論文の概要: TREND-10K: A Comprehensive Dataset for Next-Generation Video Quality Assessment Based on Preference-Driven Media
- arxiv url: http://arxiv.org/abs/2609.26187v1
- Date: Tue, 11 Aug 2026 02:02:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.918058
- Title: TREND-10K: A Comprehensive Dataset for Next-Generation Video Quality Assessment Based on Preference-Driven Media
- Title（参考訳）: TREND-10K: 優先度駆動メディアに基づく次世代映像品質評価のための包括的データセット
- Abstract要約: 本稿では,トレンド駆動部と静的部からなる次世代包括的VQAデータセットTREND-10Kを紹介する。
トレンド駆動の部分はTREND-Searchフレームワークをベースにしており、オンラインプラットフォーム上のトレンドリストからユーザの好みプロファイルをキャプチャする。
様々なビデオタイプの統一評価を支援するために,技術,美学,AIGCトレースの3つの評価次元を取り入れた。
- 参考スコア（独自算出の注目度）: 58.977671806031374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing prominence of short-video platforms, coupled with the advanced commercialization of AI-generated content (AIGC) videos, has led to a shift in the types of video media trend consumed by users in their daily lives. Traditional user-generated content (UGC) is gradually being replaced by professional short dramas and AIGC entertainment. Consequently, VQA for contemporary media content has become increasingly important. This requires a unified evaluation framework that can handle diverse video content and evolving media trends. In this context, we introduce TREND-10K, a next-generation comprehensive VQA dataset consisting of the trend-driven part and the static part, containing $10,000$ videos across a wide spectrum of content types. The trend-driven part is based on the TREND-Search framework, which captures user preference profiles from trending lists on online platforms and formulates sampling strategies based on these profiles. The static part, on the other hand, is composed of supplementary samples selected from publicly available datasets. To support unified evaluation for various video types, we incorporate three evaluation dimensions: technical, aesthetic, and AIGC-trace. Experiments show that our dataset ensures high annotation quality and exhibits remarkable generalization across multiple content categories. In conclusion, our work presents a robust framework for advancing VQA, addressing challenges caused by the temporal evolution of user perceptual habits and preferences.
- Abstract（参考訳）: AIGC(AI-Generated Content)ビデオの高度商用化と相まって、ショートビデオプラットフォームの普及は、ユーザーが日常的に消費するビデオメディアのトレンドのタイプに変化をもたらした。
従来のユーザ生成コンテンツ(UGC)は、プロの短編ドラマやAIGCエンターテイメントに置き換わっている。
その結果,現代メディアコンテンツにおけるVQAの重要性が高まっている。
これは、多様なビデオコンテンツとメディアトレンドを扱える統一的な評価フレームワークを必要とする。
本稿では,トレンド駆動部分と静的部分からなる次世代総合VQAデータセットTREND-10Kについて紹介する。
トレンド駆動の部分はTREND-Searchフレームワークに基づいており、オンラインプラットフォーム上のトレンドリストからユーザの好みプロファイルをキャプチャし、これらのプロファイルに基づいたサンプリング戦略を定式化する。
一方、静的な部分は、公開データセットから選択された補足的なサンプルで構成されている。
様々なビデオタイプの統一評価を支援するために,技術,美学,AIGCトレースの3つの評価次元を取り入れた。
実験により,本データセットは高いアノテーション品質を保証し,複数のコンテンツカテゴリにまたがる顕著な一般化を示すことが示された。
結論として,本研究は,ユーザの知覚的習慣や嗜好の時間的変化に起因する課題に対処するため,VQAを進めるための堅牢な枠組みを提示する。
関連論文リスト
- Scaling Audio-Visual Quality Assessment Dataset via Crowdsourcing [62.250874651622574]
AVQAデータセット構築のための実用的なアプローチを提案する。
AVQAのためのクラウドソース型主観的実験フレームワークを設計し、インラブ設定の制約を破り、様々な環境にまたがって信頼性の高いアノテーションを実現する。
ユーザ生成オーディオおよびビデオシーケンス1,620のAVQAデータセットのうち,最大かつ最も多様なYT-NTU-AVQを用いて,このアプローチを検証する。
論文 参考訳（メタデータ） (2026-02-26T06:18:11Z) - VC-Bench: Pioneering the Video Connecting Benchmark with a Dataset and Evaluation Metrics [83.61875204972465]
ビデオ接続(Video Connecting)は,ビデオクリップの開始と終了の間にスムーズな中間映像コンテンツを生成するタスクである。
このギャップを埋めるため、私たちはビデオ接続に特化した新しいベンチマークであるVC-Benchを提案しました。
VC-Benchは、ビデオ品質スコアVQS、スタート-エンド一貫性スコアSECS、トランジッションスムースネススコアSSの3つの中核的な側面に焦点を当てている。
論文 参考訳（メタデータ） (2026-01-27T06:15:12Z) - HIPPO-Video: Simulating Watch Histories with Large Language Models for Personalized Video Highlighting [27.92094212778288]
パーソナライズされたビデオハイライトのための新しいデータセットであるHIPPO-Videoを紹介する。
データセットには2,040対(履歴、給与スコア)が含まれており、170のセマンティックカテゴリにわたる20,400のビデオをカバーしている。
提案手法は,これらの個人化された時計履歴を利用して,嗜好条件付きセグメント・サリエンシスコアを推定する手法である。
論文 参考訳（メタデータ） (2025-07-22T08:24:33Z) - A Comprehensive Survey on Video Scene Parsing:Advances, Challenges, and Prospects [53.15503034595476]
Video Scene Parsing (VSP) はコンピュータビジョンの基盤として登場した。
VSPはコンピュータビジョンの基盤として現れ、ダイナミックシーンにおける多様な視覚的実体の同時セグメンテーション、認識、追跡を容易にする。
論文 参考訳（メタデータ） (2025-06-16T14:39:03Z) - Research on Audio-Visual Quality Assessment Dataset and Method for User-Generated Omnidirectional Video [6.117081165682988]
我々は全方向オーディオ・ビデオ(A/V)コンテンツのデータセットを構築した。
データセット上で主観的なAVQA実験を行い、平均オピニオンスコアを得る。
提案したデータセットに基づいて有効なAVQAベースラインモデルを構築する。
論文 参考訳（メタデータ） (2025-06-12T03:40:30Z) - Agent-based Video Trimming [17.519404251018308]
ビデオトリミング(VT)という新しいタスクを導入する。
VTは、無駄な映像を検出し、貴重なセグメントを選択し、それらをコヒーレントなストーリーで最終ビデオに構成することに焦点を当てている。
AVTは、ユーザスタディにおいてより好ましい評価を受け、YouTube Highlights、TVSum、および我々のデータセットにおいて、より優れたmAPと精度を示した。
論文 参考訳（メタデータ） (2024-12-12T17:59:28Z) - SALOVA: Segment-Augmented Long Video Assistant for Targeted Retrieval and Routing in Long-Form Video Analysis [52.050036778325094]
本稿では,SALOVA: Segment-Augmented Video Assistantを紹介する。
87.8Kビデオの高品質なコレクションをセグメントレベルで高密度にキャプションし、シーンの連続性を捕捉し、リッチなコンテキストを維持する。
本フレームワークは,クエリに応答して,関連ビデオセグメントの正確な識別と検索を可能にすることで,現在のビデオLMMの限界を緩和する。
論文 参考訳（メタデータ） (2024-11-25T08:04:47Z) - Delving Deep into Engagement Prediction of Short Videos [34.38399476375175]
本研究は,ユーザインタラクションが限定されたビデオのエンゲージメント予測の難しさを深く掘り下げるものである。
Snapchatの90,000の現実世界のショートビデオからなる、実質的なデータセットを紹介します。
本手法は,映像コンテンツから映像のエンゲージメントを純粋に予測できることを示す。
論文 参考訳（メタデータ） (2024-09-30T23:57:07Z) - Tencent AVS: A Holistic Ads Video Dataset for Multi-modal Scene
Segmentation [12.104032818304745]
Tencent Ads Video'(TAVS)データセットを広告ドメイン内に構築し、マルチモーダルビデオ分析を新たなレベルにエスカレートする。
TAVSは3つの独立した視点からの動画をプレゼンテーション形式、場所、スタイルとして記述し、ビデオ、オーディオ、テキストなどの豊富なマルチモーダル情報を含んでいる。
12,000のビデオ、82のクラス、33,900のセグメント、121,100のショット、168,500のラベルがある。
論文 参考訳（メタデータ） (2022-12-09T07:26:20Z) - QVHighlights: Detecting Moments and Highlights in Videos via Natural
Language Queries [89.24431389933703]
Query-based Video Highlights (QVHighlights) データセットを提示する。
これは1万本以上のYouTubeビデオで構成され、幅広いトピックをカバーしている。
データセット内の各ビデオには、(1)人書き自由形式のNLクエリ、(2)クエリに関するビデオw.r.t.の関連モーメント、(3)クエリに関連するすべてのクリップに対する5ポイントスケールのサリエンシスコアが注釈付けされている。
論文 参考訳（メタデータ） (2021-07-20T16:42:58Z)
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。