本文提出了一种新的基于标签传播的显着性检测方法，该方法利用最确定的背景和物体区域提取出的标签来估计图像中的显着性，并通过一种内部传播方案将相似度排名应用于边界标签以决定其它超像素的显着性，同时采用三种因素来提取前景标签并将其与边界标签通过一种交互传播方案进行融合，最后，在五个基准数据集的像素级准确注释上的结果表明，该方法在不同的评估指标方面均表现优于最新的同类方法。

May, 2015

本文介绍了一种协作聚合和分布网络 (CoADNet) 架构，通过建模和利用图像之间的相互关系来捕获来自多个图像的突出和重复视觉模式，以解决 Co-Salient Object Detection (CoSOD) 任务中的一些挑战性问题，同时 CoADNet 在四个 CoSOD 基准数据集上得到了显着的性能提升。

Nov, 2020

本文提出了一种基于人体行为启发的梯度诱导共同显著性检测方法，并通过共识表示法提取一致的图片信息使得 Co-SOD 网络可以在没有额外像素级注释的情况下在一般显著性数据集上训练。实验结果表明该方法在发现多种前景中的共同显著物体方面取得了最先进的性能表现，文中提供了代码和数据集。

Apr, 2020

本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。

Oct, 2014

本研究提出一种新的团体协作学习框架，名为 GCoNet，可以实时（16ms）检测协同显著对象，同时采用两个必要标准，即群体内紧凑性和群体间可分性来挖掘共识表征；此外，为了学习更好的嵌入空间，我们明确地采用辅助分类监督。实验证明，我们的 GCoNet 模型在多个重要的计算机视觉应用中表现出色。

Mar, 2021

本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

Oct, 2015

该研究提出了一种基于显著性引导的图像分割网络，利用自我注意力显著性方法生成微妙的显著性地图，并通过点种植区域生长方法将地点线索扩展为像素级标签，从而生成具有区分性的对象区域。实验结果表明，该方法有效降低了显著性噪声的影响，提高了弱监督图像分割的准确性。

Oct, 2018

我们的论文介绍了一种新颖的两阶段自监督方法，用于在图像组中检测共现显著对象（CoSOD），不需要分割注释。我们的轻量级模型利用了补丁和区域级别上的特征对应，显著提高了预测性能。我们的自监督模型在三个 CoSOD 基准数据集上进行了大量实验证明，性能明显优于现有最先进模型。

Mar, 2024

本文提出了一种基于全卷积神经网络（FCN）的端到端的分组式深度连通区域共同显著性检测方法，通过学习卷积神经网络中基于语义感知的图像表示来捕捉组图像的组间交互信息，进而发现组间特征表示和单图像特征表示之间的协作和交互关系，并将其模拟在协作学习框架中，最终建立起一个统一的端到端深度学习方案，联合优化分组式特征表示学习和协同学习的过程，从而获得更可靠、更强韧的共同显著性检测结果。实验结果表明，我们的方法相较于现有的技术取得了更好的效果。

Jul, 2017

本文提出了一种基于深度对比型深度神经网络的反卷积模型进行显著性目标检测的方法，能够解决现有方法中时间和精度的局限性，并且在多个基准数据集上都表现出良好的性能。

Mar, 2018