Visual Question Answeringタスクのこれまでのモデルは視覚的情報のみに頼っており、その背景を考慮していないと主張し、そのギャップを解消することを目的としている。SceneGraphsを用いる研究は多くあるが、未検出のオブジェクトや外部概念に関する問題に対処できていない。視覚情報のSceneGraphsに明示的な外部情報を組み込むKI-Netを提案。