論文の概要: Confidence-Aware Ensemble and Long-Word Refinement for Artistic Text Recognition
- arxiv url: http://arxiv.org/abs/2608.29970v1
- Date: Sun, 30 Aug 2026 18:56:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.135662
- Title: Confidence-Aware Ensemble and Long-Word Refinement for Artistic Text Recognition
- Title（参考訳）: 芸術的テキスト認識のための信頼度認識アンサンブルとロングワードリファインメント
- Abstract要約: アートテキスト認識(ATR)は、装飾的なフォント、湾曲したレイアウト、オブジェクトのような文字、散らかし、激しい歪みを言葉画像で組み合わせることがしばしばあるため、依然として困難である。
本稿では,この設定の標準化ベンチマークとしてWordArt-V1.5について検討し,最近のシーンおよび芸術的テキスト認識器を共通プロトコルで評価する。
本稿では, SVTRv2, PARSeq, MAERecを公式トレーニングスプリットの微調整後に組み合わせた自信認識アンサンブルを提案する。
- 参考スコア（独自算出の注目度）: 0.6303112417588329
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artistic Text Recognition (ATR) remains challenging because word images often combine decorative fonts, curved layouts, object-like characters, clutter, and severe distortions. This paper studies WordArt-V1.5 as a standardized benchmark for this setting and evaluates recent scene and artistic text recognizers under a common protocol. We propose a confidence-aware ensemble that combines SVTRv2, PARSeq, and MAERec after fine-tuning on the official training split. The ensemble selects predictions using the minimum confidence over disagreement positions, emphasizing characters that separate competing hypotheses. For long words, where a single character error can invalidate the whole prediction, we add a targeted refinement stage based on Needleman-Wunsch alignment and lexicon-guided correction. On the WordArt-V1.5 Test B split, the proposed system reaches 89.90% Word Recognition Accuracy, improving the best individual fine-tuned model by 1.77 percentage points. The long-word refinement produces a modest global gain, but improves the targeted long-word subset by 2.72 percentage points. Finally, an error analysis of all remaining mistakes shows that 48.8% are associated with labeling issues, visual ambiguity, or illegible samples, highlighting the value of diagnostic reporting for future ATR benchmarks and models. Our source code is available at https://github.com/lucas-azdias/Artistic-Text-Recognition/.
- Abstract（参考訳）: アートテキスト認識(ATR)は、装飾的なフォント、湾曲したレイアウト、オブジェクトのような文字、散らかし、激しい歪みを言葉画像で組み合わせることがしばしばあるため、依然として困難である。
本稿では,この設定の標準化ベンチマークとしてWordArt-V1.5について検討し,最近のシーンおよび芸術的テキスト認識器を共通プロトコルで評価する。
本稿では, SVTRv2, PARSeq, MAERecを公式トレーニングスプリットの微調整後に組み合わせた自信認識アンサンブルを提案する。
アンサンブルは、対立する仮説を分離する文字を強調し、不一致位置に対する最小信頼度を用いて予測を選択する。
長い言い方をすれば、単一の文字誤りが予測全体を無効にできる場合、ニードルマン=ウォンシュアライメントとレキシコン誘導補正に基づく改良段階を追加する。
For the WordArt-V1.5 Test B split, the proposed system reach 89.90% Word Recognition Accuracy, improve the best individual fine-tuned model by 1.77%。
ロングワードの改良により、世界的利益はわずかだが、ターゲットのロングワードサブセットを2.72ポイント改善している。
最後に、残りのすべての誤りのエラー分析は、48.8%がラベル付けの問題、視覚的曖昧さ、または不可解なサンプルと関連しており、将来のATRベンチマークとモデルに対する診断レポートの価値を強調していることを示している。
ソースコードはhttps://github.com/lucas-azdias/Artistic-Text-Recognition/で公開しています。
関連論文リスト
- Human-Grounded Calibration for Long-Text Image-Text Congruence in Vision-Language Models [46.28810845443601]
長文画像-テキストの一致スコアリングは、視覚言語システムにとってますます重要になっている。
本稿では,画像-テキスト類似性証拠を有界スコアにマッピングする軽量キャリブレーション層である Congruency Score (CS) を提案する。
論文 参考訳（メタデータ） (2026-09-14T14:26:53Z) - T2LSC-Bench: Benchmarking Localized Semantic Control in Text-to-Image Generation [30.939965668317967]
製品ラベリング、署名、インターフェースデザインでは、予め定義された主題のアイデンティティや周囲のシーンセマンティクスを変更することなく、指定されたテキストを含む領域内でターゲットテキストをレンダリングすべきである。
既存のビジュアルテキストベンチマークでは、可読性、スペル精度、レイアウトを評価しており、この種のセマンティックリークはほとんど検討されていない。
T2LSC-Benchは、50の被験者と1200のプロンプトケースからなる制御された診断ベンチマークであり、6つのモデルで7,160の画像が得られた。
デュアルブランチプロトコルは、OCR-VLMテキスト検証と構造化VLM意味判断を組み合わせて、テキスト・アット・アンカー精度(TAA)、意味的主題保存(Semantic Subject Preservation)を測定する。
論文 参考訳（メタデータ） (2026-09-02T08:02:40Z) - Out-of-Length Scene Text Recognition: A Two-Axis Diagnosis and a Training-Free Fix [0.3437656066916039]
シーンテキスト認識モデルは、少なくとも25文字の単語の作物にのみ訓練される。
この論文はその失敗を診断し、それを閉じます。
我々は診断ハーネスと実装をリリースする。
論文 参考訳（メタデータ） (2026-07-25T13:16:57Z) - MonkeyOCRv2: A Visual-Text Foundation Model for Document AI [71.06391669976786]
MonkeyOCRv2は、ドキュメントAIのためのビジュアルテキスト事前トレーニングモデルである。
MonkeyDoc v2は17言語にまたがる1億1300万のイメージからなる、最大規模のドキュメントイメージ事前トレーニングコーパスである。
論文 参考訳（メタデータ） (2026-07-13T13:43:39Z) - Text as Partial Constraint: Core-Residual Alignment for Robust Vision-Language Learning [9.515040235138084]
視覚言語アライメントは、オープンボキャブラリ認識、検索、LVLMグラウンド化に有効であるが、自然なキャプションはしばしば不特定である。
マルチビューキャプションを不完全な監視として扱うコア・残差アライメントフレームワークである部分制約としてテキストを提案する。
ゼロショット認識と対向ロバスト性により、TPCはImageNetで81.42/64.05、Avg-14転送スイートで76.19/52.03のクリーン/ローバスト精度を達成した。
論文 参考訳（メタデータ） (2026-07-03T09:32:01Z) - FINEMATCH: Aspect-based Fine-grained Image and Text Mismatch Detection and Correction [66.98008357232428]
我々は新しいアスペクトベースのきめ細かいテキストと画像マッチングベンチマークであるFineMatchを提案する。
FineMatchはテキストと画像のミスマッチの検出と修正に焦点を当てている。
FineMatchで訓練されたモデルは、きめ細かいテキストや画像のミスマッチを検出する能力の向上を示す。
論文 参考訳（メタデータ） (2024-04-23T03:42:14Z) - Divide, Evaluate, and Refine: Evaluating and Improving Text-to-Image
Alignment with Iterative VQA Feedback [20.78162037954646]
テキストと画像のアライメントの評価と改善に対する分解的アプローチを導入する。
人間のユーザスタディでは、提案手法が従来の最先端の手法を8.7%超え、テキストと画像のアライメントの精度が向上した。
論文 参考訳（メタデータ） (2023-07-10T17:54:57Z) - Simple Token-Level Confidence Improves Caption Correctness [117.33497608933169]
Token-Level Confidence(TLC)は、字幕の正確さを評価するシンプルな方法であるが、驚くほど効果的である。
画像キャプションに関する視覚言語モデルを微調整し、画像と提案されたキャプションをモデルに入力し、単語やシーケンスに対するトークンの信頼度を集計し、画像キャプションの一貫性を推定する。
論文 参考訳（メタデータ） (2023-05-11T17:58:17Z) - Scene Text Recognition with Image-Text Matching-guided Dictionary [17.073688809336456]
Scene Image-Text Matching (SITM) ネットワークを利用した辞書言語モデルを提案する。
ITCにインスパイアされたSITMネットワークは、すべての候補の視覚的特徴とテキスト的特徴を組み合わせて、特徴空間における最小距離の候補を特定する。
本手法は6つの主要なベンチマークにおいて,通常の手法よりも優れた結果(93.8%の精度)が得られる。
論文 参考訳（メタデータ） (2023-05-08T07:47:49Z) - Visually Grounded Compound PCFGs [65.04669567781634]
言語理解のための視覚的基盤の爆発は、最近多くの注目を集めている。
本研究では,視覚的な文法誘導について検討し,未ラベルテキストとその視覚的キャプションから選挙区を学習する。
論文 参考訳（メタデータ） (2020-09-25T19:07:00Z) - Multilingual Alignment of Contextual Word Representations [49.42244463346612]
BERTはXNLIのゼロショット性能をベースモデルに比べて大幅に改善した。
単語検索の文脈バージョンを導入し、下流のゼロショット転送とよく相関していることを示す。
これらの結果は、大規模多言語事前学習モデルの理解に有用な概念としてコンテキストアライメントをサポートする。
論文 参考訳（メタデータ） (2020-02-10T03:27:21Z)
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。