論文の概要: MEV: A Multi-Event Video Dataset for Long-Take Generation

• arxiv url: http://arxiv.org/abs/2610.38241v1
• Date: Wed, 28 Oct 2026 03:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.94822
• Title: MEV: A Multi-Event Video Dataset for Long-Take Generation
• Title（参考訳）: MEV:ロングテイク生成のためのマルチイベントビデオデータセット
• Abstract要約: テキスト・ビデオ生成のための現在のデータセットは、主に単一のイベントや粗い粒度のキャプションを描いた短いクリップに限られている。 本稿では,長時間ビデオ生成用に設計されたマルチイベントビデオデータセットであるMEVを紹介する。 MEVは高品質な現実世界のビデオを提供し、被験者は正確な時間的境界と微妙な手続き的アノテーションを特徴とする、異なる非重複イベントのシーケンスを実行できる。
• 参考スコア（独自算出の注目度）: 18.587706458628457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current datasets for text-to-video generation are largely limited to short clips depicting a single event or coarse-grained captions. As a result, they provide limited supervision for modeling long-take temporal dependencies, often leading to temporally inconsistent generations when describing multiple events. In this paper, we introduce MEV, a multi-event video dataset designed for long-take video generation. MEV provides high-quality real-world videos where subjects can perform a sequence of distinct, non-overlapping events, featuring precise temporal boundaries and fine-grained procedural annotations. This event-centric discretization reduces confounding factors and enables models to support temporally localized conditioning and build long-take videos from atomic event units. Furthermore, we introduce a comprehensive annotation pipeline that segments videos into temporally grounded events, and generates structured captions at both the global level and the event level. In addition, under an event-centric evaluation protocol, we conduct multi-event generation experiments by fine-tuning on MEV with temporally grounded event conditioning, leading to improved long-take event transitions and more coherent content. We believe this work provides a publicly available resource for multi-event fine-tuning and event-centric evaluation, together with practical insights into learning from temporally structured video-text data.
• Abstract（参考訳）: テキスト・ビデオ生成のための現在のデータセットは、主に単一のイベントや粗い粒度のキャプションを描いた短いクリップに限られている。 結果として、長い時間的依存関係をモデル化するための限られた監督を提供し、しばしば複数のイベントを記述するときに時間的に矛盾する世代を生み出す。 本稿では,長時間ビデオ生成用に設計されたマルチイベントビデオデータセットであるMEVを紹介する。 MEVは高品質な現実世界のビデオを提供し、被験者は正確な時間的境界と微妙な手続き的アノテーションを特徴とする、異なる非重複イベントのシーケンスを実行できる。 このイベント中心の離散化は、相反する要因を減らし、時間的局所的な条件付けをサポートし、アトミックなイベントユニットからロングテイクビデオを構築するモデルを可能にする。 さらに,映像を時間的に接地したイベントに分割し,グローバルレベルとイベントレベルの両方で構造化されたキャプションを生成する,包括的なアノテーションパイプラインを導入する。 さらに、事象中心評価プロトコルの下で、時間的基盤のイベントコンディショニングによるMEVの微調整によるマルチイベント生成実験を行い、長時間のイベントトランジションの改善とコヒーレントなコンテンツの向上を実現した。 この研究は、時間的に構造化されたビデオテキストデータから学ぶための実践的な洞察とともに、マルチイベントの微調整とイベント中心評価のための公開リソースを提供すると信じている。

関連論文リスト

• EC-RAG: Event Chain Retrieval-Augmented Generation for Long Video Understanding [15.316092539500152]
  Event Chain Retrieval-Augmented Generation (EC-RAG)は、質問応答前にビデオコンテンツを明示的なイベントチェーンに整理する。 EC-RAGはまず、ビデオをセマンティックなコヒーレントなセグメントに分割し、マルチモーダル信号を使用して各セグメントを表現する。 クエリが与えられた場合、システムはチェーン内の関連するイベントを特定し、関連するモダリティからの証拠を収集する。
  論文  参考訳（メタデータ） (2026-10-06T16:57:46Z)
• MELON: A Large-Scale Dataset for Multi-Event Text-to-Long-Video Retrieval [9.116098272868667]
  既存のテキストビデオ検索データセットは、主に1つの支配的なイベントを含むショートフォームのクリップで構成されている。 我々は,テキストビデオ検索を,複雑なマルチイベント構造を持つ長編ビデオに拡張するために設計された,最初の大規模データセットであるMELONを紹介する。
  論文  参考訳（メタデータ） (2026-08-31T08:20:35Z)
• When and Where do Events Switch in Multi-Event Video Generation? [59.9025263656304]
  イベントシフトにおける本質的要因の検査を省略する。 この研究は、マルチイベントテキスト・ツー・ビデオ(T2V)生成を評価するためのセルフキュレートプロンプトスイートであるMEveを紹介する。
  論文  参考訳（メタデータ） (2025-10-03T14:31:56Z)
• LET-US: Long Event-Text Understanding of Scenes [23.376693904132786]
  イベントカメラは、マイクロ秒レベルの時間分解能を備えたスパースで非同期なデータとしてイベントストリームを出力する。 長いイベントストリーム・テキスト理解のためのフレームワークであるLET-USを紹介する。 適応圧縮機構を用いて、重要な視覚的詳細を保存しながら入力イベントの量を削減する。
  論文  参考訳（メタデータ） (2025-08-10T16:02:41Z)
• Mind the Time: Temporally-Controlled Multi-Event Video Generation [65.05423863685866]
  時間制御を備えたマルチイベントビデオジェネレータMinTを提案する。 私たちの重要な洞察は、各イベントを生成されたビデオの特定の期間にバインドすることで、モデルが一度にひとつのイベントに集中できるようにすることです。 文献の中ではじめて、我々のモデルは生成されたビデオのイベントのタイミングを制御できる。
  論文  参考訳（メタデータ） (2024-12-06T18:52:20Z)
• Grounding Partially-Defined Events in Multimodal Data [61.0063273919745]
  部分定義イベントに対するマルチモーダル定式化を導入し、これらのイベントの抽出を3段階スパン検索タスクとしてキャストする。 このタスクのベンチマークであるMultiVENT-Gを提案し,22.8Kのラベル付きイベント中心エンティティを含む,14.5時間の高密度アノテーション付き現在のイベントビデオと1,168のテキストドキュメントからなる。 結果は、イベント理解の抽象的な課題を示し、イベント中心のビデオ言語システムにおける約束を実証する。
  論文  参考訳（メタデータ） (2024-10-07T17:59:48Z)
• EA-VTR: Event-Aware Video-Text Retrieval [97.30850809266725]
  Event-Aware Video-Text Retrievalモデルは、優れたビデオイベント認識を通じて、強力なビデオテキスト検索能力を実現する。 EA-VTRはフレームレベルとビデオレベルの視覚表現を同時にエンコードすることができ、詳細なイベント内容と複雑なイベントの時間的相互アライメントを可能にする。
  論文  参考訳（メタデータ） (2024-07-10T09:09:58Z)
• Team RUC_AIM3 Technical Report at Activitynet 2020 Task 2: Exploring Sequential Events Detection for Dense Video Captioning [63.91369308085091]
  本稿では、イベントシーケンス生成のための新規でシンプルなモデルを提案し、ビデオ中のイベントシーケンスの時間的関係を探索する。 提案モデルでは,非効率な2段階提案生成を省略し,双方向時間依存性を条件としたイベント境界を直接生成する。 総合システムは、チャレンジテストセットの9.894 METEORスコアで、ビデオタスクにおける密封イベントの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-14T13:21:37Z)

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。