StereoFactory：用于稳健立体匹配的统一合并框架

立体匹配通过在大规模数据集上训练的基础模型取得了进步，但这种范式遇到了可扩展性瓶颈：合并新数据需要昂贵的联合再训练。模型合并通过在源检查点可用后集成来自专门模型的知识来提供可扩展的事后替代方案。然而，现有的合并方法通常保留所有可用模型或依赖于贪婪包含，这可能会保留有害的任务向量干扰。我们提出了 StereoFactory，一种用于自适应模型合并的从粗到细的进化框架。 Stage~1 采用遗传算法来搜索模型子集的组合空间，确定哪些模型应该参与。第~2阶段通过对选定的任务向量进行架构自适应路由的CMA-ES优化以及可选的模块级扩展来解决模块级知识专业化（不同的功能模块对知识源表现出不同的偏好）。跨两种架构和四个基准的实验表明，StereoFactory 在同一检查点池下始终达到最佳的四个基准平均值，相对于最强的受控基线，将 NMRF 上的平均误差从 3.80 降低到 3.30，将 FoundationStereo 上的平均误差从 2.88 降低到 2.19。事后搜索仅需要相应联合再训练挂钟时间的 2.7--3.7%。分析表明，知识贡献本质上是特定于模块的，并且选定的子集可以跨架构转移，而退化程度最小。代码将在接受后公开发布：https://github.com/XiandaGuo/StereoFactory。