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

本文提出了一种全局和局部协同学习架构（GLNet），包括全局对应建模和局部对应建模，以从全局和局部角度捕获不同图像之间的全面对应关系来学习共同显著对象检测（CoSOD）任务。在三个普及的 CoSOD 基准数据集上进行评估，证明了我们的模型在小数据集（约 3k 张图像）上训练仍然优于一些大数据集上训练的十一个最先进的竞争对手。

Apr, 2022

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

本文提出了一种更具挑战性的新的 CoSOD 基准数据集 CoSOD3k，整合了现有的 SOD 技术以构建统一的可训练 CoSOD 框架 CoEG-Net，并全面总结了 40 项尖端算法，并在三个挑战性的 CoSOD 数据集上进行了性能分析，旨在推动 CoSOD 社区的发展。

Jul, 2020

该研究提出了一种新颖的记忆辅助对比共识学习框架 (MCCL)，该框架通过利用注意力机制查找共同的对象来有效地检测共同显著对象，同时提高了预测地图的质量和完整性。

Feb, 2023

Co-Salient Object Detection (CoSOD) is improved by introducing a new training set called CoSINe dataset, allowing better performance with fewer images compared to existing datasets. Hierarchical Instance-aware COnsensus MinEr (HICOME) approach efficiently mines consensus features and achieves state-of-the-art performance on existing CoSOD test sets.

Jan, 2024

该论文提出了一个名为 UFO 的统一框架，通过引入自注意机制和内部 MLP 学习模块，结合图像的空间信息和特征相似性，实现了针对协同分割、协同显著性检测和视频显著性对象检测的多任务单一网络架构，实验结果表明，该方法在精度和速度方面均优于现有方法。

Mar, 2022

给定一组图像，合作显著目标检测（CoSOD）的目标是突出显示每个图像中的共同显著对象。本文提出了一种基于分层 Transformer 模块的方法，用于提取语义级共识，以获得对公共对象类别更全面的表示，并排除与目标对象具有局部相似性的其他对象的干扰。此外，还提出了一种基于 Transformer 的分散模块，它考虑了不同场景中协同显著对象的变化。它以图像特征图的图像特定方式对共识进行分发，同时充分利用组内的交互。这两个模块与 ViT 编码器和类似 FPN 的解码器一起集成成一个可端到端训练的网络，不需要额外的分支和辅助损失。该方法在三个常用的 CoSOD 数据集上进行评估，并取得了最先进的性能。

Sep, 2023

通过学习共显对象的概念，并利用该概念来净化对抗扰动，本文提出了一种新的增强鲁棒性的框架，可以显著提高共显对象检测方法的鲁棒性。

Mar, 2024

探索了无需训练过程的零样本共显目标检测框架，结合了零样本转移能力的计算机视觉模型，通过引入群组提示生成模块和共生图生成模块，实现了令人印象深刻的结果，超过了现有无监督方法并且在 2020 年之前的全监督方法上也表现出良好竞争力。

Sep, 2023