本論文がCLIPのイメージエンコーダーについて、画像に書かれたテキストの情報と視覚情報をどう扱うか調査。 テキスト情報の理解能力の有無による、２つのモデル「learn to spell」と「forget to spell」を作成。 実験の結果によると、テキスト情報と視覚情報をきれいに分離できることが分かった。 応用として、テキストアーチファクトの除去、タイポグラフィ攻撃に対する防御を実証。