本研究提出eXpLogic算法，利用DiffLogic网络架构解决深度神经网络的复杂性问题，生成显著性图，识别决策输入，缩减网络规模，提高推理效率。

本研究提出了一种名为Poem的可解释人工智能模型，旨在提高时间敏感场景下的可解释性。该模型通过生成示例、反示例和显著性图，提供快速有效的解释。实验结果表明，Poem在速度和生成细致示例方面优于前代模型Abele。

研究表明，量化技术可以使大模型在遗忘特定知识后重新恢复这些知识。宾夕法尼亚州立大学、哈佛大学和亚马逊的研究发现，4-bit量化会导致被遗忘的知识重新显现。为了解决这一问题，提出了SURE框架，通过显著性图指导遗忘过程，以优化模型效用与遗忘性能的平衡。

本研究提出了一种基于显著性图的不变Krawtchouk矩的图像检索方法（SM-IKM），通过显著区域检测与多阶特征结合，显著提高了检索的准确性和效率。实验结果显示，该方法优于现有技术。

本文提出了一种基于视觉显著性的人脸识别解释框架，利用CorrRISE算法生成显著性图，揭示人脸的相似与不同区域。实验证明该方法在解释人脸识别方面优于其他方法，提供了深入的洞察力。

本文提出了一种基于显著性图引导的生成对抗网络（SCGAN）框架，用于灰度图自动上色。该方法利用预训练的VGG-16-Gray网络的全局特征，通过颜色编码器实现高效训练，生成效果优于现有技术。实验结果表明，SCGAN在ImageNet验证集上表现出色。

本文提出了一种基于视觉显著性的深度人脸识别解释框架，利用新算法CorrRISE生成显著性图，揭示人脸图像中的相似与不同区域。研究表明，该方法在可解释性和准确性上优于其他技术，有效解决了人脸识别中的“黑匣子”问题。

本文介绍了一种新方法，用于生成用于3D物体检测的DetR-like ViT的显著性图。该方法基于原始注意力，比基于梯度的方法更高效。通过在nuScenes数据集上的测试，证明了该方法在视觉质量和定量指标方面优于其他可解释性方法。研究还展示了在转换器的不同层之间聚合注意力的重要性。这项工作有助于开发可解释的AI模型，提高人们对AI应用的信任。

本文提出了一种小目标感知检测器(STAD)，通过引入显著性图和知识蒸馏策略，捕捉高光谱影像的人类视觉感知特征，并适应边缘设备应用。实验证明该方法在真实高光谱影像上表现出卓越性能和潜力。

该研究提出了一种高效的可解释性AI显著性图方法，适用于深度卷积神经网络，精度相当或更好，可在资源有限的平台上使用。