我々は、データラベリングプロセスから学習することで不確実性を活用する初の確率的フレームワークを提案し、RGB-D サリエンシー検出に適用します。既存の RGB-D サリエンシー検出モデルは、このタスクを確定的な学習パイプラインに従って単一のサリエンシーマップを予測する点推定問題として扱っています。しかし、我々は確定的な解が比較的不適切であると主張します。サリエンシーデータのラベリングプロセスに着想を得て、ラベリング変動をモデル化するために潜在変数を利用した確率的な RGB-D サリエンシー検出を達成する生成アーキテクチャを提案します。我々のフレームワークには、以下の2つの主要なモデルが含まれています：1) 入力画像と潜在変数を確率的なサリエンシー予測にマッピングするジェネレーターモデル；2) 潜在変数を真のまたは近似事後分布からサンプリングすることにより徐々に更新する推論モデル。ジェネレーターモデルはエンコーダー-デコーダー型のサリエンシーネットワークです。潜在変数の推論のために、以下の2つの異なるソリューションを導入しました：i) 潜在変数の事後分布を近似するために追加のエンコーダーを持つ条件付き変分オートエンコーダー；ii) 真の事後分布から直接潜在変数をサンプリングする交互バックプロパゲーション技術。6つの課題的な RGB-D ベンチマークデータセットにおける定性的および定量的な結果は、我々の手法がサリエンシーマップの分布学習において優れた性能を持つことを示しています。ソースコードはプロジェクトページを通じて公開されています：https://github.com/JingZhang617/UCNet。注：「UCNet」は特定のネットワーク名であり、「Unsupervised Conditional Network」などの意味があるかもしれませんが、ここではそのまま「UCNet」と訳しました。また、「確率的」（stochastic）や「事後分布」（posterior distribution）などの専門用語を使用していますが、これらは一般的な日本語での使用頻度が低いため、必要に応じて補足説明が必要かもしれません。