テキストからの物語画像生成の論文。一連の説明文の系列が与えられた時に対応する系列画像を出力する課題。本研究では学習済みのminiDALL-Eをベースに、説明文系列の文脈を捉えるglobal story encoder (self-attention)、元画像のエンコーダ (cross attention)、Prompt-tuningするためのMLPを新たに追加して物語画像生成を行えるようにした。