告别海量标注！ConformalSAM 解锁基础模型，半监督分割效率翻倍！

主要观点总结

本文介绍了ConformalSAM框架在半监督语义分割任务中的应用。针对直接使用基础模型生成伪标签存在的显著噪声问题，研究团队引入了共形预测技术，并设计了包括共形预测校准和自主训练在内的两阶段训练策略。该框架在PASCAL VOC和ADE20K三大基准测试中显著刷新了性能记录，并且可插件式增强现有方法，为降低标注成本提供了可验证的新范式。

关键观点总结

关键观点1: 研究背景

半监督语义分割技术结合少量有标签数据和大量无标签数据，为解决高质量标注数据稀缺的困境提供了新思路。随着SAM等基础分割模型的崛起，研究者开始思考如何利用这些预训练模型为无标签数据生成标注，进一步降低标注成本。

关键观点2: 问题的挑战

直接使用基础模型（如SEEM）生成的掩码作为监督信号，模型性能甚至低于仅使用少量有标签数据训练的基线模型。可视化对比显示，基础模型直接生成的掩码存在大量噪声，边界模糊且类别混淆严重。

关键观点3: 解决方案的提出

针对上述问题，研究团队提出了ConformalSAM框架，通过引入共形预测技术实现基础模型的不确定性量化与校准。该框架包括两个阶段：第一阶段是共形预测校准，筛选高置信度伪标签；第二阶段是自主训练策略，避免模型过拟合残留误差。

关键观点4: 实验验证

研究团队在PASCAL VOC和ADE20K三个标准数据集上进行了全面评估，验证了ConformalSAM的优越性。相比现有方法，ConformalSAM在PASCAL VOC数据集上实现了显著的性能提升，并且在ADE20K数据集上也表现出强大的有效性。此外，ConformalSAM还能与现有SSSS方法无缝集成，提升现有方法的性能。

关键观点5: 总结与展望

ConformalSAM框架通过不确定性校准而非直接微调，既保留了基础模型的泛化能力，又适应了特定任务需求。研究团队还通过消融实验量化了各核心组件的作用，并确定了最佳超参数设置。未来研究可进一步探索共形预测在其他基础模型中的应用，以及在更复杂场景中的适应性优化。