为何人类判断是金标准——以及为何难以自动化
主观质量最终指的是人们认为什么是好的，而这无法被任何单一的自动化指标完全捕捉。2022年一项关于视频帧插值的研究收集了60名人类参与者对180个失真视频的评分，结果发现，即使是表现最好的常用指标LPIPS，与人类意见的斯皮尔曼等级相关系数也仅为0.6以下——这意味着它只能解释感知质量中不到36%的方差[5]。这告诉你，对于任何视频生成任务，包括世界模型，你都需要人类研究来锚定“好”的含义。
同样的原理也适用于高动态范围（HDR）视频：2023年的一项研究收集了超过2万条人工评分，覆盖310个视频，以此构建质量数据库[1]。该研究表明，在标准质量模型（VMAF）中加入HDR特定特征，能提升其与人工评分的相关性，但关键在于，人工数据是先行基础。对于少步世界模型，你也应类似地收集主观评分——例如，向观看者展示成对的轨迹，请他们评价视觉质量和动作合理性——然后利用这些评分来验证或校准自动化指标。
该使用哪些自动化指标——以及如何解读其数值
在视觉保真度方面，最有用的基于参考的指标是LPIPS（学习感知图像块相似度），它衡量生成帧与参考帧之间的感知距离。在ForgeWM关于少步动作条件世界模型的研究中，表现最佳的系统在评估系统中取得了最低的参考LPIPS，这表明在该情境下较低的LPIPS对应更好的感知质量[3]。然而，由于仅依赖LPIPS并不充分（如2022年研究所示），您还应报告PSNR和SSIM，尽管它们与人类感知的相关性更低[5]。
对于动作条件模型，你还必须评估生成的视频是否正确反映了输入动作。ForgeWM将“动作信号准确率”和“鼠标控制准确率”作为独立指标进行报告，同时还测量了“参考对齐的运动轨迹一致性”，以检查运动是否与参考轨迹匹配[3]。这些并非标准的视频质量指标，但对世界模型而言至关重要，因为一个视觉上完美却忽略动作的视频是失败的。因此，你的评估套件应包含：用于感知保真度的LPIPS、动作对齐指标（例如，预测动作效果的准确率），以及用于整体质量的人工评分。
别忘了交互与观看条件——它们会改变“质量”的含义
主观质量不仅仅关乎像素，还取决于视频的观看方式。2023年一篇关于体积视频质量评估的章节强调，用户交互（如视角变化）和显示设置（如VR头显与显示器）会显著影响感知质量[4]。对于用于交互场景（如游戏）的少步世界模型，你应在实际观看条件下评估质量——例如，使用手柄或鼠标，并在目标显示器上进行——因为一个在静态视角下表现良好的模型，在用户交互时可能会失效。
ForgeWM的研究还强调了延迟的重要性：他们设计了一种“双路径部署协议”，其中单步学生模型负责处理对延迟敏感的交互相应，而回放时的细化步骤则在离线状态下提升质量[3]。这表明，主观质量评估应区分实时交互质量（此时速度至关重要）与离线质量（此时可以承受更多计算开销）。你可以让用户分别对交互体验和最终细化后的视频进行评分，因为用户可能看重不同的权衡取舍。
关于这些来源
该回答基于5项研究（3项经同行评审，2项为预印本），发表于2022年至2026年间，其中2项为2024年或之后发表，1项发表于Q1期刊，合计被引用54次。这些研究从5项通过质量筛选的研究中选出，被认为最具相关性，而后者又源自从超过5亿篇论文数据库中检索到的35篇文献。
本文引用的文献
HDR视频主观与客观质量评估研究
一项2023年的研究构建了首个公开的HDR视频质量数据库（LIVE HDR），包含310个视频和超过20,000个人类主观评价，并表明在VMAF中加入HDR特定特征（HDRMAX）可提升对HDR和SDR内容的画质预测准确性。
Olaf-World：面向视频世界建模的潜在动作定向
Olaf-World（2026）提出了一种序列级对齐目标（SeqΔ-REPA），将潜在动作锚定到冻结的自监督编码器所提取的时间特征差异上，从而在动作条件视频世界模型中提升零样本动作迁移能力和数据效率。
ForgeWM：面向少步动作条件视频世界模型的渐进式因果训练
ForgeWM（2026）提出了一种面向少步动作条件世界模型的渐进式训练流程，在成对的Minecraft轨迹上，相较于所评估的系统，实现了最低的参考LPIPS以及最佳的动作符号和鼠标控制精度，并采用双路径部署方案，兼顾延迟关键型交互与回放时的细化处理。
体积视频的主观与客观质量评估
2023年的一章关于体积视频质量评估的章节，讨论了用户交互、显示设置和渲染参数如何影响主观质量，并回顾了不同主观和客观方法的优缺点。
视频帧插值的主观质量研究
一项2022年关于视频帧插值的主观研究（BVI-VFI）收集了60名参与者对180个失真视频的评分，结果发现PSNR、SSIM和LPIPS等常见指标与感知质量的相关性均较差（最佳SROCC低于0.6），这凸显了定制化感知指标的必要性。