深度学习模型在各种视觉任务中展现出卓越的性能，但它们常常容易受到测试时的领域转移所影响。为了缓解这些脆弱性，已经开发了测试时训练（TTT）方法，在训练时同时解决了主任务和次要任务，以在测试时作为自监督代理任务。在本文中，我们提出了一种基于多尺度特征图和离散潜在表示之间相互信息最大化的新型无监督 TTT 技术，它可以作为一项辅助聚类任务整合到标准训练中。实验结果表明，在不同的常见测试时适应基准上具有竞争力的分类性能。

Oct, 2023

本文提出了一种改进的测试时间自适应方法（ITTA），通过引入一个可学习的一致性损失，用于更新辅助测试任务，并且只在测试阶段更新可训练参数，从而解决了域泛化中分布偏移问题，实验表明，该方法在多个评估基准上具有卓越的性能。

Apr, 2023

提出了一种新的测试时间自适应方法 Test-time Adaptation via Self-Training with nearest neighbor information (TAST)，其利用最近邻信息生成伪标签并通过自训练进行分类，能够在领域一般化和图像破坏等方面取得优于现有方法的性能。

Jul, 2022

提出了一种名为伪源引导目标聚类 (pSTarC) 的新方法，用于处理真实世界领域转移下的测试时间适应 (TTA) 问题，并在各种领域转移数据集上验证其有效性。该方法通过借鉴目标聚类技术，在完全的测试时间适应协议中仅利用源分类器生成伪源样本，将测试样本与伪源样本进行策略性对齐，促进聚类，从而提高 TTA 性能。该方法不仅在预测准确性上取得了显著的改进，而且计算要求高效。此外，还展示了 pSTarC 框架的通用性，证明了其对于连续 TTA 框架的有效性。

Sep, 2023

提出了一种名为 AR-TTA 的方法，该方法在自主驾驶领域中进行了测试时间适应，以处理不同程度的领域转变，并在维护源模型知识和适应动态变化的数据流方面表现优越。

Sep, 2023

该研究探讨了测试时间自适应的方法，使用特征修正、自我蒸馏以及空间本地化聚类等技术，提高了医学图像分割任务的性能，进一步提高了现有测试时间适应方法的性能表现。

Mar, 2023

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

领域转移是现实世界中常见的问题，完全测试时间适应（TTA）利用测试时间遇到的未标记数据来调整模型。我们从聚类的视角介绍了熵基于 TTA 方法（EBTTA），解释了为什么现有的 EBTTA 方法对初始分配、异常值和批次大小敏感，并提出了改进的方法。实验结果表明，我们的方法在各种数据集上都能取得一致的改进。

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

通过无监督领域变化检测方法，该论文解决了传统测试时适应方法在动态环境中适应连续变化的目标分布时所面临的挑战，包括之前学习的有价值源知识的灾难性遗忘和由于错误标签的错误校准而导致的渐进性误差积累问题。

Nov, 2023