論文の概要: WeVisDoc: From Coverage to Capability for Robust End-to-End Document Parsing

• arxiv url: http://arxiv.org/abs/2609.20423v1
• Date: Thu, 17 Sep 2026 14:04:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.298341
• Title: WeVisDoc: From Coverage to Capability for Robust End-to-End Document Parsing
• Title（参考訳）: WeVisDoc:ロバストなエンドツーエンドドキュメント解析のためのカバレッジから機能まで
• Abstract要約: WeVisDocは、堅牢なエンドツーエンドドキュメント解析のための2段階のデータ中心フレームワークである。 WeVisDoc-4BはOmniDocBench v1.6で95.38点、PureDocBenchの3トラックの平均スコアは75.54点に達した。 Stage Iと比較すると、Stage IIは両方のベンチマークで2Bと4Bの総合スコアを改善し、劣化したPureDocBenchトラックで大きく向上した。
• 参考スコア（独自算出の注目度）: 14.270250075061483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document parsing converts document images into structured content and requires reliable performance across diverse layouts and acquisition conditions. Yet training corpora are biased toward common document types and clean digital pages, while expanding coverage alone does not specify how to address a parser's remaining weaknesses. We present WeVisDoc, a two-stage data-centric framework for robust end-to-end document parsing. Stage I broadens semantic, structural, and appearance coverage through heterogeneous data and structure-preserving degradation synthesis. Stage II uses a held-out probe to measure the Stage I parser's residual errors within fixed visual-structural clusters. These diagnostics guide targeted data construction and reallocation of the target-token budget. WeVisDoc-4B achieves an Overall score of 95.38 on OmniDocBench v1.6 and a mean Overall score of 75.54 across the three PureDocBench tracks, ranking first among the compared end-to-end parsers in all four settings. Compared with Stage I, Stage II improves Overall scores for the 2B and 4B models on both benchmarks, with larger gains on the degraded PureDocBench tracks, including a 4.03-point gain for the 4B model on the Real Degraded track.
• Abstract（参考訳）: 文書解析は、文書画像を構造化されたコンテンツに変換し、多様なレイアウトと取得条件にまたがって信頼性の高いパフォーマンスを必要とする。 しかし、トレーニングコーパスは、一般的なドキュメントタイプやクリーンなデジタルページに偏っているのに対して、カバレッジのみを拡張することは、パーサーの残りの弱点に対処する方法を規定していない。 WeVisDocは、堅牢なエンドツーエンド文書解析のための2段階のデータ中心フレームワークである。 ステージIは、異種データと構造保存劣化合成を通じて、意味、構造、外観の範囲を広げる。 ステージIIは、固定された視覚構造クラスター内のステージIパーサの残差誤差を測定するためにホールドアウトプローブを使用する。 これらの診断は、目標とする予算のデータ構築と再配置をガイドする。 WeVisDoc-4BはOmniDocBench v1.6で95.38点、PureDocBenchの3トラックで75.54点を記録し、4つの設定で比較したエンドツーエンドのパーサーの中で第1位となった。 ステージIと比較すると、ステージIIは両方のベンチマークで2Bと4Bの総合スコアを改善し、レアル・デグレード・トラックで4Bの4.03ポイントのゲインを含む、劣化したPureDocBenchトラックでより大きなゲインを得た。

関連論文リスト

• Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing [53.41293908252118]
  我々は、エキスパートレベルの文書解析のための困難を意識したベンチマークであるDocBench博士を紹介する。 Dr. DocBenchは52のBISACドメインにまたがり、障害ベースのサンプリングによってドキュメントを選択する。 約100ページにわたる長いドキュメントから4,514ページの注釈付きページが含まれており、レイアウト、読み込み順序、階層的関係、ドメイン固有のビジュアルコンテンツなど、65kの高品質なアノテーションがある。 本分析では,文書インテリジェンスを診断・進展するための総合的なテストベッドとしてDocBench博士が注目されている。
  論文  参考訳（メタデータ） (2026-05-31T18:35:30Z)
• 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)
• Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training [23.87978106727431]
  本稿では、堅牢なエンドツーエンド文書解析のためのデータ学習協調設計フレームワークを提案する。 本手法は,スキャン・デジタル・実世界の両方のシナリオにおいて,精度とロバスト性を向上する。
  論文  参考訳（メタデータ） (2026-03-25T03:19:09Z)
• Dolphin-v2: Universal Document Parsing via Scalable Anchor Prompting [46.102790941920865]
  2段階の文書画像解析モデルであるDolphin-v2を提案する。 第1段階では、Dolphin-v2 はレイアウト解析とともに文書型分類(デジタル生まれか写真か)を共同で行う。 第2段階では、撮影された文書は、幾何学的歪みを処理するために全ページとして一様に解析されるのに対し、デジタル生まれの文書は、検出されたレイアウトアンカーによって案内される要素的並列解析を行う。
  論文  参考訳（メタデータ） (2026-02-05T07:09:57Z)
• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• DOCR-Inspector: Fine-Grained and Automated Evaluation of Document Parsing with VLM [35.910677096654574]
  文書解析は、構造化されていないPDF画像を半構造化データに変換することを目的としており、多様な領域における情報のデジタル化と活用を容易にする。 一般的なプラクティスは、しばしば標準ベンチマークで最高のパフォーマンスモデルを選択する。 本稿では,文書解析評価をきめ細かな誤り検出と解析として形式化するDOCR-Inspectorを紹介する。
  論文  参考訳（メタデータ） (2025-12-11T13:16:33Z)
• MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
  MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。 複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。 2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
  論文  参考訳（メタデータ） (2025-11-13T15:12:17Z)

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。