ICCV 2025 | KAIST 提出 S⁴M：SAM 赋能半监督实例分割，破解少标签下定位难题 ...

主要观点总结

本文主要介绍了ICCV 2025的潜力神文《S4M: Boosting Semi-Supervised Instance Segmentation with SAM》。文章详细阐述了S4M框架如何结合SAM模型和传统分割框架的优势，通过三步提升半监督实例分割的性能。第一步是通过结构蒸馏提升教师网络的定位能力；第二步是利用SAM细化伪标签；第三步是通过ARP增强策略生成训练数据。在Cityscapes和COCO数据集上的实验结果证明了该方法的有效性。

关键观点总结

关键观点1: 研究背景

实例分割需要大量标注数据，全监督方法成本高，半监督学习虽然能利用未标注数据，但生成的伪标签存在问题。SAM模型具有优秀的定位能力，但直接使用会出现过分割的问题。

关键观点2: S4M框架的创新点

S4M框架结合了SAM模型和传统分割框架的优势，通过三步提升半监督实例分割的性能：1. 结构蒸馏提升教师网络定位能力；2. SAM细化伪标签；3. ARP增强策略生成训练数据。

关键观点3: 实验结果

在Cityscapes和COCO数据集上，S4M框架直接提升了基线方法的性能。消融实验证明了三个模块的有效性。SAM模型不需要微调，可直接用于任务。

关键观点4: 论文推广

计算机书童公众号为论文推广提供了一个平台，鼓励高校实验室或个人分享自己的论文解读。投稿需符合基本要求，包括文章确系个人论文解读且未曾在公众号平台标记原创发表。