这是2016 ECCV的一篇论文，思路很简单，这里做一下简要的介绍。联合滤波可以使得引导图作为一个先验，并可以将引导图的结构信息迁移到另一个图像中。这里是使用CNN代替原来联合滤波中的滤波器，使得显著性的特征可以在引导图和目标图中保持一致。
联合滤波的基本idea是，引导图中关于图像的结构化信息可以被转移到目标图像中，所以其目的是增强降质图像，抑制其中噪声的同时，避免产生目标图中不存在的错误的结构化信息。前面非CNN的方法没有考虑到转换过程中结构化信息需要一致性的特点。所以这里把网络结构设计成如下的形式:
网络分成三个部分，CNN-T和CNN-G用来提取目标图和引导图的特征，CNN-F将两者的特征concat，其可以看做是一个非线性回归单元，将两者特征混合获得最后的图像。这里采取这种方式的意义在于，前面两个网络可以提取出边缘信息，这种信息对于联合滤波效果更好。和之前的工作相比，这里的权重是通过数据驱动学到的，而不是之前的权重滤波仅仅通过引导图获得。因此，通过这个网络结构，可以使得输出不会偏离目标图太远，同时保留引导图的结构化信息。