本文提出了一种新颖的统一模型来同时分割显著实例并推断它们的相对显著性顺序，该模型首次使用改进的 Mask R-CNN 进行显著实例分割，然后添加显著性排名分支来推断相对显著性。对于相对显著性排名，我们构建了一个新的图形推理模块，通过将四个图形结合起来以分别引入实例间相互关系、局部对比度、全局对比度和高层语义先验。该文的实验结果表明，我们提出的模型比以前的方法更加有效。

Jul, 2021

本文研究了显著对象排名任务 (SOR)，提出了第一个端到端的 SOR 框架，并采用多任务学习的方式来解决它。该框架同时处理实例分割和显著性对象排名，而且 SOR 分支与不同检测方法相互独立而灵活，易于使用。我们还引入了一个面向 SOR 分支的位置保留注意力 (PPA) 模块，通过在 ROI pooling 运算中保留对象的绝对坐标，将位置信息融合到语义特征中，采用注意力机制来获得提议的上下文化表示，以预测它们的相对排序，实验表明该方法明显优于之前最先进的方法。

Jun, 2021

该论文提出了一种新颖的双向方法，将空间注意力和基于对象的注意力相结合，通过模拟所关注区域和对象之间的相互作用和因果关系来实现显著性排序

Mar, 2022

本文提出了一种基于深度学习和分层表示的相对显著性检测方法，解决了在多个观察者查询时显著对象定义模糊的问题，同时还能够用于解决显著性目标子计数问题，并在所有指标上的性能优于先前的任何工作。

Mar, 2018

本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。

Oct, 2014

本文提出了将语义先验嵌入显式和隐式显著性图中的算法，以形成像素精度显著性图。在 ECSSD 和 HKUIS 两个具有挑战性的数据集上进行的广泛实验表明，本方法优于其他最新方法。

May, 2017

本文提出了一种基于概率框架的优化方法来解决显著性目标检测的问题，同时还与图割、扩散映射和一类分类方法相结合，实现了对局部 / 全局对比度和大面积显著性线索的全局最优近似，该方法在包括大约 17k 张图像等多个评价指标的显著目标检测数据集上的表现优于现有算法，计算复杂度与许多现有技术相当 / 有利。

Sep, 2016

通过在 6 个具有挑战性的数据集上定量和定性地比较 40 个最先进的模型（28 个显著性目标检测、10 个注视预测、1 个目标性、1 个基准）以进行显著目标检测和分割方法的基准测试，评价显示，这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题，我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好，这为问题的精确定义提供了提示，并提出了一些可能的解决方案和未来的研究方向。

Jan, 2015

本研究提出了一个涵盖五个主要步骤的显著性模型框架，包括预处理，特征提取，显著图生成，显著图组合和后处理，并研究了不同水平的显著性模型，比较其性能，有助于研究人员全面了解研究新方法。

Dec, 2019

本文提出了两种基于分层图像分割的显著性模型，它们可以高质量地生成显著性图，并在多个基准数据集上达到了最先进的性能水平。

Aug, 2015