論文の概要: VL-DocIR: A Benchmark for Vision-Based Long Document Information Retrieval

• arxiv url: http://arxiv.org/abs/2610.17057v1
• Date: Mon, 12 Oct 2026 16:25:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.406891
• Title: VL-DocIR: A Benchmark for Vision-Based Long Document Information Retrieval
• Title（参考訳）: VL-DocIR: 視覚に基づく長期文書情報検索のためのベンチマーク
• Abstract要約: 本稿では,エビデンス完全視覚文書検索のためのページレベルのベンチマークであるVL-DocIRを提案する。 VL-DocIRは、ウィキペディア、arXiv、PubMed、SECプロキシステートメントから388,548ページの画像にレンダリングされた29,641のHTML生まれのドキュメントから作られている。 そこには23のドメインにわたる271,760のクエリと6つのエビデンス構造が含まれており、シングルページ、インインドキュメントのマルチページ、クロスドキュメントのエビデンス構成を含んでいる。
• 参考スコア（独自算出の注目度）: 39.687213256160696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-based document retrieval has improved rapidly, but current evaluation settings still emphasize short documents and single relevant pages. This leaves an important gap between leaderboard performance and realistic long-document retrieval, where the evidence needed to answer a query may span multiple pages or even multiple documents. We present VL-DocIR, a page-level benchmark for evidence-complete visual long-document retrieval. VL-DocIR is built from 29,641 HTML-born documents rendered into 388,548 page images from Wikipedia, arXiv, PubMed, and SEC proxy statements. It contains 271,760 queries across 23 domains and six evidence structures, covering single-page, within-document multi-page, and cross-document evidence configurations. Evidence annotations are grounded to rendered pages and HTML element identifiers, and queries are filtered with a cleaning pipeline targeting clarity, correctness, closedness, and the absence of explicit layout references. We evaluate leading single-vector and multi-vector visual retrievers together with diagnostic retrieval settings such as document-context scoring, query splitting, reranking, and round-robin ensembles. The strongest evaluated configuration reaches 69.3 nDCGAll@10 and 80.6 RecallAll@10 under structure-balanced Macro evaluation, but source- and evidence-structure breakdowns show that cross-document retrieval remains substantially harder than single-page retrieval, and that document-context scoring is especially helpful for within-document multi-page queries. VL-DocIR exposes these failure modes and provides a more demanding target for visual long-document retrieval. The new dataset and code will be made publicly available at https://yufanchen96.github.io/VL-DocIR.
• Abstract（参考訳）: 視覚に基づく文書検索は急速に改善したが、現在の評価設定では短い文書と単一の関連ページが強調されている。 このことは、リーダーボードのパフォーマンスと現実的な長期ドキュメント検索の間に重要なギャップを残し、クエリに答えるために必要な証拠は複数のページや複数のドキュメントにまたがる可能性がある。 本稿では,エビデンス完全視覚文書検索のためのページレベルのベンチマークであるVL-DocIRを提案する。 VL-DocIRは、ウィキペディア、arXiv、PubMed、SECプロキシステートメントから388,548ページの画像にレンダリングされた29,641のHTML生まれのドキュメントから作られている。 そこには23のドメインにわたる271,760のクエリと6つのエビデンス構造が含まれており、シングルページ、インインドキュメントのマルチページ、クロスドキュメントのエビデンス構成を含んでいる。 エビデンスアノテーションはレンダリングページとHTML要素識別子に基礎を置いており、クエリは明確さ、正確性、クローズネス、明示的なレイアウト参照がないことを目的としたクリーニングパイプラインでフィルタリングされる。 我々は、文書コンテキストスコアリング、クエリ分割、再ランク付け、ラウンドロビンアンサンブルなどの診断検索設定とともに、先行するシングルベクターとマルチベクターのビジュアルレトリバーを評価した。 最も評価の高い構成は、構造バランスのとれたマクロ評価の下で69.3 nDCGAll@10と80.6 RecallAll@10に達するが、ソースとエビデンスと構造の分解により、クロスドキュメント検索はシングルページ検索よりもかなり困難であり、文書コンテキストスコアリングは文書内複数ページクエリに特に有用であることが示されている。 VL-DocIRはこれらの障害モードを公開し、視覚的長期ドキュメント検索のためのより要求の多いターゲットを提供する。 新しいデータセットとコードはhttps://yufanchen96.github.io/VL-DocIR.comで公開される。

関連論文リスト

• DocPC: Document-Level Visual Retrieval via Representative Page Composition [18.502834715003928]
  本稿では,代表ページ構成に基づく文書レベルのビジュアル検索フレームワークであるDocPCを提案する。 文書レベルで広く普及している多陽性の監督を扱うために,多陽性のコントラスト学習と小数にスケジュールされたリストワイズ最適化を組み合わせる。 DocPC-ColQwenはDocViRe上で44.09のNDCG@5を達成した。
  論文  参考訳（メタデータ） (2026-08-26T06:46:44Z)
• DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering [22.38959921864722]
  文書階層と地域間関係をナビゲート可能なグラフに整理するDocNavRAGを紹介する。 DocNavRAGは4つの長期およびマルチドキュメントQAベンチマークで、最強のベースラインに対する回答品質とコンテキスト満足度を平均で7.8%と17.7%改善した。
  論文  参考訳（メタデータ） (2026-08-03T00:48:05Z)
• DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
  本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。 ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。 GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
  論文  参考訳（メタデータ） (2026-07-21T09:45:34Z)
• Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing [53.41293908252118]
  我々は、エキスパートレベルの文書解析のための困難を意識したベンチマークであるDocBench博士を紹介する。 Dr. DocBenchは52のBISACドメインにまたがり、障害ベースのサンプリングによってドキュメントを選択する。 約100ページにわたる長いドキュメントから4,514ページの注釈付きページが含まれており、レイアウト、読み込み順序、階層的関係、ドメイン固有のビジュアルコンテンツなど、65kの高品質なアノテーションがある。 本分析では,文書インテリジェンスを診断・進展するための総合的なテストベッドとしてDocBench博士が注目されている。
  論文  参考訳（メタデータ） (2026-05-31T18:35:30Z)
• MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
  MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。 433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
  論文  参考訳（メタデータ） (2026-05-21T07:36:41Z)
• 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)
• DAPR: A Benchmark on Document-Aware Passage Retrieval [57.45793782107218]
  我々は,このタスクemphDocument-Aware Passage Retrieval (DAPR)を提案する。 State-of-The-Art(SoTA)パスレトリバーのエラーを分析しながら、大きなエラー(53.5%)は文書コンテキストの欠如に起因する。 提案するベンチマークにより,検索システムの開発・比較を今後行うことができる。
  論文  参考訳（メタデータ） (2023-05-23T10:39:57Z)

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。