Camera Error

Camera Error 评估生成视频的相机控制。当前默认 native_intended 路径使用 MegaSAM 恢复相机运动，衡量请求方向的符合程度；它不是有真实尺度 GT 的完整轨迹误差。下述外参对齐公式适用于另一个 direct pose-GT 路径。

榜单直接平均每个视频的 details.native_intent_accuracy 并乘 100；direct pose-GT 则先将旋转/平移误差分别按 [0,15] / [0,0.5] 反向归一化、取几何平均，再对视频平均。报告中的 error_ref 分数仅保留兼容用途，不再反推其均值。缺少对应逐视频报告的旧成绩保留历史已发布汇总，网页悬停说明该状态，不声称已重算。

在 direct pose-GT 策略下，记 $\{\mathbf{T}^{\mathrm{gt}}_t\}_{t=1}^{N}$ 与 $\{\mathbf{T}^{\mathrm{pred}}_t\}_{t=1}^{N}$ 分别为标注与视觉里程计（MegaSAM 或 DROID-SLAM）得到的 $4 \times 4$ camera-to-world 矩阵。若两者帧数不同，先通过平移线性插值和四元数 SLERP 将 GT 均匀重采样到恢复出的 pose 数量，再求完整的正尺度相似变换：

$$s^\star,\mathbf{Q}^\star,\mathbf{u}^\star = \arg\min_{s>0,\,\mathbf{Q}\in SO(3),\,\mathbf{u}} \sum_{t=1}^{N} \left\|\mathbf{t}^{\mathrm{gt}}_t- \left(s\mathbf{Q}\mathbf{t}^{\mathrm{pred}}_t+\mathbf{u}\right)\right\|_2^2 \tag{1}$$

该变换使用 Umeyama 对齐；对于静止或共线轨迹，使用对应相机朝向消除旋转自由度，再求尺度和平移。对齐后 $\tilde{\mathbf{R}}_t=\mathbf{Q}^\star\mathbf{R}^{\mathrm{pred}}_t$，$\tilde{\mathbf{t}}_t=s^\star\mathbf{Q}^\star\mathbf{t}^{\mathrm{pred}}_t+\mathbf{u}^\star$。平均平移误差为

$$E_t = \frac{1}{N}\sum_{t=1}^{N} \left\|\tilde{\mathbf{t}}_t - \mathbf{t}^{\mathrm{gt}}_t\right\|_2 \tag{2}$$

平均旋转误差（度）由相对旋转 $\mathbf{R}^{\mathrm{rel}}_t = \tilde{\mathbf{R}}_t (\mathbf{R}^{\mathrm{gt}}_t)^\top$ 给出：

$$E_r = \frac{1}{N}\sum_{t=1}^{N} \arccos\!\left(\mathrm{clip}\!\left(\frac{\mathrm{tr}(\mathbf{R}^{\mathrm{rel}}_t) - 1}{2}, -1, 1\right)\right) \cdot \frac{180}{\pi} \tag{3}$$

WorldAtlas 将 direct-GT 的两个分量按经验范围 $[0, 15°]$（旋转）与 $[0, 0.5]$（平移）归一化至 $[0,1]$（越低越好），再取几何均值。默认的 native_intended MegaSAM 策略则把恢复出的运动与请求的相机/动作方向比较，直接返回其 direction-confidence 分数，不使用上述 direct-GT reducer。所选策略具备足够相机监督时，该指标为 official。image_dynamic 不测、也不发布该指标。

上述 direct-GT 经验区间早于 sim3_v1，发布修正后的 direct-GT 归一化分数前必须重新验证。当前默认的 native_intended 分数面不受此影响。

已核验的同输入案例

Audit manifest: docs/assets/metric_examples/curated_same_case_manifest.json.

输入图像

输入已核验 · 同一 benchmark case · gap 0.7722

image_static_photorealistic_city_0038

套件: image_static场景: photorealistic / outdoor / city

基准 prompt target

Camera orbit left. A mediterranean courtyard with fountain, stone benches, and bougainvillea.

prompt source: prompt_target

两条视频的首帧都已通过与展示输入的几何匹配核验；高低标签只比较当前 metric。

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较高指标分分数 0.9801方向置信度 0.980 · ATE 平移 0.103 · 旋转 5.0°

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较低指标分分数 0.2079方向置信度 0.208 · ATE 平移 1.035 · 旋转 24.1°

输入图像

输入已核验 · 同一 benchmark case · gap 0.9807

image_static_photorealistic_workspaces_0023

套件: image_static场景: photorealistic / indoor / workspaces

基准 prompt target

Camera move left. A modern workspace with desks, computers, and office chairs.

prompt source: prompt_target

两条视频的首帧都已通过与展示输入的几何匹配核验；高低标签只比较当前 metric。

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较高指标分分数 0.9990方向置信度 0.999 · ATE 平移 0.054 · 旋转 7.0°

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较低指标分分数 0.0183方向置信度 0.018 · ATE 平移 0.760 · 旋转 15.7°

输入图像

输入已核验 · 同一 benchmark case · gap 0.8186

image_static_stylized_terrestrial_landscape_0102

套件: image_static场景: stylized / outdoor / terrestrial_landscape

基准 prompt target

Camera move left. A forest edge with clearing, sunlight, and trees.

prompt source: prompt_target

两条视频的首帧都已通过与展示输入的几何匹配核验；高低标签只比较当前 metric。

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较高指标分分数 0.9810方向置信度 0.981 · ATE 平移 0.044 · 旋转 0.1°

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较低指标分分数 0.1623方向置信度 0.162 · ATE 平移 0.106 · 旋转 6.3°

参考文献

DROID-SLAM — Deep Visual SLAM for Monocular, Stereo, and RGB-D Cameras

Teed & Deng, NeurIPS 2021. https://arxiv.org/abs/2108.10869