本論文では、自己監督特徴量を用いたスペクトルクラスタリングを活用して、教師なし显著物体検出（SOD）という難問に取り組んでいます。以下の貢献を行いました：(i) スペクトルクラスタリングの再評価を行い、その潜在的な能力が显著物体のピクセルをグループ化することを示しました；(ii) MoCov2, SwAV, DINOなどの様々な自己監督モデルから計算された画像特徴量に対して複数回スペクトルクラスタリングを適用し得られたマスク候補について、フレーミングと独自性に基づくオブジェクト事前知識を活用した単純かつ効果的な「勝者独占」投票メカニズムを提案しました；(iii) 選択されたオブジェクトセグメンテーションを使用して擬似真値マスクとして利用し、それを用いて教師なしSODベンチマーク3つで先行手法を上回る性能を持つ显著物体検出器SelfMaskを開発しました。コードはhttps://github.com/NoelShin/selfmask で公開されています。