针对测试时二进制分割的熵引起的崩溃的平衡提示适应

熵最小化是测试时间适应 (TTA) 的标准目标，但它可能会在不平衡的二进制分割中失败。与图像分类不同，密集分割聚合了数千个像素预测，允许较大的预测类别主导更新，将少数预测拉向自身，并在预测饱和且熵梯度消失时产生退化掩模。理论上，我们在共享班次模型中建立了这种崩溃。该分析激发了平衡锚点提示适应（BAPA），它结合了两个互补模块。类平衡锚点（CBA）模块从每个预测类别中分别选择高置信度锚点，并给予前景和背景相等的总损失权重，防止较大区域主导更新。动态提示适应（DPA）会在每次预测更新后刷新这些锚点，并仅优化文本侧提示残差，同时保持视觉语言编码器冻结。这种仅提示的更新细化了前景-背景决策边界，而不改变预先训练的密集视觉表示。在四个领域的实验中，BAPA 在评估的方法中实现了最高的平均 Dice。分解消融进一步验证了 CBA 和 DPA 的互补作用，支持平衡的即时适应，作为测试时二元分割的熵最小化的有效替代方案。