基于源域风格信息的风格无关测试时自适应方法(SATA)提升领域泛化性能

针对测试时自适应(TTA)在领域泛化(DG)中存在的不稳定性和主导类偏差问题，研究人员提出风格无关测试时自适应方法(SATA)，通过源域风格统计量筛选可靠样本进行熵最小化，并引入多样性感知一致性损失。实验表明，SATA在VLCS等四个DG基准数据集上显著超越现有方法，最高提升4.1%准确率。

　　

在自动驾驶等现实场景中，深度神经网络常因训练与测试数据分布差异（如光照、天气变化）导致性能骤降。传统领域适应(DA)需预先获取目标域数据，而领域泛化(DG)虽仅利用多源域训练，但现有方法往往难以超越经验风险最小化(ERM)基线。更棘手的是，测试时自适应(TTA)技术虽能动态调整模型，却面临两大挑战：熵最小化过程因噪声样本而失稳，以及模型预测易偏向主导类。

为解决这些问题，Saeed Karimi和Hamdi Dibeklioglu提出SATA方法。该工作创新性地利用源域风格信息构建双重机制：一方面通过风格交换筛选伪标签一致的可靠样本用于熵最小化；另一方面对不可靠样本施加多样性感知一致性损失，迫使模型产生类间均衡的预测。实验采用ERM和CORAL两种DG方法作为基线，在VLCS、PACS等四个标准数据集验证，所有指标均显著提升。

关键技术包含：1）源域风格统计量存储与测试样本风格交换；2）基于风格鲁棒性的可靠样本筛选；3）浅层网络参数更新策略；4）多样性感知一致性损失设计。其中风格交换模块通过替换测试样本的批归一化(BatchNorm)统计量实现，而多样性损失通过最大化预测熵的类间差异来抑制主导类偏差。

可靠样本选择机制
通过将测试样本风格替换为各源域统计量，保留至少75%风格变换下伪标签不变的样本。实验显示该策略使PACS数据集噪声样本比例从38%降至11%，显著提升熵最小化稳定性。

多样性感知一致性
对不可靠样本施加双重约束：相同样本在不同风格注入下预测需一致（一致性），同时预测分布需覆盖多类别（多样性）。消融实验表明该损失使OfficeHome数据集的类平衡精度提升2.3%。

参数更新策略
不同于Tent仅更新BatchNorm参数或SHOT调整整个特征提取器，SATA重点优化浅层网络。可视化显示浅层更擅长捕捉颜色/纹理等风格特征，该策略使TerraIncognita数据集准确率提升1.8%。

基准测试结果
在四大数据集上，SATA使ERM基线平均提升2.5%，最高达4.1%（PACS）。与EATA等TTA方法相比，SATA在极端域偏移场景下优势更显著，如在Art→Photo跨域任务中准确率超出SHOT 5.7%。

该研究突破性地将源域先验信息引入测试时优化，通过风格鲁棒性样本筛选和多样性约束，同步解决了TTA的稳定性与偏差问题。方法论上，首次证明浅层网络参数在风格自适应中的关键作用；应用层面，为自动驾驶等需实时域适应的场景提供可靠解决方案。论文成果发表于《Image and Vision Computing》，为DG-TTA领域树立了新标杆。