摘要

深度数据在位置判别方面具有较强的表征能力，已被证明对精确的显著性预测具有显著益处。然而，现有的RGB-D显著性检测方法仍易受到深度图中随机分布的错误区域或缺失区域，以及物体边界附近噪声的影响，从而降低性能。这为设计更为高效的模型以实现更优的推理提供了可能。本文提出了一种新的RGB-D显著性检测框架，充分融合了RGB与深度模态在局部与全局层面的互补性。该框架通过设计一种具有足够判别能力的互补交互机制，能够同时从RGB与深度数据中选择有效表征，并对物体边界进行精细化优化。此外，我们还提出了一种补偿感知损失函数，用于进一步处理在互补交互机制中未被充分考虑的信息，从而提升模型在复杂场景下的泛化能力。在六个公开数据集上的实验结果表明，所提方法优于18种现有的先进方法。