 504	0.78 502	0.53 497	1.02 503	0.87 504	0.80 502	0.74 503

UNDER WATER-64	0.95 499	0.94 501	1.43 502	0.87 498	0.56 490	1.18 508	0.87 504	0.77 489	0.94 491	1.04 498	0.85 487	1.58 506	1.21 507	0.94 502	0.96 503	0.87 504	0.57 502	1.03 504	0.88 505	0.78 501	0.73 502

JetRed	1.62 506	1.46 509	2.98 504	0.92 499	1.21 508	4.99 511	1.53 511	1.27 509	1.39 501	1.83 508	1.74 510	1.60 507	0.95 498	1.41 508	2.45 511	0.90 505	1.60 509	0.93 502	0.90 506	1.35 508	0.99 508

BEATNet-Init1	0.52 478	0.27 460	0.62 472	0.30 461	0.21 458	0.76 492	0.29 456	0.54 478	0.65 474	0.86 491	0.95 492	2.07 508	0.62 485	0.56 483	0.42 475	0.18 453	0.18 455	0.23 460	0.22 460	0.22 460	0.21 463

MADNet++	1.95 507	1.75 510	1.59 503	1.82 509	1.69 510	2.33 510	1.40 510	2.35 510	2.09 511	2.57 510	2.36 511	2.24 509	2.17 510	2.28 510	2.34 510	1.87 510	1.66 510	1.54 510	1.34 510	1.92 509	1.77 511

HanzoNet	1.29 505	1.26 508	1.19 499	1.12 504	0.85 504	1.02 504	0.83 502	1.03 501	1.48 505	1.64 507	1.61 509	2.50 510	1.72 509	1.61 509	1.61 508	1.26 507	0.80 507	1.31 508	1.01 507	1.02 506	0.86 506

tt	4.67 509	0.06 41	3.55 507	2.02 510	1.55 509	10.25 515	16.71 515	8.91 518	5.03 512	1.31 505	0.94 491	4.71 511	4.76 511	3.33 511	5.87 513	6.06 517	10.30 521	1.88 511	2.11 512	2.75 510	1.21 510

DPSMNet_ROB	8.06 514	4.48 513	8.63 517	5.37 516	10.74 518	8.32 513	22.98 520	5.46 512	13.36 519	5.12 512	9.92 515	5.08 512	10.40 517	5.53 514	12.58 517	3.80 515	8.00 516	3.50 512	7.02 515	3.83 514	7.14 517

DGTPSM_ROB	8.06 514	4.48 513	8.63 517	5.35 514	10.72 517	8.32 513	22.97 519	5.46 512	13.35 518	5.12 512	9.92 515	5.08 512	10.40 517	5.52 513	12.58 517	3.79 514	8.00 516	3.50 512	7.02 515	3.83 514	7.14 517

PML	8.91 516	9.34 521	6.13 509	5.35 514	6.41 515	14.99 517	23.38 521	5.27 511	6.83 513	18.04 522	28.19 527	7.67 514	6.83 513	7.85 515	5.75 512	5.35 516	1.83 511	5.95 520	1.93 511	8.64 518	2.52 512

LRCNet_RVC	10.62 518	13.42 522	7.30 510	18.92 521	2.07 511	0.33 445	0.30 463	5.59 514	0.48 439	13.03 520	17.94 521	8.87 515	5.65 512	4.79 512	1.89 509	23.51 525	2.73 515	27.55 526	25.71 526	16.07 523	16.33 524

xxxxx1	7.79 510	5.02 515	7.31 511	3.12 511	3.85 512	16.35 518	22.88 516	5.86 515	8.69 514	7.97 514	8.54 512	9.12 516	8.27 514	10.18 516	10.92 514	2.42 511	2.45 512	3.56 514	12.37 518	3.77 511	3.06 513

tt_ll	7.79 510	5.02 515	7.31 511	3.12 511	3.85 512	16.35 518	22.88 516	5.86 515	8.69 514	7.97 514	8.54 512	9.12 516	8.27 514	10.18 516	10.92 514	2.42 511	2.45 512	3.56 514	12.37 518	3.77 511	3.06 513

ff	7.79 510	5.02 515	7.31 511	3.12 511	3.85 512	16.35 518	22.88 516	5.86 515	8.69 514	7.97 514	8.54 512	9.12 516	8.27 514	10.18 516	10.92 514	2.42 511	2.45 512	3.56 514	12.37 518	3.77 511	3.06 513

Anonymous_1	10.96 519	7.92 518	7.46 514	10.33 517	10.06 516	18.65 522	26.34 522	11.06 519	13.44 520	9.40 517	10.05 517	9.67 519	11.23 519	10.73 519	12.72 519	6.42 518	8.38 518	5.77 517	10.61 517	12.12 519	6.77 516

DPSM_ROB	11.15 520	8.58 519	8.00 515	10.88 518	11.58 519	19.10 523	26.71 523	12.05 520	14.07 521	10.36 518	10.84 518	10.33 520	11.86 520	11.70 520	13.54 520	6.99 519	8.79 519	5.89 518	6.95 513	7.29 516	7.42 519

DPSM	11.15 520	8.58 519	8.00 515	10.88 518	11.58 519	19.10 523	26.71 523	12.05 520	14.07 521	10.36 518	10.84 518	10.33 520	11.86 520	11.70 520	13.54 520	6.99 519	8.79 519	5.89 518	6.95 513	7.29 516	7.42 519

HaxPig	15.71 522	18.52 526	19.18 522	16.89 520	15.89 522	7.73 512	7.60 512	13.31 522	10.82 517	15.42 521	14.91 520	15.98 522	14.92 522	15.58 522	15.98 522	18.95 524	16.73 522	19.46 524	18.08 524	19.26 524	19.05 525

MEDIAN_ROB	20.38 523	24.04 527	23.31 524	21.23 522	21.71 523	10.40 516	7.92 513	17.64 523	15.50 523	20.12 523	19.70 522	20.34 523	20.32 523	21.19 523	21.13 523	23.81 526	21.81 526	24.98 525	23.76 525	24.71 525	23.93 526

Selective-RAFT-Error	22.47 525	17.37 525	16.09 520	22.06 524	23.34 525	38.39 526	53.83 527	24.29 527	28.47 527	20.74 525	21.83 525	20.81 524	23.90 524	23.54 526	27.53 527	14.08 522	17.69 524	11.82 521	14.00 521	14.69 521	15.00 523

CasAABBNet	22.42 524	17.33 524	16.01 519	22.01 523	23.28 524	38.32 525	53.80 526	24.14 525	28.41 526	20.60 524	21.77 524	20.89 525	23.91 525	23.43 524	27.36 525	14.07 521	17.69 524	11.83 522	14.01 522	14.67 520	14.95 522

LSM0	22.87 526	17.28 523	18.96 521	22.19 525	29.04 527	38.42 527	53.71 525	24.28 526	28.31 525	20.78 526	21.00 523	21.43 526	24.16 526	23.50 525	27.39 526	14.09 523	17.38 523	11.84 523	14.04 523	14.73 522	14.89 521

AVERAGE_ROB	24.90 527	29.20 528	28.14 525	24.89 526	24.64 526	17.75 521	11.12 514	21.45 524	19.93 524	25.12 527	24.46 526	25.12 527	25.46 527	24.69 527	22.83 524	29.76 527	27.13 527	28.97 527	27.95 527	29.91 526	29.47 527

test_example2	98.32 528	94.13 529	45.89 526	96.35 527	109.85 528	88.61 528	95.45 528	25.75 528	94.37 528	130.00 529	126.06 528	58.17 528	74.63 528	88.51 528	79.96 528	150.23 528	221.02 528	77.62 528	99.10 528	113.75 528	96.94 528

ccccc		285.66 530		368.85 529	370.60 529	123.16 529		115.05 529		126.68 528		122.83 529		252.94 529		384.56 529	353.86 529	254.69 529	223.00 529	425.87 529

ASD4		3.38 512

Low-res two-view benchmark