OpenHome：スマートホームカメラ映像における認識から洞察へ

arXiv:2610.31986v1 発表タイプ：新規 要旨：視覚言語モデル（VLM）は、記録された映像を解釈し洞察を提供するため、消費者向けスマートホームカメラシステムにおいてますます広く採用されています。しかし、スマートホームカメラで撮影された動画クリップは、既存のVLMベンチマークを支配しているキュレーション済みのウェブ動画とは異なります。スマートホームの動画クリップには字幕やナレーションが付いていないことが多く、異なる視点から、さまざまな照明条件下で、多様なシナリオにおいて撮影されています。一方で、こうした希薄な視覚信号と限られた文脈下におけるモデルの性能は、既存のVLMベンチマークでは十分に評価されていません。このギャップを埋めるため、私たちはスマートホーム映像理解の評価を目的とした、視覚のみの四択形式のベンチマークであるOpenHomeを提案します。I