AVENUE: Audio-Video EditiNg Understanding and Evaluation
研究人员推出 AVENUE（Audio-Video EditiNg Understanding and Evaluation），旨在解决音频 - 视频编辑中模型难以忠实保留非目标模态的问题。该框架包含两项核心贡献：一是涵盖 1,291 个源片段和 7,957 条编辑指令的基准数据集，覆盖音频、视频及音视频耦合三种类型；二是构建了一个样本特定且模态感知的评估体系，明确指定每个样本的预期修改与需保留内容。研究对联合、顺序及分离三种编辑范式下的代表性模型进行了系统分析，发现现有模型在编辑一种模态时，常会在另一种模态中引发非预期变化，无论其所属范式如何。AVENUE 数据集已公开于 Hugging Face。