Les arrière-plans complexes ainsi que les ressemblances d’apparence entre les objets et leur environnement sont généralement reconnus comme des scénarios difficiles dans la détection d’objets saillants (SOD). Cela conduit naturellement à l’intégration, en complément de l’image RGB conventionnelle, d’informations de profondeur, une approche connue sous le nom de SOD RGB-D ou SOD consciente de la profondeur. Toutefois, cette recherche émergente est fortement entravée par le bruit et l’ambiguïté présents dans les images de profondeur brutes. Pour remédier à ces problèmes, nous proposons un cadre de calibration et de fusion de profondeur (DCF) comprenant deux composants novateurs : 1) une stratégie d’apprentissage visant à corriger le biais latent présent dans les cartes de profondeur initiales, afin d’améliorer les performances de la SOD ; 2) un module de fusion croisée simple mais efficace pour combiner les caractéristiques issues des modalités RGB et de profondeur. Des expérimentations empiriques étendues montrent que la méthode proposée atteint des performances supérieures par rapport à 27 méthodes de pointe. En outre, la stratégie de calibration de la profondeur, utilisée comme étape préalable, peut être facilement intégrée aux modèles existants de pointe en SOD RGB-D, conduisant à des améliorations significatives.