論文の概要: VGA-BenchV2: An Expanded Unified Benchmark and Multi-Model Framework for Evaluating Video Aesthetics and Generation Quality

• arxiv url: http://arxiv.org/abs/2608.25452v1
• Date: Wed, 26 Aug 2026 07:16:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.644019
• Title: VGA-BenchV2: An Expanded Unified Benchmark and Multi-Model Framework for Evaluating Video Aesthetics and Generation Quality
• Title（参考訳）: VGA-BenchV2:ビデオ美学と生成品質を評価するための統合ベンチマークとマルチモデルフレームワーク
• Abstract要約: VGA-BenchV2は、ビデオ生成の品質と美的価値を共同で評価し改善するための拡張されたヒューマンアライン・ベンチマークおよび最適化フレームワークである。 さまざまなプロンプトを1016回キュレートし、12の主流ビデオ生成モデルによって生成された6万本以上のビデオを収集します。 本研究では,連続的な審美評価のためのVAQA-Netと,Qwenをベースとした2つのLarge Vision-Language Model評価器,VTag-NetとVGQA-Netからなるハイブリッド評価器アーキテクチャを開発し,審美的タグ付けと生成品質の評価を行う。
• 参考スコア（独自算出の注目度）: 65.0648741395158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce VGA-BenchV2, an extended human-aligned benchmark and optimization framework for jointly evaluating and improving video generation quality and aesthetic value. Built upon VGA-Bench, VGA-BenchV2 preserves the original fine-grained taxonomy with two primary dimensions-Aesthetic and Generation-and 52 sub-dimensions. Guided by this taxonomy, we curate 1,016 diverse prompts and collect over 60,000 videos generated by 12 mainstream video generation models. More importantly, VGA-BenchV2 substantially expands human-labeled supervision by adding 36,000 task-level annotations, including 16,200 for aesthetic quality, 13,200 for aesthetic tagging, and 6,600 for generation quality, corresponding to 13.46x, 11.15x, and 1.55x scale-ups over VGA-Bench, respectively. Leveraging this enlarged annotation corpus, we develop a hybrid evaluator architecture consisting of VAQA-Net for continuous aesthetic scoring and two Qwen-based Large Vision-Language Model evaluators, VTag-Net and VGQA-Net, for aesthetic tagging and generation quality assessment. Extensive experiments demonstrate strong alignment with human judgments across diverse generation models. Beyond evaluation, VGA-BenchV2 further introduces an evaluation-to-optimization pipeline, where the learned aesthetic evaluator serves as a reward model for reinforcement learning-based generator fine-tuning. This closes the loop from benchmark construction and human supervision to automated evaluation and model optimization, enabling video generators to improve not only in realism but also in aesthetic quality and human preference alignment. Resources are available at https://huggingface.co/datasets/BestiVictoryLab/VGA-Bench.
• Abstract（参考訳）: VGA-BenchV2は、ビデオ生成の品質と美的価値を共同で評価し、改善するための拡張ヒトアライメントベンチマークおよび最適化フレームワークである。 VGA-ベンチをベースとしたVGA-BenchV2は、AestheticとGeneration-52サブディメンジョンの2つの主次元を持つ元のきめ細かい分類を保存している。 この分類法により、我々は1,016の多様なプロンプトをキュレートし、12の主流のビデオ生成モデルによって生成された6万以上のビデオを収集します。 さらに重要なことに、VGA-BenchV2は、美的品質の16,200、美的タグ付けの13,200、世代品質の6,600など、VGA-Benchの13.46x、11.15x、1.55倍のスケールアップを含む36,000のタスクレベルのアノテーションを追加することで、人間のラベルによる監督を大幅に拡張している。 この拡張アノテーションコーパスを活用することで、連続的な美的評価のためのVAQA-Netと、2つのQwenベースのLarge Vision-Language Model評価器、VTag-NetとVGQA-Netからなるハイブリッドな評価器アーキテクチャを構築し、美的タグ付けと生成品質の評価を行う。 広範囲にわたる実験は、多様な世代モデルにわたる人間の判断と強い整合性を示す。 VGA-BenchV2は、さらに評価最適化パイプラインを導入し、学習した美的評価器は強化学習に基づくジェネレータの微調整のための報酬モデルとして機能する。 これは、ベンチマークの構築と人間の監督から自動評価、モデル最適化までのループを閉じ、ビデオジェネレータはリアリズムだけでなく、美的品質や人間の嗜好の調整でも改善できる。 リソースはhttps://huggingface.co/datasets/BestiVictoryLab/VGA-Benchで入手できる。

関連論文リスト

• Multi-Dimensional Quality Assessment for AI-Generated Human-Centric Videos: Dataset and Model [95.02470963378896]
  HVEval+はAIが生成する人間中心ビデオの総合的品質評価データセットとしては最大である。 MoE-Raterは、Mixture-of-Experts (MoE)にインスパイアされたマルチモーダルな大規模言語モデル(MLLM)ベースのオールインワン方式である。
  論文  参考訳（メタデータ） (2026-07-18T10:04:18Z)
• V2V-Bench: A Comprehensive Benchmark for Video-to-Video Generation Evaluation [2.5736307039025057]
  出力は編集命令に従い、フレームレベルのソース映像との対応を維持する必要があるため、ビデオ間(V2V)の生成は評価が難しい。 V2V-Benchは、時間的アライメント、構造的忠実度、変換品質、ビデオ品質、セマンティックアライメントの5つのカテゴリに分類されるベンチマークである。 V2V-Benchは、編集タスクに挑戦するさまざまなソースビデオと、Grok ImagineとGemini Veo3という2つの商用モデルと、オープンソースモデルOpen Sora 2.0を組み合わせて評価する。
  論文  参考訳（メタデータ） (2026-06-04T03:48:42Z)
• VGA-Bench: A Unified Benchmark and Multi-Model Framework for Video Aesthetics and Generation Quality Evaluation [65.0648741395158]
  VGA-Benchは、ビデオ生成の品質と美的品質を評価するための統一されたベンチマークである。 我々は1016の多様なプロンプトを設計し、12のビデオ生成モデルを用いて6万以上のビデオの大規模データセットを生成する。 我々のモデルは人間の判断と信頼できる一致を実現し、精度と効率の両方を提供する。
  論文  参考訳（メタデータ） (2026-04-11T09:44:39Z)
• VideoScore2: Think before You Score in Generative Video Evaluation [69.43069741467603]
  VideoScore2は、視覚的品質、テキスト・ツー・ビデオのアライメント、物理的/常識的一貫性を明確に評価する多次元、解釈可能、そして人間によるアライメントフレームワークである。 我々のモデルは、27,168人の注釈付きビデオを含む大規模なデータセットVideoFeedback2で訓練されている。
  論文  参考訳（メタデータ） (2025-09-26T18:09:03Z)
• VBench++: Comprehensive and Versatile Benchmark Suite for Video Generative Models [111.5892290894904]
  VBenchは、"ビデオ生成品質"を特定の、階層的、そして非絡み合ったディメンションに分解するベンチマークスイートである。 我々は、人間の知覚とベンチマークの整合性を検証するために、人間の嗜好アノテーションのデータセットを提供する。 VBench++は、テキスト・トゥ・ビデオと画像・トゥ・ビデオの評価をサポートする。
  論文  参考訳（メタデータ） (2024-11-20T17:54:41Z)
• EvalCrafter: Benchmarking and Evaluating Large Video Generation Models [70.19437817951673]
  これらのモデルはしばしば、マルチアスペクト能力を持つ非常に大きなデータセットで訓練されているので、単純な指標から大きな条件生成モデルを判断することは困難である、と我々は主張する。 我々のアプローチは、テキスト・ツー・ビデオ生成のための700のプロンプトの多種多様な包括的リストを作成することである。 そこで我々は、視覚的品質、コンテンツ品質、動作品質、テキスト・ビデオアライメントの観点から、慎重に設計されたベンチマークに基づいて、最先端のビデオ生成モデルを評価する。
  論文  参考訳（メタデータ） (2023-10-17T17:50:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。