arXiv cs.AI· Zhenghan Chen, Zekai Shao, Xin Lin, Leting Cheng, Siming Chen·· 11 小时前AI 评分34
Code2Video-Compass：覆盖 T2V、I2V、V2V 的通用代码视频生成综合基准
Code2Video-Compass: A Comprehensive Benchmark for General-Purpose Code-Based Video Generation across T2V, I2V, and V2V
AI 导读
研究者推出 Code2Video-Compass，一个覆盖 T2V、I2V、V2V 的通用代码视频生成基准，包含 2,104 个任务、10 个类别、24 个子类型和三个复杂度维度。
正文 · AI 翻译
摘要：与直接视频生成相比，基于代码的视频生成提供了细粒度控制、定向编辑和组件复用。该方法需要多模态大语言模型（MLLM）将视觉和时间需求转化为可执行程序，以生成完整视频。然而，现有的基于代码的基准主要针对专门任务，对跨多样创意类别和输入模态的完整视频创作评估不足。我们提出 Code2Video-Compass，一个面向文本到视频（T2V）、图像到视频（I2V）和视频到视频（V2V）场景的基于代码的视频生成通用基准。Code2Video-Compass 包含 2,104 个任务，涵盖 10 个类别、24 个子类型和三个复杂度维度，涉及构建、动态动画和状态依赖。它将由文本指令和视觉参考整理的任务与源自完整专业及用户创作视频的相应 T2V、I2V 和 V2V 任务相结合。我们提出一个双层评估框架，结合 12 个客观指标和五个主观指标。客观评估涵盖操作性能、视频质量、文本-视频对齐和参考保真度，而主观评估使用 MLLM 评判员评估指令遵循和整体视频质量。对来自九个模型家族的 15 个近期专有和开放权重 MLLM 的广泛评估表明，即使领先模型在可靠生成符合文本和视觉要求的高质量完整视频方面也面临挑战，且性能通常随着构建、动态动画和状态依赖复杂度的增加而下降。我们预计 Code2Video-Compass 将推动可靠、连贯且可控的基于代码的视频生成，并激发程序化视觉创作更广泛的进展。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28416 [cs.CV] |
| （或 arXiv:2610.28416v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28416 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhenghan Chen [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 15:51:41 UTC（4,721 KB）
来源：arXiv cs.AI · arxiv.org