論文の概要: A Comprehensive Ecosystem for Open-Domain Customized Video Generation

• arxiv url: http://arxiv.org/abs/2606.11783v1
• Date: Wed, 10 Jun 2026 08:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.357617
• Title: A Comprehensive Ecosystem for Open-Domain Customized Video Generation
• Title（参考訳）: オープンドメインのカスタマイズビデオ生成のための包括的エコシステム
• Authors: Jingxu Zhang, Yuqian Hong, Daneul Kim, Kai Qiu, Qi Dai, Jianmin Bao, Yifan Yang, Xiaoyan Sun, Chong Luo,
• Abstract要約: PexelsCustom-1Mは、ID保存ビデオ生成のための最初の100万規模のデータセットである。 CustoMDiTは、事前訓練されたマルチモーダル拡散変換器をカスタマイズされたビデオジェネレータに適応させるパラメータ効率のよいフレームワークである。
• 参考スコア（独自算出の注目度）: 43.16057607613357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent progress in video generation has shown impressive visual synthesis capabilities. However, open-domain customized video generation remains limited by the lack of large-scale, annotated datasets capturing diverse identity-specific attributes. To address this, we introduce PexelsCustom-1M, the first publicly available million-scale dataset for identity-preserving video generation, containing one million curated <identity, text, video> triplets across 8,000+ categories. Leveraging this, we propose CustoMDiT, a parameter-efficient framework that adapts a pretrained multimodal Diffusion Transformer into a customized video generator with only 8% additional learnable parameters. Our method surpasses prior state-of-the-art. However, benchmarks such as DreamBooth cover only 100 classes, which is insufficient for real-world applications. To overcome this, we construct OpenCustom, a new benchmark with 1,000+ categories, created via cross-dataset knowledge fusion from ImageNet and MS-COCO. Extensive experiments confirm the advantages of both our dataset and model. We will open-source the entire ecosystem--including dataset, pipeline, benchmark, and implementations--to support further research.
• Abstract（参考訳）: 最近の映像生成の進歩は印象的な視覚合成能力を示している。 しかし、オープンドメインでカスタマイズされたビデオ生成は、多様なアイデンティティ固有の属性をキャプチャする大規模で注釈付きデータセットが欠如しているため、依然として制限されている。 PexelsCustom-1Mは、8000以上のカテゴリにまたがる100万のキュレートされた<idtity, text, video>三つ子を含む、アイデンティティを保存するビデオ生成のための、初めて公開されている数百万スケールのデータセットである。 そこで我々は,事前訓練したマルチモーダル拡散変換器を8%追加の学習可能なパラメータを持つカスタマイズビデオジェネレータに適応させる,パラメータ効率のよいCustoMDiTを提案する。 我々の手法は過去の最先端を超越している。 しかし、DreamBoothのようなベンチマークは100クラスしかカバーしていないため、現実世界のアプリケーションには不十分である。 そこで我々は,ImageNetとMS-COCOのクロスデータセット知識融合によって作成した,1000以上のカテゴリを持つ新しいベンチマークであるOpenCustomを構築した。 大規模な実験は、我々のデータセットとモデルの両方の利点を確認します。 私たちは、データセット、パイプライン、ベンチマーク、実装を含むエコシステム全体をオープンソースにして、さらなる研究を支援します。

関連論文リスト

• OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding [55.29748680163419]
  Video Temporal Grounding (VTG)は、データセットの規模やセマンティックな多様性が制限されているため、オープンワールド設定で苦労している。 オープンワールドVTGのための新しい大規模データセットであるOmniVTGを紹介する。 MLLMをトレーニングして、まず予測を行い、その理解能力を使用して、独自の予測を反映し、洗練します。
  論文  参考訳（メタデータ） (2026-04-28T06:34:19Z)
• SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations [88.8747004592363]
  SceneScribe-1Mは新しい大規模多時間ビデオデータセットである。 そこには100万本のビデオが含まれており、それぞれに詳細なテキスト記述、正確なパラメータ、深度マップ、一貫性のある3Dポイントトラックなどが含まれている。 SceneScribe-1Mの汎用性と価値は、単眼深度推定、シーン再構成動的点追跡、テキスト・ビデオ合成などの生成タスク、カメラ制御の有無にかかわらず、幅広い下流タスクのベンチマークを確立することで示される。
  論文  参考訳（メタデータ） (2026-04-09T08:59:33Z)
• Scaling Audio-Visual Quality Assessment Dataset via Crowdsourcing [62.250874651622574]
  AVQAデータセット構築のための実用的なアプローチを提案する。 AVQAのためのクラウドソース型主観的実験フレームワークを設計し、インラブ設定の制約を破り、様々な環境にまたがって信頼性の高いアノテーションを実現する。 ユーザ生成オーディオおよびビデオシーケンス1,620のAVQAデータセットのうち,最大かつ最も多様なYT-NTU-AVQを用いて,このアプローチを検証する。
  論文  参考訳（メタデータ） (2026-02-26T06:18:11Z)
• EA-Swin: An Embedding-Agnostic Swin Transformer for AI-Generated Video Detection [2.1627654218138237]
  本論文はEA-Swinについて述べる。Embeding-Agnostic Swinモデルで,映像の埋め込みに直接依存を組み込む。 その結果, EA-Swin 0.97-0.99 の精度は, 従来の SoTA 法 (通常 0.80.9-20%) よりも5-20% 向上した。
  論文  参考訳（メタデータ） (2026-02-19T11:04:20Z)
• Generative Video Matting [57.186684844156595]
  ビデオ・マッティングは、伝統的に高品質な地上データがないために制限されてきた。 既存のビデオ・マッティング・データセットのほとんどは、人間が注釈付けした不完全なアルファとフォアグラウンドのアノテーションのみを提供する。 本稿では,事前学習したビデオ拡散モデルから,よりリッチな事前処理を効果的に活用できる新しいビデオマッチング手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T12:18:55Z)
• Tiger200K: Manually Curated High Visual Quality Video Dataset from UGC Platform [0.0]
  Tiger200Kは、ユーザ生成コンテンツ(UGC)プラットフォームからソースされた、手動でキュレートされた高品質なビデオデータセットである。 視覚的忠実度と美的品質を優先することにより、Tiger200Kはデータキュレーションにおける人間の専門知識の重要性を強調している。 このデータセットは、進行中の拡張と、ビデオ生成モデルの研究と応用を前進させるオープンソースイニシアチブとしてリリースされる。
  論文  参考訳（メタデータ） (2025-04-21T15:44:06Z)
• Pedestrian Attribute Recognition: A New Benchmark Dataset and A Large Language Model Augmented Framework [15.991114464911844]
  過去5年間で、大規模なデータセットは公開されていない。 本稿では,大規模・クロスドメインな歩行者属性認識データセット MSP60K を提案する。 8つのシナリオにまたがる60,122のイメージと57の属性アノテーションで構成されている。
  論文  参考訳（メタデータ） (2024-08-19T06:19:31Z)
• OmniDataComposer: A Unified Data Structure for Multimodal Data Fusion and Infinite Data Generation [8.149870655785955]
  OmniDataComposerは、マルチモーダルデータ融合と無制限データ生成のための革新的なアプローチである。 6400以上のオブジェクトを識別でき、視覚情報のスペクトルを大幅に広げる。 多様なモダリティを網羅し、モダリティ間の相互強化を促進し、モダリティ間のデータ修正を容易にする。
  論文  参考訳（メタデータ） (2023-08-08T08:30:16Z)
• MMSum: A Dataset for Multimodal Summarization and Thumbnail Generation of Videos [106.06278332186106]
  マルチモーダル・アウトプット(MSMO)を用いたマルチモーダル・サマリゼーションが有望な研究方向として浮上している。 既存のパブリックMSMOデータセットには多くの制限がある。 textbfMMSumデータセットを精巧にキュレートした。
  論文  参考訳（メタデータ） (2023-06-07T07:43:11Z)

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。