本稿では、データラベル付けプロセスから学習することにより、不確実性を活用したRGB-Dサリエンシー検出のための初めてのフレームワーク（UCNet）を提案する。従来のRGB-Dサリエンシー検出手法は、サリエンシー検出を点推定問題として扱い、決定論的な学習パイプラインに従って単一のサリエンシー地図を生成している。本研究では、サリエンシーのラベル付けプロセスに着想を得て、条件付き変分自己符号化器（conditional variational autoencoders）を用いた確率的RGB-Dサリエンシー検出ネットワークを提案し、人間のアノテーションにおける不確実性をモデル化するとともに、潜在空間におけるサンプリングによって入力画像ごとに複数のサリエンシー地図を生成する。提案するサリエンシー一貫性プロセスを用いることで、これらの複数の予測に基づいて高精度なサリエンシー地図を生成することが可能となる。6つの困難なベンチマークデータセットにおいて18の競合アルゴリズムと比較した定量的および定性的な評価結果から、本手法がサリエンシー地図の分布を効果的に学習できることを示し、RGB-Dサリエンシー検出分野における新たな最先端性能を達成したことが確認された。