本文提出了 ClickSeg，一种新颖的基于点击级弱监督的 3D 实例分割方法，仅需要每个实例的一个点注释；通过提出基线弱监督训练方法和新的训练框架，使用 k-means 和固定初始种子进行聚类，实验证明 ClickSeg 在 ScanNetV2 和 S3DIS 数据集上的结果优于之前最佳的弱监督实例分割方法，并且在 0.02% 的监督信号下，准确率达到了完全监督对应方法的约 90%；同时，在相同注释设置下，也实现了弱监督方法中最先进的语义分割结果。

Jul, 2023

本论文提出了一种弱监督点云分割方法，可以在训练阶段仅标记极少量点，通过学习梯度近似和利用额外的空间和颜色平滑约束来实现，性能接近或甚至优于全监督的方法，具有很高的实用性。

Apr, 2020

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

本文提出了一种基于自我监督学习的弱监督方法解决大规模点云语义分割的问题，采用点云着色作为预处理任务，通过生成类原型的方式生成伪标签，并提出了一种稀疏标签传播机制，该方法在室内外不同情景的大规模点云数据集上得到了更好的弱监督结果和与完全监督方法可比的结果。

Dec, 2022

本研究提出了一种利用弱标签预测三维点云中点级结果的方法，使用分类网络训练生成伪点级标签，再使用点级伪标签以全监督方式训练点云分割网络，实验结果在 ScanNet 数据集上证明了该方法的有效性。

Mar, 2020

使用 Semantic Query Network 方法，只需要对点云的 0.1% 进行随机注释，就可以实现对七个大规模开放数据集的弱监督语义分割，从而极大地减少注释成本和工作量。

Apr, 2021

本文提出一种半监督的点云语义分割网络，名为 SSPC-Net，通过推断少量标注化点的标签，为无标签的点生成伪标签，采用动态标签传播方法和耦合关注机制，最终成功减少标注点，并在不同数据集上取得优秀结果。

Apr, 2021

本研究提出了一种新的三维实例分割方法 - SoftGroup，通过自下而上的软分组，然后进行自上而下的细化，解决了现有方法中从语义预测错误中产生的误差问题，实现了对每个点与多个类别的关联，从而抑制了误报实例的产生。新方法的实验结果表明其比现有最强方法在各项评估指标上表现更好，并且还具有更快的运行时间。

Mar, 2022

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

本文提出了一种无需修改分割训练过程的弱监督训练方法，通过精心设计给定边界框的输入标签，经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。

Mar, 2016