論文の概要: MLT-Dedup: Efficient Large-Scale Online Video Deduplication via Multi-Level Representations and Spatial-Temporal Matching

• arxiv url: http://arxiv.org/abs/2606.12215v1
• Date: Wed, 10 Jun 2026 15:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.530408
• Title: MLT-Dedup: Efficient Large-Scale Online Video Deduplication via Multi-Level Representations and Spatial-Temporal Matching
• Title（参考訳）: MLT-Dedup:マルチレベル表現と時空間マッチングによる大規模オンラインビデオの効率向上
• Authors: David Yuchen Wang, Haoying Li, Hailun Xu, Wei Chee Yew, Zirui Zhu, Sanjay Saha, Hao Hei, Kanchan Sarkar, Kun Xu,
• Abstract要約: MLT-Dedupはマルチレベル表現と空間マッチングを備えた大規模オンラインビデオ復号化フレームワークである。 MLT-Dedupがオンライン反復率を90%精度で91%削減できることを実世界の大規模プラットフォームで実証した。
• 参考スコア（独自算出の注目度）: 4.807668586846245
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The explosive growth of user-generated video content on online platforms is accompanied by the emergence of numerous near-duplicate videos--videos that are identical or highly similar but differ by partial edits. These duplicates degrade user experience and increase storage and bandwidth costs, making large-scale video deduplication a critical task. Existing video deduplication frameworks face a fundamental challenge in retrieving sufficient high-quality candidates under a limited index budget, as well as trade-offs between efficiency and precision. To address these issues, we propose MLT-Dedup, an efficient large-scale online video deduplication framework with Multi-Level representations and spatial-Temporal matching. Our approach employs a Multi-Level Video Encoder (ML-VE) to extract both fine-grained frame-level and sparse clip-level embeddings: sparse embeddings support efficient candidate retrieval, while fine-grained embeddings are loaded for precise pairwise matching. During matching, we introduce DiF-SiM, a Differential Feature-enhanced Similarity Module capable of locating duplicated temporal segments and providing reliable similarity evidence to support policy-driven deduplication decisions. Extensive experiments on a real-world large-scale platform demonstrate that MLT-Dedup reduces online repetition rates by 91% at 90% precision. Furthermore, our sparse retrieval design achieves a 5x increase in indexing capacity, enabling broader candidate coverage in real-world deployment.
• Abstract（参考訳）: オンラインプラットフォーム上でのユーザ生成ビデオコンテンツの爆発的な成長は、同じか非常に類似しているが部分的な編集によって異なる多くの近距離ビデオが出現すると共にいる。 これらの重複はユーザエクスペリエンスを劣化させ、ストレージと帯域幅のコストを増大させ、大規模なビデオの重複が重要なタスクとなる。 既存のビデオ復号化フレームワークは、インデックス予算の制限の下で十分な高品質な候補を検索し、効率と精度のトレードオフを解消する上で、根本的な課題に直面している。 これらの問題に対処するために,マルチレベル表現と時空間マッチングを備えた大規模オンラインビデオデ複製フレームワークであるMLT-Dedupを提案する。 提案手法では,マルチレベルビデオエンコーダ(ML-VE)を用いて,細粒度フレームレベルと細粒度クリップレベルの埋め込みを抽出する。 マッチング中に、重複した時間セグメントを探索し、ポリシー駆動の重複決定を支援するための信頼性の高い類似性証拠を提供する、差分特徴強化類似度モジュールであるDiF-SiMを導入する。 実世界の大規模なプラットフォーム上での大規模な実験により、MLT-Dedupはオンライン反復率を90%精度で91%削減することを示した。 さらに、スパース検索設計により、インデックス化能力が5倍に向上し、現実のデプロイメントにおいてより広範な候補カバレッジを実現する。

関連論文リスト

• Learning Compact Video Representations for Efficient Long-form Video Understanding in Large Multimodal Models [28.68367581677484]
  本稿では、情報密度に基づく適応型ビデオサンプリング(AVS)と、マルチモーダル大言語モデル(MLLM)と統合されたオートエンコーダベースの時間的ビデオ圧縮(SVC)を含む、長文ビデオ理解のための新しいエンドツーエンドスキーマを提案する。 提案システムでは,各期間の映像系列から重要な情報を適応的に取得し,重要な識別情報を保存しながら高い圧縮率を達成する。
  論文  参考訳（メタデータ） (2026-02-19T22:04:27Z)
• Think-Clip-Sample: Slow-Fast Frame Selection for Video Understanding [18.742640666790827]
  Think-Clip-Sample(TCS)はトレーニング不要のフレームワークで、2つの重要なコンポーネントによる長いビデオ理解を強化する。 MLVU、LongVideoBench、VideoMMEの大規模な実験により、TCSは異なるMLLM間のパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-01-16T15:14:04Z)
• MambaMia: A State-Space-Model-Based Compression for Efficient Video Understanding in Large Multimodal Models [33.89483627891117]
  大規模なマルチモーダルモデルに反映する前に、複数のビデオフレームの特徴を圧縮する効率的なフレームワークを提案する。 われわれのフレームワークは、リソースを意識した効率を重視し、現実世界のデプロイに実用的である。
  論文  参考訳（メタデータ） (2025-06-16T14:49:49Z)
• PMQ-VE: Progressive Multi-Frame Quantization for Video Enhancement [83.89668902758243]
  多フレームビデオ強調タスクは、ビデオシーケンスの空間的および時間的解像度と品質を改善することを目的としている。 映像強調のためのプログレッシブマルチフレーム量子化(PMQ-VE)を提案する。 このフレームワークは、バックトラックベースマルチフレーム量子化(BMFQ)とプログレッシブマルチ教師蒸留(PMTD)という、粗大な2段階のプロセスを備えている。
  論文  参考訳（メタデータ） (2025-05-18T07:10:40Z)
• DiVE: Efficient Multi-View Driving Scenes Generation Based on Video Diffusion Transformer [56.98400572837792]
  DiVEは高忠実で、時間的コヒーレントで、相互に一貫したマルチビュービデオを生成する。 これらの革新は総じて、最小品質の劣化を伴う2.62倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2025-04-28T09:20:50Z)
• SALOVA: Segment-Augmented Long Video Assistant for Targeted Retrieval and Routing in Long-Form Video Analysis [52.050036778325094]
  本稿では,SALOVA: Segment-Augmented Video Assistantを紹介する。 87.8Kビデオの高品質なコレクションをセグメントレベルで高密度にキャプションし、シーンの連続性を捕捉し、リッチなコンテキストを維持する。 本フレームワークは,クエリに応答して,関連ビデオセグメントの正確な識別と検索を可能にすることで,現在のビデオLMMの限界を緩和する。
  論文  参考訳（メタデータ） (2024-11-25T08:04:47Z)
• CREMA: Generalizable and Efficient Video-Language Reasoning via Multimodal Modular Fusion [58.15403987979496]
  CREMAは、ビデオ推論のための一般化可能、高効率、モジュラリティ融合フレームワークである。 本稿では,軽量核融合モジュールとモーダリティ・シークエンシャル・トレーニング・ストラテジーによって支援された,新しいプログレッシブ・マルチモーダル・フュージョン設計を提案する。 ビデオQA や Video-Audio/3D/Touch/Thermal QA を含む7つのビデオ言語推論タスクについて検証を行った。
  論文  参考訳（メタデータ） (2024-02-08T18:27:22Z)

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。