本研究提出了一种深度傅里叶嵌入网络（DFENet），利用快速傅里叶变换解决双模态显著目标检测中的计算复杂度和频率差距问题。DFENet通过模态协调感知注意机制和频率分解边缘感知模块，在四个基准数据集上超越了十二个现有模型。

本文提出了一种基于深度质量感知的RGB-D合并方法，旨在优化多模态数据处理，提高机器感知能力。研究引入深度几何先验、自动架构搜索和多模态特征聚合模块，显著提升了RGB-D显著目标检测的精度和性能。通过自适应融合策略，该方法在多个公开数据集上优于现有技术。

该研究提出了RD3D和C2F-Net等深度学习模型，旨在提高RGB-D显著目标检测的准确性和效率。这些模型通过特征融合、注意力机制和新颖的网络结构，在多个基准数据集上超越了现有方法，有效解决了伪装目标检测和模态不兼容问题。

该论文研究了任意模态显著目标检测（AM SOD），提出了模态自适应 Transformer（MAT）和模态适应特征提取器（MAFE），以应对不同模态的挑战。通过通道级和空间级融合策略（CSFH），有效捕捉跨模态信息，并提出了 SPNet 框架和多模态特征聚合模块，以提升显著性检测性能。

该论文提出了一种基于像素分类的特征学习框架，用于显著目标检测。HyperFusion-Net网络能够自动预测最重要的区域并分割相关物体，在七个公共数据集上表现优于其他现有方法。

该文介绍了一种基于Vision-Transformer的语义蒸馏协助显著目标检测方法，通过融合从生成的图像字幕中语义蒸馏的知识，可以更好地揭示物体之间、物体与环境之间的显著性，并提高了模型性能。在五个基准数据集上的实验表明，该方法优于现有技术。