論文の概要: More Memory, Better Videos? A Controlled Study of Visual Memory in Long-Video Generation

• arxiv url: http://arxiv.org/abs/2610.35001v1
• Date: Mon, 26 Oct 2026 08:13:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.792613
• Title: More Memory, Better Videos? A Controlled Study of Visual Memory in Long-Video Generation
• Title（参考訳）: 記憶力の向上とビデオ改善 : 映像生成における視覚記憶の制御に関する研究
• Abstract要約: ロングビデオジェネレータは、アイデンティティドリフトを防ぐために、ますます過去の視覚的観察を回収する。 ビジュアルメモリは常に生成されたストーリーを改善するか? 2トラックの診断研究である VMem-Bench を用いてこの問題を考察する。
• 参考スコア（独自算出の注目度）: 25.600837607378356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-video generators increasingly retrieve past visual observations to prevent identity drift. The intuition is compelling: more access to history should make future video more consistent. But an image can be faithful to the past and wrong for the present. Does visual memory always improve the generated story? We investigate this question through VMem-Bench, a two-track diagnostic study. Track-A measures which references are selected from 92 real films (16,548 segments), before generation and without generator confounds. Track-B compares four retrieval policies with no-memory and gold-informed last-seen controls on 30 causally generated stories (2,824 segments) using a shared generator. Retrieval increases entity recall from 0.559 to 0.628-0.693 and improves similarity to past appearances, but decreases precision from 0.977 to 0.915-0.938 and forbidden-entity avoidance from 0.968 to 0.845-0.898. It can also reinforce obsolete appearances after the story changes them. Conversely, high long-gap recall can arise without memory when the prompt itself supplies the appearance; an appearance-stripping analysis exposes this confound. These results distinguish historical fidelity from current-story correctness and show why retrieval relevance or final-video consistency alone does not establish memory utility.
• Abstract（参考訳）: 長期ビデオジェネレータは、アイデンティティドリフトを防ぐために、過去の視覚的観察を徐々に回収する。 歴史へのアクセスが増えれば、将来的なビデオの一貫性が増すはずだ。 しかし、あるイメージは過去に忠実であり、現在には間違っている。 ビジュアルメモリは常に生成されたストーリーを改善するか? 2トラックの診断研究である VMem-Bench を用いてこの問題を考察する。 92個の実フィルム(16,548セグメント)から基準となるトラックAを生成前および発生前で選択する。 Track-Bは4つの検索ポリシーを、共有ジェネレータを使用して30の因果的に生成されたストーリー(2,824セグメント)の非メモリおよびゴールドインフォームによる最後のコントロールと比較する。 Retrievalはエンティティリコールを0.559から0.628-0.693に増加させ、過去の外観と類似性を改善するが、精度は0.977から0.915-0.938に低下し、濃度回避は0.968から0.845-0.898に制限される。 物語が変化した後、時代遅れの外観を補強することもできる。 逆に、プロンプト自体が外観を供給すると、メモリなしで高いロングギャップリコールが発生することがある。 これらの結果は、過去の忠実さと現在の物語の正しさを区別し、なぜ検索関連性や最終映像の整合性のみがメモリの有用性を確立していないのかを示す。

関連論文リスト

• Retrieval-Augmented Online Textual Memory for Episodic Memory Video Question Answering [9.04242049753884]
  長いエゴセントリックなビデオは、マルチモーダル言語モデルにとって重要な課題である。 本研究は,映像質問応答における検索の役割を体系的に研究する。
  論文  参考訳（メタデータ） (2026-10-22T13:49:30Z)
• Recast the Past: Stable Long Video Generation with Full Context Memory [86.51692608974945]
  ReCamは、歴史的潜伏者の局所的なブロックをプロジェクトにグループ化し、それらを高次元の隠れた空間に直接緩和する。 Transformerモデルは、ネイティブな自己アテンションを通じて結果のトークンを使用することを学び、完全な履歴へのブロックレベルアクセスを維持しながら、メモリトークン数を削減します。 評価手法のうち,ReCamは,R2M-Bench上でのVhorizon-Long総合スコア80.1と,競合する静的・シーンの再現性能を最高に達成している。
  論文  参考訳（メタデータ） (2026-10-20T10:27:07Z)
• MosaiChunk: Compositing Spatio-Temporal Memory for Autoregressive Video Generation [51.06065746897343]
  MosaiChunkは、選択された歴史的キー値エントリのモザイクを構成する時間記憶機構である。 RememBenchは、プロンプト駆動のテキスト・トゥ・ビデオ(T2V)とカメラ駆動のイメージ・トゥ・ビデオ(I2V)の分割によるロングホライズンリバイス(long-horizon revisits)のベンチマークである。
  論文  参考訳（メタデータ） (2026-10-01T17:51:05Z)
• LOCI: Spatial Linear Memory for Streaming World Models [6.207341594848763]
  カメラが以前に観察された領域を再検討する場合、ビデオワールドモデルは以前あった領域を再現するべきである。 キーバリューキャッシュはビジュアルディテールを保ちながらビデオ長で成長する; 再帰メモリはコンパクトだが、履歴を固定サイズに圧縮する。 両表現を格納するハイブリッド空間メモリアーキテクチャであるLOCIを紹介する。
  論文  参考訳（メタデータ） (2026-09-30T17:27:06Z)
• Does Video Memory Use What It Retrieves? A Causal Audit of Memory Specificity [38.098764596232996]
  ビデオモデルは、長いシーケンスで情報を保存するためにメモリをますます利用します。 標準メモリアブレーションは、メモリが役立つかどうかをテストするが、検索したコンテンツが責任を持つかどうかをテストする。 我々はこれを読み取り時のメモリ置換で直接テストする。
  論文  参考訳（メタデータ） (2026-09-10T18:16:32Z)
• Tether the Subject, Release the Scene: Query-Aware Memory Routing for Long-Horizon Autoregressive Video Generation [52.12619606640385]
  本稿では,フリーズビデオジェネレータ用のクエリ対応メモリルータStreamingMemを紹介する。 TetherMemは、主題とシーンのクエリを分離し、地域と年齢の条件で履歴アクセスを変調する。 完全な30秒のビデオでは、背景、視点、シーンの状態の変化を保ちながら、被写体認識性と時間的連続性を維持する。
  論文  参考訳（メタデータ） (2026-08-27T10:05:17Z)
• Memento: Reconstruct to Remember for Consistent Long Video Generation [33.84564823908538]
  ロングフォームビデオ生成は、様々なショット、視点、動き、シーン遷移において、連続した被写体を維持する必要がある。 メトンは、被写体保存を明示的なアイデンティティ基盤問題として扱う、被写体再構成誘導フレームワークである。 Metonは、長期的な主題整合性、クロスショットコヒーレンス、視覚的品質において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-12T17:37:13Z)
• Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
  本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。 既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。 我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
  論文  参考訳（メタデータ） (2026-06-08T17:54:10Z)
• MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
  本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。 幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
  論文  参考訳（メタデータ） (2026-05-27T06:04:19Z)
• Lift Yourself Up: Retrieval-augmented Text Generation with Self Memory [72.36736686941671]
  本稿では,検索拡張生成モデルを改善するための新しいフレームワーク,Selfmemを提案する。 Selfmemは、検索拡張ジェネレータを反復的に使用して、無制限のメモリプールを生成し、メモリセレクタを使用して、続く生成ラウンドの1つの出力をメモリとして選択する。 我々は,3つの異なるテキスト生成タスクにおける自己メモの有効性を評価する。
  論文  参考訳（メタデータ） (2023-05-03T21:40:54Z)

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。