MIMO एक सामान्य वीडियो संश्लेषण मॉडल है जो जटिल क्रियाओं में वस्तुओं के साथ बातचीत करते हुए किसी भी व्यक्ति की नकल करने में सक्षम है। यह उपयोगकर्ता द्वारा प्रदान किए गए सरल इनपुट (जैसे संदर्भ छवि, मुद्रा अनुक्रम, दृश्य वीडियो या छवि) के आधार पर नियंत्रित गुणों (जैसे पात्र, क्रिया और दृश्य) वाले पात्र वीडियो को संश्लेषित कर सकता है। MIMO इसे 2D वीडियो को कॉम्पैक्ट स्थानिक कोड में एन्कोड करके और इसे तीन स्थानिक घटकों (प्रमुख चरित्र, अंतर्निहित दृश्य और तैरता हुआ अवरोध) में विघटित करके प्राप्त करता है। यह विधि उपयोगकर्ताओं को लचीला नियंत्रण, स्थानिक गति अभिव्यक्ति और 3D-अवगत संश्लेषण की अनुमति देती है, जो इंटरैक्टिव वास्तविक दुनिया के दृश्यों के लिए उपयुक्त है।