論文の概要: LogiShot: Logically Coherent Cross-Shot Video Generation
- arxiv url: http://arxiv.org/abs/2608.08820v1
- Date: Sun, 09 Aug 2026 17:11:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.961524
- Title: LogiShot: Logically Coherent Cross-Shot Video Generation
- Title（参考訳）: LogiShot:ロジスティックコヒーレントなクロスショットビデオ生成
- Abstract要約: 我々は、映像生成におけるクロスショット論理コヒーレンスの実現には、ショット間の論理的接続を確立し、視覚的一貫性を維持する必要があると論じている。
本稿では,2つの補完経路を通じて情報を組み込むLogiShotを提案する。
実験により、LogiShotは複数のショットにまたがる論理的コヒーレンスの観点から、既存のベースラインを一貫して上回っていることが示された。
- 参考スコア（独自算出の注目度）: 68.674867923812
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating cross-shot videos that are logically connected is essential for content creation. Currently, most cross-shot video-generation workflows, such as short-drama production, still rely on isolated textual scripts or explicit reference images to specify the generated content. Consequently, when user instructions are underspecified or ambiguous, a generated clip may appear visually plausible on its own but fail to align with the overall narrative, leading to disjointed content. We argue that achieving cross-shot logical coherence in video generation requires establishing logical connections across shots and maintaining visual consistency. To this end, we propose LogiShot, which incorporates information through two complementary paths: 1) LogiShot jointly encodes the context video and other conditioning signals, yielding dense multimodal cues that provide visual-semantic evidence for cross-shot generation; 2) the model maintains a visual memory of the context video throughout generation to preserve visual consistency across shots. Additionally, we construct a dataset with 110K samples and a dedicated benchmark for evaluating cross-shot logical coherence. Experiments demonstrate that LogiShot consistently outperforms existing baselines in terms of logical coherence across multiple shots. Model and data will be made publicly available.
- Abstract（参考訳）: 論理的に接続されたクロスショットビデオを生成することは、コンテンツ作成に不可欠である。
現在、ショートドラマ生成など、ほとんどのクロスショットビデオ生成ワークフローは、生成したコンテンツを特定するために、孤立したテキストスクリプトや明示的な参照イメージに依存している。
その結果、ユーザ指示が不明確または曖昧である場合には、生成されたクリップはそれ自体で視覚的に妥当に見えるが、全体的な物語と一致しないため、コンテンツが切り離される。
我々は、映像生成におけるクロスショット論理コヒーレンスの実現には、ショット間の論理的接続を確立し、視覚的一貫性を維持する必要があると論じている。
この目的のために,2つの補完経路を通じて情報を組み込むLogiShotを提案する。
1)LogiShotは、コンテキストビデオと他の条件信号とを共同で符号化し、クロスショット生成の視覚的意味的証拠を提供する密集したマルチモーダルキューを生成する。
2)モデルでは,映像間の視覚的整合性を維持するため,世代ごとのコンテキスト映像の視覚的記憶を維持できる。
さらに,110Kサンプルを用いたデータセットと,クロスショット論理コヒーレンスを評価するための専用ベンチマークを構築した。
実験により、LogiShotは複数のショットにまたがる論理的コヒーレンスの観点から、既存のベースラインを一貫して上回っていることが示された。
モデルとデータは公開されます。
関連論文リスト
- MuSS: A Large-Scale Dataset and Cinematic Narrative Benchmark for Multi-Shot Subject-to-Video Generation [17.275771056805556]
MuSSは、マルチショットビデオとS2V生成に適した、大規模なデュアルトラックデータセットである。
3000本以上の映画から引用された MuSS は、複雑なモンタージュ遷移と主観的な物語の両方を明示的にサポートしている。
本稿では,視覚的なACPlogic中心のパラダイムと,新しいアンチコピー・ペースト変動尺度を特徴とするCinematic Narrative Benchmarkを提案する。
論文 参考訳（メタデータ） (2026-04-26T16:28:46Z) - Bridging Your Imagination with Audio-Video Generation via a Unified Director [54.45375287950375]
論理的推論と想像的思考はどちらも映画監督の基本的特性であると主張する。
ユーザプロンプトを適切に構造化されたスクリプトでブリッジする統合ディレクタモデルUniMAGEを提案する。
論文 参考訳（メタデータ） (2025-12-29T05:56:22Z) - 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) - FilmWeaver: Weaving Consistent Multi-Shot Videos with Cache-Guided Autoregressive Diffusion [46.67733869872552]
textbfFilmWeaverは任意の長さで一貫したマルチショットビデオを生成するように設計されたフレームワークである。
私たちの重要な洞察は、問題をショット間の一貫性とショット内のコヒーレンスに分離することです。
本手法は, 整合性と美的品質の両面において, 既存の手法を超越した手法である。
論文 参考訳（メタデータ） (2025-12-12T04:34:53Z) - OneStory: Coherent Multi-Shot Video Generation with Adaptive Memory [47.073128448877775]
我々は,一貫した,スケーラブルな物語生成のためのグローバルかつコンパクトなクロスショットコンテキストモデリングを実現するOneStoryを提案する。
OneStoryは、MSVを次のショット生成タスクとして再構成し、トレーニング済みのイメージ・ツー・ビデオ(I2V)モデルを活用しながら、自己回帰的なショット合成を可能にする。
OneStoryは、テキストと画像条件の両方の設定において、多種多様な複雑なシーンにまたがる最先端の物語コヒーレンスを実現する。
論文 参考訳（メタデータ） (2025-12-08T18:32:24Z) - VideoGen-of-Thought: Step-by-step generating multi-shot video with minimal manual intervention [70.61101071902596]
現在のビデオ生成モデルは短いクリップで優れているが、解離した視覚力学と破折したストーリーラインのため、凝集性のある複数ショットの物語を生成できない。
一つ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VideoGen-of-Thought (VGoT)を紹介した。
VGoTは、ショット内の顔の一貫性が20.4%、スタイルの一貫性が17.4%向上するマルチショットビデオを生成する。
論文 参考訳（メタデータ） (2025-03-19T11:59:14Z) - Phantom: Subject-consistent video generation via cross-modal alignment [16.777805813950486]
シングルオブジェクトとマルチオブジェクトの両方の参照に統一されたビデオ生成フレームワークを提案する。
提案手法は,画像コンテンツのリークや複数オブジェクトの混同といった問題に対処しながら,高忠実度映像生成を実現する。
論文 参考訳（メタデータ） (2025-02-16T11:02:50Z) - 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) - StoryDiffusion: Consistent Self-Attention for Long-Range Image and Video Generation [117.13475564834458]
本稿では,一貫性自己注意という新たな自己注意計算手法を提案する。
提案手法を長距離ビデオ生成に拡張するために,新しい意味空間時間運動予測モジュールを導入する。
これら2つの新しいコンポーネントを統合することで、StoryDiffusionと呼ばれるフレームワークは、一貫した画像やビデオでテキストベースのストーリーを記述することができます。
論文 参考訳（メタデータ） (2024-05-02T16:25:16Z)
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。