MIMO est un modèle de synthèse vidéo polyvalent capable d'imiter l'interaction de n'importe quelle personne avec des objets dans des actions complexes. Il peut synthétiser des vidéos de personnages avec des attributs contrôlables (tels que le personnage, l'action et la scène) à partir d'entrées simples fournies par l'utilisateur (telles qu'une image de référence, une séquence de poses, une vidéo de scène ou une image). MIMO y parvient en codant les vidéos 2D en codes spatiaux compacts et en les décomposant en trois composants spatiaux (personnage principal, scène de fond et occlusion flottante). Cette approche permet un contrôle flexible, une expression du mouvement spatial et une synthèse perceptive 3D, applicable aux scènes interactives du monde réel.