論文の概要: GleanVID: Complementary Token Selection for Efficient Video Large Language Models

• arxiv url: http://arxiv.org/abs/2609.37042v1
• Date: Tue, 29 Sep 2026 08:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.34288
• Title: GleanVID: Complementary Token Selection for Efficient Video Large Language Models
• Title（参考訳）: GleanVID: 効率的なビデオ大言語モデルのための補足型トークン選択
• Abstract要約: 本稿では,ビデオLLMのためのトレーニングフリー推論アクセラレーションフレームワークであるGleanVIDを紹介する。 GleanVIDは、まず、時間的ノベルティに従ってフレーム間でグローバルトークン予算を割り当て、次いで、局所的な代表性と部分空間の相補性を共同で考慮してトークンを選択する。 さまざまなVideoLLMとベンチマークによる実験は、GleanVIDが一貫して最先端のパフォーマンスを実現していることを示している。
• 参考スコア（独自算出の注目度）: 38.60858766838781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video Large Language Models (VideoLLMs) have achieved strong video understanding capabilities but incur substantial inference overhead due to the large number of visual tokens. Existing VideoLLM token compression methods largely rely on selection-independent scoring, overlooking cross-frame complementarity and consequently retaining redundant evidence across frames. Instead, we view video token selection as a progressive evidence accumulation process. It aims to retain visual evidence that is individually informative and collectively complementary under a limited token budget. Building on this insight, we introduce GleanVID, a training-free inference acceleration framework for VideoLLMs. Specifically, GleanVID first allocates the global token budget across frames according to temporal novelty and then selects tokens by jointly considering local representativeness and subspace complementarity, thereby preserving richer and less redundant visual evidence. Extensive experiments across diverse VideoLLMs and benchmarks demonstrate that GleanVID consistently achieves state-of-the-art performance. Notably, with only 25% of visual tokens, GleanVID preserves 98.6% of Qwen3-VL's original performance while reducing its prefill latency by 44.7%. On LLaVA-OV-7B, GleanVID at a 25% retention ratio even slightly surpasses the original model.
• Abstract（参考訳）: Video Large Language Models (VideoLLMs) は強力なビデオ理解機能を実現しているが、大量の視覚トークンのためにかなりの推論オーバーヘッドを発生させている。 既存のVideoLLMトークン圧縮法は、フレーム間の相補性を見越して、フレーム間の冗長な証拠を保持する、選択非依存のスコアリングに大きく依存している。 代わりに、ビデオトークンの選択をプログレッシブエビデンス蓄積プロセスと見なしている。 限定的なトークン予算の下で、個別に情報的かつ総合的に補完的な視覚的証拠を維持することを目的としている。 この知見に基づいて,ビデオLLMのためのトレーニングフリー推論アクセラレーションフレームワークであるGleanVIDを紹介する。 具体的には、GleanVIDは、まず時間的ノベルティに従ってフレーム全体のグローバルトークン予算を割り当て、次に、局所的な代表性と部分空間の相補性を共同で考慮してトークンを選択し、よりリッチで冗長な視覚的証拠を保存する。 多様なVideoLLMとベンチマークにわたる大規模な実験は、GleanVIDが一貫して最先端のパフォーマンスを実現していることを示している。 特に、視覚トークンの25%しか持たないGleanVIDは、Qwen3-VLのオリジナルの性能の98.6%を保ち、プリフィル遅延を44.7%削減している。 LLaVA-OV-7Bでは、GleanVIDが25%保持率で元のモデルよりわずかに上回っている。

関連論文リスト

• Gaussian Mixture Modeling for Event-Aware Visual Allocation in Long Video Understanding [55.04091863981529]
  LVLM(Large Vision-Language Models)は、一様サンプリングに伴う計算コストと情報損失により、長いビデオ理解において重大な課題に直面している。 本稿ではGMM-EVAを提案する。GMM-EVAはガウス混合モデルを用いて離散フレームからイベントレベルの構造をモデル化する。 次に、時間的文脈を維持しトークン予算を最適化するために低分解能二次観測を用いながら、高忠実度詳細のためにイベント毎の1次高分解能を1つ保持するために、分化したアロケーション戦略を適用する。
  論文  参考訳（メタデータ） (2026-07-14T09:27:25Z)
• GIFT: Global Irreplaceability Frame Targeting for Efficient Video Understanding [63.62445065977448]
  GIFT: Global Irreplaceability Frame Targetingはトレーニング不要のフレームワークで、固有の非配置性を評価してフレームを選択する。 GIFTは,LLaVA-Video-7Bの長文ビデオベンチマークにおいて,一様サンプリングに比べて最大12.5%向上したことを示す。
  論文  参考訳（メタデータ） (2026-03-26T06:21:41Z)
• Keeping the Evidence Chain: Semantic Evidence Allocation for Training-Free Token Pruning in Video Temporal Grounding [16.537148896706036]
  Video Temporal Grounding (VTG)は、クエリ関連モーメントの時間的境界を、長い、トリミングされていないビデオでローカライズする。 本稿では,セマンティックな役割を持つコンパクトだがコヒーレントなトークンサブセットを構成する,トレーニング不要なプルーニングフレームワークSemVIDを提案する。
  論文  参考訳（メタデータ） (2026-03-05T20:25:32Z)
• FlashVID: Efficient Video Large Language Models via Training-free Tree-based Spatiotemporal Token Merging [27.981298261747288]
  FlashVIDはビデオ大言語モデル(VLLM)のためのトレーニング不要のアクセラレーションフレームワークである 基本的なビデオ表現のために最も代表的なトークンを選択し、その後、微細な時間的冗長性にTree-based Stemporal Tokenging (TSTM)を適用する。 FlashVIDは、長いビデオフレームを拡張するためのトレーニングフリーでプラグアンドプレイモジュールとして機能し、Qwen2.5-VLに入力されるビデオフレームを10倍増やすことができる。
  論文  参考訳（メタデータ） (2026-02-08T15:56:46Z)
• VTok: A Unified Video Tokenizer with Decoupled Spatial-Temporal Latents [33.80068883432077]
  この作業では、生成と理解の両方に使用できる統合ビデオトークン化フレームワークであるVTokを紹介している。 本稿では,映像の空間的・時間的表現を1つのキーフレームの空間的特徴を保ちながら,各フレームを1つの残差トークンに符号化することで分離することを提案する。 実験の結果,VTokはフレーム数とフレーム単位のトークン数から,映像表現の複雑さをその和に効果的に還元することがわかった。
  論文  参考訳（メタデータ） (2026-02-04T04:39:46Z)
• FLoC: Facility Location-Based Efficient Visual Token Compression for Long Video Understanding [55.700832127331324]
  FLoCは、施設位置関数に基づく効率的なビジュアルトークン圧縮フレームワークである。 本手法は,トークンのコンパクトな部分集合を迅速に選択することにより,顕著な効率向上を実現する。 私たちのアプローチは、トレーニング不要、モデル非依存、クエリ非依存で、汎用的なソリューションを提供しています。
  論文  参考訳（メタデータ） (2025-10-31T17:29:39Z)
• BOLT: Boost Large Vision-Language Model Without Training for Long-form Video Understanding [51.49345400300556]
  大規模ビデオ言語モデル (VLM) は様々なビデオ理解タスクにおいて有望な進歩を示した。 均一なフレームサンプリングのような伝統的なアプローチは、必然的に無関係なコンテンツにリソースを割り当てる。 本稿では,フレーム選択戦略の総合的研究を通じて,付加的なトレーニングを伴わずに大規模VLMをブーストする方法であるBOLTを紹介する。
  論文  参考訳（メタデータ） (2025-03-27T13:18:40Z)
• GenRec: Unifying Video Generation and Recognition with Diffusion Models [84.09742789053206]
  我々は、ランダムフレーム条件付けプロセスでトレーニングされた最初の統一フレームワークであるGenRecを紹介する。 実験は、認識と生成の両方にGenRecの有効性を示す。 GenRecは、クラス条件のイメージ・ツー・ビデオ生成でも最高のパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2024-08-27T17:59:41Z)

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。