本研究提出了Decoupled Prototype Learning (DPL)方法，解决了使用伪标签进行交叉熵损失微调时受标签噪声影响的问题。通过基于内存的策略增强小批量处理的鲁棒性，并使用一致性正则化方法转移特征风格，提高测试时自适应的可靠性。实验证明该方法在领域泛化和图像破坏基准上取得了最先进的性能。

本研究提出了Decoupled Prototype Learning (DPL)方法，解决了使用伪标签进行交叉熵损失微调时受标签噪声影响的问题。通过基于内存的策略增强小批量处理的鲁棒性，并使用一致性正则化方法转移特征风格，提高测试时自适应的可靠性。实验结果表明，该方法在领域泛化和图像破坏基准上取得了最先进的性能。