VMBench

VMBench是一个全面的视频运动基准，包含与人类感知对齐的运动评价指标，并具有最多样化的运动类型。该数据集由阿里巴巴集团创建，包含969个类别，涵盖流体动力学、生物运动、机械运动、天气现象、集体行为和能量传递六种运动模式。VMBench通过感知驱动的运动评价指标、元指导的运动提示生成和与人类对齐的验证机制，旨在系统地评估视频生成模型中运动生成的质量。

VMBench is a comprehensive video motion benchmark that features human perception-aligned motion evaluation metrics and the most diverse range of motion types. Developed by Alibaba Group, this dataset includes 969 categories covering six motion modalities: fluid dynamics, biological motion, mechanical motion, weather phenomena, collective behavior, and energy transfer. VMBench aims to systematically evaluate the quality of motion generation in video generation models via perception-driven motion evaluation metrics, meta-guided motion prompt generation, and human-aligned validation mechanisms.

搜集汇总

数据集介绍

构建方式

VMBench数据集通过一种感知驱动的运动评估指标（PMM）和元引导的运动提示生成（MMPG）来构建。PMM包括五个关键组成部分：对象完整性得分（OIS）、可感知幅度得分（PAS）、时间连贯性得分（TCS）、运动平滑度得分（MSS）和常识遵从得分（CAS），以更全面地评估运动质量。MMPG则是一种可扩展的框架，包括最全面的运动类型，基于物理和认知科学，并包含六个运动模式：流体动力学、生物运动、机械运动、天气现象、集体行为和能量转移。这些提示通过人类-AI验证来确保其合理性和一致性。

特点

VMBench数据集的特点包括：1）感知驱动的运动评估指标，可以更全面地评估运动质量，包括时空不一致性和违反物理定律的问题；2）元引导的运动提示生成，提供了一个包含六个主要动态场景维度的多层次提示库，用于评估视频模型中的各种运动方面；3）人类对齐的验证机制，通过人类偏好注释来验证基准，与基线方法相比，我们的指标在Spearman相关系数方面平均提高了35.3%。这是第一次从人类感知对齐的角度评估视频中的运动质量。

使用方法

VMBench数据集的使用方法包括：1）使用PMM指标对视频生成模型进行评估，以了解模型在运动质量方面的优势和劣势；2）使用MMPG生成的提示来评估视频模型在不同运动模式下的性能；3）通过人类对齐的验证机制，验证评估指标的有效性。VMBench数据集的开放源代码将包括所有提示、评估方法、生成的视频和人类偏好注释，以及更多的视频生成模型，以推动视频运动生成领域的发展。

背景与挑战

背景概述

VMBench是一个全面的视频运动基准，由阿里巴巴集团APMP和自动化研究所CRISE的研究人员共同创建。该数据集的核心研究问题是视频运动生成中评估方法的改进，特别是与人类感知相一致的运动评估。VMBench的特点是具有感知驱动的运动评估指标，这些指标基于人类对运动视频评估的五个维度，提供了对模型在运动质量方面的优势和劣势的深入见解。此外，VMBench还引入了元引导运动提示生成，通过提取元信息、使用大型语言模型（LLM）生成多样化的运动提示，并通过人机协作验证进行细化，从而创建了一个涵盖六个关键动态场景维度的多层次提示库。该数据集的影响力在于，它是第一个从人类感知对齐的角度评估视频运动质量的数据集，并为评估和推动运动生成模型的发展设定了新的标准。

当前挑战

VMBench面临的挑战包括：1)所解决的领域问题的挑战，即视频运动生成中评估方法与人类感知的一致性；2)构建过程中所遇到的挑战，包括感知驱动的运动评估指标的开发、元引导运动提示生成的方法设计以及人机协作验证机制的建立。这些挑战要求研究人员在视频运动生成领域进行深入的研究和探索，以提高评估方法的准确性和可靠性。

常用场景

经典使用场景

VMBench数据集被广泛用于评估和改进视频生成模型的运动质量。其最经典的使用场景包括：1) 作为视频生成模型的训练数据集，帮助模型学习生成更符合人类感知的运动模式；2) 作为视频生成模型的评估工具，通过感知驱动的运动评估指标对模型生成的视频进行系统性的评估，以识别模型在运动质量方面的优势和不足；3) 作为视频生成模型的诊断工具，指导模型的优化方向，提高模型的动态运动生成能力。

衍生相关工作

VMBench数据集的提出和发展，推动了视频生成领域的一系列相关工作，包括：1) 基于VMBench数据集的感知驱动的运动评估指标的研究，进一步提高了运动质量评估的准确性和可靠性；2) 基于VMBench数据集的元引导的运动提示生成方法的研究，拓展了运动提示的种类和范围，提高了视频生成模型的动态运动生成能力；3) 基于VMBench数据集的视频生成模型优化方法的研究，提高了模型的运动质量和生成效率。VMBench数据集为视频生成领域的研究和发展提供了重要的参考和借鉴。

数据集最近研究

最新研究方向

VMBench数据集在视频生成领域的最新研究方向主要集中在感知对齐的视频运动评估。该数据集旨在解决当前运动评估指标与人类感知不完全一致的问题，并扩展了现有运动提示的局限性。VMBench通过引入感知驱动的运动评估指标（PMM），从五个维度评估运动质量，包括对象完整性、可感知幅度、时间连贯性、运动平滑性和常识遵守性。此外，该数据集还提出了元引导的运动提示生成（MMPG）方法，通过从现有数据集中提取元信息，利用大型语言模型（LLM）生成多样化的运动提示，并通过人机协作验证其合理性。最后，VMBench提供了人类对齐的验证机制，通过人类偏好注释来验证基准的有效性。这一研究方向对于推动视频生成模型的发展具有重要意义，有助于提高模型在生成动态运动方面的性能和真实性。

相关研究论文

• VMBench: A Benchmark for Perception-Aligned Video Motion Generation

  阿里巴巴集团 · 2025年