面向持续测试时适应的类感知领域知识融合与裂变
计算机视觉与模式识别
2025-10-15 v1
摘要
持续测试时适应(CTTA)旨在测试阶段快速微调模型,使其能够在不预先获取下游领域数据的情况下适应多个未知的下游领域分布。为此,现有的先进 CTTA 方法主要通过恢复初始模型或重用历史模型来缓解由下游领域数据不规则切换所导致的历史知识灾难性遗忘。然而,这些方法通常伴随着对新知识学习不足以及潜在有害历史知识的干扰,从而导致严重的性能下降。为此,我们提出一种面向持续测试时适应的类感知领域知识融合与裂变方法,称为 KFF,它根据来自不同领域的测试时数据,自适应地扩展与合并旧领域和新领域中的类感知领域知识,从而能够动态积累具有判别力的历史知识。具体而言,考虑到流式数据中存在巨大的领域差异,我们设计了领域知识裂变(KFI)模块,以从配对的类感知领域提示池中自适应地分离新领域知识,缓解与当前领域差异显著的旧领域所带来的负面知识的影响。此外,为避免持续裂变新知识所带来的累积计算与存储开销,我们进一步设计了领域知识融合(KFU)模块,以最小代价将裂变得到的新知识合并到既有知识池中,其中设计了一种贪心式知识动态合并策略,在保持计算效率的同时提升新旧知识的兼容性。在 ImageNet-C 数据集上的大量实验验证了所提方法相对于其他方法的有效性。
引用
@article{arxiv.2510.12150,
title = {Class-aware Domain Knowledge Fusion and Fission for Continual Test-Time Adaptation},
author = {Jiahuan Zhou and Chao Zhu and Zhenyu Cui and Zichen Liu and Xu Zou and Gang Hua},
journal= {arXiv preprint arXiv:2510.12150},
year = {2025}
}