本研究提出了去耦原型学习（DPL）和鲁棒熵自适应损失最小化（REALM）等方法，以提高测试时间自适应（TTA）的性能。通过主动样本选择和一致性正则化，显著改善了图像分类和语义分割的适应性。实验结果表明，这些方法在领域泛化和图像破坏基准上表现优异，有效解决了标签噪声和模型稳定性问题。