为了获得更准确的显著性图，近期的方法主要集中在从全卷积网络（FCN）中聚合多层级特征，并引入边缘信息作为辅助监督。尽管已取得显著进展，但我们观察到像素越接近边缘，预测难度越大，因为边缘像素的分布非常不平衡。为了解决这一问题，我们提出了一种标签解耦框架（Label Decoupling Framework, LDF），该框架包括标签解耦（Label Decoupling, LD）过程和特征交互网络（Feature Interaction Network, FIN）。LD 明确地将原始显著性图分解为物体主体图和细节图，其中物体主体图专注于物体的中心区域，而细节图则关注边缘周围的区域。由于细节图涉及的像素远多于传统的边缘监督，因此其表现更好。不同于显著性图，物体主体图舍弃了边缘像素，仅关注中心区域。这在训练过程中成功避免了边缘像素带来的干扰。因此，我们在 FIN 中采用了两个分支分别处理物体主体图和细节图。特征交互（Feature Interaction, FI）设计用于融合这两个互补分支以预测显著性图，然后利用该显著性图进一步优化两个分支。这种迭代精炼有助于学习更好的表示并生成更精确的显著性图。在六个基准数据集上的全面实验表明，LDF 在不同的评估指标上优于现有最先进方法。