本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

Mar, 2018

本论文提出了一种基于半监督学习的视频显著性目标检测方法，使用伪标签从稀疏注释帧中生成像素级伪标签，并结合部分手动注释，学习了空间和时间线索，进而产生准确的显著性图。实验结果表明，我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。

Aug, 2019

自我监督的端到端显著目标检测框架基于对比学习构建了最具教导性分割引导的位置映射，并通过细节增强模块丰富了位置标签的详细信息；此外，通过设计一种新的无监督非显著对象抑制（UNSS）方法，该方法能够忽略非显著对象。在基准数据集上的大量实验证明我们的方法在近期的端到端方法和大多数多阶段解决方案中取得了领先的性能。

Oct, 2023

通过学习通过由 “弱” 和 “噪声” 的非监督型手工精炼显着性方法生成的多个噪声标签，我们提出了一种新的非监督型显着性检测模型，该模型包括一个隐式显着性预测模块和一个噪声建模模块，二者协作学习，并共同优化以使我们的模型能够以概率方式处理噪声显着性图，具有可比拟的性能和优于所有非监督显着性方法的显着性检测效果。

Mar, 2018

通过使用合成数据集来代替传统的手动标注，本论文提出了一种新的基于不确定性自学习的无监督域适应方法，用于深度学习中的显著物体检测任务，并在多个基准数据集中取得了超过现有深度学习方法的最佳表现，甚至与全监督方法相当。

Feb, 2022

本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

Mar, 2022

本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。

May, 2022

提出一种用于通用无监督显著目标检测任务的统一框架，其中包括渐进式课程学习的显著性提取机制、自我矫正的伪标签优化机制和适配器调整方法，实现了在目标任务上取得更好的迁移性能。

Apr, 2024

本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

Apr, 2021

利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较好的性能。

Apr, 2019