TRUST：基于不确定性引导的SSM遍历的测试时优化
计算机视觉与模式识别
2026-05-11 v2
摘要
状态空间模型（SSMs）已成为视觉Transformer（ViTs）的高效替代方案，其中VMamba作为专为视觉任务设计的开创性架构脱颖而出。然而，它们的泛化性能在分布偏移下会显著下降。为解决这一局限，我们提出了TRUST（基于不确定性引导的SSM遍历的测试时优化），这是一种新颖的测试时自适应（TTA）方法，利用多样化的遍历排列来生成输入图像的多个因果视角。模型预测作为伪标签来指导Mamba特定参数的更新，并且自适应权重被平均以整合跨遍历扫描学习到的信息。总而言之，TRUST是首个明确利用SSM独特架构特性进行自适应的方法。在七个基准上的实验表明，TRUST持续提高了鲁棒性，并优于现有的TTA方法。
引用
@article{arxiv.2509.22813,
title = {TRUST: Test-Time Refinement using Uncertainty-Guided SSM Traverses},
author = {Sahar Dastani and Ali Bahri and Gustavo Adolfo Vargas Hakim and Moslem Yazdanpanah and Mehrdad Noori and David Osowiechi and Samuel Barbeau and Ismail Ben Ayed and Herve Lombaert and Christian Desrosiers},
journal= {arXiv preprint arXiv:2509.22813},
year = {2026}
}