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。

本研究使用扩散模型进行半监督图像分割，发现较小的扩散步骤生成的表示更鲁棒，通过结合小步骤和大步骤的正则化效果生成预测，该模型在领域变化设置中表现较好。突显了DDPM在半监督医学图像分割中的潜力，并提供了优化其在领域变化下性能的见解。

该文介绍了一种处理自动驾驶中神经网络面临的未察觉的灾难性部署和领域变化问题的方法。该方法基于深度学习感知不确定性的概率分布表达，将神经网络封装在不确定性估计包络中，保证期望的模型性能，并通过新的方法扩展了包络以提高在部署环境中的应用。该方法在自动驾驶中的多个潜在部署转变中具有适用性，具有在部署环境中应用的巨大潜力，并通过不确定性实现了操作设计领域的识别。