缓解ID-OOD在开放式测试时自适应中的权衡
计算机视觉与模式识别
2026-04-03 v1
摘要
开放式测试时自适应(OSTTA)解决了在新环境中适应模型的挑战，其中与分布迁移共存的out-of-distribution(OOD)样本与受分布迁移影响的in-distribution(ID)样本。 在此类设置下，协变量迁移——例如，天气变化如降雪——会改变ID样本，降低模型可靠性。因此，模型不仅要在协变量迁移的ID(csID)样本上正确分类，还要有效地拒绝协变量迁移的OOD(csOOD)样本。Entropy最小化是测试时自适应以维持ID性能 under 分布迁移的常见策略，而entropy最大化则广泛应用于增强OOD检测。已有研究寻求将这些目标结合起来以解决OSTTA的挑战。然而，entropy最小化和maximization 之间的内在冲突不可避免地导致csID分类与csOOD检测之间的权衡。在本文中，我们首先分析entropy最大化在OSTTA中的局限性，然后引入角loss以调节特征范数大小，以及特征范数loss以抑制csOOD logits，从而提高OOD检测。这些目标形成ROSETTA，一个robust open-set test-time adaptation。我们的方法在CIFAR-10-C、CIFAR-100-C、Tiny-ImageNet-C和ImageNet-C上实现强大的OOD检测，同时保持高ID分类性能。此外，实验在Cityscapes上验证了该方法在真实世界语义分割中的有效性，而在HAC数据集上的结果表明其在不同开放式测试时自适应 setup中的适用性。
引用
@article{arxiv.2604.01589,
title = {Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation},
author = {Wenjie Zhao and Jia Li and Xin Dong and Yapeng Tian and Yu Xiang and Yunhui Guo},
journal= {arXiv preprint arXiv:2604.01589},
year = {2026}
}