Der Hauptzweck der RGB-D-salient object detection (SOD) besteht darin, die Kreuzmodalfusionsinformationen besser zu integrieren und zu nutzen. In diesem Artikel untersuchen wir diese Fragestellung aus einer neuen Perspektive. Wir integrieren die Merkmale verschiedener Modalitäten mittels dicht verbundener Strukturen und nutzen deren gemischte Merkmale, um dynamische Filter mit unterschiedlichen Empfindlichkeitsfeldern zu generieren. Abschließend realisieren wir eine flexiblere und effizientere Verarbeitung mehrskaliger Kreuzmodalfunktionen, nämlich das dynamische dilatierte Pyramidenmodul. Um sicherzustellen, dass die Vorhersagen schärfere Kanten und konsistente auffällige Regionen aufweisen, entwerfen wir eine hybride verbesserte Verlustfunktion, um die Ergebnisse weiter zu optimieren. Diese Verlustfunktion zeigt sich zudem auch in der einmodalen RGB-SOD-Aufgabe als wirksam. In Bezug auf sechs Metriken übertrifft die vorgeschlagene Methode die bestehenden zwölf Methoden auf acht anspruchsvollen Benchmark-Datensätzen. Eine große Anzahl von Experimenten bestätigt die Wirksamkeit des vorgeschlagenen Moduls und der Verlustfunktion. Unser Code, die Modelle und die Ergebnisse sind unter \url{https://github.com/lartpang/HDFNet} verfügbar.