論文の概要: PalmLeaf-VQA: A Multi-Script Visual Question Answering Benchmark for Historical Palm-Leaf Manuscript Understanding Across Diverse Regions
- arxiv url: http://arxiv.org/abs/2609.31651v1
- Date: Mon, 14 Sep 2026 12:36:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 14:18:53.675525
- Title: PalmLeaf-VQA: A Multi-Script Visual Question Answering Benchmark for Historical Palm-Leaf Manuscript Understanding Across Diverse Regions
- Title（参考訳）: PalmLeaf-VQA: 様々な地域を横断する歴史的Palm-Leafマニュアルに対するマルチスクリプトビジュアル質問回答ベンチマーク
- Abstract要約: PalmLeaf-VQA には textbf923 のキュレートされた原稿イメージと textbf7,384 の質問対が含まれている。
認識指向のリソースとは異なり、このベンチマークは、保存関連キューよりも原稿を意識した視覚的推論をターゲットにしている。
- 参考スコア（独自算出の注目度）: 10.438874915466107
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Historical manuscripts remain largely absent from modern vision-language benchmarks, leaving open how well multimodal large language models (MLLMs) handle culturally diverse, degraded, and non-Latin document images. We introduce \textbf{PalmLeaf-VQA}, a multi-script visual question answering benchmark for historical palm-leaf manuscript understanding across South and Southeast Asian traditions. PalmLeaf-VQA contains \textbf{923 curated manuscript images} and \textbf{7,384 question--answer pairs} from eight collection groups: Balinese, Grantha, Jathakam, Kambaramayanam, Kannada, Khmer, Sundanese, and Tamil. Unlike recognition-oriented resources, the benchmark targets manuscript-aware visual reasoning over preservation-relevant cues, including physical condition, line structure, material and coating, binding holes, margins, symbols, drawings, and localized visual artifacts. We evaluate recent proprietary and open-weight MLLMs under open-answer and constrained-answer prompting and provide fine-grained analysis across collections, question categories, and task types. The strongest evaluated model reaches only \textbf{58.00\% exact-match accuracy} on the held-out test split, revealing substantial limitations in current MLLMs for rare-script, degraded-layout, and preservation-oriented document understanding. PalmLeaf-VQA provides a standardized benchmark for advancing culturally grounded and layout-aware multimodal document analysis.
- Abstract（参考訳）: 歴史的写本は現代の視覚言語ベンチマークにほとんど欠落しており、マルチモーダルな大規模言語モデル(MLLM)が文化的に多種多様で劣化し、非ラテン語の文書イメージをうまく扱えるかは未解決のままである。
南アジアと東南アジアの伝統にまたがるパームリーフの古写本理解のための多文視覚質問応答ベンチマークである。
PalmLeaf-VQA には、Balinese, Grantha, Jathakam, Kambaramayanam, Kannada, Khmer, Sundanese, Tamil という8つのコレクショングループの \textbf{923 curated manuscript images} と \textbf{7,384 question-anwer pairs} が含まれている。
認識指向のリソースとは異なり、このベンチマークは、物理的条件、線構造、材料とコーティング、結合穴、マージン、シンボル、描画、局所的な視覚的アーティファクトを含む、保存関連キューに対する原稿を意識した視覚的推論をターゲットにしている。
我々は,近年のオープン・アンサーおよび制約付き・アンサーのもとでのプロプライエタリかつオープン・ウェイトなMLLMの評価を行い,コレクション,質問カテゴリ,タスクタイプに対してきめ細かい分析を行う。
最強評価モデルは、保持されたテストスプリット上での「textbf{58.00\%精度」に到達し、レアスクリプト、劣化レイアウト、保存指向文書理解のための現在のMLLMにかなりの制限があることを明らかにする。
PalmLeaf-VQAは、文化的基盤とレイアウトを意識したマルチモーダル文書分析の標準化されたベンチマークを提供する。
関連論文リスト
- Multimodal Graph RAG for Long-range Visually Rich Document Understanding [20.85691320079392]
マルチモーダル大言語モデル(MLLM)は、視覚的文書理解に広く応用されている。
MMRAGは、関連するページを取得することで、この問題に対処できる。
文書の全体的理解を必要とする視覚的質問応答(VQA)に苦慮している。
論文 参考訳（メタデータ） (2026-06-27T07:14:31Z) - VinQA: Visual Elements Interleaved Long-form Answer Generation for Real-World Multimodal Document QA [7.046359260432822]
VinQAは、引用された視覚要素がサポートテキストと明示的にインターリーブされた長文回答生成のためのデータセットである。
生文書のページイメージをMLLMに入力する2つのエンコーディング手法と,その視覚的要素抽出機構について検討した。
本実験では, 完全性, 回答関連性, 忠実性, 障害性という4次元の回答を評価するために, M-GroSEを提案する。
論文 参考訳（メタデータ） (2026-06-15T01:14:14Z) - 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) - SEA-Vision: A Multilingual Benchmark for Comprehensive Document and Scene Text Understanding in Southeast Asia [40.4434142867308]
東南アジア11言語を対象に,文書解析とテキスト中心視覚質問応答(TEC-VQA)を共同で評価するベンチマークSEA-Visionを紹介する。
SEA-Visionには、9つの代表的なドキュメントタイプからページを解析する15,234のドキュメントが含まれている。
また、テキスト認識、数値計算、比較分析、論理的推論、空間的理解を探索する7,496のTEC-VQA質問応答ペアも提供する。
論文 参考訳（メタデータ） (2026-03-16T15:21:12Z) - MosaicDoc: A Large-Scale Bilingual Benchmark for Visually Rich Document Understanding [7.650139800950797]
MosaicDocは、ビジュアルリッチドキュメント理解(VRDU)の境界を押し上げるために設計された、大規模なバイリンガル(中国語と英語)リソースである。
72Kイメージと600KのQAペアを持つMosaicDocは、この分野における決定的なベンチマークとして機能する。
このベンチマークにおける最先端モデルの評価は、実際の文書の複雑さを扱う際の現在の限界を明らかにしている。
論文 参考訳（メタデータ） (2025-11-13T03:34:44Z) - 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) - HW-MLVQA: Elucidating Multilingual Handwritten Document Understanding with a Comprehensive VQA Benchmark [31.753044906301664]
本稿では,HW-MLVQAという前衛的なVQAベンチマークについて述べる。
テキスト、画像、統合された画像とテキストのモダリティの3つの異なるモードにまたがる堅牢なベンチマーク評価フレームワークを提供する。
論文 参考訳（メタデータ） (2025-07-21T14:16:44Z) - M-DocSum: Do LVLMs Genuinely Comprehend Interleaved Image-Text in Document Summarization? [49.53982792497275]
本稿では,LVLM(Large Vision-Language Models)が文書中のインターリーブ画像テキストを真に理解しているかどうかを検討する。
既存の文書理解ベンチマークは、しばしば質問応答形式を用いてLVLMを評価する。
マルチモーダル文書要約ベンチマーク(M-DocSum-Bench)について紹介する。
M-DocSum-Benchは500の高品質なarXiv論文と、人間の好みに合わせたインターリーブされたマルチモーダル要約で構成されている。
論文 参考訳（メタデータ） (2025-03-27T07:28:32Z) - Towards Complex Document Understanding By Discrete Reasoning [77.91722463958743]
VQA(Document Visual Question Answering)は、自然言語による質問に答えるために、視覚的に豊富なドキュメントを理解することを目的としている。
我々は3,067の文書ページと16,558の質問応答ペアからなる新しいドキュメントVQAデータセットTAT-DQAを紹介する。
我々は,テキスト,レイアウト,視覚画像など,多要素の情報を考慮に入れたMHSTという新しいモデルを開発し,異なるタイプの質問にインテリジェントに対処する。
論文 参考訳（メタデータ） (2022-07-25T01:43:19Z)
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。