論文の概要: Reading or Guessing? Visual Grounding Failures of Vision-Language Models for OCR in Ancient Greek Editions

• arxiv url: http://arxiv.org/abs/2605.27750v1
• Date: Tue, 26 May 2026 22:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.589151
• Title: Reading or Guessing? Visual Grounding Failures of Vision-Language Models for OCR in Ancient Greek Editions
• Title（参考訳）: 読み書き? 古代ギリシア版OCRにおける視覚言語モデルの視覚的グラウンドニング失敗
• Authors: Antonia Karamolegkou, Nicolas Angleraud, Benoît Sagot, Thibault Clérice,
• Abstract要約: 光文字認識のための視覚言語モデル(VLM)は、可視だが視覚的にサポートされていないテキストを生成することができる。 我々は、VLMエラーが間違った場合でも流用し続け、もっともらしいギリシャの代替品を産出することを示す。 この結果は,OCR言語が低リソースの史料に依存しているという以前の証拠を延長するものである。
• 参考スコア（独自算出の注目度）: 16.43811675687955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has shown that Vision-Language Models (VLMs) used for optical character recognition (OCR) can generate plausible but visually unsupported text, suggesting reliance on language priors. Comparing open-weight VLMs with traditional OCR baselines on low-resource Ancient Greek critical editions, we show that VLM errors often remain fluent even when wrong, producing plausible Greek substitutions where traditional engines produce local recognition noise. To analyze visual evidence during decoding, we introduce controlled image perturbations and token-level grounding measures based on conditional versus image-free decoding distributions. Under character-level perturbations, VLMs diverge sharply from the perturbed ground truth while traditional OCR remains comparatively faithful; however, token-level analysis shows that prior reliance is model-specific: in an OCR-specialist model, fluent lexical errors are produced with little reliance on the image, whereas general-purpose VLMs remain conditioned on the visual input even when wrong. Decode-time interventions fail to reliably restore grounding, while post-OCR language-model correction improves several systems only by repairing text after generation. Our results extend prior evidence of OCR language-prior reliance to low-resource historical documents and a broader set of models, showing that fluent output is not necessarily visually grounded and motivating interpretability-driven evaluation beyond aggregate accuracy.
• Abstract（参考訳）: 近年の研究では、光学文字認識(OCR)に使用される視覚言語モデル(VLM)が、可視だが視覚的にサポートされていないテキストを生成できることが示されている。 オープンウェイトなVLMと、低リソースの古代ギリシアのクリティカルエディションの伝統的なOCRベースラインを比較すると、VLMのエラーは間違っていても流動的であり、従来のエンジンが局所的な認識ノイズを発生させるような、もっともらしいギリシャの代替品を生み出すことが示される。 復号化時の視覚的証拠を分析するために,条件付きと自由な復号化分布に基づいて,制御された画像摂動とトークンレベルのグラウンド化手法を導入する。 文字レベルの摂動の下では、VLMは摂動基底の真理から大きく分岐し、従来のOCRは比較的忠実であるが、トークンレベルの分析では、事前依存はモデル固有のものであることが示されている。 復号時間介入はグラウンドを確実に復元することができないが、OCR後の言語モデル修正は、生成後のテキストの修復によってのみ、複数のシステムを改善する。 我々は,OCR言語が低リソースの歴史的文書やより広範なモデルに依存していることの先行証拠を拡張し,流動的なアウトプットが必ずしも視覚的に基礎付けられている訳ではなく,集合的精度を超えた解釈可能性による評価を動機付けていることを示す。

関連論文リスト

• Bridging the Missing-Modality Gap: Improving Text-Only Calibration of Vision Language Models [14.752088383510788]
  視覚言語モデル(VLM)はしばしばテキストのみの入力にデプロイされるが、画像で訓練されている。 視覚的モダリティを除去すると精度が大きく低下し、誤校正が厳しくなり、テキストのみのプロンプトでは元の言語バックボーンのように動作しないことがわかった。 我々は,テキスト入力から遅延埋め込みを予測し,ピクセルレベルの画像合成を行なわずに凍結したVLMバックボーンに供給する軽量なクロスアテンションモジュールであるLatent Imagination Module (LIM)を提案する。
  論文  参考訳（メタデータ） (2026-04-03T10:03:02Z)
• Error Patterns in Historical OCR: A Comparative Analysis of TrOCR and a Vision-Language Model [0.07874708385247352]
  18世紀の印刷テキストのOCRは、劣化した印刷品質、古式グリフ、標準化されていない正書法のために、依然として困難である。 我々は,OCRトランス (TrOCR) と汎用視覚言語モデル (Qwen) を比較した。 TrOCRは、より一貫して正書法的忠実性を維持するが、カスケードエラー伝播の傾向が強い。
  論文  参考訳（メタデータ） (2026-02-16T07:17:52Z)
• Vision Language Models Are Not (Yet) Spelling Correctors [0.742779257315787]
  視覚入力からのスペル補正は視覚言語モデル(VLM)に固有の課題をもたらす 我々は、中国語と英語で実世界の視覚スペル補正について、VLMを体系的に評価する最初のベンチマークであるReViCoを提案する。
  論文  参考訳（メタデータ） (2025-09-22T07:10:42Z)
• DianJin-OCR-R1: Enhancing OCR Capabilities via a Reasoning-and-Tool Interleaved Vision-Language Model [9.557159109747372]
  大型視覚言語モデル(LVLM)は、入力画像に存在しない単語を生成する幻覚を引き起こす傾向がある。 DianJin-OCR-R1は、ドメイン固有のデータセットに基づいて訓練された推論とツールをインターリーブしたVLMである。
  論文  参考訳（メタデータ） (2025-08-18T03:28:57Z)
• Fine-Grained Verifiers: Preference Modeling as Next-token Prediction in Vision-Language Alignment [57.0121616203175]
  本研究では,視覚言語アライメントを改善するための細粒度検証器として,モデル自身のビジュアルエンコーダを利用する新たな自己アライメント手法であるFiSAOを提案する。 ビジョンエンコーダからのトークンレベルのフィードバックを活用することで、FiSAOは視覚言語アライメントを大幅に改善する。
  論文  参考訳（メタデータ） (2024-10-18T03:34:32Z)
• Do LVLMs Understand Charts? Analyzing and Correcting Factual Errors in Chart Captioning [90.13978453378768]
  生成したチャートキャプションに事実誤りを包括的に分類する。 大規模な人間のアノテーションの取り組みは、様々なチャートキャプションモデルによって作られたキャプションのエラーパターンと頻度に関する洞察を提供する。 分析の結果,GPT-4Vを含む最先端モデルでさえ,事実不正確なキャプションを頻繁に生成していることが判明した。
  論文  参考訳（メタデータ） (2023-12-15T19:16:21Z)
• 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)

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。