論文の概要: RefVideo-6M: A Reliable Reference-Based Dataset for Instructional Video Editing
- arxiv url: http://arxiv.org/abs/2608.26101v1
- Date: Wed, 26 Aug 2026 17:59:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:16.017576
- Title: RefVideo-6M: A Reliable Reference-Based Dataset for Instructional Video Editing
- Title（参考訳）: RefVideo-6M:教育ビデオ編集のための信頼性の高い参照ベースデータセット
- Abstract要約: RefVideo-6Mは、500万のビデオ編集サンプルと100万の画像編集サンプルを含む大規模な参照誘導編集データセットである。
信頼性の高い監視を確保するために、我々のデータセットは、アーティファクトフリーのリアルビデオを編集ターゲットとして扱う構築パイプラインを使用している。
約600万のビジュアル参照を提供し、多様な参照タイプと編集シナリオをカバーしている。
- 参考スコア（独自算出の注目度）: 66.83679558829465
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in video editing have been largely driven by large-scale instruction-based datasets. However, existing datasets still suffer from two critical limitations. First, target videos are commonly produced by automatic editing models, which may introduce visible artifacts and unreliable supervision signals. Second, most public datasets rely primarily on textual instructions, while lacking visual references that are crucial for precise, identity-preserving, and controllable editing. To address these limitations, we introduce RefVideo-6M, a large-scale reference-guided editing dataset containing 5 million video editing samples and 1 million image editing samples. To ensure reliable supervision, our dataset uses a construction pipeline that treats artifact-free real videos as editing targets and generates quality-filtered input conditions with multiple editing experts. In addition, it provides approximately 6 million visual references, covering diverse reference types and editing scenarios, thereby enabling models to learn fine-grained visual correspondence beyond text-only instructions. Based on RefVideo-6M, we further train a reference-guided video editing model, Ref-MoT, to evaluate the effectiveness and scalability of the proposed dataset. Extensive experiments demonstrate that RefVideo-6M provides substantially more reliable supervision than existing datasets and enables the training of powerful editing models with improved visual quality, controllability, and reference consistency. The open-source dataset is available at https://huggingface.co/datasets/RefVideo6M/RefVideo6M.
- Abstract（参考訳）: ビデオ編集の最近の進歩は、大規模な命令ベースのデータセットによって大きく推進されている。
しかし、既存のデータセットには2つの限界がある。
まず、ターゲットビデオは、視覚的なアーティファクトと信頼性の低い監視信号を導入する自動編集モデルによって、一般的に生成される。
第2に、ほとんどの公開データセットは、主にテキスト命令に依存しているが、正確な、アイデンティティ保存、制御可能な編集に不可欠な視覚的参照は欠如している。
この制限に対処するために、500万のビデオ編集サンプルと100万の画像編集サンプルを含む大規模な参照誘導編集データセットであるRefVideo-6Mを紹介する。
信頼性の高い監視を確保するため,我々のデータセットでは,アーティファクトフリーな実動画を編集対象として扱い,複数の編集専門家による品質フィルタ入力条件を生成する構築パイプラインを使用している。
さらに、約600万のビジュアル参照を提供し、多様な参照タイプや編集シナリオをカバーしている。
また、RefVideo-6Mに基づいて参照誘導ビデオ編集モデルRef-MoTをトレーニングし、提案したデータセットの有効性とスケーラビリティを評価する。
大規模な実験により、RefVideo-6Mは既存のデータセットよりもかなり信頼性の高い監視を提供し、視覚的品質、制御性、参照一貫性を改善した強力な編集モデルのトレーニングを可能にした。
オープンソースデータセットはhttps://huggingface.co/datasets/RefVideo6M/RefVideo6Mで公開されている。
関連論文リスト
- OmniEdit-Bench: A Comprehensive Benchmark for Instruction-based Video Editing [53.21868575804758]
命令ベースのビデオ編集(IVE)のための包括的かつ構造化されたベンチマークを導入する。
本ベンチマークでは,編集タスクを空間,時間,音声,参照ベースの編集など,複数のビデオ特化次元に分解する。
本研究では,4つの相補的な次元(精度,保存性,リアリズム,一貫性)から編集品質を評価する評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T16:58:48Z) - 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) - LIVE: Leveraging Image Manipulation Priors for Instruction-based Video Editing [45.1196749483108]
我々は,大規模で高品質な画像編集データをビデオデータセットとともに活用し,編集能力を増強する共同トレーニングフレームワークであるLIVEを提案する。
フレームワイドなトークンノイズ戦略を導入し、特定のフレームの潜伏を推論トークンとして扱い、大規模な事前学習ビデオ生成モデルを活用して、妥当な時間変換を生成する。
画像編集に多いが、既存のビデオデータセットでは不十分な60以上の課題を含む総合的な評価ベンチマークをキュレートする。
論文 参考訳（メタデータ） (2026-04-18T15:09:01Z) - Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance [55.32799307123252]
本稿では,既存のビデオ編集ペアを高忠実度トレーニング四重項に変換するスケーラブルなデータ生成パイプラインを提案する。
本稿では,学習可能なクエリと参照セマンティックガイダンスのための潜在視覚特徴を相乗化する統合編集アーキテクチャKiwi-Editを提案する。
論文 参考訳（メタデータ） (2026-03-02T18:46:28Z) - VEGGIE: Instructional Editing and Reasoning Video Concepts with Grounded Generation [70.87745520234012]
本稿では,VEGGIEを紹介する。VEGGIEは,多様なユーザインストラクションに基づいて,ビデオコンセプトの編集,グラウンド化,推論を統一する,シンプルなエンドツーエンドフレームワークである。
VEGGIEは、異なる編集スキルを持つ指導ビデオ編集において高い性能を示し、汎用モデルとして最高の指導ベースラインを達成している。
論文 参考訳（メタデータ） (2025-03-18T15:31:12Z) - VIVID-10M: A Dataset and Baseline for Versatile and Interactive Video Local Editing [13.006616304789878]
本稿では,データセットVIVID-10MとベースラインモデルVIVIDを紹介する。
VIVID-10Mは、最初の大規模ハイブリッド画像-ビデオローカル編集データセットである。
提案手法は,ビデオローカル編集における最先端性能を実現し,自動計測とユーザスタディの両方においてベースライン手法を超越した。
論文 参考訳（メタデータ） (2024-11-22T10:04:05Z) - VLKEB: A Large Vision-Language Model Knowledge Editing Benchmark [53.091690659399234]
大規模言語モデル(LLM)の知識編集は注目されている。
3つのメトリクス(信頼性、局所性、一般性)からなる既存のLVLM編集ベンチマークは、合成された評価画像の品質が不足している。
我々は、新しいLarge $textbfV$ision-$textbfL$anguage Modelを構築するために、より信頼性の高いデータ収集手法を使用します。
論文 参考訳（メタデータ） (2024-03-12T06:16:33Z)
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。