SST-EM：用于评估视频编辑中语义、空间与时间特性的高级指标

视频编辑模型已取得显著进展，但评估其性能仍具挑战性。传统指标（如 CLIP 文本和图像分数）通常存在不足：文本分数受限于训练数据不足和层级依赖性，而图像分数无法评估时间一致性。我们提出了 SST-EM（语义、空间与时间评估指标，Semantic, Spatial, and Temporal Evaluation Metric），这是一种利用现代视觉语言模型（VLM）、目标检测和时间一致性检查的新型评估框架。SST-EM 包含四个组件：(1) 使用 VLM 从帧中提取语义，(2) 通过目标检测进行主要目标跟踪，(3) 利用 LLM 智能体进行聚焦目标细化，以及 (4) 使用视觉 Transformer（ViT）进行时间一致性评估。这些组件被整合为一个统一指标，其权重源自人类评估和回归分析。SST-EM 这一名称反映了其对视频评估中语义、空间和时间特性的关注。SST-EM 对视频编辑中的语义保真度和时间平滑度提供了全面评估。源代码可在 \textbf{\href{https://github.com/custommetrics-sst/SST_CustomEvaluationMetrics.git}{GitHub Repository}} 获取。