PixCon은 준지도 세그멘테이션에서 신뢰할 수 있는 가짜 라벨을 선택하는 문제를 해결하기 위해 클린-포지티브 픽셀 콘트라스트 프레임워크를 제안합니다.
DINOv2 티처를 활용하여 이미 98%의 정확한 가짜 라벨 세트를 유지하므로, 성능 향상은 필터링이 아닌 임베딩 공간 구조에 달려 있습니다.
PixCon은 각 클래스별 메모리 뱅크를 유지하며, 학생이 올바르게 분류하는 라벨된 픽셀만 허용하여 오염 없는 포지티브 세트(ρ_F=0)를 구축합니다.
Pascal VOC, Cityscapes, ADE20K 데이터셋에서 UniMatch V2 베이스라인을 능가하는 성능을 보여주며, 교사의 약화에 대한 강건성을 제공합니다.