GRNEdit：生成的リファインメントネットワークにおける新たな二値エビデンスの観点に基づく効率的な汎用動画編集

要旨

指示に基づく汎用ビデオ編集は、多様な編集操作を単一の直感的なインターフェースで統合することを目指している。既存の手法は、重量級のブランチやコストのかかるソース連結を用いる、リソース集約的な条件付けに依存することが多い。編集意図を効率的にモデル化する方法はあるのだろうか。そこで我々は、軽量な二段階フレームワークであるGRNEditを導入する。GRNは、ビットの組み合わせを通じて視覚的意味を符号化するという点で、我々のアプローチに着想を与える。タスク特化の微調整を通じて、我々はこの表現をさらに発展させ、編集の意味を個々のビットに対する局所的な保持または反転の決定として再解釈する。その結果、ソース情報は、観測された二値状態を支持する座標ごとの証拠としてモデル化され、一方GRNバックボーンは、それらの全体的な構成を一貫した生成意味へと解決する役割を担う。ステージIでは、コンパクトなエンコーダが離散的なソースコードを連続的なエビデンス信号に変換し、GRNは二値精緻化の過程全体を通じてこれを同化する。分類器フリーガイダンスのためのヌルプロンプト学習に着想を得て、我々はさらにヌル条件に編集固有の意味を割り当てる。すなわち、空の指示は無編集を意味し、ソース再構成を通じて教師あり学習される。この恒等パスは、ステージIにおけるエビデンスの利用とコンテンツ保存を暗黙的に強化するだけでなく、編集済み状態と同じ表現空間内にソース保存状態を生成する。したがってステージIIは、各編集済み状態を対応するソース保存状態と直接比較し、その差を用いて未解決のターゲットビット決定を修正することができる。わずか0.6Mペア、3%未満の条件付けパラメータで学習されたGRNEdit-2BおよびGRNEdit-8Bは、OpenVE-Benchでそれぞれ4.03および4.18のスコアを達成する。2Bモデルは複数の14Bオープンソース編集モデルを上回り、8Bモデルは主要なオープンソース編集モデルと同等の性能を発揮する。

English

Instruction-based general video editing seeks to unify diverse editing operations within a single, intuitive interface. Existing approaches often rely on resource-intensive conditioning, using either heavyweight branches or costly source concatenation. Is there any efficient way to model editing intent? Thus, we introduce GRNEdit, a lightweight two-stage framework. GRN inspires our approach by encoding visual semantics through combinations of bits. Through task-specific fine-tuning, we take this representation further and recast editing semantics as local retain-or-flip decisions over individual bits. Source information is consequently modeled as coordinate-wise evidence supporting the observed binary states, while the GRN backbone remains responsible for resolving their global composition into coherent generative semantics. In Stage I, a compact encoder translates discrete source codes into continuous evidence signals, which GRN assimilates throughout binary refinement. Inspired by null-prompt training for classifier-free guidance, we further assign the null condition an editing-specific meaning: an empty instruction denotes no edit and is supervised through source reconstruction. This identity pathway not only implicitly strengthens evidence utilization and content preservation in Stage I, but also produces a source-preserving state in the same representation space as the edited state. Stage II can therefore directly compare each edited state with its source-preserving counterpart and use their discrepancy to revise unresolved target-bit decisions. Trained on only 0.6M pairs with less than 3\% conditioning parameters, GRNEdit-2B and GRNEdit-8B achieve scores of 4.03 and 4.18 on OpenVE-Bench. The 2B model outperforms multiple 14B open-source editors, while the 8B model performs on par with leading open-source editors.