Siamese structureを利用することで、言語表現のブレに対して同じ内容のテキストに一貫性のある画像の生成を実現した。また文章の意味を埋め込むためのSemantic-Conditioned Batch Normalizationを提案。

CUBとMS-COCOで実験、InceptionScoreによる生成画像のクオリティの評価と人手によるテキストに対する妥当性の評価を行った。