本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

Mar, 2020

提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种ClassDrop掩蔽生成算法和ClassOut策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

Apr, 2020

本文提出了一种半监督图像分割的改进方法，采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence（JSD）损失函数，通过在在训练的不同迭代中强制模型的预测结果始终保持一致性，获得了在少量已标注数据情况下取得了比标准协同训练基线方法和最新半监督分割方法更好的性能表现。

Oct, 2020

本文中，我们提出了一种新的一致性正规化方法，名为交叉伪监督（CPS），通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和PASCAL VOC 2012上，我们的方法实现了半监督分割性能的最新水平。

Jun, 2021

本文提出了一种半监督和领域自适应的语义分割框架，它利用自监督单目深度估计（SDE）来增强。该框架采用SDE作为辅助任务，通过选择最有用的样本、实现数据增强、转移SDE学习到的特征以及利用Cross-Domain DepthMix和Match Geometry Sampling来利用额外的标记合成数据与真实数据对齐，同时在Cityscapes数据集上进行了验证，并获得了半监督语义分割和半监督领域适应的最先进结果。

Aug, 2021

本文中，我们使用新的mean-teacher模型扩展和更严格的confidence-weighted cross-entropy loss解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的SOTA方法在该领域实现了显着的改进。

Nov, 2021

利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在PASCAL VOC 2012和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高7％。

Dec, 2021

本文提出了一种新的基于双分支协同训练框架的基于冲突的跨视图一致性方法(CCVC)，该方法使用特征差距损失鼓励两个子网络从相同的输入学习不同的特征，并使用冲突的伪标签方法来保证模型可以从冲突预测中学习更多有用的信息，从而在半监督语义分割(Semantic Segmentation)任务中取得了最新的最优性能.

Mar, 2023

利用动态预测不确定性的像素权重加权U-CE（Uncertainty-aware Cross-Entropy loss）训练方法在两个基准数据集上优于传统CE（cross-entropy loss）训练方法，提高了安全关键应用中更稳健可靠的分割模型的性能和可信度。

Jul, 2023

我们提出了一种新的半监督语义分割视角，通过对训练数据集中标记和无标记分布的分析，我们发现即使两个数据集采样自相同分布，标记和无标记数据集之间的分布差异也不能忽视。为了解决这个问题，我们在理论上进行了分析并从实验上证明了适当提高无标记数据的不确定性可以帮助减小分布差异，从而提高模型的推广能力。我们提出了两种策略，并设计了一种特别针对半监督语义分割的不确定性增强算法，基于这些理论进行了大量实验，结果证实了算法和策略的有效性。我们的插拔式不确定性增强器小巧高效，对于超参数具有鲁棒性，但可以显著提升性能。与当前流行的半监督语义分割方法在常用基准数据集Cityscapes和PASCAL VOC 2012上不同的训练设置下，我们的方法在实验中取得了最新性能。

Nov, 2023