論文の概要: Keepsake: Selective Spatial Memory for Long-Horizon Video Generation

• arxiv url: http://arxiv.org/abs/2610.06588v1
• Date: Mon, 05 Oct 2026 16:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:23:42.154302
• Title: Keepsake: Selective Spatial Memory for Long-Horizon Video Generation
• Title（参考訳）: Keepsake: 長距離ビデオ生成のための選択的な空間記憶
• Abstract要約: ロングホライゾンカメラ制御ビデオ生成は、シーンの一貫性を維持するために永続メモリに依存している。 既存のシステムは、この一貫性を達成するための2つの戦略に従う。 固定容量空間記憶のためのオンライントレーニングフリーコントローラであるKeepsakeを紹介する。
• 参考スコア（独自算出の注目度）: 57.166020875486474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon camera-controlled video generation relies on persistent memory to maintain scene consistency. Existing systems follow two strategies to achieve this consistency. Full-history approaches retain all generated observations, causing unbounded storage and retrieval costs. Selective-construction approaches reduce redundancy, but make one-time retention decisions that are never revisited, even as an observation's value changes with the evolving memory bank. Both strategies leave a shared question unresolved: as the generated history evolves, which stored observations should still remain in memory? Our key insight is that the value of a stored observation is not fixed, but relational: it depends on the alternatives currently available in the memory bank. A view supported by many geometrically and visually similar substitutes can be relinquished with little loss of coverage, whereas an observation with few viable alternatives should remain regardless of age. We introduce Keepsake, an online, training-free controller for fixed-capacity spatial memory. At each update, Keepsake constructs a pose-appearance graph over retained and newly generated observations, combining camera-pose proximity with visual similarity. A retention priority jointly captures the number of strong substitutes and the similarity of the closest alternative, allowing Keepsake to continually reassess memory value, preserve observations with little alternative support, and evict highly replaceable ones under a fixed budget. The controller modifies only the persistent-memory update; the host generator, denoising schedule, and retrieval rule remain unchanged. Across MemCam and WorldMem, Keepsake improves FVD and LPIPS under a fixed memory budget. On 180-second MemCam trajectories, it retains only 32 of 5,397 frames while reducing FVD by 35.1%.
• Abstract（参考訳）: ロングホライゾンカメラ制御ビデオ生成は、シーンの一貫性を維持するために永続メモリに依存している。 既存のシステムは、この一貫性を達成するための2つの戦略に従う。 フルヒストリーのアプローチは、生成されたすべての観測を保ち、無制限の保存と検索コストを発生させる。 Selective-Constructionアプローチは冗長性を低下させるが、進化するメモリバンクで観測値が変化しても、再検討されない1回の保持決定を行う。 両方の戦略は共有された質問を未解決のまま残している。 私たちのキーとなる洞察は、保存された観測値が固定されているのではなく、リレーショナルであるということです。 多くの幾何学的および視覚的に類似した代替品が支持するビューは、カバーがほとんど失われることなく放棄することができるが、有効な代替品をほとんど持たない観察は、年齢に関係なく継続すべきである。 固定容量空間記憶のためのオンライントレーニングフリーコントローラであるKeepsakeを紹介する。 各更新で、Keepsakeは、保持された、または新しく生成された観察の上に、ポーズ出現グラフを構築し、カメラの配置近接と視覚的類似性を組み合わせた。 保持優先度は、強い代替品の数と最も近い代替品の類似性を共同でキャプチャし、キープセークは、連続的にメモリ値を再評価し、観測をほとんど代替サポートなしで保存し、固定予算下で高度に置換可能なものを排除できる。 コントローラは永続的なメモリ更新のみを変更するが、ホストジェネレータ、通知スケジュール、検索ルールは変更されていない。 MemCamとWorldMem全体で、Keepsakeは固定メモリ予算の下でFVDとLPIPSを改善している。 180秒のMemCam軌道では、5,397フレームのうち32フレームしか保持せず、FVDを35.1%削減している。

関連論文リスト

• LOCI: Spatial Linear Memory for Streaming World Models [6.207341594848763]
  カメラが以前に観察された領域を再検討する場合、ビデオワールドモデルは以前あった領域を再現するべきである。 キーバリューキャッシュはビジュアルディテールを保ちながらビデオ長で成長する; 再帰メモリはコンパクトだが、履歴を固定サイズに圧縮する。 両表現を格納するハイブリッド空間メモリアーキテクチャであるLOCIを紹介する。
  論文  参考訳（メタデータ） (2026-09-30T17:27:06Z)
• 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)
• LayerRecall: A State-Conditioned Memory Router for Long-Horizon Consistency in Video Generation [22.878882105342182]
  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。
  論文  参考訳（メタデータ） (2026-08-28T15:49:13Z)
• 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)
• 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)
• Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
  本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。 既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。 我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
  論文  参考訳（メタデータ） (2026-06-08T17:54:10Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
  SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T15:40:40Z)
• FrameVGGT: Frame Evidence Rolling Memory for streaming VGGT [3.5844726281072448]
  StreamVGGTのようなストリーミングビジュアルジオメトリ変換は、強力なオンライン3D知覚を可能にするが、境界のないKVキャッシュの増大に悩まされる。 フレーム駆動型ローリング明示メモリフレームワークであるFrameVGGTを提案し,各フレームのインクリメンタルKVコントリビューションをコヒーレントエビデンスブロックとして扱う。
  論文  参考訳（メタデータ） (2026-03-08T15:46:03Z)

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。