論文の概要: CineMem: Attention-Aligned Fine-grained Memory Retrieval for Multi-Shot Long Video Generation

• arxiv url: http://arxiv.org/abs/2610.17926v1
• Date: Tue, 13 Oct 2026 08:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.55526
• Title: CineMem: Attention-Aligned Fine-grained Memory Retrieval for Multi-Shot Long Video Generation
• Title（参考訳）: CineMem:マルチショット長ビデオ生成のための注意型微粒メモリ検索
• Abstract要約: 自動回帰ビデオ生成は、長距離依存をモデル化するためにメモリ検索に依存する。 既存の方法は、フレームレベルでメモリ検索を行い、すべてのクエリトークンで同じ履歴コンテキストを共有する傾向がある。 我々はCineMemを紹介した。CineMemは、オンラインメモリ組織とクエリ適応検索を組み合わせた微粒化メモリ検索フレームワークである。
• 参考スコア（独自算出の注目度）: 48.960736196535095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive video generation relies on memory retrieval to model long-range dependencies. This capability becomes particularly critical for multi-shot generation, where models must reconcile substantial visual changes across shot transitions with persistent semantic continuity. Existing methods tend to perform memory retrieval at the frame level and share the same historical context across all query tokens, overlooking the heterogeneous information needs and leading to redundant retrieval and inefficient use of historical memory. To bridge this gap, we introduce CineMem, an attention-aligned fine-grained memory retrieval framework that combines online memory organization with query-adaptive retrieval for autoregressive multi-shot video generation. Specifically, guided by intrinsic memory-access patterns revealed through attention analysis, we propose an online-clustered KV cache as a memory organization strategy over all historical tokens, enabling semantic-aware memory grouping and more precise retrieval. In addition, we introduce a query-level retrieval mechanism that provides broader access to historical information under a fixed retrieval budget, thereby improving long-term memory utilization. Together, these designs enable the multi-shot video generator to preserve long-range consistency across shot transitions, particularly in revisitation scenarios, while approximating full-memory access under a constrained memory budget. To facilitate evaluation, we further introduce a suite of task-specific, VLM-assisted metrics for faithful inter-shot consistency assessment. Extensive experiments demonstrate the effectiveness of our framework.
• Abstract（参考訳）: 自動回帰ビデオ生成は、長距離依存をモデル化するためにメモリ検索に依存する。 この機能はマルチショット生成において特に重要となり、永続的なセマンティック連続性を持つショットトランジション全体にわたって、モデルが実質的な視覚的変化を調整しなければならない。 既存の手法では、フレームレベルでメモリの検索を行い、全てのクエリトークンで同じ履歴コンテキストを共有し、異種情報のニーズを見落とし、過去のメモリの冗長な検索と非効率な使用につながる傾向にある。 このギャップを埋めるために、我々はCineMemを紹介した。CineMemは、オンラインメモリ組織と自動回帰マルチショットビデオ生成のためのクエリ適応検索を組み合わせた、注目に合ったきめ細かなメモリ検索フレームワークである。 具体的には、注意分析によって明らかになった本質的なメモリアクセスパターンに基づいて、すべての歴史的トークンに対するメモリ組織戦略として、オンラインクラスタ化されたKVキャッシュを提案し、セマンティック・アウェア・メモリ・グループ化とより正確な検索を可能にする。 さらに、固定された検索予算下での履歴情報への広範なアクセスを提供するクエリレベル検索機構を導入し、長期記憶利用を改善する。 これらの設計により、マルチショットビデオジェネレータはショット遷移、特に修正シナリオにおける長距離の一貫性を保ちながら、制限されたメモリ予算の下でフルメモリアクセスを近似することができる。 評価を容易にするために,忠実なショット間整合性評価のためのタスク固有なVLM支援メトリクススイートについても紹介する。 大規模な実験により、我々のフレームワークの有効性が実証された。

関連論文リスト

• CreaMem: A Scene-Aware Memory Architecture for Personalized Agents [10.59532182467324]
  本稿では,メモリを複数のライフシーンメモリに分割することで,シーン認識型メモリ構成を可能にするCreaMemアーキテクチャを提案する。 CreaMemは、すべての評価指標のQA精度を改善し、特にマルチホップ推論のパフォーマンスを大きく向上させる。 強化するために、私たちはコードをパブリックなGitHubリポジトリにリリースしました。
  論文  参考訳（メタデータ） (2026-09-08T10:33:05Z)
• 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)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。