POEM：探索未被发现的可靠样本以提升测试时适应

测试时适应（TTA）旨在以在线方式将源模型的知识迁移到带有潜在分布迁移的未知测试数据。许多现有TTA方法依赖熵作为置信度指标进行优化。然而，这些方法对预定义的熵阈值敏感，影响选择哪些样本进行模型适应。因此，潜在可靠的目标样本往往被忽略且未被充分利用。例如，某样本的熵最初可能略高于阈值，但在模型更新后会低于阈值。此类样本可提供稳定的监督信息，并为模型适应提供正常范围的梯度。在本文中，我们提出了一种通用方法\underline{POEM}，通过\underline{\textbf{p}}\underline{\textbf{e}}\underline{\textbf{x}}\underline{\textbf{p}}\underline{\textbf{l}}\underline{\textbf{o}}\underline{\textbf{r}}ing the previously unexpl\underline{\textbf{o}}\underline{\textbf{r}}ed reliabl\underline{\textbf{e}} sa\underline{\textbf{m}}ples来促进TTA。此外，我们引入额外的适应分支网络，以在提取域无关表示和在目标数据上实现高性能之间取得平衡。跨多个架构的全面实验表明，POEM在各种具挑战性的场景和真实世界域迁移中均优于现有TTA方法，同时保持计算效率。通过大量分析和详实的消融研究评估了POEM的有效性。此外，POEM的核心思想可作为增强现有TTA方法性能的增强策略。源代码已公开于\emph{https://github.com/ycarobot/POEM}。