視頻1:08:49這里，聊到cross-attention和vise versa(我覺得就是英文語境和中文理解帶來的問題)，迪哥這里理解和我的理解有點出入。我看了看代碼的說明：

這邊我畫一個示意圖您看看是不是這個意思：

我的理解就是，point embed這塊在第一個cross attention出Q，image embed出K,V；第二個cross attention反過來，point embed出K,V，image embed出Q?；蛟S會帶來特征維度上的變化（？）換句話說，本質(zhì)上是研究point embed和image embed的“相關(guān)性”（？），這也是某種程度上的對稱性設(shè)計誒，我感覺。

您看是不是這個道理？（圖里省略了很多東西，殘差連接沒畫全）