論文の概要: Loud and Clear: Making Visual Evidence Count in Multimodal Document RAG

• arxiv url: http://arxiv.org/abs/2610.21318v1
• Date: Thu, 15 Oct 2026 06:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.210814
• Title: Loud and Clear: Making Visual Evidence Count in Multimodal Document RAG
• Title（参考訳）: Loud and Clear: マルチモーダルドキュメントRAGにおける視覚的エビデンス数の作成
• Abstract要約: 検索されたページの証拠は、正しいページが検索された場合でも未使用のままである。 検索したページから生成元が必要とするものについて、LoudとClearの2つの要件を通して検討する。 LoCはSciEGQA、ViDoRe-v3、MMLongBench-Docの8つの先行手法より優れている。
• 参考スコア（独自算出の注目度）: 7.637974850064899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal document retrieval-augmented generation (RAG) has focused largely on retrieval, yet its answers depend on how well a vision-language model reads the retrieved pages. We find that evidence in retrieved pages remains underused even when the correct pages are retrieved. On SciEGQA oracle pages, five prior methods give the generator 0.7K to 2.7K visual tokens per query on average under a common image processor, yet raising the page-only budget from 1K to 32K improves accuracy by 15.22 points. At a fixed 16K budget, adding ground-truth crops improves accuracy by 3.75 points over page-only input. We study what the generator needs from retrieved pages through two requirements: Loud, making full use of visual token capacity, and Clear, refining the page so that its evidence becomes prominent. For Loud, increasing either the visual token budget or visual fidelity, the image resolution those tokens preserve, improves accuracy with the other held fixed, and full-page scaling outperforms repetition and tiling at matched budgets. For Clear, suppressing surrounding content improves accuracy without enlarging selected regions, and adding OCR of these regions to page images outperforms either input alone. We implement both as Loud and Clear (LoC), which combines higher-resolution pages with OCR from query-relevant regions without ground-truth annotations or additional training. LoC outperforms eight prior methods on SciEGQA, ViDoRe-v3, and MMLongBench-Doc, improving over the strongest, ColQwen3, by 8.88, 3.09, and 4.22 points with the same retriever and generator. It also outperforms its page-only variant under the same visual token budget. These results locate a bottleneck beyond retrieval: how the retrieved pages are given to the generator.
• Abstract（参考訳）: マルチモーダル文書検索拡張生成(RAG)は,検索に重点を置いているが,その解答は,検索したページを視覚言語モデルで読み取る方法に大きく依存している。 検索されたページの証拠は、正しいページが検索された場合でも未使用のままである。 SciEGQAのオラクルページでは、ジェネレータの0.7Kから2.7Kまでのビジュアルトークンを、一般的なイメージプロセッサで平均2.7Kに設定するが、ページのみの予算を1Kから32Kに引き上げることで、精度は15.22ポイント向上する。 固定された16Kの予算では、ページのみの入力よりも3.75ポイント精度が向上する。 検索したページから生成元が必要とするものは,2つの要件により検討する:ラウド,視覚トークンの容量をフル活用する,クリア,ページを精査して,その証拠が明らかになる。 Loudにとって、視覚的トークン予算と視覚的忠実度を増大させ、それらのトークンが保存する画像解像度は、他の固定された固定されたものと精度を向上し、マッチした予算での繰り返しやタイリングよりもフルページのスケーリング性能が向上する。 Clearでは、周辺コンテンツを抑制することで、選択された領域を拡大することなく精度が向上し、これらの領域のOCRをページイメージに付加することで、いずれの入力でもパフォーマンスが向上する。 Loud と Clear (LoC) という2つの機能を実装しており,クエリ関連領域の高精細なページと OCR を組み合わせる。 LoCはSciEGQA、ViDoRe-v3、MMLongBench-Docの8つの先行手法を上回り、最強のColQwen3よりも8.88、3.09、および4.22ポイント向上した。 また、同じビジュアルトークン予算でページのみのバリエーションを上回ります。 これらの結果は、検索するページがどのようにジェネレータに与えられるかという、検索以上のボトルネックを見つける。

関連論文リスト

• Cascaded Retrieval with Cross-Modal Query Refinement for Efficient Visual Document Search [54.48124421246385]
  現在の視覚言語レトリバーは、コーパスサイズとともに成長し、スケールすることができないクエリ時間コストを発生させる。 本稿では,検索性能を徹底検索から分離する2トラック検索フレームワークSCOUTを提案する。 SCOUTを4つの主要なベンチマークで評価し、最高のベースラインに対して80.7倍(平均28.8倍)のクエリ時間遅延改善を観測した。
  論文  参考訳（メタデータ） (2026-10-14T15:40:27Z)
• Look Back, Think Ahead: Visual Memory on Demand for Efficient Multimodal Reasoning [67.2146856614177]
  ViMoDは、推論が進化するにつれて、元のきめ細かい証拠へのアクセスを保ちながら、コンパクトな視覚コンテキストを維持する軽量フレームワークである。 Qwen3-VL-4Bでは、ViMoDは8つの推論ベンチマークのベースラインを20%の視覚トークン予算で上回っている。
  論文  参考訳（メタデータ） (2026-10-08T14:42:57Z)
• EVIE: Evidence-Vector-Informed Embeddings for Visual Document Retrieval [40.16120380759166]
  OCRベースのテキスト検索は、プレレイテンシを追加し、複雑なページを理解するのに必要な視覚的および構造的手がかりを失う可能性がある。 3つの重要なイノベーションを統合するネイティブビジュアルレトリバーのファミリーを紹介します。 EVIE-4.5B with HAC は 59.58 nDCG@10 をわずか3.81 GiB per million pages で保持し、ベクトルペイロードを$128times$で削減した。
  論文  参考訳（メタデータ） (2026-10-08T09:15:47Z)
• The Right Information Extraction Pipeline Depends on the Document: Accuracy-Energy Trade-offs for Small, Local Models [0.9558392439655014]
  情報抽出パイプラインがページイメージを処理すべきか,あるいは解析されたテキストは文書に依存するかを検討する。 FP8の量子化は、リクエストが一度に1つずつ提供されると27～32%節約されるのに対し、支配的なエネルギーレバーは、精度の面で38～85%削減されている。 本研究は,エネルギー効率,プライバシーに配慮した地域情報抽出に関する具体的なガイドラインを提示する。
  論文  参考訳（メタデータ） (2026-09-25T14:43:18Z)
• Locating Failure in Multi-Page Visually Rich Document Understanding: An Empirical Attribution [33.57068605295354]
  マルチページ視覚豊かな文書理解(MP-VRDU)では、スパースで、ページ全体に広がり、しばしばモデルのコンテキストウインドウを超える証拠を管理する必要がある。 我々は,3つの障害モード,表現,選択,推論を誤った回答とみなし,それぞれを複数ページの文書理解データセット上で分離する。 これらの知見を,固定計算予算下でのシステム構築のためのガイダンスに翻訳する。
  論文  参考訳（メタデータ） (2026-08-08T06:07:55Z)
• Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering [11.253079427884229]
  我々は,OCR テキストの代わりに PMC 文書ページイメージを検索し,原因を判断する反復型マルチモーダル RAG フレームワーク MED-VRAG を提案する。 視覚言語モデル(VLM)はそのクエリを反復的に洗練し、メモリバンクにエビデンスを蓄積する。 4つのQAベンチマークで、MEDVRAGの平均精度は78.6%に達した。
  論文  参考訳（メタデータ） (2026-04-30T11:16:07Z)
• 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)
• Beyond Patch Aggregation: 3-Pass Pyramid Indexing for Vision-Enhanced Document Retrieval [0.0]
  ドキュメント中心のRAGパイプラインは通常、OCRから始まり、次にチャンキング、テーブル解析、レイアウト再構築のための脆さが続く。 我々は,OCRフリーかつモデル非依存なマルチモーダル検索システムであるVisionRAGを紹介する。 VisionRAGは、ドキュメントを直接イメージとしてインデックスし、レイアウト、テーブル、空間的なキューを保存し、特定の抽出にコミットすることなくセマンティックベクターを構築する。
  論文  参考訳（メタデータ） (2025-11-26T07:18:06Z)
• 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)
• LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
  自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。 125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。 これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-03-04T15:34:12Z)

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。