論文の概要: TextVBench: Evaluating Text Rendering and Preservation in Video Generation

• arxiv url: http://arxiv.org/abs/2610.13412v1
• Date: Fri, 09 Oct 2026 11:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.551091
• Title: TextVBench: Evaluating Text Rendering and Preservation in Video Generation
• Title（参考訳）: TextVBench:ビデオ生成におけるテキストレンダリングと保存の評価
• Abstract要約: 我々は,マルチテキストビデオ,マルチインスタンス問題として視覚的時間的評価を定式化するベンチマークおよび評価フレームワークであるTextVBenchを紹介する。 どちらのトラックも、無条件のVLM転写よりもターゲット候補の選択を使用し、複数のOCR領域への1つのターゲットマッピングをサポートし、フレームレベルの空間的忠実度とフレーム間の時間的忠実度を分離する。 長さ目標スコアはこれらの因子を要約し、テキスト外の診断モードは単一のOCRスコアで隠される。
• 参考スコア（独自算出の注目度）: 28.229261085054745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern video generators can synthesize convincing scenes while rendering a few characters incorrectly, omitting requested text, or changing it across frames. Measuring these failures is harder than applying OCR independently to each frame: when a scene contains multiple text targets and multiple noisy OCR regions, the evaluator must first determine which observation belongs to which intended text. We introduce TextVBench, a benchmark and evaluation framework that formulates visual-text evaluation as a multi-target, multi-instance spatiotemporal correspondence problem. TextVBench contains two complementary tracks: TextVBench-T2V measures the creation and maintenance of prompt-specified text, while TextVBench-Ref2V measures preservation of text from reference images. Both tracks use target-conditioned candidate selection rather than unconstrained VLM transcription, support one target mapping to multiple OCR regions, and separate frame-level spatial fidelity from cross-frame temporal fidelity. A length-weighted harmonic score summarizes these factors, while extra-text diagnostics expose failure modes hidden by a single OCR score. The benchmark is organized around controlled text, layout, carrier, and motion attributes so that aggregate scores can be traced back to specific capability limits. Across the evaluated model runs, MiniMax-H3 reaches a T2V TextVScore of 68.32, while the strongest Ref2V score is 56.51; attribute slices reveal a pronounced drop as the number of simultaneous reference text regions increases.
• Abstract（参考訳）: 現代のビデオジェネレータは、いくつかの文字を誤ってレンダリングしたり、要求されたテキストを省略したり、フレーム間で変更したりしながら、説得力のあるシーンを合成することができる。 シーンが複数のテキストターゲットと複数のノイズの多いOCR領域を含む場合、評価者はまず、どのテキストがどの観察対象であるかを判断しなければならない。 マルチターゲット・マルチインスタンス時空間対応問題として視覚テキスト評価を定式化するためのベンチマークおよび評価フレームワークであるTextVBenchを紹介する。 TextVBench-T2Vはプロンプト指定されたテキストの作成とメンテナンスを計測し、TextVBench-Ref2Vは参照画像からのテキストの保存を計測する。 どちらのトラックも、制約のないVLM転写ではなく、ターゲット条件付き候補選択を使用し、複数のOCR領域への1つのターゲットマッピングをサポートし、フレームレベルの空間的忠実度をフレーム間の時間的忠実度から分離する。 長さ重み付きハーモニックスコアはこれらの因子を要約し、テキスト外診断は単一OCRスコアで隠された障害モードを公開する。 ベンチマークは、コントロールされたテキスト、レイアウト、キャリア、モーション属性を中心に構成され、アグリゲーションスコアを特定の機能制限まで遡ることができる。 評価されたモデルの実行全体で、MiniMax-H3は68.32のT2V TextVScoreに達し、最強のRef2Vスコアは56.51である。

関連論文リスト

• Beyond Legibility: Benchmarking Visual Text Rendering and In-Place Editing in Unified Video Generation [12.560280216804706]
  VidScribeは4世代にわたる統一診断ベンチマークである。 VidScribeは、12軸条件因子空間上の803の人間認証サンプルを含んでいる。 11の商用およびオープンソースシステムのベンチマークでは、ビデオテキスト機能はモノリシックではないことが示されている。
  論文  参考訳（メタデータ） (2026-09-29T03:17:09Z)
• DCText: Scheduled Attention Masking for Visual Text Generation via Divide-and-Conquer Strategy [41.781258763025896]
  DCTextは、ディバイド・アンド・コンカエ戦略を採用する、トレーニング不要なビジュアルテキスト生成方法である。 提案手法はまず,対象テキストの抽出と分割によってプロンプトを分解し,それぞれを指定された領域に割り当てる。 単文および複数文のベンチマーク実験により、DCTextは画像品質を損なうことなく、最高のテキスト精度を達成することが示された。
  論文  参考訳（メタデータ） (2025-12-01T05:52:55Z)
• VidText: Towards Comprehensive Evaluation for Video Text Understanding [56.121054697977115]
  VidTextは、ビデオテキスト理解の総合的かつ詳細な評価のためのベンチマークである。 さまざまな現実世界のシナリオをカバーし、多言語コンテンツをサポートする。 ビデオレベル、クリップレベル、インスタンスレベルのタスクを備えた階層的評価フレームワークを導入している。
  論文  参考訳（メタデータ） (2025-05-28T19:39:35Z)
• Focus, Distinguish, and Prompt: Unleashing CLIP for Efficient and Flexible Scene Text Retrieval [13.315951821189538]
  シーンテキスト検索は、画像ギャラリーからクエリテキストを含むすべての画像を見つけることを目的としている。 現在の取り組みでは、複雑なテキスト検出および/または認識プロセスを必要とする光学文字認識(OCR)パイプラインを採用する傾向にある。 我々は,OCRのないシーンテキスト検索のためのCLIP(Contrastive Language- Image Pre-Trening)の本質的な可能性について検討する。
  論文  参考訳（メタデータ） (2024-08-01T10:25:14Z)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• CORE-Text: Improving Scene Text Detection with Contrastive Relational Reasoning [65.57338873921168]
  自然界におけるテキストインスタンスのローカライズは、コンピュータビジョンにおける根本的な課題であると考えられている。 本研究では,サブテキスト問題を定量的に解析し,シンプルで効果的な設計であるContrastive Relation(CORE)モジュールを提案する。 我々は、COREモジュールをMask R-CNNの2段階テキスト検出器に統合し、テキスト検出器CORE-Textを考案する。
  論文  参考訳（メタデータ） (2021-12-14T16:22:25Z)
• MANGO: A Mask Attention Guided One-Stage Scene Text Spotter [41.66707532607276]
  MANGOという,新しいMask AttentioN Guided One-stage text Spotting frameworkを提案する。 提案手法は,正規テキストスポッティングベンチマークと不規則テキストスポッティングベンチマークの両方において,競争力と新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-12-08T10:47:49Z)
• Text Perceptron: Towards End-to-End Arbitrary-Shaped Text Spotting [49.768327669098674]
  テキストパーセプトロン(Text Perceptron)という,エンドツーエンドのトレーニング可能なテキストスポッティング手法を提案する。 まず、テキスト読解順序と境界情報を学ぶ効率的なセグメンテーションベースのテキスト検出器を用いる。 次に、検出された特徴領域を正規形態に変換するために、新しい形状変換モジュール(STM)を設計する。
  論文  参考訳（メタデータ） (2020-02-17T08:07:19Z)

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。