論文の概要: KoViDoRe: Korean Visual Document Retrieval

• arxiv url: http://arxiv.org/abs/2608.20840v1
• Date: Fri, 21 Aug 2026 08:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.469276
• Title: KoViDoRe: Korean Visual Document Retrieval
• Title（参考訳）: KoViDoRe: 韓国のビジュアルドキュメント検索
• Abstract要約: 韓国のビジュアル文書検索のベンチマークであるKoViDoReを紹介する。 データセットは、テーブルやフィギュア、マルチカラム構造など、さまざまなレイアウトを備えた、公開可能な韓国のドキュメントから構築されている。 また,韓国のビジュアルドキュメントに適した検索モデルの開発を支援するため,大規模トレーニングデータセットであるKo-VDR Train Publicをキュレートした。
• 参考スコア（独自算出の注目度）: 3.5302061668374036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in multimodal retrieval have improved the ability to retrieve information from visually rich documents such as PDFs and reports. However, existing benchmarks remain largely centered on English and provide limited coverage of Korean visual documents with complex structures. Furthermore, most existing Korean resources primarily evaluate single-page retrieval, failing to capture realistic scenarios that require evidence aggregation across multiple pages. To address these gaps, we introduce KoViDoRe, a benchmark for Korean visual document retrieval. The dataset is constructed from publicly available Korean documents with diverse layouts, including tables, figures, and multi-column structures. We develop a multi-stage data curation pipeline consisting of structured document parsing, synthetic query generation using both summary-based and context-based strategies, and relevance mapping with human verification. Using KoViDoRe, we evaluate a wide range of multimodal retrieval models and observe that current models struggle to effectively handle Korean visual document retrieval, particularly in settings involving structured content and diverse query types. Motivated by this finding, we further curate a large-scale training dataset, Ko-VDR Train Public, to support the development of retrieval models tailored to Korean visual documents. Together, KoViDoRe and Ko-VDR Train Public provide a unified benchmark and training resource for Korean visual document retrieval.
• Abstract（参考訳）: マルチモーダル検索の最近の進歩は、PDFやレポートなどの視覚的に豊かな文書から情報を取得する能力を改善している。 しかし、既存のベンチマークは主に英語に重点を置いており、複雑な構造を持つ韓国の視覚文書を限定的にカバーしている。 さらに、既存の韓国のリソースの多くは、主にシングルページ検索を評価しており、複数のページにわたる証拠収集を必要とする現実的なシナリオを捉えていない。 これらのギャップに対処するため、韓国のビジュアル文書検索のベンチマークであるKoViDoReを紹介する。 データセットは、テーブルやフィギュア、マルチカラム構造など、さまざまなレイアウトを備えた、公開可能な韓国のドキュメントから構築されている。 我々は、構造化文書解析、要約と文脈に基づく戦略の両方を用いた合成クエリ生成、人間による検証による関連マッピングからなる多段階データキュレーションパイプラインを開発する。 KoViDoReを用いて、多モード検索モデルの評価を行い、特に構造化コンテンツや多様なクエリータイプを含む設定において、現在のモデルが韓国のビジュアルドキュメント検索を効果的に扱うのに苦労していることを観察する。 この発見により、韓国のビジュアル文書に適した検索モデルの開発を支援するため、大規模トレーニングデータセットであるKo-VDR Train Publicを更にキュレートする。 KoViDoReとKo-VDR Train Publicは、韓国のビジュアルドキュメント検索のための統一されたベンチマークとトレーニングリソースを提供する。

関連論文リスト

• ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval [62.80735412748694]
  ConceptFormerは、ビジュアル文書検索のための潜在概念表現学習フレームワークである。 クエリ関連エビデンスとは、局所化された視覚的エビデンスとセマンティックな関連性を明確に橋渡しする、連続的でクエリ条件付き潜在概念である。 平均的なNDCG@10では、最強のビジュアル検索ベースラインと最強のOCRベースのテキスト検索ベースラインに対して16.7%と22.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2026-08-16T12:07:12Z)
• KoVRE: Training an Efficient Embedding Model for Korean Visual Document Retrieval [2.7900391222798295]
  KoVRE:KoVRE: Korean Visual Document Retrieval Embeddingは、韓国のビジュアルドキュメントのためのシングルベクターレトリバーである。 韓国語と英語の問合せページペア708,729で、肯定的かつ否定的なマイニングを用いてモデルをトレーニングする。 本研究は,両言語を対象とする指導と,慎重に設計した訓練戦略により,韓国の高能率VDRモデルを作成できることを実証した。
  論文  参考訳（メタデータ） (2026-08-02T17:11:09Z)
• 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)
• 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)
• 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)
• SDS KoPub VDR: A Benchmark Dataset for Visual Document Retrieval in Korean Public Documents [10.146296597660598]
  既存のビジュアル文書検索(VDR)のベンチマークは、非英語言語と公式出版物の構造的複雑さを概ね見落としている。 SDS KoPub VDRは,韓国の公文書の検索と理解のための,最初の大規模公開ベンチマークである。 ベンチマークは361の現実世界のドキュメント上に構築されており、KOGL Type 1ライセンス下の256ファイル、公式の法的ポータルからの105ファイルが含まれている。
  論文  参考訳（メタデータ） (2025-11-07T01:16:07Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• 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)
• LiGT: Layout-infused Generative Transformer for Visual Question Answering on Vietnamese Receipts [0.964547614383472]
  本稿ではベトナムにおける大規模な文書VQAデータセットであるReceiptVQA(textbfReceipt textbfVisual textbfQuestion textbfAnswering)について述べる。 データセットには textbf9,000+ のレシートイメージと textbf60,000+ の注釈付き質問応答ペアが含まれている。
  論文  参考訳（メタデータ） (2025-02-26T15:09:28Z)
• Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction [24.62245834301022]
  文書解析は、構造化されていない半構造化された文書を構造化された機械可読データに変換するのに不可欠である。 本調査では,文書解析の現状を概観する。 モジュラーパイプラインシステムから、大規模なビジョン言語モデルによって駆動されるエンドツーエンドモデルまで、主要な方法論をカバーする。
  論文  参考訳（メタデータ） (2024-10-28T16:11:35Z)
• ColPali: Efficient Document Retrieval with Vision Language Models [15.369861972085136]
  我々は、複数のドメイン、言語、実用的な設定にまたがる様々なページレベルの検索タスクからなるVisual Document Retrieval Benchmark ViDoReを紹介する。 現代のシステムの本質的な複雑さと性能上の欠点は、ドキュメントページのイメージを直接埋め込むことで文書検索を行うという新しい概念を動機付けている。 文書ページの画像から高品質なマルチベクトル埋め込みを生成するために訓練されたビジョン言語モデルColPaliをリリースする。
  論文  参考訳（メタデータ） (2024-06-27T15:45:29Z)

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。