通过建立一个基准测试来评估和比较测试时间调整方法在提高模型稳健性和泛化性能方面的有效性，我们提供了一个可靠的评估方式，并探索了不同测试时间调整方法与不同网络骨干的兼容性。

Jul, 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

通过使用在训练和测试统计数据之间进行的基于熵统计的加权目标域统计估计的预测整合方法，我们解决了在只有单个无标签测试图像的情况下，适应医学图像分割模型的任务。

Feb, 2024

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

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

通过引入组对比损失和相对排序损失，使用测试分布中的少量图像批次可以显著提高模型性能，使盲目图像质量评估模型具备质量感知能力并适应目标数据。

Jul, 2023

本研究提出一种基于自我监督的 Slot-TTA 模型，在测试时通过梯度下降对重构或新颖视角综合目标进行场景自适应调整，大幅提高了场景内实例分割的准确性，尤其在非训练数据中取得了显著的性能提升。

Mar, 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

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