图像级弱监督语义分割（WSSS）依赖于类别激活图（CAMs）生成伪标签。然而，由于CAM仅突出显示物体中最具有判别性的区域，所生成的伪标签通常难以直接作为有效的监督信号。为解决这一问题，现有大多数方法采用多阶段训练流程对CAM进行优化，以生成更优的伪标签，该流程包括：1）重新训练分类模型以生成CAM；2）对CAM进行后处理以获得伪标签；3）使用生成的伪标签训练语义分割模型。然而，这种多阶段训练流程需要复杂的参数调整，并引入额外的计算开销。针对上述问题，本文提出一种类别条件推理策略（class-conditional inference strategy）以及一种激活感知的掩码精炼损失函数（activation-aware mask refinement loss），在无需重新训练分类器的前提下生成更高质量的伪标签。所提出的类别条件推理方法在推理阶段分步、迭代地揭示分类网络中隐藏的物体激活区域，从而生成更为完整的响应图。此外，所提出的激活感知掩码精炼损失函数提出了一种新颖的机制，在分割训练过程中有效利用显著性图（saliency maps），在不抑制背景区域的前提下，对前景物体掩码进行精细化优化。实验结果表明，所提方法在不依赖分类器重训练的情况下，实现了优于现有方法的弱监督语义分割性能，显著提升了伪标签的质量与分割精度。