MME-VideoOCR: Bewertung der OCR-basierten Fähigkeiten multimodaler LLMs in Videoszenarien

MME-VideoOCR: Evaluating OCR-Based Capabilities of Multimodal LLMs in Video Scenarios

May 27, 2025

Autoren: Yang Shi, Huanqian Wang, Wulin Xie, Huanyao Zhang, Lijie Zhao, Yi-Fan Zhang, Xinfeng Li, Chaoyou Fu, Zhuoer Wen, Wenting Liu, Zhuoran Zhang, Xinlong Chen, Bohan Zeng, Sihan Yang, Yuanxing Zhang, Pengfei Wan, Haotian Wang, Wenjing Yang

cs.AI

Zusammenfassung

Multimodale Large Language Models (MLLMs) haben eine beträchtliche Genauigkeit bei der optischen Zeichenerkennung (OCR) aus statischen Bildern erreicht. Ihre Wirksamkeit bei der Video-OCR ist jedoch aufgrund von Faktoren wie Bewegungsunschärfe, zeitlichen Variationen und visuellen Effekten, die in Videoinhalten inhärent sind, deutlich reduziert. Um eine klarere Anleitung für das Training praktischer MLLMs zu bieten, führen wir den MME-VideoOCR-Benchmark ein, der ein umfassendes Spektrum von Video-OCR-Anwendungsszenarien abdeckt. MME-VideoOCR umfasst 10 Aufgabenkategorien mit 25 einzelnen Aufgaben und spannt 44 verschiedene Szenarien ab. Diese Aufgaben gehen über die Texterkennung hinaus und beinhalten ein tieferes Verständnis und eine umfassendere Analyse des Textinhalts in Videos. Der Benchmark besteht aus 1.464 Videos mit unterschiedlichen Auflösungen, Seitenverhältnissen und Längen sowie 2.000 sorgfältig kuratierten, manuell annotierten Frage-Antwort-Paaren. Wir evaluieren 18 state-of-the-art MLLMs auf MME-VideoOCR und zeigen, dass selbst das leistungsstärkste Modell (Gemini-2.5 Pro) nur eine Genauigkeit von 73,7 % erreicht. Eine detaillierte Analyse zeigt, dass bestehende MLLMs zwar starke Leistungen bei Aufgaben zeigen, bei denen relevante Texte in einem oder wenigen Bildern enthalten sind, jedoch nur begrenzte Fähigkeiten bei Aufgaben aufweisen, die ein ganzheitliches Videoverständnis erfordern. Diese Einschränkungen sind besonders in Szenarien offensichtlich, die räumlich-zeitliche Schlussfolgerungen, die Integration von Informationen über mehrere Bilder oder die Resistenz gegen sprachliche Vorurteile erfordern. Unsere Ergebnisse unterstreichen auch die Bedeutung von hochauflösenden visuellen Eingaben und ausreichender zeitlicher Abdeckung für eine zuverlässige OCR in dynamischen Videoszenarien.

English

Multimodal Large Language Models (MLLMs) have achieved considerable accuracy in Optical Character Recognition (OCR) from static images. However, their efficacy in video OCR is significantly diminished due to factors such as motion blur, temporal variations, and visual effects inherent in video content. To provide clearer guidance for training practical MLLMs, we introduce the MME-VideoOCR benchmark, which encompasses a comprehensive range of video OCR application scenarios. MME-VideoOCR features 10 task categories comprising 25 individual tasks and spans 44 diverse scenarios. These tasks extend beyond text recognition to incorporate deeper comprehension and reasoning of textual content within videos. The benchmark consists of 1,464 videos with varying resolutions, aspect ratios, and durations, along with 2,000 meticulously curated, manually annotated question-answer pairs. We evaluate 18 state-of-the-art MLLMs on MME-VideoOCR, revealing that even the best-performing model (Gemini-2.5 Pro) achieves an accuracy of only 73.7%. Fine-grained analysis indicates that while existing MLLMs demonstrate strong performance on tasks where relevant texts are contained within a single or few frames, they exhibit limited capability in effectively handling tasks that demand holistic video comprehension. These limitations are especially evident in scenarios that require spatio-temporal reasoning, cross-frame information integration, or resistance to language prior bias. Our findings also highlight the importance of high-resolution visual input and sufficient temporal coverage for reliable OCR in dynamic video scenarios.