既存のVisual Groundingの手法が主に物体検出フレームワークをベースにしているため、Groundingに重要な画像領域をExploitする性能が制限される。ここで、検出を用いずにTransformerベースの手法を構築。特に、画像とテキストの相互のAttentionにより、画像中に重要な領域の情報が得やすい。さらに階層的なデコーダーによりTarget領域の最適化を行う。