論文の概要: TextVerifier: Seeing Beyond Recognition to Verify Chinese Text Rendering

• arxiv url: http://arxiv.org/abs/2610.19551v1
• Date: Wed, 14 Oct 2026 04:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.952247
• Title: TextVerifier: Seeing Beyond Recognition to Verify Chinese Text Rendering
• Title（参考訳）: TextVerifier:中国のテキストレンダリングを検証するために、認識以上のものを探る
• Abstract要約: テキストレンダリングの検証を目標条件問題として定式化する。 TEXTVERIFIERは、文字塔に文字のIdeographic Description Sequence(IDS)を単一文字のシンボルではなく与える。 12.7Mの作物IDSペアに加えて、テキスト領域の塗装モデルのトレーニング軌跡から採取されたラベルなしの「サマ・キャラクタ、異なる品質」ハードペアで訓練されている。 TEXTRENDERBENCH-ZH - 7,358文字のアノテート位置、アイデンティティ、正当性。
• 参考スコア（独自算出の注目度）: 33.813859377368715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-image models increasingly generate readable Chinese text that still contains local rendering defects, such as a character with an extra or missing stroke or a malformed component. Such errors are invisible to OCR and vision-language models, which are trained for recognition and are therefore invariant to the very structural deviations that define a rendering error. We formalize text rendering verification as a target-conditioned problem: given a target character and an image crop, decide whether the crop is a correct rendering of that character. Our verifier TEXTVERIFIER feeds the text tower a character's Ideographic Description Sequence (IDS) rather than a single-character symbol, and is trained on 12.7M crop-IDS pairs plus label-free "same-character, different-quality" hard pairs sampled from the training trajectory of a text-region inpainting model. To evaluate this ability we build TEXTRENDERBENCH-ZH, the first per-character benchmark for generated Chinese text, annotating position, identity, and correctness for 7,358 characters. TEXTVERIFIER reaches an F1 of 0.844, far above OCR confidence (0.526), a general VLM (0.329), and TextPecker (0.590). Used as a per-character reward for Flow-GRPO post-training, it further reduces rendering errors, showing that its score can both detect and correct errors.
• Abstract（参考訳）: テキスト・トゥ・イメージ・モデルは、余分なまたは欠落したストロークを持つ文字や不正なコンポーネントなど、局所的なレンダリング欠陥を含む読みやすい中国語のテキストを徐々に生成する。 このようなエラーは、認識のために訓練されたOCRや視覚言語モデルには見えず、したがってレンダリングエラーを定義する構造的偏差に不変である。 我々は、テキストレンダリング検証をターゲット条件付き問題として形式化し、対象の文字と画像のクロップが与えられた場合、そのクロップがその文字の正しいレンダリングであるかどうかを判断する。 我々の検証器であるTEXTVERIFIERは、文字塔に文字のIdeographic Description Sequence(IDS)を単一文字のシンボルではなく供給し、テキスト領域塗装モデルのトレーニング軌跡からサンプリングされたラベルなしの「サメ文字、異なる品質」ハードペアに127万個の作物IDSペアをトレーニングする。 この能力を評価するために,7,358文字のアノテート位置,同一性,正当性を示す,中国語テキストの最初の文字ごとのベンチマークであるTEXTRENDERBENCH-ZHを構築した。 TEXTVERIFIERは、OCRの信頼性(0.526)、一般的なVLM(0.329)、TextPecker(0.590)よりもはるかに高い0.844のF1に達する。 Flow-GRPOポストトレーニングのキャラクタ単位の報酬として使用されることで、レンダリングエラーをさらに削減し、そのスコアがエラーを検出し、修正できることを示す。

関連論文リスト

• Decompose Radicals, Then Reward: Fine-Grained Inspection for Accurate Chinese Text Rendering [17.603585151752203]
  既存のOCRベースの強化学習報酬は、デコードされた書き起こしとターゲット文字列を比較する。 Ideographic Description Sequences (IDS) は空間演算子と文字成分から構成される。 IDSSpectは、決定論的にターゲットテキストをIDSトークンに分解し、作物レベルの視覚的IDS予測をターゲットシーケンスと整合させる。
  論文  参考訳（メタデータ） (2026-09-29T13:37:32Z)
• T2LSC-Bench: Benchmarking Localized Semantic Control in Text-to-Image Generation [30.939965668317967]
  製品ラベリング、署名、インターフェースデザインでは、予め定義された主題のアイデンティティや周囲のシーンセマンティクスを変更することなく、指定されたテキストを含む領域内でターゲットテキストをレンダリングすべきである。 既存のビジュアルテキストベンチマークでは、可読性、スペル精度、レイアウトを評価しており、この種のセマンティックリークはほとんど検討されていない。 T2LSC-Benchは、50の被験者と1200のプロンプトケースからなる制御された診断ベンチマークであり、6つのモデルで7,160の画像が得られた。 デュアルブランチプロトコルは、OCR-VLMテキスト検証と構造化VLM意味判断を組み合わせて、テキスト・アット・アンカー精度(TAA)、意味的主題保存(Semantic Subject Preservation)を測定する。
  論文  参考訳（メタデータ） (2026-09-02T08:02:40Z)
• TextGuider: Training-Free Guidance for Text Rendering via Attention Alignment [68.91073792449201]
  そこで本研究では,テキストの正確かつ完全な出現を促すトレーニング不要な方法であるTextGuiderを提案する。 具体的には,多モード拡散変換器(MM-DiT)モデルにおける注意パターンを解析し,特に画像に描画することを意図したテキスト関連トークンについて検討する。 テスト時間テキストレンダリングでは,OCR精度とCLIPスコアが大幅に向上し,高い結果が得られた。
  論文  参考訳（メタデータ） (2025-12-10T06:18:30Z)
• RepText: Rendering Visual Text via Replicating [15.476598851383919]
  本稿では,ユーザが指定したフォントの視覚的テキストを正確にレンダリングする機能を備えた,事前学習されたモノリンガルテキスト・画像生成モデルの強化を目的としたRepTextを提案する。 具体的には、ControlNetの設定を採用し、さらに言語に依存しないグリフとレンダリングされたテキストの位置を統合して、調和したビジュアルテキストを生成する。 提案手法は,既存のオープンソース手法より優れており,ネイティブな多言語クローズドソースモデルに匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2025-04-28T12:19:53Z)
• Type-R: Automatically Retouching Typos for Text-to-Image Generation [14.904165023640854]
  後処理パイプラインにおける誤ったテキストレンダリングの修正を提案する。 提案手法はType-Rと呼ばれ,生成した画像のタイポグラフィ的誤りを識別し,誤りテキストを消去し,失語のためのテキストボックスを再生し,最後にレンダリングされた単語のタイポスを補正する。
  論文  参考訳（メタデータ） (2024-11-27T09:11:45Z)
• Glyph-ByT5: A Customized Text Encoder for Accurate Visual Text Rendering [59.088036977605405]
  ビジュアルテキストレンダリングは、テキストから画像生成モデルにとって根本的な課題である。 文字認識のBYT5エンコーダを微調整することで、一連のカスタマイズされたテキストエンコーダ、Glyph-ByT5を作成します。 本稿では,Glyph-ByT5をSDXLに統合する方法を提案する。
  論文  参考訳（メタデータ） (2024-03-14T17:55:33Z)
• Chinese Text Recognition with A Pre-Trained CLIP-Like Model Through Image-IDS Aligning [61.34060587461462]
  中国語テキスト認識(CTR)のための2段階フレームワークを提案する。 印刷文字画像とIdeographic Description Sequences (IDS) の整列によるCLIP様モデルの事前学習を行う。 この事前学習段階は、漢字を認識する人間をシミュレートし、各文字の標準表現を得る。 学習された表現はCTRモデルを監督するために使用され、従来の単一文字認識はテキストライン認識に改善される。
  論文  参考訳（メタデータ） (2023-09-03T05:33:16Z)
• A Benchmark for Chinese-English Scene Text Image Super-resolution [15.042152725255171]
  Scene Text Image Super- resolution (STISR) は、低解像度(LR)入力から視覚的に快適で読みやすいテキストコンテンツで高解像度(HR)のテキストイメージを復元することを目的としている。 現存する作品の多くは、比較的単純な文字構造を持つ英語のテキストの復元に重点を置いている。 我々は,STISRのタスクに対して,実世界の中国語と英語のベンチマークデータセットであるReal-CEを提案する。
  論文  参考訳（メタデータ） (2023-08-07T02:57:48Z)

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。