論文の概要: Weave Forcing: Compositional Memory Routing for Interactive Long Video Generation
- arxiv url: http://arxiv.org/abs/2610.03510v1
- Date: Fri, 02 Oct 2026 16:04:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.468813
- Title: Weave Forcing: Compositional Memory Routing for Interactive Long Video Generation
- Title（参考訳）: Weave Forcing: 対話型ロングビデオ生成のためのコンポジションメモリルーティング
- Abstract要約: 本稿では,対話型長ビデオ生成におけるコンポジションメモリ再利用のためのトレーニングフリーフレームワークであるWeave Forcingを紹介する。
ユーザプロンプトを文字と背景記述に分解するために,LLMを用いてセマンティックスロットルーティングを行う。
また,非,部分的,あるいは全参照カバレッジに応じて,時間的オフセットとメモリ保持を調整するために,カバレッジ適応型RoPEを導入する。
- 参考スコア（独自算出の注目度）: 20.30930202544057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in autoregressive video generation have improved temporal consistency over extended durations, yet interactive storytelling requires more than continuous scene extension: a new shot may combine characters and backgrounds from different historical shots. Whole prompt retrieval can overlook the distinct reference needs of individual components, while directly combining all historical memories may introduce unrelated visual content. To address these problems, we present Weave Forcing, a training-free framework for compositional memory reuse in interactive long video generation. First, we use an LLM for semantic slot routing to decompose user prompts into character and background descriptions and explicitly select suitable historical references for each component. To isolate the required content, masked memory weaving uses contrasting attention maps conditioned on semantic slots to construct refined semantic masks, selectively exposing relevant tokens from compressed historical KV memories to guide the generation of the current shot. We further introduce coverage adaptive RoPE to adjust temporal offsets and memory retention according to no, partial, or full reference coverage, addressing visual artifacts observed when incomplete historical references are positioned close to the current generation. Extensive experiments demonstrate that Weave Forcing improves cross-shot subject and background consistency while maintaining competitive visual quality and text alignment.
- Abstract（参考訳）: 近年の自己回帰ビデオ生成の進歩により、時間的一貫性は長期にわたって改善されているが、インタラクティブなストーリーテリングは連続的なシーンの拡張以上のものを必要としている。
全体的即時検索は個々のコンポーネントの異なる参照要求を軽視することができる一方で、すべての歴史的記憶を直接組み合わせることで、無関係な視覚的コンテンツを導入することができる。
これらの問題に対処するために,対話型長ビデオ生成におけるコンポジションメモリ再利用のためのトレーニングフリーフレームワークWeave Forcingを提案する。
まず,LLMを用いてユーザプロンプトを文字と背景記述に分解し,各コンポーネントに適した履歴参照を明示的に選択する。
必要なコンテンツを分離するために、マスク付きメモリウィービングでは、セマンティックスロットに条件付き注目マップを対比して洗練されたセマンティックマスクを構築し、圧縮された歴史的KVメモリから関連するトークンを選択的に公開し、現在のショットの生成を誘導する。
さらに,不完全な歴史的参照が現在世代に近い位置にある場合に観測される視覚的アーティファクトに対処するため,時間的オフセットとメモリ保持を調整するためのカバレッジ適応型RoPEを導入する。
大規模な実験では、Weave Forcingは、競合する視覚的品質とテキストアライメントを維持しながら、クロスショットの主題とバックグラウンドの一貫性を改善している。
関連論文リスト
- Complementary Retrieval-Augmented Prompting for Consistent Long-Form Video Generation [18.03444979441404]
既存のトレーニングなしのアプローチは、典型的には、回収された歴史的ビジュアルを使用して標的ショットを条件付けする。
本稿では,コンパクトな相互支援型歴史的参照集合を集約するエージェントフレームワークであるComplementary Retrieval-Augmented Promptingを提案する。
本フレームワークは,ナラティブスクリプトをテキストグラウンドのビジュアル要素レジストリに解析することで,各ターゲットが必要とするビジュアル要素を明示的にモデル化する。
論文 参考訳（メタデータ） (2026-09-29T12:43:27Z) - SubjectAnchor: Subject-Aware Memory-to-Video for Multi-Shot Storytelling [21.646374427564144]
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。
論文 参考訳（メタデータ） (2026-09-28T07:47:44Z) - 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) - Spatial-Temporal Decoupled Reference Conditioning for Identity-Preserving Text-to-Video Generation [79.94088803584262]
アイデンティティ保存ビデオ生成(IPVG)は、参照IDを保持しながらテキストプロンプトに従う高忠実度ビデオの合成を目的としている。
そこで我々は,ST-DRCを提案する。ST-DRCは,個人認証を保存したテキスト・ビデオ生成のための効果的な空間的疎結合参照条件作成フレームワークである。
LTX-2.3 上に構築した軽量な設計により,ST-DRC は強いアイデンティティ保存,迅速なアライメント,時間的整合性,映像品質を実現する。
論文 参考訳（メタデータ） (2026-06-01T16:12:18Z) - OCR-Memory: Optical Context Retrieval for Long-Horizon Agent Memory [12.240259398680259]
OCR-Memoryは、エージェント体験の高密度表現として視覚的モダリティを活用するメモリフレームワークである。
OCR-Memoryは、Emphlocate-and-transcribeパラダイムを通じて格納されたエクスペリエンスを検索し、視覚アンカーを通じて関連する領域を選択し、対応する動詞のテキストを検索する。
論文 参考訳（メタデータ） (2026-04-29T12:49:30Z) - 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) - AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation [58.844504598618094]
本稿では、被験者駆動ビデオ生成のための明示的なタイムスタンプ条件付きフレームワークAlcheMinTを提案する。
提案手法では,時間間隔の符号化を解き放つ新しい位置符号化機構を導入する。
我々は、視覚的アイデンティティとビデオキャプションの結合を強化するために、主観記述型テキストトークンを導入し、世代間あいまいさを緩和する。
論文 参考訳（メタデータ） (2025-12-11T18:59:34Z) - ContextAnyone: Context-Aware Diffusion for Character-Consistent Text-to-Video Generation [36.29956463871403]
テキスト・ツー・ビデオ(T2V)生成は急速に進歩しているが、シーン間で一貫した文字のアイデンティティを維持することは大きな課題である。
テキストと単一の参照画像から文字一貫性のある映像を生成するコンテキスト対応拡散フレームワークである textbfContextAnyone を提案する。
提案手法は,参照画像を共同で再構成し,新しいビデオフレームを生成する。
論文 参考訳（メタデータ） (2025-12-08T09:12:18Z) - InfLVG: Reinforce Inference-Time Consistent Long Video Generation with GRPO [73.33751812982342]
InfLVGは、追加のロングフォームビデオデータを必要としないコヒーレントなロングビデオ生成を可能にする推論時フレームワークである。
InfLVGはビデオ長を最大9$times$まで拡張でき、シーン間の一貫性とセマンティック忠実性を実現することができる。
論文 参考訳（メタデータ） (2025-05-23T07:33:25Z) - Make-A-Story: Visual Memory Conditioned Consistent Story Generation [57.691064030235985]
本稿では,アクタと背景コンテキストを暗黙的にキャプチャするビジュアルメモリモジュールを備えた,自己回帰拡散に基づく新しいフレームワークを提案する。
本手法は,視覚的品質の高いフレーム生成において,先行技術よりも優れていた。
MUGEN, PororoSV, FlintstonesSVデータセット上でのストーリー生成実験により, この手法は, 視覚的品質の高いフレーム生成において, 先行技術よりも優れるだけでなく, キャラクタと背景との適切な対応をモデル化した。
論文 参考訳（メタデータ） (2022-11-23T21:38:51Z)
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。