VideoAesBench：评估大型多模态模型视频审美感知能力的基准
计算机视觉与模式识别
2026-02-03 v2
摘要
大型多模态模型（LMM）在各种视觉感知任务中已显示出卓越的能力，这随后使得对LMM的评估变得重要。然而，视频审美质量评估这一人类基本能力，对于LMM而言尚未得到充分探索。为此，我们引入VideoAesBench，一个用于评估LMM理解视频审美质量的全面基准。VideoAesBench具有若干显著特征：（1）多样化内容，包括来自多个视频来源的用户生成（UGC）、AI 生成（AIGC）、压缩、机器人生成（RGC）和游戏视频的1804个视频。（2）多种问题格式，包含传统单选问题、多选问题、真假问题，以及 novel 的开放式问题，用于视频审美描述。（3）全面视频审美维度，包括视觉形式相关问题的5个方面、视觉风格相关问题的4个方面，以及视觉情感问题的3个方面。基于VideoAesBench，我们对23个开源和商业大型多模态模型进行基准测试。我们的发现表明，当前LMM仅具备基本的视频审美感知能力，其性能仍不完整且不精确。我们希望VideoAesBench可作为强大的测试平台，并为可解释的视频审美评估提供洞见。数据将发布在 https://github.com/michaelliyunhao/VideoAesBench。
引用
@article{arxiv.2601.21915,
title = {VideoAesBench: Benchmarking the Video Aesthetics Perception Capabilities of Large Multimodal Models},
author = {Yunhao Li and Sijing Wu and Zhilin Gao and Zicheng Zhang and Qi Jia and Huiyu Duan and Xiongkuo Min and Guangtao Zhai},
journal= {arXiv preprint arXiv:2601.21915},
year = {2026}
}