यह शोधपत्र सीएसवीसी का प्रस्ताव करता है, जो कारणात्मक रूप से सूचित वीडियो संपादन के लिए एक नवीन ढाँचा है। हालाँकि वीडियो संपादन में टेक्स्ट-टू-इमेज (T2I) लेटेंट डिफ्यूज़न मॉडल (LDM) के अनुप्रयोग पर मौजूदा शोध ने उत्कृष्ट दृश्य निष्ठा और नियंत्रणीयता प्रदर्शित की है, फिर भी यह वीडियो डेटा निर्माण प्रक्रिया में कारणात्मक संबंधों को बनाए रखने में कठिनाई का सामना करता है। सीएसवीसी, कारणात्मक संबंधों पर विचार करते हुए, प्रतितथ्यात्मक वीडियो निर्माण को एक बाह्य वितरित (OOD) पूर्वानुमान समस्या के रूप में सूत्रबद्ध करता है। यह पूर्व कारणात्मक ज्ञान को समाहित करने के लिए कारणात्मक ग्राफ़ में निर्दिष्ट संबंधों को टेक्स्ट संकेतों में कूटबद्ध करता है और दृश्य-भाषा मॉडल (VLM)-आधारित टेक्स्ट हानि का उपयोग करके संकेतों को अनुकूलित करके निर्माण प्रक्रिया का मार्गदर्शन करता है। यह सुनिश्चित करता है कि LDM का लेटेंट स्पेस प्रतितथ्यात्मक विविधताओं को ग्रहण कर ले, जिससे कारणात्मक रूप से सार्थक विकल्प उत्पन्न होते हैं। सीएसवीसी अंतर्निहित वीडियो संपादन प्रणाली से स्वतंत्र है और बिना किसी आंतरिक तंत्र या फ़ाइन-ट्यूनिंग के संचालित होता है। प्रायोगिक परिणाम दर्शाते हैं कि CSVC, प्रॉम्प्ट-आधारित कारणात्मक समायोजन के माध्यम से LDM वितरण के भीतर कारणात्मक रूप से विश्वसनीय प्रतितथ्यात्मक वीडियो परिणाम उत्पन्न करता है, जिससे समय की स्थिरता या दृश्य गुणवत्ता से समझौता किए बिना अत्याधुनिक कारणात्मकता प्राप्त होती है। चूँकि यह किसी भी डैशकैम वीडियो संपादन प्रणाली के साथ संगत है, इसलिए इसमें डिजिटल मीडिया और स्वास्थ्य सेवा जैसे विभिन्न क्षेत्रों में यथार्थवादी 'क्या होगा अगर' वीडियो परिदृश्य बनाने की महत्वपूर्ण क्षमता है।
