VLM视频标注启发式方法的成本与有效性系统评估

2026-10-02，arXiv发表两项计算机视觉相关研究。第一项系统评估VLM视频标注的降本启发式方法，发现短时视频采用单张2×8图像网格配合镜头切换检测，可达全视频理解水平（κ差异在.05内），token成本仅约15%，并提出面向计算社会科学任务的成本感知标注指南；同时指出最高准确率配置可能产生错误结论，文本单独使用即可取得强性能。第二项提出基于VLMs的AR内容自动评估与优化框架RateAR，覆盖多场景AR图像与视频基准，评测11个商用VLM后预测与人类主观判断Spearman相关系数最高达0.8695，21人用户研究显示超90%参与者认为系统改善了虚拟内容的放置与尺寸一致性。

Generated from reports · updated 2 hr ago

1. Oct 2 · 1 reports
   VLM驱动AR内容质量评估与自动调整框架RateAR
   arXiv · Computer Vision: 利用视觉-语言模型进行AR感知质量评估与自主内容调整
2. Oct 2 · 1 reports
   VLM视频标注启发式方法的成本与有效性系统评估
   arXiv · Computer Vision: 视觉语言模型视频标注中的成本与有效性：简单启发式方法的系统评估

There is not enough continuous observation data to draw a trend yet.