既存の視覚言語事前学習モデルは画像中の物体やEntitiesの認識をメインで行われている。画像やテキストに含まれるイベント構造レベルの理解に関する検討が少なかった。ここで、事前学習の段階でイベントを学習できるような対比学習フレームワークを提案。テキストから既存のツールを用いてイベントの構造知識を抽出し、Prompts構造を用いて対比学習のためのネガティブサンプルを作成し学習に用いた。