論文の概要: EchoStyle: Unlocking High-Fidelity Video Stylization with Reverse Data Synthesis

• arxiv url: http://arxiv.org/abs/2606.25465v1
• Date: Wed, 24 Jun 2026 06:45:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.250234
• Title: EchoStyle: Unlocking High-Fidelity Video Stylization with Reverse Data Synthesis
• Title（参考訳）: EchoStyle: 逆データ合成による高忠実度ビデオスティル化のアンロック
• Abstract要約: 任意の長さのビデオの高品質なスタイリングを実現するために,スケーラブルなテキスト駆動フレームワークであるEchoStyleを提案する。 まず,ビデオコンテンツとテキストスタイルを適切に再利用するビデオ・ツー・ビデオアーキテクチャを構築する。 データ不足に対処するため、我々は、20kの高品質ビデオペアからなる大規模スタイリングデータセットであるV-Style20kを確立するために、自動逆合成パイプラインを開拓した。
• 参考スコア（独自算出の注目度）: 67.41249471310972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While image stylization has been studied extensively, video stylization remains a critical and largely unsolved challenge in the field of intelligent content creation. Existing methods, usually utilizing a reference image as the style prior, suffer from content leakage, data scarcity and limited adaptability to long videos, leading to suboptimal results with severe style drift and motion distortion. For these issues, we present EchoStyle, a scalable text-driven framework to achieve high-quality stylization of videos with arbitrary lengths. To start with, we construct a video-to-video architecture to appropriately re-fuse the video content and the text style. To address data scarcity, we pioneer an automatic reverse-synthesis pipeline to establish V-Style20k, a large-scale stylization dataset of 20k high-quality video pairs. To facilitate long video stylization, we devise an init-follow-mode mechanism along with a sliding-window inference strategy. Extensive experiments demonstrate EchoStyle's excellent performance across a wide range of artistic styles, even comparable to leading closed-source solutions.
• Abstract（参考訳）: 画像のスタイリゼーションは広く研究されているが、ビデオのスタイリゼーションは、インテリジェントなコンテンツ制作の分野で重要な課題であり、ほとんど未解決の課題である。 既存の手法では、通常、スタイルとして参照画像を利用するが、コンテンツリーク、データ不足、長編ビデオへの適応性に悩まされ、厳しいスタイルのドリフトと動きの歪みを伴う準最適結果に繋がる。 これらの問題に対して,任意の長さのビデオの高品質なスタイリングを実現するために,スケーラブルなテキスト駆動フレームワークであるEchoStyleを提案する。 まず,ビデオコンテンツとテキストスタイルを適切に再利用するビデオ・ツー・ビデオアーキテクチャを構築する。 データ不足に対処するため、我々は、20kの高品質ビデオペアからなる大規模スタイリングデータセットであるV-Style20kを確立するために、自動逆合成パイプラインを開拓した。 長時間のビデオスタイリングを容易にするため,スライドウインドウ推論戦略とともにinit-follow-mode機構を考案した。 大規模な実験では、EchoStyleの優れたパフォーマンスが、主要なクローズドソースソリューションに匹敵する幅広い芸術スタイルで実証されている。

関連論文リスト

• VISTA: Triplet-Supervised Video Style Transfer with Diffusion Transformers [55.10832054417015]
  VISTA-1000は1000のスタイルと、スタイル参照、クリーンビデオ、スタイリングビデオのモーションアラインなトリプレットを備えたデータセットである。 本稿では,高機能なスタイル抽出のための軽量なスタイルアダプタを用いた拡散変換器を用いたインコンテクスト型動画転送フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T08:03:53Z)
• TeleStyle: Content-Preserving Style Transfer in Images and Videos [52.76027947278353]
  画像とビデオの両方をスタイリングするための軽量モデルであるTeleStyleを提示する。 異なるスタイルの高品質なデータセットをキュレートし、数千の多様性のあるイン・ザ・ワイルドなスタイルのカテゴリを使用してトリプレットを合成した。 TeleStyleは、スタイルの類似性、コンテントの一貫性、美的品質という、3つの中核評価指標で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-28T02:16:03Z)
• DreamStyle: A Unified Framework for Video Stylization [18.820518165759403]
  ビデオスタイリングのための統合フレームワークDreamStyleを紹介する。 1)テキスト誘導、(2)スタイル誘導、(3)ファーストフレーム誘導ビデオスタイリングをサポートする。 質的および定量的な評価は、DreamStyleが3つのビデオスタイリングタスク全てに適していることを示している。
  論文  参考訳（メタデータ） (2026-01-06T07:42:12Z)
• FreeViS: Training-free Video Stylization with Inconsistent References [57.411689597435334]
  FreeViSはトレーニング不要のビデオスタイリングフレームワークで、リッチなスタイルの詳細と強力な時間的コヒーレンスを備えたスタイリングされたビデオを生成する。 提案手法は,事前訓練された画像対ビデオ(I2V)モデルに複数のスタイリングされた参照を統合することで,先行研究で観測された伝搬誤差を効果的に軽減する。
  論文  参考訳（メタデータ） (2025-10-02T05:27:06Z)
• StyleMaster: Stylize Your Video with Artistic Generation and Translation [43.808656030545556]
  スタイルコントロールはビデオ生成モデルで人気がある。 現在の方法は、しばしば所定のスタイルから遠く離れたビデオを生成し、コンテンツのリークを引き起こし、1つのビデオを所望のスタイルに転送するのに苦労する。 当社のアプローチであるStyleMasterは,スタイルの類似性と時間的コヒーレンスの両方において,大幅な改善を実現しています。
  論文  参考訳（メタデータ） (2024-12-10T18:44:08Z)
• StreamingT2V: Consistent, Dynamic, and Extendable Long Video Generation from Text [58.49820807662246]
  本稿では,80,240,600,1200以上のフレームをスムーズな遷移で自動回帰的に生成するStreamingT2Vを紹介する。 私たちのコードは、https://github.com/Picsart-AI-Research/StreamingT2V.comで利用可能です。
  論文  参考訳（メタデータ） (2024-03-21T18:27:29Z)
• StyleCrafter: Enhancing Stylized Text-to-Video Generation with Style Adapter [78.75422651890776]
  StyleCrafterは、トレーニング済みのT2Vモデルをスタイルコントロールアダプタで拡張する汎用的な方法である。 コンテンツスタイルのゆがみを促進するため,テキストプロンプトからスタイル記述を取り除き,参照画像のみからスタイル情報を抽出する。 StyleCrafterは、テキストの内容と一致し、参照画像のスタイルに似た高品質なスタイリングビデオを効率よく生成する。
  論文  参考訳（メタデータ） (2023-12-01T03:53:21Z)
• Style-A-Video: Agile Diffusion for Arbitrary Text-based Video Style Transfer [13.098901971644656]
  本稿では,Style-A-Video というゼロショットビデオスタイリング手法を提案する。 画像遅延拡散モデルを用いた生成事前学習型トランスフォーマーを用いて、簡潔なテキスト制御ビデオスタイリングを実現する。 テストの結果,従来のソリューションよりも少ない使用量で,優れたコンテンツ保存とスタイリスティックな性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-09T14:03:27Z)

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。