論文の概要: EVIE: Evidence-Vector-Informed Embeddings for Visual Document Retrieval

• arxiv url: http://arxiv.org/abs/2610.11553v1
• Date: Thu, 08 Oct 2026 09:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.918684
• Title: EVIE: Evidence-Vector-Informed Embeddings for Visual Document Retrieval
• Title（参考訳）: EVIE: ビジュアルドキュメント検索のためのエビデンスベクターインフォームド・埋め込み
• Abstract要約: OCRベースのテキスト検索は、プレレイテンシを追加し、複雑なページを理解するのに必要な視覚的および構造的手がかりを失う可能性がある。 3つの重要なイノベーションを統合するネイティブビジュアルレトリバーのファミリーを紹介します。 EVIE-4.5B with HAC は 59.58 nDCG@10 をわずか3.81 GiB per million pages で保持し、ベクトルペイロードを$128times$で削減した。
• 参考スコア（独自算出の注目度）: 40.16120380759166
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate and scalable visual document retrieval (VDR) requires both fine-grained page understanding and efficient indexing, yet existing approaches struggle to achieve both. OCR-based text retrieval adds preprocessing latency and can lose visual and structural cues needed to understand complex pages. Single-vector vision-language models bypass OCR, but compressing an entire page into one vector limits the granularity of query--document matching. Multi-vector retrievers with MaxSim provide finer interactions, yet demand large indexes and still leave room for accuracy improvements. We argue that overcoming these limitations requires preserving query-relevant page evidence throughout representation learning and index construction. To this end, we introduce \textbf{\textit{EVIE}} (Evidence-Vector-Informed Embeddings), a family of native visual document retrievers integrating three key innovations: (1) Evidence-judged data governance, which uses a multimodal judge to identify answer-bearing positives and filter unreliable negatives. (2) Bidirectional teacher--student learning with symmetric listwise distillation and prefix-based Matryoshka representation learning (Prefix-MRL), enabling one student checkpoint to serve six nested embedding dimensions without re-encoding. (3) Hierarchical agglomerative index compression (HAC), which clusters page tokens with spatial regularization and stores semantic centroids for single-stage MaxSim retrieval. Extensive experiments across 138 tasks from ViDoRe V1, V2, V3, and JinaVDR validate EVIE. EVIE-8B achieves 66.75 nDCG@10 on V3, exceeding the best external baseline by 1.43 points, with a four-suite average of 79.51. EVIE-4.5B with HAC retains 59.58 nDCG@10 at only 3.81 GiB per million pages, reducing vector payload by $128\times$. Together, these results improve the accuracy--storage trade-off for visual document retrieval.
• Abstract（参考訳）: 正確でスケーラブルなビジュアルドキュメント検索(VDR)には、きめ細かなページ理解と効率的なインデックス付けの両方が必要であるが、既存のアプローチは両方を達成するのに苦労している。 OCRベースのテキスト検索は、前処理のレイテンシを追加し、複雑なページを理解するのに必要な視覚的および構造的手がかりを失う可能性がある。 単一ベクトルビジョン言語モデルはOCRをバイパスするが、ページ全体を1つのベクトルに圧縮すると、クエリドキュメントマッチングの粒度が制限される。 MaxSimを使用したマルチベクタレトリバーは、より詳細なインタラクションを提供するが、大きなインデックスを必要とし、精度の向上のために余地を逸している。 これらの制限を克服するには、表現学習やインデックス構築を通じてクエリ関連ページのエビデンスを保存する必要がある、と我々は主張する。 この目的のために,本研究では, 1 つの重要なイノベーションを統合するネイティブなビジュアル文書検索者のファミリーである \textbf{\textit{EVIE}} (Evidence-Vector-Informed Embeddings)を紹介した。 2) 対称的リストワイド蒸留とプレフィックスベース・マトリオシカ表現学習(Prefix-MRL)による双方向学習により,1人の学生が再エンコーディングすることなく6つの埋め込み次元に対応できる。 (3)階層的凝集指数圧縮(HAC)は,空間正規化を伴うページトークンをクラスタ化し,一段階のMaxSim検索のためのセマンティックセントロイドを格納する。 ViDoRe V1、V2、V3、JinaVDRの138タスクにわたる大規模な実験はEVIEを検証する。 EVIE-8BはV3で66.75 nDCG@10を達成し、最高の外部ベースラインを1.43ポイント越え、平均79.51である。 EVIE-4.5B with HACは59.58 nDCG@10を100万ページ当たりわずか3.81 GiBで保持し、ベクトルペイロードを128\times$で削減した。 これらの結果により,視覚的文書検索の精度・保存トレードオフが向上する。

関連論文リスト

• DistilVDR: A Compact End-to-End Visual Document Retriever via Dual-Student Distillation [10.452905194155285]
  DistilVDRは、単一の8B視覚言語教師から両側に蒸留された524MのエンドツーエンドVDRシステムである。 どちらの変種も、最強のサブ-1Bマルチベクターベースラインよりも15.6倍小さいインデックスで100万の文書を格納している。
  論文  参考訳（メタデータ） (2026-08-11T08:23:39Z)
• Three Sides of Retrieval: Factorial Evidence for Document-Side, Query-Side, and Answer-Side Complementarity in RAG [0.0]
  ToC誘導のページ検索は、LCMコールなしで視覚的なフォーマットから方向を推測し、それらを並列インデックスとして埋め込み、全ページセクションをロードする。 8つのエンタープライズ文書の1,280の条件の中で、ToCは回答の品質に大きな影響を与えている。 ToCはクエリ毎に2.9ページしか追加していないが、20%の引用に貢献している。
  論文  参考訳（メタデータ） (2026-06-19T14:33:01Z)
• Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
  複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。 我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
  論文  参考訳（メタデータ） (2026-04-15T11:12:27Z)
• Multi-Vector Index Compression in Any Modality [73.7330345057813]
  後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。 インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
  論文  参考訳（メタデータ） (2026-02-24T18:57:33Z)
• Beyond Patch Aggregation: 3-Pass Pyramid Indexing for Vision-Enhanced Document Retrieval [0.0]
  ドキュメント中心のRAGパイプラインは通常、OCRから始まり、次にチャンキング、テーブル解析、レイアウト再構築のための脆さが続く。 我々は,OCRフリーかつモデル非依存なマルチモーダル検索システムであるVisionRAGを紹介する。 VisionRAGは、ドキュメントを直接イメージとしてインデックスし、レイアウト、テーブル、空間的なキューを保存し、特定の抽出にコミットすることなくセマンティックベクターを構築する。
  論文  参考訳（メタデータ） (2025-11-26T07:18:06Z)
• 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)
• Enhancing Document VQA Models via Retrieval-Augmented Generation [1.6769365072542683]
  ドキュメントVQAは数十ページに及ぶドキュメントに対処しなければならないが、主要なシステムは依然として非常に大きな視覚言語モデルに依存している。 Retrieval-Augmented Generation (RAG) は魅力的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-08-26T12:32:55Z)
• MonkeyOCR: Document Parsing with a Structure-Recognition-Relation Triplet Paradigm [60.14048367611333]
  MonkeyOCRはドキュメント解析のためのビジョン言語モデルである。 SRR(Structure-Recognition-Relation)三重項パラダイムを活用することで、最先端の技術の進歩を図っている。
  論文  参考訳（メタデータ） (2025-06-05T16:34:57Z)

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。