論文の概要: ClinOCR-Bench: A Comprehensive Clinical Scanned Document Dataset for Optical Character Recognition Model Evaluation
- arxiv url: http://arxiv.org/abs/2607.03650v1
- Date: Sat, 04 Jul 2026 00:19:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.67315
- Title: ClinOCR-Bench: A Comprehensive Clinical Scanned Document Dataset for Optical Character Recognition Model Evaluation
- Title（参考訳）: ClinOCR-Bench:光文字認識モデル評価のための総合的臨床スキャンドキュメンテーションデータセット
- Abstract要約: 我々は、公開され、現実的なOCRベンチマークデータセットであるClinOCR-Benchをリリースした。
ClinOCR-Benchは、さまざまなドキュメントタイプとレイアウト、一般的なEHRスキャンアーティファクトのフルカバレッジ、保護された健康情報のない機能を備えている。
ベースラインOCR性能は最先端のオープンウェイトおよびプロプライエタリなVLMを用いて評価した。
- 参考スコア（独自算出の注目度）: 4.105909125198805
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Extracting textual information from scanned medical documents, such as external laboratory reports and manually filled forms, has been a major challenge in modern electronic health records (EHRs). Recent advancements in vision language models (VLMs) have shown great promise over traditional OCR tools. However, at this point, most clinical OCR studies were conducted on private, institutional data. To our knowledge, there are few publicly available datasets for evaluating OCR models in the clinical domain. Furthermore, common scanning artifacts that undermine OCR performance are not reflected in those datasets, leaving a systematic evaluation unfeasible. Therefore, we release a publicly available, realistic-looking OCR benchmark dataset, ClinOCR-Bench, with 384 scanned images across 6 subsets: Normal, Handwriting, Poor Quality, Rotation, Tables, and Mix-artifacts. ClinOCR-Bench features: 1) diverse document types and layouts, 2) full coverage of common EHR scan artifacts, 3) protected health information-free, 4) template-aware train/test split, and 5) adequate sample size for OCR benchmarking. Baseline OCR performance was evaluated using state-of-the-art open-weight and proprietary VLMs. The dataset and documentation are available on GitHub (https://github.com/ClinOCR-Bench/ClinOCR-Bench).
- Abstract（参考訳）: 現代の電子健康記録(EHR)では,外部の検査報告や手書きの書式など,スキャンされた医療文書からテキスト情報を抽出することが大きな課題となっている。
近年の視覚言語モデル(VLM)の進歩は,従来のOCRツールに対して大きな可能性を秘めている。
しかし、この時点では、ほとんどの臨床OCR研究は、私的、制度的なデータに基づいて行われた。
我々の知る限り、臨床領域でOCRモデルを評価するために利用可能なデータセットは少ない。
さらに、OCR性能を損なう一般的なスキャンアーティファクトはこれらのデータセットには反映されず、体系的な評価は不可能である。
そのため、我々は、正規、手書き、粗悪な品質、回転、テーブル、ミックスアーティファクトの6つのサブセットで384の画像をスキャンした、公開可能な現実的なOCRベンチマークデータセットであるClinOCR-Benchをリリースしました。
ClinOCR-Benchの機能
1) 各種文書の種類及びレイアウト
2)一般的なEHRスキャンアーティファクトの完全なカバレッジ。
3)保護された健康情報なし。
4) テンプレート対応トレイン/テストスプリット及び
5) OCRベンチマークに十分なサンプルサイズを示した。
ベースラインOCR性能は最先端のオープンウェイトおよびプロプライエタリなVLMを用いて評価した。
データセットとドキュメントはGitHubで公開されている(https://github.com/ClinOCR-Bench/ClinOCR-Bench)。
関連論文リスト
- OCR-EDR: Rendering-Aware Diagnosis and Repair for Closed-Loop OCR Improvement [14.643765225504078]
OCR-EDR (OCR Error Diagnosis and repair) は,細粒度診断から反復的修復へ進化するレンダリング対応フレームワークである。
我々はOCRErrBenchを、テキストと公式、正確かつレンダリング等価な正、真のエラーなど、多様な実OCR予測から構築する。
OCR-EDRは、きめ細かいOCR分析を検証された補正と性能向上に変換する。
論文 参考訳（メタデータ） (2026-09-03T07:02:17Z) - TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。
TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
論文 参考訳（メタデータ） (2026-08-08T04:50:00Z) - CC-OCR V2: Benchmarking Large Multimodal Models for Literacy in Real-world Document Processing [33.84177435117706]
CC-OCR V2は、現実世界の文書処理に適した総合的で挑戦的なOCRベンチマークである。
CC-OCR V2は、実際のエンタープライズ文書処理タスクに重点を置いており、以前のベンチマークでは重要ではありませんでしたが、ハードケースとコーナーケースを取り入れています。
14の先進的なLMMの実験により、現在のモデルは現実世界のアプリケーション要件に満たないことが明らかになった。
論文 参考訳（メタデータ） (2026-05-05T15:56:12Z) - GlotOCR Bench: OCR Models Still Struggle Beyond a Handful of Unicode Scripts [58.92151016423978]
我々は100以上のUnicodeスクリプトでOCRを評価する総合ベンチマークであるGlotOCR Benchを紹介する。
我々のベンチマークは、実際の多言語テキストからレンダリングされたクリーンで劣化した画像の変種で構成されている。
オープンウェイトでプロプライエタリなビジョン言語モデルを幅広く評価した結果,ほとんどの場合,10文字未満でうまく動作することがわかった。
論文 参考訳（メタデータ） (2026-04-14T17:12:41Z) - 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) - Lost in OCR Translation? Vision-Based Approaches to Robust Document Retrieval [38.569818461453394]
Retrieval-Augmented Generation (RAG)は、外部文書の応答をグラウンド化するための技術である。
従来のRAGシステムは、スキャンされた文書をテキストに最初に処理するために光学文字認識(OCR)に依存していた。
ColPaliのような近年の視覚言語アプローチでは、ドキュメントの直接的な視覚的埋め込みを提案しており、OCRの必要性を排除している。
論文 参考訳（メタデータ） (2025-05-08T21:54:02Z) - Benchmarking Vision-Language Models on Optical Character Recognition in Dynamic Video Environments [3.5936169218390703]
本稿では、動的ビデオ環境における光学的文字認識(OCR)タスクの視覚言語モデル(VLM)を評価するためのオープンソースのベンチマークを提案する。
コードエディタ,ニュースブロードキャスト,YouTubeビデオ,広告など,さまざまな領域にまたがる1,477の注釈付きフレームを含むキュレートデータセットを提案する。
論文 参考訳（メタデータ） (2025-02-10T13:20:19Z) - CC-OCR: A Comprehensive and Challenging OCR Benchmark for Evaluating Large Multimodal Models in Literacy [50.78228433498211]
CC-OCRは、マルチシーンテキスト読取、多言語テキスト読取、文書解析、キー情報抽出の4つのOCR中心のトラックで構成されている。
39のサブセットと7,058のフルアノテートされたイメージが含まれており、そのうち41%が実際のアプリケーションからソースされ、初めてリリースされた。
我々は9つの顕著なLMMを評価し、これらのモデルの長所と短所、特にテキストの接地、多目的化、繰り返しの幻覚について明らかにした。
論文 参考訳（メタデータ） (2024-12-03T07:03:25Z) - 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) - User-Centric Evaluation of OCR Systems for Kwak'wala [92.73847703011353]
OCRを利用すると、文化的に価値ある文書の書き起こしに費やした時間を50%以上削減できることを示す。
この結果から,OCRツールが下流言語ドキュメントや再生作業において持つ潜在的なメリットが示された。
論文 参考訳（メタデータ） (2023-02-26T21:41:15Z) - OCR-IDL: OCR Annotations for Industry Document Library Dataset [8.905920197601171]
商用OCRエンジンを用いたIDL文書のOCRアノテーションを公開する。
寄付されたデータセット(OCR-IDL)は20万USドル以上と見積もられている。
論文 参考訳（メタデータ） (2022-02-25T21:30:48Z) - Donut: Document Understanding Transformer without OCR [17.397447819420695]
我々は,OCRフレームワークを基盤にすることなく,エンドツーエンドのトレーニングが可能な新しいVDUモデルを提案する。
提案手法は,公開ベンチマークデータセットとプライベート産業サービスデータセットの各種文書理解タスクにおける最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-11-30T18:55:19Z)
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。