CTVid に関する報道

ClearText-Video は、モーション ブラー、圧縮アーティファクト、ノイズ、低解像度などの品質低下をカバーする、テキストが豊富な 4,639 本の実際の一人称ビデオのベンチマークを構築します。ほとんどが静的または高品質のビデオであった以前のテキスト ベンチマークと比較して、実際の品質の条件下で MLLM のテキストの読み取りと推論をテストするために、統合された評価フレームワークにビデオの復元とシーン テキストの強化が初めて組み込まれています。これは、テキスト中心のビデオ理解の研究が、「読めるかどうか」から「画質が悪くても読めるか」に移行したことを意味します。