该文综述多模态信息瓶颈研究，涵盖动态框架提升医学诊断鲁棒性、DSIBH增强哈希码可区分性以助跨模态检索、特征解缠分割框架在模态缺失下的表现、M2IB提升视觉-语言模型可解释性、双向蒸馏模型诊断淋巴结转移、信息熵量化特征冗余与协同、变压器与GAN整合不完全多模态数据预测阿尔茨海默病、DBF去噪模型用于视频多模态融合、多层融合瓶颈架构降低音视频分类计算成本，以及互信息网络用于可见-红外人物重识别。

本文提出了一种改进视觉-语言预训练模型的方法，通过多模态信息瓶颈（M2IB）学习将相关特征保留并压缩无关信息的潜在表示。M2IB提高了视觉-语言预训练模型的归因精确度和可解释性。