GRNEdit: 생성적 정제 네트워크에서 새로운 이진 증거 관점을 통한 효율적인 범용 비디오 편집

초록

지시 기반 일반 비디오 편집은 다양한 편집 작업을 하나의 직관적인 인터페이스로 통합하고자 한다. 기존 접근법은 종종 무거운 분기(heavyweight branch)나 비용이 많이 드는 소스 연결(concatenation)을 사용하는 자원 집약적인 조건화에 의존한다. 편집 의도를 모델링하는 효율적인 방법이 있을까? 이에 우리는 경량 2단계 프레임워크인 GRNEdit를 제안한다. GRN은 비트 조합을 통해 시각적 의미를 인코딩한다는 점에서 우리의 접근에 영감을 준다. 작업별 미세 조정을 통해 우리는 이러한 표현을 한 단계 더 발전시켜 편집 의미를 개별 비트에 대한 국소적 유지-또는-반전 결정으로 재구성한다. 결과적으로 소스 정보는 관찰된 이진 상태를 뒷받침하는 좌표별 증거로 모델링되며, GRN 백본은 이들의 전역 구성을 일관된 생성 의미로 해석하는 역할을 담당한다. 1단계에서 소형 인코더는 이산 소스 코드를 연속 증거 신호로 변환하고, GRN은 이진 정제 과정 전반에 걸쳐 이를 통합한다. 분류기-없는 유도를 위한 널 프롬프트 훈련에서 영감을 얻어, 우리는 널 조건에 편집 특유의 의미를 부여한다: 빈 지시는 편집 없음을 의미하며 소스 재구성을 통해 지도 학습된다. 이 항등 경로는 1단계에서 증거 활용과 콘텐츠 보존을 암묵적으로 강화할 뿐만 아니라, 편집된 상태와 동일한 표현 공간에서 소스 보존 상태를 생성한다. 따라서 2단계는 각 편집 상태를 소스 보존 대응 상태와 직접 비교하고, 그 차이를 사용하여 해결되지 않은 대상 비트 결정을 수정할 수 있다. 단 0.6M 쌍과 3% 미만의 조건화 매개변수만으로 훈련된 GRNEdit-2B와 GRNEdit-8B는 OpenVE-Bench에서 각각 4.03과 4.18의 점수를 달성한다. 2B 모델은 여러 14B 오픈소스 편집기를 능가하며, 8B 모델은 선도적인 오픈소스 편집기와 대등한 성능을 보인다.

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.