論文の概要: MSEditor: Toward Consistent Multi-Shot Video Editing

• arxiv url: http://arxiv.org/abs/2608.17559v1
• Date: Tue, 18 Aug 2026 09:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.289278
• Title: MSEditor: Toward Consistent Multi-Shot Video Editing
• Title（参考訳）: MSEditor: 一貫性のあるマルチショットビデオ編集を目指して
• Abstract要約: 我々は、一貫したマルチショットビデオ編集用に設計された最初のフレームワークであるMSEditorを提案する。 高品質なマルチショットトレーニングデータの不足を克服するため、既存のマルチビュービデオデータセットを再利用して、堅牢なクロスショット監視を実現する。 累積誤差を効果的に軽減し、長時間の時間的コヒーレンスを確保するため、クロスショット・パッキング・ストラテジーを設計する。
• 参考スコア（独自算出の注目度）: 46.964066826513374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we tackle the problem of performing consistent, unified modifications to a multi-shot video sequence. This task is particularly challenging because multi-shot videos consist of discontinuous temporal segments that vary significantly in viewpoint, camera scale, and subject pose, leading to severe identity drift and cumulative error propagation. Achieving coherent edits requires establishing reliable cross-shot semantic awareness to maintain stable subject appearance and visual continuity across these disjointed boundaries. To address this, we propose MSEditor, the first framework designed specifically for consistent multi-shot video editing. To overcome the scarcity of high-quality multi-shot training data, we repurpose existing multi-view video datasets to provide robust cross-shot supervision. Architecturally, we introduce a Supervisory Adapter that injects this cross-shot information into the diffusion backbone, enabling the model to learn identity-consistent representations. Furthermore, to effectively mitigate cumulative errors and ensure long-range temporal coherence, we design a Cross-Shot Packing strategy that dynamically aggregates information from semantically related shots within the self-attention window. Extensive experiments demonstrate that MSEditor significantly outperforms existing methods on our curated multi-shot video editing benchmark in terms of identity preservation, temporal stability, and overall visual quality.
• Abstract（参考訳）: 本稿では,マルチショット映像系列に対して一貫した一貫した修正を行うという課題に対処する。 マルチショットビデオは、視点、カメラスケール、ポーズに大きく異なる不連続な時間セグメントで構成されており、深刻なアイデンティティドリフトと累積的エラー伝播をもたらすため、特に難しい。 コヒーレントな編集を実現するには、これらの境界を越えて安定した被写体外観と視覚的連続性を維持するために、信頼できるクロスショット意味認識を確立する必要がある。 そこで我々は,一貫したマルチショットビデオ編集用に設計された最初のフレームワークであるMSEditorを提案する。 高品質なマルチショットトレーニングデータの不足を克服するため、既存のマルチビュービデオデータセットを再利用して、堅牢なクロスショット監視を実現する。 アーキテクチャ的には、このクロスショット情報を拡散バックボーンに注入するスーパーバイザリーアダプタを導入し、モデルがアイデンティティ一貫性のある表現を学習できるようにする。 さらに、累積誤差を効果的に軽減し、長時間の時間的コヒーレンスを確保するために、自己注意ウィンドウ内の意味的関連ショットから情報を動的に集約するクロスショット・パッキング・ストラテジーを設計する。 大規模な実験により、MSEditorは、編集済みのマルチショットビデオ編集ベンチマークにおいて、アイデンティティの保存、時間的安定性、全体的な視覚的品質において、既存の手法を著しく上回っていることが示された。

関連論文リスト

• Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning [56.17582599802973]
  本稿では,MMLVE(Multi-Instruction Multi-Shot Long-Video Editing)タスクを紹介する。 これら3つの課題に対処するために,Large Language Models (LLM) と Vision-Language Models (VLM) を活用したエージェント編集フレームワークを導入する。 我々のMMLVE-Agentは、既存のクローズドソースSOTAアプローチよりも優れています。
  論文  参考訳（メタデータ） (2026-08-27T08:48:13Z)
• 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)
• IDAG-Edit: Multi-Object Video Editing via Instance-Decoupled Attention and Guidance [26.00049090733744]
  IDAGEditは、時間的一貫性の強い細粒度マルチオブジェクトビデオ編集のためのトレーニング不要のフレームワークである。 本手法は,最先端のビデオ編集手法に対する時間的安定性と多目的制御性を向上する。
  論文  参考訳（メタデータ） (2026-06-20T13:47:39Z)
• AnchorEdit: Maintaining Temporal Consistency in Multi-turn Image Editing via Causal Memory [58.322260363577016]
  マルチターン画像編集は反復的な設計には不可欠であるが、現在のモデルは連続するステップでアイデンティティのドリフトやエラーの蓄積に悩まされることが多い。 AnchorEditは,高解像度・長期マルチターン編集に特化して設計された,最初の自己回帰(AR)拡散ベースのフレームワークである。
  論文  参考訳（メタデータ） (2026-06-10T07:26:31Z)
• A Skill-augmented Agentic Framework and Benchmark for Multi-Video Understanding [69.31609753061137]
  マルチモーダルな大規模言語モデルはシングルビデオ理解において高いパフォーマンスを達成しているが、複数のビデオにまたがる推論能力は依然として限られている。 既存のアプローチでは、複数のビデオを1つの入力にまとめて直接推論を行い、トレーニングと推論のミスマッチを導入する。 現在のマルチビデオベンチマークでは、主にイベントレベルの比較を強調しており、アイデンティティレベルのマッチング、きめ細かい識別、構造化されたマルチステップ推論が過小評価されている。 視覚ツール,タスク固有のスキル,コンフリクト対応検証機構を統合した,多視点理解のためのスキル強化型エージェントフレームワークSAMAを提案する。
  論文  参考訳（メタデータ） (2026-03-16T02:09:48Z)
• 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)
• ID-Composer: Multi-Subject Video Synthesis with Hierarchical Identity Preservation [48.59900036213667]
  大規模なデータセットで事前訓練されたビデオ生成モデルは高品質なビデオを生成することができるが、テキストや単一の画像に条件付けされることも多い。 本稿では,テキストプロンプトと参照画像から多目的映像を生成する新しいフレームワークであるID-Composerを紹介する。
  論文  参考訳（メタデータ） (2025-11-01T11:29:14Z)

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。