論文の概要: Heading Hierarchy Reconstruction for Complex and Long Documents with Level-Wise Multimodal Memory

• arxiv url: http://arxiv.org/abs/2610.18238v1
• Date: Tue, 13 Oct 2026 12:06:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.608608
• Title: Heading Hierarchy Reconstruction for Complex and Long Documents with Level-Wise Multimodal Memory
• Title（参考訳）: レベルワイズマルチモーダルメモリを用いた複雑・長期文書の見出し階層再構築
• Abstract要約: 本稿では,マルチモーダルメモリを用いた方向階層を漸進的に再構築するVLMベースのフレームワークを提案する。 我々のフレームワークはフレキシブルなアンカー選択をサポートし、この作業では各レベルで最新のノードを選択します。 CLDoc-HHRBenchおよび既存の3つのベンチマーク実験により,本手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 7.2761933849276685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) have been widely adopted for document parsing and optical character recognition (OCR), as they can accurately extract page-level elements. However, downstream applications such as retrieval-augmented generation (RAG) also require coherent document-level structure. Although these models indicate heading levels using different numbers of preceding ``\#'' symbols, page-by-page prediction often lacks document-level consistency. In practice, input-resolution and context-length constraints make it infeasible for a VLM to jointly process all page images in documents containing tens or hundreds of pages. To address this limitation, we propose a VLM-based framework that incrementally reconstructs heading hierarchies with a \emph{level-wise multimodal memory}. The memory retains a compact subset of all previously processed pages, selected by anchors. Our framework supports flexible anchor selection, and in this work we select the most recent node at each level, allowing the VLM to observe the visual, textual, and layout patterns of headings at every level. For comprehensive evaluation, we also introduce the Complex and Long Document Heading Hierarchy Reconstruction Benchmark (CLDoc-HHRBench), comprising 250 documents and 11,212 pages with expert-verified annotations. Experiments on CLDoc-HHRBench and three existing benchmarks demonstrate the effectiveness of our method.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、ページレベルの要素を正確に抽出できるため、文書解析と光学文字認識(OCR)に広く採用されている。 しかし、検索拡張生成(RAG)のような下流のアプリケーションも、一貫性のあるドキュメントレベルの構造を必要とする。 これらのモデルは、以前の ``\#'' シンボルの数が異なる方向のレベルを示すが、ページごとの予測は文書レベルの一貫性を欠いていることが多い。 実際には、入力解像度とコンテキスト長の制約により、VLMは数十から数百のページを含む文書で全てのページイメージを共同で処理することは不可能である。 この制限に対処するため,本研究では,方向階層をemph{level-wise multimodal memory}で漸進的に再構築するVLMベースのフレームワークを提案する。 メモリは、アンカーによって選択された全ての前処理されたページのコンパクトなサブセットを保持する。 我々のフレームワークはフレキシブルアンカー選択をサポートしており、この作業では各レベルにおける最新のノードを選択し、VLMは各レベルにおける先頭の視覚的、テキスト的、レイアウトパターンを観察することができる。 包括的評価のために,250の文書と11,212ページのアノテーションを含むCLDoc-HHRBench(Complex and Long Document Heading Hierarchy Restruction Benchmark)を導入する。 CLDoc-HHRBenchおよび既存の3つのベンチマーク実験により,本手法の有効性が示された。

関連論文リスト

• MM-BizRAG: Rethinking Multimodal Retrieval-Augmented Generation for General Purpose Enterprise Q&A [13.040489131301081]
  MM-BizRAGは文書構造認識スプリットを介して文書構造を積極的に抽出し、表現する。 MM-BizRAGは、最先端のビジョン中心のベースラインを最大32%上回っている。
  論文  参考訳（メタデータ） (2026-06-02T21:31:47Z)
• 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)
• MoDora: Tree-Based Semi-Structured Document Analysis System [62.01015188258797]
  半構造化文書は、様々な不規則なレイアウトで配置された様々なインターリーブされたデータ要素を統合する。 MoDora は半構造化文書解析のための LLM を利用したシステムである。 実験では、MoDoraは5.97%-61.07%の精度でベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-26T14:48:49Z)
• Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding [0.0]
  Retrieval-Augmented Generation (RAG) システムは情報検索と質問応答に革命をもたらした。 従来のテキストベースのチャンキング手法は、複雑なドキュメント構造、マルチページテーブル、埋め込みフィギュア、ページ境界を越えたコンテキスト依存に苦労する。 本稿では,Large Multimodal Models(LMM)を利用してPDF文書をバッチで処理する,新しいマルチモーダル文書チャンキング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T05:11:43Z)
• mPLUG-DocOwl2: High-resolution Compressing for OCR-free Multi-page Document Understanding [103.05835688963947]
  本稿では,高解像度文書画像を324個のトークンに圧縮する高解像度DocCompressorモジュールを提案する。 DocOwl2は、マルチページ文書理解ベンチマークにまたがる最先端の新たなベンチマークを設定し、最初のトークンレイテンシを50%以上削減する。 同様のデータで訓練されたシングルイメージMLLMと比較して、DocOwl2はビジュアルトークンの20%未満で、同等のシングルページ理解性能を実現しています。
  論文  参考訳（メタデータ） (2024-09-05T11:09:00Z)
• Focus Anywhere for Fine-grained Multi-page Document Understanding [24.76897786595502]
  本稿では,LVLMを単ページ/複数ページの文書に注目する上で,効果的パイプライン,ハイブリッドデータ,チューニング戦略であるFoxを提案する。 我々は、複数の視覚語彙を用いて、インターリーブされた文書ページの視覚的ハイブリッド知識を抽出する。 我々は、複数の視覚語彙と文書内図形理解の完全な反応を達成するために、複数の語彙間の視覚データを前景として描画する。
  論文  参考訳（メタデータ） (2024-05-23T08:15:49Z)

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。