यह एक वीडियो परिवर्तनशील स्व-एन्कोडर (VAE) है, जिसका उद्देश्य वीडियो की अतिरेकता को कम करना और कुशल वीडियो निर्माण को बढ़ावा देना है। मॉडल ने यह पाया कि छवि VAE को सीधे 3D VAE में विस्तारित करने से गति धुंधलापन और विवरण विकृति आती है, इसलिए स्थानिक जानकारी को बेहतर ढंग से एन्कोड और डिकोड करने के लिए समय-संवेदनशील स्थानिक संपीड़न प्रस्तावित किया गया है। इसके अलावा, इस मॉडल में आगे समय संपीड़न प्राप्त करने के लिए एक हल्का गति संपीड़न मॉडल भी एकीकृत है। पाठ से वीडियो डेटासेट में निहित पाठ जानकारी का उपयोग करके और मॉडल में पाठ मार्गदर्शन जोड़कर, पुनर्निर्माण की गुणवत्ता में उल्लेखनीय रूप से सुधार हुआ है, खासकर विवरण संरक्षण और समय स्थिरता के मामले में। इस मॉडल ने अपनी बहुमुखी प्रतिभा को बेहतर बनाने के लिए छवियों और वीडियो पर संयुक्त प्रशिक्षण के माध्यम से भी प्रशिक्षण प्राप्त किया है, जिससे न केवल पुनर्निर्माण की गुणवत्ता में सुधार हुआ है, बल्कि मॉडल को छवियों और वीडियो के स्व-एन्कोडिंग करने में भी सक्षम बनाया गया है। व्यापक मूल्यांकन से पता चलता है कि यह विधि हालिया मजबूत आधार रेखाओं से बेहतर प्रदर्शन करती है।