PLESS：基于扩散写字的伪标签增强用于弱监督分割
计算机视觉与模式识别
2026-02-13 v1 机器学习
摘要
使用草图注释的弱监督学习使用稀疏的用户绘制的笔画来指示小子集像素的分割标签。这一注释减少了稠密像素级标注的成本，但本质上存在噪声和不完整的监督。最近的草图方法在医学图像分割中通过伪标签来解决这一限制，但伪标签的质量仍是关键性能瓶颈。我们提出PLESS，即一个通用的伪标签增强策略，通过扩散写字来提高可靠性和空间一致性。它基于将图像划分为层次结构的空间一致区域的划分。PLESS 通过在语义一致的区域内传播草图信息来细化伪标签。该框架是模型无关的，并且容易集成到现有的伪标签方法中。在两个公共心脏 MRI 数据集（ACDC 和 MSCMRseg）上的四个草图监督算法的实验显示出在分割精度方面一致的改进。代码将在接受后在GitHub 上公开。
引用
@article{arxiv.2602.11628,
title = {PLESS: Pseudo-Label Enhancement with Spreading Scribbles for Weakly Supervised Segmentation},
author = {Yeva Gabrielyan and Varduhi Yeghiazaryan and Irina Voiculescu},
journal= {arXiv preprint arXiv:2602.11628},
year = {2026}
}
备注
This work was supported by the Afeyan Family Foundation Seed Grants and the JACE Foundation Research Innovation Grant Program at AUA