SteeringTTA: 引导扩散轨迹以实现鲁棒测试时适应
计算机视觉与模式识别
2025-10-17 v1
摘要
测试时适应 (TTA) 旨在通过利用无标签测试数据更新模型或输入来纠正深度模型在分布迁移下的性能下降。基于梯度引导的输入型扩散 TTA 方法虽能提高对分类噪声的鲁棒性，但受限于梯度引导，限制了其在不同扭曲类型上的探索与泛化能力。我们提出了 SteeringTTA，一种仅依赖推理的框架，通过将费米-卡 steering 机制引入扩散基输入适应，以奖励驱动的方式引导多粒子轨迹，以累计 top-K 概率和熵调度相结合来平衡探索与置信度。在 ImageNet-C 上，SteeringTTA 无需任何模型更新或源数据，便持续超越基线。
关键词
引用
@article{arxiv.2510.14634,
title = {SteeringTTA: Guiding Diffusion Trajectories for Robust Test-Time-Adaptation},
author = {Jihyun Yu and Yoojin Oh and Wonho Bae and Mingyu Kim and Junhyug Noh},
journal= {arXiv preprint arXiv:2510.14634},
year = {2025}
}