論文の概要: StoryEngine: A State-Grounded Agentic Framework for Video Storytelling

• arxiv url: http://arxiv.org/abs/2609.33627v1
• Date: Sun, 27 Sep 2026 14:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 15:12:39.091655
• Title: StoryEngine: A State-Grounded Agentic Framework for Video Storytelling
• Title（参考訳）: StoryEngine: ビデオストーリーテリングのための州別エージェントフレームワーク
• Abstract要約: StoryEngineは、ビデオストーリーテリングのためのステートグラウンドのエージェントフレームワークである。 信頼できるセマンティックプランと信頼できない視覚的観察を分離する。 StoryEngineは、すべての評価範囲で最先端のメソッドを一貫して上回る。
• 参考スコア（独自算出の注目度）: 10.570104787943718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent progress in agentic multi-shot video generation, producing coherent and consistent long-form stories remains challenging. Existing agentic pipelines typically rely on textual shot plans or previously generated pixels, yet lack an explicit mechanism for propagating the consequences of story events and maintaining the video world state across shots. As a result, missing visual details may be reconstructed inaccurately, while visual drift may propagate across subsequent shots, undermining both narrative coherence and visual consistency. To address these challenges, we propose StoryEngine, a state-grounded agentic framework for video storytelling. StoryEngine establishes a separation between authoritative semantic plans and unreliable visual observations. Specifically, StoryEngine maintains a structured representation of entity placement and story-relevant states, and propagates event-induced changes to define the intended start and end states of each shot. To visually realize these states, StoryEngine constructs canonical references for recurring entities and environments, and compiles state and visual constraints into executable render plans. Meanwhile, to realize these states correctly, a bounded evaluation-guided repair loop further corrects local state inconsistencies. Together, these mechanisms preserve causal story progression and prevent local visual errors from propagating across shots. To comprehensively evaluate long-form storytelling, we construct a benchmark across diverse scenarios and visual styles, with metrics assessing storytelling quality, narrative coherence, and visual consistency. Experimental results demonstrate that StoryEngine consistently outperforms state-of-the-art methods across all evaluation dimensions, validating its effectiveness for coherent and consistent video storytelling.
• Abstract（参考訳）: 近年のエージェント的マルチショットビデオ生成の進歩にもかかわらず、一貫性のある一貫したロングフォームなストーリーを生み出すことは依然として困難である。 既存のエージェントパイプラインは通常、テキストのショットプランや以前に生成されたピクセルに依存しているが、ストーリーイベントの結果を伝播し、ショット全体にわたってビデオ世界状態を維持するための明確なメカニズムは欠如している。 その結果、視覚的詳細の欠如は不正確に再構成され、視覚的ドリフトはその後のショット間で伝播し、物語の一貫性と視覚的一貫性の両方を損なう可能性がある。 これらの課題に対処するために、我々は、ビデオストーリーテリングのための状態整合型エージェントフレームワークであるStoryEngineを提案する。 StoryEngineは、信頼できるセマンティックプランと信頼できない視覚的な観察を分離する。 具体的には、StoryEngineはエンティティ配置とストーリー関連状態の構造化された表現を保持し、各ショットの開始状態と終了状態を定義するためにイベントによって引き起こされる変更を伝搬する。 これらの状態を視覚的に認識するために、StoryEngineは、繰り返し発生するエンティティや環境のための標準参照を構築し、状態と視覚的制約を実行可能なレンダリングプランにコンパイルする。 一方、これらの状態を正しく実現するために、境界付き評価誘導修理ループは、局所的な状態の不整合をさらに補正する。 これらのメカニズムは、因果関係の進行を保ち、局所的な視覚的誤りがショットを越えて伝播するのを防ぐ。 ロングフォームなストーリーテリングを包括的に評価するために,ストーリーテリングの品質,物語のコヒーレンス,視覚的一貫性を評価する指標を用いて,さまざまなシナリオや視覚的スタイルのベンチマークを構築した。 実験結果から、StoryEngineはすべての評価次元で最先端の手法を一貫して上回り、一貫性のある一貫したビデオストーリーテリングの有効性を検証した。

関連論文リスト

• FilmWorld: Agentic Novel-to-Film Generation through Dynamic Cinematic World Modeling [82.23236914620828]
  我々は、ダイナミック・シネマティック・ワールド・モデリングとして、新規・フィルム・ジェネレーションを、建設と進化の2段階に分類する。 2つの専門エージェントが協調してこれらのフェーズをインスタンス化する,エンドツーエンドのエージェントシステムであるFilmWorldを提案する。 実験により、FilmWorldは最先端のビデオ生成エージェントシステムより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-21T12:28:58Z)
• ViMax: Agentic Video Generation [55.546794487716646]
  ロングフォームビデオ生成には、体系的な物語計画と視覚的一貫性が必要である。 我々のフレームワークは、グローバルなストーリーコヒーレンスのための検索強化世代を備えた階層的な物語エンジンを採用している。 VLM誘導エージェントは、物語のコヒーレンスと視覚的忠実さの両方を継続的に監視し、洗練する。
  論文  参考訳（メタデータ） (2026-06-02T12:55:41Z)
• LogiStory: A Logic-Aware Framework for Multi-Image Story Visualization [59.35938978648807]
  論理を意識したマルチイメージストーリー可視化フレームワークLogiStoryを提案する。 このフレームワークは、ストーリービジュアライゼーションにおけるビジュアルロジックを明示的にモデル化する中心的なイノベーションに基づいて構築されている。 この研究は、一般的な画像シーケンスおよびビデオ生成タスクにおける視覚ロジックのモデリングと強化に向けた基礎的なステップを提供する。
  論文  参考訳（メタデータ） (2026-03-30T06:37:12Z)
• ViStoryBench: Comprehensive Benchmark Suite for Story Visualization [23.274981415638837]
  ViStoryBenchは、さまざまな物語構造、視覚スタイル、キャラクター設定にわたるストーリービジュアライゼーションモデルを評価するために設計された包括的なベンチマークである。 ベンチマークでは、文学、映画、民俗学にまたがるキュレートされたストーリーから派生した、豊富な注釈付きマルチショットスクリプトが特徴である。 徹底的な評価を可能にするために、ViStoryBenchは、文字の一貫性、スタイルの類似性、迅速な順守、美的品質、生成アーティファクトを評価する一連の自動メトリクスを導入した。
  論文  参考訳（メタデータ） (2025-05-30T17:58:21Z)
• ContextualStory: Consistent Visual Storytelling with Spatially-Enhanced and Storyline Context [50.572907418430155]
  ContextualStoryは、コヒーレントなストーリーフレームを生成し、ビジュアルなストーリーテリングのためにフレームを拡張するように設計されたフレームワークである。 ストーリーライン埋め込みにおけるコンテキストを豊かにするストーリーラインコンテクストアライザと、フレーム間のシーン変化を測定するストーリーフローアダプタを導入する。 PororoSVとFlintstonesSVデータセットの実験では、ContextualStoryはストーリーの可視化と継続の両方で既存のSOTAメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-07-13T05:02:42Z)
• Make-A-Story: Visual Memory Conditioned Consistent Story Generation [57.691064030235985]
  本稿では,アクタと背景コンテキストを暗黙的にキャプチャするビジュアルメモリモジュールを備えた,自己回帰拡散に基づく新しいフレームワークを提案する。 本手法は,視覚的品質の高いフレーム生成において,先行技術よりも優れていた。 MUGEN, PororoSV, FlintstonesSVデータセット上でのストーリー生成実験により, この手法は, 視覚的品質の高いフレーム生成において, 先行技術よりも優れるだけでなく, キャラクタと背景との適切な対応をモデル化した。
  論文  参考訳（メタデータ） (2022-11-23T21:38:51Z)

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。