粗いアノテーションデータと細かいアノテーションデータを両方用いて学習を行うため、容易に作成可能な粗いデータを増やすことで品質を向上できる。また、そのためにアノテーション品質に依らず最終的な品質を一定に保つためのquality unification networkを提案した。

人手による被写体の指定を行うことなく、人手で作ったtrimapを用いるSOTAの手法に近い性能を出している

この分野においては、きれいなアノテーションデータが少ないという問題が常にあったが、この手法であれば使えば粗いアノテーションデータを増やすことで性能の向上が見込める上、データセットの拡充にも貢献できるため、分野に対する貢献が非常に大きい。