图 2 说明了所提出的 NestedFormer 的概览，它由三个组件组成：1）多个编码器，用于获得不同模态的多尺度表示，2）NMaFA 融合模块，用于探索多模态高级嵌入内和之间的相关特征，以及 3）门控策略，用于选择性地将模态敏感的低分辨率特征传输到解码器。