DCFS：基于特征与样本双重一致性的持续测试时适应
计算机视觉与模式识别
2025-08-29 v1
摘要
持续测试时适应旨在在不访问源域数据的情况下，持续适应预训练模型以适应目标域数据流。由于无法获取源域数据，模型仅关注目标数据特征特征的特征特征。完全依赖这些特征可能导致混淆并引入学习偏差。当前许多现有方法通过模型预测生成伪标签，但伪标签质量无法得到保证，且存在误差累积问题。为解决这些挑战，我们提出了DCFS（Dual Consistency of Feature and Sample），一种新的持续测试时适应框架，引入了特征与样本的双重一致性。该框架通过双分类器将目标数据的整体特征表示解耦为语义相关特征和领域相关特征，以学习不同的特征表示。通过保持子特征与整体特征之间的一致性，模型可以从多个角度全面捕获数据特征。此外，为确保未忽略目标域样本的整体特征信息，我们设置自适应阈值并计算每个样本的置信度得分，以进行加权自监督学习，有效减少伪标签噪声，缓解误差累积问题。我们通过在包括CIFAR10-C、CIFAR100-C和ImageNet-C在内的多个数据集上的大规模实验验证了所提出方法在持续测试时适应场景中的一致性能力。
引用
@article{arxiv.2508.20516,
title = {DCFS: Continual Test-Time Adaptation via Dual Consistency of Feature and Sample},
author = {Wenting Yin and Han Sun and Xinru Meng and Ningzhong Liu and Huiyu Zhou},
journal= {arXiv preprint arXiv:2508.20516},
year = {2025}
}
备注
13 pages, accepted by PRCV2025