admin 管理员组

文章数量: 1184232

摘要(Abstract)：

论文介绍了MVBench，这是一个全新的多模态视频理解基准测试，旨在评估多模态大型语言模型（MLLMs）在视频理解方面的能力。

  • 目前许多基准测试主要集中在静态图像任务的空间理解上，而忽视了动态视频任务中的时间理解。MVBench通过20个具有挑战性的视频任务来填补这一空白，这些任务无法通过单帧图像有效解决。
  • 论文提出了一种新颖的静态到动态方法来定义与时间相关的任务，并将各种静态任务转化为动态任务，从而系统地生成各种视频任务，无需人工参与。
    通过任务定义，研究者们自动将视频注释转换为多项选择的问答（QA），以评估每个任务。
  • MVBench的构建高效且公平，避免了对LLMs的评分偏见。论文开发了一个强大的视频MLLM基线VideoChat2，并通过多样化的指令调整数据进行逐步多模态训练。
  • 在MVBench上表明，现有的MLLMs在时间理解方面远未达到令人满意的水平，而VideoChat2在MVBench上的准确率超过了这些领先模型15%以上。

MVBench

时间任务定义(Temporal Task Definition)：

MVBench定义了20个视频理解任务，这些任务需要对视频的时间维度有深入理解，不能仅通过单个帧来解决。
作者提出了一种从静态到动态的方法，将先前定义的静态图像任务转化为具有动态目标的视频任务，涵盖了从感知到认知的一系列时间理解技能。

静态到动态的转变(Static-to-Dynamic Method)：

通过将静态图像任务增

本文标签： 论文 Comprehensive MVBench Multi Benchmark

版权声明：本文标题：论文阅读MVBench: A Comprehensive Multi-modal Video Understanding Benchmark 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/b/1758741670a3089934.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。