VGCap：视觉锚定字幕的AIGV质量评估框架

2026年10月16日，arXiv Computer Vision 刊出报道，研究者 Kehao Zhou 等作者提出 VGCap——一种由视觉锚定描述引导的 AI 生成视频（AIGV）质量评估框架。该工作针对源提示词与生成视频内容不符的问题，框架包含两部分：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。报道称，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。目前进展停留在论文发布与基准评测阶段，报道未提及代码、数据或模型的开源与发布情况。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。