A3-TTA:基于锚点对齐的自适应锚测试时间自适应图像分割
计算机视觉与模式识别
2026-02-04 v1
摘要
测试时间自适应(TTA)为在没有访问源数据或重新训练的情况下部署图像分割模型提供了实用解决方案。尽管已有的TTA策略中,以伪标签为基础的方法显示出良好的性能,但它们常依赖于扰动-集合启发式方法(如dropout采样、测试时间增强、高斯噪声),这些方法缺乏分布依据且导致训练信号不稳定。这会触发误差积累和灾难性遗忘。在此基础上,我们提出了A3-TTA框架,通过锚点引导的监督构建可靠的伪标签。具体而言,我们通过类别紧凑密度度量识别目标域图像,该度量基于自信预测意味着与源域分布的接近性。这些锚点作为稳定的参考,用于指导伪标签生成,并通过语义一致性和边界感知熵最小化进行正则化。此外,我们引入自适应指数移动平均策略以缓解标签噪声并稳定适应期间的模型更新。在多域医学图像(心脏结构和前列腺分割)和自然图像上进行评估,结果显示A3-TTA相较于源模型在平均Dice评分上提高了10.40至17.68个百分点,在不同分割模型架构下均优于多个最先进的TTA方法。A3-TTA在持续TTA中也表现出色,在顺序目标域之间保持高性能,并展现出强大的抗遗忘能力。该代码将公开发布于https://github.com/HiLab-git/A3-TTA。
引用
@article{arxiv.2602.03292,
title = {A3-TTA: Adaptive Anchor Alignment Test-Time Adaptation for Image Segmentation},
author = {Jianghao Wu and Xiangde Luo and Yubo Zhou and Lianming Wu and Guotai Wang and Shaoting Zhang},
journal= {arXiv preprint arXiv:2602.03292},
year = {2026}
}
备注
Accepted by IEEE Transactions on Image Processing