P2Seg: 通过相互蒸馏进行逐点监督的分割
内容提要
该文综述半监督与弱监督图像分割研究进展。半监督分割方面，DPMS通过数据扰动与模型稳定化提升性能，MMT-PSM采用教师—学生网络并挖掘扰动敏感样本，多层级知识蒸馏实现轻量半监督语义分割，另有二十年SiS综述及Transformer趋势分析。弱监督实例分割方面，自训练改进伪标注，像素级原型对比提升语义分割，点标签WSSIS与Implicit PointRend降低标注成本，条件分布建模伪标签不确定性，多模态2D/3D监督提高伪标签质量。
延伸解读
半监督分割的两条技术路线
文章梳理的半监督分割工作大致分为两类：一类以DPMS为代表，通过数据扰动和模型稳定化制造预测不一致来提升性能；另一类以MMT-PSM为代表，采用教师—学生框架并挖掘扰动敏感样本。两者都试图利用未标注数据，但前者侧重扰动策略设计，后者侧重样本筛选与知识传递。读者可据此判断不同方法的核心机制差异。
弱监督实例分割的标注成本权衡
弱监督实例分割的核心诉求是降低标注成本。文中WSSIS使用点标签，在COCO上取得33.7%的结果，高于半监督方法的24.9%；Implicit PointRend则显示仅标注每个物体随机10个点即可达到全监督94%至98%的效果，且标注速度快5倍。这些数据说明点级标注在精度与成本之间提供了一种可量化的折中方案。
伪标签质量是弱监督方法的关键变量
多篇工作围绕伪标签的生成与优化展开：自训练方案用于改进伪标注并抑制语义漂移；条件分布建模则显式刻画伪标签生成中的不确定性，在PASCAL VOC 2012上比最优基线提升4.2%和4.8% mAP；MWSIS进一步结合2D与3D多模态监督提高伪标签质量。可见伪标签的可靠性与不确定性建模是影响弱监督分割性能的重要环节。
从综述视角看语义分割的演进
文中提及的SiS综述覆盖二十年研究，并指出Transformer深度学习方法的最新趋势，同时强调多域学习、域泛化和新环境分割时削减域等技术的影响。这提示读者，语义分割的研究脉络已从早期方法扩展到Transformer架构与域适应问题，医学图像分割等应用也被纳入相关任务讨论中。
Q&A
DPMS方法是如何提升半监督医疗图像分割性能的？
DPMS通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升半监督医疗图像分割（SSMIS）的性能。
MMT-PSM框架有什么特点？
MMT-PSM是一个包含教师和学生网络的Mask-guided Mean Teacher框架，采用扰动敏感样本挖掘，利用标注和未标注数据训练，性能优于仅监督方法和最先进的半监督方法。
轻量级半监督语义分割模型如何实现知识蒸馏？
该模型采用多层级知识蒸馏技术，结合像素级一致性约束、语义感知层次损失和内容感知区域损失等多层次损失策略，从多个角度精炼模型知识，在更少运算资源和更小模型体积下取得显著性能提升。
WSSIS方法在实例分割中有什么优势？
WSSIS使用点标签实现高效实例分割，并引入MaskRefineNet处理少量标签数据，在COCO数据集上表现优于当前半监督方法（33.7% vs. 24.9%）。
基于单点标注的弱监督实例分割能达到什么效果？
仅标注每个物体的随机10个点就能达到94%至98%的全监督效果，比全物体标注快5倍，并提出了Implicit PointRend模型。
MWSIS框架如何利用多模态监督提高伪标签质量？
MWSIS框架同时利用2D和3D注释进行弱监督和多模态跨模态监督，提高伪标签质量，在自动驾驶等领域显著提升性能并降低注释成本。
