- 使用提示进行医学图像分割
本文提出了一种利用图像级标签来促进分割的双 U 形两阶段框架，通过预训练分类网络获取层次金字塔特征并引导下游分支的学习，在像素级标签的监督学习下，通过短跳和长跳将从分类分支获得的层次特征输入到下游分支中，并得到病变掩模，实验证明我们的框架相 - 超（表）对齐：在弱到强的泛化中，强模型可能欺骗弱模型
通过使用具有弱监督的模型对强大模型进行监督，最近的研究初步探讨了超级对齐问题。实验发现，弱监督的强学生在对齐目标上持续胜过弱教师，引发了弱到强泛化现象。然而，我们担心在这种令人期待的现象背后，是否存在弱到强欺骗问题，即强大模型可能通过在弱模 - IgCONDA-PET: PET 影像异常检测的隐式引导对抗扩散
使用称为 IgCONDA-PET 的模型，该模型是一种弱监督和隐性指导的反事实扩散模型，通过图像类标签（健康与不健康）和隐性指导来生成不健康图像的反事实，从而实现 PET 图像中异常的检测。
- CVPR弱监督参照图像分割的课程点提示
通过引用图像分割技术（RIS），本文提出了一种创新框架 Point PrompTing（PPT），并结合了多源课程学习策略来解决以往弱监督技术中面临的噪声和过度关注问题，实验证明 PPT 在 RefCOCO、RefCOCO + 和 G-Re - CVPR从单点注释中学习追踪表示
通过单点注释学习跟踪表示，提出了一种软对比学习框架（SoCL），该框架将目标拥有性先验融合到端到端的对比学习中，并将所学表示应用于视觉跟踪，展示出优越的性能和鲁棒性。
- CVPRVSRD：基于实例感知的体素轮廓渲染用于弱监督的 3D 物体检测
我们提出了一种新的弱监督三维物体检测框架 VSRD，利用自动标注阶段生成的伪标签在多视图三维自动标注和单目三维物体检测训练中优化三维边界框，实验表明我们的方法优于现有弱监督三维物体检测方法。
- BSNet：针对 3D 实例分割的基于框标注辅助的均值教师
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， - WSCLoc: 弱监督稀疏视图相机定位
WSCLoc 系统用于弱监督和稀疏视图条件下的摄像机定位任务，通过两个阶段的联合优化提高了深度学习模型的性能，实现了超过当前方法的姿态估计准确性。
- 上下文 - 语义质量感知网络用于细粒度视觉分类
为了解决细粒度视觉分类中的品质问题，本文提出了一种弱监督的上下文 - 语义质量感知网络（CSQA-Net），其中使用多部分和多尺度交叉注意力模块（MPMSCA）来捕捉目标内部更具区别性的细节，提出了一种层次化的多级语义质量评估模块（MLSQ - WeakSurg: 基于时间等变性和语义连续性的弱监督手术器械分割
弱监督手术器械分割在手术领域中很少被探索。我们从时间等变性和语义连续性两个角度扩展了一种双阶段弱监督分割范式，提出了基于原型的时间等变性规则损失和类感知的时间语义连续性损失，同时考虑了手术场景中的时间信息。我们基于 Cholec80 数据集 - 猎取属性：弱监督语义分割的上下文原型感知学习
通过引入原型学习理论，利用原型意识来捕捉实例的多样化和细粒度特征属性，以减轻知识偏差并更好地捕捉语义对象区域的空间覆盖，提出了一种上下文原型感知学习策略（CPAL），并实验证明了其在弱监督语义分割方面的显著改进和达到最先进水平的性能。
- 基于知识蒸馏和多尺度 Sigmoid 推断的弱监督变化检测
这篇论文介绍了一种基于知识蒸馏和多尺度 Sigmoid 推理的弱监督变化检测技术，通过利用图像级别标签，能够更准确地检测潜在的变化区域，进一步提高了变化概率图的性能。实证结果表明，该方法在三个公共数据集上明显优于现有技术。
- 单视图弱监督单目 3D 检测
利用深度信息，无需任何三维标注或其他训练数据，SKD-WM3D 提出了一种弱监督的单目三维检测框架，通过融合深度信息将图像特征转化为三维表示，有效地消除了单目场景中的深度歧义。实验证明，SKD-WM3D 明显超过了最先进的方法，甚至与许多全 - 针对弱监督式人员再识别的对比式多实例学习
Contrastive Multiple Instance Learning (CMIL) is a novel framework for weakly supervised person re-identification that l - WWW基于知识数据对齐的弱监督异常检测
研究提出了一种新颖的知识 - 数据对齐框架（KDAlign），通过整合人工专家总结的规则知识来增强有限标记异常样本的模型性能。采用最优传输技术实现知识和数据的对齐，并将最优传输距离作为额外损失项引入弱监督异常检测方法的目标函数中，实验证明该 - 具有可证明性能保证的弱监督学习者用于 AI 错误的修正
通过引入具有先验性能保证的弱监督的 AI 错误修正器，我们提出了一种处理 AI 错误的新方法。这些 AI 修正器是辅助映射，其作用是通过批准或拒绝某些先前构建的基础分类器的决策来调节其决策。拒绝决策可以用作建议放弃做出决策的信号。该工作的关 - CPCL：跨模态原型对比学习弱监督的基于文本的人员再识别
提出了一种基于弱监督的文本驱动的人物重识别方法，使用跨模态原型对比学习和多模态记忆模块来改善检索性能。
- 多模态亲和推断弱监督 3D 语义分割
本文提出了一种简单而有效的基于场景级弱监督的点云分割方法，引入了多模态点亲和度推理模块，利用从多个模态（如点云和 RGB）得到的特征来特征化提出的点亲和度，并通过归一化分类器权重来减轻长尾分布的不利影响，无需事先知道类别分布的先验信息。通过 - 基于视觉语义对齐的弱监督三维视觉定位
基于大规模视觉 - 语言模型的弱监督学习方法，利用 2D 图像和 3D 点云之间天然存在的对应关系，无需精细标注的边界框注释，通过学习文本 - 3D 对应，实现文本查询与 3D 目标物的关联。实验结果在 ReferIt3D 和 ScanRe - MWSIS: 基于 2D 边框标注的多模态弱监督实例分割在自动驾驶中的应用
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。