الملخص
تمت ترجمة أجزاء من هذه الصفحة آلياً وقد تحتوي على أخطاء.
تستهدف نماذج عالم الفيديو توليد مقاطع فيديو ثلاثية الأبعاد قابلة للاكتشاف تتوافق مع مسارات الكاميرا. غالبًا ما تعتمد النهج الحالية على أنظمة الذاكرة الخارجية التي تستعيد صراحة المحتوى الملاحظ سابقا لتخفيف الانحراف في المشهد خلال توليد الأفق الطويل. ومع ذلك، تعمل هذه مسارات الذاكرة المساعدة خارج الديناميكية التوليدية الداخلية للنموذج، مما يمنع النموذج من تعلمها بشكل جوهري متى وما هي المعلومات التاريخية التي يجب استردادها. نقدم اقتراح إدخال استرداد الذاكرة داخلياً في عملية التوليد، مما يسمح للاسترداد بالظهور كسلوك داخلي لنموذج عالم الفيديو بدلاً من الاعتماد على نظام ذاكرة خارجي. بناءً على هذا المبدأ، نقوم بإدخال \textbf{Learning-to-Retrieve (L2R)}، الذي يعيد استخدام الحالة الداخلية المستمرة للنموذج كذاكرة في السياق التاريخي. يتوفر بوابة استرداد ذات تكييف الكاميرا بشكل انتقائي على المعلومات التاريخية ذات الصلة من هذه الحالة، ويقرر \textit{what to retrieve}، في حين أن محفز الاسترداد يحدد \textit {when to retriever}. نحن نراقب الزناد بإشارة إعادة رؤية ثلاثية الأبعاد، مما يؤدي إلى تفعيل الاسترداد عندما يعود المحتوى الملاحظ سابقاً إلى الرؤية الحالية مع الحفاظ على السياق القائم. معًا، تمكن هذه المكونات النموذج من اكتساب سلوك استرداد الذاكرة بشكل جوهري وإدماج الملاحظات التاريخية ذات الصلة في الجيل دون مسار استرداد منفصل. عبر العديد من النماذج الأساسية ومعايير مراجعة الكاميرا، يحسن L2R استنتاج المشهد على المدى الطويل مع القضاء على الحاجة إلى بنك ذاكرة خارجي أو ظروف 3D. https://jkhu29.github.io/l2r
الكلمات المفتاحية
الموضوع
بيانات النشر
- المجلة
- غير متاح
- وصول مفتوح
- وصول مفتوح أخضر
اقتبس هذه المقالة
APA 7
Hu, J., Chen, T., Pan, Y., Qiu, X., Liu, J., Cao, X., Zhu, Z., Chen, G., Ye, H., Wang, B., & Lu, Y. (2026). تعلم الاسترداد: استرداد الذاكرة المتواصلة لنماذج عالم الفيديو. https://omanscience.com/ar/articles/learning-to-retrieve-internalizing-memory-retrieval-for-video-world-models
MLA 9
Hu, JiaKui, et al. "تعلم الاسترداد: استرداد الذاكرة المتواصلة لنماذج عالم الفيديو." https://omanscience.com/ar/articles/learning-to-retrieve-internalizing-memory-retrieval-for-video-world-models.
شيكاغو (المؤلف–التاريخ)
Hu, JiaKui, Tailai Chen, Yuqi Pan, Xuerui Qiu, Jialun Liu, Xiao Cao, Zhenxin Zhu, Guang Chen, Hangjun Ye, Bing Wang, and Yanye Lu. 2026. "تعلم الاسترداد: استرداد الذاكرة المتواصلة لنماذج عالم الفيديو." https://omanscience.com/ar/articles/learning-to-retrieve-internalizing-memory-retrieval-for-video-world-models.
هارفارد
Hu, J., Chen, T., Pan, Y., Qiu, X., Liu, J., Cao, X., Zhu, Z., Chen, G., Ye, H., Wang, B. and Lu, Y. (2026) 'تعلم الاسترداد: استرداد الذاكرة المتواصلة لنماذج عالم الفيديو', Available at: https://omanscience.com/ar/articles/learning-to-retrieve-internalizing-memory-retrieval-for-video-world-models.
فانكوفر
Hu J, Chen T, Pan Y, Qiu X, Liu J, Cao X, et al. تعلم الاسترداد: استرداد الذاكرة المتواصلة لنماذج عالم الفيديو. https://omanscience.com/ar/articles/learning-to-retrieve-internalizing-memory-retrieval-for-video-world-models
IEEE
J. Hu, T. Chen, Y. Pan, X. Qiu, J. Liu, X. Cao, Z. Zhu, G. Chen, H. Ye, B. Wang, and Y. Lu, "تعلم الاسترداد: استرداد الذاكرة المتواصلة لنماذج عالم الفيديو," https://omanscience.com/ar/articles/learning-to-retrieve-internalizing-memory-retrieval-for-video-world-models.