論文の概要: SemComp-Bench: Benchmarking Semantic Task Completion in Video Generation

• arxiv url: http://arxiv.org/abs/2608.17426v1
• Date: Tue, 18 Aug 2026 06:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.236078
• Title: SemComp-Bench: Benchmarking Semantic Task Completion in Video Generation
• Title（参考訳）: SemComp-Bench:ビデオ生成におけるセマンティックタスク補完のベンチマーク
• Abstract要約: 本稿では,結果指向のビデオ生成タスクであるSemantic Task Completion Video Generationを紹介する。 この定式化の下では、成功には意図された成果の達成と意味的根拠の両方が必要である。 6つの領域をカバーする評価データセットであるSemComp-Dataを構築した。 本稿では、視覚言語モデル(VLM)を用いて、構造化された二項質問に答える評価プロトコルであるSemComp-Benchを紹介する。
• 参考スコア（独自算出の注目度）: 58.75109156710544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Semantic Task Completion Video Generation, an outcome-oriented video generation task. Under this formulation, success requires both achievement of the intended outcome and semantic grounding. Semantic grounding characterizes the correspondence between the reference image and the generated outcome in terms of high-level semantics relevant to the task. Evaluation focuses on the generated outcome and requires neither the presentation of a complete sequence of intermediate task steps nor conventional appearance consistency with the reference image. To support systematic evaluation, we construct SemComp-Data, an evaluation dataset covering six domains. Each instance comprises a reference image, a detailed instruction, a brief instruction, and an outcome-centric video clip. A scalable four-stage curation pipeline converts raw videos into standardized SemComp-Data instances. We further introduce SemComp-Bench, an evaluation protocol that uses a vision-language model (VLM) to answer structured binary questions. SemComp-Bench reports the OA Score and the GR Score for Outcome Achievement and Generation Reliability, respectively. Experiments on representative video generation models show that achieving intended outcomes while maintaining task-relevant semantic grounding in reference images remains challenging.
• Abstract（参考訳）: 本稿では,結果指向のビデオ生成タスクであるSemantic Task Completion Video Generationを紹介する。 この定式化の下では、成功には意図された成果の達成と意味的根拠の両方が必要である。 セマンティックグラウンドディングは、タスクに関連する高レベルの意味論の観点から、参照画像と生成された結果との対応を特徴付ける。 評価は、生成された結果に焦点を当て、中間タスクステップの完全なシーケンスの提示も、参照画像との従来の外観整合性も必要としない。 システム評価を支援するために,6つの領域をカバーする評価データセットであるSemComp-Dataを構築した。 各インスタンスは、参照画像、詳細なインストラクション、簡単なインストラクション、結果中心のビデオクリップで構成される。 スケーラブルな4段階キュレーションパイプラインは、生のビデオを標準化されたSemComp-Dataインスタンスに変換する。 さらに、視覚言語モデル(VLM)を用いて、構造化された二項質問に答える評価プロトコルであるSemComp-Benchを紹介する。 SemComp-Benchは、OAスコアとGRスコアをそれぞれ報告している。 代表映像生成モデルを用いた実験では、参照画像におけるタスク関連セマンティックグラウンドティングを維持しながら、意図した結果を達成することは依然として困難であることが示されている。

関連論文リスト

• UniVBench: Towards Unified Evaluation for Video Foundation Models [29.73247324829126]
  ビデオファウンデーションモデルは、ビデオ理解、生成、編集、インストラクションを単一のフレームワークに統合することを目的としている。 UniVBenchは、4つのコア能力にまたがるビデオ基盤モデルを評価するためのベンチマークである。 本ベンチマークでは,200本の高画質・多機能・マルチショット映像を取り入れることで,評価の複雑さを大幅に拡大する。
  論文  参考訳（メタデータ） (2026-02-25T12:08:53Z)
• VIPER: Process-aware Evaluation for Generative Video Reasoning [64.86465792516658]
  我々は、時間的、構造的、象徴的、空間的、物理的、計画的推論にまたがる16のタスクにまたがる包括的なベンチマークVIPERを紹介する。 実験の結果,現状の映像モデルでは約20%のPOC@1.0しか達成できず,良好な結果が得られた。
  論文  参考訳（メタデータ） (2025-12-31T16:31:59Z)
• Temporal Prompting Matters: Rethinking Referring Video Object Segmentation [64.82333675385802]
  Referring Video Object (RVOS) は、クエリ文によって参照されるオブジェクトをビデオにセグメントすることを目的としている。 既存のほとんどの方法は、密集したマスクアノテーションによるエンドツーエンドのトレーニングを必要とする。 本稿では,参照要因とビデオ要因に対処するテンポラル・プロンプト生成・選択(テネ)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-08T17:59:57Z)
• DeVAn: Dense Video Annotation for Video-Language Models [68.70692422636313]
  実世界のビデオクリップに記述を生成する視覚言語モデルの有効性を評価するために,人間の注釈付きデータセットを提案する。 データセットには、20秒から60秒間の8.5KのYouTubeビデオクリップが含まれており、幅広いトピックや関心事をカバーしている。
  論文  参考訳（メタデータ） (2023-10-08T08:02:43Z)
• Unsupervised Temporal Video Grounding with Deep Semantic Clustering [58.95918952149763]
  時間的ビデオグラウンドティングは、所定の文クエリに従って、ビデオ内のターゲットセグメントをローカライズすることを目的としている。 本稿では,ペアアノテーションを使わずにビデオグラウンドモデルが学べるかどうかを考察する。 ペア化された監視が存在しないことを考慮し,クエリ集合全体からすべての意味情報を活用するための新しいDeep Semantic Clustering Network (DSCNet)を提案する。
  論文  参考訳（メタデータ） (2022-01-14T05:16:33Z)
• Target Adaptive Context Aggregation for Video Scene Graph Generation [36.669700084337045]
  本稿では,映像シーングラフ生成(VidSGG)の課題を扱う。 複雑な低レベルエンティティ追跡から関係予測のためのコンテキストモデリングを分離することにより,この課題に対する新しい Em 検出-追跡パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-08-18T12:46:28Z)
• Unsupervised Video Summarization via Multi-source Features [4.387757291346397]
  ビデオ要約は、オリジナルビデオの本質を伝達するコンパクトだが代表的な視覚的要約を生成することを目的としている。 本稿では,複数の特徴源をチャンクとストライド融合で組み込むことにより,視覚的コンテンツについてより詳細な情報を提供する。 また,TVSumとSumMeの2つのベンチマークを総合的に評価するために,本手法を4つの最先端手法と比較した。
  論文  参考訳（メタデータ） (2021-05-26T13:12:46Z)
• STEP: Segmenting and Tracking Every Pixel [107.23184053133636]
  新しいベンチマークを示す: Segmenting and Tracking Every Pixel (STEP) 私たちの仕事は、空間領域と時間領域の両方で密な解釈を必要とする現実世界の設定で、このタスクをターゲットとする最初のものです。 性能を測定するために,新しい評価指標と追跡品質(STQ)を提案する。
  論文  参考訳（メタデータ） (2021-02-23T18:43:02Z)
• Video Understanding as Machine Translation [53.59298393079866]
  我々は、単一の統合フレームワークを用いて、様々なダウンストリームビデオ理解タスクに取り組む。 映像分類(EPIC-Kitchens)、質問応答(TVQA)、キャプション(TVC, YouCook2, MSR-VTT)など、いくつかのダウンストリームタスクにおいて、現状よりもパフォーマンスの向上が報告されている。
  論文  参考訳（メタデータ） (2020-06-12T14:07:04Z)

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。