論文の概要: ViTeX-Bench: Benchmarking High-Fidelity Video Scene Text Editing

• arxiv url: http://arxiv.org/abs/2609.40356v1
• Date: Wed, 30 Sep 2026 17:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.351901
• Title: ViTeX-Bench: Benchmarking High-Fidelity Video Scene Text Editing
• Title（参考訳）: ViTeX-Bench: 高忠実度ビデオシーンテキスト編集のベンチマーク
• Abstract要約: 映像シーンのテキスト編集は、高い視覚的品質、時間的整合性を実現し、局所性は未探索のままである。 Vi-Datasetと3軸評価プロトコルを組み合わせたベンチマークスイートであるVi-Benchを紹介する。 テキストの正確性,視覚的品質,時間的品質を評価し,13の指標を用いて局所性を編集する。
• 参考スコア（独自算出の注目度）: 22.01755887859746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent video generation is increasingly realistic and controllable, yet video editing remains less developed, particularly for precise local edits that must preserve the original scene dynamics. Video scene text editing replaces text on scene surfaces, such as storefront signs, whiteboards, and product labels, while preserving the surrounding content, motion, and camera dynamics. Although scene text editing is well studied for images, video scene text editing that achieves high visual quality, temporal consistency, and edit locality remains underexplored. Existing resources offer limited paired real-video data, and general video-editing metrics do not directly measure whether the requested text remains correct over time. We introduce ViTeX-Bench, a benchmark suite comprising ViTeX-Dataset and a three-axis evaluation protocol. The dataset contains 387 real-world 720p videos with text-region masks and editing instructions: 230 provide reviewed, pipeline-generated paired edits for training, and 157 form a frozen evaluation split. The protocol evaluates text correctness, visual and temporal quality, and edit locality through 13 metrics, with one primary metric per axis and a Pareto comparison of their trade-offs. OCR calibration, human evaluation, and annotation-sensitivity analyses support the interpretation of these scores. Across eight baselines from four editing families, accurate text, temporal stability, and scene preservation remain difficult to achieve together. We also release ViTeX-Edit-14B, an open-source reference editor fine-tuned on the paired training split with motion-aligned glyph-video conditioning. It achieves CharAcc 0.688, the highest mean among the evaluated video-native editors, and the lowest comparable text-crop Warp among raw editor outputs. ViTeX-Bench provides a reproducible foundation for studying these trade-offs in video scene text editing.
• Abstract（参考訳）: 最近のビデオ生成はますます現実的で制御可能になっているが、ビデオ編集は発展していない。 ビデオシーンのテキスト編集は、店頭標識、ホワイトボード、製品ラベルなどのシーン表面のテキストを置き換えると同時に、周囲のコンテンツ、モーション、カメラのダイナミックスを保存する。 シーンテキスト編集は画像に対してよく研究されているが,映像品質,時間的整合性,局所性などを実現するビデオシーンテキスト編集はいまだ検討されていない。 既存のリソースは、限られたペアのリアルタイムビデオデータを提供しており、一般的なビデオ編集メトリクスは、要求されたテキストが時間とともに正しいかどうかを直接測定しない。 本稿では,ViTeX-Datasetと3軸評価プロトコルを組み合わせたベンチマークスイートであるViTeX-Benchを紹介する。 データセットには、テキストリージョンマスクと編集命令を備えた387の現実世界の720pビデオが含まれている。 このプロトコルはテキストの正確性、視覚的品質、時間的品質を評価し、13のメトリクスを通して局所性を編集する。 OCR校正、人的評価、アノテーション感受性分析はこれらのスコアの解釈を支援する。 4つの編集ファミリーの8つのベースライン、正確なテキスト、時間的安定性、シーン保存は、共に達成することが難しいままである。 また、モーションアラインなグリフ・ビデオ・コンディショニングとペア・トレーニング・スプリットを微調整したオープンソースのリファレンス・エディタであるViTeX-Edit-14Bをリリースする。 CharAcc 0.688は、評価されたビデオネイティブエディタの中では最高値であり、生のエディタ出力では最下位のテキストクロップワープである。 ViTeX-Benchは、ビデオシーンのテキスト編集においてこれらのトレードオフを研究するための再現可能な基盤を提供する。

関連論文リスト

• Beyond Legibility: Benchmarking Visual Text Rendering and In-Place Editing in Unified Video Generation [12.560280216804706]
  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。
  論文  参考訳（メタデータ） (2026-09-29T03:17:09Z)
• 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)
• 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)
• EasyV2V: A High-quality Instruction-based Video Editing Framework [108.78294392167017]
  キャプションemphEasyV2Vは、命令ベースのビデオ編集のためのフレームワークである。 EasyV2Vは、例えば video+text、 video+mask+reference+、最先端のビデオ編集結果などの柔軟な入力で動作する。
  論文  参考訳（メタデータ） (2025-12-18T18:59:57Z)
• VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing [91.60658973688996]
  我々は,グローバルなローカルビデオ編集のための統合ビデオ適応フレームワークであるVIAを導入し,一貫したビデオ編集の限界を推し進める。 本研究では,各フレーム内の局所的な一貫性を確保するため,事前学習した画像編集モデルに適応するテスト時間編集適応を設計した。 また,VIAは長時間の映像編集を一貫した時間で行うことができ,ビデオ編集作業が長続きする可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2024-06-18T17:51:37Z)
• TIP-Editor: An Accurate 3D Editor Following Both Text-Prompts And Image-Prompts [119.84478647745658]
  TIPEditorは、テキストと画像プロンプトの両方を受け入れる3Dシーン編集フレームワークであり、編集領域を指定するための3Dバウンディングボックスである。 TIP-Editorはテキストと画像のプロンプトに従って、指定されたバウンディングボックス領域で正確な編集を行うことを示した。
  論文  参考訳（メタデータ） (2024-01-26T12:57:05Z)
• VidEdit: Zero-Shot and Spatially Aware Text-Driven Video Editing [18.24307442582304]
  ゼロショットテキストベースのビデオ編集のための新しい方法であるVidEditを紹介する。 実験の結果,VidEditはDAVISデータセット上で最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-14T19:15:49Z)

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。