SCAP：基于支持性 clique 的属性提示的转导测试时适应

视觉语言模型（VLM）在数据分布变化导致的域迁移情境下面临适应性挑战。测试时适应（TTA）已成为增强VLM在此类条件下性能的有前景方法。实际情况下，测试数据常以批处理形式到达，使转导 TTA 设定受到广泛关注。然而，现有 TTA 方法主要聚焦于单个测试样本，忽略了批次内部关键的跨样本关联。虽然近期基于 ViT 的 TTA 方法引入了批级适应，但由于未充分融合文本模态，对 VLM 仍不够理想。为此，我们提出一种新型转导 TTA 框架——支持性 clique 基于属性提示（SCAP），通过在测试批次中生成细粒度属性提示，有效整合视觉与文本信息以提升适应性。SCAP 首先基于视觉相似性以无监督方式形成支持性 clique，并为每个 clique 学习属性提示，捕获关键共享属性以实现适应。对于每个测试样本，SCAP 汇聚其关联 clique 的属性提示，提供更丰富的上下文信息。为保证适应性随时间演化，我们引入保留模块，动态更新属性提示及其关联属性。多项基准实验表明，SCAP 超越当前最先进方法，显著提升了 VLM 在域迁移下的泛化能力。我们的代码已公开于 https://github.com/zhoujiahuan1991/CVPR2025-SCAP。