基于基础技能评估的 RefineShot：重新思考电影摄影理解
人工智能
2025-10-06 v1
摘要
电影摄影理解指识别场景视觉内容的能力，同时辨识塑造叙事意义的电影技术。随着该能力在现实应用中提升多模态理解能力的关注，亦为电影与媒体内容的连贯创作奠定基础。作为该任务最全面的基准，ShotBench 覆盖广泛的电影概念并采用 VQA 式评估，ShotVL 在其上实现了最新结果。然而，我们的分析揭示 ShotBench 及 ShotVL 的选项设计模糊、推理一致性与指令遵循性不足，削弱了评估可靠性，限制了公平比较并阻碍了未来进展。为此，我们系统性地重新构建 ShotBench，首次对 ShotVL 的推理行为进行批判性分析，并引入扩展评估协议，联合评估任务准确率与核心模型能力。这一努力导致 RefineShot，一个经过精细化与扩充的基准，使评估更可靠，推动电影摄影理解领域的未来发展。
引用
@article{arxiv.2510.02423,
title = {RefineShot: Rethinking Cinematography Understanding with Foundational Skill Evaluation},
author = {Hang Wu and Yujun Cai and Haonan Ge and Hongkai Chen and Ming-Hsuan Yang and Yiwei Wang},
journal= {arXiv preprint arXiv:2510.02423},
year = {2025}
}