论文链接： https://arxiv.org/abs/2505.24862
项目链接： https://vistorybench.github.io
代码链接： https://github.com/vistorybench/vistorybench

亮点直击

如果把“故事可视化”理解成一次跨媒介的“编码—传输—解码”：文本剧本（编码）→ 模型生成图像/分镜（传输）→ 观众在多镜头中读出人物与情节（解码）。那么，难点从来不只是“画得好看”，而是叙事信息能否稳定、可控、可验证地被传递。ViStoryBench 的价值就在于：第一次把这套“传播链路”拆开来测。

• 首个全能故事可视化基准：ViStoryBench 是一个全面的基准测试套件，涵盖80个多镜头故事、10种视觉风格和1300+个分镜，旨在评估模型在复杂叙事结构、视觉风格和角色设定下的生成能力。

• 12维硬核评测指标：引入包括角色ID一致性（CIDS）、同屏角色计数（OCCM）、复制粘贴检测（Copy-Paste）等在内的12项自动化指标，并通过人类评估验证了其可靠性。

• 30+主流模型大考：评估对象涵盖开源图像生成（StoryDiffusion, OmniGen2）、商业闭源模型（MOKI, Doubao, MorphicStudio）、多模态大模型（GPT-4o, Gemini）及视频生成模型（Sora2, Vlogger），揭示不同技术路线的结构性优势与短板。

• ViStoryBench-Lite：针对评估成本高的问题推出 Lite 版本，在保持统计分布一致性的前提下，用更低成本实现“可代表性”的能力测评。

解决的问题

1）现有基准“只测画面，不测叙事链路”
当前故事可视化（Story Visualization）基准往往范围狭窄：要么局限于短提示词、要么缺乏角色参考图（Character Reference），要么只关注单张图像。结果是：它们很难覆盖真实创作里最关键的传播目标——多镜头连续叙事中的信息一致性（角色、场景、动作、镜头语言）。

2）缺乏统一标准，导致“各说各话”
不少工作只用少量指标评估，缺少衡量叙事对齐度、风格一致性、角色交互的共同标尺。传播学上这会造成一个后果：你无法区分模型到底是“理解了故事”，还是“碰巧生成得像”。

3）“复制粘贴”作弊：一致性被刷出来了
很多模型为了维持角色一致性，直接把参考图“贴”到生成结果里（或高度复用其局部特征），牺牲了剧情所需要的动作、表情变化。更麻烦的是：传统指标往往会把这种“作弊式一致性”当作能力提升，从而让评测结论失真。

提出的方案

多面数据集构建（Multifaceted Dataset Creation） ViStoryBench 精选80个故事片段，来源覆盖电影剧本、文学经典、民间传说等，LLM 辅助摘要与剧本生成并经人工校验。它用结构化提示工程把 LLM 变成“可控的分镜剧本生成器”，剧本由五个维度构成：

• 场景描述（Setting）

• 情节对应（Plot）

• 登场角色（Onstage Characters）

• 静态镜头描述（Static Shot）

• 镜头视角设计（Shot Perspective Design）

数据集包含344个角色、509张参考图，覆盖10种视觉风格（如日系动漫、写实电影、绘本风等）。这相当于把“叙事传播”拆成可标注、可复核的单位，让评测不再停留在“感觉像不像”。

全方位评估指标（Comprehensive Evaluation Metrics） 为了把“讲故事能力”落到可量化的维度，ViStoryBench 设计了12项自动指标，核心是把模型的输出拆成几类传播失真：身份失真、数量失真、对齐失真、风格失真、以及投机失真。例如：

• 角色识别相似度（CIDS）：检测角色并提取特征，计算生成图与参考图（Cross）及生成图之间（Self）的余弦相似度。

• 同屏角色计数匹配（OCCM）：针对“幻觉加人/漏画人”，量化生成角色数量的准确性。

• 复制-粘贴检测（Copy-Paste Detection）：通过几何归一化特征比对，检测过度复用参考图的投机行为。

• 提示词对齐（Prompt Alignment）：利用专家模型与 VLM，对场景、运镜、角色交互、个体动作进行细粒度打分。

应用的技术

• LLM-driven Script Creation：用大语言模型做剧本的结构化拆解与分镜化表达。

• Hybrid Evaluation Framework：结合专家模型（ArcFace, Grounding DINO）与多模态大模型（GPT-4o, Qwen-VL）的混合评估框架。

• Character Identification Similarity（CIDS）：基于特征提取与二分图匹配的角色一致性计算。

• Copy-Paste Rate：基于 Softmax 概率分布，衡量生成特征对某张参考图的“过拟合式贴图”。

国内外各个模型的表现

对30+方法的大规模评测给出了几条很“现实”的结论——不同路线在传播链路的不同环节各有强项：

GPT-4o 的双面性
GPT-4o 在 叙事对齐（Alignment Score: 3.67） 和 角色计数（OCCM: 93.5） 上非常强，说明它在“理解剧本并按指令组织信息”方面优势明显；但在视觉质量（Inception Score）与风格多样性上略逊，体现出“会讲”未必“会画”。

商业软件的优势
MorphicStudio、Doubao 等商业工具在 美学质量（Aesthetics） 和 风格一致性上更稳，更像面向生产的“视觉呈现优化”；但细粒度叙事控制弱一些，对镜头语言的精准响应也不如 LLM 路线稳定。

Sora2 的多镜头能力
作为原生视频模型，Sora2 在 跨镜头一致性（Self-Sim: 0.813） 表现突出，背后是对电影数据的学习红利；但在遵循特定视觉参考（Image Ref Cross-Sim）上仍有提升空间——更“像电影”，但未必更“像你指定的角色”。

视频 vs 图像
目前视频生成模型（Vl ogger、MovieAgent）在单帧质量与角色一致性上，普遍不如专门的故事图像方法（OmniGen2、UNO）。时间维度带来连贯性红利，也带来每帧细节的损耗。

权衡（Trade-off）
一致性（Consistency）与多样性（Diversity）存在明显权衡：越一致越可能“复制粘贴”，越多样越可能“跑角色”。Copy-Paste 指标把这个隐性矛盾显性化，避免被“刷分式一致性”误导。

结论与局限性

ViStoryBench 是目前评估故事可视化任务最全面、最严格的基准：它不仅提供高质量多镜头数据集，还把“讲故事”拆成可自动化度量的能力结构。实验结果也很直观：没有任何单一模型能在所有维度通吃——LLM 更擅长叙事组织，商业工具更擅长视觉呈现，视频模型更擅长跨镜头连贯。

局限性：目前主要聚焦多图一致性评估，尚未纳入音频对齐或更复杂的时序动态指标；混合评估中使用的 VLM 仍可能存在少量幻觉（已做稳定性测试）。未来工作将补齐背景一致性评估，并向长视频叙事基准迈

参考文献

[1] ViStoryBench: Comprehensive Benchmark Suite for Story Visualization