学習にFull Attention Cross-Modal Transformer ネットワークを導入。また、AISTデータセットにカメラパラメータなどを新たに加えた最大級の3DダンスデータセットAIST++を提案。

既存のSOTAモデルよりもリアルなモーション生成ができた。入力音楽に対する相関や多様性も既存のものを上回った。