従来の課題であったimage distortionとtemporal inconsistencyに対して、画像を異なる方向を持つ３つの高周波サブバンドに分解して、空間的情報を得て、かつ各動画フレームを複数の周波数を持つ異等方性のサブバンドに分解することで時間的情報に分解し、それら２つを組み合わせることで従来の手法よりも忠実な動画に動画を予測することができた。

急な動きが生じると正しく生成できなくなるが、４つのデータセットにおいてほぼSoTAとなる結果を出し、デモ動画でも、正解動画と遜色のない動画を生成することに成功した。