論文の概要: VINCIE-NExT: Unlocking Video Editing from Images via In-Context Modeling

• arxiv url: http://arxiv.org/abs/2610.12104v1
• Date: Thu, 08 Oct 2026 15:03:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.106849
• Title: VINCIE-NExT: Unlocking Video Editing from Images via In-Context Modeling
• Title（参考訳）: VINCIE-NExT:インコンテキストモデリングによる画像からの動画編集のロック解除
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.29261369333067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building a capable video editor remains significantly harder than a video generator: editing requires (source, instruction, edited) triplets that are prohibitively expensive to annotate and difficult to synthesize at scale, whereas image editing has already reached maturity with millions of such pairs readily available. In this work, we introduce VINCIE-NExT, a unified framework that transfers editing capability from images to videos through in-context visual demonstrations, alleviating the need for large-scale paired video editing data. VINCIE-NExT decomposes video editing into a structured chain of composable sub-tasks (Video -> Image -> Image -> Video), routing editing intent through the image domain and enabling scalable joint training from heterogeneous image and video corpora under a unified diffusion objective. An image editing pair, synthesized by the model or supplied by the user, is prepended as an in-context visual demonstration that serves as a spatial appearance blueprint for every output frame. To ground appearance edits across the interleaved context, we introduce a novel position encoding that links image demonstrations and video frames in a shared spatial coordinate system, enabling pixel-faithful propagation of appearance changes to every output frame. Chain-of-Editing further provides principled test-time scaling: by executing the sub-task chain as progressive diffusion stages, editing quality can be improved by investing additional compute without retraining. Comprehensive experiments on OpenVE-Bench demonstrate the state-of-the-art performance across diverse editing categories, with ablations confirming the effectiveness of each component.
• Abstract（参考訳）: 編集には非常に高価な(ソース、インストラクション、編集)三つ子が必要であるが、画像編集は数百万のペアで既に成熟している。 本研究では,画像からビデオへの編集機能をテキスト内ビジュアルなデモを通じて伝達する統合フレームワークであるVINCIE-NExTを紹介し,大規模なペアビデオ編集データの必要性を軽減した。 VINCIE-NExTは、ビデオ編集を構成可能なサブタスク(ビデオ ->画像 ->画像 ->映像)の構造化連鎖に分解し、画像領域を介して編集意図をルーティングし、統一拡散目的の下で異種画像とビデオコーパスからのスケーラブルな共同トレーニングを可能にする。 モデルにより合成またはユーザによって提供される画像編集対は、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プションされる。 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たな位置符号化を導入し,各出力フレームに対する外観変化の画素忠実な伝播を可能にする。 サブタスクチェーンをプログレッシブ拡散段階として実行することにより、再トレーニングなしに追加の計算に投資することで、編集品質を向上させることができる。 OpenVE-Benchに関する総合的な実験では、さまざまな編集カテゴリにわたる最先端のパフォーマンスが実証され、各コンポーネントの有効性が確認されている。

関連論文リスト

• Transforming Image Editors into Video Editors [25.943590278301183]
  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。
  論文  参考訳（メタデータ） (2026-10-08T00:43:09Z)
• 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)
• FlowMimic: Mask-free Visual Editing and Generation with Pixel-pair Warped Flow Field for Online Video Editing Data Generation and Modality Mimicry [3.8989988029821396]
  単一モデルにおける映像・映像のモダリティ生成と編集の両機能の統合について検討する。 我々は,画像編集サンプルから対応する映像編集サンプルを直接リアルタイムで生成できる画素対時整流場を開発した。
  論文  参考訳（メタデータ） (2026-07-20T17:58:03Z)
• 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)
• 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)

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。