3Dエンコーダーと距離画像エンコーダーを同時事前学習することに成功したことで、モダリティを跨いで学習できることや、相補的な表現を捉えることによる精度向上が見込める。調査の結果、Image-Point, Depth-Pointが良いことがわかった。

提案手法により事前学習されたVoteNetは、SUN RGB-DやScanNetにおける従来の最高水準の性能より高い精度が出たと報告されている。VoteNetを使っていてScanNet で64.2、SUN RGB-Dで60.2の精度をAP25%時に出している。

RGB-Dや点群間の同時学習を実施するフレームワークを提案した。