レンダリング画像で合成データセットを生成するCLEVRをベースとして、変化の箇所を1個から4個の範囲に拡張したCLEVR-Multi-Changeデータセットを構築した。加えて、双方の画像の特徴抽出に対するエンコーダ及びデコーダにTransformerを適用した手法を提案した。

CLEVR-Multi-Changeデータセットで評価を行い、従来手法を上回る結果。Spot-the-DiffデータセットやCLEVR-Changeデータセットによる評価でも、従来手法と同等以上の結果。

可視化を含めた分析結果と、性能面の優位性で通ったと考えられる。cvpaper.challengeの論文で、プロジェクトページ( https://cvpaperchallenge.github.io/Describing-and-Localizing-Multiple-Change-with-Transformers/ )が公開されている。