論文の概要: MoviEdit: Long-form Multi-Shot Video Editing Made Easy

• arxiv url: http://arxiv.org/abs/2611.02737v1
• Date: Mon, 02 Nov 2026 08:26:08 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:10:42.334754
• Title: MoviEdit: Long-form Multi-Shot Video Editing Made Easy
• Title（参考訳）: MoviEdit:長めのマルチショットビデオ編集が簡単
• Abstract要約: MoviEditは、スケーラブルなマルチショットビデオ編集のためのエンドツーエンドフレームワークである。 我々は、同期マルチビュー映像、実世界のマルチショットビデオ、生成されたマルチショットコンテンツにまたがる自動データ生成パイプラインを開発する。 MoviEditは、テキスト誘導および画像誘導編集の業界フロンティアモデルと同等に機能する。
• 参考スコア（独自算出の注目度）: 62.15415235967958
• License:
• Abstract: Long-form multi-shot video editing requires an intended edit to remain coherent across abrupt changes in scene, viewpoint, and subject appearance, while processing substantially longer visual context than conventional single-shot editors. We introduce MoviEdit, an end-to-end framework for scalable long-form multi-shot video editing that jointly addresses the challenges of data, modeling, and evaluation. To provide cross-shot supervision data at scale, we develop automatic data-generation pipelines spanning synchronized multi-view footage, real-world multi-shot videos, and generated multi-shot content, yielding 87K paired editing videos without manual annotation. Architecturally, MoviEdit employs a cascaded bidirectional-autoregressive design: a lightweight bidirectional stage first establishes a globally coherent editing draft over a spatiotemporally compressed representation, which is then autoregressively propagated and refined over the full video. We further introduce MoviEdit-Bench, a dedicated benchmark for systematic evaluation of long-form multi-shot video editing. Extensive experiments show that MoviEdit substantially outperforms existing open-source models and performs on par with industry frontier models across text-guided and image-guided editing. Visit our project page for complete results and to access the benchmark: https://multi-shot-edit.github.io/
• Abstract（参考訳）: ロングフォームなマルチショットビデオ編集は、シーン、視点、主観的外観の急激な変化に対して一貫性を保つために意図された編集を必要とし、一方、従来の単写編集よりも視覚的コンテキストがかなり長い。 我々は,データ,モデリング,評価の課題に共同で対処する,スケーラブルなマルチショットビデオ編集のためのエンドツーエンドフレームワークであるMoviEditを紹介する。 クロスショット監視データを大規模に提供するために、同期マルチビュー映像、実世界のマルチショット映像、生成されたマルチショットコンテンツにまたがる自動データ生成パイプラインを開発し、手動のアノテーションを使わずに87万対の編集ビデオを生成する。 軽量な双方向ステージは、時空間的に圧縮された表現の上にグローバルに一貫性のある編集草案を確立し、その後、全ビデオに対して自己回帰的に伝播され、洗練される。 さらに、長大なマルチショットビデオ編集の体系的評価のための専用のベンチマークであるMoviEdit-Benchを紹介する。 大規模な実験によると、MoviEditは既存のオープンソースモデルを大幅に上回り、テキスト誘導と画像誘導の編集で業界最前線モデルと同等のパフォーマンスを発揮する。 完全な結果を得るためにプロジェクトページを訪れ、ベンチマークにアクセスする。

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)
• 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)
• CoVEBench: Can Video Editing Models Handle Complex Instructions? [26.871333176496126]
  CoVEBenchは、416のキュレートされたソースビデオ、626のマルチポイント編集命令、9,990のきめ細かいチェックリスト項目からなる合成ビデオ編集ベンチマークである。 MLLM-judged命令コンプライアンスとビデオ忠実度によるモデルの評価と、ビデオ品質の自動測定を行う。
  論文  参考訳（メタデータ） (2026-06-07T02:29:41Z)
• 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)
• I2VEdit: First-Frame-Guided Video Editing via Image-to-Video Diffusion Models [18.36472998650704]
  本稿では,1フレームからビデオ全体への編集を事前学習した画像対ビデオモデルを用いてプロパガンダすることで,画像編集ツールをビデオに適用可能にする,新しい汎用的ソリューションを提案する。 I2VEditと呼ばれる本手法は,編集範囲に応じて映像の視覚的・運動的整合性を適応的に保持する。
  論文  参考訳（メタデータ） (2024-05-26T11:47:40Z)

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。