Style Consistency

榜单计分为 100 × mean(clip(1 - raw_i / 0.007, 0, 1))：直接使用每个视频报告保留的 Gram 距离，先计分再平均，不反推 error_ref 均值。无法对应到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。

本指标用于评估生成 rollout 内视觉风格（色彩、纹理与粗粒度外观统计）的跨场景稳定性。给定按评测协议抽取的 anchor 帧序列 $\{I_t\}_{t=1}^{T}$（$T \geq 2$），以首帧 $I_1$ 为风格参考，将后续各幕 anchor $I_{d+1}$（$d \in [1, T-1]$）与 $I_1$ 在 VGG19 多层 Gram 表征上对齐比较；不使用 ground-truth reference 参与打分。

对每帧 $I_t$，先经 resize（CUDA 上为 $512 \times 512$，CPU 上为 $128 \times 128$）、ToTensor 及 ImageNet 均值–方差归一化，再送入 VGG19 features 前向传播。在卷积层 $\mathrm{conv}_1, \ldots, \mathrm{conv}_5$ 的输出处（ReLU 之前）提取特征图 $F_{t,l} \in \mathbb{R}^{C \times H \times W}$。Gram 矩阵定义为

$$G(F) = \frac{ \mathrm{vec}(F)\,\mathrm{vec}(F)^{\top} }{ C \cdot H \cdot W } \tag{1}$$

其中 $\mathrm{vec}(\cdot)$ 为向量化算子。帧 $d+1$ 在层 $l$ 上的风格距离为

$$\delta_{d,l} = \mathrm{MSE}\!\left( G(F_{d+1,l}),\, G(F_{1,l}) \right) \tag{2}$$

单帧距离为五层距离之和：

$$d_d = \sum_{l \in \{\mathrm{conv}_1, \ldots, \mathrm{conv}_5\}} \delta_{d,l} \tag{3}$$

原始分数取后续 anchor 帧距离的算术平均（越低越好）：

$$\mathrm{raw} = \frac{1}{T-1} \sum_{d=1}^{T-1} d_d \tag{4}$$

归一化采用配置的经验界 $\varepsilon_{\min}=0$、$\varepsilon_{\max}=0.007$（higher_is_better=false）。先将 raw 钳位至经验区间，再映射为 $[0,1]$ 且越高越好的归一化分数：

$$\mathrm{raw}' = \mathrm{clip}(\mathrm{raw},\, \varepsilon_{\min},\, \varepsilon_{\max}) \tag{5}$$ $$S_{\mathrm{style}} = 1 - \frac{ \mathrm{raw}' - \varepsilon_{\min} }{ \varepsilon_{\max} - \varepsilon_{\min} } \tag{6}$$

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 1.0000

image_static_photorealistic_dining_spaces_0150

套件: image_static场景: photorealistic / indoor / dining_spaces

基准 prompt target

Camera pan left. A living area with fireplace, chairs, and wall sculpture.

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 1.0000

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 0.0000

输入图像

输入已核验 · 同一 benchmark case · gap 1.0000

image_static_stylized_public_spaces_0146

套件: image_static场景: stylized / indoor / public_spaces

基准 prompt target

Camera pan left. A futuristic facility with control panels, holographic displays, and neon lights. Camera move left. A futuristic facility with interactive kiosks, virtual reality stations, and holographic displays. Camera pull out. A futuristic facility with security checkpoint, automated doors, and interactive kiosks.

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 1.0000

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 0.0000

输入图像

输入已核验 · 同一 benchmark case · gap 1.0000

image_static_stylized_public_spaces_0059

套件: image_static场景: stylized / indoor / public_spaces

基准 prompt target

Camera orbit right. A grand library hall with bookshelves, reading table, and 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 1.0000

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 0.0000

参考文献

Very Deep Convolutional Networks for Large-Scale Image Recognition

Karen Simonyan and Andrew Zisserman. arXiv:1409.1556, 2014. https://arxiv.org/pdf/1409.1556