シーンとキャラクタ間のグローバルな一貫性を保ったシーケンシャルな画像生成は従来手法では困難であったが、Story Encoder（ストーリーから低次元埋込ベクトルへの確率的写像）及びContext Encoder（連続した画像生成中にコンテクスト情報をキャプチャ）と2つの判別器（画像判別器とストーリー判別器）を用いて実現。

SV用に修正したCLEVR及びPororoデータセットでcontextual consistency metricsとhuman evaluationにおいてSOTAを達成。