망막 이미지는 안과 질환의 조기 선별 및 발견에 필수적입니다. 망막 이미지를 사용하는 딥러닝 모델이 여러 안과 질환의 진단을 크게 발전시켰지만, 서로 다른 이미징 장치 및 위치에서 얻은 이미지의 변동(도메인 시프트)은 사전 훈련된 모델을 실제 응용 프로그램에 배포하는 데 어려움을 초래합니다. 이러한 문제를 해결하기 위해, 우리는 강한 도메인 시프트 하에서도 망막 이미지 진단 모델을 보이지 않는 환경에 효과적으로 일반화하는 새로운 Fundus On-the-fly Test-Time Adaptation (FunOTTA) 프레임워크를 제안합니다. FunOTTA는 유해한 사전 지식 편향을 최소화하면서 메모리 뱅크에서 동적 구분을 수행하여 안정적인 적응 프로세스를 수행한다는 점에서 두각을 나타냅니다. 또한, 우리는 분류기가 신뢰할 수 있는 클래스 조건 추정 및 일관성 정규화를 통해 대상 패턴에 점진적으로 적응할 수 있도록 하는 적응 중 새로운 훈련 목표를 도입했습니다. 우리는 우리의 방법을 여러 최첨단 테스트 시간 적응 (TTA) 파이프라인과 비교합니다. 두 가지 질병에 대한 교차 도메인 망막 이미지 벤치마크에 대한 실험은 서로 다른 백본 네트워크에서 전체 프레임워크와 개별 구성 요소의 우수성을 보여줍니다.
