動的に全結合よりも疎なグラフを構成するフェーズにおいて二つの貢献を主張。一つは各 node(pixel) が受け取る message の発信元となる node 集合を動的に sampling すること、もう一つは message の受け渡しに用いる重みと隣接行列も動的に予測することである。これらのいずれも学習可能なパラメータと node の特徴量を用いて行われるので"動的"と表現されている。

Cityscapes(Semantic Segmentation)で mIoU COCO(Object Detection, Instance Segmentation) を用いて検証。いずれにおいても比較手法よりも高い性能を達成。また既存手法に対して計算量/パラメータ数の効率が良いことを主張しており、全結合グラフを用いる Non-local Net との差が顕著である。

全結合グラフを用いるよりも計算効率が優れているのは勿論、性能面でも良い結果を示しているのが大きい。隣接行列や重みを動的に予測する点も貢献だが、node 集合の sampling を二段階で行っている点の方が工夫として面白い(ただしその分文章が難解になっている)。trainining は 論文のやり方でいいとして inference の際の sampling をどのように行うかが少し気になる。