論文の概要: ShotPlan: Cinematic Video Generation with Learnable Planning Token
- arxiv url: http://arxiv.org/abs/2607.17675v1
- Date: Mon, 20 Jul 2026 08:27:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.549456
- Title: ShotPlan: Cinematic Video Generation with Learnable Planning Token
- Title（参考訳）: ShotPlan: 学習可能なプランニングトークンを備えたシネマティックビデオ生成
- Abstract要約: ShotPlanは、ビデオ拡散基盤モデルに基づいて構築された、露骨なマルチショット映像生成のためのフレームワークである。
本手法では,撮影レベルの遷移キューをキャプチャする学習可能なプランニングトークンを導入し,動画生成トークンとシームレスに統合してトランジションタイムスタンプを制御する。
- 参考スコア（独自算出の注目度）: 58.24475130458831
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current video generation models achieve impressive results in single-shot generation, yet remain limited in cinematic video generation, where coherent narratives and effective multi-shot composition require explicit shot planning. To address this challenge, we propose ShotPlan, a framework for explicit multi-shot cinematic video generation built upon a video diffusion foundation model. Our method introduces learnable planning tokens that capture shot-level transition cues and can be seamlessly integrated with the original video generation tokens to control transition timestamps. Unlike standard video generation tokens, the proposed planning tokens are equipped with Fractional Temporal Rotary Position Embedding (FRoPE), enabling shot transitions to be modeled at the frame level. Experiments demonstrate that ShotPlan significantly outperforms existing cinematic video generation methods, offering more flexible shot management and stronger inter-shot consistency.
- Abstract（参考訳）: 現在のビデオ生成モデルは、単一ショット生成において印象的な結果を得るが、コヒーレントな物語と効果的なマルチショット合成が明示的なショットプランニングを必要とする撮影ビデオ生成には制限がある。
この課題に対処するため,ビデオ拡散基盤モデルに基づくマルチショット映像生成のためのフレームワークShotPlanを提案する。
本手法では,撮影レベルの遷移キューをキャプチャする学習可能なプランニングトークンを導入し,動画生成トークンとシームレスに統合してトランジションタイムスタンプを制御する。
標準的なビデオ生成トークンとは異なり、提案したプランニングトークンには、フレームレベルでのショット遷移をモデル化可能なFroPE(Fractional Temporal Rotary Position Embedding)が装備されている。
実験によると、ShotPlanは既存の撮影ビデオ生成方法よりも優れており、より柔軟な撮影管理とより強力なショット間一貫性を提供する。
関連論文リスト
- CineWeaver: Training-Free Reference-Controllable Multi-Shot Long Video Generation for Cinematic Storytelling [111.28808966759613]
我々は、参照制御可能なマルチショット長ビデオ生成を実現するために、CineWeaverという統合フレームワークを提案する。
実験により、CineWeaverは、連続したアイデンティティ、安定したグローバルな外観、鮮明なショット遷移を持つ長時間の高品質なシネマティックビデオを生成することを示した。
論文 参考訳（メタデータ） (2026-07-29T06:48:11Z) - ShotVerse: Advancing Cinematic Camera Control for Text-Driven Multi-Shot Video Creation [33.41430446859291]
ShotVerseは、生成を2つの協調エージェントに分離する"Plan-then-Control"フレームワークである。
我々は、不整合単発軌跡を統一されたグローバル座標系に整合させる自動マルチショットカメラキャリブレーションパイプラインを設計する。
ShotVerseは、信頼性の低いテキスト制御と労働集約的な手作業プロットのギャップを効果的に埋めることを示した。
論文 参考訳（メタデータ） (2026-03-12T01:27:08Z) - STAGE: Storyboard-Anchored Generation for Cinematic Multi-shot Narrative [55.05324155854762]
本稿では,STAGEに基づく映像生成タスクを再構成するStoryboard-Anchored GEnerationワークフローを提案する。
そこで本研究では,スペーサーの代わりに,各ショットの先頭フレーム対からなる構造的ストーリーボードを推定するSTEP2を提案する。
ConStoryBoardの大規模データセットには、ストーリーの進行、映画的属性、人間の嗜好など、高品質な映像クリップが含まれています。
論文 参考訳（メタデータ） (2025-12-13T15:57:29Z) - ShotDirector: Directorially Controllable Multi-Shot Video Generation with Cinematographic Transitions [46.3918771233715]
ShotDirectorは、パラメータレベルのカメラ制御と階層的な編集パターン認識プロンプトを統合する効率的なフレームワークである。
本フレームワークは,パラメータレベルの条件と高レベルの意味指導を効果的に組み合わせ,フィルムのような制御可能なショット遷移を実現する。
論文 参考訳（メタデータ） (2025-12-11T05:05:07Z) - MultiShotMaster: A Controllable Multi-Shot Video Generation Framework [67.38203939500157]
現在の生成技術はシングルショットクリップで優れているが、物語的なマルチショットビデオを作成するのに苦労している。
高度に制御可能なマルチショットビデオ生成のためのフレームワークであるMultiShotMasterを提案する。
論文 参考訳（メタデータ） (2025-12-02T18:59:48Z) - ShotAdapter: Text-to-Multi-Shot Video Generation with Diffusion Models [37.70850513700251]
現在の拡散ベースのテキスト・ツー・ビデオ法は、単一のショットの短いビデオクリップを生成するに限られている。
本稿では,テキスト・ツー・マルチショットビデオ生成を実現するために,データセット収集パイプラインとビデオ拡散モデルのアーキテクチャ拡張を含むフレームワークを提案する。
提案手法により,全フレームにまたがるマルチショット映像を単一のビデオとして生成することが可能となる。
論文 参考訳（メタデータ） (2025-05-12T15:22:28Z) - Long Context Tuning for Video Generation [63.060794860098795]
Long Context Tuning (LCT) は、訓練済みのシングルショットビデオ拡散モデルのコンテキストウィンドウを拡張する訓練パラダイムである。
本手法は、シーン内のすべてのショットを包含するために、個々のショットからフルアテンションメカニズムを拡張する。
実験では、コヒーレントなマルチショットシーンを実証し、合成生成やインタラクティブショット拡張など、新たな能力を示す。
論文 参考訳（メタデータ） (2025-03-13T17:40:07Z) - 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) - SEINE: Short-to-Long Video Diffusion Model for Generative Transition and
Prediction [93.26613503521664]
本稿では、生成遷移と予測に焦点をあてた、短時間から長期のビデオ拡散モデルSEINEを提案する。
テキスト記述に基づく遷移を自動的に生成するランダムマスクビデオ拡散モデルを提案する。
我々のモデルは、コヒーレンスと視覚的品質を保証するトランジションビデオを生成する。
論文 参考訳（メタデータ） (2023-10-31T17:58:17Z)
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。