精选理由
这篇论文把拓扑数据分析用到异常分割的测试时自适应里，六个基准上F1平均涨了15%，尤其擅长处理有复杂形状的缺陷，很实用。
现有测试时自适应方法在异常分割中依赖像素级启发式，难以保持结构一致性。TopoTTA将持续同调集成到TTA流程，通过多层次立方复形滤波生成拓扑伪标签，避免原始分数阈值化。在MVTec AD、VisA、Real-IAD、MVTec 3D-AD、AnomalyShapeNet和MVTec LOCO六个基准上，TopoTTA平均F1提升15%，对复杂几何异常增益最大。该方法无需重训练骨干网络，兼容2D和3D模态。
AI 翻译 · 中文
现有测试时自适应方法在异常分割中依赖像素级启发式，难以保持结构一致性。TopoTTA将持续同调集成到TTA流程，通过多层次立方复形滤波生成拓扑伪标签，避免原始分数阈值化。在MVTec AD、VisA、Real-IAD、MVTec 3D-AD、AnomalyShapeNet和MVTec LOCO六个基准上，TopoTTA平均F1提升15%，对复杂几何异常增益最大。该方法无需重训练骨干网络，兼容2D和3D模态。
Test-time adaptation (TTA) has emerged as a promising paradigm for mitigating distribution shifts in deep models. However, existing TTA approaches for anomaly segmentation remain limited by their reliance on pixel-level …