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

Selective-IGEV	0.07 1	0.06 19	0.08 11	0.17 117	0.06 2	0.08 23	0.12 21	0.13 11	0.07 1	0.08 6	0.07 14	0.06 3	0.04 1	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.03 1

IGEV+	0.08 2	0.06 19	0.10 45	0.16 69	0.06 2	0.09 35	0.13 43	0.12 4	0.14 59	0.09 16	0.09 23	0.06 3	0.05 2	0.12 103	0.09 19	0.06 56	0.04 2	0.05 2	0.04 8	0.06 101	0.04 7

MIM_Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.07 19	0.06 2	0.12 21	0.20 126	0.14 59	0.13 107	0.13 74	0.09 39	0.05 2	0.12 103	0.08 11	0.05 2	0.06 193	0.07 100	0.06 88	0.06 101	0.05 52

EGLCR-Stereo	0.08 2	0.05 6	0.08 11	0.14 13	0.06 2	0.10 58	0.12 21	0.11 1	0.16 89	0.06 1	0.05 1	0.07 18	0.05 2	0.10 18	0.11 88	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

CroCo-Stereo Lap2	0.09 12	0.09 193	0.08 11	0.22 308	0.09 133	0.09 35	0.19 265	0.16 45	0.12 25	0.09 16	0.10 39	0.05 1	0.05 2	0.08 6	0.08 11	0.06 56	0.06 193	0.07 100	0.05 32	0.05 40	0.05 52

iRaft-Stereo_20w	0.09 12	0.05 6	0.13 131	0.14 13	0.08 48	0.12 107	0.15 116	0.18 99	0.10 7	0.11 62	0.08 17	0.08 26	0.05 2	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

MGS-Stereo	0.09 12	0.07 70	0.12 92	0.15 38	0.08 48	0.09 35	0.15 116	0.12 4	0.12 25	0.07 2	0.10 39	0.08 26	0.06 7	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

ACVNet-DCA	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.23 176	0.16 89	0.09 16	0.09 23	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.07 158	0.07 161

1test111	0.11 83	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.23 176	0.16 89	0.09 16	0.09 23	0.06 3	0.06 7	0.15 169	0.16 226	0.06 56	0.04 2	0.06 32	0.05 32	0.07 158	0.07 161

cc1	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.16 45	0.18 118	0.09 16	0.09 23	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.06 101

ff7	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

IGEVStereo-DCA	0.09 12	0.06 19	0.11 72	0.15 38	0.10 219	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.08 11	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

ffff	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

rrr	0.09 12	0.06 19	0.12 92	0.15 38	0.10 219	0.11 84	0.16 173	0.16 45	0.15 71	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.08 11	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

11t	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

tt1	0.10 52	0.08 142	0.12 92	0.17 117	0.09 133	0.12 107	0.16 173	0.15 29	0.19 130	0.09 16	0.08 17	0.06 3	0.06 7	0.10 18	0.07 1	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.06 101

StereoIM	0.09 12	0.09 193	0.08 11	0.17 117	0.09 133	0.13 133	0.10 6	0.16 45	0.16 89	0.09 16	0.11 56	0.06 3	0.06 7	0.09 10	0.13 160	0.07 144	0.06 193	0.07 100	0.05 32	0.05 40	0.04 7

IGEV_Zeroshot_test	0.09 12	0.05 6	0.12 92	0.13 6	0.08 48	0.12 107	0.13 43	0.17 75	0.11 17	0.10 42	0.06 2	0.09 39	0.06 7	0.11 47	0.09 19	0.06 56	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

MSKI-zero shot	0.09 12	0.05 6	0.09 28	0.15 38	0.07 19	0.10 58	0.13 43	0.14 17	0.13 42	0.09 16	0.09 23	0.09 39	0.06 7	0.12 103	0.10 51	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

DLNR_Zeroshot_test	10.40 425	1.82 420	19.49 435	120.77 440	13.11 430	0.06 2	0.13 43	0.23 176	0.10 7	0.07 2	0.10 39	0.09 39	0.06 7	0.10 18	0.09 19	0.13 335	0.04 2	0.06 32	0.04 8	51.54 439	0.04 7

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 48	0.10 58	0.13 43	0.12 4	0.09 2	0.09 16	0.10 39	0.08 26	0.06 7	0.09 10	0.08 11	0.08 194	0.04 2	0.05 2	0.03 1	0.05 40	0.04 7

anonymousdsp	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.09 16	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

CES	0.08 2	0.04 1	0.08 11	0.14 13	0.07 19	0.09 35	0.14 70	0.11 1	0.09 2	0.08 6	0.09 23	0.11 77	0.06 7	0.12 103	0.08 11	0.06 56	0.04 2	0.05 2	0.03 1	0.05 40	0.05 52

ProNet	0.09 12	0.07 70	0.10 45	0.17 117	0.08 48	0.10 58	0.15 116	0.15 29	0.12 25	0.09 16	0.06 2	0.07 18	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.06 101

MC-Stereo	0.08 2	0.06 19	0.09 28	0.17 117	0.06 2	0.10 58	0.14 70	0.12 4	0.10 7	0.09 16	0.12 64	0.09 39	0.06 7	0.11 47	0.10 51	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

ccc-4	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.10 42	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

IGEV-Stereo	0.09 12	0.07 70	0.11 72	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.12 25	0.09 16	0.06 2	0.06 3	0.06 7	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 12	0.05 6	0.12 92	0.15 38	0.12 286	0.10 58	0.13 43	0.18 99	0.18 118	0.09 16	0.09 23	0.09 39	0.06 7	0.10 18	0.08 11	0.07 144	0.05 109	0.07 100	0.07 163	0.04 1	0.04 7

CroCo-Stereo	0.09 12	0.08 142	0.08 11	0.22 308	0.09 133	0.09 35	0.19 265	0.15 29	0.12 25	0.07 2	0.07 14	0.08 26	0.06 7	0.08 6	0.07 1	0.07 144	0.05 109	0.06 32	0.04 8	0.05 40	0.04 7
P.Weinzaepfel, T. Lucas, V. Leroy, Y. Cabon, V. Arora, R. Bregier, G. Csurka, L. Antsfeld, B. Chidlovskii, J. Revaud: CroCo v2: Improved Cross-view Completion Pre-training for Stereo Matching and Optical Flow. ICCV 2023
TANstereo	0.09 12	0.04 1	0.08 11	0.13 6	0.06 2	0.11 84	0.14 70	0.15 29	0.19 130	0.11 62	0.15 97	0.10 60	0.06 7	0.12 103	0.09 19	0.07 144	0.05 109	0.05 2	0.04 8	0.06 101	0.05 52

XX-Stereo	0.09 12	0.05 6	0.08 11	0.17 117	0.09 133	0.15 179	0.12 21	0.20 126	0.10 7	0.10 42	0.14 83	0.07 18	0.06 7	0.12 103	0.08 11	0.06 56	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

test_xeample3	0.09 12	0.06 19	0.12 92	0.16 69	0.09 133	0.11 84	0.15 116	0.16 45	0.13 42	0.10 42	0.06 2	0.08 26	0.06 7	0.10 18	0.09 19	0.05 2	0.04 2	0.06 32	0.05 32	0.05 40	0.06 101

MyStereo07	0.10 52	0.07 70	0.10 45	0.17 117	0.09 133	0.14 157	0.18 234	0.15 29	0.15 71	0.09 16	0.06 2	0.06 3	0.07 33	0.12 103	0.09 19	0.06 56	0.05 109	0.08 164	0.07 163	0.06 101	0.06 101

MyStereo06	0.10 52	0.07 70	0.12 92	0.17 117	0.09 133	0.13 133	0.18 234	0.19 119	0.12 25	0.12 86	0.08 17	0.07 18	0.07 33	0.11 47	0.09 19	0.06 56	0.05 109	0.07 100	0.07 163	0.06 101	0.06 101

MIF-Stereo	0.09 12	0.07 70	0.08 11	0.18 184	0.08 48	0.13 133	0.11 11	0.12 4	0.11 17	0.10 42	0.12 64	0.05 1	0.07 33	0.09 10	0.09 19	0.07 144	0.05 109	0.05 2	0.05 32	0.05 40	0.05 52

CASnet	0.09 12	0.09 193	0.09 28	0.19 230	0.06 2	0.07 16	0.11 11	0.18 99	0.14 59	0.11 62	0.10 39	0.09 39	0.07 33	0.10 18	0.10 51	0.06 56	0.04 2	0.10 271	0.08 213	0.05 40	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 12	0.06 19	0.13 131	0.17 117	0.08 48	0.10 58	0.16 173	0.14 17	0.10 7	0.08 6	0.09 23	0.08 26	0.07 33	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

HanStereo	0.09 12	0.06 19	0.13 131	0.17 117	0.08 48	0.10 58	0.16 173	0.14 17	0.10 7	0.08 6	0.09 23	0.08 26	0.07 33	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

LL-Strereo2	0.10 52	0.10 241	0.15 194	0.18 184	0.08 48	0.15 179	0.09 3	0.17 75	0.14 59	0.14 127	0.10 39	0.09 39	0.07 33	0.16 201	0.10 51	0.05 2	0.05 109	0.10 271	0.07 163	0.06 101	0.05 52

4D-IteraStereo	0.09 12	0.07 70	0.10 45	0.18 184	0.07 19	0.09 35	0.15 116	0.17 75	0.15 71	0.10 42	0.11 56	0.10 60	0.07 33	0.11 47	0.09 19	0.05 2	0.03 1	0.08 164	0.07 163	0.06 101	0.05 52

RCA-Stereo	0.09 12	0.06 19	0.09 28	0.16 69	0.06 2	0.09 35	0.13 43	0.18 99	0.14 59	0.09 16	0.10 39	0.08 26	0.07 33	0.12 103	0.11 88	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

RAFT_CTSACE	0.12 138	0.09 193	0.10 45	0.22 308	0.08 48	0.12 107	0.24 325	0.18 99	0.16 89	0.20 245	0.27 251	0.13 115	0.07 33	0.13 136	0.09 19	0.05 2	0.06 193	0.08 164	0.07 163	0.04 1	0.04 7

IPLG	0.10 52	0.07 70	0.15 194	0.17 117	0.08 48	0.11 84	0.14 70	0.20 126	0.15 71	0.12 86	0.17 123	0.07 18	0.07 33	0.14 151	0.13 160	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

MIPNet	0.11 83	0.08 142	0.14 157	0.17 117	0.09 133	0.12 107	0.14 70	0.20 126	0.24 195	0.11 62	0.10 39	0.09 39	0.07 33	0.13 136	0.12 130	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

iRaftStereo_RVC	0.10 52	0.07 70	0.09 28	0.17 117	0.09 133	0.11 84	0.17 194	0.18 99	0.12 25	0.09 16	0.12 64	0.10 60	0.07 33	0.11 47	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.04 1	0.04 7

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 6	0.07 19	0.09 35	0.12 21	0.14 17	0.14 59	0.10 42	0.14 83	0.08 26	0.07 33	0.09 10	0.11 88	0.06 56	0.04 2	0.05 2	0.05 32	0.04 1	0.04 7
Junpeng Jing, Jiankun Li, Pengfei Xiong, Jiangyu Liu, Shuaicheng Liu, Yichen Guo, Xin Deng, Mai Xu, Lai Jiang, Leonid Sigal: Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching. ICCV2023
raftrobust	0.09 12	0.06 19	0.10 45	0.17 117	0.08 48	0.09 35	0.10 6	0.18 99	0.16 89	0.10 42	0.09 23	0.12 92	0.07 33	0.12 103	0.10 51	0.08 194	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

sCroCo_RVC	0.12 138	0.09 193	0.23 303	0.24 332	0.11 257	0.19 257	0.14 70	0.17 75	0.14 59	0.10 42	0.13 74	0.12 92	0.07 33	0.14 151	0.11 88	0.08 194	0.08 272	0.08 164	0.08 213	0.05 40	0.07 161

EAI-Stereo	0.09 12	0.07 70	0.11 72	0.15 38	0.06 2	0.10 58	0.15 116	0.16 45	0.09 2	0.08 6	0.09 23	0.08 26	0.07 33	0.09 10	0.11 88	0.05 2	0.04 2	0.05 2	0.05 32	0.05 40	0.04 7

PMTNet	0.09 12	0.05 6	0.09 28	0.12 3	0.06 2	0.12 107	0.14 70	0.15 29	0.11 17	0.09 16	0.13 74	0.10 60	0.07 33	0.13 136	0.10 51	0.15 349	0.04 2	0.05 2	0.03 1	0.07 158	0.06 101

Former-RAFT_DAM_RVC	0.10 52	0.08 142	0.12 92	0.16 69	0.08 48	0.15 179	0.16 173	0.18 99	0.18 118	0.10 42	0.09 23	0.09 39	0.08 51	0.11 47	0.12 130	0.07 144	0.05 109	0.08 164	0.06 88	0.07 158	0.06 101

AE-Stereo	0.10 52	0.08 142	0.10 45	0.18 184	0.09 133	0.10 58	0.15 116	0.14 17	0.19 130	0.09 16	0.14 83	0.12 92	0.08 51	0.11 47	0.10 51	0.05 2	0.06 193	0.07 100	0.06 88	0.05 40	0.04 7

AEACV	0.08 2	0.05 6	0.08 11	0.14 13	0.13 304	0.14 157	0.13 43	0.14 17	0.09 2	0.07 2	0.09 23	0.07 18	0.08 51	0.10 18	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.05 40	0.04 7

GLC_STEREO	0.11 83	0.07 70	0.11 72	0.17 117	0.07 19	0.09 35	0.13 43	0.15 29	0.24 195	0.12 86	0.13 74	0.12 92	0.08 51	0.18 234	0.11 88	0.06 56	0.08 272	0.08 164	0.06 88	0.05 40	0.05 52

IPLGR	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.12 107	0.17 194	0.21 143	0.24 195	0.11 62	0.12 64	0.11 77	0.08 51	0.12 103	0.12 130	0.06 56	0.05 109	0.06 32	0.06 88	0.04 1	0.04 7

test-3	0.08 2	0.06 19	0.09 28	0.17 117	0.07 19	0.07 16	0.14 70	0.12 4	0.15 71	0.09 16	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

test_1	0.08 2	0.06 19	0.09 28	0.17 117	0.07 19	0.07 16	0.14 70	0.12 4	0.15 71	0.09 16	0.08 17	0.07 18	0.08 51	0.11 47	0.10 51	0.05 2	0.04 2	0.07 100	0.05 32	0.04 1	0.04 7

HHNet	0.11 83	0.06 19	0.16 224	0.15 38	0.14 321	0.07 16	0.13 43	0.20 126	0.17 101	0.14 127	0.25 229	0.11 77	0.08 51	0.13 136	0.10 51	0.05 2	0.04 2	0.08 164	0.06 88	0.05 40	0.09 254

AnonymousM	0.09 12	0.05 6	0.10 45	0.14 13	0.06 2	0.09 35	0.13 43	0.19 119	0.14 59	0.13 107	0.11 56	0.09 39	0.08 51	0.13 136	0.10 51	0.08 194	0.05 109	0.08 164	0.05 32	0.05 40	0.05 52

test-1	0.10 52	0.07 70	0.16 224	0.19 230	0.08 48	0.11 84	0.24 325	0.14 17	0.18 118	0.09 16	0.07 14	0.09 39	0.08 51	0.07 1	0.09 19	0.06 56	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

Prome-Stereo	0.11 83	0.06 19	0.10 45	0.18 184	0.08 48	0.12 107	0.15 116	0.22 159	0.13 42	0.12 86	0.17 123	0.13 115	0.08 51	0.12 103	0.10 51	0.05 2	0.04 2	0.07 100	0.06 88	0.06 101	0.09 254

raft+_RVC	0.11 83	0.07 70	0.09 28	0.16 69	0.07 19	0.10 58	0.11 11	0.24 194	0.20 151	0.12 86	0.15 97	0.12 92	0.08 51	0.12 103	0.13 160	0.07 144	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

XX-TBD	0.09 12	0.06 19	0.07 2	0.14 13	0.07 19	0.12 107	0.16 173	0.14 17	0.13 42	0.11 62	0.12 64	0.09 39	0.08 51	0.10 18	0.10 51	0.06 56	0.04 2	0.05 2	0.03 1	0.06 101	0.05 52

sAnonymous2	0.13 160	0.12 275	0.24 306	0.20 271	0.12 286	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 239	0.05 109	0.08 164	0.06 88	0.15 346	0.10 273

CroCo_RVC	0.13 160	0.12 275	0.24 306	0.20 271	0.12 286	0.17 222	0.13 43	0.26 219	0.21 164	0.11 62	0.11 56	0.13 115	0.08 51	0.10 18	0.10 51	0.09 239	0.05 109	0.08 164	0.06 88	0.15 346	0.10 273

CREStereo	0.09 12	0.04 1	0.08 11	0.11 1	0.06 2	0.13 133	0.14 70	0.14 17	0.10 7	0.08 6	0.13 74	0.09 39	0.08 51	0.11 47	0.10 51	0.08 194	0.04 2	0.05 2	0.03 1	0.06 101	0.06 101
Jiankun Li, Peisen Wang, Pengfei Xiong, Tao Cai, Ziwei Yan, Lei Yang, Jiangyu Liu, Haoqiang Fan, Shuaicheng Liu: Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation. CVPR 2022
R-Stereo Train	0.10 52	0.06 19	0.10 45	0.17 117	0.08 48	0.11 84	0.14 70	0.23 176	0.11 17	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52

RAFT-Stereo	0.10 52	0.06 19	0.10 45	0.17 117	0.08 48	0.11 84	0.14 70	0.23 176	0.11 17	0.12 86	0.19 151	0.11 77	0.08 51	0.09 10	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.05 52
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
EKT-Stereo	0.11 83	0.07 70	0.14 157	0.15 38	0.10 219	0.13 133	0.14 70	0.18 99	0.21 164	0.11 62	0.08 17	0.12 92	0.09 69	0.11 47	0.12 130	0.08 194	0.06 193	0.07 100	0.06 88	0.08 202	0.07 161

Any-RAFT	0.10 52	0.05 6	0.09 28	0.14 13	0.07 19	0.13 133	0.14 70	0.21 143	0.15 71	0.11 62	0.12 64	0.12 92	0.09 69	0.12 103	0.09 19	0.07 144	0.04 2	0.05 2	0.04 8	0.06 101	0.05 52

RAFT-Test	0.09 12	0.06 19	0.10 45	0.15 38	0.07 19	0.11 84	0.15 116	0.16 45	0.13 42	0.09 16	0.10 39	0.10 60	0.09 69	0.12 103	0.09 19	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 38	0.07 19	0.08 23	0.15 116	0.11 1	0.10 7	0.08 6	0.09 23	0.06 3	0.09 69	0.10 18	0.09 19	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 83	0.07 70	0.10 45	0.16 69	0.09 133	0.13 133	0.14 70	0.18 99	0.22 176	0.13 107	0.14 83	0.12 92	0.09 69	0.14 151	0.11 88	0.05 2	0.04 2	0.05 2	0.04 8	0.06 101	0.05 52

LoS	0.09 12	0.05 6	0.11 72	0.13 6	0.07 19	0.14 157	0.11 11	0.15 29	0.15 71	0.09 16	0.09 23	0.12 92	0.09 69	0.15 169	0.10 51	0.07 144	0.05 109	0.05 2	0.03 1	0.05 40	0.05 52

knoymous	0.11 83	0.05 6	0.12 92	0.13 6	0.07 19	0.15 179	0.14 70	0.19 119	0.13 42	0.11 62	0.17 123	0.13 115	0.09 69	0.13 136	0.11 88	0.08 194	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

test_4	0.10 52	0.10 241	0.08 11	0.19 230	0.09 133	0.08 23	0.22 306	0.15 29	0.17 101	0.12 86	0.18 145	0.12 92	0.09 69	0.08 6	0.11 88	0.04 1	0.04 2	0.08 164	0.08 213	0.04 1	0.03 1

iRaft-Stereo_5w	0.12 138	0.09 193	0.12 92	0.19 230	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.19 228	0.14 83	0.11 77	0.09 69	0.20 264	0.16 226	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.06 101

CIPLG	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.15 71	0.14 127	0.11 56	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

dd	0.15 223	0.16 321	0.16 224	0.19 230	0.09 133	0.15 179	0.18 234	0.21 143	0.25 214	0.23 278	0.20 162	0.21 220	0.09 69	0.21 280	0.16 226	0.10 270	0.06 193	0.08 164	0.06 88	0.08 202	0.06 101

IPLGR_C	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.15 71	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

ACRE	0.11 83	0.08 142	0.14 157	0.17 117	0.08 48	0.12 107	0.15 116	0.17 75	0.14 59	0.14 127	0.10 39	0.16 165	0.09 69	0.16 201	0.11 88	0.07 144	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101

test_3	0.10 52	0.09 193	0.10 45	0.20 271	0.08 48	0.13 133	0.26 344	0.14 17	0.21 164	0.10 42	0.10 39	0.09 39	0.09 69	0.08 6	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.04 1	0.04 7

Pruner-Stereo	0.11 83	0.07 70	0.12 92	0.17 117	0.09 133	0.06 2	0.12 21	0.17 75	0.17 101	0.13 107	0.19 151	0.13 115	0.09 69	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.08 221

RAFT-345	0.11 83	0.07 70	0.15 194	0.16 69	0.08 48	0.08 23	0.12 21	0.15 29	0.10 7	0.11 62	0.36 310	0.09 39	0.09 69	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.06 88	0.04 1	0.05 52

RALAANet	0.11 83	0.08 142	0.10 45	0.17 117	0.09 133	0.14 157	0.10 6	0.20 126	0.15 71	0.14 127	0.13 74	0.16 165	0.09 69	0.12 103	0.11 88	0.06 56	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

RAFT-Stereo + iAFF	0.09 12	0.06 19	0.10 45	0.17 117	0.06 2	0.10 58	0.16 173	0.17 75	0.14 59	0.09 16	0.10 39	0.08 26	0.09 69	0.11 47	0.09 19	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.03 1

AFF-stereo	0.09 12	0.06 19	0.10 45	0.17 117	0.07 19	0.10 58	0.16 173	0.17 75	0.09 2	0.10 42	0.12 64	0.09 39	0.09 69	0.12 103	0.09 19	0.05 2	0.04 2	0.07 100	0.07 163	0.04 1	0.03 1

CFNet-RSSM	0.09 12	0.07 70	0.09 28	0.16 69	0.07 19	0.09 35	0.15 116	0.16 45	0.17 101	0.08 6	0.12 64	0.10 60	0.09 69	0.11 47	0.09 19	0.06 56	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

Gwc-CoAtRS	0.09 12	0.06 19	0.10 45	0.16 69	0.07 19	0.10 58	0.14 70	0.17 75	0.17 101	0.08 6	0.10 39	0.12 92	0.09 69	0.12 103	0.09 19	0.06 56	0.04 2	0.06 32	0.04 8	0.04 1	0.04 7

H2IRNET	0.10 52	0.09 193	0.09 28	0.18 184	0.09 133	0.12 107	0.15 116	0.14 17	0.21 164	0.10 42	0.10 39	0.10 60	0.10 90	0.10 18	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.06 101	0.05 52

MyStereo8	0.12 138	0.07 70	0.15 194	0.15 38	0.09 133	0.18 237	0.14 70	0.19 119	0.22 176	0.12 86	0.18 145	0.11 77	0.10 90	0.16 201	0.18 251	0.07 144	0.05 109	0.07 100	0.05 32	0.08 202	0.09 254

MyStereo04	0.13 160	0.07 70	0.10 45	0.17 117	0.09 133	0.14 157	0.18 234	0.29 261	0.38 311	0.17 188	0.14 83	0.16 165	0.10 90	0.15 169	0.13 160	0.06 56	0.05 109	0.08 164	0.07 163	0.06 101	0.06 101

StereoVision	0.13 160	0.12 275	0.09 28	0.24 332	0.10 219	0.15 179	0.21 296	0.21 143	0.20 151	0.12 86	0.24 200	0.10 60	0.10 90	0.16 201	0.10 51	0.09 239	0.11 322	0.12 313	0.12 327	0.06 101	0.05 52

DCRE	0.11 83	0.07 70	0.13 131	0.16 69	0.11 257	0.11 84	0.17 194	0.18 99	0.17 101	0.11 62	0.18 145	0.10 60	0.10 90	0.15 169	0.11 88	0.06 56	0.05 109	0.06 32	0.06 88	0.05 40	0.04 7

Selective-RAFT	0.11 83	0.10 241	0.11 72	0.21 295	0.08 48	0.16 203	0.13 43	0.20 126	0.22 176	0.10 42	0.10 39	0.11 77	0.10 90	0.15 169	0.11 88	0.05 2	0.05 109	0.06 32	0.05 32	0.06 101	0.05 52

TestStereo1	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 364	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 56	0.06 193	0.08 164	0.06 88	0.05 40	0.05 52

DisPM	0.11 83	0.07 70	0.12 92	0.16 69	0.09 133	0.06 2	0.13 43	0.17 75	0.17 101	0.14 127	0.20 162	0.12 92	0.10 90	0.11 47	0.10 51	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.11 296

raft_robust	0.13 160	0.10 241	0.07 2	0.18 184	0.08 48	0.13 133	0.24 325	0.28 251	0.33 278	0.20 245	0.19 151	0.14 130	0.10 90	0.11 47	0.12 130	0.05 2	0.05 109	0.07 100	0.07 163	0.05 40	0.04 7

RAFT+CT+SA	0.13 160	0.11 261	0.09 28	0.19 230	0.09 133	0.15 179	0.28 356	0.22 159	0.22 176	0.15 151	0.26 244	0.10 60	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.07 100	0.08 213	0.07 158	0.06 101

SA-5K	0.13 160	0.08 142	0.08 11	0.19 230	0.08 48	0.18 237	0.29 364	0.23 176	0.16 89	0.17 188	0.20 162	0.16 165	0.10 90	0.12 103	0.13 160	0.06 56	0.06 193	0.08 164	0.06 88	0.05 40	0.05 52

PFNet+	0.11 83	0.06 19	0.13 131	0.16 69	0.09 133	0.05 1	0.12 21	0.17 75	0.21 164	0.16 176	0.19 151	0.14 130	0.10 90	0.11 47	0.11 88	0.08 194	0.05 109	0.09 230	0.08 213	0.06 101	0.11 296

STrans-v2	0.10 52	0.07 70	0.12 92	0.18 184	0.07 19	0.10 58	0.14 70	0.21 143	0.11 17	0.11 62	0.15 97	0.12 92	0.10 90	0.11 47	0.12 130	0.05 2	0.04 2	0.06 32	0.06 88	0.04 1	0.04 7

KYRaft	0.11 83	0.07 70	0.10 45	0.19 230	0.09 133	0.08 23	0.15 116	0.22 159	0.12 25	0.13 107	0.16 105	0.20 214	0.10 90	0.12 103	0.10 51	0.05 2	0.04 2	0.08 164	0.08 213	0.06 101	0.16 356

ASMatch	0.11 83	0.06 19	0.13 131	0.16 69	0.10 219	0.07 16	0.14 70	0.17 75	0.17 101	0.12 86	0.16 105	0.16 165	0.10 90	0.13 136	0.10 51	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.08 221

RAFT-RH_RVC	0.11 83	0.06 19	0.14 157	0.16 69	0.09 133	0.12 107	0.12 21	0.17 75	0.12 25	0.13 107	0.41 344	0.11 77	0.10 90	0.13 136	0.12 130	0.05 2	0.04 2	0.08 164	0.05 32	0.04 1	0.06 101

cross-raft	0.10 52	0.09 193	0.09 28	0.19 230	0.07 19	0.11 84	0.25 338	0.13 11	0.15 71	0.08 6	0.11 56	0.12 92	0.10 90	0.09 10	0.11 88	0.05 2	0.04 2	0.06 32	0.05 32	0.04 1	0.04 7

rafts_anoy	0.11 83	0.06 19	0.10 45	0.17 117	0.08 48	0.10 58	0.14 70	0.17 75	0.14 59	0.13 107	0.13 74	0.12 92	0.10 90	0.11 47	0.12 130	0.07 144	0.04 2	0.09 230	0.11 309	0.07 158	0.06 101

Anonymous3	0.16 241	0.13 296	0.33 340	0.26 348	0.14 321	0.27 334	0.17 194	0.28 251	0.28 245	0.15 151	0.17 123	0.14 130	0.10 90	0.15 169	0.12 130	0.08 194	0.08 272	0.08 164	0.08 213	0.08 202	0.11 296

RALCasStereoNet	0.10 52	0.06 19	0.09 28	0.16 69	0.08 48	0.12 107	0.14 70	0.17 75	0.11 17	0.12 86	0.17 123	0.14 130	0.10 90	0.12 103	0.11 88	0.07 144	0.06 193	0.06 32	0.05 32	0.08 202	0.07 161

RAFT + AFF	0.13 160	0.07 70	0.20 284	0.20 271	0.10 219	0.14 157	0.24 325	0.26 219	0.20 151	0.11 62	0.10 39	0.12 92	0.10 90	0.15 169	0.12 130	0.07 144	0.06 193	0.09 230	0.08 213	0.06 101	0.08 221

GMStereo	0.13 160	0.14 308	0.14 157	0.18 184	0.09 133	0.15 179	0.16 173	0.20 126	0.24 195	0.16 176	0.17 123	0.10 60	0.10 90	0.16 201	0.13 160	0.07 144	0.06 193	0.06 32	0.06 88	0.07 158	0.06 101
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo05	0.13 160	0.07 70	0.10 45	0.17 117	0.09 133	0.13 133	0.18 234	0.27 237	0.35 296	0.17 188	0.14 83	0.15 154	0.11 112	0.15 169	0.13 160	0.06 56	0.05 109	0.07 100	0.07 163	0.06 101	0.06 101

CoDeX	0.12 138	0.07 70	0.12 92	0.17 117	0.08 48	0.12 107	0.15 116	0.23 176	0.27 234	0.13 107	0.17 123	0.16 165	0.11 112	0.14 151	0.11 88	0.07 144	0.05 109	0.07 100	0.06 88	0.06 101	0.05 52

GMStereo_Zeroshot	0.16 241	0.13 296	0.24 306	0.20 271	0.10 219	0.17 222	0.13 43	0.29 261	0.25 214	0.23 278	0.32 287	0.25 265	0.11 112	0.19 245	0.14 188	0.09 239	0.06 193	0.11 298	0.06 88	0.12 306	0.08 221

MIF-Stereo (partial)	0.11 83	0.06 19	0.10 45	0.19 230	0.10 219	0.10 58	0.11 11	0.17 75	0.18 118	0.14 127	0.16 105	0.09 39	0.11 112	0.12 103	0.12 130	0.08 194	0.05 109	0.08 164	0.07 163	0.06 101	0.07 161

riskmin	0.11 83	0.06 19	0.13 131	0.14 13	0.08 48	0.14 157	0.14 70	0.18 99	0.14 59	0.11 62	0.14 83	0.16 165	0.11 112	0.14 151	0.12 130	0.09 239	0.05 109	0.07 100	0.05 32	0.08 202	0.08 221

fff	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

Sa-1000	0.12 138	0.08 142	0.08 11	0.18 184	0.08 48	0.14 157	0.22 306	0.22 159	0.18 118	0.15 151	0.20 162	0.17 184	0.11 112	0.10 18	0.10 51	0.06 56	0.05 109	0.09 230	0.09 254	0.05 40	0.05 52

SA	0.12 138	0.09 193	0.08 11	0.18 184	0.08 48	0.12 107	0.24 325	0.23 176	0.18 118	0.17 188	0.27 251	0.14 130	0.11 112	0.11 47	0.11 88	0.05 2	0.05 109	0.09 230	0.08 213	0.05 40	0.04 7

CrosDoStereo	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 107	0.15 116	0.17 75	0.22 176	0.19 228	0.24 200	0.15 154	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

LCNet	0.11 83	0.07 70	0.09 28	0.19 230	0.09 133	0.08 23	0.15 116	0.21 143	0.15 71	0.11 62	0.15 97	0.16 165	0.11 112	0.12 103	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.06 101	0.15 345

TransformOpticalFlow	0.10 52	0.08 142	0.13 131	0.18 184	0.07 19	0.09 35	0.15 116	0.19 119	0.15 71	0.12 86	0.17 123	0.11 77	0.11 112	0.11 47	0.10 51	0.05 2	0.04 2	0.06 32	0.06 88	0.05 40	0.05 52

NF-Stereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

OCTAStereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

PSM-softLoss	0.12 138	0.07 70	0.15 194	0.17 117	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 164	0.07 163	0.06 101	0.12 307

KMStereo	0.12 138	0.07 70	0.15 194	0.17 117	0.09 133	0.08 23	0.13 43	0.24 194	0.17 101	0.14 127	0.19 151	0.13 115	0.11 112	0.11 47	0.11 88	0.07 144	0.05 109	0.08 164	0.07 163	0.06 101	0.12 307

PSM-AAD	0.11 83	0.07 70	0.10 45	0.19 230	0.09 133	0.10 58	0.15 116	0.20 126	0.13 42	0.12 86	0.14 83	0.18 195	0.11 112	0.11 47	0.10 51	0.05 2	0.05 109	0.09 230	0.08 213	0.06 101	0.14 337

DeepStereo_LL	0.12 138	0.06 19	0.12 92	0.14 13	0.08 48	0.12 107	0.15 116	0.17 75	0.22 176	0.19 228	0.24 200	0.15 154	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

PFNet	0.12 138	0.06 19	0.17 249	0.17 117	0.08 48	0.09 35	0.15 116	0.26 219	0.20 151	0.16 176	0.16 105	0.14 130	0.11 112	0.12 103	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

GrayStereo	0.11 83	0.06 19	0.11 72	0.19 230	0.09 133	0.09 35	0.16 173	0.18 99	0.17 101	0.14 127	0.17 123	0.17 184	0.11 112	0.12 103	0.11 88	0.05 2	0.05 109	0.07 100	0.06 88	0.05 40	0.10 273

RE-Stereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

TVStereo	0.11 83	0.07 70	0.13 131	0.17 117	0.09 133	0.10 58	0.14 70	0.23 176	0.19 130	0.12 86	0.17 123	0.12 92	0.11 112	0.11 47	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.12 307

GMM-Stereo	0.11 83	0.07 70	0.10 45	0.18 184	0.09 133	0.08 23	0.15 116	0.23 176	0.16 89	0.11 62	0.15 97	0.13 115	0.11 112	0.11 47	0.11 88	0.05 2	0.04 2	0.08 164	0.07 163	0.06 101	0.09 254

s12784h	0.09 12	0.06 19	0.07 2	0.15 38	0.05 1	0.16 203	0.18 234	0.15 29	0.15 71	0.10 42	0.11 56	0.11 77	0.11 112	0.10 18	0.12 130	0.05 2	0.04 2	0.05 2	0.04 8	0.04 1	0.04 7

DCANet	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

csc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

cscssc	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.09 35	0.17 194	0.16 45	0.20 151	0.13 107	0.16 105	0.10 60	0.11 112	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

111	0.10 52	0.06 19	0.12 92	0.15 38	0.07 19	0.10 58	0.14 70	0.21 143	0.23 185	0.11 62	0.12 64	0.14 130	0.11 112	0.13 136	0.10 51	0.06 56	0.04 2	0.06 32	0.04 8	0.05 40	0.05 52

ARAFT	0.12 138	0.08 142	0.17 249	0.19 230	0.09 133	0.14 157	0.18 234	0.20 126	0.12 25	0.12 86	0.13 74	0.14 130	0.11 112	0.15 169	0.12 130	0.06 56	0.05 109	0.10 271	0.09 254	0.05 40	0.04 7

HITNet	0.10 52	0.06 19	0.12 92	0.14 13	0.06 2	0.11 84	0.10 6	0.18 99	0.18 118	0.13 107	0.16 105	0.14 130	0.11 112	0.15 169	0.13 160	0.06 56	0.04 2	0.04 1	0.04 8	0.06 101	0.05 52
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
whm_eth	0.14 189	0.09 193	0.20 284	0.20 271	0.12 286	0.12 107	0.15 116	0.18 99	0.28 245	0.17 188	0.32 287	0.09 39	0.12 141	0.18 234	0.14 188	0.07 144	0.07 250	0.08 164	0.07 163	0.07 158	0.07 161

test croco	0.10 52	0.08 142	0.10 45	0.19 230	0.09 133	0.10 58	0.15 116	0.14 17	0.13 42	0.13 107	0.15 97	0.09 39	0.12 141	0.13 136	0.12 130	0.07 144	0.05 109	0.09 230	0.06 88	0.06 101	0.06 101

PCWNet_CMD	0.14 189	0.08 142	0.15 194	0.17 117	0.09 133	0.14 157	0.14 70	0.29 261	0.36 300	0.14 127	0.20 162	0.21 220	0.12 141	0.17 223	0.13 160	0.07 144	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

ADStereo(finetuned)	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.15 29	0.19 130	0.13 107	0.17 123	0.10 60	0.12 141	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

GMOStereo	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

error version	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

test-v	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

GANet-ADL	0.13 160	0.07 70	0.15 194	0.17 117	0.10 219	0.18 237	0.15 116	0.30 275	0.20 151	0.13 107	0.18 145	0.19 204	0.12 141	0.16 201	0.13 160	0.08 194	0.06 193	0.06 32	0.05 32	0.07 158	0.08 221

Patchmatch Stereo++	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161
Wenjia Ren, Qingmin Liao, Zhijing Shao, Xiangru Lin, Xin Yue, Yu Zhang, Zongqing Lu: Patchmatch Stereo++: Patchmatch Binocular Stereo with Continuous Disparity Optimization. ACM MM 2023
OMP-Stereo	0.11 83	0.06 19	0.14 157	0.18 184	0.08 48	0.09 35	0.12 21	0.21 143	0.21 164	0.13 107	0.14 83	0.11 77	0.12 141	0.11 47	0.13 160	0.06 56	0.04 2	0.07 100	0.06 88	0.05 40	0.04 7

IIG-Stereo	0.11 83	0.06 19	0.13 131	0.17 117	0.08 48	0.11 84	0.12 21	0.22 159	0.17 101	0.14 127	0.17 123	0.11 77	0.12 141	0.12 103	0.12 130	0.06 56	0.05 109	0.07 100	0.06 88	0.05 40	0.04 7

NRIStereo	0.11 83	0.08 142	0.14 157	0.18 184	0.08 48	0.10 58	0.14 70	0.16 45	0.15 71	0.12 86	0.14 83	0.13 115	0.12 141	0.13 136	0.10 51	0.06 56	0.04 2	0.07 100	0.06 88	0.06 101	0.07 161

PSM-adaLoss	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

FTStereo	0.12 138	0.06 19	0.14 157	0.18 184	0.09 133	0.07 16	0.15 116	0.21 143	0.18 118	0.12 86	0.24 200	0.12 92	0.12 141	0.13 136	0.13 160	0.05 2	0.05 109	0.07 100	0.06 88	0.06 101	0.10 273

ROB_FTStereo_v2	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

ROB_FTStereo	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

HUI-Stereo	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

SST-Stereo	0.10 52	0.07 70	0.15 194	0.18 184	0.09 133	0.06 2	0.12 21	0.17 75	0.11 17	0.15 151	0.17 123	0.13 115	0.12 141	0.10 18	0.11 88	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

THIR-Stereo	0.12 138	0.07 70	0.11 72	0.15 38	0.08 48	0.14 157	0.16 173	0.17 75	0.25 214	0.16 176	0.24 200	0.14 130	0.12 141	0.12 103	0.14 188	0.06 56	0.04 2	0.07 100	0.07 163	0.05 40	0.05 52

RAFT_R40	0.11 83	0.07 70	0.14 157	0.18 184	0.09 133	0.06 2	0.13 43	0.17 75	0.16 89	0.14 127	0.18 145	0.15 154	0.12 141	0.10 18	0.11 88	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

DeepStereo_RVC	0.11 83	0.08 142	0.16 224	0.18 184	0.08 48	0.08 23	0.12 21	0.17 75	0.12 25	0.13 107	0.14 83	0.12 92	0.12 141	0.12 103	0.11 88	0.06 56	0.04 2	0.07 100	0.06 88	0.07 158	0.08 221

iGMRVC	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

IRAFT_RVC	0.12 138	0.08 142	0.16 224	0.19 230	0.08 48	0.07 16	0.15 116	0.24 194	0.23 185	0.14 127	0.14 83	0.15 154	0.12 141	0.12 103	0.10 51	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.06 101

iRAFT	0.11 83	0.09 193	0.16 224	0.18 184	0.08 48	0.06 2	0.11 11	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

CRE-IMP	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.10 58	0.12 21	0.18 99	0.10 7	0.14 127	0.13 74	0.13 115	0.12 141	0.12 103	0.11 88	0.07 144	0.04 2	0.08 164	0.06 88	0.08 202	0.08 221

test-2	0.11 83	0.09 193	0.07 2	0.19 230	0.08 48	0.12 107	0.28 356	0.13 11	0.17 101	0.11 62	0.17 123	0.14 130	0.12 141	0.07 1	0.07 1	0.05 2	0.05 109	0.09 230	0.07 163	0.04 1	0.04 7

RAFT	0.13 160	0.09 193	0.11 72	0.18 184	0.08 48	0.15 179	0.24 325	0.20 126	0.19 130	0.21 253	0.21 176	0.17 184	0.12 141	0.16 201	0.09 19	0.06 56	0.07 250	0.10 271	0.09 254	0.05 40	0.05 52

RAFT-IKP	0.11 83	0.09 193	0.16 224	0.19 230	0.08 48	0.06 2	0.12 21	0.16 45	0.13 42	0.15 151	0.16 105	0.14 130	0.12 141	0.11 47	0.10 51	0.06 56	0.04 2	0.08 164	0.06 88	0.08 202	0.07 161

TestStereo	0.13 160	0.14 308	0.11 72	0.23 327	0.08 48	0.15 179	0.21 296	0.20 126	0.23 185	0.14 127	0.24 200	0.16 165	0.12 141	0.16 201	0.14 188	0.05 2	0.06 193	0.08 164	0.06 88	0.09 250	0.05 52

FENet	0.13 160	0.08 142	0.12 92	0.16 69	0.08 48	0.14 157	0.15 116	0.22 159	0.23 185	0.17 188	0.23 191	0.16 165	0.12 141	0.14 151	0.15 211	0.08 194	0.05 109	0.08 164	0.08 213	0.07 158	0.07 161

DIP-Stereo	0.11 83	0.07 70	0.14 157	0.17 117	0.09 133	0.13 133	0.09 3	0.16 45	0.16 89	0.11 62	0.16 105	0.14 130	0.12 141	0.15 169	0.13 160	0.06 56	0.05 109	0.06 32	0.05 32	0.05 40	0.06 101
Zihua Zheng, Ni Nie, Zhi Ling, Pengfei Xiong, Jiangyu Liu, Hao Wang, Jiankun Li: DIP: Deep Inverse Patchmatch for High-Resolution Optical Flow. cvpr2022
MSMDNet	0.14 189	0.08 142	0.15 194	0.17 117	0.09 133	0.14 157	0.14 70	0.29 261	0.36 300	0.14 127	0.21 176	0.21 220	0.12 141	0.17 223	0.14 188	0.07 144	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

DualNet	0.13 160	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.10 18	0.20 266	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

ffm	0.12 138	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.10 18	0.07 1	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

ff1	0.13 160	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.15 29	0.19 130	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.06 56	0.04 2	0.09 230	0.08 213	0.06 101	0.06 101

mmx	0.14 189	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.08 194	0.06 193	0.09 230	0.08 213	0.08 202	0.08 221

ttt	0.14 189	0.08 142	0.14 157	0.15 38	0.08 48	0.15 179	0.18 234	0.27 237	0.29 252	0.16 176	0.24 200	0.17 184	0.13 173	0.13 136	0.14 188	0.11 291	0.08 272	0.09 230	0.08 213	0.09 250	0.08 221

xxx	0.14 189	0.09 193	0.14 157	0.16 69	0.08 48	0.17 222	0.17 194	0.27 237	0.25 214	0.15 151	0.25 229	0.19 204	0.13 173	0.14 151	0.20 266	0.08 194	0.06 193	0.09 230	0.08 213	0.08 202	0.08 221

LL-Strereo	0.13 160	0.09 193	0.11 72	0.20 271	0.10 219	0.11 84	0.18 234	0.32 290	0.24 195	0.15 151	0.15 97	0.14 130	0.13 173	0.19 245	0.11 88	0.06 56	0.04 2	0.09 230	0.08 213	0.04 1	0.05 52

SDNR	0.19 282	0.08 142	0.19 276	0.16 69	0.12 286	0.77 402	0.14 70	0.25 207	0.32 272	0.19 228	0.24 200	0.19 204	0.13 173	0.19 245	0.15 211	0.16 360	0.18 367	0.14 337	0.11 309	0.08 202	0.11 296

BUS	0.14 189	0.09 193	0.14 157	0.22 308	0.10 219	0.19 257	0.14 70	0.34 317	0.19 130	0.17 188	0.22 185	0.16 165	0.13 173	0.15 169	0.13 160	0.08 194	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

NINENet	0.16 241	0.10 241	0.15 194	0.17 117	0.11 257	0.19 257	0.14 70	0.40 355	0.36 300	0.18 215	0.21 176	0.16 165	0.13 173	0.15 169	0.13 160	0.08 194	0.08 272	0.10 271	0.07 163	0.10 277	0.09 254

UDGNet	0.14 189	0.13 296	0.16 224	0.17 117	0.10 219	0.12 107	0.16 173	0.21 143	0.27 234	0.20 245	0.20 162	0.16 165	0.13 173	0.16 201	0.13 160	0.10 270	0.06 193	0.09 230	0.07 163	0.06 101	0.07 161

dad	0.17 260	0.20 350	0.20 284	0.16 69	0.11 257	0.20 269	0.18 234	0.21 143	0.28 245	0.30 330	0.24 200	0.29 294	0.13 173	0.19 245	0.16 226	0.18 365	0.09 295	0.11 298	0.09 254	0.11 292	0.07 161

GEStereo_RVC	0.17 260	0.12 275	0.15 194	0.22 308	0.11 257	0.19 257	0.17 194	0.32 290	0.48 348	0.20 245	0.25 229	0.17 184	0.13 173	0.21 280	0.16 226	0.10 270	0.06 193	0.08 164	0.07 163	0.09 250	0.08 221

CFNet_pseudo	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.13 133	0.14 70	0.27 237	0.34 289	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 164	0.06 88	0.07 158	0.07 161

Anonymous	0.14 189	0.10 241	0.24 306	0.22 308	0.13 304	0.18 237	0.22 306	0.20 126	0.19 130	0.14 127	0.12 64	0.11 77	0.13 173	0.16 201	0.13 160	0.08 194	0.07 250	0.08 164	0.08 213	0.12 306	0.10 273

GES	0.14 189	0.08 142	0.16 224	0.15 38	0.10 219	0.13 133	0.13 43	0.28 251	0.25 214	0.16 176	0.23 191	0.18 195	0.13 173	0.16 201	0.13 160	0.08 194	0.07 250	0.07 100	0.06 88	0.08 202	0.09 254

SFCPSM	0.13 160	0.07 70	0.14 157	0.17 117	0.09 133	0.15 179	0.16 173	0.28 251	0.27 234	0.14 127	0.17 123	0.12 92	0.13 173	0.14 151	0.11 88	0.08 194	0.05 109	0.07 100	0.07 163	0.07 158	0.06 101

ccs_rob	0.14 189	0.08 142	0.15 194	0.16 69	0.09 133	0.12 107	0.14 70	0.27 237	0.34 289	0.14 127	0.21 176	0.22 237	0.13 173	0.18 234	0.14 188	0.07 144	0.05 109	0.08 164	0.07 163	0.07 158	0.07 161

AdaStereo	0.15 223	0.11 261	0.15 194	0.18 184	0.09 133	0.20 269	0.11 11	0.32 290	0.28 245	0.20 245	0.23 191	0.20 214	0.13 173	0.19 245	0.14 188	0.12 315	0.05 109	0.10 271	0.07 163	0.09 250	0.07 161
Xiao Song, Guorun Yang, Xinge Zhu, Hui Zhou, Zhe Wang, Jianping Shi: AdaStereo: A Simple and Efficient Approach for Adaptive Stereo Matching. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021.
iResNetv2_ROB	0.14 189	0.08 142	0.15 194	0.16 69	0.08 48	0.16 203	0.12 21	0.25 207	0.35 296	0.21 253	0.29 271	0.24 255	0.13 173	0.14 151	0.14 188	0.06 56	0.05 109	0.06 32	0.04 8	0.09 250	0.08 221

MLCV	0.12 138	0.07 70	0.16 224	0.18 184	0.06 2	0.15 179	0.17 194	0.19 119	0.21 164	0.18 215	0.25 229	0.17 184	0.13 173	0.14 151	0.13 160	0.05 2	0.04 2	0.05 2	0.04 8	0.05 40	0.04 7

iResNet	0.13 160	0.10 241	0.18 267	0.19 230	0.08 48	0.13 133	0.18 234	0.20 126	0.26 227	0.15 151	0.23 191	0.15 154	0.13 173	0.14 151	0.14 188	0.06 56	0.04 2	0.06 32	0.05 32	0.06 101	0.05 52

DN-CSS_ROB	0.13 160	0.13 296	0.16 224	0.18 184	0.10 219	0.16 203	0.08 2	0.22 159	0.18 118	0.17 188	0.22 185	0.13 115	0.13 173	0.12 103	0.13 160	0.05 2	0.05 109	0.10 271	0.10 286	0.08 202	0.06 101

CFNet_ucs	0.15 223	0.08 142	0.16 224	0.16 69	0.11 257	0.14 157	0.14 70	0.30 275	0.34 289	0.16 176	0.24 200	0.23 249	0.14 196	0.18 234	0.15 211	0.09 239	0.06 193	0.08 164	0.07 163	0.09 250	0.09 254

anonymousa	0.13 160	0.07 70	0.13 131	0.18 184	0.09 133	0.13 133	0.17 194	0.19 119	0.29 252	0.15 151	0.24 200	0.15 154	0.14 196	0.14 151	0.14 188	0.07 144	0.05 109	0.07 100	0.09 254	0.05 40	0.06 101

DCANet-4	0.10 52	0.06 19	0.12 92	0.16 69	0.06 2	0.09 35	0.17 194	0.18 99	0.19 130	0.13 107	0.16 105	0.09 39	0.14 196	0.11 47	0.12 130	0.06 56	0.04 2	0.05 2	0.04 8	0.04 1	0.05 52

GwcNet-ADL	0.13 160	0.08 142	0.14 157	0.20 271	0.09 133	0.11 84	0.20 280	0.30 275	0.24 195	0.13 107	0.14 83	0.18 195	0.14 196	0.13 136	0.14 188	0.07 144	0.05 109	0.06 32	0.05 32	0.07 158	0.06 101

AAGNet	0.11 83	0.07 70	0.16 224	0.19 230	0.09 133	0.08 23	0.13 43	0.18 99	0.13 42	0.16 176	0.21 176	0.13 115	0.14 196	0.11 47	0.14 188	0.06 56	0.04 2	0.09 230	0.06 88	0.06 101	0.05 52

DEmStereo	0.12 138	0.06 19	0.14 157	0.14 13	0.10 219	0.16 203	0.15 116	0.16 45	0.24 195	0.17 188	0.24 200	0.13 115	0.14 196	0.12 103	0.13 160	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

HCRNet	0.16 241	0.24 364	0.12 92	0.35 378	0.11 257	0.15 179	0.17 194	0.26 219	0.22 176	0.19 228	0.24 200	0.21 220	0.14 196	0.15 169	0.13 160	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

xxxx	0.15 223	0.07 70	0.14 157	0.14 13	0.08 48	0.23 304	0.18 234	0.31 281	0.19 130	0.14 127	0.28 260	0.22 237	0.14 196	0.15 169	0.26 332	0.09 239	0.05 109	0.07 100	0.07 163	0.08 202	0.07 161

PSMNet-RSSM	0.14 189	0.07 70	0.13 131	0.15 38	0.08 48	0.13 133	0.16 173	0.24 194	0.24 195	0.16 176	0.28 260	0.22 237	0.14 196	0.15 169	0.13 160	0.11 291	0.06 193	0.09 230	0.12 327	0.08 202	0.07 161

CFNet-ft	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 244	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 193	0.08 164	0.09 254	0.09 250	0.08 221

BEATNet_4x	0.12 138	0.08 142	0.14 157	0.18 184	0.07 19	0.15 179	0.07 1	0.22 159	0.18 118	0.16 176	0.19 151	0.18 195	0.14 196	0.16 201	0.15 211	0.07 144	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

HSM-Net_RVC	0.14 189	0.08 142	0.11 72	0.15 38	0.08 48	0.15 179	0.15 116	0.27 237	0.29 252	0.19 228	0.21 176	0.29 294	0.14 196	0.17 223	0.13 160	0.06 56	0.06 193	0.06 32	0.06 88	0.07 158	0.06 101
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 189	0.07 70	0.15 194	0.12 3	0.09 133	0.16 203	0.18 234	0.22 159	0.24 195	0.17 188	0.26 244	0.24 255	0.14 196	0.16 201	0.14 188	0.11 291	0.06 193	0.08 164	0.09 254	0.09 250	0.08 221

SMFormer	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 194	0.05 109	0.07 100	0.06 88	0.07 158	0.06 101

tta	0.14 189	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.17 237	0.08 194	0.05 109	0.07 100	0.06 88	0.06 101	0.06 101

qqq1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 194	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

fff1	0.13 160	0.07 70	0.17 249	0.14 13	0.08 48	0.16 203	0.17 194	0.26 219	0.27 234	0.19 228	0.20 162	0.18 195	0.15 209	0.15 169	0.11 88	0.08 194	0.05 109	0.05 2	0.05 32	0.06 101	0.06 101

1111x	0.15 223	0.08 142	0.12 92	0.18 184	0.07 19	0.18 237	0.25 338	0.31 281	0.24 195	0.17 188	0.24 200	0.26 273	0.15 209	0.13 136	0.23 304	0.07 144	0.07 250	0.08 164	0.09 254	0.07 158	0.06 101

iinet-f	0.16 241	0.06 19	0.45 361	0.14 13	0.10 219	0.21 283	0.14 70	0.27 237	0.23 185	0.21 253	0.24 200	0.21 220	0.15 209	0.18 234	0.21 285	0.09 239	0.07 250	0.07 100	0.06 88	0.09 250	0.10 273

GASNet	0.22 309	0.23 361	0.33 340	0.26 348	0.17 355	0.26 327	0.16 173	0.44 370	0.42 329	0.27 310	0.24 200	0.30 302	0.15 209	0.27 320	0.18 251	0.12 315	0.08 272	0.12 313	0.11 309	0.16 353	0.07 161

CASS	0.13 160	0.12 275	0.11 72	0.23 327	0.09 133	0.15 179	0.17 194	0.18 99	0.19 130	0.17 188	0.18 145	0.15 154	0.15 209	0.14 151	0.14 188	0.09 239	0.06 193	0.10 271	0.08 213	0.09 250	0.07 161
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 272	0.09 193	0.29 330	0.15 38	0.10 219	0.22 291	0.20 280	0.26 219	0.39 314	0.25 299	0.42 349	0.24 255	0.15 209	0.20 264	0.19 260	0.07 144	0.05 109	0.06 32	0.05 32	0.10 277	0.09 254

test_5	0.14 189	0.12 275	0.08 11	0.20 271	0.10 219	0.14 157	0.29 364	0.21 143	0.24 195	0.18 215	0.28 260	0.11 77	0.15 209	0.12 103	0.13 160	0.06 56	0.05 109	0.07 100	0.08 213	0.08 202	0.07 161

CSP-Net	0.16 241	0.09 193	0.14 157	0.16 69	0.09 133	0.19 257	0.17 194	0.25 207	0.32 272	0.25 299	0.30 275	0.24 255	0.15 209	0.21 280	0.18 251	0.09 239	0.06 193	0.07 100	0.07 163	0.08 202	0.07 161

DAS	0.15 223	0.08 142	0.18 267	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 215	0.25 229	0.21 220	0.15 209	0.16 201	0.12 130	0.08 194	0.06 193	0.06 32	0.06 88	0.07 158	0.07 161

SepStereo	0.15 223	0.08 142	0.18 267	0.19 230	0.10 219	0.19 257	0.17 194	0.27 237	0.29 252	0.18 215	0.25 229	0.21 220	0.15 209	0.25 315	0.12 130	0.08 194	0.06 193	0.06 32	0.06 88	0.07 158	0.07 161

DRaft	0.12 138	0.06 19	0.11 72	0.14 13	0.09 133	0.14 157	0.17 194	0.21 143	0.30 260	0.17 188	0.28 260	0.10 60	0.15 209	0.10 18	0.12 130	0.05 2	0.04 2	0.07 100	0.06 88	0.05 40	0.05 52

GANet-RSSM	0.14 189	0.07 70	0.13 131	0.13 6	0.08 48	0.14 157	0.17 194	0.22 159	0.21 164	0.17 188	0.24 200	0.23 249	0.15 209	0.16 201	0.15 211	0.10 270	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

DSFCA	0.16 241	0.09 193	0.14 157	0.16 69	0.10 219	0.20 269	0.19 265	0.28 251	0.31 266	0.23 278	0.24 200	0.22 237	0.15 209	0.19 245	0.20 266	0.10 270	0.07 250	0.09 230	0.09 254	0.08 202	0.08 221

FADNet-RVC-Resample	0.16 241	0.11 261	0.31 335	0.22 308	0.11 257	0.19 257	0.14 70	0.25 207	0.24 195	0.24 286	0.27 251	0.20 214	0.15 209	0.16 201	0.15 211	0.07 144	0.08 272	0.12 313	0.10 286	0.09 250	0.10 273

UCFNet_RVC	0.14 189	0.08 142	0.13 131	0.11 1	0.10 219	0.20 269	0.10 6	0.24 194	0.22 176	0.17 188	0.20 162	0.23 249	0.15 209	0.17 223	0.15 211	0.12 315	0.07 250	0.10 271	0.13 336	0.11 292	0.10 273

iResNet_ROB	0.14 189	0.07 70	0.13 131	0.14 13	0.07 19	0.18 237	0.14 70	0.26 219	0.31 266	0.22 266	0.25 229	0.23 249	0.15 209	0.15 169	0.13 160	0.07 144	0.05 109	0.05 2	0.04 8	0.08 202	0.08 221

PWCDC_ROB	0.20 291	0.13 296	0.22 294	0.24 332	0.11 257	0.19 257	0.15 116	0.33 307	0.54 364	0.29 327	0.50 364	0.21 220	0.15 209	0.27 320	0.20 266	0.11 291	0.09 295	0.10 271	0.08 213	0.11 292	0.09 254

xx1	0.11 83	0.08 142	0.12 92	0.17 117	0.09 133	0.13 133	0.15 116	0.16 45	0.18 118	0.09 16	0.09 23	0.16 165	0.16 229	0.10 18	0.07 1	0.06 56	0.04 2	0.08 164	0.08 213	0.07 158	0.07 161

mmm	0.14 189	0.08 142	0.17 249	0.17 117	0.09 133	0.17 222	0.18 234	0.21 143	0.15 71	0.15 151	0.23 191	0.21 220	0.16 229	0.16 201	0.17 237	0.08 194	0.05 109	0.08 164	0.07 163	0.07 158	0.07 161

11t1	0.12 138	0.06 19	0.13 131	0.14 13	0.08 48	0.17 222	0.15 116	0.18 99	0.15 71	0.15 151	0.15 97	0.16 165	0.16 229	0.15 169	0.13 160	0.08 194	0.05 109	0.06 32	0.05 32	0.08 202	0.07 161

CBFPSM	0.14 189	0.06 19	0.26 313	0.17 117	0.09 133	0.13 133	0.15 116	0.22 159	0.23 185	0.20 245	0.27 251	0.24 255	0.16 229	0.16 201	0.18 251	0.06 56	0.06 193	0.06 32	0.07 163	0.07 158	0.07 161

gwcnet-sp	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

scenet	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

ssnet	0.14 189	0.07 70	0.12 92	0.18 184	0.09 133	0.16 203	0.17 194	0.24 194	0.24 195	0.18 215	0.24 200	0.15 154	0.16 229	0.15 169	0.15 211	0.08 194	0.06 193	0.07 100	0.08 213	0.08 202	0.07 161

qqq	0.13 160	0.09 193	0.15 194	0.16 69	0.08 48	0.13 133	0.15 116	0.23 176	0.16 89	0.15 151	0.19 151	0.16 165	0.16 229	0.15 169	0.16 226	0.07 144	0.06 193	0.08 164	0.08 213	0.07 158	0.07 161

BSDual-CNN	0.15 223	0.09 193	0.14 157	0.22 308	0.10 219	0.14 157	0.15 116	0.34 317	0.19 130	0.17 188	0.22 185	0.25 265	0.16 229	0.15 169	0.14 188	0.08 194	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

psmg	0.14 189	0.09 193	0.14 157	0.17 117	0.10 219	0.15 179	0.17 194	0.29 261	0.19 130	0.17 188	0.21 176	0.25 265	0.16 229	0.15 169	0.14 188	0.08 194	0.06 193	0.08 164	0.08 213	0.07 158	0.06 101

AASNet	0.16 241	0.08 142	0.12 92	0.19 230	0.09 133	0.18 237	0.15 116	0.37 340	0.37 306	0.19 228	0.23 191	0.20 214	0.16 229	0.17 223	0.20 266	0.10 270	0.08 272	0.08 164	0.07 163	0.09 250	0.09 254

PSMNet-ADL	0.15 223	0.12 275	0.13 131	0.22 308	0.09 133	0.13 133	0.20 280	0.26 219	0.23 185	0.18 215	0.20 162	0.24 255	0.16 229	0.18 234	0.17 237	0.08 194	0.08 272	0.08 164	0.11 309	0.08 202	0.07 161

ADLNet	0.16 241	0.08 142	0.15 194	0.16 69	0.10 219	0.16 203	0.17 194	0.32 290	0.27 234	0.22 266	0.27 251	0.24 255	0.16 229	0.18 234	0.21 285	0.10 270	0.06 193	0.10 271	0.10 286	0.08 202	0.09 254

222	0.16 241	0.07 70	0.14 157	0.14 13	0.08 48	0.24 309	0.18 234	0.30 275	0.20 151	0.17 188	0.28 260	0.17 184	0.16 229	0.15 169	0.40 379	0.10 270	0.05 109	0.07 100	0.06 88	0.07 158	0.08 221

test_xeample	0.15 223	0.06 19	0.13 131	0.14 13	0.08 48	0.21 283	0.20 280	0.28 251	0.20 151	0.16 176	0.29 271	0.19 204	0.16 229	0.15 169	0.26 332	0.09 239	0.05 109	0.07 100	0.07 163	0.07 158	0.07 161

ACVNet	0.15 223	0.09 193	0.15 194	0.13 6	0.12 286	0.14 157	0.20 280	0.22 159	0.33 278	0.17 188	0.26 244	0.21 220	0.16 229	0.17 223	0.21 285	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

cf-r	0.13 160	0.07 70	0.12 92	0.16 69	0.08 48	0.14 157	0.19 265	0.20 126	0.25 214	0.17 188	0.25 229	0.21 220	0.16 229	0.14 151	0.14 188	0.10 270	0.05 109	0.06 32	0.08 213	0.06 101	0.06 101

GwcNet-RSSM	0.14 189	0.07 70	0.12 92	0.15 38	0.08 48	0.15 179	0.20 280	0.21 143	0.27 234	0.18 215	0.27 251	0.22 237	0.16 229	0.14 151	0.15 211	0.10 270	0.05 109	0.07 100	0.09 254	0.07 158	0.07 161

HSM	0.15 223	0.08 142	0.14 157	0.16 69	0.09 133	0.16 203	0.14 70	0.28 251	0.25 214	0.19 228	0.23 191	0.37 339	0.16 229	0.20 264	0.15 211	0.07 144	0.05 109	0.07 100	0.06 88	0.07 158	0.06 101

DispNO	0.14 189	0.08 142	0.17 249	0.19 230	0.12 286	0.11 84	0.21 296	0.23 176	0.29 252	0.17 188	0.23 191	0.18 195	0.17 248	0.15 169	0.15 211	0.07 144	0.05 109	0.08 164	0.08 213	0.07 158	0.06 101

x	0.13 160	0.07 70	0.14 157	0.14 13	0.08 48	0.18 237	0.14 70	0.22 159	0.20 151	0.15 151	0.19 151	0.19 204	0.17 248	0.18 234	0.18 251	0.07 144	0.05 109	0.06 32	0.06 88	0.07 158	0.07 161

CRFU-Net	0.16 241	0.08 142	0.14 157	0.17 117	0.09 133	0.19 257	0.14 70	0.26 219	0.20 151	0.28 321	0.27 251	0.29 294	0.17 248	0.19 245	0.17 237	0.09 239	0.09 295	0.07 100	0.07 163	0.08 202	0.08 221

AACVNet	0.16 241	0.08 142	0.14 157	0.15 38	0.10 219	0.18 237	0.15 116	0.23 176	0.24 195	0.27 310	0.27 251	0.28 287	0.17 248	0.19 245	0.16 226	0.09 239	0.07 250	0.09 230	0.07 163	0.10 277	0.09 254

LMCR-Stereo	0.15 223	0.08 142	0.13 131	0.21 295	0.09 133	0.17 222	0.20 280	0.27 237	0.19 130	0.24 286	0.24 200	0.23 249	0.17 248	0.20 264	0.17 237	0.07 144	0.06 193	0.08 164	0.06 88	0.10 277	0.08 221

acv_ft	0.15 223	0.09 193	0.15 194	0.19 230	0.10 219	0.16 203	0.17 194	0.25 207	0.33 278	0.19 228	0.26 244	0.21 220	0.17 248	0.17 223	0.18 251	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

FADNet_RVC	0.16 241	0.14 308	0.40 356	0.20 271	0.11 257	0.13 133	0.13 43	0.26 219	0.22 176	0.21 253	0.23 191	0.20 214	0.17 248	0.14 151	0.16 226	0.08 194	0.08 272	0.12 313	0.09 254	0.11 292	0.10 273

CFNet	0.15 223	0.10 241	0.17 249	0.17 117	0.08 48	0.18 237	0.09 3	0.28 251	0.25 214	0.19 228	0.24 200	0.24 255	0.17 248	0.17 223	0.14 188	0.08 194	0.06 193	0.09 230	0.10 286	0.07 158	0.06 101

NLCA_NET_v2_RVC	0.17 260	0.10 241	0.22 294	0.20 271	0.10 219	0.15 179	0.18 234	0.31 281	0.25 214	0.21 253	0.30 275	0.25 265	0.17 248	0.21 280	0.20 266	0.09 239	0.06 193	0.08 164	0.08 213	0.07 158	0.08 221
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
StereoDRNet-Refined	0.17 260	0.12 275	0.15 194	0.20 271	0.09 133	0.18 237	0.18 234	0.26 219	0.23 185	0.26 304	0.40 334	0.22 237	0.17 248	0.21 280	0.20 266	0.08 194	0.05 109	0.09 230	0.10 286	0.07 158	0.07 161
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 260	0.10 241	0.17 249	0.17 117	0.11 257	0.21 283	0.21 296	0.33 307	0.25 214	0.22 266	0.22 185	0.27 280	0.18 258	0.22 291	0.20 266	0.11 291	0.09 295	0.09 230	0.09 254	0.08 202	0.08 221

Wz-Net-LNSev	0.22 309	0.16 321	0.38 353	0.21 295	0.13 304	0.25 319	0.23 316	0.32 290	0.43 334	0.30 330	0.41 344	0.31 312	0.18 258	0.22 291	0.25 323	0.10 270	0.09 295	0.08 164	0.08 213	0.12 306	0.11 296

hknet	0.15 223	0.11 261	0.13 131	0.22 308	0.11 257	0.14 157	0.15 116	0.34 317	0.25 214	0.17 188	0.22 185	0.22 237	0.18 258	0.17 223	0.12 130	0.07 144	0.06 193	0.10 271	0.09 254	0.07 158	0.07 161

ADLNet2	0.16 241	0.09 193	0.13 131	0.16 69	0.09 133	0.20 269	0.16 173	0.31 281	0.39 314	0.16 176	0.20 162	0.20 214	0.18 258	0.21 280	0.22 294	0.08 194	0.06 193	0.07 100	0.07 163	0.09 250	0.07 161

ICVP	0.15 223	0.09 193	0.12 92	0.22 308	0.09 133	0.17 222	0.21 296	0.25 207	0.23 185	0.18 215	0.30 275	0.26 273	0.18 258	0.17 223	0.14 188	0.09 239	0.07 250	0.08 164	0.07 163	0.07 158	0.07 161
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 241	0.08 142	0.15 194	0.18 184	0.10 219	0.22 291	0.18 234	0.24 194	0.21 164	0.18 215	0.24 200	0.29 294	0.18 258	0.19 245	0.22 294	0.09 239	0.07 250	0.08 164	0.09 254	0.07 158	0.06 101

HGLStereo	0.17 260	0.08 142	0.19 276	0.17 117	0.12 286	0.18 237	0.18 234	0.31 281	0.32 272	0.21 253	0.32 287	0.25 265	0.18 258	0.19 245	0.20 266	0.09 239	0.09 295	0.07 100	0.07 163	0.09 250	0.10 273

DMCA	0.14 189	0.09 193	0.16 224	0.19 230	0.09 133	0.15 179	0.17 194	0.23 176	0.27 234	0.14 127	0.19 151	0.17 184	0.18 258	0.15 169	0.17 237	0.10 270	0.06 193	0.08 164	0.06 88	0.09 250	0.10 273

STTStereo	0.18 272	0.12 275	0.27 319	0.20 271	0.11 257	0.16 203	0.21 296	0.29 261	0.23 185	0.21 253	0.30 275	0.29 294	0.18 258	0.20 264	0.19 260	0.12 315	0.11 322	0.11 298	0.14 340	0.09 250	0.08 221

RASNet	0.14 189	0.07 70	0.14 157	0.16 69	0.08 48	0.18 237	0.14 70	0.29 261	0.20 151	0.17 188	0.25 229	0.21 220	0.18 258	0.20 264	0.19 260	0.07 144	0.06 193	0.06 32	0.08 213	0.06 101	0.06 101

TDLM	0.17 260	0.12 275	0.13 131	0.24 332	0.10 219	0.18 237	0.18 234	0.36 335	0.30 260	0.21 253	0.28 260	0.28 287	0.18 258	0.23 302	0.18 251	0.11 291	0.07 250	0.10 271	0.10 286	0.08 202	0.08 221

CVANet_RVC	0.18 272	0.10 241	0.14 157	0.21 295	0.10 219	0.18 237	0.17 194	0.34 317	0.33 278	0.22 266	0.31 283	0.28 287	0.18 258	0.23 302	0.17 237	0.12 315	0.08 272	0.12 313	0.11 309	0.09 250	0.07 161

Anonymous Stereo	0.23 324	0.19 345	0.50 367	0.24 332	0.17 355	0.21 283	0.21 296	0.33 307	0.44 338	0.25 299	0.34 304	0.26 273	0.18 258	0.31 341	0.27 339	0.13 335	0.12 331	0.12 313	0.13 336	0.11 292	0.14 337

DeepPruner_ROB	0.16 241	0.11 261	0.15 194	0.17 117	0.10 219	0.17 222	0.15 116	0.32 290	0.21 164	0.19 228	0.21 176	0.22 237	0.18 258	0.20 264	0.15 211	0.13 335	0.09 295	0.09 230	0.09 254	0.11 292	0.10 273

pmcnn	0.15 223	0.07 70	0.19 276	0.15 38	0.07 19	0.20 269	0.15 116	0.24 194	0.26 227	0.21 253	0.34 304	0.28 287	0.18 258	0.18 234	0.17 237	0.07 144	0.05 109	0.05 2	0.04 8	0.07 158	0.06 101

Wz-Net-MNSev	0.22 309	0.13 296	0.31 335	0.20 271	0.14 321	0.36 366	0.24 325	0.33 307	0.44 338	0.28 321	0.40 334	0.38 343	0.19 273	0.24 310	0.25 323	0.09 239	0.07 250	0.09 230	0.09 254	0.12 306	0.10 273

pcwnet_v2	0.19 282	0.10 241	0.26 313	0.17 117	0.14 321	0.18 237	0.15 116	0.37 340	0.46 346	0.19 228	0.24 200	0.21 220	0.19 273	0.20 264	0.19 260	0.13 335	0.10 313	0.10 271	0.10 286	0.11 292	0.13 320

delet	0.17 260	0.08 142	0.17 249	0.19 230	0.11 257	0.20 269	0.21 296	0.30 275	0.37 306	0.17 188	0.26 244	0.19 204	0.19 273	0.19 245	0.21 285	0.08 194	0.08 272	0.09 230	0.11 309	0.06 101	0.06 101

UNet	0.17 260	0.09 193	0.18 267	0.19 230	0.12 286	0.27 334	0.19 265	0.33 307	0.29 252	0.21 253	0.24 200	0.23 249	0.19 273	0.19 245	0.18 251	0.07 144	0.06 193	0.08 164	0.07 163	0.08 202	0.06 101

UPFNet	0.16 241	0.08 142	0.12 92	0.20 271	0.12 286	0.20 269	0.23 316	0.28 251	0.26 227	0.17 188	0.24 200	0.22 237	0.19 273	0.19 245	0.21 285	0.09 239	0.07 250	0.08 164	0.09 254	0.08 202	0.06 101

NVstereo2D	0.19 282	0.10 241	0.15 194	0.17 117	0.15 332	0.28 340	0.23 316	0.44 370	0.42 329	0.15 151	0.27 251	0.25 265	0.19 273	0.22 291	0.17 237	0.09 239	0.06 193	0.10 271	0.08 213	0.15 346	0.09 254

StereoDRNet	0.18 272	0.11 261	0.17 249	0.22 308	0.11 257	0.21 283	0.22 306	0.37 340	0.33 278	0.24 286	0.28 260	0.30 302	0.19 273	0.20 264	0.20 266	0.09 239	0.08 272	0.11 298	0.09 254	0.09 250	0.07 161

SGM-Forest	0.20 291	0.14 308	0.18 267	0.19 230	0.13 304	0.20 269	0.22 306	0.33 307	0.30 260	0.24 286	0.29 271	0.28 287	0.19 273	0.23 302	0.17 237	0.15 349	0.16 360	0.15 345	0.14 340	0.12 306	0.12 307
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
fast-acv-ft	0.18 272	0.11 261	0.19 276	0.19 230	0.12 286	0.24 309	0.21 296	0.25 207	0.34 289	0.22 266	0.34 304	0.27 280	0.20 281	0.21 280	0.23 304	0.09 239	0.09 295	0.08 164	0.10 286	0.08 202	0.07 161

IER	0.14 189	0.07 70	0.13 131	0.17 117	0.09 133	0.14 157	0.16 173	0.25 207	0.26 227	0.18 215	0.25 229	0.17 184	0.20 281	0.16 201	0.14 188	0.08 194	0.05 109	0.07 100	0.06 88	0.08 202	0.07 161

MMNet	0.17 260	0.09 193	0.16 224	0.20 271	0.11 257	0.27 334	0.20 280	0.25 207	0.41 323	0.22 266	0.30 275	0.21 220	0.20 281	0.17 223	0.20 266	0.06 56	0.06 193	0.07 100	0.07 163	0.08 202	0.07 161

GwcNet	0.20 291	0.13 296	0.19 276	0.18 184	0.12 286	0.24 309	0.19 265	0.35 329	0.43 334	0.20 245	0.32 287	0.33 323	0.20 281	0.22 291	0.24 314	0.11 291	0.09 295	0.09 230	0.09 254	0.09 250	0.10 273

DGSMNet	0.24 332	0.19 345	0.33 340	0.21 295	0.24 374	0.24 309	0.20 280	0.35 329	0.41 323	0.24 286	0.32 287	0.38 343	0.21 285	0.29 337	0.23 304	0.12 315	0.11 322	0.14 337	0.16 352	0.23 371	0.23 376

FADNet-RVC	0.20 291	0.20 350	0.38 353	0.21 295	0.16 342	0.20 269	0.15 116	0.26 219	0.26 227	0.26 304	0.32 287	0.26 273	0.21 285	0.22 291	0.19 260	0.12 315	0.13 344	0.12 313	0.14 340	0.13 323	0.18 365

FADNet	0.21 300	0.22 360	0.36 349	0.18 184	0.17 355	0.24 309	0.13 43	0.31 281	0.31 266	0.23 278	0.25 229	0.27 280	0.21 285	0.19 245	0.15 211	0.13 335	0.15 357	0.12 313	0.15 350	0.16 353	0.18 365

MaskLacGwcNet_RVC	0.22 309	0.21 356	0.24 306	0.26 348	0.11 257	0.23 304	0.14 70	0.39 351	0.24 195	0.32 342	0.36 310	0.30 302	0.21 285	0.19 245	0.21 285	0.17 364	0.14 351	0.21 366	0.16 352	0.12 306	0.12 307

SuperB	0.20 291	0.10 241	0.56 375	0.16 69	0.09 133	0.18 237	0.18 234	0.24 194	0.50 355	0.26 304	0.39 329	0.17 184	0.21 285	0.22 291	0.21 285	0.08 194	0.06 193	0.06 32	0.06 88	0.12 306	0.10 273

RTSC	0.23 324	0.12 275	0.28 324	0.21 295	0.13 304	0.28 340	0.16 173	0.35 329	0.66 383	0.27 310	0.33 300	0.30 302	0.21 285	0.31 341	0.29 350	0.10 270	0.08 272	0.09 230	0.10 286	0.13 323	0.13 320

AANet_RVC	0.16 241	0.10 241	0.10 45	0.18 184	0.09 133	0.18 237	0.19 265	0.26 219	0.31 266	0.22 266	0.35 307	0.21 220	0.21 285	0.22 291	0.16 226	0.06 56	0.05 109	0.06 32	0.06 88	0.07 158	0.06 101

DRN-Test	0.19 282	0.11 261	0.20 284	0.22 308	0.10 219	0.22 291	0.22 306	0.39 351	0.37 306	0.24 286	0.32 287	0.26 273	0.21 285	0.22 291	0.24 314	0.11 291	0.07 250	0.11 298	0.10 286	0.09 250	0.07 161

MDST_ROB	0.22 309	0.10 241	0.17 249	0.18 184	0.11 257	0.37 367	0.19 265	0.43 368	0.41 323	0.39 357	0.39 329	0.29 294	0.21 285	0.26 317	0.18 251	0.11 291	0.10 313	0.14 337	0.11 309	0.10 277	0.08 221

SQANet	0.23 324	0.23 361	0.30 333	0.30 371	0.19 364	0.27 334	0.13 43	0.29 261	0.33 278	0.24 286	0.37 316	0.31 312	0.22 294	0.27 320	0.23 304	0.15 349	0.10 313	0.21 366	0.16 352	0.21 368	0.15 345

SACVNet	0.18 272	0.12 275	0.14 157	0.17 117	0.13 304	0.22 291	0.18 234	0.31 281	0.30 260	0.23 278	0.31 283	0.30 302	0.22 294	0.22 291	0.17 237	0.11 291	0.08 272	0.10 271	0.10 286	0.12 306	0.14 337

FINET	0.21 300	0.18 342	0.26 313	0.18 184	0.16 342	0.23 304	0.23 316	0.32 290	0.48 348	0.25 299	0.32 287	0.22 237	0.22 294	0.22 291	0.17 237	0.18 365	0.16 360	0.11 298	0.10 286	0.15 346	0.13 320

hitnet-ft	0.18 272	0.09 193	0.17 249	0.14 13	0.09 133	0.26 327	0.20 280	0.25 207	0.26 227	0.24 286	0.32 287	0.31 312	0.22 294	0.24 310	0.21 285	0.12 315	0.07 250	0.10 271	0.08 213	0.12 306	0.11 296

ADCP+	0.20 291	0.10 241	0.33 340	0.20 271	0.12 286	0.22 291	0.26 344	0.31 281	0.34 289	0.26 304	0.37 316	0.22 237	0.22 294	0.27 320	0.27 339	0.09 239	0.06 193	0.08 164	0.08 213	0.09 250	0.10 273

PSMNet_ROB	0.21 300	0.11 261	0.15 194	0.27 359	0.15 332	0.24 309	0.35 381	0.43 368	0.37 306	0.27 310	0.32 287	0.32 320	0.22 294	0.21 280	0.26 332	0.12 315	0.08 272	0.13 327	0.11 309	0.09 250	0.09 254

ADCRef	0.19 282	0.12 275	0.41 358	0.20 271	0.12 286	0.22 291	0.18 234	0.32 290	0.36 300	0.26 304	0.32 287	0.17 184	0.23 300	0.24 310	0.24 314	0.07 144	0.06 193	0.09 230	0.09 254	0.08 202	0.08 221

RYNet	0.22 309	0.12 275	0.22 294	0.19 230	0.17 355	0.46 373	0.26 344	0.38 347	0.48 348	0.24 286	0.28 260	0.34 329	0.23 300	0.20 264	0.30 354	0.10 270	0.06 193	0.09 230	0.09 254	0.13 323	0.15 345

NaN_ROB	0.22 309	0.19 345	0.24 306	0.25 343	0.13 304	0.29 343	0.26 344	0.33 307	0.41 323	0.31 336	0.31 283	0.32 320	0.23 300	0.30 340	0.21 285	0.11 291	0.17 365	0.10 271	0.10 286	0.08 202	0.09 254

NOSS_ROB	0.19 282	0.12 275	0.18 267	0.16 69	0.12 286	0.15 179	0.12 21	0.30 275	0.32 272	0.20 245	0.22 185	0.27 280	0.23 300	0.21 280	0.16 226	0.16 360	0.18 367	0.23 371	0.21 367	0.12 306	0.13 320

DispFullNet	0.27 349	0.21 356	0.65 382	0.28 362	0.16 342	0.26 327	0.17 194	0.33 307	0.58 372	0.27 310	0.38 321	0.43 360	0.23 300	0.38 368	0.23 304	0.12 315	0.06 193	0.19 363	0.11 309	0.21 368	0.15 345

CBMV	0.19 282	0.14 308	0.17 249	0.18 184	0.10 219	0.20 269	0.11 11	0.29 261	0.30 260	0.29 327	0.30 275	0.30 302	0.23 300	0.27 320	0.19 260	0.13 335	0.15 357	0.17 353	0.16 352	0.10 277	0.10 273
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 260	0.11 261	0.18 267	0.17 117	0.11 257	0.16 203	0.25 338	0.24 194	0.33 278	0.19 228	0.24 200	0.26 273	0.24 306	0.19 245	0.20 266	0.07 144	0.08 272	0.09 230	0.10 286	0.09 250	0.08 221

WZ-Net	0.28 352	0.17 332	0.78 396	0.22 308	0.16 342	0.34 357	0.29 364	0.39 351	0.57 369	0.24 286	0.55 369	0.37 339	0.24 306	0.33 349	0.35 368	0.09 239	0.08 272	0.09 230	0.10 286	0.14 335	0.16 356

psm_up	0.18 272	0.10 241	0.18 267	0.20 271	0.11 257	0.17 222	0.19 265	0.37 340	0.34 289	0.21 253	0.28 260	0.29 294	0.24 306	0.20 264	0.22 294	0.09 239	0.10 313	0.11 298	0.11 309	0.08 202	0.08 221

RP	0.21 300	0.13 296	0.21 289	0.23 327	0.11 257	0.21 283	0.20 280	0.25 207	0.44 338	0.21 253	0.38 321	0.36 335	0.24 306	0.27 320	0.25 323	0.11 291	0.12 331	0.13 327	0.12 327	0.12 306	0.14 337

PS-NSSS	0.20 291	0.21 356	0.23 303	0.20 271	0.10 219	0.19 257	0.17 194	0.36 335	0.25 214	0.27 310	0.33 300	0.27 280	0.24 306	0.20 264	0.20 266	0.15 349	0.12 331	0.17 353	0.14 340	0.10 277	0.08 221

CBMV_ROB	0.19 282	0.13 296	0.17 249	0.16 69	0.11 257	0.15 179	0.13 43	0.26 219	0.28 245	0.27 310	0.30 275	0.27 280	0.24 306	0.23 302	0.16 226	0.15 349	0.17 365	0.22 370	0.20 365	0.10 277	0.11 296

DLCB_ROB	0.18 272	0.10 241	0.15 194	0.23 327	0.11 257	0.24 309	0.18 234	0.29 261	0.28 245	0.27 310	0.28 260	0.28 287	0.24 306	0.19 245	0.20 266	0.08 194	0.08 272	0.09 230	0.09 254	0.07 158	0.07 161

PWC_ROB	0.21 300	0.16 321	0.26 313	0.18 184	0.11 257	0.22 291	0.13 43	0.32 290	0.49 353	0.30 330	0.40 334	0.32 320	0.24 306	0.31 341	0.22 294	0.10 270	0.07 250	0.11 298	0.08 213	0.11 292	0.10 273

HBP-ISP	0.18 272	0.13 296	0.16 224	0.15 38	0.11 257	0.08 23	0.13 43	0.28 251	0.29 252	0.22 266	0.33 300	0.21 220	0.25 314	0.23 302	0.17 237	0.14 346	0.16 360	0.21 366	0.17 359	0.10 277	0.08 221

DDUNet	0.22 309	0.17 332	0.21 289	0.22 308	0.15 332	0.25 319	0.24 325	0.29 261	0.30 260	0.31 336	0.36 310	0.33 323	0.25 314	0.24 310	0.20 266	0.18 365	0.13 344	0.17 353	0.11 309	0.16 353	0.16 356

Syn2CoEx	0.21 300	0.16 321	0.27 319	0.29 369	0.14 321	0.26 327	0.20 280	0.33 307	0.31 266	0.28 321	0.36 310	0.27 280	0.25 314	0.19 245	0.24 314	0.16 360	0.12 331	0.14 337	0.11 309	0.09 250	0.08 221

Wz-Net-SNSev	0.25 341	0.17 332	0.44 360	0.25 343	0.14 321	0.26 327	0.23 316	0.38 347	0.56 367	0.30 330	0.55 369	0.39 351	0.26 317	0.23 302	0.30 354	0.10 270	0.09 295	0.09 230	0.10 286	0.11 292	0.11 296

AF-Net	0.22 309	0.17 332	0.17 249	0.26 348	0.13 304	0.25 319	0.24 325	0.32 290	0.50 355	0.25 299	0.33 300	0.38 343	0.26 317	0.28 331	0.25 323	0.11 291	0.10 313	0.16 351	0.11 309	0.11 292	0.10 273

PA-Net	0.23 324	0.18 342	0.33 340	0.28 362	0.22 371	0.21 283	0.38 386	0.29 261	0.39 314	0.22 266	0.32 287	0.25 265	0.26 317	0.20 264	0.25 323	0.09 239	0.23 382	0.15 345	0.22 370	0.09 250	0.13 320
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 282	0.09 193	0.22 294	0.17 117	0.10 219	0.25 319	0.18 234	0.27 237	0.44 338	0.22 266	0.31 283	0.33 323	0.26 317	0.28 331	0.28 347	0.08 194	0.06 193	0.07 100	0.07 163	0.09 250	0.09 254

SANet	0.24 332	0.14 308	0.28 324	0.21 295	0.11 257	0.27 334	0.24 325	0.38 347	0.64 380	0.36 350	0.40 334	0.43 360	0.26 317	0.27 320	0.24 314	0.12 315	0.09 295	0.10 271	0.09 254	0.13 323	0.11 296

XPNet_ROB	0.22 309	0.11 261	0.19 276	0.22 308	0.13 304	0.22 291	0.19 265	0.34 317	0.40 320	0.30 330	0.39 329	0.39 351	0.26 317	0.26 317	0.28 347	0.15 349	0.10 313	0.10 271	0.10 286	0.13 323	0.12 307

ETE_ROB	0.23 324	0.17 332	0.22 294	0.25 343	0.13 304	0.26 327	0.29 364	0.31 281	0.36 300	0.28 321	0.36 310	0.45 364	0.26 317	0.27 320	0.26 332	0.11 291	0.08 272	0.12 313	0.09 254	0.14 335	0.13 320

LALA_ROB	0.25 341	0.16 321	0.22 294	0.26 348	0.17 355	0.27 334	0.27 351	0.42 365	0.37 306	0.33 346	0.38 321	0.51 374	0.26 317	0.28 331	0.27 339	0.16 360	0.09 295	0.12 313	0.11 309	0.13 323	0.12 307

ACVNet-4b	0.39 371	0.53 390	0.55 373	0.45 387	0.24 374	0.47 375	0.18 234	0.49 379	0.64 380	0.42 367	0.45 355	0.60 381	0.27 325	0.34 352	0.24 314	0.33 388	0.14 351	0.48 391	0.42 391	0.30 384	0.26 383

Anonymous_2	0.22 309	0.17 332	0.28 324	0.15 38	0.16 342	0.32 348	0.22 306	0.22 159	0.17 101	0.23 278	0.24 200	0.26 273	0.27 325	0.27 320	0.23 304	0.22 377	0.25 384	0.17 353	0.17 359	0.17 360	0.17 363

UDG	0.21 300	0.17 332	0.19 276	0.23 327	0.15 332	0.30 346	0.20 280	0.33 307	0.35 296	0.23 278	0.28 260	0.31 312	0.27 325	0.20 264	0.22 294	0.15 349	0.12 331	0.13 327	0.09 254	0.14 335	0.14 337

aanetorigin	0.22 309	0.17 332	0.56 375	0.17 117	0.10 219	0.15 179	0.19 265	0.20 126	0.33 278	0.49 375	0.48 359	0.29 294	0.27 325	0.20 264	0.23 304	0.08 194	0.07 250	0.08 164	0.07 163	0.10 277	0.09 254

DMCA-RVC	0.17 260	0.10 241	0.15 194	0.24 332	0.11 257	0.18 237	0.18 234	0.25 207	0.24 195	0.21 253	0.26 244	0.25 265	0.27 325	0.18 234	0.20 266	0.12 315	0.08 272	0.13 327	0.10 286	0.10 277	0.08 221

RGC	0.25 341	0.20 350	0.29 330	0.28 362	0.16 342	0.22 291	0.23 316	0.32 290	0.44 338	0.27 310	0.40 334	0.38 343	0.27 325	0.36 363	0.22 294	0.11 291	0.13 344	0.17 353	0.17 359	0.14 335	0.16 356

stereogan	0.22 309	0.11 261	0.21 289	0.20 271	0.12 286	0.31 347	0.19 265	0.35 329	0.44 338	0.22 266	0.39 329	0.35 333	0.27 325	0.33 349	0.22 294	0.10 270	0.12 331	0.10 271	0.10 286	0.14 335	0.13 320

FBW_ROB	0.24 332	0.17 332	0.22 294	0.26 348	0.14 321	0.25 319	0.22 306	0.41 360	0.41 323	0.41 364	0.41 344	0.42 357	0.27 325	0.31 341	0.23 304	0.09 239	0.14 351	0.14 337	0.12 327	0.11 292	0.09 254

NCC-stereo	0.24 332	0.15 314	0.31 335	0.26 348	0.16 342	0.20 269	0.30 371	0.40 355	0.40 320	0.24 286	0.38 321	0.33 323	0.28 333	0.36 363	0.27 339	0.12 315	0.11 322	0.15 345	0.22 370	0.13 323	0.13 320

Nwc_Net	0.23 324	0.16 321	0.21 289	0.25 343	0.14 321	0.24 309	0.26 344	0.37 340	0.38 311	0.22 266	0.41 344	0.30 302	0.28 333	0.28 331	0.25 323	0.11 291	0.10 313	0.17 353	0.20 365	0.10 277	0.10 273

Abc-Net	0.24 332	0.15 314	0.31 335	0.26 348	0.16 342	0.20 269	0.30 371	0.40 355	0.40 320	0.24 286	0.38 321	0.33 323	0.28 333	0.36 363	0.27 339	0.12 315	0.11 322	0.15 345	0.22 370	0.13 323	0.13 320
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 347	0.15 314	0.30 333	0.24 332	0.18 362	0.22 291	0.15 116	0.38 347	0.71 387	0.32 342	0.41 344	0.36 335	0.28 333	0.32 347	0.29 350	0.12 315	0.11 322	0.14 337	0.13 336	0.16 353	0.20 371

DeepPrunerF	0.24 332	0.17 332	0.42 359	0.26 348	0.16 342	0.22 291	0.28 356	0.37 340	0.50 355	0.26 304	0.29 271	0.24 255	0.28 333	0.21 280	0.22 294	0.15 349	0.11 322	0.20 365	0.18 363	0.12 306	0.13 320

ADCPNet	0.25 341	0.16 321	0.61 379	0.21 295	0.15 332	0.35 365	0.25 338	0.32 290	0.35 296	0.30 330	0.40 334	0.36 335	0.28 333	0.28 331	0.32 362	0.12 315	0.10 313	0.11 298	0.12 327	0.14 335	0.13 320

GANet	0.21 300	0.12 275	0.21 289	0.24 332	0.13 304	0.22 291	0.22 306	0.41 360	0.26 227	0.31 336	0.42 349	0.37 339	0.28 333	0.23 302	0.22 294	0.10 270	0.12 331	0.10 271	0.09 254	0.10 277	0.08 221

NCCL2	0.23 324	0.15 314	0.17 249	0.34 376	0.18 362	0.24 309	0.23 316	0.34 317	0.28 245	0.31 336	0.38 321	0.38 343	0.28 333	0.23 302	0.24 314	0.15 349	0.12 331	0.18 361	0.21 367	0.13 323	0.13 320

APVNet	0.22 309	0.12 275	0.19 276	0.18 184	0.14 321	0.32 348	0.31 377	0.39 351	0.32 272	0.27 310	0.40 334	0.30 302	0.29 341	0.26 317	0.25 323	0.11 291	0.12 331	0.11 298	0.14 340	0.12 306	0.12 307

G-Net	0.24 332	0.16 321	0.36 349	0.22 308	0.16 342	0.51 379	0.23 316	0.29 261	0.34 289	0.36 350	0.38 321	0.31 312	0.29 341	0.27 320	0.26 332	0.11 291	0.09 295	0.12 313	0.09 254	0.16 353	0.13 320

DPSNet	0.28 352	0.16 321	0.31 335	0.18 184	0.13 304	0.54 381	0.42 390	0.51 382	0.67 384	0.29 327	0.38 321	0.38 343	0.29 341	0.31 341	0.23 304	0.11 291	0.10 313	0.11 298	0.08 213	0.20 367	0.16 356

PDISCO_ROB	0.27 349	0.16 321	0.26 313	0.28 362	0.20 367	0.32 348	0.26 344	0.44 370	0.57 369	0.28 321	0.40 334	0.45 364	0.29 341	0.33 349	0.34 367	0.12 315	0.09 295	0.17 353	0.16 352	0.17 360	0.13 320

ccnet	0.29 356	0.28 374	0.23 303	0.20 271	0.28 381	0.41 372	0.21 296	0.45 373	0.33 278	0.36 350	0.46 356	0.36 335	0.30 345	0.39 371	0.42 383	0.23 381	0.14 351	0.21 366	0.17 359	0.23 371	0.18 365

S-Stereo	0.20 291	0.12 275	0.25 312	0.21 295	0.13 304	0.20 269	0.18 234	0.32 290	0.43 334	0.23 278	0.36 310	0.28 287	0.30 345	0.19 245	0.22 294	0.09 239	0.12 331	0.10 271	0.10 286	0.13 323	0.13 320

XQC	0.28 352	0.23 361	0.51 368	0.28 362	0.19 364	0.34 357	0.27 351	0.36 335	0.57 369	0.31 336	0.30 275	0.37 339	0.30 345	0.38 368	0.38 375	0.13 335	0.09 295	0.15 345	0.12 327	0.17 360	0.18 365

ADCL	0.24 332	0.11 261	0.47 365	0.22 308	0.12 286	0.34 357	0.29 364	0.29 261	0.56 367	0.24 286	0.46 356	0.30 302	0.30 345	0.29 337	0.29 350	0.08 194	0.07 250	0.09 230	0.09 254	0.10 277	0.10 273

MFN_U_SF_DS_RVC	0.30 361	0.24 364	0.29 330	0.36 380	0.16 342	0.34 357	0.30 371	0.32 290	0.42 329	0.40 360	0.46 356	0.38 343	0.31 349	0.34 352	0.28 347	0.19 369	0.20 373	0.26 373	0.29 382	0.18 363	0.19 370

CC-Net-ROB	0.28 352	0.31 379	0.36 349	0.29 369	0.15 332	0.25 319	0.19 265	0.45 373	0.33 278	0.39 357	0.37 316	0.39 351	0.31 349	0.27 320	0.26 332	0.24 383	0.19 370	0.30 384	0.23 374	0.18 363	0.15 345

DANet	0.21 300	0.15 314	0.28 324	0.25 343	0.13 304	0.22 291	0.19 265	0.27 237	0.27 234	0.28 321	0.32 287	0.35 333	0.31 349	0.31 341	0.23 304	0.11 291	0.09 295	0.11 298	0.10 286	0.13 323	0.11 296
Z Ling, K Yang, J Li, Y Zhang, X Gao, L Luo, L Xie: Domain-adaptive modules for stereo matching network. Neurocomputing 2021
FAT-Stereo	0.20 291	0.12 275	0.22 294	0.21 295	0.12 286	0.17 222	0.18 234	0.34 317	0.39 314	0.27 310	0.37 316	0.34 329	0.32 352	0.21 280	0.20 266	0.09 239	0.11 322	0.10 271	0.09 254	0.11 292	0.14 337

otaku	0.39 371	0.37 384	0.52 369	0.44 386	0.28 381	0.58 383	0.24 325	0.41 360	0.62 378	0.40 360	0.49 360	0.46 368	0.33 353	0.40 375	0.32 362	0.30 386	0.30 388	0.39 388	0.33 387	0.29 383	0.28 384

AnyNet_C32	0.26 347	0.16 321	0.36 349	0.20 271	0.16 342	0.25 319	0.30 371	0.32 290	0.44 338	0.31 336	0.49 360	0.30 302	0.33 353	0.40 375	0.33 365	0.12 315	0.12 331	0.12 313	0.14 340	0.14 335	0.15 345

GANetREF_RVC	0.31 362	0.34 381	0.27 319	0.35 378	0.16 342	0.32 348	0.41 387	0.48 377	0.51 362	0.35 348	0.35 307	0.34 329	0.33 353	0.39 371	0.32 362	0.27 385	0.20 373	0.29 382	0.15 350	0.18 363	0.17 363
Zhang, Feihu and Prisacariu, Victor and Yang, Ruigang and Torr, Philip HS: GA-Net: Guided Aggregation Net for End- to-end Stereo Matching. CVPR 2019
CSAN	0.29 356	0.24 364	0.27 319	0.34 376	0.19 364	0.33 354	0.42 390	0.37 340	0.50 355	0.38 355	0.40 334	0.44 362	0.33 353	0.28 331	0.30 354	0.20 371	0.16 360	0.19 363	0.19 364	0.14 335	0.15 345

PASM	0.32 364	0.24 364	0.48 366	0.28 362	0.27 380	0.29 343	0.30 371	0.34 317	0.49 353	0.35 348	0.39 329	0.46 368	0.34 357	0.34 352	0.35 368	0.23 381	0.25 384	0.26 373	0.28 381	0.23 371	0.21 373

WCMA_ROB	0.24 332	0.11 261	0.22 294	0.17 117	0.14 321	0.32 348	0.15 116	0.32 290	0.32 272	0.38 355	0.53 366	0.40 354	0.34 357	0.34 352	0.25 323	0.11 291	0.12 331	0.12 313	0.10 286	0.14 335	0.14 337

edge stereo	0.22 309	0.13 296	0.20 284	0.21 295	0.13 304	0.23 304	0.16 173	0.32 290	0.42 329	0.32 342	0.40 334	0.38 343	0.35 359	0.25 315	0.24 314	0.13 335	0.11 322	0.14 337	0.11 309	0.12 306	0.13 320

SGM_RVC	0.23 324	0.12 275	0.15 194	0.15 38	0.09 133	0.33 354	0.18 234	0.34 317	0.31 266	0.44 371	0.37 316	0.53 377	0.35 359	0.35 358	0.24 314	0.13 335	0.13 344	0.13 327	0.13 336	0.10 277	0.11 296
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 356	0.18 342	0.45 361	0.21 295	0.17 355	0.28 340	0.23 316	0.41 360	0.63 379	0.40 360	0.49 360	0.40 354	0.36 361	0.39 371	0.40 379	0.13 335	0.12 331	0.13 327	0.14 340	0.16 353	0.16 356

LSM	0.33 367	0.20 350	0.58 377	0.26 348	0.60 402	0.34 357	0.25 338	0.42 365	0.48 348	0.45 372	0.58 377	0.42 357	0.36 361	0.35 358	0.25 323	0.12 315	0.20 373	0.14 337	0.16 352	0.19 366	0.33 390

psmorigin	0.25 341	0.15 314	0.34 348	0.17 117	0.13 304	0.23 304	0.14 70	0.34 317	0.33 278	0.41 364	0.55 369	0.41 356	0.37 363	0.34 352	0.27 339	0.11 291	0.15 357	0.11 298	0.11 309	0.12 306	0.16 356

Wz-Net-TNSev	0.29 356	0.20 350	0.65 382	0.19 230	0.15 332	0.38 369	0.27 351	0.35 329	0.55 365	0.34 347	0.42 349	0.45 364	0.38 364	0.32 347	0.30 354	0.12 315	0.13 344	0.10 271	0.12 327	0.15 346	0.14 337

AnyNet_C01	0.36 370	0.25 369	1.37 408	0.22 308	0.17 355	0.48 377	0.27 351	0.35 329	0.39 314	0.39 357	0.74 389	0.46 368	0.38 364	0.45 379	0.47 388	0.13 335	0.13 344	0.13 327	0.14 340	0.14 335	0.15 345

EDNetEfficient	0.29 356	0.24 364	1.13 405	0.18 184	0.10 219	0.19 257	0.20 280	0.20 126	0.60 376	0.74 394	0.56 374	0.31 312	0.39 366	0.22 291	0.30 354	0.09 239	0.07 250	0.08 164	0.07 163	0.11 292	0.09 254

MFN_U_SF_RVC	0.32 364	0.21 356	0.55 373	0.30 371	0.15 332	0.34 357	0.17 194	0.52 383	0.46 346	0.46 374	0.55 369	0.59 380	0.39 366	0.35 358	0.37 373	0.15 349	0.14 351	0.18 361	0.21 367	0.16 353	0.15 345

SAMSARA	0.40 374	0.28 374	0.33 340	0.55 393	0.39 387	0.82 403	1.23 417	0.47 376	0.51 362	0.36 350	0.35 307	0.55 379	0.39 366	0.38 368	0.39 377	0.15 349	0.20 373	0.15 345	0.14 340	0.23 371	0.20 371

ADCMid	0.25 341	0.15 314	0.40 356	0.20 271	0.14 321	0.25 319	0.26 344	0.34 317	0.38 311	0.36 350	0.44 354	0.34 329	0.40 369	0.35 358	0.33 365	0.10 270	0.09 295	0.11 298	0.11 309	0.13 323	0.12 307

FC-DCNN	0.33 367	0.27 371	0.28 324	0.26 348	0.23 373	0.37 367	0.28 356	0.40 355	0.43 334	0.45 372	0.55 369	0.51 374	0.40 369	0.37 367	0.30 354	0.21 374	0.20 373	0.27 376	0.26 377	0.25 378	0.24 377

MSMD_ROB	0.31 362	0.26 370	0.26 313	0.24 332	0.21 369	0.34 357	0.25 338	0.34 317	0.39 314	0.40 360	0.69 383	0.45 364	0.40 369	0.34 352	0.27 339	0.20 371	0.19 370	0.26 373	0.25 376	0.23 371	0.22 375

MeshStereo	0.27 349	0.13 296	0.18 267	0.15 38	0.11 257	0.32 348	0.24 325	0.40 355	0.36 300	0.52 377	0.57 375	0.67 388	0.40 369	0.35 358	0.26 332	0.14 346	0.13 344	0.13 327	0.11 309	0.11 292	0.10 273
C. Zhang, Z. Li, Y. Cheng, R. Cai, H. Chao, Y. Rui: MeshStereo: A Global Stereo Model with Mesh Alignment Regularization for View Interpolation. ICCV 2015
FCDSN-DC	0.33 367	0.28 374	0.28 324	0.30 371	0.24 374	0.39 370	0.28 356	0.42 365	0.42 329	0.43 370	0.53 366	0.51 374	0.41 373	0.36 363	0.30 354	0.21 374	0.20 373	0.27 376	0.26 377	0.25 378	0.24 377
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 381	0.19 345	3.26 414	0.24 332	0.15 332	0.74 396	0.20 280	0.36 335	0.76 393	0.42 367	0.43 352	0.31 312	0.41 373	0.53 387	0.35 368	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 345

RTSA	0.45 381	0.19 345	3.26 414	0.24 332	0.15 332	0.74 396	0.20 280	0.36 335	0.76 393	0.42 367	0.43 352	0.31 312	0.41 373	0.53 387	0.35 368	0.10 270	0.08 272	0.13 327	0.12 327	0.15 346	0.15 345

Ntro	0.40 374	0.40 386	0.53 370	0.46 390	0.30 385	0.65 389	0.24 325	0.46 375	0.68 385	0.41 364	0.49 360	0.48 372	0.42 376	0.39 371	0.31 361	0.32 387	0.28 386	0.37 387	0.30 384	0.32 388	0.29 385

SGM-ForestM	0.32 364	0.12 275	0.16 224	0.16 69	0.11 257	0.39 370	0.19 265	0.41 360	0.50 355	0.52 377	0.54 368	1.32 407	0.42 376	0.40 375	0.27 339	0.14 346	0.16 360	0.16 351	0.16 352	0.12 306	0.12 307

LE_ROB	0.50 385	0.07 70	0.14 157	0.15 38	0.08 48	0.24 309	0.16 173	0.22 159	1.81 416	4.63 419	0.67 381	0.47 371	0.44 378	0.20 264	0.29 350	0.07 144	0.06 193	0.06 32	0.06 88	0.08 202	0.06 101

coex-ft	3.30 416	0.34 381	59.09 439	0.18 184	0.13 304	0.26 327	0.22 306	0.27 237	0.72 388	1.90 417	0.70 385	0.44 362	0.45 379	0.29 337	0.41 382	0.09 239	0.09 295	0.12 313	0.09 254	0.14 335	0.13 320

RainbowNet	0.54 388	0.61 394	0.70 394	0.57 394	0.43 390	0.65 389	0.37 385	0.60 392	0.87 397	0.50 376	0.66 380	0.64 384	0.47 380	0.49 381	0.43 386	0.47 396	0.48 398	0.52 395	0.41 390	0.52 393	0.40 395

Consistency-Raft	0.44 379	0.40 386	0.45 361	0.37 381	0.43 390	0.46 373	0.41 387	0.57 390	0.55 365	0.32 342	0.73 387	0.33 323	0.48 381	0.42 378	0.49 390	0.39 390	0.35 390	0.45 390	0.51 398	0.42 390	0.29 385

ACVNet_1	0.44 379	0.49 389	0.60 378	0.45 387	0.28 381	0.49 378	0.27 351	0.57 390	0.72 388	0.62 383	0.58 377	0.74 392	0.49 382	0.50 382	0.35 368	0.26 384	0.24 383	0.39 388	0.29 382	0.31 387	0.24 377

EDNetEfficientorigin	7.91 421	0.31 379	153.02 440	0.19 230	0.09 133	0.21 283	0.16 173	0.22 159	0.59 373	0.72 390	0.67 381	0.42 357	0.50 383	0.24 310	0.39 377	0.08 194	0.07 250	0.08 164	0.07 163	0.12 306	0.10 273

MSC_U_SF_DS_RVC	0.43 378	0.39 385	0.54 371	0.40 382	0.20 367	0.64 388	0.32 379	0.53 385	0.72 388	0.71 388	0.72 386	0.61 382	0.54 384	0.51 383	0.46 387	0.20 371	0.19 370	0.29 382	0.30 384	0.23 371	0.18 365

ELAS_RVC	0.41 376	0.29 377	0.33 340	0.28 362	0.24 374	0.54 381	0.36 382	0.49 379	0.59 373	0.72 390	0.74 389	0.65 386	0.54 384	0.54 389	0.40 379	0.22 377	0.20 373	0.27 376	0.26 377	0.26 381	0.25 381
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 376	0.29 377	0.33 340	0.27 359	0.24 374	0.60 386	0.36 382	0.50 381	0.50 355	0.71 388	0.79 393	0.67 388	0.54 384	0.51 383	0.42 383	0.22 377	0.20 373	0.27 376	0.26 377	0.26 381	0.25 381
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 387	0.58 392	0.65 382	0.41 384	0.61 403	0.53 380	0.41 387	0.56 388	0.41 323	0.55 380	0.50 364	0.49 373	0.55 387	0.58 392	0.50 393	0.58 401	0.50 402	0.51 393	0.51 398	0.51 392	0.57 399

SGM+DAISY	0.56 389	0.57 391	0.65 382	0.40 382	0.54 395	0.66 391	0.49 394	0.56 388	0.45 345	0.66 384	0.69 383	0.67 388	0.56 388	0.63 394	0.56 395	0.59 402	0.48 398	0.50 392	0.50 397	0.52 393	0.58 400

SPS-STEREO	0.57 390	0.58 392	0.65 382	0.45 387	0.55 397	0.62 387	0.44 393	0.62 393	0.50 355	0.68 386	0.64 379	0.66 387	0.57 389	0.61 393	0.60 397	0.62 404	0.47 397	0.51 393	0.49 395	0.55 397	0.58 400
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 371	0.20 350	0.39 355	0.31 375	0.22 371	0.29 343	0.43 392	0.52 383	0.96 400	0.55 380	0.79 393	0.53 377	0.59 390	0.52 385	0.38 375	0.19 369	0.14 351	0.17 353	0.14 340	0.24 377	0.31 388

MANE	0.45 381	0.27 371	0.27 319	0.27 359	0.24 374	0.47 375	0.31 377	0.55 387	0.59 373	0.72 390	1.13 409	1.15 401	0.61 391	0.52 385	0.37 373	0.21 374	0.20 373	0.27 376	0.31 386	0.25 378	0.24 377

PWCK	0.71 395	0.94 410	0.95 403	0.76 399	0.31 386	0.74 396	0.36 382	0.90 400	0.90 398	0.96 403	0.75 391	0.95 396	0.61 391	0.87 406	0.66 400	0.72 406	0.46 393	0.75 402	0.49 395	0.69 405	0.44 397

BEATNet-Init1	0.52 386	0.27 371	0.62 380	0.30 371	0.21 369	0.76 400	0.29 364	0.54 386	0.65 382	0.86 399	0.95 400	2.07 416	0.62 393	0.56 391	0.42 383	0.18 365	0.18 367	0.23 371	0.22 370	0.22 370	0.21 373

NVStereoNet_ROB	0.46 384	0.36 383	0.46 364	0.41 384	0.28 381	0.34 357	0.34 380	0.48 377	0.60 376	0.72 390	0.93 398	0.70 391	0.66 394	0.47 380	0.60 397	0.22 377	0.33 389	0.34 386	0.34 389	0.30 384	0.30 387
Nikolai Smolyanskiy, Alexey Kamenev, Stan Birchfield: On the Importance of Stereo for Accurate Depth Estimation: An Efficient Semi-Supervised Deep Neural Network Approach. Arxiv
MFMNet_re	0.64 391	0.66 398	0.65 382	0.51 391	0.69 407	0.69 392	0.57 400	0.64 394	0.73 391	0.60 382	0.73 387	0.62 383	0.67 395	0.65 395	0.60 397	0.66 405	0.58 411	0.63 397	0.59 401	0.68 403	0.69 409

MADNet+	0.75 398	0.71 400	3.70 417	0.66 396	0.41 388	0.98 408	0.97 415	0.69 395	0.73 391	0.52 377	0.57 375	0.64 384	0.68 396	0.86 405	1.01 413	0.34 389	0.36 391	0.28 381	0.23 374	0.36 389	0.31 388

ACVNet_2	0.66 394	0.66 398	0.68 390	0.63 395	0.41 388	0.71 394	0.49 394	0.96 405	1.39 409	0.89 400	1.09 405	1.04 397	0.73 397	0.54 389	0.47 388	0.43 394	0.40 392	0.53 396	0.44 392	0.47 391	0.35 392

TorneroNet-64	0.76 399	0.72 401	0.74 395	0.78 401	0.58 401	0.91 407	0.56 399	0.84 399	1.29 406	0.66 384	0.90 396	1.40 409	0.75 398	0.85 404	0.67 403	0.49 397	0.46 393	0.72 401	0.59 401	0.67 402	0.53 398

IMH-64-1	0.65 392	0.61 394	0.68 390	0.71 397	0.51 393	0.59 384	0.49 394	0.91 401	0.85 395	0.74 394	1.02 402	0.81 393	0.78 399	0.79 398	0.49 390	0.42 392	0.46 393	0.71 399	0.47 393	0.52 393	0.39 393

IMH-64	0.65 392	0.61 394	0.68 390	0.71 397	0.51 393	0.59 384	0.49 394	0.91 401	0.85 395	0.74 394	1.02 402	0.81 393	0.78 399	0.79 398	0.49 390	0.42 392	0.46 393	0.71 399	0.47 393	0.52 393	0.39 393

JetBlue	0.71 395	0.45 388	1.14 406	0.51 391	0.47 392	2.02 417	0.64 404	0.75 396	0.70 386	0.69 387	0.77 392	1.22 403	0.83 401	1.03 413	1.01 413	0.40 391	0.28 386	0.33 385	0.33 387	0.30 384	0.34 391

LVE	0.83 403	0.85 407	0.85 401	0.80 402	0.56 398	1.04 413	0.65 405	1.05 410	1.47 412	0.96 403	1.22 413	1.10 400	0.85 402	0.83 401	0.71 405	0.49 397	0.55 408	0.76 404	0.60 403	0.65 400	0.59 405

TorneroNet	0.82 402	0.74 402	0.81 400	0.84 404	0.63 404	0.99 409	0.63 402	0.96 405	1.16 403	0.80 397	1.11 407	1.36 408	0.86 403	0.93 409	0.80 408	0.56 399	0.49 400	0.78 406	0.66 405	0.73 408	0.63 408

IMH	0.71 395	0.64 397	0.68 390	0.76 399	0.54 395	0.69 392	0.54 398	0.98 407	1.10 402	0.82 398	1.09 405	0.89 395	0.88 404	0.87 406	0.52 394	0.44 395	0.50 402	0.75 402	0.51 398	0.56 398	0.41 396

WAO-7	0.79 400	0.78 403	0.54 371	0.85 405	0.67 406	0.74 396	0.68 408	1.05 410	1.32 407	0.90 401	1.20 412	1.04 397	0.92 405	0.69 396	0.66 400	0.60 403	0.62 412	0.67 398	0.68 406	0.64 399	0.58 400

JetRed	1.62 414	1.46 418	2.98 413	0.92 408	1.21 417	4.99 419	1.53 419	1.27 417	1.39 409	1.83 416	1.74 418	1.60 415	0.95 406	1.41 416	2.45 419	0.90 414	1.60 418	0.93 410	0.90 414	1.35 417	0.99 417

KSHMR	1.09 411	1.17 414	0.88 402	1.25 417	1.00 416	0.99 409	0.96 414	1.13 414	1.37 408	1.16 411	1.29 414	1.41 410	0.96 407	1.01 412	0.92 410	1.03 415	1.08 417	1.20 414	1.03 416	1.01 414	0.97 416

Dean	0.87 404	0.86 408	0.79 398	0.81 403	0.56 398	0.90 404	0.63 402	1.15 415	1.73 415	1.15 410	1.15 410	1.31 406	0.99 408	0.81 400	0.81 409	0.57 400	0.56 409	0.77 405	0.64 404	0.66 401	0.58 400

WAO-6	0.81 401	0.80 404	0.62 380	0.86 406	0.63 404	0.76 400	0.58 401	0.98 407	1.54 414	0.90 401	0.96 401	1.07 399	1.03 409	0.70 397	0.66 400	0.72 406	0.49 400	0.90 409	0.71 407	0.68 403	0.58 400

WAO-8	0.91 405	0.81 405	0.65 382	0.94 409	0.69 407	0.90 404	0.67 406	1.07 412	1.83 417	1.06 408	1.45 415	1.30 404	1.07 410	0.84 402	0.78 406	0.74 408	0.53 405	0.86 407	0.75 408	0.69 405	0.62 406

ktn	1.01 410	1.21 415	0.80 399	1.23 416	0.86 413	1.01 411	0.87 412	0.94 404	1.39 409	1.04 406	1.12 408	1.15 401	1.07 410	0.94 410	0.59 396	1.28 417	0.71 415	1.38 417	0.83 411	1.02 415	0.75 412

Venus	0.91 405	0.81 405	0.65 382	0.94 409	0.69 407	0.90 404	0.67 406	1.07 412	1.83 417	1.06 408	1.45 415	1.30 404	1.07 410	0.84 402	0.78 406	0.74 408	0.53 405	0.86 407	0.75 408	0.69 405	0.62 406

DPSimNet_ROB	1.11 412	1.23 416	0.78 396	1.13 413	0.88 414	1.10 414	1.13 416	1.16 416	1.23 405	1.43 414	1.02 402	1.41 410	1.10 413	0.90 408	1.60 415	1.46 418	0.51 404	1.21 415	1.03 416	0.90 412	1.01 418

notaker	0.97 408	1.11 413	0.98 404	1.13 413	0.81 411	0.73 395	0.68 408	0.93 403	1.16 403	1.18 412	1.18 411	1.41 410	1.16 414	1.08 415	0.69 404	0.81 411	0.64 413	1.17 413	0.79 410	0.98 413	0.80 414

UNDER WATER-64	0.95 407	0.94 410	1.43 410	0.87 407	0.56 398	1.18 416	0.87 412	0.77 397	0.94 399	1.04 406	0.85 395	1.58 414	1.21 415	0.94 410	0.96 411	0.87 412	0.57 410	1.03 412	0.88 413	0.78 410	0.73 410

UNDER WATER	0.97 408	0.97 412	1.42 409	0.99 411	0.70 410	1.12 415	0.84 411	0.80 398	1.08 401	1.01 405	0.90 396	1.55 413	1.22 416	1.03 413	1.00 412	0.78 410	0.53 405	1.02 411	0.87 412	0.80 411	0.74 411

HanzoNet	1.29 413	1.26 417	1.19 407	1.12 412	0.85 412	1.02 412	0.83 410	1.03 409	1.48 413	1.64 415	1.61 417	2.50 418	1.72 417	1.61 417	1.61 416	1.26 416	0.80 416	1.31 416	1.01 415	1.02 415	0.86 415

MADNet++	1.95 415	1.75 419	1.59 412	1.82 418	1.69 419	2.33 418	1.40 418	2.35 418	2.09 419	2.57 418	2.36 419	2.24 417	2.17 418	2.28 418	2.34 418	1.87 419	1.66 419	1.54 418	1.34 418	1.92 418	1.77 420

tt	4.67 417	0.06 19	3.55 416	2.02 419	1.55 418	10.25 423	16.71 423	8.91 426	5.03 420	1.31 413	0.94 399	4.71 419	4.76 419	3.33 419	5.87 421	6.06 426	10.30 430	1.88 420	2.11 421	2.75 419	1.21 419

LRCNet_RVC	10.62 426	13.42 431	7.30 419	18.92 430	2.07 420	0.33 354	0.30 371	5.59 422	0.48 348	13.03 428	17.94 429	8.87 423	5.65 420	4.79 420	1.89 417	23.51 437	2.73 424	27.55 438	25.71 438	16.07 435	16.33 436

PML	8.91 424	9.34 430	6.13 418	5.35 423	6.41 424	14.99 425	23.38 429	5.27 419	6.83 421	18.04 430	28.19 439	7.67 422	6.83 421	7.85 423	5.75 420	5.35 425	1.83 420	5.95 429	1.93 420	8.64 427	2.52 421

xxxxx1	7.79 418	5.02 424	7.31 420	3.12 420	3.85 421	16.35 426	22.88 424	5.86 423	8.69 422	7.97 422	8.54 420	9.12 424	8.27 422	10.18 424	10.92 422	2.42 420	2.45 421	3.56 423	12.37 427	3.77 420	3.06 422

tt_ll	7.79 418	5.02 424	7.31 420	3.12 420	3.85 421	16.35 426	22.88 424	5.86 423	8.69 422	7.97 422	8.54 420	9.12 424	8.27 422	10.18 424	10.92 422	2.42 420	2.45 421	3.56 423	12.37 427	3.77 420	3.06 422

ff	7.79 418	5.02 424	7.31 420	3.12 420	3.85 421	16.35 426	22.88 424	5.86 423	8.69 422	7.97 422	8.54 420	9.12 424	8.27 422	10.18 424	10.92 422	2.42 420	2.45 421	3.56 423	12.37 427	3.77 420	3.06 422

DPSMNet_ROB	8.06 422	4.48 422	8.63 426	5.37 425	10.74 427	8.32 421	22.98 428	5.46 420	13.36 427	5.12 420	9.92 423	5.08 420	10.40 425	5.53 422	12.58 425	3.80 424	8.00 425	3.50 421	7.02 424	3.83 423	7.14 426

DGTPSM_ROB	8.06 422	4.48 422	8.63 426	5.35 423	10.72 426	8.32 421	22.97 427	5.46 420	13.35 426	5.12 420	9.92 423	5.08 420	10.40 425	5.52 421	12.58 425	3.79 423	8.00 425	3.50 421	7.02 424	3.83 423	7.14 426

Anonymous_1	10.96 427	7.92 427	7.46 423	10.33 426	10.06 425	18.65 430	26.34 430	11.06 427	13.44 428	9.40 425	10.05 425	9.67 427	11.23 427	10.73 427	12.72 427	6.42 427	8.38 427	5.77 426	10.61 426	12.12 428	6.77 425

DPSM_ROB	11.15 428	8.58 428	8.00 424	10.88 427	11.58 428	19.10 431	26.71 431	12.05 428	14.07 429	10.36 426	10.84 426	10.33 428	11.86 428	11.70 428	13.54 428	6.99 428	8.79 428	5.89 427	6.95 422	7.29 425	7.42 428

DPSM	11.15 428	8.58 428	8.00 424	10.88 427	11.58 428	19.10 431	26.71 431	12.05 428	14.07 429	10.36 426	10.84 426	10.33 428	11.86 428	11.70 428	13.54 428	6.99 428	8.79 428	5.89 427	6.95 422	7.29 425	7.42 428

HaxPig	15.71 431	18.52 438	19.18 434	16.89 429	15.89 431	7.73 420	7.60 420	13.31 430	10.82 425	15.42 429	14.91 428	15.98 430	14.92 430	15.58 430	15.98 431	18.95 436	16.73 431	19.46 436	18.08 436	19.26 436	19.05 437

MEDIAN_ROB	20.38 432	24.04 439	23.31 436	21.23 431	21.71 432	10.40 424	7.92 421	17.64 431	15.50 431	20.12 431	19.70 430	20.34 431	20.32 431	21.19 431	21.13 432	23.81 438	21.81 438	24.98 437	23.76 437	24.71 437	23.93 438

MyStereo03	22.45 434	17.33 433	16.21 430	21.95 432	23.27 433	38.32 434	53.79 435	24.21 434	28.46 435	20.87 435	21.85 434	20.80 432	23.87 432	23.46 433	27.40 436	14.08 431	17.71 435	11.82 430	14.03 432	14.65 429	14.89 430

MyStereo02	22.45 434	17.33 433	16.21 430	21.95 432	23.27 433	38.32 434	53.79 435	24.21 434	28.46 435	20.87 435	21.85 434	20.80 432	23.87 432	23.46 433	27.40 436	14.08 431	17.71 435	11.82 430	14.03 432	14.65 429	14.89 430

MyStereo	22.45 434	17.33 433	16.21 430	21.95 432	23.27 433	38.32 434	53.79 435	24.21 434	28.46 435	20.87 435	21.85 434	20.80 432	23.87 432	23.46 433	27.40 436	14.08 431	17.71 435	11.82 430	14.03 432	14.65 429	14.89 430

Selective-RAFT-Error	22.47 437	17.37 437	16.09 429	22.06 436	23.34 437	38.39 438	53.83 439	24.29 438	28.47 438	20.74 433	21.83 433	20.81 435	23.90 435	23.54 437	27.53 439	14.08 431	17.69 433	11.82 430	14.00 430	14.69 433	15.00 435

CasAABBNet	22.42 433	17.33 433	16.01 428	22.01 435	23.28 436	38.32 434	53.80 438	24.14 433	28.41 434	20.60 432	21.77 432	20.89 436	23.91 436	23.43 432	27.36 434	14.07 430	17.69 433	11.83 434	14.01 431	14.67 432	14.95 434

LSM0	22.87 438	17.28 432	18.96 433	22.19 437	29.04 439	38.42 439	53.71 434	24.28 437	28.31 433	20.78 434	21.00 431	21.43 437	24.16 437	23.50 436	27.39 435	14.09 435	17.38 432	11.84 435	14.04 435	14.73 434	14.89 430

SPstereo	13.84 430	0.93 409	1.50 411	1.22 415	0.88 414	28.82 433	48.26 433	26.77 440	29.54 439	22.37 438	22.60 437	23.23 438	24.68 438	24.53 438	15.06 430	0.88 413	0.69 414	1.83 419	1.60 419	0.74 409	0.77 413

AVERAGE_ROB	24.90 439	29.20 440	28.14 437	24.89 438	24.64 438	17.75 429	11.12 422	21.45 432	19.93 432	25.12 439	24.46 438	25.12 439	25.46 439	24.69 439	22.83 433	29.76 439	27.13 439	28.97 439	27.95 439	29.91 438	29.47 439

test_example2	98.32 440	94.13 441	45.89 438	96.35 439	109.85 440	88.61 440	95.45 440	25.75 439	94.37 440	130.00 440	126.06 440	58.17 440	74.63 440	88.51 440	79.96 440	150.23 440	221.02 440	77.62 440	99.10 440	113.75 440	96.94 440

ASD4		3.38 421

Low-res two-view benchmark