論文の概要: SubjectAnchor: Subject-Aware Memory-to-Video for Multi-Shot Storytelling
- arxiv url: http://arxiv.org/abs/2609.34502v1
- Date: Mon, 28 Sep 2026 07:47:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 12:57:13.232191
- Title: SubjectAnchor: Subject-Aware Memory-to-Video for Multi-Shot Storytelling
- Title（参考訳）: SubjectAnchor:マルチショットストーリーテリングのための被写体認識メモリ・トゥ・ビデオ
- Abstract要約: 本稿では,過去の映像から抽出した明示的な視覚記憶を条件に,現在の映像を生成するマルチショットストーリーテリングのパラダイムであるAnchorを提案する。
SubjectAnchorには、主観的関連メモリ構成、主観的対応の時間的回転位置符号化、メモリ対応の注意分割という3つの重要なコンポーネントが含まれている。
実験により、Anchorは、競争力のある視覚的品質を維持しながら、代表的なメモリベースおよび全体的ベースラインよりも、ショット間のアイデンティティ整合性を向上することが示された。
- 参考スコア（独自算出の注目度）: 21.646374427564144
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present SubjectAnchor, a Subject-Aware Memory-to-Video paradigm for multi-shot storytelling in which the current shot is generated by conditioning on explicit visual memories extracted from previous shots. The objective is to preserve subject identity and scene consistency across cuts while retaining the controllability of shot-wise prompting. Built on Wan2.2-I2V-A14B, SubjectAnchor contains three key components: subject-related memory construction, subject-aware temporal rotary position encoding, and memory-aware attention partition. For each target shot, the method constructs a compact memory bank by tracing each required subject to its historical appearance and retrieving the most relevant precomputed keyframes. These memory frames are encoded into the model input as explicit visual conditions, while different subjects are assigned to separated negative temporal slots to reduce identity interference. In addition, memory-aware attention partition regulates the interaction between memory tokens and generated content within a shared backbone. This formulation preserves the appearance anchoring of explicit visual memory while remaining compatible with script-driven shot-by-shot generation. Experiments show that SubjectAnchor improves cross-shot identity consistency over representative memory-based and holistic baselines while maintaining competitive visual quality.
- Abstract（参考訳）: 本稿では,過去の映像から抽出した明示的な視覚記憶を条件に,現在の映像を生成するマルチショットストーリーテリングのための主観的メモリ・ビデオパラダイムであるAnchorを提案する。
目的は、ショットワイズプロンプトの制御性を保ちながら、カット全体にわたる主題のアイデンティティとシーンの一貫性を維持することである。
Wan2.2-I2V-A14Bをベースとして開発されたSubjectAnchorには、主観的関連メモリ構成、主観的対応の時間的回転位置符号化、メモリ対応のアテンションパーティションという3つの重要なコンポーネントが含まれている。
各ターゲットショットに対して、この方法は、必要となる各歴史的外観をトレースし、最も関連性の高いプリ計算されたキーフレームを取得することによって、コンパクトなメモリバンクを構築する。
これらのメモリフレームは、明示的な視覚条件として入力されたモデルに符号化され、異なる被験者は、アイデンティティ干渉を減らすために、分離された負の時間スロットに割り当てられる。
さらに、メモリ対応アテンションパーティションは、共有バックボーン内のメモリトークンと生成されたコンテンツ間のインタラクションを規制する。
この定式化は、スクリプト駆動のショット・バイ・ショット生成と互換性を維持しながら、明示的な視覚記憶の出現を保っている。
実験により、Anchorは、競争力のある視覚的品質を維持しながら、代表的なメモリベースおよび全体的ベースラインよりも、ショット間のアイデンティティ整合性を向上することが示された。
関連論文リスト
- AutoViewMem: Self-Configuring Orthogonal Views for Conversational Long-Term Memory [9.664219846744492]
AutoViewMemは、長期会話メモリをインデックス化する前に、自己設定型の低オーバーラップセマンティックビューに整理する。
この表現優先設計は、意味的証明を検索時間から書き込み時間に移行し、標準的なトップK類似性探索により、明示的なルーティングや反復的な検索をすることなく、集中した証拠を検索できる。
論文 参考訳（メタデータ） (2026-09-18T15:55:29Z) - 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) - 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) - Closed-Loop Triplet Synergistic Generation for Long-Form Video [61.88597038104749]
CoSyTriGenは、クローズドループビジュアル-テキスト-メモリのシナジープロセスとしてマルチショット長ビデオ生成を定式化するエージェントフレームワークである。
この三重項に対して視覚言語モデルに基づくアナライザが原因となり、2つの経路に沿ってプロンプトとメモリの両方を更新する。
StoryBenchベンチマークの実験では、代表法よりもクロスショット一貫性、即効性、撮影連続性を大幅に改善した。
論文 参考訳（メタデータ） (2026-06-15T03:56:43Z) - 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) - MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。
幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
論文 参考訳（メタデータ） (2026-05-27T06:04:19Z) - Q-GeoMem: Question-Guided Geometric Memory for Video Spatial Reasoning [53.96129188781529]
ビデオ空間推論のための質問誘導幾何メモリフレームワークを提案する。
カメラ条件の幾何学を 視覚トークンに注入し 2つの相補記憶を維持します
本研究は,評価空間推論モデルにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-26T17:26:29Z) - EM-Vid: Training-Free Entity-Centric Memory for Efficient and Consistent Multi-Shot Video Generation [18.052867824594347]
マルチショットビデオ生成には、ショット間で連続的なエンティティの出現を維持する必要がある。
最近の自己回帰手法は、以前生成されたフレームをメモリとして再利用する。
我々は、潜伏パッチのエンティティインデックスバンクという形でエンティティ中心のメモリを提案する。
論文 参考訳（メタデータ） (2026-05-22T13:20:29Z) - 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) - Video Object Segmentation with Episodic Graph Memory Networks [198.74780033475724]
セグメント化モデルを更新する学習」という新しいアイデアに対処するために,グラフメモリネットワークが開発された。
我々は、完全に連結されたグラフとして構成されたエピソードメモリネットワークを利用して、フレームをノードとして保存し、エッジによってフレーム間の相関をキャプチャする。
提案したグラフメモリネットワークは、一発とゼロショットの両方のビデオオブジェクトセグメンテーションタスクをうまく一般化できる、巧妙だが原則化されたフレームワークを提供する。
論文 参考訳（メタデータ） (2020-07-14T13:19:19Z)
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。