回到源头：基于域补偿的开集持续测试时适应
计算机视觉与模式识别
2026-04-24 v1
摘要
测试时适应（Test-Time Adaptation, TTA）旨在在推理阶段缓解训练域与测试域之间的分布迁移。然而，现有TTA方法在面临持续变化的域以及未知语义类别同步出现的现实场景时显得不足，这种我们称之为开集持续测试时适应（Open-set Continual Test-Time Adaptation, OCTTA）的挑战性环境。域和语义偏移的耦合常导致特征空间崩溃，严重降低分类和异常分布检测性能。为此，我们提出了一种轻量且有效的框架——DOmain COmpensation（DOCO），其以闭环方式实现域适应与异常分布检测的协同。DOCO首先进行动态的、适应性的样本分割，以分离可能属于同分布（ID）与异常分布（OOD）的样本。随后，仅使用ID样本，通过对齐特征统计并借助结构保持正则化器防止语义失真，学习域补偿提示符。该学习到的提示符随后在同一批次中的OOD样本中传递，有效隔离其语义新颖性，以实现更可靠的检测。大量实验表明，DOCO在多个具有挑战性的基准数据集上超越了现有的持续测试时适应（CTTA）和开集测试时适应（OSTTA）方法，为严苛的OCTTA环境树立了新的状态-of-the-art。
引用
@article{arxiv.2604.21772,
title = {Back to Source: Open-Set Continual Test-Time Adaptation via Domain Compensation},
author = {Yingkai Yang and Chaoqi Chen and Hui Huang},
journal= {arXiv preprint arXiv:2604.21772},
year = {2026}
}
备注
Accepted to CVPR 2026