面向几何一致性的定量视频世界模型评估

arXiv 2026 55.5 benchmark

TLDR

提出PDI-Bench，一种定量评估生成视频几何一致性的框架，揭示感知指标无法捕捉的失败模式。

评分理由

The paper presents a novel quantitative evaluation framework for geometric consistency in generative video models, which is a strength. However, it relies on monocular reconstruction and point tracking, which may introduce errors, but the abstract does not discuss limitations.

Read-first 评分解释

综合优先阅读分 55.5，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 35。

近期性 6%

100

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：2026

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.77997089

方法质量 18%

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：数据集、评估、指标

主题相关性 29%

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

可复现性 18%

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：代码、数据集、GitHub

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：331。

关键词评分

video world model

generative world model

world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

PDI-Bench：一种利用投影几何残差评估生成视频几何一致性的定量框架
PDI-Dataset：一个覆盖多种场景的数据集，旨在测试几何约束
识别出常见感知指标无法捕捉的几何特定失败模式

方法

给定生成的视频片段，通过分割和点跟踪（例如SAM 2、MegaSaM和CoTracker3）获取以对象为中心的观测，通过单目重建提升到3D世界空间坐标，并计算一组投影几何残差，捕捉三个失败维度：尺度-深度对齐、3D运动一致性和3D结构刚性。

关键结果

在多个最先进的视频生成器上，PDI揭示了常见感知指标无法捕捉的、一致的几何特定失败模式，为迈向基于物理的视频生成和物理世界模型提供了诊断信号。

技术栈

SAM 2MegaSaMCoTracker3Monocular reconstruction

资源

论文