Ditto-1M 是由香港科技大学联合蚂蚁集团、浙江大学等机构于 2025 年发布的一个指令驱动视频编辑数据集，相关论文成果为「Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset」，旨在推动基于自然语言指令的视频编辑模型的发展，通过大规模、高质量的合成样本，提升模型对复杂指令的理解与视频生成的精确度。 该数据集包含约 1,000,000 条高保真视频编辑三元组，分别由源视频、编辑指令和编辑后视频组成，平均每段视频约 101 帧，分辨率为 1,280×720 。其中编辑任务分为三类：

• 全局风格变换（Global style transfer）：包括艺术风格变化、色彩分级、视觉特效等；
• 全局自由编辑（Global freeform editing）：包括复杂场景修改、环境变化、创意转换等；
• 局部编辑（Local editing）：包括精确的物体修改、属性变化、局部调整等。

  

Citation

@inproceedings{bai2026scaling,
title={Scaling instruction-based video editing with a high-quality synthetic dataset},
author={Bai, Qingyan and Wang, Qiuyu and Ouyang, Hao and Yu, Yue and Wang, Hanlin and Wang, Wen and Cheng, Ka Leong and Ma, Shuailei and Zeng, Yanhong and Liu, Zichen and Xu, Yinghao and Shen, Yujun and Chen, Qifeng},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
year={2026}
}