①手法的新規性：既存のTextCap手法が主にImage captioning手法をベースにし、画像ごとに一つのGlobal Sentenceを生成する。それに対し提案手法が２－Stageにより複数のセンテンスを生成可能。②TextCapタスクに新たな視点でタスクの有用性を向上している。複数の文字領域があるものの、1つのセンテンスだけ出力設定が実用化すると不十分であって、この論文で複数生成を提案。

既存のベンチマークTextCapsにおいてSoTAを達成しながら、既存手法と比べDiversityが高いCaptionsを生成できる。