論文の概要: EffectErase: Joint Video Object Removal and Insertion for High-Quality Effect Erasing

• arxiv url: http://arxiv.org/abs/2603.19224v1
• Date: Thu, 19 Mar 2026 17:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.331094
• Title: EffectErase: Joint Video Object Removal and Insertion for High-Quality Effect Erasing
• Title（参考訳）: EffectErase: 高画質エフェクト消去のための共同ビデオオブジェクト除去と挿入
• Authors: Yang Fu, Yike Zheng, Ziyun Dai, Henghui Ding,
• Abstract要約: ビデオオブジェクトの除去は、動的対象オブジェクトとその変形、影、反射などの視覚的効果をなくし、シームレスな背景を復元することを目的としている。 近年の拡散型ビデオ塗装法や物体除去法は、物体を除去するが、これらの効果を消し去ってコヒーレントな背景を合成するのに苦労することが多い。 多様なペアビデオを提供する大規模データセットであるVOR(Video Object removal)を紹介する。 本稿では,ビデオオブジェクト挿入を相互学習方式における逆補助タスクとして扱う効果を考慮したビデオオブジェクト削除手法であるEffectEraseを提案する。
• 参考スコア（独自算出の注目度）: 50.43992550991499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video object removal aims to eliminate dynamic target objects and their visual effects, such as deformation, shadows, and reflections, while restoring seamless backgrounds. Recent diffusion-based video inpainting and object removal methods can remove the objects but often struggle to erase these effects and to synthesize coherent backgrounds. Beyond method limitations, progress is further hampered by the lack of a comprehensive dataset that systematically captures common object effects across varied environments for training and evaluation. To address this, we introduce VOR (Video Object Removal), a large-scale dataset that provides diverse paired videos, each consisting of one video where the target object is present with its effects and a counterpart where the object and effects are absent, with corresponding object masks. VOR contains 60K high-quality video pairs from captured and synthetic sources, covers five effects types, and spans a wide range of object categories as well as complex, dynamic multi-object scenes. Building on VOR, we propose EffectErase, an effect-aware video object removal method that treats video object insertion as the inverse auxiliary task within a reciprocal learning scheme. The model includes task-aware region guidance that focuses learning on affected areas and enables flexible task switching. Then, an insertion-removal consistency objective that encourages complementary behaviors and shared localization of effect regions and structural cues. Trained on VOR, EffectErase achieves superior performance in extensive experiments, delivering high-quality video object effect erasing across diverse scenarios.
• Abstract（参考訳）: ビデオオブジェクトの除去は、動的対象オブジェクトとその変形、影、反射などの視覚的効果をなくし、シームレスな背景を復元することを目的としている。 近年の拡散型ビデオ塗装法や物体除去法は、物体を除去するが、これらの効果を消し去ってコヒーレントな背景を合成するのに苦労することが多い。 メソッドの制限を超えて、トレーニングと評価のためにさまざまな環境にまたがる共通オブジェクト効果を体系的にキャプチャする包括的なデータセットの欠如により、進歩はさらに妨げられている。 これを解決するために,VOR (Video Object removal) という,多種多様なペアビデオを提供する大規模データセットを導入し,対象物がその効果を示す1つのビデオと,対象物と効果が欠落しているビデオと,対応するオブジェクトマスクとを組み合わせた。 VORには、キャプチャーと合成ソースから60Kの高品質のビデオペアが含まれ、5つのエフェクトタイプをカバーし、広範囲のオブジェクトカテゴリと、複雑でダイナミックなマルチオブジェクトシーンにまたがる。 VORをベースとして,ビデオオブジェクト挿入を相互学習方式における逆補助タスクとして扱うエフェクト認識型ビデオオブジェクト除去手法であるEffectEraseを提案する。 このモデルには、影響のある領域での学習に焦点を当て、柔軟なタスク切り替えを可能にするタスク対応領域ガイダンスが含まれている。 そして、補完行動を促進し、効果領域と構造的手がかりの共有局在化を促進する挿入除去整合性目標について検討した。 VORに基づいてトレーニングされたEffectEraseは、幅広い実験において優れたパフォーマンスを実現し、様々なシナリオで高品質なビデオオブジェクトエフェクトを消去する。

関連論文リスト

• ROSE: Remove Objects with Side Effects in Videos [47.196851721000655]
  ROSEは、物体が環境に与える影響を研究するためのフレームワークであり、影、反射、光、透明度、鏡の5つの一般的なケースに分類される。 すべてのオブジェクト関連領域をローカライズするために、ビデオ全体を参照ベースの消去モデルに入力する。 副次的効果によって影響を受ける領域を明示的に予測するために、追加の監督が導入された。
  論文  参考訳（メタデータ） (2025-08-26T03:18:31Z)
• ObjectClear: Complete Object Removal via Object-Effect Attention [56.2893552300215]
  我々は、オブジェクトとそれに関連する視覚的アーティファクトの両方の正確なマスクとともに、オブジェクト効果と不要なペア画像を提供するOBERという、オブジェクト・エフェクト除去のための新しいデータセットを紹介した。 本研究では,物体効果の注意機構を組み込んだ新しいフレームワーク ObjectClear を提案する。 実験では、ObjectClearが既存のメソッドよりも優れており、特に複雑なシナリオにおいて、オブジェクト・エフェクトの除去品質と背景の忠実さの改善を実現している。
  論文  参考訳（メタデータ） (2025-05-28T17:51:17Z)
• Object-Centric Latent Action Learning [70.3173534658611]
  本稿では,画素ではなくオブジェクトを対象とする,オブジェクト中心の潜在動作学習フレームワークを提案する。 我々は、自己教師対象中心の事前学習を利用して、行動関連や注意をそらすダイナミクスを歪めている。 その結果, 物体中心の事前学習は, トラクタの負の効果を50%軽減することがわかった。
  論文  参考訳（メタデータ） (2025-02-13T11:27:05Z)
• SOS! Self-supervised Learning Over Sets Of Handled Objects In Egocentric Action Recognition [35.4163266882568]
  本稿では,SOS(Self-Supervised Learning Over Sets)を導入し,OIC(ジェネリック・オブジェクト・イン・コンタクト)表現モデルを事前学習する。 OICは複数の最先端ビデオ分類モデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-04-10T23:27:19Z)
• Learning Visual Affordance Grounding from Demonstration Videos [76.46484684007706]
  Affordance Groundingは、画像/ビデオから人とオブジェクト間のすべての可能な相互作用領域を分割することを目的としている。 実演ビデオにおける手の位置と動作から得られる手掛かりを活用できる,手支援型住宅地すべりネットワーク(HAGNet)を提案する。
  論文  参考訳（メタデータ） (2021-08-12T11:45:38Z)
• Omnimatte: Associating Objects and Their Effects in Video [100.66205249649131]
  映像内のオブジェクトに関連するシーン効果は通常、コンピュータビジョンによって見過ごされる。 本研究では,映像におけるオブジェクトとその効果を自動的に関連付ける,この新しい問題を解決するための一歩を踏み出す。 私達のモデルは手動ラベルなしで自己監督された方法で入力ビデオでだけ訓練され、ジェネリックです---任意目的およびいろいろな効果のためのオムニマトを自動的に作り出します。
  論文  参考訳（メタデータ） (2021-05-14T17:57:08Z)

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。