RoI poolingなどを挟まないCNNだけで構成されたシーングラフ生成器のアーキテクチャを提案。CNNは、CenterNetのように物体の中心位置や大きさを表現した特徴量マップと、OpenPoseのPAFように物と物との関係性をベクトルで表現したRelational Affinity Fieldsとを出力する。これらから最終的なアウトプットであるシーングラフを構成する。

従来手法よりも40％以上、ものによっては10倍以上の高速化を実現。

（アブストではcompetitiveと主張しているものの、実際には）精度が目に見えて落ちているため、単に速度が上がったと主張することにどれだけ意味があるか悩ましい。従来手法と提案手法をそれぞれ適当にスケールさせて、精度と速度のトレードオフを描いて比較したい気がする。