MEV 多事件视频数据集发布，面向长镜头生成
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究者提出 MEV，一个面向长镜头视频生成的多事件视频数据集。现有文生视频数据集多为只含单一事件的短片段，或仅配粗粒度描述，对长镜头时序依赖的监督不足，描述多个事件时生成结果常在时间上不一致。MEV 收录真实视频，其中主体依次完成若干互不重叠的事件，并带有精确时间边界与细粒度过程标注；这种以事件为中心的切分减少了混杂因素，使模型能做时间局部化条件控制，并以原子事件为单位拼接长镜头。配套标注流程把视频切分为有明确时间落点的事件，并生成全局与事件两级结构化描述。在事件中心的评测协议下，用 MEV 微调并加入时间落点事件条件后，长镜头的事件过渡与内容连贯性均有改善。该工作被 NeurIPS 2026 接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载现有数据的短板
当前用于文生视频的数据集，内容大多停留在只表现单一事件的短片段，文字描述也偏粗。这样的数据无法让模型学到长镜头里前后事件如何衔接，一旦要求生成包含多个事件的连续画面，时间上的一致性就容易出问题。论文把这一缺口归因于监督信号本身：缺少带时间落点的多事件样本，模型就没有可对齐的参照。
数据集的组织方式
MEV 收集的是真实拍摄的视频，画面中的主体会依次完成若干个彼此不重叠的事件。每个事件都有精确的时间边界，并配有细粒度的过程标注。这种以事件为单位切分的方式，把混杂因素压到较低水平，使模型可以只在指定时间段内接受条件控制，再把一个个原子事件拼接成完整长镜头。除视频本身外，作者还设计了一套标注流程：先把视频切成有明确时间落点的事件，再分别生成全局层面和事件层面的结构化描述。
实验与评测
作者采用以事件为中心的评测协议，在 MEV 上做微调，并把带时间落点的事件条件输入模型。结果显示，长镜头中事件之间的过渡更自然，内容连贯性也有所提升。论文将该数据集定位为可公开获取的资源，用于多事件微调和事件中心评测，同时给出从时间结构化的视频—文本数据中学习的一些实践观察。该工作被 NeurIPS 2026 接收，论文编号为 arXiv:2610.38241。
为什么值得看
长镜头多事件生成长期缺少带精确时间边界的训练与评测数据，MEV 同时提供数据、标注流程和评测协议，可直接用于微调与对比。
微调文生视频论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。