介绍视觉注意力在人类视觉系统中的重要性，以及显著性检测在目标检测、图像压缩等领域的广泛应用。
综述现有显著性检测方法，包括自下而上和自上而下的方法，并指出它们的局限性。
分析现有方法未建模人脸内部注视点分布的问题，指出其对不同尺寸人脸的适应性差。
提出一种基于眼动数据驱动的高斯混合模型（GMM）的人脸图像显著性检测方法。
描述数据采集的具体步骤，包括图像选择、眼动实验的设计和眼动仪的使用。
总结关键发现，包括人脸显著性优势和尺寸依赖性的实验结果。
介绍坐标校准和平移坐标的方法，以及尺寸归一化的具体步骤。
详细说明人脸通道和面部特征通道的GMM建模过程，包括均值和协方差矩阵的学习。
阐述显著性检测框架，包括自下而上和自上而下特征的融合方法。
介绍通过多项式拟合动态调整特征权重的方法。
说明训练集和测试集的划分方法，确保数据集无重叠。
介绍AUC、NSS和CC等评估指标的具体含义和计算方法。
展示GMM模型和动态权重优化的实验结果，包括与其他方法的对比。
总结论文的主要贡献，包括数据库的建立、GMM模型的提出和动态权重优化方法。
展望未来研究的方向和潜在的应用领域。