论文页 - CoVEBench: 视频编辑模型能处理复杂指令吗？

来源: https://huggingface.co/papers/2606.08415

摘要

本文提出了一个新基准 CoVEBench，用于评估组合式视频编辑能力，旨在解决现有模型在处理复杂、多步骤编辑任务时无法在保留时空内容的前提下完成多个编辑操作的问题。

虽然近期文本引导视频编辑（https://huggingface.co/papers?q=text-guided%20video%20editing）模型在基础任务（如风格迁移、物体插入）上表现出色，但真实用户请求往往是高度组合式的。单个提示词常常要求多个耦合编辑，例如同时修改主体、动作和摄像机视角，同时严格保留不相关的时空内容。现有基准受限于孤立编辑和粗略的全局指标，无法诊断模型如何处理此类复杂工作流程。为填补这一空白，我们引入了 CoVEBench——一个组合式视频编辑基准（https://huggingface.co/papers?q=video%20editing%20benchmark），包含 416 个精心挑选的源视频、626 条多点编辑指令（https://huggingface.co/papers?q=multi-point%20editing%20instructions）以及 9,990 个细粒度检查项。覆盖多种编辑维度，CoVEBench 通过 MLLM 评判的指令遵循度（https://huggingface.co/papers?q=instruction%20compliance）和视频保真度（https://huggingface.co/papers?q=video%20fidelity），以及自动指标（https://huggingface.co/papers?q=automated%20metrics）来评估视频质量。大量实验表明，组合式编辑（https://huggingface.co/papers?q=compositional%20editing）仍然是一个重大挑战：当前模型在同时处理多个操作时常常遗漏编辑、违反保留约束或引入伪影。CoVEBench 提供了一个具有挑战性的诊断测试平台，推动视频编辑向真实用户工作流程迈进。

查看 arXiv 页面（https://arxiv.org/abs/2606.08415）查看 PDF（https://arxiv.org/pdf/2606.08415）项目页面（https://nju-link.github.io/CoVEBench/）GitHub7（https://github.com/NJU-LINK/CoVEBench）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.08415）

在您的代理中获取此论文：

hf papers read 2606\.08415

没有最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

暂无模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2606.08415 即可从此页面链接。

引用此论文的数据集1

NJU-LINK/CoVEBench 查看器 • 更新于约6小时前 • 626 • 470 • 1（https://huggingface.co/datasets/NJU-LINK/CoVEBench）

引用此论文的Spaces0

暂无Space链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2606.08415 即可从此页面链接。

包含此论文的收藏集2