論文の概要: Efficient Domain Adaptation for Text Line Recognition via Decoupled Language Models

• arxiv url: http://arxiv.org/abs/2603.28028v1
• Date: Mon, 30 Mar 2026 04:39:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.230633
• Title: Efficient Domain Adaptation for Text Line Recognition via Decoupled Language Models
• Title（参考訳）: 疎結合言語モデルを用いたテキストライン認識のための効率的なドメイン適応
• Authors: Arundhathi Dev, Justin Zhan,
• Abstract要約: 本稿では,単一GPUトレーニングによる近SOTA精度を実現するモジュール型検出・補正フレームワークを提案する。 本手法は、ドメイン固有の言語補正から、軽量な視覚的文字検出(ドメインに依存しない)を分離する。 その結果、この分離されたパラダイムは、計算量を約95%削減しつつ、エンドツーエンドの変換器の精度と一致していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical character recognition remains critical infrastructure for document digitization, yet state-of-the-art performance is often restricted to well-resourced institutions by prohibitive computational barriers. End-to-end transformer architectures achieve strong accuracy but demand hundreds of GPU hours for domain adaptation, limiting accessibility for practitioners and digital humanities scholars. We present a modular detection-and-correction framework that achieves near-SOTA accuracy with single-GPU training. Our approach decouples lightweight visual character detection (domain-agnostic) from domain-specific linguistic correction using pretrained sequence models including T5, ByT5, and BART. By training the correctors entirely on synthetic noise, we enable annotation-free domain adaptation without requiring labeled target images. Evaluating across modern clean handwriting, cursive script, and historical documents, we identify a critical "Pareto frontier" in architecture selection: T5-Base excels on modern text with standard vocabulary, whereas ByT5-Base dominates on historical documents by reconstructing archaic spellings at the byte level. Our results demonstrate that this decoupled paradigm matches end-to-end transformer accuracy while reducing compute by approximately 95%, establishing a viable, resource-efficient alternative to monolithic OCR architectures.
• Abstract（参考訳）: 光文字認識は、文書のデジタル化において重要な基盤であり続けているが、最先端のパフォーマンスは、しばしば禁止された計算障壁によって、よく調達された機関に制限される。 エンドツーエンドのトランスフォーマーアーキテクチャは高い精度を達成するが、ドメイン適応には数百時間のGPU時間を必要とし、実践者やデジタル人文科学研究者のアクセシビリティを制限する。 本稿では,単一GPUトレーニングによる近SOTA精度を実現するモジュール型検出・補正フレームワークを提案する。 提案手法は,T5,BYT5,BARTなどの事前学習シーケンスモデルを用いて,ドメイン固有の言語補正から,軽量な視覚的文字検出(ドメインに依存しない)を分離する。 完全合成ノイズで補正器を訓練することにより,ラベル付き対象画像を必要としないアノテーションのないドメイン適応が可能となる。 T5-Baseは標準的な語彙で現代テキストを抜粋するのに対し、ByT5-Baseはバイトレベルで古文の綴りを再構築することで歴史的文書に支配的である。 この分離されたパラダイムは、計算量を約95%削減し、モノリシックなOCRアーキテクチャに代わる実行可能なリソース効率の代替となることを実証した。

関連論文リスト

• Infinity Parser: Layout Aware Reinforcement Learning for Scanned Document Parsing [46.14775667559124]
  layoutRLは、レイアウトを明示的に認識するようにモデルをトレーニングするエンドツーエンドの強化学習フレームワークである。 堅牢なドキュメント理解の進歩を加速するために、コードとデータセットを公開します。
  論文  参考訳（メタデータ） (2025-06-01T15:19:52Z)
• MetaWriter: Personalized Handwritten Text Recognition Using Meta-Learned Prompt Tuning [6.274266343486906]
  従来の手書き文字認識法では、テスト時に書き手固有のパーソナライゼーションが欠如している。 本稿では、パーソナライズを即時チューニングとして定式化する効率的なフレームワークを提案する。 RIMES および IAM Handwriting Database ベンチマークに対する我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2025-05-26T20:26:16Z)
• Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
  機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。 既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。 これらの課題を克服するために、新しい方法論とデータセットを導入します。
  論文  参考訳（メタデータ） (2024-12-17T08:47:41Z)
• LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
  自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。 125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。 これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-03-04T15:34:12Z)
• Data Generation for Post-OCR correction of Cyrillic handwriting [41.94295877935867]
  本稿では,B'ezier曲線に基づく合成手書き生成エンジンの開発と応用に焦点を当てる。 このようなエンジンは、任意の量で非常にリアルな手書きテキストを生成し、それを利用して実質的なデータセットを作成する。 本データセットに手書きテキスト認識(HTR)モデルを適用し,OCRエラーを識別し,POCモデルトレーニングの基礎となる。
  論文  参考訳（メタデータ） (2023-11-27T15:01:26Z)
• Lexically Aware Semi-Supervised Learning for OCR Post-Correction [90.54336622024299]
  世界中の多くの言語における既存の言語データの多くは、非デジタル化された書籍や文書に閉じ込められている。 従来の研究は、あまり良くない言語を認識するためのニューラル・ポスト・コレクション法の有用性を実証してきた。 そこで本研究では,生画像を利用した半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-04T04:39:02Z)
• TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models [47.48019831416665]
  本稿では,事前学習した画像変換器とテキスト変換器モデル,すなわちTrOCRを用いたエンドツーエンドのテキスト認識手法を提案する。 TrOCRは単純だが効果的であり、大規模な合成データで事前訓練し、人間のラベル付きデータセットで微調整することができる。 実験により、TrOCRモデルは、印刷されたテキスト認識タスクと手書きのテキスト認識タスクの両方において、現在の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-21T16:01:56Z)
• Rethinking Text Line Recognition Models [57.47147190119394]
  2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。 広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。 より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
  論文  参考訳（メタデータ） (2021-04-15T21:43:13Z)

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。