上述提及的显著性检测算法都是直接利用对比度来计算显著性。最近，有不少学者开始利用更多的先验知识来进行显著性检测，比如中心先验，背景先验等。中心先验认为，摄影者总是偏向于将显著目标放置于图像中心或靠近中心的位置。因此，提出对图像中心区域的显著性加强其权值。Perazzi等人[21]统一对比和显著性计算引入一个单个高维高斯滤波框架。背景先验认为，检测出图像的背景信息，则相应可得到图像的显著信息。Wei等人[22]探索背景先验和测地线距离去检测显著目标。Yang等人[23]将显著性检测作为依靠图的流行排序问题，在稀疏的连接图执行标签传播，去描述显著目标和背景的不同。Jiang等人[24]分别依靠马尔科夫链中的被吸收时间，遍历马尔科夫链中的击中时间，部分吸收随机游走中的吸收概率进行显著性检测。

近期，随着新一期人工智能热潮的到来，基于学习的显著性检测算法得到了较好的发展。Li等人[25]提出了一种基于深度卷积网络的多尺度CNN特征，在CNNs的高层采用全连接并在三种不同的尺度下提取特征，然后提出了一种细化方法来增强显著性检测结果的空间相关性。Wang等人[26]使用一个深度神经网络（DNN-L）来学习局部性特征，使用另外一个深度神经网络（DNN-G）来学习图像的全局性特征，最终通过一种区域加权求和的方式来生成最终的显著性图像。Zhao等人[27]提出一种多环境上下文深度学习框架来进行图像显著性分析，他们使用深度卷积神经网络并同时考虑图像的全局和局部上下文信息。Lin等人[28]提出了一种深度卷积的显著性分析框架。