論文の概要: VOR-Bench: A Human Perception-Driven Benchmark for Video Object Removal

• arxiv url: http://arxiv.org/abs/2609.16878v1
• Date: Tue, 15 Sep 2026 09:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.430047
• Title: VOR-Bench: A Human Perception-Driven Benchmark for Video Object Removal
• Title（参考訳）: VOR-Bench: ビデオオブジェクト削除のための人間の知覚駆動ベンチマーク
• Abstract要約: VORベンチ(VOR Bench)を導入し、3つの統合コンポーネントによるVOR評価を向上する。 まず、VORデータセット(VORD)を、ペア化された編集ビデオと落書きマスクの両方を提供する最初のベンチマークデータセットとして提示する。 第2に、現実的なモーション対応Paired-Video Acquisition FrameworkであるrMPAFを開発する。 第3に,マスク誘導型VORに特化して設計されたVLMに基づく最初の知覚駆動型スコアリングモデルであるVOR-MDSMを紹介する。
• 参考スコア（独自算出の注目度）: 41.67024349583551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite its crucial role in video object removal (VOR), existing evaluation paradigms face two critical limitations: questionable references and a misalignment between tradi- tional metrics and human preference. To address these challenges, we introduce VOR- Bench, which advances VOR evaluation through three integrated components. First, we present the VOR Dataset (VORD), the first benchmark dataset providing both paired edited videos and graffiti masks. Its unique strength lies in a diverse data spectrum, which encompasses model-generated, tool-rendered, and camera-captured data, ensuring robust assessment across real-world scenarios. Second, we develop rMPAF, a realistic Motion- capable Paired-video Acquisition Framework. By combining the strengths of image- based object removal and fine-tuned video generation models, rMPAF automatically generates realistic, motion-coherent paired videos. Finally, we propose three evaluation dimensions and introduce VOR-MDSM, the first perception-driven VLM-based scoring model specifically designed for mask-guided VOR. It bridges the gap between arithmetic metrics and human perception by covering the essential visual attributes and matching nuanced human judgment. Extensive experiments demonstrate that VOR-Bench yields evaluation results that align closely with human perception, achieving a remarkable cor- relation (\r{ho} > 0.9) with subjective assessments. We will release VOR-Bench along with its documentation to ensure full reproducibility.
• Abstract（参考訳）: ビデオオブジェクト除去(VOR)において重要な役割を担っているが、既存の評価パラダイムは、疑わしい参照と、トラディ・オプショナルメトリクスと人間の嗜好の相違という2つの重要な制限に直面している。 これらの課題に対処するため、VOR-Benchを導入し、VOR評価を3つの統合コンポーネントで進める。 まず、VORデータセット(VORD)を、ペア化されたビデオと落書きマスクの両方を提供する最初のベンチマークデータセットとして提示する。 そのユニークな強みは、モデル生成、ツールレンダリング、カメラキャプチャデータを含む多様なデータスペクトルにあり、現実世界のシナリオ全体で堅牢なアセスメントを保証する。 第2に、現実的なモーション対応Paired-Video Acquisition FrameworkであるrMPAFを開発する。 画像ベースのオブジェクト除去と微調整ビデオ生成モデルの強みを組み合わせることで、rMPAFはリアルで動きの一貫性のあるペア動画を自動的に生成する。 最後に3つの評価次元を提案し,マスク誘導型VORに特化して設計された最初の知覚駆動型VLMに基づくスコアモデルであるVOR-MDSMを紹介する。 算術的指標と人間の知覚のギャップを橋渡しし、本質的な視覚的属性をカバーし、ニュアンス付き人間の判断に一致する。 大規模な実験により、VOR-Benchは人間の知覚と密接に一致し、主観的評価と顕著な相関(\r{ho} > 0.9)を達成できることが示された。 完全な再現性を保証するため、VOR-Benchとそのドキュメントをリリースします。

関連論文リスト

• AVBench: Human-Aligned and Automated Evaluation Benchmark for Audio-Video Generative Models [37.78996308837551]
  人中心型AV生成に適した完全自動ベンチマークであるAVBenchを紹介する。 AVBenchは、人間中心の現実世界のシナリオ用に設計された10の評価次元を統合している。 連立決定に対するモデルの予測信頼度から連続的な評価スコアを導き出す。
  論文  参考訳（メタデータ） (2026-05-23T16:42:39Z)
• ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
  空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。 本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
  論文  参考訳（メタデータ） (2026-04-27T10:45:51Z)
• 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)
• VideoScore2: Think before You Score in Generative Video Evaluation [69.43069741467603]
  VideoScore2は、視覚的品質、テキスト・ツー・ビデオのアライメント、物理的/常識的一貫性を明確に評価する多次元、解釈可能、そして人間によるアライメントフレームワークである。 我々のモデルは、27,168人の注釈付きビデオを含む大規模なデータセットVideoFeedback2で訓練されている。
  論文  参考訳（メタデータ） (2025-09-26T18:09:03Z)
• HumanVideo-MME: Benchmarking MLLMs for Human-Centric Video Understanding [120.84817886550765]
  MLLM(Multimodal Large Language Models)は、画像とビデオの両方を含む視覚的理解タスクにおいて、大きな進歩を見せている。 既存の人間中心のベンチマークは、主にビデオ生成の品質と行動認識を強調し、人間中心のシナリオに必要な知覚と認知の能力を見落としている。 我々は,人間中心のビデオ理解におけるMLLMのより総合的な評価を提供するために,厳格にキュレートされたベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-07-07T11:52:24Z)
• VHELM: A Holistic Evaluation of Vision Language Models [75.88987277686914]
  視覚言語モデル(VHELM)の全体的評価について述べる。 VHELMは、視覚的知覚、知識、推論、バイアス、公平性、多言語性、堅牢性、毒性、安全性の9つの側面の1つ以上をカバーするために、さまざまなデータセットを集約する。 私たちのフレームワークは軽量で自動で、評価の実行が安価で高速に行えるように設計されています。
  論文  参考訳（メタデータ） (2024-10-09T17:46:34Z)

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。