論文の概要: A Free Lunch? Adapting PP-OCRv6 for Historical Text Recognition

• arxiv url: http://arxiv.org/abs/2609.20064v1
• Date: Thu, 17 Sep 2026 11:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.240959
• Title: A Free Lunch? Adapting PP-OCRv6 for Historical Text Recognition
• Title（参考訳）: フリーランチ? 歴史テキスト認識のためのPP-OCRv6適応
• Abstract要約: 我々は,従来の行認識に対して,強い言語モデリングを伴わない最近のコンパクトテキスト認識であるPP-OCRv6を適用した。 汎用事前学習,ドメイン固有トレーニング,コーパスレベルの微調整,多言語ラテン文字およびアラビア文字素材への原稿固有小ショット適応など,従来のCRNNと比較した。
• 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: Despite impressive reported scores, large vision-language models have seen limited practical uptake in historical automatic text recognition because of their computational cost, dependence on large-scale pretraining, and hallucination. Historical ATR therefore continues to rely largely on compact CRNN line recognizers, which are visually grounded and trainable on modest data. Lightweight recurrence-free recognizers promise the accuracy of larger models with the practical advantages of CRNNs, yet have not been comprehensively evaluated on historical writing. We adapt PP-OCRv6, a recent compact text recognizer without strong language modeling, for historical line recognition and compare it with a conventional CRNN across generalized pretraining, domain-specific training, corpus-level fine-tuning, and manuscript-specific few-shot adaptation on multilingual Latin- and Arabic-script material. While PP-OCRv6 does not consistently outperform the baseline when trained from scratch, heterogeneous pretraining produces markedly better generalization. Comparisons with the Qwen3.5-based Medusa recognizer further show that fine-tuned PP-OCRv6 can outperform a large VLM tailored towards historical Latin-script HTR.
• Abstract（参考訳）: 印象的なスコアにもかかわらず、大規模な視覚言語モデルは、計算コスト、大規模事前学習への依存、幻覚などの理由により、歴史的自動テキスト認識において実用的獲得が限られている。 そのため、歴史的ATRは、視覚的に接地し、控えめなデータで訓練可能なコンパクトCRNNライン認識器に大きく依存し続けている。 軽量リカレンスフリーの認識器はCRNNの実用的利点で大型モデルの精度を約束するが、歴史書では包括的に評価されていない。 我々は,言語モデルを持たない最近のコンパクトテキスト認識システムであるPP-OCRv6を,従来のCRNNと比較し,汎用事前学習,ドメイン固有トレーニング,コーパスレベルの微調整,多言語ラテン文字およびアラビア文字素材への原稿固有小ショット適応に適用した。 PP-OCRv6は、スクラッチからトレーニングされた場合、ベースラインを一貫して上回るわけではないが、不均一な事前訓練は、非常に優れた一般化をもたらす。 Qwen3.5ベースのMedusa認識器と比較すると、微細調整されたPP-OCRv6は、歴史的ラテン文字のHTRに合わせて調整された大きなVLMよりも優れていることが示されている。

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• TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]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)
• GlotOCR Bench: OCR Models Still Struggle Beyond a Handful of Unicode Scripts [58.92151016423978]
  我々は100以上のUnicodeスクリプトでOCRを評価する総合ベンチマークであるGlotOCR Benchを紹介する。 我々のベンチマークは、実際の多言語テキストからレンダリングされたクリーンで劣化した画像の変種で構成されている。 オープンウェイトでプロプライエタリなビジョン言語モデルを幅広く評価した結果,ほとんどの場合,10文字未満でうまく動作することがわかった。
  論文  参考訳（メタデータ） (2026-04-14T17:12:41Z)
• PP-OCRv5: A Specialized 5M-Parameter Model Rivaling Billion-Parameter Vision-Language Models on OCR Tasks [21.41974664575541]
  OCR 2.0 と大規模視覚言語モデル (VLM) はテキスト認識のベンチマークを新たに設定した。 PP-OCRv5は,500万のパラメータしか持たない高度に最適化された軽量なOCRシステムである。
  論文  参考訳（メタデータ） (2026-03-25T14:54:40Z)
• OmniOCR: Generalist OCR for Ethnic Minority Languages [7.516228929594496]
  OmniOCRは、少数民族のスクリプトのための普遍的なフレームワークである。 Dynamic Low-Rank Adaptation (Dynamic LoRA)はレイヤとスクリプト間でモデルキャパシティを割り当てる。 スパーシティ正規化は冗長な更新を伴い、余分な推論コストを伴わずにコンパクトで効率的な適応を保証する。
  論文  参考訳（メタデータ） (2026-02-24T16:02:49Z)
• PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
  MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。 制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-11-03T09:07:44Z)
• Reference-Based Post-OCR Processing with LLM for Precise Diacritic Text in Historical Document Recognition [1.6941039309214678]
  コンテンツ中心の電子書籍を参照ベースとして活用し、不完全なOCR生成テキストを訂正する手法を提案する。 この技術は、ダイアクリティカル言語のための高精度な擬似ページ・ツー・ページラベルを生成する。 パイプラインは、古いドキュメントから様々な種類のノイズを排除し、欠落した文字、単語、乱れたシーケンスといった問題に対処する。
  論文  参考訳（メタデータ） (2024-10-17T08:05:02Z)
• Scalable Learning of Latent Language Structure With Logical Offline Cycle Consistency [71.42261918225773]
  概念的には、LOCCOは、トレーニング対象のセマンティクスを使用してラベルなしテキストのアノテーションを生成する、自己学習の一形態と見なすことができる。 追加ボーナスとして、LOCCOによって生成されたアノテーションは、神経テキスト生成モデルをトレーニングするために自明に再利用することができる。
  論文  参考訳（メタデータ） (2023-05-31T16:47:20Z)
• LongFNT: Long-form Speech Recognition with Factorized Neural Transducer [64.75547712366784]
  文レベルの長文特徴を語彙予測器の出力と直接融合するLongFNT-Textアーキテクチャを提案する。 また,LongFNT法の有効性を,相対単語誤り率(WER)が19%,GigaSpeechコーパスが12%,LongFNT法が19%であった。
  論文  参考訳（メタデータ） (2022-11-17T08:48:27Z)
• Recognizing Long Grammatical Sequences Using Recurrent Networks Augmented With An External Differentiable Stack [73.48927855855219]
  リカレントニューラルネットワーク(RNN)は、シーケンスモデリング、生成、予測に広く使われているディープアーキテクチャである。 RNNは、非常に長いシーケンスに対してあまり一般化せず、多くの重要な時間的処理や時系列予測問題に適用性を制限する。 これらの欠点に対処する方法の1つは、スタックのような外部の異なるメモリ構造とRNNを結合することである。 本稿では,重要なアーキテクチャと状態更新機構を備えたメモリ拡張RNNを改良する。
  論文  参考訳（メタデータ） (2020-04-04T14:19:15Z)

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。