不仅是一致性：利用时空不一致性增强远程生理测量的测试时自适应

远程生理测量（RPM）已成为一种有前景的非侵入性方法，利用非接触式设备监测生理信号。尽管提出了各种领域自适应和泛化方法以提升基于深度学习的RPM模型在未见部署环境中的适应性，但隐私问题和实时自适应等方面的考虑限制了它们在真实世界部署中的应用。因此，在本工作中，我们旨在提出一种专为RPM任务量身定制的新型完全测试时自适应（TTA）策略。具体而言，基于生理学先验知识和我们的观察，我们注意到BVP信号的频域不仅存在时空一致性，而且时域中的不一致性也很显著。鉴于此，通过利用一致性和不一致性先验，我们引入了一种创新的基于专家知识的自监督一致性-不一致性-整合（CiCi）框架，以增强模型在推理过程中的自适应能力。此外，我们的方法进一步引入了梯度动态控制机制，以缓解先验之间潜在的冲突，确保在不同实例间实现稳定的自适应。通过在TTA协议下五个不同数据集上的广泛实验，我们的方法始终优于现有技术，在不访问源数据的情况下，在实时自监督自适应方面展现了最先进的性能。代码将在稍后发布。