Bridging Creative Intent and Visual Quality: Creator-Driven Recurrent Video Generation with Agentic Feedback Loops
作者: Denis Savytski, Aiden Lei, Heding Liu, Warren Yang, Sihan Liang, Alexander Liu, Zhe Zhao
分类: cs.CV
发布日期: 2026-06-17
备注: Accepted to the Workshop on Human-AI Co-Creativity at ICML 2026
💡 一句话要点
提出CHIEF框架以解决视频生成中的创意指导不足问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视频生成 创意指导 人机协作 多模态反馈 内容创作 生成式AI 叙事连贯性
📋 核心要点
- 现有的AI视频生成方法在叙事连贯性和创意方向上存在显著不足，尤其在长视频生成中更为明显。
- 本文提出CHIEF框架，通过人类创作者的反馈和自动化的主观评价，促进视频的迭代优化与创意表达。
- 实验结果显示，参与者在无电影制作经验的情况下，能够成功创作出高质量的短片，验证了框架的有效性。
📝 摘要（中文）
生成式人工智能使内容创作变得更加便捷，但许多AI生成的视频缺乏叙事连贯性和创意方向，尤其在较长时长的视频中问题更加明显。与编码不同，视频生成需要关于情节、场景和叙事的主观反馈，这促使人们探索将人类创意指导融入的方法。本文提出了CHIEF框架，一个以人类为中心的AI共创视频生成框架，通过自动化的主观反馈支持创作者进行迭代视频优化。创作者在每次迭代中提供创意方向，而其修订则由专门的精炼代理整合。反馈循环由条件化的多模态大型语言模型生成，这些模型观看生成的视频并从观众的角度提供主观评价，提供自我评估无法捕捉的反馈。我们与高中和大学生合作，测试该框架的有效性，创作从短1分钟视频到复杂情节的完整短片10分钟视频。
🔬 方法详解
问题定义：本论文旨在解决AI生成视频缺乏叙事连贯性和创意指导的问题。现有方法往往依赖于自我评估，无法有效捕捉主观反馈。
核心思路：提出CHIEF框架，通过人类创作者的主动参与和多模态大型语言模型的自动反馈，形成有效的创意指导和视频优化循环。这样的设计使得创作者能够在每次迭代中融入个人创意，同时获得来自观众视角的反馈。
技术框架：CHIEF框架包括几个主要模块：创作者输入模块、生成视频模块、反馈生成模块和精炼代理模块。创作者通过输入创意驱动视频生成，生成的视频再经过反馈生成模块进行主观评价，最后由精炼代理进行优化。
关键创新：最重要的创新在于将人类创作者与AI系统结合，通过反馈循环实现创意与视频质量的双向提升。这种人机协作的方式与传统的自我评估方法有本质区别。
关键设计：在技术细节上，使用了条件化的多模态大型语言模型来生成反馈，确保反馈的多样性和针对性。同时，设计了专门的损失函数来优化视频生成的质量和叙事连贯性。通过这些设计，框架能够有效提升生成视频的整体质量。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用CHIEF框架的参与者在视频创作中表现出显著的提升，生成的视频在叙事连贯性和创意表达上均优于传统方法。具体而言，参与者创作的短片在观众反馈中获得了更高的满意度评分，显示出框架的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括教育、娱乐和广告等多个行业。通过CHIEF框架，创作者能够更高效地制作出高质量的视频内容，提升观众的观看体验。未来，该框架可能会在更广泛的创作领域中得到应用，促进人机协作的内容创作模式的发展。
📄 摘要（原文）
Generative AI has made content creation increasingly accessible, but many AI-generated videos lack narrative coherence and creative direction, issues that become more substantial at longer durations. Unlike coding, where AI generation benefits from reliable feedback and techniques such as recurrent self-improvement, video generation requires subjective feedback about plot, scenes, and narrative, which naturally motivates approaches that incorporate human creative direction. We introduce CHIEF, a human-AI co-creation video generation framework that places the creator at the center of human-in-the-loop iterative video refinement, and supports them by providing automatic subjective feedback. The creator incorporates their creative direction by driving each iteration, while their revisions are incorporated by a specialized refiner agent. The feedback loop is generated by persona-conditioned multimodal LLMs that watch generated videos and produce subjective critique from the audience perspectives, providing feedback that self-evaluation alone cannot capture. To test the effectiveness of our proposed framework, we work with high school and college students with no prior filmmaking experience to create videos, from short 1-minute videos to a complete short 10-minute film with a complicated plot.