visual-consistency

TerraVis 提出了一个基于 MLLM 工作流的框架，用于评估文生图模型生成图像的世界一致性（如畸形结构、物理上不可能的交互、空间关系不一致等），并定义了涵盖对象、交互和场景层级的 18 类一致性违规分类体系。实验表明该框架与人类判断相关性最强，且常规指标表现优秀的模型仍可能存在大量世界一致性缺陷。

StoryEngine 提出了一个基于状态的智能体框架用于视频叙事，它维护结构化的状态表示以确保叙事连贯性和视觉一致性。在全面评估中，它展示了优于最先进方法的性能。