UltraVideo：高质量 UHD 视频数据集配套详尽标题
计算机视觉与模式识别
2025-06-17 v1
摘要
视频数据集的质量（图像质量、分辨率和细粒度标题）严重影响视频生成模型的性能。日益增长的视频应用需求为高质量视频生成模型设定了更高要求。例如，电影级别的超高清 (UHD) 视频生成以及 4K 短视频内容的创建。然而，现有的公开数据集无法支持相关研究和应用。在本文中，我们首次提出一种高质量开源 UHD-4K (其中 22.4% 为 8K) 文本到视频数据集，命名为 UltraVideo，涵盖广泛主题 (超过 100 类)，每个视频包含 9 个结构化标题，外加 1 个概括性标题 (平均 824 字)。具体而言，我们仔细设计了四阶段高度自动化的精选流程，以获得最终高质量数据集：i) 收集多样且高质量的视频片段；ii) 统计数据过滤；iii) 模型驱动的数据净化；iv) 生成详尽、结构化的标题。此外，我们将 Wan 模型扩展为 UltraWan-1K/-4K，可原生生成高质量 1K/4K 视频，并实现更一致的文本可控性，展示了我们数据精选的有效性。我们认为本工作对未来 UHD 视频生成研究具有重要贡献。UltraVideo 数据集和 UltraWan 模型均可在 https://xzc-zju.github.io/projects/UltraVideo 获取。
引用
@article{arxiv.2506.13691,
title = {UltraVideo: High-Quality UHD Video Dataset with Comprehensive Captions},
author = {Zhucun Xue and Jiangning Zhang and Teng Hu and Haoyang He and Yinan Chen and Yuxuan Cai and Yabiao Wang and Chengjie Wang and Yong Liu and Xiangtai Li and Dacheng Tao},
journal= {arXiv preprint arXiv:2506.13691},
year = {2025}
}