Die Imputation fehlender Werte ist ein grundlegendes Problem bei der räumlich-zeitlichen Modellierung, sei es für Bewegungserfassung oder die Dynamik physikalischer Systeme. Tiefgangige autoregressive Modelle leiden unter Fehlerfortpflanzung, die bei der Imputation langer Sequenzen katastrophal wird. In dieser Arbeit greifen wir auf einen nicht-autoregressiven Ansatz zurück und schlagen ein neues tiefgangiges Generativmodell vor: Non-AutOregressive Multiresolution Imputation (NAOMI), um lange Sequenzen bei beliebigen Musterfehlern zu imputieren. NAOMI nutzt die multiresolutionsstruktur von räumlich-zeitlichen Daten und dekodiert rekursiv von groben zu feinen Auflösungen unter Verwendung einer Teile-und-Herrsche-Strategie. Wir verbessern unser Modell zudem durch adversariales Training. Bei umfangreichen Evaluierungen auf Benchmark-Datensätzen sowohl deterministischer als auch stochastischer Systeme zeigt NAOMI erhebliche Verbesserungen in der Imputationsgenauigkeit (mit einem durchschnittlichen Vorhersagefehler, der um 60 % geringer ist als bei autoregressiven Gegenstückern) und in der Generalisierungsfähigkeit für lange Sequenzen.