構造表現の幾何空間の変換は画像のヒートマップのランドマーク座標を使い、画像の外観は画像をそのままエンコードした外観空間の潜在表現を使う。それぞれで変換を行い、変換したものをデコーダに通して画像を出力する。ランドーマーク座標は条件付きVAEの条件となる。これにより、構造と外観を別々の空間で学習できる。

既存の画像変換の手法と比較すると、アーティファクトのなくきれいで、同じポーズの画像が出力できている。画像変換用のデータセット(動物全体や猫、犬の顔の画像)においてFID、Diversityで既存手法と比較して高い精度を達成。