論文の概要: Long-horizon Video Generation with Slot Memory Addressed By Region Tokens

• arxiv url: http://arxiv.org/abs/2610.19257v1
• Date: Tue, 13 Oct 2026 22:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.830036
• Title: Long-horizon Video Generation with Slot Memory Addressed By Region Tokens
• Title（参考訳）: 領域トークンによるスロットメモリを用いた長距離映像生成
• Abstract要約: 長期ビデオ生成のための記憶は、競合する2つの要件を満たす必要がある。 レコンストラクションベースの記憶は、明示的な幾何学をキャッシングし再計画することで空間的リコールを提供する。 リカレントメモリは一定サイズの状態を保っているが、保持は時間的再発によって制御される。 領域トークンによってアドレス化されるスロットメモリであるSMARTを導入し、境界ストレージと空間的にアドレス付けされたリコールを組み合わせた。
• 参考スコア（独自算出の注目度）: 64.5452365505665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory for long-horizon video generation must satisfy two competing requirements: it must remain bounded so generation can continue indefinitely, while still recovering what was observed at a place when the camera returns, regardless of how long ago it was seen. Reconstruction-based memories provide spatial recall by caching and reprojecting explicit geometry, but require growing storage and depend on estimated 3D structure. Recurrent memories keep a constant-size state, but retention is governed by temporal recurrence, causing old observations to fade with time. We introduce SMART, a slot memory addressed by region tokens, which combines bounded storage with spatially addressed recall. SMART stores content in a constant-size slot recurrence whose writes are addressed by the observing camera and whose reads are queried by the rendering camera, without constructing an explicit 3D representation or maintaining a growing cache. Consequently, recall is conditioned on inter-view geometry rather than on recency. Each read additionally provides a confidence estimate that conditions a chunk-causal diffusion transformer, allowing it to selectively trust retrieved content while relying on its generative prior elsewhere. On long trajectories in Memory Maze and Minecraft, SMART maintains high-fidelity recall far beyond its training horizon while using constant memory and per-step cost.
• Abstract（参考訳）: 長い水平ビデオ生成の記憶は、2つの競合する要件を満たす必要がある。それは、世代が無期限に継続できるように境界を保たなければならない。 レコンストラクションベースの記憶は、キャッシングによって空間的リコールを提供し、明示的な幾何学を再計画するが、記憶の増大と推定された3D構造に依存している。 リカレントメモリは一定サイズの状態を保っているが、保持は時間的再発によって制御され、古い観測は時間とともに消滅する。 領域トークンによってアドレス化されるスロットメモリであるSMARTを導入し,領域記憶と空間記憶を組み合わせた。 SMARTは、明示的な3D表現を構築したり、キャッシュを増大させたりすることなく、観察カメラで書き込みを処理し、レンダリングカメラで読み込みを問い合わせる定サイズのスロットリカレンスにコンテンツを格納する。 その結果、リコールはリフレッシュではなくビュー間幾何学で条件付けされる。 さらに、各読み取りはチャンク因数拡散変換器を条件として信頼度を推定し、検索したコンテンツを他の場所で生成性に依存しながら選択的に信頼することができる。 メモリ迷路とマインクラフトの長い軌道上で、SMARTは、一定のメモリとステップ毎のコストを使用しながら、トレーニングの地平線を越えて高忠実なリコールを維持している。

関連論文リスト

• MemoryVLN: From Ego-Aware Memory Representation to Cross-Context Memory Reuse in Vision-Language Navigation [43.33875837933959]
  大規模視覚言語モデル(LVLM)は、視覚言語ナビゲーション(VLN)の具体的可能性を示している。 これらの問題は、長い航法履歴を圧縮することと、過去の空間経験を確実に再利用することの両方を困難にしている。 メモリ構築と管理を中心に構築されたメモリ駆動ナビゲーションシステムである textbfMemoryVLN を提案する。
  論文  参考訳（メタデータ） (2026-10-13T14:40:04Z)
• Keepsake: Selective Spatial Memory for Long-Horizon Video Generation [57.166020875486474]
  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。
  論文  参考訳（メタデータ） (2026-10-05T16:02:50Z)
• Honeycomb: Constant-Size Scene Memory Representation for Video World Models [19.478192594069455]
  ビデオワールドモデルは、長期ビデオ生成時の一貫性を維持するためにシーンメモリを必要とする。 We introduced Honeycomb, a video world model built on HexMemory。 WorldScoreとRealEstate10Kの実験では、HexMemoryの機能ストレージを世代毎に一定に保ちながら、強力なビデオ生成品質と再検討の一貫性が示されている。
  論文  参考訳（メタデータ） (2026-09-29T14:33:39Z)
• Geometry as Address: Routing Attention to Visual Memory for Long-Horizon Camera-Controlled Video Generation [65.27606758907416]
  ロングホライゾンカメラ制御ビデオ生成は、成長を続ける視覚の歴史から、これまで観察されたコンテンツを回復する必要がある。 既存のアプローチでは、歴史的コンテキストを暗黙的に検索するか、永続的な3Dメモリに再構築する。 我々は、幾何学を視覚記憶のための明示的なトークンレベルアドレスとして利用するGeometry-Enabled Attention RoutingフレームワークであるGEARを紹介する。
  論文  参考訳（メタデータ） (2026-09-28T09:27:59Z)
• PermaVid: Consistent Video Generation Across Edits via Disentangled Context Memory [80.58558679163197]
  PermaVidは、空間コンテキストを意味的な外観と幾何学的構造に分解するマルチモーダルなコンテキストメモリ上に構築された新しいフレームワークである。 本手法は,編集後の長期的セマンティクスと構造的整合性を強く維持し,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-06-15T09:20:32Z)
• Geometry-Aware Implicit Memory for Video World Models [29.522291951915577]
  GIM-Worldは、ビデオワールドモデルのための幾何学的な暗黙記憶フレームワークである。 カメラクエリ可能な幾何ヘッドは、凍結基礎モデルからトレーニング中にメモリに3Dシーン構造を蒸留する。 MINDの実験では、GIM-Worldは明示的メモリベースラインと暗黙的メモリベースラインの両方よりも、長期の幾何学的および視覚的一貫性を保っている。
  論文  参考訳（メタデータ） (2026-06-01T16:08:43Z)
• Tensor Memory: Fixed-Size Recurrent State for Long-Horizon Transformers [20.67103891489219]
  トランスフォーマーは、空間と時間を長いトークンシーケンスに平らにすることで、画像とビデオを処理します。 注意とKVキャッシュは過去の特徴を保存するが、そのメモリはシーケンス長とともに成長し、明示的で永続的な空間状態が欠如している。 本稿では,Transformerブロックを固定サイズのリカレント3Dメモリで拡張する軽量モジュールを提案する。
  論文  参考訳（メタデータ） (2026-05-26T21:03:42Z)
• Q-GeoMem: Question-Guided Geometric Memory for Video Spatial Reasoning [53.96129188781529]
  ビデオ空間推論のための質問誘導幾何メモリフレームワークを提案する。 カメラ条件の幾何学を 視覚トークンに注入し 2つの相補記憶を維持します 本研究は,評価空間推論モデルにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-26T17:26:29Z)

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。