访问官网
Github
Huggingface
文档
论文优秀的无源测试时适应 
这是一个精心策划的测试时适应（TTA）研究论文列表，该领域也被称为测试时训练（TTT）、无源域适应（SFDA）和无监督模型适应（UMA）。
该仓库正在积极维护。欢迎提交拉取请求或直接发送消息。
目录
方法
自监督
- 使用自监督的测试时训练以应对分布偏移下的泛化 ICML'20 [项目]
- TTT++：自监督测试时训练何时失败或成功？ NeurIPS'21 [代码]
- 模型适应：无需源数据的无监督域适应的历史对比学习 NeurIPS'21
- 对比测试时适应 CVPR'22 [代码]
- 分而对比：通过自适应对比学习实现无源域适应 NeurIPS'22
- 使用掩码自编码器进行测试时训练 NeurIPS'22 [项目]
- 改进的测试时适应用于域泛化 CVPR'23 [代码]
- PromptStyler：用于无源域泛化的提示驱动风格生成 ICCV'23
- MATE：掩码自编码器是在线3D测试时学习器 ICCV'23
- 开放世界测试时训练的鲁棒性：使用动态原型扩展的自训练 ICCV'23 [代码]
信息熵
- 我们真的需要访问源数据吗？无监督域适应的源假设迁移 ICML'20 [代码]
- Tent：通过熵最小化实现完全测试时适应 ICLR'21 [代码]
- 语义分割中模型适应的不确定性降低 CVPR'21 [代码]
- 协变量偏移的贝叶斯适应 NeurIPS'21
- 高效的测试时模型适应而不遗忘 ICML'22 [代码]
- 无源无监督域适应的置信度分数 ICML'22 [代码]
- 在动态野外世界中实现稳定的测试时适应 ICLR'23 [代码]
批量归一化
- 通过协变量偏移适应提高对常见腐蚀的鲁棒性 NeurIPS'20 [代码]
- Tent: 通过熵最小化实现完全测试时适应 ICLR'21 [代码]
- 事后特征对齐对鲁棒性的局限性 CVPR'21 [代码]
- TTN: 测试时适应中的域偏移感知批量归一化 ICLR'23
- Delta: 无退化的完全测试时适应 ICLR'23
- 面向动态野外世界的稳定测试时适应 ICLR'23 [代码]
- 利用复合域知识管理在动态世界中进行测试时适应 RA-L'23
伪标签
- 我们真的需要访问源数据吗？无监督域适应的源假设转移 ICML'20 [代码]
- 无监督域适应的生成式伪标签细化 WACV'20
- 无源数据的无监督域自适应目标检测的免费午餐 AAAI'21
- 语义分割模型适应中的不确定性降低 CVPR'21 [代码]
- 利用自学习将ImageNet规模的模型适应复杂的分布偏移 TMLR'22 [代码]
- 持续测试时域适应 CVPR'22 [代码]
- 对比测试时适应 CVPR'22 [代码]
- 通过共轭伪标签进行测试时适应 NeurIPS'22 [代码]
- 理解使用硬伪标签和共轭伪标签进行测试时适应的梯度下降 ICLR'23
- TeSLA: 具有自动对抗性增强的测试时自学习 CVPR'23 [代码]
类原型
- 模型适应：无源数据的无监督域适应 CVPR'20
- 测试时分类器调整模块用于模型无关的域泛化 NeurIPS'21 [代码]
- 重新审视现实测试时训练：通过锚定聚类进行顺序推理和适应 NeurIPS'22 [代码]
- 吸引与分散：无源域适应的简单方法 NeurIPS'22 [代码]
- 开放世界测试时训练的鲁棒性：基于动态原型扩展的自训练 ICCV'23 [代码]
特征对齐
- SoFA: 无源数据特征对齐的无监督域适应 WACV'21
- 用于无源域适应的自适应对抗网络 ICCV'21
- TTT++: 自监督测试时训练何时失败或成功？ NeurIPS'21 [代码]
- 通过自下而上的特征恢复实现无源适应测量偏移 ICLR'22 [代码]
- 通过潜在对齐实现不变性 RSS'22 [项目]
- 通过分布估计实现无源域适应 CVPR'22
- ActMAD: 用于测试时训练的激活匹配分布对齐 CVPR'23 [代码]
- 测试时适应的特征对齐和均匀性 CVPR'23 [代码]
- 预训练贝叶斯神经网络对损坏的鲁棒性 ICLR'23
生成建模
- 模型适应：无需源数据的无监督域适应 CVPR'20
- 域印象：一种无源数据的域适应方法 WACV'21
- 回到源头：扩散驱动的测试时适应 CVPR'23 [代码]
最近邻
- 广义无源域适应 ICCV'21 [代码]
- 利用内在邻域结构进行无源域适应 NeurIPS'21 [代码]
- 通过最近邻信息自训练的测试时适应 ICLR'23 [代码]
数据增强不变性
- MEMO: 通过适应和增强实现测试时鲁棒性 NeurIPS'22 [代码]
- 通过扰动鲁棒性实现测试时适应 NeurIPS-WS'21
- 平衡无源域适应的可分辨性和可迁移性 ICML'22 [项目]
元学习
- 通过元辅助学习实现动态场景去模糊的测试时快速适应 CVPR'21
- 自适应风险最小化：学习适应域偏移 NeurIPS'21 [代码]
- 学习在单个测试样本上跨域泛化 ICLR'22 [代码]
- Meta-DMoE: 通过混合专家元蒸馏适应域偏移 NeurIPS'22 [代码]
时变
- 连续测试时域适应 CVPR'22 [代码]
- NOTE：针对时间相关性的鲁棒连续测试时适应 NeurIPS'22 [代码]
- 用于快速无训练测试时适应的外推连续时间贝叶斯神经网络 NeurIPS'22 [代码]
- 装饰新来者：用于持续测试时适应的视觉域提示 AAAI'23
- 动态场景中的鲁棒测试时适应 CVPR'23 [代码]
- 终身测试时适应的概率框架 CVPR'23 [代码]
- 用于连续和渐进测试时适应的鲁棒平均教师 CVPR'23 [代码]
- EcoTTA：通过自蒸馏正则化实现内存高效的连续测试时适应 CVPR'23 [项目]
其他
- 在源域数据缺失情况下的域适应 KDD'16
- 使用生成图像先验的语义图像编辑 SIGGRAPH'19
- 生成对抗网络中的协作采样 AAAI'20 [代码]
- 通用无源域适应 CVPR'20 [项目]
- 现实世界域泛化的自适应方法 CVPR'21 [代码]
- 无参数在线测试时适应 CVPR'22 [代码]
- 评估自适应测试时防御的对抗鲁棒性 ICML'22
- MECTA：内存经济的连续测试时模型适应 ICLR'23
- 用于全测试时适应的神经调制赫布学习 CVPR'23
基准测试
应用
- 一致性视频深度估计 SIGGRAPH'2020 [项目]
- 部署期间的自监督策略适应 ICLR'21 [项目]
- 图像分割的无源域适应 MICCAI'20 [代码]
- 图像分割的完全测试时适应 MICCAI'21
- 为目标医学图像分割适应现成的源分割器 MICCAI'21
- 语义分割的无源域适应 CVPR'21
- 先泛化后适应：语义分割的无源域适应 ICCV'21 [项目]
- SS-SFDA：危险环境下道路分割的自监督无源域适应 ICCV'21 [项目]
- 人体姿势估计的测试时个性化变换器 NeurIPS'21 [代码]
- 面向稳健和自适应运动预测：因果表示视角 CVPR'22 [代码]
- Ev-TTA：基于事件的物体识别测试时适应 CVPR'22 [代码]
- MM-TTA：3D语义分割的多模态测试时适应 CVPR'22 [项目]
- 通过学习忽视域风格实现无源物体检测 CVPR'22 [代码]
- 语义图像分割的在线适应之路 CVPR'22
- 测试时训练可以缩小深度学习压缩感知中的自然分布偏移性能差距 ICML'22 [代码]
- 神经网络对偶形式再探：通过注意力聚光灯连接测试时预测与训练模式 ICML'22 [代码]
- 通过学习时间一致性实现无源视频域适应的动作识别 ECCV'22 [代码]
- AuxAdapt：视频语义分割的稳定高效测试时适应 WACV'22
- 视觉语言模型零样本泛化的测试时提示调优 NeurIPS'22 [项目]
- TTA-COPE：类别级物体姿态估计的测试时适应 CVPR'23 [项目]
- SfM-TTR：利用运动结构进行单视图深度网络的测试时优化 CVPR'23 [代码]
- 动作识别的视频测试时适应 CVPR'23 [项目]
