論文の概要: Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA

• arxiv url: http://arxiv.org/abs/2604.13731v1
• Date: Wed, 15 Apr 2026 11:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.502716
• Title: Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA
• Title（参考訳）: Doc-V*:Multi-Page Document VQAのための粗い対話型ビジュアル推論
• Authors: Yuanlei Zheng, Pei Fu, Hang Li, Ziyang Wang, Yuyi Zhang, Wenyu Ruan, Xiaojin Zhang, Zhongyu Wei, Zhenbo Luo, Jian Luan, Wei Chen, Xiang Bai,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.42483000929614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-page Document Visual Question Answering requires reasoning over semantics, layouts, and visual elements in long, visually dense documents. Existing OCR-free methods face a trade-off between capacity and precision: end-to-end models scale poorly with document length, while visual retrieval-based pipelines are brittle and passive. We propose Doc-$V^*$, an \textbf{OCR-free agentic} framework that casts multi-page DocVQA as sequential evidence aggregation. Doc-$V^*$ begins with a thumbnail overview, then actively navigates via semantic retrieval and targeted page fetching, and aggregates evidence in a structured working memory for grounded reasoning. Trained by imitation learning from expert trajectories and further optimized with Group Relative Policy Optimization, Doc-$V^*$ balances answer accuracy with evidence-seeking efficiency. Across five benchmarks, Doc-$V^*$ outperforms open-source baselines and approaches proprietary models, improving out-of-domain performance by up to \textbf{47.9\%} over RAG baseline. Other results reveal effective evidence aggregation with selective attention, not increased input pages.
• Abstract（参考訳）: 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。 既存のOCRフリーメソッドは、キャパシティと精度のトレードオフに直面している: エンドツーエンドモデルは、ドキュメントの長さで不十分にスケールする一方、ビジュアル検索ベースのパイプラインは脆弱で受動的である。 本稿では,複数ページのDocVQAを逐次的エビデンスアグリゲーションとしてキャストする,Doc-$V^*$, \textbf{OCR-free agentic} フレームワークを提案する。 Doc-$V^*$はサムネイル概要から始まり、セマンティック検索とターゲットページフェッチを通じて積極的にナビゲートし、グラウンドド推論のために構造化されたワーキングメモリにエビデンスを集約する。 専門家の軌道からの模倣学習によって訓練され、グループ相対政策最適化によってさらに最適化されたDoc-$V^*$は、答えの正確さと証拠を探す効率のバランスをとる。 5つのベンチマークで、Doc-$V^*$はオープンソースベースラインを上回り、プロプライエタリなモデルにアプローチし、RAGベースラインよりもtextbf{47.9\%}までドメイン外のパフォーマンスを改善した。 他の結果は、入力ページの増加ではなく、選択的注意を伴う効果的なエビデンスアグリゲーションが示される。

関連論文リスト

• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
  視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。 本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。 このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
  論文  参考訳（メタデータ） (2025-11-28T03:09:40Z)
• DocLens : A Tool-Augmented Multi-Agent Framework for Long Visual Document Understanding [59.4112754806335]
  我々は、レンズのようなエビデンスに対して「効果的にズームインする」ツール強化マルチエージェントフレームワークであるDocLensを提案する。 最初はドキュメント全体から、関連するページの特定のビジュアル要素にナビゲートし、次にサンプリング・アジュディテーション機構を使用して、信頼できる1つの回答を生成する。 MMLongBench-DocとFinRAG-Vで最先端のパフォーマンスを達成し、人間専門家さえ超えている。
  論文  参考訳（メタデータ） (2025-11-14T18:42:18Z)
• MoLoRAG: Bootstrapping Document Understanding via Multi-modal Logic-aware Retrieval [17.50612953979537]
  MoLoRAGはマルチモーダル・マルチページ文書理解のための論理認識検索フレームワークである。 意味論と論理的関連性を組み合わせて、より正確な検索を提供する。 4つのDocQAデータセットの実験では、平均的な9.68%の精度の向上が示されている。
  論文  参考訳（メタデータ） (2025-09-06T00:59:28Z)
• 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)
• SimpleDoc: Multi-Modal Document Understanding with Dual-Cue Page Retrieval and Iterative Refinement [17.272061289197342]
  Document Visual Question Answering (DocVQA)は実用的で難しいタスクである。 最近の手法は、同様のRAG(Retrieval Augmented Generation)パイプラインに従う。 DocVQA用の拡張フレームワークであるSimpleDocを紹介します。
  論文  参考訳（メタデータ） (2025-06-16T22:15:58Z)
• M3DocRAG: Multi-modal Retrieval is What You Need for Multi-page Multi-document Understanding [63.33447665725129]
  M3DocRAGは、様々な文書コンテキストに柔軟に対応する新しいマルチモーダルRAGフレームワークである。 M3DocRAGは視覚情報を保存しながら、単一の文書や多数の文書を効率的に処理できる。 M3DocVQAはオープンドメインDocVQAを3,000以上のPDFドキュメントと4万以上のページで評価するための新しいベンチマークである。
  論文  参考訳（メタデータ） (2024-11-07T18:29:38Z)
• End-to-End Multihop Retrieval for Compositional Question Answering over Long Documents [93.55268936974971]
  本稿では,長い文書の合成問題に答えるマルチホップ検索手法であるDocHopperを提案する。 各ステップでDocHopperは文書から段落や文を検索し、検索した結果とクエリを混合し、次のステップでクエリを更新する。 文書構造を活用すれば、長い文書の質問応答や検索性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-06-01T03:13:35Z)

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。