合成クエリ画像検索の目標として、問い合わせ画像におおむね類似しているが、要求された修正に応じて異なる画像を検索することである。本論文では，画像内の局所領域のセットを用いた画像を表現する新しい方法を提案する。これにより修正テキスト内の各単語と画像内の各領域の関係性を明示的に示し、モデルの画像の一部と修正テキストを正確に相関させることを可能にする。