CVPR 2026 | 只改少量关键方向，模型就能连续适应？南大GOLD来了¶

Ch01.870 CVPR 2026 | 只改少量关键方向，模型就能连续适应？南大GOLD来了¶

📊 Level ⭐⭐ | 7.4KB | entities/cvpr-2026-只改少量关键方向模型就能连续适应南大gold来了.md

source: wechat source_url: https://mp.weixin.qq.com/s/WhrwcGyzcyh554KZAJQFKA ingested: 2026-07-05

source_published: 2026年7月2日 22:04

上线后的视觉模型，面对的从来不是一个静态测试集，而是一条持续变化的数据流。

自动驾驶摄像头会从白天驶入黑夜，从晴天进入雨雾；视频分析系统会不断遇到新的光照、视角和场景；医学影像模型也可能因为采集协议、设备型号或人群分布变化而遭遇域偏移。

对于真实部署环境中的视觉模型来说，分布变化不是例外，而是常态。

这正是 Continual Test-Time Adaptation（CTTA）试图解决的问题：模型已经在源域完成训练，部署后无法再访问源数据，只能接收无标签的目标域数据流，并且每个样本通常只会按顺序经过一次。

模型需要一边推理、一边适应新的分布，同时还不能因为适应过程中的噪声和漂移把自己“改坏”。

然而，在线适应天然存在一个矛盾：如果更新得太少，模型很难跟上持续变化的测试分布；如果更新得太多，推理成本会迅速上升，伪标签噪声会被不断放大，参数也可能在长程数据流中逐渐漂移，最终导致性能塌陷。

换言之，CTTA 的核心难点并不只是“如何适应”，而是“应该在哪里适应、适应多少、以及如何避免越改越差”。

本文从一个更直接的问题切入：如果完整特征空间既庞大又危险，那么是否存在一块更小、更关键、也更稳定的适应空间？

我们发现，连续测试时适应并不一定需要在整个高维特征空间中反复调整；真正有效的更新方向，可能集中在一块由预训练分类器决定的低秩子空间中。

我们将其称为 golden subspace，并进一步提出 Guided Online Low-rank Directional adaptation（GOLD），通过在线维护这一“黄金子空间”，让模型在部署阶段以更轻量的方式完成连续适应。

大量分类与分割实验表明，GOLD 在效率、稳定性和整体性能之间取得了更好的平衡，为真实场景中的视觉模型部署提供了一种更高效、更稳健的测试时自适应方案。

论文标题：

The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation

论文作者：

Guannan Lai, Da-Wei Zhou, Zhenguo Li, Han-Jia Ye

作者单位：

Nanjing University；Hong Kong University of Science and Technology；Frontier Robotics

录用会议：

CVPR 2026

论文地址：

https://arxiv.org/abs/2603.21928

代码地址：

https://github.com/AIGNLAI/GOLD

引言

视觉模型在实验室中通常面对的是固定测试集，但在真实部署中，它们遇到的是一条持续变化的数据流。

自动驾驶系统会经历白天、黑夜、雨雾、逆光等复杂环境变化；安防与视频分析模型会遇到新的摄像头、视角、场景和人群分布；医学影像模型也可能因为扫描设备、采集协议或患者群体变化而产生域偏移。

对于这些长期运行的视觉系统而言，模型能力不能只停留在训练完成的那一刻，而需要在部署过程中持续适应环境变化。

这类问题与持续学习密切相关：模型需要在不断变化的数据分布中保持可用性，既要吸收新环境中的信息，又不能因为更新过程破坏已有能力。

不同的是，在真实测试阶段，模型往往无法访问源域训练数据，也拿不到目标域标签，只能依赖连续到来的无标签样本进行在线调整。

测试时适应（Test-Time Adaptation, TTA）正是围绕这一问题展开：模型在测试阶段利用无标签目标数据修正自身状态，从而缓解训练分布与测试分布之间的偏移。

进一步地，Continual Test-Time Adaptation（CTTA）将 TTA 放到更加真实也更加困难的连续非平稳场景中：数据分布持续变化，样本按顺序到达，模型每一次适应都会影响后续状态。

因此，CTTA 不是一次性的微调问