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。
Jul, 2022
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
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
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
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
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。
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
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
该论文介绍了一种名为 Transfer Guided Diffusion Process (TGDP) 的新方法,用于在目标领域中将预训练的扩散模型与域分类器的额外指导相结合,以实现优化后的扩散模型,进一步将 TGDP 扩展为用于建模数据及其对应标签的条件版本,并引入两个附加的正则化项以提高模型性能,通过高斯混合模拟和真实心电图数据集验证了 TGDP 方法的有效性。
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