ALIVE视频物体插入框架发布

2026年10月6日，Hugging Face Daily Papers 报道论文 ALIVE。该研究提出一个面向首帧引导视频编辑的交互对齐对象插入框架，目标是在视频中插入新对象后，使其能与原视频内容产生连贯交互。报道称，ALIVE 的输入只需要编辑后的首帧，以及一条注明新增对象的指令。研究构建了 35,800 个编辑对，并训练视觉语言模型（VLM）预测交互引导。在 ALIVE-interaction 基准和通用视频对象插入基准上，ALIVE 相比最强基线的 Overall 指标分别提升 43.9% 和 4.4%，VLM 引导还带来 0.95 分提升。目前报道仅披露了论文方法、数据构建与基准结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。