論文の概要: Towards Unified Evaluation of Prompt Enhancers for Video Generation

• arxiv url: http://arxiv.org/abs/2610.11736v1
• Date: Thu, 08 Oct 2026 11:31:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.980425
• Title: Towards Unified Evaluation of Prompt Enhancers for Video Generation
• Title（参考訳）: 映像生成のためのプロンプトエンハンサーの統一評価に向けて
• Abstract要約: PEBenchは,テキスト・ツー・ビデオ,イメージ・ツー・ビデオ,レファレンス・ツー・ビデオ・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト・プロンプト評価のための最初の統一ベンチマークである。 1,100人の専門家による検証されたケースと1,005のビジュアルアセットで構成されており、時間、撮影、オーディオヴィジュアル、マルチレファレンスといった、35のきめ細かいタスクにまたがっている。
• 参考スコア（独自算出の注目度）: 80.65628794240601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern video generators can realize increasingly complex visual narratives, positioning the prompt enhancer (PE) as a critical bridge from concise user instructions and multimodal references to structured cinematic plans. However, existing PE evaluation relies on rendered videos, imposing substantial computational and human costs, slowing PE training and iteration, and conflating PE quality with downstream generator behavior. To address this gap, we introduce PEBench, the first unified benchmark for direct PE evaluation across text-to-video, image-to-video, and reference-to-video prompt enhancement. It comprises 1,100 expert-verified cases and 1,005 visual assets, spanning 35 fine-grained tasks with diverse temporal, cinematic, audiovisual, and multi-reference requirements. In addition, we develop PEBench evaluation, an evidence-grounded framework that combines modality-aware fact extraction with rubric-based assessment across 24 criteria. Our systematic evaluation of representative open- and closed-source PE methods reveals an emerging shift from fine-grained descriptive expansion toward intent-preserving cinematic planning, while the caption-reconstruction and forward-refinement methods show complementary strengths in cinematic coverage and semantic fidelity or internal coherence, respectively. Human validation shows that PEBench scores align closely with expert judgments of enhanced prompts and downstream videos from Wan3.0 and MiniMax-H3, indicating that prompt-level evaluation reliably reflects downstream utility.
• Abstract（参考訳）: 現代のビデオジェネレータは、より複雑な視覚的物語を実現し、プロンプトエンハンサー(PE)を、簡潔なユーザー指示と、構造化された撮影計画へのマルチモーダル参照から重要なブリッジとして位置づけることができる。 しかし、既存のPE評価は、レンダリングされたビデオに依存し、計算と人的コストを相当に抑え、PEのトレーニングとイテレーションを遅くし、下流ジェネレータの動作とPEの品質を混同している。 このギャップに対処するために、PEBenchは、テキスト・ツー・ビデオ、画像・ツー・ビデオ、レファレンス・ツー・ビデオ・プロンプト・プロンプト・プロンプト・エンハンスメントにまたがるPE評価のための最初の統一されたベンチマークである。 1,100人の専門家による検証されたケースと1,005のビジュアルアセットで構成されており、時間、撮影、オーディオヴィジュアル、マルチレファレンスといった、35のきめ細かいタスクにまたがっている。 さらに,モダリティを意識した事実抽出と,24基準のルーリックに基づく評価を組み合わせたエビデンスグラウンドのPEBench評価手法を開発した。 代表的オープンソースPE法とクローズドソースPE法の体系的評価により,詳細な記述的拡張から意図保存型撮影計画への移行が明らかになり,キャプション再構成法とフォワードリファインメント法はそれぞれ,映像のカバレッジとセマンティック忠実性,あるいは内部コヒーレンスに相補的な長所を示す。 人間による検証では、PEBenchスコアはWan3.0とMiniMax-H3の強化されたプロンプトとダウンストリームビデオのエキスパート判定と密接に一致しており、プロンプトレベルの評価が下流ユーティリティを確実に反映していることを示している。

関連論文リスト

• Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding [98.3098451637867]
  Video-MME-v2は、ビデオ理解の堅牢性と忠実さを厳格に評価するために設計された総合的なベンチマークである。 データ品質を保証するため、Video-MME-v2は厳格に制御された人間のアノテーションパイプラインを通して構築される。
  論文  参考訳（メタデータ） (2026-04-06T17:59:56Z)
• RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval [99.33724613432922]
  本稿では,ビデオ検索のための推論に基づくリランカであるRANKVIDEOを紹介する。 RANKVIDEOは、関連性を評価するためにビデオコンテンツを使用するクエリ-ビデオペアを明示的に理由付けている。 大規模なMultiVENT 2.0ベンチマークの実験では、RANKVIDEOは2段階のフレームワーク内での検索性能を一貫して改善している。
  論文  参考訳（メタデータ） (2026-02-02T18:40:37Z)
• VIPER: Process-aware Evaluation for Generative Video Reasoning [64.86465792516658]
  我々は、時間的、構造的、象徴的、空間的、物理的、計画的推論にまたがる16のタスクにまたがる包括的なベンチマークVIPERを紹介する。 実験の結果,現状の映像モデルでは約20%のPOC@1.0しか達成できず,良好な結果が得られた。
  論文  参考訳（メタデータ） (2025-12-31T16:31:59Z)
• Understanding Virality: A Rubric based Vision-Language Model Framework for Short-Form Edutainment Evaluation [8.15791379444665]
  VideoScore-2は、特定のオーディオヴィジュアル属性が実際の観客のエンゲージメントに与える影響を捉えていない。 本稿では、視覚言語モデル(VLM)を用いて教師なしの視覚的特徴を抽出するデータ駆動評価フレームワークを提案する。 我々のアプローチは、堅牢で説明可能なビデオ理解へと進む。
  論文  参考訳（メタデータ） (2025-12-24T19:43:59Z)
• 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)
• DVLTA-VQA: Decoupled Vision-Language Modeling with Text-Guided Adaptation for Blind Video Quality Assessment [17.85550556489256]
  本稿では,Blind Video Quality Assessment (DVLTA-VQA) のためのテキストガイド適応を用いたデカップリング型視覚言語モデルを提案する。 ビデオベーステンポラルCLIPモジュールは、時間的ダイナミクスを明示的にモデル化し、背側ストリームと整合して運動知覚を高める。 時間的コンテキストモジュールは、フレーム間の依存関係を洗練し、モーションモデリングをさらに改善するために開発されている。 最後に、空間情報と時間情報のより効果的な統合を可能にするために、テキスト誘導型適応融合戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-16T03:20:28Z)

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。