ALIVE框架实现视频编辑中交互对齐的对象插入

2026年10月6日，Hugging Face Daily Papers 报道了一个名为 ALIVE 的视频编辑框架，其目标是让插入视频中的物体与源视频内容产生连贯交互，例如被拿起或被操控。该框架的输入条件为一张编辑后的首帧，以及一条仅命名新增物体的指令。为支撑训练，团队构建了 35,800 对编辑数据，并训练 VLM 预测交互引导。在 ALIVE-interaction 和通用视频物体插入两个基准上，报道称无 VLM 引导时 Overall 分别比最强基线提升 43.9% 和 4.4%，加入 VLM 引导后再提升 0.95 分。目前该工作处于论文发布阶段，后续进展有待观察。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。