本稿では、深度推定基盤モデルの性能を向上させるための新しいフレームワーク「WeSTAR」を提案しています。このモデルは、弱い監督付き自己学習適応を行い、未知のドメインにおいてもモデルの堅牢性を高めることを目的としています。まず、密な自己学習目標を用いて、構造的な自己監視を実施します。次に、インスタンスレベルのセグメンテーションマップを活用したセマンティックに配慮した階層的正規化を導入し、安定したマルチスケールの構造正規化を行います。さらに、ペアの順序深度注釈を使ったコスト効率の良い弱い監督を加え、適応プロセスを支援します。最後に、重みの正則化損失を用いて、LoRAの更新を安定させ、モデルの一般化可能な知識を守ります。多様なシナリオでの実験結果は、WeSTARが一般化を一貫して改善し、最先端の性能を達成することを示しています。