O HOI-Swap é uma estrutura de edição de vídeo baseada em modelos de difusão, focada em lidar com a complexidade da interação mão-objeto na edição de vídeo. O modelo, através de treinamento autossupervisionado, consegue realizar a troca de objetos em um único quadro e aprende a ajustar o padrão de interação da mão de acordo com as mudanças nas propriedades do objeto, como a maneira de segurar. A segunda etapa expande a edição de quadro único para toda a sequência de vídeo, alcançando a edição de vídeo de alta qualidade por meio do alinhamento de movimento e geração de vídeo.