蒸馏一次，终身适应：探索数据集蒸馏用于持续测试时自适应

持续测试时自适应（CTTA）旨在无标签数据下在线适应 evolving 目标域以维持性能。然而，受隐私或许可限制，实际部署常无法保留源数据，且纯无源 CTTA 方法在长期分布偏移下易不稳定，遭受自训练误差累积和灾难性遗忘。本文提出 DO-ALL 框架，通过数据集蒸馏生成紧凑合成锚点总结源分布。适应过程中，将目标样本与语义最匹配的锚点对齐，提供稳定参考。该方法可无缝集成现有算法，显著提升长期鲁棒性。