論文の概要: Tether the Subject, Release the Scene: Query-Aware Memory Routing for Long-Horizon Autoregressive Video Generation

• arxiv url: http://arxiv.org/abs/2608.26902v1
• Date: Thu, 27 Aug 2026 10:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.340335
• Title: Tether the Subject, Release the Scene: Query-Aware Memory Routing for Long-Horizon Autoregressive Video Generation
• Title（参考訳）: Tether the Subject, Release the Scene: Query-Aware Memory Routing for Long-Horizon Autoregressive Video Generation
• Abstract要約: 本稿では,フリーズビデオジェネレータ用のクエリ対応メモリルータStreamingMemを紹介する。 TetherMemは、主題とシーンのクエリを分離し、地域と年齢の条件で履歴アクセスを変調する。 完全な30秒のビデオでは、背景、視点、シーンの状態の変化を保ちながら、被写体認識性と時間的連続性を維持する。
• 参考スコア（独自算出の注目度）: 52.12619606640385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming autoregressive video models generate long videos chunk by chunk, using historical memory to maintain consistency. Existing methods typically expose subject and scene queries to history through similar policies. This stabilizes the subject, but can also lock backgrounds, viewpoints, and scene structure to previously generated states even when local motion continues. We call this failure memory-anchored scene under-progression; consistency and motion metrics alone can miss it. We introduce TetherMem, a training-free, query-aware spatiotemporal memory router for frozen video generators. TetherMem separates subject and scene queries and modulates historical access with region- and age-conditioned priors: subject queries retain identity-bearing history, while scene queries reduce reliance on subject history and stale backgrounds. Across 2,400 blinded pairwise judgments from 10 annotators, TetherMem achieves the highest estimated expected preference among eight streaming long-video baselines for overall quality (0.780) and scene progression (0.769). On complete 30-second videos, it sustains changes in background, viewpoint, and scene state while preserving subject recognizability and temporal continuity.
• Abstract（参考訳）: 自動回帰ビデオモデルのストリーミングは、一貫性を維持するために履歴メモリを使用して、長いビデオチャンクをチャンク単位で生成する。 既存のメソッドは通常、同様のポリシーを通じて主題とシーンのクエリを履歴に公開する。 これは被写体を安定化させるだけでなく、背景、視点、シーン構造を局所的な動きが継続しても以前に生成された状態にロックすることもできる。 私たちはこの障害をメモリアンカレートされたシーンアンダープログレッション( under-progression)と呼びます。 冷凍ビデオジェネレータのためのトレーニング不要でクエリ対応の時空間メモリルータTetherMemを紹介する。 TetherMemは、被写体とシーンのクエリを分離し、被写体クエリが同一性を持つ履歴を保持するのに対して、被写体クエリは被写体の歴史と古い背景への依存を減らす。 10のアノテータによる2,400件の盲目対判定のうち、テザメムは、全体的な品質 (0.780) とシーン進行 (0.769) の8つのストリーミング長ビデオベースラインの中で、最も高い予測された選好を達成している。 完全な30秒のビデオでは、背景、視点、シーンの状態の変化を保ちながら、被写体認識性と時間的連続性を維持する。

関連論文リスト

• 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)
• Memento: Reconstruct to Remember for Consistent Long Video Generation [33.84564823908538]
  ロングフォームビデオ生成は、様々なショット、視点、動き、シーン遷移において、連続した被写体を維持する必要がある。 メトンは、被写体保存を明示的なアイデンティティ基盤問題として扱う、被写体再構成誘導フレームワークである。 Metonは、長期的な主題整合性、クロスショットコヒーレンス、視覚的品質において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） (2026-06-12T17:37:13Z)
• TetherCache: Stabilizing Autoregressive Long-Form Video Generation with Gated Recall and Trusted Alignment [51.33418612284208]
  ドリフト耐性長ビデオ生成のためのトレーニングフリーでプラグアンドプレイのキャッシュ管理戦略であるTetherCacheを提案する。 Gated Recall with Attention-Diversity Balancingは、ゲートスコアを使用して長距離メモリフレームを選択する。 TAMEは、信頼されたコンテキスト分布に統計を合わせることで、新しくリコールされたメモリトークンを軽量に編集する。
  論文  参考訳（メタデータ） (2026-06-11T08:16:08Z)
• 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-Forcing: A Scene Memory Framework for Interactive Long Video Generation [48.476317015122625]
  Echo-Forcingは、インタラクティブなロングビデオ生成のためのトレーニング不要のシーンメモリフレームワークである。 キャッシュのバウンダリでスムーズなトランジション、ハードカット、長距離シーンリコールをサポートする。
  論文  参考訳（メタデータ） (2026-05-15T14:33:09Z)
• Seeing the Scene Matters: Revealing Forgetting in Video Understanding Models with a Scene-Aware Long-Video Benchmark [13.365117498062565]
  この研究はシーンを、視覚的コンテキストと意味的コンテキストの両方が一貫したビデオのコヒーレントなセグメントとして定義する。 我々は、シーンレベルの課題を提供するために設計された新しいベンチマークであるSceneBenchを紹介した。 Scene-RAGはVLMの性能を+2.50%改善し、現在のモデルが長いコンテキスト保持に苦戦していることを確認した。
  論文  参考訳（メタデータ） (2026-03-28T12:44:19Z)
• Mixture of Contexts for Long Video Generation [72.96361488755986]
  我々は長文ビデオ生成を内部情報検索タスクとして再放送する。 本稿では,学習可能なスパークアテンション・ルーティング・モジュールであるMixture of Contexts (MoC) を提案する。 データをスケールしてルーティングを徐々に分散させていくと、そのモデルは計算を適切な履歴に割り当て、アイデンティティ、アクション、シーンを数分のコンテンツで保存する。
  論文  参考訳（メタデータ） (2025-08-28T17:57:55Z)
• SceneRAG: Scene-level Retrieval-Augmented Generation for Video Understanding [6.980340270823506]
  SceneRAGは,映像を物語に一貫性のあるシーンに分割するフレームワークである。 各シーンについて、このフレームワークは視覚とテキストの両方のモダリティから情報を融合し、エンティティ関係を抽出する。 LongerVideosベンチマークの実験では、134時間以上の多様なコンテンツがあり、SceneRAGが以前のベースラインを大幅に上回っていることを確認した。
  論文  参考訳（メタデータ） (2025-06-09T10:00:54Z)
• Generating Long Videos of Dynamic Scenes [66.56925105992472]
  本稿では、物体の動きを再現する映像生成モデル、カメラ視点の変化、時間とともに現れる新しいコンテンツについて述べる。 よくある障害ケースは、コンテンツが時間的一貫性を提供する誘導バイアスに過度に依存するため、決して変化しないことです。
  論文  参考訳（メタデータ） (2022-06-07T16:29:51Z)

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。