論文の概要: StoryTailor:A Zero-Shot Pipeline for Action-Rich Multi-Subject Visual Narratives

• arxiv url: http://arxiv.org/abs/2602.21273v1
• Date: Tue, 24 Feb 2026 16:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.569552
• Title: StoryTailor:A Zero-Shot Pipeline for Action-Rich Multi-Subject Visual Narratives
• Title（参考訳）: StoryTailor:アクションリッチな多目的ビジュアルナラティブのためのゼロショットパイプライン
• Authors: Jinghao Hu, Yuhe Zhang, GuoHua Geng, Kang Li, Han Zhang,
• Abstract要約: 本稿では、時間的コヒーレントなアイデンティティ保存画像列を生成するゼロショットパイプラインを提案する。 ストーリーは表現力のあるインタラクションを提供し、安定したシーンを進化させる。
• 参考スコア（独自算出の注目度）: 7.243114047801061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating multi-frame, action-rich visual narratives without fine-tuning faces a threefold tension: action text faithfulness, subject identity fidelity, and cross-frame background continuity. We propose StoryTailor, a zero-shot pipeline that runs on a single RTX 4090 (24 GB) and produces temporally coherent, identity-preserving image sequences from a long narrative prompt, per-subject references, and grounding boxes. Three synergistic modules drive the system: Gaussian-Centered Attention (GCA) to dynamically focus on each subject core and ease grounding-box overlaps; Action-Boost Singular Value Reweighting (AB-SVR) to amplify action-related directions in the text embedding space; and Selective Forgetting Cache (SFC) that retains transferable background cues, forgets nonessential history, and selectively surfaces retained cues to build cross-scene semantic ties. Compared with baseline methods, experiments show that CLIP-T improves by up to 10-15%, with DreamSim lower than strong baselines, while CLIP-I stays in a visually acceptable, competitive range. With matched resolution and steps on a 24 GB GPU, inference is faster than FluxKontext. Qualitatively, StoryTailor delivers expressive interactions and evolving yet stable scenes.
• Abstract（参考訳）: 微調整のない多フレームのアクションリッチなビジュアルな物語を生成することは、アクションテキストの忠実さ、主観的アイデンティティの忠実さ、フレーム間の背景の連続性という3つの緊張に直面します。 単一のRTX 4090 (24 GB) 上で動作するゼロショットパイプラインであるStoryTailorを提案する。 Gaussian-Centered Attention (GCA) は各主題のコアに動的に集中し、グラウンドボックスのオーバーラップを緩和する。 Action-Boost Singular Value Reweighting (AB-SVR) はテキスト埋め込み空間におけるアクション関連の方向を増幅する。 ベースライン法と比較すると、CLIP-Tは10～15%改善され、DreamSimは強いベースラインよりも低いが、CLIP-Iは視覚的に許容される競争範囲に留まっている。 24GBのGPUの解像度とステップが一致しているため、推論はFluxKontextより高速である。 質的に言えば、StoryTailorは表現力のあるインタラクションを提供し、安定したシーンを進化させる。

関連論文リスト

• TripleFDS: Triple Feature Disentanglement and Synthesis for Scene Text Editing [56.73004765030206]
  STE(Scene Text Editing)は、視覚的一貫性を維持しながら、画像中のテキストを自然に修正することを目的としている。 本稿では,モジュラー属性をアンタングル化したSTEのための新しいフレームワークであるTripleFDSを提案する。 TripleFDSは、メインストリームのSTEベンチマークで最先端の画像忠実度(SSIM 44.54)とテキスト精度(ACC 93.58%)を達成する。
  論文  参考訳（メタデータ） (2025-11-17T14:15:03Z)
• Narrative-to-Scene Generation: An LLM-Driven Pipeline for 2D Game Environments [0.09821874476902966]
  本稿では,ショートナラプロンプトを2次元タイルベースのゲームシーンに変換する軽量パイプラインを提案する。 LLMが生成した物語から、3つの重要な時間枠を特定し、空間的述語を抽出し、視覚的資産を検索する。 層状地形をセルオートマタを用いて生成し、述語構造に接地した空間規則を用いてオブジェクトを配置する。
  論文  参考訳（メタデータ） (2025-08-31T01:45:56Z)
• VideoGen-of-Thought: Step-by-step generating multi-shot video with minimal manual intervention [70.61101071902596]
  現在のビデオ生成モデルは短いクリップで優れているが、解離した視覚力学と破折したストーリーラインのため、凝集性のある複数ショットの物語を生成できない。 一つの文から複数ショットのビデオ合成を自動化する,ステップバイステップのフレームワークであるVideoGen-of-Thought (VGoT)を紹介した。 VGoTは、ショット内の顔の一貫性が20.4%、スタイルの一貫性が17.4%向上するマルチショットビデオを生成する。
  論文  参考訳（メタデータ） (2025-03-19T11:59:14Z)
• VideoGen-of-Thought: Step-by-step generating multi-shot video with minimal manual intervention [76.3175166538482]
  VideoGen-of-Thought(VGoT)は、単一の文から複数ショットのビデオ合成を自動化するステップバイステップのフレームワークである。 VGoTは、ナラティブな断片化、視覚的不整合、トランジションアーティファクトの3つの課題に対処する。 トレーニング不要のパイプラインで組み合わせられたVGoTは、ショット内面の一貫性が20.4%、スタイルの一貫性が17.4%向上した。
  論文  参考訳（メタデータ） (2024-12-03T08:33:50Z)
• ContextualStory: Consistent Visual Storytelling with Spatially-Enhanced and Storyline Context [50.572907418430155]
  ContextualStoryは、コヒーレントなストーリーフレームを生成し、ビジュアルなストーリーテリングのためにフレームを拡張するように設計されたフレームワークである。 ストーリーライン埋め込みにおけるコンテキストを豊かにするストーリーラインコンテクストアライザと、フレーム間のシーン変化を測定するストーリーフローアダプタを導入する。 PororoSVとFlintstonesSVデータセットの実験では、ContextualStoryはストーリーの可視化と継続の両方で既存のSOTAメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-07-13T05:02:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。