論文の概要: P-Flow: Prompting Visual Effects Generation

• arxiv url: http://arxiv.org/abs/2603.22091v1
• Date: Mon, 23 Mar 2026 15:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.748646
• Title: P-Flow: Prompting Visual Effects Generation
• Title（参考訳）: P-Flow: ビジュアルエフェクト生成の促進
• Authors: Rui Zhao, Mike Zheng Shou,
• Abstract要約: 基礎となるモデルを変更することなく、動画生成における動的視覚効果をカスタマイズするためのトレーニング不要のフレームワークであるP-Flowを提案する。 P-Flowはテスト時間プロンプトの最適化を行い、参照ビデオの視覚効果と生成された出力との差に基づいてプロンプトを精製する。 実験により、P-Flowは高忠実で多様な視覚効果のカスタマイズを実現し、テキスト・ツー・ビデオおよび画像・ビデオ生成タスクにおいて他のモデルを上回る性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 56.523238949603325
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advancements in video generation models have significantly improved their ability to follow text prompts. However, the customization of dynamic visual effects, defined as temporally evolving and appearance-driven visual phenomena like object crushing or explosion, remains underexplored. Prior works on motion customization or control mainly focus on low-level motions of the subject or camera, which can be guided using explicit control signals such as motion trajectories. In contrast, dynamic visual effects involve higher-level semantics that are more naturally suited for control via text prompts. However, it is hard and time-consuming for humans to craft a single prompt that accurately specifies these effects, as they require complex temporal reasoning and iterative refinement over time. To address this challenge, we propose P-Flow, a novel training-free framework for customizing dynamic visual effects in video generation without modifying the underlying model. By leveraging the semantic and temporal reasoning capabilities of vision-language models, P-Flow performs test-time prompt optimization, refining prompts based on the discrepancy between the visual effects of the reference video and the generated output. Through iterative refinement, the prompts evolve to better induce the desired dynamic effect in novel scenes. Experiments demonstrate that P-Flow achieves high-fidelity and diverse visual effect customization and outperforms other models on both text-to-video and image-to-video generation tasks. Code is available at https://github.com/showlab/P-Flow.
• Abstract（参考訳）: 映像生成モデルの最近の進歩は、テキストプロンプトに従う能力を大幅に改善した。 しかし、動的視覚効果のカスタマイズは、時間的に進化し、物体の破砕や爆発のような外観によって引き起こされる視覚現象として定義されている。 動作のカスタマイズや制御は、主に被写体やカメラの低レベルな動きに焦点を当てており、運動軌跡のような明示的な制御信号を使って誘導することができる。 対照的に、動的視覚効果は、テキストプロンプトによる制御に自然に適する高レベルな意味論を含む。 しかし、複雑な時間的推論と時間の経過とともに反復的な洗練を必要とするため、人間がこれらの効果を正確に特定する単一のプロンプトを作るのは困難で時間を要する。 この課題に対処するために,基礎となるモデルを変更することなく動画生成における動的視覚効果をカスタマイズする新しいトレーニングフリーフレームワークであるP-Flowを提案する。 視覚言語モデルの意味的・時間的推論機能を活用することにより、P-Flowは、参照ビデオの視覚効果と生成された出力との差に基づいて、テスト時プロンプト最適化、精製プロンプトを実行する。 反復的な洗練を通じて、プロンプトは進化し、新しいシーンで望ましいダイナミックな効果を誘発する。 実験により、P-Flowは高忠実で多様な視覚効果のカスタマイズを実現し、テキスト・ツー・ビデオおよび画像・ビデオ生成タスクにおいて他のモデルを上回る性能を発揮することが示された。 コードはhttps://github.com/showlab/P-Flow.comから入手できる。

関連論文リスト

• Tuning-free Visual Effect Transfer across Videos [91.93897438317397]
  RefVFXは、参照ビデオからターゲットビデオや画像への複雑な時間効果をフィードフォワード形式で転送するフレームワークである。 本稿では,三重項の大規模データセットを導入し,各三重項は参照効果ビデオ,入力画像,および対応する出力ビデオから構成される。 RefVFXは視覚的に一貫した時間的コヒーレントな編集を行い、目に見えない効果カテゴリをまたいで一般化し、量的指標と人的嗜好の両方においてプロンプトのみのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-01-12T18:59:32Z)
• Motion Prompting: Controlling Video Generation with Motion Trajectories [57.049252242807874]
  スパースもしくは高密度なビデオ軌跡を条件とした映像生成モデルを訓練する。 ハイレベルなユーザリクエストを,詳細なセミセンスな動作プロンプトに変換する。 我々は、カメラや物体の動き制御、画像との「相互作用」、動画転送、画像編集など、様々な応用を通してアプローチを実証する。
  論文  参考訳（メタデータ） (2024-12-03T18:59:56Z)
• Co-Speech Gesture Video Generation via Motion-Decoupled Diffusion Model [17.98911328064481]
  共同音声ジェスチャーは、人間と機械の相互作用において優れた視覚効果を得ることができる。 共同音声ジェスチャビデオを生成するための新しい動き分離フレームワークを提案する。 提案手法は,動作評価と映像評価の両方において,既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-02T11:40:34Z)

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。