该研究提出了一种分阶段的自我训练框架，利用伪掩模和多任务模型来提升半监督语义分割的性能。实验结果显示，在PASCAL VOC 2012和ISIC 2018数据集上，相较于现有方法有显著提升。同时，研究探讨了弱监督方法和简化网络架构的有效性，强调在有限资源下实现高质量分割的潜力。

该文综述多种基于盒子的实例分割方法：利用目标检测与实例规范化提升生物图像分割精度；用距离变换与残差解卷积实现跨框分割；B2Inst以全局边界表示提升边界精度；关键点检测法分割细胞；CFNet处理完全遮挡与密集目标；图像级标签两阶段框架生成伪掩模；多尺度网络做显著性分割；不确定区域指导检测道路异常；分类模块与度量学习提升手术工具分割；ISBNet用核与动态卷积实现三维实例分割。