本研究探讨视觉问题回答（VQA）领域，提出多种模型和方法以提高图像与文本特征的融合和匹配性能。实验结果表明，深度学习和语言指导技术显著提升了VQA系统的准确性和泛化能力，推动了该领域的研究进展。

该研究提出了一种改进的两视图对应关系学习框架，包括局部特征共识插件块和具备相互损失的孪生网络。通过利用互相投影的监督信息，提高了匹配性能，同时不增加模型参数。在基准数据集上取得了最先进的性能。