近年の物体検出向け自己教師付き事前学習手法は、主に物体検出器のバックボーン部分に注目しており、検出アーキテクチャの重要な構成要素を無視している。本研究では、物体の局所化および埋め込み部品を含む、物体検出ネットワーク全体を事前学習することを目的とした新しい自己教師付き手法であるDETRegを提案する。事前学習フェーズでは、DETRegは無教師型領域提案生成器から得られる物体の局所化と一致する予測を行い、同時に自己教師付き画像エンコーダから得られる特徴埋め込みと対応する特徴埋め込みを一致させる。本手法はDETR系の検出器を用いて実装され、COCO、PASCAL VOC、Airbus Shipのベンチマークにおいて、微調整（fine-tuning）後の性能が競合するベースラインを上回ることを示した。特にデータ量が少ない状況下（たとえばラベルの1％のみで学習する場合や、少量学習（few-shot learning）設定）においても、DETRegは顕著な性能向上を達成した。