（１）言語特徴＋視覚的特徴を融合し、GANの制約にすること （２）２つのDiscriminator（言語＋画像）を同時に使用すること （３）Spatial Transform Networks（STN）ベースの微分可能な画像レンダリング方法 （４）Annotation付きのテキストバナーデータセットTextLogo3K（中国語）

先行研究がないため、ベースライン比較をしなかった。代わりに、ablation studyとuser studyで評価を行った。 - ablation studyで言語特徴、視覚的特徴、２つのDiscriminatorどれでも有力だと判明した。言語Discriminatorの影響は特に強い。 - user studyで生成したデザインは人間がデザインしたものとほぼ同レベルということがわかった。

GitHub（データセット含む）：https://github.com/yizhiwang96/TextLogoLayout 中国語中心の研究なので、日本語にも適用しやすい気がする。