摘要

本文提出首个利用不确定性进行RGB-D显著性检测的框架——UCNet，其核心思想是通过学习数据标注过程中的不确定性来提升检测性能。现有RGB-D显著性检测方法通常将该任务视为点估计问题，采用确定性学习流程，仅生成单一的显著性图。受人类标注过程的启发，我们提出基于条件变分自编码器（conditional variational autoencoders）的 probabilistic（概率化）RGB-D显著性检测网络，以建模人工标注中的不确定性，并通过在潜在空间中采样，为每张输入图像生成多组显著性图。结合所提出的显著性共识（saliency consensus）机制，我们能够基于多个预测结果融合生成更为准确的显著性图。在六个具有挑战性的基准数据集上，针对18种对比算法的定量与定性评估结果表明，本方法在学习显著性图分布方面具有显著优势，实现了RGB-D显著性检测的新SOTA（state-of-the-art）性能。