PixCon：用于基础模型半监督分割的干净正对比学习

半监督语义分割（SSSS）长期以来一直致力于解决一个问题，即哪些伪标签值得信任，并通过更加仔细的置信度过滤来回答这个问题。基金会主干改变了这一制度：对于 DINOv2 教师，严格的阈值已经保留了测量到的 98% 干净的伪标签集，因此保留的准确性不在于过滤器，而在于如何按类别构建嵌入空间。我们提出 PixCon，一个干净的正像素对比框架。 PixCon 维护一个每类记忆库，只接受学生已经正确分类的标记像素，通过构建保证无污染的正集 ($ρ_F=0$)，这与之前从置信度过滤的伪标签构建的对比 SSSS 库（ReCo、U$^2$PL）不同。它是一致性主干上的单个分支，不添加推理时间参数，并且不需要银行特定的阈值。对监督 InfoNCE 梯度的一阶分析解释了为什么污染会造成伤害：它的假阳性项缩放为 $ρ_F/(1-ρ_F)$，我们测量（Pascal 上为 0.018，ADE20K 上为 0.106）而不是假设。在 Pascal VOC、Cityscapes 和 ADE20K 中，PixCon 在计算匹配的单开关协议中匹配或改进了基于 DINOv2 的强大 UniMatch V2 基线：它改进了每个 Pascal-1/8 种子（每种子增益约为 +0.2 mIoU），并且其三种子平均值达到 87.90（已发布的 UniMatch V2-B 数据）。由于在基础模型教师中污染已经很少见，我们的分析表明 $ρ_F=0$ 保证主要在教师削弱时起到鲁棒性的作用，而准确性的增益来自更清洁的积极监督，使清洁积极对比成为基础模型 SSSS 的稳健、低成本默认值。