合成へのすべて：合成ドメインアライメントによる拡散駆動型テスト時適応

テスト時適応（TTA）は、未知のシフトしたターゲットドメインでテストされたときに、ソースドメインで事前トレーニングされたモデルの性能を向上させることを目的としています。従来のTTA手法は主にターゲットデータストリームに基づいてモデルの重みを適応させるため、モデルの性能はターゲットデータの量と順序に敏感です。最近、拡散駆動型TTA手法は、ソースドメインでトレーニングされた無条件拡散モデルを使用することで強力な性能を示しています。このモデルは、ターゲットデータをソースドメインの投影として合成データに変換します。これにより、ソースモデルは重みの適応なしに予測を行うことができます。本論文では、拡散駆動型TTA手法におけるソースモデルと合成データのドメインが整合していないことを主張します。無条件拡散モデルの合成ドメインにソースモデルを適応させるために、合成データでソースモデルを微調整するための合成ドメインアライメント（SDA）フレームワークを導入します。具体的には、まず条件付き拡散モデルを利用してラベル付きサンプルを生成し、合成データセットを作成します。次に、前述の無条件拡散モデルを使用して、各サンプルにノイズを追加し、微調整の前にデノイズします。このプロセスは、条件付きモデルと無条件モデルの間の潜在的なドメインギャップを緩和します。さまざまなモデルとベンチマークにわたる広範な実験は、SDAが優れたドメインアライメントを達成し、既存の拡散駆動型TTA手法に一貫して勝ることを示しています。私たちのコードはhttps://github.com/SHI-Labs/Diffusion-Driven-Test-Time-Adaptation-via-Synthetic-Domain-Alignmentで入手できます。