Controllable Continual Test-Time Adaptation

Continual Test-Time Adaptation (CTTA)是一项新兴且具有挑战性的任务，其中在源领域中训练的模型必须在测试期间适应不断变化的条件，而无需访问原始源数据。由于不可控的领域转移，CTTA容易出现误差积累，导致类别之间的决策边界变得模糊。现有的CTTA方法主要集中在抑制领域转移，这在无监督测试阶段证明是不足够的。相反，我们提出了一种新颖的方法，该方法引导而不是抑制这些转移。具体来说，我们提出了可控连续测试时间自适应（C-CoTTA），它明确防止任何单个类别侵犯其他类别，从而减轻由不可控转移引起的类别之间的相互影响。此外，我们的方法降低了模型对领域转换的敏感性，从而最小化了类别转移的幅度。广泛的定量实验证明了我们方法的有效性，而定性分析，如t-SNE图，证实了我们方法的理论有效性。

本文旨在解决Continual Test-Time Adaptation（CTTA）这个新兴且具有挑战性的任务，即在测试期间适应不断变化的条件，而没有访问原始源数据。由于无法控制的领域转移，CTTA容易出现错误累积，导致类别之间的决策边界模糊。

本文提出了一种新的方法——可控的连续测试时间自适应（C-CoTTA），它明确防止任何单个类别侵犯其他类别，从而减轻由于无法控制的转移引起的类别之间的相互影响。此外，该方法减少了模型对领域转换的敏感性，从而最小化了类别转换的幅度。

本文的实验结果表明了该方法的有效性，同时定性分析（如t-SNE图）也证实了该方法的理论有效性。本文使用了多个数据集进行实验，并提供了开源代码。

最近在这个领域中，还有一些相关的研究，如：1. Domain-Invariant Learning for Unsupervised Domain Adaptation；2. Domain Adaptation for Visual Applications: A Comprehensive Survey。