近日，计算机与人工智能学院张春云教授（第一作者）、崔超然教授（通讯作者）合作撰写的论文“Collaborative Model and Data Adaptation at Test Time”在计算机视频处理与多媒体分析领域国际权威期刊IEEE Transactions on Circuits and Systems for VideoTechnology（IEEETCSVT）在线发表。该期刊为中科院SCI一区Top期刊，也是我校认定的A1类期刊。

论文围绕测试时自适应（Test-Time Adaptation）这一人工智能前沿问题展开研究，旨在解决深度模型在真实应用场景中因“分布偏移”而导致性能下降的难题。传统方法通常假设训练数据与测试数据分布一致，但在复杂开放环境中，这一假设往往难以成立。现有测试时自适应方法主要分为模型自适应与数据自适应两类：前者通过更新模型参数适应目标域数据，但对数据批次顺序与数量高度敏感；后者借助扩散模型将目标数据映射回源域分布，虽避免了模型更新，却难以实现真正有效的跨域对齐。

针对上述局限，论文首次将模型自适应与数据自适应有机融合于统一的协同优化框架之中。在该框架下，模型在合成数据上的预测结果为扩散模型的反向生成过程提供类别判别性引导；与此同时，生成的高质量合成数据又用于持续优化模型参数，实现模型与数据之间的双向迭代协同。为进一步提升预测稳定性，论文还设计了一种轻量级可学习信息聚合网络，对源模型与自适应模型在原始样本与合成样本上的多路预测结果进行动态融合，显著增强了模型在复杂环境下的鲁棒性。

撰稿：赵连幸 审核：杨春丽 终审：李清照