新显露区域保真

novel_region_fidelity 问的是：当参考相机视角暴露出第一帧中看不到的新区域时，预测是否把这些新显露区域合理地画出来了。

这个指标测什么

• 随时间推移 newly visible 区域的保真度
• 只在这些新暴露区域上做 prediction-vs-reference 的 masked 对比
• 不是直接的 camera-control 指标，也不是纯粹的 hallucination 检测器

具体算法

1. 该指标要求参考视频至少有两帧采样结果。
2. WorldAtlas 先通过第一帧参考图与后续参考图之间的前后向 Farneback 光流，推导出“已见区域”。
3. 然后把膨胀后的 seen mask 取补集，得到 “novel region”，并且可选地去掉来自 mask_path 或 dyn_masks.npz 的动态前景区域。
4. 对每个后续时刻，把 prediction resize 到 reference 分辨率，并且只在 novel mask 内比较 prediction 和 reference。
5. 每帧分数是可用 masked 分量的平均值。masked PSNR 先算 mask 加权 MSE，再线性映射到 $[0, 1]$：

$$\mathrm{MSE}_{t} = \frac{1}{|M_{t}|\,C} \sum_{p\in M_{t}} \sum_{c} \bigl( I^{\mathrm{pred}}_{t}(p,c) - I^{\mathrm{ref}}_{t}(p,c) \bigr)^{2} \tag{1}$$ $$\mathrm{PSNR}_{t} = 20\log_{10}255 - 10\log_{10}(\mathrm{MSE}_{t}) \tag{2}$$ $$s^{\mathrm{psnr}}_{t} = \mathrm{clamp}_{[0,1]}\!\left( \frac{\mathrm{PSNR}_{t}-10}{30} \right) \tag{3}$$

masked crop 上的 DINOv2 相似度使用同样的 $[0,1]$ 余弦映射：

$$s^{\mathrm{dino}}_{t} = \mathrm{clamp}_{[0,1]}\!\left( \frac{\mathbf{z}(C^{\mathrm{pred}}_{t})\cdot\mathbf{z}(C^{\mathrm{ref}}_{t})+1}{2} \right) \tag{4}$$ $$s_{t} = \mathrm{mean}\bigl(\{s^{\mathrm{psnr}}_{t},\,s^{\mathrm{dino}}_{t}\}\bigr) \tag{5}$$

缺失分量不进入均值。若 $\mathrm{MSE}_{t}\le 10^{-12}$，则 $s^{\mathrm{psnr}}_{t}=1$。

6. 帧分数按 novel 区域覆盖率 $w_{t}$ 加权。 7. 原始指标是所有有效后续帧的加权平均：

$$S_{\mathrm{novel}} = \frac{\sum_{t} w_{t}\,s_{t}}{\sum_{t} w_{t}} \tag{6}$$

8. 当前默认归一化就是 $[0, 1]$ 上的直接有界缩放。

输入与输出

项目	当前实现
预测输入	采样后的 prediction 视频帧
参考输入	采样后的 reference 视频帧
标注输入	来自 mask_path 或 dyn_masks.npz 的可选 ignore mask
原始输出	一个 [0, 1] 范围内的加权平均标量
归一化输出	默认配置下与原始值相同的有界标量
细节字段	frame_scores，其中包含 frame_index、coverage、psnr_component、dino_component、score，以及帧索引元数据
失败形式	如果无法形成有效的 novel-region 分数，则返回 raw = null、normalized = null 和错误字符串

集成说明

• 当前聚合状态：在 image_static、image_dynamic、video_static 中，只要成功产出数值就属于 official；纯 image reference 通常会因为没有多帧 reference 而为空。
• 和 seen-region 指标一样，过小的 mask 会被跳过，而不是记为 0。