Human-Object Interaction 検出のための新たなTransformerベースの手法を提案。既存のCNN-basedの手法ではより広域的領域の関係性の推定が弱い傾向になり、画像中に複数の候補領域がある際にうまく推定できないことがある。それに対して、局所・全局的画像を見るようなことが可能な1-StageのTransformer手法を提案し、既存のデータセットにおいてSoTAを達成。