北大開源首個(gè)針對(duì)視頻編輯的新指標(biāo)，與人類感知高度對(duì)齊｜AAAI25

作者：量子位 2024-12-27 12:36:27

現(xiàn)在，北京大學(xué)MMCAL團(tuán)隊(duì)開發(fā)了首個(gè)用于視頻編輯質(zhì)量評(píng)估的新指標(biāo)——VE-Bench，相關(guān)代碼與預(yù)訓(xùn)練權(quán)重均已開源。

視頻生成模型卷得熱火朝天，配套的視頻評(píng)價(jià)標(biāo)準(zhǔn)自然也不能落后。

現(xiàn)在，北京大學(xué)MMCAL團(tuán)隊(duì)開發(fā)了首個(gè)用于視頻編輯質(zhì)量評(píng)估的新指標(biāo)——VE-Bench，相關(guān)代碼與預(yù)訓(xùn)練權(quán)重均已開源。

它重點(diǎn)關(guān)注了AI視頻編輯中最常見的一個(gè)場(chǎng)景：視頻編輯前后結(jié)果與原始視頻之間的聯(lián)系。

例如，在“摘掉女孩的耳環(huán)”的任務(wù)中，需要保留人物ID，源視頻與編輯結(jié)果應(yīng)該有著較強(qiáng)語義相關(guān)性，而在“把女孩換為鋼鐵俠”這樣的任務(wù)中，語義就明顯發(fā)生了改變。

此外，它的數(shù)據(jù)還更加符合人類的主觀感受，是一個(gè)有效的主觀對(duì)齊量化指標(biāo)。

實(shí)驗(yàn)結(jié)果顯示，與FastVQA、StableVQA、DOVER、VE-Bench QA等視頻質(zhì)量評(píng)價(jià)方法相比，VE-Bench QA取得了SOTA的人類感知對(duì)齊結(jié)果：

這到底是怎么做到的呢？

簡(jiǎn)單來說，VE-Bench首先從原始視頻收集、提示詞收集、視頻編輯方法、主觀標(biāo)注4個(gè)方面入手，構(gòu)建了一個(gè)更加豐富的數(shù)據(jù)庫VE-Bench DB。

此外，團(tuán)隊(duì)還提出了創(chuàng)新的測(cè)試方法VE-Bench QA，將視頻的整體效果分成了文字-目標(biāo)一致性、參考源與目標(biāo)的關(guān)系、技術(shù)畸變和美學(xué)標(biāo)準(zhǔn)多個(gè)維度進(jìn)行綜合評(píng)價(jià)，比當(dāng)前常用的CLIP分?jǐn)?shù)等客觀指標(biāo)、PickScore等反映人類偏好的指標(biāo)都更加全面。

相關(guān)論文已入選AAAI 2025（The Association for the Advancement of Artificial Intelligence）會(huì)議。

更豐富全面的數(shù)據(jù)庫VE-Bench DB

原始視頻收集

為了確保數(shù)據(jù)多樣性，VE-Bench DB除了收集來自真實(shí)世界場(chǎng)景的視頻，還包括CG渲染的內(nèi)容以及基于文本生成的AIGC視頻。

數(shù)據(jù)來源包括公開數(shù)據(jù)集DAVIS、Kinetics-700、Sintel、Spring的視頻，來自Sora和可靈的AIGC視頻，以及來自互聯(lián)網(wǎng)的補(bǔ)充視頻。

來自互聯(lián)網(wǎng)的視頻包括極光、熔巖等常規(guī)數(shù)據(jù)集缺乏的場(chǎng)景。

所有視頻都被調(diào)整為長(zhǎng)邊768像素，同時(shí)保持其原始寬高比。

由于目前主流視頻編輯方法支持的長(zhǎng)度限制，每段視頻都被裁剪為32幀。

源視頻的具體內(nèi)容構(gòu)成如下圖所示，所有樣本在收集時(shí)均通過人工篩選以保證內(nèi)容的多樣性并減少冗余：

△VE-Bench原始視頻構(gòu)成。(a)視頻來源 (b)視頻類型 (c) 視頻運(yùn)動(dòng)種類 (d) 視頻內(nèi)容種類

提示詞收集

參考過往工作，VE-Bench將用于編輯的提示詞分為3大類別：

風(fēng)格編輯（Style editing）：包括對(duì)顏色、紋理或整體氛圍的編輯。
語義編輯（Semantic editing）：包括背景編輯和局部編輯，例如對(duì)某一對(duì)象的添加、替換或移除。
結(jié)構(gòu)編輯（Structural editing）：包括對(duì)象大小、姿態(tài)、動(dòng)作等的變化。

針對(duì)每個(gè)類別，團(tuán)隊(duì)人工編寫了相應(yīng)的提示詞，對(duì)應(yīng)的詞云與類別構(gòu)成如下：

△VE-Bench提示詞構(gòu)成。(a)詞云 (b)提示詞類型占比統(tǒng)計(jì)

編輯結(jié)果生成

VE-Bench選取了8種視頻編輯方法。

這些方法包括早期的經(jīng)典方法與近期較新的方法，涵蓋從SD1.4～SD2.1的不同版本，包括需要微調(diào)的方法、0-shot的方法、和基于ControlNet、PnP等不同策略編輯的方法。

人類主觀評(píng)價(jià)

在進(jìn)行主觀實(shí)驗(yàn)時(shí)，VE-Bench確保了每個(gè)視頻樣本均由24位受試者進(jìn)行打分，符合ITU標(biāo)準(zhǔn)中15人以上的人數(shù)要求。

所參與受試者均在18歲以上，學(xué)歷均在本科及以上，包括商學(xué)、工學(xué)、理學(xué)、法學(xué)等不同的背景，有獨(dú)立的判斷能力。

在實(shí)驗(yàn)開始前，所有人會(huì)線下集中進(jìn)行培訓(xùn)，并且會(huì)展示數(shù)據(jù)集之外的不同好壞的編輯例子。

測(cè)試時(shí)，受試者被要求根據(jù)其主觀感受，并對(duì)以下幾個(gè)方面進(jìn)行綜合評(píng)價(jià)：文本與視頻的一致性、源視頻與目標(biāo)視頻的相關(guān)度以及編輯后視頻的質(zhì)量，分?jǐn)?shù)為十分制。

最后收集得到的不同模型平均得分的箱線圖如下：

△VE-Bench模型得分箱線圖

其中，橫坐標(biāo)表示不同模型ID，縱坐標(biāo)表示Z-score正則化后的MOS (Mean Opinion Score)分?jǐn)?shù)。橘紅色線條表示得分的中位數(shù)。

可以看出，當(dāng)前的大多數(shù)文本驅(qū)動(dòng)的視頻編輯模型中位數(shù)得分普遍在5分左右浮動(dòng)，少數(shù)模型的得分中位數(shù)可以達(dá)到近6分，部分模型的得分中位數(shù)不到4分。

模型得分最低分可以下探到不到2分，也有個(gè)別樣本最高可以達(dá)到近9分。

具體每個(gè)樣本在Z-score前后的得分直方圖如下圖所示，可以看出極高分和極低分仍在少數(shù)：

△VE-Bench模型得分直方圖

在此基礎(chǔ)上，團(tuán)隊(duì)進(jìn)一步繪制了不同視頻編輯模型在VE-Bench提示詞上的表現(xiàn)：

△不同視頻編輯模型在VE-Bench中不同類別的提示詞上的表現(xiàn)

可以看出，目前的模型都相對(duì)較為擅長(zhǎng)風(fēng)格化指令，這可能是利用了SD在大量不同風(fēng)格圖片上訓(xùn)練的先驗(yàn)成果。

同時(shí)，刪除指令相比于添加得分更低，因?yàn)樗枰~外考慮物體或背景重建等問題，對(duì)模型語義理解與細(xì)粒度特征提取能力有更高要求。

現(xiàn)有模型都還不太擅長(zhǎng)形狀編輯。這方面FateZero模型表現(xiàn)較為優(yōu)秀，這可能與它針對(duì)shape-aware提出的注意力混合方法有關(guān)。

從3個(gè)緯度進(jìn)行評(píng)估的VE-Bench QA

在構(gòu)建的VE-Bench DB的基礎(chǔ)上，團(tuán)隊(duì)還提出了創(chuàng)新的VE-Bench QA訓(xùn)練方法，目標(biāo)是得到與人類感知更加接近的分?jǐn)?shù)。

下面這張圖展示了VE-Bench QA的主要框架：

VE-Bench QA從3個(gè)維度對(duì)文本驅(qū)動(dòng)的視頻編輯進(jìn)行評(píng)估：

文本-視頻一致性

為了衡量所編輯視頻是否與文本有關(guān)，VE-Bench QA基于BLIP進(jìn)行了有效的視頻-文本相關(guān)性建模，通過在BLIP視覺分支的基礎(chǔ)上加入Temporal Adapter將其擴(kuò)展到三維，并與文本分支的結(jié)果通過交叉注意力得到輸出。

源視頻-編輯后視頻動(dòng)態(tài)相關(guān)性

為了更好建模隨上下文動(dòng)態(tài)變化的相關(guān)性關(guān)系，VE-Bench QA在該分支上通過時(shí)空Transformer將二者投影到高維空間，并在此基礎(chǔ)上拼接后利用注意力機(jī)制計(jì)算二者相關(guān)性，最后通過回歸計(jì)算得到相應(yīng)輸出。