論文の概要: ArtiVidRM: Verifiable Artifact-as-Rubric Reward Modeling for Explicit Quality Articulation in Video Generation

• arxiv url: http://arxiv.org/abs/2611.07301v1
• Date: Thu, 05 Nov 2026 01:37:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.486484
• Title: ArtiVidRM: Verifiable Artifact-as-Rubric Reward Modeling for Explicit Quality Articulation in Video Generation
• Title（参考訳）: ArtiVidRM:ビデオ生成における顕著な品質Articulationのための検証可能なアーチファクト・アズ・ルーブリック・リワードモデリング
• Abstract要約: ArtiVidRMは検証可能な、アーティファクト・アズ・ルーブリックなビデオ報酬モデルである。 まず、目に見える生成アーティファクトを特定し、構造化アーティファクトリストに整理する。 その後、これらのアーティファクトを、品質評価のための明示的なルーリックとして利用する。
• 参考スコア（独自算出の注目度）: 15.021200163814354
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reinforcement learning has become an effective approach for improving video generation, but its success depends heavily on reliable reward models. Existing methods either map videos directly to opaque scalar scores or generate free-form rationales that are not explicitly optimized as the basis of the final judgment. We propose ArtiVidRM, a verifiable, artifact-as-rubrics video reward model that follows an observe-then-score paradigm. It first identifies visible generation artifacts and organizes them into a structured artifact list, then uses these artifacts as explicit rubrics for quality assessment. This intermediate representation grounds each score in concrete video-level evidence, making the reward more interpretable and informative for optimization. We further introduce a multi-reward reinforcement learning strategy to jointly optimize artifact prediction and quality assessment. The reward decomposes into complementary objectives that evaluate artifact prediction quality, including semantic coverage and prediction efficiency, together with a pairwise preference objective that supervises quality ranking through score differences. By jointly optimizing the intermediate artifact representation and the downstream preference prediction, the model learns to produce informative artifact lists while improving the accuracy of video quality assessment. Experiments show that ArtiVidRM achieves state-of-the-art performance on video preference benchmarks, provides effective signals for video diffusion optimization, and enables artifact-guided refinement of closed-source video generators.
• Abstract（参考訳）: 強化学習はビデオ生成を改善するための効果的なアプローチとなっているが、その成功は信頼性の高い報酬モデルに大きく依存している。 既存の方法は、ビデオを直接不透明なスカラースコアにマッピングするか、最終判断の基礎として明示的に最適化されていない自由形式論理を生成するかのいずれかである。 本稿では,オブザーバ・ザ・スコア・パラダイムに従う検証可能な,アーティファクト・アズ・ルーブリックなビデオ報酬モデルであるArtiVidRMを提案する。 まず、目に見える生成アーティファクトを特定し、それらを構造化アーティファクトリストに整理し、その後、これらのアーティファクトを品質評価のための明示的なルーリックとして使用する。 この中間表現は、各スコアを具体的なビデオレベルのエビデンスに基礎を置いており、報酬をより解釈可能で、最適化に有益である。 さらに,人工物予測と品質評価を協調的に最適化するマルチリワード強化学習戦略を導入する。 報酬は、意味的カバレッジや予測効率を含むアーティファクトの予測品質を評価する補完的目的と、スコアの差による品質ランキングを監督するペアワイズ選好目的に分解される。 中間アーティファクト表現と下流選好予測を協調的に最適化することにより、映像品質評価の精度を向上しつつ、情報的アーティファクトリストを作成することを学習する。 実験により,ArtiVidRMはビデオ優先ベンチマークの最先端性能を実現し,映像拡散最適化に有効な信号を提供し,クローズドソースビデオジェネレータのアーティファクト誘導による改良を可能にすることが示された。

関連論文リスト

• Artifact-Aware Evaluation for High-Quality Video Generation [29.17912473953817]
  本稿では,人間の知覚に影響を及ぼす3つの重要な側面(外見,動き,カメラ)に焦点をあてた総合評価プロトコルを提案する。 ビデオ生成において観察される一般的な生成障害を反映した10の一般的なアーティファクトカテゴリの分類を用いて,これらの軸を定義した。 堅牢なアーティファクト検出と分類を可能にするために,さまざまな最先端のビデオ生成モデルによって生成された80kビデオの大規模データセットであるGenVIDを導入する。
  論文  参考訳（メタデータ） (2026-01-28T06:45:14Z)
• Q-Save: Towards Scoring and Attribution for Generated Video Evaluation [65.83319736145869]
  本稿では,AIGV品質の総合評価のためのベンチマークデータセットとモデルであるQ-Saveを紹介する。 データセットには10000近いビデオが含まれており、それぞれにスカラー平均評価スコア(MOS)と微粒な属性ラベルが付与されている。 品質評価と属性に基づく説明を共同で行う統一評価モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:00:21Z)
• 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)
• BrokenVideos: A Benchmark Dataset for Fine-Grained Artifact Localization in AI-Generated Videos [63.03271511550633]
  BrokenVideosは、3,254のAI生成ビデオのベンチマークデータセットで、微妙に注釈付けされたピクセルレベルのマスクが視覚的腐敗の領域を強調している。 実験の結果,BrokenVideosにおける人工物検出モデルの訓練状況とマルチモーダル大言語モデル(MLLM)が,破壊領域のローカライズ能力を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2025-06-25T03:30:04Z)
• MVAD: A Multiple Visual Artifact Detector for Video Streaming [7.154108202395319]
  ヴィジュアルアーティファクトは、しばしば、コンテンツ制作と配信の間、一般的な条件のために、ストリーミングされたビデオコンテンツに導入される。 既存の検出方法は、しばしば単一の種類のアーティファクトに集中し、アーティファクトの存在を決定する。 本稿では,ビデオストリーミングのためのマルチビジュアルアーティファクト検出器であるMVADを提案し,複数のアーティファクトを初めて検出できる。
  論文  参考訳（メタデータ） (2024-05-31T21:56:04Z)
• Direct Preference Optimization of Video Large Multimodal Models from Language Model Reward [118.65089648651308]
  本稿では,映像コンテンツのプロキシとして詳細な動画キャプションを利用する新しいフレームワークを提案する。 本稿では,DPOによる報酬の調整により,ビデオ質問応答(QA)タスクにおけるビデオLMMの性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-04-01T17:28:16Z)
• Conditional Modeling Based Automatic Video Summarization [70.96973928590958]
  ビデオ要約の目的は、全体を伝えるのに必要な重要な情報を保持しながら、自動的にビデオを短縮することである。 映像要約法は視覚的連続性や多様性などの視覚的要因に依存しており、ビデオの内容を完全に理解するには不十分である。 映像要約への新たなアプローチは、人間が地上の真実のビデオ要約を作成する方法から得られる知見に基づいて提案されている。
  論文  参考訳（メタデータ） (2023-11-20T20:24:45Z)
• 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。