本文提出了一种自监督的曲线目标分割方法，利用分形和未标注图像学习特征，结合分数合成模块和几何信息对齐方法。实验结果表明，该方法在多个数据集上优于现有技术，显著提升了半监督语义分割的性能。

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。

本文提出了一种基于自注视网络和显著性先验的半监督语义分割模型，能够在PASCAL VOC 2012数据集上超越现有方法。通过多任务学习框架和自适应区域划分，模型有效处理不确定性区域，提升了分割精度，推动了弱监督语义分割的发展。

该文综述半监督与弱监督语义分割方法，利用少量标注和大量无标签数据，通过伪标签、自训练、教师模型、主动学习及视觉-语言嵌入等技术降低标注成本，在PASCAL VOC、Cityscapes等数据集上达到最优性能并提升跨域泛化能力。