論文の概要: Unlimited OCR Works 2

• arxiv url: http://arxiv.org/abs/2610.39308v2
• Date: Fri, 30 Oct 2026 02:58:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.421351
• Title: Unlimited OCR Works 2
• Title（参考訳）: 無制限OCRワークス2
• Abstract要約: 無制限のOCRは、長い水平解析の時代を後押しし、文書長として作業記憶の成長を著しく軽減する。 私たちはUnlimited OCR 2を紹介します。 SR-SWA と Unlimited-Horizon Decoding Paradigm を組み合わせることで、Unlimited OCR 2 はメモリオーバーヘッドを禁ずることなく、事実上無制限の長さの文書解析を可能にする。
• 参考スコア（独自算出の注目度）: 14.265419756625155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unlimited OCR ushers the era of long-horizon parsing, substantially mitigating the growth of working memory as document lengthens. However, as document length scales to hundreds of pages, the visual context grows substantially, sharply increasing the computational cost of each decoding step and limiting the scalability of ultra-long document parsing. Inspired by human book transcription via localized focus without re-scanning preceding pages, we introduce Unlimited OCR 2, a document parsing model that looks only at what it transcribes. Building on Unlimited OCR, we upgrade all the decoder attention modules to Sparse Reference Sliding Window Attention (SR-SWA), bounding active reference tokens to a fixed capacity and thus sustaining constant computational costs across arbitrarily long documents. By combining SR-SWA with Unlimited-Horizon Decoding Paradigm, Unlimited OCR 2 enables document parsing over virtually unlimited lengths without prohibitive memory overhead. At the hundred-page scale, Unlimited OCR 2 achieves 7.0$\times$ and 5.6$\times$ per-step speedups over Full Attention and R-SWA, respectively. Furthermore, it delivers state-of-the-art end-to-end performance on both MPDocBench and MarathonDocBench, our newly proposed benchmark targeting hundred-page document parsing. Ultimately, the capacity for uninterrupted, one-shot document parsing signifies a fundamental paradigm shift into the OCR 3.0 era.
• Abstract（参考訳）: 無制限のOCRは、長い水平解析の時代を後押しし、文書長として作業記憶の成長を著しく軽減する。 しかし、文書長が数百ページに拡大するにつれて、視覚的コンテキストは大幅に増大し、復号ステップごとの計算コストが大幅に増加し、超長期文書解析のスケーラビリティが制限される。 先行するページを再スキャンすることなく、局所的なフォーカスによる人文の書き起こしにインスパイアされた文書解析モデルUnlimited OCR 2を導入する。 Unlimited OCR 上に構築したデコーダのアテンションモジュールを Sparse Reference Sliding Window Attention (SR-SWA) にアップグレードし,アクティブな参照トークンを一定の容量に制限し,任意の長さのドキュメントに対して一定の計算コストを維持する。 SR-SWA と Unlimited-Horizon Decoding Paradigm を組み合わせることで、Unlimited OCR 2 はメモリオーバーヘッドを禁ずることなく、事実上無制限の長さの文書解析を可能にする。 100ページのスケールで、Unlimited OCR 2はフルアテンションとR-SWAよりも7.0$\times$と5.6$\times$のスピードアップを達成した。 さらに、100ページの文書解析を対象とする新たなベンチマークであるMPDocBenchとMarathonDocBenchの両方で、最先端のエンドツーエンドのパフォーマンスを提供する。 最終的に、未中断のワンショット文書解析の能力は、OCR 3.0時代への根本的なパラダイムシフトを示している。

関連論文リスト

• TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
  TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。 TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
  論文  参考訳（メタデータ） (2026-08-08T04:50:00Z)
• Unlimited OCR Works [22.59848620824452]
  Unlimited OCRは、人間の解析作業メモリをエミュレートするモデルである。 デコーダ内のすべての注意層を、提案した参照スライディングウィンドウアテンションに置き換える。 無制限のOCRは、標準の最大長さ32Kの1つのフォワードパスで数十ページの文書を転写することができる。
  論文  参考訳（メタデータ） (2026-06-22T09:01:29Z)
• FastOCR: Dynamic Visual Fixation via KV Cache Pruning for Efficient Document Parsing [51.905216364362325]
  我々は2つの相補的なモジュールを持つトレーニングフリーフレームワークであるFastOCRを提案する。 FastOCRは未実行モデルの精度の98%を保持し、デコードステップあたりの視覚トークンの5%にしか到達しない。
  論文  参考訳（メタデータ） (2026-05-17T13:39:47Z)
• Slow-Fast Inference: Training-Free Inference Acceleration via Within-Sentence Support Stability [61.28049899686214]
  本稿では,生成を低コストの高速ステップと時折高密度の低速ステップに分解する,学習不要な復号化フレームワークを提案する。 評価されたコンテキスト長全体にわたって、SFIは約1.6times$--14.4times$高い復号スループットを提供する。
  論文  参考訳（メタデータ） (2026-03-12T15:14:48Z)
• VISTA-OCR: Towards generative and interactive end to end OCR models [3.7548609506798494]
  VISTA-OCRは、単一の生成モデル内でテキストの検出と認識を統合する軽量アーキテクチャである。 エンコーダ-デコーダアーキテクチャに基づいて構築されたVISTA-OCRは、視覚的特徴抽出フェーズから始まり、徐々に訓練される。 モデルの性能を高めるために、バウンディングボックスアノテーションと合成サンプルで強化された実世界のサンプルからなる新しいデータセットを構築した。
  論文  参考訳（メタデータ） (2025-04-04T17:39:53Z)
• Judge a Book by its Cover: Investigating Multi-Modal LLMs for Multi-Page Handwritten Document Transcription [8.143448433315319]
  マルチモーダル大言語モデル(MLLM)を用いて,ゼロショット設定で多ページ手書き文書の書き起こしを行う。 本稿では,文書全体のOCR出力を第1ページ画像とともに提供することにより,MLLMの書き起こしを向上する新しい手法「+first page」を提案する。
  論文  参考訳（メタデータ） (2025-02-27T17:21:18Z)
• 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)

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。