論文の概要: Beyond Coherence: Benchmarking Professional Editing-Technique Execution in Multi-Shot Audio-Video Generation
- arxiv url: http://arxiv.org/abs/2609.08275v1
- Date: Tue, 08 Sep 2026 05:35:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.588757
- Title: Beyond Coherence: Benchmarking Professional Editing-Technique Execution in Multi-Shot Audio-Video Generation
- Title（参考訳）: コヒーレンスを超えて:マルチショットオーディオビデオ生成におけるプロフェッショナル編集技術実行のベンチマーク
- Abstract要約: CutCraftは、マルチショットオーディオビデオ生成における編集技術実行のための最初のベンチマークである。
我々は、生成を計画、ショットレベル合成、ポストホック合成に分解するエージェント編集ベースラインを設計する。
不安定なショット構造、遷移実行の弱い制御、高次モンタージュの急激な劣化を見出した。
- 参考スコア（独自算出の注目度）: 20.067016616921222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent multi-shot audio-video generators can produce increasingly coherent and cinematic outputs, but coherence does not imply the ability to execute editing techniques. Professional editing depends on shot structure, transition grammar, audio-video cut relations, and montage, yet existing benchmarks largely rely on proxies such as content quality, synchronization, or physical plausibility, systematically missing whether such editing instructions are actually executed. We introduce CutCraft, the first benchmark for editing-technique execution in multi-shot audio-video generation. CutCraft extends structured multi-shot prompts with explicit editing specifications and is paired with a hierarchical hybrid evaluation framework that combines shot-structure alignment, expert-model metrics, tool-grounded multimodal judgment, and rubric-based question answering. Beyond evaluation, we design an agentic editing baseline that decomposes generation into planning, shot-level synthesis, and post-hoc composition, explicitly realizing editing semantics such as J-cuts, L-cuts, and transition timing. Across 13 state-of-the-art closed- and open-source models, CutCraft reveals a consistent gap between coherence and editing-technique execution: current systems often produce plausible multi-shot videos yet fail to execute editorial instructions reliably. We find unstable shot structures, weak control of transition execution, and sharp degradation on higher-order montage, while aesthetic quality is only weakly correlated with editing-technique compliance. The benchmark and metrics, and the editing agent baseline are available at https://github.com/AlibabaResearch/cut-craft-bench.
- Abstract（参考訳）: 最近のマルチショットオーディオビデオジェネレータは、ますますコヒーレントで撮影的な出力を生成することができるが、コヒーレンスでは編集技術を実行することができない。
プロの編集は、ショット構造、トランジション文法、オーディオとビデオのカット関係、モンタージュに依存するが、既存のベンチマークは、コンテンツの品質、同期、物理的妥当性などのプロキシに大きく依存しており、そのような編集命令が実際に実行されるかどうかを体系的に欠いている。
マルチショットオーディオビデオ生成における編集技術実行のための最初のベンチマークであるCutCraftを紹介する。
CutCraftは、構造化されたマルチショットプロンプトを明示的な編集仕様で拡張し、ショット構造アライメント、エキスパートモデルメトリクス、ツールグラウンドのマルチモーダル判断、ルーリックベースの質問応答を組み合わせた階層的なハイブリッド評価フレームワークと組み合わせている。
評価以外にも、生成を計画、ショットレベル合成、ポストホック合成に分解するエージェント編集ベースラインを設計し、Jカット、Lカット、遷移タイミングなどの編集セマンティクスを明確に実現した。
13の最先端のクローズドおよびオープンソースモデルにおいて、CutCraftはコヒーレンスと編集技術の間の一貫したギャップを明らかにしている。
不安定なショット構造,トランジション実行の弱い制御,高次モンタージュの急激な劣化,美的品質は編集技術コンプライアンスと弱い相関しか持たない。
ベンチマークとメトリクス、編集エージェントのベースラインはhttps://github.com/AlibabaResearch/cut-craft-bench.comで公開されている。
関連論文リスト
- Better Call CineCrew: Consistent Ultra-Long Narrative-to-Film Generation [53.27387848819395]
ロングフォーム・ナラティブ・トゥ・フィルム生成にはショットレベルの制御性とクロスクリップの整合性が必要である。
本稿では,フィルム指向のスクリプト・ビデオ生成のための構造化オーケストレーション層を提案する。
論文 参考訳（メタデータ） (2026-09-07T16:33:14Z) - 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) - A Benchmark and Multi-Agent System for Instruction-driven Cinematic Video Compilation [75.66313073019326]
CineBenchは、命令駆動のシネマティックビデオコンパイルのための最初のベンチマークである。
CineAgentsは,映像編集をデザイン・アンド・コンポジションのパラダイムに再構成するマルチエージェントシステムである。
論文 参考訳（メタデータ） (2026-04-12T04:39:09Z) - CAMEO: A Conditional and Quality-Aware Multi-Agent Image Editing Orchestrator [8.901958956012072]
条件付き画像編集は、厳密な構造制御を必要とするシナリオにおいて不可欠である。
ほとんどのアプローチは単一ステップ生成に依存します。
我々は、条件付き編集を品質に配慮したフィードバック駆動プロセスとして再構成する構造化マルチエージェントフレームワーク、textbfCAMEOを提案する。
論文 参考訳（メタデータ） (2026-04-03T16:27:02Z) - CutClaw: Agentic Hours-Long Video Editing via Music Synchronization [96.62825277039117]
CutClawは、数時間の生の映像を意味のある短いビデオに編集するために設計された、自律的なマルチエージェントフレームワークだ。
同期音楽の動画を制作し、指示と視覚的に魅力的な外観が続く。
われわれは、CutClawが高品質なリズムアライメントビデオを生成する際に、最先端のベースラインを大幅に上回っていることを示すための詳細な実験を行っている。
論文 参考訳（メタデータ） (2026-03-31T12:25:53Z) - 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) - FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing [52.54102743380658]
本稿では,複雑な編集を複数のサブ編集エフェクトに分離し,編集プロセス中に並列に重畳するFlowDCを提案する。
FlowDCは既存の方法に比べて優れた結果を示した。
論文 参考訳（メタデータ） (2025-12-12T09:08:39Z) - EditDuet: A Multi-Agent System for Video Non-Linear Editing [24.334561615501105]
本稿では,映像編集のコアタスクを自動化し,シーケンシャルな意思決定プロセスとして定式化することを提案する。
エディターは、自然言語の指示とともにビデオクリップのコレクションを入力とし、ビデオ編集ソフトウェアで一般的に見られるツールを使用して、編集されたシーケンスを生成する。
提案システムでは,ユーザスタディを通じて質的,定量的に映像シーケンスを出力し,カバー範囲,時間制約満足度,人的嗜好の面で既存手法を著しく上回る結果を得た。
論文 参考訳（メタデータ） (2025-09-13T00:27:02Z) - Image Editing As Programs with Diffusion Models [69.05164729625052]
本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築された統合画像編集フレームワークである IEAP (Image Editing As Programs) を紹介する。
IEAPは、複雑な編集命令を原子操作のシーケンスに分解して、リダミストレンズによる命令編集にアプローチする。
我々のフレームワークは、特に複雑なマルチステップ命令に対して、より優れた精度とセマンティック忠実度を提供する。
論文 参考訳（メタデータ） (2025-06-04T16:57:24Z) - InFusion: Inject and Attention Fusion for Multi Concept Zero-Shot
Text-based Video Editing [27.661609140918916]
InFusionはゼロショットテキストベースのビデオ編集のためのフレームワークである。
編集プロンプトで言及されているさまざまな概念に対する画素レベルの制御による複数の概念の編集をサポートする。
私たちのフレームワークは、トレーニングを必要としないため、編集のためのワンショットチューニングモデルの安価な代替品です。
論文 参考訳（メタデータ） (2023-07-22T17:05:47Z)
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。