Video descriptionのための、Adversarial Inferenceを提案。各クリップに対して、説明文を漸進的にサンプルしていき、その中からdiscriminatorのscoreが高いものを選ぶ。discriminatorは、「ビデオとの見た目の関係性」「言葉の多様さ流暢さ」「文の一貫性」の三つのハイブリッド型を提案

Activity Net Captions datasetで評価を行い、ユーザが提案手法で生成された文章を好むことを確認。