弱监督增量语义分割（WILSS）面临的核心挑战在于持续引入的噪声监督会逐步破坏类别级表示，导致严重的特征漂移和语义腐蚀，使新学习的类别覆盖旧类别。针对这一问题，来自 Zhonggai Wang 等作者的研究提出了一种名为 SASA 的抗漂移弱监督增量学习方法，通过语义锚点与空间仲裁来稳定语义学习。该论文已被 ICME2026 接收，代码已在 GitHub 上开源。
SASA 方法从表示和监督两个层面入手解决特征漂移问题。在表示层面，研究团队引入了可学习令牌作为语义锚点，这些锚点充当刚性的类别级参考，用于在长期增量学习过程中保持每个类别的语义身份不变。与此同时，方法还设计了弹性残差适应模块，允许在锚点基础上进行受控的、针对具体实例的细化调整。这种刚性与弹性相结合的设计，使得模型能够在保持稳定性的同时具备必要的灵活性，从而形成一条稳定而灵活的学习轨迹。
在监督层面，SASA 开发了空间标签仲裁机制。该机制执行几何感知的决策，直接过滤掉不可靠的监督信号，并强制执行严格的“一物体一类别”约束。通过这种方式，模型能够有效提升弱监督信号的可靠性，减少噪声对类别表示的负面影响。表示层面的稳定与监督层面的净化协同作用，共同缓解了弱监督下的特征漂移问题。
研究团队在标准基准上进行了大量实验，结果表明 SASA 方法在性能上持续优于现有的最先进方法。尤其是在具有挑战性的多步增量设置中，该方法的优势更为明显。多步增量学习要求模型在多个阶段中不断学习新类别而不遗忘旧类别，这对特征的稳定性和监督的可靠性提出了更高要求，而 SASA 正是针对这些难点进行了有效设计。
该工作的贡献在于同时从表示稳定性和监督可靠性两个角度出发，为弱监督增量语义分割提供了一种系统性的解决方案。通过语义锚点保持长期语义身份，通过弹性残差适应实现灵活细化，再通过空间仲裁过滤噪声并 enforce 空间一致性，SASA 在多个基准上验证了其有效性。论文代码已公开，便于后续研究和复现。