MiraData：一个具有长时间视频和结构化标注的大规模视频数据集

MiraData：推动长视频生成的革新性数据集

在当今快速发展的人工智能时代，视频生成技术正成为一个备受关注的研究领域。随着OpenAI的Sora等先进模型的出现，高质量的视频数据集在推动这一领域发展中扮演着至关重要的角色。然而，现有的文本-视频数据集在处理长视频序列和捕捉镜头转换方面往往存在不足。为了应对这些挑战，研究人员推出了MiraData，这是一个专门为长视频生成任务设计的创新视频数据集。

MiraData的核心特征

MiraData的设计理念围绕两个核心特征展开：

1. 长时间视频持续性：与传统数据集通常包含20秒以下的短视频不同，MiraData专注于提供平均长度为72秒的未剪辑视频片段。这种延长的持续时间使得模型能够更全面地理解和生成视频内容，为长视频生成任务提供了更加丰富的训练素材。

2. 结构化标注：MiraData中的每个视频都配有详细的结构化标注。这些标注从多个角度提供了对视频内容的描述，大大增强了数据集的信息丰富度。平均每个视频的标注长度达到318个单词，确保了对视频内容的全面表述。

上图直观地展示了MiraData在视频时长和标注详细程度上相较于其他数据集的优势。这种独特的设计使MiraData成为研究长视频生成和理解的理想资源。

数据集的构成与获取

MiraData提供了四个版本，分别包含330K、93K、42K和9K的数据量，以满足不同规模的研究需求。研究者可以通过Google Drive或HuggingFace Dataset获取元数据文件。为了便于快速了解数据集的组成，项目团队还提供了一个包含100个随机样本的示例文件。

每个视频样本的元数据包含以下关键信息：

• clip_id：视频片段的唯一标识
• source：视频的来源和类别
• video_url：原始视频的URL
• 视频属性：宽度、高度、帧率等技术参数
• 时长信息：视频片段的持续时间和在原视频中的时间戳
• 标注内容：包括短描述、详细描述、背景描述、主要对象描述、风格描述和摄像机运动描述

数据收集与标注过程

MiraData的创建过程体现了研究团队的严谨与创新。首先，他们从多个来源手动选择YouTube频道，并纳入了HD-VILA-100M、Videovo、Pixabay和Pexels等平台的视频资源。随后，利用PySceneDetect工具对下载的视频进行分割，并通过多个模型对短片进行拼接和质量筛选，最终选出长时间的高质量视频片段。

标注过程采用了先进的GPT-4V技术。研究团队从每个视频中均匀采样8帧，将其排列成2x4的网格图像。然后，使用Panda-70M模型为每个视频生成一句话摘要，作为主要内容的提示。最后，将这些信息输入经过微调的提示模板，通过GPT-4V在一轮对话中高效地生成多维度的标注内容。

结构化标注的优势

MiraData的结构化标注系统是其最显著的特征之一，它包括六种类型的标注：

1. 主要对象描述：详述视频中的主要对象或主题，包括其属性、动作、位置和整个视频中的移动。
2. 背景描述：提供环境或场景的上下文信息，包括物体、位置、天气和时间。
3. 风格描述：涵盖艺术风格、视觉和摄影方面，如现实主义、赛博朋克或电影风格。
4. 摄像机运动：详细描述摄像机的平移、变焦或其他移动。
5. 短描述：使用Panda-70M模型生成的简洁摘要，捕捉视频的核心内容。
6. 详细描述：综合上述五种类型标注的更为详尽的描述。

这种多层次的标注系统不仅提供了丰富的语义信息，还为研究者提供了多角度分析视频内容的可能性。

上图展示了短描述、详细描述和结构化标注的文本长度统计，反映了MiraData标注系统的全面性和深度。

MiraBench：全面的评估基准

为了全面评估长视频生成模型的性能，研究团队同时推出了MiraBench评估基准。MiraBench从六个维度设计了17个评估指标：

1. 时间一致性
2. 时间运动强度
3. 3D一致性
4. 视觉质量
5. 文本-视频对齐度
6. 分布一致性

这些指标涵盖了之前视频生成模型和文本到视频基准中使用的大部分常见评估标准，为研究者提供了一个全面而严格的评估工具。

使用MiraBench评估生成的视频非常简单。研究者只需按照GitHub仓库中提供的指南设置Python环境，然后运行评估脚本即可。这种便捷性大大降低了研究者使用高质量评估工具的门槛。

许可协议与使用须知

MiraData采用GPL-v3许可证，支持商业使用。然而，使用者需要注意以下几点：

• MiraData仅供信息目的使用，视频的版权归原始所有者所有。
• 数据集中的视频来自互联网，研究机构不对视频内容负责。
• 禁止出于商业目的复制、出售或利用数据集中的视频或衍生数据。
• 不得进一步复制、发布或分发数据集的任何部分。

这些规定旨在保护原创内容的权益，同时确保数据集的合法和道德使用。

结语

MiraData的推出无疑为长视频生成研究领域注入了新的活力。通过提供长时间的视频样本和丰富的结构化标注，它为研究者提供了前所未有的资源，有望推动更加逼真、连贯的长视频生成技术的发展。

结合MiraBench评估基准，MiraData不仅为模型训练提供了高质量数据，还为模型评估提供了全面的标准。这一完整的生态系统将极大地促进长视频生成技术的进步，为未来的人工智能视频创作开辟新的可能性。

随着技术的不断发展，我们可以期待看到基于MiraData训练的模型在电影制作、虚拟现实内容创作、教育视频生成等领域的广泛应用。MiraData的出现，标志着我们向着更加智能、更具创造力的视频生成时代迈出了重要一步。

对于有兴趣深入研究或使用MiraData的研究者和开发者，可以访问MiraData的GitHub仓库获取更多详细信息和资源。让我们共同期待MiraData引领的视频生成技术的新篇章！

🚀💡🎥