論文の概要: OmniVBench: A Benchmark and Large-Scale Dataset for Omni Reference-to-Video Generation

• arxiv url: http://arxiv.org/abs/2609.22069v1
• Date: Fri, 18 Sep 2026 17:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.233784
• Title: OmniVBench: A Benchmark and Large-Scale Dataset for Omni Reference-to-Video Generation
• Title（参考訳）: OmniVBench: Omni参照ビデオ生成のためのベンチマークと大規模データセット
• Abstract要約: 我々はOmniVBenchとOmni-R2Vデータセットを導入し、Omni-R2Vモデルの評価とトレーニングを行う。 対象とする基準因子が忠実に保存されているかどうかを評価するため,12,172件の事例別チェックリスト項目を用いた因子接地評価を導入した。 我々は,Omni R2Vデータ構築のための実用的でスケーラブルなレシピを提供する,参照ターゲットペア構築のためのタスク固有パイプラインを開発した。
• 参考スコア（独自算出の注目度）: 26.52007058618482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reference-to-video (R2V) generation is evolving toward increasingly general and versatile reference control, giving rise to the emerging paradigm of omni R2V generation. However, existing benchmarks fall short of these emerging capabilities: their test cases cover limited reference types and compositions, and their evaluation protocols largely assess holistic reference consistency, overlooking whether reference factors are properly preserved, disentangled, and routed. Meanwhile, the high cost of constructing omni R2V training data makes suitable training resources scarce. To address these gaps, we introduce OmniVBench and the Omni-R2V Dataset for evaluating and training omni R2V models. OmniVBench expands R2V evaluation across broader reference types, fine-grained control tasks, and richer reference compositions, covering 7 task families and 18 fine-grained tasks spanning content, motion, style, structure, narrative, and multi-reference settings. We introduce factor-grounded evaluation with 12,172 case-specific checklist items, assessing whether intended reference factors are faithfully preserved, correctly disentangled and bound to their targets, and properly realized according to the instruction. We further introduce the Omni-R2V Dataset, bringing industrial-grade training resources for diverse R2V tasks to the broader research community. Drawing primarily on a large-scale corpus of professional video footage, it comprises 340K processed training samples spanning diverse reference types and multi-reference compositions. We develop task-specific pipelines for reference-target pair construction, offering a practical and scalable recipe for omni R2V data construction. Extensive evaluation of advanced open- and closed-source R2V models reveals clear performance gaps across task families and evaluation dimensions on OmniVBench, highlighting remaining limitations of current R2V models.
• Abstract（参考訳）: レファレンス・トゥ・ビデオ(R2V)生成は、より汎用的で多用途なレファレンス・コントロールへと進化し、オムニ・R2V生成の新たなパラダイムを生み出している。 テストケースは限定的な参照タイプとコンポジションをカバーしており、その評価プロトコルは、参照要因が適切に保存され、アンタングルされ、ルーティングされているかどうかを見極めながら、概略的な参照一貫性を主に評価している。 一方、Omni R2Vトレーニングデータの構築コストが高いため、適切なトレーニングリソースが不足する。 これらのギャップに対処するために、OmniVBenchとOmni-R2V Datasetを導入し、Omni-R2Vモデルの評価とトレーニングを行う。 OmniVBenchは、より広範な参照タイプ、きめ細かい制御タスク、よりリッチな参照コンポジションでR2V評価を拡張し、コンテンツ、動き、スタイル、構造、物語、マルチ参照設定にまたがる7つのタスクファミリと18のきめ細かいタスクをカバーする。 本研究では,12,172件の事例別チェックリスト項目を用いて,意図した参照因子が忠実に保存されているか,対象物に正しく束縛されているか,その指示に従って適切に実現されているかを評価する。 我々はさらに、Omni-R2Vデータセットを導入し、多様なR2Vタスクのための工業レベルのトレーニングリソースを、幅広い研究コミュニティに提供します。 主に、プロのビデオ映像の大規模なコーパスに基づいて、多様な参照タイプとマルチ参照構成にまたがる340Kのトレーニングサンプルで構成されている。 我々は,Omni R2Vデータ構築のための実用的でスケーラブルなレシピを提供する,参照ターゲットペア構築のためのタスク固有パイプラインを開発した。 高度なオープンソースおよびクローズドソースR2Vモデルの広範囲な評価は、タスクファミリとOmniVBenchにおける評価次元の間に明らかなパフォーマンスギャップを示し、現在のR2Vモデルの限界を浮き彫りにしている。

関連論文リスト

• MultiRef-Compass: Towards Comprehensive Evaluation of Multi-Reference-to-Audio-Video Generation [27.198976547095565]
  MR2AV(Multi-Reference-to-audio-video)生成は,複数の参照とテキスト命令を条件としたコヒーレントなオーディオビデオコンテンツを生成することを目的としている。 既存のベンチマークは主にテキスト駆動生成、単一参照主題保存、孤立したオーディオビデオアライメントに焦点を当てている。 MR2AV生成のための統合ベンチマークであるMultiRef-を導入する。
  論文  参考訳（メタデータ） (2026-07-15T16:02:45Z)
• Scaling Zero-Shot Reference-to-Video Generation [45.15099584926898]
  明示的なR2Vデータを必要としないスケーラブルなゼロショットフレームワークであるSaberを紹介します。 Saberはマスク付きトレーニング戦略と注意に基づくモデル設計を採用し、アイデンティティ一貫性と参照認識の表現を学習する。 OpenS2V-Evalベンチマークでは、R2Vデータで訓練された方法よりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-07T16:10:25Z)
• UI2V-Bench: An Understanding-based Image-to-video Generation Benchmark [35.157850129371525]
  I2V(Image-to-Video)の生成は、ビデオ合成の分野において重要な焦点となっている。 既存の評価ベンチマークは主にビデオの品質や時間的一貫性といった側面に焦点を当てている。 We propose UI2V-Bench, a novel benchmark for evaluation I2V model with focus on semantic understanding and reasoning。
  論文  参考訳（メタデータ） (2025-09-29T08:14:26Z)
• OpenS2V-Nexus: A Detailed Benchmark and Million-Scale Dataset for Subject-to-Video Generation [50.12101313858712]
  我々は, (i) きめ細かいベンチマークである OpenS2V-Eval と (ii) 百万規模のデータセットである OpenS2V-5M からなる OpenS2V-Nexus を提案する。 OpenS2V-Evalは、自然の主観的外観とアイデンティティの忠実さを持つ主観的一貫性のあるビデオを生成するモデルの能力に焦点を当てている。 オープンソースの大規模S2V生成データセットOpenS2V-5Mを作成した。
  論文  参考訳（メタデータ） (2025-05-26T17:59:46Z)
• OmniGenBench: A Benchmark for Omnipotent Multimodal Generation across 50+ Tasks [77.19223035769248]
  大規模マルチモーダルモデル(LMM)の最近のブレークスルーは、画像生成のための汎用的な指示に従うのに顕著な熟練性を示している。 OmniGenBenchは、最先端のLMMの指示追従能力を評価するために、精密に設計された新しいベンチマークである。 我々のOmniGenBenchには57の多様なサブタスクが含まれており、それらが要求する特定のモデル能力に応じて体系的に分類されている。
  論文  参考訳（メタデータ） (2025-05-24T16:29:34Z)
• GRVFL-MV: Graph Random Vector Functional Link Based on Multi-View Learning [0.2999888908665658]
  マルチビュー学習(GRVFL-MV)モデルに基づく新しいグラフランダムベクトル関数リンクを提案する。 提案モデルは,マルチビュー学習(MVL)の概念を取り入れて,複数の視点で学習する。 また、グラフ埋め込み(GE)フレームワークを使用して、すべてのビューの幾何学的性質も取り入れている。
  論文  参考訳（メタデータ） (2024-09-07T07:18:08Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)

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。