画像レベルのラベルのみを使用した弱教師付きインスタンスセグメンテーション（WSIS）は、粗いアノテーションをより細かいタスクと合わせる難しさから、課題が多いです。しかし、深層ニューラルネットワーク（DNNs）の進歩により、WSISは大きな注目を集めています。提案ベースのパラダイムでは、単一のインスタンスが複数の提案によって表現されることによる冗長なセグメンテーション問題に遭遇します。例えば、犬の画像と提案をネットワークに入力し、出力として犬を含む1つの提案を得ることを期待しますが、ネットワークは複数の提案を出力します。この問題に対処するために、我々は新しいWSIS手法を提案します。この手法では、MaskIoUヘッドを使用して提案の完全性スコアを予測し、冗長なセグメンテーション問題を明示的にモデル化し精製された疑似ラベルを生成するためのComplete Instances Mining (CIM)戦略に焦点を当てます。我々の手法により、ネットワークは複数のインスタンスや完全なインスタンスに気づくことができ、さらにAnti-noise戦略を取り入れることでその堅牢性を向上させます。PASCAL VOC 2012およびMS COCOデータセットにおける経験的な評価では、我々の方法が大幅な差で最先端の性能を達成していることが示されています。実装コードはhttps://github.com/ZechengLi19/CIM で公開されます。