論文の概要: All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts

• arxiv url: http://arxiv.org/abs/2609.24058v1
• Date: Mon, 21 Sep 2026 03:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.048588
• Title: All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts
• Title（参考訳）: スクリプト・アウェア・ミックス・オブ・エキスパートを用いたオールインワン多言語シーン音声認識
• Abstract要約: 既存のソリューションでは、言語ごとに1つの認識器をデプロイし、コストを膨らませ、エラーの蓄積を導入するか、巨大な視覚言語モデル(VLM)に依存している。 本研究では,言語ごとのエキスパートよりもシンプルで,VLMよりも軽量で,両者よりも正確であるオールインワンな多言語認識手法を提案する。 まず,10のスクリプトと229の言語にまたがる大規模な合成シーンテキストデータセットであるTextMuSS-10Mを構築した。 次に,スクリプト対応Mixture-of-Experts (MoE)アーキテクチャであるScriptMoEを提案する。
• 参考スコア（独自算出の注目度）: 50.30361657201582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multilingual scene text recognition (STR) remains challenging due to the scarcity of training data for most languages and the difficulty of serving diverse scripts within a single model. Existing solutions either deploy one recognizer per language, inflating cost and introducing error accumulation, or rely on massive vision-language models (VLMs) that are expensive and still inaccurate on many scripts. In this work, we pursue an all-in-one multilingual recognizer that is simpler than per-language experts, lighter than VLMs, and more accurate than both. First, we construct TextMuSS-10M, a large-scale synthetic scene text dataset spanning 10 scripts and 229 languages. It provides balanced and sufficient supervision where real data is unavailable. Second, we propose ScriptMoE, a script-aware Mixture-of-Experts (MoE) architecture. It shares a single visual encoder and replaces the dense decoder with a sparse MoE block, which consists of an image-level router dispatches each image to the top-2 script-aligned experts and a shared expert absorbs cross-script knowledge. Extensive experiments on our assembled TextMuSS-Bench (10 scripts, 10,899 images) show that ScriptMoE achieves the highest accuracy of 82.06%, outperforming the strongest STR baseline by 1.31%. On the CC-OCR end-to-end multilingual task, replacing only the recognizer in PP-OCRv5 with ScriptMoE lifts F1 score from 65.71% to 80.89%, slightly surpassing the best VLM (80.73%) at a fraction of the parameter count.
• Abstract（参考訳）: 多言語シーンテキスト認識(STR)は、ほとんどの言語でトレーニングデータが不足していることと、単一のモデルで多様なスクリプトを提供するのが困難であることから、依然として困難である。 既存のソリューションでは、言語ごとに1つの認識器をデプロイし、コストを膨らませ、エラーの蓄積を導入するか、高価でまだ多くのスクリプトに不正確である大規模な視覚言語モデル(VLM)に依存している。 本研究では,言語ごとのエキスパートよりもシンプルで,VLMよりも軽量で,両者よりも正確であるオールインワンな多言語認識手法を提案する。 まず,10のスクリプトと229の言語にまたがる大規模合成シーンテキストデータセットであるTextMuSS-10Mを構築した。 実際のデータが利用できない、バランスのとれた十分な監視を提供する。 次に,スクリプト対応のMixture-of-Experts (MoE)アーキテクチャであるScriptMoEを提案する。 単一のビジュアルエンコーダを共有し、高密度デコーダをスパースMOEブロックに置き換え、画像レベルのルータが各画像をトップ2のスクリプトアラインの専門家にディスパッチし、共有の専門家がクロススクリプトの知識を吸収する。 組み立てたTextMuSS-Bench(スクリプト10,899イメージ)の大規模な実験により、ScriptMoEは82.06%の精度で、最強のSTRベースラインを1.31%上回る結果となった。 CC-OCRのエンドツーエンドの多言語タスクでは、PP-OCRv5の認識器のみをScriptMoEに置き換えると、F1のスコアは65.71%から80.89%に上がり、パラメータ数で最高のVLM(80.73%)をわずかに上回っている。

関連論文リスト

• Beyond 'One Language, One Script': Quantifying Orthographic Bias in Multilingual VLMs with PuMVR [0.15293427903448023]
  現在のVision-Language Modelsは、1つの言語が1つの書き込みシステムに対応するという欠陥のある仮定の下で動作している。 これは、Punjabi、セルビア語、ヒンディー語、ウルドゥー語、クルド語など、数十億のマルチスクリプト言語ユーザーを見落としている。 我々は,375の文化的根拠を持つ画像推論タスクを通じて,スクリプト依存バイアスを定量化する最初のベンチマークであるPuMVRを紹介する。
  論文  参考訳（メタデータ） (2026-06-18T15:11:48Z)
• 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)
• 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)
• Omnilingual SONAR: Cross-Lingual and Cross-Modal Sentence Embeddings Bridging Massively Multilingual Text and Speech [61.759910921200834]
  言語間の文エンコーダは通常、数百の言語をカバーしている。 我々はOmniSONARを紹介した。OmniSONARは全言語、言語横断、言語横断の文埋め込みモデルである。
  論文  参考訳（メタデータ） (2026-03-17T14:47:35Z)
• mOSCAR: A Large-scale Multilingual and Multimodal Document-level Corpus [52.83121058429025]
  マルチモーダル大規模言語モデル(mLLM)は大量のテキストイメージデータに基づいて訓練される。 mOSCARは、ウェブからクロールされた最初の大規模多言語およびマルチモーダル文書コーパスである。 163言語、303M文書、200Bトークン、1.15B画像を含む。
  論文  参考訳（メタデータ） (2024-06-13T00:13:32Z)
• TransliCo: A Contrastive Learning Framework to Address the Script Barrier in Multilingual Pretrained Language Models [50.40191599304911]
  本稿では,mPLM を微調整する TransliCo を提案する。 Furinaは様々なゼロショット・クロスリンガル・トランスファータスクにおいてオリジナルのGlot500-mより優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-12T15:12:48Z)
• Scaling Up Deliberation for Multilingual ASR [36.860327600638705]
  多言語音声認識のための第2パス検討について検討する。 テキストエンコーダは複数の言語からの仮説テキストをエンコードし,デコーダは多言語テキストと音声に付随する。 検討の結果,9言語の平均 WER はシングルパスモデルと比較して4% 向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T21:07:00Z)

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。