Авторы предлагают RITA, фреймворк, который усиливает состязательную устойчивость предварительно обученных моделей «визуальный язык» за счёт перехода от оценок на уровне отдельных примеров к выравниванию на уровне распределения во время тестирования.
- RITA использует оптимальный транспорт для выравнивания аугментированных визуальных признаков с текстовыми прототипами, смягчая влияние состязательных выбросов и исправляя семантическое несовпадение между модальностями.
- Динамический кэш постепенно накапливает надёжные признаки из тестовой последовательности для онлайн-уточнения.
- Эксперименты показывают, что RITA значительно улучшает состязательную устойчивость без ущерба для точности на чистых данных.