Decoupled Spatial Neural Attention for Weakly Supervised Semantic Segmentation
Nanyang Technological University（南洋理工大学）；The University of Adelaide（阿德莱德大学）
弱监督的语义分割得到了很多研究的关注，因为它强调了需要获得大量的密集像素明智的地面实况注释的训练图像。与其他形式的弱监督相比，图像标签的获取效率相当高。在我们的工作中，我们专注于弱监督语义分割与图像标签标注。这项任务的最新进展在很大程度上取决于生成的伪注释的质量。在这项工作中，灵感来自空间神经注意图像描述，我们提出了一个解耦的空间神经注意网络生成伪注释。我们的解耦注意力结构可以同时识别目标区域和定位有区别的部分，在一个前向路径中生成高质量的伪注释，生成的伪注释导致分割结果，达到了最先进的弱监督语义分割。
2018-03-07 cs.CV
Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation
Yonsei University（延世大学）；Sungkyunkwan University（成均馆大学）
现有的弱监督语义分割（WSSS）研究中使用图像级弱监督有几个局限性：稀疏的对象覆盖，不准确的对象边界，和来自非目标对象的共现像素。为了克服这些挑战，我们提出了一种新的框架，即显式伪像素监督（EPS），它通过结合两个弱监督从像素级反馈中学习;图像级标签通过本地化映射提供对象身份，显着性映射来自现成的显着性检测模型提供了丰富的边界。我们设计了一个联合训练策略，充分利用两者之间的信息互补关系。我们的方法可以获得准确的对象边界和丢弃共现像素，从而显着提高伪掩模的质量。实验结果表明，该方法通过解决WSSS的关键挑战，显著优于现有方法，并在PASCAL VOC 2012和MS COCO 2014数据集上实现了新的最先进性能。
2021-05-19 cs.CV
BoxTeacher: Exploring High-Quality Pseudo Labels for Weakly Supervised Instance Segmentation
Horizon Robotics（地平线机器人）；Huazhong University of Science & Technology（华中科技大学）
与边界框相比，使用逐像素分割标记对象需要大量的人力。大多数现有的弱监督实例分割方法集中在设计启发式损失与先验的边界框。同时，我们发现框监督方法可以产生一些精细的分割掩模，我们想知道检测器是否可以从这些精细掩模中学习，而忽略低质量的掩模。为了回答这个问题，我们提出了BoxTeacher，这是一个高效的端到端训练框架，用于高性能弱监督实例分割，它利用一个复杂的教师来生成高质量的掩码作为伪标签。考虑到大量噪声掩模对训练的影响，本文提出了一种掩模感知置信度来估计伪掩模的质量，并提出了噪声感知像素损失和噪声降低亲和度损失来自适应地优化具有伪掩模的学生。大量的实验可以证明所提出的BoxTeacher的有效性。在没有花哨的情况下，BoxTeacher在具有挑战性的COCO数据集上分别使用ResNet-50和ResNet-101显著实现了35.0掩码AP和36.5掩码AP，这比以前的最先进方法有很大的优势，并弥合了框监督和掩码监督方法之间的差距。代码和模型将在https://github.com/hustvl/BoxTeacher上提供。
2023-03-17 cs.CV
SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining
University of Maryland, College Park（马里兰大学帕克分校）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对稀疏标注下目标检测因伪标签噪声导致高稀疏度时性能下降的问题，提出SparseDet方法，通过伪正例挖掘区分标注与未标注区域，结合自监督处理未标注区域，在多个数据集上取得SOTA并构建标准化基准。
2023-08-27 cs.CV
Inferring the Class Conditional Response Map for Weakly Supervised Semantic Segmentation
Australian National University（澳大利亚国立大学）
图像级弱监督语义分割（WSSS）依赖于类激活图（CAM）的伪标签生成。由于CAM仅突出对象的最有区别的区域，因此生成的伪标签通常不能令人满意地直接用作监督。为了解决这个问题，大多数现有的方法遵循多训练流水线来细化CAM以获得更好的伪标签，其包括：1）重新训练分类模型以生成CAM; 2）后处理CAM以获得伪标签;以及3）用所获得的伪标签训练语义分割模型。然而，这种多训练管道需要复杂的调整和额外的时间。为了解决这个问题，我们提出了一个类条件推理策略和激活感知掩码细化损失函数，以生成更好的伪标签，而无需重新训练分类器。提出了类条件推理时间方法，以单独和迭代地揭示分类网络的隐藏对象激活，以生成更完整的响应图。此外，我们的激活感知掩模细化损失函数引入了一种新的方法，在分割训练期间利用显著性图，并在不抑制背景对象的情况下细化前景对象掩模。我们的方法实现了优越的WSSS结果，而不需要重新训练的分类器。
2021-10-27 cs.CV
Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud Semantic Segmentation
The Hong Kong Polytechnic University（香港理工大学）
竞争性点云语义分割结果通常依赖于大量的标记数据。然而，数据标注是一项耗时耗力的任务，特别是对于三维点云数据。因此，用有限的地面实况作为训练数据获得准确的结果是相当重要的。伪标记作为一种简单有效的方法，可以利用未标记数据中的信息来训练神经网络。在本研究中，我们提出了一种伪标签辅助的点云分割方法，该方法具有很少的稀疏采样标签，这些标签通常是为每个类随机选择的。提出了一种基于预测概率的自适应阈值策略来生成伪标签。伪标签学习是一个迭代过程，当模型收敛时，伪标签仅在真实弱标签上更新，以提高训练效率。使用ISPRS三维语义标注基准数据集的实验表明，我们提出的方法取得了同样具有竞争力的结果相比，使用一个完整的监督方案，只有多达2个$\unicode{x2030}$的标记点从原始训练集，与83.7%的整体准确率和平均F1得分为70.2%。
2021-05-05 cs.CV
PGTRNet: Two-phase Weakly Supervised Object Detection with Pseudo Ground Truth Refinement
University of Warwick（华威大学）；Shanghai Jiao Tong University（上海交通大学）；Griffith University（格里菲斯大学）
当前的弱监督目标检测（WSOD）研究主要遵循两阶段训练策略，该策略将全监督检测器（FSD）与纯WSOD模型相结合。有两个主要问题阻碍了两阶段WSOD方法的性能，即，不充分的学习问题和FSD和由WSOD模型生成的伪真值（PGT）之间的严格依赖。本文提出了伪真值精化网络（PGTRNet），一个简单而有效的方法，不引入任何额外的学习参数，以应付这些问题。PGTRNet利用多个边界框来建立PGT，从而缓解了学习不足的问题。此外，我们提出了一种新的在线PGT细化方法，通过在第二阶段训练中充分利用FSD的能力，将第一阶段和第二阶段模型解耦，稳步提高PGT的质量。详细的实验进行PASCAL VOC 2007基准测试，以验证我们的方法的有效性。实验结果表明，PGTRNet提高了骨干模型的2.1%mAP，达到了最先进的性能。
2022-03-17 cs.CV
Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly Supervised Semantic Segmentation
Xidian University（西安电子科技大学）；Xi’an Jiaotong University（西安交通大学）；University of Leicester（莱斯特大学）
语义分割在过去的十年中得到了不断的研究，并且大多数已建立的技术都是基于监督模型的。近年来，图像级弱监督语义分割（WSSS），包括单阶段和多阶段的过程，吸引了大量的关注，由于数据标记效率。在本文中，我们提出将多阶段方法的亲和学习嵌入到单阶段模型中。具体来说，我们引入了自适应的亲和力损失，以彻底学习局部成对亲和力。因此，深度神经网络用于在训练阶段传递全面的语义信息，同时提高最终预测模块的性能。另一方面，考虑到伪标签中存在错误，我们提出了一种新的标签重分配损失来减轻过拟合。在PASCAL VOC 2012数据集上进行了大量的实验，以评估我们提出的方法的有效性，该方法优于其他标准的单阶段方法，并与几种多阶段方法实现了相当的性能。
2021-08-03 cs.CV
Uncertainty Estimation via Response Scaling for Pseudo-mask Noise Mitigation in Weakly-supervised Semantic Segmentation
The Hong Kong University of Science and Technology（香港科技大学）；SenseTime Research（商汤科技研究院）；University of Technology Sydney（悉尼科技大学）；The Hong Kong University of Science and Technology Shenzhen Research Institute（香港科技大学深圳研究院）
弱监督语义分割（WSSS）分割对象，而无需密集注释的沉重负担。但代价是生成的伪掩模存在明显的噪声像素，这导致在这些伪掩模上训练的次优分割模型。但是很少有研究注意到这个问题，即使这些噪声像素是不可避免的伪掩模改进后。因此，我们试图在降噪方面改进WSSS。我们观察到许多噪声像素具有高置信度，特别是当响应范围太宽或太窄时，呈现不确定状态。因此，在本文中，我们模拟噪声变化的响应缩放预测地图多次不确定性估计。然后，不确定性被用来加权分割损失，以减轻嘈杂的监督信号。我们称这种方法为URN，缩写为不确定性估计通过响应缩放噪声缓解。实验验证了URN的好处，我们的方法在PASCAL VOC 2012和MS COCO 2014上分别达到了71.2%和41.5%的最先进的结果，而没有额外的模型，如显着性检测。代码可在https://github.com/XMed-Lab/URN上获得。
2021-12-14 cs.CV
LLM-Assisted Semantic Guidance for Sparsely Annotated Remote Sensing Object Detection
Nanjing University of Science and Technology（南京理工大学）；Beijing Normal University（北京师范大学）
本文提出LLM辅助语义引导框架，通过类别感知稠密伪标签分配和自适应困难负样本重加权，解决遥感目标检测中稀疏标注导致的伪标签选择歧义与置信度不一致问题，并在DOTA和HRSC2016上显著提升检测性能。
2025-09-21 cs.CV
Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images
Indian Institute of Science（印度科学学院）
针对印度高分辨率卫星图像LULC制图中标签稀疏不准确的问题，提出改进的交叉伪监督半监督分割框架，提升了模型泛化能力与制图精度，可为城市和资源规划提供支持。
2024-08-13 cs.CV
Weakly Supervised Instance Segmentation by Learning Annotation Consistent Instances
IIIT Hyderabad（海得拉巴国际信息技术研究所）；University of Oxford（牛津大学）
用于弱监督实例分割的最新方法取决于两个组件：（i）伪标签生成模型，其提供与给定注释一致的实例;以及（ii）实例分割模型，其使用伪标签作为地面实况以监督方式训练。与以前的方法不同，我们明确地模拟使用条件分布的伪标签生成过程中的不确定性。从我们的条件分布中提取的样本提供了准确的伪标签，这是由于使用了语义类感知的一元项、边界感知的成对平滑项和注释感知的高阶项。此外，我们将实例分割模型表示为与注释无关的预测分布。与以前的方法相比，我们的表示允许我们定义一个联合概率学习目标，最大限度地减少两个分布之间的差异。我们的方法在PASCAL VOC 2012数据集上实现了最先进的结果，超过最佳基线4.2%mAP@0.5和4.8%mAP@0.75。
2020-07-18 cs.CV
Rethinking the Route Towards Weakly Supervised Object Localization
National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）；Nanjing University（南京大学）
弱监督对象定位（WSOL）旨在定位仅具有图像级标签的对象。以前的方法通常尝试利用特征图和分类权重来间接地使用图像级注释来定位对象。在本文中，我们证明了弱监督的目标定位应分为两个部分：类无关的目标定位和目标分类。对于类无关的对象定位，我们应该使用类无关的方法来生成噪声伪注释，然后在没有类标签的情况下对它们执行限界框回归。我们提出了伪监督目标定位（PSOL）方法作为一种新的方法来解决WSOL。我们的PSOL模型在不同数据集之间具有良好的可移植性，无需微调。通过生成的伪边界框，我们在ImageNet上实现了58.00%的定位准确率，在CUB-200上实现了74.97%的定位准确率，这比以前的模型有很大的优势。
2020-03-03 cs.CV
Unified Unsupervised and Sparsely-Supervised 3D Object Detection by Semantic Pseudo-Labeling and Prototype Learning
Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院）；Key Laboratory of System Control and Information Processing, Ministry of Education of China（系统控制与信息处理教育部重点实验室）
本文提出SPL框架，通过语义伪标签和原型学习统一无监督和稀疏监督3D目标检测，生成高质量伪标签并稳定特征学习，实验表明在KITTI和nuScenes数据集上优于现有方法。
2026-04-12 cs.CV
Generating Self-Guided Dense Annotations for Weakly Supervised Semantic Segmentation
National Tsing Hua University（国立清华大学）
在图像级监督下学习语义分割模型比在完全监督设置下更具挑战性。在不知道确切的像素-标签对应关系的情况下，大多数弱监督方法依赖于外部模型来推断伪像素级标签以用于训练语义分割模型。在本文中，我们的目标是开发一个单一的神经网络，而不诉诸任何外部模型。我们提出了一种新的自我引导策略，充分利用在多个级别上学习的特征，逐步生成密集的伪标签。首先，我们使用高级特征作为类特定的本地化映射来粗略定位类。接下来，我们提出了一个亲和度指导的方法，鼓励每个本地化地图是一致的，他们的中间水平的功能。第三，我们采用训练图像本身作为指导，并提出一种自我指导的细化，以进一步将图像的固有结构转移到地图中。最后，我们从这些本地化地图中获得伪像素级标签，并使用伪标签作为地面实况来训练语义分割模型。我们提出的自指导策略是一个统一的框架，它建立在单个网络上，并在训练过程中交替更新特征表示和细化定位图。在PASCAL VOC 2012分割基准上的实验结果表明，在相同的设置下，我们的方法优于其他弱监督方法。
2018-10-16 cs.CV
Multispectral Pedestrian Detection with Sparsely Annotated Label
Kyung Hee University（庆熙大学）
针对现有多光谱稀疏标注行人检测方法伪标签质量不足、学习外观有限的问题，提出SAMPD框架，通过MPAW、PPE提升伪标签质量，APRA扩充学习样本，显著提升稀疏标注下的检测性能。
2025-01-15 cs.CV
Track and Transfer: Watching Videos to Simulate Strong Human Supervision for Weakly-Supervised Object Detection
University of California, Davis（加州大学戴维斯分校）
训练对象检测器的现状方法需要昂贵的限界框注释。我们的框架采取了一个明显不同的方向：我们将跟踪的对象框从弱标记视频转移到弱标记图像，以自动生成伪地面实况框，取代手动注释的边界框。我们首先在弱标记图像集合中挖掘经常/很少出现在正/负像中的区分区域。然后，我们将这些区域与视频进行匹配，并检索相应的跟踪对象框。最后，我们设计了一个霍夫变换算法来投票选出最好的盒子作为每个图像的伪GT，并使用它们来训练目标检测器。总之，这些导致了PASCAL 2007和2010数据集上最先进的弱监督检测结果。
2016-04-19 cs.CV
Rewis3d: Reconstruction Improves Weakly-Supervised Semantic Segmentation
Saarland University（萨尔兰大学）；Max Planck Institute for Informatics（马克斯·普朗克信息研究所）；ETH Zurich（苏黎世联邦理工学院）
Rewis3d通过利用3D重建作为辅助监督信号，提升弱监督语义分割的性能，优于现有方法2-7%。
2026-03-06 cs.CV
Weakly-Supervised Image Semantic Segmentation Using Graph Convolutional Networks
National Yang Ming Chiao Tung University（台湾阳明交通大学）
本文提出了一种基于图像级类别标签的弱监督图像语义分割方法。该任务的一种常见方法是使用随机游走机制传播类激活图（CAM）的激活分数，以便达到用于以完全监督的方式训练语义分割网络的完整伪标签。然而，随机游走的前馈性质不会对所得到的完整伪标签的质量施加正则化。为了克服这个问题，我们提出了一个基于图卷积网络（GCN）的特征传播框架。我们将完整伪标签的生成公式化为一个半监督学习任务，并通过反向传播拉普拉斯算子和熵正则化损失来分别为每个训练图像学习2层GCN。PASCAL VOC 2012数据集上的实验结果证实了我们的方案优于几个最先进的基线。我们的代码可在https://github.com/Xavier-Pan/WSGCN上获得。
2021-04-01 cs.CV
SP${ }^3$ : Superpixel-propagated pseudo-label learning for weakly semi-supervised medical image segmentation
School of Basic Medical Science, Fudan University（复旦大学基础医学院）；Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）
针对弱半监督医学图像分割监督信息不足的挑战，提出超像素传播伪标签学习方法，利用超像素结构信息优化伪标签并引入不确定性指导监督，在仅用3%标注下达到约80% Dice分数。
2024-11-18 cs.AI cs.CV
Know Your Attention Maps: Class-specific Token Masking for Weakly Supervised Semantic Segmentation
University of St.Gallen（圣加伦大学）
提出一种端到端方法，利用带多个类别特定[CLS]令牌的稀疏ViT的注意力图生成伪分割掩码，在多个基准上优于现有方法，并减少对细粒度标注的需求。
2025-07-09 cs.CV
Two-phase weakly supervised object detection with pseudo ground truth mining
King's College London（伦敦国王学院）
弱监督目标检测（WSOD）是一种利用图像数据训练训练检测器的方法，受到了越来越多的研究者的关注。在这个项目中，我们专注于两个阶段的WSOD架构，它集成了一个强大的检测器与一个纯WSOD模型。我们探讨了一些代表性的检测器作为第二阶段检测器在两相WSOD的有效性，并提出了一个两相WSOD架构。此外，我们提出了一种策略来建立伪地面真值（PGT）用于训练第二相位检测器。不同于以往的作品，认为顶部的一个边界框PGT，我们考虑更多的边界框建立PGT注释。这说明了PGT的低召回率导致的学习不足的问题。我们还提出了一些策略，以改善PGT在第二个检测器的训练。我们的策略在特定的时期暂停训练，然后通过第二相位检测器的输出来改进PGT。之后，该算法使用与暂停之前相同的梯度和权重继续训练。在PASCAL VOC 2007数据集上进行了详细的实验，以验证我们的方法的有效性。结果表明，与单一PCL模型相比，我们的两相体系结构将mAP从49.17%提高到53.21%。此外，最佳PGT生成策略获得0.7%的mAP增量。我们最好的细化策略将性能提高了1.74% mAP。采用我们所有方法的最佳结果达到55.231% mAP，这是最先进的性能。
2021-04-01 cs.CV
Improving Weakly-Supervised Object Localization Using Adversarial Erasing and Pseudo Label
Seoul National University of Science and Technology（首尔科技大学）
针对弱监督目标定位仅用图像级标签难以定位完整目标的问题，提出结合对抗擦除与伪标签的框架，通过新型损失和伪标签优化激活，在多个骨干网络和公开数据集上性能超越现有最优方法。
2024-04-15 cs.AI cs.CV
P-NOC: adversarial training of CAM generating networks for robust weakly supervised semantic segmentation priors
Institute of Computer Science（计算机科学研究所）；University of Campinas（坎皮纳斯大学）
该研究分析现有弱监督语义分割技术特性，提出P-NOC对抗训练框架及CCAM-H方法，结合二者生成的先验优化随机游走过程，得到高质量伪分割掩码，性能比肩当前最优水平。
2024-03-11 cs.CV cs.LG
Weakly Supervised Teacher-Student Framework with Progressive Pseudo-mask Refinement for Gland Segmentation
本文提出一种弱监督教师-学生框架，通过稀疏病理科标注和指数移动平均稳定教师网络生成精细伪掩码，提升腺体分割的准确性和泛化能力。
2026-03-13 cs.AI cs.CV
3D Weakly Supervised Semantic Segmentation via Class-Aware and Geometry-Guided Pseudo-Label Refinement
College of Computer Science, Beihang University（北京航空航天大学计算机科学学院）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系）；Meituan（美团）
针对3D弱监督语义分割中伪标签质量低、几何先验利用不足的问题，提出融合类别感知优化、几何约束过滤与自训练标签更新的方法，在ScanNet和S3DIS上达到SOTA。
2025-10-17 cs.AI cs.CV
Segment Anything Model (SAM) Enhanced Pseudo Labels for Weakly Supervised Semantic Segmentation
The Ohio State University（俄亥俄州立大学）；EAIGLE Inc（EAIGLE 公司）
针对弱监督语义分割中CAM伪标签边界不准的问题，提出用SAM掩码结合CAM生成兼具类别与目标感知性的高质量伪标签，可无缝集成现有方法，在主流数据集上稳定超越SOTA。
2023-11-03 cs.AI cs.CV cs.LG
One Weird Trick to Improve Your Semi-Weakly Supervised Semantic Segmentation Model
University of British Columbia（不列颠哥伦比亚大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
半弱监督语义分割（SWSSS）的目标是训练一个模型，以识别图像中的对象，基于少量的图像与像素级标签，和更多的图像与只有图像级标签。大多数现有的SWSSS算法从图像分类器中提取像素级伪标签-这是一项非常困难的任务，因此需要复杂的架构和对全监督验证集进行广泛的超参数调整。我们提出了一种称为预测过滤的方法，它不是提取伪标签，而是使用分类器作为分类器：它忽略了分类器确信不存在的类的任何分割预测。将这种简单的后处理方法添加到基线中，可以获得与现有SWSSS算法竞争或更好的结果。此外，它与伪标签方法兼容：将预测滤波添加到现有的SWSSS算法中，进一步提高了分割性能。
2022-05-02 cs.CV cs.LG
Debate-Enhanced Pseudo Labeling and Frequency-Aware Progressive Debiasing for Weakly-Supervised Camouflaged Object Detection with Scribble Annotations
School of Cyber Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Jiangsu Provincial Key Laboratory of Computer Networking Technology（江苏省计算机网络技术重点实验室）；Jiangsu Provincial Key Laboratory of Network and Information Security（江苏省网络与信息安全重点实验室）；Key Laboratory of Computer Network and Information Integration of Ministry of Education of China（教育部计算机网络与信息集成重点实验室）；Nanjing Purple Mountain Laboratories（南京紫金山实验室）；Fintech and Big Data Laboratory of Southeast University（东南大学金融科技与大数据实验室）；Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University（香港理工大学航空与航空工程系）；School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；School of Electronics, Electrical Engineering and Computer Science, Queen’s University Belfast（贝尔法斯特女王大学电子、电气与计算机科学学院）
本文提出${D}^{3}$ETOR框架，通过辩论增强伪标签和频率感知渐进去偏方法，提升弱监督伪装物体检测的性能，实现与全监督方法的性能接近。
2026-05-01 cs.AI cs.CV
Weakly Supervised Segmentation as Semantic-Based Regularization
KU Leuven（鲁文大学）
本文提出通过神经符号方法整合模糊逻辑与深度分割模型，利用弱标注和领域先验知识提升伪标签质量，从而实现优于密集监督基线的分割精度。
2026-06-11 cs.AI cs.CV
Cross Pseudo Labeling For Weakly Supervised Video Anomaly Detection
本文提出CPL-VAD框架，通过跨伪标签实现视频异常检测与类别分类的双重提升，实验表明其在异常检测和类别识别上达到最优性能。
2026-03-13 cs.CV
Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection
Institute of Information Engineering, CAS（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）；Peng Cheng Laboratory（鹏城实验室）；University of California, Merced（加州大学默塞德分校）
弱监督视频异常检测旨在仅使用视频级标签来识别视频中的异常事件。最近，两阶段的自训练方法已经取得了显着的改进，通过自生成的伪标签和自精炼的异常分数与这些标签。由于伪标签起着至关重要的作用，我们提出了一个增强框架，利用完整性和不确定性属性进行有效的自我训练。具体来说，我们首先设计了一个多头分类模块（每个头作为一个分类器）的多样性损失，以最大限度地提高预测的伪标签的分布差异头。这鼓励生成的伪标签覆盖尽可能多的异常事件。然后，我们设计了一个迭代的不确定性伪标签细化策略，它不仅提高了初始的伪标签，但也更新所需的分类器在第二阶段获得的。大量的实验结果表明，该方法在UCF-Crime，EQUIPMENT和XD-Violence基准数据集上表现良好。
2022-12-08 cs.CV
LetOccVote: Learning Weakly Supervised 3D Occupancy through Consensus
CUHKSZ（香港中文大学（深圳））；Tsinghua University（清华大学）；Shenzhen Polytechnic University（深圳职业技术大学）
该研究提出弱监督三维占用框架LetOccVote，利用跨帧投票改进几何与语义监督，在Occ3D-nuScenes数据集上实现二维伪标签监督方法中的最优性能。
2026-09-09 cs.CV
Weakly Supervised Action Localization by Sparse Temporal Pooling Network
University of California（加利福尼亚大学）；Google（谷歌）；Seoul National University（首尔国立大学）
我们提出了一个弱监督的时间动作定位算法的未修剪的视频使用卷积神经网络。我们的算法从视频级别的类标签中学习，并预测人类动作的时间间隔，而不需要时间定位注释。我们设计我们的网络，以确定一个稀疏的子集的关键段与目标动作在视频中使用的注意力模块和融合的关键段通过自适应时间池。我们的损失函数是由两个术语，最大限度地减少视频级的动作分类错误，并执行稀疏的段选择。在推理时，我们提取和评分时间的建议，使用时间类激活和类不可知的注意，估计对应于目标动作的时间间隔。该算法在THUMOS 14数据集上获得了最先进的结果，在ActivityNet1.3上表现出色，即使其监督较弱。
2018-04-03 cs.CV
WSCLoc: Weakly-Supervised Sparse-View Camera Relocalization
University of Oxford（牛津大学）
本文提出WSCLoc系统，通过两阶段弱监督方法（WFT-NeRF与WFT-Pose协同优化）解决稀疏视图下的相机重定位问题，在公开数据集上实现了与SOTA方法相当的位姿估计精度。
2024-03-22 cs.CV
Full-Stage Pseudo Label Quality Enhancement for Weakly-supervised Temporal Action Localization
State Key Lab of GAI, SIST, Peking University（北京大学信息科学技术学院GAI省部共建国家重点实验室）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对弱监督时序动作定位中伪标签质量影响性能的问题，提出FuSTAL框架，在生成、选择、训练三阶段增强伪标签质量，在THUMOS'14上取得50.8%平均mAP，达50%里程碑。
2024-07-12 cs.CV
Rethinking Pseudo-Label Guided Learning for Weakly Supervised Temporal Action Localization from the Perspective of Noise Correction
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
针对弱监督时序动作定位中伪标签噪声干扰全监督检测头学习的问题，提出两阶段噪声标签学习策略，结合帧级伪标签生成与在线修正师生框架，有效校正边界、补偿短动作并解决多对一问题，在多个基准上取得最优性能。
2025-04-30 cs.CV
SparseTrack: Multi-Object Tracking by Performing Scene Decomposition based on Pseudo-Depth
Huazhong University of Science and Technology（华中科技大学）
提出SparseTrack多目标跟踪器，通过伪深度估计和深度级联匹配算法将密集目标集分解为稀疏子集进行关联，有效解决拥挤场景下的遮挡问题。
2023-11-20 cs.CV
AdaGS: Confidence-Gated Diffusion Adaptation for Unposed Sparse-View 3D Gaussian Reconstruction
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出通过置信度融合的伪视图增强方法，解决稀疏视角下户外场景重建中的几何不一致和伪影问题，提升重建质量和稳定性。
2026-11-02 cs.CV
Reliability-Adaptive Consistency Regularization for Weakly-Supervised Point Cloud Segmentation
Nanyang Technological University（南洋理工大学）；Monash University（莫纳什大学）
针对弱监督点云分割中直接应用一致性正则化存在的伪标签含噪、约束不足问题，提出结合置信度与不确定性的RAC-Net，实现自适应一致性训练，在基准数据集上取得更优性能。
2023-12-14 cs.CV
Simultaneous Super-Resolution and Cross-Modality Synthesis of 3D Medical Images using Weakly-Supervised Joint Convolutional Sparse Coding
The University of Sheffield（谢菲尔德大学）；University of East Anglia（东英吉利大学）
磁共振成像（MRI）提供高分辨率的\emph{in vivo}成像以及丰富的功能和解剖多模态组织对比度。然而，在实践中，存在与考虑扫描成本、患者舒适度和扫描时间相关的挑战，这些挑战限制了在临床或研究中可以获取多少数据。在本文中，我们探讨了从低分辨率单模态图像生成高分辨率和多模态图像的可能性。我们提出了弱监督联合卷积稀疏编码，同时解决了超分辨率（SR）和跨模态图像合成的问题。学习过程只需要几个注册的多模态图像对作为训练集。此外，可以使用较大的未配对图像集合来提高联合字典学习的质量。为了组合来自不同图像分辨率/模态的未配对数据，提出了异域图像对准项。通过对整个图像域（与图像块相对）进行操作并使用联合卷积稀疏编码来自然地保留局部图像邻域。配对的图像在联合学习过程中与未配对的数据和一个额外的最大平均差异项，这最大限度地减少了它们的特征分布之间的差异增强。实验表明，该方法优于国家的最先进的技术，在SR重建和同步SR和跨模态合成。
2017-05-07 cs.CV
WEEP: A Differentiable Nonconvex Sparse Regularizer via Weakly-Convex Envelope
Nagoya Institute of Technology, Aichi, Japan（名古屋技术大学，爱知，日本）；RIKEN Center for Advanced Intelligence Project, Tokyo, Japan（理化学研究所先进智能项目中心，东京，日本）
WEEP通过弱凸包框架提出了一种可微非凸稀疏正则化器，实现了可调无偏稀疏性和闭式近似算子，适用于压缩感知和图像去噪任务。
2026-01-19 cs.CV cs.LG
Improving Weakly Supervised Temporal Action Localization by Bridging Train-Test Gap in Pseudo Labels
The Chinese University of Hong Kong（香港中文大学）；Centre for Perceptual and Interactive Intelligence（香港感知与交互智能研究中心）；Beihang University（北京航空航天大学）
本文针对弱监督时序动作定位中训练与测试不一致的问题，提出高斯加权融合、约束优化伪标签生成和Δ伪标签自我校正机制，在THUMOS14和ActivityNet1.3上显著提升了定位性能。
2023-04-17 cs.CV
All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation
The University of Sydney（悉尼大学）；La Trobe University（乐卓博大学）
针对弱监督3D分割中伪标签噪声导致未标记数据利用不充分的问题，提出ERDA学习策略，通过熵正则化损失和分布对齐损失同时优化伪标签生成与分割网络，有效利用所有未标记数据点，仅用1%标注即超越全监督基线。
2023-10-20 cs.CV
Instance-Aware Pseudo-Labeling and Class-Focused Contrastive Learning for Weakly Supervised Domain Adaptive Segmentation of Electron Microscopy
College of Computer Science and Technology, Huaqiao University（华侨大学计算机科学与技术学院）；Department of Digital Economics, Jimei University（厦门理工学院数字经济系）
本文提出实例感知伪标签与类别聚焦对比学习方法，用于弱监督领域自适应显微镜图像分割，有效提升分割性能并缩小与监督方法的差距。
2026-05-01 cs.CV
GaussianFlowOcc: Sparse and Weakly Supervised Occupancy Estimation using Gaussian Splatting and Temporal Flow
Robert Bosch GmbH（罗伯特·博世有限公司）；University of Münster（穆斯尔大学）
针对3D占用估计任务，提出GaussianFlowOcc方法：以稀疏3D高斯替代密集体素，通过高斯Transformer架构降本增效，结合时间流捕捉动态，支持弱监督；在nuScenes上性能超现有方法，推理速度快50倍。
2025-08-25 cs.CV
Weakly-Supervised Surface Crack Segmentation by Generating Pseudo-Labels using Localization with a Classifier and Thresholding
School of Computing, Engineering and Built Environment, Glasgow Caledonian University（格拉斯哥卡里多尼亚大学计算、工程与建筑环境学院）
本文提出弱监督表面裂缝分割方法，通过CNN分类器定位图与阈值法融合生成伪标签，训练多种分割网络并在四个数据集上达到接近全监督的性能。
2021-10-27 cs.CV
Weakly Supervised Temporal Action Localization via Representative Snippet Knowledge Propagation
The Chinese University of Hong Kong（香港中文大学）；Centre for Perceptual and Interactive Intelligence（感知与智能交互中心）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
弱监督时间动作定位的目标是定位动作的时间边界，同时仅使用视频级别的类别标签来识别它们的类别。许多现有的方法试图生成伪标签，以弥合分类和本地化之间的差异，但通常只利用有限的上下文信息的伪标签生成。为了缓解这个问题，我们提出了一个代表性的片段摘要和传播框架。我们的方法旨在挖掘每个视频中的代表性片段，用于在视频片段之间传播信息，以生成更好的伪标签。对于每个视频，传播其自身的代表性片段和来自存储体的代表性片段，以视频内和视频间方式更新输入特征。伪标签是从更新特征的时间类激活图生成的，以纠正主分支的预测。我们的方法在两个基准测试，THUMOS 14和ActivityNet1.3，实现收益高达1.2%的平均mAP THUMOS 14相比，现有的方法获得了优异的性能。
2022-03-14 cs.CV
Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction
The Hong Kong University of Science and Technology（香港科技大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Dartmouth College（达特茅斯学院）
针对NeRF/3DGS稀疏视角重建易产生伪影的问题，提出Deceptive-NeRF/3DGS方法，通过带不确定性引导的欺骗性扩散模型生成高质量伪观测并逐步加入训练，将观测密度提升5-10倍，在少视角设置下实现了优于现有SOTA的超分辨率新视角合成效果。
2024-07-15 cs.CV
A Comparative Study on Effects of Original and Pseudo Labels for Weakly Supervised Learning for Car Localization Problem
本研究以Car Dataset为数据源，采用弱监督学习方法，研究了由于多个概念含义而产生的不同类别标签对定位的影响。此外，生成的标签也包含在比较中，解决方案变成了无监督学习。本文研究了多种设置的汽车定位的图像与其他方法，而不是监督学习。为了预测定位标签，类激活映射（CAM）的实施和从结果中，边界框提取使用形态边缘检测。除了原始的类标签，生成的类标签还用于训练CAM，并在此基础上给出了一个解决无监督学习问题的例子。在实验中，我们首先分析了Compcars数据集上弱监督本地化中类标签的影响。然后，我们表明，在这个特定的数据集中，所提出的无监督方法比弱监督方法的性能高出约%6。
2022-11-21 cs.AI cs.CV
Sub-action Prototype Learning for Point-level Weakly-supervised Temporal Action Localization
本文提出子动作原型学习框架SPL-Loc，通过子动作原型聚类和有序原型对齐生成高质量伪标签，解决点级弱监督时序动作定位中标签稀疏和子动作结构被忽略的问题，在三个基准上显著超越现有方法。
2023-09-16 cs.CV
Soft Self-labeling and Potts Relaxations for Weakly-Supervised Segmentation
University of Waterloo（滑铁卢大学）
本文针对涂鸦级弱监督分割提出软自标注方法，通过引入可表示类别不确定性的软伪标签、有原则的辅助损失及通用连续子问题求解器，仅用标准架构即显著超越复杂专用WSSS系统，甚至优于全像素精确监督。
2025-07-02 cs.CV
PLESS: Pseudo-Label Enhancement with Spreading Scribbles for Weakly Supervised Segmentation
Akian College of Science and Engineering, American University of Armenia（阿塞拜疆美国大学科学与工程学院）；Department of Computer Science, University of Oxford（牛津大学计算机科学系）
PLESS通过扩散涂鸦信息提升伪标签可靠性，改进弱监督分割性能。
2026-02-12 cs.CV cs.LG
CoDTS: Enhancing Sparsely Supervised Collaborative Perception with a Dual Teacher-Student Framework
Beijing Jiaotong University（北京交通大学）；School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）
针对稀疏监督协同感知中伪标签质量与数量难以兼顾的问题，本文提出CoDTS双师生框架，通过MFM、SFM、NAS和分阶段训练实现自适应互补学习，并达到新的最先进性能。
2025-03-18 cs.CV
