画像中のテキストや、さらに画像にないテキスト情報を考慮する必要のあるデータセットを提案した。また提案したデータセット用のモデルLoRRAを提案した。

TextVQAによる実験において提案手法"LoRRA"は既存のVQA baselineを有意に上回った。

NLPの代表的なタスクMachine TranslationやMachine Comprehensionでは、文脈情報を使用するモデルが流行している。（例：[Bawden+, NAACL-2018]）VQAにおいても文脈を利用したデータセットが必要があると、そうした最新の研究成果を反映したモデルの研究ができるので、その基準となるデータセットとベースラインモデルには非常に価値がある。