長尺マルチショット動画生成のためのマルチグリッドポストトレーニング

要旨

長尺のマルチショット動画を生成するには、ショット内で一貫した動きと、ショット間で視覚的に整合した物語が求められる。既存の動画生成器は連続的な動きを優先し、一つの物語全体を単一の時間軸に詰め込む場合、完全なショット集合を提示することが難しい。我々はMovieGridを提案する。これは、長尺動画を時間順に並んだより短いチャンクに分解し、それらを空間グリッド上に配置して統合的にモデリングするMulti-Grid Post-Trainingパラダイムである。この設計により、各時間軸が扱うショット数を削減しつつ、チャンク間のグローバルな情報交換を可能にする。我々は、1,000本の長尺動画からMulti-Grid Long Video（MGLV）データセットを、原動画収集、階層的セグメンテーション、グリッド動画構築、キャラクター認識型ストーリー注釈を用いて構築し、ストーリープロンプトと対にした54K本のグリッド動画を生成した。我々のNoise-Free Random-Grid Trainingは、残りのチャンクをノイズ除去するためのクリーンな視覚コンテキストとして、チャンクのランダムな部分集合を保持する。Grid Embeddingはグリッド構造を符号化し、キャラクター認識型Story Promptsは繰り返し登場するエンティティを紐付け、Grid Boundary Lossはレイアウトを安定化させる。同一のトークン予算の下で、MovieGridは1,616フレームの動画においてTemporal Packingより6.05倍多くのショットを生成する。5つの実世界カテゴリにまたがるベンチマークにおいて、最先端のショット内一貫性（HoloCineの0.8086に対して0.9131）とショット間一貫性（StoryMemの0.5384に対して0.5914）を達成する。MovieGridは、単一生成または複数回生成によって、最小限の妥協で動画長をさらに拡張できる。

English

Generating long-form multi-shot videos requires coherent within-shot motion and visually consistent narratives across shots. Existing video generators favor continuous motion and struggle to present complete shot sets when an entire narrative is packed along one temporal axis. We propose MovieGrid, a Multi-Grid Post-Training paradigm that decomposes a long video into shorter, temporally ordered chunks and arranges them on a spatial grid for joint modeling. This design reduces the number of shots handled by each temporal axis while enabling global information exchange across chunks. We construct the Multi-Grid Long Video (MGLV) dataset from 1,000 long-form videos using source video collection, hierarchical segmentation, grid video construction, and character-aware story annotation, producing 54K grid videos paired with story prompts. Our Noise-Free Random-Grid Training retains a random subset of chunks as clean visual context for denoising the remaining chunks. Grid Embedding encodes grid structure, character-aware Story Prompts link recurring entities, and Grid Boundary Loss stabilizes layouts. Under the same token budget, MovieGrid generates 6.05 times more shots than Temporal Packing in a 1,616-frame video. On a benchmark spanning five real-world categories, it achieves state-of-the-art intra-shot consistency (0.9131 versus 0.8086 for HoloCine) and inter-shot consistency (0.5914 versus 0.5384 for StoryMem). MovieGrid can further scale video length with minimal compromise through single or multiple generations.