知识卡片：UniVOE：以移除驱动交互感知通用视频对象编辑

一句话结论

UniVOE 提出一种“以移除驱动注入”的训练框架：先用视频修复先验训练能消除交互效应的对象移除器，再由它把真实物体在场视频转成物体缺席视频，反向构造大规模成对监督来训练对象注入模型，并用基于奖励的后训练对齐人类偏好。

事件概述或研究问题

视频对象移除与注入是“物体在场/缺席”两种状态之间的互逆编辑操作，但训练难度差异很大：移除可从视频修复任务有效引导，并进一步适配为擦除与物体相关的交互效应；注入则需大规模成对监督来建模物体外观、动态和依赖场景的交互效应，而真实世界完美对齐的成对数据难以采集，合成数据在真实感与多样性上又不足。UniVOE 试图用“移除”来为“注入”生产监督，统一训练两类模型。

方法/产品要点

• 效应感知移除器：迁移视频修复先验，并在物体在场/缺席成对数据上微调，使其能擦除物体相关的交互效应。
• 移除驱动数据构造：训练好的移除器把真实物体在场视频转换为物体缺席版本，从而形成大规模成对监督。
• 反向注入训练：注入模型在这些成对数据上按相反方向训练，学习恢复物体及其动态与交互效应。
• 奖励式后训练：仅靠像素级重建不足以刻画感知真实感，因此引入基于专有奖励模型的后训练方法，使注入结果与人类偏好对齐。
• 评测：与强开源及商业系统对比，报告在移除和注入两类任务上均达到当时最优，尤其在具有挑战性的交互效应场景中表现突出。

主要结果或产业意义

摘要称 UniVOE 在对象移除与注入上均取得 state-of-the-art 性能，并特别强调在“交互效应”困难案例中的优势。产业意义上，该框架把“数据难采集”的注入任务转化为可由移除模型自动生产的监督信号，为视频后期、内容创作与影视特效中的对象增删与交互编辑提供了可扩展的训练范式；奖励后训练也提示视频编辑模型正从像素保真走向人类感知对齐。具体数值指标、对比系统清单与基准名称在摘要中未给出，待核实。

为什么重要

视频对象编辑长期存在“删得掉、插得像”的不对称难题：移除可借修复任务迁移，注入却缺少成对监督。UniVOE 的核心增量在于把两种互逆操作串成数据闭环——移除器既是编辑工具，也是注入模型的监督生产者；再叠加偏好奖励后训练，回应了生成结果“像素对但观感假”的问题。与已有卡片中 EditVid（免训练统一多范式编辑）和 ALIVE（首帧引导的对象插入交互对齐）相比，本条侧重“以移除反哺注入”的训练数据构造与后训练对齐，而非免训练框架或首帧条件插入，可作为统一视频编辑脉络中“数据与训练策略”方向的补充。

局限与不确定性

• 摘要未披露具体数据集、基准、量化指标与对比系统名单，性能声明的细节待核实。
• “专有奖励模型”（proprietary reward model）的构成、训练数据与偏好标注方式未说明，待核实。
• 移除器生成的“物体缺席”视频若存在伪影，可能作为噪声监督传给注入模型，其误差传播程度待核实。
• 方法对真实世界复杂交互效应（遮挡、形变、光照耦合等）的泛化边界待核实。
• 论文发表信息：arXiv 2610.31641v1，2026-10-22，cs.CV，作者 Shuzhou Yang、Lanqing Guo、Lingen Li、Weiqi Li、Zhao Zhong、Liefeng Bo、Jian Zhang。

可用于图书/PPT/简报的角度

• 互逆任务的数据闭环：把“删除”当作“插入”的监督工厂，讲清训练数据从哪来。
• 从像素保真到偏好对齐：视频编辑后训练为何需要奖励模型，可与 RLHF 式思路类比。
• 交互效应是视频编辑的深水区：对象不只是出现或消失，还要带走/带来阴影、接触与动态耦合。
• 统一编辑框架的两条路线：免训练统一（EditVid）vs. 训练驱动的统一（UniVOE），可做对照页。
• 合成数据 vs. 模型自产数据：讨论真实感与多样性瓶颈下的替代监督来源。

与既有脉络的关系

本条延续“统一视频对象编辑”脉络，但增量在于：EditVid 关注免训练、多范式统一；ALIVE 关注首帧引导插入的交互保真；UniVOE 则把移除与注入视为互逆状态转移，用移除模型生产注入监督，并引入奖励后训练对齐人类偏好。三者可分别对应“框架统一”“条件插入交互”“训练数据与偏好对齐”三个层面。

原始材料

• 标题：UniVOE: A Removal-Driven Framework for Interaction-Aware Universal Video Object Editing
• 来源：arXiv:2610.31641v1（cs.CV）
• 作者：Shuzhou Yang, Lanqing Guo, Lingen Li, Weiqi Li, Zhao Zhong, Liefeng Bo, Jian Zhang
• 发布/更新：2026-10-22T17:54:03Z
• Abstract URL: https://arxiv.org/abs/2610.31641v1
• PDF URL: https://arxiv.org/pdf/2610.31641v1
• 关键词：video object removal；video object injection；video inpainting；interaction-aware editing；reward-based post-training；paired supervision