पिछले छवि विभाजन अनुसंधान, जो स्पष्ट लेबल नॉइज़ पर केंद्रित है, के विपरीत, यह शोधपत्र वास्तविक-विश्व डेटासेट की सूक्ष्म (अंतर्निहित) लेबल अपूर्णता, जैसे अस्पष्ट वस्तु सीमाएँ या एनोटेटर्स के बीच अंतर, को संबोधित करता है। ये सूक्ष्म नॉइज़, भले ही स्पष्ट न हों, मॉडल के प्रदर्शन को कम कर सकते हैं। इस शोधपत्र में, हम NSegment+ प्रस्तुत करते हैं, जो एक नया संवर्द्धन ढाँचा है जो इस यथार्थवादी नॉइज़ को संबोधित करने के लिए छवि और लेबल परिवर्तनों को अलग करता है। NSegment+ मूल छवि को बनाए रखता है जबकि नियंत्रित प्रत्यास्थ विरूपण केवल खंडित लेबलों पर लागू होता है, जिससे यह मामूली लेबल बेमेल के बावजूद वस्तु संरचना के सुदृढ़ निरूपण सीखने पर ध्यान केंद्रित कर सकता है। प्रायोगिक परिणाम दर्शाते हैं कि NSegment+ वैहिंगेन, लवडीए, सिटीस्केप्स और PASCAL VOC डेटासेट पर क्रमशः +2.29, +2.38, +1.75 और +3.39 का औसत माध्य IoU सुधार प्राप्त करता है। इसे अन्य प्रशिक्षण तकनीकों, जैसे कि कटमिक्स और लेबल स्मूथिंग के साथ संयोजित करने पर, प्रदर्शन और भी बेहतर हो जाता है।
