Jul, 2022

回到源头：扩散驱动的测试时适应

PDF
TL;DR该研究提出了一种基于扩散生成模型的测试时间自适应方法（DDA），该方法可在不重新训练模型的情况下通过对输入数据进行自适应来提高模型在移位目标数据上的准确性，并在 ImageNet-C 基准测试中展现了更加鲁棒的表现。
test-time adaptationgenerative diffusion modelinput adaptationself-ensemblingimagenet-c
发现论文，激发创造
  • 基于导向的扩散模型的测试时适应

    这篇论文介绍了一种新的基于引导的扩散驱动自适应方法，通过引入详细和全局的引导信息以及考虑分类器的引导信息，解决了测试数据与源域之间的语义信息丢失和模型偏移问题，并在多个实验中取得了显著的改进。

    Dec, 2023

  • 全面走向合成：通过扩散驱动的测试时间自适应进行合成域对齐

    通过 Synthetic-Domain Alignment（SDA）框架，使用有条件扩散模型生成合成数据集，然后使用无条件扩散模型对每个样本添加噪声和降噪，以解决扩散驱动的 TTA 方法中源模型和合成数据之间的潜在领域差异问题。实验证明，SDA 可以实现更好的领域对齐，并一致优于现有的扩散驱动 TTA 方法。

    Jun, 2024

  • 降低噪声：通过伪标签集成利用扩散模型进行测试时自适应

    利用预训练的扩散模型将目标领域图像投影到源领域，并通过伪标签集成迭代更新模型的方法，将模型适应和输入适应的优势相结合，从而减轻它们的缺点。在 CIFAR-10C 上的实验表明，我们的方法优于最强基线平均 1.7％，比最强的输入适应基线平均高出 18％。

    Nov, 2023

  • 基于扩散模型的测试时间图像适应性用于鲁棒皮肤病变分类

    我们提出了一种测试时间图像适应方法，通过同时更新和预测测试图像来提高模型在测试数据上的准确性，通过扩散模型将目标测试图像反投影到源域，设计结构指导模块通过低通滤波添加细化操作，用于正则化扩散以保留结构信息，并引入自整合方案自动调整对适应和未适应输入的依赖关系，增强适应鲁棒性。在我们构建的 ISIC2019-C 和 Dermnet-C 损坏鲁棒性评估基准上进行的大量实验表明，我们的方法在各种损坏、体系结构和数据区域上使分类器更加鲁棒。我们的数据集和代码将在 https://github.com/minghu0830/Skin-TTA_Diffusion 上提供。

    May, 2024

  • 高效推断的动态领域自适应

    本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

    Mar, 2021

  • 透过文本到图像扩散实现跨领域：一种无源领域自适应方法

    提出了一种用于 Source-Free Domain Adaptation 的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

    Oct, 2023

  • 通过扩散生成反馈测试时间调整鉴别模型

    通过使用扩散模型生成反馈，Diffusion-TTA 方法可以将预先训练的判别模型适应到测试集中的每个无标签示例，并通过反向传播梯度来最大化图像似然目标，从而显著提高各种大规模预训练判别模型的准确性。

    Nov, 2023

  • GDA: 面向稳健测试时适应的通用扩散

    通过引入广义扩散适应（GDA）方法，研究论文提出了一种对不同类型的分布移位具有鲁棒性的测试时间适应方法，实现了在广泛的 OOD 基准测试上的最高分类准确度提升。

    Mar, 2024

  • 连续化测试时间域自适应通过动态样本选择

    在该文中，作者提出了一种用于 Continual Test-time Domain Adaptation 的 Dynamic Sample Selection（DSS）方法，通过动态阈值、正向学习和反向学习等过程，选择低质量样本并进行联合学习，从而提高模型在图像领域的效果，并展示了其在 3D 点云领域的适用性和潜力。

    Oct, 2023

  • 连续的测试时域自适应

    提出了一个基于权重平均和增强平均预测的持续测试时间自适应方法，在长期内实现了所有神经网络参数的适应，同时有效避免了疾病遗忘和噪声伪标签带来的错误积累，该方法处理的问题主要集中在测试时间域适应和深度学习等领域。

    Mar, 2022