HOI-Swapは、拡散モデルに基づいたビデオ編集フレームワークであり、ビデオ編集における手と物体のインタラクションの複雑さに焦点を当てています。このモデルは自己教師あり学習により、単一フレーム内で物体の交換を実現し、物体の属性変化に応じて手のインタラクションパターン（例えば、握り方）を調整する学習を行います。第二段階では、単一フレーム編集をビデオシーケンス全体に拡張し、モーションアライメントとビデオ生成によって、高品質なビデオ編集を実現します。