2025_NIPS_Feature-Based Instance Neighbor Discovery: Advanced Stable Test-Time Adaptation in Dynamic

文章核心总结与翻译

一、主要内容

文章针对动态场景下测试时自适应（TTA）的性能退化问题，提出了基于特征的实例邻域发现（FIND）框架。现有TTA方法受限于批量内多分布混合的动态场景，全局归一化策略会扭曲特征分布，而测试时微调则因梯度冲突效果不佳。FIND通过分层特征解纠缠、特征感知批量归一化和选择性归一化的“分而治之”策略，在不依赖源数据和目标标签的前提下，实现动态分布下的稳定自适应，兼容卷积网络（如ResNet）和Transformer（如EfficientViT）架构，在CIFAR10-C、ImageNet-C等数据集上实现最高30%的精度提升。

二、核心创新点

1. 首个专为动态场景设计的测试时归一化框架，解决了现有“一刀切”归一化方法在多分布批量数据中的局限性。
2. 提出分层特征解纠缠（LFD），通过实例级统计相似度构建图结构，实现层自适应的特征聚类，减少跨分布干扰。
3. 设计特征感知批量归一化（FABN），融合源域通用知识与测试时分布特定知识，提升归一化稳定性。
4. 引入选择性FABN（S-FABN），通过KL散度量化层对分布偏移的敏感性，动态决定是否进行特征分区，平衡性能与效率。
5. 首次在Transformer架构（ViT）上验证BN-based TTA方法的有效性，具备跨架构通用性。

---

三、关键部分翻译（Markdown格式）

Abstract