开放集测试时自适应的不确定性感知原型学习

开放集测试时自适应（TTA）旨在将源数据训练的模型适应到无标签测试流中，其中协变量偏移的分布内（csID）样本和协变量偏移的分布外（csOOD）样本可能共存。现有 TTA 方法通常基于闭集假设设计，因此缺乏可靠区分 csID 与 csOOD 样本的显式机制。 consequently，csOOD 样本可能被错误地纳入置信度增强适应过程，产生有害梯度，导致已知类别的性能下降。为解决这一问题，我们提出了 Uncertainty-Aware Prototype Learning for Open-Set Test-Time Adaptation（UAPA），一种用于可靠开放集适应的即插即用方法。具体而言，我们首先引入 Uncertainty-Driven ID/OOD Separation，将分类器-原型得分与经小批量归一化的证据派生不确定性得分相结合，以区分 csID 与 csOOD 样本。随后，我们提出 Dynamic Prototype Refinement 策略，利用缓冲的 csID 特征定期细化类别特定的目标原型，使其逐步跟随估计的类别方向。最后，我们引入 Contrastive Prototype Entropy Adaptation，对 csID 样本进行熵最小化、对 csOOD 样本进行熵最大化；同时，原型级对比学习使 csID 特征与其对应的目标原型对齐，并降低 csOOD 特征与已知类别原型之间的最大相似度。实验结果表明，在 CIFAR 基准和 Tiny-ImageNet-C 上，UAPA 均优于最强基线方法，使平均 OSCR 分别提升 2.08 和 1.28 个百分点。