論文の概要: OCR-EDR: Rendering-Aware Diagnosis and Repair for Closed-Loop OCR Improvement

• arxiv url: http://arxiv.org/abs/2609.03445v1
• Date: Thu, 03 Sep 2026 07:02:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.961907
• Title: OCR-EDR: Rendering-Aware Diagnosis and Repair for Closed-Loop OCR Improvement
• Title（参考訳）: OCR-EDR:クローズドループOCR改善のためのレンダリング認識診断と修復
• Authors: Linnan Zhao, Kang Liu, Hao Yu, Jiabo Zhan, Chong Sun, Chen Li,
• Abstract要約: OCR-EDR (OCR Error Diagnosis and repair) は,細粒度診断から反復的修復へ進化するレンダリング対応フレームワークである。 我々はOCRErrBenchを、テキストと公式、正確かつレンダリング等価な正、真のエラーなど、多様な実OCR予測から構築する。 OCR-EDRは、きめ細かいOCR分析を検証された補正と性能向上に変換する。
• 参考スコア（独自算出の注目度）: 14.643765225504078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although document OCR systems perform increasingly well on routine documents, complex formulas, structured text, and long-tail formats remain error-prone. OCR predictions may omit fine-grained content or hallucinate unsupported outputs, while equivalent encodings of the same visible content must be accommodated. Existing OCR evaluation methods mostly report aggregate metrics, offering limited support for analyzing case-level errors and improving OCR performance. We propose OCR-EDR (OCR Error Diagnosis and Repair), a rendering-aware framework that advances from fine-grained diagnosis to iterative repair. Given a source image, an editable OCR prediction, and its rendered image, OCR-EDR first jointly assesses whether the prediction and its rendering are consistent with the source, preserving valid predictions, including rendering-equivalent ones, while diagnosing and localizing genuine errors. It then applies executable edits and may request an updated rendering for iterative reassessment. We construct OCRErrBench from diverse real OCR predictions, covering text and formulas, exact and rendering-equivalent positives, and genuine errors, and develop the DocEDR model to execute the diagnosis--repair loop. On OCRErrBench, DocEDR achieves 94.78% diagnostic accuracy. It repairs 86.23% of erroneous inputs to visual consistency, raises formula Case-F1 by 30.99 percentage points over DOCR-Inspector-7B on DOCRcaseBench, and improves formula CDM by up to 4.62 percentage points on the identified Bad subsets of four OCR systems on UniMER-Test. These results show that OCR-EDR turns fine-grained OCR analysis into verified corrections and performance gains.
• Abstract（参考訳）: ドキュメントOCRシステムは、日常的な文書ではますますうまく機能するが、複雑な公式、構造化されたテキスト、長い尾のフォーマットはエラーを起こしやすいままである。 OCR予測は細かい内容や幻覚的な出力を省略し、同じ可視コンテンツの等価なエンコーディングを許容する必要がある。 既存のOCR評価手法は、主に集計メトリクスを報告し、ケースレベルのエラーを分析し、OCR性能を改善するための限定的なサポートを提供する。 OCR-EDR (OCR Error Diagnosis and repair) は,細粒度診断から反復的修復へ進化するレンダリング対応フレームワークである。 OCR-EDRは、ソース画像、編集可能なOCR予測、およびレンダリングされた画像が与えられたとき、まず、その予測とそのレンダリングがソースと一致しているかを共同で評価し、実際のエラーを診断し、ローカライズしながら、レンダリングと等価な予測を含む有効な予測を保存する。 その後、実行可能な編集を施し、反復的再評価のために更新されたレンダリングを要求できる。 我々は、OCRErrBenchを、テキストと公式、正確かつレンダリングに等価な正と真偽の誤りをカバーし、様々な実OCR予測から構築し、DocEDRモデルを構築し、診断再生ループを実行する。 OCRErrBenchでは、DocEDRは94.78%の診断精度を達成している。 視覚的整合性に対する誤入力の86.23%を修復し、DOCRcaseBench上のDOCR-Inspector-7Bよりも30.99ポイント、UniMER-Test上の4つのOCRシステムのBadサブセットで最大4.62ポイント改善する。 これらの結果から, OCR-EDRは微粒化OCR解析を補正し, 性能向上を図った。

関連論文リスト

• TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
  TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。 TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
  論文  参考訳（メタデータ） (2026-08-08T04:50:00Z)
• Cross-Resolution Semantic Transfer for Robust Text-to-Image Retrieval in Low-Resolution Surveillance [62.560024755525546]
  Cross-Resolution Semantic Transfer (CRST)はCLIPスタイルの3つのモジュールを持つフレームワークである。 実験により、CRSTは高解像度の精度を犠牲にすることなく混合分解能検索を安定化させながら、平均5.7%と5.3%で超低解像度のランク1とmAPを改善することが示された。
  論文  参考訳（メタデータ） (2026-06-29T15:24:03Z)
• How Robust is OCR-Reasoning? Evaluating OCR-Reasoning Robustness of Vision-Language Models under Visual Perturbations [17.186250064889887]
  視覚言語モデル(VLM)はOCRベースのベンチマークでは高い性能を達成しているが、制御された視覚劣化下での頑健さは十分に理解されていない。 視覚的摂動下でのOCR推論の堅牢性を評価するためのベンチマークであるOCR-Robustを紹介する。 我々は18以上の候補摂動のパイロットスタディを行い、その影響とモデル間識別性に基づいて、それぞれ3つの重度レベルに5つの代表型を選択した。
  論文  参考訳（メタデータ） (2026-06-24T17:15:42Z)
• When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation [2.8437065210971872]
  産業検索・拡張生成(RAG)システムは、視覚文書をテキストに変換するために光学文字認識(OCR)に依存している。 既存のOCRベンチマークは、実際の条件下で下流RAGの有効性を不適切に測定する文字レベルメトリクスに依存している。 本稿では,産業用RAGシステムを対象としたOCRベンチマークを紹介する。
  論文  参考訳（メタデータ） (2026-04-29T09:42:42Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• RoundTripOCR: A Data Generation Technique for Enhancing Post-OCR Error Correction in Low-Resource Devanagari Languages [41.09752906121257]
  本稿では,Devanagari言語のための合成データ生成手法であるRoundTripOCRを提案する。 我々は,ヒンディー語,マラティー語,ボド語,ネパール語,コンカニ語,サンスクリット語に対するOCR後のテキスト修正データセットをリリースする。 また,機械翻訳の手法を利用した新しいOCR誤り訂正手法を提案する。
  論文  参考訳（メタデータ） (2024-12-14T19:59:41Z)
• CLOCR-C: Context Leveraging OCR Correction with Pre-trained Language Models [0.0]
  本稿では、コンテキストレバレッジOCR補正(CLOCR-C)を紹介する。 トランスフォーマーベースの言語モデル(LM)の組み込みとコンテキスト適応能力を使用して、OCRの品質を向上する。 本研究の目的は, LMがOCR後の修正を行うことができるか, 下流のNLPタスクを改善するか, 補正プロセスの一部として社会文化的文脈を提供する価値を判断することである。
  論文  参考訳（メタデータ） (2024-08-30T17:26:05Z)
• User-Centric Evaluation of OCR Systems for Kwak'wala [92.73847703011353]
  OCRを利用すると、文化的に価値ある文書の書き起こしに費やした時間を50%以上削減できることを示す。 この結果から,OCRツールが下流言語ドキュメントや再生作業において持つ潜在的なメリットが示された。
  論文  参考訳（メタデータ） (2023-02-26T21:41:15Z)

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。