論文の概要: Edited Endpoints as Partial Goals for Image-to-Video Generation

• arxiv url: http://arxiv.org/abs/2610.39179v1
• Date: Thu, 29 Oct 2026 02:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 07:36:58.129922
• Title: Edited Endpoints as Partial Goals for Image-to-Video Generation
• Title（参考訳）: 画像・映像生成のための部分ゴールとしての編集エンドポイント
• Abstract要約: 我々は、ハードカット(HC)による不連続性、背景運動反転(BMR)による後期背景逆転、動的Degree(DD)による運動抑制を測定する。 画像編集者の注意力から推定される編集関連領域のみを制約する選択的条件付け手法であるPartialについて検討する。 ドナー・コンテキストの介入はフルフレームの条件を維持し、編集関連領域外のコンテキストのみを部分ビデオの最終フレームに置き換える。
• 参考スコア（独自算出の注目度）: 5.291480538438541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edited endpoint images make the target of an image-to-video transition explicit and can improve transition completion, but also preserve context in the source image's layout. Full-frame endpoint conditioning turns this preserved context into requirements on the video's final state, potentially inducing temporal artifacts. We measure discontinuity with Hard-Cut (HC), late background reversal with Background Motion Reversal (BMR), and motion suppression with Dynamic Degree (DD). These artifacts appear across five video models spanning training-free and learned endpoint conditioning, in model-specific forms. We study Partial, a selective conditioning scheme that constrains only an edit-relevant region estimated from image-editor attention and leaves the remaining terminal content to the video model. Across three backbones on TC-Bench-I2V, Partial reduces temporal artifacts relative to full-frame conditioning, with no significant difference in Transition Completion Ratio (TCR); on Wan2.2-Turbo, uniformly weakening conditioning does not reproduce these reductions. A donor-context intervention keeps full-frame conditioning and replaces only the context outside the edit-relevant region with the final frame of a Partial video. It lowers HC and BMR on HunyuanVideo-1.5 and lowers BMR while restoring DD on Wan2.2-Turbo, with no significant difference in TCR, so constraint extent alone does not account for these artifacts. Together, these findings suggest that edited endpoints should serve as partial future goals, although edit relevance does not guarantee future validity. Code and data will be released at https://github.com/wannagetacat/Edited-Endpoints-I2V.
• Abstract（参考訳）: 編集されたエンドポイントイメージは、画像間遷移のターゲットを明確にし、遷移完了を改善するだけでなく、ソースイメージのレイアウトのコンテキストも保持する。 フルフレームのエンドポイント条件付けは、保存されたコンテキストをビデオの最終状態の要件に変換し、時間的アーティファクトを誘発する可能性がある。 我々は、Hard-Cut (HC) による不連続性、バックグラウンドモーションリバーサル (BMR) による後期背景逆転、動的Degree (DD) による運動抑制を測定する。 これらのアーティファクトは、トレーニング不要で学習されたエンドポイントコンディショニングにまたがる5つのビデオモデルに、モデル固有の形式で表示される。 画像編集者の注意から推定される編集関連領域のみを制約し、残りの端末内容はビデオモデルに委ねる選択的条件付け手法であるPartialについて検討する。 TC-Bench-I2V上の3つのバックボーンは、部分的にフルフレームコンディショニングに対する時間的アーティファクトを減少させるが、トランジッションコンプリート比(TCR)に大きな差はない。 ドナー・コンテキストの介入はフルフレームの条件を維持し、編集関連領域外のコンテキストのみを部分ビデオの最終フレームに置き換える。 HunyuanVideo-1.5ではHCとBMRを低下させ、Wan2.2-TurboではDDを回復させながらBMRを低下させる。 これらの結果は、編集されたエンドポイントが将来の部分的な目標として機能することが示唆されているが、編集関連性は将来の妥当性を保証するものではない。 コードとデータはhttps://github.com/wannagetacat/Edited-Endpoints-I2Vで公開される。

関連論文リスト

• ChordVideo: One-Step, Training-Free, Temporally Consistent Video Editing via Low-Energy Transport [0.8460698440162889]
  ChordEditは、サンプリング時間に沿って低エネルギースムースにすることで、このような編集を安定化させるが、時間的なフリッカと編集強度のドリフトを生成する。 我々は、同じ低エネルギーの原理を共有ノイズ、フレーム単位のコードフィールドの運動整合因果集約、オプションの時間的スムーズな補正を通じてビデオ時間に拡張するtextbfChordVideoを紹介した。 ワンステップバックボーンが2つあるTGVE/DAVISでは、CordVideoがtextbf78%でワープエラーを減らし、textbf49%でflickerを減らし、テキストによるCLIPフレームの整合性を改善する
  論文  参考訳（メタデータ） (2026-08-01T17:03:07Z)
• Reasoning to Align: Implicit Reasoning in Diffusion Transformers for Video Editing [55.211537893248675]
  本稿では,2つの補完コンポーネントを中心に構築された暗黙の推論ビデオ編集用DiTフレームワークであるRVEDiTを提案する。 RVEDiTは最先端のベースラインを一貫して上回り、特にローカライズされた編集や構成的な編集において大きな利益を得ている。
  論文  参考訳（メタデータ） (2026-05-23T17:22:14Z)
• Gradual Residuals Alignment: A Dual-Stream Framework for GAN Inversion and Image Attribute Editing [36.01737879983636]
  GANベースの画像編集は、まずGAN Inversionを利用して、実際の画像をGANの潜時空間に投影し、対応する潜時符号を操作する。 近年のインバージョン法は, 画像の保存性を高めるために, 新たな高ビット特徴を主に利用している。 編集中、既存の作業は失われた詳細を正確に補完することができず、編集性に欠ける。
  論文  参考訳（メタデータ） (2024-02-22T09:28:47Z)
• Ground-A-Video: Zero-shot Grounded Video Editing using Text-to-image Diffusion Models [65.268245109828]
  Ground-A-Videoは、マルチ属性ビデオ編集のためのビデオからビデオへの変換フレームワークである。 トレーニング不要な方法で、時間的に一貫した入力ビデオの編集を可能にする。 実験と応用により、Ground-A-Videoのゼロショットキャパシティは、編集精度とフレームの整合性の観点から、他のベースライン手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-02T11:28:37Z)
• 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)
• TVTSv2: Learning Out-of-the-box Spatiotemporal Visual Representations at Scale [59.01246141215051]
  言語指導の観点から,その劣化要因を分析した。 本稿では,テキストエンコーダの一般化能力を維持するために,教師なし事前学習戦略を提案する。 最大10億のパラメータを持つTVTSv2と呼ばれる一連のモデルを作成します。
  論文  参考訳（メタデータ） (2023-05-23T15:44:56Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)

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。