這是一個視頻變分自編碼器（VAE），旨在減少視頻冗餘並促進高效視頻生成。該模型通過觀察發現，將圖像VAE直接擴展到3D VAE會引入運動模糊和細節失真，因此提出了時間感知的空間壓縮以更好地編碼和解碼空間信息。此外，該模型還集成了一個輕量級的運動壓縮模型以實現進一步的時間壓縮。通過利用文本到視頻數據集中固有的文本信息，並在模型中加入文本指導，顯著提高了重建質量，特別是在細節保留和時間穩定性方面。該模型還通過在圖像和視頻上進行聯合訓練來提高其通用性，不僅提高了重建質量，還使模型能夠執行圖像和視頻的自編碼。廣泛的評估表明，該方法的性能優於最近的強基線。