摘要
现有的大多数RGB-D显著性检测方法采用对称的双流架构，以学习具有区分性的RGB与深度特征。然而，一个常被忽视的深层次问题在于：RGB与深度数据是否必须被纳入同一网络结构中进行处理。本文提出一种非对称双流架构，充分考虑RGB与深度数据之间的固有差异，以提升显著性检测性能。首先，我们设计了一种流式梯级模块（Flow Ladder Module, FLM），用于RGB流，以在保持显著性细节的同时，充分提取全局与局部信息。该模块通过构建四个细节传递分支实现，每个分支均保留细节信息，并以渐进式方式接收来自其他垂直并行分支的全局位置信息。其次，我们提出一种新型深度注意力模块（Depth Attention Module, DAM），在复杂场景下确保深度特征在空间位置与结构上的高区分性得以有效利用，并与RGB特征进行融合。此外，通过所提出的DAM，深度特征还能对RGB特征进行有区分性的引导，从而更精确地定位显著目标。大量实验表明，本方法在7个公开数据集上显著优于13种当前最先进的RGB-D方法。相关代码将公开发布。