論文の概要: ThinkV2V: Unleashing the Reasoning Capability of MLLMs for Instruction-Guided Video Editing

• arxiv url: http://arxiv.org/abs/2609.38541v1
• Date: Tue, 29 Sep 2026 20:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.733157
• Title: ThinkV2V: Unleashing the Reasoning Capability of MLLMs for Instruction-Guided Video Editing
• Title（参考訳）: ThinkV2V:インストラクションガイドによるビデオ編集のためのMLLMの推論機能公開
• Abstract要約: 複雑な命令誘導ビデオ編集のための推論駆動型フレームワークであるThinkV2Vを提案する。 ThinkV2Vのコアとなるのは、MLLM-to-DiTアーキテクチャを使って、ソースビデオに対する明示的な思考と命令を、ビデオ編集のための洗練されたコンディショニング信号に変換することだ。
• 参考スコア（独自算出の注目度）: 79.273093804857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instruction-guided video editing has made significant progress, yet existing methods use multimodal large language models (MLLMs) primarily as semantic encoders, so they often fall short in working with implicit edits that require causal or semantic reasoning. To bridge this fundamental gap in video editing, we propose ThinkV2V, a reasoning-driven framework for complex instruction-guided video editing, explicitly activating MLLM thinking before visual generation. At its core, ThinkV2V builds on a practical MLLM-to-DiT architecture to turn explicit thinking over the source video and instruction into refined conditioning signals for video editing. Further, we equip it with a dedicated training and inference recipe, combining Progressive Curriculum Training, which gradually cultivates the model from basic editing to reasoning-intensive cases, with Inference-Time Thinking Scaling, which iteratively refines candidate prompts and selects the most reliable one, to better elicit reasoning in challenging editing scenarios. We also curate the ThinkV2V-150K dataset and introduce ThinkV2V-Bench to support training and evaluation of video editing with implicit intent and causal reasoning. Experimental results demonstrate the state-of-the-art performance of ThinkV2V on both complex and standard editing scenarios, in which our 5B-scale DiT model substantially outperforms larger 10B-scale baselines.
• Abstract（参考訳）: 命令誘導型ビデオ編集は大きな進歩を遂げているが、既存の手法では主に意味エンコーダとしてマルチモーダルな大言語モデル(MLLM)を使用しているため、因果的または意味論的推論を必要とする暗黙的な編集では不十分であることが多い。 映像編集におけるこの根本的なギャップを埋めるため,複雑な指導誘導映像編集のための推論駆動フレームワークであるThinkV2Vを提案する。 ThinkV2Vのコアとなるのは、MLLM-to-DiTアーキテクチャを使って、ソースビデオに対する明示的な思考と命令を、ビデオ編集のための洗練されたコンディショニング信号に変換することだ。 さらに、基本的な編集から推論集約的なケースまでモデルを段階的に育成するプログレッシブカリキュラムトレーニングと、候補のプロンプトを反復的に洗練し、最も信頼性の高いものを選択する推論思考スケーリングを組み合わせることで、編集シナリオの難易度を高める。 また、ThinkV2V-150Kデータセットをキュレートし、ThinkV2V-Benchを導入し、暗黙の意図と因果推論によるビデオ編集のトレーニングと評価を支援する。 実験の結果,複雑な編集シナリオと標準編集シナリオの両方においてThinkV2Vの最先端性能が示され,我々の5BスケールのDiTモデルは10Bスケールのベースラインよりも大幅に優れていた。

関連論文リスト

• VLMs are Good Teachers for Video Reasoning via Adaptive Test-Time Optimization [34.39134324001484]
  視覚言語モデル(VLM)の役割を「教師」に移行させるパラダイムシフトを導入する。 VLMの教師は、タスク固有のルールを識別可能な報酬に抽出し、LoRAモジュールのテストタイムオンライン最適化を通じてVReasonerを定式化する。 この戦略は、適応的なテスト時間最適化を可能にし、Vの本質的な境界を越えて推論能力を拡張する。
  論文  参考訳（メタデータ） (2026-06-01T17:54:26Z)
• Reasoning to Align: Implicit Reasoning in Diffusion Transformers for Video Editing [55.211537893248675]
  本稿では,2つの補完コンポーネントを中心に構築された暗黙の推論ビデオ編集用DiTフレームワークであるRVEDiTを提案する。 RVEDiTは最先端のベースラインを一貫して上回り、特にローカライズされた編集や構成的な編集において大きな利益を得ている。
  論文  参考訳（メタデータ） (2026-05-23T17:22:14Z)
• VIVA: VLM-Guided Instruction-Based Video Editing with Reward Optimization [31.89256250882701]
  VIVAは命令ベースのビデオ編集のためのスケーラブルなフレームワークである。 VLM誘導符号化と報酬最適化を使用する。 そこで本研究では,VIVAが最先端の手法よりも優れた命令処理,一般化,品質の編集を実現していることを示す。
  論文  参考訳（メタデータ） (2025-12-18T18:58:42Z)
• ReViSE: Towards Reason-Informed Video Editing in Unified Models with Self-Reflective Learning [57.08352504712699]
  ビデオ統合モデルは、理解と生成において強力な能力を示すが、理性に富んだビジュアル編集に苦慮している。 本稿では,Reason-Informed Video Editing (RVE)タスクを紹介する。 一つのアーキテクチャ内で生成と評価を統一するフレームワークであるReViSEを提案する。
  論文  参考訳（メタデータ） (2025-12-10T18:57:09Z)
• ReasonEdit: Towards Reasoning-Enhanced Image Editing Models [60.902953259781675]
  一般的なアーキテクチャ設計では、多モード大言語モデル(MLLM)エンコーダと拡散デコーダを結合する。 MLLMの推論能力のアンロックは、編集モデルのバウンダリを押し上げることができることを示す。 提案フレームワークは,思考・編集・リフレクションループにおける画像編集を可能にする。
  論文  参考訳（メタデータ） (2025-11-27T17:02:48Z)
• Text-Driven Reasoning Video Editing via Reinforcement Learning on Digital Twin Representations [8.479321655643195]
  ビデオ編集モデルでは,編集対象を推測するマルチホップ推論によって暗黙的なクエリを解釈しなければならない。 RIVERは、空間的関係、時間的軌跡、意味的属性を保存したビデオコンテンツのデジタル双対表現を通じて生成から推論を分離する。 RIVERトレーニングは、推論精度と生成品質を評価する報酬付き強化学習を使用する。
  論文  参考訳（メタデータ） (2025-11-18T03:37:19Z)

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。