論文の概要: AcroMELD: Recovering Interactive PDF Forms with Structure-Aware Graph Set Transformers
- arxiv url: http://arxiv.org/abs/2608.22338v1
- Date: Sun, 23 Aug 2026 10:12:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.972824
- Title: AcroMELD: Recovering Interactive PDF Forms with Structure-Aware Graph Set Transformers
- Title（参考訳）: AcroMELD: 構造化対応グラフセット変換器による対話型PDFフォームの復元
- Abstract要約: AcroMELD (AcroForm Multi-source Evidence Linking Decoder) は、ラベルのないPDFプリミティブを持つ高解像度のビジュアルトランスフォーマーである。
4つのグラフ集合層は、幾何学的に偏ったスパース近傍とPDF構造に交差する位置の情報を交換する。
我々は,不確定な開発,校正,内部テスト,隔離された外部保持機能を備えたハッシュバウンド評価プロトコルを定義する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interactive PDF form fields are often absent from documents that visually resemble forms, leaving users unable to enter data without printing or external editing tools. Detecting the missing widgets is difficult because a field may be indicated by several overlapping cues, born-digital PDFs expose useful but incomplete drawing structure, and dense pages can contain hundreds of fields. We introduce AcroMELD (AcroForm Multi-source Evidence Linking Decoder), a 39.4M-parameter detector that combines a high-resolution visual transformer with label-free PDF primitives. Its 896-query set comprises 384 visual proposals, 384 structure-seeded proposals, and 128 learned recovery queries. Four graph-set layers exchange information over geometry-biased sparse neighborhoods and cross-attend to PDF structure. A learned same-field relation links co-referent candidates, while a localization-quality head is trained on the containment-aware overlap used by the downstream recovery decision. We define a hash-bound evaluation protocol with disjoint development, calibration, internal-test, and quarantined external-holdout roles. The sealed, single-seed candidate reaches native containment micro-$F_1$ 0.9344 on the internal test and 0.8477 on the one-shot external holdout (95% PDF-cluster bootstrap interval [0.8339, 0.8605]). This passes the registered historical FFGBT-v8 reference by 0.0186 absolute $F_1$. Under the stricter external adapter, however, performance is 0.7786 IoU-$0.5$ $F_1$ and 0.2900 COCO mAP, below a locally evaluated CommonForms-L reference; the signature class receives no prediction at the selected threshold. Thus the result supports the registered operational gate while exposing substantial domain and rare-class limitations.
- Abstract（参考訳）: インタラクティブなPDFフォームフィールドは、しばしば視覚的に形式に似ている文書から欠落しており、ユーザーは印刷や外部編集ツールなしではデータを入力できない。
欠落したウィジェットの検出は、フィールドが複数の重なり合うキューによって表示される可能性があるため、生来のデジタルPDFは有用だが不完全な描画構造を示し、密集したページは数百のフィールドを含むことができるため、難しい。
AcroMELD (AcroForm Multi-source Evidence Linking Decoder) は、39.4Mパラメータ検出器で、高解像度のビジュアルトランスフォーマーとラベルフリーのPDFプリミティブを組み合わせたものである。
896クエリセットは、384のビジュアルプロポーザル、384の構造化シードプロポーザル、128の学習されたリカバリクエリで構成されている。
4つのグラフ集合層は、幾何学的に偏ったスパース近傍とPDF構造に交差する位置の情報を交換する。
学習された同一フィールド関係は、共参照候補をリンクし、ローカライゼーション品質のヘッドは、下流回復判定で使用される包含・認識重複に基づいて訓練される。
我々は,不確定な開発,校正,内部テスト,隔離された外部保持機能を備えたハッシュバウンド評価プロトコルを定義する。
シールされたシングルシード候補は、内部テストでmicro-$F_1$ 0.9344、ワンショット外部ホールアウトで0.8477に達する(95%PDFクラスタブートストラップ間隔 [0.8339, 0.8605])。
これは登録済みのFFGBT-v8参照を0.0186絶対$F_1$で渡す。
しかし、より厳格な外部アダプタでは、パフォーマンスは0.7786 IoU-$0.5$$F_1$と0.2900 COCO mAPであり、ローカルに評価されたCommonForms-L参照以下である。
これにより、登録された操作ゲートをサポートし、相当なドメインとレアクラスの制限を露呈する。
関連論文リスト
- Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - SPARE: Structural Parameter-Free Affinity Regularization for Flow Matching [30.43836162456455]
内部表現の正規化は効果的な加速器として現れているが、既存の手法は相補的なコストで2つのファミリーに分かれている。
構造について提案する。
Free Affinity Regularization (SPARE) は、中間トークンのペアの親和性とクリーンな潜在性の親和性とを一致させる正規化器である。
ImageNetでは、400Kレートの予算でSiTバックボーンと$256の256$で、SPAREはエンコーダ、ヘッド、パラメータを追加せず、トレーニングメモリはわずか0.08GBである。
論文 参考訳（メタデータ） (2026-08-03T09:50:51Z) - When Does Explicit View Routing Work? A Controlled Study of Multi-View Graph-Text Alignment [0.5721241882795979]
グラフテキスト検索は通常、クエリが1つのセマンティックな側面だけに関する場合であっても、グラフとその記述を1つの埋め込みにマッピングする。
アーキテクチャのチャネル化は、必ずしもセマンティックなルーティングではなく、解決できることを示します。
論文 参考訳（メタデータ） (2026-07-29T23:49:37Z) - CrackedPDFs: A Controlled Benchmark for Hidden Prompt Injection in PDFs [0.0]
我々はPDFに隠れプロンプトインジェクションのためのベンチマークであるCrackedPDFsを紹介する。
ベンチマークには4,983基のドキュメントから29,322個のPDFが含まれている。
9,774の注入ファイルと19,548の良性または一致した共同創業者ファイルが含まれている。
論文 参考訳（メタデータ） (2026-07-03T14:24:26Z) - A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。
このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。
The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
論文 参考訳（メタデータ） (2026-05-30T11:20:29Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - Improving Layout Representation Learning Across Inconsistently Annotated Datasets via Agentic Harmonization [1.1549572298362782]
学習前にカテゴリ意味と境界ボックスの粒度を照合する視覚言語モデルを提案する。
文書のレイアウト検出を困難なケーススタディとして評価する。
論文 参考訳（メタデータ） (2026-04-13T06:14:20Z) - MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale [92.09717763663873]
我々は、データエンジニアリングとトレーニング戦略設計を通じて、純粋に最先端の技術を進化させるMinerU2.5-Proを提案する。
コアとなるのは、カバレッジ、情報性、アノテーションの正確性を中心に設計されたData Engineだ。
我々は,MinerU2.5-Pro が OmniDocBench v1.6 上で 95.69 を達成することを示す。
論文 参考訳（メタデータ） (2026-04-06T15:44:18Z) - Beyond a Single Perspective: Text Anomaly Detection with Multi-View Language Representations [48.7146621463489]
テキスト異常検出(TAD)は、有害なコンテンツモデレーション、フィッシング検出、スパムレビューフィルタリングなど、様々な言語による現実世界のアプリケーションにおいて重要な役割を果たす。
2段階の「埋め込み-検出」TAD手法は最先端のパフォーマンスを示しているが、その効果は単一の埋め込みモデルを使用することと、多様なデータセットや異常なタイプにまたがる適応性の欠如によって制限されることが多い。
本稿では,複数の事前学習言語モデルからの埋め込みを利用して,マルチビューTADフレームワークである$MCA2$に統合することを提案する。
論文 参考訳（メタデータ） (2026-01-25T10:52:59Z) - PromptPort: A Reliability Layer for Cross-Model Structured Extraction [0.11280931253550518]
LLMによる構造化抽出は、モデルが理解できないためではなく、出力フォーマットがモデルやプロンプト間で信頼できないため、本番環境では失敗する。
本稿では,決定論的正準化と軽量検証器(DistilBERT)と安全オーバライドポリシを組み合わせた信頼性層であるPromptPortを提案する。
この方法は、保留モデルファミリに一般化し、不確実な場合には明示的な棄権を与え、プロダクションデプロイメントにおける信頼性の高い構造化抽出を可能にする。
論文 参考訳（メタデータ） (2026-01-06T03:54:27Z) - 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) - Cost-Aware Contrastive Routing for LLMs [57.30288453580456]
我々は、プロンプトとモデルの両方を共有埋め込み空間にマッピングする軽量フレームワークであるコストスペクトルコントラストルーティング(CSCR)を紹介します。
CSCRはベースラインを一貫して上回り、精度とコストのトレードオフを最大25%改善した。
論文 参考訳（メタデータ） (2025-08-17T20:16:44Z) - Robust PDF Document Conversion Using Recurrent Neural Networks [0.0]
本稿では,リカレントニューラルネットワークを用いたpdfの文書構造復元手法を提案する。
ニューラルネットワークへの入力としてPDF印刷コマンドのシーケンスをどのように使用できるかを示す。
17の異なる構造ラベルで97%の重み付き平均F1スコアを得るモデルを実装します。
論文 参考訳（メタデータ） (2021-02-18T14:39:54Z)
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。