SenBen：面向可解释内容审核的敏感场景图
计算机视觉与模式识别
2026-05-27 v2 人工智能
机器学习
多媒体
摘要
内容审核系统对图像分类为安全或不安全，但缺乏空间对齐性和可解释性：它们无法解释检测到何种敏感行为、涉及哪些主体或发生在何处。我们引入敏感基准（SenBen），首个大规模场景图基准用于敏感内容，包含来自157部电影的13,999帧，采用Visual Genome风格的场景图注释（25类目标、28类属性包括疼痛、恐惧、攻击和焦虑等情感状态、14类谓词）和16个敏感标签（5个类别）。我们通过多任务配方将前沿VLM蒸馏为紧凑的2.41亿参数学生模型，采用基于后缀的对象身份、词汇感知召回（VAR）损失以及解耦的Query2Label标签头和非对称损失，解决自回归场景图生成中词汇不平衡问题，相较于标准交叉熵训练实现SenBen召回率提升6.4个百分点。在基于场景图的评估指标上，学生模型在所有评估的VLM中仅次于Gemini模型和所有商业安全API，同时在所有模型中获得最高的对象检测和描述生成得分，推理速度快7.6倍，GPU内存使用降低16倍。
引用
@article{arxiv.2604.08819,
title = {SenBen: Sensitive Scene Graphs for Explainable Content Moderation},
author = {Fatih Cagatay Akyon and Alptekin Temizel},
journal= {arXiv preprint arXiv:2604.08819},
year = {2026}
}
备注
Accepted at CVPRW 2026