在本篇论文中，我们提出了一种基于像素分类的新型特征学习框架，并将显著目标检测作为像素分类问题来解决，该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络，结合 ICNN 和超密集融合机制，它能够自动预测最重要的区域并以端到端的方式分割相关物体，实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。

Apr, 2018

本文提出使用分而治之的思想来优化显著目标检测任务，并设计了基于此思想的 DC-Net 神经网络模型，其中包含两个编码器和一个解码器，通过预测边缘地图和显著对象位置地图来预测最终显著性图，并采用两级 ResASPP 模块来捕获不同尺度特征，最终在六个 LR-SOD 和五个 HR-SOD 数据集上取得竞争性的性能。

May, 2023

提出了一个新的显著目标检测（SOD）模型 —SODAWideNet，它采用从头开始训练的神经网络，通过扩张卷积和自注意力机制等技术实现浅层网络，取得了与最先进模型相媲美的性能。

Nov, 2023

本文提出一种新的深度学习框架，用于高分辨率显著目标检测任务，该框架将任务分离成低分辨率显著性分类网络（LRSCN）和高分辨率细化网络（HRRN），实现低分辨率感知和高分辨率精细调整的显著目标检测，基于此框架的实验结果表明，本文所提方法在高分辨率显著性检测方面具有优越性能。

Aug, 2021

本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

Jul, 2020

本文提出了一种新的显著性目标检测系统 RDS，它使用更有效的方法传递全局信息，解决传统模型中忽略背景信息的问题，并在使用目标检测数据训练模型时取得了最新的结果。

Jan, 2019

介绍了一种新的基于 Holistically-Nested Edge Detector 结构的显著性检测方法，引入了短接结构，使得每层都具有丰富的多尺度特征图，并在五个广泛测试的显著对象检测基准中取得了最先进的结果，具有效率、效果和简单性等优点。

Nov, 2016

本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

Aug, 2016

本文提出通过结合 block devising、architecture searching 和 loss design，构建轻量级卷积神经网络（CNN）来提高图像超分辨率质量。我们提出了一种名为 EFDN 的边缘增强特征蒸馏网络，在受限资源下保留高频信息。该方法构建了基于现有重参数方法的边缘增强卷积模块，并提出了边缘增强梯度损失来校准重参数路径训练。实验结果表明，提出的边缘增强策略能够保留边缘并显著提高最终恢复质量。

Apr, 2022

本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

May, 2017