既存のVisual aware Dialogueのデータセットの一つであるVisual Dialogue datasetは、対話の枠組みでの質問応答であるに、単純なVQAモデルである程度解けるようなデータになっていた。そこで、きちんと文脈を捉えないと解けないようなデータセットを2つ（CLEVR-VD, GQA-VD）提案した。また、その文脈をきちんと捉えることができるモデルの提案。

提案されたモデルは、既存手法に比べてCLEVR-VD, GQA-VDにおいて最高精度 & 説明性のあるモデルとなった。

Visual Dialogue界隈では、一部データセットが文脈が必要ないものになっているという問題点はかなり指摘されていて、その問題に対して解決するデータセットを提案した点。