半监督三维实例分割的实例一致性正则化

弱监督的三维实例分割方法只需分类语义标签，减少注释成本，利用伪实例标签辅助学习。

提出基于交叉一致性的半监督语义分割方法，利用无标签数据提高编码器表示，取得最先进结果。

半监督医学图像分割方法结合深度学习和正则化技术，在多个医学图像数据集上表现优于其他方法。

聚类特征对比正则化方法在半监督学习中取得先进结果，通过聚类伪标签更新模型，传播标记信息。

无监督学习方法使用LiDAR传感器预测3D场景实例分割，在SemanticKITTI基准测试中显著提升准确率和F1分数。

自监督图像表示学习方法利用三维几何一致性指导学习，成功学习出优越性能的图像表示。

基于弱监督的实例分割方法通过条件分布建模伪标签生成不确定性，在PASCAL VOC 2012数据集上取得最新效果。

自监督正则化的半监督学习方法利用大量未标记数据提高模型性能，优于传统监督和半监督学习方法。

SCP-Net方法结合半监督和自我感知一致性学习，提高伪标签的紧致性和可靠性，显著提升性能。

自监督单视图三维重建模型通过2D图像和物体轮廓预测3D网格形状，减少模型预测时的歧义，推广到多种物体类别。