本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

Nov, 2018

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

本文提出 Box2Mask 方法，利用 3D 包围盒标签进行弱监督学习，通过 Hough 投票和聚类方法实现 3D 实例分割，无需密集注释点云数据，模型在 ScanNet 测试上达到领先水平（+18 mAP@50），并在实现 3D 实例分割掩码方面取得了令人信服的结果。

Jun, 2022

BoxTeacher 是一个高效 End-to-End 的训练框架，可以实现使用 Bounding Box 产生高质量的 Mask 标签的弱监督实例分割，BoxTeacher 使用一个复杂的教师网络产生高质量的 Mask 标签，然后通过 noise-aware pixel loss 和 noise-reduced affinity loss 调整学生网络，这种方法在 COCO 数据集上具有很高的标记 AP 表现。

Oct, 2022

本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

Mar, 2015

提出了一种用于三维实例分割的 Box-Supervised Simulation-assisted Mean Teacher (BSNet) 模型，利用伪标签和模拟样本来提高弱监督下的分割结果的质量和精度。模型包括模拟辅助教师和学生标签器，以更好地建模局部 - 全局结构。通过在 ScanNetV2 和 S3DIS 数据集上进行大量实验验证了模型的优越性。

Mar, 2024

本文提出了一种基于网格框标注的高性能方法，实现了面部实例分割，通过重新设计学习实例分割中的掩码损失函数，优化了训练过程，并在 COCO 数据集上实现了优秀的实验结果。

Dec, 2020

本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。

Apr, 2019

这篇论文提出了一种弱监督的模型，能够同时执行语义分割和实例分割任务，并使用图像级别标签弱监督 “stuff” 类别的分割，以及使用边界框弱监督 “thing” 类别的分割。通过分析注释质量和预测性能之间的关系，可以对数据集的创建有所启示。

Aug, 2018

我们提出了一种联合匹配和分割图像集合中同一类别的对象实例的方法，这种方法利用了两个任务的互补性，通过从语义匹配得到的估计密集对应场来提供对象共分割的监督，并且从对象共分割得到的预测对象掩码来改善语义匹配的性能，我们的算法在五个基准数据集上表现优异。

Jun, 2019