AAAI。

Finding Visual Saliency in Continuous Spike Stream。

code。
Abstacrt。：脉冲图像（Spike。）显著性检测。本文首次研究了连续脉冲流的视觉显著性。visual saliency。。二进制脉冲流࿼提出。Recurrent Spiking Transformer。框架，即。RST。，同时建立数据集。该框架可以从连续时空脉冲中提取空间特征，同时保持低功耗。

SeqRank: Sequential Ranking of Salient Objects。

code。
Abstacrt。：文章排序显著。作者观察到，人类将在连续的过程中观看场景，过程包括一个循环，在观察一个目标时，，下一个更倾向于观察类似的物体。基于此观察�作者建议建立中央凹和周围视觉的动态相互作用模型，预测人类注意力的视觉转移。本文提出了模型。SeqRank。，模拟中央凹视觉。同时，为了选择下一个显著的目标，建模周围的视觉。

CVPR。

COSALPURE: Learning Concept from Group Images for Robust Co-Saliency。

code。
Abstacrt。：协调显著检测工作。本文提出了鲁棒增强框架，首先，学习输入组图像的协同显著对象概念，然后利用概念净化对抗扰动。框架。COSALPURE。包括模块：组图像概念学习和概念引导扩散净化。第一个模块，采用预训练。Text-To-Image Diffusion。学习组图像的协同显性对象概念，学到的概念对抗实例具有鲁棒性；对于第二个模块，将对抗图像映射到潜在空间，将概念嵌入噪声预测函数作为扩散生成的额外条件。

Domain Separation Graph Neural Networks for Saliency Object Ranking。

code。
Abstacrt。：显著检测排序工作。本文提出了域分离图神经网络，即。DSGNN。，该网络首先从每个物体中提取形状和纹理线索c;然后为给定图像中的所有物体构建形状图和纹理图。二是，本文提出了形状-纹理图域分离模块，即。STGDS。，显式建模，分离目标对象的任务相关和不相关信息。另外，引入交叉图像图域分离模块，即。CIGDS。，探索不同场景的明显度子空间，旨在为不同图像中具有相同显著性的目标建立统一的表示。重要的，DSCNN。自动学习一个多维特征来表示每个图片，允许建模与排名相关的复杂、多样化的关系。

IEEE。

Quality-aware Selective Fusion Network for V-D-T Salient Object Detection。

code。
Abstacrt。：三模态显性检测工作，即。RGB。、深度图，热力图。本文提出了质量感知选择性融合网络，即。QSFNet。，提取子网络包括初始特征、质量感知区域子网络和区域引导选择子网络。首先，除了提取特征󿀌通过配备多尺度融合模块的收缩金字塔架构࿰，可以提取子网络的初始特征c;初步预测图是从每个模态生成的。然后，设计弱监督质量感知区选择自网络󿀌产生质量感知映射。最后，在质量感知图的指导下，区域引导选择子网络净化初始特征，然后通过模态内注意力模块和模态间注意力模块集成三个模态特征，并使用边缘精细模块细化预测图的边缘。

IJCAI。

Unified Unsupervised Salient Object Detection via Knowledge Transfer。

code。
Abstacrt。：本文提出了统一的无监督明显性检测框架。首先，提出了渐进式课程学习的显著蒸馏机制，即。PCL-SD。，从神经网络预训练中提取显著线索。该机制从简单样本开始󿀌并逐渐移动到困难样本，避免初始干扰困难样本。然后，使用获得的显著性线索训练显著性检测器，同时，采用自校正伪标签细化机制，即。SPR。，提高伪标签的质量。最后，设计适应调优方法迁移获得的显著知识，利用共享知识在目标任务中获得更好的迁移性能。

IJCV。

Cross-Modal Fusion and Progressive Decoding Network for RGB-D Salient Object Detection。

code。
Abstacrt。：本文设计了RGB-D网络࿰的跨模态集成和渐进解码c;即。CPNet。，它包括三个部分：特征编码、特征集成、特征解码。特征编码阶段，采用双流。Swin Transformer。提取多级和多尺度的编码器特征#xff0c;建模全局信息；特征融合部分，设计跨模态注意力集成模块#xff0c;多模态、多层次特征࿱采用注意力机制b;特征解码部分，设计一个渐进的解码器，底层特征逐渐融合，过滤噪声信息󿀌对明显目标的准确预测。

Pattern Recognition。

Pattern Recognition。

Separate first, then segment: An integrity segmentation network for salient object detection。
code。Abstacrt。：为了在凌乱的背景下实现完整的显著目标，文本提出了具有新颖检测范式的完整性分割网络，即。ISNet。，该网络首先将目标完全分离󿼌然后对其进行精细分割。ISNet。分支由物体分离。TS。与目标分支。OS。组成，并利用层次差异来感知损失。HDA。