論文の概要: VideoX-Qwen: Data-Centric Instruction-Based Video Editing
- arxiv url: http://arxiv.org/abs/2609.26015v1
- Date: Tue, 22 Sep 2026 11:18:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.340157
- Title: VideoX-Qwen: Data-Centric Instruction-Based Video Editing
- Title（参考訳）: VideoX-Qwen:データ中心のインストラクションベースのビデオ編集
- Abstract要約: VideoX-Qwenは、一般的な命令ベースのビデオ編集のための統合データ構築およびモデルトレーニングフレームワークである。
主なタスクグループごとに40,000件の記録を含む120万件以上のビデオ編集記録を生成し、自動受入率は89%である。
プログレッシブ・イメージ・ビデオ・トレーニング戦略は、マルチモーダル・インストラクション・インタフェースを整列させ、映像生成装置をソース条件の編集に適応させ、選択された高解像度データで出力品質を改善させる。
- 参考スコア（独自算出の注目度）: 34.02764351584346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Progress in general-purpose video editing depends on constructing large-scale paired supervision and effectively adapting video-generation backbones to instruction-driven editing. Unlike video generation, video editing must execute a requested transformation while preserving unrelated subjects, scene structure, motion, and temporal continuity. We present VideoX-Qwen, an integrated data-construction and model-training framework for general instruction-based video editing. Our scalable production pipeline organizes specialized generation and understanding models into complementary routes for addition, removal, replacement, and attribute editing, followed by quality screening and instruction enrichment. It produces more than 1.2 million directional video-editing records, including over 400,000 records in each major task group, with an automatic acceptance rate of 89%. The resulting corpus provides broad and structured coverage of common editing operations through a unified source-instruction-target interface. We further develop a unified Qwen-Wan editor that combines multimodal semantic conditioning with dense source-video latent guidance. A progressive image-video training strategy aligns the multimodal instruction interface, adapts the video generator to source-conditioned editing, and refines output quality with selected high-resolution data. In a 100-example comparison with UniVideo and Kling O1, VideoX-Qwen achieves the best mean result on nine of eleven reported metrics, including instruction following, editing quality, content preservation, structural and perceptual similarity, and video-distribution quality. Together, the large-scale data-production system and unified training framework provide a practical foundation for more capable instruction-driven video editing.
- Abstract（参考訳）: 汎用ビデオ編集の進歩は、大規模なペア化監視の構築と、命令駆動編集にビデオ生成バックボーンを効果的に適応させることに依存している。
ビデオ生成とは異なり、ビデオ編集は要求された変換を実行し、無関係な主題、シーン構造、動き、時間的連続性を保存する必要がある。
本稿では,汎用的なインストラクションベースビデオ編集のための統合データ構築とモデル学習フレームワークであるVideoX-Qwenを紹介する。
我々のスケーラブルな生産パイプラインは、特別な生成モデルと理解モデルを、追加、削除、置換、属性編集のための補完ルートに編成し、続いて品質のスクリーニングと命令の強化を行います。
主なタスクグループごとに40,000件の記録を含む120万件以上のビデオ編集記録を生成し、自動受入率は89%である。
結果として得られたコーパスは、ソースとインストラクションとターゲットの統一インターフェースを通じて、共通の編集操作を広く構造化したカバレッジを提供する。
さらに、マルチモーダルなセマンティックコンディショニングと高密度なソース・ビデオ遅延ガイダンスを組み合わせた統合Qwen-Wanエディタを開発した。
プログレッシブ・イメージ・ビデオ・トレーニング戦略は、マルチモーダル・インストラクション・インタフェースを整列させ、映像生成装置をソース条件の編集に適応させ、選択された高解像度データで出力品質を改善させる。
UniVideoとKling O1を100例比較すると、VideoX-Qwenは、インストラクションフォロー、編集品質、コンテンツ保存、構造的および知覚的類似性、ビデオ配信品質など、11の指標のうち9つで最高の平均結果が得られる。
大規模データ生成システムと統合トレーニングフレームワークは共に、より有能な命令駆動ビデオ編集のための実践的な基盤を提供する。
関連論文リスト
- 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) - 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) - EditVerse: Unifying Image and Video Editing and Generation with In-Context Learning [58.53074381801114]
イメージとビデオの生成と編集を単一のモデルで統合したフレームワークであるEditVerseを紹介する。
テキスト、画像、ビデオなどのすべてのモダリティを統一されたトークンシーケンスとして表現することで、EditVerseは、堅牢なインコンテキスト学習を実現するために自己アテンションを活用する。
多様なタスクや解像度をカバーする命令ベースのビデオ編集のための最初のベンチマークであるEditVerseBenchを紹介する。
論文 参考訳（メタデータ） (2025-09-24T17:59:30Z) - InsViE-1M: Effective Instruction-based Video Editing with Elaborate Dataset Construction [10.855393943204728]
高品質なインストラクションベースのビデオ編集データセットを,100万トリプル,すなわちInsViE-1Mで提示する。
高品質な画像から様々なビデオ編集三脚を生成しフィルタする。
実験では、InsViE-1Mデータセットの利点と、最先端の作業に対するトレーニングされたモデルが示されています。
論文 参考訳（メタデータ） (2025-03-26T07:30:58Z) - 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)
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。