本研究提出一种新的团体协作学习框架，名为 GCoNet，可以实时（16ms）检测协同显著对象，同时采用两个必要标准，即群体内紧凑性和群体间可分性来挖掘共识表征；此外，为了学习更好的嵌入空间，我们明确地采用辅助分类监督。实验证明，我们的 GCoNet 模型在多个重要的计算机视觉应用中表现出色。

Mar, 2021

提出了一个基于多种关联模块的判别式共同显著性和背景挖掘变换框架来明确挖掘共同显著性和背景信息，并有效地模拟其区别。该方法在三个基准数据集上都达到了良好的实验结果。

Apr, 2023

该论文旨在提出一个系统性的解决方案来解决 RGB-D 突出物检测问题，该方案通过模态特定表示学习、互补线索选择和跨模态补充融合等三个方面进行统一的处理，并构建了一种自适应的残差函数来融合跨模态信息以实现足够的跨模态交互和跨层传输支持。

Sep, 2019

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

本研究提出了 “aggregate interaction modules” 和 “self-interaction modules” 等方法来处理深度学习中显著目标检测中存在的变量规模和未知类别等挑战，同时，使用 “consistency-enhanced loss” 方法来处理由于尺度变化导致的类别失衡问题，从而提升对前 / 背景差异的识别和类内一致性的维持。实验结果在五个基准数据集上表明，该方法无需后处理即可比 23 种最先进的方法表现优异。

Jul, 2020

本研究提出了一种新颖的协作学习框架，其中边缘、深度和显著性以一种更有效的方式进行利用，解决了现有 RGB-D 模型中存在的问题，使其更轻量化、更快速和更多功能。实验结果表明，该模型在七个基准数据集上具有卓越的性能。

Jul, 2020

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

本文旨在解决如何有效地融合 RGB-D 信息来进行显著目标检测的关键问题。通过提出一个新的互惠关注模型来融合来自不同模态的注意力和上下文信息，实现高阶和三线性交叉信息互补，从而提高 RGB-D SOD 的模型性能。同时，通过添加选择性关注来重新加权深度相关信息，提高模型的鲁棒性。在两个数据集上的实验验证了该模型的有效性。

Oct, 2020

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