論文の概要: Edit-VAR: Taming Visual Autoregressive Model for Precise Video Editing
- arxiv url: http://arxiv.org/abs/2609.21268v1
- Date: Fri, 18 Sep 2026 03:26:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.843274
- Title: Edit-VAR: Taming Visual Autoregressive Model for Precise Video Editing
- Title（参考訳）: Edit-VAR: 精密ビデオ編集のための視覚的自己回帰モデル
- Abstract要約: テキスト誘導ビデオ編集は、未編集領域の外観と時間的コヒーレンスを維持しながら、ターゲット内容を変更する。
トレーニングベースのアプローチは強力な制御を提供するが、かなりのデータと計算を必要とする。
インバージョンフリーアプローチはトラジェクトリリカバリを回避するが、ソース保存ガイダンスは編集強度を制限し、セマンティックな変更を不完全なものにすることができる。
テキスト誘導ビデオ編集のためのトレーニング不要かつ反転不要な最初のフレームワークであるEdit- VARIについて,事前学習した視覚的自己回帰ビデオモデルを用いて紹介する。
- 参考スコア（独自算出の注目度）: 5.942585315235058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-guided video editing modifies target content while preserving the appearance and temporal coherence of unedited regions. Training-based approaches provide strong control but demand substantial data and computation. Training-free methods fall into inversion-free and inversion-based paradigms. Inversion-free approaches avoid trajectory recovery, but their source-preserving guidance can limit editing strength and leave semantic changes incomplete. Inversion-based approaches recover a latent trajectory before regeneration, where approximation errors can accumulate and cause source-content drift and temporal inconsistency. We introduce Edit-VAR, the first training-free and inversion-free framework for text-guided video editing with a pretrained visual autoregressive video model. Edit-VAR directly encodes the source video into multi-scale discrete tokens and performs probability-guided conditional token replacement for source preservation. Attention-guided token-wise and scale-aware modulation selectively relaxes source constraints over edit-relevant positions and generation stages. Scale-Decoupled Generation, implemented as late-scale constraint release, regenerates motion-consistent details and reduces texture fragmentation. Residual-guided token pruning further exploits redundancy at the final two high-resolution scales to reduce inference cost. Extensive experiments and a blind user study demonstrate that Edit-VAR outperforms existing training-free video editing methods overall in editing fidelity, source preservation, temporal coherence, and inference efficiency.
- Abstract（参考訳）: テキスト誘導ビデオ編集は、未編集領域の外観と時間的コヒーレンスを維持しながら、ターゲット内容を変更する。
トレーニングベースのアプローチは強力な制御を提供するが、かなりのデータと計算を必要とする。
トレーニングフリーメソッドは、インバージョンフリーおよびインバージョンベースパラダイムに分類される。
インバージョンフリーアプローチはトラジェクトリリカバリを回避するが、ソース保存ガイダンスは編集強度を制限し、セマンティックな変更を不完全なものにすることができる。
逆ベースアプローチは再生前の潜在軌道を回復し、近似誤差は蓄積され、ソース・コンテントのドリフトと時間的不整合を引き起こす。
テキスト誘導ビデオ編集のためのトレーニング不要かつ反転不要な最初のフレームワークであるEdit-VARについて,事前学習した視覚的自己回帰ビデオモデルを用いて紹介する。
Edit-VARは、ソースビデオを直接マルチスケールの離散トークンにエンコードし、ソース保存のための確率誘導型条件付きトークン置換を行う。
Atention-guided token-wise and scale-aware modulationは、編集関連位置と生成段階に対するソース制約を選択的に緩和する。
遅延制約リリースとして実装されたスケールデカップリング生成は、動き一貫性のある詳細を再生し、テクスチャの断片化を低減する。
残留誘導型トークンプルーニングは、推論コストを低減するために、最後の2つの高解像度スケールでの冗長性をさらに活用する。
大規模な実験とブラインドユーザスタディにより、Edit-VARは、既存のトレーニング不要のビデオ編集方法よりも、完全性、ソース保存、時間的コヒーレンス、推論効率が優れていることが示された。
関連論文リスト
- DirectEdit: Step-Level Accurate Inversion for Flow-Based Image Editing [51.56484100374058]
我々は、事前訓練されたテキスト・ツー・イメージ(T2I)モデルのトレーニング不要な編集方法であるDirectEditを提案する。
DirectEditは、追加の神経機能評価(NFE)を導入することなく、固有の再構成エラーを除去する
実験により、DirectEditは効率よく正確な画像編集を実現し、最先端の手法よりも優れたパフォーマンスを提供することが示された。
論文 参考訳（メタデータ） (2026-05-04T10:09:18Z) - ResetEdit: Precise Text-guided Editing of Generated Image via Resettable Starting Latent [45.3757356193519]
近年の拡散モデルにより高品質の画像生成が可能となり, ポストジェネレーションの需要が高まっている。
再生可能な潜伏情報を直接生成プロセスに埋め込むプロアクティブな拡散編集フレームワークであるResetEditを提案する。
安定拡散に基づいて構築されたResetEditは、既存のチューニング不要な編集メソッドとシームレスに統合され、制御性と視覚的忠実性の両方において、最先端のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-04-28T02:05:08Z) - SteerFlow: Steering Rectified Flows for Faithful Inversion-Based Image Editing [9.343095346668665]
SteerFlowはモデルに依存しない編集フレームワークで、ソースの忠実性に関する強力な理論的保証がある。
本稿では,ターゲット編集速度とソース再構成速度を適応的にブレンドして,編集軌道をソースに固定するトラジェクトリ補間法を提案する。
FLUX.1-devとStable Diffusion 3.5 Mediumの実験では、SteerFlowは既存の方法よりも優れた編集品質を実現している。
論文 参考訳（メタデータ） (2026-04-02T07:26:13Z) - VALA: Learning Latent Anchors for Training-Free and Temporally Consistent [29.516179213427694]
本稿では,キーフレームを適応的に選択し,その潜在機能をセマンティックアンカーに圧縮し,一貫したビデオ編集を行う変分アライメントモジュールであるVALAを提案する。
本手法はトレーニング不要なテキスト・画像ベースのビデオ編集モデルに完全に統合することができる。
論文 参考訳（メタデータ） (2025-10-27T03:44:11Z) - Taming Flow-based I2V Models for Creative Video Editing [64.67801702413122]
ビデオ編集は、ユーザーの意図に応じてビデオを編集することを目的としているが、まだまだ課題だ。
既存の画像条件付きビデオ編集手法の多くは、モデル固有の設計の逆変換を必要とするか、あるいは広範囲の最適化を必要とする。
Inversion-Free 方式である IF-V2V を提案し,ビデオ編集のためのオフザシェルフフローマッチングベースの I2V モデルを,計算オーバーヘッドの大きいものに適応させる。
論文 参考訳（メタデータ） (2025-09-26T05:57:04Z) - FlowDirector: Training-Free Flow Steering for Precise Text-to-Video Editing [2.7248421583285265]
FlowDirectorは、新しいインバージョンフリーのビデオ編集フレームワークである。
我々のフレームワークは、編集プロセスをデータ空間の直接進化としてモデル化する。
局所的かつ制御可能な編集を実現するために,注意誘導型マスキング機構を導入する。
論文 参考訳（メタデータ） (2025-06-05T13:54:40Z) - Re-Attentional Controllable Video Diffusion Editing [48.052781838711994]
本稿では,Re-Attentional Controllable Video Diffusion Editing (ReAtCo)法を提案する。
対象物体の空間配置と編集されたテキストプロンプトを無訓練で整合させるために,再注意拡散(RAD)を提案する。
RADは、編集されたテキストプロンプトとデノナイジング段階のターゲットビデオとの間の相互注意活性化反応を再焦点化し、空間的に位置整列し、意味的に高忠実に操作されたビデオを生成する。
論文 参考訳（メタデータ） (2024-12-16T12:32:21Z) - COVE: Unleashing the Diffusion Feature Correspondence for Consistent Video Editing [57.76170824395532]
ビデオ編集は新たな課題であり、現在のほとんどの手法では、ソースビデオを編集するために、事前訓練されたテキスト・トゥ・イメージ(T2I)拡散モデルを採用している。
我々は,高品質で一貫したビデオ編集を実現するために,COVE(Cor correspondingence-guided Video Editing)を提案する。
COVEは、追加のトレーニングや最適化を必要とせずに、事前訓練されたT2I拡散モデルにシームレスに統合することができる。
論文 参考訳（メタデータ） (2024-06-13T06:27:13Z) - Zero-Shot Video Editing through Adaptive Sliding Score Distillation [51.57440923362033]
本研究は,オリジナルビデオコンテンツの直接操作を容易にする,ビデオベースのスコア蒸留の新たなパラダイムを提案する。
本稿では,グローバルとローカルの両方の動画ガイダンスを取り入れた適応スライディングスコア蒸留方式を提案する。
論文 参考訳（メタデータ） (2024-06-07T12:33:59Z) - Object-Centric Diffusion for Efficient Video Editing [64.71639719352636]
拡散ベースのビデオ編集は素晴らしい品質に達している。
このようなソリューションは通常、時間的に整合性のあるフレームを生成するために重いメモリと計算コストを発生させる。
品質を維持しつつ、大幅なスピードアップを可能にする修正を提案する。
論文 参考訳（メタデータ） (2024-01-11T08:36:15Z)
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。