研究解读 多媒体工具 · arXiv 2611.24098
作者 Ruisi Zhao 等
RoughCut-Bench: A Benchmark for Automatic Video Rough-Cut with Large Vision-Language Models
Daily Papers 收录于

研究团队给视觉剪辑准备了 101 个案例、831 段原始视频,以及 1476 处亮点标注。模型既要决定哪里值得保留,也要排出顺序,并遵守用户对成片的要求。口播任务则在另外 84 份语音识别文本中标出赘词、重复表达和可以剪短的位置。

一条剪辑计划即使列出正确素材,接在一起的节奏也可能与参考剪辑有出入。作者把计划与参考标注对照,视觉任务还评估实际渲染结果。论文报告现有模型与专家选择仍有差距,这个差距要分画面编排和口播删减来读。

粗剪计划的两条处理路线也值得分开看。视觉路线先列出候选亮点并说明选择理由,再决定哪些保留、按什么顺序排列。口播路线则保留删改位置、理由与整理后的全文。前者方便编辑回放原镜头,后者允许编辑逐句找回被去除的意思。

原始资料