arXiv cs.CV· Donghao Zhou, Haoyang He, Fan Zhang, Hao Yang, Guisheng Liu, Xin Gao, Zhongwei Wan, Xingyuan Bu, Jie Wang, Qiangpeng Yang, Shilei Wen, Chi-Wing Fu, Pheng-Ann Heng·· 8 小时前AI 评分38
ThinkV2V：释放 MLLM 推理能力，实现指令引导的视频编辑
ThinkV2V: Unleashing the Reasoning Capability of MLLMs for Instruction-Guided Video Editing
AI 导读
ThinkV2V 是一个推理驱动的指令引导视频编辑框架，在视觉生成前先激活 MLLM 思考，并把对源视频与指令的思考转化为 DiT 的条件信号。它结合渐进式课程训练与推理时思考扩展，并配套 ThinkV2V-150K 数据集和 ThinkV2V-Bench 基准。5B 规模的 DiT 模型在复杂与标准编辑场景均达 SOTA，大幅超越 10B 规模基线。
来源：arXiv cs.CV · arxiv.org