SCALER：针对标注不足隐蔽物体分割的SAM增强协作学习

现有方法要么依赖一致性约束，要么基于Segment Anything Model（SAM）的伪标签。然而，由于目标的内在隐蔽性以及标注稀缺，其性能仍受限。本研究探讨两个关键问题：（1）一致性约束和SAM基于监督的信息能否联合集成以更好地利用互补信息并增强分割器？（2）除此之外，分割器是否能够通过反向监督指导SAM，从而实现相互改进？为回答这些问题，我们提出了SCALER，一个面向标注不足隐蔽物体分割（LDCOS）的统一协作框架，联合优化mean-teacher分割器和可学习的SAM。SCALER在两个交替阶段中运行。在\textbf{阶段1}中，采用基于熵的图像级和基于不确定性的像素级加权，对固定SAM监督下的分割器进行优化，以选择可靠的伪标签区域并突出更难的样本。在\textbf{阶段2}中，SAM通过增强不变性和噪声抗性损失进行更新，利用其对扰动的内在鲁棒性。实验表明，SCALER在八个半监督和弱监督的隐蔽物体分割任务中均实现了一致的性能提升。结果进一步表明，SCALER可作为增强轻量级分割器和大型基础模型的通用训练范式，以应对标注稀缺条件。代码将在发布。