本研究提出 Continual Test-Time Adaptation (CTTA) 任务及 Visual Domain Adapter (ViDA) 实现了对预训练模型的修改，以适应不断变化的目标领域；同时还提出了 Homeostatic Knowledge Allotment (HKA) 策略，通过对各个 ViDA 分配不同等级的知识以适应实际应用中不同领域的变化，并在分类和分割任务等方面实现了最新的表现。

Jun, 2023

本文介绍了一种通过视觉提示的动态提示核心集方法来实现持续的测试时间自适应（TTA），该方法不仅保留了先前访问的领域的知识，而且适应了新潜在领域的学习。经过广泛的测试，包括 ImageNet-C，CIFAR100-C 和 CIFAR10-C 等基准，显示出我们的方法始终优于最先进的替代方法，在动态变化的环境中表现突出，特别是在遇到灾难性遗忘和误差累积等挑战时。

Jun, 2024

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

通过在不依赖于伪标签的情况下，通过模型预测不确定性的量化来识别层，以克服先前方法的局限性；在 CIFAR-10C、CIFAR-100C 和 ImageNet-C 等标准测试数据集上进行了详细的图像分类实验，证明了我们方法的功效。

Mar, 2024

通过引入一种新颖的方法，即 C-CoTTA，它明确防止任何单个类别侵占其他类别，从而减轻不可控转换引起的各类别之间的相互影响，减少模型对领域转换的敏感性，从而降低类别转变的程度。

May, 2024

本文提出一种用于数据有效且准确实现目标领域适应的测试时适应问题解决方案 (Data-efficient Prompt Tuning，DePT)，其使用镜像学习方式将交互式提示信息细化到视觉 Transformer 模型中，在测试时自适应调整模型引用的提示以提升模型对目标域的表示，且具有适用于许多测试适应问题的能力。

Oct, 2022

该论文提出了一种基于视觉提示的测试时适应方法，通过冻结预训练模型并为每个测试图像训练特定的提示来解决医学图像中的分布偏移问题，并在两个医学图像分割基准任务上表现出优越性。

Nov, 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

本文研究了在不断变化的目标领域中将源预训练模型适应的困难任务，发现源模型对目标数据流分布的不断改变表现出高度偏向的预测，本文提出了一种解决偏见问题的方法，并在现有的连续测试时间适应方法基础上取得了显著的性能提升，而适应时间开销并不大。

Mar, 2024

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