本研究探讨视觉语言模型（VLMs）处理视觉信息的机制。分析表明，查询令牌有效存储全局图像信息，中层对跨模态信息流的影响显著，细粒度视觉属性和对象细节通过空间定位从图像中提取。这些发现为提升VLMs的视觉处理效率提供了新思路。

本文介绍了多种基于跨模态信息的点云补全和配准方法，如CMIGNet、EiCI-Net和P2M2-Net。这些方法通过融合视觉、文本等模态信息，显著提升了点云的补全和配准性能，实验结果显示其在多个数据集上优于现有技术。

该论文研究了任意模态显著目标检测（AM SOD），提出了模态自适应 Transformer（MAT）和模态适应特征提取器（MAFE），以应对不同模态的挑战。通过通道级和空间级融合策略（CSFH），有效捕捉跨模态信息，并提出了 SPNet 框架和多模态特征聚合模块，以提升显著性检测性能。