تُحقق الطرق الموحّدة للفصل البانوبتيكي حالة متقدمة من النتائج على عدة مجموعات بيانات. ولتحقيق هذه النتائج على مجموعات بيانات ذات دقة عالية، تطبّق هذه الطرق تدريبًا مبنيًا على القطع (crop-based training). في هذا العمل، نكتشف أنّ، رغم أن التدريب القائم على القطع مفيد بشكل عام، فإنه يحمل أيضًا تأثيرًا ضارًا. وبصورة محددة، فإنه يحد من قدرة الشبكات الموحّدة على التمييز بين حالات الكائنات الكبيرة، مما يؤدي إلى تنبؤات غير واضحة بين عدة حالات متعددة. ولحل هذه المشكلة، نقترح "المراقبة داخل المجموعة" (Intra-Batch Supervision - IBS)، التي تحسّن قدرة الشبكة على التمييز بين الحالات من خلال إدخال مراقبة إضافية باستخدام صور متعددة من نفس المجموعة (batch). ونُظهر أن استخدامنا لـ IBS يُسهم في حل مشكلة الالتباس بشكل فعّال، ويعزز باستمرار أداء الشبكات الموحّدة. وبالنسبة لمجموعتي بيانات Cityscapes وMapillary Vistas عاليتي الدقة، نحقق تحسينات تصل إلى +2.5 في مؤشر جودة الفصل (Panoptic Quality) لفئات الكائنات (thing classes)، بالإضافة إلى مكاسب أكبر بشكل ملحوظ تصل إلى +5.8 في كلا المؤشرين: دقة البكسل (pixel accuracy) ودقة دقة البكسل (pixel precision)، والتي نُعرّفها كمقياسين أفضل لقياس مشكلة الالتباس.