Fugu-MT 論文翻訳(概要): ForMaT: Dataset for Visually-Grounded Multilingual PDF Translation

論文の概要: ForMaT: Dataset for Visually-Grounded Multilingual PDF Translation

arxiv url: http://arxiv.org/abs/2605.15794v1
Date: Fri, 15 May 2026 09:50:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-18 21:22:26.244597
Title: ForMaT: Dataset for Visually-Grounded Multilingual PDF Translation
Title（参考訳）: ForMaT: ビジュアルグラウンド多言語PDF翻訳用データセット
Authors: Michał Ciesiółka, Dawid Wiśniewski, Adrian Charkiewicz, Kamil Guttmann,
Abstract要約: ForMaT (Format-Preserving Multilingual Translation) は15言語対で3,956 PDF の並列コーパスである。我々はK-メドイドを用いて45以上の幾何学的特徴をサンプリングし、ネストテーブルや公式のような複雑な要素をキャプチャし、視覚的に多様なPDF文書にのみフォーカスする。
参考スコア（独自算出の注目度）: 0.27998963147546146
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present ForMaT (Format-Preserving Multilingual Translation), a parallel corpus of 3,956 PDFs across 15 language pairs that preserves original layout metadata proposed for multimodal machine translation. To ensure structural diversity in the dataset, we employ K-Medoids sampling over 45 geometric features, capturing complex elements like nested tables and formulas to focus only on visually diverse PDF documents. Our evaluation reveals that current MT systems struggle with spatial grounding and geometric synchronization, often losing the link between text and its visual context. ForMaT provides a benchmark for developing layout-aware translation models that integrate visual and textual context for high-fidelity document reconstruction.
Abstract（参考訳）: ForMaT (Format-Preserving Multilingual Translation) は15言語対で3,956個のPDFを並列に生成し,マルチモーダル機械翻訳のために提案されたレイアウトメタデータを保存する。データセットの構造的多様性を確保するために、45以上の幾何学的特徴をサンプリングし、ネストテーブルや公式のような複雑な要素をキャプチャして、視覚的に多様なPDF文書にのみフォーカスするK-メドイドを用いる。評価の結果,現在のMTシステムは空間的接地や幾何的同期に苦慮しており,テキストと視覚的コンテキストの関連性が失われることが多い。 ForMaTは、高忠実度文書再構成のための視覚的コンテキストとテキスト的コンテキストを統合するレイアウト対応翻訳モデルを開発するためのベンチマークを提供する。

関連論文リスト

BabelDOC: Better Layout-Preserving PDF Translation via Intermediate Representation [9.979324579114392]
既存の文書翻訳パイプラインは言語処理とレイアウト保存の緊張に直面している。本稿では、レイアウト保存PDF翻訳のためのIRベースのフレームワークであるBabelDOCを紹介する。 BabelDOCは、セマンティックコンテンツから視覚的なレイアウトメタデータを分離し、文書レベルの翻訳操作を可能にする。
論文参考訳（メタデータ） (2026-05-11T16:56:44Z)
Benchmarking Vision-Language Models for French PDF-to-Markdown Conversion [0.14680035572775532]
本稿では,近年のVLM(Vision-Language Models)を用いたPDF-to-Markdown変換の評価を行った。そこで本研究では,6万件の文書のコーパスから抽出したサンプルデータを用いて,難解なページを抽出する手法を提案する。我々は、手書きとフォームで最強のプロプライエタリなモデルに対して、かなり高いロバスト性を観察する一方、いくつかのオープンウェイトシステムは、標準のプリントレイアウトにおいて競争力を維持している。
論文参考訳（メタデータ） (2026-02-12T13:55:43Z)
M3DR: Towards Universal Multilingual Multimodal Document Retrieval [0.0]
M3DR(Multilingual Multimodal Document Retrieval)は,言語間のギャップを埋めるためのフレームワークである。異なる視覚言語アーキテクチャとモデルサイズにまたがって一般化し、堅牢な言語間およびモーダル間のアライメントを可能にします。我々のモデルであるNetraEmbedとColNetraEmbedは、言語間検索における150%の相対的な改善で最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2025-12-03T07:17:59Z)
MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。 2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
論文参考訳（メタデータ） (2025-11-13T15:12:17Z)
VisR-Bench: An Empirical Study on Visual Retrieval-Augmented Generation for Multilingual Long Document Understanding [49.07705729597171]
VisR-Benchは、長い文書における質問駆動型マルチモーダル検索のベンチマークである。ベンチマークは、1.2Kドキュメントで35K以上の高品質なQAペアで構成されています。テキストベースの手法,マルチモーダルエンコーダ,MLLMなど,さまざまな検索モデルを評価する。
論文参考訳（メタデータ） (2025-08-10T21:44:43Z)
Towards Visual Text Grounding of Multimodal Large Language Model [74.22413337117617]
本稿では,テキストリッチな画像グラウンドのベンチマークを行うための命令データセットを新たに設計した新しいタスクであるTRIGを紹介する。具体的には,OCR-LLM-ヒューマンインタラクションパイプラインを提案し,800の注釈付き質問応答ペアをベンチマークとして作成する。提案したベンチマークによる各種MLLMの包括的評価は,テキストリッチな画像上でのグラウンド化能力の大幅な制限を明らかにする。
論文参考訳（メタデータ） (2025-04-07T12:01:59Z)
M3T: A New Benchmark Dataset for Multi-Modal Document-Level Machine Translation [32.39711525205274]
文書翻訳はニューラルマシン翻訳(NMT)システムにとって課題となる。ほとんどの文書レベルのNMTシステムは、厳密にキュレートされた文レベルの並列データに依存している。現実世界の文書は、これらの前提に反する複雑なテキストレイアウトを持つことが多い。本稿では,半構造化文書を翻訳する包括的タスクにおいて,NMTシステムを評価するための新しいベンチマークデータセットであるM3Tを紹介する。
論文参考訳（メタデータ） (2024-06-12T14:28:25Z)
DocLLM: A layout-aware generative language model for multimodal document understanding [12.093889265216205]
本稿では,従来の大規模言語モデル(LLM)の軽量拡張であるDocLLMについて述べる。本モデルは,空間配置構造を組み込むための境界ボックス情報にのみ焦点をあてる。我々のソリューションは、すべてのタスクにまたがる16のデータセットのうち14のデータセットでSotA LLMよりも優れており、これまで見つからなかった5つのデータセットのうち4のデータセットで十分に一般化されていることを実証しています。
論文参考訳（メタデータ） (2023-12-31T22:37:52Z)
Beyond Triplet: Leveraging the Most Data for Multimodal Machine Translation [53.342921374639346]
マルチモーダル機械翻訳は、視覚などの他のモーダルからの情報を取り入れることで、翻訳品質を向上させることを目的としている。従来のMMTシステムは主に視覚情報へのアクセスと利用に重点を置いており、画像関連データセット上でそれらの手法を検証する傾向がある。本稿では,MTのための新しい手法と新しいデータセットを確立する。
論文参考訳（メタデータ） (2022-12-20T15:02:38Z)

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。