「単一セマンティックラベルマップからのビデオ生成」という新しいタスクを提案した(image-to-video)。またこのタスクを解く方針として、従来のend-to-endでシーンの内容と動きの両方を一度に学習するのではなく、タスクを2つに分解することを提案した。1つは最初のフレーム(シーンの内容)の生成、2つ目は時間的に一貫したビデオの生成である。