本研究提出了一种新方法，解决图像显著性预测中的数据集偏见问题。通过扩展编码器-解码器结构，模型仅需调整少量参数即可提升在不同数据集上的表现。研究表明，该模型在MIT/Tuebingen显著性基准的三个数据集上达到了最佳性能。

本文探讨了计算机视觉在图像美学和情感分析中的应用，研究了图像显著性与情感之间的关系，并提出了新的数据集和模型以提升图像生成的情感表达能力。研究强调主观性在图像评估中的重要性，指出考虑用户和情境的必要性。

本文研究视觉概念的复杂度变化，发现高可代表性属性描述视觉概念时，描述长度呈倒U型。使用卷积神经网络进行图像显著性建模，并结合手工特征以提高性能。提出的计算模型揭示了现有视觉识别模型的缺陷，强调自上而下处理的重要性，并探讨了人类与计算机视觉模型在视觉任务中的差异，提出基于概念相似性的图像相似度度量方法。