論文の概要: PolyOCR-Venus: Unified OCR Foundation Models for Text-Centric Visual Intelligence
- arxiv url: http://arxiv.org/abs/2609.37712v1
- Date: Tue, 29 Sep 2026 14:43:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.641915
- Title: PolyOCR-Venus: Unified OCR Foundation Models for Text-Centric Visual Intelligence
- Title（参考訳）: PolyOCR-Venus:テキスト中心ビジュアルインテリジェンスのための統一OCR基盤モデル
- Abstract要約: 我々は、様々なスケールの統一OCR基礎モデルのファミリーであるPolyOCRを提案する。
PolyOCRは、共有命令フォローフレームワークと、異種視覚リソースを品質検証OCR監視に変換する大規模なデータエンジンを組み合わせる。
また,OCRBench v2.1はOCRBench v2の改訂版であり,手作業による校正補正とタスク整合評価指標を備えている。
- 参考スコア（独自算出の注目度）: 29.84455120572156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical Character Recognition (OCR) is evolving from plain-text transcription toward general visual intelligence, requiring models to recognize, localize, and reason over textual information in complex visual environments. However, existing OCR systems often excel at only some tasks and struggle to balance recognition, parsing, and reasoning across scenarios. In this report, we present PolyOCR, a family of unified OCR foundation models of varying scales. PolyOCR combines a shared instruction-following framework with a large-scale data engine that converts heterogeneous visual resources into quality-verified OCR supervision. We introduce Competence-Guided Policy Optimization, which combines verifier-based Group Relative Policy Optimization with on-policy distillation through sample-wise routing based on teacher reliability and the teacher--student competence gap. We also introduce OCRBench v2.1, our revision of OCRBench v2 with manually verified annotation corrections and task-aligned scoring metrics. Extensive experiments across OCRBench v2.1, CC-OCR, in-house KIE Benchmark, OmniDocBench v1.6 and MDPBench demonstrate that PolyOCR achieves state-of-the-art or highly competitive performance.
- Abstract（参考訳）: 光文字認識(OCR)は、平文の文字起こしから一般的な視覚知能へと進化し、複雑な視覚環境におけるテキスト情報の認識、ローカライズ、推論をモデルに要求している。
しかしながら、既存のOCRシステムは、いくつかのタスクのみに優れており、シナリオ間の認識、解析、推論のバランスをとるのに苦労することが多い。
本稿では,様々なスケールの統一OCR基盤モデルのファミリーであるPolyOCRについて述べる。
PolyOCRは、共有命令フォローフレームワークと、異種視覚リソースを品質検証OCR監視に変換する大規模なデータエンジンを組み合わせる。
本稿では, 検証者に基づくグループ相対政策最適化と, 教師の信頼性と教師の学生の能力格差に基づく, サンプルワイド・ルーティングによるオンライン蒸留を組み合わせたコンピテンス指導型政策最適化を提案する。
OCRBench v2.1はOCRBench v2の改訂版で,手作業による注釈修正とタスク対応スコアリングの指標も導入している。
OCRBench v2.1、CC-OCR、社内のKIEベンチマーク、OmniDocBench v1.6、MDPBenchの広範な実験は、PolyOCRが最先端または高い競争性能を達成することを示した。
関連論文リスト
- GLM-OCR Technical Report [65.42028025507491]
GLM-OCRは実世界の文書理解のために設計された効率的なコンパクトモデルである。
CogViTビジュアルエンコーダとGLM言語デコーダを組み合わせることで、計算効率と認識性能のバランスが強い。
公開ベンチマークと産業シナリオの大規模な評価は、GLM-OCRが競争力や最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2026-03-11T15:55:47Z) - ViSS-R1: Self-Supervised Reinforcement Video Reasoning [84.1180294023835]
本稿では,新しい自己教師付き強化学習GRPOアルゴリズム(Pretext-GRPO)を標準R1パイプライン内に導入する。
また、プリテキストタスクに基づく自己教師型学習をMLLMのR1ポストトレーニングパラダイムに直接統合するViSS-R1フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-17T07:00:42Z) - 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) - Lost in OCR Translation? Vision-Based Approaches to Robust Document Retrieval [38.569818461453394]
Retrieval-Augmented Generation (RAG)は、外部文書の応答をグラウンド化するための技術である。
従来のRAGシステムは、スキャンされた文書をテキストに最初に処理するために光学文字認識(OCR)に依存していた。
ColPaliのような近年の視覚言語アプローチでは、ドキュメントの直接的な視覚的埋め込みを提案しており、OCRの必要性を排除している。
論文 参考訳（メタデータ） (2025-05-08T21:54:02Z) - OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation [39.83221375597683]
Retrieval-augmented Generation (RAG)は、幻覚を抑えるために外部知識を統合することで、言語モデル(LLM)を強化する。
RAGの本質的な部分として、光学文字認識(OCR)を用いて構造化されていないPDF文書から構造化されたデータを抽出して外部知識ベースを構築することが一般的である。
本稿では,RAGシステムにおけるOCRのカスケード効果を理解するための最初のベンチマークであるOHRBenchを紹介する。
論文 参考訳（メタデータ） (2024-12-03T17:23:47Z) - Structured Multimodal Attentions for TextVQA [57.71060302874151]
上述の2つの問題を主に解決するために,終端から終端までの構造化マルチモーダルアテンション(SMA)ニューラルネットワークを提案する。
SMAはまず、画像に現れるオブジェクト・オブジェクト・オブジェクト・テキスト・テキストの関係を符号化するために構造グラフ表現を使用し、その後、それを推論するためにマルチモーダルグラフアテンションネットワークを設計する。
提案モデルでは,テキストVQAデータセットとST-VQAデータセットの2つのタスクを事前学習ベースTAP以外のモデルで比較した。
論文 参考訳（メタデータ） (2020-06-01T07:07:36Z)
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。