目前国内外在视频显著性的研究上，有很多学者已经做过了卓越的贡献。南加州大学iLab实验室Itti教授及其学生Siagian等人，在博士期间的主要工作就是受生物学启发的机器人视觉定位研究。而Koch lab和J.Harel于2006年在matlab上提出了基于图像的视觉显著性检测。Itti也提出了一个关于生物模型的视觉显著性检测算法，他通过对生命体的视觉选择性注意模型进行模拟开发出了一套显著性检测算法，该算法比较适合处理一些天然的图像。这种算法得到的显著图是像素点在明亮、色彩、位置与周边的环境像素进行对比后得到的全部显著值进行聚合起来构成的一幅显著图。49138

而在之后，复旦大学的教授Chenlei Guo和Liming Zhang在频谱残差法（Spectral Residual）的基础上提出了基于相位谱方法（Phase Spectrum）的显著性检测方法。随后清华大学的程明明教授也提出了一种基于全局对比度的显著性检测方法。大连理工大学的卢湖川教授则通过低、中层的线索来得到贝叶斯显著性。

近年来，随着人工智能等学科的飞速发展，有关显著性检测的新方法也海量地涌现了出来。2010年，Menon等人提出了一种用于显著性检测的网络模型，该模型模拟人脑脑岛功能来对视觉信息聚类进行分析，并且成功地获取到了大脑MRI图像中的显著性区域。2011年，Chang等人提出了一种基于检索相关联对象的显著性计算模型，该模型通过构建一个迭代优化的能量函数来进行显著性分析，并且把对象间关联作为参考，最终运用多矩形图框来定位显著目标。该算法生成的显著图效果比较良好，但是对显著性目标的分割就不太精确了。2012年，Liang等人提出了一种结合分割算法的显著性区域检测方法，该方法主要利用人工进行区域选择，并将选择的区域与背景进行差异性计算得到显著性。值得一提的是，该算法并不是基于视觉注意机制论文网，因此它的检测效果不是很稳定。同年，Lu等提出了一种与颜色直方图相关的CHH算法来对图像进行显著性计算，该算法不仅统计颜色像素的数量，还考虑到了位置关系以及其周边像素变化规律所带来的影响。该算法运算速度快，而且提取区域连通性能力强，并且对图像的尺度变化还具有很好的适应性。2013年，Advani等提出了一种基于多分辨率的显著性检测算法，该方法对人类视觉注意机制进行了基于多尺度空间的分析，并且在不同的分辨率下对输入图像进行了显著性建模，与RC算法一样，该模型同样高效地显示了显著目标。同年，Ngo等人提出了WSS算法，该算法同样是以多尺度分析理论作为其理论基础的，不同的是它是在小波域对图像进行显著性检测的。该算法首先对输入图像分别进行DWT、DWPT、QWT等变换，然后以各小波子带作为描述子，在不同尺度空间下进行显著性分析，并且运用不同方法来量化检测结果。虽然该算法检测效果并不是很突出，但其为小波域的视觉显著性分析提供了参考，拓宽了这一领域的研宄思路。除了上述算法之外，还有许许多多其他的显著性检测方法被提出，但由于它们的检测结果都没有以上提到的各种算法的高效，就不再在此一一列出了。