研究者ら、構成的な画像・動画編集に照準

研究者らは、テキストからの画像生成と画像・動画編集を組み合わせる生成モデルの改善を狙った複数の取り組みを公開、または説明した。DanceOPDは、flow-matchingモデルを対象に、テキストからの画像生成、局所編集、全体編集、リアリズム・フィールド吸収、classifier-free guidance吸収を統合するオンポリシー生成フィールド蒸留フレームワークを提案している。OpenGPT-4o-Imageは、11領域・51サブタスクにわたる8万組のinstruction-imageデータセットを導入し、CoinVE-200Kは、2〜5個の原子的編集操作を含む1080pのペアで、構成的な指示追従型動画編集を対象としている。