본 연구는 레이블이 부족한 은닉 객체 분할(LDCOS) 문제를 해결하기 위해, 일관성 제약 조건과 Segment Anything Model(SAM) 기반 유사 레이블링을 결합한 SCALER라는 통합 협업 프레임워크를 제안한다. SCALER는 평균-교사 분할 모델과 학습 가능한 SAM을 공동 최적화하며, 분할 모델과 SAM 간의 상호 개선을 목표로 한다. 두 단계로 작동하며, 첫 번째 단계에서는 SAM의 고정된 감독 하에 엔트로피 기반 및 불확실성 기반 가중치를 사용하여 분할 모델을 최적화하고, 두 번째 단계에서는 SAM을 증강 불변성 및 잡음 저항 손실을 통해 업데이트한다. 8개의 반- 및 약-지도 COS 작업에서 일관된 성능 향상을 보였으며, 경량 분할 모델과 대형 기반 모델 모두에 적용 가능한 일반적인 학습 패러다임으로 제시된다.
