論文の概要: MVAgent: Multi-Agent Video Generation via Consistent Condition Construction and Shot-Level Policy Optimization

• arxiv url: http://arxiv.org/abs/2609.30609v1
• Date: Thu, 24 Sep 2026 22:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.154501
• Title: MVAgent: Multi-Agent Video Generation via Consistent Condition Construction and Shot-Level Policy Optimization
• Title（参考訳）: MVAgent: 一貫性のある条件構築とショットレベルポリシー最適化によるマルチエージェントビデオ生成
• Abstract要約: マルチショットのエージェントビデオ生成には、一貫したキャラクタの外観、カメラアングル間の安定した空間配置、ショット間の連続的なキャラクタ状態が必要である。 MVAgentはマルチエージェントパイプラインであり、エージェントは型付き条件入力を介して協調する。 MVAgent は ViMax-Bench における比較手法の中で, クロスショット一貫性と物語計画品質が最も高く, 人体評価において最強のエージェントベースラインよりも好まれる。
• 参考スコア（独自算出の注目度）: 49.1454651931298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-shot agentic video generation requires consistent character appearance, stable spatial layout across camera angles, and continuous character state between shots. When every shot is a separate request to a frozen generator, repeated text does not determine appearance, layout or state. We therefore recast the problem as condition construction and present MVAgent, a multi-agent pipeline whose agents collaborate through typed conditioning inputs. Because an environment image shows one viewpoint, a Spatial Grounding agent samples views from generated camera-traversal clips and anchors each shot to the view matching its framing. As generated shots drift from the plan, an Observer records how each shot ends in a continuity memory, from which a Transition agent builds character action and spatial references for the next shot. An Orchestrator composes these inputs into each request. Since a request reveals its effect only after rendering, we train it by agentic reinforcement learning with Trunk-GDPO, which compares rendered candidates at every shot rather than once per video and continues the best as the trunk. With generator and judges frozen, MVAgent attains the highest cross-shot consistency and narrative-planning quality among the compared methods on ViMax-Bench and is preferred over the strongest agentic baseline in human evaluation.
• Abstract（参考訳）: マルチショットのエージェントビデオ生成には、一貫したキャラクタの外観、カメラアングル間の安定した空間配置、ショット間の連続的なキャラクタ状態が必要である。 すべてのショットがフリーズジェネレータへの別のリクエストである場合、繰り返しテキストは外観、レイアウト、状態を決定しない。 そこで我々は,この問題を条件構築として再放送し,エージェントが型付き条件入力を介して協調するマルチエージェントパイプラインであるMVAgentを提示する。 環境画像は1つの視点を示すため、空間グラウンドエージェントは生成されたカメラトラバーサルクリップからビューをサンプリングし、それぞれのショットをフレーミングにマッチしたビューにアンカーする。 生成されたショットが計画からドリフトするにつれて、オブザーバは各ショットがどのようにして連続メモリに終わるかを記録し、そこから遷移エージェントが次のショットに対してキャラクタアクションと空間参照を構築する。 オーケストレータは、各リクエストにこれらの入力を構成する。 要求はレンダリング後にのみその効果を明らかにするため、Trunk-GDPOを用いてエージェント強化学習によりトレーニングする。 ジェネレータと判定器の凍結により,ViMax-Benchにおける比較手法の中で,MVAgentは高いクロスショット一貫性と物語計画品質を達成し,ヒト評価において最強のエージェントベースラインよりも好まれる。

関連論文リスト

• Prisma-World: Camera-Controllable Multi-Agent Video World Model [67.72842238020192]
  カメラ制御可能なマルチエージェントワールドモデルであるPrisma-Worldを紹介する。 マルチエージェント生成を、クロスビュー整合性のためのジョイントジオメトリア・アウェア・デノナイジングプロセスとして定式化する。 実験により, フレキシブルエージェント数を持つ高忠実度マルチエージェント映像を, 1つのPrisma-Worldモデルで生成できることが確認された。
  論文  参考訳（メタデータ） (2026-06-08T13:59:50Z)
• Soap2Soap: Long Cinematic Video Remaking via Multi-Agent Collaboration [61.98029663481308]
  Soap2SoapはDualBridgeメカニズムを通じて長期の視覚的一貫性を強制するマルチエージェントフレームワークである。 クローズドループ検証エージェントは、識別、安定性、アライメントを監査し、選択的再生を誘導する。
  論文  参考訳（メタデータ） (2026-05-17T12:38:21Z)
• CoAgent: Collaborative Planning and Consistency Agent for Coherent Video Generation [9.91271343855315]
  CoAgentは、コヒーレントなビデオ生成のためのフレームワークで、プラン合成の検証パイプラインとしてプロセスを定式化している。 Storyboard Plannerは、入力を明示的な実体、空間的関係、時間的手がかりで構造化されたショットレベルのプランに分解する。 Global Context Managerは、エンティティレベルのメモリを維持して、ショット間の外観とアイデンティティの整合性を維持する。 ペーシング対応エディタは、所望の物語の流れに合わせて時間リズムと遷移を洗練する。
  論文  参考訳（メタデータ） (2025-12-27T09:38:34Z)
• VideoGen-of-Thought: Step-by-step generating multi-shot video with minimal manual intervention [76.3175166538482]
  VideoGen-of-Thought(VGoT)は、単一の文から複数ショットのビデオ合成を自動化するステップバイステップのフレームワークである。 VGoTは、ナラティブな断片化、視覚的不整合、トランジションアーティファクトの3つの課題に対処する。 トレーニング不要のパイプラインで組み合わせられたVGoTは、ショット内面の一貫性が20.4%、スタイルの一貫性が17.4%向上した。
  論文  参考訳（メタデータ） (2024-12-03T08:33:50Z)
• StoryAgent: Customized Storytelling Video Generation via Multi-Agent Collaboration [88.94832383850533]
  CSVG(Customized Storytelling Video Generation)のためのマルチエージェントフレームワークを提案する。 StoryAgentはCSVGを特殊エージェントに割り当てられた個別のサブタスクに分解し、プロの制作プロセスを反映する。 具体的には、撮影時間内整合性を高めるために、カスタマイズされたイメージ・ツー・ビデオ(I2V)手法であるLoRA-BEを導入する。 コントリビューションには、ビデオ生成タスクのための汎用フレームワークであるStoryAgentの導入や、プロタゴニストの一貫性を維持するための新しい技術が含まれている。
  論文  参考訳（メタデータ） (2024-11-07T18:00:33Z)

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。