AesRM：通过专家级反馈提高视频美感

尽管逼真的视频生成技术取得了快速进步，但电影制作等现实世界的应用需要超出视觉保真度的视频美学，例如和谐的色彩和电影照明。先前关于视觉美学的工作主要集中在图像上，常常将美学简化为粗略的定义，例如视觉愉悦，而没有进行严格和系统的评估。为了提高视频美学，我们提出了一个分层标准，将视频美学分解为三个核心维度：视觉美学（VA）、视觉保真度（VF）和视觉合理性（VP），并具有 15 个细粒度标准，例如镜头构图。该框架支持大规模专家注释的偏好数据集和评估基准 AesVideo-Bench，其中包含约 2500 个视频对，并带有 VA、VF 和 VP 的专家注释。然后，我们构建了一系列视频审美奖励模型 (AesRM)：AesRM-Base，它直接预测这些维度上的成对偏好，以提供高效的 后训练 奖励；AesRM-CoT，它另外生成与所有 15 个标准一致的 CoT，以提高评估的可解释性。具体来说，我们通过三阶段渐进方案来训练AesRM：（1）原子审美能力学习，加强AesRM对基本美学概念的识别，例如准确识别中心构图； (2) 冷启动，使模型与结构化推理协议保持一致； （3）GRPO，进一步提高评估精度。为了增强 AesRM-CoT，我们还提出了基于自一致性的 CoT 合成，以提高 CoT 质量并在 GRPO 期间设计基于 CoT 的流程奖励。大量实验表明，AesRM 在多个美学基准上的表现优于基准，并且更稳健，位置偏差更低。最后，我们将 Wan2.2 与 AesRM 结合起来，并观察到相对于现有的审美奖励模型有明显的审美收益。