論文の概要: Homer: Understanding Long-form Videos with Hierarchical Memory and Agentic Reasoning
- arxiv url: http://arxiv.org/abs/2607.02588v1
- Date: Wed, 01 Jul 2026 05:53:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.341437
- Title: Homer: Understanding Long-form Videos with Hierarchical Memory and Agentic Reasoning
- Title（参考訳）: ホーマー:階層的記憶とエージェント推論による長めのビデオ理解
- Abstract要約: textscHomerは階層型オンラインメモリ探索および推論フレームワークである。
textscHomerの記憶は、生の知覚から繰り返される実体、明示的な時間的・因果関係と結びついた出来事まで、長いビデオのマルチスケール構造を反映している。
textscHomerは、M3-Bench-robot、M3-Bench-web、Video-MME-Longで$+5.5$、$+10.8$、$+4.4$ポイントで前のベストエージェントメソッドより優れている。
- 参考スコア（独自算出の注目度）: 77.7531245219403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal large language models excel on short clips but struggle on hour-long videos in an online setting, where frames are processed incrementally under limited memory. Existing online methods either retain compact visual representations that lack semantic structure, or build higher-level memory stores organized around temporal proximity rather than explicit causal links, leaving multi-hop narrative reasoning to be reconstructed by the LLM at every query. We bridge this gap with \textsc{Homer}, a Hierarchical Online Memory Exploration and Reasoning framework. \textsc{Homer}'s memory mirrors the multi-scale structure of long videos, ranging from raw perception, to recurring entities, to events connected by explicit temporal and causal relations. Its agentic reasoner then explores this memory the way humans do, locating the relevant scene, looking up details, and composing the answer through multi-round memory retrieval, with a harness that verifies and corrects each step. \textsc{Homer} outperforms the previous best agent method by $+5.5$, $+10.8$, and $+4.4$ points on M3-Bench-robot, M3-Bench-web, and Video-MME-Long, and consistently lifts three various LLM backbones, indicating a model-agnostic structural capability for grounded retrieval over long videos.
- Abstract（参考訳）: マルチモーダルな大言語モデルはショートクリップでは優れているが、オンライン環境では1時間ビデオで苦労する。
既存のオンライン手法では、セマンティックな構造を持たないコンパクトな視覚表現を保持するか、明示的な因果関係ではなく時間的近接に組織された高レベルのメモリストアを構築する。
このギャップを階層的なオンラインメモリ探索と推論フレームワークである‘textsc{Homer} で埋めます。
\textsc{Homer} の記憶は、生の知覚から繰り返される実体、明示的な時間的・因果関係で繋がる出来事まで、長いビデオのマルチスケール構造を反映している。
そのエージェント的推論器は、人間が行うように記憶を探索し、関連するシーンを探索し、詳細を調べ、複数のラウンドのメモリ検索を通じて答えを合成する。
\textsc{Homer} は、M3-Bench-robot, M3-Bench-web, Video-MME-Long 上の$+5.5$, $+10.8$, $+4.4$ポイントで前のベストエージェントメソッドよりも優れており、3つのLCMバックボーンを一貫して持ち上げている。
関連論文リスト
- Dual-Latent Memory Routing for Vision-Language Reasoning [39.90357280328134]
MLLM(Multimodal large language model)は近年,視覚言語推論において大きな進歩を遂げているが,世代が長くなるにつれてその性能は低下することが多い。
複雑なタスクを解く際に、人間が何を見たか、何を推測したかを個別に思い出す方法に着想を得て、DLMRを提案する。
画像証拠を圧縮するビジュアルメモリと、中間的な結論と制約を追跡する推論メモリである。
論文 参考訳（メタデータ） (2026-09-02T10:45:25Z) - Keep It Simple: Multi-Key Episodic Memory Retrieval for Ultra-Long Video Understanding [41.45143308235023]
超長大映像理解のためのシンプルで効果的なフレームワークであるMERITを提案する。
我々は、微細な記憶の正確な検索を可能にするエピソードなマルチキー表現を定式化する。
MeRITは3つのロングビデオベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-08-07T18:00:02Z) - Reasoning with Memory: A Temporal Granularity-Adaptive Framework for Training-Free Long Video Understanding [47.48582887762574]
ReMemは、トレーニングフリーのLongVideoQAのための時間的粒度適応選択フレームワークである。
メモリ機構で時間情報を明示的に保存することにより、ReMemは冗長性を抑え、MLLMに堅牢なマルチグラニュラビデオ推論を行う権限を与える。
論文 参考訳（メタデータ） (2026-06-30T10:55:56Z) - MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models [50.25006399944962]
メモリは、長いマルチモーダル相互作用を扱うために、大きな視覚言語モデルにとって不可欠である。
MEMLENSはマルチモーダルマルチセッション会話におけるメモリのベンチマークである。
我々は27個のLVLMと7個のメモリ増強剤を評価した。
論文 参考訳（メタデータ） (2026-05-14T14:41:17Z) - VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG [33.938909878793815]
VideoStirは構造化されマルチモーダルなインテント対応長ビデオRAGフレームワークである。
ビデオは、クリップレベルでテンポラルグラフとして構成され、エビデンスを集約するマルチホップ検索を実行する。
また、MLLMが支援するインテント関連スコアラを導入し、クエリの推論インテントとのアライメントに基づいてフレームを取得する。
論文 参考訳（メタデータ） (2026-04-07T04:26:59Z) - TeleMem: Building Long-Term and Multimodal Memory for Agentic AI [43.36544433800511]
大規模言語モデル(LLM)は、多くのNLPタスクにおいて優れているが、対話履歴の拡張に対する注意が限られているため、長期的な相互作用を維持するのに苦労する。
本稿では,コヒーレントなユーザプロファイルを物語動的抽出により維持する,長期・マルチモーダル統合メモリシステムTeleMemを提案する。
TeleMemは最先端のMem0ベースラインを19%上回り、トークンは43%減り、ZH-4Oの長期ロールプレイゲームベンチマークでは2.1倍高速化された。
論文 参考訳（メタデータ） (2025-12-12T11:24:52Z) - WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning [66.24870234484668]
我々は,複数の相補的記憶から構築・取得する,新しいマルチモーダルメモリエージェント WorldMM を紹介する。
WorldMMは5つの長いビデオ質問回答ベンチマークで既存のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2025-12-02T05:14:52Z) - GCAgent: Long-Video Understanding via Schematic and Narrative Episodic Memory [59.869552603264076]
GCAgent(Global-Context-Aware Agent)は,広義の長ビデオ理解を実現する新しいフレームワークである。
これは、イベントとその因果関係と時間的関係を、簡潔で組織化されたコンテキストに構造的にモデル化するものです。
実験により、GCAgentは、強力なMLLMベースライン上でのVideo-MME Long分割において、最大23.5%の精度向上を実現した。
論文 参考訳（メタデータ） (2025-11-15T04:29:00Z) - VideoLucy: Deep Memory Backtracking for Long Video Understanding [102.37736560263649]
我々は、長いビデオ理解のためのディープメモリバックトラックフレームワークであるVideoLucyを提案する。
粗いものから細かいものへの人間の再コンパイルプロセスにインスパイアされたVideoLucyは、階層的なメモリ構造で、段階的に粒度が細かい。
VideoLucyは、複数の長いビデオ理解ベンチマークで最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2025-10-14T11:59:19Z) - Episodic Memory Representation for Long-form Video Understanding [52.33907540905242]
大きなビデオ言語モデルは、一般的なビデオ理解において優れているが、長い形式のコンテキストウィンドウの制限に苦労する。
人間の記憶の原理にインスパイアされたトレーニングフリーのフレームワークであるVideo-EMを紹介する。
Video-EMでは、各ベースラインに対して4-9%のパフォーマンス向上を実現し、フレームの削減を実現している。
論文 参考訳（メタデータ） (2025-08-13T04:33:07Z)
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。