《Pattern Recognition》：TACoS: Weakly supervised learning of two-dimensional materials from scribble annotations to precise segmentation
编辑推荐：
自石墨烯成功剥离以来，二维材料已成为凝聚态物理与材料物理领域的重要研究焦点。机械剥离法因其操作简便且晶体质量高而被广泛用于制备二维材料样品。借助薄膜干涉效应，剥离的薄片在可见光下呈现明显的反射对比度和清晰的形态线索，为从显微图像中进行像素级薄片分割提供了物理可
自石墨烯成功剥离以来，二维材料已成为凝聚态物理与材料物理领域的重要研究焦点。机械剥离法因其操作简便且晶体质量高而被广泛用于制备二维材料样品。借助薄膜干涉效应，剥离的薄片在可见光下呈现明显的反射对比度和清晰的形态线索，为从显微图像中进行像素级薄片分割提供了物理可观测的基础。近年来，语义分割已被成功应用于二维材料薄片的自动识别。当训练图像具有充分标注时，模型能够学习目标区域的光学对比度、边缘梯度和纹理模式，实现像素级精确分割。然而，在实际实验室环境中，图像通常尺寸较大、背景复杂且含有多种杂质，像素级标注通常需要领域专家投入大量时间和精力，导致标注与维护成本显著增加，直接限制了训练效率和可扩展性。因此，完全依赖密集标注的全监督方案难以在常规实验流程中大规模部署。
弱监督学习为降低标注成本提供了替代方案。涂鸦标注介于点标注和完整掩码之间，允许标注者绘制粗略轮廓而非精确边界。通过一致性学习或扰动策略，模型可以利用稀疏涂鸦中的信息从未标注区域恢复完整分割能力。尽管涂鸦标注的成本略高于点标注，且相比框标注等信息量较弱的监督形式信息增益有限，但涂鸦天然编码了形状先验，通常在性能与标注效率之间实现良好权衡。值得注意的是，现有涂鸦监督分割研究主要集中于自然场景和医学图像，尚未有关于二维材料显微数据的系统性研究报道。
现有涂鸦监督分割方法大致可分为正则化学习、伪标签学习和一致性学习三类。然而，这些方法在二维薄层材料显微图像场景下均存在不足。正则化学习通过约束相邻像素间的标签一致性来传播监督信号，但在二维材料分割场景中，其对颜色和灰度等低层材料特征的强调易受背景纹理干扰，难以与高层语义边界判断有效融合。伪标签学习尝试通过自训练使监督信号密集化，但当薄片与背景颜色相近且厚度或干涉色变化时，模型在语义边界附近生成的伪标签可能产生系统性偏差，且误差会在迭代中累积。一致性学习在不同扰动下对齐预测以正则化模型，但主要强化输出稳定性而非直接提升边界判别能力。其核心问题在于涂鸦的空间特性：标注者通常标记高置信度的内部区域，边界像素几乎不受监督。边界恰恰是最难学习的部分，原因包括几何稀疏性、特征模糊性和成像退化。受上述瓶颈制约，现有方法往往在边界精度与区域一致性之间妥协，难以胜任二维材料薄片分割任务。
为此，本文提出TACoS（基于树结构的非对称对比分割），这是首个专门针对二维材料设计的涂鸦标注分割框架。TACoS在统一的端到端训练框架中整合了弱-强一致性学习、结构化正则化和在线伪标签语义引导，能够在低标注成本下实现未标注区域的高效学习，同时显著增强边界与结构稳定性。TACoS包含三个紧密耦合的核心设计：未标注弱-强分布对齐模块（UWSD）、树能量正则化模块（TER）和非对称区域对比学习模块（ARCL）。UWSD仅在未标注像素上对弱/强增强视图的预测分布施加一致性约束，为主体的未标注区域提供密集训练信号。TER在骨干网络特征上构建最小生成树，通过树滤波生成结构感知的软参考，对未标注像素施加结构化正则化，抑制前景碎片化和连通域漂移。ARCL利用弱增强分支的高置信度预测补全未标注伪标签，与涂鸦标注结合形成增强标签，并对强增强分支的表征施加对比约束，将边界学习转化为对比学习问题，无需额外边界标签即可增强边界判别表征。
实验结果表明，即使标注数据不足0.6%，该方法仍能达到全监督性能的96%以上，并在可视化结果中展现出优越的区域连贯性和边界稳定性。本文的主要贡献包括：首次将稀疏监督引入二维材料分割，提出统一框架TACoS，整合半监督一致性学习与结构化树能量约束；设计非对称区域对比学习模块，在表征空间中构建类别原型并进行区域级对比学习，同时将对比约束聚焦于未标注边界区域的困难像素，增强类内凝聚性与类间分离性；通过定量指标和可视化分析，充分验证了TACoS在弱对比边缘和复杂背景场景下的结构一致性与边界稳定性优势。
一、研究背景与问题
二维材料因其独特的物理性质成为凝聚态物理与材料物理的研究热点，机械剥离法制备的样品在光学显微镜下呈现明显的反射对比度，为像素级分割提供了物理基础。近年来，语义分割技术已被应用于二维材料薄片的自动识别，但全监督方案依赖专家进行像素级密集标注，成本高昂且难以规模化部署。弱监督学习中的涂鸦标注介于点标注与完整掩码之间，能以较低成本编码形状先验，然而现有涂鸦监督方法主要面向自然场景和医学图像，缺乏针对二维材料显微图像的系统性研究。现有方法在二维材料场景下存在共同瓶颈：涂鸦标注集中于高置信度内部区域，边界像素几乎不受监督，而边界恰恰因几何稀疏性、特征模糊性和成像退化而最难学习。正则化学习受背景纹理干扰，伪标签学习在低对比条件下产生系统性偏差，一致性学习仅强化输出稳定性而不直接改善边界判别能力。为此，研究人员提出TACoS框架，首次将稀疏监督引入二维材料分割，在低标注成本下实现接近全监督的性能。
二、研究内容与结论
研究人员提出了TACoS（Tree-based Asymmetric Contrast Segmentation，基于树结构的非对称对比分割）框架，这是首个专门针对二维材料设计的涂鸦标注分割方法。该框架采用单阶段端到端训练范式，将弱-强一致性学习、结构化正则化与在线伪标签语义引导统一于同一目标函数中，完全消除了离线伪标签生成、迭代模型重训练和独立微调阶段的需求。实验表明，在标注数据不足0.6%的条件下，TACoS仍能达到全监督性能的96%以上，并在低对比边缘和复杂背景场景中展现出优越的区域连贯性与边界稳定性。这一成果首次验证了稀疏监督在二维材料分割中的可行性，为降低标注成本、提升自动化识别效率提供了新的技术路径。
三、关键技术方法
研究人员采用DINOv2作为统一骨干网络，DPT作为分割头，构建弱-强双分支共享权重的编码器-解码器架构。方法包含三个核心模块：UWSD模块在未标注像素上对弱增强与强增强视图的预测分布施加一致性约束，提供密集训练信号；TER模块在骨干特征上构建最小生成树，通过两阶段树滤波生成结构感知软参考，对未标注像素施加空间结构正则化；ARCL模块融合弱增强分支的高置信度伪标签与涂鸦标注形成增强标签，在表征空间中进行基于类原型的区域级对比学习，并聚焦于边界区域的困难像素。三个模块与标准涂鸦损失在统一目标函数中联合优化。
四、研究结果
4.1 UWSD：未标注弱-强分布对齐
该模块借鉴UniMatch V2的设计思想，采用弱-强双分支架构，利用模型在弱增强图像上的高质量预测引导强增强图像的表示学习。仅在未标注像素上施加弱-强预测分布的一致性约束，为主体的未标注区域提供密集的像素级训练信号，增强了模型对噪声和扰动的鲁棒性。
4.2 TER：树能量正则化
该模块受TEL方法启发，在骨干网络特征空间上结合低层细节与高层语义特征构建最小生成树，通过两阶段树滤波生成具有全局感知能力的软参考，对未标注像素施加严格的空间结构正则化约束，有效抑制前景碎片化和连通域漂移，增强分割结果的结构完整性。
4.3 ARCL：非对称区域对比学习
该模块受ReCo和GCBL启发，利用弱增强分支的高置信度预测补全未标注伪标签，与涂鸦标注结合形成增强标签。在强增强分支的表征空间中进行区域级对比学习，构建类别原型并施加非对称对比约束，将对比约束聚焦于未标注边界区域的不确定像素，增强类内凝聚性与类间分离性，显著提升边界判别精度。
4.4 整体性能
定量实验表明，TACoS在标注数据不足0.6%的条件下达到全监督性能的96%以上。与A2GNN、URSS、CC4S、AGMM、SASFormer等典型涂鸦监督基线方法相比，TACoS在弱对比边缘和复杂背景场景中展现出更优的区域连贯性和边界稳定性。消融实验验证了UWSD、TER和ARCL三个模块的独立贡献及耦合增益。
五、讨论与结论
讨论部分指出，现有涂鸦监督方法在二维材料显微图像中面临伪标签偏差累积和边界像素缺乏直接监督的问题。TACoS通过弱-强对齐提供密集未标注训练信号，通过树结构约束增强结构稳定性并防止错误标签传播，通过区域级对比学习在特征空间中增大样品与基底背景及其他杂质的距离，有效解决了低对比导致的边界难以区分问题，在不增加标注成本的前提下提升轮廓质量。研究结论表明，TACoS作为首个面向二维材料的稀疏监督分割框架，在极低标注成本下实现了接近全监督的性能，为二维材料显微图像的自动化分析提供了高效可靠的解决方案，也为稀疏监督在材料科学领域的推广应用奠定了基础。
