Image Compositingの先行研究では、合成する画像の位置情報を考慮するものや、合成後の見栄えに注目した手法が提案された。本論文では位置情報と見栄えを考慮する手法をend-to-endなモデルにまとめたものを提案した。

MSCOCO[Lin+, ECCV-2014]を使った実験で人手評価を行ったところ、Pix2Pix[Isola+, IEEE-2017]などのSOTAモデルの結果よりもリアルな画像に見えるという結果になった。

位置情報や輝度をパラメータや関数といった形でGANの中に組み込んでいる点が単純なDNNモデルに対する主張である。論文に掲載された図も他のモデルより見栄えがいい。ただしリアルさに関する研究であり、さまざまなバイアスが混ざっている可能性はある。