预测视频序列的未来帧是一项具有挑战性的生成建模任务。有前景的方法包括概率潜在变量模型，如变分自编码器（Variational Auto-Encoder）。尽管变分自编码器能够处理不确定性并建模多种可能的未来结果，但它们倾向于产生模糊的预测。在本研究中，我们认为这是欠拟合的一个迹象。为了解决这一问题，我们提出增加潜在分布的表达能力，并使用更高容量的似然模型。我们的方法依赖于潜在变量的层次结构，该结构定义了一组灵活的先验和后验分布，以更好地建模未来序列的概率。我们通过一系列消融实验验证了我们的提议，并将我们的方法与当前最先进的潜在变量模型进行了比较。在三个不同的数据集中，我们的方法在多个指标下表现优异。