論文の概要: TSA: Temporal Slot Activation for Persistent Object-Centric Video Representation

• arxiv url: http://arxiv.org/abs/2606.13714v1
• Date: Wed, 10 Jun 2026 20:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.516109
• Title: TSA: Temporal Slot Activation for Persistent Object-Centric Video Representation
• Title（参考訳）: TSA: Persistent Object-Centric Video Representationのための時間スロットアクティベーション
• Authors: Duc Nguyen, Sieu Tran, Hao Vo, Khoa Vo, Duy Minh Ho Nguyen, Nghi D. Q. Bui, Anh Nguyen, Long Mai, Ngan Le,
• Abstract要約: 教師なしのビデオオブジェクト中心学習は、動的シーンを時間的に永続的なエンティティ表現に分解することを目的としている。 本稿では、視認性のないスロットごとのアクティベーションスコアを学習するメカニズムであるテンポラルスロットアクティベーション(TSA)を提案する。 TSAは、オブジェクトの分解と時間的アイデンティティの保存を継続的に改善し、長い、非常に隠蔽されたビデオに大きな利益をもたらす。
• 参考スコア（独自算出の注目度）: 28.696788831100644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised video object-centric learning aims to decompose dynamic scenes into temporally persistent entity representations. Existing recurrent video slot-attention methods propagate a fixed set of slots across frames, but typically assume unconditional slot propagation: every slot is updated and decoded at every frame, regardless of whether its corresponding object is visible. We show that this design violates a basic lifecycle requirement for persistent slots: when an object is absent or fully occluded, its slot should preserve its previous state and avoid explaining unrelated visible content. Instead, unconditional propagation creates two failure pathways: update-induced state drift, where current-frame evidence overwrites the absent object's representation, and decoder-induced reconstruction interference, where the inactive slot remains coupled to reconstruction through decoder attention. We propose Temporal Slot Activation (TSA), a mechanism that learns a per-slot, per-frame activation score $α_{k,t} \in (0, 1)$ without visibility supervision. TSA uses this activation as a shared latent control variable for slot lifecycle modeling. When a slot is inactive, TSA anchors its state to the previous slot via activation-gated updating and suppresses its decoder participation through an activation-dependent additive bias on attention logits before softmax normalization. This jointly reduces state drift and reconstruction-driven interference. To improve decisions under partial occlusion and gradual reappearance, TSA further conditions activation prediction on a per-slot temporal memory produced by a Temporal Context Encoder. We evaluate TSA on MOVi-C/E, YT-VIS, and OVIS benchmarks using both standard and tracking-based metrics (FG-ARI, mBO, IDF1, HOTA). TSA consistently improves object decomposition and temporal identity preservation, with large gains on long, heavily occluded videos.
• Abstract（参考訳）: 教師なしのビデオオブジェクト中心学習は、動的シーンを時間的に永続的なエンティティ表現に分解することを目的としている。 既存のビデオスロットアテンション法は、フレーム間の固定されたスロットセットを伝搬するが、通常は無条件のスロット伝搬を仮定する:全てのスロットは、対応するオブジェクトが見えるかどうかに関わらず、すべてのフレームで更新され、デコードされる。 この設計は、オブジェクトが欠落したり、完全に隠されたりした場合、そのスロットが以前の状態を保持し、無関係な可視コンテンツの説明を避けるという、永続的なスロットの基本的なライフサイクル要件に違反していることを示す。 代わりに、無条件の伝搬は2つの障害経路を生成する: 更新誘起状態ドリフト、現在のフレームのエビデンスは、欠落したオブジェクトの表現を上書きし、デコーダが引き起こした再構成干渉、非アクティブスロットはデコーダの注意を通して再構築に結びついている。 本稿では,フレーム毎のアクティベーションスコアがα_{k,t} \in (0, 1)$を視認性なく学習する機構であるテンポラルスロットアクティベーション(TSA)を提案する。 TSAはこのアクティベーションをスロットライフサイクルモデリングのための共有潜在制御変数として利用する。 スロットが非アクティブの場合、TSAはアクティベーションゲート更新によって前のスロットに状態を固定し、ソフトマックス正規化の前にアテンションロジットに対するアクティベーション依存性の付加的バイアスによってデコーダの参加を抑える。 これにより、状態のドリフトと再構築駆動の干渉が減少する。 時間文脈エンコーダによって生成されるスロット単位の時間記憶上でのアクティベーション予測により、部分閉塞および段階的再出現による決定を改善する。 標準および追跡基準(FG-ARI, mBO, IDF1, HOTA)を用いて, MOVi-C/E, YT-VIS, OVISベンチマークのTSAを評価する。 TSAは、オブジェクトの分解と時間的アイデンティティの保存を継続的に改善し、長い、非常に隠蔽されたビデオに大きな利益をもたらす。

関連論文リスト

• Dual-State Slot Attention: Decoupling Appearance and Identity for Video Object-Centric Learning [17.16289725621027]
  教師なしのビデオオブジェクト中心学習は、動的シーンを監督なしで永続的なオブジェクトレベル表現に分解することを目的としている。 既存のスロットベースの手法は、高速動作や部分閉塞といった挑戦的な設定において、安定したオブジェクトのアイデンティティを維持するのに苦労する。 本稿では,自己管理型フレームワークであるDual-State Slot Attention (DSSA)を提案する。
  論文  参考訳（メタデータ） (2026-06-10T19:00:47Z)
• Adaptive Tokenisation Via Temporal Redundancy Masking And Latent Inpainting [18.71433885255431]
  適応的ビデオトークン化(Adaptive Video tokenisation)は、シーケンスの基盤となる視覚的複雑さに基づいて、トークンの予算を動的に割り当てる。 凍結連続ビデオトークンの潜伏空間は,直接利用可能な時間的冗長性を本質的に符号化していることを示す。 パラメータフリー適応トークン割り当て機構を導入し,時間-L1差分に対する固定しきい値を適用した。
  論文  参考訳（メタデータ） (2026-06-04T13:31:12Z)
• Internalizing Temporal Consistency in Video Object-Centric Learning without Explicit Regularization [34.98521123729049]
  SSC(Slot-Slot Contrastive)の損失は、最先端(SOTA)ビデオOCL(Object-Centric Learning)手法の基盤となっている。 時間的一貫性は、明示的な損失ではなく、暗黙的なモデル設計として強制されるのがよい。
  論文  参考訳（メタデータ） (2026-05-29T16:28:21Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation [58.40817037271021]
  DiTTA(Distillation-assisted Test-Time Adaptation)は、ISSモデルをアノテーション付きビデオなしで時間的に認識されたVSSモデルに変換する新しいフレームワークである。 完全教師付きVSS法と比較して,DITTAの有効性を示す。
  論文  参考訳（メタデータ） (2026-04-13T03:47:08Z)
• Dense Video Understanding with Gated Residual Tokenization [49.17263029080152]
  高時間分解能は、ビデオ理解における微細な細部を捉えるのに不可欠である。 現在のベンチマークは主に低フレームレートサンプリングに依存している。 Dense Video Understanding (DVU)は、トークン化時間とトークンオーバーヘッドの両方を削減することで、高FPSビデオの理解を可能にする。
  論文  参考訳（メタデータ） (2025-09-17T17:34:40Z)
• DiViD: Disentangled Video Diffusion for Static-Dynamic Factorization [2.0032531485183345]
  静的・動的因数分解のための最初のエンドツーエンドビデオ拡散フレームワークであるDiViDを紹介する。 DiViDは、最初のフレームとフレームごとの動的トークンからグローバルな静的トークンを抽出し、モーションコードから静的コンテンツを明示的に削除する。 我々は、スワップベースの精度とクロスリーカシメトリクスを用いて、実世界のベンチマーク上でDiViDを評価する。
  論文  参考訳（メタデータ） (2025-07-18T14:09:18Z)
• Object-Centric Temporal Consistency via Conditional Autoregressive Inductive Biases [69.46487306858789]
  Conditional Autoregressive Slot Attention (CA-SA) は、ビデオ中心の視覚タスクにおいて抽出されたオブジェクト中心の表現の時間的一貫性を高めるフレームワークである。 本稿では,提案手法が下流タスクのベースラインよりも優れていることを示す定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-10-21T07:44:44Z)
• DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
  時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。 提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-09T06:42:30Z)

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。