論文の概要: SlotMem: Character-Addressable Internal Memory for Narrative Long Video Generation

• arxiv url: http://arxiv.org/abs/2607.15772v1
• Date: Fri, 17 Jul 2026 09:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.809369
• Title: SlotMem: Character-Addressable Internal Memory for Narrative Long Video Generation
• Title（参考訳）: SlotMem: ナラティブビデオ生成のための文字対応型内部メモリ
• Abstract要約: SlotMemは、ナラティブ長ビデオ生成のための文字調整可能な内部メモリフレームワークである。 character-Semantic Probeを使用して、クロスアテンション応答から文字関連視覚トークンをローカライズする。 Memory Writerは、各文字のメモリを新しい観察で保守的に更新する。 character-Wise Cross-Attentionはロールメモリを取得し、同じ文字のローカライズされたトークンにのみ注入する。
• 参考スコア（独自算出の注目度）: 17.587627635960462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maintaining recurring character identities across scene transitions and long temporal gaps is a central challenge in narrative long video generation. Methods targeting global consistency often retrieve memory using cues that are not aligned with character identity preservation, while recent character-centric variants still rely on coarse frame-level kv memory that entangles identity with incidental visual factors and lacks a continuous update mechanism under limited memory capacity. To address these limitations, we propose \textbf{SlotMem}, a character-addressable internal memory framework for multi-character narrative long video generation. Specifically, SlotMem uses a Character-Semantic Probe to localize character-relevant visual tokens from cross-attention responses, and a Memory Encoder to compress DiT tokens into compact role-wise slot memory. As generation proceeds, a Memory Writer conservatively updates each character's memory with new observations, while Character-Wise Cross-Attention retrieves the role memory and injects it only into localized tokens of the same character. Experiments on multiple narrative long video generation benchmarks show that SlotMem improves long-range character consistency over existing baselines, while maintaining comparable video quality. Our code is available at https://github.com/YilaiLiu-HKU/SlotMem.
• Abstract（参考訳）: シーン遷移と長い時間的ギャップをまたいで繰り返しキャラクターのアイデンティティを維持することは、物語の長いビデオ生成における中心的な課題である。 グローバルな一貫性を目標とする手法は、文字のアイデンティティ保存と一致しないキューを使用してメモリを検索することが多いが、最近のキャラクタ中心の変種はいまだに粗いフレームレベルのkvメモリに依存している。 これらの制約に対処するために,多文字長大長ビデオ生成のための文字適応型内部メモリフレームワークである \textbf{SlotMem} を提案する。 具体的には、キャラクタ・セマンティックプローブを使用して、クロスアテンション応答から文字関連視覚トークンをローカライズし、メモリエンコーダを使用して、DiTトークンをコンパクトなロールワイドスロットメモリに圧縮する。 生成が進むにつれて、Memory Writerは各文字のメモリを新しい観察で保守的に更新し、 character-Wise Cross-Attention はロールメモリを取得し、同じ文字のローカライズされたトークンにのみ注入する。 複数のナラティブ長ビデオ生成ベンチマークの実験では、SlotMemは既存のベースラインよりも長距離キャラクタの一貫性を向上し、ビデオ品質は同等である。 私たちのコードはhttps://github.com/YilaiLiu-HKU/SlotMem.comで公開されています。

関連論文リスト

• CreaMem: A Scene-Aware Memory Architecture for Personalized Agents [10.59532182467324]
  本稿では,メモリを複数のライフシーンメモリに分割することで,シーン認識型メモリ構成を可能にするCreaMemアーキテクチャを提案する。 CreaMemは、すべての評価指標のQA精度を改善し、特にマルチホップ推論のパフォーマンスを大きく向上させる。 強化するために、私たちはコードをパブリックなGitHubリポジトリにリリースしました。
  論文  参考訳（メタデータ） (2026-09-08T10:33:05Z)
• LayerRecall: A State-Conditioned Memory Router for Long-Horizon Consistency in Video Generation [22.878882105342182]
  自己回帰ビデオ拡散は、境界付けられた最近の文脈からチャンクを生成する。 頻度ベースのキャッシュは、被写体、オブジェクト、シーン、または属性が再び現れるときに必要となる歴史的手がかりを排除します。 LayerRecallは関連するK/V状態を取得し、バックボーン固有のメモリ依存レイヤにのみ注入する。
  論文  参考訳（メタデータ） (2026-08-28T15:49:13Z)
• RECAP-Forcing: Retaining Content Appearances for Long Video Generation [37.756464872090596]
  外観の新規性によって記憶を整理するRECAP-Forcingを提案する。 長いビデオは単なるフレームの連続ではなく、主題、オブジェクト、シーンの進化したキャストである。 ビデオが進化するにつれて、光フローベースのノベルティバンクは、新たに公開されたコンテンツを選択的に保持することで、同じ原理を拡張する。
  論文  参考訳（メタデータ） (2026-08-27T06:24:59Z)
• Online Neural Space Time Memory for Dynamic Novel View Synthesis [23.462185130690447]
  テストタイムトレーニング(TTT)は強力なメモリメカニズムを提供する。 標準モデルは、動的シーンの運動の変化に対応するために、各フレームで勾配ベースのメモリ更新を義務付ける。 そこで本手法では,動的人体動作の場面におけるリアルタイム,最先端の演奏と,微細なオンライン記憶の再現を実証する。
  論文  参考訳（メタデータ） (2026-07-16T17:58:18Z)
• PermaVid: Consistent Video Generation Across Edits via Disentangled Context Memory [80.58558679163197]
  PermaVidは、空間コンテキストを意味的な外観と幾何学的構造に分解するマルチモーダルなコンテキストメモリ上に構築された新しいフレームワークである。 本手法は,編集後の長期的セマンティクスと構造的整合性を強く維持し,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-06-15T09:20:32Z)
• FadeMem: Distance-Aware Memory Consolidation for Autoregressive Video Diffusion [59.207505503284715]
  FadeMemは、歴史的なKVブロックを固定キャッシュ予算の下で時間階層に整理する。 新しい歴史はきめ細かいエントリとして挿入され、古い隣のエントリは徐々にマージされる。 実験では、既存の有界キャッシュ戦略よりも、被験者の一貫性、背景安定性、時間的コヒーレンスが改善された。
  論文  参考訳（メタデータ） (2026-06-09T10:22:18Z)
• SlotMemory: Object-Centric KV Memory for Streaming Long-Video Generation [30.157534925157844]
  SlotMemoryは、ビデオ拡散をストリーミングするためのオブジェクト中心のKey-Valueメモリメカニズムである。 我々のアプローチでは、イベントが発生したときのメモリ抽象化を、トランスフォーマーのキー-値多様体を分解することで、"何"が表現されているかに変換する。
  論文  参考訳（メタデータ） (2026-05-29T09:04:26Z)
• Gloria: Consistent Character Video Generation via Content Anchors [63.7455328319917]
  本稿では,アンカーフレームのコンパクトな集合を通して,文字の視覚特性を表現することを提案する。 この設計は、一貫性のための安定した参照を提供するが、参照ベースのビデオ生成はコピーパッティングとマルチ参照競合の課題に直面している。 実験により,提案手法は10分を超える高品質なキャラクタビデオを生成し,既存の手法を超越して,ビュー間の表現的アイデンティティと外観整合性を実現する。
  論文  参考訳（メタデータ） (2026-03-31T16:06:16Z)
• VideoMemory: Toward Consistent Video Generation via Memory Integration [28.605816634949814]
  VideoMemoryは、Dynamic Memory Bankを通じてナラティブプランニングとビジュアルジェネレーションを統合する。 ダイナミックメモリバンクは、文字、小道具、背景の明示的な視覚的および意味的な記述を格納する。 この検索更新機構は、遠距離ショット間のエンティティの一貫性のある表現を可能にし、コヒーレントなロングフォーム生成をサポートする。
  論文  参考訳（メタデータ） (2026-01-07T07:10:32Z)
• MemFlow: Flowing Adaptive Memory for Consistent and Efficient Long Video Narratives [54.07515675393396]
  既存のソリューションは、事前に定義された戦略で過去のフレームを圧縮することでメモリを維持する。 我々はこの問題に対処するためにMemFlowを提案する。 MemFlowは、無視可能な負担を伴う、卓越した長いコンテキスト整合性を実現する。
  論文  参考訳（メタデータ） (2025-12-16T18:59:59Z)
• Learning Quality-aware Dynamic Memory for Video Object Segmentation [32.06309833058726]
  本稿では,各フレームのセグメンテーション品質を評価するために,QDMN(Quality-Aware Dynamic Memory Network)を提案する。 我々のQDMNは、DAVISとYouTube-VOSベンチマークの両方で最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2022-07-16T12:18:04Z)
• Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
  一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。 本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。 また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
  論文  参考訳（メタデータ） (2022-05-08T02:24:43Z)
• LaMemo: Language Modeling with Look-Ahead Memory [50.6248714811912]
  右側トークンへの漸進的参加により再帰記憶を向上させるLook-Ahead Memory(LaMemo)を提案する。 LaMemoは、メモリ長に比例した追加のオーバーヘッドで、双方向の注意とセグメントの再発を受け入れる。 広く使われている言語モデリングベンチマークの実験は、異なる種類のメモリを備えたベースラインよりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-04-15T06:11:25Z)

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。