利用只有图像级别标签的弱监督实例分割（WSIS）是一项具有挑战性的任务，但随着深度神经网络（DNNs）的进步，WSIS 已经引起了广泛关注。我们提出一种新颖的 WSIS 方法，通过使用 MaskIoU 头部预测 proposal 的完整度得分，采用完整实例挖掘（CIM）策略来显式建模冗余分割问题并生成精炼的伪标签。我们的方法在 PASCAL VOC 2012 和 MS COCO 数据集上实证评估，并取得了超过当前最先进方法的性能。

Feb, 2024

本文提出了一个基于 LiDAR 导引的弱监督实例分割框架，利用点云和三维框作为自然的弱监督信息代替 2D 遮罩标注，有效利用不同模态数据进行训练，并大幅度减少了 2D 遮罩的注释成本。该框架包含两个关键模块：点标签分配（PLA）和基于图形的一致性正规化（GCR），并在 nuScenes 和 Waymo 上进行了广泛实验。

Dec, 2022

本文提出一种创新的方法来解决弱监督实例分割任务中的实例定位难题，并使用自我训练方案来改进伪标注，消除语义漂移问题。通过在 PASCAL VOC 2012 和 MS COCO 上广泛实验，证明了该方法的有效性，无需使用与实例或对象有关的预先训练技术。

Sep, 2021

该论文介绍了一种基于距离变换的对象段表示方法和基于残差解卷积结构的对象掩码网络，实现了跨越边界框的对象分割；并将其整合到一个多任务网络级联框架中，学习了最终二进制对象掩码。实验表明，这种方法在目标生成和实例分割方面优于现有的技术。

Dec, 2016

本文提出了一种名为 WSSIS 的学习方法，使用点标签实现高效的实例分割，同时引入 MaskRefineNet 来处理少量标签数据的情况，并在 COCO 数据集上进行了丰富的实验，获得了比当前半监督方法更好的表现 (33.7% vs. 24.9%)，代码提供在 https URL 上。

Mar, 2023

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

弱监督图像分割是计算机视觉中的关键任务，依赖于图像级别的类别标签。我们提出了一种利用具有对比学习的孪生网络改进类别活动图 (CAMs) 质量并实现自我改善过程的新型单阶段 WSIS 方法。我们的方法在 PASCAL VOC 2012 数据集上实验证明其明显优于其他最先进方法，在 PASCAL VOC 2012 验证集和测试集上分别达到了 67.2% 和 68.76% mIoU。此外，我们的方法在弱监督目标定位任务中也展现出竞争力。

Sep, 2023

提出了一种名为训练免费实例分割（TFISeg）的新范式，通过使用现成的语义分割模型预测的图像遮罩实现实例分割结果，避免了训练语义或 / 和实例分割模型以及实例级图像注释的需求，达到高效的目的。与最先进的全监督实例分割方法相比，TFISeg 无需额外的人力资源或增加的计算成本，并能获得具有竞争力的结果。

Aug, 2023

我们提出了一种新的弱监督手术器械实例分割方法，名为基于点的弱监督实例分割（PWISeg）。该方法通过采用基于 FCN 的架构，使用点到框和点到掩模分支来建模特征点与边界框以及特征点与分割掩模之间的关系，在单个模型中联合完成手术器械的检测和分割任务。我们提供了一个详细的手术器械数据集，并进行了广泛的实验验证，结果表明我们的 PWISeg 在手术器械分割任务上具有卓越的性能。

Nov, 2023

通过使用预先训练的 2D 基础模型 SAM 和 3D 几何先验，本文提出了一个互补的图像提示引导的弱监督点云实例分割（CIP-WPIS）方法，用于从边界框注释中准确地获取点云实例标签。通过在 3D 候选点的全可见图像视图中选择，我们生成互补的背景和前景提示，并通过这些提示对点进行置信度分配，使用超点提供的 3D 几何均匀性来决定最终实例标签分配。通过大量实验证明，我们的方法对于嘈杂的 3D 边界框注释具有鲁棒性，并实现了最先进的性能。

Sep, 2023