動的事前分布,Seq2Seqとa Mixture of Experts decoderを使うVideo Disentaglement with State-Space Modeling(VDSM)により、時間変化、静的と動的の3つの潜在要因に分離する。

4つのデータセット(MUG, colored Sprites, synthetic shining pendula, moving MNIST )より評価。教師あり学習による　または　GANによる手法より性能が高く、SOTA達成。