Hybrid-TTA：通过动态域偏移检测进行持续测试时适应
计算机视觉与模式识别
2025-08-11 v2
摘要
持续测试时适应已成为弥合受控训练环境与真实世界场景之间域差距的关键方法，能够提升模型的适应性和鲁棒性。现有的 CTTA 方法通常分为全量微调和高效微调两类，在有效应对域偏移方面存在困难。为了克服这些挑战，我们提出了 Hybrid-TTA，这是一种通过动态选择实例级微调方法以实现最优适应的整体方法。我们的方法引入了动态域偏移检测策略，该策略利用输入序列中的时间相关性来识别域偏移，并在 FT 和 ET 之间动态切换，以有效适应不断变化的域偏移。此外，集成了基于掩码图像建模的适应框架，以确保在最小计算开销下的域无关鲁棒性。我们的 Hybrid-TTA 在 Cityscapes-to-ACDC 基准数据集上取得了 1.6%p 的显著 mIoU 提升，超越了先前最先进的方法，为真实世界的持续适应挑战提供了鲁棒的解决方案。
引用
@article{arxiv.2409.08566,
title = {Hybrid-TTA: Continual Test-time Adaptation via Dynamic Domain Shift Detection},
author = {Hyewon Park and Hyejin Park and Jueun Ko and Dongbo Min},
journal= {arXiv preprint arXiv:2409.08566},
year = {2025}
}
备注
Accepted by ICCV 2025