論文の概要: Honeycomb: Constant-Size Scene Memory Representation for Video World Models

• arxiv url: http://arxiv.org/abs/2609.37690v1
• Date: Tue, 29 Sep 2026 14:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.634539
• Title: Honeycomb: Constant-Size Scene Memory Representation for Video World Models
• Title（参考訳）: Honeycomb:ビデオワールドモデルのための定サイズシーンメモリ表現
• Abstract要約: ビデオワールドモデルは、長期ビデオ生成時の一貫性を維持するためにシーンメモリを必要とする。 We introduced **Honeycomb*, a video world model built on HexMemory**, a compact low-rank representation that stored features in a fixed-size memory。 WorldScoreとRealEstate10Kの実験は、以前に観測された領域を再検討する際に、強力なビデオ生成品質と堅牢な一貫性を示す。
• 参考スコア（独自算出の注目度）: 19.478192594069455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video world models require persistent scene memory to maintain consistency during long-horizon video generation. Existing spatial memory systems accumulate RGB observations or latent features, causing storage requirements to grow as generation proceeds. We introduce **Honeycomb**, a video world model built on **HexMemory**, a compact low-rank representation that stores scene features in a fixed-size memory comprising six spatial and spatiotemporal planes. A feed-forward writer maps each newly generated video chunk to plane features. As the spatial coverage or temporal range expands, HexMemory warps the existing planes while preserving their dimensions, then integrates new features through confidence-weighted pooling and a learned residual correction. A reader retrieves latent features from HexMemory to condition subsequent video generation. Because the writer processes only observations from the latest chunk, Honeycomb avoids per-scene optimization and repeated processing of the full generation history. Experiments on WorldScore and RealEstate10K demonstrate strong video generation quality and robust consistency when revisiting previously observed regions, while maintaining constant feature-storage requirements throughout generation. Code and additional visualizations are available on our https://jackswl.github.io/honeycomb/.
• Abstract（参考訳）: ビデオワールドモデルは、長時間水平ビデオ生成時の一貫性を維持するために永続的なシーンメモリを必要とする。 既存の空間記憶システムは、RGBの観測や遅延した特徴を蓄積し、生成が進むにつれてストレージの要求が増大する。 我々は,**Honeycomb*,*HexMemory**上に構築されたビデオワールドモデルを紹介した。 フィードフォワードライターは、新たに生成された各ビデオチャンクを平面特徴にマッピングする。 空間的範囲や時間範囲が拡大するにつれて、HexMemoryは次元を保ちながら既存の平面をワープし、信頼度重み付けと学習された残留補正によって新しい特徴を統合する。 読み手は、HexMemoryから潜伏した特徴を検索し、後続のビデオ生成を条件とする。 ライターは最新のチャンクからの観察のみを処理するため、Honeycombはシーンごとの最適化とフル世代履歴の繰り返し処理を避けている。 WorldScoreとRealEstate10Kの実験は、以前観察された領域を再検討する際、強力なビデオ生成品質と堅牢な一貫性を示しながら、世代毎に一定の特徴保存要件を維持している。 コードとさらなる視覚化は、https://jackswl.github.io/honeycomb/.com/で公開されています。

関連論文リスト

• WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory [60.18419531120148]
  我々は、この目的のためにカメラクエリ可能な暗黙的な3Dメモリを学ぶビデオワールドモデルであるWorldCrafterを紹介する。 重要な洞察は、要求された視点をビデオジェネレータの限定トークン予算にマルチビューエビデンスを圧縮する方法を形作ることである。 静的および動的シーンにわたる実験では、長距離一貫性とカメラ制御精度が大幅に向上した。
  論文  参考訳（メタデータ） (2026-09-21T17:57:06Z)
• RECAP-Forcing: Retaining Content Appearances for Long Video Generation [37.756464872090596]
  外観の新規性によって記憶を整理するRECAP-Forcingを提案する。 長いビデオは単なるフレームの連続ではなく、主題、オブジェクト、シーンの進化したキャストである。 ビデオが進化するにつれて、光フローベースのノベルティバンクは、新たに公開されたコンテンツを選択的に保持することで、同じ原理を拡張する。
  論文  参考訳（メタデータ） (2026-08-27T06:24:59Z)
• Addressable Memory for Video World Models [50.40232922140905]
  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。
  論文  参考訳（メタデータ） (2026-08-07T16:55:57Z)
• 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)
• Geometry-Aware Implicit Memory for Video World Models [29.522291951915577]
  GIM-Worldは、ビデオワールドモデルのための幾何学的な暗黙記憶フレームワークである。 カメラクエリ可能な幾何ヘッドは、凍結基礎モデルからトレーニング中にメモリに3Dシーン構造を蒸留する。 MINDの実験では、GIM-Worldは明示的メモリベースラインと暗黙的メモリベースラインの両方よりも、長期の幾何学的および視覚的一貫性を保っている。
  論文  参考訳（メタデータ） (2026-06-01T16:08:43Z)
• Memorize When Needed: Decoupled Memory Control for Spatially Consistent Long-Horizon Video Generation [22.26820693283945]
  本稿では,メモリコンディショニングと生成を分離する分離されたフレームワークを提案する。 我々は、歴史的観測から正確な空間整合性を学ぶために、軽量で独立したメモリブランチを使用している。 提案手法は,視覚的品質と空間的整合性の両方の観点から,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-04-20T13:00:17Z)
• Spatia: Video Generation with Updatable Spatial Memory [60.21619361473996]
  Spatiaは空間記憶を意識したビデオ生成フレームワークで、3Dシーンポイントクラウドを永続的な空間記憶として保存する。 Spatiaは、この空間記憶上にコンディションされたビデオクリップを反復的に生成し、視覚SLAMを通じて継続的に更新する。 Spatiaは、明示的なカメラ制御や3D対応のインタラクティブな編集などのアプリケーションを可能にし、スケーラブルでメモリ駆動のビデオ生成のための幾何学的な基盤となるフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-12-17T18:59:59Z)
• Video World Models with Long-term Spatial Memory [110.530715838396]
  本稿では,ビデオワールドモデルの長期的整合性を高める新しい枠組みを提案する。 我々のフレームワークは、長期空間記憶から情報を保存・取得する機構を含んでいる。 評価の結果,関連するベースラインに比べて品質,一貫性,コンテキスト長が向上した。
  論文  参考訳（メタデータ） (2025-06-05T17:42:34Z)

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。