論文の概要: DocPruner: A Storage-Efficient Framework for Multi-Vector Visual Document Retrieval via Adaptive Patch-Level Embedding Pruning

• arxiv url: http://arxiv.org/abs/2509.23883v1
• Date: Sun, 28 Sep 2025 13:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.506624
• Title: DocPruner: A Storage-Efficient Framework for Multi-Vector Visual Document Retrieval via Adaptive Patch-Level Embedding Pruning
• Title（参考訳）: DocPruner:Adaptive Patch-Level Embedding Pruningによるマルチベクタビジュアルドキュメント検索のためのストレージ効率の良いフレームワーク
• Abstract要約: Visual Document Retrieval (VDR)は多くの現実世界のアプリケーションに不可欠である。 近年の手法は多ベクトルパラダイムにおけるLVLM(Large Vision-Language Models)を活用している。 1ページあたり数百のベクタを格納することは、大規模なデプロイメントをコストと実用的でないものにします。 DocPrunerは、VDRに適応パッチレベルの埋め込みプルーニングを適用し、ストレージオーバーヘッドを効果的に削減する最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 42.36155936529965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual Document Retrieval (VDR), the task of retrieving visually-rich document pages using queries that combine visual and textual cues, is crucial for numerous real-world applications. Recent state-of-the-art methods leverage Large Vision-Language Models (LVLMs) in a multi-vector paradigm, representing each document as patch-level embeddings to capture fine-grained details. While highly effective, this approach introduces a critical challenge: prohibitive storage overhead, as storing hundreds of vectors per page makes large-scale deployment costly and impractical. To address this, we introduce DocPruner, the first framework to employ adaptive patch-level embedding pruning for VDR to effectively reduce the storage overhead. DocPruner leverages the intra-document patch attention distribution to dynamically identify and discard redundant embeddings for each document. This adaptive mechanism enables a significant 50-60% reduction in storage for leading multi-vector VDR models with negligible degradation in document retrieval performance. Extensive experiments across more than ten representative datasets validate that DocPruner offers a robust, flexible, and effective solution for building storage-efficient, large-scale VDR systems.
• Abstract（参考訳）: ビジュアルドキュメント検索(Visual Document Retrieval, VDR)は、視覚的およびテキスト的キューを組み合わせたクエリを使用して、視覚的にリッチなドキュメントページを取得するタスクである。 近年の最先端手法では,マルチベクタパラダイムでLVLM(Large Vision-Language Models)を活用し,各ドキュメントをパッチレベルの埋め込みとして表現し,詳細な詳細を捉える。 ページ毎に数百のベクタを格納することで、大規模なデプロイメントをコストがかかり非現実的になるからだ。 これを解決するために、我々はDocPrunerを紹介した。DocPrunerは、VDRに適応パッチレベルの埋め込みプルーニングを適用して、ストレージオーバーヘッドを効果的に削減する最初のフレームワークである。 DocPrunerはドキュメント内のパッチの注意分布を利用して、各ドキュメントの冗長な埋め込みを動的に識別し、破棄する。 この適応機構により、文書検索性能の無視できる劣化を伴うマルチベクトルVDRモデルをリードする上で、50-60%の大幅なストレージ削減が可能となる。 10以上の代表的なデータセットにわたる大規模な実験により、DocPrunerは、ストレージ効率の良い大規模VDRシステムを構築するための堅牢でフレキシブルで効果的なソリューションを提供することを確認した。

関連論文リスト

• Stellar: Scalable Multimodal Document Retrieval for Natural Language Queries [31.77486898786121]
  マルチモーダル文書検索は,レトリーバル拡張生成(RAG)システムにおいて重要な役割を担っている。 このようなマルチベクタ表現は、検索中にかなりのメモリオーバーヘッドを発生させ、スケーラビリティが低下し、実際のデプロイメントを妨げます。 我々は、スケーラブルなマルチモーダル文書検索フレームワークであるStellarを紹介し、ディスク上にトークンレベルの文書埋め込みを格納し、遅いインタラクションのために少数の候補埋め込みだけをメモリにロードする。
  論文  参考訳（メタデータ） (2026-06-18T08:57:26Z)
• DocRetriever: A Plug-and-Play Framework for Multimodal Document Retrieval with Comprehensive Benchmark [48.84943754804533]
  マルチモーダル文書には、テーブル、フィギュア、レイアウトなど、さまざまな要素が含まれている。 現在のアプローチでは、高精度の検索を実現するために、高密度の視覚埋め込みモデルと教師付きリランカを組み合わせるのが一般的である。 本稿では,レイアウトを意識したスパース埋め込み技術による視覚検索を支援するプラグイン・アンド・プレイフレームワークDocRetrieverを提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:50:53Z)
• Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
  複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。 我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
  論文  参考訳（メタデータ） (2026-04-15T11:12:27Z)
• Visual Late Chunking: An Empirical Study of Contextual Chunking for Efficient Visual Document Retrieval [39.59931739606983]
  ColChunkは、マルチモーダル遅延チャンキングを導入し、効率的なコンテキスト化されたマルチベクタを構築するプラグイン・アンド・プレイフレームワークである。 24のVDRデータセットに対する評価は、ColChunkがストレージ要求の90%以上を削減したことを示している。
  論文  参考訳（メタデータ） (2026-04-11T11:31:11Z)
• MURE: Hierarchical Multi-Resolution Encoding via Vision-Language Models for Visual Document Retrieval [111.99106496142474]
  Visual Document Retrieval (VDR)は、微細な視覚的詳細とグローバルな文書構造の両方をキャプチャする表現を必要とする。 既存のVDRモデルは、高解像度文書を処理する際に効率と効率のバランスをとるのに苦労する。 本稿では,X-VisEmbパラダイムを提案する。X-VisEmbパラダイムは,多分解能サンプリングと符号化から,粒度横断的特徴融合から適応的表現蒸留へと進展する。
  論文  参考訳（メタデータ） (2026-03-07T15:17:22Z)
• Beyond the Grid: Layout-Informed Multi-Vector Retrieval with Parsed Visual Document Representations [39.98860473310998]
  ColParseは、ドキュメント解析モデルを利用して、レイアウトインフォームドされた小さなサブイメージの埋め込みを生成する新しいパラダイムである。 実験により,本手法はストレージ要求を95%以上削減し,同時に性能向上を図っている。
  論文  参考訳（メタデータ） (2026-03-02T09:55:00Z)
• CausalEmbed: Auto-Regressive Multi-Vector Generation in Latent Space for Visual Document Embedding [71.88471147281406]
  マルチベクトル埋め込み構築のための自動回帰生成手法CausalEmbedを提案する。 コントラストトレーニング中に反復的マージン損失を導入することで、CausalEmbedは埋め込みモデルにコンパクトでよく構造化された表現を学ぶことを奨励する。 本手法は,数十個の視覚トークンを用いた効率的なVDR処理を実現し,トークン数を30～15倍削減する。
  論文  参考訳（メタデータ） (2026-01-29T04:47:27Z)
• Separate the Wheat from the Chaff: Winnowing Down Divergent Views in Retrieval Augmented Generation [61.47019392413271]
  WinnowRAGは、価値あるコンテンツを保持しながら、ノイズの多いドキュメントを体系的にフィルタリングするように設計されている。 WinnowRAGは2段階で動作する: ステージIでは、クエリ対応クラスタリングを行い、類似したドキュメントをグループ化し、異なるトピッククラスタを形成する。 ステージIIでは,批判的なLCMが複数のエージェントの出力を評価し,有用な文書をノイズのあるものから反復的に分離する。
  論文  参考訳（メタデータ） (2025-11-01T20:08:13Z)
• Enhancing Document VQA Models via Retrieval-Augmented Generation [1.6769365072542683]
  ドキュメントVQAは数十ページに及ぶドキュメントに対処しなければならないが、主要なシステムは依然として非常に大きな視覚言語モデルに依存している。 Retrieval-Augmented Generation (RAG) は魅力的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-08-26T12:32:55Z)
• Improving Document Retrieval Coherence for Semantically Equivalent Queries [63.97649988164166]
  同じ文書を検索する際のモデルのコヒーレンスを改善する訓練DRにおける多段階ランク付け損失のバリエーションを提案する。 この損失は、多様だがセマンティックな等価なクエリのために検索されたトップkランクのドキュメント間の不一致を罰する。
  論文  参考訳（メタデータ） (2025-08-11T13:34:59Z)
• Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding [0.0]
  Retrieval-Augmented Generation (RAG) システムは情報検索と質問応答に革命をもたらした。 従来のテキストベースのチャンキング手法は、複雑なドキュメント構造、マルチページテーブル、埋め込みフィギュア、ページ境界を越えたコンテキスト依存に苦労する。 本稿では,Large Multimodal Models(LMM)を利用してPDF文書をバッチで処理する,新しいマルチモーダル文書チャンキング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T05:11:43Z)
• VDocRAG: Retrieval-Augmented Generation over Visually-Rich Documents [30.012487475552575]
  本稿では,新たなRAGフレームワークであるVDocRAGを導入し,様々な文書やモダリティを統一された画像形式で直接理解する。 また、OpenDocVQAは、オープンドメイン文書の視覚的質問応答データセットを統合化した最初のコレクションである。
  論文  参考訳（メタデータ） (2025-04-14T01:50:33Z)
• Learning More Effective Representations for Dense Retrieval through Deliberate Thinking Before Search [65.53881294642451]
  ディリベレート思考に基づくDense Retriever (DEBATER) DEBATERは、ステップバイステップの思考プロセスを通じて、より効果的な文書表現を学習できるようにすることにより、最近の密集型検索機能を強化している。 実験の結果,DEBATERはいくつかのベンチマークで既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)
• DocPedia: Unleashing the Power of Large Multimodal Model in the Frequency Domain for Versatile Document Understanding [91.17151775296234]
  本研究は, OCRフリー文書理解のための新しい大規模マルチモーダルモデル(LMM)であるDocPediaを提案する。 既存の作業では高解像度のドキュメントで苦労したり、大きな言語モデルを捨てたり、視覚や言語能力に制約があったりするのに対して、DocPediaでは、ピクセル空間ではなく、周波数領域の視覚入力を直接処理しています。
  論文  参考訳（メタデータ） (2023-11-20T14:42:25Z)
• SeDR: Segment Representation Learning for Long Documents Dense Retrieval [17.864362372788374]
  長文Dense Retrieval(SeDR)のためのセグメンテーション表現学習を提案する。 SeDRは長いドキュメントを文書認識とセグメント認識の表現にエンコードするが、分割とプーリングの複雑さを保っている。 MS MARCO と TREC-DL データセットを用いた実験により,SeDR は DR モデルにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-11-20T01:28:44Z)

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。