面向AIGC的视频质量评估进步
计算机视觉与模式识别
2024-09-24 v1
摘要
近年来，AI生成模型在各个领域取得了显著进展，包括文本生成、图像生成和视频生成。然而，评估文本到视频生成质量仍处于初步阶段，现有评估框架与自然视频的评估框架相比有不足。当前的视频质量评估（VQA）方法主要侧重于评估自然视频的整体质量，未能充分考虑生成视频中帧之间质量差异的显著差异。为此，我们提出一种新型损失函数，将平均绝对误差与交叉熵损失结合，以缓解帧间质量不一致性。此外，我们引入创新的S2CNet技术以保留关键内容，同时利用对抗训练来增强模型的泛化能力。实验结果表明，我们的方法在AIGC视频数据集上优于现有VQA技术，按PLCC指标超过前沿方法3.1%。
引用
@article{arxiv.2409.14888,
title = {Advancing Video Quality Assessment for AIGC},
author = {Xinli Yue and Jianhui Sun and Han Kong and Liangchao Yao and Tianyi Wang and Lei Li and Fengyun Rao and Jing Lv and Fan Xia and Yuetang Deng and Qian Wang and Lingchen Zhao},
journal= {arXiv preprint arXiv:2409.14888},
year = {2024}
}
备注
5 pages, 1 figure