重新思考物体显著性排序：一种新颖的全流程处理范式

现有的显著物体检测方法能够预测高亮视觉显著区域的二值图。然而，这些方法在区分多个物体的相对重要性及它们之间关系的能力上有限，这可能导致依赖多物体相对重要性的下游任务出现错误和精度下降。为克服此问题，本文提出一种显著性排序的新范式，旨在完全聚焦于按“重要性顺序”对显著物体进行排序。尽管先前工作展示了有前景的性能，但仍面临不适定问题。首先，显著性排序真值（GT）顺序生成方法不合理，因为确定正确排序顺序并未明确定义，导致误报。其次，训练排序模型仍具挑战性，因为大多数显著性排序方法遵循多任务范式，导致不同任务间的冲突与权衡。第三，现有的基于回归的显著性排序方法由于依赖基于实例掩码的显著性排序顺序，对显著性排序模型而言较为复杂。这些方法需要大量数据才能准确执行，且难以有效实现。为解决这些问题，本文从“GT数据生成”、“网络结构设计”和“训练协议”的角度深入分析了成因，并提出了显著性排序任务的全流程处理范式。所提方法在广泛使用的 SALICON 集上优于现有的最先进方法，大量公平合理的比较实验证明了这一点。显著性排序任务尚处于起步阶段，我们所提出的统一框架可作为指导未来工作的基础策略。