論文の概要: GROME: GROunding Factorized MEmory into Video World Models

• arxiv url: http://arxiv.org/abs/2610.39812v1
• Date: Thu, 29 Oct 2026 10:54:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.495136
• Title: GROME: GROunding Factorized MEmory into Video World Models
• Title（参考訳）: GROME:ビデオワールドモデルにファクトリーを組み込む
• Abstract要約: ビデオワールドモデルには長い水平一貫性が不可欠であるが、観察されたコンテンツがコンテキストウィンドウの外に落ちてしまえば、メンテナンスが困難になる。 既存のメモリメカニズムは、履歴を暗黙の文脈として取り出すか、文脈の容量によって制約されたままにするか、あるいは、履歴を明示的なグローバルな表現に統合する。 GROMEは、静的シーンと動的エンティティの両方にわたる長い水平コヒーレンスのためのビデオワールドモデルを拡張する、新しいファクタライズドメモリフレームワークである。
• 参考スコア（独自算出の注目度）: 51.92696407678947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon consistency is essential for video world models, yet it becomes difficult to maintain once observed content falls outside the context window. Existing memory mechanisms either retrieve history as implicit context, which remains constrained by context capacity and entangles static and dynamic information or consolidate history into explicit global representations, which struggle to model evolving dynamics and accumulate geometric errors. To overcome these limitations, we introduce \textbf{GROME}, a novel factorized memory framework that augments video world models for long-horizon coherence across both static scenes and dynamic entities. GROME operates via three synergistic components: 1)~\emph{Static-Dynamic Factorization} decouples historical evidence into static and dynamic components, preserving static scene geometry and dynamic entity states separately; 2)~\emph{Local Memory Retrieval} selects spatially aligned static history to eliminate geometric drift alongside the latest dynamic entity states to ensure temporal continuity; 3)~\emph{Training-Free Memory Injection} seamlessly grounds the factorized memory into video world models via their native conditioning pathways. Experiments on long-horizon revisit scenarios demonstrate that GROME substantially enhances scene persistence and dynamic entity fidelity over existing methods, all while preserving the visual quality and controllability of the frozen backbone without additional training. Beyond self-rollouts, GROME readily accommodates external observations as plug-and-play memory, unlocking flexible and controllable video continuation and scene exploration.
• Abstract（参考訳）: ビデオワールドモデルには長い水平一貫性が不可欠であるが、観察されたコンテンツがコンテキストウィンドウの外に落ちてしまえば、メンテナンスが困難になる。 既存の記憶機構は、履歴を暗黙の文脈として取り出すが、これは文脈の容量に制約され続け、静的な情報や動的情報を絡み合わせるか、あるいは履歴を明示的なグローバルな表現にまとめる。 このような制限を克服するために,静的シーンと動的エンティティの両方にわたる長水平コヒーレンスのためのビデオワールドモデルを拡張する,新しいファクタライズドメモリフレームワークである‘textbf{GROME} を導入する。 1)~\emph{Static-Dynamic Factorization} は、静的および動的コンポーネントに歴史的証拠を分離し、静的シーン幾何学と動的エンティティ状態を別々に保存する。 2)~\emph{Local Memory Retrieval} は、空間的に整列された静的履歴を選択して、時間的連続性を保証するために、最新の動的エンティティステートとともに幾何学的ドリフトを取り除く。 長期にわたる再訪シナリオの実験では、GROMEは既存の手法よりもシーンの持続性と動的エンティティの忠実性を大幅に向上する一方で、凍結したバックボーンの視覚的品質と制御性を追加のトレーニングなしで維持することを示した。 自己ロールアウト以外にも、GROMEは外部観察をプラグアンドプレイメモリとして容易に対応し、フレキシブルで制御可能なビデオ継続とシーン探索をアンロックする。

関連論文リスト

• WorldMemBench: A Comprehensive Benchmark for Memory of Video World Models [90.8083571564046]
  WorldMemBenchは、ビデオワールドモデルで世界記憶を評価するためのベンチマークである。 人間のアイデンティティと外観、オブジェクトの外観と幾何学、環境内容と幾何学の保持を通じて静的記憶を評価する。 外観と幾何学のメトリクスをイベント固有の評価と組み合わせ、ビデオの品質とカメラ追跡の精度を報告する。
  論文  参考訳（メタデータ） (2026-10-13T18:59:56Z)
• WorldDirector: Building Controllable World Simulators with Persistent Dynamic Memory [106.28234880163723]
  WorldDirectorは、高度に制御可能なビデオワールドモデルフレームワークである。 我々のフレームワークは、視覚生成から意味的な動きのオーケストレーションを明示的に分離する。 長時間の視界外から再突入しても,動的実体の正確な視覚的アイデンティティを保たせることができた。
  論文  参考訳（メタデータ） (2026-07-02T17:59:59Z)
• Out of Sight but Not Out of Mind: Hybrid Memory for Dynamic Video World Models [56.44348799741838]
  静的な背景の正確なアーキビストと動的対象の警戒トラッカーを同時に行うためにモデルを必要とする新しいパラダイムであるHybrid Memoryを導入する。 HM-Worldは、ハイブリッドメモリに特化した最初の大規模ビデオデータセットである。 また,メモリをトークンに圧縮し,時間的関連性に基づく検索機構を利用する専用メモリアーキテクチャHyDRAを提案する。
  論文  参考訳（メタデータ） (2026-03-26T17:56:01Z)
• Mem4D: Decoupling Static and Dynamic Memory for Dynamic Scene Reconstruction [17.587320705104343]
  静的幾何学と動的運動のモデリングを分離する新しいフレームワークを提案する。 Mem4Dは、グローバルな整合性を持つ静的幾何学を同時に維持し、高忠実度で動的要素を再構成する。
  論文  参考訳（メタデータ） (2025-08-11T12:23:31Z)
• Video World Models with Long-term Spatial Memory [110.530715838396]
  本稿では,ビデオワールドモデルの長期的整合性を高める新しい枠組みを提案する。 我々のフレームワークは、長期空間記憶から情報を保存・取得する機構を含んでいる。 評価の結果,関連するベースラインに比べて品質,一貫性,コンテキスト長が向上した。
  論文  参考訳（メタデータ） (2025-06-05T17:42:34Z)

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。