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

개발자라면 누구나 한 번쯤은 상상해 봤을 겁니다.
"비디오 속에서 텍스트를 정확히 인식하고 이해할 수 있는 시스템을 만들 수 있을까?"

이 논문이 흥미로운 이유는 단순히 "텍스트 인식의 정확성 향상" 수준을 넘어서, 비디오 내 텍스트의 종합적인 이해와 추론 안에서 사용자의 복잡한 비디오 시나리오에서의 텍스트 이해에 반응할 수 있도록 설계되었다는 점입니다. 예를 들어, 비디오의 여러 프레임에 걸쳐 있는 정보를 통합하여 이해하는 능력, 이는 마치 '비디오 속의 숨겨진 이야기를 읽어내는' 것과 같습니다.

✅ 어떻게 작동하나요? – MME-VideoOCR의 핵심 아이디어

MME-VideoOCR가 도입한 가장 눈에 띄는 개념은 바로 "비디오 OCR 벤치마크"입니다. 이 벤치마크는 다양한 비디오 OCR 응용 시나리오를 포괄하며, 10개의 작업 카테고리와 25개의 개별 작업으로 구성되어 있습니다. 이는 비디오 내 텍스트 인식뿐만 아니라, 텍스트의 깊은 이해와 추론을 포함합니다.

이 모델은 총 3단계의 평가 과정을 거쳐 만들어졌습니다:

• 비디오 데이터 수집 – 다양한 해상도, 비율, 길이의 비디오를 수집하여 다양한 시나리오를 포괄합니다.
• 질문-답변 쌍 생성 – 비디오 내 텍스트의 이해와 추론을 평가하기 위한 질문-답변 쌍을 수작업으로 생성합니다.
• 모델 성능 평가 – 18개의 최신 MLLM을 사용하여 벤치마크에서의 성능을 평가합니다.

✅ 주요 기술적 특징과 혁신점

MME-VideoOCR의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

1. 비디오 내 텍스트의 종합적 이해
이는 비디오의 여러 프레임에 걸쳐 있는 정보를 통합하여 이해하는 방식입니다. 기존의 정적 이미지 OCR과 달리, 비디오의 동적 특성을 고려하여 정보 통합을 통해 더 높은 정확성을 달성했습니다. 특히 고해상도 시각 입력과 충분한 시간적 커버리지를 통해 성능을 크게 향상시켰습니다.

2. 스페이셜-템포럴 추론
이 특징의 핵심은 비디오 내에서 시간적, 공간적 정보를 활용하여 텍스트를 이해하는 메커니즘입니다. 이를 위해 프레임 간 정보 통합을 도입했으며, 이는 복잡한 비디오 시나리오에서의 텍스트 이해에 중요한 역할을 했습니다.

3. 언어 편향 저항
마지막으로 주목할 만한 점은 언어 편향에 저항하는 능력입니다. 이는 비디오 내 텍스트가 특정 언어적 편향에 의해 왜곡되지 않도록 보장하며, 다양한 언어와 상황에서의 텍스트 이해를 가능하게 합니다.

✅ 실험 결과와 성능 분석

MME-VideoOCR의 성능은 다음과 같은 실험을 통해 검증되었습니다.

1. 텍스트 인식 정확도에 대한 성능
다양한 비디오 시나리오에서 진행된 평가에서 최고 성능 모델인 Gemini-2.5 Pro가 73.7%의 정확도를 달성했습니다. 이는 기존 모델들과 비교했을 때 상당한 향상을 보여줍니다. 특히 여러 프레임에 걸친 정보 통합 능력이 인상적입니다.

2. 스페이셜-템포럴 추론에서의 결과
이 실험에서는 비디오 내에서 시간적, 공간적 정보를 활용한 추론 능력을 평가했습니다. 기존 접근 방식들과 비교하여 차별화된 성능 특성을 보여주었으며, 특히 복잡한 시나리오에서 강점을 보였습니다.

3. 실제 응용 시나리오에서의 평가
실제 비디오 시나리오에서 진행된 테스트에서는 다양한 사용 사례와 결과를 확인할 수 있었습니다. 실용적 관점에서의 장점과 함께, 현실적인 제한사항이나 고려사항도 명확히 드러났습니다.

이러한 실험 결과들은 MME-VideoOCR가 비디오 내 텍스트 이해의 주요 과제를 효과적으로 해결할 수 있음을 보여줍니다. 특히 고해상도 시각 입력과 충분한 시간적 커버리지가 중요하다는 시사점을 제공합니다.

✅ 성능은 어떨까요?

MME-VideoOCR는 비디오 OCR 벤치마크에서 최고 성능 모델인 Gemini-2.5 Pro가 73.7%의 정확도를 기록했습니다. 이는 기존 모델 수준의 성능입니다.

실제로 비디오 내 텍스트 이해, 특히 여러 프레임에 걸친 정보 통합에서도 꽤 자연스러운 반응을 보입니다.
물론 아직 "복잡한 시나리오"에서 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

✅ 어디에 쓸 수 있을까요?

MME-VideoOCR는 단지 새로운 모델이 아니라, "비디오 내 텍스트 이해의 새로운 방향성"이라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 비디오 분석, 예를 들면 비디오 콘텐츠 검색, 자동 자막 생성까지 인식하게 될 가능성이 큽니다.

• 비디오 콘텐츠 검색: 비디오 내 텍스트를 인식하여 검색 가능성을 높입니다.
• 자동 자막 생성: 비디오 내 텍스트를 기반으로 자동으로 자막을 생성합니다.
• 비디오 분석: 비디오 내 텍스트를 분석하여 다양한 통찰을 제공합니다.

이러한 미래가 MME-VideoOCR로 인해 조금 더 가까워졌습니다.

✅ 개발자가 지금 할 수 있는 일은?

MME-VideoOCR에 입문하려면, 기본적인 비디오 처리 기술과 OCR 기술에 대한 이해가 필요합니다.
다행히도 공식 GitHub 리포지토리에 예제 코드가 잘 정리되어 있어, 이를 통해 학습할 수 있습니다.

실무에 적용하고 싶다면?
필요한 비디오 데이터와 리소스를 확보하고, 다양한 비디오 시나리오를 테스트하면서 모델을 적용하는 것이 핵심입니다. 또한, 추가적인 데이터 수집과 모델 튜닝도 병행되어야 합니다.

✅ 마치며

MME-VideoOCR는 단순한 기술적 진보를 넘어, 비디오 내 텍스트 이해의 새로운 패러다임을 향한 중요한 이정표입니다. 이 기술이 제시하는 가능성은 비디오 분석 산업의 미래를 재정의할 잠재력을 가지고 있습니다.

우리는 지금 비디오 분석 기술 발전의 중요한 변곡점에 서 있으며, MME-VideoOCR는 그 여정의 핵심 동력이 될 것입니다. 당신이 이 혁신적인 기술을 활용하여 미래를 선도하는 개발자가 되어보는 건 어떨까요?

⨠ 논문 원문 보러가기

✅ 같이 보면 좋은 참고 자료들

관련 논문을 찾을 수 없습니다.