AesRM：利用专家级反馈提升视频美学
计算机视觉与模式识别
2026-05-01 v1
摘要
尽管照片级真实感视频生成技术发展迅速，但电影制作等现实应用要求视频美学（例如和谐的色彩和电影级布光）超越视觉保真度。先前关于视觉美学的工作主要集中在图像上，常常将美学简化为粗略的定义，如视觉愉悦感，缺乏严谨和系统的评估。为了提升视频美学，我们提出了一种分层评分标准，将视频美学分解为三个核心维度：视觉美学（VA）、视觉保真度（VF）和视觉合理性（VP），并包含 15 个细粒度标准，如镜头构图。该框架促成了一个大规模专家标注的偏好数据集和一个评估基准 AesVideo-Bench，包含约 2500 个带有 VA、VF 和 VP 专家标注的视频对。然后，我们构建了一系列视频美学奖励模型（AesRM）：AesRM-Base，直接预测这些维度上的成对偏好，以提供高效的训练后奖励；以及 AesRM-CoT，额外生成与所有 15 个标准对齐的思维链（CoT），以提高评估的可解释性。具体来说，我们采用三阶段渐进式方案训练 AesRM：（1）原子美学能力学习，增强 AesRM 对基本美学概念的识别，例如准确识别居中构图；（2）冷启动，使模型与结构化推理协议对齐；（3）GRPO，进一步提高评估准确性。为了增强 AesRM-CoT，我们还提出了基于自一致性的 CoT 合成，以提高 CoT 质量，并在 GRPO 期间设计了基于 CoT 的过程奖励。大量实验表明，AesRM 在多个美学基准上优于基线模型，并且更鲁棒，位置偏差更低。最后，我们使用 AesRM 对齐 Wan2.2，并观察到相较于现有美学奖励模型，获得了明显的美学增益。
引用
@article{arxiv.2604.28078,
title = {AesRM: Improving Video Aesthetics with Expert-Level Feedback},
author = {Yujin Han and Yujie Wei and Yefei He and Xinyu Liu and Tianle Li and Zichao Yu and Andi Han and Shiwei Zhang and Tingyu Weng and Difan Zou},
journal= {arXiv preprint arXiv:2604.28078},
year = {2026}
}
备注
37 pages, 14 figures, 12 tables