What Are You Doing? (WYD)

What Are You Doing? (WYD)是一个用于细粒度评估可控图像到人类视频生成的新的基准，包含1,544个经过精心收集和注释的、带有56个细粒度类别的标题视频。这些允许我们系统地测量人类生成的9个方面，包括动作、交互和运动。我们还提出了利用我们的注释来更好地捕捉人类评价的自动指标。

What Are You Doing? (WYD) is a novel benchmark for fine-grained evaluation of controllable image-to-human video generation. It includes 1,544 meticulously curated and annotated caption videos that fall into 56 fine-grained categories. These resources allow us to systematically measure 9 core aspects of human-generated video content, including actions, interactions, and movements. We also propose automatic metrics that leverage our annotations to better capture human evaluation results.

原始信息汇总

The ‘What Are You Doing?’ (WYD) benchmark

• 简介：WYD是一个用于细粒度评估可控图像到视频生成的新基准，涉及人类行为、交互和运动等方面。

• 数据集构成：包含1,544个配有标题的视频，每个视频都经过精心收集和标注，分为56个细粒度类别。

• 文件内容：

  • 数据集标注在wyd.json文件中，详细说明在DATASET.md。
  • 每个视频中的演员的人为验证视频分割掩码（即将发布）。
  • 用于重现评估度量的代码（即将发布）。

• 引用信息：

  @article{bugliarello-etal-2025-wyd, title={What Are You Doing? A Closer Look at Controllable Human Video Generation}, author={Bugliarello, Emanuele and Arnab, Anurag and Paiss, Roni and Kindermans, Pieter-Jan and Schmid, Cordelia}, year={2025}, }

• 许可和免责声明：

  • 软件许可：Apache License, Version 2.0 (Apache 2.0)。
  • 其他材料许可：Creative Commons Attribution 4.0 International License (CC-BY)。
  • 软件和材料按“AS IS”基础分发，无任何明示或暗示的保证或条件。具体语言和权限请参考相关许可。这不是官方的Google产品。

搜集汇总

数据集介绍

构建方式

‘What Are You Doing?’ (WYD) 数据集的构建，是通过精心收集与标注的1,544个配以说明文字的视频，涵盖56个精细分类类别，旨在对人类生成的9个方面进行全面评估，包括动作、交互和运动等。此数据集的构建旨在为细粒度评估的可控图像到视频生成提供基准。

特点

WYD 数据集的特点在于其精细化的分类体系与全面的评估维度，通过自动化的评估指标，能够更精准地捕捉人类评价。数据集所包含的视频均经过人工标注，确保了类别的高准确性与高质量。此外，数据集的开放性许可使其在学术与工业界具有广泛的可用性。

使用方法

使用WYD数据集时，研究者可以参照所提供的‘wyd.json’文件中的数据集标注，以及 DATASET.md 文件中的详细说明。数据集的评估指标代码也将公布，以便研究者能够重现论文中的实验结果。在使用时，需遵循Apache 2.0和CC-BY的许可协议，确保合规使用。

背景与挑战

背景概述

‘What Are You Doing?’ (WYD)数据集，是在2025年由Emanuele Bugliarello、Anurag Arnab、Roni Paiss、Pieter-Jan Kindermans和Cordelia Schmid等研究人员提出的一项针对可控人类视频生成的细粒度评估新基准。该数据集包含了1,544个经过精心收集和标注的视频，涵盖56个细粒度类别，旨在为评估人类生成的9个方面，包括动作、交互和运动等提供系统性的衡量方法。WYD数据集的创建，对细粒度人类视频生成领域的研究产生了显著影响，为相关领域的研究提供了重要的数据资源。

当前挑战

在研究领域问题上，WYD数据集面临的挑战在于如何精确控制图像到视频的生成过程，以实现逼真的人类动作和交互。构建过程中遇到的挑战包括：1) 精细标注的准确性和一致性，这对于保证数据集质量至关重要；2) 自动评估指标的构建与验证，需要确保指标能够有效地反映人类评估的结果；3) 数据集的多样性和覆盖性，需要确保包含足够多的动作和交互类别以供广泛研究使用。

常用场景

经典使用场景

在计算机视觉与生成模型研究领域，‘What Are You Doing?’ (WYD) 数据集提供了一个精细化的评估标准，用于评估可控的人类图像到视频生成的性能。该数据集通过其1,544个精心收集并带有56个细粒度类别注释的视频，成为研究者在动作、交互和运动等方面进行系统性能测量的重要资源。

实际应用

在实际应用中，WYD 数据集可用于改进虚拟现实、增强现实以及人机交互系统中的动作识别和生成算法，为这些技术提供更加真实和多样化的行为数据，从而提升用户体验。

衍生相关工作

基于WYD 数据集，学术界可望衍生出更多关于细粒度行为识别、视频生成模型以及自动评估方法的研究。该数据集已成为相关领域经典工作的基础，推动了如视频编辑、动作预测等后续研究的深入。