获取实例分割的准确标签尤为困难，这主要是由于该任务的复杂性质所致。每张图像都需要多个注释，不仅包括物体类别，还包括其精确的空间边界。这些要求增加了手动和自动注释过程中出现错误和不一致的可能性。通过模拟不同的噪声条件，我们为评估不同分割任务中实例分割模型的鲁棒性和泛化能力提供了一个现实场景，并引入了COCO-N和Cityscapes-N数据集。此外，我们还提出了一种弱标注噪声基准测试，称为COCO-WAN（Weakly Annotation Noise），该基准利用基础模型和弱标注来模拟半自动注释工具及其噪声标签。本研究揭示了各种模型生成的分割掩膜的质量，并对旨在解决带噪声标签学习问题的流行方法的有效性提出了挑战。