論文の概要: Beyond Legibility: Benchmarking Visual Text Rendering and In-Place Editing in Unified Video Generation

• arxiv url: http://arxiv.org/abs/2609.36598v2
• Date: Wed, 30 Sep 2026 06:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.150784
• Title: Beyond Legibility: Benchmarking Visual Text Rendering and In-Place Editing in Unified Video Generation
• Title（参考訳）: 可視性を超えて: 統一ビデオ生成におけるビジュアルテキストレンダリングとページ内編集のベンチマーク
• Abstract要約: VidScribeは4世代にわたる統一診断ベンチマークである。 VidScribeは、12軸条件因子空間上の803の人間認証サンプルを含んでいる。 11の商用およびオープンソースシステムのベンチマークでは、ビデオテキスト機能はモノリシックではないことが示されている。
• 参考スコア（独自算出の注目度）: 12.560280216804706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A video can exhibit convincing motion and photorealism yet fail immediately when visual text collapses. Unlike generic scene content, visual text is unforgiving in video generation: minor stroke corruption, temporal instability, or editing errors instantly break legibility and realism. Existing benchmarks overlook this challenge by treating text as incidental or using static OCR metrics that ignore temporal dynamics. We introduce VidScribe, a unified diagnostic benchmark spanning four generation regimes: writing from language (T2V), transferring text identity from a reference (R2V), sustaining text under dynamics (I2V), and localized text editing (V2V). VidScribe contains 803 human-verified samples across a 12-axis conditionally orthogonal factor space covering Intrinsic Text Properties, Physical Imaging Conditions, and Temporal Behavior. For reliable evaluation, we build a track-grounded, gated suite with 11 shared metrics and 2 task-specific probes under strict measurability conditions. Benchmarking 11 commercial and open-source systems shows that video text capability is non-monolithic, with content recognition decoupled from stroke-level glyph correctness. Performance is highly task-asymmetric: I2V sustains text most reliably, whereas V2V editing is the primary bottleneck. Counter-intuitively, degradation concentrates on a small subset of text-centric structural and temporal factors rather than adverse imaging conditions. Further probes show that visual references improve glyph and typographic fidelity rather than content accuracy, while localized editing fails to isolate target text without corrupting undeclared source text. Beyond evaluation, VidScribe also provides an actionable training signal, where benchmark-aligned preference optimization measurably improves visual text generation. https://huggingface.co/datasets/Vicky0720/VidScribe.
• Abstract（参考訳）: ビデオは、説得力のある動きとフォトリアリズムを示すことができるが、ビジュアルテキストが崩壊するとすぐに失敗する。 一般的なシーンコンテンツとは違って、ビジュアルテキストはビデオ生成において、小さなストロークの腐敗、時間的不安定性、あるいはエラーの編集は、即ち正当性と現実主義を損なう。 既存のベンチマークでは、テキストをインシデントとして扱うか、時間的ダイナミクスを無視した静的なOCRメトリクスを使用することで、この課題を見落としている。 言語からの書き込み(T2V)、参照からのテキストアイデンティティの転送(R2V)、動的テキストの持続(I2V)、局所テキスト編集(V2V)の4世代体制にまたがる統一的な診断ベンチマークであるVidScribeを紹介する。 VidScribeは、本質的なテクスト特性、物理的イメージング条件、時間的行動をカバーする12軸の条件付き直交因子空間に803人の検証されたサンプルを含んでいる。 信頼性評価のために、厳密な測定条件下で11の共有メトリクスと2つのタスク固有のプローブを備えたトラックグラウンドでゲートされたスイートを構築した。 11の商用およびオープンソースシステムのベンチマークでは、ビデオテキスト機能はモノリシックではないことが示され、コンテンツ認識はストロークレベルのグリフの正しさから切り離されている。 I2Vはテキストを最も確実に維持するが、V2V編集は主要なボトルネックである。 逆故意に、劣化は、悪い画像条件ではなく、テキスト中心の構造的および時間的要因の小さなサブセットに集中する。 さらなる調査では、視覚的参照はコンテンツ精度よりもグリフやタイポグラフィーの忠実度を向上するが、局所的な編集は未宣言のソーステキストを破損させることなくターゲットテキストを分離することができない。 評価以外にも、VidScribeは、アクティブルなトレーニング信号を提供する。 https://huggingface.co/datasets/Vicky0720/VidScribe

関連論文リスト

• Enhanced Video Text Editing with Trajectory-Aligned Glyph Rendering [19.845160562827473]
  ビデオテキスト編集は、ビデオの残りの部分をそのままにしながら、ビデオにテキストを置き換えたり追加することを目的としている。 テキストの位置と視点に従って,フレーム単位のグリフガイダンスを明示的に提供するトラジェクトリ整列グリフ描画参照を提案する。 VTEditは、テキスト置換とテキスト追加を含む440の注釈付きテキストトラジェクトリを備えた、288のリアルタイムクリップのベンチマークである。
  論文  参考訳（メタデータ） (2026-09-28T02:57:28Z)
• SteerVTE: Seamless Video Text Editing with Style and Glyph Control [37.44272702473038]
  ビデオテキスト編集は、小さなテキスト領域内でストロークレベルの精度を要求するローカライズされたタスクである。 本稿では,フリーズビデオ拡散モデルに基づく統合フレームワークであるSteerVTEを紹介する。 SteerVTEはテキストの精度、スタイルの整合性、時間的コヒーレンスなど、既存のビデオ編集のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-06-22T12:37:15Z)
• TextSculptor: Training and Benchmarking Scene Text Editing [88.11688559021628]
  データ構築とシーンテキスト編集評価のための総合的なフレームワークであるTextSculptorを提案する。 TextSculptorはオープンソースのテキスト編集性能を改善し、プロプライエタリなモデルとのギャップを狭める。
  論文  参考訳（メタデータ） (2026-05-20T12:22:26Z)
• TextGuider: Training-Free Guidance for Text Rendering via Attention Alignment [68.91073792449201]
  そこで本研究では,テキストの正確かつ完全な出現を促すトレーニング不要な方法であるTextGuiderを提案する。 具体的には,多モード拡散変換器(MM-DiT)モデルにおける注意パターンを解析し,特に画像に描画することを意図したテキスト関連トークンについて検討する。 テスト時間テキストレンダリングでは,OCR精度とCLIPスコアが大幅に向上し,高い結果が得られた。
  論文  参考訳（メタデータ） (2025-12-10T06:18:30Z)
• STELLAR: Scene Text Editor for Low-Resource Languages and Real-World Data [3.622341086373503]
  Scene Text Editor for Low-Resource LAnguages and Real-world data。 STELLARは、言語適応型グリフエンコーダとマルチステージトレーニング戦略を通じて、信頼できる多言語編集を可能にする。 また,STIPLAR(Scene Text Image Pairs of Low-Resource lAnguages and Real-world data)という新たなデータセットを構築し,評価を行った。
  論文  参考訳（メタデータ） (2025-11-13T05:18:03Z)
• VideoRepair: Improving Text-to-Video Generation via Misalignment Evaluation and Localized Refinement [63.4357918830628]
  VideoRepairは、モデルに依存しない、トレーニングなしのビデオリファインメントフレームワークである。 微粒なテキストビデオの誤りを特定し、明示的な空間的およびテキスト的フィードバックを生成する。 VideoRepairは、テキストとビデオのアライメントの指標で、最近のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-11-22T18:31:47Z)
• SwinTextSpotter v2: Towards Better Synergy for Scene Text Spotting [121.44909266398194]
  我々はSwinTextSpotter v2と呼ばれる新しいエンドツーエンドのシーンテキストスポッティングフレームワークを提案する。 我々は,新しい認識変換モジュールと認識アライメントモジュールを用いて,2つのタスク間の関係を強化する。 SwinTextSpotter v2は、様々な多言語(英語、中国語、ベトナム語)のベンチマークで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-01-15T12:33:00Z)
• Towards Generalisable Video Moment Retrieval: Visual-Dynamic Injection to Image-Text Pre-Training [70.83385449872495]
  映像モーメント検索(VMR)における視覚とテキストの相関 既存の方法は、視覚的およびテキスト的理解のために、個別の事前学習機能抽出器に依存している。 本稿では,映像モーメントの理解を促進するために,ビジュアルダイナミックインジェクション(Visual-Dynamic Injection, VDI)と呼ばれる汎用手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T19:29:05Z)

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。