論文の概要: From Pixels to Structure: Lightweight Vision-Language Models for Document OCR and Structured JSON Extraction

• arxiv url: http://arxiv.org/abs/2610.11818v1
• Date: Thu, 08 Oct 2026 12:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.019851
• Title: From Pixels to Structure: Lightweight Vision-Language Models for Document OCR and Structured JSON Extraction
• Title（参考訳）: ピクセルから構造へ:OCR文書化のための軽量ビジョン言語モデルと構造化JSON抽出
• Abstract要約: 我々は,光学式文字認識 (OCR) のための8つのオープンソース軽量ビジョンランゲージモデル (VLM) の比較研究を行った。 最大7Bパラメータを持つモデルは、手書き文字起こしや商用ブラックボックスシステムに代わる、持続的で高性能な代替手段を提供することができることを示す。
• 参考スコア（独自算出の注目度）: 6.9886320296548226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While massive, closed-source Vision-Language Models (VLMs) set strong benchmarks for document understanding, their dependence on commercial APIs limits adoption in institutional archives due to data autonomy concerns, recurring costs, and the environmental footprint of hyperscale computing. This is especially acute in heritage digitization, where documents include historical handwriting, domain-specific terminology (e.g., jewelry, prehistory, architecture), and non-standard layouts requiring high-dimensional structured extraction. We present a comparative study of eight open-source lightweight VLMs (up to 7B parameters) for Optical Character Recognition (OCR)-to-structure across three university heritage collections. Given a document image, models must extract text and generate schema-compliant JSON, enabling automatic validation and downstream use. We evaluate models under a constraint-aware protocol across zero-shot, few-shot, and fine-tuning settings, measuring extraction fidelity and structured-output quality using Character Error Rate (CER), Approximate Normalized Levenshtein Similarity (ANLS*), and mean Average Precision F1 (mAP-F1). Against a fine-tuning baseline, we further test the independent impact of (i) hyperparameter optimization, (ii) classical image preprocessing (illumination flattening, denoising, and CLAHE), and (iii) multi-stage training. Finally, we analyze the trade-off between dataset-specific fine-tuning and a single multi-dataset checkpoint, where joint training enables one model to operate across collections but can shift performance between datasets. Overall, we show that carefully adapted VLMs with up to 7B parameters can provide a sustainable, private, high-performing alternative to manual transcription or commercial black-box systems, and we offer actionable guidance for heritage institutions seeking institution-controlled OCR-to-JSON extraction.
• Abstract（参考訳）: 大規模でクローズドなVision-Language Models (VLMs) は、文書理解のための強力なベンチマークを定めているが、商用APIへの依存は、データ自律性の懸念、繰り返しコスト、ハイパースケールコンピューティングの環境フットプリントによって、機関のアーカイブへの採用を制限する。 これは、歴史的手書き、ドメイン固有の用語(例えば、宝石、先史時代、建築)、高次元構造抽出を必要とする非標準レイアウトを含む、遺産のデジタル化において特に急激である。 3つの大学遺産コレクションにまたがる光学文字認識(OCR)のための8つのオープンソース軽量VLM(最大7Bパラメータ)の比較研究を行った。 ドキュメントイメージが与えられた場合、モデルはテキストを抽出し、スキーマ準拠のJSONを生成し、自動バリデーションとダウンストリームの使用を可能にする必要がある。 我々は,ゼロショット,少数ショット,微調整設定を対象とし,文字誤り率(CER),近似正規化レベンシュテイン類似度(ANLS*),平均精度F1(mAP-F1)を用いて,抽出精度と構造出力品質を測定する。 微調整ベースラインに対して、我々は独立的な影響をさらに検証する。 (i)ハイパーパラメータ最適化 (二 古典的画像前処理(照明平坦化、遮音、CLAHE)及び (三)多段練習。 最後に、データセット固有の微調整と単一のマルチデータセットチェックポイントのトレードオフを分析する。 全体として,最大7Bパラメータを持つVLMは,手書き文字起こしや商用ブラックボックスシステムに代わる,持続的で,高パフォーマンスな代替手段となり得ることを示し,機関によるOCR-to-JSON抽出を求める遺産機関に対して,実用的なガイダンスを提供する。

関連論文リスト

• Plug-and-Adapt: Multimodal Coreference Resolution at First Sight with a Pretrained Alignment Model [47.811446766453834]
  既存のMCR(Multi-modal Coreference Resolution)メソッドでは、適用前にターゲットデータセットからの注釈付きデータをトレーニングする必要がある。 そこで本研究では,MCRタスクの即時使用のために,慎重に事前訓練された適応モデルを戦略的に適用するプラグイン・アンド・アダプティブ手法を提案する。
  論文  参考訳（メタデータ） (2026-06-16T14:04:13Z)
• Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training [23.87978106727431]
  本稿では、堅牢なエンドツーエンド文書解析のためのデータ学習協調設計フレームワークを提案する。 本手法は,スキャン・デジタル・実世界の両方のシナリオにおいて,精度とロバスト性を向上する。
  論文  参考訳（メタデータ） (2026-03-25T03:19:09Z)
• 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)
• FireRed-OCR Technical Report [30.019999826760003]
  本稿では,汎用VLMを専門家を解析するピクセル精度構造文書に変換するフレームワークFireRed-OCRを紹介する。 高品質な構造化データの不足に対処するため,Geometry + Semantics's Data Factoryを構築した。 本稿では,画素レベルの認識から論理構造生成へモデルを導く三段階プログレッシブトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-02T13:19:23Z)
• Automated Invoice Data Extraction: Using LLM and OCR [0.0]
  この研究は、OCR、ディープラーニング、LLM(Large Language Models)、グラフ分析を組み合わせた総合人工知能(AI)プラットフォームを導入し、前例のない抽出品質と一貫性を実現する。
  論文  参考訳（メタデータ） (2025-11-01T19:05:09Z)
• Leveraging Machine Learning and Enhanced Parallelism Detection for BPMN Model Generation from Text [75.77648333476776]
  本稿では、テキストからBPMNモデルを抽出する自動パイプラインについて紹介する。 この研究の重要な貢献は、新たに注釈付けされたデータセットの導入である。 モデルトレーニング用の32のパラレルゲートウェイを含む15の注釈付き文書でデータセットを増強する。
  論文  参考訳（メタデータ） (2025-07-11T07:25:55Z)
• ORIGAMI: A generative transformer architecture for predictions from semi-structured data [3.5639148953570836]
  ORIGAMIは、ネストされたキー/バリューペアを処理するトランスフォーマーベースのアーキテクチャである。 分類を次点予測として再構成することで、ORIGAMIはシングルラベルとマルチラベルの両方のタスクを自然に処理する。
  論文  参考訳（メタデータ） (2024-12-23T07:21:17Z)
• Long Document Summarization with Top-down and Bottom-up Inference [113.29319668246407]
  本稿では、2つの側面の要約モデルを改善するための原則的推論フレームワークを提案する。 我々のフレームワークは、トップレベルが長距離依存性をキャプチャするドキュメントの階層的な潜在構造を前提としています。 本稿では,様々な要約データセットに対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-03-15T01:24:51Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)

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。