ReservoirTTA：面向演化与循环域的持续测试时自适应
计算机视觉与模式识别
2025-09-19 v3
摘要
本文介绍了 ReservoirTTA，这是一种新颖的插件式框架，专为测试域随时间持续变化的场景设计，包括域循环出现或逐渐演化的情况。其核心在于，ReservoirTTA 维护了一个由域专用模型组成的蓄水池——一个自适应的测试时模型集成——它通过对输入样本的风格特征进行在线聚类来检测新域，并将每个样本路由至合适的专用模型，从而实现域特定的自适应。这种多模型策略克服了单模型自适应的关键局限性，如灾难性遗忘、域间干扰和误差累积，确保在持续非平稳测试分布上具有稳健且稳定的性能。我们的理论分析揭示了限制参数方差并防止模型崩溃的关键组件，同时我们的插件式 TTA 模块减轻了对先前遇到域的灾难性遗忘。在涵盖循环和持续演化域偏移的场景级损坏基准（ImageNet-C、CIFAR-10/100-C）、对象级风格偏移（DomainNet-126、PACS）以及语义分割（Cityscapes->ACDC）上的大量实验表明，ReservoirTTA 显著提高了自适应精度，并在持续的、循环的偏移中保持稳定的性能，优于 state-of-the-art 方法。我们的代码已在 https://github.com/LTS5/ReservoirTTA 公开。
引用
@article{arxiv.2505.14511,
title = {ReservoirTTA: Prolonged Test-time Adaptation for Evolving and Recurring Domains},
author = {Guillaume Vray and Devavrat Tomar and Xufeng Gao and Jean-Philippe Thiran and Evan Shelhamer and Behzad Bozorgtabar},
journal= {arXiv preprint arXiv:2505.14511},
year = {2025}
}