構造上シンプルで、End-to-endなVisual Groundingの手法を提案。さらに、既存手法でよく用いられている、Queryーagnostic的なVisual Backboneは、Visual Groundingタスクに適切ではない可能性があることを示した。今後他の大規模Vision and Language事前学習や、タスクごとの再学習などにおいて新たな知見を提供した。

既存手法は、他のネットワークでVisual Backboneを学習する必要がある一方、提案のQuery-aware Dynamic Attention手法はEnd-to-endでVisual Groundingを行える。さらに、提案手法は４つのVisual GroundingベンチマークにおいてSOTAな精度を達成した。

この論文はコアのところはFiLM（Feature -wise Linear Modulation)のTransformer版。この手法は高い精度を得られたから、Vision and Language Transformer構造はまだまだ構造上改善する余地がありそうに思った。