論文の概要: AdShot: Benchmarking Multimodal Large Language Models for Video Advertisement Clipping

• arxiv url: http://arxiv.org/abs/2610.33377v1
• Date: Sat, 24 Oct 2026 00:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.315049
• Title: AdShot: Benchmarking Multimodal Large Language Models for Video Advertisement Clipping
• Title（参考訳）: AdShot:動画クリッピングのためのマルチモーダル大言語モデルのベンチマーク
• Abstract要約: マルチモーダルな大言語モデル(MLLM)は、一般的なビデオ理解に優れるが、専門的な編集作業を行う能力は未解明のままである。 本稿では,広告クリッピングのためのショット選択におけるMLLMの評価ベンチマークであるAdShotを紹介する。 プロが編集した広告ペア(30秒のソースと15秒の編集)は、194のブランドと17の業界で823種類ある。
• 参考スコア（独自算出の注目度）: 5.354916867879002
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Advertisers routinely create multiple duration variants of ads to meet marketing budgets and viewer preferences, a labor-intensive and costly process. While multimodal large language models (MLLMs) excel at general video understanding, their ability to perform specialized editorial tasks remains unexplored. We introduce AdShot, a benchmark for evaluating MLLMs on shot selection for ad clipping. It contains 823 professionally edited ad pairs (30-sec sources and 15-sec edits) across 194 brands and 17 industries, annotated with shot-level boundaries and content features (action, emotion, information, imagery). We evaluate 13 state-of-the-art video-only MLLMs and 2 audio-visual MLLMs (7B-72B parameters) on shot selection accuracy (Precision, Recall, F1), duration constraints (15s), and content preservation, including an audio ablation. We find: (1) model architecture matters more than scale, with smaller models often matching or exceeding larger ones; performance is strongest for target ads with 6-10 shots; (2) models exhibit a mean absolute duration error of 5.39s, with most tending to overshoot the 15s target, though they can still substantially reduce human editing effort; (3) all models exhibit systematic content biases, favoring information-rich and emotion-focused shots while under-selecting action and imagery. We publicly release our benchmark to facilitate research at the intersection of multimodal AI and computational advertising.
• Abstract（参考訳）: 広告主は、マーケティング予算と視聴者の好みを満たすために、労働集約的でコストのかかるプロセスとして、複数の期間の広告を定期的に作成する。 マルチモーダルな大言語モデル(MLLM)は一般的なビデオ理解に優れるが、専門的な編集作業を行う能力は未解明のままである。 本稿では,広告クリッピングのためのショット選択におけるMLLMの評価ベンチマークであるAdShotを紹介する。 プロが編集した広告ペア(30秒のソースと15秒の編集)は、194のブランドと17の業界にまたがって823あり、ショットレベルのバウンダリとコンテンツ機能(アクション、感情、情報、画像)が注釈付けされている。 画像選択精度 (Precision, Recall, F1), 持続的制約 (15s), コンテンツ保存率 (オーディオアブレーションを含む) に基づいて, 最先端のビデオのみのMLLMと2つのオーディオ視覚MLLM (7B-72Bパラメータ) を評価した。 モデルアーキテクチャはスケール以上に重要であり,より小型のモデルではしばしばマッチングやオーバーオーバーが可能である,パフォーマンスは6～10ショットのターゲット広告では最強,モデルでは平均絶対時間誤差が5.39秒であり,ほとんどのモデルでは,人間の編集作業を大幅に削減できる一方で,平均絶対時間誤差は5.39秒である,モデルでは,アクションやイメージを下方修正しながら,情報豊かで感情に重点を置いたショットを優先した,体系的なコンテンツバイアスを示す,といった結果が得られた。 我々は、マルチモーダルAIと計算広告の交差点での研究を促進するために、我々のベンチマークを公開している。

関連論文リスト

• AdSum: Two-stream Audio-visual Summarization for Automated Video Advertisement Clipping [6.340098119165037]
  本稿では,映像要約技術を用いた自動ビデオ広告クリッピングのためのフレームワークを提案する。 私たちは、特に広告用に調整されたショットセレクション問題として、最初にビデオクリップをフレーム化した人物です。 広告特化データセットの欠如に対処するため,30秒広告と15秒広告の102対からなる新しいデータセットであるAdSum204を提案する。
  論文  参考訳（メタデータ） (2025-10-30T14:59:37Z)
• 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)
• Video-MME: The First-Ever Comprehensive Evaluation Benchmark of Multi-modal LLMs in Video Analysis [120.67048724315619]
  Video-MMEは、ビデオ解析におけるMLLMの完全なマルチモード評価ベンチマークである。 我々は,GPT-4シリーズやGemini 1.5 Pro,オープンソース画像モデルなど,最先端のMLLMを幅広く評価した。 我々の実験によると、Gemini 1.5 Proは最も優れた商用モデルであり、オープンソースモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-05-31T17:59:47Z)
• Dense-Caption Matching and Frame-Selection Gating for Temporal Localization in VideoQA [96.10612095576333]
  本稿では,マルチモーダルな入力源を効果的に統合し,時間的関連情報から質問に答えるビデオ質問応答モデルを提案する。 また,2レベルアテンション(単語・オブジェクト・フレームレベル),異なるソース(ビデオ・高密度キャプション)に対するマルチヘッド自己統合,ゲートへのより関連性の高い情報伝達などで構成されている。 当社のモデルは,各モデルコンポーネントが大きな利益をもたらす,難易度の高いTVQAデータセット上で評価され,全体的なモデルでは,最先端のモデルよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-05-13T16:35:27Z)

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。