論文の概要: FormStruct-Bench:A Hierarchical and Diagnostic Benchmark for Table-Form Document Structure Recognition
- arxiv url: http://arxiv.org/abs/2608.10396v1
- Date: Tue, 11 Aug 2026 02:44:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.870665
- Title: FormStruct-Bench:A Hierarchical and Diagnostic Benchmark for Table-Form Document Structure Recognition
- Title（参考訳）: FormStruct-Bench:テーブル形式の文書構造認識のための階層的および診断ベンチマーク
- Abstract要約: 本稿では,テーブル形式の文書構造認識を評価する階層的および診断的ベンチマークであるFormStruct-Benchを紹介する。
オーディショナブルな地上真実を大規模に構築するために、70の再利用可能なテンプレートを注釈付けし、7000の検証済みインスタンスに拡張する。
14以上のAPIがホストされ、ローカルにデプロイ可能なシステムと2つのSFT版があり、最高の文書レベルスコアは83.85%に達し、報告されている最も詳細な構造スコアは18%以下である。
- 参考スコア（独自算出の注目度）: 3.879207672674058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transforming table-form documents into machine-processable records requires recovering not only their visible content but also the multilevel structure that organizes it. However, existing benchmarks evaluate either holistic document outputs or conventional table grids, and their aggregate scores provide little insight into where structural failures occur. We introduce FormStruct-Bench, a hierarchical and diagnostic benchmark that evaluates table-form document structure recognition at both the document level and progressively finer component levels, allowing aggregate performance to be traced back to specific structural failure modes. To construct auditable ground truth at scale, we annotate 70 reusable templates and expand them into 7,000 verified instances through a provenance-preserving Director--Artist--Verifier pipeline; all 1,100 instances in the template-disjoint test set additionally receive human review. Our evaluation protocol uses five primary metrics and three structure-specific diagnostics across page, schema, and component levels, together with slices over difficulty, structural constraints, and visual degradation. Across 14 API-hosted and locally deployable systems plus two SFT variants, the best document-level score reaches 83.85%, whereas the best reported fine-grained structural score remains below 18%. These results reveal a pronounced gap between reading document content and recovering the hierarchy and regional organization required for reliable table-form understanding.
- Abstract（参考訳）: テーブル形式の文書を機械処理可能なレコードに変換するには、可視コンテンツだけでなく、それを整理する多層構造を復元する必要がある。
しかしながら、既存のベンチマークでは、全体論的な文書出力または従来の表グリッドを評価しており、それらの集計スコアは構造的故障の発生場所についての洞察をほとんど与えていない。
本稿では,階層的かつ診断的なベンチマークであるFormStruct-Benchを紹介し,文書レベルとコンポーネントレベルの両方でテーブル形式の文書構造認識を評価し,集計性能を特定の構造的障害モードに遡ることができることを示す。
監査可能な地上の真実を大規模に構築するために、70の再利用可能なテンプレートを注釈付けし、実証されたディレクタ-Artist--Verifierパイプラインを通じて7000の検証済みインスタンスに拡張します。
評価プロトコルでは,ページ,スキーマ,コンポーネントレベルにまたがる5つの主要な指標と3つの構造特異的診断と,難易度,構造的制約,視覚的劣化のスライスを併用した。
14以上のAPIがホストされ、ローカルにデプロイ可能なシステムと2つのSFT版があり、最高の文書レベルスコアは83.85%に達し、報告されている最も詳細な構造スコアは18%以下である。
これらの結果から,文書内容の読み出しと,信頼性の高い表形式理解に必要な階層構造と地域組織との明確なギャップが明らかとなった。
関連論文リスト
- LongDocBench: Benchmarking TOC Hierarchy and Contextual Relationship Recovery in Long Documents [7.641999919052611]
我々は,85の現実世界の財務報告,教科書,および2,582ページに及ぶ学術論文からなるtextscLongDocBenchを紹介した。
3,937のノード(平均ノード深さ3.55、最大深度9)と2,680のテーブルと図形オブジェクトにアノテートされた3,258のコンテキスト関係に対して、人間検証されたアノテーションを提供する。
長期文書質問回答実験は、人間の検証された階層と文脈的関係が推論を改善し、それらの組み合わせが補完的な利益をもたらすことを示している。
論文 参考訳（メタデータ） (2026-08-15T06:25:26Z) - Beyond Tables: Doc2DB-Bench for Relationally Faithful Document-to-Database Construction [4.062546658033461]
本稿ではDoc2DB-Benchについて紹介する。
42のスキーマと7つのドメイングループにまたがる203の長いドキュメントインスタンスがあり、117のエンティティテーブル、132のリレーションテーブル、7,341の行、41,935のセルがある。
論文 参考訳（メタデータ） (2026-08-09T03:58:39Z) - Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing [53.41293908252118]
我々は、エキスパートレベルの文書解析のための困難を意識したベンチマークであるDocBench博士を紹介する。
Dr. DocBenchは52のBISACドメインにまたがり、障害ベースのサンプリングによってドキュメントを選択する。
約100ページにわたる長いドキュメントから4,514ページの注釈付きページが含まれており、レイアウト、読み込み順序、階層的関係、ドメイン固有のビジュアルコンテンツなど、65kの高品質なアノテーションがある。
本分析では,文書インテリジェンスを診断・進展するための総合的なテストベッドとしてDocBench博士が注目されている。
論文 参考訳（メタデータ） (2026-05-31T18:35:30Z) - HiKEY: Hierarchical Multimodal Retrieval for Open-Domain Document Question Answering [19.052998569565627]
HiKEYは階層木に基づくマルチモーダル検索フレームワークであり、文書階層を1級検索信号に高める。
ODQAベンチマークの実験では、HiKEYはページベースとチャンクベースのベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2026-05-28T08:42:21Z) - 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) - MoDora: Tree-Based Semi-Structured Document Analysis System [62.01015188258797]
半構造化文書は、様々な不規則なレイアウトで配置された様々なインターリーブされたデータ要素を統合する。
MoDora は半構造化文書解析のための LLM を利用したシステムである。
実験では、MoDoraは5.97%-61.07%の精度でベースラインを上回っている。
論文 参考訳（メタデータ） (2026-02-26T14:48:49Z) - SPIRE: Structure-Preserving Interpretable Retrieval of Evidence [0.09558392439655013]
木構造ドキュメント上で動作する構造対応検索パイプラインを提案する。
私たちは、ドキュメントプリミティブの小さなセット、パスとパスセットを定義します。
グローバルな文脈化は、選択を理解不能にするために必要な非局所的な足場を追加する。
局所的な文脈化は、その構造領域内での種選択を拡張して、コンパクトで文脈に富んだビューを得る。
論文 参考訳（メタデータ） (2026-02-12T03:46:10Z) - 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) - UniHDSA: A Unified Relation Prediction Approach for Hierarchical Document Structure Analysis [7.057192434574117]
我々は、UniHDSAと呼ばれるHDSAの統一的な関係予測手法を提案する。
UniHDSAは、様々なHDSAサブタスクを関係予測問題として扱い、関係予測ラベルを統一ラベル空間に統合する。
UniHDSAの有効性を検証するために,Transformerアーキテクチャに基づくマルチモーダル・エンド・ツー・エンド・システムを開発した。
論文 参考訳（メタデータ） (2025-03-20T06:44:47Z) - SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。
SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。
データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
論文 参考訳（メタデータ） (2024-06-13T02:35:55Z) - Detect-Order-Construct: A Tree Construction based Approach for Hierarchical Document Structure Analysis [9.340346869932434]
本稿では,複数のサブタスクを同時に処理する木構築手法を提案する。
このフレームワークに基づく効果的なエンドツーエンドソリューションを提案し,その性能を実証する。
本システムでは,2つの大規模文書レイアウト解析データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-01-22T12:00:37Z) - Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text
Documents via Semantic-Oriented Hierarchical Graphs [79.0426838808629]
視覚的にリッチなテーブルテキスト文書に答えるTAT-DQAを提案する。
具体的には、離散推論機能を強化した新しいDoc2SoarGraphフレームワークを提案する。
我々は,TAT-DQAデータセットに関する広範な実験を行い,提案したフレームワークは,テストセット上でのエクサクティマッチ(EM)とF1スコアでそれぞれ17.73%,F1スコアで16.91%の最高のベースラインモデルを上回る結果を得た。
論文 参考訳（メタデータ） (2023-05-03T07:30:32Z)
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。