TINS：面向 OOD 检测的测试时 ID-原型分离负面语义学习
计算机视觉与模式识别
2026-05-12 v1
摘要
视觉语言模型通过比较图像与 ID 标签以及负面语义来实现 OOD 检测。现有基于负面标签的方法主要依赖推理前构建的静态负面标签，这限制了其覆盖多样化和演化 OOD 概念的能力。尽管测试时扩写提供了自然解决方案，但 naively 从潜在 OOD 样本中学习负面语义可能引入硬 ID 污染。为此，我们提出一种称为 TINS (Test-time ID-prototype-separated Negative Semantics) 的方法。TINS 通过图像到文本模式反转学习样本特定的负面文本嵌入，并引入 ID-原型分离正则化以保持其与 ID 语义分离。为进一步稳定负面语义扩写，TINS 采用分组聚合评分和缓冲区更新策略。在四个 OOD 基准、OpenOOD、时间偏移以及各种 ID 设置上进行大量实验，均显示出对强基线的一致性改进。值得注意的是，在以 ImageNet-1K 为 ID 的 Four-OOD 基准上，TINS 将平均 FPR95 从 14.04% 降至 6.72%。我们的代码已公开于 https://github.com/zxk1212/tins。
引用
@article{arxiv.2605.10756,
title = {TINS: Test-time ID-prototype-separated Negative Semantics Learning for OOD Detection},
author = {Yifeng Yang and Jubo Feng and Jing Xu and Xinbing Wang and Qinying Gu and Nanyang Ye},
journal= {arXiv preprint arXiv:2605.10756},
year = {2026}
}