Dies ist ein Video-Variations-Autoencoder (VAE), der darauf abzielt, Videoredundanz zu reduzieren und eine effiziente Videogenerierung zu fördern. Das Modell hat festgestellt, dass die direkte Erweiterung von Bild-VAEs auf 3D-VAEs Bewegungsunschärfe und Detailverluste verursacht. Daher wurde eine zeitbewusste räumliche Kompression vorgeschlagen, um Raumdaten besser zu codieren und zu decodieren. Darüber hinaus integriert das Modell ein leichtgewichtiges Bewegungskompressionsmodell, um eine weitere zeitliche Kompression zu erreichen. Durch die Nutzung der in Text-zu-Video-Datensätzen enthaltenen Textinformationen und die Integration von Textführung in das Modell wird die Rekonstruktionsqualität deutlich verbessert, insbesondere in Bezug auf Detailerhaltung und zeitliche Stabilität. Das Modell verbessert seine Generalisierbarkeit durch gemeinsames Training auf Bildern und Videos, was nicht nur die Rekonstruktionsqualität verbessert, sondern es dem Modell auch ermöglicht, Bild- und Video-Autoencodierung durchzuführen. Umfangreiche Evaluierungen zeigen, dass die Methode die Leistung der jüngsten starken Baseline übertrifft.