論文の概要: MemoryFusion: Cross-Temporal Memory Learning for Multimodal Video Fusion

• arxiv url: http://arxiv.org/abs/2610.39322v1
• Date: Thu, 29 Oct 2026 04:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 00:13:39.890767
• Title: MemoryFusion: Cross-Temporal Memory Learning for Multimodal Video Fusion
• Title（参考訳）: メモリフュージョン:マルチモーダルビデオフュージョンのための時間横断メモリ学習
• Abstract要約: MemoryFusionは、クロステンポラルなメモリ学習とプログレッシブな時間的改善を統合するフレームワークである。 既存のフレームベースおよびビデオベース融合法よりも優れた融合品質と時間的整合性を実現する。
• 参考スコア（独自算出の注目度）: 33.72001450369216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal videos contain rich temporal cues that can facilitate faithful fusion. However, existing video fusion methods mainly rely on short-range temporal interactions, leaving valuable long-term information underexplored. Moreover, inconsistent fusion representations can cause flickering artifacts, undermining temporal coherence. To address these coupled challenges, we propose MemoryFusion, a two-stage framework integrating cross-temporal memory learning with progressive temporal refinement. Considering the complementary roles of adjacent and distant frames, the first stage combines a Short-Term Memory Bank for local temporal guidance with a Long-Term Memory Bank that preserves reliable historical information through a fusion-oriented update strategy. To mitigate temporal fluctuations, a Temporal Smoothing Module leverages soft motion cues for coarse background stabilization. Building upon the resulting fusion prior, The second stage further employs a lightweight 3D residual Temporal Refinement Module to correct remaining temporal inconsistencies while enhancing structural details. Extensive experiments demonstrate that MemoryFusion achieves superior fusion quality and temporal consistency over existing frame-based and video-based fusion methods. The source code is publicly available at https://github.com/Meiqi-Gong/MemoryFusion.
• Abstract（参考訳）: マルチモーダルビデオには、忠実な融合を促進する豊富な時間的手がかりが含まれている。 しかし、既存のビデオ融合法は主に短距離時間的相互作用に依存しており、貴重な長期情報は未探索のまま残されている。 さらに、矛盾した融合表現は、フリックングアーティファクトを引き起こし、時間的コヒーレンスを損なう。 これらの課題に対処するために,時間差記憶学習と漸進的時間差改善を統合した2段階フレームワークであるMemoryFusionを提案する。 隣接フレームと遠フレームの相補的な役割を考えると、第1段階は短期記憶銀行と長期記憶銀行を結合し、融合指向更新戦略を通じて信頼できる歴史的情報を保存している。 時間変動を緩和するために、テンポラル・スムーシング・モジュールは、粗い背景安定化のためにソフトモーションキューを利用する。 2段目はさらに軽量の3D残留時間制限モジュールを使用して、構造的詳細性を高めながら、残りの時間的不整合を補正する。 大規模な実験により、メモリフュージョンは既存のフレームベースおよびビデオベース融合法よりも優れた融合品質と時間的一貫性を実現することが示された。 ソースコードはhttps://github.com/Meiqi-Gong/MemoryFusion.comで公開されている。

関連論文リスト

• FadeMem: Distance-Aware Memory Consolidation for Autoregressive Video Diffusion [59.207505503284715]
  FadeMemは、歴史的なKVブロックを固定キャッシュ予算の下で時間階層に整理する。 新しい歴史はきめ細かいエントリとして挿入され、古い隣のエントリは徐々にマージされる。 実験では、既存の有界キャッシュ戦略よりも、被験者の一貫性、背景安定性、時間的コヒーレンスが改善された。
  論文  参考訳（メタデータ） (2026-06-09T10:22:18Z)
• FTPFusion: Frequency-Aware Infrared and Visible Video Fusion with Temporal Perturbation [5.5275479200431406]
  FTP-Fusion(FTP-Fusion)は、時間的およびスパースな相互モーダル相互作用に基づく周波数対応赤外線および可視ビデオ融合法である。 FTP-Fusionは、空間的忠実度と時間的一貫性の両方において、複数のメトリクスにわたる最先端の手法を一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-02T11:08:14Z)
• TemCoCo: Temporally Consistent Multi-modal Video Fusion with Visual-Semantic Collaboration [36.255570023185506]
  既存のマルチモーダル融合法は、ビデオ融合タスクに直接静的フレームベースの画像融合技術を適用する。 本稿では、時間的モデリングと視覚的セマンティックなコラボレーションを明確に組み込んだ初めてのビデオ融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-25T09:12:55Z)
• MamFusion: Multi-Mamba with Temporal Fusion for Partially Relevant Video Retrieval [4.747939043785552]
  部分関連ビデオ検索(PRVR)は,マルチメディア検索分野における課題である。 本研究では,情報冗長性問題に対処するために,長時間の映像コンテンツ理解について検討する。 PRVRタスクに適した時間融合フレームワーク(MamFusion)を備えたマルチマンバモジュールを提案する。
  論文  参考訳（メタデータ） (2025-06-04T01:08:03Z)
• A Unified Solution to Video Fusion: From Multi-Frame Learning to Benchmarking [46.829949073521284]
  ビデオ融合の新しい統一フレームワークUnified Video Fusion (UniVF)を提案する。 UniVFは多フレーム学習と光フローベースの特徴ワープを利用して情報的・時間的に一貫性のあるビデオ融合を行う。 また,ビデオフュージョンベンチマーク (VF-Bench) も導入した。
  論文  参考訳（メタデータ） (2025-05-26T11:45:10Z)
• VideoFusion: A Spatio-Temporal Collaborative Network for Multi-modal Video Fusion and Restoration [26.59510171451438]
  既存のマルチセンサー融合研究は、主にビデオではなく複数の画像からの補完を統合している。 VideoFusionは、時間的相補性と時間的ダイナミクスを利用して、文脈的時間的コヒーレントなビデオを生成する。 大規模な実験により、VideoFusionは、シーケンシャルなシナリオで既存の画像指向の融合パラダイムより優れていることが判明した。
  論文  参考訳（メタデータ） (2025-03-30T08:27:18Z)
• Video Dehazing via a Multi-Range Temporal Alignment Network with Physical Prior [117.6741444489174]
  ビデオのデハジングは、高い可視性とコントラストでヘイズフリーフレームを回復することを目的としている。 本稿では,物理ヘイズ先行を探索し,時間的情報を集約する新しい枠組みを提案する。 大規模な屋外ビデオデハージングベンチマークデータセットを構築した。
  論文  参考訳（メタデータ） (2023-03-17T03:44:17Z)
• PromptFusion: Decoupling Stability and Plasticity for Continual Learning [83.68586386842105]
  本稿では,プロンプトフュージョン(PromptFusion)と呼ばれるプロンプトチューニングによる安定性と塑性の疎結合を実現する手法を提案する。 特にPromptFusionは、破滅的な忘れ物を扱う慎重に設計されたスタブモジュールと、新しい知識を同時に学習するためのブーモジュールで構成されている。 PromptFusionとPromptFusion-Liteはどちらも、クラスインクリメンタルとドメインインクリメンタル設定のための一般的な継続的学習データセットにおいて、有望な結果を達成することを示す実験である。
  論文  参考訳（メタデータ） (2023-03-13T15:58:00Z)

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。