論文の概要: DocIntent: Answerability-Guided Agentic Restoration for Real-World Document Visual Question Answering
- arxiv url: http://arxiv.org/abs/2608.29037v1
- Date: Sat, 29 Aug 2026 04:07:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.823297
- Title: DocIntent: Answerability-Guided Agentic Restoration for Real-World Document Visual Question Answering
- Title（参考訳）: DocIntent: リアルタイムビジュアル質問応答のための解答性誘導型エージェント修復
- Abstract要約: トレーニング不要なAnswerability-Guided Agentic RestorationフレームワークDocIntentを提案する。
比較ベースロールバック機構は、各復元ステップを検証し、質問関連証拠がより解読しにくくなったら、それを復号する。
WildDocベンチマークの実験によると、DocIntentはさまざまなオープンソースおよびクローズドソースMLLMの平均スコアと一貫性を一貫して改善している。
- 参考スコア（独自算出の注目度）: 41.13451707400618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world degradations such as blur, shadow, distortion, and moire patterns severely impair the document question-answering capabilities of Multimodal Large Language Models (MLLMs). Applying restoration tools before Visual Question Answering (VQA) is an intuitive solution. However, existing restoration approaches remain limited, as manually designing and executing restoration strategies is labor-intensive and requires domain expertise. Agentic restoration offers new possibilities for automation, yet existing frameworks primarily target natural images and pursue perceptual quality, overlooking that restoration should serve downstream tasks rather than optimize generic image quality metrics. To this end, we explore the value of agentic restoration for real-world degraded document VQA and propose DocIntent, a training-free Answerability-Guided Agentic Restoration framework. DocIntent first assesses question answerability, then identifies task-relevant degradations and selectively invokes restoration tools. A Comparison-Based Rollback mechanism validates each restoration step and reverts it when question-relevant evidence becomes less decipherable. The entire process requires no additional pretrained degradation classifier or image quality assessment model. Extensive experiments on the WildDoc benchmark show that DocIntent consistently improves the average score and consistency of different open- and closed-source MLLMs. The code and experimental data will be publicly available.
- Abstract（参考訳）: 曖昧さ、影、歪み、モアレパターンなどの現実世界の劣化は、MLLM(Multimodal Large Language Models)の文書質問応答能力を著しく損なう。
Visual Question Answering (VQA)の前に復元ツールを適用することは直感的な解決策である。
しかし、修復戦略を手動で設計・実行することは労働集約的であり、ドメインの専門知識を必要とするため、既存の修復アプローチは依然として限られている。
エージェント復元は自動化のための新たな可能性を提供するが、既存のフレームワークは主に自然言語をターゲットとし、知覚的品質を追求する。
この目的のために、実世界の劣化文書VQAにおけるエージェント復元の価値を探求し、トレーニング不要なアンサスタビリティガイド型エージェント復元フレームワークDocIntentを提案する。
DocIntentはまず質問応答性を評価し、タスク関連劣化を特定し、復元ツールを選択的に呼び出す。
比較ベースロールバック機構は、各復元ステップを検証し、質問関連証拠がより解読しにくくなったら、それを復号する。
プロセス全体は、追加の事前訓練された劣化分類器や画像品質評価モデルを必要としない。
WildDocベンチマークの大規模な実験によると、DocIntentはさまざまなオープンソースおよびクローズドソースMLLMの平均スコアと一貫性を一貫して改善している。
コードと実験データの公開が予定されている。
関連論文リスト
- Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents [54.85451496831771]
Causal-AgentIRは階層的なマルチエージェントフレームワークであり、画像復元インテリジェンスのための自己進化型因果記憶を持つ。
分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化された因果記憶グラフに整理する。
このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
論文 参考訳（メタデータ） (2026-07-23T09:59:44Z) - QuReC: All-in-One Image Restoration with Query-Specific Guidance and Local-Global Response Calibration [20.33280733198936]
オールインワン画像復元は、単一の統一モデルを用いて、複数の汚職タイプによって劣化したクリーンなイメージを復元することを目的としている。
QuReC は分解再構成モジュール (DQRM) と局所グロバル応答モジュール (LGRCM) から構成される。
DQRMは、各空間クエリと劣化プロトタイプ空間とを一致させて、クエリ固有の劣化表現を再構成する。
LGRCMは局所グロバルな二重ブランチアグリゲーションを実行し、アグリゲーションされた応答を学習可能な先行値で校正する。
論文 参考訳（メタデータ） (2026-07-16T15:10:00Z) - Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration [84.3817904120563]
画像復元は、悪天候、ぼやけ、低光など、さまざまな要因によって劣化した入力から高品質なイメージを復元することを目的としている。
本稿では,画像品質評価 (IQA) と画像復元 (IR) を統一したフレームワークに統合したリストア・アセス・アンド・リピートプロセス RAR を提案する。
具体的には、劣化同定、画像復元、品質検証を共同で行うために、潜伏領域で完全に機能する復元プロセスを導入する。
論文 参考訳（メタデータ） (2026-03-27T13:13:44Z) - SimpleCall: A Lightweight Image Restoration Agent in Label-Free Environments with MLLM Perceptual Feedback [27.198190496709433]
複雑な画像復元は、複数の劣化によって影響を受ける入力から高品質な画像を復元することを目的としている。
視覚言語モデルと大規模言語モデルを利用した最近の修復エージェントは、有望な修復機能を提供するが、ボトルネックに悩まされている。
本稿では,ツール呼び出しシーケンスを決定するための軽量エージェントを学習するポリシー最適化に基づく復元フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-21T05:12:25Z) - MoA-VR: A Mixture-of-Agents System Towards All-in-One Video Restoration [62.929029990341796]
実世界のビデオは、ノイズ、圧縮アーティファクト、低照度歪みなどの複雑な劣化に悩まされることが多い。
3つの協調エージェントによる人間のプロの推論・処理手順を模倣したMoA-VRを提案する。
具体的には、大規模かつ高解像度なビデオ劣化認識ベンチマークを構築し、視覚言語モデル(VLM)による劣化識別子を構築する。
論文 参考訳（メタデータ） (2025-10-09T17:42:51Z) - UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
We present our UniRestorer with improve restoration performance。
具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。
UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
論文 参考訳（メタデータ） (2024-12-28T14:09:08Z) - Perceive-IR: Learning to Perceive Degradation Better for All-in-One Image Restoration [33.163161549726446]
Perceive-IRは、きめ細かい品質管理のための新しいバックボーン非依存のオールインワン画像復元フレームワークである。
モジュール構造により、コアコンポーネントは特定のバックボーンとは独立して機能し、高度な復元モデルへのシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2024-08-28T17:58:54Z) - DocRes: A Generalist Model Toward Unifying Document Image Restoration Tasks [38.6455393290578]
本稿では,デウォープ,デシェードイング,外観向上,デブロアリング,バイナライゼーションを含む5つの文書画像復元タスクを統一するDocResを提案する。
DocResに異なる復元タスクを指示するために、Dynamic Task-Specific Prompt (DTSPrompt)と呼ばれる新しいビジュアルプロンプトアプローチを提案する。
DTSPromptは、高解像度で可変解像度の入力にシームレスに適用できるため、従来の視覚的プロンプトアプローチよりも柔軟である。
論文 参考訳（メタデータ） (2024-05-07T15:35:43Z) - InstructIR: High-Quality Image Restoration Following Human Instructions [61.1546287323136]
本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。
InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
論文 参考訳（メタデータ） (2024-01-29T18:53:33Z) - SPIRE: Semantic Prompt-Driven Image Restoration [66.26165625929747]
セマンティック・復元型画像復元フレームワークであるSPIREを開発した。
本手法は,復元強度の量的仕様を言語ベースで記述することで,より詳細な指導を支援する最初のフレームワークである。
本実験は, SPIREの修復性能が, 現状と比較して優れていることを示すものである。
論文 参考訳（メタデータ） (2023-12-18T17:02:30Z)
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。