面向指令驱动电影视频汇编的基准与多智能体系统
计算机视觉与模式识别
2026-04-14 v1
摘要
将长篇电影内容改编为短视频的激增需求推动了多功能自动视频汇编系统的需求。然而，现有的汇编方法局限于预定义任务，并且社区缺乏一个全面的基准来评估电影汇编。为了解决这个问题，我们引入了CineBench，这是第一个用于指令驱动电影视频汇编的基准，具有多样化的用户指令和由专业编辑注释的高质量真实汇编数据。为了克服上下文崩溃和时间碎片化，我们提出了CineAgents，一个多智能体系统，它将电影视频汇编重新构想为“设计与组合”范式。CineAgents执行脚本逆向工程以构建分层叙事记忆，提供多级上下文，并采用迭代叙事规划过程，将创意蓝图细化为最终的汇编脚本。大量实验表明，CineAgents显著优于现有方法，生成的汇编具有卓越的叙事连贯性和逻辑连贯性。
引用
@article{arxiv.2604.10456,
title = {A Benchmark and Multi-Agent System for Instruction-driven Cinematic Video Compilation},
author = {Peixuan Zhang and Chang Zhou and Ziyuan Zhang and Hualuo Liu and Chunjie Zhang and Jingqi Liu and Xiaohui Zhou and Xi Chen and Shuchen Weng and Si Li and Boxin Shi},
journal= {arXiv preprint arXiv:2604.10456},
year = {2026}
}