論文の概要: GRNEdit: Efficient General Video Editing from a New Binary-Evidence Perspective in Generative Refinement Networks

• arxiv url: http://arxiv.org/abs/2608.16328v1
• Date: Mon, 17 Aug 2026 09:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.621103
• Title: GRNEdit: Efficient General Video Editing from a New Binary-Evidence Perspective in Generative Refinement Networks
• Title（参考訳）: GRNEdit:ジェネレーション・リファインメント・ネットワークにおける新たなバイナリ・エビデンスの観点からの効率的な汎用ビデオ編集
• Abstract要約: 一般的なビデオ編集は、単一の直感的なインターフェースで多様な編集操作を統合することを目指している。 GRNEditは、ビットの組み合わせによって視覚的なセマンティクスをエンコードする軽量な2段階フレームワークである。 条件パラメータが3%未満の0.6万ペア, GRNEdit-2Bと GRNEdit-8BはOpenVE-Benchで4.03と4.18のスコアを得た。
• 参考スコア（独自算出の注目度）: 19.4535662221234
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Instruction-based general video editing seeks to unify diverse editing operations within a single, intuitive interface. Existing approaches often rely on resource-intensive conditioning, using either heavyweight branches or costly source concatenation. Is there any efficient way to model editing intent? Thus, we introduce GRNEdit, a lightweight two-stage framework. GRN inspires our approach by encoding visual semantics through combinations of bits. Through task-specific fine-tuning, we take this representation further and recast editing semantics as local retain-or-flip decisions over individual bits. Source information is consequently modeled as coordinate-wise evidence supporting the observed binary states, while the GRN backbone remains responsible for resolving their global composition into coherent generative semantics. In Stage I, a compact encoder translates discrete source codes into continuous evidence signals, which GRN assimilates throughout binary refinement. Inspired by null-prompt training for classifier-free guidance, we further assign the null condition an editing-specific meaning: an empty instruction denotes no edit and is supervised through source reconstruction. This identity pathway not only implicitly strengthens evidence utilization and content preservation in Stage I, but also produces a source-preserving state in the same representation space as the edited state. Stage II can therefore directly compare each edited state with its source-preserving counterpart and use their discrepancy to revise unresolved target-bit decisions. Trained on only 0.6M pairs with less than 3\% conditioning parameters, GRNEdit-2B and GRNEdit-8B achieve scores of 4.03 and 4.18 on OpenVE-Bench. The 2B model outperforms multiple 14B open-source editors, while the 8B model performs on par with leading open-source editors.
• Abstract（参考訳）: インストラクションベースの一般的なビデオ編集は、単一の直感的なインタフェースで多様な編集操作を統合することを目指している。 既存のアプローチは、しばしばリソース集約的な条件付けに依存し、ヘビーウェイトブランチまたはコストのかかるソース結合を使用する。 編集意図をモデル化する効果的な方法はありますか? そこで我々は,軽量な2段階フレームワークであるGRNEditを紹介した。 GRNは、ビットの組み合わせを通して視覚的意味論を符号化することで、私たちのアプローチを刺激します。 タスク固有の微調整を通じて、この表現をさらに推し進め、個々のビットに対する局所的な保持またはフリップ決定として、編集セマンティクスをリキャストする。 ソース情報は、観測されたバイナリ状態を支持する座標的証拠としてモデル化され、GRNバックボーンは、そのグローバルな構成を一貫性のある生成意味論に分解する責任を担っている。 ステージIでは、コンパクトエンコーダが離散的なソースコードを連続的なエビデンス信号に変換する。 また,Null-promptトレーニングにインスパイアされて,Null条件を編集固有の意味に割り当てる。 このアイデンティティパスは、ステージIにおけるエビデンス利用とコンテンツ保存を暗黙的に強化するだけでなく、編集された状態と同じ表現空間でソース保存状態を生成する。 従って、Stage IIは、各編集された状態とソース保存された状態を直接比較し、その相違を利用して未解決のターゲットビット決定を修正できる。 条件パラメータが 3 % 未満の 0.6M ペアでのみ訓練された GRNEdit-2B と GRNEdit-8B は OpenVE-Bench で 4.03 と 4.18 のスコアを得た。 2Bモデルは複数の14Bオープンソースエディタを上回り、8Bモデルは主要なオープンソースエディタと同等に機能する。

関連論文リスト

• What Makes a 3D Scene Editable? A Factorized Benchmark of Fidelity, Locality, Consistency, and Preservation [0.0]
  本稿では,編集を制御情報置換として扱う表現非依存のベンチマークであるEditBench3Dを紹介する。 240のシーン編集ペアに対して,8つの代表的NeRF,3Dガウススプラッティング,ハイブリッド,プロキシベースのエディタを評価した。
  論文  参考訳（メタデータ） (2026-09-14T01:38:38Z)
• Semantically Aligned Gradient-Driven Context-Preserving Image Editing [32.85393969503569]
  IABEditは、識別可能なセマンティック検証をトレーニングに組み込む、モデルに依存しないフレームワークである。 IABEdit は U-Net (Stable Diffusion) や MMDiT (FLUX) など様々なバックボーンと互換性がある。
  論文  参考訳（メタデータ） (2026-09-11T10:37:32Z)
• Edit the Bits, Diff the Codes: Bitwise Residual Editing for Visual Autoregressive Models [85.59447229497101]
  BitResEditは、Infinityのようなビットワイズ残留VARジェネレータのためのトレーニング不要のエディタである。 ソース-負のガイダンスは、共有編集プレフィックスで計算されたソース-ターゲットコントラストに沿って、ビットごとのポストCFGログ-oddを傾けることで実行される。 サンプルされたビットをスケールごとの連続コード残基に変換し、ローカライゼーションマスクでゲートし、ジェネレータのネイティブサム・オブ・スケールを通じて再注入する。
  論文  参考訳（メタデータ） (2026-06-11T16:41:25Z)
• Reasoning to Align: Implicit Reasoning in Diffusion Transformers for Video Editing [55.211537893248675]
  本稿では,2つの補完コンポーネントを中心に構築された暗黙の推論ビデオ編集用DiTフレームワークであるRVEDiTを提案する。 RVEDiTは最先端のベースラインを一貫して上回り、特にローカライズされた編集や構成的な編集において大きな利益を得ている。
  論文  参考訳（メタデータ） (2026-05-23T17:22:14Z)
• SWE-Edit: Rethinking Code Editing for Efficient SWE-Agent [17.74253780030394]
  SWE-Editは、コード編集を2つの特別なサブエージェントに分解する。 SWE-bench Verifiedでは、SWE-Editは推論コストを17.9%削減し、解決率を2.1%改善する。
  論文  参考訳（メタデータ） (2026-04-28T20:35:09Z)
• CEI-3D: Collaborative Explicit-Implicit 3D Reconstruction for Realistic and Fine-Grained Object Editing [51.73433734209541]
  既存の3D編集手法は、再構成ネットワークの深い統合性のために、非現実的で未精細な結果をもたらすことが多い。 本稿では,現実的できめ細かな編集を容易にするための,編集指向の再構築パイプラインであるCEI-3Dを紹介する。 提案手法は,最新技術(SOTA)手法よりも,よりリアルできめ細かな編集結果を実現すると同時に,編集時間を短縮する。
  論文  参考訳（メタデータ） (2026-03-12T11:15:11Z)
• CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
  CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-31T12:20:46Z)
• O-DisCo-Edit: Object Distortion Control for Unified Realistic Video Editing [88.93410369258203]
  O-DisCo-Editは、新しいオブジェクト歪み制御(O-DisCo)を組み込んだ統合フレームワークである この信号はランダムノイズと適応ノイズに基づいて、単一の表現内に幅広い編集キューを柔軟にカプセル化する。 O-DisCo-Editは、効果的なトレーニングパラダイムによる効率的な高忠実な編集を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T16:29:39Z)
• CCEdit: Creative and Controllable Video Editing via Diffusion Models [58.34886244442608]
  CCEditは拡散モデルに基づく多用途な生成ビデオ編集フレームワークである。 我々のアプローチは、構造と外観制御を分離する新しいトリデントネットワーク構造を用いる。 ユーザスタディでは,CCEditと8つの最先端のビデオ編集手法を比較した。
  論文  参考訳（メタデータ） (2023-09-28T15:03:44Z)
• In-N-Out: Faithful 3D GAN Inversion with Volumetric Decomposition for Face Editing [28.790900756506833]
  3D対応のGANは、2D対応の編集機能を保ちながら、ビュー合成のための新しい機能を提供する。 GANインバージョンは、入力画像や動画を再構成する潜時コードを求める重要なステップであり、この潜時コードを操作することで様々な編集タスクを可能にする。 我々は3次元GANの入力からOODオブジェクトを明示的にモデル化することでこの問題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:59:56Z)

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。