SteerVTE：风格与字形可控的视频文字编辑框架

论文提出可控风格与字形的视频文字编辑框架 SteerVTE。

资讯摘要

论文提出 SteerVTE，一个在冻结视频扩散模型上实现精确视频文字编辑的统一框架。它通过轻量文本上下文适配器接入风格编码器与行级、字符级双粒度字形编码器，并设计字形感知空间焦点损失与三阶段渐进训练策略，以弥补视频基础模型文字渲染先验不足。作者还构建了含百万三元组的 SteerVTE-1M 数据集，报告称其在文字准确率、风格一致性和时序连贯性上优于现有视频编辑基线。

要点速读

1. 框架基于冻结的扩散 Transformer，附加轻量文本上下文适配器，含风格编码器和行级/字符级双粒度字形编码器。
2. 提出字形感知空间焦点损失与从图像到视频的三阶段渐进训练课程，并开发自动合成流程构建 SteerVTE-1M 百万三元组数据集。
3. 作者报告在文字准确率、风格一致性和时序连贯性上明显优于现有视频编辑基线。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。