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	deliv. area 1l	deliv. area 1s	deliv. area 2l	deliv. area 2s	deliv. area 3l	deliv. area 3s	elect. 1l	elect. 1s	elect. 2l	elect. 2s	elect. 3l	elect. 3s	facade 1s	forest 1s	forest 2s	playg. 1l	playg. 1s	playg. 2l	playg. 2s	playg. 3l	playg. 3s	terra. 1s	terra. 2s	terra. 1l	terra. 1s	terra. 2l	terra. 2s

CREStereo++_RVC	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
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
s12784h	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

TANstereo	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

XX-TBD	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

CREStereo	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1
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
PMTNet	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

MEDIAN_ROB	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

AVERAGE_ROB	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1	0.00 1

HITNet	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9
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
STStereo	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

NVstereo2D	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

PWC_ROB	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

PWCK	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

iinet-f	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MFN_U_SF_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MSC_U_SF_DS_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

MFN_U_SF_DS_RVC	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

ADCMid	0.08 26	0.02 14	0.13 69	0.03 23	0.02 15	0.03 22	0.02 15	0.02 15	0.02 15	1.32 184	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.07 37	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 23

ADCS	0.06 24	0.02 14	0.04 21	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	1.03 163	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.03 20	0.02 15	0.02 15	0.01 9	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.02 15	0.04 27	0.02 15

RYNet	0.02 15	0.02 14	0.02 14	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.03 23	0.02 15	0.02 16	0.03 23	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

LSM0	0.02 15	0.02 14	0.02 14	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 16	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15	0.02 15

PWCDC_ROB	0.01 9	0.02 14	0.02 14	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9	0.01 9

FADNet_RVC	0.10 33	0.03 23	0.04 21	0.03 23	0.04 28	0.05 32	0.04 28	0.04 28	0.04 28	0.03 21	0.04 27	0.04 27	0.03 21	0.04 28	0.03 24	0.03 24	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.03 24	1.63 230	0.03 23	0.03 24	0.04 28	0.03 22	0.04 28

BEATNet_4x	0.08 26	0.03 23	0.06 30	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 191	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

ADCL	0.08 26	0.03 23	0.06 30	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.47 191	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.03 22	0.03 23

AnyNet_C01	0.08 26	0.03 23	0.04 21	0.02 15	0.03 21	0.03 22	0.02 15	0.02 15	0.02 15	1.46 190	0.02 15	0.03 23	0.03 21	0.02 15	0.02 15	0.02 15	0.04 25	0.02 15	0.03 22	0.02 16	0.02 15	0.02 15	0.02 15	0.03 23	0.02 15	0.02 15	0.03 22	0.03 23

AnyNet_C32	0.12 48	0.03 23	0.07 32	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.02 15	2.33 224	0.04 27	0.04 27	0.03 21	0.02 15	0.03 24	0.04 28	0.04 25	0.04 27	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.04 28	0.03 24	0.03 22	0.02 15

ADCPNet	0.08 26	0.03 23	0.04 21	0.03 23	0.03 21	0.03 22	0.03 24	0.03 24	0.03 25	1.32 184	0.03 24	0.03 23	0.03 21	0.03 25	0.03 24	0.03 24	0.03 20	0.03 23	0.03 22	0.03 24	0.03 23	0.03 24	0.03 23	0.03 23	0.03 24	0.03 24	0.04 27	0.03 23

FADNet-RVC-Resample	0.10 33	0.04 29	0.05 26	0.04 29	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.04 29	1.53 229	0.04 29	0.05 33	0.05 33	0.06 37	0.05 32

FADNet-RVC	0.11 45	0.04 29	0.05 26	0.04 29	0.05 31	0.04 28	0.04 28	0.05 32	0.04 28	0.04 22	0.04 27	0.04 27	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	1.79 236	0.04 29	0.04 28	0.04 28	0.04 27	0.05 32

FADNet	0.11 45	0.04 29	0.05 26	0.06 33	0.05 31	0.04 28	0.04 28	0.04 28	0.04 28	0.04 22	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.05 33	0.05 32	0.04 29	1.74 234	0.04 29	0.04 28	0.05 33	0.04 27	0.05 32

ADCRef	0.13 53	0.04 29	0.05 26	0.04 29	0.04 28	0.04 28	0.09 41	0.04 28	0.04 28	2.46 227	0.04 27	0.04 27	0.04 29	0.04 28	0.04 29	0.04 28	0.04 25	0.04 27	0.04 27	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

ADCP+	0.12 48	0.04 29	0.07 32	0.04 29	0.05 31	0.04 28	0.04 28	0.04 28	0.04 28	2.28 218	0.05 31	0.05 31	0.04 29	0.04 28	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.04 28	0.04 29	0.04 28	0.05 33	0.04 28	0.04 28	0.04 27	0.04 28

APVNet	0.09 31	0.06 34	0.04 21	0.06 33	0.04 28	0.05 32	0.04 28	0.05 32	1.08 213	0.05 24	0.05 31	0.05 31	0.04 29	0.05 31	0.04 29	0.04 28	0.05 32	0.04 27	0.05 30	0.04 28	0.05 32	0.04 29	0.04 28	0.04 29	0.05 33	0.04 28	0.05 33	0.04 28

BEATNet-Init1	0.15 64	0.07 35	0.10 41	0.08 38	0.07 38	0.07 38	0.07 37	0.07 34	0.07 37	2.19 215	0.08 39	0.08 38	0.07 38	0.07 38	0.07 35	0.07 38	0.08 39	0.07 38	0.08 39	0.08 39	0.07 38	0.07 38	0.07 34	0.07 39	0.08 39	0.07 38	0.07 38	0.07 39

DeepPrunerF	0.15 64	0.07 35	0.10 41	0.08 38	0.07 38	0.07 38	0.07 37	0.07 34	0.07 37	2.19 215	0.08 39	0.08 38	0.07 38	0.07 38	0.07 35	0.07 38	0.08 39	0.07 38	0.08 39	0.08 39	0.07 38	0.07 38	0.07 34	0.07 39	0.08 39	0.07 38	0.07 38	0.07 39

AASNet	0.05 21	0.08 37	0.08 35	0.07 35	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.05 35	0.06 35	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 32

SACVNet	0.05 21	0.08 37	0.08 35	0.07 35	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.05 35	0.06 35	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 32

AACVNet	0.05 21	0.08 37	0.08 35	0.07 35	0.05 31	0.05 32	0.05 33	0.07 34	0.05 33	0.05 24	0.05 31	0.05 31	0.05 35	0.06 35	0.07 35	0.05 35	0.05 32	0.05 34	0.05 30	0.05 33	0.05 32	0.05 35	0.04 28	0.05 33	0.05 33	0.05 33	0.05 33	0.05 32

FINET	0.07 25	0.08 37	0.07 32	0.08 38	0.07 38	0.08 40	0.07 37	0.08 40	0.07 37	0.08 29	0.07 38	0.08 38	0.07 38	0.07 38	0.07 35	0.07 38	0.07 38	0.07 38	0.07 37	0.07 38	0.08 40	0.07 38	0.07 34	0.06 38	0.07 38	0.07 38	0.08 40	0.06 38

SepStereo	0.09 31	0.09 41	0.09 38	0.09 41	0.10 43	0.09 41	0.08 40	0.09 41	0.08 40	0.09 30	0.08 39	0.09 41	0.09 41	0.08 41	0.08 41	0.09 41	0.09 41	0.08 41	0.09 41	0.08 39	0.09 41	0.08 41	0.09 37	0.09 41	0.10 41	0.08 41	0.10 41	0.09 41

AnonymousM	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

PVD	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

SHD	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

SAMSARA	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

XQC	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

RTSC	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

RTS	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

RTSA	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

MADNet+	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

MADNet++	0.10 33	0.10 42	0.10 41	0.10 42	0.10 43	0.10 42	0.10 44	0.10 42	0.10 43	0.10 31	0.10 44	0.10 42	0.10 44	0.10 45	0.10 44	0.10 43	0.10 42	0.10 43	0.10 42	0.10 43	0.10 42	0.10 44	0.10 40	0.10 44	0.10 41	0.10 42	0.10 41	0.10 45

JetRed	0.22 86	0.11 52	0.12 60	0.11 52	0.11 55	0.11 52	0.11 54	0.11 52	0.11 54	2.93 234	0.11 55	0.11 52	0.11 55	0.11 58	0.11 54	0.12 69	0.11 52	0.11 57	0.11 52	0.11 55	0.11 52	0.11 55	0.11 52	0.11 57	0.11 52	0.11 55	0.11 52	0.11 56

JetBlue	0.23 88	0.12 53	0.13 69	0.12 53	0.12 73	0.12 53	0.11 54	0.14 55	0.12 70	3.07 235	0.12 73	0.12 54	0.11 55	0.11 58	0.13 76	0.13 75	0.12 53	0.12 73	0.13 53	0.11 55	0.12 53	0.13 77	0.12 69	0.14 79	0.13 54	0.12 71	0.12 53	0.11 56

LRCNet_RVC	0.11 45	0.12 53	0.09 38	0.12 53	0.09 41	0.12 53	0.09 41	0.12 53	0.09 41	0.12 41	0.09 42	0.11 52	0.09 41	0.09 42	0.09 42	0.09 41	0.12 53	0.16 81	0.21 81	0.09 42	0.12 53	0.09 42	0.09 37	0.09 41	0.12 53	0.28 114	0.12 53	0.09 41

GMStereo	0.14 59	0.13 55	0.14 73	0.14 56	0.14 79	0.14 57	0.14 77	0.14 55	0.14 78	0.14 42	0.14 80	0.14 56	0.14 80	0.14 79	0.14 80	0.14 79	0.14 56	0.14 79	0.14 55	0.14 80	0.14 55	0.14 80	0.14 76	0.14 79	0.14 56	0.14 77	0.14 56	0.14 80
Haofei Xu, Jing Zhang, Jianfei Cai, Hamid Rezatofighi, Fisher Yu, Dacheng Tao, Andreas Geiger: Unifying Flow, Stereo and Depth Estimation. TPAMI 2023
UNet	0.19 78	0.13 55	0.09 38	0.13 55	0.09 41	0.13 55	0.09 41	0.13 54	0.09 41	0.90 152	0.09 42	0.13 55	0.09 41	0.10 45	0.09 42	0.70 185	0.13 55	0.09 42	0.13 53	0.10 43	0.91 186	0.09 42	0.10 40	0.09 41	0.13 54	0.10 42	0.13 55	0.09 41

CIPLG	0.13 53	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.15 63	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.12 68	0.12 71	0.11 54	0.15 62	0.11 57	0.15 62	0.11 55	0.14 55	0.11 55	0.11 52	0.12 71	0.15 61	0.12 71	0.15 62	0.12 70

IPLG	0.12 48	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.14 55	0.11 54	0.15 46	0.11 55	0.14 56	0.11 55	0.12 68	0.11 54	0.11 54	0.14 56	0.11 57	0.14 55	0.11 55	0.14 55	0.11 55	0.11 52	0.11 57	0.14 56	0.11 55	0.14 56	0.11 56

MIPNet	0.12 48	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.14 55	0.11 54	0.15 46	0.11 55	0.14 56	0.11 55	0.12 68	0.11 54	0.11 54	0.14 56	0.11 57	0.15 62	0.11 55	0.14 55	0.11 55	0.11 52	0.11 57	0.14 56	0.11 55	0.14 56	0.11 56

IPLGR	0.13 53	0.15 57	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.14 55	0.13 75	0.15 46	0.11 55	0.14 56	0.12 74	0.12 68	0.11 54	0.11 54	0.14 56	0.11 57	0.14 55	0.11 55	0.14 55	0.11 55	0.11 52	0.12 71	0.15 61	0.11 55	0.14 56	0.11 56

PDISCO_ROB	0.50 137	0.15 57	0.11 54	0.16 70	3.16 250	0.13 55	0.12 71	0.14 55	0.12 70	0.15 46	0.11 55	2.55 238	0.11 55	2.20 238	0.13 76	0.12 69	0.16 70	0.10 43	0.14 55	0.12 73	0.15 63	0.12 72	0.12 69	0.12 71	0.15 61	0.10 42	2.75 237	0.09 41

ITSA-stereo	0.21 85	0.16 62	0.12 60	0.16 70	0.13 77	0.18 73	0.14 77	0.16 65	1.89 243	0.16 58	0.12 73	0.17 74	0.12 74	0.13 75	0.13 76	0.13 75	0.17 73	0.13 76	0.17 71	0.12 73	0.16 70	0.12 72	0.12 69	0.12 71	0.17 72	0.12 71	0.16 70	0.12 70

IPLGR_C	0.13 53	0.16 62	0.14 73	0.15 63	0.11 55	0.14 57	0.11 54	0.14 55	0.11 54	0.14 42	0.11 55	0.14 56	0.11 55	0.12 68	0.11 54	0.11 54	0.14 56	0.11 57	0.14 55	0.11 55	0.14 55	0.11 55	0.11 52	0.11 57	0.14 56	0.11 55	0.15 62	0.11 56

ACRE	0.13 53	0.16 62	0.12 60	0.14 56	0.11 55	0.14 57	0.11 54	0.15 63	0.11 54	0.14 42	0.11 55	0.14 56	0.11 55	0.12 68	0.11 54	0.11 54	0.14 56	0.11 57	0.14 55	0.11 55	0.14 55	0.11 55	0.11 52	0.11 57	0.14 56	0.11 55	0.14 56	0.11 56

ICVP	0.13 53	0.16 62	0.11 54	0.16 70	0.11 55	0.16 71	0.11 54	0.16 65	0.11 54	0.16 58	0.11 55	0.16 72	0.11 55	0.11 58	0.11 54	0.11 54	0.16 70	0.11 57	0.16 70	0.11 55	0.16 70	0.11 55	0.11 52	0.11 57	0.16 71	0.11 55	0.16 70	0.11 56
Kwon, Oh-Hun and Zell, Eduard: Image-Coupled Volume Propagation for Stereo Matching. 2023 IEEE International Conference on Image Processing (ICIP)
HSM	0.14 59	0.17 66	0.11 54	0.17 73	0.11 55	0.17 72	0.12 71	0.17 69	0.11 54	0.17 60	0.11 55	0.17 74	0.11 55	0.12 68	0.12 71	0.12 69	0.17 73	0.12 73	0.17 71	0.12 73	0.17 72	0.12 72	0.12 69	0.12 71	0.17 72	0.12 71	0.17 72	0.12 70

DDVS	0.15 64	0.18 67	0.13 69	0.18 74	0.13 77	0.19 77	0.13 75	0.18 71	0.13 75	0.18 62	0.13 79	0.18 77	0.13 79	0.13 75	0.13 76	0.13 75	0.18 76	0.13 76	0.18 74	0.13 79	0.18 73	0.13 77	0.13 74	0.10 44	0.19 77	0.14 77	0.19 75	0.13 78

ProNet	0.12 48	0.18 67	0.11 54	0.14 56	0.10 43	0.14 57	0.11 54	0.14 55	0.11 54	0.14 42	0.10 44	0.14 56	0.10 44	0.10 45	0.11 54	0.10 43	0.15 62	0.10 43	0.14 55	0.10 43	0.14 55	0.10 44	0.11 52	0.10 44	0.15 61	0.10 42	0.14 56	0.10 45

SFCPSM	0.23 88	0.18 67	0.13 69	0.18 74	0.12 73	0.18 73	0.80 196	0.17 69	0.12 70	0.88 151	0.12 73	0.17 74	0.12 74	0.13 75	0.12 71	0.12 69	0.18 76	0.12 73	0.18 74	0.12 73	1.18 207	0.13 77	0.12 69	0.12 71	0.18 74	0.13 76	0.18 73	0.12 70

DeepPruner_ROB	0.15 64	0.18 67	0.12 60	0.18 74	0.12 73	0.18 73	0.12 71	0.18 71	0.13 75	0.18 62	0.12 73	0.18 77	0.12 74	0.13 75	0.12 71	0.13 75	0.18 76	0.13 76	0.18 74	0.12 73	0.19 76	0.12 72	0.13 74	0.12 71	0.18 74	0.12 71	0.18 73	0.12 70

ELAS_RVC	0.14 59	0.18 67	0.11 54	0.19 77	0.11 55	0.18 73	0.13 75	0.16 65	0.11 54	0.17 60	0.11 55	0.14 56	0.11 55	0.09 42	0.11 54	0.12 69	0.17 73	0.10 43	0.18 74	0.11 55	0.18 73	0.11 55	0.10 40	0.11 57	0.19 77	0.11 55	0.19 75	0.12 70
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
SGM_RVC	0.14 59	0.19 72	0.11 54	0.20 79	0.11 55	0.20 78	0.12 71	0.18 71	0.12 70	0.18 62	0.12 73	0.19 79	0.11 55	0.11 58	0.11 54	0.11 54	0.18 76	0.11 57	0.19 78	0.11 55	0.19 76	0.11 55	0.11 52	0.11 57	0.20 79	0.11 55	0.20 78	0.12 70
Heiko Hirschmueller: Stereo processing by semiglobal matching and mutual information. TPAMI 2008, Volume 30(2), pp. 328-341
DAS	0.20 82	0.20 73	0.20 90	0.20 79	0.20 96	0.20 78	0.20 96	0.20 74	0.20 94	0.20 65	0.20 96	0.20 80	0.20 96	0.20 95	0.20 97	0.20 92	0.20 80	0.20 98	0.20 79	0.20 97	0.20 78	0.20 97	0.20 93	0.20 96	0.20 79	0.20 95	0.20 78	0.20 95

MSKI-zero shot	0.19 78	0.21 74	0.16 75	0.22 83	0.16 82	0.23 92	0.17 85	0.22 85	0.17 85	0.22 68	0.17 85	0.22 84	0.16 83	0.19 94	0.16 83	0.17 83	0.23 89	0.16 81	0.22 82	0.16 83	0.22 83	0.17 87	0.16 78	0.17 84	0.22 84	0.19 94	0.22 82	0.16 81

LALA_ROB	0.15 64	0.21 74	0.12 60	0.21 81	0.12 73	0.20 78	0.14 77	0.20 74	0.12 70	0.22 68	0.12 73	0.16 72	0.12 74	0.10 45	0.12 71	0.12 69	0.21 82	0.11 57	0.22 82	0.12 73	0.20 78	0.12 72	0.11 52	0.12 71	0.21 82	0.14 77	0.21 81	0.13 78

WAO-6	0.30 102	0.22 76	0.23 100	0.22 83	0.23 103	0.23 92	0.22 100	0.22 85	0.23 102	2.21 217	0.22 100	0.22 84	0.22 100	0.22 98	0.22 102	0.23 97	0.22 84	0.23 105	0.22 82	0.22 100	0.22 83	0.22 98	0.22 97	0.22 101	0.23 89	0.23 103	0.22 82	0.22 100

IGEV_Zeroshot_test	0.18 75	0.22 76	0.18 84	0.21 81	0.18 91	0.20 78	0.17 85	0.20 74	0.16 80	0.25 77	0.16 83	0.21 81	0.17 85	0.16 83	0.18 90	0.15 81	0.20 80	0.16 81	0.20 79	0.18 91	0.21 80	0.17 87	0.17 80	0.17 84	0.20 79	0.17 85	0.20 78	0.16 81

dd	0.18 75	0.22 76	0.16 75	0.22 83	0.15 80	0.22 84	0.15 80	0.21 77	0.15 79	0.21 66	0.15 81	0.21 81	0.15 81	0.15 80	0.15 82	0.15 81	0.22 84	0.14 79	0.22 82	0.14 80	0.22 83	0.15 81	0.16 78	0.15 81	0.23 89	0.15 80	0.22 82	0.16 81

iResNetv2_ROB	0.20 82	0.22 76	0.19 88	0.23 90	0.19 94	0.22 84	0.17 85	0.22 85	0.17 85	0.22 68	0.17 85	0.22 84	0.17 85	0.18 90	0.18 90	0.19 91	0.22 84	0.17 85	0.23 89	0.17 85	0.25 93	0.18 93	0.17 80	0.18 93	0.23 89	0.17 85	0.25 98	0.17 86

ACV-stereo	0.20 82	0.23 80	0.17 79	0.23 90	0.17 85	0.23 92	0.17 85	0.23 93	0.17 85	0.23 74	0.17 85	0.23 90	0.17 85	0.17 84	0.17 86	0.17 83	0.24 94	0.17 85	0.23 89	0.17 85	0.24 92	0.17 87	0.17 80	0.17 84	0.23 89	0.17 85	0.23 90	0.17 86

IMH-64-1	0.29 99	0.23 80	0.23 100	0.23 90	0.22 98	0.22 84	0.23 102	0.22 85	0.22 99	2.02 209	0.23 103	0.23 90	0.22 100	0.23 102	0.23 103	0.23 97	0.23 89	0.22 100	0.23 89	0.22 100	0.22 83	0.22 98	0.22 97	0.22 101	0.22 84	0.22 100	0.22 82	0.22 100

IMH-64	0.29 99	0.23 80	0.23 100	0.23 90	0.22 98	0.22 84	0.23 102	0.22 85	0.22 99	2.02 209	0.23 103	0.23 90	0.22 100	0.23 102	0.23 103	0.23 97	0.23 89	0.22 100	0.23 89	0.22 100	0.22 83	0.22 98	0.22 97	0.22 101	0.22 84	0.22 100	0.22 82	0.22 100

MIM_Stereo	0.19 78	0.23 80	0.18 84	0.22 83	0.16 82	0.22 84	0.16 83	0.21 77	0.16 80	0.22 68	0.17 85	0.21 81	0.17 85	0.20 95	0.18 90	0.17 83	0.22 84	0.18 93	0.22 82	0.16 83	0.21 80	0.16 83	0.17 80	0.17 84	0.21 82	0.16 83	0.22 82	0.20 95

dad	0.18 75	0.23 80	0.16 75	0.22 83	0.15 80	0.22 84	0.15 80	0.22 85	0.16 80	0.21 66	0.15 81	0.22 84	0.15 81	0.15 80	0.16 83	0.17 83	0.23 89	0.17 85	0.23 89	0.15 82	0.22 83	0.15 81	0.15 77	0.15 81	0.22 84	0.15 80	0.22 82	0.16 81

GEStereo_RVC	0.36 119	0.23 80	0.18 84	0.23 90	0.18 91	0.23 92	0.19 94	0.22 85	0.19 93	0.24 75	0.20 96	0.24 96	0.18 94	0.18 90	0.18 90	0.21 93	0.25 99	0.18 93	0.22 82	0.18 91	0.23 89	0.18 93	0.19 91	0.20 96	0.23 89	0.20 95	4.43 254	0.19 94

iResNet	0.19 78	0.23 80	0.17 79	0.22 83	0.17 85	0.22 84	0.19 94	0.22 85	0.17 85	0.22 68	0.17 85	0.22 84	0.17 85	0.17 84	0.17 86	0.17 83	0.22 84	0.17 85	0.22 82	0.17 85	0.23 89	0.17 87	0.18 89	0.17 84	0.23 89	0.17 85	0.23 90	0.17 86

ELAS	0.14 59	0.23 80	0.10 41	0.19 77	0.11 55	0.20 78	0.11 54	0.16 65	0.10 43	0.15 46	0.11 55	0.15 64	0.11 55	0.09 42	0.11 54	0.11 54	0.16 70	0.10 43	0.17 71	0.11 55	0.18 73	0.11 55	0.09 37	0.10 44	0.18 74	0.11 55	0.19 75	0.12 70
A. Geiger, M. Roser, R. Urtasun: Efficient large-scale stereo matching. ACCV 2010
MMNet	0.30 102	0.24 88	0.17 79	0.24 95	0.17 85	0.24 96	0.17 85	0.23 93	0.18 91	1.21 178	0.17 85	0.23 90	0.17 85	0.17 84	0.17 86	0.89 196	0.24 94	0.17 85	0.24 95	0.17 85	1.22 212	0.16 83	0.17 80	0.17 84	0.24 95	0.17 85	0.24 92	0.17 86

delet	0.30 102	0.24 88	0.17 79	0.24 95	0.17 85	0.24 96	0.17 85	0.23 93	0.16 80	1.21 178	0.17 85	0.24 96	0.17 85	0.17 84	0.17 86	0.91 200	0.24 94	0.17 85	0.24 95	0.17 85	1.23 214	0.17 87	0.17 80	0.17 84	0.24 95	0.17 85	0.24 92	0.17 86

psm_up	0.30 102	0.24 88	0.17 79	0.25 98	0.17 85	0.24 96	0.17 85	0.24 97	0.17 85	1.20 177	0.17 85	0.23 90	0.17 85	0.17 84	0.18 90	0.90 199	0.24 94	0.17 85	0.25 99	0.17 85	1.24 217	0.17 87	0.17 80	0.17 84	0.24 95	0.17 85	0.24 92	0.17 86

UPFNet	0.29 99	0.24 88	0.16 75	0.24 95	0.16 82	0.24 96	0.16 83	0.23 93	0.16 80	1.19 176	0.16 83	0.23 90	0.16 83	0.17 84	0.16 83	0.89 196	0.24 94	0.16 81	0.24 95	0.18 91	1.20 210	0.16 83	0.17 80	0.16 83	0.24 95	0.16 83	0.24 92	0.16 81

UNDER WATER-64	0.31 110	0.25 92	0.25 105	0.26 103	0.26 107	0.25 101	0.26 108	0.25 98	0.26 110	1.69 196	0.26 112	0.25 98	0.25 106	0.25 106	0.26 113	0.26 104	0.25 99	0.26 111	0.26 102	0.26 112	0.25 93	0.25 104	0.25 103	0.25 107	0.26 104	0.26 110	0.25 98	0.26 111

LoS_RVC	0.25 90	0.25 92	0.25 105	0.25 98	0.25 105	0.25 101	0.25 106	0.25 98	0.25 104	0.25 77	0.25 108	0.25 98	0.25 106	0.26 108	0.25 108	0.26 104	0.25 99	0.25 107	0.26 102	0.25 108	0.25 93	0.25 104	0.25 103	0.25 107	0.25 100	0.25 106	0.25 98	0.25 106

tt_ll	0.25 90	0.25 92	0.25 105	0.25 98	0.25 105	0.25 101	0.25 106	0.25 98	0.25 104	0.25 77	0.25 108	0.25 98	0.25 106	0.26 108	0.25 108	0.26 104	0.25 99	0.25 107	0.26 102	0.25 108	0.25 93	0.25 104	0.25 103	0.25 107	0.25 100	0.25 106	0.25 98	0.25 106

CAS	0.25 90	0.25 92	0.25 105	0.25 98	0.26 107	0.26 107	0.26 108	0.25 98	0.25 104	0.25 77	0.25 108	0.25 98	0.25 106	0.25 106	0.25 108	0.25 101	0.26 105	0.25 107	0.26 102	0.26 112	0.25 93	0.25 104	0.25 103	0.26 111	0.25 100	0.26 110	0.25 98	0.25 106

LoS	0.25 90	0.25 92	0.27 109	0.27 104	0.26 107	0.25 101	0.26 108	0.26 103	0.25 104	0.26 83	0.25 108	0.25 98	0.25 106	0.26 108	0.25 108	0.25 101	0.25 99	0.25 107	0.25 99	0.25 108	0.27 100	0.25 104	0.26 107	0.26 111	0.26 104	0.25 106	0.25 98	0.25 106
Kunhong Li, Longguang Wang, Ye Zhang, Kaiwen Xue, Shunbo Zhou, Yulan Guo: LoS: Local Structure-guided Stereo Matching.
HGLStereo	0.27 94	0.25 92	0.21 97	0.35 118	0.21 97	0.35 117	0.21 98	0.34 116	0.21 96	0.39 102	0.21 98	0.34 114	0.21 99	0.22 98	0.21 98	0.21 93	0.35 116	0.22 100	0.35 115	0.22 100	0.35 111	0.22 98	0.21 94	0.21 99	0.35 116	0.21 97	0.35 115	0.21 98

CFNet	0.55 151	0.25 92	0.18 84	0.25 98	0.18 91	0.25 101	0.18 93	0.25 98	0.18 91	0.25 77	0.18 94	0.25 98	0.18 94	0.18 90	0.18 90	0.18 88	0.25 99	0.18 93	0.25 99	0.18 91	5.31 264	4.36 264	0.18 89	0.18 93	0.25 100	0.18 92	0.25 98	0.18 93

SQANet	0.33 113	0.28 99	0.28 112	0.28 108	0.28 115	0.29 109	0.28 117	0.28 104	0.28 116	1.59 194	0.28 118	0.28 108	0.28 115	0.28 118	0.28 118	0.28 113	0.28 108	0.28 114	0.29 108	0.28 115	0.28 102	0.28 116	0.28 112	0.28 117	0.28 107	0.28 114	0.28 106	0.28 116

RAFT + AFF	0.34 116	0.29 100	0.32 127	0.31 110	0.30 129	0.39 136	0.32 135	0.39 132	0.30 126	0.39 102	0.32 133	0.39 131	0.32 129	0.35 129	0.36 136	0.32 130	0.38 126	0.31 128	0.38 125	0.31 132	0.38 119	0.28 116	0.37 138	0.34 135	0.38 124	0.30 129	0.38 122	0.28 116

DISCO	0.59 156	0.29 100	0.22 98	0.27 104	5.05 268	0.30 110	0.21 98	0.28 104	0.21 96	0.27 84	0.21 98	0.27 106	0.20 96	0.21 97	0.21 98	0.21 93	0.27 107	0.21 99	0.27 106	0.21 99	0.27 100	0.23 103	0.21 94	0.21 99	0.27 106	0.21 97	5.06 260	0.22 100

model_zeroshot	0.27 94	0.30 102	0.19 88	0.36 122	0.23 103	0.25 101	0.27 111	0.33 110	0.21 96	0.35 91	0.22 100	0.25 98	0.27 114	0.26 108	0.23 103	0.26 104	0.35 116	0.22 100	0.36 118	0.23 105	0.25 93	0.27 111	0.27 109	0.23 104	0.36 118	0.22 100	0.25 98	0.27 114

DLNR_Zeroshot_test	0.27 94	0.30 102	0.23 100	0.30 109	0.22 98	0.31 111	0.24 104	0.29 106	0.23 102	0.38 99	0.23 103	0.29 109	0.23 104	0.22 98	0.23 103	0.23 97	0.30 110	0.34 132	0.29 108	0.23 105	0.29 104	0.29 126	0.22 97	0.23 104	0.30 109	0.23 103	0.30 108	0.23 104

FCDSN-DC	0.44 131	0.31 104	0.35 129	0.34 114	0.28 115	0.35 117	0.30 132	0.32 109	0.25 104	1.32 184	0.24 106	1.00 197	0.32 129	0.35 129	0.34 132	0.30 123	0.72 177	0.37 139	0.48 158	0.32 133	0.53 161	0.49 168	0.23 101	0.29 125	0.50 158	0.42 154	0.61 169	0.71 188
Dominik Hirner, Friedrich Fraundorfer: FCDSN-DC: An accurate but lightweight end-to-end trainable neural network for stereo estimation with depth completion.
AANet_RVC	0.61 157	0.31 104	5.05 257	0.31 110	0.19 94	0.24 96	0.20 96	5.86 253	0.20 94	0.24 75	0.18 94	0.25 98	0.20 96	0.23 102	0.21 98	0.18 88	0.37 124	0.18 93	0.24 95	0.19 96	0.25 93	0.19 96	0.19 91	0.19 95	0.24 95	0.15 80	0.24 92	0.20 95

iResNet_ROB	0.28 98	0.32 106	0.24 104	0.33 112	0.26 107	0.32 112	0.24 104	0.33 110	0.25 104	0.33 86	0.24 106	0.35 117	0.24 105	0.23 102	0.24 107	0.25 101	0.32 111	0.24 106	0.36 118	0.24 107	0.32 105	0.28 116	0.24 102	0.24 106	0.32 110	0.24 105	0.33 109	0.24 105

MLCV	0.30 102	0.33 107	0.28 112	0.34 114	0.28 115	0.33 113	0.28 117	0.33 110	0.29 124	0.33 86	0.27 115	0.33 112	0.28 115	0.26 108	0.29 126	0.28 113	0.33 112	0.28 114	0.33 110	0.28 115	0.33 106	0.27 111	0.28 112	0.28 117	0.33 111	0.28 114	0.33 109	0.28 116

CES	0.38 123	0.34 108	0.44 145	0.43 149	0.33 135	0.37 126	0.44 158	0.37 124	0.38 139	0.45 117	0.35 137	0.35 117	0.41 149	0.45 149	0.36 136	0.36 135	0.36 121	0.45 155	0.43 145	0.35 138	0.34 107	0.46 154	0.36 136	0.36 141	0.42 143	0.34 135	0.35 115	0.38 141

anonymity	0.30 102	0.34 108	0.27 109	0.33 112	0.27 112	0.33 113	0.28 117	0.33 110	0.28 116	0.33 86	0.28 118	0.33 112	0.28 115	0.28 118	0.28 118	0.28 113	0.34 113	0.28 114	0.34 113	0.28 115	0.34 107	0.27 111	0.27 109	0.27 114	0.34 113	0.28 114	0.34 113	0.28 116

DN-CSS_ROB	0.30 102	0.34 108	0.29 117	0.34 114	0.27 112	0.34 115	0.28 117	0.33 110	0.27 112	0.34 89	0.27 115	0.34 114	0.28 115	0.29 120	0.27 115	0.26 104	0.35 116	0.29 123	0.33 110	0.28 115	0.34 107	0.28 116	0.28 112	0.27 114	0.34 113	0.28 114	0.33 109	0.28 116

ETE_ROB	0.35 118	0.35 111	0.35 129	0.35 118	0.35 139	0.35 117	0.35 137	0.35 119	0.35 135	0.35 91	0.35 137	0.35 117	0.35 135	0.35 129	0.35 134	0.35 134	0.35 116	0.35 136	0.35 115	0.35 138	0.35 111	0.35 135	0.35 134	0.35 139	0.35 116	0.35 136	0.35 115	0.35 137

RSM	0.33 113	0.36 112	0.31 124	0.39 138	0.32 133	0.36 122	0.30 132	0.35 119	0.38 139	0.35 91	0.31 131	0.35 117	0.30 126	0.30 123	0.31 130	0.30 123	0.36 121	0.31 128	0.36 118	0.30 129	0.36 115	0.31 129	0.31 127	0.31 130	0.36 118	0.31 131	0.36 118	0.31 132

XPNet_ROB	0.37 122	0.37 113	0.37 131	0.37 124	0.37 141	0.37 126	0.37 143	0.37 124	0.37 138	0.37 98	0.37 142	0.37 124	0.37 140	0.37 134	0.37 139	0.37 137	0.37 124	0.37 139	0.37 122	0.37 142	0.37 117	0.37 138	0.37 138	0.37 143	0.37 122	0.37 142	0.37 121	0.37 140

DCVSM-stereo	0.27 94	0.38 114	0.22 98	0.38 127	0.22 98	0.38 129	0.22 100	0.29 106	0.22 99	0.29 85	0.22 100	0.29 109	0.22 100	0.22 98	0.21 98	0.21 93	0.38 126	0.22 100	0.38 125	0.22 100	0.38 119	0.22 98	0.21 94	0.25 107	0.38 124	0.21 97	0.38 122	0.21 98

WAO-7	0.46 132	0.38 114	0.38 133	0.38 127	0.38 144	0.38 129	0.38 145	0.38 126	0.38 139	2.57 228	0.38 144	0.38 127	0.38 141	0.38 135	0.38 140	0.38 139	0.38 126	0.38 141	0.38 125	0.38 144	0.38 119	0.38 139	0.38 140	0.38 144	0.38 124	0.38 143	0.38 122	0.38 141

Venus	0.46 132	0.38 114	0.40 137	0.38 127	0.38 144	0.39 136	0.38 145	0.38 126	0.38 139	2.71 230	0.38 144	0.38 127	0.38 141	0.38 135	0.38 140	0.38 139	0.38 126	0.38 141	0.38 125	0.38 144	0.38 119	0.38 139	0.38 140	0.38 144	0.38 124	0.38 143	0.39 132	0.38 141

DMCA	0.36 119	0.38 114	0.37 131	0.35 118	0.35 139	0.35 117	0.36 139	0.35 119	0.36 137	0.36 97	0.37 142	0.36 123	0.36 139	0.36 133	0.35 134	0.37 137	0.36 121	0.36 137	0.36 118	0.36 141	0.36 115	0.35 135	0.36 136	0.36 141	0.37 122	0.36 138	0.36 118	0.36 139

HanzoNet	0.47 134	0.39 118	0.38 133	0.38 127	0.38 144	0.38 129	0.38 145	0.40 134	0.38 139	2.63 229	0.38 144	0.38 127	0.38 141	0.38 135	0.38 140	0.39 143	0.38 126	0.38 141	0.38 125	0.42 154	0.38 119	0.39 144	0.39 144	0.38 144	0.38 124	0.38 143	0.38 122	0.39 146

IMH	0.47 134	0.40 119	0.39 136	0.38 127	0.38 144	0.38 129	0.38 145	0.38 126	0.40 145	2.79 232	0.38 144	0.38 127	0.38 141	0.38 135	0.38 140	0.38 139	0.39 136	0.38 141	0.38 125	0.40 148	0.38 119	0.38 139	0.38 140	0.38 144	0.38 124	0.38 143	0.38 122	0.38 141

Pointernet	0.22 86	0.41 120	0.38 133	0.22 83	0.17 85	0.22 84	0.17 85	0.41 136	0.17 85	0.22 68	0.17 85	0.22 84	0.17 85	0.18 90	0.18 90	0.18 88	0.23 89	0.18 93	0.23 89	0.18 91	0.23 89	0.18 93	0.17 80	0.17 84	0.22 84	0.18 92	0.22 82	0.17 86

GwcNet-ADL	0.41 126	0.41 120	0.41 138	0.41 145	0.41 149	0.41 142	0.41 151	0.41 136	0.41 147	0.41 108	0.41 150	0.41 136	0.41 149	0.41 141	0.41 151	0.41 144	0.41 141	0.41 148	0.41 140	0.41 149	0.41 133	0.41 148	0.41 146	0.41 150	0.41 138	0.41 149	0.41 136	0.41 148

PSMNet-ADL	0.41 126	0.41 120	0.41 138	0.41 145	0.41 149	0.41 142	0.41 151	0.41 136	0.41 147	0.41 108	0.41 150	0.41 136	0.41 149	0.41 141	0.41 151	0.41 144	0.41 141	0.41 148	0.41 140	0.41 149	0.41 133	0.41 148	0.41 146	0.41 150	0.41 138	0.41 149	0.41 136	0.41 148

GANet-ADL	0.41 126	0.41 120	0.41 138	0.41 145	0.41 149	0.41 142	0.41 151	0.41 136	0.41 147	0.41 108	0.41 150	0.41 136	0.41 149	0.41 141	0.41 151	0.41 144	0.41 141	0.41 148	0.41 140	0.41 149	0.41 133	0.41 148	0.41 146	0.41 150	0.41 138	0.41 149	0.41 136	0.41 148

ADLNet	0.41 126	0.41 120	0.41 138	0.41 145	0.41 149	0.41 142	0.41 151	0.41 136	0.41 147	0.41 108	0.41 150	0.41 136	0.41 149	0.41 141	0.41 151	0.41 144	0.41 141	0.41 148	0.41 140	0.41 149	0.41 133	0.41 148	0.41 146	0.41 150	0.41 138	0.41 149	0.41 136	0.41 148

GES	0.43 130	0.41 120	0.31 124	0.35 118	0.30 129	0.47 156	0.28 117	0.33 110	0.28 116	0.35 91	0.29 126	2.95 239	0.38 141	0.35 129	0.30 128	0.34 132	0.34 113	0.30 126	0.33 110	0.30 129	0.35 111	0.30 128	0.33 130	0.33 133	0.33 111	0.31 131	0.33 109	0.29 125

DGSMNet	0.33 113	0.42 126	0.28 112	0.40 139	0.28 115	0.40 139	0.28 117	0.40 134	0.28 116	0.40 107	0.28 118	0.39 131	0.28 115	0.27 115	0.28 118	0.28 113	0.40 140	0.28 114	0.42 144	0.29 124	0.41 133	0.31 129	0.29 118	0.28 117	0.41 138	0.28 114	0.42 140	0.29 125

GMOStereo	0.50 137	0.44 127	2.38 243	0.40 139	0.34 136	0.42 146	0.36 139	1.96 222	0.34 131	0.41 108	0.36 139	0.42 140	0.35 135	0.34 125	0.38 140	0.31 126	0.39 136	0.34 132	0.40 137	0.33 135	0.39 128	0.33 132	0.33 130	0.34 135	0.40 134	0.36 138	0.40 133	0.32 134

error version	0.50 137	0.44 127	2.38 243	0.40 139	0.34 136	0.42 146	0.36 139	1.96 222	0.34 131	0.41 108	0.36 139	0.42 140	0.35 135	0.34 125	0.38 140	0.31 126	0.39 136	0.34 132	0.40 137	0.33 135	0.39 128	0.33 132	0.33 130	0.34 135	0.40 134	0.36 138	0.40 133	0.32 134

Any-RAFT	0.32 111	0.45 129	0.29 117	0.36 122	0.29 124	0.36 122	0.29 129	0.36 123	0.29 124	0.35 91	0.29 126	0.35 117	0.28 115	0.27 115	0.28 118	0.28 113	0.35 116	0.28 114	0.35 115	0.28 115	0.35 111	0.28 116	0.29 118	0.29 125	0.36 118	0.29 127	0.36 118	0.29 125

RAFT-Test	0.34 116	0.45 129	0.30 121	0.38 127	0.32 133	0.40 139	0.32 135	0.39 132	0.32 128	0.39 102	0.30 129	0.37 124	0.29 124	0.30 123	0.30 128	0.29 121	0.38 126	0.30 126	0.38 125	0.29 124	0.38 119	0.29 126	0.29 118	0.30 129	0.38 124	0.30 129	0.38 122	0.30 130

otaku	0.52 141	0.46 131	0.48 152	0.46 151	0.46 157	0.46 150	0.46 159	0.46 142	0.47 161	1.88 199	0.46 157	0.46 145	0.46 158	0.46 151	0.46 158	0.46 152	0.47 150	0.46 156	0.46 148	0.46 158	0.47 144	0.46 154	0.46 153	0.46 158	0.47 151	0.46 157	0.46 143	0.47 158

Dean	0.52 141	0.46 131	0.48 152	0.46 151	0.46 157	0.46 150	0.46 159	0.46 142	0.46 156	1.90 200	0.46 157	0.47 149	0.46 158	0.46 151	0.46 158	0.46 152	0.48 154	0.46 156	0.46 148	0.46 158	0.46 140	0.46 154	0.46 153	0.46 158	0.46 145	0.46 157	0.46 143	0.46 155

ACVNet_1	0.53 145	0.46 131	0.48 152	0.47 156	0.47 161	0.46 150	0.48 167	0.48 151	0.48 165	2.07 212	0.47 161	0.48 154	0.48 165	0.47 155	0.47 162	0.46 152	0.49 158	0.47 162	0.47 152	0.47 163	0.48 150	0.46 154	0.46 153	0.48 166	0.47 151	0.47 164	0.48 152	0.47 158

ACVNet-4b	0.53 145	0.46 131	0.47 147	0.46 151	0.46 157	0.46 150	0.46 159	0.46 142	0.46 156	2.17 214	0.46 157	0.46 145	0.47 161	0.46 151	0.46 158	0.46 152	0.46 146	0.46 156	0.46 148	0.46 158	0.46 140	0.46 154	0.46 153	0.47 162	0.46 145	0.46 157	0.46 143	0.46 155

iRaft-Stereo_20w	0.30 102	0.46 131	0.27 109	0.34 114	0.26 107	0.35 117	0.28 117	0.34 116	0.26 110	0.34 89	0.26 112	0.34 114	0.26 112	0.26 108	0.26 113	0.26 104	0.34 113	0.26 111	0.34 113	0.26 112	0.34 107	0.26 110	0.26 107	0.26 111	0.34 113	0.26 110	0.34 113	0.26 111

Ntro	0.53 145	0.47 136	0.50 158	0.46 151	0.48 166	0.47 156	0.47 163	0.46 142	0.46 156	2.05 211	0.47 161	0.47 149	0.49 169	0.47 155	0.47 162	0.46 152	0.48 154	0.46 156	0.49 161	0.46 158	0.47 144	0.46 154	0.46 153	0.47 162	0.46 145	0.46 157	0.47 147	0.47 158

UNDER WATER	0.52 141	0.47 136	0.47 147	0.47 156	0.47 161	0.47 156	0.47 163	0.47 148	0.47 161	1.90 200	0.47 161	0.47 149	0.47 161	0.47 155	0.47 162	0.47 159	0.46 146	0.47 162	0.47 152	0.47 163	0.46 140	0.47 162	0.47 159	0.48 166	0.47 151	0.47 164	0.47 147	0.47 158

LVE	0.53 145	0.47 136	0.48 152	0.47 156	0.47 161	0.47 156	0.47 163	0.48 151	0.47 161	1.96 206	0.47 161	0.47 149	0.47 161	0.47 155	0.47 162	0.47 159	0.47 150	0.47 162	0.47 152	0.47 163	0.47 144	0.47 162	0.47 159	0.47 162	0.47 151	0.47 164	0.47 147	0.47 158

RainbowNet	0.53 145	0.48 139	0.48 152	0.48 160	0.48 166	0.48 162	0.48 167	0.48 151	0.48 165	1.92 202	0.48 166	0.48 154	0.48 165	0.48 160	0.48 167	0.48 162	0.48 154	0.48 166	0.48 158	0.48 167	0.48 150	0.48 165	0.48 162	0.48 166	0.48 156	0.48 168	0.48 152	0.48 164

HaxPig	0.52 141	0.48 139	0.47 147	0.47 156	0.47 161	0.47 156	0.47 163	0.47 148	0.47 161	1.80 197	0.47 161	0.47 149	0.47 161	0.47 155	0.47 162	0.47 159	0.47 150	0.47 162	0.47 152	0.47 163	0.47 144	0.47 162	0.47 159	0.47 162	0.47 151	0.47 164	0.47 147	0.47 158

notaker	0.54 150	0.48 139	0.48 152	0.48 160	0.48 166	0.48 162	0.49 170	0.48 151	0.48 165	1.95 205	0.48 166	0.48 154	0.48 165	0.48 160	0.48 167	0.48 162	0.48 154	0.48 166	0.48 158	0.48 167	0.49 153	0.48 165	0.48 162	0.49 169	0.48 156	0.48 168	0.48 152	0.49 165

ACVNet_2	0.55 151	0.49 142	0.50 158	0.49 162	0.49 170	0.49 164	0.49 170	0.49 155	0.49 169	2.14 213	0.49 168	0.50 158	0.49 169	0.49 162	0.49 170	0.49 165	0.50 160	0.49 170	0.50 164	0.49 170	0.49 153	0.49 168	0.49 164	0.50 170	0.50 158	0.49 170	0.50 157	0.49 165

EKT-Stereo	0.36 119	0.50 143	0.30 121	0.40 139	0.29 124	0.40 139	0.29 129	0.35 119	0.30 126	0.47 121	0.30 129	0.35 117	0.32 129	0.29 120	0.34 132	0.33 131	0.59 168	0.31 128	0.39 136	0.29 124	0.37 117	0.38 139	0.29 118	0.31 130	0.58 171	0.28 114	0.51 159	0.29 125

SANet	0.50 137	0.50 143	0.50 158	0.50 164	0.50 173	0.50 165	0.50 172	0.50 158	0.50 170	0.50 123	0.50 169	0.50 158	0.50 171	0.50 165	0.50 172	0.50 168	0.50 160	0.50 171	0.50 164	0.50 172	0.50 155	0.50 172	0.50 166	0.50 170	0.50 158	0.50 172	0.50 157	0.50 167

AEACV	0.74 176	0.52 145	3.10 247	0.60 174	0.48 166	0.56 170	0.48 167	3.02 236	0.83 196	0.61 130	0.62 181	0.72 179	0.50 171	0.49 162	0.49 170	0.48 162	0.58 167	0.50 171	0.55 170	0.48 167	0.56 163	0.50 172	0.50 166	0.51 172	0.58 171	0.51 174	0.60 168	0.51 169

CASnet	0.32 111	0.53 146	0.34 128	0.27 104	0.31 131	0.34 115	0.29 129	0.31 108	0.32 128	0.25 77	0.31 131	0.27 106	0.40 148	0.45 149	0.27 115	0.30 123	0.26 105	0.40 146	0.28 107	0.37 142	0.28 102	0.39 144	0.29 118	0.40 149	0.29 108	0.28 114	0.24 92	0.30 130
Junhong Min, Youngpil Jeon: Confidence Aware Stereo Matching for Realistic Cluttered Scenario. ICIP 2024 submissions (1861)
Occ-G	0.68 167	0.54 147	3.16 249	0.57 172	0.45 156	0.52 168	0.40 150	3.44 241	0.46 156	0.52 126	0.45 156	0.51 160	0.44 155	0.44 148	0.40 149	0.45 151	0.55 164	0.41 148	0.53 169	0.43 155	0.52 158	0.40 146	0.44 152	0.45 157	0.55 166	0.44 156	0.53 163	0.44 154

PSMNet_ROB	0.55 151	0.55 148	0.56 169	0.56 168	0.55 176	0.56 170	0.55 176	0.55 164	0.55 174	0.55 127	0.55 174	0.55 164	0.55 177	0.55 167	0.56 176	0.55 172	0.55 164	0.55 176	0.55 170	0.55 175	0.55 162	0.55 175	0.55 170	0.55 177	0.55 166	0.55 177	0.55 164	0.55 171

PML	0.39 125	0.56 149	0.29 117	0.55 167	0.28 115	0.56 170	0.28 117	0.51 161	0.28 116	0.50 123	0.28 118	0.51 160	0.28 115	0.29 120	0.28 118	0.29 121	0.56 166	0.29 123	0.57 173	0.28 115	0.56 163	0.28 116	0.28 112	0.29 125	0.56 168	0.28 114	0.56 165	0.28 116

AIO-Stereo-zeroshot1	0.74 176	0.57 150	0.57 171	0.56 168	0.92 200	1.07 206	0.63 186	1.03 193	0.82 195	0.49 122	0.77 191	0.69 176	0.54 176	0.58 169	0.54 174	0.86 195	1.06 201	0.72 191	1.06 204	0.79 192	0.58 166	0.87 198	0.59 173	0.46 158	0.76 181	0.46 157	1.05 200	0.97 202

LMCR-Stereo	0.61 157	0.61 151	0.61 174	0.61 175	0.61 181	0.67 179	0.61 184	0.61 167	0.61 181	0.61 130	0.61 180	0.61 168	0.61 182	0.61 173	0.61 182	0.61 177	0.61 169	0.61 182	0.61 175	0.61 180	0.61 167	0.61 180	0.61 176	0.61 184	0.61 173	0.61 182	0.61 169	0.61 180

PA-Net	0.71 172	0.62 152	0.55 167	0.69 180	0.71 188	0.70 180	0.69 190	0.69 170	0.74 189	0.73 138	0.75 190	0.59 167	0.72 190	0.82 193	0.79 194	0.83 193	0.67 174	0.76 193	0.81 189	0.67 185	0.61 167	0.76 192	0.68 185	0.65 187	0.82 186	0.76 194	0.71 174	0.69 185
Zhibo Rao, Mingyi He, Yuchao Dai, Zhelun Shen: Patch Attention Network with Generative Adversarial Model for Semi-Supervised Binocular Disparity Prediction.
TorneroNet-64	0.69 168	0.65 153	0.30 121	0.27 104	0.47 161	0.28 108	0.35 137	0.34 116	0.80 191	7.93 270	0.29 126	0.30 111	0.31 127	0.81 192	0.28 118	0.27 112	0.29 109	0.28 114	0.85 191	0.83 198	0.62 169	0.28 116	0.30 126	0.28 117	0.52 164	0.29 127	0.29 107	0.27 114

KSHMR	0.85 188	0.72 154	0.51 161	0.49 162	0.49 170	0.51 166	1.07 214	0.50 158	0.48 165	6.04 265	0.52 171	0.66 171	0.98 206	0.49 162	0.77 192	0.49 165	1.17 211	0.51 173	0.49 161	1.06 212	0.51 156	0.49 168	0.49 164	0.51 172	1.04 202	0.49 170	0.81 184	0.72 189

DMCA-RVC	0.71 172	0.72 154	0.72 178	0.71 184	0.70 187	0.70 180	0.70 192	0.70 171	0.71 186	0.70 135	0.71 187	0.71 178	0.70 187	0.70 184	0.71 190	0.70 185	0.70 175	0.71 190	0.70 178	0.71 187	0.70 174	0.70 189	0.71 189	0.71 192	0.70 176	0.72 191	0.71 174	0.70 186

AFF-stereo	0.71 172	0.73 156	0.65 177	0.82 190	0.63 184	0.83 187	0.63 186	0.73 174	0.65 183	0.82 147	0.73 189	0.74 182	0.64 183	0.63 177	0.62 183	0.62 178	0.73 178	0.63 184	0.74 183	0.72 189	0.80 178	0.58 176	0.70 187	0.71 192	0.79 182	0.69 188	0.78 179	0.72 189

DSFCA	0.66 162	0.73 156	0.74 182	0.68 179	0.65 185	0.64 176	0.65 189	0.65 169	0.65 183	0.66 133	0.65 183	0.65 170	0.64 183	0.65 180	0.65 186	0.65 181	0.65 172	0.65 186	0.65 177	0.65 183	0.65 173	0.65 183	0.65 179	0.65 187	0.66 175	0.66 186	0.65 172	0.65 182

ARAFT	0.64 160	0.74 158	0.62 175	0.70 183	0.56 178	0.72 182	0.55 176	0.72 173	0.54 173	0.73 138	0.56 175	0.72 179	0.56 178	0.56 168	0.62 183	0.63 179	0.73 178	0.53 175	0.73 181	0.54 174	0.72 175	0.65 183	0.62 177	0.56 178	0.72 178	0.54 175	0.72 176	0.57 172

RAFT-Stereo + iAFF	0.67 165	0.74 158	0.60 173	0.79 187	0.61 181	0.76 183	0.57 179	0.71 172	0.56 175	0.71 136	0.54 173	0.72 179	0.66 185	0.65 180	0.65 186	0.64 180	0.74 180	0.64 185	0.74 183	0.63 181	0.73 176	0.65 183	0.64 178	0.64 186	0.74 180	0.61 182	0.73 177	0.64 181

AIO-Stereo-zeroshot	0.93 192	0.77 160	0.82 188	1.16 215	0.75 191	0.99 198	0.92 200	0.91 182	0.99 204	0.94 157	0.91 199	1.15 208	0.88 199	0.92 198	1.00 205	0.67 182	0.98 196	1.00 205	0.75 185	0.91 202	1.18 207	0.87 198	0.89 197	0.90 201	1.08 207	1.07 211	0.74 178	0.89 197

NaN_ROB	0.80 181	0.80 161	0.80 186	0.80 188	0.80 194	0.80 185	0.80 196	0.80 176	0.80 191	0.80 144	0.80 194	0.80 187	0.80 193	0.80 190	0.80 195	0.80 191	0.80 183	0.80 196	0.80 187	0.80 195	0.80 178	0.80 194	0.80 193	0.80 196	0.80 184	0.80 196	0.80 181	0.80 193

CSAN	0.80 181	0.80 161	0.80 186	0.80 188	0.80 194	0.80 185	0.80 196	0.80 176	0.80 191	0.80 144	0.80 194	0.80 187	0.80 193	0.80 190	0.80 195	0.80 191	0.80 183	0.80 196	0.80 187	0.80 195	0.80 178	0.80 194	0.80 193	0.80 196	0.80 184	0.80 196	0.80 181	0.80 193

FC-DCNN	1.10 208	0.81 163	0.77 183	0.63 177	0.42 154	0.86 191	0.64 188	0.91 182	0.96 203	1.11 166	0.80 194	1.07 204	0.81 195	0.67 183	1.75 236	1.30 226	1.41 224	0.85 199	1.28 219	0.71 187	2.12 233	1.32 226	0.52 168	0.81 199	1.64 227	1.40 232	2.39 235	1.75 238

DDUNet	0.69 168	0.84 164	0.59 172	0.84 192	0.59 179	0.87 192	0.57 179	0.84 179	0.59 180	0.82 147	0.58 178	0.85 191	0.57 179	0.59 172	0.59 179	0.57 174	0.87 188	0.59 179	0.85 191	0.59 179	0.85 184	0.59 178	0.59 173	0.59 180	0.87 188	0.59 180	0.84 186	0.59 174

UDG	0.70 170	0.87 165	0.56 169	0.87 193	0.59 179	0.84 189	0.59 182	0.85 180	0.57 177	0.84 149	0.59 179	0.84 190	0.60 181	0.58 169	0.60 180	0.59 175	0.85 187	0.59 179	0.87 193	0.58 177	0.87 185	0.60 179	0.57 172	0.59 180	0.87 188	0.58 179	0.86 188	0.60 176

CASS	0.58 155	0.89 166	0.55 167	0.56 168	0.55 176	0.60 174	0.57 179	0.57 166	0.56 175	0.55 127	0.56 175	0.56 165	0.50 171	0.63 177	0.56 176	0.56 173	0.62 170	0.62 183	0.59 174	0.56 176	0.56 163	0.48 165	0.60 175	0.56 178	0.57 170	0.60 181	0.57 167	0.59 174
Junhong Min, Youngpil Jeon: Confidence-Aware Symmetric Stereo Matching via U-Net Transformer.
RSM++	0.77 179	0.91 167	0.72 178	0.83 191	0.71 188	0.83 187	0.72 193	0.81 178	0.71 186	0.81 146	0.71 187	0.81 189	0.71 189	0.71 186	0.71 190	0.70 185	0.83 186	0.72 191	0.83 190	0.81 197	0.83 182	0.72 191	0.71 189	0.71 192	0.88 190	0.71 189	0.83 185	0.70 186

DPSM_ROB	0.93 192	0.92 168	0.94 193	0.96 198	1.02 206	0.92 194	0.98 203	0.95 187	0.92 199	0.92 153	0.92 201	0.91 193	0.97 204	0.92 198	0.91 201	0.91 200	0.96 194	0.94 203	0.93 198	0.91 202	0.93 190	0.92 201	0.93 199	0.91 202	0.91 192	0.99 202	0.92 189	0.91 199

DPSM	0.93 192	0.92 168	0.94 193	0.96 198	1.02 206	0.92 194	0.98 203	0.95 187	0.92 199	0.92 153	0.92 201	0.91 193	0.97 204	0.92 198	0.91 201	0.91 200	0.96 194	0.94 203	0.93 198	0.91 202	0.93 190	0.92 201	0.93 199	0.91 202	0.91 192	0.99 202	0.92 189	0.91 199

pmcnn	0.92 190	0.92 168	0.92 192	0.92 194	0.92 200	0.92 194	0.92 200	0.92 184	0.92 199	0.92 153	0.92 201	0.92 196	0.92 202	0.92 198	0.92 203	0.92 203	0.92 192	0.92 201	0.92 195	0.92 205	0.92 188	0.92 201	0.92 198	0.92 204	0.92 194	0.92 201	0.92 189	0.92 201

DGTPSM_ROB	0.92 190	0.93 171	0.91 191	0.93 196	0.91 199	0.92 194	0.93 202	0.92 184	0.92 199	0.92 153	0.91 199	0.91 193	0.93 203	0.91 196	0.92 203	0.92 203	0.92 192	0.92 201	0.92 195	0.90 201	0.91 186	0.92 201	0.93 199	0.94 205	0.92 194	0.91 200	0.92 189	0.97 202

GANet	1.00 198	1.00 172	1.00 195	1.00 201	1.00 202	1.00 199	1.00 206	1.00 189	1.00 205	1.00 158	1.00 204	1.00 197	1.00 207	1.00 204	1.00 205	1.00 206	1.00 197	1.00 205	1.00 200	1.00 206	1.00 193	1.00 205	1.00 203	1.00 207	1.00 197	1.00 205	1.00 195	1.00 204

TDLM	1.00 198	1.00 172	1.00 195	1.00 201	1.00 202	1.00 199	1.00 206	1.00 189	1.00 205	1.00 158	1.00 204	1.00 197	1.00 207	1.00 204	1.00 205	1.00 206	1.00 197	1.00 205	1.00 200	1.00 206	1.00 193	1.00 205	1.00 203	1.00 207	1.00 197	1.00 205	1.00 195	1.00 204

CVANet_RVC	1.00 198	1.00 172	1.00 195	1.00 201	1.00 202	1.00 199	1.00 206	1.00 189	1.00 205	1.00 158	1.00 204	1.00 197	1.00 207	1.00 204	1.00 205	1.00 206	1.00 197	1.00 205	1.00 200	1.00 206	1.00 193	1.00 205	1.00 203	1.00 207	1.00 197	1.00 205	1.00 195	1.00 204

trnet	1.01 202	1.01 175	1.01 198	1.01 204	1.01 205	1.01 202	1.01 209	1.01 192	1.01 208	1.01 162	1.01 207	1.01 201	1.01 210	1.01 207	1.01 209	1.01 209	1.01 200	1.01 209	1.01 203	1.01 209	1.01 196	1.01 208	1.01 206	1.01 210	1.01 200	1.01 208	1.01 199	1.01 207

GLC_STEREO	1.05 207	1.01 175	1.02 199	1.02 205	1.02 206	1.05 204	1.06 211	1.05 196	1.05 209	1.04 165	1.05 209	1.05 203	1.04 211	1.06 210	1.05 210	1.06 211	1.06 201	1.05 211	1.06 204	1.05 211	1.06 198	1.06 210	1.04 208	1.05 211	1.04 202	1.05 209	1.06 201	1.06 208

gcap-zeroshot	0.81 184	1.03 177	0.84 190	0.93 196	0.85 198	0.84 189	0.62 185	1.21 207	0.53 172	0.79 142	0.84 197	0.77 183	0.70 187	0.84 195	0.67 188	0.74 188	1.18 213	0.52 174	0.91 194	0.79 192	0.84 183	0.61 180	0.83 195	0.69 191	0.93 196	0.82 198	0.85 187	0.66 183

DPSimNet_ROB	0.93 192	1.04 178	0.83 189	1.05 206	0.82 196	1.04 203	0.83 199	1.03 193	0.89 197	1.03 163	0.84 197	1.03 202	0.84 196	0.83 194	0.84 198	0.83 193	1.14 206	0.84 198	1.12 209	0.84 199	1.04 197	0.88 200	0.83 195	0.84 200	1.07 206	0.83 199	1.15 208	0.88 196

AIO-Stereo	0.82 185	1.06 179	0.73 181	0.97 200	0.74 190	1.06 205	0.60 183	1.04 195	0.90 198	1.00 158	1.01 207	0.78 184	0.85 198	0.74 188	0.62 183	0.67 182	1.12 204	0.55 176	0.70 178	0.65 183	0.93 190	0.66 186	0.67 182	0.67 189	0.82 186	0.74 192	0.92 189	0.83 195

Former-RAFT_DAM_RVC	0.38 123	1.06 179	0.54 165	0.59 173	0.27 112	0.46 150	0.27 111	0.46 142	0.27 112	0.46 119	0.27 115	0.46 145	0.26 112	0.27 115	0.27 115	0.26 104	0.46 146	0.26 111	0.45 147	0.30 129	0.46 140	0.27 111	0.27 109	0.27 114	0.46 145	0.27 113	0.45 142	0.26 111

HBP-ISP	1.47 221	1.07 181	1.03 200	1.30 221	1.08 211	1.36 221	1.06 211	1.44 214	1.25 227	1.97 207	1.51 232	1.65 225	1.58 232	0.98 202	1.58 232	1.68 234	1.98 230	1.32 227	2.02 230	1.28 229	2.95 238	1.89 242	0.97 202	1.06 213	1.26 219	0.99 202	1.94 225	1.43 232

HSM-Net_RVC	0.93 192	1.09 182	0.79 185	1.10 208	0.78 192	1.09 207	0.79 195	1.16 202	0.80 191	1.14 168	0.79 193	1.17 211	0.77 191	0.73 187	0.83 197	0.78 189	1.19 214	0.79 194	1.18 213	0.72 189	1.19 209	0.80 194	0.72 191	0.80 196	1.18 215	0.74 192	1.14 207	0.73 191
Gengshan Yang, Joshua Manela, Michael Happold, and Deva Ramanan: Hierarchical Deep Stereo Matching on High-resolution Images. CVPR 2019
TorneroNet	1.15 211	1.10 183	0.51 161	0.69 180	0.51 174	1.10 208	0.50 172	0.51 161	0.51 171	13.92 272	1.17 220	0.49 157	0.51 174	0.54 166	0.48 167	0.49 165	0.49 158	0.65 186	0.70 178	0.49 170	0.51 156	0.49 168	0.67 182	1.36 230	0.51 162	0.50 172	0.52 161	1.23 223

ktn	0.84 187	1.15 184	0.54 165	1.16 215	1.26 226	0.51 166	0.53 175	0.51 161	0.66 185	4.54 255	0.51 170	0.52 163	0.52 175	0.66 182	0.51 173	0.51 169	1.37 223	1.17 219	0.49 161	0.51 173	1.23 214	0.51 174	0.67 182	0.51 172	0.51 162	0.68 187	0.51 159	0.51 169

Nwc_Net	1.15 211	1.15 184	1.15 208	1.09 207	1.19 222	1.16 211	1.17 218	1.15 200	1.16 218	1.16 172	1.16 216	1.08 205	1.16 218	1.11 213	1.15 219	1.18 220	1.11 203	1.10 213	1.16 210	1.17 221	1.16 203	1.13 215	1.18 217	1.20 224	1.11 209	1.15 217	1.16 209	1.20 219

RP	1.14 209	1.16 186	1.15 208	1.17 217	1.10 213	1.16 211	1.15 216	1.10 197	1.16 218	1.15 169	1.08 211	1.16 209	1.15 217	1.15 217	1.14 217	1.16 216	1.16 209	1.10 213	1.10 206	1.10 215	1.16 203	1.11 213	1.10 211	1.19 223	1.14 211	1.19 222	1.07 202	1.10 211

RGC	1.15 211	1.16 186	1.17 211	1.15 213	1.11 215	1.21 216	1.21 227	1.10 197	1.15 216	1.16 172	1.11 213	1.17 211	1.09 213	1.14 216	1.11 214	1.16 216	1.19 214	1.11 216	1.10 206	1.15 220	1.11 200	1.19 219	1.16 215	1.12 218	1.17 213	1.10 214	1.16 209	1.17 216

Abc-Net	1.14 209	1.16 186	1.18 212	1.10 208	1.10 213	1.16 211	1.18 220	1.16 202	1.13 215	1.11 166	1.16 216	1.16 209	1.12 215	1.10 211	1.17 220	1.16 216	1.16 209	1.10 213	1.16 210	1.14 218	1.17 205	1.16 216	1.11 212	1.09 216	1.10 208	1.10 214	1.16 209	1.17 216
Xing Li, Yangyu Fan, Guoyun Lv, and Haoyue Ma: Area-based Correlation and Non-local Attention Network for Stereo Matching. The Visual Computer
NCC-stereo	1.15 211	1.17 189	1.12 207	1.10 208	1.15 216	1.14 209	1.15 216	1.15 200	1.12 214	1.17 175	1.17 220	1.11 206	1.17 221	1.11 213	1.10 213	1.16 216	1.12 204	1.11 216	1.16 210	1.13 217	1.23 214	1.16 216	1.19 219	1.11 217	1.18 215	1.17 219	1.17 212	1.13 214

S-Stereo	1.22 217	1.18 190	1.19 215	1.20 218	1.23 224	1.23 217	1.19 221	1.19 205	1.18 222	1.27 181	1.20 224	1.20 215	1.20 223	1.23 222	1.22 225	1.23 224	1.23 217	1.23 226	1.20 215	1.25 228	1.20 210	1.22 225	1.25 223	1.24 227	1.20 217	1.22 226	1.26 216	1.24 224

edge stereo	1.15 211	1.18 190	1.11 206	1.12 211	1.17 220	1.17 215	1.17 218	1.16 202	1.18 222	1.16 172	1.17 220	1.17 211	1.13 216	1.11 213	1.11 214	1.12 213	1.17 211	1.17 219	1.11 208	1.17 221	1.17 205	1.17 218	1.18 217	1.14 219	1.11 209	1.18 220	1.12 206	1.11 212

stereogan	1.17 216	1.19 192	1.15 208	1.15 213	1.15 216	1.15 210	1.19 221	1.19 205	1.15 216	1.15 169	1.16 216	1.19 214	1.19 222	1.19 219	1.19 221	1.19 221	1.15 207	1.19 222	1.19 214	1.19 224	1.15 202	1.19 219	1.15 214	1.15 220	1.16 212	1.15 217	1.19 213	1.20 219

FAT-Stereo	1.22 217	1.23 193	1.19 215	1.21 219	1.24 225	1.24 218	1.19 221	1.25 208	1.24 225	1.25 180	1.19 223	1.20 215	1.24 226	1.20 220	1.21 223	1.25 225	1.22 216	1.21 224	1.25 217	1.23 227	1.22 212	1.19 219	1.19 219	1.24 227	1.25 218	1.20 223	1.19 213	1.25 225

GCAP-BAT	0.17 69	1.25 194	0.20 90	0.15 63	0.11 55	0.15 65	0.11 54	0.21 77	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.11 58	0.11 54	0.11 54	0.15 62	0.11 57	0.15 62	0.11 55	0.15 63	0.11 55	0.11 52	0.11 57	0.15 61	0.11 55	0.15 62	0.11 56

test_for_model	0.17 69	1.25 194	0.20 90	0.15 63	0.11 55	0.15 65	0.11 54	0.21 77	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.11 58	0.11 54	0.11 54	0.15 62	0.11 57	0.15 62	0.11 55	0.15 63	0.11 55	0.11 52	0.11 57	0.15 61	0.11 55	0.15 62	0.11 56

testlalala2	0.17 69	1.25 194	0.20 90	0.15 63	0.11 55	0.15 65	0.11 54	0.21 77	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.11 58	0.11 54	0.11 54	0.15 62	0.11 57	0.15 62	0.11 55	0.15 63	0.11 55	0.11 52	0.11 57	0.15 61	0.11 55	0.15 62	0.11 56

testlalala	0.17 69	1.25 194	0.20 90	0.15 63	0.11 55	0.15 65	0.11 54	0.21 77	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.11 58	0.11 54	0.11 54	0.15 62	0.11 57	0.15 62	0.11 55	0.15 63	0.11 55	0.11 52	0.11 57	0.15 61	0.11 55	0.15 62	0.11 56

testlalala_base	0.17 69	1.25 194	0.20 90	0.15 63	0.11 55	0.15 65	0.11 54	0.21 77	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.11 58	0.11 54	0.11 54	0.15 62	0.11 57	0.15 62	0.11 55	0.15 63	0.11 55	0.11 52	0.11 57	0.15 61	0.11 55	0.15 62	0.11 56

SPstereo	0.17 69	1.25 194	0.20 90	0.15 63	0.11 55	0.15 65	0.11 54	0.21 77	0.11 54	0.15 46	0.11 55	0.15 64	0.11 55	0.11 58	0.11 54	0.11 54	0.15 62	0.11 57	0.15 62	0.11 55	0.15 63	0.11 55	0.11 52	0.11 57	0.15 61	0.11 55	0.15 62	0.11 56

RASNet	1.39 220	1.37 200	1.35 218	1.38 224	1.40 228	1.39 223	1.77 237	1.36 211	1.74 236	1.36 187	1.36 228	1.36 222	1.36 228	1.36 223	1.35 226	1.41 231	1.36 221	1.36 231	1.36 221	1.35 230	1.36 221	1.35 228	1.36 225	1.35 229	1.36 223	1.35 229	1.36 221	1.35 226

SPS-STEREO	1.25 219	1.47 201	1.06 204	1.54 226	1.08 211	1.52 225	1.20 226	1.44 214	1.06 211	1.49 193	1.10 212	1.41 223	1.10 214	0.98 202	1.08 212	1.12 213	1.47 225	1.04 210	1.53 224	1.14 218	1.52 223	1.07 211	1.02 207	1.05 211	1.48 225	1.07 211	1.55 222	1.11 212
K. Yamaguchi, D. McAllester, R. Urtasun: Efficient Joint Segmentation, Occlusion Labeling, Stereo and Flow Estimation. ECCV 2014
WAO-8	1.02 205	1.50 202	1.49 222	0.40 139	0.40 148	1.56 226	0.98 203	1.55 216	0.58 178	4.18 252	0.40 149	0.79 186	0.48 165	0.91 196	0.39 148	0.99 205	0.71 176	0.70 189	0.51 167	0.77 191	1.07 199	0.82 197	0.69 186	0.96 206	1.01 200	1.30 227	1.10 205	1.38 230

STTRV1_RVC		1.59 203	0.52 164	0.69 180	0.61 181	0.66 178	0.43 157	0.88 181	0.45 155	0.71 136	0.62 181	0.69 176	0.45 157	0.62 174	0.40 149	0.44 150	0.80 183	0.59 179		0.63 181	0.80 178	0.46 154		0.61 184	0.72 178	0.54 175	0.80 181	0.60 176

DPSMNet_ROB	1.62 225	1.60 204	1.59 223	1.61 227	1.69 232	1.66 227	1.61 233	1.70 217	1.65 234	1.62 195	1.60 234	1.61 224	1.60 233	1.60 228	1.59 233	1.62 232	1.60 226	1.63 234	1.62 225	1.68 237	1.70 224	1.60 232	1.64 231	1.60 235	1.61 226	1.60 234	1.60 223	1.59 234

iRaftStereo_RVC	0.62 159	1.76 205	2.24 240	0.52 166	0.37 141	0.53 169	0.38 145	2.51 233	0.38 139	0.51 125	0.38 144	0.51 160	0.38 141	0.38 135	0.38 140	0.38 139	0.52 162	0.38 141	0.52 168	0.38 144	0.52 158	0.38 139	0.38 140	0.38 144	0.52 164	0.39 147	0.52 161	0.38 141

G-Net	0.82 185	1.77 206	0.78 184	0.78 186	0.78 192	0.78 184	0.78 194	0.78 175	0.79 190	0.79 142	0.78 192	0.78 184	0.78 192	0.78 189	0.78 193	0.78 189	0.79 182	0.79 194	0.79 186	0.79 192	0.79 177	0.79 193	0.79 192	0.79 195	0.79 182	0.79 195	0.79 180	0.79 192

MFMNet_re	1.77 229	1.89 207	1.72 227	1.88 228	1.69 232	1.89 228	1.67 234	1.91 219	1.70 235	1.87 198	1.67 235	1.89 226	1.68 235	1.67 229	1.67 235	1.70 235	1.88 227	1.68 236	1.88 226	1.67 235	1.89 225	1.68 235	1.70 233	1.71 237	1.87 228	1.68 239	1.87 224	1.68 236

R-Stereo Train	1.62 225	2.01 208	1.41 220	1.97 229	1.40 228	1.96 229	1.39 230	1.93 220	1.39 230	1.92 202	1.38 230	1.94 227	1.39 230	1.40 226	1.45 229	1.38 229	1.96 228	1.37 232	1.97 227	1.39 231	1.98 226	1.41 230	1.40 226	1.37 231	1.97 229	1.38 230	1.96 226	1.37 228

RAFT-Stereo	1.62 225	2.01 208	1.41 220	1.97 229	1.40 228	1.96 229	1.39 230	1.93 220	1.39 230	1.92 202	1.38 230	1.94 227	1.39 230	1.40 226	1.45 229	1.38 229	1.96 228	1.37 232	1.97 227	1.39 231	1.98 226	1.41 230	1.40 226	1.37 231	1.97 229	1.38 230	1.96 226	1.37 228
Lahav Lipson, Zachary Teed, and Jia Deng: RAFT-Stereo: Multilevel Recurrent Field Transforms for Stereo Matching. 3DV
GANetREF_RVC	1.52 224	2.01 208	1.21 217	1.98 231	1.21 223	1.98 231	1.21 227	1.98 225	1.21 224	1.99 208	1.21 225	1.98 229	1.21 225	1.02 208	1.21 223	1.21 223	1.99 231	1.21 224	1.99 229	1.21 225	1.99 228	1.21 222	1.21 221	1.21 225	1.99 231	1.21 224	1.99 228	1.21 221
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
HH	0.66 162	2.13 211	0.47 147	0.37 124	0.29 124	0.36 122	0.27 111	0.49 155	0.44 153	0.78 140	0.68 184	0.67 173	0.90 200	0.62 174	0.90 199	0.53 170	0.88 189	0.48 166	0.37 122	0.29 124	0.63 170	0.66 186	0.66 180	0.51 172	1.06 204	0.61 182	1.08 203	0.60 176

HanStereo	0.66 162	2.13 211	0.47 147	0.37 124	0.29 124	0.36 122	0.27 111	0.49 155	0.44 153	0.78 140	0.68 184	0.67 173	0.90 200	0.62 174	0.90 199	0.53 170	0.88 189	0.48 166	0.37 122	0.29 124	0.63 170	0.66 186	0.66 180	0.51 172	1.06 204	0.61 182	1.08 203	0.60 176

TRStereo	2.05 233	2.13 211	1.85 231	2.27 232	1.84 237	2.28 232	1.84 240	2.29 228	1.87 240	2.29 221	1.86 239	2.30 232	1.87 240	2.30 242	1.87 241	2.08 242	2.29 233	1.87 240	2.30 232	1.87 241	2.08 230	1.72 236	1.86 239	2.30 247	2.13 232	1.84 242	2.29 230	1.87 241

XX-Stereo	2.05 233	2.13 211	1.85 231	2.27 232	1.84 237	2.28 232	1.84 240	2.29 228	1.87 240	2.29 221	1.86 239	2.30 232	1.87 240	2.30 242	1.87 241	2.08 242	2.29 233	1.87 240	2.30 232	1.87 241	2.08 230	1.72 236	1.86 239	2.30 247	2.13 232	1.84 242	2.29 230	1.87 241

EAI-Stereo	2.05 233	2.13 211	1.85 231	2.27 232	1.84 237	2.28 232	1.84 240	2.29 228	1.87 240	2.29 221	1.86 239	2.30 232	1.87 240	2.30 242	1.87 241	2.08 242	2.29 233	1.87 240	2.30 232	1.87 241	2.08 230	1.72 236	1.86 239	2.30 247	2.13 232	1.84 242	2.29 230	1.87 241

NCCL2	2.27 239	2.27 216	2.28 242	2.27 232	2.28 246	2.28 232	2.28 247	2.27 227	2.28 247	2.28 218	2.28 246	2.29 231	2.28 246	2.28 241	2.29 247	2.28 247	2.28 232	2.28 248	2.27 231	2.28 249	2.28 234	2.28 247	2.28 246	2.28 245	2.28 235	2.28 248	2.11 229	2.28 249

STTStereo	2.30 240	2.34 217	2.26 241	2.37 236	2.23 243	2.40 236	2.35 248	2.20 226	2.33 248	2.28 218	2.31 247	2.19 230	2.37 247	2.20 238	2.31 248	2.23 246	2.38 236	2.25 247	2.33 235	2.27 248	2.39 235	2.27 246	2.31 247	2.29 246	2.37 236	2.32 249	2.34 234	2.26 248

UDGNet	1.97 231	2.43 218	1.67 224	2.46 238	1.70 234	2.44 238	1.69 235	2.34 231	1.63 233	2.35 225	1.67 235	2.37 236	1.67 234	1.68 230	1.64 234	1.67 233	2.44 238	1.64 235	2.43 236	1.67 235	2.43 237	1.66 233	1.67 232	1.63 236	2.43 237	1.66 237	2.42 236	1.66 235

FBW_ROB	2.04 232	2.50 219	1.75 228	2.45 237	1.78 235	2.40 236	1.74 236	2.47 232	1.77 237	2.37 226	1.81 237	2.30 232	1.80 236	1.78 231	1.88 244	1.80 236	2.41 237	1.77 237	2.43 236	1.83 239	2.39 235	1.81 240	1.76 235	1.75 238	2.56 238	1.75 240	2.30 233	1.74 237

CroCo-Stereo	0.80 181	2.51 220	0.41 138	1.27 220	0.41 149	1.27 219	0.41 151	1.27 209	0.41 147	1.27 181	0.41 150	1.27 218	0.41 149	0.41 141	0.41 151	0.41 144	1.28 218	0.41 148	1.27 218	0.41 149	1.27 218	0.41 148	0.42 150	0.41 150	1.27 220	0.41 149	1.27 217	0.41 148
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
LL-Strereo2	0.47 134	2.60 221	0.51 161	0.38 127	0.28 115	0.37 126	0.28 117	0.55 164	0.35 135	0.44 116	0.34 136	0.44 144	0.34 133	0.34 125	0.36 136	0.36 135	0.47 150	0.36 137	0.47 152	0.35 138	0.47 144	0.35 135	0.35 134	0.35 139	0.46 145	0.35 136	0.47 147	0.35 137

IER	0.56 154	2.72 222	2.20 238	0.38 127	0.29 124	0.38 129	0.27 111	2.77 235	0.27 112	0.38 99	0.28 118	0.37 124	0.25 106	0.26 108	0.25 108	0.26 104	0.38 126	0.29 123	0.38 125	0.25 108	0.39 128	0.25 104	0.29 118	0.29 125	0.40 134	0.25 106	0.38 122	0.25 106

NLCA_NET_v2_RVC	2.50 241	2.85 223	1.90 236	2.90 239	2.77 248	2.88 239	2.85 250	2.51 233	2.85 250	2.88 233	1.99 244	2.50 237	2.76 249	2.20 238	1.57 231	2.64 248	2.89 239	2.63 249	5.69 264	1.03 210	2.01 229	2.71 248	2.74 249	2.73 250	2.87 239	1.64 235	1.00 195	1.49 233
Zhibo Rao, Mingyi He, Yuchao Dai, Zhidong Zhu, Bo Li, and Renjie He.: NLCA-Net: A non-local context attention network for stereo matching.
CroCo-Stereo Lap2	0.85 188	2.86 224	0.43 144	1.33 222	0.43 155	1.31 220	0.42 156	1.32 210	0.42 152	1.31 183	0.44 155	1.32 219	0.44 155	0.43 147	0.44 157	0.43 149	1.35 219	0.43 154	1.32 220	0.43 155	1.31 219	0.43 153	0.43 151	0.42 156	1.31 221	0.42 154	1.31 218	0.43 153

FC-DCNN v2	4.74 263	3.16 225	3.16 249	3.16 240	3.16 250	3.16 241	3.16 252	3.16 238	3.16 251	3.16 236	3.16 250	3.16 240	3.16 253	3.16 247	3.16 251	3.16 253	6.72 268	6.72 270	6.72 267	6.72 272	6.72 267	6.72 272	6.72 270	6.72 270	6.72 266	6.72 269	6.72 267	6.72 270

plain	1.96 230	3.33 226	1.04 201	3.24 241	1.04 209	3.24 242	1.04 210	3.26 239	1.05 209	3.26 237	1.13 214	3.27 241	1.06 212	1.05 209	1.05 210	1.05 210	3.28 240	1.05 211	3.29 238	1.06 212	3.30 239	1.05 209	1.05 209	1.06 213	3.30 240	1.06 210	3.30 240	1.06 208

4D-IteraStereo	0.67 165	3.40 227	1.05 202	0.71 184	0.83 197	0.47 156	0.27 111	0.47 148	0.27 112	0.35 91	0.26 112	0.68 175	0.84 196	0.41 141	0.54 174	0.89 196	0.74 180	0.88 200	0.73 181	0.87 200	0.42 138	0.27 111	0.28 112	0.28 117	0.36 118	0.28 114	0.68 173	0.90 198

MIF-Stereo (partial)	2.52 242	3.41 228	1.05 202	3.29 242	1.05 210	3.29 244	1.06 211	3.30 240	1.06 211	3.31 238	1.06 210	4.97 261	2.72 248	2.72 245	2.71 249	2.70 249	6.57 267	2.19 245	5.08 261	1.08 214	3.36 240	1.07 211	1.07 210	1.07 215	3.35 242	1.07 211	3.36 241	1.07 210

DPSNet	3.67 248	3.61 229	3.62 252	3.64 245	3.61 256	3.64 246	3.65 256	3.64 243	3.67 255	3.67 241	3.65 254	3.68 244	3.69 260	3.69 254	3.69 261	3.68 257	3.70 243	3.70 257	3.69 244	3.69 258	3.71 245	3.69 254	3.67 254	3.69 258	3.68 246	3.67 254	3.68 244	3.67 251

UniTT-Stereo	2.12 237	3.66 230	1.10 205	3.48 244	1.15 216	3.57 245	1.11 215	3.44 241	1.16 218	3.52 239	1.16 216	3.50 242	1.16 218	1.10 211	1.13 216	1.15 215	3.61 241	1.17 219	3.64 239	1.12 216	3.58 242	1.12 214	1.12 213	1.17 221	3.53 243	1.18 220	3.52 242	1.18 218

RAStereo	2.24 238	3.70 231	1.18 212	3.73 248	1.18 221	3.69 247	1.19 221	3.73 244	1.24 225	3.72 242	1.21 225	3.76 246	1.20 223	1.20 220	1.20 222	1.20 222	3.74 246	1.20 223	3.75 245	1.21 225	3.77 246	1.21 222	1.21 221	1.21 225	3.82 247	1.21 224	3.82 246	1.21 221

sCroCo_RVC	2.76 243	4.00 232	1.82 230	4.00 252	1.83 236	3.98 252	1.82 238	3.99 245	1.81 238	4.14 249	2.76 248	4.13 254	1.82 238	1.83 232	1.83 237	1.82 237	4.01 251	1.82 239	3.98 248	1.86 240	4.00 251	1.82 241	1.83 237	1.84 239	4.02 253	1.81 241	4.00 250	1.83 240

sAnonymous2	2.87 244	4.16 233	1.89 234	4.26 256	1.87 240	4.23 255	1.92 243	4.17 246	1.94 244	4.16 250	1.92 242	4.20 255	1.92 243	1.96 234	1.86 239	1.87 239	4.25 254	1.90 243	4.23 253	1.91 244	4.26 254	1.93 243	1.89 242	1.90 240	4.07 254	1.91 245	5.09 262	1.93 245

CroCo_RVC	2.87 244	4.16 233	1.89 234	4.26 256	1.87 240	4.23 255	1.92 243	4.17 246	1.94 244	4.16 250	1.92 242	4.20 255	1.92 243	1.96 234	1.86 239	1.87 239	4.25 254	1.90 243	4.23 253	1.91 244	4.26 254	1.93 243	1.89 242	1.90 240	4.07 254	1.91 245	5.09 262	1.93 245

test_1	0.65 161	4.37 235	2.38 243	0.40 139	0.34 136	0.42 146	0.36 139	1.96 222	0.34 131	0.41 108	0.36 139	0.42 140	0.35 135	0.34 125	0.38 140	0.31 126	0.39 136	0.34 132	0.40 137	0.33 135	0.39 128	0.33 132	0.33 130	0.34 135	0.40 134	0.36 138	0.40 133	0.32 134

test-3	0.78 180	4.38 236	1.80 229	0.62 176	0.49 170	0.62 175	0.50 172	1.86 218	0.64 182	0.69 134	0.52 171	0.66 171	0.38 141	0.58 169	0.57 178	0.46 152	0.66 173	0.46 156	0.50 164	0.44 157	0.48 150	0.58 176	0.54 169	0.60 182	0.70 176	0.46 157	0.48 152	0.50 167

CC-Net-ROB	1.51 223	4.40 237	1.69 226	1.39 225	1.40 228	1.37 222	1.40 232	1.36 211	1.39 230	1.41 189	1.36 228	1.35 221	1.38 229	1.39 225	1.39 227	1.36 228	1.36 221	1.35 229	1.39 222	1.39 231	1.37 222	1.36 229	1.41 228	1.48 234	1.39 224	1.42 233	1.35 220	1.35 226

PS-NSSS	1.48 222	4.46 238	1.35 218	1.35 223	1.35 227	1.41 224	1.34 229	1.36 211	1.35 229	1.40 188	1.35 227	1.33 220	1.35 227	1.37 224	1.40 228	1.35 227	1.35 219	1.35 229	1.39 222	1.44 234	1.35 220	1.34 227	1.35 224	1.38 233	1.35 222	1.33 228	1.34 219	1.38 230

MyStereo04	0.76 178	4.78 239	0.62 175	0.63 177	0.54 175	0.65 177	0.56 178	0.61 167	0.58 178	0.61 130	0.56 175	0.63 169	0.57 179	0.63 177	0.60 180	0.60 176	0.64 171	0.56 178	0.63 176	0.58 177	0.63 170	0.62 182	0.55 170	0.60 182	0.63 174	0.57 178	0.64 171	0.58 173

TestStereo	4.92 264	4.80 240	4.98 256	4.82 261	4.97 267	4.91 263	4.78 268	4.80 250	4.88 268	4.78 258	4.80 267	4.99 262	4.81 268	4.83 264	4.87 268	4.97 268	4.93 262	5.01 268	5.03 260	4.90 267	5.02 262	5.02 266	5.06 265	5.04 267	4.93 261	4.89 266	5.01 259	5.09 266

Anonymous3	3.36 246	4.93 241	2.20 238	4.92 262	2.23 243	4.90 262	2.23 246	4.89 251	2.24 246	4.95 260	2.21 245	4.91 260	2.21 245	2.18 237	2.22 246	2.22 245	4.86 261	2.20 246	4.90 259	2.20 247	4.96 261	2.21 245	2.21 245	2.21 244	6.30 265	2.21 247	4.90 257	2.23 247

DispFullNet	4.96 265	5.67 242	3.30 251	5.01 263	3.21 252	4.50 259	3.11 251	4.43 248	3.44 254	4.60 256	3.46 253	5.13 263	3.44 254	3.53 250	3.20 252	2.87 252	4.80 260	3.15 251	4.70 257	4.83 266	9.02 272	5.98 269	5.95 269	6.21 269	8.84 271	5.85 268	9.76 272	5.91 268

HCRNet	0.71 172	6.06 243	3.15 248	0.50 164	0.22 98	0.21 83	0.15 80	3.04 237	0.34 131	0.43 115	0.33 135	0.43 143	0.33 132	0.15 80	0.14 80	0.14 79	0.21 82	0.17 85	0.47 152	0.20 97	0.21 80	0.16 83	0.32 128	0.33 133	0.50 158	0.33 134	0.49 156	0.28 116

SGM-Forest	5.07 266	6.74 244	4.17 253	6.46 267	4.68 266	6.21 268	4.38 266	6.00 255	4.14 264	5.84 264	4.44 266	6.28 267	4.16 266	3.92 259	4.56 267	4.60 267	6.15 265	4.27 265	6.12 266	4.31 265	5.99 266	4.27 262	3.92 260	4.27 264	6.13 264	4.10 265	6.18 264	4.49 265
Johannes L. SchÃ¶nberger, Sudipta Sinha, Marc Pollefeys: Learning to Fuse Proposals from Multiple Scanline Optimizations in Semi-Global Matching. ECCV 2018
MaskLacGwcNet_RVC	0.70 170	6.91 245	0.46 146	0.46 151	0.46 157	0.46 150	0.46 159	0.46 142	0.46 156	0.46 119	0.46 157	0.46 145	0.46 158	0.46 151	0.46 158	0.46 152	0.46 146	0.46 156	0.46 148	0.46 158	0.47 144	0.46 154	0.46 153	0.46 158	0.46 145	0.46 157	0.46 143	0.46 155

SA	3.93 251	7.22 246	4.74 254	4.15 254	3.88 262	3.70 248	4.02 265	6.67 262	3.95 260	3.64 240	3.74 256	3.63 243	3.00 251	3.51 249	3.68 260	3.68 257	3.73 245	3.71 258	3.64 239	3.48 253	3.58 242	2.97 250	3.69 255	3.61 253	3.55 245	3.42 251	3.64 243	3.79 259

cross-raft	4.43 258	7.31 247	6.46 262	4.47 258	3.95 263	4.46 258	3.95 263	6.70 263	3.97 261	4.41 253	3.82 259	4.38 258	3.94 264	3.95 260	3.95 265	3.95 261	4.45 258	3.95 262	4.46 256	3.95 262	4.46 258	3.95 259	3.95 261	3.94 262	4.40 256	3.95 263	4.45 255	3.95 261

RAFT+CT+SA	4.43 258	7.34 248	6.71 264	5.01 263	4.38 265	4.40 257	3.85 261	6.15 259	4.30 265	4.89 259	3.26 251	4.49 259	3.01 252	4.53 263	3.36 253	3.65 256	3.64 242	4.39 266	3.94 247	4.28 264	4.44 257	4.30 263	4.24 264	4.52 265	3.90 250	3.85 261	4.89 256	4.00 262

test-1	4.11 252	7.65 249	4.93 255	3.65 246	3.58 254	4.70 261	3.74 260	4.73 249	4.06 262	3.72 242	4.11 264	3.70 245	3.49 255	3.36 248	3.65 256	4.17 265	3.92 249	4.04 264	4.19 252	3.75 259	4.69 260	4.18 261	3.88 258	3.90 260	4.73 258	3.77 259	3.12 239	3.68 254

Sa-1000	3.84 250	7.71 250	6.81 267	4.15 254	2.86 249	3.27 243	3.87 262	5.99 254	4.35 266	2.78 231	3.71 255	3.88 247	3.56 256	3.88 257	3.64 254	2.71 250	3.72 244	3.27 252	3.67 243	3.15 252	3.51 241	3.36 252	2.70 248	3.49 252	3.32 241	3.76 258	2.87 238	3.76 258

raft_robust	4.19 257	7.78 251	6.08 260	3.30 243	3.85 261	4.03 253	3.73 259	6.25 261	3.30 253	4.44 254	3.28 252	4.01 251	3.82 263	4.29 262	3.70 262	4.01 262	4.48 259	3.42 253	4.11 250	3.76 260	4.05 252	3.32 251	3.85 257	3.82 259	4.71 257	3.83 260	4.09 251	3.80 260

TestStereo1	4.11 252	7.79 252	6.72 265	3.93 249	3.81 259	3.96 250	3.58 254	6.96 265	3.74 257	3.90 244	3.76 257	3.89 248	3.57 257	3.70 255	3.66 257	3.34 254	3.80 247	3.62 254	3.66 241	3.68 256	3.91 248	3.70 255	3.65 252	3.67 255	3.88 248	3.53 252	3.89 247	3.68 254

SA-5K	4.11 252	7.79 252	6.72 265	3.93 249	3.81 259	3.96 250	3.58 254	6.96 265	3.74 257	3.90 244	3.76 257	3.89 248	3.57 257	3.70 255	3.66 257	3.34 254	3.80 247	3.62 254	3.66 241	3.68 256	3.91 248	3.70 255	3.65 252	3.67 255	3.88 248	3.53 252	3.89 247	3.68 254

TESTraft	4.16 256	8.03 254	6.81 267	3.99 251	3.68 257	3.93 249	3.70 258	6.86 264	3.69 256	3.93 246	3.88 262	3.93 250	3.59 259	3.65 253	3.64 254	3.68 257	3.92 249	3.72 259	3.92 246	3.57 255	3.84 247	3.70 255	3.71 256	3.67 255	3.91 251	3.74 256	3.92 249	3.67 251

test_4	4.11 252	8.05 255	6.64 263	4.52 259	3.68 257	3.00 240	3.40 253	6.21 260	3.29 252	4.07 248	3.84 260	4.04 252	3.76 262	3.56 252	3.67 259	3.76 260	4.04 252	3.79 260	4.10 249	3.53 254	3.98 250	3.74 258	3.55 251	3.61 253	3.94 252	3.75 257	3.73 245	3.73 257

SGM+DAISY	6.35 268	8.16 256	5.14 258	8.12 271	5.08 269	8.12 271	5.16 269	8.01 268	5.18 270	7.92 269	5.14 268	7.89 271	5.14 269	4.95 265	5.33 269	5.32 269	8.14 271	5.16 269	8.16 270	5.16 268	8.21 270	5.19 267	5.12 266	5.12 268	8.18 270	5.24 267	8.12 270	5.11 267

RAFT_CTSACE	4.43 258	8.26 257	6.10 261	4.62 260	4.01 264	4.54 260	3.65 256	6.09 256	3.93 259	4.64 257	4.14 265	4.26 257	4.13 265	3.91 258	3.88 263	4.06 264	4.30 256	4.03 263	4.27 255	3.92 261	4.26 254	3.67 253	3.91 259	4.16 263	4.82 259	4.08 264	4.20 253	3.67 251

CFNet_RVC	0.93 192	8.54 258	0.41 138	0.56 168	0.37 141	0.56 170	0.37 143	0.50 158	0.40 145	0.56 129	5.24 269	0.56 165	0.34 133	0.40 140	0.41 151	0.34 132	0.53 163	0.40 146	0.56 172	0.38 144	0.52 158	0.40 146	0.40 145	0.41 150	0.56 168	0.40 148	0.56 165	0.40 147

U	5.23 267	8.71 259	2.75 246	8.64 272	2.76 247	8.65 272	2.79 249	8.67 271	2.79 249	8.70 271	2.79 249	8.70 272	2.79 250	2.79 246	2.80 250	2.80 251	8.84 272	2.82 250	8.82 271	2.89 250	8.84 271	2.83 249	2.83 250	2.82 251	8.87 272	2.83 250	8.84 271	2.83 250

test_5	4.51 261	8.85 260	5.35 259	3.66 247	3.56 253	5.10 264	4.47 267	6.14 257	4.07 263	4.96 261	3.87 261	5.14 264	4.17 267	3.53 250	4.39 266	4.53 266	4.15 253	3.62 254	4.74 258	2.94 251	3.63 244	4.53 265	4.20 263	4.54 266	4.86 260	3.68 255	4.95 258	4.06 263

pcwnet_v2	1.01 202	9.73 261	0.28 112	0.38 127	0.28 115	0.38 129	0.28 117	0.38 126	0.28 116	0.38 99	0.28 118	0.39 131	0.28 115	9.61 271	0.28 118	0.28 113	0.38 126	0.28 114	0.38 125	0.28 115	0.38 119	0.28 116	0.29 118	0.28 117	0.38 124	0.28 114	0.38 122	0.28 116

CFNet_pseudo	1.01 202	9.78 262	0.29 117	0.38 127	0.28 115	0.38 129	0.28 117	0.38 126	0.28 116	0.39 102	0.28 118	0.39 131	0.28 115	9.50 270	0.29 126	0.28 113	0.38 126	0.28 114	0.38 125	0.28 115	0.38 119	0.28 116	0.28 112	0.28 117	0.38 124	0.28 114	0.38 122	0.28 116

RAFT	6.60 269	9.99 263	8.33 272	7.21 270	6.55 270	5.95 267	5.87 270	8.70 272	5.02 269	5.10 262	6.69 270	7.06 270	6.94 272	6.17 268	7.09 272	6.84 270	6.47 266	4.72 267	5.60 262	5.60 269	5.11 263	5.97 268	6.93 271	6.89 271	7.16 267	7.08 272	6.58 266	6.66 269

ccs_rob	1.00 198	10.06 264	0.31 124	0.44 150	0.31 131	0.43 149	0.31 134	0.43 141	0.32 128	0.45 117	0.32 133	1.20 215	0.31 127	7.02 269	0.31 130	0.31 126	0.44 145	0.31 128	0.44 146	0.32 133	0.44 139	0.31 129	0.32 128	0.32 132	0.44 144	0.32 133	0.43 141	0.31 132

UCFNet_RVC	1.03 206	10.10 265	0.28 112	0.38 127	0.28 115	0.39 136	0.28 117	0.38 126	0.28 116	0.39 102	0.28 118	0.39 131	0.29 124	9.62 272	0.28 118	0.28 113	0.38 126	0.28 114	0.38 125	0.28 115	0.39 128	0.28 116	0.29 118	0.28 117	0.39 133	0.28 114	0.38 122	0.29 125

StereoVision	3.44 247	10.12 266	1.68 225	5.44 265	2.26 245	5.87 265	1.97 245	5.17 252	1.31 228	5.80 263	1.56 233	5.62 265	1.84 239	1.97 236	1.91 245	1.84 238	4.98 263	1.32 227	5.60 262	1.71 238	5.35 265	1.73 239	1.97 244	1.96 242	5.40 262	1.65 236	5.08 261	1.76 239

MaDis-Stereo	3.69 249	10.19 267	2.01 237	6.09 266	2.01 242	5.94 266	1.82 238	6.14 257	1.85 239	6.59 266	1.82 238	6.01 266	1.81 237	1.83 232	1.83 237	2.02 241	5.87 264	1.79 238	5.93 265	2.06 246	4.63 259	1.67 234	1.84 238	2.08 243	5.90 263	1.66 237	6.34 265	1.87 241

test_3	4.55 262	10.96 268	7.69 271	4.04 253	3.60 255	4.10 254	3.98 264	7.94 267	4.56 267	3.99 247	4.03 263	4.08 253	3.74 261	3.99 261	3.91 264	4.05 263	4.33 257	3.89 261	4.14 251	4.00 263	4.11 253	4.02 260	4.01 262	3.91 261	3.53 243	3.94 262	4.19 252	4.20 264

test-v	7.17 270	11.53 269	7.63 269	7.17 268	6.87 271	7.48 269	6.90 271	8.14 269	6.88 271	6.93 267	7.42 271	7.05 268	6.14 270	6.05 266	6.86 270	6.99 271	7.60 269	6.75 271	6.90 268	6.66 270	7.83 268	6.36 270	5.89 267	7.34 272	7.19 268	6.75 270	7.52 268	6.77 271

test-2	7.17 270	11.53 269	7.63 269	7.17 268	6.87 271	7.48 269	6.90 271	8.14 269	6.88 271	6.93 267	7.42 271	7.05 268	6.14 270	6.05 266	6.86 270	6.99 271	7.60 269	6.75 271	6.90 268	6.66 270	7.83 268	6.36 270	5.89 267	7.34 272	7.19 268	6.75 270	7.52 268	6.77 271

rafts_anoy	20.00 273	20.00 271	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 274	20.00 274	20.00 274	20.00 273	20.00 274	20.00 272	20.00 274	20.00 273	20.00 274	20.00 273	20.00 275	20.00 273	20.00 274	20.00 273	20.00 274

raft+_RVC	20.00 273	20.00 271	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 274	20.00 274	20.00 274	20.00 273	20.00 274	20.00 272	20.00 274	20.00 273	20.00 274	20.00 273	20.00 275	20.00 273	20.00 274	20.00 273	20.00 274

raftrobust	20.00 273	20.00 271	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 274	20.00 274	20.00 274	20.00 273	20.00 274	20.00 272	20.00 274	20.00 273	20.00 274	20.00 273	20.00 275	20.00 273	20.00 274	20.00 273	20.00 274

CasAABBNet	20.00 273	20.00 271	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 274	20.00 274	20.00 274	20.00 273	20.00 274	20.00 272	20.00 274	20.00 273	20.00 274	20.00 273	20.00 275	20.00 273	20.00 274	20.00 273	20.00 274

RALCasStereoNet	20.00 273	20.00 271	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 274	20.00 274	20.00 274	20.00 273	20.00 274	20.00 272	20.00 274	20.00 273	20.00 274	20.00 273	20.00 275	20.00 273	20.00 274	20.00 273	20.00 274

RALAANet	20.00 273	20.00 271	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 274	20.00 274	20.00 274	20.00 273	20.00 274	20.00 272	20.00 274	20.00 273	20.00 274	20.00 273	20.00 275	20.00 273	20.00 274	20.00 273	20.00 274

MSMDNet	20.00 273	20.00 271	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 273	20.00 274	20.00 274	20.00 274	20.00 274	20.00 273	20.00 274	20.00 272	20.00 274	20.00 273	20.00 274	20.00 273	20.00 275	20.00 273	20.00 274	20.00 273	20.00 274

MANE	18.41 272	23.00 278	16.00 273	22.00 280	15.00 273	22.00 280	15.00 273	22.00 280	15.00 273	21.00 280	15.00 273	22.00 280	15.00 273	15.00 273	17.00 273	15.00 273	23.00 280	15.00 273	22.00 279	15.00 273	23.00 280	15.00 273	18.00 272	15.00 274	24.00 280	17.00 273	24.00 280	16.00 273

AF-Net	2.06 236	25.73 279	1.18 212	1.12 211	1.16 219	1.16 211	1.19 221	1.10 197	1.17 221	1.15 169	1.14 215	1.11 206	1.16 218	1.16 218	1.14 217	1.11 212	1.15 207	1.13 218	1.21 216	1.17 221	1.11 200	1.21 222	1.17 216	1.17 221	1.17 213	1.11 216	1.20 215	1.13 214

MoCha-V2	1.75 228	27.02 280	0.72 178	0.92 194	0.69 186	0.89 193	0.69 190	0.92 184	0.71 186	0.87 150	0.69 186	0.88 192	0.68 186	0.70 184	0.68 189	0.69 184	0.90 191	0.69 188	0.92 195	0.69 186	0.92 188	0.71 190	0.70 187	0.67 189	0.88 190	0.71 189	0.92 189	0.68 184

CBMV	101.59 281	71.60 281	48.40 282	72.70 282	49.00 282	79.60 282	48.40 282	80.90 282	46.90 281	68.90 281	49.00 282	78.00 282	572.10 290	49.50 281	51.30 281	48.40 281	72.20 281	639.60 290	79.40 280	48.90 282	79.50 281	51.40 281	52.30 281	48.30 283	80.20 281	49.10 281	79.60 282	47.60 281
Konstantinos Batsos, Changjiang Cai, Philippos Mordohai: CBMV: A Coalesced Bidirectional Matching Volume for Disparity Estimation. Computer Vision and Pattern Recognition (CVPR) 2018
MDST_ROB	61.15 280	72.66 282	46.52 281	70.00 281	44.89 281	64.24 281	43.75 281	73.65 281	48.92 282	72.70 282	42.40 281	60.70 281	50.23 281	50.07 282	67.69 282	68.60 282	83.13 282	47.77 281	82.48 281	46.00 281	95.93 282	53.44 282	50.66 280	45.00 282	84.99 282	53.64 282	79.01 281	52.07 282

MeshStereo	151.99 282	131.36 283	140.69 283	151.38 283	151.40 283	150.79 283	151.72 283	149.36 283	159.46 283	146.42 283	150.73 283	149.06 286	176.22 282	143.94 283	133.10 285	133.45 285	153.30 284	154.22 283	154.67 283	153.95 284	156.90 285	156.53 285	160.21 282	162.72 284	154.57 283	160.59 283	153.47 283	163.50 283
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
AE-Stereo	252.48 284	202.00 284	361.00 287	502.00 287	324.00 287	321.00 284	482.00 290	423.00 287	227.00 287	201.00 284	273.00 287	101.00 283	207.00 283	198.00 284	183.00 286	181.00 286	221.00 285	232.00 287	477.00 285	220.00 286	111.00 283	100.00 283	219.00 284	214.00 285	204.00 284	211.00 285	200.00 284	222.00 286

MGS-Stereo	264.93 285	208.00 285	362.00 288	512.00 288	350.00 288	326.00 285	443.00 289	410.00 286	210.00 284	232.00 286	215.00 284	125.00 284	217.00 284	216.00 286	127.00 284	122.00 284	223.00 286	230.00 285	487.00 287	255.00 287	250.00 286	223.00 287	272.00 286	228.00 288	241.00 285	220.00 287	214.00 285	235.00 287

EGLCR-Stereo	276.81 286	209.00 286	366.00 289	514.00 289	354.00 289	336.00 286	422.00 287	440.00 288	220.00 286	231.00 285	245.00 286	135.00 285	237.00 286	218.00 287	197.00 287	222.00 288	223.00 286	230.00 285	487.00 287	255.00 287	250.00 286	273.00 288	272.00 286	228.00 288	241.00 285	220.00 287	214.00 285	235.00 287

DLCB_ROB	280.78 287	376.74 287	215.59 284	376.74 284	215.59 284	376.74 287	215.59 284	366.42 285	218.39 285	366.42 287	218.39 285	366.42 287	218.39 285	209.96 285	219.76 288	219.38 287	376.72 288	216.43 284	376.72 284	216.43 285	376.72 288	216.43 286	216.14 283	216.14 287	376.69 288	217.67 286	376.69 288	217.67 285

NOSS_ROB	248.11 283	409.00 288	288.00 285	412.00 285	280.00 285	411.00 288	288.00 285	356.00 284	275.00 288	379.00 288	303.00 288	415.00 288	278.00 287	260.00 288	104.00 283	103.00 283	126.00 283	108.00 282	118.00 282	98.00 283	126.00 284	104.00 284	268.00 285	216.00 286	279.00 287	201.00 284	288.00 287	206.00 284

LE_ROB	387.11 288	453.07 289	321.39 286	500.23 286	323.05 286	493.99 289	324.56 286	477.63 289	322.28 289	465.51 289	322.97 289	486.37 289	334.17 288	305.26 289	320.63 289	327.66 289	476.08 289	315.70 288	483.76 286	335.15 289	469.64 289	309.74 289	315.90 288	318.85 290	498.41 289	328.85 289	491.00 289	330.08 289

SGM-ForestM	522.49 289	676.08 290	448.56 290	638.17 290	433.15 290	639.59 290	427.03 288	617.52 290	439.90 290	604.63 290	429.02 290	611.68 290	432.74 289	420.18 290	451.96 290	465.85 290	601.06 290	403.73 289	659.15 289	405.50 290	669.64 290	437.21 290	455.85 289	425.66 291	689.82 290	481.65 290	662.43 290	479.61 290

CBMV_ROB	1133.35 290	1280.38 291	976.92 291	1317.57 291	1021.62 291	1282.66 291	1022.22 291	1213.88 291	982.57 291	1194.12 291	975.90 291	1357.87 291	1090.02 291	943.32 291	1021.85 291	1006.47 291	1309.01 291	986.29 291	1499.40 290	986.35 291	1359.35 291	975.96 291	975.21 290	969.30 292	1337.82 291	1042.34 291	1398.25 291	1073.86 291

IGEV-Stereo++	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 293	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292

IGEV-BASED-STEREO-	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 293	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292

IGEV-Stereo+	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 293	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292

anonymousdsp2	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 293	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292

anonymousdsp	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 293	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292

AMNet	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 291	10000000.00 293	10000000.00 292	10000000.00 292	10000000.00 292	10000000.00 292

ASD4																								0.20 96

Low-res two-view benchmark