Pre-trained Vision-Language (VL) Modelにより擬似ラベル（Pseudo Label）を付与することにより、物体ラベルの数を大幅に（数十→数千など）増加させることに成功し、いわゆるOpen Set Object Detectionに問題設定を拡張することに成功した。VL Modelは画像キャプションから画像中の検出枠に置き換えることができる。