既存のVisual Grounding（VG）手法は１ステップで行うため、候補領域の質が結果に大きな影響を及ぼす。ここで１ステップではなく、段階的にGrounding領域を最適していく手法を提案。領域をノードとし、領域間の関係をエッジとする。提案手法ではMulti-modalなグラフTransformerを利用して、ノードとエッジをグラフにより段階的に関係性学習を行う。