该文的基本假设从视觉注视点的统计分析得出。得出的基本假设为两点：1，显著性是非常稀疏的，也就是说大多数地方的显著值都是0，而只有图中的很小区域的显著值有很大的值；2，具有很大的显著值的区域的周围区域通常具有丰富结构信息。而超高斯(super-Gaussianity)分布刚好具有这两点特征。
在统计学领域，通常利用kurtosis函数来模拟超高斯分布。本文通过定义一个随机映射矩阵w，将原始特征空间Z通过这个映射矩阵w，然后求其最大值的kurtosis。这样，就通过优化算法求这个w，而这个w也将决定哪些值是saliency。同样通过不停的迭代，能够得到不同的saliency点。本文能同时计算出saliency map和视线扫描的轨迹。
该文的基本假设是：场景中的超高斯成分正是我们想要关注的东西。因此，我们要做的就是在一副场景中提取其超高斯成分。
这个图可以很好的解释这种现象。
该文用到了projection pursuit统计方法。Projection pursuit是一个统计工具，在高维空间中寻找最优的投影方向；然后将原始数据减去这个方向上的投影数据，再继续重复前面的步骤。
数据准备：该文将图像表示成patch的形式，然后利用PCA和whitening，将原始数据转换成新的矩阵Z。
文中用到了Fixed-point iteration method.【参考：http://home.iitk.ac.in/~psraj/mth101/lecture_notes/lecture8.pdf】
【几何解释就是经典的牛顿算法】
文中的几个公式推导：
原文中公式3的推导如下：
为了最大化这个梯度，当梯度的方向与映射的方向一致时，这个迭代就会收敛。所以得到如下公式：
将这个公式的右边的第二项移动左边，或略常数项，可以得到以下公式。
这样就可以通过迭代求取映射向量W。
当然，在得到一系列的映射向量W时，我们需要将他们进行正交化，来确保当前的优化方向与前面的优化方向不一致。这样就实现了projection pursuit的目的。从当前方向投影后，就不再在这个方向上进行投影，而是寻找与他垂直的方向上寻找下一次单个超高斯点。
在得到了投影向量W后，计算这个投影方向上的响应图：
这个响应图就是原图中的那个具有最大的单个超高斯分布的区域，这个分布是基于图像颜色的分布。这样RM1对应图中具有最大SGC（Super Gaussian Component）对应的响应图，表示人眼首次注视的区域，RM2则是对应的次大SGC分布，RM3,...依次推理，直到W收敛。而W收敛意味着下次转移的位置与上次转移的位置距离很小。也就是以后的SGC响应太小，不能引起注意力了。
最后，所有的响应图做适当的处理，就得到显著图的估计。
文章的实验结果看起来还不错，但是没有做gaze selection相关的验证实验，而是做了Video上的验证。
本文是一篇oral文章，这篇文章的整体思路：他是从“在图像中的什么成分能引起注意力”的问题出发。从大量tracker数据中得到假设：超高斯分布的数据更能吸引人们的注意力。因此，文章致力于寻找那些具有超高斯分布的位置。
当然文中缺少一些关键信息，对于整个思路理解起来，带来难度。比如，矩阵Z的大小，X是M*N的矩阵，M和N分别表示什么意思等。
【本文完】