点监督全景分割的核心是从稀疏点标签中准确估计密集的伪标签，以训练全景分割头。先前的工作主要基于手工规则生成伪标签，例如将多个点连接成多边形蒙版，或者根据人工定义的遍历距离将点标签的标签信息分配给无标签像素。伪标签的准确性受到手工规则性能的限制（多边形蒙版在物体轮廓区域不够准确，遍历距离存在累积误差，会导致错误的伪标签）。为了克服手工规则的局限性，我们使用一个纯数据驱动的伪标签分支来估计伪标签，该分支被点标签端到端监督优化，以实例感知查询作为输入，预测了比先前方法更准确的伪标签。我们还使用点标签训练了辅助语义分支，通过共享参数将语义分割知识传递给伪标签分支，从而帮助其训练。在Pascal VOC和MS COCO上的实验证明我们的方法是有效的，与相关工作相比，表现出了最先进的性能。
