MoviEdit：长时多镜头视频编辑框架

MoviEdit 用自动数据与级联架构处理长时多镜头视频编辑，并发布配套基准。

资讯摘要

论文提出 MoviEdit，一个面向长时多镜头视频编辑的端到端框架，同时处理数据、建模与评测三方面问题。作者构建自动数据生成流程，覆盖同步多视角素材、真实多镜头视频与生成内容，产出 87K 对无需人工标注的编辑视频；模型采用级联双向-自回归设计，先在时空压缩表示上生成全局一致的编辑草稿，再自回归传播并细化至完整视频。作者还发布 MoviEdit-Bench 基准，实验报告其在文本引导与图像引导编辑上明显优于现有开源模型，并与业界前沿模型表现相当。

要点速读

1. 作者构建自动数据生成流程，产出 87K 对无人工标注的配对编辑视频，用于跨镜头监督。
2. MoviEdit 采用级联双向-自回归架构：轻量双向阶段先建立全局一致的编辑草稿，再自回归传播细化到完整视频。
3. 作者提出 MoviEdit-Bench 评测基准，论文报告其在文本与图像引导编辑上优于现有开源模型，并与业界前沿模型相当。

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 2026/11/5 08:00:36（北京时间）。