缺失值填补是时空建模中的一个基本问题，从运动跟踪到物理系统的动态过程均涉及这一问题。深度自回归模型在填补长序列时会遭受误差传播的影响，这种影响在某些情况下可能会变得灾难性。本文采用非自回归方法，提出了一种新的深度生成模型：非自回归多分辨率填补（Non-AutOregressive Multiresolution Imputation, NAOMI），该模型能够在任意缺失模式下填补长序列。NAOMI 利用了时空数据的多分辨率结构，并采用分而治之的策略，从粗粒度到细粒度递归解码。我们进一步通过对抗训练增强了该模型的性能。在对确定性和随机动力系统基准数据集进行广泛评估时，NAOMI 在填补精度上表现出显著提升（相比自回归模型，平均预测误差减少了60%），并且在长序列上的泛化能力也得到了增强。