CLIP（Contrastive Language-Image Pre-training）の対応関係により、教師なしで物体候補領域の抽出はできるか、という疑問に取り組んだ研究である。CLIPによるカテゴリに依存しない物体候補領域の解析と統合を実施し、CLIPから与えられる擬似ラベルを用いてクレンジング。