論文の概要: Transforming Image Editors into Video Editors
- arxiv url: http://arxiv.org/abs/2610.11037v1
- Date: Thu, 08 Oct 2026 00:43:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.715551
- Title: Transforming Image Editors into Video Editors
- Title（参考訳）: 画像エディタをビデオエディタに変換する
- Abstract要約: 我々は、強力な画像エディタをアンカーベース生成によりビデオエディタに変換する。
デザインは、高価なエンドツーエンドのビデオ編集トレーニングを避けながら、モダンなイメージエディタの強みを直接継承する。
- 参考スコア（独自算出の注目度）: 25.943590278301183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent image editing systems have achieved impressive semantic understanding, visual fidelity, and instruction-following ability, while video editing remains substantially more difficult and costly. In this paper, we present a simple alternative to end-to-end video editing: instead of training a monolithic video editor, we transform a strong image editor into a video editor through anchor-based generation. Our key insight is that video editing can be decomposed into two subproblems: editing a sparse set of keyframes and propagating those edits across time. Based on this observation, we propose Anchor-based Video Editing (AVE), a two-stage framework in which a powerful image editor first performs composed editing on selected keyframes, and a motion-guided image-to-video diffusion model then generates the final video by treating the edited keyframes as fixed anchors. This design directly inherits the strengths of modern image editors while avoiding expensive end-to-end video editing training. Experiments on IVEBench and VIE-Bench show that AVE achieves strong performance in instruction following, temporal consistency, and content fidelity. Further ablations reveal that final video editing quality is strongly correlated with the quality of the image editor, suggesting that future progress in video editing may come from stronger image editing foundations and lightweight transfer to video. Code is available at https://github.com/wangf3014/AVE.
- Abstract（参考訳）: 最近の画像編集システムは印象的なセマンティック理解、視覚的忠実度、命令追従能力を実現しているが、ビデオ編集はより困難でコストがかかるままである。
本稿では、モノリシックなビデオエディタをトレーニングする代わりに、アンカーベースの生成により、強力な画像エディタをビデオエディタに変換する。
私たちの重要な洞察は、ビデオ編集を2つのサブプロブレムに分解できるということです。
そこで本稿では,Anchor-based Video Editing (AVE) という,強力な画像エディタが選択したキーフレーム上で合成編集を行うための2段階のフレームワークを提案する。
この設計は、高価なエンドツーエンドのビデオ編集トレーニングを回避しつつ、最新の画像エディタの強みを直接継承する。
IVEBench と VIE-Bench の実験により,AVE は命令の追従,時間的整合性,内容の忠実性において高い性能を発揮することが示された。
さらに、最終的な映像編集品質は、画像エディターの品質と強く相関していることが示され、ビデオ編集の今後の進歩は、より強力な画像編集基盤と、ビデオへの軽量な転送によってもたらされる可能性があることが示唆された。
コードはhttps://github.com/wangf3014/AVEで入手できる。
関連論文リスト
- VINCIE-NExT: Unlocking Video Editing from Images via In-Context Modeling [67.29261369333067]
画像からビデオへ編集機能を変換する統合フレームワークであるVINCIE-NExTを,テキスト内ビジュアルデモを通じて導入する。
画像編集対は、各出力フレームの空間的な外観ブループリントとして機能する、コンテキスト内視覚実証としてプリペアされる。
本研究では,空間座標系における画像のデモと映像フレームをリンクする新しい位置符号化手法を提案する。
論文 参考訳（メタデータ） (2026-10-08T15:03:48Z) - Instruction-Based Video Editing by Repurposing an Image Editing Model [55.9214783600876]
そこで本研究では,ビデオVAEラテントを直接操作することで,強力な命令ベースの画像編集モデルで映像を編集可能であることを示す。
以上の結果から,ビデオ潜在空間のトレーニングに多大な投資をしているにもかかわらず,フレームごとのラテントは画像領域に十分近いままであり,画像編集の事前転送が最小限に抑えられることが示唆された。
論文 参考訳（メタデータ） (2026-08-14T18:01:29Z) - InsEdit: Towards Instruction-based Visual Editing via Data-Efficient Video Diffusion Models Adaptation [47.1844759979843]
本稿では,HunyuanVideo-1.5をベースとしたインストラクションベースの編集モデルであるInsEditを紹介する。
InsEditは、Mutual Context Attention (MCA)に基づくビジュアル編集アーキテクチャとビデオデータパイプラインを組み合わせる
InsEditは,O(100)Kビデオ編集データのみを用いて,我々のビデオ命令編集ベンチマークにおけるオープンソース手法の最先端結果を実現する。
論文 参考訳（メタデータ） (2026-04-09T17:59:02Z) - 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)
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。