李飛飛團(tuán)隊(duì)提出世界模型基準(zhǔn)：“世界生成”能力迎來統(tǒng)一評(píng)測，3D/4D/視頻模型同臺(tái)PK

作者：量子位 2025-04-10 09:10:00

李飛飛吳佳俊團(tuán)隊(duì)提出了全面評(píng)測基準(zhǔn)WorldScore，涵蓋了三大類評(píng)估指標(biāo)，動(dòng)態(tài)靜態(tài)都有涉及，其數(shù)據(jù)集中包含了3000個(gè)測試樣例。

世界模型領(lǐng)域最新進(jìn)展，要比拼“世界生成”了。

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(píng)估，統(tǒng)一到了一起。

利用WorldScore基準(zhǔn)，團(tuán)隊(duì)對(duì)一共19款模型進(jìn)行了全面評(píng)估。

評(píng)估的結(jié)果揭示了當(dāng)前世界生成技術(shù)面臨的相機(jī)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(píng)價(jià)，從單一場景到整體世界構(gòu)建的轉(zhuǎn)變，需要這樣的基準(zhǔn)來對(duì)研究做出指導(dǎo)。

3D/4D/視頻生成統(tǒng)一評(píng)測

研究團(tuán)隊(duì)認(rèn)為，之前的基準(zhǔn)測試（例如 VBench）僅能評(píng)估單個(gè)場景的生成能力，遠(yuǎn)未達(dá)到“世界”生成的層次。

并且以前的基準(zhǔn)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(duì)所有這些模型進(jìn)行統(tǒng)一評(píng)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(gè)任務(wù)由三個(gè)關(guān)鍵組成部分定義：

當(dāng)前場景：包含一張場景圖像和對(duì)應(yīng)的文本描述；
下一場景；
布局：一系列相機(jī)矩陣定義的相機(jī)軌跡，以及描述相機(jī)如何移動(dòng)的文本說明。

數(shù)據(jù)集方面，WorldScore包含了3000個(gè)測試樣例，其中2000個(gè)用于評(píng)估靜態(tài)世界生成能力，1000個(gè)用于評(píng)估動(dòng)態(tài)世界生成能力。

靜態(tài)世界生成數(shù)據(jù)涵蓋了10個(gè)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(dòng)態(tài)世界數(shù)據(jù)則包含了5種不同類型的運(yùn)動(dòng)：關(guān)節(jié)運(yùn)動(dòng)、可變形運(yùn)動(dòng)、流體運(yùn)動(dòng)、剛體運(yùn)動(dòng)和多物體運(yùn)動(dòng)。

每個(gè)測試樣例都有兩個(gè)版本——真實(shí)風(fēng)格和藝術(shù)風(fēng)格，以評(píng)估模型在不同視覺域的表現(xiàn)。

所涉及的指標(biāo)則包括了可控性、質(zhì)量和動(dòng)態(tài)評(píng)估（靜態(tài)場景不涉及此項(xiàng)）三個(gè)大類。

其中可控性評(píng)估，具體又包括了三項(xiàng)指標(biāo)：

相機(jī)控制能力：通過計(jì)算生成視頻中相機(jī)運(yùn)動(dòng)與指定軌跡的偏差來評(píng)估，具體計(jì)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(gè)關(guān)鍵物體描述，計(jì)算檢測到這些物體的成功率；
內(nèi)容一致性：使用CLIPScore評(píng)估生成場景與完整文本描述的語義匹配程度。

質(zhì)量評(píng)估，涵蓋了四項(xiàng)內(nèi)容：

3D一致性：使用DROID-SLAM估計(jì)每幀的密集深度圖，計(jì)算連續(xù)幀之間可見像素的重投影誤差，評(píng)估場景幾何結(jié)構(gòu)的穩(wěn)定性；
光度一致性：通過計(jì)算連續(xù)幀之間的光流來評(píng)估外觀和紋理的穩(wěn)定性，使用平均端點(diǎn)誤差（AEPE）來量化不穩(wěn)定的視覺表現(xiàn)；
風(fēng)格一致性：計(jì)算第一幀和最后一幀Gram矩陣之間的F范數(shù)差異，評(píng)估風(fēng)格保持程度；
主觀質(zhì)量：結(jié)合CLIP-IQA+和CLIP Aesthetic兩個(gè)自動(dòng)評(píng)估指標(biāo)（該組合經(jīng)過200人的人類研究驗(yàn)證最接近人類感知）。

動(dòng)態(tài)評(píng)估則包含三個(gè)方面：

運(yùn)動(dòng)準(zhǔn)確性：比較指定運(yùn)動(dòng)區(qū)域內(nèi)外的光流，評(píng)估運(yùn)動(dòng)是否出現(xiàn)在正確位置；
運(yùn)動(dòng)幅度：通過估計(jì)連續(xù)幀之間的光流大小來評(píng)估生成大幅度運(yùn)動(dòng)的能力；
運(yùn)動(dòng)平滑性：使用視頻幀插值模型生成平滑過渡作為參考，評(píng)估生成視頻的時(shí)間連續(xù)性。

最終，所有評(píng)估指標(biāo)都經(jīng)過線性歸一化處理到0-100區(qū)間，并通過計(jì)算控制和質(zhì)量維度各指標(biāo)的算術(shù)平均值得到WorldScore-Static得分。

在此基礎(chǔ)上，再加入動(dòng)態(tài)維度的三項(xiàng)指標(biāo)成績，就得到了WorldScore-Dynamic評(píng)分。

3D模型更擅長靜態(tài)，視頻模型動(dòng)態(tài)效果更好

利用WorldScore，研究團(tuán)隊(duì)對(duì)19款不同類型模型的世界生成能力進(jìn)行了評(píng)測，包括2款閉源模型和17款開源模型。

評(píng)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(yuǎn)超表現(xiàn)最好的視頻模型CogVideoX-I2V的62.15分。

但在動(dòng)態(tài)世界生成方面，則是視頻模型展現(xiàn)出了較強(qiáng)的實(shí)力，開源模型CogVideoX-I2V以59.12分的成績領(lǐng)先。