論文の概要: ChronoStitch: Training-Free Composition of Visual KV Memories for Long-Horizon Temporal Reasoning
- arxiv url: http://arxiv.org/abs/2607.19547v1
- Date: Tue, 21 Jul 2026 19:46:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.917808
- Title: ChronoStitch: Training-Free Composition of Visual KV Memories for Long-Horizon Temporal Reasoning
- Title（参考訳）: ChronoStitch:長期的時間的推論のための視覚的KV記憶の無訓練構成
- Abstract要約: 長時間ビデオの質問応答には、同じビデオを再処理することなく、時間とともに視覚的証拠を保存するモデルが必要である。
実用的なアプローチは、各ビデオチャンクにビジョン言語モデルの内部キー値キャッシュを格納し、クエリ時にその状態を取得することである。
しかし、独立にキャッシュされたビデオチャンクは正しく構成されない。
本稿では、独立に記憶された視覚的KV記憶を構成するための学習方法であるクロノスティッチについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-video question answering requires a model to preserve visual evidence over time without repeatedly reprocessing the same video. A practical approach is to store the vision-language model's internal key-value (KV) cache for each video chunk and retrieve that state at query time. However, independently cached video chunks do not compose correctly: every chunk is prefilled from local rotary position zero, so naive concatenation collides temporal phases and removes the global order required for questions about what happened first, how often events occurred, or what changed across the video. This paper presents ChronoStitch, a training-free method for composing independently stored visual KV memories. The method first re-bases stored post-rotary keys onto a global three-axis multimodal RoPE coordinate system that preserves time, height, and width structure. We show why a one-dimensional scalar re-indexing is geometrically inconsistent for visual tokens because it turns spatial order within a frame into false temporal displacement. We then address the residual content gap left by positional repair: later chunks were originally encoded without attending to earlier chunks. ChronoStitch therefore selectively recomputes a small fraction of high-deviation later-chunk visual tokens while allowing them to attend over the composed cache. On Qwen2.5-VL-3B and the temporal split of TempCompass, ChronoStitch outperforms naive composition and position-only variants, improving event-ordering accuracy while running 3.3x faster than full joint re-prefilling.
- Abstract（参考訳）: 長時間ビデオの質問応答には、同じビデオを再処理することなく、時間とともに視覚的証拠を保存するモデルが必要である。
実用的なアプローチは、視覚言語モデルの内部キー値(KV)キャッシュを各ビデオチャンクに格納し、クエリ時にその状態を取得することである。
しかし、独立にキャッシュされたビデオチャンクは正しく構成されない: 全てのチャンクは局所的な回転位置ゼロからプリフィルされるので、単純結合は時間相を衝突させ、最初に何が起きたか、どれだけの頻度で起こったか、ビデオ全体で何が変化したかについての質問に必要とされる大域的な順序を除去する。
本稿では、独立に記憶された視覚的KVメモリを構成する訓練不要の方法であるChronoStitchを提案する。
この方法は、回転後キーを、時間、高さ、幅構造を保存するグローバルな3軸多モードRoPE座標系に再ベースする。
フレーム内の空間秩序を仮の時間的変位に変換するため,一次元スカラー再インデクシングが視覚トークンと幾何学的に矛盾する理由を示す。
後続のチャンクは、元々は以前のチャンクには参加せずにエンコードされていた。
したがって、ChronoStitchは、構成キャッシュへの参加を許可しながら、少数の高遅延後の視覚トークンを選択的に再計算する。
Qwen2.5-VL-3BとTempCompassの時間分割では、ChronoStitchは直感的な構成と位置のみの変種より優れ、完全関節補充よりも3.3倍速く動作しながらイベント順序精度を向上させる。
関連論文リスト
- Addressable Memory for Video World Models [50.40232922140905]
インタラクティブなビデオワールドモデルにおける視覚的永続性について研究する。
長時間の視覚的永続性のためのトレーニング不要なメモリフレームワーク WorldTrace を提案する。
論文 参考訳（メタデータ） (2026-08-07T16:55:57Z) - Closing the Loop: Training-Free Revisit Consistency for Autoregressive Generative Rendering [8.16620085872554]
新しい条件付きビデオ生成モデルは、3Dエンジンのレンダリングをゲームや没入型コンテンツ作成のためのフォトリアリスティックなビデオに変換する有望な可能性を示している。
これらの応用には、永続的な3D世界を保ちながら、新しいフレームを継続的に合成する長い水平自動回帰生成が必要である。
本稿では,実際のアプリケーションシナリオを複雑に反映するために,TartanAirとTartanデータセットから抽出したループ閉鎖軌道について示す。
論文 参考訳（メタデータ） (2026-07-23T22:33:52Z) - Position Rebinding Cache Reuse: Replay-Free Visual Revisiting for Interleaved Multimodal Reasoning [51.563653495547335]
マルチモーダル推論は、マルチステップ生成中に視覚的証拠を再考することによって、視覚的接地を改善する。
再生不要な視覚的再考のためのキャッシュレベルフレームワークであるPlace Rebinding Cache Reuse (PRCR)を提案する。
PRCRはリプレイレベルまたはパフォーマンスの向上を実現し、平均精度を5%向上し、視覚的再考を最大数万倍削減する。
論文 参考訳（メタデータ） (2026-06-25T05:47:52Z) - Kamera: Unified Position-Invariant Multimodal KV Cache for Training-Free Reuse [1.081571058570587]
マルチモーダルエージェントは、同じビデオフレーム、UIスクリーンショット、アーティファクトをコンテキストウィンドウスライドとして再検査する。
この再計算は回避可能であることを示すとともに,KV再利用が損なうものを特定する。
したがって、ブラインドはシングルホップのリコールをそのまま残し、マルチホップの精度を半減させる。
トレーニング不要な低ランク条件パッチを各位置のないチャンクに格納して修復する。
論文 参考訳（メタデータ） (2026-06-22T16:47:00Z) - DynaTok: Token-Based 4D Reconstruction from Partial Point Clouds [86.5916611076068]
DynaTokは、画像のない部分点列からの対応のない4D再構成のための点ベースフレームワークである。
フローマッチングデコーダは、完全な時間的に一貫した4次元の点時間観測を再構成する。
論文 参考訳（メタデータ） (2026-06-10T15:13:14Z) - 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) - WorldKV: Efficient World Memory with World Retrieval and Compression [56.57011243315561]
我々は、World RetrievalとWorld Compressionの2つのコンポーネントを備えた、トレーニング不要のフレームワークであるWorldKVを提案する。
Matrix-Game-2.0とLingBot-World-Fastでは、WorldKVはスループットの約2倍のフルKVメモリ忠実度に対応し、微調整なしでメモリトレーニングされたベースラインと競合する。
論文 参考訳（メタデータ） (2026-05-21T16:55:04Z) - TempoFit: Plug-and-Play Layer-Wise Temporal KV Memory for Long-Horizon Vision-Language-Action Manipulation [16.28432866472846]
我々は、状態レベルのメモリを通じて凍結したビジョン・ランゲージ・アクションポリシーをアップグレードする、トレーニング不要の時間的修正であるTempoFitを紹介する。
私たちの重要な洞察は、プレフィックスアテンションK/Vが、すでにモデルネイティブで、コンテンツ順応可能なランタイム状態を形成しています。
LIBERO-LONGでは、TempoFitは、ほぼリアルタイムのレイテンシを維持しながら、最大4.0%の成功率で、トレーニング済みの強いバックボーンを改善している。
論文 参考訳（メタデータ） (2026-03-08T14:17:25Z) - PackCache: A Training-Free Acceleration Method for Unified Autoregressive Video Generation via Compact KV-Cache [61.57938553036056]
トレーニング不要なKVキャッシュ管理手法であるPackCacheを導入し,KVキャッシュを3つの協調機構でコンパクト化する。
効率の面では、PackCacheは48フレームの長いシーケンスで1.7-2.2倍のエンドツーエンド生成を高速化する。
論文 参考訳（メタデータ） (2026-01-07T19:51:06Z) - Temporally Consistent Transformers for Video Generation [80.45230642225913]
正確なビデオを生成するには、アルゴリズムは世界の空間的および時間的依存関係を理解する必要がある。
時間依存性のあるビデオ生成を厳格に評価するために、複雑なデータに関する確立されたベンチマークは存在しない。
本稿では,長期間の一貫性を著しく向上し,サンプリング時間を短縮するTemporally Consistent Transformer(TECO)を提案する。
論文 参考訳（メタデータ） (2022-10-05T17:15:10Z)
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。