在论文《Realistic Image Generation using Region-phrase Attention》中，研究人员提出了一种新方法，在真网格区域和单词短语之间引入了另外一组注意力，使用一组辅助边界框导出真网格区域。这些辅助边界框用作优越的位置指示器，用于使用单词短语绘制对齐和注意力的位置。实验结果表明，与当前最先进的算法相比，该方法能够生成更逼真的图像。