[論文レビュー] AGAV-Rater: Adapting Large Multimodal Model for AI-Generated Audio-Visual Quality Assessment

Yuqin Cao, Xiongkuo Min+3 more|ArXiv.org|Jan 30, 2025

Noise Effects and Management被引用数 4

ひとこと要約

本論文はAGAV-RaterというLMMベースのモデルを提案し、AI生成音声映像コンテンツを複数の次元で評価し最適なAGAVを選択する。AGAVQAデータセットを裏付けに。

ABSTRACT

Many video-to-audio (VTA) methods have been proposed for dubbing silent AI-generated videos. An efficient quality assessment method for AI-generated audio-visual content (AGAV) is crucial for ensuring audio-visual quality. Existing audio-visual quality assessment methods struggle with unique distortions in AGAVs, such as unrealistic and inconsistent elements. To address this, we introduce AGAVQA-3k, the first large-scale AGAV quality assessment dataset, comprising $3,382$ AGAVs from $16$ VTA methods. AGAVQA-3k includes two subsets: AGAVQA-MOS, which provides multi-dimensional scores for audio quality, content consistency, and overall quality, and AGAVQA-Pair, designed for optimal AGAV pair selection. We further propose AGAV-Rater, a LMM-based model that can score AGAVs, as well as audio and music generated from text, across multiple dimensions, and selects the best AGAV generated by VTA methods to present to the user. AGAV-Rater achieves state-of-the-art performance on AGAVQA-3k, Text-to-Audio, and Text-to-Music datasets. Subjective tests also confirm that AGAV-Rater enhances VTA performance and user experience. The dataset and code is available at https://github.com/charlotte9524/AGAV-Rater.

研究の動機と目的

• AI生成音声映像コンテンツ（AGAV）に固有の歪みのため自動的なAGAV品質評価の必要性を動機付ける。
• 多次元MOSと最適AGAVペアラベルを含む大規模なAGAV品質評価データセット AGAVQA を作成する。
• AGAV-Rater を開発し、AGAV、TTA、TTM の多次元スコアを予測できるLMMベースモデルを作成する。
• AGAV-Rater の state-of-the-art 性能と高品質なAGAV出力選択への有用性を示す。

提案手法

• AGAVQA を2つのサブセットで構築する：AGAVQA-MOS は多次元 MOS、AGAVQA-Pair は最適 AGAV ペア選択。
• 音声キャプションデータセット（VGGSound、AudioCaps、MusicCaps）から導出した50,952の指示応答ペアを用い、テキスト定義ラベル（excellent/bad）で事前学習を行う。
• 3つの次元（音声品質、内容の一貫性、全体品質）に基づく MOS に対して人間が注釈した MOS でファインチューニング。
• 2段階のトレーニングを採用：テキスト定義レベルでの事前学習、その後 MOS データ上で数値スコア（PLCC 損失）でファインチューニング。
• VideoLLaMA2 アーキテクチャをベースとし、動画エンコーダと音声エンコーダを分離、共有空間へ射影し、テキストプロンプトと統合して多模態評価を実現。
• SRCC、KRCC、PLCC、RMSE を AGAVQA-MOS、TTA、TTM データセット全体で評価。

実験結果

リサーチクエスチョン

• RQ1 LMMをAGAV コンテンツの数値的な多次元品質スコア出力へ適応できるか。
• RQ2 事前学習済みのAGAV-Rater は見たことのないAGAVコンテンツとVTA手法に一般化できるか。
• RQ3 どの学習戦略（テキスト定義レベルでの事前学習 vs. 直接 MOS 微調整）が多次元スコアリングの精度を高めるのか。
• RQ4 AGAV-Rater は現実世界の VTA アプリケーションで最適なAGAV出力の選択を改善できるか。

主な発見

• AGAV-Rater は AGAVQA-MOS、Text-to-Audio（TTA）、Text-to-Music（TTM）データセットで最先端の性能を達成。
• テキスト定義レベルでの事前学習は、小規模データセット（TTA、TTM）での性能を大幅に向上。
• 複数次元の指示は、音声品質と内容の一貫性の信号を活用することで全体的なA/V品質予測を改善。
• AGAV-Rater はデータセット横断の一般化に優れ、AGAVQA-Pair 選択タスクでオープンソースおよびクローズドソースのLMMを上回る。
• 主観的実験により AGAV-Rater がより高品質の AGAV を選択するのを助け、ユーザー体験を向上させる（例： ElevenLabs の強化テストで80%の好意度）。