本文提出了一种因果推断框架，结合结构因果模型和上下文调整方法以纠正语义分割中的误导性上下文因素，使用图像级标签生成更好的像素级伪掩模，并将其用作后续分割模型的更好伪造地面实况。

Sep, 2020

我们提出了一种单级 WSSS 模型（WS-FCN），它可以捕获由相邻特征网格形成的多尺度上下文，并将低级特征中的细粒度空间信息编码到高级特征中，通过全局物体上下文和本地区域内容消除二者的限制。该模型可以有效地进行自我监督，并在 PASCAL VOC 2012 和 MS COCO 2014 数据集上实现了最先进的结果。

Apr, 2023

对比传统的像素级监督语义分割，使用图像级标签的弱监督语义分割（WSSS）面临的挑战是始终专注于最具差异性的区域，导致完全监督条件下的不一致。典型的表现是在目标边界上减少了精度，从而导致 WSSS 的准确性下降。为了缓解这个问题，我们提出了一种自适应将图像内容划分为确定性区域（如自信的前景和背景）和不确定性区域（如目标边界和错误分类类别）进行分别处理的方法。对于不确定性提示，我们采用基于激活的掩膜策略，并试图通过自身提炼的知识来恢复局部信息。我们进一步假设未掩膜的自信区域应具有足够的鲁棒性以保持全局语义。基于此，我们引入了一种互补的自我增强方法，它限制了这些自信区域与具有相同类别标签的增强图片之间的语义一致性。通过在 PASCAL VOC 2012 和 MS COCO 2014 上进行的大量实验证明，我们提出的 WSSS 的单阶段方法不仅明显优于最先进的基准方法，而且在复杂性换精度的多阶段方法之上。可以在此 https URL 找到代码。

Dec, 2023

研究提出了 UniA，一种基于不确定性推理和亲和力多样化的统一单阶段弱监督语义分割框架，用于解决弱监督语义分割中的歧义问题，并在 PASCAL VOC、MS COCO 和医学 ACDC 数据集上验证了其有效性和优越性。

Apr, 2024

本研究提出了一种半监督语义分割方法，通过维护不同场景下相同特征的一致性，设计了方向反转损失函数并使用了两种样本筛选策略，该方法在图像级注释下有效地提高了半监督语义分割的性能。

Jun, 2021

提出了一种新颖的端到端的弱监督语义分割框架 DSCNet，通过引入像素级组对比和语义级图对比以及设计一种新的双流对比学习机制，综合处理像素级和语义级上下文信息，从而在弱监督语义分割任务中取得了优于现有方法和基准模型的结果。

May, 2024

在弱监督学习领域的研究中，我们发现缺乏一个统一解释弱监督场景背后机制的方法，更不用说系统地处理风险重写问题，这是经验风险最小化方法中的一个关键步骤。本文介绍了一个框架，提供了对弱监督学习的全面理解和统一的方法论。框架的构成部分利用了污染视角，提供了弱监督是如何形成并包含了现有的 15 种弱监督学习设置的统一解释。引入的减少图提供了弱监督学习之间的全面连接。该框架的分析部分作为一种去污染过程，提供了进行风险重写的系统方法。除了传统的逆矩阵方法外，我们设计了一种称为边际链的新策略，旨在去污染分布。通过恢复文献中报道的现有重写，我们证明了所提框架的可行性。

Sep, 2023

本篇论文提出了一种名为 Context Decoupling Augmentation 的方法，通过改变物体出现的内在背景来驱动模型消除物体实例与背景之间的关联，从而提高珂以提高弱监督语义分割方法的性能。在 PASCAL VOC 2012 数据集上进行的实验表明，本方法显著提高了几种流行的弱监督语义分割方法的性能。

Mar, 2021

该研究提出了一种通用的技术，以实现对任何标签类型的弱监督，同时仍提供实用灵活性、计算效率和理论保证，并应用于以往没有使用弱监督框架解决的重要问题，包括排序学习、回归和超似曲空间中的学习。

Dec, 2021

提出了一种新的 Context-aware Conditional Cross Pseudo Supervision，可用于半监督医学图像分割，具有条件的跨伪监督机制和上下文感知，能够在后期训练阶段集中学习难分割的器官，并在挑战性的医学图像分割任务中超过现有的方法。

Jun, 2023