論文の概要: CAST: Modeling Visual State Transitions for Consistent Video Retrieval

• arxiv url: http://arxiv.org/abs/2603.08648v1
• Date: Mon, 09 Mar 2026 17:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.605894
• Title: CAST: Modeling Visual State Transitions for Consistent Video Retrieval
• Title（参考訳）: CAST: 一貫性のあるビデオ検索のための視覚状態遷移のモデル化
• Abstract要約: 一貫性ビデオ検索のタスクを形式化し,YouCook2,COIN,CrossTaskにまたがる診断ベンチマークを導入する。 CAST(Context-Aware State Transition)は,多様な凍結視覚言語埋め込み空間に対応する軽量なプラグイン・アンド・プレイアダプタである。
• 参考スコア（独自算出の注目度）: 24.93764000962773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As video content creation shifts toward long-form narratives, composing short clips into coherent storylines becomes increasingly important. However, prevailing retrieval formulations remain context-agnostic at inference time, prioritizing local semantic alignment while neglecting state and identity consistency. To address this structural limitation, we formalize the task of Consistent Video Retrieval (CVR) and introduce a diagnostic benchmark spanning YouCook2, COIN, and CrossTask. We propose CAST (Context-Aware State Transition), a lightweight, plug-and-play adapter compatible with diverse frozen vision-language embedding spaces. By predicting a state-conditioned residual update ($Δ$) from visual history, CAST introduces an explicit inductive bias for latent state evolution. Extensive experiments show that CAST improves performance on YouCook2 and CrossTask, remains competitive on COIN, and consistently outperforms zero-shot baselines across diverse foundation backbones. Furthermore, CAST provides a useful reranking signal for black-box video generation candidates (e.g., from Veo), promoting more temporally coherent continuations.
• Abstract（参考訳）: ビデオコンテンツ作成が長文物語へと移行するにつれ、短いクリップをコヒーレントなストーリーラインに構成することがますます重要になる。 しかし、一般的な検索定式化は、状態とアイデンティティの整合性を無視しながら、局所的な意味的アライメントを優先し、推論時に文脈に依存しないままである。 この構造的制限に対処するため、一貫性ビデオ検索(CVR)のタスクを形式化し、YouCook2、COIN、CrossTaskにまたがる診断ベンチマークを導入する。 CAST(Context-Aware State Transition)は,多様な凍結視覚言語埋め込み空間に対応する軽量なプラグイン・アンド・プレイアダプタである。 視覚的履歴から状態条件の残留更新(Δ$)を予測することで、CASTは潜伏状態の進化に対して明示的な帰納的バイアスを導入する。 大規模な実験によると、CASTはYouCook2とCrossTaskのパフォーマンスを改善し、COINで競争力を維持し、さまざまな基盤のバックボーンでゼロショットベースラインを一貫して上回っている。 さらに、CASTはブラックボックスビデオ生成候補(例えばVeoから)に対して有用なリランク信号を提供し、より時間的に一貫性のある継続を促進する。

関連論文リスト

• Prompt-Adapter Context Routing for Parameter-Efficient Multi-Shot Long Video Extrapolation [0.0]
  PACR-Videoは長尺ビデオ外挿のためのパラメータ効率のよいフレームワークである。 連続する実体、シーン構造、視覚スタイル、因果進行を、完全なジェネレータの微調整なしで保存する。
  論文  参考訳（メタデータ） (2026-07-07T16:41:25Z)
• Temporal and Cross-Modal Alignment for Enhanced Audiovisual Video Captioning [46.57717326362359]
  TCA-Captionerは、音声映像キャプションのためのテンポラルアライメントとクロスモーダルアライメントを強化するために特別に設計されたフレームワークである。 キュレートされた高密度のヒューマンインタラクションデータセットを活用して、TCA-Captionerは洗練されたオーディオ視覚インタラクションをモデル化するように最適化されている。 広汎な実験により、TCA-Captionerは時間的コヒーレントで同期化されたオーディオ視覚的物語の新しい標準を定めている。
  論文  参考訳（メタデータ） (2026-07-02T03:47:45Z)
• ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation [69.45329019089041]
  マルチショットビデオ外挿(マルチショットビデオ外挿、Multi-Shot Video Extrapolation、MSVE)は、観察されたフレームまたはクリップを撮影的に構造化された一連のショットに拡張するタスクである。 MSVEは、長ビデオの障害は単にコンテキスト長の制限ではなく、コンテキスト割り当ての障害であることを明らかにした。 本稿では,再帰的コンテキスト割当(Recursive Context Allocation, ReCA)を提案する。
  論文  参考訳（メタデータ） (2026-05-26T04:16:56Z)
• V-CAST: Video Curvature-Aware Spatio-Temporal Pruning for Efficient Video Large Language Models [48.80617385008755]
  ビデオ言語モデル(VideoLLMs)は理解に強い能力を示すが、長いコンテキスト推論はプリフィル段階では巨大な冗長な視覚トークンに支配されている。 長文ビデオ推論のための訓練不要なプラグアンドプレイプルーニングポリシーであるV-CASTを提案する。
  論文  参考訳（メタデータ） (2026-03-29T11:53:32Z)
• Video-LLMs with Temporal Visual Screening [59.18455762289321]
  テンポラル・ビジュアル・スクリーニング (TVS) はビデオ質問応答とチューニングデータを処理する新しいタスクである。 TVSは、ビデオインストラクションチューニング(トレーニング)とビデオ質問回答(推論)パイプラインの両方にシームレスに統合可能な、モジュール化されたフロントエンドアダプタタスクとして定式化されている。 実験により、TVSを取り入れた場合、相対利得は7.33%(トレーニング)、34.6%(推論)となることが示された。
  論文  参考訳（メタデータ） (2025-08-27T14:33:32Z)
• On the Consistency of Video Large Language Models in Temporal Comprehension [57.985769348320616]
  ビデオ大言語モデル(Video-LLMs)は、時間的に言語クエリを解析し、ビデオモーメントを検索することができる。 予測整合性 - 時間的根拠の堅牢性と信頼性を示す重要な指標である。
  論文  参考訳（メタデータ） (2024-11-20T00:47:17Z)
• COVE: Unleashing the Diffusion Feature Correspondence for Consistent Video Editing [57.76170824395532]
  ビデオ編集は新たな課題であり、現在のほとんどの手法では、ソースビデオを編集するために、事前訓練されたテキスト・トゥ・イメージ(T2I)拡散モデルを採用している。 我々は,高品質で一貫したビデオ編集を実現するために,COVE(Cor correspondingence-guided Video Editing)を提案する。 COVEは、追加のトレーニングや最適化を必要とせずに、事前訓練されたT2I拡散モデルにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-13T06:27:13Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。