本文提出了 UCNet 框架，通过学习数据标记过程中的不确定性进行 RGB-D 显著性检测。采用概率性的 RGB-D 显著性检测网络和条件变分自动编码器建模人类注释的不确定性。通过在潜在空间中进行采样，生成多个显著性地图。通过提出的显著性共识过程，能够在多个预测中生成准确的显著性地图，从而实现了 RGB-D 显著性检测的最新技术发展。在六个具有挑战性的基准数据集上进行定量和定性评估，与 18 个竞争算法进行比较的实验表明，我们的方法是有效的。

Apr, 2020

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

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

提出了一种基于生成式视觉 transformer 的显著目标检测方法，使用了具有信息能量的先验模型，通过 MCMC 最大似然估计的方法训练视觉 transformer 网络和先验模型，并结合 RGB 和 RGB-D 两种数据进行大量实验，选取更有表现力的能量信息先验，得到了更为准确和人类感知一致的显著性预测和像素级的不确定性地图。

Dec, 2021

这篇论文介绍了一种通过涂鸦监督实现弱监督 RGB-D 显著性目标检测模型的方法，通过互模态相互信息正则化来改进多模态表示学习，采用了不对称特征提取器和多模态变分自编码器作为随机预测细化技术。作者的方法比传统方法更有效，并且在现有的数据集上取得了与全监督模型相当的性能。

Jun, 2023

本文提出了一个多阶段级联学习框架来利用相互信息最小化 “显式” 建模 RGB 图像和深度数据之间的多模态信息，对 RGB-D 显著性检测进行了广泛的实验，贡献了一个比 NJU2K 大 7 倍的标注精细的数据集，构建了四个有强基准线的新基准，观察到了一些有趣的现象，可以激发未来的模型设计。

Sep, 2021

本文提出了一种自适应融合方案，通过两个卷积神经网络中提取的特征和预测的显著性地图，学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督，利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数，并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处，我们的方法在三个公开数据集上优于已有方法。

Jan, 2019

该研究提出了一种可扩展的、有效的决策不确定性方法，通过利用区别最大化层，通过任意大小的可训练原型学习鉴别隐藏空间，以解决深度学习在实际中应用时不确定性预测的问题，该方法在图像分类、分割和单眼深度估计任务上超过了深度集合的现有技术。

Jul, 2022

本文提出了一种深度敏感的 RGB 特征建模方案，并使用深度几何先验来实现特征增强和背景分心减少。另外，我们还提出了一种自动架构搜索方法来进行 RGB-D 显着对象检测，取得了比现有技术更好的结果。

Mar, 2021

本文提出了一种新的卷积神经网络来融合不同的 RGBD 低级显著性线索，利用 Laplacian 传播框架提取空间一致的显著性图，并在三个数据集上进行了广泛的实验评估，结果表明这种方法始终优于现有的最先进方法。

Jul, 2016