比较驱动的偏好：面向 AI 生成视频质量评估的参考感知建模
计算机视觉与模式识别
2026-04-21 v1
摘要
生成模型的快速发展导致 AI 生成视频数量激增，自动化评估此类视频质量变得日益重要。现有的 AI 生成内容视频质量评估（AIGC-VQA）方法通常独立分析每个视频，忽略视频之间的潜在关联。在本工作中，我们从视频间的比较视角重新审视 AIGC-VQA，构建其为参考感知评估问题。通过该表述，质量评估不仅受内在视频特征驱动，也受与相关视频之间的比较指引，这更符合人类感知。为验证其有效性，我们提出参考感知视频质量评估框架（RefVQA），利用查询中心参考图组织语义相关样本，并对参考节点到查询节点的图结构差异聚合进行引导。实验在现有数据集上表明，我们提出的 RefVQA 在多个质量维度上超越了最先进的方法，并在跨数据集评估中展现出强大的泛化能力。这些结果凸显了所提出参考基准表述的有效性，表明其有望推动 AIGC-VQA 的发展。
引用
@article{arxiv.2604.17074,
title = {Comparison Drives Preference: Reference-Aware Modeling for AI-Generated Video Quality Assessment},
author = {Minghao Zou and Gen Liu and Guanghui Yue and Baoquan Zhao and Zhihua Wang and Paul L. Rosin and Hantao Liu and Wei Zhou},
journal= {arXiv preprint arXiv:2604.17074},
year = {2026}
}