論文の概要: DramaVQA: Probing Detailed Understanding of Ultra-Long TV Dramas
- arxiv url: http://arxiv.org/abs/2611.00769v2
- Date: Tue, 03 Nov 2026 12:45:07 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:53:15.663736
- Title: DramaVQA: Probing Detailed Understanding of Ultra-Long TV Dramas
- Title（参考訳）: ドラマVQA:超ロングテレビドラマの詳しい理解
- Abstract要約: DramaVQAは、長編テレビドラマをベースとした大規模なベンチマークである。
約20Kの質問回答(QA)ペアを含むDramaVQAのスケールは、以前のロングビデオデータセットを超えている。
私たちのベンチマークには、既存のデータセットから際立った2つの主要な特徴があります。
- 参考スコア（独自算出の注目度）: 72.53324667133938
- License:
- Abstract: Despite recent progress in long-form video understanding, current benchmarks mostly focus on short clips or hour-scale videos. This leaves a major gap in evaluating ultra-long video understanding, where videos often last tens of hours. To bridge this gap, we introduce DramaVQA, a large-scale benchmark built upon long-form TV dramas. Containing approximately 20K question-answering (QA) pairs, the scale of DramaVQA exceeds previous long-video datasets, such as Video-MME and LVBench, by an order of magnitude. Our benchmark has two main features that make it stand out from existing datasets. First, we establish a scalable, LLM-assisted annotation pipeline that uses multimodal large language models (MLLMs) to generate complex questions, followed by strict human checking to ensure high data quality. Second, DramaVQA introduces a multi-level time structure; queries are designed across different video lengths, with the hardest questions requiring overall understanding across the entire drama. Extensive evaluations show that state-of-the-art MLLMs face major challenges when tested on these very long videos, highlighting the need for agentic AI algorithms capable of managing long-term memory. The project is available at https://github.com/xinyuehuo/DramaVQA
- Abstract（参考訳）: 最近のビデオ理解の進歩にもかかわらず、現在のベンチマークは主にショートクリップや時間スケールのビデオに焦点を当てている。
これは、ビデオが何時間も続くという、超長いビデオ理解の評価において、大きなギャップを残している。
このギャップを埋めるために,長編テレビドラマをベースとした大規模ベンチマークであるDramaVQAを紹介する。
約20Kの質問回答(QA)ペアを含むDramaVQAのスケールは、Video-MMEやLVBenchといった従来の長ビデオデータセットを桁違いに上回る。
私たちのベンチマークには、既存のデータセットから際立った2つの主要な特徴があります。
まず,マルチモーダルな大規模言語モデル(MLLM)を用いて複雑な質問を生成する,スケーラブルなLLM支援型アノテーションパイプラインを構築した。
第2に、DramaVQAは多段階の時間構造を導入し、クエリは異なるビデオの長さで設計され、最も難しい質問はドラマ全体の全体的な理解を必要とする。
大規模な評価によると、最先端のMLLMは、これらの非常に長いビデオでテストする際に大きな課題に直面しており、長期的なメモリ管理が可能なエージェントAIアルゴリズムの必要性を強調している。
プロジェクトはhttps://github.com/xinyuehuo/DramaVQAで公開されている。
関連論文リスト
- LF-VideoQA: Evaluating Long-Video Understanding with Long-Form Theory-of-Mind Questions [32.452556002879255]
LF-VideoQAは長文ビデオ上での長文質問応答のためのデータセットである。
このデータセットには94の映画に関する6,300以上の質問が含まれている。
論文 参考訳（メタデータ） (2026-10-30T21:05:36Z) - StoryVideoQA: Scaling Deep Video Understanding with a Large-Scale, Multi-Genre and Auto-Generated Dataset [37.79440712452179]
ビデオ質問応答(Video QA)は、ビデオに関する質問に答えることを目的としている。
既存のアプローチはファクトイドビデオQAに優れているが、深層ビデオ理解(DVU)に苦戦している
この課題は、固有の長距離ビデオコンテンツ、多面的質問タイプ、インスタンスレベルのストーリー要素から生じる。
論文 参考訳（メタデータ） (2026-06-04T16:12:43Z) - Unleashing Hour-Scale Video Training for Long Video-Language Understanding [61.717205915329664]
本稿では,大規模な時間長ビデオインストラクション追従データセットであるVideoMarathonを紹介する。
このデータセットには、ビデオあたり3分から60分に及ぶ、さまざまなドメインからソースされた9,700時間の長いビデオが含まれている。
時間スケールビデオ言語モデリングのための高効率ビデオLMMであるHour-LLaVAを提案する。
論文 参考訳（メタデータ） (2025-06-05T17:59:04Z) - HLV-1K: A Large-scale Hour-Long Video Benchmark for Time-Specific Long Video Understanding [20.184894298462652]
我々は、長時間ビデオ理解モデルを評価するために、大規模な時間長ビデオベンチマークHLV-1Kを構築した。
HLV-1Kは、高品質質問応答(QA)とマルチチョイス質問応答(MCQA)を備えた1009時間ビデオからなる。
我々は,既存の最先端手法を用いてベンチマークを評価し,様々なレベルでの深層ビデオ理解能力をテストすることの価値を実証した。
論文 参考訳（メタデータ） (2025-01-03T05:32:37Z) - LongVLM: Efficient Long Video Understanding via Large Language Models [55.813206751150716]
LongVLMはビデオ理解のためのシンプルだが強力なビデオLLMである。
ローカル情報とグローバル情報の両方を含むビデオ表現をエンコードする。
我々のモデルは、長いビデオ理解のためのより正確な応答を生成する。
論文 参考訳（メタデータ） (2024-04-04T11:33:29Z)
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。