既存のRGB-D显著物体検出（SOD）モデルは、通常、RGBと深度を独立した情報として扱い、それぞれから特徴抽出を行うための個別のネットワークを設計しています。このようなスキームは、訓練データの量が限られていることや、精巧に設計された訓練プロセスへの過度な依存によって制約されやすいです。RGBと深度モダリティが実際には显著物体を区別する際に一定の共通性を持つという観察に基づき、新しい共同学習および密接協力融合（JL-DCF）アーキテクチャが設計されました。このアーキテクチャは、Siameseアーキテクチャと呼ばれる共有ネットワークバックボーンを通じて、RGBと深度入力の両方から学習します。本論文では、共同学習（JL）と密接協力融合（DCF）という2つの効果的なコンポーネントを提案します。JLモジュールは、Siameseネットワークを利用してクロスモーダル共通性を活用することで堅牢な显著性特徴学習を提供し、DCFモジュールは補完的な特徴発見のために導入されます。5つの一般的な評価指標を使用した包括的な実験により、設計されたフレームワークが堅牢なRGB-D显著物体検出器であり、良好な汎化性能を持つことが示されました。その結果、JL-DCFは7つの課題のあるデータセットにおいて平均で~2.0%（最大F値）向上し、最先端モデルを大幅に上回ることが確認されました。さらに、JL-DCFが他の関連するマルチモーダル検出タスクにも容易に適用できることを示しており、RGB-T（熱赤外線）SODやビデオSODにおいても最先端手法と同等かそれ以上の性能を達成しています。また、JL-DCFをRGB-Dセマンティックセグメンテーション分野との関連付けを行い、RGB-D SODタスクにおいていくつかのセマンティックセグメンテーションモデルよりも優れた性能を発揮することを示しました。これらの事実は、提案されたフレームワークが様々な応用に対して潜在的な解決策となり得ることや、クロスモーダル相補性タスクに対するさらなる洞察を与える可能性があることをさらに確認しています。