1.Ali Borji, Laurent Itti, Exploiting Local and Global Patch Rarities for Saliency Detection, CVPR2012
1) 系統框架：
2) 算法思路：
① 圖像表示：本文通過1500張圖像中，在各通道提取出的8*8的patch，學到了一個自然圖像的字典。使用這個字典以及一系列的系數α就可以重組任何一個patch。各通道分別進行。因此，在學習了字典，並且使用Matlab中的LARS算法進行了稀疏編碼系數α的估計之后，每個patch通過系數表示成一個矢量。
② 顯著度計算：在這些矢量上進行局部和全局顯著度的計算。局部顯著度為兩個圖像塊系數向量在特征空間里的歐幾里得距離，用空間距離進行加權，距離遠權重小；全局顯著度為圖像塊矢量進行直方圖計算后的概率分布函數的倒數。最終RGBLAB每個通道會得到局部和全局兩個顯著圖。
③ 顯著度融合：分三步：a. 每一個通道內，局部和全局顯著圖進行歸一化並相乘；b. 每一種顏色空間內，三個顯著圖歸一化並相加；c. 兩個顏色空間的顯著圖歸一化並相加。相乘表示目標必須同時滿足局部和全局的孤立性條件。相加表示各個通道之間是互補，或者競爭關系。並且這個競爭是現在各個顏色空間內部幾個通道之間進行，優勝者再和另一個顏色通道的比較。
④ 結果優化：尺度空間擴展，對圖像進行降采樣，計算每個尺度下的顯著性圖，歸一化后計算這些顯著性圖的均值，再用高斯核進行卷積得到平滑結果；
3) 論文評價：文章采用多通道顯著性融合的方法，並進行了多尺度增強；並應用了字典學習和稀疏編碼，計算量較大（感覺Ali Borji的論文計算量都很大，計算很多特征或很多顯著性圖）。代碼還在調試，論文圖示中結果還可以，邊緣顯著性較突出。
2.Ali Borji, DickyN.Sihite, Laurent Itti, Salient Object Detection:A Benchmark, ECCV2012
1) 主要貢獻：一篇關於顯著性模型的綜合論文，總結了自2011年以及之前發表的，能容易得到的（代碼或者Saliency Map），具有很好的准確率的，或者具有很高引用率的模型。
全文共用5個數據庫：MSRA，ASD，SED1，SED2，SOD（這個五個數據 庫都是包含物體的數據庫，該文的重點也是考察包含物體的數據庫上比較各 個模型）。
具體參見博客：http://www.cnblogs.com/hSheng/archive/2012/12/06/2804385.html
3.Xiaoshuai Sun, Hongxun Yao, Rongrong Ji, What Are We Looking For: Towards Statistical Modeling of Saccadic Eye Movements and Visual Saliency, CVPR2012
1) 基本思想：該文的基本假設從視覺注視點的統計分析得出。得出的基本假設為兩點：a：顯著性是非常稀疏的，也就是說大多數地方的顯著值都是0，而只有圖中的很小區域的顯著值有很大的值；b：具有很大的顯著值的區域的周圍區域通常具有豐富結構信息。而超高斯(super-Gaussianity)分布剛好具有這兩點特征。
根據特征融合理論，顯著度是由多個特征通道融合而成的，用於顯著度檢測 的特征應該與顯著度具有相似的統計特征；對於一個視覺統計點，顯著度具 有超高斯性，我們的注視過程就是在尋找場景中的超高斯成分。
2) 算法流程：
① 超高斯成分分析：給定圖像I，滑動窗掃描將其變換成基於塊的表示X，存儲為矩陣形式，每個列向量表示一個變形后的圖像塊；用PCA去相關，白化后得到特征矩陣Z；在統計學領域，通常利用kurtosis函數來模擬超高斯分布。本文通過定義一個隨機映射矩陣w，將原始特征空間Z通過這個映射矩陣w，然后求其最大值的kurtosis。通過projection pursuit優化算法求這個w，而這個w也將決定哪些值是saliency。在得到一系列的映射向量w時，我們需要將他們進行格拉姆-施密特正交化，來確保當前的優化方向與前面的優化方向不一致。同樣通過不停的迭代，能夠得到不同的saliency點。本文能同時計算出saliency map和視線掃描的軌跡。
② WAT目光定位：在得到了投影向量W后，計算這個投影方向上的響應圖RMi：這個響應圖就是原圖中的那個具有最大的單個超高斯分布的區域，這個分布是基於圖像顏色的分布。這樣RM1對應圖中具有最大SGC（Super Gaussian Component）對應的響應圖，表示人眼首次注視的區域，RM2則是對應的次大SGC分布，RM3,...依次推理，直到W收斂。而W收斂意味着下次轉移的位置與上次轉移的位置距離很小。也就是以后的SGC響應太小，不能引起注意力了。
根據winner-takes-all原則選取響應值最大的位置作為注視點。
③ 顯著圖計算：響應圖的非線性組合，pi為第i個響應圖的直方圖概率。
3) 論文評價：本文的視角比較新穎，從“在圖像中的什么成分能引起注意力”的問題出發。從大量tracker數據中得到假設：超高斯分布的數據更能吸引人們的注意力。因此文章致力於尋找那些具有超高斯分布的位置。實驗結果看起來還可以，噪音抑制能力較強，saliency map有點模糊。
4.Stas Goferman,Lihi Zelnik-Manor, Ayellet Ta, Context-Aware Saliency Detection, CVPR2010
1) 基本思路：本文先提出了基於上下文感知的顯著度准則，然后依照這4個准則來實現著度檢測。
2) 准則提出與實現如下：
① Local low-level considerations：具有不同顏色和模式的區域對應顯著性值高，均勻或模糊區域顯著性值低；
② Global considerations：經常出現的特征應當被抑制；
③ Visual organization rules：顯著的像素應當聚集在一起，而不是遍布整幅圖像；
根據前3條准則，先進行單尺度的局部-全局顯著性計算，再進行多尺度增強。
一對圖像塊pi與pj的顏色距離越大，位置距離越小，則它們的差異值越大。其中顏色距離為兩圖像塊在Lab空間的歐幾里得顏色距離，空間距離為歐幾里得位置距離；若對於任意pj，得到的差異值都很大，則認為pi是顯著的。
為簡化計算，顯著性值的計算中選取前k個最相似的圖像塊進行度量。
計算多個尺度下的顯著性值，取平均值來進一步提高顯著和非顯著區域的對比度。
加入上下文修正：設定顯著性閾值從saliency map中提取most attended localized areas，在attended areas 之外的像素顯著性值由與它最近的attended pixel之間的歐幾里得距離加權，得到新的顯著性值。從而提高顯著目標附近的顯著性值，降低背景區域的顯著性值。
④ High-level factors：作為后期處理，加入高層先驗知識如人臉檢測；
3) 論文評價：提出顯著性准則作為算法的先驗知識進行顯著度檢測，顯著性思路思路與中央-周圍機制大體相同，融合多尺度修正與上下文感知，導致saliency map中從目標往四周顯著性值漸漸降低，邊緣較模糊。代碼速度與實驗結果還可以，如果將顏色距離與空間距離的組合采用加權方式，會不會對顯著性結果有所改變？
5.Tie Liu,Jian Sun,Nan-Ning Zheng,Learning to Detect A Salient Object,CVPR2007
1) 基本思想：先對顯著目標進行特征提取，得到多尺度對比度，中央-周圍對比度，顏色空間分布3種feature maps，再用條件隨機場模型進行組合，得到最終的顯著性檢測結果。
2) 方法流程：
① Multi-scale contrast feature：高斯金字塔多層對比度的線性組合。
② Center-surround histogram：計算像素點x'為中心的顯著矩形區域與其周 圍矩形區域的RGB顏色直方圖之間的x2距離；由於目標尺寸不同，選擇不同縱橫比的矩形區域進行測試，x2距離最大對應得到最獨特矩形區域；像素點x的中央-周圍直方圖特征定義為其所屬所有矩形區域的空間高斯加權x2距離之和。
③ Color spatial-distribution：圖像中的所有顏色用高斯混合模型來表示，每一個像素被分配給具有某概率的顏色成分，計算每一個顏色成分的水平方差和垂直方差，得到該成分的空間方差；顏色空間分布特征定義為中央加權的 空間方差之和。顏色方差越小，該顏色越有可能屬於顯著目標。
④ 條件隨機場結合：能量函數為K個顯著特征和配對特征的線性組合，通 過條件隨機場學習計算權重，得到最優化的線性組合。其中顯著特征為前面 得到的3種feature map，用來描述一個像素點是否屬於顯著目標；配對特征 為兩個相鄰像素點的空間關系，是對相鄰像素標記為不同值的懲罰項。
3) 論文評價：采用條件隨機場模型進行特征組合，融合顏色獨立性，顏色空間分布和多尺度分布，考慮了局部信息，全局信息以及尺度信息。效果也不錯。
6.Jian Li, Martin D.Levine, Saliency Detection Based on Frequency and Spatial Domain Analysis,BMVC2011
1) 總體思路：本文結合頻域的全局信息和時域的局部信息進行顯著度檢測。在頻域分析中，根據全局信息對非顯著區域進行建模，頻繁出現的成分認為不顯著，用頻譜平滑進行抑制；在時域分析中，采用中央-周圍機制加強信息量大的區域；最后將兩個通道的輸出結果相結合得到顯著圖。
2) 算法步驟：
① 頻域分析：一幅圖像中只有少部分是顯著的，大部分是背景，即repeated patterns；基於該假設，我們可以尋找非顯著的部分進行抑制，從而突出顯著部分；對原始圖像進行幅度譜分析，發現峰值對應圖像中的repeated patterns，故采用高斯核進行平滑來抑制repeated patterns。為處理不同尺度下的幅度譜，提出頻譜尺度空間（Spectrum Scale-Space），高斯核的尺度因子范圍由圖像的長和寬來決定。再根據顯著圖的熵來確定高斯核的最優尺度，計算每個尺度下的顯著圖的熵，選擇熵最小的顯著圖作為最佳結果。（根據熵定義，等概分布時熵最大，說明畫面均勻；則顯著物體最突出最集中時對應熵最小）
② 時域分析：應用ICA（Independent Component Analysis）選用場景中的獨立成分作為中央-周圍濾波器，根據論文Dynamic visual attention: searching for coding length increments得到192個響應圖，進行加權求和得到一幅顯著圖，權值為原始圖像濾波后的熵取倒數。即熵越小，對應該響應圖顯著部分越集中，對最終顯著圖的貢獻越大。
③ 顯著圖結合：將圖像分解到圖像空間I，RG，BY，分別計算三個圖像通道的最佳尺度頻域顯著圖，再進行熵值加權求和，得到頻域saliency map Sg；時域saliency map的計算如②所述，得到Sl；最終的saliency map為二者加權組合：
3) 論文評價：文章結合時域和頻域兩種信息來進行顯著度檢測，頻域分析應用全局信息突出顯著度，時域分析增強那些具有很高局部對比度的顯著區域，並在多尺度優化時加入熵的應用，值得借鑒。從論文的實驗結果來看，對於目標較小的情況結果也不錯，不過沒有下載到代碼，不知道速度和實際運算結果是否滿意。