提出一种基于显著性引导的方法，通过利用注意力信息来改善激光雷达里程计估计和语义分割模型的性能，并通过从彩色图像到点云的显著性知识转移，构建了伪显著性数据集，提出了一种显著性引导的三维语义分割模型和基于自我监督的显著性引导激光雷达里程计网络，并在基准数据集上进行了广泛的实验，取得了最先进的性能。
Aug, 2023
本研究提供了一种新的观点解决深度神经网络在三维点云中对敌对攻击的防御问题。研究采用多元线性回归分析 14 个点云特征，寻找最佳组合以实现模型无关的对抗点预测。实验结果证明该方法可以在 PointNet、PointNet++ 和 DGCNN 三种神经网络中更好地预测对抗点，并揭示哪些特征在它们的决策过程中起着关键作用。
Oct, 2022
本文研究了点云显著目标检测的新领域，提出了一个新的视角来解决点云中显著性冲突的问题，并且构建了第一个点云显著对象数据集 PCSOD，并对比了五种代表模型的检测效果。
Jul, 2022
本研究提出一种基于 Bernoulli 分布的显著性图模型，并使用包括 softmax 在内的新损失函数，通过大规模数据和深度结构进行显著性估计，表现优于现有的显著性方法。
Apr, 2018
本文主要研究神经网络在 3D 数据中的可解释性和稀疏性，提出了一种基于边缘和角点的视觉显著性方法并成功地在 Voxception-ResNet（一种基于体素的分类网络）上实现了参数精简.
Jun, 2020
通过贝叶斯决策理论，将视觉显著性模型、显著性地图和评价指标分离，提出了一种基于概率模型的注视密度预测方法，并通过计算这些最优显著性地图来解决了显著性模型评估中不一致的指标问题。
Apr, 2017
提出了一种新的方法来获得生成模型中已知或新的高级概念的显著性图，即概念显著性图，对于深度学习中的潜在变量模型提高了解释性。该方法被应用于 CelebA 数据集的 VAE 潜在空间中和小鼠嗅球的空间转录组数据中，证明了其在高级概念的解释和复杂生物系统理解中的潜力。
Oct, 2019
近年来，提出了几种使用分类器生成的类激活图（CAMs）产生伪地面实况用于训练分割模型的弱监督语义分割（WS3）方法。本文对 WS3 中的类激活图（CAMs）和显著图进行了全面比较，并提出了新的评估指标，以全面评估 WS3 中替代方法的性能。我们通过对基准数据集进行的实证研究，证明了显著图在解决类激活图（CAMs）的局限性方面的有效性。此外，我们提出了随机裁剪作为一种随机聚合技术，提高了显著图的性能，并使其成为 WS3 中强有力的类激活图（CAMs）替代方法。
该论文提出了一种名为显著点分析（SPA）的无监督点云配准方法，该方法使用少量显著点可以有效地配准两个点云，相比于基于深度学习的点云配准方法，该方法具有更少的训练时间和模型大小，并且在测试 ModelNet-40 数据集的实验中表现良好。
Sep, 2020
本研究探索了现有的用于评估显著图质量（即 “保真度”）的指标，并发现当前文献中这些指标的计算方式缺乏一致性，且可重复性差，说明用这些指标生成的显著图质量排名可能不可信。
Nov, 2019