本研究探讨了目标检测与视觉显著性及深度估计的关系，发现视觉显著性与目标检测精度的相关性高于深度预测，尤其对大物体更为明显。这表明在目标检测中引入视觉显著性特征可能更为有效。

本文介绍了多种基于深度神经网络的图像质量评估方法，包括全参考和无参考模型。这些方法通过数据驱动的特征提取和回归，提升了评估性能，且不依赖于手工特征。研究还探讨了视觉显著性、对比度及语义信息在图像质量评估中的应用，展示了在多个基准数据集上的优越表现。

本文介绍了多种图像质量评估方法，包括基于视觉显著性、对比度和对抗学习的技术，旨在提高评估的准确性和实时性。同时，研究建立了大规模虚拟现实质量数据库，并评估了不同质量评估模型的性能，推动了相关领域的研究进展。

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。

本文介绍了一种基于视觉显著性和对比度的图像质量评估方法，增强了中心区域的敏感度，实验结果表明其与人类评估的相关性更强且处理速度更快。此外，提出了多模式提示和多任务学习的方法，提升了评估的鲁棒性和准确性。研究还探讨了显著性图对人类表现的影响及其在不同任务中的效益。

本文研究了可解释人工智能（XAI）在3D数据中的应用，提出了一种基于边缘和角点的视觉显著性方法，以提升模型的透明度和可信度。实验结果表明，使用SHAP方法的重新训练能够提高分类准确率。文章还探讨了XAI在不同分类场景中的表现及其在气候预测中的重要性，同时强调了XAI方法的局限性和误解风险。

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。