DETRを基盤とすることで画像シーングラフ生成タスクにおいて高精度なEnd-to-Endモデルを構築し， Bipartite Graph Assemblingを導入することによりtwo-stageモデルとone-stageモデルの利点を兼ね備えた手法を提案した．

従来の画像シーングラフ生成モデルと比較してSoTAを達成した．また，定性的に視覚化したattention mapからも，物体と関係性が正確に捉えられていることが分かった．