超越源提示词：面向视觉锚定 AI 生成视频质量评估的 VGCap 框架

针对源提示词与生成视频内容不符的问题，研究者提出 VGCap——一种由视觉锚定描述引导的 AI 生成视频质量评估框架，包含基于多帧视觉证据微调源提示词得到的全局描述，以及独立于提示词、描述局部时序内容的分段描述。在 LGVQ 和 FETV 数据集上，VGCap 在空间质量、时序质量和文本-视频对齐三个维度均优于代表性基线，消融实验进一步验证了分段级特征对时序质量预测的增益。