PySceneDetect

原理

基于规则的镜头边界检测，提供 ContentDetector 与 AdaptiveDetector 等检测器，按帧间内容变化阈值切分长视频为单镜头 clip。

代表使用

• Panda-70M：ContentDetector 阈值 25，再用 ImageBind 拼接，距离 0.6 以内合并；3,790,459 条长视频切为 70,817,169 条 clip，平均 8.477 s [1]。见 Panda-70M。
• HunyuanVideo：PySceneDetect 为主并用 TransNet v2，OpenCV Laplacian 选清晰首帧 [2]。
• Step-Video 用 AdaptiveDetector 加 FFmpeg，裁掉首尾各 3 帧；MAGI-1 单镜头切分用 PySceneDetect。
• Cosmos 实测 TransNetV2 效果更优，见 TransNetV2。

局限

Koala-36M 自测中，PySceneDetect HSL 基线 720p 单次 10.73 ms，慢于其 Color-Struct SVM 的 6.15 ms；默认阈值在渐变、闪光场景有改进空间（作者口径）。

来源

1. https://arxiv.org/html/2402.19479 (2026-10-15)
2. https://arxiv.org/html/2412.03603 (2026-10-15)