論文の概要: Write Once, Query Many: Evolving Compact Reusable Memory for Long Videos

• arxiv url: http://arxiv.org/abs/2610.24537v1
• Date: Sat, 17 Oct 2026 07:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:48:11.140181
• Title: Write Once, Query Many: Evolving Compact Reusable Memory for Long Videos
• Title（参考訳）: Write Once, Query Many: Evolving Compact Reusable Memory for Long Videos
• Abstract要約: Video-EMemは、タイムアンコールされた知覚観察に基づいて構築された、進化可能なビデオメモリハーネスである。 Writerは、マルチスケールな観察を統合することで、各ビデオを一度エンコードし、Readerは、結果のメモリからのみ証拠を検索する。
• 参考スコア（独自算出の注目度）: 31.377502209747714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long videos often exceed the context capacity of multimodal large language models (MLLMs), while agentic search repeats costly video processing and grounding for each query. Reusable memory can amortize this cost, but must preserve information for questions unknown during construction. We propose Video-EMem, an evolvable video memory harness built on time-anchored perceptual observations. This representation combines compact free-form text with sparse images to preserve semantic content and complementary visual details across temporal scales, supporting temporal navigation without a fixed semantic schema. A Writer encodes each video once by consolidating overlapping multiscale observations, and a Reader retrieves and organizes evidence solely from the resulting memory. With the underlying models frozen, we evolve their workflows and operators using distinct feedback: query-independent source fidelity and coverage for the Writer, and QA failures in evidence localization and utilization for the Reader. Experiments support this separation for generalization beyond development queries, with our evolution strategy improving average accuracy by 7.2% over the unevolved harness. While reducing storage by about 99.86% on average relative to raw videos, Video-EMem improves Qwen3-VL-30B by an average of 2.6% across three long-video QA benchmarks over direct input of 2,048 frames. Using the same o3 answer model as the state-of-the-art agentic method, it improves average accuracy by 2.5% with lower per-query latency.
• Abstract（参考訳）: 長いビデオはしばしばマルチモーダル大言語モデル (MLLM) のコンテキスト能力を超え、エージェント検索は各クエリに対してコストの高いビデオ処理とグラウンドを繰り返す。 再使用可能なメモリはこのコストを抑えることができるが、建設中に未知の質問に関する情報を保持する必要がある。 タイムアンコールされた知覚観測に基づいて構築された,進化可能なビデオメモリハーネスであるVideo-EMemを提案する。 この表現は、コンパクトな自由形式のテキストとスパースなイメージを組み合わせることで、意味的内容と時間スケールの相補的な視覚的詳細を保存し、固定された意味的スキーマなしで時間的ナビゲーションをサポートする。 Writerは、重複するマルチスケールの観察を統合して、各ビデオを一度エンコードし、Readerは、結果のメモリからのみ証拠を検索し、整理する。 基礎となるモデルが凍結されたことで、クエリ非依存のソースの忠実さとWriterのカバレッジ、そしてReaderのローカライゼーションと利用に関するQA失敗という、異なるフィードバックを使って、ワークフローとオペレータを進化させます。 実験は、開発クエリ以上の一般化のためのこの分離をサポートし、進化戦略は、未進化のハーネスよりも平均精度を7.2%向上させる。 Video-EMemはQwen3-VL-30Bを2,048フレームの直接入力で3つの長ビデオQAベンチマークで平均2.6%改善している。 最先端のエージェント手法と同じo3応答モデルを使用して、クエリ毎のレイテンシを低くして平均精度を2.5%向上する。

関連論文リスト

• VideoTapestry: Query-Adaptive Memory Refinement for Multi-Agent Long-Video Understanding [98.11639588256874]
  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。
  論文  参考訳（メタデータ） (2026-10-05T16:44:25Z)
• 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)
• Going Down Memory Lane: Scaling Tokens for Video Stream Understanding with Dynamic KV-Cache Memory [50.30283773196725]
  既存のアプローチは、時間とともにフレームレベルの詳細を蓄積するためにキーバリューキャッシングに依存していますが、フレーム毎に限られた数のトークンを使用します。 より詳細な時間的理解と推論を可能にするためにトークン予算のスケーリングを提案する。
  論文  参考訳（メタデータ） (2026-02-20T18:59:50Z)
• 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)
• AdaReTaKe: Adaptive Redundancy Reduction to Perceive Longer for Video-language Understanding [55.320254859515714]
  MLLM(Multimodal Large Language Models)は、ビデオ理解に革命をもたらしたが、長いビデオを処理する際の文脈長によって制限されている。 AdaReTaKeは,時間と層間の圧縮比を理論的保証とともに割り当てることで,視覚的冗長性を柔軟に低減する訓練自由手法である。 VideoMME、MLVU、LongVideoBench、LVBenchのデータセットの実験では、AdaReTaKeは既存の7Bモデルと72Bモデルでそれぞれ2.3%、そして2.8%を上回っている。
  論文  参考訳（メタデータ） (2025-03-16T16:14:52Z)
• VideoAgent: A Memory-augmented Multimodal Agent for Video Understanding [28.316828641898375]
  VideoAgent: 1)は、一般的な時間的イベント記述と、ビデオのオブジェクト中心のトラッキング状態の両方を格納する構造化メモリを構築する。 2) 入力タスククエリが与えられた場合,ビデオセグメントのローカライゼーションやオブジェクトメモリクエリなどのツールと,他の視覚基盤モデルを用いて対話的にタスクを解く。
  論文  参考訳（メタデータ） (2024-03-18T05:07:59Z)

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。