単一エディタによる多様な編集：多様なビデオ編集のための統合的トレーニング不要フレームワーク

要旨

動画編集は多様な編集パラダイムにまたがるが、高品質な指示誘導編集と被写体誘導編集を単一の統合フレームワークで実現することは依然として困難である。本稿では、局所的な一貫性のためのスパース因果メモリ、長距離のアイデンティティ保持のための対応関係に基づく注意後トークン注入、編集の局所性のためのソフト潜在ブレンディングを組み合わせた、学習不要のフレームワークEditVidを提案する。このフレームワークは、スタイル転送、属性変更、オブジェクト挿入、部分編集、被写体置換などの指示誘導編集と参照誘導編集の両方をサポートする。FiVEベンチマークでは、EditVidは78.16のFiVE-Accを達成し、比較した学習不要ベースライン中最強の58.95を上回るとともに、IVEBenchでも競争力のある結果を得た。さらに、ユーザー調査では、EditVidが7つの競合手法に対して51.8%の総合選好を示した。

English

Video editing spans diverse editing paradigms, yet achieving high-quality instruction-guided and subject-guided editing within a single unified framework remains challenging. We introduce EditVid, a training-free framework combining sparse causal memory for local coherence, correspondence-based post-attention token injection for long-range identity preservation, and soft latent blending for edit locality. The same framework supports instruction-guided and reference-guided edits, including style transfer, attribute modification, object insertion, part-level editing, and subject replacement. On FiVE, EditVid achieves 78.16 FiVE-Acc, compared with 58.95 for the strongest evaluated training-free baseline, while obtaining competitive results on IVEBench. A user study further shows a 51.8\% overall preference for EditVid over 7 competing methods.