論文の概要: What Remains in Sight? Autoregressive Video Decoding as Representation-Guided Context Rewriting

• arxiv url: http://arxiv.org/abs/2611.04164v1
• Date: Tue, 03 Nov 2026 01:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 01:29:26.525189
• Title: What Remains in Sight? Autoregressive Video Decoding as Representation-Guided Context Rewriting
• Title（参考訳）: 視覚に残るものは何か? 表現誘導型文脈書き換えとしての自己回帰的ビデオデコーディング
• Abstract要約: textscReCRは、自動回帰ビデオデコーディングを表現誘導コンテキスト書き換えとして定式化する。 textscReCRは、一致した可視予算の下で複数の自己回帰バックボーンを一貫して改善する。
• 参考スコア（独自算出の注目度）: 10.055964106432581
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Long-horizon video generation is increasingly moving toward autoregressive rollout, where each newly generated segment becomes part of the evidence used for future prediction. Recent causal decoders, long-context training, and KV-cache mechanisms have extended feasible duration, but most inference pipelines still decide the visible past implicitly through recent windows, compressed caches, or external memory. This raises a direct question: \textbf{can the choice of which past frames or segments to show to the decoder be treated as an explicit test-time decision?} We answer this question with \textsc{ReCR}, a training-free method that formulates autoregressive video decoding as representation-guided context rewriting. At each step, \textsc{ReCR} builds a selected visible context from the generated history by using internal decoder representations to favor context units that match the global rollout state, avoid redundancy with the recent continuation, preserve temporal boundary coverage, and widen the range of spatial layouts in view. The selected units are then mapped onto a compact causal axis before decoding the next block. Across long-horizon text-to-video benchmarks, \textsc{ReCR} consistently improves multiple autoregressive backbones under matched visible-token budgets. Empirical analyses such as representation-space diagnostics and transition-count prompt switching further show that improving what remains visible is an effective path toward more stable long-video decoding.
• Abstract（参考訳）: ロングホライゾンビデオ生成は、自動回帰的なロールアウトに向かってますます動き始めており、そこでは、新しく生成された各セグメントが将来の予測に使用されるエビデンスの一部となる。 最近の因果デコーダ、長期コンテキストトレーニング、KVキャッシュ機構は実現可能な期間を延長しているが、ほとんどの推論パイプラインは、最近のウィンドウ、圧縮キャッシュ、または外部メモリを通して暗黙的に見える過去を決定する。 これは直接的な疑問を提起する: \textbf{can the choice of the past frames or segments to show to the decoder be be treated as an explicit test-time decision? 自動回帰ビデオデコーディングを表現誘導型文脈書き換えとして定式化する訓練不要な方法である。 各ステップにおいて、textsc{ReCR}は、内部デコーダ表現を使用して生成された履歴から選択された可視的コンテキストを構築し、グローバルなロールアウト状態にマッチするコンテキスト単位を選択し、最近の継続との冗長性を避け、時間的境界範囲を保持し、視野における空間レイアウトの範囲を広げる。 次に選択されたユニットは、次のブロックを復号する前にコンパクトな因果軸にマッピングされる。 長い水平テキストとビデオのベンチマーク全体で、 \textsc{ReCR} は、一致した可視的予算の下で複数の自己回帰バックボーンを一貫して改善する。 表現空間診断やトランジッション・カウント・プロンプト・スイッチングのような経験的分析により、目に見えるものを改善することは、より安定した長ビデオデコードへの効果的な経路であることが示された。

関連論文リスト

• ReferStream: Interactive Subject Injection for Streaming Video Generation [49.99361424756921]
  ストリーミングビデオ生成中に自然に新しい主題を注入するには、新たに供給された視覚的参照を既存のビデオに統合する必要がある。 我々はReferStreamを提案する。ReferStreamは、現在のシーンと過渡キャッシュインジェクションを使って参照構造を結合するフレームワークである。 我々はReferStream Benchを紹介した。これは、スケジュールされた参照到着、進化する命令、およびInShotおよびMultiShot生成における対象存在の明示的なアノテーションを備えた新しいベンチマークである。
  論文  参考訳（メタデータ） (2026-10-27T17:12:42Z)
• Enhancing Long-Video VLM Embeddings with Query-Aware Streaming Latent Reasoning [48.92009312610144]
  長いビデオの埋め込みには、限られた視覚的な予算の下で、スパースクエリ関連エビデンスをキャプチャする必要がある。 textbfQuery-Aware Streaming Latent Reasoning (QASLR)を紹介する。 QASLRはフレームの有界集合を選択し、時間順を復元し、ヴィジュアル言語によるバックボーンでクリップで処理する。
  論文  参考訳（メタデータ） (2026-10-04T02:05:48Z)
• LayerRecall: A State-Conditioned Memory Router for Long-Horizon Consistency in Video Generation [22.878882105342182]
  自己回帰ビデオ拡散は、境界付けられた最近の文脈からチャンクを生成する。 頻度ベースのキャッシュは、被写体、オブジェクト、シーン、または属性が再び現れるときに必要となる歴史的手がかりを排除します。 LayerRecallは関連するK/V状態を取得し、バックボーン固有のメモリ依存レイヤにのみ注入する。
  論文  参考訳（メタデータ） (2026-08-28T15:49:13Z)
• 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)
• ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation [69.45329019089041]
  マルチショットビデオ外挿(マルチショットビデオ外挿、Multi-Shot Video Extrapolation、MSVE)は、観察されたフレームまたはクリップを撮影的に構造化された一連のショットに拡張するタスクである。 MSVEは、長ビデオの障害は単にコンテキスト長の制限ではなく、コンテキスト割り当ての障害であることを明らかにした。 本稿では,再帰的コンテキスト割当(Recursive Context Allocation, ReCA)を提案する。
  論文  参考訳（メタデータ） (2026-05-26T04:16:56Z)
• Follow the Saliency: Supervised Saliency for Retrieval-augmented Dense Video Captioning [7.051314153203061]
  既存のDense Video Captioning(DVC)の検索強化アプローチは、真のイベント境界に沿った正確な時間分割を達成できないことが多い。 提案フレームワークであるbfSTaRCは、ハイライト検出モジュールを通じてフレームレベルのサリエンシを監視することによって、この制限を克服する。 我々はYouCook2とViTTベンチマークで総合的な評価を行い、STaRCはほとんどのメトリクスで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） (2026-03-12T02:37:21Z)
• InfLVG: Reinforce Inference-Time Consistent Long Video Generation with GRPO [73.33751812982342]
  InfLVGは、追加のロングフォームビデオデータを必要としないコヒーレントなロングビデオ生成を可能にする推論時フレームワークである。 InfLVGはビデオ長を最大9$times$まで拡張でき、シーン間の一貫性とセマンティック忠実性を実現することができる。
  論文  参考訳（メタデータ） (2025-05-23T07:33:25Z)
• Rethinking Video Tokenization: A Conditioned Diffusion-based Approach [58.164354605550194]
  新しいトークン化ツールであるDiffusion Conditioned-based Gene Tokenizerは、GANベースのデコーダを条件付き拡散モデルで置き換える。 再建に基本的MSE拡散損失とKL項,LPIPSを併用した訓練を行った。 CDTのスケールダウン版(3$times inference speedup)でさえ、トップベースラインと互換性がある。
  論文  参考訳（メタデータ） (2025-03-05T17:59:19Z)
• LatentWarp: Consistent Diffusion Latents for Zero-Shot Video-to-Video Translation [21.815083817914843]
  我々はtextitLatentWarp というゼロショット動画翻訳フレームワークを提案する。 我々のアプローチは単純で、クエリトークンの時間的一貫性を制約するために、潜伏した空間にワープ操作を組み込む。 textitLatentWarpの時間的コヒーレンスによるビデオ間翻訳における優位性を示す実験結果を得た。
  論文  参考訳（メタデータ） (2023-11-01T08:02:57Z)

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。