論文の概要: VideoEditor-MoE: Scaling Complex Video Editing with Mixture of Experts

• arxiv url: http://arxiv.org/abs/2611.03043v1
• Date: Mon, 02 Nov 2026 12:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:41:58.936415
• Title: VideoEditor-MoE: Scaling Complex Video Editing with Mixture of Experts
• Title（参考訳）: VideoEditor-MoE: 専門家の混在による複雑なビデオ編集のスケーリング
• Abstract要約: VideoEditor-MoEは、ビデオ編集のための最初のオープンソースのミックス・オブ・エキスパートフレームワークである。 VideoEditor-MoE は 14B と 56B のパラメータにスケールする。
• 参考スコア（独自算出の注目度）: 19.749051721632238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex video editing requires understanding complex instructions while jointly fulfilling multiple editing requests. Meeting these demands through dense model scaling substantially increases computational cost. We introduce VideoEditor-MoE, the first open-source mixture-of-experts framework for video editing. Beyond sparse MLP-MoE layers, MoE-Attention expands attention capacity through routed key--value experts while preserving global interactions among video tokens. Initialized from a 5B video editing model, VideoEditor-MoE scales to 14B and 56B parameters, with approximately 8B parameters activated per token in both variants. Comparisons with existing methods and two complementary baselines, Explicit-MoE and MLP-MoE, assess its benefits over explicit expert guidance and MLP-only expert architectures. Further analyses demonstrate that all experts remain active and reveal that learned routing responds more strongly to sample content and diffusion noise levels than to human-defined editing categories. Spatial analysis further indicates sensitivity to object-level semantic features. We also identify decoupled weight decay as a strategy for stabilizing expert scaling.
• Abstract（参考訳）: 複雑なビデオ編集には複雑な命令を理解しながら、複数の編集要求を共同で処理する必要がある。 密度モデルスケーリングによるこれらの要求を満たすことは、計算コストを大幅に増加させる。 我々は,ビデオ編集のための最初のオープンソースのミックス・オブ・エキスパートフレームワークであるVideoEditor-MoEを紹介する。 スパースMLP-MoEレイヤ以外にも、MoE-Attentionは、ルーティングされたキーバリューの専門家を通じて、ビデオトークン間のグローバルなインタラクションを保ちながら、注意力を拡張する。 5Bビデオ編集モデルから初期化され、VideoEditor-MoEは14Bと56Bのパラメータにスケールし、両方の変種でトークン毎に約8Bのパラメータが活性化される。 既存の手法と2つの相補的なベースラインであるExplicit-MoEとMLP-MoEとの比較は、明示的な専門家ガイダンスとMLPのみの専門家アーキテクチャよりもその利点を評価する。 さらなる分析により、すべての専門家が活動し続け、学習されたルーティングが人間の定義する編集カテゴリよりも、サンプル内容と拡散ノイズレベルに強く反応することが明らかとなった。 空間分析は、オブジェクトレベルの意味的特徴に対する感度をさらに示す。 また,脱カップリングした重量崩壊は,専門家のスケーリングを安定化させる戦略であることも確認した。

関連論文リスト

• Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning [56.17582599802973]
  本稿では,MMLVE(Multi-Instruction Multi-Shot Long-Video Editing)タスクを紹介する。 これら3つの課題に対処するために,Large Language Models (LLM) と Vision-Language Models (VLM) を活用したエージェント編集フレームワークを導入する。 我々のMMLVE-Agentは、既存のクローズドソースSOTAアプローチよりも優れています。
  論文  参考訳（メタデータ） (2026-08-27T08:48:13Z)
• 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)
• VEBench:Benchmarking Large Multimodal Models for Real-World Video Editing [39.721584069301095]
  本稿では,現実的なビデオ編集シナリオにおける知識理解と操作的推論を評価するための最初のベンチマークであるVEBENCHを紹介する。 VEBENCHには3.9Kの高品質な編集ビデオ(257時間以上)と3,080の人間認証QAペアが含まれている。 ビデオ編集技術認識とビデオ編集操作シミュレーションの2つの補完的なQAタスクを備えている。
  論文  参考訳（メタデータ） (2026-05-05T02:05:27Z)
• Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding [98.3098451637867]
  Video-MME-v2は、ビデオ理解の堅牢性と忠実さを厳格に評価するために設計された総合的なベンチマークである。 データ品質を保証するため、Video-MME-v2は厳格に制御された人間のアノテーションパイプラインを通して構築される。
  論文  参考訳（メタデータ） (2026-04-06T17:59:56Z)
• Multilinear Mixture of Experts: Scalable Expert Specialization through Factorization [51.98792406392873]
  Mixture of Experts (MoE)は、高密度層をより小さくモジュール化された計算に分解する強力な方法を提供する。 大きな課題は、きめ細かい特殊化を達成するのに十分高い専門家の数をスケーリングする計算コストである。 視覚モデルに焦点をあて、この問題に対処するため、Multilinear Mixture of Experts(mu$MoE)層を提案する。
  論文  参考訳（メタデータ） (2024-02-19T21:20:22Z)

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。