论文页面 - LAION-BVD：用于多模态预训练的千万小时开放视频数据集

来源：https://huggingface.co/papers/2608.24845 作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

LAION-BVD 是一个大规模开放视频数据集，支持跨视频、音频和图像模态的多模态预训练，提供合成字幕并在基准测试中表现优异。

我们推出 LAION-BVD (https://huggingface.co/papers?q=LAION-BVD)，一个用于多模态学习 (https://huggingface.co/papers?q=multimodal%20learning) 的大规模开放视频数据集，包含从 CommonCrawl (https://huggingface.co/papers?q=CommonCrawl) 收集的 13 亿个平台特定的视频 URL。我们从中下载了 8000 万个视频，总时长达到 1000 万小时。该数据集专为跨视频、音频和图像模态的多模态预训练而设计。利用内容感知场景检测 (https://huggingface.co/papers?q=content-aware%20scene%20detection)，我们提取片段并为其合成生成视频和音频字幕。在这些数据上训练的模型，在标准的视频-文本 (https://huggingface.co/papers?q=video-text) 和音频-文本 (https://huggingface.co/papers?q=audio-text) 基准测试中取得了有竞争力的表现，并且随着训练规模或模型规模的增加，性能持续提升。此外，我们通过提取场景变化帧，探索了将视频帧作为图像-文本数据的替代来源。这些帧展现出与标准网络图像语料库不同的视觉分布，在该数据集上训练的模型在图像-文本检索 (https://huggingface.co/papers?q=image-text%20retrieval) 任务上取得了强劲的性能。我们将 LAION-BVD (https://huggingface.co/papers?q=LAION-BVD) 发布给研究界。它以前所未有的规模，极大地扩展了对多模态视频的开放获取。

查看 arXiv 页面 (https://arxiv.org/abs/2608.24845)查看 PDF (https://arxiv.org/pdf/2608.24845)项目页面 (https://projects.laion.ai/bvd/)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.24845)

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2608.24845 以从此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.24845 以从此页面链接它。

引用此论文的空间 0

没有空间链接此论文

在空间 README.md 中引用 arxiv.org/abs/2608.24845 以从此页面链接它。

包含此论文的收藏 0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接它。