BoundMatch: 应用于半监督分割的边界检测

半监督语义分割（SS-SS）旨在通过利用大量无标签图像以及小规模的已标记数据集，减轻密集像素标注的沉重负担。虽然当前的一致性正则化方法取得了强烈的成绩，但大多数方法并未将边界作为独立的学习目标进行建模。本文提出了BoundMatch，一种新颖的多任务半监督分割框架，通过教师-学生一致性正则化管道显式集成语义边界检测。我们的核心机制——边界一致性正则化的多任务学习（Boundary Consistency Regularized Multi-Task Learning, BCRM）——在分割掩码和详细语义边界上强制教师模型与学生模型之间的预测一致，从而提供来自两个独立任务的互补监督。为进一步提升性能并鼓励更锐利的边界，BoundMatch 引入了两个轻量级融合模块：边界-语义融合（Boundary-Semantic Fusion, BSF）将学习到的边界线索注入分割解码器，而空间梯度融合（Spatial Gradient Fusion, SGF）利用掩码梯度细化边界预测，生成更可靠的边界伪标签。该框架建立在SAMTH之上，SAMTH 是一种强大的教师-学生基线，采用和谐批量归一化（Harmonious Batch Normalization, HBN）更新策略以提高稳定性。 extensive 实验在包括 Cityscapes 和 Pascal VOC 在内的多样数据集上表明，BoundMatch 在当前方法中取得了具竞争力的性能。本方法在使用 DINOv2 基础模型的新 Cityscapes 基准上实现了状态的最佳成绩。消融研究突出显示BoundMatch 在提高边界特定评估指标方面的能力，其在现实中大规模无标签数据场景下的有效性，以及其针对轻量级架构进行移动部署的适用性。