提出DIRECT框架,通过分层多智能体(Screenwriter、Director、Editor)协同建模全局结构对齐、局部片段凝聚和低层一致性约束,将视频混剪建模为多模态一致性满足问题(MMCSP),并在新构建的Mashup-Bench基准上显著优于现有方法。
机构:北大
来源:arXiv 2604.04875 | AI4Papers 论文推荐平台