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 20	0.08 12	0.17 117	0.06 3	0.08 24	0.12 22	0.13 12	0.07 1	0.08 7	0.07 14	0.06 3	0.04 1	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

MoCha-V2	0.08 2	0.06 20	0.08 12	0.35 379	0.06 3	0.06 2	0.15 117	0.11 2	0.08 2	0.07 2	0.07 14	0.07 18	0.05 2	0.09 10	0.08 11	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.03 1

MIM_Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.07 20	0.06 2	0.12 22	0.20 128	0.14 62	0.13 109	0.13 75	0.09 40	0.05 2	0.12 105	0.08 11	0.05 2	0.06 195	0.07 102	0.06 90	0.06 103	0.05 53

EGLCR-Stereo	0.08 2	0.05 6	0.08 12	0.14 14	0.06 3	0.10 59	0.12 22	0.11 2	0.16 91	0.06 1	0.05 1	0.07 18	0.05 2	0.10 19	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

CroCo-Stereo Lap2	0.09 14	0.09 195	0.08 12	0.22 309	0.09 135	0.09 36	0.19 267	0.16 47	0.12 28	0.09 19	0.10 40	0.05 1	0.05 2	0.08 6	0.08 11	0.06 58	0.06 195	0.07 102	0.05 34	0.05 41	0.05 53

iRaft-Stereo_20w	0.09 14	0.05 6	0.13 133	0.14 14	0.08 50	0.12 108	0.15 117	0.18 101	0.10 9	0.11 64	0.08 18	0.08 27	0.05 2	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

MGS-Stereo	0.09 14	0.07 72	0.12 94	0.15 39	0.08 50	0.09 36	0.15 117	0.12 6	0.12 28	0.07 2	0.10 40	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

LargeStereo	0.08 2	0.06 20	0.08 12	0.18 184	0.07 20	0.09 36	0.13 44	0.10 1	0.09 3	0.08 7	0.08 18	0.06 3	0.06 7	0.13 137	0.09 20	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

ACVNet-DCA	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

1test111	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.23 178	0.16 91	0.09 19	0.09 25	0.06 3	0.06 7	0.15 171	0.16 228	0.06 58	0.04 2	0.06 34	0.05 34	0.07 160	0.07 163

cc1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

ff7	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEVStereo-DCA	0.09 14	0.06 20	0.11 74	0.15 39	0.10 221	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ffff	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

rrr	0.09 14	0.06 20	0.12 94	0.15 39	0.10 221	0.11 85	0.16 175	0.16 47	0.15 73	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.08 11	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

11t	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

tt1	0.10 54	0.08 144	0.12 94	0.17 117	0.09 135	0.12 108	0.16 175	0.15 31	0.19 132	0.09 19	0.08 18	0.06 3	0.06 7	0.10 19	0.07 1	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.06 103

StereoIM	0.09 14	0.09 195	0.08 12	0.17 117	0.09 135	0.13 135	0.10 6	0.16 47	0.16 91	0.09 19	0.11 57	0.06 3	0.06 7	0.09 10	0.13 162	0.07 145	0.06 195	0.07 102	0.05 34	0.05 41	0.04 8

IGEV_Zeroshot_test	0.09 14	0.05 6	0.12 94	0.13 7	0.08 50	0.12 108	0.13 44	0.17 77	0.11 20	0.10 44	0.06 2	0.09 40	0.06 7	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

MSKI-zero shot	0.09 14	0.05 6	0.09 31	0.15 39	0.07 20	0.10 59	0.13 44	0.14 19	0.13 45	0.09 19	0.09 25	0.09 40	0.06 7	0.12 105	0.10 52	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

DLNR_Zeroshot_test	10.40 427	1.82 422	19.49 437	120.77 442	13.11 432	0.06 2	0.13 44	0.23 178	0.10 9	0.07 2	0.10 40	0.09 40	0.06 7	0.10 19	0.09 20	0.13 337	0.04 2	0.06 34	0.04 9	51.54 441	0.04 8

CAS	0.08 2	0.04 1	0.07 2	0.17 117	0.08 50	0.10 59	0.13 44	0.12 6	0.09 3	0.09 19	0.10 40	0.08 27	0.06 7	0.09 10	0.08 11	0.08 195	0.04 2	0.05 2	0.03 1	0.05 41	0.04 8

anonymousdsp	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

CES	0.08 2	0.04 1	0.08 12	0.14 14	0.07 20	0.09 36	0.14 71	0.11 2	0.09 3	0.08 7	0.09 25	0.11 79	0.06 7	0.12 105	0.08 11	0.06 58	0.04 2	0.05 2	0.03 1	0.05 41	0.05 53

ProNet	0.09 14	0.07 72	0.10 48	0.17 117	0.08 50	0.10 59	0.15 117	0.15 31	0.12 28	0.09 19	0.06 2	0.07 18	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.06 103

MC-Stereo	0.08 2	0.06 20	0.09 31	0.17 117	0.06 3	0.10 59	0.14 71	0.12 6	0.10 9	0.09 19	0.12 65	0.09 40	0.06 7	0.11 48	0.10 52	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

ccc-4	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.10 44	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

IGEV-Stereo	0.09 14	0.07 72	0.11 74	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.12 28	0.09 19	0.06 2	0.06 3	0.06 7	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103
Gangwei Xu, Xianqi Wang, Xiaohuan Ding, Xin Yang: Iterative Geometry Encoding Volume for Stereo Matching. CVPR 2023
TRStereo	0.09 14	0.05 6	0.12 94	0.15 39	0.12 288	0.10 59	0.13 44	0.18 101	0.18 120	0.09 19	0.09 25	0.09 40	0.06 7	0.10 19	0.08 11	0.07 145	0.05 110	0.07 102	0.07 165	0.04 1	0.04 8

CroCo-Stereo	0.09 14	0.08 144	0.08 12	0.22 309	0.09 135	0.09 36	0.19 267	0.15 31	0.12 28	0.07 2	0.07 14	0.08 27	0.06 7	0.08 6	0.07 1	0.07 145	0.05 110	0.06 34	0.04 9	0.05 41	0.04 8
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 14	0.04 1	0.08 12	0.13 7	0.06 3	0.11 85	0.14 71	0.15 31	0.19 132	0.11 64	0.15 99	0.10 62	0.06 7	0.12 105	0.09 20	0.07 145	0.05 110	0.05 2	0.04 9	0.06 103	0.05 53

XX-Stereo	0.09 14	0.05 6	0.08 12	0.17 117	0.09 135	0.15 181	0.12 22	0.20 128	0.10 9	0.10 44	0.14 85	0.07 18	0.06 7	0.12 105	0.08 11	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

test_xeample3	0.09 14	0.06 20	0.12 94	0.16 70	0.09 135	0.11 85	0.15 117	0.16 47	0.13 45	0.10 44	0.06 2	0.08 27	0.06 7	0.10 19	0.09 20	0.05 2	0.04 2	0.06 34	0.05 34	0.05 41	0.06 103

MyStereo07	0.10 54	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.15 31	0.15 73	0.09 19	0.06 2	0.06 3	0.07 34	0.12 105	0.09 20	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

MyStereo06	0.10 54	0.07 72	0.12 94	0.17 117	0.09 135	0.13 135	0.18 236	0.19 121	0.12 28	0.12 88	0.08 18	0.07 18	0.07 34	0.11 48	0.09 20	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

MIF-Stereo	0.09 14	0.07 72	0.08 12	0.18 184	0.08 50	0.13 135	0.11 11	0.12 6	0.11 20	0.10 44	0.12 65	0.05 1	0.07 34	0.09 10	0.09 20	0.07 145	0.05 110	0.05 2	0.05 34	0.05 41	0.05 53

CASnet	0.09 14	0.09 195	0.09 31	0.19 231	0.06 3	0.07 17	0.11 11	0.18 101	0.14 62	0.11 64	0.10 40	0.09 40	0.07 34	0.10 19	0.10 52	0.06 58	0.04 2	0.10 273	0.08 215	0.05 41	0.03 1
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
HH	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

HanStereo	0.09 14	0.06 20	0.13 133	0.17 117	0.08 50	0.10 59	0.16 175	0.14 19	0.10 9	0.08 7	0.09 25	0.08 27	0.07 34	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

LL-Strereo2	0.10 54	0.10 243	0.15 196	0.18 184	0.08 50	0.15 181	0.09 3	0.17 77	0.14 62	0.14 129	0.10 40	0.09 40	0.07 34	0.16 203	0.10 52	0.05 2	0.05 110	0.10 273	0.07 165	0.06 103	0.05 53

4D-IteraStereo	0.09 14	0.07 72	0.10 48	0.18 184	0.07 20	0.09 36	0.15 117	0.17 77	0.15 73	0.10 44	0.11 57	0.10 62	0.07 34	0.11 48	0.09 20	0.05 2	0.03 1	0.08 166	0.07 165	0.06 103	0.05 53

RCA-Stereo	0.09 14	0.06 20	0.09 31	0.16 70	0.06 3	0.09 36	0.13 44	0.18 101	0.14 62	0.09 19	0.10 40	0.08 27	0.07 34	0.12 105	0.11 90	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

RAFT_CTSACE	0.12 140	0.09 195	0.10 48	0.22 309	0.08 50	0.12 108	0.24 327	0.18 101	0.16 91	0.20 247	0.27 253	0.13 117	0.07 34	0.13 137	0.09 20	0.05 2	0.06 195	0.08 166	0.07 165	0.04 1	0.04 8

IPLG	0.10 54	0.07 72	0.15 196	0.17 117	0.08 50	0.11 85	0.14 71	0.20 128	0.15 73	0.12 88	0.17 125	0.07 18	0.07 34	0.14 153	0.13 162	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

MIPNet	0.11 85	0.08 144	0.14 159	0.17 117	0.09 135	0.12 108	0.14 71	0.20 128	0.24 197	0.11 64	0.10 40	0.09 40	0.07 34	0.13 137	0.12 132	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

iRaftStereo_RVC	0.10 54	0.07 72	0.09 31	0.17 117	0.09 135	0.11 85	0.17 196	0.18 101	0.12 28	0.09 19	0.12 65	0.10 62	0.07 34	0.11 48	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.04 1	0.04 8

CREStereo++_RVC	0.08 2	0.04 1	0.06 1	0.13 7	0.07 20	0.09 36	0.12 22	0.14 19	0.14 62	0.10 44	0.14 85	0.08 27	0.07 34	0.09 10	0.11 90	0.06 58	0.04 2	0.05 2	0.05 34	0.04 1	0.04 8
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 14	0.06 20	0.10 48	0.17 117	0.08 50	0.09 36	0.10 6	0.18 101	0.16 91	0.10 44	0.09 25	0.12 94	0.07 34	0.12 105	0.10 52	0.08 195	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

sCroCo_RVC	0.12 140	0.09 195	0.23 305	0.24 333	0.11 259	0.19 259	0.14 71	0.17 77	0.14 62	0.10 44	0.13 75	0.12 94	0.07 34	0.14 153	0.11 90	0.08 195	0.08 274	0.08 166	0.08 215	0.05 41	0.07 163

EAI-Stereo	0.09 14	0.07 72	0.11 74	0.15 39	0.06 3	0.10 59	0.15 117	0.16 47	0.09 3	0.08 7	0.09 25	0.08 27	0.07 34	0.09 10	0.11 90	0.05 2	0.04 2	0.05 2	0.05 34	0.05 41	0.04 8

PMTNet	0.09 14	0.05 6	0.09 31	0.12 3	0.06 3	0.12 108	0.14 71	0.15 31	0.11 20	0.09 19	0.13 75	0.10 62	0.07 34	0.13 137	0.10 52	0.15 351	0.04 2	0.05 2	0.03 1	0.07 160	0.06 103

panet	0.08 2	0.05 6	0.07 2	0.12 3	0.05 1	0.12 108	0.11 11	0.13 12	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.05 110	0.05 2	0.03 1	0.06 103	0.05 53

Former-RAFT_DAM_RVC	0.10 54	0.08 144	0.12 94	0.16 70	0.08 50	0.15 181	0.16 175	0.18 101	0.18 120	0.10 44	0.09 25	0.09 40	0.08 52	0.11 48	0.12 132	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.06 103

AE-Stereo	0.10 54	0.08 144	0.10 48	0.18 184	0.09 135	0.10 59	0.15 117	0.14 19	0.19 132	0.09 19	0.14 85	0.12 94	0.08 52	0.11 48	0.10 52	0.05 2	0.06 195	0.07 102	0.06 90	0.05 41	0.04 8

AEACV	0.08 2	0.05 6	0.08 12	0.14 14	0.13 306	0.14 159	0.13 44	0.14 19	0.09 3	0.07 2	0.09 25	0.07 18	0.08 52	0.10 19	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.05 41	0.04 8

GLC_STEREO	0.11 85	0.07 72	0.11 74	0.17 117	0.07 20	0.09 36	0.13 44	0.15 31	0.24 197	0.12 88	0.13 75	0.12 94	0.08 52	0.18 236	0.11 90	0.06 58	0.08 274	0.08 166	0.06 90	0.05 41	0.05 53

IPLGR	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.12 108	0.17 196	0.21 145	0.24 197	0.11 64	0.12 65	0.11 79	0.08 52	0.12 105	0.12 132	0.06 58	0.05 110	0.06 34	0.06 90	0.04 1	0.04 8

test-3	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

test_1	0.08 2	0.06 20	0.09 31	0.17 117	0.07 20	0.07 17	0.14 71	0.12 6	0.15 73	0.09 19	0.08 18	0.07 18	0.08 52	0.11 48	0.10 52	0.05 2	0.04 2	0.07 102	0.05 34	0.04 1	0.04 8

HHNet	0.11 85	0.06 20	0.16 226	0.15 39	0.14 323	0.07 17	0.13 44	0.20 128	0.17 103	0.14 129	0.25 231	0.11 79	0.08 52	0.13 137	0.10 52	0.05 2	0.04 2	0.08 166	0.06 90	0.05 41	0.09 256

AnonymousM	0.09 14	0.05 6	0.10 48	0.14 14	0.06 3	0.09 36	0.13 44	0.19 121	0.14 62	0.13 109	0.11 57	0.09 40	0.08 52	0.13 137	0.10 52	0.08 195	0.05 110	0.08 166	0.05 34	0.05 41	0.05 53

test-1	0.10 54	0.07 72	0.16 226	0.19 231	0.08 50	0.11 85	0.24 327	0.14 19	0.18 120	0.09 19	0.07 14	0.09 40	0.08 52	0.07 1	0.09 20	0.06 58	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

Prome-Stereo	0.11 85	0.06 20	0.10 48	0.18 184	0.08 50	0.12 108	0.15 117	0.22 161	0.13 45	0.12 88	0.17 125	0.13 117	0.08 52	0.12 105	0.10 52	0.05 2	0.04 2	0.07 102	0.06 90	0.06 103	0.09 256

raft+_RVC	0.11 85	0.07 72	0.09 31	0.16 70	0.07 20	0.10 59	0.11 11	0.24 196	0.20 153	0.12 88	0.15 99	0.12 94	0.08 52	0.12 105	0.13 162	0.07 145	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

XX-TBD	0.09 14	0.06 20	0.07 2	0.14 14	0.07 20	0.12 108	0.16 175	0.14 19	0.13 45	0.11 64	0.12 65	0.09 40	0.08 52	0.10 19	0.10 52	0.06 58	0.04 2	0.05 2	0.03 1	0.06 103	0.05 53

sAnonymous2	0.13 162	0.12 277	0.24 308	0.20 272	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

CroCo_RVC	0.13 162	0.12 277	0.24 308	0.20 272	0.12 288	0.17 224	0.13 44	0.26 221	0.21 166	0.11 64	0.11 57	0.13 117	0.08 52	0.10 19	0.10 52	0.09 241	0.05 110	0.08 166	0.06 90	0.15 348	0.10 275

CREStereo	0.09 14	0.04 1	0.08 12	0.11 1	0.06 3	0.13 135	0.14 71	0.14 19	0.10 9	0.08 7	0.13 75	0.09 40	0.08 52	0.11 48	0.10 52	0.08 195	0.04 2	0.05 2	0.03 1	0.06 103	0.06 103
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 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53

RAFT-Stereo	0.10 54	0.06 20	0.10 48	0.17 117	0.08 50	0.11 85	0.14 71	0.23 178	0.11 20	0.12 88	0.19 153	0.11 79	0.08 52	0.09 10	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.05 53
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
EKT-Stereo	0.11 85	0.07 72	0.14 159	0.15 39	0.10 221	0.13 135	0.14 71	0.18 101	0.21 166	0.11 64	0.08 18	0.12 94	0.09 71	0.11 48	0.12 132	0.08 195	0.06 195	0.07 102	0.06 90	0.08 204	0.07 163

Any-RAFT	0.10 54	0.05 6	0.09 31	0.14 14	0.07 20	0.13 135	0.14 71	0.21 145	0.15 73	0.11 64	0.12 65	0.12 94	0.09 71	0.12 105	0.09 20	0.07 145	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

RAFT-Test	0.09 14	0.06 20	0.10 48	0.15 39	0.07 20	0.11 85	0.15 117	0.16 47	0.13 45	0.09 19	0.10 40	0.10 62	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

LoS_RVC	0.08 2	0.05 6	0.07 2	0.15 39	0.07 20	0.08 24	0.15 117	0.11 2	0.10 9	0.08 7	0.09 25	0.06 3	0.09 71	0.10 19	0.09 20	0.05 2	0.04 2	0.05 2	0.03 1	0.04 1	0.03 1

anonymousdsp2	0.11 85	0.07 72	0.10 48	0.16 70	0.09 135	0.13 135	0.14 71	0.18 101	0.22 178	0.13 109	0.14 85	0.12 94	0.09 71	0.14 153	0.11 90	0.05 2	0.04 2	0.05 2	0.04 9	0.06 103	0.05 53

LoS	0.09 14	0.05 6	0.11 74	0.13 7	0.07 20	0.14 159	0.11 11	0.15 31	0.15 73	0.09 19	0.09 25	0.12 94	0.09 71	0.15 171	0.10 52	0.07 145	0.05 110	0.05 2	0.03 1	0.05 41	0.05 53

knoymous	0.11 85	0.05 6	0.12 94	0.13 7	0.07 20	0.15 181	0.14 71	0.19 121	0.13 45	0.11 64	0.17 125	0.13 117	0.09 71	0.13 137	0.11 90	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

test_4	0.10 54	0.10 243	0.08 12	0.19 231	0.09 135	0.08 24	0.22 308	0.15 31	0.17 103	0.12 88	0.18 147	0.12 94	0.09 71	0.08 6	0.11 90	0.04 1	0.04 2	0.08 166	0.08 215	0.04 1	0.03 1

iRaft-Stereo_5w	0.12 140	0.09 195	0.12 94	0.19 231	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.19 230	0.14 85	0.11 79	0.09 71	0.20 266	0.16 228	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.06 103

CIPLG	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.11 57	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

dd	0.15 225	0.16 323	0.16 226	0.19 231	0.09 135	0.15 181	0.18 236	0.21 145	0.25 216	0.23 280	0.20 164	0.21 222	0.09 71	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.06 90	0.08 204	0.06 103

IPLGR_C	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.15 73	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

ACRE	0.11 85	0.08 144	0.14 159	0.17 117	0.08 50	0.12 108	0.15 117	0.17 77	0.14 62	0.14 129	0.10 40	0.16 167	0.09 71	0.16 203	0.11 90	0.07 145	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103

test_3	0.10 54	0.09 195	0.10 48	0.20 272	0.08 50	0.13 135	0.26 346	0.14 19	0.21 166	0.10 44	0.10 40	0.09 40	0.09 71	0.08 6	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.04 1	0.04 8

Pruner-Stereo	0.11 85	0.07 72	0.12 94	0.17 117	0.09 135	0.06 2	0.12 22	0.17 77	0.17 103	0.13 109	0.19 153	0.13 117	0.09 71	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.08 223

RAFT-345	0.11 85	0.07 72	0.15 196	0.16 70	0.08 50	0.08 24	0.12 22	0.15 31	0.10 9	0.11 64	0.36 312	0.09 40	0.09 71	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.06 90	0.04 1	0.05 53

RALAANet	0.11 85	0.08 144	0.10 48	0.17 117	0.09 135	0.14 159	0.10 6	0.20 128	0.15 73	0.14 129	0.13 75	0.16 167	0.09 71	0.12 105	0.11 90	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

RAFT-Stereo + iAFF	0.09 14	0.06 20	0.10 48	0.17 117	0.06 3	0.10 59	0.16 175	0.17 77	0.14 62	0.09 19	0.10 40	0.08 27	0.09 71	0.11 48	0.09 20	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.03 1

AFF-stereo	0.09 14	0.06 20	0.10 48	0.17 117	0.07 20	0.10 59	0.16 175	0.17 77	0.09 3	0.10 44	0.12 65	0.09 40	0.09 71	0.12 105	0.09 20	0.05 2	0.04 2	0.07 102	0.07 165	0.04 1	0.03 1

CFNet-RSSM	0.09 14	0.07 72	0.09 31	0.16 70	0.07 20	0.09 36	0.15 117	0.16 47	0.17 103	0.08 7	0.12 65	0.10 62	0.09 71	0.11 48	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

Gwc-CoAtRS	0.09 14	0.06 20	0.10 48	0.16 70	0.07 20	0.10 59	0.14 71	0.17 77	0.17 103	0.08 7	0.10 40	0.12 94	0.09 71	0.12 105	0.09 20	0.06 58	0.04 2	0.06 34	0.04 9	0.04 1	0.04 8

H2IRNET	0.10 54	0.09 195	0.09 31	0.18 184	0.09 135	0.12 108	0.15 117	0.14 19	0.21 166	0.10 44	0.10 40	0.10 62	0.10 92	0.10 19	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.05 53

MyStereo8	0.12 140	0.07 72	0.15 196	0.15 39	0.09 135	0.18 239	0.14 71	0.19 121	0.22 178	0.12 88	0.18 147	0.11 79	0.10 92	0.16 203	0.18 253	0.07 145	0.05 110	0.07 102	0.05 34	0.08 204	0.09 256

MyStereo04	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.14 159	0.18 236	0.29 263	0.38 313	0.17 190	0.14 85	0.16 167	0.10 92	0.15 171	0.13 162	0.06 58	0.05 110	0.08 166	0.07 165	0.06 103	0.06 103

StereoVision	0.13 162	0.12 277	0.09 31	0.24 333	0.10 221	0.15 181	0.21 298	0.21 145	0.20 153	0.12 88	0.24 202	0.10 62	0.10 92	0.16 203	0.10 52	0.09 241	0.11 324	0.12 315	0.12 329	0.06 103	0.05 53

DCRE	0.11 85	0.07 72	0.13 133	0.16 70	0.11 259	0.11 85	0.17 196	0.18 101	0.17 103	0.11 64	0.18 147	0.10 62	0.10 92	0.15 171	0.11 90	0.06 58	0.05 110	0.06 34	0.06 90	0.05 41	0.04 8

Selective-RAFT	0.11 85	0.10 243	0.11 74	0.21 296	0.08 50	0.16 205	0.13 44	0.20 128	0.22 178	0.10 44	0.10 40	0.11 79	0.10 92	0.15 171	0.11 90	0.05 2	0.05 110	0.06 34	0.05 34	0.06 103	0.05 53

TestStereo1	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 366	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

DisPM	0.11 85	0.07 72	0.12 94	0.16 70	0.09 135	0.06 2	0.13 44	0.17 77	0.17 103	0.14 129	0.20 164	0.12 94	0.10 92	0.11 48	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.11 298

raft_robust	0.13 162	0.10 243	0.07 2	0.18 184	0.08 50	0.13 135	0.24 327	0.28 253	0.33 280	0.20 247	0.19 153	0.14 132	0.10 92	0.11 48	0.12 132	0.05 2	0.05 110	0.07 102	0.07 165	0.05 41	0.04 8

RAFT+CT+SA	0.13 162	0.11 263	0.09 31	0.19 231	0.09 135	0.15 181	0.28 358	0.22 161	0.22 178	0.15 153	0.26 246	0.10 62	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.07 102	0.08 215	0.07 160	0.06 103

SA-5K	0.13 162	0.08 144	0.08 12	0.19 231	0.08 50	0.18 239	0.29 366	0.23 178	0.16 91	0.17 190	0.20 164	0.16 167	0.10 92	0.12 105	0.13 162	0.06 58	0.06 195	0.08 166	0.06 90	0.05 41	0.05 53

PFNet+	0.11 85	0.06 20	0.13 133	0.16 70	0.09 135	0.05 1	0.12 22	0.17 77	0.21 166	0.16 178	0.19 153	0.14 132	0.10 92	0.11 48	0.11 90	0.08 195	0.05 110	0.09 232	0.08 215	0.06 103	0.11 298

STrans-v2	0.10 54	0.07 72	0.12 94	0.18 184	0.07 20	0.10 59	0.14 71	0.21 145	0.11 20	0.11 64	0.15 99	0.12 94	0.10 92	0.11 48	0.12 132	0.05 2	0.04 2	0.06 34	0.06 90	0.04 1	0.04 8

KYRaft	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.08 24	0.15 117	0.22 161	0.12 28	0.13 109	0.16 107	0.20 216	0.10 92	0.12 105	0.10 52	0.05 2	0.04 2	0.08 166	0.08 215	0.06 103	0.16 358

ASMatch	0.11 85	0.06 20	0.13 133	0.16 70	0.10 221	0.07 17	0.14 71	0.17 77	0.17 103	0.12 88	0.16 107	0.16 167	0.10 92	0.13 137	0.10 52	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.08 223

RAFT-RH_RVC	0.11 85	0.06 20	0.14 159	0.16 70	0.09 135	0.12 108	0.12 22	0.17 77	0.12 28	0.13 109	0.41 346	0.11 79	0.10 92	0.13 137	0.12 132	0.05 2	0.04 2	0.08 166	0.05 34	0.04 1	0.06 103

cross-raft	0.10 54	0.09 195	0.09 31	0.19 231	0.07 20	0.11 85	0.25 340	0.13 12	0.15 73	0.08 7	0.11 57	0.12 94	0.10 92	0.09 10	0.11 90	0.05 2	0.04 2	0.06 34	0.05 34	0.04 1	0.04 8

rafts_anoy	0.11 85	0.06 20	0.10 48	0.17 117	0.08 50	0.10 59	0.14 71	0.17 77	0.14 62	0.13 109	0.13 75	0.12 94	0.10 92	0.11 48	0.12 132	0.07 145	0.04 2	0.09 232	0.11 311	0.07 160	0.06 103

Anonymous3	0.16 243	0.13 298	0.33 342	0.26 349	0.14 323	0.27 336	0.17 196	0.28 253	0.28 247	0.15 153	0.17 125	0.14 132	0.10 92	0.15 171	0.12 132	0.08 195	0.08 274	0.08 166	0.08 215	0.08 204	0.11 298

RALCasStereoNet	0.10 54	0.06 20	0.09 31	0.16 70	0.08 50	0.12 108	0.14 71	0.17 77	0.11 20	0.12 88	0.17 125	0.14 132	0.10 92	0.12 105	0.11 90	0.07 145	0.06 195	0.06 34	0.05 34	0.08 204	0.07 163

RAFT + AFF	0.13 162	0.07 72	0.20 286	0.20 272	0.10 221	0.14 159	0.24 327	0.26 221	0.20 153	0.11 64	0.10 40	0.12 94	0.10 92	0.15 171	0.12 132	0.07 145	0.06 195	0.09 232	0.08 215	0.06 103	0.08 223

GMStereo	0.13 162	0.14 310	0.14 159	0.18 184	0.09 135	0.15 181	0.16 175	0.20 128	0.24 197	0.16 178	0.17 125	0.10 62	0.10 92	0.16 203	0.13 162	0.07 145	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
MyStereo05	0.13 162	0.07 72	0.10 48	0.17 117	0.09 135	0.13 135	0.18 236	0.27 239	0.35 298	0.17 190	0.14 85	0.15 156	0.11 114	0.15 171	0.13 162	0.06 58	0.05 110	0.07 102	0.07 165	0.06 103	0.06 103

CoDeX	0.12 140	0.07 72	0.12 94	0.17 117	0.08 50	0.12 108	0.15 117	0.23 178	0.27 236	0.13 109	0.17 125	0.16 167	0.11 114	0.14 153	0.11 90	0.07 145	0.05 110	0.07 102	0.06 90	0.06 103	0.05 53

GMStereo_Zeroshot	0.16 243	0.13 298	0.24 308	0.20 272	0.10 221	0.17 224	0.13 44	0.29 263	0.25 216	0.23 280	0.32 289	0.25 267	0.11 114	0.19 247	0.14 190	0.09 241	0.06 195	0.11 300	0.06 90	0.12 308	0.08 223

MIF-Stereo (partial)	0.11 85	0.06 20	0.10 48	0.19 231	0.10 221	0.10 59	0.11 11	0.17 77	0.18 120	0.14 129	0.16 107	0.09 40	0.11 114	0.12 105	0.12 132	0.08 195	0.05 110	0.08 166	0.07 165	0.06 103	0.07 163

riskmin	0.11 85	0.06 20	0.13 133	0.14 14	0.08 50	0.14 159	0.14 71	0.18 101	0.14 62	0.11 64	0.14 85	0.16 167	0.11 114	0.14 153	0.12 132	0.09 241	0.05 110	0.07 102	0.05 34	0.08 204	0.08 223

fff	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

Sa-1000	0.12 140	0.08 144	0.08 12	0.18 184	0.08 50	0.14 159	0.22 308	0.22 161	0.18 120	0.15 153	0.20 164	0.17 186	0.11 114	0.10 19	0.10 52	0.06 58	0.05 110	0.09 232	0.09 256	0.05 41	0.05 53

SA	0.12 140	0.09 195	0.08 12	0.18 184	0.08 50	0.12 108	0.24 327	0.23 178	0.18 120	0.17 190	0.27 253	0.14 132	0.11 114	0.11 48	0.11 90	0.05 2	0.05 110	0.09 232	0.08 215	0.05 41	0.04 8

CrosDoStereo	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

LCNet	0.11 85	0.07 72	0.09 31	0.19 231	0.09 135	0.08 24	0.15 117	0.21 145	0.15 73	0.11 64	0.15 99	0.16 167	0.11 114	0.12 105	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.15 347

TransformOpticalFlow	0.10 54	0.08 144	0.13 133	0.18 184	0.07 20	0.09 36	0.15 117	0.19 121	0.15 73	0.12 88	0.17 125	0.11 79	0.11 114	0.11 48	0.10 52	0.05 2	0.04 2	0.06 34	0.06 90	0.05 41	0.05 53

NF-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

OCTAStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

PSM-softLoss	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

KMStereo	0.12 140	0.07 72	0.15 196	0.17 117	0.09 135	0.08 24	0.13 44	0.24 196	0.17 103	0.14 129	0.19 153	0.13 117	0.11 114	0.11 48	0.11 90	0.07 145	0.05 110	0.08 166	0.07 165	0.06 103	0.12 309

PSM-AAD	0.11 85	0.07 72	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.20 128	0.13 45	0.12 88	0.14 85	0.18 197	0.11 114	0.11 48	0.10 52	0.05 2	0.05 110	0.09 232	0.08 215	0.06 103	0.14 339

DeepStereo_LL	0.12 140	0.06 20	0.12 94	0.14 14	0.08 50	0.12 108	0.15 117	0.17 77	0.22 178	0.19 230	0.24 202	0.15 156	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

PFNet	0.12 140	0.06 20	0.17 251	0.17 117	0.08 50	0.09 36	0.15 117	0.26 221	0.20 153	0.16 178	0.16 107	0.14 132	0.11 114	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

GrayStereo	0.11 85	0.06 20	0.11 74	0.19 231	0.09 135	0.09 36	0.16 175	0.18 101	0.17 103	0.14 129	0.17 125	0.17 186	0.11 114	0.12 105	0.11 90	0.05 2	0.05 110	0.07 102	0.06 90	0.05 41	0.10 275

RE-Stereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

TVStereo	0.11 85	0.07 72	0.13 133	0.17 117	0.09 135	0.10 59	0.14 71	0.23 178	0.19 132	0.12 88	0.17 125	0.12 94	0.11 114	0.11 48	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.12 309

GMM-Stereo	0.11 85	0.07 72	0.10 48	0.18 184	0.09 135	0.08 24	0.15 117	0.23 178	0.16 91	0.11 64	0.15 99	0.13 117	0.11 114	0.11 48	0.11 90	0.05 2	0.04 2	0.08 166	0.07 165	0.06 103	0.09 256

s12784h	0.09 14	0.06 20	0.07 2	0.15 39	0.05 1	0.16 205	0.18 236	0.15 31	0.15 73	0.10 44	0.11 57	0.11 79	0.11 114	0.10 19	0.12 132	0.05 2	0.04 2	0.05 2	0.04 9	0.04 1	0.04 8

DCANet	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

csc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

cscssc	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.09 36	0.17 196	0.16 47	0.20 153	0.13 109	0.16 107	0.10 62	0.11 114	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

111	0.10 54	0.06 20	0.12 94	0.15 39	0.07 20	0.10 59	0.14 71	0.21 145	0.23 187	0.11 64	0.12 65	0.14 132	0.11 114	0.13 137	0.10 52	0.06 58	0.04 2	0.06 34	0.04 9	0.05 41	0.05 53

ARAFT	0.12 140	0.08 144	0.17 251	0.19 231	0.09 135	0.14 159	0.18 236	0.20 128	0.12 28	0.12 88	0.13 75	0.14 132	0.11 114	0.15 171	0.12 132	0.06 58	0.05 110	0.10 273	0.09 256	0.05 41	0.04 8

HITNet	0.10 54	0.06 20	0.12 94	0.14 14	0.06 3	0.11 85	0.10 6	0.18 101	0.18 120	0.13 109	0.16 107	0.14 132	0.11 114	0.15 171	0.13 162	0.06 58	0.04 2	0.04 1	0.04 9	0.06 103	0.05 53
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	0.14 191	0.09 195	0.20 286	0.20 272	0.12 288	0.12 108	0.15 117	0.18 101	0.28 247	0.17 190	0.32 289	0.09 40	0.12 143	0.18 236	0.14 190	0.07 145	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163

test croco	0.10 54	0.08 144	0.10 48	0.19 231	0.09 135	0.10 59	0.15 117	0.14 19	0.13 45	0.13 109	0.15 99	0.09 40	0.12 143	0.13 137	0.12 132	0.07 145	0.05 110	0.09 232	0.06 90	0.06 103	0.06 103

PCWNet_CMD	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 302	0.14 129	0.20 164	0.21 222	0.12 143	0.17 225	0.13 162	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

ADStereo(finetuned)	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.15 31	0.19 132	0.13 109	0.17 125	0.10 62	0.12 143	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

GMOStereo	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

error version	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

test-v	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

GANet-ADL	0.13 162	0.07 72	0.15 196	0.17 117	0.10 221	0.18 239	0.15 117	0.30 277	0.20 153	0.13 109	0.18 147	0.19 206	0.12 143	0.16 203	0.13 162	0.08 195	0.06 195	0.06 34	0.05 34	0.07 160	0.08 223

Patchmatch Stereo++	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163
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 85	0.06 20	0.14 159	0.18 184	0.08 50	0.09 36	0.12 22	0.21 145	0.21 166	0.13 109	0.14 85	0.11 79	0.12 143	0.11 48	0.13 162	0.06 58	0.04 2	0.07 102	0.06 90	0.05 41	0.04 8

IIG-Stereo	0.11 85	0.06 20	0.13 133	0.17 117	0.08 50	0.11 85	0.12 22	0.22 161	0.17 103	0.14 129	0.17 125	0.11 79	0.12 143	0.12 105	0.12 132	0.06 58	0.05 110	0.07 102	0.06 90	0.05 41	0.04 8

NRIStereo	0.11 85	0.08 144	0.14 159	0.18 184	0.08 50	0.10 59	0.14 71	0.16 47	0.15 73	0.12 88	0.14 85	0.13 117	0.12 143	0.13 137	0.10 52	0.06 58	0.04 2	0.07 102	0.06 90	0.06 103	0.07 163

PSM-adaLoss	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

FTStereo	0.12 140	0.06 20	0.14 159	0.18 184	0.09 135	0.07 17	0.15 117	0.21 145	0.18 120	0.12 88	0.24 202	0.12 94	0.12 143	0.13 137	0.13 162	0.05 2	0.05 110	0.07 102	0.06 90	0.06 103	0.10 275

ROB_FTStereo_v2	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

ROB_FTStereo	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

HUI-Stereo	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

SST-Stereo	0.10 54	0.07 72	0.15 196	0.18 184	0.09 135	0.06 2	0.12 22	0.17 77	0.11 20	0.15 153	0.17 125	0.13 117	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

THIR-Stereo	0.12 140	0.07 72	0.11 74	0.15 39	0.08 50	0.14 159	0.16 175	0.17 77	0.25 216	0.16 178	0.24 202	0.14 132	0.12 143	0.12 105	0.14 190	0.06 58	0.04 2	0.07 102	0.07 165	0.05 41	0.05 53

RAFT_R40	0.11 85	0.07 72	0.14 159	0.18 184	0.09 135	0.06 2	0.13 44	0.17 77	0.16 91	0.14 129	0.18 147	0.15 156	0.12 143	0.10 19	0.11 90	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

DeepStereo_RVC	0.11 85	0.08 144	0.16 226	0.18 184	0.08 50	0.08 24	0.12 22	0.17 77	0.12 28	0.13 109	0.14 85	0.12 94	0.12 143	0.12 105	0.11 90	0.06 58	0.04 2	0.07 102	0.06 90	0.07 160	0.08 223

iGMRVC	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

IRAFT_RVC	0.12 140	0.08 144	0.16 226	0.19 231	0.08 50	0.07 17	0.15 117	0.24 196	0.23 187	0.14 129	0.14 85	0.15 156	0.12 143	0.12 105	0.10 52	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.06 103

iRAFT	0.11 85	0.09 195	0.16 226	0.18 184	0.08 50	0.06 2	0.11 11	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

CRE-IMP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.10 59	0.12 22	0.18 101	0.10 9	0.14 129	0.13 75	0.13 117	0.12 143	0.12 105	0.11 90	0.07 145	0.04 2	0.08 166	0.06 90	0.08 204	0.08 223

test-2	0.11 85	0.09 195	0.07 2	0.19 231	0.08 50	0.12 108	0.28 358	0.13 12	0.17 103	0.11 64	0.17 125	0.14 132	0.12 143	0.07 1	0.07 1	0.05 2	0.05 110	0.09 232	0.07 165	0.04 1	0.04 8

RAFT	0.13 162	0.09 195	0.11 74	0.18 184	0.08 50	0.15 181	0.24 327	0.20 128	0.19 132	0.21 255	0.21 178	0.17 186	0.12 143	0.16 203	0.09 20	0.06 58	0.07 252	0.10 273	0.09 256	0.05 41	0.05 53

RAFT-IKP	0.11 85	0.09 195	0.16 226	0.19 231	0.08 50	0.06 2	0.12 22	0.16 47	0.13 45	0.15 153	0.16 107	0.14 132	0.12 143	0.11 48	0.10 52	0.06 58	0.04 2	0.08 166	0.06 90	0.08 204	0.07 163

TestStereo	0.13 162	0.14 310	0.11 74	0.23 328	0.08 50	0.15 181	0.21 298	0.20 128	0.23 187	0.14 129	0.24 202	0.16 167	0.12 143	0.16 203	0.14 190	0.05 2	0.06 195	0.08 166	0.06 90	0.09 252	0.05 53

FENet	0.13 162	0.08 144	0.12 94	0.16 70	0.08 50	0.14 159	0.15 117	0.22 161	0.23 187	0.17 190	0.23 193	0.16 167	0.12 143	0.14 153	0.15 213	0.08 195	0.05 110	0.08 166	0.08 215	0.07 160	0.07 163

DIP-Stereo	0.11 85	0.07 72	0.14 159	0.17 117	0.09 135	0.13 135	0.09 3	0.16 47	0.16 91	0.11 64	0.16 107	0.14 132	0.12 143	0.15 171	0.13 162	0.06 58	0.05 110	0.06 34	0.05 34	0.05 41	0.06 103
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	0.14 191	0.08 144	0.15 196	0.17 117	0.09 135	0.14 159	0.14 71	0.29 263	0.36 302	0.14 129	0.21 178	0.21 222	0.12 143	0.17 225	0.14 190	0.07 145	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

DualNet	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

ffm	0.12 140	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.10 19	0.07 1	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

ff1	0.13 162	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.15 31	0.19 132	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.06 58	0.04 2	0.09 232	0.08 215	0.06 103	0.06 103

mmx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

ttt	0.14 191	0.08 144	0.14 159	0.15 39	0.08 50	0.15 181	0.18 236	0.27 239	0.29 254	0.16 178	0.24 202	0.17 186	0.13 175	0.13 137	0.14 190	0.11 293	0.08 274	0.09 232	0.08 215	0.09 252	0.08 223

xxx	0.14 191	0.09 195	0.14 159	0.16 70	0.08 50	0.17 224	0.17 196	0.27 239	0.25 216	0.15 153	0.25 231	0.19 206	0.13 175	0.14 153	0.20 268	0.08 195	0.06 195	0.09 232	0.08 215	0.08 204	0.08 223

LL-Strereo	0.13 162	0.09 195	0.11 74	0.20 272	0.10 221	0.11 85	0.18 236	0.32 292	0.24 197	0.15 153	0.15 99	0.14 132	0.13 175	0.19 247	0.11 90	0.06 58	0.04 2	0.09 232	0.08 215	0.04 1	0.05 53

SDNR	0.19 284	0.08 144	0.19 278	0.16 70	0.12 288	0.77 404	0.14 71	0.25 209	0.32 274	0.19 230	0.24 202	0.19 206	0.13 175	0.19 247	0.15 213	0.16 362	0.18 369	0.14 339	0.11 311	0.08 204	0.11 298

BUS	0.14 191	0.09 195	0.14 159	0.22 309	0.10 221	0.19 259	0.14 71	0.34 319	0.19 132	0.17 190	0.22 187	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

NINENet	0.16 243	0.10 243	0.15 196	0.17 117	0.11 259	0.19 259	0.14 71	0.40 357	0.36 302	0.18 217	0.21 178	0.16 167	0.13 175	0.15 171	0.13 162	0.08 195	0.08 274	0.10 273	0.07 165	0.10 279	0.09 256

UDGNet	0.14 191	0.13 298	0.16 226	0.17 117	0.10 221	0.12 108	0.16 175	0.21 145	0.27 236	0.20 247	0.20 164	0.16 167	0.13 175	0.16 203	0.13 162	0.10 272	0.06 195	0.09 232	0.07 165	0.06 103	0.07 163

dad	0.17 262	0.20 352	0.20 286	0.16 70	0.11 259	0.20 271	0.18 236	0.21 145	0.28 247	0.30 332	0.24 202	0.29 296	0.13 175	0.19 247	0.16 228	0.18 367	0.09 297	0.11 300	0.09 256	0.11 294	0.07 163

GEStereo_RVC	0.17 262	0.12 277	0.15 196	0.22 309	0.11 259	0.19 259	0.17 196	0.32 292	0.48 350	0.20 247	0.25 231	0.17 186	0.13 175	0.21 282	0.16 228	0.10 272	0.06 195	0.08 166	0.07 165	0.09 252	0.08 223

CFNet_pseudo	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.13 135	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.06 90	0.07 160	0.07 163

Anonymous	0.14 191	0.10 243	0.24 308	0.22 309	0.13 306	0.18 239	0.22 308	0.20 128	0.19 132	0.14 129	0.12 65	0.11 79	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.08 166	0.08 215	0.12 308	0.10 275

GES	0.14 191	0.08 144	0.16 226	0.15 39	0.10 221	0.13 135	0.13 44	0.28 253	0.25 216	0.16 178	0.23 193	0.18 197	0.13 175	0.16 203	0.13 162	0.08 195	0.07 252	0.07 102	0.06 90	0.08 204	0.09 256

SFCPSM	0.13 162	0.07 72	0.14 159	0.17 117	0.09 135	0.15 181	0.16 175	0.28 253	0.27 236	0.14 129	0.17 125	0.12 94	0.13 175	0.14 153	0.11 90	0.08 195	0.05 110	0.07 102	0.07 165	0.07 160	0.06 103

ccs_rob	0.14 191	0.08 144	0.15 196	0.16 70	0.09 135	0.12 108	0.14 71	0.27 239	0.34 291	0.14 129	0.21 178	0.22 239	0.13 175	0.18 236	0.14 190	0.07 145	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

AdaStereo	0.15 225	0.11 263	0.15 196	0.18 184	0.09 135	0.20 271	0.11 11	0.32 292	0.28 247	0.20 247	0.23 193	0.20 216	0.13 175	0.19 247	0.14 190	0.12 317	0.05 110	0.10 273	0.07 165	0.09 252	0.07 163
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	0.14 191	0.08 144	0.15 196	0.16 70	0.08 50	0.16 205	0.12 22	0.25 209	0.35 298	0.21 255	0.29 273	0.24 257	0.13 175	0.14 153	0.14 190	0.06 58	0.05 110	0.06 34	0.04 9	0.09 252	0.08 223

MLCV	0.12 140	0.07 72	0.16 226	0.18 184	0.06 3	0.15 181	0.17 196	0.19 121	0.21 166	0.18 217	0.25 231	0.17 186	0.13 175	0.14 153	0.13 162	0.05 2	0.04 2	0.05 2	0.04 9	0.05 41	0.04 8

iResNet	0.13 162	0.10 243	0.18 269	0.19 231	0.08 50	0.13 135	0.18 236	0.20 128	0.26 229	0.15 153	0.23 193	0.15 156	0.13 175	0.14 153	0.14 190	0.06 58	0.04 2	0.06 34	0.05 34	0.06 103	0.05 53

DN-CSS_ROB	0.13 162	0.13 298	0.16 226	0.18 184	0.10 221	0.16 205	0.08 2	0.22 161	0.18 120	0.17 190	0.22 187	0.13 117	0.13 175	0.12 105	0.13 162	0.05 2	0.05 110	0.10 273	0.10 288	0.08 204	0.06 103

CFNet_ucs	0.15 225	0.08 144	0.16 226	0.16 70	0.11 259	0.14 159	0.14 71	0.30 277	0.34 291	0.16 178	0.24 202	0.23 251	0.14 198	0.18 236	0.15 213	0.09 241	0.06 195	0.08 166	0.07 165	0.09 252	0.09 256

anonymousa	0.13 162	0.07 72	0.13 133	0.18 184	0.09 135	0.13 135	0.17 196	0.19 121	0.29 254	0.15 153	0.24 202	0.15 156	0.14 198	0.14 153	0.14 190	0.07 145	0.05 110	0.07 102	0.09 256	0.05 41	0.06 103

DCANet-4	0.10 54	0.06 20	0.12 94	0.16 70	0.06 3	0.09 36	0.17 196	0.18 101	0.19 132	0.13 109	0.16 107	0.09 40	0.14 198	0.11 48	0.12 132	0.06 58	0.04 2	0.05 2	0.04 9	0.04 1	0.05 53

GwcNet-ADL	0.13 162	0.08 144	0.14 159	0.20 272	0.09 135	0.11 85	0.20 282	0.30 277	0.24 197	0.13 109	0.14 85	0.18 197	0.14 198	0.13 137	0.14 190	0.07 145	0.05 110	0.06 34	0.05 34	0.07 160	0.06 103

AAGNet	0.11 85	0.07 72	0.16 226	0.19 231	0.09 135	0.08 24	0.13 44	0.18 101	0.13 45	0.16 178	0.21 178	0.13 117	0.14 198	0.11 48	0.14 190	0.06 58	0.04 2	0.09 232	0.06 90	0.06 103	0.05 53

DEmStereo	0.12 140	0.06 20	0.14 159	0.14 14	0.10 221	0.16 205	0.15 117	0.16 47	0.24 197	0.17 190	0.24 202	0.13 117	0.14 198	0.12 105	0.13 162	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

HCRNet	0.16 243	0.24 366	0.12 94	0.35 379	0.11 259	0.15 181	0.17 196	0.26 221	0.22 178	0.19 230	0.24 202	0.21 222	0.14 198	0.15 171	0.13 162	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

xxxx	0.15 225	0.07 72	0.14 159	0.14 14	0.08 50	0.23 306	0.18 236	0.31 283	0.19 132	0.14 129	0.28 262	0.22 239	0.14 198	0.15 171	0.26 334	0.09 241	0.05 110	0.07 102	0.07 165	0.08 204	0.07 163

PSMNet-RSSM	0.14 191	0.07 72	0.13 133	0.15 39	0.08 50	0.13 135	0.16 175	0.24 196	0.24 197	0.16 178	0.28 262	0.22 239	0.14 198	0.15 171	0.13 162	0.11 293	0.06 195	0.09 232	0.12 329	0.08 204	0.07 163

CFNet-ft	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

BEATNet_4x	0.12 140	0.08 144	0.14 159	0.18 184	0.07 20	0.15 181	0.07 1	0.22 161	0.18 120	0.16 178	0.19 153	0.18 197	0.14 198	0.16 203	0.15 213	0.07 145	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

HSM-Net_RVC	0.14 191	0.08 144	0.11 74	0.15 39	0.08 50	0.15 181	0.15 117	0.27 239	0.29 254	0.19 230	0.21 178	0.29 296	0.14 198	0.17 225	0.13 162	0.06 58	0.06 195	0.06 34	0.06 90	0.07 160	0.06 103
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
CFNet_RVC	0.14 191	0.07 72	0.15 196	0.12 3	0.09 135	0.16 205	0.18 236	0.22 161	0.24 197	0.17 190	0.26 246	0.24 257	0.14 198	0.16 203	0.14 190	0.11 293	0.06 195	0.08 166	0.09 256	0.09 252	0.08 223

SMFormer	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

tta	0.14 191	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.17 239	0.08 195	0.05 110	0.07 102	0.06 90	0.06 103	0.06 103

qqq1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

fff1	0.13 162	0.07 72	0.17 251	0.14 14	0.08 50	0.16 205	0.17 196	0.26 221	0.27 236	0.19 230	0.20 164	0.18 197	0.15 211	0.15 171	0.11 90	0.08 195	0.05 110	0.05 2	0.05 34	0.06 103	0.06 103

1111x	0.15 225	0.08 144	0.12 94	0.18 184	0.07 20	0.18 239	0.25 340	0.31 283	0.24 197	0.17 190	0.24 202	0.26 275	0.15 211	0.13 137	0.23 306	0.07 145	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

iinet-f	0.16 243	0.06 20	0.45 363	0.14 14	0.10 221	0.21 285	0.14 71	0.27 239	0.23 187	0.21 255	0.24 202	0.21 222	0.15 211	0.18 236	0.21 287	0.09 241	0.07 252	0.07 102	0.06 90	0.09 252	0.10 275

GASNet	0.22 311	0.23 363	0.33 342	0.26 349	0.17 357	0.26 329	0.16 175	0.44 372	0.42 331	0.27 312	0.24 202	0.30 304	0.15 211	0.27 322	0.18 253	0.12 317	0.08 274	0.12 315	0.11 311	0.16 355	0.07 163

CASS	0.13 162	0.12 277	0.11 74	0.23 328	0.09 135	0.15 181	0.17 196	0.18 101	0.19 132	0.17 190	0.18 147	0.15 156	0.15 211	0.14 153	0.14 190	0.09 241	0.06 195	0.10 273	0.08 215	0.09 252	0.07 163
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
Wz-Net-LNSev-Ref	0.18 274	0.09 195	0.29 332	0.15 39	0.10 221	0.22 293	0.20 282	0.26 221	0.39 316	0.25 301	0.42 351	0.24 257	0.15 211	0.20 266	0.19 262	0.07 145	0.05 110	0.06 34	0.05 34	0.10 279	0.09 256

test_5	0.14 191	0.12 277	0.08 12	0.20 272	0.10 221	0.14 159	0.29 366	0.21 145	0.24 197	0.18 217	0.28 262	0.11 79	0.15 211	0.12 105	0.13 162	0.06 58	0.05 110	0.07 102	0.08 215	0.08 204	0.07 163

CSP-Net	0.16 243	0.09 195	0.14 159	0.16 70	0.09 135	0.19 259	0.17 196	0.25 209	0.32 274	0.25 301	0.30 277	0.24 257	0.15 211	0.21 282	0.18 253	0.09 241	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

DAS	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.16 203	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

SepStereo	0.15 225	0.08 144	0.18 269	0.19 231	0.10 221	0.19 259	0.17 196	0.27 239	0.29 254	0.18 217	0.25 231	0.21 222	0.15 211	0.25 317	0.12 132	0.08 195	0.06 195	0.06 34	0.06 90	0.07 160	0.07 163

DRaft	0.12 140	0.06 20	0.11 74	0.14 14	0.09 135	0.14 159	0.17 196	0.21 145	0.30 262	0.17 190	0.28 262	0.10 62	0.15 211	0.10 19	0.12 132	0.05 2	0.04 2	0.07 102	0.06 90	0.05 41	0.05 53

GANet-RSSM	0.14 191	0.07 72	0.13 133	0.13 7	0.08 50	0.14 159	0.17 196	0.22 161	0.21 166	0.17 190	0.24 202	0.23 251	0.15 211	0.16 203	0.15 213	0.10 272	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

DSFCA	0.16 243	0.09 195	0.14 159	0.16 70	0.10 221	0.20 271	0.19 267	0.28 253	0.31 268	0.23 280	0.24 202	0.22 239	0.15 211	0.19 247	0.20 268	0.10 272	0.07 252	0.09 232	0.09 256	0.08 204	0.08 223

FADNet-RVC-Resample	0.16 243	0.11 263	0.31 337	0.22 309	0.11 259	0.19 259	0.14 71	0.25 209	0.24 197	0.24 288	0.27 253	0.20 216	0.15 211	0.16 203	0.15 213	0.07 145	0.08 274	0.12 315	0.10 288	0.09 252	0.10 275

UCFNet_RVC	0.14 191	0.08 144	0.13 133	0.11 1	0.10 221	0.20 271	0.10 6	0.24 196	0.22 178	0.17 190	0.20 164	0.23 251	0.15 211	0.17 225	0.15 213	0.12 317	0.07 252	0.10 273	0.13 338	0.11 294	0.10 275

iResNet_ROB	0.14 191	0.07 72	0.13 133	0.14 14	0.07 20	0.18 239	0.14 71	0.26 221	0.31 268	0.22 268	0.25 231	0.23 251	0.15 211	0.15 171	0.13 162	0.07 145	0.05 110	0.05 2	0.04 9	0.08 204	0.08 223

PWCDC_ROB	0.20 293	0.13 298	0.22 296	0.24 333	0.11 259	0.19 259	0.15 117	0.33 309	0.54 366	0.29 329	0.50 366	0.21 222	0.15 211	0.27 322	0.20 268	0.11 293	0.09 297	0.10 273	0.08 215	0.11 294	0.09 256

xx1	0.11 85	0.08 144	0.12 94	0.17 117	0.09 135	0.13 135	0.15 117	0.16 47	0.18 120	0.09 19	0.09 25	0.16 167	0.16 231	0.10 19	0.07 1	0.06 58	0.04 2	0.08 166	0.08 215	0.07 160	0.07 163

mmm	0.14 191	0.08 144	0.17 251	0.17 117	0.09 135	0.17 224	0.18 236	0.21 145	0.15 73	0.15 153	0.23 193	0.21 222	0.16 231	0.16 203	0.17 239	0.08 195	0.05 110	0.08 166	0.07 165	0.07 160	0.07 163

11t1	0.12 140	0.06 20	0.13 133	0.14 14	0.08 50	0.17 224	0.15 117	0.18 101	0.15 73	0.15 153	0.15 99	0.16 167	0.16 231	0.15 171	0.13 162	0.08 195	0.05 110	0.06 34	0.05 34	0.08 204	0.07 163

CBFPSM	0.14 191	0.06 20	0.26 315	0.17 117	0.09 135	0.13 135	0.15 117	0.22 161	0.23 187	0.20 247	0.27 253	0.24 257	0.16 231	0.16 203	0.18 253	0.06 58	0.06 195	0.06 34	0.07 165	0.07 160	0.07 163

gwcnet-sp	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

scenet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

ssnet	0.14 191	0.07 72	0.12 94	0.18 184	0.09 135	0.16 205	0.17 196	0.24 196	0.24 197	0.18 217	0.24 202	0.15 156	0.16 231	0.15 171	0.15 213	0.08 195	0.06 195	0.07 102	0.08 215	0.08 204	0.07 163

qqq	0.13 162	0.09 195	0.15 196	0.16 70	0.08 50	0.13 135	0.15 117	0.23 178	0.16 91	0.15 153	0.19 153	0.16 167	0.16 231	0.15 171	0.16 228	0.07 145	0.06 195	0.08 166	0.08 215	0.07 160	0.07 163

BSDual-CNN	0.15 225	0.09 195	0.14 159	0.22 309	0.10 221	0.14 159	0.15 117	0.34 319	0.19 132	0.17 190	0.22 187	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

psmg	0.14 191	0.09 195	0.14 159	0.17 117	0.10 221	0.15 181	0.17 196	0.29 263	0.19 132	0.17 190	0.21 178	0.25 267	0.16 231	0.15 171	0.14 190	0.08 195	0.06 195	0.08 166	0.08 215	0.07 160	0.06 103

AASNet	0.16 243	0.08 144	0.12 94	0.19 231	0.09 135	0.18 239	0.15 117	0.37 342	0.37 308	0.19 230	0.23 193	0.20 216	0.16 231	0.17 225	0.20 268	0.10 272	0.08 274	0.08 166	0.07 165	0.09 252	0.09 256

PSMNet-ADL	0.15 225	0.12 277	0.13 133	0.22 309	0.09 135	0.13 135	0.20 282	0.26 221	0.23 187	0.18 217	0.20 164	0.24 257	0.16 231	0.18 236	0.17 239	0.08 195	0.08 274	0.08 166	0.11 311	0.08 204	0.07 163

ADLNet	0.16 243	0.08 144	0.15 196	0.16 70	0.10 221	0.16 205	0.17 196	0.32 292	0.27 236	0.22 268	0.27 253	0.24 257	0.16 231	0.18 236	0.21 287	0.10 272	0.06 195	0.10 273	0.10 288	0.08 204	0.09 256

222	0.16 243	0.07 72	0.14 159	0.14 14	0.08 50	0.24 311	0.18 236	0.30 277	0.20 153	0.17 190	0.28 262	0.17 186	0.16 231	0.15 171	0.40 381	0.10 272	0.05 110	0.07 102	0.06 90	0.07 160	0.08 223

test_xeample	0.15 225	0.06 20	0.13 133	0.14 14	0.08 50	0.21 285	0.20 282	0.28 253	0.20 153	0.16 178	0.29 273	0.19 206	0.16 231	0.15 171	0.26 334	0.09 241	0.05 110	0.07 102	0.07 165	0.07 160	0.07 163

ACVNet	0.15 225	0.09 195	0.15 196	0.13 7	0.12 288	0.14 159	0.20 282	0.22 161	0.33 280	0.17 190	0.26 246	0.21 222	0.16 231	0.17 225	0.21 287	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

cf-r	0.13 162	0.07 72	0.12 94	0.16 70	0.08 50	0.14 159	0.19 267	0.20 128	0.25 216	0.17 190	0.25 231	0.21 222	0.16 231	0.14 153	0.14 190	0.10 272	0.05 110	0.06 34	0.08 215	0.06 103	0.06 103

GwcNet-RSSM	0.14 191	0.07 72	0.12 94	0.15 39	0.08 50	0.15 181	0.20 282	0.21 145	0.27 236	0.18 217	0.27 253	0.22 239	0.16 231	0.14 153	0.15 213	0.10 272	0.05 110	0.07 102	0.09 256	0.07 160	0.07 163

HSM	0.15 225	0.08 144	0.14 159	0.16 70	0.09 135	0.16 205	0.14 71	0.28 253	0.25 216	0.19 230	0.23 193	0.37 341	0.16 231	0.20 266	0.15 213	0.07 145	0.05 110	0.07 102	0.06 90	0.07 160	0.06 103

DispNO	0.14 191	0.08 144	0.17 251	0.19 231	0.12 288	0.11 85	0.21 298	0.23 178	0.29 254	0.17 190	0.23 193	0.18 197	0.17 250	0.15 171	0.15 213	0.07 145	0.05 110	0.08 166	0.08 215	0.07 160	0.06 103

x	0.13 162	0.07 72	0.14 159	0.14 14	0.08 50	0.18 239	0.14 71	0.22 161	0.20 153	0.15 153	0.19 153	0.19 206	0.17 250	0.18 236	0.18 253	0.07 145	0.05 110	0.06 34	0.06 90	0.07 160	0.07 163

CRFU-Net	0.16 243	0.08 144	0.14 159	0.17 117	0.09 135	0.19 259	0.14 71	0.26 221	0.20 153	0.28 323	0.27 253	0.29 296	0.17 250	0.19 247	0.17 239	0.09 241	0.09 297	0.07 102	0.07 165	0.08 204	0.08 223

AACVNet	0.16 243	0.08 144	0.14 159	0.15 39	0.10 221	0.18 239	0.15 117	0.23 178	0.24 197	0.27 312	0.27 253	0.28 289	0.17 250	0.19 247	0.16 228	0.09 241	0.07 252	0.09 232	0.07 165	0.10 279	0.09 256

LMCR-Stereo	0.15 225	0.08 144	0.13 133	0.21 296	0.09 135	0.17 224	0.20 282	0.27 239	0.19 132	0.24 288	0.24 202	0.23 251	0.17 250	0.20 266	0.17 239	0.07 145	0.06 195	0.08 166	0.06 90	0.10 279	0.08 223

acv_ft	0.15 225	0.09 195	0.15 196	0.19 231	0.10 221	0.16 205	0.17 196	0.25 209	0.33 280	0.19 230	0.26 246	0.21 222	0.17 250	0.17 225	0.18 253	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

FADNet_RVC	0.16 243	0.14 310	0.40 358	0.20 272	0.11 259	0.13 135	0.13 44	0.26 221	0.22 178	0.21 255	0.23 193	0.20 216	0.17 250	0.14 153	0.16 228	0.08 195	0.08 274	0.12 315	0.09 256	0.11 294	0.10 275

CFNet	0.15 225	0.10 243	0.17 251	0.17 117	0.08 50	0.18 239	0.09 3	0.28 253	0.25 216	0.19 230	0.24 202	0.24 257	0.17 250	0.17 225	0.14 190	0.08 195	0.06 195	0.09 232	0.10 288	0.07 160	0.06 103

NLCA_NET_v2_RVC	0.17 262	0.10 243	0.22 296	0.20 272	0.10 221	0.15 181	0.18 236	0.31 283	0.25 216	0.21 255	0.30 277	0.25 267	0.17 250	0.21 282	0.20 268	0.09 241	0.06 195	0.08 166	0.08 215	0.07 160	0.08 223
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	0.17 262	0.12 277	0.15 196	0.20 272	0.09 135	0.18 239	0.18 236	0.26 221	0.23 187	0.26 306	0.40 336	0.22 239	0.17 250	0.21 282	0.20 268	0.08 195	0.05 110	0.09 232	0.10 288	0.07 160	0.07 163
Rohan Chabra, Julian Straub, Chris Sweeney, Richard Newcombe, Henry Fuchs: StereoDRNet. CVPR
ssnet_v2	0.17 262	0.10 243	0.17 251	0.17 117	0.11 259	0.21 285	0.21 298	0.33 309	0.25 216	0.22 268	0.22 187	0.27 282	0.18 260	0.22 293	0.20 268	0.11 293	0.09 297	0.09 232	0.09 256	0.08 204	0.08 223

Wz-Net-LNSev	0.22 311	0.16 323	0.38 355	0.21 296	0.13 306	0.25 321	0.23 318	0.32 292	0.43 336	0.30 332	0.41 346	0.31 314	0.18 260	0.22 293	0.25 325	0.10 272	0.09 297	0.08 166	0.08 215	0.12 308	0.11 298

hknet	0.15 225	0.11 263	0.13 133	0.22 309	0.11 259	0.14 159	0.15 117	0.34 319	0.25 216	0.17 190	0.22 187	0.22 239	0.18 260	0.17 225	0.12 132	0.07 145	0.06 195	0.10 273	0.09 256	0.07 160	0.07 163

ADLNet2	0.16 243	0.09 195	0.13 133	0.16 70	0.09 135	0.20 271	0.16 175	0.31 283	0.39 316	0.16 178	0.20 164	0.20 216	0.18 260	0.21 282	0.22 296	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.07 163

ICVP	0.15 225	0.09 195	0.12 94	0.22 309	0.09 135	0.17 224	0.21 298	0.25 209	0.23 187	0.18 217	0.30 277	0.26 275	0.18 260	0.17 225	0.14 190	0.09 241	0.07 252	0.08 166	0.07 165	0.07 160	0.07 163
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
ac_64	0.16 243	0.08 144	0.15 196	0.18 184	0.10 221	0.22 293	0.18 236	0.24 196	0.21 166	0.18 217	0.24 202	0.29 296	0.18 260	0.19 247	0.22 296	0.09 241	0.07 252	0.08 166	0.09 256	0.07 160	0.06 103

HGLStereo	0.17 262	0.08 144	0.19 278	0.17 117	0.12 288	0.18 239	0.18 236	0.31 283	0.32 274	0.21 255	0.32 289	0.25 267	0.18 260	0.19 247	0.20 268	0.09 241	0.09 297	0.07 102	0.07 165	0.09 252	0.10 275

DMCA	0.14 191	0.09 195	0.16 226	0.19 231	0.09 135	0.15 181	0.17 196	0.23 178	0.27 236	0.14 129	0.19 153	0.17 186	0.18 260	0.15 171	0.17 239	0.10 272	0.06 195	0.08 166	0.06 90	0.09 252	0.10 275

STTStereo	0.18 274	0.12 277	0.27 321	0.20 272	0.11 259	0.16 205	0.21 298	0.29 263	0.23 187	0.21 255	0.30 277	0.29 296	0.18 260	0.20 266	0.19 262	0.12 317	0.11 324	0.11 300	0.14 342	0.09 252	0.08 223

RASNet	0.14 191	0.07 72	0.14 159	0.16 70	0.08 50	0.18 239	0.14 71	0.29 263	0.20 153	0.17 190	0.25 231	0.21 222	0.18 260	0.20 266	0.19 262	0.07 145	0.06 195	0.06 34	0.08 215	0.06 103	0.06 103

TDLM	0.17 262	0.12 277	0.13 133	0.24 333	0.10 221	0.18 239	0.18 236	0.36 337	0.30 262	0.21 255	0.28 262	0.28 289	0.18 260	0.23 304	0.18 253	0.11 293	0.07 252	0.10 273	0.10 288	0.08 204	0.08 223

CVANet_RVC	0.18 274	0.10 243	0.14 159	0.21 296	0.10 221	0.18 239	0.17 196	0.34 319	0.33 280	0.22 268	0.31 285	0.28 289	0.18 260	0.23 304	0.17 239	0.12 317	0.08 274	0.12 315	0.11 311	0.09 252	0.07 163

Anonymous Stereo	0.23 326	0.19 347	0.50 369	0.24 333	0.17 357	0.21 285	0.21 298	0.33 309	0.44 340	0.25 301	0.34 306	0.26 275	0.18 260	0.31 343	0.27 341	0.13 337	0.12 333	0.12 315	0.13 338	0.11 294	0.14 339

DeepPruner_ROB	0.16 243	0.11 263	0.15 196	0.17 117	0.10 221	0.17 224	0.15 117	0.32 292	0.21 166	0.19 230	0.21 178	0.22 239	0.18 260	0.20 266	0.15 213	0.13 337	0.09 297	0.09 232	0.09 256	0.11 294	0.10 275

pmcnn	0.15 225	0.07 72	0.19 278	0.15 39	0.07 20	0.20 271	0.15 117	0.24 196	0.26 229	0.21 255	0.34 306	0.28 289	0.18 260	0.18 236	0.17 239	0.07 145	0.05 110	0.05 2	0.04 9	0.07 160	0.06 103

Wz-Net-MNSev	0.22 311	0.13 298	0.31 337	0.20 272	0.14 323	0.36 368	0.24 327	0.33 309	0.44 340	0.28 323	0.40 336	0.38 345	0.19 275	0.24 312	0.25 325	0.09 241	0.07 252	0.09 232	0.09 256	0.12 308	0.10 275

pcwnet_v2	0.19 284	0.10 243	0.26 315	0.17 117	0.14 323	0.18 239	0.15 117	0.37 342	0.46 348	0.19 230	0.24 202	0.21 222	0.19 275	0.20 266	0.19 262	0.13 337	0.10 315	0.10 273	0.10 288	0.11 294	0.13 322

delet	0.17 262	0.08 144	0.17 251	0.19 231	0.11 259	0.20 271	0.21 298	0.30 277	0.37 308	0.17 190	0.26 246	0.19 206	0.19 275	0.19 247	0.21 287	0.08 195	0.08 274	0.09 232	0.11 311	0.06 103	0.06 103

UNet	0.17 262	0.09 195	0.18 269	0.19 231	0.12 288	0.27 336	0.19 267	0.33 309	0.29 254	0.21 255	0.24 202	0.23 251	0.19 275	0.19 247	0.18 253	0.07 145	0.06 195	0.08 166	0.07 165	0.08 204	0.06 103

UPFNet	0.16 243	0.08 144	0.12 94	0.20 272	0.12 288	0.20 271	0.23 318	0.28 253	0.26 229	0.17 190	0.24 202	0.22 239	0.19 275	0.19 247	0.21 287	0.09 241	0.07 252	0.08 166	0.09 256	0.08 204	0.06 103

NVstereo2D	0.19 284	0.10 243	0.15 196	0.17 117	0.15 334	0.28 342	0.23 318	0.44 372	0.42 331	0.15 153	0.27 253	0.25 267	0.19 275	0.22 293	0.17 239	0.09 241	0.06 195	0.10 273	0.08 215	0.15 348	0.09 256

StereoDRNet	0.18 274	0.11 263	0.17 251	0.22 309	0.11 259	0.21 285	0.22 308	0.37 342	0.33 280	0.24 288	0.28 262	0.30 304	0.19 275	0.20 266	0.20 268	0.09 241	0.08 274	0.11 300	0.09 256	0.09 252	0.07 163

SGM-Forest	0.20 293	0.14 310	0.18 269	0.19 231	0.13 306	0.20 271	0.22 308	0.33 309	0.30 262	0.24 288	0.29 273	0.28 289	0.19 275	0.23 304	0.17 239	0.15 351	0.16 362	0.15 347	0.14 342	0.12 308	0.12 309
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	0.18 274	0.11 263	0.19 278	0.19 231	0.12 288	0.24 311	0.21 298	0.25 209	0.34 291	0.22 268	0.34 306	0.27 282	0.20 283	0.21 282	0.23 306	0.09 241	0.09 297	0.08 166	0.10 288	0.08 204	0.07 163

IER	0.14 191	0.07 72	0.13 133	0.17 117	0.09 135	0.14 159	0.16 175	0.25 209	0.26 229	0.18 217	0.25 231	0.17 186	0.20 283	0.16 203	0.14 190	0.08 195	0.05 110	0.07 102	0.06 90	0.08 204	0.07 163

MMNet	0.17 262	0.09 195	0.16 226	0.20 272	0.11 259	0.27 336	0.20 282	0.25 209	0.41 325	0.22 268	0.30 277	0.21 222	0.20 283	0.17 225	0.20 268	0.06 58	0.06 195	0.07 102	0.07 165	0.08 204	0.07 163

GwcNet	0.20 293	0.13 298	0.19 278	0.18 184	0.12 288	0.24 311	0.19 267	0.35 331	0.43 336	0.20 247	0.32 289	0.33 325	0.20 283	0.22 293	0.24 316	0.11 293	0.09 297	0.09 232	0.09 256	0.09 252	0.10 275

DGSMNet	0.24 334	0.19 347	0.33 342	0.21 296	0.24 376	0.24 311	0.20 282	0.35 331	0.41 325	0.24 288	0.32 289	0.38 345	0.21 287	0.29 339	0.23 306	0.12 317	0.11 324	0.14 339	0.16 354	0.23 373	0.23 378

FADNet-RVC	0.20 293	0.20 352	0.38 355	0.21 296	0.16 344	0.20 271	0.15 117	0.26 221	0.26 229	0.26 306	0.32 289	0.26 275	0.21 287	0.22 293	0.19 262	0.12 317	0.13 346	0.12 315	0.14 342	0.13 325	0.18 367

FADNet	0.21 302	0.22 362	0.36 351	0.18 184	0.17 357	0.24 311	0.13 44	0.31 283	0.31 268	0.23 280	0.25 231	0.27 282	0.21 287	0.19 247	0.15 213	0.13 337	0.15 359	0.12 315	0.15 352	0.16 355	0.18 367

MaskLacGwcNet_RVC	0.22 311	0.21 358	0.24 308	0.26 349	0.11 259	0.23 306	0.14 71	0.39 353	0.24 197	0.32 344	0.36 312	0.30 304	0.21 287	0.19 247	0.21 287	0.17 366	0.14 353	0.21 368	0.16 354	0.12 308	0.12 309

SuperB	0.20 293	0.10 243	0.56 377	0.16 70	0.09 135	0.18 239	0.18 236	0.24 196	0.50 357	0.26 306	0.39 331	0.17 186	0.21 287	0.22 293	0.21 287	0.08 195	0.06 195	0.06 34	0.06 90	0.12 308	0.10 275

RTSC	0.23 326	0.12 277	0.28 326	0.21 296	0.13 306	0.28 342	0.16 175	0.35 331	0.66 385	0.27 312	0.33 302	0.30 304	0.21 287	0.31 343	0.29 352	0.10 272	0.08 274	0.09 232	0.10 288	0.13 325	0.13 322

AANet_RVC	0.16 243	0.10 243	0.10 48	0.18 184	0.09 135	0.18 239	0.19 267	0.26 221	0.31 268	0.22 268	0.35 309	0.21 222	0.21 287	0.22 293	0.16 228	0.06 58	0.05 110	0.06 34	0.06 90	0.07 160	0.06 103

DRN-Test	0.19 284	0.11 263	0.20 286	0.22 309	0.10 221	0.22 293	0.22 308	0.39 353	0.37 308	0.24 288	0.32 289	0.26 275	0.21 287	0.22 293	0.24 316	0.11 293	0.07 252	0.11 300	0.10 288	0.09 252	0.07 163

MDST_ROB	0.22 311	0.10 243	0.17 251	0.18 184	0.11 259	0.37 369	0.19 267	0.43 370	0.41 325	0.39 359	0.39 331	0.29 296	0.21 287	0.26 319	0.18 253	0.11 293	0.10 315	0.14 339	0.11 311	0.10 279	0.08 223

SQANet	0.23 326	0.23 363	0.30 335	0.30 372	0.19 366	0.27 336	0.13 44	0.29 263	0.33 280	0.24 288	0.37 318	0.31 314	0.22 296	0.27 322	0.23 306	0.15 351	0.10 315	0.21 368	0.16 354	0.21 370	0.15 347

SACVNet	0.18 274	0.12 277	0.14 159	0.17 117	0.13 306	0.22 293	0.18 236	0.31 283	0.30 262	0.23 280	0.31 285	0.30 304	0.22 296	0.22 293	0.17 239	0.11 293	0.08 274	0.10 273	0.10 288	0.12 308	0.14 339

FINET	0.21 302	0.18 344	0.26 315	0.18 184	0.16 344	0.23 306	0.23 318	0.32 292	0.48 350	0.25 301	0.32 289	0.22 239	0.22 296	0.22 293	0.17 239	0.18 367	0.16 362	0.11 300	0.10 288	0.15 348	0.13 322

hitnet-ft	0.18 274	0.09 195	0.17 251	0.14 14	0.09 135	0.26 329	0.20 282	0.25 209	0.26 229	0.24 288	0.32 289	0.31 314	0.22 296	0.24 312	0.21 287	0.12 317	0.07 252	0.10 273	0.08 215	0.12 308	0.11 298

ADCP+	0.20 293	0.10 243	0.33 342	0.20 272	0.12 288	0.22 293	0.26 346	0.31 283	0.34 291	0.26 306	0.37 318	0.22 239	0.22 296	0.27 322	0.27 341	0.09 241	0.06 195	0.08 166	0.08 215	0.09 252	0.10 275

PSMNet_ROB	0.21 302	0.11 263	0.15 196	0.27 360	0.15 334	0.24 311	0.35 383	0.43 370	0.37 308	0.27 312	0.32 289	0.32 322	0.22 296	0.21 282	0.26 334	0.12 317	0.08 274	0.13 329	0.11 311	0.09 252	0.09 256

ADCRef	0.19 284	0.12 277	0.41 360	0.20 272	0.12 288	0.22 293	0.18 236	0.32 292	0.36 302	0.26 306	0.32 289	0.17 186	0.23 302	0.24 312	0.24 316	0.07 145	0.06 195	0.09 232	0.09 256	0.08 204	0.08 223

RYNet	0.22 311	0.12 277	0.22 296	0.19 231	0.17 357	0.46 375	0.26 346	0.38 349	0.48 350	0.24 288	0.28 262	0.34 331	0.23 302	0.20 266	0.30 356	0.10 272	0.06 195	0.09 232	0.09 256	0.13 325	0.15 347

NaN_ROB	0.22 311	0.19 347	0.24 308	0.25 344	0.13 306	0.29 345	0.26 346	0.33 309	0.41 325	0.31 338	0.31 285	0.32 322	0.23 302	0.30 342	0.21 287	0.11 293	0.17 367	0.10 273	0.10 288	0.08 204	0.09 256

NOSS_ROB	0.19 284	0.12 277	0.18 269	0.16 70	0.12 288	0.15 181	0.12 22	0.30 277	0.32 274	0.20 247	0.22 187	0.27 282	0.23 302	0.21 282	0.16 228	0.16 362	0.18 369	0.23 373	0.21 369	0.12 308	0.13 322

DispFullNet	0.27 351	0.21 358	0.65 384	0.28 363	0.16 344	0.26 329	0.17 196	0.33 309	0.58 374	0.27 312	0.38 323	0.43 362	0.23 302	0.38 370	0.23 306	0.12 317	0.06 195	0.19 365	0.11 311	0.21 370	0.15 347

CBMV	0.19 284	0.14 310	0.17 251	0.18 184	0.10 221	0.20 271	0.11 11	0.29 263	0.30 262	0.29 329	0.30 277	0.30 304	0.23 302	0.27 322	0.19 262	0.13 337	0.15 359	0.17 355	0.16 354	0.10 279	0.10 275
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
ToySt	0.17 262	0.11 263	0.18 269	0.17 117	0.11 259	0.16 205	0.25 340	0.24 196	0.33 280	0.19 230	0.24 202	0.26 275	0.24 308	0.19 247	0.20 268	0.07 145	0.08 274	0.09 232	0.10 288	0.09 252	0.08 223

WZ-Net	0.28 354	0.17 334	0.78 398	0.22 309	0.16 344	0.34 359	0.29 366	0.39 353	0.57 371	0.24 288	0.55 371	0.37 341	0.24 308	0.33 351	0.35 370	0.09 241	0.08 274	0.09 232	0.10 288	0.14 337	0.16 358

psm_up	0.18 274	0.10 243	0.18 269	0.20 272	0.11 259	0.17 224	0.19 267	0.37 342	0.34 291	0.21 255	0.28 262	0.29 296	0.24 308	0.20 266	0.22 296	0.09 241	0.10 315	0.11 300	0.11 311	0.08 204	0.08 223

RP	0.21 302	0.13 298	0.21 291	0.23 328	0.11 259	0.21 285	0.20 282	0.25 209	0.44 340	0.21 255	0.38 323	0.36 337	0.24 308	0.27 322	0.25 325	0.11 293	0.12 333	0.13 329	0.12 329	0.12 308	0.14 339

PS-NSSS	0.20 293	0.21 358	0.23 305	0.20 272	0.10 221	0.19 259	0.17 196	0.36 337	0.25 216	0.27 312	0.33 302	0.27 282	0.24 308	0.20 266	0.20 268	0.15 351	0.12 333	0.17 355	0.14 342	0.10 279	0.08 223

CBMV_ROB	0.19 284	0.13 298	0.17 251	0.16 70	0.11 259	0.15 181	0.13 44	0.26 221	0.28 247	0.27 312	0.30 277	0.27 282	0.24 308	0.23 304	0.16 228	0.15 351	0.17 367	0.22 372	0.20 367	0.10 279	0.11 298

DLCB_ROB	0.18 274	0.10 243	0.15 196	0.23 328	0.11 259	0.24 311	0.18 236	0.29 263	0.28 247	0.27 312	0.28 262	0.28 289	0.24 308	0.19 247	0.20 268	0.08 195	0.08 274	0.09 232	0.09 256	0.07 160	0.07 163

PWC_ROB	0.21 302	0.16 323	0.26 315	0.18 184	0.11 259	0.22 293	0.13 44	0.32 292	0.49 355	0.30 332	0.40 336	0.32 322	0.24 308	0.31 343	0.22 296	0.10 272	0.07 252	0.11 300	0.08 215	0.11 294	0.10 275

HBP-ISP	0.18 274	0.13 298	0.16 226	0.15 39	0.11 259	0.08 24	0.13 44	0.28 253	0.29 254	0.22 268	0.33 302	0.21 222	0.25 316	0.23 304	0.17 239	0.14 348	0.16 362	0.21 368	0.17 361	0.10 279	0.08 223

DDUNet	0.22 311	0.17 334	0.21 291	0.22 309	0.15 334	0.25 321	0.24 327	0.29 263	0.30 262	0.31 338	0.36 312	0.33 325	0.25 316	0.24 312	0.20 268	0.18 367	0.13 346	0.17 355	0.11 311	0.16 355	0.16 358

Syn2CoEx	0.21 302	0.16 323	0.27 321	0.29 370	0.14 323	0.26 329	0.20 282	0.33 309	0.31 268	0.28 323	0.36 312	0.27 282	0.25 316	0.19 247	0.24 316	0.16 362	0.12 333	0.14 339	0.11 311	0.09 252	0.08 223

Wz-Net-SNSev	0.25 343	0.17 334	0.44 362	0.25 344	0.14 323	0.26 329	0.23 318	0.38 349	0.56 369	0.30 332	0.55 371	0.39 353	0.26 319	0.23 304	0.30 356	0.10 272	0.09 297	0.09 232	0.10 288	0.11 294	0.11 298

AF-Net	0.22 311	0.17 334	0.17 251	0.26 349	0.13 306	0.25 321	0.24 327	0.32 292	0.50 357	0.25 301	0.33 302	0.38 345	0.26 319	0.28 333	0.25 325	0.11 293	0.10 315	0.16 353	0.11 311	0.11 294	0.10 275

PA-Net	0.23 326	0.18 344	0.33 342	0.28 363	0.22 373	0.21 285	0.38 388	0.29 263	0.39 316	0.22 268	0.32 289	0.25 267	0.26 319	0.20 266	0.25 325	0.09 241	0.23 384	0.15 347	0.22 372	0.09 252	0.13 322
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
DISCO	0.19 284	0.09 195	0.22 296	0.17 117	0.10 221	0.25 321	0.18 236	0.27 239	0.44 340	0.22 268	0.31 285	0.33 325	0.26 319	0.28 333	0.28 349	0.08 195	0.06 195	0.07 102	0.07 165	0.09 252	0.09 256

SANet	0.24 334	0.14 310	0.28 326	0.21 296	0.11 259	0.27 336	0.24 327	0.38 349	0.64 382	0.36 352	0.40 336	0.43 362	0.26 319	0.27 322	0.24 316	0.12 317	0.09 297	0.10 273	0.09 256	0.13 325	0.11 298

XPNet_ROB	0.22 311	0.11 263	0.19 278	0.22 309	0.13 306	0.22 293	0.19 267	0.34 319	0.40 322	0.30 332	0.39 331	0.39 353	0.26 319	0.26 319	0.28 349	0.15 351	0.10 315	0.10 273	0.10 288	0.13 325	0.12 309

ETE_ROB	0.23 326	0.17 334	0.22 296	0.25 344	0.13 306	0.26 329	0.29 366	0.31 283	0.36 302	0.28 323	0.36 312	0.45 366	0.26 319	0.27 322	0.26 334	0.11 293	0.08 274	0.12 315	0.09 256	0.14 337	0.13 322

LALA_ROB	0.25 343	0.16 323	0.22 296	0.26 349	0.17 357	0.27 336	0.27 353	0.42 367	0.37 308	0.33 348	0.38 323	0.51 376	0.26 319	0.28 333	0.27 341	0.16 362	0.09 297	0.12 315	0.11 311	0.13 325	0.12 309

ACVNet-4b	0.39 373	0.53 392	0.55 375	0.45 389	0.24 376	0.47 377	0.18 236	0.49 381	0.64 382	0.42 369	0.45 357	0.60 383	0.27 327	0.34 354	0.24 316	0.33 390	0.14 353	0.48 393	0.42 393	0.30 386	0.26 385

Anonymous_2	0.22 311	0.17 334	0.28 326	0.15 39	0.16 344	0.32 350	0.22 308	0.22 161	0.17 103	0.23 280	0.24 202	0.26 275	0.27 327	0.27 322	0.23 306	0.22 379	0.25 386	0.17 355	0.17 361	0.17 362	0.17 365

UDG	0.21 302	0.17 334	0.19 278	0.23 328	0.15 334	0.30 348	0.20 282	0.33 309	0.35 298	0.23 280	0.28 262	0.31 314	0.27 327	0.20 266	0.22 296	0.15 351	0.12 333	0.13 329	0.09 256	0.14 337	0.14 339

aanetorigin	0.22 311	0.17 334	0.56 377	0.17 117	0.10 221	0.15 181	0.19 267	0.20 128	0.33 280	0.49 377	0.48 361	0.29 296	0.27 327	0.20 266	0.23 306	0.08 195	0.07 252	0.08 166	0.07 165	0.10 279	0.09 256

DMCA-RVC	0.17 262	0.10 243	0.15 196	0.24 333	0.11 259	0.18 239	0.18 236	0.25 209	0.24 197	0.21 255	0.26 246	0.25 267	0.27 327	0.18 236	0.20 268	0.12 317	0.08 274	0.13 329	0.10 288	0.10 279	0.08 223

RGC	0.25 343	0.20 352	0.29 332	0.28 363	0.16 344	0.22 293	0.23 318	0.32 292	0.44 340	0.27 312	0.40 336	0.38 345	0.27 327	0.36 365	0.22 296	0.11 293	0.13 346	0.17 355	0.17 361	0.14 337	0.16 358

stereogan	0.22 311	0.11 263	0.21 291	0.20 272	0.12 288	0.31 349	0.19 267	0.35 331	0.44 340	0.22 268	0.39 331	0.35 335	0.27 327	0.33 351	0.22 296	0.10 272	0.12 333	0.10 273	0.10 288	0.14 337	0.13 322

FBW_ROB	0.24 334	0.17 334	0.22 296	0.26 349	0.14 323	0.25 321	0.22 308	0.41 362	0.41 325	0.41 366	0.41 346	0.42 359	0.27 327	0.31 343	0.23 306	0.09 241	0.14 353	0.14 339	0.12 329	0.11 294	0.09 256

NCC-stereo	0.24 334	0.15 316	0.31 337	0.26 349	0.16 344	0.20 271	0.30 373	0.40 357	0.40 322	0.24 288	0.38 323	0.33 325	0.28 335	0.36 365	0.27 341	0.12 317	0.11 324	0.15 347	0.22 372	0.13 325	0.13 322

Nwc_Net	0.23 326	0.16 323	0.21 291	0.25 344	0.14 323	0.24 311	0.26 346	0.37 342	0.38 313	0.22 268	0.41 346	0.30 304	0.28 335	0.28 333	0.25 325	0.11 293	0.10 315	0.17 355	0.20 367	0.10 279	0.10 275

Abc-Net	0.24 334	0.15 316	0.31 337	0.26 349	0.16 344	0.20 271	0.30 373	0.40 357	0.40 322	0.24 288	0.38 323	0.33 325	0.28 335	0.36 365	0.27 341	0.12 317	0.11 324	0.15 347	0.22 372	0.13 325	0.13 322
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
SHD	0.26 349	0.15 316	0.30 335	0.24 333	0.18 364	0.22 293	0.15 117	0.38 349	0.71 389	0.32 344	0.41 346	0.36 337	0.28 335	0.32 349	0.29 352	0.12 317	0.11 324	0.14 339	0.13 338	0.16 355	0.20 373

DeepPrunerF	0.24 334	0.17 334	0.42 361	0.26 349	0.16 344	0.22 293	0.28 358	0.37 342	0.50 357	0.26 306	0.29 273	0.24 257	0.28 335	0.21 282	0.22 296	0.15 351	0.11 324	0.20 367	0.18 365	0.12 308	0.13 322

ADCPNet	0.25 343	0.16 323	0.61 381	0.21 296	0.15 334	0.35 367	0.25 340	0.32 292	0.35 298	0.30 332	0.40 336	0.36 337	0.28 335	0.28 333	0.32 364	0.12 317	0.10 315	0.11 300	0.12 329	0.14 337	0.13 322

GANet	0.21 302	0.12 277	0.21 291	0.24 333	0.13 306	0.22 293	0.22 308	0.41 362	0.26 229	0.31 338	0.42 351	0.37 341	0.28 335	0.23 304	0.22 296	0.10 272	0.12 333	0.10 273	0.09 256	0.10 279	0.08 223

NCCL2	0.23 326	0.15 316	0.17 251	0.34 377	0.18 364	0.24 311	0.23 318	0.34 319	0.28 247	0.31 338	0.38 323	0.38 345	0.28 335	0.23 304	0.24 316	0.15 351	0.12 333	0.18 363	0.21 369	0.13 325	0.13 322

APVNet	0.22 311	0.12 277	0.19 278	0.18 184	0.14 323	0.32 350	0.31 379	0.39 353	0.32 274	0.27 312	0.40 336	0.30 304	0.29 343	0.26 319	0.25 325	0.11 293	0.12 333	0.11 300	0.14 342	0.12 308	0.12 309

G-Net	0.24 334	0.16 323	0.36 351	0.22 309	0.16 344	0.51 381	0.23 318	0.29 263	0.34 291	0.36 352	0.38 323	0.31 314	0.29 343	0.27 322	0.26 334	0.11 293	0.09 297	0.12 315	0.09 256	0.16 355	0.13 322

DPSNet	0.28 354	0.16 323	0.31 337	0.18 184	0.13 306	0.54 383	0.42 392	0.51 384	0.67 386	0.29 329	0.38 323	0.38 345	0.29 343	0.31 343	0.23 306	0.11 293	0.10 315	0.11 300	0.08 215	0.20 369	0.16 358

PDISCO_ROB	0.27 351	0.16 323	0.26 315	0.28 363	0.20 369	0.32 350	0.26 346	0.44 372	0.57 371	0.28 323	0.40 336	0.45 366	0.29 343	0.33 351	0.34 369	0.12 317	0.09 297	0.17 355	0.16 354	0.17 362	0.13 322

ccnet	0.29 358	0.28 376	0.23 305	0.20 272	0.28 383	0.41 374	0.21 298	0.45 375	0.33 280	0.36 352	0.46 358	0.36 337	0.30 347	0.39 373	0.42 385	0.23 383	0.14 353	0.21 368	0.17 361	0.23 373	0.18 367

S-Stereo	0.20 293	0.12 277	0.25 314	0.21 296	0.13 306	0.20 271	0.18 236	0.32 292	0.43 336	0.23 280	0.36 312	0.28 289	0.30 347	0.19 247	0.22 296	0.09 241	0.12 333	0.10 273	0.10 288	0.13 325	0.13 322

XQC	0.28 354	0.23 363	0.51 370	0.28 363	0.19 366	0.34 359	0.27 353	0.36 337	0.57 371	0.31 338	0.30 277	0.37 341	0.30 347	0.38 370	0.38 377	0.13 337	0.09 297	0.15 347	0.12 329	0.17 362	0.18 367

ADCL	0.24 334	0.11 263	0.47 367	0.22 309	0.12 288	0.34 359	0.29 366	0.29 263	0.56 369	0.24 288	0.46 358	0.30 304	0.30 347	0.29 339	0.29 352	0.08 195	0.07 252	0.09 232	0.09 256	0.10 279	0.10 275

MFN_U_SF_DS_RVC	0.30 363	0.24 366	0.29 332	0.36 382	0.16 344	0.34 359	0.30 373	0.32 292	0.42 331	0.40 362	0.46 358	0.38 345	0.31 351	0.34 354	0.28 349	0.19 371	0.20 375	0.26 375	0.29 384	0.18 365	0.19 372

CC-Net-ROB	0.28 354	0.31 381	0.36 351	0.29 370	0.15 334	0.25 321	0.19 267	0.45 375	0.33 280	0.39 359	0.37 318	0.39 353	0.31 351	0.27 322	0.26 334	0.24 385	0.19 372	0.30 386	0.23 376	0.18 365	0.15 347

DANet	0.21 302	0.15 316	0.28 326	0.25 344	0.13 306	0.22 293	0.19 267	0.27 239	0.27 236	0.28 323	0.32 289	0.35 335	0.31 351	0.31 343	0.23 306	0.11 293	0.09 297	0.11 300	0.10 288	0.13 325	0.11 298
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	0.20 293	0.12 277	0.22 296	0.21 296	0.12 288	0.17 224	0.18 236	0.34 319	0.39 316	0.27 312	0.37 318	0.34 331	0.32 354	0.21 282	0.20 268	0.09 241	0.11 324	0.10 273	0.09 256	0.11 294	0.14 339

otaku	0.39 373	0.37 386	0.52 371	0.44 388	0.28 383	0.58 385	0.24 327	0.41 362	0.62 380	0.40 362	0.49 362	0.46 370	0.33 355	0.40 377	0.32 364	0.30 388	0.30 390	0.39 390	0.33 389	0.29 385	0.28 386

AnyNet_C32	0.26 349	0.16 323	0.36 351	0.20 272	0.16 344	0.25 321	0.30 373	0.32 292	0.44 340	0.31 338	0.49 362	0.30 304	0.33 355	0.40 377	0.33 367	0.12 317	0.12 333	0.12 315	0.14 342	0.14 337	0.15 347

GANetREF_RVC	0.31 364	0.34 383	0.27 321	0.35 379	0.16 344	0.32 350	0.41 389	0.48 379	0.51 364	0.35 350	0.35 309	0.34 331	0.33 355	0.39 373	0.32 364	0.27 387	0.20 375	0.29 384	0.15 352	0.18 365	0.17 365
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	0.29 358	0.24 366	0.27 321	0.34 377	0.19 366	0.33 356	0.42 392	0.37 342	0.50 357	0.38 357	0.40 336	0.44 364	0.33 355	0.28 333	0.30 356	0.20 373	0.16 362	0.19 365	0.19 366	0.14 337	0.15 347

PASM	0.32 366	0.24 366	0.48 368	0.28 363	0.27 382	0.29 345	0.30 373	0.34 319	0.49 355	0.35 350	0.39 331	0.46 370	0.34 359	0.34 354	0.35 370	0.23 383	0.25 386	0.26 375	0.28 383	0.23 373	0.21 375

WCMA_ROB	0.24 334	0.11 263	0.22 296	0.17 117	0.14 323	0.32 350	0.15 117	0.32 292	0.32 274	0.38 357	0.53 368	0.40 356	0.34 359	0.34 354	0.25 325	0.11 293	0.12 333	0.12 315	0.10 288	0.14 337	0.14 339

edge stereo	0.22 311	0.13 298	0.20 286	0.21 296	0.13 306	0.23 306	0.16 175	0.32 292	0.42 331	0.32 344	0.40 336	0.38 345	0.35 361	0.25 317	0.24 316	0.13 337	0.11 324	0.14 339	0.11 311	0.12 308	0.13 322

SGM_RVC	0.23 326	0.12 277	0.15 196	0.15 39	0.09 135	0.33 356	0.18 236	0.34 319	0.31 268	0.44 373	0.37 318	0.53 379	0.35 361	0.35 360	0.24 316	0.13 337	0.13 346	0.13 329	0.13 338	0.10 279	0.11 298
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
ADCS	0.29 358	0.18 344	0.45 363	0.21 296	0.17 357	0.28 342	0.23 318	0.41 362	0.63 381	0.40 362	0.49 362	0.40 356	0.36 363	0.39 373	0.40 381	0.13 337	0.12 333	0.13 329	0.14 342	0.16 355	0.16 358

LSM	0.33 369	0.20 352	0.58 379	0.26 349	0.60 404	0.34 359	0.25 340	0.42 367	0.48 350	0.45 374	0.58 379	0.42 359	0.36 363	0.35 360	0.25 325	0.12 317	0.20 375	0.14 339	0.16 354	0.19 368	0.33 392

psmorigin	0.25 343	0.15 316	0.34 350	0.17 117	0.13 306	0.23 306	0.14 71	0.34 319	0.33 280	0.41 366	0.55 371	0.41 358	0.37 365	0.34 354	0.27 341	0.11 293	0.15 359	0.11 300	0.11 311	0.12 308	0.16 358

Wz-Net-TNSev	0.29 358	0.20 352	0.65 384	0.19 231	0.15 334	0.38 371	0.27 353	0.35 331	0.55 367	0.34 349	0.42 351	0.45 366	0.38 366	0.32 349	0.30 356	0.12 317	0.13 346	0.10 273	0.12 329	0.15 348	0.14 339

AnyNet_C01	0.36 372	0.25 371	1.37 410	0.22 309	0.17 357	0.48 379	0.27 353	0.35 331	0.39 316	0.39 359	0.74 391	0.46 370	0.38 366	0.45 381	0.47 390	0.13 337	0.13 346	0.13 329	0.14 342	0.14 337	0.15 347

EDNetEfficient	0.29 358	0.24 366	1.13 407	0.18 184	0.10 221	0.19 259	0.20 282	0.20 128	0.60 378	0.74 396	0.56 376	0.31 314	0.39 368	0.22 293	0.30 356	0.09 241	0.07 252	0.08 166	0.07 165	0.11 294	0.09 256

MFN_U_SF_RVC	0.32 366	0.21 358	0.55 375	0.30 372	0.15 334	0.34 359	0.17 196	0.52 385	0.46 348	0.46 376	0.55 371	0.59 382	0.39 368	0.35 360	0.37 375	0.15 351	0.14 353	0.18 363	0.21 369	0.16 355	0.15 347

SAMSARA	0.40 376	0.28 376	0.33 342	0.55 395	0.39 389	0.82 405	1.23 419	0.47 378	0.51 364	0.36 352	0.35 309	0.55 381	0.39 368	0.38 370	0.39 379	0.15 351	0.20 375	0.15 347	0.14 342	0.23 373	0.20 373

ADCMid	0.25 343	0.15 316	0.40 358	0.20 272	0.14 323	0.25 321	0.26 346	0.34 319	0.38 313	0.36 352	0.44 356	0.34 331	0.40 371	0.35 360	0.33 367	0.10 272	0.09 297	0.11 300	0.11 311	0.13 325	0.12 309

FC-DCNN	0.33 369	0.27 373	0.28 326	0.26 349	0.23 375	0.37 369	0.28 358	0.40 357	0.43 336	0.45 374	0.55 371	0.51 376	0.40 371	0.37 369	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 380	0.24 379

MSMD_ROB	0.31 364	0.26 372	0.26 315	0.24 333	0.21 371	0.34 359	0.25 340	0.34 319	0.39 316	0.40 362	0.69 385	0.45 366	0.40 371	0.34 354	0.27 341	0.20 373	0.19 372	0.26 375	0.25 378	0.23 373	0.22 377

MeshStereo	0.27 351	0.13 298	0.18 269	0.15 39	0.11 259	0.32 350	0.24 327	0.40 357	0.36 302	0.52 379	0.57 377	0.67 390	0.40 371	0.35 360	0.26 334	0.14 348	0.13 346	0.13 329	0.11 311	0.11 294	0.10 275
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	0.33 369	0.28 376	0.28 326	0.30 372	0.24 376	0.39 372	0.28 358	0.42 367	0.42 331	0.43 372	0.53 368	0.51 376	0.41 375	0.36 365	0.30 356	0.21 376	0.20 375	0.27 378	0.26 379	0.25 380	0.24 379
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
RTS	0.45 383	0.19 347	3.26 416	0.24 333	0.15 334	0.74 398	0.20 282	0.36 337	0.76 395	0.42 369	0.43 354	0.31 314	0.41 375	0.53 389	0.35 370	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 347

RTSA	0.45 383	0.19 347	3.26 416	0.24 333	0.15 334	0.74 398	0.20 282	0.36 337	0.76 395	0.42 369	0.43 354	0.31 314	0.41 375	0.53 389	0.35 370	0.10 272	0.08 274	0.13 329	0.12 329	0.15 348	0.15 347

Ntro	0.40 376	0.40 388	0.53 372	0.46 392	0.30 387	0.65 391	0.24 327	0.46 377	0.68 387	0.41 366	0.49 362	0.48 374	0.42 378	0.39 373	0.31 363	0.32 389	0.28 388	0.37 389	0.30 386	0.32 390	0.29 387

SGM-ForestM	0.32 366	0.12 277	0.16 226	0.16 70	0.11 259	0.39 372	0.19 267	0.41 362	0.50 357	0.52 379	0.54 370	1.32 409	0.42 378	0.40 377	0.27 341	0.14 348	0.16 362	0.16 353	0.16 354	0.12 308	0.12 309

LE_ROB	0.50 387	0.07 72	0.14 159	0.15 39	0.08 50	0.24 311	0.16 175	0.22 161	1.81 418	4.63 421	0.67 383	0.47 373	0.44 380	0.20 266	0.29 352	0.07 145	0.06 195	0.06 34	0.06 90	0.08 204	0.06 103

coex-ft	3.30 418	0.34 383	59.09 441	0.18 184	0.13 306	0.26 329	0.22 308	0.27 239	0.72 390	1.90 419	0.70 387	0.44 364	0.45 381	0.29 339	0.41 384	0.09 241	0.09 297	0.12 315	0.09 256	0.14 337	0.13 322

RainbowNet	0.54 390	0.61 396	0.70 396	0.57 396	0.43 392	0.65 391	0.37 387	0.60 394	0.87 399	0.50 378	0.66 382	0.64 386	0.47 382	0.49 383	0.43 388	0.47 398	0.48 400	0.52 397	0.41 392	0.52 395	0.40 397

Consistency-Raft	0.44 381	0.40 388	0.45 363	0.37 383	0.43 392	0.46 375	0.41 389	0.57 392	0.55 367	0.32 344	0.73 389	0.33 325	0.48 383	0.42 380	0.49 392	0.39 392	0.35 392	0.45 392	0.51 400	0.42 392	0.29 387

ACVNet_1	0.44 381	0.49 391	0.60 380	0.45 389	0.28 383	0.49 380	0.27 353	0.57 392	0.72 390	0.62 385	0.58 379	0.74 394	0.49 384	0.50 384	0.35 370	0.26 386	0.24 385	0.39 390	0.29 384	0.31 389	0.24 379

EDNetEfficientorigin	7.91 423	0.31 381	153.02 442	0.19 231	0.09 135	0.21 285	0.16 175	0.22 161	0.59 375	0.72 392	0.67 383	0.42 359	0.50 385	0.24 312	0.39 379	0.08 195	0.07 252	0.08 166	0.07 165	0.12 308	0.10 275

MSC_U_SF_DS_RVC	0.43 380	0.39 387	0.54 373	0.40 384	0.20 369	0.64 390	0.32 381	0.53 387	0.72 390	0.71 390	0.72 388	0.61 384	0.54 386	0.51 385	0.46 389	0.20 373	0.19 372	0.29 384	0.30 386	0.23 373	0.18 367

ELAS_RVC	0.41 378	0.29 379	0.33 342	0.28 363	0.24 376	0.54 383	0.36 384	0.49 381	0.59 375	0.72 392	0.74 391	0.65 388	0.54 386	0.54 391	0.40 381	0.22 379	0.20 375	0.27 378	0.26 379	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
ELAS	0.41 378	0.29 379	0.33 342	0.27 360	0.24 376	0.60 388	0.36 384	0.50 383	0.50 357	0.71 390	0.79 395	0.67 390	0.54 386	0.51 385	0.42 385	0.22 379	0.20 375	0.27 378	0.26 379	0.26 383	0.25 383
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
anonymity	0.53 389	0.58 394	0.65 384	0.41 386	0.61 405	0.53 382	0.41 389	0.56 390	0.41 325	0.55 382	0.50 366	0.49 375	0.55 389	0.58 394	0.50 395	0.58 403	0.50 404	0.51 395	0.51 400	0.51 394	0.57 401

SGM+DAISY	0.56 391	0.57 393	0.65 384	0.40 384	0.54 397	0.66 393	0.49 396	0.56 390	0.45 347	0.66 386	0.69 385	0.67 390	0.56 390	0.63 396	0.56 397	0.59 404	0.48 400	0.50 394	0.50 399	0.52 395	0.58 402

SPS-STEREO	0.57 392	0.58 394	0.65 384	0.45 389	0.55 399	0.62 389	0.44 395	0.62 395	0.50 357	0.68 388	0.64 381	0.66 389	0.57 391	0.61 395	0.60 399	0.62 406	0.47 399	0.51 395	0.49 397	0.55 399	0.58 402
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
PVD	0.39 373	0.20 352	0.39 357	0.31 376	0.22 373	0.29 345	0.43 394	0.52 385	0.96 402	0.55 382	0.79 395	0.53 379	0.59 392	0.52 387	0.38 377	0.19 371	0.14 353	0.17 355	0.14 342	0.24 379	0.31 390

MANE	0.45 383	0.27 373	0.27 321	0.27 360	0.24 376	0.47 377	0.31 379	0.55 389	0.59 375	0.72 392	1.13 411	1.15 403	0.61 393	0.52 387	0.37 375	0.21 376	0.20 375	0.27 378	0.31 388	0.25 380	0.24 379

PWCK	0.71 397	0.94 412	0.95 405	0.76 401	0.31 388	0.74 398	0.36 384	0.90 402	0.90 400	0.96 405	0.75 393	0.95 398	0.61 393	0.87 408	0.66 402	0.72 408	0.46 395	0.75 404	0.49 397	0.69 407	0.44 399

BEATNet-Init1	0.52 388	0.27 373	0.62 382	0.30 372	0.21 371	0.76 402	0.29 366	0.54 388	0.65 384	0.86 401	0.95 402	2.07 418	0.62 395	0.56 393	0.42 385	0.18 367	0.18 369	0.23 373	0.22 372	0.22 372	0.21 375

NVStereoNet_ROB	0.46 386	0.36 385	0.46 366	0.41 386	0.28 383	0.34 359	0.34 382	0.48 379	0.60 378	0.72 392	0.93 400	0.70 393	0.66 396	0.47 382	0.60 399	0.22 379	0.33 391	0.34 388	0.34 391	0.30 386	0.30 389
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	0.64 393	0.66 400	0.65 384	0.51 393	0.69 409	0.69 394	0.57 402	0.64 396	0.73 393	0.60 384	0.73 389	0.62 385	0.67 397	0.65 397	0.60 399	0.66 407	0.58 413	0.63 399	0.59 403	0.68 405	0.69 411

MADNet+	0.75 400	0.71 402	3.70 419	0.66 398	0.41 390	0.98 410	0.97 417	0.69 397	0.73 393	0.52 379	0.57 377	0.64 386	0.68 398	0.86 407	1.01 415	0.34 391	0.36 393	0.28 383	0.23 376	0.36 391	0.31 390

ACVNet_2	0.66 396	0.66 400	0.68 392	0.63 397	0.41 390	0.71 396	0.49 396	0.96 407	1.39 411	0.89 402	1.09 407	1.04 399	0.73 399	0.54 391	0.47 390	0.43 396	0.40 394	0.53 398	0.44 394	0.47 393	0.35 394

TorneroNet-64	0.76 401	0.72 403	0.74 397	0.78 403	0.58 403	0.91 409	0.56 401	0.84 401	1.29 408	0.66 386	0.90 398	1.40 411	0.75 400	0.85 406	0.67 405	0.49 399	0.46 395	0.72 403	0.59 403	0.67 404	0.53 400

IMH-64-1	0.65 394	0.61 396	0.68 392	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 397	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 392	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

IMH-64	0.65 394	0.61 396	0.68 392	0.71 399	0.51 395	0.59 386	0.49 396	0.91 403	0.85 397	0.74 396	1.02 404	0.81 395	0.78 401	0.79 400	0.49 392	0.42 394	0.46 395	0.71 401	0.47 395	0.52 395	0.39 395

JetBlue	0.71 397	0.45 390	1.14 408	0.51 393	0.47 394	2.02 419	0.64 406	0.75 398	0.70 388	0.69 389	0.77 394	1.22 405	0.83 403	1.03 415	1.01 415	0.40 393	0.28 388	0.33 387	0.33 389	0.30 386	0.34 393

LVE	0.83 405	0.85 409	0.85 403	0.80 404	0.56 400	1.04 415	0.65 407	1.05 412	1.47 414	0.96 405	1.22 415	1.10 402	0.85 404	0.83 403	0.71 407	0.49 399	0.55 410	0.76 406	0.60 405	0.65 402	0.59 407

TorneroNet	0.82 404	0.74 404	0.81 402	0.84 406	0.63 406	0.99 411	0.63 404	0.96 407	1.16 405	0.80 399	1.11 409	1.36 410	0.86 405	0.93 411	0.80 410	0.56 401	0.49 402	0.78 408	0.66 407	0.73 410	0.63 410

IMH	0.71 397	0.64 399	0.68 392	0.76 401	0.54 397	0.69 394	0.54 400	0.98 409	1.10 404	0.82 400	1.09 407	0.89 397	0.88 406	0.87 408	0.52 396	0.44 397	0.50 404	0.75 404	0.51 400	0.56 400	0.41 398

WAO-7	0.79 402	0.78 405	0.54 373	0.85 407	0.67 408	0.74 398	0.68 410	1.05 412	1.32 409	0.90 403	1.20 414	1.04 399	0.92 407	0.69 398	0.66 402	0.60 405	0.62 414	0.67 400	0.68 408	0.64 401	0.58 402

JetRed	1.62 416	1.46 420	2.98 415	0.92 410	1.21 419	4.99 421	1.53 421	1.27 419	1.39 411	1.83 418	1.74 420	1.60 417	0.95 408	1.41 418	2.45 421	0.90 416	1.60 420	0.93 412	0.90 416	1.35 419	0.99 419

KSHMR	1.09 413	1.17 416	0.88 404	1.25 419	1.00 418	0.99 411	0.96 416	1.13 416	1.37 410	1.16 413	1.29 416	1.41 412	0.96 409	1.01 414	0.92 412	1.03 417	1.08 419	1.20 416	1.03 418	1.01 416	0.97 418

Dean	0.87 406	0.86 410	0.79 400	0.81 405	0.56 400	0.90 406	0.63 404	1.15 417	1.73 417	1.15 412	1.15 412	1.31 408	0.99 410	0.81 402	0.81 411	0.57 402	0.56 411	0.77 407	0.64 406	0.66 403	0.58 402

WAO-6	0.81 403	0.80 406	0.62 382	0.86 408	0.63 406	0.76 402	0.58 403	0.98 409	1.54 416	0.90 403	0.96 403	1.07 401	1.03 411	0.70 399	0.66 402	0.72 408	0.49 402	0.90 411	0.71 409	0.68 405	0.58 402

WAO-8	0.91 407	0.81 407	0.65 384	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

ktn	1.01 412	1.21 417	0.80 401	1.23 418	0.86 415	1.01 413	0.87 414	0.94 406	1.39 411	1.04 408	1.12 410	1.15 403	1.07 412	0.94 412	0.59 398	1.28 419	0.71 417	1.38 419	0.83 413	1.02 417	0.75 414

Venus	0.91 407	0.81 407	0.65 384	0.94 411	0.69 409	0.90 406	0.67 408	1.07 414	1.83 419	1.06 410	1.45 417	1.30 406	1.07 412	0.84 404	0.78 408	0.74 410	0.53 407	0.86 409	0.75 410	0.69 407	0.62 408

DPSimNet_ROB	1.11 414	1.23 418	0.78 398	1.13 415	0.88 416	1.10 416	1.13 418	1.16 418	1.23 407	1.43 416	1.02 404	1.41 412	1.10 415	0.90 410	1.60 417	1.46 420	0.51 406	1.21 417	1.03 418	0.90 414	1.01 420

notaker	0.97 410	1.11 415	0.98 406	1.13 415	0.81 413	0.73 397	0.68 410	0.93 405	1.16 405	1.18 414	1.18 413	1.41 412	1.16 416	1.08 417	0.69 406	0.81 413	0.64 415	1.17 415	0.79 412	0.98 415	0.80 416

UNDER WATER-64	0.95 409	0.94 412	1.43 412	0.87 409	0.56 400	1.18 418	0.87 414	0.77 399	0.94 401	1.04 408	0.85 397	1.58 416	1.21 417	0.94 412	0.96 413	0.87 414	0.57 412	1.03 414	0.88 415	0.78 412	0.73 412

UNDER WATER	0.97 410	0.97 414	1.42 411	0.99 413	0.70 412	1.12 417	0.84 413	0.80 400	1.08 403	1.01 407	0.90 398	1.55 415	1.22 418	1.03 415	1.00 414	0.78 412	0.53 407	1.02 413	0.87 414	0.80 413	0.74 413

HanzoNet	1.29 415	1.26 419	1.19 409	1.12 414	0.85 414	1.02 414	0.83 412	1.03 411	1.48 415	1.64 417	1.61 419	2.50 420	1.72 419	1.61 419	1.61 418	1.26 418	0.80 418	1.31 418	1.01 417	1.02 417	0.86 417

MADNet++	1.95 417	1.75 421	1.59 414	1.82 420	1.69 421	2.33 420	1.40 420	2.35 420	2.09 421	2.57 420	2.36 421	2.24 419	2.17 420	2.28 420	2.34 420	1.87 421	1.66 421	1.54 420	1.34 420	1.92 420	1.77 422

tt	4.67 419	0.06 20	3.55 418	2.02 421	1.55 420	10.25 425	16.71 425	8.91 428	5.03 422	1.31 415	0.94 401	4.71 421	4.76 421	3.33 421	5.87 423	6.06 428	10.30 432	1.88 422	2.11 423	2.75 421	1.21 421

LRCNet_RVC	10.62 428	13.42 433	7.30 421	18.92 432	2.07 422	0.33 356	0.30 373	5.59 424	0.48 350	13.03 430	17.94 431	8.87 425	5.65 422	4.79 422	1.89 419	23.51 439	2.73 426	27.55 440	25.71 440	16.07 437	16.33 438

PML	8.91 426	9.34 432	6.13 420	5.35 425	6.41 426	14.99 427	23.38 431	5.27 421	6.83 423	18.04 432	28.19 441	7.67 424	6.83 423	7.85 425	5.75 422	5.35 427	1.83 422	5.95 431	1.93 422	8.64 429	2.52 423

xxxxx1	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

tt_ll	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

ff	7.79 420	5.02 426	7.31 422	3.12 422	3.85 423	16.35 428	22.88 426	5.86 425	8.69 424	7.97 424	8.54 422	9.12 426	8.27 424	10.18 426	10.92 424	2.42 422	2.45 423	3.56 425	12.37 429	3.77 422	3.06 424

DPSMNet_ROB	8.06 424	4.48 424	8.63 428	5.37 427	10.74 429	8.32 423	22.98 430	5.46 422	13.36 429	5.12 422	9.92 425	5.08 422	10.40 427	5.53 424	12.58 427	3.80 426	8.00 427	3.50 423	7.02 426	3.83 425	7.14 428

DGTPSM_ROB	8.06 424	4.48 424	8.63 428	5.35 425	10.72 428	8.32 423	22.97 429	5.46 422	13.35 428	5.12 422	9.92 425	5.08 422	10.40 427	5.52 423	12.58 427	3.79 425	8.00 427	3.50 423	7.02 426	3.83 425	7.14 428

Anonymous_1	10.96 429	7.92 429	7.46 425	10.33 428	10.06 427	18.65 432	26.34 432	11.06 429	13.44 430	9.40 427	10.05 427	9.67 429	11.23 429	10.73 429	12.72 429	6.42 429	8.38 429	5.77 428	10.61 428	12.12 430	6.77 427

DPSM_ROB	11.15 430	8.58 430	8.00 426	10.88 429	11.58 430	19.10 433	26.71 433	12.05 430	14.07 431	10.36 428	10.84 428	10.33 430	11.86 430	11.70 430	13.54 430	6.99 430	8.79 430	5.89 429	6.95 424	7.29 427	7.42 430

DPSM	11.15 430	8.58 430	8.00 426	10.88 429	11.58 430	19.10 433	26.71 433	12.05 430	14.07 431	10.36 428	10.84 428	10.33 430	11.86 430	11.70 430	13.54 430	6.99 430	8.79 430	5.89 429	6.95 424	7.29 427	7.42 430

HaxPig	15.71 433	18.52 440	19.18 436	16.89 431	15.89 433	7.73 422	7.60 422	13.31 432	10.82 427	15.42 431	14.91 430	15.98 432	14.92 432	15.58 432	15.98 433	18.95 438	16.73 433	19.46 438	18.08 438	19.26 438	19.05 439

MEDIAN_ROB	20.38 434	24.04 441	23.31 438	21.23 433	21.71 434	10.40 426	7.92 423	17.64 433	15.50 433	20.12 433	19.70 432	20.34 433	20.32 433	21.19 433	21.13 434	23.81 440	21.81 440	24.98 439	23.76 439	24.71 439	23.93 440

MyStereo03	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

MyStereo02	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

MyStereo	22.45 436	17.33 435	16.21 432	21.95 434	23.27 435	38.32 436	53.79 437	24.21 436	28.46 437	20.87 437	21.85 436	20.80 434	23.87 434	23.46 435	27.40 438	14.08 433	17.71 437	11.82 432	14.03 434	14.65 431	14.89 432

Selective-RAFT-Error	22.47 439	17.37 439	16.09 431	22.06 438	23.34 439	38.39 440	53.83 441	24.29 440	28.47 440	20.74 435	21.83 435	20.81 437	23.90 437	23.54 439	27.53 441	14.08 433	17.69 435	11.82 432	14.00 432	14.69 435	15.00 437

CasAABBNet	22.42 435	17.33 435	16.01 430	22.01 437	23.28 438	38.32 436	53.80 440	24.14 435	28.41 436	20.60 434	21.77 434	20.89 438	23.91 438	23.43 434	27.36 436	14.07 432	17.69 435	11.83 436	14.01 433	14.67 434	14.95 436

LSM0	22.87 440	17.28 434	18.96 435	22.19 439	29.04 441	38.42 441	53.71 436	24.28 439	28.31 435	20.78 436	21.00 433	21.43 439	24.16 439	23.50 438	27.39 437	14.09 437	17.38 434	11.84 437	14.04 437	14.73 436	14.89 432

SPstereo	13.84 432	0.93 411	1.50 413	1.22 417	0.88 416	28.82 435	48.26 435	26.77 442	29.54 441	22.37 440	22.60 439	23.23 440	24.68 440	24.53 440	15.06 432	0.88 415	0.69 416	1.83 421	1.60 421	0.74 411	0.77 415

AVERAGE_ROB	24.90 441	29.20 442	28.14 439	24.89 440	24.64 440	17.75 431	11.12 424	21.45 434	19.93 434	25.12 441	24.46 440	25.12 441	25.46 441	24.69 441	22.83 435	29.76 441	27.13 441	28.97 441	27.95 441	29.91 440	29.47 441

test_example2	98.32 442	94.13 443	45.89 440	96.35 441	109.85 442	88.61 442	95.45 442	25.75 441	94.37 442	130.00 442	126.06 442	58.17 442	74.63 442	88.51 442	79.96 442	150.23 442	221.02 442	77.62 442	99.10 442	113.75 442	96.94 442

ASD4		3.38 423

Low-res two-view benchmark