EAVSD ist ein 2026 von einem Team der Peking-Universität veröffentlichter Datensatz für Storyboards von E-Commerce-Werbevideos. Er dient der Unterstützung themenorientierter Aufgaben wie der Generierung von Mehrbildsequenzen und der narrativen Planung. Zugehörige Forschungsarbeiten umfassen… Narrative Weaver: Auf dem Weg zu kontrollierbarer visueller Langzeitkonsistenz durch multimodale KonditionierungEs wird häufig bei themenorientierten Aufgaben der Mehrbildgenerierung und narrativen Planung eingesetzt, wobei der Schwerpunkt auf der Erstellung von Storyboards für E-Commerce-Werbevideos und der Forschung zur kontrollierbaren visuellen Langzeitkonsistenz liegt. Dieser Datensatz umfasst 50.538 Produktbeispiele und insgesamt 401.351 Szenenbilder aus acht anonymisierten E-Commerce-Produktkategorien. Jedes Beispiel enthält ein Referenzbild, acht englische Szenenbeschreibungen und das zugehörige generierte Szenenbild. Das Referenzbild wurde mithilfe des Qwen-VL-Modells aus der ursprünglichen Produktliste extrahiert und bereinigt. Die Szenenbeschreibungen wurden mithilfe eines großen Sprachmodells geplant und zu filmischen englischen Beschreibungen erweitert. Die finalen Szenenbilder wurden mit der Bildbearbeitungs-API von Novita AI generiert; alle Szenenbilder sind modellsynthetisierte Daten.

Datenfelder

• id: Eindeutige Kennung für das Asset (z. B. category_a_000123)
• Kategorie: Die Produktkategorie, zu der es gehört (Kategorie_a ~ Kategorie_h)
• Referenz: Dateiname des referenzierten Produktbildes
• n_scenes_generated / n_scenes_total: Die tatsächliche Anzahl der generierten Szenen im Vergleich zur geplanten Gesamtzahl (festgelegt auf 8).
• scene_prompts: Eine Liste englischer Eingabeaufforderungen für die entsprechende Szene (unter Beibehaltung des generierten Vorlagenpräfixes).
• scene_filenames / scene_errors: Liste der Szenengraph-Dateinamen und der zugehörigen Fehlermeldungen für fehlgeschlagene Szenen.

Zitat

@article{yao2026narrative,
title   = {Narrative Weaver: Towards Controllable Long-Range Visual Consistency with Multi-Modal Conditioning},
author  = {Yao, Zhengjian and Li, Yongzhi and Gao, Xinyuan and Chen, Quan and Jiang, Peng and Lu, Yanye},
journal = {arXiv preprint arXiv:2603.06688},
year    = {2026}
}