본 논문은 소량의 레이블이 지정된 이미지와 대량의 레이블이 지정되지 않은 데이터를 활용하여 분할 정확도를 향상시키는 반지도 학습 의미론적 분할(SSSS)에 대해 다룹니다. 기존 방법들의 한계인 전역적 의미론적 표현과 미세한 지역적 특징 추출 간의 균형 문제를 해결하기 위해, 이중 교사 전략을 통합한 새로운 삼중 분기 반지도 학습 분할 프레임워크인 IGL-DT를 제안합니다. IGL-DT는 SwinUnet을 이용한 전역 문맥 학습으로 고차원 의미론적 지침을 제공하고, ResUnet을 이용한 지역적 학습으로 세부적인 특징을 다듬습니다. 또한, 불일치 학습 메커니즘을 통해 단일 교사에 대한 과도한 의존성을 완화하고 적응적 특징 학습을 촉진합니다. 벤치마크 데이터셋에 대한 광범위한 실험 결과, 제안된 방법이 최첨단 방법들을 능가하는 우수한 분할 성능을 다양한 데이터 환경에서 달성함을 보여줍니다.
