論文の概要: GARRET: Generative Feedback for Region Retrieval in Visual Documents

• arxiv url: http://arxiv.org/abs/2610.27829v1
• Date: Tue, 20 Oct 2026 08:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.71701
• Title: GARRET: Generative Feedback for Region Retrieval in Visual Documents
• Title（参考訳）: GARRET:ビジュアルドキュメントにおける領域検索のための生成的フィードバック
• Abstract要約: GARRETは、異なる生成フィードバックを通じて(ページ、質問、回答)三つ子から訓練された地域検索フレームワークである。 8つの領域にわたる200,682の固定候補領域を含むコーパスワイドベンチマークであるViDoRe-V3-Regionを紹介する。 GARRETは0.4126のマクロnDCG@10を達成し、最強の視覚ベースラインを2.94ポイント上回る。
• 参考スコア（独自算出の注目度）: 11.204388858551637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal retrieval-augmented generation over visually rich documents requires evidence at a finer granularity than entire pages. Existing visual retrievers typically index or return full pages, whereas training region-level retrievers often requires costly query-to-region annotations or noisy model-generated labels. We introduce GARRET, a region-retrieval framework trained from (page, question, answer) triplets through differentiable generative feedback. A shared context-preserving retriever produces page and region multi-vector representations. During training, their retrieval scores define a soft routing distribution over candidate region crops. An auxiliary vision-language model attends to each crop separately, aggregates crop-specific contexts using the routing weights, and predicts the question followed by the answer under a next-token prediction objective. Gradients through the routing distribution assign query-conditioned credit to the indexed region representations, without requiring query-to-region annotations. At inference, the auxiliary model is removed. GARRET also reuses the contextualized region representations, together with page summary tokens, to construct a compact page representation. We introduce ViDoRe-V3-Region, a corpus-wide benchmark containing 200,682 fixed candidate regions across eight domains. GARRET achieves a macro nDCG@10 of 0.4126, outperforming the strongest visual baseline by 2.94 points. On page retrieval, it remains comparable to ColQwen2.5-v0.2 while indexing 47.8% fewer vectors per page.
• Abstract（参考訳）: 視覚的にリッチなドキュメントに対するマルチモーダル検索拡張生成は、ページ全体よりも細かい粒度の証拠を必要とする。 既存のビジュアルレトリバーは通常、全ページをインデックスまたは返却するが、トレーニング領域レベルのレトリバーは、高価なクエリ・ツー・リージョンアノテーションやノイズの多いモデル生成ラベルを必要とすることが多い。 GARRETは、(ページ、質問、回答)三つ子から訓練された地域検索フレームワークである。 共有コンテキスト保存レトリバーは、ページおよび領域のマルチベクタ表現を生成する。 トレーニング中、彼らの検索スコアは、候補領域の作物に対するソフトなルーティング分布を定義する。 補助視覚言語モデルは、それぞれの作物に別々に参画し、ルーティングウェイトを用いて作物固有の文脈を集約し、次に次の目的の予測目標の下で答えが続くと予測する。 ルーティングディストリビューションによるグラディエントは、クエリからリージョンへのアノテーションを必要とせずに、クエリ条件付きクレジットをインデックス化されたリージョン表現に割り当てる。 推測時に補助モデルを除去する。 GARRETはまた、コンテキスト化された領域表現とページ要約トークンを再利用して、コンパクトなページ表現を構築する。 8つの領域にわたる200,682の固定候補領域を含むコーパスワイドベンチマークであるViDoRe-V3-Regionを紹介する。 GARRETは0.4126のマクロnDCG@10を達成し、最強の視覚ベースラインを2.94ポイント上回る。 ページ検索ではColQwen2.5-v0.2に匹敵するが、インデックスは1ページあたり47.8%減少している。

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)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• HierDoc: Hierarchical Page-to-Region Evidence Routing for Long-Document Visual Question Answering [89.21987002412051]
  複数ページの視覚的質問応答には、ページレベルと地域レベルの両方でスパースエビデンスを見つける必要がある。 文書の長期取得を2段階の予測として定式化する階層的エビデンスルーティングフレームワークであるHierDocを提案する。 HierDocは,オープンウェイトシステム間での最先端ないし競争的なパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-07-31T17:17:23Z)
• Evidence Attribution in Visual Document Understanding without Coordinates or Region Labels [8.720698253117837]
  視覚言語モデルでは,解答が正しい場合でも,適切な領域を識別できない場合が多い。 本研究は,モデルが座標を通して表現できることによって,この故障が部分的に制限されているかどうかを考察する。
  論文  参考訳（メタデータ） (2026-07-27T16:49:36Z)
• ReAlign: Optimizing the Visual Document Retriever with Reasoning-Guided Fine-Grained Alignment [28.897559367200376]
  ビジュアルドキュメント検索は、視覚的にリッチなコレクションからクエリに関連するドキュメントページの集合を検索することを目的としている。 既存の手法では、クエリやビジュアルページを共有埋め込み空間にエンコードするために、VLM(Vision-Language Models)を用いることが多い。 そこで我々は,Reasoning-Guided Alignment (ReAlign)を提案する。
  論文  参考訳（メタデータ） (2026-04-08T14:47:27Z)
• VLM2GeoVec: Toward Universal Multimodal Embeddings for Remote Sensing [59.73939718087177]
  シングルエンコーダの視覚言語モデルは、統合ベクトル空間にインターリーブされた入力を埋め込むために対照的に訓練された。 VLM2GeoVecは、領域レベルの空間推論とスケーラブルな検索を統合し、リモートセンシングにおける凝集性多モード解析を可能にする。
  論文  参考訳（メタデータ） (2025-12-12T11:39:35Z)
• Attention Grounded Enhancement for Visual Document Retrieval [12.602988404893305]
  視覚文書検索のためのtextbfAttention-textbfGrounded textbfREtriever textbfEnhancement (AGREE) フレームワークを提案する。 AGREEは、大規模言語モデルからの横断的な注意をプロキシローカル監視として組み合わせ、関連する文書領域の識別をガイドする。 挑戦的なViDoRe V2ベンチマークの実験では、AGREEはグローバルなスーパービジョンのみのベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2025-11-17T14:28:41Z)
• RegionRAG: Region-level Retrieval-Augumented Generation for Visually-Rich Documents [40.107303323097646]
  Modelnameは、検索パラダイムをドキュメントレベルからリージョンレベルにシフトする、新しいフレームワークです。 6つのベンチマークの実験は、RereaRAGが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-10-31T08:00:32Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)

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。