Newest papers

UniVOE: A Removal-Driven Framework for Interaction-Aware Universal Video Object Editing

Shuzhou Yang, Lanqing Guo, Lingen Li, Weiqi Li, Zhao Zhong, Liefeng Bo, Jian Zhang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31641 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Системы удаления и впрыскивания видеообъектов являются взаимными редактирующими операциями между объектно-присутствующими и объектно-отсутствующими видео состояниями, однако они существенно отличаются в сложности обучения. Удаление может быть эффективно запущено от видео-инкарнировки и дополнительно адаптировано для удаления эффектов взаимодействия, связанных с объектом. Впрыскивание, однако, требует масштабного параллельного надзора по моделированию внешнего вида объекта, динамики и эффектов, зависящих от сцены, в то время как идеально выровненные пары реального мира трудно собирать и синтетические данные не обладают достаточным реализмом и разнообразием. Чтобы решить эту проблему, мы представляем UniVOE, систему управления удалением для обучения как удалению объекта видео, так и

Machine translation (Meta M2M100); the English original follows.

Abstract

Video object removal and injection are reciprocal editing operations between object-present and object-absent video states, yet they differ substantially in training difficulty. Removal can be effectively bootstrapped from video inpainting and further adapted to erase object-related interaction effects. Injection, however, requires large-scale paired supervision to model object appearance, dynamics, and scene-dependent effects, while perfectly aligned real-world pairs are difficult to collect and synthetic data lacks sufficient realism and diversity. To address this challenge, we present UniVOE, a removal-driven framework for training both video object removal and injection models. We first train an effect-aware remover by transferring video inpainting priors and finetuning on object-present/object-absent pairs. The trained remover converts real object-present videos into object-absent counterparts, creating large-scale paired supervision for injection. An injection model is trained on these pairs in the reverse direction to recover objects together with their dynamics and interaction effects. Moreover, since pixel-level reconstruction alone cannot adequately capture perceptual realism, we introduce a reward-based post-training method that aligns injection results with human preferences using a proprietary reward model. Experiments against strong open-source and commercial systems demonstrate that UniVOE achieves state-of-the-art performance on both object removal and injection, particularly in challenging interaction-effect cases.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Inpainting, Computer science, Object (grammar), Artificial intelligence, Computer vision, Video editing

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange