論文の概要: MFVSR: A Multi-Style and Fine-Grained Benchmark for Video Subtitle Removal
- arxiv url: http://arxiv.org/abs/2610.18461v1
- Date: Tue, 13 Oct 2026 14:27:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 21:15:44.594991
- Title: MFVSR: A Multi-Style and Fine-Grained Benchmark for Video Subtitle Removal
- Title（参考訳）: MFVSR:ビデオ字幕削除のためのマルチスタイル・ファイングレードベンチマーク
- Abstract要約: MFVSRは信頼性を考慮したビデオ字幕削除評価のための大規模ベンチマークである。
MFVSRは、Real-HQ、Real-LQ、AI生成ソースの3000のペアビデオで構成され、現実世界のカバレッジ分析のために、953の実際のビデオの補助セットで構成されている。
- 参考スコア（独自算出の注目度）: 24.646566263698745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video subtitle removal (VSR) is an important video restoration task, yet existing evaluation remains limited by low-resolution datasets, fragmented test sets, and generic video-inpainting protocols that fail to adequately capture localized restoration errors, unintended modifications, temporal instability, and incomplete outputs. In this paper, we introduce MFVSR, a large-scale multi-style benchmark for fine-grained and reliability-aware video subtitle removal evaluation. MFVSR distinguishes itself through three key features: (1) Large-scale and diverse data, comprising 3,000 paired videos from Real-HQ, Real-LQ, and AI-Generated sources, with an auxiliary set of 953 in-the-wild real videos for real-world coverage analysis; (2) Controlled subtitle diversity, spanning 16 languages and four factors covering spatial layout, temporal behavior, visual style, and language mode; (3) Fine-grained evaluation, introducing an information-conditioned, spatially decoupled protocol that separates blind from mask-guided removal and measures Restoration Fidelity, Preservation Fidelity, Temporal Fidelity, coverage, and failures. Experiments on six representative methods reveal substantial discrepancies between local restoration, outside-region preservation, temporal consistency, and full-set reliability that are obscured by conventional full-frame metrics. MFVSR therefore provides a more comprehensive and diagnostic foundation for evaluating and advancing video subtitle removal methods.
- Abstract（参考訳）: ビデオ字幕削除(VSR)は重要なビデオ修復作業であるが、既存の評価は低解像度のデータセット、断片化テストセット、局所的な復元エラー、意図しない修正、時間的不安定、不完全な出力を適切にキャプチャできない一般的なビデオ塗装プロトコルによって制限されている。
本稿では,ビデオ字幕削除評価のための大規模マルチスタイルベンチマークであるMFVSRを紹介する。
MFVSRは,(1)リアル本社,リアルLQ,AI生成ソースの3000組の動画と,953組の補助的な実写映像からなる大規模かつ多様なデータ,(2)空間的レイアウト,時間的行動,視覚的スタイル,言語モードをカバーする16の言語と4つの要因の制御されたサブタイトルの多様性,(3)視覚的に視覚的に切り離された情報調和型プロトコルの導入による,視覚障害者の視認性,保存的忠実性,時間的忠実性,包括性,失敗を計測する細粒度評価,の3つの特徴を特徴とする。
6つの代表的な手法の実験により、従来のフルフレームメトリクスによって隠蔽される局所的な復元、外部領域の保存、時間的整合性、およびフルセットの信頼性のかなりの相違が明らかとなった。
したがって、MFVSRはビデオ字幕除去法の評価と進歩のためのより包括的な診断基盤を提供する。
関連論文リスト
- ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。
本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
論文 参考訳（メタデータ） (2026-04-27T10:45:51Z) - Script-a-Video: Deep Structured Audio-visual Captions via Factorized Streams and Relational Grounding [0.0]
MTSS(Multi-Stream Scene Script)はモノリシックなテキストを因数化して具体化されたシーン記述に置き換える新しいパラダイムである。
広範囲な実験によりMTSSは様々なモデルにおけるビデオ理解を一貫して強化することを示した。
アーキテクチャの適応がなくても、マルチショットビデオ生成におけるモノリシックプロンプトをMTSSに置き換えると、大幅に改善される。
論文 参考訳（メタデータ） (2026-04-13T09:50:36Z) - Interpreting Video Representations with Spatio-Temporal Sparse Autoencoders [3.3192479135000426]
本稿では,ビデオ表現におけるSparseencoencoders(SAE)の最初の体系的研究について述べる。
標準SAEは解釈可能な単意味の特徴に分解されるが、時間的コヒーレンスを破壊する。
TopKの選択はフレーム間の不安定な特徴割り当てを生成し、自動相関を36%削減する。
論文 参考訳（メタデータ） (2026-04-05T01:08:19Z) - Rethinking Diffusion Model-Based Video Super-Resolution: Leveraging Dense Guidance from Aligned Features [51.5076190312734]
ビデオ超解法アプローチは、エラーの蓄積、空間的アーティファクト、知覚的品質と忠実さのトレードオフに悩まされる。
ビデオ超解像(DGAF-VSR)に適した特徴を持つ新しい誘導拡散モデルを提案する。
合成および実世界のデータセットの実験では、DGAF-VSRがVSRの重要な側面において最先端の手法を超越していることが示されている。
論文 参考訳（メタデータ） (2025-11-21T03:40:45Z) - MoA-VR: A Mixture-of-Agents System Towards All-in-One Video Restoration [62.929029990341796]
実世界のビデオは、ノイズ、圧縮アーティファクト、低照度歪みなどの複雑な劣化に悩まされることが多い。
3つの協調エージェントによる人間のプロの推論・処理手順を模倣したMoA-VRを提案する。
具体的には、大規模かつ高解像度なビデオ劣化認識ベンチマークを構築し、視覚言語モデル(VLM)による劣化識別子を構築する。
論文 参考訳（メタデータ） (2025-10-09T17:42:51Z) - BrokenVideos: A Benchmark Dataset for Fine-Grained Artifact Localization in AI-Generated Videos [63.03271511550633]
BrokenVideosは、3,254のAI生成ビデオのベンチマークデータセットで、微妙に注釈付けされたピクセルレベルのマスクが視覚的腐敗の領域を強調している。
実験の結果,BrokenVideosにおける人工物検出モデルの訓練状況とマルチモーダル大言語モデル(MLLM)が,破壊領域のローカライズ能力を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2025-06-25T03:30:04Z) - CaReBench: A Fine-Grained Benchmark for Video Captioning and Retrieval [24.203328970223527]
本稿では,詳細な動画キャプションと検索のためのベンチマークであるCaReBenchを紹介する。
同様に、ビデオごとに手動で分離された空間アノテーションと時間アノテーションを提供する。
この設計に基づいて、ビデオ検索とビデオキャプションタスクに特化して、ReBiasとCapSTという2つの評価指標を導入する。
論文 参考訳（メタデータ） (2024-12-31T15:53:50Z) - Temporal Inconsistency Guidance for Super-resolution Video Quality Assessment [63.811519474030234]
本稿では,フレームの時間的矛盾を定量化するための知覚指向アプローチを提案する。
人間の視覚システムに触発され,不整合誘導時間モジュールを開発した。
我々の手法は最先端のVQA手法よりも優れています。
論文 参考訳（メタデータ） (2024-12-25T15:43:41Z)
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。