优化自监督损失进行测试时间段的自适应图像分割模型，采用多种基线方法及改进，并引入对抗训练来提高性能。

Sep, 2023

经过综合研究，我们发现语义分割中经典的测试时适应方法在解决问题上存在一些挑战，批量归一化更新策略对结果只带来轻微改善，师生方案使训练过程稳定但不会直接提高性能，长尾不平衡问题严重影响语义分割性能。

Oct, 2023

开发一种测试时自适应方法，用于语义分割任务中针对视频序列中逐渐变化的领域进行模型适应，主要基于合成自驾车视频数据集 SHIFT，目标是分析分布变化并开发一个能够适应数据动态变化和在不同场景中泛化的方法。

Oct, 2023

在这项工作中，我们通过引入人机协同测试模式，提出了一种简单而有效的 ATASeg 框架，它通过极少量的注释实现了 TTA 方法和有监督方法之间的性能差距的弥合。

Dec, 2023

本研究提出了一种主动样本选择的准则，以确定可靠和不冗余的样本，从而使模型更新以最小化测试时适应的熵损失。 同时，引入了一个 Fisher 正则化器，约束重要的模型参数使其不会发生剧烈变化，从而缓解 “灾难性遗忘” 的问题。

Apr, 2022

本次研究调查了测试时间适应（TTA）在机器学习中的应用与优化方法。针对不同的学习场景，研究紧分测试时间领域适应、测试时间批适应、在线测试时间适应和测试时间先验适应四类，总结了高级算法的分类方法，探讨了 TTA 的应用与未来研究的挑战。

Mar, 2023

在线自适应卫星图像分割中的分布偏移问题是一个关键但尚未充分探索的问题。本文提出了一种新的在线测试时领域适应方法，通过两种有效策略来缓解由各种形式的图像退化引起的分布偏移。通过全局 BN 统计估计和全局类别中心修正预测掩码的方法，我们的方法在各种领域适应场景中展现了鲁棒的性能。

Jan, 2024

该论文主要研究了用于单镜头图像推理的快速测试时间自适应方法（SITA）。 提出了一种名为 AugBN 的方法，它只需要一次前向传递来估计未见过的测试分布的规范化统计，该方法无需反向传播并且是无超参数的。 在实验中，该算法在各种数据集、任务和网络架构上都取得了显著的性能提升。

Dec, 2021

本文介绍了一种用于 3D 医学图像分割的新的 Atlas 引导的测试时间自适应方法，其仅需要一个单一的未标记测试样本作为输入，并通过最小化基于 Atlas 的损失来适应分割网络。此外，与大多数现有的测试时间自适应方法不同，该方法还利用通道和空间注意块来提高测试时间的适应性，并在多个数据集上表现出了优异的性能。

Jul, 2023

文章介绍了一种新的文档测试时间自适应方法，利用跨模态自监督学习和伪标记来使源域的模型适应测试时未标记的目标域，并在各种视觉文档理解任务中提升效果。

Jun, 2022