弱监督语义分割（Weakly Supervised Semantic Segmentation, WSSS）是一项具有挑战性的任务，尤其当仅使用图像级标签来监督像素级预测时。为弥合图像级标签与像素级预测之间的鸿沟，通常采用类激活图（Class Activation Map, CAM）生成像素级伪标签。然而，卷积神经网络中的CAM存在局部激活问题，即仅最具有判别性的区域被激活，导致对物体整体结构的刻画不完整。相比之下，基于Transformer的方法凭借其对长距离依赖关系的建模能力，能够有效捕捉全局上下文信息，有望缓解这一“局部激活”问题。本文首次提出一种基于Transformer的WSSS方法，并引入梯度加权逐元素Transformer注意力图（Gradient-weighted Element-wise Transformer Attention Map, GETAM）。GETAM能够对特征图中的所有元素实现精细尺度的激活，揭示物体在不同Transformer层中所对应的各个组成部分。此外，我们设计了一种激活感知的伪标签补全模块，以生成高质量的伪标签。最后，我们将上述方法整合进一个端到端的WSSS框架中，并采用双重反向传播机制进行优化。在PASCAL VOC和COCO数据集上的大量实验表明，所提方法显著超越现有端到端最先进的方法，且在多数情况下优于当前主流的多阶段方法。