세멘틱 세그멘테이션 모델의 학습에 따른 어노테이션 비용을 최소화하기 위해, 연구자들은 약한 지도 학습 세그멘테이션 접근법을 광범위하게 연구해왔다. 현재 널리 채택된 약한 지도 세그멘테이션 방법 중 가장 일반적인 것은 시각화 기반 접근법이다. 그러나 시각화 결과는 일반적으로 세멘틱 세그멘테이션과 동일하지 않다. 따라서 약한 지도 조건 하에서 정확한 세멘틱 세그멘테이션을 수행하기 위해서는 시각화 결과를 세멘틱 세그멘테이션으로 변환하는 맵핑 함수를 고려할 필요가 있다. 이러한 맵핑 함수로는 조건부 확률장(Conditional Random Field, CRF)이나 세그멘테이션 모델의 출력을 이용한 반복 재학습 기법이 일반적으로 사용된다. 그러나 이러한 방법들은 항상 정확도 향상을 보장하지 못하며, 반복적으로 이러한 맵핑 함수를 적용할 경우, 최종적으로 정확도 향상이 이루어지지 않거나 오히려 감소할 수 있다.본 논문에서는 이러한 맵핑 함수의 잠재적 활용을 극대화하기 위해, 맵핑 함수의 결과에 노이즈가 포함되어 있다고 가정하고, 노이즈 제거를 통해 정확도를 향상시키는 방식을 제안한다. 이를 달성하기 위해, 맵핑 전후의 세그멘테이션 마스크 간의 차이를 예측함으로써 맵핑 함수의 결과로부터 노이즈를 추정하는 자기지도 차이 탐지 모듈(self-supervised difference detection module)을 제안한다. 제안한 방법의 효과성을 PASCAL Visual Object Classes 2012 데이터셋에서 수행한 실험을 통해 검증하였으며, 검증 세트에서는 64.9%, 테스트 세트에서는 65.5%의 정확도를 달성하였다. 두 결과 모두 동일한 약한 지도 세그멘테이션 설정 하에서 새로운 최고 성능(SOTA) 기록을 세웠다.