論文の概要: CinematicVQA: Benchmarking Film-Grammar Reasoning in Large Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.28813v1
• Date: Wed, 23 Sep 2026 21:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.581611
• Title: CinematicVQA: Benchmarking Film-Grammar Reasoning in Large Vision-Language Models
• Title（参考訳）: CinematicVQA:大規模視覚言語モデルにおけるフィルム・グラマー推論のベンチマーク
• Abstract要約: CinematicVQA(シネマティックVQA)は、シネマティックビデオ理解のための最初のベンチマークである。 モデルは、基礎となる技術を特定することよりも、視覚的なプレゼンテーションを記述することの方が常に高いパフォーマンスを発揮する。 textscCinematicVQA-trainの微調整は、一貫した改善をもたらす。
• 参考スコア（独自算出の注目度）: 19.330818029295298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cinematography, the craft of visual storytelling through framing, lighting, and camera operation, fundamentally shapes how audiences perceive and emotionally engage with video content. While Large Vision Language Models (LVLMs) have made remarkable progress in video question answering, existing benchmarks primarily focus on identifying low-level techniques rather than understanding their storytelling impact. To address this, we introduce CinematicVQA, the first-of-its-kind benchmark for cinematic video understanding that goes beyond technique recognition to evaluate film-grammar reasoning, utilizing our introduced Cinematic Scene Graph (CSG), a structured representation that links filming techniques to their perceptual effects and narrative functions. Through comprehensive evaluation of state-of-the-art LVLMs, we reveal a striking semantic gap: models consistently perform higher on describing visual presentations than on identifying the underlying techniques. Surprisingly, Chain-of-Thought prompting fails to provide consistent gains and degrades performance for most models, suggesting that current LVLMs lack sufficient cinematic domain knowledge to benefit from step-by-step reasoning. Fine-tuning on \textsc{CinematicVQA-train} yields consistent improvements, particularly for narrative function and multi-hop reasoning. Overall, \textsc{CinematicVQA} serves both as a rigorous benchmark for cinematic evaluation in LVLMs and as a practical dataset for training more film-aware video models.
• Abstract（参考訳）: シネマトグラフィー(Cinematography)は、フレーミング、照明、カメラ操作によるビジュアルなストーリーテリングの工芸品で、観客がビデオコンテンツに対して知覚し、感情的に関与する方法を根本的に形作っている。 LVLM(Large Vision Language Models)はビデオ質問応答において顕著な進歩を遂げているが、既存のベンチマークは主にストーリーテリングの影響を理解することよりも、低レベルのテクニックを特定することに焦点を当てている。 そこで本研究では,映像映像理解のための第1級のベンチマークであるCinematicVQAを導入して,映像の文法的推論を評価するとともに,映像技術と知覚的効果と物語機能とを関連付ける構造化表現であるCSGを用いて,映像の文法的推論を評価する。 現状のLVLMを包括的に評価することで、モデルが基礎となる技術を特定することよりも、視覚的プレゼンテーションを記述する上で一貫して高い性能を発揮するという、目覚ましいセマンティックギャップが明らかになる。 驚いたことに、Chain-of-Thoughtのプロンプトは、ほとんどのモデルで一貫した利益を与えず、性能を低下させ、現在のLVLMはステップバイステップの推論の恩恵を受けるのに十分な撮影領域の知識が不足していることを示唆している。 textsc{CinematicVQA-train} の微調整は、特に物語機能やマルチホップ推論において、一貫した改善をもたらす。 全体として、textsc{CinematicVQA} はLVLMの撮影評価のための厳密なベンチマークとして機能し、さらに多くのフィルム対応ビデオモデルをトレーニングするための実用的なデータセットとして機能する。

関連論文リスト

• Building a Precise Video Language with Human-AI Oversight [63.57293532815199]
  CHAI (Critique-based Human-AI Oversight) は、訓練された専門家がモデル言語のプレキャプションを改良されたポストキャプションに批判し、修正するフレームワークである。 我々の枠組みは、我々の監視フレームワークによって保証された正確さ、リコール、建設性の批判的品質が、下流のパフォーマンスを直接支配していることを示している。
  論文  参考訳（メタデータ） (2026-04-22T09:01:04Z)
• Episodic Memory Representation for Long-form Video Understanding [52.33907540905242]
  大きなビデオ言語モデルは、一般的なビデオ理解において優れているが、長い形式のコンテキストウィンドウの制限に苦労する。 人間の記憶の原理にインスパイアされたトレーニングフリーのフレームワークであるVideo-EMを紹介する。 Video-EMでは、各ベースラインに対して4-9%のパフォーマンス向上を実現し、フレームの削減を実現している。
  論文  参考訳（メタデータ） (2025-08-13T04:33:07Z)
• ImplicitQA: Going beyond frames towards Implicit Video Reasoning [39.63171940350552]
  ImplicitQAは、人間のような暗黙の推論でビデオQAモデルをテストするために設計された新しいベンチマークである。 ImplicitQAは、1Kの高品質なクリエイティビティビデオクリップから引き出された1Kの微妙な注釈付きQAペアからなる。
  論文  参考訳（メタデータ） (2025-06-26T19:53:54Z)
• ShotBench: Expert-Level Cinematic Understanding in Vision-Language Models [87.43784424444128]
  映画言語理解に特化したベンチマークであるShotBenchを紹介する。 画像とビデオクリップから3.5k以上の専門家によるQAペアを収録し、200本以上の称賛された(オスカー賞にノミネートされた)映画から細心の注意を払ってキュレートしている。 ShotBench上でのビジョン・ランゲージ・モデル24件の評価では,特に細粒度の視覚的手がかりや複雑な空間的推論に苦慮している。
  論文  参考訳（メタデータ） (2025-06-26T15:09:21Z)
• CineTechBench: A Benchmark for Cinematographic Technique Understanding and Generation [22.88243961225531]
  CineTechBenchは、調味された撮影の専門家による正確な手動アノテーションに基づいて作られたベンチマークである。 私たちのベンチマークでは、撮影スケール、ショットアングル、コンポジション、カメラの動き、照明、色、焦点距離の7つの重要な側面をカバーしています。 生成タスクでは,映像の質の高いカメラの動きを再現するための高度な映像生成モデルの評価を行う。
  論文  参考訳（メタデータ） (2025-05-21T06:02:39Z)
• VaQuitA: Enhancing Alignment in LLM-Assisted Video Understanding [63.075626670943116]
  本稿では,映像情報とテキスト情報の相乗効果を向上するための最先端フレームワークであるVaQuitAを紹介する。 データレベルでは、フレームを均一にサンプリングする代わりに、CLIPスコアランキングでガイドされるサンプリング手法を実装している。 機能レベルでは、Visual-Query Transformerと一緒にトレーニング可能なVideo Perceiverを統合します。
  論文  参考訳（メタデータ） (2023-12-04T19:48:02Z)
• Vamos: Versatile Action Models for Video Understanding [23.631145570126268]
  「多元的行動モデル(Vamos)は、大言語モデルを利用した学習フレームワークである。」 Ego4D,NeXT-QA,IntentQA,Spacewalk-18,Egoの5つのベンチマークでVamosを評価する。
  論文  参考訳（メタデータ） (2023-11-22T17:44:24Z)
• Helping Hands: An Object-Aware Ego-Centric Video Recognition Model [60.350851196619296]
  オブジェクト認識デコーダを導入し、エゴ中心の動画におけるエゴ中心の表現の性能を向上させる。 このモデルは,エゴ認識ビデオモデルの代替として機能し,視覚テキストのグラウンド化による性能向上を図っている。
  論文  参考訳（メタデータ） (2023-08-15T17:58:11Z)

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。