本文介绍了多种测试时间自适应（TTA）模型，旨在提高深度学习在域漂移情况下的分类性能。研究提出了基于测试熵最小化、alpha-BN框架和元学习方法等技术，解决了批量归一化不平衡问题，并在多个数据集上实现了最先进的性能。

本文研究了完全测试时间自适应（TTA）在机器学习中的应用与优化，提出多种新方法以提高模型在领域变化下的鲁棒性和准确性。通过改进熵最小化、使用伪标签和自训练等技术，解决了测试时间调整的不稳定性问题，并在多个数据集上取得了显著进展。

本文介绍了一种基于Transformer的多任务学习框架Adapt-and-Adjust(A2)，旨在提升低资源语言的性能。A2利用预训练的多语种语言模型(mBERT)和最小额外参数的适应器，在CommonVoice数据集上超越了传统方法。此外，研究探讨了测试时间自适应(TTA)在语音识别中的应用，提出了应对领域转移和模型准确性降低的多种技术。

本文研究了点云语义分割中的域自适应和测试时间自适应技术，提出了多种方法以提高分类准确率。在推理阶段，方法达到了59.46%的mIoU和85.97%的OA。提出的PointDif预训练方法和Point-TTA框架显著提升了点云配准的性能，展示了在多个数据集上的有效性和鲁棒性。

本文介绍了多种测试时间自适应技术，如Test-Time Self-Training（TeST）和MEMO-CL，旨在提高模型在分布变化下的适应性。这些方法在目标检测和图像分类任务中表现优越，尤其在处理未标记数据和应对非平稳数据分布方面，通过动态网络选择和自监督学习等策略提升了模型的鲁棒性和准确性。

本文提出了一种基于权重平均和增强平均预测的持续测试时间自适应方法，旨在解决深度学习中的测试时间域适应问题。该方法有效避免了疾病遗忘和噪声伪标签带来的错误积累，并在多个基准测试中表现出显著的性能提升。此外，研究探讨了通过视觉提示实现动态适应的方法，显示出在动态环境中的优势。

本文探讨在线自适应卫星图像分割中的分布偏移问题，提出了一种通过全局统计和类别中心修正的方法，以应对图像退化引起的偏移。此外，研究分析了测试时间自适应（TTA）在不同场景中的应用，优化了模型性能，解决了动态环境中的挑战，并提供了有效的评估基准。

本文介绍了一种新的ATASeg框架，通过人机协同测试模式和少量注释，缩小了测试时间自适应（TTA）与有监督方法的性能差距。研究了TTA在医学图像分割中的应用，提出了改进的方法以应对领域变化和提高模型性能，实验结果显示其在多个数据集上表现优异。

本文介绍了一种新的测试时间自适应方法TT-DNA，利用跨模态自监督学习和伪标记提升视觉文档理解效果。研究探讨了测试时间适应的不同类型及其应用，通过建模视觉特征的高斯分布提高预测性能，并提出了在线测试时间自适应方法及其局限性解决方案，展示了在真实场景中的应用效果。

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。

该论文提出了一种名为AugBN的快速测试时间自适应方法，用于单镜头图像推理。该方法只需要一次前向传递来估计未见过的测试分布的规范化统计，无需反向传播和超参数。实验表明，该算法在各种数据集、任务和网络架构上都取得了显著的性能提升。