PVUW 2025 チャレンジレポート：実世界における複雑なビデオのピクセルレベル理解の進展

PVUW 2025 Challenge Report: Advances in Pixel-level Understanding of Complex Videos in the Wild

April 15, 2025

著者: Henghui Ding, Chang Liu, Nikhila Ravi, Shuting He, Yunchao Wei, Song Bai, Philip Torr, Kehuan Song, Xinglin Xie, Kexin Zhang, Licheng Jiao, Lingling Li, Shuyuan Yang, Xuqiang Cao, Linnan Zhao, Jiaxuan Zhao, Fang Liu, Mengjiao Wang, Junpei Zhang, Xu Liu, Yuting Yang, Mengru Ma, Hao Fang, Runmin Cong, Xiankai Lu, Zhiyang Che, Wei Zhan, Tianming Liang, Haichao Jiang, Wei-Shi Zheng, Jian-Fang Hu, Haobo Yuan, Xiangtai Li, Tao Zhang, Lu Qi, Ming-Hsuan Yang

cs.AI

要旨

本報告書は、CVPR 2025と併催された第4回Pixel-level Video Understanding in the Wild（PVUW）チャレンジの包括的な概要を提供する。チャレンジの成果、参加手法、および今後の研究方向性をまとめている。本チャレンジは2つのトラックを特徴としており、複雑なシーンにおけるビデオオブジェクトセグメンテーションに焦点を当てたMOSEと、モーションガイドによる言語ベースのビデオセグメンテーションを対象としたMeViSから構成される。両トラックとも、実世界のシナリオをより適切に反映するために設計された新たでより挑戦的なデータセットを導入している。詳細な評価と分析を通じて、本チャレンジは複雑なビデオセグメンテーションにおける最新の技術動向と新興トレンドに関する貴重な洞察を提供する。詳細情報はワークショップのウェブサイト（https://pvuw.github.io/）に掲載されている。

English

This report provides a comprehensive overview of the 4th Pixel-level Video Understanding in the Wild (PVUW) Challenge, held in conjunction with CVPR 2025. It summarizes the challenge outcomes, participating methodologies, and future research directions. The challenge features two tracks: MOSE, which focuses on complex scene video object segmentation, and MeViS, which targets motion-guided, language-based video segmentation. Both tracks introduce new, more challenging datasets designed to better reflect real-world scenarios. Through detailed evaluation and analysis, the challenge offers valuable insights into the current state-of-the-art and emerging trends in complex video segmentation. More information can be found on the workshop website: https://pvuw.github.io/.