随着生成式人工智能的兴起，近年来涌现了大量文生图、文生视频模型。此类算法的主要目标是根据用户要求（prompt）生成视觉内容。因此，评价人类对AIGC的主观偏好逐渐受到了广泛重视，具有重要的研究价值。然而现有的图像/视频质量评价（I/VQA）方法与人类主观感知质量的相关性不强，且通常无法表征生成内容与用户要求的契合度，因此需要提出新的评价指标来预测AIGC的质量，由此促进多模态生成领域的发展。
在UGC（用户生成内容）VQA的基础上，AIGC（人工智能生成内容）VQA面临两大独特挑战：首先，生成的伪影与真实世界中的失真并不一致；其次，生成帧与文本描述的对齐问题亟待解决。国际竞赛NTIRE 2024组织的 AIGC 视频质量评价挑战赛包含了10,000 个视频数据，涵盖了主流的8种文生视频模型，极具挑战性。
由于在AIGC VQA中，有三个关键因素至关重要：
1. 技术质量：这是与失真感知密切相关的核心因素。高质量的技术标准能更准确地识别和处理各种失真现象。
2. 美学质量：从美学角度捕捉人类感知的艺术因素，提升内容的视觉享受和艺术表现力。
3. 视频-文本对齐：通过捕捉语义不匹配，确保视频内容与文本描述的高度一致，使观众获得更加完整和流畅的观感体验。
针对这三个因素，中科大IMCL提出一个评价范围更全面的AIGC VQA指标。其中包含三个功能分支，用于捕捉人工智能生成内容（AIGC）视频中的技术、美学和视频-文本对齐方面的合作。并引入空间-时间适配器，以利用大规模图像-文本模型的预训练先验，并实现对视频时空特性的知识迁移。最后提出一种分而治之的训练策略，用于在多个分支上进行渐进式合作。
截至目前，比赛所对应的CVPR workshop已经举办完毕，比赛结果也已公布。团队取得了第一名的好成绩，并且在性能上较其他参赛者有不错的领先。这也验证了团队提出方案的有效性，为AIGC视频质量评价的发展贡献了一份力量。
【内容提供】陆亦婷
【单位】IMCL (Intelligent Media Computing Lab, 中国科学技术大学智能媒体计算实验室)
