earticle

영어

Conventional esports highlight generation has relied mainly on rule-based systems driven by predefined in-game events, which limits their ability to capture the fine-grained progression of gameplay. This study proposes a supervised learning–based highlight detection framework that models the decision-making patterns of professional editors. The framework leverages in-game numerical indicators directly obtainable from broadcast video and refines them into reliable time-series inputs, thereby ensuring applicability not only to professional broadcast footage but also to gameplay videos produced by general users without dependence on specific production environments. Using optical character recognition, we extract and preprocess frame-aligned in-game time-series data, applying outlier correction and interpolation to construct high-fidelity frame-level labels. The refined game-derived information is then used to estimate team win probability and player contribution, which are integrated to identify candidate highlight frames. Experimental results demonstrate that the proposed method effectively learns the characteristics of expert-edited highlights, achieving high precision and recall. These findings confirm that the framework improves the quality and practicality of automated esports highlight generation.

한국어

기존의 e스포츠 하이라이트 생성은 주로 사전에 정의된 인게임 이벤트에 기반한 규칙 기반 시스템에 의존해 왔으나, 경기의 세밀한 전개 흐름을 충분히 반영하지 못한다. 본 논문에서는 전문 편집자의 의사결정을 학습하는 지도 학습기 반 하이라이트 탐지 프레임워크를 제안한다. 본 연구는 방송 화면에서 직접 획득 가능한 인게임 수치를 기반으로 시 계열 데이터를 정제하여 학습에 활용함으로써, 특정 중계 환경에 종속되지 않고 일반 사용자 영상에도 동일한 방식으 로 적용할 수 있는 확장성을 확보하였다. 광학 문자 인식을 통해 추출한 인게임 시간 시계열 데이터를 정제하고, 이 상치 보정과 보간을 수행하여 신뢰도 높은 프레임 단위 라벨을 구축하였다. 제안된 방법은 정제된 게임플레이 정보를 활용해 팀 승률과 플레이어 기여도를 예측하고, 이를 통합하여 하이라이트 후보 프레임을 식별한다. 실험 결과, 전문 편집 장면의 특성을 효과적으로 학습하여 높은 정밀도와 재현율을 달성하였으며, 제안된 접근법은 e스포츠 하이라이 트 자동화의 품질과 실용성을 향상시킬 수 있음을 확인하였다.