Quality-Guided Semi-Supervised Learning for Medical Image Segmentation
质量引导的半监督医学图像分割学习
🧭 医学图像分割 · 半监督学习 · 质量评估
School of Computing Science, Simon Fraser University, Canada
用专用网络预测分割质量，通过合成腐败训练该预测器，并以质量感知正则化与伪标签重加权增强半监督分割
📌 工作参考价值（4 点）
- 训练辅助网络评估生成结果质量并用于样本加权，该思路可迁移到电商弱监督学习，例如对用户行为序列生成的伪标签进行可靠性评分。
- 通过合成腐败（噪声、掩盖、变形）构造低质量数据训练质量预测器，类似方法可用于构建电商图像或文本描述的质量评估器。
- 质量感知正则化损失：对低置信度区域施加平滑，可类比于推荐模型中对不确定性高的预测施加正则，防止过拟合噪声标签。
- 即插即用的设计降低了集成成本，该思想可直接应用于现有半监督Agent或生成式推荐框架，快速引入质量感知机制。