释放所有测试样本的潜能：基于均值漂移引导的测试时适应
计算机视觉与模式识别
2026-03-24 v2
摘要
视觉语言模型（VLM）如 CLIP 具备强大的泛化能力，但在测试时面临分布迁移的挑战。现有训练-free 测试时适应（TTA）方法严格限于 CLIP 原始特征空间，依赖高置信度样本，忽略了低置信度样本的潜力。我们提出了 MS-TTA（Mean-Shift Guided Test-Time Adaptation），一种通过单步 k-最近邻（kNN）均值漂移（Mean-Shift）超越 CLIP 特征空间以增强特征表示的训练-free 方法。通过细化所有测试样本，MS-TTA 提升特征紧凑性和类别可分性，从而实现更稳定的适应。此外，细化嵌入的缓存进一步通过提供均值漂移增强的逻辑 logits 提升推理效果。大规模评估在 OOD 和跨数据集基准测试中表明，MS-TTA 在不要求额外训练的情况下， consistently 超过当前领域的训练-free TTA 方法，实现了稳健适应。
引用
@article{arxiv.2507.00462,
title = {Unleashing the Potential of All Test Samples: Mean-Shift Guided Test-Time Adaptation},
author = {Jizhou Han and Chenhao Ding and SongLin Dong and Yuhang He and Xinyuan Gao and Yihong Gong},
journal= {arXiv preprint arXiv:2507.00462},
year = {2026}
}
备注
Accepted by IEEE TCSVT. This is the author's version which has not been fully edited and content may change prior to final publication