论文导读
巴基斯坦国立科技大学、FAST-NUCES大学联合提出FORGE，让已经量化并部署到微控制器的视觉模型只靠前向计算适应模糊、噪声和光照变化。适配21层中的3层即可恢复93%的收益，在ESP32-S3上额外耗能8.3毫焦、耗时21.9毫秒；数字来自指定int8模型和测试设置。
量化部署会把常用适应接口折叠掉
视觉模型在干净训练图像上表现正常，到了现场可能遇到传感器噪声、运动模糊和光照变化。服务器模型可以反向传播更新参数，微控制器常用纯整数推理运行时，既没有梯度计算，也会把批归一化层融合进前面的卷积。
很多仅前向适应方法依赖批归一化统计。层被融合后，这些统计不再作为独立模块存在，方法即使不做反向传播，也没有可直接更新的位置。FORGE针对的是已经完成BN融合和int8量化的卷积网络。
图：论文主图展示BN融合导致适应失效、逐通道重校准和ESP32-S3实测三步。
每个通道重新对齐干净训练统计
方法保存训练阶段每个通道的干净目标统计。测试图像到来后，FORGE只用前向输出估计当前分布，再把融合卷积的各通道输出重新归一化到训练目标附近，不修改原始卷积权重，也不需要恢复完整批归一化层。
激活分布图显示，受污染输入会让通道响应相对干净数据发生偏移；重新校准后，分布向训练状态靠拢。该图解释机制，不代表所有通道都要处理，论文随后专门测试了选择少数层的效果。
图：论文激活图比较干净输入、受污染输入与FORGE重校准后的单通道分布。
只适配3层，恢复93%的收益
完整FORGE恢复20.9个百分点准确率，梯度式TENT在对应比较中恢复24.9点。团队还发现，只处理21层中的3层就能保留完整方法93%的收益；层的选择不使用测试污染数据，避免针对评测条件临时挑选。
图：论文曲线展示适配层数增加时的恢复收益，3层位置标出约93%收益。
实验覆盖3个数据集、最多200个类别和2种网络架构，并验证了比特精确的int8卷积执行。单样本连续输入时，方法按批大小调整更新动量，不要求把多张现场图像先攒成一个批次。
在ESP32-S3上，前向适应围绕int8卷积做轻量fp32重校准，额外耗能8.3毫焦，占一次推理能耗6.8%；额外耗时21.9毫秒。这个成本不包含其他传感器、通信和应用逻辑，也会随模型结构和芯片实现变化。
向长期设备部署扩展
下一步需要测试连续环境变化下的稳定性。设备从白天进入夜间时应快速适应，回到正常光照后又不能遗忘干净分布；若输入连续包含异常画面，统计更新还可能把错误状态当成新常态。
产品部署应记录适应前后置信度、能耗和错误率，并设置可回退的干净统计。对电池设备，还要把每秒图像数量乘进能耗预算：单次8.3毫焦很小，高帧率持续运行时仍可能成为可观负担。
参考资料
https://arxiv.org/abs/2609.01683
