本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

Jul, 2019

本文提出了一种新颖的方法，使用图像级别的类标签作为监督来学习实例分割。我们的方法生成训练图像的伪实例分割标签，并用于训练完全监督模型。通过 IRNet，我们首先从图像分类模型的 attention maps 中识别出与对象类别相关的种子区域，然后传播到整个实例区域，估计出准确的边界，并为种子分配实例标签，使得整个实例区域可以准确地估计。IRNet 是基于 attention maps 的像素间关系训练的，因此不需要额外的监督。在 PASCAL VOC 2012 数据集上，我们的方法与 IRNet 取得了出色的表现，不仅超过了之前使用相同级别监督训练的最先进模型，还超过了一些依赖于更强监督的先前模型。

Apr, 2019

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

Oct, 2021

本论文介绍了一种使用极值点（即每个对象的最上面、最左边、最下面和最右边的点）进行实例分割学习的新方法。通过将极值点视为真实实例掩码的一部分并将其传播以识别潜在的前景和背景点，然后将其用于训练伪标签生成器，再利用生成器提供的伪标签进行最终模型的监督学习，我们的方法在三个公共基准上明显优于现有的基于边界框监督方法，进一步缩小与完全监督对照组之间的差距。特别是在目标对象分隔成多个部分的情况下，我们的模型生成高质量的掩码，而之前的基于边界框监督方法经常失败。

May, 2024

提出了一种基于 BoxCaseg 的类无关目标分割解决方案，该模型利用多任务学习的方式同时使用盒式监督图像和显著图像进行训练，从而为弱监督的实例分割提供类无关和精确的物体定位指导。结果表明，仅使用 7991 个显著图像，基于 BoxCaseg 的弱监督 Mask R-CNN 在 PASCAL VOC 上表现与全监督 Mask R-CNN 相当，在 COCO 上明显优于以前的基于盒式监督的实例分割方法。

Apr, 2021

提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

Apr, 2021

本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

Apr, 2018

该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

Jul, 2017

通过使用弱监督的三维实例分割方法，只需要分类语义标签作为监督，而无需实例级别标签，从而减少批注成本，并利用伪实例标签辅助现有方法学习三维实例分割。

Aug, 2023

通过使用预先训练的 2D 基础模型 SAM 和 3D 几何先验，本文提出了一个互补的图像提示引导的弱监督点云实例分割（CIP-WPIS）方法，用于从边界框注释中准确地获取点云实例标签。通过在 3D 候选点的全可见图像视图中选择，我们生成互补的背景和前景提示，并通过这些提示对点进行置信度分配，使用超点提供的 3D 几何均匀性来决定最终实例标签分配。通过大量实验证明，我们的方法对于嘈杂的 3D 边界框注释具有鲁棒性，并实现了最先进的性能。

Sep, 2023