面向可靠的测试时适应：风格不变性作为正确性似然
计算机视觉与模式识别
2025-12-09 v1
摘要
测试时适应（TTA）使部署模型的快速适应成为可能，但往往导致预测不确定性校准不良——这在自动驾驶、金融和医疗等高风险领域是一个关键问题。现有的校准方法通常假设模型固定或分布静态，导致在真实世界动态测试条件下的性能下降。为应对这些挑战，我们提出了风格不变性作为正确性似然（SICL）框架，该框架利用风格不变性进行鲁棒的不确定性估计。SICL 通过测量风格变换变体之间的预测一致性来估计实例级别的正确性似然，仅需要模型的前向传播。这使其成为一个即插即用、无需反向传播的校准模块，兼容任何 TTA 方法。在四个基线、五种 TTA 方法和两种真实场景（三种模型架构）上的全面评估表明，SICL 相比传统校准方法将校准误差平均降低了 13 个百分点。
引用
@article{arxiv.2512.07391,
title = {GlimmerNet: A Lightweight Grouped Dilated Depthwise Convolutions for UAV-Based Emergency Monitoring},
author = {Đorđe Nedeljković},
journal= {arXiv preprint arXiv:2512.07391},
year = {2025}
}