論文の概要: VlogReward: Learning Multi-Dimensional Evaluation for Vlog Editing
- arxiv url: http://arxiv.org/abs/2607.22632v1
- Date: Fri, 19 Jun 2026 17:10:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.994918
- Title: VlogReward: Learning Multi-Dimensional Evaluation for Vlog Editing
- Title（参考訳）: VlogReward: Vlog編集のための多次元評価学習
- Abstract要約: プロのvlog作成者とプロダクトマネージャがガイドする総合的なvlog評価フレームワークを定義します。
次に、100kのvlog編集の大規模なデータセットと専用のベンチマークであるVRMBenchを作成し、マルチモーダル大言語モデルのvlog報酬能力を評価する。
最後に,VlogRewardを提案する。VlogRewardは,高精細な多次元スコアと,反復的改善のための動作可能なフィードバックの両方を提供する,堅牢なvlog報酬モデルである。
- 参考スコア（独自算出の注目度）: 32.06471299558917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rapid rise of vlogs as a personalized storytelling medium has created a demand for automated systems to evaluate and refine vlog editing plans. However, vlog assessment is highly subjective and remains challenging due to a lack of standardized criteria, dataset and benchmark, and effective reward models. To address these challenges, we define a comprehensive vlog evaluation framework guided by professional vlog creators and product managers, establishing a taxonomy of six key dimensions, i.e., Creativity, Consistency, Concept Design, Cinematography, Narration, and Pacing. Subsequently, we curate a large-scale dataset of 100k vlog edits and a dedicated benchmark, VRMBench, to evaluate the vlog rewarding capabilities of Multimodal Large Language Models (MLLMs). Finally, we present VlogReward, a robust vlog reward model that can provide both fine-grained multi-dimensional scores and actionable feedback for iterative refinement. Technically, we enhance the Group Relative Policy Optimization (GRPO) framework by introducing an adjustable inter-group comparison reward, which mitigates the "direction blindness" issue of standard GRPO and enables the model to better distinguish varied-quality edits. VlogReward achieves state-of-the-art results that significantly outperform existing MLLMs, including GPT-5 and Gemini-3-Pro. We hope that our study can help vlog creators and foster automated vlog evaluation and refinement systems.
- Abstract（参考訳）: パーソナライズされたストーリーテリング媒体としてのvlogの急速な普及により、自動システムによるvlog編集計画の評価と洗練が求められている。
しかし、vlogアセスメントは非常に主観的であり、標準化された基準、データセットとベンチマーク、効果的な報酬モデルがないため、依然として困難である。
これらの課題に対処するために、プロのvlog作成者やプロダクトマネージャが指導する包括的なvlog評価フレームワークを定義し、創造性、一貫性、コンセプトデザイン、シネマトグラフィー、ナレーション、ペイシングという6つの重要な側面の分類を確立します。
その後、100kvlog編集の大規模データセットと専用のベンチマークであるVRMBenchをキュレートし、マルチモーダル大言語モデル(MLLM)のvlog報酬能力を評価する。
最後に,VlogRewardを提案する。VlogRewardは,高精細な多次元スコアと,反復的改善のための動作可能なフィードバックの両方を提供する,堅牢なvlog報酬モデルである。
技術的には、標準GRPOの「方向性盲目」問題を緩和し、様々な品質の編集をよりよく区別できる調整可能なグループ間比較報酬を導入することで、グループ相対政策最適化(GRPO)フレームワークを強化する。
VlogReward は、GPT-5 や Gemini-3-Pro など、既存の MLLM を著しく上回っている最先端の結果を達成している。
我々の研究は、Vlog作成者を支援し、自動Vlog評価と改善システムを促進することを願っている。
関連論文リスト
- Each Judge Its Own Yardstick: Discovering Per-VLM Taxonomies for Physical Video Evaluation [73.85089704122315]
本稿では,VLM毎に評価された分類を反復的に検出する手法を提案する。
我々は、VLMの寸法ごとのスコアを人間の身体的共同評価に調整し、そのスコアが信頼できないか冗長であるかを診断し、LPMに修復を促す。
改良された分類法は、テストされた全てのVLMビデオのホールドアウトビデオにおいて、平均的な相対的な改善が約32%で、グローバルスキーマベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-22T06:58:39Z) - VGA-Bench: A Unified Benchmark and Multi-Model Framework for Video Aesthetics and Generation Quality Evaluation [65.0648741395158]
VGA-Benchは、ビデオ生成の品質と美的品質を評価するための統一されたベンチマークである。
我々は1016の多様なプロンプトを設計し、12のビデオ生成モデルを用いて6万以上のビデオの大規模データセットを生成する。
我々のモデルは人間の判断と信頼できる一致を実現し、精度と効率の両方を提供する。
論文 参考訳（メタデータ） (2026-04-11T09:44:39Z) - Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding [98.3098451637867]
Video-MME-v2は、ビデオ理解の堅牢性と忠実さを厳格に評価するために設計された総合的なベンチマークである。
データ品質を保証するため、Video-MME-v2は厳格に制御された人間のアノテーションパイプラインを通して構築される。
論文 参考訳（メタデータ） (2026-04-06T17:59:56Z) - Analytic Score Optimization for Multi Dimension Video Quality Assessment [14.857118087904206]
本稿では,5つの重要な品質次元にアノテートされた多様なユーザ生成コンテンツ(UGC)を含む大規模多次元VQAデータセットを提案する。
データセット内の各ビデオは、これらの次元で3人以上のラッカーによってスコアされ、微粒なサブ属性ラベルが付けられます。
解析スコア最適化(ASO)は,多次元VQAから導出される学習後目標である。
論文 参考訳（メタデータ） (2026-02-18T20:34:24Z) - Q-Save: Towards Scoring and Attribution for Generated Video Evaluation [65.83319736145869]
本稿では,AIGV品質の総合評価のためのベンチマークデータセットとモデルであるQ-Saveを紹介する。
データセットには10000近いビデオが含まれており、それぞれにスカラー平均評価スコア(MOS)と微粒な属性ラベルが付与されている。
品質評価と属性に基づく説明を共同で行う統一評価モデルを提案する。
論文 参考訳（メタデータ） (2025-11-24T07:00:21Z) - CAMP-VQA: Caption-Embedded Multimodal Perception for No-Reference Quality Assessment of Compressed Video [9.172799792564009]
本稿では,大規模モデルの意味理解機能を活用した新しいNR-VQAフレームワークであるCAMP-VQAを提案する。
本手法では,フレーム間変動から抽出したキーフラグメントを統合する品質対応ビデオメタデータ機構を提案する。
我々のモデルは既存のNR-VQA法を一貫して上回り、手作業の細かいアノテーションを使わずに精度の向上を実現している。
論文 参考訳（メタデータ） (2025-11-10T16:37:47Z) - Stable Cinemetrics : Structured Taxonomy and Evaluation for Professional Video Generation [78.24409139109507]
フィルム製造制御を4つの非交叉階層制御ノードに形式化するフレームワークであるStable Cinemetricsを紹介する。
10以上のモデルと20Kビデオにまたがる大規模な人間研究を行い、80以上の映画専門家のプールで注釈を付けました。
SCINEは、ビデオ生成モデルのランドスケープにプロの動画生成を集中させる最初のアプローチである。
論文 参考訳（メタデータ） (2025-09-30T17:22:18Z) - PersonaVlog: Personalized Multimodal Vlog Generation with Multi-Agent Collaboration and Iterative Self-Correction [16.08952891878684]
PersonaVlogは自動マルチモーダルスタイリングVlog生成フレームワークである。
マルチモーダル大言語モデル(MLLM)に基づくマルチエージェント協調フレームワークを提案する。
また,テーマベースの自動ベンチマークフレームワークであるThemeVlogEvalを提案する。
論文 参考訳（メタデータ） (2025-08-19T08:10:43Z) - Value-Spectrum: Quantifying Preferences of Vision-Language Models via Value Decomposition in Social Media Contexts [33.12056808870413]
本稿では、視覚言語モデル(VLM)の評価を目的とした、新しい視覚質問回答(VQA)ベンチマークであるValue-Spectrumを紹介する。
我々は、ビデオブラウジングをシミュレートするVLMエージェントパイプラインを設計し、TikTok、YouTube Shorts、Instagram Reelsの5万本以上のショートビデオからなるベクトルデータベースを構築した。
これらのビデオは数ヶ月に渡り、家族、健康、趣味、社会、テクノロジーなどさまざまなトピックをカバーしている。
論文 参考訳（メタデータ） (2024-11-18T11:31:10Z) - Vlogger: Make Your Dream A Vlog [67.50445251570173]
Vloggerは、ユーザ記述のミニレベルビデオブログ(vlog)を生成する汎用AIシステムである。
Script, (2) Actor, (3) ShowMaker, (4) Voicer など,vlog のプロフェッショナルにとって重要な役割を果たすために,様々な基礎モデルを実行します。
Vloggerは、スクリプトとアクターのビデオコヒーレンスを失うことなく、オープンワールドの説明から5分以上のvlogを生成することができる。
論文 参考訳（メタデータ） (2024-01-17T18:55:12Z) - EvalCrafter: Benchmarking and Evaluating Large Video Generation Models [70.19437817951673]
これらのモデルはしばしば、マルチアスペクト能力を持つ非常に大きなデータセットで訓練されているので、単純な指標から大きな条件生成モデルを判断することは困難である、と我々は主張する。
我々のアプローチは、テキスト・ツー・ビデオ生成のための700のプロンプトの多種多様な包括的リストを作成することである。
そこで我々は、視覚的品質、コンテンツ品質、動作品質、テキスト・ビデオアライメントの観点から、慎重に設計されたベンチマークに基づいて、最先端のビデオ生成モデルを評価する。
論文 参考訳（メタデータ） (2023-10-17T17:50:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。