論文の概要: SP-DocReader: Difference-Aware Self-Play for Precise Document OCR

• arxiv url: http://arxiv.org/abs/2610.11148v1
• Date: Thu, 08 Oct 2026 03:12:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.757319
• Title: SP-DocReader: Difference-Aware Self-Play for Precise Document OCR
• Title（参考訳）: SP-DocReader: 高精度ドキュメントOCRのための差分対応セルフプレイ
• Abstract要約: SP-DocReaderは光学式文字認識(OCR)のためのセルフプレイフレームワークである Reading Discrepancy Maskingは、参照と生成されたモデルトークンを、最長の共通サブシーケンスを通じて整列する。 フォーカスされたフィデリティ・ロスは、未整合の地道位置で直接ネガティブなログライクな監視を追加する。
• 参考スコア（独自算出の注目度）: 8.042846537354517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate page transcription remains difficult for vision language models under limited input and training budgets. We present SP-DocReader, a self-play framework for optical character recognition (OCR) that targets residual errors after supervised fine-tuning. Reading Discrepancy Masking aligns reference and generated model tokens through a longest common subsequence, then scores unmatched positions with their full conditioning prefixes. Focused Fidelity Loss adds direct negative log-likelihood supervision at unmatched ground-truth positions. Only the OCR module is trained, while the backbone remains frozen. We derive the combined gradient to distinguish relative score optimization from direct supervision. Compared with SFT-2, SP-DR-3 reduces Vary-600K character error rate on both backbones. On Qwen3-VL-4B, it reduces character error rate by approximately 54 percent and improves DocVQA Average Normalized Levenshtein Similarity (ANLS) by 3.7 points. These results show the value of focusing self-play training on the discrepancies that remain after supervised fine-tuning.
• Abstract（参考訳）: 入力とトレーニングの予算が限られている視覚言語モデルでは、正確なページの書き起こしは依然として困難である。 本稿では,光学式文字認識(OCR)のためのセルフプレイフレームワークであるSP-DocReaderについて述べる。 Reading Discrepancy Maskingは、参照と生成されたモデルトークンを、最も長い共通部分列を通して整列させ、その後、完全な条件付きプレフィックスで未整合位置をスコアする。 フォーカスされたフィデリティ・ロスは、未整合の地道位置で直接ネガティブなログライクな監視を追加する。 OCRモジュールのみがトレーニングされ、バックボーンは凍結されている。 我々は、相対的なスコア最適化と直接監督を区別するために、組み合わせた勾配を導出する。 SFT-2と比較すると、SP-DR-3は両バックボーンのVary-600K文字誤り率を低減する。 Qwen3-VL-4Bでは、文字エラー率を約54%削減し、DocVQA平均正規化Levenshtein類似度(ANLS)を3.7ポイント改善した。 これらの結果から,指導的微調整後に残る相違点に,自己プレイトレーニングを集中させることの価値が示唆された。

関連論文リスト

• Readout Blindness: VLM Scores Miss the Spatial Direction Their Frozen Encoders Retain [49.084687777528046]
  我々は,字幕語を凍結した特徴のイメージパッチと整列し,一致した物体セントロイド間の符号付き変位によって各関係をスコアする非対称変位読み出し手法を提案する。 ADRは配置されたスコアよりも大幅に改善され、微調整エンコーダであってもほとんどの方向バランスのセットにほぼ近い確率で維持されることを示す。 より複雑な読み出しと比較すると、ADRは評価されたMLLM確率読み出しよりも優れており、計算のごく一部でチャット推論と競合する。
  論文  参考訳（メタデータ） (2026-10-05T13:36:45Z)
• Autoencoder Architectures for Athlete Performance Scoring from Wearable Telemetry [0.0]
  本稿では,9つのセンサランナープロファイルを1つのスカラー性能指標である潜時スコアに圧縮する能力について,次元縮小モデル,3種類のオートエンコーダ,PCA,変分オートエンコーダについて検討する。
  論文  参考訳（メタデータ） (2026-06-26T14:41:24Z)
• Enhancing IMU-Based Online Handwriting Recognition via Contrastive Learning with Zero Inference Overhead [4.519836503888727]
  推論コストを増大させることなく特徴表現と認識精度を向上させるためのトレーニングフレームワークを提案する。 ECHWRは、トレーニングフェーズ中にセンサー信号とセマンティックテキストの埋め込みを整列する一時的な補助ブランチを使用する。 OnHW-Words500データセットの評価によると、ECHWRは最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-04T13:44:54Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• End-to-End Page-Level Assessment of Handwritten Text Recognition [69.55992406968495]
  HTRシステムは、文書のエンドツーエンドのページレベルの書き起こしに直面している。 標準メトリクスは、現れる可能性のある不整合を考慮していない。 本稿では、転写精度とROの良さを別々に検討する2つの評価法を提案する。
  論文  参考訳（メタデータ） (2023-01-14T15:43:07Z)
• Neural OCR Post-Hoc Correction of Historical Corpora [4.427447378048202]
  本稿では,再カレント(RNN)と深部畳み込みネットワーク(ConvNet)を組み合わせたニューラルアプローチを提案する。 我々のモデルは多様なOCR転写誤りを捕捉し、単語誤り率を32.3%減らして89%以上削減できることを示す。
  論文  参考訳（メタデータ） (2021-02-01T01:35:55Z)

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。