2024年显著性检测部分论文及代码汇总（2）

AAAI

Finding Visual Saliency in Continuous Spike Stream

code
Abstacrt：针对脉冲图像（Spike）的显著性检测。本文首次研究连续脉冲流的视觉显著性visual saliency。为有效处理二进制脉冲流，提出Recurrent Spiking Transformer框架，即RST，同时建立数据集。该框架能从连续时空脉冲流中提取空间特征，同时保持低功耗。

SeqRank: Sequential Ranking of Salient Objects

code
Abstacrt：显著性排序的文章。作者观察到人类会以连续的过程观看一个场景，过程包含一个循环，即当观察一个目标时，下一个更趋向于观察相近的物体。基于这一观察，作者建议应建立中央凹和周边视觉的动态相互作用模型，以预测人类注意力的视觉转移。本文提出模型SeqRank，模拟中央凹视觉。同时建模周边视觉以选择下一个显著目标。

CVPR

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

code
Abstacrt：协同显著性检测工作。本文提出鲁棒性增强框架，首先学习输入组图像的协同显著对象概念，然后利用概念提纯对抗性扰动。框架COSALPURE包含模块：组图像概念学习和概念引导扩散净化。对于第一个模块，采用预训练的Text-To-Image Diffusion学习组图像的协同显著性对象概念，学习到的概念对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空间，将概念嵌入噪声预测函数作为额外条件进行扩散生成。

Domain Separation Graph Neural Networks for Saliency Object Ranking

code
Abstacrt：显著性检测排序工作。本文提出了一种域分离图神经网络，即DSGNN，该网络首先从每个物体中分别提取形状和纹理线索，然后为给定图像中的所有物体构建形状图和纹理图。其次，本文提出了形状-纹理图域分离模块，即STGDS，通过分别对每对物体的形状和纹理之间的关系进行显式建模，分离目标物体的任务相关和不相关信息。此外，引入交叉图像图域分离模块，即CIGDS，探索对不同场景具有鲁棒性的显著度子空间，旨在为不同图像中具有相同显著度的目标建立统一的表示。重要地，DSCNN自动学习一个多维特征来表示每个图边，允许对复杂、多样和排名相关的关系进行建模。

IEEE

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

code
Abstacrt：三模态显著性检测工作，即RGB、深度图、热力图。本文提出质量感知选择性融合网络，即QSFNet，包含初始特征提取子网络、质量感知区域子网络、区域引导选择子网络。首先，除了提取特征，初始特征提取子网络可以通过配备多尺度融合模块的收缩金字塔架构，从每个模态生成初步预测图。然后，设计弱监督质量感知区域选择自网络，生成质量感知映射。最后，区域引导选择子网络在在质量感知图的引导下对初始特征进行净化，然后分别通过模态内注意力模块和模态间注意力模块对三模态特征进行融合，并使用边缘精细模块对预测图的边缘进行细化。

IJCAI

Unified Unsupervised Salient Object Detection via Knowledge Transfer

code
Abstacrt：本文提出一个统一的无监督显著性检测框架。首先，提出一种渐进式课程学习的显著性蒸馏机制，即PCL-SD，从预训练神经网络提取显著性线索。该机制从简单样本开始，并且逐步向困难样本移动，以避免困难样本的初始干扰。然后，利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，设计一个适配调优方法迁移所获得的显著知识，利用共享知识在目标任务上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：本文设计了一个跨模态融合和渐进式解码RGB-D网络，即CPNet，包含三个部分：特征编码、特征融合、特征解码。在特征编码阶段，采用双流Swin Transformer编码器提取多级和多尺度特征，对全局信息进行建模；在特征融合部分，设计一个跨模态注意力融合模块，利用注意力机制融合多模态、多层次的特征；在特征解码部分，设计一个渐进式解码器，逐步融合底层特征，过滤噪声信息，准确预测显著目标。

Pattern Recognition

Separate first, then segment: An integrity segmentation network for salient object detection

code
Abstacrt：为了在杂乱的背景中获得完整的显著目标，文本提出一种具有新颖的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由物体分离分支TS和目标分割分支OS组成，并使用层级差异感知损失HDA进行训练。