Visual Grounding（VG）タスクは従来大量なラベルデータが必要。ここで、画像から疑似な物体関係のクエリーを生成するプロセスを導入し学習に必要なサンプル数を減らした。提案手法は検出器で物体検出し、Unsupervisedで物体間の関係のPseudo クエリーを生成。次にVGタスクに設計したクエリー Promptモデルで、画像、クエリー、そしてVGのテキスト情報の関係性を学習。