使用边界框监督，以结构化 teacher 模型为指导，共同学习实例分割和语义对应的 DiscoBox 框架，同时又能为密集对比学习提供正 / 负的对应对，用以监督网络任务实现物体掩模细化和类内对象间的密集对应，并取得了和有监督方法相当的 37.0% 的 COCO 实例分割性能和最新的 PASCAL VOC12 以及 PF-PASCAL 的最高弱监督结果的实时推理。

May, 2021

使用轴对齐的 3D 边界框监督，提出 GaPro，一种新的用于 3D 点云的实例分割方法，通过生成伪标签和训练 3DIS 网络来解决 3DIS 问题，并通过自学习策略进一步提高性能。

Jul, 2023

本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架，通过引入 STE 和 CBV 模块提高了教师模型的性能，同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明，在 ONCE 和 Waymo 数据集上，我们的方法显著提高了基线，同时在 Waymo 数据集上，只使用了一半的注释即可超过完全注释的 oracle 模型。

Jul, 2022

3D-BoNet 是一个新颖的、简单易懂且通用的网络，可在 3D 点云上实现实例分割。该网络由骨干网和两个并行支路（边界框回归和点掩码预测）组成，并在保持端到端训练的同时，直接回归点云中所有实例的 3D 边界框和每个实例的点级掩码。实验表明，相比现有方法，该方法不仅在 ScanNet 和 S3DIS 数据集上的表现更优，而且计算效率提高了约 10 倍，并且该算法的设计是有效的。

Jun, 2019

通过扩散模型来提高伪标签的质量，以实现半监督三维物体检测，改进了现有方法的性能，获得了最先进的结果。

Dec, 2023

Open3DIS 是对 3D 场景中开放词汇实例分割问题的一种新解决方案，通过聚合帧间的 2D 实例掩码并将其映射到几何连贯的点云区域作为高质量的对象提案，与 3D 非特定类实例提案相结合，能够在真实世界的广泛对象中实现显著的性能提升。

Dec, 2023

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

通过应用弱监督方法和多模态跨模态监督，同时利用 2D 和 3D 注释来提高伪标签的质量，该研究提出了一种名为 MWSIS 的新型框架，可在自动驾驶等领域中进行实例分割，从而显著提高性能并降低注释成本。

Dec, 2023

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

本文提出了一种基于深度学习的半监督知识蒸馏方法，通过标注和未标注的数据进行数据训练，建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明，该方法相对于只学习标注数据的监督方法和最先进的半监督方法，显著提高了性能。

Jul, 2020