论文标题：Scaling Instruction-Based VideoEditing with a High-Quality Synthetic Dataset
作者团队：香港科大、蚂蚁集团、浙江大学、东北大学
发布时间：2025年10月17日
👉一键直达论文
[👉Lab4AI大模型实验室论文阅读](https://www.lab4ai.cn/paper/detail/reproductionPaper?utm_source=lab4ai_jssq_bky
_Ditto&id=03e89d3d4c294a38a33e46328ce25993)
✅Lab4AI平台提供AI导读和翻译等工具，辅助您的论文阅读。
✨本文核心贡献
（1）提出Ditto数据生成框架
突破现有方法的“成本-质量-多样性”权衡：融合先进图像编辑器的视觉先验与上下文视频生成器（VACE），结合模型蒸馏与量化技术，将计算成本降至原始高保真方法的20%，同时保证时间一致性与编辑质量。
自动化流程：通过视觉语言模型（VLM）实现指令生成与质量筛选，无需人工干预，支撑大规模数据生产。
（2）构建Ditto-1M数据集
规模与质量：包含100万“源视频-指令-编辑后视频”三元组，分辨率1280×720（超现有数据集），每段101帧、20FPS，覆盖70%全局编辑（风格、场景）与30%局部编辑（物体操作）。
数据筛选严格：源视频来自专业平台（Pexels），经去重、运动筛选、VLM质量控制，确保高美学价值与自然运动特性。
（3）提出Editto模型与模态课程学习
- Editto模型：基于上下文视频生成器VACE改进，在Ditto-1M上训练后，在指令跟随、时间一致性、视觉质量上超越现有基线，成为指令驱动视频编辑的新SOTA。
- 模态课程学习（MCL）：通过“逐步移除视觉引导”的训练策略，解决从“视觉+文本引导”到“纯文本指令引导”的模态鸿沟，提升模型对抽象指令的理解能力。
（4）验证框架有效性
实验证明Ditto框架生成的数据可支撑模型泛化至真实场景（sim2real能力），且Editto模型性能随数据规模增长而稳定提升，验证了大规模高质量数据的核心价值。