論文の概要: An Edge-First Multimodal Asset Management Studio and Retrieval Engine for Heterogeneous AI-Generated Media

• arxiv url: http://arxiv.org/abs/2610.14046v1
• Date: Sun, 04 Oct 2026 10:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:38:10.09171
• Title: An Edge-First Multimodal Asset Management Studio and Retrieval Engine for Heterogeneous AI-Generated Media
• Title（参考訳）: 異種AI生成メディアのためのエッジファーストマルチモーダルアセット管理スタジオと検索エンジン
• Abstract要約: Berry Studioは、Vue、Tauri、Rust、ONNXで構築されたエッジファーストのアセット管理システムである。 本稿では,AI生成イメージコレクションを管理するために,Vue,Tauri,Rust,ONNXで構築したエッジファーストアセット管理システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated image collections combine visual content with heterogeneous provenance such as prompts, model parameters, and workflow graphs. Managing these collections locally requires coordinated metadata extraction, responsive browsing, and retrieval without mandatory remote inference. We present Berry AI Studio, an edge-first asset management system built with Vue, Tauri, Rust, SQLite, and ONNX Runtime. Berry integrates format-specific metadata parsing with raw-payload retention, generation-aware cancellation of queued thumbnail work, a persistent multi-tier thumbnail manifest, cursor pagination, and local image-text retrieval. We evaluate these mechanisms in five independent repetitions on a pinned source revision. With 50,000 catalog records, the median warm first-page database call was 285.3 ms; at offset 40,000, keyset pagination reduced median raw-query latency from 57.9 to 0.46 ms. A controlled browser harness recorded a 0.3 ms median-of-run P95 update time during virtualized scrolling, while cancellation prevented all 1,200 stale speculative decodes in the tested trace. A versioned 10-case corpus produced 53/53 exact metadata-field matches, and controlled retrieval and grouping tests exercised the authentic storage and clustering paths. The implementation, benchmark scripts, raw logs, and checksummed result packages are publicly available.
• Abstract（参考訳）: AI生成イメージコレクションは、プロンプト、モデルパラメータ、ワークフローグラフなど、視覚コンテンツと異質な前兆を組み合わせたものだ。 これらのコレクションをローカルに管理するには、メタデータのコーディネート、応答性のあるブラウジング、リモート推論を必須にすることなく検索が必要である。 Vue、Tauri、Rust、SQLite、ONNX Runtimeで構築されたエッジファーストのアセット管理システムであるBerry AI Studioを紹介します。 Berryは、フォーマット固有のメタデータ解析と、生のペイロードの保持、キュー化されたサムネイルワークの世代別キャンセル、永続的な多層サムネイルマニフェスト、カーソルページネーション、ローカル画像テキスト検索を統合している。 我々はこれらのメカニズムを、ピン付きソースリビジョンにおいて5つの独立した繰り返しで評価する。 5万件のカタログ記録では、中央の1ページデータベースコールは285.3msであり、オフセット4万件のキーセットパギン化により、中央の生クエリのレイテンシは57.9msから0.46msに減少し、制御されたブラウザハーネスは、仮想スクロール中に0.3msのP95アップデートタイムを記録した。 バージョン付き10ケースコーパスは、53/53の正確なメタデータフィールドマッチを生成し、制御された検索とグループ化テストは、真のストレージとクラスタリングパスを実行した。 実装、ベンチマークスクリプト、生ログ、チェックサムされた結果パッケージが公開されている。

関連論文リスト

• Learning to Route in Visual Space via Multi-Step Embedding Retrieval [57.56937837326161]
  VHOPは自動回帰多段階検索のためのエンドツーエンドのトレーニングパイプラインである。 VHOPは、中間テキストクエリを定式化することなく、単一のツールコールでリンクされたイメージチェーンを検索する。 VHOPコンテキストは、検索性能を5%未満から76.3%に向上させる。
  論文  参考訳（メタデータ） (2026-09-30T01:28:06Z)
• WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
  WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。 WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。 また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-08-28T08:28:43Z)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• SuperLocalMemory 4.0: The Governed Memory Operating System for AI Agents [0.0]
  SuperLocalMemory 4.0は、AIエージェント用のローカルファーストメモリオペレーティングシステムである。 システムは、密接なセマンティック、BM25語彙、時間、ホップフィールド連想、拡散コンテキスト検索を組み合わせる。 ランタイムはCLI、MPP、HTTPデーモン、ダッシュボード、エディタ統合、フレームワークアダプタを通じて利用できる。
  論文  参考訳（メタデータ） (2026-08-08T17:26:58Z)
• Multi-Decoder OneRec: Controllable Generative Retrieval for Multi-Objective Industrial Recommendation [42.92484041045021]
  Multi-Decoder OneRecは、共有表現、分離された目的適応、コーディネートされたデコードを組み合わせた、制御可能なフレームワークである。 我々はKwai26をリリースした。Kwai26は、13億の生のアイテムレベルのレコード、31.85万のアイテムIDエントリ、有効なセマンティックIDを備えた25.03万のアイテムを備えた大規模なマルチオブジェクトベンチマークである。 同じ512イットの検索予算の下で、Multi-Decoder OneRecは4つのRecall@512メトリクスに対して、1デコーダOneRecベースラインを1.69%-5.62%改善している。
  論文  参考訳（メタデータ） (2026-07-29T05:54:19Z)
• Retrieved Images as Visual Thought: Training-Free Multimodal In-Context Learning for the Open-vs-Closed Gap [6.097306160389619]
  ReVisITは、検索した画像とラベルのペアを視覚的思考の単位として扱う、トレインフリーのフレームワークである。 VL-ICL Bench Fast Open MiniImageNetでは、ReVisITのQwen3-VL-30B-A3Bは4ショットで98.5%に達し、約1/2.4のパラメータで、72B LLaVA-VisionOne SOTA (98.7%)と統計的に区別できない。
  論文  参考訳（メタデータ） (2026-07-01T08:31:09Z)
• SearchAD: Large-Scale Rare Image Retrieval Dataset for Autonomous Driving [6.044776150961302]
  堅牢な自律運転システムを構築するためには、大規模なデータセットから稀で安全に重要な運転シナリオを取得することが不可欠である。 我々は,AD用の大規模レア画像検索データセットであるSearchADを紹介した。 特に、非常に稀なクラスを探索するニードル・イン・ア・ヘイスタックの問題を対象としており、一部はデータセット全体で50回以下である。
  論文  参考訳（メタデータ） (2026-04-09T09:10:41Z)
• OBELICS: An Open Web-Scale Filtered Dataset of Interleaved Image-Text Documents [122.55393759474181]
  我々は、インターリーブされた画像テキスト文書のオープンなWebスケールフィルタリングデータセットであるOBELICSを紹介する。 データセット作成プロセスを説明し、包括的なフィルタリングルールを示し、データセットの内容を分析する。 IDEFICSという名前の9～800億のパラメータのビジョンと言語モデルをトレーニングし、異なるマルチモーダルベンチマークで競合性能を得る。
  論文  参考訳（メタデータ） (2023-06-21T14:01:01Z)

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。