論文の概要: LayerRecall: A State-Conditioned Memory Router for Long-Horizon Consistency in Video Generation
- arxiv url: http://arxiv.org/abs/2608.28460v1
- Date: Fri, 28 Aug 2026 15:49:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.385799
- Title: LayerRecall: A State-Conditioned Memory Router for Long-Horizon Consistency in Video Generation
- Title（参考訳）: LayerRecall: ビデオ生成における長距離一貫性のためのステートコンディションメモリルータ
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.878882105342182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autoregressive video diffusion enables scalable long-video generation by producing chunks from a bounded recent context. While recency-based caching preserves local continuity, it evicts historical cues needed when subjects, objects, scenes, or attributes reappear. Existing memory mechanisms expose models to nonlocal history, but access alone does not ensure effective use. Our analysis reveals that video DiT layers exhibit distinct preferences for current, recent, and distant context, suggesting that long-range memory requires deciding both what to retrieve and where to use it. We introduce LayerRecall, a current-conditioned, layer-selective memory router that retrieves relevant historical K/V states and injects them only into backbone-specific memory-sensitive layers while preserving local attention elsewhere. To reduce reliance on scarce high-quality long-horizon videos and explicit memory-allocation labels, we further propose Cross-Horizon Prediction Matching (CHPM), which uses a privileged long-context reference to supervise the bounded-memory router in prediction space. Across 100 multi-shot evaluation prompts, LayerRecall achieves the best overall results on MemoBench and MovieBench while matching its backbone on VBench-Long, demonstrating stronger long-range recovery without sacrificing local continuity. Qualitative analyses further reveal memory-guided self-correction, whereby initially mismatched local attributes return to their historical appearance without resetting ongoing motion or scene structure. Additional analyses show cross-backbone portability and negligible inference overhead.
- Abstract（参考訳）: 自動回帰ビデオ拡散は、境界付けられた最近のコンテキストからチャンクを生成することにより、スケーラブルな長ビデオ生成を可能にする。
遅延ベースのキャッシュは局所的な連続性を保っているが、主題、オブジェクト、シーン、属性が再出現するために必要な歴史的手がかりを排除している。
既存のメモリメカニズムは、モデルを非ローカル履歴に公開するが、アクセスだけでは有効利用が保証されない。
分析の結果,ビデオDiT層は,現在,現在,現在,遠隔の状況に対して異なる嗜好を示すことが明らかとなった。
私たちはLayerRecallを紹介します。LayerRecallは、現在の条件付き、レイヤ選択型メモリルータで、関連するK/V状態を取得し、ローカルな注意を他の場所で保ちながら、バックボーン固有のメモリ依存層にのみ注入します。
さらに,高画質長軸ビデオと明示的なメモリ割り当てラベルへの依存を軽減するために,有界メモリルータの予測空間における監督のために,特権付き長コンテキスト参照を用いたクロス水平予測マッチング(CHPM)を提案する。
マルチショット評価のプロンプトは100以上あり、LayerRecallはMemoBenchとMovieBenchの総合的な結果を達成すると同時に、VBench-Longのバックボーンをマッチングすることで、局所的な連続性を犠牲にすることなく、より強力な長距離リカバリを実現している。
質的な分析により、メモリ誘導による自己補正がさらに明らかになり、初期は不一致のローカル属性が、進行中の動作やシーン構造をリセットすることなく、その歴史的な外観に戻る。
追加分析では、クロスバックボーンポータビリティと無視可能な推論オーバーヘッドが示されている。
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) - MARCH: Scaling Recurrent Memory with Content-Routed State Anchors [41.39470291507015]
トランスフォーマーはその強い長文検索能力の多くを、コンテキスト長で成長するトークンレベルのメモリに負っている。
リカレントな代替手段は、履歴全体を固定サイズの状態に圧縮することで効率的な復号化を提供する。
メモリ・アンカー・ルーティング(Memory-Anchor Routing across Context History, MARCH)は、状態空間モデルを固定次元を超えて効果的にスケールするネットワークアーキテクチャである。
論文 参考訳（メタデータ） (2026-08-12T13:45:01Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - What Should a Streaming Video Model Remember? [28.189301152079214]
ストリーミングビデオ理解モデルは、現在進行中のストリームの間、常にクエリに答えなければならない。
提案するTextbfSelectStreamは,クエリ条件のコンパクトなエビデンス予算を通じてのみ履歴情報を公開しながら,現在の観測結果を凍結したVLMに直接可視的に保持する,選択的潜在メモリフレームワークである。
実験の結果、SelectStreamは強力なオンラインストリーミング性能を示し、一般的なビデオ理解を保ち、StreamingBenchでは82.67%、OVO-Benchでは67.03%、オフラインビデオベンチマークでは74.4%に達した。
論文 参考訳（メタデータ） (2026-06-15T07:50:19Z) - 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) - 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) - 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) - 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)
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。