Fugu-MT 論文翻訳(概要): Addressable Memory for Video World Models

論文の概要: Addressable Memory for Video World Models

arxiv url: http://arxiv.org/abs/2608.07408v1
Date: Fri, 07 Aug 2026 16:55:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-10 16:21:25.568561
Title: Addressable Memory for Video World Models
Title（参考訳）: ビデオワールドモデルのためのアドレス記憶
Abstract要約: 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。
参考スコア（独自算出の注目度）: 50.40232922140905
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study visual persistence in interactive video world models. These models rely on a Key-Value (KV) cache as a growing visual memory to carry forward previously generated frames. However, we find that models can no longer reliably address stored content once rollouts extend beyond the training horizon, because temporal Rotary Positional Embeddings (RoPE) offsets then fall outside the range seen during training and the model struggles to retrieve the relevant visual information through attention. Moreover, naively compressing the cache in the RoPE-rotated space corrupts memory by averaging together incompatible positional phases. To address this, we propose WorldTrace, a training-free memory framework for long-horizon visual persistence. WorldTrace keeps compressed memory addressable by assigning each summary slot a distinct, in-distribution virtual position. Within this addressable cache, we study two memory compression approaches: WorldTrace-Field compresses history for temporal coherence, while WorldTrace-Landmark stores verbatim scene traces at detected transitions for episodic recall. We further introduce LoopBench, a benchmark evaluating whether a compressed cache can reconstruct a previously visited scene after a long detour. WorldTrace-Field improves temporal consistency by +15.5%, and WorldTrace-Landmark improves episodic recall by +19.5% on LoopBench, extending visually persistent generation without retraining.
Abstract（参考訳）: 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。これらのモデルは、以前生成されたフレームを転送するために、成長するビジュアルメモリとしてキーバリュー(KV)キャッシュに依存している。しかし,RoPEオフセットがトレーニング中に見られる範囲外に落ちて,そのモデルが注意を通して関連する視覚情報を取得するのに苦慮しているため,ロールアウトがトレーニング地平線を超えて広がると,モデルが格納されたコンテンツに確実に対処できなくなることが判明した。さらに、RoPE回転空間におけるキャッシュのNaively圧縮は、相反する位置位相を平均化することによってメモリを劣化させる。そこで本研究では,長期的視覚的永続性のためのトレーニング不要メモリフレームワークWorldTraceを提案する。 WorldTraceは、各サマリスロットを別個の分散仮想位置に割り当てることで、圧縮されたメモリアドレスを保持できる。このキャッシュ内では、2つのメモリ圧縮手法が検討されている: WorldTrace-Fieldは時間的コヒーレンスのために履歴を圧縮し、WorldTrace-Landmarkはエピソードリコールのために検出された遷移時に動詞のシーントレースを格納する。また,圧縮キャッシュが長時間の出入り後に来場したシーンを再構築できるかどうかを評価するベンチマークであるLoopBenchを導入する。 WorldTrace-Fieldは時間的一貫性を+15.5%改善し、WorldTrace-LandmarkはLoopBenchで+19.5%改善した。

関連論文リスト

Beyond Retrieval: Progressive Latent Memory Evolution for Streaming Video Understanding [64.34948094316685]
latentStreamは、ストリーミングメモリをストア・アンド・レトリーブから検索・インターナライズへシフトする、プログレッシブな潜伏型ワーキングメモリフレームワークです。 LatentStreamは、既存のオンラインおよびオフラインビデオベンチマークで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2026-09-03T17:28:14Z)
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)
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)
Towards Memory-Efficient Autoregressive Video Generation via Instance-Specific Parametric Absorption [37.96485836820005]
インスタンス比パラメトリック吸収(ISPA)は、KVキャッシュ圧縮を廃棄から蒸留に移行する新しいフレームワークである。また,ISPAはKVキャッシュの最大50%を視覚的品質で除去できることを示した。
論文参考訳（メタデータ） (2026-07-01T09:59:28Z)
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)
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)
Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
論文参考訳（メタデータ） (2026-06-08T17:54:10Z)
FlashMemory-DeepSeek-V4: Lightning Index Ultra-Long Context via Lookahead Sparse Attention [77.12062766962815]
Lookahead Sparse Attention (LSA)は、DeepSeek-V4アーキテクチャ上に構築されたNeural Memory Indexerを利用している。このアーキテクチャをバックボーンフリーの非結合なトレーニング戦略でインスタンス化する。 FM-DS-V4は、物理KVキャッシュのフットプリントを、フルコンテキストベースラインのわずか13.5%まで圧縮することを示した。
論文参考訳（メタデータ） (2026-06-08T06:25:54Z)
Teaching Video Generators to Remember: Eliciting Dynamic Memory for Out-of-Sight State Evolution [25.63670341165374]
ビデオモデルは、証拠が保存されていないときに進化する状態を維持すべきであるが、現在のジェネレータは割り込み時に隠れた状態を凍結することが多い。本稿では,メモリ指向データ,イベント認識トレーニング,キャッシュ型適応による動的メモリ動作を実現するフレームワークであるReMindを紹介する。
論文参考訳（メタデータ） (2026-05-25T01:30:41Z)
Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
論文参考訳（メタデータ） (2026-05-08T15:40:40Z)
MemRoPE: Training-Free Infinite Video Generation via Evolving Memory Tokens [34.228121359393775]
2つの共同設計コンポーネントを備えたトレーニングフリーフレームワークであるMemRoPEを紹介した。オンラインRoPEインデックスは、回転しないキーをキャッシュし、注意時に位置埋め込みを動的に適用する。 MemRoPEは、時間的コヒーレンス、視覚的忠実度、主観的一貫性において、毎分から1時間単位で既存の手法より優れている。
論文参考訳（メタデータ） (2026-03-12T23:14:16Z)

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。