論文の概要: From Video Clips to Creation Trajectory: Sora100K for AI-Native Video Creation
- arxiv url: http://arxiv.org/abs/2610.11770v1
- Date: Thu, 08 Oct 2026 11:52:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.989807
- Title: From Video Clips to Creation Trajectory: Sora100K for AI-Native Video Creation
- Title（参考訳）: ビデオクリップから創造軌道へ:Sora100KによるAIネイティブビデオ作成
- Abstract要約: Sora100Kは、AI-Nativeビデオ作成ワークフローを構造化ビデオ作成路として表現している。
厳密な構築パイプラインは、ソースから編集までの系統、編集順序、中間映像状態を再構築する。
その結果、視覚的品質、マルチショット生成、クロスショット一貫性が改善された。
- 参考スコア（独自算出の注目度）: 31.396233454716995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-Native video creation is shifting from isolated video clips toward iterative video creation workflows. However, existing datasets remain largely video clips, representing video generation and editing as separate tasks rather than connected stages of a video creation workflow. In this paper, we introduce Sora100K, a dataset that represents the AI-Native video creation workflow as a structured video creation trajectory. Specifically, we first identify video creation trajectories and decompose them into three subsets according to their structural roles: text-to-video generation records as roots, single-turn video editing records as editing edges, and multi-turn video editing records as complete trajectories. Then, we use a VLM to assign semantic annotations for generation roots and editing-operation annotations for editing edges. A strict construction pipeline further reconstructs source-to-edit lineage, editing order, and intermediate video states while ensuring data quality. Finally, we perform lightweight adaptation on LTX-2 models to assess the supervision value of Sora100K. The results show improvements in visual quality, multi-shot generation, and cross-shot consistency, while successive-turn evaluation reveals that following multi-turn editing instructions remains challenging. Sora100K establishes a new data foundation for AI-Native video creation beyond isolated video clips and toward structured video creation trajectory. The dataset and supplementary materials are publicly available at https://huggingface.co/datasets/ysicong/Sora100K.
- Abstract（参考訳）: AI-Nativeビデオ作成は、分離されたビデオクリップから反復的なビデオ作成ワークフローへとシフトしつつある。
しかし、既存のデータセットの大部分はビデオクリップであり、ビデオ生成と編集をビデオ作成ワークフローの接続ステージではなく、別のタスクとして表現している。
本稿では,AI-Nativeビデオ生成ワークフローを構造化ビデオ生成路として表現したデータセットであるSora100Kを紹介する。
具体的には、まず、ビデオ生成トラジェクトリを識別し、それらの構造的役割に応じて3つのサブセットに分解する: テキストからビデオ生成レコードをルートとして、シングルターンビデオ編集レコードを編集エッジとして、マルチターンビデオ編集レコードを完全なトラジェクトリとして、。
次に、VLMを使用して、生成ルートに意味アノテーションを割り当て、エッジに編集操作アノテーションを割り当てます。
厳格な構築パイプラインは、データ品質を確保しつつ、ソースから編集までの系統、編集順序、中間映像状態を更に再構築する。
最後に,Sora100Kの監視値を評価するため,LTX-2モデルに対して軽量な適応を行う。
その結果, 映像品質, マルチショット生成, クロスショット一貫性が向上し, 連続したターン評価により, 追従するマルチターン編集命令は依然として困難であることが判明した。
Sora100Kは、孤立したビデオクリップを超えて、構造化されたビデオ生成軌道に向けて、AI-Nativeビデオ作成のための新しいデータ基盤を確立する。
データセットと補足資料はhttps://huggingface.co/datasets/ysicong/Sora100Kで公開されている。
関連論文リスト
- VideoX-Qwen: Data-Centric Instruction-Based Video Editing [34.02764351584346]
VideoX-Qwenは、一般的な命令ベースのビデオ編集のための統合データ構築およびモデルトレーニングフレームワークである。
主なタスクグループごとに40,000件の記録を含む120万件以上のビデオ編集記録を生成し、自動受入率は89%である。
プログレッシブ・イメージ・ビデオ・トレーニング戦略は、マルチモーダル・インストラクション・インタフェースを整列させ、映像生成装置をソース条件の編集に適応させ、選択された高解像度データで出力品質を改善させる。
論文 参考訳（メタデータ） (2026-09-22T11:18:56Z) - LIVE: Leveraging Image Manipulation Priors for Instruction-based Video Editing [45.1196749483108]
我々は,大規模で高品質な画像編集データをビデオデータセットとともに活用し,編集能力を増強する共同トレーニングフレームワークであるLIVEを提案する。
フレームワイドなトークンノイズ戦略を導入し、特定のフレームの潜伏を推論トークンとして扱い、大規模な事前学習ビデオ生成モデルを活用して、妥当な時間変換を生成する。
画像編集に多いが、既存のビデオデータセットでは不十分な60以上の課題を含む総合的な評価ベンチマークをキュレートする。
論文 参考訳（メタデータ） (2026-04-18T15:09:01Z) - 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) - EditVerse: Unifying Image and Video Editing and Generation with In-Context Learning [58.53074381801114]
イメージとビデオの生成と編集を単一のモデルで統合したフレームワークであるEditVerseを紹介する。
テキスト、画像、ビデオなどのすべてのモダリティを統一されたトークンシーケンスとして表現することで、EditVerseは、堅牢なインコンテキスト学習を実現するために自己アテンションを活用する。
多様なタスクや解像度をカバーする命令ベースのビデオ編集のための最初のベンチマークであるEditVerseBenchを紹介する。
論文 参考訳（メタデータ） (2025-09-24T17:59:30Z) - InsViE-1M: Effective Instruction-based Video Editing with Elaborate Dataset Construction [10.855393943204728]
高品質なインストラクションベースのビデオ編集データセットを,100万トリプル,すなわちInsViE-1Mで提示する。
高品質な画像から様々なビデオ編集三脚を生成しフィルタする。
実験では、InsViE-1Mデータセットの利点と、最先端の作業に対するトレーニングされたモデルが示されています。
論文 参考訳（メタデータ） (2025-03-26T07:30:58Z) - VEGGIE: Instructional Editing and Reasoning Video Concepts with Grounded Generation [70.87745520234012]
本稿では,VEGGIEを紹介する。VEGGIEは,多様なユーザインストラクションに基づいて,ビデオコンセプトの編集,グラウンド化,推論を統一する,シンプルなエンドツーエンドフレームワークである。
VEGGIEは、異なる編集スキルを持つ指導ビデオ編集において高い性能を示し、汎用モデルとして最高の指導ベースラインを達成している。
論文 参考訳（メタデータ） (2025-03-18T15:31:12Z) - InstructVid2Vid: Controllable Video Editing with Natural Language Instructions [97.17047888215284]
InstructVid2Vidは、人間の言語命令でガイドされたビデオ編集のためのエンドツーエンドの拡散ベースの方法論である。
我々のアプローチは、自然言語ディレクティブによって案内される映像操作を強化し、サンプルごとの微調整や逆変換の必要性を排除します。
論文 参考訳（メタデータ） (2023-05-21T03:28:13Z)
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。