従来の手法はGANベースで１ターンごとの編集を行うものが多かった。複数ターンを扱うものはCLEVRなどのトイデータセットを使っているものが多く、本研究は複数ターンで人手で付与された編集指示文を用いる実践的な問題設定で、このために新しくデータセットを作製している点が新しい。

編集がすべて終了した後の画像をSSIM、FIDで評価し、関連する既存手法を上回った。

コードはhttps://github.com/jshi31/T2ONetで公開予定とのこと / 強化学習を用いているので、本来ならまだ色々な設定での応用が考えられそう。例えば、本研究は必ず５ターンの編集を行っているようだが、ターン数を短くするような報酬を加えると、より短い操作で目的を達成するなど。個々の具体的な操作系列のデータは存在しなくても最適化することができそうで、その結果も見たかった。