提出了一种名为 L-MAE（标签掩码自编码器） 的创新方法，旨在解决语义分割数据集制作成本高且标注易出错的问题。该模型首次将掩码自编码器（MAE）架构应用于下游的标签补全任务，通过一种 Stack Fusion（堆栈融合） 策略将不完整的标签与原始图像融合，并利用 Image Patch Supplement（图像块补充） 算法在重建过程中引入视觉引导，从而实现像素级的精准标签修复。实验证明，L-

监督预训练的 “epoch 饱和” 问题显著组件设计的适配性与通用性不足模型架构适配性单一：实验主要基于 ViT-B/16 验证，仅在 SimMIM+Swin-Base 上做了简单兼容性测试（表 7，精度提升 0.2%），未深入探索在更大模型（如 ViT-L/H）、 hierarchical 架构（如 Swin-V2、ConvNeXt）上的表现，难以验证方法对不同视觉 Transformer 的普

监督预训练的 “epoch 饱和” 问题显著组件设计的适配性与通用性不足模型架构适配性单一：实验主要基于 ViT-B/16 验证，仅在 SimMIM+Swin-Base 上做了简单兼容性测试（表 7，精度提升 0.2%），未深入探索在更大模型（如 ViT-L/H）、 hierarchical 架构（如 Swin-V2、ConvNeXt）上的表现，难以验证方法对不同视觉 Transformer 的普