画像とsemantic map(別視点のsemantic image)をinputとし, “別視点の画像を生成”と, “semantic map”を再構築を行うための生成モデルを学習させ, Multi-Channel Attention Selectionを行い, 最終的にattention mapが結合され結果が出力されるという点。

Dayton, CVUSA, Ego2Topデータセットにおいて, 既存のstate-of-the-artの手法よりも精度を上回った。