该论文提出了一种结合文本到图像生成与视觉问答的方法，利用VQA 2.0数据集提升生成图像质量和文本对齐。通过生成问题与答案对的训练样本，改进了T2I模型的效果，FID从27.84降至25.38，R-prec从83.82%提高至84.79%。此外，研究探讨了图像生成的美学和公平性，提出了新的评估框架和缺陷检测数据集。