테스트 단계 도메인 적응(Test-time adaptation)은 사전에 훈련된 모델을 배포할 때 새로운, 이전에 보지 못한 데이터에 적응시키기 위해 모델을 미세 조정하는 프로세스이다. 이러한 중요성에도 불구하고, 많은 기존 방법들은 주로 전역 도메인 분포를 조정하는 데 중점을 두며 종종 클래스 수준의 조정을 간과한다. 우리는 클래스별 정보를 무시하는 것이 성능에 부정적인 영향을 미칠 수 있는 중요한 과제임을 주장한다. 본 논문에서는 클래스별로 적응 가능한 테스트 시간 적응 네트워크를 제안한다. 소스 도메인 샘플에 직접 접근할 수 없는 것은 주요 난제 중 하나이며, 이 제한 사항은 포괄적인 클래스 정보를 추출하는 것을 복잡하게 만든다. 이 문제를 해결하기 위해 사전 훈련된 모델 가중치에 포함된 클래스 관련 지식을 활용하여 레이블이 지정된 소스 데이터의 중심점을 의사 레이블이 지정된 타겟 데이터의 중심점과 일치시킨다. 또한, 제안하는 방법은 다양한 노이즈 시나리오에서 신뢰할 수 있는 의사 레이블을 생성한다. 다양한 벤치마크 데이터셋에서의 실험 결과는 제안하는 방법의 효과를 보여주며, 특히 클래스 수가 많아지는 데이터셋일수록 기본 모델에 비해 상당한 성능 향상을 보인다.