論文の概要: VideoTapestry: Query-Adaptive Memory Refinement for Multi-Agent Long-Video Understanding

• arxiv url: http://arxiv.org/abs/2610.06672v1
• Date: Mon, 05 Oct 2026 16:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:47:26.054331
• Title: VideoTapestry: Query-Adaptive Memory Refinement for Multi-Agent Long-Video Understanding
• Title（参考訳）: VideoTapestry:マルチエージェント長ビデオ理解のためのクエリ適応型メモリリファインメント
• Abstract要約: VideoTapestryはトレーニング不要のマルチエージェントフレームワークで、粗大でクエリ駆動の洗練を通じて階層的なビデオメモリに適応する。 VideoTapestryの精度は17.2%、14.9%、9.8%、Benchは7.0%、LongVideoBench(Long Ego)、Video-MME(Long Ego)、Video-MME(Long Ego)である。
• 参考スコア（独自算出の注目度）: 98.11639588256874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-video understanding places substantial demands on memory, as answering questions often requires retrieving information distributed across extended temporal spans. Existing approaches broadly follow two paradigms: query-driven exploration, which is sensitive to localization errors, and query-independent memory construction, which may omit question-specific details. We introduce VideoTapestry, a training-free multi-agent framework that adapts a preconstructed hierarchical video memory through coarse-to-fine, query-driven refinement. The preconstructed memory organizes video content into three levels, capturing global narrative context, event-level temporal structure, and fine-grained relational evidence, respectively. To support coarse-to-fine localization and observation, we assign a specialized agent to each level, keeping retrieval and refinement within a scale-specific context. Guided by the query, these agents revisit relevant video regions and enrich layer-wise memories with targeted multimodal observations. Their refinements are assembled according to the original hierarchy into a composite query-adaptive memory, preserving global context in a compact form while retaining fine-grained evidence along query-relevant branches for final reasoning. Compared with direct GPT-5.5 inference, VideoTapestry achieves absolute accuracy gains of 17.2%, 14.9%, 9.8%, and 7.0% on LVBench, LongVideoBench (Long), Video-MME (Long), and EgoSchema, respectively, achieving the state-of-the-art results among all competitors.
• Abstract（参考訳）: 長いビデオの理解は記憶にかなりの要求を課し、答えるには時空間に分散した情報を取得する必要がある。 既存のアプローチは、ローカライズエラーに敏感なクエリ駆動探索と、質問固有の詳細を省略するクエリ非依存メモリ構築の2つのパラダイムに大きく従っている。 トレーニング不要なマルチエージェントフレームワークであるVideoTapestryを導入する。 予め構築されたメモリは、ビデオコンテンツを3つのレベルに整理し、グローバルな物語コンテキスト、イベントレベルの時間構造、微粒な関係証拠をキャプチャする。 粗大な局所化と観察を支援するため、各レベルに特殊エージェントを割り当て、検索と精細化をスケール固有の文脈で維持する。 クエリによってガイドされたこれらのエージェントは、関連するビデオ領域を再考し、ターゲットとするマルチモーダルな観測で階層記憶を豊かにする。 それらの洗練は、元の階層に従って合成クエリ適応メモリに組み立てられ、グローバルコンテキストをコンパクトな形式で保存し、最終的な推論のためにクエリ関連ブランチに沿ってきめ細かい証拠を保持する。 直接のGPT-5.5推論と比較すると、VideoTapestryはLVBench、LongVideoBench(Long)、Video-MME(Long)、EgoSchema(EgoSchema)で17.2%、14.9%、9.8%の絶対精度向上を達成した。

関連論文リスト

• Keep It Simple: Multi-Key Episodic Memory Retrieval for Ultra-Long Video Understanding [41.45143308235023]
  超長大映像理解のためのシンプルで効果的なフレームワークであるMERITを提案する。 我々は、微細な記憶の正確な検索を可能にするエピソードなマルチキー表現を定式化する。 MeRITは3つのロングビデオベンチマークで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） (2026-08-07T18:00:02Z)
• Homer: Understanding Long-form Videos with Hierarchical Memory and Agentic Reasoning [77.7531245219403]
  textscHomerは階層型オンラインメモリ探索および推論フレームワークである。 textscHomerの記憶は、生の知覚から繰り返される実体、明示的な時間的・因果関係と結びついた出来事まで、長いビデオのマルチスケール構造を反映している。 textscHomerは、M3-Bench-robot、M3-Bench-web、Video-MME-Longで$+5.5$、$+10.8$、$+4.4$ポイントで前のベストエージェントメソッドより優れている。
  論文  参考訳（メタデータ） (2026-07-01T05:53:09Z)
• Reasoning with Memory: A Temporal Granularity-Adaptive Framework for Training-Free Long Video Understanding [47.48582887762574]
  ReMemは、トレーニングフリーのLongVideoQAのための時間的粒度適応選択フレームワークである。 メモリ機構で時間情報を明示的に保存することにより、ReMemは冗長性を抑え、MLLMに堅牢なマルチグラニュラビデオ推論を行う権限を与える。
  論文  参考訳（メタデータ） (2026-06-30T10:55:56Z)
• VideoAtlas: Navigating Long-Form Video in Logarithmic Compute [3.705718227493618]
  textbfVideoAtlasは、動画を階層的なグリッドとして表現するためのタスクに依存しない環境である。 階層構造により、アクセス深度はビデオ長と対数的にのみ増大する。 ビデオRLMは1時間から10時間に及ぶベンチマークのスケーリングにおいて、最小限の精度の劣化を伴う最も長い時間ロバストな方法である。
  論文  参考訳（メタデータ） (2026-03-18T17:20:19Z)
• WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning [66.24870234484668]
  我々は,複数の相補的記憶から構築・取得する,新しいマルチモーダルメモリエージェント WorldMM を紹介する。 WorldMMは5つの長いビデオ質問回答ベンチマークで既存のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-12-02T05:14:52Z)
• GCAgent: Long-Video Understanding via Schematic and Narrative Episodic Memory [59.869552603264076]
  GCAgent(Global-Context-Aware Agent)は,広義の長ビデオ理解を実現する新しいフレームワークである。 これは、イベントとその因果関係と時間的関係を、簡潔で組織化されたコンテキストに構造的にモデル化するものです。 実験により、GCAgentは、強力なMLLMベースライン上でのVideo-MME Long分割において、最大23.5%の精度向上を実現した。
  論文  参考訳（メタデータ） (2025-11-15T04:29:00Z)
• SALOVA: Segment-Augmented Long Video Assistant for Targeted Retrieval and Routing in Long-Form Video Analysis [52.050036778325094]
  本稿では,SALOVA: Segment-Augmented Video Assistantを紹介する。 87.8Kビデオの高品質なコレクションをセグメントレベルで高密度にキャプションし、シーンの連続性を捕捉し、リッチなコンテキストを維持する。 本フレームワークは,クエリに応答して,関連ビデオセグメントの正確な識別と検索を可能にすることで,現在のビデオLMMの限界を緩和する。
  論文  参考訳（メタデータ） (2024-11-25T08:04:47Z)

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。