Fugu-MT 論文翻訳(概要): LVMem: Image-Augmented Memory for Long-Horizon Question Answering

論文の概要: LVMem: Image-Augmented Memory for Long-Horizon Question Answering

arxiv url: http://arxiv.org/abs/2610.27104v1
Date: Mon, 19 Oct 2026 18:01:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-21 21:58:47.449403
Title: LVMem: Image-Augmented Memory for Long-Horizon Question Answering
Title（参考訳）: LVMem: 長距離質問応答のためのイメージ拡張メモリ
Abstract要約: 本稿では,長期的な視覚的質問に答える効率的な枠組みを提案する。我々はReMEmbRスタイルのメモリをイメージパスで拡張し、それぞれが保存した記述を元のビジュアルコンテンツに拡張する。また、VLMをベースとしたエージェントに、最も関連性の高いキャプションに関連付けられた画像を返す適応検索ツールを装備する。
参考スコア（独自算出の注目度）: 6.562689532334789
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reliable language-guided perception is essential for embodied agents, where questions about objects, events, and their locations must be answered from long observation histories. Unlike conventional visual question answering, realistic robotic settings require reasoning over extended temporal horizons and persistent scene memory. We build upon the view-based memory paradigm and propose an efficient framework for long-horizon spatio-temporal question answering. While existing view-based systems typically store either text captions or visual embeddings, we extend the ReMEmbR-style memory with image paths that link each stored description to its original visual content. To make the stored annotations more informative, we replace uniform sampling during memory construction with an optical-flow-based frame selection strategy (PSFR) and store an object-centric descriptive scene representation instead of plain captions. We further equip a VLM-based agent with an adaptive retrieval tool that returns the image associated with the most relevant caption, allowing the agent to decide when visual inspection is needed. On the OC-NaVQA benchmark, LVMem outperforms ReMEmbR on binary and positional metrics with both backbones and matches or exceeds a 4D scene graph DAAAM baseline on binary accuracy, while operating on a lightweight view-based memory that requires no explicit graph construction.
Abstract（参考訳）: 言語誘導の信頼性は、オブジェクト、イベント、それらの位置に関する質問が長い観察履歴から答えなければならない、エンボディードエージェントにとって不可欠である。従来の視覚的質問応答とは異なり、現実的なロボット設定では、時間的地平線と永続的なシーンメモリを推論する必要がある。本稿では,ビューベースメモリのパラダイムを構築し,長期的時空間質問応答のための効率的なフレームワークを提案する。既存のビューベースシステムは、典型的にはテキストキャプションまたはビジュアル埋め込みを格納するが、保存された各記述を元のビジュアルコンテンツにリンクするイメージパスでReMEmbRスタイルのメモリを拡張する。記憶されているアノテーションをより情報的にするために、メモリ構築中の一様サンプリングを光フローベースのフレーム選択戦略(PSFR)に置き換え、平文の代わりにオブジェクト中心の記述的シーン表現を格納する。さらに、VLMベースのエージェントに適応検索ツールを装備し、最も関連性の高いキャプションに関連付けられた画像を返却し、視覚検査が必要かどうかを判断する。 OC-NaVQAベンチマークでは、LVMemは、バックボーンとマッチする2値と位置のメトリクスでReMEmbRより優れており、バイナリ精度で4DシーングラフDAAAMベースラインを上回り、明示的なグラフ構築を必要としない軽量なビューベースメモリで動作する。

関連論文リスト

CineMem: Attention-Aligned Fine-grained Memory Retrieval for Multi-Shot Long Video Generation [48.960736196535095]
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。
論文参考訳（メタデータ） (2026-10-13T08:14:08Z)
Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。 QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
論文参考訳（メタデータ） (2026-10-08T13:17:59Z)
AutoViewMem: Self-Configuring Orthogonal Views for Conversational Long-Term Memory [9.664219846744492]
AutoViewMemは、長期会話メモリをインデックス化する前に、自己設定型の低オーバーラップセマンティックビューに整理する。この表現優先設計は、意味的証明を検索時間から書き込み時間に移行し、標準的なトップK類似性探索により、明示的なルーティングや反復的な検索をすることなく、集中した証拠を検索できる。
論文参考訳（メタデータ） (2026-09-18T15:55:29Z)
Caption-once, Frames-on-Demand: Visual-Need Routing for Budget-Aware Agentic Long Video Understanding [59.773752487686444]
エッジデバイスに対する長いビデオ理解は、厳格な計算と帯域幅の予算の下で何時間ものコンテンツを引き起こす必要がある。予算対応のエッジクラウドエージェントフレームワークであるCaption-once, Frames-onDemandを提案する。長時間ビデオベンチマークの実験では、オンラインビジュアル処理を大幅に削減しながら、高い精度と効率のトレードオフを示す。
論文参考訳（メタデータ） (2026-09-10T17:53:59Z)
Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
論文参考訳（メタデータ） (2026-05-08T15:40:40Z)
OCR-Memory: Optical Context Retrieval for Long-Horizon Agent Memory [12.240259398680259]
OCR-Memoryは、エージェント体験の高密度表現として視覚的モダリティを活用するメモリフレームワークである。 OCR-Memoryは、Emphlocate-and-transcribeパラダイムを通じて格納されたエクスペリエンスを検索し、視覚アンカーを通じて関連する領域を選択し、対応する動詞のテキストを検索する。
論文参考訳（メタデータ） (2026-04-29T12:49:30Z)
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)
CoMemo: LVLMs Need Image Context with Image Memory [51.681858871027345]
CoMemoは、Contextイメージパスとイメージメモリパスを組み合わせてビジュアル処理を行うデュアルパスアーキテクチャである。 2次元空間認識を維持するためにサムネイルに基づく位置アグリゲーションを利用する新しい位置符号化機構であるRoPE-DHRを導入する。
論文参考訳（メタデータ） (2025-06-06T17:59:06Z)
ReWind: Understanding Long Videos with Instructed Learnable Memory [8.002949551539297]
VLM(Vision-Language Models)は、テキスト情報と視覚情報の統合的な理解を必要とするアプリケーションに不可欠である。本稿では,時間的忠実さを保ちながら,より効率的な長時間ビデオ理解を実現するためのメモリベースの新しいVLMであるReWindを紹介する。本稿では,視覚的質問応答(VQA)と時間的グラウンド処理におけるReWindの優れた性能を実証的に示す。
論文参考訳（メタデータ） (2024-11-23T13:23:22Z)

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。