李飛飛團隊提出世界模型基準：“世界生成”能力迎來統(tǒng)一評測，3D/4D/視頻模型同臺PK
世界模型領(lǐng)域最新進展，要比拼“世界生成”了。
李飛飛吳佳俊團隊提出了全面評測基準WorldScore，涵蓋了三大類評估指標，動態(tài)靜態(tài)都有涉及，其數(shù)據(jù)集中包含了3000個測試樣例。
并且，WorldScore將3D場景生成、4D場景生成和視頻生成三類模型的評估，統(tǒng)一到了一起。
利用WorldScore基準，團隊對一共19款模型進行了全面評估。
評估的結(jié)果揭示了當前世界生成技術(shù)面臨的相機控制能力不足、長序列世界生成困難等主要挑戰(zhàn)，為模型研究人員提供了重要參考。
正如網(wǎng)友所評價，從單一場景到整體世界構(gòu)建的轉(zhuǎn)變，需要這樣的基準來對研究做出指導。
3D/4D/視頻生成統(tǒng)一評測
研究團隊認為，之前的基準測試（例如 VBench）僅能評估單個場景的生成能力，遠未達到“世界”生成的層次。
并且以前的基準測試僅考慮視頻模型，但世界生成模型還包括3D和4D方法，而WorldScore可以對所有這些模型進行統(tǒng)一評估。
WorldScore將世界生成任務(wù)分解成一系列連續(xù)的下一場景生成任務(wù)，每個任務(wù)由三個關(guān)鍵組成部分定義：
- 當前場景：包含一張場景圖像和對應(yīng)的文本描述；
- 下一場景；
- 布局：一系列相機矩陣定義的相機軌跡，以及描述相機如何移動的文本說明。
數(shù)據(jù)集方面，WorldScore包含了3000個測試樣例，其中2000個用于評估靜態(tài)世界生成能力，1000個用于評估動態(tài)世界生成能力。
靜態(tài)世界生成數(shù)據(jù)涵蓋了10個場景類別，包括5類室內(nèi)場景（餐飲空間、居住空間、通道、公共空間、工作空間）和5類室外場景（城市、郊區(qū)、水域景觀、陸地景觀、綠色景觀）。
動態(tài)世界數(shù)據(jù)則包含了5種不同類型的運動：關(guān)節(jié)運動、可變形運動、流體運動、剛體運動和多物體運動。
每個測試樣例都有兩個版本——真實風格和藝術(shù)風格，以評估模型在不同視覺域的表現(xiàn)。
所涉及的指標則包括了可控性、質(zhì)量和動態(tài)評估（靜態(tài)場景不涉及此項）三個大類。
其中可控性評估，具體又包括了三項指標：
- 相機控制能力：通過計算生成視頻中相機運動與指定軌跡的偏差來評估，具體計算尺度不變的旋轉(zhuǎn)誤差和平移誤差，然后取其幾何平均值；
- 物體控制能力：使用開放集物體檢測模型檢查指定物體是否出現(xiàn)在生成場景中，從文本提示中提取1-2個關(guān)鍵物體描述，計算檢測到這些物體的成功率；
- 內(nèi)容一致性：使用CLIPScore評估生成場景與完整文本描述的語義匹配程度。
質(zhì)量評估，涵蓋了四項內(nèi)容：
- 3D一致性：使用DROID-SLAM估計每幀的密集深度圖，計算連續(xù)幀之間可見像素的重投影誤差，評估場景幾何結(jié)構(gòu)的穩(wěn)定性；
- 光度一致性：通過計算連續(xù)幀之間的光流來評估外觀和紋理的穩(wěn)定性，使用平均端點誤差（AEPE）來量化不穩(wěn)定的視覺表現(xiàn)；
- 風格一致性：計算第一幀和最后一幀Gram矩陣之間的F范數(shù)差異，評估風格保持程度；
- 主觀質(zhì)量：結(jié)合CLIP-IQA+和CLIP Aesthetic兩個自動評估指標（該組合經(jīng)過200人的人類研究驗證最接近人類感知）。
動態(tài)評估則包含三個方面：
- 運動準確性：比較指定運動區(qū)域內(nèi)外的光流，評估運動是否出現(xiàn)在正確位置；
- 運動幅度：通過估計連續(xù)幀之間的光流大小來評估生成大幅度運動的能力；
- 運動平滑性：使用視頻幀插值模型生成平滑過渡作為參考，評估生成視頻的時間連續(xù)性。
最終，所有評估指標都經(jīng)過線性歸一化處理到0-100區(qū)間，并通過計算控制和質(zhì)量維度各指標的算術(shù)平均值得到WorldScore-Static得分。
在此基礎(chǔ)上，再加入動態(tài)維度的三項指標成績，就得到了WorldScore-Dynamic評分。
3D模型更擅長靜態(tài)，視頻模型動態(tài)效果更好
利用WorldScore，研究團隊對19款不同類型模型的世界生成能力進行了評測，包括2款閉源模型和17款開源模型。
評測結(jié)果顯示，在靜態(tài)世界生成方面，3D場景生成模型展現(xiàn)出明顯優(yōu)勢。其中WonderWorld和LucidDreamer分別以72.69分和70.40分位居榜首，遠超表現(xiàn)最好的視頻模型CogVideoX-I2V的62.15分。
但在動態(tài)世界生成方面，則是視頻模型展現(xiàn)出了較強的實力，開源模型CogVideoX-I2V以59.12分的成績領(lǐng)先。
在不同場景類型的測試中，視頻模型在室內(nèi)場景表現(xiàn)相對較好，但在室外場景生成時與3D模型的差距明顯擴大。
同時，序列長度對模型性能有顯著影響——所有模型在短序列任務(wù)上表現(xiàn)尚可，但視頻模型在處理長序列時性能顯著下降，而3D模型則相對穩(wěn)定。
此外，研究者還對比了T2V和I2V兩類視頻模型的特點。結(jié)果表明，T2V模型在控制性和動態(tài)生成能力方面較強，更容易實現(xiàn)大幅度的相機運動。
相比之下，I2V模型傾向于保持輸入圖像的視角，雖然生成質(zhì)量較高，但相機運動相對保守。
作者簡介
本文的兩名共同一作均來自吳佳俊團隊，分別是碩士生段皞一（Haoyi Duan）和博士生俞洪興（Hong-Xing Koven Yu）。
段皞一是浙江大學2023屆優(yōu)秀畢業(yè)生，還獲得了竺院榮譽學位，本科期間在周釗教授的指導下研究多模態(tài)學習。
俞洪興本科和和碩士均就讀于中山大學，碩士期間導師是鄭偉詩教授（現(xiàn)任中山大學計算機學院副院長）。
俞洪興的主要研究方向是物理場景理解、動力學模型與仿真，以及3D/4D視覺生成。
目前，兩人正在進行密切合作。
今年入選CVPR HighLight的單圖生成交互式3D場景模型WonderWorld，也是兩人共同一作。
除了兩名共同一作和吳佳俊以及李飛飛之外，斯坦福碩士生Sirui (Ariel) Chen也參與了WorldScore的工作。
