GNNをシーンオブジェクトを本質的なものとマイナーなものに分割するように学習し、マイナーなものをInpaitingによって消去することでシーン識別者を欺く。

主観・客観的な実験により、シーンエッセンスは重要な要素を捉えており先行研究では見過ごされていたオブジェクトレベルでのシーン認識が可能であることを実証。また安価にシーン変換を実現できることを提示。

問題設定がシンプルながら斬新。