ChronoMagic-Bench: Ein Benchmark für die metamorphe Bewertung der Generierung von Text-zu-Zeitraffervideos.

ChronoMagic-Bench: A Benchmark for Metamorphic Evaluation of Text-to-Time-lapse Video Generation

June 26, 2024

Autoren: Shenghai Yuan, Jinfa Huang, Yongqi Xu, Yaoyang Liu, Shaofeng Zhang, Yujun Shi, Ruijie Zhu, Xinhua Cheng, Jiebo Luo, Li Yuan

cs.AI

Zusammenfassung

Wir schlagen einen neuen Benchmark für die Generierung von Text-zu-Video (T2V) vor, ChronoMagic-Bench, um die zeitlichen und metamorphen Fähigkeiten der T2V-Modelle (z. B. Sora und Lumiere) bei der Erzeugung von Zeitraffervideos zu bewerten. Im Gegensatz zu bestehenden Benchmarks, die sich auf die visuelle Qualität und die textuelle Relevanz der generierten Videos konzentrieren, legt ChronoMagic-Bench den Fokus auf die Fähigkeit des Modells, Zeitraffervideos mit signifikanter metamorpher Amplitude und zeitlicher Kohärenz zu generieren. Der Benchmark prüft T2V-Modelle auf ihre physikalischen, biologischen und chemischen Fähigkeiten in einer frei formulierten Textabfrage. Zu diesem Zweck führt ChronoMagic-Bench 1.649 Anregungen und realweltliche Videos als Referenzen ein, die in vier Haupttypen von Zeitraffervideos unterteilt sind: biologische, vom Menschen erstellte, meteorologische und physikalische Phänomene, die wiederum in 75 Unterkategorien unterteilt sind. Diese Kategorisierung bewertet umfassend die Fähigkeit des Modells, vielfältige und komplexe Transformationen zu bewältigen. Um die menschliche Präferenz genau mit dem Benchmark abzustimmen, führen wir zwei neue automatische Metriken ein, MTScore und CHScore, um die metamorphen Eigenschaften und die zeitliche Kohärenz der Videos zu bewerten. MTScore misst die metamorphe Amplitude, die den Grad der Veränderung im Laufe der Zeit widerspiegelt, während CHScore die zeitliche Kohärenz bewertet, um sicherzustellen, dass die generierten Videos eine logische Progression und Kontinuität beibehalten. Basierend auf dem ChronoMagic-Bench führen wir umfassende manuelle Bewertungen von zehn repräsentativen T2V-Modellen durch, die ihre Stärken und Schwächen in verschiedenen Kategorien von Anregungen aufzeigen und einen gründlichen Bewertungsrahmen bereitstellen, der aktuelle Lücken in der Forschung zur Videogenerierung anspricht. Darüber hinaus erstellen wir einen umfangreichen ChronoMagic-Pro Datensatz, der 460.000 hochwertige Paare von 720p Zeitraffervideos und detaillierte Bildunterschriften enthält, um eine hohe physikalische Relevanz und eine große metamorphe Amplitude sicherzustellen.

English

We propose a novel text-to-video (T2V) generation benchmark, ChronoMagic-Bench, to evaluate the temporal and metamorphic capabilities of the T2V models (e.g. Sora and Lumiere) in time-lapse video generation. In contrast to existing benchmarks that focus on the visual quality and textual relevance of generated videos, ChronoMagic-Bench focuses on the model's ability to generate time-lapse videos with significant metamorphic amplitude and temporal coherence. The benchmark probes T2V models for their physics, biology, and chemistry capabilities, in a free-form text query. For these purposes, ChronoMagic-Bench introduces 1,649 prompts and real-world videos as references, categorized into four major types of time-lapse videos: biological, human-created, meteorological, and physical phenomena, which are further divided into 75 subcategories. This categorization comprehensively evaluates the model's capacity to handle diverse and complex transformations. To accurately align human preference with the benchmark, we introduce two new automatic metrics, MTScore and CHScore, to evaluate the videos' metamorphic attributes and temporal coherence. MTScore measures the metamorphic amplitude, reflecting the degree of change over time, while CHScore assesses the temporal coherence, ensuring the generated videos maintain logical progression and continuity. Based on the ChronoMagic-Bench, we conduct comprehensive manual evaluations of ten representative T2V models, revealing their strengths and weaknesses across different categories of prompts, and providing a thorough evaluation framework that addresses current gaps in video generation research. Moreover, we create a large-scale ChronoMagic-Pro dataset, containing 460k high-quality pairs of 720p time-lapse videos and detailed captions ensuring high physical pertinence and large metamorphic amplitude.