CW-BASS v2：基础模型教师下半监督分割的饱和感知伪标签选择

半监督语义分割长期以来一直在解决一个问题，即哪些伪标签值得信任，一代选择规则、动态阈值、每班课程、软置信度权重为当时吵闹、缺乏自信的 ResNet 教师提供了答案。自监督基础编码器改变了这一制度：对于 DINOv2 教师，信心饱和，因此帮助弱教师的过滤可能会伤害强教师。我们提出了 CW-BASS v2，一种饱和感知伪标签选择方法，它读取教师的置信度而不是遵守一条规则。它将保留校准（一种无偏的每类噪声估计）与可证明保留率远离 1 的自适应置信底线配对，并将它们组合在一个单通道门中：测量教师置信集的可靠性，pi_kept = Pr[正确 | c >= tau]，在保留的切片上，并在满足所需的置信度（pi_kept >= tau）时严格过滤，否则回落到自适应地板。边界是预先存在的操作阈值，而不是调整为 mIoU 的值，并且在 6 个 DINOv2 教师中，它使正确的 strict-vs-floor 调用变得盲目。因此，CW-BASS v2 通过选择严格（Pascal VOC 1/8 87.4 相对于报告的 87.9；城市景观在 0.5 以内）恢复了饱和基准上的 UniMatch V2 操作点，并在置信集不可靠的情况下对其进行了改进（pi_kept ~ 89%，ADE20K），其中地板边缘领先（+1.5 mIoU，单种子）。门是有原则的，因为它避免的失败是测量的，而不是假设的：在可靠的、饱和的教师上，置信分布的动态范围崩溃（98％的帕斯卡像素> = 0.95），因此自适应截止淹没了保留掩模，自我训练衰减为确认偏差。