Fugu-MT 論文翻訳(概要): PrismAlign: Prior-Steered Multi-View VLM Alignment for Hallucination-Robust Table OCR

論文の概要: PrismAlign: Prior-Steered Multi-View VLM Alignment for Hallucination-Robust Table OCR

arxiv url: http://arxiv.org/abs/2609.21351v1
Date: Fri, 18 Sep 2026 06:07:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-21 18:40:16.874263
Title: PrismAlign: Prior-Steered Multi-View VLM Alignment for Hallucination-Robust Table OCR
Title（参考訳）: PrismAlign:Halucination-Robust Table OCR用プリステア付きマルチビューVLMアライメント
Abstract要約: あいまいさを解決するために多様な視覚的視点を整合させるマルチVLMフレームワークであるPrismAlignを提案する。テーブルロジックの先行を統合して出力の可算性を評価し、セル内容のアライメントから構造的アライメントを分離する。
参考スコア（独自算出の注目度）: 2.8905149970560333
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Table extraction suffers from frequent structural errors and semantic hallucinations. We propose PrismAlign, a multi-VLM framework aligning diverse visual perspectives to resolve ambiguity. It integrates priors of table logic to assess output plausibility, decoupling structural alignment from cell content alignment. A Bayesian decision strategy maximizes alignment accuracy by exploiting the correlation between extraction errors and computable rule violations. Evaluated on open-source and custom VLMs, PrismAlign reduces hallucinations and achieves state-of-the-art performance on OmniDocBench 1.5, as well as on the table category of CC-OCR and PureDocBench.
Abstract（参考訳）: 表抽出は、しばしば構造上の誤りや意味的な幻覚に悩まされる。あいまいさを解決するために多様な視覚的視点を整合させるマルチVLMフレームワークであるPrismAlignを提案する。テーブルロジックの先行を統合して出力の可算性を評価し、セル内容のアライメントから構造的アライメントを分離する。ベイズ決定戦略は、抽出誤差と計算可能なルール違反の相関を利用してアライメント精度を最大化する。 PrismAlignはオープンソースとカスタムのVLMで評価され、幻覚を減らし、OmniDocBench 1.5、CC-OCRとPureDocBenchのテーブルカテゴリで最先端のパフォーマンスを達成する。

関連論文リスト

Fair Multi-View Determinantal Coresets via Adaptive NEPv [6.555429729518591]
商標のキュレーションでは、サブセットはマークとロゴの視覚空間を記述するために使われる言語の両方をカバーするべきである。単一決定点プロセス(DPP)カーネルはひとつのビューで障害を隠すことができ、平均的なカーネルはマルチビュー緩和を置き換える。我々は、emphfairのマルチビュー選択を定式化する: サイズ-$k$サブセットのビューあたりの最も弱いログを最大化する。
論文参考訳（メタデータ） (2026-08-18T02:32:32Z)
BVS: Bayesian Visual Search with Multimodal Large Language Model for Fine-grained Perception [54.31138496553705]
本研究では,連続空間スケール多様体上の大域的最適化問題として知覚を定式化するBayesian Visual Searchを提案する。また,BVSが精度と効率のトレードオフに優れ,最先端のベースラインを著しく上回ることを示す広範な実験を行った。
論文参考訳（メタデータ） (2026-07-03T10:42:34Z)
Geometry-Aware Uncertainty Coresets for Robust Visual In-Context Learning in Histopathology [8.2867621159451]
GAUCは,事前学習されたマルチモーダル埋め込み空間で直接動作する,トレーニング不要なコアセット選択法である。 CRC-100K と MHIST が複数のオープンソース VLM アーキテクチャにまたがっている場合、GAUC は精度、キャリブレーション、高速な勾配ロバスト性を改善している。
論文参考訳（メタデータ） (2026-05-18T13:54:04Z)
Res$^2$CLIP: Few-Shot Generalist Anomaly Detection with Residual-to-Residual Alignment [21.61732087909472]
数ショットのジェネラリスト異常検出は、再訓練なしに新しいカテゴリに一般化するモデルを必要とする。粗い粒度の統一されたテキストプロンプトは、きめ細かい前景と背景の違いに対応するのに苦労する。我々は,多モードアライメントを完全に統一された残差空間にシフトさせることを提案し,残差表現は自然にきめ細かい通常の特徴差を除去する。
論文参考訳（メタデータ） (2026-05-15T16:49:58Z)
V-tableR1: Process-Supervised Multimodal Table Reasoning with Critic-Guided Policy Optimization [30.74548183895207]
マルチモーダル大規模言語モデル(MLLM)から厳密で検証可能な推論を導くプロセス教師付き強化学習フレームワークであるV-tableR1を紹介する。 V-tableR1は、ポリシーVLMによって生成される明示的な視覚的連鎖について、厳密で段階的なフィードバックを提供するために、特別な批評家のVLMを使用している。 V-tableR1は視覚幻覚とショートカットの推測を明示的に罰する。
論文参考訳（メタデータ） (2026-04-22T16:44:33Z)
VCE: A zero-cost hallucination mitigation method of LVLMs via visual contrastive editing [70.82867621856968]
大きな視覚言語モデル(LVLM)は、しばしば物体幻覚(OH)に悩まされる近年の研究では、幻覚の問題は言語の先行に起因している可能性が示唆されている。本稿では視覚コントラスト編集(VCE)を提案する。
論文参考訳（メタデータ） (2026-04-21T12:40:07Z)
ConsistentRFT: Reducing Visual Hallucinations in Flow-based Reinforcement Fine-Tuning [85.20505958752928]
フローベースモデル上での強化ファインチューニング(RFT)は、優先順位調整に不可欠である。 RFTは、過度に最適化された詳細や意味的なミスアライメントのような視覚幻覚をしばしば導入する。この研究は、なぜ視覚幻覚が生じるのか、どのようにそれらを減らすのかを予備的に探求する。
論文参考訳（メタデータ） (2026-02-03T11:49:46Z)
HEDGE: Hallucination Estimation via Dense Geometric Entropy for VQA with Vision-Language Models [4.099133096025821]
視覚言語モデル(VLM)は、オープンエンドの視覚的質問応答を可能にするが、幻覚に苦しむ傾向にある。我々は、制御された視覚摂動、セマンティッククラスタリング、堅牢な不確実性メトリクスを組み合わせた幻覚検出のための統合フレームワークであるHEDGEを提案する。
論文参考訳（メタデータ） (2025-11-16T17:16:31Z)
Harnessing Group-Oriented Consistency Constraints for Semi-Supervised Semantic Segmentation in CdZnTe Semiconductors [71.44213719783703]
ICAF(Intra-group Consistency Augmentation Framework)は、CdZnTe(Cadmium Zinc Telluride)半導体画像にラベルを付けるために開発された。 ICAF は View Augmentation Module (VAM) と View Correction Module (VCM) の2つの重要なモジュールで構成されている。 ICAFは、CdZnTeデータセット上の70.6% mIoUを2つのグループアノテートデータのみを用いて達成する。
論文参考訳（メタデータ） (2025-08-18T09:40:36Z)
SEMv2: Table Separation Line Detection Based on Instance Segmentation [96.36188168694781]
SEMv2(SEM: Split, Embed, Merge)と呼ばれるテーブル構造認識器を提案する。本稿では,テーブル分離ラインのインスタンスレベルの識別問題に対処し,条件付き畳み込みに基づくテーブル分離ライン検出戦略を提案する。 SEMv2を包括的に評価するために、iFLYTABと呼ばれるテーブル構造認識のためのより困難なデータセットも提示する。
論文参考訳（メタデータ） (2023-03-08T05:15:01Z)

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。