論文の概要: Decompose Radicals, Then Reward: Fine-Grained Inspection for Accurate Chinese Text Rendering
- arxiv url: http://arxiv.org/abs/2609.37569v1
- Date: Tue, 29 Sep 2026 13:37:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.5662
- Title: Decompose Radicals, Then Reward: Fine-Grained Inspection for Accurate Chinese Text Rendering
- Title（参考訳）: 正確な中国語テキストレンダリングのための細粒度検査法
- Abstract要約: 既存のOCRベースの強化学習報酬は、デコードされた書き起こしとターゲット文字列を比較する。
Ideographic Description Sequences (IDS) は空間演算子と文字成分から構成される。
IDSSpectは、決定論的にターゲットテキストをIDSトークンに分解し、作物レベルの視覚的IDS予測をターゲットシーケンスと整合させる。
- 参考スコア（独自算出の注目度）: 17.603585151752203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rendering accurate Chinese text remains challenging for text-to-image models. Existing OCR-based reinforcement-learning rewards compare decoded transcripts with target strings. Such rewards overlook the compositional nature of Chinese writing: an ideograph consists of reusable components arranged through explicit spatial relations, yet OCR evaluates it as an atomic character. Consequently, visually different radical-level errors may receive equally coarse feedback, encouraging glyphs that merely resemble the target instead of faithfully reproducing its internal structure. We employ Ideographic Description Sequences (IDS), which comprise spatial operators and character components, and train an expert IDS recognizer to transcribe rendered Chinese text into this representation. Building on this recognizer, we introduce IDSpect, which deterministically decomposes the target text into IDS tokens and aligns crop-level visual IDS predictions with the target sequence. Globally unique token credit makes this comparison robust to the order of detected text regions. Combined with a whole-character semantic reward, IDSpect supplies fine-grained credit with component and spatial-relation without changing the image generator or adding inference-time cost. Experiments with GRPO post-training of Qwen-Image demonstrate that IDSpect achieves leading structural quality and semantic alignment on LongText and GenTextEval.
- Abstract（参考訳）: 正確な中国語のテキストのレンダリングは、テキストと画像のモデルでは難しい。
既存のOCRベースの強化学習報酬は、デコードされた書き起こしとターゲット文字列を比較する。
イデオログラフは明示的な空間的関係を通して配置された再利用可能な構成要素から構成されるが、OCRはそれを原子的性格として評価する。
その結果、視覚的に異なるラジカルレベルの誤差は、内部構造を忠実に再現するのではなく、単にターゲットに類似したグリフを奨励する、等しく粗いフィードバックを受ける可能性がある。
我々は、空間演算子と文字成分からなるIdeographic Description Sequences (IDS)を採用し、専門家のIDS認識器を訓練して、描画された中国語のテキストをこの表現に転写する。
この認識器上に構築されたIDSpectは,ターゲットテキストをIDSトークンに決定的に分解し,作物レベルの視覚的IDS予測をターゲットシーケンスと整合させる。
グローバルにユニークなトークンクレジットは、この比較を検出されたテキスト領域の順序に頑健にする。
IDSpectは、文字全体のセマンティック報酬と組み合わせて、イメージジェネレータを変更したり、推論時間コストを追加することなく、コンポーネントと空間関係の細かいクレジットを提供する。
Qwen-ImageのGRPOポストトレーニングによる実験では、IDSpectはLongTextとGenTextEvalで構造的品質とセマンティックアライメントをリードする。
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) - DTRNet: Dual Text-Radical Decoding for Handwritten Chinese Text Recognition with Faked Character Detection [23.1626542785567]
手書き文字認識は、学生の書き起こしだけでなく、偽の文字も検出すべきである。
文字レベルの手法は解釈可能な構造的証拠を提供するが、効率は低い。
ラインレベルの手法は効率的であるが、信頼度に大きく依存しているため、検出に失敗したり、明確な構造的証拠が欠如している。
行レベルの偽文字検出のためのデュアルテキストラディカルデコーディングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-06T10:21:45Z) - When Text-as-Vision Meets Semantic IDs in Generative Recommendation: An Empirical Study [48.67151986743594]
テキストを視覚信号として扱うことでセマンティックID学習の表現設計を再考する。
項目記述を画像に描画することで得られるOCRに基づくテキスト表現の体系的な実証的研究を行う。
OCR-text は, セマンティックID 学習における標準テキスト埋め込みと一意に一致しているか, 上回っていることがわかった。
論文 参考訳（メタデータ） (2026-01-21T06:18:57Z) - Zero-Shot Chinese Character Recognition with Hierarchical Multi-Granularity Image-Text Aligning [52.92837273570818]
漢字は独特な構造と構成規則を示しており、表現にきめ細かい意味情報を使用することが可能である。
コントラストパラダイムに基づく階層型多言語画像テキストアライニング(Hi-GITA)フレームワークを提案する。
提案したHi-GITAは既存のゼロショットCCR法より優れている。
論文 参考訳（メタデータ） (2025-05-30T17:39:14Z) - GlyphMastero: A Glyph Encoder for High-Fidelity Scene Text Editing [23.64662356622401]
GlyphMasteroという特殊なグリフエンコーダは、ストロークレベルの精度でテキストを生成するために、潜時拡散モデルを導出するために設計されている。
本手法は,現状のシーンテキスト編集ベースラインよりも文精度が18.02%向上した。
論文 参考訳（メタデータ） (2025-05-08T03:11:58Z) - Text Augmented Spatial-aware Zero-shot Referring Image Segmentation [60.84423786769453]
テキスト拡張空間認識(TAS)ゼロショット参照画像セグメンテーションフレームワークを提案する。
TASには、例レベルのマスク抽出のためのマスク提案ネットワーク、画像テキスト相関をマイニングするためのテキスト拡張ビジュアルテキストマッチングスコア、マスク後処理のための空間が含まれている。
提案手法は,最先端のゼロショット参照画像セグメンテーション法より明らかに優れている。
論文 参考訳（メタデータ） (2023-10-27T10:52:50Z) - A Benchmark for Chinese-English Scene Text Image Super-resolution [15.042152725255171]
Scene Text Image Super- resolution (STISR) は、低解像度(LR)入力から視覚的に快適で読みやすいテキストコンテンツで高解像度(HR)のテキストイメージを復元することを目的としている。
現存する作品の多くは、比較的単純な文字構造を持つ英語のテキストの復元に重点を置いている。
我々は,STISRのタスクに対して,実世界の中国語と英語のベンチマークデータセットであるReal-CEを提案する。
論文 参考訳（メタデータ） (2023-08-07T02:57:48Z) - TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。
TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。
分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
論文 参考訳（メタデータ） (2023-06-06T03:37:41Z)
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。