Los métodos de aprendizaje profundo basados en representaciones neuronales implícitas ofrecen una solución eficiente y automatizada para el relleno de videos aprovechando las características inherentes de los datos de video. Sin embargo, el tamaño limitado del incrustado de video generado por el codificador restringe la información de características disponible para el decodificador, lo que a su vez limita la capacidad representativa del modelo y degrada el rendimiento de relleno. Aunque las representaciones neuronales implícitas han mostrado promesas para el relleno de videos, la mayoría de las investigaciones existentes siguen girando en torno al relleno de imágenes y no tienen en cuenta completamente la continuidad espaciotemporal y las relaciones presentes en los videos. Esta brecha destaca la necesidad de técnicas más avanzadas capaces de capturar y explotar la dinámica espaciotemporal de los datos de video para mejorar aún más los resultados de relleno.