論文の概要: OASIS: On-Demand Hierarchical Event Memory for Streaming Video Reasoning

• arxiv url: http://arxiv.org/abs/2604.17052v1
• Date: Sat, 18 Apr 2026 16:22:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.309835
• Title: OASIS: On-Demand Hierarchical Event Memory for Streaming Video Reasoning
• Title（参考訳）: OASIS: ストリーミングビデオ推論のためのオンデマンド階層型イベントメモリ
• Abstract要約: 本稿では,ストリーミングビデオ推論のための新しいフレームワークを提案する。 OASISはストリーミング履歴を階層的なイベントに整理し、制御されたリファインメント・ショート・コンテクスト推論として推論を行う。 プラグ&プレイで、トレーニング不要で、ストリーミングMLLMのバックボーンに簡単に取り付けられる。
• 参考スコア（独自算出の注目度）: 54.43892400980814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming video reasoning requires models to operate in a setting where history grows without bound while meaningful evidence remains scarce. In such a landscape, relevant signal is like an oasis-small, critical, and easily lost in a desert of redundancy. Enlarging memory only widens the desert; aggressive compression dries up the oasis. The real difficulty lies in discovering where to look, not how much to remember. We therefore introduce OASIS, a novel framework for streaming video reasoning that tackles this challenge through structured, on-demand retrieval. It organizes streaming history into hierarchical events and performs reasoning as controlled refinement-short-context inference first, followed by semantically grounded retrieval only when uncertainty arises. As the retrieval is driven by high-level intent rather than embedding similarity, the retrieved memory is substantially more accurate and less noisy. Additionally, the mechanism is plug-and-play, training-free, and readily attaches to different streaming MLLM backbones. Experiments across multiple benchmarks and backbones show that OASIS achieves strong gains in long-horizon accuracy and compositional reasoning with bounded token cost and low request delay. Code is available at https://github.com/Solus-sano/OASIS.
• Abstract（参考訳）: ストリーミングビデオ推論は、意味のある証拠が乏しいまま、歴史が束縛されずに成長する環境でモデルを動かす必要がある。 このような風景では、関連する信号はオアシスの小ささ、臨界であり、冗長性の砂漠で簡単に失われる。 メモリの増大は砂漠を広げるだけであり、攻撃的な圧縮はオアシスを乾かします。 本当の難しさは、どれだけ覚えるかではなく、見るべき場所を見つけることだ。 そこで我々は、構造化されたオンデマンド検索を通じてこの課題に対処する、ストリーミングビデオ推論のための新しいフレームワークであるOASISを紹介した。 ストリーミング履歴を階層的なイベントに整理し、制御された精細短文推論として推論を行い、その後、不確実性が発生した場合にのみ意味的に基底化された検索を行う。 検索は類似性を埋め込むのではなく、高レベルのインテントによって駆動されるため、検索したメモリはかなり正確でノイズも少ない。 さらに、このメカニズムはプラグアンドプレイで、トレーニング不要で、異なるストリーミングMLLMバックボーンに簡単にアタッチされる。 複数のベンチマークとバックボーンでの実験により、OASISは長い水平精度と、有界トークンコストと低要求遅延による構成的推論において、強い利得を達成していることが示された。 コードはhttps://github.com/Solus-sano/OASISで入手できる。

関連論文リスト

• Beyond Retrieval: Progressive Latent Memory Evolution for Streaming Video Understanding [64.34948094316685]
  latentStreamは、ストリーミングメモリをストア・アンド・レトリーブから検索・インターナライズへシフトする、プログレッシブな潜伏型ワーキングメモリフレームワークです。 LatentStreamは、既存のオンラインおよびオフラインビデオベンチマークで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2026-09-03T17:28:14Z)
• REVEAL: A Rubric-Guided Agent for Explicit Evidence Sufficiency Verificationin Long-Video Question Answering [25.519927761448603]
  REVEALは、長いビデオ質問応答のためのルーリック誘導エージェントフレームワークである。 本稿では,視覚的コヒーレントな隣接フレームを自然なイベント単位にグループ化する適応型視覚類似性に基づく前処理パイプラインを提案する。 この構造化メモリ上に構築されたREVEALは、自動的に構築されたルーリックライブラリを使用して、検索された証拠が満足度基準を満たすかどうかを明示的に検証する。
  論文  参考訳（メタデータ） (2026-08-09T09:55:42Z)
• Surprise Forcing: What to Remember, When to Skip in Long Video Generation [65.0022589149937]
  自己回帰拡散をストリーミングすることで、ミニスケールのビデオ合成が実用的になるが、そのコンテキスト境界と固定化スケジュールはリソースを均一に割り当てる。 我々は、両方の制限をオンラインリソース割り当て問題として扱う、トレーニング不要のフレームワークであるSurprise Forcingを紹介した。 VBench、VBench-Long、VBench-2.0の実験では、提案されたアロケーション戦略は、リアルタイムストリーミングスループットを維持しながら、長時間の一貫性と視覚的品質を改善する。
  論文  参考訳（メタデータ） (2026-07-20T18:37:58Z)
• S-EMBER: A Large-Scale Benchmark for Streaming Egocentric Memory Retrieval [38.608941713774186]
  S-EMBER(Streaming Egocentric Memory Benchmark for Episodic Retrieval)は,Ray-Ban Metaスマートグラスを用いて388時間の有機活性を計測した3,141本のビデオからなる大規模ベンチマークである。 S-EMBERは、グローバルオフライン検索から、連続ストリームにおける視覚イベントによって引き起こされる因果的アクティブリコールへのパラダイムシフトである、グラウンドドストリーミングエピソード検索を形式化する。
  論文  参考訳（メタデータ） (2026-07-02T18:29:20Z)
• Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
  SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T15:40:40Z)
• Event-Causal RAG: A Retrieval-Augmented Generation Framework for Long Video Reasoning in Complex Scenarios [9.729442664774988]
  Event-Causal RAGは、無限長ビデオ推論のための軽量な検索拡張フレームワークである。 ストリーミングビデオを意味的に一貫性のあるイベントにセグメントし、各イベントを構造化されたステート-イベント-ステートグラフとして表現する。 このメモリ上に、最も関連性の高いイベント因果連鎖を効率的に識別するための双方向検索戦略を設計する。
  論文  参考訳（メタデータ） (2026-05-07T13:01:28Z)
• A Simple Baseline for Streaming Video Understanding [44.77185258429313]
  直近のNフレームのみをオフザシェルフVLMに供給するスライディングウィンドウベースラインを形式化する。 OVO-BenchとStreamingBenchをベースとした13のオフラインおよびオンラインビデオLLMベースラインに対して評価を行った。
  論文  参考訳（メタデータ） (2026-04-02T17:58:04Z)
• Thinking in Streaming Video [30.61790766076081]
  ThinkStreamは、Watch-Think-Speakパラダイムに基づいた、ビデオ推論をストリーミングするためのフレームワークである。 Reasoning-Compressed Streaming Memory (RCSM) は、中間的推論トレースをコンパクトなセマンティックメモリとして扱う。 複数のストリーミングビデオベンチマークの実験では、ThinkStreamが既存のオンラインビデオモデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-03-13T12:33:36Z)
• From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
  本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。 MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。 実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
  論文  参考訳（メタデータ） (2026-03-02T05:12:45Z)
• Mixture of Contexts for Long Video Generation [72.96361488755986]
  我々は長文ビデオ生成を内部情報検索タスクとして再放送する。 本稿では,学習可能なスパークアテンション・ルーティング・モジュールであるMixture of Contexts (MoC) を提案する。 データをスケールしてルーティングを徐々に分散させていくと、そのモデルは計算を適切な履歴に割り当て、アイデンティティ、アクション、シーンを数分のコンテンツで保存する。
  論文  参考訳（メタデータ） (2025-08-28T17:57:55Z)
• VideoExplorer: Think With Videos For Agentic Long-Video Understanding [117.68219930263153]
  ロングビデオ理解はコンピュータビジョンにおいて難しい問題である。 ビデオによる思考の原則に基づくフレームワークであるVideoExplorerを提案する。 静的なコンテキストを推論する代わりに、VideoExplorerは、サブクエストを反復的に定式化し、関連するモーメントを特定し、タスク指向で時間的にスケーラブルなビデオ理解を実行する。
  論文  参考訳（メタデータ） (2025-06-12T15:39:10Z)

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。