語彙の指令（写真に関する説明）から画像をどうな風に変換すればいいかを学習は困難で、contrastive learningを使って語彙の指令と目標画像を同じ潜在変数に射影。すると語彙の指令だけから画像をどうな風に変換すればいいかを推論できる。

語彙の指令と画像を入力してから変換画像を生成できる。SSIMは若干落としたが、PerceptとFADではSOTA。

言葉を与えただけでも、画像を思うようにStyle変換できる。