本研究提出了一种新型音视频显著性预测网络AVRSP，有效解决了音频与视频特征融合的不一致性问题，实验结果显示其预测性能优越。

本文提出了一种自适应融合方案，通过卷积神经网络提取特征，结合显著性地图，实现RGB和深度模态的显著性预测。设计了全监督训练的损失函数，方法在多个公开数据集上优于现有技术。此外，研究还提出了模态自适应Transformer和多模态特征聚合模块，以提升显著目标检测性能。

本文提出了一种基于 F-measure 值的正反馈方法，显著提高了显著性预测模型的准确性。该方法无需复杂的解码器设计，适应性强，实验结果显示在五个公开数据集上超越了12种最新方法。此外，研究探讨了多种基于 Vision Transformer 的网络和新型特征学习框架，在显著目标检测任务中表现优异。

该研究探讨了人类在视觉场景中的注意力转移，提出结合低层显著性和物体中心偏置的模型，分析了人类注视与深度学习模型的关系。通过眼动追踪和计算机视觉，研究了视觉搜索模式的稳定性，并提出新型模型以提高显著性预测性能，展示了人类注意力对人工智能模型的支持。