論文の概要: Read, Parse, Describe: Unified Document Parsing with Visual Element Description Generation

• arxiv url: http://arxiv.org/abs/2610.20335v1
• Date: Wed, 14 Oct 2026 15:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.218476
• Title: Read, Parse, Describe: Unified Document Parsing with Visual Element Description Generation
• Title（参考訳）: Read, Parse, Describe: Visual Element Description Generationによる統一ドキュメント解析
• Abstract要約: 本稿では、ビジュアル要素記述生成を伴う文書解析のための統合データセットであるRead-Parse-Describeを紹介する。 ベンチマークは2,402のドキュメントから作成され、18,163の連続ページ、125,218のレイアウト要素、11,338のビジュアルインスタンスで構成されている。
• 参考スコア（独自算出の注目度）: 39.94971697222382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Document understanding systems are typically evaluated as separate components via layout analysis, optical text recognition, reading-order prediction, and image captioning. This separation leaves scientific figures, captions, and visual semantics weakly connected, and fails to measure whether a model can produce a single page-level parse that is both structurally faithful and semantically accessible. We introduce Read-Parse-Describe, a unified dataset for document parsing with visual element description generation. Given a page image, models are required to output an ordered list of layout elements containing bounding boxes, semantic labels, reading-order indices, recognized textual content, and alternative text descriptions for visual elements. The benchmark is built from 2,402 documents, comprising 18,163 continuous pages, 125,218 layout elements, and 11,338 visual instances. Besides, we further propose a plug-and-play space-awareness enhancer that reuses multi-layer visual features and injects grid-aware spatial guidance into vision-language tokens for layout-aware generation. Experiments across end-to-end VLMs and pipeline parsers show that existing systems still struggle to jointly recover reading order and visual semantics, while our enhanced model achieves strong joint performance. These results highlight the need to move beyond isolated document parsing modules toward unified models that jointly read, parse, and describe complex documents. The new dataset and code will be made publicly available at https://github.com/yufanchen96/RPD
• Abstract（参考訳）: 文書理解システムは通常、レイアウト分析、光学テキスト認識、読み出し順序予測、画像キャプションなどを通じて、独立したコンポーネントとして評価される。 この分離は、科学的な数字、キャプション、視覚的な意味論を弱め、モデルが構造的に忠実で意味的にアクセス可能な単一のページレベルのパースを生成できるかどうかを測定するのに失敗する。 本稿では、ビジュアル要素記述生成を伴う文書解析のための統合データセットであるRead-Parse-Describeを紹介する。 ページイメージが与えられた場合、モデルは境界ボックス、セマンティックラベル、読み順インデックス、認識されたテキストコンテンツ、視覚要素の代替テキスト記述を含むレイアウト要素の順序付きリストを出力する必要がある。 ベンチマークは2,402のドキュメントから作成され、18,163の連続ページ、125,218のレイアウト要素、11,338のビジュアルインスタンスで構成されている。 さらに,複数レイヤの視覚的特徴を再利用し,グリッド対応空間ガイダンスを視覚言語トークンに注入してレイアウト認識生成を行う,プラグアンドプレイ型空間認識エンハンサを提案する。 エンド・ツー・エンドのVLMとパイプライン・パーサを用いた実験により,既存のシステムでは読み出し順序や視覚的意味論の回復に苦慮していることがわかった。 これらの結果は、モジュールを分離したドキュメント解析を超えて、複雑なドキュメントを共同で読み、解析し、記述する統一モデルに移行する必要性を強調している。 新しいデータセットとコードはhttps://github.com/yufanchen96/RPDで公開される。

関連論文リスト

• ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval [62.80735412748694]
  ConceptFormerは、ビジュアル文書検索のための潜在概念表現学習フレームワークである。 クエリ関連エビデンスとは、局所化された視覚的エビデンスとセマンティックな関連性を明確に橋渡しする、連続的でクエリ条件付き潜在概念である。 平均的なNDCG@10では、最強のビジュアル検索ベースラインと最強のOCRベースのテキスト検索ベースラインに対して16.7%と22.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2026-08-16T12:07:12Z)
• VinQA: Visual Elements Interleaved Long-form Answer Generation for Real-World Multimodal Document QA [7.046359260432822]
  VinQAは、引用された視覚要素がサポートテキストと明示的にインターリーブされた長文回答生成のためのデータセットである。 生文書のページイメージをMLLMに入力する2つのエンコーディング手法と,その視覚的要素抽出機構について検討した。 本実験では, 完全性, 回答関連性, 忠実性, 障害性という4次元の回答を評価するために, M-GroSEを提案する。
  論文  参考訳（メタデータ） (2026-06-15T01:14:14Z)
• 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)
• Multimodal OCR: Parse Anything from Documents [72.69545534962234]
  dots.mocrは、チャート、ダイアグラム、テーブル、アイコンなどのビジュアル要素を第一級解析ターゲットとして扱う。 テキストとグラフィックの両方を構造化出力として再構築し、より忠実なドキュメント再構築を可能にする。 不均一なドキュメント要素に対するエンドツーエンドのトレーニングをサポートする。
  論文  参考訳（メタデータ） (2026-03-13T14:42:21Z)
• Adaptive Markup Language Generation for Contextually-Grounded Visual Document Understanding [42.506971197471195]
  ドキュメント解析のために約3.8Mの事前学習データペアで構成されるDocMark-Pileと、グラウンドド命令に従うための624kの微調整データアノテーションを備えたDocMark-Instructの2つのきめ細かい構造化データセットを紹介した。 提案手法は,様々なビジュアル文書理解ベンチマークにおいて,既存の最先端MLLMを著しく上回っている。
  論文  参考訳（メタデータ） (2025-05-08T17:37:36Z)
• Éclair -- Extracting Content and Layout with Integrated Reading Order for Documents [7.358946120326249]
  本稿では,テキスト抽出ツールである'Eclairについて紹介する。 画像が与えられたら、"Eclairは、バウンディングボックスとその対応するセマンティッククラスとともに、読み順でフォーマットされたテキストを抽出できる。 このベンチマークで'Eclair'は最先端の精度を達成し、主要なメトリクスで他のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-02-06T17:07:22Z)

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。