HOI-Swap es un framework de edición de vídeo basado en modelos de difusión, centrado en abordar la complejidad de la interacción mano-objeto en la edición de vídeo. El modelo, a través de un entrenamiento autosupervisado, puede realizar intercambios de objetos en un solo fotograma y aprende a ajustar el patrón de interacción de la mano según los cambios en las propiedades del objeto, como la forma de agarre. La segunda etapa amplía la edición de fotogramas individuales a toda la secuencia de vídeo, logrando una edición de vídeo de alta calidad mediante el alineamiento de movimiento y la generación de vídeo.