Fugu-MT 論文翻訳(概要): ID-V2V: Identity-Preserving Video Restylization

論文の概要: ID-V2V: Identity-Preserving Video Restylization

arxiv url: http://arxiv.org/abs/2607.22830v1
Date: Fri, 24 Jul 2026 18:12:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:14.888327
Title: ID-V2V: Identity-Preserving Video Restylization
Title（参考訳）: ID-V2V:ID保存ビデオ再結晶
Abstract要約: 我々は,編集ビデオによって規定されるシーン,照明,スタイルの変化を伝播させる,アイデンティティ保存型ビデオ再構成の課題を定式化する。鍵となる障害は、ペア化されたトレーニングデータがないことだ。本稿では、相補的な制御信号を統合するビデオ間生成フレームワークID-V2Vを紹介する。
参考スコア（独自算出の注目度）: 16.492389645021028
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In visual storytelling, human performances are central to creative intent and narrative meaning. However, preserving human identity and performance while enabling flexible visual edits remains challenging for generative video models. We formalize this challenge as identity-preserving video restylization, which propagates scene, lighting, and style changes specified by an edited keyframe across a source video, while preserving facial likeness and performance, including expressions, eye gaze, and lip synchronization. A key obstacle is the absence of paired training data, as identity-preserving restylized video pairs are rare in real-world settings. To address this, we propose a decoupling of source-grounded identity preservation and edit-driven video synthesis. Our key insight is that facial appearance and expression should remain invariant, with illumination being the primary permissible variation. We therefore cast identity preservation as a video relighting problem, while modeling visual edit propagation as controlled video synthesis guided by the edited keyframe. Building on this formulation, we introduce ID-V2V, a video-to-video generative framework integrating complementary control signals: relit facial regions and facial normal maps tightly constrain facial likeness and performance, while edited keyframes and depth sequences enable flexible and temporally coherent generation. This design enables constructing training pairs from a single video, eliminating the need for scarce paired data. Extensive experiments demonstrate that ID-V2V significantly outperforms existing methods in preserving facial likeness and fine-grained facial performance, supports both single- and multi-subject scenarios, and delivers high visual quality, highlighting its potential as a human-centric tool for real-world content production. The code is available at: https://github.com/Eyeline-Labs/ID-V2V.
Abstract（参考訳）: 視覚的なストーリーテリングでは、人間のパフォーマンスは創造的な意図と物語の意味の中心である。しかしながら、フレキシブルなビジュアル編集を可能にしながら、人間のアイデンティティとパフォーマンスを維持することは、生成ビデオモデルでは依然として困難である。我々は、この課題を、表現、視線、唇の同期を含む顔の類似性やパフォーマンスを保ちながら、編集されたキーフレームによって規定されるシーン、照明、スタイルの変化を伝播させる、アイデンティティ保存型ビデオ再構成として形式化する。鍵となる障害は、ペア化されたトレーニングデータがないことだ。そこで本研究では,ソース・グラウンドド・アイデンティティ保護と編集駆動ビデオ合成の分離を提案する。私たちの重要な洞察は、顔の外観と表情は不変であり続け、照明が許容される主な変化であるということである。そこで我々は、編集されたキーフレームによって誘導される制御されたビデオ合成として、視覚的編集の伝搬をモデル化しながら、アイデンティティ保存をビデオリライト問題として捉えた。この定式化に基づいて、顔領域と顔の正常マップを信頼し、顔の類似性やパフォーマンスを厳しく制限し、鍵フレームと深度シーケンスを編集することで、柔軟で時間的に一貫性のある生成を可能にする、相補的な制御信号を統合するビデオ対ビデオ生成フレームワークであるID-V2Vを導入する。この設計により、単一のビデオからトレーニングペアを構築することができ、ペアデータが少ない必要がなくなる。大規模な実験により、ID-V2Vは顔の類似性やきめ細かな顔のパフォーマンスを保ち、単目的と多目的の両方のシナリオをサポートし、高い視覚的品質を提供し、現実世界のコンテンツ制作のための人間中心のツールとしての可能性を強調している。コードは、https://github.com/Eyeline-Labs/ID-V2Vで入手できる。

関連論文リスト

BEACON: Behavior and Appearance Control for Subject-Specific Video Generation [20.360530698353916]
人固有のビデオ生成のための軽量なフレームワークBEACONを紹介する。視覚的アイデンティティを表現行動から切り離すことによって、より表現力のあるビデオを生成する。 BEACONは、これらの相補的な信号を条件づけることで、被験者の外観と特徴的顔力学の両方をよりよく保存するビデオを生成する。
論文参考訳（メタデータ） (2026-09-07T09:09:12Z)
GroupVideo: Multi-Identity Customized Text-to-Video Generation [53.89036635198158]
GroupVideoは、複数の個人写真を利用して、アイデンティティをカスタマイズしたビデオを生成する新しいフレームワークである。 GroupVideoにはマルチモーダルなアイデンティティアライメントが組み込まれており、セマンティックアライメントは動きの自然性を高めるセマンティックな知覚を導入している。マルチIDビデオデータセットが不足しているため、我々は20,000のビデオの包括的な高品質なデータセットをキュレートした。
論文参考訳（メタデータ） (2026-07-23T08:09:04Z)
DreamID-V:Bridging the Image-to-Video Gap for High-Fidelity Face Swapping via Diffusion Transformer [21.788582116033684]
Video Face Swapping (VFS)は、ターゲットのビデオにソースIDをシームレスに注入する必要がある。既存の方法は、時間的一貫性を維持しながら、アイデンティティの類似性と属性の保存を維持するのに苦労する。本稿では,画像顔スワッピングの優位性をビデオ領域にシームレスに転送するための包括的フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-04T08:07:11Z)
AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation [58.844504598618094]
本稿では、被験者駆動ビデオ生成のための明示的なタイムスタンプ条件付きフレームワークAlcheMinTを提案する。提案手法では,時間間隔の符号化を解き放つ新しい位置符号化機構を導入する。我々は、視覚的アイデンティティとビデオキャプションの結合を強化するために、主観記述型テキストトークンを導入し、世代間あいまいさを緩和する。
論文参考訳（メタデータ） (2025-12-11T18:59:34Z)
Preserving Source Video Realism: High-Fidelity Face Swapping for Cinematic Quality [48.231357260785195]
リビングスワップ(LivingSwap)は、最初のビデオ参照ガイド付き顔交換モデルである。ビデオコンディショニングとビデオレファレンスガイダンスを組み合わせることで、時間的縫合を行い、安定したアイデンティティと高忠実度再構成を実現する。本手法は,映像の表現,照明,動きとターゲットの同一性を統合し,手動による製作作業を大幅に削減する。
論文参考訳（メタデータ） (2025-12-08T19:00:04Z)
BachVid: Training-Free Video Generation with Consistent Background and Character [62.46376250180513]
Diffusion Transformer (DiTs) は、最近、テキスト・トゥ・ビデオ(T2V)生成に大きな進歩をもたらした。既存のメソッドは通常、参照イメージや広範なトレーニングに依存しており、しばしば文字の一貫性にのみ対処する。我々は、参照画像を必要としない一貫したビデオ生成を実現する、最初のトレーニング不要な方法であるBachVidを紹介する。
論文参考訳（メタデータ） (2025-10-24T17:56:37Z)
From Large Angles to Consistent Faces: Identity-Preserving Video Generation via Mixture of Facial Experts [69.44297222099175]
顔の特徴の異なるが相互に強化された側面を捉えた顔専門家の混合(MoFE)を導入する。データセットの制限を軽減するため、私たちは、Face ConstraintsとIdentity Consistencyという2つの重要な側面を中心としたデータ処理パイプラインを調整しました。我々は、既存のオープンソースヒューマンビデオデータセットからLFA(Large Face Angles)データセットをキュレートし、洗練しました。
論文参考訳（メタデータ） (2025-08-13T04:10:16Z)
Mask-Free Audio-driven Talking Face Generation for Enhanced Visual Quality and Identity Preservation [54.52905471078152]
本研究では,2Dベースの顔編集作業を維持しつつ,マスクレス音声生成手法を提案する。入力画像を2段階のランドマークベースアプローチを用いて,口を閉じた状態に変換する。
論文参考訳（メタデータ） (2025-07-28T16:03:36Z)
Removing Averaging: Personalized Lip-Sync Driven Characters Based on Identity Adapter [13.630889787934722]
リップ平均化(lip averaging)現象は、未確認映像を撮影する際に、モデルが微妙な顔の細部を保存できない場合に発生する。参照ビデオからアイデンティティ埋め込みを抽出し,忠実な顔列を生成するUnAvgLipを提案する。
論文参考訳（メタデータ） (2025-03-09T02:36:31Z)
EchoVideo: Identity-Preserving Human Video Generation by Multimodal Feature Fusion [3.592206475366951]
既存の手法は「コピー・ペースト」アーティファクトと類似性の低い問題に苦しむ。テキストから高レベルなセマンティック機能を統合して、クリーンな顔認証表現をキャプチャするEchoVideoを提案する。高品質で制御性があり、忠実なビデオを生成するのに優れた結果をもたらす。
論文参考訳（メタデータ） (2025-01-23T08:06:11Z)
PersonalVideo: High ID-Fidelity Video Customization without Dynamic and Semantic Degradation [36.21554597804604]
カスタマイズされたID画像を持つアイデンティティ固有のヒューマンビデオ生成はまだ未調査である。鍵となる課題は、元の動きのダイナミックさとセマンティックスを保ちながら、ハイIDの忠実さを一貫して維持することである。我々は、合成ビデオに報酬監督の混合を適用する、$textbfPersonalVideo$と呼ばれる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-26T02:25:38Z)

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。