基于不确定性的测试时训练（UT$^3$）用于高效的即时域自适应稠密回归
机器人学
2025-09-04 v1 计算机视觉与模式识别
摘要
深度神经网络（DNN）正日益被用于自主系统。然而，DNN 在面对 domain shift 时难以良好泛化。针对持续演变的环境进行适应，是所有部署于现实世界的自主系统不可避免要面对的安全关键挑战。最近的测试时训练工作提出了一些方法，通过自监督方式对每个测试输入进行优化，以适应新的测试分布。然而，这些技术会导致推理时间显著增加，因为需要对单个测试样本进行多个前向和反向传播（进行测试时训练），最终才基于微调后的特征做出预测。这对资源受限的机器人应用而言是不可取的，其中这些模型可能部署在具有强烈延迟要求的硬件上。本文提出一种新框架（称为 UT），该框架在持续 domain shift 下实现了 improved performance 的同时降低了推理时间，适用于实际应用。我们的方法提出一种基于不确定性的自监督任务，用于高效的测试时训练，该任务利用量化的不确定性有选择地应用训练，从而在推理时间上实现显著改进，同时在标准测试时训练协议下性能相当。我们提出的协议提供了连续设置以识别所选关键帧，允许最终用户控制如何频繁地应用测试时训练。我们在稠密回归任务——单目深度估计上展示了该方法的有效性。
引用
@article{arxiv.2509.03012,
title = {Uncertainty-aware Test-Time Training (UT$^3$) for Efficient On-the-fly Domain Adaptive Dense Regression},
author = {Uddeshya Upadhyay},
journal= {arXiv preprint arXiv:2509.03012},
year = {2025}
}