論文の概要: OSVE: One Step Video Editing with One Step Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.19895v1
- Date: Wed, 22 Jul 2026 08:29:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.028661
- Title: OSVE: One Step Video Editing with One Step Diffusion Models
- Title（参考訳）: OSVE:1ステップの拡散モデルによる1ステップのビデオ編集
- Abstract要約: 我々は,高品質なビデオ編集のためのワンステップテキスト・ツー・イメージ(T2I)モデルを成功させる最初のフレームワークであるOSVEを提案する。
インバージョン、編集可能性、時間的一貫性といった課題に対処する。
このブレークスルーは、実用的なリアルタイムビデオ編集アプリケーションへの道を開くものだ。
- 参考スコア（独自算出の注目度）: 17.564785522861477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-guided video editing with diffusion models is impractically slow, hindered by costly multi-step sampling and inversion. We present OSVE, the first framework to successfully adapt one-step Text-to-Image (T2I) models for high-quality video editing, addressing the core challenges of inversion, editability, and temporal consistency. To bypass slow iterative inversion, we train a learnable encoder that predicts the initial noise for each frame in a single forward pass. This encoder is trained with a novel Structure-Aware Editing (SAE) loss on a curated dataset of structurally-aligned image pairs, teaching it to preserve the source video's geometry during edits. For temporal coherence, we introduce Unified-Frame Editing (UFE), a technique that concatenates frame latents to facilitate cross-frame attention in a single generation step. Furthermore, for long videos, a sliding-window strategy with an anchor frame maintains global consistency. Our extensive experiments demonstrate that OSVE achieves editing quality comparable or superior to state-of-the-art multi-step methods, while operating approximately 155--171 times faster. This breakthrough paves the way for practical, real-time video editing applications. Code is available at https://github.com/KU-VGI/OSVE.
- Abstract（参考訳）: 拡散モデルを用いたテキスト誘導ビデオ編集は、コストのかかる複数ステップのサンプリングと逆変換によって不規則に遅くなる。
我々は、高品質なビデオ編集に1段階のテキスト・ツー・イメージ(T2I)モデルを適応させる最初のフレームワークであるOSVEを紹介し、インバージョン、編集性、時間的整合性といった課題に対処する。
反復反転を遅くするため,各フレームの初期ノイズを1つのフォワードパスで予測する学習可能なエンコーダを訓練する。
このエンコーダは、構造的に整列されたイメージペアのキュレートされたデータセット上で、新しい構造認識編集(SAE)損失をトレーニングし、編集中にソースビデオの幾何学を保存するように教える。
時間的コヒーレンスのために,フレームラテントを結合してフレーム間注目を促進する手法であるUnified-Frame Editing (UFE)を導入する。
さらに、長編ビデオでは、アンカーフレームによるスライドウインドウ戦略は、グローバルな一貫性を維持している。
我々は,OSVEが155～171倍高速に動作しながら,最先端のマルチステップ手法に匹敵する編集品質を達成することを実証した。
このブレークスルーは、実用的なリアルタイムビデオ編集アプリケーションへの道を開くものだ。
コードはhttps://github.com/KU-VGI/OSVEで入手できる。
関連論文リスト
- Instruction-Based Video Editing by Repurposing an Image Editing Model [55.9214783600876]
そこで本研究では,ビデオVAEラテントを直接操作することで,強力な命令ベースの画像編集モデルで映像を編集可能であることを示す。
以上の結果から,ビデオ潜在空間のトレーニングに多大な投資をしているにもかかわらず,フレームごとのラテントは画像領域に十分近いままであり,画像編集の事前転送が最小限に抑えられることが示唆された。
論文 参考訳（メタデータ） (2026-08-14T18:01:29Z) - ViFeEdit: A Video-Free Tuner of Your Video Diffusion Transformer [74.61793196579036]
ビデオ拡散変換器用ビデオフリーチューニングフレームワークViFeEditを提案する。
ViFeEditは2D画像のみに適応した多用途のビデオ生成と編集を実現する。
本手法は,2次元画像データに対する最小限のトレーニングしか行わず,制御可能な映像生成と編集の有望な結果を提供する。
論文 参考訳（メタデータ） (2026-03-16T16:10:46Z) - EasyV2V: A High-quality Instruction-based Video Editing Framework [108.78294392167017]
キャプションemphEasyV2Vは、命令ベースのビデオ編集のためのフレームワークである。
EasyV2Vは、例えば video+text、 video+mask+reference+、最先端のビデオ編集結果などの柔軟な入力で動作する。
論文 参考訳（メタデータ） (2025-12-18T18:59:57Z) - I2VEdit: First-Frame-Guided Video Editing via Image-to-Video Diffusion Models [18.36472998650704]
本稿では,1フレームからビデオ全体への編集を事前学習した画像対ビデオモデルを用いてプロパガンダすることで,画像編集ツールをビデオに適用可能にする,新しい汎用的ソリューションを提案する。
I2VEditと呼ばれる本手法は,編集範囲に応じて映像の視覚的・運動的整合性を適応的に保持する。
論文 参考訳（メタデータ） (2024-05-26T11:47:40Z) - Neural Video Fields Editing [56.558490998753456]
NVEditは、メモリオーバーヘッドを軽減し、一貫性を向上させるために設計された、テキスト駆動のビデオ編集フレームワークである。
我々は、数百フレームの長いビデオのエンコーディングを可能にするために、三面体とスパースグリッドを用いたニューラルビデオフィールドを構築した。
次に、オフザシェルフテキスト・トゥ・イメージ(T2I)モデルを用いて、ビデオフィールドをテキスト駆動編集エフェクトに更新する。
論文 参考訳（メタデータ） (2023-12-12T14:48:48Z) - LOVECon: Text-driven Training-Free Long Video Editing with ControlNet [9.762680144118061]
本稿では,このギャップを埋めることを目的として,学習自由拡散モデルに基づく長大ビデオ編集のための,シンプルで効果的なベースラインを確立する。
ControlNet上にパイプラインを構築し、テキストプロンプトに基づいて様々な画像編集タスクを抽出する。
本手法は,ユーザの要求に応じて数百フレームの動画を編集する。
論文 参考訳（メタデータ） (2023-10-15T02:39:25Z) - Ground-A-Video: Zero-shot Grounded Video Editing using Text-to-image
Diffusion Models [65.268245109828]
Ground-A-Videoは、マルチ属性ビデオ編集のためのビデオからビデオへの変換フレームワークである。
トレーニング不要な方法で、時間的に一貫した入力ビデオの編集を可能にする。
実験と応用により、Ground-A-Videoのゼロショットキャパシティは、編集精度とフレームの整合性の観点から、他のベースライン手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-10-02T11:28:37Z) - INVE: Interactive Neural Video Editing [79.48055669064229]
対話型ニューラルビデオ編集(Interactive Neural Video Editing、INVE)は、ビデオクリップ全体へのスパースフレーム編集を一貫して伝播するリアルタイムビデオ編集ソリューションである。
我々の手法は、Layered Neural Atlas (LNA)の最近の研究にインスパイアされている。
LNAは,(1)対話的な編集に時間がかかりすぎること,(2)編集のユースケースに対して不十分なサポートを提供していること,の2つの大きな欠点に悩まされている。
論文 参考訳（メタデータ） (2023-07-15T00:02:41Z) - VidEdit: Zero-Shot and Spatially Aware Text-Driven Video Editing [18.24307442582304]
ゼロショットテキストベースのビデオ編集のための新しい方法であるVidEditを紹介する。
実験の結果,VidEditはDAVISデータセット上で最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2023-06-14T19:15:49Z) - Pix2Video: Video Editing using Image Diffusion [43.07444438561277]
テキスト誘導映像編集における事前学習画像モデルの使用方法について検討する。
まず、事前訓練された構造誘導画像拡散モデルを用いて、アンカーフレーム上でテキスト誘導編集を行う。
我々は、計算集約的な事前処理やビデオ固有の微調整なしに、リアルなテキスト誘導ビデオ編集が可能であることを実証した。
論文 参考訳（メタデータ） (2023-03-22T16:36:10Z)
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。