跟踪判别轴：用于协变量漂移下的测试时 OOD 检测的双原型
计算机视觉与模式识别
2026-03-18 v2
摘要
对于深度学习系统的可靠部署，异常分布 (OOD) 检测至关重要。在现实世界中，测试时的输入常以流式混合形式呈现，包含在分布 (ID) 和 OOD 样本，受到不断演变的协变量漂移的影响，OOD 样本受环境限制且受协变量因素约束，ID 和 OOD 样本同样受到相同的协变量因素的影响。现有方法通常假设 ID 分布为稳态，但这一假设在此类情境下会被打破，导致严重的性能下降。我们经验性地发现，即便在协变量漂移下，协变量漂移后的 ID (csID) 和 OOD (csOOD) 样本仍可在特征空间中沿判别轴被分离。基于此观察，我们提出 DART，一种测试时在线 OOD 检测方法，动态跟踪双原型——一个用于 ID，另一个用于 OOD——以恢复漂移的判别轴，并辅以多层融合和翻转纠正以提升鲁棒性。在广泛的具有挑战性的基准测试上进行实验，其中所有数据集均受 15 种常见损坏类型（严重程度为 5）的影响，结果显示该方法显著提升性能，在 ImageNet-C 与 Textures-C 之间分别实现 15.32 个百分点 AUROC 提升和 49.15 个百分点 FPR@95TPR 降低。这些结果凸显了测试时判别轴跟踪在动态变化环境中可靠 OOD 检测的潜力。
引用
@article{arxiv.2603.15213,
title = {Tracking the Discriminative Axis: Dual Prototypes for Test-Time OOD Detection Under Covariate Shift},
author = {Wooseok Lee and Jin Mo Yang and Saewoong Bahk and Hyung-Sin Kim},
journal= {arXiv preprint arXiv:2603.15213},
year = {2026}
}