TransNetV2

原理

用 3D 卷积神经网络预测帧级镜头边界概率，比规则法更能处理渐变与复杂转场。

使用情况

• Cosmos：对比 PySceneDetect、Panda70M、TransNetV2、AutoShot（自建 ShotBench）后采用 TransNetV2，阈值 0.4；短于 2 s 丢弃，长于 60 s 截为 60 s [1]。见 NVIDIA Cosmos 世界基础模型。
• HunyuanVideo 与 PySceneDetect 叠加使用 [2]；LongCat 用内部 TransNetV2；SkyReels 用 PyDetect 加 TransNet-V2 切镜，见 昆仑万维 SkyReels（V2 / A2）。

局限

Koala-36M 指出主流切镜仍有显著误差，其 Color-Struct SVM 自测召回 0.9395、精度 0.7547（作者口径）。TransNetV2 需 GPU 推理，大规模场景下成本高于规则法。

来源

1. https://arxiv.org/html/2501.03575 (2026-10-15)
2. https://arxiv.org/html/2412.03603 (2026-10-15)