論文の概要: EMBLEM: Enhancing Multi-script Table Detection through Masking
- arxiv url: http://arxiv.org/abs/2609.08330v1
- Date: Tue, 08 Sep 2026 06:57:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.600275
- Title: EMBLEM: Enhancing Multi-script Table Detection through Masking
- Title（参考訳）: EMBLEM:マスキングによるマルチスクリプトテーブル検出の強化
- Abstract要約: MANDALA(Multi-script Annotated Documents for Table Detection)は18の言語と15のスクリプトにまたがる2,323のテーブルを含むページのデータセットである。
また、マルチスクリプトテーブル検出(MTD)のためのマスキングに基づくパラダイムであるEMBLEMを提案する。
EMBLEMは、スクリプトやフォント固有の詳細を隠したマスク付き画像を生成し、豊富な英語文書で事前訓練されたモデルがスクリプトに依存しないページレイアウトに集中できるようにする。
- 参考スコア（独自算出の注目度）: 14.822713626646332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Table detection is a core task in document analysis, supporting downstream applications such as information retrieval, document reconstruction, and visual question answering. While existing deep learning models perform well on English and Chinese documents, they struggle with multilingual, multi-script documents due to script diversity and the limited availability of labeled data. To address this challenge, we introduce MANDALA (Multi-script Annotated Documents for Table Detection), a manually curated dataset of 2,323 table-containing pages spanning 18 languages and 15 scripts across diverse domains. We also propose EMBLEM, a masking-based paradigm for Multi-script Table Detection (MTD). EMBLEM generates masked images that conceal script- and font-specific details, enabling models pre-trained on abundant English documents to focus on script-agnostic page layout. Experiments across three table detection architectures show that EMBLEM consistently outperforms strong baselines on MANDALA while remaining competitive on five standard English-dominant benchmarks. Using only English masked images for fine-tuning, with no multi-script training data, EMBLEM achieves an absolute F1-score gain of 20.8% on MANDALA. We release MANDALA along with the accompanying code and models at https://github.com/IITB-LEAP-OCR/EMBLEM.git.
- Abstract（参考訳）: テーブル検出は、文書分析における中核的なタスクであり、情報検索、文書再構成、視覚的質問応答などの下流アプリケーションをサポートする。
既存のディープラーニングモデルは、英語や中国語の文書ではうまく機能するが、スクリプトの多様性とラベル付きデータの限られた可用性のため、多言語、多文の文書では苦労する。
この課題に対処するために, MANDALA (Multi-script Annotated Documents for Table Detection) を紹介した。
また,マルチスクリプトテーブル検出(MTD)のためのマスキングに基づくパラダイムであるEMBLEMを提案する。
EMBLEMは、スクリプトやフォント固有の詳細を隠したマスク付き画像を生成し、豊富な英語文書で事前訓練されたモデルがスクリプトに依存しないページレイアウトに集中できるようにする。
3つのテーブル検出アーキテクチャによる実験では、EMBLEMは5つの標準英語優位ベンチマークで競争力を維持しながら、MANDALAの強いベースラインを一貫して上回っている。
英語のマスク画像のみを使用して微調整し、マルチスクリプトのトレーニングデータがないため、EMBLEMはMANDALAで20.8%という絶対的なF1スコアのゲインを達成した。
manDALAと関連するコードとモデルをhttps://github.com/IITB-LEAP-OCR/EMBLEM.gitでリリースします。
関連論文リスト
- Not Truly Multilingual: Script Consistency as a Missing Dimension in VLM Evaluation [0.27998963147546146]
Punjabiの3つのアクティブスクリプト間で1,000の厳格な並列画像テキストインスタンスのベンチマークであるPuMVRを紹介した。
モデルは、同じタスクを別のスクリプトで失敗しながら、あるスクリプトで視覚的なタスクを頻繁に解決し、精度の差は16%に達する。
クロススクリプトのインテキスト転送は非常に脆弱で、スクリプトロックされた知識表現が露出する。
論文 参考訳（メタデータ） (2026-06-15T18:25:23Z) - 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) - MARCA: A Checklist-Based Benchmark for Multilingual Web Search [8.678622777553263]
Web ベースの情報検索において,大規模言語モデル (LLM) を評価するベンチマークである textscMARCA を提案する。
我々は、直接Web検索とスクレイピングを備えたベーシックフレームワークと、委譲サブエージェントによるタスクの分解を可能にするOrchestratorフレームワークの2つのインタラクション設定の下で、14のモデルを評価する。
論文 参考訳（メタデータ） (2026-04-15T21:54:27Z) - MDPBench: A Benchmark for Multilingual Document Parsing in Real-World Scenarios [72.8160644291677]
我々は,多言語デジタルおよび写真文書解析のための最初のベンチマークであるMultilingual Document Parsing Benchmarkを紹介する。
MDPBenchは17言語にまたがる3,400のドキュメントイメージ、多様なスクリプト、さまざまな写真条件で構成されている。
論文 参考訳（メタデータ） (2026-03-30T07:47:46Z) - MM-BRIGHT: A Multi-Task Multimodal Benchmark for Reasoning-Intensive Retrieval [18.53521844184766]
MM-BRIGHTは推論集約検索のための最初のマルチモーダルベンチマークである。
我々のデータセットは29の技術的領域にまたがる2,803の現実世界のクエリで構成されています。
論文 参考訳（メタデータ） (2026-01-14T15:31:54Z) - 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) - MIRACL-VISION: A Large, multilingual, visual document retrieval benchmark [1.8448587047759064]
MIRACL-VISIONは多言語視覚文書評価評価ベンチマークである。
MIRACL-VISIONは18の言語をカバーし、MIRACLデータセットの拡張である。
我々は,多言語機能に対する最先端のVLMベースの埋め込みモデルのギャップを観察する。
論文 参考訳（メタデータ） (2025-05-16T19:22:19Z) - Towards Visual Text Grounding of Multimodal Large Language Model [74.22413337117617]
本稿では,テキストリッチな画像グラウンドのベンチマークを行うための命令データセットを新たに設計した新しいタスクであるTRIGを紹介する。
具体的には,OCR-LLM-ヒューマンインタラクションパイプラインを提案し,800の注釈付き質問応答ペアをベンチマークとして作成する。
提案したベンチマークによる各種MLLMの包括的評価は,テキストリッチな画像上でのグラウンド化能力の大幅な制限を明らかにする。
論文 参考訳（メタデータ） (2025-04-07T12:01:59Z) - Towards Text-Image Interleaved Retrieval [49.96332254241075]
テキスト画像検索(TIIR)タスクを導入し、クエリと文書をインターリーブしたテキスト画像シーケンスとする。
我々は、自然にインターリーブされたwikiHowチュートリアルに基づいてTIIRベンチマークを構築し、インターリーブされたクエリを生成するために特定のパイプラインを設計する。
異なる粒度で視覚トークンの数を圧縮する新しいMMEを提案する。
論文 参考訳（メタデータ） (2025-02-18T12:00:47Z) - M3DocRAG: Multi-modal Retrieval is What You Need for Multi-page Multi-document Understanding [63.33447665725129]
M3DocRAGは、様々な文書コンテキストに柔軟に対応する新しいマルチモーダルRAGフレームワークである。
M3DocRAGは視覚情報を保存しながら、単一の文書や多数の文書を効率的に処理できる。
M3DocVQAはオープンドメインDocVQAを3,000以上のPDFドキュメントと4万以上のページで評価するための新しいベンチマークである。
論文 参考訳（メタデータ） (2024-11-07T18:29:38Z)
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。