静止画のdisentangledな特徴は近年研究されているが、動画についてはまだ少ない。その中でもMoCoGANがフレームをmotionとcontentの要素に分ける動画生成を行っているが不完全であった。この研究ではGANをmain、spatial、streamの3つの流れに分けて学習させ、うまくフレームの要素を生成している。

FIDとISでは従来の研究よりも非常に良い結果を生成できた。人間による評価において、正解の動画と比べた場合、1/4がG3ANが正解であると選択し、従来の研究と比較した場合、9割程度がこの研究が本物に近いと選択できている。