論文の概要: CoinVE-200K: A Large-Scale High-Quality Dataset for Compositional Instruction-Guided Video Editing

• arxiv url: http://arxiv.org/abs/2608.17566v2
• Date: Tue, 25 Aug 2026 15:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:33.665216
• Title: CoinVE-200K: A Large-Scale High-Quality Dataset for Compositional Instruction-Guided Video Editing
• Title（参考訳）: CoinVE-200K:作曲指導誘導ビデオ編集のための大規模高品質データセット
• Abstract要約: CoinVE-200Kは、合成指導誘導ビデオ編集のための大規模で高品質なデータセットである。 CoinVE-Editは、Wan2.1-T2V-14BとQwen3-VL-8B-Instructをベースに開発された22Bの合成ビデオ編集モデルである。
• 参考スコア（独自算出の注目度）: 22.484409052908912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The quality and diversity of instruction-based video editing datasets are steadily improving, yet existing datasets mainly focus on single editing operations and fall short in supporting compositional instruction-guided video editing. In particular, multiple editing intents must be jointly understood and faithfully executed within the same video. To address this issue, we introduce CoinVE-200K, a large-scale, high-quality dataset for Compositional Instruction-Guided Video Editing. CoinVE-200K contains 1080p video-editing pairs of up to 201 frames, covering diverse compositional scenarios where each sample involves 2 to 5 atomic editing operations. The instructions target humans, objects, and backgrounds, and cover edit types such as addition, removal, modification, and stylization. All samples are built through a carefully designed generation and filtering pipeline to ensure instruction faithfulness, visual quality, temporal consistency, and compositional diversity. We also introduce CoinVE-Bench, a benchmark for compositional-instruction video editing across diverse subjects, operation types, and instruction complexities. Furthermore, we present CoinVE-Edit, a 22B compositional video editing model built upon Wan2.1-T2V-14B and Qwen3-VL-8B-Instruct. CoinVE-Edit disentangles region-aware attention for different editing instructions, enabling precise multi-region editing while preserving irrelevant content and temporal coherence. Experiments on CoinVE-Bench show that CoinVE-Edit achieves strong performance in instruction following, compositional editing accuracy, visual quality, and temporal consistency.
• Abstract（参考訳）: 命令ベースのビデオ編集データセットの品質と多様性は着実に改善されているが、既存のデータセットは主に単一の編集操作に焦点を当てており、合成指導誘導のビデオ編集をサポートしていない。 特に、複数の編集意図は、同じビデオ内で共同で理解され、忠実に実行されなければならない。 この問題に対処するため,我々はCinVE-200Kという大規模かつ高品質な映像編集用データセットを紹介した。 CoinVE-200Kは、最大201フレームの1080pのビデオ編集ペアを含み、各サンプルが2から5の原子編集操作を含む多様な構成シナリオをカバーする。 命令は人間、オブジェクト、背景を対象とし、追加、削除、修正、スタイリングなどの編集タイプをカバーする。 すべてのサンプルは、命令の忠実さ、視覚的品質、時間的一貫性、構成の多様性を保証するために、慎重に設計された生成とフィルタリングパイプラインを通して構築される。 CoinVE-Benchも紹介する。これは多種多様な科目、操作タイプ、命令複雑度にまたがる合成指示ビデオ編集のベンチマークである。 さらに,Wan2.1-T2V-14BとQwen3-VL-8B-Instructをベースとした22B合成ビデオ編集モデルCoinVE-Editを提案する。 CoinVE-Editは、異なる編集命令に注意を向け、無関係の内容と時間的コヒーレンスを保ちながら、正確なマルチリージョン編集を可能にする。 CoinVE-Benchの実験により、CoinVE-Editは、命令の追従、合成編集精度、視覚的品質、時間的一貫性において、高いパフォーマンスを達成することが示された。

関連論文リスト

• VicEdit: Learning to Edit Videos from Visual In-Context Examples [122.14105395087746]
  テキストによる指示からマルチモーダルな視覚誘導までの映像編集を高める新しいパラダイムであるVisual In-context Editingを提案する。 VicEdit-400Kは、ビジュアルなテキスト内ビデオ編集のための最初の大規模データセットである。 VicEditは、基本的な命令編集とビジュアル・イン・コンテクスト編集の両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-08-17T15:55:40Z)
• CoVEBench: Can Video Editing Models Handle Complex Instructions? [26.871333176496126]
  CoVEBenchは、416のキュレートされたソースビデオ、626のマルチポイント編集命令、9,990のきめ細かいチェックリスト項目からなる合成ビデオ編集ベンチマークである。 MLLM-judged命令コンプライアンスとビデオ忠実度によるモデルの評価と、ビデオ品質の自動測定を行う。
  論文  参考訳（メタデータ） (2026-06-07T02:29:41Z)
• JAVEDIT: Joint Audio-Visual Instruction-Guided Video Editing with Agentic Data Curation [100.46371655184585]
  JAVEdit-100kは、命令誘導型共同視覚編集に適した、最初の大規模で高品質なデータセットである。 このデータセットは、4つの巧妙に設計された生成パイプラインを通じて厳密に構築され、エージェント・イン・ザ・ループの品質管理機構とシームレスにペアリングされる。 フィールド内での標準化評価の欠如に対処するため、我々は、キュレートされたソースビデオと人間対応の指示を含む包括的なベンチマークであるJAVEditBenchを紹介した。
  論文  参考訳（メタデータ） (2026-06-02T05:26:06Z)
• In-Context Learning with Unpaired Clips for Instruction-based Video Editing [51.943707933717185]
  我々は、命令ベースのビデオ編集のための低コストの事前学習戦略を導入する。 本フレームワークは,まず約100万本のビデオクリップを事前学習し,基本的な編集概念を学習する。 本手法は命令アライメントと視覚的忠実度の両方において既存の命令ベースビデオ編集手法を超越する。
  論文  参考訳（メタデータ） (2025-10-16T13:02:11Z)
• UNIC: Unified In-Context Video Editing [76.76077875564526]
  UNIC(Unified In-Context Video Editing)は、単一のモデル内でさまざまなビデオ編集タスクをコンテキスト内で統一するフレームワークである。 本稿では,一貫した時間的位置エンコーディングを容易にするタスク認識型RoPEと,モデルの異なる編集タスクを明確に区別する条件バイアスを導入する。 その結果、我々の統合された手法は各タスクにおいて優れた性能を発揮し、創発的なタスク構成能力を示すことがわかった。
  論文  参考訳（メタデータ） (2025-06-04T17:57:43Z)
• V2Edit: Versatile Video Diffusion Editor for Videos and 3D Scenes [29.80140472486948]
  V$2$Editは、インストラクション誘導ビデオと3Dシーン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。 複雑な編集タスクを単純なサブタスクに分解するプログレッシブ戦略を導入する。 V$2$Edit を "render-edit-reconstruct" プロセスで 3D シーン編集に拡張し,高品質な 3D 一貫性のある編集を可能にする。
  論文  参考訳（メタデータ） (2025-03-13T17:59:55Z)
• AnyEdit: Mastering Unified High-Quality Image Editing for Any Idea [88.79769371584491]
  我々は、総合的なマルチモーダル命令編集データセットであるAnyEditを提示する。 我々は,AnyEditコレクションの多様性と品質を,初期データ多様性,適応編集プロセス,自動編集結果の選択という3つの側面を通じて保証する。 3つのベンチマークデータセットの実験によると、AnyEditは拡散ベースの編集モデルのパフォーマンスを一貫して向上させる。
  論文  参考訳（メタデータ） (2024-11-24T07:02:56Z)
• 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)

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。