全景视觉显著性检测：原理、方法与应用综述

随着虚拟现实（Virtual Reality，VR）技术的迅速普及，VR360 o 全景图像（Omnidirectional Image，ODI）与全景视频（Omnidirectional Video， ODV）在娱乐、教育、医疗等领域展现出巨大的应用潜力。然而，由于全景内容具有球面畸变、视角分布不均以及实时交互等特有挑战，传统显著性检测方法难以有效应对VR全景场景的复杂性。本文综述了当前VR360o 全景图像/视频下显著性检测的研究进展，从传统机器学习方法到基于深度学习（如CNN、Transformer和LSTM架构）的方法进行了全面回顾。文章首先介绍了VR360 o 内容的成像原理与几何特性；随后，重点讨论了传统方法与深度学习技术在全景显著性检测中的应用与局限，特别是在全景环境中融合了多模态信息的相关研究；此外，综述还对现有数据集、评测指标及现有方法的性能进行了系统整理。本文还考察了全景显著性检测在图像质量评估和视频质量评估等领域中的实际应用案例，以揭示其在技术优化和用户体验提升方面的潜在价值。最后，文章展望了未来在VR360°全景显著性检测领域的前沿方向，旨在为后续研究和技术落地提供理论支持和实践指南。本文提及的算法、数据集已汇总至https：//github.com/jiacongyu/PVSD。