介绍了 DatasetGAN 方法，利用 GAN 生成合成数据集，仅需少量标注样本，就能训练出能够与传统无监督方法相匹敌的语义分割模型，并在人脸和汽车语义分割任务上取得了领先的性能。

Apr, 2021

本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

Apr, 2021

本文介绍利用 GANs 提取像素级别的特征向量进行语义部分分割的方法，只需要一个标记样本和一个未标记的数据集即可实现。实验表明，GANs 的表示具有较强的可区分性，且表现与需要多个标记训练的监督基准方法相媲美。我们相信这种新颖的 GANs 重用方法是适用于许多其他任务的一类无监督表示学习方法。

Mar, 2021

本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

Mar, 2017

本文提出了一种基于生成对抗网络的方法，以隐式关键点作为上下文条件，生成与引导图像细分任务对应的掩模图像。该方法不仅不需要对数据进行标注，而且还可以提高系统对视角和目标位置变化的容忍度。通过生成图像 - 掩模对，本文所提出的方案在公认的基准测试上优于现有的无监督分割方法。

Dec, 2021

提出了一种自动合成图像和分割掩模的方法，利用生成式对抗网络学习将图像分解成前景和背景层，生成高质量数据集并用于训练前景 - 背景分割网络，同时使用前景背景分割网络稳定分层 GAN 的训练。实验证明其生成质量和分割性能与相关方法相似。

Apr, 2021

本文提出了一种半监督学习的方法，即自我训练范式，通过用标注数据训练教师模型并在大量未标注数据上生成伪标签，以较少的监督实现像素级准确模型，并在 Cityscapes，CamVid 和 KITTI 数据集上取得了最优表现，同时，在具有挑战性的跨域泛化任务上表现更佳，最后，为了减轻大量伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

Apr, 2020

该论文提出了一种基于标签空间的图像增强，新颖的自我监督学习方法，用于半监督条件生成网络，通过将少量有标签的示例中的标签赋给大量无标签的示例，构成训练集并优化辅助匹配损失，实现了对 CelebA 和 RaFD 两项挑战性基准测试的有效性评估，表明其优于竞争基线和现有方法。

Jun, 2020

本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017

本研究提出了一种标签高效的方法，针对部分注释的数据（即每个图像不都有所有任务标签），在多个密集预测任务上联合学习，通过保留输入图像的高级信息，并成功利用任务关系对多任务学习进行监督学习的多任务训练程序。我们严格证明了我们的方法可以有效地利用具有未标记任务的图像，并且在三个标准基准测试中优于现有的半监督学习方法和相关方法。

Nov, 2021