Краткое содержание

arXiv:2511.14238v1 Тип объявления: кросс Аннотация: Появление фундаментальных моделей существенно продвинуло обобщение без предварительного обучения в задаче оценки глубины по монокулярному изображению (MDE), что наглядно продемонстрировано серией моделей Depth Anything. Однако при наличии данных из задач последующего применения возникает естественный вопрос: можно ли улучшить производительность этих моделей еще больше? С этой целью мы предлагаем WeSTAR — параметрически эффективный фреймворк для слабо контролируемой адаптации с регуляризацией на основе самообучения, предназначенный для повышения надежности моделей MDE в невидимых и разнообразных доменах. В первую очередь мы используем цель плотного самообучения как основной источник структурной самосупервизии. Для дальнейшего улучшения устойчивости мы вводим семантически осознанную иерархическую нормализацию, которая использует карты сегментации на уровне экземпляров для выполнения более стабильной и многоуровневой структурной нормализации. Помимо плотной супервизии, мы представляем экономически эффективную слабую супервизию в виде парных орд...