arXiv cs.AI· Peiyuan Zhu, Shaoan Xie, Yifan Shen, Wen Tian, Zijian Li, Guangyi Chen, Kun Zhang·· 13 小时前AI 评分34
MEV：面向长镜头生成的多事件视频数据集
MEV: A Multi-Event Video Dataset for Long-Take Generation
AI 导读
MEV 是一个面向长镜头视频生成的多事件视频数据集，提供主体依次执行多个不重叠事件的高质量真实视频，并带有精确时间边界和细粒度过程标注。配套标注流程将视频切分为时间定位事件，生成全局与事件级结构化描述；在事件中心评测协议下用时间定位事件条件微调后，长镜头事件过渡与内容连贯性均有改善。该数据集已入选 NeurIPS 2026，并公开项目页面。
正文 · AI 翻译
摘要：当前用于文本到视频生成的数据集大多局限于描述单一事件的短视频片段或粗粒度字幕。因此，它们为建模长镜头时间依赖关系提供的监督有限，在描述多个事件时往往导致时间上不一致的生成结果。本文中，我们提出 MEV，一个面向长镜头视频生成的多事件视频数据集。MEV 提供高质量的真实世界视频，其中主体可以执行一系列不同且不重叠的事件，并具有精确的时间边界和细粒度的过程标注。这种以事件为中心的离散化减少了混杂因素，使模型能够支持时间局部化的条件控制，并从原子事件单元构建长镜头视频。此外，我们引入了一套全面的标注流程，将视频分割为具有时间定位的事件，并在全局层面和事件层面生成结构化字幕。另外，在以事件为中心的评估协议下，我们通过在 MEV 上以具有时间定位的事件条件进行微调，开展了多事件生成实验，从而改善了长镜头事件转换和内容连贯性。我们相信这项工作为多事件微调和以事件为中心的评估提供了公开可用的资源，并为从时间结构化的视频-文本数据中学习提供了实用见解。
| 评论： | 已被 NeurIPS 2026 接收。项目页面：this https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.38241 [cs.CV] |
| （或 arXiv:2610.38241v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.38241 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Peiyuan Zhu [查看邮箱]
[v1]
2026年10月28日星期三 03:43:19 UTC（35,433 KB）
来源：arXiv cs.AI · arxiv.org