우리는 글로벌 메모리 기반 계획과 로컬 기하학적 강화 제어를 통합하는 제로샷 시각적 탐색을 위한 이중 스케일 프레임워크인 MG-Nav(Memory-Guided Navigation)를 제안한다. 이 프레임워크의 핵심은 희소 공간 메모리 그래프(Sparse Spatial Memory Graph, SMG)로, 각 노드는 다중 시점 키프레임 및 객체 의미 정보를 집약하여 외관과 공간 구조를 동시에 포착하면서도 시점 다양성을 유지하는 컴팩트하고 영역 중심의 메모리 구조이다. 글로벌 수준에서는 에이전트가 SMG 상에서 국소화되며, 이미지-인스턴스 하이브리드 검색을 통해 목표 조건부 노드 경로를 계획하여 장거리 탐색을 위한 도달 가능한 웨이포인트 시퀀스를 생성한다. 로컬 수준에서는 네비게이션 기반 정책이 이러한 웨이포인트를 포인트-목표 모드로 실행하며 장애물 인식 기반 제어를 수행하며, 최종 노드에서 시각적 목표로 이동할 때는 이미지-목표 모드로 전환한다. 또한 관측 및 목표 특징을 공유된 3D 인식 공간에서 정렬함으로써 시점 일치 및 목표 인식 성능을 더욱 향상시키기 위해, 사전 학습된 VGGT 모델 기반의 경량 기하 모듈인 VGGT-adapter를 도입한다. MG-Nav는 글로벌 계획과 로컬 제어를 서로 다른 주기로 수행하며, 주기적인 재국소화를 통해 오차를 보정한다. HM3D Instance-Image-Goal 및 MP3D Image-Goal 벤치마크에서의 실험 결과, MG-Nav는 제로샷 성능에서 최신 기준을 달성하며, 동적 재배치 및 미지의 장면 조건에서도 뛰어난 강건성을 유지함을 입증하였다.