实体
PROVE-Bench
PROVE-Bench
PulseAugur coverage of PROVE-Bench — every cluster mentioning PROVE-Bench across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
小米MiLM Plus发布视频物体移除的PROVE基准
小米的MiLM Plus推出了PROVE，这是一个新的基准和指标集，旨在更有效地评估视频物体移除模型。PSNR和SSIM等传统指标在处理物体移除的固有不适定性方面存在困难，因为存在多种可能的输出。PROVE使用了两个新颖的指标：RC-S用于空间一致性，RC-T用于时间一致性，它们在深度特征空间内局部运行，并且不需要参考视频。该系统已被ACM MM 2026收录，并作为一个开源PyTorch存储库提供，旨在用于模型评估、CI门禁和数据过滤。
-
新基准PROVE改进了视觉媒体中物体移除的评估
研究人员推出了PROVE，这是一个新的基准和评估框架，旨在更好地评估图像和视频中的物体移除。该框架包括RC指标（RC-S用于空间一致性，RC-T用于时间一致性），旨在比现有方法更贴近人类感知。PROVE还包括PROVE-Bench，一个包含两个层级的数据集：PROVE-M用于运动增强，PROVE-H用于无真实情况的挑战性子集。
-
新的PROVE基准改进了视觉媒体对象移除评估
研究人员推出PROVE，这是一个新的基准和评估框架，旨在更好地评估视觉媒体中对象移除的质量。现有指标常常无法与人类感知保持一致，它们可能奖励过于简单的编辑，或者偏向模糊的输出。PROVE包含新的指标RC-S和RC-T，分别衡量空间一致性和时间一致性，并通过PROVE-Bench数据集进行了验证。该框架旨在为视觉媒体编辑任务提供更准确、更符合感知的评估。