論文の概要: DocOCR-Eval: A Correction-Based Framework for OCR Tool Selection Without Ground Truth
- arxiv url: http://arxiv.org/abs/2607.16203v1
- Date: Tue, 05 May 2026 10:59:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.030075
- Title: DocOCR-Eval: A Correction-Based Framework for OCR Tool Selection Without Ground Truth
- Title（参考訳）: DocOCR-Eval: 根拠のないOCRツール選択のための補正ベースのフレームワーク
- Abstract要約: 我々は,多種多様なOCRエンジンと最先端MLLMを用いて,テキスト認識性能の体系的評価を行う。
多くのOCRエンジンのコンテキスト推論機能に制限があり,手動アノテーションのコストが高いことから,DocOCR-Evalを提案する。
- 参考スコア（独自算出の注目度）: 24.056193540937144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Document parsing is a foundational step for document understanding tasks such as visual question answering and key information extraction, as it transforms unstructured scanned images into structured representations by extracting textual, visual, and layout information. While numerous Optical Character Recognition (OCR) engines and multimodal large language models (MLLMs) have been developed for this purpose, selecting an appropriate document parsing solution for a given document collection remains challenging, particularly in label-scarce settings. In this work, we conduct a systematic evaluation of text recognition performance across a diverse set of OCR engines and state-of-the-art MLLMs on multiple scanned document benchmarks spanning different domains and languages. Motivated by the limited contextual reasoning capabilities of many OCR engines and the high cost of manual annotations, we propose DocOCR-Eval, an annotation-free evaluation framework for automatic OCR assessment and selection. DocOCR-Eval employs a three-staged correction and ranking strategy to approximate annotation-based tool ordering without ground-truth labels. We show that aggregating across multiple MLLMs progressively improves alignment with annotation-based rankings. Extensive experiments further demonstrate that reliable OCR tool selection can be achieved in realistic, label-limited settings, providing practical guidance for deploying document parsing systems across diverse real-world document collections.
- Abstract（参考訳）: 文書解析は、テキスト、ビジュアル、レイアウト情報を抽出することで、構造化されていないスキャンされた画像を構造化された表現に変換することで、視覚的質問応答やキー情報抽出などの文書理解タスクの基本的なステップである。
多くの光学文字認識(OCR)エンジンとマルチモーダル大言語モデル(MLLM)がこの目的のために開発されたが、特定の文書コレクションに対して適切な文書解析ソリューションを選択することは、特にラベルスカース設定では困難である。
本研究では,様々なドメインや言語にまたがる複数の文書ベンチマークにおいて,多様なOCRエンジンと最先端MLLMを用いて,テキスト認識性能の体系的評価を行う。
多くのOCRエンジンのコンテキスト推論能力の制限と手動アノテーションの高コスト化により、我々は、OCRの自動評価と選択のためのアノテーションなし評価フレームワークDocOCR-Evalを提案する。
DocOCR-Evalは、3段階の補正とランキング戦略を用いて、接地木ラベルを使わずにアノテーションベースのツール注文を近似する。
複数のMLLMにまたがるアグリゲーションは、アノテーションベースのランキングとのアライメントを徐々に改善することを示す。
さらに大規模な実験では、信頼性の高いOCRツールの選択が、実世界の文書コレクションにまたがって文書解析システムをデプロイするための実践的なガイダンスを提供するために、ラベル制限された現実的な設定で達成できることが示されている。
関連論文リスト
- NaviDC-OCR: Navigating Document Parsing Across Digital and Camera-Captured Documents [18.60763757268658]
文書解析のための統一フレームワークであるNaviDC-OCRを提案する。
NaviDC-OCRは、幾何学的知覚をVLMに組み込む変形認識学習を導入している。
さまざまな文書解析ベンチマークで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） (2026-08-13T07:34:21Z) - MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。
433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
論文 参考訳（メタデータ） (2026-05-21T07:36:41Z) - Multimodal OCR: Parse Anything from Documents [72.69545534962234]
dots.mocrは、チャート、ダイアグラム、テーブル、アイコンなどのビジュアル要素を第一級解析ターゲットとして扱う。
テキストとグラフィックの両方を構造化出力として再構築し、より忠実なドキュメント再構築を可能にする。
不均一なドキュメント要素に対するエンドツーエンドのトレーニングをサポートする。
論文 参考訳（メタデータ） (2026-03-13T14:42:21Z) - DISCO: Document Intelligence Suite for COmparative Evaluation [1.4425299138308667]
ドキュメントインテリジェンスには、正確なテキスト抽出と、文書コンテンツに対する信頼性の高い推論が必要である。
光文字認識 (OCR) パイプラインと視覚言語モデル (VLM) を個別に評価し, 多様な文書タイプにまたがる解析と質問応答について検討した。
論文 参考訳（メタデータ） (2026-03-04T14:47:34Z) - MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering [51.19392014547221]
検索型マルチモーダル文書QAは,視覚的にリッチな文書から複雑なマルチモーダル構造を持つ関連情報を識別し,統合することを目的としている。
現在のアプローチは、サージェントなコンテンツを見渡すクエリに依存しないドキュメント表現に依存しています。
本稿では,クエリ適応生成を導入したMultimodal Adaptive Retrieval-Augmented (MARA)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T12:27:40Z) - Digitization of Document and Information Extraction using OCR [0.0]
本論文は,光学文字認識(OCR)技術とLarge Language Models(LLM)を融合したテキスト抽出フレームワークを提案する。
スキャンされたファイルはOCRエンジンで処理され、デジタルファイルはレイアウト対応のライブラリを通して解釈される。
そして、抽出した原文をLLMで解析して、キー値対を特定し、あいまいさを解消する。
論文 参考訳（メタデータ） (2025-06-11T16:03:01Z) - 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) - VISTA-OCR: Towards generative and interactive end to end OCR models [3.7548609506798494]
VISTA-OCRは、単一の生成モデル内でテキストの検出と認識を統合する軽量アーキテクチャである。
エンコーダ-デコーダアーキテクチャに基づいて構築されたVISTA-OCRは、視覚的特徴抽出フェーズから始まり、徐々に訓練される。
モデルの性能を高めるために、バウンディングボックスアノテーションと合成サンプルで強化された実世界のサンプルからなる新しいデータセットを構築した。
論文 参考訳（メタデータ） (2025-04-04T17:39:53Z) - QID: Efficient Query-Informed ViTs in Data-Scarce Regimes for OCR-free Visual Document Understanding [53.69841526266547]
トレーニング済みのVision-Language Modelを新しいデータセットで微調整することは、ビジョンエンコーダの最適化に不足することが多い。
視覚エンコーダにクエリの埋め込みを統合する,新しい,合理化されたアーキテクチャ保存アプローチであるQIDを導入する。
論文 参考訳（メタデータ） (2025-04-03T18:47:16Z) - Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。
Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-02-18T15:56:34Z) - mPLUG-DocOwl: Modularized Multimodal Large Language Model for Document
Understanding [55.4806974284156]
文書理解とは、ウェブページのようなデジタル文書から自動的に情報を抽出し、分析し、理解することである。
既存のMLLM(Multi-model Large Language Models)は、浅いOCRフリーテキスト認識において、望ましくないゼロショット機能を実証している。
論文 参考訳（メタデータ） (2023-07-04T11:28:07Z)
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。