論文の概要: DeOverlay: A Benchmark and Source-Anchored Flow for Video Overlay Removal
- arxiv url: http://arxiv.org/abs/2610.26081v1
- Date: Mon, 19 Oct 2026 09:39:06 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:15:54.774309
- Title: DeOverlay: A Benchmark and Source-Anchored Flow for Video Overlay Removal
- Title（参考訳）: DeOverlay: ビデオオーバーレイ削除のためのベンチマークとソースアンコールフロー
- Abstract要約: ビデオオーバーレイ削除は、周囲のコンテンツを保存しながら、字幕、タイトル、ロゴで隠されたシーンを復元することを目的としている。
DeOverlayはソースアンコールフローモデルであり,ソースラテントからのクリーンな映像を固定したソースガイダンスで再構成する。
- 参考スコア（独自算出の注目度）: 15.965929603286208
- License:
- Abstract: Video overlay removal aims to recover scenes obscured by subtitles, titles, and logos while preserving surrounding content. Existing methods use temporal propagation or source-conditioned generation, but can leave residual overlays and distort scene structure when useful source information is obscured. We propose DeOverlay, a source-anchored flow model that reconstructs the clean video from the source latent with fixed source guidance. Specifically, we train a shared velocity network along paired source-to-clean paths using region-weighted flow matching, enabling successive cor- rections from intermediate states. To select local source cues, we develop visibility-normalized temporal aggregation that excludes masked positions and averages the remaining observations. Global source context and edit-region embeddings complement these cues through additive condi- tioning, retaining a single video-token sequence. To evaluate scene recovery across diverse overlay conditions, we introduce DVTE-Bench, comprising 1,631 paired videos across eight text-overlay categories, with OCR-screened clean targets, frame-aligned pixel masks, and a common evaluation protocol. Experiments on the complete release show that DeOverlay outperforms four baselines on all five reconstruction and perceptual metrics, reducing Mask LPIPS and Mask VFID by 58.3% and 70.3%, respectively, relative to the strongest evaluated baseline. Additional qualitative examples demonstrate the removal of graphic logos and stickers. We will make the complete benchmark, evaluation code, and test outputs availabl. Project page:https://yahooo-m.github.io/DVTE-Bench/
- Abstract（参考訳）: ビデオオーバーレイ削除は、周囲のコンテンツを保存しながら、字幕、タイトル、ロゴで隠されたシーンを復元することを目的としている。
既存の手法では、時間的伝播やソース条件付き生成を用いるが、有用なソース情報が隠蔽された場合、残余オーバーレイや歪んだシーン構造を残すことができる。
DeOverlayはソースアンコールフローモデルであり,ソースラテントからのクリーンな映像を固定したソースガイダンスで再構成する。
具体的には、領域重み付きフローマッチングを用いて、ペア化されたソースとクリーンの経路に沿って共有速度ネットワークをトレーニングし、中間状態から連続的なコーレーションを可能にする。
局所的な情報源を選択するために,マスク位置を除外し,残りの観測値を平均化する可視正規化時間アグリゲーションを開発する。
グローバルソースのコンテキストと編集領域の埋め込みは、付加的なコンディオンティングを通じてこれらのキューを補完し、単一のビデオトーケンシーケンスを保持する。
様々なオーバレイ条件のシーンリカバリを評価するため,OCRスクリーンのクリーンターゲット,フレーム整列画素マスク,共通評価プロトコルを備えたDVTE-Benchを8つのテキストオーバレイカテゴリに1,631本搭載したDVTE-Benchを導入する。
完全なリリースの実験では、DeOverlayは5つの再建基準と知覚基準で4つのベースラインを上回り、最も評価の高いベースラインと比較して、Mask LPIPSとMask VFIDを58.3%、70.3%削減した。
その他の定性的な例は、グラフィックロゴとステッカーの除去を示している。
完全なベンチマーク、評価コード、テストアウトプットを有効にします。
プロジェクトページ:https://yahooo-m.github.io/DVTE-Bench/
関連論文リスト
- MFVSR: A Multi-Style and Fine-Grained Benchmark for Video Subtitle Removal [24.646566263698745]
MFVSRは信頼性を考慮したビデオ字幕削除評価のための大規模ベンチマークである。
MFVSRは、Real-HQ、Real-LQ、AI生成ソースの3000のペアビデオで構成され、現実世界のカバレッジ分析のために、953の実際のビデオの補助セットで構成されている。
論文 参考訳（メタデータ） (2026-10-13T14:27:22Z) - Enhancing Long-Video VLM Embeddings with Query-Aware Streaming Latent Reasoning [48.92009312610144]
長いビデオの埋め込みには、限られた視覚的な予算の下で、スパースクエリ関連エビデンスをキャプチャする必要がある。
textbfQuery-Aware Streaming Latent Reasoning (QASLR)を紹介する。
QASLRはフレームの有界集合を選択し、時間順を復元し、ヴィジュアル言語によるバックボーンでクリップで処理する。
論文 参考訳（メタデータ） (2026-10-04T02:05:48Z) - Perceptual Refinement of an End-to-End Video Streaming Pipeline via Generative AI Layers [9.347197482893113]
本稿では, 破壊的ブロック除去を除去性マスクの下で適応的な内部劣化に置き換えるPreSLEYを提案する。
問題を3つの目標に分けます。どのブロックを分解するかを選択し、分散させ、エンコーダがビット数を減らし、復元するのです。
論文 参考訳（メタデータ） (2026-09-16T12:33:08Z) - ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation [69.45329019089041]
マルチショットビデオ外挿(マルチショットビデオ外挿、Multi-Shot Video Extrapolation、MSVE)は、観察されたフレームまたはクリップを撮影的に構造化された一連のショットに拡張するタスクである。
MSVEは、長ビデオの障害は単にコンテキスト長の制限ではなく、コンテキスト割り当ての障害であることを明らかにした。
本稿では,再帰的コンテキスト割当(Recursive Context Allocation, ReCA)を提案する。
論文 参考訳（メタデータ） (2026-05-26T04:16:56Z) - Denoise-then-Retrieve: Text-Conditioned Video Denoising for Video Moment Retrieval [21.98012334983341]
現在のテキスト駆動のVideo Moment Retrieval(VMR)メソッドは、無関係なものを含むすべてのビデオクリップをエンコードし、マルチモーダルアライメントを妨害し、最適化を妨げる。
そこで本稿では,ビデオからテキスト非関連クリップを明示的にフィルタリングし,目的モーメントを精製したマルチモーダル表現を用いて検索する手法を提案する。
論文 参考訳（メタデータ） (2025-08-15T08:34:05Z) - RefTok: Reference-Based Tokenization for Video Generation [21.704656638282806]
RefTokは、複雑な時間的ダイナミクスとコンテキスト情報をキャプチャできる新しい参照ベースのトークン化手法である。
提案手法は,未知の参照フレームに条件付きフレームの集合を符号化し,デコードする。
復号化時には、RefTokは動きの連続性とフレーム間のオブジェクトの出現を保存する。
論文 参考訳（メタデータ） (2025-07-03T17:59:55Z) - Temporal-consistent CAMs for Weakly Supervised Video Segmentation in Waste Sorting [14.324826668510504]
本稿では,ビデオストリームの場合のセマンティックセグメンテーションのための正確なマスクを生成することができるWS手法を提案する。
ビデオ内の連続するフレーム間の時間的コヒーレンスを利用して、サリエンシマップを構築する。
我々は,映像セグメント化を弱めに制御する,ムダソーシングのシナリオに適用する。
論文 参考訳（メタデータ） (2025-02-03T15:43:33Z) - Reuse and Diffuse: Iterative Denoising for Text-to-Video Generation [92.55296042611886]
リユースとディフューズ”と呼ばれるフレームワークを$textitVidRD$と名づけて提案する。
また、既存の複数のデータセットからの多様なコンテンツを含むビデオテキストデータを構成するための一連の戦略を提案する。
論文 参考訳（メタデータ） (2023-09-07T08:12:58Z) - RIGID: Recurrent GAN Inversion and Editing of Real Face Videos [73.97520691413006]
GANのインバージョンは、実画像に強力な編集可能性を適用するのに不可欠である。
既存のビデオフレームを個別に反転させる手法は、時間の経過とともに望ましくない一貫性のない結果をもたらすことが多い。
我々は、textbfRecurrent vtextbfIdeo textbfGAN textbfInversion and etextbfDiting (RIGID) という統合されたリカレントフレームワークを提案する。
本フレームワークは,入力フレーム間の固有コヒーレンスをエンドツーエンドで学習する。
論文 参考訳（メタデータ） (2023-08-11T12:17:24Z) - Attention-guided Temporal Coherent Video Object Matting [78.82835351423383]
本稿では,時間的コヒーレントなマッチング結果が得られる深層学習に基づくオブジェクトマッチング手法を提案する。
中心となるコンポーネントは、画像マッチングネットワークの強度を最大化するアテンションベースの時間アグリゲーションモジュールである。
本稿では,最先端のビデオオブジェクトセグメンテーションネットワークを微調整することで,トリマップ生成問題を効果的に解決する方法を示す。
論文 参考訳（メタデータ） (2021-05-24T17:34:57Z)
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。