VOID: удаление объектов и взаимодействий из видео с архитектурой CogVideoX 5B от Netflix

VOID (Video Object and Interaction Deletion) от Netflix удаляет объекты из видео вместе со всеми взаимодействиями, которые они вызывают в сцене, — не только вторичные эффекты вроде теней и отражений, но и физические взаимодействия, такие как падение предметов при удалении человека. Построена на основе CogVideoX-Fun-V1.5-5b-InP, использует новое условие quadmask (четырёхзначная маска, кодирующая основной объект, перекрытие, затронутые области и фон). Отличается двухпроходной архитектурой с уточнением на основе оптического потока для временной согласованности.