全监督显著物体检测（SOD）方法已经取得了很大进展，但这些方法通常依赖于大量的像素级注释，这既耗时又费力。在本文中，我们专注于一种新的混合标签下的弱监督SOD任务，其中监督标签包括大量由传统无监督方法生成的粗略标签和少量真实标签。为了解决该任务中的标签噪声和数量不平衡问题，我们设计了一个包含三种复杂训练策略的新管道框架。在模型框架方面，我们将任务分解为标签细化子任务和显著物体检测子任务，这两个子任务相互协作并交替训练。具体而言，R-Net被设计为一个双流编码器-解码器模型，并配备了引导和聚合机制（Blender with Guidance and Aggregation Mechanisms, BGA），旨在修正粗略标签以生成更可靠的伪标签；而S-Net则是一个可替换的SOD网络，由当前R-Net生成的伪标签进行监督。需要注意的是，在测试阶段我们只需使用训练好的S-Net。此外，为了保证网络训练的有效性和效率，我们设计了三种训练策略，包括交替迭代机制、分组增量机制和可信度验证机制。在五个SOD基准数据集上的实验表明，我们的方法在定性和定量方面均达到了与弱监督/无监督方法相当的性能。