VidCapBench：用于可控文本到视频生成的视频标题综合基准

可控文本到视频（T2V）模型的训练在很大程度上依赖于视频和标题之间的对齐，但现有研究很少将视频标题评估与 T2V 生成评估相联系。本文介绍了 VidCapBench，这是一个专为 T2V 生成设计的视频标题评估方案，独立于任何特定的标题格式。VidCapBench 采用一种数据标注管道，结合专家模型标注和人工校正，将每个收集的视频与其视频美学、内容、运动和物理法则等关键信息关联。VidCapBench 然后将这些关键信息属性划分为可自动评估和可手动评估的子集，满足敏捷开发的快速评估需求和严格验证的准确性要求。通过对众多最先进的标题模型进行评估，我们展示了 VidCapBench 在稳定性和全面性方面优于现有的视频标题评估方法。使用即插即用的 T2V 模型验证表明，VidCapBench 的评分与 T2V 质量评估指标之间存在显著正相关性，表明 VidCapBench 可为训练 T2V 模型提供有价值的指导。该项目可在 https://github.com/VidCapBench/VidCapBench 查看。