研究人员开发了 HuM-Eval，一个旨在更好地评估生成视频中人类运动质量的新框架。该系统采用粗粒度到细粒度的策略，首先使用视觉语言模型进行广泛评估，然后对姿势和运动稳定性进行详细分析。据报道，HuM-Eval 与人类判断的相关性达到 58.2%，超过了现有方法。该团队还推出了 HuM-Bench，一个包含 1000 个提示的基准数据集，以帮助评估文本到视频模型。 AI
影响 改进了生成视频中人类运动的评估指标，可能指导未来的文本到视频模型开发。
排序理由 该集群描述了一篇详细介绍视频生成模型新评估框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.25361v1 Announce Type: new Abstract: Video generation models have developed rapidly in recent years, where generating natural human motion plays a pivotal role. However, accurately evaluating the quality of generated human motion video remains a significant challenge. …
Video generation models have developed rapidly in recent years, where generating natural human motion plays a pivotal role. However, accurately evaluating the quality of generated human motion video remains a significant challenge. Existing evaluation metrics primarily focus on g…