测试时发现（TTD）旨在部署后从连续的未标记测试流中识别已知类别并检测新出现的类别。现有方法主要依赖视觉聚类或原型比较，只能为发现的类别分配匿名标签，难以在开放世界中解释。为此我们提出 SEGA（Semantic Grounding with Attributes），利用大语言模型为已知类别生成属性丰富的描述，并在训练阶段构建属性锚定的视觉‑语义空间。测试阶段引入关系语义锚定（RSG），先用相似和不相似的已知类锚点对未知样本进行定位，再提示 LLM 生成候选概念，并在学习到的语义空间中重新排序。选中的概念随后用于置信度引导的测试时语义稳定化。通过属性层面的语义对齐结合关系概念锚定，SEGA 将匿名的测试时簇转化为可解释的语义概念。实验表明，SEGA 在提升 TTD 基线性能的同时，为开放世界提供了语义锚定的可能性。
点评