SloMo-Fast：慢动量和快速自适应教师用于源自由持续测试时适应
机器学习
2025-11-25 v1 计算机视觉与模式识别
摘要
持续测试时适应(CTTTA)对于部署在不可见、动态目标域的模型至关重要。然而，现有CTTTA方法往往依赖源数据或原型，限制了其在隐私敏感和资源受限环境中的适用性。此外，这些方法 suffer 于长期遗忘，随着目标域的变化会导致对先前 encountered 域的性能下降。为解决这些挑战，我们提出SloMo-Fast，一个源自由、双教师CTTTA框架，旨在实现更好的适应性和泛化。它包括两个互补的教师：Slow-Teacher 具有慢速遗忘，保留先前 encountered 域的长期知识以确保稳健的泛化；Fast-Teacher 快速适应新域，同时积累和整合跨域的知识。该框架保留过去域的知识，同时高效适应新域。我们还引入循环测试时适应(Cyclic-TTA)，一个模拟循环域迁移的新型CTTTA基准。我们的大量实验表明，SloMo-Fast 在 Cyclic-TTA 以及十个其他CTTTA设置下一致优于最先进的方法，凸显其在演化和重访域上进行的适应与泛化能力。
引用
@article{arxiv.2511.18468,
title = {SloMo-Fast: Slow-Momentum and Fast-Adaptive Teachers for Source-Free Continual Test-Time Adaptation},
author = {Md Akil Raihan Iftee and Mir Sazzat Hossain and Rakibul Hasan Rajib and Tariq Iqbal and Md Mofijul Islam and M Ashraful Amin and Amin Ahsan Ali and AKM Mahbubur Rahman},
journal= {arXiv preprint arXiv:2511.18468},
year = {2025}
}
备注
38 pages, 38 tables, 16 figures