该文综述弱监督实例分割研究，通过自训练、对比学习、点标签、LiDAR与3D框、多模态监督等方法降低标注成本、提升伪标签质量并缓解语义漂移，在PASCAL VOC、COCO、nuScenes、Waymo等数据集上取得领先性能，部分方法无需实例预训练。

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。

我们提出了一种新的弱监督手术器械实例分割方法，名为PWISeg。该方法使用基于FCN的架构，通过点到框和点到掩模分支建模特征点与边界框以及特征点与分割掩模之间的关系，联合完成手术器械的检测和分割任务。实验结果表明，PWISeg在手术器械分割任务上具有卓越性能。