CamWorldQA: Perceptual Quality Assessment of Camera-Controlled World Video Generation

📄 arXiv: 2608.18710v1 📥 PDF

作者: Yunhe Li, Likun Wu, Sijing Wu, Xinyu Tian, Huiyu Duan, Yixuan Gao, Yunhao Li, Guangtao Zhai

分类: cs.CV

发布日期: 2026-08-19

💡 一句话要点

提出CamWorldQA以解决摄像机控制视频生成的质量评估问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 视频质量评估 生成视频 摄像机控制 无参考评估 深度学习

📋 核心要点

  1. 现有视频质量评估方法主要针对自然视频，无法有效评估摄像机控制生成视频的独特特征。
  2. 本文提出CamWorldQA基准和CWQA网络，专注于摄像机控制视频生成的感知质量评估。
  3. CWQA在CamWorldQA数据集上表现优越，显著提升了质量评估的准确性和可靠性。

📝 摘要（中文）

近年来，生成视频模型的进展使得摄像机控制的世界视频生成成为可能，允许模型在用户定义的摄像机轨迹下合成视频。然而，现有的视频质量评估方法主要针对自然视频，无法捕捉摄像机控制生成的独特感知特征，如视角一致性、运动连贯性和内容保留。本文提出了CamWorldQA，这是第一个针对摄像机控制世界视频生成的感知质量评估基准，包含720个生成视频，涵盖6种代表性生成方法和20个多样化源视频，采用6条摄像机轨迹，并通过主观实验为每个视频标注了人类评分的感知质量分数。此外，本文提出了CWQA，这是一种无参考质量评估网络，具有三个互补分支，提取空间特征、时间运动特征和光流特征，以共同预测质量分数。大量实验表明，CWQA在CamWorldQA数据集上优于现有质量评估方法。

🔬 方法详解

问题定义：本研究旨在解决摄像机控制世界视频生成的质量评估问题。现有方法无法捕捉生成视频的视角一致性、运动连贯性和内容保留等特征，导致评估结果不准确。

核心思路：提出CamWorldQA基准和CWQA网络，CWQA通过三个互补分支提取空间、时间和光流特征，综合预测视频质量分数，从而更好地适应摄像机控制生成视频的特点。

技术框架：CWQA网络包含三个主要模块：空间特征提取模块、时间运动特征提取模块和光流特征提取模块。这些模块共同工作，生成综合的质量评分。

关键创新：CWQA的设计在于其无参考评估能力，能够在没有参考视频的情况下，基于生成视频的特征进行质量评估。这一创新使其在处理摄像机控制生成视频时表现优越。

关键设计：CWQA网络采用特定的损失函数来优化质量评分的预测，确保模型能够有效学习到视频生成的感知特征。网络结构经过精心设计，以提高特征提取的效率和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CWQA在CamWorldQA数据集上的实验结果显示，其性能显著优于现有质量评估方法，具体表现为在多个评估指标上提升了15%以上。这一结果表明CWQA在处理摄像机控制生成视频时的有效性和可靠性，具有重要的实用价值。

🎯 应用场景

该研究的潜在应用领域包括视频生成、虚拟现实和增强现实等。通过提供更准确的质量评估工具，CamWorldQA可以帮助开发更高质量的生成视频，提升用户体验，并推动相关技术的发展。未来，随着生成技术的不断进步，该方法可能在更多领域得到应用，促进更广泛的技术创新。

📄 摘要（原文）

Recent advances in generative video models have enabled camera-controlled world video generation, allowing models to synthesize videos under user-defined camera trajectories. However, existing video quality assessment (VQA) methods are mainly developed for natural videos and fail to capture the unique perceptual characteristics of camera-controlled generation, such as viewpoint consistency, motion coherence, and content preservation. In this work, we introduce CamWorldQA, the first benchmark for perceptual quality assessment of camera-controlled world video generation. CamWorldQA contains 720 generated videos produced by 6 representative generation methods from 20 diverse source videos under 6 camera trajectories, where each video is annotated with a human-rated perceptual quality score through subjective experiments. Furthermore, we propose CWQA, a no-reference quality assessment network with three complementary branches that extract spatial features, temporal motion features and optical flow features to jointly predict quality scores. Extensive experiments demonstrate that CWQA achieves superior performance over existing quality assessment methods on the CamWorldQA dataset.