FETV：开放域文本到视频生成的细粒度评估基准

arXiv 2023 32.4 benchmark

TLDR

提出FETV，一个多维度、时间感知的基准，用于细粒度评估开放域文生视频模型和自动指标。

评分理由

The paper addresses a clear gap in quantitative evaluation of text-to-video models with a well-structured benchmark and manual evaluations. Its main weakness is the lack of direct connection to world models or simulation, as the visible abstract focuses solely on video generation evaluation.

Read-first 评分解释

综合优先阅读分 32.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 0。

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、基准、评估、指标、结果

近期性 8%

65.1

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2023

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：GitHub

主题相关性 42%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

研究版图角色

方法锚点

排序敏感性

稳定性：volatile；排名波动范围：385。

关键词评分

world model

world simulator

generative world model

interactive world model

video world model

world dynamics prediction

model-based reinforcement learning world model

资源

论文