論文の概要: AdSpark: A Large-Scale Dataset and Benchmark for Product-Centric Advertisement Video Generation
- arxiv url: http://arxiv.org/abs/2610.10047v1
- Date: Wed, 07 Oct 2026 13:23:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.93345
- Title: AdSpark: A Large-Scale Dataset and Benchmark for Product-Centric Advertisement Video Generation
- Title（参考訳）: AdSpark: プロダクト中心のビデオ生成のための大規模データセットとベンチマーク
- Abstract要約: 我々は,製品中心の広告ビデオ生成のための大規模データセットとベンチマークであるtextbfAdSparkを紹介した。
textitAdSpark-300Kは、約300Kの参照イメージ-プロンプト-ビデオ三つ子を含み、現実世界のサブセットと合成サブセットから構成される。
AdSpark-Benchに基づいて代表モデルを評価し,製品保存,マルチショットストーリーテリング,販売ポイント可視化における重要な課題を明らかにした。
- 参考スコア（独自算出の注目度）: 15.87214962972032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Product-centric advertisement video generation aims to create promotional videos that preserve fine-grained product identity while presenting selling points through coherent multi-shot narratives. However, this emerging task remains underexplored due to the lack of large-scale advertisement-specific datasets and comprehensive evaluation frameworks. To address this gap, we introduce \textbf{AdSpark}, a large-scale dataset and benchmark for product-centric advertisement video generation, based on data from a major e-commerce platform. \textit{AdSpark-300K} contains approximately 300K reference image--prompt--video triplets, comprising a real-world subset and a synthetic subset. Each sample provides structured advertisement annotations, including product identity annotations, selling-point descriptions, creative plans, and aligned audio scripts, enabling models to learn product preservation and advertisement-oriented visual storytelling. We further propose \textit{AdSpark-Bench}, a diagnostic benchmark that evaluates generated advertisements across six dimensions, including visual quality, product fidelity, instruction adherence, temporal coherence, audio alignment, and advertisement effectiveness. Based on AdSpark-Bench, we evaluate representative models, revealing key challenges in product preservation, multi-shot storytelling, and selling-point visualization. Experiments with AdSpark-300K-finetuned models further validate the effectiveness of our dataset. AdSpark provides a unified dataset and benchmark for future research, and we will release the dataset upon acceptance.
- Abstract（参考訳）: プロダクト中心の広告ビデオ生成は、コヒーレントなマルチショット物語を通じて販売ポイントを提示しながら、きめ細かい商品のアイデンティティを保ったプロモーションビデオを作成することを目的としている。
しかし、この新たな課題は、大規模な広告特化データセットや包括的な評価フレームワークが欠如しているため、まだ解明されていない。
このギャップに対処するために、主要なeコマースプラットフォームのデータに基づいて、製品中心の広告ビデオ生成のための大規模データセットとベンチマークである \textbf{AdSpark} を紹介します。
\textit{AdSpark-300K} には、約300Kの参照イメージ-プロンプト-ビデオ三つ子が含まれており、現実世界のサブセットと合成サブセットから構成されている。
各サンプルは、製品アイデンティティアノテーション、販売ポイント記述、クリエイティブプラン、アライメントされたオーディオスクリプトを含む構造化された広告アノテーションを提供し、モデルが製品の保存と広告指向のビジュアルストーリーテリングを学ぶことができる。
さらに,視覚的品質,製品忠実度,命令順守,時間的コヒーレンス,オーディオアライメント,広告効果などの6次元にわたる広告を評価可能な診断ベンチマークである「textit{AdSpark-Bench}」を提案する。
AdSpark-Benchに基づいて代表モデルを評価し,製品保存,マルチショットストーリーテリング,販売ポイント可視化における重要な課題を明らかにした。
AdSpark-300Kを用いた実験は、我々のデータセットの有効性をさらに検証する。
AdSparkは将来の研究のために統一されたデータセットとベンチマークを提供します。
関連論文リスト
- MLLM-VADStory: Domain Knowledge-Driven Multimodal LLMs for Video Ad Storyline Insights [0.0]
本稿では,大規模ビデオ広告のストーリーライン理解のための洞察を定量化・生成するための,ドメイン知識誘導型マルチモーダル言語モデル(MLLM)フレームワークを提案する。
MLLM-VADStoryは、広告を機能単位に分割し、新しい広告固有の機能的役割分類を用いて各ユニットの機能を分類し、その後、データ駆動のストーリーライン構造を回復するために、広告全体で機能的シーケンスを集約する。
このフレームワークを4つの産業のサブバーティカルで5000万のソーシャルメディアビデオ広告に適用すると、ストーリーベースのクリエイティブがビデオの保持を改善することが分かる。
論文 参考訳（メタデータ） (2026-01-08T20:00:35Z) - Exploring Fine-grained Retail Product Discrimination with Zero-shot Object Classification Using Vision-Language Models [50.370043676415875]
スマートリテールアプリケーションでは、多数の製品とその頻繁なターンオーバーは信頼性の高いゼロショットオブジェクト分類方法を必要とする。
我々は28の異なる製品カテゴリからなるMIMEXデータセットを紹介した。
我々は、提案したMIMEXデータセット上で、最先端ビジョン言語モデル(VLM)のゼロショットオブジェクト分類性能をベンチマークする。
論文 参考訳（メタデータ） (2024-09-23T12:28:40Z) - Video Summarization: Towards Entity-Aware Captions [73.28063602552741]
本稿では,ニュース映像をエンティティ対応キャプションに直接要約するタスクを提案する。
提案手法は,既存のニュース画像キャプションデータセットに一般化されていることを示す。
論文 参考訳（メタデータ） (2023-12-01T23:56:00Z) - A Multimodal Framework for Video Ads Understanding [64.70769354696019]
広告ビデオコンテンツの構造化分析能力を向上させるためのマルチモーダルシステムの開発を行う。
2021年のTAAC最終リーダーボードでは, 位置推定と予測精度を考慮した0.2470のスコアを得た。
論文 参考訳（メタデータ） (2021-08-29T16:06:00Z) - QuerYD: A video dataset with high-quality text and audio narrations [85.6468286746623]
ビデオの検索とイベントのローカライゼーションのための大規模データセットQuerYDを紹介する。
データセットのユニークな特徴は、ビデオ毎に2つのオーディオトラック(オリジナルオーディオと高品質な音声記述)が利用可能であることです。
YouDescribeは、既存のYouTubeビデオに音声ナレーションを付加することで視覚障害者を支援するボランティアプロジェクトだ。
論文 参考訳（メタデータ） (2020-11-22T17:33:44Z) - Poet: Product-oriented Video Captioner for E-commerce [124.9936946822493]
電子商取引では、製品プロモーションにユーザ生成ビデオが増えている。このビデオで表されるユーザ優先の製品特性を物語るビデオ記述をどうやって生成するかは、プロモーションを成功させる上で不可欠である。
本稿では,製品指向の動画キャプタフレームワークであるPoetを提案する。
Poetは、生成品質、製品面のキャプチャ、語彙の多様性に関する従来の手法よりも一貫した性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2020-08-16T10:53:46Z) - An Advert Creation System for 3D Product Placements [12.131828005790386]
本稿では,ビデオ配置統合(Adverts)フレームワークを提案する。
シーンの3D幾何学とカメラの動きを認識して、ビデオに3D仮想オブジェクトをブレンドし、現実の錯覚を作り出すことができる。
論文 参考訳（メタデータ） (2020-06-26T17:41:50Z) - Comprehensive Information Integration Modeling Framework for Video
Titling [124.11296128308396]
エンド・ツー・エンド・エンド・モデリング・フレームワークにおいて、消費者生成ビデオの内容、消費者から提供される物語コメント文、製品属性などの包括的情報ソースを統合する。
この問題に対処するため,提案手法は,粒度レベルの相互作用モデリングと抽象レベルのストーリーライン要約という2つのプロセスから構成される。
グローバルなeコマースプラットフォームであるTaobaoの実際のデータから、大規模なデータセットを収集します。
論文 参考訳（メタデータ） (2020-06-24T10:38:15Z)
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。